读博客：How To Understand Things

2026-08-241 引用

智力更多是诚实、勇气等可习得的软件特质，而非天赋硬件；真正理解一个事物意味着拒绝停在令你不满的答案上，建立具体直觉，并亲自接触一手事实。

https://nabeelqu.substack.com/p/understanding

是什么（What）
- 理解不是二元的懂/不懂，而是有层次的深度状态；智力主要是诚实、勇气、不接受自己不理解的答案这类软件特质（software traits）的总和，而非处理速度、工作记忆这类硬件特质（hardware traits），因此可以通过习惯习得
为什么（Why）
- 停在看似说得通的答案上最省力：深入思考消耗能量，需要 Fermi/Shockley 所说的 will to think（求懂的意愿）作为动机
- 自我欺骗最容易：没有外力强迫你诚实，只有你自己能反复追问我真的懂了吗；而学校制度奖励机械操作与速度、惩罚追问，会系统性地扼杀这种意愿
怎么做（How）
- 不接受没弄懂的答案：一个定理找多种证明并建立联系；用 mantra 式提问自检（X 究竟是什么？为什么必须如此？敢押大钱打赌吗？）
- 建立具体直觉：为抽象概念强制构造可视化例子，停留在公式层面说明还没真懂；不怕问最基础的笨问题
- 慢下来：先自己想问题再阅读，用问题大纲组织阅读材料
- 亲历一手事实：亲自获取数据、选信息密度高的一手资料，先建立自己的模型再看流行叙事

核心观点：

我们所说的智力与诚实、正直、勇敢这些美德的关系，和它与原始脑力的关系一样大——聪明人只是不肯接受自己不理解的答案。

智力是可以习得的软件特质

作者认识的最聪明的人有个习惯：证明一个定理后不满足于得到答案，而是继续花几个小时寻找同一命题的其他证明，并解释各证明之间的联系，由此获得深得多的理解。

由此得出的结论：

聪明人不会接受自己无法说服自己的答案——无论多少人相信它；
这是一种软件特质，独立于处理速度、工作记忆等硬件特质；他认识的最聪明者中，硬件特质差异极大（有人快有人慢），但软件特质完全一致；
软件特质可以靠努力习得，所以智力不是固定的，好习惯能实质性地提高智商。

理解的敌人：省力与自我欺骗

不停留在不满意答案上的第一个成本是能量：深想很累，而顺着无限增殖的兔子洞追查每个没弄懂的点更累。Shockley 从 Fermi 那里学到 the will to think：严肃思考需要 tedious and precise 的投入，除非确信结果值得，否则人会本能地拒绝付出——所以动机与方法同等重要。更深一层：思维里的 bug 必须真正让你难受，你才有驱动力去消灭它。

第二个敌人是自我欺骗。Feynman 说科学第一原则是别骗你自己，而你是最容易被骗的人。对自己说谎没有任何外部力量阻止，只有你能持续运行我真的懂了吗这个检查循环。

写作因此重要：当你坐下来写，写出来却支离破碎、混乱不堪时，就很难继续骗自己说已经理解了。写作强制清晰。

具体直觉优于抽象词句

Faraday 因为数学不好，坚持一切都要亲手实验演示才肯相信——听别人讲、读别人的结果永远不够，重复甚至扩展别人的实验成了他对想法建立所有权的方式。正是这种物理直觉让他做出了电磁学上最关键的发现：当 Ampère 的数学表明磁针运动来自吸引与排斥时，Faraday 凭直觉认定是导线在周围空间诱导出环形力，并用汞杯实验让导线绕磁铁旋转验证了它。

对普通人的启示：

纯文字的理解只能走这么远；三维可视化能给大脑一个可抓取的具体挂钩，让理解有发生的物理语境。看到 NLP bag of words 模型被画成直观图示时的冲击就是例证——如果你只能以干燥的数学形式复述它、却构造不出任何可视化，说明理解还不够深；
《圣经》用寓言而非抽象原则布道也是同一道理：两只麻雀不是卖一分银子吗比上帝看顾一切生灵记得久得多；
聪明人还不怕显得愚蠢。Gladwell 的父亲毫无智识上的不安全感，不懂就直接问最显然的问题，反复问到懂为止。大多数人做不到——显得愚蠢需要勇气。而经验是：很多场合你开始问基础问题、还为拖慢大家而内疚，结果发现根本没人一开始就听懂了，只是你是唯一开口的那个。这是个容易养成的习惯，而且它让人变聪明。

学校扼杀求懂的意愿

作者中学学微积分时卡在 dy/dx 记号上：它长得像分数，课堂证明却在因为都是无穷小所以约掉这类站不住脚的一步上滑过去。他的疑虑其实是对的——Leibniz 记号本质上是极好用的速记，其严格基础要等 200 年后的 Riemann 用极限重建。但当时他被考试进度推着走：既然机械操作就能答对考题，深究概念反而跟不上。元教训变成了别问太深，否则落后——就这样，学校杀死了人们的 will to understanding。

作者的对抗性建议是慢下来：先自己思考问题本身，再去阅读相关材料。持续琢磨一个问题一两周或一个月，收获惊人——而且大脑里会先长出一个语义框架，之后读到的好东西都有地方挂靠，留存率也更高。Bill Gates 的读书周就是这么运作的：先把水资源短缺拆成世界上有多少水、现有饮用水从哪来、怎么把海水变饮用水等问题清单，再挑书回答这些问题。这比随机阅读、任由内容穿过大脑有效得多。

自检用的 mantra 式提问

作者认为关于真正理解写得最好的是 LessWrong 的 Sequences，尤其是 Noticing Confusion 一节。思考时可循环使用这些问题：

X 到底是什么？（What exactly is X?）-- 找核心抽象
为什么 X 必须为真？(Why must X be true?)最根本的那条理由是什么？ -- 找不变量
我内心深处真的相信它是真的吗？(Do I really believe X is true?)敢跟朋友押一大笔钱吗？-- 真正理解/有信心

1. What is X?
      ↓
   找核心抽象

2. What problem does X solve?
      ↓
   找问题转换

3. How does X actually work?
      ↓
   画执行 / 数据路径

4. Why must it work?
      ↓
   找 invariant

5. Where does it break?
      ↓
   找边界 / counterexample

6. Can I reproduce it?
      ↓
   experiment / code / raw data

7. Can I explain it from scratch?
      ↓
   真正理解

两则寓言：直接经验无可替代

Agassiz 与鱼（Pound《ABC of Reading》）：研究生报到，大师只给一条普通的太阳鱼让他描述。学生先用分类学术语交差，再写四页论文，都被要求回去看着那条鱼。三周后鱼已高度腐败，但学生终于真正知道了一些关于它的事。

《禅与摩托车维修艺术》中的砖块：写不出美国的学生被一路收窄到博兹曼市主街歌剧院门面的第一块砖，反而写出五千字。她此前写不出东西，是因为总想复述听过的话；收到一块砖逼她只能直接去看。

两则寓言的共同结论：

没有什么能替代直接经验，去拿一手数据。作者分析新冠病毒基因组就是因为这个：从一手事实向上推理，而不是从别人对混乱现象的有损压缩出发，然后奇怪为什么现实总出乎意料；
没亲历过的人在复述 cached thoughts 和叙事，不太可能在产出真相；科普书和新闻不是理解的替代品，甚至可能让你变笨——它们往你脑子里塞的是别人的叙事而非你自己的综合。实在无法亲历时，选信息密度高、细节和事实丰富的一手来源（外交政策读大学出版社的书，而非 The Atlantic），先建自己的模型，再用它去评判流行叙事；
理解不是二元的，而有深度层次：朋友能用六种方法证明勾股定理，只是因为想得更久。最简单的东西也经得起细看——Kolmogorov 写过一篇论等号的文章，讨论它好在哪、缺在哪，以及等号的发明如何使方程与代数变形成为可能。读之前作者以为自己懂等号，甚至会因被质疑而不快；读完才知道可以懂得深得多；
Robert Capa 给摄影师的建议同样适用于理解事物：如果你的照片不够好，是因为你靠得不够近。拿不准时，凑近一点。

启发点（关键洞察）：

得到答案不等于理解：解出一题就停下，与继续追问第二种、第三种证明之间的差距，就是理解的深度差距。深度是时间与重复角度的数量积累，不是一次顿悟；
智力的核心是诚实的勇气：拒绝接受自己没能说服自己的答案、敢于当众问愚蠢的问题、写作暴露混乱时不回避——这些都是品格问题而非天赋问题，也因此都可训练；
自我检查没有外部裁判：我真的懂了吗只能由自己运行，所以要有仪式化的自检机制（写作输出、可视化重构、押注测试、mantra 提问），把模糊的大概懂了变成可证伪的判断；
无法构造具体例子 = 没有真正理解：对任何新概念，强制自己生成一个类比或可视化的具体实例；如果只会在原符号体系里复述，就该继续挖；
教育系统的激励机制与深度理解为敌：速度优先、算法优先、进度优先。识别哪些场合该服从这套激励（应付考试）、哪些场合该抵抗它（真正重要的领域），不要让别问太深变成终身默认设置；
先想后读优于边读边想：带着自己拆解过的问题清单去阅读，新材料才有挂靠点；直接消费二手叙事只会留下听过的错觉；
信息来源的分层策略：一手数据 > 高密度事实性来源 > 流行叙事；流行叙事应在自己已有模型之后用来对照校验，而不是用来搭建模型的原料；
对简单事物的轻视暴露了理解的浅度：连等号这样的基础记号都值得专门研究。这太简单了不需要细看往往是自我欺骗的信号——拿不准时，凑近一点。