“以教代学”的“费曼学习法”
很多人都听说过“费曼学习法”。
以前有一句话：“如果你不能简单地解释一件事，那你就还没有弄懂它”，物理学家费曼将这个道理变成一套方法，核心是学习的过程中，假想你面前有一个和你一样的外行人，你得现学现卖，而且只能用他能懂的语言去解释。
传统的新知识学习，往往要用一些术语去表达概念，但我们对这个术语的本身，包括术语与其他知识的关系，理解是含糊。
比如“区块链”，你如果仅仅用“分布式数据存储、点对点传输、共识机制、加密算法”这些术语去理解“区块链”，显然是自己糊弄自己。
为了让外行理解，你要放弃术语，而一旦放弃了术语，你会立刻发现，你对一件事的理解并没有你想像的那么透彻，那么，你再回头研究其中的问题在哪儿，这个学习的过程，被称为“费曼学习法”。
“费曼学习法”核心就是“以教代学”，因为以“听、看、阅读”为主的被动学习，以学习效率远远低于以“讲述、讨论”为主的主动学习。
“费曼学习法”是我最常用的学习方法。
我过去写文章解释新概念时，大量使用类比的方法，很多人觉得这种方法需要深度理解之后，其实不然，很多类比，都是在我学习的过程产生帮助自己理解的。
下面的例子，是我前年学习“区块链”技术时的理解。因为我不是理科出身，所以理解难免有偏差，仅仅是帮助大家理解“费曼学习法”，而非“区块链”科普文。
去中心化的火车站
小镇上有一家火车站，火车站自己有一个售票系统，卖一张票就勾掉相应的班次位置，这个方法就是“中心式记账”，好处是有专门的人去管理，乘客不需要接触整个售票系统，只要凭票在规定时间上车，对号入座即可。
可过了一段时间，乘客们经常发现两张票对应同一个座位，这没道理啊？于是大家找站长算账。
站长冷笑一声把售票系统打开，说：“每一张票的出售记录都清清楚楚地写在上面，你们不相信，就自己来查……，如果没有问题，我就要问问你们，票是从哪儿买的？”
大家一时语塞，因为火车票很紧张，所以相当一部分乘客都从黄牛手上买票，难免有些黄牛乘机伪造火车票。乘客只好自认倒霉。
可时间一长，超载的现象越来越严重，简直把火车变成了公交车，而且，大家并不没有觉得黄牛变多啊。
越来越多的人开始怀疑火车站故意超售，否则，受黄牛影响最大的是他们，他们为什么不管呢？
愤怒的小镇人民一起跑到火车站，一把火把站给烧了，把站长和贪污的售票员痛打一顿，赶出了小镇。
痛快是痛快，可还得有人卖票啊？只要是“中心式记账”，谁敢保证下一个站长不贪污呢？就算站长不贪污，黄牛的问题也是要解决的。
这时，小镇的居民中有一个叫“中本聪”的人站出来说，我有一个好办法，不需要火车站，也能人人买到票。
“中本聪”将火车票按发车时间顺序自动分批提前做出来，以ITO（首次火车票发售）的方式先出售给每一个市民指定的代理人。如果市民A要坐某一趟火车，他就需要向持有该票的市民B买——都是点对点的交易，自然就不需要火车站了。
这就是一个“去中心的分布式数据存储系统”，可是，如果不是在火车站买的，市民A怎么能保持市民B卖给他的票是真的呢？
“中本聪”的办法是给每一个小镇居民发一个自动记账的账本，只要有一个人得到了一张票，他身份信息、购买时间、座位号都会自动记载到每一个人的账本上。实际上没有火车票了，而是一条信息：“张三得到一张火车票，座位是XXX，区块123”——这就是“区块链”的“区块”。
请注意，这个编号123的区块，记载在小镇每一个人的账本上，自然任何一个人都无法再伪造这张票，每一个人的票都是真的。
然后，当市民A从市民B手上买到火车票，他得到的不是也不是火车票，而是一条转让记录：“张三得到一张火车票，座位是XXX，区块124，上一条123”——同样向全体居民的账本上发送。
每一条信息都对应着“上一条”的信息，证明这张票的来源是可靠的——这就是“区块链”的“链”，也是它最大的优势：不可删除性，可追溯性。
这么一来，整个小镇居民不需要火车站售票系统，就可以自发的完成买票、换票等一系列工作。
……
上面就是我当初用“费曼学习法”理解“区块链”的一部分，这种方法很慢，但一些很复杂的知识，如果要自学，往往需要这个方法才能真正掌握。
“费曼学习法”最经常遇到的问题，是编了一半实在编不下去，这恰恰在提醒你，有一个知识点的逻辑关系你没有掌握，必须重新理解，再回头修改。
上面的内容大家读得很顺，那是因为我在理解过程中，不断修改这个例子：我一开始是用“挖矿”来类比，后来意识到，“挖矿”不好理解“链”的概念，后来换成了“电影票”，又意识到转让“电影票”挺奇怪，最后才改成了“火车票”。
一开始，我用火车票的座位号去理解“链”，但后来发现理解的不对，座位号是火车的“链”，火车票才是交易区块的“链”。
在不断修正这个例子的过程中，我对“区块链”的理解也越来越深，忽然在某一个时刻，打通了逻辑。
“火车票”的例子之所以合适，因为区块链解决的信任问题刚好也是火车票在现实中的问题，大家比较好理解。后来，我竟然发现真的有人探讨用区块链技术解决火车票的问题。这就更说明“费曼学习法”的价值了——你不但学习了知识，还掌握了知识的应用。
不过，每一个比方在帮助你理解了一个属性后，也可能让你忽视和误解另一个属性。
比如这个火车票的例子，比较容易去解释“区块链”的“分布式存储”，但却忽略了另一个重要的特征“共识机制”。
当然，一般人对区块链的认识到“分布式存储”就可以结束了，但如果你是对此特别感兴趣，或者是创业者，或者相关行业的非技术从业人员，或者像我这样的职业投资者，一定会考虑一个问题：
区块链跟我有什么关系？
而这才是“费曼学习法”的深度应用。
区块链不可能三角形
费曼学习法的第一步是“明白学习目标”，看上去简单，不就是弄明白什么是“区块链”吗？
但当你解决了这个目标后，你自然会产生一个新的目标——“区块链”对我而言的意义是什么。
新知识就像一个孤岛，刚才通过“费曼学习法”的过程，好像一次新大陆的航行，确定了“新大陆”的位置，但接下来呢？如果你觉得这里有可能有资源，你就需要进行勘探发掘。
“费曼学习法”的方法仍然是把新知识与旧知识联系，只不过，这一次，我们的目的不是理解，而是比较。
仍然以“区块链”为例，上面的类比留给我一个疑问——转让一张火车票，要在所有人的账本上都记上一笔？那怎么保证一条信息过来，大家都正确地记账？要是不在线怎么办？要是有人故意乱记怎么识别？……
事实上，因为不可能每个人同时一起记账，所以每一个新区块只能由一个人负责记，然后大家“抄作业”，但现在是“去中心”了，“老师”已经没有了，那么如何挑出一个可信任的“记账人”，这就需要一个“共识机制”。
最早的共识机制叫“工作量证明”，就是比特币中的“挖矿”，用比拼算力暴力破解密码的方式来竞争记账权，获胜者的回报就是“奖励币”和转账手续费。
为什么算力可证明一个人的可信呢？“工作量证明”就像科举中的“八股文”，挖矿就像中举，奖励币就像当官。做官本身并不需要“八股文”，但因为难度大，而且需要你投入大量精力，所以可以证明一个人的智商和意志力，这同样是当官所必须的。
这种算法绝对无法造假，又绝对是“去中心化”，但它毫无意义地消耗了大量计算与电力资源，这种低下的效率，除了造币还真没什么别的用处。
针对“工作量证明”的缺点，有人设计了的2.0版、3.0版的算法共识，或者根据持币时间长短和数量取得记账权，或者民主投票产生记账权的代理人，这就不需要“挖矿”，交易效率高了，但缺点是不那么“去中心化”，而且“安全性”也没有那么强。
所以就有人提出了一个“区块链不可能三角形”——不可能同时兼顾效率、去中心化程度、安全。
可以说，在我学习“共识机制”的过程中，正是这个熟悉的词——不可能三角形，一下子打通了我的“奇经八脉”，所有关于“区块链”的逻辑一下子被这个“不可能三角形”贯穿了。
“去中心化”不是绝对的，区块链应用实际上是在这三者之间进行平衡：版权保护要的是的版权确认与分销的“效率”；区块链游戏要的是玩家物品的“安全性”；资源共享类应用要“去中心化”……，为产品开发更合理的共识算法，正是区块链工程师最核心的工作之一。
这也就解决了此前我最大的疑惑：为什么“区块链”一下子上升到国家意志层面？
分析一下这个“不可能三角形”，“安全”不是指网络安全，而是系统可用性，是区块链最核心的价值，不能没有；“效率”是商业化应用的前提，也要有；那唯一可牺牲的就是“去中心化”的程度了。
政府肯定是不喜欢“去中心化”的，每一个“中心”都代表一项权力，就像前面的“去中心化火车票”让站长失业一样，这也是之前有关部门一直视比特币为洪水猛兽的原因。
但“去中心化”确实又有好处，可以降低行政成本，提高办事效率。
更重要的是，虽然区块链技术的应用方向很多，但唯一能够影响国家决策层意志的还是金融，从国际竞争的角度看，“去中心化”就是“去美元霸权”，对政府就是有战略意义的技术。
这就解释了，为什么央行早在2014年就一直在研究的数字化货币DCEP，在脸书推出天秤币后，忽然加速。
天秤币以美元作为记账单位，代表了“美元霸权”在数字货币领域内的延伸，美联储已经基本同意，只在国会有压力，所以小扎在美国国会高调作证，办法就是用“中国人已经大幅领先”制造悲情效应。
不管你愿不愿意，“区块链”已经上升到国家竞争的层面。
事实上，区块链未来第一个杀手级应用已经很明显，即跨境支付，美国主导的SWIFT协议结算周期平均需要3-5天，其中交易确认就需要1-2天，理论上用区块链技术可以让跨境变成T+0结算，毫无疑问可以在这个基础上诞生很多新的商业模式。
所以天秤币的初始成员中就有Visa、Mastercard、PayPal等金融支付机构。
如果能把“去中心化”的影响控制在一定的层面，又能争取“安全”“效率”，区块链很可能是下一场“货币战争”的核武器。
“费曼学习法”的五个要点
上面就是我用“费曼学习法”学习区块链的成果，前一部分是几年前认识“分布式数据存储”，后一部分是这次学习“共识机制”。
最后还是要回到文章的主题，总结一下“费曼学习法”的几个要点：
第一、遇到新知识，不要问别人，不要问别人，不要问别人。
怎么办呢？自己找资料，找出其中“关键的术语和规则”，用类比的方法，让自己讲明白其中的逻辑。
第二、如果特别复杂的定义，可以分成几部分，分别用不同的类比去解释。
第三、用已经学过的知识体系去“框”住新知识，就像“不可能三角形”让我忽然对“共识机制”的理解上了一个层次一样。
第四、根据知识的重要性，设置不同的目标，从“它是什么”到“它能干什么”，再到“它跟我有什么关系”，等等，从而提高你的理解层次；
第五、尝试用你理解的新知识，去解决实际问题，解释现实现象，你有可能发现新问题，或者让自己的理解更深刻。比如理解了“共识算法”后，就能意识到国家层面竞争的意义。
我发现，自从成为职业投资者之后，忽然一下子要面对大量的新知识，前年是云计算、区块链，锂电池，去年是人工智能、5G、网络安全，上半年是国产芯片、边缘计算、泛在物联网、燃料电池、自主可控，下半年又要重新学习区块链，费曼学习法的使用频率一下子高了很多倍。
虽然这些知识离自己的能力圈可谓十万八千里，但正因为如此，当你忽然明白了其中的核心逻辑，并与自己以往的知识产生关联之后，一下产生了“我靠，居然有这种神操作”，会体验到那种久违的愉悦感。
学习一时爽，用费曼学习法，天天学习天天爽。
