我們都以為讀書要專注，實際上，分心比較好！
被《跨能致勝》拿來比較的格拉威爾大作《異數》中有個有名的例子是一名教練可以在網球選手發球前，看出會不會「雙發失誤」，而且屢試不爽，他以為他有預測能力，其實是長期訓練讓他成為專家了。
從這些例子，格拉威爾提出了「1萬小時理論」（我不覺得是定律），就是說要煉成一個強大的專業，10 年勤練是少不了的。
在《跨能致勝》中，艾波斯坦卻舉出了很多反例，他的研究結果是，其實絕大部分的強人都不是循 1萬小時理論培養出來的，而且絕大部分強者是「大器晚成」的。
和善（學習）環境
但有些領域確實適合一萬小時鑽研的，他把這種領域叫做「和善」的學習環境。
西洋棋就是個和善的學習環境，這個環境中規則已經定了，變化不大，專家能找出模式（patterns），而且模式會一再出現，這樣的領域要的是絕對專注，世界上其他地方發生的什麼事情都跟它關係不大，像是在一個隔絕人世的膠囊之中。
什麼是和善的？古典音樂演奏、圍棋、象棋、某些（複雜度低的）遊戲、運動、年復一年沒變化的工作、駕駛汽車、把貨送到固定的地方......，有沒有發現他們的共通點？
這些和善的學習/環境，缺乏外力交互，在模型的世界裡，規則永遠不變，所以它們一一被 AI 打敗，其中超級困難的圍棋被 Alpha Go 打敗，成了 AI 崛起的一戰！
做研究用的簡化模型是和善的，例如貿易理論可用下面這個模型來解釋：「世界上有 2 個國家，A 國盛產蔬菜、稻米但不產豬；B 國盛產豬但不產蔬菜、稻米，如果它們要自行達到營養均衡，不如與對方交易」。實際上，世界絕不止 2 個國家，變數很多，和善環境刻意用設備和規則等來隔絕其他變數，而電腦 —— AI 比你更擅長遵守規則。
不善的（學習）環境
規則通常模糊不清，重複模式付之闕如，模式辨識不易達成，相應結果並不明確——大衛·艾波斯坦
這是本書作者形容「不善」環境。很糟糕？實際上，真實世界多數是「不善」的。
業務員要去面對客戶，客戶變化是千奇百怪的，好的業務窮盡渾身力量才能處理，很容易誤判，因為模式不見得管用。
消防員平時擅長撲滅低樓層失火，但換成高樓，他的經驗可能會造成更多問題。
多數「專案」都沒法靠著勤練成為專家，因為專案是「只發生一次的」，就算你曾經參與過阿波羅 10 號發射計劃，你的經驗不見得能全部用在發射太空梭上，更別說用在馬斯克的 SpaceX 載人計劃了，因為狀況之間不同比相同還多。
比較看看，1969 年發射阿波羅 10 號登月，到2020年 SpaceX 成功載人上太空，這 51 年間，和善的西洋棋，它的棋盤、規則都相同，同樣地，大提琴、網球、籃球... 也沒有明顯變化。
那就留在和善世界吧？
你可能會想，那我就選個和善的技能，練一萬小時咯！
只要不被電腦取代，這個想法很OK，只是：
- 圍棋冠軍被 AlphaGo 打敗了
- 西洋棋早就被 IBM 深藍攻克
- 現在 AlphaGo 正在克服玩遊戲
- 有簡單流程的行政工作被網站、甚至便利商店的 ibon, FamiPort 取代了（沒被取代的也大部分被便利店的 POS 取代了）
- 自動駕駛汽車進步快速
- Amazon 或京東的全自動無人倉庫已是事實，用無人機或送貨機器人送貨早已可行。
人們還是喜歡看由人類進行的運動及音樂演奏，但繼續留存的運動音樂表演可能會在電腦持續參與下大大改變它的面貌。
1988、1990、1991 的 F1 賽車三度世界冠軍巴西賽車手洗拿（Ayrton Senna da Silva，1960年3月21日－1994年5月1日）技術高超，所向無敵，但對手車隊只用了電腦化控制懸吊科技，原本的輸家就能把世界冠軍遠遠拋在背後，氣得他跟油門拼了，結果是車毀人亡，享年 34 歲，巴西舉國哀悼。
北京奧會時傳聞，現在要把殘障奧運會與一般奧運會分開，不是為了保護殘疾人士，而是為了保護一般運動員！因為這些使用義肢器材的殘疾人可能比健康選手跑得更快、跳得更高、游得更遠...，器材的進化速度遠超過人。
連純粹人的領域也漸漸有機器的影子了。
和善職場還存在嗎？
現代職場鼓勵「為自身領域帶來創新貢獻」的人。
Google 就是個好例子，這家公司鼓勵你用新發明、自動化來革命你自己，例如你負責帶領 100 人團隊研發 A 服務，完成後你想出可取代 A 的 B 服務，或用簡化方式讓 A 服務無需管理，那麼你很好，請升官、繼續工作，而其他沒有提出革命的人就「被革命」了。
有人想「沒關係，我上不了 Google，只要有個普通工作做就好了！」
艾波斯坦說這種想法來自工業化時代，那時人是機器的附屬，大部分工作不需要太多思考，多是練練就上手的「和善」工作，所以企業鼓勵忠誠度，因為練了 10 年的人一定比 1 年的菜鳥更熟練。
那時候，假如有個工作是「不和善」的，規則還摸不清楚，就有「思考人」去想辦法搞懂它，當思考人找到模式後，定下 SOP，接下來沒這麼強的我們這些「一般人」就能接手把它重複千萬次，還是有「普通」工作可做的啦！
這個時代，「一般人」佔大多數，「思考人」只需要幾位，跟隨學校教育學習當個普通人是安穩又不累的選擇。
「普通」工作的消失
且慢！讓我們想像一個 AI、智能機器人便宜普遍的社會，一件被歸納好 SOP 的工作，機器人（智能電腦）一定能做得比人好又快、又便宜，那麼前面說的這個「一般人」不就失業了嗎？
其實不用等到那天，這個例子現在就看得到。
想想歐洲小國，人口少、失業率高，他們不是沒工作做，而是沒有「普通」工作做，因為亞洲就是他們的「機器人」，這些「普通」工作都搬到亞洲了！
例如：飛利浦的品牌、研發在荷蘭，生產在從前的四小龍和現在的中國，它能在荷蘭提供的工作有限，雖不能在歐洲產生大量工作機會，但全世界行銷飛利浦產品的利潤卻被搬回歐洲了，因此「全民基本收入」（不管有沒有上班由政府發錢給你）的潮流正風起，瑞士還曾公投由政府每月發基本收入（2500瑞士法郎，約台幣8.1萬！）給所有人，但沒有通過！
從前的歐美日有亞洲擔任他們的「機器人」，當然亞洲就有許多職位是承接歐美日的低階工作而產生的，在 AI、智能機器人普及後，可能：
- 歐美日無需委託亞洲國家承接，可以自己用機器人代工；
- 歐美日還是交給亞洲承接，但亞洲企業為節省成本，也用機器人。
不論哪一種，你是否看到未來的「給『一般人』的『普通』工作」正在減少，甚至消失呢？
普通工作消失，亞洲也可能變得像歐洲一樣高失業率，但我們卻不像它們有財力支付全民基本薪資，我們的課題是歐洲沒碰過的，還沒人有答案。
不和善的未來要的人才
和善的世界式微，「普通」工作變少了，到底這個新世界需要什麼樣的人呢？
艾波斯坦發現，有一種人機合作新模式正出現。雖然人類在西洋棋上打不過電腦，但「人類具有『長期調整策略』的能力，會反敗為勝」，所以，雖然人與電腦對打會被虐殺，但人與電腦組隊卻可以玩到新高點。
2014 的一場自由搭配西洋棋比賽，4 個棋力普通的人類搭配數台電腦獲勝，贏得 2 萬美元獎金。這裡，電腦負責每次作戰的「戰術」；人類負責大局即「戰略」。也就是人類當指揮官，電腦擔任負責廝殺的士兵，因為在拿刀槍對戰上，人類早就不是電腦的對手了。
這令我想起我朋友，他開發 3C 產品，多年前他的新產品到美國展覽，大獲好評，但展覽完不久，大陸多個對手推出一模一樣的產品，用更低的價格競爭，最後他決定放棄硬體改做軟體，提供給大陸競爭對手，等於擔任對手們的研發，卻意外獲得投資人好評。
跟 copy cat 的大陸競爭對手比，機器人是超級 copy cat，台灣人在合作中已經學會未來如何與智能電腦共創新高，跟艾波斯坦的例子不約而同，別跟 copy cat 對戰，而是要與它合作，融為一體。在你把所有戰術、戰役、戰技的工作交給電腦時，你要成為：
- 有宏觀思維，縱觀全局的「策略家」；
- 懂得如何善用智能電腦的「工程師」。
太好了！因為我們是人類，所以，我們就已經是那種有宏觀思維，又善用電腦的「策略工程師」了！
抱歉，實情可能並不如你所想，我國傳統學校教育是用固定的課綱，目的就是培養「一般人」，雖然最近提出了《108 課綱》想要培養未來需要的人才，但是整體準備卻還沒跟上，已顯得左支右絀了，拿著固定課綱要來培養靈活思維更是緣木求魚。
環顧周圍，你身邊有幾個堪稱「策略工程師」的人才呢？
跨界專家都不是1萬小時理論產物
艾波斯坦發現，那些經歷專注練習達到熟練的人，就像「專家症候群」的患者，當規矩稍微改變，他們就表現得跟一般人差不多，沒有適應環境的能力。
而那種開創新格局的，比如諾貝爾獎得主，多半都有廣闊的興趣（愛因斯坦很會拉小提琴呢！）。
綜合兩個發現，有些運動員在運動員生涯結束後一籌莫展，有的卻利用運動員生涯所習得的轉換職場獲得大成功，而這些人的共同特徵是，他們不是從小被虎媽逼著進行一萬小時訓練的產物，而是在廣泛的各種領域中悠遊，最後自主選擇了他的運動領域。
他一向能在多種選擇中進行「PDCA 迭代」，迫近最適合他的一種才投入，所以他也能用這種經驗用在運動生涯結束後的轉換上。
這本書說明了，「緊湊、精確有目標」與「鬆散、寬鬆而廣闊」兩種學習法，前者快速達標，但真正長期產生效果的卻是後者。
因為後者培養的不是一種機械化的技能，而是一個「人」。
我的推薦文章目錄
- 【跨能致勝 1】「和善」與「不善」的學習環境 ← 第一章解密
- 【跨能致勝 2】智商提高的祕密 ← 第二章解密
- 【跨能致勝 3】只有自主學習才有用 ← 第三章解密
- 【跨能致勝 4】教學，重點是教還是學？← 第四章解密
《SIMPRO》將矽谷流行的管理技術用來指導學習，效果好、符合認知科學理論、符合《108課綱》素養。
歡迎您按讚、分享及訂閱，也歡迎您的建議及意見。
