所謂「雙鐘擺高爾夫擊球模式」(如下圖),即把球桿當作第一隻鐘擺臂,而手臂當作第二隻鐘擺臂,兩隻鐘擺臂連鎖的把桿頭準確的擊出地上的小白球。它最重要的是告訴我們,擊球時要分兩次擊球,第一次是大手臂(第一鐘擺)先到小腹前的定位,然後再用手腕以球桿(第二鍾擺)用力擊球,一般人只有一次擊球,力量不夠,球無法飛遠,距離不夠。 在球飛出去後,要正確收束發出去的巨大旋轉力量,以免失去重心。關鍵就在,左腳立刻伸直,整個身體也畢挺直立,成90度垂直於地面,雙手「繞脖子」(around the neck )的舉在肩上,球桿的球頭自然下垂,這是正確而有力的「收桿」。
最重要的,「雙鐘擺高爾夫擊球模式」(如下圖)可以有效的應用角動量守恆的原理來增加擊球的距離,其解釋如下:在上桿時,儘量轉肩,把球桿當作第一隻鐘擺臂,而手臂當作第二隻鐘擺臂的儘量拉的越高,越向右後邊,以最大量的增加旋轉角動量。下桿時,儘量旋轉肩膀,當作第二隻鐘擺臂的手臂迅速貼身旋轉轉至小腹前的定位,然後再用手腕以球桿(第二鍾擺)用力擊球,因為角動量守恆,當在上桿時,手臂離開身體,轉動慣量變大,而下桿時,手臂旋轉至小腹前時,轉動慣量瞬間變小,因為角動量守恆,所以球桿旋轉的就速度瞬間變大。如果,揮桿得宜,有效利用角動量守恆,擊球距離可增加,4、50碼,頂尖職業高爾夫球手都深諳此法,不可不學。
基本上學習高爾夫揮桿桿屬於程序性學習,它是人們學習運動技能和某種習慣的方法,程序性學習所得到的記憶是無法有意識的回憶的,也無法有意識的透過單獨改正姿勢、手腕、用力來學習的,高爾夫揮桿的程序性學習必須通過不斷的重複練習「雙鐘擺高爾夫擊球模式」,其方法是刻意練習,要訣是3F:(1)Focus─專注學習目標,(2)Feedback─回饋達標差距,(3)Fix─不斷改善達標差距。
刻意練習扮演雙重角色:在揮桿之前,擔任揮桿的目標方針,在球打出之後,就回饋所擊出去的球的品質─初始的力量是否最大,施力時間對嗎?手腕的抖動延遲、最佳化了嗎?收桿正確嗎?等,用以改善揮桿姿勢。
至於「施力的時間」及「手腕抖動的延遲」的最佳化,就要從「時間之箭」(Arrow of time)的因果論說起─時間上,發生在前(先)的事件,人們會理解為,後面事件的「原因」,以致不會去刻意「評估」這個「原因」的好壞,也就是說,不會去評估它,以致於,當連續不斷的打10盒300球的話,不僅腰酸腦脹,我們也不會去評估任何一球的品質。
直到有一天早上,轉機出現了,我打著打著球,尿急,就去上廁所。走著走著,腦筋跳出來說:「唉,竟然打了一早上「臭球」,都是手腕抖的太大!」我這時才恍然大悟,不能「貪球」。每打一球,都應該去上廁所,中斷一下,讓腦筋清醒喘息一下,檢討球打出去的品質,才不會一直都在打「臭球」。
人工智慧的深度學習,不如人類的的刻意練習。它雖然可以產生橫掃人類圍棋的AlphpaGo,但它畢竟不是「人工通用智慧」(Artificial General Intelligence)。有很多缺點;例如,從「圖像識別」到「視頻識別」,各種基於少量訊息輸入的「對抗性」和「干擾性」因素可以輕易地造成深度學習算法的「人工智慧系統」的判別錯誤。其主要的三個缺點:1)「有監督學習方式」(Supervising learning),需要大量人工標註數據;2)AI無法提煉出規則,無法模塊化知識;3)知識無法重用和舉一反三的學習轉移。所以,當今的人工智慧無法抽取我在50年前高中所學的「牛頓力學」知識,舉一反三的學習轉移成為上述的高爾夫球的兩個基本原則,當然無法進行進一步的刻意練習。(詳見拙文AI「深度學習」的缺陷及我親身的補正?─科技智慧(5))