第001封信丨职业天花板来自认识的局限性
如果你觉得没有达到年初的预想，甚至遇到了职业发展的天花板，也不用着急。我们提高了见识，找到正确做法以后，相信你明年会做得比现在更好。
遇到职业天花板是一件常见的事情，大家不用大惊小怪。很多 IT 从业人士向我抱怨，说他们在社会上被人看不起，被谑称为“码农”，希望我作为一个计算机行业成功的从业者、技术专家，在各种场合呼吁提高他们的地位。
应该讲，今天的世界离不开程序员，就如同我们离不开建筑工人一样，因此全社会应该尊敬他们。但是，很多程序员完成工作的水准，以及对自己的要求，还真有一点像是码农。
更让他们烦心的是，IT 行业的从业者，用不了10年就遇到职业天花板了，以至于无论他们怎么自我提升，如何努力学习新技术，都摆脱不了码农的处境。一些人虽然通过换工作当上了一线经理，管着几个人，但是事业也就到头了，大的事情做不了，小的事情做着烦。
刚才说的这种现象不仅在 IT 行业里很普遍，在其他很多行业中也是如此，包括过去被誉为金饭碗的银行业，现在可以说是每况愈下，很多人不要说提升了，保住饭碗都是问题。
这些人的问题，并非我们呼吁提高他们的地位就会有作用，也不是简单的努力就能解决问题。如果原因没找对，所谓的解决方法（比如跳槽和改行）无非是瞎添乱。
实际上，不仅员工们着急，很多老板在新形势下也不知道该怎么办了。今年好几家国内巨无霸公司的董事长和 CEO 找到我，都是同一个原因，眼看着自己的企业在信息时代可能落伍，但是从上到下都感觉“好无力啊”。
这些公司有的管理着几万亿的资产，有的一年有小一千亿的利润，但是四五家这样的企业市值加起来，还不如一家腾讯。他们想发展，但是不知从何入手。
这些人和企业所缺失的是什么？其实是一种新的认知，一种信息时代的思维方式，我把它叫做计算机思维。
为什么叫它计算机思维呢？这并不是说计算机有思维，而是因为这种思维方式是伴随着计算机出现的。简单地讲就是和常人思维完全不同的一种方式，它包括很多方面。
今天为了方便你理解这个概念以及认识它的重要性，我只介绍计算机思维的一个方面，就是对“大”和“小”的理解，或者说对量级这个概念的认识。
我们人类生活的环境，决定了我们对大数字是无感的。
著名物理学家伽莫夫（宇宙大爆炸理论以及核聚变理论的提出者）在他的科普书《从1到无穷大》中举了这样一个例子。两个原始部落的酋长比赛，看谁说的数字大。第一个酋长说了三，第二个酋长想了半天，然后说你赢了。
你今天听起来觉得这两个人真可笑，至少说出四，岂不就赢了？但是对这两位酋长来讲，所拥有的东西就很少超过三个，比三个多的东西他们就觉得没有必要数清楚了，就用许多来形容了。也就是说，他们生活的环境限制了他们的认知。
生活在今天的人就对大数的认知好了很多么？其实好不了多少。我们不妨再看两个例子：
第一个例子，会做 PPT 的人都知道要用图表，而不是用数字列表来说明问题，因为认知学家早就发现人对大数字是无感的。今天很多人数100，000，000这个数字，还是从后往前，个十百千万地数。
第二个例子是王健林在2016年半开玩笑地讲，“先定个小目标，比如说一个亿”，被全社会吐槽，因为即便是在今天的美国，也很少有人能一辈子挣一亿人民币(也就是1400万美元左右)，关于这一点我在上一季的《硅谷来信》第138封信中有详细分析。
但是，如果换一个角度思考这件事情，这也说明了人对“大”和“小”这两个概念的理解，其实受限于具体生活的环境。你习惯了某一个环境的度量，其实很难理解在量级上大得多的世界。对大部分人来讲，一亿等于财富自由，等于无穷大。
今天人的思维当然比1万年前的酋长们开阔了许多，但是相比计算机的思维就显得落后很多了，因为计算机从诞生开始，就是针对大数设计的。
1946年人类第一台电子计算机诞生时，每秒钟能进行5000次运算。虽然这个速度只有 iPhone 计算速度的一百万分之一左右，但是比人已经快得不得了了。
当时科学家们让它计算长程火炮炮弹的轨迹——这其实是发明电子计算机的原始目的，炮弹还没有落地，计算机就算出了轨迹，以至于在场的蒙巴顿元帅看得目瞪口呆，说，真快啊，简直是电的脑，“电脑”一词就是这么来的。
由于一开始就是针对海量数字设计的，因此计算机思维和人的思维是不同的，就如同我们和一万年前的酋长不同一样。比如说，我们觉得围棋的变化数量是数不清的，因为这个数量太大，以至于很多下围棋的人也说不清有多大。
当然，如果用数学方法分析一下，围棋的复杂性还是可以分析清楚的。棋盘上每一个点最终可以是黑子、白子或者空位三种情况，而棋盘有361个交叉点，因此围棋最多可以有3^361≈2x10^172这么多种情况。这个数当然非常非常大，大约是2后面跟了172个零。这么大的一个数字，人类对它是无感的。
不过，如果你去问物理学家，他们对这个数字会深有体会，他们会告诉你整个宇宙中不过才有10^80~10^82个基本粒子（质子、中子或者电子等等）。也就是说，如果把每一个基本粒子都变成一个完整的宇宙，再把这些宇宙中的基本粒子数一遍，数量也没有围棋棋盘上各种变化的总数大。
因此，这么多变化对人类来说就是无穷无尽。于是乎，我们人类就不把下围棋当作一种计算问题，而把这件事当成一种文化，或者更具体地讲是“棋道”。
但是，对于计算机来讲，围棋再复杂，2x10^172这个数字再大，它也是一个有限的问题。我们认为它不可计算，是因为人类脑子的计算能力也是有极限的，缺乏计算复杂问题的思路。但是在计算机看来，这个大问题是可以计算的。
当我们嘲笑那两个酋长只能数到3的时候，计算机可能也在嘲笑我们算不清围棋的步数。可以讲，认知决定了思维方式，当我们算不清的时候，我们就发明了所谓“围棋文化”这种思维方式。
相比计算机，人类对数字的认知也受限于我们作为生物进化的速度，这是人的思维和计算机的思维的另一个不同之处。
世界上最早的农业大约始于1万年前，人类大约从那个时*开代**始识数，人类最早的计算工具（在兽骨上刻上划痕计数）也始于那个年代。可以讲从酋长们认识3，到今天我们认识一个亿，经历了大约10000年的时间。平均每十年进步千分之八，不到1%。
那么计算机的进步速度有多快呢？我们知道摩尔定律让计算机毎十八个月性能翻一番，这大约相当于每五年涨十倍，或者每十年进步一百倍！
到今年，iPhone 正好是第十年，iPhone 8的速度恰巧大约是当初乔布斯宣布的第一款 iPhone 的100倍左右。今天如果你保留了一部第一版的 iPhone，不妨试试随便装一个今天的 App，根本用不了的，因为当初的 iPhone 速度太慢了。
如果我们往未来看，今天如果要开发5年之后的 IT 产品，就必须假设在今天10倍资源的框架下进行设计。但是让今天很多搞 IT 的人考虑拥有了10倍的资源以后，怎样才能更好地服务大众，他们是缺乏这种想象力的。
我们过去感叹乔布斯像神一样，因为他拥有一个计算机的思维，能够想象几年后的世界。相比之下，当时嘲笑他的诺基亚前 CEO 奥利拉（Jorma Ollila）的思维还是常人的思维。不幸的是，奥利拉等人的局限性让诺基亚遇到了天花板。
我们常说今天是后信息时代，或者即将进入智能时代。很多 IT 从业者的思维方式并没有跟上这个时代，这是他们很难在这个行业里突破天花板的根本原因。
不仅一般员工如此，老板或者一些大公司也不例外，明天我就举几个例子来说明这一点。从那些例子中你可以看出，需要换脑筋的不只是 IT 人士，而是我们这个时代的所有人。
第002封信丨 思维方式决定商业模式
有人可能会问，从一万想象到一亿，这点想象空间我还是有的，真到了一个亿的情况，我也能处理。但是，事实常常和这个想象是相违背的，小数字世界里人的想法和做事方法，一定是和小数字世界相适应的，而生活在大数世界里的人，做事的方法完全不同。
我在商学院给 MBA，特别是 EMBA 的学员讲课的时候，常常会对学员们做这样的调查：请有100双以上鞋子的女生举手，一般来说，MBA 的女学员中会有一半举手，而 EMBA 班这个比例则高达80%。然后我再让只有不到10双鞋子的学员举手，一般会有一些男生举手。
接下来我就问这两组不同的人管理自己鞋子的方法。那些不到十双鞋的人都是将鞋子随意地放在一起，不需要管理，出门之前扫一眼，选择一双就好了。
而那些超过一百双鞋的人，几乎无一例外地进行了分类管理，否则的话，出门前这一百多双鞋每一双花20秒钟考虑一下，将近一个小时就过去了，约会恐怕就要迟到。
如果鞋子再多，该怎么办？恰巧有一次有一个学员是做网上代购生意的，做的品类有几百种，累计卖了近万双，对他来讲，简单分类已经不能够解决问题了，他必须对鞋子建索引。
类似地，我的一个朋友藏书近万册，也需要对书籍建索引，找一本书的时候，先要从索引中找到那本书在第几排书架，第几个架子，第几层，然后到那一排去找书。
从这两个例子可以看出两个要点：
1、生活在不同世界里的人，习惯性的做事方法不同。
2、从小数量总结出来的方法无法应用到更高量级的问题之上。
遗憾的是，由于人类生活在量级较小的世界里，因此思考问题喜欢从1，2，3这样小的例子开始，这当然并不是什么缺点。但是很多时候他们把这种思路用到解决大问题之上，事情就做不好了。这种情况在 IT 人士中很常见。
我曾经看到一位总监批评下面年轻的程序员，但是程序员似乎不服气，我就问他原因。这位总监讲，那个程序员居然在用一种很笨的排序方法，自己就去批评他，而程序员则狡辩说，总共参加排序的数目不大，只有个位数，采用什么排序方法时间上都差不多，他因为任务时间紧，就用了最容易编写程序的方法，他觉得总监是鸡蛋里面挑骨头。
我对那个程序员讲，人生活在小数字世界里，难免保留固有的习惯，但是既然从事了计算机这个行业，就需要按照计算机这个行业的规矩办事，不能先验地假设数值一定不多。万一多了，笨办法增加的计算量可不止十倍、百倍，恐怕是千倍，甚至一万倍。不换这个思路，永远成为不了合格的电脑工程师。
其次，在计算机这个世界里，几乎任何常见的问题都已经有了优化过的答案，作为从业者，首先要擅长使用专业人士给出的，验证了无数次的答案，而不是自己凭着生活经验拍脑袋想出一个做法。
如果为了赶时间，应该采用现有的，高质量的代码，而不是自己写一个（关于这种工作方式，我以后还会再讲）。当然，了解别人已经写好的高质量代码，需要经常学习，而这是 IT 从业者要做的事情。
因此，IT 从业人员遇到职业天花板的第一个原因是一开始思维方式就错了。像上面那位程序员，再努力写代码，恐怕几年后还是一个低水平的程序员。不克服我们先天认识上的局限性，就无法领会 IT 这个行业的精髓，当然事业也就做不上去。
对于 IT 这个行业以外的人，不了解这一点，有时被新起来的技术公司搞死，还不知道自己是怎么死的。今天，无论是 IT 企业，还是非 IT 公司，对大小不敏感，对变化不敏感，最后导致商业失败的例子非常多。曾经辉煌过的雅虎公司和中国几大门户网站今天遇到的困境，就植根于此。
互联网在早期内容不算多，因此通过分类建目录的方式组织信息是有效的，这就如同当人只有一百双鞋或者几百本书的时候的做事方式。于是就诞生了以雅虎为代表的、以分类目录组织信息的门户网站。
而在人的世界里，增长是缓慢的，因此一个公司得到这种基因以后，会天然地认为这种做法可以持久。但是，在计算机的世界里，什么都是剧增的，网页数量从90年代初的几百万，增加到今天的几百亿，因此雅虎等门户网站很快就衰落了，代之以 Google 这样的搜索公司。
类似地，在制作和传播新闻方面，20多年前大家是手工编辑，每天每一类新闻很少，就那么几条，编辑挑选，主编拍板就可以搞定了，那时我们生活在小数字世界，门户网站像报纸版面那样的首页新闻和这个世界是一致的。
在互联网2.0时代之后，每一个人都能够产生新闻，我们面对的是一个大数字的世界，因此在这个时代，理解了计算机思维的*今条头日**就用了和门户网站完全不同的思维方式来解决新闻传播的问题。
这时，新闻多得靠栏目分类已经无法解决了，*今条头日**不得不靠个性化筛选新闻。新闻门户网站的每况愈下和*今条头日**的兴起，实际上就是两种思维方式的对决。
当然，你可能会说，我不在 IT 行业工作，在我的领域，并没有你说的大数问题，变化也不是特别快。但是，既然我们都生活在智能时代，IT 对各行各业的冲击就无法避免。
以金融业为例，这个行业的工作曾经被誉为“金饭碗”，但是今天各大银行的营业网点都在萎缩，*款贷**也比以前难做了。原因很简单，过去每一笔*款贷**都是手工审批的，一个*款贷**主管一周也未必会贷出10笔，这里面经验很重要，而且经验的积累又是靠自己摸索，同行之间的交流其实很少。
但是等到阿里巴巴的蚂蚁金服出现之后，剧增的数据量让*款贷**主管的经验变得无济于事。蚂蚁金服的成功之处在于，它一开始就面对一个巨大的世界，因此它解决问题的思维方式就和传统的银行不同。
因此，虽然各大银行有着自己固有的优势，但是却越来越受到蚂蚁金服的威胁，业务难以成长。很多银行为了应对互联网带来的变局，几年前纷纷成立了自己的互联网银行，一些银行的负责人还找过我了解互联网背后的逻辑。
但是，几年下来，这些大银行的互联网银行业务基本上没有什么进步，原因也很简单，在过去小数字世界里形成的固有思维限制了他们的发展。当然，我这里说的“小数”并不是说传统大银行的钱少，而是指业务人员每天接触的客户数相对较少。
像刚才说的这种例子还有非常多。在传统的制药行业里，分析过上千人的病例和数据就很了不起了，但其结果是药品研制缓慢，而且很多处方药对大多数人来讲其实并没有什么用途。
与这些传统制药公司所不同的是，利用 IT 技术解决医疗问题的人类长寿公司和 Google 的大数据医疗公司 Calico，从一开始就是把自己定义在大数世界里，它们采用的研究方法和传统的药厂就完全不同。
今天，各大药厂都在和它们两家公司合作，试图用新的方法解决老办法解决不了的问题。可以讲，对数量大小的认知决定了商业模式，也决定了企业的成败。
造成雅虎等公司，或者大银行困局的，原因并非雅虎的员工不如 Google 的努力，也并非银行系统的人没有阿里巴巴的人聪明，而在于思维方式不同。雅虎和大银行都没有领悟到计算机思维的真谛。
很多人问我在智能时代是否要学习计算机编程，我倒不觉得这对大多数人有必要。在新时代，更重要和有益的恐怕是在思维上要提升，这样才容易成为新时代前2%的受益者。
相反，即使学会了计算机编程，如果还是按照人固有的思维定式理解计算机问题，很快也会遇到天花板。当然，计算机思维和人的思维的差异远不止在大和小上，它们有很多差异，这些我在以后的来信中会和你继续讲。
第003封信丨工程思维：直觉和极限
身处智能时代，很多人都在想人工智能是否是万能的，特别是在它发展很快的时候。如果你要告诉他说，人工智能是人赋予机器的，他马上会问，这么聪明的计算机难道不会自己进化出主动意识么？
这个问题如果你沿着他的思路去想，给他解释为什么不会，恐怕要花一年时间将整个计算机原理讲清楚。这种考虑问题的方式就是常人的方式，它将我们的理解力限制在了生活空间给我们带来的直觉上。
事实上，搞清楚人工智能的极限在哪里还有一种简单的方法，这就需要采用工程思维了。今天我先简单地讲一个工程思维方法，明天我们用这个方法分析为什么人工智能有极限。
工程思维是一个范围比较广，含义也有点模糊的概念，为了方便理解它的含义和重要性，我会在接下来的一年时间里用一些具体的事例来说明。
今天我们先看一看生活环境给我们的直觉是如何误导我们的，以及工程中“极限”这个概念是如何让我们突破认识的限制，比常人更快地看清楚问题的本质。
我在很多场合讲，直觉和生活常识非常有用，但是有时缺乏知识的直觉会欺骗我们。
我一直记得小时候的一件事。那是物质匮乏的时代，家里一个苹果总是我和弟弟分着吃，那个时候弟弟很小，只能由父母刮苹果里的果肉喂着吃，每次父亲大约刮掉里面直径的70%给弟弟，然后外面剩下来的给我。我每次都觉得我的那一份少，而父亲则说我的那份大。
后来在学校里学了体积的计算，我才意识到我大约吃了苹果的70%，而弟弟吃掉的是30%。只有刮掉苹果里面直径的80%，里外的重量才大致相当。这个认知和我们的直觉是不同的。事实上，如果一个球直径大一倍，体积可是大7倍，而不是想象中的两三倍。
Google 过去面试产品经理的时候经常用一道和上面问题类似的题目——面试的房间里能装下多少高尔夫球。这道题目怎么入手呢？胡猜是不行的，是一万，十万，还是一百万？
当然这道题倒也不难解，高尔夫球大约直径4厘米，如果我们把它们整整齐齐地像立方体那样码在一起，用眼睛估摸着房间的面积和高度，用小学数学就能解决。
比如一个面积15平米，高3米的小会议室，大约可以装70万个。外界一直很好奇为什么 Google 考这道看似小学生也能做的数学题，其实目的是看面试者是根据直觉瞎猜，还是遵循一套解题的思路。Google 对产品经理的要求是，在没有数据之前不要轻易给出结论。
遵循一套工程思路解决问题的人，对这个问题估计出来的大致数量级不大会错。但是，如果靠直觉瞎猜，在数量级上会相差十万八千里。不过有趣的是，大部分答错的人都是猜少了而不是猜多了。原因很简单，和我小时候一样，大部分人想象不出体积这东西随着边长或者直径增加时，会增长得有多么快。
当然，在上面一类问题中，更正错误的直觉并不难，但是在有些事情上要让我们放弃掉我们从生活中获得的直觉，则是千难万难。
比如，在高速行进的火车上分别往前面和后面各打一束光，哪束光的速度快？按照我们的直觉，或者说在低速世界里的经验，一定是往前打的光更快，因为速度是叠加的。
但是，爱因斯坦说，它们是一样快的，因为光速是个常数，产生不了叠加的效果。这件事我估计即便接受了爱因斯坦相对论的人，90%也想象不出是什么情景，他们接受这个理论，仅仅是因为相信爱因斯坦是正确的。
当然，也有不少人从自己的经验出发要挑战爱因斯坦，我们只要翻翻媒体，每一年都能找出一大堆什么挑战相对论，超越光速的报道。
类似地，在历史上很多人试图制造出热能转换效率大于一的热机（比如蒸汽机或者内燃机），甚至是永动机，因为在他们看来只要不断提升效率，最终就能不断获得突破。
在19世纪的时候，很多人就是这么想的。但是当时有一位工程师，叫做卡诺，他设计了一个理想的热机，然后估算出它的效率，并且给大家一个结论，世界上任何热机转化的效率都不会超过它。
极限对工程师来讲是一个非常重要的概念。今天，稍微有一点经验的工程师都知道，任何产品的性能都有一个物理上无法突破的极限，这个极限并不需要等到工程上接近它的那一天到来时才知道，而是早就可以通过已有的理论直接给出。
这看上去是一件悲催的事情，一大群人在努力改进产品性能时，一个有眼光的人突然宣布了它的极限。但是，这其实是工程师们的福气，因为他们不会为不可能的事情浪费时间了。相反，只有缺乏工程思维的人才会想，“随着科技的发展，任何人间奇迹都是可能的”。
*翻推**物理学上的极限是近乎不可能的事情，至少到今天为止还没有发生，因为这样要颠覆整个物理学大厦。除了物理学的极限，还有一个数学上的极限，*翻推**它则是完全不可能的，因为数学是严格建立在逻辑之上的，不是根据实验观察得到的。
比如说，你不可能在平面上画出一个三角形，让它的三个角之和大于180度。当然，很多数学的极限也不是那么明显的，如果我们把自己的思维限制在生活的周围，是看不出来的。为了说明这一点，我们不妨看两个颇为相像的问题：
第一个问题，1+1/2+1/4＋1/8＋1/16......，不断加下去会是无穷大吗？有人觉得会，因为加的数字是无穷无尽的。其实，在数学上可以严格地证明即便无限加下去，总和也不会超过2，也就是说它有极限。这和我们的生活经验其实有点相背离了，不过还不算太难理解，因为后面的数字越加越小。
第二个问题就更加费解一点了，还是类似的加法，1+1/2+1/3＋1/4＋1/5......，不断加下去会有极限么？如果你按照上一个问题的思路来考虑这个问题，得到的结论应该是有一个极限，因为也是越加越小，加的数字趋近于零。如果你是这么想的，我不得不告诉你，非常遗憾，你猜错了，这个序列加下去还真是无穷大。
这两个看上去差不多的序列，凭什么一个加起来连2都不到，另一个却是无穷大？人有这样的问题很正常，因为我们生活的范围限制了我们的思维。对这两个问题正确的思考方式应该是，抛开我们生活中习惯的约束，或者说认知的约束，用一个正确的数学或者工程工具去寻找答案。
而这个工具，常常需要跳出问题本身。这就如同你看蚂蚁的爬行轨迹时，不能跟在它的后面，而要从它的上方看。所谓掌握工程思维的技巧，就是要比生活超越一个层级。
讲回到人工智能是否是万能的这件事情上，如果我们的思路是，“今天它发展这么快，在很多地方瞬间超过人类，随着时间的推移，最终会在所有领域超过人类”，这就是常人的思维，它虽然符合逻辑，却无法洞察未来，对未来的认识完全建立在想象的基础上。如果有人再进一步推理，“将来它将产生自主意识，反过来控制人类”，这就没有逻辑根据了。
那么，如果以工程的思维考虑这个问题，应该遵循什么思路呢？应该先直接找到机器智能在数学上和物理上的极限。明天，我们就来聊这个问题，看看计算机的老祖宗图灵是如何思考“计算的本质”这个终极问题的。
第004封信丨为什么计算机不是万能的
今天我们就用工程中极限的思维方式，看看计算机的极限在哪里。我们今天所说的人工智能实际上是计算机的一个应用而已，因此，如果说计算机不是万能的，那么人工智能自然也不是。
当然，谈这个本原性质的问题时，我们需要抛开具体的技术，回到原点，从计算的本质来说说计算机的极限。这些思考方式当然不是我发明的，而是被誉为“计算机之父”的图灵博士采用的。
图灵博士被认为是神一样的人。在20世纪，全世界智力上可以和爱因斯坦平起平坐的人恐怕只有图灵和冯·诺依曼两人了（而后者被认为智力甚至超过了爱因斯坦）。神人自然有超越常人的地方，这里就让我们看看他们之间的区别。先说说常人的。
在计算机的发展史上，常人想问题的方式是先做一两个能解决简单问题的计算机，然后越做越复杂。实际上直到图灵之前，计算机的发展就是沿袭这个思路进行的。
西方科学史家有时也将这种发明的方式称为工匠式的，也就是经过长期经验积累，从量变到质变。关于计算机的历史，我在后面还会讲到，因此这里我把细节跳过去。
当然，你听到“工匠式的”这四个字时可能感觉不太好，其实科学史家们并没有贬义，只是说出了这种方法的特点。这种方法我们至今依然在采用，而且在大多数时候很有效。
我们所说的“迭代式进步”，“小步快跑”其实都是这种方法的其它称呼而已。可以讲，这种方法符合人认识数字时，从1，2，3，一直数到一百的做法。
而图灵想问题的方式恰恰和常人相反。在上个世纪30年代中期，图灵在思考三个问题。
第一个问题，世界上是否所有数学问题都有明确的答案？
第二个问题，如果有明确的答案，是否可以通过有限步骤的计算得到答案？
第三个问题才是，对于那些有可能在有限步骤计算出来的数学问题，能否有一种假想的机械，让它不断运动，最后当机器停下来的时候，那个数学问题就解决了？
我们不妨仔细体会一下图灵和常人思维方式的差别。像图灵这样超越时代的人，他不是跟在蚂蚁后面来观察一件事情发展的规律，而是在前面等着大家，找到极限所在，然后他告诉大家，就在极限里寻找具体问题的答案吧，不要浪费时间纠结没有意义的事情，也就是那些试图超越极限的事情。
具体到计算机这件事，图灵首先考虑的是“数学问题是否都有明确的答案”。因为这个问题不解决，就辛辛苦苦去解题，最后可能发现无解，一切努力都是在浪费时间。
存在答案或者说能找到答案不等于能够在有限步骤之内解决这个问题，因此图灵考虑的第二件事就是划定一个范围，把计算机能解决的问题的范围又缩小了。当然，这个范围划定以后，就要设计一种有效的，通用的办法，保证按照这个办法做事，最终能够找到答案。
而图灵设计的这种方法，是一个数学模型，后人称呼它为图灵机。今天所有的计算机，包括全世界正在设计的新的计算机，从解决问题的能力来讲，都没有超出图灵机的范畴。
到此为止，图灵其实为今天的计算机和很长时间以后的未来计算机所能解决的问题划了一条不可超越的边界。
图灵机提出至今已经80年了，全世界的 IT 行业依然没有超出它，由此可见用理论武装起来的工程的头脑，比直觉的头脑的影响力深远得多。
接下来，我们总结一下人工智能的边界。
1. 世界上有很多问题，其中只有一小部分是数学问题；
2. 在数学问题中，只有一小部分是有解的；
3. 在有解的问题中，只有一部分是理想状态的图灵机可以解决的；
4. 在后一类的问题中，又只有一部分是今天实际的计算机可以解决的；
5. 而人工智能可以解决的问题，又只是计算机可以解决问题的一部分。
我把这个嵌套逻辑画成了下面这张图，从图中可以看到，人工智能所能解决的问题真的只是世界上问题的很小一部分。对于人工智能来讲，我倒是觉得现在世界上没有解决的问题太多，无论是人还是机器（其实是它们背后编写程序的人），都应该想办法解决各种问题，而不是杞人忧天，担心人工智能这个工具太强大了。
最后，讲回到认知。图灵的认知是一种高屋建瓴，自上而下的认知，和我们常人不同。当然，你可能好奇为什么图灵能够有这样超越时代的认知，是他自己聪明还是有高人指导？其实两者兼而有之。
需要指出的是，图灵的境界能想到这一层，首先是受到另一位数学大师希尔伯特的启发。
希尔伯特在1900年的巴黎国际数学家大会上，提出了23个重要的、根本性的数学问题（也被称为希尔伯特问题）。
其中第十个问题讲的是这样一件事情，“随便给一个不确定的方程，能否通过有限步的运算，判定它是否存在整数解？”
如果答案是否定的，那么就说明很多数学问题其实上帝也不知道答案是否存在。如果我们连答案是否存在都不知道，自然不可能去找到它。正是希尔伯特的这个提问，让图灵明白了计算机的极限所在。
当然，你可能会问，随着技术的进步，图灵是否错了，是否所有的数学问题最终都有解？很遗憾，图灵没有错。
1970年，前苏联伟大的数学家马季亚谢维奇从数学上解决了希尔伯特的那个问题。也就是说，的的确确有很多数学问题，上帝也不知道有没有答案，而且这样的问题比有答案的问题还要多得多。
这件事情对人类认知上的冲击，远比在数学上的影响大，因为它向世人宣告了很多问题无解。
第二个给予图灵巨大启示的人是他的精神导师冯∙诺依曼。
冯∙诺依曼当时是普林斯顿大学的教授，而图灵是那里的博士生。图灵在读了冯∙诺依曼的《量子力学的数学原理》一书后，意识到计算来自于确定性的机械的运动。
至于21世纪的电子计算机，里面电子的运动其实等价于机械运动。图灵同时猜测人的意识来自于测不准原理，这是宇宙本身的规律。图灵从此得出结论，计算是确定的，而意识可以是不定的，两者不可能划等号。
很多人胡思乱想计算机是否有意识，其实早在80年前，图灵就感到两者是两回事，这就是任何计算机的边界。
可以讲，没有来自希尔伯特和冯∙诺依曼的启示，图灵很难在那么年轻的时候对计算机想得那么透彻。我们经常讲，要和比自己强的人在一起，这一点很重要，因为只有这样我们的认知才能提升。反之，如果总是和臭棋篓子下棋，只能越下越臭。
从图灵理解计算机本质这件事，希望能够给你一些启发，也希望你能有超出常人的认知。
答读者问01丨什么是计算机思维
计算机思维是全方位的，不太可能用一两句话概括。简单地讲，需要处理好这样七对关系：
1. 大和小
这一点我们在周一和周二的两封来信中已经讲到了。
2. 快和慢
人的进化是很慢的，每个世纪只有百分之几，总体来讲经济和社会的发展也是比较慢的，每年最多几个百分点。因此，人本身并不适应非常快速的发展变化。但是，计算机本身的发展是18个月翻一番，大约相当于10年增加100倍，在智能时代，人的思维要适应这种快速变化。
3. 多维度和单一维度
从总体上来讲，人脑是线性处理事务的，看问题常常是一个角度，也没有能力把很多角度综合起来。但是，计算机有这个能力，因此占到了多维度的便宜。
4. 网络和个体
人的思维是个体行为，作决定彼此不干扰。这有好的一面，但是也难以集中很多人的智慧，产生叠加的效果。事实上，群体智慧的简单叠加甚至不如个人的智慧。但是人工智能是建立在网络效应基础上的，它是通过很多彼此联系的计算机共同协作工作而产生的。
5. 自顶向下和自底向上
自顶向下做事这一点是计算机的精髓，而人更适合自底向上。在一个组织内，自底向上的做事方式更容易激发群体的积极性，但是容易造成资源的浪费。这一点以后我会专门举例说明。
6. 全局和局部
人做事情时，限于自己的认知，通常得到的是局部最佳，失去对全局的优化的可能性。由于计算机有处理大数的能力，以及是自顶向下的做事方式，更容易得到全局最佳。这一点在 AlphaGo 和人对弈时表现得淋漓尽致。
7. 成本和表现
人很多时候喜欢强调对错，喜欢追求绝对的公平，喜欢要求最好的结果。但是，从工程的角度讲，好和坏，只是在固定成本下相对的表现。计算机里面无论是软件设计，还是硬件设计，都是在平衡性能和成本的关系。
此外，掌握计算机思维，还需要理解下面两个原则：
一、等价性原则
很多时候，一个较难的问题 A 和相对容易的问题 B 是等价的。但是人类常常容易给什么问题就解决什么问题，给了 A 就解决 A，尽管它很难。而计算机则会试图解决等价，但是却更简单的问题。
二、模块化原则
我们在生活中，做一个桌子，或者一个椅子，会直接去做。而在计算机的世界里，永远是先制作几个非常简单，能够大量复制的乐高积木块，然后用很多这样简单的模块，搭出复杂的桌子和椅子。
这个改变会非常复杂，简单的修修补补是不行的。
从历史上各个行业升级转变的经验看，应该遵循下面四个原则：
1. 目标要超前，方法和认识要彻底更新。
2. 做法上要渐进，反对一切推倒重来。
3. 坚持“原有产业＋新技术＝新产业”的原则。
4. 要知道，很多人是不适合改变的，因此不要指望所有人都能适应新环境，对不能适应新环境的人员要坚决淘汰。
读者 ：
为什么特斯拉的CEO埃隆·马斯克对人工智能是这么地担忧？他认为只有人看到人工智能在街上杀人的时候，才会意识到这个问题的严重性。他的担忧有道理吗？
吴军
毫无道理。
马斯克讲这些事情多少有些噱头，因为他自己就是投重金开发人工智能技术，并且大量利用机器人取代人工的人。
至于是否会有机器人上街杀人，首先要担心的恐怕是有人利用机器人杀人，比如无人驾驶的战斗机就是这样的工具。
另外，人类的杀戮并没有因为火枪的出现而在比例上有增加，更没有因为原*弹子**的出现而在数量上增加。
读者 ：
相比于计算机，人生活在小数世界；对于大数世界的计算机处理的数据，也是有极限的，那更大数的世界需要怎样处理？比如，随着数据的增多，从以前的单机到服务器，再到分布式服务器等处理方式。那有没有可能数据量增加到，单纯依靠增加硬件资源不能解决的地步？
吴军
肯定不能完全靠增加硬件来解决所有问题。事实上，数据增加的速度超过存储增加的速度，更超过带宽增加的速度。在依靠摩尔定律增加硬件性能的同时，还要改进算法，让硬件发挥更大的功效。
读者 :
吴老师，作为一名高三学生，在做练习题的时候是否也可以采用 IT 行业的方式。例如，一道数学题有多种解法，我们是采用思维灵活，技术性高的解题技巧去做这道题，还是用稳扎稳打的基础的、简单的方法一步一步地去解题?
吴军
对这个问题的答案因人而异，你的老师可能比我更了解你。至于解决数学问题的秘诀，我会在之后的来信中讲。
丨历史上最轰动的IPO
长期以来，硅谷的公司在和微软的竞争中一直处于下风。不但在市场上被微软挤垮，在人才的竞争中处于下风，而且在官司上也打不赢。
从苹果、太阳、Novell到网景公司，一个个被微软后来居上，三两个回合就被打败，从此没有能够全方位成功挑战微软的公司了。
号称世界创新之都、有几十万IT从业人员的硅谷一直梦想着有一家公司能够在和微软的正面竞争中赢一次。这个梦想终于由一个历史很短却有着惊人发展潜力的婴儿巨人（Baby Giant）Google公司实现了。
Google公司从一开始就以一个挑战者的身份出现在人们的视野中。它不仅在技术和商业上挑战比自己更大更强的公司，而且在理念上挑战传统。到2012年1季度它已经是一个有着三万多人的跨国公司了（2017年员工数已经超过7万人），还在不断挑战自己的极限，创造奇迹。
Google的故事完全可以写成厚厚的一本书，已经有人写了，以后还会有人再写。遗憾的是，大多数书无非是对一个成功者的吹嘘和对Google所谓奢侈生活的描述，很少提及Google成功的真正原因。
对于公众都熟知的事实我在这里就不赘述了。在这一章里，我想用15个瞬间，也是14个不为人知或被公众忽视的侧面，来描述一下这个传奇的公司。通过这些侧面应该很容易了解Google成功的原因。
历史上最轰动的IPO
2004年4月28日，这一年的第一百天，所有Google人都知道今天将要发生什么事。上午十点，大家收到了电子邮件，要大家去主饭厅查理饭厅等待重要消息的宣布。平时开会通常迟到几分钟的Google人这天早早地便聚在了饭厅里，能容纳600人就坐的饭厅挤了上千人。
十点半，Google的三巨头，共同创始人拉里·佩奇和谢尔盖·布林及首席执行官埃里克·施密特，来到讲台上。布林宣布，我们刚刚（向证监会）提交了上市报告（S-1），同时提交了年度的财务报告（10-K），会场上掌声雷动，成百上千的Google人几年的辛苦努力终于将获得回报了。
布林等大家安静下来接着宣布，我们将融资2 718 281 828美元，这是数学上自然对数底数e的前十位。这么大的融资额使得Google的初次公开募股（IPO）成为历史上最大的IPO之一，会场再次沸腾了。
接下来，由Google的营销副总裁奥米德·科德斯坦尼（Omid Kordestani，也是加入Google的第12名员工）最后一次站在沙袋上向大家宣布了最新的营收报告。根据Google的传统，科德斯坦尼总是站在一个大沙袋上向大家宣布财务消息。
Google当季度的营业额比前一年同期增长了200%。由于Google今后将是上市公司，不能再像以前那样对内公布营收情况了，因此，科德斯坦尼宣布这是最后一次。与此同时，外界第一次了解到Google保密了6年的财务情况和市场规模。
在Google对内宣布上市消息的同时，外界得到了同样的消息。《华尔街日报》、《布隆伯格新闻》、路透社新闻等全球主要财经媒体和CNN、《纽约时报》等主流媒体已经报道了这则新闻。
以当时世界上最大的投资银行摩根斯坦利和欧洲最大的投资银行苏黎世信贷第一波士顿领衔，高盛、花旗财团等十几家世界最大的投资银行参加的Google上市行动正式拉开序幕，整个华尔街和广大投资者都兴奋了起来。由于*载下**和阅读Google上市文件的人数太多，美国证监会的网站因负载过大而一度宕机。
Google上市无疑是历史上最轰动也是最令华尔街兴奋的一次融资行动。但是可能很多人并不知道，Google其实是被美国《公司法》逼得不得不上市的。
作为一家不上市公司，在经营上有很多方便之处，外界没有人知道Google的任何商业细节，也没有人能干涉Google的决策，这样Google在商业竞争中能够出奇制胜（事实上如果雷曼兄弟公司不是上市公司，它可以避免破产的厄运）。
对于大多数公司来讲，通过上市融资可以使公司获得充足的发展资金，也可以使投资人的投资得到回报。作为一家非常成功的新兴公司，Google不存在第一个问题。
Google在2001年成立刚满三年时就开始盈利了，而同时包括雅虎在内的几乎所有互联网公司都在亏损（当时只有eBay是一个例外）。从2001年下半年起，Google的利润和现金流以极快的速度增长，远远比开销增长快。从这个角度讲Google不急于上市。
当然，另一方面，风险投资公司和天使投资人希望通过上市收回投资。好在Google的董事会非常明智地看到，越晚上市，盘子做得越大收益越高，因此尽可能地拖后上市时间，事实证明这个决策非常正确。
从2002年开始，Google发展很快，人数也增加了很多，到2003年它的人数超过了500人。根据美国现行证劵法规定，当一家公司的股东超过500名并且资产超过一定规模后，即使它不上市也必须在第二年的100天内公布财务状况。Google大部分员工都有股份，因此，熟悉金融的人可以准确预测Google申请的上市时间是2004年4月28日（同样的道理，Facebook坚持到2012年才上市）。
实际上早在2003年，华尔街就已经炒作起来了。世界上所有著名的投资银行，如摩根斯坦利、高盛、苏黎世信贷等，早就开始和Google接触，希望成为Google上市的承销商。
2003年美国股市步入低谷，投资银行需要一些特殊的输血才能刺激已经低迷两年的股市，明星公司Google的上市将变成整个股市的兴奋剂。Google两个刚满30岁的创始人佩奇和布林在老练的华尔街银行家面前表现得异常冷静和精明。他们很清楚自己和华尔街手中的牌。
因此，Google没有急于答应任何一家著名的投资银行表达的承销上市的意愿，而是有耐心地和多家投行保持接触，不得罪任何一家，同时将承销商的佣金压到了最低点。根据惯例，上市承销商将收取融资额的7%作为佣金，但是，Google最终付出的比这个比例要低得多。
虽然双方都没有公布Google的佣金，但是在几个月后第二轮融资时，美林证券公司离开了承销商的行列，并透露出原因：Google付的佣金低到了它无钱可赚的地步。由此可见，Google在生意场上的精明程度。
为了最大限度地保证自己和投资者的利益，并且保证公司在上市后不受华尔街控制（我们在前一章介绍过华尔街是如何控制上市公司的），Google在IPO时做了三件惊人的事。
第一件事就是采用拍卖的方式决定IPO的股价。
为了回报广大股民对Google的支持，并保证中小投资者的利益，Google最终说服了华尔街投资银行采用竞标的方式认购Google的原始股。
在以往的上市行动中，原始股的价格由要上市的公司和承销商谈判商定，一般来讲，价钱都低于实际价值（只有黑石公司上市时除外），而承销商和它们的大客户则赚差价，这样当然就损害了要上市公司的利益和中小投资者的利益。
比如，百度公司上市时的定价只有区区27美元，是上市第一天收盘价的1/4。不仅如此，承销商还会控制原始股的配给，除非是它非常重要的大客户，一般人根本拿不到什么认购权。这样就无法保证中小投资者的利益。
Google的做法保证了自己和中小投资者的利益，当然华尔街就要少挣一点。这一点，后者也心知肚明，明面上不好讲，背地里并没有配合Google。因此，居然出现了Google首次募资原始股认购不满的情况。
Google公司当机立断，在上市的前一天调低了一些原始股价格，同时大幅降低了融资的金额，从原来的27亿美元降到17亿美元，避免了以过低的价钱大量稀释自己的股份。
Google上市的第二个特点就是将一次融资拆成三次。
一个公司融资上市，当然希望融资越多越好，但是这样要大量稀释自己的股票，公司和现有的股东未必能得到最大利润。
显然Google第一次没有充分融资。在首次融资一年后的2005年9月，Google进行了第二轮融资，以295美元的价格再次融资42亿美元。这次融资虽然金额大，但是由于Google的股价比IPO时涨了三倍，只增发了很少的股票，最大限度地保证了自己和投资人的利益。到这时，大家不得不佩服Google的高明。
Google的上市融资行动至此仍然没有结束。当时大家都奇怪著名的高盛公司没有参与第二轮融资，而自从Google上市，高盛一直是在为Google高调捧场的。半年后，谜底揭晓了。2006年5月，美国的标准普尔指数将Google纳入其中。
从金额上讲，标准普尔500指数是美国和世界上的基金中，作为参考依据最多的指数，Google被纳入其中后，很多基金将自动按照标准普尔500指数指示的比例购入Google的股票。
根据以往其他股票被列入该指数的惯例，股价会上涨10%—20%左右。通常炒家们在得到这个消息后会打个时间差从中套利（在对冲基金中专门有一种投机这种交易的基金，称为事件驱动基金）。Google则早已计划并且准备好了，利用这次有利时机进行第三轮融资。
因此，标准普尔宣布这一消息后，Google马上宣布第三轮融资20亿美元，这次由高盛公司独家承销。Google在两年左右的时间里，三轮融资共80亿美元，而且只稀释了不到10%的股份，成为有史以来最为成功的上市行动。
有了这些现金，Google就有足够的财力打造超级数据中心，在与微软和雅虎的竞争中占到有利地位。和巴菲特一样，Google的前任CEO施密特是一个非常“爱财”的管理者，他永远将现金储备作为他关心的头等大事。
在2008年他接受了媒体记者的一次采访。当记者问到Google有上百亿美元的现金，能否给股东发一点红利时，施密特开玩笑说，我更喜欢看着这些钱在公司的银行账户上。
和很多成功的职业经理人一样，施密特是一个非常稳健的管理者，他在做任何事时都会保证在最坏情况下Google能挺过很多道难关。
Google上市时做的第三件非同寻常的事就是学习巴菲特的伯克希尔-哈撒韦公司，将Google的股票分成了投票权完全不同的两种。
佩奇、布林和施密特等人追求长期利益而不是只顾眼前利益，在这一点上他们和巴菲特很一致。当然，华尔街对于任何上市公司都会指手画脚，要求它们达到每个季度的营收预期。当基金经理们在一个上市公司中占的发言权很大时，他们甚至会要求撤换整个董事会由他们直接管理。2008年闹得沸沸扬扬的伊坎威胁撤换雅虎董事会一事，就是投资人过度干涉上市公司经营的典型例子。
正是因为这个原因，Google迟迟不愿意上市。Google的创始人仔细研究过巴菲特的成功经验，发现其中成功的一条就是公司内部的人要有绝对的发言权（投票权）。巴菲特的做法是发行A和B两种面值不同的股票，A股的面值是B股的30倍，投票权却是B股的200倍。B股永远不能转成A股，但是反过来A股可以在任何时间转成B股。
当然，巴菲特和芒格等其他伯克希尔-哈撒韦的大股东及大投资人拥有的是A股。由于A股的股价高达每股十几万美元，不仅散户无法购买，动态管理的基金经理也无法购买[1]。这样就保证了巴菲特和芒格对公司的绝对控制。
Google也做了类似规定：2002年以前发行的股票（B股）每股拥有10个投票权，而以后的称为A股（包括所有公开交易的），一股只给一个投票权。B股（大多数掌握在创始人和高管手里）不能流通，只能换成A股才能出售，而A股则永远不能转化回B股。
其结果是不管一个投资人从市场上购买多少Google的股票，只要Google创始人持有10%的股票就可以拥有绝对多数的投票权。这样，华尔街就很难直接干涉Google的发展。两年后，百度也从Google身上学到了双重股权的做法。
从Google的上市过程中可以看到，这家公司眼光长远，且精明到了骨子里。
要介绍Google，必须提及它的伙伴和对手雅虎公司。尽管这些年雅虎的风头早已让Google盖过了，但我一直认为对互联网整个产业贡献最大的是雅虎公司及其两个创始人杨致远和费罗。
一个产业早期领导者选定的商业模式对这项产业的影响几乎是决定性的。如果不是雅虎，互联网很可能像汽车一样在相当长时间里只能是有钱人的奢侈品。
其实雅虎也不是第一家从事互联网服务的门户网站，在雅虎公司成立以前，美国在线已经开始提供普通用户互联网接入业务。但是它的商业模式很像传统的电话公司：它卖给每个想上网的用户一个调制解调器（后来的微机都自带这个功能，就不需另配这个外接设备了），然后利用电话线拨号上网。它的费用也和电话公司一样，每月20美元，从用户那里收钱。
但是雅虎的思路完全不同，它并不关心用户是如何上网的，而是关心用户上网后去哪里。为了让越来越多的人能上网访问雅虎，它尽可能从商家而非用户那里挣钱来维持公司的运营，它甚至提供一些免费的接入号码。
同样，中国版雅虎——搜狐、新浪和网易也用相同的方法主导了中国的互联网。雅虎及其追随者们，就这样培养出一个很大的市场，而且刺激了电子商务的诞生。
杨致远的远见卓识不仅表现在看清了互联网产业正确的发展方向并沿着这个方向去执行，而且从一开始就看到了整理互联网内容的重要性。
早期雅虎的用户是从为互联网的网站建目录（Directory）起家的。当时全世界互联网搜索的技术储备几乎是零，传统的文献检索技术（以康奈尔大学萨尔顿教授为首）完全是针对图书馆的文献和档案设计的，直接搬到互联网上效果并不好。
杨致远和费罗都不是信息处理的专家，也没有时间研究这个问题，因此他们根本就没有考虑采用自动的办法整合和检索互联网，而是采用了最快的办法手工创建目录。由于当时网上的内容极少，杨致远和费罗用手工很快就建立起了覆盖互联网大部分内容的目录。
但是这种做法后来为雅虎的发展带来了一种不好的传统，雅虎至今仍然比Google更相信人工而不是自动的方法。后来，互联网的内容多了，无法手工建索引和目录了，于是雅虎便采用了Inktomi的自动搜索引擎。
由于当时计算机容量和速度的限制，早期的搜索引擎都存在一个共同的问题：收录的网页太少，而且只能对网页中常见内容相关的实际用词进行索引。对于虚词，比如英语中的to、be和not等是不做索引的。那时，用户难以找到很相关的信息。为了查找一点信息，常常要换好几个搜索引擎。
后来DEC为了展示其64位处理器Alpha的超强计算能力，开发了AltaVista搜索引擎，只用一台Alpha服务器，却收录了比以往引擎都多的网页，而且对里面的每个词都进行了索引。
AltaVista一个最经典的搜索查询就是莎士比亚的名句“是生存还是毁灭（to be or not to be）”，里面6个词全部是虚词，以前任何搜索引擎都无法对它进行查找，而AltaVista可以。
于是AltaVista一夜之间成为最流行的搜索引擎。AltaVista虽然能让用户搜索到大量结果，但大部分结果却与查询不太相关，有时找想看的网页需要翻好几页。
当上个世纪90年代末的互联网大潮席卷硅谷时，还在学校攻读博士学位的拉里·佩奇和谢尔盖·布林也觉得该干点儿什么。
在信息检索的学术界有两个衡量搜索质量好坏的客观标准，即查全率（Recall）和查准率（Precision）。相比早期的搜索引擎，AltaVista解决了覆盖率（查全率）的问题，但在查准率上还没有什么突破，佩奇和布林决定在这方面做点研究。
当时整个学术界和工业界对搜索查准率的研究仍然局限于萨尔顿确定的、针对图书馆文献检索的关键词加权平均的框架。虽然一些学者看到了互联网网页之间的相互联系，但是由于习惯性思维的限制，无非是把这种联系作为一个新的信号，对已有的方法修修补补，因此效果并不好。
佩奇和布林本来不是研究文献检索的，头脑里没有那些条条框框，于是得以从一个全新的角度看待互联网及其搜索问题。
我们问佩奇是如何想到PageRank算法的。他说：“当时我们觉得整个互联网就像一张大的图（Graph），每个网站就像一个节点，而每个网页的链接就像一个弧。我想，互联网可以用一个图或矩阵描述，我也许可以用这个发现做篇博士论文。”
就这样，他和布林发明了PageRank算法。当然，这里面还有很多实际问题待解决，好在布林和佩奇都是实实在在做事的人，他们不满足于从理论上证明PageRank算法的正确性，于是自己搭建一个搜索引擎Google来证明PageRank的实用性。（关于PageRank算法和它对个人发展的启示，可以点击文末链接，查看更多信息）
Google基本上解决了搜索查准率的问题。虽然今天的Google和其他搜索引擎与当初的Google相比已有了长足的进步，但是这种进步基本上属于量变。搜索引擎领域迄今为止的质变只有Google取代AltaVista那一次。
Google一词源于一个非常大的数字Googol，即10的100次方。实际上宇宙中没有任何事物能有这么大 ，甚至宇宙中全部的基本粒子数目也没有这么多。佩奇和布林取这个名字，无非是想表示他们的搜索引擎很大。
佩奇和布林很快就搭建起搜索引擎，由于系里计算中心分配给他们的磁盘空间没过多久就装不下他们*载下**的网页了，于是他俩不得不自掏腰包买了一些硬盘。
由于PageRank的作用和他俩在工程实现上的精雕细琢，Google搜索引擎居然比当时的AltaVista和Inktomi等商业搜索引擎还准确，于是他们在斯坦福的一些同学和朋友就开始使用Google搜索网页了。靠着同学和朋友们的互相推荐，Google的搜索量达到了每天5000次。
1997年9月，佩奇和布林注册了域名Google.com。这时，佩奇和布林用光了信用卡上的透支额度，两人不得不为Google找出路。
他们接触了一些投资人，一开始并没有找到投资，直到1998年夏天，佩奇和布林通过斯坦福大学那个帮助学生创业的办公室，联系到了斯坦福的校友、太阳公司创始人安迪·贝托谢姆。
贝托谢姆当年还在一线工作，非常繁忙，他对佩奇和布林讲，他只有早上上班前有点时间。佩奇和布林当然不会放过任何一个机会，于是一大早就扛着自己攒的服务器来到了贝托谢姆的办公室，并向这位工业界大名鼎鼎的人物演示了自己的搜索引擎。
在Google以前，包括AltaVista在内的搜索，一般10条结果只有两三条是相关的，剩下的七八条都是无关的，而Google则做到了七八条相关，两三条无关，这是一个质的飞跃。
我在提及创业和技术进步时曾多次讲，只有质的飞跃才能造就新的主导者，取代原有公司，Google的技术在当时符合这个条件。
贝托谢姆对演示的结果非常满意，他甚至没有考虑这个搜索引擎怎么挣钱就给“Google公司”开出了一张10万美元的支票，交给佩奇和布林。
佩奇和布林当然兴奋得不得了，但是他们马上就发现自己无法兑现这张大额支票，因为他们虽然注册了google.com的域名，而Google公司并不存在。
于是他们在斯坦福的帮助下注册了Google公司，斯坦福大学因为提供了部分用于PageRank的专利，也就成了Google的股东。
为了办公司，佩奇和布林不得不“暂时离开”学校。严格意义上讲，他们当时并不是退学，而是可以在任何时候再回到学校继续读博士。
佩奇和布林离开学校的同时，还带出了他们的一位博士生同学（当然也是暂时离开）克雷格·西尔弗斯坦（Craig Silverstein）。西尔弗斯坦堪称计算机奇才，他几乎凭一己之力写出了Google搜索引擎的第一个商业版本。
前苏联著名物理学家、诺贝尔奖获得者列夫·朗道（Lev Landau）将世界上的物理学家从1级到5级分为5个层次，每个层次的贡献差一个数量级（朗道很谦虚，他把自己排在2.5级，得了诺贝尔奖后，才把自己升到1.5级）。
如果我们也这样对计算机工程师进行分级，那么西尔弗斯坦无疑是在1级，我自己大概是2.5级。（关于工程师的分级，可点击文末链接查看）
在Google早期，佩奇和布林忙于找投资，几乎不再有时间搞开发，整个开发的任务就压到了西尔弗斯坦一个人身上。他原来是研究信息编码的博士生，但无论是系统设计还是编程能力都极强。
更难得的是，和一般早期公司那些能很快地写很多粗糙程序的工程师不同，西尔弗斯坦的程序总是采用最优的实现方式，读起来完全像是在欣赏一件艺术品。
在Google，研究和开发从来是不分离的，作为Google搜索引擎早期几乎唯一的工程师，他要“懂得”一个搜索引擎里面全部的原理，至今世界上能做到所有这一切的人也不多。当时Google既没有很多的钱，也还看不到今天的成就，西尔弗斯坦选择加盟，完全是因为和佩奇、布林两个人志同道合，并且坚信Google能成功。
西尔弗斯坦不仅开发出第一个商业版本的Google搜索引擎，而且制定了Google至今仍被遵守的程序设计规范和流程。
事实证明，即使在已经有近万名工程师的今天，西尔弗斯坦的规范和流程依然适用而且非常有效。
贝托谢姆给的10万美元很快就花光了，佩奇和布林又找到了100万美元左右的投资。有了钱，Google当然要找其他工程师了。
据佩奇讲，当时他们3个刚从学校出来，也没有招人的经验，大家在一张乒乓球桌前坐成一排，就开始面试了，因为不知道该问什么问题，所以问得很随意。
但是，他们坚持宁缺毋滥，每招一个人必须所有人一致同意才行，所以早期进Google是很难的。
直到2002年，Google招收的每一个工程师还必须通过两位创始人或4名Google Fellow其中一位的面试，而且必须经两位创始人同意才行。（关于Google招人的更多信息，可以点击文末《谷歌小时候的故事，给初创公司创始人的建议》查看）
一年后的1999年，正是互联网最热的年头，Google借着互联网的东风，顺利地从两家最大的风险投资公司KPCB和红杉资本那里获得两千多万美元的投资。同时，Google通过为企业提供内部的搜索服务开始有了营业额。
2000年，Google取代了Inktomi为雅虎网站提供搜索服务。我第一次听说Google就是在得知这个消息的时候。2001年，互联网泡沫破灭，无数上市的互联网公司关门大吉，而Google居然在这一年里开始盈利，不能不说是个奇迹。
互联网上流传着早期Google的很多故事，真实和虚构的都有，还有一些半真半假，让不知情者难以分辨。其中一个普遍的误解就是雅虎想收购Google，Google开了个当时雅虎认为的高价，后者没接受，于是错过了收购Google的机会。
这个故事的真实之处在于雅虎确实有收购Google的意向，而Google开出当时认为是天价的原因是它的两个创始人根本不想出售公司。佩奇和布林是心比天高的人，根本不是那种赚一笔快钱就跑的人能够理解的，用中国的古话讲就是“燕雀安知鸿鹄之志”。
其实，最早想收购Google的公司根本不是雅虎，而是亚马逊。在20世纪90年代末，由于美国信息行业工程师奇缺，很多公司不得不通过收购一个小公司，遣散非技术人员的方式来得到工程师。
亚马逊专门有一位工程副总裁负责此事。他有一次到了硅谷考察公司，回去对同事讲：“我见到了一家公司，做的东西真好，他们才只有4个人，居然要开价10亿美元。唉，他们做的东西真好！” 4个人开这么高的天价实际上就是婉拒收购，这位副总裁也明白，虽然遗憾，但是也只好作罢了。
言者无意，听者有心。他手下的一位中国工程师听到这个消息，马上试了试Google的搜索，发现比AltaVista和雅虎的好得多，于是他当机立断加盟了Google，成为Google第一位华裔员工（因此，Google的第一位中国员工并不是Google中国和媒体搞错了的那位女生）。
如果不了解佩奇和布林的雄心和胸怀，就不可能懂得Google为什么能成功。我常常想，凡做大事的人，必须有做大事的气度和胸怀。佩奇和布林就是这样气度恢弘的人。
很多公司在和Google的竞争中总是处于被动，就是因为他们以为Google的两个创始人年纪轻而低估了这两个人的雄心和能力。
第005封信丨成就＝成功率x事情的量级x做事的速度
我讲到了这样一件事情，某个工程师无意中把自己思考问题的方式限制在规模很小的数量上了，他的总监发现了问题。
在工程中，针对小规模问题的解决方法对大问题常常不适用，就以那个工程师试图解决的排序问题来讲，如果对几十个数字排序，直观的方法可能要做几千次到上万次操作，仔细设计的方法（比如在计算机科学中有一种被称为快速排序的方法）也需要做一千次到几千次的操作，看似差别不大。
但是到了上万个数字的排序时，那么就是几亿（到几十亿）和几百万之间巨大的差别了。这时，我们会说，两种方法有量级上的差别。量级是优秀工程师首先关注的。
在说明什么是量级之前，先讲一个和它相近的概念——数量级。数量级每差出一级，数据相差十倍左右，比如我们说的个、十、百、千、万就是数量级的差别。
在投资、财务等方面，比较注重数量级。两家公司，收入相差两三倍，虽然有大小的分别，但是它们在同一个数量级上，彼此还是可以竞争的。如果在同一个细分领域收入差了10倍以上，就不在一个数量级上了，小的那家公司想和大的竞争，是非常辛苦的。
至于量级，则是比数量级差距更大的概念。
量级在数学上有明确的定义，我曾经试图和非理工科学生讲清楚，但是发现很困难，后来我打了一个比方，大家就明白了。
量级简单地讲，就是芝麻、橘子、西瓜、大象、大山、地球、太阳、银河系这样大的差别。
讲回到计算机算法排序这件事情，人类最早发明的是来自直觉的几种方法，当参加排序的数量从几个，增加到几万个的时候，计算量则要增加几亿倍，而科学家们找到的最佳的排序算法，计算量只会增加十万左右，几亿和十万基本上就属于量级之差了。
更重要的是，当排序的数量增加几亿倍时（这在大数据时代是经常的事情），计算量就变成了几亿亿和几百亿之间的差别，相差了百万倍，这已经比西瓜和芝麻的差别大了。
如果我们拿一台今天最快的个人电脑来做这件事，运行时间大约是一辈子的时间和分分钟的差别。从这里你就能体会我所说的量级的差别是多么大的差别了，也就能体会为什么不能用来自小世界里的直觉和经验，来处理大世界里的问题了。
有了量级的概念后，（合格的）工程师和常人接下来在处理不同量级的事物时有两点不同：
1. 小量级和大量级的东西放在一起，前者必须被忽略掉，只当不存在。对于大部分人来讲，他有了1万块钱，你再给他1块钱，他可能会想蚊子虽小也是肉，10001>10000，这一块钱还是拿着。
对合格的工程师来讲，这两个数字是一回事，不要做画蛇添足的事情。这就如同一个橘子再加上一个芝麻，和原来的橘子相比没有什么意义一样。多看芝麻一眼，反而可能把橘子丢掉了，或者搞坏了。
2. 几个小量级的东西放在一起，远比不上一个大量级的东西，这就是十几把芝麻也比不过西瓜的原因，这一点在投资上也很重要。
一个好的工程师，要懂得把精力放在从量级上改进工程方法，因为这样的收获是几百倍，几万倍，甚至更多，而有上进心、却没有学到工程思维的工程师，则是每天挤时间多工作一小时，但却在做重复性的事情。要知道1.1个芝麻和橘子相比可差远了。
一个好的工程师一定要能够梳理出一个难题中各个因素在量级上的不同，然后知道把那些无关紧要的事情从自己的To Do List上删掉。没有经验的人则是什么问题先来就先解决什么问题，以至于可能费力不讨好。
山寨产品的产品经理，总是试图省几分钱的成本，最后让自己的东西卖不到正牌产品的一半价钱。而好的产品经理，则懂得在细节上做1%的改进，让产品的品质显得高出一个数量级。
比如苹果电脑所谓的视网膜显示屏，成本比一般的显示屏价格贵不了10美元，但是不仅可以让电脑多卖一百多美元，而且用户的感觉好了不止一倍。这其实是增加了“芝麻”的成本，换来了“橘子”的效果。
一个人在公司的成就可以用下面这个简单的公式概括：
成就＝成功率x事情的量级x做事的速度
一个人刚到公司工作时，常常从小事情做起，因为大事做不来，而且做事情也不熟练，比较慢。这时上面公式中的三个因子都很小。
如果人好高骛远，成功率永远等于零，会一辈子一事无成。如果脚踏实地，做一段时间后，成功率会提高，效率高了以后，做事的速度也会提高，这一点大部分人能做到。
但是，在职场上，大部分人做不到的，是提高事情的量级。
这件事情做起来非常难，不是找老板让他安排几个重要的任务就能够解决，而是需要不断学习，转变自己的角色。为了说明这一点，我举两个身边的例子。
第一个例子是关于一个美国天使投资人的。
他曾经成功地投资了领英公司（LinkedIn），照说应该很成功了吧。其实这位从70年代就开始投资的投资界老兵，今天没什么人听说他，因为他直到今天，每个项目投资的规模依然在10万美元左右。
由于有了领英这个本垒打（投资回报超过50倍通常被称为本垒打），使得他总的投资回报率在200%左右。你可能觉得这个回报率不低了，从比例上来讲确实不低，但是由于他投资的规模太小，其实分到手上的利润非常少。我给他算了一下，不过是每年20万美元左右。
这位投资人非常自豪地跟我讲他给很多公司写出了第一张支票，其中不少公司上市或者被收购了，以显示他的眼光好。但是，我心想，作为一个老兵，还经常在写第一张支票，这不是荣耀，是耻辱。
这就如同一个战士打了一辈子仗，还在津津乐道最近一次亲手杀敌一样。在硅谷像他这样的早期投资人非常多，即使投资成功，也不过是混口饭吃。相比他们，真正有成就的投资人，投资规模都是几十万、几百万、几千万，甚至上亿地往上涨。
第二个例子是国内一个做培训的人。
他曾经是一个金牌讲师，对商业有独到的见解，而且人脉很广，能找到很多同样好的业界人士为他站台。但是在过去的五年里，他的业务没有任何发展，在这中间他也非常努力，还脱产到国外进修了一年，对新的商业和技术发展了解得很透彻，但是生意却做不大。
我给他分析原因时讲，你必须学习俞敏洪，做一个彻底的身份转型，不要老想着自己讲好课，而要想怎么提升其他讲师的知名度，办好学。
俞敏洪当年也是金牌讲师，但是如果他还是俞老师，课讲得再好，也不过是挣一份辛苦钱。但是俞敏洪成功地从俞老师转型成了俞校长，这个情况就不同了，就有了量级上的突破。
因此，对于这些自己办学的金牌教师，要精进的不是自己的业务，而是当好校长的水平。
我在上一季《硅谷来信》的第202封信中，讲了为什么明星媒体人创业很少有成功的。（我把第202封来信的链接直接附在了文末，你可以点击链接直接回顾学习）
今天用工程的思维可以再补充一个原因，就是大部分人没有完成从某主播到某台长的转变，量级一直没有上去。
至于量级怎样提升，我以后会专门讲到。这里简单给你两个经验作参考：
1. 牢记工程上量级的概念有多重要，不同的量级差距有多大，而且越到后来差距越大。始终牢记这一条。
2. 改变习惯。对于投资人来讲，不要老沉醉于写了第一张支票，而要想办法写出最大的一张支票。对于讲师，不要总热衷于搞了多少次讲座，而要想如何当好校长。
对于工程师，不要老想多做1%的事情，而要想着如何在更有影响力的事情中，参与1%。
对于产品经理，不要老想省1%的成本，要想怎样能让用户为你的产品多掏一倍的价钱。
希望量级这个概念能让你在思维方式上开阔眼界。