漫谈Crypto研究的三种心智模型：如何才能做出最佳决策？

原文作者：RainandCoffee原文编译：DeFi之道如果有人要我简化人生的旅程，我会说这是一个漫长的决策旅程（最终，它会是一棵决策树）。在这种情况下，我所做的每一个决定都会将路线转向其他地方，这些决定会共同改变未来的结果。所以我的问题是，我们如何才能做出“最佳”决策，从而产生有利的结果？决策树让我向你们介绍心智模型（Mental Models）的概念，这些模型如何帮助我们做出决策，以及它们如何增加我们实现目标的机会。在这种情况下，我们如何做出对我们的crypto之旅能够产生积极影响的决定？心智模型的想法，是找到一种方法来评估某些事情是如何运作的，然后通过了解某件事的运作方式，它将帮助你在事后做出更好的决定。基本上，只要不重复同样的错误，我们就可以最大限度地提高效率。这意味着，通过理解某个模型（或协议）是如何工作的，我们可以引导我们的决策成为信念。这些决策往往具有不同的承诺长度，并且都必须做出权衡。这些权衡可能很小，但在其他情况下也可能产生重大影响。在大多数情况下，我们只是顺其自然，不会问自己为什么，举一个很好的例子：我们会在不了解crypto特定叙事的基本催化剂的情况下锁定叙事。大多数人可能会在Twitter或谷歌上进行一些搜索，以了解项目的一些“想法”。然而，这是大多数人能够抵达的最远距离，这对确定信念是没有任何帮助的，而且在大多数情况下，这会导致失败。那我们能做些什么呢？我们可以使用已经建立的心智模型来简化某个项目的概念。我的意思不是说知道x启用了x，而是要确定某个协议的核心组件及其交互方式，以及范围内的催化剂。在大多数情况下，这应该让我们清楚地知道要做出什么样的信念。我们将要研究的第一个模型是第一性原理（First Principles），第一性原理的概念是找到从头开始解决问题的最有效方法。当应用于crypto时，我们可以使用它来比较相似的协议，问问自己，这种做某事的方式，是否要比另一种做某事的方式更有效？如果是的话，那肯定会在你的大脑中点亮一些东西，并增加你的信念。至于如何找出最有效的方法，你可以问自己一些问题：如果你发现自己意识到这个版本比以前的版本更有效，那么你已经发现了明显的价值。而如果你发现自己意识到以前的版本更适合这些参数，然后，在通常情况下，你可能应该继续前进（除非有其他一些有利于该版本的催化剂）。第一性原理第二个非常有用的模型是One Level Higher，该模型的概念是确定某个协议是否更有效地改变了整个底层概念，或者它是否只是改变了系统中的一个齿轮。例如，某协议只是分叉了一个已经存在的协议，并在此基础上改变了一点，或者它是在改变整个底层（以更有效的方式）？在很多情况下，以微不足道的不同方式重做某些事并不会增加太多的价值。但是，如果你以完全不同的方式对某事物进行创新，则更有可能创造出可以增加价值的原创事物。你在这里要确定的，基本上是某个项目正在优化的水平。同样重要的是，要继续研究那些让你获得信念的协议。在这里，随着时间的推移，你应该重新评估哪些催化剂即将到来，哪些故事正在上演，以及如何让自己处于最佳状态来应对它们。如果你意识到某个地方有问题，你应该设法解决它。因此，如果你意识到你最初的信念是错误的，那么改变它也没有什么坏处。这最终将导致我们所谓的遗憾最小化。基本上，你应该始终选择在你目前的心态下最不后悔的长期决定。因此，通过不断地重新评估你的决定，你将能够确定最好的决定。让我们转向更个人化的东西 —— 我喜欢的工作方式，以及我是否可以优化它。当人们要求我描述我的工作方式时，我会使用 Flow State 的概念。描述Flow State的最佳方式是将其视为“在区域内”，这基本上是一种状态，在这种状态下，你会全神贯注于某件事。这通常被认为是非常积极的，我倾向于同意这一点，但让我们看看硬币的另一面。这种工作方式有负面影响吗？通过进入一种Flow State状态，我倾向于将我的思想埋藏在某些信息中，有时会因其他更新的信息而关闭。这可能，而且已经导致我有时没有注意到我原本应该拥有的东西。我认为在这方面做得更好的一个好方法是查看帕累托原则。帕累托原则的思想是，你的大部分结果来自少数原因。基本上，这个想法是，至关重要的少数人将比多数人更大程度地改变结果。因此，花一点时间在某些方面提升自己，通过研究新事物获取最新信息，甚至获取他人的建议 — 最终这会带来更好的结果。帕累托原则最后，让我们看一下贝叶斯学习理论，尤其是贝叶斯推理。这个理论的想法是更新某事的概率，因为你收集了更多可用的信息或证据来支持它。在crypto领域中，我们可以使用它来修改我们的信念，因为我们有了新的、更及时的信息。如果你意识到自己过去做出的决定是错误的，那么在你获得新信息后，你就有能力重新评估并改变你的信念，使之符合你最新的思维状态。这最终将导致某个信念发挥作用的概率要高得多（贝叶斯概率）。这显然与我过去所写的内容有很大不同，但希望你能从本文中找到一些价值。