這是一個顛覆性的建議。

常規(guī)的打法總是在約束條件下求目標函數(shù)最大化,。也就是說,，想要取得成就,，總要先有目標,，然后，行動方案就要圍繞著這個目標而定,。本書的觀點是：目標會誤導你,。越是偉大的目標越容易有誤導性。沒有目標比有目標更容易實現(xiàn)目標,。

為什么會是這樣呢,？我們先講個故事，看看從中能有什么啟發(fā),。

假設有兩個探索隊,。一支探險隊有著明確的目標，他們要到山的另外一側(cè),，比如說山的北面,，去尋找傳說中的金礦。因為目標明確,，他們就會嘗試用各種不同的辦法越過這座山,。一條路不通，再退回來找另外的路,。每一次,，他們都會先看看指南針，確定好方向,，堅定地朝北走,。 

另一支探險隊更像出門旅游。他們一邊走一邊欣賞風景,。他們會在湖邊露營,，用地質(zhì)錘敲打路上遇見的巖石。他們會對河流的方向,、風的方向感興趣,。看到一條路,，他們可能就會順著這條路走,，哪怕這條路是朝南走的，因為他們總想看看這條路到底通向何方,。

最終會有收獲的可能未必是第一支探險隊,，而是第二支探險隊,。或許,，越過山峰的路可能是要先朝南走,，再朝東走，迂回包抄,。也可能,，第二支探險隊會在南邊找到了更大的金礦。又或許,，他們出發(fā)的時候是想找金礦,，最后找到了一處石油礦。又或者,，他們找到了一處美麗的風景,，找到了“優(yōu)勝美地”，可以做國家公園,。

這當然只是個假想的故事,。不過，人工智能科學家在實驗室里做過相似的實驗,。他們把機器人放進迷宮,，讓機器人在迷宮中摸索。一種指令是目標導向,，告訴機器人必須找到迷宮的出口,；另一種指令是新奇性搜索，鼓勵機器人在迷宮里瞎轉(zhuǎn),。結(jié)果,，在重復40次的新奇性搜索迷宮實驗中，機器人在39次實驗中找到了出口,；而在重復40次基于目標的迷宮實驗中,，機器人只成功了3次。

這背后的底層邏輯是啥,？

創(chuàng)新就是發(fā)現(xiàn),，這是一個隨機的探索過程。你不可能預測技術(shù)的演進路徑,。比如,，現(xiàn)代內(nèi)燃機的前身是感應線圈，但其最初不是以制造發(fā)動機為目的的,。當內(nèi)燃機剛剛出現(xiàn)的時候,，還沒有飛機，也不會有人想到要把內(nèi)燃機應用到飛機上。從感應線圈到內(nèi)燃機再到飛機,，整個創(chuàng)新鏈條上,，每一個環(huán)節(jié)的發(fā)明者都沒有想到下一個環(huán)節(jié)會是啥。 

這就意味著,，過程比目的更重要,，比起到達終點，路上的風景更值得關注,。在發(fā)現(xiàn)的過程中,，我們會遇到很多新奇的現(xiàn)象，這些新奇的現(xiàn)象似乎和最終的目標沒有什么關系,，其實卻是奠定技術(shù)創(chuàng)新的墊腳石,。沒有這些墊腳石，我們就無法往前走,。所以，在探索的過程中,，應該注意找到更多的墊腳石,，這些墊腳石預示著更多的可能性。 

偉大的創(chuàng)新不是被計劃出來的,，而是來自誤打誤撞,。比如說，在研發(fā)飛機的過程中,，在當時看來最有可能成功的不是萊特兄弟,，而是塞繆爾·皮爾龐特·蘭利（Samuel Pierpont Langley）。蘭利一度獲得了大量的政府資助,，萊特兄弟卻只能自籌資金,，而且錢少得可憐。那為什么萊特兄弟會成功呢,？原因出乎意料,，因為萊特兄弟原來本是自行車制造商。自行車就是通向飛行器的墊腳石,。只有身為自行車制造商的萊特兄弟意識到,，飛行器就是空中的自行車，于是,，機緣巧合,，他們才造出了最早能升空的飛機。

這就是墊腳石的妙處,，你都不可能知道它們能用來干啥,。這也是物種演化的規(guī)律。在進化論里，有個現(xiàn)象叫擴展適應,，說的是生物曾經(jīng)使用過某種功能的結(jié)構(gòu),，在進入一個新的環(huán)境之后，又被用于另一個不同功能的現(xiàn)象,。比如說,，羽毛最初是在恐龍身上進化的，主要功能是為了保持體溫,，后來才逐漸成為適合鳥類飛行的結(jié)構(gòu),。骨骼一開始只是用于儲存供身體其它功能所需要的礦物質(zhì)，后來才進化成為人體的支撐性結(jié)構(gòu),。

這給我們的啟發(fā)是,，要把自己變成一個尋寶者，在積極地追求實現(xiàn)某個特定目標時,，我們要做的是盡可能保留多塊備選的墊腳石,，以確保實現(xiàn)目標的成功率。尋寶者可以說是秉持著機會主義的探險家,，他們致力于尋找任何有價值的東西,，而不在乎這些東西具體是啥。

你可能會問,，這跟人工智能又有什么關系呢,？ 

OpenAI團隊曾經(jīng)建過一個叫圖片孵化器的網(wǎng)站。圖片網(wǎng)站上的圖片就像動物一樣能夠繁衍出和“父母一代”略有不同的“孩子”,。研究人工智能的科學家找到了一種方法,，為存儲在計算機內(nèi)部的圖片創(chuàng)造了一種人工DNA，然后再將這些圖片的基因像動物那樣整合在一起,。大概是這樣一個過程：屏幕上顯示出一組圖片,，比如同時顯示10張或20張圖片，然后,，用戶點擊自己喜歡的圖片,。這些圖片就成為下一代圖片的父母。然后,，屏幕上再顯示一組新的圖片,，用戶繼續(xù)點擊自己喜歡的圖片，以此類推,，直到最后用戶找到了自己最滿意的圖片,。 

實驗表明，用戶培育出的令他們最滿意的圖片往往并非他們最初設定的目標,。以進化出一張?zhí)囟▓D片為目標去繁育圖片,，其實是一個糟糕的想法。在實驗的過程中，你會發(fā)現(xiàn),，一張外星人臉的圖片,，最終會變成汽車的圖片。最終的圖片很少與作為墊腳石的圖片相似,。網(wǎng)站上最成功的用戶是沒有設定目標的那些人,。 

由此，兩位作者提出了一種新的AI算法,，叫新奇性搜索,。這個算法會隨機生成一組解決方案，評估新奇性,，保留新奇性比較高的方案,，循環(huán)往復，直到將問題徹底解決,。換言之,，這種算法的標準是：只問新不新，不問好不好,。

那么,，為什么目標會誤導我們呢？ 

因為通向最終目標的道路往往是曲折的,，是需要在各個不同的方向上探索的，那就需要給予探索者更多的主動性,，而且,，要求探索者對新奇事物更為敏感，心態(tài)更為開放,。一旦想要通過設定目標來完成任務,，往往就會帶來意想不到的扭曲。

比如,，印度受英國殖民統(tǒng)治時期,，英國政府為了消滅毒蛇，出臺了一項政策：每上交一條死蛇就能領取一筆報酬,。但這項措施并沒有達到預期的效果,，反而導致印度人為了獲得賞金爭相飼養(yǎng)眼鏡蛇，然后殺死他們牟利,。最終,，毒蛇的數(shù)量反而增加了。還有,，考古學家為工人發(fā)現(xiàn)的每塊恐龍骨碎片支付報酬,，會導致工人選擇砸碎整個骨頭獲取更多的獎賞；企業(yè)為了提高企業(yè)收益，給高管支付獎金,，會導致帶來長期隱患的短期逐利行為,。 

兩位作者指出，目標越是高大上,，越容易帶來誤導,。若想實現(xiàn)豐功偉業(yè)，目標往往會成為絆腳石,。

正確的辦法是：扔掉絆腳石,，去找墊腳石。