第4章 深度工作是有价值的(2)
我们还继续分析内特·西尔弗的例子，思考一下他依赖的另一项科技：Stata。这是一种非常强大的工具，不可能靠着本能随便动动脑就能学会。比如下面一段话描述的是这种软件最新版本的一些新特性：“Stata13加入了很多新特性，比如处理效果、多层广义线性模型（GLM）、检验效能和样本数、广义结构方程模型（SEM），预测、效应值、项目管理器、长字符串和BLOBs（二进制大对象）以及其他很多。”西尔弗利用此类复杂的软件（包含广义结构方程模型和BlOBs）创建复杂的模型，内含各种互相联系的部分：比如自定义参数的多元线性回归，就可以在概率算式中用来做顾客权重参考，等等。
这些细节旨在强调智能机器的复杂性是难以掌握的。[3]因此，要想较好地运用这些机器，你就要培养出掌握复杂事物的能力。而且由于这些科技变化很快，掌握复杂事物的过程便永远不会结束：你必须能够快速完成，一次又一次。
当然，这种迅速掌握复杂事物的能力并不仅仅是能熟练运用智能机器所必需的；基本上也是想要成为任何领域的超级明星的关键因素，即便是与科技关联性很小的领域。比如，想要成为一名世界级的瑜伽训练师，就要求你掌握愈发复杂的身体技能组合。再举一个例子，想要在某个特定的医学领域取得成功，就要求你能快速掌握相关程序的最新研究成果。用更简洁的语言总结这些观察结果就是：如果你无法学习，就无法成功。
现在思考之前所提的第二项核心能力：达到精英水平。如果你想成为领域中的翘楚，掌握相关技能是必需的，但并不够。之后你必须将潜能转化成人们珍视的实在成果。比如，很多程序员对编程都很在行，但是我此前举例的超级明星大卫·汉森能利用这种能力创造出Ruby on Rails，正是这个项目为他带来了声誉。Ruby on Rails要求汉森将他当前的技能推向极限，创造出实在的价值和成果。
这种产出的能力同时也适用于以掌握智能机器为目标的人。对于内特·西尔弗而言，学会如何掌控大型数据组和进行数据分析并不够；他还需要证明自己能够利用这种技能，从这些机器中提取大众关注的信息。西尔弗在棒球资料（Baseball Prospectus）工作期间与很多数据极客共事过，但是只有他努力将这些技能加以调整，用于全新的、更有利可图的选举预测领域。由此我们总结出想要加入当前经济形势下赢家群体的另一项要点：如果你不产出，就不会成功，不管你的技艺多么纯熟，天资多么聪颖。
我们已经列出两种在当今这个由科技分化的新世界里获得成功的能力，现在可以提一个显而易见的后续问题：如何才能培养出这些核心能力？讲到这里，我们便触及了本书的核心主题：上文阐述的两种核心能力依赖于你进行深度工作的能力。如果你没有掌握这项基本能力，想要学习艰涩的知识或达到精英水平就会很挣扎。
这些能力对于深度工作的依赖性并非即时显现的，这要求我们更深入地探究与学习、专注和生产力相关的科学。接下来的章节将做深入探究，使深度工作和经济成功之间的这种联系为你转变——从意料之外到无懈可击。
深度工作帮助你迅速掌握困难的事物
“让你的头脑成为透镜，汇聚专注之光；让你的灵魂完全投入到头脑中的主导之物上，尽情吸收思想。”
上述建议出自多米尼加（Dominican）修士、伦理哲学教授安东尼-达尔梅斯·塞汀朗吉思（Antonin-Dalmace Sertillanges），他在20世纪初期写作了一本很薄却非常有影响力的小册子，名为《知性生活》（The Intellectual Life）。塞汀朗吉思写作这本书，旨在引导那些在思想界求生存的人“培养和深化自己的头脑”。塞汀朗吉思在《知性生活》中充分认识到掌握复杂材料的必要性，帮助读者为这类挑战做好准备。因为这个原因，这本书恰好契合我们的诉求，有助于我们更好地理解人类如何快速掌握复杂（认知性）技能。
为了理解塞汀朗吉思的建议，我们先回顾早先引用的那一段话。在这些文字中（在《知性生活》中有多种形式的回应）塞汀朗吉思称想要提升对自己所在领域的理解，你就必须系统地处理相关主题，做到“汇聚专注之光”，以发现每一处深藏的真理。换言之，他教导读者：学习需要深度专注。这种观念已经使他领先于时代。塞汀朗吉思反思20世纪20年代的思想生活，发现了关乎如何掌握有认知要求任务的一点事实，而这点事实直到70年后才得到学术界的正式定义。
学术界真正将其规范化的过程始于20世纪70年代，心理学的一个分支——有时被人们称作表现心理学——开始系统地探究哪些因素区分了专家（在很多不同的领域）和其他人。到90年代初期，佛罗里达州立大学教授K.安德斯·艾利克森（K.Anders Ericsson）汇总了所有这些思路，结合了不断累积的研究文献，形成一个清晰的答案，并给出一个很有冲击力的概念：刻意练习（Deliberate Practice）。
艾利克森在该主题上的开创性论文开篇有一个强有力的论断：“我们拒绝接受这些（专家与普通成年人之间的）差异是不可改变的……相反，我们认为专家与普通成年人之间的差异反映的是，为提升某一特定领域的表现穷其一生的刻意努力。”
美国文化尤其钟爱神童一类的故事情节（“你知道这对我来说多么简单吗？！”马特·达蒙在《心灵捕手》中扮演的角色迅速解出困扰世界顶级数学家的问题之后讲出这段广为人知的话）。艾利克森的研究方向现在已经广为世人接受（有质疑[4]），它动摇了这种神话。掌握有认知性要求的任务需要这种特定形式的训练，只有极少的天才是个例。（在这一点上塞汀朗吉思也同样超越了所处的时代，他在《知性生活》中称：“天才之人之所以伟大，只因决心投入一切，全力于一点。”艾利克森也难有更好的表述。）
此时摆在我们面前的问题，就是刻意练习到底有哪些要求。其核心要素通常如下：（1）你的注意力全情投入到某个你希望提升的技能或想要掌握的理念上；（2）你能得到反馈意见，这样你就可以调整自己的方法，保持注意力的投入有最佳产出。第一个要素对于我们的探讨尤为重要，因其强调了刻意练习不能在有干扰的情况下进行，要求在无干扰状态下保持专注。恰如艾利克森所强调的：“注意力涣散基本上与刻意练习要求的聚精会神是相对立的。”（强调的语气是我加入的）
作为心理学家，艾利克森和其他该领域的研究者对于刻意练习为何有效并不感兴趣，他们仅仅是辨识其为一种有效的行为。然而，在其间的10年里，神经科学家一直在探索促使人类在解决难题方面取得进步的科学原理。记者丹尼尔·科伊尔（Daniel Coyle）在他2009年出版的《一万小时天才理论》（The Talent Code）一书中调查发现，越来越多的科学家认为刻意练习有效的原因与髓磷脂相关，它是在神经元周围生长的一层脂肪组织，起到绝缘保护的作用，可保持神经元干净和正常运转。要理解髓磷脂在提升能力方面的作用，首先要记住，不管是智力还是体力方面的技能，最终都要追溯到大脑回路上。这种新的性能科学认为，如果相关神经元周围汇集了更多的髓磷脂，相应的大脑回路就能更轻松有效地运转，你在某方面的技能就会更强。想要在某方面有了不起的成就，就需要有更多髓磷脂的协助。
这种理解为刻意练习的有效性提供了神经学基础。专注于某一项特定技能，就会迫使某一特定大脑回路在隔离的区域不断地燃烧。反复利用同一大脑回路，就能促使少突细胞在这个回路的神经元周围包裹髓磷脂，从而有效地固化这种技能。因此，要想高度专注于当前任务，避免干扰非常重要，因为这是充分隔离相关神经回路、促进髓磷脂鞘形成的唯一途径。与之相对，如果你尝试在注意力涣散的情况下（或许脸谱网的推送消息还开着）学习一种复杂的新技能（比如SQL数据库管理），就会有太多的回路同时进行，你真正希望强化的神经元群只能得到偶尔的隔离。
距塞汀朗吉思第一次写出“让你的头脑成为透镜，汇聚专注之光”的文字之后，一个世纪过去了，我们已经将这种形而上的比喻发展为一种不那么富有诗意的少突细胞解释，这也引出一个必然的结论：想要迅速掌握困难的事物，你必须高度专注，不能有任何干扰。换言之，学习是一种深度工作行为。如果你很容易做到深度工作，就能轻松掌握愈发复杂的体系和技能，这些体系和技能是我们在经济生活中取得成功所必需的。如果你还是一个难以做到深度工作的人，要面对无处不在的干扰，就不应期待轻易掌握这些体系和技能。
深度工作有助于精英级产出的实现
亚当·格兰特（Adam Grant）有着精英级的产出。我在2013年遇见格兰特的时候，他是获得宾夕法尼亚大学沃顿商学院最年轻的教授。一年之后，我开始写作本章时（也正在这时开始思考我自己的教职问题），他的头衔又发生了变化——沃顿商学院最年轻的正教授（full professor）[5]。
格兰特之所以能够在学术界迅速崭露头角，原因很简单：他有产出。2012年，格兰特发表了7篇论文，全部发表于重要期刊。在他所属的领域（在这个领域，教授通常独立开展工作或进行小范围职业合作，但是很少有大批量的学生和博士后协助他们完成研究），这是个高到离谱的数量。2013年，论文数为5篇。这个数量也高得离谱，但还是低于他此前的水准。然而，发表论文数量之所以下降也有其原因，因为这一年他出版了一本名为《沃顿商学院最受欢迎的成功课》（Give and Take）的书，将他在商业人际关系方面的研究推向大众。仅仅说这是一本成功的书已经是对其低估了。这本书最后登上《纽约时报》杂志封面，成为超级畅销书。2014年，格兰特受聘成为正教授时，他已经发表了60多篇同行评审论著，外加这一本畅销书。
与格兰特会面后不久，我心里惦记着自己的学术生涯问题，忍不住问他是如何做到如此高产出的。所幸，他很愿意分享在这方面的心得。原来格兰特深入思考了如何实现精英级产出的机理。他给我发了一系列幻灯片，是他与同领域数位专家参加研讨会时使用的。研讨会聚焦于如何使学术工作达到最佳状态的数据导向观察。这些幻灯片中有详细的每季时间分配饼形图，与共同作者关系发展的流程图，还有一个推荐阅读书单，上面有20多本推荐阅读书籍。这些商学教授没有墨守成规地会将书本知识照章全收，而是偶尔冒出一个了不起的主意。他们将产出看作一种科学问题，需要系统化解决，而亚当·格兰特似乎已经达成了这个目标。