在人生这个实验里，自己就是一个算法模型。
一、线性算法
一开始人的内部有个会自学习的自适应学习算法，可以认为是底层基因的植入。是一种可以学习改良自身算法的算法。绕一点说也是能学习怎么学习的一种能力。
生下来后的婴儿阶段，算法库里没有任何数据与模型参数。婴儿生下来后的一声哭啼，开启了信息采集的步伐。父母的喜悦笑声、家里人的家常对话，一组组信息源形成的训练集输入了婴儿冷启动的简易模型。
这个模型或许一开始是线性的。有人指着他爸爸说“爸爸”，他就把这个男人的图片标记为“爸爸”这个标签。对应的慢慢知道了有“妈妈”、“饭饭”、“狗狗”、“猫猫”等等图像。当然少不了一开始图像识别的算法存在准确率的问题，有时会把爸爸叫做“妈妈”，把狗狗叫成“猫猫”，这时候大人往往会及时纠正。这相当开始有了监督标签，给你的判断算法纠错。
随着测试数据的实验的逐步增加，只要有图像，然后外界告诉他这个图像对应的标签。那慢慢地，小孩就形成了对周围能接触到的足够多次的物品的认知。开始拥有了自己的数据库，这里的东西叫做信息；
这时候的算法是一条线，事物是一对一的。单纯而简约。
二、非线性算法
慢慢地，小孩从认识物品，开始走向了认识事物间的联系的过程。知道饿了要喝奶，这是一个觅食的动作；知道爸爸可以抱你，给你带来安全感；知道按下家里的各种开关，灯会亮、风扇会开、电视会有影像等等。这时候事物不再是独立的，两个或者多个事物是通过一定媒介可以互动关联起来。关系可以是线性的，也可以是各种非线性的响应。这是在原有数据库独立点间建立一定的数据连接方式。
这时候，底层的元认知慢慢迭代算法模型以适应外界信息的输入与输出。这个阶段的不再只关注信息的输入，而更趋向于在意信息输入后与现有知识体系认识建立关联。
对于无法关联的，甚至会重新开辟一个空间，给这部分信息慢慢积累内容与关联。这类似之前一直待在房子内没出去过的孩子只认识房间内的场景。第一次走出家门后，路上跑的汽车、天上飞的小鸟、水里游的小鱼，这一切都在自己原有体系中找不到对应映射分类、或者可以关联的东西。于是乎只能建立一个新的空间叫“外面的世界”，并把这些东西放进去。
在自己的认知库里找到位置给这些事物合适的位置放，再从现有的其他概念中引条线把概念“绑住”，与现有概念绑地越紧固，这个新东西才会内化为自己的一部分。这就是为什么“联想”在学习中非常重要，这就是为什么学一样新东西需要多用多想。在用于想中，实际上就是引出更多的线将新事物一层层绑紧在自己的认知架构上。
这时候的算法，是一个平面网。网上各种点用错综复杂的关系链及权重连接起来。人的世界观倒不如说是一个世界网，网上有或粗或细、或直或曲的线。而人在迭代过程更多的是自己去调节各个链接之间的权重关系，以达到外界的输入与结果，符合自我的预期，从而对下一时刻的人生做出合适的预判。
三、高阶算法
更高阶的算法，不单纯是上面一直说的调整链接的过程。要从信息获取、数据储存、算法自适应乃至调整底层认知方面优化。
- 储存数据的方式对不对，是否有可以优化的数据结构
- 表之间数据连接是否高效简洁，可以优化处理数据的逻辑效率
- 信息提取后算法是否准确，对外界的判断、执行以及反馈是否符合预期。
- 算法能否自我学习……
除了基础的调整，更重要的是自我学习？这里的自我学习并不是说自己不学习了，就能自动地进化。幻想不工作就能得到工作经验的想法是不可能存在的。这里说的自我学习，是指学习如何学习的能力。
诚然，我们很多人的学习方式可能就只有一种方式。就如那个网，点与点的学习可能都是直直一条线过去，整个网络错落着无数直线。而牛人的学习方法各种各样，有直线、有指数函数、有正弦余弦函数、有的点之间的连接还可能是多种函数组合，或者直接是一个庞大的神经网络。更上一层的人网络是立体的，思维上的升维使得思维空间极大地扩展了。
如此繁乱的算法模式，对应不同的场景该如何选？这就是自学习的高级之处。类似机器学习，会自主挖掘在海量的数据下的事物规律，但要他给个显示映射的解释出来，又貌似给不出。非解释性，似乎是机器学习更深层次的劣势，还是优势？所谓劣势是因为人类需要有个“更科学”的解释，也是需要有显示具象的映射，没有这一层又让人似乎心有不安。而说优势，是因为可表现解释的东西似乎已经已经被旧技术占领，而关键是可解释性已经是他们性能的极限了。因而需要非解释性的东西掺和进来。
这样的自主特性像不像平时说的：经验，或者说是知觉！在大量的经历中积累经验后，根据经验选择适当的方式。而且对于一些经验丰富的人，你叫他有个明确的解释，也不一定能完整描述。这就类似机器学习下大量的数据导入以及训练后得出的一定程度不可解释性的预测过程一样。
越高阶的人，其经验越像是一门玄学，道理一样。
四、总
人生就是一个在不断学习如何学习的过程。人生就是一个外界进行信息输入后，人通过自己算法后给出响应的过程。人自身的算法的优劣直接关系一生的质量。你可以自己调整参数、学习新的算法模型、乃至经历足够多的事与尝试做更多的思考，使得自己的深度学习算法从底层帮你自主学习与迭代。
思考必不可少，但对大多数普通人来说，除了思考更重要地是在经历中迭代自己的思考模型、更替自己的元认知。而人的最重要优势，无非就是核心算法。当算法迭代到足够优的时候，只要重复不同的做输出与调校，成就就只是时间的问题。
找一件自己能坚持觉得有用的事情坚持下去，重复坚持强化。如果我们不能在人生方方面面的算法都迭代得很好，那选择一个领域重点迭代无意说是最好的选择。类似滚雪球，终有一天，我们将看到结果。
都说岁月不饶人，我们倒要说：我亦未曾饶过岁月！
