一个最普遍的创造方法，就是“想法的连接”。而想法连接式的创新模式比我们想象的还要重要得多。可能遥远的想法比你手里的东西还有用。可能外行比专家还厉害。可能这是一个多面手当道的时代。
有人说丹尼尔·卡尼曼的《思考，快与慢》提到的有些实验，是不可重复的。可能现在你看那本书的感觉，就如同读过《三国志》以后回头再读《三国演义》 —— 原来“真实”情况没有那么有意思啊！
但是，《三国演义》可比《三国志》有用多了。看《三国志》的人可以获得学术声望，看《三国演义》的人却能解决大问题。
视频网站Netflix曾经搞过一个竞赛，悬赏100万美元，给第一个能把它的电影推荐引擎的准确度提高10%的团队。
两万多个队伍参赛。最后排名第十七的这个队伍，只有父女两人，女儿只提供数学支持，父亲也没有太多专业背景。这个人叫加文·波特（Gavin Potter），他是卡尼曼的粉丝。
当年在大学的时候，波特听说过卡尼曼的一个思想。卡尼曼说如果在一个人做预测或者判断一个数值的时候，给他事先看一个比较大或者比较小的数字，那么他的判断也会是一个比较大或者比较小的数字。这个人明知道给他看的数字跟他要判断的项目没有任何关系，还是会受到那个数字的影响。
这个现象，在心理学上叫“锚定效应”。有人做实验，让受试者先写下自己的生日，然后判断一瓶红酒的价格 —— 结果生日数字比较大的人，给红酒的估价也比较高。这个实验是意料之外但又是情理之中 — 可惜后来有人发现，实验结果无法重复。
所以波特先生听说的那个心理学结论未必靠谱。但是波特先生有一个洞见。
波特设想，如果一个人连续在Netflix上看两部电影，如果第一部电影他很不喜欢，那么这种心情就可能会影响他，让他也给第二部电影一个过低的评分。反过来，如果他非常喜欢第一部电影，那就可能给第二部电影一个过高的评分。在那一刻，他自己并不是他真实的自己！那么当你使用他的评分数据的时候，就应该考虑到这一点，调整他给第二个电影的打分。
凭这一点，波特最后把推荐引擎的准确度提高了9.06%。
卡尼曼说的不一定对，可是波特说对了。波特在之前Netflix搞的一次交流会上，把这个思想分享给了其他的队伍，最后获得第一的队伍实际上也使用了这个思想。
这件事非常有意思。波特是个外行，他真正的优势既不是编程技术，也不是自己以前的专业，而居然是他早年从卡尼曼那里学来的一个不靠谱的心理学知识。
这就叫神来之笔 —— 非常遥远的两个东西，通过一个非常规的渠道，连接在一起，把问题解决了。
事实上，外行解决问题是一个非常普遍的现象。那么技能和眼界单一的专家们，就得有点紧迫感了。
什么时候“练习”最有用
成为专家的办法，是“刻意练习”。本来刻意练习强调的是练习的方法，可是格拉德威尔一本畅销书《异类》的影响力实在太大，现在人们都认为练习的关键是时间长短 —— 你要练习一万个小时，才能成为专家。
可是练习时间长短，和实际工作表现之间，到底有多大联系呢？有一个“荟萃分析（meta analysis）”，把几十个研究放在一起分析结论。结论有两个。
第一，有严格固定规则的领域，练习的作用最大；没有严格规则的领域，练习的作用非常有限。
比如国际象棋就有非常严格的规则，在国际象棋的领域内，一个人的总练习时间能够解释他26%的表现。在音乐领域，练习时间长短能解释21%的表现；在体育中，练习时间能解释18%的表现。剩下的可能是天赋和临场发挥水平之类，也许还包含偶然因素。
而教育、编程、航空飞行这些更常见的职业，往往不像体育比赛那样有什么固定规则，发挥更加复杂，一个人的练习时间，居然只能解释不到10%的表现。
第二，环境局面越是可控和可预测的，练习的作用越大；局面如果是复杂多变、不可预测的，练习的作用就很小。综合统计，在那些最可预测的环境里，练习能解释24%的表现。在最不可预测的环境中，练习能够解释的因素只有4%。
练习其实就是练习套路。真实世界里的工作套路并不固定，高水平工作要求你能临场发挥，要求你借鉴不同领域的见识，那只靠年轻时候的刻意练习，当一个方面的专家就远远不够了。
二十一世纪什么人才最贵？
答案当然是天才最贵。天赋无法复制，可遇不可求，是最稀缺的资源。
那什么人才是第二贵的？答案是多面手。
今天社会的分工越来越细，需要很多专才，教育系统培养的也是专才，可是真正值钱的却是通才。尤其是领导职位，比如一个公司的CEO，就应该在各个领域都有所涉猎才行。
有人调查了4500名CEO的履历表，发现他们总共从事过超过三万五千个不同的职位。研究者就考察这些CEO之前从事过职业的多样化程度，来判断这个人是“专才”还是“通才”。结果是“通才”更受欢迎。
“通才式CEO”的平均工资，比“专才式CEO”高出19% —— 相当于每年多100万美元。
如果是特别复杂的业务，比如涉及到公司合并、收购之类的技能的话，通才的工资甚至比专才高出了44%。
有个本科读经济的学生考去地理学院读研究生，一开始根本没有老师愿意带，因为这家伙一点地理学基础都没有，一年之后，这家伙发的paper超过了所有本科地理出身的学生。然后就有地理学出身的学生向他取经，打开他的论文一看，根本学不来，因为他论文里那些经济学模型在地理系学生看来“数学程度太高深了”。那家伙暗自笑话他们：这些都是很基础的模型，我会告诉你们我是因为数学太差才从经济系转到地理系来的吗？这个学生快速成长的原因是什么？
作为个体，怎样快速成长？刻意练习？刻意练习的局限已经很清楚了，只能在某一特定领域解决知识的深度问题，至于有些领域如没有严格规则或情况复杂多变，连练习的深度问题都不能很好解决，更不要提知识的广度——“多维”了。而上面故事的答案恰恰是“多维”。
如何拥抱“多维”？在各学科快速学习中不断积累和成长，对内打造乐高式组合能力，即多维跨界能力，对外要经常处在超链接上，其实就是塔勒布说的，“反脆弱”的“意外”和“震动”。杀不死你的让你更强大，在“反脆弱”中不断快速更新认知、思维、概念和价值观引导下的方法论。
有一只猫，猛追一只老鼠，老鼠走投无路，情急之下，转身大叫：“汪！汪！汪！”猫吓得扭身飞奔而去。老鼠对其他躲在洞里的同类们说，多学会一种语言才能走的远啊。
说到底，现代人竞争有两种朝向，一是深度，二是广度。因为普通人只想走得快，不会考虑如何才能走得远。
他们并不理解，深度决定了一个人能走多快，而广度才决定了一个人能走多远。
