感恩！六点签到
卡尼曼和克莱恩一致认为，经验能否带来专业知识和技能，完全取决于所在的领域。
专业化的练习可以培养更好的国际象棋选手、桥牌选手和消防员，但是在预测金融或政治趋势，或者预测员工或病人表现时却帮不上忙。
在克莱恩所研究的领域中，出自本能的“模式辨认”极其奏效，另一位心理学家罗宾·霍格斯（Robin Hogarth）将这类领域称为“友好型”学习环境。
模式一再重复，反馈极其精确，而且速度够快。
在高尔夫或者国际象棋中，每一球或者每一步都是在既定的范围内按照规则行事，即刻就能看到结果，类似的挑战会重复出现。
当我们在打高尔夫球时，球的落点不是太远就是不够远；球的线路不是左曲球、右曲球，就是直球。球手发现问题，尝试改正，再次击球，如此练习数年。
这也是“刻意练习”的定义——既要遵循一万小时定律，又要尽早开始技术性练习，越早越好。
这种学习环境确实非常友好，因为学习者只要认真参与，努力改善，就能进步。卡尼曼开始注意到这种友好型学习环境的反面——霍格斯称之为“恶劣型”学习环境。
有些领域与高尔夫和国际象棋相反：竞赛规则通常不甚明晰，或者不够完整；重复的模式时有时无，或者不够清楚；而反馈常常滞后，或者不准确，或者两者兼有——这就是学习环境“恶劣”的领域。
在最恶劣的学习环境下，经验往往会反复强化错误的教训。霍格斯记录了纽约一位著名医生的故事：这位内科医师以精确诊断而闻名。
他的专长是诊断伤寒症，而诊断方法也很特别——用手触摸病人的舌头来判断他们是否患有伤寒。
一次又一次，在病人表现出某一种症状前他就做出了阳性的诊断。而一次又一次，他的诊断被证明是正确的。
正如另一位医生后来指出的，“他是比伤寒玛丽③还要可怕的病毒携带者，只用手就能传染给别人”。一次又一次的成功，却给了他最惨痛的教训。
当然了，很少有这般恶劣的学习环境，但是，经验让专业人士行差踏错也是轻而易举。
当专业消防员面临全新的情况，比如摩天大楼火灾，他们会发现自己突然失去了多年来在普通房屋灭火中所培养出的直觉，很可能就做出错误的决定。
时移世易，国际象棋大师也会发现，自己多年积累的经验技巧突然变得老掉牙了。
1997年，IBM的超级计算机“深蓝”（Deep Blue）战胜了加里·卡斯帕罗夫，赢得了自然智能与人工智能的终极之战。
“深蓝”每秒可以运算两亿步棋，但这只是国际象棋步法中的极少部分——国际象棋的排列方式比宇宙中可观测到的原子数量还要多——但也已经足够击败最优秀的人类棋手了。
用卡斯帕罗夫的话说：“现在你手机里的免费国际象棋应用程序，比我还要强大。”他并没有夸大其词。
“人类能做的任何事情，只要我们知道怎么做，机器能比我们做得更好，”卡斯帕罗夫在最近的一场演讲中表示,“只要我们可以编码，再传输到计算机，计算机就能比我们完成得出色。”
尽管输给“深蓝”，卡斯帕罗夫还是获得了宝贵的灵感。在和计算机对弈的过程中，他意识到了人工智能学者所说的“莫拉维克悖论”：机器和人类各自的优势和劣势时常处于对立状态。
有句话是：“国际象棋99%是战术。”所谓战术，就是一系列的连招组合，让棋手可以在棋盘上快速获得优势。
当棋手们在学习各种模式时，他们就是在掌握战术。而国际象棋中的大局意识——如果利用局部战场赢得整个比赛——被称为“战略”。
苏珊·波尔加曾经写道：“如果你擅长战术，你就可以走得更远。”也就是说，掌握了大量的模式——“再加上一些对于战略的基本了解”。
多亏了计算功能，计算机在战术上可以和人类不分伯仲。特级大师可以预测短期的走向，但是计算机做得更好。
卡斯帕罗夫开始好奇，如果计算机超凡的战术计算能力加上人类的战略大局思考，将会如何？
