數學之美 Beauty of Mathematics（第2版）

📌 30 秒摘要（Layer 3｜讀完用自己的話寫一句）

用搜尋、語音辨識、機器翻譯、輸入法等 Google 真實產品當例子，講清楚背後的數學——資訊熵、統計語言模型、餘弦定理、矩陣運算、圖論。但真正的收穫不是這些演算法，而是一套思考問題的方法：追根溯源、化繁為簡、用數學模型與資料統計取代硬寫規則與蠻力。全書貫穿一個信念——「簡單即是美」，好的方法往往是最簡單明瞭的方法。

🗺 心智圖（Canvas）

數學之美

數學之美

💎 簡單即是美

工具-簡單即是美

🎯 什麼情境該想到我

當你「解法越弄越複雜、參數越加越多」，或要在幾個方案間取捨、直覺覺得「正確答案不該這麼繞」的時候。

⚙️ 怎麼用（判準）

1. 先假設正確答案是簡單的：牛頓「簡單性原則」——除非必要，別為現象尋找多餘的原因；培根「美德如寶石，樸素襯托最華麗」。
2. 用「簡單度」當品質訊號：托勒密用 40–60 個小圓套大圓精準預測行星，卻複雜到後人難以求解；開普勒改用「一個橢圓」就描述清楚——形式上更簡單的模型，往往更接近真相。
3. 複雜是警訊而非成就：若你的方案需要一堆特例、補丁、例外說明才成立，通常代表方向或模型不對，該退一步找更簡單的切法，而不是繼續打補丁。
4. 簡單≠簡陋：目標是「最簡單且正確」，不是為省事而犧牲正確；找到那個「一句話就能說清楚」的核心。

註：站內沒有《數學之美》的原書檔。以下補充的公式與數字都可以自己推導或重算（計算以 Python 驗證，2026-09-25），不引用原書頁碼。

★ 為什麼「簡單的模型」更可能對：過度擬合

這條原則有一個可以精確說明的版本：模型越複雜，越能「解釋」任何資料——包括雜訊。

• 10 個資料點，用一條直線（2 個參數）去擬合，會有誤差；用 9 次多項式（10 個參數），可以完美穿過每一個點，誤差為 0。
• 但拿新的資料點來測試，9 次多項式通常錯得離譜——它記住的是這 10 個點的雜訊，不是背後的規律。

托勒密的本輪系統就是這樣：參數夠多，就能貼合任何觀測；但它的「準確」來自不斷加參數，而不是抓到了本質。

判準：一個模型的好壞，要看它預測沒見過的資料的能力，而不是它解釋已知資料的能力。機器學習用「留出測試集」、科學用「可證偽的預測」，做的是同一件事。

★ 在軟體裡辨認「本輪」

症狀	代表
每修一個 bug 就多一個 if 特例	模型沒抓到規律，在逐點擬合
設定檔越來越多參數，而且彼此有交互作用	同上
新需求進來，總要改好幾個地方	抽象的邊界畫錯了

具體例子與「什麼時候該換模型」的判準，見姊妹卡 工具-找對數學模型。

🧪 我實際套用的紀錄

• 2026-07-24：（待填）

⚠️ 注意 / 什麼時候不適用

• 「簡單」是就本質模型而言；別把「省略必要條件」當簡單。愛因斯坦：一切應盡可能簡單，但不能過於簡單。

🔗 相關工具

• 工具-找對數學模型 —— 同一本書的姊妹卡，簡單是判準，找對模型是達成簡單的手段
• 工具-簡單清楚至上 —— 工程版的同一主張，把奧卡姆剃刀落到寫程式這件事上
• 工具-管理複雜度 —— 上位準則，說明為什麼「簡單」值得當成設計的最高目標

托勒密 40 個圓 vs 開普勒 1 個橢圓 正確的數學模型，形式上通常最簡單

「美德就如同華貴的寶石，在樸素的襯托下最顯華麗。」（培根）

🧭 找對模型勝過蠻力

工具-找對數學模型

🎯 什麼情境該想到我

當你「用蠻力硬幹一個問題卻事倍功半」，或不確定「是該繼續調參，還是根本換個方法」的時候。作者花整堂課只講「找對模型」有多重要。

⚙️ 怎麼用（作者的四條結論）

1. 正確的模型在形式上通常是簡單的：若你的模型像托勒密「40 個圓套在一起」那樣複雜到難以求解，多半是模型錯了，該找更簡單的（如換成一個橢圓）。
2. 正確的模型一開始可能還不如「精雕細琢的錯誤模型」準：哥白尼日心說初期誤差比地心說還大；但只要認定大方向是對的，就該堅持下去，別因一時不如舊方法就放棄。
3. 大量準確的資料很重要：開普勒能發現橢圓軌道，靠的是第谷留下的大量精確觀測資料。
4. 模型遇到雜訊而失準時，別用湊合的修正去打補丁，要找雜訊的根源——這往往通往重大發現（天王星軌道異常，順著找根源就發現了海王星）。

★ 套用到軟體工程：「本輪」的症狀

托勒密的地心說為了貼合觀測，在圓上一層一層加本輪，最後疊到 40 多個圓。軟體裡也有同樣的現象——模型選錯了，就只能不停打補丁。辨認的訊號：

症狀	代表
同一個模組的 bug 修了又出現變形版本	修的是症狀，模型本身不對
程式碼裡越來越多 if 特殊情況	每個特例都是一個本輪
沒人能用一句話說清楚「這個系統怎麼運作」	模型已經複雜到無法被理解
修一個 bug 會引發另一個 bug	補丁之間互相牽制

★ 三個「換模型」的真實例子

錯的模型	補丁長什麼樣	對的模型
金額用浮點數	到處加 round()、比較時用 abs(a-b) < 0.001、對帳時總差幾分錢	用最小單位的整數（分、satoshi）或十進位型別；補丁全部消失
時間存「當地時間字串」	夏令時轉換時重複或跳過一小時、跨時區比較出錯、到處加時區換算	存 UTC 時間點 + 另存使用者的時區名稱（如 Asia/Taipei，而不是固定的 +08:00）；只在顯示時轉換
快取用固定的過期時間	過期時間越調越短（資料太舊）又越調越長（資料庫撐不住），一直在兩者之間擺盪	改成資料變更時主動失效（事件驅動）；過期時間只當保險

共通點：對的模型在形式上更簡單，這正是書中第一條結論。花在調參數（調過期時間、調容差）上的時間，常常是在替錯的模型加本輪。

★ 什麼時候該換模型、什麼時候該繼續調

繼續調參數	該換模型
調整讓結果穩定地越來越好	調整讓一個問題變好、另一個問題變糟
例外情況越來越少	例外情況越來越多
能解釋為什麼某個參數值比較好	參數值只是「試出來剛好能用」

書的第二條結論也提醒：新模型一開始可能比精雕細琢的舊模型表現更差。換模型時要預期一段過渡期，用明確的指標（錯誤率、補丁數量、事故數）判斷方向對不對，而不是看第一週的結果。

🧪 我實際套用的紀錄

• 2026-07-24：（待填）

⚠️ 注意 / 什麼時候不適用

• 「堅持大方向」的前提是你有理由相信方向對；不是固執己見。判斷方向對錯，看它是否更簡單、更能解釋現有資料、能否舉一反三。

🔗 相關工具

• 工具-簡單即是美 —— 選模型的判準，繞得越少的模型通常越接近本質
• 工具-用資訊消除不確定性 —— 配套量尺，模型好不好用資訊量來衡量而非直覺
• 工具-區分修復與掩蓋症狀 —— 同一心態的工程版，別在錯的模型上一直調參數

工具-追根溯源

🎯 什麼情境該想到我

當你「只會照著公式/流程操作，卻不懂為什麼這樣做」，或想真正學到一個領域高手的思路、而不只是結論的時候。

⚙️ 怎麼用

1. 對每個巧妙的方法問三個問題：提出它的人是誰？為什麼是「他/她」想到的？其思維方法有什麼特點？成為大師有偶然性，但更有必然性——必然性就是他們的思維方法。
2. 追到最根本的源頭：不停在「怎麼做」，往回追到「這個想法從哪來、要解決什麼原始問題」。理解本質後，看似不同的問題常能用同一個模型解決（人類語言上千種，處理它們的數學模型卻相同或相似）。
3. 學思維方法，而非背結論：作者刻意花大量篇幅寫科學家的日常與成功原因——因為可遷移的是他們「化繁為簡、追根究柢」的方法，不是某條具體公式。
4. 反向自檢：你能不能講出這個方法「為什麼對、為什麼是這個而不是別的」？講不出，代表還停在表層，值得再往下挖。

註：站內沒有《數學之美》的原書檔。以下補充的公式與數字都可以自己推導或重算（計算以 Python 驗證，2026-09-25），不引用原書頁碼。

★ 套用到工程學習：讀「為什麼」，不只讀「怎麼做」

很多技術的價值在於它當初要解決的問題。只學用法，換一個情境就不會用；追到根，就能判斷什麼時候該用、什麼時候不該用。

技術	只學「怎麼做」	追到根
資料庫索引	查詢慢就加索引	磁碟隨機讀取很慢 → 用樹狀結構把 O(n) 掃描變成 O(log n) 次讀取 → 所以寫入要付出維護索引的代價，寫多讀少的表加索引可能反而變慢
Go 的 context	函式第一個參數放 ctx	要在一個請求的所有 goroutine 之間傳遞取消訊號與截止時間 → 所以不該把 ctx 存在 struct 裡、不該拿它傳業務參數
微服務	大系統就拆服務	要讓不同團隊能獨立部署 → 所以一個團隊的小系統拆成微服務，只有成本沒有收益

方法：讀一項技術時，找它的原始論文、設計文件、提案（proposal）。Go 的每個重要語言特性都有公開的設計提案，記錄了當時考慮過、但被否決的其他方案——那是「為什麼是這個而不是別的」的最佳答案。

★ 「追到底了沒」的自我檢查

能回答以下三個問題，才算追到根：

1. 這個方法要解決的原始問題是什麼？
2. 在它出現之前，大家怎麼做？有什麼問題？
3. 它的代價是什麼？什麼情況下它不適用？

第 3 題最常被跳過——但正是它決定了你什麼時候不該用這個方法。

🧪 我實際套用的紀錄

• 2026-07-24：（待填）

⚠️ 注意 / 什麼時候不適用

• 追根溯源要花時間；日常瑣事不必事事挖到底。用在你想真正精通、或反覆會用到的核心問題上，投報率最高。

🔗 相關工具

• 工具-找對數學模型 —— 追到根之後的收穫，看懂高手為什麼選這個模型而不是硬調參數
• 工具-簡單即是美 —— 判斷追到底了沒的訊號，真正的本質通常長得很簡單
• 工具-多元思維模型 —— 跨書呼應，蒙格版的同一主張：學原理而非背結論
• 打破砂鍋問到底 —— 《45 個習慣》的同一主張：不停問為什麼，直到明白問題的根源

大方向對就該堅持 哥白尼日心說初期誤差更大，但模型方向是對的； 發現海王星靠找雜訊的根源，而非湊合修正

📊 資訊＝消除不確定性

工具-用資訊消除不確定性

🎯 什麼情境該想到我

當你面對一個「很不確定、抓不準」的問題，手上資料一大堆卻越看越亂、算不出答案的時候。核心洞見：資訊量＝不確定性的多少（資訊熵 H = -Σp·log p）。

⚙️ 怎麼用

1. 先估「不確定性有多大」：要搞清楚的事越模糊、可能性越多，需要引入的資訊就越多（世界盃 32 強誰奪冠＝5 位元的資訊）。
2. 靠「引入相關資訊」把它消掉，而不是玩公式：不確定性 U，引入資訊 I，剩下 U’ = U − I；只有 I 夠大、且與問題相關，才能真正消除不確定性。（二戰佐爾格一則「日本將南下」的 1 位元情報，價值抵過千軍萬馬。）
3. 資訊不夠時，去「找更多相關資訊」：可以是直接關於目標的，也可以是與它相關的其他線索（相關資訊也能降低不確定性）。
4. 別做最糟的事——引入人為假設：在既有資料上硬套公式、憑主觀臆斷，等於「蒙」，結果只會更糟。沒有新資訊，任何公式都消不掉不確定性。

註：站內沒有《數學之美》的原書檔。以下補充的公式與數字都可以自己推導或重算（計算以 Python 驗證，2026-09-25），不引用原書頁碼。

★ 資訊熵怎麼算：兩個例子

$H(X)=-{\sum }_i{p}_i{\log }_2{p}_i\text{（單位：位元）}$

例 1：世界盃 32 強誰奪冠

• 每隊機率相同（1/32）：$H={\log }_{2}32=5$ 位元——也就是最多問 5 個「是／否」問題（每次把候選砍半）就能知道答案。
• 機率不同時熵會變小：假設 4 支強隊各有 15%、其餘 28 隊平分 40%，算出來 $H\approx 4.09$ 位元。你已經知道的事（誰比較強），本身就是資訊。

例 2：硬幣

• 公平硬幣：1 位元。
• 九成正面的硬幣：$H=-(0.9{\log }_{2}0.9+0.1{\log }_{2}0.1)\approx 0.47$ 位元——結果幾乎猜得到，所以告訴你結果帶來的資訊很少。

直覺：熵量的是「你還有多不確定」。越平均、越猜不到，熵越高。

★ 「猜數字」與二分搜尋：資訊量決定最少步數

猜一個 1～100 的數字，每次只能問「比 X 大嗎？」，最少要幾次？每個問題最多帶來 1 位元資訊，而總共要消除 ${\log }_{2}100\approx 6.64$ 位元，所以至少 7 次——二分搜尋剛好達到這個下限。

推論：一個好問題，是讓兩種答案機率盡量接近的問題。問「是 37 嗎？」只有 1% 的機會帶來大量資訊，平均帶來的資訊遠少於 1 位元。

★ 套用到除錯：選「最能分開假設」的實驗

除錯就是在消除「bug 在哪裡」的不確定性。設 bug 在模組 A 或 B 的機率各半（1 位元的不確定性），你有一個測試：

• bug 在 A 時，測試有 90% 會失敗；bug 在 B 時，只有 20% 會失敗。
• 跑完這個測試後，剩下的不確定性 $H(X|Y)\approx 0.60$ 位元 → 這個測試平均帶來約 0.40 位元的資訊。
• 如果有一個測試能完全區分 A 和 B（A 必失敗、B 必通過），它帶來整整 1 位元——一次就解決。

實務判準：下一步要做什麼實驗？選那個「不同假設下結果差異最大」的。git bisect 每次選正中間的 commit，就是在最大化每一步的資訊量（見 工具-系統化除錯）。

★ 一個重要的數學性質：平均而言，資訊不會讓你更不確定

$H(X|Y)\le H(X)$——知道 Y 之後，對 X 的不確定性平均不會增加（等號只在 X 與 Y 無關時成立）。這就是卡片第 3 條「相關資訊也能降低不確定性」的數學版本。但注意是「平均」：某一個特定的觀察結果，可能讓你暫時更困惑。

🧪 我實際套用的紀錄

• 2026-07-24：（待填）

⚠️ 注意 / 什麼時候不適用

• 關鍵是資訊要「相關」；引入一堆無關資訊（德軍在北非的動向）解決不了你真正的問題（日本的意圖）。先問：這條資訊跟我要判斷的事有關嗎？

• 熵只量「不確定性」，不量「重要性」：一條只有 1 位元、但決定生死的情報（卡片中佐爾格的例子），和 1 位元的閒聊資訊量相同。資訊理論告訴你不確定性減少了多少，判斷值不值得減少要靠別的標準。

🔗 相關工具

• 工具-用度量取代模糊判斷（用互資訊量化「相關」）、工具-找對數學模型、工具-從規則到統計

資訊熵 H = -Σ p·log p 引入相關資訊才能消除不確定性，玩公式沒用

🔄 從規則到統計

工具-從規則到統計

🎯 什麼情境該想到我

當你「靠一條條寫死的規則去處理複雜、充滿例外的問題，規則越加越多卻還是漏洞百出」，或在「規則 vs 資料驅動」之間猶豫的時候。

⚙️ 怎麼用（思路轉換）

1. 警覺「規則爆炸」：想用文法規則覆蓋 20% 的真實語句就要幾萬條，越寫越多、還會互相矛盾；每多一個新情況就得再補規則——這是硬寫規則的死路。
2. 改用資料統計學規律：與其窮舉規則，不如從大量資料中用統計方法歸納。自然語言處理改走統計路線後，語音辨識準確率從 70% 躍升到 90%、詞彙量從幾百升到幾萬，才真正能用。
3. 別當「鳥飛派」：看鳥怎麼飛就想造飛機（模仿表象），不如掌握背後的空氣動力學（原理）。萊特兄弟靠的是空氣動力學，不是仿生。面對問題要抓背後可統計、可計算的規律，而非表面模仿。
4. 前提是要有資料與算力：統計方法的威力隨資料量與算力增長而釋放——先確認你能取得足夠且有代表性的資料。

★ 套用到軟體工程：垃圾郵件過濾的轉折

一個經典的工程例子：早期的垃圾郵件過濾器靠人寫規則（標題含「免費」加 2 分、寄件者不在通訊錄加 1 分……）。規則越寫越多，垃圾郵件發送者也越來越會繞過規則。2002 年 Paul Graham 在〈A Plan for Spam〉一文中提出用貝氏統計：從使用者已經標記的郵件中，自動學出每個詞出現在垃圾郵件與正常郵件中的機率。規則不再由人寫，而是從資料中算出來——而且使用者每標記一封信，過濾器就自動更新。

這和書中的自然語言處理故事是同一個轉折：例外多到規則寫不完時，讓資料說話。

★ 今天的三條路：規則、統計模型、大型語言模型

	寫死的規則	傳統統計／機器學習	大型語言模型
需要的資料	不需要	大量有標記的資料	少量範例（寫在提示中）就能開始
可解釋性	最高：每個判斷都能指出是哪條規則	中等	最低
例外處理	每個例外都要人工加規則	資料中有的例外會自動學到	常常能處理沒見過的情況
成本	開發與維護的人力	標記資料、訓練、監控	每次呼叫的費用與延遲
失效方式	遇到沒想到的情況直接錯	資料分布改變時悄悄變差	偶爾產生看似合理但錯誤的輸出

★ 實務上最常見的是混合

• 規則當護欄，統計當核心：例如詐騙偵測，統計模型給風險分數，但「單筆超過某金額一律人工審核」這種硬規則仍然保留——它們代表的是業務政策，不是預測。
• 先用規則上線，同時蒐集資料：規則系統的判斷結果和人工修正，正好成為之後訓練模型的標記資料。
• 統計模型要持續監控：資料分布會隨時間改變（使用者行為、季節、對手的策略），模型會在沒有任何錯誤訊息的情況下慢慢變差。要定期用新的標記資料重新評估。

★ 判斷該走哪一條

1. 規則能用十幾條寫完、而且很少變嗎？ → 用規則。清楚、便宜、可稽核。
2. 例外多到寫不完，而且有（或能蒐集到）大量標記資料？ → 統計模型。
3. 例外多、資料少、任務需要理解語言？ → 大型語言模型，但要建評估集（見 工具-AI系統評估）。
4. 判斷錯誤的後果很嚴重嗎？ → 不論用哪條路，都要保留人工覆核或硬規則當最後防線。

🧪 我實際套用的紀錄

• 2026-07-24：（待填）

⚠️ 注意 / 什麼時候不適用

• 資料太少、或問題本身有明確少量規則（如象棋規則）時，硬套統計未必划算。判準：情況的「例外」是否多到規則寫不完。

🔗 相關工具

• 工具-用資訊消除不確定性 —— 說明統計路線為何有效：資訊量就是消掉的不確定性，也給你「資料夠不夠」的量尺
• 工具-找對數學模型 —— 放棄硬寫規則之後的下一題：與其繼續調參，不如換個模型，這張講怎麼挑
• 工具-用度量取代模糊判斷 —— 把「相關 / 相似 / 重要」這種模糊判斷變成可計算的度量，是規則轉統計最具體的操作

鳥飛派 vs 統計派 硬寫文法規則覆蓋 20% 語句就要幾萬條、還互相矛盾； 改用統計＋資料後語音辨識 70% → 90%

📐 把模糊變可計算

工具-用度量取代模糊判斷

🎯 什麼情境該想到我

當你想比較「兩個東西像不像、有沒有關係」，卻只能憑感覺說「應該有關」，缺乏客觀標準的時候。作者反覆示範：把模糊的「相關/相似/重要」變成一個可計算的度量。

⚙️ 怎麼用（把形容詞變成數字）

1. 先承認「有關係」太模糊：「A 和 B 有關係」不科學，要問「相關性到底有多大」，才能拿來排序、分類、決策。
2. 選一個合適的度量把它算出來，本書的三個範例：
   • 相關性 → 互資訊：I(X;Y) = H(X) − H(X|Y)，即「知道 Y 後，對 X 消除的不確定性」；只要有資料就好算，值越大越相關（0＝無關）。
   • 相似性 → 餘弦定理：把物件表示成特徵向量，用夾角餘弦衡量兩者方向有多接近（新聞分類就這麼做）。
   • 重要性 → TF-IDF：用詞頻 × 逆文件頻率度量一個關鍵詞對一篇文件有多重要。
3. 用數字做決策：有了可比較的度量，「哪個更相關/更相似/更重要」就從爭論變成排序，能自動化、能複現。

註：站內沒有《數學之美》的原書檔。以下補充的公式與數字都可以自己推導或重算（計算以 Python 驗證，2026-09-25），不引用原書頁碼。

★ 走一遍：用 TF-IDF + 餘弦判斷三篇文件的相似度

三篇極短的「文件」：

1. go channel goroutine channel
2. go goroutine scheduler
3. kafka consumer partition consumer

TF-IDF：TF = 詞在這篇出現的比例；IDF = $\ln (N/\text{出現該詞的文件數})$。算出來（N = 3）：

文件	權重
1	channel 0.549、go 0.101、goroutine 0.101
2	scheduler 0.366、go 0.135、goroutine 0.135
3	consumer 0.549、kafka 0.275、partition 0.275

觀察：go 出現在兩篇文件中，IDF 較低，所以權重小；channel 只出現在一篇、而且出現兩次，權重最高——越稀有、越集中的詞越能代表這篇文件。

餘弦相似度（向量夾角的 cos，1 = 方向相同、0 = 完全無關）：

	相似度
文件 1 vs 2	0.117（共享 go、goroutine）
文件 1 vs 3	0.000
文件 2 vs 3	0.000

「這兩篇好像都在講 Go」這個模糊判斷，變成了一個可以排序、可以設門檻的數字。

★ 互資訊：「有多相關」的精確定義

$I(X;Y)=H(X)-H(X|Y)$

讀法：知道 Y 之後，X 的不確定性少了多少。0 = 完全無關；等於 $H(X)$ = 知道 Y 就完全知道 X。

它比相關係數更通用：相關係數只抓線性關係，互資訊能抓任何形式的依賴。例子見 工具-用資訊消除不確定性 的除錯實驗（一個測試對「bug 在哪裡」的互資訊約 0.40 位元）。

★ 工程上的同一個動作：把「感覺」變成指標

模糊的說法	可計算的度量
「這個服務最近好像變慢了」	p50／p95／p99 延遲的時間序列
「這兩個錯誤應該有關」	兩者同時出現的條件機率、或時間上的相關性
「這段程式碼很複雜」	圈複雜度、認知複雜度（見 工具-管理複雜度）
「這個搜尋結果不太準」	評估集上的 precision／recall／NDCG

🧪 我實際套用的紀錄

• 2026-07-24：（待填）

⚠️ 注意 / 什麼時候不適用

• 度量的好壞取決於「特徵選得對不對」；量化不是萬能，選錯特徵，再精密的公式也沒意義（先想清楚要度量什麼）。

• 度量會被最佳化：一旦把某個度量當成目標，人（或模型）就會去最佳化度量本身，而不是它原本代表的東西（見 誘因扭曲）。TF-IDF 就曾被網頁作者用關鍵字堆砌來操縱。

🔗 相關工具

• 工具-用資訊消除不確定性 —— 理論基礎，度量之所以有效是因為它在消除不確定性
• 工具-找對數學模型 —— 前一步，度量之前要先選對模型，否則量的是錯的東西

三個度量 互資訊量「相關性」、餘弦定理量「相似性」、 TF-IDF 量關鍵詞權重

Link to original

🧰 這本書給我的工具（連到 tools/ 工具卡）

• 工具-簡單即是美 — 方法越弄越複雜、想找最簡潔正確的解法時
• 工具-找對數學模型 — 硬解問題事倍功半、想換個對的框架時
• 工具-用資訊消除不確定性 — 問題一團迷霧、資料很多卻算不出答案時
• 工具-從規則到統計 — 規則越寫越多還是有例外、該不該改用資料驅動時
• 工具-用度量取代模糊判斷 — 想把「相關/相似」從憑感覺變成可計算時
• 工具-追根溯源 — 想學會高手的思路、只會套公式不懂本質時

✨ 關鍵重點（Layer 1–2｜高亮遞進）

• 簡單即是美：牛頓「簡單性原則」、培根「美德如寶石，樸素襯托最華麗」；正確的數學模型形式上通常最簡單（托勒密 40 個圓 vs 開普勒 1 個橢圓）。
• 找對模型勝過蠻力：托勒密用小圓套大圓精度極高卻極複雜；哥白尼日心說一開始誤差反而更大，但大方向對就該堅持；發現海王星靠「找雜訊的根源」而非湊合修正。
• 資訊＝消除不確定性：資訊量等於不確定性的多少（資訊熵 H = -Σp·log p）；引入相關資訊才能消除不確定性，靠玩公式與假設沒用。
• 從規則到統計：早期「鳥飛派」想讓機器像人一樣理解語言，硬寫文法規則覆蓋 20% 語句就要幾萬條、還會互相矛盾；改用統計＋資料後語音辨識從 70% 躍升到 90%。
• 把模糊變可計算：用互資訊度量「相關性」、用餘弦定理度量「相似性」、用 TF-IDF 度量關鍵詞權重——別停在「有關係」這種不科學的說法。

💬 金句原文（Layer 0｜讀時貼進來）

• 「美德就如同華貴的寶石，在樸素的襯托下最顯華麗。」（培根，作者用來說「簡單即是美」）
• 「（凱恩斯…）把一件簡單的事情搞得極其複雜。」— 對照本書：好方法應該簡單。
• 「資訊是消除系統不確定性的唯一辦法。」
• 「合理利用資訊，而不是玩弄公式和機器學習演算法，才是做好搜尋的關鍵。」

🔗 相關

• 工具-簡單清楚至上（《程式設計實務》）——「簡單即是美」在寫程式上的對應：清楚勝於巧妙
• 工具-管理複雜度（《程式碼大全》）——化繁為簡的工程版本
• 工具-多元思維模型（《窮查理的普通常識》）——同樣強調用對的模型思考問題