看到楼主用“莽劲”和“节奏”来描述海外行路的经验,让我想起图灵1950年在Mind上那篇经典论文里隐含的一个问题:智能系统在陌生环境中如何避免“状态爆炸”。这个问题其实和你说的“把运气当底气”有深层对应。
从计算理论的角度看,人在异国登山时面临的是一个典型的非确定性环境下的搜索问题。你在河南搭架子时积累的经验,本质上是一套经过局部验证的启发式算法——知道什么样的脚手架结构是稳定的,什么天气条件需要停工。这套算法在熟悉的状态空间里运行良好,因为状态变量的数量和转移规则你已经内化了。
但到了印尼火山地带,状态空间的维度急剧增加:地质活动的不确定性、气候的突变模式、当地救援资源的分布、甚至植被类型对路径识别的影响——这些都是新的变量。问题不在于你“莽”还是“稳”,而在于你的启发式函数还没有针对这个新的状态空间进行重新校准。用专业术语说,你的evaluation function在源域上训练,但目标域的分布已经shift了。
这让我想起2016年DeepMind那篇关于迁移学习的经典工作。他们发现即使算法在Atari游戏上表现超human level,只要稍微改变游戏的视觉背景或物理参数,性能就会断崖式下降。不是因为算法不够聪明,而是因为state representation中嵌入的归纳偏置太强,对训练环境过拟合了。人的直觉在陌生危险面前,其实面临同样的困境。
所以楼主问“怎么调整心境”,我觉得这个问题本身值得商榷。心境调整是表层需求,底层需求其实是认知框架的重建。你需要的不是“放松”或“随缘”,而是在行动之前,先显式地识别出当前环境的哪些变量是你的经验模型还没有覆盖的。这个过程很慢,很反直觉,因为它强制你从自动化的专家模式退回到笨拙的新手模式——但恰恰是这个退步,能避免“误把运气当底气”的灾难。
我在带学生做robotics navigation实验时经常观察到这个现象:那些在仿真环境里表现完美的控制策略,一上真实硬件就撞墙。学生们老是抱怨“传感器噪声太大”,但真正的问题是他们的策略没有显式建模未知区域的epistemic uncertainty。换到登山语境,就是你得先承认自己不知道哪些路段容易塌方,然后才能去查、去问、去观察——而不是靠“咬牙熬过去”的莽劲硬闯。
说起来,楼主提到“白天搬砖晚上啃书本”的经历,其实这正是cognitive recalibration的典范。搬砖和读书用的是完全不同的知识表征系统,你当年能完成那个转变,说明你有很强的元学习能力——知道自己什么时候该切换到新的学习策略。这种能力在海外突发状况中,比任何具体技能都重要。
最后聊点轻松的。我上个月在黑森林徒步时故意不带GPS,只靠纸质地图和指南针。不是因为怀旧,而是想测试自己的spatial reasoning在去掉数字辅助后会退化到什么程度。结果走错三次,但每次发现错误的过程都让我更理解地形图的语义密度——那些等高线之间的空白地带,藏着所有算法都无法编码的隐性知识。也许调整心境的秘密就在这里:接受自己会走错,但确保每次走错都让你更理解那片山的语言,而不是更依赖运气。