问答｜精通各种语言才能做好语言搜索吗？

吴军

你好，欢迎来到我的《信息论40讲》。

这一讲我继续回答大家在课程里的提问。你将听到我作为中日韩搜索的发明人到底是不是懂日韩的语言，以及年轻人要不要去大数据公司就业等问题。

Michael：

吴老师，我们都想知道，您是中日韩搜索的实现者，那么老师您精通日语和韩语么？

吴军

这个问题问得很有意思。简单的回答是，我不懂日语和韩语，日语还能根据汉字猜一猜，确认找到的网页是否合理，但是韩语真是完全地两眼一抹黑。

那么不懂这些语言怎么做研究的呢？说起来原因也很简单，信息处理的问题是数学问题， 让计算机处理自然语言也是数学问题，不是我们通常理解的语言学问题。

在香农之前，人们一直没有把信息量和信息的含义，这两件事之间的区别和联系搞清楚。即便是在香农之后，很多人理解的让计算机处理自然语言，依然是模仿人的思维方式，去找信息里的意义。

按照那种思路，处理语言就要精通语言。但是后来计算机处理信息其实是从信息论出发，而非语言。这也就是为什么贾里尼克开玩笑讲，他每解雇一位语言学家，他的语音识别系统的错误率就降低1%的原因。

语言是承载信息的工具，或者说是一种编码方法，而背后的信息才是最重要的。 从天底下大部分语言背后挖掘信息的数学模型，都是相通的。

不仅我不懂韩语，能够做韩文的处理，Google过去负责机器翻译的奥科不懂中文，照样是世界上中英翻译做得最好的科学家。实际上，从事自然语言处理这个领域的工作，数学基础不够很难成事，了解语言只是锦上添花。

所以，世界上各种语言以及语言要表达的含义，这些都只是表象，本质还是信息和不确定性，我们掌握了本质，就不怕自己没办法应付那些表象问题了。

花花臭臭：

听了课程，知道了大数据很重要，那么问题来了，请问吴军老师，大学生想要择业的话，既没有数据，又没有技术的公司，是不是就不用考虑了？我相信目前还有很多得到同学，也正在既没有数据，又没有技术的公司工作，像这样的情况是不是就要开始考虑新出路了呢？望解惑，谢谢。

吴军

这个问题很有代表性。我从三个角度讲讲自己的看法。

首先，如果能够去一家有数据、有技术的公司当然好 ，这就如同30年前大家喜欢去银行工作一样。但是要注意，如果你去那种公司却做了和数据、技术无关的工作，那就是另一回事了。这就如同你去高盛就是要做交易，而不是HR，去清华，应该是当老师，而不是厨师。

对于某些专业的人来讲，他们未来的工作场所未必是大数据的公司，因此也不要勉强往里面挤，因为挤进去后，成为那个公司人员金字塔最底端的人，就没有意思了。

其次，怎样才能进有数据、有技术的公司？ 很多人讲，我们刚毕业，没有经验，人家凭什么要我们？其实像阿里巴巴和腾讯这样的企业每年都有很多校招，而且还会解决户口，只要自己基础不错，还是有机会的。反倒是毕业几年后换工作时，解决户口反而难了。

最后，判断一个公司是否应该待下去，是看自己能否在那家公司里不断有机会成长进步， 如果那家公司不错，给你的机会并不好，而且你也看不到通过自己的提高能够获得机会，也不用太留恋。

第34讲“幸存者偏差”课后思考题：

有一天专门从事仙股（股价只有几分钱）交易的弗罗斯特先生向你推荐股票，当然你不会相信他。他说，没关系，我每天发邮件给你，告诉你一只股票的涨跌。在接下来的10个交易日里，你每天收到他的邮件，10天他都说对了。这时，你是否该将钱交给他去炒股？为什么？他是否有什么独到的眼光，还只是运气好？另外他为什么只炒仙股？

吴军

这个问题其实问了两层含义。首先是，为什么连续猜对了十天，依然不能信他？因为他其实挑了一堆股票，向一大堆人发邮件。每次发邮件时他对一半的人说涨，对另一半说跌，因此每天都有一半是对的。十天下来有1/1024的人收到的信息和市场情况是一致的。

如果你连续10天收到的信息都和市场相符，你不过是1024个人中的那个幸存者而已。等到第11天、12天，你就未必再有那种好运了。这一点，很多读者朋友已经指出了。

至于为什么挑仙股，主要有三个原因：

首先，购买仙股的成本很低 ，一个人花1万元，就能买一大堆，入门的成本很低，很容易哄骗小股民。而且很多人搞不懂股票的每一股价格和公司市值的关系，总觉得10块钱的股票比100块钱的便宜，容易上涨。

至于对仙股的态度更是如此，他们在想，我现在花1万元，买了20万股，万一一股涨到了5毛钱，岂不就值10万元了？

其次，仙股的交易手续费其实极高， 而且买卖差价极高。很多股票就值个七八分钱，交易一股算下来成本却有一分钱，占了交易额的1/10，中间商就是在挣这个钱。相反，那些100元一股的股票，交易一股可能成本不过1毛钱，占了交易额的1/1000。

最后，也是很关键的，仙股对应的公司盘子都不大，很容易操控。 中间商常常先买一点，然后拉几个冤大头进来，就能把股价炒得很高，然后自己脱手。

在金融市场投资上，如果我们没有很好的渠道，也没有很多专业知识，最好的办法就是记住 “上帝喜欢笨人” 这句话，不要试图贪便宜，自然也不会吃亏。

Sunny Shao：怎么找等价信息？

请问吴老师，学完课程我有了一个问题，一是我们要怎么去练就一双发现等价信息或者相关信息的慧眼呢？

吴军

今天大家普遍采用的各种基于大数据的方法，其实就是寻找相关信息或者等价信息。

在过去，我们常常是先感觉两种信息相关，然后通过数据来验证，这是传统的数据方法。大数据的方法不同，它不先进行预先的假设，由于数据量大，总是可以总结出一些相关性，然后再分析什么靠谱，什么不靠谱。并非所有看似相关的事情都靠谱。

在课程中有一位读者讲了这样一个笑话。影片A比影片B在上映时卖掉的冰淇淋多，一些大数据专家就在统计：是否看影片A的情侣多，一起吃冰淇淋，是否看影片A的年轻人多，喜欢吃冰淇淋，等等。

最后来了一个卖冰棍的老太太说，嗨，影片A是夏天放映的，影片B是冬天放映了。如果我们一定要统计，可能真能发现看影片A和B情侣比例的细微差异，但是如果我们就得出情侣看电影一定会吃冰淇淋的结论，就有点荒唐了。

我们在课程中讲了，只有强相关性才有意义，并且用互信息来量化度量相关性的强弱，对于那些看似有关，但是相关性不是很清晰的信息，不必强求联系。

至于如何找到等价信息，这比强相关性的信息更难，通常需要一点领域知识，来缩小搜索的范围，此外可能还需要进行一些量化度量和计算。

当然在生活中你显然无法用笔计算之后，再作决定。对此我给出两个简单的操作方法。

首先，如果你无从得到信息X，要用信息Y做它的等价信息，Y里面的信息量只能比X的大，不能小。

其次，虽然在理论上我们认为可以有完全等价的信息，但是在现实中这一点有可能做不到，如果你用Y作为等价信息取代X，最好再用一个正交的信息Z做交叉验证。

小李子：

吴老师，冗余和噪音是一回事吗？有信号必有噪音，可以说成有信号必有冗余吗？

吴军

我们在前面已经回答过，噪音和信息冗余不是一回事，虽然它们看上去有些相似的地方。

冗余度讲的是两件事： 一是因为信息编码无效 ，导致信息的（编码）长度超过了信息量。

比如我们用16比特表示一个国标汉字，其实6700个国标汉字做编码用大约12.7个比特就足够表示了，多出来的就是信息冗余。当然，如果考虑到汉字出现的频率不同，用哈夫曼编码，不到6个比特，冗余就更大了。

第二件事是重复信息， 比如把一句话说了三遍。无论是哪一种，信息显得很长，但是都是准确的。

噪音则是另一回事，它在信息中夹杂了与信息无关的东西。 比如一篇报纸出现了一些错别字，这就是噪音。

当然，如果信息没有压缩，带有冗余信息，那么噪音所造成的不确定性，可以通过其它的冗余信息恢复出来，如果没有任何冗余信息。那么错一点就不知道该怎么恢复了。

好，“信息应用”这个模块我们就学完了，后面两讲，是大家一直想听的 控制论 和 系统论 的内容，作为信息论的补充。我们下一讲再见。

热门留言

贾旭：最近对于“上帝喜欢笨人“，有了更深刻的理解。

我从事的建筑行业，近几年，一直处于比较不景气的大环境中。

而最近由于加拿大政府批准了一直悬而未决的输油管项目，项目一下子多了起来。

但在这一跌一涨的过程中，我能深刻体会到，好的公司一直在进步，总是想着怎么可以发现用户问题，优化自己的系统，提供有额外价值的服务和产品。

即便经济环境不好，也还是有很多项目。

不好的公司，却总是在抱怨外部环境，抱怨竞争激烈。

当我们作为购买服务方，提出他们的问题，尝试沟通，希望大家一起变一下，提高双方的沟通带宽时，却总不见行动。

这可能就是见识的重要性，笨人可能是因为见识，先搞清楚了为什么要做一件事，才会不骄不躁的甘于做好一件件小而琐碎的事，慢慢通过学习和实践，在做什么？和怎么做？上，越来越精。

这种慢慢找到的事情，可能就是所谓美好的事情，值得把生命浪费在上面。

冯琨：举一个寻找等价信息的例子：

在扫地机器人或其他很多可以在室内移动的机器人中，都采用多种传感器来避免碰撞。 一般的，通过激光雷达可以迅速、可靠的获得室内的情况，但激光雷达成本仍然比较高，这时往往会采用等价信息，比如：超声波传感器、红外测距传感器、接触式传感器、防碰撞传感器等。

简单说，超声波传感器可以探测前方物体的大小、远近和大体属性； 红外测距传感器通过主动式工作，通过红外线的返回信号来识别周围环境的变化； 接触式传感器有好多种，虽然识别方式和测量目的不同，但大体上都可以对于接触的物体有反应； 防碰撞传感器很简单，利用滚轮鼠标类似的原理来判断碰撞的发生。

这些传感器在某些探测范围内都可以获得激光雷达等价的信息，但由于单独使用可靠性很低，所以往往综合使用，这些信息在一定程度上具备正交的特点。

我们的大脑也会利用正交信息，比如蒙上眼睛走路时，我们会特别注意双手和脚的感受，也会特别注意他人的语音指示。这些信息具备正交的特征，都是视觉信息的等价信息。

戚志光：今天老师回答花花臭臭同学的问题，我想说说自己的看法。 数据和技术，都是相对的。任何一家公司，只要持续经营，都会有一定的技术，也会产生出一些数据。我想花花臭臭同学说的“没有数据，没有技术”，指的是“没有大数据，没有新技术”。那我们就业时能否一定能进入既有大数据，也有新技术的公司呢？恐怕并不容易。 首先说技术，一家公司是否有最新的技术，这个信息并不容易知道。即便有新技术，是否适合市场的需要，也不可知。那些经过市场洗礼的公司，技术不一定是最新的，但是企业更加靠谱。 再说数据，并不是每个行业都会面对大量的数据。有很多企业专精于很小的细分领域，做的很深，他们的数据量不大，维度也不丰富，但是很有价值。而那些掌握了大数据的公司，即便需要人来分析数据，也不是靠人多，而是靠牛人。吴军老师的书中提到过，Google在初创时期，一直坚持“杀鸡用牛刀”，用少量最优秀的人，一个人能顶10个人、甚至100个人。如果想找这样的工作，那自己也得具备相应的能力才行，但显然大多数人是达不到这种要求的。 我想对于大多数人，先就业再择业，是一个理性的选择。

冯琨：对于sunny shao的问题，我有如下思考和回答：

1、利用等价信息还是相关信息没有原则性区别，两种方式都是为了获取信息，只要便于达到获得信息的目标，选择成本低、见效快的方式就可以。

2、等价信息与相关信息给我们的信息熵不同，所以对于某个特定场合，如果需要信息熵比较小，则应该尽量获得直接信息，如果不便获得，则应该优先考虑等价信息，实在没有办法时，则考虑相关信息。 比如： 我有时要判断孩子是不是按时完成作业，如果有时间我会陪他学习，获得的就是直接信息；而通过老师的反馈，得到的就是等价信息；如果一段时间没有获得这方面信息时，考试成绩就是相关信息，可以作为作业完成效果的评估。但这个案例中，明显地，作业不是目的，家长希望孩子能够学得知识、完成学业，所以我并不会对通过那种方式获得每天作业是否完成的信息太在意。

3、发现信息的眼睛需要我们勤于思考，通过一件事情能否看到它背后的逻辑。还是拿孩子做例子，如果我感觉他书包很沉，我就会和他一起把不该带的各种杂物清理出来，因为我知道书包沉的背后一定有一种信息：书包里有不该有的东西。 如果我们看到家人不高兴或很高兴，结合他/她最近的行为，我们就可以大概判断出其学习或工作是否顺利，这不用专门训练所谓“慧眼”，我们的生活和工作经验会让我们自然学会。

4、判断推导出的结论是否正确，有两个方向要考虑。 4.1判断信息中的噪音，能否甄别噪音，也是经验积累。 4.2推导过程是否有问题，也就是思维模型的问题。

子路求学：信息的等价性与相关性，这个很有意思，记得在【三国演义】有一次孔明北伐的时候，后方的统筹粮草的李严因为粮草没有准备好，假传刘禅的旨意把孔明叫回了首都，孔明回去大怒，可没有人比老李更合适了，而老李又犯错了，怎么办？

这个时候孔明启用了老李的儿子小李，小李作为后方的大管家，而老李的才能还是一样可以得到发挥，小李是他儿子，他不帮自己儿子又会去帮谁呢？这个是用人的前相关性，而不是替代性。

信号与噪音，信号是一种具有明确指令的信息，而噪音是与信号无关或者为迷惑别人而发布的信息，古代打仗时候的减兵增灶，现在商战的各种烟雾弹，而作为个人如何利用噪音，掩盖自己的真实意图，不过早暴露自己的意图，减少阻力。

shzhang：原来并不需要精通各种语言就能做好语言搜索，原来各种语言及语言要表达的含义只是表象，本质还是信息和不确定性，就像我们没有读通信和信息处理专业，也能通过老师的解读来了解信息论的核心和本质，而将其用来指导工作和生活。

通过信息论的学习，我对“信息量大”有了更直观的认识。信息竟然也像重量、体积、电流一样可以用比特来进行度量。 为了保护投资者的利益，提高资本市场资源配置效率，证监会等监管机构要求上市公司按要求披露公司相关的各类信息（并购、重组、业务转型、重大投资或风险提示等），有强制披露信息和自愿披露信息，作为信息的使用者，如何能够从海量的信息中筛选出利于自己决策的信息，吴老师在信息论中给出了方法论：要对信息进行过滤，去伪存真，不被带有偏见的信息误导（某些股评家或分析师等），通过来自各种渠道的信息交叉验证信息的可靠性和真实性…… 所谓的信息量大，应该不是信息的量多，而是给出的信息在一定程度上消除了不确定性。如我觉得昨天老师的演讲信息量大，是指通过老师传递出的信息让我们能洞穿未来发展的趋势，而不至于去选择做那些没有真正价值或跑偏的事情，从而成为2%掌握趋势，能控制自己未来的人。 不管我们是否承认，我们身处信息时代，每天都畅游在海量的信息中，无法回避，难以绕道，只有选择正视，信息论提供了一种途径，让我们能够掌握方法排除噪音，提取有效信息做出科学决策，同时在于他人的沟通中做可靠的信道，如果跟对方认知不同频，应降低传输速率，增加互信息，从而有效传达准确信息。

Michael：吴军老师好！ 感谢你回答我提的你是否精通日韩两语的问题。记得你以前在谷歌方法论就提到机器翻译的问题。现在明白了做好这件事，原来是需要的数学基础，而不是精通这门语言。 对于是否在一家公司待下去看看是否有个人上升和进步的机会，毕竟人需要发展，不然很容易被社会所淘汰了。 对于别人十天给你预测股票都准了，只是利用幸存者偏差而已。突然想到以前很多人说某某人算命很准，某某乡下的医生医术很厉害，除了那时的人思想比较落后，应该有点幸存者偏差的问题。好好做好一个笨人，上帝会照顾你的。 对于获取等价信息，最好做一个交叉验证。很多医生在确定病因和发展到什么程度，一般会进行多项检查。生活中我们或许能做的比较多，就是在不同信息源多做交叉验证。 噪音和冗余，用老师你昨晚的演讲提到的GPS和你手机对话的例子，GPS一秒钟说我爱你，两秒钟它说两次，信息都是一样的，这叫冗余。如果它说错了，比如说我爱她，这就是噪音。哈哈。 对于信息论快要结束了，不知道老师接下来休假多久，也让我们休休假哈😂，之后会推出什么课程么，也让我们有个期待。 感谢老师精彩的信息论！

山峰：从吴军老师回答“精通各种语言才能做好语言搜索吗？”，让我想到了发现问题本质的重要性。长久以来所受的教育，让我们养成了应试思维，加上外界环境的压力，时间的紧迫性，这往往造成我们对问题的理解停留在表面，从而解决一个问题，一堆的衍生问题接踵而至。刘润老师在他的新课《洞察力30讲》中，介绍了电影《教父》的一段台词，这段台词说明了发现问题本质的重要性:花半秒钟就看透事物本质的人，和花一辈子都看不清事物本质的人，注定是截然不同的命运。 怎么发现问题的本质？ 首先“问题涉及哪些对象”，明确了对象，你才可以去寻找调查对象，并获得有用的信息。 其次“问题是什么”，就是如何定义问题。这需要你将单一思维模式切换成多重思维模式，切勿主观臆断。 再次“问题的本质是什么”，问题的本质就是理想状态和现实状态之间的差别。从这个角度看，可以通过调整理想状态或改变现实状态来解决问题。

太西瓜西太：对于第一个问题“不懂中日韩语言，还能做作翻译和搜索”谈一点学习体会。 1. 计算机的本质是计算。 计算机只能处理可以用计算解决的问题。现实世界的问题，如果想使用计算机这个工具去解决，就要首先抽象提炼成数学问题。例如：汽车导航被转化成图论问题，AlphaGo将围棋转化为统计概率问题。 有些问题，如果无法抽象成数学问题，计算机就无能为力。例如：男女谈恋爱。计算机可以搜集男女双方各种数据，外貌，教育背景，成长环境，采访vcr视频，身边朋友评价等等。但男女是否合适，决定因素可能是见面谈吐的一瞬间，可能是双眸对视的一刹那，也可能是双方都说不清的因素。所以即使未来AI大数据无比强大，有些人性的问题，计算机大概率也是力不从心的。 2. 语言是承载信息的工具，是一种编码方法，背后信息才是最重要的。 如同生物是基因的承载工具，过去研究生物科学，更准确说是博物学，是从上而下，分门别类，收集整理，人为划分成 域界门纲目科属种。直到发现了基因，才知道人与小白鼠基因差异很小，现代药物的一期试验用在小白鼠身上才有说服力，现在癌症基因靶向疗法才能被提出并实践。 人学习语言的过程，尤其是外语，是先学习规则，框架，语法，最后才将要传达的信息往里面填充，（信息：是消除不确定性的一种因子），经过繁琐学习的过程，我们自己都忘记，语言的初衷是消除不确定性。 香农博士提出信息的本质，度量方法，吴军老师看透语言是一种信息编码方法，再用信息论和数学建模，把中日韩搜索用计算机实现，整个过程酣畅淋漓，真是大师级的洞见。

罗杰.菲🉐樂：学习了吴军老师的课程，特别是信息论和谷歌方法论，我把它用在了于职业选择中，今天文章谈到了职业和公司的选择，我想谈谈我的切身体会。 我之前得到了两个offer，他们来自于不同的公司和不同的团队，一个公司有平台有数据，另一个是更传统。 Offer1 是更好的团队和更有前途的业务，云计算的核心部门，团队有数据有技术和平台，看起来更可观的发展，但是工资水平比 Offer2 少了不少。Offer2 是传统金融公司的IT部门，团队和业务逊色一些，工资高了不少。 我最后选择 offer1 ，我认为是比较正确的选择，毕竟和优秀的人共事你才能变得更优秀。虽然当时损失了一些工资，但是可能换取未来更有价值的回报。我相信一开始可能会有一些下降，挺过下降期以后最终会迎来自己职业生涯和薪酬的上升。

日积月累：记得雷军曾说过：站在风口上，猪也会飞起来。小米在4G时代成功了。可它忘了同期的锤子、黑莓、8848等几百家手机品牌却倒下了。还是吴老师今天强调的“上帝喜欢笨人”，给我这样的普通人有更多实在的帮助： 一、没有金刚钻，就不要揽瓷器活。 二、用更少的能耗，做更多的事情。 三、时机很难把握，时间才是朋友。 在已经到来的5G时代，有了信息论的理论基础，我要去试试！

全能自恋丁某人：判断是否要换工作最好的就是看现有的这份工作能不能让自己持续成长，如果现在的工作不能让自己持续成长，那么就应该换。

其实我也刚毕业才1年，很能够体会那些应届毕业生的心情，但我想说的是学校和社会完全是不一样的，积极的心态很重要。刚毕业没有工作经历是事实，用人单位其实不会过多追究你这一点，关键还是看你有没有潜力。在应聘好公司，大公司的时候，千万不要妄自菲薄，而是要尽百分百的全力去争取加入这家公司的资格，而不是怕失败就故意不去应聘或者故意表现得不好来避免失败，从而保护自己的小我，你去做就有机会成功，你不去做成功的概率是0。

好，现在你开始工作了。但我想说的是无论你是不是进了心仪的公司其实都不重要，真正重要的是你在面临挫折之后的应对方式和心态。因为一个应届毕业生不可能一开始就完全胜任岗位，总会犯这样那样的错误，或者就是单纯地干的不顺心，不喜欢这样的环境，无论哪种情况都会萌发出换工作的念头，这个其实是人的自我防御机制，下意识地选择了逃避，避免承认自己是不好的这个现实。

但突破点，成长点也就在这里，如果能够正视自己的不足，加以改正，那么就会进步，成长为一个尊重现实的人；如果不幸不能承认自己的不足，只是借口说自己不喜欢这份工作的话那就很可惜了，因为你错过了一次成长的机会，甚至是持续成长的机会。

其实这个时候问自己几个问题就清楚了，我究竟喜欢的是什么样的工作？换一份工作就不会遇到困难了吗？下一份工作真的就会比这份好吗，待遇更好，收入更多？如果这些最基本的问题自己都给不出答案的话，那么答案也就显而易见了。并且这样你就会迫使自己思考真正的问题在哪里，而不会一时冲动就去换工作。

要知道，不停地换工作就去在利用自己的估值赚取新公司对你的信息不对称的钱，这个严重点说不就是在欺骗别人吗？拿自己的诚信去换短暂的利益真的值得吗？我想大部分人都不是傻子，只是在遇到困境后容易陷入自责的状态中，无法冷静地思考或者不愿意承认自己是不好的这一点罢了，这很正常，人的本性。但其实针对这一点，也是有办法解决的。

得到武志红老师的心理学课中提出过归因的概念，由5个因子构成，简单来说就是犯了错不要归罪自己，而是就事论事，分析自己为什么会出错，后者是建立在自己是好的这个基础上，去分析自己缺少了什么信息或者错误理解了什么信息才犯错的，而前者就是盲目地攻击自己，大部分人在遇到错误时采取的都是第一种应对方式，结果自然不好了。

说了这么多，我其实想感叹:知识才是力量。如果我没有在得到学到这种类型的知识，那么就不能有效地帮助自己解决这么困难的问题，所以不停地成长吧，做一个终生学习者是多么地重要！

WvkvW：优秀毕业生去大公司做成长空间有限、跟核心业务无关的金字塔底层这事，从大公司的角度，就是增加信息冗余，保证最简单的事情也要由最优秀的人来完成，算是过度配置。对于优秀毕业生来说则有点浪费，我突然想起来以前听说一个毕业就拿到顶级投行offer的本科生，但因为是运营岗位，于是就拒绝了，当时我也不太懂别人的选择，只看到投行光环，后来逐渐明白。 如何寻找等价信息这个问题，确实是很难。数学上要证明大难题，都是不断另辟蹊径寻找等价命题甚至更一般化的猜想，最传奇的例子则是费马大猜想的证明，怀尔斯突然发现证明谷山-志村猜想就能等价地证明费马猜想，数论问题变成椭圆曲线问题，这就靠近了自己的领域，最终惊天地泣鬼神地完成了证明。即便无法证明，仅仅这种寻找等价信息本身也被称为是不断下金蛋的过程，比如黎曼猜想~

敏曰：怎么去练就一双发现等价信息或者相关信息的慧眼呢？学了吴军老师的课，最要思考的问题。 从语言搜索来看，世界上各种语言以及语言要表达的含义，这些都只是表象，本质还是信息和不确定性。也就是找到了等价信息。 择业的话，就是去做最喜欢和擅长。就如同你去高盛就是要做交易，而不是HR。当然对于HR专业来讲，进高盛做HR也是对口的。如果是厨师，去清华，当厨师也是不错的选择。 不要成为金字塔最底端的人。所谓宁为鸡头，勿为牛尾。小做小池塘的大鱼，不做大池塘的小鱼。

罗怀昭：感谢老师的精彩回答。也解惑了我好几个困惑，和之前的一些不确定的事情。比如清晰地看到噪音和冗余的现象，既能区分二者、也能看到二者各自的价值。

特别是对“仙股”的全面解释，让自己更深层地了解到它们的存在，对一般人来说是多么大的坑，而对操作者来说，却是捕鼠夹。 不过庆幸的是，学完之后，至少以后可以向身边的人进行宣传，让大家防范于未然。不要被捕鼠夹夹住。