情商与生命能量

情商是情绪同步和共振的能力，按照情商，人甚至事物，都有 情感 、都有意向，跟自己一样，都需要呼应、回响、共鸣。

情商10版的人会自动认为，对方与自己都是有着特定需求的人，对不同的人，要用不同的方法去对待，接受别人的生活模式，即使自己完全不理解，也至少在某些时候顺着别人的节奏行动，让别人暂时接管自己的行为进程，并乐在其中。最好的状态是共振，彼此都不主动控制自己的行为，此时双方的自发行为共振。自然演化已经给我们人类装配了镜像神经元，保证人类天生就有这种模仿、共振的交互能力。这种情商要求对方与自己的天生频道一样，所谓同类，因此能够诉诸的人物是有限的。所以，情商10版是定频共振。

情商20版的人会认为，对方其实也跟自己一样，只是在不同的层次上，它清除了情商10版的天赋bug，深刻理解各个阶层的人的心理需求，并可以 随时升级或降级到相应阶层与之共振 。伟大的政治家或演员都有这种能力。这种情商认为人类最终其实都一样。情商20版是调频共振。

情商的最高版本是关于人体“能量”的管理， 就如大禹治水一样，水的愤怒可能有无数的表现形式，但最终会以能量的形式破坏正常大自然的正常的秩序，所以，大禹最终用疏导水能量的方式，最终实现治水的目标。情商也是一样的，任何的事件都会引起情绪能量的波动，就会造成人与人之间能量的冲突或协同或共震。

所以，从概念上看，情商可以还原为理商问题，理商也是对不同认知模块的合理组织，情商也是对不同个体的合理组织。反过来说也成立，理商也可以还原为情商问题，别人的认知模块与自己的认知模块，是可替换的同类模块。从心理程序往下还原到行为模块，甚至再往下还原到神经回路，情商和理商可能都是一样的，都是在 特定的信道中施加特定的输入、给出特定的可控输出的能量。 但在人类的天然视野中，这两个概念的表层差异还是大于底层共性。

能量的源泉来自于真诚的“爱”：爱是需要敞开自己的，是会彼此共振 地 ——共振于生命中的渴望与喜悦，同样也会共振于生命中的创伤与执着。 我们生命中那些重要的命题，只会在最有爱的关系里发生，这其实是我们下意识选择彼此的原因；因为爱，就是用来令我们有勇气面对生命的真实，然后为每个生命内在的成长护航、接近生命的实相与目的。爱不是用来彼此取悦的，是用来完成内在的约定的。

技术就是不断提高自己的情商和理商，也就是调控自己和对方的认知、行为模块的能力，呼应自己和他人的情绪和心理模块的能力。

如果习得这些技术？技术是一个优化问题。即时反馈、深度练习，是最好的方法。深度练习，也称刻意练习，是心理学家在分析杰出人物时发现的重要经验规则。所谓经验规则，就是你最好这样做，这样落在目标区的概率大很多。深度练习的诀窍是一步步进阶，即古人说的循序渐进。它不是一蹴而就、大跃进、奇迹发生，也不是注定失败、毫无指望、永不可能。刻意练习把技能学习分为三个区域，舒适区、费力区和恐慌区。不在舒适区练习，仅做适度重复练习，主要在费力区练习，但不要一步登天，进入恐慌区，要逐步把费力区变成舒适区，把恐慌区变成费力区，自己把自己提升上去（self-bootstrapping）。

2020年6月29日 守一悟道

bootstrap每次抽取的残差都是不一样的，如果都是一样的这种抽样就没有任何意义了。至于抽样的目的是为了扩大有限样本，在不改变残差分布的前提下，对残差进行抽样，相当于变相的增大了样本容量，有助于提高参数估计的精度。

说你缺少需要的编译器，你安装g++了吗？可以看一下你的cmake安装包里面的readme文件，看看需要的是什么版本的gcc和g++编译器，然后在机器上执行一下gcc -v和g++ -v看看是不是版本对不上。如果版本不对，你又已经安装过相应版本的编译器了，那就是环境变量没有设置，需要重新设置环境变量使得默认使用新安装的各种编译器。还有一种问题就是其实什么都是对的，只不过你是先安装编译器紧接着安装cmake可是这之间你们没有有切换用户或者使环境变量生效，造成的。这时候重启一下就行了。

to name but a few=to name just a few

仅举几例; 简单地列举几个

个插入语，补充说明。

Activities available include squash, archery and swimming, to name but a few

所设活动项目包括壁球、射箭、游泳等等，不一而足。

来源：《牛津词典》

The base contains useful utilities, such as bootstrapping and event notification, to name just a few

基础部分中包含有用的库，比如自举和事件通知等等。

“知识图谱的应用涉及到众多行业，尤其是知识密集型行业，目前关注度比较高的领域：医疗、金融、法律、电商、智能家电等。”基于信息、知识和智能形成的闭环，从信息中获取知识，基于知识开发智能应用，智能应用产生新的信息，从新的信息中再获取新的知识，不断迭代，就可以不断产生更加丰富的知识图谱，更加智能的应用。

如果说波士顿动力的翻跟头是在帮机器人锻炼筋骨，那么知识图谱的“绘制”则是在试图“创造”一个能运转的机器人大脑。

“目前，还不能做到让机器理解人的语言。”中国科学院软件所研究员、中国中文信息学会副理事长孙乐说。无论是能逗你一乐的Siri，还是会做诗的小冰，亦或是会“悬丝诊脉”的沃森，它们并不真正明白自己在做什么、为什么这么做。

让机器学会思考，要靠“谱”。这个“谱”被称为知识图谱，意在将人类世界中产生的知识，构建在机器世界中，进而形成能够支撑类脑推理的知识库。

为了在国内构建一个关于知识图谱的全新产学合作模式，知识图谱研讨会日前召开，来自高校院所的研究人员与产业团队共商打造全球化的知识图谱体系，建立世界领先的人工智能基础设施的开拓性工作。

技术原理：把文本转化成知识

“对于‘姚明是上海人’这样一个句子,存储在机器里只是一串字符。而这串字符在人脑中却是‘活’起来的。”孙乐举例说。比如说到“姚明”，人会想到他是前美职篮球员、“小巨人”、中锋等，而“上海”会让人想到东方明珠、繁华都市等含义。但对于机器来说，仅仅说“姚明是上海人”，它不能和人类一样明白其背后的含义。机器理解文本，首先就需要了解背景知识。

那如何将文本转化成知识呢？

“借助信息抽取技术，人们可以从文本中抽取知识，这也正是知识图谱构建的核心技术。”孙乐说，目前比较流行的是使用“三元组”的存储方式。三元组由两个点、一条边构成，点代表实体或者概念，边代表实体与概念之间的各种语义关系。一个点可以延伸出多个边，构成很多关系。例如姚明这个点，可以和上海构成出生地的关系，可以和美职篮构成效力关系，还可以和226米构成身高关系。

“如果这些关系足够完善，机器就具备了理解语言的基础。”孙乐说。那么如何让机器拥有这样的“理解力”呢？

“上世纪六十年代，人工智能先驱麻省理工学院的马文·明斯基在一个问答系统项目SIR中，使用了实体间语义关系来表示问句和答案的语义，剑桥语言研究部门的玛格丽特·玛斯特曼在1961年使用SemanticNetwork来建模世界知识，这些都可被看作是知识图谱的前身。”孙乐说。

随后的Wordnet、中国的知网（Hownet）也进行了人工构建知识库的工作。

“这里包括主观知识，比如社交网站上人们对某个产品的态度是喜欢还是不喜欢；场景知识，比如在某个特定场景中应该怎么做；语言知识，例如各种语言语法；常识知识，例如水、猫、狗，教人认的时候可以直接指着教，却很难让计算机明白。”孙乐解释，从这些初步的分类中就能感受到知识的海量，更别说那些高层次的科学知识了。

构建方式：从手工劳动到自动抽取

“2010年之后，维基百科开始尝试‘众包’的方式，每个人都能够贡献知识。”孙乐说，这让知识图谱的积累速度大大增加，后续、互动百科等也采取了类似的知识搜集方式，发动公众使得“积沙”这个环节的时间大大缩短、效率大大增加，无数的知识从四面八方赶来，迅速集聚，只待“成塔”。

面对如此大量的数据，或者说“文本”，知识图谱的构建工作自然不能再手工劳动，“让机器自动抽取结构化的知识，自动生成‘三元组’。”孙乐说，学术界和产业界开发出了不同的构架、体系，能够自动或半自动地从文本中生成机器可识别的知识。

孙乐的演示课件中，有一张生动的图画，一大摞文件纸吃进去，电脑马上转化为“知识”，但事实远没有那么简单。自动抽取结构化数据在不同行业还没有统一的方案。在“百度知识图谱”的介绍中这样写道：对提交至知识图谱的数据转换为遵循Schema的实体对象，并进行统一的数据清洗、对齐、融合、关联等知识计算，完成图谱的构建。“但是大家发现，基于维基百科，结构化半结构化数据挖掘出来的知识图谱还是不够，因此目前所有的工作都集中在研究如何从海量文本中抽取知识。”孙乐说，例如谷歌的KnowledgeVault，以及美国国家标准与技术研究院主办的TAC-KBP评测，也都在推进从文本中抽取知识的技术。

在权威的“知识库自动构建国际评测”中，从文本中抽取知识被分解为实体发现、关系抽取、事件抽取、情感抽取等4部分。在美国NIST组织的TAC-KBP中文评测中，中科院软件所—搜狗联合团队获得综合性能指标第3名，事件抽取单项指标第1名的好成绩。

“我国在这一领域可以和国际水平比肩。”孙乐介绍，中科院软件所提出了基于Co-Bootstrapping的实体获取算法，基于多源知识监督的关系抽取算法等，大幅度降低了文本知识抽取工具构建模型的成本，并提升了性能。

终极目标：将人类知识全部结构化

《圣经·旧约》记载，人类联合起来兴建希望能通往天堂的高塔——“巴别塔”，而今，创造AI的人类正在建造这样一座“巴别塔”，帮助人工智能企及人类智能。

自动的做法让知识量开始形成规模，达到了能够支持实际应用的量级。“但是这种转化，还远远未达到人类的知识水平。”孙乐说，何况人类的知识一直在增加、更新，一直在动态变化，理解也应该与时俱进地体现在机器“脑”中。

“因此知识图谱不会是一个静止的状态，而是要形成一个循环，这也是美国卡耐基梅隆大学等地方提出来的NeverEndingLearning（学无止境）的概念。”孙乐说。

资料显示，目前谷歌知识图谱中记载了超过35亿事实；Freebase中记载了4000多万实体，上万个属性关系，24亿多个事实；记录词条数1000万个，百度搜索中应用了联想搜索功能。

“在医学领域、人物关系等特定领域，也有专门的知识图谱。”孙乐介绍，Kinships描述人物之间的亲属关系，104个实体，26种关系，10800个事实；UMLS在医学领域描述了医学概念之间的联系，135个实体，49种关系，6800个事实。

“这是一幅充满美好前景的宏伟蓝图。”孙乐说，知识图谱的最终目标是将人类的知识全部形式化、结构化，并用于构建基于知识的自然语言理解系统。

尽管令业内满意的“真正理解语言的系统”还远未出现，目前的“巴别塔”还只是在基础层面，但相关的应用已经显示出广阔的前景。例如，在输入“冷冻电镜”，右竖条的关联将出现“施一公”，输入“撒币”，将直接在搜索项中出现“王思聪”等相关项。其中蕴含着机器对人类意图的理解。

《时效应》是《麦家》创立者张庆贵提出的，指的是有效的按一定规则利用时间，汇集资源，结合实际，合理转化的经济模式。 这种新兴的经济模式，在特定的经济时期，特别是通货膨胀期，针对社会经济产生的泡沫，进行合理转化，使其成为有助实体经济发展的反哺资源。在社会反哺实业的利导下实现经济增长，保障稳定，促进社会和谐发展。