模型思维mark标注

我需要多框架的思维。

多模型思维：一对多，多对一。

各种模型有难度，想要深入了解。需要专门找到每一个模型的书籍去了解。

信号模型。人类的许多取得的成果是为了发出信号。发出信号要考虑发出信号的成本。格调中的人命追求奢侈品，是为了发出信号，自己比他们想象的自己过得好。

标注：

在离散状态马尔科夫（数学模型）过程中，如果把人生看成努力和不努力两个状态，只要状态转移矩阵确定了，长期来看，在每个状态下所停留的时间比例也就都确定了。如果人生的动力源泉是固定的，努力的百分比就是固定的，那么短期内努力或者不努力并不会有什么影响。也就是说，问题的根本不在于你的状态，而在于源动力！所以，在瓶颈期遇到困难实在不想努力的话，多去找一找自己的源动力，想想当初为什么出发。

构建模型的第一种方法是具身法。用这种方法构建的模型包括重要部分，同时对于不必要的维度和属性，要么剥离，要么将它们整合在一起考虑。生态沼泽模型、关于立法机构和交通系统的模型都是用这种方法构建的，气候模型和大脑模型也是如此。

构建模型的第二种方法是类比法，可以对现实进行类比与抽象。我们可以将犯罪行为传播类比为传染病传播，将政治立场的选择类比为在一个左-右连续线段上的选择

相比而言，具身法更强调现实主义，而类比法则致力于刻画过程、系统或现象的本质

构建模型的第三种方法是另类现实法，也就是有意不去表征、不去刻画现实。这类模型可以作为分析和计算的“演练场”，我们可以利用这类模型探索各种各样的可能性。这种方法使我们能够发现适用于物理世界和社会世界之外的一般结论。这类模型有助于我们更好地理解现实世界中各种约束条件的含义，比如如果能够通过空气安全有效地传输能量，那么将会怎样？这类模型还允许我们进行现实世界中不可能的（思想）实验：如果我们能够加快大脑的进化，那么将会怎样？

在合作博弈中，一个博弈参与者的“最后上车者价值”等于当他是最后一个加入团队的人时，他所能增加的价值。“最后上车者价值”刻画了边际博弈参与者的价值。如果雇用4个人来搬运一张桌子，假设搬运这张桌子产生的价值为10，并且要4个人一起动手才搬得动，那么每个人的“最后上车者价值”均为10。如果只需要三个人就可以搬动这张桌子，那么每个人的“最后上车者价值”均为零。这里需要注意的是，“最后上车者价值”不一定是博弈的总价值相加。特别是，如果价值函数表现出了规模收益递减的性质，那么“最后上车者价值”的总和将小于博弈的总价值；如果增加的价值表现出了规模收益递增的性质，那么“最后上车者价值”的总和将超过博弈的总价值。

一个博弈参与者的夏普利值，等于他在所有可能加入的联盟的次序下对联盟边际贡献的平均值。换句话说，我们要在想象中按顺序将博弈参与者加入联盟中并计算每个博弈参与者为每个序列增加的价值。

个体的夏普利值与为联盟增加的平均贡献相对应。它是衡量增加价值的一种标准。在投票博弈中，也可以将夏普利值解释为权力的一种度量。不过，夏普利值可能并不一定总是最好的衡量标准。假设威胁是可信的，那么在一个群体已经形成的情况下，个人的“最后上车者价值”可能是衡量权力的一个更好标准，因为它能够度量每个人通过威胁离开可以攫取多大利益。
在这些情况下，联盟会希望减少“最后上车者价值”。通过扩大联盟规模，可以创建出一个具有很高的总价值、同时“最后上车者价值”又足够低的联盟。不断加入新成员，会使现有成员变成“可以放弃的”，从而使“最后上车者价值”趋向于零。我们在实践中确实可以观察到这一点。例如，雇主会通过雇用多余的工人来削弱工人的权力，制造业企业会向多个相互竞争的供应商采购中间产品，政府会与多个承包商签订合同，等等。

将视野放大到现代互联网世界，我们发现应用“最后上车者价值”和夏普利值的概念来思考权力问题非常有用。无论是个人、组织、企业，还是政府，抑或是恐怖组织的权力，都部分取决于偏离合作制度可以造成的损害的程度，也就是“最后上车者价值”。一个技术高超的计算机黑客，由于拥有摧毁大量财富的力量，因而拥有巨大的权力。即便黑客完全不能给社会创造价值，这个结论依然成立。

有些人担心疫苗有副作用，选择不参加疫苗接种计划。如果这些人只占人口的一小部分，那么其他人接种疫苗也可以防止这些人感染这种传染病，流行病学家将这种现象称为群体免疫力。选择不接种疫苗的人事实上是搭了其他接种疫苗的人的便车

伯努利瓮模型由一个装了灰球和白球的瓮组成。从瓮中抽取的球代表随机事件的结果。每次抽取都与之前和之后的抽取无关，因此我们可以应用大数定律：从长远来看，抽出每种颜色的球的比例将会收敛到这个球在瓮中的比例。

接下来讨论简单随机游走模型，它建立在伯努利瓮模型的基础上，并将过去结果的和保持下来。我们将初始值，也就是模型的初始状态设置为零。如果我们抽取出一个白球，就在总数上加1；如果抽取出一个灰球，就从总数中减1。模型在任何时候的状态都等于先前结果的总和，也就是抽取出来的白球总数减去抽取出来的灰球总数的值。

在现实世界中，路径依赖可能不会像波利亚过程那样极端。然而，我们还是可以从模型中推断出当行为具有很大的社会性成分时，几乎任何事情都有可能发生。在一个大学里，大多数学生在冬季都可能穿黑色大衣，而在另一个大学里，学生们则可能穿孔雀蓝大衣。模型思维告诉我们，行为差异既可能是社会影响的结果，也可能是不同的内在偏好所致。在任何时候，只要人们在一组固定的备选项中进行选择，而且他们的选择依赖于其他人先前做出的选择时，就会出现这种情况。这样的例子包括在选举中投谁的票、要看哪一部电影，以及购买哪一种技术等。

同时，马尔可夫模型又表明，改变家庭状态的政策干预措施，例如旨在帮助成绩落后的学生的特殊帮扶计划，或者食物募捐活动，只能在短期内带来改善，不会改变长期均衡。相比之下，提供资源和培训，以提高人们保住工作的能力，进而减少从就业变为失业概率的干预政策则有可能会改变长期结果。

这个模型表明，阈值的总体分布是非常重要的，而不仅仅只有阈值的均值才重要。因此它也说明，要预测哪些社会活动将会成功有很大的困难。这个模型还可以指导行动，它可以告诉那些希望发动社会活动的人们：要取得成功，除了组织一个核心革命团体之外，还需要“发动群众”，也就是“创建”一个愿意加入他们的群体。

在声誉模型中，合作是通过社区来实施的。背叛并被发现的人，在未来将会遭到所有博弈参与者的背叛。

这是一个最优规则：如果某个备选方案总能取得成功，那么就继续选择这个备选方案。增加实验可能没有任何价值，因为没有其他备选方案能够表现得更好。

上述的分析表明，在采取行动时，我们更关心的是备选方案能够成为最优选择的概率而不是它的期望收益。此外，如果某个备选方案会产生非常高的收益，我们应该更有可能在将来选择它。相反，如果它只能产生平均收益，那么即便收益水平高于另一种备选方案的期望收益，我们一直坚持这个备选方案的可能性也不会太高。在尝试的早期阶段尤其如此，因为我们希望找到更高收益的备选方案。这些结果在我们讨论的诸多应用中都是成立的。如果采取行动没有风险，也不需要付出高额成本，那么这个模型告诉我们，即使高收益行动的概率很低，我们也要努力去探索它们。