1）提出問題，為什麽我們感覺不知道相信誰。因為科學本來就是不確定正確的（可證偽），而且往往不正確的多，正確的少是常態，只是因為現在的傳播方式，導致了大家感覺科學不靠譜，不知道應當相信誰，而且科學圈的封閉等使得這種感覺更嚴重。
對於科學的那部分我沒有什麽意見，畢竟 科學本來都是建立在假設之上的，在沒有被證偽前我們假設這個是暫時對的 ，但對於科學圈的說法沒啥新意，本來認知模式對於熟人，自然大家會比較易於接受，這不就是熟人的成本低嘛。 不僅是科學圈這樣，網紅圈、財經圈、圈不都壹樣，有哪個圈是真正無成本開放的，妳要加入成為圈中人總是要付出代價的啊 ，至少要獲得大家的認同吧，這個過程本來就是大家對妳的了解過程，了解了大家總體的信任成本就比較低了。
2）如何解決不知道相信誰？羅胖認為需要認知升級，對於接受什麽理論或者觀點，需要考慮主觀概率，並且根據證據的多寡來不斷調整概率，然後根據概率來決定行為。
這不就是大數據的相關性原理嗎 。
最不能接受的就是第2點，羅胖說這是認知的升級，假設妳看待壹個問題的初始概率是50%，如果有理由或者證據證明可信度上升，就調整到51%，天啊，有人能區別50%-51%可信概率的區別嗎？就算是50%和60%之間的區別，妳能明確界定嗎？這明顯是把我們人的認知水平靠向人工智能的認知水平啊，這哪是升級啊！而且羅胖還說，如果在碰到絕癥時，就算5%的概率也要試壹下，那這個認知提升不提升又有什麽差別？
神經網絡最重要的功能就是分類，而且是讓正確分類的可能性盡可能的高（繞口令）。分類就是判斷，最後根據判斷進行選擇，就象我們人對於某個東西是否相信，然後根據相信度來采取行動。（比較技術的描述是，在壹個N維的空間裏，用於個N-1的超平面方程，將空間壹分為二，並將這兩個部分歸入不同屬性的類裏。這只是壹個神經元，對於神經網絡，那情況就復雜得多，以後有機會我會詳細寫壹篇文章，並配上程序。）
接下來就是訓練神經網絡了，這個和AlphaGo的訓練也壹樣，壹般分兩種模式，有導師學習與無導師學習。有導師學習是根據樣本，計算輸出，然後和樣本比較，有差異接著調整權重或者參數，壹直使得神經元函數能完全符合樣本。無導師學習，就是自己從網上學習，用統計的方法來校正神經元函數。
這個方法和羅胖說的根據貝葉斯定理，不斷自己調整認知概率有啥不同？
把我們的認知模式調整到了我們自己設計的機器壹個水平，這是升級？而且我們的大腦還不如計算機的神經網絡的速度，用我們的弱點來與人工智能競爭，以後我們不需要做決定了，只要依靠人工智能告訴我們要相信誰就行了。
我們人類的認知中，最重要的是什麽？ 信念、理想、奉獻、犧牲、理解，這些東西是無法概率化的。 認知模式絕對無法通過這種方式來升級，而且妳還不能完全做到，妳不是機器。
羅胖的意思其實是 相信自己，提升自己的認知能力 ，只是方法上不太靠譜。
對於醫學，我們要接受我們還很渺小，很多時候會無能為力，不要過度治療和過度檢查， 讓生命走在自己的道路上 。
我是哪兒黑，讓我們壹起走在光明的大道上。