今天咱们说一个特别熟悉的规律的新发现。这个发现是如此的重要，以至于我认为你应该永远记住它。我先说三个熟悉的知识。
1.熟悉第一个知识是“学习区”。心理学家把我们可能面对的学习内容分成了三个区：舒适区、学习区和恐慌区。舒适区的内容对你来说太容易，恐慌区的内容太难，刻意练习要求你始终在二者中间一个特别小的学习区里学习 —— 这里的难度对你恰到好处。这个理论不可能是错的。但是因为现在“跳出舒适区”已经成了一句口号，有些人就产生了逆反心理，说我好不容易找到一个舒适区发挥特长，为什么要跳出来呢？关键在于这里说的是学习！
也许你在舒适区赚钱最多，但那是另一回事 —— 要想提高技艺，你就只能在学习区。
第二个知识是“心流”。这个概念最早是米哈里·契克森米哈赖在《心流：最优体验心理学》这本书里提出来的。契克森米哈赖说，要想在工作中达到心流状态，这项工作的挑战和你的技能必须形成平衡。
如果工作的挑战大大低于你的技能，你会觉得这个工作很无聊。如果工作的挑战大大超出你的技能，你会感到焦虑。而如果难度和技能正好匹配，你一上来并不知道该怎么做，但是调动自己最高水平的技能、再稍微突破一点，你正好能解决这个问题，那就是心流的体验。这是一个奇妙的感觉，你沉浸在工作之中忘记了时间的流动，甚至可能忘记自身的存在。
第三个知识是我们专栏经常提到的一个公式，叫“喜欢 = 熟悉 + 意外”。一个文艺作品要想最大限度地吸引观众，必须既提供观众熟悉的东西，又制造意外。
你发现没有，这三个知识说的其实是一回事。学习区、心流、喜欢，说的是已知和未知、简单和困难、熟悉和意外的搭配 —— 从信息论的角度来说，它们说的都是“旧信息”和“新信息”的配比！
那我现在问你一个问题，这个配比应该是多少呢？以前我们并没有量化这些理论，我们只是泛泛地说要加入一定的难度和意外。而我今天要讲的这个研究，恰恰告诉我们一个神奇的答案，说这个问题是有最优数值解的：这个数值是15.87%。
我们知道现在人工智能本质上是机器学习。我们弄一个神经网络，用大量的数据去训练这个网络，让网络学会自己做判断。网络内部有大量参数随着训练不断变化，就相当于人脑在学习中提高技艺。
每一次训练，都是先让网络对数据做个自己的判断，然后数据再给它一个反馈。如果网络判断正确，它就会加深巩固现有的参数；如果判断错了，它就调整参数。这跟人脑的学习也很像：只有当你判断错误的时候，才说明这个知识对你是新知识，你才能学习提高。
研究者可以决定用什么难度的数据去“喂”这个网络。如果数据难度太低，网络每次都能猜对，那显然无法提高判断水平；如果数据难度太高，网络总是猜错，那它的参数就会东一下西一下变来变去，就会无所适从。这项研究问的问题是，每次训练中网络判断的错误率是多少，才是最优的呢？研究者首先用了一个比较简单的数学模型做理论推导，又用了一个AI神经网络学习算法和一个模拟生物大脑的神经网络模型做模拟实验，结果得出一个精确解：15.87%。也就是说，当你训练一个东西的时候，你给它的内容中应该有大约85%是它熟悉的，有15%是它感到意外的。我们干脆就把15.87%叫做“最佳意外率”。这个数值就是学习的“甜蜜点”。找到最佳意外率有两个好处。第一，它能让你学习的速度最快。第二，它能让你学习中感觉最爽。就好比电子游戏的设计者也得用这个比率。如果在这个游戏关卡中玩家都一点都不会犯错，轻松过关，那游戏就太简单了，玩家会感到无聊。如果让玩家频频犯错，那设置太难了，也玩不下去。15%左右的犯错率，是最好玩的游戏。
比如说学英语。最理想的一篇课文，应该是其中85%的内容是你熟悉的，15%的内容 —— 包括单词和语法 —— 对你来说是新的。
学数学，每一个新知识都是建立在旧知识的基础之上。最好这一讲中85%的操作是你本来就会的，15%是新技巧。读书，最理想的情况是书中85%的内容让你有亲切感，另外15%是改造你的世界观（文章摘自青年文摘2019.7）
