灵活偷懒是好事，但是要持谨慎之心。天才们能够区分出重要工作和繁重工作的区别，从而将注意力转移到重要的事情上。
本文来自合作媒体 36Kr，INSIDE 授权转载
当你遇到一个棘手问题时，会怎么做？喝杯咖啡，准备奋斗一夜咬紧牙关，做好艰苦跋涉的准备？
也许这不是最好的方法。
回望过去几百年间科学领域所产生的重大发现。有一件事情值得人们注意——天才是懒惰的。
那些杰出的科学家会将难题转化为更简单的问题，而不是一头栽进去势必解决掉它。这与“咬紧牙关向前”相反。所以人们总说伟大的思想者会从不同角度看待事物。
物理学家和数学家已经改变了自己看待事情的方式。他们将数学转换视为炼金术，将难题变成简单问题。
爱因斯坦用这一方法得出相对论。当人以三度空间思考时很难理解相对论的概念。而时空是四度的，因此需要大量数字演算才能“见到”光和物质在四度世界的变动。就想好你身处象棋比赛中，但是必须先爬到 2 万英尺的高处才能摸到棋盘。没有人关心甚至不知道你需要先爬上山，他们只关心象棋。征服这座山毫无疑问是一项艰苦工作（想像在四度空间中进行运算），而象棋才是真正重要的新奇之物（相对论也一样）。
爱因斯坦乘坐一辆隐喻缆车到达山顶。他使用了劳仑兹变换。公式能够使他以另一种方式对时空进行建模，从而使光速独立于观察者自身的参照系。这是狭义相对论的一个关键原则。这种方法事先排除了许多不必要的脑力劳动，让爱因斯坦专注于发展相对论的差异化概念和模型。
思维转换只能被物理学家所使用？好好想想。每个人都可以“走捷径”。每个人都可以使用坐标变换将难题转化为更简单的问题。
Spotify 使用这个理念来构建推荐引擎。事实上，通常称为“特征空间”的转换被视为好机器学习模型的核心因素。一个例子是支援向量机（Support Vector Machine，SVM），它是一种监督机器学习模型。支持向量机最先面临的是一个困难的优化问题，也即“原始”问题，然后基于数学方式将其转变为一个更容易解决的“对偶”问题。包括多层/深层神经网络在内的热门问题也开始将其输入方式转变为不同的特征空间，这样问题就相对容易解决。
有时候转换需要一定难度。有时候，它们就如发明一种独特速记法一样简单。
传奇物理学家理查·费曼创造了费曼图。它们看起来很简单，但是却描述了真实和想象空间中的复 杂 积分。这能够使费曼将注意力集中于量子场理论的其他新东西上面，而不是在计算复 杂 积分上面浪费时间。
那些从事于知识产业的人，是将自己的输出凝结出一种思想，比如一场演讲、一次谈话、一篇论文或几行代码，这也可以从物理学家和数学家那里窃取技巧。
首先，你要知道自己想要解决什么事情？这方案的差异之处和新奇之处在哪里？你如何能够排除掉其他因素？
无论多么复 杂 ，你需要找到适合你的转变方法，它能让你的注意力集中在真正值得注意之处，而不是为自己增加负担。
也许有一种更加便于问题解决的方式？也许你可以通过转变地理方位来解决这个问题，比如改变你的最初 TA？也许你可以转变建筑结构？
Google 用图形处理器（GPUs ，Graphics Processing Units）代替传统基于中央处理器（CPUs）。Google 将庞 杂 的机器学习难题回归于将大量矩阵相乘。结果证明，图形处理器是一种优质之选，它让问题更易于解决。现在则发展到了张量处理单元（TPUs ，Tensor Processing Units）技术。
灵活偷懒是好事，但是要持谨慎之心。天才们能够区分出重要工作和繁重工作的区别，从而将注意力转移到重要的事情上。
