浅说东西方思维差异　- 从一片叶子得到的答案

一、从一片叶子说起

我们先看一个有趣的小测试：你觉得底下这朵花属于左边A类，还是右边B类？

这是清华大学心理学实验室提供的素材，在互联网上可以找到。这个测试很简单，但结果耐人寻味：大量的测试统计发现，东方人倾向选择左边A类；西方人则倾向选择B类。

这个结果很有意思。如果我们结合大数据和东西文化的知识，做一些跨界探讨，将会发现更加丰富的结论和解读。

二、大数据分析

大数据科学是目前非常热门的方向，结合数学和计算机的技术，通过分析算法挖掘隐含在大量数据背后的业务规律。大数据科学的思维特点，可以通过精确性的数据语言描述万千变化的应用场景。这个测试涉及的数据量虽然不多，但一样可以通过大数据科学的语言来描述。

首先这里有八个样本，按A，B分成两类各四个。我们注意到可以通过四个维度来描述样本：花瓣、花心、叶子和茎秆，每个维度正好都有两种不同可能性：花瓣有圆的和尖的；花心分无环和有环；有的有叶子有的没有叶子；茎秆有的细和有粗。我们用数据科学的语言，可以将这8个样本观察以及待分类的新样本的特征描述如下。

显然，这个新样本，既不完全等同于A类的任何一个样本，也不完全等同于B类的任何一个样本。我们需要判断，将它归为A类或者B类。这是大数据科学中最典型的一类建模：可监视预测模型。这类模型在模式识别、人工智能等领域有广泛的应用。

大数据科学怎么处理这一类问题呢？有不同建模算法。

第一类算法，是希望搞清楚总体而言，新样本和哪一类的差别最小？为了说明样本之间的总体差异大小，我们先定义样本之间的距离。比如说，x=(x1,x2,x3,x4) 和 y=(y1,y2,y3,y4)分别代表两个样本，1-4分别指向样本在四个维度。我们定义x,y之间的距离d(x,y)= |x1-y1|+…+|x4-y4|，其中如果xi和yi是相同的，我们认为|xi-yi|=0，否则，我们认为|xi-yi|=1。距离的定义有很多种，我们选择了较为直观的一种。

从定义上可以看出，这个距离并不对哪一个维度有偏好，而是反映了样本之间的总体差异。如果样本之间有越多维度之间的差异，则距离越大。按这个定义，我们可以计算一下，新样本和A类的四个样本，距离分别是1、2、2、2；而新样本和B类的四个样本，距离分别是2、3、2、2。

有了样本间距离的概念，我们考虑一下是否可以描绘一个样本和另外一群样本之间的距离。我们可以简单的定义该距离为此样本和另外一群样本之间每个样本的距离的平均值。比如说，测试案例中的新样本和A类样本的距离为（1+2+2+2）/4=1.75；新样本和B类样本的距离为（2+3+2+2）/4=2.25。这样的定义是很直观易于理解的。

可监视预测模式中的一些算法，如聚类算法、回归分析等，本质上就是通过比较，发现待预测样本和某类群的距离最小，从而把该样本归为这一类群。按这个算法，显然新样本被归为A类。

我们概括一下，这类算法的本质，是综合考察各个维度，全面计算待预测样本和不同样本类别的差异（这个差异用“距离”的概念量化测算），把待预测样本归到总体差别最小的一类样本。简单的说，这是一种追求整体最优的做法。测试中选择A的人，或多或少符合这样的思想方法。

另外一类算法，得到的是决然不同的结果。这类算法，首先不是（不分权重的）综合各个维度计算样本之间的差异性，而是首先考虑：造成类别的主要原因是哪个维度？

依次通过花瓣、花心、叶子和茎秆四个维度观察A类和B类，我们发现，单独通过花瓣、花心、叶子三个维度都没有完全将A类和B类分开。比如说，A类的圆花瓣占多数，但仍然有一个尖花瓣；B类的尖花瓣占多数，但仍有一个圆花瓣。但是通过第四个维度茎秆，可以完全分辨A类和B类：所有A类的花都是细杆，而B类的花都是粗杆。

象前面我们引入距离的定义一样，我们需要有个公式来测算根据某个维度能够辨识差异的程度。这类的定义有很多，为了精确描述问题，我们引入基尼值这个概念。某个维度的基尼值是这么定义的：G（p）=Sigma(Pk*(1-Pk)) 。对数学不感兴趣的朋友可以直接忽略这个公式，但记住一个结论就可以了：基尼系数值，表明该维度对分类的贡献越大。如果基尼值=0，表明通过该维度就可以完全分辨类别；如果基尼值=1，则表明单考虑该维度，完全没有分辨效果。

这个测试中，其他三个维度的基尼值=0.375，而茎秆的基尼值=0，很明显，如果只考虑单因素，通过茎秆最容易分辨A、B两类。

可监视预测模式中的一些算法，如决策树、随机森林等，特点是首先确定分辨能力最强的某个维度，进行分类比较；然后兼顾次分别能力强的维度，依此类推，逐步形成多维度逻辑分类。当总体分辨能力达到事先设定的标准，则停下来。按照这个算法，第一步分析发现通过茎秆，就可以百分百分辨AB两类，所以算法将新样本归到B类。

我们概括一下，这类算法的本质，首先判断影响分类的主要矛盾，聚焦到这些为数较少的维度中，然后简化问题，尽量争取用少数维度建立判断逻辑准则，进行分类。简单的说，这是抓主要矛盾并理性分析的思路。测试中选择B的人，或多或少是符合这样的思想方法。

有趣的是，除了这两种类型截然不同的算法体系，还有其他算法。比如说，模拟人体神经元工作的神经网络算法，结果既可以导向归为A类，也可以导向归为B类，取决于模型参数：选择的节点和隐含层数。

三、从大数据到最优化

我们下面用数学中的最优化理论进一步阐明这两种思维的特征。现实中需要解决的问题，很多本质上是择优选择，也就是考虑多个维度的自变量，找到一个可行的解决方案，达到最优目标。从数学上说，这就是一个多维全局最优化的问题。

我们从下图可以看出，一个非线性函数，只要不是特别简单的函数（凸函数），往往有多个局部最优的解。所谓局部最优解，指该解在一定范围或区域中是最优解，但在全局范围内就不一定是了。数学家已经证明，找到局部最优解是一类简单的问题，甚至可以精确达到；但想找到全局最优化则是一类复杂的问题（至少NP-ｎ难问题），没有普遍可用的简单方法。

大数据的底层核心算法之一就是最优化。回到前面我们分析的大数据算法，面对复杂的全局优化问题，同样至少也有类似的两种思路。

一种是全局观，直接求解多维度下的全局优化问题。由于这类问题属于复杂问题，难以获得精确解，所以一般退而求其次，追求近似解 - 也就是较优而不是最优的全局解。从算法而言，全局最优化不易找到普适性的精确算法，常用的多为启发式算法。通俗的说，这类方法不追求严谨和精确，用到了经验和直觉。

另一种是先局部后整体的简化思路。这类算法首先确定主要关心的维度，或者选定某个局部领域，这样就把多维度的全局最优化问题，变成少维度的全局优化问题，或者局部最优化问题。如果能选择好主要维度，或者局部领域选得恰当，这样的做法可以将问题简单化，运气好也能找到全局最优解。但是有两个可以证明的数学命题需要注意：其一，多数情况下，非凸函数降维后仍然是非凸函数，所以复杂问题降维后，如果还追求全局最优，那么问题虽然简化了一些，但往往仍然还是复杂问题；其二，选定局部领域后，好消息是计算局部最优解变成了简单问题，但坏消息是局部最优解往往不是全局最优解。

**四、背后的文化差异 **

从哲学层面，我们对东西方文化已有基本的认识。中国传统哲学，强调面面俱到，“致广大而尽精微”（《中庸》），既要心存天地，也要注重细节；西方的哲学思想，重视逻辑和理性思维，认为“只有理性才能使个人潜在的德行实现出来”（苏格拉底）。回到这道测试题，东方人倾向选择整体思维观的答案A；西方人倾向选择局部但理性严谨的答案B，很有说服力。我们进一步描绘这个差异。

客观世界的问题，比如说，治国、管理公司、医治身体等等，出台方案，都可以归结需要兼顾多种变量的目标全局最优化问题。从数学上已有证明，绝大多数的全局最优化问题是一个复杂的问题，几乎不能找到简单有效、可精确量化普适性的算法。

东方式的思维特征除了关注整体性，背后还有一个重要特征：认识到问题的复杂性，不选择量化精确的求解方案，取而代之的是以近似解为目的的启发、探索式的解决路径。

西方人思维大为不同，是抓主要矛盾和在降维空间找局部最优解的思路。背后也有一个重要特征，就是相信降维后问题得到了简化，可以努力找到普适性的准确解决方案。

从全局问题还是从局部从发是东西方文化差异的表象。认识到问题的复杂性而选取近似解，动态解决问题；还是企图通过抓主要矛盾，降维后精确解决问题，是差异的实质所在。在贸易战冲突的关键时刻，对中国文化有着深刻的理解的美国前国务卿基辛格先生发表观点，他认为中美之间存在对世界认识的哲学差异。他提出了一个观点：“美国人认为如果一个问题出现了，那么就一定能找到办法解决那个问题；而中国人却认为，问题不可能获得根本性解决，每一个解决方案都会引发新的问题。”说的就是这个差异。

东西方差异孰优孰劣，这个问题不容易得到答案。但数学算法知识带给我们的思考是，东方思维对问题复杂度的理解，更接近客观事物的本质，强调全局、动态、近似、非精确的问题解决路径，在多数问题上是有依据的。西方思维追求降维后精确解决问题，这种思路的好处在于：问题或多或少会简化一些，甚至在某些情况下可以实现精确解决方案（有精确算法可以在有限步求解局部最优问题）。但有两个问题比较突出：一是有些问题降维以后，并没有根本性的降低问题的复杂度（多数非凸问题降维后仍然是非凸问题）；二是容易陷入局部解不能自拔，甚至将局部解当成普适标准或全局解。

通过心理学的测试，数学的工具，并比较东西文化差异，至少让我们了解的东方思维存在的一些合理性，我们更客观的理解和接纳文化背景。举几个例子：

“六个稳定”问题。近期中央政治局会议提出六个稳定:“稳就业、稳金融、稳外贸、稳外资、稳投资、稳预期”，站在一些西方思维的学者和投资者角度，觉得不好理解。西方经济学中有不少三角形不可能原则，意思上希望兼顾三个维度目标，都不能精确达到，何况六个目的。我们可以从文化背景理解其合理性：如果六个目标都完美的实现，做到全局最优精确解不容易，但动态调整，逐步实现，追求全局最优近似解还是可以争取的。

中西医的思维差异问题。中西医面对的问题是生命，和宏观经济面对的问题一样，固然都是多维度甚至无限维的复杂问题。针对复杂的生命问题，中医以整体观点入手，以气血阴阳经脉为基础理论，兼顾直觉及经验，构建了体系丰满、实用的知识体系，成为医学瑰宝。西医则以微观分解、统计验证等理性分析擅长，在局部优化领域，如免疫治疗、靶向药物等领域获得突出的成果。两种思维差异明显，各有擅长领域。

我们应有信心建立东方思维特色的宏观分析框架。宏观经济研究对国家制定政策，投资者预测市场尤为重要。但目前市场主流的宏观分析框架仍是以西方经济学思想为核心，局限性明显。这些西方宏观经济模型多为在种种假设简化条件下的少维度甚至单维度量化模型，而客观世界的宏观问题则往往是多变量甚至无限维变量下的全局问题，甚至各变量之间是互为因果的关系。显然这样的简单模型、线性思维不能描绘客观世界。而且，模型即使有解，也容易局部最优化，而非全局最优化。中国面临的问题前所未有，东方思维有独特的优势，我们应树立文化信心，建立东方特色的宏观分析体系。

五、结束语

了解不同文化的思维差异的好处，是明白这个世界的不同族群生而不同的，从而我们明白自己，也理解他人。不同的思维模式没有对错优劣，但角度路径不一样，知识和宽容让人打开新的一扇窗，获得新的思维模式，避免傲慢和偏见。

还有一个引申的问题很有意义，就是这两种思维是否可以调和或者互补？我个人的理解，一个人不能同时使用两种思维模式。但是，我们可以给自己充分的时间和情境，先用自己擅长的思维分析问题，然后换位思考，尝试用另一种思维分析问题，或者试图理解不同思维分析的人的做法，这样必定获益匪浅。

两种思维模式的有机结合，在大数据分析技术和人工智能领域应用的帮助下，或许可以成功的实现。在前面的测试例子中，我们看到既有关注整体观的算法，也有抓主要矛盾的算法，也有模仿人类思维模式的其他算法。在过去数十年间，人工智能飞速发展，今后必将对人类的思维模式带来深远影响，我们将拭目以待。