本文來自合作媒體 36Kr，INSIDE 授權轉載
當你遇到一個棘手問題時，會怎麼做？喝杯咖啡，準備奮鬥一夜咬緊牙關，做好艱苦跋涉的準備？
也許這不是最好的方法。
回望過去幾百年間科學領域所產生的重大發現。有一件事情值得人們注意——天才是懶惰的。
那些傑出的科學家會將難題轉化為更簡單的問題，而不是一頭栽進去勢必解決掉它。這與「咬緊牙關向前」相反。所以人們總說偉大的思想者會從不同角度看待事物。
物理學家和數學家已經改變了自己看待事情的方式。他們將數學轉換視為煉金術，將難題變成簡單問題。
愛因斯坦用這一方法得出相對論。當人以三度空間思考時很難理解相對論的概念。而時空是四度的，因此需要大量數字演算才能「見到」光和物質在四度世界的變動。就想好你身處象棋比賽中，但是必須先爬到 2 萬英尺的高處才能摸到棋盤。沒有人關心甚至不知道你需要先爬上山，他們只關心象棋。征服這座山毫無疑問是一項艱苦工作（想像在四度空間中進行運算），而象棋才是真正重要的新奇之物（相對論也一樣）。
愛因斯坦乘坐一輛隱喻纜車到達山頂。他使用了勞侖茲變換。公式能夠使他以另一種方式對時空進行建模，從而使光速獨立於觀察者自身的參照系。這是狹義相對論的一個關鍵原則。這種方法事先排除了許多不必要的腦力勞動，讓愛因斯坦專注於發展相對論的差異化概念和模型。
思維轉換只能被物理學家所使用？好好想想。每個人都可以「走捷徑」。每個人都可以使用坐標變換將難題轉化為更簡單的問題。
Spotify 使用這個理念來構建推薦引擎。事實上，通常稱為「特徵空間」的轉換被視為好機器學習模型的核心因素。一個例子是支援向量機（Support Vector Machine，SVM），它是一種監督機器學習模型。支持向量機最先面臨的是一個困難的優化問題，也即「原始」問題，然後基於數學方式將其轉變為一個更容易解決的「對偶」問題。包括多層/深層神經網路在內的熱門問題也開始將其輸入方式轉變為不同的特徵空間，這樣問題就相對容易解決。
有時候轉換需要一定難度。有時候，它們就如發明一種獨特速記法一樣簡單。
傳奇物理學家理查·費曼創造了費曼圖。它們看起來很簡單，但是卻描述了真實和想象空間中的複 雜 積分。這能夠使費曼將注意力集中於量子場理論的其他新東西上面，而不是在計算複 雜 積分上面浪費時間。
那些從事於知識產業的人，是將自己的輸出凝結出一種思想，比如一場演講、一次談話、一篇論文或幾行代碼，這也可以從物理學家和數學家那裡竊取技巧。
首先，你要知道自己想要解決什麼事情？這方案的差異之處和新奇之處在哪裡？你如何能夠排除掉其他因素？
無論多麼複 雜 ，你需要找到適合你的轉變方法，它能讓你的注意力集中在真正值得注意之處，而不是為自己增加負擔。
也許有一種更加便於問題解決的方式？也許你可以通過轉變地理方位來解決這個問題，比如改變你的最初 TA？也許你可以轉變建築結構？
Google 用圖形處理器（GPUs ，Graphics Processing Units）代替傳統基於中央處理器（CPUs）。Google 將龐 雜 的機器學習難題回歸於將大量矩陣相乘。結果證明，圖形處理器是一種優質之選，它讓問題更易於解決。現在則發展到了張量處理單元（TPUs ，Tensor Processing Units）技術。
靈活偷懶是好事，但是要持謹慎之心。天才們能夠區分出重要工作和繁重工作的區別，從而將注意力轉移到重要的事情上。
