速度比你想的重要

效率高的明显好处是：单位时间内能完成更多的工作。但这只是冰山一角，假如工作速度快，你就会倾向于低估做事的成本，因此乐于完成更多的工作。

举个例子，假设你每写一篇博客都要花6个月。这样，当周六你宅在家里无所事事时，可能也不会想开始写博客，因为觉得这件事做起来太漫长。

更糟糕的是，因为写博客的进度慢，所以更不愿意坚持。因为学习一件事最好的方法就是一次又一次重复，而这件事情的时间周期太长了。这也就是ToDoList通常完成这么慢的原因：我们会对其产生莫名的厌烦感。如果一直往里面添加拖着不做的事情，总有一天，ToDoList会被弃用。

如果及时回复别人的邮件，他们就乐于给我们发送更多的邮件。发送者总是渴望得到回复，这种渴望驱使他们写邮件。换句话说，是速度带来了更多邮件，因为发送者心中低估了这种信息交换的成本。他们知道自己所做的事会得到回应，所以更愿意去做。

现在网络发达了，公认的一件事就是网站响应速度低会流失用户。反应迟钝的网页就像崩溃了一样，它会使用户受挫，或许就是因为用户的行为没能即时得到回报。

Google速度远近闻名。因为它知道，如果搜索响应快，你就会搜索更多。原因就是，它会鼓励你尝试搜索，很快得到反馈，然后你会再去尝试。当你有了一个想法时，搜索不会让你失去这个灵感，你会认为去Google搜索的成本近乎于零，它就像你思维的一部分那样。

职场中也有同样的道理，做事快的员工会被分配的更多工作。道理很简单，人们都有懒惰心理，大家都想保护自己的卡路里。将工作分配给做事慢的员工去做，光是想想就觉得厌倦。当你要分给这种人活干时，脑海里就会浮现出进程被耽误好几天的情形，会不自觉地看见这些人拖延工作的样子。但做事快的人就不一样，他们的时间看起来“很便宜”，你让他们做些事情的时候，就知道他们很快会做完，马上就可以再分给他们别的事情做，所以你就会更倾向于分给他们更多的任务。很讽刺不是吗？公司里最有价值的员工却因为做事比较快而要干最多的活。

总结一下，规则就是：速度快的系统因为吃得快，所以被喂的就更多，速度慢的系统会饿死。

再举两个例子。适用于个人的这些道理，同样也适用于组织。如果顾客发现某家裱画框的店每完成一幅需要两个月，那么他们就会去别的店；如果贡献者发现某个组织mergePR很慢，他们就不再乐意贡献代码。反应慢的系统很糟糕，就像长满了青苔的建筑物，死气沉沉。人们都喜欢有生机的东西，喜欢反馈及时的系统。

开始做一件事的动力，一部分来自对工作画面的想象。一般真正做的时候不会像想象得那么难。但如果想象中成本很高，做起来是个苦差事，就需要下更大的决心才能开始。

“慢”就是这幅图片中重要的成本之一，时间无价。所以当我们认为某项工作很慢时，就会潜移默化地为其添加额外成本。每次想到这种工作，就会情不自禁地想去拖延。

这就是速度为什么重要的原因。

因此，对于要重复做很多次而且必须做好的事情（例如写作、修复Bug），就应该尽量做快一些。

这并非建议马虎行事。督促自己比平常做快一些是好事，因为在你心里，这将花费更少的时间，也更容易迈出开始的脚步，你能完成的工作将会更多。在做更多的同时，质量也会更好（只要你认真），最终达到又快又好的效果。

做事快很有趣。如果你是个快笔头的写手，就可以经常试验“新”想法，而不会陷入某个泥潭中挣扎很久。你的ToDoList可以很快划掉，就更乐意往里面添加新东西。随着你不断完成更多的稿子，整个工作充满活力。你会感觉自己聪明能干、脚踏实地。当有大任务出现时，你就敢挺身而出。

你会看到在大数据领域流行的两种语言Scala和Python，提高开发速度和更优雅是它们的目标之一，也使他们更流行。Scala集成了函数编程和对象编程的优点，程序语言处理数据变得更简单。Python一贯的简单易懂的风格，再加上集成了大量的机器学习的库，让Python机器学习领域再度流行起来。

本文选自我的新作《大数据架构详解：从数据获取到深度学习》12.3节