仿真意识、仿真能力，决定了普通人跟高手的认知差距

“不相信仿真”、“不会在仿真系统中做算法训练”，是普通人跟高手的一个重要差距。

此话怎讲呢？

普通人，有一个典型特点是“不撞南墙不回头”“道理懂了很多，可依然过不好这一生”。

一个最常见的原因是，那些道理，基本都是别人告诉他的“大道理”，他还没有从亲自实践中尝到甜头/苦头，所以，他不信；然后呢，他当然也不会用这些“空洞的大道理”来指导自己的实践了。

真正能帮助他们提升认知的，是“撞南墙”之后的痛苦经历，或者是偶然侥幸成功之后的经验总结。

还有一种可能的原因是，即便是他真的相信大道理，但他却不知道如何在大脑中尽可能多地模拟一些“任务”，更不会思考如何将大道理跟特定“任务”适配，因而只会生搬硬套。

或者呢，他确实也在大脑中做了一些模拟，但这种模拟，只是将之前发生过的事情“原汁原味”地回放了一遍，却没有修改一些元素和情节，没有尝试一种新的可能性；或者，只是做了一些轻微的修改，新的模拟任务跟之前的真实实践差别并不是很大。

我们拿自动驾驶仿真中的语言来做解释，他这种低水平的模拟，相当于用真实道路数据做简单的“回灌”，或者是，他自己也在大脑中生成了一些“合成数据”，但这些合成数据的泛化能力实在太弱了。

泛化能力弱就会导致，数据集中有效的样本量太少，无法代表真实世界的多样性，基于这样的数据训练出来的模型，就跟之前的真实实践经历高度耦合，但难以用来指导其他事情。

我们经常看到两种现象：对过往失败教训反思的结果是“一朝被蛇咬，十年怕井绳”；轻易将过往成功经验的无限拔高，认为可以将这个经验复制到其他事情上，结果翻车了。

这两种错误的背后都有一个共同原因：他之前在大脑中做模拟的时候，没有把“场景泛化”做好。  虽然在这里列的是两种现象，但我敢断定，这两种现象经常发生在同一种人身上，就是“仿真能力弱”的人身上。

相反，高手比普通人强的一点是，无论是对自己的经验教训，还是对来自别人的经验和教训，他都很重视，并且，他还有足够的能力用好这些经验教训。怎么用呢？他会在大脑中生成一套“合成数据”，并且不断地做“场景泛化”。

我们都知道，普通人充其量在某一两件事情上很牛，他们的思维模型是小模型；相比之下，高手的底层能力，往往具有很强的通用性，他们的思维模型是大模型。

那高手基于大模型生成的“合成数据”，泛化能力当然要比普通人用来做仿真的数据强得多。因此，高手在仿真系中使用的数据，在多样性上就要强得多，相应地，基于这些数据训练出来的算法或认知，泛化能力也要强得多。