混沌大学的邢波老师有讲过这么一个案例：
几年前，邢波老师给Facebook开发一个大数据处理的程序。结果，原本测试正常的程序，在大规模应用时，速度却出奇地慢，根本无法商用。
这让邢博士非常尴尬……损失项目费用是小，让别人认为自己这个业界知名专家解决不了实际问题，那就悲剧了。
那就赶紧找原因吧。可是，他们团队反复认真检查却发现：程序的逻辑和算法都没有错，可就是一大规模部署，速度就变得非常慢了。真见鬼了。
这样搞下去可不行啊。于是，邢波老师亲自带队深入研究。结果，团队在大量研究后发现：在大数据应用环境下，过去很多常用的软件算法设计乃至硬件部署都要做改进。
那些具体的改进细节实在太专业，我们不去管他。反而是邢波老师在讲这个案例时提到的一个细节，让我印象深刻：
他们在DEMO程序中，用了一个“检查算法”——简单点说，就是为了确保数据的准确性，程序会对数据进行二次检查纠错。这个算法过去一直很好用，它在小规模测试的时候也没问题。
可是没想到，这个检查算法在大规模应用时，突然变得极为消耗运算资源，结果导致系统计算非常缓慢。
发现了这个问题后，邢波团队想出了一个看起来很不负责任的解决方案：降低程序检查的精确度，这样的代价是萝卜快了不洗泥，不过程序速度确实快了很多。
只不过。。。这降低要求的做法，不是糊弄事儿吗？
是吗？
恰恰相反。邢波老师给出的理由是：从单个数据看，准确度很重要，但从系统的宏观目标看，其实程序对具体数据的精确性要求没那么高。
当邢波老师讲到这里的时候，我突然意识到：如果我们过于强调一个子系统的准确性，反而可能在更高的层级上降低了系统效率。
我们生活中也有很多人，因为执着于子系统精确高效的成功经验，结果当需要在更大系统目标上进行考虑时，却失去了能力：
红包只抢不发的人，真的赚到了吗？
工作只管自己职责范围内效率的人，工作效率真的提升了吗？
推而广之，我们努力把自己手头的事情都做到最好，人生结果就最好了吗？
……
那些最努力的人，往往只能看到眼前的“最优解”，可是一遇到大事，过去的“优点”反而变成了“拖累”，最终搞砸事情。生活的戏剧性就在于：你以为自己拼尽一切演了一个大好人，没想到最终的角色却是个反派。
前几天，一个做学习产品项目的运营和我聊天，说他们有的用户几乎买了他们所有的课程，然后天天花3-4小时留言写作业。
我很感动于有人有这样的精神。
不过，我几乎可以肯定，这样学习的效果和他的付出不成正比——某种程度上，这种努力已经变成“表演型学习”了。
我们经常走得太远，而忘记自己为什么出发。
坚持是一件好事，可是学习难道就剩下留言写作业这一种方法了吗？花这么长的留言写作业，太奢侈了吧，就没有其他办法可以提高学习效率了吗？如果是为了全勤拿奖学金，也要问问你这么多时间就值这么点奖学金吗？
别误会，我不是反对留言写作业，我只是心疼他花这么多时间，却只用这一个学习方法。每个班里都有个最用功学习，最晚回家，却考试垫底的同学。
类似的事情，在不断的发生，我们该怎么样避免自己陷入这样的人生大坑中呢？我想了想可能有三个改进方向可供参考：
（一）如果我们时不时问自己，究竟什么是最重要的，往往就能够放下眼前的恐惧与纠结。
将军赶路，不打小鬼。一路上打小鬼的，都成不了将军。如果你知道自己要什么，就会对自己好得多，不会纠结于那些虚名和浮利。
我们每个人都不喜欢让自己处在充满担心的、不确定性的环境里，因此，我们就想尽办法对我们自己可掌握的部分计算清楚，确保稳定。
可是，曹雪芹在几十年的人生磨砺之后，用浮生一世在《红楼梦》中告诉我们：“机关算尽太聪明”，会“反误了卿卿性命”。而爱因斯坦也告诫我们“不是所有可以计算的东西都是重要的,也不是所有重要的东西都可以被计算”。
因此，无论对个人也好，公司也罢，都不用那么精打细算地想如何把眼前的收益最大化——你能想到的“最大化”方案，永远是在以未来看不见的成本为代价的。
（二）与其这样算计现在，倒不如拥抱变化。拿出一些钱和精力，去接触新事物，尝试新做法，认识新朋友——这些看似没那么靠谱的事情，往往会给你带来人生大系统的惊喜。
失败是成功之母，成功也可能是失败之母。
从心理学的角度看，我们人生最重的包袱是“过去的成功经验”——人总是习惯于沿用过去已成功的“经验算法”，以致于当它不适应环境时，我们仍然意识不到是自己的问题。
意识到了这点，芒格才会不断检视自己喜爱的观点以及过去让自己成功的经验是否仍然成立。
（三）那些过去让自己成功的、最受自己喜欢的理论，才是最值得检查的——越是让我们成功的经验越危险。
好了，总结一下全文：
（1）如果我们过于强调一个子系统的准确性，反而可能在更高的层级上降低了系统效率。
（2）与其花所有时间计算现在的效率，倒不如在想明白自己真正要的东西后，拿出一些精力多拥抱不确定性，接触新事物和可能性，给自己打开全新的空间。