准备写一点文字来回顾自己所学所思，本篇来源于生活的实际体验和相关书籍的阅读反思，例如《学会提问》、《乌合之众》等存在逻辑思辨内容的畅销书以及需要深度阅读的哲学通读著作《理想国》。

首先，我想用通俗且被自己理解的话语来描述下“理性”是什么？我认为理性是一种能被大众认可的且在长时间窗口内被证明是非常有用的思考和认识事物的方式方法，它从统计范围内总的来说是利大于弊，但我们也可以举出现实的反例，太过理性的人不具备冒险精神，也会一定程度阻碍事物整体的发展。另一个是生活的角度，一个太理性的人，比如1是1，2是2，总是极端计较得失，会被人认为没有浪漫情怀，毕竟我们也希望世界是多元的，既有理性主义也还得拥有浪漫主义。所以，根据上述的理由，我们从概率上是都希望自己成为一个理性的人，其次是在拥有理性后附带一点点浪漫主义，这个结果意味着可以锦上添花。

如何让自己变得理性呢？我觉得需要找准普遍被证明有效的方法去锻炼或者刻意练习，接下来我会根据自己经历的案例来说明自己的观点。

比如需要面对理工科范围内的工程化问题，那么前提就得是有一定的训练与实验经验，这样子才能懂得科学或工程的思想。大胆假设，小心求证，通过做实验来印证最初的猜想，而最初的猜想肯定可以有多个结论的分布，而实验一定是可以得到最初的猜想是否合理或正确，这就是很朴素的科学精神。能够在理工科适应而从事相关工作的人都有这个默认的意识，只是因为没有考虑过它的最初哲学观点是什么，但并不影响它的推进，因为在所有的工程化落地的过程中大家都默认这样做，先做实验后再落地。

通过做实验后再落地，这是一条朴实的准则。同样，在我们讨论某个技术方法或方向时就有可能会遗忘这个前提。为什么会遗忘呢？第一个原因是受限于我们的固有认知和相关技术经验与常识，我们通过自己遇到过的案例简单地从心里认为该技术点或路线是如何如何以及结论，过于相信自己的先验知识背景。从数理统计的基本案例可得知，我们所熟悉的案例仅仅只是现实复杂问题的一个小点而已，并不足于支撑我们看到事物的全貌，因此我们会得到错误的技术认知路线，从而造成在未来的某个时间点发现之前的路线有偏差，从而需要推倒并更新自己的技术认知，这就会造成资源的浪费。第二个原因是现实的情况是留给技术预研和实验的时间仓促，很大概率找不到合适的路线与演变。当整个环境追求高效的特性时，前期是受益的，但不可能一直受益，总归会将问题慢慢显露出来。人也就很难有机会能“慢”下来，所谓慢工出细活，这是很有道理的，慢能更全面看到事物的本来面目，且实验充足可以提前远离一些技术路线的坑。这其实在现实的科学思想上有明显的例子，例如从事研究的人肯定需要研读最新的该方向的论文，需要在别人的基础上去演变，避免重复造轮子。也能避免掉很多已被前辈证明是个不正确的研究路线，能把大家有限的精力与能力用在合适的方向，这也是健康的高效方式。

做实验的重要性对于信息安全行业也非常重要，不能因为感觉浪费时间而主动舍弃，接下来会举个我身边的例子。当一个检测系统遭遇了一个特例情况，对原有的流程造成了影响，类似于一个“漏洞”可以绕过原有的设定逻辑。那么当这个情况出现时，我们会发现由于它“简单”而下意识地表明了可以应用的动作，但其实这里是不合理的。随后我们又依据当前的情况进行了讨论，在讨论的过程中发现可以不断有案例出现来推翻之前的想法，类似于二叉树的情况不断地延展，最终我们的思路完全混乱了，脱离了原本想应用动作解决这个特例情况的初衷。最后，面对讨论无果的情况，借助于先前学习机器学习时学到的不断做实验验证猜想的动作，我便提出了一个想法，通过做实验的方式来验证我的猜想并得到我们想要的动作，而猜想无外乎两种结果，因此整个的思路也可以映射到二叉树中画图来理解。这个事情的最后确实按照我的思路较为完美地解决了，从这个案例引申出最初的观点，在工程方向上如何变得理性呢？我觉得不能空想或下意识地依据自己经验回答，过于相信自己的经验最终也会被经验所拖累。我们要有理性的方法，掌握以实验为主导的理性方法可以帮助我们成为一个拥有理性的人。

在与人沟通中保持理性也是经常需要面对的场景，评测场景是大多人都会遇到的事情，不管是科技产品的评测还是具体某些行业内的小场景下的评测都会存在需要理性角度来切入分析的动作。

在对比场景中，我们可能会不自觉地“更改”当初设定的标准，以为差别不大。当然这并不是故意的，只是因为当事人陷入其中而存在了认识偏差而已，而作为局外人的我们可以较为明显地认识到最核心的区别并发现原因。举个发生在身边的例子，检测方向其实有两个可以明显区分的场景，分别为实时检测和事后检测，它们的区别是对输出结果的灵活性，实时检测要求结果一定是黑是黑，如果有可疑能设定告警则为偏黑，其余的状态均是正常，主动权在于系统而非用户，系统的责任大于用户自己的责任，这是因为它有拦截的功能。事后检测灵活性很大，决定权在用户这里，即使是黑或可疑，用户也可以推翻给出的结论，不要求拦截，只是作为辅助用户分析的手段。而我们最初设定的标准是所有的待测试的系统均当作黑盒且属于实时检测场景范畴，我们只关注提供的输入后最终的输出结果是什么，并根据A系统设定的只有黑标准的策略来收集各个系统的结果进行直接的比对，因此我们的A系统刚开始会只关注输出的结果，输出结果要么是黑要么是正常，不会关注输出这个结果之前的内部细节如何，其后我们会把B系统也当作一个黑盒，尽量做到公平。但随着测试的时间在不断变长，我们最后将最初的标准进行了“更改”，将B系统的中间细节（不属于我们认定的统一标准）的可疑状态也当做了黑状态作为最终输出结果。由于这个改动的动作这将导致整个测评结论会存在偏差，确实不符合标准统一的问题。至于为什么会影响最终测评结论，接下来我会解释这个原因。

从上面的案例得知，影响我们理性的是原因是标准的突然改动，虽然看起来确实不影响最终的结论，各个系统都有差不多的标准嘛，比如黑、可疑、正常等状态，但是由于我们最初就统一了场景，这是实时检测场景。因此最核心的要求是误报率，实时检测的场景下误报率必须足够低，但是事后检测场景则不同，因为事后检测场景依赖于用户作为主导，而检测系统仅仅充当一个辅助分析角色，对误报率的要求要远远低于实时检测场景。那么如果B系统的可疑可以充当黑的标准，这个可疑的标准如果本身是以事后检测作为主导而存在的，在误报率上是肯定不能做到和A系统是统一标准的，而这就是影响测评结论的问题根源。因为高误报意味着高检出，数据效果会好看一些，而这就是会影响诸如ABCD等检测系统的检测比对结论的核心原因。

在与人沟通相关事情时如何做到理性呢？我觉得对于他人的反馈不能急于作答，假设自己对相关领域就是未知的，从头开始。要给自己留出缓冲时间，这个时间可以自己梳理下对方给出的相关方案和标准，然后自己沿着给定的流程心中或纸上模拟一遍，掌握科学的测评思维例如统一标准、得到真正误报率与检出率的方法等思路。找到问题点后也不要立即回答或回复，将自己的观点和思路进行整理后交与另一个也不熟悉的人进行讲解，在讲解的过程中可以避免自己的认知偏差和结论错误。同样的，别人也可以给出对于这个事情的答复，如果两个不熟悉这个方案的人得到的观点一致，那么就可以认为当前我们的思路是合理的。人无完人，每个人在任何事情上都有可能存在偏差，我自己也一样。同样的，我们需要感恩自己和同情别人，让自己成为一个更理性的人。