via：苏里格
劳德·艾尔伍德·香农（ClaudeElwoodShannon）是美国著名数学家、发明家、密码学家，也是信息论的创始人。
换句话说，我们现在所有IT人和通信人的共同祖师爷，就是他。
这份文档是克劳德·香农（Claude Shannon）于1952年3月20日在贝尔实验室发表的关于“创造性思维”的演讲记录 。
下面来看看这次演讲中一些核心信息——
能力的曲线与“铀”的比喻
关于产出的创意总量，由这些信号产生的有用的好创意，应该按能力递增的顺序排列 。在产生创意方面，我们发现一条类似的曲线 。请考虑这里产生的曲线数量——在这里上升到了巨大的高度 。
人口中极少的一部分人产生了大比例的重要思想 。这类似于英国数学家图灵（Turing）提出的一个观点：人类的大脑就像一块铀元素 。如果人类大脑处于临界点（critical lap）以下，你向其中射入一个中子，由于撞击会产生更多额外的中子 。这会导致该问题的极其爆炸性的增长，即增加了铀的体积 。图灵说，这就像是人类大脑中的思想 。
有些人，如果你向他们的大脑中射入一个想法，你只能得到半个想法的回馈 。而另一些人则处于那个点之外，你每输入一个想法，他们能产出两个想法 。这些人就是处于曲线“拐点”（knee of the curve）之外的人 。
我不想在这里显得自大，我不认为自己处于这条曲线的拐点之外，我也不认识任何处于那里的人 。但我确实知道一些曾经处于那里的人 。我想，例如，任何人都会同意伊萨克·牛顿就稳稳地处于这条曲线的顶端 。想想看，他在25岁时产出的科学、物理和数学成果，就足以让10到20个人成名 。他发现了二项式定理、微积分、万有引力定律、运动定律、白光的分解等等 。
科研的三大基本要素
现在，是什么让人冲到了曲线的这一部分？基本要求是什么？ 我认为我们可以列出三样对于科学研究、任何形式的发明、数学、物理或类似领域都相当必要的条件 。我认为一个人缺少其中任何一项都无法成事 。
- 第一点是显而易见的——训练与经验 。 如今，你不能指望一名律师，无论他多么聪明，能给你提供一个新的物理学理论，或者数学、工程学理论 。
- 第二点是定量的智力或天赋 。 换句话说，你必须拥有相当高的 IQ 才能从事优秀的科研工作 。我不认为任何优秀的工程师或科学家能在100（人类平均水平）的 IQ 下支撑工作 。换句话说，他必须拥有比这更高的 IQ 。这个房间里的每一个人都远高于此 。我们可以说，这是环境的问题，而智力是遗传的问题 。
- 第三个组成部分 。 我认为前两点是不够的。这第三个组成部分才是成就爱因斯坦或牛顿的关键 。由于没有更好的词，我们称之为动力（Motivation） 。 换句话说，你必须有某种驱动力，某种找出答案的欲望，一种查明事物运作原理的欲望 。如果你没有这些，即使你拥有世界上所有的训练和智力，你也提不出问题，更找不到答案 。
好奇心与建设性的不满
这（动力）是一件很难捉摸的事情 。它可能与性格有关，也就是早期的训练、童年的经历，决定了你是否会在科学研究的方向上产生动力 。我认为在表层，它是几种事物的混合 。这并不是一种深度分析，但我的感觉是，一位优秀的科学家拥有大量我们可以称之为好奇心的东西 。他想知道答案 。他只是好奇事物是如何运作的，他想知道问题的答案 ；如果他看到了某些东西，他想提出问题并知道这些问题的答案 。
然后是不满（dissatisfaction）的想法 。我指的不是对世界的悲观不满——我们不喜欢现状——我指的是建设性的不满 。 这个想法可以用这样的话表达：“这虽然可以，但我认为可以做得更好。我认为有更简洁的方法。我认为可以改进一点。” 换句话说，当事情看起来不太对劲时，会持续产生一种轻微的刺痛感 ；我认为这种不满在当今是优秀科学家的关键驱动力 。
另一件事是看到最终结果或达成结果的方法、工程设计、设备等所带来的快乐 。我自己从证明一个定理中获得了极大的快感 。如果我花了一周左右尝试证明一个数学定理并最终找到解法，我会感到非常兴奋 。
思维的技巧与窍门
看到一种解决工程问题的巧妙方法，或是使用极少量设备却能获得巨大效果的巧妙电路设计，我也会感到非常兴奋 。我认为就动力而言，可能有点像 Fats Waller 谈论爵士乐（swing music）时说的：“要么你有，要么你没有。” 如果你没有，如果你不想知道那类答案，你可能不该从事研究工作 。虽然没有这种动力的人在其他领域可能非常成功，但研究人员应该有极其强烈的寻找答案的驱动力，强到他不在乎是否到了5点钟——他愿意整夜工作寻找答案，必要时整个周末也是如此 。
那么，假设一个人在相当程度上具备了这三种属性，是否有什么技巧、什么窍门可以应用于思考，从而实际上辅助创造性工作、获取研究答案或解决一般性问题？ 我认为是有这类技巧的，而且在一定程度上可以被归纳 。你可以列出很长的一份清单 。我准备给出一些我想出来的或者别人建议我的技巧 。
我认为如果一个人有意识地将这些应用到需要解决的各种问题中，在许多情况下你会发现比平时更快找到答案，甚至能解决以前根本无法解决的问题 。我认为优秀的科研工作者会无意识地应用这些 ；也就是说，他们是自动完成的 。
简化与寻找类比
我首先要说的第一点是简化（simplification）的想法 。 假设你得到了一个需要解决的问题——我不在乎是什么样的问题，是设计一台机器、开发物理理论、证明数学定理，或者类似的任何事情——一个非常强大的方法是尝试从问题中消除除了基本要素之外的所有东西 ；也就是把它“砍”到合适的尺寸 。你遇到的几乎每一个问题都混杂着各种各样的无关数据 ；如果你能将这个问题归结为主旨，你就能更清楚地看到你在尝试做什么，或许能找到解决方案 。
在这样做时，你可能会剥离掉你正在追求的问题 。你可能已经将其简化到与初始问题完全不相似的地步 。但通常情况下，如果你能解决这个简单的问题，你就可以为这个解法添加细化（refinements），直到你回到初始问题的解决方案 。
一个非常类似的手段是寻求已知的相似问题 。 我想可以用这个图示来说明 。你这里有一个问题 $P$，在某处有一个你还不知道的解 $S$ 。如果你在你所工作的领域有经验，你可能会知道一个有些类似的问题，称之为 $P'$，它已经被解决了并且有一个解 $S'$ 。
跨越思维定势
你所需要做的只是找到从 $P'$ 到 $P$ 的类比，以及从 $S'$ 到 $S$ 的相同类比，以便回到给定问题的解 。这就是为什么在一个领域里的经验如此重要，如果你有经验，你会知道成千上万个已经解决的问题 。你的思维矩阵中将填满未连接的 $P$ 和 $S$ ；你可以找到一个与你正尝试解决的 $P$ 足够接近的，转到对应的 $S'$，从而回到你追求的 $S$ 。在任何思维活动中，进行两次小跳跃似乎比一次大跳跃要容易得多 。
解决给定问题的另一种方法是尝试用尽可能多的不同形式来重述它 。 改变措辞 。改变视角 。从每一个可能的角度去观察 。在那之后，你可以尝试同时从几个角度观察，或许你可以洞察到问题的真正核心，从而关联起重要因素并得出解决方案 。做到这一点确实很难，但很重要 。如果你不这样做，很容易陷入思维的俗套（ruts） 。
你从一个问题开始，绕着一个圆圈转，如果你能跳到这个点，也许就能看清路径 ；但你无法摆脱某些思维定势（mental blocks），它们把你束缚在特定的看问题的方式中 。这就是为什么经常会有对问题完全陌生的人进来一看，立刻就找到了解决方案，而你已经为此苦劳了数月 。你已经陷入了某种思维套路，而别人以新鲜的视角看到了它 。
概括与普适化
我认为研究工作中的另一个思维窍门是概括（generalization）的想法 。 这在数学研究中非常强大 。典型的数学理论是以如下方式发展的：为了证明一个孤立的、特殊的结果或特定的定理，总会有人过来并开始对其进行概括 。
- 如果它之前是在二维中，他会在 $N$ 维中完成 ；
- 如果它是在某种代数中，他会在通用的代数域中工作 ；
- 如果它是在实数域中，他会将其改为通用的代数域或类似情况 。
如果你记得去做，这实际上相当容易 。在你找到某件事的答案那一刻，下一件要做的事就是问自己是否可以进一步概括它——我能否做出包含更多内容的更宽泛的陈述 。在工程方面，我认为也应记住同样的事情 。当你看到有人提出一种聪明的做事方法时，你应该问自己：“我能否以更通用的方式应用同样的原则？我能否使用这里代表的同样巧妙的想法来解决更大类的问题？还有什么地方我可以使用这个特定的东西？”
下一个我要提到的是对问题的结构分析（structural analysis） 。 假设你这里有你的问题，这里是解 。
小步跳跃与消除冗余
你可能需要跨越的步子太大了 。你可以尝试做的是将那个大跳跃分解成大量的小跳跃 。如果这是一组数学公理，而这是你尝试证明的定理或结论，对我来说尝试一举证明这件事可能太难了 。但也许我可以设想出一些辅助定理（subsidiary theorems）或命题，如果我能证明那些，反过来最终我就能到达这个解 。
换句话说，我通过一系列辅助解1, 2, 3, 4等在域中设定一些路径，并在这些我已证明的基础上尝试证明最终路径 $S$ 。数学中的许多证明实际上是通过极其迂回的过程找到的 。一个人开始证明这个定理，发现自己在地图上到处徘徊 。他开始证明许多似乎没有指向任何地方的结果，然后最终通过后门到达了给定问题的解 。通常当完成后，一旦你找到了解决方案，简化它可能非常容易 ；也就是在某个阶段看到你本可以从这里走捷径，或者从那里走捷径 。
设计工作也是如此 。如果你能设计出一种明显的笨拙、累赘、使用太多设备的方法；但在你真正掌握了某些可以依靠的东西后，你可以开始削减组件，看哪些部分其实是多余的 。你最初其实根本不需要它们 。
问题的逆向反转
现在，我想提出的另一件事是我在数学工作中经常遇到的，即问题的逆向（inversion）想法 。 你正尝试在前提 $P$ 的基础上获得解 $S$，但你做不到 。那么，把问题倒过来——假设 $S$ 是给定的命题、公理或数字，而你尝试获得的是 $P$ 。假设情况就是这样 。
然后你会发现，在那个方向上解决问题相对容易 。你找到了一条相当直接的路线 。如果这样，通常可以分小批次地对其进行逆转 。换句话说，你标记出了一条路径 。你可以看到如何分小阶段逆转这些步骤 。
我认为同样的情况也会发生在设计工作中 。有时我有过设计各种计算机器的经历，我想从某些给定的量中计算出某些数字 。这恰好是一台玩“尼姆博弈”（nim）的机器，结果发现似乎相当困难 。尽管可以实现，但需要大量的继电器来完成那个特定的计算 。但随后我产生了一个想法：如果我把问题倒过来，如果给定结果和所需结果互换，那就非常容易做了 ；那个想法引出了一种比第一种设计简单得多的方法 。这种方法是通过**反馈（feedback）**来实现的 ；也就是说，你从所需的结果开始，将其反向运行 。
结论与演示
（机器反向运行其数值）直到它与给定的输入匹配 。所以机器本身是向后工作的，在数字上覆盖范围 $S$，直到它达到了你实际拥有的数字 。
好了，现在是对这种可能对你们大多数人来说非常枯燥的哲学的总结 。我现在想给你们展示我带来的这台机器，并深入讲解与之设计相关的一两个问题，因为我认为它们阐释了我刚才谈到的一些事情 。为了看清它，你们得围过来 ；所以，我想请大家现在都到桌子这边来 。
克劳德·香农，贝尔实验室
1952年3月20日
