最近假期在外面学习，就有一些其他院校的同学问我，说自己是学文科的，或者学工科的，到了大学之后除了专业课之外，还应该了解点别的什么。
我想了想，觉得值得好好写写。
不是说要每个人都变成全才，那不现实。但有些学科里最基本的几个概念，知道了和不知道，看世界的方式会不太一样。下面说的这些，是我觉得不管学什么专业，都值得了解一点的东西。
物理：从离散和连续两个角度来认识世界
不需要会解薛定谔方程。你只要知道有这么回事就行：能量有时候不是连续的，是一份一份的。光既是波又是粒子——不是有时候是波有时候是粒子，而是它同时就是这两个东西，取决于你怎么去看它。
连续和离散，这两个概念在很多地方都会冒出来。数字信号和模拟信号、像素和矢量、甚至时间管理里"整块时间"和"碎片时间"，背后都有连续和离散的影子。脑子里有这个框架，以后再碰到类似的东西，理解起来就快很多。推荐赵峥教授在 B 站的物理公开课 https://search.bilibili.com/all?keyword=%E8%B5%B5%E5%B3%A5 ，讲得深入浅出，适合入门。
数学：无穷和无穷不一样，有的无穷一样大
自然数有多少个？无穷多个。有理数有多少个？无穷多个。但这两个无穷不一样大吗？答案可能出乎意料：自然数和有理数一样多。可以通过一一对应的方法证明——把分数排列成一个表格，按对角线走一圈，每一个有理数都能和一个自然数对上号。这种"能对上号"的无穷，叫可数无穷。
但实数比自然数多。不管你怎么排，总有一些实数是排不进去的。这就是康托尔的对角线证明。无穷和无穷之间，是有大小的。
不用记住证明细节。知道"有些无穷比另一些更大"这件事本身，就是数学带给你的一种认知冲击——很多事情不是直觉想的那样，得靠逻辑去推。推荐 G·伽莫夫的《从一到无穷大》（暴永宁译本，https://book.douban.com/subject/1102715/ ，用非常通俗的语言从数论一路讲到相对论和宇宙学。
统计：从贝叶斯到高维的直觉
统计学里有两个大的流派。频率学派认为概率就是大量重复试验的频率，贝叶斯学派认为概率是你对一件事的相信程度，可以根据新的证据不断更新。这两种思路在日常生活里都能用得上——你看到一个现象，是先假设一个模型然后根据数据调整（贝叶斯），还是等攒够了数据再下结论（频率论），处理问题的方式会很不一样。
另外还有一个容易被忽略的直觉：当数据的维度变高之后，样本量增加带来的帮助往往是边际递减的。更重要的可能是特征维度——也就是你从什么角度去看这件事。维度高了之后，很多在低维空间里不成立的规律会冒出来，这就是所谓"维度的诅咒"。知道这一点，对你以后看数据分析、看 AI 预测结果的时候，会多一分清醒。推荐 Kevin Murphy 的 Machine Learning: A Probabilistic Perspective（简称 MLAPP，https://probml.github.io/pml-book/book0.html）、Christopher Bishop 的 Pattern Recognition and Machine Learning（简称 PRML，https://www.microsoft.com/en-us/research/publication/pattern-recognition-machine-learning/），以及李航的《统计学习方法》（https://book.douban.com/subject/33437381/），三本都是经典。
化学：结构决定一切
同样的碳原子，排成石墨就是滑溜溜的一层一层，排成金刚石就是地球上最硬的东西之一。原子没变，变的是结构。
这个道理其实超出了化学。一个团队换一种组织形式效率可能完全不同，一段文字换个顺序读起来完全不一样，一个零件换个位置机器就转不起来。结构本身就带有力量，能决定性质。推荐北京大学卞江老师在 B 站上的化学视频（https://search.bilibili.com/all?keyword=%E5%8D%9E%E6%B1%9F+%E5%8C%96%E5%AD%A6）和相关公开课，讲得清晰易懂。
生物：演化的丰富和残酷
蛋白质折叠错了一个角度，可能就是致命的遗传病。所以一个小小的结构变化，可以带来如此完全不同的惊人后果。突变是一直在发生的，环境在不断选择。有些突变被淘汰了，有些留下来了，还有些被保留的原因可能仅仅是因为运气。
演化不是朝着一个方向走的。对于演化更细节的话题，建议关注饶毅老师的公众号，以及《知识分子》的公众号，上面有很多可以参考的内容。
避免一种常见的自大
学了一个学科之后容易有一种错觉：觉得这个东西能解释一切。学经济学的觉得所有问题都是激励问题，学物理的觉得所有东西都能建模，学计算机的觉得所有事都能自动化。老话说手里拿着锤子看什么都是钉子，不一定谁对谁错，就是有时候容易忽视了别的学科在同一个问题上已经积累了很久的思考。
有了一点通识之后，至少你知道那里还有别的锤子、别的工具。不一定非得会用，知道它们存在，就不会太笃定自己手里这个就是唯一。这样当然有好处，起码不容易因为无知而自大。
了解历史，但别成为粉丝
历史里有很多精彩的规律。权力的运作、经济的周期、技术的扩散，在长尺度上看一遍，比任何管理学教材都深刻。但不要代入。不要成为某个王朝、某个皇族、某个利益群体的忠实粉丝，觉得自己跟人家血脉相连、荣辱与共。
你不是他们。你是你自己。历史的教训要学，角色不要拿。
想要了解历史，要注意区分几种不同性质的东西。通俗小说是一种，论坛文学和碎片化短视频里那种指点江山是另一种——尤其是某些油腻的中年人甚至中老登在屏幕前信口开河的东西，和真正基于史料的历史研究完全是两回事。北大有一些老师，比如孙庆伟老师做考古和历史研究的，他们的东西可以参考。像厦门大学的某中天教授，他本身是研究美学的，讲历史更适合作为一种爱好者的观点来看待，不必当作严肃的史学研究。
另外，外国人写的通史有时候也会有一些基础性的错误。斯塔夫里阿诺斯的《全球通史》就有不少细节上的问题。这也不奇怪，研究一个不属于自己文化背景的历史，难免有不准确的地方。反过来说，我们自己去看外国的历史，同样也要注意认知上的偏差——不要轻易陷入某种狂热的信仰，也不要轻易否定自己并不一定了解的东西。保持开放，保持谨慎。
对应的，政治学、经济学也应该了解一点。不需要深入到模型和方程，知道权力怎么分配、资源怎么流动，基本的几个框架有一个印象，看新闻的时候不容易被带节奏。
多看点字，少刷点视频
短视频把刺激的阈值拉得很高。十几秒一个笑点、一个反转、一个情绪高潮。习惯了之后，看一篇长文章、读一本没那么紧张的书，可能就坐不住了。不是书不好，是脑子被惯坏了。
能看原著就看原著。《史记》的原文非常精彩，《左传》也一样。文言文一开始可能有点门槛，读几篇就习惯了，比你想象的容易。现代的通俗文学也有很多好作品。重点是看字，不是看画面。文字需要你主动去想，画面直接喂给你。读得越多，想得越深。
纸质书和电子书各有各的好处。电子书方便搜索、方便跑代码，纸质书翻起来快、看着不累。这倒不用太纠结，看你自己习惯什么。关键是别只看视频，更别只刷短视频。
学一门编程语言，配一个智能体
不管你是什么专业，建议学一点编程。Python 或者 JavaScript 都行。不用写得多好，能用就行。学会之后，很多需要重复处理的事情你自己就能搞定，不用每次都找人帮忙。
再配一个智能体工具——比如 opencode 这种开源免费的，或者其他你喜欢的都行。有一个编程语言基础，加一个智能体辅助，能做的事情会多很多。自己动手解决问题的成就感，挺实在的。
养成记笔记的习惯
纸质也好，电子也好，甚至就是微信传输助手里打几行字都行。重点是记下来，然后回头看。
每天睡前想一想今天有哪些收获，哪怕只是一点点；早上翻一下昨天的记录，看有什么遗漏。这不是什么高深的习惯，但坚持下来的话，很多零散的念头就不会丢了。灵感是非常容易跑掉的东西，随手抓一下，可能后面就会用得到。
尽量掌握一门外语
不用多精通。基本的原文阅读能力有就行，看不太懂的可以借助翻译工具。但最好能做到翻译工具不可用的时候，也能基本看懂、能回个邮件。
不是为考试。是因为不同的语言，思维方式不一样。有些概念在中文里有几种说法，在英文里可能要换个角度才能表达清楚。反过来也一样。你学会了用另一种语言去组织思路，就相当于多了一套看待世界的框架。
对自己专业领域的术语，能用外语简单说清楚；对自己感兴趣的东西——比如你喜欢电影、喜欢音乐、喜欢运动——也能跟人聊上几句。这不需要多高的语言水平，需要的是愿意开口。你得到的不仅是一种交流能力，更是从另一个文化视角看同一件事的机会。
总之，想办法让自己更丰富，而不是更狭隘。成为更好的版本，而不要把自己锁到茧子里，变成茧房当中的一只小虫子。
学习是一辈子的事
到了大学，考试就不再是目标了。你要面对的真正的课题，是怎么成长为自己希望的那个样子。每一门课、每一本书、每一次尝试，都是往那个方向上走的一小步。
世界的更新不会等你毕业。总会有新的东西冒出来，总有你不知道的东西。这不是焦虑的来源，是乐趣的来源——你想知道的时候，永远有东西可以学。
这事儿跟年龄也没什么关系。三十岁、四十岁、五十岁，该学还是学。能学是一种自由，能知道自己不会的东西然后去学会，是一种很踏实的能力。
开开心心的，别把自己弄太累。加油。