如何消除表象的迷雾，看到事物的本质
解释
我们通过抽象概括和定义的方式认识事物的表象，通过5W2H分析法描述事物之间的关系。
但是表象的背后可能存在很多有趣的机制，想要更深入地了解事物，我们还需要解释这些关系的产生，找到其内在的机制。
解释是对事物的进一步认知，是一个说明事物含义、原因和理由的过程。
解释的过程，其实也就是对这7个层面都提一个“为什么”的问题：为什么这件事是这样的？为什么是这个目的？为什么是你？为什么是这个时间？为什么是这个地点？为什么是这个方法？为什么是这个程度和数量，这是横向分析方法。
也可以用纵向分析方法：5WHY分析法，就是对一个问题不停追问“为什么”的过程。
当然，5WHY分析法并不是说一定要追问5个为什么，而是让我们时刻记住一个核心理念：现象的背后都有它的机制，问题的背后有更大的问题。
因果
因果关系是因素和结果之间的关系，可以理解为某个事物的变化会引起另一个事物的变化。
比如，常温常压下，温度从-1℃升高到0℃时，会引起冰雪的融化；我用力将石头扔出去，会引起石头的运动；我用鼠标点击网页链接，会引起网页界面的变化。
弄清楚因果关系的条件可以让我们看清楚事物之间的联系，进而更好地挖掘事物内在的变化过程。
图灵奖获得者朱迪亚·珀尔（Judea Pearl）介绍了两种不错的方法，可以帮助我们寻求事物的因果关系。
第一，初级方法是关联，我们通过观察事物的变化关系，进而判断它们的因果关系。
假设有A和B两个因素，我们观察到A增加时，B也增加了；A减少时，B也减少了。那么我们就可以推断它们之间可能存在因果关系。
然后，我们再观察变化出现的先后关系，发现了A的变化一直出现在B的变化之前，这又是一个证据。
我们根据观察到的这些现象将A和B两个因素关联起来，推断它们之间很可能存在因果关系。
第二，进阶方法是干预，我们通过介入因素变化的方法来检验因果关系。
我们观察到A和B之间很可能存在因果关系，但是我们并不能确定这种关系，于是我们通过干预A的改变来观察B的改变。
假设A是风，B是风车。我们可以通过干预风的流向观察风车是否发生转动。当我们使风停止时，风车不动了，就可以推测风可以引起风车转动。我们就可以在判断两者的因果关系上更进一步。
如何逼近真相，看到未来的趋势
如果我们能够从纷繁的关系中找到事物的因果关系，其实就已经具备了预测的能力。但是这种能力还需要一些模型和方法的辅助，这样才能提高预测的准确性。
预测
预测，是关于未来的一种陈述，是人们运用已经掌握的知识和手段，预先推测和判断事物的发展趋势的一种活动。
我们先了解事物的质料、形式、功能和变化属性，然后再根据事物之间的因果规律，对事物未来的发展趋势和可能达到的水平进行科学推测。
按照方法区分，预测分为定性预测和定量预测。定性预测解决的问题是判断事物的趋势或属性是什么，而定量预测则是确定事物趋势或属性的程度和具体数值。
定性预测是一种方向性的预测，相对来说比较粗糙；而定量预测则是通过量化的方式进行预测。
举个例子，“房价未来会涨”，这就是一个定性预测，我们可以预估房价未来的变化方向是增长，但是这种预测比较粗糙；如果我们能够做一个定量分析，比如“未来10年，房价将会以每年1%的涨幅持续上涨”，那么这个预测就非常具有指导意义，也拥有更大的操作性。
当我们不了解一个新事物时，我们需要先做定性预测，然后才可能进一步做定量预测。而且随着我们对事物了解的逐渐深入，我们用定量的方式也能进行更精准的预测。
模型
最有助于预测的方法论是建模思维，模型是基于实际问题或者客观事物的经验和规律，通过抽象、概括和总结而成的。
我们用2道数学题来帮助大家了解模型对我们预测的重要性。
在三角形ABC中，A=90°，B=60°，请问C是多少度？
我想大家都会很快算出C=30°。因为我们都学过：三角形内角之和等于180°。
在这里，“三角形内角之和等于180°”就是一个模型，一个帮助我们根据已知预测未知的模型。
只不过这种预测，结果比较单一和确定，以至于大家不认为这是一种预测。
某城市拥有本地人口1400万人，预计该城市未来每年流入人口约15万人，该城市10年后会有多少万人口？
比起前面的问题，这个问题更贴近生活，也更有预测的味道。在这个问题中，我们运用到的就是线性函数模型。
我们假设X年后的人口为Y，那么人口预测模型为：Y=1400+15X。将X=10带入该模型，即可得出Y=1550，即该城市10年后人口为1550万人。
模型的价值在于，将粗糙的定性关系转变为更准确的定量关系。如果我们想要更好地预测事物的发展规律，就必须时刻保持建模的思维。
#事物的本质##如何抓住事物本质和核心##事物真相##未来的趋势#
脑熵：直击真相,果断决策
