程式 技術 ， 也 不 是 自己 以前 的 專業 ， 而 居然 是 他 早年 從 康納曼 那裡 學來 的 一 個 不近情理 的 心理學 知識 。 這 就 叫 「 神來之筆 」 ： 非常 遙遠 的 兩 個 東西 ， 透過 一 個 非 常規 的 管道 連結 在一起 ， 把 問題 解決 了 。 事實 上 ， 外行 解決 問題 是 一 個 非常 普遍 的 現象 。 有 個 群眾 外包 （ crowd-sourcing ） 網站 叫 InnoCentive ， 你 如果 是 某 個 領域 的 高手 ， 不妨 去 註冊 一 個 帳號 。 Inno Centive 是 個 平台 ， 哪 個 公司 有 什麼 解決不了 的 技術 問題 ， 可以 在 這 個 網站 上 懸賞 ， 誰 第一 個 解決 了 就 給 誰 獎金 ， 有時候 獎金 高達 幾萬 美元 。 有 人 拿 Inno Centive 的 資料 做 了 一 個 研究 ， 結果 發現 「 外行 」 解決 的 問題 ， 比 「 內行 」 解決 的 問題 多 ； 生物學家 解決 的 化學 問題 ， 比 化學家 解決 的 化學 問題 多 。 為什麼 會 這樣 ？ 一方面 ， 本行 專業 專家 能 解決 的 問題 肯定 早 就 解決 了 ， 也 不至於 懸賞 ； 另一方面 ， 複雜 問題 的確 需要 用到 多 個 專業 的 知識 ， 比如 有 個 研究 水泥 、 從來 沒 研究 過 石油 的 化學家 ， 就 在 InnoCentive 上 解決 一 個 海洋 石油 汙染 的 問題 。 那麼 技能 和 眼界 單一 的 專家 們 ， 就 得 有點 緊迫感 了 。 什麼 時候 「 練習 」 最 有用 ？ 成為 專家 的 辦法 是 「 刻意 練習 」 。 本來 刻意 練習 強調 的 是 練習 的 方法 ， 但 麥爾坎．葛拉威爾 （ Malcom Gladwell ） 的 暢銷書 《 異數 ： 超凡 與 平凡 的 界線 在 哪裡 ？ 》 （ Outliers: The Story of Success ） 的 影響力 實在 太 大 ， 現在 人們 都 認為 練習 的 關鍵 是 時間 長短 ， 你 要 練習 一萬 個 小時 才 能 成為 專家 。 可是 ， 練習 時間 長短 和 實際 工作 表現 之間 到底 有 多 大 聯繫 ？ 索南史恩 列舉 一些 綜合性 研究 ， 即 所謂 「 薈萃 分析 」 （ meta analysis ） ， 把 幾十 個 研究 放 在一起 分析 結論 。 結論 有 兩 個 。 第一 ， 有 嚴格 固定 規則 的 領域 ， 練習 的 作用 最 大 ； 沒有 嚴格 規則 的 領域 ， 練習 的 作用 非常 有限 。 比如說 ， 國際 象棋 就 有 非常 嚴格 的 規則 ， 在 國際 象棋 的 領域 內 ， 一 個 人 的 總 練習 時間 能夠 解釋 他 二六％ 的 表現 ； 在 音樂 領域 ， 練習 時間 長短 能 解釋 二一％ 的 表現 ； 在 體育 領域 ， 練習 時間 能 解釋 一八％ 的 表現 。 剩下 的 可能 是 天賦 和 臨場 發揮 水準 之類 的 ， 也許 還 包含 偶然 因素 。 而 教育 、 編寫 程式 、 航空 飛行 這些 更 常見 的 職業 ， 往往 不 像 體育 比賽 那樣 有 固定 規則 ， 發揮 更加 複雜 ， 一 個 人 的 練習 時間 ， 居然 只 能 解釋 不到 一○％ 的 表現 。 第二 ， 環境 局面 愈 是 可 控 、 可 預測 的 ， 練習 的 作用 愈 大 ； 局面 如果 是 複雜 多變 、 不可 預測 的 ， 練習 的 作用 就 很 小 。 綜合 統計 ， 在 最 可 預測 的 環境 裡 ， 練習 能 解釋 二四％ 的 表現 ； 在 最 不可 預測 的 環境 中 ， 練習 能夠 解釋 的 因素 只有 四％ 。 練習 其實 就 是 練習 模式 。 真實 世界 裡 的 工作 模式 並 不 固定 ， 高水準 工作 要求 你 能 臨場 發揮 ， 要求 你 借鑑 不同 領域 的 見識 ， 只 靠 年輕 時 的 刻意 練習 ， 當 個 領域 的 專家 就 遠遠 不 夠 了 。 二十一世紀 什麼 人才 最 貴 ？ 答案 當然 是 天才 最 貴 。 天賦 無法 複製 ， 可 遇 不可 求 ， 是 最 稀缺 的 資源 。 那 什麼 人 才 是 第二 貴 的 ？ 答案 是 跨 界 人才 。 索南史恩 舉 了 個 例子 。 現在 有 個 流行 辭彙 叫 「 斜槓 青年 」 ， 下面 要 說 的 這 個 人 就 是 「 特極 斜槓 青年 」 。 斯多里 ． 馬斯格雷夫 （ Story Musgrave ） 是 NASA 的 太空人 ， 他 還 曾經 是 ： 數學家 程式師 飛行員 軍人 研究 人腦 的 科學家 外科 醫生 事實 上 ， 他 在 NASA 工作 的 三十 年 間 ， 馬斯格雷夫 每 個 月 還 有 三 天 時間 去 醫院 幫 人 做 手術 。 馬斯格雷夫 沒有 高中 畢業 證書 ， 念到 一半 就 退學 了 ， 在 機場 擔任 過 一 段 時間 的 電氣 工程師 。 他 看 人 開 飛機 自己 也 想 開 ， 就 重返 校園 讀 大學 ， 結果 一發不可收 地 拿 了 很多 學位 ： 數學 學士 化學 學士 工商 管理 碩士 生理學 和 生物 物理學 碩士 文學 碩士 醫學 博士 像 這樣 什麼 都 懂 的 人 應該 做 什麼 呢 ？ 學 這麼多 有 什麼 用 呢 ？ 馬斯格雷夫 在 NASA 以 「 能 修理 所有 東西 」 著稱 ， 特別 擅長 臨場 解決 問題 。 所以 當 哈伯 太空 望遠鏡 出 了 問題 ， 整 個 NASA 的 聲望 繫於 一 線 的 時候 ， NASA 發現 只有 馬斯格雷夫 最 適合 執行 這 個 修復 任務 。 馬斯格雷夫 自己 也 對 人 說 ： 「 我 之前 學習 的 所有 技能 ， 可能 都 是 為 這 一 天 準備 的 。 」 馬斯格雷夫 通過 三 次 太空 行走 ， 總共 歷時 二十二 個 小時 ， 修好 了 哈伯 望遠鏡 。 今天 社會 的 分工 愈來愈 細 ， 需要 很多 專才 ， 教育 系統 培養 的 也 是 專才 ， 但 真正 值錢 的 卻 是 通才 。 尤其 是 領導 職位 ， 比如 一 個 公司 的 CEO ， 應該 在 各 個 領域 都 有所 涉獵 才 行 。 有 人 調查 了 四千五百 名 CEO 的 履歷表 ， 發現 他們 總共 從事 過 超過 三．五萬 個 不同 的 職位 。 研究 者 就 考察 這些 CEO 之前 從事 過 的 職業 多樣化 程度 ， 來 判斷 這 個 人 是 「 專才 」 還是 「 通才 」 。 結果 是 「 通才 」 更 受 歡迎 。 「 通才式 CEO 」 的 平均 工資 ， 比 「 專才式 CEO 」 的 高出 一九％ ， 相當於 每 年 多 了 一百萬 美元 。 如果 是 特別 複雜 的 業務 ， 比如 涉及 公司 合併 、 收購 之類 的 技能 ， 通才 的 工資 甚至 比 專才 高出 四四％ 。 我 想 澄清 一下 「 練習 時間 」 和 人 所 能 達到 的 水準 之間 的 關係 。 我 多 次 說 過 ， 「 刻意 練習 」 的 關鍵 不 是 時間 ， 而是 方法 。 但 問題 在於 「 方法 」 很 難 觀測 ， 「 時間 」 容易 統計 ， 這 就 是 為什麼 大部分 對 練習 的 研究 都 在 考察 練習 時間 ， 其實 總時間 根本 不能 說明 問題 。 比如 我 看過 有 研究