1701804968
1701804969
1701804970
1701804971
1701804972
参加试验的120个学生中，有95%的人给出了下面这个答案：
1701804973
1701804974
1701804975
1701804976
1701804977
很遗憾，这个答案不正确（正确答案见本节结尾）。
1701804978
1701804979
但是，参试者找不到其他的解决方法。因为，他们不能从第一次找到的解决方法中抽离出来，这就是所谓的“烙印”。
1701804980
1701804981
对于大脑来说，问题已经解决了，为什么还要回过头来重新开始思考呢？直觉型问题解决者倾向于，通过可以让我们感觉达到新状态的步骤来解决问题，这个新状态明显要比初始状态更接近目标。这个方法被学术界形容为“登山”。简单来说，就是先行动再提问题。通常，我们倾向于大幅减少初始状态和目标之间的差别。这取决于工作记忆的限制：一大步消耗的资源要比很多小步消耗得少。
1701804982
1701804983
再看下面的试验。
1701804984
1701804985
1701804986
1701804987
1701804988
塔楼试验
1701804989
1701804990
现在，A上有3个垫片。目标是将所有垫片按照相同的顺序挪到在C上。此时，需要注意3条简单的规则：
1701804991
1701804992
（1）垫片只能放在A、B或者C上。
1701804993
1701804994
（2）每次只能移动一个垫片。
1701804995
1701804996
（3）大的垫片不能放在小的垫片上面。
1701804997
1701804998
这一试验要求参试者先在脑中演练，然后行动。如果增加难度，给出4个或者5个垫片，那么参试者的大脑就承受不了了。他们无法顺利从“3个垫片版本”进入到“4个垫片版本”或“5个垫片版本”。
1701804999
1701805000
A解决方法：“方法—目标—分析”
1701805001
1701805002
电脑是一个杰出的问题解决者。当然，它也是一个问题制造者。但是问题不在它，在于SISO系统：单输入，单输出。从A到Z，即从初始状态到目标，借助了清晰的规则、公式和过程，很快就能给出答案。
1701805003
1701805004
但是，我们的大脑不喜欢这个方法。认知心理学家迈克尔·爱特伍和彼得·波尔森表示，我们在解决问题的时候只思考前几步，就会对这个步骤的质量进行评判：它可以让我们多快达到目标，而不是去想：这个步骤对整体关联的意义有多大。
1701805005
1701805006
人工智能和认知科学之父艾伦·纽厄尔及其同事赫伯特·西蒙在计算机编程基础上发明了“方法—目标—分析”。这个方法的吸引人之处在于：非常简单的递减方法。它让复杂问题逐步变得简单，将“大”目标拆分成“小”目标。那么，这个方法在日常生活中怎么起作用呢？
1701805007
1701805008
比如说，你想带家人去剧院，从家里（A）去剧场（Z）。
1701805009
1701805010
你的解决方式（方法）：开车去。
1701805011
1701805012
准备开车的时候发现车不能启动了，因为电池坏了，但是车库里有一个备用电池。
1701805013
1701805014
下一个目标：怎么把备用电池装到汽车里？汽车修理厂的人可以。
1701805015
1701805016
下一个目标：联系汽车修理厂。需要用手机联系。
1701805017