成功与幸福的杠杆原理

思想者札记——关于自然、社会、人生问题的思考，每周一 、三晚上20点发布2篇文章。

期望为读者提供一个精神家园，大家思想碰撞、心灵互动。

敬请关注、阅读、分享、评论！

抓住少数关键的活动，就可以给你带来更大成功和幸福。

更少就是更多！

“给我一个支点，我能够撬动地球。

”这是阿基米德发现杠杆原理之后发出的感慨。

当我第一次读到这句话时，着实兴奋了一阵子。

多年来，杠杆原理使我受益无穷。

广义来讲，杠杆可以看作是“工具”，人类能成为地球的主宰就在于运用“工具”。

七尺之躯，体能有限，而摩天大楼拔地而起，宇宙飞船飞向太空……都是人类运用大脑、使用“工具”、应用“杠杆原理”的体现。

杠杆原理的启示在于“四两拨千斤”（ Doing More With Less）。

为什么有的人拼命工作而收获却很少？我觉得主要是没有运用好杠杆原理。

牛顿曾说过：“如果说我比别人看得更远些，那是因为我站在巨人的肩膀上。

”据我多年的体会，最大程度地利用杠杆效能，关键在于在工作和生活中明确自己的目标，借鉴他人的经验，借助他人的力量，借用他人的资金等等。

借鉴他人的经验——OPE（Other Persons Experience）。

首先是向优秀人物学习。

善于借鉴他人的经验，站在巨人的肩上思考问题，你就会省力，你就会有更高的效率。

另外，读书是最廉价的投资！一本有价值的书是作者数十年的工作经验的总结。

从书中学到前人的智慧，可以节约工作时间，避免绕更大的圈子。

借助他人的力量——OPL（Other Persons Labor）。

人各有所长，又各有其短。

专心去做自己擅长的事情，不重要的事情授权他人去做或者“外包”，是提高工作效率的根本之道，也是事业成功的妙法。

借用他人的资金——OPM（Other Persons Money）。

大到国家经济建设，中到创业、企业扩大生产、企业并购，小到个人住房贷款、股票投资，金融杠杆都在发挥着重要的作用。

都是在运用杠杆原理，借用他人的资金来成就自己的事业。

现代人的物质生活越来越丰富，为什么幸福感却没有随之增强？我觉得也是没用运用好杠杆原理，没有规划好自己的生活。

很少人花时间去探讨自己的幸福，对此的思考也不够。

人们花太多的时间与不喜欢的人相处，从事自己并不喜欢事业，做自己并不擅长的工作……无意义的事情占据了人们大部分空闲时间。

那么，如何应用好杠杆原理使自己变得成功和幸福？我总结出以下步骤供参考：确定目标——聚焦（精简）——授权（“外包”）——成功与幸福。

确定目标。

弄清楚你想要的到底是什么？不必苦苦追求所有机会。

确定自己的大目标：你所从事的事业应该是你所喜欢的，而且能发挥你的优势，能够使你脱颖而出，有机会成为佼佼者。

聚焦（精简）。

有所为，有所不为。

在一项小范围的事业上追求专精，培养一种核心技能，不必事事都有好的表现。

要把自己的时间和精力花在提升大目标的事情上，花在发挥自己潜能的事情上，花在运用自己创造力的事情上，花在能够使自己快乐的事情上。

授权（“外包”）。

找出与大目标不相关的事情，除了你的核心技能自己做以外，其它事全部授权他人去做或者“外包”，只做自己擅长的事。

忙碌的人常犯的错误就是事必躬亲，自己亲自处理可以授权他人或者可以“外包”的事情，并且把非紧急的事情变得紧急起来，从而证明工作的价值。

成功与幸福。

学会拒绝，清除杂念，排除干扰。

无意义和使你不快乐的事情就少做，有助于你成功与幸福的事情就多做。

抓住少数关键的活动，就可以给你带来更大成功和幸福。

更少就是更多！这就是我所理解的事业成功与生活幸福的杠杆原理。

文字摘自《由生存到寻找意义》，作家出版社出版

欢迎大家提问、留言、评论、转发！

●

●

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。

该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。

这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。

此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。

这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。

此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。

这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。

嵌入数据代表了模型从数百万张卫星图像中学习到的内容。

OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。

Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。

该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。

其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。

不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。

这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。

在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。

亚马逊保护团队的MAAP监测项目报告了这一活动。

2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。

我们如何得知这一事实？ 嵌入数据给出了明确答案。

无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。

而同样的比较放在2020年至2024年间，这一面积降至9平方公里。

关闭行动的效果显而易见。

Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。

而在浏览器工具中，初步分析仅需几秒钟即可完成。

仅凭少量标签对某个区域进行分析，无需使用GPU。

当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。

OlmoEarth v1.3发布：Ai2推出全球卫星嵌入模型

Ai2（艾伦人工智能研究所）今日发布了一款卫星地图嵌入模型OlmoEarth v1.3，并为全球范围提供了多种分辨率下预先计算好的年度嵌入数据，同时配套推出了基于浏览器的地图制作工具。

该模型能够将一年的卫星观测数据压缩成数值指纹，最小分辨率下每个指纹对应10米乘10米的地面区域，同时也提供64平方米和128米分辨率的版本。

这种数值指纹捕捉的模式信息，可供其他软件用于区分农田、森林、矿区等不同类型的地表覆盖。

此前，使用OlmoEarth的主要方式是通过OlmoEarth Studio进行微调，针对每项任务训练一个模型，再将其应用于卫星数据以生成地图。

这种方式需要大量图形处理单元资源，以及下载和存储影像的能力。

此次发布的OlmoEarth嵌入浏览器是一款基于浏览器的地图制作工具。

这意味着任何人都可以将OlmoEarth用于实际工作，从追踪时间变化到寻找相似地点，无需注册登录即可使用。

嵌入数据代表了模型从数百万张卫星图像中学习到的内容。

OlmoEarth会读取一年的雷达图像及相关数据，包括Sentinel-1、Sentinel-2和Landsat的数据。

Sentinel和Landsat是提供地球互补视角的卫星任务：Sentinel-1测量雷达反射信号，而Sentinel-2和Landsat则捕捉可见光和红外波长的光线。

该公司表示，与以往版本的OlmoEarth模型相比，v1.3是其训练成本最低的模型。

其训练所用计算时间仅为最新版本（v1.2）的53%，为第一版（v1）的18%，碳排放量也分别仅为两者的50%和22%。

不过v1.2仍是一款强大的微调模型，对研究机构和合作实验室而言依然具有价值。

这些模型在现实世界中的应用场景 这些卫星模型有助于压缩跨越时间和空间的大量数据，这对于理解地球的变化方式非常有用。

在秘鲁马德雷德迪奥斯地区，围绕拉潘帕的非法金矿开采活动在2017年和2018年达到顶峰，在坦博帕塔国家保护区缓冲区内清除了超过1200公顷的森林。

亚马逊保护团队的MAAP监测项目报告了这一活动。

2019年2月，秘鲁的"水银行动"关闭了大部分采矿作业。

我们如何得知这一事实？ 嵌入数据给出了明确答案。

无需进行模型训练，仅通过比较不同年份的数据像素，观察2016年至2020年间的情况，可以清晰看到南部矿区带内有明显的向东扩张趋势：显著变化区域达34平方公里。

而同样的比较放在2020年至2024年间，这一面积降至9平方公里。

关闭行动的效果显而易见。

Ai2表示，对许多团队来说，针对某个想法测试OlmoEarth通常意味着需要进行一次微调运行，这是一项耗时数小时、成本高昂的艰巨任务。

而在浏览器工具中，初步分析仅需几秒钟即可完成。

仅凭少量标签对某个区域进行分析，无需使用GPU。

当某项任务确实需要进行微调实验时，嵌入数据可以帮助判断该实验是否值得投入计算时间，以及模型存在哪些不足之处。