崎岖景观模型
- 核心思想：属性间相互依赖（K值）使“适合度景观”崎岖不平，产生多个局部峰值。适度的K值创造最高的全局峰值，但太多局部峰值让搜索困难。
- 书里怎么解释的：NK模型中，N是属性数，K是相互作用的属性数。K=0是光滑富士山（容易爬），K=N-1是完全随机（崎岖无比）。单翻转算法（一次改一个属性）会卡在局部峰值。全局峰值的吸引盆通常最小。
- 书里的例子：
- 科学管理：泰勒优化煤铲面积，那是单峰问题（富士山景观），很容易找到最优。但设计沙发（坐垫厚度和扶手宽度相互依赖）有两个局部最优（薄垫窄扶手 vs 厚垫宽扶手），从不同起点爬山会得到不同设计。
- 多重搜索：既然崎岖景观中局部峰值很多，那么用多个不同启发式（比如从不同起点出发，或用不同算法）同时搜索，找到局部峰值后再比较，能大大提高找到全局最优的概率。这呼应了全书的“多模型”主题。
- 专利制度辩论：崎岖景观模型表明，很多创新是“自然组合”的结果（如微积分、电话被多人同时发明）。专利制度虽激励创新，但阻止了思想的自由重组（正反馈），可能反而阻碍进步。因此需要更灵活的专利制度，对某些“易于组合”的想法缩短保护期。
启示：
- 不要一条道走到黑，要“跨步跳跃”。书中说单翻转算法（一次改一个属性）容易卡在局部最优。人生中，如果你在一个岗位做了很久，每次都是“微调”（多干点、少干点），可能已经卡在局部的“矮山”上了。要敢于同时改变多个维度（比如换城市+换行业+换技能组合），大跳跃才能帮你跳到更高的全局峰值。
- 适度的“相互作用”最有益。K=0太光滑（没有创新），K太大太崎岖（没法爬）。最好的团队、产品是“适度耦合”的：各模块既有联系，又能相对独立。你交朋友也一样，太独立（无互动）没深度，太依赖（全耦合）会窒息。保持适度联系最舒服。
- 专利和创新的启示：组合比创造更重要。书中说大多数发明（微积分、电话）是多人同时发现的。普通人想创新，不必憋大招等“灵光一现”，多去把已有的东西组合起来（比如把AI和宠物护理结合）。景观崎岖意味着，好东西往往藏在组合的山头上，等着你去把它拽出来。