高效閱讀難解技術書（數學、演算法）與輸出法

作為工程師或研究人員在提升技能的過程中，我們一定會遇到「難解的技術書」這道高牆。尤其是關於數學、演算法或理論計算機科學的書籍，與一般的程式設計入門書有著完全不同的性質。面對滿篇的數學公式、抽象的概念，以及被一句「顯而易見」輕輕帶過的字裡行間的巨大跳躍，經歷過挫折的人肯定不在少數。

然而，正是這些難解的知識，才能構成不易過時的本質性「基礎能力」。本文將基於認知科學與學習理論，詳細解說如何高效閱讀數學與演算法的技術書籍，使其在腦海中定型，並最終化為自己血肉的綜合方法（SQ3R、費曼技巧、間隔重複、程式碼化、撰寫部落格）。

1. 為什麼數學與演算法的技術書會「讀不懂」？

首先，讓我們來分析為什麼這類書籍會如此難懂。主要因素有以下三個：

資訊密度（Information Density）極高 如果是一般的商業書或技術書，即使是快速瀏覽也能掌握大意。但在數學書中，「定義」、「引理」、「定理」的字字句句都有其意義，只要漏看一個符號，整體的邏輯就會崩潰。
字裡行間的跳躍過大（Missing Intermediate Steps） 作者常受限於版面，或是基於「讀者應該有能力自行完成這種程度的公式推導」的假設，頻繁省略證明的運算過程。如果不靠自己完成這些「填補字裡行間」的作業（填補空白的閱讀），理解將完全無法推進。
抽象度極高（High Level of Abstraction） 因為經常在沒有具體範例的情況下討論 $n$ 維空間或任意圖形 $G=(V, E)$，要在腦中建立視覺化、具體的心智模型，會造成極大的認知負擔。

為了克服這些困難，我們必須從根本上改變閱讀風格，從「被動閱讀（只是用眼睛追著字句）」轉變為「主動閱讀（讓大腦承受負荷並重新建構知識）」。

2. 主動閱讀法：SQ3R 與費曼技巧

2.1 專為數學書設計的 SQ3R 方法

SQ3R 是美國教育心理學家 Francis P. Robinson 所提倡的閱讀法。我們將其針對數學與演算法書籍進行特化應用。

Survey（概覽） ：首先快速翻閱整個章節，掌握「有哪些定理」、「最終想要證明什麼」。先見林再見樹。
Question（提問） ：在閱讀定理的主張時，自我提問：「為什麼需要這個條件？」、「如果沒有這個限制會發生什麼事？」。
Read（精讀） ：實際閱讀證明過程。這裡必備紙筆，需親手重現被省略的公式推導。
Recite（背誦與語言化） ：闔上書本，試著用自己的話解釋剛剛讀過的定理或演算法的運作機制。
Review（複習） ：使用後文提到的間隔重複（Spaced Repetition），將學習到的內容鞏固為長期記憶。

2.2 費曼技巧

這項以物理學家理查·費曼命名的學習法，基於一個原則：「如果你無法簡單地解釋，就代表你沒有真正理解。」

將想學習的概念寫在紙張的最上方。
用淺顯易懂的語言寫出該概念，就像在教導「國中二年級學生（或是黃色小鴨）」一樣。
遇到卡住或只能依賴專業術語逃避的地方，就是「理解上的漏洞」。
回到教科書，針對該部分重新複習。

僅看著一堆數學公式就覺得自己懂了是非常危險的。只有當你能用自然語言解釋公式所代表的「物理直覺」或「演算法行為」時，才能稱作真正的理解。

3. 對抗遺忘曲線：間隔重複系統 (SRS) 與 Anki

人類的記憶會隨著時間呈指數遞減。這種現象被稱為 艾賓浩斯遺忘曲線 ，記憶的保持率 $R$ 有時可以被建模為以下微分方程式的解：

$$ R = e^{-\frac{t}{S}} $$

其中，$t$ 是經過時間，$S$ 是記憶強度（Strength of memory）。隨著不斷複習，$S$ 會逐漸增大，遺忘的速度也會隨之變緩。

將這種特性透過軟體最佳化的工具，就是 Anki 等間隔重複系統（Spaced Repetition System: SRS）。

  graph LR
    A["學習剛結束 (R=100%)"] --> B["1天後 (遺忘)"]
    B --> C{"使用 Anki 複習"}
    C -- 答對 --> D["複習間隔延長為3天 (S增加)"]
    C -- 答錯 --> E["重置複習間隔"]
    D --> F["3天後 (緩慢遺忘)"]
    F --> G{"使用 Anki 複習"}
    G -- 答對 --> H["複習間隔延長為7天"]

3.1 數學與演算法中 Anki 卡片的製作方法

在記憶技術書的內容時，「死記硬背長篇大論的證明」是毫無意義的。應該將知識分割為最小單位（Atomic）並製作成卡片。

糟糕的卡片 ：「寫下 Dijkstra 演算法的完整證明」
好的卡片 ：「在 Dijkstra 演算法中，某個頂點的最短距離被視為確定的條件是什麼？」→「在未確定的頂點集合中，選出暫定距離最小的頂點時。」
好的卡片 ：「寫出費馬小定理的公式」→「對於質數 $p$ 以及與其互質的整數 $a$，$a^{p-1} \equiv 1 \pmod p$」

在記憶公式時，建議使用 LaTeX 格式將其登錄至 Anki，並活用填空題（Cloze Deletion）來提升效果。

4. 最強的理解度測試：將數學公式「程式碼化」

要驗證自己是否真正理解了數學或演算法，最強而有力的方法就是 「將公式與證明翻譯成能實際執行的程式（如 Python 或 C++）」 。

在數學的世界裡，只要證明「存在」便算結束，但為了將其轉為程式碼，必須進一步探討「該如何計算具體的值」，這會使理解的清晰度提升至極致。

這裡我們透過兩個具體範例，來看看將數學公式轉換為程式碼的過程。

4.1 範例 1：RSA 加密的數學原理與 Python 實作

作為公開金鑰加密技術代表的 RSA 加密，是初等整數論（同餘式、歐拉定理、擴展歐幾里得演算法）的完美應用。

數學背景

RSA 加密的金鑰產生及加密與解密過程可由以下數學公式表示：

金鑰產生 ：選擇巨大的質數 $p, q$，令 $n = pq$。計算歐拉函數 $\phi(n) = (p-1)(q-1)$。選擇與 $\phi(n)$ 互質的公開金鑰 $e$。求出滿足 $e \cdot d \equiv 1 \pmod{\phi(n)}$ 的私密金鑰 $d$。
$$ c \equiv m^e \pmod n $$
$$ m \equiv c^d \pmod n $$

解密能夠正常運作的背景，在於歐拉定理 $a^{\phi(n)} \equiv 1 \pmod n$。在數學書中這需要好幾頁的證明，讓我們試著用 Python 來實作它。

Python 實作

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
import random
from math import gcd

# 擴展歐幾里得演算法
# 回傳滿足 ax + by = gcd(a, b) 的 (x, y, gcd)
def extended_gcd(a, b):
    if a == 0:
        return (b, 0, 1)
    else:
        g, y, x = extended_gcd(b % a, a)
        return (g, x - (b // a) * y, y)

# 模逆元：求出滿足 ax ≡ 1 (mod m) 的 x
def mod_inverse(a, m):
    g, x, y = extended_gcd(a, m)
    if g != 1:
        raise Exception('模逆元不存在')
    else:
        return x % m

# RSA 示範
def rsa_demo():
    # 1. 質數產生 (實際上會使用非常巨大的質數)
    p, q = 61, 53
    n = p * q
    phi = (p - 1) * (q - 1)

    # 2. 選擇公開金鑰 e
    e = 17
    assert gcd(e, phi) == 1

    # 3. 計算私密金鑰 d
    d = mod_inverse(e, phi)

    print(f"公開金鑰: (e={e}, n={n})")
    print(f"私密金鑰: (d={d}, n={n})")

    # 加密
    m = 65  # 明文
    c = pow(m, e, n)  # c = m^e mod n
    print(f"明文: {m} -> 加密後: {c}")

    # 解密
    decrypted_m = pow(c, d, n)  # m = c^d mod n
    print(f"解密後: {decrypted_m}")

rsa_demo()

為了找到滿足公式 $e \cdot d \equiv 1 \pmod{\phi(n)}$ 的 $d$，我們必須實作稱為擴展歐幾里得演算法的演算法。像這樣， 當試圖將數學公式寫成程式碼時，就會面臨「這個變數具體該如何計算？」的實作問題，而在解決這些問題的過程中，對數學的理解將會突飛猛進 。

4.2 範例 2：Dijkstra 演算法與鬆弛操作（Relaxation）

讓我們思考用來解決圖論中單源最短路徑問題（SSSP）的 Dijkstra 演算法。

在數學與演算法方面的核心，是稱為「鬆弛（Relaxation）」的操作。當存在一條從頂點 $u$ 到頂點 $v$ 且權重為 $w(u, v)$ 的邊時，我們透過以下公式更新到達頂點 $v$ 的暫定最短距離 $d[v]$：

$$ d[v] \leftarrow \min(d[v], d[u] + w(u, v)) $$

我們可以使用 C++ 的 std::priority_queue 將這個數學操作實作為高效的演算法。

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
#include <iostream>
#include <vector>
#include <queue>

using namespace std;

const int INF = 1e9;

// 表示邊的結構
struct Edge {
    int to;
    int weight;
};

void dijkstra(int start, const vector<vector<Edge>>& graph) {
    int n = graph.size();
    vector<int> dist(n, INF);
    // {距離, 頂點} 的配對。以便能夠優先取出距離較小的元素
    priority_queue<pair<int, int>, vector<pair<int, int>>, greater<pair<int, int>>> pq;

    dist[start] = 0;
    pq.push({0, start});

    while (!pq.empty()) {
        auto [current_dist, u] = pq.top();
        pq.pop();

        // 若已經找到更短的路徑則跳過
        if (current_dist > dist[u]) continue;

        // 執行鬆弛操作 (Relaxation)
        for (const auto& edge : graph[u]) {
            int v = edge.to;
            int weight = edge.weight;

            // 若 d[v] > d[u] + w(u, v) 則更新
            if (dist[v] > dist[u] + weight) {
                dist[v] = dist[u] + weight;
                pq.push({dist[v], v});
            }
        }
    }

    for (int i = 0; i < n; ++i) {
        cout << "到達頂點 " << i << " 的最短距離: " << dist[i] << "\n";
    }
}

我們可以看到，數學定義 $d[v] \leftarrow \min(\dots)$ 完美對應到程式碼中的 if (dist[v] > dist[u] + weight) 條件判斷與更新處理上。

5. 認知過程與學習全貌

我們將使用 Mermaid 圖表，來整理前文所解說的這些方法是如何相互配合，並在我們的腦海中建構知識。

  flowchart TD
    Start["面臨難解的書"] --> SQ3R["透過 SQ3R 進行主動閱讀"]
    SQ3R --> MathProof["分析證明與演算法"]
    
    MathProof --> Feynman["費曼技巧"]
    Feynman --> FindGap{"是否有理解上的漏洞？"}
    FindGap -- Yes --> Reread["重新閱讀教科書"]
    Reread --> SQ3R
    FindGap -- No --> Coding["將公式翻譯為程式碼 (Python/C++)"]
    
    Coding --> Debug{"是否如預期運作？"}
    Debug -- No --> FixMentalModel["修正心智模型"]
    FixMentalModel --> Coding
    
    Debug -- Yes --> SRS["將概念細分並登錄至 Anki"]
    SRS --> BlogOutput["在技術部落格中體系化 (最終定型)"]
    BlogOutput --> Master["知識化為血肉、完全精通"]

6. 終極的鞏固：作為技術部落格的體系化輸出

學習的最終階段，是 「向不特定多數的大眾撰寫技術部落格」 。

如果說 Anki 是用來維持知識「點」的工具，那麼寫部落格就是將這些點連接成「線」與「面」的過程。

在撰寫部落格時，會經歷以下過程：

設定讀者 ：將「過去無法理解的自己」設想為讀者，用文字表達自己曾經在哪裡卡住、該如何思考才能突破。
製作圖解 ：使用 Mermaid 或繪圖工具，將抽象的資料結構與狀態轉換視覺化。這也能加深自己視覺上的理解。
確保正確性 ：因為要對全世界公開，你會開始反覆自問：「這個公式推導真的正確嗎？」、「這種表達方式會不會引起誤解？」，並進行查證。這個過程會毫不留情地揭露出理解不夠透徹的部分（Micro-misunderstandings），並強迫你進行修正。

6.1 撰寫部落格時應使用的工具

Markdown / LaTeX ：這是優雅地撰寫數學公式的必備工具。
Mermaid.js ：可以用程式碼編寫狀態轉換圖與流程圖，具有極佳的可維護性。
GitHub / Gist ：分享實作演算法的程式碼片段，讓讀者能夠實際執行與驗證。

7. 結論：克服萬難後的風景

閱讀數學書或演算法的專業書籍，絕非一條輕鬆的路。但是，透過 SQ3R 掌握結構、用費曼技巧語言化、寫成程式碼驗證動作、用 Anki 防止遺忘，最後透過技術部落格向世界發聲，藉由運轉這一連串的循環，那些難解的知識必定會成為你的「力量」。

表面上的 API 用法或框架知識幾年後就會過時，但數學的思考能力與演算法基礎卻是一輩子的資產。下次翻開難解的技術書時，請務必活用本文的方法，勇敢躍入知識的深淵吧。