悠然面對失敗
成功與失敗有必然的聯系麽?雖然很多勵誌方面的心靈雞湯試圖將成功與失敗捆綁在一起，鼓勵一下遭遇挫折的人，但這太難令人信服了。現實中，誰不想要一場壓倒性的勝利呢?
然而，如果你想獲得成功——非常巨大的那種，科學家卻建議你接受心靈雞湯的洗腦。換句話說，為了獲得最大程度的成功，你應該犯錯。
愛因史坦和莫札特都是各自領域內取得了非凡成就的天才，令人驚訝的是，他們並沒有站在「頂峰」上向世人宣布自己多麽具備事業心。相反，他們對待工作都是隨和的B型人格——懂得退讓，避免摩擦，接受失敗。遇到想不通的物理難題，愛因史坦會躺下來，盯著空白的天花板，放松思緒;沒有靈感時，莫札特也從不逼迫自己用「蠻力」寫出音符，他會出去散步，或者乘馬車旅行。
現代學習理論認為，我們不可能總以最高的效率學習和工作，做事必然會遇到「高峰」和「低谷」。這意味著你在完成重大任務之前，你將不得不遇到一些挫折。愛因史坦和莫札特的悠閑態度的好處在於，它為失敗留出了空間，節省了無謂的精神損耗。
失敗多少才有意義?
悠然面對失敗的心態，是通向成功的第一步，但你不能只是泛泛地說要接受失敗。想要得到最大的收獲，你還需要在失敗與成功之間找到最佳平衡點。
這就好比考試，你如果經常拿到滿分的成績，那可能並非代表你很成功，而只是你挑戰的難度不夠。反過來說，如果你經常得分少於半數，那你很可能不適合學這門課程。玩遊戲也是一個不錯的例子，如果你還沒出新手村就頻頻遇到大佬級別的敵人，這種遊戲你應該沒多少興趣會玩下去。反之，你從頭到尾砍瓜切菜般地過關斬將，也鍛煉不了遊戲技術。這就是為什麽所有遊戲，一開始都給你簡單的任務，然後隨著遊戲實力的提升，徐徐提升難度，讓你玩起來充滿樂趣。
所以，失敗多少才有意義?
人工智慧模擬實驗
科學家利用人工智慧模擬，對這個問題作了解答。
科學家認為，人工智慧本質上是機器學習，它與人類學習非常相似。在人工智慧中，科學家模擬一個神經網路，用大量的任務(比如辨識影像、判斷數位的奇偶)去訓練這個網路，讓網路學會自己做判斷。網路內部有大量參數隨著訓練不斷變化，就相當於人腦在工作和學習中提高技藝。
每一次訓練，都是先讓網路對任務做出自己的判斷，然後任務再給它一個反饋。如果網路判斷正確，它就會加深鞏固現有的參數;如果判斷錯了，它就調整參數。這跟人腦工作也很像：只有當你判斷錯誤的時候，才說明某些知識對你來說是新的，你才能學習獲得提升。科學家可以決定用什麽難度的任務去訓練這個網路。如果任務難度太低，網路每次都能判斷正確，那顯然無法提高判斷水平;如果任務難度太高，網路總是猜錯，那它的參數就會無所適從地變來變去，水平提升不大。
在這項研究中，科學家感興趣的問題就是，每次訓練中網路判斷的錯誤率是多少，才是提升水平最有效的呢?科學家做了大量的模擬實驗，又輔以數學理論做推導，結果得出：在執行任務時，當網路的錯誤率為15.87%時，它們的學習速度是最快的。
「15.87%定律」
在人工智慧模擬實驗的基礎上，科學家提出了「15.87%定律」——15.87%的失敗率，是幫助你在工作或學習中得到最大收獲的最優「失敗—成功」配比。因為人腦本質上就是一個神經網路，科學家認為上述研究具有普遍的意義，也就是說，15.87%這個數值在人類任何一個工作或學習領域中都不會太離譜。
但你要明白，這並不是鼓勵你做什麽事情只要做成84.13%就行了。畢竟，一個只能考85分的學生，去不了頂級大學。「15.87%定律」的指導意義在於——無論做什麽事情，不要好高騖遠，貿然挑戰難度過高的目標，那會使你得不償失;也不要降低標準，專門挑揀過於簡單的任務，那會讓你感到無聊。
只有合理地為自己匹配難度，從「舒適區」跳出15.87%，又不會因此恐慌，才能腳踏實地，去接近100%的成功。
