本质与范畴解决问题 | AI生成和翻译
问题：基于提供的链接以及世界关乎分类和本质的想法，讨论了与使用 under-correction glasses 修复近视以及使用 AI 修复错误相关的强大分类思维方法是什么？
回答：
核心观点是，categorization（或将事物分类为不同的类型/本质/类别）是一种高度强大的思维工具和问题解决方法。通过识别根本“本质”或将相似问题归为一组，可以更有效地解决复杂问题——一次专注于一个类别，能带来更清晰、更快速和更高质量的结果。这种方法避免了注意力的分散，并防止不同问题类型之间的干扰。
应用于近视逆转（来自 Yinwang 的帖子）
文章认为，近视很大程度上可以通过自然适应逆转，而不是一种固定的遗传状况。关键方法是将问题categorizing 为眼睛外部肌肉和眼轴长度对长时间近距离工作（例如屏幕、书籍）的适应反应，而不是不可逆的结构缺陷。
- 通过分类的实际修复方法：使用 under-corrected glasses（例如，从全矫正处度数减少约 -1.00D 到 -1.50D），在近距离任务（如电脑/手机使用）中制造故意轻微模糊。
- 这使得屏幕在典型距离下看起来“勉强清晰”，鼓励眼睛放松并通过缩短眼轴长度逐步适应（促进逆转）。
- 示例：对于需要 -4.00D 的人，使用 -2.50D 到 -3.00D 眼镜；在 ~0.66–1 米范围内轻微模糊相当于“远视”刺激，即使在近距离工作中也是如此。
- 随着视力改善，每隔几个月逐步调整（例如，每周期减少 25–100 度），始终保持欠矫正。
- 分类此处为何有帮助：将“近距离工作刺激”分离为主因，从而针对性地处理它（通过控制模糊），而不是将所有视力问题一视同仁。作者将此与全矫正（强化眼轴延长）或激进锻炼（可能导致应力）进行对比。
注意：主流科学共识（来自 under-correction 研究的试验）显示结果混杂或负面，用于减缓进展的效果——一些试验发现无效甚至恶化近视——因此此方法仍具争议，并未被验光师/眼科医生广泛认可。它借鉴了 Bates method 的适应想法，但强调被动、自然适应而非主动锻炼。
应用于 AI 辅助代码修复（来自 AI Fixes Win 帖子）
页面描述了使用 AI（例如大型语言模型）修复代码库中的大规模问题（如 Windows focus 相关 bug、namespace 迁移等）。突破性洞见是将错误categorizing 为不同的“family”，并一次只修复一个 family。
- 多类型修复为何失败：
- Pattern competition：AI 在类别间混淆规则。
- Attention dilution：上下文 overcrowded，降低焦点。
- 不一致或过度泛化的修复，导致新 bug。
- 专注分类方法：
- 隔离一个错误 family（例如，仅 javax → jakarta namespace 变更）。
- 为仅该类别提供针对性示例（8–40 个）。
- 严格指示 AI：仅修改该 family，忽略其他。
- 应用修复，重新编译，将新的同 family 错误迭代反馈。
- 按类别分别重复。
- 结果：修复接受率更高（75–95%），回归更少，整体进度更快，而不是同时尝试修复一切。
整体哲学
两个示例都说明，世界（问题、生物学、软件等）往往可以通过精确分类本质来理解和掌握：
- 将复杂性分解为非重叠类型。
- 彻底解决一个类型后再转向下一个。
- 这防止干扰、 sharpening focus，并实现大规模、可靠的变化——无论是逆转适应性近视变化，还是用 AI 清理海量代码库。
这种“按类别划分，一一征服”的思维被呈现为一种通用的、强大的硬问题解决方法。
参考文献：