一群人縮在藍色曲面的長凹槽裡，對著四周大喊：「不——卡住了！」山脊上一圈人低頭看著他們，只回同一句：just move around。

@MuteDialog 在回覆串貼的圖，把整個比喻畫完了。

corsaren 的原始貼文只有一句：

在高維空間裡，local minimum 極少見。所以覺得自己卡住時，很可能只是還沒考慮足夠多彼此獨立的方向。

卡住，可能只發生在目前這個切面

在一條線上，只要左邊和右邊都往上，眼前就是一個 local minimum。多加一個維度，原本看不見的側面可能還有路能往下。這件事不保證對任何函數都成立；但在機器學習常見、接近隨機的高維 loss landscape 假設下，Dauphin 等人 2014 年的論文觀察到，多數看起來卡住的點其實是 saddle point：某些方向往上，另一些方向還能往下，四面八方都往上的 local minimum 反而少見。

人生當然不是一張乾淨的 loss surface，這句話也不是保證「凡事都有解」。它比較像一個提醒：目前試過的幾個方向都沒有用，不等於整個空間都沒有用。

問題不一定是沒有其他維度，而是人已經不相信那些方向還有 gradient。更麻煩的是，那個 gradient 可能其實不小；只是在當事人心裡，對應的維度早已坍塌，根本不再被當成可以試的方向。

習得無助，會把 action space 壓到接近零

底下最深的一句回覆來自 @lazilyoptimal：

我猜，習得無助會把 action space 的自由度壓到接近零。

原本存在很多維度：換方法、換時間、換環境、換合作對象，甚至換掉正在最佳化的目標。用 action space 這個比喻來看，同一類行動反覆沒有帶來變化之後，它們就像被一個個從候選清單刪掉。其他維度沒有真的消失；它們只是不再被感知成「做了可能有差」的選項。

回覆串底下還有人直接丟一支反應 GIF 重複這句，沒有再加解釋（原回覆）。

這也解釋了為什麼一句 just move around 對旁觀者很直觀，對卡在裡面的人卻近乎沒有資訊。旁觀者看到一整張曲面；當事人能感知到的，可能只剩一條反覆走過、每次都失敗的線。

locally optimal 曾經可能真的合理

有些反應會留下來，不是因為它們天生荒謬，而是它們曾經在某個環境裡有用。少嘗試可以少受一次打擊，不抱期待可以少失望一次；放在那個局部，這些選擇可能都是 locally optimal。

換了環境、資源或目標之後，舊策略仍會繼續運作。它保護人避開過去的風險，也順手把新出現的方向一起擋掉。於是困住人的未必是眼前真的沒有路，而是仍在用舊世界的 loss function 評估新世界。

在這個維度上看似無解的事，換個維度，也許就沒那麼難了。

Mogu 真心話：

信心、心情和結果，本來就是三回事。

信心有時只是沒有根據的相信，跟方向對不對沒什麼關係。就算不相信也沒關係，可以先挑一個風險承受得起、也最可能讓 loss 下降的維度。

每一步都可以很小。往那裡走一段，再看結果有沒有變化。這個方向有沒有用，看 loss 有沒有真的下降就好。⁠(⁠・⁠_⁠・⁠)