埃隆·马斯克在四个不同领域都有颠覆性的创新。他目前做的三件事情：
1.特斯拉，目前炙手可热的电动车公司；
2.SpaceX，在载人航天领域非常了不起；
3.太阳城，能源公司，去年被特斯拉收购。
埃隆·马斯克的第一性原理：我们运用第一性原理，而不是比较思维去思考问题是非常重要的。我们在生活中总是倾向于比较，对别人已经做过或者正在做的事情我们也都去做，这样发展的结果只能产生细小的迭代发展。第一性原理的思想方式是用物理学的角度看待世界，也就是说一层层拨开事物表象，看到里面的本质，再从本质一层层往上走。
第一性原理和比较思维
在商业世界中，第一性原理和比较思维是截然不同的两种思想。
我们现在处在一个信息大爆炸的时代，周围充斥着各种各样的信息。于是我们每天需要不停地过滤信息，而这些信息你并不能看到深层次的原因，看到的只是表象。我们大部分时候只能通过观察表象，也就是通过比较思维看待事物。但实际上比较思维是有很大的缺陷。
1.横向比较
横向比较是一种竞争意识，虽然看不到终点在哪里。
彼得·蒂尔在《从0到1》书中的观点：竞争是一种观念，这种观念在整个社会中蔓延，扭曲了我们的思想。结果竞争越来越激烈，我们在实际中获得的却越来越少，我们把自己困在了竞争中。
易到用车的创始人周航说过他理想中的竞争应该是两个人赛跑，你追我赶，互相激励，互相冲过终点线。这个过程中对双方都是有好处的，互相学习。不好的竞争是两个人搏击，就是在过程中你把另外一个人PK掉。
他不想做后者这样的竞争，想把所有精力放在产品和用户体验上。但实际上在专车服务领域，过去两三年有一个非常惨烈的竞争，首先是滴滴合并快车，后来是优步与滴滴的合并。所以理想很丰满，现实却很残酷。在中国很多时候还是比较思维占上风。
2.纵向比较
纵向比较是基于过去经验和历史的比较。
在彼得·蒂尔的《从0到1》中有个说法：商业世界的每一刻都不会重演，下一个比尔·盖茨不会再开发操作系统，下一个拉里佩奇或是谢尔盖布林不会再研发搜索引擎，下一个扎克伯格也不会去创建社交网络，如果你照搬这些人的做法，你不是在向他们学习。
与其根据参照物去推论，不如把问题分解成几个最基础的事实，然后检查每个事实部分。即使问题已经解决，还是可以从问题最基本的组成部分入手，从新审视是否有更好的、可能的解决方案。运用第一性原理消耗很多脑力，比较思维就很轻松，比较思维只能带来微创新，而第一性原理的调整是颠覆式的创新。
比较思维还有一个缺陷就是，只能得出表面的解释。而越表面的解释，可迁移性就越查。稍微换一个场景，可能就不知道怎么做了，只有深入本质，才能得出深刻的观点。我们在用思维模型简化世界的时候，因为认知偏差，通常会出现“过度简化”和“简化不足”的问题，基于归纳思维的多数都是一些简化不足的低阶模型。
对应的，基于演绎法的第一性原理3个优点也就出来了：
1、前提正确，结论就肯定正确，用起来放心；
2、从本质开始思考，才能得出颠覆性的思想；
3、第一性原理是元起点，是高阶模型，适用边界非常宽。
寻找和使用“第一性原理”都是非常消耗脑力的，但这是可以用来改善思维模型的最好的思维模型之一。
一切的“元起点”。第一性原理最早来自于古希腊哲学家亚里士多德：在每个系统探索中存在第一性原理。第一性原理是基本的命题和假设，不能被省略和删除，也不能被违反。简单来说，第一性原理就是找到一个元起点，所有的东西都从这个起点开始推导。比如牛顿第二定律F=ma，就是宏观世界力和运动关系的第一性原理，所有的运动关系都可以用这一个简单的公式来解释和推导。第一性原理的应用是基于逻辑推理中的“演绎法”，典型的就是苏格拉底的三段论：大前提：所有人都会死。小前提：苏格拉底是人。结论：苏格拉底会死。在比如：大前提：F=ma小前提：a=v/t结论：Ft=mv对于演绎法来说，只要前提和推理逻辑正确，结论就一定正确。比如上面两个案例，前提都是正确的，结论也就是正确的。这种方法可以得出确定性的结论，让人非常安心。第一性原理本身通常来自归纳法和假设，因为是元起点了，没有什么能推导得出它。比如第一个案例，人都会死，这是归纳得出自然定律，从无例外。第二个案例就是先假设，然后用实验来验证的。五、建立可信赖高阶思维模型的模型。我们日常生活中主要有两种推理方法：归纳法和演绎法。归纳法就是归纳总结，我看到过的所有天鹅都是白色的，所有天鹅都是白色的。我的几个好朋友做生意赚钱了，我也想去做生意。但是归纳法的问题是，即便所有的前提都是正确的，结论也不一定正确。即便我看到的所有天鹅都是白色的，也不能下定论说“所有天鹅都是白色的”。还有一种常见的思维就是“比较思维”，看别人怎么做的我就怎么做，比较思维本质上也是一种归纳思维。通过现象（别人怎么做的），得出结论（我这么做应该也行）。首先别人做能成，自己做不一定能成。其次就算能成也只是在他们基础上的改进。比如在马斯克开发特斯拉的案例中，所有人都说现在的电池组真的很贵，电池组每千瓦小时要烧掉美元，而且未来也不会好到哪里去的。权威人士都声称一个行业、设计图样、一个实体或者一个想法都已经达到了它的顶峰。在这种思路的影响下，电池组再也没有改进的空间。然而从第一性原理出发，马斯克问：电池的材料构成都是什么?这些材料的现货市场价值是怎样的?电池是由碳、镍、铝、其他用于分离的聚合物还有一个金属罐组成的。如果我们去伦敦金属交易所购买这些金属材料，然后把这些材料分解一下，那么这些组成电池组的材料每种又值多少钱呢?后来，电池的价格就变成了每千瓦小时80美元。怎么学习第一性原理。学习第一性原理最好的方式当然是去书里面学习了，很多需要抽象思考提炼的东西对我们普通人总是很困难的，但是已经有很多大神折腾出了那么多有用的原理，我们直接拿来用就是了。就像查理·芒格说的，学习重要学科的重要知识，就能掌握普世的智慧。当然除了学习抽象的模型，我们日常生活中也可以自己思考，总结一些对自己拥有的知识，发现一些对自己有用的第一性原理。发现第一性原理和应用第一性原理通常是互为逆过程。发现第一性原理：从现象出发，一步步分析问题背后的原因，直到找出最终原因。应用第一性原理：从原理出发，一步步往前推演，直到找出适合该问题的解决方法。简单来说就是发现和应用第一性原理，就是“现象——本质——现象”的过程。从现象到本质的一个思考方式，苏格拉底提问。苏格拉底式提问是一个探究深层含义的有效方式，就是不给于正面回答，而是采用诘问式提问法来引导回答者自己找到答案。苏格拉底提问的四个方向：1、澄清问题本身（问题是什么？我怎么想的？能否进一步阐述？）2、多次向前提问（为什么是这样？）3、多次向后提问（所以呢？）4、多次四周发散（还有别的可能吗？不一定吧？）问这些问题的过程，会阻止你“想当然”的依靠直觉和情绪来做出反应，帮助你不断递进，思考更加深刻和本质的东西。这些方向中对探寻第一性原理最有效的是第二条，向前提问。有个方法就是“5个why”，这种思考工具最早是由丰田公司的大野耐一提出的。新闻发布会上记者问：“为什么丰田汽车的质量会这么好？”他说：“我碰到问题，至少要问五个为什么。”据说有一次，大野耐一到生产线上视察，发现机器停转了。于是他问了一个问题：“为什么机器停了？”员工答：“因为超过了负荷，保险丝断了。”他接着问了第二个问题：“为什么会超负荷？”答：“因为轴承的润滑不够。”第三个问题：“为什么润滑不够？”答：“因为油泵轴磨损、松动了。”第四个问题：“为什么磨损了呢？”答：“因为没有安装过滤器，混进了铁屑等杂质。”通过“追问5个为什么”来追问问题的真正原因确实是很有效的，通常经过2、3次“为什么”的思考之后，就开始觉得困难，真正要“动脑”了，这时候才开始触及本质。第一性原理不是万能原理。当然，所有原理都有都自己的边界和使用条件，第一性原理也不例外。第一性原理追求的是确定性，但是确定性通常只在硬科学，比如数学、物理学、化学中存在，而在生物学、经济学、社会学这些软学科中，去追求觉得的确定性是不现实的，只能徒增烦恼。即便是第一性原理也有自己的局限性，特别是应用在我们生活、工作这些复杂系统中的时候。当然第一性原理是非常有用的，但是一旦过分依赖，就容易出现“铁锤人综合症”，这是我们学习多元思维模型的人，首先要避免的。避免的最佳方式就是跨学科学习、收集更多的第一性原理，让自己拥有各个学科的工具。第一性原理的反面。菲茨杰拉德：同时保有全然相反的两种观念，还能正常行事，是第一流智慧的标志。现在广泛应用的“大数据”就是一种和“第一性原理”完全相反的思维方式。“大数据”基于归纳法，根据相关性，通过复杂的、海量的统计数据得出结论；而“第一性原理”基于演绎法，根据因果关系，从一个简单的起点，一步一步开始推导得出结论。以前归纳法不是特别靠谱，是因为人的经验总是有限，获取的样本太少，结论出现偏差的概率就大。但是在大数据时代，有了更好的解决办法。海量数据包含的信息可以帮助我们消除不确定性，而数据之间的相关性在某种程度上可以取代原来的因果关系。很多基于大数据公司的产品开始暂露头脚，典型的就是今日头条和抖音了，还有很多基于数据的职业，比如当下很火的“增长黑客”，Facebook、Google等等很多互联网公司都有自己的增长团队，也被证明是非常有效的。当然，大数据这么厉害这并不是说第一性原理就没用了，恰恰相反，大数据说明人在归纳统计思维方面是比不过机器的，而在演绎思维方面，人才有独特的优势，大数据可以成就头条和抖音，但做不出特斯拉。两种思维都可以成为我们的重要工具。大数据的发展必须是数据、技术、思维三大要素的联动，它不仅取决于大数据资源的扩展和大数据技术的应用，更取决于大数据思维的形成。如果没有大数据思维，即使拥有了海量的数据，也无法发挥它们的价值。大数据思维是在看似无关联的事物中找到其间的相关性，并进行逻辑分析和定量化处理，将自然思维转向智能思维，使得大数据具有生命力，获得类似于“人脑”的智能。一、数据核心原理现如今，大数据已成为不可或缺的重要资源，因此必须树立基于数据的思维理念，用数据核心思维方式思考问题和解决问题，让数据说话，用数据说话。以数据为核心的理念反映了当下IT产业的变革，数据成为人工智能的基础。然而，海量数据既给数据分析带来了机遇，也带来了新的挑战。大数据往往利用众多技术和方法，综合了源自各个渠道、不同时间的信息而获得的。为了应对大数据带来的挑战，我们不得不采用新的统计思想和计算方法来处理海量数据。二、数据价值原理大数据时代让数据变得在线，并且从当初的以“功能”为价值转变为现在的以“数据”为价值。大数据的关键并不在于“大”，而在于“有用”，价值含量和挖掘成本比数量更为重要。通过利用有价值的数据能够让企业更好地了解客户需求、消费倾向、喜好等等，并据此提供个性化服务。不管大数据的核心价值是不是通过预测来实现，但是基于大数据形成决策的模式已经为不少的企业带来了盈利和声誉。三、全样本原理很长一段时间以来，由于记录、储存和分析数据的工具有限，准确分析大量数据成为一种挑战。为了让数据分析变得简单，人们把数据量缩减到最少，选择采用抽样调查的方法。而在大数据时代，人们已经开始逐渐利用所有的数据，而不再仅仅依靠一小部分数据。全数据样本调查相比传统的抽样调查而言更具真实性和可靠性，足够多的数据可让人们透过现象看本质，从而洞察事物的内在规律。所采集的数据量越大，越能更真实地反映事物的真实性。四、