為什麼電腦科學家說，賽局理論「奈許均衡」的地位言過其實， 現代投資組合理論也不是資產配置的好建議？ 亞馬遜書店「商務決策與問題解決類」、「電腦科學類」與「認知科學類」Top 1， 《麻省理工科技評論》選為年度最佳書籍， 各界讀者讚不絕口：「真是過癮！」 訪問近五十年來最知名演算法的設計者， 了解工程師如何教電腦發揮最大效用，並將所學用於生活。 讀者大推：「真是過癮！」 「主動向機器學習」是人工智慧時代最核心、最有效的學習方法之一，在《決斷的演算》裡，各具心理學、統計學與電腦科學背景的兩位作者揭櫫：為何跟電腦學決策你不僅不會變成理性魔人，反而會更加明智且善體人意。 ▎說到演算法，你想到的是政府和大企業如何利用數學模型算計你？ 其實，演算法的本質是「解決問題的一連串步驟」，它的發展遠遠早於電腦，不只長期為各研究領域與產業實務帶來重大變革，更能幫助個人跳脫盲點與錯誤直覺，明快地解決問題。 ▎說到機器學習，你以為考慮因素越多越好、比較複雜的模型較佳？ 其實，當今電腦運算時並非套用死板的演繹邏輯，點滴不漏地羅列所有選擇，琢磨出正確答案。它們會捨棄不必要的資料，偏向選擇較簡單的解答，權衡誤差或延遲的代價，接著冒險一試。 ▎說到電腦，你認為它冰冷且毫無彈性，思考方式跟人腦南轅北轍？ 事實上，我們面臨的許多挑戰，跟電腦科學家一樣都源於：要運用有限的空間、時間和注意力，因應未知事物和不完整的資訊，因此電腦解決問題的方式，能在極大程度上與人們的作法融合。 《決斷的演算》各章以常見的日常問題開場，從釐清它們的演算結構著手，以問題所屬類型為骨架（副章名），紮實的電腦科學發展史為血肉（章名），探討一代代的研究者為這類問題找出什麼解決方案，這些收穫顛覆了我們對於「合理」的看法，不僅幫助其他領域獲得新進展，也為個人生活帶來實用啟示，像是： ❖證明「所有雙人賽局至少有一個均衡狀態」的奈許均衡，讓約翰．奈許拿下了諾貝爾經濟獎，但它的地位可能言過其實。為什麼？（賽局理論） ❖自動駕駛汽車能改善交通阻塞，打造交通天堂？你可能要失望了。現在自私駕駛人各行其是的情形其實已接近最佳狀態。（演算法賽局理論，自主行為代價） ❖棉花糖實驗證明了意志力對日後的成就有深遠影響？事情沒這麼簡單。抵擋得住誘惑的另一個關鍵可能是「期望」……（貝氏法則） ❖以現代投資組合理論榮獲諾貝爾經濟獎的馬可維茲，居然把自己的退休金平均投資在債券和股票上！這未免太不聰明了？未必。（過度配適） ❖歐巴馬競選總統時，他的新媒體分析團隊靠什麼方法設計與經營網站，幫他多募得五千七百萬美元？（開發與善用） ❖安排球季賽程真麻煩！怎麼樣既符合聯盟基本結構產生的規定，又顧及聯盟和轉播電視台的特殊考量和限制？（鬆弛） ❖2010年5月6日，美國股市發生閃電崩盤，短短幾分鐘內有幾家公司股價飆漲、另幾家則直線崩跌，這是怎麼回事？（賽局理論，資訊瀑布） ❖一般認為年老健忘是認知衰退，但電腦科學家判斷，那是整理、取捨越來越多記憶的必然結果——人的腦袋可靈光了！（快取） ❖你打算在十八歲到四十歲期間覓得人生伴侶，那麼幾歲時選定的對象可能最好？答案是二十六歲。（最佳停止點，37％法則） ❖紙本資料用完隨手往旁邊疊，既沒條理又沒效率？不，根據演算法原理，這是目前已知最精良、效率最佳的資料結構。（快取） ❖什麼情況下，隨便挑一封電子郵件回覆，會好過先回覆最重要的郵件？（排程，往復移動） ❖為什麼玩吃角子老虎時，贏錢繼續玩同一台是好策略，但是輸錢就換一台則太過輕率？（開發與善用）…………… 電腦科學還能協助我們清楚劃分哪些問題有明確解答、哪些則無，從而選擇自己要面對什麼，以及要讓其他人面對什麼——這種「運算的善意」可以改變人們的認知問題類型，減輕認知負擔，增進互動的效率。 ▎本書用法： 這本書既適合一般讀者，也適合教學使用，版面設計兼顧兩者需求，使用方法詳見書中建議。各章內容提示詳見〈目錄〉的引文。 專業推薦 ▎陳昇瑋／台灣人工智慧學校執行長 ▎洪士灝／台灣大學資訊工程系教授 ▎賴以威／數感實驗室共同創辦人 ▎林錦宏／高醫大心理系助理教授 ▎鄭國威／泛科知識公司知識長 ▎黃貞祥／清華大學生命科學系助理教授 ▎雷浩斯／專職投資人及投資講師 ▎冏星人／說書節目製作人暨作家 ▎（「得到」App萬維鋼老師書評介紹《指導生活的算法》 ） 好評推薦 ▎《大腦解密手冊》作者伊葛門： 我一直期待有書能把運算模型和人類心理學結合起來，這本書遠超乎我的期望，寫得精彩極了，而且淺顯易懂，讓所有讀者都能輕鬆理解掌控世界運作的電腦科學，更重要的是，了解電腦科學對我們的生活有何影響。 ▎林錦宏，高醫大心理系「決策神經科學實驗室」助理教授： 這是一本整合心理學、統計學、經濟學、賽局理論、電腦科學重要概念與生活議題的跨領域參考書。 ▎科技網站Boing Boing創辦人，《資訊分享，鎖得住？》作者柯利‧多克托羅： 非常出色。除了行文中解釋的電腦科學對於個人和管理都很實用，本書也是演算法和電腦科學以及作者所稱的「運算的斯多葛派」和「運算的善意」這種哲學論述的極佳入門書。 ▎《為什麼我們這樣生活，那樣工作》作者查爾斯‧杜希格： 精彩有趣而且提供許多實用建議，告訴我們如何更有效率地運用時間、空間和心力，寫得趣味橫生。 ▎《搖籃裡的科學家》共同作者艾莉森‧戈普尼克（Alison Gopnik）： 深入淺出又有趣，讓人讀得欲罷不能。我們都聽說過演算法威力強大，但《決斷的演算》深入淺出地解說它們的運作方式，以及我們可以如何運用它們，在日常生活中做出更好的決定。 ▎《富比世》雜誌： 年度必讀大腦類書籍。這是一本以學術研究為基礎，又可應用在實際生活上的好書。作者探討的演算法在生活上的實用程度，超乎我的預期，值得好好研讀。 ▎《大眾科學》雜誌英國版： 我超迷這本書！年輕學生學數學時常說：「數學有什麼用？實際生活上又用不到！」這本書就是最好的答案。書中的概念，無論是37％法則的相對單純性或賽局理論中讓人費解的機率，都相當實用，而且寫得十分有趣，大推！ ▎亞馬遜書店多位讀者評價 醍醐灌頂！我學的是經濟，讀了這本書之後超想去讀個電腦科學學位。可以的話，我想給這本書十顆星。／好驚人的書，它改變我對許多真實日常問題的看法。／了不起的書。不論是一般人或高科技迷都會讀得津津有味。／很有意思。讀完這本書過了幾個月，我還不時想到它，它提供了很棒的觀點看待世界。／有趣極了，我已經借給好幾個同事讀。／超讚。我重讀這本書好幾次，裡頭有很多很棒的資訊！／真是過癮！

前言：為什麼我們能跟電腦學決策？ 演算法的本質是「解決問題的一連串步驟」，我們面臨的許多挑戰跟電腦科學家一樣都是：如何運用有限的空間、時間和注意力，因應未知事物和不完整的資訊。本書釐清這些難題的數學架構，闡述工程師如何教電腦發揮最大效用，並了解人腦如何克服相同限制。作者訪問了近五十年來最知名演算法的設計者，談談他們怎麼將所學用於生活。人類和電腦的解決方式融合程度極高，電腦科學不只能協助我們簡化問題以取得進展，甚至能提供具體的解決方法。 第一章　最佳停止點——什麼時候該見好就收？ 盡量羅列選項，小心權衡後選出最好的一個，才是理性決策？實際上由於時間有限，決策過程最重要的面向是：何時應該停止。聘人、租屋、找車位、賣房子，以及尋覓伴侶和投資獲利時見好就收等，都是要在選項逐一出現時做出最佳選擇，它們真正困擾人的是可以考慮的選項有多少。依各狀況條件不同（比如能否吃回頭草、是否有明確標準），這章解釋了37％法則、思而後行法則、臨界值法則等，教你如何避免太早決定或找太久，何時該降低或提高標準以及標準該調整多少…… 第二章　開發與善用——嘗試新歡？還是固守舊愛？ 開發是蒐集資料，它能提高發現最佳選擇的機會；善用則是運用現有資訊，取得已知的良好結果，兩者各有利弊。人們大多把決策視為彼此孤立，每次分別尋找期望值最高的結果。其實決策極少是孤立的，如果你思考的是日後面對相同選項時要怎麼做，那麼權衡是要開發還是善用，就非常重要。本章以電腦科學中最能體現這兩者之矛盾，名稱取自吃角子老虎機的多臂土匪問題，闡述應該如何隨時間而改變目標，並且說明為何合理的行動過程多半未必會選擇最好的目標。 第三章　排序——依照順序排列 排序對於處理各種資訊都十分重要。電腦科學家經常要權衡排序和搜尋兩者，這項權衡的基本原則是：花心力排序資料，為的是省下日後花費心力找資料。於是這個問題變成：如何事先評估資料未來的用途？電腦科學指出，混亂和秩序造成的危險都可以量化，它們的成本都能以「時間」這個基準來呈現。Google搜尋引擎之所以強大，其實是拜預先排序之賜；但對於另外一些狀況，保持混亂往往更有效率。另外討論演算法的最差情況表現（以排序而言是最差完排時間），可以讓我們確定某個程序能在期限內完成，運動賽程的排定便是一例。 第四章　快取——忘掉就算啦！ 你的收納問題其實與電腦管理記憶體時面臨的挑戰類似：空間有限，要如何既省荷包又省時間？快取的概念是把常用資料放在手邊備用，快取裝滿時為了騰出空間放新資料，得剔除一些舊資料——但剔除哪些好呢？電腦科學家探究了隨機剔除、先進先出（先剔除最舊的）以及最近最少使用法等，甚至發展出能預測未來並執行已知最佳策略的演算法。這方面的研究啟發了亞馬遜書店的「預測包裹寄送」專利，還扭轉了心理學家對於人類記憶的看法。 第五章　排程——優先的事情優先處理 重要且緊急、重要但不緊急、不重要但緊急、不重要但不緊急……，時間管理大師總教人照這順序處理事情。但電腦科學家會要你先搞清楚「用什麼標準來評量成果」。是在期限內完成最重要？還是盡量縮短讓客戶等待的時間？抑或劃掉待辦清單上越多項目越好？不同的評量標準得採用不同的作業策略。本章還用電腦的「上下文交換」探討讓其他工作插隊的代價，用「往復移動」提醒忙到變成在空轉的徵兆；並告訴你如何在反應能力和處理能力間取捨，為何有時完成工作的最佳策略反而是慢下來。 第六章　貝氏法則——預測未來 十八世紀的英國，賭博這個領域不僅深深吸引傑出數學家，也吸引了牧師湯瑪斯．貝斯，他由於研究彩券的中獎率，而對於「在不確定下進行推測」的歷史帶來重大影響。他認為由過去的假設狀況進行正向推理可提供基礎，讓我們逆向推出最可能的答案。其他科學家繼續研究預測事情的各種方法，像是：如何把各種可能假設狀況濃縮成單一期望值、根據事件類型提供適當的事前機率。其實我們腦中已儲存許多精確的事前分布，因此常可由少量觀察結果做出不錯的預測，換句話說小數據其實是偽裝的大數據。 第七章　過度擬合——少，但是更好 談到思考，我們往往覺得想得越多越好：列出的優缺點越多，做出的決定越好；列出的相關因素越多，越能精準預測股價。實際上統計模型倘若太過複雜，使用過多參數，會太容易受我們取得的資料影響，而可能隨參與者不同而出現大幅差異，這就是過度配適。機器學習的一大重要事實是：考慮因素較多、比較複雜的模型，未必比較好。這章演示了過度配適如何扭曲我們對資料的解讀，點出日常生活中俯拾皆是的過度配適事例，並且教你如何藉由交叉驗證等方法揪出過度配適（像是怎麼分辨真正的人才和僅是懂得揣摩上意的員工？）並且對抗它。 第八章　鬆弛——放鬆點，不求完美才有解 過去幾十年來電腦科學家發現，無論使用多快的電腦，或程式設計得多厲害，有一類問題就是不可能找出完美解方。面對無法解決的挑戰時，你毋須放棄，但也別再埋頭苦幹，而該嘗試第三種作法。電腦科學會界定問題是「可解」還是「難解」，遇到難解問題時會先「放鬆問題」：也就是先去除問題的某些限制，再著手解決它。最重要的放鬆方法比如限制鬆弛法、連續鬆弛法，以及付出點代價、改變規則的拉氏鬆弛法…… 第九章　隨機性——什麼時候該讓機率決定 隨機看似和理性相反，代表我們放棄這個問題，採取最後手段。你若是知道隨機性在電腦科學中扮演多吃重的角色，可能會非常驚訝。面對極為困難的問題時，運用機率可能是審慎又有效的解決方法。隨機性演算法未必能提出最佳解，但它不用像確定性演算法那麼辛苦，只要有計畫地丟幾個硬幣，就能在短短時間內提出相當接近最佳解的答案，它解決特定問題的效果，甚至超越最好的確定性演算法。這章將要告訴你依靠機率的時機、方式，以及仰賴的程度。 第十章　網路——我們如何互通聲息 人類互通聲息的基礎是協定，也就是程序和預期的共通慣例，例如握手、打招呼和禮貌，以及各種社會規範。機器間的聯繫也不例外。這類協定是微妙但長久存在的焦慮來源。我前幾天傳了個訊息，從何時開始我會懷疑對方根本沒收到呢？你的回答怪怪的，我們之間是不是有什麼誤會？網際網路問世後，電腦不僅是溝通管道，也是負責交談的聯絡端點，因此它們必須解決本身的溝通問題。機器與機器間的這類問題以及解決方案，很快便成了我們借鏡的對象。 第十一章　賽局理論——別人是怎麼想的？ 賽局理論廣泛影響經濟學和社會科學領域，然而除非賽局參與者找得到奈許均衡，它的預測能力才會造成影響，但是電腦科學家已經證明，純粹尋找奈許均衡是難解問題…… 另外傳統賽局理論有個見解：對一群依自身利益採取理性行動的參與者而言，「均衡」或許不是最好的結果。演算法賽局理論依採用了此見解並加以量化，創造出「自主行為代價」這個度量，結果發現某些賽局中自主行為的代價其實沒有很高，這意謂著該系統不論細心管理或放任不管都差不多。 結語：運算的善意 對於人類某些問題，如今已經找到解決的演算方法；即使尚未得到所需結果，使用最佳演算法也會讓人寬心。此外電腦科學還能協助我們，清楚劃分哪些問題有明確解答、哪些問題則無，從而選擇要面對什麼——包括自己要面對什麼，以及要讓其他人面對什麼，其原則便是運算的善意。現今的電腦做的，並非「盡量羅列選項，找出最好的一個」。有效的演算法會做出假設，偏向選擇較簡單的解答、權衡誤差代價和延遲代價，接著冒險一試。這些作法不是讓步，它們本身就是理性的方法。

作者：布萊恩．克里斯汀(Brian Christian)、湯姆．葛瑞菲斯(Tom Griffiths) 譯者：甘錫安 出版社：行路 書系：FOCUS 出版日期：2019-03-27 ISBN：9789869634892 城邦書號：A3740033 規格：精裝 / 單色 / 352頁 / 17.3cm×23.1cm