決斷的演算: 預測、分析與好決定的11堂邏輯課 (暢銷紀念精裝版) | 誠品線上

Algorithms to Live By: The Computer Science of Human Decisions

作者 Brian Christian/ Tom Griffiths
出版社 遠足文化事業股份有限公司
商品描述 決斷的演算: 預測、分析與好決定的11堂邏輯課 (暢銷紀念精裝版):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

內容簡介

內容簡介 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!」「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。

各界推薦

各界推薦 ◎聯合推薦台灣人工智慧學校執行長/陳昇瑋台灣大學資訊工程系教授/洪士灝數感實驗室共同創辦人/賴以威高醫大心理系助理教授/林錦宏泛科知識公司知識長/鄭國威清華大學生命科學系助理教授/黃貞祥專職投資人及投資講師/雷浩斯說書節目製作人暨作家/冏星人(『得到』App萬維鋼老師書評介紹《指導生活的算法》 )「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。」--《大腦解密手冊》作者/伊葛門「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。」--高醫大心理系『決策神經科學實驗室』助理教授/林錦宏「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。」--科技網站Boing Boing創辦人,《資訊分享,鎖得住?》作者/柯利‧多克托羅「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。」--《為什麼我們這樣生活,那樣工作》作者/查爾斯‧杜希格「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。」--《搖籃裡的科學家》共同作者/艾莉森‧戈普尼克(Alison Gopnik)「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。」--《富比世》雜誌「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!」--《大眾科學》雜誌英國版「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。」--亞馬遜書店讀者「好驚人的書,它改變我對許多真實日常問題的看法。」--亞馬遜書店讀者「了不起的書。不論是一般人或高科技迷都會讀得津津有味。」--亞馬遜書店讀者「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。」--亞馬遜書店讀者「有趣極了,我已經借給好幾個同事讀。」--亞馬遜書店讀者「超讚。我重讀這本書好幾次,裡頭有很多很棒的資訊!」--亞馬遜書店讀者「真是過癮!」--亞馬遜書店讀者

作者介紹

作者介紹 ■作者簡介布萊恩‧克里斯汀(Brian Christian)電腦科學家,合著的《決斷的演算》獲得《麻省理工科技評論》選為年度最佳書籍,另一著作《人性較量:我們憑什麼勝過人工智慧?》(The Most Human Human)則為《紐約時報》推薦書籍及《紐約客雜誌》年度推薦圖書。其他作品見於《紐約客》雜誌、《大西洋》雜誌、《連線》、《華爾街日報》、《衛報》和《巴黎評論》等,以及《認知科學》等科學期刊,曾被翻譯為十餘種語言。湯姆‧葛瑞菲斯(Tom Griffiths)加州大學柏克萊分校心理學和認知科學教授,並主持運算認知科學實驗室,曾經發表一百五十多篇科學論文,領域包含認知心理學和文化演變等,此外曾獲美國國家科學基金會、斯隆基金會、美國心理學會以及實驗心理學會等機構獎項。■譯者簡介甘錫安學業結束後由科學界踏入「譯界」,現為專職譯者。曾擔任Discovery頻道與資訊雜誌編譯,現仍定期為《科學人》及《BBC知識》等雜誌翻譯。書籍譯作包括《勝算:賭的科學與決策智慧》、《品嚐的科學》(合譯)、《愛因斯坦1905》、《氣候創造歷史》、《現代主義烹調》、《獵光聖經》等,熱愛吸收各類知識,正努力朝「全方位譯人」的目標邁進。

產品目錄

產品目錄 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。

商品規格

書名 / 決斷的演算: 預測、分析與好決定的11堂邏輯課 (暢銷紀念精裝版)
作者 / Brian Christian Tom Griffiths
簡介 / 決斷的演算: 預測、分析與好決定的11堂邏輯課 (暢銷紀念精裝版):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
出版社 / 遠足文化事業股份有限公司
ISBN13 / 9789869634892
ISBN10 / 9869634893
EAN / 9789869634892
誠品26碼 / 2681731963000
頁數 / 352
注音版 /
裝訂 / H:精裝
語言 / 1:中文 繁體
尺寸 / 23.1X17.3CM
級別 / N:無

試閱文字

內文 : ▎前言:為什麼我們能跟電腦學決策?
想像你正在舊金山找房子。這城市可說是全美最難找到房子的地方,有繁榮的高科技業,加上嚴格的分區使用法規,因此房價跟紐約一樣昂貴,很多人認為甚至不輸給紐約。新物件出現沒多久就下架,房地產公開說明會人山人海,往往必須私下先塞訂金支票給屋主才買得到。
由於市場如此熱絡,很難容許理性消費者先蒐集資料,深思熟慮後才下決定。四處閒逛或透過網路買屋的人,可以比較許多選擇後再下決定,但想在舊金山買房子的人,要不就買下眼前這棟房子,拋下其他選擇,要不就馬上走人,不再回頭。
假設有一段時間,為了簡化狀況,你只想盡可能提高買到最好房子的機率。你的目標是把在「錯過好機會」和「說不定還有好機會」之間徘徊的機率降到最低。你立刻發現自己陷入兩難:如果沒有判斷基準,要怎麼知道某棟房子是不是最佳選擇?但如果看過的房子不夠多,又怎麼知道判斷基準在哪?你取得的資訊越多,越能掌握真正的好機會,但在此之前錯過好機會的機率也越高。
那麼你該怎麼做?倘若蒐集資訊反而可能不利,那麼該如何做出明智決定?這種狀況十分殘酷,簡直可以說是矛盾。
大多數人面臨這類問題時,直覺上通常認為必須在取捨間取得某種平衡,得看過夠多的房子才能建立標準,再依據標準找出想要的房子。這種權衡概念非常正確,但大多數人沒辦法明確說出平衡點在哪。所幸這確實有明確答案:
是37%。
如果你希望達成買到最佳房子的最佳機率,請把總時間的37%拿來看房子(如果打算花一個月找房子,那就是十一天)。把清單留在家裡,單純用來設定標準。但是花了37%的時間之後,就要準備出手,只要一發現比已經看過的房子更好的選擇就買下來。這不只是尋找和放棄之間的平衡點,也是經過驗證的最佳解決方案。
我們之所以知道答案,是因為找房子屬於數學中的「最佳停止問題」。37%法則定義出一連串解答這類問題的簡單步驟,電腦科學家稱之為演算法。其實最佳停止問題可以用來解決生活中的許多狀況,找房子只是其中一例。生活中我們經常遇到選擇或放棄一連串選項的情形,比方說:要在停車場繞幾圈才找得到車位?投資高風險事業要多久才會開始回收?賣房賣車時要忍耐多久才能等到更好的價錢?
還有一種更難抉擇的狀況亦屬此類問題,那就是約會。最佳停止是連續單偶制的科學原理。
簡單的演算法不僅可協助你找到好房子,還適用於遭遇最佳停止問題的各種狀況。
我們每天都在跟這類問題纏鬥不休(只不過比起停車,詩人花比較多墨水描述愛情的磨難),有些狀況也真的很折騰。但其實沒必要這麼糾結,有些問題數學已經解決了。心急如焚的房客、駕駛人和忐忑不安的求婚者,其實都沒必要煩惱;他們不需要心理治療師,只需要演算法。心理治療師可以教他們,如何避免過於衝動和過度思考;演算法則能明確告訴他們,這個平衡點就是37%。
******
由於我們生活的空間和時間都有限,每個人都遭遇到一類問題。在一天或十年中,我們應該做什麼、或應該不做什麼?應該容忍什麼程度的混亂?什麼樣的秩序算是過度?新事物和心頭好各佔多少比例,才能使生活最讓人感到滿足?
似乎只有人會面臨這類問題?其實不然。半個多世紀以來,電腦科學家一直在探究這類日常困境,有時還試圖解決,像是:處理器該如何分配它的「注意力」,以最少時間執行使用者要它做的工作,同時盡量少做白工?它什麼時候應該轉而處理不同工作,一開始又應該接受幾項任務?怎麼運用有限的記憶體資源最好?它應該蒐集更多資料,或是依據已有的資料採取行動?
人類要把握每一天已經很不容易,電腦卻能輕鬆寫意地把握每一毫秒。電腦的工作方式可以帶給我們許多啟發。
討論演算法對人類生活的助益,似乎有點奇怪。說到「演算法」,許多人想到的是大數據、大政府和大企業神祕難解的算計。這類算計在現代世界基礎建設中的比重越來越大,但稱不上實用智慧或人生指南。不過演算法其實是解決問題的一連串步驟,而且範圍比電腦更廣,歷史也更悠久。早在機器使用演算法之前,人類就已經開始使用它們了。

(中略)

本書將探討人類演算法的設計概念,也就是:針對每天面臨的挑戰尋找更好的解決方案。把電腦科學解決問題的方法套用到日常生活上,會影響許多層面。首先,演算法能提供實用且具體的建議,協助解決特定問題。最佳停止問題告訴我們,何時該大膽跳過、何時又該留意機會。開發與利用取捨告訴我們,如何在嘗試新事物和享受喜愛的事物間找到平衡點。排序理論教我們如何(以及是否應該)整理辦公室。快取理論教我們如何把物品收進櫥櫃。排程理論則教我們如何安排工作。
到了下一個階段,電腦科學告訴我們一套字彙,用來了解這些領域中更深入的原理。卡爾.薩根(Carl Sagan)曾說:「科學不只是知識,更是一種思考方式。」即使是混亂得難以進行嚴謹數值分析或有現成答案的狀況,運用直覺和化簡問題後加以思考所得到的概念,也能讓我們了解關鍵問題和獲得進展。
更廣泛地說,以電腦科學的眼光看問題,有助於我們了解人類心智的特質、合理性的意義,並且探究最古老的問題:人類如何求生。把認知當成「解決環境造成的基本運算問題的方法」仔細探討,可能徹底改變我們對人類理性的看法。
就算電腦科學真能告訴我們如何思考以及該怎麼做好了,但我們想照著做嗎?看看科幻片裡的人工智慧和機器人,你該不會想要像它們那樣過活吧?說到研究電腦內部運作可能教我們如何思考、下決定、該相信什麼以及怎麼做好,許多人不只會把它想得太簡單,實際上是會想錯方向。
部分原因是,說到電腦,我們想到的是冰冷的機械化確定性系統——機器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,無論必須思考得多久、多辛苦。的確,最早構思出電腦的人就希望電腦是這樣:艾倫.圖靈(Alan Turing)定義中的運算就像數學家一樣,仔細執行一連串冗長運算,得出萬無一失的正確解答。
因此說來你或許會驚訝──現代電腦面臨難題時,其實不是這麼做的。當然,直截了當的計算對現代電腦而言輕而易舉。跟人類交談、修復損壞的檔案或下贏一盤圍棋等,這類沒有明確規則、缺少必要資料,或是必須考慮多如繁星的可能才能找出正確解答的問題,才是電腦科學最大的挑戰。研究人員為了解決極端困難的問題而開發的演算法,已經使電腦不再需要依賴繁重的計算。相反地,執行實際工作必須接受機率,以時間換取精確性,還要懂得運用近似法。
電腦解決真實世界問題的能力越來越強,不僅提供演算法給人運用到生活上,還定下更好的標準讓我們得以比較人類認知本身。近十幾二十年,行為經濟學主張:人類既不理性又容易犯錯,主因是人類大腦結構缺陷重重且各不相同。這個妄自菲薄的說法日益流行,但仍有些問題有待探討。舉例來說,為什麼即使是四歲小孩,執行視覺、語言和因果推論等認知任務時,
依然能超越超級電腦?
電腦科學衍生的日常問題解決方案,則對人類心智提出完全不同的看法。它們認為生活本就是困難重重,人們犯下的錯誤透露的,是問題本身的困難之處,而非人類大腦不可靠。以演算法的方式思考世界,了解問題的基本結構,以及解決方案的特質,能讓我們了解人類其實已經很了不起,同時更了解我們犯的錯。
事實上,人類經常面對電腦科學家傷透腦筋的許多難題。我們經常得克服不確定性、時間限制、資訊不足和變動快速的世界,做出決定。在某些狀況下,即使最尖端的電腦科學,也設想不出效率極高又永遠正確的演算法。對於某些狀況,或許根本沒有這樣的演算法。
然而即使在尚未找到完美演算法的領域,一代代電腦科學家和棘手真實世界問題纏鬥多年後,也得出了許多心得。這些得來不易的規則違反我們心目中的合理性,聽起來也不像數學家描述世界的那些條理分明的嚴密規則。這些規則說:不一定要考慮所有選擇,不一定非得追求看來最好的結果,偶爾可以製造混亂。看到紅綠燈就等一下。相信直覺,別思考太久。放鬆,拋
個硬幣。寬恕,記住這個教訓就行。誠實對待自己。
(中略)
今天,演算法設計不僅必須藉助電腦科學、數學和工程,還要藉助統計學和作業研究等。我們思考為機器設計的演算法與人類心智的關聯時,也需要參考認知科學、心理學、經濟學和其他學科。(中略)我們將探討電腦和人類面臨的最大挑戰:如何運用有限的空間、有限的時間、有限的注意力、未知的事物、不完整的資訊,以及無法預知的未來;如何輕鬆而自信地達成這個目標;以及如何在此同時與其他目標相同的人溝通。
最後,我們不僅將深入了解各類日常問題、以全新方式觀察人們遭遇的各種困境背後的美麗結構、認識人類和電腦的解決方式融合程度極高,還將獲得更深刻的東西:我們會有描述周遭世界的新語彙,並且有了機會重新認識自己。

▎(摘錄)說服醫界使用葉克膜的演算法

1932年到1972年間,美國阿拉巴馬州麥肯郡數百名非裔梅毒患者,參與了美國公共衛生服務長達四十年的「塔司基吉梅毒研究」(Tuskegee Syphilis Study),在醫療專業人員安排下刻意不接受治療。1966年,公共衛生服務人員彼得.巴克斯頓(Peter Buxtun)提出抗議,1968年再次提出,但直到他向媒體揭露這次事件,並於1972年7月25日刊登在《華盛頓明星報》(Washington Star)上,次日又成為《紐約時報》頭版消息之後,美國政府才中止這項研究。 在大眾強烈譴責和美國國會舉行聽證會之後,美國政府開始著手將醫學倫理的原則和標準形式化。在馬利蘭州鄉間貝爾蒙特(Belmont)會議中心舉行的委員會,於1979年提出貝爾蒙特報告。這份報告制訂醫學實驗的道德實施方式,因此像塔司基吉實驗這樣,明顯違反醫療專業人員對患者之責任的惡劣實驗,未來不可能再度出現。不過這份報告也表示,還有許多例子很難畫出明確界線。報告中指出:「希波克拉底的格言『不傷害』一直是醫學倫理的基礎原則。(生理學家)克勞德.伯納(Claude Bernard)將它推展到研究領域,並指出即使其他人可能受益,也不應該傷害任何人。然而即使要避免傷害,也必須學習有害的事物,而在獲得這項資訊的過程中,或許就會有人受到傷害。」 因此貝爾蒙特報告承認,依據所知來採取行動和取得更多知識之間確實有矛盾,但並未提出解決方法。此外報告也明確指出,獲取知識往往價值極高,因此可以暫時忽視一般醫學倫理的某些部分。報告指出,新藥品和療法的臨床試驗即使已經盡可能減少風險,但通常仍然必須承擔傷害某些患者的風險。 行善原則並非永遠明確而毫不含糊。舉例來說,可能對研究對象造成風險,但短期內看不出直接助益的兒童疾病研究,仍是難以取捨的道德問題。有人認為不應准許進行這類研究,有人則指出,這樣的限制將阻礙未來可能為兒童帶來極大助益的研究。同樣地,正如各類難題一樣,行善原則涵括的各種主張可能互相衝突,使選擇變得更加困難。 在貝爾蒙特報告發表至今這數十年間,出現了一個基本問題:臨床試驗的標準進行方式,是否真能降低病患的風險?傳統臨床試驗把患者分成若干組,每一組在研究時間內接受不同治療(除非遇到例外狀況,否則試驗不會提早結束)。這種程序著重在明確解決「哪種治療方式較好」的問題,而非在試驗中為每位患者提供最好的治療。因此它的運作方式和網站的A/B測試完全相同,一部分人在實驗中獲得的是較差的體驗。然而醫師和科技公司一樣,需要在實驗進行時蒐集關於哪個選項較佳的資訊。這項資訊不僅可以造福未來的患者,也同樣嘉惠現在的病人。 尋找網站最佳配置的實驗影響數百萬美元,但尋找最佳治療方法的臨床試驗則直接關係到生死。現在有越來越多醫師和統計專家認為,目前的試驗方法不對:我們應該把選擇治療方式當成多臂土匪問題,試著在實驗進行中就為患者提供更好的治療。 1969年,現在任職於哈佛大學的生物統計學家馬文.紀倫(Marvin Zelen)提議進行「適應式」試驗。他提出的構想是隨機式「贏錢下注」演算法。這種方式跟「贏錢繼續玩,輸錢換一台」相仿,但使用某種治療方法的機率隨成功而提高,且隨失敗而降低。在紀倫提出的程序中,起初在帽子裡放進兩個球,每個球代表一種治療方式。隨機從帽子取出一個球(然後放回去),讓第一位患者接受這種治療方式。如果選擇的治療方法成功,就多放一個代表這種治療方式的球。因此現在帽子裡有三顆球,兩個代表成功的治療方式。如果這次治療失敗,就多放一個代表另一種治療方式的球,讓它更容易抽中。 十六年後,紀倫的演算法首次運用在臨床試驗上,這項研究大膽地以體外循環維生系統(也就是「葉克膜」)治療嬰兒呼吸衰竭。葉克膜是密西根大學的羅伯.巴雷特(Robert Bartlett)在1970年代發明的,這套系統把流向肺的血液攔截下來轉到體外,以機器使血液與氧氣結合後再送回心臟。這個方法頗為大膽,本身就有相當風險(包括可能造成栓塞),不過在沒有其他選擇時不失為一個方法。1975年,加州橘郡一名新生女嬰情況十分危急,連呼吸器都無法供應足夠的氧,最後靠葉克膜挽救了生命。當年這名女嬰現在四十多歲,而且已經結婚生子。但葉克膜技術和程序在問世初期,被認為實驗性質極高,針對成人進行的初期研究更顯示,它不比傳統療法來得優異。 1982年至1984年,巴雷特和密西根大學的同事,針對呼吸衰竭的新生兒進行了一項研究。他們很清楚自己想解決「阻攔未確證但有機會挽救生命的治療方法的道德問題」,而且「不想單純為了符合傳統隨機分派技術,而不讓另一方患者接受挽救生命的治療」,因此他們轉而採用紀倫的演算法。這個策略後來造成一名嬰兒被分派使用傳統治療方法,最後死亡,另外有連續11名嬰兒被分派使用葉克膜治療,最後全部存活。正式研究結束之後,1984年四月至十一月間,另有10名嬰兒符合使用葉克膜治療的標準,其中有8名接受葉克膜治療,而且全部存活,2名以傳統方式治療,後來全都死亡。 這些數字相當引人注目,但密西根大學的研究結束後不久,葉克膜又陷入爭議。試驗中接受傳統治療的患者太少,明顯偏離標準研究方法,而且程序本身的侵入性相當高,又有潛在風險。這篇論文發表之後,哈佛公共衛生學院生物統計學教授吉姆.魏爾(Jim Ware)和醫學院同事仔細檢視試驗數據,認為這些資料「無法判定葉克膜不需進一步研究就可常態性使用」。因此魏爾等人設計了第二次臨床試驗,目的依然是獲取知識,並以比較和緩的方式有效地治療患者。 他們隨機指定患者採用葉克膜或傳統治療方法,直到其中一組的死亡人數到達預先設定的數字,此後再讓參與研究的所有患者,接受兩種治療方式中效果較好的一種。 在魏爾研究的第一階段中,10名接受傳統療法的嬰兒中有4名死亡,但接受葉克膜治療的9名嬰兒全部存活。4名嬰兒死亡後,試驗進入第二階段,讓20名患者全部接受葉克膜治療,其中有19名存活。魏爾等人至此不再懷疑,並且斷定「出於道德,很難為進一步隨機研究辯護」。 但在魏爾的研究之前,就已經有人公開提出這個看法,世界頂尖的多臂土匪問題專家唐.貝瑞(Don Berry)也是其中一人。在魏爾發表於《統計科學》期刊上的論文旁,貝瑞在評語中指出:「魏爾的研究隨機指定患者接受非葉克膜療法是不道德的……就我看來,魏爾根本不應該進行這樣的研究。」 但對整個醫療界而言,連魏爾的研究也不是最終結果。1990年代,醫學界又進行一項葉克膜研究,範圍涵蓋英國近兩百名嬰兒。這次研究沒有採用適應式演算法,而是採取傳統方法,隨機把嬰兒分成人數相同的兩組。研究人員說明這次實驗的理由,是各方對證據的解讀不同,所以葉克膜的效用「仍有爭議」。這次研究顯示,不同治療方式在英國的差異,比起美國的兩次研究來得小,但結果確實「符合以往的初步發現,葉克膜支持方式可降低死亡風險」。這個結果付出了多少代價呢?傳統治療組的嬰兒死亡人數,比接受葉克膜治療的嬰兒多出24名。 難以接受適應式臨床試驗的結果,看來似乎難以理解。然而統計學於二十世紀初問世後,對醫學造成相當大的影響。以往每出現一種新的治療方法,醫師都必須說服彼此,後來才有明確的指導原則界定證據是否足以採信。接受標準統計方法可能打破這種平衡,至少會造成短期不安。 葉克膜爭議之後,貝瑞從明尼蘇達大學統計系,轉職到休士頓德州大學安德森癌症中心,運用研究多臂土匪問題開發的方法,針對各種癌症治療方式設計臨床試驗。儘管他仍然大力反對隨機臨床試驗,但也有人支持。近年來,他支持的概念終於開始成為主流。2010年二月,美國食品藥物管理局(FDA)發行《藥物與生物製劑之適應式設計臨床試驗》指南60,儘管FDA一向堅守自己信任的選擇,但這份文件表示,該局終於願意開發其他作法。

最佳賣點

最佳賣點 : 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!」

活動