第7章
拆解决策

我们通常将决策与“重大决定”联系在一起：我应该买这套房子吗？我应该上这所学校吗？我应该跟这个人结婚吗？毫无疑问，这些改变生活的决定虽然少见，却非常重要。

但我们也随时随地在做着琐碎的决定：我应该继续坐在这把椅子上吗？我应该继续走这条街吗？我应该继续支付这个月度账单吗？此外，一如加拿大著名摇滚乐队Rush歌唱自由意志的妙语所言：“如果你选择不做决定，你仍然做了选择。”我们会像依靠定速巡航那样处理许多小事，比如接受默认设定，选择把所有的注意力都放到更重大的决策上。但是，决定不做决定，这仍然是个决定。

在大多数职业当中，决策都处在核心位置。学校教师决定怎样教育有着不同个性和学习风格的学生。经理们决定为团队招募什么人，晋升什么人。看门人决定怎样应对意外事件，如煤气泄漏和安全隐患。卡车司机决定怎样应对道路封闭和交通事故。警察决定如何处理可疑人员和潜在的危险情况。医生决定使用何种药物，什么时候进行昂贵的化验。家长决定孩子该花多长时间在电子设备上。

像这样的决定大多发生在不确定的条件下。老师并不确定用这种教学方法还是那种教学方法能让某个孩子学得更好。经理并不确定求职者是否会表现良好。医生并不确定是否有必要进行昂贵的化验。他们每个人都必须预测。

但预测不是决定。做出决定需要对预测进行判断，接着采取行动。在机器智能近年来取得进展之前，只有学术界才对这种区别感兴趣，因为人类始终是把预测和判断放到一起进行的。而现在，机器预测的进步意味着我们必须对决定进行一番剖析。

决策剖析

预测机器在决策层面上会产生最直接的影响。但决策还有其他6个关键要素（见图7-1）。当某人（或事物）做出决定时，他们从世界上获取能生成预测的输入数据。不同类型的数据之间有什么关系，哪些数据与特定情况关系最为紧密，人接受过相关的训练，预测因此才是可行的。把预测与判断（什么最重要）结合起来，决策者就能选择行为了。行为导致结果（而结果与奖励或损益相关）。于是，这个结果，就成了决定带来的后果。该结果是呈现完整图景所必需的。它还可以提供反馈，帮忙改进下一次预测。

假设，你因为腿疼去看医生。医生开始诊断你，他做了X光检查，验了血，并询问了几个问题，得到了输入数据。利用这一输入，并根据多年来医学院所学和其他诸多相似患者的情况（这就是训练与反馈），医生做出了预测：“你最有可能患的是肌肉痉挛，不过有很小的概率是血栓。”

伴随这一评估出现了判断。医生的判断会考虑其他数据（包括直觉和经验）。如果是肌肉痉挛，那么休息就好。如果是血栓，那就要用一种没有长期副作用的药物来治疗，但它对许多人会造成轻微不适。如果医生错误地用治疗血栓的办法来治疗肌肉痉挛，那么，你短期内会感到不适。如果医生错误地用休息来治疗血栓，那么，你就可能出现严重的并发症，甚至可能死亡。做判断涉及确定与每一个可能的结果相关的相对损益，这就包括，与“正确”决定相关的回报，以及与错误决定相关的损失。（本例中，损益与痊愈、轻微不适、严重并发症相关。）确定所有可能结果的损益是做出以下决定的必要步骤：什么时候选择药物治疗（即选择让患者感到轻微不适和减少严重并发症的风险），什么时候选择休息。故此，将判断应用于预测，医生做出了决定（或许还参考了你的年龄和风险偏好）：你应该接受肌肉痉挛的治疗，尽管你有极小的概率得的是血栓。

最后是给予治疗、观察结果的行为：你腿上的疼痛消失了吗？出现其他并发症了吗？医生可以用这一观察结果作为反馈，为下一次预测提供信息。

通过将决策分解为不同的元素，我们可以清楚地进行思考：随着机器预测能力的增强，人类活动的哪些部分将贬值，哪些将增值。最清楚的是，对预测本身而言，预测机器整体上是人类预测的一个更好的替代。随着机器预测越来越多地取代人类预测，人类预测的价值将降低。但更重要的一点是，虽然预测是一切决定的关键组成部分，但它并不是唯一的组成部分。目前，决策的其他元素（判断、数据和行动）仍牢牢地被人类握在手中。它们是预测的互补品，也就是说，随着预测变得廉价，它们的价值会提高。例如，由于预测机器现在提供了更好、更快和更廉价的预测，我们或许可将做判断的努力用到从前决定不做决定的地方（例如接受默认设定）。此时，人类判断的需求将会增加。

“知识”没了

伦敦的司机为获得驾驶著名的黑色出租车的资格，必须参加名为“知识大全”（“The Knowledge”）的考试。考试内容包括知晓城市周边数千个景点和街道的位置，以及预测一天中任何时段任意两点之间最短或最快的路线——这是更难的部分。哪怕只是一座普通城市，相关信息量也非常惊人，何况伦敦并不普通。它从前是若干独立的乡村和城镇，在两千年的时间里逐渐发展成了一座全球化大都市。为了通过考试，申请人必须得到一个接近完美的分数。平均要花三年时间才能通过考试也不足为奇了。他们不光要花时间背地图，还要骑着机动车在城里跑，以便将记忆落到实处。但一旦通过考试，申请人就可获得绿色的荣誉胸章，象征他们已接受了知识的洗礼。

你知道这个故事接下来会怎么发展。十年前，伦敦出租车司机拥有的知识是他们的竞争优势。没有人能提供相同等级的服务。本来可以步行到某处的人会钻进出租车，完全是因为出租车司机知道路该怎么走。可仅仅过了五年，一套简单的移动GPS（卫星导航系统）就可以为驾驶员提供一度被出租车司机垄断的数据和预测。今天，大多数手机都可免费使用相同的“超级武器”。人们再也不会迷路了。人们知道最快的路线。而且，如今的手机已经更进一步了，因为它会实时更新交通信息。

投入了三年时间学习“知识大全”的司机们并不知道自己有一天竟然要跟预测机器竞争。多年来，他们把地图上传到自己的记忆里，检测路线，并用常识填补空白。如今，导航程序可以访问相同的地图数据，还能结合算法和预测性训练，利用出租车司机无法掌握的实时交通数据，以便在任何时候找到最佳路线。

但是伦敦出租车司机的命运不仅有赖于导航软件预测“知识大全”的能力，还有赖于帮助他们选择从A点到B点之间最优路线的其他关键要素。首先，出租车司机要能控制机动车辆。其次，他们身上“装载着传感器”（眼睛和耳朵最为重要），能将背景信息馈进大脑，确保自己将知识应用于实践。但其他人也能这样做。有了导航软件，伦敦出租车司机的工作并不会变得更糟糕。相反，出租车司机以外的数以百万计的人的出行却便捷多了。出租车司机的知识已不再是稀缺商品，这为优步等共享驾驶平台带来了与之竞争的机会。

其他司机能够借助手机上的“知识大全”来预测最快的路线，这意味着他们可以提供同样的服务。当高质量的机器预测变得廉价时，人类预测的价值便下降，出租车司机的境遇就会每况愈下。伦敦黑色出租车的乘坐人数下降了，因为有其他人可提供相同的服务。这些人同样拥有驾驶技能，具备人类传感器。随着预测变得廉价，互补性资产的价值上升。

当然，自动驾驶汽车本身有可能替代这些技巧和感官，但这一点我们稍后再来讨论。我们在这里想要说明的是，一如决策剖析部分所描述的那样，要理解机器预测带来的冲击就需要理解决策的各个方面。

应该带上伞吗

到现在为止，判断到底是什么，我们对此还有些不确定。为了解释它，我们引入一种决策工具：决策树。（更详细的解释见Joshua S. Gans, Core Economics for Managers（Australia：Cengage，2005）。）当你拿不准做出特定选择后会发生什么的时候，它尤为有用。

让我们举一个你可能熟悉的选择作为例子。你应该带着伞出门散步吗？你也许认为，伞是一种能让人避免被雨淋湿的工具，没错。不过，在本例中，伞也是一种针对下雨可能性的保险。故此，以下框架适用于任何降低风险的类保险决策。

显然，如果你知道不会下雨，就会把伞留在家里。另一方面，如果你知道会下雨，那么一定会随身带伞。在图7-2中，我们使用树状图来表示它。树根分出两条支线，代表你可以做的选择：“不带伞”或“带伞”。它们又各自分出两条支线，代表你不确定的事情：“下雨”和“天晴”。没有准确的天气预报，你并不知道到底会怎样。你也许知道，在这一年的这个季节，天晴的概率是下雨的三倍。故此，你有3/4的机会碰上出太阳，有1/4的机会碰上下雨。这是你的预测。最后，在分支的末端是后果。如果你没带伞而碰上了下雨，你就会被淋湿，以此类推。

假设你喜欢不带伞同时不淋雨（用10分制打分的话，你认为这是10分）甚于带了伞没淋雨（8分），又甚于淋了雨（大大的0分）。（见图7-3）这些判断足以让你采取行动了。凭借下雨概率是1/4的预测，以及对淋湿和带伞损益的判断，你可以结算出带伞与不带伞的平均损益。据此，你带上伞（平均收益8分）比不带伞（平均收益7.5分）好。（原因是这样：“带伞”的平均收益=（3/4）（带了伞，没下雨）+（1/4）（带了伞，挡了雨）=（3/4）8+（1/4）8=8“不带伞”的平均收益=（3/4）（没带伞，也没下雨）+（1/4）（被雨淋湿了）=（3/4）10+（1/4）0=7.5）

如果你真的很讨厌带伞（6分），你的偏好判断也可以据此进行调整。在这种情况下，出门不带伞的平均损益不变（7.5分），而带伞的损益变成了6分。所以，这些讨厌伞的人会把伞留在家里。

这个例子很琐碎。讨厌带伞甚于讨厌被雨淋湿的人显然会把伞留在家里。但对那些并不琐碎的决定，决策树仍然是一种厘清损益的有用工具，这也正是判断的核心。这里，行动是带伞，预测是下雨还是晴天，结果是会不会淋湿，判断是预期你从淋湿、没淋湿、带伞还是不带伞中所感受到的开心（“损益”）。随着预测变得更好、更快、更廉价，我们将更多地利用它来做出更多的决定，所以，我们将需要更多的人为判断，而人为判断的价值也将随之提升。

本章要点

※预测机器非常有价值，因为（1）它们常常可以比人类更好、更快、更廉价地生成预测；（2）预测是在不确定条件下做出决策的关键因素；（3）决策在整个经济和社会生活中无处不在。然而，预测并不是决策——它只是决策的组成部分。其他的组成部分包括判断、行动、结果，以及三类数据（输入、训练和反馈）。

※把决策分解成不同的组成部分，可以帮助我们理解预测机器对人类及其他资产价值带来的影响。预测机器替代品（即人类预测）的价值将会下降。然而，互补品（如与数据收集、判断和行动相关的人类技能）的价值会变得更宝贵。对于每个投入了3年时间学习“知识大全”（即学习预测一天中特定时间从a到b的最快路线）的伦敦出租车司机来说，预测机器并不会让他们中任何一个人的境况变得更糟糕。反而，借助预测机器，其他众多驾驶者在选择最佳路线上的表现变得更好了。出租车司机的预测技能不再是稀缺商品。非出租车司机不仅掌握驾驶技能，还具备人类传感器（眼睛和耳朵），依靠预测机器得到了有效提升，得以与出租车司机展开竞争。

※判断涉及确定与每一可能结果（包括“正确”决策带来的结果，以及错误决策带来的结果）相关的相对损益。判断要求你明确自己实际追求的目标，这是决策的一个必要步骤。随着预测机器让预测变得更好、更快、更廉价，人为判断的价值将会增加，因为我们对它的需求更高了。我们可能更愿意将精力放在我们之前选择不做决定（接受默认设定）的决定上。