书 · 2016-04 · 布莱恩·克里斯汀（Brian Christian）、汤姆·格里菲思（Tom Griffiths）

《算法之美》

逻辑与思维书单第 41 名 · 计算机与 AI书单第 90 名

一句话结论

理性决策要把寻找、计算和协调的成本也算进去；计算机科学能帮助我们理解这些取舍，但具体规则的效力取决于问题的条件。

值不值得读完整本？

值得读完整本。它从个人选择一路讲到预测、协作和制度设计，能让你理解：合理的方法为什么仍会失败，更多信息和更多思考为什么未必总有帮助。

第一、二章要连着读：一次性的选择和可以反复尝试的选择，适合不同策略。
第三至九章重点看每种方法优化什么、依赖什么条件；算法史和人物故事可以略读，推理不能只记结论。
第十、十一章和结语值得细看，它们把问题从个人效率推进到沟通、激励和减轻他人的决策负担。
在“逻辑与思维”书单中，建议每章记下目标、信息、限制和代价，再判断生活中的类比是否成立。

核心观点

1. 何时继续寻找，取决于信息还能发挥多久作用

一次性选择需要决定何时停止搜索；反复选择则需要在探索新选项和利用已知好选项之间分配机会。两者都要权衡眼前收益和继续获取信息的价值。

为什么：在拒绝后不能回头的选择中，太早决定会缺少比较标准，太晚决定又可能错过好机会，所以需要一个从观察转向行动的规则。经典秘书问题在候选总数已知、随机出现、只能判断相对优劣且只以选中最佳者为成功时，给出了约37%的观察阈值。反复选择的结构不同：今天尝试得到的信息，可以改善明天的决定。未来可重复选择的次数越多，探索的潜在回报通常越大；接近最后一次选择时，利用已有经验更有价值。

2. 整理、存放和排程，都应服务于明确的使用目标

秩序有维护成本，物品和任务也不必按同一种原则排列。应该分别问：怎样减少查找成本、怎样利用有限的便利空间、怎样安排任务才能达到目标。

为什么：排序是先花时间建立结构，再通过后续查找收回成本，查找很少时可能不划算。缓存解决的是便利位置有限的问题：如果最近使用过的东西更可能再次使用，把它们放在近处就能减少取用时间。调度则取决于衡量成绩的标准，在基本的单机模型中，缩短平均完成时间和减少最严重的逾期，会导向不同排序。不断切换任务还会消耗额外时间，因此看似忙碌的安排可能降低实际产出。

3. 预测要结合背景知识，也要防止把噪声当规律

贝叶斯推断要求用新证据更新已有判断；过拟合提醒我们，对旧数据解释得越细，不一定越能预测新情况。

为什么：同一个观察结果，在不同的背景分布下可能意味着不同的未来，所以预测不能只看眼前一个数字。先验提供背景，新证据改变各种解释的相对可信程度。但样本中既有稳定规律，也有偶然波动，过于灵活的模型可能把两者一起记住。限制复杂度、减少无关因素，并用未参与拟合的数据检验，能帮助区分真正可推广的规律和对过去的迎合。

4. 难题未必值得精确求解，近似和随机性可以成为工具

当完整求解的代价过高时，可以先放宽限制、寻找近似解，或通过随机抽样和随机搜索取得进展。合理性包括判断答案值得花多少成本去找。

为什么：某些问题的候选方案随规模迅速增加，逐一检查在现实时间内不可行。松弛约束可以把原问题变成较容易处理的问题，为可行方案提供线索，有时还能给出衡量其差距的界限。随机抽样让我们用部分观察估计整体，随机搜索则能帮助跳出只能在附近改进的困境。方法是否合适，要一起看耗时、精度和失败风险，不能只问有没有找到理论上的最佳答案。

5. 可靠沟通需要反馈、退让和对排队的控制

网络中的可靠性来自对失败的处理和对发送速度的调整，而非无限重试或无限储存。作者借此理解人与人之间的沟通负担。

为什么：没有确认信息，发送方就难以判断消息已到达、仍在等待，还是已经失败。失败后过于频繁地重试，会消耗资源并加重拥塞，逐步拉长重试间隔可以降低这种负担。缓冲区能吸收短期波动，但持续超出处理能力的请求只会形成越来越长的队列。因而真正改善体验，需要让反馈、请求速度和接收方的处理能力相匹配。

6. 好的决策环境，要让合作更容易、让他人少费脑

多人互动不能只按个人最优化理解，因为每个人的选择都会改变别人的处境。作者因此从博弈论走向机制设计，并在结语提出“计算上的善意”。

为什么：当收益取决于他人的行动时，个人看起来合理的策略可能组合成对所有人都不好的结果。即使理论上存在均衡，找到它也可能超出参与者实际拥有的计算能力。改变激励、信息和规则，可以减少冲突，并降低参与者推测他人行为的负担。把这种思路用到日常设计中，就是让别人更容易看懂选项、作出决定，而不是把复杂计算都留给对方。

反对意见

最佳人选未必是正确的优化目标（Ernest Davis）

Davis在《Algorithms and Everyday Life》中指出，秘书问题把“选中绝对最佳者”与其他所有结果截然分开，现实关系却重视满意程度，而且双方都在选择。这不是小小的参数差异，而是目标和互动结构发生了变化，因此不能用原模型的最优性替择偶建议背书。

现实搜索条件常常不符合37%规则（Robert Wiblin）

Wiblin在2019年的文章中强调，招聘和择偶往往有搜索成本、既有经验、不准确的评价，以及重新联系候选人的可能。这些因素会改变继续寻找的价值，因此一个特定模型的阈值不能成为普遍的行动比例。

防止过拟合，不等于一般地少想一点（Ernest Davis）

Davis在同一篇评论中指出，过拟合是从数据学习并用于预测时出现的问题，不能直接等同于日常决策中考虑太多。某些防止过拟合的方法还需要增加分析，因此从机器学习推到“少想更好”，需要额外论证。