5 学习如何有效决策

什么，你愿意与谁共度人生，你想要什么样的环境，只有你能最终做出最好的决定，尽最大可能实现这一切。而且，我们的很多思考来自自己无法理解的潜意识，所以把人类思考彻底模型化是不可能的，就像从未抽象思考过的动物不可能定义和学习抽象思考一样。

但在很多方面，人脑也无法与计算机竞争。计算机的“毅力”比任何人都强得多，因为它能全天不间断地工作。计算机能处理海量信息，而且速度飞快，其可靠性和客观性是人类永远无法比拟的。计算机能让你注意到无数你从未想过的可能性。也许最重要的是，计算机对群体偏见和从众思维免疫。计算机不会顾虑自己的结论会不会受人欢迎，而且从来不惊慌失措。在“9·11”事件那段可怕的日子里，当整个美国深陷伤痛时，从2008年9月19日到10月10日，当道琼斯指数下跌3 600点时，我常常想拥抱我那些风雨不惊的计算机。

这种人和机器的结合很美妙。人脑与科技合作的进程促使人类进步，正是凭着这么做，人类从茹毛饮血走向了信息时代。所以世界上最好的决策者是这样的人：拥有理性、想象力和毅力，知道自己看重什么、想要什么，同时也利用计算机、算法和博弈论。我们在桥水利用计算机系统，就像司机利用GPS一样，是用系统来辅助我们的导航能力，而不是替代它。

5.12 在深刻理解人工智能之前不要过度信赖它

当人工智能使用者在没有深刻理解它的情况下就接受机器学习创造的算法所假定的因果关系，甚至根据这些认识来行动时，我就对人工智能的危险感到担忧。

在解释原因之前，我想先阐明我的用词。人们经常轻率地使用“人工智能”和“机器学习”，并将其作为同义词，但二者大不相同。我把当前的计算机辅助决策技术分为三大类：专家系统、模仿和数据开采（这是我的分类，不是科技界常用的分类）。

我们在桥水使用的是专家系统，设计者根据自己对一系列因果关系的理性理解将决策标准表述出来，然后观察不同条件下会出现什么不同情况。

但计算机也能发现规律并将其应用于计算机决策，而不需理解这些规律背后的逻辑。我把这种决策技术称为“模仿”。当同样的情况以可靠的方式反复不变地发生时，例如在一场规则极其严格的游戏中，这一做法也许有效。但现实中事物不断变化，所以这样的系统很容易与现实脱节。

数据开采是近年来机器学习发展最快的领域，是指功能强大的计算机消化大量数据，从中寻找规律。尽管这种做法很常见，但在未来与历史不同的情况下，这是有风险的。在机器学习不包含对现实的深刻理解的情况下，以机器学习为基础构建的投资系统很危险，因为当人们广泛相信并应用某些决策规则时，价格会受到影响。换言之，一个深刻见解在众所周知之后，其价值会逐渐衰减。在没有深刻理解的情况下，你弄不清楚过去发生的情况是否真有价值，即使有价值，你也弄不清楚其价值是否已经消失，甚至走向负面。常见的情况是，一些决策规则变得非常流行，以至对价格产生很大影响，从而使反向操作成为更合理的做法。

谨记，计算机是没有常识的。例如，计算机很容易曲解事实，看到人早上睡醒后吃早饭，就认为睡醒导致人饥饿。与其下很多我拿不准的押注，还不如下较少的我拿得准的押注（最好是互不相关的押注），同时，无法说明任何决策背后的逻辑，对我而言都是无法容忍的做法。很多人因为发现机器学习比形成深刻理解容易得多，就盲目信任机器学习。而对我而言，深刻理解必不可少，尤其是对我做的事情而言。

我的意思不是模仿系统、数据开采系统没有用。事实上我相信，在未来的事物发展范围和格局与过去相同的情况下，这些系统对决策很有帮助。有了足够强大的计算能力后，所有可能变量就都可以纳入考虑。例如，通过分析不同形势下国际象棋好手弈棋的数据，通过分析不同手术期间杰出外科医生的手术流程，人们可以创造出很有价值的下棋程序或手术程序。早在1997年，计算机程序“深蓝”就用这种方式击败了全球排名最高的国际象棋棋手加里·卡斯帕罗夫。但当未来与过去不同、我们因理解不深而无法识别所有因果关系时，这一做法是行不通的。凭着理解这些因果关系，我没有像其他人一样犯错误，最明显的例子是2008年的金融危机，当时几乎所有人都以为未来会和过去一样。把全部注意力集中于符合逻辑的因果关系，我们将能看到事情的真相。

想想看，人脑其实就是以某种方式编程的计算机，处理数据，发出指令。我们可以编排人脑的逻辑和作为工具的计算机的逻辑，让它们彼此合作，甚至相互检验。这是一种美妙的做法。

例如，假设我们要归纳出能解释物种进化的普适规律。理论上，只要我们有足够的处理能力和时间，这就是可能的。当然，我们需要把计算机得出的公式弄明白，以确保这不是一堆从数据中提取的大杂烩，即不同因素只有相关性，没有因果性联系。我们可以不断简化这些规则，直到实现毫无疑问的精确度。

当然，鉴于人脑的处理能力和速度有限，要对进化过程中的所有变量形成丰富的理解，是一个永远无法完成的任务。那么，我们的专家系统采用的那