决策的要素
一般我们会把决策联想到重大的决定：我该买这栋房子吗？我应该上这所学校吗？我应该和这个人结婚吗？毫无疑问，这些改变人生的决定虽然不常见，但很重要。
但我们也随时在做些小决定：我要继续坐这张椅子吗？我应该继续沿着这条街走下去吗？我应该继续付这笔月费吗？还有就像加拿大摇滚乐团匆促合唱团（Rush）在一首颂扬自由意志的歌中的诙谐说法：「如果你选择不做决定，你还是做了选择。」我们靠自动导航处理许多较小的决定，也许就是接受默认的选项，选择将所有注意力集中在更重大的决定。不过，决定不去做决定，依然是个决定。
决策是大部分工作的核心。学校老师决定要怎么去教导人格特质与学习风格各不相同的学生；经理人决定团队要招募什么人，以及要提拔什么人；管理员要决定怎么处理意料之外的事件，例如泼洒出来的东西和安全危机；货车司机要决定怎么因应道路封闭和交通意外；警察要决定怎么处理可疑人士和潜藏危机的状况；医师要决定开什么药，以及什么时候进行昂贵的检查；父母要决定自己的小孩适合看多久的屏幕。
像这些决定通常会发生在不确定的情况下。老师无法肯定知道某个孩子用一种教法会比另一种教法学得更好；经理人无法肯定知道一个求职者的工作表现到底好不好；医师无法肯定知道是否有必要进行昂贵的检查。每一种情况都必须预测。
但预测并非做决定。做决定需要对一项预测进行判断，然后才行动。在最近机器智慧的发展之前，这个区别只有学术界才感兴趣，因为人类一直都在同时进行预测和判断。现在机器预测的进步，意味着我们必须检视决策的结构。
剖析决策的结构
预测机器在决策层面的影响最为直接。但决策有其他六个关键要素（见图7-1）。当某个人（或某件事）做了个决定，机器就会从世界得到输入数据，才得以做出预测。这种预测之所以有可能出现，是因为经过训练，了解不同类型数据的关系，以及哪一种数据和哪一种情况最密切相关。把预测与判断预测结果的重要性结合起来，决策者就能选择采取的行动。行动之后会产生结果（有相关的报酬或收益）。结果会受到决策的影响，这是提供完整全貌必须要有的东西。最后的结果也可以提供回馈，协助改进下一次的预测。
想象你的脚在痛，因此你去看病。医师看了看，拍了X光片，做了抽血检查，并问了几个问题，产生输入数据。利用这个数据，并根据多年的医学院训练，以及其他或多或少跟你有些类似的许多病患情况（那就是训练与回馈），医师做出预测：「很有可能是肌肉痉挛，不过也有很小的机率可能是血栓。」
伴随这个评估的是判断。医师的判断考虑到其他数据（包括直觉和经验）。我们假设，如果是肌肉痉挛，治疗方式就是休息；如果是血栓，治疗方式则是服用没有长期副作用的药物，但许多人会有轻微不适。假如医师误将肌肉痉挛当成血栓治疗，那你会有一小段时间感到不适。要是医师误用休息来治疗血栓，那就有可能造成严重的并发症，或甚至会死亡。判断包含判定每个可能结果的相对影响，包括「正确」决定及错误决定的相关性（以这个例子来说，即治疗、身体感觉有轻微不适，以及产生严重并发症等影响）。判定所有可能结果的影响是必要步骤，才能决定何时选择药物治疗，让病人感受到轻微不适并降低产生严重并发症的风险，以及决定何时选择休息。因此，用预测来判断，医师或许是根据你的年龄与风险偏好，决定你应该接受肌肉痉挛的治疗，即使你有极小的机率得的是血栓。
最后，则是采取行动进行治疗与观察结果：脚痛消失了吗？有没有出现其他并发症？医师可以把观察到的结果视为一种回馈，提供讯息给下一次的预测。
借着将一个决策分解成各个要素，我们可以清楚人类活动哪些部分会减少价值，哪些部分会因为机器预测强化而增加价值。就预测本身来说，最显而易见的就是预测机器通常是比人类预测更好的替代品。随着机器预测日渐取代人类做的预测，人类预测的价值会减少。但有个重点是，虽然预测是所有决策的关键要素，却不是唯一的要素。决策的其他要素，包括判断、数据与行动，目前仍牢牢在人类的掌握中。这些是预测的互补品，意思是说，随着预测变得更便宜，它们的价值会增加。举例来说，我们或许更愿意在从前不做决定的地方（例如接受默认值）尽力做出判断，因为预测机器现在提供更好、更快，也更便宜的预测。既然如此，人类判断的需求将会增加。
出租车司机的挑战
「知识大全」（The Knowledge）是伦敦出租车司机驾驶著名的黑色出租车时，必须参加的专业测验。这个测验包含认识城市里的几千个景点位置与街道（这是比较困难的部分），以及预测一天里任何时间两个地点间最短或最快的路线。就算是一个普通的城市，这也包含惊人的信息量，更何况伦敦这个城市先前是一堆各自独立的村庄与城镇，然后在过去1000年一同发展成全球性的大都会。要通过测验，准出租车司机需要有将近完美的分数。毫不意外，通过测验平均要花3年，不但包括熟读地图的时间，还要骑着轻型机车在城市里闲晃，将整个城市烙印在脑海中。但一旦他们做到了，获得绿色徽章的人就会被推崇为专家。1
你知道这个故事的后续发展。10年前，伦敦出租车司机的知识是竞争优势，没有人能够提供同样等级的服务。原本走路的人会跳上出租车，只因为出租车司机知道路。但仅仅5年后，一个简单的GPS或卫星导航系统，就让驾驶人取得曾经属于出租车司机超能力的资料和预测。如今，同样的超能力在多数移动电话上都能够免费取得。大家不会迷路，大家都知道最快的路线，而且现在手机又更进一步，能够提供实时更新的交通信息。
投入3年时间研读「知识大全」的出租车司机并不知道有一天要和预测机器竞争。这些年来，他们将地图加载记忆中、测试路线，并用自己的常识填补空白。如今，导航应用程序可以存取相同的地图数据，而且能在需要的时候，透过算法和预测训练，利用出租车司机不敢奢求的实时交通数据，找出最理想的路线。
但伦敦出租车司机的命运不但取决于导航应用程序预测「知识大全」的能力，也取决于其他找出从甲地到乙地最佳路线的重要元素。第一，出租车司机可以操控汽车；第二，他们有附加传感器（眼睛和耳朵最为重要），能将背景数据输入大脑，确保能充分利用知识。但是其他人也可以这样做。伦敦的出租车司机并没有因为导航应用程序而使工作表现变差，不过非出租车司机的几百万驾驶表现突飞猛进。出租车司机的知识不再是稀少的商品，因此开启出租车司机与Uber等共乘平台的竞争。
其他驾驶能在手机上显示「知识大全」并预测最快路线，代表他们能提供同等的服务。当高质量的机器预测变便宜时，人类预测的价值就下降，于是出租车司机的处境就变得更糟。伦敦黑色出租车的搭乘次数下跌，不过还有其他人提供相同的服务，这些人也有驾驶技能和人类传感器，是随着预测变便宜而使价值增加的互补资产。
当然，自动驾驶车最后可能取代那些技能与传感器，我们稍后会回头说这个例子。这里的重点是，就像在剖析决策的结构中所描述的，要了解机器预测的影响，就需要了解决策的各个层面。
利用判定树来判断
直到现在我们对判断究竟是什么还是不太清楚。为了加以说明，我们引进一个决策工具：判定树（decision tree）。2当你不确定某个特定的选择会发生什么事的时候，这个工具特别有用。
就以一个你可能很熟悉处理的选择为例。出门散步应该带伞吗？你可能认为雨伞是撑在头上保持身体干爽的东西，这样想没有错。但雨伞也是一种预防措施，以这个例子来说，是预防出现下雨的情况。因此，接下来的架构适合用在任何为了降低风险而做出预防措施的决定。
很显然，如果知道不会下雨，你会把伞留在家里。另一方面，如果知道可能会下雨，那你肯定会随身携带。我们在图7-2用树形图呈现这个问题。在树的根部是两个可选择的分支：「带伞」或「不带伞」。从这里又延伸出去两个分支，代表不确定的情况：「下雨」和「晴天」。缺乏良好的天气预报，你就不知道天气如何。你可能知道每年的这个时候，晴天的可能性是下雨的三倍，于是有四分之三的机率是晴天，四分之一的机率是下雨。这是你的预测。最后，在分支的顶端是推论结果。如果你不带伞而下雨了，你会淋湿，以此类推。
你应该做什么决定？这时候就要用到判断了。判断是决定特定行动在特定环境下的报酬，这是计算出你真正追求的目标。判断包含决定所谓的「报酬函数」（reward function），也就是采取特定行动而产生特定结果的奖励与惩罚。全身会淋湿还是干爽？要带伞增加身体负担，还是不要增加身体负担？
我们假设你偏好不带伞但身体干爽的情况（报酬是10），而不是身体干爽但带伞的情况（报酬是8）。（见图7-3）这就给你充分的动机去采取行动。有了下雨机率为1/4的预测，以及淋湿或带伞的结果判断，就可以计算出带伞与不带伞的平均报酬。根据这些衡量，带伞（平均报酬是8）比不带伞（平均报酬是7.5）来得好。3
如果真的讨厌带伞（报酬是6），也可以考虑这个偏好来做出判断。以这个例子来说，将伞留在家里的平均报酬不变（7.5），带伞的报酬是6。因此，讨厌带伞的人就会把伞留在家里。
这是个很小的例子：当然，比较讨厌带伞而不是淋湿的人会把伞留在家里。但是判定树却是个有用的工具，也可以用来厘清重大决定带来的报酬，而且是判断的核心。这里的行动是带伞，预测是下雨或晴天，结果是你是否会淋湿，判断则是预测你会因为有没有带伞、身体淋湿或干爽所感觉到的快乐（「报酬」）。随着预测愈来愈好、愈快，而且愈便宜，我们会用到更多预测，并做出更多决定，所以我们需要更多人类判断，而人类判断的价值也会因此提高。
本章重点
* 预测机器很有价值是因为：
1. 通常可以产生比人类更好、更快，而且更便宜的预测；
2. 预测是在不确定情况下做决策的关键要素；
3. 决策在我们的经济与社会生活中无所不在。
不过，预测并非决策，只是决策的一个要素，其他要素还有判断、行动、结果，以及三种数据（输入数据、训练数据与回馈数据）。
* 借着将决策拆解为各个要素，我们可以了解预测机器对人类与其他资产的价值所产生的影响。预测机器的替代品，也就是人类预测，价值会下降。不过，互补品，例如人类在搜集数据、判断与行动等相关的技能，会更有价值。
以伦敦的出租车司机来说，人人都投入3年的时间学习「知识大全」（预测特定时间从甲地到乙地的最快路线），这并不会因为预测机器的存在而使工作表现变差，反而是许多驾驶人利用预测机器而在选择最佳路线上有更为出色的表现。因此出租车司机的预测技能不再是稀有商品。非出租车司机的驾驶人有驾驶技巧，而且预测机器可以有效加强人类的传感器（眼睛与耳朵），因此有能力参与竞争。
* 判断包含判定一项决定对各种可能结果的相对报酬，包括「正确」决定的相关报酬，以及与错误决定相关的报酬。判断需要明确订出你真正追求的目标，这也是决策的必要步骤。随着预测机器让预测愈变愈好、愈快，而且愈便宜，人类判断的价值也会随之增加，因为我们需要更多人类判断。我们可能更愿意付出心力，对从前选择不去做决定的决定（接受默认值）做出判断。
