控制复杂性
《冷战谍梦》（The Americans）是1980年代以华府为背景的冷战影集，剧中有个机器人在联邦调查局（FBI）办公室四处递送邮件，并给文件分类。1980年代出现自动驾驶车似乎让人意外。而第一次出现这样的产品是在10年前，以Mailmobile的名称在市场上销售。1
为了引导Mailmobile，技术人员设计会发出紫外线光的化学痕迹，从收发室沿着铺设地毯的厂房通往各办公室。机器人利用传感器缓缓沿着痕迹前进（以每小时不到一英里的速度），直到化学记号发出停止的信号为止。Mailmobile的要价在1万美元至1.2万美元之间（相当于现在的5万美元），而且要增加传感器来侦测路线上的障碍会额外收费。否则，它只会一直发出哔哔声，警告大家它来了。在一个人要花两小时递送邮件的办公室，Mailmobile只要20分钟就能完成工作，而且不会停下来聊办公室八卦。
送信机器人需要仔细规划。即使办公室进行一些简单却昂贵的重新配置，可能也必须配合机器人的操作。它只能应对环境中的微小改变。
即使是今天，全世界许多自动化铁路系统都有很多安装条件。举例来说，哥本哈根地铁没有司机，但能运作顺利是因为经过周密的规划设定，只有少数的传感器通知机器人周遭环境的讯息。
这些限制在多数机器与设备中普遍可见。它们的设计是用来在精密的环境中操作。相较于厂区里的多数设备，送信机器人更引人注意，因为许多办公室相对轻松就能安装。但最重要的是，机器人需要在严格控制与标准化的环境中运作，因为这项设备无法容忍不确定性。
更多假设条件
所有机器，包括硬件与软件，基本上都是用典型的「若则」逻辑设定程序。「若」的部分是具体指定情境、环境条件，或是一项信息。「则」的部分则是告诉机器对每个假设条件（与「若非」和「其他情况」）发生时该怎样做：「若再也侦测不到化学痕迹，则停止。」送信机器人没有办法看到周遭情况，只有人为将假设条件的数量降低到它能应付的环境，它才能运作。
如果能区分更多状况（也就是有更多假设条件），就算不改变它做的事（基本的停止或前往任何的地点），那就能在更多地方应用了。现代iRobot公司生产的自动化吸尘清洁机器人Roomba就能做到这点，并随意在房间漫游，利用传感器避免跌落阶梯，或是卡在角落中，还有一个内存能确保在限定时间内走遍整层楼。
如果机器人在室外操作，就要移动得更缓慢，才能避免在地面潮湿的情况下滑倒。而这就出现两个可能的情况（或状态）：干燥或潮湿。如果影响机器人动作的还有光线明亮或阴暗、附近是否有人走动、这批邮件是否有急件、辗过松鼠没关系但不能辗过猫，以及其他各种因素，而且规则还会受到交互作用的影响（如果光线阴暗时，辗过松鼠没关系，但光线明亮就不行），那么要应对状况的数量，也就是假设条件的数量，就会急剧增加。
更好的预测会发现更多假设条件。有了更多假设条件，送信机器人就可以应对更多情况。预测机器让机器人能发现自己身处在潮湿阴暗的环境、后方20英尺有人在跑步，而且有只猫在前方，或许需要放慢速度；但如果是后方20英尺有人站着，而前方有松鼠的潮湿阴暗环境，可能就不需要放慢速度。预测机器让机器人能够在没有预先规划的路线或路径上四处移动。新的Mailmobile可以在更多环境运作，不必额外增加太多的成本。
送货机器人已经大量存在。仓库有自动传送系统，可以预测环境并做出相应调整。众多的Kiva机器人在亚马逊辽阔的物流中心运送产品。新创公司正在实验让送货机器人带着包裹（或披萨）走上人行道及街道，从商店走到住家，再往回走。
如今机器人可以做到这个程度，是因为它们现在使用精密传感器的数据来预测环境，再接收如何处理的指令。我们很少把这种事当成预测，但基本上这就是预测。而随着预测变得愈来愈便宜，机器人会变得愈来愈好。
更多后续应对
据说诺贝尔经济学奖得主乔治．史蒂格勒（George Stigler）说过：「从来不曾错过飞机的人在机场花了太多时间。」2虽然这里的逻辑很奇特，但反面的论点却很强烈：在机场可以跟其他地方一样，轻松完成工作或放松心情。提早到机场避免错过飞机的麻烦，或许能让你心平气和。于是，机场贵宾室就此诞生。航空公司设置贵宾室提供乘客（至少是给有钱或常搭飞机的乘客）一个方便安静的空间等候飞机。贵宾室的存在是因为你可能早到了。长年迟到的人会用到贵宾室的机会只有过境、飞机延误，或者泪眼哀叹错过飞往峇里岛的飞机。贵宾室的存在是为了提供一点弹性空间，在你的抵达时间不够精准时有一点缓冲（这种情况可能相当常见）。
假设你的飞机是上午10点起飞，航空公司规定说你应该提早60分钟到，那应该在上午9点抵达机场，才能搭上飞机。那你应该几点出发前往机场？
通常30分钟就可以到机场，所以大概要在上午8点30分出发，但这没有考虑会遇上塞车。我们三个人为了这本书去纽约开完会要飞回多伦多时，就在前往拉瓜迪亚机场（LaGuardia Airport）的路上体验到这样恶劣的路况，到机场的最后一英里路几乎像在沿着高速公路漫步，如此一来很容易多花30分钟（如果你是风险趋避的人，就需要更多时间）。现在你提前到上午8点出发，这是你每次不知道交通状况时出发的时间。结果，你往往要在贵宾室待上至少30分钟。
像位智这样的应用程序会提供从目前所在地到机场非常准确的通行时间。这类应用程序监测实时与过去的交通模式，可以预报与更新最快的路线。搭配Google实时信息（Google Now），以及其他监测飞机延误的历史记录或衔接飞机地点的应用程序，你可以看出可能耽误航程的其他因素。合起来看，这些应用程序意味着你可以放心信任预测的结果，这开启新的选项，例如「除非有交通问题，否则可以晚点出发直接前往登机门」或「如果班机延误，可以晚点出发」。
藉由降低或排除不确定性的关键来源，更好的预测可以消除在机场需要空间等待的需求。更重要的是，理想的预测促成新的行动。与其硬性规定飞机起飞前预留两小时，你可以有个应变规则，接收信息之后告诉你什么时候出发。那些应变规则是采取「若则」语法，而且根据更可靠的预测，容许更多后续应对（提早、准时或稍后出发）。因此，预测除了会产生更多假设条件，也可以借着增加确实可行的后续应对来增加机会。
送信机器人与机场贵宾室有个共通之处：它们都是针对不确定性想出不完美的解决办法，而且都会因为更好的预测而渐渐失去功效。
更多假设条件与后续应对
更好的预测可以让你在降低不确定性下更频繁的预测更多的事。每个新的预测都有个间接影响：将过去不曾考虑的选择变得可行，而且不用明确地将「假设条件」与「后续应对」写成程序。你可以用一些例子训练预测机器。看吧！以前不知道是预测问题的问题，现在可以当预测问题处理了。我们正在妥协却不自觉。
这种妥协是人类做决策的一个关键。诺贝尔经济学奖得主贺伯．赛蒙（Herbert Simon）称这是「满意解」（satisficing）。虽然传统经济学可以建立模型，认定超智能（superintelligence）可以做出绝对理性的决策，但赛蒙在研究中认为并强调人类无法克服复杂性。相反的，人类会做到满足最低要求，尽最大的可能去符合自己的目标。思考很困难，所以人类走快捷方式。
赛蒙博学多才，除了拿过诺贝尔奖，还因为「对人工智能的贡献」而得过号称「计算机界诺贝尔奖」的图灵奖（Turing Award）。他的经济学与对计算机界的贡献相关。他在1976年的图灵奖得奖演说中呼应他对人类的想法，强调计算机「受到处理资源的限制，在有限时间进行有限的步骤，它们只能执行有限的流程。」他认为计算机就像人类，寻求满意解。3
送信机器人与机场贵宾室都是缺乏良好预测下的满意解。这类例子俯拾皆是。要想象更好的预测所带来的可能性，需要练习与时间。对大多数的人来说，把机场贵宾室想象成解决预测欠佳的办法，而且在强大预测机器的年代比较没有价值，这些想法并不符合直觉。我们太习惯满意解了，以至于根本没有想过一些决策牵涉到预测。
在稍早提到的翻译例子中，专家并没有将自动语言翻译视为一个预测问题，而是视为语言学问题。传统的语言学途径是用字典逐字翻译，加上一些文法规则，这就是满意解；但因为有太多假设的条件而导致翻译结果欠佳。当研究人员体认到翻译可以逐句进行、甚至逐段进行时，翻译就成了预测问题。
以预测机器翻译，牵涉到预测另一种语言里可能相同的句子。统计学让计算机得以借着预测假设的条件而选择最好的翻译：根据数据中的翻译配对，哪个句子最可能让专业译者采用，这显然不是仰赖语言学的规则。这个领域的先驱弗瑞德利．贾里尼克（Frederick Jelinek）说过：「每次我开除一位语言学家，语言辨识的表现就会提升。」4显然这是令语言学家和译者胆战心惊的发展。其他各种工作，包括影像辨识、购物与对话，都能视为复杂的预测问题，适合机器学习的应用。
更好的预测能够产生更复杂的决策，所以可以降低风险。例如，最近AI在放射学有一项实际应用。放射科医师目前做的事大多是取得影像，然后找出关心的问题。他们可以从影像中预测不正常的情况。
AI执行这类预测已经渐渐达到人类执行的准确性，甚至表现得更好，可以帮助放射科医师及其他医学专家做出影响病患的决定。衡量表现的关键就是诊断的准确度：病人生病时，机器是否可以预测出疾病，而且在病人健康时，是否可以预测出没有疾病。
但我们必须考虑这种决策涉及哪些要点。假设医师怀疑有个肿瘤，必须决定如何判定是否为癌症。一个选项是医学显影，另一个选项则是比较侵入性的作法，例如切片检查。切片检查的优点是可以提供很准确的诊断，而问题当然就是切片检查是侵入性的作法；因此，如果病情严重的可能性很低，医师与病人都会避免这个做法。放射科医师的一项职责就是提供不进行侵入性程序的理由。理想的情况是，执行手术只是为了确认有严重的病情。切片检查提供保险，避免致死的疾病未能获得治疗的风险，但是这要付出代价。进行切片检查的决定取决于切片检查的高成本与侵入性，以及忽视疾病会产生多糟糕的情况。医师利用这些因素，决定执行切片检查这个侵入性手术在生理与金钱成本上是否值得。
有了显影的可靠诊断，病人可以舍弃侵入性的切片检查。他们可以采取一些在没有预测时，风险可能太大的行动，他们再也不用妥协。AI的进展意味着满意解的需求减少，以及有更多的假设条件与后续应对出现。复杂情况升高，但风险降低。藉由增加选项，决策有了彻底转变。
本章重点
* 无论是人类或机器决策者，预测能力的增强都可以处理更多假设条件与后续应对，这会带来更好的结果。以导航来说，本章以送信机器人为例，说明预测机器让自动驾驶车跳脱原先只能在受控制的环境中运作的限制，这些限制所设定的特征就是假设条件（或状态）的数量有限。而预测机器让自动驾驶车在不受控制的环境中运作，例如城市的街道，因为机器并非先把所有潜在的假设条件写成程序，而是学习预测人类控制者在各种情况下会做的事。
同样的，机场贵宾室的例子说明，预测能力的增强可以促成更多后续应对（例如「根据某一天、某个时间前往机场所需时间的预测，「在X、Y或Z时出发」），而不是永远「以防万一」而提早出发，然后将多余的时间用在机场贵宾室等待。
* 缺乏良好预测时，我们会做出很多「满意解」，这是基于可得的信息做出「够好」的决定。总是提早出发前往机场，又因为早到而往往要等待，就是满意解的一项例子。那样的解决办法并非最理想，但以可得到的信息来说算不错了。送信机器人与机场贵宾室都是为了因应满意解而设计的发明。预测机器会减少满意解的需求，因而降低类似送信机器人系统与机场贵宾室等解决办法的投资报酬。
* 我们在商业与社交生活中太习惯满意解了，所以经过练习才能想象各式各样可能的改变，那些改变是因为预测机器可以处理更多假设条件与后续应对，因此可以在更复杂的环境中做出更复杂的决策。对大多数的人来说，把机场贵宾室想象成解决预测欠佳的办法，而且在强大预测机器的年代比较没有价值，这些想法并不符合直觉。
另一个例子就是切片检查的使用。切片检查的存在主要是为了因应医学影像的预测弱点。随着对预测机器的信心增加，医学显影AI也许会对切片检查的相关工作产生更大的影响，因为这种昂贵的侵入性手术就和机场贵宾室一样，是为了预测欠佳而发明的。机场贵宾室与切片检查都是风险管理的解决办法，预测机器将提供更好的新方法来管理风险。
