《決斷的演算》Algorithms to Live By — 破解日常選擇難題

你願意為租屋找多久？英國數學家給出一個令人驚訝的答案：「37%」。先瀏覽前 37% 的房子、之後遇到的第一間更優就下手，成功機率高達 95%。這不是房仲密技，而是《Algorithms to Live By》裡的 停—選問題（Stop‑Search Problem）。如果你曾在台北 3 個月看了 40 間房卻依舊無解，請繼續往下讀，本書或許能替你的「選擇困難症」打上關鍵補丁——讓不確定的人生，有一套可以信賴的演算法骨架。

更精準地說，這套骨架相信：好的答案來自恰到好處的「夠好」——而非苛求完美。

作者與本書介紹

《Algorithms to Live By》由科技寫作者 Brian Christian 與認知科學家 Tom Griffiths 合著。Christian 在暢銷書《The Most Human Human》中挑戰圖靈測試，思索 AI 與人性的邊界；Griffiths 則在康乃爾、普林斯頓、柏克萊耕耘 20 年，致力於用貝葉斯模型解碼人類心智。兩位作者一個「站在科技前線」、一個「鑽進腦袋深處」，碰撞出一條野心十足的命題——如果電腦能透過演算法做決策，為什麼我們不能？

書中 11 章涵蓋停‑選問題、排程、貝葉斯推論到記憶優化，幾乎囊括計算機科學本科「演算法」課的精華，卻用租屋、求職、約會、整理收件匣等生活場景重新鋪排。出版首年即賣破 50 萬冊，被《華爾街日報》《金融時報》雙雙列入年度商業書 Top10；Bill Gates 甚至在 2024 年將其納入「改變思考方式的五本書」。

核心觀念

1. 37% Rule：最佳停止點

假設有 100 間公寓可看，你無法回頭重選，只能當場決定要不要租。最佳策略是在前 37 間先「純觀察」，累積標準；第 38 間開始，一旦遇到比先前所有都優的房子就立刻簽約。數學證明成功率高達 37%，再多或再少都下降。要領：把決策流程切成「探索」與「定案」兩段，先學習基準再果斷下手，避免時間與機會雙重流失。

2. 探索 vs. 利用（Explore ╱ Exploit）

人生如一台多臂老虎機，每拉一次都付出成本。「該冒險嘗新還是繼續熟門熟路？」——研究指出，當期限遙遠（如剛搬到新城市），應多做探索；期限逼近（如旅途最後一晚），則聚焦利用。UCB（Upper Confidence Bound）演算法將「平均收益」與「不確定性」加權，讓我們在咖啡店、交友軟體、職涯轉職等情境，動態平衡安全感與新鮮感。

3. 清單排序與搜尋成本

若清單僅查一次，直接「線性掃描」最省事；若要反覆查詢，先投資排序（如快速排序）在長期節省巨大。圖書館採用「杜威十進位」替 300 萬冊書建立索引是最佳示範。把這邏輯移植到生活：常穿的衣服請放伸手可及處；資料夾請依使用頻率或時間戳命名；你的大腦將少耗許多毫秒來找東西。

4. 過度擬合與「留白」

演算法界稱「在訓練集完美、在真實世界崩潰」為過擬合。日常版過擬合是把行事曆排到沒有縫隙，結果交通堵車或孩子生病就全盤打亂。對策是 正則化：刻意把 10% 的時間、預算、情緒預留給隨機雜訊。留白不是懶散，而是把「不確定」納入設計，確保系統韌性。

5. 計算慷慨（Computational Kindness）

「你想吃什麼？」其實是把高昂的決策成本外包給對方。演算法告訴我們：提供預設值或範圍，能大幅降低對方的認知負荷。團隊會議先給 3 個方案，再開放微調討論；問卷預填中性選項；餐廳菜單以「主廚推薦」標註，都是計算慷慨的體現——讓他人 CPU 降頻，也是一種禮貌。

6. 排隊理論：最小化等待的藝術

排隊不只是人類煩惱，資料封包在伺服器間也會塞車。M/M/1 系統顯示：當服務率僅略高於到達率時，等待時間會指數級飆升。日常應用包括：

分流櫃檯（多服務者模式）；
提前線上取號（平滑到達率）；
顯示預估等待時間（降低焦慮成本）。

7. 貝葉斯算法：在資訊稀缺中迭代

沒有完美資料？就用每次新資訊更新「先驗」。作者以育兒例子說明：嬰兒夜哭原因可能是餓、熱、病，一開始 33 % 各占。第一次餵奶無效，就把「餓」權重下調；之後量體溫正常，再下調「病」。幾次更新後，最可能答案浮現。面試官也在做類似更新：履歷、口試、推薦信，不斷調整對你的評價分布。

總結

電腦科學這 70 年來都在想一件事：「怎麼在有限資源下做出最好的決定？」把這套想法搬到生活裡，其實我們學到不少事：

不確定性是常態：與其一直想蒐集完美資訊，不如先設個停損點，接受一定風險就好。

成本常常看不見：時間、專注力、情緒，其實都是貨幣。演算法會幫我們把這些東西量化，讓我們更清楚自己在付出什麼。

人性比公式重要：演算法只能給我們「最低限度」的表現，真正能做到多好，還是看我們自己的價值觀和情感。

韌性比效率還厲害：很多最佳化都假設世界是靜止不變的，但現實其實每天都在變。留一點彈性、分散風險，才是真正聰明的做法。

老實說，看完這本書我最有感的，就是「韌性勝過效率」這件事。因為我本人超不愛整理東西，桌子平常都亂七八糟的，檔案也是東塞西塞。以前總覺得這樣很糟，好像很沒效率。但看完書後，我才發現：其實演算法裡也有說，有時候亂一點反而比較快。因為整理本身就要花很多時間，而只要你還找得到東西，維持一點亂，反而是省時省力的策略。

這讓我瞬間找到一個超棒的理由不用整理桌子（笑）。也讓我覺得，生活裡不一定什麼都要完美、有條不紊，留點混亂跟彈性，有時候反而比較能應付突發狀況。

未來，做決定會越來越依賴 AI。搞懂演算法在想什麼，就是搞懂機器怎麼「看」世界。只要掌握它們，我們就能在資訊洪流裡，自己掌握方向盤。下次你半夜還在滑 Netflix，不要忘了：推薦系統正在替你做探索或利用取捨，而你也能用同樣的邏輯來安排自己的時間。

演算法不是要把人變成機器，而是在提醒我們：好決定從來不是運氣，而是可以設計、可以複製的流程。也讓我更篤定——也許我的亂桌子，其實就是我專屬的高效演算法！