人類專家，人工智慧，以及大猩猩射飛鏢，哪一個決策的品質是最好的？
“大多數的人大抵有個深信不疑的信念，認為這個世界看起來這樣，是因為本來就是這樣。接著，也很容易相信我這樣看世界，別人應該也是這樣看。這種信念，就是所謂的「天真的現實主義」…我們極少質疑這種信念”
重磅好書「快思慢想」作者，諾貝爾經濟學獎得主Daniel Kahnehman (康納曼），又用一個不同的角度來研究人類判斷的方式。在一本暢銷經典書籍之後寫出續集，是一件挑戰的事情。我覺得康納曼這本續集的精神蠻聰明的，如果說「快思慢想」是說明各種造成偏誤判斷的心理因素，那這本就是判斷缺失的另外一面，是在決策過程當中各種因素的雜訊，造成決策的品質下降。書本最開始用一個容易了解的例子來說明兩者的不同。如果有兩批不同的人打靶，兩組都沒有打中紅心，其中一組一致偏往某個方向，另一組的彈痕是發散的，從靶的背後看起來的彈痕，第一種就是所謂的偏誤，第二種就是所謂的雜訊。兩者都沒有命中，但原因非常不同。而作者之所以認為值得探討，是因為人類社會當中有不少的情境，會因著不一致的決策品質而造成損失。這當中包括法官的判決，保險人員對賠償的計價，或是醫師對病患的診斷，牽扯的範圍包括公平性，金錢損失，或甚至延誤醫療造成的死亡。像新冠肺炎疫苗的議題，在每個國家產生的雜訊，造成各國在這個公共衛生的議題上，相當不容易做出政策的決定。
教授寫的書一般來說都頗具學術性，這一本也不例外，所以讀起來還蠻需要聚精會神的。喜歡這種思考挑戰的人應該會覺得很有趣。如果不是這樣我倒覺得不用太被學術研究的部分困住，可以把焦點放在跟生活更有關聯性的面向。例如，研究出雜訊來源之後那麼有哪一些決策保健的方式，可以為決策的過程降低雜訊的干擾？又例如，雜訊一定都是不好的嗎？人並不是機器，而人跟人的互動，有時過程跟結果是同等的重要。所以即便廣納所有人的意見是費時費力的，而且決策的品質不一定是價值最高的。可是考量到對人的尊重，以及這樣做所帶來的團隊士氣的提升，都是不可忽略的價值。但其中一個所有人都可以應用的方式，就是所謂的「主動開放心態」，有意識跳脫「事情只有一種解讀和詮釋方式」的刻意操練，再加上一些統計思維和判斷結構化的訓練，並且排出一些可能造成干擾的資訊過早介入，其實團體的決策品質都是有機會提高的。
之前讀「快思慢想」是英文版的而且並沒有寫心得。如果對於這個經典著作的基本內容好奇，但又希望是比較休閒趣味式的閱讀，那我會推薦知名作家Michael Lewis (魔球和大賣空的作者），用一種側拍角度寫的這本書 “The Undoing Project” (中文版：「橡皮擦計劃」）。除了可以理解這個經典心理研究為什麼會獲得諾貝爾經濟學獎，更是可以一虧兩位猶太學者研究這個議題背後的個人故事，非常精采也非常感人。
書中也很自然地提到，人工智慧和機器學習在減低人類決策雜訊中，可以扮演的重要角色。以作者的研究看起來，因為機器沒有心理因素所以的確有較高的決策品質。但他也務實的說短時間內要看到這些重要決策用電腦演算法取代，在社會的心理層面是不容易被接受的。人們對於機器的失誤異常的嚴厲，就像自動駕駛車出意外的比例相對低，但只要一個意外就會造成轟動的新聞 ，而人類駕駛每天出意外，卻似乎已經是司空見慣了。這讓我想起三年前曾經訪談臉書A I首席科學家 Yann Lecun關於人工智慧發展的方向。因為機器算出來的結果常常是無法被解釋的，是否會影響人們接受它算出來的結果？他倒是提出了一個不一樣的觀察，就是人們嘴巴上說不相信，但身體倒是很誠實的傾向選擇「有效」的方案 😂。所以或許對於演算法接受度越來越高的未來，和機器一同做決策也會變成是一種常態了。
📚延伸閱讀📚
📘The Undoing Project （中文版：「橡皮擦計畫：兩位天才心理學家，一段改變世界的情誼」）
📕AI論壇（2019/9/25）
“AI’s Impact now and in the future”
圖靈獎得主AI教父Yann LeCun來台開講
（有中文字幕）
影片段落：
1:32 Introduction of Self-supervised learning “自監督學習”介紹
5:54 How kids learn versus how machines learn 觀察孩童學習與機器學習的差異
8:38 What’s realistic for human-level intelligence 人工智慧在哪些方面可以接近人類的智慧?
10:46 Human level intelligence vs. the drive for domination “智能” 與 “權力慾”
14:18 AI for medical and DeepQ在醫療領域的人工智慧願景
16:02 Language vs. Intelligence 語言與智慧
19:23 Early results from Self-supervised learning 自監督學習目前的成效
23:33 Physics and neural nets, how they influence each other 物理與神經網絡，兩個領域相互的影響
27:38 Strategies for industries that lack sufficient data 資料量不足的行業有何AI做法?
29:22 How DeepQ uses scarce data to generate useful results DeepQ如何在有限資料中取得有效成果?
32:01 Autonomous driving and its future development 自動駕駛與其未來發展
35:00 Applying AI to industries, especially for non-tech companies 非科技行業使用AI的建議
37:46 Attitude towards AI from the medical industry 醫療業對於AI的態度與期望
39:34 Geographical differences in AI development strategy 世界不同國家對於AI的發展思維差異
43:21 Explain-ability vs. accuracy AI ”可解釋性” 與 “準確度” 的選擇
47:00 Data and GDPR 資料與 GDPR
48:30 AI’s impact on jobs and advice to students AI對於未來職場的影響，對學生們的建議
53:47 Q&A, what books are you reading now? 分享貴賓們近期在讀些什麼書
57:13 AI research for audio 關於聲音的AI 研究
59:10 Can governments regulate to reduce the abuse of power of data ownership 政府能有效規範擁有巨量資料的企業嗎?
1:02:06 How data fragmentation affects AI research 行業資料的分散性會如何影響AI研究
