--- title: "行动产生信息 [译]" url: "https://paooo.com/ai-study/7025/" author: "宝玉的分享" published_at: "2024-01-04T18:16:52+08:00" updated_at: "2026-05-23T18:32:49+08:00" categories: "强化 AI 学习" tags: "AI办公效率, AI智能体, ChatGPT, Claude, 大模型微调" source: "Prompt 语宙 (https://paooo.com)" ai_tools_directory: "语宙 AI 导航 (https://ai.paooo.com)" --- # 行动产生信息 [译] > 来源：[Prompt 语宙 (paooo.com)](https://paooo.com/ai-study/7025/) · 作者：宝玉的分享 · 发布时间：2024-01-04 ## AI 30 秒核心看点 (TL;DR) - 传统决策框架并非无效，而是常忽略现实中的信息缺口与行动成本。 - “行动产生信息”是全文核心：很多答案不是算出来，而是做出来、试出来的。 - 职业选择与职场判断都应先补信息，再决策，避免在不完整前提下过度分析。 作者：Cedric Chin 特色图片：行动产生信息 如果你阅读过许多关于决策的文章，你可能会认为，做出好的决策只是简单地将正确的决策框架运用到实际情况中，然后就能收获成果。 比如，如果你有幸要在三种职业道路中做出选择，你可能会用期望效用计算来决定追求哪一条路。或者，如果你观察到一些复杂的办公室政治，你可能会选择使用贝叶斯分析来理清真相。 我在这个博客上多次讨论过这些观点，并且通常对它们评价颇高。但在这篇文章里，我想换一个角度来探讨这些技术的局限性。你很快会发现，这些局限性几乎适用于所有从判断与决策制定文献中提炼出来的技术。如果你曾经尝试将这些理念付诸实践，或者深入挖掘这些理念的根源，这些局限性对你来说应该不难理解。 > 这些局限性几乎适用于所有从判断与决策制定文献中提炼出来的技术。 有趣的是，大多数的批评可以用一句话来概括：“行动产生信息。”记住这个格言，它很快会对你有所帮助。 ## 实际案例 要理解传统决策框架的局限性，最好的方法是通过一些现实生活中的例子。这里有两个案例。 ### 1. 职业选择 最近，一位即将大学毕业的朋友给我打电话，他正面临一个难以抉择的职业决定。他有很多选择。 “我想尝试创业。”他说，“但我还在考虑是否加入 FAANG 这样的大公司，或者去一家道具交易公司工作。” “为什么考虑道具交易公司呢？” “噢，因为那里的薪水很丰厚。” “你以前在那工作过吗？” “没有，不过我们有共同的朋友在那里工作过。”（确实如此）。 在这样的对话中，我们进一步了解到，我的朋友： - 曾在两家大型科技公司实习。 - 曾在两家大型创业公司实习（员工分别超过 50 和 150 人）。 - 既没有在初创阶段的小型创业公司（少于 10 人，或尚未达到 产品市场契合）工作过，也没有在道具交易公司有任何经历。 我的朋友非常聪明；理论上我们可以进行一种叫做期望效用计算的分析来帮助他作出选择。期望效用计算是我们熟悉的利弊分析的升级版。不同于简单列举利弊，我们会列出一系列我们看重的因素，比如：薪水、优秀的团队成员、具有挑战性的问题等，然后对每个选择（创业公司、FAANG 或道具交易公司）进行评分。最后，我们会估算实现每个选择的概率。（如果你需要一个更具体的例子，可以参考这里）。 但实际上我们并没有这样做。因为期望效用计算需要每个选择都有完整的信息，而在这种情况下显然不可能实现。 “看起来你还缺乏一些必要的信息，”通话即将结束时，我这样说。“你已经体验过 FAANG 公司的工作环境，而且你现在还在一个后期阶段的创业公司实习。但你还没了解过早期阶段创业公司的工作环境，而且你现在也没有合适的创业点子，所以很难自行摸索。此外，你也不了解在 prop firm（专业交易公司）工作是怎样的体验。那么，为什么不尝试花上一两年去体验这些工作呢？至少为了获取这些信息。” “嗯…”我的朋友沉思着。 “我这么建议，是因为我觉得几年后，当你掌握了更多信息后，做决定会变得更加容易。而且考虑到整个职业生涯的长远规划，花费一两年并不算太长。” ### 2. 贝叶斯分析在办公环境中的应用 贝叶斯更新是一种随着新信息出现而更新个人信念的方法。这在做出对世界的判断时是一个极为有效的技巧。我之前在我的系列文章中讨论过这种方法，并描述了超级预测家如何利用贝叶斯分析来做出精准的未来预测。 然而，出色的分析和准确的预测并不总是等同于有效的实际行动。 以这样一个例子来说明：假设你的一个同事总是迟到，但老板似乎并不介意。你可能对此感到困惑，甚至觉得没人讨论这个问题很奇怪。你可能会认为这位同事懒散，但同时也可能存在一些政治因素，使得他迟到被接受，而你迟到却不行。 贝叶斯模型会引导你审视你的先验假设，并计算你的解释正确的可能性。它还会提示你关注可能改变你对这种信念信心百分比的新信息。这听起来很不错，但需要注意的是，贝叶斯更新主要是用于整合新信息，而并不涉及新信息的产生。 在决策实验中，测试对象可能只是被动等待信息的揭露。地缘政治预测家也无法影响他们所预测的事件。但作为现实世界中的决策者，你的情况则完全不同。你可以选择分析问题，也可以选择采取行动。换句话说，你在这里面临的是一个实际的抉择：花费时间进行贝叶斯分析，还是通过行动来探索新信息，这两者之间可能存在更佳选择！ 让我们再看看那个经常迟到的同事的案例。你有办法获取新的信息吗？是的，有办法。举个例子，你可以约这个人一起吃午饭，然后巧妙地提出“障眼法问题”，以此来探究他们的生活现状。这样做可能带来更多疑问而非答案，这时你可能就得重新使用贝叶斯分析了。但也可能你会得到一个非常明确的答案，让你免去了许多困扰：“哦，我和我妻子刚生了个孩子，我之所以来办公室，是因为 Jon 想让我参与这次的项目部署；等这个项目结束后，我就会开始休陪产假，大概会离开一个月。” ## 决策分析的代价 决策框架的主要问题在于，它们多源于判断和决策制定领域，而这个领域又深植于理性选择理论的土壤，最终追溯到经济学。这些学术领域假设理性选择是在众多选项中作出选择，且这种选择通常发生在信息完整的环境下。 如果你的选择实现了最大效用，那么你被认为是理性的。反之，如果选择失误，就被视为非理性行为。 看似这些研究可直接应用于现实，但实际上，由于现实世界的复杂性，并不完全符合这些模型的假设，使得它们有所局限。 首先，现实中你的选择往往比眼前的更多。有些选择可能因不确定性而难以察觉，或需要创造性思维才能发现。有时，由于信息缺乏，这些选择被隐藏了。比如，我的朋友可能有更好的选择，但或许他因所知有限，而只考虑了三种职业路径。 其次，现实世界中的决策常常与时间紧密相关——行动越快，通常能从中获得更多价值，尽管这个价值的确切数额也常常是未知的。大多数决策框架并未考虑时间因素，因为在实验中无需模拟时间敏感性。然而，在现实中，每个选择的效用可能取决于你对分析后的果断行动。 最重要的是，行动常常带来新信息，使得你能够做出更好的决策。也就是说，进行决策分析本身就有一定的代价，但现有的框架并未将这一代价考虑在内。 事实上，这第三个观察——行动能带来新信息，进而助你做出更佳决策——是一个颇具影响力的观点。有意思的是，判断与决策制定领域的文献中 没有任何 一个决策框架会指导你何时停止分析、何时开始行动。这是因为这些框架最初是为经济模型设计的。在决策实验中，人们通常不期望参与者通过积极行动来从环境中获得更多信息，而是期望他们进行深入分析。 值得一提的是，这些观察并不算新颖。我刚才提到的三个批评是对判断与决策领域的 经典 批评，心理学家 Jonathan Baron 在其 权威教科书 中特别强调了这一点。 而且，如果你知道从哪里观察，这些发现也是相当显而易见的。例如，如果你长时间观察一群企业家，你会发现，最出色的企业家并不总是那些最精准的贝叶斯更新者或期望效用计算者。相反，他们往往擅长于行动偏好 和 对新信息的快速适应。 （一位我们曾合作过的 中国商人 曾这样对我说：“你为什么想那么多？先行动吧！然后观察结果。也许顾客不喜欢，或者你的竞争对手会因为你的行动采取一些措施。但这样你至少比坐在这里 想啊想！ 知道得更多。”） 为何如此？就像适应能力强的捕食者一样，优秀的企业家能够调整自己的行为以适应现实环境。而在商业世界，现实的轮廓大致如下： - 商业决策中有相当一部分是可逆的。 - 行动带来的信息往往比分析带来的洞察更有价值，尤其是在行业不确定性高的情况下。 让我们来简单阐述：分析并非万能。期望效用（Expected Utility）计算可能在完美信息的环境下，指导我们在有限选项中选择最佳方案。贝叶斯更新（Bayesian updating）则教会我们在新信息出现时如何更新信念。然而，这两种方法都无法指导我们如何采取行动以产生最佳选择或获取最佳信息。因此，那些能迅速采取行动并保持灵活性的人有时候比进行世界级贝叶斯分析的人更有可能成功，并不令人惊讶。 ## 行动的启发式原则 这篇博客文章的标题源于 Brian Armstrong，Coinbase 的创始人兼 CEO。在他与投资者 Patrick O’Shaughnessy 的采访中，Armstrong 提到： > 其实你做什么并不重要，关键是要采取行动。正如我最喜欢的一句话，“行动产生信息”所言。因此，在某个时刻，你必须停止无休止的思考，开始尝试一些事情，任何事情。你可能会为第一个版本（V1）感到尴尬，但这正是你走出去并开始创造的时刻。产品开发过程的一部分就是大幅度缩减初衷和功能，以便快速迭代和原型化，但关键是要开始行动。你的第一次尝试几乎肯定会失败，所以不要气馁，继续尝试下一个方案，然后是下一个，再下一个。这是世界上新产品和公司得以诞生的唯一方式。你需要尝试许多次，才能最终取得成功。 如果决策科学的框架在实际应用中有所局限，那么我们或许应该观察真正的实践者，看看他们是如何平衡分析与行动之间的张力的。 实际上，从商业人士、产品经理到实践者，都有众多的案例可供参考。关键在于懂得如何去发现这些案例。以下是其中的三个。 ### Scott Berkun 谈论产品投资决策 在他的著作 无裤之年 中，资深产品经理 Scott Berkun 分享了他在 Automattic 团队中做出的一项关键决策： > 其中一个原因是，完美决策公式之所以不存在，是因为你永远无法确定自己是否投保过多或过少。你是否选择了正确的医生？提出了合适的问题？有时候，你可能以错误的方式做出了正确的决策。我们的计划 B 存在的一个风险是两周时间可能远远不够。我们可能需要数月时间来改进哪怕是最微小的弱点。这种不确定性引发的恐惧会使人们沉浸在对所有可能结果的思考中，甚至使用效用成本分析这样的复杂方法在电子表格中进行计算，而这种方法连发明者本人都不会使用。 但所有这些分析其实只是让你停滞不前。往往，抛个硬币，选择一个明确的方向前进会是更好的选择。一旦你开始行动，无论目标是什么，你都将获得新的信息。这些新的信息会使得你的下一个决策和之后的决策，比在原地试图预测未来而不采取行动要更加明智。 在这本书中，你将发现 Berkun 抛硬币后赢得了好运。但即便他失败了，也没关系——正如 Berkun 所指出的，他的团队会及时调整方向，一旦发现他们选择了错误的路径。关键在于做出决定并勇敢地向前迈进。 ### 加里·克莱因与“决策的冷漠区” 这引出了一个自然的问题：在什么情况下，如 Berkun 所说，最好是“抛硬币并随意选择一个方向”呢？心理学家加里·克莱因，主要服务于军事领域，提出了一个观点，他称之为“接受‘决策的冷漠区’”。 所谓“冷漠区”，就是在你无法判断哪个选择是最好的情况下。克莱因在他的著作中这样描述： > 假如你面临两个选择，一个极好，另一个极差，你根本不需要多想。这是个简单的决定。但当这两个选择的吸引力越来越接近时，决定就变得更加困难。(...) 以购买二手车为例，我们可以发现三个选择非常相似——它们都有各自的优缺点。它们之间没有太多的区别。这些选择非常接近，以至于抛硬币就足以决定。(...) 我称这种情况为‘冷漠区’问题。 意识到某些决策处在“冷漠区”是节省决策时间的有效方法：比如，你正在主持一个会议，需要在 30 分钟内做出五个决定。一个高效的方式是利用“冷漠区”排除掉一些决策，这样就能把时间集中在最重要、最易解决的问题上。 克莱因接着说： > 我们通常认为，决策的目的总是要找到最佳选择。在战场上或消防现场这种生死攸关的地方，决策尤其重要。然而，军事领导和消防指挥官都明白，迅速做出一个好的决定并且有效执行它，比纠结于寻找“完美”的选择要好得多，因为完美的选择往往来得太晚。我们很难知道哪个是最好的选择，而寻求最佳选择可能会让我们纠结于那些微不足道的细节。我们有多少次为了找到最好的选项而陷入毫发之差的纠结中？不如把目标定为选择一个可以接受的好选项。如果有一个选项明显胜出，那当然好。但如果两个或更多的选项都在“冷漠区”，那也没关系——随便挑一个继续前进。如果你能接受没有“正确”选择的现实，就可以避免不必要的困扰和时间浪费。 ### 杰夫·贝索斯关于可逆与不可逆决策的见解 亚马逊 CEO 杰夫·贝索斯提出了一个相似但更为简洁的决策原则：如果决策可逆，就迅速采取行动并下放决策权；如果决策不可逆，则可以尽情进行分析。 他在 2015 年给股东的信中这样解释这个规则： > 一些决策具有重大影响且几乎不可逆转——就像单向门一样——这些决策需要有条理、谨慎、缓慢地作出，需要经过深思熟虑和咨询。如果你走过去，发现另一边不符合预期，你就无法回到原点。这些我们称之为类型 1 的决策。 然而，大多数决策并非如此——它们是可以改变、可逆的——就像双向门。如果你作出了不太理想的类型 2 决策，你不需要承担太长时间的后果。你可以重新打开门，回到原来的地方。类型 2 的决策应由具有高度判断力的个人或小团队迅速作出。 当组织规模扩大时，似乎有一种趋势，即在大多数决策上，包括许多类型 2 的决策，都采用繁琐的类型 1 决策过程。这种做法的最终结果是行动迟缓、缺乏深思熟虑的风险规避、不足够的实验尝试，因此创新受限*。我们必须找出方法来对抗这种趋势。 *相反的情况不太引人注意，而且无疑存在一定的幸存者偏差。那些习惯于用轻量级的类型 2 决策过程来处理类型 1 决策的公司，在变得庞大之前就已经消亡了。 这种说法已经足够简洁明了，无法再进行简化。 ## 常见问题解答 (FAQ) ### “行动产生信息”是什么意思？ 它指的是：很多现实问题的关键信息，不是靠静态分析就能完全推导出来，而要通过实际行动、试探和体验去获得。先行动，往往比先空想更能减少不确定性。 ### 期望效用计算为什么在现实中常失效？ 因为期望效用计算默认你已经掌握足够完整的信息，但现实里很多选择的收益、风险和概率都不清楚。此时更有效的做法，往往是先通过行动补足信息，再做决定。 ### 贝叶斯分析适合解决什么问题？ 贝叶斯分析很适合更新已有信念、整合新信息，但它本身不负责创造信息。若你能通过行动直接获取关键线索，往往比单纯反复推演更高效。 --- 探索 2,800+ 全球实用 AI 工具与官方直达入口：[语宙 AI 导航 (https://ai.paooo.com/)](https://ai.paooo.com/)