为什么直觉无法帮你找到一份工作

①人类有很多弱点，譬如对陌生事物不自觉地恐惧，害怕复杂性，更看重已拥有的而不是可能得到的，难以保持客观和专注，有各种情绪和冲动，而机器智能可以帮到我们。

②向新技术学习，超越某些人类天性，避免依赖直觉，你会有很大的进步。

在爱与浪漫的领域，人类的直觉是高度不完美的，有时甚至是危险的。除了激情引发的极端型犯罪，我们在追求一个好的对象时也会经常走错路，这都是因为我们的情绪和冲动。在线约会及其使用的机器智能已经改变了原有规则，但这是否只是用新的偏见成见来代替旧的浪漫错误呢？

主要的约会服务都会使用人工智能来推荐对象，人工智能的选择通常都和人们原本的选择大不相同，这会对结果产生影响。例如，意合网（eHarmony）分析所使用的变量已经从每个用户几十个上升到了每个用户600个（这个数字在读者读到这里的时候可能已经过时了）。这些变量不仅包括基本资料，还有用户登录的频率、他们搜索的人以及他们最后决定联系的人。当然，有个问题是，很多这类数据都是基于用户的自我披露，这些用户所做出的回答可能是漫不经心的，或者完全是为了获得更好和更高级的配对而说的谎话。这类算法还倾向于选择相似的对象，这可能会使最初的会面更加顺利，但不一定能保证30年后的婚姻更幸福。

现在这些软件能做的并不是把爱情变成统计上可测量的算法。我们不应该忽略谈话节奏、气息、味道及化学反应的重要性，也不能忽略几年乃至几十年的长期磨合。然而，由于软件的影响，更多用户开始对一些他们原本可能忽略或忽视的方面思虑再三。这里有一个来自配对网（Match.com）的爱情故事：

康布里（Cambry）是一个黑人，他在看网页档案时发现了一个漂亮的年轻白人女性，她住在附近而且看起来和他一样喜欢音乐。他发了一封简短的邮件去打招呼，当天就收到了来自歌剧演员卡拉·奥丹尼尔（Karrah O'Daniel）的回信。他们的初次约会并不成功，但是仍然进行了第二次约会，很快康布里和奥丹尼尔就认真恋爱起来。原来他们曾经上过同一所音乐学校，却未见过彼此。他们喜欢一起弹奏弗朗茨·李斯特（Franz Liszt）的曲子，录制视频放到YouTube网站上。6个月后，康布里求婚了。他俩将于10月1日在明尼苏达州的一个教堂结婚。

像大多数恋爱中的人一样，康布里爱上的这个人并不是他认为自己会喜欢的类型。“我没想到我未来的妻子会是一个来自明尼苏达州茵佛格罗夫海茨(Inver Grove Heights)的白人女性。”他这么说道。康布里这一类型也不符合奥丹尼尔原本对结婚对象的想象。根据她在配对网上的个人资料来看，她要找的是一个21——26岁的男子（康布里当时已经有28岁了），康布里对她来说年纪太大了。事实上，康布里和奥丹尼尔从来没有搜索过对方。他们是由电脑推荐认识的。

在象棋领域，我们知道电脑程序可以打败人类，但在选择约会对象上，它们的技能就不那么容易评估了，而且也没有精确的结果可供分析。一对幸福的恋人并不能证明电脑是最好的媒人，也不能证明我们在媒人的帮助下会获得更好的结果，无论它是人类还是电脑。

但媒人在有一件事上的价值是显而易见的，那就是把犹豫不决的关系催化为迅速成长的关系。你不可能一直挑选下去，虽然说人类似乎一直都想这么做。人们常常不断查看网站上的档案，梦想着找到一个完美的对象，却没有真正跟任何人约会。这当然不是最好的使用技术的方法。也许现在最重要的是，约会算法技术能帮我们发现个人选择中存在的错误。如果人类的直觉在高度智能化的顶级象棋比赛中尚且如此错误百出，那么在充满热情的感情世界里又会如何呢？

我不禁想起了自己从2003年以来的个人经历，那时约会配对算法还没有出现。我写了一封邮件给一名女性，她在在线信息中自称政治自由主义者。我不会这样描述我自己（我更多的是自由主义者和保守主义者的结合），而且她一开始也不知道这一点；如果她当时知道，也许不会很高兴。我并不是故意要误导她，我以为这一点非常明显，但对她来说并非如此，即使在她读过我的在线履历之后也是一样。她接受了约会的请求，而我们现在已经结婚十多年了。是中介网站迫使我们中至少一个人——也许是两个人——走出寻常的直觉去追求共同的幸福。

很多年以后，在为写这本书做调研的时候，我听说配对网的科学家已经发现，一般来说，一个保守主义者会更愿意写信给一个资料显示为政治自由主义者的人，而不是相反。因此，如果一个资料显示为保守主义者的人有过给很多自由主义者写信的记录，服务器就会给这名保守主义者推荐更多自由主义者。这名保守主义者并不知道为什么这些用户档案如此频繁地跳出来，不过这很可能是配对技术的杰作。

我们会愿意向机器学习如何找到爱情吗？一位纽约的女士对此非常确定：“配对算法肯定会发现我不想找一个来自新泽西州（这是强调我所在的州）的45岁男人。”我们还不知道，要是像“深蓝”一样聪明的机器把一名42岁的堪萨斯男性介绍给她，她会有什么反应。

在追求感情和长期伴侣的过程中，我们人类总是试图避免不熟悉的复杂情况。我们往往为共同点而高兴，同时躲避对不同点的考虑所引发的复杂性。这就是机器智能可以帮到我们的一个地方，机器不会有对陌生事物的恐惧。

也许电脑象棋最重要的影响，是让我们认识到解决认知问题的复杂程度。顶级的电脑程序都会有一个叫做“忽视厌恶”（contempt aversion）的特性，可以使它们避免平局，并且寻找陌生而复杂的方案。更重要的是，与很多人不同，程序不会害怕复杂性。在两个强大的程序对弈时，很多时候你看到的只有这个——复杂性。很多电脑对弈都会产生违反直觉的棋子布局和模式。有时候棋盘看起来一片混乱。为什么那么多兵走到了前面？为什么有这么多开局弃子？在这个时候马在棋盘边缘做什么？为什么会让这么多棋子同时面临被吃掉的危险？这些参赛者疯了吗？他们是从新泽西之类的地方来的吗？我就从来不会这样下棋！

偏好，比如对熟悉之物的偏好，是我们一直想要克服的。在不断发展的行为经济学领域，研究者们用一些外部标准来测算个体选择的偏差。我们已经知道——或者我们认为我们知道——个体通常会高估他们对事件的影响程度，并且会在决策时过度依赖某一部分信息，而这只是人类很多其他错误和偏差之一。我最近一次查维基百科发现，上面关于认知偏差的列表有49个条目。

但是，即使经过了这么多研究，有这么多证据，让人烦恼的问题仍然存在。在测算人类偏差的时候，我们能否确定研究者是对的，而被研究的个体选择是错的呢？我有很多奇怪的习惯，它们对我来说非常有用。在观察我的研究者看来，在房间四处乱堆书籍可能并不明智，但对我来说，这是一个很有效的组织信息和追踪书籍的方法。也许我是对的，或者可能我妻子在整理书堆的时候是对的，但是我们并不知道是哪一种情况。

我们在更系统的文献中也能看到类似的困境。还记得“两鸟在林，不如一鸟在手”这条古老的经验吗？我们会更看重已经拥有的商品而不是我们可能得到的商品，经济学家通常把这一行为当作“偏好”（这一偏好被称为“禀赋效应”）。虽然这明显是不理性的，但也许人类对朋友和家人的忠诚都离不开这一点。也许真正的忠诚有一部分是指我们不能选择性地只在某些时候表现忠诚。在这种情况下，这些禀赋效应可能是幸福生活的必要组成部分，而不是非理性的信号。我并不是说我能确定这一点，只不过我们这些经济学家设计出来的模型并没有真正解答这个疑惑。

经济学家在研究人类理性的时候，通常过于依赖对理性和非理性的武断理解，这一点会以模型的形式反映出来。一个经济学家可能会写下一些数学原理，然后发现人类行为并不符合这些原理。然而，用这些原理来解决复杂和多维度的人类问题，本身是否合适呢？无论研究者有多聪明，很多类似的研究都没有说服力。另一些经济学家依靠人工设计的实验调查来试着测算人类的理性或非理性。他们把没有经验的本科生作为被试者，这些本科生并不总是把解决问题的练习当回事，而且就算表现良好也只能获得很少的奖励。因为显而易见的原因，对公司的CEO们和相关的现实问题决策者进行比较实验要困难得多。有一些论文对CEO们做了实验，却发现结果通常和学生实验的结果一样。然而，这难道不正说明了实验存在的问题，而不是方法的正确性吗？我们知道在现实世界中CEO和学生是不可互换的，那么他们在实验中怎么可以互换呢？如果他们在实验中可以互换，不就意味着这个实验没有反映真实世界的相关情境吗？无论你对这些实验的看法如何，我们希望能用现实世界中涉及真实奖惩的数据来做一些补充。

电脑象棋的好处是我们在判断着数好坏时有明确的——虽然并不是完美的——标准。那么，如果从引擎的角度来看人类博弈，我们能学到什么关于人类直觉的东西呢？

我们来看一些创造性研究者，从肯·里根（Ken Regan）开始。里根教授和我是少年时代的玩伴，我们曾经好几次在同一个队里下棋，那还是在新泽西州大西洋城（Atlantic City）举行的美国团体锦标赛里。我从15岁以后就没有再见过肯了，直到最近才又见到他。在继博比·费舍尔（Bobby Fischer）之后的所有美国象棋天才里，肯可以说是最具创造性的一个。肯会使出那种对手根本没想过的不寻常着数，排布出复杂而美妙的局势，有效使用其他选手认为根本不值得考虑的一系列走法。每个人都知道，如果他们观摩肯·里根的棋局，一定会看到一些有趣的东西，也许还会在离开时感到头痛。但肯在22岁的时候就放弃了专业象棋，把注意力转向数学，并且在牛津大学获得了数学博士学位。他现在是纽约州立大学布法罗分校的一名计算机科学教授，把专业生涯的大部分时间都花在了数学里著名的“P/NP”问题上，这是计算科学里最重要的未解之谜之一（简单来说，这个问题是：在理论上，从头找出一个解决方案是否比验证一个已经存在的潜在方案更加困难）。

在2006年，肯把他的注意力转回象棋上来，这要归因于不断优化的象棋程序，象棋程序可能产生的数据对他产生了吸引力。从2006年起，他就开始创建一个历史棋局的数据库，主要收录顶级选手的比赛，但也会包括很多低等级选手的比赛。他会找到每一次比赛，用他的程序记录下来，并且让“里布卡”分析，评价每个选手的好棋和坏棋。这在人类智能领域是一次非凡的实验。由于关于人类选择的数据极其庞大，这成了一扇异常珍贵的窗户，让我们得以窥探人类的智力表现，以及我们的对错。

与很多经济学模型和标准不同的是，肯使用的“里布卡”软件是判断人类对弈决策的可靠度量。在游戏中的任何一个时点，“里布卡”都能推荐一种走法，然后据此计算另一种走法会在多大程度上降低选手布局的绝对质量。对每一个选手，任意一轮比赛，或者任意一次锦标赛，肯都能计算出该选手的行动与“里布卡”推荐走法的对应比例，以及选手的平均错误规模。

象棋锦标赛的奖励通常十分可观，而且锦标赛的成功决定了在未来取得奖金和职业发展的机会。尊严、名誉及等级分都在激励选手不断争取更好的表现，这些象棋选手也都经验丰富。所有这些都说明，象棋锦标赛是人类智力的最高表现。

肯还没有把分析结果发表出来，部分原因是他仍然在增加比赛并合成新的数据。然而，他的调查已经发现了一些模式。我在布法罗访问了肯，他向我演示了如何在电脑上进行测试，并且解释了其中的一些结果。

最重要的是，肯对人类决策的整体可靠性印象深刻。“里布卡”的象棋水平肯定高于人类，但人类的好棋和错误都符合一个正常而合理的模式。也就是说，人类的错误中有一种理性和秩序。同样的这些人也在做出关于爱情、商业、买车之类的决定，象棋决策模式反映出来的东西让人感到欣慰。

举例来说，选手在关系最为重大的时刻将最为强硬。一个选手在比赛紧张时最不容易犯大的错误，更为甚者，选手在棋局中略占下风时往往表现绝好。当选手处于决定性优势或劣势的时候，他们似乎并不会如此尽力地思考或集中注意力。需要再强调的是，这种放松标志着人类的理性，至少在他们需要养精蓄锐的情况下是如此。

在开始这些研究之前，肯原本预计会找到纳西姆·塔勒布（Nassim Taleb）笔下“黑天鹅”模式的认知错误。也就是说，他认为会看到很多意料之外的错误。然而，重大而惊人的“黑天鹅”式错误对最终结果并没有多大影响。很多场比赛的结果都取决于优势的逐渐积累，而错误的程度通常都能从选手的相对能力中准确地推测出来。肯在1600等级分及以上的选手中都发现了这个规律，1600等级分也就是大多数城市中等俱乐部选手的水平（他还没有开始研究更差的选手）。

棋手们的风格较为一致。例如，2000——2007年的世界冠军弗拉基米尔·克拉姆尼克（Vladimir Kramnik）下棋时的走法与电脑推荐的走法高度对应。他的平均错误率相对较低——当然是指对于人类来说。然而克拉姆尼克在棋盘上也不会给对手造成很多问题，他不会引发大量的错误，也不会打击对手的自尊，或者让他们在令人头晕脑涨的复杂局面中透不过气来。与克拉姆尼克对局时棋走得很好并不困难。他主要依靠优秀的长期战略，创造的局面相对和平。

按照肯的标准，最“麻烦”的选手是指那些把对手逼到犯错率高于平均水平的选手，在“麻烦度”上得分最高的是象棋天才芒努斯·卡尔森（Magnus Carlsen）。要是与卡尔森对弈，犯重大错误的可能性就会高很多，因为比赛会更快地变得复杂至极。

肯看起来也许只是一个普普通通的电脑专业教授，但他和一些自由式象棋选手一样，正在为智能机器开创一个新时代。除了这些具体结论，他也在做一些有深远社会意义的研究。他的研究显示，智能机器能够极度精准地评估人类表现。想象一下，要是我们有一套类似的系统来评估医生的水准，会怎么样。

与这些乐观态度不同，“里布卡”背后的程序员瓦希克·拉伊利赫从象棋程序的经验中得出了悲观的结论。在拉伊利赫看来，关于象棋的惊人事实是，人类要下好它实在太难。程序输出的结果显示，我们在大量的着数中都在犯错。按肯的标准来算，即使是顶尖象棋大师，如果不是在表现达到巅峰的时候，也只有55%的时间与“里布卡”的推荐一致。在比较一次大师级对弈与“里布卡”的持续评估时，我发现一开始的良好表现很快就被各种错误所破坏——要是只是小错误也没关系，但这类错误一而再、再而三地发生。这真是有点令人沮丧。

拉伊利赫强调说，人类不停犯错，很难保持客观和专注，还很难精确地计算大量变数。他这里说的不是俱乐部的普通选手，而是顶尖的象棋大师：“他们离完美如此遥远，这让我感到吃惊。”在早些时候，这些象棋大师在棋迷眼中有一种光环，但在象棋程序的时代，他们受到的尊敬变少了。

和俱乐部选手对弈时，一个世界一流选手会显得很聪明而且在棋盘上所向披靡。的确，这个世界一流选手会下出很多好棋。到了某个时间点，用象棋界的话来说，他的优势局面就会开始“自动进行”，而且一切几乎都水到渠成。当这个世界一流选手对战“碎纸机”这样的程序时，他看起来却更像是不幸的傻瓜，必须花费极大的精力来控制局面。我们对高超人类智力的印象与现实之间存在着差距，这就是我们从程序里得到的发人深省的教训。

那又如何？不是已经有成千上万的心理学和行为经济学论文指出人类感觉和决策能力上的缺陷了吗？如丹尼尔·卡内曼（Daniel Kahneman）、丹·艾瑞里（Dan Ariely）的研究等，都指出过这一点。我们不是都已经听说过“助推”（nudge）吗？卡斯·桑斯坦（Cass Sunstein）和理查德·泰勒（Richard Thaler）已经充满说服力地描述过这个概念。从他们的观点来看，专家们知道其他决策者的偏差在哪里，并且可以通过设计选择结构来推动人们做出更好的选择，例如改变个人加入养老金计划时的默认选项。

这类研究确实很多，但象棋世界得出的结论有所不同。电脑象棋指出的是世界级专家们的缺陷，或者可以说是那些在其他情况下可能成为助推者的人自身的缺陷。

即使在研究世界上最好的选手时，我们也会发现人类的直觉可能犯错，虽然他们都接受了几十年理性思考的训练，为了重奖而参加比赛，并且都参考了数百年来的人类相关经验。最大的问题并不是直接的重大错误，而是人类花了太多时间思考“看起来很好”的下法。我们需要怀疑的，正是我们的严谨思考和谨慎判断。

我们现在还能够测算象棋比赛里的另一种偏差。帕特里克·格兰斯马克（Patrik Gransmark）、克里斯特·格德斯（Christer Gerdes）、安娜·德瑞博（Anna Dreber）等瑞典研究者运用来自真实象棋比赛的数据进行研究，证明了男性选手更沉不住气，而女性选手更容易花费过多思考时间。研究者们还发现，女性选手比男性选手更会规避风险，这与金融领域对投资行为和投资组合的研究是一致的。他们已经证明了，要想让男性选手更加冒险，只要让他们与有吸引力的女性对手比赛就行了，虽然这种冒险性和攻击性的增加并不一定能提高获胜概率。

象棋世界的情况不一定能推广到更大的范围，但这些结果指出了认知研究的未来。我们可以从更多地方得到更可靠的数据。我们用智能机器帮忙搜集和整理数据。关于象棋比赛的研究揭示出机器智能对关于人类本性的前沿科学研究和对我们国民生产总值（GNP）做出的贡献。

虽然我们在象棋比赛和爱情角逐中都会出错，但值得庆幸的是，我们还可以学习并扭转某些对直觉的过度依赖。

肯·里根的研究结果显示，随着时间的推移，人类棋手的最高水平正持续提高。在1970年以前，象棋等级分的数据还不存在，但肯通过比较早期象棋大师的走法与“里布卡”的逐步推荐，创建了一个数据系列。例如20世纪50年代最好的棋手——美国的保罗·摩菲（Paul Morphy），他的等级分算出来大概是2300分，这样的分数在今天连美国前100名都进不了，更不要说全世界了。保罗·摩菲的实力可能还不如今天的肯·里根。当我还是一个学习象棋的小孩时，我把摩菲当作偶像（当时我看到的都是他最好的比赛），然而，可以说摩菲的实力大概和15岁的我相差无几。这一点至今仍然让我感到难以置信。

作为选手，我们正在变得越来越像电脑。顶尖的象棋大师比以前更愿意尝试“丑陋的”走法——至少是更深入地研究它们——因为现在他们已经知道这些走法更可能取胜。肯·里根认为，人类选手现在更能理解弃子的长期价值，他们也更愿意做出这些牺牲，即使他们不确定会得到什么回报。人类更能理解，什么时候可能把王留在易受攻击的位置，这也是因为他们有和电脑对弈的经验[瓦希克·拉伊利赫把易位(castling)——把王移动到通常是暂时安全的位置——称为“懒人行动”]。我们已经发现很多开局步骤都经不起推敲，并且已经找出了打败它们的方法，也知道很多开局步骤都被低估了。电脑彻底改变了我们对这个游戏的理解。那么，还有哪些领域会因为机器智能而彻底改变呢？

除了象棋选手，更多的文献还探讨了整体人类智能进步的可能性。平均智商水平几十年来一直在上升，大概每十年就会上升3分，这个现象被称为“弗林效应”（Flynn Effect）。当然，我们还不清楚这在多大程度上是因为人们的整体智力上升了，在多大程度上只是他们更擅长考试了，但有什么关系呢？更擅长考试也是某种形式的认知进步。（事实上，这个领域的多数研究者都认为实际智力表现确实有所上升。）

女性棋手的快速进步也令人振奋。博比·费舍尔有个著名的玩笑，就是他在和任何女性对弈时都可以“开局弃马”（这是一个巨大的劣势，也就是在开局时把一个马从棋盘上拿掉）。虽然这个自大的宣言从未应验，但直到最近，象棋世界中顶级女棋手的相对稀缺始终是一件令人尴尬的事。最近这个状况突然发生了变化，女性棋手的实力开始大增。朱迪特·波尔加（Judit Polgar）大部分时间都排在世界前十，而且每一名男性特级大师都害怕她进攻性的勇猛战术。长期以来，女性表现出不断向男性靠拢的趋势，对象棋的兴趣也出现了爆炸式增长，包括专业兴趣在内。尤其是，中国和印度都出现了异常强大的女性棋手。人类的确可以学习和发展他们一直以为望尘莫及的才能。

有趣的是，所有这些女性棋手的进步似乎并没有一个直接原因。当然，总的来说，全世界对女性的歧视在过去几十年都在下降。在象棋领域，在某一个时点出现了足够多的女性模范，也有足够多的女性象棋公开赛来支撑女性不断增长的专业兴趣。几十年前，象棋还是这样一个领域：即使是最坚定的性别平等主义者也必须承认男性的绝对优势，“女性就是不能下象棋”是一个普遍的看法。唯一的变化似乎就是更多女性进入了这个领域。

肯·里根曾经打算研究象棋比赛到底能有多深奥。他对格里修克（Grischuk）对战克拉姆尼克（Kramnik）的比赛产生了兴趣，这局比赛发生在墨西哥城的一次重大竞赛中。肯试图使用象棋引擎计算出格里修克能否在接近终局的时候拥有可胜局势。结果他把“一年中比较好的时光”都花在了这个问题上，并且在他家里的私人电脑上试演了超过十万亿种局势（他的孩子还一直被告诫要小心电脑上的活动窗口）。这一切的结果是一篇长达500页左右的分析报告。最终结论是什么呢？在出奇复杂和微妙的局势下，克拉姆尼克如果发挥最佳水平，应该是可以下成平局的。肯在“弗里茨”（他认为这是残局分析最好的软件）的协助下实现了对比赛局势的完美理解，但其代价正是前面提到那种深度分析，而这只不过是一次比赛里的一个（虽然是相当有趣的一个）局面。

在认知层面，这种意料之外的深度也令人不安。这表示我们人类——即使对最高级别的智力和竞赛来说——喜欢过度简化事物。我们太容易把事情简化为“直觉”。我们喜欢毫不费劲的答案，并且花太多精力来避免智力上的复杂性。虽然我们不认为这样的缺点存在于每个人身上，但它们似乎确实存在于一些最聪明和最具有分析能力的人身上，特别是优秀的象棋选手。

所有这些事实对我们的决策意味着什么呢，尤其是在工作场合意味着什么呢？

1. 人类的优点和缺点都呈现出惊人的规律性与可预测性。

2. 不要太相信简洁、直观的理论。

3. 要跳出思维限制，比自己想得更难。

4. 要享受混乱。

5. 我们可以学习。

电脑象棋揭示出来的认知缺陷并不是行为经济学常常强调的那些。首先，正如我之前所说，行为经济学并不总是有合适的标准来判断我们的理性程度。第二，那些折磨前电脑时代象棋大师的缺陷同样也会影响行为经济学家。他们试图构建的行为理论太过简洁、简单、直观，例如数学决策理论的抽象简化。虽然他们对学术界做出了贡献，但有时候这些助推者自己就是问题的一部分，而不是解决方案的一部分。

如果你以电脑答案为标准来检测自己的计算能力，并且在很多年内持续这么做，你在计算上就会有很大进步，而且你会学习超越某些人类天性，避免依赖直觉。我们人类确实在向新技术学习，这是一个清楚而振奋人心的迹象。

现任象棋世界冠军维西·阿南德（Vishy Anand）曾说：“在我们的每个决定背后，你都能感觉到电脑的影响。”加里·卡斯帕罗夫也说过：“现在每个人都透过电脑的眼光来看待棋局。”

这既令人恐惧，也令人兴奋。人类的直觉正在彻底意识到自己的局限性。