1700496603
1700496604
罗尔斯的哲学批评家们详细地讨论了我们应该如何从无知的面纱中获得信息的问题。例如，我们是否应该尝试尽量扩大平均幸福、中位数幸福、总幸福或别的什么，其中的每一种方法都很著名，但其却将自己置身于有害的反乌托邦之中，如作家厄休拉·勒吉恩所设想的奥米勒斯城的文明——开放。在这个国家里，繁荣与和谐无处不在，一个孩子却被迫生活在悲惨的境地。这些都是应得的批判，而罗尔斯故意回避了这些问题，因为我们不知道如何处理从幕布后面得到的信息。然而，也许更大的问题首先是如何收集这些信息。
1700496605
1700496606
答案很可能来自计算机科学。麻省理工学院的斯科特·阿伦森说，他感到很惊讶，计算机科学家还没有对哲学产生更大的影响。他怀疑，部分原因在于他们“无法将他们所能补充的东西与哲学的概念集合联系起来”。他阐述道：
1700496607
1700496608
人们可能会认为，一旦我们知道某些东西是可计算的，无论计算起来需要10秒还是20秒，这显然是工程师应该关心的，而不是哲学家。但是如果问题是10秒：101010秒，那么这个结论就不太明显了！事实上，在复杂性理论中，我们所关心的数量差距通常是极为巨大的，以至人们也必须考虑到它们的质量差距。例如，这就是看一本400页的书和阅读所有400页的书之间的区别，或者是写下一个千位数字和从1数到那个数的区别。
1700496609
1700496610
计算机科学为我们提供了一种方法来明确评估所有可能的社会规定，例如胫骨受伤。但幸运的是，它还提供了处理这种复杂性的工具。基于抽样的蒙特卡罗算法是该工具箱中最有用的方法之一。
1700496611
1700496612
比如说，当我们需要理解国家医疗改革时，由于它是一个庞大的机构，太复杂而很难轻易理解，我们的政治领导人通常会给我们提供两件事：精心挑选的个人轶事和汇总的统计数据。当然，这些轶事丰富而生动，却不具有代表性。几乎任何一项法律，无论多么开明或具有误导性，都会让一个人过得更好，而另一个人过得更糟，因此精心挑选的故事不会提供更广泛模式的任何观点。另一方面，总的统计数据则恰恰相反：它全面却薄弱。例如，我们可能会了解到，在全美国，平均保费是否下降，但并不是要了解这种变化在一个更细微的层面上是如何产生的：对于大多数人可能会下降，但是奥米勒斯城风格使一些特殊群体（本科生、阿拉斯加人，或孕妇）陷入困境。一个统计数据只能告诉我们部分的故事，它掩盖了任何潜在的异质性。我们甚至不知道我们需要哪些统计数据。
1700496613
1700496614
由于统计数据和政客们最喜欢的故事都不能真正引导我们通过成千上万页的立法提案，因此，一位蒙特卡罗计算机科学家提出了一种不同的方法：抽样。对随机样本进行仔细的检查，可能是一种用以理解太复杂而不能直接理解的东西最有效的方法。当涉及处理质量不可控的问题时，它们棘手而复杂，不能被完全理解，比如单人纸牌或原子裂变、素性测试或公共政策，抽样提供了一种最简单，也是最好的方法来解决问题。
1700496615
1700496616
我们可以看到这种方式与直接给钱的慈善捐助项目类似，它将现金无条件的转移分配给生活在肯尼亚和乌干达的极度贫困的人。它吸引了人们的注意力，在许多层面上重新思考传统的慈善行为：不仅是其不寻常的使命，而且是在其过程中体现出的透明度和问责制。最新的现状显示很成功。
1700496617
1700496618
项目助理丽贝卡·兰格写道：“如果你经常查看我们的网站、博客或脸书主页，你可能已经注意到一些你并不常见的内容：我们收件人的故事和照片。”问题不在于其他慈善机构提供的那些热情洋溢的故事并不真实。准确地说，他们刻意选择展示成功的事例，使得人们不清楚能够获得多少信息。所以，直接给钱的慈善项目决定要对这个传统进行改变。
1700496619
1700496620
每周三，该慈善团队随机挑选一组现金接受者，派出一名工作人员现场采访他们，并逐字逐句地发布工作人员的现场采访记录，无论发生什么都按照此步骤执行。例如，这是他们第一次经历这样的采访，这个女人叫玛丽，她用这笔钱来买铁皮屋顶：[1]
1700496621
1700496622
她能做一间更好的房子，那是一个铁皮房子。她还可以为自己的房子买套沙发。她的生活已经发生了变化，因为以前每当下雨的时候，那个漏水的屋顶就会把房子里的东西都泡在水里。但由于有了资金支持，她才有能力把房子做得更好。
1700496623
1700496624
兰格写道：“我们希望这能让你对所分享的所有类型的信息都有信心，甚至能激发你把其他组织也带到更高的标准。”
1700496625
1700496626
1700496627
1700496628
1700496630
算法之美：指导工作与生活的算法 三部分的权衡
1700496631
1700496632
约翰·济慈
1700496633
1700496634
这让我非常惊讶，品质决定一个人的成就，尤其是在文学领域，这是莎士比亚所大量拥有的。负面能力也如此，也就是，当一个人陷入不确定、神秘、怀疑时，在事实和理性之外没有任何急躁的行为。
1700496635
1700496636
约翰·斯图亚特·密尔
1700496637
1700496638
没有绝对的确定性，但对于人类生活的目的来说，却有足够的保证。
1700496639
1700496640
计算机科学通常是一个权衡利弊的问题。例如，在我们讨论第3章的计序时，我们注意到在计序前花费的时间和在搜索时花费的时间之间的权衡。在第4章讨论缓存时，我们探讨了占用额外空间的权衡（缓存的缓存进行缓存）来节省时间。
1700496641
1700496642
时间和空间是计算机科学中最常见的权衡的根源，但是最近，关于随机算法的研究表明，还有另一种需要考虑的变量：确定性。正如哈佛大学的迈克尔·米特增马赫所说：“我们要做的是想出一个答案来节省你的时间和空间，并权衡第三个维度：错误概率。”他被要求用最喜欢的例子来权衡不确定性，他并没有犹豫。“一位同事刚才说，应该做一个饮酒游戏，每当幻灯片上出现一次这个词，你就该喝一杯，你听说过布隆过滤器吗？”
1700496643
1700496644
米特增马赫说，要理解布隆过滤器，想想像谷歌这样的搜索引擎，它要覆盖整个网络并索引每一个可能的全球资源定位器（URL）。网页包含了超过一万亿个不同的全球资源定位器，平均每个定位器的长度大约为77个字符。当搜索引擎查看某个全球资源定位器时，它如何检查页面是否已经被处理了？仅仅存储访问过的所有定位器列表将会花费巨大的空间，并且反复搜索这个列表（即使已经完全排好序）都可能会成为一场噩梦。事实上，治疗后很有可能比疾病本身更糟糕：换句话说，每次检查都确保我们不会重新索引页面，这可能比直接索引两次页面更耗时。
1700496645
1700496646
但是，如果我们只需要确保这个全球资源定位器对我们来说是新的，那会怎么样呢？这就是布隆过滤器的用武之地。以其发明者伯顿·H.布隆命名，布隆过滤器的工作原理与拉宾-米勒-素性测试非常相似：这个全球资源定位器被输入一系列的方程式，这些方程式会对“实现向量”（witness）的新奇性进行检查。（这些方程不会说“n不是质数，”而是说“我没有见过n”。）如果你可容忍的错误率仅为1%或2%，那么就将结果存储在概率数据结构中，例如像布隆过滤器，它将会为你节省大量的时间和空间。这种过滤器的用处并不仅限于搜索引擎：布隆过滤器已经附带了许多最近的网络浏览器，用来检查一些已知的恶意网站的网址，而且它们也是比特币等加密货币的重要组成部分。
1700496647
1700496648
米特增马赫说：“那些错误权衡空间的想法，我认为问题在于人们不会把它与计算联系在一起。他们认为计算机应该给你答案。所以当你在算法课上听到这个的时候，‘它应该给你一个答案，这可能不是正确答案’（我乐意认为当学生听到这个的时候，就会把注意力集中在此）。我认为，人们在自己的生活中没有意识到他们做了多少事情，并接受了这一点。”
1700496649
1700496650
1700496651
1700496652
[
上一页 ]
[ :1.700496603e+09 ]
[
下一页 ]