1701557153
多任务只会让我们陷入信息过载，让我们尝试一次性关注太多事情。当关注的大量事物都需要做出决定时，我们究竟需要多少信息来做出最优决定呢？最优复杂性理论指出，我们需要的最适宜的信息量呈现出倒U形。
1701557154
1701557155
任务太少不好，但太多也不好。在一项调查中，试验人员模拟了一次军事演习。玩家都是大学生组成的团队，他们要么需要入侵一个小的岛国，要么需要保卫这个岛国。玩家有权选择他们用于做出决定的信息量——他们被告知：
1701557156
1701557157
你所得到的信息会跟真实指挥官从情报人员收集到的信息保持一致。只有当重大事件发生时，他们才会给你们下达指令。一方面你也许会觉得信息不够多、细节不够具体；另一方面，你也许会觉得得到的信息太过细化，收到了大量不重要的信息。你可以要求情报人员增加或减少给你的信息量。我们希望你能够自己做出决定。请在任何时候，都不要与其他指挥官就这一问题进行任何商讨。我们会根据你们组的多数意见调整信息量。在正式开始游戏之前，请选择你的偏好。
1701557158
1701557159
1701557160
1701557161
1701557162
图7–4 最优复杂性理论
1701557163
1701557164
我宁愿：
1701557165
1701557166
收到更多的信息；
1701557167
1701557168
收到多一点的信息；
1701557169
1701557170
接收相同数量的有关信息；
1701557171
1701557172
接受很少数量的信息；
1701557173
1701557174
接收更少数量的信息；
1701557175
1701557176
实际上，玩家并没有控制信息，但他们的反应被用来研究信息最佳水平。在30分钟的时间内，他们会得到2、5、8、10、12、15、25条信息。
1701557177
1701557178
根据最优信息理论，游戏期间得到10~12条信息的玩家应该能够发挥得最好。试验结果也验证了这一点。那些要求得到多余信息的玩家与那些得到15或25条信息的玩家的效率都降低了。这就产生了倒U形曲线。
1701557179
1701557180
尽管最优表现证实10~12条信息是最合适的，但每个层次的玩家都曾要求过获得更多信息，即使这些信息会造成他们超过最优信息量，进入信息过载的状态。当额外增加的信息超过10~12条最优信息量时，他们的表现反而会下降。之所以会要求提供更多信息，一部分原因在于他们有着这样的信念：最关键的信息也许下一次就会出现。但正如我们所知道的那样，过多的信息也会让他们付出代价。
1701557181
1701557182
这告诉我们，在某个特定时间内，消费者所能消化与处理的信息都是有限的，我们称之为负载效应。实际上，经验已经向我们证实了这一点——过多的信息反而会让消费者无法做出最佳决定。这种机制就跟我们在第4章看到的引发错误社交判断的负载效应是一样的。研究人员曾进行过专项研究：他们关注过量信息对购房决定的影响。实验结果显示，消费者能够处理的最大数量的参数为10。有趣的是，这些参数可以是他们选择的房屋的特征，也可以是其他备选结果的特征。也就是说，如果打算在两间房子中选择一个，你不会希望了解超过10条有关信息。或者，如果你能够将表单减少至感兴趣的两三条信息——如只是居住面积和小区学校质量——你可以比较10所房屋。在家庭购房研究中，消费者被要求根据25条属性来判断25所不同的住宅。当参数大于10条时，他们的决策能力开始受到影响。但是，超过10条以后，再多的信息，如15、20或25条都意义不大——一旦消费者感到信息超载，再多的信息也无法显著影响本已饱和的系统。10条信息是最大数量。最优数量为5条左右。这与大脑中央执行系统的处理限制一致。这也许会让你想到第4章提到的网上交友的问题——信息并不是越多越好，某些时候，由于交友者被太多无关信息充斥，造成认知过载、决策疲劳，最终导致无法做出最佳选择。
1701557183
1701557184
经济学家杜克与作家丹·阿里利还提到了另一个重要的因素，当消费者拥有某种特定类型的内部心理控制时，也就是说，当能够控制所收到的信息类型时，他们往往可以表现得更好。在一系列的试验中他发现，如果消费者可以选择接收信息的参数以及信息的数量，他们可以做出更好的决定。这主要是由于：消费者可以选择与他们相关的或者他们最能理解的信息。例如，在选择相机的人群中，顾客X也许会关注尺寸与价格，而顾客Y可能更关注分辨率（像素）以及镜头的类型。分散顾客注意力的信息，或者顾客无法解读的信息都会造成信息过载，并干扰顾客做出最优决策。卡尼曼和特韦尔斯基的研究表明，人们无法忽略无关信息，所以当无关、无用信息出现在你面前时，你还是会耗费神经。
1701557185
1701557186
那么，现在的问题不在于你能够一次做多少件事，而是你应该创建怎样的信息环境。研究者们做了大量工作，探索简单与复杂信息之间实用性的区别。贝尔实验室电气工程师克劳德·香农，于20世纪40年代提出了信息理论。香农信息论是20世纪最重要的数学思想；它深刻地影响了计算与通信，它也是声音、图像、电影文件（分别为MP3、JPEG和MP4）压缩的基础。
1701557187
1701557188
电信、信号和安全领域最根本的问题在于：如何尽量简短地发送消息，在有限的时间或空间下打包最大量数据；这种打包方式称为数据压缩。回想当年，当电话服务依靠单对铜导线（电信老学究称为“POTS”，意为“普通老式电话服务”）的时候，跨越主电话线（主机）的呼叫量是有限的，而运行新生产线的成本却又很昂贵。这引发了一批知觉试验并得出结论，电话公司根本不需要传输人声的整个频率，也能让另一端的人听懂。所谓的电话频段传输仅300~3300赫兹，这是人类听觉范围的一个子集，人类听觉范围为20~20000赫兹，正因为如此，电话才具备了“尖细的”的声音。这不是高保真音响，但它已经足够被大多数人所理解——这已经足够了。但如果你曾经尝试过在POTS上解释你在谈论的是字母f，而不是字母s，那么你一定知道那就是带宽限制，因为这两个字母的声学差异是比较小的。但电话公司可以将几次谈话挤压成一体空间，最大限度地提高他们的网络效率，并降低硬件成本。出于同样的原因，手机也受到了带宽限制，以此使手机信号塔能力最大化，从而用于多次对话。如果你曾试图在电话上听音乐，这种带宽限制是最明显的，因为在电话中，贝斯的低频和铙钹的高频率几乎完全不存在了。
1701557189
1701557190
在第1章中，我们提到了信息理论，探讨了人类可以同时关注的对话的数量，估算出人类注意信息处理的限制为每秒120比特。我们也可以采用这种方法量化传输、指令或感官刺激中包含的信息量。它可以应用到音乐、演讲、绘画以及军队指令中。信息理论的应用让我们得到了一个数字，使我们能够将一种传输中的信息与另一种传输中的信息进行比较。
1701557191
1701557192
假设你需要演示如何构建一个棋盘。你可以说：
1701557193
1701557194
画一个正方形，将其涂成白色。在旁边画个相同的方格，将其涂成黑色。再在旁边画个相同的方格，将其涂成白色。再在旁边画个相同的方格，将其涂成黑色。再在旁边画一个相同的方格……
1701557195
1701557196
你可以一直这样描述，直到画出8个方格（完成一行），然后你需要指引你的朋友回到第一个方格，再在上面放一个黑色的方格，然后一格又一格，直到你完成第二行。这种指引方式显得很笨拙，一点也不精简。我们可以将其与下面的表达对比一下：
1701557197
1701557198
制作一个8×8的矩阵方格，分别交替涂成黑色与白色。
1701557199
1701557200
第一个指引分别指示了64个方格。在二进制算术中，64个信息，需要6比特信息（比特数为2n=64中的指数，在这个例子中，n=6，因为26=64）。但是，“交替颜色方块”这样的规则只需要1比特：一个给定的方格要么是黑色要么是白色，所以只有两种选择。因为21=2，我们只需要1比特（1是指数，它决定信息量）。另外两条信息，网格的宽为8个方格，长也为8个方格，这样总共就有3条信息，占2比特。如果你想要指定哪些部分在哪个方格，那么你需要耗费6比特，因为每一格都需要单独规定。因此，一个空棋盘可以在2比特内被完全指定，32个部分就需要耗费6比特。摆满棋子的棋盘比空的棋盘拥有更多的信息，现在我们有一种方法来量化这一数字。香农和他的同事在贝尔实验室中模拟了前计算机时代实验，他们运用超前的思维认为计算机可以用于通信。由于计算机基于二进制算术，香农选择使用数字计算机计量单位——比特。但我们并不需要使用这种方式——如果需要的话，我们可以用常规的数字，而不用比特来描述这一切：完成一个空棋盘最少需要3个信息，下完一棋盘需要至少64条信息。
1701557201
1701557202
同样的逻辑也适用于重新在你的计算机上复制照片、图片。当你在屏幕上看着一幅图片或其他图像文件时，你实际上看到的是一个再创造的文件——图像被复制，就在屏幕上，只要你双击文件名。如果你看下原始文件，你的计算机的操作系统用来构建图像的文件，你会看到0和1的字符串——没有图片，只有0和1的二进制算术词汇。在一个黑白色画面中，屏幕上的每一个小圆点——像素——可以是黑色或白色，而0和1的字符串则负责指挥电脑创建一个黑色或白色的像素。彩色图片需要更多指引，因为它们有5种不同的可能性：黑、白、红、黄、青。这就是为什么彩色图片文件比黑白图片文件大——它们含有更多的信息。