1702327611
起初，专家在这些问题上是很重要的，因为他们可以找出起作用的规则或算法。想想阿森费尔特吧。然而，潜在秩序并不总是显而易见的。有时，专家必须使用统计方法来寻找系统中的结构，可是，一旦他们这么做，电脑就会接管他们的任务。
1702327612
1702327613
21世纪初，哈拉斯赌场的经验是一个很好的实例。多年来，哈拉斯和其他赌场一样，奉承讨好那些在赌桌上下高筹码的人——豪赌客。然而，一项关于客户数据的仔细研究显示，正是一些可自由支配时间和收入的中老年人为赌场增加了大部分收益。因此，针对最优质的客户群，高管利用这份数据来建立更大的忠诚度，同时依然有效地管理豪赌客。传统智慧认为，专家高管永远是对的——豪赌客是创造最高价值的客户——这种观念显然是错误的，但是，只有通过新的视角来分析这份数据时，我们才能明白这一点。10
1702327614
1702327615
现在让我们走向另一个极端，即最右边的一栏，它所涉及的概率领域有着广泛的结果范围。这里没有简单的规则，你只能通过概率来表达可能的结果，而且，结果的范围也很广泛。相关的例子包括经济和政治预测。证据表明，集体在解决这些问题时胜过专家。例如，经济学家非常不善于预测利率，他们往往无法准确地猜测汇率走势的方向，更不用说他们的校准水平了。11还要注意一点，那就是，专家不仅不善于预测实际结果，而且他们彼此之间很少达成一致。两名具有同样资格的专家可能会做出相反的预测，进而做出不同于彼此的决策。
1702327616
1702327617
一个例子是油价的预测。一个阵营的专家以马修·西蒙斯为代表，他是一名投资银行家，也是能源领域的专业顾问，他认为，世界已经达到了石油开采的顶峰，石油价格也有可能会因此上涨。另一个阵营的专家经济研究员达尼尔·耶金认为，技术有可能会让我们发现新的石油资源，并有利地开采它们。两个阵营的专家都很有头脑，也很有说服力，但在未来价格走势问题上却得出了相反的结论。12
1702327618
1702327619
对专家而言，中间两栏是其余的领域。专家之所以能够处理好基于规则且结果范围广泛的问题，那是因为他们比计算机更善于排除错误的选择，以及在一些信息之间建立起创造性的联系。埃里克·博纳博是一位物理学家，现担任业务顾问，他所开发的程序将计算机和专家结合起来，共同为包装设计寻找解决方案。通过使用进化原则（重组和突变），博纳博利用计算机生成可替代选项，然后让专家为下一次生成选择最好的设计方案（选择）。电脑在创建设计选项方面很有效，却毫无品位。大型消费品公司包括宝洁和百事可乐已经成功地使用了这种技术，使其产品脱颖而出。13
1702327620
1702327621
不过，随着其性能的改善，电脑将继续侵袭到这个领域。想一下，过去没有电脑可以击败世界象棋冠军。但是，在1999年，经过六场比赛之后，IBM的国际象棋超级计算机“深蓝”击败了1985～2000年间的世界冠军格里·卡斯帕罗夫。但是，在围棋比赛中，人类仍然胜过计算机程序。围棋的规则很简单，但它允许有更多的位置组合，因为它的棋盘规格是19×19，比国际象棋的大。这只是一个时间问题。随着计算能力变得越来越强，造价也越来越便宜，最终也将赢得这场战争。表3-1显示了计算机在各种游戏中是如何与人类相匹敌的。
1702327622
1702327623
对于概率性的、结果范围有限的问题，我们对专家的评论有好有坏。如果缺乏特定领域的知识，那么，电脑和人群都会表现欠佳。例如，与计算机相比，一名专家教练可能会创建一个更好的游戏计划，因为他可以利用自己团队的独特知识和竞争。同样，一名高管也许能够更好地为自己的公司塑造策略。14
1702327624
1702327625
表3-1
1702327626
1702327627
1702327628
1702327629
1702327630
一旦你把某个问题正确地归了类，那就寻找最好的方法来解决它。正如我们将要看到的，在包括医学、商业和体育在内的许多领域中，电脑和集体决策仍未得到充分应用。专家仍然至关重要，这体现在三种能力上。首先，只有专家能创建取代他们的系统。塞佛兹帮忙设计的预测市场胜过百思买的内部预测人员；在阿森费尔特到来之前，波尔多红酒的评估在很大程度上是主观的。当然，专家必须掌握这些系统，并根据需要改进市场或等式。
1702327631
1702327632
其次，我们需要专家来制定策略。我的意思是广义上的策略，不仅包括日常策略，还包括通过识别相互联系来排除故障的能力，以及创意和创新过程，这涉及到以新的方式组合想法。如何最有效地挑战竞争对手，哪些规则需要强化，或者如何重组现有的建构模块，以创建新的产品或体验，有关这些问题的决策是专家的工作。
1702327633
1702327634
最后，我们需要人来管理人。许多决策所涉及的心理学知识不比统计学少。一个领导者必须了解他人，做出好的决策，并激励他人支持决策。
1702327635
1702327636
1702327637
1702327638
1702327639
反直觉思考：斯坦福大学思维自修课 [:1702326962]
1702327640
反直觉思考：斯坦福大学思维自修课 最优秀的店员也比不上电脑程序
1702327641
1702327642
20世纪90年代早期，我和我的妻子住在纽约市的时候，每到傍晚，我们便会走到当地的音像店去看电影，以此作为业余生活的补充。就像那时的其他音像店一样，这家店也有几名店员，他们会根据你之前的喜好和当时的心情，热情地为你推荐影片，甚至有可能会时不时地向你介绍一部与众不同的电影。考虑到他们店里的影片库存较为一般，而且，我们关于电影口味的认识也颇为有限，这些店员对你很有帮助。
1702327643
1702327644
网飞公司成立于1997年，是一家基于网络的DVD租赁公司。该公司早就意识到，成功匹配用户和影片是顾客满意度的核心问题——自此以后，该公司的业务便活跃起来了。2000年，该公司推出了一项名为“影片推荐算法”的服务，这是一种用来将观众和影片配对的算法程序。通过利用消费者的反馈，“影片推荐算法”迅速提高其预测消费者品味的能力，现在超过一半的网飞租赁业务由此产生，并且能够让用户更满意，同时减少对新片发行讯息的依赖。但是，该公司的高管们意识到，“影片推荐算法”并不能得到全面的答案。于是在2006年，他们发布了一项挑战：如果有人能够设计出一个在预测消费者偏好方面优于“影片推荐算法”10%的程序，网飞将支付100万美元的奖金。
1702327645
1702327646
在我写这一段的时候，网飞奖仍在投标中，领先的那一组的程序优于“影片推荐算法” 9.80%。有两点值得强调。首先，思考这个问题的都是一些真正的杰出人才，但这个问题对于网飞公司的价值远远大于对他们自己的价值（网飞高管坦承，一个成功的算法值100多万美元）。第二，“影片推荐算法”，或是不论哪种最终把它比下去的程序，都远远优于纽约市的音像店店员。15
1702327647
1702327648
就建议的质量来看，网飞的“影片推荐算法”和当地的音像店员之间有着鲜明的差别，这说明了本章的第一个决策错误：用专家来代替数学模型。我承认，这个错误是无法接受的，它直接侮辱了形形色色的专家，但它也是社会科学中最好的研究发现之一。
1702327649
1702327650
1954年，明尼苏达大学心理学家保罗·米尔出版了一本书，对专家（心理学家和精神病学家）临床判断和线性统计模型之间的比较研究进行了综述。他确保自己认真地做了这项分析，这样他就可以确信以上比较是公正的。反复研究表明，统计方法胜过专家表现，至少不输给专家。16最近，加州大学伯克利分校心理学家菲利普·泰特劳克完成了一项详尽的关于专家预测的研究，包括15年内来自60个国家的300名专家所做的28000次预测。泰特劳克要求专家预测政治和经济成果，这些都是概率领域，且其结果范围比较广泛。对他的结果进行了一番总结之后，泰特劳克口气坚定地说：“没有任何人的预测能力明显胜过初步推断算法，更不用说复杂的统计算法了。”17
1702327651
1702327652
尽管这个证据已有几十年的历史，并且经过了充分证明，但是，在广泛的领域内依靠专家的实践并没有发生多大改变。事实是，大多数人都难以将广泛的统计证据直接融入判断。当你面临一个决策时，扪心自问一下，你是宁愿通过“影片推荐算法”得到下一次推荐，还是求助于音像店柜台后面的店员。你现在知道自己最有可能在哪里大饱眼福了吧。
1702327653
1702327654
1702327655
1702327656
1702327657
反直觉思考：斯坦福大学思维自修课 [:1702326963]
1702327658
反直觉思考：斯坦福大学思维自修课 糖豆游戏表明了群众的智慧
1702327659
1702327660
一群知识储备不够充分的普通人表现得比专家好，百思买的这个例子表明了我们的第二个决策错误：依靠专家而不是群众的智慧。理解集体为什么通常比较明智——有时候也很不明智——需要我们去深入了解群众的智慧是如何运作的。但是在继续讨论这个问题之前，请思考一下：一群普通人怎么会比常驻专家预测得更准确呢？