行动带来信息

原文：Action Produces Information - Commoncog

作者：Cedric Chin

如果你读过大量关于决策制定的文章，你可能会认为，所谓好的决策，无非就是将正确的决策框架应用于现实世界，然后坐享其成。

例如，假若你足够幸运，能在三条职业道路中做选择，你或许会进行一次期望效用计算，来判断该追求哪一条路。又或者，当你发现自己成了某些办公室内部勾心斗角的旁观者时，你可能会转而采用贝叶斯分析，来弄清事情的真相。

这些局限性几乎适用于所有源自判断与决策文献的技术。

我在本博客中已多次探讨这些理念，并且通常对它们评价颇高。但在这篇文章里，我想暂时唱点反调，谈谈这些技术的局限性。正如你很快将看到的，这些局限性几乎适用于所有源自判断与决策文献的技术。只要你曾尝试将这些理念付诸实践，或者你曾深入探究其思想根源，那么这些局限性对你而言就应该显而易见。

有些出人意料的是，这些批评的核心要点或许能浓缩成一句话：「行动带来信息」。请牢记这句箴言；它稍后会派上用场。

若干实例

为了理解传统决策框架的局限性，分析一些现实世界中的实例会很有帮助。以下是两个例子。

1. 选择职业

一位朋友最近打电话给我，讨论他面临的一个艰难的职业抉择。他即将大学毕业，摆在他面前的选择很多。

「所以我想创业。」他说，「但我同时也在权衡加入一家 FAANG 公司，或者可能是一家自营交易公司的可能性。」

「为什么考虑自营交易公司？」

「哦，薪酬很高。」

「你在那种公司干过吗？」

「没有，不过我们有共同的朋友在那儿干过。」（我们确实有）。

谈话就这样进行了一会儿。又问了几个问题后，我们弄清楚了我朋友的经历：

  1. 曾在两家大型科技公司实习。

  2. 曾在两家规模较大的初创公司（分别超过 50 人和 150 人）实习。

  3. 没有任何在早期初创公司（少于10人，或处于产品市场契合前阶段）的经验，也没有任何在自营交易公司的经验。

我的朋友非常聪明；显然，我们本可以通过像期望效用计算这样的方法来帮他分析这些选项。期望效用计算基本上是我们大多数人熟悉的「利弊分析」的一个更精巧的版本。但我们并非简单罗列利弊，而是列出一系列「效用」——即我们看重的方面，例如：薪酬、聪明的同事、有挑战性的问题等等——然后针对列表中的每一项，为每个选项（创业 vs FAANG vs 自营交易公司）打分。最后，我们写下我们能从每个选项中获得该项价值的可能性。（如果你想看更详细的例子，可以在这里找到一个）。

但我们当然没有那么做。期望效用计算的前提是掌握关于每个选项的充分信息。但这次情况并非如此。

「听起来你掌握的信息还不够，」在我们通话快结束时我说。「你已经知道在 FAANG 公司工作是什么感觉，目前也在一家发展较为成熟的初创公司实习。但你不知道搞早期创业是怎样的，而且你也很难搞清楚状况，因为你眼下并没有好的创业点子。另外，你也不知道在自营交易公司工作是怎样的。那么，为什么不花上一两年时间，分别去体验一下这些事情呢？就是为了解情况？」

「唔，」我的朋友思考着说。

「我这么建议，是因为我觉得几年之后，一旦你掌握了更多信息，做决定就会更容易。而且，放在平均职业生涯的漫长轨迹来看，一两年并不算长。」

2. 办公室里的贝叶斯分析

贝叶斯更新指的是这样一种方法：「持有某种信念，并根据新出现的信息不断更新该信念」。这是进行现实判断时一种极好的方法。我之前在我关于将心智模型付诸实践的系列文章中探讨过这种方法；我也描述过「超级预测者」们如何运用贝叶斯分析来做出校准良好的未来预测。

但是，好的分析和预测本身并不等同于有效的行动。

举个例子，假设你有一位总是迟到的同事，而老板似乎并不在意。你不太明白是怎么回事，觉得大家对此都避而不谈有点奇怪。你推断这位同事很懒，但背后有某些办公室政治因素，这让他迟到可以被接受，而你却不行。

贝叶斯模型会告诉你去审视你的先验信念，计算你所持解释的正确概率。然后，它会提示你留意那些可能会改变你对此信念置信度的新信息。这一切都很好，但请注意，贝叶斯更新是为了整合新信息而设计的；它本身并未涉及如何产生新信息。

决策实验中的受试者可能会被动等待实验过程中呈现给他们的信息。地缘政治预测者无法指望去影响他们所预测的事件。但如果你是一位现实世界中的决策者，你的处境就与这些人不同。你可以选择分析，也可以选择行动。换言之，你在此需要做出实实在在的权衡：花时间进行贝叶斯分析，或许不如直接采取行动去发掘新信息来得更有效！

让我们回到那个总是迟到的同事的例子。你能做点什么来获取新信息吗？答案是肯定的。比如，你可以约这位同事吃午饭，然后旁敲侧击地问些问题，探探他最近的情况。也许这引出了更多疑问而非答案，此时你可以重新求助于贝叶斯分析。但也许这直接带来了一个明确无误的答案，让你省去了后续的麻烦：「哦，我太太刚生了孩子，我选择来办公室是因为 Jon 希望我能在这次项目部署期间待命；等这事一完，我就要去休陪产假，消失一个月。」

决策分析的成本

你在书本和博客文章中读到的那些决策框架，其主要问题在于它们都源自「判断与决策」领域，而该领域又植根于「理性选择理论」，后者则源于经济学。在这些学科中，「理性选择」的前提假设是：你面前摆放着一系列选项，你必须从中择一。而这种选择通常是在信息充分（完美信息）的环境下进行的。

如果你选择得当（意味着你最大化了自身的「效用」），那么你被视为「理性行动」。反之，若选择不当，则被视为「非理性」行动。

人们很容易在阅读此类研究后，便认为这些框架和模型能直接应用于现实世界。但实际上，这些模型有其局限性，因为现实世界并不完全符合模型所依赖的各项假设。

首先，你实际拥有的选择往往比摆在面前的要多。其中一些选择可能因不确定性而变得模糊不清，或者需要通过创造性地解决问题才能触及。另一些时候，它们则因信息匮乏而被隐藏。例如，或许我那位朋友本有更好的选择，但他可能基于当前已知信息，将自己局限在了仅有的三个职业方向上。

其次，现实世界中的决策往往具有时效性——行动越早，通常能实现的价值就越大（但其确切价值往往也因不确定性而难以估量）。大多数决策框架并未将时间因素纳入考量，因为决策实验中无需模拟时效性。但在现实世界里，每个选项的效用有时会取决于你基于分析而采取行动的果断程度。

第三，也是最重要的一点，行动往往能带来新信息，从而帮助你做出更好的决策。换言之，进行决策分析通常伴随着机会成本（即因分析而未能行动、未能获取信息的潜在损失），但这些框架并未将此成本计算在内。

事实上，这第三点观察——行动带来新信息，进而助你做出更优决策——本身就极具启发性。事实证明，没有任何一个源自判断与决策文献的框架会告诉你何时应停止分析、何时该转而行动。它们之所以做不到这一点，是因为这些框架最初是为经济建模而设计的。在决策实验中，你通常不会指望参与者会主动采取行动以获取更多环境信息——你指望的是他们进行分析！

我需要指出，上述这些并非什么特别新颖的见解。我列出的这三点批评，都是对判断与决策领域的由来已久的批评；心理学家 Jonathan Baron 在其该领域的开创性教科书中不遗余力地包含了这些内容。

最优秀的企业家未必是校准最准的贝叶斯更新者

而且，只要你留心观察，这些现象也相当明显。例如，花足够长的时间观察任何一群企业家，你会发现最优秀的企业家未必是那些贝叶斯更新校准得最准或期望效用计算得最好的人。相反，最优秀的企业家往往是「行动倾向」与「对新信息的快速适应能力」的结合体。

（一位曾与我们有业务往来的中国商人曾这样对我说道：「你想那么多干嘛？先干起来再说！然后边干边看嘛。可能客户不喜欢，也可能你做了这个，竞争对手会搞你。但不管怎样，你总比干坐在这里想啊想，能知道更多东西！」）

为何如此？如同适应环境的捕食者，优秀的企业家能够调整自身行为以契合现实的形态，而在商业世界里，现实的形态似乎是：

  1. 商业决策中有相当一部分是可逆的。

  2. 行动带来的信息，其价值往往高于分析得出的洞见。在行业不确定性高的情况下尤其如此。

简单来说：分析自有其局限。期望效用计算能告诉你，在信息充分的环境下，如何从有限的选项中选出最优解。贝叶斯更新告诉你，在获得新信息时如何调整信念。但它们都未曾提及，该如何通过行动来创造出更好的选项，或获取更有价值的信息。因此，我们不应感到惊讶：有时候，那些行动迅速且保持适应性的人，比那些能做出全球最精准贝叶斯分析的人，反而更有可能胜出。

行动启发法

这篇博文的标题源自 Coinbase 的创始人兼 CEO Brian Armstrong。在他接受投资者 Patrick O’Shaughnessy 采访时，Armstrong 说道：

只要你在行动，具体做什么甚至都不重要，因为我还有一句非常喜欢的格言，就是『行动产生信息』。所以在某个时刻，你必须停止对这些事情空谈阔论，放手去尝试点什么，任何事都行。在真正走出去动手创造之前，你总会为最初的版本（V1）感到难为情。产品开发过程的一部分，就是大幅缩减目标、精简功能等等，以便快速地对这些想法进行迭代和原型开发，但关键是尽管去做。你最先尝试的东西几乎注定会失败。所以别放弃，接着尝试下一个、再下一个、再下一个。这才是世界上创造新产品和新公司的唯一途径。你得多次射门（尝试），才能最终进一个（成功一次）。 」

如果决策科学提供的框架实用性有限，那么我们或许应该将目光投向真正的实践者，看看他们是如何处理分析与行动之间的张力的。

事实证明，来自商界人士、产品经理和各类实践者的例子不胜枚举，你只需要知道如何去发现。以下是三个例子。

Scott Berkun 论产品押注

在其著作《没有裤子的一年》（The Year Without Pants）中，资深产品经理 Scott Berkun 谈到了他在 Automattic 公司与团队必须做出的一个重大抉择（押注）：

完美的决策公式之所以不可能存在，部分原因在于这就像买保险，你永远不知道买多了还是买少了。你手肘的问题找对医生了吗？你问对问题了吗？你可能用错误的方式做出了正确的决定。我们 B 计划的一个风险在于两周时间可能不够。我们或许需要花费数月才能改进哪怕一个薄弱环节。对这种不确定性的恐惧，会驱使人们原地打转好几天，思考所有可能的结果，用效用成本分析或者其他某些连发明者自己都不用的花哨方法，在电子表格里计算来计算去。

但所有这些分析只会让你停滞不前。很多时候，你还不如抛个硬币做决定，然后朝着任何一个明确的方向前进。一旦开始行动，无论你的目标是什么，你都会获得新的信息。而这些新信息会让你后续的决策，比那些留在场边、妄图在没有时间机器的情况下预测未来要好得多。

在书中你会了解到，Berkun 抛了硬币……而且运气不错。但即便运气不好也没关系——正如 Berkun 指出的，一旦明显走错了路，他的团队无论如何都会修正方向。关键在于做出决定（抛出硬币），然后继续前进。

Gary Klein 与无差别区域

这自然引出一个问题：你怎么知道何时像 Berkun 所说的那样，「抛个硬币然后朝着任何一个明确的方向前进」是更好的选择？主要与军方合作的心理学家 Gary Klein 提出了一种他称之为「接受无差别区域」的启发法。

「无差别区域」指的是你无法判断哪个选项是最佳选择的情况。Klein 写道：

如果你要比较两个选项，一个极好，另一个极差，你根本不需要做任何分析，选择会很容易。但当两个选项的吸引力越来越接近时，决策就变得越来越困难。（...）以购买二手车为例，我们可以看到三个选项都非常接近——它们各有千秋，难分伯仲，几乎没有什么本质区别。这些选项如此接近，以至于简单地抛个硬币做决定就足够了。（...）我称之为无差别区域问题。

认识到某些决策处于「无差别区域」是节省决策时间的好方法：比如，想象一下你正在主持一个会议，需要在 30 分钟内决定五件事情。要想尽可能高效地完成决策，一个极其有效的方法就是利用「无差别区域」原则排除掉一些选项难分伯仲的决策，从而让你能集中时间精力处理那些最重要且最需要费心处理的问题。

Klein 继续写道：

我们通常认为决策的目标永远是选出最佳方案。很少有什么决策比战场或火场上的决策更重要，因为那涉及生死。然而，军事指挥官和火场指挥官都认识到，快速做出一个不错的决定并准备好有效执行，远比为了一个姗姗来迟的「完美」选择而苦苦纠结要好。我们极少能确切知道哪个是最佳选择，而对最佳选择的执念会驱使我们纠结于细枝末节。我们有多少次让自己陷入钻牛角尖的困境，试图从一堆都挺好的选项里找出那个绝对最好的？更好的做法是，将目标设定为选择一个你能接受的、足够好的选项。如果某个选项明显胜出，那很好。如果有两个或更多选项都落在了无差别区域，那也很好——随便选一个，然后继续前进。如果你能接受无法做出绝对『正确』选择这一事实，你就能将自己从不必要的内心挣扎和时间浪费中解脱出来。

Jeff Bezos 的可逆与不可逆决策

亚马逊 CEO Jeff Bezos 有一个非常相似但或许更简洁的法则：如果决策是可逆的，就快速行动，并下放决策权；如果决策不可逆，那就尽情分析。

他在其 2015 年的股东信中描述了这一启发法：

有些决策是重大的且不可逆或近乎不可逆的——如同单向门——这类决策必须按部就班、小心谨慎、进展缓慢地做出，需要深思熟虑和广泛咨询。如果你迈过这扇门后不喜欢所见，你也无法回到原处。我们可以称之为类型 1 决策。

但大多数决策并非如此——它们是可变的、可逆的——如同双向门。如果你做了一个次优的类型 2 决策，你不必长期承受其后果。你可以重新推开门走回去。类型 2 决策可以也应该由具备高度判断力的个人或小团队快速做出。

随着组织规模扩大，似乎存在一种倾向，即对大多数决策——包括许多类型 2 决策——都采用重量级的类型 1 决策流程。其最终结果就是行动迟缓、缺乏深思熟虑的风险规避、未能进行充分的实验，并因此导致创新能力减弱*。我们必须设法对抗这种倾向。

*相反的情况则不那么值得探讨，而且无疑存在幸存者偏差。任何习惯于用轻量级的类型 2 决策流程来制定类型 1 决策的公司，在它们有机会发展壮大之前就已经消亡了。

恕我无法表达得更简洁了。

最初发表于 2020 年 8 月 25 日，最后更新于 2021 年 7 月 1 日。