重点摘要
1. 最优停止：何时在生活决策中做出承诺
“37%法则定义了一系列简单的步骤——计算机科学家称之为‘算法’——用于解决这些问题。”
37%法则。 这一数学原理表明，当面临一系列选择（如潜在伴侣或求职者）并需要选择最佳时，应该先审视37%的选项以建立基准，然后选择下一个比之前所有选项都更好的选项。该规则适用于各种生活决策：
- 伴侣选择：如果你计划在18到40岁之间约会，开始认真考虑长期伴侣的最佳时机大约在26岁。
- 房屋寻找：在出价之前查看37%的可用房屋。
- 停车：在线性停车场中，经过37%的停车位后开始寻找停车位。
该规则平衡了过早停止（错过更好的选项）和过晚停止（已经错过最佳选项）的风险。虽然它不能保证成功，但在信息有限的情况下优化了你做出最佳选择的机会。
2. 探索与利用：平衡新体验与喜好
“探索是收集信息，而利用是使用你已有的信息以获得已知的良好结果。”
探索/利用权衡。 这一概念解决了尝试新事物（探索）与坚持已知有效的事物（利用）之间的紧张关系。它在生活的各个方面都很相关：
- 外出就餐：尝试新餐厅还是回到老地方？
- 职业选择：追求新领域还是深化当前领域的专业知识？
- 旅行：访问新目的地还是回到心爱的地方？
最佳平衡会随着时间的推移而变化：
- 早期生活：更多关注探索以收集信息和经验
- 中年：逐渐转向利用，识别出个人偏好
- 晚年：更倾向于利用，享受已知的乐趣
平衡策略：
- 上置信界算法：选择潜在收益最高的选项
- Gittins指数：根据选项的潜力和不确定性分配值
- 商业中的A/B测试：在保持成功的同时系统性地尝试新方法
3. 排序：组织信息的力量与局限性
“规模会带来困难。”
效率随着规模的增加而降低。 随着数据量的增加，排序变得指数级困难。这个原理适用于计算和现实世界的排序任务：
- 数字排序：像归并排序和快速排序这样的算法旨在最小化这一规模问题
- 物理排序：整理一个小衣橱比整理一个大型仓库要容易得多
关键见解：
- 最佳排序方法取决于具体情况和目标
- 完美排序往往是不必要的，甚至可能适得其反
- 有时，保持事物未排序反而更有效（例如，杂乱的桌子）
现实世界的应用：
- 图书馆组织：在完美秩序与可用性之间取得平衡
- 体育排名：不同的比赛结构（如循环赛、淘汰赛）在准确性与效率之间提供权衡
- 个人组织：认识到“足够好”的排序就已足够
4. 缓存：高效的信息检索与记忆管理
“缓存在内存架构中扮演着关键角色，它影响着从毫米级的处理器芯片布局到全球互联网的地理分布。”
优化频繁访问。 缓存涉及将频繁使用的信息存储在易于访问的位置。这个原理适用于计算机系统和人类行为：
计算机缓存：
- 处理器中的多个缓存级别（L1、L2、L3）
- 内容分发网络（CDN）以加快网页访问
- 浏览器缓存以加快页面加载
人类缓存：
- 将常用物品放在触手可及的地方
- 根据使用模式组织生活空间
- 心理“缓存”重要信息
关键策略：
- 最近最少使用（LRU）：在需要空间时移除最近最少访问的项目
- 时间局部性：最近使用的项目很可能会很快再次使用
- 空间局部性：靠近最近使用项目的物品很可能会很快被使用
日常生活中的缓存：
- 家庭组织：保持日常物品易于获取
- 工作效率：安排桌面以便快速访问常用工具
- 学习：定期复习重要信息以保持其在记忆中的“缓存”
5. 调度：优化任务完成与时间管理
“如果你遵循了最佳的过程，那么你已经尽力而为，如果事情没有如你所愿，不要责怪自己。”
过程重于结果。 有效的调度在于实施最佳过程，而不仅仅是关注结果。关键调度算法及其现实世界应用包括：
-
最早到期日（EDD）：
- 计算机：最小化最大延迟
- 生活：优先处理紧急截止日期
-
最短处理时间（SPT）：
- 计算机：最小化平均完成时间
- 生活：快速完成小任务以建立动力
-
摩尔算法：
- 计算机：最小化延迟任务的数量
- 生活：在工作过载时战略性选择哪些截止日期可以错过
实用调度策略：
- 将大任务分解为较小、可管理的部分
- 使用时间盒技术（如番茄工作法）保持专注
- 为意外问题预留缓冲时间
- 定期重新评估和重新优先排序任务
避免常见陷阱：
- 频繁切换任务：过于频繁地切换任务，降低整体生产力
- 优先级反转：低优先级任务阻碍高优先级任务
- 过度优化：花费更多时间规划而非执行
请记住，由于不确定性和变化的情况，完美的调度往往是不可能的。目标是实施一个能够适应新信息和约束的稳健过程。
6. 贝叶斯法则：用有限信息做出更好的预测
“小数据是伪装的大数据。”
用新证据更新信念。 贝叶斯法则提供了一个基于有限信息做出理性预测的框架，并在新数据可用时更新这些预测。这种方法在各个领域都很有价值：
贝叶斯思维的应用：
- 医学诊断：根据测试结果更新疾病概率
- 财务预测：根据新的经济数据调整市场预测
- 刑事调查：随着证据的出现重新评估嫌疑人的可能性
关键贝叶斯概念：
- 先验概率：新证据之前的初始信念
- 似然性：在假设下证据的概率
- 后验概率：考虑新证据后的更新信念
实用的贝叶斯策略：
- 保持开放的心态，接受新信息
- 寻找反驳证据以挑战你的信念
- 随着新数据的出现定期更新你的预测
- 认识到知识的局限性并表达不确定性
日常生活中的贝叶斯思维：
- 约会：随着对一个人了解的加深更新对兼容性的评估
- 职业决策：根据新经验和反馈调整计划
- 消费选择：随着每次购买和使用不断完善产品偏好
7. 过拟合：过度思考和复杂化的危险
“在杂乱中保持谨慎。”
简单性往往胜过复杂性。 过拟合发生在模型或决策过程变得过于复杂时，适应了数据中的噪声而非潜在模式。这个概念适用于机器学习和人类决策：
机器学习中的过拟合：
- 训练数据完美拟合，但在新数据上的表现不佳
- 解决方案：交叉验证、正则化技术
人类过拟合：
- 过度思考决策，导致分析瘫痪
- 制定过于复杂的计划，在现实条件下失败
避免过拟合的策略：
- 接受不确定性和不完美的信息
- 使用简单的启发式方法进行快速决策
- 定期退后一步，评估全局
- 在全面实施之前，在小规模、低风险的场景中测试想法
过拟合的现实例子：
- 金融市场：在变化条件下失败的过于复杂的交易策略
- 项目管理：在首次接触现实时崩溃的过于详细的计划
- 人际关系：过度分析社交互动，导致尴尬
请记住，目标是为手头的问题找到合适的复杂性水平，而不是消除所有的不确定性或不完美。
8. 放松：简化复杂问题以获得更好的解决方案
“如果你无法解决眼前的问题，那就解决一个更简单的版本——然后看看这个解决方案是否为你提供了一个起点或指引，帮助你应对完整的问题。”
战略性简化。 在计算机科学中，放松涉及暂时移除或简化约束，以使问题更易于管理。这种方法可以应用于各种现实挑战：
放松的类型：
- 约束放松：暂时忽略某些规则或限制
- 连续放松：将离散选择视为连续变量
- 拉格朗日放松：将硬约束转化为惩罚
放松的好处：
- 为解决复杂问题提供起点
- 提供对问题结构的洞察
- 当完美解决方案不切实际时，可以导致“足够好”的解决方案
将放松应用于日常问题：
- 职业规划：从理想情景开始，然后调整以适应现实
- 预算优化：从不受约束的支出开始，然后进行优先排序
- 创意项目：在没有限制的情况下进行头脑风暴，然后完善想法
放松的实际例子：
- 城市规划：设计理想的城市布局，然后适应地理约束
- 产品开发：设想一个完美的产品，然后在技术限制内工作
- 冲突解决：想象一个理想的结果，然后朝着现实的妥协进行谈判
请记住，放松是生成想法和起点的工具，而不是处理现实约束的替代品。关键是利用从简化版本中获得的洞察来指导你对完整问题的处理。
9. 随机性：利用偶然性解决问题
“有时，解决问题的最佳方法是转向偶然，而不是试图完全推理出答案。”
拥抱受控的混乱。 随机性可以成为突破局部最优解和寻找创新解决方案的强大工具。这个原理适用于计算和人类问题解决：
计算中随机性的应用：
- 模拟退火：逐渐减少随机性以找到良好解决方案
- 遗传算法：使用随机突变来进化更好的解决方案
- 蒙特卡洛方法：随机抽样以估计复杂概率
人类应用随机性：
- 创意头脑风暴：随机词汇联想以激发新想法
- 决策：抛硬币打破分析瘫痪
- 学习：探索随机主题以拓宽知识
引入随机性的好处：
- 克服认知偏见和固执的思维模式
- 探索更广泛的解决方案空间，可能找到意想不到的解决方案
- 当理性分析失败时，提供一种前进的方式
利用随机性的策略：
- 在创作工作中使用随机提示或约束
- 定期在日常中引入随机元素以避免陷入惯性
- 拥抱偶然的邂逅和意外的机会
富有成效的随机性例子：
- 科学发现：偶然发现导致突破
- 艺术与音乐：实验技术产生创新作品
- 职业道路：意外的绕道带来充实的机会
虽然随机性可以是强大的，但重要的是要与结构化思维保持平衡，并认识到何时需要精确。目标是将随机性作为工具，而不是完全依赖它。
10. 网络：理解与优化人际关系
“信息简单而深刻：如果我们愿意接受足够接近的解决方案，那么即使是一些最棘手的问题也可以通过正确的技术得到解决。”
优化连接，而不仅仅是内容。 计算机科学中的网络原理为人类社交网络和沟通提供了洞察：
关键网络概念：
- 数据包交换：将消息分解为小的、可管理的部分
- 路由协议：寻找信息流动的高效路径
- 拥塞控制：管理通信渠道的过载
将网络原理应用于人际互动：
- 信息共享：将复杂的想法分解为易于消化的部分
- 关系建立：建立多个联系以增强网络的韧性
最后更新日期:
FAQ
What's Algorithms to Live By about?
- Exploration of decision-making: The book explores how algorithms from computer science can be applied to everyday human decisions, such as dating, apartment hunting, and scheduling.
- Interdisciplinary insights: Authors Brian Christian and Tom Griffiths blend computer science, psychology, and philosophy to provide a comprehensive view of decision-making.
- Practical applications: It offers strategies for optimizing choices in various scenarios, making complex concepts accessible to a broad audience.
Why should I read Algorithms to Live By?
- Enhance decision-making skills: The book provides tools and frameworks to improve decision-making in both personal and professional contexts.
- Engaging storytelling: The authors use relatable anecdotes and examples to make complex concepts engaging and easy to understand.
- Broader understanding of algorithms: It encourages critical thinking about how algorithms influence various aspects of life, from technology to social interactions.
What are the key takeaways of Algorithms to Live By?
- Optimal stopping: The "37% rule" suggests sampling 37% of options before making a decision to maximize the chances of selecting the best one.
- Explore/exploit tradeoff: The book discusses balancing exploration of new options with exploitation of known ones for effective decision-making.
- Bayesian reasoning: Emphasizes updating beliefs based on new evidence to refine decision-making processes.
What is the "37% rule" in Algorithms to Live By?
- Optimal stopping strategy: The rule suggests sampling 37% of options before making a decision to maximize the likelihood of selecting the best one.
- Mathematical foundation: Derived from probability theory, it provides a systematic approach to decision-making in uncertain situations.
- Real-life applications: Applicable to scenarios like choosing a partner, hiring employees, or selecting a job offer.
How does Algorithms to Live By explain the explore/exploit tradeoff?
- Balancing act: The tradeoff involves choosing between exploring new options and exploiting known ones, crucial for optimizing decisions.
- Epsilon-Greedy strategy: Suggests exploring new options a small percentage of the time while primarily exploiting the best-known choice.
- Practical implications: Helps in making better choices in contexts like investing, job searching, or social interactions.
How does Algorithms to Live By explain Bayesian reasoning?
- Updating beliefs: Bayes's Rule is used to update the probability of a hypothesis based on new evidence, refining decision-making processes.
- Practical applications: Applied in situations like medical diagnosis or predicting outcomes, helping make informed decisions.
- Cognitive implications: Encourages critical thinking and a nuanced approach to decision-making by considering both prior beliefs and new evidence.
What is the Secretary Problem in Algorithms to Live By?
- Optimal stopping scenario: Involves choosing the best candidate from a pool of applicants interviewed sequentially.
- 37% rule application: Reject the first 37% of candidates to establish a baseline, then select the next candidate better than all previously seen.
- Broader implications: Illustrates decision-making challenges under uncertainty and the mathematical principles guiding optimal choices.
What is overfitting and how does it relate to decision-making in Algorithms to Live By?
- Definition of overfitting: Occurs when a model is too complex, capturing noise rather than the underlying pattern in data.
- Impact on decisions: Can lead to poor decision-making by relying on overly complex models that don't generalize well.
- Strategies to avoid overfitting: Use simpler models and regularization techniques to make more robust choices in uncertain environments.
How does Algorithms to Live By address the concept of computational kindness?
- Definition of computational kindness: Designing systems and algorithms that reduce cognitive load and ease decision-making.
- Real-world examples: Applied in situations like restaurant seating policies or urban planning to enhance user experience.
- Broader implications: Encourages creating environments that support better decision-making with less mental effort.
What are some examples of algorithms discussed in Algorithms to Live By?
- Mergesort: Highlighted for its efficiency in organizing data, demonstrating the importance of sorting in computing and everyday life.
- Caching algorithms: Discussed for personal organization, emphasizing prioritizing frequently accessed items.
- Scheduling algorithms: Explored for optimizing time management and task completion in personal and professional contexts.
What does Algorithms to Live By say about scheduling?
- Single-machine scheduling: Explores managing tasks and deadlines, prioritizing based on due dates and task lengths.
- Optimal strategies: Presents algorithms like Earliest Due Date and Shortest Processing Time to enhance productivity.
- Real-world applications: Principles can be applied to everyday life, helping manage time and tasks effectively.
What are the best quotes from Algorithms to Live By and what do they mean?
- "The heart has its reasons that reason knows not.": Highlights the tension between emotional and rational decision-making.
- "Life is just too complicated for that.": Reflects the complexity of real-world decision-making, encouraging practical approaches.
- "Computational kindness isn’t just a principle of behavior; it’s also a design principle.": Advocates for user-friendly systems that facilitate better decision-making.
评论
《生活中的算法》获得了大多数积极的评价，因为它将计算机科学的概念应用于日常决策。读者们欣赏书中对常见问题的最佳策略的洞察，尽管有些人觉得数学解释较为困难。该书因其引人入胜的写作风格和实用性而受到赞扬，但也有少数人批评其过于简化。许多评论者强调了该书通过算法思维提供独特自助方法的特点。总体而言，推荐给技术精通的读者以及那些希望改善决策过程的人。
Similar Books
Thinking, Fast and Slow
Same as Ever
A Guide to What Never Changes
Supercommunicators
How to Unlock the Secret Language of Connection
How Not to Be Wrong
The Power of Mathematical Thinking
Slow Productivity
The Lost Art of Accomplishment Without Burnout
Nexus
A Brief History of Information Networks from the Stone Age to AI
Superintelligence
Paths, Dangers, Strategies
Superforecasting
The Art and Science of Prediction
