算法之美
Algorithms to Live By · 2016
Brian Christian（作家）和 Tom Griffiths（认知科学家）合写。他们的洞见来自一个奇妙的对应：人类每天面对的许多「人生难题」，在结构上恰恰是计算机科学早已研究透彻、并证明了最优解的经典问题。
他们要拆的是「理性决策靠的是意志力／深思熟虑」这个直觉。真相是：很多最优决策不需要更努力地想，只需要套用对的算法。何时停止物色（房子、对象、工作）选定一个？这是「最优停止问题」，答案是 37% 法则。要尝试新餐厅还是回老地方？这是「探索 vs 利用」权衡，答案取决于你还剩多少次机会。东西／文件该怎么收纳？这是「缓存」问题，答案是「最近最常用的放最近」。计算机科学家为这些问题付出了几十年，证明了在给定约束下什么是数学上的最优策略——而这些策略可以直接搬来用在人生上。
不写不行的那股劲儿——他们要把计算机科学最优算法的智慧，翻译成普通人能用的人生决策工具。书名就是这个移植：算法之美——用来过日子的算法。
四条天花板，不证，摆桌上：
一句话：Your life problems are solved computer-science problems——你的人生难题，计算机科学早有最优解。
Christian & Griffiths 的取景框：面对任何决策难题，别问「我该怎么靠意志力想清楚」，问「这在计算机科学里是哪个经典问题——它的最优算法是什么」。
他们的独占术语和经典算法——
最优停止（optimal stopping）／ 37% 法则：在一系列只能看一次、错过不再来的选项里（找房、面试、相亲），数学最优策略是：先看前 37% 只看不选（用来建立标准），之后选第一个超过前面所有的。这把「我该再看看还是就定了」这个永恒纠结，变成了一个有精确答案的算法。
探索 vs 利用（explore/exploit）：尝鲜（探索新选项）还是回到已知的好选择（利用已有信息）？答案取决于「你还剩多少次机会」——时间还长（年轻、刚到一个城市）就多探索，时间不多（年老、快搬走）就多利用。这解释了为什么年轻人爱冒险、老年人念旧，都是理性的。
缓存（caching）／ 收纳：什么该放在手边、什么该收进仓库？计算机的缓存算法（LRU：最近最少使用的先丢）就是答案——把最近最常用的放最近。你的桌子越乱可能越「最优」（常用的自然浮到上面）。
计算的善（computational kindness）：一个反直觉的伦理推论——好的算法／制度设计，是「减少别人的计算负担」。给人开放式的「你想怎样都行」其实是把决策的计算成本甩给对方（残忍）；给几个明确选项才是体贴（计算的善）。这呼应《选择的悖论》——但从「算法成本」角度给了它一个计算解释。
替换测试：这套词——把择偶套成最优停止、把尝鲜套成探索／利用、把收纳套成缓存、把体贴重定义成「减少别人的计算负担」——换给别的决策类作者就说不出来。Kahneman 的快慢思维切的是认知偏误（你哪里想错了），止于「人不理性」的诊断；Gerd Gigerenzer 讲启发式（够用就好的拇指法则），但不会去对照计算机科学里那个被证明的最优解。这套「人生难题=已解的 CS 问题、套算法不是硬想」的语言是他们俩的指纹。
你日常纠结的许多人生难题，在结构上恰恰是计算机科学早已解决、并证明了最优解的经典问题——何时停止物色（最优停止／37% 法则）、要不要尝鲜（探索 vs 利用）、东西怎么收纳（缓存）。所以理性决策很多时候不需要更努力地想、不需要更强的意志力，只需要认出「这是哪个算法问题」、然后套用它被证明的最优策略。「想清楚」常常输给「用对算法」。
更狠一刀：这个视角最解放的地方，是它把「次优」重新正名了。计算机科学证明了一件反完美主义的事——在有限的时间和信息下，「最优」的策略本身常常就不是「找到那个绝对最好的」，而是「在恰当的时候停止、接受一个足够好的」。37% 法则保证你选到的不是绝对最好的，但它是「在你无法预知未来的约束下，能达到的最高期望值」。换句话说，「没找到完美答案」常常不是你的失败，恰恰是最优算法本身的输出——理性的人不追求完美决策，追求的是「在约束下期望值最高的策略」，而那几乎总是包含「适时接受不完美」。这给完美主义者一个数学上的赦免。
带走的一句——
Don't try harder to decide. Recognize which algorithm you're in, and run it.
形态：一台「认算法」的问题分类器。 套到任何让你纠结的决策上，它不先帮你想答案，先问一句——这在计算机科学里是哪个经典问题？认出来了，最优策略现成。
内容：你日常纠结的许多人生难题，在结构上恰恰是计算机科学早已解决、并证明了最优解的经典问题——何时停止物色（最优停止 / 37% 法则）、要不要尝鲜（探索 vs 利用，取决于你还剩多少次机会）、东西怎么收纳（缓存）。所以理性决策很多时候不靠更努力地想、不靠意志力，靠认出「这是哪个算法问题」、套用它被证明的最优策略。看任何决策难题，别问「怎么靠意志力想清楚」，问「这在计算机科学里是哪个经典问题、最优算法是什么」。
为什么是这一件：换上这副眼镜，你纠结时先做「问题识别」而非「使劲想」——「我该再看看还是就定了」是最优停止（37% 看完就该出手）；「去新店还是回老店」是探索 vs 利用（看你还剩多少次机会：时间长多探索、时间短多利用，这也解释了年轻该冒险、年长该念旧都是理性的）；「东西怎么摆」是缓存（常用的放手边）。最解放的一条是对完美主义的数学赦免：在有限时间和信息下，「最优」策略本身就包含「适时接受一个足够好的」——37% 法则保证你选的不是绝对最好，但它是「无法预知未来时能达到的最高期望值」，所以「没找到完美答案」常常不是你的失败、恰恰是最优算法的输出。它跟《我生活的种种模式》(Simon, satisficing) 精确分轨：Simon 给的是元原则「人只能满意即止」（为什么），这本给的是具体的、被证明最优的算法（怎么做）——一个谈有限理性的哲学，一个谈有限理性下的最优工程。
走一步： 把这台分类器挪到书外——「为什么招聘时面到第几个该出手」。预测：这正是最优停止的变体——别等「看完所有候选人」（永远看不完，错过的不再来），看完约前 37% 用来建标准，之后第一个超过前面所有的就发 offer；越想「再多面一个万一更好」，越会错过已经够好的那个。对一下现实，正是「招聘拖延症」的典型坑。能预测，才算把这台分类器拿在手里。
前五段把骨架摆出来了。现在做一件这台分类器最该做的事——给「人生难题」本身建一张地图，看清哪些格子里算法管用、哪些格子算法只是买来的幻觉。
一、画地图。 这台分类器其实预设了一根轴：左端「良定义问题」（目标函数明确、约束清晰、选项可枚举），右端「劣定义问题」（目标多元且会变、约束流动、可回头、连「好」的标准都在过程中漂移）。37% 法则、探索／利用、缓存，全都精确地坐在左端。这根轴可以借去别处——它本质是「可优化 vs 可经历」这条普适轴：报税、排程、库存在左（交给算法），关系、意义、「我到底想要什么」在右（交给体验）。书的全部威力来自左端，全部危险来自把右端的问题硬拖到左端。
二、标位置。 把书里的招式逐个钉到地图上就看出几何关系了：找房、招聘、收纳——稳坐左端，目标干净（最大化选到好的概率／命中率），算法直接给最优解。择偶、结束一段关系——表面像「最优停止」，其实是被强行从右端拖到左端的：真实择偶里你的标准在变、有些人能回头、你要的根本不是「概率上最可能最好」，而是安全感、成长、当下的感觉。「计算的善」站在一个特别的位置——它是这台分类器伸向右端的一只手，承认「减少别人的计算负担」本身是种体贴，已经在偷偷修正纯优化视角。位置一标出来就看明白了：书最响的案例全在左端，而它最爱举的人生例子（爱情、友谊）恰恰坐在右端——它把右端的问题，最优地解决成了一个你其实并不真正面对的、被简化过的左端问题。
三、走两步，做预测。 用这张图猜一把书没明说的事，再对账。第一步挪到「该不该和一个老朋友继续来往」：按图预测，这是个右端问题，硬套「探索／利用」（继续维系 vs 去交新朋友）会算出一个数学上漂亮、情感上荒唐的答案——因为友谊的价值不在「期望收益」里，把它当成待优化的资源配置，恰恰错过了关系里那些无法被算、也不该被算的东西。对一下现实：凡是把人际关系当 KPI 优化的人，往往把关系算没了。这条预测中了。第二步，把这张图对准这本书自己：用「目标函数从哪来」这把书里没给的尺，量这套计算主义——它能在给定目标后告诉你最优策略，却对「你该追求什么目标」完全沉默。换句话说，它把人生最难的那一半（目标本身是否值得）默认成了已知，只优化剩下的那一半（如何高效达成）。两步都走完，这台分类器就拿住了——它真正的本事不是「优化一切」，是帮你认出「这道题该不该进算法」。
到这儿，「认算法」对你不再是套公式，是一张分得清「可优化 vs 可经历」的地图。往后看任何一个让你纠结的难题，你会先把它摊到轴上：这是个良定义的优化问题（套最优算法），还是个被我硬塞进算法形状的体验问题（该退出优化的眼睛）？而最妙的一处——你刚用这本书的方法，给这本书自己划了边界、预测了它的盲区。
私货一刀：这本书最迷人的地方（一切皆可被算法优化）也是它最深的危险——它训练你用「优化」的眼睛看一切，而有些东西一旦被优化的眼睛看上，就不再是它自己了。对一种特定的人，这副眼镜尤其上瘾：有一种翻译器，会把每一片情绪输入自动译成行动方案——恐惧译成数据模型，孤独译成建造冲动，爱译成优化方案。这本书等于给这台翻译器递上一整套数学上无可指摘的弹药：母亲生病→「最优停止：什么时候该接受这是不可逆的」，妻子发怒→「探索／利用：这段关系还值不值得投入」。算法的确定性诱人，正因为它让翻译永远显得理性。但它最优地解决的，是一个被裁剪成算法形状的、你其实并不真正面对的人生。用这台分类器前先补一步书没写的：先认这道题坐在轴的左端还是右端——右端的问题，最优解不是更好的算法，是把那台抢着翻译的机器先关三秒，让它先被经历，再决定要不要被优化。