我們想讓你知道的是在變數有限的情況下，人類相當善於偵測模式，但超過一定的複雜度之後，我們的表現就會大幅下滑。而電腦演算法正是在這種情況下大大勝過我們。


文：朗恩・傅利曼（Ron Friedman）

像演算法一樣思考

艾莉莎．納森在二十二歲那年認識了喬許．亞諾維。他們靦腆地互傳幾則簡訊，接著又多傳了幾則。喬許提議相約外出。

他們第一次約會是到一家繪畫品酒工作室，玩得很開心。過了一會兒，艾莉莎發現工作室裡已經沒有別人，員工也忙著打掃。她向其中一名員工詢問是不是準備打烊了。「親愛的，我們在四十五分鐘以前就已經打烊了。」

時間雖然已經很晚，但他們還不打算結束這場約會，一點也不想。他們一時興起，走進了喬許非常喜歡的披薩餐館，共享一片美味的蘑菇披薩，還有他們之間的第一個吻。這是一場完美的約會。不到兩年後，他們已決定共度一生，並且正在敲定婚禮的計畫。

艾莉莎與喬許能夠結婚，必須歸功於演算法。他們在網路上認識，而且是在全世界最熱門的交友應用程式上：Tinder。

不久之前，在網站上找伴侶還被視為別無選擇的無奈之舉。不過，這種汙名在今天已經消失。研究顯示，現在有將近四成的感情關係都是始於網路交友，而且通常比實體約會展開的關係更成功。換句話說，透過網路交往更有可能走向艾莉莎與喬許那種有如童話故事般的醉人結局。

線上交友軟體在伴侶配對上之所以那麼有效，原因是利用了機器學習辨識使用者沒有言明的偏好——就連一般人可能都沒意識到自己擁有的特殊偏好。舉例來說，每次只要有個像艾莉莎這樣的使用者接受一名交友建議對象，或是對一張照片看得比較久，或是點選細看某人的個人檔案，或是回應一則訊息，Tinder的演算法就會記錄下來。這些行為表示使用者對於那名對象感興趣。然後，演算法把獲得艾莉莎投注時間與注意力的所有男子挑出來，分析他們共通的特色。這些男子都是高還是矮？他們平均幾歲？根據他們的個人檔案，這些男子是外向又熱愛冒險，還是愛看書又內向？

Tinder演算法想求出一種配方，能夠捕捉到艾莉莎心目中理想的男人擁有的特徵。演算法越是能夠辨識她的偏好，就越能提出吸引她的追求者清單，而她找到真命天子的機會也越大。

往回倒推，得出致勝公式

近年來，像Tinder使用的這種演算法已顛覆許多產業，一大原因就是演算法能夠迅速偵測出模式。從數以千計的點擊、頁面捲動以及滑動的動作中，提煉出一道公式，再以此預測未來行為，這也帶給各種領域深遠的影響，包括商業、科技，乃至愛情。

這樣的過程也與逆向工程有明顯可見的共通之處。把一個引人入勝的故事、一首交響樂，或者一張照片轉變為一道配方，同樣也需要推斷遠超出單一例子當中明顯可見的元素。從事逆向工程，需要後退一步、推測模式，並且提出公式。

就許多方面來看，辨識模式是人類最擅長的事情。實際上，在許多世代當中，這是求生的基本要求。

在人類歷史上，我們的祖先都藉著辨識模式預測各式各樣的事物，包括在哪裡可以找到食物、什麼顏色的植物可能有毒，以及在一天當中的什麼時間進入莽原比較安全。要在一片危險的區域當中生存，你就必須能夠解讀周遭的環境，而推論接下來可能發生的事。在今天，擅長辨識模式也許不再生死攸關，但心理學家卻認為這種能力在預測成功方面仍扮演了極重要的角色，而且也是高智商的核心面向之一。

然而，如同許多電腦科學家注意到的，由於科技的進展，現在電腦辨識模式的能力已遠遠勝過我們。

這點也因此引起一些令人好奇的提問：演算法為什麼那麼善於辨識模式？我們如果要精進自己的逆向工程能力，又能夠從演算法當中學到什麼？

簡短的答案是，可以學到很多。

且讓我們從基本開始。模式辨識引擎具備四大要素，第一是資料蒐集。要預測什麼類型的男人能夠吸引艾莉莎，首先必須針對她喜歡與不喜歡的男人找出實際例子。這兩者都可從她的反應（點選了哪些男人的檔案）當中取得，而這就是第一步：蒐集例子。

第二是拆解例子，從中找出重要變數。這些男人的哪些不同之處有可能對艾莉莎的決定造成影響？明顯可見的是生理特徵，例如年齡、體重與身高。不過，接下來還有個人檔案的品質：他們上傳的照片數量、自傳的長度，還有他們的自我簡介裡傳達出來的人格類型。在這第二個階段辨識出越多變數，就越有機會精確抓出能夠吸引艾莉莎的要點。

第三是偵測相似性。艾莉莎感興趣的男人有哪些相同之處？他們有哪些共同的特徵？還有，遭到艾莉莎拒絕的男人呢？他們和她喜歡的對象有什麼不同？藉著比較這兩個群體的特質，交友演算法即可開始辨識出促使艾莉莎做出決定的元素。

最後一步，就是演算法利用分析結果，針對艾莉莎會喜歡的男人做出預測。如此一來，艾莉莎收到推薦選項後會越看越順眼，也更合乎她喜歡的類型。艾莉莎在應用程式裡接受或拒絕推薦對象的次數越多，演算法就越準確，用她回饋的資料持續修正預測並改進。

美食裡的隱藏公式：為什麼你無法抗拒自己最喜愛的菜餚
在變數有限的情況下，人類相當善於偵測模式，但超過一定的複雜度之後，我們的表現就會大幅下滑。而電腦演算法正是在這種情況下大大勝過我們。演算法能夠評估龐大的特質資料庫，同時分析多項元素，也能隨著新資料出現而即時更新預測。演算法也不像人類會下意識也受到他人期望和社會壓力影響，所以不怕提出非傳統的預測。

這些優勢疊加起來之後，與人類的差距就會越拉越大。舉個簡單的例子，看看IBM怎麼悄悄顛覆了烹飪界。不久以前，在以IBM的首任執行長湯瑪斯．華生（Thomas J. Watson）為名的機器學習程式「華生」當中，該公司的程式設計師輸入了兩類資訊，包括研究一般人認為美味的食物所得出的發現（這個領域稱為「享樂心理物理學」），以及《好胃口》雜誌（Bon Appétit）歷來的完整食譜檔案。他們把輸入這些資訊之後的程式稱為「華生主廚」，然後依據其偵測出來的模式，從資料當中產生出新菜餚的食譜。

結果極為驚人，而且不只是因為華生主廚提出的創新組合建議，而是因為其演算法破解的潛藏原則。

如果談到一道菜餚的成功，經常只會聚焦單一因素：口味。不過，華生的分析顯示，一道菜餚之所以令人無可抗拒，原因乃在於香氣。原來，烤雞或豐盛的龍蝦濃湯發出的氣味，會啟動鼻子與喉嚨裡的受體，早在我們咬下第一口之前，就分沁大量令人愉悅的腦內啡釋入血液當中，以自己沒意識到的方式引起愜意感。

從華生主廚的發現當中獲得的第二項洞見又更加珍貴，對於處理資料的能力不亞於切菜技術的電腦廚師而言尤其如此。這項洞見就是，香氣的核心關鍵乃是一種數學組合。

你不需實際煮一道菜來確知這是否會產生怡人香氣，只需在電腦上打開Excel檔案，分析一份食譜的食材就行了。每種食材都帶有特定的化學物質，為其賦予獨特香味，這些化學物質稱為芳香族化合物。華生主廚的分析，就是揭露了贏得獎項與各方好評的菜餚當中其實潛藏共同模式：這些食材都具有許多相同的芳香族化合物。

這種以資料分析為導向的洞見，利用複雜的數學運算掀開表象，深入挖掘，因此得以揭露肉眼不可見的結構，而華生主廚即是藉此解釋，為什麼有些食物會受到世人一致喜愛。以披薩為例：根據IBM計算，番茄、莫札瑞拉起司、帕瑪森起司以及烤餅皮含有超過一百種相同的芳香族化合物，所以披薩的組合才會讓人類的味蕾幾乎無法抗拒。

華生主廚也能利用這些洞見產出複雜而且驚世駭俗的新菜餚，是傳統廚師絕對不會考慮的食材組合。在華生推薦的新菜單裡有些較吸引人的例子：烤蘆筍搭配黑巧克力；烤鴨搭配番茄、橄欖與櫻桃；還有烤雞肉串搭配草莓、蘋果與蘑菇。

由此可見，就算是最富野心的烹飪專家，如果沒有電腦幫忙，也難以得出華生主廚分析出的結論。不過，從Tinder與華生背後的演算法採取的程序化做法還可以學到許多東西，尤其是針對我們希望仿效的作品進行逆向工程時。

接下來會進一步檢視演算法如何破解隱藏模式：從第一步的蒐集例子開始。

打造你的私人博物館

值得注意的是，這些為了偵測模式而設計的電腦程式，採取的第一個行動不是分析，而是蒐集。這也和許多作家、音樂家以及設計師對自己的看法一致：不是工藝大師，而是蒐集者。他們貪婪吸收、執迷追求，並且不斷累積自己受到的影響，就像廚師追尋食材一樣。

歷史告訴我們，為數驚人的頂尖人士早在踏入並且主導他們所屬的那個領域之前，就已自然而然喜歡蒐集他們欣賞的作品。安迪．沃荷蒐集藝術品，大衛．鮑伊蒐集唱片，茱莉亞．柴爾德（Julia Child）蒐集料理書。導演昆汀．塔倫提諾則是花了許多時間看電影，於是他家附近的錄影帶出租店雇用他擔任駐店電影專家，為其他顧客提供建議，結果他又因此得以在白天利用上班時間看更多電影。

在海明威去世之前，他的藏書室有超過九千本書，並且以每年增加將近兩百本新書的速度不斷成長。由此可見，索爾．貝婁（Saul Bellow）說得確實沒錯：「作家就是受到吸引而著手模仿的讀者。」

蒐集傑出的例子為什麼如此重要？因為成就精湛技能的第一步，就是看出別人的精湛技能。

對於許多知名人士而言，通向精湛技能的旅程皆始於同一種渴望，也就是盡可能地體驗他們所屬領域當中的作品。隨著時間過去，這種傾向會提升個人品味，促使他們對於自己欣賞的元素以及鄙夷的慣俗更加敏感。

於是，就像演算法藉著即時吸收新的輸入而持續改進，吸收眾多例子在一個人的專業生涯中也扮演了中心角色。小說家湯姆．佩羅塔（Tom Perrotta）編寫故事已超過三十年，直到今天，他仍把克制不了的閱讀癮頭視為良好寫作能力的重要元素：「如果你不是隨時都在閱讀，那我猜你應該不是作家。這不是批評，只是作家的試金石而已。」

讓自己沉浸於範例當中，能夠促成技能的建構，而且是採取我們不會立即預期到的建構方式。別的不提，這種做法可讓人不刻意嘗試就能內化一個領域的慣例。研究顯示，接觸具有一種共同潛在結構的眾多範例，能夠促使你察覺到那些範例背後的模式，就算你沒有刻意要學什麼也一樣。認知心理學家把這種情形稱為內隱學習。你如果曾經看著網飛的影集，發現自己對頭幾集的巧妙安排深感著迷，卻對那一季結尾公式化的老套結局感到厭煩，那麼這很可能就是內隱學習帶來的影響。

內隱學習也會擴展我們對於可能性的概念。我們經常聽人說起要成就精湛技能，最需要做到的一件事就是練習。你如果想專精一門技能，就需要明確的目標、立即的回饋，以及反覆練習。然而，這有個顯而易見的問題：你沒辦法練習自己從沒想過的點子。最傑出的點子不會產自長期的孤立練習，而是藏在大師的作品當中等著被人發現。

蒐集各式各樣的例子，也彰顯了不同影響所帶來的獨特貢獻。舉例而言，大多數的小說作家都知道，極少有作者能夠同時精通劇情、對話、人物發展、背景情境、氛圍，以及詞語挑選。經過數十年來閱讀各式各樣的作品，他們因此知道不同的作者各自擅長不同的元素。這樣的認知可讓他們以創新方式融合不同影響，以及在精進自己的作品時採用特定模型。

不過，廣泛蒐集並且挑出你覺得引人入勝的範例，還帶來另一項效益：在大量的作品當中比較容易找出模式。你有越多美妙的範例可以欣賞、研究以及解析，就越容易察覺出潛在的相同之處。

書籍介紹

本文摘錄自《逆向工程，你我都能變優秀的祕訣：全球頂尖創新者、運動員、藝術家共同實證》，方智出版

作者：朗恩・傅利曼（Ron Friedman）
譯者：陳信宏

momo網路書店
Readmoo讀墨電子書
Pubu電子書城結帳時輸入TNL83，可享全站83折優惠（成人商品、實體商品、限定商品不包含在內，不得與其他優惠併用）
透過以上連結購書，《關鍵評論網》將由此獲得分潤收益。

比爾・蓋茲、賈伯斯、麥爾坎・葛拉威爾、費德勒等人成功的祕密
我們都以為，邁向成功只有兩條路：靠天資，要不就是靠努力練習。
其實，你還有第三條成功之道——逆向工程！

反過來學，就會了！

大量收集成功範例，解構找到成功配方，加上自己的詮釋，
就能打造屬於你自身版本的成就！

成功人士的逆向工程完全解密——
一種改變局勢的方法，
即將反轉你學習新技能、發想創意點子，以及思考成功的方式！

世人認為是劃時代成就的Windows作業系統、麥金塔電腦和iPhone，其實都沒那麼「原創」？

從頂尖創新者、企業家、運動員，到藝術家、作家與廚師，許多不同領域的人都在悄悄實踐「逆向工程」。這些業界頂尖人士如果不是先解構了別人的成果，絕對不可能達成他們現在擁有的成就。

想成功做到逆向工程，就必須看穿潛藏在顯眼表面下的關鍵結構，例如品嘗一道菜餚就能推敲出烹調方法、聆聽一首美妙歌曲就能分辨和弦排序、看一部驚悚片就能掌握敘事脈絡。

而這種能力，你也可以擁有！

本書分享並逆向解構賈伯斯、阿嘉莎・克莉絲蒂、梵谷、安迪・沃荷、歐巴馬和費德勒等多位傑出人士的精采故事，以及關於模式辨識、技能習得和創意天賦的開創性研究，揭發逆向工程的驚人威力，教你如何掌握並善用這項重要技能。

如果你想從努力工作提升到實際產出重要成果，請務必閱讀這本書。






Source

---