top of page

隨機當規律 決策易迷信

上周專欄賣了個關子,迅即就有幾位朋友同時追問筆者,優秀的決策者應該具備什麼素質。這件事情讓我想起從前在阿里巴巴(09988)的時候,筆者寫了一本公司內部小冊子,內容涉及決策時一般人容易出現的盲點。於是忽發奇想,不如重新整理在專欄公諸同好,希望能起教學相長的作用。 一、模式幻覺 你有沒有在雲朵中隱約看到面孔,或在雲石中看到動物的輪廓?當然,這是完全正常的,我們的大腦天生就喜歡尋找規律,就像古代商旅看到北斗七星來指引方向一樣。現代商業領袖亦希望在數據尋找成功的路徑,但這種模式識別的本能有時也會誤導我們。相信大家都熟悉澳門賭場的骰寶「賭大細」,如果我問讀者是否可以從5局「大大大小小」這個序列找出什麼規律,那以上的序列會讓你聯想到下一鋪很大機會開大還是小。有一位心理學教授曾經訪問了數百人類似上述的問題,大多數人相信這些序列不是隨機的,他們認為之後一定有什麼規律存在。 在金融市場,每秒鐘都會產生大量的數據,有人發現過去有一段時間當股價和油價同步下跌,黃金在未來數天後上漲的機會率特別高。於是,有投資者基於近期股價和油價的升跌,來預測黃金的走勢。許多交易分析員堅信某些K線組合、「紅三兵」、「黃昏之星」等形態分析工具能預測股價走勢。雖然看似有道理,但統計顯示其預測能力並不比隨機更為準確。在2019年,有分析師聲稱發現了香港樓市「18年周期」現象,認為每逢某個年份必定見頂。然而,這種周期論忽略了政策、經濟基本面等多變量的影響。 誤把隨機當作規律,容易引致決策「迷信」,其中一個奏效方法是利用數據驗證直覺。當發現有趣的模式時,先用測試或其他科學方法驗證,其次還可以考慮多重因素,避免單一指標帶來誤導性,特別是當數據似乎印證了我們期望看到的結果時。謹記過度解讀數據的代價,可能比完全不用數據更危險。真正的數據驅動不是簡單地尋找支持直覺的證據,而是運用大數據去提供假設。

Recent Posts

See All
選擇胖模型還是胖鞍具?

打開任何人工智能(AI)方案,你會看到兩種完全不同的產品策略在較量:一種叫做胖模型(Fat Model),另一種叫做胖鞍具(Fat Harness)。 胖模型的信念很直白:以更大的大腦解決更多的問題。參數多、數據龐大、算力強,模型自然顯得聰明。這驅動了ChatGPT、Claude和Grok之間的競賽──每一代都宣稱新產品比上一代更強,而企業只要付費就能直接使用,代價是你的AI能力完全綁定在供應商的

 
 
慎防智能代理「無聲」脫軌

試想想,人工智能(AI)系統已在生產環境中完成部署,但究竟要如何防止AI「悄然失靈」?過去3個月,全球超大規模企業在AI基礎設施上的資本支出達到一個前所未有的量級。單憑這一數據,人們或許會得出結論:AI的生產化部署正在全力推進,市場充滿信心。 然而,7月份第一周,來自不同領域的幾個訊號同時浮現,揭示出一個更為複雜的真相。一邊是史無前例的基礎設施投資;另一邊是一群深諳「系統可靠性」的專家──那些專門

 
 
AI預算黑洞 根源在架構設計

過去兩年。美國眾企業不約而同墮入一個速成陷阱: 認為購買了一個模型、聘請幾位演算法工程師、便能成功實現人工智能 (AI) 落地。然而,即使模型選擇正確數據卻 難以整合;數據成功整合,系統卻無法運行;系統成功運行,但業務部門不會操作;即使學會操作,3個月後模型又變得過時。 問題根源其實不在模型,而在架構。猶如建造大樓,若設計圖存在缺陷,再昂貴的材料也難以支撐。許多企業投入巨資購買「鋼筋水泥」(模型和

 
 
bottom of page