数据是美丽的，但最重要的却是决策。决策就是任意实体在各种选项之间做出选择。研究AI，需要深入理解决策智能化，我们往往可以从定量和定性角度考虑，定量主要涉及数据科学，定性涉及社会、管理科学。

在大草原上，有人心中想着避开狮子；回到现实社会，有人想成为AI领导者，想设计数据仓库：二者有何相似之处？它们都涉及到“决策智能化”（Decision intelligence ）。

决策智能化是一种新学术理论，它涉及到选择的方方面面。决策智能科学将数据科学、社会科学、管理科学融为一体，帮助大家用数据改善生活、优化企业、改变世界。AI时代来临，决策智能变得越发重要。

总之，决策智能化的目标就是将信息转化为更好的行动，不论规模如何都能处理。

今天我们简单介绍一下决策智能科学的基本术语和概念。

什么是决策？

数据是美丽的，但最重要的却是决策。数据贯穿我们的决策，贯穿我们的行动，影响我们周围的世界。

什么是“决策”？我们认为决策就是任意实体在各种选项之间做出选择。

计算机系统给图片做标注，指出图中动物是不是猫，这是决策；掌管项目的人类领导做出决策，看看是不是推出系统，这也是决策。

决策制定者是什么

我们这里所说的“决策制定者”，不是掌控项目团队的利益相关方或者投资者，而是左右决策架构、情境框架的人。换言之，他精心设计，是创作者而非破坏者。

决策制定

许多学科都用到“决策制定”这一术语，使用时意义各有不同，它的意思可能是这样的：

• 在有其它替代选择的条件下采取行动（从这个层面讲，决策可能是计算机或者蜥蜴做出的）。
• 履行人类决策制定者的职能，人类决策者为决定承担责任。虽然计算机系统的确可以制定决策，但是我们不能管它叫“决策制定者”，因为它们不会为结果承担任何责任，最终责任会落在人类的肩上。

决策情报分类

要了解决策智能化，往往可以从定量和定性角度考虑，定量主要涉及数据科学，定性涉及社会、管理科学。

定性：决策科学

涉及定性的科学我们称之为决策科学，决策科学要回答如下问题：

——如何设置决策标准，制定指标。（所有）

——你选择的指标是否与激励相容？（经济）

——应该以怎样的质量来制定决策？应该为完美信息付出什么代价？（决策分析）

——情绪、启发和偏见在决策制定中扮演怎样的角色？（心理）

——皮质醇水平等生物因素如何影响决策？（神经经济学）

——信息表现形式的变化会给选择性行为带来怎样的影响？（行为经济学）

——在群体环境下做决策时，如果优化结果？（实验博弈论）

——设计决策环境时，如何在海量限制和多级目标之间保持平衡？（设计）

——谁将感受到此决定的后果？不同的群体会获得怎样的体验？（UX研究）

——此决策目标符合伦理吗？（哲学）

这里只是例出一点点，还有很多！

大脑

人类不是优化者，而是满意者，也就是说人类满足于“足够好”而非“完美”。

回到现实，人类利用认知启发(cognitive heuristics) 来节约时间和精力。许多时候，这样做很好，如果在大草原上碰到猴子，我们可以第一时间奔跑，不能精心计算然后再行动。“满足”还可以节约能量，人类大脑就像一台能耗极高的电子设备，虽然重量不到3磅，但它占用近五分之一的能量。

99.9%的人不会每天都面临狮子的威胁，因为“偷工减料”，最终我们的大脑未能为现代环境做好充分的准备。

深入理解人类大脑的决策机制，理解人类大脑是如何将信息转化为行动的，这样我们就可以保护自己，防止自己受到大脑缺陷的影响。我们还可以根据理解开发工具，增强人类能力，让环境与大脑更加协调。

如果你认为AI将会淘汰人类，那麻烦你再多思考一会。所有技术都是创作者的反映，大规模运行的系统会放大人类的缺陷，正因如此，如果想成为负责任的AI领导者，必须提高决策智能化能力。

也许你并没有做决定

有时，当你思考自己的决策标准，你会发现世界上没有任何东西改变你的心智，你已经选择了自己的行动，现在你只是想让自己感到更舒服一些。这种认识是有益的，因为它会阻止你浪费时间，帮你重新调整不良情绪，当你做任何事情时，数据真是给人增添无数烦扰。

除非你碰到未知的事实，需要采取不同的行动，否则没有必要做决策。当然，接受一些决策分析培训的确能让你把事情看得更清楚一些。

在完美信息之下做决定

没有什么比事实更好，当我们做决策时，如果有事实可以依赖，往往会根据事实做决策。正因如此，我们的首要任务就是弄清楚如何处理事实。

可以用事实做什么

——你可以用事实制定非常重要的决策。如果决策真的足够重要，你会依赖定性因素来帮助自己做决策，力求让决策更明智。心理学家知道信息可以用你不愿意接受的方式操纵你，所以他们提供许多建议，帮你精选信息——做决策之前预先接收的信息。

——你可以用事实巩固观点。（从“我期待外面阳光明媚！”变成“我知道外面阳光明媚”）

——你可以利用事实做出一个基于存在的重要决策。“我发现隔壁出现一个埃博拉病例，我得赶紧离开。”这就是基于存在的决策。基于存在的决策之所以形成，是因为出现以前未知的事实，它动摇了你的方式方法，你事后才发现自己做决策的环境并不牢固，是草率搭建的。

——你可以利用事实让大量决策实现“自动化”。

——你可以利用事实创建自动化解决方案。你可以观察与系统有关的事实，然后根据观察编写代码。传统方法会根据思考而非信息来编程，上述方法更好一些。

——你可以利用事实获得最优解决方案，完美解决问题，自动解决。

——你可以利用事实启发自我，告诉自己未来如何制定重要决策。

——你可以利用事实评估正在处理的事。

——你可以利用事实来制定某些决策，这些决策不是那么重要，利害没有那么严重，制定决策时不需要太过认真，比如：“今天午餐吃什么呢？”如果所有决策都追求完美，最终会导致一生都无法达标，你会被毫无意义的完美主义绑架。不过不要太依赖这种方法，如果你希望提高决策质量，还是需要更严格的要求。

用决策科学训练自我，当我们需要做出基于存在的决策时，可以节省精力，换言之，用相同的精力我们可以提高整体决策质量。这种方法相当实用，不过要做到真的很难。

数据收集与数据工程

如果我们能掌握事实，早就已经掌握了。在今天的世界，我们为信息忙碌。数据工程是一门复杂的科学，如果大规模部署，必须让信息可靠，这正是数据工程的使命。跑到店铺买一枚冰淇淋很容易，如果重要信息以电子表格的形式列出来，数据工程同样很容易。

不过如果让你运送200万吨冰淇淋，还要保证不融化，那就不是易事了。如果你要设计、修建并维护好巨大的仓库，而且不知道接下来仓库要存放什么，可能是鱼，也可能是钚，那难度就更大了。

对于决策智能来说，数据工程只是兄弟姐妹，是关键合作学科；数据科学包含大量传统专业知识，我们用这些知识设计、管理事实。

定量：数据科学

当你制定决策，查看所有需要的事实，用搜索引擎或者分析方式获取事实，最终剩下的只有执行。你执行完毕，不需要数据科学。

如果给出的事实并不是可以帮你做决策的理想事实呢？如果只是部分事实呢？也许你需要的是明天的事实，但你拥有的只是过去的事实，怎么办？

也许你想知道所有潜在用户对你的产品有何看法，但你只问了几百个人的意见。于是乎，你做决策时就会存在不确定性。你所知道的并不是你想知道的。怎么办？让数据科学来帮你。

很明显，当你发现拥有的现实并不是自己需要的事实时，就要修改方法策略。可能它们只是大谜题中的小谜题，也许它们是错误的谜题，但你找不到更好的。

当你无可奈何，只能超越数据时，数据科学就会变得有趣起来，不过要小心，不要犯下伊卡鲁斯（Icarus）一样的错误（伊卡鲁斯乘着父亲做的人工翅膀逃离克里特，由于离太阳太近以致粘翅膀用的蜡溶化了）。

总之，我们可以从之前封闭固定的学科中汲取智慧，用这些智慧来提高决策效率，决策智能化的本质正在于此。我们对决策智能化有着多种多样的看法，决策智能化将这些看法融合在一起，让我们变得更强大更凝固，最终帮助人类打破传统限制。

我们可以用厨房AI来类比，如果AI研究的目的是想开发新式微波炉，将AI植入微波炉，那么决策智能化的使命就是让微波炉安全达到目标，并且在不需要使用微波炉时可以使用其它东西。目标往往是决策智能化的起点。

原文标题：“Introduction to Decision Intelligence”

作者：Cassie Kozyrkov

译者：小兵手

来源：https://36kr.com/p/5235848

本文由 @36氪 授权发布于人人都是产品经理，未经作者许可，禁止转载

题图来自Unsplash，基于CC0协议