“平台崩坏”时代（二）：来自计算机科学的商业建议

编译：数据观

作者：Martin Reeves, Simon Levin, Kevin Whitaker

计算机科学版《商业启示录》

算法的研究也为先发制人的创新策略提供了线索。有些问题可以通过“启发法”来解决，虽然有时背离直觉，但却可以展示何时、以及如何来追求创新。
[启发法：heuristics，是一种逐次通近最优解的方法。这种方法对所求得的解进行反复判断实践修正直至满意为止。]

1、不断探索——多臂赌博机问题

一位财力雄厚的赌徒走向一排老虎机，沉思玩儿哪一部好——这就是一个“多臂赌博机问题”。由于收益的概率分配是独特且未知的，所以这个优化问题相当复杂。赌徒的自然反应可能是专注于吐钱最多的机器。然而，更高级的解决方案，比如Gittins Index，会将尝试其它机器所得到的信息也计入收益当中，它们或许会在未来创造价值。在实际中，这一策略平衡了对收益最大选项的“开发”（exploitation），以及对其它所有选项的“探索”（exploration）——重点是，不要将所有资源都用于“开发”。
[多臂赌博机问题：multi-armed bandit problem，也称为顺序资源分配问题]
就像老虎机一样，商业领域中，潜在创新的真正价值也是不确定的，所以将注意力放在那些短期收益最大的项目身上，会很有吸引力。 然而，为了最大限度地提高长期绩效，领导者始终应保留一些资源来探索替代产品，不管它们的业务正处于生命周期的哪个阶段。

2、以广泛搜索为先——旅行商问题

一位卡车司机从某城市出发，将包裹运送到100个不同城市，并回到出发地，怎么规划路线效率最高？这就是“旅行商问题”，数十年来令数学家们不胜困扰。难点在于，在你作出某个选择之前（从哪个城市出发），你是无法分析的。因为该问题的可行解是所有顶点的全排列，随着顶点数的增加，会产生组合爆炸。
[旅行商问题：Travelling Salesman problem，又叫做“旅行推销员问题”、“货郎担问题”，是最基本的路线规划问题]
一些针对这些问题的最佳执行算法，如禁忌搜索和模拟退火，首先在选项中进行广泛搜索，而不是先确定一个可能不是最佳的解决方案。这些方法在评估了广泛的选项后才缩小范围，找到一个特定的解决方案。
同样，企业领导人在探索创新时，也应该从广泛的搜索开始，在潜在的选项空间里“大步走”，只有当找到最佳方向时，才用“小步走”的方式进行细化。

3、拥抱随机性——让AI学会打Atari 2600游戏机

2015年2月，Google在《自然》杂志上发表论文，描述了如何让电脑自己学会打Atari 2600电子游戏。Google算法的输入只有游戏图像与得分，在没有人为干预的情况下，电脑自己学会了游戏的玩法，并在49个游戏中的29个里打破了人类玩家的记录。
这是一个训练AI在复杂环境中实现目标的案例。这类算法被称为“进化策略”，以初始决策参数开始，在决策中加入随机变量，测试所有结果选项，选择最佳选项，并重复该过程。它会得出一个基于人类直觉不可能被设计出的策略，但的确会产生更好的结果。
在各个业务层面做决策时，领导者应加入一些随机变量，测试其结果，而不是过分依赖分析和直觉来设计解决方案。