讀書心得－《Prediction Machines》AI經濟的策略思維(下)
前一篇文章先敘述了如何用「經濟學思維」來思考每件事，那到底要如何應用到日常生活、工作與其他事情上呢？
這本書告訴我們的理論，要怎麼實際運用？我們用有限的資源，要怎麼達到效用極大化的目標？我們如何決定我們的資源該如何分配，又該分配多少比例在不同的資源上？
在經濟學的思維下，決策會依照下面三個流程來做調整。
這個過程持續變化，最後變成一種新的商業模式：
- 策略的兩難或取捨必定存在：如獲利與成本之間的取捨。
- 使用AI機器，降低不確定性：從對不確定性的控制增加帶來的報酬，持續權衡獲利與成本。
- 當預測非常便宜，可以將不確定性縮減到足以改變策略兩難的既有平衡
其實最簡單的答案當然就是把錢花在CP值最高的地方啊！現在，AI工具－「預測機器」的CP值已經越來越高了，我們可以花費更少的成本，得到更高性能的商品－數據，幫助我們做出更好的預測。
為什麼我們會需要做預測？
預測是把我們缺少的資訊填補起來的過程，在面對不確定性時，我們需要思考所有面向可能帶來的結果，並做出選擇。如果我們能擁有越多跟預測相關的資訊，我們就可降低不確定性帶來的風險。
想一想過去我們是如何做預測的？憑藉著過去的經驗或是統計數據，但是這些方式還是有不足之處。因為錯誤的選擇造成的損失太高，所以我們想要憑藉著過去的經驗來做出選擇。這種方式雖然可以減少犯錯的機率，但是卻可能因為不願意嘗試新的方法，而錯過了改善的空間。另外一種局限是取得資訊的成本太高，造成資訊的不對稱，掌握更多資源的人可以拿到質量較好的資訊，沒有資源的人只能拿到質量較差的資訊。
這也是為什麼許多創新工具一開始會先從企業開始採用，因為企業的資源一定是最豐厚的。等到商業普及後，在漸漸普及到一般人都可以運用的領域。預測機器也是如此，預測機器依賴數據，越多、越好的數據可以幫助我們得到越好的預測。在科技公司蒐集大量的數據後，這些數據漸漸的可以開放給商家，甚至到個人使用，達到每個領域，每個使用者不同目標設定。
我們把預測機器視為一樣產品，隨著科技進步與規模效應等因素讓產品的供給成本愈來愈低，導致價格也可以愈來愈低，使用者對於預測機器的需求則愈來愈高。讓我們可以藉助預測機器，來降低我們花費在資訊蒐集的成本(包括金錢與時間)，並提高資訊的質量與使用效率，在商業決策或投資決策上可以產生更多的價值。
賈伯斯曾說：「真正把我們從高等靈長類區分開來的其中一件事，就是我們可以建造工具。」
我們在確認目標後，可以運用AI工具來拆解工作流程、評估預測機器的影響範圍，最後擬定企業策略。舉例來說，Amazon便可以依照預測機器來調高預測的準確度，並且重新調整公司的商業模式。以往都是顧客「購物後出貨」的流程，因為預測顧客能力提升，只要擁有足夠多的數據，以後Amazon可能在你還沒下單之前，就已經猜到你要購買什麼產品，而流程倒過來變成「出貨後購物」。
剛結束的雙十一「光棍節」活動，如此驚人的交易量，阿里巴巴又是怎麼達到快速又準確的高效率呢？之前看遠流出的《雙11：全球最大狂歡購物節，第一手操作大揭密》這本書中就有提過，阿里巴巴針對用戶的數據，預先安排把顧客可能會買的產品在雙十一之前就先運送到附近的商家，只要客戶下單就可以馬上出貨了。
所謂的新零售，已經揮別了過去產品熱銷後再大量生產的情況，而變成是在上市之前就已經透過網路與數據來進行預測。小米的策略就是如此，在推出新產品之前，都會先讓「米粉」來提出建議、改進產品，最後推出的產品一定是用戶最想要的那一款。
馬雲在新零售之後所提出的「新製造」，或是「工業4.0」也是一樣的概念。馬雲說：「數據時代考驗的是生產不一樣東西的能力，數據是未來製造業必不可少的生產資料。」也就是說，因為數據的取得與運用，製造業將會變得更加的彈性與多樣化，以前的產線，五分鐘若能生產兩千件同樣的衣服，是相當厲害的，但今後的產線，五分鐘所要生產的，是兩千件不同的衣服，更加困難。
此外，除了新型態的商業模式，企業還可以利用AI工具來拆解工作流程，更客觀與快速的找出問題的核心。
在過去，企業中的每個部門都是獨立運作、獨立思考、做好份內的事情便可。例如業務部門與生產部門之間的目標不同，若是缺乏溝通，很有可能造成整個公司的不協調，反而降低的生產效率。但是，在AI工具－不管是互聯網、數據分析－的發展之下，可以把所有的生產要素組合在一起，把個別項目結合成一個整體來看，讓管理者可以超越個別要素的優化，達到更高層次的目標優化，因而做出更貼近組織目標的決策。
福特(Ford)汽車在1980年代，面對的企業困境所採用的「企業再造工程」是一個很好的例子。當時福特的會計部門一共有500人，競爭對手買自達(Mazda)卻只有5人，卻可以擁有壓迫美國汽車業的生產力。為了改善公司的績效，福特的經理人必須退一步觀察採購的作業流程，在人和電腦之間如何取捨，人和電腦的個別優勢是什麼，如何分配人和電腦負責的工作？最後的新系統一就位，福特的會計部門就縮減75%，整個作業流程加快，並且更準確了。
不僅是企業，我們可以再把範圍擴大。只要是一個組織，都可以藉由這種方法來強化組織的能力。在《魔球》這本書中，過去球探的判斷僅限於個別球員的優缺點。但是比利·比恩改變了這個模式，他使用量化來衡量球員的整體能力值，並且預測不同組的球員組合在一起的表現了，最後決勝關鍵是「最好的組合」，而不是最好的個別球員。
這就是我們所說的「人機合作」
當AI工具的發展愈來愈完備，可以降低預測的成本、使可靠的假設條件數量增加，讓機器可以在更複雜的環境下工作，大幅縮減不確定性的存在。《快思慢想》的作者丹尼爾·康納曼在討論到「為什麼AI會比人類更有智慧」的問題時曾說：「機器人更有智慧的原因是，智慧是思考廣泛，智慧的根本是不能有太狹隘的觀點。而機器人生來就有廣泛框架，在它學習得夠多時，會比我們人類有智慧。」人類的弱點在於我們的思考狹隘，而且很容易被干擾，在此同時，我們也可以更多的依賴它們所提供的資訊，思考、並且持續練習，來做出更多好的判斷與決策。
便宜的AI工具對於我們的生活又有什麼影響？
數據帶給我們生活中的便利性無庸置疑，我們現在想要做什麼事、去哪裡玩、吃什麼美食，Google直接就可以提供我們所需要的資訊，包括地理位置、天氣、特色景點甚至口味評分，大幅提高了我們生活中的幸福程度，並且避免我們踩雷的風險。又或者，一位經營部落格的作者，藉由Facebook或網站後台所提供的數據分析，也可以了解讀者群所喜歡的議題是什麼？每天的網站流量，或是什麼時候發佈貼文最有效果？
不過，這裡我們回到開始，也就是去思考「權衡取捨」的問題。我們在生活中所得到的數據，為了提高便利性，我們是否也「捨」了其它事物，例如隱私權，你得到的數據是由共享而來，不然數據不會憑空產生。科技巨頭利用數據創造的規模經濟，逐漸築起公司堅不可破的護城河，慢慢的靠近我們權衡的那條界線，才讓我們開始關注這些公司是否開始威脅到我們的生活。這樣的爭議也是當前我們需要面對的問題，畢竟AI經濟現在只是剛開始，它的發展引導著我們未來的生活。
看完這本書，其實讓我延伸出另一個問題：
對於投資者來說，便宜的AI工具到底是利，還是弊呢？
大量且廉價的數據取得，可以促使量化交易的發展。很多人認為市場行情的大幅波動，其中的原因之一就是程式交易，在所有程式設定傾向同類型的訊號時，促使買進或賣出的連鎖效應，使市場會發生不理性的追價行為。而且如果所有程式都執行一樣的操作，那大家所賺到的點差也會縮小。
就價值投資來說，以往我們想要在市場不理性、價格錯配的情況下買入被低估的股票。過去發現這樣的機會，是因為你願意花比其他人還要多的時間去尋找、研究，確認後執行。但是，在現今資訊流通的速度越來越快，網路即時資訊與報價，使得蒐集資訊的成本大幅降低，市場反應的效率越來越高，許多人馬上就可以發現價值錯配的情況發生，當然就會擠壓了原本超額報酬的空間。
投資人現在該做的是什麼，面對市場，我們應該更謙虛。承認與面對市場環境的變化，調整自己的心態，並找出新的市場規律，以及適合市場的操作策略。
