●特別說明 本書第一、二版與本版（第三版）中文書名相同，內容沒有增加，本版主要再行修潤與校對。
遠比賽局理論更強大、更全面的決策思維！
亞馬遜書店一上市，直取「電腦科學類」暢銷榜第1名，
並擠下《快思慢想》榮登「認知科學類」暢銷榜第1名，
出版多年，長踞「商務決策與問題解決類」榜單Top 50。
2017年「台灣人工智慧年會」暨「台灣資料科學年會」紀念贈書
《麻省理工學院技術評論》年度最佳書籍，亞馬遜書店年度最佳科學書籍
【亞馬遜書店數千則讀者肯定，給予平均４．５顆星超高好評！】
＊＊＊
說到演算法，你想到的是政府和大企業如何利用數學模型算計你？
其實，演算法的本質是「解決問題的一連串步驟」，它長期為各領域帶來洞見與重大變革，還能幫助個人跳脫盲點與錯誤直覺。
說到電腦，你認為它冰冷且毫無彈性，思考方式跟人腦南轅北轍？
事實上，我們面臨的許多挑戰，源頭跟電腦科學家的困擾一樣，因此電腦解決問題的方式，能在極大程度上與人們的作法融合。
為什麼電腦科學家說，賽局理論「奈許均衡」的地位言過其實，「現代投資組合理論」也不是資產配置的好建議？本書訪問近五十年來最知名演算法的設計者，了解他們如何教電腦發揮最大效用，自己又從中學得什麼生活智慧，內容顛覆你對於「合理」的看法，眾多讀者大推：「真是過癮！」
書中各章以日常問題開場，釐清它們的演算結構後，探討研究者找出什麼解決方案，以及這些方法對學術、產業及個人生活帶來什麼幫助，像是：
►證明「所有雙人賽局至少有一個均衡狀態」的奈許均衡，讓約翰．奈許拿下了諾貝爾經濟學獎，但它的地位可能言過其實。為什麼？（賽局理論）
►自動駕駛汽車能改善交通阻塞，打造交通天堂？你可能要失望了。現在自私駕駛人各行其是的情形其實已接近最佳狀態。（賽局理論，自主行為代價）
►棉花糖實驗證明了意志力對日後的成就有深遠影響？事情沒這麼簡單。抵擋得住誘惑的另一個關鍵可能是「期望」……（貝氏法則）
►以現代投資組合理論榮獲諾貝爾經濟學獎的馬可維茲，居然把自己的退休金平均投資在債券和股票上！這未免太不聰明了？未必。（過度擬合）
►2010年5月6日，美國股市發生閃電崩盤，短短幾分鐘內有幾家公司股價飆漲、另幾家則直線崩跌，這是怎麼回事？（賽局理論，資訊瀑布）
►你打算在十八歲到四十歲期間覓得人生伴侶，那麼幾歲時選定的對象可能最好？（最佳停止點，37％法則）
►紙本資料用完隨手往旁邊疊，既沒條理又沒效率？不，根據演算法原理，這是目前已知最精良、效率最佳的資料結構。（快取）
►什麼情況下，隨便挑一封電子郵件回覆，會好過先回覆最重要的郵件？（排程，往復移動）
►為什麼玩吃角子老虎時，贏錢繼續玩同一台是好策略，但是輸錢就換一台則太過輕率？（開發與善用）
電腦科學還能協助我們清楚劃分哪些問題有明確解答、哪些則無，從而選擇自己要面對什麼，以及要讓其他人面對什麼，從而增進雙方互動的效率。
（更詳盡的內容介紹可參閱目錄引文）
名人推薦
▎推薦人士與各界好評——
洪士灝／台灣大學資訊工程系教授
賴以威／數感實驗室共同創辦人
林錦宏／高醫大心理系助理教授
鄭國威／泛科知識公司知識長
黃貞祥／清華大學生命科學系助理教授
雷浩斯／專職投資人及投資講師
（「得到」說書App萬維鋼老師書評介紹《指導生活的算法》 ）
►我一直期待有書能把運算模型和人類心理學結合起來，這本書遠超乎我的期望，寫得精彩極了，而且淺顯易懂，讓所有讀者都能輕鬆理解掌控世界運作的電腦科學，更重要的是，了解電腦科學對我們的生活有何影響。
——《大腦解密手冊》作者伊葛門
►非常出色。除了行文中解釋的電腦科學對於個人和管理都很實用，本書也是演算法和電腦科學以及作者所稱的「運算的斯多葛派」和「運算的善意」這種哲學論述的極佳入門書。
——科技網站Boing Boing創辦人柯利‧多克托羅：
►精彩有趣而且提供許多實用建議，告訴我們如何更有效率地運用時間、空間和心力，寫得趣味橫生。
——《為什麼我們這樣生活，那樣工作》作者查爾斯‧杜希格
►深入淺出又有趣，讓人讀得欲罷不能。我們都聽說過演算法威力強大，但《決斷的演算》深入淺出地解說它們的運作方式，以及我們可以如何運用它們，在日常生活中做出更好的決定。
——《搖籃裡的科學家》作者之一艾莉森‧戈普尼克
►年度必讀大腦類書籍。這是一本以學術研究為基礎，又可應用在實際生活上的好書。作者探討的演算法在生活上的實用程度，超乎我的預期，值得好好研讀。
——《富比世》雜誌
►我超迷這本書！年輕學生學數學時常說：「數學有什麼用？實際生活上又用不到！」這本書就是最好的答案。書中的概念，無論是37%法則的相對單純性或賽局理論中讓人費解的機率，都相當實用，而且寫得十分有趣，大推！
——《大眾科學》雜誌英國版
►眾多讀者好評：醍醐灌頂！我學的是經濟，讀了這本書之後超想去讀個電腦科學學位。可以的話，我想給這本書十顆星。／好驚人的書，它改變我對許多真實日常問題的看法。／了不起的書。不論是一般人或高科技迷都會讀得津津有味。／很有意思。讀完這本書過了幾個月，我還不時想到它，它提供了很棒的觀點看待世界。／有趣極了，我已經借給好幾個同事讀。／超讚。我重讀這本書好幾次，裡頭有很多很棒的資訊！／真是過癮！
►眾多讀者好評：
醍醐灌頂！我學的是經濟，讀了這本書之後超想去讀個電腦科學學位。可以的話，我想給這本書十顆星。／好驚人的書，它改變我對許多真實日常問題的看法。／了不起的書。不論是一般人或高科技迷都會讀得津津有味。／很有意思。讀完這本書過了幾個月，我還不時想到它，它提供了很棒的觀點看待世界。／有趣極了，我已經借給好幾個同事讀。／超讚。我重讀這本書好幾次，裡頭有很多很棒的資訊！／真是過癮！
作者
作者／
（1）布萊恩‧克里斯汀（Brian Christian）
布萊恩‧克里斯擁有布朗大學和華盛頓大學的哲學、電腦科學和詩歌學位，現在是加州大學柏克萊分校的訪問學者。他個人還著有Most Human Human，亦由行路出版翻譯引介，初版中文書名為《人性較量：我們憑什麼勝過人工智慧？》，這本書為《華爾街日報》暢銷書、《紐約時報》與《紐約客雜誌》年度推薦圖書。他還有眾多作品散見於Wired、《紐約客》雜誌、《大西洋》雜誌、《華爾街日報》、《衛報》和《巴黎評論》等，以及《認知科學》等科學期刊，曾被翻譯為十一種語言。他現在住在舊金山。
（2）湯姆‧葛瑞菲斯（Tom Griffiths）
湯姆‧葛瑞菲斯曾擔任加州大學柏克萊分校心理學和認知科學教授，現在是普林斯頓大學心理學與電腦科學教授，亦是該校的運算認知科學實驗室主任。他對於收集與分析資料的新方法（尤其是大數據）如何改變心理學研究，很感興趣，曾經發表數百篇科學論文，領域包含認知心理學和文化演變等。此外，葛瑞菲斯曾榮獲美國國家科學基金會、斯隆基金會、美國心理學會以及實驗心理學會等機構獎項。他現在住在紐澤西州的普林斯頓。
譯者／甘錫安
由科學界踏入「譯界」，現為專職譯者。曾擔任Discovery頻道與資訊雜誌編譯，現仍定期為《科學人》與《BBC知識》等雜誌翻譯。書籍譯作包括《成分迷思：解讀健康新聞的10堂通識課》、《暗池：人工智慧如何顛覆股市生態》與《因果革命：人工智慧的大未來》等書。目前住在有山有海有美食的台灣頭基隆，熱愛吸收各類知識，正努力朝「全方位譯人」的目標邁進。
目錄
◎前言：為什麼我們能跟電腦學決策？
演算法的本質是「解決問題的一連串步驟」，人類面臨的許多挑戰跟電腦是一樣的：如何運用有限的空間、有限的時間、有限的注意力、未知的事物、不完整的資訊，以及無法預知的未來，並且如何輕鬆而自信地做到；以及如何在此同時與其他目標相同的人溝通。人類和電腦的解決方式融合程度極高，電腦科學不只能協助我們簡化問題以取得進展，甚至能提供具體的解決方法。本書將介紹前述難題的基本數學結構，以及工程師如何教電腦發揮最大效用，並了解人腦如何克服相同限制。作者訪問了近五十年來最知名演算法的設計者，談談他們的研究對自己的人生有何影響，以及他們怎麼將所學用於生活。
◎第一章 最佳停止點——什麼時候該見好就收？
►祕書問題 ►為什麼是37％？ ►把握最佳伴侶
►孰優孰劣一目了然──完全資訊賽局 ►什麼時候賣出房子最好？
►什麼時候該停車？ ►何時應該見好就收？ ►隨時準備停止
盡量羅列選項，小心權衡後選出最好的一個，才是理性決策？實際上由於時間有限，決策過程最重要的面向是：何時應該停止。聘人、租屋、找車位、賣房子，以及尋覓伴侶和投資獲利時見好就收等，都是要在選項逐一出現時做出最佳選擇，它們真正困擾人的是可以考慮的選項有多少。依各狀況條件不同（比如能否吃回頭草、是否有明確標準），這章解釋了37％法則、思而後行法則、臨界值法則等，教你如何避免太早決定或找太久，以及何時該降低或提高標準、還有標準該調整多少……
◎第二章 開發與善用——嘗試新歡？還是固守舊愛？
►開發與善用 ►把握時間 ►贏錢繼續玩、輸錢換一台
►吉廷斯指數 ►遺憾與樂觀 ►網路上的土匪
►用演算法審視臨床試驗 ►變化不定的世界
►開發…… ►……以及善用
開發是蒐集資料，它能提高發現最佳選擇的機會；善用則是運用現有資訊，取得已知的良好結果，兩者各有利弊。人們大多把決策視為彼此孤立，每次分別尋找期望值最高的結果。其實決策極少是孤立的，如果你思考的是日後面對相同選項時要怎麼做，那麼權衡是要開發還是善用，就非常重要。本章以電腦科學中最能體現這兩者之矛盾，名稱取自吃角子老虎機的「多臂土匪問題」，闡述應該如何隨時間而改變目標，並且說明為何合理的行動過程多半未必會選擇最好的目標。
◎第三章 排序——依照順序排列
►排序的大用處 ►排序的苦惱 ►大O記號──衡量最差狀況的標準
►兩種平方：氣泡排序和插入排序 ►破除平方障礙：各個擊破
►比較之外：贏過對數 ►亂得有理─照順序排好之後，要幹嘛？
►名次未必反映實力──運動賽事裡的演算法
►排序效率差的價值──穩固 ►血腥排序：啄序和優勢階級
►以競賽取代打鬥
排序對於處理各種資訊都十分重要。電腦科學家經常要權衡「排序」和「搜尋」兩者，這項權衡的基本原則是：花心力排序資料，目的是讓我們日後不用花費心力搜尋資料。於是這個問題變成：如何事先評估資料未來的用途？電腦科學指出，混亂和秩序造成的危險都可以量化，它們的成本都能以「時間」這個基準來呈現。Google搜尋引擎之所以強大，其實是拜預先排序之賜；但對於另外一些狀況，保持混亂往往更有效率。另外討論演算法的最差情況表現（以排序而言是「最差完排時間」），可以讓我們確定某個程序能在期限內完成，排定運動賽程便是一例。
◎第四章 快取——忘掉就算啦！
►把常用的東西放在手邊──記憶體階層
►把隔最久才會再用的資料剔除──貝雷迪演算法
►把圖書館內外翻轉 ►街底的那片雲──距離非常重要
►家中的快取──收納空間
►關於書面資料怎麼歸檔，收納專家大多說錯了
►為最可能用到的東西騰出空間──遺忘曲線 ►經驗的反效果
你的收納問題其實與電腦管理記憶體時面臨的挑戰類似：空間有限，要如何既省荷包又省時間？快取的概念是把常用資料放在手邊備用，快取裝滿時為了騰出空間放新資料，得剔除一些舊資料——但剔除哪些好呢？電腦科學家探究了「隨機剔除」、「先進先出」（先剔除最舊的）以及「最近最少使用法」等，甚至發展出能預測未來並執行已知最佳策略的演算法。這方面的研究啟發了亞馬遜書店的「預測包裹寄送」專利，還扭轉了心理學家對於人類記憶的看法。
◎第五章 排程——優先的事情優先處理
►「花時間」如何成為一門科學 ►如果「在期限內完成」最重要
►要是「劃掉待辦清單上越多項目越好」
►先搞清楚用什麼標準來評量成果
►腳麻掉是要怎麼逃！──優先權反轉與優先權約束
►第一道障礙 ►先擱下手上的事──占先與不確定性
►讓其他工作插隊的代價──上下文交換
►忙到變成在空轉──往復移動
►錯過這次，就等待下回─中斷接合
重要且緊急、重要但不緊急、不重要但緊急、不重要但不緊急……，時間管理大師總教人照這順序處理事情，但電腦科學家會要你先搞清楚「用什麼標準來評量成果」。是在期限內完成最重要？還是盡量縮短讓客戶等待的時間？抑或劃掉待辦清單上越多項目越好？不同的評量標準得採用不同的作業策略。本章還用電腦的「上下文交換」探討讓其他工作插隊的代價，用「往復移動」提醒忙到變成在空轉的徵兆；並告訴你如何在「反應能力」和「處理能力」間取捨，為何有時完成工作的最佳策略反而是慢下來。
◎第六章 貝氏法則——預測未來
►與貝斯牧師一起逆向推理 ►拉普拉斯定律
►貝氏法則和事前看法 ►哥白尼原理 ►當貝斯遇見哥白尼
►真實世界的事前機率…… ►……以及預測它們的規則
►小數據與心靈 ►我們的預測如何讓我們認識自己
►機械複製時代中的事前分布
十八世紀的英國，賭博這個領域不僅深深吸引傑出數學家，也吸引了牧師湯瑪斯．貝斯，他由於研究彩券的中獎率，而對於「在不確定下進行推測」的歷史帶來重大影響。他認為由過去的假設狀況進行正向推理可提供基礎，讓我們逆向推出最可能的答案。其他科學家繼續研究預測事情的各種方法，像是：如何把各種可能假設狀況濃縮成單一期望值、根據事件類型提供適當的事前機率。其實我們腦中已儲存許多精確的事前分布，因此經常可由少量觀察結果做出不錯的預測，換句話說，小數據其實是偽裝的大數據。
◎第七章 過度擬合——少，但是更好
►考慮得更複雜，卻預測得更不準 ►資料的偶像崇拜
►舉目所見盡是過度擬合 ►揪出過度擬合─交叉驗證
►如何對抗過度擬合──懲罰複雜 ►少就是好─試探法的優點
►歷史的權重 ►什麼時候應該少想一點？
談到思考，我們往往覺得想得越多越好：列出的優缺點越多，做出的決定越好；列出的相關因素越多，越能精準預測股價。實際上統計模型倘若太過複雜，使用過多參數，會太容易受我們取得的資料影響，可能隨參與者不同而出現大幅差異。這就是統計學家說的過度擬合（又譯為過度配適）。機器學習的一大重要事實是：考慮因素較多、比較複雜的模型，未必比較好。這章演示了過度擬合如何扭曲我們對資料的解讀，點出日常生活中俯拾皆是的過度擬合事例，並且教你如何藉由交叉驗證等方法揪出過度擬合（像是怎麼分辨真正的人才和僅是懂得揣摩上意的員工？）並且對抗它。
◎第八章 鬆弛——放鬆點，不求完美才有解
►最知名的最佳化問題─業務員出差問題
►量化難度──用「不可能程度」來解答
►放鬆問題，提供解題的起點 ►無限多的灰階：連續鬆弛法
►拉氏鬆弛法──只要你願意付出點代價 ►學習放鬆
(節錄)
序／導讀
◎前言：為什麼我們能跟電腦學決策？
想像你正在舊金山找房子。這城市可說是全美最難找到房子的地方，有繁榮的高科技業，加上嚴格的分區使用法規，因此房價跟紐約一樣昂貴，很多人認為甚至不輸給紐約。新物件出現沒多久就下架，房地產公開說明會人山人海，往往得私下先塞訂金支票給屋主才買得到。
由於市場如此熱絡，很難容許理性消費者先蒐集資料，深思熟慮後才下決定。四處閒逛或透過網路買屋的人，可以比較許多選擇後再下決定，但想在舊金山買房子的人，要不就買下眼前這棟房子，拋下其他選擇，要不就馬上走人，不再回頭。
為了簡化起見，我們姑且假設你只想盡可能提高買到最好房子的機率。你的目標是把在「錯過好機會」和「說不定還有好機會」之間徘徊的機率降到最低。你立刻發現自己陷入兩難：如果沒有判斷基準，要怎麼知道某棟房子是不是最佳選擇？但如果看過的房子不夠多，又怎麼知道判斷基準在哪？你取得的資訊越多，越能掌握真正的好機會，但在此之前錯過好機會的機率也越高。
那麼你該怎麼做？倘若蒐集資訊反而可能不利，那麼該如何做出明智決定？這種狀況十分殘酷，簡直可以說是矛盾。
大多數人面臨這類問題時，直覺上通常認為必須在取捨間取得某種平衡，得看過夠多的房子才能建立標準，再依據標準找出想要的房子。這種權衡概念非常正確，然而大多數人沒辦法明確說出平衡點在哪。所幸這確實有明確答案：
是37％。
如果你希望達成買到最佳房子的最佳機率，請把總時間的37％拿來看房子（如果打算花一個月找房子，那就是十一天）。把清單留在家裡，單純用來設定標準。但是花了37％的時間後，就要準備出手，只要一發現比已經看過的房子更好的選擇就買下來。這不只是尋找和放棄之間的平衡點，也是經過驗證的最佳解決方案。
我們之所以知道答案，是因為找房子屬於數學中的「最佳停止問題」。37％法則定義出一連串解答這類問題的簡單步驟，電腦科學家稱之為演算法。其實最佳停止問題可以用來解決生活中的許多狀況，找房子只是其中一例。生活中我們經常遇到選擇或放棄一連串選項的情形，比方說：要在停車場繞幾圈才找得到車位？投資高風險事業要多久才會開始回收？賣房賣車時要忍耐多久才能等到更好的價錢？
還有一種更難抉擇的狀況亦屬此類問題，那就是約會。最佳停止是連續單偶制的科學原理。
簡單的演算法不僅能協助你找到好房子，還適用於遭遇最佳停止問題的各種狀況。
我們每天都在跟這類問題纏鬥不休（只不過比起停車，詩人花比較多墨水描述愛情的磨難），有些狀況也真的很折騰。但其實沒必要這麼糾結，有些問題數學已經解決了。心急如焚的房客、駕駛人和忐忑不安的求婚者，其實都沒必要煩惱；他們不需要治療師，只需要演算法。治療師可以教他們如何避免過於衝動和過度思考；演算法則能明確告訴他們，這個平衡點就是37％。
＊＊＊＊＊＊
由於我們生活的空間和時間都有限，每個人都遭遇到一類問題。在一天或十年中，我們應該做什麼、或應該不做什麼？應該容忍什麼程度的混亂？什麼樣的秩序算是過度？新事物和心頭好各佔多少比例，才能使生活最讓人感到滿足？
似乎只有人會面臨這類問題？其實不然。半個多世紀以來，電腦科學家一直在探究這類日常困境，有時還試圖解決，像是：處理器該如何分配它的「注意力」，以最少時間執行使用者要它做的工作，同時盡量少做白工？它什麼時候應該轉而處理不同工作，一開始又應該接受幾項任務？怎麼運用有限的記憶體資源最好？它應該蒐集更多資料，或是依據已有的資料採取行動？
人類要把握每一天已經很不容易，電腦卻能輕鬆寫意地把握每一毫秒。電腦的工作方式可以帶給我們許多啟發。
討論演算法對人類生活有何助益似乎有點奇怪。說到「演算法」，許多人想到的是大數據、大政府和大企業神祕難解的算計，這類算計在現代世界基礎建設中的比重越來越大，但稱不上實用智慧或人生指南。不過演算法其實是解決問題的一連串步驟，而且範圍比電腦更廣，歷史也更悠久。早在機器使用演算法之前，人類就開始使用它們了。
「演算法」這個詞，源自撰寫手算數學書的九世紀波斯數學家阿爾花拉子模（al-Khwārizmī）。他寫的書名為《還原和對消的規則》（al- Jabr wa’l-Muqābala），其中的al-jabr後來演變成代數（algebra）。然而目前已知最古老的數學演算法，其實早於花拉子模的著作。有一塊巴格達附近出土、歷史長達四千年的蘇美黏土板，上頭就記載了長除法。
不過用得上演算法的領域不只數學。你參考食譜做麵包、依照圖樣打毛衣，或是以一定方式用鹿角末端敲擊燧石，在燧石上形成尖銳邊緣（這是製作精細石器的重要步驟），都是依循演算法在做事。早從
石器時代開始，人類科技中就蘊含著演算法。
＊＊＊＊＊＊
本書將探討人類演算法的設計概念，也就是：針對每天面臨的挑戰尋找更好的解決方案。把電腦科學解決問題的方法套用到日常生活上，會影響許多層面。首先，演算法能提供實用且具體的建議，協助解決特定問題。最佳停止問題告訴我們，何時該大膽跳過、何時又該留意機會。開發與利用取捨告訴我們，如何在嘗試新事物和享受喜愛的事物間找到平衡點。排序理論教我們如何（以及是否應該）整理辦公室。快取理論教我們如何把物品收進櫥櫃。排程理論則教我們如何安排工作。
到了下一個階段，電腦科學告訴我們一套字彙來了解這些領域中更深入的原理。卡爾．薩根（Carl Sagan）曾說：「科學不只是知識，更是一種思考方式。」即使是混亂得難以進行嚴謹數值分析或有現成答案的狀況，運用直覺和化簡問題後加以思考所得到的概念，也能讓我們了解關鍵問題並獲得進展。
更廣泛地說，以電腦科學的眼光看問題，有助於我們了解人類心智的特質、合理性的意義，並且探究一個最古老的問題：人類如何求生。把認知當成「解決環境造成的基本運算問題的方法」仔細探討，可能徹底改變我們對人類理性的看法。
就算電腦科學真能教我們如何思考以及該怎麼做好了，但我們想照著做嗎？看看科幻片裡的人工智慧和機器人，你該不會真的想要像它們那樣過活吧？說到研究電腦內部運作可能教我們如何思考、下決定、該相信什麼以及怎麼做好，許多人不只會把它想得太簡單，實際上是會想錯方向。
部分原因是，說到電腦，我們想到的是冰冷的機械化確定性系統——機器套用死板的演繹邏輯，點滴不漏地羅列所有選擇，琢磨出正確答案，無論必須思考得多久、多辛苦。的確，最早構思出電腦的人就希望電腦是這樣：艾倫．圖靈（Alan Turing）定義中的運算就像數學家一樣，仔細執行一連串冗長運算，得出萬無一失的正確解答。
因此說來你或許會驚訝──現代電腦面臨難題時，其實不是這麼做的。當然，直截了當的計算對現代電腦而言輕而易舉。跟人類交談、修復損壞的檔案或下贏一盤圍棋等，這類沒有明確規則、缺少必要資料，或是必須考慮多如繁星的可能才能找出正確解答的問題，才是電腦科學最大的挑戰。研究人員為了解決極端困難的問題而開發的演算法，已經使電腦不再需要依賴繁重的計算。相反地，執行實際工作必須接受機率，以時間換取精確性，還要懂得運用近似法。
電腦解決真實世界問題的能力越來越強，不僅提供演算法給人運用到生活上，還定下更好的標準讓我們得以比較人類認知本身。近十幾二十年，行為經濟學主張：人類既不理性又容易犯錯，主因是人類大腦結構缺陷重重且各不相同。這個妄自菲薄的說法日益流行，但仍有些問題有待探討。舉例來說，為什麼即使是四歲小孩，執行視覺、語言和因果推論等認知任務時，
依然能超越超級電腦？
電腦科學衍生的日常問題解決方案，則對人類心智提出完全不同的看法。它們認為生活本就困難重重，人們犯下的錯誤透露的，是問題本身的困難之處，而非人類大腦不可靠。用演算法思考世界，學習我們所面
臨的問題的基本結構、以及其解決方案的屬性，能讓我們了解人類其實已經很了不起，同時更加理解我們所犯的錯。
事實上，人類經常面對電腦科學家傷透腦筋的許多難題。我們經常得克服不確定性、時間限制、資訊不足和變動快速的世界，做出決定。對於當中的某些情況，即使是最尖端的電腦科學，也還沒找出高效率又永遠正確的演算法；而某些情況則根本不存在這樣的演算法。
然而即使在尚未找到完美演算法的領域，一代代電腦科學家和棘手真實世界問題纏鬥多年後，也得出了許多心得。這些得來不易的規則違反我們心目中的合理性，聽起來也不像數學家描述世界的那些條理分明的嚴密規則。這些規則說：不一定要考慮所有選擇，不一定非得追求看來最好的結果，偶爾可以製造混亂。看到紅綠燈就等一下。相信直覺，別思考太久。放鬆，拋個硬幣。寬恕，記住這個教訓就行。誠實對待自己。
依據電腦科學知識過生活說來沒那麼糟，何況它有證據支持─許多忠告可是無憑無據呢
＊＊＊＊＊＊
設計供電腦使用的演算法，原本就是介於兩個學科之間的專業──它是數學與工程學的奇特混合體，因此設計供人類使用的演算法自然也沒有明確隸屬哪個學科。今天，演算法設計不僅必須藉助電腦科學、數學和工程學，還要藉助統計學和作業研究等。我們思考為機器設計的演算法與人類心智的關聯時，也需要參考認知科學、心理學、經濟學和其他學科。
我們作者都很熟悉這個跨學科領域。布萊恩念過電腦科學和哲學，念研究所時主修英文，後來的工作則跨這三個領域。湯姆念的是心理學和統計學，後來成為加州大學柏克萊分校教授，花很多時間研究人類認知和運算間的關係。不過沒有人通曉為人類設計更佳演算法的所有相關領域，因此我們在尋找過好生活的演算法時，訪問了近五十年來最知名演算法的設計者。他們個個頭腦頂尖，我們問他們，他們的研究對自己的人生有何影響，例如尋找配偶到整理襪子等等。
從下一章開始，我們將探討電腦和人類面臨的最大挑戰：如何運用有限的空間、有限的時間、有限的注意力、未知的事物、不完整的資訊，以及無法預知的未來，並且如何輕鬆而自信地做到；以及如何在此同時
與其他目標相同的人溝通。我們將會了解這些難題的基本數學結構，以及工程師如何教電腦發揮最大效用（他們的方式往往出乎意料）。我們還將了解人腦如何運作，了解它如何處理相同問題和克服相同限制，這些方法與電腦的方法不同卻關聯極深。最後，我們不僅將深入了解各類日常問題、以全新方式觀察人們遭遇的各種困境背後的美麗結構、認識人類和電腦的解決方式融合程度極高，還將獲得更深刻的東西──我們會有描述周遭世界的新語彙，並且有機會重新認識自己。
