逐字稿

Hello 大家好，今天要跟大家講，我在看孫宇晨他的四個小時的 Podcast 的時候，講到一個秘書問題，我覺得很有趣。

那這問題其實我之前也研究一段時間了。它教你在做人生中的一些重大決策的時候，一個比較好的、數值化的思考方式。

秘書問題：當場決定，不能回頭

那這問題是這樣子。一個老闆你要聘秘書，你在當下就要立刻做決定，你要他不要他，而且不能回頭。你不能說，你現在不要他，但之後覺得他還是不錯的，再把他招回來。

在這情況下，你有 10 個 candidate，那你怎麼樣才有機會，能夠 hire 到最好的那個秘書 candidate。

37% 法則：前三、四個只看不選

那數學家已經解決了這個問題，叫做 37% 的法則。

簡單講就是，選前三個或前四個秘書的時候，不管他好或不好，你都不能 hire 他。那等到你收集完前三個、前四個，他的那個標準，以及他的能力之後，接下來的，從第四個到第十個，只要超過之前前三個標準的話，直接就 hire 他。

那這個做法的話，如果計算過，你很有機會可以獲得一個比較高的勝率。

買房、找工作、找對象，都是同一類決策

那這個問題其實很不錯，因為我們在人生中，其實有很多很重大的決策，然後基本上你沒有一些背景知識，而且你又要做一個很重大的決策，然後又沒有回頭餘地。

這個像是房子，你要找工作，像是找一個男女朋友，其實都可以拿這樣子的思維策略：先看百分之三十、百分之四十左右的 candidate，然後你再來選擇，你要用哪一個。

有了 AI，這個問題能不能調整

但是，我們現在要講的事情是，在 AI 的時代，如果有了 AI 的幫助，我們是不是能夠調整這個問題，然後讓我們更快做決策，增加我們的勝率呢？

那其實我覺得，在新的時代、AI 時代，秘書問題它是有機會能優化的。

為什麼以前要花 30% 到 40% 建立 benchmark

那主要是考量到，秘書問題，我們前面要花百分之三十、百分之四十的時間，來 set up 這個 benchmark，最主要原因是因為我們不懂它。

舉例，像我不了解這一區域的房子，然後它的市價是多少，這些相關的一些基本資訊。

但其實這些資訊，有了 AI 的幫助，基本上可以在幾分鐘內，就能夠獲得。

benchmark 的成本能不能降到零

有了 AI 的幫助，其實秘書問題，我們在前面 benchmark 想要花的成本，那百分之 37 的成本，肯定是可以降低很多。

但是它是不是能夠降低到零？完全不做任何的 benchmark，完全靠 AI 給資訊，就當作直接 set up 這個 benchmark，直接來做決策呢？

通常也不建議這樣做。

AI 拿得到的，只有紙面上的 factor

因為 AI 它能夠獲得的相關的資訊、相關的 factor，其實都是所謂的紙面上的 factor。你可以想像成，數位能夠收集到的資訊，現在 AI 基本上都可以拿得到。

但是在做一些相關的決策的時候，還是有很多的因素，是紙面拿不到的。

我舉個例子，像房子這邊的話，我們可以很輕鬆知道它在哪一區域，它附近的成交價是多少，然後實價登錄是多少。但有一些資訊，像什麼採光，像附近的鄰居，這類的東西，AI 其實很難幫你做決策，或它很難收集到讓你信服的資訊。

所以這個時候，我們發現到，其實還是需要有一定比例的 benchmark 的支出，但是絕對不是 37%。

我自己抓的比例：5% 到 10%

目前，我自己的人生中的一些相關決策，有了 AI 的輔助的時候，我依舊還是會留自己 benchmark 的相關的時間跟成本。

我自己抓的比例，目前會是 5% 到 10% 之間。

那我跟 AI 討論過，他們認為說，其實在有足夠的相關的資訊，而且它的數位跟紙面落差如果 20% 到 30% 的話，5% 其實是一個很不錯的數字。它能夠幫助你更快的找到比較好的 candidate，並且降低所謂的等待，或是 benchmark 的成本。

很多決策模式，是建立在以前的資訊差上

所以想要跟大家今天講的最主要的東西就是，之前有很多的決策的模式，它是基於以前的世界的、所謂的資訊差，很多資訊是無法理解的，所以我們需要秘書問題的相關的一個 benchmark 時間。那這些其實就是所謂的機會成本。

如果有了 AI 之後，我們是不是有很多的決策模型，是可以重新改變、調整它的思維方式，或者調整它的一些相關的參數的。

我相信現在比較被認為是 best practice 的一些決策的方式，都很有可能因為 AI 來做一些相關的變化。

所以非常建議大家，除了把 AI 拿來做相關的自動化，或是降低一些相關的雜事，也去思考一下，它能不能 improve 你人生的這種決策，或是你的商業上的決策，能不能增加你的勝率，或是降低你的選擇時間。

那這都是一個可以發展的方向，而且我認為它很有可能可以幫助到你。

這是我今天要講的東西，謝謝大家。

編按： 影片是即席講的，以下四點補上影片裡沒講清楚的地方。

  • 37% 法則的精確版本。 秘書問題（Secretary Problem）的標準解是先觀察前 1/e（約 37%）的人選。10 個人選時就是先看 3 個，照這個做法，選到最好那一個的機率是 39.9%。這題 1960 年由 Martin Gardner 在《Scientific American》專欄介紹給大眾，1961 年統計學家 Dennis Lindley 發表第一個完整解法。
  • 「落差 20% 到 30%」不是算出來的條件。 影片中這句是口頭的概略說法，不是計算出來的條件。5% 到 10% 是講者自己目前的抓法，不是研究結論。
  • 錄影後補跑的模擬。 用一個自設的簡化模型（30 個選項、目標是選到前 10%）跑出來的結果是：完全不靠 AI、先看 8 個，約 63%；先用 AI 摸熟行情、再實地校準 2 個，約 76% 到 81%；只靠 AI、完全不校準，在紙面和現場落差大的情況下約 52%，比不用 AI 還低。模型是自己設的，數字看方向就好。
  • 這些數字都不是決策標準。 現實裡能不能反悔、你要的是第一名還是夠好就行、人選的池子會不會變，都會讓比例不一樣。影片要講的是「有了 AI，舊決策模型的參數值得重算」這個思考方式，不是 5% 這個數字。

常見問題 Q&A

Q: 秘書問題（Secretary Problem）和 37% 法則是什麼？

秘書問題是最佳停止（Optimal Stopping）的經典題目：人選一次面一個，面完要當場決定錄不錄取，拒絕了不能回頭，目標是選到最好的那一個。解法是前 37%（數學上是 1/e）只看不選，把其中最好的當標準，之後第一個贏過標準的就錄取。10 個人選時是先看 3 個，選到最好那一個的機率是 39.9%。

Q: 有了 AI 輔助，做重大決定前還需要先觀察嗎？

需要，但比例可以降。37% 的觀察期是用來彌補「不懂行情」，而成交價、實價登錄這類紙面資訊，AI 幾分鐘就能整理出來。採光、鄰居這些要到現場才知道的資訊，AI 拿不到，所以觀察期不能降到零。講者自己的抓法是先用 AI 把行情摸熟，再留 5% 到 10% 實地校準。用自設的簡化模型模擬 30 個選項、目標選到前 10% 的情況：不靠 AI、先看 8 個，約 63%；AI 加實地校準 2 個，約 76% 到 81%；只靠 AI 不校準，在紙面和現場落差大時約 52%。

Q: 37% 法則可以直接套用在買房、找工作上嗎？

不建議直接套數字。37% 的前提是不能反悔、非第一名不可、人選數量固定而且事先知道。現實裡錯過的房子可能還在、買到夠好的房子也可以接受、人選的池子會變，每一項都會讓最佳比例不一樣。比較實際的用法是把它當成思考框架：先建立標準再出手，並且在動手之前，先用 AI 把查得到的行情查完。

延伸閱讀