算法之美
Algorithms to Live By · 2016
看到第几套房子该出手？去新开的餐厅，还是回熟悉的老店？桌面和柜子里的东西按什么规则摆？这类难题的共同点是：越想越纠结，选完还总怀疑自己选错。惯常的解释把它归给性格——不够果断、意志力不足、没想清楚。
Brian Christian（作家）与 Tom Griffiths（认知科学家）要拆的正是这个直觉。这类纠结靠硬想解决不了，不是因为想得不够，而是「想」本身没有终点：找房时你永远不知道下一套会不会更好，把利弊清单再列一百遍，也推不出该停在哪里。
但换一双眼睛看，这些难题会显出另一种形状：选项按顺序出现、只能看一次、错过不再来、必须在不知道后面还有什么的情况下选定一个——这在计算机科学里叫「最优停止问题」，几十年前就被证明了最优解。于是问题换了性质：不是你不够果断，而是你在用硬想的方式，做一道早已有标准答案的计算题。
全书的回答由三个部件加一个推论构成，合起来才是完整的机制。
部件一：结构同构。 别看场景，看计算结构。找房、招聘、相亲表面不同，共享同一结构（序列选项、错过不再来），都是最优停止；尝鲜还是守旧，是在有限次机会里分配「获取新信息」与「兑现已知收益」，这是探索 vs 利用；有限的手边空间放什么，是缓存问题。人生难题因此可以直接借用计算机科学的题库。
部件二：已被证明的最优策略。 题库里的答案不用你发明。最优停止的解是 37% 法则：前 37% 的选项只看不选，用来建立标准，之后第一个超过之前所有的就出手。探索 vs 利用的解取决于剩余机会数：时间还长就多探索，时间不多就多利用——年轻人爱冒险、老年人念旧，在数学上都是理性的。缓存的解是 LRU：最近最常用的放最近，所以乱桌子可能恰恰最优——常用的东西自然浮在上面。
部件三：识别替代硬想。 前两个部件接通后，理性的动作就从「更努力地想」变成「认出这是哪道题」。纠结时的正确反应不是加大思考强度，而是先做问题分类：题认对了，最优策略是现成的。
关键推论：次优的正名。 37% 法则并不保证选到绝对最好的，它保证的是在无法预知未来的约束下期望值最高。换句话说，最优策略本身就包含「适时停止、接受一个足够好的」。「没找到完美答案」常常不是你的失败，恰恰是最优算法的正常输出——这是全书最解放的一步，给了完美主义一个数学上的赦免。
x：何时停手？尝新还是守旧？东西怎么放？——越想越纠结
│ 别加大思考强度，先认题
▼
f：这在计算机科学里是哪道已解的题？
├─ 序列选择、错过不再来 = 最优停止 → 前 37% 建标准，之后见好即收
├─ 有限机会分给尝新还是守旧 = 探索 vs 利用 → 按剩余机会数定比例
└─ 有限空间放什么 = 缓存（LRU） → 最近用的放最近
│ 套用被证明的最优策略
▼
f(x)：接受「足够好」= 最优输出；标准会漂移的题拦在算法门外
f(x) · 怎样回应这个世界
接受这套回答后，变化落在四个层面。
判断的第一步变了。以前纠结时先列利弊、反复比较；现在先认题：这是最优停止（错过不再来的序列选择）、探索 vs 利用（有限机会怎么分）、还是缓存（有限空间放什么）？纠结本身从性格缺陷变成一个信号——题还没认出来。
行动的标准变了。找房和招聘不再「再看一个，万一更好」，而是前 37% 只建标准不出手，之后见到第一个超过所有前者的就定下；选餐厅先问「我还会在这座城市待多久」，剩的时间长就多试新店，快离开就回老店；收纳不再追求分类完美，最近用的放手边即可。
对人的方式变了。「你想怎样都行」看似客气，实则把决策的计算成本整个甩给对方；给出两三个明确选项才是体贴——书里称之为「计算的善」（computational kindness）。
最重要的是多了一道克制。套算法之前先问：这道题是良定义的吗？目标清楚、选项可枚举、错过不再来的——找房、招聘、排程——交给算法；标准会变、可以回头、连「好」的定义都在漂移的——要不要继续一段友谊、我到底想要什么——别硬塞进算法的形状。算法能告诉你如何最优地达成目标，对「这个目标值不值得」完全沉默。认出哪些题不该进算法，与套对算法同样重要。