現在有多少人不使用電腦？有的話，請舉手。
其實這不太可能，因為如果你讀得到這篇文章，你一定是在使用電腦，除非有個阿宅把它印出來給你讀（果然很宅）。過去視窗作業系統常莫名其妙出現藍屏死當的年代，我們跳腳嘲諷電腦不是科學產物，而是玄學產物，而對阿宅工程師而言，電腦除了是吃飯的工具，還是要幫正妹修理來換好人卡的必需品。
廣義來說，並不是只有桌機和筆電才是電腦，我們現在使用的手機，運算能力已經比登月使用的巨型電腦還強大了，除非你用的是智障手機。電腦在生活的方方面面扮演重要角色，包括工作、社交、通訊、購物、娛樂、交通等等，我們隨時在和許多演算法打交道，因為臉書的動態消息、購物網站的推薦商品、APP建議的交通路線等等都是演算法算出來的結果，試圖為我們提供各種問題的最佳解方。
在靠北工程師的臉書粉絲頁，有大量不通人情世故的阿宅工程師笑話，真的很抒壓，也讓我們見識到，台灣的阿宅工程師們爆肝血汗的生活⋯⋯哦不⋯⋯他們沒有生活。成天和電腦打交道，想必應該會宅到沒啥生活能力吧？不過，著名的電腦科學家布萊恩．克里斯汀（Brian Christian）和美國加州大學柏克萊分校的認知心理學家湯姆．葛瑞菲斯（Tom Griffiths）卻告訴我們，答案可能和我們想的相反。
他們合著的《決斷的演算：預測、分析與好決定的11堂邏輯課》（Algorithms to Live By: The Computer Science of Human Decisions）指出，跟電腦演算法學決策，不僅可能一點也不宅，而且還會讓人更善解人意，真是厲害了，我的演算法！
演算法，簡單來說，就是用以解決特定問題的有限個步驟和敘述。其英文名稱「algorithm」來自於九世紀波斯數學家花拉子米（al-Khwarizmi，خوارزمی，約780－約850），因為他在數學上提出了演算法這個概念。「algorism」，即「al-Khwarizmi」的音轉，意思是「花拉子米」的演算法則，在十八世紀演變為「algorithm」。
兩位作者在《決斷的演算》中指出，生活中我們遇到的許多機車問題，其實和阿宅工程師面對的挑戰大同小異，都是想要在各種資源稀缺的情況下達成「多、快、好、省」；競爭之下，會有一些阿宅比另一些阿宅找到更佳的演算法來攻克難題。他們主張，這些只有更好、沒有最好的演算法，可以指導我們如何在生活中宅以致用。
他們給了我們宅度爆表的十一堂理性邏輯課，例如在第一堂課中，我們都遇過聘人、租屋、找車位、賣房子、尋覓伴侶、投資獲利、幹壞事等等，要如何制定停止點，何時見好就收的問題。在想要做出最佳決策時最令人感到困擾的是，我們似乎永遠無法得知，還有多少更好的選項尚未出現。 所以他們為我們提供了37%法則、思而後行法則、臨界值法則來調整時間點、標準值得參數，以期宅出最佳停止點。
如果旅遊到一個好地方，或者吃過一家不可多得的好餐廳，是要繼續嘗鮮探索呢？還是始終如一呢？這真是個令人糾結的問題啊。《決斷的演算》指出，電腦也會遇到「開發／善用權衡」（explore/exploit tradeoff）的宅問題：是要「開發蒐集資料尋求最佳選擇」還是「善用現有資訊取得已知良好結果」的問題，就是傳說中吃角子老虎機的多臂土匪問題。簡單來說，他們的建議是：如果你時間還有大把，為何不多嘗鮮？如果時日不多（例如要搬遷了），那為何不好好把握已知的美好事物？如果要你想宅個徹底，不妨用吉廷斯指數（Gittins）來協助決策吧！
對電腦資訊而言，資料的優先排序尤其重要。谷歌搜尋引擎厲害之處不是啥都能全部找到給你，而是把排序了搜尋結果再給你，把你可能最需要的，儘量排在前端就讓你看到。我們平時當然不需要排序大量資料，但是遇到排序研討會或運動賽程，還是夠折騰的。
《決斷的演算》指出，電腦記憶體和我們有同樣的收納困擾，就是空間永遠太小。不過即使有能力買豪宅，也還是要面對一樣的問題，除非你的豪宅專用來堆放雜物，否則如果要更有效率地生活，就要分門別類整理收納，把常用到的放在可以隨手可取之處──但這是最好的方式嗎？電腦使用快取記憶體，裝滿後就得選擇性刪除資料，隨機剔除、先進先出（先剔除最舊的）以及先刪最近或最少使用的資料等等方法，哪種能讓我們更順利收納？
重要的事要優先處理，這道理人人都懂，但還是難以做到；我生活與工作最大的困擾之一，就是長長的優先順序排程，永遠有更重要的事插隊進來，不管如何努力，似乎永遠無法讓清單變短，而排程較後面的事（例如整理我愈來愈混亂的辦公室），就一直排在後頭無法執行。
面對排程的問題，電腦科學家會先搞清楚「用什麼標準來評量成果」，是追趕期限最重要？是劃掉最多項目最好？還是等待時間最短最讚？書中用火星探測器電腦的「上下文交換」為例讓我們認識到工作插隊的代價，還有用「往復移動」提醒是否在窮忙。要有效率地完成工作，不是愛拚才會贏，有時候是「世界越快，心，則慢」，慢慢來，比較快。
電腦時常做預測，統計專家們都推薦的「貝氏法則」原本是十八世紀英國牧師湯瑪斯．貝斯（Thomas Bayes，1701–1761）用來研究彩卷中獎率的，用過去已知的機率來推導出未知機率，並且用新的證據來修正過去的預測；在預測工作中，並不是多就是好，很多人都以為，愈複雜的模型，使用越多參數，就會得到更精確的預測，然而機器學習則得出不同的結論，過度複雜的模型和參數會得出過度配適的結果，反而無法反映真實狀況。
只有更好，沒有最好。過度追求最美好的解方，可能就是沒有解方。遇到人生難解的問題，我們或許該學學電腦科學家的作法，把問題先鬆弛一下，運用限制鬆弛法、連續鬆弛法、付出點代價及改變規則的拉氏鬆弛法等等，解除一些限制，再看看能否解決再說；如果在舒適圈待久了，要如何能跳脫巢臼？像電腦那樣運用隨機性，也能快速接近最佳的解答哦。
電腦溝通時，如何讓機器確認接收方有無收到訊息？我們的生活中也會遇到訊息有沒有被對方充分接收和理解的問題，電腦是如何做的？電腦科學家能夠找到賽局理論中的奈許均衡嗎？這關係到我們如何猜測別人的想法，用以應付與眾人相關的社會和經濟問題。不過，當大家都用同樣的模型對賭對方的策略而跟進，就可能一起崩潰到萬劫不復。
《決斷的演算》為阿宅工程師平反，指出演算法可能為我們的生活或人生難題提供指導性原則。不過，我倒是有個從這本書衍生的想法：讀完這本書，就像是上了十一堂理性邏輯的演算法課，如果有個阿宅能夠把其中所有演算法應用到生活和人生的方方面面，我會極為敬佩他，也能肯定他很可能成為一位成功人士，即使他因為奉行演算法到不近人情的地步。許多改變世界的曠世天才，不也是有超乎常人的原則嗎？
然而，我們別忘了，《決斷的演算》也告訴我們，別過度配適，並不是多就是好，把書中所有提到的演算法落實到生活中，也不見得一定能解決大部分人生難題。或許，我們也該學學電腦科學家，先界定問題可解還是難解，然後再放鬆，給自己一些隨機性，別網路塞車，用新知識調整預測，搞清楚重要評量標準，認清自己還有多少時間，制定停止點，其他的就該怎麼生活就怎麼生活吧！
本文原刊登於閱讀‧最前線【GENE思書軒】。