10亿美元还是蜗牛追杀？上海大学副教授发Science 让机器帮你决策

做选择对于一个人来说有多难又多有趣？

再来看看知乎上问题，10亿美元和会追杀人的蜗牛？

这个看似荒诞的问题恰恰来自诺贝尔经济学奖获得者卡尼曼等人于1979年提出的前景理论（Prospect Theory）。

以20%的概率得到100美元，或以80%的概率得到50美元。如果面临这样的选择，你会选择哪个？

前景理论认为人们在面临获得时往往小心翼翼，不愿冒风险；在失去时会很不甘心，更容易冒险。人们对损失的痛苦感要大大超过获得时的快乐感。

选择是每个人无数次要面临的问题，从个人衣食住行到国际间邦交誓盟，选择或决策无处不在。.很多时候，选择或决策是困难的。人们不但会面临诸多两难选择，还经常受到情绪、偏好、认知水平等因素的影响。

如果让AI替你决策，你会听他的吗？

《科学》（Science）杂志最近刊登了一篇文章，通过大数据的方式来为人类做决策。

本文的两个作者为上海大学悉尼工商学院拟聘的副教授何黎胜博士和美国宾夕法尼亚大学Sudeep Bhatia。

何黎胜博士于2020年加入上海外国语大学国际工商管理学院, 担任工商管理系助理教授。2017年毕业于英国华威大学商学院（Warwick Business School）行为科学系，获管理学博士学位，美国宾夕法尼亚大学（University of Pennsylvania）博士后研究员（2017-2020）。主要研究方向是行为经济学和决策神经科学，研究课程包括决策行为与心理、人类学习行为、以及风险决策、跨期决策、社会决策的心理与认知神经机制。他的研究文论发表于Psychological Review和Cognitive Psychology等国际顶尖心理学期刊，并担任Psychological Review，Decision， Journal of Experimental Psychology: General, Cognitive Psychology, Journal of Mathematical Psychology等国际著名期刊的审稿人。

文章的第一作者Sudeep Bhatia认为，这些理论本身只在小数据集的选择上进行测试，很少与大数据集模型进行比较。考虑到决策研究的跨学科历史和风险选择的复杂性，这是不可避免的：决策者很容易凭直觉对预期效用的偏差作出心理解释。而且，很多新理论模型通常类似于先前发布的模型，许多理论在基准数据集上高度模仿彼此的预测。

何黎胜认为，尽管新理论模型产生的速度正在加快，但在过去20年中，这些数据集的预测精度几乎没有提高。其根本原因是我们的认知系统具有高度复杂性。风险决策看似简单。如果问大学生或高中生如何做风险决策，他们中的大多数人可能会说我们先算出每个选项的期望价值，然后选择期望价值最高的选项。

但风险决策比这复杂得多，受到多种认知和情感因素影响。以往研究者通过考虑这些影响因素，对风险决策行为提出了多种理论解释模型。

在何黎胜与南丹麦大学教授Pantelis Analytis和宾夕法尼亚大学教授Sudeep Bhatia共同完成的另一项研究中，通过群体智慧算法整合不同的认知与情感因素，我们发现这样的集成模型能显著地提高对决策行为的预测能力。这里的集成模型也是一种大模，它的预测精度也超过了前景理论。

经过学习和训练，深度神经网络能够模仿人类的行为，它甚至可以像人类在做选择时会有不理性的行为那样，表现出非理性。因此，用它来预测人类决策行为会大大提高预测精度。

人工智能、认知神经科学的发展，将为心理学、决策科学的发展提供有力的研究手段。得益于学术界和工业界的大模型投入，近年来人工智能和认知神经科学发展迅速，涌现出大量的开创性研究，也为其他学科提供了成熟的研究工具。

在决策研究中，研究人员会研究不同类型的决策，像风险决策、跨期决策、社会决策、博弈决策等。目前，对这些不同决策类型的研究和建模工作通常相互独立。然而，从认知的角度，不同的决策类型必然有互闻共通的认知与情感机制。而不同决策类型之间互闻共通的建模研究还非常稀缺，未来完全有可能通过与人工智能、认知神经科学融合，实现不同决策类型的互闻建模。

目前，管理科学越来越趋向于数据驱动的决策。在工业界和公共政策等领域，越来越多的公司和组织实验方法（如A/B 测试）获得实证数据，通过分析实证数据达到决策优化的目的。

然而，目前这种数据驱动的决策有不小的局限性。其中一个重要原因是管理者很多时候面临的是一个复杂的动态系统，是由多种因素交织而成的综合体。但A/B测试等方法收集到的数据往往是针对某个特定的小点，对复杂决策中多因素之间的交错互动缺乏全局把握，限制了A/B测试实验数据的适用性。

机器生成理论可以更大程度地利用A/B测试等方法收集到的数据。更为重要的是，机器生成理论足够灵活，我们可以用真实的数据去训练这个系统，让它不断地逼近真实的管理场景。

未来，训练好的机器生成理论模型可以自动地对复杂管理场景中的事件作出反应。也就是说，机器生成理论有能力将分散的实验数据升华成具有逻辑一致性的体系，实现复杂管理决策的自动化、智能化。