信息新科技推助富（大）数据市场

莱斯（Jason Les）是一对一无限注德州扑克的世界顶级玩家，在2015年，包括莱斯在内的四名扑克职业玩家，还曾经成功打败安装于卡内基美隆大学（CMU）超级计算机上的机器学习系统Claudico。2017年1月，他和另外三名职业扑克玩家，与扑克界的Claudico的下一代新星Libratus一决胜负，他们和Libratus总共对战了十二万手牌。在2017年的这场巡回赛之前，Libratus在几个月内和自己玩了上兆手的牌。系统不断学习，看穿人类虚张声势的能力也大大提高，能够在任何一手牌找出最适当的下注大小，因应对手盖牌或是牌面较弱的情况，Libratus狂扫超过一百七十万美元的筹码，以绝对优势赢得比赛。Libratus大获全胜，代表计算机在市场上的交易成绩可能会比人类更优秀，或者至少是能够辅助人类、让交易结果大有进步。原因并不在于计算机每秒能做的运算更多，而是因为它不同于人类的大脑，不会碰上认知限制的问题。

许多认知偏见（可能是错估风险，就算已有新信息、却坚持旧策略，又或是态度轻率、不把小胜看在眼里），都会影响到人们所做的决定，让人对于小底池就下重注的做法裹足不前。相较之下，Libratus每次出手之后，都会重新评估自己的策略，每晚也会系统性的审视当天的每一手牌，据以推断人类对手的行为模式，再调整策略加以运用。而且Libratus能够运用和处理巨量的信息，这是人类决策者无法做到的。因而虽然整体来看，Libratus在单局赢得的筹码似乎并不多，但获胜的机率却远高于所有人类对手。Libratus并不会死守着固定不变的人类行为模式。这正是优秀的谈判者在多轮谈判时使用的策略，也是精明的商人在多次市场交易时采用的技巧。

传统市场和富数据市场之间最直接、最明显的差异，是在于市场参与者之间流动的数据量和种类。在富数据市场里，参与者不再只能拥有围绕着价格的信息潺潺细流，而能够透过市场的信息架构，传递并运用全面且大量的偏好信息，而且成本低廉。

从传统市场转变到富数据市场，有三项关键科技至关紧要。这些科技让我们能够：第一、用标准化的语言，来比较彼此的偏好；第二、更能跨多个面向，来比较我们的偏好，找出最佳的交易选择；第三、找出更有效的方式，全面呈现我们的偏好。主要就是在于于协助将丰富的数据，转化为交易决策。科技结合数据数据，就会成为经济革命的基础，使得交易更有效率，例如过滤各种条件，像是顾客评等、报导评论、过去顾客贴在网上的照片等等，也能迅速比较各家饭店的地点、设施和服务质量，进而能在有限的预算下达到最大的效益。这些交易的效率之所以提升，是因为买卖双方能够更精准的搭配彼此的偏好。

许多市场的成功都有赖于丰富的数据流，因此也就出现庞大的经济压力，希望开发出有效的卷标策略，信息愈丰富，也就愈难处理。在过去几十年间，数学家和经济学家一直尝试开发理想的算法，希望能评估：在具有多项偏好、不同相对权重的情况下，怎样才是最适当的交易选择？虽然整个演算过程相当技术性，但核心其实也就是：分析数据、比对媒合各种模式。

富数据市场要成功，还需要另一项元素配合。光是有丰富的数据流、更强大的媒合能力，就像是有了汽车但还没有引擎。这里的引擎，就是要有某种稳健且理性的方式，来协助市场参与者，让他们表达自己的偏好，接着也就能转为资料。以亚马逊的产品推荐引擎为例，亚马逊搜集个人偏好的方式，并不是直接询问我们，而是根据我们与该网站的任何互动所形成的全面数据流：我们看了什么产品、什么时候看、看了多久、还读了哪些评论？从这些数据中，亚马逊就能寻找我们偏好的模式。把这些模式找出来，亚马逊连问都不用问，就能用统计方法来推断出我们的需求和欲望。当然，亚马逊也不是真的知道，只是能大略推断（偶尔也会做出错误的推荐）；而且亚马逊并不会知道为什么我们比较喜欢A、而不那么喜欢B，就只是知道我们这么偏好。但这已经足以让亚马逊把这些数据输入媒合算法，用来搜寻我们最可能购买什么产品。

想让这种「机器学习」方法运行良好，必须满足两个条件。首先，一开始就要有大量数据，让机器学习系统能够自我训练，找出数据中隐藏了什么。第二，机器学习系统必须能够时常取得回馈信息，才能在一段时间过后，根据各种特定和不同的情境，加以自我调整，超越初始训练的成绩。

在市场上，一方面有了大量、基于数据的训练，并依回馈信息而调整与适应，二方面又有了个人化的学习，系统效能就有可能大幅提升。适应性机器学习系统可以减少人类认知偏误对决策的影响，但同时仍然允许人类做自己。

在人类史上第一次，我们可以选择是否、在哪个程度上，把最基本的人类协调事项的决定，交给机器（但关于幸福人生的决定，还是留给自己）。我们将能够叫机器学习系统去做那些无聊的选择，只把最快乐愉悦的决定留在手上。我们将会刻意放弃一些选择的权力，好让自己专注在对我们最重要的选择。