什么是“自适应实验”？
这是我的第 202 天分享
全文共约 2000 字，阅读完共需约 5 分钟
01 “自适应”实验
在自然界有一句耳熟能详的话：“物竞天择，适者生存”。
大自然就像一个大的筛选器，给生物们足够的自由空间，让它们彼此竞争和生长。
通过不断地筛选，那些不适应环境的便逐渐淘汰，留下来的都是足够适应当前环境的。
“自适应”实验的理念，就和“适者生存”十分类似。
在正式介绍“自适应实验”之前，我先给你讲一个关于“A/B测试”的故事。
1. “A/B测试”
2007年，某产品经理设计了一个总统竞选的“捐款”系统，他设计的这个系统，直接让捐款金额增加了5700万美元。
这位产品经理设计的系统，就是“A/B测试”。
A/B测试的内容是：先准备好若干个不同的设计方案（不一定只限于两种），接下来，把这些方案随机分配给目标群体，观察他们的反应。
通过这种“自然筛选”，更受目标群体欢迎的方案，就会逐渐“站稳脚跟”。
这种方法的核心理念是，让不同的方案自由地竞争，最终剩下的那个方案，就是最适合目标客户这个“大环境”的方案。
这种方案有一个比较明显的好处，就是可以减少试错成本。
你想一下，如果一开始把所有的筹码全都押注在了某一个方案上，结果市场证明，这个方案并不合适，那么之前的所有努力很有可能就打水漂了。
“不要把所有的鸡蛋，放在同一个篮子里”说的也是类似的道理。
为了更好地降低试错成本，我们可以先拿出一小部分作为“试错”的“鸡蛋”。然后把这一部分鸡蛋，随机分配到不同的“篮子”里，看看哪一个效果更好，进而加大资源的投注。
视频类APP的流量曝光，就会经常用到这种方法。
假设有10个人发布了同类型视频，可能在第一阶段，平台会给每个视频500的曝光量，观察它们的点赞、评论、转发等因素的活跃情况。
在第二阶段，这10个人可能会筛选出前2-3名，加大资源的投放，可能此时曝光量就变成了5000，继续观察。
在第三阶段，找到里面质量最高的视频，继续加大曝光量。
2. “自适应”实验
“自适应”实验更倾向于“概率”层面。
假设有甲、乙两种待使用的方案供你选择。这两种方案你都不了解，于是对于你而言，这两个在初始阶段使用的概率相同。就好比往盒子里放一个红球和一个白球。
第一次尝试，你从这个盒子随机抽取一个球，然后开始执行。根据执行反馈的结果，来修正这个概率。
假设你抽到了甲，结果表明甲方案有效，那么你就往盒子里再放一个红球。此时甲被选中的概率就变成了 2/3，乙方案被选中的概率就变成了 1/3，然后继续下一次抽取的实验。
如果甲方案并没有达到原来的预期，则不操作。盒子里仍然是1红球1白球，然后继续下一次抽取的实验。（或者针对个人的情况，减少一个对应的球，但最低数量为1）
通过无数次的抽取，以及结果的验证，其中某一个概率就会越来越高。而概率越高，就更容易被抽取和验证。
你有没有发现，这其实和“马太效应”很像？
强者越强，弱者越弱。强者拥有的资源越多，意味着他达成目标的概率也就越大。而每一个阶段的成功，都会帮助他获得更多的资源，往盒子里增加更多被抽的砝码。
在上世纪五六十年代，尽管黑人已经获得了名义上的解放，但是他们仍然被限制受教育、医疗等方面的权利。而这也导致了他们在受教育以及就业等方面的负循环。
在一开始，那些受到歧视的黑人，盒子里面对应的球就很少。在受教育时，白人的对应的球更多，于是他们很容易就被抽中了。之后获得了更好的教育，在求职之路上，也非常顺利。
对于黑人来说，就没那么幸运了。
他们一开始就被限制受教育，对应的，求职也会受到影响，而这必然会导致他们的收入远不如白人。收入低，就意味着下一代获得的初始资源更少，受教育更难，工作也更不顺利。
当我们在决策时，除了“A/B测试”之外，我们也可以采用“自适应”实验。
就拿前段时间分享的“可信度加权”为例。
《原则》的作者达利欧分享过这一方法。这种方法的好处是，通过赋予每个人不同的权重，可以避免真理被埋没。
但是这里会有一个问题，如果每个人的权重一直不发生变化，很有可能就会出现“倚老卖老”的情况：老员工手里的权重一直很高，新员工的想法得不到重视。
因此，为了避免这种情况，我们可以通过“自适应”实验来帮助我们，让“可信度加权”更加灵活。
每一次决策之后，我们对结果进行分析，如果决策证明了某个人的想法是正确的，那么他的权重就增加；反之，则降低权重。
这样可以最大程度保证“凭实力说话”，而不是“凭工龄说话”。
总结一下今天的分享内容。
“A/B测试”核心理念是，让不同的方案自由地竞争，最终剩下的那个方案，就是最适合目标客户这个“大环境”的方案。
“自适应”实验的主要想法是，根据执行反馈的结果，来修正之前的“抽取概率”。
以上就是我今天的分享。我是润东，我们一起，向上生长。
参考资料：
- 布莱恩·克里斯汀,汤姆·格里菲斯.算法之美[M],北京:中信出版社,2018
