從無知掌握規律 (車品覺)
輪盤結果看似隨機，也可能是一種無知。（維基百科圖片）
曾經有兩男一女走進倫敦一家俱樂部，他們專注於輪盤博彩，連續兩晚贏了過百萬美元。賭場起疑後翻看閉路電現，隨後立即報警，媒體僅報道他們帶有小型電腦及鐳射掃描器，但沒有透露細節。類似故事也曾在澳門的賭船出現過。
你可能會問：輪盤結果不是應該隨機的嗎？我們先定義這是什麼樣的輪盤。賭場用的輪盤大多來自法國的原始設計，共有38個格子，分別紅黑交替，數字由1到36，加上0及00。按照概率，我們平均每38次會猜中一次，但裏有兩個假設：1）輪盤是毫無瑕疵的；2）有足夠長的時間去驗證正常概率。而前述的幾位職業賭徒，就是希望找到「有缺陷」的輪盤，嘗試尋找「不隨機」的地方。隨着這些新聞的出現，有偏誤的輪盤變得愈來愈少。
對於人們來說，懷疑一切和全盤信任是同樣輕鬆的事情，因為這兩件事都不需要反思。（法新社資料圖片）
早在十九世紀，有幾位數學家熱中於隨機性的研究，輪盤更引起了偉大數學家龐加萊（Henri Poincaré）的關注，原因可從他的一句名言中參透：「對於人們來說，懷疑一切和全盤信任是同樣輕鬆的事情，因為這兩件事都不需要反思。」他認為，輪盤結果看似隨機，也可能是一種無知。龐加萊把無知分成三種程度（Degree of ignorance）：第一程度無知是自以為擁有所需資訊，簡單計算就能找出正確規律；第二程度無知是知道了物理定律，但無法精確測量小球的起始狀態，僅能預測極短時間內的狀況；第三程度無知是不知道小球的起始狀態，也不知道相關物理定律，或者定律過於複雜無法理解（小球移動的軌跡受許多因素影響）。這些輪盤理論繼續在影響着很多混沌理論的學者。
但我最感興趣的是，當我們處於「高度無知」， 但事件發生的原因複雜到難以理解，這時候只要我們有能力記錄大量事件的相關資料（大數據的特徵），然後用機器學習就可以找出有用的重複規律，可讓我們跳過前面的兩度「無知」，直接掌握部分答案。情況就好像要在淘寶客戶群預測誰是下一個會換新車的客戶，這好像很隨機，但從大量數據裏可以發現剛開始有孩子的家庭，他們明顯有更大的買車意願，相對有規律。
只要有能力記錄大量事件的相關資料，然後用機器學習就可以找出有用的重複規律，直接掌握部分答案。（Freepik網上圖片）
更多車品覺文章：
支持EJ Tech
如欲投稿、報料，發布新聞稿或採訪通知，按這裏聯絡我們。
 - EJ Tech){kind=link}
){kind=link}