Greedy Approach 能拿來過人生嗎？
Published:
最近有幸換了工作，並且順利拿到了 Senior Title。以目前僅工作兩年的人生來說，算是可以接受的成績。
但在拿到 Offer 後，我開始反思——是什麼促使我做出了這一切？即使有了 Senior Title，對我的人生真的有幫助嗎？這是我真正想要的嗎？
回顧過去一年
這個結果背後，是過去一年各種準備的累積：
- 每天下班回家刷題、Mock Interview
- 踴躍參加各種活動——黑客松、iThome 鐵人 30、讀書會
可以理解這些行為背後的目的就是要提升自己的能力，讓自己在面試時有好的表現。但仔細想想，這些選擇是怎麼做出來的？
其實我只是在做 Greedy
如果用演算法的角度來看，我只是一直在做 Greedy Approach 的 Selection 而已。
什麼意思？就是在目前的 Observation 底下，我選擇了對自己最有利的行為。
假設下班後只有三個選擇：
- 去健身房 → 讓自己更健康
- 回家刷題 → 能找到更好的工作
- 回家玩遊戲 → 獲得快感與一時的快樂
對去年的我來說，我選了 2，因為這是當時對自己最有利的行為。
「最有利」的定義因人而異，會隨著價值觀而變動，這點之後再聊。
但 Greedy 不保證最佳解
學過演算法的人都知道，Greedy Approach 並不永遠都是最佳解。Greedy 是當下的最優，但可能不是全局的最優。
就像那個經典的胡蘿蔔梗圖——以 Greedy 來說，當然選葉子最茂密的拔，但我們無法保證底下對應的胡蘿蔔就是最大的。
問題的根源在於：我們無法看到完整的 Observation，所以無從得知做哪件事情才是最好的。
Observation 的兩個維度
這裡的 Observation 可以拆成兩個維度：
1. 時間維度——事件的全貌
我們無法得知做了這件事情會如何影響未來。去年每天刷題，讓我拿到了 Senior Offer，但如果那段時間拿去學英文、經營 Side Project、或深耕某個開源社群，三年後的我會不會站在更好的位置？不知道。
2. 視野維度——所有可能的選擇
我們無法得知還有什麼選擇對自己更好。下班後的選項真的只有那三個嗎？也許該去社交、該去學設計、該開始寫作——但這些選項在當時根本不在我的視野裡，自然也不會被選上。
那怎麼辦？放棄嗎？
畢竟我們只是凡人，完整的 Observation 在現實中就是不可能取得的。
但注意一件事：如果我們真的擁有完整的 Observation，那根本不需要 Greedy——直接就能看到最佳解，選就對了。Greedy 之所以存在，正是因為資訊不完整時，我們只能退而求其次，挑當下看起來最好的。
所以真正的問題不是「該不該用 Greedy」，而是：我們能不能讓自己的 Observation 更接近完整？
越接近完整，我們的選擇就越不需要依賴 Greedy 的賭注，越能直接逼近真正的最佳解。
Approximation：逼近我們看不到的東西
在 Computer Science 中有個概念叫 Approximation——找到近似值。
這個概念的應用無處不在。下圍棋時，沒有人能得知盤面的真實勝率，但可以透過訓練或統計的方式取得勝率的近似值，用它來做決策，效果依然很好。無窮小數 1/3 ≈ 0.3333…，近似值可以是 0.34，也可以是 0.33334——後者在實際運算時準確度就高出許多。
重點是：我們不需要完美的答案，只要能逼近，就已經比盲目的 Greedy 好得多。
回到 Observation 的兩個維度，我們能怎麼逼近？
逼近時間維度：看不到未來，但可以模擬
- Simulate in Your Mind：在腦中推演。如果我選了 A，半年後大概會怎樣？一年後呢？不需要精準預測，只需要建立一個粗略但合理的模型。這個模型越精細，你的近似值就越好。
- Learn from History：你看不到自己的未來，但可以看到別人的過去。那些比你早五年、十年走過類似路徑的人，他們的結果就是你最好的參考資料。
逼近視野維度：看不到所有選項，但可以擴展
- Do Exploration：主動去接觸你原本不會接觸的東西。讀不同領域的書、跟不同背景的人聊天、參加你覺得「跟自己無關」的活動。
- Survey：系統性地掃描可能的選項。不是漫無目的地探索，而是帶著問題意識去搜集：「在我這個階段，別人都在做什麼？有哪些路徑是我沒考慮過的？」
- Trial & Error：有些選項的好壞，想再多也不如直接試。試錯的成本往往比你以為的低，而收集到的 Observation 卻是真實的。
回到我自己
重新看去年的自己，我確實是在做 Greedy——在有限的視野裡，挑了看起來回報最高的選項。結果不差，但我沒辦法說這就是最好的。
而現在，寫下這篇文章本身，其實就是一種 Approximation 的嘗試。把腦中模糊的反思具體化，逼自己去建立一個更完整的模型，讓下一次做選擇時，Observation 能比上一次更完整一點。
不需要一步到位，近似值的精度是可以慢慢提高的。
0.34 比亂猜好，0.33334 又比 0.34 好。
重要的是持續逼近。