近年來，演算法已顛覆許多產業，一大原因就是演算法能從數以千計的點擊、頁面捲動中提煉公式，再以此預測行為。這過程也與逆向工程有明顯的共通處：把一個引人入勝的故事、一首交響樂或一張照片轉為一道配方。

這也因此引起一些令人好奇的提問：演算法為什麼那麼善於辨識模式？我們如果要精進自己的逆向工程能力，能從演算法中學到什麼？

整理●編輯處

▲取自維基百科

且讓我們從基本開始。模式辨識引擎具備四大要素，第一是資料蒐集。第二是拆解例子，從中找出重要變數。在這第二個階段辨識出越多變數，就越有機會精確抓出能夠吸引的要點。第三是偵測相似性。最後一步，是演算法利用分析結果，針對回饋的資料持續修正預測並改進。

舉個簡單的例子，不久前，在以IBM首任執行長湯瑪斯．華生（Thomas J. Watson）為名的機器學習程式「華生」中，該公司程式設計師輸入了兩類資訊，包括研究一般人認為美味的食物及《好胃口》雜誌（Bon Appétit）歷來的完整食譜檔案。依據其偵測出來的模式，從資料當中產生出新菜餚的食譜，結果極為驚人。

如果談到一道菜餚的成功，經常只會聚焦單一因素： 口味。不過，華生的分析顯示，一道菜餚之所以令人無可抗拒，原因在於香氣。華生的第二項洞見：香氣的核心關鍵是種數學組合，你只須分析一份食譜的食材就行。每種食材都帶有特定的化學物質，為其賦予獨特香味。

蒐集傑出例子為何重要？因為成就精湛技能的第一步，就是看出別人的精湛技能。

華生的分析，就是揭露了贏得獎項與各方好評的菜餚當中其實潛藏共同模式：這些食材都具有許多相同的芳香族化合物。藉此也解釋了為何有些食物會受到世人一致的喜愛。

此程序化做法，還可以針對我們希望仿效的作品進行逆向工程：第一步，蒐集例子。

值得注意的是，這些為了偵測模式而設計的電腦程式，採取的第一個行動不是分析，而是蒐集。歷史也告訴我們，頂尖人士早在踏入所屬領域前，就已喜歡蒐集他們欣賞的作品。安迪．沃荷蒐集藝術品；導演昆汀．塔倫提諾花許多時間看電影；海明威去世前，他的藏書超過九千本⋯⋯。 蒐集範例後，接下來該怎麼做？要怎麼找出這些作品充滿吸引力的因素？已故的哈佛商學院教授克雷頓．克里斯汀生投注數十年時間分析尋常的企業主管與破壞性創新家——如馬斯克、網飛的里德．哈斯廷斯及貝佐斯之間的不同。

創業家並不比中階主管聰明，中階主管的風險承受度也不亞於創業家。差別不在於他們的性格，而在於行為。

在其中一組行為中，這兩個群體的落差尤其巨大，而這行為就是「提問」。相較於一般主管，破壞式創新家遠遠比較會在好奇心驅使下採取行動。這是一種招牌特質，是創新心智的領先指標。創辦人會提問，主管則是服從。

創辦人會提出宏觀的問題（我們遇到的真正問題是？）、假設情境（我們要是不再接受現金支付會怎樣？），還有最重要的一點：試圖揭露根本原因（是什麼原因造成顧客出現這樣的行為？）。

另一個找出差異的做法，則是透過不同媒介深入研究同一件作品。如果你一直無法破解某位作者的作品，那麼試試聆聽作者的有聲書，他們的節奏及抑揚頓挫，可以傳達出珍貴的洞見，加重特定的詞語也可揭露其潛在意圖。

不過在某些案例裡，你還是會發現自己不論多努力拆解、多想找出引人共鳴的原因，卻始終得不到結果。所幸還有其他幾種方法能找出範例之間的差異。

這些方法源自另一種不同策略，只有在我們後退一步的情況下，才可明白看出隱藏的結構。這種策略，稱為遠觀。

閱讀完整內容