04 · War and the Science of Search
04 · สงครามกับศาสตร์แห่งการค้นหา
THE SHORTEST PATH — A History of the Art and Science of Problem-Solving
เส้นทางที่สั้นที่สุด — ประวัติศาสตร์ของศิลปะและศาสตร์แห่งการแก้ปัญหา
Portsmouth, 1941
Portsmouth 1941
Patrick Blackett had won a Nobel-caliber reputation in physics — he would in fact collect the actual Nobel Prize in 1948, for work on cosmic rays — and in the spring of 1941 he was doing something no physicist had ever been assigned to do before: sitting in a Royal Air Force operations room, watching U-boats sink merchant ships faster than Britain could build them, and trying to compute his way out of it.
ฤดูใบไม้ผลิปี 1941 Patrick Blackett นั่งอยู่ในห้องบัญชาการปฏิบัติการของ Royal Air Force เฝ้าดูเรืออูจมเรือสินค้าเร็วกว่าที่อังกฤษจะต่อขึ้นมาใหม่ได้ และพยายามคำนวณหาทางออกจากมัน ไม่เคยมีนักฟิสิกส์คนไหนถูกมอบหมายให้ทำงานแบบนี้มาก่อน เขาสร้างชื่อเสียงระดับโนเบลไว้ในวงการฟิสิกส์แล้ว — และได้รับรางวัลโนเบลจริงในปี 1948 จากงานเรื่องรังสีคอสมิก
The team around him had no official name, so people called it Blackett's circus: a physiologist, a physicist, an astrophysicist, and eventually two future Nobel laureates, all seconded from their laboratories to Coastal Command's new Operational Research Section (INFORMS biographical profile of Blackett). None of them had ever fought a war. What they had was a habit, bred into every physicist, of refusing to trust an intuition that hadn't been checked against a number.
ทีมของเขาไม่มีชื่อทางการ คนจึงเรียกว่า Blackett's circus: นักสรีรวิทยาหนึ่งคน นักฟิสิกส์หนึ่งคน นักฟิสิกส์ดาราศาสตร์หนึ่งคน และในที่สุดผู้ที่จะได้รางวัลโนเบลในอนาคตอีกสองคน ทุกคนถูกยืมตัวจากห้องทดลองมาประจำ Operational Research Section ที่เพิ่งตั้งขึ้นของ Coastal Command (INFORMS biographical profile of Blackett) ไม่มีใครในทีมเคยรบในสงครามมาก่อน สิ่งที่พวกเขามีคือนิสัยที่นักฟิสิกส์ทุกคนถูกปลูกฝังมา: ไม่เชื่อสัญชาตญาณที่ยังไม่ได้เทียบกับตัวเลข
The intuition they checked first nearly ended a career. Britain's convoys — merchant ships sailing in escorted groups across the Atlantic — had for years followed an unspoken rule: keep them small, because a smaller cluster of ships is a smaller target, and fewer eggs are lost if the basket is dropped. Naval officers as senior as America's Admiral Ernest King believed this so firmly that it barely seemed worth testing. Blackett's group tested it anyway, and found the opposite. A U-boat has to find a convoy before it can attack it, and the ocean is enormous; the area available for a submarine to search does not care how many ships are inside a convoy's perimeter. Once a raider does find a convoy, meanwhile, its stock of torpedoes is limited, so a convoy of 80 ships loses only slightly more tonnage to a single attacker than a convoy of 40 — while half as many convoys have to cross the ocean and expose themselves to the risk of being found at all. The reasoning had a clean geometric core: pack merchant ships inside a circle and the number you can fit grows with the area, which scales as the square of the radius, while the escorts patrolling the perimeter only need to scale with the radius itself. Double the convoy's size and you do not need to double its escort — a few more escort ships now guard proportionally far more cargo (Pacific War Encyclopedia, "Convoys"). The British Admiralty had clung to an "ideal" convoy size near 40 ships for no reason anyone could articulate; when it was finally persuaded to run convoys as large as shipping would allow, sinkings fell. Each escort vessel built, the analysts calculated, saved on the order of two merchant ships over the course of the war.
สัญชาตญาณข้อแรกที่พวกเขาตรวจสอบเกือบทำให้อาชีพใครคนหนึ่งจบลง กองเรือคุ้มกันของอังกฤษ — เรือสินค้าที่แล่นเป็นกลุ่มข้ามแอตแลนติกโดยมีเรือคุ้มกัน — ยึดกฎที่ไม่มีใครพูดออกมาดังๆ มาหลายปี: ให้กองเล็กไว้ กลุ่มเรือที่เล็กกว่าคือเป้าที่เล็กกว่า และถ้าตะกร้าหล่น ไข่ก็เสียน้อยกว่า นายทหารเรือระดับสูงถึงขั้นพลเรือเอก Ernest King ของอเมริกาเชื่อเรื่องนี้แน่นจนแทบไม่คิดว่าคุ้มจะทดสอบ กลุ่มของ Blackett ทดสอบอยู่ดี และพบสิ่งตรงข้าม เรืออูต้อง*หา*กองเรือให้เจอก่อนจึงโจมตีได้ และมหาสมุทรกว้าง พื้นที่ที่เรือดำน้ำต้องค้นไม่ขึ้นกับว่ามีเรือกี่ลำอยู่ในวงของกองเรือ พอเรือล่าเจอกองเรือแล้ว ตอร์ปิโดที่มันมีก็จำกัด กองเรือ 80 ลำจึงเสียระวางบรรทุกให้ผู้โจมตีรายเดียวมากกว่ากองเรือ 40 ลำเพียงเล็กน้อย — ในขณะที่จำนวนกองเรือที่ต้องข้ามมหาสมุทรและเปิดตัวเองให้เสี่ยงต่อการถูกพบตั้งแต่แรกนั้นลดลงครึ่งหนึ่ง แก่นของเหตุผลเป็นเรขาคณิตล้วน: อัดเรือสินค้าเข้าไปในวงกลม จำนวนที่ใส่ได้โตตาม*พื้นที่* คือกำลังสองของรัศมี ส่วนเรือคุ้มกันที่ลาดตระเวนตาม*เส้นรอบวง* เพิ่มตามรัศมีเท่านั้น เพิ่มขนาดกองเรือเป็นสองเท่า เรือคุ้มกันไม่ต้องเพิ่มเป็นสองเท่า — เรือคุ้มกันอีกไม่กี่ลำคุ้มสินค้าได้มากกว่าเดิมมากตามสัดส่วน (Pacific War Encyclopedia, "Convoys") กองทัพเรืออังกฤษยึดขนาดกองเรือ "ในอุดมคติ" ไว้ที่ราว 40 ลำ โดยไม่มีใครอธิบายเหตุผลได้ เมื่อถูกโน้มน้าวในที่สุดให้เดินกองเรือใหญ่เท่าที่การขนส่งเอื้อ ยอดเรือถูกจมก็ลดลง นักวิเคราะห์คำนวณว่าเรือคุ้มกันที่ต่อขึ้นแต่ละลำช่วยเรือสินค้าไว้ได้ราวสองลำตลอดช่วงสงคราม
The same circus turned its calculators on the RAF's depth charges — the underwater bombs dropped on submerged U-boats — and found that crews had been fusing them to explode at roughly 100 feet, the depth a submarine commander might plausibly dive to escape. But data on actual attacks showed most U-boats were still near the surface, diving in a panic, when they were caught. Reset the fuse to explode at about 35 feet instead, and a depth charge that used to miss its target because it detonated too deep would now catch boats where they actually were. The change alone is credited with roughly doubling the kill rate of attacks that scored a hit (INFORMS, Blackett profile). Nobody built a new weapon. Nobody found a new tactic. Somebody looked at the numbers already sitting in a filing cabinet and asked a sharper question of them.
ชนวนตั้งผิดความลึก นั่นคือสิ่งที่คณะละครสัตว์คณะเดิมพบ เมื่อหันเครื่องคิดเลขไปที่ระเบิดลึกของ RAF — ระเบิดใต้น้ำที่ทิ้งใส่เรืออูที่ดำอยู่ ลูกเรือตั้งชนวนให้ระเบิดที่ราว 100 ฟุต ความลึกที่ผู้บังคับการเรือดำน้ำน่าจะดำหนีลงไป แต่ข้อมูลการโจมตีจริงบอกว่าเรืออูส่วนใหญ่ยังอยู่ใกล้ผิวน้ำตอนถูกจับได้ กำลังดำลงอย่างตื่นตระหนก ตั้งชนวนใหม่ให้ระเบิดที่ราว 35 ฟุตแทน ระเบิดลึกที่เคยพลาดเป้าเพราะจุดระเบิดลึกเกินไป ก็จับเรือได้ตรงที่มันอยู่จริง การเปลี่ยนแค่นี้อย่างเดียวได้เครดิตว่าเพิ่มอัตราการจมของการโจมตีที่ยิงเข้าเป้าขึ้นราวเท่าตัว (INFORMS, Blackett profile) ไม่มีใครสร้างอาวุธใหม่ ไม่มีใครคิดยุทธวิธีใหม่ มีคนมองตัวเลขที่อยู่ในตู้เอกสารอยู่แล้ว และถามคำถามที่คมกว่าเดิมกับมัน
This is the discovery this chapter is about, and it is worth stating plainly before the stories pile up: in the crucible of the Second World War, a scattered handful of physicists, statisticians, and economists realized that war — and soon after, business, agriculture, and engineering — was full of decisions that looked like a matter of experience and nerve but were actually optimization problems wearing a uniform. Once you saw them that way, you could solve them with arithmetic instead of instinct. The convoy problem and the depth-charge problem look nothing alike on the surface. Underneath, both are the same move: measure what actually happens, not what you assume happens, and let the measurement — not the veteran's gut — choose the number.
บทนี้ว่าด้วยการค้นพบข้อเดียว และควรพูดตรงๆ ก่อนเรื่องเล่าจะกองสุมกัน: ในเบ้าหลอมของสงครามโลกครั้งที่สอง นักฟิสิกส์ นักสถิติ และนักเศรษฐศาสตร์กลุ่มเล็กๆ ที่กระจัดกระจายตระหนักว่าสงคราม — และไม่นานหลังจากนั้น ธุรกิจ เกษตรกรรม และวิศวกรรม — เต็มไปด้วยการตัดสินใจที่*ดูเหมือน*เป็นเรื่องของประสบการณ์และความกล้า แต่แท้จริงคือโจทย์การหาค่าเหมาะที่สุด (optimisation) ที่สวมเครื่องแบบมา มองเห็นแบบนั้นแล้ว ก็แก้ด้วยเลขคณิตแทนสัญชาตญาณได้ โจทย์กองเรือกับโจทย์ระเบิดลึกดูไม่เหมือนกันเลยที่ผิวหน้า ข้างใต้คือท่าเดียวกัน: วัดสิ่งที่เกิดขึ้นจริง ไม่ใช่สิ่งที่สมมติว่าเกิด แล้วให้การวัด — ไม่ใช่สัญชาตญาณของทหารผ่านศึก — เป็นผู้เลือกตัวเลข
The Bombers That Didn't Come Home
เครื่องบินทิ้งระเบิดที่ไม่ได้กลับบ้าน
Across the ocean, a mathematician named Abraham Wald was solving a problem with the same shape and a very different flavor, and his name has since attached itself to one of the most retold anecdotes in applied statistics — a story worth telling and worth correcting, because the correction is itself a lesson in this book's thesis.
อีกฟากมหาสมุทร Abraham Wald นักคณิตศาสตร์ กำลังแก้โจทย์รูปทรงเดียวกันแต่รสชาติต่างกันมาก ชื่อของเขาติดอยู่กับเกร็ดที่ถูกเล่าซ้ำมากที่สุดเรื่องหนึ่งในสถิติประยุกต์ตั้งแต่นั้นมา — เรื่องที่คุ้มจะเล่า*และ*คุ้มจะแก้ให้ถูก เพราะตัวการแก้เองคือบทเรียนของแก่นความคิดในหนังสือเล่มนี้
The version everyone has heard goes like this: the U.S. Army, wanting to armor its bombers without making them too heavy to fly, brought Wald data on where returning aircraft had taken damage — mostly on the fuselage and wings, rarely near the engines — and prepared to reinforce the fuselage. Wald, the story says, told them they had it backwards: armor the engines, because the planes that got hit there were the ones that never made it home to be counted. This is the "survivorship bias" story, and as an illustration of the idea it is close to perfect.
เวอร์ชันที่ทุกคนเคยได้ยินเป็นแบบนี้: กองทัพบกสหรัฐฯ อยากติดเกราะเครื่องบินทิ้งระเบิดโดยไม่ให้หนักจนบินไม่ขึ้น จึงนำข้อมูลมาให้ Wald ว่าเครื่องที่บินกลับมาเสียหายตรงไหน — ส่วนใหญ่ที่ลำตัวและปีก น้อยครั้งที่ใกล้เครื่องยนต์ — และเตรียมเสริมเกราะที่ลำตัว เรื่องเล่าว่า Wald บอกพวกเขาว่าคิดกลับหัวกลับหาง: ให้ติดเกราะที่เครื่องยนต์ เพราะเครื่องที่ถูกยิงโดน*ตรงนั้น*คือลำที่ไม่ได้กลับมาให้นับ นี่คือเรื่อง "อคติจากผู้รอด (survivorship bias)" และในฐานะภาพประกอบของแนวคิดนี้ มันเกือบสมบูรณ์แบบ
As history, it is largely invented. In 2016 the mathematician Bill Casselman went looking for the primary sources and found astonishingly little: no transcript of Wald delivering advice to a room of generals, no diagram of a bullet-riddled bomber with Wald's own hand on it, nothing resembling the vivid scene retold on a thousand websites. What survives are Wald's actual memoranda for the Statistical Research Group at Columbia, released decades later, and they contain something both less cinematic and more impressive: a technical apparatus for estimating, from the hit patterns on surviving planes alone, the probability that a plane hit n times would have gone down — without ever seeing the missing planes at all (Bill Casselman, "The Legend of Abraham Wald," AMS Feature Column, 2016; the original memoranda and the standard modern gloss are collected in Mangel & Samaniego, "Abraham Wald's Work on Aircraft Survivability," Journal of the American Statistical Association 79 (1984)). Wald assumed enemy fire struck aircraft roughly at random, then built a recursive equation linking the observed distribution of hits on survivors to the unobserved population of planes that never returned — solving, in effect, for the ghosts by their absence from the room. He never records a punchy one-liner about where to bolt the armor; the SRG's stated policy was to answer the technical question it was asked, not to issue tactical advice. The closest primary account, from SRG director W. Allen Wallis, states only that Wald "assumed, on good evidence, that hits in combat were uniformly distributed over the planes" and derived vulnerability estimates from that assumption — the seed, probably, from which the vivid modern retelling eventually grew.
ในฐานะประวัติศาสตร์ เรื่องนี้ถูกแต่งขึ้นเสียเป็นส่วนใหญ่ ปี 2016 Bill Casselman นักคณิตศาสตร์ ไปตามหาแหล่งข้อมูลปฐมภูมิ และพบน้อยมาก: ไม่มีบันทึกคำต่อคำที่ Wald ให้คำแนะนำต่อหน้าห้องที่เต็มไปด้วยนายพล ไม่มีแผนภาพเครื่องบินทิ้งระเบิดพรุนกระสุนที่มีลายมือของ Wald เองอยู่บนนั้น ไม่มีอะไรใกล้เคียงกับฉากมีสีสันที่เล่าซ้ำบนเว็บไซต์นับพัน สิ่งที่รอดมาคือบันทึกช่วยจำจริงของ Wald สำหรับ Statistical Research Group ที่ Columbia เปิดเผยหลายทศวรรษต่อมา ในนั้นมีบางอย่างที่ทั้งดูหนังน้อยกว่าและน่าประทับใจกว่า: กลไกทางเทคนิคสำหรับประมาณ จากรูปแบบรอยกระสุนบนเครื่องที่*รอด*กลับมาเท่านั้น ว่าเครื่องที่ถูกยิงโดน n ครั้งมีความน่าจะเป็นที่จะตกเท่าไร — โดยไม่เคยเห็นเครื่องที่หายไปเลยสักลำ (Bill Casselman, "The Legend of Abraham Wald," AMS Feature Column, 2016; บันทึกช่วยจำต้นฉบับและคำอธิบายมาตรฐานยุคปัจจุบันรวมอยู่ใน Mangel & Samaniego, "Abraham Wald's Work on Aircraft Survivability," Journal of the American Statistical Association 79 (1984)) Wald สมมติว่ากระสุนข้าศึกกระทบเครื่องบินอย่างสุ่มโดยประมาณ แล้วสร้างสมการเรียกซ้ำเชื่อมการแจกแจงรอยกระสุนที่*สังเกตได้*บนผู้รอด เข้ากับประชากรเครื่องบินที่ไม่เคยกลับมาซึ่ง*สังเกตไม่ได้* — เท่ากับแก้หาผีจากการที่มันไม่อยู่ในห้อง เขาไม่เคยบันทึกวรรคทองสั้นๆ เรื่องจะขันเกราะตรงไหนไว้เลย นโยบายที่ SRG ประกาศไว้คือตอบคำถามทางเทคนิคที่ถูกถาม ไม่ออกคำแนะนำทางยุทธวิธี บันทึกปฐมภูมิที่ใกล้ที่สุด จาก W. Allen Wallis ผู้อำนวยการ SRG ระบุเพียงว่า Wald "สมมติบนหลักฐานที่ดีว่ารอยกระสุนในการรบกระจายอย่างสม่ำเสมอทั่วตัวเครื่องบิน" แล้วอนุมานค่าประมาณความเปราะบางจากสมมติฐานนั้น — น่าจะเป็นเมล็ดที่งอกเป็นการเล่าใหม่อันมีสีสันในยุคปัจจุบัน
None of this makes the underlying insight less real, or less important to this book. The reframing at the heart of the Wald story — stop treating "the data I have" as "all the data there is," and ask what process filtered the data before it reached you — is exactly the kind of representation change this book is chasing. But the popular version has smoothed a subtle, careful piece of statistical reasoning into a punchy anecdote with a villain (the obtuse generals) and a hero delivering a mic-drop line. The real Wald is more interesting: a mathematician who looked at a table of surviving-aircraft hit-counts and, using nothing but the assumption that bullets don't discriminate, reconstructed a population he could never see. That is a longer path to a shorter insight, and it is the more instructive story of the two.
ทั้งหมดนี้ไม่ได้ทำให้การหยั่งเห็น (insight) ที่อยู่ข้างใต้จริงน้อยลง หรือสำคัญกับหนังสือเล่มนี้น้อยลง การเปลี่ยนกรอบ (reframe) ที่เป็นหัวใจของเรื่อง Wald — เลิกถือว่า "ข้อมูลที่มีอยู่ในมือ" คือ "ข้อมูลทั้งหมดที่มี" แล้วถามว่ากระบวนการอะไรกรองข้อมูลก่อนถึงมือ — คือการเปลี่ยนรูปแบบการแทนปัญหา (representation) ชนิดที่หนังสือเล่มนี้ไล่ล่าอยู่พอดี แต่เวอร์ชันยอดนิยมลูบการให้เหตุผลทางสถิติที่ละเอียดและระมัดระวังชิ้นหนึ่งจนเรียบ เหลือเกร็ดสั้นกระชับที่มีตัวร้าย (นายพลหัวทึบ) และพระเอกที่ปล่อยวรรคทองปิดไมค์ Wald ตัวจริงน่าสนใจกว่า: นักคณิตศาสตร์ที่มองตารางนับรอยกระสุนบนเครื่องบินที่รอด ใช้เพียงสมมติฐานว่ากระสุนไม่เลือกที่ตก แล้วสร้างประชากรที่เขาไม่มีวันได้เห็นขึ้นมาใหม่ นั่นคือเส้นทางที่ยาวกว่าสู่ insight ที่สั้นกว่า และเป็นเรื่องที่สอนได้มากกว่าในสองเรื่องนี้
One Country's Plywood, Another Country's Menu
ไม้อัดของประเทศหนึ่ง เมนูอาหารของอีกประเทศ
While Blackett's circus tuned depth charges, a young Leningrad mathematician named Leonid Kantorovich was solving a problem with no evident connection to war at all. In 1938 the local Plywood Trust, a Soviet industrial cooperative, brought him an ordinary-sounding scheduling headache: eight lathes, five kinds of veneer, and a demand to keep the ratio of the five plywood types fixed while maximizing total output. The trust's own engineers had been unable to find a satisfying answer by trial and adjustment.
ปี 1938 Plywood Trust ในท้องถิ่น สหกรณ์อุตสาหกรรมโซเวียตแห่งหนึ่ง เอาปัญหาจัดตารางที่ฟังดูธรรมดามาให้ Leonid Kantorovich นักคณิตศาสตร์หนุ่มจากเลนินกราด: เครื่องกลึงแปดเครื่อง ไม้วีเนียร์ห้าชนิด และข้อเรียกร้องให้คง*อัตราส่วน*ของไม้อัดทั้งห้าชนิดไว้คงที่ พร้อมทำผลผลิตรวมให้มากที่สุด โจทย์นี้ไม่มีความเกี่ยวข้องกับสงครามให้เห็นเลย ขณะที่คณะละครสัตว์ของ Blackett จูนระเบิดลึกอยู่ วิศวกรของทรัสต์เองลองและปรับแล้วก็หาคำตอบที่น่าพอใจไม่ได้
Kantorovich noticed something that turned out to matter far beyond plywood: the problem was not really about lathes. Any situation where you must allocate a fixed pool of resources among competing uses, subject to a straight-line (linear) relationship between inputs and outputs, has the same skeleton, whatever the resources happen to be — labor hours, tons of steel, hectares of farmland, machine-time. In 1939 he published The Mathematical Method of Production Planning and Organization, showing that an enormous class of allocation problems could be written as one equation: maximize (or minimize) a linear function of many variables, subject to linear constraints (MacTutor History of Mathematics, biography of Kantorovich). He called the technique linear programming before that name existed in the West, and he had no map of how to solve the general version efficiently — only the recognition that the general version existed and that Soviet industry was riddled with disguised copies of it. Decades later, in 1975, he shared the Nobel Memorial Prize in Economic Sciences for exactly this insight (Britannica, "Leonid Vitalyevich Kantorovich") — a Soviet mathematician recognized by a Western economics prize for having spotted, in a plywood factory, the shape of a problem that would eventually run supply chains on both sides of the Iron Curtain.
Kantorovich เห็นว่าโจทย์นี้ไม่ได้เกี่ยวกับเครื่องกลึงจริงๆ และข้อสังเกตนี้สำคัญไกลเกินไม้อัด สถานการณ์ใดก็ตามที่ต้องจัดสรรทรัพยากรกองหนึ่งที่มีจำกัดให้การใช้งานที่แข่งกันอยู่ ภายใต้ความสัมพันธ์แบบเส้นตรง (linear) ระหว่างปัจจัยเข้ากับผลผลิต มีโครงกระดูกเดียวกันหมด ไม่ว่าทรัพยากรจะเป็นชั่วโมงแรงงาน ตันของเหล็ก เฮกตาร์ของที่นา หรือเวลาเครื่องจักร ปี 1939 เขาตีพิมพ์ The Mathematical Method of Production Planning and Organization แสดงว่าโจทย์การจัดสรรกลุ่มใหญ่มากเขียนเป็นสมการเดียวได้: หาค่าสูงสุด (หรือต่ำสุด) ของฟังก์ชันเชิงเส้นของตัวแปรจำนวนมาก ภายใต้ข้อจำกัดเชิงเส้น (MacTutor History of Mathematics, biography of Kantorovich) เขาเรียกเทคนิคนี้ว่ากำหนดการเชิงเส้น (linear programming) ก่อนที่ชื่อนี้จะมีในโลกตะวันตก เขาไม่มีแผนที่ว่าจะ*แก้*เวอร์ชันทั่วไปอย่างมีประสิทธิภาพได้อย่างไร — มีเพียงการมองเห็นว่าเวอร์ชันทั่วไปนั้นมีอยู่ และอุตสาหกรรมโซเวียตเต็มไปด้วยสำเนาปลอมตัวของมัน หลายทศวรรษต่อมา ปี 1975 เขาร่วมรับรางวัลโนเบลสาขาเศรษฐศาสตร์จากการหยั่งเห็นข้อนี้พอดี (Britannica, "Leonid Vitalyevich Kantorovich") — นักคณิตศาสตร์โซเวียตที่รางวัลเศรษฐศาสตร์ของตะวันตกยอมรับ เพราะมองเห็นในโรงงานไม้อัดรูปทรงของโจทย์ที่สุดท้ายจะเดินห่วงโซ่อุปทานทั้งสองฝั่งม่านเหล็ก
An ocean away and unaware of Kantorovich's work, the American economist George Stigler ran into the same shape of problem from a completely different door. In 1945 he asked how a moderately active man could eat as cheaply as possible while still meeting the U.S. National Research Council's recommended intake of nine nutrients, choosing freely among 77 available foods. No known method could find the true cheapest diet outright, so Stigler searched by hand among a limited set of promising combinations and reported a diet — wheat flour, evaporated milk, cabbage, spinach, dried navy beans — costing $39.93 per year in 1939 prices (Wikipedia, "Stigler diet"). He knew he had found a good answer, not necessarily the best one, and he said so.
George Stigler นักเศรษฐศาสตร์อเมริกัน เดินชนโจทย์รูปทรงเดียวกันจากประตูคนละบาน อีกฟากมหาสมุทรและไม่รู้เรื่องงานของ Kantorovich ปี 1945 เขาถามว่าชายที่กระฉับกระเฉงพอประมาณคนหนึ่งจะกินให้ถูกที่สุดได้อย่างไร โดยยังได้สารอาหารเก้าชนิดตามที่ U.S. National Research Council แนะนำ และเลือกได้อิสระจากอาหาร 77 รายการ ไม่มีวิธีที่รู้จักกันตอนนั้นหาชุดอาหารที่ถูกที่สุดจริงได้ตรงๆ Stigler จึงค้นด้วยมือในชุดผสมที่ดูมีแววจำนวนจำกัด แล้วรายงานอาหารชุดหนึ่ง — แป้งสาลี นมข้นระเหย กะหล่ำปลี ผักโขม ถั่วขาวแห้ง — ราคา 39.93 ดอลลาร์ต่อปีตามราคาปี 1939 (Wikipedia, "Stigler diet") เขารู้ว่าเจอคำตอบที่ดีชุดหนึ่ง ไม่จำเป็นต้องเป็นชุดที่ดีที่สุด และเขาพูดออกมาตรงๆ
The Method That Ate All the Problems
วิธีที่กลืนโจทย์ทั้งหมด
Two years later, an American mathematician named George Dantzig gave Stigler's diet problem, and every problem shaped like it, a general solution — and the way he arrived there has its own well-documented origin story, separate from the one that would later attach to his name.
สองปีต่อมา George Dantzig นักคณิตศาสตร์อเมริกัน ให้คำตอบทั่วไปแก่โจทย์อาหารของ Stigler และทุกโจทย์ที่มีรูปทรงเดียวกัน เส้นทางที่เขาไปถึงจุดนั้นมีเรื่องต้นกำเนิดที่มีหลักฐานดีของตัวเอง แยกจากเรื่องที่ภายหลังจะมาติดกับชื่อเขา
Dantzig's simplex method was born of wartime bureaucracy: as a young statistician for the U.S. Army Air Forces, he had grown expert at the mechanics of logistics planning done by hand, on desk calculators, one plan at a time. In June 1947 he formulated a general model for these planning problems as a system of linear inequalities, and by that August had devised the simplex algorithm to solve it — a way of walking, systematically and efficiently, along the edges of the geometric shape formed by a problem's constraints until an optimal corner was reached (George Dantzig, "Origins of the Simplex Method," ACM, 1990; MacTutor biography of Dantzig). Within months, colleagues at RAND had renamed his subject "linear programming," and by 1951 the method was public.
วิธีซิมเพล็กซ์ของ Dantzig เกิดจากระบบราชการยามสงคราม เขาเป็นนักสถิติหนุ่มของกองทัพอากาศบกสหรัฐฯ และชำนาญกลไกของการวางแผนโลจิสติกส์ที่ทำด้วยมือบนเครื่องคิดเลขตั้งโต๊ะ ทีละแผน มิถุนายน 1947 เขาสร้างแบบจำลองทั่วไปสำหรับโจทย์วางแผนพวกนี้เป็นระบบอสมการเชิงเส้น สิงหาคมปีนั้นเขาคิดอัลกอริทึมซิมเพล็กซ์ขึ้นมาแก้มัน — เดินอย่างเป็นระบบและมีประสิทธิภาพไปตามขอบของรูปทรงเรขาคณิตที่ข้อจำกัดของโจทย์ก่อขึ้น จนถึงมุมที่เหมาะที่สุด (George Dantzig, "Origins of the Simplex Method," ACM, 1990; MacTutor biography of Dantzig) ภายในไม่กี่เดือน เพื่อนร่วมงานที่ RAND เปลี่ยนชื่อสาขาของเขาเป็น "กำหนดการเชิงเส้น" ("linear programming") และปี 1951 วิธีนี้ก็เผยแพร่สู่สาธารณะ
That same fall, a researcher named Jack Laderman at the National Bureau of Standards decided to stress-test the brand-new algorithm on the hardest real instance he could find: Stigler's diet problem, nine nutritional constraints across seventy-seven foods. Using hand-cranked desk calculators — this was still years before general-purpose electronic computers were commonplace — a team spent roughly 120 person-days grinding through the simplex method's arithmetic by hand. The true minimum-cost diet, it turned out, cost only about 24 cents less per year than Stigler's hand-searched estimate (Wikipedia, "Stigler diet"; George Dantzig, INFORMS oral history). Stigler's instincts, honed by an economist's judgment, had gotten within a rounding error of optimal. But the simplex method had gotten there by a procedure, one that would work whether the next problem was a diet, a plywood mill, or a bombing campaign, and would keep working as the number of variables climbed into the thousands, then the millions.
ชุดอาหารต้นทุนต่ำสุดจริงถูกกว่าค่าประมาณที่ Stigler ค้นด้วยมือเพียงราว 24 เซนต์ต่อปี ฤดูใบไม้ร่วงปีเดียวกันนั้น Jack Laderman นักวิจัยที่ National Bureau of Standards ตัดสินใจทดสอบความทนของอัลกอริทึมใหม่เอี่ยมนี้กับอินสแตนซ์จริงที่ยากที่สุดเท่าที่หาได้: โจทย์อาหารของ Stigler ข้อจำกัดทางโภชนาการเก้าข้อบนอาหารเจ็ดสิบเจ็ดรายการ ทีมหนึ่งใช้เวลาราว 120 คน-วันบดเลขคณิตของวิธีซิมเพล็กซ์ด้วยเครื่องคิดเลขตั้งโต๊ะแบบหมุนมือ — ตอนนั้นยังอีกหลายปีกว่าคอมพิวเตอร์อิเล็กทรอนิกส์อเนกประสงค์จะเป็นของธรรมดา — และได้ตัวเลขนั้นออกมา (Wikipedia, "Stigler diet"; George Dantzig, INFORMS oral history) สัญชาตญาณของ Stigler ที่ลับด้วยวิจารณญาณของนักเศรษฐศาสตร์ เข้าใกล้ค่าเหมาะที่สุดจนต่างกันแค่เศษปัดเศษ แต่วิธีซิมเพล็กซ์ไปถึงตรงนั้น*ด้วยขั้นตอนวิธี* ขั้นตอนที่ใช้ได้ไม่ว่าโจทย์ถัดไปจะเป็นอาหาร โรงไม้อัด หรือปฏิบัติการทิ้งระเบิด และยังใช้ได้เมื่อจำนวนตัวแปรไต่ขึ้นถึงหลักพัน แล้วหลักล้าน
Dantzig's name is also attached to a second, older, and unrelated anecdote, which deserves to be told with its correct date rather than folded into the simplex story: in 1939, as a first-year doctoral student in statistics at Berkeley, Dantzig arrived late to a lecture by Jerzy Neyman and copied down two problems chalked on the blackboard, assuming they were the week's homework. He found them harder than usual but turned in solutions a few days later. They were, in fact, two long-unsolved problems in mathematical statistics, and Dantzig — not knowing this, and so never discouraged from trying — had solved both. The core of the story checks out; the widely circulated embellishments (a ten-problem final exam, a claim that "even Einstein" had failed the problems) do not, and were traced to a later, dramatized retelling by a television preacher rather than to Dantzig himself (Snopes, "The Legend of the 'Unsolvable Math Problem'"). The lesson Dantzig himself drew from it — that not knowing a problem is supposed to be impossible is sometimes the only reason you solve it — belongs to this book's thesis in its own right: the frame around a problem, including the frame of how hard people believe it to be, is part of what makes the space large or small.
ชื่อของ Dantzig ยังติดอยู่กับเกร็ดอีกเรื่องที่เก่ากว่าและไม่เกี่ยวข้องกัน เรื่องนี้สมควรเล่าพร้อมวันที่ที่ถูกต้อง ไม่ใช่พับรวมเข้ากับเรื่องซิมเพล็กซ์ ปี 1939 Dantzig เป็นนักศึกษาปริญญาเอกปีหนึ่งสาขาสถิติที่ Berkeley เขามาสายในคาบบรรยายของ Jerzy Neyman ลอกโจทย์สองข้อที่เขียนด้วยชอล์กไว้บนกระดานดำลงมา และเข้าใจว่าเป็นการบ้านประจำสัปดาห์ เขาพบว่ามันยากกว่าปกติ แต่ก็ส่งคำตอบไม่กี่วันถัดมา จริงแล้วมันคือโจทย์สองข้อในสถิติเชิงคณิตศาสตร์ที่ไม่มีใครแก้ได้มานาน Dantzig ไม่รู้เรื่องนี้ จึงไม่เคยถูกทำให้ท้อที่จะลอง และแก้ได้ทั้งสองข้อ แก่นของเรื่องตรวจสอบแล้วเป็นจริง ส่วนรายละเอียดประดับที่แพร่หลายกันมาก (ข้อสอบไล่สิบข้อ คำอ้างว่า "แม้แต่ Einstein" ก็ทำโจทย์พวกนี้ไม่ได้) ไม่จริง และตามรอยไปพบว่ามาจากการเล่าใหม่แบบเสริมดราม่าในภายหลังของนักเทศน์ทางโทรทัศน์คนหนึ่ง ไม่ใช่จากตัว Dantzig เอง (Snopes, "The Legend of the 'Unsolvable Math Problem'") บทเรียนที่ Dantzig ดึงออกมาเอง — การไม่รู้ว่าโจทย์หนึ่งควรจะเป็นไปไม่ได้ บางครั้งคือเหตุผลเดียวที่แก้มันได้ — เป็นของแก่นความคิดในหนังสือเล่มนี้ในสิทธิ์ของมันเอง: กรอบที่ล้อมโจทย์อยู่ รวมถึงกรอบว่า*คนเชื่อกันว่ามันยากแค่ไหน* เป็นส่วนหนึ่งของสิ่งที่ทำให้พื้นที่ใหญ่หรือเล็ก
A Name to Hide the Math
ชื่อที่ตั้งไว้ซ่อนคณิตศาสตร์
The most quietly radical idea to come out of the RAND Corporation in this decade belonged to Richard Bellman, and it began, by Bellman's own account, as an act of camouflage.
ไอเดียที่สุดโต่งที่สุดอย่างเงียบๆ จาก RAND Corporation ในทศวรรษนี้เป็นของ Richard Bellman และตามคำบอกเล่าของ Bellman เอง มันเริ่มต้นในฐานะการพรางตัว
Bellman arrived at RAND in 1949 already restless in a conventional academic career, and by 1950 was working on what he called multistage decision processes: problems where a sequence of choices, made one at a time, has to add up to a good overall outcome — how to allocate an investment across years, how to route a process through successive stages, how to plan a sequence of moves toward a goal. His key mathematical insight, later formalized as the principle of optimality, is easy to state once seen: an optimal overall plan must also be optimal for every sub-plan it contains, starting from wherever you happen to be partway through. If the last leg of your best possible road trip from Bangkok to Chiang Mai runs through Lampang, then the best route from Lampang onward to Chiang Mai must itself be optimal — because if a better route from Lampang existed, you could substitute it and improve the whole trip. This lets a solver break an enormous multistage problem into a chain of small ones, solved backward from the goal, each one easy once its successor is already known. Bellman called the technique dynamic programming, and the functional equations built on the principle of optimality remain, to this day, one of the handful of general-purpose engines for solving sequential decision problems in economics, engineering, and — chapter 10 will show — reinforcement learning.
แผนโดยรวมที่เหมาะที่สุดต้องเหมาะที่สุดสำหรับแผนย่อยทุกแผนที่มันบรรจุอยู่ด้วย เริ่มนับจากตรงไหนก็ตามที่บังเอิญยืนอยู่กลางทาง — นี่คือการหยั่งเห็นทางคณิตศาสตร์ข้อสำคัญของ Bellman ภายหลังถูกทำให้เป็นรูปนัยในชื่อ หลักการเหมาะที่สุด (principle of optimality) และพูดออกมาง่ายเมื่อเห็นแล้ว Bellman มาถึง RAND ในปี 1949 กระสับกระส่ายกับเส้นทางวิชาการแบบเดิมอยู่แล้ว และพอถึงปี 1950 ก็ทำงานกับสิ่งที่เขาเรียกว่ากระบวนการตัดสินใจหลายขั้น: โจทย์ที่ลำดับของทางเลือกซึ่งเลือกทีละอย่างต้องรวมกันเป็นผลลัพธ์โดยรวมที่ดี — จัดสรรการลงทุนข้ามปีอย่างไร เดินกระบวนการผ่านขั้นตอนที่ต่อกันอย่างไร วางลำดับของท่าไปสู่เป้าหมายอย่างไร ถ้าช่วงสุดท้ายของทริปถนนที่ดีที่สุดเท่าที่เป็นไปได้จากกรุงเทพฯ ไปเชียงใหม่ผ่านลำปาง เส้นทางที่ดีที่สุดจากลำปางต่อไปเชียงใหม่ก็ต้องเหมาะที่สุดในตัวมันเอง — ถ้ามีเส้นทางที่ดีกว่าจากลำปางอยู่ ก็เอามาแทนแล้วทั้งทริปดีขึ้น สิ่งนี้ทำให้นักแก้ปัญหาแตกโจทย์หลายขั้นขนาดใหญ่เป็นโซ่ของโจทย์เล็กๆ แก้ย้อนกลับจากเป้าหมาย แต่ละข้อง่ายเมื่อรู้คำตอบของข้อที่ตามมันมาแล้ว Bellman เรียกเทคนิคนี้ว่ากำหนดการพลวัต (dynamic programming) และสมการเชิงฟังก์ชันที่สร้างบนหลักการเหมาะที่สุดยังคงเป็นหนึ่งในเครื่องยนต์อเนกประสงค์ไม่กี่ตัวสำหรับแก้โจทย์การตัดสินใจแบบลำดับในเศรษฐศาสตร์ วิศวกรรม และ — บทที่ 10 จะแสดงให้เห็น — การเรียนรู้แบบเสริมกำลัง มาจนถึงทุกวันนี้
The name itself, though, is where Bellman's own account gets interesting to hold up against the calendar. In a 1984 autobiography excerpted by Stuart Dreyfus, Bellman explained that he needed a label that would not sound like "mathematical research," because RAND's ultimate boss at the Department of Defense — a "Secretary Wilson" with, in Bellman's words, "a pathological fear and hatred of the word research" — could not be allowed to suspect he was funding pure mathematics. So Bellman chose programming, a word with an unthreatening, practical ring, and dynamic, an adjective he judged impossible to use pejoratively, and combined them into an umbrella "not even a Congressman could object to" (Stuart Dreyfus, "Richard Bellman on the Birth of Dynamic Programming," Operations Research 50, no. 1 (2002), quoting Bellman's Eye of the Hurricane, 1984). It is a wonderful story about a bureaucrat too literal-minded to tolerate the word "research." There is one problem with the timeline: Bellman's own first published paper using the term "dynamic programming" appeared in the Proceedings of the National Academy of Sciences in August 1952 (Bellman, "On the Theory of Dynamic Programming," PNAS 38, no. 8 (1952)) — while Charles Wilson, the defense secretary Bellman names, did not take that office until January 1953. Bloggers and historians tracking the discrepancy have noted this is at least a year out of order for the story as told (see the discussion at Arcane Sentiment, "Why 'dynamic programming'?"). Bellman may simply have misremembered which official prompted his caution, decades after the fact, or folded two memories into one — autobiographies are not sworn depositions, and his own memoir elsewhere warns, with disarming self-awareness, that "all this contributes to the misleading nature of conventional history." What is not in question is the mathematics: the principle of optimality is real, powerful, and exactly as general as Bellman claimed.
เส้นเวลาไม่ลงรอยกับคำบอกเล่าของ Bellman เรื่องตัวชื่อ ในอัตชีวประวัติปี 1984 ที่ Stuart Dreyfus คัดมาบางส่วน Bellman อธิบายว่าเขาต้องการป้ายชื่อที่ไม่ฟังดูเหมือน "การวิจัยทางคณิตศาสตร์" เจ้านายสูงสุดของ RAND ที่กระทรวงกลาโหม — "รัฐมนตรี Wilson" คนหนึ่ง ซึ่งในคำของ Bellman "กลัวและเกลียดคำว่า research อย่างเป็นโรค" — ต้องไม่ถูกปล่อยให้สงสัยว่าเขากำลังจ่ายเงินสนับสนุนคณิตศาสตร์บริสุทธิ์ Bellman จึงเลือกคำว่า programming คำที่ให้เสียงปฏิบัติจริงและไม่คุกคาม กับ dynamic คำคุณศัพท์ที่เขาตัดสินว่าใช้ในแง่ลบไม่ได้ แล้วรวมเป็นร่มคำที่ "แม้แต่สมาชิกสภาคองเกรสก็ค้านไม่ได้" (Stuart Dreyfus, "Richard Bellman on the Birth of Dynamic Programming," Operations Research 50, no. 1 (2002) อ้าง Eye of the Hurricane ของ Bellman ปี 1984) เป็นเรื่องที่วิเศษมากเกี่ยวกับข้าราชการที่ตีความตรงตัวเกินกว่าจะทนคำว่า "research" ได้ ปัญหาอยู่ที่ปฏิทิน: บทความตีพิมพ์ชิ้นแรกของ Bellman เองที่ใช้คำว่า "dynamic programming" ปรากฏใน Proceedings of the National Academy of Sciences เดือนสิงหาคม 1952 (Bellman, "On the Theory of Dynamic Programming," PNAS 38, no. 8 (1952)) — ขณะที่ Charles Wilson รัฐมนตรีกลาโหมที่ Bellman เอ่ยชื่อ ยังไม่เข้ารับตำแหน่งจนกระทั่งมกราคม 1953 บล็อกเกอร์และนักประวัติศาสตร์ที่ตามความไม่ลงรอยนี้ตั้งข้อสังเกตว่าเรื่องตามที่เล่ากันมาคลาดเคลื่อนไปอย่างน้อยหนึ่งปี (see the discussion at Arcane Sentiment, "Why 'dynamic programming'?") Bellman อาจแค่จำผิดว่าเจ้าหน้าที่คนไหนทำให้เขาระวังตัว หลังเหตุการณ์ผ่านไปหลายทศวรรษ หรืออาจพับความทรงจำสองชิ้นเป็นชิ้นเดียว — อัตชีวประวัติไม่ใช่คำให้การใต้คำสาบาน และบันทึกความทรงจำของเขาเองก็เตือนไว้ที่อื่นด้วยความรู้ตัวอย่างน่าเอ็นดูว่า "ทั้งหมดนี้มีส่วนทำให้ประวัติศาสตร์แบบที่เล่ากันมามีลักษณะชวนเข้าใจผิด" สิ่งที่ไม่มีข้อสงสัยคือคณิตศาสตร์: หลักการเหมาะที่สุดนั้นจริง ทรงพลัง และทั่วไปเท่าที่ Bellman อ้างไว้พอดี
When Searching Is Hopeless, Gamble
เมื่อการค้นหาสิ้นหวัง ก็เล่นพนัน
Not every wartime problem yielded to an equation. Some problems were so tangled with chance — a neutron careening through a chunk of fissile material, colliding, scattering, occasionally triggering another collision — that no formula could capture their behavior in closed form, and no exhaustive search was remotely possible even for a room-sized calculating machine.
ไม่ใช่ทุกโจทย์ยามสงครามจะยอมแพ้ให้สมการ บางโจทย์พันกับความบังเอิญแน่นเกินไป — นิวตรอนพุ่งผ่านก้อนวัสดุฟิสไซล์ ชน กระเจิง และบางครั้งจุดชนวนการชนอีกครั้ง — จนไม่มีสูตรไหนจับพฤติกรรมของมันในรูปปิดได้ และค้นหาให้ครบถ้วนก็เป็นไปไม่ได้เลย แม้กับเครื่องคำนวณขนาดเท่าห้อง
The way out came, by Stanislaw Ulam's own account, from a card game. Recovering from an illness in 1946 and playing endless hands of Canfield solitaire, Ulam found himself wondering what fraction of shuffled decks could actually be won — and realized that after failing to derive the answer by combinatorial analysis, the fastest path to a good estimate was simply to lay out many hands and count. If you cannot calculate the probability of an event from first principles, you can often simulate the event many times and let frequency stand in for probability. Ulam brought the idea to John von Neumann, who saw immediately that the same trick — replace an intractable calculation with a large number of random trials — could model how neutrons diffuse through a bomb core, a problem central to the hydrogen bomb project at Los Alamos. Nicholas Metropolis, working alongside them, gave the resulting family of techniques its lasting name, after the Monaco casino district, in a nod to Ulam's uncle, who reputedly could never resist a trip there (Los Alamos National Laboratory, "Hitting the Jackpot: The Birth of the Monte Carlo Method").
ทางออกมาจากเกมไพ่ ตามคำบอกเล่าของ Stanislaw Ulam เอง ปี 1946 เขาพักฟื้นจากการเจ็บป่วยและเล่นไพ่คนเดียวแบบ Canfield ไม่รู้จบ Ulam สงสัยว่าสำรับที่สับแล้วมีสัดส่วนเท่าไรที่ชนะได้จริง อนุมานด้วยการวิเคราะห์เชิงการจัดหมู่ไม่สำเร็จ เขาจึงเห็นว่าเส้นทางเร็วที่สุดสู่ค่าประมาณที่ดีคือวางไพ่หลายๆ ตาแล้วนับเอา ถ้าคำนวณความน่าจะเป็นของเหตุการณ์จากหลักการพื้นฐานไม่ได้ ก็มักจะ*จำลอง*เหตุการณ์นั้นหลายๆ ครั้ง แล้วให้ความถี่ยืนแทนความน่าจะเป็นได้ Ulam เอาไอเดียนี้ไปหา John von Neumann ผู้เห็นทันทีว่าลูกไม้เดียวกัน — แทนการคำนวณที่จัดการไม่ไหวด้วยการทดลองสุ่มจำนวนมาก — จำลองการแพร่ของนิวตรอนผ่านแกนระเบิดได้ โจทย์นี้เป็นหัวใจของโครงการระเบิดไฮโดรเจนที่ Los Alamos Nicholas Metropolis ที่ทำงานอยู่ข้างๆ พวกเขา ตั้งชื่อที่อยู่ยืนยงให้เทคนิคตระกูลนี้ตามย่านคาสิโนของโมนาโก เพื่อพยักถึงลุงของ Ulam ที่ว่ากันว่าอดใจไม่ไปที่นั่นไม่เคยได้ (Los Alamos National Laboratory, "Hitting the Jackpot: The Birth of the Monte Carlo Method")
Monte Carlo methods are, in the vocabulary of this book, a confession and a workaround at once: a confession that the space is too large or too tangled to search or compute exactly, and a workaround that trades a guaranteed exact answer for a probable good one, obtained fast. It is the same bet a pollster makes surveying a thousand voters instead of forty million, applied to physics instead of politics — and it would go on to become one of the standard tools of modern computing, invoked whenever a problem's exact structure resists analysis but its outcomes can be cheaply sampled.
วิธีมอนติคาร์โล (Monte Carlo) คือคำสารภาพและทางเลี่ยงในเวลาเดียวกัน ในคำศัพท์ของหนังสือเล่มนี้ สารภาพว่าพื้นที่ใหญ่เกินไปหรือพันกันเกินกว่าจะค้นหรือคำนวณอย่างแม่นยำได้ และเลี่ยงด้วยการแลกคำตอบแม่นยำที่รับประกันได้ กับคำตอบที่น่าจะดีและได้มาเร็ว มันคือการเดิมพันแบบเดียวกับที่นักสำรวจความคิดเห็นทำเมื่อสอบถามผู้มีสิทธิ์เลือกตั้งหนึ่งพันคนแทนที่จะเป็นสี่สิบล้านคน เพียงแต่ใช้กับฟิสิกส์แทนการเมือง — และมันจะกลายเป็นเครื่องมือมาตรฐานชิ้นหนึ่งของการคำนวณสมัยใหม่ ถูกเรียกใช้ทุกครั้งที่โครงสร้างที่แน่นอนของโจทย์ต้านการวิเคราะห์ แต่*ผลลัพธ์*ของมันสุ่มตัวอย่างได้ในราคาถูก
One Problem, Many Costumes
โจทย์เดียว หลายเครื่องแต่งกาย
Step back from the individual stories and a single, almost eerie pattern comes into view. A team of physicists calculating depth-charge fuses. A statistician reconstructing invisible aircraft losses. A Soviet mathematician scheduling plywood lathes. An American economist pricing a subsistence diet. A young Berkeley graduate student solving problems he didn't know were famous. A RAND consultant hiding calculus inside a politically safe name. A convalescent playing solitaire. None of these people were working on "the same problem" in any sense a layperson would recognize. And yet Kantorovich's lathes, Stigler's groceries, and Dantzig's Army logistics turned out to be one mathematical object — a linear program — in three disguises; Bellman showed that an enormous family of sequential decisions, from investment schedules to shortest routes, share a single recursive skeleton; and Wald's and Ulam's contributions both amount to extracting a signal from a process too large or too obscured to observe directly.
รูปแบบเดียวปรากฏขึ้นเมื่อถอยออกจากเรื่องเล่าแต่ละเรื่อง และมันเกือบจะน่าขนลุก ทีมนักฟิสิกส์คำนวณชนวนระเบิดลึก นักสถิติสร้างความสูญเสียของเครื่องบินที่มองไม่เห็นขึ้นมาใหม่ นักคณิตศาสตร์โซเวียตจัดตารางเครื่องกลึงไม้อัด นักเศรษฐศาสตร์อเมริกันตั้งราคาอาหารประทังชีวิต นักศึกษาบัณฑิตศึกษาหนุ่มที่ Berkeley แก้โจทย์ที่เขาไม่รู้ว่าโด่งดัง ที่ปรึกษาของ RAND ซ่อนแคลคูลัสไว้ในชื่อที่ปลอดภัยทางการเมือง คนไข้พักฟื้นเล่นไพ่คนเดียว ไม่มีใครในนี้ทำงานกับ "โจทย์เดียวกัน" ในความหมายที่คนทั่วไปจะรับรู้ได้เลย กระนั้น เครื่องกลึงของ Kantorovich ของชำของ Stigler และโลจิสติกส์กองทัพบกของ Dantzig กลับเป็นวัตถุทางคณิตศาสตร์ชิ้นเดียว — กำหนดการเชิงเส้น — ในสามชุดปลอมตัว Bellman แสดงว่าการตัดสินใจแบบลำดับตระกูลใหญ่ ตั้งแต่ตารางการลงทุนถึงเส้นทางที่สั้นที่สุด ใช้โครงกระดูกเรียกซ้ำเดียวกัน และสิ่งที่ Wald กับ Ulam ให้ไว้ล้วนเท่ากับสกัดสัญญาณออกจากกระบวนการที่ใหญ่หรือถูกบังเกินกว่าจะสังเกตตรงๆ ได้
This is the discovery this chapter's decade made, and it is the one that turns problem-solving from a craft into an engineering discipline: the representation is portable. Once you have proven that resource allocation, diet planning, and factory scheduling are the same equation, you do not need a new theory for each one — you need one solver, applied three times. This is also why the unit of optimization stopped being the individual weapon, the individual convoy, or the individual factory line, and became the system: the whole convoy fleet, the whole depth-charge doctrine, the whole supply chain. Optimizing a single ship's speed is a local trick; optimizing the convoy geometry is a system-level insight that saves an ocean's worth of tonnage. The operational researchers of the 1940s were the first people paid, as a full-time job, to ask "what is the actual shape of this problem?" before touching a single lever — and the answer, again and again, was that the shape was smaller and more general than anyone doing the job by feel had ever suspected.
representation พกพาได้ — นี่คือการค้นพบของทศวรรษในบทนี้ และเป็นสิ่งที่เปลี่ยนการแก้ปัญหาจากงานฝีมือให้เป็นสาขาวิศวกรรม พิสูจน์แล้วว่าการจัดสรรทรัพยากร การวางแผนอาหาร และการจัดตารางโรงงานคือสมการเดียวกัน ก็ไม่ต้องมีทฤษฎีใหม่สำหรับแต่ละอย่าง — ต้องการตัวแก้ตัวเดียว ใช้สามครั้ง นี่ยังเป็นเหตุผลที่หน่วยของการปรับให้เหมาะที่สุดเลิกเป็นอาวุธชิ้นเดียว กองเรือชุดเดียว หรือสายการผลิตสายเดียว และกลายเป็น*ระบบ*: กองเรือทั้งกองเรือ หลักนิยมระเบิดลึกทั้งหลักนิยม ห่วงโซ่อุปทานทั้งห่วงโซ่ ปรับความเร็วของเรือลำเดียวให้เหมาะที่สุดคือลูกไม้เฉพาะถิ่น ปรับเรขาคณิตของกองเรือให้เหมาะที่สุดคือ insight ระดับระบบที่ช่วยระวางบรรทุกไว้ได้ทั้งมหาสมุทร นักวิจัยดำเนินงาน (operational research) แห่งทศวรรษ 1940 คือคนกลุ่มแรกที่ได้เงินเดือนเต็มเวลาเพื่อถามว่า "รูปทรงจริงของโจทย์นี้คืออะไร" ก่อนจะแตะคันโยกสักคัน — และคำตอบ ครั้งแล้วครั้งเล่า คือรูปทรงนั้นเล็กกว่าและทั่วไปกว่าที่ใครก็ตามที่ทำงานด้วยความรู้สึกเคยสงสัย
The Move
ท่าประจำบท
Move 04 — Optimize the whole system, and measure before you optimize.
Move 04 — ปรับทั้งระบบ และวัดก่อนปรับ
- Draw the boundary wide before you draw a single conclusion. Blackett's team did not ask "how do we protect this ship" — they asked "how do we protect this fleet," and the right answer to the wider question (larger convoys) was the opposite of the right answer to the narrower one. Whatever unit you are tempted to optimize — a task, a ship, a plane — ask whether the real unit is one level up.
- Distrust an intuition until you have measured the process that generated your data. Wald's real insight was not a punchline about armor placement; it was refusing to treat "the planes I can see" as "all the planes there are." Before optimizing anything, ask what filtered your sample.
- Look for the linear program, or the recursive equation, hiding inside your problem. Kantorovich's lathes, Stigler's groceries, and Dantzig's logistics were one equation wearing three coats. When a problem feels bespoke, check whether a known general solver already fits it exactly.
- When exact search is hopeless, sample instead of guessing. Ulam's solitaire hands and Metropolis's neutron simulations turned an unanswerable calculation into a countable experiment. A large number of honest trials beats a single confident guess.
- ลากขอบเขตให้กว้างก่อนจะลากข้อสรุปสักข้อ ทีมของ Blackett ไม่ได้ถามว่า "จะปกป้องเรือลำนี้อย่างไร" — พวกเขาถามว่า "จะปกป้องกองเรือนี้อย่างไร" และคำตอบที่ถูกของคำถามที่กว้างกว่า (กองเรือใหญ่ขึ้น) คือตรงข้ามกับคำตอบที่ถูกของคำถามที่แคบกว่า ไม่ว่าจะถูกล่อให้ปรับหน่วยไหนให้เหมาะที่สุด — งานหนึ่งชิ้น เรือหนึ่งลำ เครื่องบินหนึ่งเครื่อง — ให้ถามว่าหน่วยจริงอยู่สูงขึ้นไปอีกชั้นหรือเปล่า
- อย่าเชื่อสัญชาตญาณจนกว่าจะวัดกระบวนการที่ผลิตข้อมูลของคุณแล้ว insight จริงของ Wald ไม่ใช่วรรคทองเรื่องตำแหน่งติดเกราะ มันคือการปฏิเสธที่จะถือว่า "เครื่องบินที่มองเห็นได้" คือ "เครื่องบินทั้งหมดที่มี" ก่อนจะปรับอะไรให้เหมาะที่สุด ให้ถามว่าอะไรกรองตัวอย่างมา
- มองหากำหนดการเชิงเส้น หรือสมการเรียกซ้ำ ที่ซ่อนอยู่ในโจทย์ เครื่องกลึงของ Kantorovich ของชำของ Stigler และโลจิสติกส์ของ Dantzig คือสมการเดียวที่สวมเสื้อสามตัว เมื่อโจทย์รู้สึกเหมือนถูกตัดเย็บมาเฉพาะ ให้ตรวจว่ามีตัวแก้ทั่วไปที่รู้จักกันอยู่แล้วสวมพอดีกับมันหรือไม่
- เมื่อการค้นหาแบบแม่นยำสิ้นหวัง ให้สุ่มตัวอย่างแทนการเดา ไพ่คนเดียวของ Ulam และการจำลองนิวตรอนของ Metropolis เปลี่ยนการคำนวณที่ตอบไม่ได้ให้เป็นการทดลองที่นับได้ การทดลองอย่างซื่อสัตย์จำนวนมากชนะการเดาอย่างมั่นใจครั้งเดียว
Next — Chapter 05 · The Algorithmic Path: the search that operations research did with a slide rule, a new generation would do with a machine — and the first machines that searched would need a theory of their own.
ต่อไป — บทที่ 05 · เส้นทางแบบอัลกอริทึม: การค้นหาที่วิจัยดำเนินงานทำด้วยไม้บรรทัดเลื่อน คนอีกรุ่นจะทำด้วยเครื่องจักร — และเครื่องจักรกลุ่มแรกที่ค้นหาได้ก็จะต้องการทฤษฎีของตัวเอง