13｜把决策写成算法：原则为什么必须能被检验？
为什么达利欧坚持把原则写得如此具体，甚至不惜让计算机来帮忙执行？
一、先说结论
达利欧有一个很少被强调、但极其重要的判断：
所以他做了一件在管理人里非常罕见的事：把决策的标准写清楚到可以交给机器执行的程度。 他在书中坦率地说，计算机对他思考的帮助极大——如果没有它，桥水不可能达到那样的水平。
这一篇要讲的核心是：
原则化的终极形态是「算法化」——把「遇到 X 情况，就按 Y 标准做 Z 判断」明确到可执行、可回测、可推翻。 这不是让人变成机器，而是让人的智慧能够被继承和放大。
二、我们先理解一个问题
先看一个很普遍的现象。
一家公司的老板有一套很准的判断直觉。他凭这套直觉做了很多正确的决定。但当他老了、退了，公司很快就出问题了。
为什么会这样？
三、作者到底提出了什么观点？
达利欧关于「算法化」的论述，可以拆成五点。
第一，原则必须具体到「可执行」的程度。
「要果断」不是原则。「当信息收集到 80% 且决策可逆时，就立刻行动；当决策不可逆时，就再收集到 95%」才是原则。
第二，具体的原则可以被检验。
一旦写清楚，你就可以回头问：「按这条原则做的那些决策，准确率是多少？在什么情况下它失效？」
第三，可以被检验的原则，才能被改进。
这是达利欧体系的核心循环：写下 → 检验 → 修改 → 再写下。 没有这一环，原则就只是个人偏好。
第四，决策可以被部分地交给系统。
达利欧大量使用计算机来辅助判断。他认为，人容易受情绪、记忆偏差、疲劳影响，而系统不会。所以他倾向于把那些已经被验证过、逻辑清晰的判断，交给系统执行。
第五，人的工作从「做判断」转向「设计判断标准」。
这是最深刻的一点。当越来越多的具体判断被算法化之后，人的核心工作变成了：决定要优化什么、设计判断的规则、以及在规则失效时意识到并修正它。
四、把这个观点翻译成人话
我们用一个特别好懂的对比来说明。
第一种：脑子里的原则
一位经验丰富的医生，看病很准。你问他怎么判断，他说：「就是感觉，看多了就知道。」
这种「原则」有三个问题： - 他退休了，判断就没了； - 他判断错了，也没法知道错在哪； - 他状态不好时，判断质量会下降。
第二种：写下来但很模糊的原则
他写成：「如果病人看起来情况不好，就进一步检查。」
这条原则写了等于没写——「看起来情况不好」是什么标准？
第三种：可执行、可检验的原则
他写成一份明确的规则：
这份规则有几个特征：
- 任何人拿到它，都能执行（不需要那 20 年的经验）；
- 它的准确率可以被统计（这 100 个病人里，它漏了几个？误报几个？）；
- 它可以被修改（发现漏报多，就调整标准）；
- 在极端情况下，它可以被交给系统自动触发。
这就是达利欧说的「把决策写成算法」——不是把人变成机器，而是把经验变成可以被任何人使用、被数据检验的规则。
五、为什么会这样？
这里有一个非常关键的逻辑链：
graph TD
A["经验藏在脑子里"] --> B["无法被传递、无法被检验、无法被改进"]
B --> C["必须依赖特定的人"]
C --> D["人一旦离开/老去/状态差，能力就中断"]
D --> E["组织永远无法比个人更聪明"]
A --> F["把经验写成明确规则"]
F --> G["规则可以被执行（不依赖某个人）"]
G --> H["规则可以被检验（准确率是多少）"]
H --> I["规则可以被修改（发现失效就升级）"]
I --> J["经验开始复利式积累"]
J --> K["组织可以比任何个人更聪明"]
这张图解释了达利欧为什么这么执着于「写下来」。
他的目标不是让某个人更聪明，而是让「智慧」这个东西，第一次有了可以被存储和迭代的载体。
这里还有一个特别值得注意的隐含判断：
一个直觉很准的人，可能今天状态好判断准，明天失眠就判断差。而依赖直觉的系统，波动性极高。
相比之下，一条明确规则的表现是稳定的。稳定意味着可以被预测、可以被改进、可以被信任。
达利欧的赌注是：在长期竞争中，稳定的中等水平，胜过波动的高水平。
六、举一个现实生活中的例子
我们看一个很多人都在用的场景：招人。
大多数人招人的「原则」（如果算原则的话）：
「凭感觉，聊得投缘就行。」 「看简历，名校大厂优先。」 「面试时出一道题，答得好就要。」
这些做法的问题是：无法复盘。 招错人之后，你不知道是「聊得投缘」这个标准错了，还是「名校」这个标准错了。因为你根本没有清晰的标准。
达利欧式的招人原则（在他的工作原则里有类似的表述）：
- 明确这个岗位最需要的特质是什么（不是技能，是性格与思维方式）；
- 为每个特质设计可观察的问题或场景，而不是问「你觉得自己怎么样」；
- 让多个可信的面试官独立打分；
- 记录每个人入职后的表现；
- 定期回头检验：当年打分高的人，实际表现是否真的更好？
第 5 步是决定性的——它让「招人」从一个靠运气的动作，变成了一个可以被改进的系统。
如果发现「特质 A」的打分和实际表现完全不相关，那就删掉这条标准；如果发现「特质 B」特别准，就加大它的权重。
这就是把决策写成算法：你仍然在看人、在判断，但你的判断标准变成了一个可以被检验、被改进的对象。
七、回到书中重新理解
现在回头看达利欧的原话，就更能理解他为什么反复强调「写得具体」。
他说，他写这些原则时的目标是表述准确、明确无误——他要让读者（以及员工）能清楚地知道「在什么情况下，该按什么标准做」。
他也提到，他会用流程图（Process Flow Diagram） 来描述一个组织如何运转——把「谁在什么时候做什么、依据什么标准」画出来。这本质上就是把管理变成一张可检查的图。
而他关于计算机的表述，其实是最有远见的部分之一。他说计算机帮助他更好地思考，如果没有计算机，桥水不可能如此卓越。这在 2017 年之前就写下了——比整个 AI 浪潮早了十几年。
他真正在做的事，是把「人的判断」逐步转换成「系统的判断」，而人退到系统的设计者位置。
这和我们在第 10 篇讲的「从更高层次看自己」是同一件事的延伸：
八、这个观点背后还有什么？
隐含前提一：被算法化的领域，有清晰的目标和可测量的结果。
投资和运营适合算法化，因为「结果好不好」可以被衡量。「我该不该跟这个人结婚」就不适合——目标本身都没定义清楚，怎么算法化？
隐含前提二：世界有一定的稳定性。
如果规则每天都在失效，算法化就没有意义。达利欧的赌注是，人性、经济周期、组织行为的规律是相对稳定的。
隐含前提三：人愿意接受「被规则约束」。
这需要文化支撑。在一个「老板说了算」的组织里，算法化只会变成老板意志的另一种包装。
与其他观点的联系： - 第 12 篇的期望值思维，是算法的计算内核； - 第 15、17 篇的极度求真与可信度加权，是算法得以运行的数据前提； - 第 25 篇会专门讨论AI 时代这套思路的延伸与风险。
九、这个观点有问题吗？
十、今天再看这个观点
达利欧关于「把决策写成算法」的主张，在今天是最被验证、也最需要警惕的一条。
它的验证是显然的：今天所有的大模型、推荐系统、自动化决策系统，本质上都在做他描述的事——把判断标准明确化，然后交给系统执行。
但今天也让我们看清了它的风险：
- 当算法决定你看到什么新闻、拿到什么贷款、匹配到什么对象时，「优化目标由谁定义」成了一个政治问题，而不仅仅是技术问题；
- 当 AI 可以模仿你的决策风格时，「把原则写下来」也可能意味着「把你的判断权交出去」；
- Agent 能够自主执行决策时，人退到设计者位置这件事，可能退得比预想中更彻底。
所以，达利欧的问题在今天变成了一个更尖锐的版本：
这是基于达利欧思想的现代延伸，也是第 25 篇要展开的话题。
十一、这一篇真正应该记住什么？
- 写在脑子里的经验，无法传递、无法检验、无法改进。
- 具体到可执行的原则，才能被统计学检验，进而被改进。
- 算法化的真正目的，不是让人变成机器，而是让智慧可以被继承和放大。
- 人的角色，正在从「做判断」转向「设计判断标准」以及「在标准失效时发现它」。
- 被度量的东西会挤走没被度量的东西——算法化越彻底，越要警惕这个代价。