25｜当「原则」遇上 AI：算法化决策的今天与未来
达利欧二十年前主张的「决策算法化」，在 AI 时代意味着什么？
一、先说结论
达利欧的核心主张——把判断标准写清楚、让数据说话、用系统辅助决策——与今天的大模型、Agent 和数据驱动管理几乎是同一个方向。
但两者之间有一个根本差异：
所以达利欧思想在 AI 时代真正的问题不是「技术能不能实现」，而是：
二、我们先理解一个问题
先看一个正在发生的现实。
今天，一个推荐系统决定你刷到什么；一个风控模型决定你能不能贷款；一个招聘算法决定你的简历会不会被看到；一个 Agent 可能替你做出一连串的执行决定。
这些系统，本质上都在做达利欧描述的事：把判断标准明确化，然后交给系统执行，并且用结果来不断修正。
但达利欧当年有一个前提：这套系统的判断标准，是人的团队的共识，并且对人的团队可见。
现在的问题是：
三、作者到底提出了什么观点？
严格地说，达利欧的书里没有讨论 AI。所以下面这些内容，是把他的原则延伸到今天的语境。我们需要明确区分「达利欧说了什么」和「这些思想在今天意味着什么」。
达利欧说了什么
第一，决策可以被写成算法。
他认为，把「在什么情况下、按什么标准、做什么判断」写清楚，就能让系统辅助甚至代替部分人工判断。他说计算机对他帮助极大。
第二，可信度加权可以制度化。
在桥水，这件事是用工具（棒球卡、集点器）完成的——用记录来分配权重。
第三，极度透明是可靠性的前提。
如果信息是失真的，任何算法都只是在处理垃圾。
第四，人退到「设计者」的位置。
当具体判断被系统接管，人的核心工作变成设计判断标准、定义目标、以及在标准失效时发现它。
这些思想在 AI 时代意味着什么（延伸）
延伸一：AI 让「决策算法化」变得廉价。
过去需要组织投入大量人力和时间，才能把判断标准写清楚、并且持续执行。现在，一个模型可以快速地从海量数据中提取规律，代价极低。
延伸二：AI 让「可信度加权」变成一种隐形的排序。
搜索引擎、推荐系统、风控模型都在做加权。问题是：权重是谁定的、依据是什么、能不能被质疑。
延伸三：AI 让「极度透明」出现了新的形态。
一方面，AI 可以让信息全部可见；另一方面，当 AI 自身是黑箱时，最重要的那个判断依据反而变得不透明。
延伸四：人被迫回答「保留什么决策权」。
这是达利欧思想的现代延伸，也是这个时代最核心的管理问题。
四、把这个观点翻译成人话
我们用最直观的方式说清楚。
过去（达利欧时代）的算法化：
一家公司决定「我们提拔人的标准是：连续三个项目达标 + 团队评价稳定 + 能清晰解释自己的判断」。这个标准写在一份文档里，所有人都能看到，也可以讨论、质疑、修改。
现在的算法化：
同一家公司用了一个 AI 系统来决定晋升推荐。系统会根据大量数据给出建议，但没有人知道它具体在权衡哪些变量，也不知道为什么某个人的分数低。
这两件事，达利欧都会称之为「把决策算法化」，但它们的性质完全不同：
- 前者是可以被挑战的规则；
- 后者是无法被挑战的黑箱。
而达利欧的整个体系，是建立在「原则必须可检验」之上的——所以一个不可解释的算法，恰恰违反了达利欧自己的核心要求。
这是 AI 时代最需要注意的错位：很多人以为「用 AI 做决策」是达利欧思想的升级，其实它可能是达利欧思想的反面。
五、为什么会这样？
我们来看这个错位是怎么产生的。
graph TD
A["达利欧：把决策写成算法"] --> B["前提1：标准公开可读"]
A --> C["前提2：结果可追溯、可检验"]
A --> D["前提3：人保留设计和修改权"]
B --> E["AI 时代的现实"]
C --> E
D --> E
E --> F["模型参数不可读（黑箱）"]
E --> G["结果难以归因（'模型就是这么算的'）"]
E --> H["定义目标和权重的人，通常是权力更大的一方"]
F --> I["不可挑战 → 违反'可检验'原则"]
G --> I
H --> J["加权被权力固化 → 违反'技术中立'假设"]
I --> K["表面上是'算法决策'，实质上是'不可质疑的权威'"]
J --> K
这里有一个非常尖锐的对照：
所以，AI 时代真正继承达利欧思想的做法，不是「把决策交给 AI」，而是：
这正好是「极度透明」和「可信度加权」的现代版本。
六、举一个现实生活中的例子
我们看两个场景，来说明「AI + 原则」的正面与反面。
场景一（反面）：一家公司用 AI 筛简历。
公司使用了一套 AI 招聘系统。它会把不符合「历史成功画像」的简历筛掉。
结果：系统系统性地漏掉了一批非常优秀的候选人——因为历史上成功的人，大多来自特定的学校和背景。
这个例子里的问题不是 AI 不准确，而是： - 它学习的「成功画像」本身就带有历史偏见； - 没有人能说清它到底在权衡什么； - 被筛掉的人，甚至不知道发生了什么。
从达利欧的角度看，这违反了三条原则： - 求真：它没有告诉你真相，只给了结果； - 透明：它的判断依据不公开； - 可检验：你无法验证它的判断标准是否合理。
场景二（正面）：一家公司用 AI 辅助，但保留人对判断的检查和修改。
同样的场景，但公司做了几件事：
- 把 AI 的判断依据尽量显性化（比如列出影响结果的主要变量及其权重）；
- 允许被评估者要求解释和申诉；
- 定期用「人工抽查」检验 AI 的判断，看它是否偏离了公司的价值观；
- 明确：AI 只提供建议，最终决定由人负责。
结果：AI 提高了效率，但它始终处在一个可被检查和修正的位置上。
这两个场景的区别，正是达利欧思想在今天最有价值的地方：
七、回到书中重新理解
现在回头看达利欧的原话，会更能理解他为什么如此执着于「写下来」和「可检验」。
他其实在讨论一件比管理更根本的事：
他的答案是：因为它的标准是公开的，它的结果是可以被回溯的，它的人是愿意承认错误的。
这三条，在人类组织里已经很难做到，在 AI 系统里更难——但它的必要性，反而更高了。
因为一个错误的人类决策，影响范围有限；一个错误的算法，可以被复制到无限规模。
达利欧没有预见到这一点，但他的方法论恰好指向了这个问题的解法：任何判断系统，都必须能够被检验、被推翻、被修改。
八、这个观点背后还有什么？
隐含前提一：AI 的决策依据可以被部分显性化。
这在技术上并不总是可行，尤其是复杂模型。但如果无法显性化，那么「人对它负责」就成了一句空话。
隐含前提二：人有能力判断「算法的目标是否合理」。
这需要人对业务、对价值有清晰的认识——而这恰恰是达利欧强调的「设计者」能力。
隐含前提三：组织愿意接受「算法可能是错的」。
如果算法一旦被使用就不能被质疑，那它就变成了新的独裁。
与其他观点的联系： - 第 13 篇「把决策写成算法」是这一篇的直接前身； - 第 16 篇「极度透明」在 AI 时代变成了算法透明； - 第 17 篇「可信度加权」在 AI 时代变成了排序与权重问题； - 第 24 篇的批评，在 AI 时代被放大了。
九、这个观点有问题吗？
十、今天再看这个观点
这一篇本身就是「今天再看」。
如果要给一个总结，大概是这样的：
达利欧给了我们一套「把判断变成规则」的方法，而 AI 给了我们「执行规则」的强大能力。真正的挑战，在于把这两件事正确地接起来：
| 达利欧的原则 | 在 AI 时代的对应问题 |
|---|---|
| 拥抱现实 | 数据是否真实、是否被选择性使用？ |
| 极度求真 | 模型是否在输出「你想听的」而不是「真的」？ |
| 极度透明 | 算法的判断依据是否可见？ |
| 可信度加权 | 权重是谁定的？会不会固化偏见？ |
| 从更高层次看自己 | 人是否还在定义目标、承担后果？ |
| 严格的爱 | 算法能给反馈，但给不了关心 |
| 写下原则 | 你写下的是判断标准，还是把判断权交了出去？ |
最后一行可能是最重要的一问。
在 AI 越来越强的时代，「写下自己的原则」这件事，意义反而变得更大——因为如果你没有明确的原则，你就无法判断 AI 的答案是不是你想要的，也无法在它出错时知道该改什么。
没有原则的人，在 AI 时代不只是被别人的原则支配，还可能被一个自己无法理解的系统支配。
十一、这一篇真正应该记住什么？
- AI 让「决策算法化」变得廉价，但一个黑箱算法违反达利欧的「可检验」原则。
- 达利欧反对老板说了算，而黑箱算法比老板更难被挑战。
- 可信度加权在 AI 时代的问题变成：权重是谁定的、能不能被质疑。
- 算法能提供反馈（严格），但提供不了关心（爱）。
- AI 越强，「写下自己的原则」越重要——否则你无法判断它给的答案是不是你要的。