之前談到「好的求職作品能展現你『解決問題，創造價值』的能力與實績」 [1]
，就有鄉民提道：「解決問題還好，發現問題才難」。
> 推 nekosgr93: 推 我覺得寫作品本身還好 找問題這件事才是最難的
這篇我想談「好問題」，但與《提問的智慧》 [2] 的「好問題」不同。
《提問的智慧》主張的是「能激發知性智識成長的，就是好問題」，我想談的是「
有價值、能交換利益的，叫做好問題」，也就是偏向「功利」的考量，去思考如何
做到「價值大於成本」。
# 知識落差的價值：計算思維(computational thinking) [3] [4]
整理自維基百科對「計算思維」的說明：
* Abstraction 抽象化／定義問題
* decomposition 解構問題、降低複雜度
* pattern recognition / data representation 識別問題模式／資料表示方法
* generalization/abstraction 歸納／抽象思考
* algorithms 演算法
* Automation 自動化／實作解決方案
* Analyses 分析／執行、改善解決方案
上面提到的３Ａ（抽象化、自動化、分析／執行／改善）可說是碼猴特有的三合一
優勢；一般人多少也能做到抽象化、分析／執行／改善，但「自動化」有個程式語
言門檻，一般人常卡在這裡，它們的方法再好，最後還是要手動去做。
從功利角度來說，你不需要是世界最強碼猴，你只需要找到從「自動化」知識落差
套利的機會即可。易言之，可以從生活中工作上各種體驗著手，把事情紀錄下來，
拆解成小步驟，看看可以怎麼用自動化省時省事省麻煩（省成本）、做出來的結果
更一致整齊（增加價值）。
# 計算的成本：莫拉維克悖論(Moravec's paradox) [5] [6]
莫拉維克悖論的大意是：「有些問題很適合用電腦處理，有些很不適合」。進一步
說：「愈是高度抽象思維的問題，就可能愈適合用電腦處理；愈是人體感官、肢體
運動相關的問題，就愈難用電腦處理」。
Moravec 解釋這背後的哲理是：「人腦處理感官、肢體運動的能力，是十億年基因
演化的成果；相較之下，抽象思考只是十萬年文化演化的成果」。易言之，兩邊的
級數差很多，難度不同。
把這個道理應用在「價值與成本」這個題目上，就是要去檢視哪些部分是「高度抽
象思維的問題」，哪些部分是「人體感官（情緒、感性）、肢體運動相關的問題」
。與「人體感官、情緒、感性、肢體運動」相關的部分愈多，一般來說，就愈不容
易去利用 *傳統* 自動化方法降低成本。（而現今 2019 年的ＡＩ工具門檻還是不
低，對一般碼猴來說能套利的空間有限。）
另一個要考量的，就是「計算的限制」 [7] ，雖說 RAR 的密碼可以找 yo叔 破
，但在計算科學上還是有些目前打不破、難以突破、尚無人能破的科學之壁，有興
趣可以看 "limits of computation" [7] 的討論。
# 價值與成本：市場、推銷、產品、技術
以下兩則漫畫諷刺「過分專注於產品、技術」的問題。
* https://xkcd.com/1319/ 上圖是理想狀況，自動化會省時間；下圖是現實情況
，花在開發自動化方案的預算大幅透支。
* https://xkcd.com/1445/ 花在「分析方法Ａ與方法Ｂ哪個好」的時間成本遠超
過實作方法Ａ或Ｂ的時間。
這則漫畫則是展示「價值與成本」的思維，也就是先思考「市場」的潛在價值，再
想想值得投入多少成本、預算。
* https://xkcd.com/1205/ 以５年來看，自動化要省多少時間才划算？
* 橫軸：你手動做這件事的頻率，每天 50 次／每天５次／每天１次／每週１次
／每月１次／每年１次
* 縱軸：自動化可省多少時間，１秒／５秒／30秒／１分／５分／30分／１小時
／６小時／１天
例如，如果自動化可以讓一件「１週１次」的事省下「１小時」，那麼，以５年為
期，就會省下
1 次/週 * 5 年 * 52 週/年 * 1 小時/次 * 1 天/24小時 = 10.8 天
在這個模型下，若花小於 10.8 天去實作這自動化，那就有價值；若花超過 10.8
天去做，那就是虧本。
從「價值槓桿」的角度來看：
市場(market) ＞ 推銷(marketing) ＞ 產品(product) ＞ 技術(technology)
從市場去套利，會比從產品、技術著手來得簡單；但由技術出身的碼猴有時很難突
破這個心障，也就是所謂「當手上只有槌子時，每個問題看起來都像釘子」 [8]
。
你不需要去找世界第一大的市場，但你至少要能分辨你手上能處理的問題中，市場
總額 [9] 的相對大小，去判斷哪些問題的套利空間大。
## 推銷
這個題目很大，我也還不是很懂，還要再多學、多整理我的想法；有興趣的話可以
看看這些東西：
* value proposition
*
https://lloydmelnick.com/2014/07/23/why-a-new-product-or-game-has-to-be-9x-better/
* https://heathbrothers.com/books/
* 之前貼過的舊文連結，「如何測量及展示你造成的正面影響」
* https://www.facebook.com/30abysses/posts/2853523934672727
* https://www.facebook.com/30abysses/posts/2862654977092956
可以把這門學理想成「如何呼叫人類大腦的 API ，讓它做你想要它做的事」，也
就是所謂「說服(persuade)」。
# 價值與成本：工欲善其事，必先利其器
市面上已經有許多 CRUD 框架，已經能應付大部分資訊自動化的問題。在這裡我想
提的是比較少人談論的，解決問題的觀念、思維上的工具，例如：
* 限制理論(theory of constraints) [10] [11]
* 系統思考(system thinking) [12] [13] [14]
* 雙鑽(double diamond) [17]
這類工具可以更細緻地解構問題，抓出套利空間，掌握關鍵價值、成本的瓶頸。
就軟體工程方法、思維來說，這裡不談敏捷、ＴＤＤ一類的，但我會建議讀一讀「
ｒ／Ｋ選擇理論」 [15] [16] （英文版談得比較詳細），從自然中的例子反思不
同工法在「演化、疊代」（試誤、取得意見回饋、修正）上的差異，不同工法的價
值與成本。
# 結語
就碼猴來說，怎麼樣算好問題？可以答「適合以３Ａ優勢套利的問題、自動化成本
小於手動成本的問題」。
那麼，要如何找到好問題？我會說，放下產品與技術，去接觸市場，也就是「願意
付錢解決它痛點的買家」，看看那痛點是怎麼個痛法，例如，費神、麻煩、慢、貴
、危險。再從這篇文提到的各種解析價值與成本的角度，估計套利空間，做出解決
方案，完成交易。
[1]: https://www.ptt.cc/bbs/Soft_Job/M.1574024530.A.45E.html
[2]: https://ryanhanwu.gitbooks.io/how-to-ask-questions-the-smart-way/
[3]: https://zh.wikipedia.org/zh-tw/%E8%AE%A1%E7%AE%97%E6%80%9D%E7%BB%B4
[4]: https://en.wikipedia.org/wiki/Computational_thinking
[5]:
https://zh.wikipedia.org/zh-tw/%E8%8E%AB%E6%8B%89%E7%B6%AD%E5%85%8B%E6%82%96%E8%AB%96
[6]: https://en.wikipedia.org/wiki/Moravec%27s_paradox
[7]: https://en.wikipedia.org/wiki/Limits_of_computation
[8]: https://zh.wikipedia.org/zh-tw/%E5%B7%A5%E5%85%B7%E8%A7%84%E5%BE%8B
[9]: https://en.wikipedia.org/wiki/Total_addressable_market
[10]: https://en.wikipedia.org/wiki/Theory_of_constraints
[11]: https://zh.wikipedia.org/zh-tw/%E9%99%90%E5%88%B6%E7%90%86%E8%AB%96
[12]:
https://thesystemsthinker.com/systems-thinking-what-why-when-where-and-how/
[13]: https://en.wikipedia.org/wiki/Systems_theory
[14]: https://en.wikipedia.org/wiki/System_dynamics
[15]: https://zh.wikipedia.org/zh-tw/R/K%E9%80%89%E6%8B%A9%E7%90%86%E8%AE%BA
[16]: https://en.wikipedia.org/wiki/R/K_selection_theory
[17]: https://en.wikipedia.org/wiki/Double_Diamond_(design_process_model)