先嘗新菜，何時改點熟悉的？費曼餐桌手稿與 2,520 人的決策實驗

# 先嘗新菜，何時改點熟悉的？費曼餐桌手稿與 2,520 人的決策實驗

作者：阿克斯星門｜中原大學通識教育中心助理教授

先把研究真正證明的事說清楚

PNAS 研究解讀費曼在 1970 年代留下的餐廳問題手稿，形式化探索新選項與回到目前最佳選項之間的取捨，並證明費曼策略在其模型設定下為最優。預註冊實驗納入 2,520 名美國參與者，分配到不同品質分布、7／14／28 次機會與實驗條件。結果顯示，人們使用隨剩餘機會比例線性下降的決策門檻，能取得接近最優策略的表現，但早期通常比線性模型預測得更願意探索。

最常見的誤讀是把「在指定數學模型下最優」寫成「人生都應照這個比例決定」，或把 2,520 人的平均策略當成每個人的心理定律。研究真正展示的是簡單捷思如何逼近複雜最優解。 因此，正式報導必須把研究觀察、研究者解釋與編輯延伸分開。每個數字都要回到研究對象、時間尺度、實驗條件與測量方法；若來源只支持「相關」「可能」或「在特定模型下」，就不能把動詞升級成「造成」「證明」或「適用所有人」。

從吸睛結論退一步：真正的公共問題

這個問題的魅力不是教人算出人生唯一答案，而是把探索—利用衝突變成可分析模型。最優策略依賴選項品質分布、剩餘機會與可觀察資訊；只要假設改變，答案也會改變。

這種後退一步的問法很重要，因為科技與科學新聞最容易把一個新結果包裝成單一答案。真正進入生活後，還會遇到權利、資源、制度、成本、文化與責任。好的專題不是把研究變得比較保守，而是把「在哪些條件下成立」說得更精確，讓讀者知道哪些事情已經有證據、哪些仍是合理推論、哪些只是值得測試的假設。

雙向知識不是裝飾，而是互相校正

雙向知識的重點不是在科學段落後面加上一段文化故事，而是讓現場經驗有能力反過來改變問題。量化研究擅長比較、估計與建立可重複測量；生活者、社群與專業工作者則能指出分類沒有看見的關係、歷史、語言、倫理與例外。當兩邊都能提出問題、拒絕錯誤轉譯並共同決定資料如何使用，知識才真正形成雙向流動。

課堂可讓學生用餐廳、選課、研究題目或軟體工具做模擬，但要標示模型假設。真實職涯、投資或伴侶關係包含不可逆成本、他人權利、學習效應與未知分布，不能套用成固定比例公式。 這也是為什麼國際研究只能作為比較材料，不能直接被寫成台灣或原鄉已經成立的事實。

資料走到決策，中間還有很多道門

一項研究要變成公共服務、教育或產業工具，中間至少要經過資料品質、外部驗證、使用者理解、人工覆核、錯誤回報、權限與責任等關卡。一次成功的研究結果，不等於系統已經準備好大規模部署。若涉及高風險健康、原住民族權利、個人資料或重大資源配置，更需要清楚的停用條件、申訴窗口與版本紀錄。

真正可靠的制度不是永遠不犯錯，而是錯誤出現時能被看見、能被修正，而且受到影響的人有能力要求說明。

AI 時代更需要證據紀律

生成式 AI 很容易把相關性寫成因果、把單一研究擴大成所有族群、把研究模型當成真實世界，也可能把不同版本的資料拼成看似完整但不存在的結論。因此，編輯流程要保留來源名稱、日期、研究對象、主要數字與限制，重要主張必須能回到原始研究或官方資料。

AI 可以協助整理與比較，但不能替代責任。當來源更新、研究被修正、制度改變或社群提出異議時，文章也應留下可更新的路徑，而不是把今天的結論永久固定成唯一答案。

台灣與原鄉怎麼借鏡

課堂可讓學生用餐廳、選課、研究題目或軟體工具做模擬，但要標示模型假設。真實職涯、投資或伴侶關係包含不可逆成本、他人權利、學習效應與未知分布，不能套用成固定比例公式。

借鏡的第一步應該是畫出自己的情境：誰是使用者、誰擁有資料、誰能修改分類、第一線是否有能力覆核、偏遠地區的網路與人力條件如何、錯誤由誰負責。涉及原住民族與地方知識時，還要把社群同意、資料主權、文化敏感資訊與利益回饋放在設計之前，而不是等系統完成後才補上一段倫理說明。

先分清楚模型，再談決策門檻

餐廳比喻容易讓不同版本看起來相同。加州理工學院費曼講義網站保留了 Gottlieb 根據午餐故事重建的題目，也另外說明後來如何解讀費曼手稿。重建題目中，嘗新菜只告訴你它是不是目前最好的一道；手稿解讀則涉及可觀察的品質及其分布。資訊條件一改，計算方式也會改，因此不能把早期重建版本的答案直接當成新研究所證明的同一條公式。

「剩餘機會」是這個模型的另一個關鍵。本文用一個假想例子說明：若還有許多次用餐，找到更好選項後可以反覆享用，嘗新的潛在回報較大；若只剩最後一次，取得新資訊本身便不會替未來帶來價值。這不是說最後一定要點熟悉菜色，而是說期待值、已知最佳品質及未知選項的分布必須一起比較。換成一個偏好會改變、菜單會更新的真實情境，固定模型又需要重新檢查。

實驗中的線性門檻是一種簡化策略：隨時間推進，接受目前最佳選項的標準逐步下降。接近最優的平均分數，不代表參與者逐次執行精確的數學解，也不保證簡單規則在所有未知環境都有效。課堂可以讓學生比較相同機會數、不同品質分布的模擬，再加入探索成本，觀察策略何時失去優勢。這些是本文提出的教學延伸，並非論文測試過的所有條件。最值得學的是說清楚選項、資訊、時間與代價，而不是把一張下降曲線當成人生指令。

在什麼條件下可以做

成熟的科技討論很少只有贊成或反對。更好的問題是：在什麼資料品質、驗證門檻、人工覆核、社群參與與退出機制下，這項方法值得使用？哪些場景風險太高，應先停在研究階段？哪些結果只適合形成假設，而不能直接變成政策？

最常見的誤讀是把「在指定數學模型下最優」寫成「人生都應照這個比例決定」，或把 2,520 人的平均策略當成每個人的心理定律。研究真正展示的是簡單捷思如何逼近複雜最優解。 把這些限制寫清楚，不會削弱研究價值，反而能避免一個原本精確的結果在傳播中變成錯誤承諾。

結語：讓新知識保留可追問的空間

這份研究把一個日常疑問變成可檢驗的模型，也提醒我們先問自己掌握了哪些資訊。選擇策略的合理性取決於假設；願意說明假設、比較替代策略並承認未知，才是把數學帶回生活時最有用的能力。

一項研究真正重要，不是因為它提供最後答案，而是因為它讓下一個問題更精確。當科學、地方經驗與公共治理都保留互相校正的空間，新技術與新發現才不會只成為新的權威，而能成為共同判斷的工具。今天最值得留下的不是一句口號，而是一套可以持續查證、修正與回到現場的提問方式。

閱讀這篇時，請記住三條界線

第一，研究對象不是全世界。不同族群、制度、文化與環境都可能改變結果，跨國比較應說明差異。第二，模型或統計不是當事人的全部生活；數據能讓某些關係變得可見，也會把未被測量的部分留在畫面之外。第三，新的研究結果不是命令。它可以改變我們提出問題的方式，卻不能跳過專業判斷、社群同意與個人選擇。

對原傳媒AI而言，雙向知識的責任正是在這三條界線上工作：一方面不因為尊重地方經驗就放棄可核對證據；另一方面也不因為有了量化研究，就把地方知識、文化差異與生活者的選擇降格成附註。只有當兩邊都能修正彼此，知識才真正能服務人。

資料來源與延伸閱讀

• PNAS｜Resolving Feynman’s restaurant problem reveals optimal solutions and human strategies
• The Feynman Lectures Website｜Restaurant Problem Revealed
• The Feynman Lectures Website｜Restaurant problem

source-check notes

人工審稿核對：2026-09-29。