2012年5月，谷歌向美国专利局（US Patent Office）申请了编号为8781669的专利。[8]这项专利的名称——“基于风险考虑的自动驾驶车辆的主动传感技术”（Consideration of risks in active sensing for an autonomous vehicle），与这家以网络搜索而闻名的公司似乎没有太大的关联性。事实上，当时的谷歌已经进军自动驾驶汽车领域，而这也是它首次公开承认此事的文件之一。
这份专利文件概述了传感器之间的一系列技术互动，并通过示意图标示了这些传感器在车上的位置。但从本质上看，它是对自动驾驶车辆如何做复杂决定的一种描述。文件包含一张颇为有趣的表格，它精确地描述了控制汽车的软件在面临危险的路况时是如何考虑风险的：在均有车辆行驶的双向车道，有一个行人闯入了你的车道。这辆汽车应该决定做什么？
乍看起来，这类选择可能与本书所述主题的关联性不大，因为它们与人类深思熟虑的决定恰恰相反。在时速40英里的情况下，即便有半秒的思考时间，你也根本无法做出选择，因为在你选定一条路之前，你的车已经撞上那个行人了。但计算机有着不同的运算速度：在有些事情上运算速度快，在有些事情上运算速度慢甚或不具备运算能力。比如，在涉及空间几何或物理的、有意义的变量较为适中的系统里，计算机的运算速度就很快：一个在过十字路口的行人，一辆朝你疾驰而来的运动型实用汽车（SUV）。因为这类问题是可以在极短的时间内解决的——当然，正如我们将要看到的，“解决”这个词用在这里并不是很合适。数字决策算法可以将我们做远见决策的时间缩短到几纳秒。谷歌专利文件中的那张表格，与线性数值建模中的表格极为相似，原因就在这里。谷歌的自动驾驶汽车可以将思考时间缩至人的本能反应时间。
表3.3中列的是一份“恶性事件”清单。有些是灾难性的大事故：被卡车撞了；撞到行人。有些是小事故：车上某个传感器因被某物体遮蔽而致使信息丢失。每个恶性事件都按照两个关键特性计分：风险等级和概率。如果该汽车刚刚越过道路中线，那么它与迎面而来的汽车相撞的概率较低，但两车撞击这个事件的风险等级很高。如果它急忙转入停车道，这个角度可能会遮蔽一个摄像头，但与另外一辆车发生高风险撞击事故的可能性或会将至为零。基于这些评估，软件为每一种行动计算“风险惩罚分”，即风险等级乘以概率。被迎面而来的车撞倒的可能性是极低的（0.01%），但被撞的风险程度却非常高，这时候，软件就会避开可能导致这种结果的选项，即便其他“恶性事件”发生的可能性是该事件的1 000多倍。
表3.3 恶性事件风险惩罚分清单
当车在路上遇到动态情况时，它会依据可以采取的潜在行动，对照表格中的各个版本进行快速组合：左转，右转，紧急刹车等。在潜在风险方面，每一种行动都包含一组不同的概率。避开迎面而来的车辆会将对撞的风险降到近乎为零，但仍有相当大的概率会撞上行人。风险等级分数实际上是车的道德罗盘，是边沁的功利主义分析的一种旁系衍生法：相比于撞上行人，干扰路线规划、右转行驶的结果显然更优，因为后者会带来“最大多数人的最大幸福”，尤其是对于那个行人来说。在这张“恶性事件”表格中，道德法则是以数字表示的：在这个例子中，软件认为撞上行人的后果比与迎面而来的车相撞所产生后果严重4倍。这里的假设条件是，在当前车速下，如果行人被撞则可能造成死亡事故，而两辆车相撞，车上的人会活下来。但如果车速更快，风险等级则会呈现另外一种情况。
在某种意义上，谷歌的“恶性事件”表格可以说是线性数值模型的一个镜像版。在依照达尔文的正反理由清单进行线性数值模型重建时，我们为他希望在生命中取得的所有积极结果赋予了相应的权重值：同俱乐部中的聪明人士交流，家庭，陪伴等。谷歌的表格为所有负面结果赋予了相应的权重值，并按照概率评估对这些权重值进行了修正。尽管“恶性事件”表格的初衷在于做出瞬间决策，但这个架构对我们来说却有重要的借鉴意义，它有助于我们审慎做出时间跨度为几个月乃至几年的决策。第一，它包含概率评估。要知道，在追捕本·拉登的行动中，这种概率评估在内部辩论中发挥了极其重要的作用。第二，它不仅迫使我们考虑我们的目标和价值观，还会迫使我们考虑那些极易被忽视的事情：极不可能发生的灾难。有些结果是灾难性的，尽管它们的发生概率很低，但审慎的做法还是要不惜一切代价避免此类事件发生。拿出时间建立你自己的“恶性事件”表格，这样在做复杂决策时，你的大脑就不会只关注那些好的结果了。
正如司马贺的著名论断，无论决策者多么富有远见，不确定性都是复杂决策中无法避免的一个因素。如果我们拥有完美的洞察力，对所做选择的下游结果有着清晰认知，那么我们根本无须通过各种策略——如事前剖析和情景规划等——设想未来。不确定性虽然无法避免，但在决策过程中，我们可以用各种方法来减少不确定性。首要的一点就是避免只关注最有可能发生的结果。在对各种变量进行综合考虑之后，如果人们幸运地发现一个可能会产生最佳结果的选项，那么他们会自然而然地把重点放到这一路径上，从而忽略了“不确定性之锥”中发生概率较低的结果。一条决策路径有70%的概率可以取得非常好的结果，有30%的概率会遭遇灾难性的结果；另一条决策路径同样有70%的概率可以取得非常好的结果，有30%的概率会遭遇不甚理想但可容忍的结果。这实际上是两条截然不同的路径。因此，在决策艺术中，你要做的事情之一就是全面考虑不太可能发生的结果，并将其作为一项安全防范措施。麦克雷文和他的团队有充分的理由相信，巴基斯坦方面最终会理解为什么美国人在本·拉登突袭行动中会做出擅自闯入其领空的决定，但他们也认识到，他们的盟友可能会将这次行动视为一种背叛，并采取某种报复行动。所以，他们开辟了另外一条为驻阿富汗部队提供物资补给的线路，从而解决了这一后顾之忧。但如果居于第二的概率结果是一个灾难性的结果，那你可能就得回过头来另觅他途了。
减少不确定性的另外一种方法，是支持那些在你选定之后仍可被修正的路径。决策路径各不相同，衡量标准之一就是选定之后，你在多大程度上可以对它们进行修补、改进。比如，从当前看，某一条路径有70%的概率可以产生非常好的结果，但一旦你做出最终选择之后，你就不能做进一步迭代了。这样一条路径的吸引力，或许赶不上那种选定后仍允许你依照事实进行修正的决策路径。在某种意义上，这可以说是“最小化可行性产品”（minimally viable product）理念的一个版本。最小化可行性产品是当下技术领域非常流行的一个理念：不要试图交付最完美的产品；交付最简单的、对你的客户可能有用的产品；产品一旦上市之后，再对它进行改进和提升。按照这种方法去思考一个决定，则意味着在线性数值模型中增加一个不同的变量：下游灵活性（downstream flexibility）。比如搬到新城镇后买房和搬到新城镇后租房，前者的下游灵活性显然不及后者。达尔文在他的正反理由清单中未敢包含的第三种选择——在共结连理之前先与艾玛一起生活一段时间——在今天已经变得非常普遍，而一个主要的原因就是，在事情未按计划发展时，它会给予你更多的灵活性。在可选路径中，那些具有下游灵活性的路径很可能是最具策略性的路径，因为未来充满不确定性和复杂性。我们大多敬佩那些做事果断的领导者——他们能做出艰难选择并一直坚持下去。但有时候，最富有远见的决策是那些留有改进和提升余地的决策。