本章主题：在正式投入前，怎样判断是否值得查资料、做样本或进行一次小试验，并把得到的信息转化为更好的行动。
本章的人物、项目、金额、概率和试验表现均为教学设定。数值用于说明决策关系，不代表某种 AI 工具的实际能力。为了把信息价值算清，主要案例先按预期净现金收益比较，假定相应资金和时间充足；风险承受和时间成本会在后文补回。
一、选择之前，可以先做一件帮助自己选择的事
小叶准备为校园展览整理一批旧照片的说明卡。他需要从图片中提取日期、地点和人物，把字段整理成可以检索的目录。项目的工作范围和验收标准已经确认，但他还不清楚整批材料是否适合自己准备使用的 AI 批处理流程。
他有两条可行路径。A 是熟悉的逐页整理方式，使用 AI 辅助处理，但保留较多人工步骤；B 是自动化程度更高的批处理方式。两种方式都能处理同一项任务，只是费用和返工情况不同。
假定材料整体可能处于两种状态。G 表示“适合 B”：格式较一致，现有流程能够较顺畅地运行。H 表示“不适合 B”：材料中的关键差异会让当前批处理方式产生大量返工，最后的经济结果很差。这里的“不适合”针对这套具体流程，并不是说任何 AI 都无法处理这些材料。
根据手头的初步信息，小叶把两种状态的概率都估为 50%。从现在开始，收入减去全部执行费用，得到下面这张表：
| 正式执行方式 | 材料适合 B，概率 50% | 材料不适合 B，概率 50% |
|---|---|---|
| A：熟悉的逐页整理方式 | 净收益 900 元 | 净收益 900 元 |
| B：AI 批处理方式 | 净收益 2,000 元 | 净收益 −800 元 |
A 在本模型中稳定得到 900 元。B 的期望值为 元。因此，如果现在必须选定一种方式，而且只按现金期望排序，他应该选择 A。
这时，一个同学提出：先抽一些材料做试验，看看 B 的表现，再决定用哪条路径。
于是，我们不再只有“选 A”或“选 B”两个选择，还可以比较一整套安排：先取得一个信号，根据信号选择正式执行方式。信号可能支持 B，也可能让小叶继续采用 A。试验本身要花资源，因此“先试一下”同样需要判断。
这正是信息价值的问题。信息能够帮助我们重新选择；它值多少钱、值多少时间，取决于后面的选择有多大改善空间，以及这次信息能让我们利用其中多少。
二、信息值多少，要与没有这份信息时的最好选择比较
1. 不能只和最冒险的路径比较
有人可能这样估计试验价值：“B 可能亏 800 元，只要试验能避开失败，就有很大的价值。”这个想法捕捉到了一个重要后果，却漏了当前的替代方案。
小叶在不试验时，并没有被迫选择 B。他已经可以选择 A，取得 900 元。因此，信息带来的改善，应当与“现在按已有信息能作出的最好选择”比较，而不是与一个本来就不必采取的较差安排比较。
如果用 B 的 600 元作基线，任何试验方案都会显得额外多出 300 元价值。这 300 元其实只需从 B 改选 A 就能获得，与是否购买信息无关。
这个错误在 AI 使用中有许多相似形式。为了证明某个评测、咨询或试做值得做，先把“不做它”描述成完全盲目地采用最不熟悉的方案。实际可用的旧办法、缩小范围的办法和暂缓的办法却被漏掉了。基线一旦选错，信息的价值就被夸大。
2. 信息先改变判断，判断再改变行动
一份材料读完以后，你可能知道了更多名词，对工具的印象也更深。但就小叶这一次项目而言，需要进一步问：这些新认识会使他改变哪一个执行决定？
假如不管报告写什么，他都已经决定采用 A，那么在本章的现金结果表中，报告没有改善后续安排。假如报告能让他在适合时采用 B、不适合时保留 A，就可能增加收益。
信息价值因此具有具体的决策背景。同一份关于图片识别效果的报告，对正在选择处理流程的小叶可能有用；对一个已经完成目录、当前只需打印展板的学生，可能没有同样的作用。
这里评价的是这份信息对当前决定的贡献。知识还可以帮助未来学习、发现新问题或产生新的方法，这些价值也真实存在，只是需要放入更长的时间范围和更多可选行动中考虑。不能因为本次现金价值为零，就推导出这类知识没有学习意义。
把“先获取信息，再选择”的安排与现有最佳选择比较，是决策分析中估计信息价值的基本方法。MIT 关于信息价值的课程讲义以决策树说明了这种比较。下面使用我们自己的材料整理案例，把它一步步算出来。
三、如果事先知道答案，这份信息最多值多少
1. 先想象一份完全可靠的信息
假设有一种理想检查，能在小叶正式选方案之前，完全准确地告诉他材料是 G 还是 H。暂时不扣检查费用，也假定检查不会占用交付时间、损坏材料或改变后续执行费用。
知道是 G 时，他会选择 B，净收益 2,000 元；知道是 H 时，他会选择 A，净收益 900 元。这份信息不会把不适合的材料变成适合，也不会让每次都得到 2,000 元。它改变的是：在不同状态下，可以作出不同的选择。
获得这份信息以后的最佳行动，其事前期望收益为：
没有这份信息时，最佳选择 A 的期望收益为 900 元。因此，完全信息带来的预期改善为：
这个差额称为完全信息的期望价值，常缩写为 EVPI。我们使用“完全”一词，是指把本题影响收益的 G、H 状态准确揭示，而不是掌握关于世界的一切知识。
2. 完全信息给出了当前问题的一个上限
如果一份只帮助识别 G、H 的报告要卖 700 元，而最高只能带来 550 元的预期改善，那么在上述假设下，就没有必要先精算它有多准确。即使百分之百准确，也不足以抵回费用。
如果它只卖 100 元，就不能反过来直接认定值得买。550 元是理想信息的价值，普通报告未必能达到。它可能识别得很差，也可能总在已经选定方案之后才到达。
这个上限适用于当前的收益、可选行动和决策时点。如果一次服务不仅提供信息，还直接修复材料、完成部分制作或教会小叶一种新流程，就增加了其他价值。此时需要把新的后续结果写进去，不能用原来的 550 元封住所有可能收益。
3. 为什么理想的免费信息不会降低最佳期望收益
在这套模型中，小叶得到信息后，仍然可以选择 A。即使新信息不值得使用，他也可以维持原来的行动。因此，单纯增加一份可以忽略的免费信息，不会让最佳可选结果变差。
现实中，获取信息可能花钱、耗时，也可能诱使人误读结果。这些都会使实际净收益下降。理论中的非负价值，说的是理想使用信息后的改善，尚未扣除获取成本，并不是在说“看任何资料都一定划算”。加州大学伯克利分校 CS188 的信息价值教材同样以观察新证据前后的最佳期望效用之差来刻画这种关系。
四、现实中的试做，通常只能给出不完全可靠的信号
小叶现在考虑一个费用为 150 元的小试验。它会返回“通过”或“未通过”。费用在正式执行之前发生，原收益表尚未包含这笔费用。先假定它只提供信号，试验过程不改变后续执行费用和交付条件。
假定试验有以下表现：材料真正适合 B 时，80% 的概率通过，20% 的概率未通过；材料不适合 B 时，仍有 20% 的概率通过，80% 的概率未通过。这些概率是本章直接给定的教学条件，并非只做一次样本就能测出来。
| 整批材料的真实状态 | 试验通过 | 试验未通过 |
|---|---|---|
| 适合 B | 80% | 20% |
| 不适合 B | 20% | 80% |
通过为什么也可能对应“不适合”？因为小样本可能恰好比较容易，或者试验范围没有充分暴露整批处理中的问题。未通过也不一定说明整批材料都不行：样本可能碰到特殊情况，或者试做中的一次偶然问题掩盖了流程的能力。
为了把条件看直观，可以想象 100 个同类项目。这只是按概率展开的教学配比，并不是一份真实的实验报告。其中 50 个材料适合，50 个不适合。适合的 50 个中，40 个通过、10 个未通过；不适合的 50 个中，10 个通过、40 个未通过。
| 真实状态与信号 | 按100个项目展开的数量 | 联合概率 |
|---|---|---|
| 适合，且通过 | 40 | 40% |
| 适合，但未通过 | 10 | 10% |
| 不适合，却通过 | 10 | 10% |
| 不适合，且未通过 | 40 | 40% |
因此，通过信号占 50%，其中真正适合的占 ；未通过信号也占 50%，其中真正适合的占 。
做试验之前，小叶认为材料适合的概率为 50%；看到通过以后，这个判断提高到 80%；看到未通过以后，降低到 20%。这种根据新证据更新概率的思路，会在概率课程的贝叶斯更新章节详细讲授。这里先理解计数即可：观察到一个信号，就在所有能够产生该信号的情况中重新比较比例。
需要特别看清，表中的“适合时有 80% 通过”与“通过后有 80% 适合”，含义并不相同。本例因为初始概率和错误率安排得对称，两者数值恰好一样。改变初始比例后，后一项就可能明显改变，练习中还会再看这个问题。
试验也没有真的把材料状态从 H 改成 G。它使小叶对这批材料的认识发生变化。如果试做同时修正了代码、改善了材料，那是另一种作用，后面需要单独核算。
五、先在每个信号下选方案，再计算整个试验的价值
1. 看到通过，选择什么
看到通过后，小叶认为材料适合 B 的概率为 80%。此时 B 的预期净收益为：
A 仍然为 900 元，所以选择 B。这里比较的是观察信号以后，正式执行部分的预期收益。150 元试验费在这个时点已经支付，无论选 A 还是 B 都一样，不会改变它们的排序。
看到未通过后，材料适合 B 的概率为 20%，B 的预期净收益为 元。这时应选择 A，取得正式执行部分的 900 元。
所以，这个试验真正配套的行动规则是：通过则采用 B，未通过则采用 A。它不是“交 150 元，买一个成功的项目”，也不是“交 150 元，确认自己原来的想法”。两种信号分别对应不同的后续行动。
2. 决定是否做试验时，还不知道会看到哪个信号
通过和未通过各占 50%。我们现在站在试验开始之前，要把两种情况一起纳入：
与现在直接选 A 的 900 元比较，试验提供的信息价值为 元。再扣去 150 元费用，整套安排的期望净收益为 1,020 元，比不试验多 120 元。
这类根据不完全可靠的样本信息计算的预期改善，常称为样本信息的期望价值，缩写为 EVSI。本章理解 270 元和 120 元的区别，比记住缩写更重要：前者是尚未扣获取成本的信息价值，后者才是本例购买信息以后的净改善。
图中所有净收益都已经扣掉 150 元试验费。因此，通过后选择 B 的条件期望为 1,290 元，未通过后选择 A 的净收益为 750 元，整体仍为 元。两种计算口径都可以使用，只要扣费位置一致。
3. 从真实状态核对一次，看看有没有漏掉误判
刚才先按信号分组。也可以使用前面的四种联合情况，直接看每条路径最后发生什么：
| 实际情况 | 概率 | 按规则采取的行动 | 正式执行净收益，尚未扣试验费 |
|---|---|---|---|
| 适合，且通过 | 40% | B | 2,000 元 |
| 适合，但未通过 | 10% | A | 900 元 |
| 不适合，却通过 | 10% | B | −800 元 |
| 不适合，且未通过 | 40% | A | 900 元 |
加权得到 元，与按信号计算一致。
第三行说明，付钱试做以后仍然可能误判。这条路径发生概率为 10%，最后净损失为 950 元，包括正式执行损失 800 元和试验费 150 元。试验提高了现金期望，却没有把所有较差结果清除。如果小叶不能承受这个结果，还需要改变后续行动范围，或考虑其他安排，不能仅凭 1,020 元的均值直接采用。
4. 从决策树的末端往前算
这类问题可以按一个自然顺序处理：先站在“信号已经知道”的位置，分别选择后续最佳行动；再退回“信号还不知道”的位置，按信号概率加权；最后减去获取信息的费用，与不试验时的最好安排比较。
先求平均再作选择，会漏掉根据信号改变行动的能力；先看到好信号再评价试验，又会把未通过和误判的路径遗忘。决策树帮助我们把“在哪个时点知道什么”放对位置。
六、信息更准确，是否就值得多花钱
1. 一个有信息、却暂时不改变行动的弱试验
假设另有一种简单试验：材料适合时，60% 的概率通过；材料不适合时，40% 的概率通过。它比完全随机的信号多了一些辨别能力。
在原来两种状态各占一半的条件下，通过后适合概率为 60%，未通过后为 40%。通过时 B 的预期收益为 元，仍低于 A 的 900 元；未通过时 B 的期望为 320 元，也低于 A。
因此，不管看到哪个信号，小叶都会选择 A。这个试验确实使判断从 50% 变成了 60% 或 40%，但在本题的行动选择中没有带来改善，信息价值为零。若它还要收费，购买后的现金期望会降低。
这里不存在“信息不够精确，所以完全没意义”的普遍结论。假如 A 的收益、B 的成功收益或失败损失改变，选择的门槛也会改变。同样的信号在另一个问题中就可能值得使用。
2. 更准确的试验，可能提高信息价值却降低净收益
再看一种更充分的试验：适合时有 95% 的概率通过，不适合时只有 5% 的概率通过，但费用为 400 元。初始比例仍各为一半，因此通过后的适合概率为 95%，未通过后为 5%。
通过时选 B，正式执行部分的期望收益为 元；未通过时选 A，得到 900 元。两种信号仍各占 50%，试验后的期望收益为 元，信息价值为 480 元。
| 试验安排 | 信息价值，尚未扣费 | 试验费 | 相对直接选 A 的净改善 | 整套安排期望净收益 |
|---|---|---|---|---|
| 不试验 | 0 元 | 0 元 | 0 元 | 900 元 |
| 80%／20% 的小试验 | 270 元 | 150 元 | 120 元 | 1,020 元 |
| 95%／5% 的较充分试验 | 480 元 | 400 元 | 80 元 | 980 元 |
较充分的试验多提供 210 元信息价值，却多花了 250 元。按照当前的现金期望，它比小试验少带来 40 元净收益。小叶可以承认它确实更准确，同时选择小试验。
若项目规模扩大，使正确选择与错误选择的收益差额增加，而试验费用未同步增加，更充分的试验就可能变得划算。信息产品的准确性与决策中的经济价值有关，却不是可以直接画等号的两个量。
3. 有一个概率门槛，信息要帮助行动跨过它
从 A 改用 B，材料适合时可以多赚 1,100 元；材料不适合时，却会比选 A 少得 1,700 元。因此，“适合的可能性比不适合大”还不足以说明 B 更好。选对时的好处与选错时的代价并不一样，需要按各自发生的概率一起比较。
设观察信息后，材料适合 B 的概率为 。当预期多赚的部分恰好抵消预期少得的部分，也就是 时，A、B 的现金期望持平：
80% 的好信号跨过了门槛，60% 的好信号没有跨过。这就是两种试验在本题中经济作用不同的原因。
图中只讨论一组对称试验：适合时通过的概率为 ，不适合时通过的概率为 ，且 在 50%—100% 之间。它们的信息价值并非从 50% 开始就立刻增加：低于约 60.71% 时，两个信号都不足以改变行动。这个形状来自本例的收益和行动集合，不能据此推导所有试验都有同样的门槛。
七、小试验应该怎样设计，才真的能回答大任务的问题
1. 先确定自己会根据什么结果改变什么行动
“我先玩一下这个工具”可以用于熟悉界面，但如果目标是决定能否交付整批目录，试验就需要回答更具体的问题。
例如，小叶真正拿不准的是：日期写法和版式不一致时，流程能否稳定提取正确字段，以及修复这些错误要花多少人工。他可以先把待检验的条件写下来，再选择能够暴露这些差异的材料，记录字段正确情况、遗漏情况和修复时间。
观察结果以后，可能采用 B，也可能采用 A，或者只把某类材料交给 B。若允许混合方式，原来的行动集合就扩大了，试验价值也应按新的可选安排计算。实际工作不必为了维持原表的整齐，强迫自己永远只在 A、B 中二选一。
相反，如果小叶已经无论如何都要采用 B，并且没有任何调整空间，试做对“选哪条路径”的价值就很有限。它或许还能帮助修复方法、估计时间，但要用这些具体作用说明价值。
2. 样本要能暴露会改变总成本的材料差异
另举一个数字例子。假设有 1,000 条记录，其中 800 条清楚、格式一致，每条处理 1 分钟；200 条格式复杂，每条连同修复需要 10 分钟。为便于计算，先把各类耗时视为固定，不另设共同准备时间。
如果只挑 10 条最清楚的记录试做，平均每条 1 分钟，就可能推算整批需要 1,000 分钟。实际按题设处理，时间为 分钟。看上去占比不大的复杂材料，却贡献了 2,000 分钟。
若试验材料包含 8 条清楚记录和 2 条复杂记录，总耗时为 28 分钟，平均 2.8 分钟，才与这个固定耗时模型的整批平均一致。这个安排用于展示材料构成的重要性，不代表每次抽 10 条就足以精确估计实际耗时。
你也可以为了找问题，特意多试复杂材料，但估计整批平均时，要按真实占比加权。发现难点的试验与估计总体成本的试验，可以重合，也可能需要不同的样本安排。知道各自回答什么问题，比给所有试做统一规定一个样本数更有帮助。
3. 试验要走到能产生经济后果的环节
如果只看 AI 是否输出了一段像样的文字，还不能判断目录能否导入、记录是否重复、字段是否齐全，或者错误修复是否很费力。一项任务的最终价值可能被后面这些步骤决定。
因此，小试验可以缩小材料数量，但应当保留当前最需要检验的关键链条。比如从读取原图开始，经过提取、整理、核对和导出，让一小批记录真正进入预定的使用位置。这样更容易发现，“生成看起来成功”和“成果能够使用”之间还差哪些工作。
评判依据也要有来源。对日期和人物这样的字段，可以人工核对原始说明卡，建立一小份可信的对照；不能只让同一个流程再读一遍自己的答案，就把自洽当成正确。核对工作花费的时间，同样属于试验成本。
即便小批次完整走通，放大后仍可能出现新的处理瓶颈。可以根据任务的实际规模，再检查批量组织、异常恢复或总时长。每一步试验都对应一项尚未解决的重要不确定性，避免把“试过一次”扩展成对任何规模的保证。
八、试验费之外，还有时间、延迟和可以复用的成果
1. 免费使用工具，不等于获取信息没有成本
小叶的小试验费用为 150 元，信息价值为 270 元，因此尚有 120 元净改善。现在增加一个现实条件：试验还需要他额外花两小时，而这两小时本来可以完成一项已经确定可接、净报酬为每小时 60 元的资料整理工作。两项工作不能同时完成。
此时，试验的机会成本为 120 元，总成本为 元，正好抵消信息价值。按题设的现金和已确定机会收益，他对试验与不试验没有严格偏好；其他学习目标可能再影响最终选择。
这里用 60 元每小时，是因为存在真实可行的替代任务。不能随意给自己标一个很高的时薪，再宣布所有学习都不划算。如果这两小时并没有这种替代用途，或者替代工作本来就来不及接，成本判断需要相应改变。
2. 有些延迟，会改变后续选择本身
还有一种更难直接加总的成本。假如某种试验要三天才能返回结果，而展览目录明天就必须决定制作方式，那么这份信息可能来不及用于当前选择。
或者，等到结果回来时，A 已经没有足够时间完成，只剩 B 可选。这样就不能继续使用原先“未通过后选 A”的收益。试验消耗的不只是时间，还可能使一条替代路径消失。
因此，若时限会影响可选方案，应该先更新试验后的行动集合和收益，再计算信息价值，而不是简单在原来的 270 元旁边减一个模糊的“时间成本”。一份准确但到得太晚的资料，可能无法改善这一次决定；能及时完成的小检查反而可能有作用。
3. 试验同时完成了正式工作，怎样避免算漏或重复算
回到原案例，不再加入前面的额外时间机会成本。假设 150 元的小试验中，有一些已经整理好的记录可以进入最终成果。无论最后选 A 还是 B，都能因此少花 80 元正式处理费，而且这种节省发生在所有材料状态下。
原收益表包含完整的正式处理费用。现在未来费用少了 80 元，后续净收益就相应增加 80 元。试验安排的总期望净收益为 元，相比直接选 A，多 200 元。
这 200 元包括 270 元信息价值，加上 80 元实际制作贡献，再减去 150 元试验费用。若先把试验费写成“150 元减去可复用价值 80 元”，已经只剩 70 元，再在收益上多加 80 元，就会把同一份成果算两遍。
同样，如果试验过程教会了小叶更好的修复方法，使不适合材料下的 B 不再损失 800 元，后续收益表也应修改。此时发生了能力改进，不只是获得信息。区分这两种作用，可以让我们更准确地理解一段试做时间到底产生了什么。
九、第一次结果不同，第二次试验的价值也不同
1. 追加一次检查的价值，要在已有信息之后计算
回到最初的小试验：费用 150 元，适合时通过概率为 80%，不适合时通过概率为 20%。现在另设一个机会：做完第一次以后，最多还可以追加一次同类试验，追加费用为 60 元。
为计算方便，假定在材料真实状态给定以后，两次试验信号相互独立。也就是说，同样是适合材料，第一次通过或未通过，不会改变第二次的 80% 通过概率；同样是不适合材料，第二次通过概率始终为 20%。现实中仅仅换一份样本，未必就满足这个条件，仍要看两次试验是否共有遗漏。
第一次通过后，材料适合概率已经为 80%。以这些第一次通过的项目为整体，适合且再次通过的占 ，不适合却再次通过的占 ，合计有 68% 会再次通过。因此，第二次也通过后，适合概率为 ，约为 94.12%。
第二次未通过的概率为 32%。其中适合材料贡献 ，因此看到“先通过、后未通过”时，适合概率回到 。
| 已知第一次通过，再做第二次 | 第二次信号的条件概率 | 更新后的适合概率 | 最佳行动及正式执行期望收益 |
|---|---|---|---|
| 再次通过 | 68% | 16/17，约94.12% | B，约1,835.29元 |
| 未通过 | 32% | 50% | A，900元 |
追加试验的好处，可以从小叶会改变哪一个决定看出来。第一次通过后，他本来准备采用 B。如果第二次仍然通过，他继续用 B；如果第二次未通过，两种材料状态又各有一半可能，此时 B 的期望只有 600 元，改用 A 的 900 元会更好。第二次试验给了他一次根据相反信号调整方案的机会。
在已经第一次通过的项目中，有 32% 会出现这个相反信号；在这部分情况下，改选 A 比仍然选 B 多 300 元预期收益。因此，追加信息的价值为 元。这里的 300 元是按新信号比较两种行动的期望差额，并不保证每一次改选 A 都能多赚 300 元。
不追加时，正式执行的期望为 1,440 元；有了这次调整机会，增加到 1,536 元。取得它要再花 60 元，所以追加试验仍多带来 36 元净改善。第一次已经支付的 150 元，在这一步的两个选择中相同，不需要再扣一次。
2. 第一次未通过，追加试验未必有同样的作用
第一次未通过后，适合概率为 20%。如果第二次通过，更新后的适合概率为 50%；如果第二次仍未通过，适合概率为 ，约 5.88%。两种情况下，A 都优于 B。
所以，在“最多再试一次”的题设中，第一次未通过后追加这次试验，并不会改变最终行动，信息价值为零。花 60 元继续试，只会降低这条路径的净收益。
由此得到一套可以提前安排的规则：第一次通过，才追加第二次；第一次未通过，直接采用 A。追加试验仅有一半概率发生，所以它在项目开始前的预期费用是 元。
整套安排的正式执行期望为 元。扣除第一次费用 150 元和预期追加费用 30 元，总期望净收益为 1,038 元，比只做一次时的 1,020 元多 18 元。
若不管第一次结果如何都做第二次，后续正式执行期望仍为 1,218 元，但追加费用每次都支付 60 元，总期望只剩 1,008 元。试验次数更多，并不保证净收益更高；根据已有结果决定要不要继续，本身就是可以改进的安排。
3. 重复同一份信息，不等于再获得一份独立证据
如果第二次只是把第一次的报告换个措辞复述，或者再次使用完全相同的检查过程、必然得出同一个信号，它不会把通过后的适合概率从 80% 提高到 94.12%。那种提高依赖于刚才给定的信号关系。
在 AI 工作中，可以让另一个流程检查不同的关键环节，也可以换一组能暴露不同问题的材料。但不能只因为运行次数增加，就自动把两次结果按独立证据相乘。第二次的信息价值，应当在“已经知道第一次结果”的条件下重新判断。
十、怎样决定试到什么时候，也要看试验之间的关系
刚才的追加试验，在第一次通过后值 96 元，在第一次未通过后值零。这并不意味着试验的价值总会随着次数增加而逐步下降，也不意味着每次试验都必须立刻改变最终行动。
还记得前面那个弱试验吗：适合时有 60% 的概率通过，不适合时有 40% 的概率通过。只做一次，得到好信号后的适合概率为 60%，不足以超过约 60.71% 的行动门槛，因此当前决策价值为零。
现在另设一项试验计划：可以做两次这种弱试验，每次费用 20 元；给定真实材料状态后，两次信号独立。若两次都通过，适合状态贡献的联合概率为 ，不适合状态贡献为 。因此，两次都通过的总概率为 26%，这时适合概率为 ，约 69.23%，可以选择 B。
两次通过时，B 的期望为 ，约 1,138.46 元，高于原本选 A 的 900 元。正是在这 26% 的情况下，小叶有依据改用期望收益更高的方案；其余三种信号组合仍然选择 A。整套试验后的正式执行期望为：
这组信息比不试验多 62 元价值，扣除两次共 40 元费用，还净增加 22 元。如果从最初各占一半的判断出发，只做其中任何一次，小叶最后都会选 A；把两次信息合起来，却有可能让他有依据地改选 B。
所以，当后面还有更多可以选择的试验时，应该比较完整的可行试验安排，或者把下一步试验能开启的后续选择纳入。前一节“未通过后不再试”的结论，限定在最多还能追加一次同类试验的条件中，不能机械搬到任意长的试验链上。
实际项目也不必因此画出无限延伸的决策树。可以先考虑少数真正有希望改变行动的后续试验，再比较这组试验的总成本和可能收益。若当前信息已经使所有可行后续检查都难以改变重要安排，就可以开始执行；若某个关键分歧仍会明显影响结果，而且有代价适当的办法去辨认，就值得继续。
信息价值依赖于已经掌握的信息，也依赖于还有哪些选择。这解释了为什么不能把每份报告单独估出的价值直接相加：它们可能重复回答一个问题，也可能共同回答单独无法解决的问题。
十一、还要检验值得做什么，而不只是能不能做出来
小叶的项目已经有人需要，工作范围也已确定，所以试验集中在选择执行方式。但对很多学生而言，更早的一项不确定性是：自己准备完成的东西，是否确实解决了一个值得解决的问题。
比如，一个学生想用 AI 制作一份很完整的新生办事手册。他可能很快验证，自己能够生成几十页文字、做出清楚的排版。但这些试验主要说明能否制作，并没有说明新生在什么场景下需要它、手册中的内容能否帮助他们完成实际事项。
如果最大的不确定性在后者，那么再试十种排版方式，可能都没有触及影响项目价值的关键。更相关的试验，可以是先选取一个明确场景，整理几条经过核对的办事信息，请少量真实目标读者用它完成一次查找或安排，再观察他们卡在哪里、哪些内容真正被使用。
“这份手册挺好看”和“读者借助它找到了原来找不到的信息”，提供的证据不同。前者可以帮助判断呈现效果，后者更接近使用价值。二者都可以研究，但需要知道自己正在决定是否投入哪一项工作。
这个小试验仍然不能证明全体新生都需要同样的手册。它可以先帮助缩小范围、修正问题或放弃一个依据不足的假设。下一轮是否扩大，需要看新信息之后还剩什么不确定性。目的不是用几个人的反馈伪装成充分结论，而是逐步改善可采取的行动。
把试验留下的知识带到后面
一次试验可能没有带来当下的现金收益，却帮助学生认识一种材料、一类使用场景或一种工作方法。若后面还会遇到这些问题，它就可能具有持续价值。
要保留这种价值，可以记录当时的材料条件、流程版本、评价方法、实际结果，以及为什么决定继续或调整。只留下“某个工具很好用”或“我试过，不行”，信息很难迁移：下一次条件稍有变化，就不知道旧判断是否仍然适用。
也不能把一次有效试验的价值简单乘上未来可能做的任务数量。任务可能不同，方法会变化，后续实践也会继续提供信息。能够复用的，是已经弄清的关系和有依据的判断方式，而不是保证永远成立的一组概率。
回看这两类任务，值得先弄清的问题并不一样。小叶已经确定要整理照片，按开头的资金、时间和现金期望条件，先花 150 元做那次小试验，再按“通过用 B、未通过用 A”执行，比直接采用 A 更划算。若换成尚未确认实际用途的新生手册，先试做一小部分，让目标读者实际使用，可以据此决定是否继续、应该保留什么内容；多试几种排版，并不能替他作出这个判断。
AI 降低某些试做成本以后，学生更有机会通过小规模行动弄清问题。每次准备继续查资料、做样本或追加试验时，可以先想清楚：新结果可能让自己改变什么决定，这个改变是否值得付出相应代价。
十二、练习与参考分析
练习一：价格低于完全信息价值，就可以买了吗
继续使用小叶的原始条件。完全信息价值为 550 元，小试验的表现为适合时80%通过、不适合时20%通过。现在这项小试验收费提高到 300 元。有同学说：“300 小于550，所以值得做。”请核对这个结论，并给出小试验与不试验在现金期望上持平的价格。
**参考分析：**小试验并不等于完全信息。它提供信息后的正式执行期望为 1,170 元，与不试验时最好的 900 元相差 270 元。收费300元以后，总期望为870元，低于直接选 A 的900元，因此按题设不值得购买。
持平价格是270元；收费低于270元，才会产生严格为正的现金期望改善。550元只能帮助排除那些连理想信息都无法抵回费用的安排，不能替每一种不完美试验决定价格。
练习二：相同试验，面对不同材料比例还一样有用吗
改变原案例的初步判断：材料适合 B 的概率只有10%，不适合为90%。小试验的条件表现仍然是80%与20%，A、B收益不变。求通过以后材料适合的概率，判断这次小试验是否会改变行动，再求完全信息价值。
**参考分析：**适合且通过的联合概率为 ，不适合却通过为 。通过总概率26%，其中适合的比例为 ，约30.77%。它不是80%。
通过以后，B 的期望为 ，约61.54元，仍不如 A 的900元。未通过后的适合概率为 ，B更不值得选。因此无论信号如何都采用A，这项小试验对当前行动的信息价值为零。
完全准确地知道材料状态，则会在10%的适合情况下采用B，其余采用A。期望为 元，所以完全信息价值仍有110元。普通试验价值为零与完全信息价值为正可以同时成立：它们让判断改变的幅度不同。
练习三：任务规模扩大，是否应该选择更充分的试验
回到两种状态各占50%的条件，把 A、B 在每一种状态下的正式执行净收益全部乘以二，包括负收益。假定试验仍具有原来的代表性和信号表现，小试验费用仍为150元，较充分试验费用仍为400元，资金与时间允许两种安排。比较不试验、小试验和较充分试验。
**参考分析：**所有正式执行收益同时放大，不会改变每个信号下 A、B 的排序。不试验时选A，期望为1,800元；小试验后的正式执行期望为 元，扣费后为2,190元；较充分试验为 元。
此时较充分试验最好，比小试验多170元。正确选择与错误选择之间的金额差扩大，使更准确的信息值得投入更多费用。这个推论依赖题设中试验质量、费用和代表性不变；真实扩大任务范围时，这些条件也可能变化，不能只按数量机械翻倍。
练习四：只有一部分试做成果能够复用，怎样记账
原来150元的小试验，其正式执行期望为1,170元。现在只有在试验通过并采用 B 时，试做成果才能减少正式执行费用80元；未通过而采用A时不能复用。无论通过信号是否误判，只要随后采用B，这80元费用节省都能发生。求试验安排的总期望净收益。
**参考分析：**通过并采用B的概率为50%，所以预期节省为 元，不是80元。总期望为 元，比不试验的900元多160元。
这项安排包含信息改善和实际制作贡献，两者都可计入，但复用价值需要按实际发生路径加权。若没有通过，试验仍有可能帮助小叶选择A，却不会产生题设中的80元制作节省。不同作用不一定在相同路径上发生。
练习五：已经花过钱，是否更应该继续试
小叶做完第一次80%／20%的小试验，结果通过。现在最多还可以追加一次同类试验，条件表现和前文相同，但追加费改为110元。有人说：“已经花了150元，就再花110元把它弄明白，别浪费前面的投入。”你会怎样计算？
**参考分析：**第一次通过后，不追加就选B，正式执行期望为1,440元。追加试验后的正式执行期望为1,536元，新增信息价值为96元，低于新增费用110元。追加以后，当前可获得的期望收益反而少14元。
前面150元已经支付，不会因为现在停止追加而退回，也不会因为继续追加而被消除。它提供的第一次信息仍然可以用于选择B。因此，应当比较从现在开始的差额，而不是用过去的费用替未来支出找理由。本题只有一次追加机会，没有额外的后续试验价值需要计算。
练习六：一组弱试验怎样进一步减少浪费
使用本章两次弱试验的设定：适合时60%通过，不适合时40%通过，每次费用20元，给定材料状态后两次信号独立。固定做两次时，正式执行期望为962元，总费用40元。现在允许第一次未通过后就直接采用A，只在第一次通过后做第二次。这个调整会改变正式执行期望吗？总期望净收益变成多少？
**参考分析：**第一次未通过后，材料适合概率为40%。如果再做第二次，通过后适合概率为50%，未通过后为 ，二者都低于行动门槛，最终仍选A。因此，在这条路径上不再试验，并不改变正式执行收益。
第一次通过的概率为50%，所以追加费用的期望为10元。总费用变为 元，总期望净收益为 元，比固定做两次的922元多10元，也比直接选A多32元。
这说明既可以承认两份弱信息合在一起有价值，也可以根据信号减少不必要的后续支出。分析的对象是一套允许在中途改变动作的安排，不是试验次数越多越好，或者每份信息必须单独证明自己值钱。
经济学部分到这里完成了从资源约束、任务选择到信息获取的讨论；下一门管理学将进一步展开，选定目标以后怎样组织行动、安排职责和检验结果。