<mark id="oztn4"></mark>
0
23時55分，降旗、升旗儀式開始，中葡雙方護(hù)旗手入場。23時58分，在葡萄牙國歌聲中，葡萄牙國旗和澳門市政廳旗開始緩緩降下。
1999年，上海弄堂里，張醫(yī)生正和家人端坐在彩電前，見證這一歷史時刻的到來。滴、滴、滴、滴，腰間的BB機(jī)顯示一條消息“暴露了，快走”。
隨著最后一名嫌疑犯張醫(yī)生被抓獲，上海市醫(yī)保部門的第一次聯(lián)合打擊騙保案正式告破，五名醫(yī)保“蛀蟲”全部落網(wǎng)。
在充滿龐氏騙局的時代，他們沒有想到自己的暴露，竟然源于當(dāng)時尚在萌芽中的技術(shù)“行為識別”，也就是今天的人工智能。
作為當(dāng)年那次行為識別的研發(fā)人員之一，好人生科技首席健康經(jīng)濟(jì)學(xué)家湯子歐博士，略帶自豪的表示：“和今天的算力相比，我們那時候完全是小米加步槍，只能按照邏輯在數(shù)據(jù)庫里一遍一遍刷數(shù)據(jù)，當(dāng)時我們開玩笑說，要是把電腦弄壞了，可能就賠了，因?yàn)樗⒊鰜淼臄?shù)據(jù)價值可能還沒有那臺電腦高。”
入行26年的湯子歐博士，2000年就已經(jīng)在出國培訓(xùn)中接觸保險人工智能風(fēng)控，之后又成為首位華人北美健康險管理師，壽險管理師，國際健康風(fēng)險管理協(xié)會（IHRMA）理事，并創(chuàng)立了中國首家獨(dú)立資質(zhì)的商業(yè)健康保險公司。
他向雷鋒網(wǎng)表示，AI保險風(fēng)控?zé)岫瓤此坪芨撸抢锍瘫緵]有到來，應(yīng)用都停留在淺層。雖然產(chǎn)品給大家的感覺是不明覺厲、但扒開發(fā)現(xiàn)，無非實(shí)現(xiàn)只是小區(qū)門口識別車牌這類的需求。
究其原因，并非是保險行業(yè)根本不需要深層次的需求，而是一批學(xué)術(shù)型的創(chuàng)業(yè)者，唯技術(shù)論，堅(jiān)持“數(shù)據(jù)為王”，不愿意接受行業(yè)過去積累的知識，產(chǎn)品效果不好之后就開始抱怨，找各種數(shù)據(jù)不足、算力欠缺、預(yù)算太低的借口。
以下是專訪的完整內(nèi)容，雷鋒網(wǎng)做了不改變原意的編輯。
雷鋒網(wǎng)：AI已經(jīng)在保險風(fēng)控、醫(yī)保審核等場景中應(yīng)用，是否已經(jīng)有了明顯的效果、應(yīng)用不好的原因是什么？
湯子歐：AI要結(jié)合行業(yè)特點(diǎn)才能發(fā)揮作用，目前來看，AI在保險行業(yè)的應(yīng)用，還沒有發(fā)揮出明顯的作用。
其實(shí)AI在保險行業(yè)應(yīng)該是大有可為的，比如做單證收展。保險行業(yè)每天有大量的投保單、理賠單需要人來處理，這種情況下，利用AI做這些單證的收展可以極大提升審核的效率和質(zhì)量。
另外，利用AI可以發(fā)現(xiàn)大規(guī)模數(shù)據(jù)的異常值，人們常說，事出反常必有妖。保險行業(yè)每一分每一秒都在產(chǎn)生大量新數(shù)據(jù)，這些新數(shù)據(jù)的審核，依靠人力總會出錯。
對于數(shù)據(jù)，人工智能會比人更敏感，例如從統(tǒng)計(jì)學(xué)角度的找均值、方差，一旦發(fā)現(xiàn)高度聚集性的正態(tài)分布，就需要關(guān)注找原因，以及反標(biāo)簽的數(shù)據(jù)，例如男性發(fā)生了婦科用藥。
但現(xiàn)在的情況是，AI大數(shù)據(jù)風(fēng)控根本沒發(fā)揮有效的應(yīng)用。
原因在于，最開始的那些技術(shù)大牛、一直追捧技術(shù)、卻沒有有效利用行業(yè)多年積累的經(jīng)驗(yàn)、也沒有和行業(yè)的需求結(jié)合在一起，這是很悲哀的現(xiàn)象。
雖然設(shè)計(jì)出的產(chǎn)品給大家的感覺是不明覺厲、但是扒開發(fā)現(xiàn)，無非實(shí)現(xiàn)只是小區(qū)門口識別車牌這類的需求。
最終造成這類AI創(chuàng)業(yè)企業(yè)遲遲無法上市、盈利又困難、對整個市場估值都產(chǎn)生負(fù)面影響，最后跌的很慘。
舉一個例子形容，那些學(xué)術(shù)派創(chuàng)業(yè)者，面對保險公司的需求，直接就表示：“只要你把數(shù)據(jù)給我，我什么都能給你解決”。
但保險公司聽到這句話的反應(yīng)，肯定直接一愣。因?yàn)檫@是站在技術(shù)的角度看問題，“通過數(shù)據(jù)發(fā)掘、發(fā)現(xiàn)普遍規(guī)律。”
但是從保險精算的角度，首先保險數(shù)據(jù)隱私安全非常重要、另外這些健康險數(shù)據(jù)往往存在大量的噪音，直接拿數(shù)據(jù)找規(guī)律，得出的規(guī)則肯定不靠譜。
經(jīng)過幾百年的發(fā)展，保險精算已經(jīng)積累大量規(guī)則性邏輯，AI只有和這些基礎(chǔ)結(jié)合才更適合保險行業(yè)。
但學(xué)術(shù)派人工智能創(chuàng)業(yè)者，非要直接不信這些知識，堅(jiān)持“數(shù)據(jù)為王”，這也是目前雙方談不攏的主要原因，深度學(xué)習(xí)的學(xué)者不愿意了解精算知識，也不愿意深入。
最終造成依靠數(shù)據(jù)開發(fā)的風(fēng)控產(chǎn)品，大大偏離市場的預(yù)期，未來這種矛盾可能會長期存在。
雷鋒網(wǎng)：以好人生的經(jīng)驗(yàn)來看，保險公司對于評判AI風(fēng)控產(chǎn)品的好與壞，有怎樣的標(biāo)準(zhǔn)。
湯子歐：經(jīng)驗(yàn)是人類的知識，大數(shù)據(jù)挖掘結(jié)果是計(jì)算機(jī)的知識，對于AI產(chǎn)品，最終還是服務(wù)人類，最重要的評判標(biāo)準(zhǔn)是體驗(yàn)。
作為服務(wù)人類生產(chǎn)生活的產(chǎn)品，AI首先應(yīng)該對人的生活發(fā)揮具體的效用，這個達(dá)不到，其他都是空話。
好人生對人工智能的應(yīng)用，具體的場景包括風(fēng)控核保、理賠、風(fēng)控和創(chuàng)新。對于保險公司的作用，有一個代表性案例。
一家保險公司，直接將十幾萬例數(shù)據(jù)丟給我們，要求在兩天時間內(nèi)計(jì)算出可以節(jié)約多少成本。
要求和評判標(biāo)準(zhǔn)非常明確，但這么簡單的需求，那些算法很強(qiáng)、建模能力很強(qiáng)的學(xué)術(shù)型創(chuàng)業(yè)公司也不一定可以完成。
這些數(shù)據(jù)好人生的風(fēng)控模型兩小時就可以完全跑完，并可以識別出10%的異常情況，再對這10%的數(shù)據(jù)進(jìn)行分析，更改參數(shù)再跑一次，從中得到5%的確定數(shù)據(jù)，最終統(tǒng)計(jì)效率在95%以上。
統(tǒng)計(jì)出來的這5%數(shù)據(jù)，可以依靠精算的經(jīng)驗(yàn)，分門別類的報告就可以完成目標(biāo)。所以直接有用才最關(guān)鍵，把精力全花在算法上，往往就是鏡花水月。
雷鋒網(wǎng)：保險AI產(chǎn)品主要的服務(wù)對象就是保險公司，從保險公司的角度，對于AI的訴求是什么？不同部門又有怎樣的差異？
湯子歐：從客戶角度來說，保險公司評價產(chǎn)品的優(yōu)與差，不同的部門評價方法往往不同。
第一、銷售部門，對于人工智能的訴求是識別什么樣的人，會買他的產(chǎn)品，所以主要基于行為識別。
好人生對于這個需求，也開發(fā)了相應(yīng)的行為識別產(chǎn)品，通過既往的健康行為和醫(yī)療行為，判斷其購買傾向。
但用戶最終買不買保險，買哪個產(chǎn)品，并不是理性的，而是感性的。用戶買保險的時候很少有人會意識到自己真正需要什么，往往是根據(jù)自己的基礎(chǔ)認(rèn)知和當(dāng)下感受就買單，最終并沒有經(jīng)過需求適應(yīng)性評估。
第二、兩核部門，即核賠和核保。兩者的考核指標(biāo)不完全相同，核保部門目標(biāo)是不能放壞人進(jìn)來太多；核賠部門目標(biāo)是不能讓壞人得逞的太多。
所以就現(xiàn)在就產(chǎn)生兩個需求：
第一，回顧性風(fēng)控，要求對過去兩年的數(shù)據(jù)，進(jìn)行批量審核管理。
第二，在線實(shí)時風(fēng)控，現(xiàn)場決定出好人還是壞人。
前兩年健康險公司創(chuàng)業(yè)野蠻生長時代，有些公司為了獲得用戶量，就曾大量放水，不管是誰，一律通過，但是很快就發(fā)現(xiàn)賠付率過高，然后股價很快就掉下來，開始重視實(shí)時風(fēng)控。
綜合來看，兩核部門的初步要求都是真實(shí)核驗(yàn)，即使在線快速完成，也必須要有核賠算法在背后做支撐。
但目標(biāo)雖然一樣，具體實(shí)現(xiàn)又有較大差別。
核保是基于既往數(shù)據(jù)和行為時間序列進(jìn)行分析，并和標(biāo)準(zhǔn)值比較，最終確定差距大小。
核賠是對不同供方需方數(shù)據(jù)，進(jìn)行大規(guī)模比對，其中需要識別的數(shù)據(jù)既有需方，也有供方，也就是醫(yī)療行為和就醫(yī)行為，所以比風(fēng)控更加復(fù)雜。
第三、產(chǎn)品精算部，這個需求只有深入到保險公司內(nèi)部，才能了解。因?yàn)楸ｋU精算的需求在于，通過AI發(fā)現(xiàn)普遍性風(fēng)險規(guī)律，也被稱為保障標(biāo)的。
保障標(biāo)的主要有三個特點(diǎn)：被普遍關(guān)心和認(rèn)可；風(fēng)險不可人控；風(fēng)險可被預(yù)測。
這個過程一定需要人工智能在背后做算力支撐。20年前，自己做精算師的時候，完全依靠手工，速度非常慢。
現(xiàn)在通過人工智能做支撐，保障標(biāo)的的創(chuàng)新速度在逐漸加快，迭代周期逐漸縮短，甚至通過人工智能可以把過去聯(lián)想不到的風(fēng)險事件內(nèi)在關(guān)聯(lián)逐一發(fā)現(xiàn)。
面對保險公司內(nèi)部訴求的不同，AI產(chǎn)品只有貼合市場導(dǎo)向，才能實(shí)現(xiàn)價值。
雷鋒網(wǎng)：好人生過去有哪些實(shí)際案例可以證明，AI風(fēng)控對于保險公司有明顯的作用？
湯子歐：過去有一個大型保險公司的團(tuán)險案例，它有一張服務(wù)幾十萬人規(guī)模企業(yè)的團(tuán)險訂單，這種巨量客戶，雖然保費(fèi)很可觀，但他實(shí)際非常痛苦，原因在于虧損十分嚴(yán)重。
每年都在虧，但又不能丟，這么大的規(guī)模，一旦釋放到市場，足夠可以養(yǎng)活一家小型保險公司，而且這種雞肋型的團(tuán)單案例，市場上也并不少見。
對這個案例，不能執(zhí)行回顧型的兩年不可抗辯，好人生當(dāng)時采用的邏輯是在理賠過程中，實(shí)時進(jìn)行風(fēng)控。每一單都切入智能理賠的模塊，模塊中內(nèi)嵌風(fēng)控算法，并作API接口輸出和輸入，在安全屋經(jīng)過核算之后，再進(jìn)行理賠終決，很快輸出結(jié)果，這種快是實(shí)時的。
項(xiàng)目進(jìn)行一個周期之后，我們統(tǒng)計(jì)發(fā)現(xiàn)，從所有理賠中篩查出8~9%的索賠異常，而且經(jīng)過人工核實(shí)，其中98%基本正確。
給這種雞肋型團(tuán)險業(yè)務(wù)解決很大的問題，因?yàn)槠渥罱K和雇主談判過程中，利潤也僅僅在2~3%之間，或虧或賺都在這個區(qū)間之內(nèi)，節(jié)省8~9%，利潤就全出來了，實(shí)現(xiàn)轉(zhuǎn)虧為盈。
雷鋒網(wǎng)：保險風(fēng)控是AI落地的重要方向，但有專家認(rèn)為，很多時候智能風(fēng)控根本用不到復(fù)雜的機(jī)器學(xué)習(xí)模型，一個簡單的決策樹或基礎(chǔ)的統(tǒng)計(jì)模型就能解決，您怎么看？
湯子歐：這首先是一個比較普遍的現(xiàn)象，無論保險、銀行，還是其它應(yīng)用人工智能行業(yè)。
這些應(yīng)用目前都僅停留在淺層，所以才有專家說，相對簡單的決策樹就可以解決問題。
無法進(jìn)入的深層或者不需要復(fù)雜模型的原因，首先是因?yàn)樾袠I(yè)過去長期粗放式的發(fā)展，導(dǎo)致大量簡單錯誤數(shù)據(jù)混在里面，所謂的噪聲；其次專業(yè)性問題，是否具有幾十年的從業(yè)經(jīng)歷，看到那些行業(yè)深層次的需求。
反向來看“保險行業(yè)是否不需要復(fù)雜的算力和因素？”其實(shí)是需要的。
從市場平均利潤率角度，矮子當(dāng)中拔將軍，今天我的產(chǎn)品在行業(yè)領(lǐng)先一厘米，就開始沾沾自喜，但明天忽然發(fā)現(xiàn)大家都漲了一厘米，就要面臨價格戰(zhàn)了。
所以為了避免價格戰(zhàn)，一定要做長期的技術(shù)儲備。
今天的模型確實(shí)夠用，因?yàn)?9%的人，還沒有認(rèn)識到危機(jī)，保險公司面對人工智能的到來，甚至也是兩眼一抹黑。但這種情況不會持續(xù)，更不會發(fā)生利用簡單模型就可以躺在那一直賺錢的情況。
我認(rèn)為現(xiàn)在AI對保險行業(yè)的能量只發(fā)揮了百分之十幾，行百里者半九十，越往后就越能發(fā)現(xiàn)，新的需求和知識，這個知識一旦你知道別人不知道，產(chǎn)品的競爭力就越強(qiáng)。
但越往后，往往越難，難點(diǎn)在于潛在規(guī)律的發(fā)現(xiàn)周期不確定，可能是兩個月、也可能是兩年。
以金融危機(jī)為例，現(xiàn)在都知道因?yàn)榻鹑趧?chuàng)新問題，每十年會發(fā)生一次。但保險科技的需求周期，還沒有被發(fā)現(xiàn)。
而且人類是善于忘記的，三年以上，自己最初做這件事的原因可能都會忘記，然后就進(jìn)入意想、癲狂之中，爆雷可能就是早晚的事，就看誰在爆雷之前接盤，最終吃下苦果。
像金融危機(jī)這么嚴(yán)重都需要十年以上的數(shù)據(jù)才能發(fā)現(xiàn)。一家風(fēng)控公司，AI只是手段，可能今天適用，明天又有另一種新的方法，數(shù)據(jù)和經(jīng)驗(yàn)的有效整合才是最核心的要素。
雷鋒網(wǎng)：既然數(shù)據(jù)才是最核心的要素，現(xiàn)在行業(yè)在數(shù)據(jù)利用上存在怎樣的問題？
湯子歐：現(xiàn)在數(shù)據(jù)利用最大的問題在于只注重“量”，忽略了時間序列。
一些人工智能公司為了積累量，就在橫斷面上搜集大量數(shù)據(jù)，在和保險公司、政府醫(yī)保合作中，一下子可能獲得幾百萬例數(shù)據(jù)，但都是兩年之內(nèi)的，之后就宣稱有龐大的數(shù)據(jù)量。
這種數(shù)據(jù)積累我是不看好的，因?yàn)闄M斷面數(shù)據(jù)訓(xùn)練的模型，只能反饋這個時間點(diǎn)的靜態(tài)規(guī)律，過兩年可能就完全不靈。
統(tǒng)計(jì)學(xué)角度上，基于時間序列的分析非常重要，這和人的特點(diǎn)有很大關(guān)系。黑格爾說：歷史給人的唯一教訓(xùn)，就是人們從未在歷史中吸取過任何教訓(xùn)，
人本身就具有健忘、盲目從眾、容易被麻醉和帶偏的特點(diǎn)，所以人的真實(shí)行為需要依靠時間序列進(jìn)行觀察，不能只從橫斷面看靜態(tài)。
雷鋒網(wǎng)：如果說現(xiàn)在人工智能的應(yīng)用只是停留在淺層，那如果向更深的角度發(fā)展，遇到像數(shù)據(jù)噪音過多等問題、應(yīng)該怎樣解決。
湯子歐：健康險風(fēng)控不是一招鮮吃遍天， 大體上可以分為管理式醫(yī)療、慢病管理，健康促進(jìn)這三類，三類的風(fēng)控點(diǎn)完全不同。
管理式醫(yī)療側(cè)重是管供方，慢病管理供方需方兩頭管，健康促進(jìn)主要是管需方，這里面的底層認(rèn)知面非常廣。
目前AI做的都只是簡單行為識別、糾錯，現(xiàn)在這些能力達(dá)到的平均數(shù)在8~9%，估計(jì)未來可能會實(shí)現(xiàn)15~20%，就到達(dá)技術(shù)的邊界，即使是加上未來的技術(shù)，也在30%以內(nèi)。
真正要提升，方向就要拓寬，借助其他技術(shù)門類，解決傳統(tǒng)的灰色地帶問題，例如濫用，這些其他技術(shù)門類就是行業(yè)過去已有的知識，所謂的經(jīng)驗(yàn)。
1999年，自己參加世界銀行學(xué)院培訓(xùn)里面一節(jié)課就講到：現(xiàn)在沒有辦法對人類的行為進(jìn)行高效的識別，但可以進(jìn)行定向分析，彌補(bǔ)算力的不足。
這個觀點(diǎn)同樣適合現(xiàn)在，我們不能對海量的數(shù)據(jù)在各個角度、各個維度都精算一遍，因變量就可能變成自變量，最終數(shù)據(jù)的排列組合非常巨大，即使是現(xiàn)在的算力也無法滿足。
所以如果要深入，就要依靠行業(yè)的既有知識和大數(shù)據(jù)的應(yīng)用高效結(jié)合，這種結(jié)合誰做得好，誰就會實(shí)現(xiàn)領(lǐng)先。
雷鋒網(wǎng)：很多風(fēng)險控制，更多是靠人的經(jīng)驗(yàn)判斷。您認(rèn)為人工和智能，哪個更重要？
湯子歐：在相當(dāng)長一段時間內(nèi)，人的經(jīng)驗(yàn)肯定比智能重要，我舉一個例子，做保險科技的企業(yè)，是否知道保險公司具有醫(yī)院報銷目錄，而且可以通過醫(yī)院認(rèn)證，更深入來說，是否知道這個目錄和醫(yī)保不同，一些特殊藥品存在不同理賠范圍，同一種診斷，理賠可能包含手術(shù)，也可能不包含。
這些知識一定需要多年的經(jīng)驗(yàn)積累，不僅是保險，其他行業(yè)也是一樣，人的經(jīng)驗(yàn)會占據(jù)主導(dǎo)地位，開始由行業(yè)專家主導(dǎo)人工智能在各個行業(yè)的發(fā)展，實(shí)現(xiàn)遍地開花。
因?yàn)槿斯ぶ悄軆H僅是一種工具，基于行業(yè)認(rèn)知的有效利用非常重要。
所以我建議人工智能的算法學(xué)者，應(yīng)該留在大學(xué)校園里面，不要出來創(chuàng)業(yè)，沒什么意思，最終會發(fā)現(xiàn)真正落地到行業(yè)，很難變現(xiàn)。
對知識領(lǐng)域認(rèn)知的深度，也就是模型訓(xùn)練中的監(jiān)督字典，所謂的金標(biāo)準(zhǔn)，AI在所有行業(yè)的應(yīng)用都需要以這個為基礎(chǔ)原點(diǎn)，智能首先需要靠譜的東西，這個東西就是人的經(jīng)驗(yàn)。無監(jiān)督學(xué)習(xí)在有深度領(lǐng)域知識的行業(yè)很難成功。
雷鋒網(wǎng)：對于醫(yī)保風(fēng)控中長期存在的數(shù)據(jù)標(biāo)準(zhǔn)化問題，正在推行的DRG技術(shù)能否做到改變，最終這這種技術(shù)對醫(yī)保控費(fèi)可以達(dá)到是什么樣的效果。
湯子歐：這是供方風(fēng)控范疇的內(nèi)容。我本人對于DRG 的應(yīng)用是持負(fù)面態(tài)度的，不要說三年能否抗過去，我覺得一兩年就會爆。
2000年，還在上海醫(yī)保基金的時候，我們就已經(jīng)嘗試過DRG 的方法，最終放棄選擇了global budget（總額預(yù)算制）和多維因素分析。而且這些方法和原理，我后來帶到了好人生，也包括現(xiàn)在的大數(shù)據(jù)風(fēng)控，關(guān)鍵是和DRG在方法上有區(qū)別。
好人生參與的醫(yī)保基金審核項(xiàng)目，都是基于這些大數(shù)據(jù)理論，不管以后稱為DIP還是大數(shù)據(jù)風(fēng)控等其他名稱，作為DRG的替代方案，也已經(jīng)在準(zhǔn)備逐漸推行。
DRG 和DIP（總額預(yù)算制）相比有什么不同？首先DRG最大的問題就來源于出生時的背景條件，最開始是被美國人創(chuàng)造的。
它的研發(fā)背景不是大量線上數(shù)據(jù)的時代，依靠一張一張統(tǒng)計(jì)表，按照統(tǒng)計(jì)學(xué)角度，一步步按照一級指標(biāo)、二級指標(biāo)迭代出來，所以是基于統(tǒng)計(jì)數(shù)據(jù)，按指標(biāo)產(chǎn)生的體系。
DRG的稱呼就是分析診斷相關(guān)疾病組的分類付費(fèi)方式，把相關(guān)疾病聚集在一起，進(jìn)行分類付費(fèi)，策略就是剛性一刀切，方法學(xué)上稱為白名單制，入組制。這種剛性一刀切的入組制，在醫(yī)保應(yīng)用中一定會出現(xiàn)，嚴(yán)重的溢出效應(yīng)。
按照健康險精算邏輯，去不去看病，80%由需方?jīng)Q定，看病以后，發(fā)生的醫(yī)療費(fèi)用多少80%是由供方?jīng)Q定。
所以應(yīng)用DRG，就會出現(xiàn)一部分溢出費(fèi)用，出現(xiàn)在其他診斷類目之下。最終發(fā)現(xiàn)DRG里面是大晴天，形勢一片大好，外面全是重災(zāi)區(qū)，醫(yī)保基金總盤子和過去一樣，照樣爆。
醫(yī)保局采用這個策略，也是被迫的無奈之舉，其實(shí)最終的訴求還是把控醫(yī)保的總盤，只要不爆就完成目標(biāo)，進(jìn)一步控費(fèi)就是更好的表現(xiàn)。
所以，目標(biāo)直接應(yīng)該朝向總盤子，繞了一圈上線DRG，總盤子根本沒管，所以DRG之內(nèi)效果非常好，不管的地方就拼命用。
總額預(yù)算制的目標(biāo)就是直接指向總盤，現(xiàn)在的技術(shù)已經(jīng)能夠達(dá)到，實(shí)時進(jìn)行大數(shù)據(jù)分析，算力也不受限制。
好人生的大數(shù)據(jù)風(fēng)控引擎每個月都會輸出一個全量數(shù)據(jù)、多維分析，簡單化處理的話，可以找出前3%，所謂槍打出頭鳥，干掉風(fēng)險最大的。
按照這種邏輯，前3%縮回去以后，后面的情況也會逐漸發(fā)生變化，逐漸整個趨勢會向均數(shù)靠近。
這種方法很智慧，也比較適合我們的國情，實(shí)行剛性一刀切人家可能直接造反了，因?yàn)槟芰勘旧砭捅饶愦螅幌碌米锾喙┓剑妥卟煌恕?/p>
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
