全局最优与局部最优有什么不同？
一些古典经济学家认为，追求个人利益的最大化，就能累加成群体利益的最大化。但保罗·萨缪尔森指出，这是“合成谬误”——误以为在局部成立的事，就能在全局成立。
举过一个例子：会场里一个观众站起来，他看得更清楚了，能推广到整体吗？当所有观众都站起来，那谁也看不清了，还更难受。
在运筹学领域，“贪心算法”寄希望于，通过每一步选择当前的最优，从而实现结局的最优。但这样做难免有急功近利、贪小失大的问题。
一个雪球，面对一条很陡很短的赛道和一条很缓很长的赛道，该怎么选？贪心算法会选择初期增长快的，然后早早陷入停滞。而巴菲特会说：人生就像滚雪球，重要的是发现很湿的雪和很长的坡。
人们渐渐发现，全局最优没那么容易，甚至总结出了一些经典有争议的模型：
公地悲剧
一块公有草地，人人有权利使用，却无人有义务维护，结局是什么呢？每个牧羊人都会带大群的羊来吃草（局部最优）——他们知道草地承受不住，就更不愿落后于人——最后公地不复存在（全局最劣），这就是“公地悲剧”。
公地悲剧有很多衍生情况，例如滥用抗生素：
“抗生素的有效性”是一块公共资源，自1928年发现青霉素以来，全人类都受益于此，但没人需要对这种有效性负责。
于是，为了一次治病效果好，很多人大剂量使用抗生素。可是这样做的人多了，就会产生耐药性强的超级细菌，令抗生素逐渐失效。
每年，中国生产并消耗着全球近一半的抗生素，虽然其中多半用于饲养禽畜，但这并不改变滥用催生超级细菌的事实。
除此之外，大到全球气候、海洋资源、生物多样性，小到人行道上的空间，都面临着公地悲剧的问题。
搭便车问题
公地悲剧稍作变化，就成了搭便车问题：当一个公共品不付钱也能用的时候，每个人都倾向于不付钱（局部最优），但所有人都不付钱的话，就没公共品可用了（全局最劣）。
相同的案例还有网贷征信：
一群网贷公司，为了提升风控水平、降低风控成本，决定共享用户的信用和借贷记录。然而，每一家都想着，我不用认真做征信，直接用平台上别人家的数据就好……结果就是互相坑队友，集中爆雷。
除此之外，大到联合国事务，小到团队作业，都少不了关于搭便车的争论。
囚徒困境
甲乙合伙作案，被警方抓获，但警方没有足够的证据指控，于是分开审讯两人。这时，甲乙的命运面临四种可能：
如果两人都不招供，各判1年；甲招供并检举对方，而乙沉默，则释放甲，判乙10年；甲沉默乙招供，则判甲10年，释放乙；如果甲乙都招供，各判5年。
不难看出，“无论对方招不招供，自己都招”对每个囚徒来说都是最有利的选择（局部最优），而双方都这样选，就会共同落入背叛结局（全局最劣）——这就是“囚徒困境”。
囚徒困境同样有很多衍生情况，例如企业价格战：
甲乙公司都不打价格战，则维持现状；甲打乙不打，甲会抢到更多的市场；甲不打乙打，乙会抢到更多的市场；甲乙都打，非但市场份额不变，双方的营收压力还大幅增加。
又如国家关税摩擦：
甲乙两国都不搞事情，好好开门做生意；甲打乙不打，甲国企业的竞争力增强；甲不打乙打，乙国企业的竞争力增强；甲乙都打，就是我们正在经历的事，中美贸易关系受损，各国经济也受影响。
人际关系、城际发展、国际政治、生物进化……随处可见囚徒困境的案例。
全局最优
那么，回到主题，全局最优是什么样呢？并不是所有场景都能实现全局最优，因为全局最优往往需要“上帝视角”和“顶层规划”。
往大里说，气候变化协定、关税贸易协定、央行征信系统、全民防疫计划、高铁航运规划就是追求全局最优；往小里说，打车软件的车辆调配方案就是追求全局最优。
很多人有过疑问，为什么明明附近有车，打车软件却要派一个远处的单？
打车软件本质上是一个协调者、撮合者，运用大数据算法和经济学规律，在高峰期尽量让更多乘客能打到车，让低谷期司机能够有单可接。
大数据算法意味着，让更多的人更快打到车，未必是个别用户打到最近的车，但所有人的整体等待时间缩短了。
经济学规律则意味着，通过分时计价等方式，平衡、撮合供需双方，实现市场均衡。
（如果您觉得文章对您有帮助，欢迎关注作者的微信ID：fcscfixedincome，订阅更多优质原创内容！）