声音简介
当然不会。我听说过很多人研究股市心理学，我从来没听说过有心理学家靠判断力炒股赚钱的。因为总有一些事情是不确定的、有一些信息是你做判断的时候理论上可以知道但是偏偏不知道的，你根本不可能给出100%正确的判断。最好的判断力，也有个边界。
卡尼曼把那些未来不确定的变化和我们现在不知道的信息，称为「客观无知（Objective Ignorance）」。客观无知不是错误，不是偏差也不是噪声，而是判断力的边界。一个最好的判断系统可以把偏差和噪声都降低到 0，但是你不可能消灭客观无知。
理想的判断差不多应该是这样的：
— 你认为这个剧本能火吗？
— 啊，我判断电影如果完成的好，票房过十亿的可能性大约有 60%；不过另一个剧本更好，我判断过十亿的可能性是 65%。
然而很少有人这么说话。现实是人们大大低估了客观无知。而这就使得相当一部分客观无知变成了判断中的偏差和噪声。
*
咱们来一个演习，请听题 ——
我们公司打算从外面聘请一位CEO，现在有个候选人叫李志国。作为董事会成员，请你根据以下信息，判断李志国当我们CEO能不能成功 —— 我们对成功的定义很简单，就是他两年之后，是不是还能保住这个职位：
李志国 37 岁，毕业于哈佛商学院；
他曾经是两个初创公司的创始人和投资者，但是那两个公司都因为没有吸引到很多资金支持失败了；
他后来加入了一家大型保险公司，并迅速升至欧洲区域首席运营官的位置；
他发起并管理了一个在及时解决索赔方面的重要改进，同事和下属都说他很有效率；
然而人们也认为李志国很跋扈和粗暴，他任期内有大量的高管更替；
不过大家都认为他是个正直的人，能承担责任；
过去两年中，李志国担任了一家中型金融公司的CEO，把该公司从面临倒闭带到了稳定局面；
不过那家公司的人都觉得很难与之共事……
这是一个优点非常突出，缺点也非常突出的人。你要说他不行吧，他可能正是我们最需要的人；你要说他行吧，他好像在哪都很难干长。那你该怎么判断呢？
这道题的真实性就在于其中信息的复杂性，有的支持这个方向，有的支持那个方向。老百姓面对这样的情况往往会选择其中一方面的信息，弱化或者忽略另一方面的信息，给自己讲一个自洽的、连贯的故事。我们专栏讲过尼克·查特的《思维是平的》，大脑会因为一些自己都不一定注意到的因素选定一个判断，就好像波函数坍缩一样坚定这个判断，剩下的剧情全是脑补。这样的判断过程恰恰是噪声的来源。
而老百姓做这种判断，其实并不是真的在追求精确性。他的大脑其实是在追求一个“我得出结论了”的愉悦感。结论是对大脑思考的奖励。一个连贯的故事有个结局，这种思考很舒服。但是这是系统一的思考。这是一种情感体验。这就是为什么人们那么相信自己的「直觉」：我跟你说不清我是怎么判断的，但是我知道判断让我感觉很爽。
这样的判断完全没考虑客观无知，往往是过度自信。
那你说全面考察两方面的信息行吗？还是不行。这一讲最重要的洞见就是，做判断千万不能只考虑眼前这些信息 —— 你必须考虑眼前没有的、外部的信息。
我们是个什么公司？我们公司最需要什么样的人？我们的企业文化跟李志国合拍吗？这些你得问啊。其实这些还不是最基本的。最基本、最简单也是最重要的一个问题是，现在市场上*一般的*CEO，都能在位多少年？有了这个数字你才能知道“在位两年”到底是个什么水平。
这也是我们专栏以前讲过的 [1]，也是卡尼曼提出来的，叫做「基础比率（base rate）」。要强调的是基础比率是个外部信息，你光考虑眼前这件事儿是不行的，你必须同时考虑其他类似的事情才行。
基础比率能帮你消除一点无知，但是你仍然会低估自己的客观无知。
*
比如说，我们知道“原生家庭”往往对孩子的成长有重大影响，各路科学家对此做过极多的研究。这个影响到底有多大呢？你可以想见，学者们已经知道各种基础比率了。那他们的预测水平怎么样呢？
2020年有个大规模研究是这样的。有一个包括五千名儿童的家庭详细信息的数据库，其中大部分都是条件比较差的“脆弱家庭”。数据库中有每个孩子从出生到 15 岁的各种跟踪信息，比如家庭收入情况、父母乃至祖父母的教育和就业情况、健康信息等等。之前，社会学家已经用这个数据库写过很多篇论文，可以说是非常熟悉了。
普林斯顿大学用这个数据库组织了一个预测比赛。题目是根据一个孩子 15 岁之前的所有详细信息，你们能不能预测到他在 15 岁这一年的学习成绩怎么样、家庭环境怎么样，比如会不会因为家里交不起房租而被房东驱逐？
有 160 个高水平团队参赛，其中有社会心理学家，也有的团队用的是大数据和机器学习算法。这个比赛可以说代表了现代科学对“原生家庭”这个话题的最高水平认知，它的预测结果代表了判断力的边界。
结果是准确率很低。
关于全家被房东驱逐的预测，最好的模型跟真实结局的相关度也只有 0.22。关于学习成绩（GPA）的预测，相关系数只有 0.44，关于过去一年是否遭遇物质困难的预测，相关系数也只有 0.48。
0.44 的相关系数是个什么水平呢？这就相当于给你提供这个孩子之前包括学习成绩在内的所有信息，现在问你他 15 岁这一年的学习成绩如何，而你说对的可能性只有 65% [2]。
而这个研究可不是孤立的，这是一个普遍现象。社会科学家自己报告，社会心理学效应对人命运的影响，总的来说，那个相关系数只有 0.21。也就比纯随机稍微高一点而已。
所以好消息是“原生家庭”对人命运的影响远没有人们想象的那么大。你千万不要因为一个人的原生家庭条件差而小看他，正所谓“莫欺少年穷”。但坏消息是社会心理学并不能准确预测人的命运。
剩下的都是客观无知。
*
这个道理是事情总是充满不可知的变数。
这孩子父母本来收入就低，父亲又刚刚失业了，母亲的工资根本不够交房租的。你的模型合理预测他家很有可能会被房东驱逐，他的学习成绩会变得更差。可是谁知道，他父亲又找到了工作。又或者房东是个好心人，破例允许他家继续先住着。又或者有个亲友出手帮忙。又或者这孩子遇到一位好老师。
事后看，每一个可能性都非常合理，你能完美解释所发生的一切，你一点都不感到困惑。但是你事先可不敢这么预测。
这就是命运。命运充满岔路口，那些岔路跟社会心理学、跟任何理论都没关系 —— 那些是我们必须面对的客观无知。
很少有人能充分意识到这个无知。比如让你负责一个岗位的招聘工作。你面前有两个候选人 A 和 B，你判断 A 比 B 好。那请问，如果 A 和 B 都进了公司，他们的实际表现也是 A 比 B 好的可能性大概是多大呢？有个调查发现，一般高管认为可能性应该在75%-85%之间。
但是真实的可能性只有 59%。而你要知道就算抛硬币选人，都有 50% 的准确度。
这些人高估自己判断的准确度，是因为低估了客观无知。新人进公司后什么事情都可能发生。她可能能力强又善于处理同事关系，可是偏偏遇到一位特别差劲的主管。他可能在工作中什么问题都没有，但是家庭拖累很重。你不知道会发生什么。
*
客观无知是一种统计思维。我们平时使用的、系统一爱用的，是因果思维。
因果思维善于解释。为什么 A 同事能力那么强却没表现好？是因为她的主管没有带好她。为什么那个贫困家庭最终还是挺过来了？因为遇到了好心人。这些解释没毛病，都非常准确，但是你只能在事后解释。
而卡尼曼说，正因为几乎每次事后我们都能解释，我们会误以为我们对这个世界非常有把握。我们只有遇到事后感觉无法解释的事件，才会调动系统二去努力寻找别的原因。我们平时并不觉得自己漏掉了什么东西。
而这就使得我们过高估计了自己的预测能力。遇到一个不好的主管，遇到一个好心的房东，这些事后听起来并不意外 —— 所以我们会低估意外，我们没考虑到那些是无知。
事后解释的难度远远小于事前预测。比如现在出了个大新闻，是有关宏观经济的坏消息。那么不管股市接下来怎么走，股评家都能找到合理的解释：如果股市果然跌了，那就是“紧张的投资者对新闻感到担忧！”如果股市涨了，那就是“乐观的投资者保持乐观！”
可是你能事先给我预测一下股市的反应吗？哪怕事先判断者的脑子里感到了一点不确定性，他在事后也能自动解释，然后忘掉之前的那个无知感。
因果思维是自动的，统计思维却是需要努力的。因果思维可以是内部的，统计思维必须是外部的。
因果思维容易在事后理解判断的错误。出错了，人们总能找到一个什么解释，现在通常的解释都是“你当初的判断里有思维偏差！”但是因果思维不能理解噪声。噪声是一种统计思维。你必须观察过好几个判断，才能看出来其中有噪声。
*
这一讲最关键的概念是客观无知。客观无知是判断力的边界，它限制了你这次判断*可能*好到什么程度，超过那个程度就别指望了。
要充分考虑客观无知，我们必须使用统计思维，有一个外部视角。做判断一定不能只看眼前这一件事，一定要向外看，看看跟这件事类似的事情，都有什么样的结果。不懂得外部的事物，没有类似事情的经验或者知识，你就不配做这个判断。不了解历史、不了解外国的，不能判断现代中国。
理解了偏差和噪声，明确了客观无知，我们就已经做到了「诚意正心」。那么下一步就可以「格物致知了」。
音频列表
- 2021-10
- 2021-10
- 2021-10
- 2021-10
- 2021-10
- 2021-10
- 2021-10
- 2021-10
- 2021-10
- 2021-09
查看更多
用户评论