本页目录

适应性工具箱：为什么决策方法必须跟着环境走

决策研究的主流路径一直在找一条通用规则。贝叶斯更新、期望效用最大化、多属性加权——形式不同，目标一样：给你一个框架，适用于所有情境。

Gigerenzer 走了反方向。他不认为存在一条通用最优决策规则。他的方法论基础是：不同的环境结构需要不同的决策工具。认知系统演化出来的不是一台通用计算机，而是一个工具箱。

生态理性：把"对不对"的标准从逻辑搬到环境

传统理性标准看逻辑一致性。你的偏好排序满足传递性吗？概率判断满足加法公理吗？不满足就是偏差。

生态理性换了一个标准。它不问你的判断是否符合逻辑规则，问你的判断在特定环境里表现如何。一条看似"不合理"的策略，如果在它被使用的那个环境里持续产出好结果，它就是理性的。

这个标准转换不是在降低理性的门槛。它在做一件更难的事：要求你同时理解策略和环境之间的匹配关系，而不是只评价策略本身。

一把锤子放在螺丝刀的评分表上永远不及格。但这不说明锤子是坏工具——说明评分表选错了。

每一条快速节俭启发式都由三个组件构成。

搜索规则 决定你去哪里找信息、按什么顺序找。再认启发式的搜索规则是"查一下我认不认识这个"。信息量最大优先的搜索规则是"按线索的区分能力从高到低排队，依次检查"。

停止规则 决定你什么时候不再找了。这是快速节俭启发式和复杂模型最核心的差异。复杂模型没有停止规则——它把所有可用信息都纳入计算。启发式有明确的停止点：第一条能区分的线索出现就停；第一个达标的选项出现就停。

决策规则 决定你找到信息之后怎么做选择。最简单的决策规则是"选那个"——再认启发式选认识的那个，信息量最大优先选第一条线索指向的那个。

三个组件的组合方式不同，产出不同的启发式。但它们共享一个设计原则：每个组件都尽可能简单。搜索有限、停止果断、决策直接。

这是整套方法论的数学地基。

任何预测模型的总误差可以拆成两部分：偏差和方差。偏差是模型结构本身的系统性偏离。方差是模型对训练数据的过度敏感——换一批数据，预测结果波动多大。

复杂模型偏差低——它们的结构足够灵活，能贴近任何数据。但方差高——灵活性同时意味着它会把噪声当信号记住。

简单模型偏差可能略高——它忽略了一些真实规律。但方差极低——它没有足够的参数来拟合噪声。

在总误差这个终极指标上，哪种模型胜出取决于环境。不确定性高、样本有限时，方差是总误差的主要来源，简单模型胜出。不确定性低、样本充分时，偏差是主要来源，复杂模型胜出。

"少即是多"效应的全部数学含义就在这里：减少参数降低方差的收益，超过了增加偏差的代价。

Gigerenzer 不给你一个"在所有情况下用这个"的推荐。他给你一组选择标准。

再认启发式 在满足两个条件时最有力：你对候选对象的再认率有足够的差异；再认和你要判断的维度之间存在生态相关。一个城市你听过它，因为它大——再认有效。一个产品你听过它，因为广告多——再认不可靠。

信息量最大优先 在满足两个条件时最有力：可用线索较多但相互冗余度高；你没有足够数据来准确估算每条线索的权重。

满意即止 在满足三个条件时最有力：候选选项多、搜索成本不可忽视、选项之间的质量差距在边际递减。

工具箱的核心不是哪个工具最好。是你能不能准确判断手里的任务长什么样，然后拿出匹配的那把。

日常讨论里，启发式经常被归到"靠直觉"那一侧。Gigerenzer 明确反对这种分类。

快速节俭启发式不是直觉。每一条都有明确的信息搜索路径、停止条件和决策规则。它们可以被形式化、被模拟、被交叉验证。它们快，不是因为跳过了思考，而是因为思考的步骤被精简到了环境能支撑的最小集。

它们也不是分析的对立面。它们是分析的一种形式——只是分析的对象从"数据本身"转向了"环境结构"。你花的心力不在于整合更多数据，而在于判断当前环境适合什么工具。

这个区分很重要。如果你把启发式当直觉，就会在需要精确的时候不敢用；如果你把它当偷懒，就会在它最有效的环境里白白浪费时间做无用的复杂分析。