本页目录

简单规则赢的前提拆掉了，复杂分析重新上场

快速节俭启发式不是在所有环境里都比复杂模型更准确。它赢的条件很具体。拿掉那些条件中的任何一个，它的优势就缩水甚至翻转。

搞清楚这些条件在哪里成立、在哪里断裂，比学会怎么用启发式更重要。

三个前提同时满足时，简单规则最有力

第一个前提：不确定性高。 你对未来结果的分布没有可靠估算。环境在变化，过去的规律不保证在未来成立。在这种条件下，一个参数少的模型不容易被过去的偶然波动带偏。

第二个前提：可用样本有限。 你手里能参考的历史案例、数据点、对比对象少。复杂模型需要足够多的样本来稳定地估算每个参数。样本不够时，参数估算本身就是噪声的产物。

第三个前提：线索之间冗余度高。 你考虑的多个评估维度说的其实是差不多的事情。八个指标里六个高度相关。这时候整合八个指标带来的额外信息量接近零，但带来的额外噪声是实实在在的。

三个前提同时在场，简单规则占优。这是偏差-方差权衡的直接推论，不是信念。

不确定性降低时。 环境稳定，历史规律对未来有较高预测力。你面对的是一台运转模式已知的机器，不是一个持续变化的生态系统。

这时候复杂模型的方差问题减轻了——因为未来数据和训练数据长得很像。它的低偏差优势重新显现。工程计算、已知疾病的标准诊断流程、成熟市场的定价模型——这些场景里，简单规则牺牲的精度是真实的损失。

样本充分时。 你有几千个、几万个历史案例做参考。复杂模型有足够的数据来稳定地估算每个参数。过拟合的风险被大量数据对冲。

推荐系统、大规模临床试验的效果评估、保险精算——这些领域的数据量级足以喂饱复杂模型。用三条线索的简单规则去替代，精度确实会下降。

线索独立贡献时。 每个评估维度提供的信息不重复。八个指标各自覆盖不同的预测维度。这种情况下，整合更多信息真的能提升预测准确率，而不只是增加噪声。

这三种条件是光谱，不是开关。现实决策很少完全落在某个极端。但知道光谱存在，就知道往哪个方向调整。

第一种：把"少即是多"当成不分析的借口。 环境不确定性其实不高，样本也充分。你不是因为判断了环境适合简单规则才用简单规则，而是因为懒得做分析。Gigerenzer 为启发式正名的前提是它在特定环境里的预测精度。如果你跳过了环境判断这一步，你不是在用启发式，你是在偷懒。

信号：你选了一个简单规则，但说不出"为什么这个环境里简单规则更准"。

第二种：再认信号被污染了你没注意。 你认为自己"听过"某个选项就选了它。但你之所以听过，不是因为它在你关心的维度上更优，而是因为它在一个不相关的渠道里曝光度高。

广告打得多的品牌你都听过，但听过和好用之间没有因果关系。再认启发式的生态条件是"再认来源和判断目标之间存在稳定的统计相关"。这条相关一旦断裂，再认启发式就变成了噪声放大器。

信号：你说不清自己为什么听过这个选项，或者说得清但发现来源和判断目标无关。

第三种：满意即止的门槛设太低了。 你说"第一个达标的就选"。但你的门槛只覆盖了一个维度，漏掉了一个会直接致命的维度。一个方案性能达标，你选了。三个月后发现它的安全性有硬伤。

满意即止策略有效的前提包括：门槛设置覆盖了所有关键维度，而不只是最容易测量的那几个。

信号：你的门槛检查清单里只有可量化指标，没有难以量化但可能致命的维度。

三条信号。

第一条：你已经做了简单判断，但结果和你的经验直觉强烈冲突，而且你能说出冲突具体在哪个环节。这不是在否定启发式——这是在提示你可能遗漏了一条重要线索。

第二条：你发现自己的判断环境在三个月内发生了显著变化，而你还在用上一个环境里形成的启发式。启发式的有效性和环境绑定很紧。环境变了，工具可能也要换。

第三条：决策的代价结构严重不对称——选对了收益一般，选错了损失巨大。在高度不对称的代价结构下，简单规则的"平均更准"不够用。你需要针对最坏情况做分析，这通常需要更复杂的工具。

反过来也成立：如果你做了两天复杂分析，结论和第一天的简单判断一致，这就是一条"下次可以更早停止"的信号。