本页目录

公式能赢直觉的地方，和赢不了的地方

结构化、可量化、反复发生的判断是最佳射程

线性模型和概率校准工具最能发挥优势的场景有三个共同特征：判断对象可以被分解成有限个可测量的维度；同类判断需要反复做；有历史数据可以校验准确度。

招聘筛选、信贷审批、疾病诊断、犯罪再犯预测——所有研究证实公式优于直觉的领域，都同时满足这三个条件。

这不是巧合。公式的优势来自一致性：同样的输入永远给出同样的输出。人类判断的劣势也来自不一致性：专家在同一组信息面前，周一和周五给出的评分可能不一样。在反复出现的标准化任务中，一致性本身就是准确度的最大来源。

并不是所有专家直觉都不可靠。

在满足两个条件的领域里，专家直觉的表现可以和公式持平甚至偶尔胜出：一是环境提供了快速、明确的反馈（你做了判断，很快就知道对不对）；二是判断的对象在一个规律性强的窄领域内（比如国际象棋、消防现场判断、某些医学急诊）。

但这两个条件在日常决策中很少同时满足。大多数重要判断——投资决策、人才评估、战略选择——反馈延迟长、噪音大、因果链复杂。在这些场景里，专家直觉的不一致性问题会被放大，公式的优势就更明显。

判断标准：如果你是在一个反馈快、规律稳定的窄领域里工作了很多年，你的直觉值得信赖。如果不是，先跑公式。

和谁结婚。住在哪个城市。要不要生孩子。要不要辞职去做一件完全不一样的事。

这些决策的核心不是概率估计，而是价值排序。期望效用分析需要你给每个结果赋一个效用值——但在这类决策中，效用值本身就是你不确定的东西。你不知道自己住在另一个城市五年后会多幸福。你甚至不知道自己到底在乎什么。

概率校准工具对这类决策能做的有限。它能帮你避免一些明显的推理错误（比如沉没成本），但不能替你回答"我到底想要什么"。

把矫正工具硬套在价值冲突型决策上，可能反而造成伤害——让你以为自己在做"理性分析"，其实只是在用数字包装一个你还没想清楚的选择。

这是最容易被低估的边界。

所有矫正动作都需要一个前提：你在做判断时意识到自己正在犯某种偏差。但偏差的特点恰恰是它发生时你感觉不到。你觉得自己在做一个合理的估计，你不觉得自己被锚定了。你觉得自己在综合评估，你不觉得自己只在给第一印象找证据。

实验室里学习了偏差知识的被试，在面对新的判断任务时，依然会犯同样的偏差。知识不能自动转化为行动。

这意味着矫正程序不能仅仅依赖"提醒自己注意"。必须用外部化的工具——清单、公式、结构化流程——把矫正动作嵌入判断过程，而不是靠事后回忆。

三种情况下矫正程序开始失效，需要考虑停下来或换工具：

你在反复用公式做同一个决定，但每次调整输入参数直到输出你想要的结果。这不是在用公式矫正直觉——是在用公式伪装直觉。

你把矫正程序应用在一个没有可靠基率数据的领域，编造了一个"大概的"基率继续算。垃圾输入，垃圾输出。没有可靠基率时，贝叶斯更新的起点就不成立。

你在一个快速变化的环境里使用基于历史数据建立的线性模型。模型的权重是从过去的数据学来的——如果环境结构已经变了，过去的权重可能不再适用。

遇到这三种情况，承认矫正工具的边界，比假装它还在工作更有用。