思维模型 02｜概率——所有判断都是赌注

不是在有确定答案的时候才做决定。
真正的技能是在不确定的时候做出好的赌注。

前一篇讲复利，核心判断是「方向和时间比速度重要」。但有一个前提被跳过了：你怎么知道你选的方向是对的？答案是——你不知道。你只能判断它对的概率有多大。

这就是概率思维要解决的问题。不是消除不确定性——这做不到——而是学会在不确定的情况下做出更好的判断。Annie Duke 在《Thinking in Bets》里讲得很直接：生活不是国际象棋，国际象棋是完全信息博弈，你能看到棋盘上的一切；生活更像扑克，你看不到对方的牌，你只能根据不完整的信息下注。

我花了很长时间才接受一件事：好的决策可以导致坏的结果，坏的决策也可以导致好的结果。 这两件事同时成立。一个醉驾回家的人平安到达了，不代表醉驾是好的决策。一个经过仔细分析后做的投资亏了钱，不代表分析过程有问题。概率思维的第一步，是把「决策质量」和「结果质量」分开评价。

这一篇会讲三件事：期望值思维怎么用、基率为什么比直觉准、以及概率思维在哪里会失效。

一、期望值：不看单次结果，看长期平均

期望值（expected value）是概率论里最基础也最有用的概念之一。简单说就是：一个决定的好坏，不看它这一次的结果，看它如果重复很多次，平均下来的结果是什么。

举一个最简单的例子。有人跟你打赌，扔一枚公平的硬币，正面你赢 200 块，反面你输 100 块。你要不要赌？从单次结果来看，你有 50% 的概率亏 100 块，好像有风险。但从期望值来看：0.5 × 200 + 0.5 × (−100) = 50。平均每次你能赚 50 块。如果这个赌局可以重复很多次，你应该毫不犹豫地接受。

这个计算看起来很简单，但它背后的思维方式对日常决策影响很大。

我自己在决定要不要做一个新的内容项目时，会不自觉地做类似的计算。比如我考虑要不要花三个月做一个新的系列。最好的情况：它成为我内容体系的核心组成部分，持续带来新读者和新讨论，长期回报很高。最坏的情况：没人看，三个月白花了。中间的情况：有一部分人觉得有用，它成为一个还行的补充，不算浪费但也没有突破。

如果最好的情况有 20% 的概率，价值是 100（假设的单位），中间情况有 50% 的概率，价值是 30，最坏的情况有 30% 的概率，价值是 −20（纯粹的时间损失），那期望值是：0.2 × 100 + 0.5 × 30 + 0.3 × (−20) = 20 + 15 − 6 = 29。期望值是正的，值得做。

期望值思维的真正力量在于它帮你对抗两种常见的决策错误。 第一种是被最坏情况吓住。很多人因为害怕失败而不敢尝试任何有风险的事情，但他们没有算过：即使失败的概率不低，只要成功的回报足够大，从期望值角度看这件事是值得做的。第二种是被最好情况迷惑。彩票的期望值是负的——你买一张两块钱的彩票，中奖概率是千万分之一——但很多人因为想象着「万一中了呢」而持续购买。

Kahneman 在他的研究中发现，人们对损失的敏感度大约是对收益的两倍——他称之为「损失厌恶」（loss aversion）。这意味着，当一个决定有可能带来损失时，你的直觉反应会放大那个损失的权重，让你高估风险、低估机会。期望值计算是对抗这种偏差的一个有效工具。

二、基率：你最该知道的那个数字

概率思维的第二个核心工具是基率（base rate）。

基率就是在你掌握的所有信息之前，某件事发生的「底线概率」。举个例子：你认识了一个创业者，他的项目听起来非常有前景，团队很强，市场很大。你觉得他会成功吗？在你被这些具体信息影响之前，你应该先知道一个数字：创业公司的整体存活率是多少？

根据美国劳工统计局的数据，大约 20% 的新企业在第一年倒闭，大约 50% 在五年内倒闭，大约 65% 在十年内倒闭。这意味着，在你了解任何关于这家公司的具体信息之前，它十年后还活着的概率大约是 35%。

基率是你判断的起点，不是终点。 你可以根据具体信息来调整——团队确实很强可以往上调一点，市场确实很大可以再往上调一点——但调整的幅度通常不应该太大。Kahneman 把这个过程叫做「锚定和调整」，而他发现的问题是：人们通常调整得不够。如果基率是 35%，你可能应该调到 50%，但很多人会因为被生动的创业故事打动而调到 80% 甚至 90%。这就是忽视基率的代价。

Philip Tetlock 在他的「超级预测者」研究中发现了类似的模式。他追踪了上万名预测者在政治、经济和国际事务上的预测准确度，发现最准确的那些人有一个共同特征：他们几乎总是从基率开始思考。 他们不会被某一条新闻或某一个专家的观点带着走，而是先问「这类事情在历史上发生的频率是多少？」然后根据新信息小幅调整。

我在自己的决策中开始有意识地使用基率，是在做内容之后。每次我考虑一个新方向的时候，我会先查：做类似方向的人，大概多少比例做出了持续的影响力？这个数字通常比我的直觉预期低得多。这不是让我不做，而是让我对投入的资源量和时间线有更现实的预期。

基率思维最实用的地方是帮你校准对自己的判断。 你觉得你的项目会成功？先查查同类项目的成功率。你觉得这次面试表现不错？先查查这个岗位的录取率。你觉得这段新关系会长久？先查查同年龄段的关系维持率。这些数字不是为了让你悲观，是为了让你的预期更接近现实，这样你的准备才会更充分。

三、校准你的概率感

知道要用概率思维是一回事，用得准是另一回事。

Tetlock 的研究发现，大部分人的概率判断是很不校准的。所谓「校准」（calibration），意思是：当你说一件事有 70% 的概率发生时，它真的在大约 70% 的情况下发生了吗？大多数人的回答是「没有」——他们说 90% 把握的事情实际上只有大约 75% 发生了，他们说 50/50 的事情实际上的偏向比他们以为的大得多。

我们的概率感就像一把没有校准过的尺子——它能大致区分长和短，但具体的读数不准。

好消息是，概率校准是可以练习的。Tetlock 发现，超级预测者不是天生就校准得好，而是通过持续的练习和反馈来改善的。他们有几个共同的习惯：

第一，他们给自己的判断标数字。 不是说「我觉得可能会」或「我觉得大概不会」，而是说「我觉得这件事有 60% 的可能」。标数字的好处是，它迫使你把模糊的感觉变成可以事后验证的预测。如果你说的是「可能」，不管结果怎样，你都可以说自己是对的。但如果你说的是「60%」，你就有了一把可以校准的尺子。

第二，他们记录和回顾自己的预测。 这听起来很麻烦，但不需要做得很精细。你可以在手机备忘录里建一个简单的列表：每次你对某件事做出判断时，记下你的判断、你的概率估计和日期。隔一段时间回头看看：你说 80% 会发生的事情，真的有八成发生了吗？几次下来，你就能发现自己的偏差模式——也许你总是过于自信，也许你对某类事件总是低估。

这个方法我在做投资决策时用过一段时间。每次买入一个标的前，我会在日记里写下我的预期：「我认为这个标的一年内上涨的概率是 65%，预期涨幅 20%，预期最大跌幅 15%。」几个月后回头看，我发现自己有一个明显的偏差：我对上涨的概率估计通常是准的，但我对跌幅的估计总是过于乐观——实际的最大跌幅经常超过我的预期。发现这个偏差之后，我在做仓位管理时就会多留一些安全边际。

四、概率思维在日常生活中怎么用

概率思维不只是给投资和预测用的。它在日常决策中最大的价值是帮你在不确定的情况下减少后悔。

一个实用的框架是：下次你需要做决定时，把每个选项的可能结果列出来，给每个结果标一个概率，然后看哪个选项的期望值最高。

假设你正在考虑要不要换工作。现在的工作稳定但没有成长空间，新的机会有挑战但不确定能不能适应。你可以这样分析：

留下来：90% 的概率维持现状（满意度 5/10），10% 的概率被裁员（满意度 2/10）。期望值 = 0.9 × 5 + 0.1 × 2 = 4.7。

去新工作：50% 的概率很好（满意度 8/10），30% 的概率还行（满意度 6/10），20% 的概率不适应（满意度 3/10）。期望值 = 0.5 × 8 + 0.3 × 6 + 0.2 × 3 = 6.4。

这个计算当然很粗糙——你标的概率本身可能不准，满意度的评分也是主观的。但它的价值不在于精确的数字，在于它逼你把直觉变成可以比较的东西。很多人面对这种选择时纠结很久，本质上是因为他们在头脑里同时处理太多模糊的变量。把它们写出来、标上数字，即使数字不完美，决策质量也会提高。

Annie Duke 提出的另一个实用方法是「决策日记」。 每次做了一个重要决定时，记下三件事：你做了什么决定、你当时掌握了什么信息、你的概率判断是什么。一个月后、三个月后回来看。你会发现，有些你以为是「坏决定」的东西其实决策过程没问题、只是运气不好；有些你以为是「好决定」的东西其实决策过程有漏洞、只是运气好。长期做这个练习，你对自己的判断能力会有越来越准确的认知。

我自己的做法是在每周复盘里加一个小板块：这周做了哪些判断？当时的概率估计是多少？现在看起来估计准不准？不需要每个决定都记，只记那些你觉得有意义的。半年下来，你会对自己的思维模式有一些让你意外的发现。

五、结果偏差——最常见的概率思维陷阱

概率思维最大的敌人是「结果偏差」（outcome bias）：用结果来反推决策质量。

一个创业者成功了，人们就觉得他当初的每一个决策都是英明的。一个投资者亏了钱，人们就觉得他的判断力有问题。但如果你用概率的视角看，成功的创业者里有一部分只是运气好——他们做了低概率会成功的赌注，碰巧赢了。失败的投资者里有一部分决策过程完全没问题——他们做了高概率会赢的赌注，碰巧输了。

Kahneman 和 Tversky 的研究反复证明了这一点：人类几乎无法把结果和决策过程分开评价。 知道结果之后，你的大脑会自动重写对决策过程的记忆，让它看起来和结果一致。这就是所谓的后见之明偏差（hindsight bias）——「我早就知道会这样」。不，你不知道。你只是在知道结果之后重新编辑了你的记忆。

结果偏差在投资领域尤其有害。如果你因为一次成功的投资而变得更大胆，或者因为一次失败的投资而变得过于保守，你就是在用结果而不是过程来指导你的未来决策。正确的做法是：每次做完决策后，先评价决策过程，再看结果。 如果过程是好的——你收集了足够的信息、考虑了基率、做了合理的概率估计——那即使结果不好，你也不需要改变你的方法。你需要的是更多的样本量，让概率发挥作用。

六、概率思维在哪里会失效

概率思维不是万能的。至少有三种情况下它不适用或者需要被其他思维模型覆盖。

第一，样本量太小的时候。 期望值思维的前提是你有足够多的「下注」次数，让概率的规律浮现出来。但有些决策你只做一次——选哪个城市定居、嫁不嫁这个人、做不做这个手术。在这些情况下，期望值的计算意义有限，因为你没有机会通过重复来「摊平」单次的运气成分。对于一次性的重大决策，你需要更多地考虑最坏情况（downside）的可承受性，而不是期望值。这和思维模型 06里讲的非对称思维有关。

第二，情感和价值观的领域。 「我应该和这个人在一起吗？」这个问题不能用期望值来回答。不是因为概率不适用——你当然可以估计这段关系成功的概率——而是因为「成功」的定义本身就是模糊的、主观的、随时间变化的。在涉及深层价值观和情感的决策里，概率思维是一个有用的参考，但不应该是唯一的依据。

第三，当你面对的不是风险而是不确定性的时候。 经济学家 Frank Knight 在 1921 年做了一个重要的区分：风险（risk）是你知道可能的结果和各自的概率——比如扔硬币。不确定性（uncertainty）是你连可能的结果都不知道——比如一个全新的技术会如何改变社会。概率思维在「风险」领域里很强大，但在「不确定性」领域里，你可能连概率都标不出来。面对真正的不确定性，更重要的是保持灵活性和生存能力，而不是优化期望值。

这一篇之后，你可以做的

对所有人：今天做一个决定的时候——大到工作选择、小到午饭吃什么——试着给每个选项标一个概率。不需要精确，「大概六七成」就够了。这个练习的目的不是算出准确数字，是让你习惯把判断量化。
如果你正在做一个重要决定：列出每个选项可能的结果（好、中、坏），给每个结果标一个概率和一个满意度分数，算一下期望值。在纸上做比在脑子里做要好得多。
在手机备忘录里建一个「预测记录」：每次你对某件事做出判断时（比如「这个项目六成概率能按时完成」），记下来。一个月后回来看看你的判断准不准。做三个月，你会对自己的校准水平有一个清晰的认知。
对做投资的人：下次你买入一个标的之前，写下你的概率判断和理由。不需要复杂的模型，一段话就够。三个月后对照看。这个习惯能帮你区分「决策质量」和「运气」。
对经常后悔的人：回想最近一个让你后悔的决定，问自己——当时你掌握了什么信息？你的判断过程有问题吗？还是只是运气不好？如果过程没问题，那你需要的不是改变方法，是接受概率的本质：好的赌注也会输。

一点边界

概率思维是一个决策工具，不能替代专业判断。涉及医疗、法律、财务的重大决策，基率和期望值只是参考的一部分，你仍然需要专业人士的意见。
给情感和关系标概率会在某些场景下让你显得冷漠。这个工具适合在自己的脑子里用，不一定适合在对话中展示。
如果你发现自己对所有事情都在做概率计算而无法做出决定，那不是概率思维的正确用法——那是在用理性分析来回避做选择的焦虑。有时候你需要的不是更多分析，是接受不确定性然后行动。

这个系列会讲什么

参考

Kahneman, Daniel（2011），《Thinking, Fast and Slow》，Farrar, Straus and Giroux
Kahneman & Tversky（1979），Econometrica：Prospect Theory: An Analysis of Decision under Risk
Duke, Annie（2018），《Thinking in Bets》，Portfolio/Penguin
Tetlock, Philip & Gardner, Dan（2015），《Superforecasting: The Art and Science of Prediction》，Crown Publishers
Knight, Frank（1921），《Risk, Uncertainty and Profit》，Houghton Mifflin
U.S. Bureau of Labor Statistics, Business Employment Dynamics