跳到主要内容

第2部 启发法与偏差

如果系统 1 是一台又快又糙的机器，它面对一个复杂问题时会怎么办？

它不会去想"正确答案是什么"，它会用最快能调用的线索给一个"看起来对"的答案。这就是启发法（heuristics）。

启发法本身不是 bug，是 feature。它在 99% 的场景下让我们能毫秒级做出"够好"的判断——这对生存极其重要。

bug 只在 1% 的场景出现——但这 1% 在你做重要决策时偏偏就特别致命。

锚定：你心里有把尺子，别人挪动一下你的判断就偏了​

实验：让受试者转动一个"幸运转盘"（实际被研究者控制，会停在 0-100 之间的某个随机数）。然后问："非洲国家在联合国的席位比例是多少？"

  • 转盘停在 10 的人：平均估计 25%。
  • 转盘停在 65 的人：平均估计 45%。

转盘上的随机数字影响了他们对联合国比例的估计。他们知道转盘是随机的，知道这和"非洲"没关系——但他们的判断被锚定了。

为什么？ 因为系统 1 偷懒。它拿到一个数字（转盘停的数），直接拿这个数字做"心理起点"，再小幅度调整。系统 2 看到"这个起点差不多"，没费力去拒绝它。

我们自己的锚定​

锚定在生活和商业里无处不在：

  • 超市定价——一瓶水标价 100 元（实际成本 1 元），折后 50 元"立省 50"——50 元的"折扣感"是被 100 元的"原价"锚定出来的。
  • 工资谈判——你开的第一个数字就是锚——对方系统 1 立刻把它当起点往下谈。
  • 房价——链家/安居客上的"挂牌价"是锚——最后成交价经常在挂牌价 ±5% 之内。
  • 加薪幅度——HR 说"我们今年预算 5%"——你被锚在 5%，即使行业平均是 12%。
  • 募捐提示——页面提示"建议捐款 ¥100"，平均捐款立刻从 ¥30 涨到 ¥80——不是策略有效，是锚定有效。

对抗锚定的方法只有一个：意识到自己被锚定后，主动把锚扔掉，再做判断。但这需要系统 2 主动启动，而系统 2 懒。

可得性：你最近听到什么，就觉得什么更常发生​

实验：

  • 一组受试者被问："以 K 开头的单词多，还是以 K 作为第三个字母的单词多？"
  • 大多数人说"以 K 开头的多"。
  • 实际上以 K 作为第三个字母的更多（如 make, take, bike, like…）——但我们很难想到它们，因为要从记忆里把"第三个字母是 K 的词"调出来不容易。

可得性启发法：系统 1 用"某事我多容易想到"来估计"某事发生的频率"。

  • 容易想到的 → 觉得经常发生。
  • 想不到的 → 觉得罕见。

这种启发法在大多数时候是对的（容易想到的事通常也更常发生），但在新闻、社交媒体的年代被严重扭曲了：

  • 飞机失事远少于车祸，但你更容易想到飞机失事（因为新闻密度大），所以你高估了飞机失事的风险。
  • 孩子被拐远少于孩子出车祸，但朋友圈拐卖故事密度大，所以家长过度保护孩子。
  • 癌症远多于飞机失事，但你对癌症风险"麻木"了（因为新闻密度没那么高），所以你高估了飞机失事、低估了癌症。

系统 1 不统计真实数据，它用"印象密度"判断"现实密度"。现代信息环境是印象密度的扭曲放大器。

我们的可得性陷阱​

  • 股市大涨后——你更想买股票，因为周围人都在讨论（容易想到）。
  • 股灾新闻——你更想卖股票，因为惨剧记忆在脑子里。
  • 健康焦虑——查了某种病的症状后，你更觉得自己得了这种病（容易想到）。
  • 网络热点——你以为那种现象很普遍（热搜刷到了），其实那只是算法推荐给你的"印象密度"。
  • 职业选择——你被"内行人分享的劝退/劝入"文章影响太深，因为这些文章容易想到，但你没看到大多数"沉默的"从业者。

代表性：你被"像不像"骗了​

经典实验——Linda 问题：

Linda 31 岁，单身，性格外向，主修哲学。学生时代关心歧视和社会正义问题，参加过反核武器示威。

然后问："下面哪个更可能？"

  • A. Linda 是银行柜员。
  • B. Linda 是银行柜员，并且是活跃的女权主义者。

正确答案应该是 A（因为 B 是 A 的子集，A 必然更可能）。但 85% 的大学生选了 B——因为 Linda 的描述"像"女权主义者，所以系统 1 直接给出"是女权主义者"的判断。

这就是代表性启发法：用"这个描述像不像那个类别"来代替"这个描述在统计上属于那个类别的概率"。

你日常生活中的代表性错误：

  • 招聘：候选人"看着像"成功人士（名校、大厂背景）→ 系统 1 立刻判断"他能成功"——但名校大厂背景 ≠ 当前岗位成功。
  • 投资：CEO 看着"像"乔布斯（演讲魅力、远见）→ 系统 1 判断"他能成"——但外在形象 ≠ 真实能力。
  • 医生诊断：病人症状"像"感冒 → 系统 1 跳过进一步检查——漏掉不典型的严重病。
  • 相亲：对方"看着像"你喜欢的类型 → 系统 1 判断"这是对的人"——但样本只有 ta 一个人，统计意义有限。

代表性让你在"看起来像"的判断上比"统计上像"快 100 倍——而经常是错的。

小数定律：你看了 3 个样本就开始总结​

实验：

"某医院早产儿中，男孩比例特别高——超过 60% 持续了 3 个月。"
你觉得：a) 这家医院的早产儿性别比例确实异常；b) 这是偶然波动。

大多数人选 a。但正确答案几乎肯定是 b——小样本里的"异常"很可能是偶然。

为什么？因为系统 1 本能地忽略样本量。它用"我看到的"代替"统计上预期的"——这就是小数定律：把小样本当成大样本。

你生活里的小数定律：

  • 朋友被一家公司坑了——你就觉得"这家公司不靠谱"。但你只看了 1 个样本。
  • 看 3 篇劝退文章——你就觉得"这行不行"。但你只看了 3 个样本。
  • 看 3 个同龄人创业成功——你就觉得"我也能"。幸存者偏差 + 小数定律。
  • 一两次恋爱失败——你就觉得"我不适合恋爱"。样本量太小。
  • 一两次成功——你就觉得"我擅长这个"。样本量太小。

所有"我从经验里得出"的判断，都先问自己："我看了多少样本？这个样本有代表性吗？"

因果 vs 统计：你总想给现象找原因​

Kahneman 在这一部还讲了一组人脑最爱犯的错：对统计现象强行做因果解释。

例子：

  • 篮球运动员连续投中 3 个三分球——解说员说"他手感来了"。但这更可能是统计波动。
  • 某股票连涨 3 天——财经博主说"主力在拉"。但3 天是统计噪音。
  • 你今天迟到——你说"早上堵车"。但这次迟到和堵车之间可能是巧合。
  • 某疾病在某地区集中爆发——新闻说"可能和附近工厂有关"。但集中爆发可能是偶然。

系统 1 强烈倾向于"我看到的模式 = 因果关系"——这是它的工作方式。但系统 2 需要告诉你：不是所有模式都是因果，大部分模式是偶然。

统计学里有一条原则：相关性不等于因果性。但系统 1 没学过这条原则，它默认"相关 = 因果"。

这一部给我们的总图​

系统 1 面对复杂判断
        ↓
没有时间和精力做精确推理
        ↓
用启发法（heuristics）取最快线索
        ↓
锚定 / 可得性 / 代表性 / 小数定律 / 因果归因
        ↓
系统 2 偷懒 → 签收系统 1 的"启发法答案"
        ↓
判断被"启发法"劫持

所有这些 bug 都不是"智力问题"——聪明人一样会犯。这是大脑出厂设置的代价。

衔接第三部​

第二部讲的是系统 1 在"判断外部世界"时的快捷方式。

但还有一类更隐蔽的 bug——系统 1 在"判断自己"时。

你可能会高估自己：

  • 高估自己的判断力（"我的判断肯定对"）。
  • 高估自己的预测能力（"我早知道会这样"）。
  • 高估自己的控制力（"我做的决定很关键"）。
  • 高估自己的不可替代性（"这事离了我不行"）。

这种"对自己的过度自信"是另一类偏差——更难识破，因为评估者就是你自己。

第三部会讲：过度自信、事后聪明偏差、规划谬误、专家直觉——我们为什么会高估自己"知道"的东西。