今天我要来解读一本2021年9月最新出版的重磅心理学新书《噪声：人类判断的缺陷》。这本书的第一作者是诺贝尔经济学奖得主、堪称心理学界半壁江山的著名行为经济学家——丹尼尔·卡尼曼。
卡尼曼老师的上一本书是十年前出版的《思考，快与慢》，出版十年来好评无数，今天已经成为一本心理学必读书。本来以为那本书就已经总结了卡尼曼老师毕生的研究精华，但没想到十年后，将近90岁高龄的卡尼曼居然在现在这本新书里又提出和论证了一个全新的问题，一个他以前基本没有涉及过的问题，那就是判断和决策里的噪声。因为噪声的存在，我们在很多场合都难以做出准确的判断和决策。那噪声是什么？它是怎么产生的？又该如何避免？这就是卡尼曼在《噪声》这本新书里论证的问题。
我讲书一般来说是挑亮点，但这本《噪声》是有很完整的知识体系的。所以我打算在今天这期节目里把《噪声》这整本书的知识框架从头到尾来跟大家来捋一遍，今天这期节目算是对《噪声》这本书的一份完整的导读，你将来带着这期节目的印象去读这本书的话，理解起来可能会更顺畅一些。《噪声》这本书写得非常硬核，理论的细节和案例相当丰富，所以如果大家感兴趣的话以后还是应该找这本书来读一读。
我对《噪声》的解读，分成五个部分。
第一，什么是噪声？第二，噪声有哪几种类型？第三，噪声的放大器有哪些？第四，如何减小噪声？第五，减小噪声的措施会遇到哪些障碍。内容比较多，所以我做了一份思维导图，放在了节目的简介里，有需要的话可以收藏。
https://www.mubucm.com/doc/5LQ2nZpti3Q
开始介绍书里的内容前先做个预告，我邀请到了《噪声》简体中文版的译者、宁波大学心理学系教授汪祚军老师来节目做客，我会跟他做一次关于《噪声》这本书的对谈。大家看完这期节目后有任何关于《噪声》这本书的问题，都可以在弹幕和留言里提问。我会汇总出有代表性的问题来跟汪老师探讨。汪祚军老师自己也是一位研究人类决策问题的专家，所以如果大家有其他关于如何做判断、做决策的问题，也都可以留言提问。
好，言归正传。我们来解读《噪声》这本书。
第一个问题，什么是噪声？
我们用一个打靶的例子来说明。
请大家看屏幕上的这张图。
图上有四个靶子，分别是ABCD四个队伍打靶的结果。每个队伍有五个人，他们都用同一支步枪打靶。
A队呢，个个都是神枪手，每一枪都正中靶心。这是完美队。
B队呢，每个人都射歪了，但是歪得非常集中，非常整齐划一，他们全都射中了靶子的左下角。我们把B队叫做偏差队。偏差，就是像这样的整齐划一的错误。产生这样整齐划一的错误，原因也不难分析，最大的可能就是他们用的那支枪准星有问题。
C队呢，也是每个人都射歪了，但是歪得五花八门，歪得很随机，枪眼很分散，几乎毫无规律可循。C队是噪声队。C队这种歪得五花八门的错误，就是噪声。
B队和C队这两种情况，分别代表了人类做判断时的两种错误。第一种错误是B队那样的偏差，偏差就是不同的人做判断时，整齐划一地朝同一个方向偏。为什么会有这种整齐划一的错误呢？这是因为全人类都有一些共通的心理倾向。比如说，全人类都有对负面信息神经过敏的倾向，所以比如当我们在网络上读到一篇很危言耸听的文章的时候，我们就都会被它诱发出恐惧心理，然后不约而同地做出一些非常类似的不理性的决定。
人类做判断时的第二种错误呢，就是C队那样的“噪声”。噪声其实就是飘忽，就是不一致，一个人这次和下次做出的决定可能不一致，一群人判断同一件事的时候彼此之间意见也可能不一致——这就是噪声。噪声无所不在，比如面试的时候会有噪声，面试官之间的意见经常分歧很大，一个面试官要定了你，另一个却说你未必适应公司文化就把你踢了。医生诊断疾病的时候有噪声，第一个医生说你得赶快住院动手术，另一个医生却说吃点药就行。预测股票走势的时候有噪声，一半机构说明天涨，一半机构说明天跌，这也是家常便饭了。老师改卷子的时候也有噪声，上午心情好，给的分数高，下午累了，打分就严了。噪声是非常非常普遍的。
做判断的时候，我们当然都希望自己像是A队那样的神枪手，但实际上，我们既有可能会像B队那样有偏差，也可能会像C队那样有噪声，我们总是很难命中靶心，做出准确的判断。偏差和噪声很多时候还会同时出现，那就是图上D队的情况，整体上往一个方向偏，这是偏差在起作用，但每一枪之间却还是很分散，这是噪声在起作用。
一句话——人类判断的错误=偏差+噪声。
卡尼曼的上一本书《思考，快与慢》讲的其实就是B队的情况，讲的就是偏差，而这本《噪声》讲的当然就是C队的情况。有了《噪声》这本书，“人类判断中的错误”这个问题才算是讲完整了。
好，那我们现在可以进入第二个问题了：噪声有哪几种类型呢？
有三种。
- 水平噪声。2.稳定的模式噪声。3.情境噪声。
水平噪声就是人与人之间的差异。
刚子和大柱是两位法官。刚子铁面无私，非常严厉。大柱比较宽容。同一个罪犯，落在刚子手里被判30年，落在大柱手里只要判5年。刚子和大柱这两个人之间的判罚非常不一致，这就是水平噪声。
第二种噪声叫稳定的模式噪声。稳定的模式噪声就是个人的偏好。
比如说，刚子这位法官一般来说对罪犯都比较严厉，但他对白领一向有好感，所以对白领罪犯就比较宽容。于是，两个犯了差不多程度的罪行的人，案子都归刚子来判，但只是因为其中一个是白领，就被轻判了。个人喜好导致判断不一致，这就是稳定的模式噪声。
既然有稳定的模式噪声，那自然就有不稳定的模式噪声。刚子喜欢白领，这是一种比较稳定的倾向，是那样就一直那样。但也有些倾向是不稳定的，是经常变动的。
比如说，心情。刚子是个夜猫子，上午总是特别困。一困起来心情就比较差，于是上午落到刚子手里的罪犯，就被判得比较重。到了下午，刚子的精神好起来了，心情也好转，于是下午的罪犯就都被判得比较轻。这就是不稳定的模式噪声。不稳定的模式噪声其实就是不同场合、不同情境下产生的噪声，所以也叫“情境噪声”。
归纳一下：刚子和大柱之间的分歧，是水平噪声；刚子对白领和非白领之间的分歧，是稳定的模式噪声；上午的刚子和下午的刚子之间的分歧，是情境噪声。这就是噪声的三种类型。
这里有一点要注意，三种噪声不是有我就没你的，它们会同时出现：刚子可能会在心情不好的时候遇上一个白领罪犯，并且还和大柱的判罚产生分歧。
那下面我们进入第三个问题：噪声的放大器。
个体间的差异总是存在的，每个人也总有特殊的偏好，人的状态也会随着情境起起伏伏，所以噪声几乎是无处不在的。但更雪上加霜的是，有那么一些因素还会增大噪声的幅度。书里没有给这些因素取个统称，我觉得可以把它们叫做“噪声的放大器”。
常见的噪声放大器有这么三种。
第一种放大器叫“客观无知”。客观无知，就是做判断的人真的没有办法知道一些必要信息。什么时候最容易出现客观无知呢？——预测未来的时候。
明天的股票是涨还是跌，未来三年内国际局势会发生什么变化，未来十年房地产的走势如何？做这种预测的时候，噪声是非常大的。不同的股票经纪人、政治评论家、经济学家经常分歧巨大，甚至做出完全相反的预测。但这也不能全怪他们能力不行，因为未来的事情是由现状和未来还没发生的很多事情共同决定的，那些未来的事情不是今天就能预测到的，这里面是有“客观无知”的。所以预测未来的时候就难免有瞎蒙的成分，不同专家在不同的时候往不同方向瞎蒙，那噪声能不大吗？
预测未来时会遭遇“客观无知”，这就是第一种噪声放大器。
第二种噪声放大器，叫“匹配问题”。什么是匹配问题呢？你看完一部电影，要给电影做个评价。一般来说，你不会去写一篇很长的影评，把你的各种感受一五一十的写出来。你一般是会打开豆瓣，来到那部电影的页面，然后给电影评个一星到五星的星级。这时候，你其实就是在做匹配——你是把你对电影的主观感受跟一颗星到五颗星这五个等级做匹配。我们把一到五颗星这种评分系统叫做量表。凡是用量表来做判断，就必然会涉及到匹配问题。
那么，匹配问题是怎么放大噪声的呢？第一，它首先会放大水平噪声，也就是人与人之间的分歧。我不久前给《失控玩家》这部电影打了五星，我打五星的标准是“惊不惊喜”，我本来以为这是个瞎胡闹的片子，没想到出乎意料地精彩，很惊喜，所以就打了五星。但是，五星的意义在别人眼里可能是完全不一样的。对另外一个影迷来说，五星只能打给那种传世经典。所以，就算那个影迷对《失控玩家》的主观感受其实跟我是差不多的，但是他只给影片打三颗星，对他来说，三星就已经是很高的分数了。我和他对一到五星这个量表的理解是完全不一样的，于是我俩的打分就像刚子和大柱的分歧一样，产生了水平噪声。
第二，匹配问题还会放大情境噪声。比如说，企业里做绩效考核的时候，领导要在0-100分之间给下属打分。但把一个人的表现跟一个0-100之间的数字做匹配，其实是很困难的，所以领导的打分其实很飘忽。今天给大柱打了80分，明天可能就给90分。大柱的表现有多好，在领导的主观评价上其实没有变，可一打成分数，就飘忽了。于是匹配问题就放大了情境噪声，也就会说，在不同的场合里，人们对量表的理解也会发生变化。
好，匹配问题，这是第二种噪声放大器。
第三种噪声放大器，是群体的不良影响。
我们平时会说：“三个臭皮匠，顶个诸葛亮”。群策群力，好像是能提高决策的质量的。但我们等会儿就会讲到，一个群体共同做判断和决策时，要想提高决策质量，其实是有苛刻的条件的。如果不满足那个条件，那群体其实反而会增大决策噪声。三个臭皮匠，很多时候还不如一个臭皮匠。
那群体是怎么放大噪声的呢？也有两种情况。
第一种情况是，谁占了先机，谁就会占尽优势。书里提到过这么一个实验，科学家给志愿者提供一个歌单，让他们随便试听歌单里的歌曲，如果遇到特别喜欢的，还可以下载下来。最后根据歌被下载的次数，研究者就可以知道哪些歌最热门，最受欢迎。不过，研究者其实做了点手脚，把歌单发给志愿者的时候，有些歌曲就已经显示被下载了很多次。志愿者们会以为，这些歌曲是被之前参加实验的其他志愿者下载的。但实际上呢，这些所谓的热门歌曲是研究者随机指定的。可没想到的是，实验结束后，研究者发现一开始被随便指定成热门歌曲的那些歌就真的成了热门歌曲。志愿者们真的就更多地下载了这些歌。也就是说，如果你在开头的时候占了一点优势，这个优势就会自动扩大。
这其实也就是那些流量明星在网络上做“控评”的原理，一旦置顶的那几条评论是夸这个流量的，那后来的人观点就会被它影响。
之所以会有这种效应呢，是因为大多数歌曲有多好听其实都有点模棱两可，所以人们很容易被其他人的判断影响。一开始有人觉得这几首好听，其他人就也觉得这首歌好听了。
那这就产生了很大的情境噪声。下一次，如果是另外一批歌曲因为偶然的原因占据了先机，那它们就变成了热门歌曲。
不过，这个实验还有一个有趣的附带发现。那就是，那些最好听和最难听的歌不受这个骚操作的影响。最好听的歌就算一开始是0下载量，最后也还是会被大家发现。而最难听的那些呢，即便一开始霸榜，最后也会被大家嫌弃。所以，控评之类的操作作用也是有限的，如果水平实在太拉胯，那翻车是迟早的。
跟刚才这个实验类似的还有这样一种情况。比如，面试的时候，面谈过每一个候选人之后，面试官会坐在一起讨论该在几个候选人里选哪一个。面试官刚子特别喜欢小李子，他第一个发言，说小李子有多好；接下来轮到大柱发言，大柱本来对小李子没有什么特别地好感，但一看刚子这么笃定，他就以为刚子一定是发现了小李子身上什么很特别的优势，于是也就附和了几句，说：小李子的确挺不错的。再接下来是铁蛋发言，铁蛋本来对小李子的印象不好，但也没多充分的理由，现在一看到刚子和大柱都支持小李子，于是他也就不多说什么了。于是，可能本来并没有多优秀的小李子最后就以绝对优势的全票通过了面试。
但实际上，这完全就是小李子偶然占据了先机的结果。如果在另一场面试中，是喜欢另外一个候选人小桂子的面试官铁蛋先发言，那就没小李子什么事了。情境噪声就这样形成了。
谁偶然占据了先机，随后就会扩大优势，左右群体里其他人的选择，这是群体会增大噪声的第一个原因。
群体增大噪声的第二个原因叫“群体极化”，极化就是极端化，群体极化是这样一种现象：一群本来就对某一个问题有差不多看法的人，聚在一起讨论完这个问题之后呢，他们观点往往就会变得非常地极端化，本来喜欢的会变得更喜欢，本来讨厌的会变得更讨厌。这就是群体极化。
比如，一群粉丝整天聚在一起讨论他们粉的流量明星，结果就是本来大家只是一般喜欢，讨论完之后，就都变成脑残粉。
你可能会说，好像不对啊，这样难道不是把噪声缩小了吗？因为大家都变得一样极端了，彼此之间更加一致了。但问题是，世界上有很多不同的群体。一群本来只是有点讨厌流量明星的人，一经过群体极化，就都对流量明星咬牙切齿了。于是，粉丝和非粉丝之间的分歧就变得更大了。所以整体上来看，群体极化还是增大了噪声。
总之，要么是因为占了先机，要么是因为群体极化，群体很多时候是会放大噪声的。
客观无知、匹配问题、群体的不良影响，这就是常见的三种噪声放大器。
那我们下面可以进入第四个问题了：如果噪声那么普遍的话，那应该如何减少噪声？减少噪声的手段有哪些？
我提炼了一下书里的内容，常见的手段有四种。
1.把决策过程交给一个个体能独立做判断的群体；2.用排序取代匹配；3.把决策过程交给一个模型；4.把决策过程交给“决策达人”。我们一个一个来说。
第一种减少噪声的手段是把决策过程交给一个每一个个体都能独立做判断的群体。
这里的关键词是“独立”。
我们刚说完群体很多时候是会让决策质量下降的，之所以会下降，其实关键就在于群体里每个人的判断不够独立——对歌曲的判断受到一开始的下载量的影响，面试官的判断会受到其他面试官影响。
但是，一旦群体里每个个体的判断相互完全独立，那局面就会一百八十度反转，很多个独立判断汇总起来的综合判断，通常都会明显减少噪声。三个独立的臭皮匠，才真的是顶个诸葛亮的。
举个例子，《噪声》这本书里提到，在司法领域，指纹的鉴定就非常容易受到群体的不良影响。
我读到这部分内容的时候是挺诧异的。我本来以为指纹鉴定是像很多电影里拍的那样，把犯罪现场的指纹输到电脑里，然后电脑程序自动开始比对，最后就自动筛选出一个匹配的嫌疑人。但卡尼曼告诉我们，原来现实情况完全不是这样的。因为犯罪现场采集到的指纹一般来说质量都很差，要么不完整，要么很模糊，所以比对指纹很大程度上靠的是鉴定专家的经验和主观判断。这样一来，指纹鉴定就很容易出现刚才说的面试官开会的那种场面。
鉴定专家刚子把犯罪现场收集到的一枚指纹跟嫌疑犯小桂子的指纹做了对照，认定这枚指纹就是小桂子的。
办案刑警不放心这个结果，于是拿着刚子的鉴定报告给另一个鉴定专家大柱看，说：“大柱，这是刚子的鉴定报告，您给再过目一下。”结果大柱鉴定完之后也说这就是小桂子的指纹。但实际上，这不是大柱和刚子真的达成了共识。因为大柱已经知道了刚子的结论，他大概率就会同意刚子的判断。大柱做的不是独立的判断。
但这样的鉴定程序居然就是过去很长时间里美国的司法鉴定中采用的标准程序，后面的每个鉴定专家都是拿到前面专家的鉴定结果之后再做鉴定的，结果造成了很多冤假错案，因为这种鉴定实际上就是第一位鉴定专家的一言堂嘛。
那怎么避免这种错误呢？其实很简单，那就是把指纹同时交给不同的鉴定专家，由专家们独立做判断。10位专家独立鉴定指纹，如果其中的大多数（比如说有7位）都说这枚指纹是小桂子的，那刑警才有理由高度怀疑小桂子就是罪犯。
独立做判断，然后汇总独立判断的结果，这个原理可以应用在各种做决策的场合。比如说，做预测的时候可以采用一种叫做“德尔菲法”的程序。德尔菲法是这样的：如果你要让一群专家来预测经济趋势，那你可以让专家们首先各自预测，然后把他们对经济数据的预测结果汇总之后做平均，再把平均结果反馈给每一位专家，让他们在这个基础上修改预测，反复几轮。也就是说，专家可以得到其他专家预测的统计资料，但是不能与其他专家讨论。用这种方法做出的平均预测会比专家们聚在一起自由讨论要准的多。这种程序的核心就是独立判断。
把决策过程交给每一个个体都能独立做判断的群体，这就是减小噪声的第一种手段。
减小噪声第二种手段，是用排序取代匹配。
刚才说的独立判断是针对群体不良影响的对策，用排序取代匹配是针对前面说的另一种噪声放大器——匹配问题——的对策。
刚才说过，如果领导要用0-100分的分数来匹配下属的表现，这种匹配是很难的，他的标准难免很飘忽。那怎么降低难度呢？方法是，先把下属做一个更简单的分级，比如说先把每一个下属分进优、良、中、差、极差这五档，这比直接给个百分制的分数，难度就小得多了。然后呢，在每一档里，给下属排序。小李子、小桂子都在优这一档里，是81-100分这个档次，小李子如果比小桂子表现更好，那么小李子就排在前面，做完整个排序之后，再依次根据排序来打分。
这种操作的原理是，我们做两两比较时，往往能判断得更准确。你很难说清楚小李子和小桂子的工作表现值多少分，但比较容易分清小李子和小桂子谁表现得更好一点。所以用排序取代匹配可以减小噪声。
刚才说的这两种手段都是有针对性的。下面这两种是通用型的手段。
第三种减小噪声的手段，是把决策过程交给一个模型。
模型，就是公式、规则和算法。
比如面试的时候，不是根据面试官的主观判断来决定录取谁，而是根据一个公式来决定。把求职者的责任心、工作能力、团队合作能力这几个分数加起来求一个总分，总分高的录取。
再比如做经济预测的时候，不是找来一群经济学家，而是把当前各种经济数据输入一个人工智能算法里，由算法给出经济预测的数据。
高考其实也是一种模型，它就是用考试这个模型代替人来挑选学生。
人的判断之所以有噪声，说白了就是因为人太灵活、太多变了嘛，而模型很死板，所以模型是没有噪声的，因为模型本质上其实都是固定的数学公式嘛。只要每次的输入是一样的，它就保证输出是一模一样的。在减小噪声这一点上，模型相比于人有碾压式的优势。
所以，如果只从减小噪声这一点出发的话，那么人类就应该尽可能地把判断交给模型。
哪怕人类没法彻底退出，也应该尽可能地让模型先上，自己要尽可能地晚一点介入。应该要遵守一个“先模型，后人类”的原则。比如谷歌公司在招聘员工时就是这么干的。谷歌面试求职者的时候，会分成两个大环节。第一个环节是让求职者参与一系列完全标准化的考核和面试，这里面的每项考核都独立打分、独立评估，而且每一项考核的细节也都是固定的，连面试时可以提哪些问题都有严格的规定，然后把这些完全标准化的考核结果汇总起来，生成一份求职者档案。这份档案，其实就是用一个完全死板的面试模型产生的。
但是，谷歌公司并不完全排除人的判断。因为在接下来的第二个环节里，这份档案就会交给一个招聘委员会，由委员会的成员读完档案后给出最后的雇佣意见。
谷歌的这套招聘流程并没有排除人类的那些微妙的直觉和判断，但是他们是尽可能把人类的介入延后，先让模型来判断，最后才交给人类。
这里还必须强调一点，用模型来做决策的话，的确没有噪声了，但这不代表模型的判断就更准确。别忘了，判断里的错误=偏差+噪声。模型很多时候其实只是把那张打靶图上的D队变成了B队。噪声的确是没了，但偏差可能还在，枪还是整齐划一地打偏了。所以并不是说把决策交给模型就万事大吉了，人类有责任不断地优化模型，让模型的判断尽可能从B队往A队靠拢。
下面是第四种减小噪声的手段，把决策过程交给“决策达人”。
减小噪声的最后一个手段，很简单粗暴，那就是找出那张打靶图上A队的那些神枪手。找出那些几乎枪枪都能命中把心的“决策达人”，把决策交给他们去做，那噪声问题不就解决了吗？
那怎么找到“决策达人”呢？
决策达人一般有这么三个显著的特点。
第一，他们可能是某个领域里的专家。顶尖律师事务所里的律师，顶尖医院里的医生做判断的准确率要远高于普通人，我们可以优先信任他们的判断。
但千万要注意。专家有两种：真正的专家和荣誉专家。
律师、医生一般来说是真正的专家，因为他们的地位是靠真实的成绩换来的。名律师是因为打官司真的能打赢才成为名律师，名医是因为真的医术高超才成为名医。他们的成绩是可以客观验证的。这种专家的判断，才值得信任。
但另外还有一种专家是“荣誉专家”。荣誉专家的成绩是不可验证的。比如，一些管理咨询顾问，比如一些政治分析家，他们的成绩就很难用客观的标准验证。公司好起来了是管理咨询顾问的功劳，公司倒闭了是其他客观原因，总之没有顾问的错。像这样的专家，他们的地位是靠客户、同行对他们的尊敬建立起来的，说白了就是有点虚。这种荣誉专家的判断并不比普通人好，他们做出的判断，你就得留个心眼了。
除了专家身份，“决策达人”的第二个显著特点是，他们一般都是聪明人。
在几乎所有领域，智力都与更出色的表现相关。智力高的人，也更有可能有良好的判断力。所以，如果我们必须在两个意见之间做选择，又没有其他参考信息的话，那么我们就应该优先信任比较聪明的那个人。
“决策达人”的第三个显著特点是，他们的心态非常开放。
智力只是事情的一面，思考方式也很重要。有些聪明人很刚愎自用，他们坚信自己的判断是对的，这种人的判断力通常也不怎么样。
真正厉害的是心态非常开放的人，这种人不但聪明，而且很谦虚和务实，他们不介意别人提相反的意见，他们甚至会主动去寻找那些可能与自己原来的观点相矛盾的新信息。他们不排斥把新信息与目前的观点进行整合，甚至渴望自己的想法被这些新知识改变。这种心态开放的人做出的判断，往往比较准确。
所以，如果我们要在两个聪明人的建议里做选择，那就优先选那个心态更开放的人。
听专家的，听聪明人的，听心态开放的人，这就是减少噪声的第四种手段。
说了那么多，我们已经知道噪声很普遍，也知道了很多减小噪声的手段。那么接下来，各行各业立刻行动起来，用这些手段尽可能减小噪声，那就不完事了吗？但实际上，减小噪声的措施是会遭遇很多阻力的。
于是我们就有了最后的第五个问题：减小噪声的措施会遇到哪些障碍？
第一个障碍是，人们不信任算法。刚才说过，把决策交给模型能极其显著地减少噪声，而现在发展得最红火的模型当然是算法，尤其是那些基于深度神经网络的人工智能算法。可麻烦的是，人们普遍不信任算法。人类有一种很微妙的心态，那就是我们往往都期待算法是完美的。犯错是人类的特权，机器是不能犯错的。人类开车出事故，我们觉得情有可原。但自动驾驶必须是0事故，否则它就是不可信的。不信任算法，当然也就会抵制通过算法来减小噪声的那些措施。
减小噪声的措施会遇到第二个障碍是，人们担心模型会扼杀积极性和创造力。如果决策过程全都交给了死板的模型，人们会不会感觉就像是机器里的一个齿轮，毫无主观能动性可言？如果一个公司里的员工都感觉自己啥也决定不了，那他们的士气会不会受到很大的打击？以及，人类的决策虽然飘忽不定，但其中也会诞生出很多创意，如果决策过程都交给了死板的模型，那会不会扼杀人类的创意？
这实际上关乎一个大问题，那就是到底哪些场合里才需要减小噪声？我们希望医生在诊断一个人是不是有高血压时不要有什么创意，不要有什么主观能动性，这种场合里噪声就应该越小越好。但是在一家公司里，如果想要让员工更快乐、更有灵感，那是不是就应该容许有一些噪声呢？或者，是不是可以学习谷歌的招聘法，一方面呢，把创意流程标准化，大框架上按模型的步骤来，但是在另一方面的，在每一个步骤里，又可以给人很大的灵活性，发挥人的创造性。这样是不是可行？
必须减小噪声的场合有哪些？如何在减小噪声的同时又不打击人们的积极性和创造力？这也是一些很值得思考的问题。
刚才说的这两个障碍其实都是针对模型的，最后这个障碍才是普遍问题。
减小噪声的最后一个障碍是成本。减小噪声当然是好的，但是性价比足够高吗？比如说，由一个老师来改卷子的话，那就一定会有噪声，那最合适的解决方案就是让五个老师分别独立改卷子，然后取平均分。但谁来给这些多出来的工作量埋单？就算有人埋单，这样的付出又值不值得？怎么衡量这里面的性价比？这些也是值得进一步思考和研究的问题。
虽然卡尼曼在书里反复强调，减小噪声的措施是必须的，因为噪声造成了很多不公平，但是我读完这部分内容之后感觉，关于算法如何博取人类的信任啊，关于怎么衡量减少噪声的性价比啊，这些问题现阶段其实都还缺乏比较深入的研究，这部分内容相比于前面的内容，是比较开放的，这里面还有很多值得思考和探讨的细节。
到这儿呢，《噪声：人类判断的缺陷》这本书的知识框架，我们就梳理完了。我们讲了噪声的定义、类型，噪声放大器以及减小噪声的措施和障碍。关于这些问题，如果你有任何思考和疑问，都可以通过评论或者弹幕告诉我。我汇总之后，在下期或者下下期节目里，会与《噪声》的译者汪祚军老师一起讨论。
我是魏知超。如果你喜欢我的节目，请你关注、点赞、收藏、评论，我会在这个频道里坚持输出各种心理学新知。那我们今天就到这里吧，我们下期节目再见。
