這一期在 Bilibili 也有。
今天我要來解讀一本2021年9月最新出版的重磅心理學新書《噪音：人類判斷的缺陷》。這本書的第一作者是諾貝爾經濟學獎得主、堪稱心理學界半壁江山的著名行為經濟學家——丹尼爾·卡尼曼。
卡尼曼老師的上一本書是十年前出版的《思考，快與慢》，出版十年來好評無數，今天已經成為一本心理學必讀書。本來以為那本書就已經總結了卡尼曼老師畢生的研究精華，但沒想到十年後，將近90歲高齡的卡尼曼居然在現在這本新書裡又提出和論證了一個全新的問題，一個他以前基本沒有涉及過的問題，那就是判斷和決策裡的噪音。因為噪音的存在，我們在很多場合都難以做出準確的判斷和決策。那噪音是什麼？它是怎麼產生的？又該如何避免？這就是卡尼曼在《噪音》這本新書裡論證的問題。
我講書一般來說是挑亮點，但這本《噪音》是有很完整的知識體系的。所以我打算在今天這期節目裡把《噪音》這整本書的知識框架從頭到尾來跟大家捋一遍，今天這期節目算是對《噪音》這本書的一份完整的導讀，你將來帶著這期節目的印象去讀這本書的話，理解起來可能會更順暢一些。《噪音》這本書寫得非常硬核，理論的細節和案例相當豐富，所以如果大家感興趣的話以後還是應該找這本書來讀一讀。
我對《噪音》的解讀，分成五個部分。
第一，什麼是噪音？第二，噪音有哪幾種類型？第三，噪音的放大器有哪些？第四，如何減小噪音？第五，減小噪音的措施會遇到哪些障礙。內容比較多，所以我做了一份心智圖，放在了節目的簡介裡，有需要的話可以收藏。
https://www.mubucm.com/doc/5LQ2nZpti3Q
開始介紹書裡的內容前先做個預告，我邀請到了《噪音》簡體中文版的譯者、寧波大學心理學系教授汪祚軍老師來節目做客，我會跟他做一次關於《噪音》這本書的對談。大家看完這期節目後有任何關於《噪音》這本書的問題，都可以在彈幕和留言裡提問。我會彙總出有代表性的問題來跟汪老師探討。汪祚軍老師自己也是一位研究人類決策問題的專家，所以如果大家有其他關於如何做判斷、做決策的問題，也都可以留言提問。
好，言歸正傳。我們來解讀《噪音》這本書。
第一個問題，什麼是噪音？
我們用一個打靶的例子來說明。
請大家看螢幕上的這張圖。
圖上有四個靶子，分別是ABCD四個隊伍打靶的結果。每個隊伍有五個人，他們都用同一支步槍打靶。
A隊呢，個個都是神槍手，每一槍都正中靶心。這是完美隊。
B隊呢，每個人都射歪了，但是歪得非常集中，非常整齊劃一，他們全都射中了靶子的左下角。我們把B隊叫做偏差隊。偏差，就是像這樣的整齊劃一的錯誤。產生這樣整齊劃一的錯誤，原因也不難分析，最大的可能就是他們用的那支槍準星有問題。
C隊呢，也是每個人都射歪了，但是歪得五花八門，歪得很隨機，槍眼很分散，幾乎毫無規律可循。C隊是噪音隊。C隊這種歪得五花八門的錯誤，就是噪音。
B隊和C隊這兩種情況，分別代表了人類做判斷時的兩種錯誤。第一種錯誤是B隊那樣的偏差，偏差就是不同的人做判斷時，整齊劃一地朝同一個方向偏。為什麼會有這種整齊劃一的錯誤呢？這是因為全人類都有一些共通的心理傾向。比如說，全人類都有對負面資訊神經過敏的傾向，所以比如當我們在網路上讀到一篇很危言聳聽的文章的時候，我們就都會被它誘發出恐懼心理，然後不約而同地做出一些非常類似的不理性的決定。
人類做判斷時的第二種錯誤呢，就是C隊那樣的「噪音」。噪音其實就是飄忽，就是不一致，一個人這次和下次做出的決定可能不一致，一群人判斷同一件事的時候彼此之間意見也可能不一致——這就是噪音。噪音無所不在，比如面試的時候會有噪音，面試官之間的意見經常分歧很大，一個面試官要定了你，另一個卻說你未必適應公司文化就把你踢了。醫生診斷疾病的時候有噪音，第一個醫生說你得趕快住院動手術，另一個醫生卻說吃點藥就行。預測股票走勢的時候有噪音，一半機構說明天漲，一半機構說明天跌，這也是家常便飯了。老師改考卷的時候也有噪音，上午心情好，給的分數高，下午累了，打分就嚴了。噪音是非常非常普遍的。
做判斷的時候，我們當然都希望自己像是A隊那樣的神槍手，但實際上，我們既有可能會像B隊那樣有偏差，也可能會像C隊那樣有噪音，我們總是很難命中靶心，做出準確的判斷。偏差和噪音很多時候還會同時出現，那就是圖上D隊的情況，整體上往一個方向偏，這是偏差在起作用，但每一槍之間卻還是很分散，這是噪音在起作用。
一句話——人類判斷的錯誤=偏差+噪音。
卡尼曼的上一本書《思考，快與慢》講的其實就是B隊的情況，講的就是偏差，而這本《噪音》講的當然就是C隊的情況。有了《噪音》這本書，「人類判斷中的錯誤」這個問題才算是講完整了。
好，那我們現在可以進入第二個問題了：噪音有哪幾種類型呢？
有三種。
- 水平噪音。2.穩定的模式噪音。3.情境噪音。
水平噪音就是人與人之間的差異。
剛子和大柱是兩位法官。剛子鐵面無私，非常嚴厲。大柱比較寬容。同一個罪犯，落在剛子手裡被判30年，落在大柱手裡只要判5年。剛子和大柱這兩個人之間的判罰非常不一致，這就是水平噪音。
第二種噪音叫穩定的模式噪音。穩定的模式噪音就是個人的偏好。
比如說，剛子這位法官一般來說對罪犯都比較嚴厲，但他對白領一向有好感，所以對白領罪犯就比較寬容。於是，兩個犯了差不多程度的罪行的人，案子都歸剛子來判，但只是因為其中一個是白領，就被輕判了。個人喜好導致判斷不一致，這就是穩定的模式噪音。
既然有穩定的模式噪音，那自然就有不穩定的模式噪音。剛子喜歡白領，這是一種比較穩定的傾向，是那樣就一直那樣。但也有些傾向是不穩定的，是經常變動的。
比如說，心情。剛子是個夜貓子，上午總是特別困。一困起來心情就比較差，於是上午落到剛子手裡的罪犯，就被判得比較重。到了下午，剛子的精神好起來了，心情也好轉，於是下午的罪犯就都被判得比較輕。這就是不穩定的模式噪音。不穩定的模式噪音其實就是不同場合、不同情境下產生的噪音，所以也叫「情境噪音」。
歸納一下：剛子和大柱之間的分歧，是水平噪音；剛子對白領和非白領之間的分歧，是穩定的模式噪音；上午的剛子和下午的剛子之間的分歧，是情境噪音。這就是噪音的三種類型。
這裡有一點要注意，三種噪音不是有我就沒你的，它們會同時出現：剛子可能會在心情不好的時候遇上一個白領罪犯，並且還和大柱的判罰產生分歧。
那下面我們進入第三個問題：噪音的放大器。
個體間的差異總是存在的，每個人也總有特殊的偏好，人的狀態也會隨著情境起起伏伏，所以噪音幾乎是無處不在的。但更雪上加霜的是，有那麼一些因素還會增大噪音的幅度。書裡沒有給這些因素取個統稱，我覺得可以把它們叫做「噪音的放大器」。
常見的噪音放大器有這麼三種。
第一種放大器叫「客觀無知」。客觀無知，就是做判斷的人真的沒有辦法知道一些必要資訊。什麼時候最容易出現客觀無知呢？——預測未來的時候。
明天的股票是漲還是跌，未來三年內國際局勢會發生什麼變化，未來十年房地產的走勢如何？做這種預測的時候，噪音是非常大的。不同的股票經紀人、政治評論家、經濟學家經常分歧巨大，甚至做出完全相反的預測。但這也不能全怪他們能力不行，因為未來的事情是由現狀和未來還沒發生的很多事情共同決定的，那些未來的事情不是今天就能預測到的，這裡面是有「客觀無知」的。所以預測未來的時候就難免有瞎蒙的成分，不同專家在不同的時候往不同方向瞎蒙，那噪音能不大嗎？
預測未來時會遭遇「客觀無知」，這就是第一種噪音放大器。
第二種噪音放大器，叫「匹配問題」。什麼是匹配問題呢？你看完一部電影，要給電影做個評價。一般來說，你不會去寫一篇很長的影評，把你的各種感受一五一十地寫出來。你一般是會打開豆瓣，來到那部電影的頁面，然後給電影評個一星到五星的星級。這時候，你其實就是在做匹配——你是把你對電影的主觀感受跟一顆星到五顆星這五個等級做匹配。我們把一到五顆星這種評分系統叫做量表。凡是用量表來做判斷，就必然會涉及到匹配問題。
那麼，匹配問題是怎麼放大噪音的呢？第一，它首先會放大水平噪音，也就是人與人之間的分歧。我不久前給《失控玩家》這部電影打了五星，我打五星的標準是“驚不驚喜”，我本來以為這是個瞎胡鬧的片子，沒想到出乎意料地精彩，很驚喜，所以就打了五星。但是，五星的意義在別人眼裡可能是完全不一樣的。對另外一個影迷來說，五星只能打給那種傳世經典。所以，就算那個影迷對《失控玩家》的主觀感受其實跟我是差不多的，但是他只給影片打三顆星，對他來說，三星就已經是很高的分數了。我和他對一到五星這個量表的理解是完全不一樣的，於是我倆的打分就像剛子和大柱的分歧一樣，產生了水平噪音。
第二，匹配問題還會放大情境噪音。比如說，企業裡做績效考核的時候，領導要在0-100分之間給下屬打分。但把一個人的表現跟一個0-100之間的數字做匹配，其實是很困難的，所以領導的打分其實很飄忽。今天給大柱打了80分，明天可能就給90分。大柱的表現有多好，在領導的主觀評價上其實沒有變，可一打成分數，就飄忽了。於是匹配問題就放大了情境噪音，也就是說，在不同的場合裡，人們對量表的理解也會發生變化。
好，匹配問題，這是第二種噪音放大器。
第三種噪音放大器，是群體的不良影響。
我們平時會說：“三個臭皮匠，頂個諸葛亮”。群策群力，好像是能提高決策的品質的。但我們等會兒就會講到，一個群體共同做判斷和決策時，要想提高決策品質，其實是有苛刻的條件的。如果不滿足那個條件，那群體其實反而會增大決策噪音。三個臭皮匠，很多時候還不如一個臭皮匠。
那群體是怎麼放大噪音的呢？也有兩種情況。
第一種情況是，誰佔了先機，誰就會佔盡優勢。書裡提到過這麼一個實驗，科學家給志願者提供一個歌單，讓他們隨便試聽歌單裡的歌曲，如果遇到特別喜歡的，還可以下載下來。最後根據歌被下載的次數，研究者就可以知道哪些歌最熱門，最受歡迎。不過，研究者其實做了點手腳，把歌單發給志願者的時候，有些歌曲就已經顯示被下載了很多次。志願者們會以為，這些歌曲是被之前參加實驗的其他志願者下載的。但實際上呢，這些所謂的熱門歌曲是研究者隨機指定的。可沒想到的是，實驗結束後，研究者發現一開始被隨便指定成熱門歌曲的那些歌就真的成了熱門歌曲。志願者們真的就更多地下載了這些歌。也就是說，如果你在開頭的時候佔了一點優勢，這個優勢就會自動擴大。
這其實也就是那些流量明星在網路上做“控評”的原理，一旦置頂的那幾條評論是誇這個流量的，那後來的人觀點就會被它影響。
之所以會有這種效應呢，是因為大多數歌曲有多好聽其實都有點模稜兩可，所以人們很容易被其他人的判斷影響。一開始有人覺得這幾首好聽，其他人就也覺得這首歌好聽了。
那這就產生了很大的情境噪音。下一次，如果是另外一批歌曲因為偶然的原因佔據了先機，那它們就變成了熱門歌曲。
不過，這個實驗還有一個有趣的附帶發現。那就是，那些最好聽和最難聽的歌不受這個騷操作的影響。最好聽的歌就算一開始是0下載量，最後也還是會被大家發現。而最難聽的那些呢，即便一開始霸榜，最後也會被大家嫌棄。所以，控評之類的操作作用也是有限的，如果水平實在太拉胯，那翻車是遲早的。
跟剛才這個實驗類似的還有這樣一種情況。比如，面試的時候，面談過每一個候選人之後，面試官會坐在一起討論該在幾個候選人裡選哪一個。面試官剛子特別喜歡小李子，他第一個發言，說小李子有多好；接下來輪到大柱發言，大柱本來對小李子沒有什麼特別地好感，但一看剛子這麼篤定，他就以為剛子一定是發現了小李子身上什麼很特別的優勢，於是也就附和了幾句，說：小李子的確挺不錯的。再接下來是鐵蛋發言，鐵蛋本來對小李子的印象不好，但也沒多充分的理由，現在一看到剛子和大柱都支持小李子，於是他也就不多說什麼了。於是，可能本來並沒有多優秀的小李子最後就以絕對優勢的全票通過了面試。
但實際上，這完全就是小李子偶然佔據了先機的結果。如果在另一場面試中，是喜歡另外一個候選人小桂子的面試官鐵蛋先發言，那就沒小李子什麼事了。情境噪音就這樣形成了。
誰偶然佔據了先機，隨後就會擴大優勢，左右群體裡其他人的選擇，這是群體會增大噪音的第一個原因。
群體增大噪音的第二個原因叫“群體極化”，極化就是極端化，群體極化是這樣一種現象：一群本來就對某一個問題有差不多看法的人，聚在一起討論完這個問題之後呢，他們觀點往往就會變得非常地極端化，本來喜歡的會變得更喜歡，本來討厭的會變得更討厭。這就是群體極化。
比如，一群粉絲整天聚在一起討論他們粉的流量明星，結果就是本來大家只是一般喜歡，討論完之後，就都變成腦殘粉。
你可能會說，好像不對啊，這樣難道不是把噪音縮小了嗎？因為大家都變得一樣極端了，彼此之間更加一致了。但問題是，世界上有很多不同的群體。一群本來只是有點討厭流量明星的人，一經過群體極化，就都對流量明星咬牙切齒了。於是，粉絲和非粉絲之間的分歧就變得更大了。所以整體上來看，群體極化還是增大了噪音。
總之，要麼是因為佔了先機，要麼是因為群體極化，群體很多時候是會放大噪音的。
客觀無知、匹配問題、群體的不良影響，這就是常見的三種噪音放大器。
那我們下面可以進入第四個問題了：如果噪音那麼普遍的話，那應該如何減少噪音？減少噪音的手段有哪些？
我提煉了一下書裡的內容，常見的手段有四種。
1.把決策過程交給一個個體能獨立做判斷的群體；2.用排序取代匹配；3.把決策過程交給一個模型；4.把決策過程交給“決策達人”。我們一個一個來說。
第一種減少噪音的手段是把決策過程交給一個每一個個體都能獨立做判斷的群體。
這裡的關鍵詞是“獨立”。
我們剛說完群體很多時候是會讓決策品質下降的，之所以會下降，其實關鍵就在於群體裡每個人的判斷不夠獨立——對歌曲的判斷受到一開始的下載量的影響，面試官的判斷會受到其他面試官影響。
但是，一旦群體裡每個個體的判斷相互完全獨立，那局面就會一百八十度反轉，很多個獨立判斷彙總起來的綜合判斷，通常都會明顯減少噪音。三個獨立的臭皮匠，才真的是頂個諸葛亮的。
舉個例子，《噪音》這本書裡提到，在司法領域，指紋的鑑定就非常容易受到群體的不良影響。
我讀到這部分內容的時候是挺詫異的。我本來以為指紋鑑定是像很多電影裡拍的那樣，把犯罪現場的指紋輸到電腦裡，然後電腦程式自動開始比對，最後就自動篩選出一個匹配的嫌疑人。但卡尼曼告訴我們，原來現實情況完全不是這樣的。因為犯罪現場採集到的指紋一般來說品質都很差，要麼不完整，要麼很模糊，所以比對指紋很大程度上靠的是鑑定專家的經驗和主觀判斷。這樣一來，指紋鑑定就很容易出現剛才說的面試官開會的那種場面。
鑑定專家剛子把犯罪現場收集到的一枚指紋跟嫌疑犯小桂子的指紋做了對照，認定這枚指紋就是小桂子的。
辦案刑警不放心這個結果，於是拿著剛子的鑑定報告給另一個鑑定專家大柱看，說：“大柱，這是剛子的鑑定報告，您給再過目一下。”結果大柱鑑定完之後也說這就是小桂子的指紋。但實際上，這不是大柱和剛子真的達成了共識。因為大柱已經知道了剛子的結論，他大概率就會同意剛子的判斷。大柱做的不是獨立的判斷。
但這樣的鑑定程序居然就是過去很長時間裡美國的司法鑑定中採用的標準程序，後面的每個鑑定專家都是拿到前面專家的鑑定結果之後再做鑑定的，結果造成了很多冤假錯案，因為這種鑑定實際上就是第一位鑑定專家的一言堂嘛。
那怎麼避免這種錯誤呢？其實很簡單，那就是把指紋同時交給不同的鑑定專家，由專家們獨立做判斷。10位專家獨立鑑定指紋，如果其中的大多數（比如說有7位）都說這枚指紋是小桂子的，那刑警才有理由高度懷疑小桂子就是罪犯。
獨立做判斷，然後彙總獨立判斷的結果，這個原理可以應用在各種做決策的場合。比如說，做預測的時候可以採用一種叫做“德爾菲法”的程序。德爾菲法是這樣的：如果你要讓一群專家來預測經濟趨勢，那你可以讓專家們首先各自預測，然後把他們對經濟數據的預測結果彙總之後做平均，再把平均結果反饋給每一位專家，讓他們在這個基礎上修改預測，反覆幾輪。也就是說，專家可以得到其他專家預測的統計資料，但是不能與其他專家討論。用這種方法做出的平均預測會比專家們聚在一起自由討論要準得多。這種程序的核心就是獨立判斷。
把決策過程交給每一個個體都能獨立做判斷的群體，這就是減小噪音的第一種手段。
減小噪音第二種手段，是用排序取代匹配。
剛才說的獨立判斷是針對群體不良影響的對策，用排序取代匹配是針對前面說的另一種噪音放大器——匹配問題——的對策。
剛才說過，如果領導要??-100分的分數來匹配下屬的表現，這種匹配是很難的，他的標準難免很飄忽。那怎么降低難度呢？方法是，先把下屬做一個更簡單的分級，比如說先把每一個下屬分進優、良、中、差、極差這五檔，這比直接給個百分制的分數，難度就小得多了。然后呢，在每一檔里，給下屬排序。小李子、小桂子都在優這一檔里，是81-100分這個檔次，小李子如果比小桂子表現更好，那么小李子就排在前面，做完整個排序之后，再依次根據排序來打分。
這種操作的原理是，我們做兩兩比較時，往往能判斷得更準確。你很難說清楚小李子和小桂子的工作表現值多少分，但比較容易分清小李子和小桂子誰表現得更好一點。所以用排序取代匹配可以減小噪音。
剛才說的這兩種手段都是有針對性的。下面這兩種是通用型的手段。
第三種減小噪音的手段，是把決策過程交給一個模型。
模型，就是公式、規則和演算法。
比如面試的時候，不是根據面試官的主觀判斷來決定錄取誰，而是根據一個公式來決定。把求職者的責任心、工作能力、團隊合作能力這幾個分數加起來求一個總分，總分高的錄取。
再比如做經濟預測的時候，不是找來一群經濟學家，而是把當前各種經濟數據輸入一個人工智慧演算法里，由演算法給出經濟預測的數據。
大學聯考其實也是一種模型，它就是用考試這個模型代替人來挑選學生。
人的判斷之所以有噪音，說白了就是因為人太靈活、太多變了嘛，而模型很死板，所以模型是沒有噪音的，因為模型本質上其實都是固定的數學公式嘛。只要每次的輸入是一樣的，它就保證輸出是一模一樣的。在減小噪音這一點上，模型相比于人有碾壓式的優勢。
所以，如果只從減小噪音這一點出發的話，那么人類就應該盡可能地把判斷交給模型。
哪怕人類沒法徹底退出，也應該盡可能地讓模型先上，自己要盡可能地晚一點介入。應該要遵守一個“先模型，后人類”的原則。比如谷歌公司在招募員工時就是這么干的。谷歌面試求職者的時候，會分成兩個大環節。第一個環節是讓求職者參與一系列完全標準化的考核和面試，這里面的每項考核都獨立打分、獨立評估，而且每一項考核的細節也都是固定的，連面試時可以提哪些問題都有嚴格的規定，然后把這些完全標準化的考核結果匯總起來，生成一份求職者檔案。這份檔案，其實就是用一個完全死板的面試模型產生的。
但是，谷歌公司并不完全排除人的判斷。因為在接下來的第二個環節里，這份檔案就會交給一個招募委員會，由委員會的成員讀完檔案后給出最后的雇傭意見。
谷歌的這套招募流程并沒有排除人類的那些微妙的直覺和判斷，但是他們是盡可能把人類的介入延后，先讓模型來判斷，最后才交給人類。
這里還必須強調一點，用模型來做決策的話，的確沒有噪音了，但這不代表模型的判斷就更準確。別忘了，判斷里的錯??偏差+噪音。模型很多時候其實只是把那張打靶圖上的D隊變成了B隊。噪音的確是沒了，但偏差可能還在，槍還是整齊劃一地打偏了。所以并不是說把決策交給模型就萬事大吉了，人類有責任不斷地優化模型，讓模型的判斷盡可能從B隊往A隊靠攏。
下面是第四種減小噪音的手段，把決策過程交給“決策達人”。
減小噪音的最后一個手段，很簡單粗暴，那就是找出那張打靶圖上A隊的那些神槍手。找出那些幾乎槍槍都能命中把心的“決策達人”，把決策交給他們去做，那噪音問題不就解決了嗎？
那怎么找到“決策達人”呢。
決策達人一般有這么三個顯著的特點。
第一，他們可能是某個領域里的專家。頂尖律師事務所里的律師，頂尖醫院里的醫生做判斷的準確率要遠高于普通人，我們可以優先信任他們的判斷。
但千萬要注意。專家有兩種：真正的專家和榮譽專家。
律師、醫生一般來說是真正的專家，因為他們的地位是靠真實的成績換來的。名律師是因為打官司真的能打贏才成為名律師，名醫是因為真的醫術高超才成為名醫。他們的成績是可以客觀驗證的。這種專家的判斷，才值得信任。
但另外還有一種專家是“榮譽專家”。榮譽專家的成績是不可驗證的。比如，一些管理咨詢顧問，比如一些政治分析家，他們的成績就很難用客觀的標準驗證。公司好起來了是管理咨詢顧問的功勞，公司倒閉了是其他客觀原因，總之沒有顧問的錯。像這樣的專家，他們的地位是靠客戶、同行對他們的尊敬建立起來的，說白了就是有點虛。這種榮譽專家的判斷并不比普通人好，他們做出的判斷，你就得留個心眼了。
除了專家身份，“決策達人”的第二個顯著特點是，他們一般都是聰明人。
在幾乎所有領域，智力都與更出色的表現相關。智力高的人，也更有可能有良好的判斷力。所以，如果我們必須在兩個意見之間做選擇，又沒有其他參考資訊的話，那么我們就應該優先信任比較聰明的那個人。
“決策達人”的第三個顯著特點是，他們的心態非常開放。
智力只是事情的一面，思考方式也很重要。有些聰明人很剛愎自用，他們堅信自己的判斷是對的，這種人的判斷力通常也不怎么樣。
真正厲害的是心態非常開放的人，這種人不但聰明，而且很謙虛和務實，他們不介意別人提相反的意見，他們甚至會主動去尋找那些可能與自己原來的觀點相矛盾的新資訊。他們不排斥把新資訊與目前的觀點進行整合，甚至渴望自己的想法被這些新知識改變。這種心態開放的人做出的判斷，往往比較準確。
所以，如果我們要在兩個聰明人的建議里做選擇，那就優先選那個心態更開放的人。
聽專家的，聽聰明人的，聽心態開放的人，這就是減少噪音的第四種手段。
說了那么多，我們已經知道噪音很普遍，也知道了很多減小噪音的手段。那么接下來，各行各業立刻行動起來，用這些手段盡可能減小噪音，那就不完事了嗎？但實際上，減小噪音的措施是會遭遇很多阻力的。
于是我們就有了最后的第五個問題：減小噪音的措施會遇到哪些障礙。
第一個障礙是，人們不信任演算法。剛才說過，把決策交給模型能極其顯著地減少噪音，而現在發展得最紅火的模型當然是演算法，尤其是那些基于深度神經網絡的人工智慧演算法。可麻煩的是，人們普遍不信任演算法。人類有一種很微妙的心態，那就是我們往往都期待演算法是完美的。犯錯是人類的特權，機器是不能犯錯的。人類開車出事故，我們覺得情有可原。但自動駕駛必須??事故，否則它就是不可信的。不信任演算法，當然也就會抵制通過演算法來減小噪音的那些措施。
減小噪音的措施會遇到第二個障礙是，人們擔心模型會扼殺積極性和創造力。如果決策過程全都交給了死板的模型，人們會不會感覺就像是機器里的一個齒輪，毫無主觀能動性可言？如果一個公司里的員工都感覺自己啥也決定不了，那他們的士氣會不會受到很大的打擊？以及，人類的決策雖然飄忽不定，但其中也會誕生出很多創意，如果決策過程都交給了死板的模型，那會不會扼殺人類的創意？
這實際上關乎一個大問題，那就是到底哪些場合里才需要減小噪音？我們希望醫生在診斷一個人是不是有高血壓時不要有什么創意，不要有什么主觀能動性，這種場合里噪音就應該越小越好。但是在一家公司里，如果想要讓員工更快樂、更有靈感，那是不是就應該容許有一些噪音呢？或者，是不是可以學習谷歌的招募法，一方面呢，把創意流程標準化，大框架上按模型的步驟來，但是在另一方面的，在每一個步驟里，又可以給人很大的靈活性，發揮人的創造性。這樣是不是可行。
必須減小噪音的場合有哪些？如何在減小噪音的同時又不打擊人們的積極性和創造力？這也是一些很值得思考的問題。
剛才說的這兩個障礙其實都是針對模型的，最后這個障礙才是普遍問題。
減小噪音的最后一個障礙是成本。減小噪音當然是好的，但是性價比足夠高嗎？比如說，由一個老師來改卷子的話，那就一定會有噪音，那最合適的解決方案就是讓五個老師分別獨立改卷子，然后取平均分。但誰來給這些多出來的工作量埋單？就算有人埋單，這樣的付出又值不值得？怎么衡量這里面的性價比？這些也是值得進一步思考和研究的問題。
雖然卡尼曼在書裡反覆強調，減小噪音的措施是必須的，因為噪音造成了很多不公平，但是我讀完這部分內容之後感覺，關於算法如何博取人類的信任啊，關於怎麼衡量減少噪音的性價比啊，這些問題現階段其實都還缺乏比較深入的研究，這部分內容相比於前面的內容，是比較開放的，這裡面還有很多值得思考和探討的細節。
到這兒呢，《噪音：人類判斷的缺陷》這本書的知識框架，我們就梳理完了。我們講了噪音的定義、類型，噪音放大器以及減小噪音的措施和障礙。關於這些問題，如果你有任何思考和疑問，都可以通過評論或者彈幕告訴我。我匯總之後，在下期或者下下期節目裡，會與《噪音》的譯者汪祚軍老師一起討論。
我是魏知超。如果你喜歡我的節目，請你關注、點讚、收藏、評論，我會在這個頻道裡堅持輸出各種心理學新知。那我們今天就到這裡吧，我們下期節目再見。
Leave a Reply