第4周 | 《噪声》：为什么同一问题，专家们的答案天差地别？

想象这样一个场景：

你因为身体不适去医院看病，遇到医生A，他仔细询问了你的症状、家族史、生活习惯，做了详细检查，诊断你为某种疾病，开了一种药。

但如果你遇到的是医生B——同样的症状——他可能给出完全不同的诊断，开一种完全不同的药。

同样，如果把同一个案子交给不同的法官，同样的罪行，刑期可能相差数年；如果让不同的面试官评估同一个求职者，同一个人，可能得到完全相反的评价。

这种“同一问题，不同人给出不同答案”的现象，就是诺贝尔奖得主丹尼尔·卡尼曼（Daniel Kahneman）在《噪声》（Noise: A Flaw in Human Judgment）一书中所要揭示的——人类判断中一个被严重忽视的缺陷。

《噪声》是卡尼曼继《思考，快与慢》之后的又一重磅著作，与奥利维耶·西博尼（Olivier Sibony）和卡斯·桑斯坦（Cass Sunstein）合著。这本书的核心论点是：噪声——而非偏见——才是人类判断中最大的隐藏问题。

一，什么是噪声？它和偏见有何不同？

卡尼曼在《思考，快与慢》中讨论了认知偏见，但偏见并不是判断误差的唯一来源。

卡尼曼在《噪声》中区分了两种判断误差：

偏见（Bias）是系统性的偏离——所有判断都偏向同一个方向。比如，用身高来预测一个人的领导能力，导致高个子被系统性地高估。偏见是”向一个方向的偏离”。

噪声（Noise）则是随机的不一致——对同一个问题，不同的人给出不同的答案，同一个人不同时间给出不同的答案。噪声是”散布在正确答案周围的散射”。

举一个经典的例子：

假设一件商品的真实价值是100元。

• 如果所有人的判断都偏向80元——低了20元——这就是偏见
• 如果判断散布在60元到140元之间——有些人估60，有些人估100，有些人估140——这就是噪声

偏见是”平均的系统性偏差”，噪声是”判断之间的差异”。两者往往同时存在，但需要不同的方法来应对。

为什么《噪声》这本书如此重要？因为在很多专业领域，噪声才是判断误差的主要来源——而它几乎从未被认真对待过。

二，判断噪声的三种类型

卡尼曼在书中区分了三种不同层次的噪声：

1. 水平噪声（Level Noise）

也称为”个体间噪声”或”跨人际噪声”——不同的人，有不同的平均判断水平。有些人天生保守，有些人天生激进；有些医生倾向于多开药，有些医生倾向于少开药。

这是不同人之间的系统性差异，可以通过平均来判断一个人的”风格”。

2. 模式噪声（Pattern Noise）

同一个人，在不同情境下，对同一问题给出不同的答案。这种噪声更加隐蔽，因为它不是跨人际的差异，而是同一个人的”不稳定”。

比如，一个法官在早晨可能更宽容，在下午疲惫时可能更严厉；一个面试官在心情好的时候可能更正面，在压力大的时候可能更挑剔。

3. 情境噪声（Situational Noise）

外部环境因素对判断的影响。比如：

• 今天的天气影响了你对陌生人的善意程度
• 刚刚发生的一件事影响了你对下一件事的判断
• 房间的温度影响了你对风险的评估

情境噪声是暂时性的，会导致同一个人对同一问题在不同时间给出不同的答案。

三，一个令人不安的实验：医生的判断能有多不一致？

卡尼曼在书中引用了大量令人震惊的实证研究，揭示了噪声的普遍性。

其中最著名的实验之一是关于皮肤科医生对黑色素瘤（皮肤癌）的诊断：

研究团队向150位皮肤科医生展示了同一组皮肤损伤的病例照片，请他们判断哪些可能是恶性的。结果：

• 医生们之间的一致性仅为61%
• 即使是同一个医生，在不同时间看同一张照片，也有21%的概率给出不同答案

也就是说，对于一种可能致命的疾病，专科医生之间的共识还不到三分之二。而更令人不安的是，他们甚至不知道自己的判断如此不稳定。

类似的研究在很多领域都有惊人的发现：

• 法官量刑：同样一个案件，不同法官的刑期可能相差数年
• 保险理赔：同一个案件，不同理赔员的估算可能相差数倍
• 绩效评估：同一个员工，不同经理的打分可能相差巨大
• 论文评审：同一篇论文，不同审稿人的意见可能完全相反

这些研究指向一个令人不安的结论：我们以为的专业判断，往往比我们以为的更主观、更不稳定。

四，为什么噪声被忽视？三个原因

噪声问题如此普遍且重要，却长期被心理学和管理学忽视。卡尼曼分析了三个原因：

原因一：我们倾向于认为自己是”例外”

每个人都知道噪声存在——但每个人都认为它描述的是”别人”，不是自己。我们倾向于认为自己的判断是稳定和一致的，而别人的判断才是有噪声的。这种”自我中心偏见”（egocentric bias）让我们难以看到自身判断中的噪声。

原因二：噪声难以观察

与偏见不同，噪声是”散射”的，很难被直接观察到。要发现噪声，需要对同一问题让多个判断者独立判断，然后进行统计分析。这种”噪声审计”（noise audit）在日常生活中几乎不会发生。

在日常情境中，你通常只能看到一个人的判断结果——看不到他的判断与其他人的差异，也看不到他自己在不同时间判断的不一致。

原因三：我们不愿意面对”一致”带来的不安

承认噪声的存在，意味着承认专业判断的不确定性。但人们往往更愿意相信”专家的判断是可靠的”——哪怕这种信念并不符合现实。

就像一位法官，他可能宁愿相信自己的量刑是”正义的”，而不愿意承认它可能受到天气或心情的影响。

五，噪声的代价：它比你想象的更昂贵

噪声的存在，带来了巨大的隐性成本。

在医疗领域：

误诊、过度治疗、治疗不足——这些在很大程度上可以用判断不一致来解释。仅在美国，每年因医疗判断误差导致的成本就高达数十亿美元，更不用说由此带来的健康和生命损失。

在法律领域：

同样的罪行，因为遇到不同法官，可能得到完全不同的刑期。这不仅是不公正的，也是对法治精神的背离。

在商业领域：

招聘决策、项目审批，投资判断——这些关键决策往往依赖少数人的主观评估。而这些评估的噪声，可能导致错误的人才选拔、失败的并购、不当的资源配置。

在金融领域：

信用评估、风险定价、投资决策——华尔街的精英们自认为理性，但他们的判断同样充满了噪声。这也是为什么”天才交易员”的传奇往往是幸存者偏差——另一个在噪声环境中被掩盖的真相。

六，如何减少噪声？卡尼曼的三大策略

认识到噪声的存在，下一步就是如何减少它。卡尼曼提出了三种主要策略：

策略一：引入算法和公式

这是最有效的减少噪声的方法——用公式替代人的判断。

这听起来有些反直觉：我们倾向于认为”人的判断比公式更全面”。但大量的研究表明，简单的统计公式，往往比专家的主观判断更准确、更稳定。

原因在于：公式不会受到噪声的影响——它对同一输入总是一致的。而人的判断，每次都可能受到情境噪声、模式噪声的干扰。

在医疗、法律、金融领域，已经有越来越多的”决策支持系统”被引入，取代部分主观判断，取得了显著的效果。

策略二：使用”噪声审计”

在做出最终决策之前，让多个独立的判断者对同一问题进行判断，然后比较结果。

这类似于医学上的”第二诊疗意见”——在做出重大治疗决策前，咨询另一位医生的意见。

在法律领域，一些法院已经开始使用”量刑指南”来减少不同法官之间的量刑差异。这些指南并没有取代法官的判断，但为判断提供了一个”锚点”，减少了随机散射。

策略三：让判断者”站在同一条船上”

卡尼曼提出的第三个策略，是让决策者知道其他人是怎么判断的——这可以减少”信息级联”效应。

但这一策略需要谨慎使用，因为如果太早让所有人对齐，可能会导致另一种偏见：人们可能会不必要地趋同，而不是真正独立思考。

七，超调预测：为什么专家的预测往往不如简单模型？

《噪声》一书中还有一个特别有趣的发现，与预测有关。

卡尼曼提出的”超调预测”（Hyperbolic Correction）现象，指的是：人类在预测时，往往比他们以为的更自信，同时也不够保守。

在一个经典实验中，研究人员请专家预测”某公司下一季度财报表现”。结果发现：专家预测的准确度，往往不如一个简单的”基准模型”——比如直接用这家公司过去五年的平均表现来预测。

为什么会这样？

因为专家们在做预测时，会过度依赖”故事”——他们会根据最新的信息编织一个连贯的叙事，然后用这个故事来推断未来。但未来是不确定的，而好的预测需要考虑不确定性。

简单模型往往更准确，不是因为它更聪明，而是因为它更稳定，不会被噪声干扰。

这也呼应了《思考，快与慢》中的观点：系统1（快速思考）善于编织故事，但这种故事往往包含过多的噪声，不适合用于精确预测。

八，从噪声的角度，重新审视你的日常判断

读完《噪声》，你可能会对自己日常的判断产生新的怀疑。

以下是一些值得反思的问题：

• 你面试求职者时的判断，有多稳定？今天面试的和上周面试的，你用的是同一标准吗？
• 你给下属的绩效反馈，有没有受到你当天心情的影响？
• 你对某件事的第一印象，是否在之后的信息中被动摇了？
• 你在做重要决策时，有没有给自己留出”冷静期”？

减少噪声的第一步，是意识到它的存在。就像冥想让你意识到自己的思绪飘移了多少次，噪声审计让你意识到自己的判断有多不稳定。

重要的不是完全消除噪声——那几乎不可能。而是承认噪声的存在，并采取措施减少它对你生活和工作的影响：

• 重要决策不要在疲惫或情绪激动时做出
• 给下属反馈前，先写下你的标准，而不是临时发挥
• 招聘时，用结构化的评分表，而不是”整体感觉”
• 投资时，不要只看故事，要看数据；不要被”这个公司不一样”的论点迷惑

🌱 本周核心takeaways

下周预告

第5周我们将进入《被讨厌的勇气》——阿德勒心理学的入门之作，关于如何拥有”被讨厌的勇气”，活出真正的自己。敬请期待。

About the Author

Tom

Editor

View All Posts