丹尼爾·卡尼曼　奧利維耶·西博尼　何剛

繪圖/《巴倫周刊》

在顛覆我們對(duì)人類(lèi)決策機(jī)制的理解，刷新我們對(duì)金錢(qián)觀念的認(rèn)知方面，也許沒(méi)有人能夠超過(guò)以色列裔美國(guó)心理學(xué)家丹尼爾·卡尼曼，他的上一本行為經(jīng)濟(jì)學(xué)著作《思考，快與慢》，讓許多人對(duì)人類(lèi)決策過(guò)程中的非理性因素醍醐灌頂，并且顛覆了對(duì)人類(lèi)理性的迷信。

在接近十年思考之后，他的新著《噪聲》即將出版，這又是一本能夠顛覆對(duì)人類(lèi)決策過(guò)程認(rèn)知的著作。近日，《巴倫周刊》中文版主編何剛通過(guò)Zoom采訪了《噪聲》的兩位作者丹尼爾·卡尼曼和奧利維耶·西博尼，跟他們探討了為什么噪聲如此重要，它跟偏差有什么不同，以及為什么群體決議反而可能會(huì)增加決策中的噪聲，如何才能降低決策中的噪聲。

何剛：我是來(lái)自《財(cái)經(jīng)》雜志和《巴倫周刊》中文版的何剛。幾個(gè)月前，我們的美國(guó)同事采訪了您，討論了《噪聲》這本書(shū)，現(xiàn)在，它的中文版即將在中國(guó)出版，在您出版了著名暢銷(xiāo)書(shū)《思考，快與慢》之后，為什么會(huì)開(kāi)始關(guān)注噪聲？噪聲對(duì)我們決策來(lái)說(shuō)有多重要？

丹尼爾·卡尼曼：是的，我認(rèn)為我們絕對(duì)應(yīng)該從定義我們所說(shuō)的“偏差” 和“噪聲”來(lái)開(kāi)始這次對(duì)話。

最簡(jiǎn)單的方法是從測(cè)量的角度來(lái)思考，因?yàn)槲覀冋J(rèn)為判斷也是一種測(cè)量，使用的儀器就是人類(lèi)的大腦。當(dāng)你在測(cè)量某樣?xùn)|西時(shí)，例如，用一把很好的直尺來(lái)測(cè)量一條直線的長(zhǎng)度，你會(huì)發(fā)現(xiàn)兩種誤差，其中一種誤差是偏差（bias），也就是誤差的平均值。

如果你在測(cè)量一條直線時(shí)，沒(méi)有任何偏差，也就是說(shuō)平均而言，你的測(cè)量是完全正確的，但即使在完全沒(méi)有偏差的情況下也仍然存在一種誤差，因?yàn)槟闼龅拿恳粋€(gè)測(cè)量都與其他的測(cè)量略有不同，有一半時(shí)間你在正確的長(zhǎng)度之上，有一半時(shí)間你在正確的長(zhǎng)度之下，這種變異性就是噪聲（noise）。

偏差是誤差的平均值。在我的整個(gè)職業(yè)生涯中，我一直致力于研究心理偏差，也就是導(dǎo)致人們測(cè)量結(jié)果過(guò)高或者過(guò)低的系統(tǒng)性判斷誤差。有各種各樣的原因會(huì)導(dǎo)致人們犯下可以預(yù)測(cè)的系統(tǒng)性誤差，比如過(guò)度自信、樂(lè)觀主義、悲觀主義和錨定效應(yīng)等等，這些就是我研究了50年的東西。

幾年前我注意到，事實(shí)上，幾乎沒(méi)有人關(guān)注另一種類(lèi)型的誤差，也就是判斷的變異性，而事實(shí)證明，判斷的變異性也很大。當(dāng)不同的法官看待同一個(gè)被告、或者不同的承保人看待同樣的風(fēng)險(xiǎn)時(shí)，他們得出的判斷也大不相同，這就是噪聲，噪聲無(wú)處不在。

每個(gè)人都知道當(dāng)被告被宣判時(shí)，不同的法官會(huì)有不同的判決，但是促使我們寫(xiě)這本書(shū)的原因并不是法官的判決會(huì)有所不同，因?yàn)檫@是人盡皆知的事情，而是法官在判斷上的分歧比人們預(yù)期的要多得多。在一些研究中，實(shí)際結(jié)果大約是人們預(yù)期的五倍，這是一個(gè)很大的數(shù)字，也是我們寫(xiě)這本書(shū)的原因。

何剛：謝謝卡尼曼教授，我想問(wèn)問(wèn)西博尼教授，對(duì)于像我這種沒(méi)有統(tǒng)計(jì)學(xué)背景的讀者來(lái)說(shuō)，我們?nèi)绾卫斫馄?jiàn)和噪聲的區(qū)別？為什么噪聲如此重要？

奧利維耶·西博尼：首先，噪聲并非更加重要，它只是和偏差一樣重要。正如丹尼爾所說(shuō)，我們之所以關(guān)注這個(gè)問(wèn)題，是因?yàn)槠钜呀?jīng)得到了很多關(guān)注，而噪聲卻沒(méi)有得到任何關(guān)注。所以我們?cè)噲D重新解讀這種不平衡。我們并不是說(shuō)噪聲比偏差更重要，我們想說(shuō)的是，它跟偏差同樣重要，但卻沒(méi)有受到太多關(guān)注。

接下來(lái)，如果你對(duì)統(tǒng)計(jì)學(xué)一無(wú)所知，這里有一個(gè)例子可以讓丹尼爾所描述的情況生動(dòng)起來(lái)。假設(shè)早上你踩著浴室磅秤稱(chēng)體重，根據(jù)你的經(jīng)驗(yàn)，你知道，一般來(lái)說(shuō)你的浴室磅秤對(duì)你來(lái)說(shuō)有點(diǎn)太大方了，它告訴你的重量比你實(shí)際的重量輕了一磅。所以你已經(jīng)習(xí)慣了你的磅秤減少一磅，你知道平均來(lái)說(shuō)，加上一磅才是真實(shí)重量。這就是偏差，這是你的浴室秤的平均誤差。

如果你在同一個(gè)早晨快速連續(xù)兩次或三次踩上你的體重秤，你會(huì)發(fā)現(xiàn)讀數(shù)并不完全一模一樣。這種無(wú)法解釋的變化不是平均誤差，平均誤差是你所知道減少的那一磅，這就是噪聲，它會(huì)出現(xiàn)在每一次測(cè)量中。

發(fā)生在你浴室磅秤上的事情也會(huì)發(fā)生在我們的判斷中，平均誤差是偏差，在這種情況下如果還存在著隨機(jī)誤差或瞬態(tài)誤差，那就是噪聲。

何剛：人們可能會(huì)說(shuō)，這是由于人類(lèi)的局限性，科技和人工智能能夠幫助減少我們的偏差和噪聲的影響嗎？

丹尼爾·卡尼曼：幫助減少噪聲的基本原理是紀(jì)律，而紀(jì)律可以通過(guò)不同的方式來(lái)產(chǎn)生。紀(jì)律意味著你在做判斷或決定時(shí)要遵守規(guī)則。當(dāng)你決定是否錄取一個(gè)學(xué)生進(jìn)入大學(xué)時(shí)，你要考慮學(xué)生的平均成績(jī)，這就是接受了一個(gè)紀(jì)律規(guī)則，它比人們只是跟隨他們的主觀判斷或者印象要減少一些噪聲。

在許多領(lǐng)域，更復(fù)雜的規(guī)則來(lái)自人工智能或算法，規(guī)則為判斷問(wèn)題和作出決策提供了答案，規(guī)則的一個(gè)最大優(yōu)點(diǎn)就是它們沒(méi)有噪聲。如果我向同一個(gè)算法提出兩次同樣的問(wèn)題，我會(huì)得到相同的答案。如果我在不同的場(chǎng)合問(wèn)同一個(gè)人同樣的問(wèn)題，他可能會(huì)給出不同的答案，人類(lèi)是會(huì)受到噪聲影響的，而規(guī)則不受噪聲干擾。

在某些情況下通過(guò)用算法代替判斷，在另一些情況下通過(guò)對(duì)判斷加強(qiáng)紀(jì)律性，用更有組織、更加系統(tǒng)的方式作出判斷，我們就可以減少噪聲。

何剛：卡尼曼教授，你在這本書(shū)中提到一種非常有趣的現(xiàn)象，也就是所謂的“群體極化”現(xiàn)象，這意味著一個(gè)群體在彼此交流之后會(huì)變得更加極端，我們?nèi)绾谓鉀Q這樣的問(wèn)題？

丹尼爾·卡尼曼：噪聲和偏差之間有一個(gè)非常重要的區(qū)別：當(dāng)你用尺測(cè)量一條線、或者用秤測(cè)量你的體重時(shí)，你在對(duì)多次測(cè)量結(jié)果進(jìn)行平均之后，測(cè)量結(jié)果比單次測(cè)量結(jié)果的噪聲要小。

舉個(gè)例子，如果我在測(cè)量?jī)x器上取了四次平均值，然后我在測(cè)量?jī)x器上又取了四次平均值，這兩個(gè)平均值之間的差值，將會(huì)小于任何兩個(gè)測(cè)量值之間的平均差值，正如我們所解釋的。