为什么你的直觉总在骗你?|看懂这四点,不再被极端预测带进沟里

写于 2026-05-10

《思考,快与慢》第18章:驯服直觉预测


一、开场:一个大多数人都会犯的错

你有没有过这样的经历?

看到孩子一次考满分,就觉得他是个学霸; 面试时对方表现亮眼,就笃定他一定能成为核心员工; 看到一个基金经理去年收益翻倍,就把自己的钱全部交给他。

然后呢?

孩子的成绩慢慢回落,你觉得他"退步了"; 新员工表现平平,你觉得"看走了眼"; 基金亏了,你肉疼不已。

如果你经历过这些——恭喜你,你的直觉预测正在把你带进沟里。

这不是你不够聪明,而是我们的大脑,天生就爱走极端。


二、核心:直觉预测的两个致命缺陷

《思考快与慢》第18章,卡尼曼用四个字总结了直觉预测的问题:非回归性。

什么意思?

就是我们的大脑看到一次极端表现,就会自动预测未来会一直保持这个极端,完全无视一个基本规律:均值回归。

均值回归是说:任何一次极端表现之后,大概率会向平均水平靠近。

一个学生这次考了班级前十,下一次大概率会回落;一个产品这次爆单了,下一次不一定还能爆;一个基金经理今年翻倍,明年不一定还能翻。

这不是"风水轮流转"的玄学,而是统计规律。

而我们的大脑呢?它有两个致命缺陷:

1. 过度自信 仅凭一个印象、一张照片、一个故事,就敢下结论,完全无视基础概率。

2. 走极端 要么觉得对方是天才,要么觉得是废物,很难做出"中等偏上"这种合理的判断。

看到这里你可能要问:那怎么办?总不能让我别相信自己的直觉吧?

当然不是。卡尼曼给出了一套可操作的校正方法,四步走。


三、方法:四步驯服你的直觉预测

第一步:先问基准率

任何预测之前,先问自己:这类事的平均水平是多少?

预测一个学生的成绩,先看全年级平均分; 预测一个项目的成功率,先看行业平均成功率; 预测一个新员工的表现,先看同岗位新人的平均绩效。

这一步看似简单,但绝大多数人根本不做。

他们看到孩子一次考100分,脑子里只有"这孩子真聪明",而不会想到"这次题目可能简单"或者"这次运气好"。

你没有基准率做参照,你的预测就是盲人摸象。

第二步:评估证据的相关性

当前的信息,和你想预测的目标,相关程度有多高?

孩子这次期末考试班级前十——这个成绩能预测他下学期吗? 一次考试的高分,能代表他的真实水平吗?

卡尼曼在书里说:单次考试和长期学术能力的相关性,很低。

同理,面试表现和入职后三年绩效的相关性,也不高。

相关性越低,你的直觉越不可信。

第三步:让直觉给一个初步预测

好,现在你可以动用你的直觉了。

让系统1给出一个感觉:"这个学生看起来很聪明,应该以后都是前几名。""这个候选人表达能力很强,应该是个好员工。"

记下来。

第四步:向均值回归修正

这是最关键的一步。

把你的初步预测,向第一步得到的基准率调整。

相关性越低——调整幅度越大; 相关性越高——调整幅度越小。

比如,一个学生这次考了前10%,相关性低,所以向均值大幅调整,预测他长期成绩是"中上偏优",而不是"一直顶尖"。

比如,一个候选人面试表现很好,但相关性低,所以向均值调整,预测他是"中上水平,有成长空间",而不是"顶级人才"。

看到没?修正后的预测,听起来没那么"燃",甚至有点"平庸"。

但它更接近真相。


四、案例:三个生活场景

场景1:孩子的成绩

孩子这次期末考了你以前想都不敢想的分数。

  • 直觉反应:这娃是学霸啊!未来清华北大有望!
  • 校正后:这次考得好可能有多重因素(题目简单、超常发挥、复习到了),长期水平预测是"中上",继续观察下次成绩。

场景2:面试的候选人

面试聊完,你激动得觉得这就是要找的人!

  • 直觉反应:太优秀了,马上发offer!
  • 校正后:单次面试和长期绩效相关性有限,预测是"中上水平",试用期认真考核,避免过高预期带来的落差。

场景3:你的投资

看到一个产品历史收益超高,直觉反应:买它!梭哈!

  • 校正后:过去收益不代表未来,先查这个产品类型的历史平均收益是多少,再决定买多少。

均值回归最残酷的地方在于:当初有多极端,现在就有多"普通"。


五、落地:三条行动建议

1. 做预测前,先找基准率 不要只盯着个案,问自己:这类事的平均水平是多少?行业平均?历史平均?同类人群的平均?

2. 区分"高相关"和"低相关"证据 长期稳定数据是高相关,单次表现是低相关。低相关证据,别把它当回事。

3. 主动向"平庸"妥协 修正后的预测往往听起来不如直觉"带感",但它更靠谱。多练习几次,你就习惯了。


六、结尾:一句话总结

直觉爱走极端,无视均值; 理性预测的本质,就是把直觉拉回统计规律,向平庸回归。

下次当你又想"非黑即白"下结论时,问自己一句:

"然后呢?它会回到平均水平吗?"

大概率,会的。