#Prediction
Forecasting is not a "you have it or not" talent. It is a skill that can be cultivated.
了解金融的小朋友们应该都听过这样一个段子：从前有个研究员，找了一批包括评论家，经济学者，让他们预测经济，股票走势，选举，战争等等问题。结果发现他们的平均准确率和让一只黑猩猩随意掷飞镖的命中率差不多。
这个研究员就是今天精读书的作者之一。
1. 简单与复杂
你想不想也具有预测未来的能力呢？我们通识课的学习除了要打破学科间的壁垒，更好的将知识融会贯通的目的以外。更是想要练就博古通今，预知未来的通天之眼，避开那些可能的危险和陷阱。
为什么有些规律很难掌握，有些趋势很难预测呢？哲学家卡尔·波普（Karl Raimund Popper）把世界上的事件分成两种类型：钟型事件和云型事件。
钟型事件是指那些看起来非常精密复杂，但其实设计制造是严格按照一套既定的“算法和流程”的简单事物。就像一只钟表，打开盖子我们能看到里面复杂无比的形状和结构，但所有的部件，要素，其数量，尺寸，各个要素之间的关系与连接都是固定的。虽然它的生成过程非常复杂，但它的结果是固定的。或者说结果具有高度可预见性。
与之相反的是云型事件。就是像云一样，看起来非常普通的事物，其构成不过就是水蒸气的凝结。但它在任何时刻的形状都是不固定的。影响它的因素从风力，温度，海拔，气压等等多到不可细数，更糟糕的是这中间每一个因素之间互相关系，影响程度， 参与形成云朵的权重比例，所有这些细节都无法具体量化。每一时刻云的形状，下一时刻它的变化都是不确定的。这才是真正的复杂事物。
越是自然界里常见的事物和想象，越是这样章法难循的复杂系统。我们前面提过一点儿“混沌学”，就是专门研究这类的事物。感兴趣的话可以翻回到前面的篇章。
越是与人有关的，越是更容易找到其发生的规律和行为模式。我们一直在讲，人是很难改变的，人总是更喜欢确定性，做事和思考也都更倾向于循规蹈矩。换句话说，就是更容易预测。据说有统计显示，我们每天有超过96%的时间都是在做同样的事情。
讲到预测未来，我们首先要搞清楚什么类型的事情可以被预测，又能在多大程度上被预测。以免把时间精力花在那些不必要的事情上。第二，物理学里有一个“测不准”原理，是说当我们测量粒子的时候，我们的测量行为本身就会改变其原有的转态。此时测到的数据已经是偏离了其当初想要测量的原始真实数据。应用在这里，就是说很多时候我们的“预测”本身就会影响事件的结果。即自我实现预言的“皮格马利翁”效应。
以上种种这些客观，主观因素，导致预测未来这件事变得极其困难。但也并不是完全不可能。还记得我们一直强调的“多维度”思考模型吧，有一个始终不断需要提醒的就是“时间维度”。云的形状虽然时刻改变，但短期内是阴天下雨还是阳光灿烂却很容易预测。长时段内，冬去春来，夏盛秋实是更加确定的。黑暗总会过去，太阳会照常升起更是不变的规律。短期看我们不知道明天究竟腾讯与阿里哪个会涨，哪个会涨幅更大。但长期看，中国经济仍在增长，未来老龄化一定会到来，这些是更加确定的。而越是中期的波动幅度，其走势越难估计。
这些能启发我们什么呢？既然人更偏好确定性，而短期和长期都更容易预测，那我们就应该把时间和精力更多放在当下、此刻的事情上，放在一生长度的事情上。而不应该太纠结于中期过程的起伏涨落。人们的掌控感越大，人的幸福感指数就越高。前者就是我们冥想和内观所强调的“关注当下”，而后者就是我们前面提到过第二象限，那些重要但不紧急的事情，或者说一生的基调与原则。
你看是不是又把知识有机的串起来了。
2. 成长型思维与贝叶斯更新方程
我们也不会停留在太抽象的理论上，也要进入书中的细节看看作者列举的那些具体预测未来的方法和工具。要澄清的是，作者的研究还是非常可靠的。这个“超预测”研究隶属于美国情报高级研究计划局，旨在开发研究“后911”时代的新型情报工作。具体来说，这个机构从2011年开始，每天预测未来1个月，到1年之内的大小事件，包括石油价格6个月内会不会具体涨到每桶多少钱，特朗普有多大概率成功竞选总统，等等4年共计预测了500个事件。
与以往的机构和方法不同，作者不是召集那些专业的情报与趋势分析师，而是从全社会撒网招募，这些超级预测者们有退休工人，家庭主妇，来自各个领域，但既没有预测题目相关的专业知识，也没有其他专家那样有获取机密数据的权限。然而他们组成的团队整体的预测准确率，高出专业团队30%，甚至击败政府的分析师。（这些业余者可是免费凭兴趣参加很多年的预测答题。所以我们花巨额纳税人的钱养这些政府人员是为哪般呢。。）
这究竟是一群什么样的“X战警”呢？
他们身上具备一些简单，但就是常人很难坚持做到的品质。具体有下面这几条：
谦虚。由于非专家出身，对待任何的信息知识都采取开放包容的心态。善于自我反省，及时吸收反馈意见。
谨慎。在对待任何问题都持怀疑和批判性思维的态度。
尊重并保持不确定性的存在。
主动而开放。这是一群对所有领域知识都充满好奇的人，他们是真正持续的“终身学习者”。
对认知和观念提升有强大的自我驱动力。
不一定是数学家，但对数字非常敏感，概率思维而不是线性思维。善于使用各种数学分析工具。
能克制直觉反应，善于启动冷认知和慢思考。
跳脱知识的诅咒和“鼻尖视角”。这两点说的其实是一回事，陷我们于无知的，恰恰是我们的已知。越是在某一领域的专家，越容易恪守自己的观念和想法。
持之以恒。
果大的总结，这群人正是具备“成长型思维”的一群人，善用贝叶斯数学模型。也就是说，大脑观念始终在一种激活，更新，变化的状态。每一个新的信息都会让他们主动改变对原来事物的态度和认知，即贝叶斯算法的调整。这里需要指出的是，我们并不需要记下方程的具体表达。贝叶斯算法更是一种方法论，一种让自己认知不断改变的逻辑。
3. 多视角与粗、精调
书里还介绍了费米问题的解题思路。也就是你听说过的“芝加哥调音师”问题。这种解题思路的核心在于，要把解决的过程分解为若干部分，分级分层不断的拆解。没有具体精确的数据不要紧，先搭建起拆分的模型，等有更确切的数值，再代入模型。这也是前面工程学里介绍过的粗调和精调方法。如果你不太记得，那么想想显微镜和照相机镜头的例子：有一个旋钮是初步的粗调，把大概位置和轮廓定下来，另一个旋钮是精调，在一个更小的量级上调到更清楚和精确。
要记住这个工程学的“双调法”，在解决很多实际问题上都非常有用。
放在费米问题里，也是一种多视角的方法：
先用“外部视角”（outside view），是指先从普遍性入手，找到统计学中所说的“基准比例”。
然后用“内部视角”（inside view），指的是特定事例的细节。
这两个顺序一旦搞错，很容易犯搞错因果关系的谬误。在前面的思维训练单元，我们讲过“琳达谬误”，就是错把小概率事件放入一个更普遍的框架里。
举一个有趣的题目：北京上空每小时有多少架飞机同时在天上？
这是一道源于谷歌的面试题，不许查资料，就用逐步拆分的方法，可以估计人口，机场数量，航公公司数量等等，更重要的是看解题分析思路。
有一个不能忽视的关键点是，只有当非专业人士以“一群”为单位整体出现预测，才能击败，远远领先于专家团队。想想这一点在组织和机构中能给我们什么洞见？
好的领导是任务导向型的。会提要求和目标，会申请和协调资源。在出现错误和问题时，会以“外部视角”站在本团队成员与其他部门，或者客户之间，之后再解决“内部问题”。
给予成员充分的自由和空间；不懂的技术细节，不会干预和瞎指挥。善于挖掘一个团队的各种“预测者”。不一定是预测宏观经济，也不一定是未来军事战争的那种超预测。
每一个人因为其自身的知识和经验背景，能提前看到潜在机会和缺陷，风险。就有潜力成为超级预测者。
通识精读47
菲利普·泰洛克和丹·加德纳，《超预测》。
这些书也值得读：
2. 菲利普·泰洛克，《狐狸与刺猬：专家的判断》
3. 纳西姆·尼古拉斯·塔勒布，《黑天鹅》。
4. 纳特·西尔弗，《信号与噪音》。
5. 乔舒亚·雷默，《不可思议的年代》。
6. 迈克尔·刘易斯，《思维的发现：关于决策与判断的科学》。
7《明智行动的艺术》。
8《爆发》
9《隐秘的商机》
10.《动荡的世界》
11.《预知社会》
12.《风险与好的决策》
13. 《失败的逻辑》。
14. 《足球经济学》
15. 《思考的技术》。
16.《灰犀牛》。
17.《全新思维：决胜未来的6大能力》。
网友评论