《多样性红利》3:套路的“启发”

《多样性红利》3:套路的“启发”

四个解题的“启发式”：

“拓扑启发式”：看看四周临近的地方。

“梯度启发式”：考察邻近的地点，但是它有一个明确的方向。

“允许犯错启发式”：你可以搞一些“任意的震动”。

“种群启发式”：用模拟生物进化的方法找到最优解。

“启发式”的英文是“heuristic”，这个词听着有点别扭。中国文化里到底有没有这个词。但是如果你去了解一点认知心理学，启发式简直到处都是。

什么叫“启发式”呢？从解题的角度，佩奇给的定义是“启发式是这么一个规则：在某个视角里，使用这个规则能够得到一个解 —— 那么你受此启发，也许可以把这个规则用在别的问题上，得到别的解。”

启发式就是思维的套路。套路就如同武术里的招式和下棋的棋谱，是你一旦掌握了就可以不假思索地使出来的东西。

当然“三十六计”什么的有点上不了台面，heuristic 有更高端和更基本的含义。查理·芒格总结了很多所谓“心智模型（mental models）”，就是高端的启发式。比如做决策的一个“10-10-10”方法，就是一种心智模型。熟练掌握这些模型，你在面临各种决策的时候就不用现场手忙脚乱了，而且你知道哪些地方有可能是你的思维误区。

对认知心理学家来说，启发式有更基本的含义，大约可以称为“思维快捷方式”。丹尼尔·卡尼曼说过一个例子是这样的：请问，在英文中，是以字母 k 打头的单词多呢，还是以字母 k 作为第三个字母的单词多呢？你的第一反应，肯定是以 k 打头的单词多 —— 这是因为你马上就能想到好几个以 k 打头的单词，可是你很难想到一个第三个字母是 k 的单词。你这个思维，就是“易得性启发式（availability heuristic）”，你觉得你容易想到的东西比不容易想到的东西多。

我们的思考离不开这些快捷方式，以至于你都意识不到自己在使用快捷方式，它们属于卡尼曼说的“系统1”。但是这些快捷有可能会让我们判断失误，比如刚才那个例子，事实是第三个字母是 k 的单词更多。所以“易得性启发式”也叫“易得性偏误（availability bias）” —— 我们以前讲过，纳西姆·塔勒布就曾经批评史蒂芬·平克在《人性中的善良天使》中犯了易得性偏误。

但不论如何，没有启发式是不行的，你不可能面对什么事情都从头推演。作为社会栋梁，你更得多掌握一些高级的启发式。

佩奇讲的是专门用于解决难题的启发式。在佩奇的这个系统中，“启发式”和“视角”是两码事。所谓视角，是你怎么看这个东西，相当于建立一个坐标系。那么启发式，则是有了坐标系之后，你怎么在这个坐标系里“走”。

比如上次说的内莉做冰淇淋实验的例子。内莉想到去按照卡路里含量把不同的配方排序，这一步就是建立了一个视角。

那么下一步，在已知252卡路里的这个配方味道不错的情况下，想到去考察它在这个视角下临近的几个配方，这就是启发式。

这也是四个解题启发式中的第一个，叫“拓扑启发式（Topological Heuristics）”。不要被“拓扑”这个充满数学味道的词所吓住！其实所谓拓扑启发式，就是看看四周临近的地方。比如你读到一本书觉得有意思，你就想看看这位作者还有没有别的书，这就是在使用拓扑启发式。

拓扑启发式的成败跟视角关系很大。视角就好比是坐标系，自带一个结构，而拓扑启发式则是沿着这个结构走。拿刚才选书的这个例子来说，考虑作者，就是一个不错的视角，你的拓扑启发式是看看同一作者的其他作品。而如果你的视角是“书的封面颜色”，看到一本蓝色封面的书觉得不错，于是专门找蓝色封面的书读，那就大错特错了。

拓扑启发式是只要是临近的地方都可以考虑，没有特定的方向。

第二个启发式，叫做“梯度启发式（Gradient Heuristics）”。梯度启发式也考察邻近的地点，但是它有一个明确的方向。

最简单的例子，就是你做汤，尝一尝感觉有点淡了，你认为这不是最优解。那怎么探索最优解呢？既然现在汤淡，你想让它变咸一点儿，你想要的就有一个明确的上升的量 —— 在数学上，这就叫“梯度”。那么显然你应该加盐，而不是加水。你的探索有一个明确的方向。

用探险者探索一片区域的最高峰来类比。作为一个探险者，如果你现在的位置不是哪个山头的山顶的话，那么梯度启发式告诉你，你应该往高的地方走。你看看四周，哪个方向越走越高，你就往哪个方向走。

这种走法方向明确，但是有一个重大缺陷 —— 它限制了搜索的“多样性”。画张图你就明白了——

图中有左右两个峰，而你身处图中的 A 点，在左边小峰的半山腰。你只能看到自己附近很小的区域的地形。为了找到高峰，梯度启发式会告诉你往左走，因为现在往左是越走越高 —— 这么走的结果是你将会发现左边的高峰。可是这样一来，你就只找到一个局部的高峰。右边那个更大的高峰，被你错过了。

这就好像一个一门心思就想多挣钱的人，看到哪个公司给的工资高就去了，殊不知如果选择右边这条路，虽然一开始的收入是下降的，但却可能达到一个高得多的高度。怎么才能避免犯这样的错误呢？

第三个启发式，叫“允许犯错启发式（Error - Allowing Heuristics）”。所谓允许犯错，就是你可以搞一些“任意的震动”。

那么一个身处刚才的 A 点的探险者，他可以先不着急选定一个方向一门心思前进，他先四下看看再说。这个看看可以是完全随机的，也许就会有意外的惊喜，也许就能找到右边那个更高的峰。

可是一直这么随机地看也不行，你总要有所选择才好。年轻的时候要多探索，年龄到了一定程度就要选定一个方向深耕。

佩奇使用了类似的思想，但是他给的例子叫“退火算法”。这个算法的大概意思是把行动分解成两个函数之和，一个代表随机的探索，一个代表用“梯度启发式”选定方向前进。所谓“退火”，就是你给系统设定一个“温度”：一开始温度比较热，那就多来一点随机探索，随着时间流逝温度越来越凉了，那就减少探索。

一开始你的错误多但是机会也多，后来你就没有随意犯错的权利了。其实开“头脑风暴”会也是这样，一上来大家你一言我一语可以随便出主意，但是最后总要选定一个方向集中思考。

第四个启发式，叫“种群启发式（Population Heuristics）”。种群启发式是用模拟生物进化的方法找到最优解。

“进化算法”的思想是这样的。比如说你要寻找一个什么东西的最佳配方。如果这东西的配料只有一两种，你固然可以使用前面的那些启发式，从一个配方开始，在临近的区域慢慢试，淡了就加点盐，咸了就加点水。可是如果这个东西的配料特别多，你怎么办呢？

你要把配方给数字编码化，每一组数字代表一个配方的“DNA”。然后你先随机地生成一些配方，从中选择几个比较好的，让它们互相“交配”，“生育”出下一代配方。比如说，A 配方和 B 配方的性能都不错，那么你可以取 A 配方的前半段，和 B 配方的后半段，生成一个 C 配方，那么 C 就是 A 和 B 的孩子。

你让第一代优秀的配方这样交配 —— 当然每次选择 DNA 的哪一段是可以随机调整的 —— 就生成了第二代。为了模仿进化，你还可以在每一代搞些随机的“基因突变”。对第二代配方，再从中选取优秀的，赋予它们生育权，再得到第三代配方……以此类推，你终将获得一个特别优秀的配方。

进化算法在设计方面有很多实际应用，不过我觉得一般人恐怕用不上这么高级的方法。但不论如何，让好东西自己冒出来，这个思想值得你拥有。

佩奇只讲了四个启发式，而真正解题能用的套路太多太多了。而且最后还有一点需要你了解，并不存在一个万能的套路，用在所有问题上都好使 —— 这个理论甚至还是一个数学定理，叫“没有免费午餐定理（No Free Lunch Theorem）”。

所以你要做的就是多掌握几个套路，多转换几个视角 —— 解题，不正是如此吗？

《多样性红利》4:歧视的解药

佩奇总结了一套“多样性认知工具箱”，了解了其中的“视角”和“启发式”这两个工具，再了解剩下的两个，“解读”和“预测模型”。

这是两个特别有内涵的概念。如果能理解和运用这两个认知工具，就算拥有了高级的智力。

在微博看到被人层层转发的一个小文章，其中又是民国杜月笙的传奇又是当代的典故，得出一个结论叫“人要守规矩”，其实整个道理都不通，没什么逻辑。最早把这篇文章发到微博的那个人，是个已经退役多年的乒乓球运动员。

就好像听见一个声音对我说，你为什么要读一个乒乓球运动员发的文章？她能有什么思想？可是另一个声音对我说，乒乓球运动员怎么了？也许人家也有真知灼见，可不能歧视啊。

你肯定遇到过同样的矛盾。通常管这叫“贴标签”和“歧视”。给人贴标签，你就会有歧视；不贴标签，你就没效率。换两个高级的说法，这就是“解读”和“预测模型”。

1.翻译、解释和解读

—— translate，意思是翻译。

—— explain，意思是解释。这两个词的意思你非常了解。那么

—— interpret，是什么意思呢？

首先它有翻译的意思。比如你要跟一个美国代表团谈判，需要找个口语翻译，这种口语翻译，就叫做“interpreter”，而不叫“translator” —— 后者特指文字翻译。

但 interpret 这个词还有解释的意思。比如领导在讲话中说了一句很不寻常的话，这句话是中文白话，不需要翻译，可是你无法领会领导这是在表扬还是批评你，你需要找人给你解释一下，这个就叫 interpret。但这个“解释”，和 explain，似乎又有不同。Explain 更像是解释“为什么会如此”，而 interpret 则是说“这代表什么意思”。

所以也许应该把 interpret 译为“解读”。它的名词形式，interpretation，是你对一个事物的“定性”。

比如说，中超上海申花队有个球员叫登巴巴 ——

当你想到登巴巴的时候，你会把他当成“什么”呢？在不懂球的中国人眼中，这是一个黑人。在足协领导眼中，这是一个外援。在球迷和球员眼中，这是一位强力前锋。

登巴巴有各种不同的身份，你把他当成哪个身份，就是你对他的“解读”。那你可能马上会想到，这不就是我们前面说的“视角”吗？在佩奇这个体系下，解读和视角的区别仅仅是数学意义上的 ——

佩奇说的视角，是从观察对象到语言的*一对一*的映射；佩奇说的解读，则是*多对一*的映射。解读，是对视角的进一步简化。

比如现在有五只狗，它们分为三种不同的颜色（白色、黑色、褐色），同时又分为三种不同的尺寸（大、中、小）。一个完整的视角，是按照颜色和尺寸这两个坐标，给所有这些狗建立一个二维的表格 ——

而如果你只考虑一个维度，比如“黑色”的狗，那就相当于在这个视角之下进一步把狗分类，这就是一种“解读”。比如看到一只纽芬兰犬，你可以把它定性为“大狗”，也可以把它定性为“黑色的狗” —— 这两种定性完全是你自己主观的、任意的选择，也就是你的解读。

解读，就是在一个视角之下，把东西做进一步的分类。如果你的分类方法是选择视角中的一个维度并且忽略其他维度，那就叫“投影解读（projection interpretation）”。而你也可以不管什么维度，任意选择几个东西说它们就是一类，这就叫“聚丛解读（clumping interpretation）”。

这些拗口的概念并没有太多深意。关键问题是，在已经有了视角的概念的情况下，非得再弄一个“解读”，到底有什么用呢？

2.足球妈妈

假设你是一个总统候选人……的竞选团队里的一名专家。现在我们能用于做广告的竞选经费有限，需要精确选择，到底应该向哪一类人，精确投放广告。

把人分类的维度实在是太多了，有性别、婚姻状况、年龄、收入、种族、职业、居住地……等等，你可以用所有这些维度弄一个多维的大视角。这个大视角对你没啥用，你想要的，是从中找到一个最值得投放广告的小类别。

比尔·克林顿竞选总统的时候，专家帮他找到一个这样的小类别，叫“足球妈妈”。这个名词来自于那些下班以后接送孩子参加足球训练的妈妈们，但精确的定义是这么一群人：她们是女性，年龄在30到40岁之间，有子女，有工作，有配偶，住在市郊的别墅房里。“足球妈妈”，是专家对这些人的“解读”。

为什么这个类别重要呢？因为当时54%的足球妈妈，还没有决定要投票给谁。她们是你最值得争取的选民。对比之下，像“富有的老年公民”这个类别，投给谁早就想好了，在他们身上做广告就是浪费钱。

这就是把事物分类的好处。选择一个特定的分类，集中力量对付它，你做事才能有效率。

可能专家偶然认识一位足球妈妈，发现她没有什么强烈的政治理念，她只关心自己的小日子，所以她选总统看的是谁当总统能让经济形势好、能增加就业，而这个经济问题跟党派的关系不大，所以她还没有决定投票给谁。专家把这个特例推广到一般情况，经过统计分析发现果然有这么一个趋势，所以这就是一个很好的认知。

当然你可能发现你推广得有点太过了。也许专家一开始的结论是所有已婚有孩子的女性都没决定 —— 那你就要再调整自己的分类，让它再变得特殊一点。

能推广，能调整，这是高级的认知。

3.预测模型

给定一个大视角，你可以任意选择分类解读、而一个有意义的解读，必须得能做出经得起检验的预测才行。专家列举了足球妈妈这个分类，他就必须得证明这个分类里的选民有“尚未决定投票给谁”这么一个特点。这就是预测模型。

预测模型 = 分类解读 + 预测

好莱坞的电影公司总是收到大量的剧本。你怎么预测哪个剧本拍出来能赚钱呢？假设现在我们已经找到了剧本的秘密，那就是一个电影要想赚钱，其中必须有一定程度的“性”，和一定程度的“暴力”。假设下面这张表格，就是剧本的真理 ——

表格使用性和暴力两个维度，按照“无、低、中、高”的标准，建立了一个坐标系。表格中“B”代表对利润不好（Bad），“G”代表对利润好（Good）。总体来说，是性和暴力元素越多越好 —— 但这个趋势并不是绝对的。比如高度的性和低度的暴力结合起来能赚钱，可是高度的性和没有暴力结合起来就不赚钱，而中度的性和没有暴力结合反而又赚钱。

你可能会质问这个表格有什么道理，但是这不重要，这只是佩奇设计的一道数学题。我们假装这个表格是绝对正确的。表格构成了一个二维的视角。

现在看看预测模型。雷，玛丽莲和德博拉，是三个负责审查剧本的电影公司雇员，但是因为他们的水平有限，他们并不知道上面那个表格中的真理。事实上，他们只能看到更简单的分类，也就是解读。

雷只关心性元素。雷把剧本按照性元素分成无、低、中、高四类，多年的经验告诉他，性元素是中和高的就是好剧本，无和低的就是坏剧本。这就是雷的预测模型。对照前面那张表格，你会发现雷这个模型的预测准确度是75%。

同样地，玛丽莲只关心暴力元素，她使用同样的分类方法和预测标准，所以她的预测准确度也是75%。

我们雷和玛丽莲的解读方法都是忽略视角的一个维度，这正是我们前面说的“投影解读”。

德博拉的预测模型比较怪，是一种“聚丛解读”。他的解读方式是按照表格的内部、边线和四个角来进行分类，他认为内部的太无趣，边线上是和谐的，而四个角是极端的，他认为只有和谐能赚钱，而极端和无趣不赚钱，所以德博拉的预测模型是下面这样 ——

如果你仔细对照一下代表真理的表格，你会发现，德博拉的预测准确度也是75%。

同样的视角，三个人，使用三个解读的三种不同的预测模型，得到了同样的准确率。这就是今天佩奇最想告诉你的道理 ——

预测模型，常常不会胜者通吃。

只有竞争不充分的领域里才有英雄。如果竞争很充分，大家互相模仿，那么市场很快就会变得“同质化” —— 最好的做法会被所有人模仿。那根据这个道理，每个人都应该使用最好的预测模型啊。

只有在数据足够充分的情况下，各个模型才会慢慢演化成一样的。生活中更常见的是像雷，玛丽莲和德博拉那样，各个模型不一样，可是准确率却差不多，谁也淘汰不了谁。

我们对世界的认识是有局限的。

而这恰恰就是为什么我们要保留多样性。

每一个解读，都要忽略一些东西。每一个预测模型，都是主观的选择。不分类，你就没效率；分类，你就会歧视。这个矛盾到底要怎样解决呢？

答案就是多样性。别忘了真正的多样性是思维方式的多样性。你有你的分类标准，我也有我的。你说乒乓球运动员没思想，可我眼中的她是个真诚的人 —— 而我的预测模型认为真诚的声音总是值得听的。允许多样性的视角、解读和预测，你就能不偏颇。

多样性，是歧视的解药。