“放牛班的秘密花园”原创出品
作者:Scott E. Page, 译者:Sail2008
“想要明智一点,你必须把你的经验放在思维模型的格栅中。”
——查理·芒格
编者按:
查理·芒格,巴菲特的黄金搭档和人生导师,在过去几十年里与巴菲特联手,将旗下投资公司伯克希尔哈撒韦的年均复合收益率保持在极高水平,堪称投资神话。
查理·芒格同时也是20世纪最伟大的思想家之一,他所发明和倡导的“多元思维模型”让我们明白为什么我们需要跨领域学习,它不仅是其投资智慧的源泉,也充满着对商业、社会和和生活的独到见解。它不仅可以解决复杂社会系统的各种难题,还可以成为我们用以指导自己工作、生活重大决策的宝贵工具。
各种组织中都充斥着数据,从地理编码交易数据到实时网站流量数据,再到公司年度报告的语义量化数据。所有这些数据和数据源都只有在使用时才会增加价值,而这通常意味着把数据合并到一个思维模型里。
所谓思维模型,我指的是一种可用于数据匹配,或校准后进行数据匹配的正式的数学表达方式。
有些组织无意中使用了思维模型。
比如,收益曲线就可以被视为一个思维模型,它将具有相同风险但到期日不同的债券进行比较。
招聘规则也是一种思维模型。当你写下值得聘用的求职者的特征时,你就在创建一个获取求职者数据的思维模型,并将其转化为是否聘用此人的建议。
另一些组织开发了精密复杂的思维模型,其中有些是结构化的,旨在捕捉现实。其它的则使用机器学习和人工智能工具来挖掘数据。
从Alphabet到伯克希尔哈撒韦(巴菲特和查理·芒格旗下的多元化投资公司),再到美国中情局,最富有经验的组织都使用思维模型。事实上,有件事它们甚至做得更好:它们结合使用多种思维模型。
图:查理·芒格和沃伦·巴菲特没有思维模型,理解数据就很困难。数据有助于对现实进行描述,尽管并不完美。然而,数据本身无法告诉我们一个决定优于另一个决定。
如果你注意到你表现最好的团队也是你最多样化的团队,那或许很有趣。但要将这个数据点转化为洞见,你需要将它插入某个社会思维模型中。比如说,您可能会假设,在团队中拥有更多不同的视角,会带来更好的决策。你的假设就代表了一个社会思维模型。
尽管单一思维模型也能表现不错,但多种思维模型的集体发挥即模型集成却更加出色。这就是为什么最好的思想家、最准确的预言大师和最有效的设计团队都使用模型集成。他们就是我所说的多元思维模型的拥有者。
在本文中,我将解释为什么多元思维模型优于单一思维模型,并描述了构建自己强大的思维模型集成的三大准则:广泛传播注意力,提升算法预测精度,寻求冲突。
01
思维模型的案例
首先来介绍思维模型的一些背景知识。
思维模型通常用变量和数学公式来表示某个领域或过程。(在实践中,许多人在头脑中或以书面形式构建非正式的思维模型,但将思维模型规范化,往往是阐明思维模型并使其更有用的一种有效方法。)
比如,Point Nine Capital(总部位于德国柏林的专注早期互联网投资的风投公司)就采用线性思维模型,基于团队与技术的质量描述变量,对潜在创业机会进行排序。
顶尖大学如普林斯顿大学和密歇根大学采用概率思维模型,以年级平均成绩、考试分数和其它变量描述入学申请者,以判定其毕业的可能性。
各所大学还使用思维模型来帮助学生采用成功的行为习惯。这些思维模型使用的变量包括一个学期内考试分数的变化情况。
迪士尼使用一个基于代理的思维模型来设计公园和景点。该思维模型创造了一个包括游客在内的电脑虚拟公园,模拟他们的活动,这样迪士尼就能看到不同的决策对公园的运作可能会产生何种影响。
国会预算办公室使用一个经济思维模型,它包括收入、失业和健康统计在内,用以评估医疗保健法律的变更成本。
在这些案例中,思维模型掌管着数据管道。这些思维模型都有助于领导者解释现象和沟通信息。它们还强制规定了逻辑上的一致性,以协助战略决策和预测。
作为预测指标的思维模型比大多数人更精确,这应该不足为奇。在使用思维模型和不使用思维模型的人之间的正面交锋中,前者稳赢,而且通常赢面还比较大:
⊙思维模型能胜出,是因为它们拥有人类所缺乏的能力。
⊙思维模型可以嵌入和充分利用更多数据。思维模型可以被测试、校准和比较。
⊙思维模型从不犯逻辑错误。
⊙思维模型还不会吃认知偏差的苦头。(然而它们可以引入或复制人类的偏见;这是结合使用多种思维模型的原因之一。)
02
结合使用多元思维模型
尽管应用一种思维模型也很棒,但使用多种思维模型则更胜一筹,尤其是在复杂问题领域。原因就在于:思维模型的简化作用。因此,不管思维模型嵌入了多少数据,它总会遗漏一些相关变量或遗漏一些相互作用。因此,任何单一思维模型都是有错误的。
使用思维模型集成,你就能弥补任何单一思维模型的不足。构建最佳思维模型集成需要想法和努力付出。事实证明,最精确的思维模型集成并不包含性能最优的单一思维模型。因此,你不应当在候选模型中进行一场赛马比赛,然后选出四个最终获胜者。相反,你会选择结合应用多种思维模型。
数十年来,华尔街的公司一直采用思维模型来评估投资风险。风险的形式多种多样。除了金融市场波动带来的风险,还存在地缘政治、气候事件和“占领华尔街”这类社会运动的风险,更别说来自网络威胁和其它形式恐怖主义的风险了。
基于股价相关性的标准风险模型不会嵌入所有这些维度。因此,领先的投资银行使用思维模型集成来评估风险。但是,这个模型集成应该是什么样的呢?应该包括哪些模型,排除哪些模型呢?
构建思维模型集成的第一条准则:
寻找把注意力放在问题的不同部分或不同过程的思维模型。我的意思是,你的第二思维模型应当包括不同的变量。
正如上面所提到的,模型总会遗漏一些东西。标准金融市场模型就忽略了交易如何进行的制度性深层次细节。这类模型不考虑信任的生态环境与交易规则,而正是它们形成了价格的高低。因此,一个好的第二模型就应当包括这些特征。
数学家Doyne Farmer主张,基于代理的模型是一种好的第二模型。基于代理的模型由基于规则的代理人组成,它们代表了人和组织。模型随后在计算机上运行。在金融风险这个案例中,基于代理的模型可以被设计成包括许多微观层次的细节。
基于代理的住房市场模型可以代表每个家庭,为其分配收入、抵押贷款或租金。在房屋所有者再融资和宣布破产时,它也可以包括为其描述条件的行为规则。
那些行为规则可能很难得到正确答案,因此,基于代理的模型可能没有那么精确,至少一开始时是这样。然而Farmer等人认为,随着时间的推移,这些模型可能会变得非常精确。
我们更关心的不是基于代理的模型是否会胜过其它标准模型,而是基于代理的模型是否会读取标准模型遗漏的数据。
事实上,它们会读取。
标准模型研究的是总量,比如衡量房价变化的Case-Shiller指数。如果Case-Shiller指数的上涨速度快于收入增长速度,就可能出现房地产泡沫。
尽管该指数有用,但它无视了恒定的人口分布变化。如果收入增长只惠及最富有的1%人群,而房价全面上涨,那么该指数与收入普遍增长时相比就没有什么不同。
基于代理的模型不会对人口分布变化视而不见。它们会注意到年收入4万美元的人必须持有60万美元的抵押贷款。
基于代理的模型未必是更好的模型,其价值来自于把注意力集中在标准模型不会关注的地方。
第二条准则借鉴了提升算法(boosting)的概念,一项来自机器学习的技术。
集成分类算法如随机森林模型,是由一些简单的决策树组成的。对潜在风险投资进行分类的决策树可能会说:“如果市场很大,那就投资。”随机森林是一种结合多种决策树的技术。
提升算法(boosting)改善这些算法性能的方法,是用数据以新颖的方式搜索新的决策树。
图:决策树与孤立地寻找预测精度高的决策树不同,提升算法(boosting)是在当前决策树森林表现不佳时寻找那些表现不错的决策树。换句话说,寻找一个可以攻击现有模型弱点的模型。
举个例子。正如前面提到的,许多风险投资家采用加权属性模型来筛选成千上万送上门的方案。常见属性包括团队、市场规模、技术应用和时机。风险投资商可能会在这些维度上从1到5打分,然后再给出如下的总分:
分数=10*团队+8*市场规模+7*技术+4*时机
这或许是风险投资商能想出来的最佳模型了。第二好的模型可能使用相似变量和相似权重。如果是这样,它就会和第一模型一样吃到同样缺陷的苦头。这意味着把它跟第一模型相结合可能不会带来明显更好的决策。
提升算法(boosting)会从所有的过去决策中提取数据,弄清第一个模型失败的地方在哪里。比如,在团队、市场规模和技术上得到满分5分的投资机会,可能并不会取得预期的成功。
这可能是因为那些市场太拥挤。团队,市场规模,可行的技术,这三种属性的单独预测效果都不错。但如果有人同时拥有这三项属性,那么可能其他人也拥有同样的属性。一群马扎堆吃草,往往会阻碍期待中的独角兽的诞生。因此,在这些情况下,第一模型的预测效果就很糟糕。
提升算法(boosting)的理念是寻找那些在其它模型失败时表现最好的模型。
再举个例子。我参观过的几家公司都雇佣了计算机科学家,应用人工智能技术来识别过去的招聘错误。这是最纯粹意义上的提升算法(boosting)。
它们不是试图用人工智能来简单地击败现有的招聘模式,而是用人工智能建立第二模型来补充现有招聘模式。它们寻找现有模型失败的地方,再构建新的模型来对它进行补充。
通过这种方式,提升算法(boosting)和注意力机制(Attention)有一个共同点:它们都喜欢结合应用具有互补性的模型。
但注意力机制(Attention)审视的是模型的输入内容(它所考虑的变量类型),而提升算法(boosting)关注的是输出结果(即第一模型遇到困难的情况)。
如果你在如何执行主要模型上有大量历史数据,那么提升算法(boosting)的效果最好。而有时候我们并没有这样的历史数据。
在这种情况下,那就寻求冲突。也就是说,寻找意见相左的模型。
当一个团队面临复杂决策时,它会期待(事实上它渴望)某种意见分歧。全体一致是集体思考的标志。模型也是如此。模型集成改进单一模型的唯一方法,就是要看这些模型是否意见不一。
借用Richard Levins(前哈佛大学公共卫生学院教授,生态学家、人口遗传学家、科学哲学家,研究人类种群的多样性)的一句名言:
“ 真相就站在各种无关联谎言的交叉点上。”
它不是站在互相关联的谎言的交叉点上。换句话说,就好比你不会让自己身边都是些唯唯诺诺的人,也不要让自己身边充斥着唯命是从的思维模型。
假设你经营一家制药公司,并且使用线性模型来预测最近获得专利的药品的销量。要构建模型集成,你还可以构建一个系统动力学模型和传染模型。
假设传染模型的预测结果是相似的长期销量,但最初的接受速度较慢,而系统动力学模型得出了截然不同的预测结果。
如果是这样,它就为战略思考创造了机会:为什么模型之间会有分歧?我们能从中学到什么,以及我们如何进行干预。
总之,与人类一样,模型之所以会犯错误,是因为它们没有注意到相关的变量或相互作用。多元模型的思维方式克服了任何单一模型的注意力缺失,它会使你更明智。
本文编译自《哈佛商业评论》,喜欢就分享转发给更多的人吧。
声明:著作权所有,转载需授权,严禁抄袭,违者必究!
欢迎和我们一起深度沟通相关话题,在评论区发表评论。
更多精彩内容,请关注本自媒体账号。
网友评论