“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