说是学术圈，其实还是权力，是官场。学术官僚和行政官僚似乎并没什么不同，都可以用权力攻击异己，扶植党羽。然后主导话语权，利用话语权进行利益分配。应该说中国的高等教育体系为这些人供给了庞大的劳动力，就业基本面的下滑助长了这一点，中国人有强烈的读硕博的热情。长远说，经费毕竟受制于财政，利益集团又要提前分赃，留给一般科研人其实不算多，科研迟早要过紧日子。我感到科研并非是真的为了纯洁的理想，科研是证明职业科学家能保有位置的手段，科研是为了科研而科研。对于一般想就业的人，科研也不过是获得学位的敲门砖。它并不神圣。就算非升即走如此严苛，架不住潮水一般的博士涌向高校，总是不缺人。就像考公一样，考公那么竞争激烈，不妨碍几千人考一个岗。僧多粥少。所以大学给了美好前途的幻相，却总会在大学之后才把事实拿给人看。竞争哪里终结了？竞争相伴一生。老说幸福都是奋斗出来的，我奋斗到什么时候才是个头？我幸福是因为我祖上入过关，我祖上是三世家业。你个泥腿子，也配？

水溶 c 还不错
不过好久没买饮料了 忘了之前喜欢的是什么口味

好久没在門上更新日常了。。。最近买了一个手办，给門友展示一下喵

这是俺人生中第一个手办（39r 购于 pdd 的微瑕品）

最近状态好了一些，和原来的圈子淡了或断了很多……喜欢有秩序有安全感的生活，不喜欢情绪大起大落。接下来向我走来的是三个实验报告和答辩 ppt!

前几天又摸了一张阿农
即使失败一次 也得相信自己还能重新开始
不然人生这么长 会撑不住哦

Chapter 1. The Characters of the Story

故事中的人物

自动模式下的思维

要观察你的大脑在自动模式下是如何运作的，请看下面的图片。

图 1

当你注视这个女人的脸时，你的体验无缝地融合了我们通常所说的视觉感知和直觉思维。你看到年轻女人的头发是深色的，同时也迅速而确定地知道她很生气。此外，你的感知还延伸到了未来。你感觉这个女人马上就要说出一些非常刻薄的话，而且很可能会用响亮、尖锐的声音说出来。她接下来可能会做什么，你的脑海中自动且毫不费力地浮现出一种预感。

你并没有打算评估她的情绪，也没有打算预测她可能做什么；你对这幅图片的反应也不像是你主动做出的某种行为。它就这样发生在你身上。这就是快速思考的一个例子。

现在看看下面这个问题：

17 × 24

你立刻知道这是一个乘法问题，也很可能知道，即使不能心算，也可以用纸笔算出答案。你对可能的结果范围有一些模糊的直觉。你会很快意识到，12,609 和 123 都不太可能是正确答案。然而，如果不花一些时间计算，你无法确定答案不是 568。

一个精确的答案并没有立即浮现在脑海中，而且你感觉自己可以选择是否要进行计算。如果你还没有尝试，现在应该做一下这道乘法题，至少完成其中一部分。

当你一步步进行计算时，你体验到了慢速思考。首先，你从记忆中调取了在学校学过的乘法认知程序，然后执行它。完成计算需要付出努力。你必须在记忆中保持大量信息，既要记住自己进行到了哪一步、下一步要做什么，又要保留中间结果。

这个过程是一种心理劳动：有意识的、费力的、井然有序的——它是慢速思考的典型例子。计算不仅仅发生在你的头脑中，你的身体也参与其中。你的肌肉绷紧，血压升高，心率加快。如果有人仔细观察你计算时的眼睛，就会发现你的瞳孔扩大。当你结束计算——找到答案（顺便说一下，答案是 408），或者放弃时——你的瞳孔就会恢复到正常大小。

两个系统

几十年来，心理学家一直对由愤怒女人的图片和乘法问题所引发的两种思维模式非常感兴趣，并为它们提出了许多不同的称呼。我采用心理学家 Keith Stanovich 和 Richard West 最初提出的术语，将心智中的两个系统称为系统 1 和系统 2。

• 系统 1 自动且快速地运行，几乎不需要努力，也没有自主控制的感觉。
• 系统 2 将注意力分配给需要努力的心理活动，包括复杂的计算。系统 2 的运作通常伴随着主观上的能动感、选择感和专注感。

系统 1 和系统 2 这两个称呼在心理学中被广泛使用，但在本书中，我比大多数人更进一步。你可以把本书读成一部由两个角色共同出演的心理剧。

当我们思考自己时，我们认同的是系统 2：那个有意识、会推理的自我，它拥有信念、做出选择，并决定思考什么以及采取什么行动。尽管系统 2 认为自己才是行动的主角，但自动运行的系统 1 才是本书的主人公。

我将系统 1 描述为一个毫不费力地产生印象和感受的系统，而这些印象和感受正是系统 2 形成明确信念和做出有意识选择的主要来源。系统 1 的自动运作能够生成出人意料的复杂思想模式，但只有更缓慢的系统 2 才能按照有序的步骤构建思考过程。

我也会描述一些情形：系统 2 接管了控制权，压制系统 1 那些自由奔放的冲动和联想。你将被邀请把这两个系统想象成拥有各自能力、局限和功能的行动者。

系统 1 的例子

按照大致的复杂程度排列，以下是一些归属于系统 1 的自动活动：

• 发现一个物体比另一个物体距离更远。
• 转向突然发出声音的来源。（Orient to the source of a sudden sound.）
• 补全短语“面包和……”
• 看到可怕的图片时做出“厌恶的表情”。
• 从声音中察觉敌意。
• 回答 2 + 2 = ？
• 读出大型广告牌上的文字。
• 在空旷的道路上开车。
• 在国际象棋中找到一步强有力的棋着（如果你是国际象棋大师）。
• 理解简单的句子。
• 认识到“一个温和整洁、热爱细节的灵魂”与某种职业刻板印象相似。

所有这些心理事件都与那个愤怒的女人相关——它们会自动发生，几乎不需要努力。

系统 1 的能力包括我们与其他动物共有的先天技能。我们生来就具备感知周围世界、识别物体、转移注意力、避免损失以及害怕蜘蛛的准备。

其他心理活动则会通过长期练习变得快速而自动。系统 1 学会了思想之间的联想（法国的首都是哪里？）；它也学会了阅读，以及理解社会情境中的微妙之处。

有些技能，例如找到强有力的棋着，只有专业高手才能获得。另一些技能则被广泛共享。要识别一段人格描述与某种职业刻板印象之间的相似性，需要掌握广泛的语言和文化知识，而我们大多数人都具备这些知识。这些知识储存在记忆中，可以在没有意图、也不费力的情况下被提取。

上述心理活动中，有些是完全不由自主的 (involuntary)。你无法避免理解自己所使用语言中的简单句子，也无法阻止自己把注意力转向突然响起的巨大声音；你也无法阻止自己知道 2 + 2 = 4，或在听到“法国的首都”时想到巴黎。

另一些活动，例如咀嚼，可以受到意志控制，但通常会以自动驾驶的方式运行。注意力的控制由两个系统共同承担。转向巨大声音通常是系统 1 的不由自主的操作，它会立即调动系统 2 的自主注意力。

在拥挤的聚会上，你也许能够克制自己，不转头去看那个大声且冒犯性地发表评论的人。但即使你的头没有转过去，你的注意力最初仍会被吸引到那个声音上，至少会持续一段时间。不过，你可以通过集中精力关注另一个目标，把注意力从不想关注的事物上移开。

系统 2 的活动

系统 2 的各种活动虽然差异很大，但有一个共同特征：它们需要注意力，而且当注意力被转移时，就会受到干扰。以下是一些例子：

• 在赛跑中等待发令枪响。
• 将注意力集中在马戏团里的小丑身上。
• 在拥挤嘈杂的房间里，专注于某个人的声音。
• 寻找一个白头发的女人。
• 搜索记忆，以辨认一个令人惊讶的声音。
• 保持比你平时自然步行速度更快的速度。
• 监控自己在社交场合中的行为是否得体。
• 数一页文字中出现字母 a 的次数。
• 告诉别人你的电话号码。
• 将车停进狭窄的车位（对大多数人而言如此，车库管理员除外）。
• 比较两台洗衣机的总体性价比。
• 填写税务表格。
• 检查一个复杂逻辑论证的有效性。

在所有这些情境中，你都必须集中注意力。如果你没有做好准备，或者注意力被不恰当地引向其他地方，你的表现就会下降，甚至完全无法完成任务。

系统 2 具备一定能力，可以通过规划（programme）通常自动运行的注意力和记忆功能，改变系统 1 的工作方式。

例如，当你在繁忙的火车站等待亲人时，你可以主动让自己寻找一个白头发的女人或一个留胡子的男人，从而增加远距离发现亲人的可能性。你可以让记忆去搜索以 N 开头的首都，或法国存在主义作家的小说。当你在伦敦希思罗机场租车时，工作人员可能会提醒你：“这里靠左侧行驶。”

在这些情况下，你被要求做一些并不自然的事情，而你会发现，要持续维持这种状态，至少需要不断付出一些努力。

“集中注意力”（pay attention）这个常用短语非常恰当：你拥有一份有限的注意力预算，可以将它分配给不同的活动。如果你试图超出这份预算，就会失败。

费力活动的一个特征是它们会相互干扰，这也是为什么很难或不可能同时进行多个费力活动。你不可能一边在车流密集的路口左转，一边计算 17 × 24，而且你绝对不应该这样做。

你可以同时做几件事，但前提是这些事情简单且不需要太多努力。你大概可以一边在空旷的高速公路上开车，一边与乘客交谈。许多父母也许带着些许内疚地发现，他们可以一边给孩子读故事，一边思考其他事情。

每个人都对注意力的有限容量有所认识，我们的社会行为也会考虑到这些限制。例如，当汽车司机在狭窄道路上超越卡车时，成年乘客通常会很明智地停止交谈。他们知道分散司机的注意力不是好主意，而且也猜到司机暂时“聋了”，听不见他们说的话。

注意力导致的视而不见

高度集中于某项任务，可能使人实际上对某些刺激视而不见，即使这些刺激通常会吸引注意力。

最著名的演示来自 Christopher Chabris 和 Daniel Simons 的著作《看不见的猩猩》（The Invisible Gorilla）。他们制作了一部短片，画面中有两支队伍在传篮球：一队穿白色球衣，另一队穿黑色球衣。观看者被要求数出白队传球的次数，同时忽略黑队球员。

这个任务很难，也非常吸引注意力。视频播放到一半时，一个穿着大猩猩服装的女人出现在场上，穿过球场，捶打自己的胸口，然后离开。大猩猩在画面中出现了 9 秒。

成千上万的人看过这段视频，其中约有一半没有注意到任何异常。这种“视而不见”是由于对传球次数的计数任务，尤其是还要忽略其中一支球队的要求造成的。如果没有这个任务，观看视频的人不会错过大猩猩。

看见（seeing）和转向（？orienting）是系统 1 的自动功能，但它们依赖于将一定程度的注意力分配给相关刺激。研究作者指出，他们的研究中最令人惊讶的发现是：人们会对结果感到非常意外。那些没有看到大猩猩的观看者起初确信大猩猩根本不在画面中——他们无法想象自己竟然会错过如此明显的事件。

大猩猩实验说明了关于我们心智的两个重要事实：

1. 我们可能对显而易见的事物视而不见（blind to the obvious）。
2. 我们甚至意识不到自己正在视而不见（blind to our blindness）。

故事梗概（Plot Synopsis）

两个系统之间的互动是本书反复讨论的主题，因此有必要简要介绍一下故事情节。

在我将要讲述的故事中，只要我们处于清醒状态，系统 1 和系统 2 就都在活动。系统 1 自动运行，而系统 2 通常处于一种舒适、低努力的模式 (a comfortable low-effort mode) 中，只有一部分能力被调动起来。

系统 1 不断向系统 2 提出建议：印象、直觉、意图和感受。如果系统 2 认可这些建议，印象和直觉就会变成信念，冲动就会变成自主行动。

当一切顺利时——而大多数时候确实如此——系统 2 几乎不加修改地接受系统 1 的建议。你通常相信自己的印象，并按照自己的欲望行动，而这通常没有问题。

当系统 1 遇到困难时，它会请求系统 2 提供支持，以进行更详细、更具体的处理，从而解决眼前的问题。当出现一个系统 1 无法回答的问题时，系统 2 就会被调动起来，这很可能就是你遇到 17 × 24 这道乘法题时发生的情况。

当你感到惊讶时，也会体验到一阵有意识的注意力涌现 (a surge of conscious attention)。当某个事件违背了系统 1 所维持的世界模型时，系统 2 就会被激活。在那个世界里，台灯不会跳跃，猫不会吠叫，大猩猩也不会穿过篮球场。

大猩猩实验表明，要察觉令人惊讶的刺激，需要一定程度的注意力。惊讶随后会激活并引导你的注意力：你会盯着那个事件，并搜索记忆，试图找到一个能够解释它的故事。

系统 2 还负责持续监控自己的行为——这种控制让你在生气时保持礼貌，让你在夜间开车时保持警觉。当系统 2 察觉到一个错误即将发生时，它会被调动起来，付出更多努力。

回想一下，你曾经差点脱口而出一句冒犯性的话，然后努力恢复自我控制的经历。

总而言之，你（也就是你的系统 2）所思考和做的大多数事情都源自系统 1，但当事情变得困难时，系统 2 会接管，并且通常拥有最后的决定权。

系统 1 和系统 2 的分工非常高效：它减少了努力，并优化了表现。这种安排在大多数时候运行良好，因为系统 1 通常非常擅长自己的工作：它对熟悉情境的模型是准确的，对短期事件的预测通常也很准确，而它对挑战的初始反应迅速且大体恰当。

然而，系统 1 也存在偏差，即它在特定情境下容易犯的系统性错误。正如我们将看到的，它有时会回答一个比实际问题更容易的问题，而且对逻辑和统计学的理解很有限。

系统 1 的另一个局限是：它无法被随意关闭。如果屏幕上出现一个你认识的语言中的单词，你就会读出它——除非你的注意力完全集中在别的地方。

冲突

图 2 是一个经典实验的变体，它会制造两个系统之间的冲突。请先尝试完成这个练习，再继续阅读。

图 2

你几乎肯定能够在两项任务中说出正确的词语，而且你一定发现，每项任务中有些部分比其他部分容易得多。

当你识别大小写时，左栏很容易，而右栏会让你放慢速度，甚至结结巴巴。当你说出词语的位置时，左栏很难，而右栏则容易得多。

这些任务会调动系统 2，因为当你看到一列单词时，说出“大小写”或“左/右”并不是你平时惯常做的事情。

为了完成任务，你需要做的一件事，是对记忆进行预设（program），使相关词语（第一项任务中的“大写”和“小写”）处于“嘴边”。在第一栏中，优先处理选定的词语很有效，而抵抗阅读其他词语的轻微诱惑也相当容易。

但第二栏有所不同，因为它包含了那些你已经准备要说出的词语，你无法忽略它们。你大多能够正确回答，但克服相互竞争的反应需要努力，也会使你放慢速度。

你体验到了一种冲突：你有意执行的任务，与一个干扰它的自动反应发生了冲突。

自动反应与控制它的意图之间的冲突，在我们的生活中很常见。我们都熟悉这样的经历：努力不去盯着餐厅邻桌那对穿着奇怪的情侣。我们也知道，强迫自己专注于一本无聊的书是什么感觉——我们不断发现自己又回到了阅读失去意义的那个位置。

在冬季严寒的地方，许多司机都记得汽车在冰面上打滑、失去控制的经历，也记得自己努力遵循那些与自然反应相反的驾驶指令：“朝打滑方向打方向盘，无论如何都不要踩刹车！”

⚠️关于打滑时如何驾驶的现代建议 by Gemini 3.8

1. “朝打滑方向打方向盘”（Steer into the skid）—— 基本正确，但表述极易引起歧义

• 实际操作：如果车尾向左甩出（过度转向 / 甩尾），你应该将方向盘向左转，使前轮指向你真正想去的方向。
• 常见误区：很多人听到“朝打滑方向”会以为是“车头偏离的方向”，从而向相反方向反打，导致车辆剧烈打转（Spin）。因此，现代安全驾驶更推荐的记忆口诀是：眼睛看想去的路，方向盘就打向想去的方向。
• 关键要点：反打幅度必须适度且回正要快。一旦车身开始回正，若不及时回正方向盘，车辆会迅速向相反方向甩尾（产生“鱼尾摆”或“钟摆效应”）。
• 转向不足（推头）例外：如果打滑是车头推头（前轮失去抓地力，转方向盘车子直冲），此时继续往弯心多打方向盘毫无作用，反而应该稍微回正一点方向盘并收油，让前轮重新找回附着力。

2. “无论如何都不要踩刹车！”—— 严重过时且在现代车辆上是错误的

这一口诀源自几十年前没有 ABS（防抱死制动系统）的机械时代。当时如果一脚刹车踩死，车轮抱死失去抓地力，车辆会完全丧失转向能力，只能听天由命。

• 现代汽车（标配 ABS / ESP）：

  • 在发生紧急险情或失控时，正确的做法是果断、坚决地踩死刹车。ABS 会以每秒数十次的高频点刹防止车轮抱死，行车电脑（ESP/ESC）会通过对单个车轮独立施加制动力来强行纠正车身姿态。
  • 踩下刹车的同时，驾驶员依然可以转动方向盘避障。

• 仅有的例外：

  • 仅在轻微甩尾但车辆仍处于可控范围内时，可以“松开油门、暂不急踩重刹”，仅通过反打方向修正姿态。
  • 但一旦失去控制或即将碰撞，“不踩刹车”只会让车带着高速滑向障碍物。

现代冰雪路面失控处理指南

• 松开油门：切断动力输出，让车身重量自然前移。
• 视线指引方向：眼看逃生路线，方向盘柔和指向目标方向，车身修正时迅速回正。
• 踩死刹车（现代配有 ABS 的车）：如需减速或无法通过轻微反打救回，全力将刹车踏板踩到底，不要松开，也不要自己人工“点刹”，让 ABS 和车身稳定系统全功率工作，同时握稳方向盘修正轨迹。

每个人都有过忍住不对别人说“滚开”的经历。

系统 2 的任务之一，就是克服系统 1 的冲动。换句话说，系统 2 负责自我控制。

错觉

为了理解系统 1 的自主性，以及印象和信念之间的区别，请仔细观察图 3。

这幅图很普通：两条长度不同的水平线，末端带有朝不同方向的箭头。下面那条线显然比上面那条长。这是我们所有人都会看到的，也是我们自然会相信的。

不过，如果你以前见过这幅图，就会认出它是著名的缪勒 - 莱尔错觉 (Müller-Lyer illusion)。你可以很容易地用尺子测量它们，确认两条水平线实际上长度相同。

图 3

现在你已经测量过这两条线了，你——也就是你的系统 2，那个被你称为“我”的有意识存在——获得了一个新的信念：你知道两条线一样长。

如果有人问你它们的长度，你会说出自己知道的答案。但你仍然会把下面那条线看得更长。你选择相信测量结果，却无法阻止系统 1 按照自己的方式运作；你无法决定让自己把两条线看成一样长，尽管你知道它们确实一样长。

要抵抗这种错觉，你唯一能做的就是学会：当平行线末端带有箭头时，不要轻信自己对线条长度的直觉。

要执行这条规则，你必须能够识别出这种错觉模式，并回忆起自己对它的了解。如果你能做到这一点，就再也不会被缪勒 - 莱尔错觉欺骗。

但你仍然会看到其中一条线比另一条长。

并非所有错觉都是视觉上的。我们还存在思维上的错觉，也就是所谓的认知错觉 (cognitive illusions)。

我读研究生时，参加过一些关于心理治疗艺术与科学的课程。在其中一次讲座中，老师传授了一点临床智慧。他这样告诉我们：

你有时会遇到一位患者，他讲述了自己在以往治疗中犯下的一连串令人不安的错误。他曾被几位临床医生接诊，但所有人都辜负了他。患者能够清晰地描述治疗师是如何误解他的，但他很快就察觉到你与他们不同。你也有同样的感觉，相信自己理解他，并且能够帮助他。

讲到这里，老师提高了声音：

千万不要考虑接收这位患者！把他赶出诊室！他很可能是一个精神变态者 (psychopath^[1])，而你无法帮助他。

许多年后，我了解到，老师是在提醒我们警惕精神变态者的魅力，而研究精神变态的权威人士也证实了老师的建议是有道理的。

这与缪勒 - 莱尔错觉非常相似。我们所学的并不是应该如何看待那位患者。老师理所当然地认为，我们对患者产生的同情并不受自己的控制；这种同情会源自系统 1。

此外，我们也不是被教导要普遍怀疑自己对患者的感受。我们被告知的是：一个有反复治疗失败经历的患者，如果让你产生强烈的吸引力，这就是一个危险信号——就像平行线末端的箭头一样。

这是一种认知错觉，而我（系统 2）被教导如何识别它，并被建议不要相信它，也不要据此采取行动。

人们最常提出的关于认知错觉的问题，是它们能否被克服。上述例子传达的信息并不令人乐观。

由于系统 1 自动运行，无法随意关闭，因此直觉思维中的错误往往很难预防。偏差并不总能被避免，因为系统 2 可能根本没有意识到错误的存在。

即使有迹象提示可能出现错误，也只有通过系统 2 加强监控、付出更多努力，才能防止错误。

然而，作为一种生活方式，持续保持警惕并不一定是好事，而且肯定不切实际。不断质疑自己的思维会令人难以忍受地疲惫，而系统 2 过于缓慢、效率过低，无法替代系统 1 来处理日常决策。

我们能做的最好选择是一种折中方案：学会识别容易犯错的情境，并在事情事关重大时，更加努力地避免严重错误。

本书的前提 (premise) 是：识别他人的错误，比识别自己的错误更容易。

有用的虚构

我们已经被邀请把这两个系统想象成心智中的行动者，各自拥有独特的性格、能力和局限。

我经常会使用这样的句子：“系统 2 计算乘积。”

在我所处的专业圈子里，这种语言被认为是一种错误，因为它似乎是在用一个人头脑中的小人，来解释这个人的思想和行动。

我的同事会指出，“管家偷走零钱”这句话在语法上与“系统 2 计算乘积”相似。管家的行为确实解释了现金为什么消失，而他们合理地质疑：关于系统 2 的那句话，是否真的解释了乘积是如何被计算出来的？

我的回答是：将计算归因于系统 2 的那句简短主动句，意图是进行描述，而不是解释。

它之所以有意义，只是因为你已经了解系统 2。它是下面这段话的简写：

心算是一种需要自主进行的活动，需要付出努力，不应该在左转时进行，而且伴随着瞳孔扩大和心率加快。

同样，“在常规条件下，高速公路驾驶由系统 1 负责”意味着：沿着弯道转动方向盘是一种自动的、几乎不费力的活动。它还意味着，有经验的司机可以在空旷的高速公路上开车，同时进行交谈。

最后，“系统 2 阻止了詹姆斯对侮辱做出愚蠢的反应”意味着：如果他进行费力控制的能力受到干扰，例如喝醉了，他的反应就会更加具有攻击性。

系统 1 和系统 2 对我在本书中讲述的故事如此重要，以至于我必须明确说明：它们是虚构的人物。

系统 1 和系统 2 并不是通常意义上的系统，不是由相互作用的实体或部分构成的系统。大脑中也不存在某个部分，可以被这两个系统中的任何一个称为自己的家。

你可能会问：为什么要在一本严肃的书中引入两个名字难听的虚构人物？

答案是：这些人物之所以有用，是因为我们的心智——你的和我的——存在一些奇特之处（quirks）。

如果一句话描述某个行动者（系统 2）做了什么，而不是描述某个事物是什么、具有什么属性，那么这句话会更容易理解。

换句话说，“系统 2”比“心算”更适合作为句子的主语。

心智，尤其是系统 1，似乎特别擅长构建和理解关于主动行动者的故事。这些行动者拥有性格、习惯和能力。

你很快就会对那个偷窃的管家形成坏印象，期待他做出更多坏事，并且会记住他一段时间。这也是我希望通过系统的语言实现的效果。

为什么称它们为系统 1 和系统 2，而不是更具描述性的“自动系统”和“费力系统”？

原因很简单：“自动系统”说起来比“系统 1”花的时间更长，因此会占用更多工作记忆空间。而这很重要，因为任何占据工作记忆的东西，都会降低你的思考能力。

你应该把“系统 1”和“系统 2”当作昵称，就像 Bob 和 Joe 一样，用来指代你将在本书中逐渐熟悉的两个角色。

这些虚构的系统使我更容易思考判断与选择，也会让你更容易理解我的论述。

关于系统 1 和系统 2 的说法

“他产生了一个印象，但他的某些印象是错觉。”

“这是一个纯粹的系统 1 反应。她在意识到威胁之前，就已经做出了反应。”

“这是你的系统 1 在说话。慢下来，让你的系统 2 接管控制权。”

---

1. a** person suffering from a serious mental illness that causes them to behave in a violent way towards other **people ↩︎

因为这学期早八多
所以暂且立一个十一点之前躺到床上的 flag
希望能实现

---

浑浑噩噩地度过了一天
但自己都能意识到精神无时无刻不高度紧张
现在异常平静 也可能是崩溃够了于是开始麻木了

有两个想法：一，先有不完美的，再去追求完美的。不完美是完美的准备阶段。二，要能扛住事，不要提前动员。事情还有长的时间，就不动员。到了临事的关头，再动员。如果不该动员的时候动员了，总体上还是会疲惫。什么是动员？我觉得就是精神上紧张，做很多心理建设，反复推演。早早地把自己动员起来，总是要捏一把汗，或者提心吊胆一波。虽说事情结束后会如释重负，但是长时间精神紧张，事后会觉得没必要太大负担。

我也非常喜欢！非常喜欢这几首！
第二章的音乐总是让我幻听到果冻里穿梭的音效 后面的追逐战也非常紧张刺激 醒来的那一段钢琴好平静 记得第二章蓝心处 写着一句诗

Awake, my heart is a fortress. In dreams I am vulnerable.

第五章寺庙的音乐 我也曾经试着弹了一下 和它的名字一样 quiet
就像沉入大洋底部

镜中世界，充满了不安，这部分音乐给我的印象也很深刻。正如 theo 见证了 madeline 一样，我的 5a 金也是在直播时好友的见证下炼成的

第七章 向山顶重新出发的时候，旋律唤起了一路上的记忆 不知道我何时才能和 madeline 一样登上属于我自己的 celeste 山顶呢？

另外除了这部分音乐 我还特别喜欢第九章的音乐，虽然我只能磕磕绊绊地通过这一高难度章节🫠

那段时间只要在做可以听音乐的事情时 我都在循环地听 哪怕是睡觉也让它们在一旁播放 我已经感觉到它们成为了我那段生活里的 bgm，直到现在再次听它们的时候 闭上双眼还是会感觉回到了那些日子

蔚藍是最棒的遊戲，我太愛這的音樂了，休學前後玩了好久，感覺算是支持我活下去的動力（？）每次聽都會感覺回到了那段時間，儘管那些時候很痛苦，但伴隨著這些 bgm 的時候都是平靜的

Celeste Original Soundtrack - Lena Raine

清华数学系主任刘思齐的评价

非常满意的一顿饭😋
博多天一的和牛寿喜烧定食 + 江西鲲茶的客家米酿（感觉和卡旺卡的徽州酒酿有点像 都很好喝）

他专门给这种科幻尤其是轮回作品写曲子的，他是 5pb 社长。。。虽然其实挺多人批评他作曲挺流水线的（我也觉得寒蝉曲子不错

寒蝉卒/业虽然烂到头了，但几首 op/ed 我真的很喜欢

I believe what you said
神様のシンドローム
不規則性エントロピー
Analogy
Missing Promise

顺带一提我觉得志仓千代丸好厉害呀，见过他的名字很多次，虽然没有深入了解过 (

21-22 年那片每晚坐等寒蝉业，老期待了

先简单埋个坑 具体细节如原名配图等后面补上

Neon Genesis Evangelion / Rebuild of Evangelion Series

• THANATOS
• come, sweet death
• Good, or don't be
• THE HEADY FEELING OF FREEDOM
• LOVE ANTIQUE
• 魂之轮回
• F02 verison 0706
• paris
• 心*原始*戾
• hand of fate
• You are the only one

不得不说 EVA 系列的配乐真的每一个音符都写在我心头上了，能坚持给每部作品都录原创管弦配乐的商业片真的不多

Steins; Gate Series

• Hacking to the Gate
• 天空复层的观测者

只记得当时每看几集再听这个 OP 感觉都不一样，燃但不止于燃

Fate

• 运命之夜

已经不记得是哪出现的了但川井宪次永远不会让我失望

Devilman Crybaby

• MAN HUMAN

迷幻但好听的曲子！

CHAINSAWMAN

• Time Lapsed

Zutomayo 的爵士味编曲我真的爱了 虽然到现在也没看过这片子

Cowboy Bebop

• OST 全部收录曲目

最后放个菅野洋子老师著名作品 全体起立！

命运石之门

传说中永远成功的二次元神作。不过我个人感觉这个时间穿越的 idea 并不是那么的 innovative，即便放在十几年前。不过这个作品出现了小药娘，我感觉在十几年前还是相当前卫的。助手非常好女人。虽然这个番我是两倍速看的，但是 bgm 依然给我留下了非常深的印象。非常好音乐。没玩过游戏。

Gate of steiner
Believe Me
前者是主题曲，后者是变奏版本，一个激昂一个舒缓，各有味道，传达出迥异的情感。非常好旋律。应该是有多种变奏版本。
Christina
这首应该分为 I 和 II，乐器有所不同，都非常不错。助手的个人曲。
别れ
告别、伤感时候的 bgm。旋律非常不错。一开始我常常和上面几首搞混。淡淡的忧郁。

我准备将人世的暗影毫不顾忌地往你头上掷去。不得害怕。一定要定睛逼视阴暗物，从中抓取对你有参考价值的东西。—夏目漱石《心》
大一新生开学一个月才知道这个论坛，我也是服了自己了
看到郝景芳的《北京折叠》最初就是发表在水木清华 bbs 上，想着这里有没有机会提供类似的土壤。然而我是要失望了，粗游一圈，这里就像《骆驼祥子》的大杂院，除了自由与希望，什么都有。应该这里是你交顶尖学生止步之所？我们这个国家近年来愈来愈多的压抑和悲观，在这里俯视皆是。人文精神淡泊的同学们鱼贯进入罐头工厂的模版，被现实、体制压成一个又一个，香喷喷的，C9 罐头。
你交面试时，对面的教授问我：“你最大的挫折？”我答：“出现在你面前。”
人生只有一次，而我在最关键的十字路口遭遇滑铁卢。身边的高中同学成群结队飞去清北复交，他们是有福的，脸上燃放着生的喜悦，生命的火焰。人生中最美好的一段微笑着，向他们敞开胸怀。而我侧身立在至深的黑暗中，仿佛也歃享了强者的幸福。
大多数人一生不过只是在偷享别人的幸福。
我曾坚信自己一定可以是 SJTUer，直到高考放榜。
我是个懦夫，放榜时，我在劝说下放弃了复读。报志愿时，我在“我爱国，国不爱我”的作祟下放弃了北航，在数学无前途的作祟下放弃了南开。
于是最后我将自己带到了这里，这个伟大的废墟，西安。
世界线变动。
如果用我最喜欢的日漫之一 Steins Gate 中的台词说，我现在的生活，无疑是我先前设想中“最糟最烂的世界线”。现在，我只能站在这里，铁灰的天幕下，独自揣测那另一侧，我本可以抵达的世界线，究竟是什么模样。
向那铁幕另一侧，我永远无法到达的真实，无望的伸出手。
我怯懦的选择，使我只能像《四世同堂》中所说的那样，“像被奸污的寡妇似的苟活”
周作人，当了汉奸的鲁迅之弟，有一本散文集《自己的园地》，他的内心也是如此，不管外界风浪如何，总有一方安静的自留地供他退守。
而鲁迅，则会毫不犹豫地将这最后园地砸的稀烂。
这是周氏兄弟耐人寻味的差异。周作人待人待己总留三分，活的轻松。鲁迅苛己苛人不留余地，早早逝世。其母在儿子去世时说：“这是被气死的。”周作人何时发过脾气？所以长寿。
然而，在痛苦与虚无之间，我选择痛苦。
我永远不会原谅自己，即便日后功成名就，我也会牢记着这份失望、耻辱、痛苦，插着这三面小旗躺入坟墓。
一件事情开错了头，它可能会变好，但永远不会变对。
我在内心深处并不喜欢数学与物理，在那里我看不见灵魂的寄托。很早以前我就从纯纯的理科生毕业了，我不爱数理，却每天废寝忘食地学习它们。我热爱我们的国家，却避开为国效力的捷径。我来到这里，归根到底是贪图未来摆烂的大饼。
早看过很多大学中学化的报道，但只能说现实比想象更魔幻。在西交，我看见很多人在各向的道路上大放异彩，也有很多人依然在单向度的评价道路上匍匐前进，浑浑噩噩，让我想到毛姆对《庄子》中一句的翻译：
他们的行动全都像快马奔驰，没有什么力量能使他们止步，这不是很可悲吗！他们终身承受役使却看不到自己的成功，一辈子困顿疲劳却不知道自己的归宿，这能不悲哀吗？
而我的归宿，又在何处？

小朋友你想学啥啊，你都从理科生毕业了，那就是学文？不如来做 galgame 吧，中国缺少一部像命运石之门一样的作品，比清北罐头们强多了

附录 A:不确定性下的判断：启发法与偏差

阿莫斯·特沃斯基与丹尼尔·卡尼曼

许多决策都建立在关于不确定事件可能性的信念之上，例如选举结果、被告是否有罪，或美元的未来价值。这些信念通常以诸如"我认为……""可能……""不太可能……"之类的陈述来表达。有时，关于不确定事件的信念会以赔率或主观概率的数字形式表达。是什么决定了这些信念？人们如何评估不确定事件的概率或不确定量的数值？本文表明，人们依赖于数量有限的启发式原则，将评估概率和预测数值这类复杂任务简化为更简单的判断操作。总体而言，这些启发法相当有用，但有时会导致严重且系统性的错误。

对概率的主观评估类似于对物理量 (如距离或大小) 的主观评估。这些判断都基于效度有限的数据，并按照启发式规则进行处理。例如，物体的表观距离部分取决于其清晰度。物体看起来越清晰，似乎就越近。这条规则有一定的合理性，因为在任何给定场景中，较远的物体确实比较近的物体显得不那么清晰。然而，依赖这条规则会导致距离估计上的系统性误差。具体来说，当能见度差时，由于物体轮廓模糊，距离常被高估;而当能见度好时，由于物体看起来清晰，距离常被低估。因此，依赖清晰度作为距离的指标会导致常见的偏差。这类偏差在概率的直觉判断中同样存在。本文描述了三种用于评估概率和预测数值的启发法，列举了这些启发法所导致的偏差，并讨论了这些观察结果在应用和理论上的意义。

代表性

人们所关心的许多概率性问题都属于以下类型之一：对象 A 属于类别 B 的概率是多少？事件 A 源自过程 B 的概率是多少？过程 B 将产生事件 A 的概率是多少？在回答这类问题时，人们通常依赖代表性启发法，即通过 A 与 B 相似的程度——也就是 A 在多大程度上代表 B——来评估概率。例如，当 A 高度代表 B 时，A 源自 B 的概率被判断为高;反之，如果 A 与 B 不相似，A 源自 B 的概率则被判断为低。

为说明按代表性判断的现象，考虑一位曾被前邻居这样描述的人:"史蒂夫非常害羞、内向，总是乐于助人，但对他人或现实世界兴趣不大。他为人温顺整洁，需要秩序和条理，并对细节有着执着的热情。"人们如何评估史蒂夫从事某一特定职业 (例如农民、推销员、飞行员、图书管理员或医生) 的概率？人们又如何按可能性从高到低排列这些职业？按照代表性启发法，史蒂夫是图书管理员的概率是通过他与图书管理员这一刻板印象相似或相符的程度来评估的。事实上，针对此类问题的研究表明，人们按概率和按相似度对这些职业进行排序的结果完全一致。¹这种概率判断方式会导致严重的错误，因为相似性或代表性并不受几个本应影响概率判断的因素的影响。

对结果先验概率不敏感。 对代表性没有影响、但对概率应有重大影响的因素之一是结果的先验概率，即基础比率频率。以史蒂夫为例，人口中农民远多于图书管理员这一事实，理应影响我们对史蒂夫是图书管理员而非农民这一概率的合理估计。然而，基础比率的考量并不影响史蒂夫与图书管理员、农民刻板印象之间的相似度。因此，如果人们通过代表性来评估概率，先验概率就会被忽略。这一假设在一项操纵先验概率的实验中得到了验证。²被试观看了若干人物的简要性格描述，据称这些描述是从 100 名专业人员——工程师和律师——组成的群体中随机抽取的。要求被试对每份描述评估其属于工程师而非律师的概率。在一个实验条件下，告知被试该群体由 70 名工程师和 30 名律师组成;在另一条件下，告知被试该群体由 30 名工程师和 70 名律师组成。在工程师占多数的第一种条件下，任一描述属于工程师而非律师的赔率理应高于律师占多数的第二种条件。具体而言，运用贝叶斯法则可以证明，对每份描述而言，这两种赔率之比应为 (.7/.3)²,即 5.44。然而，与贝叶斯法则严重相悖的是，两种条件下的被试给出的概率判断基本相同。显然，被试是通过某份描述在多大程度上代表这两种刻板印象来评估其属于工程师而非律师的可能性，而几乎不顾及这两个类别的先验概率。

在没有其他信息时，被试能够正确运用先验概率。在没有性格描写的情况下，他们在两种基础比率条件下分别将某未知个体是工程师的概率判断为.7 和.3。然而，一旦给出描述，先验概率实际上就被忽视了，即使这份描述完全没有信息量。对以下描述的反应说明了这一现象:

迪克是一名 30 岁的男性。已婚，没有孩子。能力强、上进心强，在其领域很有可能取得成功。深受同事喜爱。

这份描述本意是不传递任何与迪克是工程师还是律师这一问题相关的信息。因此，迪克是工程师的概率理应等于该群体中工程师所占的比例，就如同没有给出任何描述一样。然而，无论所述工程师比例是.7 还是.3，被试都将迪克是工程师的概率判断为.5。显然，人们在没有证据和拥有无价值证据这两种情况下的反应是不同的。当没有具体证据时，先验概率被恰当地运用;而当给出的是无价值的证据时，先验概率则被忽略。³

对样本量不敏感。 为评估从特定总体中抽取的样本获得某一特定结果的概率，人们通常运用代表性启发法。也就是说，他们通过某一样本结果 (例如，十名男性随机样本的平均身高为 6 英尺) 与相应总体参数 (即男性总体的平均身高) 的相似程度来评估该结果的可能性。样本统计量与总体参数之间的相似性并不取决于样本量的大小。因此，如果概率是通过代表性来评估的，那么样本统计量的判断概率实际上将与样本量无关。事实上，当被试评估各种样本量下平均身高的分布时，他们给出的分布完全相同。例如，对于 1000 人、100 人和 10 人的样本，平均身高超过 6 英尺的概率被赋予了相同的数值。⁴此外，即使问题的表述中强调了样本量的作用，被试仍未能领会其重要性。请看以下问题:

某镇有两家医院提供服务。在较大的医院里，每天大约有 45 个婴儿出生;在较小的医院里，每天大约有 15 个婴儿出生。众所周知，所有婴儿中约有 50% 是男孩。然而，这一确切比例每天都会有所变化，有时高于 50%,有时低于 50%。

在为期一年的时间里，两家医院分别记录了男孩出生比例超过 60% 的天数。你认为哪家医院记录到的这类天数更多？

较大的医院 (21)
较小的医院 (21)
大致相同 (即相差在 5% 以内)(53)

括号中的数值是选择每个答案的大学生人数。

大多数被试判断在小医院和大医院中，男孩比例超过 60% 的概率是相同的，这大概是因为这两个事件由相同的统计量描述，因此对总体而言同样具有代表性。相比之下，抽样理论表明，男孩比例超过 60% 的天数的期望值在小医院要远高于大医院，因为大样本偏离 50% 的可能性较小。这一统计学的基本概念显然并不属于人们直觉的一部分。

在事后概率 (即样本来自某一总体而非另一总体的概率) 的判断中，也报告了类似的对样本量不敏感的现象。请看以下例子:

设想一个装满球的罐子，其中 2/3 是一种颜色，1/3 是另一种颜色。某人从罐子中抽取了 5 个球，发现 4 个是红色，1 个是白色。另一人抽取了 20 个球，发现 12 个是红色，8 个是白色。这两人中，谁应该更有信心认为罐子中 2/3 是红球、1/3 是白球，而非相反？每人应给出怎样的赔率？

在这一问题中，假设先验概率相等，正确的事后赔率对于 4:1 的样本是 8 比 1，对于 12:8 的样本是 16 比 1。然而，大多数人认为第一个样本为"罐子以红球为主"这一假设提供了更强的证据，因为第一个样本中红球的比例更大。此处，直觉判断再次被样本比例所主导，而基本不受样本量的影响，尽管样本量在实际事后赔率的确定中起着关键作用。⁵此外，直觉估计的事后赔率远不如正确值那样极端。这种对证据影响力的低估在此类问题中被反复观察到。⁶这被称为"保守性"。

对可能性的误解。 人们期望由随机过程产生的一系列事件即使在序列很短的情况下，也能体现该过程的本质特征。例如，在考虑硬币正反面的连续投掷时，人们认为 H-T-H-T-T-H 这一序列比看起来不随机的 H-H-H-T-T-T 序列更有可能出现，也比不能体现硬币公平性的 H-H-H-H-T-H 序列更有可能出现。⁷因此，人们期望该过程的本质特征不仅在整个序列中整体呈现，也在序列的每个局部呈现。然而，局部具有代表性的序列会系统性地偏离可能性的预期：它包含过多的交替，而"连"过少。对局部代表性的这种信念还导致了众所周知的赌徒谬误。例如，在观察到轮盘赌中连续多次出现红色后，大多数人错误地认为黑色现在"应该"出现了，大概是因为出现黑色会产生比再次出现红色更具代表性的序列。人们通常将可能性视为一种自我纠正的过程，即一个方向上的偏差会引发相反方向上的偏差以恢复平衡。事实上，随着可能性过程的展开，偏差并不会被"纠正",它们只是被稀释了。

对可能性的误解并不局限于未经训练的被试。一项针对经验丰富的研究心理学家统计直觉的研究⁸揭示了一种挥之不去的信念，可称之为"小数定律",即认为即使是小样本也高度能代表其所抽取的总体。这些研究者的反应体现出这样一种预期：一个有效的总体假设将通过样本中具有统计显著性的结果得到体现，而几乎不考虑样本量的大小。因此，这些研究者对小样本的结果过于信任，严重高估了此类结果的可重复性。在实际研究工作中，这种偏差导致人们选择规模不足的样本，并对研究发现过度解读。

对可预测性不敏感。 人们有时需要对诸如某只股票的未来价值、某种商品的需求量或某场足球比赛的结果等做出数值预测。这类预测常常是通过代表性来做出的。例如，假设给出某公司的描述，并要求预测其未来利润。如果该公司的描述非常正面，那么极高的利润将显得最能代表这一描述;如果描述平平，那么平平的业绩表现将显得最具代表性。描述的正面程度并不受该描述可靠性或其所能支持的准确预测程度的影响。因此，如果人们完全根据描述的正面程度进行预测，那么他们的预测将不受证据可靠性以及预测预期准确度的影响。

这种判断方式违背了规范的统计理论，该理论认为预测的极端程度和范围应由可预测性的考量来控制。当可预测性为零时，所有情况都应做出相同的预测。例如，如果关于公司的描述不提供任何与利润相关的信息，那么所有公司都应被预测为相同的数值 (如平均利润)。当然，如果可预测性是完美的，那么预测值将与实际值相匹配，预测的范围将等于结果的范围。一般来说，可预测性越高，预测值的范围就应越宽。

多项数值预测研究表明，直觉预测违反了这一规则，被试对可预测性的考量几乎没有或完全没有体现。⁹在其中一项研究中，向被试展示了若干段落，每段描述一名实习教师在某次试讲中的表现。一些被试被要求以百分位分数评估段落中所描述课程的质量 (相对于特定群体而言)。另一些被试则被要求同样以百分位分数预测每位实习教师在 5 年后的地位。在这两种条件下做出的判断完全相同。也就是说，对遥远标准 (教师 5 年后的成功程度) 的预测，与对做出预测所依据信息 (试讲的质量) 的评估完全一致。做出这些预测的学生无疑清楚，基于 5 年前一次试讲对教学能力的预测其效度是有限的;然而，他们的预测和他们的评估一样极端。

正确性（validity）错觉。 如前所述，人们常常通过选择与输入 (例如某人的描述) 最具代表性的结果 (例如某种职业) 来进行预测。他们对预测的信心主要取决于代表性的程度 (即所选结果与输入信息之间的匹配质量),而几乎不考虑限制预测准确性的因素。因此，当给出的人物性格描述与图书管理员的刻板印象相符时，即使这份描述很简略、不可靠或已过时，人们仍会对"此人是图书管理员"这一预测抱有很高的信心。由预测结果与输入信息之间良好匹配所产生的这种毫无根据的信心，可称为正确性错觉。即使判断者意识到限制其预测准确性的因素，这种错觉依然存在。一个常见的现象是，进行选拔面试的心理学家常常对自己的预测抱有相当大的信心，即便他们清楚大量文献已表明选拔面试是相当不可靠的。尽管临床面试的不足已被反复证明，但人们在选拔中仍持续依赖它，这充分证明了这种效应的强大。

输入模式的内部一致性是决定人们对基于这些输入的预测抱有多大信心的一个主要因素。例如，人们对预测一名第一学年成绩全部为 B 的学生的最终平均绩点更有信心，而对预测一名第一学年成绩中既有很多 A 又有很多 C 的学生的平均绩点则信心较低。高度一致的模式最常出现在输入变量高度冗余或相关的情况下。因此，人们往往对基于冗余输入变量的预测抱有很大信心。然而，相关统计学中一个基本的结果表明，在输入变量正确性已知的情况下，当这些变量相互独立时，基于多个此类输入所做的预测能达到比它们相关或冗余时更高的准确度。因此，输入之间的冗余在提高信心的同时降低了准确度，人们常常对很可能出错的预测抱有信心。¹⁰

对回归的误解。 假设对一大群儿童进行了两个等效版本的能力测试。如果从其中一个版本表现最好的儿童中选出十名，通常会发现他们在另一个版本上的表现有些令人失望。反之，如果从其中一个版本表现最差的儿童中选出十名，通常会发现他们在另一版本上的表现平均而言有所提高。更一般地说，考虑两个具有相同分布的变量 X 和 Y。如果选取 X 平均得分偏离 X 均值 k 个单位的个体，那么这些个体 Y 得分的平均值偏离 Y 均值的程度通常会小于 k 个单位。这些现象说明了一种被称为"回归均值"（regression toward the mean）的普遍现象，这一现象最早由高尔顿在 100 多年前记录下来。

在日常生活中，人们会遇到许多回归均值的实例，例如在比较父子身高、夫妻智力，或个人在连续考试中的表现时。然而，人们并未由此形成关于这一现象的正确直觉。首先，在许多本应发生回归的情境中，人们并未预期它会发生。其次，当人们确实注意到回归的发生时，常常会为其编造出虚假的因果解释。¹¹我们认为，回归现象之所以难以被理解，是因为它与这样一种信念不相容，即认为预测结果应最大程度地代表输入，因此结果变量的取值应与输入变量的取值同样极端。

未能认识到回归的重要性可能带来有害的后果，以下观察就说明了这一点。¹²在一次关于飞行训练的讨论中，经验丰富的教官指出，对一次异常平稳的着陆给予表扬后，下一次着陆往往表现较差;而对一次糟糕着陆给予严厉批评后，下一次往往会有所改善。教官们由此得出结论：口头奖励不利于学习，而口头惩罚则有益，这与公认的心理学理论相悖。这一结论是站不住脚的，因为其中存在回归均值的现象。正如其他重复测试的情形一样，即便教官对学员第一次的表现没有做出任何反应，糟糕的表现之后通常也会出现改善，而出色的表现之后通常也会出现下滑。由于教官在着陆良好后给予表扬，在着陆糟糕后给予训斥，他们便得出了这样一个错误且可能有害的结论：惩罚比奖励更有效。

因此，未能理解回归效应会导致人们高估惩罚的有效性，低估奖励的有效性。在社会交往以及训练中，通常在表现良好时给予奖励，在表现不佳时给予惩罚。仅由于回归的作用，行为最有可能在惩罚之后改善，也最有可能在奖励之后恶化。因此，仅凭偶然性，人在惩罚他人后最常获得回报，在奖励他人后却最常受到惩罚。人们通常并未意识到这种关联性。事实上，回归在决定奖惩表面效果方面所起的隐蔽作用，似乎一直未被这一领域的研究者所注意。

可得性

在某些情况下，人们通过将实例或事件带入脑海的难易程度来评估某一类别的频率或某一事件的概率。例如，人们可能通过回忆自己熟人中发生心脏病的情况来评估中年人患心脏病的风险。同样，人们也可能通过设想某项商业投资可能遇到的各种困难来评估其失败的概率。这种判断性启发法被称为可得性。可得性是评估频率或概率的有用线索，因为大类别的实例通常比小类别的实例被回忆得更好、更快。然而，可得性还受到频率和概率之外其他因素的影响。因此，依赖可得性会导致可预测的偏差，以下将说明其中一些。

由实例可提取性导致的偏差。 当某一类别的规模是通过其实例的可得性来判断时，一个实例容易被提取的类别会显得比一个频率相同但实例较难提取的类别更为庞大。在一项对这种效应的基本演示中，被试听到一份包含男女双方知名人物的名单，随后被问及该名单中男性姓名是否多于女性姓名。不同的被试组接收到不同的名单。在部分名单中，男性相对而言比女性更为知名;在另一些名单中，女性相对而言比男性更为知名。在每份名单中，被试都错误地判断拥有更知名人物的那个类别 (性别) 人数更多。¹³

除了知名度之外，还有其他因素，如显著性，也会影响实例的可提取性。例如，亲眼目睹一栋房屋失火对火灾主观概率的影响，可能大于阅读当地报纸上关于火灾报道的影响。此外，近期发生的事件相对于早先发生的事件，可能更容易被提取。一个常见的经历是，当人们看到路边一辆翻倒的汽车时，交通事故的主观概率会暂时上升。

由搜索集（search set）有效性导致的偏差。 假设从一篇英文文本中随机抽取一个词 (三个字母或更多)。这个词以 r 开头的可能性更大，还是 r 作为第三个字母出现的可能性更大？人们通过回忆以 r 开头的词 (如 road) 和第三个字母是 r 的词 (如 car),并根据两类词浮现脑海的难易程度来评估其相对频率来处理这一问题。由于按首字母搜索单词要比按第三个字母搜索容易得多，大多数人判断以某个特定辅音字母开头的单词比该辅音字母出现在第三位的单词更多。即使是对于 r 或 k 这类实际上在第三位出现频率高于首位的辅音，人们也是如此判断。¹⁴

不同的任务会引发不同的搜索集。例如，假设要求你评价抽象词 (如 thought、love) 和具体词 (如 door、water) 在书面英语中出现的频率。回答这个问题的一种自然方式是搜索该词可能出现的语境。人们似乎更容易想到提及抽象概念的语境 (如爱情故事中的 love),而较难想到提及具体词 (如 door) 的语境。如果单词的判断频率是由其出现语境的可得性决定的，那么抽象词相对于具体词就会被判断为出现得更为频繁。这种偏差在最近的一项研究中得到了观察¹⁵,该研究表明，在客观频率相等的情况下，抽象词的判断出现频率远高于具体词。抽象词也被判断为出现在种类远为丰富的语境中。

想象性偏差。 有时需要评估某一类别的频率，而该类别的实例并未存储在记忆中，却可以根据给定规则生成。在这种情况下，人们通常会生成若干实例，并通过构建相关实例的难易程度来评估频率或概率。然而，构建实例的难易程度并不总能反映其实际频率，这种评估方式容易产生偏差。为说明这一点，考虑一组 10 人组成不同规模的委员会，人数 k 满足 2≤k≤8。可以组成多少种不同的 k 人委员会？这个问题的正确答案由二项式系数 (10 选 k) 给出，当 k=5 时达到最大值 252。显然，k 人委员会的数量等于 (10-k) 人委员会的数量，因为任何一个 k 人委员会都对应唯一确定一组 (10-k) 人的非成员。

一种无需计算即可回答这个问题的方法，是在脑海中构建 k 人委员会，并通过它们浮现脑海的难易程度来评估其数量。人数较少的委员会，比如 2 人，比人数较多的委员会，比如 8 人，更容易被想到。构建委员会最简单的方案是将该群体划分为若干不相交的集合。人们很容易看出，构建五个互不相交的 2 人委员会很容易，而构建甚至两个互不相交的 8 人委员会都是不可能的。因此，如果频率是通过想象性，即构建的可得性来评估的，那么小委员会就会显得比大委员会更多，这与正确的钟形函数正好相反。事实上，当未经训练的被试被要求估计各种规模委员会的数量时，他们的估计是随委员会规模递减的单调函数。¹⁶例如，2 人委员会数量的估计中位数为 70，而 8 人委员会的估计为 20(两者的正确答案均为 45)。

想象性在现实情境中概率的评估中扮演着重要角色。例如，一次冒险远征所涉及的风险，是通过设想该远征无力应对的各种突发状况来评估的。如果人们生动地描绘出许多此类困难，该远征就会显得异常危险，尽管设想灾难的难易程度未必能反映其实际发生的可能性。反之，如果某些潜在的危险难以想到，或者根本没有浮现脑海，那么某项事业所涉及的风险可能会被严重低估。

虚假相关（Illusory correlation）。 查普曼夫妇¹⁷描述了一种在判断两个事件共同发生频率时出现的有趣偏差。他们向未经训练的判断者展示了若干假设精神病患者的信息。每位患者的数据包括临床诊断和该患者所画的一幅人物画。随后，判断者估计每种诊断 (如偏执或多疑) 伴随画作各种特征 (如奇特的眼睛) 出现的频率。被试明显高估了自然联想物 (如多疑与奇特眼睛) 共同出现的频率。这一效应被称为虚假相关。在他们对所接触数据做出的错误判断中，未经训练的被试"重新发现"了许多关于画人测验解读的常见但毫无根据的临床说法。虚假相关效应对相反的数据具有极强的抵抗力。即使症状与诊断之间的实际相关性为负，这种效应依然存在，并且它妨碍了判断者发现实际存在的关系。

可得性为虚假相关效应提供了一种自然的解释。对两个事件共同发生频率的判断，可能是基于它们之间联想纽带的强度。当联想很强时，人们更倾向于认为这些事件曾频繁地一同出现。因此，强联想物会被判断为经常一起出现。根据这一观点，多疑与眼睛画法奇特之间的虚假相关，是由于多疑比身体其他任何部位都更容易与眼睛联系在一起。

我们毕生的经验告诉我们，一般而言，大类别的实例比小类别的实例被回忆得更好、更快;可能发生的事情比不太可能发生的事情更容易想象;而当事件频繁共同发生时，它们之间的联想联系会得到加强。因此，人类拥有一种程序 (可得性启发法),通过提取、构建或联想这些相关心理操作的难易程度，来估计某一类别的数量、某一事件的可能性，或事件共同发生的频率。然而，正如前面的例子所表明的，这一颇有价值的估计程序会导致系统性的错误。

调整与锚定

在许多情况下，人们通过从一个初始值出发并对其进行调整来得出最终答案，以此进行估计。这个初始值，或称起点，可能由问题的表述方式所暗示，也可能是部分计算的结果。无论哪种情况，调整通常都是不充分的。¹⁸也就是说，不同的起点会产生不同的估计值，而这些估计值都偏向初始值。我们将这一现象称为锚定。

调整不足。 在一项锚定效应的演示中，要求被试估计以百分比表示的各种数量 (例如，联合国中非洲国家所占的百分比)。对于每一个数量，都当着被试的面通过转动幸运轮来确定一个 0 到 100 之间的数字。要求被试先指出这个数字是高于还是低于该数量的真实值，然后通过从给定数字向上或向下移动来估计该数量的值。不同的组针对每个问题得到不同的数字，而这些任意的数字对估计结果产生了显著影响。例如，接收到起始值 10 和 65 的两组被试，对联合国中非洲国家百分比估计的中位数分别为 25 和 45。准确性方面的奖励并未减少锚定效应。

锚定不仅在起点由外部给定时会发生，也会在被试将其估计建立在某种不完整计算结果之上时发生。一项关于直觉数值估计的研究说明了这一效应。两组高中生在 5 秒钟内估计黑板上写出的一个数值表达式。一组估计乘积

8×7×6×5×4×3×2×1

另一组估计乘积

1×2×3×4×5×6×7×8

为了迅速回答这类问题，人们可能会进行几步计算，然后通过外推或调整来估计乘积。由于调整通常是不充分的，这一过程应导致低估。此外，由于 (从左至右) 前几步乘法的结果在降序数列中要高于升序数列，前一个表达式的估计值应被判断为大于后者。这两个预测都得到了证实。升序数列的估计中位数为 512，降序数列的估计中位数为 2250。正确答案是 40320。

合取事件与析取事件（conjunctive and disjunctive events）评估中的偏差。 在巴 - 希勒尔¹⁹最近的一项研究中，被试有机会就两个事件中的一个下注。所用的事件有三种类型:(一) 简单事件，如从装有 50% 红色弹珠和 50% 白色弹珠的袋子中抽出一颗红色弹珠;(二) 合取事件，如从装有 90% 红色弹珠和 10% 白色弹珠的袋子中，有放回地连续七次抽出红色弹珠;(三) 析取事件，如从装有 10% 红色弹珠和 90% 白色弹珠的袋子中，有放回地连续七次抽取，至少一次抽到红色弹珠。在这一问题中，绝大多数被试倾向于押注于合取事件 (其概率为.48),而非简单事件 (其概率为.50)。被试也倾向于押注简单事件而非析取事件 (其概率为.52)。因此，大多数被试在这两种比较中都押注于可能性较小的事件。这种选择模式说明了一个普遍的发现。对赌局选择和概率判断的研究表明，人们往往高估合取事件的概率²⁰,而低估析取事件的概率。这些偏差可以很容易地被解释为锚定的效应。基本事件 (任一阶段成功) 的既定概率为合取事件和析取事件概率的估计都提供了一个自然的起点。由于从起点出发的调整通常是不充分的，最终的估计值在这两种情况下都过于接近基本事件的概率。请注意，合取事件的总体概率低于每个基本事件的概率，而析取事件的总体概率则高于每个基本事件的概率。因此，由于锚定的作用，合取问题的总体概率会被高估，析取问题的总体概率会被低估。

复合事件评估中的偏差在规划的背景下尤为重要。一项事业的成功完成，例如新产品的开发，通常具有合取性质：要使该事业成功，一系列事件中的每一个都必须发生。即使每个事件本身发生的可能性都很大，如果事件数量众多，整体成功的概率也可能相当低。人们普遍倾向于高估合取事件的概率，这导致他们对计划成功或项目按时完成的可能性抱有不切实际的乐观态度。相反，析取结构通常出现在风险评估中。一个复杂系统，例如核反应堆或人体，只要其任何一个基本组成部分发生故障，整个系统就会失灵。即使每个组件发生故障的可能性都很小，如果涉及的组件数量众多，整体发生故障的概率也可能很高。由于锚定的作用，人们往往会低估复杂系统发生故障的概率。因此，锚定偏差的方向有时可以从事件的结构中推断出来。合取的链式结构导致高估，析取的漏斗式结构导致低估。

主观概率分布评估中的锚定。 在决策分析中，专家常常需要以概率分布的形式表达他们对某个量 (如某一特定日期道琼斯指数的值) 的信念。这种分布通常是通过要求被评估者选取该量对应其主观概率分布特定百分位数的数值来构建的。例如，可能要求判断者选取一个数字 X90，使得他主观认为该数字将高于道琼斯指数实际值的概率为.90。也就是说，他应选取 X90 的值，使得他恰好愿意以 9 比 1 的赔率打赌道琼斯指数不会超过这个值。通过若干个对应不同百分位数的此类判断，便可以构建出道琼斯指数值的主观概率分布。

通过为许多不同的量收集主观概率分布，可以检验判断者的校准是否恰当。如果被评估量真实值中恰好有 X%落在其所述 Ximage 值以下，那么该判断者在一组问题中就被认为具有恰当 (或称外部) 校准。例如，真实值应有 1% 落在 X01 以下，有 1% 落在 X99 以上。因此，真实值应有 98% 的问题落在 X01 与 X99 之间的置信区间内。

多位研究者²¹已从大量判断者那里获得了许多量的概率分布。这些分布显示出与恰当校准之间存在巨大且系统性的偏离。在大多数研究中，对于约 30% 的问题，被评估量的实际值要么小于 X01，要么大于 X99。也就是说，被试所陈述的置信区间过于狭窄，反映出的确定性超过了他们对被评估量的知识所能证明的程度。这种偏差在未经训练和训练有素的被试中都普遍存在，即使引入能为外部校准提供激励的恰当评分规则，也不能消除这种偏差。这种效应至少部分可归因于锚定。

例如，为选取道琼斯指数值的 X90，自然的做法是先想到自己对道琼斯指数的最佳估计，然后向上调整这一数值。如果这种调整——像大多数其他调整一样——是不充分的，那么 X90 就不会足够极端。在选取 X10 时也会出现类似的锚定效应，这一数值大概是通过将最佳估计向下调整而得到的。因此，X10 与 X90 之间的置信区间将过于狭窄，所评估的概率分布也将过于紧凑。为支持这一解释，可以证明，当某人的最佳估计不作为锚点时，主观概率会发生系统性的改变。

对于给定量 (道琼斯指数) 的主观概率分布，可以通过两种不同的方式获得:(一) 要求被试选取对应其概率分布特定百分位数的道琼斯指数值，以及 (二) 要求被试评估道琼斯指数真实值超过某些特定值的概率。这两种程序在形式上是等价的，理应产生相同的分布。然而，它们暗示了从不同锚点出发的不同调整方式。在程序 (一) 中，自然的起点是自己对该数量的最佳估计。而在程序 (二) 中，被试则可能以问题中所述的数值为锚点。或者，他也可能以对半开 (50-50) 的机会作为锚点，这是估计可能性时的一个自然起点。无论哪种情况，程序 (二) 所产生的赔率都应比程序 (一) 更不极端。

为对比这两种程序，向一组被试展示了一组 24 个量 (例如从新德里到北京的空中距离),要求他们对每个问题评估 X10 或 X90。另一组被试则获得第一组被试对 24 个量中每一个的判断中位数，并被要求评估每个给定数值超过该相关量真实值的赔率。在没有任何偏差的情况下，第二组理应还原出给予第一组的赔率，即 9:1。然而，如果对半开的机会或所述数值起到锚定作用，第二组的赔率将不那么极端，即更接近 1:1。事实上，该组针对所有问题所述赔率的中位数为 3:1。当对两组的判断进行外部校准检验时发现，第一组被试的估计过于极端，这与早先的研究结果一致。他们所定义概率为.10 的事件，实际发生的比例为 24%。相比之下，第二组被试则过于保守。他们赋予平均概率.34 的事件，实际发生的比例为 26%。这些结果说明了校准程度如何取决于引出判断的程序。

讨论

本文关注的是源于依赖判断性启发法的认知偏差。这些偏差并不能归因于诸如一厢情愿的想法或判断因得失而受到扭曲之类的动机性效应。事实上，前文所报告的若干严重判断错误，都是在被试受到鼓励要求准确、并因正确答案而获得奖励的情况下发生的。²²

对启发法的依赖以及偏差的普遍存在，并不仅限于外行人。经验丰富的研究者在进行直觉思考时，同样容易产生相同的偏差。例如，倾向于预测最能代表数据的结果、而对先验概率考虑不足这一现象，已在受过大量统计学训练的个体的直觉判断中被观察到。²³尽管统计学素养较高的人能够避免诸如赌徒谬误之类的基本错误，但他们的直觉判断在更复杂、更不透明的问题中，仍容易产生类似的谬误。

有用的启发法，如代表性和可得性，即使偶尔会导致预测或估计上的错误，依然被人们保留下来，这并不令人惊讶。或许令人惊讶的是，人们未能从毕生的经验中推导出诸如回归均值，或样本量对抽样变异性的影响这样的基本统计规则。尽管每个人在正常生活过程中都会接触到大量原本可从中归纳出这些规律的例子，但很少有人能自行发现抽样和回归的原理。统计学原理之所以无法从日常经验中习得，是因为相关的实例没有被恰当地编码。例如，人们并未发现一篇文本中相邻行之间平均词长的差异要大于相邻页之间的差异，这是因为他们根本不会关注单独的行或页的平均词长。因此，尽管可供学习的数据十分丰富，人们并未学会样本量与抽样变异性之间的关系。

缺乏恰当的编码方式，也解释了人们为何通常无法察觉自己判断中的偏差。一个人理论上可以通过统计在他赋予相同概率的事件中，实际发生的比例，来了解自己的判断是否经过了外部校准。然而，按判断概率对事件进行分组并非人们的自然做法。在没有这种分组的情况下，个体不可能发现，例如，在他赋予.9 或更高概率的预测中，只有 50% 最终成真。

对认知偏差的实证分析对判断概率的理论和应用作用具有启示意义。现代决策理论²⁴将主观概率视为一个理想化个体经过量化的观点。具体而言，某一给定事件的主观概率由该理想化个体愿意接受的关于该事件的一系列赌注来定义。如果一个人在赌注之间的选择满足某些原则，即该理论的公理，便可以为其推导出一个内部一致或称为连贯的主观概率测度。所推导出的概率是主观的，因为不同的个体对同一事件可以持有不同的概率。这种方法的主要贡献在于，它为概率提供了一种严谨的主观解释，适用于独特事件，并被纳入一个关于理性决策的一般理论之中。

或许应该指出的是，尽管主观概率有时可以从赌注之间的偏好中推断出来，但它们通常并非以这种方式形成的。一个人押注 A 队而非 B 队，是因为他相信 A 队更有可能获胜;他并非从自己的投注偏好中推断出这一信念。因此，在现实中，主观概率决定了赌注之间的偏好，而不是像理性决策的公理化理论所假设的那样，由偏好推导而来。²⁵

概率固有的主观性使许多学者相信，连贯性，即内部一致性，是评价判断概率的唯一有效标准。从主观概率形式理论的角度来看，任何一组内部一致的概率判断都与其他任何一组同样合理。这一标准并不完全令人满意，因为一组内部一致的主观概率可能与该个体所持有的其他信念不相容。设想一个人，他对掷硬币游戏所有可能结果的主观概率反映出赌徒谬误，也就是说，他对某一次投掷出现反面的概率估计，会随着此前连续出现正面次数的增加而上升。这样一个人的判断可能是内部一致的，因此根据形式理论的标准可被接受为恰当的主观概率。然而，这些概率与"硬币没有记忆，因此不可能产生序列依赖性"这一普遍持有的信念是不相容的。要使判断的概率被视为恰当或理性，仅有内部一致性是不够的。这些判断必须与该个体所持有的整个信念体系相容。遗憾的是，没有一种简单的形式化程序可以评估一组概率判断与判断者整体信念体系之间的相容性。尽管内部一致性更容易实现和评估，理性的判断者仍会努力追求相容性。特别是，他会努力使自己的概率判断与他关于该主题的知识、概率法则，以及他自身的判断性启发法和偏差相容。

摘要

本文描述了在不确定性下做出判断时所运用的三种启发法:(一) 代表性，通常用于判断某一对象或事件 A 属于某一类别或过程 B 的概率;(二) 实例或情景的可得性，通常用于评估某一类别的频率或某种特定发展的可信度;以及 (三) 从锚点出发的调整，通常用于在存在相关数值可参照时进行数值预测。这些启发法具有高度的经济性，通常也是有效的，但它们会导致系统性且可预测的错误。更好地理解这些启发法及其所导致的偏差，可以改善人们在不确定情境下的判断与决策。

translated by Gemini 3.8 Flash

知乎问题“日本正式启动核污染水排海，我国已组织开展海洋辐射环境监测，海鲜还能吃吗？如何保证涉日食品安全？”，仅能“回答按默认顺序排序”，取消了“按时间顺序排序”的功能

https://www.zhihu.com/question/618895483

以下是正常问题和此问题对比（电脑端也类似）

呵呵，我连想看个新鲜出炉的回答都看不到了？傻逼网站，傻逼____

最近两天在玩命运石之门，还没玩完，不过男主前期废话好多，感觉是个傻缺，好几次都气的想把游戏卸了。

最近最有成就感的事情就是写 JS 脚本一志愿抢到了宿舍 🤓 科技改变命运这一块

这些天热起来了，只想各种冰饮。冰酸奶不错，喝着很爽。如果是绿茶冰一冰应该也很好。绿豆汤放凉了了也不错。以前在家的时候经常去一个老店，黄色的冰沙配上红豆，也挺不错的，好久没吃了

据说现在 v4 不限速了，只是有硬件瓶颈

南京大学体验

去了鼓楼校区，有一些体验，记一下。主要都是和交大不一样的地方。

网络

南京大学的网络居然是要收费的！
价格：

教学楼内连接无线网的测速结果：

南大的大教室

估计250的教室居然有10个悬挂屏幕！
但是教室里面只有靠墙的部分位置有插座，很不方便。

南大是有分区的

鼓楼校区分了南区和北区。南区是生活区，包含宿舍食堂教超等。北区是教学区。两个区域是不连通的进出都需要刷校园卡。
似乎复旦也是如此的。

没有全校统一的canvas！

看上去每个学院会单独组织自己的课程信息。比如软件学院的教学网站是selearning.nju.edu.cn。也没有统一的回放可以看，而是由老师自行上传课程视频回放。
这些在交大都是由canvas实现的。

食堂菜种类很多

部分菜是可以称重计费。价格小于等于上海吧。

校内信息化服务是外包的

比如问卷系统是腾讯云

授课质量似乎高于交大大部分老师

这可能是不准确的，但我确实觉得我上的课老师讲得很好，还准备了交互的html来授课，很清楚啊。而且感觉这个理论课老师

课程的一些好玩的东西，类笔记

• agent部分伪代码 本来想上传的但这里无法上传html于是不传了。
• 指令模型在提示词末尾加一句think step by step 会更强。
• lost in the middle: 实际上完整的上下文的头和尾会更关注，中间实际上并没有那么关注。与transformer的自注意力机制有关。
• step back：回答前让他先想更高维的东西，比如执行原则是什么？等等再做具体的事情。

还没读研（其实还不知道自己能不能有机会保上研 焦虑中）
id写了紫金港其实是为了表达自己年少无知没有报考zju的悔恨和现在对zju的向往（当然如果真进了肯定又会破灭）
然后“紫金港”和“皮革”呼应 既突出本人的皮革属性 又符合浙大紫金港食堂很好吃的事实情况（强烈推荐 真的很好吃）

嗯，退门一天，开始沉淀，我果然还是太闲了。我不接受以纪念名义让渡我看彩色网页的权利。

长江黄河不会倒流 🕯️ 🕯️ 🕯️

上面那个小的叫做 ふりがな（振假名）或者 ルビー（ruby），歌词里面有很多 当て字 啊，比如写作宇宙读作そら、写作地球读作ほし的，每次去ktv唱歌就得对着utaten的振假名歌词唱

地球 (ほし) 或者 地球 (home) 、 宇宙 (そら) 或者 宇宙 (那片天空) 这样的，基本上随心所欲想怎么读怎么读

我去还有过这种活动的

COJF2026 when? 😭

浙江之前确实有暴雨（）
现在台风似乎已经远离了

好喜欢傲娇啊，suki suki desuki 🥰 九宫格里面没有牧濑红莉栖不是很认可

好久没上🚪了，常回🚪看看 👀

没什么特别的事情但是 wonderhoi!

之前习惯了哈哈🥰才刚来门两天，以后不生疏了

国企没啥意思，去米国读个博，做点研究，为人类做点贡献

是的，我觉得实现Discourse的自动badge发放系统太复杂，对代码复杂程度的增加不利于后续的维护，还需要跟踪用户的贴文浏览时间，浏览数量，有跟踪用户、侵犯隐私的嫌疑。

作为调和，同时也是为了弘扬淡泊名利的精神，增进用户的使用乐趣，本站的Badge予取予求.

刚刚树莓在神秘地点引了一波流~

貌似只有avatar上传有问题，composer上传没问题

已修复。

长期同时开德语和英语的拼写纠错导致我一直误以为只有法语里才是 lieutenant 而且从未在英语中拼对过这个词

想要一个之前 discourse 转载链接的预览图片功能，现在的预览界面只显示平台 logo，不会显示出具体内容的封面

举例：

我也只是觉得好听，并不专业（
其实这样才是纯粹而毫无负担的？😇

以前我总是恐惧自己在某个话题上不够专业而逃避交流，实际上大概业余一点也没关系吧

已修复，Content Security Policy header设置错误导致：

Content-Security-Policy "default-src 'self'; script-src 'self' 'unsafe-inline'; style-src 'self' 'unsafe-inline'; img-src 'self' data: blob: https:; connect-src 'self' wss: https:; frame-ancestors 'none';"

AVIF support transparent background，可以试一试

Gemini有时候跟智力比较低下，跟Claude不能比。哎，Google真的没落了。

kurayamisaka yori ai wo komete - kurayamisaka

私の身体が朽ちるまで命燃え尽きるまで
使い果たして眠る時までは

私の身体が見たすべて
財布の中身すべて使い果たしたいだけ それだけさ

私、あなたの顔も忘れ
名前も日々も忘れ
祈りの故も忘れ

私の身体が朽ちるまで命燃え尽きるまで
使い果たしたいだけ

私の身体が朽ちるまで命燃え尽きるまで
使い果たして眠る時までは

私の身体が朽ちるまで命燃え尽きるまで
使い果たしたいだけ それだけさ

AI 总结：2026年07月21日《投资大师》播客 摩根大通CEO戴蒙

人工智能正在经历一场前所未有的资本投入竞赛。

科技公司建设数据中心、采购芯片、训练大模型，传统企业则忙着部署内部助手、自动化系统和智能客服。市场真正关心的问题逐渐从“AI 是否重要”，转向了一个更现实的问题：

这些钱最终能赚回来吗？

摩根大通董事长兼 CEO 杰米·戴蒙的判断很明确：AI 最终会创造巨大价值，但回报出现的方式、时间和赢家，几乎肯定不会符合今天的普遍预期。

AI 会成功，但不代表每个投资者都会成功

戴蒙将当前的 AI 浪潮与互联网早期阶段进行比较。

互联网最终深刻改变了商业和社会，也创造了谷歌、Meta 等巨型公司。但在这个过程中，雅虎、网景以及大量曾被市场寄予厚望的企业，最终被淘汰或消失。

因此，“AI 将创造长期价值”和“当前所有 AI 投资都能获得合理回报”，是两个完全不同的命题。

AI 作为一种基础技术，可能在药物研发、疾病诊断、汽车安全、软件开发、客户服务和企业运营中创造巨大价值。它甚至有机会减少医疗差错、加快新药发现，并显著提高知识工作者的生产效率。

但技术价值并不会平均分配。

一些企业会找到真正有效的应用场景，一些企业会因为基础设施投入过大而承担长期折旧压力；一些模型公司会建立平台优势，另一些公司则可能因为成本过高、产品同质化或商业模式不清晰而退出市场。

换句话说，AI 大趋势可能是正确的，但参与大趋势的每家公司并不一定都是正确的投资。

企业必须从“使用 AI”转向“计算 AI 的回报”

在戴蒙看来，企业最终不会仅仅因为 AI 热门，就无限制地投入资本。

管理层迟早要回答几个传统而严肃的问题：

投入一亿美元之后，能够节省多少成本？能够增加多少收入？多久可以收回投资？项目的净现值是多少？是否存在更低成本的替代方案？

这意味着，AI 投资将逐渐从试验阶段进入财务纪律阶段。

早期，企业可能允许不同团队自由选择模型和工具。但随着使用规模扩大，这种方式会产生明显浪费。例如，一个简单的查询可能被发送给最昂贵、能力最强的模型，而实际上，一个体量更小、价格更低的模型已经足够完成任务。

未来的企业 AI 系统，很可能会自动判断任务难度，将请求分配给速度最快、成本最低且足以完成任务的模型。

真正形成竞争优势的，不一定是“使用最多 AI”的公司，而是最清楚以下三件事的公司：

第一，哪些任务值得使用 AI；第二，应该使用哪一种 AI；第三，每次调用究竟创造了多少经济价值。

AI 的就业冲击，本质上是培训体系的挑战

对于 AI 是否会造成大规模失业，戴蒙没有完全否认风险，但也反对只看到岗位消失。

技术进步通常会替代一部分工作，同时创造新的岗位。AI、网络安全、数据基础设施和软件工程等领域，仍然存在大量人才需求。

真正的问题在于，新岗位与旧岗位之间并不会自动完成匹配。

一个被自动化系统替代的后台员工，不会因为市场出现了 AI 安全岗位，就自然成为网络安全工程师。这个转变需要企业培训、职业教育、政府政策和个人学习共同完成。

因此，AI 带来的核心社会挑战，不只是“工作会不会消失”，而是：

劳动力能否在足够短的时间内，完成技能迁移。

企业不能只把 AI 当成削减员工数量的工具。如果企业只追求短期成本下降，却不投资员工再培训，最终可能同时面临组织能力下降、内部阻力上升和社会信任受损。

比 AI 泡沫更值得警惕的，是宏观环境

尽管 AI 是访谈中的重要主题，戴蒙真正反复强调的，却是全球经济中的系统性风险。

这些风险包括地缘政治冲突、能源价格波动、全球政府赤字、不断上升的债务水平，以及通胀和长期利率的不确定性。

在市场情绪乐观、资产价格上涨、企业利润表现良好时，投资者容易形成一种错觉：既然当前经济能够承受冲突、油价上涨和高利率，未来也一定可以继续承受。

但戴蒙提醒，经济危机往往不是由单一事件触发的。

债务、战争、能源、通胀和金融市场波动可能长期独立存在，直到某个时点相互叠加，越过临界点。真正的风险并不只是每一个事件发生的概率，而是多个低概率事件同时发生之后产生的连锁反应。

这也是为什么，他对长期债券和利率走势保持谨慎。

即使通胀数据暂时改善，也不能轻易假设通胀已经永久回到低位。在高赤字、高债务和复杂地缘政治环境下，长期资金成本未必会像市场期待的那样迅速下降。

对于 AI 企业而言，这一点尤其重要。

数据中心、芯片和能源基础设施都需要巨额资本。如果利率长期维持在较高水平，AI 投资项目所需要达到的回报率也会提高。很多在低利率环境下看起来合理的投资，在资本成本上升后可能不再成立。

最优秀的企业，不是预测最准确，而是活得最久

戴蒙对企业经营的核心要求并不是抓住每一次市场机会，而是确保公司能够在最坏情况下继续生存。

这也是摩根大通能够穿越金融危机、疫情和银行业动荡的重要原因。

优秀的风险管理并不是预测某一场危机何时发生，而是不断追问：

如果每个业务部门同时进入最坏状态，公司是否仍能承受？如果市场流动性消失，是否有足够资本？如果重大收购失败，是否会威胁整个组织？

在 AI 投资热潮中，这种思维同样适用。

一家企业可以错过某个模型、某项产品或某轮估值上涨，但不能因为追逐 AI 热点而损害资产负债表、现金流和核心业务。

技术浪潮中的真正赢家，往往不是投入最激进的公司，而是能够在泡沫破裂、资本收紧和技术路线变化后，依然保留继续投资能力的公司。

领导者最大的风险，是听不到坏消息

戴蒙还将企业失败归因于三个相互关联的问题：官僚主义、自满和傲慢。

公司规模扩大后，信息会逐层过滤。基层员工看到的问题，传到管理层时可能已经被美化；客户投诉会被解释为个别情况；失败项目会被包装成暂时延迟。

职位越高，领导者直接掌握的专业细节反而可能越少。

如果领导者因为不了解业务而产生不安全感，就更容易要求下属提供让自己舒服的信息，最终形成“只汇报好消息”的组织文化。

真正成熟的领导者，不需要假装自己了解所有事情。他们能够承认不知道，主动询问专业人士，并允许员工指出产品、流程和战略中的问题。

因此，领导力的关键并不是永远正确，而是建立一个能够快速发现错误、公开承认错误并及时纠正错误的系统。

AI 时代最稀缺的，仍然是人的品格

在谈到接班人和职业建议时，戴蒙并没有把技术能力放在第一位。

他更看重工作伦理、好奇心、勇气、自律、同理心、沟通能力，以及赢得他人信任的能力。

这些特质在 AI 时代反而更加重要。

技术能够提高信息处理速度，却不能自动决定企业应该追求什么；模型能够生成多个方案，却不能承担最终决策责任；算法能够优化效率，却无法替代领导者对员工、客户和社会的责任。

一个人是否愿意说出坏消息，是否能够在压力下保持诚实，是否会保护受到不公正对待的员工，是否能够在个人利益与组织利益发生冲突时作出正确选择——这些问题无法被简单编码成模型参数。

结语：AI 的回报，不会按照市场剧本出现

戴蒙对 AI 的态度既不是盲目乐观，也不是技术悲观。

他相信 AI 将成为一种改变人类生活的基础工具，并在医疗、科研、软件和企业运营中创造长期价值。但他同样认为，当前的大规模投资不会按照市场设想的路径获得回报。

部分公司会成功，部分公司会失败；部分项目会显著提升生产力，部分项目会成为昂贵的试验；真正的回报可能需要更长时间，也可能出现在今天尚未被重视的应用领域。

因此，面对 AI 浪潮，企业最需要的并不是预测哪一个模型最终胜出，而是建立三种能力：

保持资本纪律，确保每项投入能够被衡量；保持组织谦逊，让坏消息能够抵达决策层；保持资产负债表韧性，确保公司能够活到技术真正兑现价值的那一天。

AI 或许会像互联网一样改变世界。

但历史已经证明，改变世界的技术，并不会自动让所有参与者赚钱。

这张图表达了🐭和🐱快乐生活。
鼠鼠何时才能迎来把我叼走的小猫😭

图透

只画了一点 好久没画画，手已经生了