后记2 强大与脆弱――更深层次的哲学经验的反思（第3 / 16页）

因此，<b>复杂性暗示着极端斯坦。</b>（反之则不一定成立。）

弗兰克·普兰顿·拉姆齐和布鲁诺·德·费耐蒂分别于1925年和1937年对主观可能性做过阐述。这两位智慧巨人对可能性的研究表明，可能性可以被看成一种确信度的量化（请按照你对某件事情即将发生的确信度在0至1之间给出一个数）。在决策过程中出现的这些一致性约束显而易见：你不能打赌说明天有60%降雪的可能性和50%不降雪的可能性。行为者应当避免违反一种叫作“荷兰赌”的约束。也就是说，你不能通过一系列局限于某种损失的赌注来矛盾地表达你的可能性，比如，你的表达看上去会令人感觉各自独立的偶然事件的发生概率加起来超过100%。

作为一名研究者，我只会注意复杂理论中的极端斯坦因素，而不会理会其他因素，除非这些因素能够作为我的不可预测性考虑的备份。但是，对于传统的分析和因果关系，复杂性会有其他的结果。

这会引发一个值得深度探讨的问题。许多研究者并没有很快地意识到，黑天鹅仅能够对不完整的世界做出回应，或者说，有些研究人员不得不突出这一主观品质（比如，约亨·荣德写了一篇关于黑天鹅思想的富有见地的文章，然而，在这篇文章中，他又感到他需要想尽一切办法强调黑天鹅思想主观性的一面），将我们带到有关可能性定义中的历史问题中去。历史上，有许多关于可能性哲学的探讨。不同的人，其世界观也不尽相同。这一现象说明，不同的人对于此项研究仍具有不同的可能性。因此，科学研究者们要接受非亚斯伯格思想需要一定的时间，不同的人不管是否理性，会向未来世界的不同状态分派不同的可能性，这便是所谓的“主观可能性”。

关于发展非典型性的直觉脆弱，丹·戈尔茨坦与我就关于条件预测的直觉因素进行了一系列的实验。我们提出了下列类型的问题：身高高于6英尺的人中，其平均身高是多少？体重大于250磅的人中，其平均体重是多少？我们使用来自平均斯坦的变量（包括上述的高度和体重，另外加上年龄）进行实验，让参与者们猜测来自极端斯坦的变量，比如说市场资本（资本超过50亿美元的公司的平均规模有多大）及股市表现。结果清晰地表明，对于平均斯坦，我们拥有良好的直觉，但对于极端斯坦，我们的直觉却极端可怜——然而经济生活中几乎充满了极端斯坦的变量。对于较大偏差的非典型性，我们没有良好的直觉。这既解释了愚蠢的冒险行为的原因，又解释了人们为什么会低估机会的原因。

当我们谈到不同类别的可能性分布时，我们将会进一步讨论预渐进性。现在，我要说的是，数学与哲学的许多区别都被过分夸大了，因为人们首先启动某一模式，然后将其应用于现实，最后再将其分类，而不是先看现实情况，然后再看什么适合这一情况。

我们来看看风险设计。在数学上看来相当不错的叙述（我之前已经用生存率的例子做过说明），在心理学上却并非如此。更为糟糕的是，专业人士也会被愚弄，在感性的错误的基础上做决策。我们的研究表明，风险形成的方式会极大地影响人们对风险的认识。如果我们告诉投资者，平均下来，投资者每隔30年会倾家荡产一次，那么他们很可能仍然会选择投资。然而，如果你告诉他们，他们每年都有3.3%的概率遭遇投资亏损，那么他们很可能便会放弃投资。

在实际生活中，并没有一种叫作“远期”的东西，重要的是远期之前所发生的事情。使用“远期”概念（数学家们口中的渐进特性）的问题，在于它经常会使我们对于远期之前发生的事情视而不见，这便是我后面将要讲到的预渐进性。根据向这条渐进线收敛的速度，不同的功能有不同的预渐进性。然而，不幸的是，我一再向学生们重申，生活就发生在预渐进线上，而不是发生在不切实际的远期中，预渐进线（或近期）具备的一些特性与那些存在于远景的特性存在明显的不同。因此，即便理论能够起到作用，它也要与内容更加丰富的近期现实接轨。很少有人能够理解，一般来讲根本不存在诸如可达到的远期之类的东西，除非通过解数学方程的方式。在一个复杂的体系中假定一个远期，你还需要假定没有新情况的出现。同时，你可能会拥有一个关于世界的完美模型，这一模型没有关于象征分析的任何不确定性，但却存在一定的不明确性。让我们回想一下第十一章中提到的洛伦茨蝴蝶效应。由于非线性的原因，这种在最微不足道的参数水平下的精密的小的不确定性，可能会渗透向某种模型输出水平下的很大的不确定性。比如，气候模式便深受这一非线性之苦，即便我们拥有正确的模式（当然，我们没有），一种被称为校准的参数的小幅度变化就会彻底将结论颠覆。

乘坐飞机也存在同样的问题。我们在实验中问过受测者：“假如你在国外度假，此刻正考虑乘坐当地航班参观一座海岛。安全数据显示，如果你每年乘该航班飞行一次，那么平均每1000年会遭遇一次空难。如果你不去旅游，你便不可能参观这一海岛。那么你是否会选择乘坐飞机呢？”所有的受测者都做出了肯定的回答。然而，如果我们将第二句话改成“安全数据显示，本航班平均每1000次飞行便会发生一次空难”，那么只有70%的人表示会乘坐该航班。在两种情况下，发生空难的概率都是千分之一，但第二种说法听上去风险更大。

因此，尼尔·弗格森关于事件（战争公债的价格）预测的方法论，较之单纯的预测要可靠得多，因为能够体现出政府战争成本的公债，其定价应基于事件可能性与事件结果的乘积，而不仅仅是事件的可能性。因此，我们不应只看人们是否“预测”到了某件事情，而忽略他们的言论对事件造成的影响。

有一个角落值得我们去探索：成年人究竟为什么能够在不苟言笑地接受苏联–哈佛模式的自上而下的方法后，前往华盛顿以这些方法为基础制定政策？同样，我们为什么不能假设，事件是由人以同样的方式经历的？我们为什么会严肃地看待“客观”可能性的概念？

与前一个谬误相关的，是人们会错误地认为，我这里所要表达的意思，是这些黑天鹅事件较之传统事件更容易发生。实际上，它们更不容易发生，但却具有更大的影响。我们来想一下，在一个赢家通吃的环境（比如艺术界）中，成功概率非常低，因此能够获得成功的人会很少，但回报率却是高得不成比例。因此，在一个肥尾环境中，罕见事件发生概率小（可能性低），但这些事件的能量却十分巨大，它们能够对整个事态造成实质性的影响。

最后，如果某人假设“任意性”既没有认知性，又不具备主观性，或者对“本体论任意性”和“认知性任意性”之间的区别大题小做，这意味着其患有某种科学自闭症（这一自闭症渴望系统化）以及对任意性根本不理解。这一假设使得观察者能够达到全知，并通过完美的现实主义和不违背一致性原则的方式进行计算。余下的便成为“任意性”，或者成为源自偶然力量（这种力量不会因知识与分析而减弱）的拥有另外一个名称的东西。

这一点从数学上来讲是很简单的，只是不能很轻易地表现出来。我一直都喜欢给数学专业的大学毕业生们进行下列测验（这一测验要求根据直觉现场解答）。在高斯世界，超越一个标准偏差的可能性大约是16%。在更肥尾（fatter tails）分布（平均数与差异相同）的情况下，超越标准偏差的可能性又是多少呢？答案是更低，而不是更高——尽管偏差的数量下降了，但更少的偏差却具有更高的影响力。大多数毕业生的回答是错误的，这一点使人困惑不解。

我相信，从哲学上来讲，认知性不确定性与本体论不确定性之间的区别是非常重要的，但在现实世界中又是完全不相关的。我们难以将认知性不确定性与更为基本的不确定性脱离开来。这种情况便叫作“没有区别的差异”（与之前提到的不同），它会形成误导，因为它会转移真正的问题：参与者们会对此小题大做，而不是专注于认识局限性。我们回想一下，怀疑是要付出代价的，当然，在需要怀疑的时候，我们也应当怀疑。

在复杂领域中的归纳与因果问题

这意味着，对于所谓的“非遍历性”系统，没有一种叫作远期的东西。在遍历性系统中，某事物远期发生的可能性并不受即将发生事件（比如说明年的到来）的影响。在赌场中玩轮盘赌赢得许多钱的人，如果持续赌下去，并且赌场中有机关，那么他迟早会倾家荡产。技术不过关的人最终都会失败。因此，一般来讲，对于中间时期所采取的路线（研究者将此称为路线依赖缺失），遍历性系统是一成不变的。非遍历性系统没有真正的远期特性——它倾向于路线依赖。

什么是复杂性？相对于更完整的定义，在这里我会简单地采用复杂性的功能性定义。复杂领域具有下列特征：其组成因素之间具有高度的相互依赖性，包括时间依赖性（一个变量依赖于其过去的变化）、水平依赖性（不同变量之间相互依赖）和对顶依赖性（变量A依赖于变量B的历史）。这种相互依赖性的结果是，方法取决于正面的增强反馈回路，从而引起肥尾。这就是说，其会阻止我们在第十五章中看到的中央极限定理起作用，其会在要素总和和集合情况下建立平均斯坦瘦尾，并引发高斯收敛。用通俗的话来讲，发展随着时间推移而加剧，而不会被平衡力所压制。最终，我们可以通过非线性来强化肥尾。

这里还存在一种区别，即“真正”的任意性和来自我称之为认知局限性（知识缺乏）的任意性之间的区别。与认知性不确定性相比，本体论不确定性是一种任意性，在这种任意性中，未来并非由过去所暗示（甚至不由任何事情所暗示）。我们行为的复杂性无时无刻不在产生这种任意性，从而使得这种不确定性相比来自知识缺陷的认知不确定性更为重要。

我想指出的另外一个缺陷，是存在于社会科学中的一种令人匪夷所思的不切实际且不严谨的研究传统——“理性期待”。在理性期待中，观察者们接收到了同样的数据，然后被指引着得出了同样的结论，尽管他们最初的假定存在明显的不同（通过一种叫作贝叶斯推理的更新机制）。为什么不严谨呢？原因是我们需要快速认识到，在现实生活中人们很难取得一致看法。如本书第六章所述，这部分是由于诸如确认偏误等的心理扭曲，从而导致对数据的分歧。然而，人们之所以不能达成观点一致，还有数学方面的原因：如果你使用来自极端斯坦的可能性分布，我使用来自平均斯坦（或不同于极端斯坦的其他东西）的可能性分布，那么我们便永远不能达成一致，这只是因为，如果你假定极端斯坦，你便不会很快地改进（或改变你的想法）它。比如，如果你假定平均斯坦，并且没有看到黑天鹅事件的发生，那么你最终便会将黑天鹅事件排除在外。如果我们假设自己在极端斯坦，那么这便不会发生。

再次回到压力测试。在写到此处时，美国政府正在通过采取大的偏差对金融机构进行压力测试，然后将结果与这些机构的资本进行对比。但问题在于，他们从哪里获取有关的数据呢？从历史上得来吗？历史数据存在很大的缺陷，因为我们知道，历史并不能说明极端斯坦的未来偏差。历史数据来自极端偏差的非典型性。我的压力测试的经验不会揭示出太多的风险问题——然而，风险可被用于评估模型的错误程度。

这一在现实中被误用的区别与早先讨论过的另外一种不完善的被经济学家称为奈特风险（可估算）与奈特不确定性（不可估算）的分隔存在相似性。虽然所有事物都多少有些不可估算（不常见的事情更是如此），但这一点却假定某些事情是可以估算的。我们都知道，温度可通过温度计来测量，因此，我们必须同样认识到，未来可能性是“可衡量的”。在下面的部分中，我们会看到，小的可能性更不可估算。

偏差感知心理学

温度计上的可能性