决策最大的敌人，不是信息不足，而是拿过去计算未来

关注吴大爷二三事，一起共同成长

知识分享 丨生活感悟

学习思考，寻找自我。

大家好，我是满肚子鸡汤的吴大爷，一个天天在键盘上敲打心灵，喜欢给人讲知识讲故事的男人。

战争史里有一个很有意思的问题，

在辽阔的大西洋上，怎样保护商船不被敌方潜艇袭击？

一种思路是，把大量舰船编成护航队，让军舰围绕商船形成保护阵型。

另一种思路是，利用飞机和雷达主动寻找潜艇，一旦发现目标，就迅速发动攻击。

表面上看，这是两个军事方案之间的比较，

但继续往下看，就会发现它真正揭示的是一个更普遍的人性问题：

当技术条件已经改变时，人为什么仍然习惯用过去的经验计算未来？

海军长期以来围绕水面舰艇建立组织、制度和荣誉体系。

在这套传统中，军舰是主角，

飞机只是提供空中掩护的辅助力量。

所以即使飞机航程扩大了，雷达出现了，潜艇的活动规律也逐渐变得可以分析，很多人依然很难从根本上改变自己的认知。

他们不是完全看不到新技术，而是只能在旧世界里理解新技术。

飞机可以帮助舰船，

但不能取代舰船成为攻击潜艇的核心力量。

这与其说是技术问题，不如说是记忆、身份和情感问题。

一、人最习惯的决策方式，是用昨天解释明天

很多人认为，经验越丰富，判断就越准确。

这句话只说对了一半，

经验可以帮助我们认识规律，

但经验也会让我们把过去的条件，误认为世界永远不变的规则。

第一次世界大战时期，护航制曾经有效保护商船。

于是几十年后，当潜艇威胁再次出现时，人们自然会重新想起这套方案。

过去成功过，现在再拿来用，看起来很合理。

问题在于，这几十年里，技术环境已经发生巨大变化。

飞机的能力提高了，

雷达被发明出来，

无线电通信变得普遍。

潜艇的行动也并非完全隐藏在无边大海中。

它们要从特定海域进入大西洋，需要定期与指挥部门联系，还要频繁浮出水面。

从这个角度看，潜艇并不是散落在无边大海中的一根针。

它的活动存在路线、规律、时间窗口和技术弱点。

问题已经变了，但人们脑子里的问题还没变。

大家仍然在思考，

如何在大海中寻找潜艇？

而不是重新定义，

潜艇在什么条件下必须暴露自己？

这两种问题看起来相似，答案却完全不同。

一个会把人带向大海捞针，

另一个会把问题变成一个可以分析的有限系统。

二、真正高明的解决方案，常常来自重新定义问题

所谓大海捞针，之所以困难，是因为它默认了两个前提：

1.海洋是无限的。

2.潜艇是完全隐身的。

只要接受这两个前提，人们自然会认为想靠飞机主动找到潜艇，几乎不可能。

但如果继续追问，就会发现这些前提并不完全成立。

潜艇从哪里出发？

通过哪些狭窄水域？

什么时候需要浮出水面？

怎样与指挥部联络？

它的航程和补给能力如何？

飞机和雷达可以覆盖哪些区域？

当这些条件被列出来以后，原本看似无限复杂的问题，就开始收缩。

它不再是整个大西洋，而是一些关键通道、通信记录和高概率暴露区域。

这就是提出好问题的价值，

很多时候，我们不是没有答案，

而是从一开始就在回答错误的问题。

比如一个人问：“我应该怎样更加努力？”

这个问题默认了，他现在的问题是努力不够，

但真实问题可能是方向错了、反馈机制有问题，或者任务本身没有价值。

一家公司问：“怎样让员工更快地填写周报？”

这个问题默认了周报必须存在。

但真正的问题可能是管理者为什么无法及时获得有效信息？

同样是获取信息，答案未必是让所有人多填一张表。

人类很擅长对眼前的问题快速编造一个看起来可行的答案。

但我们并不擅长完整描述问题。

因为完整描述问题，意味着要挑战默认前提，

而挑战默认前提，会让人感到不安全。

三、技术已经变化，组织身份却还停留在过去

海军为什么很难真正接受飞机成为重要攻击力量？

因为这不仅是增加一种新武器，

它还会重新定义“什么才是海军”。

长期以来，海军的组织、训练、晋升和荣誉，都建立在水面舰艇之上。

军舰不仅是一种工具，它还是海军文化的核心象征。

一名军官的职业经验、身份认同和价值感，都可能来自对舰艇体系的掌握。

这时候，如果有人说未来决定战争结果的，也许不再是你最熟悉的舰船，而是飞机、雷达和信息分析。

他听到的可能不是一项技术建议，

而是你过去最引以为傲的东西，可能不再位于舞台中央。

很多人坚守旧原则，并不只是因为他们思想保守。

他们还会从“捍卫者”的身份里获得满足感。

我在保护传统，我在维护秩序，我没有向潮流低头，

我在坚守过去的荣光。

这种感觉会给人一种道德上的高尚感。

于是，技术路线之争就不再只是效率之争。

它逐渐变成身份之争。

接受新技术，仿佛等于背叛自己的经历，

而一旦一个观点与身份绑定，数据就很难单独改变它。

四、我们看到的历史，往往是自己需要的历史

小说家福斯特有一个很有意思的说法，

唯一真实的历史，是一部人类的情感史。

这句话当然不是说经济、战争和制度完全不重要。

而是在提醒我们历史从来不是冷冰冰的数据自动排列出来的结果。

同一段历史，不同的人会看到不同的东西。

有人看到英雄，

有人看到灾难，

有人看到秩序，

有人看到压迫，

有人看到技术进步，

有人看到普通人的生活被摧毁。

我们选择记住什么，本身就与身份和情感有关。

一家曾经靠某种商业模式成功的公司，会反复讲述那段创业历史。

故事讲得越多，旧模式就越容易被神圣化。

一个行业曾经凭借某种技术领先，也会把那段领先看作自身能力的永久证明。

最后，过去不再只是经验，而会变成神话。

神话最危险的地方，是它无法被正常讨论。

因为质疑方法，会被理解为否定历史。

否定历史，又会被理解为否定整个群体。

所以，人们嘴上讨论的是技术，

心里保护的却是情感记忆。

五、纯粹理性的人，只存在于模型里

我们在讨论决策时，常常假设人是理性的。

有了数据，就会调整观点。

发现旧方法无效，就会采用新方法。

比较成本和收益，就会选择最佳方案。

可真实的人不是这样，

人的决定受到太多难以衡量的因素影响。

记忆、偏见、自尊、恐惧、归属感，

对身份的需要，对稳定的渴望，

甚至某一次受伤的经历，都可能影响之后的判断。

所以，你给一个人展示更好的数据，他未必接受。

不是因为他看不懂，

而是因为接受这个数据，会伤害他正在保护的某样东西。

也许是职位，也许是面子，也许是过去几十年的努力，

也许是他对自己“我是一个正确的人”的想象。

这也是为什么，很多组织改革不能只做理性计算。

如果只告诉员工，新系统效率更高。

员工可能只会听见，你过去的工作方式已经没有价值了。

如果不处理这种情感，改革就会遇到隐形抵抗。

尊重理智，并不意味着否定情感。

人之所以为人，不只是因为会计算，还因为会感受。

理智帮助我们分析世界，

情感让我们知道什么值得分析，什么结果值得追求。

六、纯粹理性，也可能成为另一种陷阱

有些人一看到情感影响决策，就会得出另一个极端结论，

应该排除所有情绪，只根据数据做决定。

这同样有问题，数据可以告诉你哪种方案效率更高。

但数据无法单独回答，

这个效率是为了什么？

谁会承担代价？

什么东西不能被牺牲？

什么生活才是值得追求的？

比如一套系统可以最大化生产效率，却让所有人变得疲惫、焦虑和失去尊严。

从数字上看，它可能非常成功，从人的角度看，却未必值得。

飞机、雷达和信息分析可以提高反潜效率，

但决定如何使用这些能力的，仍然是人。

技术提供的是可能性，

价值观决定我们选择哪种可能性。

所以，理智和情感不是非此即彼，

纯粹情感会让人失去判断，

纯粹理智则可能让人忘记，判断最终是为了人的生活。

真正成熟的决策，是让理智帮助我们看清事实，让情感帮助我们确认价值。

七、人类为什么不喜欢“螺丝钉式”的工作？

书中还提到一个有意思的判断，

在教学过程中，人类的不确定性和反抗性，会造成巨大的知识浪费和效率损失，所以让计算机教计算机，可能比教人容易。

这句话听上去有些残酷，却指出了人与机器的根本差异。

机器可以按照规则重复执行，

不抱怨、不走神、不质疑，

不因为昨天心情不好，今天就换一种方式。

但人不是这样，人会厌倦机械重复，

会怀疑规则是否合理，

会因为没有意义感而降低投入，

也会在教学过程中突然走神，联想到完全不相关的事情。

从效率角度看，这些都是缺陷，

但从创造力角度看，这些又是人的价值。

人类不喜欢当螺丝钉。

因为人会追问：

为什么要这样做？

有没有别的方法？

这件事与我有什么关系？

这种不服从会制造管理成本，

但很多创新，也恰恰来自这种不服从。

机器更擅长在已知规则里稳定执行。

人类的价值，则常常出现在规则边界之外。

八、AI真正适合做的，是帮助我们扩展理性

如果人类能够用好AI，AI会成为人的延伸。

它可以帮助我们处理大量数据，

计算概率，寻找规律，模拟不同方案，检查逻辑漏洞，

发现人类容易忽略的关联。

在潜艇战这样的有限系统中，机器可以快速整合航线、通信、天气、雷达信息和历史记录，计算潜艇可能出现的位置。

这是机器的优势，

它不会因为怀念水面舰艇的荣光，就故意忽略飞机的价值，

也不会因为某项技术由竞争部门提出，就本能地拒绝。

但AI也不会自动知道，人类最终想要什么。

它可以计算如何提高命中率，

却无法独立决定战争是否值得。

它可以帮助企业降低成本，

却不会天然关心被裁掉的人如何生活。

它可以找到流量最大化的内容，

却不会自动判断这些内容是否正在破坏公共信任。

所以，AI应该扩展人的理性，而不是替代人的价值判断。

让机器帮助我们减少偏见，

但不能把人从决策链中彻底移除。

九、使用AI之前，先学会把问题说完整

大模型时代，很多人把注意力放在寻找答案上。

怎样让AI写出更好的文案？

怎样让AI生成更漂亮的图片？

怎样让AI帮我做商业计划？

但真正决定结果的，往往不是模型知道多少，

而是使用者能否准确描述问题。

一个完整的问题至少要包括：

我们真正想改变什么？

当前情况是什么？

限制条件有哪些？

哪些因素可以调整？

哪些原则不能牺牲？

如何判断结果好坏？

可能出现哪些副作用？

如果连这些都说不清楚，AI再强，也只能根据模糊意图猜测。

人类最常犯的错误，是把一个局部目标当成完整问题。

比如：“帮我提高转化率。”

但提高谁的转化率？

通过什么方式？

能否牺牲用户信任？

短期转化和长期复购怎样权衡？

如果利用焦虑和误导提高转化，算不算成功？

问题描述得不完整，答案越高效，风险反而越大。

所以未来真正重要的能力，不只是使用AI，

而是定义问题。

会提问的人，可以借助AI放大判断，

不会提问的人，只会让AI更快地执行自己的误解。

十、真正的预测，不是复制过去，而是更新过去

“针对过去，计算未来”，听起来像所有预测工作的基本原则。

我们当然要研究历史数据，

了解过去发生过什么，寻找规律。

但过去只能作为起点，不能作为答案。

真正有价值的预测，必须同时完成两件事。

第一，从历史中提取可重复的部分。

第二，识别今天有哪些条件已经不同。

如果只做第一步，我们就会机械复制过去。

第一次世界大战护航制有效，所以之后仍然只想着护航。

过去水面舰艇是核心，所以飞机永远只是辅助。

过去某种商业模式成功，所以未来继续加大投入。

这种做法看起来尊重经验，实际上只是把记忆当成了规律。

真正的规律，不是过去发生了什么，

而是它为什么会发生。

只有找到因果条件，才能判断这些条件今天是否仍然成立。

十一、普通人怎样避免拿过去计算未来？

第一，先识别自己正在默认什么。

每一个判断背后，都藏着一些没有说出口的前提。

把它们写出来，才有机会检查。

第二，区分经验和规律。

“过去一直这样做”只能证明习惯存在，不能证明它仍然有效。

第三，主动寻找发生变化的条件。

技术、用户、环境、组织和成本结构，有没有已经不同？

第四，允许不同身份的人参与讨论。

一线员工、用户、技术人员和管理者看到的是不同世界。

单一视角很容易制造盲区。

第五，把观点与自我价值分开。

承认旧判断不再适用，不等于否定过去的自己。

过去的你，是在当时信息下作出的选择。

今天更新判断，是对过去经验的升级，不是背叛。

第六，让AI处理可以计算的部分。

数据整理、方案模拟、概率分析、模式识别，都可以交给机器辅助。

第七，把最终价值判断留给人。

效率重要，

但人的尊严、信任、安全和幸福同样重要。

结语：

人类总希望通过过去预测未来，这是我们的本能。

因为过去是已知的，未来是不确定的。

记忆会给人安全感，

但真正危险的是，我们常常忘了过去的答案，只适用于过去的问题和过去的条件。

技术会改变，环境会改变，对手会改变，人的需求也会改变。

如果我们只记住旧答案，却没有重新定义问题，就会出现一种荒诞局面。

明明飞机和雷达已经出现，我们仍然只把它们当成舰船的附属品。

明明潜艇的活动可以被分析，我们仍然相信只能在大海中盲目搜索。

明明AI可以帮助我们处理庞大信息，我们却只让它更快地完成旧流程。

真正的进步，不是拥有更多答案，

而是敢于重新提出问题。

敢于承认过去的正确可能已经过期，

也敢于让理智和情感共同参与决定。

理智告诉我们，现实发生了什么。

情感告诉我们，什么值得被保护。

机器帮助我们扩大计算能力。

人类则必须决定，这些能力最终要把我们带向哪里。

如果能做到这一点，AI就不会只是另一台替我们工作的机器。

它会成为人类认知的延伸，

而我们也终于不再只是针对过去，机械地计算未来。

欢迎点赞、转发、评论。

我是吴大爷，夜风同学

愿一路陪你共同成长！