认知校准 07｜信号与噪音——在信息过剩的时代找到值得听的

问题不是信息不够。
问题是有用的信息被淹没在了噪音里。

你每天打开手机，扑面而来的是几百条信息：新闻推送、社交媒体动态、行业文章、播客推荐、群聊消息、邮件通知。每一条都觉得自己很重要。关掉手机之后你发现：你花了一个小时消费信息，但你对正在做的那个重要决定没有变得更有信心，甚至更困惑了。

这不是信息的错，也不是你的注意力有问题。这是信号/噪音比的问题——你接收的信息里，大部分是噪音。噪音不是错误信息（那叫虚假信息），噪音是和你的判断无关的信息。它们单独看都是「真的」，但它们对你正在做的决定没有区分力。

这一篇是认知校准系列的最后一篇。前面六篇讲了你的大脑在处理信息时的各种偏差——快系统的捷径、确认偏差的滤镜、过度自信的膨胀、叙事引力的拉扯、锚定的粘附、更新的方法。这一篇要讲的是更上游的问题：你让什么信息进入你的判断系统。

一、信号与噪音：不是所有信息都值得处理

Nate Silver 在《信号与噪声》里用了一个简单但深刻的框架来区分信号和噪音。

信号是那些反映了真实的、持续的、有意义的模式的信息。 一个公司连续六个季度营收增长——这是信号。一个朋友在三次不同的场合里都对你说了类似的反馈——这是信号。你连续一个月记录睡眠后发现每次失眠都和晚上喝咖啡有关——这是信号。

噪音是那些随机的、一次性的、不反映持续模式的信息。 一只股票今天涨了 3%——这几乎肯定是噪音。一个网友对你的文章发了一条尖锐的评论——这大概率是噪音。你今天感觉特别累——如果只是一天，这是噪音。

信号和噪音的区分不总是明显的。同一条信息在不同的语境下可能是信号，也可能是噪音。关键问题是：这条信息在多大程度上改变了你对事实的最优估计？ 如果它的区分力很强——也就是说，如果真相是 A 它出现的概率远高于如果真相是 B——那它是信号。如果它在两种情况下都差不多会出现，那它是噪音。

这和上一篇讲的贝叶斯更新直接相关。一条信息值不值得你调整判断，取决于它的区分力。区分力弱的信息就是噪音——不是因为它假，而是因为它不帮你区分。

Silver 的一个核心论点是：在很多领域里，增加信息量不仅不能提高判断准确度，反而会降低。 因为新增的信息里大部分是噪音，而人的大脑会把噪音当信号来处理——会在随机数据里找模式、编故事、产生虚假的信心。这和认知校准 04 讲的叙事偏差是同一个机制。

二、信息来源的层级

不是所有信息来源的可靠度都一样。建立一个信息来源的层级意识，是提高信号/噪音比的第一步。

第一层：一手数据和原始研究。 你自己做的实验、你自己收集的数据、同行评议的学术研究。这些信息的噪音最少，因为它们有明确的方法论和质量控制。你不需要是科学家才能使用这一层——你自己记录的睡眠数据、你自己追踪的投资回报、你自己观察到的行为模式，都属于一手数据。

第二层：高质量的专业分析。 行业报告、专业媒体的深度报道、有专业背景的分析者的长文。这一层的信息经过了分析者的筛选和解读，有附加的价值，但也有附加的偏差——分析者自己的确认偏差、叙事偏差、利益关系都可能渗入。

第三层：专家观点和评论。 有领域专业知识的人对事件的看法。有价值，但需要注意：专家在自己的专业领域内通常比外行准，但一旦超出专业领域，他们的判断并不比普通人好——甚至可能更差，因为他们更自信。Tetlock 的研究证实了这一点。

第四层：策展内容和二手转述。 博主、播客、自媒体的内容。这一层的质量差异最大。最好的博主做的是有效的策展——他们帮你从海量信息里筛选出值得关注的。最差的博主做的是放大噪音——他们把一条没什么区分力的信息包装成一个惊天发现。

第五层：社交媒体和即时信息流。 推特、微博、朋友圈、群聊。噪音比最高。这一层的信息设计目标不是帮你做好判断，而是让你停留更久。算法优化的是参与度（engagement），不是信息质量。

这个层级不是说第五层的信息全无价值。社交媒体偶尔也能传递重要信号——比如一个你信任的人分享的亲身经验。但作为信息摄入的默认来源，它的信号/噪音比太低了。

我自己经过一段时间的调整，发现了一个对我有效的信息摄入比例：大概 50% 的信息时间花在第一层和第二层，30% 在第三层，20% 在第四层和第五层。 在我调整之前，这个比例大概是反过来的——大部分时间花在社交媒体和博主的内容上，很少时间花在原始研究上。翻过来之后，我明显觉得自己对很多问题的理解变得更扎实了——不是因为我比以前更聪明，而是因为我的输入质量提高了。

三、信息过载的认知代价

信息不是免费的。即使你不需要为一条信息付钱，处理它仍然有认知成本。

Herbert Simon（西蒙）早在 1971 年就预见到了这一点。他说了一句后来被广泛引用的话：「信息丰富意味着注意力贫乏。」 你的注意力是有限的认知资源——关于注意力和能量的生理基础，注意力 01 有详细讨论。每一条你处理的信息，不管最后有没有用，都消耗了一些注意力。而当你的注意力被消耗到一定程度之后，你做判断的质量会显著下降。

Nassim Taleb（塔勒布）在这个基础上提出了一个更尖锐的观点：频繁查看信息不仅浪费注意力，还会系统性地让你的判断变差。 他的理由是：你看信息的频率越高，你看到的噪音和信号的比例就越高。

想象你持有一只基本面很好的股票。如果你每年看一次价格，你看到的几乎全是信号——一年的涨跌反映的是公司真实的经营变化。如果你每天看，你看到的大部分是噪音——日波动反映的是市场情绪、短期资金流动、随机事件。如果你每小时看，噪音比更高。你看得越频繁，你接收到的噪音比例越大，你对这只股票的判断就越容易被噪音干扰。

这个原理不只适用于投资。

你关注的一个领域，如果你每天刷相关的最新动态，你接收到的信息里大部分是日常的随机波动——谁说了什么、哪个指标今天变了多少。但如果你每周看一次高质量的周报式总结，你接收到的信息里信号的比例会高很多——因为一周的时间过滤掉了大部分噪音，剩下的更可能反映真实的趋势。

我自己在调整信息消费习惯的时候，做了一个实验：把所有社交媒体的通知关掉，改成每天固定两个时间段查看，每次 15-20 分钟。 三周之后我发现：我错过的重要信息大概是零。真正重要的事情——真正能改变我的判断或需要我行动的信息——从来不需要实时获取。它们通过多个渠道反复出现，你不可能错过。那些只出现一次、转瞬即逝的信息，几乎全是噪音。

四、建立你的信息过滤系统

知道了信号和噪音的区别，下一步是建立一个个人的信息过滤系统。这个系统的目的不是帮你获取更多信息——你已经有太多了——而是帮你筛掉噪音，让信号更容易被看到。

第一个原则：周期性摄入优于实时摄入。

Cal Newport（卡尔 · 纽波特）在《数字极简主义》里提出了一个让很多人不舒服的建议：你应该有意识地选择信息摄入的节奏，而不是让信息的供给节奏来控制你。 大部分信息不需要实时消费。新闻可以一天看一次，行业动态可以一周看一次，社交媒体可以每天定时看两次。

周期性摄入的好处不仅是节省时间。更重要的是，它让时间帮你做了一轮过滤。 今天看起来很重要的新闻，到明天可能就没人记得了——说明它是噪音。一周之内反复出现的主题，到周末还在被讨论——说明它更可能是信号。

第二个原则：信息源的数量应该少而精。

大部分人关注了太多的信息源。每多关注一个，你的信号/噪音比就降低一点。与其关注五十个信息源然后每个看一点，不如精选五到十个高质量的、然后认真看。

怎么选？几个标准：

这个信息源是在帮你思考，还是在帮你情绪化？
它的预测和判断有没有事后被验证过？
它有没有承认自己错过的时候？一个从不认错的信息源，可信度是有问题的。
它的商业模式是什么？靠广告活的信息源有激励去制造噪音（更多点击），靠订阅活的通常对内容质量有更强的激励。

第三个原则：主动搜索优于被动接收。

社交媒体和推荐算法是被动信息系统——它们把信息推给你，由算法决定你看到什么。RSS、邮件订阅、定期阅读特定出版物是主动信息系统——由你决定你看到什么。

主动信息系统的信号/噪音比几乎总是高于被动系统。原因很简单：被动系统优化的是让你停留更久（这需要噪音和情绪刺激），主动系统优化的是你选择的标准（通常是信息质量）。

我自己的信息系统经过几次迭代，现在大概是这样的：

每日：用 RSS 阅读器看 8-10 个我精选的博客和媒体的更新，总时间 20-30 分钟。社交媒体每天固定两个时段看，每次 15 分钟。
每周：读一到两篇长文或一个播客的完整内容。通常是我关注的几个深度写作者的更新。
每月：翻一下我订阅的几份研究通讯，看看有没有和我关注的领域相关的新研究。
按需：当我对某个特定问题需要做判断时，主动搜索那个问题的高质量信息——学术文献、行业报告、信得过的分析。不等信息来找我，我去找它。

这套系统不完美——它会让我偶尔错过一些热门话题。但我发现这些热门话题对我的实际判断和决策几乎没有影响。我错过的是谈资，我留下的是决策质量。

五、噪音审计：检查你的信息摄入

如果你想改善自己的信号/噪音比，可以从一个简单的练习开始：噪音审计。

做法：记录你这一周消费的所有信息来源和大致时间。 包括新闻 app、社交媒体、播客、视频、群聊、邮件通讯等等。不需要精确——大概的时间和来源就够了。

一周结束后，回答三个问题：

哪些信息改变了我本周的某个判断或决定？ 能回答出来的，是信号。
哪些信息消耗了我的时间，但对我的任何判断都没有影响？ 这些是噪音。
如果我这一周没有看这条信息，我会错过什么重要的事吗？ 如果答案是「不会」，那它是噪音。

大部分人做完这个练习之后会发现：他们消费的信息里有 70-80% 是噪音。这不夸张——这是信息供给过剩的自然结果。你不是信息消费能力有问题，是信息供给端的激励结构让噪音成为了大多数。

知道了噪音在哪里之后，你可以做两件事：减少噪音源的摄入频率（比如把某些 app 的通知关掉），或者增加信号源的权重（比如给高质量的信息来源留出固定的阅读时间）。

六、最后的校准：整个系列的回顾

这一篇写的是信息的入口。但退一步看，这个系列写的是一个完整的认知校准链条：

你有两套处理系统，快的那套常常替你做了决定（第一篇）。你在寻找信息的时候倾向于只找支持自己的（第二篇）。你对自己找到的答案比实际更有信心（第三篇）。你把随机事件编成有因果的故事（第四篇）。你的判断被你最先听到的数字锚住了（第五篇）。面对新证据，你需要渐进地更新而不是翻烧饼（第六篇）。而这一切的前提是——你让什么质量的信息进入了你的判断系统。

认知校准不是一次性的。 它是一种持续的练习——像调音一样，你的判断会不断跑偏，你需要不断拉回来。这七篇给你的不是一套理论，而是七个具体的检查点。你不需要在每个决定上跑完七个检查点——那太累了。但你需要知道它们在哪里，在那些重要的、不可逆的、影响深远的决定面前，至少跑一两个。

我写这个系列的过程中自己也在做这件事。每写一篇，我都会问自己：我在写作过程中有没有犯我正在写的那个偏差？答案经常是有。写确认偏差那篇的时候，我确实在挑选支持我观点的研究。写叙事偏差那篇的时候，我确实在把研究发现编成比实际更流畅的故事。知道偏差的存在不等于免疫——它只是给了你一个暂停的机会，让你在犯错之前多问自己一句。那一句问话，大多数时候够了。

这一篇之后，你可以做的

所有人：可以试着做一次噪音审计——记录这一周你的信息来源和时间，周末回答那三个问题：哪些改变了你的判断、哪些纯粹消耗了时间、哪些如果没看也不影响你。
被信息流控制了时间的：也许可以试一个星期的定时信息摄入——把社交媒体的通知关掉，改成每天固定两个时段查看，每次限时 15 分钟，看看你会不会错过什么真正重要的事。
想建立自己的信息系统的：可以先做一件事——精选 5-10 个你认为质量最高的信息源，用 RSS 阅读器（Feedly、Inoreader 等都可以）订阅，每天花 20 分钟看。一个月后评估一下，这些信息源里有多少信号、多少噪音，需不需要换。
经常觉得"信息好多、读不完"的：也许问题不在你的阅读速度，而在你的信息摄入量。不是读得更快的问题，是读得更少、更精的问题。试着把"全部读完"的目标改成"只读那些能改变我某个判断的"。

一点边界

信息过滤系统有一个风险：它可能变成一个高级版的确认偏差工具——你只订阅和你观点一致的信息源，把所有不同意见都当噪音过滤掉了。好的信息系统应该有意识地保留一两个和你立场不同但质量高的信息源。
「减少信息」不等于「不关心世界」。你减少的是噪音，不是信号。好的信息过滤反而让你对那些真正重要的事情了解得更深。
有些领域需要即时信息——如果你是交易员、急诊医生或者新闻记者，实时信息流是你的工作工具，不适合用周期性摄入来替代。信息策略要匹配你的实际需求。

这个系列会讲什么

参考

Silver（2012），Penguin Press：The Signal and the Noise: Why So Many Predictions Fail—but Some Don't
Taleb（2007），Random House：The Black Swan: The Impact of the Highly Improbable
Newport（2019），Portfolio/Penguin：Digital Minimalism: Choosing a Focused Life in a Noisy World
Simon（1971），Computers, Communication, and the Public Interest，Johns Hopkins Press：Designing organizations for an information-rich world
Tetlock & Gardner（2015），Crown Publishers：Superforecasting: The Art and Science of Prediction
Kahneman, Sibony & Sunstein（2021），Little, Brown Spark：Noise: A Flaw in Human Judgment