认知校准 06｜贝叶斯更新——怎么用新证据改老结论

不是「我对了」或者「我错了」。
是「根据新信息，我需要把概率从 70% 调到 55%」。

你有没有遇到过这种情况：你对一件事有一个判断，然后看到了一条新信息——和你的判断矛盾。你会怎么做？

大多数人的反应落在两个极端之间。

一种是不动。你看到了那条信息，但你觉得它不够有力，或者它来源不可靠，或者它可能是个例外。于是你把它归档到「不足以改变我的判断」那一栏，继续相信原来的结论。这是你在认知校准 02 读过的确认偏差在运作。

另一种是翻烧饼。你看到了那条信息，立刻觉得「原来我一直都错了」，整个推翻之前的判断，转向相反的立场。过几天又看到一条新信息，又翻回来。你的判断像一块翻来翻去的烧饼，每次只看最后那条信息。

贝叶斯更新是第三条路。 它不是不动，也不是翻烧饼。它是根据新证据的强度，按比例地调整你原来的判断。调多少取决于新证据有多强——不是一条新信息就推翻一切，也不是看到反面证据就假装没看到。

一、贝叶斯定理的直觉版本

Thomas Bayes（贝叶斯）是 18 世纪的英国牧师和数学家。他提出的定理用数学语言写出来有一堆公式，但它的核心思想用日常语言完全可以说清楚。

贝叶斯更新的逻辑是三步：

第一步，你有一个先验判断（prior）。 在看到新信息之前，基于你已有的知识和经验，你对一件事的判断是什么？这个判断可以用概率表达。比如：「我觉得这个项目能成功的概率大概是 60%。」

第二步，你看到了新证据（evidence）。 这条新证据和你的先验判断有什么关系？它是支持你的判断还是反对？如果你的判断是对的，这条证据出现的概率有多大？如果你的判断是错的，这条证据出现的概率又有多大？

第三步，你更新你的判断（posterior）。 根据新证据的强度，把你的先验概率调高或调低。调多少取决于这条证据有多大的区分力——也就是说，如果你的判断是对的和如果你的判断是错的，这条证据出现的概率差别有多大。

举个例子。你怀疑一个新同事不太靠谱。你的先验判断是：他有 40% 的概率靠谱，60% 的概率不太靠谱。然后你发现他一份重要的文件交晚了两天。你需要做的不是「因为他交晚了所以他不靠谱」，也不是「也许他有特殊原因所以我不改判断」。你需要问的是：如果他靠谱，他交晚两天的概率是多少？如果他不靠谱呢？

如果靠谱的人偶尔也会晚交（比如 20% 的概率），而不靠谱的人经常晚交（比如 60% 的概率），那这条证据有一定的区分力，但不是铁证。你的判断应该从 40%/60% 调到大概 18%/82% 左右——他靠谱的概率降了，但没有降到零。他不靠谱的概率升了，但也不是 100%。

这就是贝叶斯更新的核心：渐进调整，不是非此即彼。

二、先验很重要——你带着什么来看证据

贝叶斯更新有一个容易被忽略的重要含义：你的先验判断会影响新证据对你的影响力。

如果你的先验非常强——比如你有 95% 的信心认为某件事是对的——那一条普通的反面证据不会让你的判断大幅改变。要改变一个 95% 的先验，你需要非常强的证据。这在很多时候是合理的：你对太阳明天会升起有 99.99% 的信心，一个人跟你说「我梦到明天太阳不升起了」不应该改变你的判断。

但这也是贝叶斯更新容易被滥用的地方。如果你的先验本身就是错的——比如你因为确认偏差而对某件事有了过高的信心——那后续的所有证据都会被你的错误先验过滤掉。 你会需要大量的反面证据才能把你的判断拉回来，而在这个过程中你可能一直在犯错。

这就是为什么认知校准 03 讲的校准你的置信度那么重要。如果你一开始就标了一个过高的信心（比如你觉得 90% 确定，实际上合理的信心是 60%），你的贝叶斯更新就会太慢——你会对反面证据反应不足。

Nate Silver（内特 · 西尔弗）在《信号与噪声》里讲过一个很好的例子。在 2008 年金融危机之前，大量的风险模型把房价下跌的先验概率设得非常低——因为在他们的历史数据里，全国性的房价下跌从来没发生过。当市场开始出现不对劲的信号时，这些模型因为先验太低，需要极端强的证据才会发出警报。结果等到证据足够强的时候，危机已经发生了。

教训是：给你的先验留一些不确定性空间。 不要把任何判断设到 95% 以上，除非你有真正压倒性的证据。留一扇窗——哪怕是 5-10% 的「我可能是错的」——让新信息有可能改变你的判断。

三、区分力：不是所有证据都一样有用

贝叶斯更新中最需要练习的概念是：不同的证据有不同的区分力。

区分力的意思是：一条证据在「你的判断对的情况下」和「你的判断错的情况下」出现的概率差别有多大。差别越大，区分力越强，你应该调整的幅度越大。

举几个例子。

你怀疑自己可能生了某种病，然后你去网上搜症状，发现你有其中三个症状。这三个症状的区分力强吗？不一定。如果这些症状很常见——比如头痛、疲劳、食欲不好——那有这种病的人有这些症状，没有这种病的人也经常有。区分力很弱，你不应该大幅调高「我有这种病」的概率。但如果其中一个症状是这种病特有的、在健康人群中极少出现的，那这个症状的区分力就很强，你应该认真对待。

这就是为什么基础概率（base rate）很重要。 一个检测准确率 99% 的测试，在一个患病率只有千分之一的人群里，阳性结果是真阳性的概率只有大约 9%。大多数人听到「99% 准确率」就觉得阳性结果意味着自己几乎确定有病——这是忽略了基础概率。

我在评估自己内容策略的时候经常需要区分证据的区分力。比如，一篇文章的阅读量很高。这能说明我的选题策略对了吗？不一定——也许那天恰好有一个热点和我的话题相关，也许是某个大号转发了，也许是平台算法那天偏向了我的品类。阅读量高和「策略对了」之间的区分力没有那么强。 一个区分力更强的信号是什么？是这篇文章的读完率和互动质量——因为读完率高意味着内容本身在留住人，这和策略的关系更直接。

四、更新的节奏：频繁、小幅、持续

Tetlock 在超级预测者的研究中发现，预测最准的人有一个共同特征：他们频繁地、小幅度地更新自己的判断。

这和大多数人的做法相反。大多数人在做出判断之后就「锁定」了——他们心里的概率是一个固定的数字，除非遇到震撼性的新信息才会改变。超级预测者不这样。他们的概率是活的——今天 63%，明天看到一条新闻调到 66%，后天看到一份报告调回 61%。

这种频繁的小幅更新有两个好处。 第一，它让你的判断始终跟踪最新的信息，不会因为「锁定」而落后于现实。第二，它养成了一种心态——你的判断是暂时的，是基于当前信息的最优估计，而不是一个需要被捍卫的立场。

和翻烧饼的区别是什么？翻烧饼是看到一条信息就从一个极端跳到另一个极端——从 80% 跳到 20%，再跳回来。贝叶斯更新是从 63% 调到 58%，再从 58% 调到 61%。幅度小、方向可能来回变，但整体趋势是越来越接近真实情况。

我自己在处理不确定的信息时，试着用一个简单的框架来做更新。每次看到新信息，我不问自己「这条信息说明我对不对」——这个问题会触发确认偏差。我问的是：「这条信息应该让我把概率往哪个方向调？调多少？」 具体的数字不需要精确——从「大概 60%」调到「大概 55%」就够了。重要的是保持「调整」这个动作，而不是在「我对了」和「我错了」之间做二选一。

五、翻烧饼和更新的区别

这个区别值得专门讲清楚，因为很多人把「改变观点」和「没有主见」混为一谈。

翻烧饼的特征是：

看到一条信息就彻底推翻之前的判断
不考虑之前积累的所有证据，只根据最新一条信息决定立场
每次改变都是从一个极端到另一个极端
没有一个稳定的评估框架

贝叶斯更新的特征是：

根据新证据的强度按比例调整
之前积累的证据以先验概率的形式保留——不因为一条新信息就全部清零
每次调整的幅度取决于新证据的区分力
有一个稳定的评估框架——概率从来不是 0 或 100

Sharon Bertsch McGrayne（麦格雷恩）在《不会犯错的理论》里讲了贝叶斯思维在历史上的应用。从二战时期破解德军密码到冷战时期寻找失踪的核潜艇，贝叶斯方法在极端不确定的环境里反复证明了它的价值。这些故事的共同主题是：在信息不完全的情况下，最好的策略不是等到有了完美的证据再行动，而是基于当前最优的估计行动，同时保持开放，随时根据新信息调整。

这个原则在日常生活中也一样。你在选择职业方向、评估一段关系、决定一个投资——你永远不会有完美的信息。贝叶斯思维给你的许可是：你可以在不确定的情况下有一个倾向，但这个倾向不是立场，是概率。概率是可以变的。改变概率不是软弱，是理性。

六、可以今天就开始的练习

把贝叶斯更新变成思维习惯，不需要做数学题。你需要的是两个练习。

练习一：概率化你的判断。 挑三件你当前不确定的事情——一个工作上的，一个生活上的，一个你关注的公共事件的——给每件事标一个概率。不需要精确，「大概 60%」「也许 40%」就够了。写在备忘录或笔记里。然后每周回来看一次，根据这一周你看到的新信息，调一下数字。不需要每次都调——如果没有新信息或者新信息区分力不强，不调也是一种合理的更新。

练习二：事后追踪。 一个月后回来看，那些概率高的判断是不是大部分对了，概率低的是不是大部分错了。如果你标了 70% 的判断有一半是错的，说明你过度自信了，下次要把 70% 降级到 55-60%。这和认知校准 03 讲的置信度校准是同一个反馈回路。

我自己做了差不多一年的概率日志。刚开始的时候我的校准很差——我标「非常可能」的判断只有大概一半是对的。做了几个月之后开始改善，因为每次回来核对都在修正我对「非常可能」这种感觉的理解。现在我说「非常可能」的时候，大概有 80% 的时候是对的——不完美，但比一年前准多了。

贝叶斯更新最大的价值不是让你做出完美的预测。它改变的是你和不确定性的关系。 你不再需要在「我对了」和「我错了」之间做选择。你有了第三个选项：「我大概是对的，但新信息可能改变这个估计。」这种心态让你在接收新信息的时候更平静、更开放，也让你在做决定的时候更果断——因为你知道这个决定不需要是最终的，你可以随时根据新证据调整。

这一篇之后，你可以做的

所有人：可以试着挑一件你目前不确定的事情，给它标一个概率。写下来。一周后回来，根据这一周的新信息，看看这个概率需不需要调。
正在做不确定决策的：也许可以在做决定之前，写下你的先验判断（你觉得 A 方案好的概率是多少？），然后列出你手上的关键证据，对每条证据标一下它的区分力——如果 A 方案真的好，这条证据出现的概率有多大？如果 A 方案不好呢？
经常改变想法被说「没有主见」的：也许可以想一想，你改变想法是翻烧饼（每次根据最新一条信息推翻一切），还是贝叶斯更新（根据新证据按比例调整）。如果是翻烧饼，试着保留你的先验——新信息是用来调整概率的，不是用来清零重来的。
对新闻和信息流反应很大的：可以试着在看到一条让你震惊的新闻后暂停一下，问自己：「这条新闻应该让我把我对这件事的概率调多少？5 个百分点？还是 30 个百分点？」通常答案是调的幅度比你的第一反应小很多。

一点边界

贝叶斯更新是一个思维框架，不要求你做精确的数学计算。日常应用的重点是养成「渐进调整」的心态，而不是算出精确的后验概率。
先验本身可能是有偏差的。如果你的先验来自确认偏差或过度自信，贝叶斯更新会放大而不是纠正这些偏差。所以校准先验（前面几篇讲的内容）是有效更新的前提。
在涉及强烈情绪的判断上——比如关系中的信任、对某个人的评价——贝叶斯更新可能和你的情绪处理过程冲突。这些场景里的判断不纯粹是理性的，不宜简单地套概率框架。

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
McGrayne（2011），Yale University Press：The Theory That Would Not Die: How Bayes' Rule Cracked the Enigma Code, Hunted Down Russian Submarines, and Emerged Triumphant from Two Centuries of Controversy
Tetlock & Gardner（2015），Crown Publishers：Superforecasting: The Art and Science of Prediction
Kahneman（2011），Farrar, Straus and Giroux：Thinking, Fast and Slow