停停停，别让自己骗了自己：刘韧重读卡尼曼《快思慢想》笔记

②再看

③停10分钟，想想。④再停1分钟，想想。⑤再停1分钟，想想。

一、 认知的数学模型：积分与微分

卡尼曼的核心论点是将大脑运作分为“系统1”（快思考）和“系统2”（慢思考）。但这不仅仅是心理学划分，用微积分的语言叙事，更能洞察其本质。

1. 系统1是“积分”（Integration）：

• 定义：系统1在大脑后台持续运行，它无意识地累积我们过去所有的经验、偏见、情感和记忆。它是在计算“人生函数的曲线下面积”。
• 特征：它是经验主义的累积。当你看到一张愤怒的脸，你不需要计算，你瞬间就能感知威胁。这是因为你的大脑已经对过去数百万年的进化数据和你是几十年的人生经验完成了“积分”。
• 缺陷：积分不仅累积了智慧，也累积了噪音和错误。它默认假设过去函数的趋势会延续到未来（归纳法谬误）。

• 定义：系统2是耗能的、线性的、逻辑的。它关注的是“变化率”，是切线的斜率。
• 特征：当系统1遇到这一秒与上一秒的积分类似性断裂时（例如看到一只蓝色的香蕉），导数突变，系统2被唤醒。它是为了处理不连续性、异常值和复杂计算而存在的。
• 缺陷：极其懒惰。大脑为了节省葡萄糖，默认让系统1接管方向盘。大多数人的一生，都在用系统1的惯性滑行，极少启动系统2进行“求导”修正。

二、 投资中的“黑箱”与偏见函数

在投资领域，卡尼曼的理论解释了为什么聪明人会做蠢事。这依然可以用数学偏差来解释：

1. WYSIATI（所见即所得）= 数据集截断：

• 系统1极度依赖“可得性”（Availability）。它只基于眼前可见的数据（样本 ）构建故事，而完全忽略未见的数据集（样本 ）。
• 推论：投资者往往因为近期的一条利好新闻（），就线性外推公司的未来，完全忽略了沉默的大多数负面因子（）。这是小样本定律（Law of Small Numbers）的数学本质——试图用极小的 去拟合整个 。

• 卡尼曼最伟大的贡献在于修正了伯努利的效用函数。
• 非凸性（Non-convexity）：在收益区间，函数是凹的（风险厌恶）；在损失区间，函数是凸的（风险追求）。
• 斜率不对称：损失带来的痛苦斜率，大约是收益带来快乐斜率的2.5倍。
• 推论：这解释了为何散户拿不住盈利单（落袋为安，处于凹函数区间），却死扛亏损单（赌徒谬误，处于凸函数区间）。

• 在求解决策方程时，任意给定的初始值 （哪怕是随机的轮盘赌数字），都会像引力一样扭曲最终的解 。这是系统1试图维持认知连贯性的必然结果。

三、 专家视角的行动方案

作为一名崇尚波普尔证伪主义和哈耶克自发秩序的思考者，我并不认为我们能完全消除系统1的偏见，但我们可以设计一套“算法”来约束它。

立刻可执行的行动计划（Action Plan）：

1. 建立“事前验尸”机制（The Pre-mortem）：

• 操作：在做一个重大投资或决策前，假设现在是“未来一年后”，且该决策已经彻底失败。
• 目的：强制启动系统2。这不是简单的风险评估，而是通过“时间倒流”的叙事，打破系统1的乐观偏见（Optimism Bias）和确认偏见（Confirmation Bias）。写下导致失败的三个具体原因。

• 操作：忽略个案的生动描述（代表性启发法）。
• 公式：在预测任何事件（如创业成功率、孩子考上名校概率）时，先查阅该类别的外部统计基准率（Base Rate）。
• 校准：。如果你的证据来源于面试或直觉，权重应设得极低。

• 卡尼曼的研究表明，简单的线性加权公式（）往往优于专家的临床判断。
• 操作：在招聘或选股时，列出5-6个关键特征，独立打分，然后简单相加。不要让面试时的“眼缘”（光环效应）覆盖了冷冰冰的分数。

• 视角：既然人类的系统2懒惰且昂贵，那就外包。
• 操作：像我使用NotebookLM一样，将复杂材料喂给AI，要求它列出反方观点、逻辑漏洞或统计谬误。让AI扮演那个“唱反调的人”，迫使你的大脑进入慢思考模式。

结语：

自由意志往往是幻觉，大多数时候我们只是被生物化学算法驱动的机器（系统1）。唯有在极少数时刻，当我们意识到思维的惯性，并强行启动系统2去审视、去计算、去证伪时，我们才真正拥有了独立的人格与自由。

保持怀疑，保持计算。