06｜为什么我们爱用“像不像”来下判断？

一、先说结论

二、我们先理解一个问题

假设朋友介绍一个人给你认识，只说了一句：他话不多，喜欢一个人待在电脑前，戴眼镜，对技术细节着迷。

你的第一反应是什么？大概率是：他大概是个程序员。

再换一个版本：同样的描述，但这个人住在一个只有几百人的小镇上。你的直觉会变吗？多半不会——你还是觉得他像程序员。

可这里有一个被跳过的步骤：“像”不等于“很可能是”。 一个人符合程序员的典型形象，只能说明他“像”程序员，而不能直接推出他在所有职业中“最可能是”程序员。要得出后者，你还得知道：在这个人所属的人群里，程序员本身占多大比例？

这个被跳过的比例，就是本篇的核心。

三、作者到底提出了什么观点？

卡尼曼认为，人在做类别判断时，会用一个替代问题：把“它属于那一类的概率有多大”，换成“它有多像那一类的典型形象”。

这个机制就是代表性启发。它的运作方式是相似度评分：越符合某个类别的刻板形象，我们就越倾向于认为它属于那一类。

作者指出，代表性会带来三类典型错误：

1. 忽视基础比率。 某一类在总体里本来就稀少，哪怕描述再像，它的实际概率也未必高。
2. 忽视样本大小。 小样本更容易出现极端结果，而代表性判断对此毫不敏感。
3. 忽视运气与回归。 我们把随机波动读成了“这个人本来就是这样”。

换句话说：代表性负责给出一个连贯、生动的“像”，而概率需要的是枯燥的、藏在后台的数字。

四、把这个观点翻译成人话

我们的大脑里，装着一套“识人模板”。

看到一个人，系统 1 会立刻拿他和你脑子里的模板做比对：程序员、艺术家、销售、老师……哪个模板匹配度最高，哪个就胜出。这个过程不需要你主动，也不需要数字。

而真正的概率判断是另一回事。它至少要问：

• 这个人所在的环境里，各种职业各占多少？
• 这段描述本身有多可靠？
• 描述里的特征，哪些是典型特征，哪些只是巧合？

这些问题，系统 2 得一项项去算，很累；而系统 1 已经递上了一个“像程序员”的答案。大多数人于是停在了第一个答案上。

“像”是系统 1 的评分，“概率”是系统 2 的工作。

五、为什么会这样？

从信息加工的角度看，代表性其实是一种极高效的压缩：

flowchart TD
    A[遇到一个对象或一个人] --> B[系统1提取显著特征]
    B --> C[与记忆中的类别模板比对]
    C --> D[相似度最高的类别胜出]
    D --> E[感受: 就是它]
    E --> F{系统2是否复核}
    F -->|否| G[直接采纳, 形成判断]
    F -->|是| H[追问基础比率与样本大小]
    H --> I[可能修正判断]
    G --> J[刻板印象与误判]
    I --> K[更接近真实概率]

关键在 D 到 E 这一步：相似度一旦足够高，感受上的“确定”就已经产生。这种确定感来自匹配的顺畅，而不是来自任何概率计算。系统 2 如果不起疑，就不会去补那道基础比率的算术。

六、举一个现实生活中的例子

招聘场景最能说明问题。

假设你是一家公司的面试官，两份简历摆在面前：

甲：计算机专业，项目经历普通，成绩中等。 乙：非科班出身，但简历上写满了各种技术折腾，个人项目一堆小工具，说话时满口技术名词。

“像程序员”的直觉会立刻指向乙，因为乙更符合我们心中那个“技术迷”的形象。

但如果认真看基础比率呢？在你收到的所有简历里，科班、有系统训练的人占绝大多数；非科班的候选人本来基数就小，其中能把爱好做到能上岗的更是少数。于是，“乙很像”并不等于“乙更可能是合适的人”。

代表性在这里还叠加了一层更隐蔽的东西：刻板印象。当“程序员的典型形象”本身来自流行文化——不爱说话、戴眼镜、昼夜敲代码——你其实是在用一个被简化的形象，替代对眼前这个具体的人的判断。结果是：沉默寡言的人可能被高估，健谈开朗的候选人可能被低估，而真正的能力信号反而被形象信号盖住了。

这不是某个面试官的问题，而是所有人共用的默认设置。

七、回到书中重新理解

卡尼曼在书里讲过一个著名的判断难题：只给出一段性格素描，让你猜这个人最可能读什么专业。

实验里的典型结果是：人们会依据素描与各个专业“像不像”来排序，几乎不去考虑各专业招生人数的巨大差异。哪怕他们被告知了各专业的基础比率，也常常把它放在一边——因为他们手上那段生动的描述，比一个干巴巴的比例更有说服力。

卡尼曼由此指出，代表性不是偶发的失误，而是判断系统的常态工作方式。它解释了为什么我们那么容易被“人设”带走，也解释了为什么统计信息在具体个案面前常常败下阵来。它与可得性、锚定一起，构成了他所说的“启发式与偏差”研究的基础。

八、这个观点背后还有什么？

有几个隐含点值得拎出来。

第一，代表性不是错误，而是省钱的策略。 在大多数日常场景里，“像不像”确实能迅速给出够用的答案。它不是一个坏习惯，而是一个高效但对某些问题不敏感的工具。

第二，“像”之所以有力量，是因为它带来了连贯感。 一个符合模板的故事读起来顺畅，而顺畅被大脑翻译成了“可信”。

第三，刻板印象与代表性共享同一套机制。 刻板印象在很多时候并不是恶意的产物，而是类别化判断的副产品——这也正是它难以根除的原因。

第四，它把概率从直觉里赶了出去。 只要是“像不像”的判断，基础比率就天然处于劣势。要把它请回来，只能靠系统 2 刻意去问。

九、这个观点有问题吗？

十、今天再看这个观点

以下部分是基于卡尼曼思想的现代延伸，不是卡尼曼的原话。

在算法和人工智能的时代，代表性获得了新的形态。推荐系统、内容审核、人脸识别、简历筛选，本质上都在做同一件事：把人或物归入某个类别，再依据类别的“典型特征”做判断。区别只是，机器用的模板来自训练数据。

这意味着：如果训练数据里存在刻板印象，算法会把代表性放大成系统性的歧视。 招聘筛选、贷款审批、内容推荐，都曾出现过这类问题。卡尼曼当年描述的是人脑的倾向，而今天，这个倾向被写进了大规模运行的系统里。

对个人来说，这带来一个更实际的提醒：当你要对一个人下判断时，先问一句——我是在看“他像不像”，还是在看“他实际有多大概率”？前者是直觉，后者才是证据。

十一、这一篇真正应该记住什么？

1. 代表性启发：用“像不像某类”替代“属于那类的概率有多大”。
2. 它忽略基础比率：类别的总体稀少或普遍，被相似度盖住了。
3. 它忽略样本大小与运气：小样本和随机波动会被读成规律。
4. 刻板印象与它同源：都是类别化的快判断，难以根除。
5. “像”是感觉，“很可能”是概率：把这两者分开，是本文最实用的自查。

十二、留一个问题

下一篇：代表性让我们盯住眼前的“像”，而它对样本大小几乎不敏感。于是，只要连续发生几件同样的事，我们就会立刻宣布发现了一个规律。可问题是：几件事，究竟能说明什么？

下一篇我们就来拆开这个问题——为什么小样本会骗人？