11｜科学与随机性：为什么专家预测不可靠？

一、先说结论

二、我们先理解一个问题

先做一个简单的观察。

如果请一位财经专家预测明年的市场，他说得越具体、越自信，我们往往越信任他。比如“明年二季度见底，全年涨幅 15% 左右”——这种精确的数字，会让人莫名地安心。

现在请你回忆一下：你有没有见过这位专家，被公开清算过他的预测记录？ 他上一次、上上次说错了，有谁在节目里把他说过的话一条条摆出来吗？

大概率没有。

这就是问题的起点：一个预测者如果从不需要为自己的错误负责，那么他的“自信”就变得非常廉价。 说对了，是“我早就说过”；说错了，是“市场出现了意外”。赢的时候归自己，输的时候归世界——这套机制下，一个纯靠运气的人，也能积累起“权威”的外壳。

那么问题来了：在一个充满随机性的领域里，我们要用什么标准，去判断一个专家到底有没有本事？

三、作者到底提出了什么观点？

塔勒布的立场并不是“反对科学”。恰恰相反，他要保护科学，反对的是打着科学旗号的伪科学。

他区分了两类东西：

• 真科学：承认不确定性，接受检验，愿意被证伪，对“自己不知道什么”有清醒的认识。
• 伪科学式的预测：用复杂的公式、专业的术语和自信的语气，给出一种确定的答案，却几乎不接受严格的检验。

他提出的第一个机制是“记分卡问题”：预测者很少被追责。我们记住了他们蒙对的那几次，忘记了他们错的那几十次。没有公开、坚持的记分卡，预测就永远可以事后修补——而这正是伪科学的特征。

他的第二个判断是：复杂模型带来的“精确感”，不等于“准确”。 一个模型可以算到小数点后两位，看起来很专业，但它的输入本身就来自充满随机性的世界。精确到小数点的输出，和真正能预测未来，是两码事。塔勒布担心的是，人们会把“形式上的严谨”错当成“实质上的正确”。

他的第三个主张最有力量：真正值得信任的人，往往是那个坦白承认“我不知道”的人。 因为承认无知需要代价——它让你显得不够权威。愿意付出这个代价的人，反而更可能是诚实的。而一个从不说“我不知道”的专家，本身就是个危险信号。

四、把这个观点翻译成人话

用最直白的话说：看一个人准不准，不要看他说话有多专业，要看他错的时候怎么办。

我们可以这样理解。

真正的医生在说“我需要再做一些检查”时，是在承认不确定；而卖假药的人会拍胸脯：“包治百病。” 真正的工程师会告诉你“这段桥能承受多大力，超过就危险”；而忽悠的人会告诉你“绝对没问题”。

发现区别了吗？越是承认边界、承认不确定的人，往往越是在说真话；越是给你无条件确定感的人，往往越可疑。

但我们的直觉恰好相反。我们喜欢听确定的答案，讨厌听“这很难说”。因为确定的答案让大脑舒服，而不确定的答案让人觉得对方水平不够。于是市场上形成了一个逆向淘汰：说确定话的人受欢迎，说诚实话的人被冷落。

塔勒布想提醒的就是这一点：你被“确定感”吸引的那一刻，恰恰可能正在被误导。 学会对“过于流利、过于自信、过于精确”的说法保持一点怀疑，是一种重要的自我保护。

五、为什么会这样？

把“专家预测不可靠”这件事拆开，可以分为两层：为什么预测本身难，以及为什么我们察觉不到它难。

flowchart TD
    A[现实世界充满随机性] --> B[预测本质上是在对抗不确定性]
    B --> C[复杂模型给出精确数字]
    C --> D["精确感"被误读为"准确度"]
    D --> E[专家用自信语气输出确定性]
    E --> F[公众只记住蒙对的那些预测]
    F --> G[错误的预测被时间冲淡/遗忘]
    G --> H[幸存者偏差制造"权威"外壳]
    H --> I[专家无需为错误负责]
    I --> J[继续输出确定感, 循环强化]

这张图有两个关键节点。

一个是 C → D：模型和术语制造的是“看起来科学”，不是“真的很准”。精确的数字给了我们一种可控的错觉，让人忘了这些数字可能建立在脆弱甚至随意的假设之上。

另一个是 F → I：这是“记分卡问题”的链条。因为没有人持续记录、公开清算预测者说过什么，错误的预测就会自然消失在记忆里，正确的预测被反复引用。最终，一个记分卡很糟糕的人，也能拥有很高的声望。

再往深看一层：我们之所以察觉不到专家不可靠，是因为我们自己的记忆也在帮他作弊。 大脑天生偏爱戏剧性的“我早说过”，天生淡化平淡的“我又错了”。所以不只是专家在掩藏错误，我们作为受众，也在配合着遗忘。

六、举一个现实生活中的例子

想一想财经节目里的专家预测。

打开电视或视频，一位西装革履的分析师对着镜头，语气笃定地告诉你：明年大盘会怎么走、哪个板块会成为风口、是什么原因导致上周的波动。他的表达流畅、术语专业、逻辑清晰，看起来非常有道理。

我们该怎么追问？

第一，他上次说对了吗？ 很少有人知道。他可能上个月刚预测过一轮行情，方向完全相反，但那条视频早被新的推送淹没了。第二，如果他说错了，会有什么后果？ 大概率没有。他不会因此被降职，不会退钱，也不会被要求公开认错。第三，他说话为什么这么自信？ 因为不确定的语气留不住观众，而自信的语气能带来收视和信任。

于是我们看到一个奇怪的循环：说错几乎没有代价，说得自信总有好处。 在这样的激励下，“准确”反而不是最重要的，“听起来权威”才是。观众带着专家给的确定感回去操作，赚了觉得专家厉害，亏了觉得时运不济——专家始终立于不败之地。

真正理性的态度应该是：把专家的观点当成一种参考意见，而不是一份保证书；并且坚持自己记录——他说过什么，后来应验了多少。 当你真的开始做这张“记分卡”，很多被追捧的专家，光环会迅速褪色。

七、回到书中重新理解

现在再回头看塔勒布对“科学”的讨论，就能理解他为什么把话题引向认识论。

他反复强调的一个立场是：科学与确定性是两回事。 科学的伟大之处，不在于它能给出确定的答案，而在于它有一套“我可能错、请来检验我”的机制。而伪科学最擅长的，恰恰是绕开这套机制，直接贩卖确定感。

这也接上了前两篇的线索。归纳问题告诉我们，从过去推不出未来；俄罗斯轮盘告诉我们，有些错误没有下一次。那么在这个前提下，一个诚实的预测者应该做什么？塔勒布的回答是：不要假装能预测，而要为“预测不到的东西”做准备。

所以他的落点从不是“找个更好的专家”，而是降低对预测的依赖。他把注意力从“谁说得准”转移到“我如何不被错误预测伤害”。这是一种从“预测思维”到“风险思维”的转变，也是他整个体系的核心转向。

同时，这一篇也回扣了“幸存者偏差”：专家的权威不是被证明出来的，而是被“只看见成功案例”的记忆筛选出来的。

八、这个观点背后还有什么？

有几个隐含前提值得单独拎出来。

第一，它区分了“领域”而不只是“人”。 在随机性主导的领域，预测者难有好成绩；在机制稳定的领域，情况可能完全不同。判断一个预测可不可信，要先看领域，再看人。

第二，它把“承认无知”当成一种能力，而不是缺点。 在塔勒布看来，对自己不知道什么有清楚的认识，是高水平的表现，而不是水平不够。

第三，它揭示了“激励机制”问题。 专家不可靠，不只是个人品质问题，更是激励结构问题：说错不受罚、说自信有奖励，这个结构本身就在生产不可靠。

第四，它和“替代历史”一脉相承。 判断一个专家，不能只看他这一个结果，而要想象“同样自信的一大批人，在平行世界里会有多少人纯靠运气成功”。这正是检验专家的正确方式。

九、这个观点有问题吗？

十、今天再看这个观点

以下部分是基于塔勒布思想的现代延伸，不是他在书里的原话。

在今天，专家的确定感有了更高效的放大器。

看内容平台与算法推荐。 越自信、越夸张的观点越容易被推荐，越谨慎、越“这很难说”的分析越没人看。平台机制在无形中筛选并放大了“伪确定性”，而把诚实的犹豫挤到了角落。

看社交媒体的“战绩展示”。 很多“预测大神”只晒对的、删错的，时间线永远光鲜。受众看到的不是真实记录，而是被精心剪辑过的样本——这正是幸存者偏差的个人版。

看人工智能带来的新包装。 大模型可以生成极其流畅、专业、确定的分析文本，但它同样可能只是在“说得很像”，而非“知道得很多”。生成能力越强，“形式严谨”和“实质正确”之间的鸿沟越容易被抹平，也越需要我们保持警惕。

塔勒布给出的纪律，在这里依然有效：与其追求“有人告诉你答案”，不如养成“自己记录、自己判断、承认不确定”的习惯。 在这个人人都在输出确定感的时代，敢于说“我不知道”，反而成了一种稀缺的清醒。

十一、这一篇真正应该记住什么？

1. 预测者很少被追责，这是专家不可靠的根源之一。 没有公开、持续的记分卡，权威就可能是记忆筛选出来的假象。

2. 精确感和准确度是两回事。 复杂模型能给出小数点，但不代表它真的能预测充满随机性的未来。

3. 真正值得信任的人，往往坦白承认不确定。 从不说“我不知道”的专家，本身就是需要警惕的信号。

4. 要区分领域，不能一概而论。 天气预报、部分工程和医学的预测确实有效；随机性主导的领域则要格外小心。

5. 与其依赖预测，不如为预测不到的事做准备。 从“找谁说得准”转向“如何不被说错伤害”，才是更可靠的思路。

十二、留一个问题

下一篇：我们已经知道归纳会失灵、轮盘会致命、专家会装懂。但还有一个更扎心的事实：很多时候我们“明明知道”概率是怎么回事，事到临头却依然做错。这不是知识问题，而是情感问题。

下一篇我们就来拆开这个问题——为什么理性懂概率，情感还是会出错？