09｜游戏谬误：为什么赌场概率模型会害了真实世界？

一、先说结论

二、我们先理解一个问题

抛一枚公平的硬币，正面概率百分之五十。这个百分之五十背后有一整套前提：硬币是公平的、只有正反两面、每次抛掷独立、规则不变。

现在假设连续抛出九十九次正面。问：第一百次正面的概率是多少？

教科书答案：仍是百分之五十——硬币没有记忆，每次抛掷独立。常识答案：不对，这硬币八成有问题，正面概率远不止一半。

受过概率训练的人选第一个，街头老手选第二个。塔勒布的问题来了：真实世界更像哪一边？如果你手里的世界是一枚会被人动手脚的硬币，那么「硬币无记忆」这套算术越精确，你死得越明白。

三、作者到底提出了什么观点？

塔勒布认为，人类学到的概率知识几乎全部来自「游戏」——骰子、扑克、轮盘、教科书里的摸球实验。这类随机性有三个特征：可能结果可以全部列举（样本空间可枚举）、每个结果的概率事先已知、规则不会中途改变。

真实世界的随机性三个特征全都不具备。你列不全所有可能的坏事，不知道各种坏事的真实概率，更没法保证游戏规则明天不改。塔勒布认为，把游戏世界的方法原样搬进现实世界——这就是游戏谬误，他用拉丁语词根称之为「卢迪谬误」。

它的杀伤力在于一次偷换：真实世界里有「已知的未知」（能列出、能估概率的风险）和「未知的未知」（连列都列不出的风险）。游戏模型只能处理前者，但用的人会把算出来的结果当成风险的全部——未知的未知被悄悄删除，删除痕迹不留。

四、把这个观点翻译成人话

用一句大白话说：骰子算得准，是因为骰子不会改规则；生活算不准，是因为生活会。

你能在赌场里算出「连开十次大」的概率，算不出「赌场明天换老板改规则」的概率——而后者才是真正的风险。模型里那个漂亮的数字，回答的是「在这个假设永远成立的世界里风险多大」；可惜我们不住在假设里。

再换一个说法：地图上海洋的面积是确定的，所以航海图好用；现实这片海连边界都会移动，而你还按固定地图开船——游戏谬误就是把会动的海当成了画死的海。

五、为什么会这样？

为什么游戏模型会系统性地漏掉真实风险？塔勒布的推理可以拆成四步。

flowchart TD
    A[游戏世界: 规则固定 + 空间可枚举 + 概率已知] --> B[概率可以精确计算]
    C[真实世界: 规则可变 + 空间列不全 + 分布未知] --> D[模型只能覆盖模型内的随机]
    B --> E[把可算的随机当成全部随机]
    D --> E
    E --> F[未知的未知被静默删除]
    F --> G[风险读数好看, 自信上升, 仓位加重]
    G --> H[模型外风险到来时暴露最大]
    H --> I[黑天鹅: 不在概率尾部, 在模型之外]

第一层是枚举问题：赌场里坏结果屈指可数，现实里坏结果无法穷尽——你想不出清单，不代表清单很短。

第二层是分布问题：游戏里概率是印好的，现实里连概率分布长什么样都不知道。经济学家弗兰克·奈特早就区分过「风险」（可量化的不确定）与「不确定性」（不可量化的不确定）——历史事实上这是经济学界的经典区分，塔勒布借用它说明：模型只能消化前者，而生活里后者的分量更重。

第三层是规则问题：骰子不会中途改点数，但市场会改结构——监管转向、流动性消失、交易对手违约，每一次都是「游戏本身变了」。

第四层最要命，是激励问题：模型给出的数字越精确，使用者越自信；越自信，下注越大；于是模型之外的风险降临时，恰好撞上暴露最大的仓位。精确没有减少风险，它只是把风险挤出了视野。

六、举一个现实生活中的例子

塔勒布在书里写过一个流传很广的段子，两个人物：Fat Tony，一个没受过正规训练、靠街头直觉吃饭的布鲁克林人；Dr. John，一个一丝不苟、模型至上的精算式博士。

问题还是那个：假设硬币是公平的，连抛九十九次都是正面，第一百次正面的概率多大？

Dr. John 想都不想：百分之五十。题目说了硬币公平，每次抛掷独立，前九十九次不影响下一次——教科书答案，无可指摘。

Fat Tony 的回答大意是：不超过百分之一。他的推理完全在另一个层面——一个「公平」的硬币连续九十九次正面，那么「硬币公平」这个前提本身几乎肯定是假的，硬币一定被动了手脚。所以他赌的不是下一次抛掷，而是整个游戏有问题。

博士在模型内算概率，Tony 在怀疑模型本身。塔勒布认为，银行的风险官、学院的教授、用模型管理世界的人，绝大多数是 Dr. John——模型说一切正常，他们就相信一切正常，而现实里真正致命的问题从来不是「下一次的概率」，而是「这游戏还是原来那个游戏吗」。

再对照轮盘赌就看得更清楚。轮盘的输赢空间是完全可枚举的：欧式三十七格、美式三十八格，每格概率精确，规则印在桌上。这是随机性被驯化到极致的形态——它对赌场是良性的（稳赚），对赌徒是慢性的（稳定地输）。而真实金融世界连格子数都不知道：没人给你那张写满结果的表，格子本身还在漂移。拿轮盘的模型进这种世界，等于拿着一张画满格子的地图，走进一片没有格子的疆域。

七、回到书中重新理解

现在再看塔勒布为什么把游戏谬误单独列为一章，分量就出来了：它是所有认知骗局里唯一穿着数学外衣的。

叙述谬误骗的是你的故事，沉默证据骗的是你的样本，证实谬误骗的是你的证据用法——而游戏谬误骗的是你的算术。前面几种骗局你多少能觉察，游戏谬误有公式背书，看起来最科学，所以最难防。

它也回答了前一篇留下的问题：证伪不对称告诉我们「确认再多也会一次归零」，游戏谬误告诉我们「连那个概率都是借来的」——你不仅高估了证据，还低估了「衡量证据的尺子本身可能是错的」。黑天鹅不住在你算出来的百分之一尾部，住在「你为什么要用这个分布」的问号里。

八、这个观点背后还有什么？

游戏谬误背后还有三层东西。

第一，它是对「量化安全」的质疑。风险价值模型这类工具把不确定性降维成风险，给你一个干净的数字；塔勒布暗示，数字越干净，被删掉的未知越多——精确定量有时候是安慰剂的高级形态。

第二，它指出一个教育副作用：我们的概率训练全程在可枚举空间里进行——考试里的硬币、摸球、掷骰子。于是练出来的人带着可枚举的直觉走进不可枚举的世界，越用功的学生错得越自信。工具决定了你看世界的形状：拿着骰子模型的人，看什么都像骰子。

第三，它埋着一个反直觉的推论：游戏谬误的重灾区恰恰是专业人士。外行不会犯这个错——他根本没有模型可套。模型越多、越精、越贵的人，越容易把模型当现实，这是塔勒布对「专家」开火的技术理由之一。

九、这个观点有问题吗？

十、今天再看这个观点

以下部分是基于作者思想的现代延伸，不是作者原话。

放到今天，游戏谬误的地盘不是在缩小，是在扩大。量化基金、算法交易、人工智能风控，把越来越多决策塞进「模型内随机」的容器；而模型外的风险并未相应变小——监管政策转向、流动性瞬间蒸发、不同算法之间的共振踩踏，恰恰都是「规则层面」的事件，不在任何模型的格子里。

信用评分是日常版游戏谬误：把一个会变、会挣扎、会突然遭遇黑天鹅的人，压缩成一个可枚举空间里的分数，然后按分数放贷、招聘、筛选。分数越普及，「人比分数大」这件事越容易被忘记。

疫情期间各类预测模型的集体失灵也是同构案例：模型内的参数可以拟合历史数据，但「人类行为会改变传播规则」这件事本身在模型外——规则一变，再精密的曲线都成了昨天的地图。

十一、这一篇真正应该记住什么？

1. 游戏世界：规则固定、空间可枚举、概率已知；真实世界：三样全无。
2. 模型只覆盖「模型内的随机」，黑天鹅住在模型之外，不住在概率尾部。
3. 连出九十九次正面之后，该怀疑的不是下一次的概率，是硬币——是模型本身。
4. 风险可以计算，不确定性不可以；把后者当前者处理，就是游戏谬误。
5. 模型该被使用，不该被相信——这个次序反了，数字越精确死得越整齐。

十二、留一个问题

想一想你工作里的那些「概率」：项目延期的概率、客户流失的概率、系统故障的概率——其中有多少是算出来的，又有多少其实是「我们希望它是百分之几」？这些数字背后的规则，是印好的，还是会变的？

而游戏谬误之下还埋着一层更深的问题。模型错了可以换模型，但「换一个模型」这个决定本身也由我们的判断做出——如果判断这台机器本身就高估了自己的成色呢？比模型错误更根本的，是我们对「自己知道多少」的系统性高估。塔勒布叫它认识论傲慢。下一篇，我们看它怎样让专家比外行错得更自信。