用機率估計最可能的結果#

機率思考（probabilistic thinking）本質上是運用數學與邏輯工具，估計某個特定結果發生的可能性。在一個每個當下都由無限複雜的因素決定的世界裡，它幫我們辨識出最可能的結果，讓決策更精準、更有效。

事情明明非有即無——我今天要嘛被閃電擊中、要嘛不會。問題在於：在事情過完之前我們無從得知，而這對清晨做決策毫無幫助。正因為我們對世界缺乏完美資訊，整套機率理論才應運而生並如此有用。

未來本質上不可預測：並非所有變數都可知，而資料中最微小的誤差都會迅速使預測失準。我們所能做的，就是產生切合實際、有用的機率來估計未來。以下三個機率面向值得整合進你的思考。

一、貝氏思考#

貝氏（Thomas Bayes）是 18 世紀的英國牧師，其遺作探討「遇到新資料時應如何調整機率」，後由拉普拉斯（Pierre Simon Laplace）發展成今日所謂的貝氏定理（Bayes’s Theorem）。

貝氏思考（或稱貝氏更新）的核心是：我們對世界擁有有限但有用的資訊，又不斷遇到新資訊；因此在學習新事物時，應盡可能把「已知的一切」納入考量。統計學家稱之為「基準率（base rate）」——把與你處境相似的過往外部資訊納進來。

以「持刀傷人事件激增」這類標題為例：

• 缺乏貝氏思考，你可能真心恐懼，因為遇襲機率似乎比幾個月前高了。
• 用貝氏方法，你會把它放回「你已知的暴力犯罪脈絡」中。假設去年你被刺傷的機率是萬分之一（0.01%），報導說暴力犯罪翻倍，如今是萬分之二（0.02%）——值得驚慌嗎？納入先驗資訊後，你會發現安全並未真正受損。
• 反之，美國糖尿病比例從 1958 年的 0.93% 攀升到 2015 年的 7.4%，且是穩定逐年上升而非單一尖峰——這時先驗資料指向一個值得擔憂的趨勢。

先驗（priors）本身也是機率估計，不是非真即假的二元判斷，而是被賦予一個「為真的機率」。因此不能讓先驗阻礙你處理新知——任何挑戰先驗的新資訊，只意味著該先驗為真的機率可能下降，有些先驗最終會被完全取代。這是一個不斷挑戰與驗證自身認知的循環。

條件機率（conditional probability）與貝氏思考相近但角度不同：用過往事件預測未來時，必須留意該事件當時的「條件」。事件可能是獨立的（如擲硬幣），也可能是相依的。我連續三次和你出門都選香草冰淇淋——這代表香草是我的最愛嗎？要先確認：是所有口味都還在時我先選（獨立），還是輪到我時巧克力已售罄（相依）？

二、肥尾曲線#

多數人熟悉鐘形曲線（bell curve，即常態分佈），從身高到考試成績都適用。它易懂好用：身處鐘形曲線情境時，我們能快速界定參數、為最可能的結果做規劃。

肥尾曲線（fat-tailed curve）則不同。差別在「尾部」：鐘形曲線的極端值可預測、偏離均值有上限；肥尾曲線的極端事件則沒有真正的上限。可能的極端事件愈多，尾巴就拖得愈長——任一極端事件仍不太可能，但選項之多使得「其中之一會發生」的機率升高。瘋狂的事必然會發生，我們卻無從預知何時。

• 身高體重屬鐘形：你永遠不會遇到體型是常人十倍的人。
• 財富屬肥尾：你會經常遇到比常人富有十倍、百倍、甚至萬倍的人——那是個截然不同的世界。

重新審視暴力風險：假設去年你國有一千人滑下樓梯摔死、僅五百人死於恐怖主義，該更擔心樓梯嗎？問題在肥尾——恐怖暴力的風險像「財富」，滑樓梯死亡像「身高體重」。塔雷伯（Nassim Taleb）在《黑天鵝》中指出：測量極端事件風險時的任何小誤差，可能讓我們不只錯一點，而是錯了好幾個數量級（orders of magnitude）。我們以為千年一遇的事，也許每年都可能發生。

關鍵不是去想像尾部的每一種情境（這本就不可能），而是用正確方式應對肥尾領域：讓自己即使在無法完全理解的未來中也能存活、甚至獲益。

這正是塔雷伯「反脆弱（antifragility）」的核心。事物可分三類：被波動傷害的、對波動中性的、以及從波動中獲益的——最後者即反脆弱。面對不可預測的世界有兩種態度：預測或準備。預測誘人卻屢屢失效；準備更有效。準備之道包括：尋求「上檔選擇權（upside optionality）」（去那場有你想認識的人的酒會，最壞結果不過是「沒事發生」），以及學會「正確地失敗」——絕不冒會讓自己徹底出局的風險，並培養從失敗中學習、重新開始的韌性。

三、不對稱性#

最後是所謂的「後設機率（metaprobability）」——你的機率估計本身有多可靠的機率。這牽涉到不對稱性（asymmetries）。

看看專業投資人光鮮的提案：幾乎每次都宣稱年報酬可達 20% 到 40%，但極少有人達標——不是因為沒有贏家，而是因為錯得太多。他們持續高估自己機率估計的信心。（作為參照，美國股市長期年報酬在扣費前不超過 7% 到 8%。）

• 另一個常見的不對稱：你多常「準時出門卻提早 20% 抵達」？幾乎不會。又多常「準時出門卻遲到 20%」？經常如此。你的估計誤差是不對稱的，偏向單一方向。
• 機率估計錯在「過度樂觀」的，遠多於錯在「過度悲觀」的。瞄準 25% 年報酬卻長期只拿到約 10% 的投資人，比比皆是。

間諜世界的機率思考#

優秀的間諜極擅長機率思考——高風險的存亡情境逼人以最少偏見評估環境。二戰期間，特別行動處（SOE）法國組副主管薇拉・阿特金斯（Vera Atkins）必須根據本質上不可靠的情報，做出數百個生死攸關的決策。

她的工作充滿不對稱與不確定：

• 選誰當間諜：在法國失敗的代價不是被開除，而是死亡。哪些性格與經驗特質適合此職？即使到今天，這仍是判斷題。
• 派往何處：情報不是證據，沒有指揮鏈或真偽保證。她必須權衡資訊的相關性、品質與時效——來源往往是模糊照片、輾轉多手的手寫便條、操作員在巨大壓力下匆促發出的無線電。

阿特金斯派往法國的無線電操作員，平均壽命僅約六週。她派出的 400 名特工中，有 100 名被捕並遭殺害——這無關她的能力，而是說明機率思考只能讓你「進入大致範圍」，並不保證百分之百成功。

結論#

成功地以機率的「灰階」思考，意味著：粗略辨識什麼重要、對勝算建立一個概念、檢查我們的假設，然後做出決策。

我們永遠無法精確知曉未來，但機率思考是評估「世界最可能呈現何種樣貌」的極有用工具，讓我們在複雜、不可預測的情境中，以更高的確定性制定策略。

世上對機率最敏銳的行業莫過於保險公司——因為它們不得不如此。它們幾乎能為任何事件定價投保（從模特兒的腿到棒球員的手臂），關鍵在於：關注重要因素（即使無法完全預測），並據此算出一個「平均而言能獲利」的正確價格。你總能答應承保，訣竅在於定出對的價格——而這需要機率。