從「對得多」到「錯得少」#

十九世紀德國數學家雅各比（Carl Jacobi）有句口頭禪：「Invert, always invert.」——遇到問題，永遠試著從反面思考。投資的正面思路是「如何賺更多」，反面思路則是「如何不要虧」；健康飲食的正面是「設計理想菜單」，反面則是「避開不健康的選項」。

作者把這個技巧套到決策本身：

• 想要更常做對決定，等同於想要更少做錯決定
• 心智模型就是讓你「錯得少」的工具箱
• 真正的高手不是每次都神準，而是能持續減少可避免的錯誤

逆向思考（inverse thinking）：把「我要追求 X」翻轉為「我要避開讓 X 失敗的事」，常常會打開新的解法。

非受迫性失誤與反脆弱#

網球裡有一個術語叫非受迫性失誤（unforced error）——對手沒打出好球，是你自己判斷或執行不當而失分。把球輕鬆掛網就是典型例子。這個概念可以延伸到任何「本來可以避免的失誤」：烘焙時把茶匙看成湯匙、約會時搞砸第一印象、做決定時沒把選項都列出來。

但決策本身具有不確定性，再周全的判斷也可能事後被證明是錯的。可控的部分只有：

• 持續減少非受迫性失誤
• 在每個當下用最好的方法做出最好的判斷

財務分析師塔雷伯（Nassim Nicholas Taleb）在《反脆弱》一書中提出反脆弱（antifragile）：

有些東西在受到衝擊、波動、混亂、壓力下反而會更好。它們不是抵抗（resilient）或穩固（robust），而是會「越打越強」。

把思考訓練得反脆弱，意味著每一次錯誤都讓你下次更不容易犯錯——就像上健身房給肌肉施加壓力，肌肉才會長大。

化繁為簡：第一原理與 KISS#

要成為一個能即興料理的廚師（chef），而不是只會照食譜的庖（cook），核心模型是第一原理（first principles）：從你確信為真的最基本元素往上推理，而不是直接套用約定俗成的結論。

伊隆．馬斯克（Elon Musk）就用第一原理打破了「電池組就是貴」的成見：把電池拆解成材料層級——鈷、鎳、鋁、碳、隔離膜——再去倫敦金屬交易所查詢市價，發現原料成本只要每千瓦時 80 美元，遠低於市場上的 600 美元。

但光靠思考還不夠，假設必須在現實中被檢驗，這個過程叫做去風險化（de-risking）。新創公司會把「能做出產品 / 有人想要 / 能獲利 / 能擋住對手 / 市場夠大」這些大假設拆成更具體的小假設，再從「最關鍵又最不確定」的那一條先下手測試。

軟體工程裡有個對應的反模式叫過早優化（premature optimization）——還沒驗證假設就先把程式碼打磨得完美，假設一旦錯了，那些工作全部作廢。

跟去風險化搭配的是最小可行產品（minimum viable product, MVP）——剛好足以被真實使用者測試的最小版本。LinkedIn 共同創辦人 Reid Hoffman 說：「如果你不為自己第一版產品感到尷尬，就是發布得太晚了。」

軍諺與拳王 Mike Tyson 都講過同一件事——「沒有計畫能在接觸敵人後存活」、「每個人都有計畫，直到嘴巴挨了一拳」。第一版幾乎一定錯，重點是盡快收到真實世界的回饋。

奧坎剃刀與兩個常見陷阱#

奧坎剃刀（Ockham’s razor）：當多種解釋都能說得通，最簡單的那個通常是對的。在醫學上叫「聽到馬蹄聲，先想到馬，不要先想斑馬」。

不照剃刀走，容易掉進兩個陷阱：

• 合取謬誤（conjunction fallacy）：Tversky 與 Kahneman 的 Linda 實驗顯示，多數人認為「Linda 是銀行行員，而且積極參與女權運動」比單純「Linda 是銀行行員」更可能——但兩件事同時發生的機率，永遠不會大於其中任何一件單獨發生的機率
• 過度擬合（overfitting）：用太複雜的解釋去硬套資料，例如把感冒症狀解讀成癌症，或在交友條件裡塞進太多過於具體的要求

一句口訣：KISS——Keep It Simple, Stupid！從最簡單的假設開始，再用最簡單的方式去驗證它。

框架、推力與過濾泡泡#

物理裡有「參考座標（frame of reference）」——同一件事從不同位置看，會呈現完全不同的樣貌。在思考時，你總是站在自己的參考座標裡，要做客觀判斷就必須意識到這一點。

框架效應與推力#

**框架（framing）**指的是訊息被「包裝」的方式。同一個專案，包裝成「擊敗對手的機會」會被接受，包裝成「需要大量資源」可能直接被否決。

新聞標題就是現成的**框架效應（framing effect）**示範：同一篇關於竊案數字的文章，標題寫「竊案上升」或「竊案十年來下降」，讀者記住的事實會明顯不同——即使他們有心想客觀理解內容。

**推力（nudging）**比框架更微妙：用一個字、一個位置、一個視覺暗示就能影響你的判斷。Aldert Vrij 的車禍實驗裡，把問題的動詞從 contacted 換成 hit、bumped、collided、smashed，受測者估出的車速從 31 mph 一路升到 41 mph——但他們看的是同一段影片。餐廳在菜單上加方框、店家把商品放在最顯眼的位置，全都是推力。

錨定與可得性偏誤#

**錨定（anchoring）**是過度仰賴第一個接收到的資訊。《經濟學人》訂閱實驗中：

• 純網路版 $59、純紙本 $125、紙本加網路 $125
• 沒人選只看紙本，但這個「沒人選的選項」存在時，84% 的人選了 $125 的組合
• 拿掉這個選項後，68% 的人改選 $59 的純網路版

那個沒用的選項本身就是錨點，讓你覺得 $125 的紙本加網路「賺到了」。

**可得性偏誤（availability bias）**則是被「腦中容易浮現的資訊」帶偏。媒體高密度報導凶殺、龍捲風，讓人嚴重高估這些風險，同時低估真正常見的死因（如中風）。媒體有句行話：「If it bleeds, it leads.」

過濾泡泡與同溫層#

可得性偏誤在演算法時代被放大成過濾泡泡（filter bubble）：Google、Facebook 推給你你已經喜歡的內容，過濾掉相反觀點。DuckDuckGo（作者 Gabriel Weinberg 創辦）的研究顯示，即使在無痕模式下，不同人在同一時間搜尋相同政治關鍵字，得到的結果也大不相同。

許多過濾泡泡疊在一起，就形成同溫層（echo chamber）：相同的觀點不斷在彼此熟識的小圈子之間迴響、放大，加劇對立，並讓人嚴重高估「跟我想法一樣的人」的比例。

主動跳出泡泡——刻意去看反對立場、尋找客觀的參考座標——才是在這個資訊環境裡「錯得少」的關鍵。

站到別人鞋裡：增進同理心#

世界上多數重要問題都涉及「人」。你很容易假設別人跟你想得一樣、處境跟你類似，於是錯估他們的動機。

第三方視角與最尊重解讀#

第三方視角（the third story）：除了你的版本與對方的版本之外，想像有一個中立的旁觀者把整段過程錄下來，他會怎麼描述？《Difficult Conversations》一書建議：先承認你和對方對同一件事的看法不同，光是這一步就能讓對話降溫。

最尊重解讀（most respectful interpretation, MRI）：用對對方最尊重的方式去解釋他的行為。學校老師三天沒回信，可能不是在無視你，而是在等某個還沒拍板的人事決定。

跟 MRI 邏輯相通的是漢隆剃刀（Hanlon’s razor）：能用粗心解釋的，就別歸因於惡意。網路上文字訊息缺乏語氣與肢體線索，多數誤會都源自對方匆忙、而非冷漠。

這三個模型都在對抗心理學家所稱的基本歸因謬誤（fundamental attribution error）——把別人的行為歸因於他「天生就那樣」，而不是當下情境。當你自己做同樣的事時，又會反過來找情境理由——這叫**自利偏誤（self-serving bias）**或行為者—觀察者偏誤。

無知之幕與運氣#

哲學家 John Rawls 提出的無知之幕（veil of ignorance）：思考社會制度時，假裝你不知道自己會被生成什麼樣的人。在思考是否取消遠距工作政策時，你必須想像：如果你是照顧長輩的員工、是單親家長，這個改變會帶來什麼？

承認運氣的角色並不容易。世界公正假說（just world hypothesis）讓人相信「種瓜得瓜，種豆得豆」，但這常導致檢討受害者（victim-blaming）。再加上習得性無助（learned helplessness）——人在反覆失敗後會放棄嘗試——就會誤以為某些人「不努力」，其實他們只是失去了相信自己能改變的能力。

一場接一場的葬禮：對抗確認偏誤#

植根於腦中的舊框架極難動搖。Thomas Kuhn 在《科學革命的結構》提出典範轉移（paradigm shift）：科學不是平滑進步，而是舊典範被異常逐漸壓垮、進入危機、再跳到新典範的顛簸過程。物理學家 Max Planck 一句話總結得最直白：

新的科學真理之所以勝出，並不是因為說服了反對者，而是因為反對者死了，新一代在新觀念中長大。科學一場一場葬禮地進步。

Wegener 的大陸漂移說被地質學界冷凍四十年；他們寧可死守從沒被證實過的「岡瓦納陸橋（Gondwanian bridges）」假說，也不願認真研究這個外行人提出的點子。匈牙利醫師 Semmelweis 用洗手讓產婦死亡率立刻下降，仍被同業排斥到瘋癲死於精神病院——這種「反射性拒絕不合既有認知的新證據」的傾向，後來被稱為 Semmelweis 反射。

驅動這些悲劇的，是確認偏誤（confirmation bias）：人會用偏向的方式去蒐集與解讀資訊，以鞏固既有信念。比它更頑固的是反彈效應（backfire effect）——當有人用事實反駁你，你不但不改觀，反而更堅信原本的立場。還有否證偏誤（disconfirmation bias）：你對「不想相信的事」要求高得多的證據門檻，對「想相信的事」則照單全收。

這些偏誤背後是認知失調（cognitive dissonance）：同時抱持兩個矛盾信念會帶來心理壓力，大腦寧可把不一致的訊息合理化掉，也不要承認自己可能錯了。

兩個解藥#

• 灰階思考（thinking gray）：在聽完所有相關事實與論點之前，盡量不下定論。延後判斷就沒有立場可被「確認」
• 魔鬼代言人（Devil’s advocate）：刻意站在自己不認同的那一邊論述。蒙格說過：「在我能把對方的論點說得比他自己更好之前，我不允許自己對任何事情有意見。」

別輕信直覺：找到真正的根因#

Daniel Kahneman 在《快思慢想》中區分了快思考（直覺、自動化）與慢思考（刻意、邏輯）。當任務熟悉，直覺非常有效；但在不熟悉、不確定的情境裡盲目相信直覺，正是落入錨定、可得性、框架等陷阱的入口。

在熊國度盯著熊看會被當成挑釁；在山獅國度卻必須直視——直覺會給你完全相反的建議。任何全新情境都該對直覺多一份戒心。

要把直覺鍛鍊得更可靠，唯一辦法就是長期用第一原理思考、並認真追究事情真正的成因。

近因 vs. 根因：5 Whys#

太空梭挑戰者號爆炸的**近因（proximate cause）**是外掛氫氣槽起火；但 Rogers 委員會的調查指出，**根因（root cause）**是 NASA 的組織失靈——溝通斷裂讓工程師的安全顧慮被管理層忽略。

5 Whys：對著一個現象連續追問「為什麼？」，直到挖到組織或結構層次的根因。對挑戰者號的追問，從「氫氣槽為何起火」一路問到「為何安全顧慮在發射會議上被忽略」，根因落在「NASA 缺乏應有的制衡」。

這場災難也展示了樂觀機率偏誤（optimistic probability bias）：管理層估的事故機率是百萬分之一等級，現場工程師估的是百分之一等級。差距大到費曼（Richard Feynman）在報告附錄中寫下：

對於成功的科技而言，現實必須優先於公關，因為自然不會被愚弄。

醫學上的事後檢討（postmortem）——對任何結束的專案做一次徹底回顧——就是把根因分析制度化。DuckDuckGo 規定每個專案結束後都要做一次，組織才會反脆弱。

重點回顧#

要錯得少，必須更客觀地思考。從第一原理出發、追究根因、並主動去找第三方視角。

• 認清直覺常被可得性偏誤、基本歸因謬誤、樂觀機率偏誤等模型扭曲
• 用奧坎剃刀與漢隆剃刀去找最簡單、最良善的解釋；再用去風險化驗證假設，避免過早優化
• 用灰階思考延後定論，對抗確認偏誤
• 主動納入魔鬼代言人，跳出過濾泡泡——「You are what you eat」，思考的養分也需要多樣性

費曼留給加州理工 1974 年畢業生的話可作收尾：「你不能愚弄自己——而你正是最容易被自己愚弄的那個人。」