卡尼曼新作：雜訊（Noise)

上期提到諾貝爾經濟學獎得主、87歲高齡的丹尼爾．卡尼曼（Daniel Kahneman），早期專門研究行為經濟學，其新作《雜訊：人類判斷的缺陷》（Noise: A Flaw in Human Judgment），讓筆者對未來數字經濟倍感擔憂，基於大量數據所衍生的人工智能（AI），也許會因雜訊而扭曲，成為錯誤判斷的罪魁禍首。

現實生活中亦充斥雜訊，有用的訊息與噪音夾雜一起，無奈也要從中作出抉擇或篩選。筆者以女兒近期升中面試的親身經歷為例，學校安排考生面試的先後順序、面試老師的安排、試題設計，再加上遠程面試時，畫面與聲音的質素等，每一個環節都有機會釀成面試的雜訊。可想而知，儘管學生成績相若，惟要在競爭激烈的Band 1學校取得一席位，沒有點兒運氣是不可能的。同一道理，時常在科創比賽擔任評委的筆者覺得，隨機性的影響也很大，評委要在短短10分鐘內挑出尖子，參賽者的出場次序，以及他們在短時間內吸引評委選擇性注意力（selective attention）的能耐，均起了決定性作用。

丹尼爾在《雜訊》裏提出公式：錯誤判斷=偏差+噪音。他認為，偏差屬於系統性的錯誤，比較有跡可尋，也相對容易糾正，可是噪音則不一樣，它是分散的，方向不一致。每個人的噪音源頭皆不盡相同，可能源自情緒，又或許是突如其來的訊息，簡單如昨晚睡得不好。就因此而做成的錯誤判斷來說，意味着你可以透過盡量減少噪音來避免發生錯誤。他進一步提醒讀者，要應對雜訊的滋擾，依靠的並非沉默，而是積極加強對噪音的認知與捕捉。出色的決策者應該善於自我剖釋，了解進行決策時的普遍性弱點，並通過設立有效的分析方法來強化自身在決策中的紀律性，避開雜訊和偏見的干擾，以免做出各種不理智的決定。

筆者從事數據分析行業多年，其實在每一次進行分析之前，八成時間都會花在清點及處理噪音，這又稱為數據清洗（Data Cleaning）。可能是職業養成的習慣，每當在生活中遇上重大決策時，筆者都會先靜下心來問自己，當前情況的決策邏輯是什麼？訊息來源是否可靠？尚有多少噪音存在？然後才盡量選擇可量化的分析框架。

就旁觀者來看，可能會覺得筆者太過理智，其實剛好相反，筆者是在刻意改變自己性格上太隨心的弱點，也可以說分析師這份職業改善了筆者的人生。根據《原則》的作者達里奧（Ray Dalio）所言，我們要成功就先要成為專業犯錯者，懂得從錯誤中學習；假如跟丹尼爾的主張結合起來，就是專業犯錯者必須學會如何與雜訊共存的思考能力。

車品覺_紅杉資本中國專家合夥人、阿里巴巴商學院特聘教授暨學術委員會委員