第十章 过拟合、伪精确与模型幻觉——为什么算得越细，反而可能错得越深？

过拟合、伪精确与模型幻觉——为什么算得越细，反而可能错得越深？ 好，直接进第十章。 过拟合、伪精确与模型幻觉——为什么算得越细，反而可能错得越深？ 一句话总纲 很多判断之所以会错得更深，不是因为不够认真，而是因为把本来无法精确刻画的世界，硬做成了一个看起来很精确的模型。

一、为什么这一章特别关键？ 因为前一章我们刚讲完： 很多“看起来更理性”的方法，结果反而更差。 这一章就是把那个问题继续往下压到底层： 它们为什么会差？ 很大一部分原因，就在这三个东西： 1. 过拟合 2. 伪精确 3. 模型幻觉 这三个词听起来像技术词， 但本质上说的是同一个问题： 人太容易把“我描述得更细”，误当成“我理解得更深”； 把“我算得更精”，误当成“我判断得更准”。 这就是很多高智商误判的重灾区。 因为低水平判断，常常是粗糙地错； 而高水平错法，常常是精密地错。

二、什么叫过拟合？ 最简单地说： 过拟合，就是一个模型对过去解释得太好，以至于把过去里那些偶然、噪音、短期波动，也误当成了稳定规律。 你可以把它理解成： • 它太会讲过去的故事了 • 它把过去“贴合”得非常漂亮 • 漂亮到不像抓住了规律，反而像背下了答案 所以它看起来很强， 但真正一到未来，就容易失灵。 为什么？ 因为未来不会照着过去那些偶然细节再演一遍。 也就是说： 过拟合的本质，不是“模型不努力”， 而是“模型太努力了，努力到把噪音也学进去了”。

三、为什么人特别容易掉进过拟合？ 因为过拟合非常符合人类的心理偏好。 1. 人喜欢完整解释 一个模型如果能把过去很多细节都说通， 人会天然觉得它更高级。 2. 人喜欢因果闭合感 如果每个结果背后都能找到原因， 大脑会很舒服，觉得世界变得更可理解。 3. 人喜欢精细控制感 模型越细，人越会觉得： “我已经把事情抓住了。” 但问题就在这里： 过去的世界里，本来就混着很多： • 偶然因素 • 短期噪音 • 情绪波动 • 一次性事件 • 不可重复条件 如果你把这些东西也纳入模型， 那你得到的就未必是规律， 而可能只是： 一套对过去很深情、对未来很无能的解释机器。

四、什么叫伪精确？ 伪精确，就是： 一个本来只能粗略判断、区间判断、概率判断的事情，被硬说成了一个看起来很准确的数值、结论或模型。 比如现实中很常见的错法： • 把长期收益精确算到小数点后两位 • 把未来三年的增长路径画得像已经发生过 • 把人的行为倾向做成很细的评分表 • 把高度不确定的市场变化写成稳定可预测曲线 • 把复杂合作关系量化成一个干净分数 这些东西为什么危险？ 不是因为量化本身有罪， 而是因为它们往往会制造一种错觉： “既然已经这么精确了，那应该更可靠。” 但现实经常恰好相反。 很多时候，数字越细， 只是假装自己知道得更多。 所以伪精确最危险的地方，不是数字错一点， 而是： 它会让人忘了这件事本来就不该这么精确。

五、什么叫模型幻觉？ 如果说过拟合是“学太多”， 伪精确是“说太准”， 那模型幻觉就是： 人开始把模型当现实本身，而不是当现实的一个有限近似。 这特别危险。 因为模型本来只是工具， 它的作用应该是： • 帮你简化世界 • 帮你看清结构 • 帮你辅助判断 但一旦产生模型幻觉， 人的心态就会变成： • 模型里没有的，好像就不重要 • 模型算出来的，好像就是真的 • 模型解释不了的，好像就是例外噪音 • 模型看着稳定，就以为现实也稳定 也就是说： 工具反过来绑架了观察。 这时候你就不是在用模型看世界， 而是在逼世界服从模型。 而现实最不配合的地方就在于： 世界根本不需要按你的模型运行。

六、这三者之间是什么关系？ 可以这样压： 过拟合 是模型吸收了太多不该吸收的东西。 伪精确 是模型输出了超过它实际能力的确定感。 模型幻觉 是人开始相信模型比现实更可靠。 顺着这条链走，问题会越来越重： 先是模型学偏 → 再是假装很准 → 最后是人真的信了 这就是为什么很多聪明人不是输在不会建模， 而是输在： 太相信自己建出来的模型。

七、为什么“算得越细，反而可能错得越深”？ 因为细，不只意味着更多信息， 还意味着更多假设、更多结构、更多脆弱点。 至少有五层原因。 1. 细，意味着你引入了更多不稳定变量 每加一个变量，就多一层： • 测量误差 • 理解偏差 • 未来变化 • 关系失真 • 输入噪音 变量越多，不确定性不一定变少， 很多时候反而累积起来更大。

2. 细，意味着你把更多偶然性当成了规律 尤其对过去数据、历史样本、一次性经验而言， 越细致地解释，越容易把偶然细节也纳入结构。 这会让你产生一种很危险的感觉： “我不仅懂大方向，我连细部也都抓住了。” 但未来恰恰通常不是输在大方向， 而是输在你以为那些细节会重复出现。

3. 细，意味着你更容易忽略模型边界 一个粗一点的框架，反而更容易让人记住： • 这只是大致判断 • 这里有很多不知道的地方 • 这里只能提供方向，不提供确定答案 但一个特别细的模型， 容易让人忘记它也只是模型。 于是边界感消失了， 自信却增强了。 这就是最危险的组合： 边界感下降，自信上升。

4. 细，意味着你更难快速修正 一个模型越复杂， 你越难在现实反馈回来时判断： • 到底是哪一块错了 • 是假设错了，还是变量失真了 • 是环境变了，还是关系失效了 • 是结构本来就不该这么建 结果就是： • 修正更慢 • 承认错误更难 • 推翻成本更高 • 越错越想补丁修 所以复杂细密的模型， 常常不是更稳， 而是更容易进入“带病硬跑”。

5. 细，意味着更容易产生“再加一点就更准”的成瘾 这是一个很隐蔽的心理陷阱。 模型一旦建起来， 人很容易觉得： • 再补一个变量就好了 • 再优化一个权重就好了 • 再细分一个场景就好了 • 再多一点数据就更接近真相了 但很多时候，这只是在延长幻觉， 不是在提升判断。 你不是越来越接近真相， 而是越来越深地陷在自己搭的结构里。

八、一个特别典型的错法：把不确定世界硬翻译成确定数字 这是现实里最常见的“伪精确”。 本来你面对的是： • 人会变 • 市场会变 • 规则会变 • 环境会变 • 系统会反馈 • 关键变量甚至还没显形 这时更成熟的表述通常应该是： • 大概在哪个区间 • 更可能的几种情景 • 关键分歧点是什么 • 风险暴露点在哪里 • 哪些变量一变，结论就要重来 但很多人会不自觉把它变成： • 明年增长 18.7% • 三年后达到某个精确规模 • 某个人适配度打 83 分 • 某个合作成功概率 72% • 某个策略回报率会是多少 这些数字看起来很美， 但很多时候只是把模糊现实压成干净幻觉。 所以真正成熟的判断， 常常不是说得更准， 而是更诚实地承认： 这里最多只能判断到哪一步。

九、一个贴近现实的例子：看一个高认知合伙人 如果学偏了，很容易这样做： • 设计一个 20 项评分表 • 每一项打分 • 设置复杂权重 • 得出一个总分 • 觉得这样就很理性 问题在哪？ 问题在于，高认知合伙人这种事情的关键，不是“维度够不够多”， 而是： • 有些关键变量极难量化 • 有些变量只有在压力下才显形 • 有些结构要靠真实共事才暴露 • 有些风险不是线性累加，而是一票否决 比如： • 会不会讲真话 • 能不能共担风险 • 是不是长期主义 • 是否遇到诱惑就变形 • 分歧时是解决问题还是保护自己 这些东西你可以辅助观察， 但如果你假装能把它们精确量化成一个漂亮分数， 那就很可能已经进入伪精确了。 更成熟的做法通常不是追求“评分更细”， 而是： • 抓关键线索 • 设否决项 • 做小闭环验证 • 在真实反馈中逐步加深判断 这就不是“不严谨”， 而是更贴近现实。

十、再举一个投资上的例子 很多投资人容易掉进一个错法： • 预测未来多年收入 • 预测利润率 • 预测竞争格局 • 预测资本开支 • 预测估值中枢 • 再贴现回当前 从形式上看，非常理性。 但问题是： 其中很多输入本来就极不稳定。 如果： • 商业模式会变 • 行业格局会变 • 管理层风格会变 • 技术路径会变 • 宏观环境会变 那你最后得到的一个精确价格， 很多时候只是： 多个不确定假设连乘出来的精确错觉。 更成熟的做法不是完全不用模型， 而是知道： • 模型只是辅助理解，不是替代现实 • 重点在识别关键变量，不在假装全知 • 更该看区间、安全边际、情景分布，而不是单点精确值 这才是生态理性。

十一、那是不是不要模型了？ 当然不是。 这一章不是反模型， 而是反三件事： 1. 反把模型用到不该用的地方 2. 反让模型输出超过它能力的确定感 3. 反把模型当现实本身 真正成熟的用法应该是： • 用模型帮助你看结构 • 用模型帮助你识别变量 • 用模型帮助你做情景比较 • 用模型帮助你发现敏感点 • 但始终记住它只是近似，不是真相 也就是说： 模型应该增强你的边界感， 而不是消灭你的边界感。 如果一个模型让你越来越谦卑、越来越知道哪里不知道， 它大概率在帮你。 如果一个模型让你越来越自信、越来越像已经看穿一切， 它大概率已经开始害你。

十二、这和《误判学》《不确定世界》《系统》怎么连？ 1. 接《误判学》 这章对应的是一种高阶误判： 不是看不见，而是看得太像看见了。 也就是聪明人特别容易犯的错： 因为模型很漂亮，所以误以为自己真的掌握了规律。

2. 接《不确定世界》 既然世界本来充满无法精确刻画的部分， 那成熟理性就必须容纳： • 区间 • 模糊 • 情景 • 边界 • 安全边际 而不是硬把一切压成单点答案。

3. 接《系统》 系统思维提醒你： • 反馈会变 • 延迟会扰动 • 结构会演化 • 行为会适应规则 这就意味着，很多变量关系本来就不是静态的。 如果你用静态细模型假装抓住动态系统， 就特别容易掉进模型幻觉。

十三、这一章真正要建立的标准是什么？ 以后你看到一个模型，不要先看它细不细。 先看六件事： 1. 它是在抓规律，还是在背过去的答案？ 如果更像背答案，就是过拟合风险。 2. 它输出的精确度，配得上输入质量吗？ 如果输入很模糊，输出却很精确，就是伪精确。 3. 它有没有清楚告诉你边界在哪里？ 没有边界说明，危险很大。 4. 它能不能帮助你更快识别关键变量？ 如果不能，模型价值有限。 5. 它有没有让你更快修正，而不是更难承认错误？ 如果模型越来越重，通常会拖累修正。 6. 它是在辅助你理解现实，还是替代你理解现实？ 这句最关键。

十四、第十章最重要的一句话 我给你压成一句： 算得越细，未必越接近真相；很多时候，你只是把更多噪音、更多假设和更多自信，包装成了更精密的判断。

十五、这一章之后，你最该养成的三个动作 1. 以后看到特别精确的结论，先反问： 它为什么能这么精确？ 如果这个“为什么”说不清，多半就有问题。 2. 以后建模型时，优先输出区间、情景和敏感点 少迷恋单点答案。 3. 每次模型让你特别安心时，主动自检： 这份安心，来自真实理解，还是来自形式精密？ 这句很值钱。

十六、小结 这一章最核心，可以压成四句话： 1. 过拟合是把过去的噪音和偶然性误学成规律。 2. 伪精确是把本来不该那么准的事情，硬包装成精确答案。 3. 模型幻觉是把模型当成现实本身，而不是有限近似。 4. 所以成熟理性不是反模型，而是会用模型、懂边界、留模糊、守谦卑。

返回目录