贝叶斯思维：根据新证据更新你的信念
贝叶斯思维：根据新证据，更新你的信念
F 型叙事 · 通识方法论 │ 为什么"越证越错"的人，和"越证越准"的人，差在这一步
设想一种病，每万人里只有 1 个人得。现在有一种检测，对病人 99% 能查出来，对健康人也会"误报"1%。你测了，结果是阳性。你觉得自己患病的概率有多大？多数人脱口而出："99% 吧，这检测很准。"
真相是：大约只有 9%。在那一万个里，真正患病的是 1 人（几乎必被查出），健康的是 9999 人（其中约 100 人会误报）。所以阳性结果里，100 个误报 vs 1 个真病——你中招的概率约 1/101，不到一成。那个"很准"的数字骗了所有人，因为它漏掉了一件东西：你本来就得病的概率有多低。
这个被漏掉的东西，正是贝叶斯思维的核心。它不教你"相信证据"，而是教你"怎么用证据去更新你原本的信念"。
约等于 约 1/101
先验极低时，再准的阳性也多半是假警报——先问基础比率。
自然频率：在 10,000 人里
真正有病约 1 人，其中检出阳性约 1； 健康约 9,999 人，误报阳性约 100。所有阳性（约 101）里，真病只占 1.0%。后验 = 似然 × 先验 ÷ 证据——证据再强，也扭不过极低的先验。
一、一个 18 世纪牧师的遗稿
1761 年，英国牧师托马斯·贝叶斯（Thomas Bayes）去世。他生前没什么名气，却留下一篇关于"机会学说"的论文，由朋友理查德·普莱斯整理，1763 年发表。论文想解决一个看似玄学的问题：当我们只看到有限的证据，怎么推断一个未知事情发生的概率？
当时主流观点把概率只当作"反复掷骰子的频率"。贝叶斯却说：概率也可以是你对一件事的"相信程度"，而且它应该随着新证据不断调整。这个念头太超前，沉寂了几十年，直到另一位巨人——拉普拉斯（Pierre-Simon Laplace）在 18 世纪末独立重新发现并推广，才真正长成一整套方法。
二、一句话说清贝叶斯定理
定理写下来只有一行：后验 = 似然 × 先验 ÷ 证据。翻译成人话，就是三个角色：
先验（prior）：在看到新证据前，你本来就相信这件事成真的概率。也就是开头那个"每万人 1 例"。
似然（likelihood）：如果这件事是真的，看到这份证据的概率有多大。也就是"病人被查出的 99%"。
后验（posterior）：把证据纳入之后，你更新后的信念。那不到一成的真实患病概率，就是它。
贝叶斯的最大反直觉在于：证据再强，也扭不过一个极低的先验。检测再准，也救不了"本来就几乎不可能"的事。反过来，一个你本就高度怀疑的假设，只要来一点支持证据，可信度就会大幅跳升。
三、拉普拉斯的"日出问题"
贝叶斯方法最优雅的示范，来自拉普拉斯。他问：太阳明天还会升起吗？如果它过去升起了 N 天，明天升起的概率该是多少？直觉可能说"当然 100%"，但贝叶斯不这么武断。
拉普拉斯给出答案：大约 (N+1)/(N+2)。假设人类观测到太阳升起 5000 年、约 180 万天，那么概率是 1800001/1800002——极其接近 1，但永远留一丝余地。这不是抬杠，而是一种谦逊：无论证据多充分，理性的信念都应当为"自己可能是错的"留一个非零的小窗口。这种"给未知留白"的态度，恰是科学精神的底色。
四、为什么人脑天生讨厌贝叶斯
开头那道医疗题，大多数人答错，不是因为笨，而是因为人脑有三道出厂Bug：
1. 忽略基础比率（base rate neglect）。我们一看到"阳性"就只盯着检测的准度，忘了先问"这病本来就多罕见"。罕见的事，再强的信号也多是假警报。
2. 锚定在鲜活血样。一个活生生的案例、一段惊悚视频，比一千条统计数字更能左右判断。贝叶斯要求你同时尊重"个案"和"基数"，而我们只看得见眼前的那一个。
3. 合取错觉（conjunction fallacy）。卡尼曼和特沃斯基发现：人们觉得"琳达是银行出纳兼女权主义者"比"琳达是银行出纳"更可能——明明前者是后者的子集、概率只会更低。我们被"故事感"骗，忘了概率只能越加条件越小。
五、它在哪 winning：从垃圾邮件到诺贝尔奖
这套两百年前的思想，今天几乎撑起了整个智能时代：
垃圾邮件过滤。"朴素贝叶斯"分类器是最早实用、至今仍高效的邮件过滤器——它根据"这封邮件里出现某些词，在垃圾邮件里有多常见、在正常邮件里有多罕见"，算出它是垃圾的后验概率。简单，却极稳。
搜寻与救援。丢了一艘潜艇、一架飞机，搜救队不会平均撒网，而是用贝叶斯，把"最后已知位置""洋流""既往同类事故"合成一张"概率热力图"，先搜最可能的格子，再据每次"没找到"的证据动态更新下一步去哪。
预测与决策。"超级预测者"（Tetlock 研究的那群普通人）之所以比专家准，关键习惯之一就是贝叶斯式更新：他们不押一个死答案，而是给每个可能附一个概率，然后随新闻小幅修正。Nate Silver 的选举预测也是同一套路。
科学与司法。从粒子物理"发现新粒子"的 5σ 标准，到法庭上"这份 DNA 证据到底多说明问题"，背后都是贝叶斯在提醒：证据的分量，永远取决于它相对于先验有多出人意料。
六、普通人怎么用贝叶斯
你不必会推公式，也能过上"贝叶斯式"的一天：
1. 先亮出你的先验。开口下结论前，先说清"我本来觉得这事有几分可能"。把信念变成数字，偏见就无处藏身。
2. 把"新证据"和"基础概率"一起算。看到惊人标题，先问"这种事本来就常见吗"。罕见的事，需要格外硬的证据才配得上你的相信。
3. 让信念可修正，而非可辩护。贝叶斯的世界里，没有"我早就说了"，只有"我比昨天更接近真相一点"。遇到反例，第一反应不是反驳，而是调低那个概率。
4. 警惕"故事感"战胜"基数"。一个生动的个案，权重不该压过一千个统计。给故事一个折扣，给数据一点尊重。
七、信念是一盏不断调光的灯
贝叶斯思维最深的教益，不在于那行公式，而在于一种姿态：把"我相信什么"从一块石头，变成一盏可以调光的灯。证据来了，调亮一点；反例来了，调暗一点。你不必永远正确，只要比昨天的自己更准一点点。
那个测出阳性的你，如果懂贝叶斯，不会陷入恐慌，也不会掉以轻心，而会说："概率从万分之一升到了约一成——值得进一步查，但远没到定罪的时候。"这份清醒，正是两百年前那位牧师，留给每个现代人的礼物。
参考资料：Thomas Bayes & Richard Price《An Essay towards solving a Problem in the Doctrine of Chances》(1763)；Pierre-Simon Laplace《概率论的解析理论》(1812) 与"日出问题"；Daniel Kahneman & Amos Tversky 关于 base rate neglect 与 conjunction fallacy 的实验（1980s）；Nate Silver《信号与噪声》(2012)；Philip Tetlock《超级预测》(2015)。本篇为通俗综述。
评论 (0)
正文划词可点「问萝卜特」——自动发评论并由 AI 回复
加载评论中…