06贝叶斯更新（Bayesian Updating）
费曼学习法：先讲给十二岁的孩子听
一种病，一千个人里有一个人得。有种检查能把这个病查出来，准确率 99%——真有病的人 99% 被查出阳性，真没病的人 99% 被查出阴性。
你去查了，结果是阳性。你吓坏了，觉得"99% 准确，那我肯定是那百分之一"。
先别慌，我们数一数人。假设有十万个人：
- 大约 100 人真有病 → 其中 99 人查出阳性；
- 剩下 99,900 人没病 → 其中 1% 被误报，也就是 999 人假阳性。
所以阳性的人一共 99 + 999 = 1098 人，其中真有病的只有 99 人。
你真得病的概率大约是 9%，不是 99%。
为什么差别这么大？因为没病的人太多了，哪怕只有 1% 被误报，人数也远远盖过了真病人。你拿到阳性结果之前的"一千个人里一个"（0.1%），是一个极低的起点；99% 准确的检查把这个起点往上抬了一大截，但抬不到 99%。
这就是贝叶斯：新证据不会替你重新算一遍，它只是在你原有的判断上做修正。 起点低，再强的证据也抬不到顶。
一句话讲清楚：信念不是被证据推翻后重建的，而是被证据一点一点推动的——推多少，取决于新证据有多意外。
一、这个思维模型是什么
1. 定义
贝叶斯更新是一套用新证据修正信念的规范方法，源自 18 世纪牧师托马斯·贝叶斯，形式化为：
后验概率 ∝ 似然比 × 先验概率
拆开说就是三件事：
- 先验（Prior）：看到新证据之前，你相信的程度。它不该是随便拍的，而应来自基础概率、历史频率或已有理论。→ 见 #23 基础概率
- 似然（Likelihood）：如果这个假设为真，看到眼前这个证据的可能性有多大；如果假设为假，看到它的可能性又有多大。两者的比值叫似然比，它衡量证据的"冲击力"。
- 后验（Posterior）：更新之后的新信念。它立刻成为下一轮更新的先验。
关键在第三部分：更新是链条，不是一次性事件。 每次新证据进来，都推着信念移动一点，方向由证据指向，幅度由证据强度决定。
2. 为什么"意外程度"决定推力
一条证据能推动信念多少，不取决于它"支不支持"你的假设，而取决于它在对立假设下有多难出现。
- 朋友说"今天天气不错"——这在"今天晴"和"今天阴"下都可能出现，似然比接近 1，推不动任何东西。
- 朋友发来一张烈日下的照片——这在晴天很常见、在阴天几乎不可能出现，似然比很高，推力很强。
所以一条好的证据，必须满足：如果我的假设错了，我很难看到它。 做不到这一点的"证据"，无论多少条都推不动信念。
3. 一个快捷算法： odds 形式
用概率直接算容易绕，换成几率（odds）就变成一道乘法：
后验几率 = 先验几率 × 似然比
举例：某现象你原本觉得 2:1 可能是假的（先验几率 1:2）。现在出现一条证据，它在"真"的情况下出现的可能性是"假"的 10 倍（似然比 10）。
后验几率 = (1:2) × 10 = 5:1，也就是你现在觉得它大概是真的。
多位小数不用管，这个乘法足够你应付绝大多数日常推理。
4. 与相邻概念的区别
- 贝叶斯 vs. 确认偏误：确认偏误是只收集支持自己的证据、忽略反对证据；贝叶斯要求你主动去找那些在你的假设下"本不该出现"的证据——因为它们的似然比最高，推力最大。→ 见 #27 确认偏误
- 贝叶斯 vs. 证伪原则：波普尔式的证伪是二值的（一个反例就推翻）；贝叶斯是连续的（证据只改变程度）。实践中二者互补：证伪给你方向，贝叶斯给你幅度。→ 见 #40 证伪原则
- 贝叶斯 vs. 概率思维：概率思维是态度（用概率说话），贝叶斯是算法（概率该怎么随证据变）。→ 见 #2 概率思维
二、为什么它重要
- 它是"理性学习"的数学定义。 什么叫从经验中学习？就是先验随证据系统性地移动。不按贝叶斯走的学习，要么顽固（先验永远是 1 或 0），要么摇摆（无视起点，被最新一条消息带着跑）。
- 它解释了为什么极端信念难以改变。 当先验是 0 或 1 时，任何有限的证据都推不动它——因为乘以零还是零。"我百分之百确定"不是自信，是关闭了更新通道。 保持一点点不确定性，是理性更新的前提。
- 它给出证据评价的统一尺子。 不再问"这个证据支持我吗"，而问"如果我是错的，我看到它的概率是多少"。这一问能过滤掉绝大部分伪证据。
- 它让人对分歧更宽容。 两个理性的人从不同的先验出发，看到同样的证据，得出不同的后验——这是完全正常的。与其争论谁对，不如追问：我们的先验差在哪？有没有什么证据能让我们的后验收敛？
三、生活中如何使用
1. 先定起点，再看证据
拿到任何信息，第一件事不是判断它可不可信，而是问：在没有这条信息之前，这类事的发生率是多少？
听到"某个方法治好了绝症"——先问这种病的自愈率和常规治愈率是多少；看到"某公司增长 300%"——先问这个行业的平均增速。跳过这一步，你就被新闻的耸动程度牵着走。→ 见 #23 基础概率
2. 用"如果我是错的"来检验证据强度
每收到一条支持你的证据，问一句：如果我错了，我会看到这个吗？ 如果答案是"也会"，那这条证据的信息量约等于零。
这个习惯能筛掉绝大部分自我安慰式的证据——朋友的支持、同行的附和、那些"我早就知道"的回忆，全都在两个假设下同样可能出现。
3. 把强观点改成弱观点
给自己一条纪律：任何判断都不说 0% 或 100%，最多说 5% 和 95%。 这不只是谦逊——它在数学上保证你的更新通道永远开着。一个说"绝对不可能"的人，遇到再强的反证也得靠自欺才能维持立场。
4. 追踪自己的更新轨迹
建决策日志时，不只记结论，记概率的变化：9 月我说 30%，11 月新证据来了我改到 55%，为什么。半年后回看，你能分清自己是在更新还是在摇摆——前者有稳定的方向，后者只是跟着最近的新闻走。→ 见 #75 检查清单与决策日志
5. 主动寻找"高似然比"的信息
别去信息量低的地方刷存在感。要问的是：什么样的观察，能最大程度区分"我对"和"我错"？ 然后专门去找它。这是最高效的学习方式，也是科学研究中"判决性实验"的思路。
四、注意事项与常见误用
- 先验不能瞎编。 整套方法的可靠性完全建立在先验的质量上。在毫无信息时给一个"30%"，再套公式算出后验，那是给猜测穿了数学外衣。先验必须来自基础概率、历史数据或成熟理论。 → 见 #23 基础概率
- 别把贝叶斯当成为顽固辩护的工具。 "我的先验就是不一样"是逃避更新的万能借口。先验可以不同，但必须公开、可追溯、并承诺在什么证据下会改变。若你的先验无论如何都不动，那不是先验，是教条。
- 人脑天然不是贝叶斯机器。 真实的人会忽略基础概率（代表性启发）、会被最近的信息过度影响（可得性偏差）、会在证据矛盾时更固执（确认偏误）。贝叶斯是规范模型（应该怎么想），不是描述模型（人实际怎么想）。 正因为它反直觉，才需要用流程来强制。→ 见 #64 代表性启发
- 警惕"似然比"被操纵。 如果有人只给你看在他的假设下常见、在你的假设下罕见的证据，而不告诉你反过来的证据也存在，你会被系统地推偏。样本被筛选过，贝叶斯也救不了你。→ 见 #33 幸存者偏差
- 连续小修正确实会累积，但要当心非独立证据。 十条互相独立的证据能大幅推动信念；十条来自同一来源、同一方法、同一批人的证据，实际上只相当于一条。证据的独立性比证据的数量重要得多。 → 见 #35 信息不对称
- 模型边界：贝叶斯回答"信念该如何随证据移动"，不回答"先验从哪来"（需基础概率与领域知识）、"该不该为这个结论下注"（需 #4 期望值）、"证据本身可不可信"（需评估信息源）。它是信念更新的算法，前提是输入可靠——算法再漂亮，喂进去的是筛选过的数据，出来的必然是偏的。
五、一句话总结
新证据不推翻你的旧信念，它只是在旧信念上推一把——推多远，取决于"如果我错了，我有多难看到这条证据"；所以：先定起点，再问意外程度，永远别把概率说成 0 或 100%，因为那等于亲手关上了更新的门。
免责声明
本文为思维模型的科普与方法论介绍，所涉医学筛查案例仅用于说明概率计算（现实中筛查策略与疾病特征复杂得多，任何健康问题请咨询执业医师）。本文不构成任何医疗、投资或其他重大决策的建议。读者据此做出的任何决策及其后果，由决策者自行承担。