23基础概率（Base Rates）

Base Rates通用性 4 · 解释力 3 · 决策价值 5 · 总分 12证据硬

费曼学习法：讲给十二岁的孩子听

有个同学跟你说："我发明了一种新学习方法，试了一周，成绩提高了二十分！"

你会问什么？大多数人会问"真的吗""怎么做的"。

但最重要的问题其实是最无聊的那个："你们班平均提高了多少？"

如果那一周正好考了一套简单的卷子，全班平均都提高了十八分——那他那个"新方法"带来的，可能只有两分。

不看全班平均分，你根本无法判断那个二十分是好是坏。 这个"全班平均分"，就是基础概率。

生活里我们天天在犯这个错：看到一个人创业成功就觉得"创业可行"，却不知道创业的成功率是多少；看到一篇"某某食物致癌"的报道就恐慌，却不知道这种癌症的发病率本来是多少。

个案总是生动的，基础概率总是枯燥的——而判断力恰恰建立在那枯燥的部分上。

基础概率（Base Rates，也称基准率、先验概率）指：某一类事件在同类情境中发生的普遍频率。 它是在考虑任何个案细节之前，你对该事件可能性的起点判断。

它与贝叶斯更新的关系是：基础概率是先验，个案信息是似然，后者只能在前者的基础上修正。 跳过前者直接看后者，等于凭空编数字。

关键的操作原则（卡尼曼称之为"外部视角"）：

绝大多数人的错误发生在第 2 步——他们直接从第 3 步开始。

在看这个案例之前，先问这类事通常发生的概率是多少——个案是生动的，基础概率是枯燥的，而判断力恰恰建立在那枯燥的部分上；跳过起点直接看个案，你得到的不是判断，是编故事。

一个经典实验：给受试者一段人物描述——"这个人内向、细致、喜欢秩序"，然后问：他是图书管理员还是农民？

大多数人答"图书管理员"，因为描述太符合了。

但美国劳动人口里，农民与图书管理员的比例大约是 几十比一。就算这个描述让"图书管理员"的可能性提高了十倍，最终概率仍然是"农民"更高——因为起点差距太大了。

这不是说描述没用，而是说：描述的说服力必须和起点差距放在同一张天平上称。 忽略起点，你就会被生动的个案牵着走。

投资、招聘、创业、医疗诊断，全都一样：先看这类事的成功率、发病率、通过率，再看"这一次"具体有什么不同。

把基础概率当命运。 基础概率是起点，不是终点。真正独特的信息（一个新市场的早期、一项被验证的技术突破）可以合理地大幅修正它。错的是无视起点，不是允许修正。
选错参照类别。 这是最隐蔽的陷阱。"这类创业的成功率是 10%"——但"这类"到底是哪一类？同行业？同阶段？同团队背景？参照类选得不合适，基础概率就是错的。 选类别本身就是需要判断的一步。
用过时的数据。 基础概率会随环境变化。十年前的行业成功率对今天的 AI 创业参考价值有限。用之前先问：这个数据是什么时候、什么环境下的。