知道自己有偏誤，為什麼還是沒用？

我是數據分析出身的。職業訓練教我的事情很單純：蒐集數據、找到規律、用規律做決策。這套方法在工作上很好用——數據夠多、模型夠好，就能逼近答案。

而比職業訓練更早的，是另一套思路。我從小到大被教的，是用結果來確認決策對不對——考高分代表讀書方法對，上好學校代表選擇對，進好公司代表能力強。沒有人問過你當初那個判斷在當下合不合理。結果好，決策就算對；結果差，決策就算錯。

然後我把這整套思路搬到投資上，開始賠錢。

不是一次兩次的失誤。是一種系統性的錯法：我分析得越多，越確信自己的判斷；越確信，越不願意接受市場跟我想的不一樣；越不接受，就越晚修正。等到修正的時候，損失已經比「什麼都不做」大得多。

後來我讀到一個研究結論，覺得被打了一拳：認知能力越高的人，盲點偏誤越大。而且知道自己有偏誤的人，並沒有更能克服它們。

「聰明」兩個字不是重點——我從不覺得自己有多聰明。真正打到我的是第二句：知道也沒用。我整套投資方法藏著一個假設——只要我夠清醒、夠誠實地檢視自己，就能修正偏誤。這個研究說，這個假設是錯的。這跟我相信的一切相反。

聰明人的盲點，比一般人更大

Ben Carlson 是一個資產管理公司的投資組合經理。他在〈The Curse of Intelligence〉這篇文章裡寫了一段自己的觀察：剛入行的時候，他被投資圈的聰明程度震撼——頂尖名校、高等學位、口才一流、數據隨手拈來。

幾年後光環褪去了。他發現：房間裡最聰明的人不一定是對的。多數時候，他們的聰明反而在跟他們作對。

為什麼？因為他們太確信自己了。無法改變主意，也無法接受一個事實：市場不在乎你的 IQ 是多少。

Carlson 特別提到醫生、律師、工程師這些人。在自己的領域很成功，就自動假設投資也能靠同一套能力搞定。結果是三件事同時發生：過度自信、把事情搞太複雜、過度思考。

數據分析人也很容易上這個名單——至少，像我這樣訓練出來的。我們的問題不只是過度自信，還有一個更根本的：我們最熟練的那套反射，是在一種跟金融市場完全不同的系統裡練出來的。

金融市場是二階系統——邏輯腦最容易犯的錯

回想我學數據分析的路徑：一開始是分類與比較，找出差異，再根據差異做決策、用數據優化決策。後來接觸機器學習，第一個練習是預測鐵達尼號乘客的生還率——給你一份乘客名單，艙等、性別、年齡、票價，訓練一個模型去猜誰活下來。

這些練習有一個共同的、我當時沒意識到的前提：我分析的對象不會回應我的分析。 鐵達尼號那份資料是凍結的，乘客早就不在了，我的模型跑一次還是跑一千次，那份 CSV 一個字都不會變。用戶留存率也一樣——使用者不知道我在分析他們，不會因為我找到一個規律就改變行為。我跟我分析的對象之間，沒有反饋迴路。

我後來才發現，我整個職業生涯幾乎都待在這種環境裡。很少做過「有對手方」的分析——那種你一出手，對面就會回應你的局。

金融市場剛好是另一個極端。它是一個二階系統——所有參與者的行為會互相影響，而且所有人都在試圖預測其他人的行為。你找到一個規律，別人也會找到。一旦夠多人根據同一個規律行動，這個規律就會自我消解——因為它已經被定價了。

這就是反身性：市場的規律會因為被發現而改變。

在一階問題裡，發現規律是終點——你找到了答案，可以據此行動。在二階系統裡，發現規律只是起點——你還要問：有多少人也發現了？他們會怎麼反應？他們的反應會怎麼改變這個規律本身？

數據分析人的肌肉記憶是：分析 → 找到規律 → 執行。但在二階系統裡，正確的流程是：分析 → 找到規律 → 問「這個規律還會成立嗎」→ 通常答案是「不確定」。

這就是為什麼數據分析能力在市場裡不是直接優勢——這一次，你分析的對象會回應你。我找規律的能力，是在鐵達尼號那種「規律會乖乖待在原地」的環境裡練出來的；搬到一個規律會回頭閃躲你的系統，這條肌肉只會讓你更快找到一個已經失效的規律，然後用你的分析能力說服自己「這次不一樣」。

知道也沒用

Carlson 引用了 Annie Duke《Thinking in Bets》裡的一段研究，這段是整篇文章最硬的地方。我讀到這裡時還抱著一絲期待——如果偏誤是可以被測量的，那它應該也是可以被管理的，這節說不定是來救我的。結果完全相反。

2012 年，心理學家 West、Meserve、Stanovich 測了七種認知偏誤，發現兩件事：

第一，所有人都有盲點偏誤——能看到別人的偏見，卻看不到自己的。

第二，認知能力越高的人，盲點偏誤越大。 七種偏誤裡面有六種，越聰明的人，這個「看不見自己」的盲點越大。

但最致命的是第三個發現：「知道自己有偏誤的人，並沒有更能克服它們。」 這個結果後來被重複驗證了。

讀到這裡，我的第一反應是不信。我的第二反應是去想「為什麼我不信」——然後意識到，這個「不信」本身就是盲點偏誤在運作。

為什麼「知道」救不了你

我花了一段時間才真正理解這件事。

先離開投資一下。明明知道一段關係不對勁，卻還是離不開；明明知道對方不適合，卻一拖再拖——這種事幾乎每個人都見過，甚至親身經歷過。你的大腦完全清楚狀況，但「清楚」這件事，從頭到尾沒有把你拉出來。投資裡的「知道也沒用」，是同一個東西，只是換了場景。

偏誤不是一個「想法」，它是一種「感覺」。當你持有一支股票，然後讀到一篇看空報告，你心裡發生的事情不是「讓我客觀比較多空雙方」。而是一股不舒服的感覺先到——看空報告不只在質疑一支股票，它在質疑你的判斷力。你的持倉、你花的時間、你跟朋友講過的看法，全部跟這個部位綁在一起。

這股不舒服的感覺，在你還沒開始「思考」之前，就已經改變了你思考的方向。

你不是在分析，你是在防禦。但從內部感受來看，防禦跟分析一模一樣——你一樣在看數據、找論據、做比較。差別在於你不是在問「這篇報告對不對」，你是在問「這篇報告哪裡錯了」。

Annie Duke 講得更直接：「你越聰明，越擅長替自己的信念編故事。」她說的不是你在偷懶或不夠努力。她說的是你的分析能力被偏誤接管了——它不再用來找真相，而是用來替偏誤早就選好的結論找理由。你最強的能力，反過來對付你自己，而你完全不知道。

所以問題不是「我有沒有在反思」。問題是：在偏誤已經啟動的情況下，你啟動的那個東西不叫反思，叫偽裝成反思的合理化。它長得像反思、感覺像反思、過程像反思，但結論從一開始就被決定了。

每一次你都有充分的理由相信「這次是理性的」。每一次都是「這次不一樣」。而你越聰明，這些理由越有說服力——不是對別人，是對你自己。

那怎麼辦？不是更努力反思

如果「知道」沒用，什麼有用？

回答之前，先誠實說一件事：那個研究只做診斷，不開藥——它證明了問題就停了。所以接下來的解法，是實務經驗加我自己的推論，比研究弱，你可以、也應該多打一點折扣。但它不是亂猜——研究殺掉了一個錯答案：「在當下更用力反思」這條路已經出局，能留下的解法，都不靠當下反思。

偏誤不是隨時一樣強。買進一支股票、下了一個判斷、跟朋友講過你看好什麼——從你有了立場那一刻起，偏誤就上場；在那之前，它還在場邊。

但在動手之前，有一個更底層的問題要先處理：你是「怎麼」持有一個立場的。

這是兩種決策模式的差別。我從小被訓練的那一種，用結果替決策打分——賺了就是對的決定，賠了就是錯的。它在回饋乾淨、運氣占比小的地方夠用，考試和工作大多是這樣；但市場的運氣占比太大，單一一次的賺賠，幾乎不告訴你當初的判斷好不好。另一種模式不看單次結果，看你下注的當下、這個賭注划不划算——這就是機率思考：不是「這支股票會漲」，而是「我有六成把握它會漲，但有四成我是錯的」。

這兩種模式，給偏誤的東西差很多。「會漲」是一個硬立場，一個容不得質疑的結論；「六成會漲」是一個軟立場，它本來就把「我可能錯」寫進去了。偏誤要的是一個硬立場去防禦——當你心裡是機率的版本，看空報告就不是在攻擊你，而是在幫你校準那個六成該不該變成五成五。機率思考不分上場前、上場後，它是你看待每一個判斷的底層方式。

鋪好這個底層，才輪到動手。解法不是在偏誤最強的時候打贏它（你打不贏），而是挑它還沒上場、或它管不到的地方。對沖基金經理人 Alpesh Patel 把這一類解法叫做「防護欄」——把防護欄全部攤開，其實只分三種，而它們對應的，正好是這篇文章前面講過的三個問題。

第一關，在偏誤上場之前。 前面說過，偏誤要等你有了立場才會上場。所以第一招很直接：別讓自己太早有立場。

把機率思考推到極端，就是 Carlson 收尾時最重要的那個建議——學會說「我不知道」。機率思考是「六成會漲」，「我不知道」是連這個數字都還不給：你還沒有部位、還沒有立場，手上是空的。這不是客氣話，也不是為了讓你更謙虛（謙虛只是副產品）。它有用，是因為它從源頭拆掉了偏誤的觸發條件。當你覺得「我知道」，你的大腦就進入驗證模式：找證據去支持你已經相信的事——你有了立場，偏誤就有了要守的東西。但當你真的處在「我不知道」，你沒有立場，也就沒有要守的東西，那股「被威脅」的感覺根本不會發生。

但「我不知道」只在你還沒有部位的時候有效——一旦買進，立場就形成了。所以第一關還有另一半：趁你還冷靜、偏誤還在場邊，先把買進之後要用的規則寫好。

規則要寫成「封閉式」的。「基本面沒變就不砍」這種不算——因為「基本面變了沒」還是要你當場判斷，而那個當下的你已經被偏誤接管，你會說服自己沒變。規則裡只要有一個字要你自己當場認定，那就是留給偏誤的後門。封閉式的規則長這樣：「我買進的三個理由是 A、B、C，任何一個不成立就砍」——A、B、C 在你冷靜時就寫死了，事到臨頭你只要核對，不必判斷。

第二關，在偏誤上場之後。 這一關對應的是另一個問題——偏誤是先於思考的感覺，一旦上場，你就用想的擊退不了它——你那時候的「分析」，已經是合理化了。所以買進之後的原則只有一條：不靠當下判斷，照你冷靜時寫好的東西走。

這就是規則的角色。第一關你寫的那張清單，到這裡不是拿來「參考」的，是拿來「執行」的——清單上的條件成立了，你就動，不重新評估、不問自己「可是這次……」。你也讓數據替你說話，而不是故事：故事會放大你已經有的情緒，數據會把你釘在原地、不讓你飄走；一個故事講得通，不代表它是個好投資。然後，少看盤。你每看一次盤，就給偏誤一次上場機會——一天看十次，就是一天被它撲十次；一個月看一次，一年只有十二次。你不是變理性了，是你把「需要理性」的場合變少了。

第三關，你一個人到不了的地方。 但你發現了嗎——前面兩關，都還是你一個人在做。而盲點偏誤的定義就是：你看得見別人的偏見，看不見自己的。一個你自己看不到的東西，你再誠實也檢查不到。

Duke 在《Thinking in Bets》裡給的解法很簡單：找幾個會直接說你錯的人。重點是「直接」——不是會安慰你、順著你講的朋友，而是那種你一說完判斷、就會回你「我覺得這裡有問題」的人。你看不見自己的盲點，但旁邊的人看得見。所以這一關不靠你自己，靠別人。

問題是，Duke 這本書和 Carlson 那篇文章都寫在 2018 年，在 ChatGPT 之前。那個年代，要找到這種人、還要一群，很麻煩：你得認識他們、約得出來，還得每次承受被當面說錯的不舒服。

但現在多了一個那時候沒有的選項——AI。AI 不會累、沒有自尊會受傷，你要它挑你毛病一百次也不會記仇。Duke 那個「找外人幫你看盲點」的解法，現在打開對話框就有。

但有用沒用，差別在你怎麼問。問「我這個判斷對不對」，你只是在找背書；要找盲點，就得問「這裡最弱的一環在哪」——叫它跟你唱反調，把看空的理由講到最強，把你買進的三個理由丟給它、要它去找這些理由會在什麼情況下垮掉。同一個工具，你交給它「挑毛病」的任務，它才幫得到你。

Carlson 在文章最後寫了一句話，我覺得是最好的結尾：

「在複雜的世界裡保持簡單一直是場掙扎。對最聰明的人來說，這場掙扎可能更難。」

說到底，整套解法只有一個底層、加三關。底層是換一種想法：別用賺賠替決策打分，改用機率去想——不是「會漲」，是「六成會漲」。三關則是同一個動作的三個版本：偏誤上場前，別太早有立場、先把規則寫好；上場後，照規則走、不臨場靠自己；在你看不見的地方，讓別人幫你看。底層也好、三關也好，沒有一個靠的是「更努力地反思」——它們承認的是同一件事：你一個人、在當下、靠想的，不夠。

數據分析人遇到難題，直覺是再分析深一點——更多數據、更好的模型。在你本來的領域，這個直覺是對的。但偏誤不是這種難題：你越用力分析，它越強。它要的解法，不是更多的模型、更深的分析、更強的自我覺察——是承認你的聰明有邊界，然後用結構去守住那個邊界。而這些結構簡單到不像解法：寫一張規則、少看盤、找個人幫你看。

不是讓你更會反思，而是讓你放棄「靠反思就夠了」這個信念。

參考來源

• Ben Carlson，〈The Curse of Intelligence〉，A Wealth of Common Sense
• West, R. F., Meserve, R. J., & Stanovich, K. E. (2012)，〈Cognitive Sophistication Does Not Attenuate the Bias Blind Spot〉，Journal of Personality and Social Psychology
• Annie Duke，《Thinking in Bets》（中文版《高勝算決策》）
• Alpesh Patel，〈Why Your Intelligence Might Be Your Portfolio's Greatest Threat〉，Campaign for a Million