Gigerenzer的简单经验法则通常胜过复杂模型

这是大数据时代。我们一直在寻求更多的数字和更复杂的算法来处理它们。我们似乎认为，这将解决世界上的大多数问题-经济，社会乃至我们的个人生活。必然的结果是，经验法则和直觉本能很快就消失了。我们认为它们经常违反逻辑原理，并导致我们做出错误的决定。在农业和制造业时代，我们可能不得不依靠试探法和直觉。但这是数字时代。我们可以优化一切。

六十九岁的德国心理学家格德·吉格伦泽（Gerd Gigerenzer）一直在研究人类如何在他的职业生涯中做出决定，他并不这么认为。他说，在现实世界中，经验法则不仅行之有效，而且还比复杂的模型表现更好。我们不应该对启发式方法大加赞赏，我们应该接受它们。

这种观点越来越引起全球关注。部分原因是复杂模型无法预测重大事件，例如2008年的金融危机以及去年的唐纳德·特朗普（Donald Trump）。部分原因是Gigerenzer通过一些前沿研究来支持他所说的话。他在柏林马克斯·普朗克人类发展研究所的自适应行为与认知中心（ABC）的团队研究启发式技术在决策中的作用，这种方式可以被编码为计算机程序，可以在真实环境中进行测试和使用。世界。在金融领域，英格兰银行正在利用他们的见识设计更简单的规则来避免银行业危机。在医疗保健方面，医疗组织正在与他们合作，向医生和患者讲授风险素养，以便他们可以更好地评估证据。人工智能开发人员正在检查他们的工作，以查看是否可以使机器更好地思考。

Gigerenzer最近在印度举办了一个研讨会，名为Manipal TA Pai管理学院冬季有限理性冬季学校，他的听众是来自印度和国外一些顶尖机构的一群持怀疑态度的研究学者。

吉格伦泽（Gigerenzer）高个子，留着白胡子，有着乡下绅士的步态，他如火如荼-使用研究证据，个人轶事和对学术信心的无表情展示来解释，澄清和捍卫他的世界观。当一位对数学分析有明显热爱的金融教授说他不同意吉格伦泽的观点时，他回答说：“好，我有三天的时间说服你。”

简而言之，Gigerenzer的论点是这样的。风险与不确定性之间存在很大差异。当您知道所有备选方案，结果及其概率时，您正在应对风险。当您不知道所有替代方案，结果或概率时，您将面临不确定性。

当您处理风险时，请复杂的数学模型并对其进行微调以进行优化工作。但是，当您面对不确定性时，它们会无法正常工作，因为世界是动态的。

然后，您需要的是一组简单的经验法则，这些经验法则是可靠的，并且通过多年的经验可以增强直觉。您需要一个自适应工具箱。要很好地使用工具箱，逻辑上的合理性-知道诸如传递性和设定定理之类的规则-是不够的。需要的是生态合理性，即了解哪种启发式方法在哪种环境下有效。

为了研究所有这些问题，Gigerenzer在马克斯·普朗克研究所的ABC中组建了一支由国际和跨学科团队组成的团队。 Gigerenzer说：“我不相信常规学科的边界。” “它们可能对教学有益，但对创新绝对不利。我的小组大约有35名研究人员，其中有一半随时来自十个不同的学科-心理学，机器学习，计算机，经济学，工程学，哲学，生物学等。关键是使所有这些思想共同解决一个问题。”

问题是：人类和其他动物如何在不确定的条件下做出决定，也就是说，时间和信息有限，未来是未知的？他们试图通过设计人们如何决策的模型来解决这个问题，并通过进行实验，对另一个模型进行测试来查看经验法则（启发式）在哪些方面表现更好。

他继续说：“另一个重要的事情是让他们感觉像一个家庭，因为来自不同学科的人们通常会避免互相交谈。他们声称没有人会听懂他们的语言。在马克斯·普朗克（Max Planck），我把它们都放在了一层。我们每天下午4点有茶和咖啡。没有人有义务来，所以他们来了。然后他们交谈，问一个问题：“这个概念是什么意思？”，“为什么不这样做呢？”而且，所以我们取得了进步。”

Gigerenzer团队的研究员ÖzgürSimsek说：“这是最富智力的研究环境之一。” Simsek在土耳其学习了工业工程，然后才搬到阿默斯特的马萨诸塞大学，获得运筹学硕士学位以及人工智能和机器学习博士学位。在获得博士学位后，她正在寻找可以处理的新颖作品，并发现在马克斯·普朗克（Max Planck）进行的关于有限理性的研究很有趣。 “我认为关于有限理性的研究也许对AI和机器学习有新的说法，也许我们可以将其中的一些思想引入AI。同时，我认为我的计算背景，从事算法工作，分析算法，开发算法有助于更好地理解启发式技术。” Simsek说。她加入已经八年了。

Konstantinos Katsikopoulos在马克斯·普朗克研究所（Max Planck Institute）着陆的路径没有太大不同。他曾在雅典学习，然后从麻省理工学院获得运筹学博士学位。当他偶然发现一本名为《使我们变得聪明的简单启发式》的书时，他就知道了吉格伦泽的工作。简单和精明的字样吸引了人们的注意。他已经知道复杂优化模型的局限性。 “当我学习数学时，我学到的最基本的知识是，关于最优性或优化性的任何主张都是以模型为条件的。根据世界模型，您的结果始终是最好的。世界的模型不是现实。您不能将模型本身作为世界成功的基准。”将复杂的优化模型与简单的启发式方法进行比较的想法吸引了他。 15年前，他加入马克斯·普朗克（Max Planck）担任博士后。 Katsikopoulos最近转到了英国南安普敦大学商学院，并通过辅助风险科学家Harding Center for Risk Literacy继续与Max Planck保持联系。 （马克斯·普朗克（Max Planck）的一部分哈丁中心（Harding Center）训练医生和患者更好地了解医学证据，并提高学龄儿童的风险素养。和环境的变化）。他认为，教人们如何评估风险是获得正面结果的更直接有效的方法）。

另一位研究员栾盛华（Shenghua Luan）从中国北京大学毕业后，在佛罗里达大学获得心理学博士学位。在佛罗里达州，他参加了一个研讨会，讨论了Gigerenzer的工作。他开始研究他的论文，并迷上了。在获得博士学位之后，他在马克斯·普朗克（Max Planck）担任了一段时间的博士后，然后移居新加坡在新加坡管理大学任教。很快，他就错过了Max Planck的令人兴奋的研究，以至于他决定回去。当他谈论自己的工作时，他的热情就会溢出来。 “这不是一些抽象的东西。这就是人们在现实生活中所做的事情。”他说。

吉格伦泽（Gigerenzer）自己的知识之旅始于想知道为什么几年前他为什么选择了学术界的职业而不是娱乐音乐。 “当时作为音乐家，我的收入可能是助理教授的收入的五到十倍。现在，我没有坐下来列出继续听音乐的所有可能后果，前往学术界的所有可能后果，权衡并加以累加，因为这没有任何意义。我无法估计所有这些。我刚决定。这是定性的决定。思考之后，让我对人们如何做出决策产生了兴趣。”

吉格伦泽（Gigerenzer）将他的决策过程与一种在科学脾气的知识分子中长期流行的方法进行了对比。他们认为，通过列出各种选择的所有可能的优点和缺点，可以得出最佳决策。查尔斯·达尔文（Charles Darwin）尝试使用这种技术来决定是否结婚。本杰明·富兰克林（Benjamin Franklin）向正在寻找妻子的侄子强烈推荐这种方法-他称其为Moral Algebra（道德代数）。 “如果你不学习它，我会担心你永远不会结婚，”富兰克林写信给他。它并没有消失。即使在今天，我们也会发现这种方法的某些版本已被政府和企业中的官僚机构所采用。 Gigerenzer看到他没有使用这种方法来做出一生中最重要的决定之一。实际上，我们大多数人都不是。我们的决定主要是定性的，而不是定量的。

Gigerenzer说：“当我还是一名学生时，我对心理学并不十分了解。” “基本上，我了解弗洛伊德和其他一些心理分析家。我很快意识到，我可以用这些概念来解释几乎所有内容。我不感兴趣。我不想要一种可以解释一切的理论。然后我对人格心理学产生了兴趣。我记得有一本关于该主题的大书，有400-500页，我几乎是内心地知道它。一些朋友对我进行了测试，我可以告诉他们什么页面上的句子是什么。但是，一旦我了解了它，便意识到了它的纤薄。许多行为不只是内在的。我们是社会人。我们依赖我们的生态。然后，我对思考和推理产生了兴趣，并修读了关于哲学和逻辑学的课程。我爱它。我以为很好，但是我想要一些具体的东西。然后，我开始研究概率和统计数据。”

后来，吉格伦泽（Gigerenzer）在比勒费尔德（Bielefeld）的跨学科研究中心呆了一年，研究概率的历史。该中心聚集了来自生物学，数学，哲学，经济学和许多其他领域的各种各样的专家。他们的目的是研究概率的知识史，其结果是由吉格伦泽（Gigerenzer）合着的两册名为《概率革命》的书。斯坦福大学哲学家帕特里克·塞普斯（Patrick Suppes）谈到那本书时说：“我想不出其他可比的著作，甚至无法涵盖科学和哲学史上相同的重要材料。”

对于Gigerenzer来说，这一年被证明是他一生中最重要的一年。 ``这是我了解到不同学科的人们对概率等概念的理解完全不同的地方。我了解了概念本身及其含义如何随时间变化。我自己对概率的所有这些强烈投入，也教会了我许多亲爱的同事仍然看不到的概率理论的局限性，”他说。

接下来的问题是：当概率不起作用时，还有什么选择？那时，他将注意力转向启发式方法，在他的作品中提到了提出有限理性理论的美国博学专家赫伯特·西蒙（Herbert Simon）。由于两名实验心理学家Amos Tversky和Daniel Kahneman的工作，该术语在心理学中越来越受欢迎。 ``我读了他们的作品，发现它很有趣。但是，由于我接受了统计学方面的培训，我对他们的某些主张感到怀疑”，Gigerenzer说。

琳达（Linda）今年31岁，单身，直率，非常聪明。她主修哲学。作为一名学生，她非常关注歧视和社会正义问题，还参加了反核示威活动。

- Linda是一名银行柜员。 - 琳达是一个银行出纳员，在女权主义运动中活跃。

称为琳达问题，问题的目的是展示“心灵拇指的原始力量拇指误导，”作为迈克尔·刘易斯将他的最新书籍，撤消项目缩写，记录了TVERSKY和KAHNEMAN之间的合作。

在思考，快速和缓慢，Kahneman写了对问题的一个问题的回应：“我们相信统计上复杂的受访者会做得更好，因此我们在斯坦福毕业生决策科学计划中向博士生进行了同样的调查问卷商学院，所有人都在概率，统计和决策理论中采取了几个先进的课程。我们再次感到惊讶：85％的受访者也将“女权主义银行出纳员”排名，比“银行柜员”更有可能。

对于那些最终获得2002年经济学诺贝尔的Kahneman，这是一个严重的错误：“在几个主要大学的大约85％到90％的本科生选择了第二种选择，与逻辑相反。值得注意的是，罪人似乎没有羞耻。当我在一些愤慨提出我的大本科课程时，“你意识到你违反了一个基本的逻辑规则吗？”后排的人喊道，“所以什么？......，”Kahneman在他的书中写道。

盖尔策尔，他从研究概率历史中获得的所有观点，都会同情这些学生。

“如果您阅读说明，其中没有任何内容建议她可能是银行家。所以，当你问更可能，'银行出纳员'或“银行出纳员和活动家”时，很多人都说，“嗯可能是，第二”。而Kahneman说这是错误的，因为一个琳达是银行出纳员的单一实例永远不会低于Linda成为银行出纳员和女权主义者的联合。然后，他要求被认为是人类非理性的证据。但是，它远非这样，因为它意味着人们应该在概率理论方面对术语“更可能”。如果您在牛津英语字典中查看，您将看到概率有完全不同的含义，它们都是合法的。所以，他们问，“琳达是银行出纳员的证据在哪里，因为没有，他们去了其他选择，”杰尔妥策说。

为了测试自己的假设，杰利策讲述了这个问题的不同之处。他问道，而不是询问更有可能的东西，而不是问什么

有100位符合以上描述的人（即琳达的人）。其中有多少个：

-银行出纳员？ __的100 -银行出纳员和活跃于女权运动的人？ __的100

许多聪明，成功的人在实验室内部的合理性测试中均未通过，因为合理性的定义相当狭窄。这是逻辑上的合理性-关于不违反某些逻辑定律或概率定律。但是，在实验室之外，在现实世界中，我们不能仅凭逻辑合理性就做得很好，我们需要生态合理性-这种思维方式可以帮助我们在不确定和动态的环境中获得所需的东西。这意味着使用简单但稳健的经验法则来行使我们的直觉。这意味着以一种有助于实现自己目标的方式行事，而不是不断查看一系列偏见，以了解我们是否对任何偏见都情有独钟。例如，根据有关认知错误的标准书，过度自信是一种偏见。但是在现实世界中，充满自信的企业家采取了大胆的举措，踏入了未知的领域。另一个例子是概率匹配-根据统计定律并不是最佳选择-但在现实世界中，有些人会愿意选择一条成功概率很低的路径，因为该路径也具有较少的竞争性。

在许多情况下，经验法则不会违反逻辑或概率定律。它们在那里是因为它们很有用。

让我们回顾历史。 1983年6月25日。英国上议院。那是印度和西印度群岛之间的世界杯决赛。西印度群岛队是明显的最爱。他们赢得了前两届世界杯冠军。薇薇安·理查兹（Vivian Richards）表现最好。然后，他一度从马丹·拉尔（Madan Lal）抢到一个球。卡皮尔·德夫（Kapil Dev）在中途出战，将球追至几乎边界处，所有人的目光都盯着他，他的目光一直盯着球，直到抓住为止。出色的接球改变了比赛的进程，印度随杯而去。

卡皮尔·德夫（Kapil Dev）在极高的压力下如何判断球将落在何处？他如何很好地调整自己的步调，以至于他在那里赶上去？他的大脑是否具有“相当于数学计算的东西”（使用理查德·道金斯（Richard Dawkins）来自《自私的基因》的话）来预测球的运动轨迹并指导他跑多快？还是其他？

这是另外一回事。 Gigerenzer说，守场员-无论是在板球还是棒球中，有意识或无意识地遵循简单的启发式方法。只需将视线固定在球上，并确保在沿球的方向奔跑时保持角度不变，就不会出错。

不只是Kapil Dev。看看史蒂夫·沃（Steve Waugh）和马丁·克劳（Martin Crowe）的另外两个例子。

他们不是在计算球的轨迹，而只是在使用凝视启发法。它的用途不仅限于板球场。 “从动物研究中我们知道，捕食者通过保持其光学角度恒定来捕食猎物。水手们用它来避免碰撞。他们不会估计自己的轨迹，也不会估计其他人的轨迹。他们固定视线，如果角度保持恒定，他们就会逃脱。”吉格伦泽说。

如果您是一艘小渔船上的水手，那么您将无力拿起计算机来计算另一条船的方向和速度。因此，您必须依靠自己的眼睛，并进行简单的试探。

但是，如果有人使用传感器和超级计算机来计算轨迹，那将指导现场人员。他会表现更好吗？

内森·贝格（Nathan Berg）受过数学训练，在成长中曾与著名的爵士音乐家梅纳德·弗格森（Maynard Ferguson）一起演出，现在在新西兰奥塔哥商学院（Otago Business School）教授定量分析。他意识到优化模型的局限性，并被Gerd和他的团队所采用的完全不同的方法所吸引。伯格说：“我可能会遇到一些新的事情，但我一遍又一遍地迷迷糊糊。” “我记得与Gerd进行过三到四次有关凝视启发式的对话。我的建议是凝视启发法，您可以获得的效果几乎与优化机器人所能达到的效果一样。 Gerd会说：“没有Nathan”，“优化是一个有趣的基准，但是您仍然被这个想法困住了，因为它是一种启发式方法，因此从定义上讲是第二好，并且在大多数情况下可能几乎是最佳的”＆＃34 ;

＆＃34;他的意思是，如果您要进行优化，则必须估算有关世界的参数，从而引入模型风险。它使我想到启发式方法不一定是第二好，而是实际上是最好的。但是，格尔德（Gerd）不会使用“最好的”一词，因为在这种环境下，无法定义什么是最好的。他感兴趣的比较是，在复杂的世界中，简单的规则可以在人为简化的世界中胜过复杂的规则。这是我花了很长时间才能完全消化的区别。”

复杂模型的问题不在于计算-计算机可以很好，快速地做到这一点。问题在于他们会要求您进行估算。这就是问题所在。

吉格伦泽（Gigerenzer）最喜欢的例子之一是现代投资组合理论，该理论由哈里·马克维兹（Harry Markowitz）于1950年代提出。 Markowitz提供了一个数学框架来设计您的投资组合，因此您可以在任何给定的条件下获得最大的回报 ......