这个无法验证的世界13. 八根杠杆目录EN

第 13 章　八根杠杆

论点：八种对策并非随意凑成的清单。若将风险与信息加以分解，便可看到八种对策各自作用于一根不同的杠杆；这套对策之所以给人以「完备」之感，原因即在于此。

第三部给出了那张对照表：八种对策分为四对，在四个具体场景和科学之中，以不同的术语反复出现。然而，一份清单无论多么整齐，终究只是清单。本章要追问的是：为什么恰好是这八种对策？它们是我拼凑出来的，还是每一种对策都占据着一个无可回避的位置？若是后者，收敛才算得到了解释；否则，本书充其量只是一部便于使用的分类手册。

我想提出一个候选的解释。有一点须事先申明：它只是一个组织框架，并不构成证明。读完本章之后，请再以第 14 章将要提出的种种怀疑来检验它。

风险的粗略分解

把「在无法验证时行动」还原到最简单的形式，行动者所管理的，归根结底是风险。借用决策论（decision theory）的经典表述（瓦尔德1、萨维奇4、冯·诺依曼与摩根斯特恩3），风险可以粗略地写成

$$\text{Risk}\ \approx\ \Pr(\text{fail})\ \times\ \text{Cost}(\text{fail}),$$

而这一切都受制于一个信息预算 $B$：可用于削减不确定性的检查、样本、算力与时间，无一不是有限的。

这个式子形式简单，要点在于：其右侧可供干预之处屈指可数。可以改变「失败」的定义，可以改变失败的概率，也可以改变对这一概率的认识；此外，还可以改变失败的代价、信息预算的分配方式，或者检查发生的时点。每一处这样的环节，都可以视为一根杠杆。我的主张是：八种对策恰好各占其中一个位置，并不存在有待填补的第九个空位。

八种对策与八个位置

下表将每一种对策与其所作用的杠杆逐一对应：

对策 所作用的杠杆 在风险分解中的位置
代理替换（proxy substitution） 改变所度量和优化的目标 重新界定「失败」
证书（certificate）／界 在可检验的局部，将不确定性限定在有保证的界之内 在局部使 $\Pr(\text{fail})$ 趋近于零
神谕入回路 引入主体自身所不具备的验证能力 借助外部判断降低 $\Pr(\text{fail})$
冗余／共识 使多个判断的失败彼此不相关 降低联合失败概率 $\Pr(\text{all\ fail})$
最优筛查 将信息预算投向边际收益最高之处 分配 $B$，以求最大限度地削减不确定性
校准（calibration） 为残余风险给出如实的定价 使 $\Pr(\text{fail})$ 成为已知量，从而可以据此下注
限损／围栏 缩小爆炸半径 降低 $\text{Cost}(\text{fail})$
留痕／可审计 将检查从事前移至事后 改变检查的时点，使不可恢复的失败转为可恢复的失败

八种对策映射到风险分解的不同部位（候选的组织框架，非定理）

看过这张表，「这不过是一份拼凑出来的清单」这一印象或许会有所动摇。八种对策并非随手拾取的八件工具。它们分别作用于 $\Pr$、对 $\Pr$ 的认识、代价、预算分配、检查时点与目标定义，几乎将分解式中可供干预之处逐一占满。由此，本章的主张可以表述如下：倘若这些确实就是全部的杠杆，这套对策便是完备的，收敛也就得到了解释。任何善于应对的主体迟早都会重新发现这八种对策，因为除此之外，再无其他杠杆可用。

人、机器与组织何以殊途同归

如果上述说法成立，它还附带解释了本书开篇提出的那个谜题：为何数学家、工程师与组织会不约而同地采用这八种对策。

马尔17在研究视觉时区分了三个分析层次：计算层（computational level）关注所要解决的是什么问题、受到哪些约束；算法层（algorithmic level）关注采用何种表征与过程；实现层（implementational level）关注这一切在何种硬件上实现。八种对策属于计算层。它们所回答的问题是：在无法验证这一约束之下，逻辑上还有哪几处可以施力？这个答案并不取决于行动者是碳基的数学家、硅基的程序，还是由人构成的官僚机构。载体千差万别，计算层的约束却是同一个，应对因而趋于收敛。西蒙12的有限理性（bounded rationality）及其「人工科学」13（the sciences of the artificial）所描述的，正是这一类行为：塑造它的是环境的约束，而不是主体的内部构造。

在此还须提及无免费午餐定理（no free lunch theorem，沃尔珀特与麦克里迪25）。该定理表明：在所有可能的问题上取平均，没有任何一种方法优于另一种。这一结论具有两面性。一方面，它支持本书的克制：既然不存在万能的解法，杠杆的选择就必须依据问题的具体结构，这也是五种处境必须分别对待的原因。另一方面，它也是一种警示：任何宣称已经「找到统一钥匙」的人，包括我自己在内，都应当少一分自负。进一步说，当连失败概率都无法确定时，这些杠杆还会发展出相应的稳健形式。吉尔博亚与施迈德勒20的极大极小期望效用（maxmin expected utility）、汉森与萨金特30的稳健控制（robust control），以及奈特式不确定性（Knightian uncertainty）下的决策理论，都属于这一类：即便 $\Pr$ 本身具有模糊性（ambiguity），它们仍然按照最坏的情形来设防。

一个强主张及其限度

下面把前文申明的保留意见完整地展开。

上述构想只是一个候选的组织框架，而不是定理。其中的风险分解是非形式化的：我没有给出关于主体与环境的严格模型，因而也无法证明最优策略恰好对应这八根杠杆。「这些就是全部的杠杆」只是一个断言，尚非已经确立的结果。我没有证据表明这张表是穷尽的，也无法排除它只是一个事后搭建的框架，即一种足够灵活、足以容纳许多不同对策组合的说法。表中有些归类甚至彼此重叠。例如，冗余既降低联合失败概率，又近似于一种特殊的筛查。仅此一点，就足以说明这一分解尚未做到各项界限分明。

我之所以将它写在这里，是因为它能够组织材料，也具有解释上的吸引力，而不是因为它已经得到证明。它符合一个好猜想的标准：清晰，可以反驳，并能统一解释大量现象。但它尚未达到定理的地位。

这样一来，最后一个问题便无法回避：这种跨领域的收敛，究竟是由某种力量迫成的一条定律，还是一个虽然很强、却终究停留在经验层面的模式？下一章将正面讨论这一问题。

下一章： 14. 是定理，还是模式？ →← 12. 管住后果

参考文献

落足点：① 历史上科学家的判断　② 理论上被研究过的东西　③ 科学如何进展　④ 如何在无法验证的世界里生活。本节经网络逐条核实。

  1. A. Wald (1950).《Statistical Decision Functions》. John Wiley & Sons. Google Books [②④] 瓦尔德把统计推断重铸为一个对抗自然的决策问题：决策者要在风险（损失的期望）下选择策略，并以极小化最大风险的极大极小准则来对付未知的状态。这本书奠定了统计决策论，本章那个「风险约等于失败概率乘以代价」的粗糙分解，其学理根子正在此处。
  2. A. Wald (1939). 「Contributions to the Theory of Statistical Estimation and Testing Hypotheses」.《The Annals of Mathematical Statistics》, 10(4), 299-326. doi:10.1214/aoms/1177732144 [②] 这是瓦尔德把估计与检验统一进损失函数框架的早期论文，先于他后来的专著，已引入风险函数与最不利先验的思路。它标记了「用决策语言谈统计」这一转向的起点，对理解本章为何从决策论借力很有价值。
  3. J. von Neumann & O. Morgenstern (1944).《Theory of Games and Economic Behavior》. Princeton University Press. Google Books [②] 冯·诺依曼与摩根斯特恩创立博弈论，并由一组公理推出期望效用定理：满足理性公理的偏好可由对效用的期望最大化来表示。这是「在不确定下下注」的规范基准，本章引它作为风险计算的源头之一。
  4. L. J. Savage (1954).《The Foundations of Statistics》. John Wiley & Sons. Google Books [②④] 萨维奇用一套关于行动偏好的公理，同时导出主观概率与效用，把贝叶斯决策论建在个人化概率之上。它是「主观概率加期望效用」这一现代框架的奠基之作，也是后文埃尔斯伯格悖论所要挑战的靶子。
  5. F. H. Knight (1921).《Risk, Uncertainty and Profit》. Houghton Mifflin. Google Books [②] 奈特区分了可量化的「风险」与无法赋予概率的「不确定性」，并主张企业利润正来自承担后者。这条区分是本章谈「连失败概率都钉不住」时的关键概念来源，奈特式不确定性贯穿后面一系列稳健决策文献。
  6. J. M. Keynes (1921).《A Treatise on Probability》. Macmillan. Google Books [②] 凯恩斯发展了一种逻辑解释下的概率观，把概率看作命题间的理性信念度，并强调许多概率既非数值化、也未必可比较。它为后来的非可加、不精确概率埋下伏笔，提醒读者概率本身的认知地位远比公式复杂。
  7. F. P. Ramsey (1931). 「Truth and Probability」.《The Foundations of Mathematics and other Logical Essays》(R. B. Braithwaite 编). Kegan Paul, Trench, Trubner & Co., 156-198. Google Books [②] 拉姆齐最早论证：一个人的信念度可由其下注行为操作性地测得，而避免被稳赚组合套利（荷兰赌）要求这些信念度服从概率公理。这是主观概率的开山之作，为本章「给残余风险定一个实在的价」提供了哲学与操作上的依据。
  8. B. de Finetti (1937). 「La prévision: ses lois logiques, ses sources subjectives」.《Annales de l'Institut Henri Poincaré》, 7(1), 1-68. 链接 [②] 德·菲内蒂提出主观概率，并以荷兰赌论证与可交换性的表示定理给它撑腰，论证概率「只是」一致的个人信念度。它与拉姆齐共同构成贝叶斯主义的基石，是理解校准与如实定价的必读源头。
  9. F. J. Anscombe & R. J. Aumann (1963). 「A Definition of Subjective Probability」.《The Annals of Mathematical Statistics》, 34(1), 199-205. doi:10.1214/aoms/1177704255 [②] 两位作者借引入客观随机化装置（如轮盘彩票），给出一套比萨维奇更简洁的主观概率与效用公理化。这一框架后来成为模糊决策理论的标准舞台，本章引用的多篇模糊厌恶文献都在它上面搭建。
  10. D. Ellsberg (1961). 「Risk, Ambiguity, and the Savage Axioms」.《The Quarterly Journal of Economics》, 75(4), 643-669. doi:10.2307/1884324 [②] 埃尔斯伯格用两个著名的抽球实验展示：人们系统性地偏好已知概率而回避「模糊」，这种行为违反萨维奇公理，无法用任何单一主观概率解释。它把模糊（ambiguity）确立为独立现象，是后续稳健与多先验理论的直接动因。
  11. R. D. Luce & H. Raiffa (1957).《Games and Decisions: Introduction and Critical Survey》. John Wiley & Sons. Google Books [②④] 这本书是博弈论与决策论的经典导论兼批判性综述，既清晰梳理期望效用、博弈解概念，也坦诚讨论各公理的适用边界。它适合读者作为整章决策论背景的总入口，兼具体系性与批判态度。
  12. H. A. Simon (1955). 「A Behavioral Model of Rational Choice」.《The Quarterly Journal of Economics》, 69(1), 99-118. doi:10.2307/1884852 [②] 西蒙在此提出有限理性与「满意即止」：受认知与信息限制的主体不去求全局最优，而是搜索到一个够好的方案就停。这是本章「计算层的约束塑造行为」论证的核心支撑，解释了为何不同载体会收敛到同一套应对。
  13. H. A. Simon (1969).《The Sciences of the Artificial》. MIT Press. Google Books [②③] 西蒙提出，人造物的行为更多由其所处环境的约束、而非内部构造决定，并主张为「设计」这门关于人工系统的学问立基。本章借它论证八种对策活在马尔意义上的计算层，正是由环境约束而非主体内部塑造的产物。
  14. K. R. Popper (1959).《The Logic of Scientific Discovery》. Hutchinson. Google Books [②③] 波普尔系统提出证伪主义：科学理论无法被经验证实，只能被否证，可证伪性因而成为科学与非科学的分界。本章在结尾自陈那套分解「够得上好猜想、还够不上定理」，用的正是这把可反驳性的尺子。
  15. A. Tversky & D. Kahneman (1974). 「Judgment under Uncertainty: Heuristics and Biases」.《Science》, 185(4157), 1124-1131. doi:10.1126/science.185.4157.1124 [②] 特沃斯基与卡尼曼记录了人在判断概率时所用的启发式（代表性、可得性、锚定）及其带来的系统性偏差。它说明真实主体如何偏离贝叶斯理想，与校准、最优筛查等需要如实估计概率的对策形成对照。
  16. D. Kahneman & A. Tversky (1979). 「Prospect Theory: An Analysis of Decision under Risk」.《Econometrica》, 47(2), 263-291. doi:10.2307/1914185 [②] 前景理论提出，人按相对于参照点的得失、而非最终财富来评价结果，对损失更敏感，并以非线性方式扭曲概率权重。它是对期望效用的描述性修正，提醒读者代价与概率在真实决策中并非中性地相乘。
  17. D. Marr (1982).《Vision: A Computational Investigation into the Human Representation and Processing of Visual Information》. W. H. Freeman. Google Books [②③] 马尔提出分析信息处理系统的三个层次：计算层（要解决什么问题）、算法层（用什么表示与过程）、实现层（落在什么硬件上）。本章正是借这套层次论，主张八种对策活在计算层，因而能跨越碳基、硅基与组织等不同载体。
  18. J. O. Berger (1985).《Statistical Decision Theory and Bayesian Analysis》. Springer-Verlag. doi:10.1007/978-1-4757-4286-2 [②④] 伯杰系统整理了贝叶斯与频率派交汇处的统计决策论，涵盖损失函数、风险、可采纳性与稳健贝叶斯分析。它是把本章那个非形式风险分解落到严谨统计语言的标准参考书。
  19. D. E. Bell, H. Raiffa & A. Tversky (编) (1988).《Decision Making: Descriptive, Normative, and Prescriptive Interactions》. Cambridge University Press. doi:10.1017/cbo9780511598951 [②④] 这本文集围绕决策研究的三种取向展开：描述性（人实际怎么决策）、规范性（理性应当如何）、处方性（如何帮人决策得更好），并讨论三者如何互动。它为读者提供了一张定位各派工作的地图，呼应本章在规范与经验之间的反复掂量。
  20. I. Gilboa & D. Schmeidler (1989). 「Maxmin Expected Utility with Non-Unique Prior」.《Journal of Mathematical Economics》, 18(2), 141-153. doi:10.1016/0304-4068(89)90018-9 [②④] 吉尔博亚与施迈德勒为模糊决策给出公理化：主体持有一组先验，并按其中最不利的那个来评估行动，即在先验集合上做极大极小期望效用。这正是本章所说「$\Pr$ 本身都模糊时仍按最坏情形布防」的对策，是稳健决策的代表性形式化。
  21. D. Schmeidler (1989). 「Subjective Probability and Expected Utility without Additivity」.《Econometrica》, 57(3), 571-587. doi:10.2307/1911053 [②] 施迈德勒引入非可加的主观概率（容度）与对应的乔奎特期望效用，使模糊厌恶可以被一致地表示。它与上一条同为模糊决策的奠基工作，从另一条技术路线松开了概率必须可加这一约束。
  22. P. Walley (1991).《Statistical Reasoning with Imprecise Probabilities》. Chapman and Hall. doi:10.1007/978-1-4899-3472-7 [②④] 沃利系统发展了不精确概率理论，用上下概率（或一组概率）刻画证据不足时的信念，并给出相应的一致性与推断准则。它为「连概率都钉不准」的处境提供了完整的统计语言，是校准与稳健思路的深层理论后盾。
  23. G. Gigerenzer & D. G. Goldstein (1996). 「Reasoning the Fast and Frugal Way: Models of Bounded Rationality」.《Psychological Review》, 103(4), 650-669. doi:10.1037/0033-295x.103.4.650 [②] 吉仁泽与戈尔茨坦论证，简单的「快速节俭」启发式在真实环境中往往能与复杂模型媲美甚至更好，呈现一种生态理性。它从正面补全了西蒙的有限理性，说明在信息预算有限时简捷规则为何可能恰是合理的。
  24. D. H. Wolpert (1996). 「The Lack of A Priori Distinctions between Learning Algorithms」.《Neural Computation》, 8(7), 1341-1390. doi:10.1162/neco.1996.8.7.1341 [②] 沃尔珀特在监督学习上证明了无免费午餐：在所有可能目标函数上平均，任何学习算法的泛化表现都相同。它说明不存在脱离问题结构的万能学习器，是本章引用的无免费午餐论证在学习这一侧的来源。
  25. D. H. Wolpert & W. G. Macready (1997). 「No Free Lunch Theorems for Optimization」.《IEEE Transactions on Evolutionary Computation》, 1(1), 67-82. doi:10.1109/4235.585893 [②] 沃尔珀特与麦克里迪把无免费午餐推广到优化：在所有可能目标上平均，没有哪个优化算法优于另一个。本章用这把双刃刀，一面支持「必须借问题结构选杠杆」的克制，一面警告任何宣称找到统一钥匙的人收敛傲气。
  26. I. Gilboa & D. Schmeidler (2001).《A Theory of Case-Based Decisions》. Cambridge University Press. doi:10.1017/cbo9780511493539 [②④] 两位作者提出基于案例的决策理论：当主体说不清状态空间、概率无从谈起时，决策可由对过往相似案例的回忆与类比来驱动。它为概率框架彻底失效的处境提供了另一种规范模型，拓宽了本章对「无法验证」之深度的想象。
  27. T. F. Bewley (2002). 「Knightian Decision Theory. Part I」.《Decisions in Economics and Finance》, 25(2), 79-110. doi:10.1007/s102030200006 [②④] 贝弗利把奈特式不确定性形式化为偏好的不完备性：当证据不足以排序两个选项时主体可以拒绝选择，并辅以维持现状的惯性假设。它给「无法定价的不确定」一个干净的公理表达，是本章奈特主题的现代接续。
  28. P. Klibanoff, M. Marinacci & S. Mukerji (2005). 「A Smooth Model of Decision Making under Ambiguity」.《Econometrica》, 73(6), 1849-1892. doi:10.1111/j.1468-0262.2005.00640.x [②] 三位作者提出模糊决策的「光滑」模型：通过对先验的二阶分布再叠一层效用函数，把模糊态度与风险态度分离，且避免极大极小那种非光滑的尖角。它让模糊厌恶的程度可调、可分析，是稳健决策谱系里更精细的一档。
  29. F. Maccheroni, M. Marinacci & A. Rustichini (2006). 「Ambiguity Aversion, Robustness, and the Variational Representation of Preferences」.《Econometrica》, 74(6), 1447-1498. doi:10.1111/j.1468-0262.2006.00716.x [②④] 作者给出变分偏好这一统一表示，把极大极小期望效用、乘子（稳健控制）偏好等都收为特例，模糊态度由一个对偏离的惩罚项刻画。它在数学上把本章提到的几路稳健对策连成一个家族，价值在于呈现其共同骨架。
  30. L. P. Hansen & T. J. Sargent (2008).《Robustness》. Princeton University Press. doi:10.1515/9781400829385 [②④] 汉森与萨金特把控制论中的稳健控制引入经济决策：决策者不信任手中的模型，遂针对一族邻近模型中最不利者来优化，以求对设定误差稳健。这是本章「稳健控制」这一做法的主要出处，展示了对最坏情形布防的动态形式。
  31. P. P. Wakker (2010).《Prospect Theory: For Risk and Ambiguity》. Cambridge University Press. doi:10.1017/cbo9780511779329 [②] 瓦克尔把前景理论加以系统化与公理化，统一处理风险与模糊下的决策权重，并提供可操作的测量方法。它把描述性的前景理论与规范性的模糊理论缝在一起，是读者深入概率权重这一主题的权威专著。
  32. I. Gilboa & M. Marinacci (2013). 「Ambiguity and the Bayesian Paradigm」.《Advances in Economics and Econometrics: Theory and Applications, Tenth World Congress》(D. Acemoglu, M. Arellano & E. Dekel 编). Cambridge University Press. doi:10.1017/cbo9781139060011.008 [②④] 这篇综述梳理了模糊决策的整条脉络，并直面一个根本追问：贝叶斯范式在何种意义上够用、又在何处需要被多先验等模型替代。它是进入本章模糊与稳健文献群的最佳导航，态度上与本章的克制一致。
  33. P. Bossaerts & C. Murawski (2017). 「Computational Complexity and Human Decision-Making」.《Trends in Cognitive Sciences》, 21(12), 917-929. doi:10.1016/j.tics.2017.09.005 [②] 两位作者论证，许多现实决策问题在计算复杂性上本就难解（如背包等 NP 难问题），人脑的表现与策略受此硬约束塑形。它从计算复杂性角度为有限理性提供了硬证据，呼应本章「计算层的约束逼出收敛」的核心主张。
← 12. 管住后果14. 是定理，还是模式？ →

用微信扫码打开

手机微信「扫一扫」打开本页，再点右上角分享给好友或朋友圈