预测的真正问题不是我们常说的擅长或不擅长做预测，而是我们很难区分哪些事情我们可以做出可靠预测，而哪些不能。

唯一靠谱的解释可能是，琳恩·特鲁斯（Lynne Truss）著的畅销书《教唆熊猫开枪的“，”》（Eats, Shoots and Leaves）的出版商在被问及该书的成功时给出的答案：“它卖得好是因为有很多人都买它。”

实际上，人们更擅长规划火箭的飞行轨道，而非管理经济、并购公司或者预测一本书的销量。

只有两个人拥有足够相似的社会文化经历时，常识才能称得上“平常”。

无论是战略投资、并购，还是营销活动，企业计划也经常失败，而且原因和政府计划失败的原因十分相近。这些失败案例无一不是一小拨人坐在会议室里，凭他们自己的常识来预测、规划或操纵数千甚至数百万人的行为导致的，这些人与想要施加影响的人相距甚远，动机和环境也截然不同。

人们会更容易相信一份之前读过的书面报告，尽管上次读的时候，他们认为是错误的。

对于人工智能来说，学会任何一项日常工作都非常困难，原因都相同——涉及的相关事实和规则多到超出我们的想象。即使是实现最微不足道的任务，他们也得重复编写冗长的程序。

历史学家唐纳德·萨松（Donald Sassoon）在关于《蒙娜丽莎》的传记中写道：“《蒙娜丽莎》就是一幅画而已。”的确，几个世纪以来，它只是一幅不太出名的画作，在国王的宫殿里无人问津。

直到20世纪，《蒙娜丽莎》才开始迅速在世界成名。这不是因为艺术评论家突然开始欣赏这幅隐藏在他们身边的天才之作，也不是因为博物馆馆长、社会名流、赞助人、政客或是国王的影响，这一切都是从一场入室盗窃开始的。

我们首先决定哪一幅是最好的，然后再从它的特性中推断出评判画作优劣的标准，随后我们利用这些标准，用一个看似合理客观的方法来证明这些已知的结果，但这样得出的结果就成了循环论证。

常识告诉我们，《哈利·波特》这套书一定很特别，因为有3.5亿人买了它，即便起初那6个儿童图书出版商在传阅《哈利·波特》的原始手稿时，都没有意识到它的特殊性。

Twitter绝大多数（约占总数的98%）尝试传播信息的传播链其实根本没有扩散开来。

在我们研究的7 400万条Twitter信息中，只有几十条信息产生了上千次转发，仅有一两条信息达到了一万次。在一个数千万用户组成的网络中，上万次转发理论上来说似乎并不是一个大数字，但数据显示，即使是这样的数字也很难达到。

若是为了实际营销目标，最好放弃那些大型传播链，转而尝试大量小型的传播链。

在20世纪90年代末，谷歌创始人谢尔盖·布林（Sergey Brin）和拉里·佩奇（Larry Page）试图以160万美元的价格出售谷歌。

即便是在2008年9月雷曼兄弟公司（Lehman Brothers）即将破产之际，财政部和美国联邦储备理事会的官员也没能预见到随之而来的全球信贷市场的灾难性冻结，而他们可以说是世界上消息最灵通的人了。

对自己的预测进行跟踪记录。

“众包”这个词是2006年杰夫·豪（Jeff Howe）在一篇发表在《连线》（Wired）杂志上的文章中提出的，用于描述将小型业务外包给大量个体工人的模式。事实上，在线新闻业也逐渐转向了一种众包模式。

哈耶克认为，一个规划者无论有多聪明、初衷有多好，他也无法将一个数亿人组成的大经济体中的所有知识整合在一起。然而，市场在没有任何监督和指导的情况下，却能每天完成所有信息的整合。

如果某市场或行业的所有从业人员都在赚钱，那么我们就应该怀疑业绩受一种长期趋势作用的影响，而非个人能力影响。

能力是能力，成功是成功，后者并不总能反映出前者。

人生本是如此：一切看似显而易见却又并非显而易见。

拉扎斯菲尔德接着惊人地指出，这6个命题都与实际研究结果完全相悖，恰恰是城里人在军队中表现得更快乐。当然，如果读者一开始就被告知正确结论，那么他们也能自圆其说：“我就知道会是这样，城市人更习惯在拥挤的环境中工作，他们在公司里经常受上司的指挥，穿着和礼仪都得服从严格的标准等，这都是显而易见的事情啊！”

这正是拉扎斯菲尔德的观点——当每个答案和它的对立面都看似很有道理时，“这种显而易见的论证就是错误的”。

实际上，人们更擅长规划火箭的飞行轨道，而非管理经济、并购公司或者预测一本书的销量。

常识的矛盾在于，它既能帮助我们理解世界，也会削弱我们的理解能力。

大约90%的美国人认为，自己驾车的技术水平高于平均值；也同样有大部分人认为，他们比普通人更幸福、更受欢迎或者更有可能成功。还有研究发现，比例高达25%的受访者认为自己的领导能力在前1%之列。

“错觉优势”（illusory superiority）在人们身上很常见，被称作“乌比冈湖效应”（Lake Wobegone effect）。乌比冈湖是《牧场之家好做伴》（A Prairie Home Companion）的节目主持人加里森·基勒（Garrison Keillor）为节目中虚构的小镇起的名字，镇上所有孩子的智力水平都在平均值之上。

社会的正常运作其实离不开“服从权威人士的指示”这一基本规则。想象一下，如果学生可以随意反驳老师，工人可以随意反抗上级，司机无视交警的指挥，那么在5分钟内，世界就会陷入混乱。

在拥挤的火车上，挤在别人身边很正常，但当乘客很少时，如果还紧贴在别人身上，那就有些招人烦了。无论人们承认与否，的确存在某种规则，让我们在有限的空间内尽量分散开来，而违反规则将给人带来强烈的不适感。

只有两个人拥有足够相似的社会文化经历时，常识才能称得上“平常”。

常识问题上的分歧很难解决，因为双方甚至不知道在什么立场上才能开展合理的论证。

无论是西方人类学家对于印度尼西亚前工业化部落的巫术研究，还是纽约人对有些人不锁门行为的异议，或是美国步枪协会反对“布雷迪运动”对美国人可购枪支种类的管理，无论是什么行为，只要人们相信它是一个常识，就会百分之百确信，而对其他人表现出的不解感到困惑。

与其说常识是一种世界观，不如说它是一种逻辑不一、相互矛盾的观点集合，某个观点在某些时候看起来是正确的，但在其他时候就不能保证了。

即使政策制定者有权制订影响千万人的全面计划，在制定扶贫方案时，他们也只是听信了自己的直觉。不过，普通大众得出的有关社会问题的结论，是通过阅读报纸得出的。

经济和城市发展计划本就具有规模性和破坏性，尤其容易失败。许多像公共教育改进、医疗服务改革、公共资源管理、地方法规或外交政策制定这样的政府计划也有同样的缺点。

近年来很多管理学家指出，无论是战略投资、并购，还是营销活动，企业计划也经常失败，而且原因和政府计划失败的原因十分相近。这些失败案例无一不是一小拨人坐在会议室里，凭他们自己的常识来预测、规划或操纵数千甚至数百万人的行为导致的，这些人与想要施加影响的人相距甚远，动机和环境也截然不同。

如果说金融危机的历史（高科技贸易出现前后）教会了我们什么的话，那它应该是，常识而非计算机模型是金融狂潮的罪魁祸首，就如同战争中的真理一样。在政治、商业和市场营销方面的失败也是如此。这些不幸的发生并不是因为我们忘记了使用常识，而是因为从常识在解决日常生活问题时表现出的“惊人效果”来看，我们对它的信任远远超过了其实际能力。

第一类常识误区是，当我们想解释他人的行为时，总是不自觉地把注意力放在像激励、动机、信念这些我们意识到的因素上。

事实上，我们不可能预见与既定情况相关的所有因素，无论我们多么设身处地去考虑，当预测人们在其他情况下的行为时总会犯下大错。

如果说第一类常识误区是，人们在描述个体行为的心理模型时存在系统性的缺陷，那么第二、三类常识误区就是，人们在描述集体行为的心理模型时表现则更加糟糕。

只要人们聚在一起，就会相互作用，比如共享信息、散布谣言、交流意见、和朋友比较、对别人的行为做出奖惩、学习他人的经验，并且影响他人对好坏、贵贱、对错的判断。正如社会学家长期以来的观点，这些影响以意想不到的方式不断累积，就形成了集体行为。集体行为是自然产生的，所以不能单独去理解它的组成部分。

常识推理的第四类误区是，我们从历史中学到的内容远比我们想象的少，而正是这种错觉扭曲了我们对未来的理解。

由于我们总是在事情发生之后才去解释，所以我们的解释往往过于强调实际发生的事情，而很少关注那些可能发生却没有发生的事情。

常识推理并不是只受到一种因素的限制，而是会受限于一系列因素，这些因素彼此加强影响，甚至相互掩饰。最终结果便是，对于世界，常识可以言之有理，但不一定能揭示真正的原因。

常识的作用和神话一样。无论世界抛给我们何种特定情况，常识都会给我们提供现成的解释，这些解释能让我们自信地生活。

在大多数情况下，极具影响力的人确实比一般人更能引发社会潮流，但是他们的相对重要性远没有我们想象的那么大。

欧洲不同国家间的公民同意捐献器官的概率最低可至4.25%，最高则达99.98%。更令人感到奇怪的是，这些概率并不是分散在整个范围内的，而是集中在了两个极端上，要么就是百分之几或者百分之十几，要么就是90%以上，几乎没有中间值。

在奥地利，默认选项是成为器官捐献者，而在德国，默认选项是不成为器官捐献者。两国在政策上的差距微乎其微，只是发一封简单格式的邮件和不发邮件的区别，但这个简单的操作足以将捐献率从12%提高到99.9%。

论是政客、官僚、报纸专栏作家，还是企业高管或普通百姓，所有人都有自己信奉的人生选择理论。

锚定效应：指当人们需要对某个事件做定量估测时，会将某些特定数值作为起始值，起始值像锚一样制约着估测值。在做决策的时候，会不自觉地给予最初获得的信息过多的重视。

人们会更容易相信一份之前读过的书面报告，尽管上次读的时候，他们认为是错误的。

人们倾向于通过强化已有思考内容的方式来接受新信息，该方式的实现，一方面是通过重视那些更容易证实自己已有观念的信息，另一方面是通过对不确定信息施以更加严格的检查和怀疑。这两个密切相关的倾向分别被称为证实性偏见（confirmation bias）和动机性推理（motivated reasoning）。

即使是像坐地铁这样相对简单的事情，也需要掌握大量的知识，这些知识不仅包括地铁的站台和出口的信息，还包括保持人与人之间的距离，避免眼神接触，以及别挡到匆忙的纽约人的路等规则。

对于人工智能来说，学会任何一项日常工作都非常困难，原因都相同——涉及的相关事实和规则多到超出我们的想象。虽然在大多数情况下，很多内容都可以忽略，但这根本解决不了问题，因为我们无法事先知道哪些事情可以忽略，而哪些不能。研究者发现，即使是实现最微不足道的任务，他们也得重复编写冗长的程序。

每个结果和它的对立面都同样明显，一旦知道了结果，我们总能想到之前遗漏的信息，发现它们其实是与该情况相关的。

事实上，很多研究发现，工资激励的方式实际上会削弱员工的业绩。首先，当工作涉及多方面或者很难衡量时，员工往往只会关注工作中易于衡量的方面，因而忽略了其他重要部分。

在个人贡献很难与团队的整体贡献区分开来的情况下，工资激励会导致员工依仗别人的努力，或者避免承担风险，从而阻碍创新。

尽管大家都认为人们会以某种方式对经济激励做出反应，但对于如何在实践中应用激励措施来获得预期效果，目前还不清楚。一些管理学者经过几十年的研究后甚至发现，经济激励和员工表现在很大程度上是无关的。

历史学家唐纳德·萨松（Donald Sassoon）在关于《蒙娜丽莎》的传记中写道：“《蒙娜丽莎》就是一幅画而已。”的确，几个世纪以来，它只是一幅不太出名的画作，在国王的宫殿里无人问津。

虽然达·芬奇也享有盛誉，但直到19世纪50年代，他才被认为是同提香·韦切利奥（Tiziano Vecelbio）和拉斐尔·桑西（Raffaello Santi）一样伟大的绘画巨匠，而当时这几位绘画巨匠的一些作品的价格是《蒙娜丽莎》的10倍。

直到20世纪，《蒙娜丽莎》才开始迅速在世界成名。这不是因为艺术评论家突然开始欣赏这幅隐藏在他们身边的天才之作，也不是因为博物馆馆长、社会名流、赞助人、政客或是国王的影响，这一切都是从一场入室盗窃开始的。

无论是窃贼、破坏者、艺术家、广告商，还是音乐家或电影制作者，甚至是美国国家航空航天局（还记得金星上的陨石坑吗），所有这些人都拿《蒙娜丽莎》为己所用：表达自己的观点，提高自己的名气，或者仅仅是使用这个可以传达意义的标签。

我们首先决定哪一幅是最好的，然后再从它的特性中推断出评判画作优劣的标准，随后我们利用这些标准，用一个看似合理客观的方法来证明这些已知的结果，但这样得出的结果就成了循环论证。

当Facebook刚流行起来的时候，传统观点认为，它的成功在于仅向大学生开放。到2009年，Facebook早就对每个人开放了，市场调研公司尼尔森（Nielsen）的一份报告又把它的成功归因于其广泛的吸引力、“简单的设计”和“对联系的专注”。也就是说，Facebook的成功完全是因为它具有Facebook的特性，即使这些特性本身发生了彻底的改变。

很多解释中都包含了循环论证。无论是女性获得选举权，允许同性伴侣结婚，还是有色人种被选为总统，我们都在用社会“准备好了”来解释这些社会趋势。而我们知道社会已准备好的唯一方法就是事情真的发生了。

我们表达的真正意思是：“X的发生是因为这就是人们想要的，而我们知道X是人们想要的是因为X发生了。”

常识告诉我们，《哈利·波特》这套书一定很特别，因为有3.5亿人买了它，即便起初那6个儿童图书出版商在传阅《哈利·波特》的原始手稿时，都没有意识到它的特殊性。

宏观社会学就像宏观经济学一样，不可能成为一门实验学科，因为相关实验根本无法进行。

1969年，社会学家莫里斯·泽尔蒂奇（Morris Zelditch）曾在一篇论文中讲述过这个问题，该论文的名字充满挑衅——《你真的能在实验室中研究一支军队吗》。那时他给出了否定的结论。

将社会影响引入人类决策过程，不仅增加了不平等性，也增加了不可预测性。收集再多歌曲的相关信息也无法消除这种不可预测性，这就像仅凭掷骰子来预测结果一样不可行。更确切地说，不可预测性是市场动态本身固有的。

社会影响并没有完全消除品质的作用，在实验中，平均而言，“优秀”歌曲（以“独立”条件下的流行度衡量）的表现仍比“低劣”歌曲要好。同样，最好的歌曲永远不会垫底，最差的歌曲也不会拔尖。

当个体受到他人行为的影响时，相似群体的行为可能会变得截然不同。

唯一靠谱的解释可能是，琳恩·特鲁斯（Lynne Truss）著的畅销书《教唆熊猫开枪的“，”》（Eats, Shoots and Leaves）的出版商在被问及该书的成功时给出的答案：“它卖得好是因为有很多人都买它。”

微软研究院的两位计算机科学家计算了涵盖微软公司2.4亿名用户的即时通信网络中的任意两个人之间的路径长度。在该网络中，成为“朋友”就意味着双方都会出现在彼此的好友列表中。两位研究者发现，平均而言，人们之间的路径长度相隔7步左右。

在成功到达目标对象的64条信息链中，有近一半的信息链最后是由相同的三人中的一个送达的，其中有16条信息链是通过同一个人传递的，这个人就是“雅各布斯先生”，他是一个服装商，也是目标对象的邻居。显然，信息集中在了少数人手中，米尔格拉姆将这些人称为“社交之星”（sociometric stars）。

少数人（如韦斯伯格女士）在几步之内就可以和其他任何人相连，而我们则需要通过这几个人与世界相连。

在小世界实验中，实验对象通常不会把信息传递给他们的朋友中地位最高或联系最紧密的人，而是传递给了他们认为与目标对象有些许共同之处的人，比如位置接近、职业类似，或只是传递给他们认为会继续将信息传递下去的人。

那种有影响力的人，其能力和人脉确实可以把你的书推上畅销榜，或者把你的产品打造成热销产品，但这很可能是时机和环境的偶然结果。所以，这些人不过是“偶然的影响者”。

在Facebook中，人们以各种各样的原因相互连接，而Twitter不同，它旨在向你的“粉丝”（也就是那些明确表示想要从你这里得到消息的人）传播信息。因此，让人们关注你，或者说你影响他人，就是Twitter的全部意义所在。

我们发现绝大多数（约占总数的98%）尝试传播信息的传播链其实根本没有扩散开来。

如果你想了解为什么有些信息会诱发“病毒式传播”，比如那些意外吸引了数百万次下载量的YouTube视频，或是通过电子邮件或Facebook疯狂传播的搞笑信息，仅考虑少数几个成功的例子是行不通的。

和《蒙娜丽莎》的案例一样，对于每一个表现出成功影响者特性的人来说，其背后还有着很多没有成功的人，他们也有着几乎无异的特性。

不确定性的出现，也不仅仅是因为我们无法衡量或准确识别成功的特性，事实上，我们拥有的数据比任何营销人员都多。但问题在于，成功的传播取决于个人无法控制的因素。

除非我们能衡量出自己关心的结果的影响力大小，除非有人做了真实实验衡量了不同人的影响力，否则对于每个结果（包括我们自己的结果），我们都应该持怀疑态度。

“流行”事件确实发生了，但它们的数量却极少。

在我们研究的7 400万条Twitter信息中，只有几十条信息产生了上千次转发，仅有一两条信息达到了一万次。在一个数千万用户组成的网络中，上万次转发理论上来说似乎并不是一个大数字，但数据显示，即使是这样的数字也很难达到。

若是为了实际营销目标，最好放弃那些大型传播链，转而尝试大量小型的传播链。对于实际目标来说，可能普通影响者就会达到不错的效果。但由于他们并不能实现惊人的效果，所以你可能需要很多这样的人。借助大量个体，你也可以通过取均值排除随机性，从而产生持续的积极效果。

“循环论证”，即“X的发生是因为X就是人们想要的”。但是，如果声称“X的发生是因为一些特殊之人让其发生”，那我们只不过是用一种循环论证代替另一种循环论证罢了。

社会感染＝偶然的影响者＋大量易受影响者。

当影响通过某种感染性过程传播时，产生的结果更多地取决于网络的整体结构，而不是引发传播的个体的特性。

问题的有趣之处在于，即使你知道了常识解释中存在循环论证，也仍不清楚它们错在哪里。

缺乏“反事实”的历史版本并没有让人心生疑惑，相反，它让我们更愿意相信实际发生的事情就是无法避免的。

“渐进决定论”（creeping determinism），它与著名的事后偏差现象密切相关，也就是人们倾向于在事后认为“我就知道会是这样的”。

如果我们想弄明白为什么有些人很有钱，为什么有些公司会取得成功，那么寻找富人或成功公司之间的共性似乎合情合理。但是，这个方法无法解释的是，那些不富裕的人或不成功的公司可能也有很多同样的特性。

尽管我们总是把结果归因于少数特殊之人的作用，但我们应该记住，这个想法的产生仅仅是因为我们希望世界以这种方式运作，而真实世界并非如此。

常识解释似乎告诉了我们为什么有些事情会发生，但实际上，这些解释不过是对已发生事情的描述罢了。

在生活中，很多时候“结局”不过是个实用的虚构概念。基于这个概念，我们可以一次性、彻底地评估出某个行为的后果，但在现实中，我们标记为结果的事件其实并不是真正的结局。相反，它们只是人为设定的“里程碑”，就像电影的结局只是人为的结束而已，但在现实中，故事还要继续下去。

当人们已经有了现成的解释时，会对自己的判断更加自信，尽管他们还不知道这个解释是否正确。

常识和历史会共同产生一种根本不存在的因果错觉。

历史会有意摒弃大部分事实，只留下事情的主线来进行解释。

虽然政治专家的预测表现比随机乱猜略微准确一点儿，但却连一个最简单的统计模型也比不上。更令人吃惊的是，他们在专业领域之外的预测比在专业领域之内的预测更准确一点儿。

不仅专家对社会和科技长期发展趋势的预测准确性差，那些在商业领域有着丰富经验和充足干劲儿的专业人士，比如出版商、制片人和营销人员，他们在预测哪些书籍、电影或产品将成为下一个热门时，也会和政治专家预测下一场革命一样困难重重。

即便是在2008年9月雷曼兄弟公司（Lehman Brothers）即将破产之际，财政部和美国联邦储备理事会的官员也没能预见到随之而来的全球信贷市场的灾难性冻结，而他们可以说是世界上消息最灵通的人了。

在20世纪90年代末，谷歌创始人谢尔盖·布林（Sergey Brin）和拉里·佩奇（Larry Page）试图以160万美元的价格出售谷歌，幸好当时没人对此感兴趣。

预测的真正问题不是我们常说的擅长或不擅长做预测，而是我们很难区分哪些事情我们可以做出可靠预测，而哪些不能。

所有针对复杂系统的模型都很差。

在任何一个特定的“世界”中，人与人之间的相互作用放大了微小的随机波动，从而产生了无法预测的结果。

如果一个投资者在20世纪90年代末就知道一家叫谷歌的小创业公司有一天会发展为互联网巨头，他就可以通过投资谷歌大赚一笔了。

“黑天鹅”事件根本不能预测

简单系统：指的是用一个模型就可以描述我们观察到的所有或大部分变化的系统。从这个意义上讲，钟摆摆动和卫星沿轨运行都是简单系统，尽管对其建模和预测不一定是一件容易事。

复杂系统：复杂性来源于众多相互依赖且以非线性方式相互作用的组成部分。因此，对经济发展轨迹的建模与对火箭运行轨迹的建模完全不同。

在复杂系统中，某一部分的微小扰动会被放大，并在其他地方产生巨大影响，这也是前面讨论累积优势和不可预测性时提到的混沌理论中的“蝴蝶效应”。当复杂系统中的每个微小因素都可能以无法预测的方式被放大时，模型能够预测的也就很有限了。因此，复杂系统的模型往往非常简单。

复杂模型很简单，不是因为简单模型的预测效果好，而是因为在巨大误差面前，细微的改进几乎毫无作用。

我们能预测的，往往是模式固定的事件

对自己的预测进行跟踪记录

未来存在一定程度的不确定性，这种不确定性必然会使完美的计划出错。

在雷纳看来，苹果公司和索尼公司唯一的不同之处在于，索尼公司的选择碰巧是错的，而苹果公司的选择碰巧是对的。

这就是战略悖论。雷纳认为，战略失败的主要原因不是战略不好，而在于“正确”的战略碰巧出错了。

当应用于正确的事情中时，伟大的战略就能取得成功，就像苹果公司在iPod上使用的战略一样，但也有可能会导致彻底的失败。伟大的战略的成败完全取决于最初的远见是否正确，但要提前预测到这一点，就不是有多难的问题了，而是根本不可能实现。

雷纳认为，解决战略悖论的方法就是坦率地承认预测存在局限，并制订出应对这些限制的方法。

首先，Zara会派出员工走访购物广场、市中心和其他人群密集的地方，观察人们穿什么，由此得到很多关于潮流的灵感。然后，Zara会利用所有灵感素材构建一个风格、面料和颜色的巨大集合。刚开始时，集合中的每种组合都只生产一小批产品，然后这些产品将被送到店里售卖，根据销售情况可以直接测算出产品的畅销度。最后，Zara的生产和分销机制非常灵活，它可以快速地对来自商店的信息做出反应，立即放弃那些销售情况不好的产品（它们的剩余库存也不多），并对卖得好的产品增大产量。

所有这些都依赖于Zara可以在短短两周内设计、生产、运送以及在世界各地销售新款服装的能力。

与其试图正确地预测出未来的趋势，规划者更应该提高自己对当前情况的理解能力。然后，像Zara一样，他们需要尽可能快速地做出反应，放弃那些不起作用的方案，无论它们事先看起来多么有希望，并把资源转移到那些发展势头良好的方案上，甚至随时规划新的替代方案。

“众包”这个词是2006年杰夫·豪（Jeff Howe）在一篇发表在《连线》（Wired）杂志上的文章中提出的，用于描述将小型业务外包给大量个体工人的模式。事实上，在线新闻业也逐渐转向了一种众包模式。

广告商们经常会援引百货商店巨头约翰·沃纳梅克（John Wanamaker）的话来回答：“我花在广告上的钱有一半是浪费的，我只是不知道是哪一半。”

不要过于追求完美，别让它阻碍我们做事，就像我当海军时教官经常提醒我们的那样：有时，就算有个糟糕的计划也总比没有计划强。

哈耶克认为，计划在本质上就是整合知识的问题，若想知道需要配置什么资源，以及配置的地方，就需要知道每个人相对于他人来说需要多少资源。但是，哈耶克也认为，一个规划者无论有多聪明、初衷有多好，他也无法将一个数亿人组成的大经济体中的所有知识整合在一起。然而，市场在没有任何监督和指导的情况下，却能每天完成所有信息的整合。

有奖竞赛吸引了越来越多的关注，因为它可以利用相对较少的资金发掘出惊人的创造力。

美国国防部高级研究计划局（Defense Advanced Research Projects Agency，简称DARPA）仅仅提供几百万美元的奖金，就能集合几十所大学研究实验室的创造力，建造出自动驾驶汽车，这比起等量工作需要的传统研究经费少多了。同样，奖金为1 000万美元的安萨里X大奖（Ansari X Prize）吸引了价值超过1亿美元的研发工作，用于建造可循环使用的航天器。视频租赁公司奈飞仅以100万美元的奖金，就吸引了世界上最有才华的计算机科学家帮助其改进电影推荐算法。

我们倾向于把对某个人某个特征的评价（比如长得高或者长得好看）延伸到对这个人其他不相关的特征（比如他们的智力或性格）的评价上。例如，一个人长得好看并不意味着头脑聪明，但在实验中，被试却一致认为长得好看的人比不好看的人聪明，即使他们没有任何判断智力的根据。

约翰·亚当斯（John Adams）曾调侃说，乔治·华盛顿（George Washington）之所以被认为是领导者的不二人选，是因为他总是房间里最高的人。

光环效应：一种影响人际知觉的因素，一种在人际知觉中所形成的以点概面或以偏概全的主观印象。

我们对公司的评价标准更多地取决于我们认为它们现在是否成功，而不是它们实际做的事情。

尽管媒体和公众痛斥了那些过去业绩糟糕的银行家，而那些获得不错报酬的银行家似乎确实应该获得奖金。但就我们所知，这两群银行家可能做的是完全相同的事情。

房地产泡沫说明，有时候错误的假设在几年内看上去都是有效的。

如果某市场或行业的所有从业人员都在赚钱，那么我们就应该怀疑业绩受一种长期趋势作用的影响，而非个人能力影响。

比尔·米勒（Bill Miller）所管理的价值信托基金连续15年超过了标准普尔500指数，但是，在2006—2008年的三年间，也就是米勒的连胜纪录结束之后不久，他的表现糟糕到足以抵消之前的大部分收益，也将他的10年平均水平拉低至标准普尔500指数之下。

雷纳在解释商业战略时曾说，就像索尼和松下的录像机之战一样，投资战略可以连续数年成功或失败，原因和能力无关，只关乎运气。

在生活中更多的是社会学家罗伯特·默顿（Robert Merton）所称的“马太效应”。一开始它是指富者越富、贫者越贫，但默顿认为，这条规则更适用于成功。

一旦一个人被视为了“明星”，他不仅能吸引到更多的资源和更优秀的合作者，进而完成超出其能力范围的工作，而且往往能收获其不应获得的名誉。

在经济萎靡时期毕业的大学生，其平均收入要明显低于经济发达时期的大学毕业生。这个现象本身听起来并不令人意外，但关键是，这种差异并不仅仅在经济衰退的几年里存在，而且还会累积影响几十年。

能力是能力，成功是成功，后者并不总能反映出前者。

哈佛商学院教授、社会学家拉凯什·库拉纳（Rakjesh Khurana）在《寻找企业的拯救者》（Searching for a Corporate Savior）中指出，公司的业绩很少受CEO行为的影响，而更多的是由行业总体情况或整体经济环境等个人领导者无法控制的外部因素决定的。

库拉纳总结道，传统的成功解释之所以基于领导者的带领作用，并不是因为有证据支持着该观点，而是因为，如果不借助这样一个人，我们就无法直观地理解一个复杂庞大的实体究竟是如何运作的。

人们更可能与相似之人建立联系这种常识性解释忽略的是，人们只能从他们实际遇到的人中选择朋友，而他们实际遇到的人在很大程度上取决于一起工作或同属一个组织的人，或经熟人介绍认识的人。

许多小范围的社会环境组成成员在种族、性别、年龄和受教育程度方面都是高度相似的。因此，我们看到的相似之处很可能与我们的心理偏好没有多大关系，而只是世界给我们带来的有限机会所致。

朋友之间的实际相似程度并没有他们认为的那么高。特别是，我们的受访者很少会猜到自己的朋友，甚至是可以讨论政治问题的亲密朋友，在某个问题上与自己的观点相悖。

社会远比物理世界复杂，我们越是了解它，它就越是复杂。这导致了我们可能永远无法拥有像物理学那样精确、普适的社会学规律。