想象一下，两名医生对相同的病人给出了不同的诊断；两名法官对犯了同罪的嫌疑人给出了不同的判决。再想象一下，同样的医生、法官或决策者做出了不同的决策，而这种决策仅仅取决于决策是在什么时间做出的。这些不同决策背后的罪魁祸首，就是“噪声”。
《噪声》是诺贝尔经济学奖得主、“行为经济学之父”丹尼尔·卡尼曼携手决策领域专家奥利维耶·西博尼和卡斯·桑斯坦共同推出的重磅新作，也是卡尼曼继畅销书《思考，快与慢》之后酝酿10年思考的全球瞩目里程碑式巨作，行为科学领域又一重大发现。几十年来，大家都认为，偏差是导致人类判断出错的关键。但是今天，卡尼曼系统性地指出：噪声，才是影响人类判断的黑洞。
《噪声》一书通过系统性研究，通过两个公式揭开了“判断出错”的本质，并且通过对三种噪声的系统性分析带你直击噪声。并且，从六大部分阐述了“噪声”：从寻获噪声到探究人类判断的本质，从预测噪声到阐释噪声的主要原因，从探讨如何改进判断和防止错误的的实际问题，一直延伸到什么才是合适的噪声水平。”“噪声”是随机的，但却是致命的。卡尼曼在书中提出了6大原则，帮你重塑决策框架，做聪明的决策者。同时，卡尼曼更是精妙地附上了“审查噪声”的使用指南，以及写给决策者的“观察者清单”。
如果说《思考，快与慢》击退的是人类判断过程中面对的敌人“偏差”，那么《噪声》要绝杀的就是其中的另一大隐形敌人——噪声。阅读本书可以助你重塑自己的决策框架，远离噪声，做聪明的决策者。
偏差与噪声，人类判断的两种错误
试想一下，由朋友组成的四支队伍去了一个射击场，每队由五人组成，他们共用一把步枪，且每人只能开一枪。图0-1显示了他们的射击结果。
理想情况下，每一枪都能击中靶心。
A队近乎达到了理想目标，A队的射击点紧紧围绕在靶心周围，接近于完美模式。而B队的每一次射击都系统偏离了目标，我们称B队为偏差队。如图0-1所示，偏差的一致性能够提供预测，如果队伍中的其中一位成员再开一枪，我们敢打赌击中点会落在与前五次射击相同的位置。偏差的一致性还会引发因果关系的解释：造成目前现象的原因或许是队伍中步枪的瞄准镜弯曲了。
C队的射击点很分散。射击点大致分布在靶心周围，因而没有明显的偏差。我们称C队为噪声队。如果队伍中的某位成员再开一枪，我们很难准确预测其可能击中的位置，而且我们也没有想到任何有趣的假设来解释C队的结果。我们知道，C队中的成员不太擅长射击，但确实不知道为什么会有如此多的噪声。
D队是偏差与噪声共存队。与B队类似，其击中点系统地偏离了目标；也类似C队，其击中点很分散。
但这不是一本有关打靶的书，我们的主题是人类误差。偏差和噪声——系统偏差和随机离散——是误差的不同组成成分，打靶问题只是为了阐明两者的差异。
射击场只是一种隐喻，用来说明人们的判断会出错，在代表组织做出各种决策时尤其容易出错。在这些情景中，我们会发现如图1中所示存在两类误差。有些判断存在偏差，它们系统地偏离了目标；有些判断存在噪声，人们期待能够在特定目标上达成一致，但却存在各种差异。不幸的是，一些组织同时受到了偏差和噪声的困扰。
图2说明了偏差和噪声之间的一个重要区别。如果只显示各队击中点的背面，而没有任何线索表明他们瞄准的靶心在哪里，就会呈现如图2的结果。
仅从靶子的背面看，你无法分辨是A队还是B队更接近靶心，但你能一眼看出，相比A队和B队，C队和D队具有更多的噪声。事实上，你对各射击队离散程度的了解与在图1中一样多。噪声的一个一般特性是，你可以在不了解目标或偏差的情况下对其进行识别和测量。
方才提到的噪声的一般特性，对本书意义重大，因为我们很多的结论都来自于“真实值”未知的判断，有一些判断的“真实值”可能永远无法得知。当不同医生为同一患者做出了不同的诊断时，我们可以研究他们的分歧点而无需知道患者的病情；当电影公司主管评估电影市场时，我们可以研究他们答案的变异性，而不必知道电影最终拍摄了多少，抑或有没有开始拍摄。我们无需知晓谁对谁错，即可衡量对同一事件不同判断之间的差异。要测量噪声，我们所需要做的仅仅是看目标的背面的结果。
要理解判断中的误差，我们必须同时理解偏差和噪声。正如我们将看到的，噪声有时甚至是更为重要的问题。然而，在有关人类误差的公开讨论，以及在世界各地的组织中，很少有人认识到噪声的重要性。偏差是主角，而噪声只是台下的一个小角色。在成千上万的科学文章和数十本畅销书中已经讨论了偏差的话题，但很少提及噪声问题。本书试图纠正这一不平衡状态。
在现实生活决策中，噪声数量往往高得吓人。以下几个例子说明了，在力图做出准确判断的条件下，所出现的数量惊人的噪声：
• 医学诊断中的噪声。面对同一患者，不同医生对患者是否患有皮肤癌、乳腺癌、心脏病、肺结核、肺炎、抑郁症和其他许多疾病可能会做出不同的判断。精神病学上的噪声尤其高，因为该领域中的主观判断显然更为重要。然而，还有一些领域中存在的大量噪声是我们没有想到的，例如对X射线报告的解读。
• 儿童抚养权决策中的噪声。儿童保护机构中的案件负责人需要评估儿童是否存在受虐待的风险，如果存在，进而评估是否需要将儿童送去寄养。鉴于有些负责人比其他负责人更有可能将孩子送去寄养，所以该系统存在噪声。多年后，被这些严格的负责人送去寄养的不幸儿童，他们的生活大多都很糟糕：犯罪率更高、少女怀孕率更高，收入更低。
• 预测中的噪声。专业的预测员对新产品的销售额、失业率的增长、陷入困境公司的破产可能性，以及其他几乎所有方面，都可能做出非常不同的预测。他们不仅彼此意见不一，而且自己的预测也存在差异。例如，当要求同一软件开发人员在两个不同的日子里评估完成同一任务的时间时，他们预计的时间平均相差71%。
• 庇护权决策中的噪声。寻求庇护者能否被允许进入美国，取决于类似买彩票一样的偶然因素。一项对随机分配给不同法官的案件的研究发现，一位法官批准了5%的申请者，而另一位法官批准了88%的申请者。该研究的标题说明了一切：“难民轮盘赌”。（我们将会看到许多轮盘赌。）
• 人事决策中的噪声。面试官对同一求职者的评估大相径庭。对同一员工的绩效评估也存在很大差异，它更多地取决于评估者，而非被评估者的绩效。
• 保释决策中的噪声。被告人是获准保释，还是送交监狱等待审判，部分取决于审理该案件的法官。有些法官要比其他法官更宽容、更倾向于网开一面。法官们对于哪些被告最可能逃逸或再犯的评估，也存在显著的差异。
• 法医学中的噪声。生活经验让我们觉得，指纹鉴定是绝对可靠的。然而，在判定犯罪现场的指纹与犯罪嫌疑人的指纹是否匹配时，指纹鉴定师有时也会不一致。不仅不同专家会不一致，同一专家在不同场合遇到相同的指纹时，有时也会不一致。类似的变异性，在其他法医学学科，甚至是DNA分析中，也同样存在。
• 专利权决策中的噪声。关于专利申请的一项先导研究的作者，强调了专利申请中所涉及的噪声：“专利局是授予还是拒绝一项专利，很大程度上取决于该专利被分配给哪一位审查员”。从公平的角度来看，这种变异性显然是有问题的。
所有这些噪声情景不过是冰山一角。无论你从哪里看待人类的判断，都有可能从中发现噪声。为了提高判断质量，我们需要克服决策中的噪声和偏差。
本书共六部分。第1部分中，我们探讨了噪声和偏差的区别，并展示了不论是公共部门，还是私人组织中，都可能存在噪声，噪声的数量甚至大的惊人。为理解这个问题，我们从两个领域的判断着手，第一个领域涉及刑事判决（公共部门），第二个领域涉及保险（私营部门）。乍一看，这两个领域差异巨大，但在噪声上却有很多共同点。为确定这一点，我们引入了噪声检测的概念，旨在衡量一个组织中，关于同一案件不同专业人员之间的分歧程度。
第2部分中，我们研究了人类判断的本质，并探索了如何测量准确性和误差。判断容易受偏差和噪声的影响，我们介绍了两类误差在其所起作用上的惊人相似性。偶然噪声是指同一个人或群体在不同场合下对同一案件的判断的变异性。由于群体讨论中存在很多看似无关的因素(例如，谁先发言)，因而存在很多偶然噪声。
第3部分对一种被广泛研究的判断类型——预测性判断——进行了更深入的探讨。我们探索了规则、公式和算法在人类做出预测时的关键优势：与大众看法相反，与其说，规则具有卓越的洞察力，还不如说规则是没有噪声的。我们讨论了影响预测性判断质量的终极局限——对未来的客观忽视——以及它是如何与噪声一起影响了预测的质量。最后，我们解决了一个，你到时几乎肯定会问自己的问题：如果噪声如此普遍，那为什么你之前没有注意到它呢？
第4部分转向人类心理学。我们解释了噪声出现的根本原因。这些原因包括由各种因素引起的人际之间的差异，包括个性和认知风格；对不同因素进行加权时的差异；以及人们使用相同量尺时出现的差异。我们探究了为什么人们会对噪声视而不见，以及对突然发生的，超出他们预测之外的事件，见怪不怪。
第5部分探索了如何在实际问题中改进判断，并防止误差（主要对如何在实践中降低噪声感兴趣的读者可以跳过第3部分和第4部分——这两个部分对预测所面临的挑战和判断中的心理过程进行了讨论——直接进入本部分）。我们调查了为解决医学、商业、教育、政府和其他领域的噪声所做出的努力。我们介绍了在决策卫生学标签下收集的几种降噪技术。我们展示了五个领域的案例研究，在这些领域中已经发现有很多噪声，人们为了降低噪声做出了很多努力，并取得了一定的成功。这些案例中包括不太可靠的医学诊断、绩效评估、法医科学、招聘决策，以及一般性预测。最后，我们提供了一个称为调节评估协议的系统：一种用于评估选项的通用方法，该方法整合了决策卫生学的几种关键实践做法，旨在产生更少的噪声，得到更可靠的判断。
正常的噪声水平是多少？第6部分转而回答该问题。正常的噪声水平并不是零，这或许违反直觉。在一些领域中，消除噪声很困难；在其他领域中，消除噪声的成本太高了；还有一些领域中，减少噪声的努力也会损害重要的竞争价值。例如，消除噪声的努力可能会破坏士气，会让人觉得自己被看成了机器的齿轮。当试图用算法解决问题时会引起各种各样的反对，我们会对其中一些反对意见做出回应。尽管如此，当前的噪声水平还是难以接受的。我们敦促私人和公共组织进行噪声检测，并以前所未有的严肃态度，采取更大的努力来减少噪声。如果真这样做了，可以减少各种不公平，并降低诸多领域的成本。
考虑到这一愿景，我们在每一章结尾都以引文的形式提出一些简短的建议。你可以原封不动地使用这些建议，也可以针对任何与你有关的问题对其进行改编，无论这些问题是涉及健康、安全、教育、金钱、就业、娱乐，还是其他。了解噪声存在的问题，并试图解决这些问题，是一项正在进行中的工作，也是一项需要集体努力的工作。我们所有人都有机会为这项工作做出贡献，写这本书就是希望我们能抓住这些机会。
