为什么“预测”总是会失败？| 复杂性科学好书《反常识》

导语

今天为大家介绍来自著名复杂网络学者、微软研究院首席科学家邓肯·J·瓦茨的科普书《反常识》。作者基于复杂性科学的理论研究，结合商业、政治和生活中的决策案例，揭示了常识思维带来的的误区与反常识思维带来的红利。本书由电子科技大学吕琳媛教授领衔翻译。

《反常识》已在各大电商平台上线，点击文末阅读原文即可购买。更多复杂性科学相关新书好书，在集智俱乐部公众号后台回复“书单”即可查看。

本文节选自《反常识》第五章，有删减。

从常识思维到反常识思维

人们喜欢预测，无论是关于行星的运动、股市的波动还是下一季的流行色。随便拿起哪一天的报纸，你都能找到大量的预测，可能你从未注意到它们。

然而我们总愿意对未来做出预测，却不愿意为自己做出的预测负责。

20世纪80年代中期，心理学家菲利普·泰特洛克(Philip Tetlock)就在当时的政治学专家中发现了这种模式。泰特洛克设计了一个持续了20年的测试，决心要让政治专家用实际行动证明他们的预测。

20年后，泰特洛克发表了研究结果。其发现非常惊人：虽然专家的预测表现比随机乱猜略微准一点，但是却连一个最简单的统计模型也比不上。更惊人的是，专家们在其专业领域之外的预测比专业领域之内的预测还要准一点。

其实，几乎在泰特洛克开始实验的同时，一位叫史蒂文·斯奈尔(Steven Schnaars)的管理学家也设法衡量了技术趋势预测的准确性，通过梳理大量书籍、杂志和行业报告，他记录了上世纪70年代做出的数百个预测，得到的结论是，大约有80%的预测都是错的，不管这些预测是否由专家做出。

不仅对社会和技术长期趋势的预测准确性差，那些在商业领域有着丰富经验和干劲儿的专业人士，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大热门时，也会和政治专家预测下一场革命一样困难重重。

事实上，纵观文化市场的历史，不被出版商或电影公司看好的未来大作数不胜数，比如“猫王”(Elvis)、“星球大战”(Star Wars)，“宋飞正传”(Seinfeld)，“哈利波特”(Harry Potter)，“美国偶像”（American Idol）等等。

文化市场上不被看好，但最终大火的作品数不胜数。

再看看近年来发生的严重商业危机，比如1998年美国长期资本管理公司(Long-Term Capital Management)溃败，2001年安然公司(Enron)破产，2002年美国世界通信公司(WorldCom)破产，2008年金融系统临近崩溃；或者看看像谷歌或Facebook崛起的成功案例，我们会惊讶的发现，几乎没有人能预料到将要发生的事情。

这样的结果似乎说明，人类并不擅长预测，其实这个说法也不完全正确。事实上，还有着各种事件，我们可以预测的很准。

一个人只要简单预测说“明天圣塔菲将是晴天”，准确率就能达到80%。同样，预测美国在未来十年不会和加拿大开战，或者明天太阳将继续从东方升起等都可能非常准确，但是不会给人们留下任何印象。

也就是说，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。

拉普拉斯妖，无法预测复杂系统

在某种程度上，这个问题可以一直追溯到牛顿。从他的三大运动定律开始，再加上万有引力定律，牛顿不仅推导出开普勒行星运动定律，还推导出潮汐时间、抛射体运动轨迹，以及一系列令人惊叹的其他自然现象。这是一个非凡的科学成就，也为那些难以匹配的数学规律可以用来做什么设定了一个预期。

牛顿自己这样写道：

“如果我们能用同样的推理方法从力学原理中推导出其他自然现象，那该多好啊！很多事情让我怀疑，所有现象可能都依赖于某种力量，在这种力量的作用下（其原因未知），物体的粒子要么互相吸引并组合成规则形状，要么互相排斥。”

一个世纪以后，法国数学家、天文学家皮埃尔-西蒙·拉普拉斯(Pierre- Simon Laplace)将牛顿的观点推向了逻辑的极限，并声称牛顿力学已经将对未来（甚至是宇宙未来）的预测简化成了计算问题。

按照拉普拉斯的观点，

了解前一时刻的运动状态，就可以推出下一刻的运动状态，

如果了解宇宙诞生之初所有物质的运动状态，就可以推导出当下甚至未来。

拉普拉斯设想了一个“智者”，“它知道让自然运转的所有力量，也知道自然界所有事物所处的位置。对于这样的智者来说，没有什么不确定的事。未来就像过去一样呈现在它的眼前。”拉普拉斯设想的“智者”最终被取名为“拉普拉斯妖”，从那时起，它一直潜行在人类对未来看法的边缘。

从热力学第二定律开始，进而到量子力学，最终发展到混沌理论，拉普拉斯的机械宇宙观以及对自由意志的担心已经消失了一个多世纪，但这并不意味着拉普拉斯妖不存在了。尽管人们对于自由意志仍然存有争议，但“适用于恰当数据的自然法则可以用来预测未来”的观点还是非常吸引人的。

当然，人们从文明时代开始就一直在预测未来，但拉普拉斯妖的独特之处在于，它不是基于任何魔法力量的，也不依赖于自己拥有的特殊洞察力。它只依赖于原则上人人都可以掌握的科学定律。因此，之前非常神秘的预测就被引入到客观理性的现代科学领域之中。

然而，在这个过程中，拉普拉斯妖模糊了两种不同过程的关键区别，为了便于论述，我将这两个过程分别称为“简单”和“复杂”。

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件容易事。

复杂系统完全是另外一种系统。虽然目前人们对于复杂系统“复杂”的原因还没有达成一致，但大家普遍认为，其复杂性来源于众多相互依赖的、且以非线性方式相互作用的组成部分。例如，美国的整个经济系统是数百万人、数万家公司和政府机构的行为的总和，也是无数其他内部和外部因素（从德克萨斯州的天气到中国的利率等）的产物。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，这也是我们在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，这不是因为简单模型的效果好，而是因为在存在的巨大误差面前，细微的改进几乎没什么作用。例如，对于经济学家们来说，要让他们的经济模型达到一个相当粗糙的精度也跟做梦一样困难，尽管这种精度已经足以导致一个火星气候探测器被摧毁了。但是，问题不在于他们的模型不好，而是因为所有针对复杂系统的模型都很差。

因此，拉普拉斯的观点有一个致命的缺陷，即拉普拉斯妖只适用于简单系统。然而在现代社会中，无论是营销活动的影响、经济政策的效果，还是公司计划的结果，几乎所有的事物都属于复杂系统的范畴。

不确定的未来：

只能预测概率，而非准确性

在社会世界中，普遍存在的复杂系统非常重要，因为它严格限制了我们能做出何种预测。也就是说，在简单系统中，准确预测到实际将发生的事情是完全有可能的，比如哈雷彗星下次返回的时间，某颗卫星即将进入的轨道等等。相比之下，对于复杂系统，我们能期望的最好结果就是正确预测出事情发生的概率。

乍一看，两者很相似，但它们有着本质的不同。比如，假设你在抛硬币猜正反，由于抛硬币是随机事件，所以你能做到的最好的预测就是平均有一半的时间会是正面朝上。有一条规则总结道，“长期抛硬币的结果，正面朝上的次数占50%，反面朝上的次数占50%。”这完全正确，因为正面朝上和反面朝上的次数确实各占总次数的一半。但即使知道了这个规则，不管我们采取何种策略，正确预测出抛一枚硬币结果的概率最多也只能是50%。

上：抛硬币 下：哈雷彗星

哈雷彗星下次返回时间可以准确预测，

但正确预测抛出一枚硬币正反面朝上结果的概率只有50%

复杂系统的随机性和抛硬币的随机性不同，但要分清两者的区别也非常困难。与前面提到的音乐实验室实验一样，你可以了解音乐市场中的每个人——你可以问他们很多问题，紧密观察他们的所作所为，或者在他们做事时对他们进行大脑扫描，但是你能做到的最好的预测仍然是某首歌在某个虚拟世界中走红的概率。虽然有些歌曲的平均胜率更大，但在任何一个特定世界中，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。

即使对于抛硬币或天气预报这样重复发生的事情来说，理解未来事情发生的概率已非常困难，而对于战争爆发、总统选举，甚至是你被哪所大学录取这种一生只发生一次的事情来说，其概率就更难理解了。

比如，如果在奥巴马赢得2008年总统大选的前一天，我们说他有90%的获胜概率，这意味着什么呢？是说他在十次选举中会获胜九次吗？显然不是，因为选举只有一次，而且任何重复（比如下次参选）都与连续抛硬币的重复没有可比性。那可以把90%认为是赌博的赔率吗？也就是说，如果奥巴马当选，想要赢得10美元，我就必须下注9美元，而如果他落选，只需要下注1美元就能赢得10美元吗？但是，看上去这个赌博也只能进行一次，我们怎么确定“正确”的赔率是多少呢？

如果你不清楚这个问题的答案，那么其实不只是你，甚至连数学家也在争论给单一事件指定一个概率的含义是什么。因此，如果他们也不知道“明天下雨的概率是60%”这句话是什么意思，那我们其他人不清楚就不足为奇了。

当我们尝试用概率来思考未来事件时，遇到的困难是，我们会偏好于那些对已知结果的解释，而忽略了其他可能性。

人们对过去的看法与对未来看法之间的关系，可以用图6-1表示，该图显示的是一个虚构公司的股价随时间变化的趋势。从现在往前，我们可以看到股票的历史价格（实线部分），它呈现出一条独特的曲线。而对于未来，我们只能预测出股价落入一定范围内的概率。

我在雅虎工作的同事戴维·彭诺克(David Pennock)和丹·里维斯 (Dan Reeves)已经开发出了这样的应用程序，可以通过挖掘股票期权价格数据来生成类似图片。由于期权的价值取决于标的股票的价格，所以现在交易的各种期权的价格可以被解释为对期权到期日那天的股票价格的预测。更确切地说，人们可以使用期权价格来推断各种“概率包络”，就像图中显示的那样。例如，内侧包络线显示，股价在这个范围的概率是20%，外侧包络线则表示股价在该范围内的概率是60%。

但是我们也知道，过一段时间，股票价格会确定下来，就像虚线表示的“未来”曲线那样。到那时，包络线界定的概率阴影部分将被单一确定的价格取代，就如我们现在看到的历史股价一样。知道了这些，我们下一步就会设想这个未来曲线从大范围上已经确定了（尽管实际上并没有）。

但这一步其实是错的。在股票价格真正确定之前，我们只能预测未来股价在某个范围内的概率，这并不是因为它确实会落在这个范围里，我们只是不确定具体价格，而是因为严格来讲，未来股价只能以一系列概率的形式存在。

也就是说，不确定未来和未来本身的不确定是不同的。前者只是缺少信息，即我们不知道的内容，而后者则意味着信息本来就是不可知的。前者是拉普拉斯妖的有序世界，只要我们足够努力、足够聪明，就可以预测未来；而后者本质上是一个随机世界，我们能期望的最好结果就是把对各种结果的预测用概率表示出来。

做重要事件的预测

和预测准确同样重要

预测结果和预测结果产生的概率之间有着本质区别，这一区别可能改变我们对于自己能够做出何种预测的看法。此外，还有一个更违背直觉的问题也源于我们从过去中汲取经验教训的方式，这个问题是，我们无法知道自己首先应该对什么事情做出预测。

说实话，我们随时都可以做出无数预测，就像过去有无数“发生的事情”一样。但是，我们关心的只是极少数预测，那些如果能够预测正确，就可能以真正重要的方式改变事情的预测。

如果美国航空管理局官员预测到了将有恐怖分子持刀劫持飞机，意图撞向世贸中心和五角大楼，那么他们就能采取预防措施，比如加固驾驶舱舱门、加强机场安检等，从而避免这一威胁。同样地，如果一个投资者在上世纪90年代末就知道一个叫谷歌的小创业公司有一天将发展为互联网巨头，他就可以通过投资谷歌大赚一笔了。

回顾历史，我们本该有能力预测到类似事件。但我们不知道的是，“后见之明”告诉我们的不仅仅是我们过去所做预测的结果，它还让我们知道应该做出什么样的预测。

实际上，这一问题是前一章中丹托对于历史的看法（只有在事情发生之后才能知道与哪些因素与事情相关）的对立面。也就是说，我们最想做的那些预测要求我们，首先确定未来可能发生的所有事情中哪些是相关的，然后我们现在就可以开始注意它们。

看上去我们应该能做到这一点，就像丹托的理想记录者能预测到将要发生的事情一样。但是，如果我们试图对所有可能发生的事情进行预测，就会立刻淹没在各种可能性中。我们应该担心垃圾车今晚什么时候出现吗？可能不应该。但是，如果我的狗正好在那时挣脱了绳子跑到了街上，我们就会希望在出门之前就知道垃圾车什么时候来。我们应该去预测自己计划乘坐航班是否会被取消吗？同样地，可能不需要。但是，如果我们碰巧坐上了另一趟之后会坠毁的航班，或者我们恰好坐在了未来将要结婚的人身边，那么预测航班是否会取消就非常重要了。

这个相关性问题是最基本的，它无法通过简单利用更多信息或更智能的算法来解决。例如，在一本关于预测的书中，政治学家、“预言家”布鲁斯·布恩诺·德·梅斯奎塔(Bruce Bueno de Mesquita)曾盛赞博弈论在预测复杂政治谈判结果中的表现。考虑到复杂系统本身具有的不可预测性，他的计算机模型其实不太可能如他所说的那么准。

这个问题暂且不谈，让我们来看看另一个更大的问题——即便这些计算机模型效果良好，那它们能预测什么呢？例如，梅斯奎塔声称，这些模型成功预测到1993年以色列与当时的巴勒斯坦解放组织会签订《奥斯陆协议》(Oslo Accords)。在那时，这似乎是个了不起的成绩。但是，算法没有预料到的是，奥斯陆协议实际上是一个幻影，一个短暂的希望，之后这个希望很快破灭了。也就是说，从我们现在对后续事件的了解中可以知道，奥斯陆谈判的结果显然不是最初的预测结果中最重要的那个。

当我们进行更普通的预测时，也会遇到同样的问题，比如，预测消费者如何对某种颜色或设计做出反应；预测如果医生是根据患者的治疗效果获得报酬，而不是所开处方的数量和费用的话，他们是否会花更多时间来研究预防护理等等。

这些问题与预测下一家巨头公司或下一场战争相比，似乎没有那么棘手。但是只要我们考虑一下为什么我们会关心这些预测，就会马上开始预测这些预测的影响。例如，我们之所以关心客户对颜色的反应，不是因为我们关心反应本身，而是因为我们认为颜色是产品成功的关键因素。

同样地，我们之所以关心医生对激励的反应，是因为我们希望控制医疗成本，并最终设计出一个系统，能为每个人提供负担得起的医疗保健服务，又不会导致国家经济的崩溃。如果我们的预测不能以某种方式产生一些更重要的结果，那么这个预测对我们来说就没有什么价值，或很难引起我们的兴趣。

因此，再次重申，我们关心的是重要的事件。而正是这些对未来举足轻重、意义非凡的预测，给我们带来了最大困难。

“黑天鹅”事件根本不能预测

重要事件预测这个问题对于前金融衍生品交易员纳西姆·塔勒布(Nassim Taleb)所说的“黑天鹅事件”(black swans)来说尤为尖锐。

所谓“黑天鹅事件”，就是那些很少发生却具有重大影响的事件，比如发明印刷机、攻占巴士底狱、世贸中心受袭等等。那么，是什么让一件事成为黑天鹅事件的呢？这正是让人困惑的地方。

我们在谈论各种事件时，往往会把它们看作彼此独立的不同事件，并会赋予它们不同的重要程度，就像我们在描述地震、雪崩、风暴这样的自然事件时，会根据其量级或大小确定一个严重程度一样。

事实证明，很多自然事件的量级并不服从正态分布，它们的分布严重失调，而且跨度极广。人的身高是大致服从正态分布的，相比而言，地震、雪崩、风暴以及森林火灾等自然事件，都呈现出重尾分布的特征，也就是说，大多数事件相对较小，很少引起注意，而少数事件会极其严重。

这很容易让人认为，历史事件也会遵循重尾分布，分布的尾部就是塔勒布的黑天鹅事件。但是，社会学家威廉·西威尔(William Sewell)曾指出，历史事件比其他事件更“大”，这个大不仅仅是像“一些飓风比普通飓风更大”一样。而且在历史意义上，这些“大”事件的重要之处在于，它们可以引发更广泛的社会变革。

对于攻占巴士底狱这样的黑天鹅事件，你想解释的越多，对事件本身的界定范围就会越广。

不仅政治事件是这样，计算机、互联网、激光这样的“技术黑天鹅”也是如此。互联网应该是只“黑天鹅”，但这意味着什么呢？是意味着分组交换网络的发明是黑天鹅事件吗？还是说黑天鹅事件指的是原始网络发展壮大，最终形成了APRANET（之后被称为互联网）呢？它仅包括物理基础设施的发展吗？在其基础上，网络、IP语音等其他技术创新才得以实现。还是说，这些技术反过来催生了新的商业和社交模式呢？或者是这些发展最终改变了我们发现信息、分享观点及表达个性的方式吗？

想必是所有这些发展结合在一起才使得互联网成为了黑天鹅事件。但这样说来，互联网根本就不是一件事情了，而是整个历史时期以及其中产生的所有相关技术、经济和社会变革的缩影。

那些被认为是黑天鹅的自然事件也是如此。例如，卡特丽娜飓风是一场巨大风暴，但它并不是我们见过的最大风暴，甚至不是那个夏天的最大风暴。

卡特里娜飓风在新奥尔良市引发的洪水

卡特里娜飓风的出现不是黑天鹅事件本身，

由它引发的一系列灾难才是难以预测的黑天鹅。

所以，使它成为黑天鹅事件的并不是风暴本身，而是后续引发的事情：堤坝崩溃，城市大范围洪水泛滥，应急响应迟缓无效，成千上万的居民遭受了不必要的痛苦和羞辱，超过1800人死亡，数十万人被疏散，很多被疏散者不能返回，人口大量流失对新奥尔良市产生的经济影响，巨大灾难，加上种族和阶级歧视、行政无能，以及权贵特权阶级对弱者的漠视给公众留下的心理阴影。

换句话说，当我们把卡特丽娜飓风当作一个黑天鹅事件来讨论时，我们关心的不是飓风本身，而是围绕它产生的所有复杂事件，以及由此引发的一系列复杂的社会、文化和政治影响，即那些仍在发挥作用的影响。

因此，预测黑天鹅事件与预测飞机失事或失业率变化等事件是完全不同的。后一种事件不太可能准确预测到，因此我们不得不去预测各个结果产生的概率而不是结果本身，但我们至少可以提前知道想要预测的是什么。相比之下，一些事件只有在事后回顾时才能被确定为“黑天鹅事件”，因为只有到这时我们才能将所有历史因素整合分析。

换句话说，预测“黑天鹅”事件不仅需要我们预测未来的结果，还需要预测到这些结果可能带来的影响，因为只有这样，我们才知道该事件的重要性。

当我们回顾过去时，不会对已经发生“事件”的含义感到困惑，也能轻松看出哪些是重要事件。独一无二的过去让我们认为未来也是唯一的，类似地，重要性清晰明了的过去事件也使我们认为自己可以预测出未来的重要事件。

然而，这些常识性观点忽略了，这种对过去的看法也是“百家争鸣”的结果——不仅有专业的历史学家，还有记者、专家、政治领袖和其他舆论制造者，他们都是为了解释“发生的事情”。

只有故事完成且各家说法达成一致后，我们才能知道相关事件是什么，或者哪个相关事件最为重要。因此，预测事件的重要性不仅需要预测事件本身，还要预测那些使它们具有意义的社会过程的结果。

常识思维

无法帮助我们应对复杂世界

如果你只是为了处理日常事务，那么以上困惑不会给你带来任何严重的问题。就像我之前说的，常识特别适合处理某些特定情况。因为我们日常的决定和形势可以被我们分成很多部分，每一部分都可以被我们单独处理，所以即使规则、事实、观点、信念和常识所依赖的直觉融为一体也不要紧。

但是，当我们依靠常识去规划政府政策、公司战略或营销活动时，这些错误就开始产生严重后果了。

就其本质而言，外交政策或经济发展计划会在很长一段时间里影响大量的人，因此需要在很多不同的具体情况中统一协调。

同样从本质上看，市场营销活动或公共卫生计划是否起到效果取决于我们能否有效地将因果事件联系起来，因此也需要我们把科学解释和单纯的叙事区分开。

在本质上看，公司或政党的战略计划必然会对未来做出预测，因此我们就需要将哪些事情可以预测，而哪些事情不能预测区分开。

最后，所有这些计划通常都会产生巨大影响，无论是在经济方面，政治方面，还是社会方面。因此，值得一问的是——是否存在更好的、非常识的方式来制定这些计划呢？

章节目录

• 序 一 人生并非显而易见

  汪小帆 | 上海大学副校长

• 序 二 别用“常识”理解复杂世界

  万维钢 | 科学作家、“得到”App“精英日课”专栏作者

• 序 三 以思维之“反”应对商业进化

  吴声 | 场景实验室创始人

• 序 四 走出常识陷阱

  吕琳媛 | 电子科技大学教授

• 前 言 常识思维 vs 反常识思维，一切并非显而易见

• 引 言 常识思维常常让我们犯错

• PART 1 常识思维带来的四大误区

• 第1章 用常识解释个体行为产生的误区

  1.1 是什么因素导致器官捐献率如此不同

  1.2 被忽略的“默认选项”

  1.3 理性选择其实是偏好选择

  1.4 到处都是“看不见的大猩猩”

  1.5 注重相关性，而非因果性

  1.6 填充想象，人类思考的本质

• 第2章 用常识解释集体行为产生的误区

  2.1 逃不出的循环论证的怪圈

  2.2 微观- 宏观问题，缺失的底层解释

  2.3 格兰诺维特的暴动模型

  2.4 累积优势，足以引发蝴蝶效应

  2.5 实验社会学：代表性个体的影响力悖论

• 第3章 用常识解释意见领袖影响力产生的误区

  3.1 六度分隔，我们都活在小世界中

  3.2 米尔格拉姆的悖论

  3.3 影响者，只代表社会与层级关系

  3.4 社会感染= 偶然的影响者+ 大量易受影响者

  3.5 社会名人的影响力真有我们想象的那么大吗

  3.6 “普通影响者”完胜“金? 卡戴珊”

  3.7 再遇循环论证

• 第4章 用常识解释历史事件产生的误区 4.1 历史只有一次，但可以“重演” 4.2 取样偏差，让我们得到想要的结果 4.3 后见之明，人人都是事后诸葛亮 4.4 正在发生的历史无法讲述 4.5 不到最后永不结束 4.6 能讲出好故事的就是赢家

• PART 2 反常识思维带来的三大红利

• 第5章 从常识思维到反常识思维

  5.1 拉普拉斯妖，无法预测复杂系统

  5.2 不确定的未来：只能预测概率，而非准确性

  5.3 做重要事件的预测和预测准确同样重要

  5.4 “黑天鹅”事件根本不能预测

  5.5 常识思维无法帮助我们应对复杂世界

• 第6章 常识让你先预测，但你应该快速反应

  6.1 我们能预测的，往往是模式固定的事件

  6.2 市场、民调和模型，效果无差的预测方式

  6.3 学会对自己的预测进行跟踪记录

  6.4 与其靠历史数据预测未来，不如专注当下

  6.5 伟大的预测源于不可预知的远见

  6.6 建立灵活性，应对不确定性的关键

  6.7 从预测到迅速反应

• 第7章 常识让你先规划，但你应该不断试错

  7.1 Zara的常识战略

  7.2 水桶测试、鲱鱼策略和众包策略，不断量化与反应

  7.3 做规划，不如多量化

  7.4 不只是量化，还要多实验

  7.5 现场实验，一个内嵌的持续性试错过程

  7.6 应用“局部知识”，棘手问题的解决思路

  7.7 自助法，从实际事件中提炼的有效解决法

  7.8 从“规划者”到“搜索者”

• 第8章 常识让你追求结果，但你应该系统思考 8.1 我们常常忽略偶然性对结果的决定性作用 8.2 否定组织中的光环效应 8.3 摈弃个人成功中的运气成分 8.4 打破马太效应：能力是能力，成功是成功 8.5 是拯救公司的神话，还是被过誉的领导者 8.6 公正社会，将偶然性降到最低 8.7 对抗系统性风险，每一个社会成员的责任 8.8 没有一个人可以置身社会系统之外

• 结 语 反常识思维，复杂世界的终极应对工具

• 致 谢

• 注 释

作者简介

邓肯·J·瓦茨

邓肯·J·瓦茨（Duncan J. Watts），小世界网络之父，网络科学奠基人之一。雅虎研究院和微软研究院首席科学家。哥伦比亚大学教授，影响全世界的康奈尔大学“A.D.怀特博文讲座教授”。宾夕法尼亚大学工程学院、传播学院和沃顿商学院教授，横跨工程学、商学、社会科学三大领域。

译者简介

吕琳媛

吕琳媛，电子科技大学教授，国家优秀青年科学基金获得者，主要从事网络信息挖掘与社会经济复杂性方面的研究，入选2018年《麻省理工科技评论》“中国35岁以下科技创新35人”。

徐舒琪

徐舒琪，电子科技大学基础与前沿研究院2018级博士，主要从事专利及引文网络方面的研究。