注重相关性，而非因果性

综上所述，心理学实验表明，很多潜在的相关因素以真实可见的方式影响着我们的行为，而我们丝毫没有察觉到它们起到的作用。心理学家发现了很多这样的效应，比如启动效应、框架效应、锚定效应、可用性法则、动机性推理，以及损失规避等，但很难看出它们是如何结合在一起的。在实验中，人们往往一次只强调一种潜在的相关因素，以重点突出它的影响力。但在现实生活中，同一种情况可能存在很多这样的相关因素，它们的影响各不相同。因此，理解这些因素之间的相互作用至关重要。也就是说，拿一支绿色的笔会让你想到“佳得乐”，听德国音乐会让你倾向于买德国酒，或是心里想着社保号码会影响到你接下来的竞拍出价，这些事情可能的确会发生。当你同时受到许多可能互相冲突的潜意识影响时，究竟会买什么，又会花多少钱呢？

这并不确定。无意识的心理偏见的泛滥也不是我们面临的唯一问题。再回到之前冰激凌的例子，尽管我喜欢吃冰激凌是一个基本规则，但在某一特定时间点，我的喜欢程度可能大有不同，这取决于当天的时间、天气、我有多饿，以及我想买的冰激凌有多好吃等。另外，我的决定不仅取决于我有多喜欢冰激凌，或者我的喜爱程度与冰激凌的价格之间的关系，还取决于我是否知道最近店铺的位置、之前是否去过、我有多忙、我和谁一起、他们想买什么、我是否得去银行取钱、最近的银行在哪里，以及我是否看到别人吃冰激凌或者听到某首歌时想起了吃冰激凌的快乐时光等。即使是在最简单的情况下，相关因素可能也有很多。有这么多因素需要考虑，即使是非常相似的情况也会有重要的微妙差别。当我们想要理解或者预测一个人的决定时，如何才能知道这些因素中哪些需要关注，哪些可以“放心”忽略呢？

这种知道哪些因素与特定情况相关的能力，就是我们在引言中讨论的常识性知识的特点。在实践中，我们很少想到相关因素，因为做决定的轻松掩盖了复杂的影响因素。哲学家丹尼尔·丹尼特(5)曾说，当他半夜起来想做点东西吃时，只需要知道冰箱里是否有面包、火腿、蛋黄酱和啤酒，剩下的事情就水到渠成了。当然，他也知道，“蛋黄酱在和餐刀接触时不会溶解餐刀，一片面包比珠穆朗玛峰要小，打开冰箱不会导致厨房发生核灾难”，以及其他无数不相关的事情或逻辑关系。但不知怎的，他可以忽略这些，只专注于那些重要的事上，甚至他自己都不知道到底忽略了什么16。

丹尼特指出，在实践中知道什么是相关因素与能够去解释为什么我们知道它们是相关因素，这两者之间有巨大的差别。很明显，和某种情况相关的因素就是该情况与其他相似情况共有的一些特征而已。例如，价格和购买决策相关，因为在买东西时，价格往往起着至关重要的作用。但我们如何知道，哪些情况和当下的情况类似呢？这也很简单：类似情况往往具有相同的特征。当一个人要买东西时，他会考虑到很多因素，包括价格、质量、可用性等。从这个意义上来讲，所有的购买决定都是相似的，但问题来了，要确定哪些特征与某种情况相关，就需要我们将该情况与一些相似的情况联系起来，而要知道与哪些情况相似，又需要知道与它们相关的特征。

这种内在的循环就是哲学家和认知科学家所说的框架问题，他们已为此争论了几十年。框架问题首先发现自人工智能领域。当时，研究者正尝试开发计算机程序和机器人来处理相对简单的日常工作，比如打扫房间等。一开始，研究者认为，要在程序中实现与一项任务相关的所有内容并不难。毕竟，人们每天都要打扫自己的房间，做的时候甚至都不用动脑子，教给机器人又有多难呢？然而他们发现，事实上却非常困难。在引言中我们提到，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。很快，研究者意识到，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。17

对于人工智能最初的设想是，在类似我们自己的实践过程中，或多或少地复制人类的智慧，然而棘手的框架问题使其陷入了困境。但是，这场失败还有一线希望。由于一次次的失败，人工智能研究者不得不从头开始把每个事实、规则和学习过程编入程序中，但他们的程序往往无法如预想的那样成功运行，造成的后果也非常严重，比如机器人摔下悬崖或试图穿墙而过等，这说明框架问题不可忽视。人工智能研究者没有直接破解这些难题，而是采取了一种完全不同的方法，即一种强调数据而非思考过程的统计模型。该方法也就是现在的“机器学习”，它远没有最初的认知方法那么直观，却卓有成效，而且带来了无数重大突破，包括当你输入指令时瞬间完成查询的神奇搜索引擎，无人驾驶汽车，甚至是能玩《危险边缘》（Jeopardy!）(6)游戏的计算机等。18



填充想象，人类思考的本质


框架问题不仅仅是人工智能领域的问题，它也是人类智能面临的问题。正如心理学家丹尼尔·吉尔伯特（Daniel Gilbert）(7)在《撞上幸福》（Stumbling on Happiness）一书中所写，当我们想象自己或者他人面对一种特定情况时，不可能把所有可能相关的细节问题全部都考虑清楚。就像一个勤劳的助理可能会用资料卡片来充实单调的PPT一样，我们就某事或某人的“心理模拟”也会搜索大脑中包括记忆、图像、经历、文化规范和预期结果的庞大数据库，然后恰如其分地插入各种必要的细节使画面变得完整。比如，调查发现，当受访者离开餐馆时，他们能轻松地描述出男服务员的着装，即使该餐馆的服务员全是女性；当被问起教室里黑板的颜色时，学生们往往回忆说是绿色，即正常黑板的颜色，即使他们教室的黑板实际上是蓝色的。一般来说，人们会系统性地放大预期损失带来的痛苦和预期收益带来的快乐。比如，在网上进行在线配对时，参与者获得的信息越少，他们对配对的对象就会越感兴趣。在所有这些例子中，一个谨慎的人不会在得到足够多的信息前给出明确的答案。由于“填充想象”的过程会在瞬间轻松发生，所以我们通常不会察觉到它的存在，也不会意识到自己错过了什么。19

框架问题警示我们，这样做一定会犯错，而我们却一直在这么做。与人工智能研究者编写的程序不同，人类活动并不会迫使我们重写思考的整个心理模型。正如保罗·拉扎斯菲尔德在《美国士兵》一书中提到的那样，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。也许我们会坚信，自己中了彩票后肯定会很开心，但事实并非如此，这显然是一个失败的预测。当我们意识到自己并未那么开心时，往往是因为遇到了新的情况，比如亲戚们突然请求经济援助等。之后我们就会想，如果能早点儿知道这些情况，就一定能准确地预测出自己中彩票后的幸福程度，这样也许就不会买那张彩票了。我们并不会质疑自己预测未来幸福程度的能力，反而会简单地认为，我们
m.qiduwx.com提示您，本章没有阅读完，点击下一页进入下一页阅读！