因光致盲：复杂建模的风险

毫无疑问，自从人类出现以来，在过度自信和不够自信之间寻找平衡一直都是一个难解的问题。所不同的是，如今是一个信息技术爆炸的时代。有了计算机的帮助，我们可以解决一些非常棘手的问题，但也正是因为有了计算机，才有了信息的指数式增长，这多少让决策者们有些不知所措。模型可以帮助我们分析这些信息，但同时也可能会让我们变得过度自信，这是一种特别并且危险的副产品。

与模型相关的过度自信有两个来源：首先，研究人员发现，在某一给定的情境下，人类的直觉容易过度纠缠于某一个显著的变量，而不会去权衡所有可能的变量。丹尼尔·卡尼曼（Daniel Kahneman）和阿莫斯·特沃斯基（Amos Tversky）创造出了“代表性原则偏误”（representativeness heuristic）这一术语来描述这种倾向。受到这一偏误影响的建模者往往会拘泥于少量的、直觉上可信的变量而忽视其他重大问题。第二，如上所述，人们在收集到更多的信息之后就容易变得更为自信，但他们所作出的决策准确度却未必会提高。建立复杂的模型会产生大量的信息，更容易让建模者产生一切尽在掌握的舒适感。

纠缠于某一个变量，然后在建模的过程中又变得更为自信，这是一件非常危险的事。这就像拿着一只手电筒走夜路：光圈范围之内的东西都清晰可见，而其他一切都沉浸在无边的黑暗里。偏重建模（光圈）是人类一种很自然的倾向，因为它能够产生具体、确切的答案。其他的信息可能是某种逸闻、模糊的观念或是流言，很难加以权衡。但是，如果有一只黑天鹅正在暗影里潜伏，仅仅注意到光圈范围内的事物就会变得非常危险。

费希尔·布莱克认为，当前的经济学理论大都存在着这样的问题。他指出，经济学家们只把目光放在那些简单的模型上，因为他们已经知道如何解这些模型，而且他们选择某些数据来对这些模型进行检验，仅仅是因为这些数据很容易得到。

其他的研究者们提出了一种假设，认为投资者们太过注重“非公开信息”（即他们在光圈中所看到的），并对公开信息（其他隐在黑暗中的一切）反应迟缓。这些研究者们利用这一理论来解释股市发生的某些震荡。比如，股票价格的短期上升，可能反映了投资者们因为他们的非公开信息为公开数据所强化，从而变得过度自信，拉升了股票价格。

类似的问题也困扰着其他领域的分析人员。比如，有史以来，情报分析人员都对加密的人际情报和信号情报表现出了更多的关注，但却对开源信息（在互联网、媒体或学术及行业会议上能够免费或廉价得到的信息）不甚在意。这种对加密信息的偏好可能与中情局（CIA）理事会在文化上的主导地位有关。不过，有些专家认为，在互联网时代更应该注重开源信息，因为这些信息提供了巨量的有用的数据。仍然坚持把重点放在加密信息上就相当于盯着光圈不放，而忽视了黑暗中的一切。