概率决策法

这是什么

概率决策法，是一套在"结果说不准、只能用概率描述"时帮你做选择的方法。它的核心动作只有一个：把每个选项的每一种可能结局，用「这种结局发生的概率 × 它带来的收益」相乘、再全部加起来，得到一个能横向比较的数字，叫期望值（Expected Value，EV）。谁的期望值高，通常就选谁。

它还配了一个画图工具叫决策树——把"你能选什么、选完老天会掷出什么结果、每个结果值多少钱"像树杈一样摊开，一目了然地算清楚。

但这套方法真正值钱的，不是那个加乘公式，而是它同时教你一件反直觉的事：有些牌桌，赢面再大也不能上。当一个选项的最坏情况是"破产、坐牢、声誉尽毁、把命赔进去"这种踩进去就再也出不来的结局时，期望值这把尺子会骗你——那种时候要看的不是"平均多好"，而是"最坏多坏、你死不死"。在补库这套决策工具里，它是唯一一个正面处理"概率"和"不确定性"的方法，其余的决策法都是在结果确定的前提下打分排序。

来历与出处

期望值这个想法非常老。1654 年，两位法国数学家帕斯卡和费马为了解一个赌博分钱的难题通信往来，顺手开创了概率论——期望值就是那时候的产物。1738 年，伯努利更进一步，指出人真正在乎的其实不是"钱的期望值"，而是"钱带来的满足感（效用）的期望值"：你已经有一个亿了，再多一百万没什么感觉；但你只剩最后一百万时，赔掉它是要命的。这句话，正是"下行为什么更痛、为什么不能只看均值"的数学祖宗。

决策树作为一种把不确定决策"画出来算"的工具，成熟于二十世纪中叶的运筹学和管理科学。而"什么时候不能只看期望值"这一支，则来自更近的两条线：一是凯利在 1956 年贝尔实验室提出的凯利判据（证明了哪怕赌局对你有利，也绝不能押上全部本金）；二是近二十年塔勒布等人反复强调的遍历性问题（一群人赌一次的平均，不等于一个人赌一辈子的命运）。InnoLab 把这几条线拧成一股，做成一个既会算、又懂得"什么时候别信这个算法"的完整方法。

解决什么真实问题

最常见的场景：一个新业务、一条技术路线、一单高风险高回报的合同摆在你面前，团队吵成两派——一半人说"稳赚，必须上"，一半人说"太险，别碰"。吵到最后，谁嗓门大、谁职位高，就听谁的。概率决策法把这场架变成一道算术题：你俩到底是对"成功概率"的估计不一样，还是对"能赚多少 / 会赔多少"的估计不一样？ 分歧一旦被拆到具体的数字上，很多争论当场就化解了。

它解决的第二个真问题，是人天生的过度乐观。我们估自己这摊事的成功率，几乎永远偏高——因为我们盯着自己的独特之处，忘了"这类事情普遍成不成"。这套方法逼你先去查"别人做同类事的历史战绩"，用那个冷冰冰的基础率当锚，再谈自己的特殊性，能把乐观的水分挤掉一大半。

第三个、也是最救命的一个：它帮你认出那些**"输一次就下不来牌桌"的赌局**，在你 all-in 之前把你拉住。很多聪明人不是败在算错了账，是败在赢面很大、于是压上了全部——然后小概率的那一下真的来了。

核心思想

打个比方。期望值这把尺子，量的是"如果这局能重复玩一万次，你平均每次赚多少"。

想象一台老虎机，投一块钱，平均能吐回一块一——期望值是正的。那你该不该玩？该，而且该往死里玩，因为你可以一直投、一直玩，大数定律会让你稳稳地把那一毛钱的优势累积成真金白银。在能无限重复的牌桌上，跟着期望值走，就是最优策略。

可现在换一台机器：投一块钱，99% 的概率吐回两块，1% 的概率——机器爆炸，把你和你全家都炸没了。算期望值，它可能还是正的。你玩吗?当然不玩。因为这台机器只要玩一次爆炸，就没有"下一次"了。你要活的是你自己那一条时间线，而不是一万个平行世界里你的平均命运。 那一万个世界里，99% 的你赚了钱，但只要有 1% 的你被炸没了，对"你本人"来说，这局的真实结果就是灭顶。

这就是整套方法的两层心法：第一层，会算——把模糊的"我觉得能成"逼成清清楚楚的概率和收益，加乘出期望值；第二层，也是更高的一层，懂得什么时候别信这个期望值——先问"这局能不能重复、输了活不活得下来"，如果答案是"只玩一次、输了就出局"，那就把期望值这把尺子收起来，改看最坏情况。 凯利判据给了这层心法一个可执行的下限：无论多有把握，都只押一个分数，绝不押上全部——因为复利是连乘，连乘里只要冒出一个"归零"，之前赚的全部清零。

完整案例

先讲一个真实的（可查证的）。

上世纪九十年代有一家叫"长期资本管理公司"（LTCM）的对冲基金，堪称人类智力的顶配——合伙人里有两位诺贝尔经济学奖得主。他们做的每一笔套利交易，模型都算得极其精确，期望值都是正的，头几年年化回报超过 40%，风光无两。问题出在他们用了极高的杠杆——相当于把每一笔"期望值为正"的赌注都放大了几十倍。1998 年，俄罗斯突然债务违约，一个他们模型里"概率极小、几乎不可能"的极端行情真的发生了。高杠杆意味着这一下小概率巨亏直接击穿了本金，基金在几周内几乎归零，最后要美联储出面牵头救助才没引发系统性崩盘。

这个故事精确地踩在本方法的每一个点上：他们没有算错期望值，他们错在——当一个策略的最坏情况是"归零、出局"时，期望值就不再是该看的东西了。 杠杆就是那只把他们推进"吸收态"的手；凯利判据早就用数学说过"别赌上全部"，LTCM 用一次爆仓做了最贵的反面教材。

再看一个演示怎么用的（示例）。某公司要不要押一个重注新业务，摆出两个方案画成决策树：

• 方案 A（稳健）：成功概率 60%、赚 500 万；失败概率 40%、赔 200 万。期望值 = 0.6×500 + 0.4×(−200) = +220 万。最坏情况赔 200 万，现金扛得住。
• 方案 B（豪赌）：成功概率 50%、赚 2000 万；失败概率 50%、赔 1500 万——而 1500 万是公司账上全部的钱，赔了就破产。期望值 = 0.5×2000 + 0.5×(−1500) = +250 万。最坏情况：破产出局。

光看期望值，B（250 万）比 A（220 万）还高一点，好像该选 B。但这里有两个陷阱：其一，B 的成功率 50% 是怎么来的？团队一开始拍的是 70%，一查同类新业务的历史存活率其实只有四五成，这才老实下调到 50%——这就是用基础率对治过度乐观。其二，也是决定性的：B 有一半的概率触发破产，而这局只玩一次，破产了就没有翻本的下一把。所以正确答案是选 A，不是 B。哪怕你嘴硬把 B 的成功率调回 60%（期望值飙到 610 万），只要那 40% 的失败仍然是破产，结论一个字都不变。这一步就是这套方法的灵魂：不是 B 的期望值算错了，是期望值这把尺子根本不该用在这张"输了就出局"的牌桌上。

常见误解与边界

最大的误解：以为期望值高就该选。 在能重复、输了还能再来的事情上，这话对；但在只玩一次、输了就出局的大决策上，跟着期望值走会把你带进破产。正确的顺序是先过一道闸——"输得起吗？能重复吗？"——过不了的方案直接淘汰，再在活下来的方案里比期望值。

第二个误解：概率靠感觉拍。 决策树最脆弱的不是算术，是那几个概率。人估自己的事永远偏乐观。凡是要填一个概率，默认起点都该是"别人做这类事的历史成功率"，而不是"我觉得"。

第三个误解：被小数骗了，也就是"伪精确"。 你把三个拍脑袋的概率一乘，算出个 63.7%，那多出来的小数看着特别科学，其实是幻觉——输出的精确度不可能超过输入的精确度，垃圾进、垃圾出。破解法：概率只用粗档（一成、三成、五成……），并且永远做一次"敏感性测试"——把每个概率上下拨一拨，看结论翻不翻。一碰就翻的结论，说明你信息根本不够，该回去补功课，而不是信那个小数。

关于 AI 时代：AI 能把这套方法的体力活全包了——跑蒙特卡洛模拟、批量估概率、秒画决策树、做几百组敏感性分析。但两件事它替不了你：一是概率的锚还得人给——AI 不知道你这件事该归到哪一类历史案例里去比，参照类选错，后面算得再花哨也是错的；二是AI 给的精确小数依然是伪精确，别被它一本正经报出来的 63.7% 骗了。真正的杠杆从来不在"算得多准"，而在把"我觉得大概能成"这句含糊话，逼成一个能被别人质疑、能随新信息更新的显式概率——这一步是人和 AI 的分工线，也正是这套方法在 AI 时代不掉价、反而更值钱的原因。

边界：概率决策告诉你"该不该赌、赌多大、输得起输不起"，但它不替你穷举"未来会有哪些结局"（那是情景规划 DC10 的活，它负责生成决策树上的分支），也不告诉你"赌下去之后怎么熬过前期的价值下坠"（那是 J 曲线 DC05 的活）。它是决策链条上"算清赢面与死线"的那一环。

一句话记住它

期望值 = Σ(概率×收益)，它告诉你"重复一万次该怎么选"；但人生的大决策大多只玩一次，"破产"这个格子踩进去就出不来——所以永远先问"输得起吗"，再问"赢面多大"，赢面再大也别玩俄罗斯轮盘赌。