从卡尼曼到东浩纪，从《噪声》到《弱关联》

摘要：肯定有不少小伙伴要疑惑，大象怎么把看似没有什么大关联的两个作者和两本书凑一起聊的了。主要是因为大象最近收到这本《弱关联：在旅行中探寻检索词》，阅读过程中蛮受启发的，然后想起了卡尼曼的《噪声：人类决策的缺陷》。

肯定有不少小伙伴要疑惑，大象怎么把看似没有什么大关联的两个作者和两本书凑一起聊的了。主要是因为大象最近收到这本《弱关联：在旅行中探寻检索词》，阅读过程中蛮受启发的，然后想起了卡尼曼的《噪声：人类决策的缺陷》。

《噪声：人类决策的缺陷》的重点在于怎么面对事件以外的影响——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。

卡尼曼系统性地指出：噪声，才是影响人类判断的黑洞。“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。

而在东浩纪的《弱关联：在旅行中探寻检索词》则提出我们需要足够的噪音，甚至需要在一些时候人为增加噪音。需要注意的是《弱关联》里面的翻译使用的是“噪音”，和上面提到的“噪声”是一个词。在书中，东浩纪提到互联网是固化圈层的工具，不断发展着消除噪音的技术，让我们去按照技术商提供的方式来活着——比如在搜索的时候自动联想的词汇或者话题。

虽然我们自以为在自由地检索，但实际上所有检索都是在Google取舍选择后的框架内进行的。只要接触了网络，你就只能在他人所规定的世界里思考。世界正在朝这个方向发展。

其实换一种角度来思考，网络上的这种貌似“消噪”的行为其实也是在用用户增加“噪声”或者“噪音”，目的就在于影响用户的决策架构，这个和卡尼曼的噪声论其实并不冲突。而《弱关联》是一本在2013出版的书，关于增加噪音的思维可以说是非常具有前瞻性——2017年OpenAI实验室最新发现频繁地给增强学习算法中的参数增加自适应噪声后，能得到更好的结果。这种方法实现简单，基本上不会导致结果变差，值得在任何问题上尝试。

2022年《NoisyTune: A Little Noise Can Help You Finetune Pretrained Language Models Better》一文更是通过实验的方式证实在AI训练中加入少量噪音，提高下游微调效果。我们可以看到哪怕是在人工智能领域，消噪的环境其实本身就是一种“噪声”环境，对于提升有害而无益。

相较于卡尼曼的心理学和经济学模型破解噪声之困，东浩纪更重视简单的“弱关联”——不要把自己当“当事人”，而是当一个“观光客”，书的核心在于“我相信，正是观光客的视角，在一定程度上压制了当事人毫无意义的斗争。”