为什么知道的越多，反而错的越多？

信息越多，决策越好？直觉未必。在信息爆炸、AI 一键给出海量答案的今天，一个反直觉的现象反复出现：知道得越多，反而越容易判断失误。

少即是多

「少即是多」（less is more）最早出现在英国诗人罗伯特·布朗宁 1855 年的诗歌里，之后被著名德国建筑设计师路德维希·密斯·凡德罗引用，成为一种设计风格。到了当代，德国柏林马普所人类发展研究中心主任、芝加哥大学心理学系前教授格尔德·吉仁泽把少即是多发展为一种科学理论。

吉仁泽认为，现实世界中存在两种不同的情境，适用两种不同的策略。

第一种情境不确定性程度低，历史数据多，可选方案少，此时，可以采用复杂模型来计算概率，用理性思维找到最优的策略。简单问题，精准计算，这是复杂模型。比如说你有一笔钱，当前到底是该买电动车还是燃油车，算一下就有清晰结论。

第二种情境不确定性程度高，可选方案多，历史数据少，此时，建议采用简单逻辑来做判断，用经验法可以找出满意的答案。复杂问题粗略估算，就是简单法则。比如说你有一笔钱，到底是该投资电动车企业，还是投资燃油车企业，就不好计算了，也不会有很清晰的答案。

在《风险和好的决策》中，吉仁泽说，复杂方法适合解释过去，简单法则更适合预测未来。

他还用股票市场为例：诺贝尔经济学奖得主的理想化复杂模型——马科维茨模型，需要以 500 年的数据做基础，才能战胜简单的 1/N 策略（把资金分散到不同股票上）。

通常，方法越复杂，需要估算的变量越多，误差就越大。在一个充满不确定性的世界里，复杂模型考虑了太多细节，而且很多都是无关信息，所以很容易预测失败。相反，多数情况下，简单法则的速度更快，所需信息更少，也更精确。很多时候，简单启发式（直觉）能让我们在无知状态下找到满意答案。

适度无知

面对这种人们知道不多却做得不错的现象，吉仁泽精准地发现了其中的规律：当再认效度大于知识效度时，少即是多现象就会发生。

另一种更合理的推测是，掌握所有事物的皮毛知识，也许不如掌握部分事物的精深知识管用。似乎有那么一个临界点，超越它以后，过多的信息和信息加工有害而无益。换句话说，一定程度的无知是有益的，吉仁泽称之为适度的无知。

小白们凭借适度的无知，可以做出不错的判断。那专家呢？专家们凭借经验和直觉，会快速锁定问题的主要原因，并忽略其他原因，他们也是少即是多效应的受益者。专家还擅长复杂计算，不过一般都是用来做证明题。他们先靠直觉快速压缩探索空间，然后试错纠错，迭代优化，找到答案后再用专业知识进行合理化解释。不能说能解决所有问题，但足以解决多数问题。

最惨的是夹在小白和专家之间的这些人，半桶水效应明显。若用启发式的直觉估算，他们懂得太多，脑子里跳出来的答案有多个，不好选，易选错；若用复杂模型的精准计算，他们掌握得又太少，脑子里计算时总是缺点什么，所以两头搭不上，两头也都比不过。

少即是多效应和中间者效应听起来非常反智，挑战常识。尤其在这个信息过载、AI 检索随手可得的时代，「知道得多反而错得多」更让人难以接受。如果笨蛋可以不劳而获，那么何必努力付出去做一个聪明人？面对窘境，知识分子们采取了两种策略。

两种反击与积极的错误文化

一是打补丁。认知科学家基思·斯坦诺维奇指出，少即是多效应的前提是「良性环境」，即环境中包含可被启发式利用的线索，且无人能识别并利用这些线索，去剥削依赖启发式的人。

换句话说，启发式只是一套公式，若输入有误，就会「垃圾进垃圾出」。考虑到现实世界是个「恶性环境」，充斥着人为操控的线索，如基于大数据分析的各类个性化图文广告投放，我们的确要对启发式给出的答案保持质疑。

二是举反例。诺贝尔经济学奖得主丹尼尔·卡尼曼通过操控线索，成功找到启发式算法导致非理性行为的证据。吉仁泽的一些同僚也挑战和批评他的研究，认为他的观点论据不足。研究不确定性问题的纳西姆·塔勒布旗帜鲜明地支持吉仁泽，认为卡尼曼等人都不懂统计概率，严重混淆了集合概率和时间概率，误读人们的合理选择，影响人们实现遍历性。

吉仁泽自认为是在推进启发法革命，我觉得他更像是在重新表述达·芬奇的观点：经验是一切可靠知识的母亲。经验是没有错误的；犯错误的只是我们的判断，它会让经验去办超出能力范围的事情。

美国心理学家和哲学家威廉·詹姆斯认为，世界由经验组成，真思想是有用的。少即是多正是一种有用的思想。未来，少即是多作为一种科学理论，或许会被证伪。但是，作为一种技术方法，它很实用，非常符合我们对决策的审美标准。

在信息充分且真实的良性环境中，简单法则表现往往不比复杂算法差。吉仁泽的研究结论是，快速节俭决策能够像使用全部可用信息和精心计算的策略一样准确，因为多数问题都比较简单，再认启发式都能有很好的表现。在信息缺乏和存疑的恶性环境中，简单法则的表现往往比复杂算法好。因为前者可用很少信息算出满意答案，后者则需要大量信息才能发挥作用。

最后，也是最关键的是，启发式仅牺牲少量准确性便可节省大量计算成本。平均而言，省下的决策时间，其重要性将超过质量上的损失。显然，启发式可以较低成本实现快速试错和迭代，多次启发式计算终将超越一次复杂算法计算。

因此，吉仁泽倡导积极的错误文化，鼓励人们试错、容错、纠错。一次不行，多来几次。在这个信息过载、答案随手可得的时代，或许最该学会的，反倒是「少知道一点，多试几次」，放弃完美，追求卓越。

本文来自微信公众号“开智学堂”（ID：openmindclub），作者：开智学堂，36氪经授权发布。

发布时间：2026-07-27 11:03

• 上一篇:

  越跌越卷，中国电视市场的“马太效应”才刚开始

• 下一篇:

  抖省省正在悄悄“偷家”