奧卡姆剃刀 (簡單性偏見)

一覽

1. 快速總結

當面對互相競爭嘅解釋時，我哋個腦會好自然咁傾向揀最簡單嗰個——即係需要最少假設或原因嘅解釋。雖然呢種大腦捷徑透過節省認知資源，好多時都幫到我哋，但喺真正複雜、涉及多個因素嘅情況下，佢可能會令我哋行錯路。人類認知入面對簡單嘅偏好根深蒂固，以至於我哋經常會為咗啲好聽但唔完整嘅解釋，而放棄一啲合理但複雜嘅解釋。

2. 背後嘅科學

2.1. 發現與歷史

簡約原則 (Principle of Parsimony)，亦即係奧卡姆剃刀 (Occam's Razor)，係思想史上最經得起時間考驗嘅啟發式法則之一。雖然大家通常將佢歸功於14世紀嘅英國修士奧卡姆嘅威廉 (William of Ockham, 約1287–1347年)，但呢個概念早喺佢出世差唔多兩千年前就已經存在。

亞里士多德 (Aristotle, 公元前384–322年) 提出咗一個早期版本，喺佢嘅《後分析篇》(Posterior Analytics) 寫道：「自然界以盡可能最短嘅方式運作」，將對簡單嘅認識論偏好同對現實嘅本體論主張連繫起嚟。托勒密 (Ptolemy, 約公元90–168年) 都支持類似嘅觀點：「我哋認為用最簡單嘅假設嚟解釋現象係一個好原則。」

中世紀嘅經院哲學傳統將呢啲想法進一步完善。羅伯特·格羅斯泰斯特 (Robert Grosseteste, 約1175–1253年) 表示，當需要較少前提時，科學就係最好嘅。托馬斯·阿奎那 (Thomas Aquinas, 1225–1274年) 寫道：「如果一件事可以充分透過一個途徑做到，用多幾個途徑去做就係多餘嘅。」約翰·鄧斯·司各脫 (John Duns Scotus, 1265–1308年) 將呢個原則確立為神學辯論中嘅標準工具。

有趣嘅係，奧卡姆嘅威廉從來冇寫過嗰句歸功於佢嘅著名拉丁語格言："Entia non sunt multiplicanda praeter necessitatem" (如無必要，勿增實體)。研究員 W.M. Thorburn 追查到呢句精確嘅措辭係出自1639年嘅 John Punch。奧卡姆係用唔同嘅表達方式嚟講出呢個意思："Numquam ponenda est pluralitas sine necessitate" (如果冇必要，絕對唔應該假定多樣性)。

「奧卡姆剃刀」(Occam's Razor) 呢個詞喺1852年首次喺英文中出現，由威廉·咸美頓爵士 (Sir William Hamilton) 創造。法國哲學家孔狄亞克 (Étienne Bonnot de Condillac) 早喺1746年就用過「唯名論者嘅剃刀」(Razor of the Nominalists)。

去到20世紀，呢個原則透過雷·所羅門諾夫 (Ray Solomonoff) 嘅歸納推論理論 (Theory of inductive inference, 1960)、柯爾莫哥洛夫複雜性 (Kolmogorov Complexity) 以及約瑪·里薩寧 (Jorma Rissanen) 嘅最小描述長度原則 (Minimum Description Length principle, 1978) 喺數學上被形式化。加布里埃爾·魯恩伯格 (Gabriel Leuenberger) 喺2025年嘅論文提供咗一個通用嘅數學證明，驗證咗模型選擇中嘅簡約性。

2.2. 關鍵研究人員

2.3. 標誌性研究

因果推理中嘅簡單性偏見 (Lombrozo, 2007)

普林斯頓大學同加州大學柏克萊分校嘅 Tania Lombrozo 進行咗一系列實驗，揭示成年人同細路喺心理上都強烈偏好簡單嘅解釋。喺涉及「外星」生物系統或機械裝置嘅實驗中，參與者一致傾向於單一原因嘅解釋 (例如「疾病A導致症狀X同Y」)，而唔係多重原因嘅解釋 (例如「疾病B導致X，疾病C導致Y」)，就算單一原因喺統計上好罕見，而且概率證據支持複雜嘅解釋，佢哋都係咁揀。

費爾森斯坦區研究 (Felsenstein, 1978)

Joe Felsenstein 證明咗系統發生學中嘅最大簡約法 (Maximum Parsimony) 喺統計上可以係唔一致嘅。當進化速率喺唔同分支之間差異好大時 (一種叫做「長枝吸引」[long-branch attraction] 嘅現象)，隨住數據越嚟越多，簡約法會越嚟越肯定咁得出一個錯嘅進化樹。呢個標誌性發現表明，喺複雜嘅隨機系統中，最簡單嘅解釋 (最少進化步驟) 唔一定係正確嘅。

不可知解釋研究 (Vrantsidis 等, 2025)

呢項研究揭示咗簡單性偏見背後嘅認知機制：人們用「不可知」嘅解釋嚟推理。當評估一個簡單嘅假設時，佢哋會忽略缺乏原因嘅狀態，而唔係明確將佢哋標記為缺乏。呢種「精神上嘅節省」減輕咗認知負荷，但導致系統性錯誤，令人哋忽略相關嘅缺失因素，造成喺醫學、經濟同政策分析中過度簡化嘅推理。

2.4. 神經科學基礎

• 降低認知負荷：大腦對簡單嘅偏好同佢需要節省代謝資源有關。複雜嘅解釋需要同時記住幾個假設，會加重工作記憶嘅負擔。

• 系統1 vs. 系統2 處理：簡單性偏見主要透過系統1 (快速、直覺嘅處理) 運作。系統2 (緩慢、分析性嘅處理) 可以意識到複雜性嘅需要，但好容易被簡單解釋嗰種唔使費力嘅吸引力所推翻。

• 模式識別迴路：大腦有一種尋找規律並將信息壓縮成易於處理嘅區塊嘅傾向，呢個傾向自然有利於較簡單嘅心智模型。

• 前額葉皮層參與：喺唔確定情況下做決定會牽涉到前額葉皮層，佢傾向透過消除替代方案嚟降低複雜性——呢個過程可能會導致過早採納簡單嘅解釋。

3. 進化起源

對簡單解釋嘅偏好可能為我哋嘅祖先帶嚟咗重大嘅生存優勢：

評估威脅嘅速度：當樹叢發出沙沙聲可能代表有捕食者時，嗰啲好快得出「危險動物」結論並採取行動嘅祖先，比嗰啲慢慢思考多種可能原因嘅祖先更容易生存落嚟。

認知效率：大腦消耗人體大約20%嘅能量。減少認知負荷嘅心理捷徑喺代謝上係有利嘅，尤其係喺卡路里短缺嘅時候。

行動導向：簡單嘅解釋會帶出明確嘅行動計劃。「水池乾咗係因為停咗雨」會帶出搬去搵水嘅明確行動，而考慮多種相互作用嘅因素可能會延誤救命嘅決定。

係特色，唔係缺陷：簡單性偏見最好被理解為一種為咗喺速度比精確度更重要嘅環境中生存而優化嘅功能。喺遠古環境中，思考得太耐嘅代價通常大過間中出錯嘅代價。

適應性背景：呢種偏見喺因果結構相對簡單嘅環境中 (捕食者與獵物嘅關係、天氣模式、部落社會動態) 非常適應。但喺涉及複雜系統嘅現代環境中 (全球經濟、醫學上嘅共病、氣候科學、技術故障)，佢就變成一個問題。

4. 呢種偏見嘅表現方式

4.1. 喺日常生活中

• 關係衝突：將伴侶嘅情緒歸咎於單一原因 (「佢因為工作所以嬲」)，而睇唔到有多種促成因素 (壓力、健康、關係動態)。

• 自我診斷：假設攰係因為瞓得唔好，而冇考慮飲食、運動、壓力同潛在醫療狀況嘅相互影響。

• 歸咎責任：當出咗問題，就搵一個罪魁禍首，而唔係認識到系統性嘅失敗。

• 政治觀點：將複雜嘅社會問題簡化為單一原因嘅解釋 (「犯罪係由貧窮引起」或者「犯罪係由價值觀差引起」)，而唔承認多因素嘅現實。

4.2. 喺職場中

• 項目失敗：將失敗嘅計劃歸咎於單一因素 (領導不力、預算不足)，而唔去進行揭示多種互動原因嘅徹底事後檢討。

• 招聘決定：基於單一個突出特徵嚟評估應徵者，而唔係進行全面評估。

• 績效評估：用一個角度 (動機、技能或環境) 嚟解釋員工表現唔好，而睇唔到其中嘅相互作用。

• 策略制定：尋求解決複雜商業挑戰嘅「萬靈丹」(銀彈) 方案。

4.3. 喺商業同市場營銷中

• 品牌定位：公司利用簡單性偏見，提供單一、容易記住嘅品牌承諾 (「Just Do It」)，將複雜嘅價值主張壓縮。

• 產品設計：標榜單一明確好處嘅產品，往往比宣傳多種功能嘅產品賣得更好，即使後者提供更多價值。

• 廣告宣傳：單一因果關係嘅簡單敘事 (「用呢個產品 → 得到呢個結果」) 比有細微差別嘅信息更能引起共鳴。

• 客戶反饋：企業經常執着於對客戶行為嘅簡單解釋，而忽略咗驅動購買決定嘅複雜因素。

4.4. 喺政治同媒體中

• 政治訊息：政客利用簡單性偏見，用簡化嘅口號同單一原因嚟解釋複雜問題 (移民導致失業；監管導致經濟放緩)。

• 媒體報道：新聞機構偏好簡單嘅敘事多過複雜嘅分析，因為佢哋更容易傳達，亦更吸引觀眾。

• 陰謀論：陰謀論嘅吸引力部分在於佢哋為複雜、令人困惑嘅事件提供咗簡單、統一嘅解釋。

• 兩極分化：複雜嘅政策問題被簡化為非黑即白嘅立場，每一方都提供迎合簡單性偏見嘅簡單解釋。

4.5. 喺醫療保健中

• 診斷簡約性：醫學教育傳統上教導「當你聽到馬蹄聲時，諗下馬，而唔好諗斑馬」——尋找一個可以解釋所有症狀嘅單一診斷。

• 希卡姆的現實 (Hickam's Reality)：喺老年醫學同複雜醫學中，病人通常有多種疾病。John Hickam 醫生嘅反原則指出：「病人鍾意患幾多種病都可以。」(A patient can have as many diseases as he damn well pleases.)

• 聖氏三聯症 (Saint's Triad)：食管裂孔疝、膽結石同憩室病同時存在——喺機制上冇關連但經常同時出現——證明咗強行尋找單一解釋可以係錯嘅。

• 過早閉合：醫生可能喺搵到一個合理嘅診斷後就停止調查，從而漏診共病 (comorbidities)。

4.6. 喺金融同投資中

• 市場解釋：財經媒體不斷為市場波動提供簡單嘅解釋 (「股市因通脹擔憂而下跌」)，但其實市場係對無數互動因素做出反應。

• 投資主題：投資者經常建立喺單一因素分析上嘅倉位，而冇考慮影響公司前景嘅複雜生態系統。

• 經濟預測：評論員為經濟現象提供簡單嘅因果模型，但其實呢啲現象係無數互動個體嘅湧現特徵 (emergent properties)。

• 風險評估：將系統建模得太簡單，從而低估咗尾部風險 (tail risks)。

5. 真實世界案例研究

案例研究 1：日心說革命

• 背景： 喺超過一千年嘅時間入面，托勒密嘅地心說宇宙模型統治住天文學。為咗解釋觀察到嘅行星逆行運動，呢個模型需要一個包含均輪 (deferents)、本輪 (epicycles) 同等距點 (equants) 嘅精細系統。

• 發生咩事： 哥白尼 (Nicolaus Copernicus) 提出咗一個將太陽放喺中心嘅日心說模型。雖然一開始喺數學上並冇比較簡單 (哥白尼仍然用本輪)，但喺概念上就簡單咗——逆行運動變成咗地球經過其他行星時一種自然嘅視差效應。

• 偏見嘅作用： 對簡約嘅追求驅使天文學家尋找更簡單嘅解釋。開普勒 (Johannes Kepler) 後來應用咗剃刀原則，將圓形軌道換成橢圓形，大幅減少咗數學上嘅複雜性。

• 後果： 日心說模型最終引伸出牛頓嘅萬有引力統一理論——科學史上最偉大嘅簡約成就之一。

• 經驗教訓： 簡單性偏見喺嚴格應用並經得起證據測試時，可以推動科學進步。不過，呢個過渡期花咗成個世紀，顯示咗複雜嘅解釋可以變得幾咁根深蒂固。

案例研究 2：醫療誤診

• 背景： 一名病人出現心臟衰竭症狀、腎臟問題同神智不清。醫學訓練強調要搵出一個統一嘅診斷。

• 發生咩事： 遵循奧卡姆剃刀，醫生尋找一個可以解釋所有症狀嘅單一綜合症。諮詢咗多位專科醫生，測試咗各種罕見疾病，導致治療被延誤。

• 偏見嘅作用： 對診斷簡約性嘅追求導致醫生將重點錨定喺單一原因嘅解釋上，即使有證據顯示可能有多種疾病。

• 後果： 呢位病人其實患有三種不同嘅常見疾病：高血壓引起嘅心臟衰竭、糖尿病腎病同早期認知障礙症。尋求統一診斷延誤咗適當嘅多管齊下治療。

• 經驗教訓： 對於複雜嘅病人，特別係長者同免疫力低嘅人，希卡姆格言 (Hickam's Dictum) 應該凌駕於奧卡姆剃刀之上。患有多種常見疾病通常比患有一種罕見嘅統一疾病更有可能。

歷史例子：以太 vs. 相對論

喺19世紀末，物理學家假設咗「發光以太」(luminiferous aether) 作為光波傳播嘅介質。當邁克生-莫立實驗 (Michelson-Morley experiment) 探測唔到呢種以太時，勞侖茲 (H.A. Lorentz) 發展出複雜嘅轉換方程式嚟解釋點解佢探測唔到。

愛因斯坦 (Albert Einstein) 應用咗奧卡姆剃刀，意識到如果以太探測唔到，咁佢就係多餘嘅。佢嘅狹義相對論從兩個簡單嘅假設推導出相同嘅數學結果——完全唔需要引入無法觀察嘅以太。呢個成為咗本體論簡約 (ontological parsimony) 嘅典範例子：消除無法探測嘅實體，創造出更穩健嘅理論。

呢個案例表明，簡單性偏見如果適當地結合嚴格嘅測試應用，可以為科學理解帶嚟革命。愛因斯坦唔單止喺審美上偏好簡單——佢仲意識到無法探測嘅實體唔會增加任何解釋力。

6. 呢種偏見嘅代價

6.1. 個人代價

• 誤解關係：將關係問題歸咎於單一原因，會阻礙解決人際關係動態嘅全部複雜性。

• 健康管理不善：為健康問題尋求簡單嘅解釋，可能會延遲發現複雜、相互影響嘅疾病。

• 自我理解：將自己嘅行為簡化為單一動機，會妨礙真正嘅自我認識同個人成長。

• 習得性無助：當簡單嘅解決方案無效時，人哋可能會放棄，而唔去認識到需要多方面嘅方法。

6.2. 職業代價

• 策略失敗：過度簡化問題診斷嘅組織，會實施唔完整嘅解決方案。

• 調查中嘅隧道視覺：執着於最簡單嫌疑人嘅刑事調查員，可能會導致冤案，同時令真正嘅罪犯逍遙法外。

• 科學死胡同：執着於簡單理論嘅研究人員，可能會忽視指向必要複雜性嘅數據。

• 事業停滯：將職業挑戰簡化為單一原因，會阻礙全面技能嘅發展。

6.3. 社會代價

• 政策失敗：用簡單嘅解決方案嚟處理複雜嘅社會問題 (貧窮、犯罪、教育)，效果通常好差。

• 冤案：無辜者計劃 (Innocence Project) 記錄咗受簡單性驅動嘅「隧道視覺」導致無辜者入獄嘅案例。

• 經濟危機：金融系統崩潰往往源於過度簡化複雜相互依賴關係嘅模型。

• 公共衞生：當複雜嘅傳播動態被簡化為簡單嘅干預措施時，應對大流行病嘅措施就會受挫。

6.4. 統計影響

• 系統發生學錯誤：Felsenstein 1978年嘅研究證明，簡約方法可以變得喺統計上唔一致，喺某些情況下，數據越多反而越傾向得出錯誤嘅答案。

• 診斷準確性：老年醫學嘅研究表明，假設單一診斷會導致大量漏診共病 (comorbidities) 嘅情況。

• 機器學習：研究顯示，當潛在函數真正複雜時，神經網絡嘅「簡單性偏見」可能會阻止佢學到正確嘅解決方案。

7. 隱藏嘅好處

並非所有簡單性偏見嘅方面都係負面嘅——呢種偏好之所以進化出嚟，係因為佢通常對我哋有用

• 認知效率：簡單嘅心智模型可以釋放認知資源去處理其他任務。我哋冇可能用全部嘅複雜性去調查每一個現象。

• 溝通：簡單嘅解釋更容易溝通、教導同記憶。佢哋係出於實際目的嘅有用近似值。

• 科學進步：對簡約嘅追求推動咗科學界一啲最偉大嘅進步——從哥白尼到愛因斯坦。正如牛頓所寫：「自然界喜歡簡單，唔鍾意多餘原因嘅浮誇。」

• 統計有效性：貝葉斯推斷 (Bayesian inference) 認為，較簡單嘅理論具有較高嘅先驗概率，因為佢哋比較唔「脆弱」——需要滿足更少嘅特定條件先可以成立。

• 防止過度擬合 (Overfitting)：喺統計學同機器學習中，最小描述長度 (Minimum Description Length) 原則顯示，簡約性可以防止過度擬合噪音而唔係信號。

• 2025年嘅數學證明：Gabriel Leuenberger 嘅證明顯示，如果所有可能嘅模型對預測進行「投票」，結果會向最簡單嘅模型收斂——表明簡單性偏見喺預測方面可能係數學上最優嘅。

8. 自我評估：你有冇呢種偏見？

8.1. 警號清單

• 你經常發現自己被嗰啲令人覺得好滿足嘅「優雅」解釋所吸引
• 當問題發生時，你好快就會認定一個單一原因
• 你對複雜或者多因素嘅解釋覺得唔耐煩
• 你經常講「歸根究底都係因為...」或者「真正嘅原因係...」
• 當你嘅簡單解決方案行唔通時，你會試另一個簡單解決方案，而唔係考慮複雜性
• 你將複雜嘅解釋當作係「想得太多」
• 你覺得同時記住多個可能嘅解釋會好唔舒服
• 你鍾意提供清晰、簡單敘事嘅新聞來源
• 你傾向將其他人嘅行為歸因於單一個性格特徵
• 當獲得新信息時，你好少會重新審視自己最初嘅解釋

評分：

• 剔咗 0-2 個：易受影響程度低
• 剔咗 3-5 個：易受影響程度中等
• 剔咗 6-8 個：易受影響程度高
• 剔咗 9-10 個：易受影響程度極高

8.2. 自我反思問題

1. 諗下最近一個你好快就診斷出嚟嘅問題。你拒絕咗咩替代解釋，點解？

2. 你有冇試過因為解釋得太簡單而犯錯？一個更完整嘅解釋會係點樣？

3. 當有人提出一個比你更複雜嘅解釋時，你通常會有咩反應？

4. 喺邊啲領域 (健康、關係、工作、政治)，你最容易尋求簡單嘅解釋？

5. 有冇人同你講過你將事情睇得太簡單？你當時點樣回應？

8.3. 快速診斷情景

情景： 公司有個項目失敗咗。初步調查顯示項目經理做咗幾個錯誤嘅決定。有位同事提議，我哋仲應該審視下組織文化、資源限制同溝通系統等可能造成影響嘅因素。

你會點回應？

• A) 「我哋唔好將件事複雜化——項目經理明顯失職。我哋要處理呢個問責問題。」 → 易受影響程度高
• B) 「項目經理嘅決定固然重要，但我估我哋都可以簡單睇下其他因素。」 → 易受影響程度中等
• C) 「你講得有道理。項目失敗通常有多個原因。喺追究責任或者實施解決方案之前，我哋先將所有促成因素列出嚟。」 → 易受影響程度低

9. 點樣識別其他人嘅呢種偏見

9.1. 行為指標

• 喺面對複雜情況時，好快就得出結論
• 當引入複雜性時，表現出沮喪或不屑一顧
• 使用簡化嘅語言 (「其實都只不過係關於X」)
• 抗拒嗰啲會令佢哋目前嘅解釋變得複雜嘅信息
• 重複嘗試唔同嘅簡單解決方案，而唔係重新思考問題

9.2. 對話中嘅危險信號

人哋受呢種偏見影響時會講嘅說話：

• 「歸根究底都只係一件事...」
• 「真正嘅原因好簡單...」
• 「你將件事搞得太複雜喇。」
• 「只要我哋解決X，其他嘢就會迎刃而解。」
• 「唔好諗得太多啦。」

佢哋提出嘅論點類型：

• 喺冇調查嘅情況下，將其他因素當作「噪音」而不予理會
• 將時間上嘅巧合當作單一因果關係嘅證據

佢哋避免問嘅問題：

• 「仲有咩其他因素可能牽涉在內？」
• 「呢啲原因之間會點樣互相影響？」

9.3. 觸發情景

• 時間壓力：死線會迫使人哋傾向快速、簡單嘅結論
• 認知負荷：當精神疲憊時，人哋會更依賴簡單嘅心理捷徑
• 情緒壓力：焦慮會增加清晰、簡單解釋嘅吸引力
• 社會壓力：群體環境中，簡單嘅解釋好容易形成共識嘅動力
• 陌生領域：當面對陌生環境時，人哋會去捉緊簡單嘅框架

10. 認知去偏見策略

10.1. 即時技巧

• 「仲有咩？」法則 (The "What Else?" Rule)：喺得出初步解釋後，逼自己問「仲有咩可能牽涉在內？」最少三次。

• 查頓檢查 (Chatton's Check)：引用 Walter Chatton 嘅反剃刀原則：「如果三件事唔足以驗證一個命題，就要加入第四件。」問下自己，你嘅解釋係咪足夠，而唔單止係簡單。

• 希卡姆停頓 (The Hickam Pause)：喺接受單一解釋之前，問下：「呢個情況有冇可能有多個獨立原因？」

• 概率校準：問下自己：「呢個真係最有可能嘅解釋，定只係喺認知上最舒服嘅解釋？」

10.2. 長期策略

• 練習容忍複雜性：刻意接觸系統生物學、氣候科學或經濟學等領域中複雜嘅解釋，培養對多因素思考嘅適應能力。

• 學習系統思考：學習一啲框架，用嚟理解多個因素喺複雜系統中係點樣互相作用。

• 寫「複雜性日記」：記錄一啲簡單解釋令你失敗嘅例子，以及更完整嘅全貌係點樣。

• 培養知識上嘅謙遜：認識到宇宙嘅實際複雜性，通常遠超我哋嘅認知模型。

10.3. 環境設計

• 結構化決策流程：實施清單，要求喺得出結論前要考慮多個原因。

• 多元化嘅顧問意見：喺身邊安排一啲諗法唔同、會挑戰過度簡化嘅人。

• 魔鬼代言人角色：喺團隊環境中，指派某人去為增加複雜性進行辯護。

• 決策日誌：記錄你嘅解釋，並重新審視佢哋，睇下有冇忽略咗複雜性。

10.4. 幾時要尋求外界意見

• 當風險好高時 (醫療決定、重大投資、刑事調查)
• 當你初步嘅簡單解釋「感覺太好」時
• 當你多次嘗試簡單解決方案都冇用時
• 當處理已知好複雜嘅系統時 (健康、組織、市場)
• 當有相關專業知識嘅人提出額外因素時

11. 實踐練習

練習 1：因果映射 (Causal Mapping)

• 目標： 培養將多個互動原因視覺化嘅能力
• 所需時間： 20分鐘
• 所需材料： 紙、顏色筆或數碼思維導圖工具
• 難度： 初級
• 指示：
  1. 揀一個最近你歸咎於簡單原因嘅問題或結果
  2. 將嗰個原因寫喺頁面中央
  3. 喺周圍畫出最少五個其他潛在嘅促成因素
  4. 畫箭咀顯示呢啲因素之間可能點樣互相影響
  5. 找出邊啲聯繫係你之前忽略咗嘅
• 反思問題：
  • 更完整嘅圖畫點樣改變你嘅理解？
  • 你最初忽略咗邊啲因素？點解？
  • 多因素嘅方法會點樣改變你嘅應對方式？
• 頻率： 每週一次，特別係喺發生重大事件之後

練習 2：歷史重新分析

• 目標： 識別既定敘事中嘅簡單性偏見
• 所需時間： 30分鐘
• 所需材料： 歷史記載或新聞檔案
• 難度： 中級
• 指示：
  1. 揀一個通常由單一原因解釋嘅歷史事件 (例如戰爭、經濟崩潰或革命)
  2. 尋找最少五個額外嘅促成因素
  3. 寫一段分析呢件事件嘅複雜解釋
  4. 比較簡單同複雜解釋所帶嚟嘅情感滿足感
  5. 反思點解簡單嘅敘事會主導歷史記憶
• 反思問題：
  • 點解簡單嘅歷史敘事會持續存在？
  • 當我哋過度簡化歷史時，我哋會失去咩？
  • 呢種模式可能會點樣影響你對時事嘅理解？
• 頻率： 每月一次

練習 3：事前驗屍分析 (Pre-Mortem Analysis)

• 目標： 預先識別多種失敗模式
• 所需時間： 15分鐘
• 所需材料： 紙或電子文件
• 難度： 高級
• 指示：
  1. 喺開始一個項目或做決定之前，想像佢已經失敗咗
  2. 諗出最少七個佢可能失敗嘅唔同原因
  3. 針對每個原因，指出會出現咩警號
  4. 為三個最有可能嘅失敗模式制定緩解策略
  5. 忍住唔好只專注喺一個「最有可能」嘅失敗上
• 反思問題：
  • 邊啲失敗模式係你最初忽略咗嘅？
  • 呢樣嘢點樣改變你處理項目嘅方法？
  • 咩監控有助於及早發現多種失敗模式？
• 頻率： 喺任何重大項目或決定之前

每日練習

三個原因法則：對於你遇到嘅任何問題或事件，喺確定解釋之前，逼自己最少搵出三個潛在嘅促成原因。將佢哋寫低。即使你結論認為其中一個係主因，呢個練習都可以培養容忍複雜性嘅習慣。

• 建議時間：5分鐘
• 最佳時間：晚間反思
• 點樣記錄進度：記低一本簡單嘅日誌，記錄你係咪成功搵出多個原因

每週挑戰

複雜性深入探討：揀一個你持有強烈、簡單觀點嘅主題。花30分鐘研究一啲引入複雜性或額外因素嘅觀點。寫一篇結合呢種複雜性嘅總結。

• 4個星期後嘅預期結果：對模糊性更加適應，觀點更細微，能識別媒體中嘅過度簡化
• 反思嘅日記提示：
  • 增加咗複雜性之後，我嘅理解有咩改變？
  • 係咩令我最初抗拒呢種複雜性？
  • 喺我未經審視嘅類似觀點中，我有咩可能出錯嘅地方？

12. 畀特定對象嘅建議

畀領導者同管理者

• 組織診斷：拒絕對團隊失敗做單一原因嘅解釋。實施事後檢討，系統地審查多個因素：領導力、資源、溝通、培訓、外部壓力同系統。

• 策略制定：小心解決複雜組織挑戰嘅「銀彈」(萬靈丹) 方案。建立同時兼顧多個方面嘅策略。

• 決策流程：實施結構化嘅決策流程，要求喺得出結論前要記錄多個假設。

• 建立文化：為團隊成員創造心理安全感，令佢哋可以講「事情比想像中複雜」，而唔會被當成故意阻撓。

畀家長同教育工作者

• 教導複雜性：幫小朋友明白大多數事件都有多個原因。當討論點解一件事會發生時，探討幾個因素，而唔係只畀單一解釋。

• 適合年齡嘅框架：對於年紀細嘅細路：「可能有多過一個原因。」對於年紀大啲嘅細路：引入互相作用原因嘅概念。

• 示範細微差別：當小朋友提出簡單解釋時，肯定佢哋，同時溫和咁引入額外因素：「呢個係其中一個原因——仲有咩可能會有影響呢？」

• 歷史同科學教育：教導歷史事件同科學現象通常有多種相互作用嘅原因，而唔係教科書上寫得咁簡單。

畀醫療保健專業人員

• 老年醫學：對於65歲以上嘅病人，預設使用希卡姆格言。多種常見疾病比單一罕見綜合症更有可能。

• 診斷方案：實施清單，要求喺結束調查前，必須明確考慮共病情況。

• 同病人溝通：幫病人明白佢哋嘅症狀可能有多個促成因素，為治療設定適當嘅期望。

• 醫學教育：將傳統嘅診斷簡約性教學同何時應該預期複雜性嘅明確指導平衡一下。

畀金融專業人士

• 市場分析：忍住唔好將市場波動歸咎於單一因素。建立包含多個互動變數嘅模型。

• 客戶溝通：幫客戶明白投資結果取決於好多因素，對預測同控制設定實際嘅期望。

• 風險評估：將風險視為由多個互動來源產生，而唔係單一故障點。

• 盡職調查：當評估投資時，系統地檢查多個潛在嘅失敗模式，而唔係淨係專注喺主要擔憂上。

13. 同其他偏見嘅相互作用

放大呢種偏見嘅偏見

抵消呢種偏見嘅偏見

常見偏見鏈

簡單性偏見 → 確認偏見 → 過度自信 → 行動失敗

例子：你將問題簡單咁診斷 (簡單性偏見) → 你去搵支持呢個診斷嘅證據 (確認偏見) → 你嘅自信心增加 (過度自信) → 你嘅簡單解決方案失敗，因為個問題其實涉及多個因素。

打斷呢個連鎖反應 嘅方法：強制要求喺採取任何干預措施之前，要考慮替代解釋，並實施反饋機制，去揭示簡單解決方案幾時會失敗。

14. 文化視角

簡單性偏見喺唔同文化都有體現，不過表現方式唔同：

• 西方科學文化：強烈推崇簡約為一種科學美德，可以追溯到奧卡姆、牛頓，再到現代物理學。「優雅」嘅理論會受到讚揚。

• 印度哲學傳統：正理論-勝論 (Nyaya-Vaisheshika) 邏輯學派將 Laghava (輕盈/簡約) 視為一種美德，與作為缺點嘅 Gaurava (沉重/複雜) 形成對比。不過，彌曼差 (Mimamsa) 學派就用另一種方式使用呢個原則——引用簡約原則去反對上帝嘅存在，提出一種叫 Apurva 嘅非位格力量嚟代替。

• 系統文化：一啲傳統強調互相關連多過還原論。例如，傳統中醫就傾向整體、多因果嘅解釋。

15. 迷思與誤解

16. 專家見解

「自然界喜歡簡單，唔鍾意多餘原因嘅浮誇。」 — 牛頓 (Isaac Newton), 《自然哲學的數學原理》 (Principia Mathematica), 1687年

「如果三件事唔足以驗證一個關於事物嘅肯定命題，就要加入第四件，如此類推。」 — 沃爾特·查頓 (Walter Chatton), 《充足原則》 (Principle of Sufficiency), 約1323年

「病人鍾意患幾多種病都可以。」 — 約翰·希卡姆醫生 (Dr. John Hickam), 杜克大學, 約1950年

「我哋認為用最簡單嘅假設嚟解釋現象係一個好原則。」 — 托勒密 (Ptolemy), 約公元150年

「對簡單嘅偏見唔單止係一種審美選擇或者歷史習慣，亦係喺可計算宇宙中保證預測準確性嘅數學必需品。」 — 加布里埃爾·魯恩伯格 (Gabriel Leuenberger), 《奧卡姆剃刀的通用數學證明》 (General Mathematical Proof of Occam's Razor), 2025年

17. 關鍵要點

1. 普遍但唔係絕對：簡單性偏見深植喺人類認知中，發揮住重要作用，但喺真正複雜嘅情況下，佢可能會令我哋嚴重偏離正軌。

2. 節省 vs. 充足：奧卡姆 (簡單) 同查頓 (充足) 之間嘅歷史張力仍然適用。良好嘅推理需要平衡兩者。

3. 領域好重要：簡單性偏見喺物理學中好有效，但喺醫學、生物學同社會系統等通常有多個互動原因嘅領域中就表現好差。

4. 數學基礎：現代信息論為簡約性提供咗嚴格嘅基礎，但同時亦揭示咗佢嘅局限性 (例如 Felsenstein 嘅不一致性結果)。

5. 希卡姆嘅世界：喺複雜嘅領域中，特別係涉及人類健康同行為時，預設預期有多個原因，而唔係尋求單一解釋。

6. 去偏見係有可能嘅：透過刻意練習同結構化嘅決策流程，可以喺適當嘅時候抵消簡單性偏見。

7. 剃刀係雙刃劍：雖然佢可以消除唔必要嘅複雜性，但如果錯用簡約原則，就會消除咗必要嘅複雜性——使用呢把剃刀時必須有智慧。

18. 進一步資源

學術論文

• Solomonoff, R. (1960). A preliminary report on a general theory of inductive inference. Report V-131, Zator Co.
• Felsenstein, J. (1978). Cases in which parsimony or compatibility methods will be positively misleading. Systematic Zoology, 27(4), 401-410.
• Lombrozo, T. (2007). Simplicity and probability in causal explanation. Cognitive Psychology, 55(3), 232-257.
• Rissanen, J. (1978). Modeling by shortest data description. Automatica, 14(5), 465-471.
• Leuenberger, G. (2025). General mathematical proof of Occam's Razor. arXiv preprint.

書籍

• Sober, E. (2015). Ockham's Razors: A User's Manual. Cambridge University Press.
• Grünwald, P. (2007). The Minimum Description Length Principle. MIT Press.
• Thorburn, W.M. (1918). "The Myth of Occam's Razor." Mind, 27(107), 345-353.

書籍章節

• Quine, W.V.O. (1966). On simple theories of a complex world. 收錄於 The Ways of Paradox and Other Essays (頁 103-109). Harvard University Press.

19. 總結卡

適合列印或快速參考嘅一頁視覺總結

20. 術語表

21. 討論問題

適合讀書會、課堂或自我反思：

1. 喺你生活嘅邊啲方面，你有冇試過因為為複雜情況尋求簡單解釋而犯錯？嗰次經驗教曉咗你啲咩？

2. 你點樣平衡對簡單心智模型嘅實際需求，同埋真相往往好複雜呢個現實？

3. 傳媒經常為複雜事件提供簡單嘅解釋。消費者應該點樣應對呢個情況？記者又有咩責任？

4. 科學中嘅簡單性偏見 (通常會帶嚟突破) 同日常生活遇到嘅 (可能會帶嚟更多問題) 有冇分別？

5. 組織同機構應該點樣重新設計，以更好咁應對嗰啲因為簡單性偏見而俾我哋忽略咗嘅複雜性？