投资与创业：你是信故事，还是看数据？

AI 时代创业哲学 · 19

在创业投资的世界里，人每天都要做判断：这个客户跟不跟，这个项目投不投，这一笔仓位加不加。难题通常不在信息多寡，而在分清哪些是先验，哪些是证据。先验是你的起点假设与基准，是对世界常态的认识；证据是能推动假设更新的可检验数据。把两者混淆，情绪就会替代理性，短期波动会被误读成结构变化。

以寒武纪为例。它以"AI芯片第一股"的姿态亮相，故事强烈，"国产替代""下一个英伟达"迅速点燃情绪。这些话语能造势，却难以直接定价。与之相对的强信号一直存在：财报持续亏损，对政府订单的高度依赖，与国际巨头在技术和生态上的差距。很多人在那一刻把故事当成证据，把波动当成趋势，最终在高位接盘。如果你只是想搏波段，那只是交易，甚至是赌博；如果是谈投资，就必须让数据而非故事和情绪主导仓位。

创业里也是同一道理。社区生鲜热潮时，"首单免运费"常常带来订单飙升和看似漂亮的次日留存，许多团队据此认定"模式跑通"，很快融资扩张。可问题在于，这些曲线大多是补贴制造的幻象。如果一开始就把先验写清楚：在没有补贴时，用户是否愿为高价生鲜支付运费，价格与运费的弹性大致位于什么区间？结论就不会下得那么快。资金退潮、补贴退场之后，数据泡沫便会泄气，企业也暴露在真实需求之下。

贝叶斯视角：如何更新信念

把"看数据"落实到算术，离不开托马斯·贝叶斯。他是英国长老会牧师与早期概率学者，最早提出了贝叶斯公式。这个公式只描述了一件事：当你拿到新证据时，如何理性地修正自己的信念。

贝叶斯公式很短，其中P(A|B)被称为后验概率，是在B发生的情况下，A发生的概率。P(A)是先验概率。是A发生的原始概率，代表我们最初的信念。P(B|A)是似然函数，表示在A发生的情况下，B发生的概率。最后P(B)是证据的概率，及B发生的概率，一般是个标准常量。

对这个公式的直觉解释是：你带着先验信念，用证据分别检验"发生事件A"和"不发生事件A"的合理性，哪个更合理，哪个的权重就被推高，得到更新后的后验概率P(A∣B)。用前面两个例子来解释贝叶斯公式，就就不抽象了。

假设你是一位二级市场投资者，正在评估寒武纪(688256)的投资价值。设A是"寒武纪未来一年股价上涨"，B是"获得一份规模可观的政府AI算力中心订单"。如果你的先验是P(A)=0.2，认为"上涨的世界里更容易拿到此类订单"，给出P(B∣A)=0.8；而"总体上任何公司拿到此类订单的概率"大约P(B)=0.25，代入可得：

新证据把你的信念从20%推到64%。它值得小幅加仓，但远不到"方向性把握"。若随后连续两个季度业绩显著不及预期，便形成反向证据，用同一公式更新，后验会被拉回，此时应收缩暴露，而不是以"战略性亏损"之类的故事覆盖掉数据。

再看一个创业公司的例子。假设你是一家创业公司的CEO，正在考虑是否开发一款新产品。设A="新产品能成功"，B="市场调研显示80%的目标客户愿意购买"。如果先验P(A)=0.3，你判断"在成功的世界里更容易出现这种调研结果"，给出P(B∣A)=0.9；而类似"80%意愿"的调研总体发生概率P(B)=0.5，那么，

P(A∣B) = P(B|A)*P(A)/P(B) = 0.9*0.3/0.5 = 0.54

信念从30%升至54%，意味着"有希望"，应扩大试验范围继续取样，而不是立刻全量上线。之后若在更大样本、跨渠道复现，新的证据会进一步抬升后验；若复现失败，后验会下降，你就应及时止损。

我们为什么不愿意更新信念？

现实的难题不在公式，而在人性。人们常表现出"贝叶斯非理性"，当证据不利于原判断时，很多人并不更新P(A)→P(A∣B)，而是临时添加新假设来保护旧立场。这种行为源于心理学中的确认偏差，即我们只愿意接受支持自己信念的信息，而忽略或贬低相反的证据，以此来维护最初的判断。

狂热的投资者坚信寒武纪是AI芯片领域的领导者，并给予其90%的成功先验概率。当好消息出现，他会立即用贝叶斯公式将信念更新至近100%，认为"寒武纪必将成功"。当听到坏消息，按理应降低信念时，他会增加新的"先验"或假设来合理化这个坏消息，比如辩称"这是战略性亏损"或"行业周期影响"，创造新的信念来解释矛盾。这会演变为"越跌越补"来证明当初没看错。

创业公司CEO同样容易陷入信念固执。当他坚信新产品是革命性的，且拥有80%甚至更高的成功信心时，任何来自市场调研的好消息都会被放大，并促使他立即增加投资。

他会忽视那些不感兴趣的客户，甚至将其归咎于客户"不懂"。面对负面调研结果或强大的竞争对手，他本应降低信念，却常常选择为负面数据寻找外部借口，比如指责"调研数据有问题"或"客户不属于目标群体"。这会导致"继续烧钱"来挽回面子。

哲学和心理学的视角：信念的产生和坚持

信念不是纯粹理性的产物，它一半源于我们对世界的认知框架，另一半则来自于维护自我与群体身份的需要。正是这两股力量共同作用，解释了为什么面对确凿证据，人们依然固守原有判断。

大卫·休谟这位苏格兰哲学家对"因果关系"和"归纳法"提出了深刻的怀疑。我们之所以相信因果，多半是因为"恒常相伴"的经验在心里形成了习惯，而不是因为逻辑必然。过去不能保证未来，归纳没有必然性。例如看到太阳每天从东边升起，但这并不能证明明天太阳也一定从东边升起。因此，任何判断都应该以明确的先验为起点，并写出不确定范围；这是一种理性的谦卑。这种怀疑主义为贝叶斯方法提供了基础：信念不是绝对的真理，而是一种概率，随时可能被新证据推翻。

卡尔·波普尔则为我们提供了"如何与错误相处"的方法论。一个理论的价值不在于它有多动听，而在于它是否能够被推翻。验证只能累积支持，但一次证伪就足以否定。将这一理念付诸实践，就是在行动前写下反转条件，而不是事后找借口。当后验概率未能越过预设的阈值时，就不要扩大下注；当反向证据足够强烈时，就应承认错误并反向操作。

皮尔士则补充了"信念从何而来"。他的探究理论与贝叶斯思想异曲同工。他强调溯因推理，即通过系统的、理性的方法，将不确定的怀疑状态（先验）转化为更确定的信念状态（后验）。许多好的先验来自常识性机制，而非空洞的口号。例如，用户留存通常呈半衰期下降，价格弹性通常单调递减，渠道转化存在边际递减。这些结构性约束应当被写入先验或似然模型中，确保模型与常识对齐。

在讨论因果与相关时，必须使用精确的语言。相关性只说明两个变量倾向于同时出现，而因果关系则回答"若做了与没做，结果是否不同"。在数学符号上，观察到的条件概率P(Y∣X)与干预下的因果量P(Y∣do(X))是不同的。只有通过随机试验、对照研究或可识别的工具变量，我们才有机会估计后者。

许多创业公司在进行"灰度测试"时，若没有进行分流对照，就可能将P(Y∣X)误认为是P(Y∣do(X))，从而得出错误的因果结论。同样在投资中，将"风格轮动期的上涨"归因于"因子本身的优势"，也是把观察当成了干预。贝叶斯网络为此提供了一张因果草图：首先厘清谁影响谁，然后在每条边上放置参数与证据，最终通过更新将局部信息汇总到目标节点。缺乏这张图，任何更新都可能是在一个错误模型中进行精确计算。

本图仅示意，与文章内容无关。

心理学也解释了为何人们在数据面前仍不愿改变。雨果·梅西耶和丹·斯珀伯在《理性的谜团》(The Enigma of Reason)中提出，推理的主要功能并非求真，而是为自己的立场辩护和说服他人。这会天然地放大确认偏差与群体极化。解决方案不是"更相信直觉"，而是将推理置于对抗性的社会环境中，让不同立场的证据在同一标准下进行比对，因此"红队"审查和对立复核至关重要。

卡罗尔·塔夫里斯和埃利奥特·阿伦森在《犯错的不是我》(Mistakes Were Made (but Not by Me))中展示了自我辩护和认知失调如何使人越错越深。为了维持"我一贯理性"的自我形象，人们会重新解释新证据，将不利事实归为特例，从而将先验信念越锁越窄，甚至干脆改写似然。无论是投资中的"越跌越补"还是创业中的"继续烧钱以证明当初没错"，本质上都是对认知失调的修补，而非对证据的理性更新。

综合来看，信念的生成与坚持可以被重述为一个简单的公式加上三条自律。这个公式就是贝叶斯更新：先验决定你从哪里出发，证据决定你被推多远，而信念的反转则由事前设定的阈值触发。

三条自律分别是：

• 将故事与因果分开，明确区分P(Y∣X)与P(Y∣do(X))。
• 将先验公共化和版本化，让团队成员能看到你的基准率和区间，迫使自己为每次调整提供充分理由。
• 将对抗性带入流程：通过红队、盲评、预注册和复测等制度，用人类的辩护式推理来彼此抵消，从而减少主观偏见。

哲学提供了思维的边界和方法论，心理学则提醒我们人性的短板。将两者结合，我们才能最大限度地降低"信故事"的诱惑，将"看数据"的纪律真正落实到纸面和行动中。

回到开头的两个故事：如果投资者把寒武纪的强信号与弱信号分开，写清先验、写明阈值，情绪就很难把仓位推到危险区；如果做生鲜电商的人把补贴效应与真实需求分开，用更长时间和更大样本确认留存的持续性，扩张的速度就会慢下来，踩坑的概率也会小很多。

故事可以点燃想象，但不能代替证据。先验提供边界，证据推动更新。把"写清基准率、分辨证据强弱、按公式小步更新、越阈再行动、到期就复查"变成日常，过度自信与过度怀疑都会被同一套公式和自律所约束。故事还是可以继续讲，仓位和行动只能靠数据。