挑战100天100个GPTs059.费马帕斯卡系统思维模型—慢慢学AI071
#挑战100天100个GPTs
写在前面
朋友来问两个 offer 怎么选：A 公司薪资高三成，但业务线刚换帅、半年内两次调架构；B 公司薪资低些，但赛道稳、晋升通道清楚。他纠结了一周，把两家官网、脉脉评价、行业报告翻了个遍，还是定不下来。
我问他一句：你觉得 A 公司那条业务线，一年后还活着的概率有多大？他愣住。再问：如果它活了，你拿到的那三成溢价能值多少？如果它没活、你被裁，半年空窗加 N+1 能补回来多少？
他说不出数。这就是大多数人做决策的真实状态——能列利弊、能查信息，可一问到”概率多大、期望多少”，就只剩”感觉”。查理·芒格在《穷查理宝典》里反复讲，人脑天生不擅长概率，进化给的那套直觉”不是费马和帕斯卡”（his words: “The basic neural network of the brain… it’s not Fermat/Pascal”），所以要专门学一套”略显反直觉”的初等概率数学，焊进决策习惯。这套镜头，芒格明确叫做 the mathematics of Fermat and Pascal——这是他在公开材料里少数几个点名借用的模型之一，不是后人替他归纳的。
费马帕斯卡系统思维模型，看的是怎么把”不确定”变成”可算”。源头要硬：1654 年，赌徒德·梅雷（Chevalier de Méré）给帕斯卡出了道分赌注的难题，帕斯卡和费马为此通了几个星期信，催生了期望值这个概念，也奠基了现代概率论（惠更斯 1657 年据此写成第一本概率论教科书）。这套镜头的核心一句话：决策不是赌运气，是算期望值——每个结果的概率乘以它的收益，求和，挑期望最高的那个走。它逼你把”我觉得有戏”拆成”成的概率多少、成了值多少、败的概率多少、败了赔多少”，让拍脑袋的决策第一次有了可比较的数字。这款 GPT 把它做成决策陪练：你抛一个正在纠结的不确定决策，它不替你拍板，逼你把概率和期望值逐条算清楚。本文先讲清这套模型到底在算什么、最容易在哪翻车（最常见的是”伪精确概率”和”拿单次结果评判决策好坏”），再用十个决策场景和十个学习步骤，帮组织里的人把它内化成决策本能。
效果呈现
把下面的整段 yaml 提示词粘进支持系统提示的对话框（ChatGPT 创建 GPTs 的「Configure」、Gemini Gems，或任意可设系统提示的客户端），告诉它你正在纠结的一个不确定决策——一个项目要不要立项、一个 offer 要不要接、一笔钱要不要投、一个风险要不要冒都行。它会先逼你列出所有可能结果，再让你给每个结果估概率、估收益，最后帮你算期望值和最大回撤，给一个”做/不做/再观察”的判断和最该补哪块数据。
实测对话
三个角度测这个 GPT（个人 / 组织 / 边界），挑顺手的丢进 Gem，把对话粘回对应块，不用的发布前删掉。
费马帕斯卡·实测①（个人·转管理岗的赌注）
🙋 我
这周刚被提成律所的主管合伙人，手底下四个律师三个实习。以前自己办案子心里有底，现在要分案、定费率、决定接不接客户，我总觉得自己的判断没依据，开会时老被资深律师绕进去。比如有个大客户想让我们包年，但服务范围写得含糊，我直觉是坑，可又拿不出硬理由拒绝。这种我自己都没把握的决策，到底该怎么想清楚？
🤖 费马帕斯卡 GPT
先把这件事拆成两笔账：一笔是这个包年合同本身值不值，一笔是你作为主管合伙人，判断力该怎么建立。两笔账都算完，你就有硬理由了。
第一笔账：把“直觉是坑”变成可计算的期望值
你说“服务范围写得含糊”，这就是最该先补的数据，不是判断。先别急着拒绝，把这件事做成一个决策树：
备选一：接这个包年合同。
- 结果 A：客户实际需求少，你们用很少工时赚了包年费。概率？你过去三年类似包年客户里，有多少最终是这种“赚了”的情况？这是你手头现成的历史数据，先查。
- 结果 B：客户按含糊条款无限提需求，你们超工时严重，包年费覆盖不了成本。概率多少？同样看历史：过去接的含糊包年合同，超支比例是多少。
- 结果 C：中途扯皮，客户不满意，你们赔时间又丢口碑。概率多少？
备选二：不接，或只接“固定工时上限”的版本。
- 结果 D：客户接受修改条款，合同照签，风险可控。
- 结果 E：客户拒绝修改，去找别家，你们损失这笔收入。损失是多少？算清楚。
现在把每个结果的概率和金额填进去，算两边期望值。你会立刻发现一件事：你缺的不是判断，是数据。 那个“直觉是坑”翻译过来就是“结果 B 的概率你觉得很高，但你拿不出数字”。而资深律师能绕你，就是因为他知道你没数字，你只能用“我觉得”跟他吵。
所以你的硬理由不是“我觉得是坑”，而是：“按我们过去三年同类合同的数据，含糊条款的超支概率是 X%，超支金额中位数是 Y 万，这个包年费的期望值是负的。” 这句话一出来，没人能绕你。
第二笔账：用贝叶斯更新建立你的决策自信
你现在“觉得判断没依据”，本质是你把“单次决策的对错”和“决策方法的好坏”混在一起了。费马帕斯卡的框架告诉你：评判一套打法，要看长期大量决策的总期望，不是看单次结果。
你今天被资深律师绕进去，不意味着你的直觉错，只意味着你还没把直觉“翻译”成可检验的假设。做法是：
- 每次开会前，把你要做的决策写成一页纸：备选方案、每个结果的概率（标依据来源）、期望值、最大回撤。
- 开完会，把会议上新听到的信息（比如客户说“范围可以再谈”）标出来，用它更新你的概率——这就是贝叶斯更新。比如你原来觉得“客户会钻空子”的概率是 70%，他主动说可以限定范围，你把这个概率下调到 50%，再算一次期望值。
- 存下每一张这样的纸。三个月后回头看：你估的概率准不准？哪类决策你系统性高估风险、哪类系统性低估？这就是你作为管理者的“决策仪表盘”。
收口建议
这个包年合同，不要用“接不接”来决策，用“怎么改条款”来决策。最该补的一块数据：翻过去三年的包年合同，把“最终实际工时 ÷ 预估工时”的比率算出来。 这个数一出来，你就能把“含糊的范围”翻译成“超支 40% 的成本”，然后拿着这个数去跟客户谈“要么限定工时上限，要么包年费加 40%”。谈得拢就接，谈不拢就走——这不是赌，是算清楚后的选择。
今天下班前，就把这个比率算出来。这是你作为主管合伙人第一个有数据支撑的决策。
费马帕斯卡·实测②（组织·合并案的期望账）
🙋 我
所里在谈跟另一家小所合并，对方客户资源不错，但内部管理乱，听说还有几个案子藏着风险没披露。几位合伙人的意见是合并能补上我们的短板，我隐约觉得不划算，可又说不上来哪里不对。我作为主管得给团队一个判断，但手上只有对方给的报表和几顿饭桌上听来的话，这种算不清的账该怎么算？
🤖 费马帕斯卡 GPT
先给直接判断：这桩合并，在对方客户资源的期望收益被量化之前，它本质上不是一个”补短板”的投资决策，而是一个”用确定的整合成本去赌不确定的或有负债”的期权。你隐约觉得不划算，是因为你直觉里已经把”管理乱”和”风险未披露”折算成了负期望值，但你没把它摆到账面上来。 你现在要做的不是说服合伙人，而是把这笔账拆成一张能摆在桌面上的期望值表。
第一步：把”合并”拆成四个结果，而不是一个结果
别再用”合并好不好”这种定性问题。按费马-帕斯卡的做法，列出所有可能路径，包含”什么都不做”：
- 合并成功，客户顺利迁移——对方客户资源确实带来增量收入。
- 合并成功，但客户流失——整合期管理混乱，对方客户流失三到五成。
- 合并后爆出隐藏风险——那几桩未披露的案子变成诉讼或赔偿，直接吃掉合并收益。
- 不合并——维持现状，自己补短板的成本与时间。
第二步：给每个结果估概率，并标注依据来源
这是关键，也是你必须对合伙人坦诚的地方。你的概率分三档：
- 有硬数据支撑的：对方报表里的客户留存率、客单价、过往收入——这些可以要求对方提供三年审计数据来验证。
- 行业基准可参考的：小所并入大所后客户流失率，行业里普遍在 20% 到 40% 之间（这是行业基准，不是拍脑袋）。
- 纯主观估计的：那几桩案子爆雷的概率——你没有数据，只能给区间，比如 10% 到 30%，并明确标注这是主观估计，需要靠尽职调查来修正。
别给伪精确的数。如果对方报表显示客户资源值 2000 万，你就写”假设值 2000 万（待审计验证）”。
第三步：算期望值，重点看最坏情况
假设合并后客户资源年贡献 500 万，整合成本 300 万，爆雷潜在赔偿 800 万。粗算：
- 结果 1（概率 40%，主观估计）：收益 500 - 300 = 200 万
- 结果 2（概率 30%，行业基准）：收益（500 × 60%）- 300 = 0 万
- 结果 3（概率 20%，主观估计）：收益 -300 - 800 = -1100 万
- 结果 4（概率 10%，主观估计）：收益 0 万
期望值 = 0.4 × 200 + 0.3 × 0 + 0.2 × (-1100) + 0.1 × 0 = 80 - 220 = -140 万。
这个数字是负的，但更关键的是最大回撤是 -1100 万。即使期望值勉强为正，只要这个回撤超过所里能承受的底线（比如净资产的三成），就不该做。
第四步：用贝叶斯更新锁定最该补的数据
你现在最不确定的是两个概率：爆雷概率和客户留存率。这两项决定了期望值的正负。所以你的下一步不是跟合伙人争”划算不划算”，而是说：
**”在尽职调查完成前，任何合并讨论都是基于主观概率的赌博。我建议立项做两周专项尽调，重点查那几桩案子的诉讼状态和潜在赔偿上限，费用估计 20 万。这 20 万买的是把’爆雷概率’从主观
费马帕斯卡·实测③（边界·胜诉率的迷信）
🙋 我
我们所一直拿胜诉率当招牌，上个月有个案子我按老经验判断能赢，结果败了，客户当场拿我们对外宣传的胜诉率说事。我有点动摇，是不是我们该换个指标来评价接案决策？可胜诉率这东西用了这么多年，真要说哪不对，我又讲不出个所以然，总觉得这里面有个逻辑上的坑，但说不清。
🤖 费马帕斯卡 GPT
先把胜诉率从“招牌”的位置上拿下来，它不是一个决策指标，它是一个结果统计指标。你感觉到的那个逻辑上的坑，叫单次结果偏差和样本与决策对象错配——你拿一个历史统计量去预测一个具体案件的结果，这本身就是两套逻辑。
胜诉率这个指标真正的问题在哪
胜诉率的计算方式是“赢的案件数 ÷ 总案件数”。它有三个结构性缺陷：
第一，它不区分案件难度。一个所里全是简单催收案，胜诉率 90%；另一个所专接疑难商事纠纷，胜诉率 60%。后者水平可能远高于前者，但客户只看数字。你对外宣传胜诉率，等于默认所有案件同权重——这在数学上就是错的。
第二，它是事后统计，不是事前预测。胜诉率描述的是“过去这批案子”的结果分布，而你在接案时面对的是“这一个具体案子”。两者的条件概率完全不同。你上个月那个案子，按老经验判断能赢，说明你的先验概率可能给高了——但输掉这一个案子，不等于你的判断体系错了。好决策可能因运气差而失败，这是概率论的基本常识。
第三，它被客户当成了承诺。客户听到“胜诉率 90%”，大脑自动翻译成“我这案子有 90% 把握赢”。但你的 90% 是历史均值，不是这个案子的条件概率。客户拿它说事，本质上是你在用一个统计量做营销，而这个统计量天然会被误读为对单个案件的保证。
该换什么指标？不是换掉胜诉率，而是增加决策层指标
接案决策应该用期望值，而不是胜诉率。具体拆法：
列结果：这个案子接，可能的结果是——胜诉（拿到全部或部分标的）、败诉（赔诉讼费+时间成本+可能的反向赔偿）、调解（部分回收）、拖长（时间成本折现）。别忘了“不接”也是一个选项：不接的收益是 0，损失是机会成本。
估概率：不要拍脑袋说“我觉得能赢”。把赢的概率拆成三档依据——同类案件的历史判决数据（硬数据）、你团队办过类似案子的胜率（半硬数据）、你对法官倾向和证据链的主观判断（纯主观）。三档分开标，别混成一个数。上个月那个案子，你大概率是把主观判断当成了硬数据。
算期望值：假设标的 100 万，你估赢的概率 70%，赢拿 100 万，输赔 10 万成本。EV = 0.7×100 + 0.3×(-10) = 67 万。如果你估赢的概率其实只有 50%，EV 就变成 45 万。差距全在概率估得准不准——这才是你该花力气的地方，不是纠结胜诉率这个牌子。
看最大回撤：期望值 67 万很漂亮，但如果败诉会导致客户反诉、声誉受损、监管介入，这个回撤你承受不起，那再高的 EV 也不该接。期望值不是全部，先看最坏情况你能不能活。
关于对外宣传
胜诉率可以继续挂，但要改口径。两个改法：
把“胜诉率”改成“客户满意度”或“标的回收率”——回收率比胜诉率诚实，因为调解、部分胜诉都算回收，而且它和客户利益直接挂钩。
如果坚持用胜诉率，必须加限定语：“近三年同类案件胜诉率”“本所代理的合同纠纷类案件胜诉率”。把分母收窄，客户误读的空间就小。
收尾动作
这个月内，把你所里过去两年的案件按“案件类型、标的区间、对手方类型”三个维度做一次复盘，算出每个细分维度的胜诉率。以后接案，先查这个细分数据，再结合你对具体案子的判断，给客户一个区间而不是一个数：“这类案子我们历史胜诉率 60%-70%，但你这个案子的证据链偏弱，我估计在 50% 上下。”——这句话比任何招牌都更能建立信任，因为它诚实。
期望目标
把”这事能不能成”的拍脑袋，换成”成的概率多大、成了值多少、败了赔多少、期望值多少”的算账。具体到一个决策上：能列出所有结果、能给每个结果估概率（带依据）、能算期望值和最大回撤、能区分”这一次的结果”和”这套打法长期对不对”。
GPTs 源码
1 | # 角色：费马帕斯卡系统思维模型专家 |
Prompt 收获
做这个 GPT 的时候，几个设计点比提示词本身更值得记下：
- 归属要诚实，但这条恰好真能挂芒格名下。和 #037/#039/#041 那种”清单归纳名、非芒格原创”不同，费马帕斯卡这条，芒格在《穷查理宝典》里反复点名借用 the mathematics of Fermat and Pascal，原话”人脑的神经网络不是费马和帕斯卡”白纸黑字。所以 Background 据实写明：这条源头是帕斯卡和费马 1654 年的通信，芒格是把它搬进决策学的关键布道者，两层都坐实、谁也不冒领。这种”先查谁说的、查完发现真有名分就正名”的诚实，比一律打”待核实”更有价值——读者的信任来自你敢为真的东西背书，也敢拆假的东西。
- 概率必须标依据来源，否则就是伪精确。原版正文那句”成功概率 60%”是个无根数——没人知道 60% 从哪来。所以 Workflow 第三步专门把依据分四档（历史数据 > 行业基准 > 专家判断 > 纯主观），逼 GPT 把每个概率的”可信度”摆上桌。一个带”行业基准”标注的 30%，比一个裸的 65% 有用十倍——前者告诉你该不该信、后者只会制造”算过了”的幻觉。
- **杀手问题不是”该不该做”，是”最坏情况你扛得住吗”**。期望值高不代表该做——一个 EV 为正但最坏情况是破产/合规暴雷/人身风险的决策，照样是毒药。所以 Goals 和 Workflow 都把最大回撤单列，逼用户先过”生存线”再看期望值。这是费马帕斯卡系统最容易被忽略的边界：数学上对，决策上错，就因为没算扛不扛得住。
- **最难戒的是”拿单次结果评判决策”**。赢了就是对的、输了就是错的，是人脑最顽固的偏差。芒格自己也讲，好决策可能因运气差而失败。所以 Constrains 和 Suggestions 都专门写了”评判看长期期望和过程、不看单次结果”——这条不写死，GPT 就会跟着用户的直觉走，把”赌赢了”当成”打法对了”。
一句话总结这次的收获：费马帕斯卡类工具最大的陷阱是停在”算个期望值”——好的提示词得把”列结果 → 估概率带依据 → 算期望值 → 问扛不扛得住 → 拿新信息更新”五步连起来，且每一步都防一个具体的人脑偏差（漏结果、伪精确、忽略尾部风险、单次偏差、不更新）。
补充说明
费马帕斯卡系统思维模型，看的是怎么把”不确定”变成”可算”。大多数人面对不确定，要么假装它不存在（”应该没问题吧”），要么被它吓瘫（”万一出事怎么办”），都不算决策。这套镜头给的第三条路：把不确定拆成几个可能的结果，给每个估个概率和收益，乘起来求和，得到一个可比较的期望值。它不消除不确定，但它让”面对不确定”从情绪反应变成数学操作。这一步看着简单，对决策质量的提升是数量级的——因为一旦你逼自己写出”成的概率 30%、成了值 5000 万、败的概率 70%、败了赔 800 万”，你才会发现这个 EV 是 +860 万、值得做但要做好”大概率会败”的心理准备；而你原来脑子里那团”感觉这事有戏”，连这几百万的账都没算过。
它最常被误读成两副样子。一副是”伪精确”——给每个概率都配一个带小数点的数（”成功率 63.7%”），制造”我算过了”的幻觉，其实那个 63.7% 和”大概六成”一样都是拍脑袋。真正的费马帕斯卡系统反而警惕伪精确：它要求你标出哪些概率有硬数据支撑、哪些是猜的，把”猜”的部分摆上桌。另一副是”只看期望值”——一个 EV 为正的决策，如果最坏情况是破产或合规暴雷，照样不该做（期望值是平均，但你可能正好落在尾部）。所以这套模型必须配一句”最坏情况你扛得住吗”，缺这句就是个会算术的赌徒。
经典源头要分清两头。一头是数学源头：1654 年，赌徒德·梅雷（Chevalier de Méré，本名安托万·贡博 Antoine Gombaud）向帕斯卡提了道”分赌注”难题（游戏没打完中途停了，赌注怎么分才算公平），帕斯卡为此和费马通了几个星期信，两人在通信里第一次系统地用”每个结果乘以概率再求和”来思考公平，催生”期望值”概念，被公认为现代概率论的起点。三年后惠更斯据此出版史上第一本概率论教科书。另一头是决策学源头：芒格在《穷查理宝典》里反复讲，人脑的神经网络”不是费马和帕斯卡”，进化给的直觉做概率题会系统性跑偏，所以必须专门学初等概率、焊进决策——芒格把它列为”世俗智慧”清单里少数几个明确点名的数学模型之一。两头里，1654 年的通信给了数学根基，芒格给了”为什么你该学”的决策学理由。一个常被以讹传讹的细节也要澄清：德·梅雷常被描绘成”只是个爱赌的赌徒”，2024 年《统计科学》（Statistical Science）一篇考据指出，他是个有哲学素养的文人，对概率问题的提出有实质贡献，不只是”出题的赌棍”——把历史人物还原成真实的样子，比脸谱化更尊重这套模型。
10 个案例分析及思考逻辑
下面十个场景，前几个落在四行业最常见的不确定决策里（电信、金融、制造、电商），中间接帕斯卡和德·梅雷的真实历史、芒格的赛马比喻，后面换到职业选择、尾部风险、单次结果偏差和模型边界上，让十案例的姿态各不相同。带”示意”标记的，是用来说明算账逻辑的构造案例，数字是说明性而非真实公司披露。
1. 电信：自建 AI 客服 vs 采购，把成功率拆成数（示意）
某省级运营商要在自建 AI 客服（2000 万、18 个月、团队估成功率 70%）和采购成熟方案（年付 800 万、当季上线、成功率 90%）之间选。换费马帕斯卡视角：不能停在”70% 对 90%”这种裸概率。要先标依据——70% 是技术团队的主观估计（置信度低），90% 是厂商已交付案例的行业基准（置信度中）。再算期望值：自建若成，三年累计省 2400 万（相对采购）；若败，2000 万打水漂加 18 个月窗口损失，EV = 0.7×2400 − 0.3×2000 = +1080 万。采购 EV = 0.9×0 − 0.1×（重上线成本 400 万）= −40 万，但锁定数据出境合规风险这个尾部。算完发现自建 EV 更高，但最大回撤（2000 万 + 窗口）远超采购——这时该问的不是 EV 而是扛不扛得住。对治：若运营商能承受 2000 万试错，选自建并先小规模验证把 70% 这个主观概率往硬数据靠；若扛不住，选采购并把数据合规条款写死。
2. 金融：银行风控模型上线，要不要灰度（示意）
某银行的新风控模型实验室准确率 95%，要决定全量上线还是先灰度 10% 流量跑三个月。换费马帕斯卡视角：全量上若成，年减损 3000 万；若败（线上分布偏移导致误杀合规客户），舆情 + 罚款 + 客户流失可能 1.5 亿。灰度若成，收益推后、规模只有 300 万；若败，影响面 1500 万、可控。给概率：全量线上失效概率（行业基准）约 15%，灰度失效概率同样 15% 但损失小一个量级。全量 EV = 0.85×3000 − 0.15×15000 = +300 万；灰度 EV = 0.85×300 − 0.15×1500 = +30 万。看似全量 EV 高，但最大回撤 1.5 亿触及监管红线——监管行业里”扛得住”这条比 EV 优先级高。对治：先灰度三个月把线上失效概率从 15% 往 5% 修（贝叶斯更新），数据够了再全量。期望值不是唯一裁判，监管可承受度才是。
3. 制造：要不要提前囤原材料对冲涨价（示意）
某制造企业要不要在原材料价格低位时囤半年用量（占款 3000 万）。换费马帕斯卡视角：囤了若涨价（行业判断概率 60%），省 800 万；若跌价（概率 40%），多花 500 万加仓储 100 万。EV = 0.6×800 − 0.4×600 = +240 万。但最大风险不是价格而是流动性——3000 万占款若碰到大客户回款延迟，可能挤垮现金流。对治：先算现金流安全垫，若 3000 万占款不碰红线，按 EV 走囤一半（用期权替代部分现货，降低尾部）。费马帕斯卡系统经常和现金流约束打架，前者算术对、后者决策对，要兼听。
4. 电商：大促要不要 all in 一个新渠道（示意）
某电商决定双 11 要不要把 70% 投放预算压到一个新崛起的内容渠道。换费马帕斯卡视角：压对了（概率 50%，依据是 Q3 小规模测试的 ROI 数据），单日 GMV 翻倍；压错了（概率 50%，依据是该渠道用户质量不稳定、退货率高），GMV 不及预期 + 退货挤占仓储损失 800 万。EV = 0.5×(+2000) − 0.5×800 = +600 万。但这个 EV 的两个概率都是”小样本测试 + 主观”，置信度低——对治：双 11 前再用一周做 A/B 把概率置信区间缩窄（贝叶斯：先验 50%，新数据进来后修正），别拿低置信度的 EV all in。
5. 投资芒格版：赛马场为什么没人稳赢（真实，原理）
芒格在《穷查理宝典》里用赛马场讲透了费马帕斯卡系统的精髓：一眼能看出哪匹马更好（赢率高的马），可赔率已经把这个信息定价进去了——好马赔率低（3:2）、烂马赔率高（100:1），加上庄家抽水 17%，要算出”统计上最优的下注”远比”挑最快的马”难。芒格的意思是：市场的价格已经消化了显而易见的信息，你能赚的不是”知道谁会赢”，而是”概率估得比市场更准”那一小段。这正是费马帕斯卡系统在投资里的终极形态——不是赌赢，是找到市场定价和你概率估计之间那道缝。芒格原话：靠人脑直觉做不了这个，得专门学。
6. 经典：帕斯卡、费马和德·梅雷那几封信（真实，1654）
1654 年，赌徒德·梅雷（安托万·贡博）给帕斯卡出了道难题：两个玩家押注打牌，约好先赢几轮的拿走全部赌注，可游戏没打完就中断了，赌注该怎么分才算公平？帕斯卡为此和费马通了几个星期的信，两人在通信里第一次系统地用”每个可能的结果乘以它发生的概率、再求和”来定公平份额——这就是期望值概念的诞生。三年后（1657）惠更斯据此出版《论赌博中的计算》，史上第一本概率论教科书。这个故事的真正教益不是”赌博催生了数学”，而是”公平”这个词第一次有了数学定义——你该拿多少，取决于你未来赢的概率，不是你过去下了多少。费马帕斯卡系统从此让”公平””值不值””划不划算”变成了可算的东西。
7. 职业：两个 offer 之间的期望值账（个人，2026 当下）
2026 年 AI 在狠砸白领岗位，一个 35 岁视觉设计师在”降薪 40% 留本行死磕 AI 工具”（A）和”脱产半年学 agent 搭建转行”（B）之间选。换费马帕斯卡视角：不能只比薪资。A 的概率账——若成功（概率 70%，主观，依据是设计岗 AI 增强需求在涨）两年后薪资回到 1 万出头；若失败（概率 30%，依据是低端设计岗整体在被压缩）薪资长期停 6000。B 的概率账——若成功（概率 40%，主观，依据是 agent 工程师岗位竞争激烈、转行门槛高）起薪 1.5 万；若失败（概率 60%）半年空窗 + 转行没成、回设计岗更难。算 EV 时还要加进”不可逆程度”——B 的半年脱产是不可逆的（钱花了、时间没了），A 的降薪是可逆的（不行还能再跳）。对治：先问扛不扛得住 B 的最坏情况（半年空窗 + 转行失败），扛得住再按 EV 选 B，扛不住选 A 同时用业余时间小规模试 B（第三选择）。职业决策里，期望值经常让位给”最坏情况可承受度”。
8. 深挖一刀：尾部风险——期望值为正也可能毁了你（原理）
费马帕斯卡系统最容易让人栽的，是只看期望值不看分布形状。俄罗斯轮盘赌给你 5/6 概率赢 600 万、1/6 概率死，EV = +500 万，数学上正向——但没人该玩，因为那个 1/6 的结果是”不可恢复的毁灭”。同理，一个企业决策 EV 为正，但如果最坏情况是破产、合规牌照被吊销、核心数据泄露，就不能只看 EV。纳西姆·塔勒布把这叫”毁灭性问题”——当事后果不可恢复时，期望值不再是合格决策标准。对治：算 EV 的同时必算最大回撤，且把”最坏情况是否可恢复”作为一票否决项。这是费马帕斯卡系统最重要的边界条款，缺了它这套模型会变成”理性的赌徒”。
9. 个人：单次结果偏差——赢了不代表你对（原理）
一个人 all in 一只 AI 概念股翻倍出来，赚了 40 万，同事们都说”赌对了”。第二年同样逻辑 all in 另一只，腰斩亏 20 万。换费马帕斯卡视角：评判这套打法对不对，不能看这两次的单次结果，要看”这套打法在大量重复下的期望值和方差”。如果他的逻辑是”押财报前情绪面”，那得回看 100 次同类操作的统计分布——如果 100 次里有 60 次赢、平均正期望、最大回撤扛得住，这套打法可能是对的（这次腰斩是运气）；如果 100 次里其实只有 30 次赢、靠少数几次暴利拉平，那上次赚 40 万纯是生存者偏差（下次大概率还回去）。对治：建决策日志，记录每次操作的逻辑和结果，半年后看分布而不是看单次。芒格反复讲，好决策可能因运气差而失败，坏决策可能因运气好而成功——评判看过程和长期期望，不看单次输赢。
10. 边界：不是所有事都该配概率（原理）
费马帕斯卡系统最该警惕的副作用，是”万物皆可量化”的强迫症——给所有事都配个精确概率、配个收益数，连”该不该和这个人结婚””该不该选这个专业”这种高维、不可重复、强情绪的决策也想套期望值。这类决策的共同点是不可重复（贝叶斯的前提是同类事件可重复修正）、收益不可比（情感价值和钱没法折算）、结果高度依赖执行而非外生概率。硬套期望值会得出”伪精确”的数，反而误导。对治：把决策分两类——“可重复、可量化”的（投资、立项、风控、采购）适合费马帕斯卡；”不可重复、不可比”的（婚姻、人生方向、价值观）该用别的镜头（如直觉、价值观排序、长期主义），硬套概率只会自欺。知道这套模型在哪里不适用，比知道在哪里适用更重要。
学习费马帕斯卡系统思维的 10 个步骤
学这套模型，顺序比内容更重要。下面十个步骤按”懂概念 → 练拆解 → 学源头 → 防偏差 → 上组织 → 建节奏”的弧线排，每步配一个实例。
1. 懂概念：期望值 = 概率 × 收益，再求和
先把定义咬死：期望值是”每个结果发生的概率乘以它的收益，全部加起来”，代表大量重复下的平均结果。实例：抛硬币赌正反面，正面赢 2 元、反面输 1 元，EV = 0.5×2 + 0.5×(−1) = +0.5 元——意味着玩 1000 次大概赚 500 元，但单次可能输。先把”平均”和”单次”分开，是这套模型的入门门槛。
2. 练拆解：把模糊决策拆成结果树
不要停在”这事行不行”，逼自己画出所有结果。实例：一个项目要不要立项，画出三枝——大成功（概率 20%、收益 5000 万）、小成（概率 50%、收益 800 万）、失败（概率 30%、损失 500 万）——结果树一画，原本一团模糊的”感觉有戏”就变成了可算的账。
3. 给概率标依据：历史 > 行业基准 > 专家 > 主观
每个概率都必须标来源，让”猜”无处藏身。实例：技术成功率 70% 是团队主观估计（置信度低）、厂商交付成功率 90% 是行业基准（置信度中）、双 11 转化率 12% 是历史三年数据（置信度高）——四档标注让决策者一眼看出哪个数该信、哪个该补。
4. 学经典源头：帕斯卡费马通信 + 惠更斯 + 贝叶斯
读三个真东西把感觉建立起来。实例：找 1654 年帕斯卡致费马那封信（约克大学数学史网站有英文译本），看他们怎么为”分赌注”发明期望值；再读惠更斯 1657 年《论赌博中的计算》；最后读贝叶斯 1763 年遗作《论机会学说中一个问题的求解》。一源头、一教科书、一更新机制，整套体系就立住了。
5. 学芒格的赛马比喻
读芒格《穷查理宝典》里讲赛马场那段——好马的赔率已经被定价、加上庄家抽水，要赢不是知道谁快而是概率估得比市场准。实例：把这段话抄下来，每次做投资决策前扫一眼，提醒自己”显而易见的信息已经反映在价格里”，你要找的是市场定价和你概率估计之间那道缝。
6. 练杀手问题：”最坏情况你扛得住吗”
每个决策算完 EV，必问这一句。实例：一个 EV +500 万的项目，最坏情况可能赔 3000 万、触及现金流红线——扛不住的高 EV 是毒药。把”最大回撤”和”可恢复性”作为一票否决项，比单看期望值重要。
7. 防偏差：赌徒谬误、热手、单次结果偏差、生存者偏差
认识四个最常让人栽的概率偏差。实例：连续抛出 5 次正面，第 6 次还是 50%（不是”该出反面了”，那是赌徒谬误）；某人连续成功 3 次不代表”手热”（热手谬误）；一笔投资赚了不代表打法对（单次结果偏差）；你能看到的创业者都是活下来的（生存者偏差）。建一个偏差自查清单，决策前过一遍。
8. 练贝叶斯更新：先验 + 新证据 = 后验
拿到新信息要修正概率，别让第一次的判断焊死。实例：项目启动时估成功率 60%（先验），跑了一个月里程碑达成 80%（新证据）——后验应该往 65-70% 上修；反之若里程碑只达成 50%，后验该往 50% 下修。贝叶斯的核心是”概率是活的，会随证据走”。
9. 应用到组织：立项模板强制四档概率
把对治做成流程。实例：项目立项模板里强制要求填”所有结果及概率（含依据来源：历史/行业基准/专家/主观）”、”每个结果的收益与损失”、”期望值与最大回撤”、”最坏情况可恢复性”四栏，填不满不能上会。流程一改，整个组织都被迫算这笔账。
10. 建决策日志：看长期分布，不看单次输赢
真正的纪律会留下痕迹——你会看清哪些是打法、哪些是运气。实例：每笔重要决策记一笔（逻辑、概率估计、结果），半年或一年回看分布。如果 20 笔同类决策里 12 笔正期望兑现、整体累计为正、最大回撤在可承受范围，这套打法大概率是对的（个别失败的案例是运气）；如果靠 2 笔暴利拉平 18 笔小亏，那是生存者偏差在骗你。这种反馈是校准概率直觉的唯一办法。
对决策者的启示
落到带组织的大企业一把手身上，费马帕斯卡系统思维有三条最值得焊进决策习惯：
第一，**逼组织把”定性争吵”换成”定量算账”**。立项会上”这事风险大不大””成功率有几成”这种话术，吵一天也吵不出结果，因为每个人脑子里的”风险”和”成功率”根本不是同一个数。决策者要立一个规矩：任何超过一定金额的立项，必须提交”结果树 + 概率（带依据）+ 收益损失 + 期望值 + 最大回撤”四件套，填不全不能上会。哪怕那些概率是主观估计的，也比一团模糊的”感觉有戏”强——因为主观概率一旦写出来，就会被新证据修正（贝叶斯），而”感觉”永远停在脑子里发臭。
第二，期望值不是唯一裁判，最大回撤和可恢复性才是底线。一个 EV 为正但最坏情况触及监管红线、现金流断裂、核心牌照风险的决策，数学上对、决策上错。监管行业（金融、电信）里这一条尤其硬——合规暴雷是一次性的、不可恢复的，不能用”长期期望值正向”来合理化。决策者要逼团队把”最坏情况可不可恢复”作为一票否决项，单独排在期望值前面。
第三，最危险的偏差是拿单次结果评判决策好坏。组织里最常见的错，是”这个项目做砸了，所以当初不该批”——如果当初的期望值算对了、概率估计有依据、最坏情况扛得住，那这次失败是运气差而不是决策错；反过来，一个侥幸成功的烂决策（高方差、靠运气赢）如果不被识别，会被当成”打法对了”复制到下一次，迟早还回去。决策者要建决策日志，回看同类决策的长期分布，评判看过程和期望值、不看单次输赢——这是组织能从”赌博式管理”走向”概率式管理”的唯一路径。
文末引用
- 1654 年帕斯卡与费马的通信 / 现代概率论的起点：1654 年，赌徒安托万·贡博（Antoine Gombaud，即 Chevalier de Méré）向布莱兹·帕斯卡（Blaise Pascal）提出”分赌注”问题（游戏中途停止时赌注如何公平分配）；帕斯卡为此与皮埃尔·德·费马（Pierre de Fermat）通信数周，两人在通信中第一次系统使用”每个结果乘以概率再求和”的方法，催生了”期望值”概念，被公认为现代概率论的起点（来源：APS News “July 1654: Pascal’s Letters to Fermat on the Problem of Points”；约克大学数学史 site 收录 Pascal-Fermat 通信英文译本；Wikipedia “Problem of points”）。证据层级：学术机构 + 一手通信译本 + 百科；立场：中立学术。
- 惠更斯 1657 年《论赌博中的计算》：克里斯蒂安·惠更斯（Christiaan Huygens）基于帕斯卡-费马的思路，于 1657 年出版 De Ratiociniis in Ludo Aleae（《论赌博中的计算》），是史上第一本概率论教科书，把”期望值”概念从私人通信扩展为可教授的体系（来源：Wikipedia “Expected value”；SFU “History and Basics of Expected Value”）。证据层级：百科 + 学术讲义；立场：中立学术。
- 贝叶斯定理 1763 年遗作：英国牧师托马斯·贝叶斯（Thomas Bayes）去世后，其遗稿由理查德·普莱斯（Richard Price）整理，于 1763 年在《皇家学会哲学汇刊》以《论机会学说中一个问题的求解》（An Essay towards solving a Problem in the Doctrine of Chances）为题发表，奠基了”根据新证据更新概率”的贝叶斯方法（来源：Wikipedia “An Essay Towards Solving a Problem in the Doctrine of Chances”；EBSCO Research Starters）。证据层级：百科 + 学术；立场：中立学术。
- 查理·芒格明确点名 the mathematics of Fermat and Pascal：芒格在《穷查理宝典》（Poor Charlie’s Almanack）中反复讲，人脑的神经网络”不是费马和帕斯卡”（”The basic neural network of the brain… it’s not Fermat/Pascal”），进化给的直觉做概率题会系统性跑偏，必须专门学初等概率并焊进决策；他用赛马场比喻说明”显而易见的信息已被定价、要赢靠概率估得比市场准”。原话见于 Stripe Press 出版《Poor Charlie’s Almanack》”The Elementary Worldly Wisdom”一章（来源：stripe.press/poor-charlies-almanack；major.io 读书记录）。证据层级：当事人著作 + 出版物；立场：芒格本人倡导，正名依据（这条模型可正当挂芒格名下，与多数”清单归纳名”不同）。
- 德·梅雷（Chevalier de Méré）的历史还原：传统叙事把德·梅雷描绘成”只是个爱赌的赌徒”；2024 年《统计科学》（Statistical Science）一篇考据（Project Euclid DOI 10.1214/24-STS926）指出，他是有哲学素养的文人，对概率问题的提出有实质贡献，不只是”出题的赌棍”（来源：Project Euclid “Antoine Gombaud, Chevalier de Méré”，Statistical Science 2024, Vol.39, Issue 3）。证据层级：同行评审学术期刊；立场：中立学术考据。
- 尾部风险 / 毁灭性问题：纳西姆·塔勒布（Nassim Nicholas Taleb）在《黑天鹅》《反脆弱》等著作中反复强调，当事后果不可恢复（破产、死亡、合规吊销）时，期望值不再是合格决策标准，最大回撤和可恢复性优先——本文第 8 案例和”对决策者启示”第二条据此。证据层级：当事人著作；立场：作者本人观点，风险学者立场。
- 文中电信、金融、制造、电商的”示意”案例：均为说明算账逻辑的构造性案例，涉及的公司（”某省级运营商/某银行/某制造企业/某电商”）非真实具名主体，相关金额（2000 万、1.5 亿、3000 万、800 万、+1080 万 EV 等）为说明性构造数字，非任何真实公司披露数据。已在正文统一标注”示意”。
- 2026 AI 冲击白领就业数据：实测①②里引用的”编辑/客服/视觉设计岗位 Q1 招聘需求同比下降两到三成”等数据，出自 ThinkChina.sg 引述智联招聘（Zhaopin）2026 年 Q1 报告（编辑岗 −29%、客服岗 −23%、视觉设计岗 −21%）；该报告为招聘平台行业数据，立场偏向行业观察，文中用作场景背景非精确统计口径。
buymeacoffee
