作者简介
《黑天鹅效应》一书由 Nissim Nicholas Taleb（以下称塔雷伯）所著。塔雷伯是华顿商
学学院企管硕士以及巴黎大学管理科学博士，曾任职过多所金融机构的交易员。塔雷伯基
于其在数学、经济、统计以及实务操作上的专业写出本书的前作《随机骗局》，震撼了交
易市场。后又将《随机骗局》中的概念以更加完整的叙述写出《黑天鹅效应》，并以此闻
名于世。
书籍简介
如果说《随机骗局》是塔雷伯初出茅庐的惊人之作，那《黑天鹅效应》便是确立塔雷伯在
现代思想上占有一席之地的经典作品。
先谈谈成绩。在销量上，《黑天鹅效应》连续登上纽约时报畅销书榜 36 周，且被《The
Sunday Times》选为二战后最有影响力的 12 本书之一；在学术圈中，本书被引用的次数
，截至 2021 年 1 月 29 日为止，高达 10792 次；从影响力看，本书被翻译超过 36 种
语言在世界上通行。
再谈谈本书架构。本书共分为四部曲，加上一篇后记。 详细的章节笔记我会附在本篇心
得的最后，欢迎大家参考。《黑天鹅效应》在塔雷伯对于不确定性的研究著作中扮演承先
启后的角色：有人说《随机骗局》就是易入门的《黑天鹅效应》，而塔雷伯的下一本书《
反脆弱》则是《黑天鹅效应》中的概念延伸。因此本篇心得我会着重介绍我认为本书中出
现的重要概念，希望能借由概念的整理，让我以及心得的读者日后在阅读《反脆弱》与《
不对称陷阱》时能做个衔接。
内容简介
#火鸡事件：确认无用，或阴性建议的始祖
请你试着想像一个场景：有一位农夫养著一群火鸡，想当然，火鸡得养成胖胖壮壮的模样
才好吃，因此农夫日复一日地辛勤地喂著肥料。那如果你是火鸡，你会觉得你身处在一个
安全的环境，还是觉得自己身处危险深渊的边界呢？稍微模拟一下火鸡的想法，根据经验
法则，只要农夫来喂食的次数越多、持续的天数越久，就代表火鸡的处境更为安全、更能
保证幸福美满的生活。可是一切美好的景象只会持续到感恩节前一天：在感恩节时，火鸡
被送上断头台，成为人类桌上的美好佳肴。
或许你会觉得火鸡很愚蠢，但人们却时常落入火鸡的思维模式：已过去的资料推测未来。
例如交易员或经济学家以过去几十年的资料做预测，认为经济状态高枕无忧，没有人看到
2000 年、2008 年的经济大崩盘。从火鸡事件我们能看出一个很简单但直指黑天鹅效应
的核心问题：我们如何能从过去的既有知识去了解未来；或是，更普遍地说，我们如何能
在（有限的）已知基础上，了解（无限的）未知性质？
很多人会抓着这个论点打，说我们承认未来是无限的、是未知的，但难道塔雷伯是要我们
放弃去预测，或是干脆当一个杞人忧天的怀疑论者吗？甚至有读者对塔雷伯说：你的风险
意识这么极端，你是怎么过马路的？
请记得，错把对过去所做的幼稚观察当成未来的确定模式或代表，是我们无法了解黑天鹅
事件的唯一原因。在火鸡事件中，感恩节这天对火鸡来说是黑天鹅，但对屠夫而言却不然
，也就是说，黑天鹅事件是上当者的问题：注重黑天鹅、注重不确定性不是要你不要过马
路，而是要你不要蒙着眼睛过马路；是要你尽力去注意所有马路上可能发生的突发状况，
并且小心翼翼而不是毫无顾忌（或自己为小心翼翼）的走过去，更不是要你在路口巍巍发
抖不前行。
#四种谬误：四种系统一、四种捷思、或称四种偏误与谬误
双程谬误：一种字句上的微妙差异造成的理解偏误。
确认偏误：人们总会去寻找能去证实自己想法的证据（而且往往都能找到）。
叙事谬误：人们在看一连串事实时，很难不去编织故事，对这些事实强加关系箭头。
戏剧谬误：把世界过度单纯化的人犯的思考错误（错把世界误以为是实验室，或反之）。
一个一个来吧，首先是“双程谬误”：双程谬误是指文字上不同的排列顺序带给人脑的感
受差异不大，但其含义却有很大的差别。
“没有证据他犯罪”与“有他没犯罪的证据”
“没有证据显示病患生病”与“有病患没生病的证据”
“没有证据证实大型事件”与“有大型事件不可能发生的证据”
上述举例的三个句子，前后并不等价：其差别在于阳性（正面）的证据以及阴性（反面）
的举证之差别。“没有证据他犯罪”是阳性的，从“没有证据”这个事实下手，从而推测
“他没有犯罪”；“有他没犯罪的证据”是阴性的，“没有证据”是一个事实，。用第二
个句子说明或许会更清楚。在健康检查的报告或医学文献上，我们会看到一个字母缩写字
NED，意思是“没有证据显示生病”（No Evidence of Disease）指的是也许你有生病，
但医生没有看到任何证据；我们很少看到 END，也就是“没病的证据”（Evidence of No
Disease）指的是你确实是健康的。
双程谬误给我们的启示是：一系列的佐证事实未必就是证据。再更往下延伸这个观念，会
变成：我可以知道哪个命题错误，但未必知道哪个命题正确。例如，如果我看到一只黑天
鹅，则我可以确认并非所有天鹅都是白色的；只要找到一个恶性肿瘤就可以证明你得了癌
症，但没找到恶性肿瘤，则不能确定地说你没有癌症。
我们可以靠阴性例子来逼近真相，而不是靠确认来逼近。从观察到的事实建立通用法则是
个误导。下次发表意见前，请谨记：你说你知道什么是错的，会比你说你知道什么是对的
，更为准确。
第二个要谈的是“确认偏误”：确认偏误指的是人们会迎合自己的想法去寻找事实的佐证
，类似的思想是“自我预言”。
现在，我邀请你请猜测一串数列“2、4、8”的规律性。你有五次寻找规律线索的机会，
方法是提出你排出的任何数列，然后我会跟你说你提的数列符不符合我心中的规律。在用
完五次机会前，只要能猜中我心中的规律就算你赢。（游戏示范影片：https://reurl.cc
/a5v7jZ）
我建议你花个五分钟看看那部影片，然后观察一下受访者提出的那些“寻找线索的数列”
有什么样的特征。虽然这部影片不是严谨的研究，不过仍然很大程度地表现出了确认谬误
的性质。
我在补习班跟许多学生玩过这个游戏。大部分的游戏过程如下：学生看了这个数列第一个
察觉到的规律是“乘以 2 倍”，于是提出了“3、6、12”，而这个数列的确符合我心中
的规律，于是有学生回答规律是“乘以 2 倍”。但我心中的规律并不是公比为 2 的等比
数列。也有同学开始根据“2、4、8”这个线索猜测数列是否是平方关系，于是提出“3、
9、27”。而这个数列也符合我心中的规律，但这规律并不是平方关系。讲到这里，不知
道你有没有发现“确认谬误”的存在了？学生们是在心中形成了一个规律之后，再去设计
与其符合的数列并寻求我的答案，这就是正面思考，也是先前提到的火鸡想法。
能提供比较多线索作法是阴性建议，也就是负面思考。当你在心中形成了一个规律后，你
要提出一个“不符合你规律的数列”去寻求我的答案。如果这个答案也符合我的规律的话
，你至少也知道你先前想的规律是错误的；相较之下，如果你根据你的规律提数列寻求答
案，当我的答案是此数列也符合我的规律时，你什么线索与好处都没有拿到（除非你认为
那毫无理性增加的自信也是一个好处，像 2007 年信心满满的经济学家那样）。
于是“双程谬误”与“确认谬误”的启示给予了我们一种观看世界的方式：拟出一个（大
胆的）猜测，并开始寻找证明其为错误的观察。这是避免正面思考，也是遵循阴性建议的
一种寻找确定事例的替代方式。（话说回来，如果你没看影片的话，数列的规律是单纯的
“递增数列”）
再来，我们在“叙事谬误”上做做文章：叙事谬误指的是一种简化，我们会对不同的事物
强加逻辑连结，也就是加上关系箭头。
要解释“叙事谬误”，我认为统计学上的“相关性”与“因果性”的讨论就足够了。举一
个例子吧，以前有个统计学研究发现经常吃海参的小孩智商通常比较高，那我们可以下吃
海参可以让人变聪明的结论吗？不能，但经济学家经常做这种事情，也就是将两个不具代
表性的物件以时间性、或任何的指标强硬的凑在一起。（真正的原因可能是因为能经常吃
到海参的家庭都有一定的经济实力，而有经济实力的家庭的基因与教育条件通常也都有一
定的水准，所以小孩才会表现的比较聪明一些。）
书中的举例更为贴切，在 2003 年侯赛因被抓到的那一天，新闻台在相差不到一小时的时间
内播出了两条讯息：“美国库券扬升；捕获侯赛因不能遏止恐怖主义”、“美国库券下降；
侯赛因被捕推升风险性资产的魅力”。你会发现同样的抓人（原因），居然解释了一个事件
及与其完全相反的事件。
这就是叙事谬误，人们会将不同的东西因为某种原因、某种环境、某种价值观而附上某种
因果关系，可笑的是，这个因果关系常常是错的，但人们因为“确认谬误”却常常觉得这
样的因果就是绝对真理。叙事谬误也时常误导我们的思绪，例如，请你判断“南投发生大
地震的机率”与“台湾发生大地震的机率”哪个较大呢？既然后述的命题大于前者，自然
是台湾发生大地震的机率比较大。可是很多人在知道答案前会选择前者，为什么？因为南
投真的发生过大地震，这个选项有画面感有故事性，就误导了我们的大脑。叙事谬误的例
子还有很多，例如你一个亲戚因摩托车事故而死亡，这件事远比大量的统计分析更能影响
你对摩托车的看法。
总结一下，我认为叙事谬误是一种统计学上、哲学上的谬误。从统计学上来说，错将母体
中的小样本代替了母体去做分析；哲学上的角度是将这个分析与其他分析做了错误的连结
。或著简单来说，叙事谬误就是对于因果关系的误判，那要怎么对抗叙事谬误呢？塔雷伯
的建议就是如果我们的生理结构不能阻止我们为两样东西附上因果，那我们就注重一个领
域就好。详细一点的说，就是重实验轻故事、重经验轻历史、重临床知识轻理论。
最后，让我们看看“戏剧谬误”：戏剧谬误，或称书呆子的不确定性，指那些把现实世界
套入实验室单纯模型的人（经济学家）。
以赌场为例子吧，请你想想一间赌场能面临的最大损失是什么？最常见的答案是赌客作弊
或是赌客真的因为运气好而赢大钱。因此世界上所有的赌场都花大把金钱与心力去设计与
完善赌场的安全系统以及风险分配。然而，人算不如天算，塔雷伯在书中列出了著名赌场
有史以来发生过的四次巨大损失。
1. 一名无可取代的演员在主秀中被老虎咬成残障，损失了约一亿美元。
2. 一名包商在承造饭店的扩建工程时受伤，企图把赌场炸掉（当然，被发现了）。
3. 赌客赢钱超过某个金额时，赌场就必须向国税局填报某个表格。而负责把这些表格寄
出的员工，因为完全无法解释的理由，把这些表格留在桌上没有寄出。
4. 许多其他的危险情境，例如赌场女儿被绑架，造成老板违反赌博法染指保险箱里的钱
去筹措资金。
只要简单的计算就能显示，这些事件造成的损失是前面我们想像的“最大损失”的好几倍
。也就是赌场花了数亿美元在机率论和高科技监视系统上，但风险的主要部分，却来自他
们模型之外的冲击事件。这就是戏剧谬误：在现实生活中，你并不知道机率；你必须去寻
找机率，而且，不确定性的来源没有限定范围。
如果觉得上述的举例不好理解的话，这里提供我自己理解的戏剧谬误版本：换了一个位置
就换了一个脑袋：看看那些去健身房跑步的人们，居然是搭电梯而不是走楼梯，好像运动
只有在健身房里才会有用一样。当我们把思维限定在某个场景，或是在生活中扮演特定的
角色时才会用特定的思维，就陷入了戏剧谬误的情境。
#沉默证据：那些看不见的、视而不见的、偏误所忽略的。总之，慎用你的“因为”
请你想像两个刚开始航运的平行世界中的立法委员：
第一个世界中的立法委员看见了“飞安危机”这个黑天鹅的存在威胁，于是立法通过了严
格的出入境检测，登机物品的严格限制等等。由于这么严苛的条件，在这个国家中从来没
有发生过飞安危机；而在第二个世界中，由于国家并没有预料到飞安危机，所以遇到了类
似 911 事件的恐怖攻击，而这个世界中的立法委员，在飞安危机发生后到处大声疾呼，
呼吁人们抵抗阿拉伯世界，并且加强飞安危机。
试问，哪一个世界中的立法委员会受到比较好的评价呢？理性的人会说是一号委员，毕竟
预防胜于治疗。不过思考一阵之后就会说：“的确，一号委员做了正确的事，但二号委员
受到的评价应该会高上许多。”为什么？因为在一号世界中并没有发生飞安危机，人们对
于严苛的限制只会觉得：“好麻烦。为什么要这样做？会不会太严格了？这是多此一举吧
？比例原则哪去了？”但二号委员则是在民众最感性的时候跳出来发声，民众会觉得二号
委员跟自己在同一阵线，而不会怪罪二号委员：“为什么不早点立法避免飞安危机”？
大家都知道预防胜于治疗，但很少人会给予预防行为奖赏。我们再看一个例子。谁比较有
价值呢？是让我们避开一场战争的政治人物，或是开启一场新战争（或许幸运地打赢了）
的政治人物？我相信你懂我的意思了：我们看所看到的是显著而可见的结果，而非不可见
且不显著的事物。而那些看不到的结果却总是更有意义，塔雷伯将这种情况称之为“沉默
证据”。
将沉默证据再往后延伸，就是著名的“幸存者偏差”。说到幸存者偏差最著名的例子，那
一定就是第二次世界大战时有关美国空军的内部讨论了。在 1941 年的时候，美国空军正
在探讨：飞机应该如何加强防护，才能降低被击落的机率。军方研究自己的轰炸机遭受攻
击后的数据后发现：机翼是最容易被击中的位置，而机尾则是最少被击中的位置。好，现
在如果你是空军总指挥官，你会选择加强机翼还是机尾呢？答案可能会让你意外，美国空
军最后决定加强的是最少被击中的机尾位置，而且最后证实这个加强的决定是极为有效的
。为什么呢？请先想想军方在蒐集轰炸机被击中的位置资料时，那些资料是从哪些轰炸机
身上取得的？一定是那些平安返回军营的轰炸机吧。而在那些平安返航的轰炸机身上，机
翼被击中的次数比机尾多上许多，这个资料其实表明了被多次击中机翼的轰炸机，似乎还
是能够安全返航；那在机尾的位置很少发现被击中的痕迹的原因，并不是不容易被击中，
而是一旦被击中，轰炸机几乎就不可能返航了。
最后举个我很喜欢的，有关沉默证据的例子。
“我们比较了比尔盖兹、马克祖柏与贾伯斯这三位伟大的企业家，发现三位企业家共通之
处是大学都休学了，因此我们判断要成为一个伟大的企业家必须在大学中休学。”你会不
会觉得这个分析非常荒谬？毕竟世界上休学了但没有创业成功的人比比皆是，休学虽然是
三个企业家的共同特色，但休学并不是导致成功的关键吧。好，如果你对上面那句话有这
样的想法的话，请你再听听下面这句。
“我们比较了比尔盖兹、马克祖柏与贾伯斯这三位伟大的企业家，发现三位企业家共通之
处是非常努力以及特立独行，因此志瓜判断要成为一个伟大的企业家必须非常努力以及拥
有个人特色。”现在，你会觉得这个例子比较好接受吗？难道世界上没有其他“非常努力
”同时又“拥有个人特色”但最后却“失败”的人吗？一定有的，休学、努力以及个人特
色都不是能够完全解释成功创业的词汇。
这个事件带给我们很重要的启示，那就是死人不会说话，活人说的不准。换句话说，失败
者不会出声，而成功者无法代表全面的事实。
#钟型曲线 vs 碎形：最差的 vs （也许是）最佳的模型
首先，我们来介绍钟型曲线：钟型曲线又称常态分配或高斯分配，指的是数据越靠近平均
数越多，远离平均数则会越少的一种分配，因其函数图形状类似“钟”而得名。
先不去理会一堆无用的统计术语，理解钟型曲线的方式很简单，请你画出一个学校学生的
身高与人数的座标图。假设全校的平均身高是 170 公分，我想你有很大的信心可以预测
，身高介于 165~175 公分的学生数量，会远大于身高介于 190~200 公分的数量。
这就是钟型曲线的特色，钟型曲线的基本应用是纳入一个统计指标：“标准差”。若一组
资料服从常态分配，则距离平均数前后一个标准差的资料数会占母体总数的百分之六十八
；距离平均数前后两个标准差的资料数会占母体总数的百分之九十五。也就是说如果学校
学生人数有 100 人，平均身高为 170 公分，而标准差为 5 公分的话，那我们可以相信
有 68 位学生的身高介于 165~175 之间，有 95 位学生的身高介于 160~180 之间，那 1
90 公分以上的呢？常态分配跟你说几乎不会出现，顶多出现一两个特殊案例，在统计学
中被称之为“离群值”。（常态分配的另一项重大应用是抽样分配与误差计算，也就是我
们时常听到的信心水准，在这里我就不赘述了，基本逻辑是类似的）
再来，我们介绍碎形理论：碎形指的是在不同尺度上可以对比出相同模样的现象，有些人
也称它作分形理论。
在西元 1967 年，有位叫做本华．曼德博的数学家在美国的权威杂志《科学》上发表了一
篇论文叫《英国的海岸线有多长》，论文内容在说明海岸线在形貌上是自相似的，也就是
局部形态和整体形态的相似。本华．曼德博在过去的文献中发现有位叫做路易斯．弗莱．
理察森的科学家做过一个研究，他想了解一些国家的海岸线长度，所以翻阅了西班牙、葡
萄牙、比利时与荷兰的百科全书，却发现书上在估计同一个国家的海岸线长度时，竟然有
高达百分之二十的误差。这就引起了本华．曼德博的兴趣，他发现有误差是因为海岸线是
一条蜿蜒复杂的不规则图型。
数学理论以及这个论文的逻辑我们先省略不看，总之在本华．曼德博研究海岸线长度的过
程中，他把一段海岸线的曲线放大，发现放大的曲线与更大范围的海岸线的形状惊人地相
似。举例来说，在空中拍摄的 100 公里长海岸线与放大的 10 公里长海岸线的照片会几
乎一模一样。而这就是后来本华．曼德博提出碎形理论的基础：局部的结构放大后，与整
体的形状非常相似。
最后，这两种模型的区别在哪里呢？差别在于一个模型涵括了世界的不确定性，而另一个
则否定了离群值的存在。举例来说，你觉得跟第二次世界大战同样规模的战争有可能出现
吗？或是用更贴切的例子说明，让时间回到 2019 年，我问你：你觉得跟黑死病般大规模
的传染病有可能在现代再次出现吗？
如果你是用钟型曲线的思考模式的话，你的答案是不会。因为那是离群值，就像你不会相
信一所学校会出现两个以上的 200 公分以上的同学一样，你不会预料到、你不会去相信
世界会产生再一次的属于离群值的事件。可惜的是，在 2020 年就爆发了新冠疫情。（在
2008 年、2000 年也都发生了经济学家根据模型觉得不会再发生的金融危机）那碎形的
模型会告诉我们什么事情呢？我的理解是，在一定区间内所发生的事件，可以类推到另外
一个区间之中。例如，在过去曾经发生过惨绝人寰的二战，则我们可以相信，在未来的慢
长时光中，是有可能发生比二战相同程度或更惨烈的战争的，只是机率很小，但我们可以
相信其发生是有可能性的。
用复制性去思考也是一个角度：我可以借由所有已发生的资料来推论我在一段区间资料里
看不到的事，但这些东西仍应属于有可能发生的范畴。举例来说，有一本看不见的畅销书
，这本书并没有出现在过去的资料里，但必须将其纳入考虑，因为曾经有洛阳纸贵的文字
载具的出现。值得注意的是，碎形指的是“自相似”而不是“自我复制”，也就是说碎形
是默认值、近似值，和架构，而不是某种精确的预测。碎形最大的价值，是代表了大多数
的随机性。进而减少许多意外的发生，让某些黑天鹅看起来是“可能发生”的，从而转变
成“灰天鹅事件”。
简单来说，利用碎形的概念可以让我们把一些未知的未知转成已知的未知。这有什么实际
应用吗？我得出的例子有地震、金融周期等等：既然发生过 921 这样严重的地震，根据
碎形我们可以相信未来很有可能也有相当程度的地震，于是我们对于房屋抗震的要求必须
提高，必须加强避难演练等等；金融崩溃过很多次，台积电在这几周疯狂上涨，但根据以
往的事件你可以相信，一定会有市场泡沫、价格崩盘的那一天，而当你知道了这件事，金
融灾难便不再是让人措手不及的黑天鹅。我想，碎形与钟型曲线思考模式的最大差异就是
，是否提醒了我们不要忘记稀有事件的出现机率。
心得：《黑天鹅效应》的基本启示
我认为第一次阅读《黑天鹅效应》至少要抓到上述的四大重点：火鸡事件、思考谬误、沈
默证据碎形模型。
上面的内容简介提到的四个重点，其顺序代表了《黑天鹅效应》这本书中的逻辑。火鸡事
件代表了黑天鹅事件的其中一项本质：黑天鹅事件是上当者的问题。那为何总是有人会上
当？因为四种捷思以及沉默证据带来的谬误深深烙印在人脑系统一的反应中。那要如何避
免成为火鸡呢？抛弃钟型曲线的思维去拥抱碎形是一种方式。当然，还有很多细节是我没
有提及的，例如预测无效，或是更多的逻辑小故事，这边提供一个简单整理全书重要名词
的书评心得（https://reurl.cc/MZNg0k）给各位参考。
你觉得《黑天鹅效应》是一本怎么样的书？是一本对未来的预言？还是对现代科学的讽刺
？我认为《黑天鹅效应》是一本训练思考的哲学书籍，其最大的价值在于更正了我们在思
考上的逻辑。我从来不认为本书最大的重点是“黑天鹅事件”或是“杠铃策略”，对于一
般读者而言最重要的地方也是最能刺激思考、最能带来价值的地方必然是“四种谬误”。
但是，如果真的要提念完本书后能得到的最大的、最具体的收益的话，我认为是“阴性建
议”。
不要去相信那些网络上所谓“专家”的建议，除非他们的建议包含某种痛苦的过程或反面
的叙述；书商不了解，阅读一百本成功人士的成功心得不如阅读十本失败人士的惨痛经历
；要怎么决定自己以后要成为什么样的人呢？最好的方式不是找一个憧憬的目标然后往前
追赶，而是要找到自己最不想成为的那种人，然后尽力避免自己真的变成那种人。阴性建
议或阴性思考会带给你与现在截然不同的价值观。不过，我得大声的声明，阴性建议并不
是要我们去“否认”许多事件、并不是要我们去“狭隘”我们的眼界。阴性建议的本质是
“我们对于我们不知道些什么，比起我们知道些什么，有信心的多。”我们没有能力从过
去的资料确认出正确的命题，可是我们能从资料中确定哪种命题是错误的，并且对其他事
情保持观望心态。
什么意思呢？让我们检视一下这本书的标题“黑天鹅事件”吧。
在 18 世纪的澳洲被西方人发现之前，他们普遍认为天鹅就应该是白色的。这个结论来自
欧洲人观察过的所有天鹅，每一只天鹅都是白色的。直到欧洲来来到澳洲的那一天，发现
当地存在黑色品种的天鹅后，才把上述的结论把打破了。这起事件对于生物学家来说或许
只是个小意外：“我们只是没有看过。”但其内涵可不小。黑天鹅事件代表了，我们根据
过往资料做的正面推论（想想火鸡认为的安全），很有可能是不堪一击的。
那从阴性建议的角度来看，一个聪明的、发现澳洲之前的西方人应该如何叙述天鹅的颜色
呢？我提供两个想法给大家参考。第一，因为阴性建议，我们得知我们无法从过去的资料
中做出明确定性的推论，因此我们得为声明加上一道保险：所有“我们看过”的天鹅都是
白色的。这句话说的是一个观察上的事实，而不是由事实泛化出去的推论；第二，可以说
出阴性的结论：不是所有天鹅都是黑色的（虽然我还没想出这样讲有啥用，但目前已知的
效果是不会出错）。那怎么去应用阴性的思考逻辑呢。书中有关“预测”的章节我认为叙
述的很精彩，例如“不要只思考事情发生的机率，要思考机率与影响程度”等等，这部分
的精彩内容就留给读者真正拿起《黑天鹅效应》再去体会！（或是后附的章节笔记也有简
单的整理）
最后，我在文末附上我阅读《黑天鹅效应》时做的章节笔记，欢迎大家参考！
章节笔记
第一部 艾可的反图书馆，或我们如何寻求确认
第一章 一名经验怀疑论者的见习
第一章是塔雷伯的小小自传，提及了为何他会研究不确定性。塔雷伯说，对他的思想造成
影响的书是他在黎巴嫩战争期间看的《柏林日记：二战驻德记者见闻》，这本书是日记形
式的历史著作，那为何这本书会对塔雷伯产生影响？因为“事情发生时”的纪录和“事情
发生后”回过头的纪录的差异是相当大的。塔雷伯发现身处当下的人往往以为自己了解所
有事情，但是却不尽然；而事后回顾这些事件的人，往往能指出明确具体的原因，但这只
是幻觉（当下的人根本无法察觉）。除了战争，另一个对塔雷伯产生重大影响的事件 198
7 年的大崩盘，那时塔雷伯是一位交易员，而他发现没有人事先认知到这次的崩盘，而这
就是他一直在寻找的“黑天鹅事件”。
第二章 尤金尼亚的黑天鹅事件
本章介绍一位叫做尤金尼亚的作家，她的写作风格融合了学术以及白描的散文。一开始没
有任何出版社愿意给这种作品机会，但当尤金尼亚成功了之后，又有一堆编辑跑过来问说
为什么没有在一开始就来找他们？他们一定能一眼就看出尤金尼亚写作风格的优点。而塔
雷伯相信很快地，就会有学术界给尤金尼亚的评价，例如她的作品在文学演变中代表着什
么地位，她的风格又是明显地受到哪门哪派文学家的影响等等。很明显，这些都是后见之
明，也很明显，这是个黑天鹅事件。最后，这个人物是塔雷伯虚构的出来的（这还是第三
章的注解...）。
第三章 投机者和妓女
本章在介绍平庸世界和极端世界，平庸世界指的是：当你的样本很大时，没有任何单一个
案可以显著改变整体或全部。观察到最大者，仍然令人感到印象深刻，但对整体而言，终
将不显著。作者以体重举例，把全世界体重最重的人放到你的样本里，也不过占你样本的
小小比例罢了。反之的极端世界非常不公平，单一观察点就能不成比例地影响整体或全部
，可以用二八法则来理解，或是把上一个例子中的体重改成财富总量。区分这两个世界很
重要，如果你厌恶风险，塔雷伯建议你待在平庸世界，虽然不容易获得大大的成功，但是
少可以透过合理的线性累积过上不错的生活。但是极端世界则不同，在这个世界中是没有
所谓的公平的，赢家会把所有的成果都拿走，而赢家跟输家的比例又是如此的悬殊。毕竟
是第二次看黑天鹅效应，我直觉想到经济学上所谓的“效率市场”或称“理性预期”的不
合理之处，想到之后不免对作者不喜欢经济学家的看法多了一点认同。
第四章 一千零一天，或如何才能不当傻瓜
本章就是著名的“火鸡章节”。凡事介绍黑天鹅效应都会提到的火鸡故事便是来自这章。
塔雷伯运用火鸡的故事提出了黑天鹅问题的原始形式：我们如何能从过去的既有知识去了
解未来；或是，更普遍地说，我们如何能在（有限的）已知基础上，了解（无限的）未知
性质？错把对过去所做的幼稚观察当成未来的确定模式或代表，是我们无法了解黑天鹅事
件的唯一原因。那如何规避黑天鹅的风险呢？在火鸡故事中，对火鸡来说是黑天鹅，但对
屠夫而言却不然。我们可以看得出来，黑天鹅事件是上当者的问题。换句话说，黑天鹅事
件之发生，和人的预期有关。你知道你可以用科学或保持心胸开放来消除黑天鹅事件。最
后看到两句有趣且值得说明全书的概念，有读者对塔雷伯说：“你的风险意识这么极端，
你是怎么过马路的？”确实，如果你单纯看黑天鹅效应的支持者会有种他们在杞人忧天的
感觉，但这是一种错误且片面的感受。注重黑天鹅、注重不确定性不是要你不要过马路，
而是要你不蒙着眼睛过马路，是要你过马路前过马路时过马路后多眼观四方耳听八方。这
章除了火鸡事件之外，还讲述了一些经验怀疑的哲学家的故事，例如休谟。（看完第十一
章回来做个补充，火鸡事件也可以拿来说明“基于过去资料的预测无效”这件事实，对于
同一个事件，可能可以证明其正面以及完全相反的事件）
第五章 确认确认个头
本篇介绍双程谬误与确认偏误。双程偏误指的是一种字句上的微妙差异造成的理解偏误，
举例来说“没有证据证实大型事件”与“有大型事件不可能发生的证据”是截然不同的叙
述；当医院开出诊断时，上面写着“没有证据显示生病”可不代表着这就是“没病的证据
”。塔雷伯在这章举出医学史上因为这种谬误造成的伤害，诸如母乳与膳食纤维的影响。
另外一个主题是确认偏误，指的是人们总会去寻找能去证实自己想法的证据（而且往往都
能找到）。最有名的例子应该是猜数字的规律，内容在这个影片（https://reurl.cc/a5v
7jZ）中有详细的叙述。这两个谬误的本质，其实都隐含了从正面思考的错误性：一系列
的佐证事实未必就是证据。看到白天鹅并不能证实黑天鹅不存在。然而，这里有个例外：
可以知道哪个命题错误，但未必知道哪个命题正确。如果我看到一只黑天鹅，则我可以确
认并非所有天鹅都是白色的；只要找到一个恶性肿瘤就可以证明你得了癌症，但没找到恶
性肿瘤，则不能确定地说你没有癌症。所以我们应该要靠阴性例子来逼近真相，而不是靠
确认已知的事实来逼近。错误的（阴性的）证据能比正确的（确认性）的事实提供更多的
证据。于是塔雷伯在这章建议了一种猜测和反驳的机制：拟出一个（大胆的）猜测，并开
始寻找证明其为错误的观察。这是寻找确定事例的替代方式。
第六章 叙事谬误
-本章介绍叙事谬误，指的是我们在看一连串事实时，很难不去编织故事，或等义地，对
这些事实强加逻辑连结，加上关系箭头。举例来说，在 2003 年侯赛因被抓到的那一天，新
闻台在相差不到一小时的时间内播出了两条讯息：“美国库券扬升；捕获侯赛因不能遏止恐
怖主义”、“美国库券下降；侯赛因被捕推升风险性资产的魅力”，你会发现同样的抓人（
原因），居然解释了一个事件及与其完全相反的事件。叙事谬误也时常误导我们的思绪，
例如，请你判断“南投发生大地震的机率”与“台湾发生大地震的机率”哪个较大呢？既
然后述的命题大于前者，自然是台湾发生大地震的机率比较大。可是很多人在知道答案前
会选择前者，为什么？因为南投真的发生过大地震，这个选项有画面感有故事性，就误导
了我们的大脑。叙事谬误的例子还有很多，例如你一个亲戚因摩托车事故而死亡，这件事
远比大量的统计分析更能影响你对摩托车的看法。在本章，为了深入叙事谬误，作者介绍
了系统一与系统二的思考。最后也提出了对抗叙事谬误的方式：注重一个领域就好。详细
一点的说，就是重实验轻故事、重经验轻历史、重临床知识轻理论。
第七章 活在希望的等候室里
在上一章的结尾这样写着：“到目前为止，我们已经讨论过黑天鹅事件眼盲的两种内在机
制，即确认偏误和叙事谬误。下一章将探讨外部机制：我们在接收和解释事件记录上的缺
陷，即我们在反应方式上的缺陷。”本章后半部以《鞑靼的沙漠》为主题，介绍外在环境
对身处黑天鹅（极端世界）中工作的人的影响。身处这世界的人不是赌黑天鹅事件将会发
生，就是赌黑天鹅事件永远不会发生，而这需要完全不同思维的两种策略。本章还提到了
类似“展望理论”的叙述：频繁的小小好消息比稀有的大好消息更好，一次性的负面冲击
比连续且为时很久的小冲击要好。这章给我的感受比较情绪化，稍微鸡汤一点：“许多人
终其一生，都在认为自己是在做正确的事之下孜孜不倦的努力，然而，他们很可能在一段
非常长的时间里，得不到具体的成果”、“你没有任何发现其实很有价值，因为这是发现
过程的一部分”这两句话提醒了所有在极端世界工作、期待着黑天鹅的人们（实验家、作
家、歌手）应有的处世态度。
第八章 卡萨诺瓦永不失灵的运气：沉默证据的问题
本章介绍沉默证据。沉默证据最为著名的应用，估计就是所谓的“幸存者偏差”了。说到
幸存者偏差最著名的例子，那一定就是第二次世界大战时有关美国空军的内部讨论了。在
1941 年的时候，美国空军正在探讨：飞机应该如何加强防护，才能降低被击落的机率。
军方研究自己的轰炸机遭受攻击后的数据后发现：机翼是最容易被击中的位置，而机尾则
是最少被击中的位置。好，现在如果你是空军总指挥官，你会选择加强机翼还是机尾呢？
答案可能会让你意外，美国空军最后决定加强的是最少被击中的机尾位置，而且最后证实
这个加强的决定是极为有效的。为什么呢？其实仔细思考后你一定也能理解，军方在蒐集
轰炸机被击中的位置资料时，那些资料是从哪些轰炸机身上取得的？一定是那些平安返回
军营的轰炸机吧。而在那些平安返航的轰炸机身上，机翼被击中的次数比机尾多上许多，
这个资料其实表明了被多次击中机翼的轰炸机，似乎还是能够安全返航；那在机尾的位置
很少发现被击中的痕迹的原因，并不是不容易被击中，而是一旦被击中，轰炸机几乎就不
可能返航了。这个事件带给我们很重要的启示，那就是死人不会说话，活人说的不准。换
句话说，失败者不会出声，而成功者无法代表全面的事实。除此之外，在这章给我很大的
思想冲击是这一句：“我们可以看到政府的所做所为，从而附和他们的功绩。但我们却看
不到替代选项。但替代选项的确存在，只是较为隐晦而不为人知。”冲击是因为，我自认
很喜欢经济学的思考方式，而经济学的体系很大一部分是要人们去看那些看不到的部分，
也就是判断机会成本。但我从未思考过机会成本可以用这样的形式被表达出来。透过这一
章，塔雷伯请我们正视所谓的因果性。当我们是当事者的时候时常会误判因果（只有赢家
能说话）。那当我们是旁观者的时候该怎么处理呢？可以参考“参考点理论”：参考点理
论是这样的：不要从赌赢者（或是幸运的卡萨诺瓦、总是会复苏的纽约市，或不可毁灭的
迦太基）的有利位置计算机率，而要从一开始就玩起的大批人马观点去计算。
第九章 戏剧谬误，或书呆子的不确定性
本章讨论戏剧谬误。老实说就算是第二次阅读，我还是不太理解本章的内容，以下说说我
个人的理解。塔雷伯所谓的戏剧谬误，应该是指那些把世界过度单纯化的人犯的思考错误
。本章以赌场举例，一间赌场能面临最大的损失是什么？是赌客作弊或是赌客真的因为运
气而赢大钱是最常见的答案。因此世界上所有的赌场都花大把金钱与心力去设计与完善赌
场的安全系统以及风险分配。但在这一章的内容中，塔雷伯指出一间著名赌场发生过的四
次最大的损失，居然都与设想好的无关。这就是戏剧谬误：在现实生活中，你并不知道机
率；你必须去寻找机率，而且，不确定性的来源没有限定范围。不过呢，我认为这里也有
一点谬误存在，就是如果赌场没有花这么多心思在他们认为的安全上，或许最大的损失真
的就会发生在那个类别。但这并不影响这一章要讨论的内容，我相信塔雷伯要说的是，我
们太容易只专注在我们“看到”的事情上，而且所谓专家看到的往往也是过度简化的事情
，所以本章的标题后面那句才会这样叙述：“书呆子的不确定性”。他们看到的不确定性
太温驯，都是处理过的，都只是“已知的未知”。
第二部 我们就是不能预测
第十章 预测之耻
本章透过解释“知识傲慢”来说明为何人们无法预测。什么是知识傲慢？简单来说就是我
们对于我们知道些什么显得傲慢。我们当然知道很多，但我们天生有个倾向，认为我们比
实际上多懂一点点，这一点点就足以让我们偶尔陷入严重困境。这种傲慢具有双重效应：
透过对不确定状态之范围的压缩（亦即，缩减未知数的空间），我们高估我们知所知，并
低估不确定性。相信很多人都听过一个随机丢飞镖去选标的的人与真正的交易员的成效几
乎不太有差别。这章提出了可能可以解释这现象的原因： 你给某人的资讯越多，他们沿
路所建构的假设就越多，而其辨识成果就越差。他们看到资讯里更多的随机噪声和错误。
可悲的是，不只是交易员，全人类的预测时常都是失败的（更可悲的是几乎没有人会去检
验这种失败；更更可悲的是，在预测失败后人们会开启新的一轮预测）。去看看 2000 年
时政府对现在的预测，不用真的看都能知道一定相差许多，那政府现在在干嘛呢？可能是
忙着预测 2040 年的活动吧。本章最后，塔雷伯提出几个预测时应该注意的点，直击我思
绪的有二：“错误率”与“最差状况”。我们在制定决策时所需要的政策，必须和可能的
出象范围有关，而不只是最后的期望数字。错误率提供了一个范围，与提醒看计划者用一
个更广阔的心胸（以这章的语言来说，做一只心胸宽大的狐貍）去想像未来；最差状况则
比预测本身还要重要。曾经听过一个说法，做计画时必须同时作出乐观与悲观的版本，并
且至少做好面对悲观的努力，或许正是这个道理。
第十一章 如何寻找鸟屎
本章以另一种角度解释为何预测会失败，塔雷伯首先从“发现”的模型开始。发现的古典
模型如下：你要寻找你所知道者（譬如说，到印度的新路线），却发现了某个你不知道竟
然存在的东西（美洲）。大多数重要的进步来自无法预测的事物，也就是那些“躺在想像
路径之外”的东西。不过，虽然事后这些发现（诸如演化论、青霉素、宇宙辐射）看起来
很伟大，但当时的人们并没有立即了解到这些发现的重要性。这就导出了另一个概念：要
预测一项科技是否会四处散播，意味着去预测时尚和社会流行这个庞大元素。而这些，都
不在科技本身的目标效用范围之内。人是没有办法预测到未来的，若要预测历史事件，我
们必须预测科技创新，而科技创新本身基本上是不可预测的。塔雷伯提到统计学上有所谓
的“迭代期望定律”：如果我预期在未来某一天将会预期到某件事，则我现在已经预期到
该件事（对未来之了解，若要达到能够预测未来的程度，则你必须具备来自该未来本身的
元素）。简单来说，因为上述的原因，我们无法预测未来：历史上已经发生过那种，出现
了可以改变世界的科技，但当时的世界却对之唾弃的经验。此外，本章还提及了“三体问
题”，其延伸是“混沌理论”与“蝴蝶效应”。看完本章，或许我们会对“预测”失去信
心，更甚者，怀疑我们为什么要做计画。塔雷伯在最后引述了“归纳之谜”做了结论：“
如果不再存在一个唯一的方式，让你对你之所见做“泛化”以推论未知，则你该如何操作
？显然，答案将是，你应该用“常识”，但在考虑某些极端世界变量的情况下，你的常识
可能不是很完备”。不是要我们不做计画，而是要知道计划的局限性，以及对局限性作出
准备。
第十二章 知识政体，一个梦想
本章讨论了“前向过程”与“后溯过程”的差异。塔雷伯邀请我们做一个思想实验，请你
想像两个不同的状态。操作一（融化中的冰块）：想像一个冰块，并思考接下来两个小时
中，当你和朋友玩几局扑克牌之后，会融成什么样子。试着想像出融成冰水混杂的样子。
操作二（水从哪里来）：考虑地上的一摊冰水，现在试着把你心中所看到的冰块重新建立
成原来的样子。请注意，这摊冰水未必来自冰块。这两种过程的差异在于，如果你有正确
的模型，你可以极为精确地预测这个冰块如何融化。然而，从一摊水，你却可以导出无限
多种可能的冰块，如果原先真的有个冰块的话。老实说我实在无法深刻理解塔雷伯举的这
个例子，让我们换句话说吧，以区块链为例。区块链的加密技术建立在数学的不对称性上
，可以用因子分解做简单的类推。当我给你一串复杂的方程式要你做因式分解，可能你会
需要许多的步骤（遑论利用椭圆加密技术），但如果我直接给你分解好的式子，让你去验
证事不是原来的方程式的话，恐怕你只需要不到一分钟的时间就能计算完毕。从解去验证
题目就像是“前向过程”，而由题目去分解出解就像是“后溯过程”，后者在过于复杂的
系统中基本上是无法实现的。而塔雷伯本章后半部说的就是这种后溯过程在历史上的应用
：我们应该知道历史，而不从中得出理论。学着去读历史，尽可能地吸收所有知识，不要
觉得轶事不好，但请不要做任何因果连结，不要太努力地去尝试逆向过程（唸历史不要去
找原因，光是看到历史，就能观察到许多东西）。在本章前半也有个针对不对称性的见解
：在人们的心中，过去和未来之间的关系，并不是从以前的过去和未来之关系习得。也就
是当我们在想明天时，我们并不是用我们昨天或前天的看法来构想明天。由于这种反省上
的缺陷，我们学不到我们先前的预测和后来的结果之间的差异。当我们想明天时，我们只
是把它当成另一个昨天去预测。这个见解的重点并不完全在我们倾向于错误预测我们的未
来快乐，而在于我们不会递回地从过去经验中学习。
第十三章 如果你不能预测，该怎么办？
本章为第二部的总结，也是本书著名的“杠铃策略”的出处。杠铃策略的构想很简单，就
是尽可能地超保守和超积极，而不是温和的积极或保守。其细节我不赘述，本章还提到其
他很多的原则，不过正如塔雷伯在本章最后总结的，本章一切的建议，都建立在“不对称
性”上。把自己放在正面、可预期、风险低的那一面是一切的基础。举个例子吧，要投注
在准备上，而不是预测上：政府无法知道地震何时会发生（负面、不可预期、风险高）但
政府知道地震发生后会发生什么事，以及应对这些事需要准备什么（正面、可预期、风险
低）。我们永远都无法知道未知之事物，因为，在定义上，那就是未知。然而，我们总是
能猜测其对我们的影响，而且我们应该根据他来做决策。塔雷伯建议我们可以把焦点放在
一个事件如果发生的话，其报酬和好处。非常稀有事件的机率是无法计算的，而一个事件
对我们的影响，却非常容易确定。换句话说我们可以对一个事件的结果有清楚的概念，即
便我们不知其发生的可能性有多大。我个人的得到，针对本章的主题“预测”我会这样理
解，作者不是要我们放弃预测，而是要我们放弃去预测“事件的出现”。那放弃后的资源
要拿来干嘛？要把资源拿来针对事件最差情况的准备上，也就是说我们仍然需要预测，但
预测是为了让我们建立准备，而不是赌任何虚无飘渺的机会。除此之外，把不对称性在职
业或投资上也有许多应用，投资比如风险分散策略，虽然说塔雷伯是建议极度积极以及极
度保守，不过我相信不对称性也可以很好的检视一些著名的投资策略为何有用（例如定期
买进），职业部分要从事那些把风险丢给别人的职业，或是获利下档有限，上档几乎没有
限制的职业（忘记这个想法是在《反脆弱》还是《投资最重要的事》中有更详细的介绍了
）。
第三部 那些极端世界里的灰天鹅
第十四章 从平庸世界到极端世界，再回来
在第三部的前言中，塔雷伯是这样介绍这一章的内容的：本书的编排方式是把技术性（但
非不可或缺）的章节放在第三部，对思想周密的读者而言，这些部分可以跳过而不会有任
何遗漏。第十四章就开始了一些技术性的叙述，不过跟《反脆弱》中有一大部分的数学条
列不同，本章的技术性是指介绍了一些其他学者做的研究以及其延伸。从马太效应开始吧
，马太效应取名字圣经上的一段话：“凡有的，还要加给他，叫他有余；凡没有的，连他
所有的，也要夺去。”这种现象在社会学上有个比较专业的名称“累积优势”，指的是人
们会把穷人的资源拿去给富人：大的越来越大，而小的还是很小，或是相对上变小了。接
著塔雷伯开始探讨“运气”的作用，并且说明了在极端世界中所谓“长尾”的作用：长尾
是极端世界的副产品，让极端世界不会那么不公平：世界并没有因此对小家伙更公平，但
却对大人物变得极为不公平。没有任何人是真的屹立不摇，小家伙极具破坏力。有趣的是
，本章还提到了全球化带来的问题，在去年疫情的时候塔雷伯还在推特上截了这一段说他
警告过大家了XD。看完这章，我对大的越大这个概念很感兴趣，本章以学术圈为例，说明
学者最好越早成名越好。我想这在很大程度上再一次告诫我们，我们的思考逻辑有多大的
漏洞，就连最严谨最逻辑的学术界也会被这种谬误给唬住。
第十五章 钟型曲线，知识大骗局
本章在讨论钟型曲线不适用之处。钟型曲线意即常态分配，就是距离平均值一个标准差的
范围内有 68% 的机率的那个模型。塔雷伯指出常态分配的第一个问题就是过度藐视极端
事件发生的机率：高斯钟型曲线的变动顶着逆风，使得你在离开平均值时，机率会掉得越
来越快，而具“规模可变性”或曼德伯模式的变异，并没有这样的限制。但常态分配也不
是全然无用，只是必须分清楚适用与不适用的场合：有些变量，如果有合理的理由相信其
最大值和平均值不会相距太远，则我们可以善用高斯法。如果有个引力把各个数字拉下来
，或著，如果有个实体限制，防止非常大的观察值之出现，我们就是处于平庸世界之中。
如果有个强大的均衡力量，使得状况一旦脱离均衡，就会被相当迅速地拉回到均衡点，则
你还是可以用高斯法。否则，就别管高斯法了。本章以咖啡杯为例，但我认为用热力学第
二定律说明会更有印象：按照热力学第二定律的说明，在理论上热量的传播是有可能从低
温传向高温的，但现实生活中热量必由高温往低温传，这是因为物质中每一个分子都要做
出选择，而分子的数量规模过大，并且选择的方向服从高斯分配（每一个状况都有相等的
机率，但构成同样的结果状况的机率会被相加。而这就是高斯模式的关键：许多部分都混
在一起了），亦即出现平均的机率远大于出现离群值的规律。塔雷伯给出另一个判断基准
：如果你所处理的是质的推论，如心理学或医学，寻求“是/不是”的答案则量的大小在
此不适用，那么，你可以假设你处于平庸世界而不会有严重的问题。但如果你所处理的是
“总计数”，量的大小很重要，如所得、你的财富、投资组合的报酬，或书籍销售额，那
么，如果你用高斯模式，你就会碰上难题，并得到错误的分配。本章举了许多例子说明钟
型曲线不适用的地方，不过最有趣的是，塔雷伯写道当他跟其他人说钟型曲线在现实生活
中其实并不是处处可见的时候，那些人往往要他提出证明。而且“那些人”往往是大量使
用钟型曲线的人（统计学家、经济学家）。这里就显出了经验怀疑论者的过人之处，当我
们在猜想钟型理论有问题时，要做的事情不是研究并举出一堆可能产生非钟型曲线随机性
的模型（虽然很有可能必须研究作辩论使用），而是要尽可能地研究并了解钟型曲线，并
找出他在什么地方适用，什么地方不适用。
第十六章 随机性的美学
本章介绍如何利用碎形驯服黑天鹅事件。在一开始，塔雷伯介绍了他极为赏识的学者：本
华曼德伯。并推崇他的碎形成就。何谓碎形？指的就是在不同尺度下自相似的物理，例如
在高空看英国的海岸线，以及拿放大镜看海岸线中的一小段所得到的图形是极为类似的。
那如何用这个概念做随机性的推测？我的理解是，在一定区间内所发生的事件，可以类推
到另外一个区间之中。例如，在过去曾经发生过惨绝人寰的二战，则我们可以相信，在未
来的慢长时光中，是有可能发生比二战相同程度或更惨烈的战争的，只是机率很小，但我
们可以相信其发生。用复制性去思考或许也是一个角度：我可以借由已发生的资料推论我
在资料里看不到的事，但这些东西仍应属于机率的范畴。有一本看不见的畅销书，这本书
并没有出现在过去的资料里，但必须将其纳入考虑。值得注意的是，我们并不是从已知资
料中去寻找规律或是试图得出相关性及任何结论，资料只是资料，或是把资料想像成图形
，并且引入碎形的概念，相信在下一个时间段内会发生自相似的状况。注意“自相似”这
个名称，相似不代表完全一样，塔雷伯说碎形代表了大多数的随机性，但我们不一定要接
受其精确的使用方式。碎形应该是默认值、近似值，和架构。碎形随机性是减少这些意外
的一个方法，让某些天鹅看起来可能发生，也就是说，让我们察觉其重要性，把它们变成
黑色。但碎形随机性不会得出精确的答案。也就是说，利用碎形的概念可以让我们把一些
未知的未知转成已知的未知。但这有什么实际应用吗？塔雷伯在本章并没有明确的指出实
例，我自己的思考是例如地震、金融周期等等。既然发生过 921 这样严重的地震，根据
碎形我们可以相信未来很有可能也有相当程度的地震，于是我们对于房屋抗震的要求必须
提高，必须加强避难演练等等；金融崩溃过很多次，台积电在这几周疯狂上涨，但根据以
往的事件你可以相信，一定会有价格崩盘的那一天，而当你知道了这件事，金融灾难便不
再是让人措手不及的黑天鹅。我想，碎形的思考模式主要就是在提醒我们不要忘记稀有事
件的出现机率。
第十七章 洛克的狂人，或放错地方的钟型曲线? ?
本章在叙述塔雷伯在推广高斯模型不恰当时遇到的挑战。没有太多深刻的东西在本章，在
这章一开始塔雷伯就写了：“这是本书在财务和经济学上之一贯论点的简单释例。如果你
不相信钟型曲线在社会变量上的应用，如果，你和许多的专业人士一样，已经相信‘现代
’财务理论是危险的科学垃圾，你可以很安全地跳过本章。”比较有趣的是，这章提及了
前面章节提过的“领域攸关性”，简单来说就是换了一个位置就换了一个脑袋。许多交易
员在跟塔雷伯讨论模型时都理解并且承认了模型的缺失，但隔天进办公室后却还是使用模
型来预测。这种人就像洛克所定义的狂人：“从错误的假设前提做正确推理”者。钟型曲
线不适用的理由在第十五章有提到，我在这里再做两个自己的小总结：首先，钟型曲线对
离群值的概率估算的太低了，以至于如果我们根据高斯模型做预测会把自己暴露在极大的
风险之中（且不自知）；第二，造成这种现象的原因是因为钟型曲线不具备“缩放性”，
也就是“规模可变性”。
第十八章? 假学究的不确定性
本章在批评虚伪的不确定性。塔雷伯以“测不准原理”为例，这个原理指的是人们无法同
时测量到一个例子的位置以及动量，时常有人把这个原理当作极致的不确定性。但塔雷伯
却嗤之以鼻，他认为测不准原理根本就和不确定性无关。为什么？因为这种不确定性为高
斯模式，取平均之后，他将消失。我们也许永远无法确微小粒子的未来位置，但这些不确
定性非常微小且非常繁多，而且他们会被平均所消除。“人们无法预测他们最近才取得的
东西可以享用多久，他们的婚姻会持续多久，他们的新工作会有怎样的变化。然而，他们
所说的“预测极限”竟是指次原子粒子。”另外本章延续了“戏剧谬误”来批判哲学家，
哲学家被聘请来怀疑世界来得到真理，但塔雷伯发现这些哲学教授处理薪资的方式竟然是
将一定比例的金额丢给基金交易员处理。怀疑论哪去了？这世界上的人会举出一大堆例子
去怀疑宗教，但只有极少数的人会去怀疑经济从业人员（或是医生）。最后，塔雷伯总结
了第三部的内容“我要重复说，我对黑天鹅事件的解药就是不要把我的思维规格化：不是
如何思考，而是如何把知识转化成行动，并搞清楚哪些知识有价值。”第四部估计就是具
体说明这句话的应用吧。
第四部 完结篇
第十九章 一半一半，或如何向黑天鹅事件报仇
本章介绍塔雷伯面对生活的准则，其核心就是前面章节提过的“杠铃策略”。不过这章多
了蛮多抽象且生活化的说明：“我对其他人，尤其是我所谓的文化市侩之人所轻易相信的
事，抱持超级怀疑论；但对其他人所怀疑者，却轻易相信。我对确认感到怀疑，但只有在
错误的代价非常昂贵时，而不否认否证”、“我不太担心小挫折，比较担心大失败，决定
性的失败；我比较少担心广为人知且轰动一时的风险，而比较担心恶意隐藏的风险”。本
章最后，塔雷伯提出的思想类似于柯维在《与成功有约》中提到的“选择的自由”：“错
过火车，只有在你追着他跑时，才会觉得痛苦。如果你以自己的标准，作出自己的决策，
你就更加掌握到你自己的生命。”担心自己所能担心（力能所及）的就好，而面对黑天鹅
事件的法则就是尽力把自己的“力能所及”扩大，并且不去担心那些在平庸世界的细枝末
节。
后记随笔：谈坚固与脆弱，哲学和实证上的深层思考
第一章 向大自然学习，最古老的智慧
后记写于《黑天鹅效应》出版后的三年，其中间经历了 2008 年的金融海啸。本章以一点
点篇幅讨论了这起事件“我对二零零八年的风暴只要做非常简短的讨论：这场风暴在本书
出版后发生，随你怎么说，这场风暴不是黑天鹅事件。这只是许多系统建立在对黑天鹅事
件的无知上，且否认有黑天鹅事件的脆弱后果。”本章比较大的重点是关于下一本书《反
脆弱》的连结（塔雷伯在写这篇时还没写出下一本书），其连结指的是“系统”、“多余
”、“坚固”、“脆弱”。这一章最好玩的就是抨击全球化的部分，在这一章中塔雷伯明
确的写出：“再一次，我并不是说我们要停止全球化并阻止旅游。我们只需注意其副作用
和代价，但很少人去注意。我看到了风险，一只非常奇怪的凶猛病毒正散播到地球的每一
个角落。”这恰好吻合了去年爆发的新冠疫情。不过再一次，我相信塔雷伯不会把这次疫
情称之为黑天鹅事件，充其量是灰天鹅，因为这个风险是预料的到的，只是那些“专家”
没有作出坚固的系统，或是说没有准备多余的资源去应对罢了（也许原因是他们认为这根
本不会发生。为什么？问问钟型曲线）。
第二章 我为什么要做这么多的步行，或系统如何变脆弱
本章点出了《反脆弱》一书一开始的核心架构，我在此不多做赘述，尔后重读反脆弱时自
然会写到。不过还是有些东西必须现在总结，例如在本章塔雷伯提到了“间歇性”的饮食
，他追求的是极端的压力与适当的休息之间组成的随机性生活。“活体组织（不论是人体
或经济体）需要可变异性和随机性。而且，他们需要极端世界型的可变异性，某种极端的
施压因子。否则他们就会变得越来越脆弱。”从前说的一日三餐是医学上的谬误，那我们
要如何避免这种研究谬误呢？塔雷伯说“大自然并不完美，但到目前为止已经证明比人类
聪明，当然也比生物学家聪明。因此我的方法是先假设大自然比任何人都更权威，然后结
合以证据为基础的研究（去除掉生物学理论）”。看完这章，正在减肥的我产生了一些新
的想法：首先，重量训练会是基本不变的，我想维持这一个基本的系统稳定性（然后在这
系统之上附加随机性），然后重量训练之后的有氧会是随机安排（慢走一段时间，突然快
跑一段时间，再回来）。饮食的部分也会朝这方面做发想，不过感觉很难做到，我自己也
有本书提到的“领域攸关性”的毛病吧。
第三章 明珠配猪猡
本章讨论一些社会上对黑天鹅事件（或是塔雷伯本人）的误会。我想我第一次看完这本书
也常落入这种误会当中，例如会觉得预测、统计学、经济学都是无用的等等。但实际上，
塔雷伯说的不是“不要去预测”或“不要用模型”，而是“不要用误差很大的没用模型”
和“不要在第四象限里用模型”。在本章最后，塔雷伯总结了一句：“黑天鹅事件大部分
是由人们使用远超过自己所了解的方法，根据错误的结果，投以过度的信心。”因此避免
受到黑天鹅事件冲击的关键之一是“知道自己方法的有效边界”，在前面的章节塔雷伯称
之为“平庸世界”，而在之后的其他章节则是“第一到第三象限”。另外，这一章再度提
到“在类似确认偏误的毛病之下，江湖郎中提供许多大家所需要的阳性建议（要去做什么
），因为人们不珍惜阴性建议（别做什么）。今天，“如何不破产”似乎不是一个有效的
建议。”阴性建议或许能提供更多的资讯，我觉得这可以成为日后给人建议时的一道原则
。
第四章 亚斯伯格症和本体论的黑天鹅事件
本章讨论哲学上的黑天鹅事件以及何谓机率。在一开始塔雷写道：“黑天鹅讲的不是一些
客观定义的现象如下雨或车祸等，那只是特定观察者没预期到的事物”也就是火鸡的黑天
鹅并不是屠夫的黑天鹅。所以黑天鹅事件在哲学的讨论上存在着认识论与本身论的差异，
不过这种差异在实务上基本没有区别就是了。在本章后半段讨论了机率，讲述了主观机率
与客观机率的差异，这一段是比较好理解的。我会这样叙述，事实上，每一个人得出的机
率（主观）都算是一种条件机率，基本不存在客观机率这种事情。
第五章（或许是）现代哲学史上最有用的问题
我们不需要在乎一个事件发生的机率，我们需要在乎的是一个事件发生后的影响规模，总
地来说，我们需要注意的不是 0~1 之间的机率分配，而是机率乘以事件规模后得到的期
望值。预测“一场战争”是没有意义的：你必须预测其伤害，然而，极端世界中没有典型
的伤害。很多人预测到第一次世界大战的发生，但没有人预测到他的规模。那怎么办呢？
事件越稀有，你能得到的实证资料就越少（我们大方地假设未来和过去类似），于是我们
就越需要依赖定理，依赖一个先验的模型来表示（而不是从标?