THK-A7 — 可训练边界:反馈结构决定哪些直觉能练成可靠、哪些只能永远系统 2 慢走

前六讲每一讲都落到「怎么练」,但它们共享一个从没被验过的隐藏前提:刻意练习一定能把慢分析内化成可信的快直觉。这个前提是错的——它只在一部分领域成立,在另一部分领域,越练越糟。

根因在于直觉的物理本质。所谓「一眼看准」的直觉,不是魔法,而是大脑对环境规律的一次高度压缩的模式匹配:你把过去成千次「情境 → 结果」的配对压成了一套内隐模板,遇到新情境时秒级调出最像的那个。这个机制立刻暴露它的依赖条件:要压进去的必须是真规律。如果一个领域根本没有稳定规律(结果主要由运气/噪声决定),或者有规律但你收不到「猜得对不对」的反馈,那么你日复一日压进模板库的,就不是规律,而是噪声与偏误——而且每次「碰巧对了」都在强化这套错模板。这就是为什么在错的领域,「二十年经验」往往只是把偏误练得更自信。可训练边界这一讲要立的,就是判断「这个领域,练直觉到底值不值」的第一性判据。

直觉能不能变可靠,不是程度问题,而是先有没有资格的问题。Kahneman 与 Klein 在 2009 年那篇著名的「一次没能吵起来的争论」(Conditions for Intuitive Expertise: A Failure to Disagree,American Psychologist 64(6):515–526)里,两位一辈子立场相反的学者——一个专挑直觉的错(Kahneman)、一个专信专家直觉(Klein)——最后达成的共识,恰恰是两个必要条件的合取:

这是逻辑合取(AND)不是析取(OR)——这一点是全讲的支点。第一个条件(high-validity environment)是外部的:这个领域的线索与结果之间,客观上得存在可被大脑抽取的稳定关系。棋局、心电图、电路波形有;赌轮盘、猜下一秒股价没有——后者你再聪明也压不出规律,因为规律不存在。第二个条件(feedback)是闭环的:你得反复拿到「刚才那一判到底对不对」的信号,才能把猜测与真相配对、校准模板。

为什么必须两个同时满足?因为缺任一个,压进模板库的都不是可靠规律:

• 有规律、无反馈 → 你在抽取真规律,但没有校准信号,抽错了也不知道,模板长期漂移。典型:长期投资决策——市场有部分规律,但一个决策的对错要几年才见分晓,反馈又慢又被噪声淹没,于是「盘感」多半是幸存者偏差的自我叙事。
• 无规律、有反馈 → 反馈再快也没用,因为根本没有稳定规律可学,你只是在给随机结果编因果故事。典型:短线择时——每天都有明确盈亏反馈,但价格短期近似随机游走,快反馈只会加速你把噪声固化成迷信。

合取成立,直觉才配被信任;这正是 A6「自问三」那条判据的出处——不是凭感觉决定信不信直觉,而是先查这两个条件在当前领域各占几成。

把上面的合取落到「一个具体领域该怎么归类」,最好用的语言是 Hogarth 提出的 kind(友善)与 wicked(险恶)学习环境这对术语(诚实标注:这是一个被广泛引用的描述性框架,不是像上面那条合取那样有严格实验共识的强论断——当好用的分类工具用)。判据只有一个:你收到的反馈,是否忠实地反映了判断的真实质量。

kind 环境:规律稳定、反馈及时、明确、且归因清晰——你一判,很快就知道对错,且知道是「因为什么」对/错。棋类、编程(编译器/测试即时报错)、外科手术、以及读者本域里大量场景:看一张开关波形判断「这个振铃/过冲正不正常」、听电机异响判定轴承问题——老工程师这类直觉高度可靠,因为每次判断都在几分钟内被示波器/拆解证实或证伪,是标准的 kind 环境,值得大量刻意练习去内化成快直觉。

wicked 环境:规律弱/不稳,或反馈慢、稀、带噪、甚至系统性误导(你以为的成功其实是运气)。宏观经济预测、长期技术路线押注、器件十年级可靠性的「手感」——都是 wicked。这里最危险的不是没反馈,而是误导性反馈:一个错判可能因为运气而「成功」,反而强化了错模板。对 wicked 领域,正确策略不是苦练盘感,而是永远用系统 2 慢走 + 概率化 + 外部校准(A5 的决策日志正是为此)。

关键的工程含义:同一个人的直觉,在 kind 子领域可信、在 wicked 子领域不可信,不能整体信任一个「专家」。一个能一眼看穿波形问题的资深硬件工程师(kind),对「这颗新国产 SiC 五年后场返率」的直觉(wicked,无十年反馈)并不比新人更可靠——他只是更自信。分不清自己哪块直觉落在边界哪一侧,是专家最典型的翻车点。

前两节告诉你「按反馈结构分类领域」,但反馈结构本身常常不在表面——你得往下看一层才能看清一个领域的反馈回路长什么样,这就需要系统思维,它是判断可训练边界的工具。

核心工具是二阶效应:一阶思维问「这一下会怎样」,二阶思维问「然后呢——系统会如何反应、新均衡落在哪」。以读者本域一例:给驱动加大栅极电阻,一阶是开关变慢、EMI 下降(直接、快反馈,kind);但二阶是开关损耗上升→结温上升→长期看寿命与可靠性变化(慢、隔了几层、反馈以年计,wicked)。同一个设计动作,它的一阶后果落在 kind 区、二阶后果落在 wicked 区——这解释了为什么工程师对「调参的即时效果」直觉很准,对「这个折中的长期代价」却必须靠系统 2 慢算,不能靠手感。

再往上,Meadows 在《系统之美》里把「在哪使劲最省力」排成了 12 个系统杠杆点,从最弱到最强(顺序据 Meadows 原文,已核):最弱的第 12 是调数字/参数(税率、补贴、你代码里的某个常数),往上是缓冲区大小、材料流结构、时延、负/正反馈回路强度、信息流结构(#6)、规则(#5)、自组织能力、目标(#3),最强的第 2 是范式/心智模式(paradigm),第 1 是超越范式的能力。这个排序对个人成长的直接翻译是:

改一个具体行为是参数级、最弱、最易反弹;理解并改造让该行为反复出现的反馈回路是中层;而改掉一个错误的基本假设/看法是范式级、最强——这正是 THK-A2 说的「重构 Representation 是最高杠杆」在系统语言里的同一句话。四操作与系统思维在这里合流:换 Representation = 在最高杠杆点(范式)上撬系统。

概念地基讲的价值不在记住术语,而在能改动作。把这一讲落成三个可执行的练法:

练法一——给每个想练的技能贴「反馈标签」,再决定投入方式。 拿出你正在刻意练的任一技能(判波形、写英语、押技术路线),对它诚实打三个分:反馈及时吗?明确吗?归因清晰吗(知道为什么对/错)?三项都强 → kind,放心大量刻意练、让它内化成直觉。任一项弱 → wicked,别练盘感,改为系统 2 慢走 + 强制概率化。这一步防的是最大的浪费:在 wicked 领域苦练直觉,练出的只是更自信的偏误。

练法二——对 wicked 领域人工制造反馈闭环。 wicked 的病根是反馈慢/噪,那就人工给它补一个闭环:每次重大判断前写下概率 + 理由 + 预期何时可验证(决策日志,承 A5),到期强制回看对账。这不能把 wicked 变 kind(规律弱这一条改不了),但能把「误导性反馈」至少变成「诚实但迟到的反馈」,让你少固化几个错模板。

练法三——卡住时先问「我在哪一层使劲」,别在参数级空转。 遇到反复出现的问题(某类 bug 老犯、某个学习瓶颈总突破不了),用杠杆点自查:我是在调参数(#12,治标)、还是在改反馈结构(中层)、还是该改一个基本假设(#2/范式,即换 Representation)?人的默认倾向是永远在参数级打转(反复微调同一个行为),而真正的杠杆常在更高层——这一问,就是把 A2 的「换看法」变成一个可随时触发的动作。

这一讲的骨架是一条判断链:直觉的本质是压缩环境规律 → 压得对需要「高效度环境 ∧ 可学反馈」两个必要条件合取 → 据此把领域分成 kind(可练直觉)与 wicked(只能慢走)→ 判断归属要用二阶效应看清反馈回路 → 使劲要挑对杠杆层(参数 < 反馈结构 < 范式)。它给的不是一套新技巧,而是一层元判断:在动手练任何思维直觉之前,先判断这个领域配不配被信任直觉。

有了可训练边界这把尺,下一讲 THK-A8 顺势进入 AI 时代的人机分工——当 AI 把 Generation 变得近乎免费,人的稀缺价值退到两端:一端是提对问题、框定问题的 Representation,另一端是证伪 AI、判断「这个答案信不信」的 Evaluation + Metacognition。而「信不信」的底层判据,正是今天这条可训练边界:AI 缺真实反馈校准,它的「直觉」天然落在 wicked 一侧,必须被人当作永远需要系统 2 复核的输出。