01原理
基础概率说的是：在看任何一件具体的事之前，先问它所属的那一类事情，通常是什么结果。一个新功能会不会按期上线，先看团队过去十个功能平均延期多少；一个客户会不会续约，先看同一档客户的续约率；一份漏洞报告是不是真的，先看过去这类报告里有几成被确认。这个“通常”就是起点，然后再根据手头这件事的特殊信息往上调或往下调。
人恰恰习惯反过来做。我们先看到的是具体的人和具体的故事：创始人很聪明，演示很顺，报告写得很专业。这些细节生动、好记，于是判断几乎完全由它们决定，那个枯燥的“同类事情里十个成几个”被扔在一边。卡尼曼和特沃斯基把这叫作忽视先验概率。芒格说的“生动证据要压低、不起眼的证据要抬高”，用在这里最贴切：基础概率就是最不起眼的那条证据。
对小团队来说，这个模型最大的用处是省钱省时间。人少，每个判断错了都要自己扛。先拿基础概率定一个锚，能挡掉大量“这次不一样”的冲动；真要押注例外，也会清楚自己在押什么、需要多强的证据。
为什么成立
背后的数学是贝叶斯法则：结论的可信度 = 先验（基础概率）× 证据的区分力。证据再像样，如果它在“真”和“假”两种情况下都同样容易出现，它就几乎不改变先验。特沃斯基和卡尼曼的实验里，一段对谁都适用的人物描述，本该让人回到原来的 70% 或 30%，被试却给出了约 50% 的答案，等于凭空发明了证据。另一面是：先验越低，同样的证据能撑起的结论越弱。一个误报率只有 1% 的检测器，用在真阳性很少的人群上，报警里错的可以占很大一部分。
人为什么会忽视它？因为大脑判断概率时，实际上在判断“像不像”：这段描述像不像工程师，这个团队像不像会成功的团队。“像不像”只看个案和原型的相似度，完全不含“这类人在人群里有多少”的信息。芒格说大脑的风险估算是粗糙的近似，指的就是这类结构性缺口，所以只能靠刻意的流程去补：先写下基础概率，再讨论个案。
02芒格怎么说
芒格没有专门讲过“基础概率”这个概念，我们查过的几次主要演讲里都没有出现这个词；它来自卡尼曼和特沃斯基的研究，是后人把它归进芒格格栅的。但它和芒格反复讲的两件事直接相连。一是 1994 年在南加州大学，他说人脑天生的风险估算只是对费马和帕斯卡概率数学的粗糙近似，必须专门学、天天用。二是 2005 年修订的《人类误判心理学》，他把这套概率数学列为过度乐观的“标准解药”，又在“可得性误判”一节里要求刻意压低生动证据的分量、抬高不起眼证据的分量。基础概率正是那种最不起眼、最容易被一个好故事盖过去的证据。
It uses a very crude, shortcut-type of approximation. It’s got elements of Fermat/Pascal in it. However, it’s not good.
大脑用的是一种非常粗糙的走捷径式近似。里面有一点费马和帕斯卡的成分，但并不好用。
extra-vivid evidence, being so memorable and thus more available in cognition, should often consciously be underweighed while less vivid evidence should be overweighed.
格外生动的证据因为好记、更容易浮上心头，往往应当有意压低它的分量，而不那么生动的证据则应当抬高分量。
03怎么用
- 01
做排期和预算时，先查自己的历史，再听当事人的估计
把过去所有项目的“预估工期”和“实际工期”列成一张表，算出平均超出多少、最差的几次超出多少。新项目的估计出来后，先乘上这个历史比例，再讨论这次有没有理由更快。小团队往往没有这张表，那就从今天开始记，三个月后就有了自己的基础概率。
- 02
给所有自动检测和告警算一遍“报警里有几成是真的”
上线一个分类器、风控规则或评测打分器之前，先估计被检测对象里真阳性大约占多少，再用误报率和检出率算出“它报警时，对的概率有多大”。如果真阳性只占 2%，即使误报率 1%，报警里也可能有三分之一是错的。算出来太低，就别让它自动做决定，只让它排优先级，交给人复核。
- 03
看机会时，先找到对的参照类
评估一个收购、一笔合作或一个新市场，先问：和它最像的一类事情，历史成功率是多少？参照类要选得够具体，比如“种子轮 AI 应用公司被大厂收编”而不是笼统的“创业公司”。参照类选不准时，就并列两三个，看结论是否一致；不一致说明你对这件事还不了解。
- 04
基础概率一变，流程就要跟着改
基础概率不是常数。渠道、用户结构、外部工具一变，同一类输入里“真东西”的比例可能骤降或骤升。每个季度复核一次关键入口的命中率：线索转化率、简历通过率、工单里真实故障的比例。命中率大幅下降时，该做的是改筛选规则和激励，而不是让人更努力地逐条看。
04案例
伯克希尔追踪了几百个“扭亏为盈”故事
巴菲特在 1980 年的致股东信里写道，这些年有几百个“扭亏为盈”的机会摆到他们面前，横跨几十个行业，他们或者亲自参与，或者在旁边观察，一直在拿实际表现和当初的预期作对比。结论是：除了少数例外，当一个以才干著称的管理层接手一门以基本面糟糕著称的生意，最后保住名声的是那门生意。这是一个很干净的基础概率做法：不去逐个评判每位明星经理人有多能干，而是先看“好经理人加坏生意”这一类组合通常的结局。他同时点名 GEICO 看起来是例外，1976 年从破产边缘被救回，并解释了它为什么不同。承认例外的存在，但要求例外拿出具体理由，这正是先验加证据的顺序。[3]
70 个工程师还是 30 个工程师：被试把比例扔掉了
特沃斯基和卡尼曼在《科学》杂志的论文里描述了一个实验：被试读到几段人物简介，被告知这些人随机抽自 100 位专业人士，有工程师也有律师，要判断每个人是工程师的概率。一组被告知其中 70 个工程师、30 个律师，另一组被告知比例反过来。按贝叶斯法则，两组的判断应当差很多，但实际上两组给出的概率基本一样，被试只看简介像不像工程师。没有简介时，他们能正确说出 0.7 和 0.3；可一旦给出一段毫无信息量的描述，比如“30 岁，已婚，没有孩子，能力强、干劲足”，他们就把比例丢了，回答接近五五开。教训是：哪怕是一段空洞的故事，也足以把基础概率挤出脑子。[4]
curl：漏洞报告的确认率从一成五跌到不足 5%，奖金计划随之关闭
curl 是一个由很小的团队维护的开源项目，安全团队一共七个人。项目负责人丹尼尔·斯滕贝里在 2025 年 7 月写道，每份安全报告要牵动 3 到 4 个人，每人花 30 分钟，有时一到三个小时；当年大约 20% 的提交是 AI 生成的垃圾报告，只有约 5% 被确认是真漏洞。2026 年 1 月，他宣布结束 2019 年 4 月开始的漏洞奖金计划：此前几年确认率在 15% 以上，从 2025 年起跌到 5% 以下。这里变的是基础概率。确认率 15% 时，每份报告都值得几个人认真看；跌到 5% 以下，同样的投入有九成多花在假报告上，小团队扛不住。他没有把它当成“大家多加班”的问题，而是拆掉产生垃圾报告的激励，同时保留 GitHub 和邮件两个报告渠道。[5][6]
范德堡大学关掉 Turnitin 的 AI 检测：1% 误报乘以 7.5 万篇论文（大机构案例）
这是一所大学而不是小团队，但算法很适合小团队照抄。Turnitin 上线 AI 写作检测时称误报率为 1%。范德堡大学在 2023 年 8 月公告停用这项功能，理由里有一笔账：学校 2022 年向 Turnitin 提交了约 7.5 万篇论文，如果当时就开着这个检测，大约 750 篇学生论文可能被错误标记为部分由 AI 写成。1% 听上去很小，乘上基数就是几百个被冤枉的学生。如果再考虑真正由 AI 写的论文只占少数，报警里错报的比例还会更高（这一点是我们的推算，公告里没有给出 AI 写作的实际比例）。学校的结论是：不认为 AI 检测软件是一种应当使用的有效工具。[7]
05误用与边界
参照类选错，基础概率就是错的
同一件事可以归进很多类：一家做法律 AI 的五人公司，可以是“创业公司”“SaaS 公司”“法律科技公司”或“有付费客户的 AI 公司”，每一类的存活率差很多。随手挑一个最方便的参照类，等于用精确的数字包装了一个任意的选择。参照类要尽量贴近决定结果的那几个特征，并且说清楚为什么选它。
把基础概率当成判决，拒绝一切个案证据
基础概率是起点，不是终点。巴菲特说扭亏通常失败，同时也承认 GEICO 是例外。真正有区分力的证据，比如签了字的合同、能复现的漏洞、跑得通的数据，应当大幅改变判断。只用基础概率、拒绝看证据，和只看故事、忽视基础概率一样是错的，只是错的方向相反。
用别人的基础概率给自己的赌注找借口
“九成创业公司会失败”既可以让人谨慎，也可以被拿来为任何草率决定开脱：反正大概率失败，想那么多干什么。基础概率的用处是帮你决定下多大的注、留多少余地，而不是替你省掉思考。另一个变体是挑一个对自己有利的成功率来引用，同样是动机驱动的误用。
06检查清单
下次做相关决策前逐条过一遍。勾选只保存在你的浏览器里。
08来源
- 1
- 2
- 3
- 4
- 5
- 6
- 7