Tìm kiếm sự khôn ngoan từ Darwin tới Munger: Các mô hình thực tế

MỘT

Tôn Tử nói, trong cuốn Binh Pháp Tôn Tử: “Trước khi chiến, tính toán trăm đường tất sẽ thắng.”

Mục đích của phần này là tìm kiếm những công cụ cung cấp nền tảng cơ bản cho tư duy hợp lý. Những ý tưởng giúp chúng ta đạt được mục tiêu, giải thích “tại sao”, ngăn chặn và giảm sai lầm, giải quyết vấn đề, và đánh giá các phát biểu.

Dưới đây là 12 công cụ sẽ được trình bày.

1.      Các mô hình thực tế.

2.      Ý nghĩa.

3.      Đơn giản hóa.

4.      Qui luật và bộ lọc.

5.      Mục tiêu.

6.      Các lựa chọn thay thế.

7.      Hậu quả.

8.      Lượng hóa.

9.      Bằng chứng.

10.  Tư duy ngược.

11.  Rủi ro.

12.  Thái độ.

CÁC MÔ HÌNH THỰC TẾ

Người có giáo dục cao hơn kẻ không có giáo dục như người sống so với người chết.

-          Aristotle

Hãy học, hiểu và sử dụng những ý tưởng lớn và các nguyên lý chung giải thích thế giới đã vận hành như thế nào. Khi Charles Munger được hỏi câu hỏi hay nhất nào ông nên tự hỏi mình, ông đã nói:

Nếu bạn hỏi không phải về các vấn đề đầu tư, mà về cuộc sống cá nhân của bản thân, tôi nghĩ câu hỏi hay nhất là, “Có gì tôi có thể làm để khiến cuộc đời và quá trình tư duy của tôi vận hành tốt hơn không?” Và tôi có thể nói rằng phát triển thói quen làm chủ nhiều mô hình làm nền tảng cho thực tế là thứ tốt nhất bạn có thể làm … Thật buồn cười – nó vận hành rất tốt.

Một mô hình là một ý tưởng giúp chúng ta hiểu tốt hơn thế giới vận hành như thế nào. Những mô hình minh họa hậu quả và trả lời các câu hỏi như “tại sao” và “thế nào”. Hãy lấy mô hình bằng chứng xã hội làm ví dụ. Chuyện gì xảy ra? Khi nào người ta không chắc chắn, họ thường tự động làm những gì người khác làm mà không suy nghĩ về cái đúng đắn cần làm. Ý tưởng này giúp giải thích “tại sao” và tiên đoán “làm thế nào” người ta có khả năng cư xử trong những tình huống cụ thể.

Các mô hình giúp chúng ta tránh khỏi nhiều vấn đề. Giả sử rằng chúng ta được nói cho biết trái đất gồm những tài nguyên vô hạn. Bằng hiểu biết về những giới hạn, chúng ta biết câu nói đó là sai. Ai đó đề xuất với chúng ta một vụ đầu tư vào một dự án mâu thuẫn với các luật vật lý. Bao nhiêu khốn khổ có thể bị tránh khỏi nhờ tránh xa những thứ không có ý nghĩa khoa học như vậy?

Điều gì tạo nên một mô hình hữu ích?

Nếu một mô hình phù hợp với thực tế, hầu như nó sẽ đúng. Một ý tưởng từ sinh học phù hợp với thực tế là “Một người bình thường hành động theo lợi ích bản thân”. Chứ không phải ý tưởng kiểu “Các phẩm chất cá nhân của con người có thể được đánh giá qua bài kiểm tra trắc nghiệm Rorschach”. Nó không thể tiên đoán được các phẩm chất cá nhân của con người. Hãy hỏi: Cái gì là ý tưởng lớn nằm sâu bên dưới? Tôi có thể hiểu được ứng dụng của nó trong cuộc sống thực tế không? Nó có giúp tôi hiểu thế giới không? Nó làm việc như thế nào? Tại sao nó làm việc? Nó làm việc trong điều kiện nào? Nó đáng tin ra sao? Các giới hạn của nó là gì? Nó liên quan đến các mô hình khác như thế nào?

Charles Munger đưa ra một ví dụ về một ý tưởng hữu dụng từ hóa học – tự xúc tác:

Nếu bạn nhận được một qui trình cụ thể đang diễn ra trong hóa học, nó tăng tốc độ của chính nó. Vì thế bạn nhận được sự tăng trưởng tuyệt vời trong cái mà bạn đang cố làm nó vận hành liên lục liên tục. Giờ các qui luật vật lý cho thấy nó không chạy mãi mãi. Mà nó chỉ vận hành trong một khoảnh khắc tươi đẹp. Bạn thu được một sự tăng trưởng khổng lồ. Bạn đã hoàn thành A – và, bỗng nhiên, bạn còn nhận thêm cả A + B + C chỉ trong phút chốc.

Ông tiếp tục nói với chúng ta cách ý tưởng này có thể được ứng dụng:

Disney là một ví dụ thú vị của cơ chế tự xúc tác… Họ có tất cả các bộ phim trong cái hộp. Họ sở hữu bản quyền. Và giống như Coke chỉ có thể thịnh vượng khi tủ lạnh ra đời, khi băng video được phát minh ra, Disney không phải phát minh bất kỳ cái gì hay làm bất kỳ cái gì ngoại trừ lấy từng thứ khỏi cái hộp và gắn chúng vào cuộn băng.

Những mô hình nào đáng tin cậy nhất? Charles Munger trả lời:

Những mô hình đến từ khoa học và kỹ thuật cứng là đáng tin cậy nhất trên trái đất này. Và kiểm soát chất lượng kỹ thuật – ít nhất đoạn ruột của nó gây vấn đề cho bạn, cho tôi và những ai không phải là kỹ sư chuyên nghiệp – chủ yếu dựa trên toán học cơ bản của Fermat và Pascal: nó rất tốn kém và bạn nhận được khả năng bị hỏng hóc ít hơn rất nhiều nếu bạn dùng nó…

Và tất nhiên, ý tưởng kỹ thuật về một hệ thống dự phòng là ý tưởng rất mạnh mẽ. Ý tưởng kỹ thuật về các điểm gãy – cũng là một mô hình đầy sức mạnh. Khái niệm khối lượng tới hạn – đến từ vật lý – là một mô hình mạnh.

Một mô hình giá trị sẽ tạo ra những giải thích có ý nghĩa và những tiên đoán về hậu quả có khả năng xảy ra trong tương lai trong đó chi phí nếu sai lầm rất cao.

Một mô hình nên dễ dùng. Nếu nó phức tạp, chúng ta không thể sử dụng nó.

Thật hữu dụng nếu dựa trên cơ sở hằng ngày. Nếu nó không được sử dụng, chúng ta sẽ quên nó. Và ứng dụng của tri thức là gì nếu ta không sử dụng nó?

Xem xét nhiều ý tưởng giúp chúng ta có cái nhìn toàn diện

Những ai yêu sự khôn ngoan phải là những nhà điều tra thực sự về nhiều thứ.

-          Heraclitus

Điều gì giúp chúng ta nhìn ra một bức tranh lớn? Chúng ta có thể xem xét nhiều khía cạnh của một vấn đề như thế nào? Hãy dùng tri thức và sự minh mẫn từ nhiều khuôn phép. Hầu hết các vấn đề cần được nghiên cứu từ nhiều quan điểm. Charles Munger nói, “Trong hầu hết các vấn đề lộn xộn của con người, bạn phải có khả năng sử dụng tất cả các ý tưởng lớn chứ không phải một vài trong số chúng.”

Thế giới đa ngành. Vật lý không giải thích hết mọi thứ; sinh học hay kinh tế học cũng không làm được. Ví dụ, trong một vụ kinh doanh, thật hữu ích nếu biết tỷ lệ nào làm thay đổi hành vi, các hệ thống bị hỏng khi nào, cung bao nhiêu tác động lên giá cả, và lời khích lệ nào gây ra hành vi.

Vì không phải qui tắc đơn lẻ nào cũng đều có câu trả lời, chúng ta cần hiểu và sử dụng những ý tưởng lớn từ những tất cả những khuôn phép quan trọng – toán học, vật lý, hóa học, kỹ thuật, sinh học, tâm lý học, và phân cấp, sử dụng chúng theo độ tin cậy của chúng. Charles Munger minh họa tầm quan trọng của việc này:

Giả sử bạn muốn giỏi trong đấu thầu hợp đồng xây cầu. Vâng, bạn biết hợp đồng – bạn biết cái bạn phải đạt được. Và bạn có thể đếm ra những người chiến thắng chắc chắn mà bạn có bằng cách đặt xuống những quân bài cao cấp và quân át chủ bài bất khả chiến bại của bạn.

Nhưng nếu bạn là kẻ lừa đảo hoặc hai mặt, bạn sẽ nhận những cú lừa khác như thế nào? Vâng, chỉ có sáu phương pháp chuẩn: Bạn đã thiết lập cho dài hạn. Bạn có mưu kế. Bạn có cú phạt biên. Bạn có cú chéo cánh. Bạn bị dồn ép. Và bạn có nhiều cách dẫn dắt sai lầm để tránh khỏi mắc lỗi. Vì thế, có một số giới hạn các mô hình. Nhưng nếu bạn chỉ biết một hoặc hai trong số đó, bạn sẽ lộn xuống chân ngựa trong cuộc đấu…

Nếu bạn không có tiết mục đầy đủ, tôi đảm bảo bạn sẽ sử dụng quá nhiều tiết mục bị hạn chế của mình – trong đó có cả việc sử dụng những mô hình không phù hợp chỉ vì chúng có sẵn với bạn trong cái kho hạn chế mà bạn có trong đầu.

Giả sử chúng ta có một vấn đề và hỏi: Điều gì có thể giải thích cho nó? Chúng ta có thể đạt được nó bằng cách nào? Sau đó chúng ta có thể sử dụng những ý tưởng khác như thế nào? Charles Munger nói với chúng ta cách làm điều đó:

Hãy có một bộ dụng cụ đầy đủ… ném chúng vào trong đầu bạn theo phong cách danh mục kiểm tra … bạn có thể không bao giờ phải giải thích điều gì ngoài cách thức cơ bản nhất. Bạn luôn ghi công đầy đủ cho những ý tưởng nền tảng nhất mà bạn yêu cầu dùng. Khi bạn đang sử dụng vật lý, bạn nói bạn đang sử dụng vật lý. Khi bạn đang sử dụng sinh học, bạn nói bạn đang sử dụng sinh học.

Chúng ta cũng cần hiểu những ý tưởng khác nhau tương tác và kết hợp như thế nào. Charles Munger nói:

Bạn gặp hiệu ứng lollapalooza (ấn tượng đặc biệt của một người hay một thứ gì đó) khi hai, ba hay bốn sức mạnh đang vận hành theo cùng một hướng. Thông thường, bạn không đơn giản thêm vào. Giống như khối lượng tới hạn trong vật lý trong đó bạn nhận được một vụ nổ hạt nhân nếu bạn đạt tới điểm nhất định của khối lượng – và bạn không đạt được gì có giá trị khác nếu bạn không đạt tới khối lượng đó.

Đôi khi các nguồn lực chỉ thêm vào như những định lượng thông thường và đôi khi chúng kết hợp trên cơ sở điểm gãy hay khối lượng tới hạn…Các nguồn lực đi ra càng phổ biến…các mô hình sẽ đụng độ với những cái mở rộng. Bạn có nhiều đánh đổi to lớn, đau khổ…Vì thế bạn [phải] có các mô hình và bạn [phải] nhìn ra mối liên hệ và hiệu ứng từ mối liên hệ đó.

Nhà toán học và triết học người Anh Alfred North Whitehead nói: “Vấn đề của giáo dục là làm cho học sinh nhìn ra gỗ từ cây.” Chúng ta cần xem xét nhiều khía cạnh của vấn đề và tổng hợp, tích hợp chúng. Chúng ta cần hiểu tất cả chúng gắn kết với nhau tạo thành một khối cố kết như thế nào. Thuật ngữ “synthesis” đến từ người Hy Lạp cổ và có nghĩa là “đặt vào cùng nhau”. Những ví dụ sau sẽ minh họa điều đó được sử dụng trong giải quyết vấn đề như thế nào.

Chúng ta có thể kết hợp các ý tưởng trong một khuôn phép. Chúng ta đã thấy trong Phần Hai, các xu hướng tâm lý có thể kết hợp như thế nào để tạo ra hiệu ứng Lollapalooza.

Chúng ta cố tìm những liên kết giữa các ý tưởng hay lấy được những ý tưởng mới từ các liên kết đó. Sự tổ hợp tiến hóa hiện đại là sự hợp nhất của vài ý tưởng trong sinh học.

Chúng ta có thể kết hợp các ý tưởng từ các khuôn phép khác nhau. Những ý tưởng về tỷ lệ từ toán, các hệ thống và ràng buộc từ vật lý, và lợi thế cạnh tranh từ kinh tế vi mô thường giải thích giá trị kinh doanh được tạo ra hay phá hủy như thế nào.

Chúng ta có thể cố nhìn ra quan hệ giữa các hiện tượng, và cố tìm một nguyên lý có thể giải thích tất cả chúng. Nhà vật lý người Anh James Clark Maxwell kết hợp trong một mô hình: các qui luật điện từ và các qui luật hành vi của ánh sáng. Mô hình đơn giản này đã giải thích các hiện tượng quang, điện và từ.

Chúng ta có thể tìm thấy những thứ tương tự hay tương đương về chức năng trong hoặc giữa các khuôn phép. Tương đương về chức năng của độ nhớt trong hóa học là tính kết dính trong kinh tế học.

Chúng ta có thể học một ý tưởng và gắn kết nó vào trí nhớ như thế nào?

Samuel Johnson nói: “Ân nhân của nhân loại là người cung cấp những qui luật vĩ đại của cuộc sống dưới dạng câu từ ngắn gọn, dễ dàng in dấu vào bộ nhớ, và do đó chúng được tái hiện thường xuyên trong tâm trí.”

Richard Feynman đã trả lời câu hỏi trên trong một bài giảng vật lý của ông:

Nếu, trong một thảm họa, tất cả các tri thức khoa học đều bị phá hủy, và chỉ có một câu truyền lại cho thế hệ sinh vật kế tiếp, câu nào có thể chứa nhiều thông tin nhất với ít từ nhất? Tôi tin đó là “giả thuyết nguyên tử” (hay thực tế nguyên tử, hay bất cứ cái gì bạn muốn gọi nó), đó là, mọi thứ đều được tạo ra từ các nguyên tử - các hạt nhỏ bé di chuyển xung quanh trong động cơ vĩnh cửu, hút lẫn nhau khi chúng ở khoảng cách nhỏ, nhưng đẩy ra khi bị ép vào nguyên tử khác. Trong câu đó, chúng ta sẽ thấy, có một lượng khổng lồ thông tin về thế giới, nếu chỉ một liên tưởng hay suy nghĩ nhỏ được áp dụng.

Chúng ta có thể sử dụng “lời giải thích trong một câu” của Feynman khi xử lý các ý tưởng lớn. “Câu nào chứa nhiều thông tin nhất với số từ ít nhất?” Một ví dụ về ý tưởng là một câu từ tâm lý học: “Chúng ta nhận thứ chúng ta được thưởng cho nó.” Một câu từ vật lý: “Năng lượng không được sinh ra hay mất đi – chỉ đổi từ dạng này sang dạng khác.”

Cách khác để hiểu một mô hình là đưa vào đó một “lưỡi câu”. Hãy liên kết mô hình với câu chuyện thực tế bi thương, một thứ giống vậy, một cá nhân hay một bức tranh. Ví dụ để ghi nhớ bằng chứng xã hội, chúng ta có thể nghĩ về kẻ sát nhân Genovese ở thành phố New York (xem Phần Hai).

Ngạn ngữ Trung Hoa có câu: “Người ta quên cái đã nghe; nhớ cái đã nhìn; biết cái đã làm.” Vì cách tốt nhất để học điều gì đó là làm nó, chúng ta phải áp dụng các mô hình thường xuyên vào các tình huống khác nhau. Giống như kỹ năng, điều này đòi hỏi cả thực hành và kỷ luật.

Tìm kiếm lời giải thích

Chuyện gì xảy ra và tại sao nó xảy ra?

Một cách buộc chúng ta học các mô hình để xử lý thực tế tốt hơn là mở to mắt và nhìn mọi thứ ta thấy xung quanh, rồi hỏi “tại sao” thứ đó đang xảy ra (hay tại sao thứ đó không xảy ra). Lấy vài ví dụ đơn giản như “tại sao táo rơi xuống đất?” hay “tại sao ta bị ngã khi trượt chân?” hay “tại sao chúng ta không rơi khỏi trái đất?” Nhà toán học và vật lý học người Anh, ngài Isaac Newton đã đưa ra luật hấp dẫn để giải thích điều này.

Định luật 1 của Newton nói với chúng ta rằng một vật chuyển động có xu hướng tiếp tục chuyển động với một vận tốc không đổi theo phương thẳng đứng, và một vật đứng yên có xu hướng đứng yên, trừ khi vật đó bị tác động bởi một lực bên ngoài.

Điều đó có nghĩa là chỉ có 3 cách để thay đổi một vật: một vật đứng yên có thể bắt đầu chuyển động, một vật chuyển động với vận tốc không đổi có thể tăng hoặc giảm vận tốc, và một vật chuyển động theo phương thẳng đứng có thể thay đổi phương. Và cái gì cần để thay đổi chuyển động của một vật? Lực.

Tất cả thay đổi trong chuyển động xảy ra để đáp ứng lại hành động của lực (hay các lực). Các lực, có thể là lực đẩy hoặc lực kéo tác động vào một vật. Khi chúng ta mở cửa hay ném bóng chày, chúng ta đang sử dụng các lực (sức cơ bắp). Hầu hết mọi thứ chúng ta làm đều có các lực.

Định luật 2 của Newton nói với chúng ta rằng lực là tích của khối lượng và gia tốc. Gia tốc là sự thay đổi của vận tốc theo phương. Nó phụ thuộc vào khối lượng (đo độ lớn của một vật trước thay đổi trong trạng thái chuyển động của nó) của một vật, cường độ và hướng của lực tác động lên nó. Ta dùng càng nhiều lực trên một khối lượng cho trước, gia tốc càng lớn. Nhưng khối lượng càng lớn, đối tượng càng cản gia tốc. Ví dụ, chúng ta dùng lực càng lớn để ném bóng chày, gia tốc của quả bóng càng lớn. Nếu chúng ta tăng khối lượng, chúng ta phải thêm lực để sinh ra cùng gia tốc như trước.

Định luật 3 của Newton nói rằng các lực làm việc theo cặp. Một đối tượng tác dụng một lực trên đối tượng thứ hai, đối tượng thứ hai cũng tác dụng một lực tương đương và ngược chiều với lực đã tác dụng lên nó trên đối tượng thứ nhất. Như Newton đã nói trong cuốn Philosophiae Naturalis Principia Mathematica: “Nếu bạn ấn ngón tay lên một hòn đá, ngón tay cũng bị ấn bởi hòn đá.” Nếu chúng ta ném một quả bóng chày, quả bóng cũng “ném” chúng ta hay đẩy tay chúng ta trở lại với một lực tương đương.

Giờ ta đến với lực hấp dẫn. Bị ảnh hưởng bởi tác phẩm của Johannes Kepler về sự chuyển động của các hành tinh và tác phẩm của Galileo Galilei về các vật rơi tự do, Newton khám phá ra có một lực hấp dẫn hai đối tượng với nhau. Hai yếu tố tác động đến mức độ hấp dẫn. Khối lượng và khoảng cách. Khối lượng hai vật càng lớn hay khoảng cách giữa chúng càng gần, sự hấp dẫn giữa chúng càng lớn. Nó cũng có nghĩa là khoảng cách giữa hai vật càng lớn, lực hấp dẫn càng yếu. Nếu giả sử chúng ta tăng khoảng cách lên gấp đôi, lực sẽ giảm đi một phần tư.

Chúng ta có thể phát biểu dạng toán học của lực hấp dẫn, nó bằng khối lượng của một vật nhân với khối lượng của vật kia, chia cho bình phương khoảng cách giữa chúng. Tất cả được nhân với một hằng số (một số có giá trị không đổi) – g (là 9.8 m/s²). Chúng ta có thể gọi g là gia tốc trọng trường gần bề mặt trái đất.

Có phải lực hấp dẫn làm quả táo rơi về phía trái đất?

Trái đất hấp dẫn quả táo với một lực tỷ lệ với khối lượng của nó và tỷ lệ nghịch với bình phương khoảng cách giữa chúng. Nhưng định luật thứ 3 của Newton nói rằng quả táo cũng tác động một lực cân bằng và ngược chiều lên trái đất. Lực hấp dẫn của quả táo lên trái đất cũng giống lực hấp dẫn của trái đất lên quả táo. Vì vậy, nếu chúng ta trông có vẻ như quả táo rơi về phía trái đất, thực ra cả trái đất và quả táo rơi về phía nhau. Lực như nhau giống như ta biết trong định luật 2 của Newton, chứ không phải gia tốc. Khối lượng của chúng khác nhau. Khối lượng của trái đất quá lớn so với quả táo nên chúng ta chỉ thấy quả táo “rơi”. Quả táo rơi, từ vị trí đứng yên, về phía trái đất vì nó có khối lượng nhỏ hơn trái đất, có nghĩa là nó được truyền thêm gia tốc (thay đổi tốc độ) nhiều hơn khi hướng về phía trái đất, hơn là trái đất hướng về phía quả táo. Khối lượng khổng lồ của trái đất cũng giải thích vì sao chúng ta ngã về phía trái đất khi chúng ta trượt chân.

Lực tương tự cũng xuất hiện giữa Mặt trăng và trái đất. Nhưng điều gì giữ mặt trăng trên quĩ đạo quay quanh trái đất thay cho đâm vào trái đất?

Newton biết rằng phải có một lực kéo mặt trăng khỏi trái đất. Nói cách khác, theo định luật 1, mặt trăng có thể tiếp tục chuyển động theo phương thẳng đứng với vận tốc không đổi thay vì chuyển động theo hình elip như thực tế. Một lực nào đó phải liên tục kéo mặt trăng khỏi chuyển động theo phương thẳng đứng và thay đổi hướng của nó. Và vì quĩ đạo của mặt trăng hình tròn, lực này phải có nguồn gốc từ tâm trái đất. Tại sao? Newton đã biết rằng một lực hướng tâm (bất kỳ lực nào hướng về một tâm cố định) điều khiển các vật đi theo đường tròn xung quanh một điểm cố định.

Lực đó là trọng lực. Nó thay đổi gia tốc của mặt trăng bằng cách thay đổi liên tục hướng của nó về phía tâm của trái đất khiến mặt trăng bị uốn cong theo chuyển động tròn. Khi mặt trăng đi về phía đường chân trời theo hướng tiếp tuyến (đường thẳng chạm vào đường cong) với trái đất, tại mỗi điểm trên đường này, trọng lực kéo nó khỏi tâm trái đất và kết quả là mặt trăng chuyển động theo quĩ đạo tròn.

Vận tốc của mặt trăng đủ lớn để đảm bảo khoảng cách giảm xuống của nó phù hợp với độ cong của trái đất. Mặt trăng duy trì cùng khoảng cách so với trái đất vì trái đất uốn cong cùng tỷ lệ với mặt trăng “rơi”. Vào lúc mặt trăng rơi một khoảng cách nhất định về phía trái đất, nó cũng di chuyển ra biên với cùng khoảng cách. Nếu vận tốc của nó thấp hơn nhiều, lực kéo của trọng lực buộc mặt trăng đi gần vào trái đất cho đến khi chúng đâm vào nhau. Nếu vận tốc của nó lớn hơn nhiều, mặt trăng có thể thoát khỏi trọng lực và đi xa khỏi chúng ta.

Mặt trăng không được gia tốc như quả táo, vì khoảng cách của nó tới trái đất (trọng lực hay lực hấp dẫn yếu hơn). Mặt trăng trên quĩ đạo của nó cách tâm trái đất gấp 6 lần khoảng cách của quả táo đến tâm trái đất.

Định luật hấp dẫn của Newton không đủ để mô tả chuyển động của các đối tượng mà vận tốc của chúng gần với vận tốc ánh sáng. Các học thuyết của Newton và thuyết tương đối cũng khác nhau khi các trường trọng lực lớn hơn nhiều so với cái thấy trên trái đất. Mặc dù, trong hầu hết điều kiện, các định luật Newton và lý thuyết trọng lực (lực hấp dẫn) của ông đủ để giải thích.

Sự tác động tương đối của trọng lực biến thiên theo kích thước và tỷ lệ.

Tại sao con côn trùng bị ngã từ trên cây cao xuống không bị làm sao?

Trong cuốn Two New Sciences (Hai môn khoa học mới), Galileo Galilei đã viết: “Ai lại không biết một con ngựa rơi từ độ cao 3 hay 4 cubit sẽ gẫy xương, trong khi một con chó rơi từ độ cao tương tự hay một con mèo từ độ cao 8 hay 10 cubit sẽ chẳng bị sao?”

Hãy tưởng tượng nếu một con chuột, một con ngựa, và một người bị ném ra từ một máy bay ở độ cao 1,000 yard. Chuyện gì xảy ra? Nhà sinh học J.B.S Haldane nói trong cuốn On Being the Right Size (Trong kích thước đúng) – in lại trên The World of Mathematics (Thế giới toán học): “Bạn có thể vất một con chuột xuống hầm mỏ sâu hàng nghìn yard; và, khi đến đáy, nó bị một cú shock nhẹ rồi bỏ đi, với điều kiện mặt đất mềm. Con chuột bị chết, con người bị vỡ tan, con ngựa nát thành đống bầy nhầy.”

Các lực vật lý tác động khác nhau trên các động vật. Trọng lực có tác động mạnh hơn với những thứ lớn hơn, so với những thứ nhỏ hơn. Trọng lực tác động chính lên chúng ta, nhưng ảnh hưởng nhỏ với những động vật nhỏ hơn. Vì diện tích bề mặt của con người khá nhỏ, các lực trọng trường tác động lên trọng lượng của chúng ta. Nhưng trọng lực không đáng kể với động vật rất nhỏ có tỷ lệ diện tích bề mặt trên thể tích lớn. Lực chiếm ưu thế sau đó là lực bề mặt. Haldance nói: “Chia chiều dài, chiều rộng và chiều cao của một con vật cho 10; trọng lượng của nó giảm đi 1 phần nghìn, nhưng diện tích của nó chỉ giảm 1 phần trăm. Vì thế sức cản lại việc rơi trong trường hợp của con vật nhỏ sẽ lớn hơn 10 lần so với lực điều khiển [trọng lực].”

Khối lượng ảnh hưởng tới vận tốc khi có sức cản không khí.

Với phạm vi nhỏ hơn, trọng lực trở nên ít quan trọng hơn nhiều so với sức cản của không khí. Ném một con chuột khỏi máy bay và nó sẽ trôi dần xuống vì các lực ma sát tác động lên bề mặt của nó thắng tác động của trọng lực.

Một vật đang rơi sẽ rơi nhanh hơn và nhanh hơn, cho đến khi lực kéo của không khí tác động theo hướng ngược lại (sinh ra từ sức cản của không khí) cân bằng với khối lượng của nó. Sức kéo của không khí phụ thuộc vào diện tích bề mặt (tổng số không khí vật đang rơi phải nhồi vào khi nó rơi) và vận tốc của vật rơi. Vì con chuột có nhiều diện tích bề mặt hơn so với khối lượng nhỏ của nó, nó không bị ngã quá nhanh trước khi sức cản của không khí tác động ngược trở lại tới khối lượng của nó. Lực giăng trên con chuột sau đó về không và con chuột không bị tăng tốc.

Lực cản của không khí chống lại con ngựa rơi lớn hơn nhiều so với của con chuột. Vì con ngựa rẽ nhiều không khí hơn con chuột. Con ngựa càng nặng hơn sẽ rơi càng nhanh hơn trong không khí, gia tăng lực cản của không khi hơn nữa. Con ngựa rơi nhanh hơn con người trước khi sức cản của không khí cân bằng với khối lượng của nó và do đó, nó sẽ chạm đất trước.

Con ngựa có diện tích bề mặt lớn hơn con chuột, nhưng con chuột có diện tích bề mặt trên thể tích lớn hơn con ngựa. Con chuột tuân theo cùng luật trọng trường như con người, và cũng tương tự với luật sức cản của không khí. Nhưng trọng lực là then chốt với con người, trong khi sức cản không khí là then chốt với con chuột.

Nói cách khác, do sức ép bề mặt, con chuột sẽ gặp vấn đề khi trèo lên khỏi bể nước. Haldance nói với chúng ta một con chuột ướt phải quan tâm khối lượng nước của chính nó. Hãy tưởng tượng bao nhiêu khó khăn để ra khỏi bồn tắm nếu chúng ta mang theo cả cơ thể cùng một lượng nước bằng với khối lượng của chúng ta.

Những ví dụ trên cho thấy chúng ta có thể xử lý thực tế như thế nào bằng cách quan sát và hỏi “tại sao” mọi thứ xảy ra. Vì thế, hãy nhìn xung quanh, hãy hỏi và nhớ lời của nhà  phát minh và kỹ sư Charles Proteus Steinmetz: “Không có câu hỏi ngu ngốc và không ai trở thành kẻ ngu ngốc cho đến khi anh ta dừng việc đặt câu hỏi.”

Giả sử rằng những ý tưởng lớn là thật cho đến khi học được cái ngược lại. Tất cả tri thức đều thay đổi khi bằng chứng mới xuất hiện. Điều đó có nghĩa là chúng ta phải tiếp tục học và học lại.

Giữ tri thức sống và tăng thêm tri thức theo thời gian mang lại những lợi ích khác. “Chỉ như gỉ sắt từ thứ cũ rích, và bãi nước tù đọng, hoặc khi lạnh thành băng, vì thế trí tuệ của chúng ta sẽ lãng phí trừ khi ta sử dụng nó.” Leonardo da Vinci viết như vậy. Nghiên cứu của giáo sư sinh học tổng hợp Marian Cleeves Diamond tại đại học California, Berkeley, tiết lộ rằng, một môi trường kích thích, sự tò mò và giáo dục là dinh dưỡng cho bộ não và sức khỏe. Chúng ta càng đưa nhiều kích thích vào bộ não, chúng ta càng tốt hơn. Trong cuốn Psychology Today (Tâm lý học ngày nay - 1984), cô ấy nói: “Tôi tìm kiếm những người cực kỳ năng động trên 88 tuổi. Tôi thấy rằng người nào hay sử dụng não của họ sẽ không mất chúng. Thật đơn giản.”

Hãy nhớ, biết một định nghĩa hay ghi nhớ một ý tưởng là vô dụng nếu chúng ta không hiểu ý nghĩa của chúng. Alfred North Whitehead nói trong cuốn The Aims of Education (Mục tiêu của giáo dục): “Giáo dục nên hữu dụng, dù mục đích sống của bạn là gì đi nữa.”

<< Phần 3: Chương CHÍN

Phần 4: Chương HAI >>

Tìm kiếm sự khôn ngoan từ Darwin tới Munger: Bằng chứng đại diện sai

CHÍN

BẰNG CHỨNG ĐẠI DIỆN SAI

Điều kiện, môi trường và hoàn cảnh thay đổi

Con người thích tìm kiếm những hệ thống đã hoạt động được trên 20 năm hoặc hơn. Nếu bạn có thể kiếm tiền dựa trên những gì đã hoạt động trên 20 năm, tất cả những người giàu nhất có lẽ đã đi trông thư viện.

-          Warren Buffett

Bertrand Russell nói trong cuốn Problems of Philosophy (Các vấn đề của triết học): “Người cho gà ăn hằng ngày ít nhất có thể lấy mạng nó thay vì lấy cổ nó.” Quá khứ thường là chỉ dẫn tốt cho tương lai – nhưng không phải luôn luôn. Thống kê là một bản ghi chép của quá khứ, không phải lời tiên đoán cho tương lai. Chúng ta không thể tự động giả thiết tương lai sẽ phản chiếu quá khứ. Các qui trình và hoàn cảnh thay đổi. Warren Buffett nói: “Các điều kiện liên quan đến công nghệ và tất cả các khía cạnh của hành vi con người có thể làm cho tương lai khác đi rất nhiều so với quá khứ.”

Chúng ta cần xem xét các thay đổi trong điều kiện trước khi dùng bằng chứng quá khứ để tiên đoán các kết quả tương lai có thể xảy ra. Đối thủ cạnh tranh và nhu cầu thay đổi. Nếu có nhiều cách hơn nữa để tạo ra đối thủ cạnh tranh hay giảm bớt nhu cầu, chúng ta phải thay đổi công thức của mình. Hãy hỏi: Tại sao kinh nghiệm quá khứ lại là cách này? Có lý do nào cho giả thiết tương lai sẽ giống như quá khứ? Môi trường đã thay đổi? Điều kiện vẫn tương tự? Ngữ cảnh và hoàn cảnh gây ra quá khứ vẫn hiện hữu?

Chúng ta cũng mắc sai lầm nếu bỏ qua việc hiệu suất quá khứ vẫn có thể đạt được dưới những hoàn cảnh khác xa ngày nay. Như Warren Buffett nói, “Lỗi tương tự khi người quản lý bóng chày mắc phải lúc đánh giá viễn cảnh tương lai của một cầu thủ vị trí giữa khu ngoài đã 42 tuổi dựa trên cơ sở tuổi đời trung bình của anh ta.”

Hiệu suất quản lý có lẽ cũng bị thay đổi theo môi trường. Điều gì khiến một cá nhân thành công trong một môi trường nhưng không đảm bảo thành công trong môi trường khác? Hãy hỏi: Khả năng của công ty hay người quản lý xử lý nghịch cảnh như thế nào?

“Chúng ta có thể bán nhiều hơn nếu chúng ta mua vào tình trạng đau ốm chứ không phải thuốc,” quản lý phòng y dược của TransCorp nói.

Tần suất của một căn bệnh đang thực sự tăng lên? Chúng ta cần xem xét các yếu tố khác trước khi kết luận rằng tần suất của một sự kiện đã thay đổi. Ví dụ, một căn bệnh được chuẩn đoán chính xác hơn so với trong quá khứ. Thông thường chúng ta chỉ nhìn những gì ta có tên – căn bệnh trước đó được phân loại là “bệnh X” hay “không rõ nguyên nhân” giờ có thể đã được phân loại lại hay có tên. Cũng có nhiều cải tiến công nghệ trong tập hợp và báo cáo dữ liệu. Cũng có những khuyến khích kinh doanh tại nơi làm việc. Ví dụ, mở rộng thị trường bằng cách tạo ra một điều kiện mới, định nghĩa lại một căn bệnh hay phóng đại một bệnh nhỏ, do đó có nhiều người bị gán nhãn là “mắc bệnh”.

Nếu điều kiện thay đổi, chúng ta phải cập nhật các giả thiết của chúng ta để phản ánh môi trường hiện tại. Trước khi chúng ta dùng thay đổi đó như bằng chứng cho những gì có thể xảy ra, hãy hỏi: Cái gì đã thay đổi? Có nhiều cách để sự kiện không mong muốn này xảy ra không? Thay đổi là vĩnh viễn hay tạm thời?

Tình huống đơn lẻ hay các mẫu không mang tính đại diện

Bốn trong năm bác sỹ khuyến nghị dùng loại thuốc này.

Câu trên không nói cho chúng ta bất kỳ điều gì nếu chúng ta không biết có bao nhiêu bác sỹ được quan sát. Có lẽ chỉ có 10; một quan sát không thể phóng đại rằng gồm tất cả các bác sỹ. Kích cỡ mẫu nhỏ không có giá trị tiên đoán. Mẫu càng nhỏ, biến động thống kê càng nhiều và càng có khả năng ta tìm thấy các sự kiện ngẫu nhiên. Chúng ta cần một nhóm so sánh có tính đại diện, kích cỡ mẫu đủ lớn, và các giai đoạn thời gian đủ dài.

Các mẫu nhỏ có thể khiến chúng ta tin rằng rủi ro thấp hơn hoặc cao hơn thực tế. Tại sao? Mẫu nhỏ làm tăng cơ hội chúng ta sẽ không tìm thấy mối quan hệ cụ thể mà nó tồn tại hoặc tìm thấy cái mà nó không tồn tại.

Charles Munger đưa một ví dụ về tầm quan trọng của lấy dữ liệu có tính đại diện – ngay cả nếu nó là xấp xỉ:

Hệ thống nước của California được thiết kế khi nhìn vào một giai đoạn thần tiên ngắn ngủi của lịch sử khí hậu. Nếu chúng lấy được các ghi chép ít hoàn hảo hơn và nhìn trở lại một trăm năm trước đó, chúng có thể được nhìn như không phải thiết kế để xử lý các điều kiện ngập lụt thường xảy ra.

Bạn lại nhìn thấy lần nữa – người ta có vài thông tin có thể đếm được tốt và có những thông tin khó mà đếm được. Vì thế họ quyết định chỉ dựa trên những gì họ đếm được tốt. Và họ bỏ qua rất nhiều thông tin quan trọng hơn vì chất lượng của nó, theo thuật ngữ số học, ít hơn – dù đạt được kết quả công nhận là đúng rất quan trọng. Tất cả những gì tôi có thể nói với bạn là, đối với Wesco và Berkshire, chúng tôi không cố gắng như vậy. Chúng tôi có thái độ của Lãnh chúa Keynes, mà Warren Buffett suốt ngày trích dẫn: “Chúng ta thích đúng nhờ làm tròn hơn là sai một cách chính xác.” Nói cách khác, nếu cái gì đó quan trọng khủng khiếp, chúng tôi sẽ đoán nó thấp hơn so với đánh giá dựa trên những gì xảy ra có thể dễ dàng đếm được.

Sự ngẫu nhiên và hiệu quả

Không người chiến thắng nào tin vào sự ngẫu nhiên.

-          Friedrich Wilhelm Nietzsche

Hiệu quả của quá khứ không đảm bảo kết quả tương lai. Hãy xem xét bằng chứng mô tả những gì xảy ra trong hầu hết những tình huống tương tự hoặc với hầu hết mọi người.

Đôi khi bản ghi chép theo dõi không phải là chỉ dẫn tốt cho thứ có thể xảy ra trong tương lai. Nó có thể xuất hiện do may mắn. Hãy tưởng tượng một căn phòng bị lấp đầy bởi 1,000 con khỉ. Mỗi con đều đang cố tiên đoán hướng (lên hay xuống) của lãi suất. Sau 10 tiên đoán, một con khỉ có một bản ghi hoàn hảo tiên đoán hướng của lãi suất. Nó được coi là thiên tài và nhà kinh tế vĩ đại trong lịch sử. Ngay cả nếu đó chỉ là do may mắn. Ngay khi chúng ta có một tập  hợp lớn các nhà dự báo tiên đoán sự kiện có may mắn tham gia, ai đó sẽ đúng, được báo chí vây quanh và trở thành anh hùng. Anh ta sẽ đi giảng bài và đưa ra những giải thích nhạy cảm.

Thi thoảng chúng ta chỉ nhìn thấy những người hiệu quả tốt. Một phần vì người chiến thắng có xu hướng thể hiện (một con khỉ). Những người thua cuộc không thế (999 con khỉ). Dù sao đi nữa chúng ta thường không quan tâm đến kẻ thua cuộc. Nhưng chúng ta không nên thích thú với người chiến thắng nếu có một quần thể lớn để chọn ra anh ta. 10,000 con khỉ và ta sẽ thấy 10 thiên tài.

Khi chúng ta đo hiệu quả, chúng ta phải xem xét cả số thành công (1 con khỉ) và số thất bại (999 con khỉ), và qui mô của quần thể so sánh tương quan mà chúng đến từ đó (1,000 con khỉ). Càng nhiều người (hay khỉ), tham gia trong cái mà may mắn có phần, càng có nhiều khả năng ai đó đạt được hiệu quả tuyệt vời nhờ may mắn. Một ngoại lệ trong nhóm có hiệu quả tốt, là khi chúng ta có thể quan sát vài đặc điểm chung có thể là yếu tố nguyên nhân và không may mắn.

Lỗi tương tự có thể xảy ra khi người ta đặt cơ sở cho các kết luận của họ chỉ từ các hiệu ứng và bỏ qua ảnh hưởng của may mắn. Hãy nghĩ về 100 con khỉ. Mỗi con tung một quân xúc xắc một lần. Hãy chọn ra 16 con khỉ tung được mặt 6 chấm (1/6 x 100). Để trị xu hướng “tung ra mặt 6 chấm” của chúng, ta cho chúng dùng một loại thuốc mới. Sau khi uống thuốc, chúng tung xúc xắc lại. Giờ chỉ 2 hay 3 con khỉ (1/6 x 16) tung ra mặt 6 chấm. Số còn lại đã “được chữa khỏi”. Kết luận sai lầm của chúng ta là: “Thuốc có tác dụng rõ rệt.”

Một kẻ lừa đảo sắp đặt một cái bẫy. Hắn gọi John với lời mào đầu: “Hãy xem cổ phiếu này. Nó sẽ tăng.” Sau 3 tiên đoán đúng, John gửi tiền cho hắn. Kẻ lừa đảo biến mất.

Điều John không biết là kẻ lừa đảo đã làm như vậy với 80 người. Hắn ta đã nói với một nửa số họ cổ phiếu này sẽ tăng, và nửa còn lại, cổ phiếu này sẽ giảm. Và một trong các tiên đoán của hắn ta chắc chắn sẽ đúng. 40 người bị ấn tượng. Tại cuộc gọi thứ hai, 20 người bị ấn tượng, và tại cuộc gọi thứ ba, cuộc gọi cuối cùng, hắn ta được 10 người cho là thiên tài và gửi tiền cho hắn.

Bỏ qua thất bại

Bằng chứng phải được tạo ra từ tần suất của cả thành công và thất bại theo thời gian. Chúng ta thường chỉ xem xét các kết quả thành công và hỗ trợ. Các bài giảng dịch tễ học tham khảo điều đó như là thiên kiến sinh tồn. Chỉ đặc điểm của những người sống sót sau căn bệnh hay kết quả sau nghiên cứu mới được đưa vào nghiên cứu. Những ai bị chết trước khi nghiên cứu kết thúc sẽ bị loại ra. Nếu có bệnh nhân gặp những rủi ro nghiêm trọng hơn, nghiên cứu giảm liên kết xuất hiện giữa yếu tố rủi ro và kết quả. Thiên kiến sinh tồn cũng phổ biến trong tất cả những nghiên cứu thực hiện sau khi kết quả xảy ra (gồm cả kiểm tra ngược trở lại). Chúng chỉ tập trung vào các trường hợp hay các bệnh nhân sống sót. Những người đã chết không nằm trong ao lấy mẫu. Người ta cũng chọn hay bỏ vài thông tin bằng cách công khai các kết quả dương tính và bỏ các kết quả âm tính.

Nếu chúng ta chỉ nghiên cứu sự thành công hay những kẻ sống sót, bản ghi hiệu quả có lẽ trông đẹp hơn thực tế. Charles Munger nói rằng chúng ta chú ý quá ít tới thất bại:

Nhiều sinh viên tốt nghiệp các trường kinh doanh và hầu hết các nhà tư vấn đều giả thiết rằng, một công ty có thể dễ dàng cải thiện kết quả của nó bằng cách mua những vụ kinh doanh không liên quan hay chỉ liên quan mong manh. Theo quan điểm được chia sẻ rộng rãi này, nếu chỉ tiến hành các bước rõ ràng, nếu “tuyên ngôn sứ mệnh” đúng được thích nghi và “các chuyên gia” đúng được thuê, thì mỗi đường ray, - thay cho chuỗi đường bao còn lại dưới dạng mới của luật cạnh tranh lỗi thời và thù địch và luật công đoàn – có thể trở thành một Federal Express khác, một United Parcel Service khác, hay bất kỳ một kẻ có hiệu quả sáng chói nào khác dưới thời Emerson Electric.

Kinh nghiệm của chúng tôi, cả thực tế và gián tiếp, khiến chúng tôi ít lạc quan hơn về những giải pháp dễ dàng thông qua thu mua doanh nghiệp. Chúng tôi nghĩ rằng sự lạc quan quá mức nổi lên vì các bản ghi thành công vẽ ra quá nhiều chú ý. Nhiều người sau đó biện luận kiểu, tôi có thể nếu tôi dự đoán được viễn cảnh tốt đẹp trong trận tennis lớn sau khi quan sát bị giới hạn cho Ivan Lendl và Steffi Graf, hay những viễn cảnh tốt đẹp trong xổ số California sau khi hạn chế quan sát chỉ những người chiến thắng. Ngược lại cũng là sự thật, và còn nhiều hơn thế nữa. Quá ít chú ý tới các hiệu ứng khủng khiếp của cổ đông (hay các chủ sở hữu khác) từ những ví dụ tệ hơn về thu mua doanh nghiệp như CBS-DuMont, Xerox-Scientific Data Systems, General Electric –Utah International, Exxon – Reliance Electric… và Avon Products.

Năm 1999, người ta nói: “Kinh doanh internet thật tuyệt vời.”

Chúng ta thường chỉ thấy những vụ kinh doanh tốt và bỏ qua thất bại. Đặc biệt trong các thị trường lớn nơi các thành công được công khai rộng rãi. Hãy hỏi: Quần thể so sánh tương quan nào mà từ đó ta đo được hiệu quả 5 năm (giả sử 100 nhà kinh doanh Internet)? Bao nhiêu làm tốt (giả sử 5)? Bao nhiêu làm không tốt (giả sử 80)? Bao nhiêu rời bỏ việc kinh doanh (giả sử 15)? Từ đó, chúng ta có thể đưa ra kết luận rằng phát biểu trên là sai.

Phòng phát triển kỹ thuật của TransCorp đã phát triển một hệ thống bảo vệ mới và tuyên bố tỷ lệ thành công là 80%. Khi John quan sát 10 cuộc kiểm tra thử nghiệm, anh ấy chứng kiến 8 thất bại và chỉ 2 thành công.

Trong năm 1992, Theodore Postol, giáo sư khoa học và an toàn quốc gia tại MIT, đo hiệu suất (không phải theo thuật ngữ của các ảnh hưởng tâm lý và chính trị) của hệ thống chống tên lửa Patriot trong chiến tranh vùng Vịnh. Dựa trên việc nghiên cứu các băng video của 26 cuộc chiến đấu của Patriot/Scud với 25 lần nhầm và 1 lần trúng, ông nói với Ủy Ban về Các hoạt động của Chính phủ rằng, “Bằng chứng video là một trường hợp bị hoàn cảnh áp đảo mà Patriot không đến gần được tỷ lệ đánh chặn 80% ở Ả rập xê út.” Lầu năm góc đã báo cáo bắn 47 tên lửa Patriot vào Scud, công bố tỷ lệ thành công 80%. Báo cáo của Quốc Hội sau đó kết luận Patriot chỉ thành công bắn hạ có 4 Scud.

Nếu chúng ta giả thiết rằng các quan sát của John biểu diễn một mẫu thử ngẫu nghiên xác định, có bao nhiêu khả năng anh ấy có thể quan sát chính xác 2 lần đúng và 8 lần nhầm nếu tuyên bố của phòng kỹ thuật là đúng?

Đây là ví dụ về thí nghiệm nhị thức. Nó mô tả các thí nghiệm với các phép thử lặp lại và xác định trong đó mỗi phép thử chỉ có thể có 2 kết quả cuối cùng có thể xảy ra (ví dụ thành công hoặc thất bại). Giả sử các cuộc tham gia là độc lập, xác suất chỉ là 0.07%. Nếu tuyên bố của phòng là đúng, thì John đã chứng kiến một sự kiện có xác suất rất thấp. Có nhiều khả năng tuyên bố của họ sai.

Sự biến đổi

Chẳng hạn, bạn có thể không bao giờ nói trước được những gì một người sẽ làm, nhưng bạn có thể nói chính xác những gì một số lượng trung bình sẽ đến. Các cá nhân biến đổi, nhưng các phần trăm đều duy trì không đổi. Vì vậy hãy nói như một nhà thống kê.

-          Arthur Conan Doyle (trích từ The Sign of Four (Dấu bộ tứ))

Khi đánh giá các kết quả có khả năng, hãy nhìn vào phân bố tổng thể của các kết quả có thể - kết quả trung bình, biến đổi, và xác suất của một kết quả cực hạn và hậu quả của nó. Sự biến đổi có nghĩa là các kết quả riêng lẻ sẽ trải rộng ra bao nhiêu từ kết quả trung bình. Trải rộng càng nhiều, sự biến đổi càng lớn. Hãy hỏi: Chuyện gì đã xảy ra trong quá khứ? Các kết quả biến động bao nhiêu xung quanh con số trung bình? Yếu tố nào đóng góp vào biến động trong quá khứ? Chúng đã thay đổi sao?

Đường cong phân phối chuẩn cho thấy phân bố tần suất của các kết quả và đôi khi giúp chúng ta tìm ra các kết quả thường xảy ra nhất và các biến thiên.

Có nhiều cách một tập kết quả có thể trải rộng hoặc bị phân bố. Nhưng một số kết quả thường xảy ra hơn những cái khác. Nhiều đặc điểm sinh ra từ các yếu tố độc lập ngẫu nhiên có phân phối tần suất hình chuông. Có nghĩa là các kết quả thường xảy ra nhất sẽ ở điểm giữa của phân phối và các kết quả khác sẽ rơi sang bên cạnh của điểm giữa. Kết quả càng ở xa so với điểm giữa, tần suất của nó càng ít.

Ví dụ về các kết quả của phân phối chuẩn là chiều cao hay cân nặng của các thiếu niên (phụ thuộc vào các yếu tố như gene, ăn kiêng, hay môi trường), nhiệt độ, tai nạn xe hơi, tỷ lệ tử vong, hay tuổi thọ của bóng đèn.

Độ cao trung bình của các bé gái là bao nhiêu?

Nếu ta chọn ngẫu nhiên 1,000 bé gái và đo chiều cao của chúng, ta kết thúc với một phân bố các kết quả đầu ra là một đường cong như hình cái chuông. Độ cao của chúng sẽ tập trung xung quanh chiều cao trung bình, và độ rộng của đường cong chỉ ra mức độ biến thiên của chiều cao quanh giá trị trung bình. Thêm một cô bé cực kỳ cao vào tập mẫu lớn thực sự không thay đổi được chiều cao trung bình.

Lý luận tương tự có thể áp dụng cho công ty bảo hiểm ô tô. Công ty bảo hiểm chơi càng nhiều trò giống nhau, giá trị trung bình trở thành chỉ dẫn càng tốt. Thêm một vụ tai nạn ô tô cực kỳ đắt không thực sự thay đổi điều này. Giá trị trung bình có tính đại diện và có sức mạnh tiên đoán.

Nhưng chúng ta không thể sử dụng đường cong phân phối chuẩn cho các loại bảo hiểm có rủi ro khổng lồ và không bình thường. Đối với một công ty bảo hiểm chuyên môn hóa trong bảo hiểm những sự kiện duy nhất, độ biến đổi có thể xảy ra trong kết quả là then chốt.

Phần mềm máy tính mới của TransCorp chiếm 90% thị trường.

Trong nhiều trường hợp, đường cong phân phối chuẩn có thể không cho chúng ta một bức tranh trung thực của thực tế. Một sự kiện riêng lẻ cực kỳ được yêu thích hay không yêu thích có thể có ảnh hưởng lớn và làm thay đổi quan trọng các giá trị trung bình. Chúng ta xem ví dụ về loại phân phối không đều với qui mô và tần suất. Số lần càng ít hay thời gian càng ngắn hoặc tác động càng lớn mà một sự kiện đơn lẻ gây ra với giá trị trung bình, nó càng quan trọng khi cân nhắc độ biến thiên, và yếu tố nào đó càng trở nên khó đoán trước. Ví dụ, giả sử lượng bán sách trung bình là $200,000. Nhưng nếu mẫu của chúng ta chứa một cuốn bán rất chạy (Harry Potter chẳng hạn), giá trị trung bình sẽ không giúp chúng ta tiên đoán cuốn sách mới trung bình bán được bao nhiêu. Ví dụ khác là lượng bán bộ phim (Titanic chẳng hạn), giá thay đổi trong các thị trường tài chính (một cú sụt giảm lớn và bất ngờ của một loại tiền tệ), ác mộng từ các trận siêu bão (Katrina), hay ảnh hưởng của các phát minh (phần mềm mới của TransCorp). Ví dụ, không có phần mềm tiêu biểu nào và các giá trị trung bình trong quá khứ không có ý nghĩa gì.

Chúng ta thấy những gì đã xảy ra trong một quá khứ được đo đạc. Chúng ta không biết cơn siêu bão lớn nhất là cơn bão nào hay xác suất xảy ra của nó. Khi ta nhìn lại, ta chỉ thấy cơn bão lớn nhất là trong quá khứ đã được ghi chép lại.

Chúng ta không thể sử dụng các con số thống kê của quá khứ để tiên đoán những sự kiện hiếm và tác động lớn. Chúng ta không biết thời gian, tần suất hay mức độ ảnh hưởng của nó. Chúng ta không thể tìm ra chính xác các thuộc tính của nó hay phát triển một công thức. Chúng ta chỉ biết rằng chúng sẽ xảy ra và có thể gây tác động lớn. Trong vài trường hợp, chúng ta có thể có vài bằng chứng nói cho ta biết liệu các xác suất có đang thay đổi hay không. Cũng như vậy, nhiều sự kiện không độc lập, mà thay vào đó được liên kết. Các thị trường tài chính là một ví dụ; các thị trường có trí nhớ, tài sản có tương quan, và một sự kiện xấu sẽ gây ra một cái khác. Sự nguy hiểm khi dùng phân phối chuẩn trong những trường hợp một sự kiện lớn có thể làm thay đổi rõ rệt thực tại được mô tả rất rõ bởi nhà nhận thức luận về sự ngẫu nhiên Nassim Nicholas Taleb trong cuốn sách của ông ấy The Black Swan (Thiên nga đen).

Ví dụ 10 người có tổng tài sản $10 triệu, tài sản trung bình của mỗi người là $1 triệu.

Chuyện gì xảy ra nếu một người có $10 triệu còn chín người chả có gì? Thu nhập trung bình có thể tăng như thế nào? Giả sử 10 người thuộc tầng lớp trung lưu lên một chiếc xe bus. Một người đi ra và một tỷ phú đi vào.

John có một lựa chọn để chơi một trong hai trò chơi. Mỗi trò chơi có ba kết quả với xác suất tương đương nhau. Trò chơi có thể là một cơ hội, bảo hiểm, đầu tư, v.v…

	Các kết quả	Kết quả trung bình	Xác suất	Giá trị kỳ vọng
Trò chơi 1	30 40 50	40	1/3 1/3 1/3	40
Trò chơi 2	0 20 100	40	1/3 1/3 1/3	40

Nếu anh ấy chơi đi chơi lại mỗi trò chơi, giá trị kỳ vọng là 40 cho cả hai, vì thế anh ấy chọn trò nào cũng không thành vấn đề. Nhưng có chuyện gì nếu John chỉ chơi một trò chơi một lần thôi? Anh ấy nên chơi trò chơi 1 vì nó ít biến động hơn.

John được mời đầu tư vào một quĩ đầu tư mạo hiểm tư nhân. Bản ghi chép theo dõi của quản lý quĩ cho thấy tỷ lệ lợi nhuận trung bình là 25% trong 5 năm qua.

Điều đó không nói lên nhiều nếu chúng ta không nhìn xem hiệu quả bên dưới được tạo ra như thế nào. Bằng cách nhìn gần vào cách lợi nhuận này được tạo ra, John thấy rằng nhà quản lý quĩ này đã làm 10 giao dịch. Một giao dịch đã thành công ngoạn mục và số còn lại đều thất bại. Một giao dịch này có do may mắn?

Hãy nhớ rằng vài người bỏ qua dữ liệu khi báo cáo hiệu quả của họ.

Mary đọc trên báo rằng giá nhà trung bình là $1,000,000.

Nhưng điều này có thể khiến cô ấy có cái nhìn sai về thực tế. Giả sử có 100 ngôi nhà và 90 trong số chúng giá $500,000 và 10 “lâu đài” giá $5.5 triệu. Chúng ta phải nhìn vào biến thiên của chúng.

Một nhà quản trị kinh doanh nói với chúng ta rằng công ty của ông ấy có lợi nhuận trung bình là $50 triệu trong 3 năm qua. Nhưng khi chúng ta xem gần hơn, chúng ta thấy rằng độ biến thiên lớn nhất và xu hướng đi xuống trong bản ghi hiệu quả: 1998: $100 triệu, 1999: $50 triệu, 2000: $0.

Giá trị bình quân gia quyền là điểm giữa của phân phối trong đó một nửa kết quả ở trên giá trị đó và một nửa ở dưới. Nếu 9 người có $1 triệu mỗi người và 1 người có $1 tỷ, tài sản trung bình của họ là khoảng $101 triệu, nhưng con số bình quân gia quyền chỉ là $1 triệu.

Năm 1982, Stephen Jay Gould bị chẩn đoán một dạng ung thư hiếm và gây chết người với tỷ lệ tử vong gia quyền là 8 tháng sau khi phát hiện. Ông ấy đã chống lại căn bệnh đó 20 năm nay.

Tỷ lệ tử vong gia quyền 8 tháng có nghĩa là người đó sẽ chết trong 8 tháng tới? Gould học được rằng tỷ lệ tử vong gia quyền 8 tháng có nghĩa là một nửa số người chết trước 8 tháng và một nửa còn lại sẽ sống lâu hơn. Nhưng ông thấy rằng có một dải rộng hơn các kết quả sau 8 tháng hơn trước đó. Điều đó đúng vì có giới hạn thấp hơn của dải các kết quả trong vòng 8 tháng so với sau 8 tháng. Không ai chết trước khi bắt đầu giai đoạn 8 tháng nhưng những người sống sót có thể sống lâu hơn 8 tháng. Chúng ta không thể đối xử con số trung bình hay bình quân gia quyền như kết quả có khả năng xảy ra nhất đối với một cá thể đơn lẻ. Hãy nhìn vào biến thiên giữa tất cả các kết quả. Có nghĩa là phương pháp điều trị phải được xác định dựa trên việc một cá nhân có khả năng có kết quả tốt hơn hay xấu hơn so với bình quân gia quyền.

Hiệu ứng hồi qui

“Hồi qui về giá trị trung bình” là một khái niệm phát hiện bởi Ngài Francis Galton (cháu đầu của Charles Darwin). Nó nói rằng, trong một chuỗi sự kiện bất kỳ mà may mắn tham gia, hiệu quả rất tốt hoặc xấu, điểm số cao hoặc thấp, các sự kiện cực hạn, v.v… có xu hướng tiến về giá trị trung bình, được tuân thủ bởi càng nhiều hiệu quả trung bình hay càng ít các sự kiện cực hạn. Nếu chúng ta làm cực kỳ tốt, chúng ta có xu hướng làm tệ hơn lần tới, trong khi nếu chúng ta làm nó một cách nghèo nàn, chúng ta có xu hướng làm tốt hơn lần tới. Nhưng hồi qui về giá trị trung bình không phải là qui luật tự nhiên. Chỉ là một xu hướng thống kê. Và cần một thời gian dài để xem nó xảy ra.

Không hài lòng với hiệu quả của các nhân viên mới, John đưa họ vào một chương trình cải thiện kỹ năng. Anh ấy đo kỹ năng của các nhân viên vào cuối chương trình.

Điểm số của họ giờ cao hơn khi họ làm bài kiểm tra đầu tiên. Kết luận của John là: “Chương trình cải thiện kỹ năng đã cải thiện kỹ năng.” Điều này không nhất thiết đúng. Điểm số cao hơn của họ có thể là kết quả của hiệu ứng hồi qui về giá trị trung bình. Vì những cá nhân này được đo khi ở mức thấp của thang điểm kỹ năng, họ cần thể hiện sự cải thiện thậm chí nếu họ không tham gia chương trình cải thiện kỹ năng. Và có thể có nhiều lý do cho hiệu quả trước đây của họ - stress, mệt mỏi, ốm đau, phân tâm, v.v… Khả năng thực sự của họ có lẽ không đổi.

Hiệu quả của chúng ta luôn luôn biến đổi xung quanh một hiệu quả trung bình đúng nào đó. Hiệu quả cực hạn có xu hướng trở nên ít cực hạn hơn lần tới. Tại sao? Các phép đo kiểm tra có thể không bao giờ chính xác. Tất cả các phép đo được tạo từ một phần đúng và một phần có lỗi ngẫu nhiên. Khi các phép đo là cực hạn, chúng có khả năng một phần do may mắn gây ra. May mắn có khả năng tham gia ít hơn vào lần sau khi chúng ta đo hiệu quả.

Nếu chúng ta chuyển từ một cách làm sang một cách khác chỉ vì chúng ta không thành công, rất có khả năng chúng ta làm tốt hơn lần tới ngay cả nếu cách mới là tương đương hoặc tệ hơn.

Phần Hai và Ba xử lý những lý do khiến đánh giá sai và những ý tưởng để giảm chúng. Trước khi chúng ta bước vào Phần Bốn, hãy kết luận lại các cách chúng ta có thể học từ những sai lầm quá khứ.

Khám nghiệm tử thi

Nhà triết học người Tây Ban Nha – Mỹ George Santayana từng nói: “Những ai không thể nhớ quá khứ sẽ không tránh khỏi lặp lại nó.” Chúng ta có thể hiểu những gì xảy ra với chúng ta mà không tham chiếu đến quá khứ như thế nào? Chúng ta thuận tiện quên việc ghi lại các sai lầm. Nhưng chúng nên được tô đậm. Chúng ta nên thú nhận các sai lầm và học hỏi từ chúng. Chúng ta nên nhìn vào nguyên nhân của chúng và thực hiện các bước để ngăn chặn chúng không xảy ra lại. Hãy hỏi:

-          Lý do căn bản nào khiến tôi làm điều đó? Tôi đã biết gì và giả thiết của tôi là gì? Các lựa chọn thay thế nào lúc này?

-          Thực tế làm việc liên quan thế nào với phỏng đoán nguyên bản của tôi? Cái gì làm việc và cái gì không?

-          Cho thông tin có sẵn, tôi nên tiên đoán chuyện gì sẽ xảy ra chứ?

-          Cái gì đã hoạt động tốt? Tôi nên làm gì khác đi? Tôi đã thất bại khi làm gì? Tôi đã bỏ lỡ điều gì? Tôi phải học điều gì? Tôi phải dừng làm gì?

Tại sao chúng ta không khám nghiệm tử thi? Charles Munger nói:

Bạn có xu hướng quên các sai lầm của bản thân khi danh tiếng bị đe dọa bằng cách ghi nhớ. Vì lý do này, một công ty rất khôn ngoan – Johnson & Johnson – có một hệ thống theo đó hai năm hoặc lâu hơn sau khi có vài cuộc thu mua lớn, họ sẽ tiến hành biện pháp “khám nghiệm tử thi”. Họ mang những dự định ban đầu và những lý do ban đầu thực hiện thương vụ trở lại. Họ định ra những người phàn nàn và những gì bạn có. Rồi họ so sánh chúng với cách thương vụ đã làm việc.

Warren Buffett nói rằng, “Những vinh quang được gióng trống thổi kèn, nhưng những quyết định khờ dại cũng không bị theo dõi hay được hợp lý hóa.” Ông tiếp tục:

Các quản lý có xu hướng không sẵn lòng nhìn vào kết quả của các dự án vốn hay những vụ thu mua họ đã đề xuất rất chi tiết chỉ một hay hai năm trước với ban giám đốc. Và họ không muốn thực sự dính vào những con số ở đó như với cách thực tế đã làm việc với các dự định. Đó là bản chất tự nhiên của con người.

Nhưng tôi nghĩ bạn sẽ là một bác sỹ giỏi hơn nếu bạn ghé qua phòng bệnh lý thường xuyên. Và tôi nghĩ bạn sẽ là một nhà quản lý hay nhà đầu tư tốt hơn nếu bạn nhìn vào mỗi quyết định quan trọng bạn làm và xem cái nào hoạt động cái nào không – và tìm ra con số thành công trung bình của bạn. Rồi sau đó, nếu con số trung bình này quá tệ, bạn nên trao việc ra quyết định cho ai đó khác.

Chúng ta cũng có thể sử dụng biện pháp trước khi khám nghiệm tử thi để trợ giúp dự đoán các vấn đề và khóa lại các điểm yếu. Ví dụ, trước khi ra một quyết định quan trọng, hãy tưởng tượng một thất bại trong đó mọi thứ thực sự sai lầm và hãy hỏi: Cái gì có thể gây ra điều này?

Có những chỉ dẫn và công cụ nào để suy nghĩ tốt hơn không? Charles Munger giới thiệu cho chúng ta về Phần Bốn:

Berkshire cơ bản là một loại hình rất lỗi mốt và chúng tôi cố gắng phát huy kỷ luật để duy trì nó. Tôi không muốn nói lỗi mốt là ngu ngốc. Ý tôi là sự thật vĩnh cửu: toán học cơ bản, cảm quan cơ bản, nỗi sợ hãi cơ bản, chuẩn đoán cơ bản về bản tính tự nhiên của con người tạo ra những tiên đoán có thể xảy ra liên quan đến hành vi con người. Nếu bạn chỉ làm điều đó với một số kỷ luật, tôi nghĩ có khả năng nó sẽ vận hành hoàn toàn tốt đẹp.

<< Phần 3: Chương TÁM

Phần 4: Chương MỘT>>