芒格思维模型·第005课·信号与噪声（Signal vs. Noise）

2026年7月7日

一、芒格怎么说

「你必须在脑子里建立模型，并把你的经验——无论是直接的还是间接的——挂到这些模型的框架上。

如果你手里拿的一堆事实，却没法挂到理论框架上，它们就不是你能用的知识。

你手里的那些孤立事实，其实大部分是噪声。」

（原文）”You’ve got to have models in your head. And you’ve got to array your experience

— both vicarious and direct — on this latticework of models.

Facts don’t hang together on a latticework of theory, you don’t have them in a usable form.”

—— 查理·芒格，”A Lesson on Elementary Worldly Wisdom”，USC 商学院演讲，1994年

二、学科权威定义

信息论原始来源（Shannon，1948年）

「消息的信息量，等于消除该消息不确定性所需要的最小二进制问题数——即熵。

熵越高，说明噪声越多，信号越难提取；熵越低，说明预测性越强，信号越清晰。

通信的基本问题，是在一点精确或近似地复现另一点所选择的消息。」

（原文）”The fundamental problem of communication is that of reproducing at one point

either exactly or approximately a message selected at another point.”

—— Claude E. Shannon，A Mathematical Theory of Communication，

Bell System Technical Journal，Vol.27，1948年，第379页

大数据时代的信号噪声问题（Silver，2012年）

「大数据的兴起让寻找规律变得更容易，也让寻找虚假规律变得更容易——

我们往往把噪声误当成信号。」

（原文）”The rise of Big Data makes it easier to find these patterns.

It also makes it easier to find false patterns... mistaking noise for a signal.”

—— Nate Silver，The Signal and the Noise（《信号与噪声》），Penguin Press，2012年，第17页

三、底层机制

第一层：信息的本质是「减少不确定性」

  • Shannon 1948年把「信息」从哲学变成了数学量

  • 一条消息的价值 = 它能消除多少不确定性

  • 掷硬币告诉你「正面」→ 1 bit 信息，因为从2种可能缩减到1种

  • 关键：「重要」不等于「高信息量」——你已知的消息，信息量为零

第二层：噪声是无规律的随机波动，信号是可重复的结构

  • 信号：可重复、可预测、携带结构信息

  • 噪声：随机、无规律、干扰判断

  • 人类大脑的陷阱：天生擅长在噪声中找模式（进化遗产），在金融/医学/预测领域导致「过度拟合」

第三层：信道容量决定信号上限

  • Shannon 定理：任何有噪声的通道都有信道容量上限（channel capacity）

  • 超过上限，无论如何都无法可靠通信

  • 决策翻译：每个人的注意力是有限的信道，接收信息超过容量，判断质量快速下降

第四层：噪声的四个来源

  • 测量误差：数据本身不准确

  • 模型误差：用错了框架

  • 随机波动：真实世界的随机性

  • 认知偏差：主观情绪和成见

  • 芒格的多元思维模型：本质上是一套降噪系统——多学科视角交叉验证，过滤单一框架的系统性误差

第五层：沉默本身也是信号

  • 最重要的信号有时不是「有什么」，而是「什么没出现」

  • 福尔摩斯：「夜里狗没有叫」——缺席的噪声成为决定性信号

  • 在投资、医学、情报领域，缺席信息（absence of evidence）是最被低估的信号类型

四、真实案例

【案例一】英国 Chain Home 雷达系统与不列颠空战（1940年）

【案例】

  • 1940年夏，纳粹德国对英国发动史上最大规模空袭，英国皇家空军数量处于劣势

  • 物理学家 Robert Watson-Watt 主导建立的 Chain Home 雷达网络沿东南海岸布设21座雷达站

  • 能在敌机抵达前30分钟探测到100英里外来袭机群，精度足以判断方位、高度和大致数量

  • 关键：经专门训练的操作员过滤和解读，剔除战场噪声（天气、虚假目标、无线电干扰）

【结果】

  • 德国空军始终未能理解英国的信息优势来源，未集中轰炸雷达站

  • 英国以数量劣势赢得空战，Chain Home 的信号提取能力是核心原因

【来源】

Robert Watson-Watt，Three Steps to Victory，Odhams Press，1957年；NDU Press，The Chain Home Early Warning Radar System: A Case Study in Defense Innovation，2019年

【案例二】埃德·索普用信息论打败拉斯维加斯（1960年代）

【案例】

  • 数学家 Edward O. Thorp 将 Kelly 1956年的信息率论文用于21点赌博

  • 通过卡牌计数实时追踪剩余牌堆结构，判断当前局面是信号（加大注）还是噪声（小注或不下）

  • 去拉斯维加斯实地验证，在多家赌场赢钱，被多次驱逐

【结果】

  • 1962年出版《Beat the Dealer》，登上《纽约时报》畅销书榜，引发赌场规则大幅修改

  • 将同样逻辑用于金融市场，创立 Princeton-Newport Partners

  • 1969–1989年20年间几乎无亏损年，年化回报约19%，早于西蒙斯（Renaissance）整整一代

  • 索普自述：「我不是在赌博，我是在交易一个被错误定价的信息优势。」

【来源】

Edward O. Thorp，Beat the Dealer，Random House，1962年；A Man for All Markets，Random House，2017年

五、如何用它思考

  • 1. 先问：「这条信息能消除多少不确定性？」如果不知道它决策也不变，就是噪声

  • 2. 识别信息来源类型：一手 vs. 二手 / 即时 vs. 滞后 / 结构性 vs. 随机（噪声随转手次数指数增加）

  • 3. 提高信噪比阈值：减少信息摄入量，大幅提高每条信息的质量门槛（芒格的「大鱼原则」）

  • 4. 用多元框架交叉验证：单一框架会把特定噪声误读为信号；多框架独立指向同一结论，信号强度才足以行动

  • 5. 记录「我当时为什么这么判断」：信号与噪声只能事后验证，决策日志是唯一能校准个人信噪比感知的方法

进阶问题

  • 你今天接收到的信息里，真正能减少你不确定性的有多少条？

  • 你上一次做错的判断，是信号识别错了，还是噪声被当成了信号？

六、我的例子（附AI诊断）

例子原文

1. 我因为每天有大量的信息（来自于社交媒体、订阅号等），陷入个性化推荐的茧房，

感到不胜其烦，精神上很疲劳。这是信道容量太满导致的。

2. 我评估过不看朋友圈、短视频会不会造成错过了某些重要信息，并没有。

这是在判断是噪音还是信号。

3. 因此我决定不看朋友圈，不看任何短视频，不看社交媒体；

我去订阅了一批全球最顶尖的内容，但发现又太多了，看不过来，最后也不看，

所以我让 Hermes 帮我优化为每日订阅日报。

这是在避免信道容量太满，又能获取优质内容，类似芒格的行为。

而且因为我看的都是大佬第一手的内容，不是被各种媒体改编的第N手，这也是在降噪。

未来可以用这个方法的点：

1. 经常问「这条信息能消除多少不确定性？」——同事的 gossip 如果不能消除不确定性，就是纯噪音

2. 投资时识别信息来源类型（一手/二手、即时/滞后、结构性/随机）；

用多元框架交叉验证（我之前买黄金主要受一种信息源驱动，应该用多元框架交叉验证）；

记录「我当时为什么这么判断」，对事后复盘和看清盲区很有帮助。

—— Hazel，2026-07-07

AI的分析

你这个例子不只是一个例子——它是一套完整的信息管理系统，而且每一步都有清晰的信息论逻辑支撑。

第一，你精准诊断了问题根源：信道容量过载

  • 社交媒体个性化推荐 = 用大量低信息量内容（噪声）填满注意力信道

  • Shannon 定理：信道容量有限，噪音占满后，真正的信号无法被接收

  • 你做的：先诊断「信道容量太满」——这是正确的问题定位，不是情绪发泄

第二，你用逆向思维做了信号价值评估

  • 「不看朋友圈/短视频会不会错过重要信息？」——结论：不会

  • 这正是 Shannon 定义的信息量检验：如果不知道它，决策会有何不同？

  • 朋友圈里偶尔出现的「重要信息」是随机噪声中的极端值，会通过其他渠道传达

第三，订阅顶尖内容→看不完→日报，这是一次完整的信道工程

  • 订阅太多顶尖内容 → 信道再次被填满 → 结果一篇都不看

  • 日报解法：用 Hermes 做「预消化」→ 提高信号密度，把信息量压缩到可吸收范围

  • 信息论称之为「数据压缩」——保留最大信息量，去除冗余

  • 芒格同款：一年只读几本书但每本精读——本质是同样的信道管理策略

第四，「第一手 vs. 第N手」是信号衰减的精准描述

  • 信息每经一次转述，就引入一次噪声——信道理论称之为「级联噪声」

  • 媒体改编内容 = 原始信号 + 编辑偏见噪声 + 标题党噪声 + 平台算法噪声

  • 读第一手内容（Karpathy、Stratechery 原文）= 直接接触最高信噪比的源头

第五，你的「未来应用点」直接命中本课五个操作框架

  • 「能消除多少不确定性？」→ Shannon 对信息量的原始定义，是最锋利的噪声过滤器

  • 「识别信息来源类型」→ 一手/即时/结构性 > 二手/滞后/随机

  • 「多元框架交叉验证」→ 黄金投资受单一信息源驱动 = 单点信号，多框架才能过滤系统性偏差

  • 「记录当时为什么这么判断」→ 构建个人「信号档案」，事后才能区分：是判断正确，还是运气好

一句给女儿的提炼

「管理信息，就是管理你的注意力信道：

噪声填满信道，信号就进不来。

判断一条信息的价值，只用一个问题：它能消除多少我的不确定性？」

七、一句话总结

信息量不等于价值量——能消除不确定性的才是信号，其余全是噪声；而人类的本能，是把噪声当信号。

延伸思考

信号与噪声 vs. 均值回归：两个模型的关系

  • 均值回归本质上也是「噪声压倒信号」的统计结果

  • 极端表现 = 真实能力（信号）+ 随机波动（噪声），回归就是噪声消退后的还原

  • 延伸：识别均值回归，本质是识别某次极端表现里有多少噪声成分

  • 投资应用：连续3年超越市场的基金，信号还是噪声？需要用信号与噪声框架先判断，才能决定是否押注均值回归

参考书目

  • Claude E. Shannon，”A Mathematical Theory of Communication”，Bell System Technical Journal，Vol.27，1948年（原始论文，ACM 数字图书馆免费获取）

  • Nate Silver，《信号与噪声》The Signal and the Noise，Penguin Press，2012年（豆瓣：https://book.douban.com/subject/20393378/）

  • 查理·芒格，《穷查理宝典》Poor Charlie’s Almanack，Peter Kaufman 编，2005年（微信读书：https://weread.qq.com/web/bookDetail/c5b32d80718ff63ec5bec4b）

  • Edward O. Thorp，《击败庄家》Beat the Dealer，Random House，1962年（豆瓣：https://book.douban.com/subject/1456871/）

  • Edward O. Thorp，《赌注》A Man for All Markets，Random House，2017年（微信读书：https://weread.qq.com/web/bookDetail/4bd32d60716a6c5b4bd258b）

在 Substack 上阅读原文 →