那么，我们从他身上，可以学到什么呢？我尝试整理瑞在书中总结的生活与工作原则，并点评如下：

生活原则

拥抱现实，应对现实。点评：精彩。尤其是「观察自然、学习现实规律」、「理解自然提供的现实教训」、「从更高的层次俯视机器」三个原则。

用五步流程实现你的人生愿望。点评：这是写得最差的一节，作者几乎不拥有丝毫现代动机科学的知识。

做到头脑极度开放。点评：这是作者写得最好，也是我最认可的一节，放在后面单独点评。

理解人与大大不相同。点评：作者的心理学知识停留在道听途说的水准。

学习如何有效决策。点评：作者没正经学习过现代决策科学，只知卡尼曼不知斯坦诺维奇、克莱因、吉仁泽。

工作原则

相信极度求真和极度透明。点评：这是我最认可的一节，放在后面单独点评。

做有意义的工作，发展有意义的人际关系。点评：认可，但缺乏知识新鲜感。

打造允许犯错，但不容忍罔顾教训、一错再错的文化。点评：高度认可，且提供了大量有创意的发明，放在后面单独点评。

求取共识并坚持。点评：高度认可，且提供了大量有创意的发明，放在后面单独点评。

做决策时要从观点的可信度出发。点评：高度认可，且提供了大量有创意的发明，放在后面单独点评。

知道如何超越分歧。点评：高度认可，且提供了大量有创意的发明，放在后面单独点评。

比做对什么事更重要的是找对做事的人

要用对人，因为用人不当的代价高昂

持续培训、测试、评估和调配员工

点评：上述三条谈用人，认可，但废话较多，且不少处违背当代组织行为学、管理学最新成果。

像操作一部机器那样进行管理以实现目标

发现问题，不容忍问题

诊断问题，探究根源

改进机器，解决问题

按既定计划行事

运用工具和行为和组织呢工作

千万别忽视了公司治理

点评：上述 7 条，高度认同，作者也提供了部分有新意、反常识的做法，比如，使用助手来提高效率，但多数知识点可以合并到其他条目中，因此，不单独点评。

5

瑞的整套观念，实际上隐藏了一个深层次的人性观。我们可以将其总结为几个基本逻辑：

人是机器

人是机器，这个隐喻在计算机诞生后，很容易被人接受。但是，瑞在这个观点上，「反常识」的做法是，他不仅仅将人看作机器，更将人看作数亿机器中的一种：

在大爆炸发生时，宇宙所有的法则和力量都被创造、被推进，随着时间的推移相互发生作用，就像一系列复杂的、环环相扣的机器：星系的构造、地理和生态系统的构造、我们的经济和市场，以及每个人。我们每个人都是一部机器，它又由不同的机器组成，如我们的循环系统、神经系统等，这些机器创造了我们的思想、梦想、情感，以及每个人特性的所有其他方面。所有这些机器一起进化，创造了我们每天遇到的现实。

从人是机器到人是机器中的一种，这样的观念带来了效率的巨大跃升。如同瑞所言：

人在尝试理解任何东西（经济、市场、天气等）时，都可以从两种视角出发：

自上而下：努力找到这些东西背后的唯一驱动法则或规律。例如，在理解市场时，人可以研究影响所有经济和市场的普适法则，如供求关系；在理解物种时，人可以集中了解基因密码是如何对所有物种发生作用的。

自下而上：研究每种具体情况及其背后的法则或规律，例如，小麦市场独特的法则或规律，或者使鸭子区别于其他物种的基因序列。

大家看到这里，是不是想到我经常提及的一个词汇：批量解决问题。做任何事情，解决一个难题，要思考如何批量解决问题。例如你要找一个男朋友，你要想着怎么吸引一批优质单身男性，所以我常常建议优质大龄女青年成为优质社群的发起者；例如说你要创业，思考如何做一个好公司，你就要想着批量创造一批好公司。同样，在《灵魂选择自己的伴侣》中，我也提到了演绎法与归纳法的差异：

绝大多数人忘记了，理解知识有两种方法，第一种是归纳法，第二种是演绎法。原本两种方法相辅相成，互为表里。现在的人过于强调归纳法，却忘记了演绎法。

什么是演绎法？从体系、模型与框架入手。举个例子，我用科学计量学的一本核心期刊做了一个知识图谱。你会发现，将该领域可视化后，整个科学计量学领域值得关注的核心研究者并不多。不到十位。科学计量学是一个小的研究领域，因此值得关注的研究者就这么多；而在认知科学、儿童心理学这么庞大的研究领域，按照二八定律，贡献了学科 80% 论文被引的学者，也不会超过四十二人。

瑞将自上而下的原则，不断运用在公司经营、个人生活上，从而带来了效率的巨大提升。为什么一旦将人理解为机器的一种之后，会带来效率的巨大提升呢？关键点在于：机器是可以制造、可以模仿、可以复用、可以分层逼近真实、可以流水线分工的。诺奖得主、认知科学与人工智能奠基人西蒙在《人工科学》中说：

如果说，自然现象由于服从自然法则而具有一种「必然性」（necessity）的外观，人工现象则由于易被环境改变而具有一种「权变性」（contingency）的现象。

期货、股票、生活、工作、组织、人性，瑞面临的这些问题无不如此。一般人在这种权变环境下，会放弃对自上而下的必然性的探求。而少数如瑞这样借助现代科学，进行深入探讨的人，更容易能超越理解的局限，从而获得巨大的投资回报。

极度求真、极度透明

既然人是机器的一种，那么，这种机器最核心的矛盾是什么呢？依然用西蒙的话来说：

人类存储、回忆历史的能力有限，对服务于当前信念、欲望的重构记忆敏感；

人类分析能力有限，对加诸经验之上的框架敏感；

人类固守成见，对支持先入之见的证据不如对反对先入之见的证据挑剔；

人类既歪曲观察又歪曲信念，以提高两者的一致度；

人类偏爱简单的因果关系，认为原因必定在结果附近，大果必定有大因；

与复杂的分析相比，人类更喜欢涉及有限信息和简单计算的启发式。

用创新算法来理解，任何一台机器都存在核心矛盾。而人类这台机器的核心矛盾正在于自主心智与算法心智、反省心智之间的矛盾。为了超越这样的矛盾，瑞采取了一种非常罕见的「反常识」做法，极度求真、极度透明。

极度求真和极度透明是实现真正的创意择优讨论的基础。越多人能看到实情（好事也罢，坏事也罢，丑事也罢），他们在决定采用适当处理方式时就越有效率。这个方法对培训工作也大有裨益：如果大家有机会听取别人的想法，学习效果就会加倍加速。作为领导者，你能借此获得学习和持续改善公司决策规则所不可或缺的反馈信息。了解事情的一手信息及其原因，有助于增强彼此间的信任，推动员工对创意择优讨论所形成的结论进行独立的评估。

桥水基金公司的任何会议都被录音。读到这里，不由拍案叫绝！这一点，我高度认可瑞。在三年前，组建安人心智团队时，我默认的就是坚持这一原则：极度求真、极度透明。如不涉及隐私，所有会议都有录音备份、备忘录。这点，与瑞不约而同。同时，安人心智的所有文档，均通过 Git 机制索引，任何历史版本变更，一目了然。

创意择优，可信度加权

极度求真、极度透明带来的是一种企业文化的基础认识：即使我是老大，我的任何言论也是可能错误的，当你发现了，请立即指出，我来立即更正。那么，我们究竟应该依据什么样的原则来决策呢？瑞在这里采取了一些极度聪明的做法，如创意择优、可信度加权，并发明了集点器等工具。

什么是可信度加权？与能力较弱的决策者相比，要对那些能力更强的决策者的观点赋予更大的权重，给予更多的重视。这就是我们所谓的「可信度加权的决策」。

那么，怎样确定谁在哪些方面能力更强呢？最具有可信度的观点来自：（1）多次成功地解决了相关问题的人；（2）能够有逻辑地解释结论背后因果关系的人。当基于可信度加权的观点能够正确实施并保持下去，那就形成了最公平、最有效的决策系统。它不仅能产生最佳效果，也能保持步调一致，因为即便有人不同意最终决策，也能跟上步伐。

为了做到这一点，可信度加权的标准必须是客观且得到每个人信任的。在桥水，每个人观点的可信度都被记录在案并接受系统性评估，使用类似棒球卡和集点器的工具，及时记录和评估其工作经历和业绩。

很少有一家企业会如此彻底贯彻这样的原则：勇于承认错误，有错就改。当看到一位新入职的同事写来批评你的邮件，你会如何反应？对我来说，非常不舒服。但是，成长恰巧就是在这些不舒服的事情中。三年前，我收到一位新入职的同事批评我的邮件后，因为论证有利，结论清晰，我立即做了一个决定：提拔她。

当别人指责自己缺点的时候，不要浪费时间去捍卫，而是第一时间承认。承认之后，才能面对现实、改善。瑞喜欢将自己的做法称之为：可信度加权。我喜欢称之为贝叶斯改进。新同事当时写给我的邮件示范了什么是证据导向、什么是可信度加权。那么，在过去近三年的工作中，在涉及对我的评价上，赋予她更高的权重。三年后，她的确成长不少，今天收到她的感谢信，大家共同成长，而非相互对抗，这就是成长型心智带来的巨大优势。

去年年底，一位总监入职。当时招募她的CEO 提醒我，她不太喜欢听批评话。我当时激烈地写道：一个人，如果不喜欢听批评话，那么，请离开团队。果然，不久后，安人心智不断拥抱变化、成长型心智的文化，自然而然地令她在试用期内离开了。我们尝试来比较两种做法：

做法1：所有人都是对的；

做法2：所有人都默认假设自己是错误的，然后搜集证据来提供新的信息点。

哪种做法更容易导致一个高效的企业文化？《行动科学》提醒我们：人类普遍擅长高度自我防御。我们的行动模式是避免冲突，压抑负面感觉，强调理性并将错误责任归因于他人，而且几乎人人都相信自己不会犯这种错，但其实做事时还会依着这个模式来。因此，你需要第二序改变。极度求真、极度透明；创意择优、可信度加权都是非常聪明且优雅的第二序改变。

超越分歧，追求共识

深层次的分歧，其实不是来自智力、证据层面的分歧，而是来自行为方式层面的分歧。虽然拿瑞不懂人格科学调侃了很多，但瑞在这一点上，也采取了一些聪明的做法。我并不认可瑞的心理学知识水准。但认可他的棒球卡做法：

在采用了 MBTI 测试和其他心理测试之后，我还是发现，我们难以把看到的结果和制造这些结果的人联系起来，从而对人有充足的了解。同样的人还是不断参加同样的会议，以同样的方式做事，得到同样的结果，而不试图理解为什么。（我最近看到的一份研究报告显示，存在一种认知偏好：人们总是会忽视显示一个人在某件事上做得比另一个人好的证据，而认为两个人做得同样好。我们当时看到的就是这种情况。）例如，缺乏创造力的人被安排去做需要创造性的工作，而不关注细节的人被安排去做细节导向的工作，等等。

我们需要找到一种方法，把显示不同人个性的数据做得更加清晰、准确，于是我开始为员工创制棒球卡，列出他们的「指标」。我的想法是，这些卡可以被传阅，安排任务时可以参考。就像你不会安排一个在防守方面表现得很好但打击率仅为 0.160 的外野手作为第三棒出场一样，你也不会安排一个拥有宏观思维的人去做需要关注细节的工作。

在安人心智，我更喜欢将这个棒球卡拓展为四个方面的数据：

认知能力：智力不错，理性思维能力不错；

行为模式：注重内在动机（自我决定论），享受这份工作本身带来的兴趣与乐趣；心态开放好奇，为人友善，坚持不懈（大五人格模型）；自己在团队中发展很有安全感，且能给团队带来安全感，将集体放在个人之上（依恋类型）；

语言模式：常常采取成长型心智的语言模式，从我很聪明到我很努力；

环境模式：能够适应组织所处环境，并从中生长。

更详细的解释参见老文：工作谈005：高阶算命术 （上）与瑞的做法不同的是，每次联合使用三个以上的模型，并且这三个模型来自不同类别。举例，大五人格模型与依恋类型都隶属于「行为模式」，两者之间存在一定相关。这样，你做预判的时候，仅仅依赖「行为模式」，那么就容易放大噪音。而同时，采取三个模型就降低了误差。这个至高无上的高阶模型，瑞在自己熟悉的投资领域，坚持得很好，凭此发现了投资的圣杯，但是在自己不熟悉的人格科学领域却表现较差。什么是投资圣杯，与我降低人格判断的误差的做法类似，即：

想要拥有很多优势，而又不暴露于不可接受的劣势之下，最稳妥的方式是做出一系列良好的、互不相关的押注，彼此平衡，相互补充。

写成算法，机器代理

人再聪明，也会犯错。因此，请从剥削人转为剥削机器人。瑞针对种种原则，开发了大量工具，如我喜欢的几个工具：

集点器：集点器作为一个应用于会议的 App，便于人们实时表达自己和了解别人的观点，帮助大家在创意择优下形成决策。这个工具能把众人的想法展示出来，进行分析，有助于大家根据相关信息实时做出决策。

棒球卡：搜集员工各方面的数据，通过计算机算法，基于一定逻辑形成员工特征画像，把这些特征登记在棒球卡中，就像为职业棒球运动员建立的棒球卡那样。当然，数据处理逻辑一般都要向公司员工公开，并得到大家的认可，以增强客观性和可信度。这种工具以简便的方法勾勒出一个人的强项和弱点及其相关的证据，方便实用。

分歧解决器：分歧解决需要清晰的路径，在创意择优下尤为如此，因为人们希望在表达不同意见的同时，找到解决分歧的途径。分歧解决器为在创意择优下解决分歧提供了路径。该工具的一个特点在于，它能找到具有可信度的人，帮助确定某项分歧是否有必要提交给更高层管理者去研究解决。这个 App 也很明确地告诉每个人，如果有不同的观点，就有责任表达出来并与他人求取共识，而非私下固执己见、拒绝把问题摆到桌面上来。