这段时间的下跌，也给了我们充足的时间去思考和审视自己。给大家分享一篇自己的读书笔记——诺贝尔经济学奖获得者丹尼尔-卡尼曼著作《噪声》
《噪声》一书，是由丹尼尔·卡尼曼 （思考 快于慢的作者）撰写。
我对这本书的总结是：以统计学的视角看待人在判断问题时的缺陷，并提供补足方案。
噪声一共分为六个部分，逐步讲解噪声的产生、衡量和解决。这六部分分别是：一、噪声和偏差的区别。第二部分研究了如何衡量噪声，并讨论情景噪声的有关问题。第三部分是探讨预测性判断。第四部分是以人类心理学的角度，解释噪声产生的根本原因。第五部分是探讨如何在实践中减少噪声——采用的是中介评估法。第六部分是讲述，正常水平的噪声是合理的，噪声不可能被完全消除。
我们从第一部分开始。哪里有判断哪里就有噪声。那么，什么时噪声呢？要了解这个问题，我们先来搞清楚三个概念，误差、噪声、偏差。
误差=偏差 噪声。误差是人在做出判断后，与“正确值”做出对比，所得出的值，是最终结果。而偏差是一个客观存在的事情导致的，例如在打靶的时候，你的枪的准星歪了，那打出来的靶自然是有偏差的。而本书，最主要要研究的是噪声，那么噪声是什么呢？那开始介绍前，先做个简单的小游戏。请问大家，大家心中认为的茅台的合理估值是多少倍？大家写在面前这张纸上，互相不讨论，不通气。我们在这章的内容介绍完后，再来想想这个问题。
噪声的定义用一句话概括就是：相同问题进行判断的过程中产生的不必要的变异。首先我们必须明确一点，我们每个人做出的每一个判断，都是具有十分强的个人色彩，但我们都希望找到一个“金发姑娘价格”，“金发姑娘价格”是值最合适的价格，或者说叫正确值。（差异在于是预测性判断还是评估性判断，后面会讲到），但往往在判断中，我们得出的结果会跟“金发姑娘价格”相差甚远。
我们要拆解噪声，首先就要明白噪声和判断的关系。噪声无处不在，有判断的地方就有噪声。而什么是“判断”呢，书中给判断做了两种分类方式，一是是否可重复。二是判断分为评估性判断和预测性判断。
从是否可重复的角度看，分为单一决策和重复决策，单一决策无法被重复，我们举个例子，例如美国是否发动战争。像这样的决策只需要做一次，且不可重复，没有所谓的正确值。我们结合前文中有给出的噪声的定义：相同问题进行判断的过程中产生的不必要的变异。也就是说，我们在单一决策中找不到相同的问题，对于这种单一决策的讨论通常会从因果关系视角进行事后总结，而本书，没有直接的方法考察是否存在噪声。对于可重复决策的判断，例如法官判抢劫案，可以有多次重复判断的机会，就可以采用书中后续的方法，用统计学的理念，寻求期望值。
从评估性判断和预测性判断两个角度看，本书集中讨论的是预测性判断，什么叫预测性判断，举个例子，例如股市接下来会怎么走？这就属于预测性判断，评估性判断是指对事务进行评估/打分等，例如之前提到的，法官判抢劫案，本质上并不是预测，而是要评估犯罪的严重程度，和刑期之间做一个匹配。那看到这，我们发现，评估性判断和预测性判断的边界并不是非常清楚，例如，预测股市接下来的走势，我们也会在做出判断前，对影响股市的刚发的政策、行业因素等等做出评估，最终做出预测。法官判抢劫案，也会基于一系列的预测，例如预测案件对社会的影响程度等。预测性与评估性的边界比较模糊，并且做出判断的人往往是没有意识到两者的差异的。
以上就是噪声第一部分的主要内容，主要就是以案例和定义的方式，告诉我们什么是噪声。那么回到我们最开始的那个问题，大家认为茅台的合理估值是多少？我们大概率会发现，大家的答案都是各不相同的，这就是噪声，我们都是巴菲特的“传人”，用的都是价值投资的同一套体系，对估值的差异还是这么大，那我们怎么做出这个判断的呢？是用了我们全部的知识，还是仅仅是拍脑袋的？我们又该怎么界定和衡量我们在判断中出现的噪声呢？我们继续看下一部分。
噪声的第二部分，主要就是讲如何衡量噪声。第二部分的结构，我斗胆做了一些结构调整。原文是把如何衡量误差放在前面，噪声的拆解分析放在后面，但我把噪声拆解分析放在前面，主要是可以跟第一章的内容连贯起来。
噪声也分为单个案例的噪声和系统案例的噪声。我们研究噪声的最主要目的就是不希望在同一案例上存在判断的差异，所以，我们主要研究的目标也是系统噪声。
系统噪声简单的定义是：同一案例上，不同人存在判断的差异。按照书中的定义，系统噪声由两部分解决，一部分是水平噪声，一部分是模式噪声。用公式表达就是系统噪声的平方=水平噪声的平方 模式噪声的平方。
什么是水平噪声？水平噪声是指与被判断物无关，由判断人自身的“变异性”产生的误差，是指不同人做出的判断与平均值之间的变异。例如：判断人的背景、阅历、学识不同，带来的变异。
什么是模式噪声？模式噪声简单的理解，就是除了水平噪声以外残存的噪声，是指对特定时间做出的特定反应的变异。这样说可能有点抽象，我们举个例子，例如有个法官，平时判案非常严厉，在同类法官中是属于判刑最重的，但他会对未成年人犯罪特别宽容，是法官中判最轻的。这就是在特定的某个时间或者模式下，做出的特定反应的变异。
模式噪声中还包含了一种值得单独拿出来分析的，叫情景噪声。情景噪声的来源，主要来自于人的情绪。
人的情绪分为好情绪和坏情绪。当然，也并不是说好情绪就一定对判断有益，也不是说坏情绪就有害。只是说两种情绪有所侧重。好情绪也是一把双刃剑，坏情绪也可能成为困境中的一线希望，不同情绪的利与弊取决于具体的情景。例如：在谈判中，好情绪的人更富有合作精神，更能达成合作。但在遇到“鸡汤”文时，好情绪更容易情景带入，更容易上当受骗。而坏情绪在谈判中可能会疑神疑鬼，难以信任对方，达不成合作，但在处理具体事务事，能更带有客观批判的精神，更能看到误导性信息，更加客观理性。
并且，人的情绪是会因为各种各样的事情不断在变化的。这里面有一个小小的例子——“天桥难题”，就是说：又5个人即将被失控的电车撞死，你站在天桥上，电车很快就会经过天桥下，你旁边刚好有一个大个子男人，如果你把他从天桥上推下去，落到铁轨上，他的身体就能挡住电车，救下那几个人，请问你会不会这么做？ 你现在做出的判断也仅仅是代表你现在的情绪，像比如书中的一个实验：当通过看几分钟的视频，诱发了被实验者的好情绪，这个时候他们选择把人推下桥的概率就增加了三倍。
你并非在所有时刻都一样。随着情绪的变化（有时候你会意识到），你的认知机制也会改变（你可能根本意识不到）。如果你面临一个复杂的判断问题，当前的情绪会影响你对这个问题的思考以及得出的结论，即便你认为你的判断没有受到情绪的影响，并且能很自信地阐明自己给出最终答案的理由。你给出的答案，并非是根据你大脑中的全部知识得出的，只是你可能产生的一系列的答案中的一个。简而言之，有判断的地方，就会充满噪声。
那这个时候大家可能会有疑问了，既然哪里都充满了情景噪声，那怎么做才能解决或者优化这个问题。
答案就是群体智慧效应。简单来讲就是，对同一个体的两次判断进行平均，对于决策品质的提升效果不如对两个独立个体的意见进行平均。这个结论主要来自于1906年，达尔文的表弟，叫做弗朗西斯·高尔顿的一个博学大师，他在一次乡村集市上目睹了787名村民估计一头公牛的重量，公牛的重量1198磅，而他们猜测的平均值是1197磅，十分接近真实值。就是虽然村民个体的估值充满了噪声，但是全部估值的平均值偏差就会极小。这个就是我们在基金公司中最常听到的一句话，独立研究，共同决策！
但是，所谓的群体智慧效应，也要建立在不同个体互相独立的前提之下。互相之间不知道答案，做出选择后取平均值，才能减少噪声，但如果互相知道答案或者互相影响，会使得趋同/完全背离于某个答案，产生更大噪声。这里面就又涉及到情景噪声，例如：一个公司做出一个决策，A同意，B本来不同意，但是A是他的师傅，他就也只好同意。C本来也想同意，但是他现在在跟B竞争一个岗位，所以他就不同意。这种就是会产生所谓的信息级联。
根据以上的有关情景噪声的论述，我们应该注意的是，群体决策在很多时候是会出现群体智慧效应，是会有兼听则明的效果。团队聚在一起，会让我们更自信，更团结，对我们所选择的行动方针更加坚定。但也可能会出现群体决策时，互相加强错误认知，导致在错误道路不回头的可能。
接下来讲讲本书第二部分的另一个章节，有关于如何衡量误差的。
对于我们来说，我们知道了什么是噪声，什么是偏差，什么是误差。那我们就要试图衡量他，解决他。首先先是衡量。
既然要衡量误差的大小，首先就要知道所谓的正确值是什么。
当我们能验证判断的正确与否时，评估判断的正确性有两种方法，一是通过结果判断，二是通过过程判断。
通过结果判断，就是结果导向，哪怕过程完全正确，结果也可能是错的。同时，哪怕过程毫不相干，结果也可能出现正确答案，例如：大猩猩掷骰子，也可能会掷出我们想要的正确值。所以，显然这种方式是不正确的。而是应该以过程判断，本书后续推荐的减少噪声和偏差的方式，都是从过程出发。
但是当我们不知道自己的预测是对是错时，我们应该怎么衡量误差呢？书中给出的答案是用均方误差解决。误差方程是：总体误差（均方误差）=偏差的平方 噪声的平方。我们会发现这样的表达形式非常的“统计学”，完全是按数学的角度去解释。具体的实际应用可能还要后续的进一步验证。
均方误差方程，用我们都听过的方式表达就是方差。用平方的方式，给与误差更大的权重，当方差更大时，也就说明数值偏离平均值更大。而当没有一个所谓的正确值时，平均值时最佳的结果。
回到我们一开始的茅台估值，为什么我刚刚没让大家直接说，而是让大家想一下记在纸上，首先就是为了确保在一定程度上，我们是互相独立的个体，互相之间不知道答案，这样就会在一定程度上产生群体智慧效应。那我们现在来看看我们的平均值是多少，在一定程度上，也可以表示合理估值的“正确值”。
以上就是噪声第一部分和第二部分的内容，总体就是以统计学的角度，告诉我们我们日常生活中无处不在的噪声是什么，怎么衡量。
接下来讲讲噪声的第三四部分。
第三部分主要讲预测性判断中的噪声，预测性判断是指对未来发生的事情进行预判，例如天气预报等。第三部分主要就是分析这部分内容。
首先，我们先简单的定义一下几个概念。第一个是诊断性判断，诊断性判断是指根据直觉做出的判断，直觉也包含了判断者的阅历、经验等，但没有一套标准化的判断流程。
第二个是机械性预测，顾名思义，是指用机械化流程化的模型进行预测，书中用“多元回归”方式做机械性预测，而多元回归是指对各种预测因素的平均值进行加权后获得预测分数的方法。从这个方式我们也看得出来，是一种机械化流程化的模型，不参杂过多的个人感情色彩。
第三是效度错觉。这个概念的意思就是自己对自己判断的品质的满意感，只是一种错觉。而人类大多数更相信自己的经验而非学者的主张。
我们来看看诊断性预测和机械性预测的异同点。同：我们都是用一组预测因素来预测目标结果。例如用候选人的工作绩效对候选人进行评分。但不同点在于，机械性预测适用于所有情况，每个预测因素都有他们特定的，规定好的权重，权重不会因为个案的不同而发生改变。而诊断性判断反应的是一种普遍性的直觉，即相同的差异在一种情况下可能无关紧要，在另一种情况下却可能非常重要。例如董事长的儿子绩效8分，和你讨厌的对手绩效8分，做出的判断可能完全不同。
从以上的论述我们也可以看出作者想表达的观点：简单模型的决策优于人类判断。原因是人类在判断过程中存在噪声，效度错觉会让人不断的自我强化。举个例子：有一项研究，研究人员要求98名参与者基于10条线索预测90名学生的GPA，研究人员根据这些预测做出一个简单模型，并比较参与者本人和模型预测的准确性，最终结论时，判断模型的表现全部优于个人判断。
人的判断更为复杂，且人往往会认为自己比一般人更擅长思考，更有洞察力。举个例子，人可能会认为10分和9分之间的差别要比7分和6分之间的差别更大，或者认为在所有维度上得分均为7分的候选人比平均分相同但优势和劣势都更加明显的候选人更优秀。而模型并不会表征这些复杂的规则。
这个时候问题就来了，为什么我们认为复杂的规则更有效，但往往适得其反？首先，人们发明的很多复杂规则本身并不正确。从根源处就是错的，那根据复杂规则得出的结论，自然也是有问题的。其次，即使复杂规则在原则上时有效的，但也不可避免的仅适用于少数能被观察到的情况。而人们会经常把这些复杂规则用到不有效的地方。
那么就算这样，为什么很多人，甚至是绝大部分的人，还是不相信机械性判断，而相信自己的诊断性判断？首先，大部分人对自己的诊断性判断充满了盲目自信，认为算法是一种放弃责任的表现，并且此种想法根深蒂固。其次，人会举出“断腿”反例，而机器学习要理解“断腿”案例是非常难的。什么叫断腿案例，这是一个实验的模型，就是说有一个模型，可以预测人们今晚去看电影的可能性，无论你对该模型有多大信心，如果你碰巧知道某人刚摔断了腿，你都会比模型更准确的预测他今晚是否会去看电影。这也是我们很多人拒绝量化产品的重要原因，就比如，当出现突发战争的时候，我人是知道要卖掉的，可是机器不知道，模型只会继续跑下去。对突发未知时间的反应，人大于机器。但突发未知因素永远是少数。
这里面还有讲到一个概念叫做客观无知。客观无知的定义：决策者往往会对自己的判断充满信心，喜欢听从自己的直觉，且多数人对直觉传提出的信息十分满意。这种直觉我们称为内部信号，内部信号是一种预感或关于正确性/合理性的信念，但这种预感/判断是没有明确的理由或者依据的。这是一种自我管理的奖励，在完成判断会，会让人产生一种令人愉悦的一致感，会让我们觉得我们的判断和试试就是一致的，而这种局限性，就称为“客观无知”。
预测性判断者都面临着客观无知。举个例子，书中就有提到一个实验，就是权威专家在预测未来政策时，把政策未来的发布可能分为三种，一是大概率发布，而是有一点概率发布，三是大概率不发布，而专家在做出判断时，准确度和黑猩猩扔飞镖，在靶上分为以上三个部分，准确的概率是差不多的。原因：我们不可能获取全部的信息，而仅通过我们所获取的信息进行预测，其准确性必然较低。
那怎么应对这个问题？答案是建立机械性规则，是没有噪声的。简约机械化模型的优势在于其透明性和易用性，相比于其他复杂模型，只需要稍微牺牲一点准确性就可以。如果要再进一步的话，就是用机器学习的方式，完善机械化的模型（前提：有大量数据）那联系到我们投资中，选择股票，所谓的长期复合20%的基金经理，为什么可以长期有稳定的复合收益？第一，形成了自己的体系，也就是机械性的预测方法，我们可以看到成功的基金经理都有自己的一套方法，我们也可以成为护城河，或者波特五力之类的说法。第二，我觉得还有很重要一个点，就是降低预判的次数，减少频繁换股，从概率学上看，也是减少出现错误的可能性。
世界充满了客观无知，而我们如何自处？首先我们要先明确一个普遍存在的错误概念：事件虽然无法预测，却可以被理解。这是一个错误的观点。我们举个例子，一个贫穷且懒惰且无能的人，最终被房东赶出了房子。我们都认为其可以被解释，甚至可以被预测。但在每个岔路口都可能出现另一种可能，例如：他中了彩票。
我们会这么想，是因为我们在预判的时候，普遍采用因果思维。但是世界上绝大多数的事件之间的相关性都是较低的，就算有相关性，但不代表有因果性。而我们强拉因果，其实这是一个充满了客观无知的事情。举个例子，每天复盘，每日的暴涨*，市场一定会在事后找出一个理由，鲜有不能解释的涨跌。
书中推荐的是我们可以用统计思维/系统思维，简单来讲就是将个别案例视为更大类别中的一个实例，再判断统计上各种事件发生的可能性。举个例子，建立投资体系也是指过往投资经验的精华提取，根据自己关注的几个要点，机械化、系统化的选择。
以上就是第三部分的内容，第四部分主要讲的是从心理学的角度解释噪声产生的原因。
首先我们先看一下基础概念，判断偏差有哪些？总共有三种，
1、替代偏差，简单讲就是用一个问题代替另一个问题。回答一个难题的启发式时去寻找一个简单问题的答案，用一个问题代替另一个问题会导致源于可预见性心里假设的误差。举个例子，我们相信任泽平说的货币政策路线吗？其实我们心中已经把问题替换成，我们相信任泽平吗？他的过往经历是怎么样的。这种行为会导致我们对证据不正确的赋权。
2、结论偏差，就是常常依据结论寻找证据。由于证实性偏差和期望偏差，人们倾心于有选择地手机和解释证据，以支持那个我们已经相信或希望成真的结论，反复不断加强自己的认知。这种偏差导致我们要么绕开证据，要么曲解。
3、过度一致性偏差，人们能迅速形成一致性印象，但要改变一致性印象，过程却很缓慢。例如有这样一个实验，有一位应聘者，有四个标签。首先第一次实验，先看前两个，聪明、执着。然后看后两张，狡猾，没有原则。跟反过来，先看后两张，狡猾，没有原则，再看聪明、执着，对应聘者所得出的结论可能完全不同。这就是我们所说的第一印象。这种偏差也是会导致我们放大初始印象的效果并减少矛盾信息的影响。
上面讲的是偏差的来源，不知道大家还记得第一部分讲到的内容吗，就是误差=偏差 噪声，讲完偏差，然后我们讲讲噪声的来源。人们在日常判断中，会主观的带入自己心中在某个方面的量表上，找到对应的值。例如：看向天空，两个小时后下雨的概率有多少？你会带入你心目中的天空黑暗程度的量表。
而不同人对与量表的强度认知不同，这也会导致偏差。例如：大老鼠从小象的鼻子上跑了下来。这句话就是很明显的表达了这个问题。又比如：银行家口中的一点点钱和乞丐口中的一点点钱，肯定是不同的。
人们在强度量表上区分类别的能力有限，这限制了匹配的准确性。这是重要的潜在噪声来源。这边有个很有意思的案例，说：古代有个人。三岁识千字，五岁背唐诗，七岁熟读四书五经，八岁时精通诗词歌赋。判断一下这个人最终成就几何？我想我们都看过这部电视剧，这位就是电视剧《武林外传》中的吕秀才。那他的成就想必大部分有看过电视的人都是知道的，二十五岁穷的连饭都吃不起。但我们仅看前面的时候，三岁识千字，五岁背唐诗，七岁熟读四书五经，八岁时精通诗词歌赋，我们从强度量表上，觉得很厉害，但其实预判起来根本一点都不准。
最后，我们一起回顾一下前面的内容，并做出一定的整合。本书讲的截至目前有三个重要的公式。均方误差的平方=偏差的平方 系统噪声的平方,而系统噪声可以再次分解，分解为系统噪声的平方=水平噪声的平方 模式噪声的平方。水平噪声是指由判断者的不同所带来的差异，这是比较容易测量的，而模式噪声就相对比较复杂，所以对模式噪声再进一步分解，分解为模式噪声的平方=稳定的模式噪声的平方 情景噪声的平方。
而文中根据各种实验分析，最终得出的结论是模式噪声对系统噪声的影响非常大，而水平噪声占比相对比较小，且容易被测量。再模式噪声中，稳定的模式噪声是系统噪声中最主要的组成成分。稳定模式噪声是判断者跟事物之间的相互作用。可能因为你的日常习惯，可能因为你从小的经历，可能因为你的知识、你思考问题的角度，你对某些事情的判断就是不一样。
你可能因为自己是厦门大学的毕业生而更喜欢聘请厦门大学的毕业生。你的稳定模式噪声，代表立体的、全面的、你独一无二的思维习惯。
最终回归到本书的中心思想，从统计学上说，噪声无处不在。
第五部分是本书的重点，在于如何减少噪声。
首先，一个组织要如何减少判断中的噪声呢？一共分为四步，如下所示。
以上是从一个组织的角度出发，而我们想要得到卓越的判断，应该从几个角度考虑。
先选出卓越的判断者。2、消除偏差。3、汇总多项独立评估结果。本章主要就是从这三个角度出发，分析如何减少噪声。
第一点，选出卓越的判断者。好的判断者往往经验丰富且充满智慧，但他们也时刻保持着思维的开放性，愿意接纳新的信息。例如我们一般会听从专家的意见，而专家也分为两种，一种是真正的专家，一种是尊重型专家。
专家是指对某个方向的专业水平较高，其做出的判断，通常噪声更少，偏差也更少。例如：专业律师给出的法律意见大概率是比我们普通人给出的法律意见有更少的噪声。
而尊重型专家是指一些判断的效果是无法验证的，对这些专家所做判断的信心建立在同行对他的尊重的基础上。这类型的专家能满怀信心的做出判断，并善于构建能自圆其说的理论，并于之前的案例进行类比推理，循序形成并验证假设。这种情况更多存在于一些无法验证的行业，例如美食品鉴、红酒品鉴等。这种尊重型专家的噪声就会较大，准确度存疑。
但是无论何种人，我们可以得出的一个结论是：智商高的人判断力更好（并不值个例，而是平均值），智力水平与更好的判断相关，智力与几乎所有领域的良好表现都相关。通过调查，给一群人做GMA（一般心智能力测试）后，发现，底层人群的GMA分布范围更广，而从事社会地位较搞的职业的人群中，几乎没有GMA低于平均水平的人。举个简单的例子，美国亿万富翁获得大学学位的比例高达88%
最后，每个人的认知风格不同的人对判断也有影响。书中举了一个例子，就是运用CRT（认知反射测试）来对判断者做出一定的筛选，CRT旨在测量人们能够在多大程度上抑制闯进大脑中的第一个答案，也就是错误答案。例如：在一场跑步比赛中，你超过了第二名，你现在是第几名？这考量的是判断者是否深思熟虑。
第二点，我们可以从几个维度去消除偏差。主要分为三个维度，事前事中事后。
事前干预判断，减少偏差的方式主要有助推&助力两种方式。
助推：旨在改变做判断或决策的环境。主要是直接减少判断带来的偏差的影响。例如：自动加入养老金计划，通过直接改变环境，克服了惰性、拖延和乐观偏差。
助力：旨在训练决策者识别并克服这些偏差。例如通过学习统计学知识等方法来提升决策能力。
事中干预是较为重要的，书中的方式是设立决策观察者，当局者迷，旁观者清，把决策观察者单拉出来“局外”，对决策的有效做出判断。
有三种决策观察者可供选择：
由团队负责人担任决策观察者，此人需要负责全盘事务，所以可能会对影响结论过程中产生的偏差有所警觉。在团队中任命一个人担任团队的“偏差破坏者”。例如：纪委外部聘任一名具有中立视角的协调人员。
事后干预往往是靠直觉进行的，也就没有详细展开。
第三点，汇总多项独立评估结果。有两种方式，一是直接简单取平均值，但取平均值能消除噪声，但不能减少偏差。二是书中所推荐的德尔菲法，第一轮匿名提交自己的判断，然后第二轮再匿名给出自己判断的理由，以及要对其他人给出的判断和理由做出回应，并鼓励趋同，这个方式能同时从汇总和社会学习中获益。
分析完怎么减少噪声后，书中的一个部分让我觉得非常有意思。就是为什么世界上总是会存在超强的超级预测者。例如：巴菲特，这辈子做的绝大部分的重大判断都是正确的。书中认为这些超级预测者都有以下集中特质：
很庆幸的是，这几种能力，除了GMA以外，都是可以通过后天训练学习掌握的。
最后，给本章做个总结，本章的主要内容就是介绍“中介评估法”，来改善整个决策流程。中介评估法包括以下几个步骤：
第六部分的内容主要是讲合理的噪声存在是正常的。
会有这部分内容的主要原因就在于消除噪声的做法在很多领域出现了反对的声音。例如：耶鲁大学法学院的凯特-斯蒂思和美国联邦法院法官何塞-卡布拉内斯十分反对量刑指南，他们认为量刑指南是对判断的恐惧，没有任何机械性的解决方案可以满足司法要求。
而基于这个出发点，作者总结反对意见，主要有以下7种：1、减少噪声代价很大，不值得。2、为减少噪声而采用的某些策略可能会给系统本身引入新的噪声或偏差。3、如果希望让人们觉得自己受到尊重，就必须容许一些噪声。4、噪声可能是容纳新的价值观，甚至是促进道德和政治的发展至关重要的事物。5、一些力图减少噪声的策略可能会促成投机取巧的行为，导致人们利用制度的漏洞。6、存在噪声的系统可能有很好的威慑作用。7、人们不希望自己被当成意见物品或者机器上的一个小齿轮。
针对这七点，作者也做出了一定回应。
1、减少噪声的成本很大？没有标准答案，而是需要权衡减少噪声的饿成本与益处，例如通过噪声审查，发现噪声造成了极大的不公平或者高昂的代价，那减少噪声就势在必行。例如：造成了司法的不公正，造成了人为误诊等
2、噪声越少，错误越多？某些规则确实会导致偏差的增多，例如：现在互联网的关键字屏蔽机制，虽然屏蔽了很多该屏蔽的言论，但一些本不违规的东西也会受到屏蔽。无论是规则或者算法又或者是人，都会存在偏差，但人的偏差是不可控的，规则的偏差可以通过改进规则实现，而是应该用之前介绍的特殊思维循环，再试一次（人们往往无法接受算法的错误，但可以接受人的错误）
3、如果希望让人们觉得自己受到尊重，就必须容许一些噪声？某个人没有被别人视为独特的个体，而是将其视为无差别的群体中的一员，人就会产生不满。区别对待很重要，但无规则的区别对待会带来太大的代价，我们要做的是改进、细化规则，而不是抛弃规则。EX：大学是以高考分数录取，但会给部分群体一定的加分或者保送。但如果像美国一样的面试制度，自由度很高。但会带来的是教育资源的极度不公平。
4、噪声可能是容纳新的价值观，甚至是促进道德和政治的发展至关重要的事物？减少噪声并不是一劳永逸，，如果通过制定严格的规则来减少噪声，那么规则制定者应随时间的变化对规则做出改变。例如：随着时间推移和国情改变，我国推出的一胎、二胎、三胎政策。
5、是否会导致产生制度的漏洞，导致人们利用制度投机取巧？规则具有明确的边界，因此人们可能会绕过规则去实行一些严格意义上不违反规则但会造成相同或类似危害的行为。例如：利用法律的漏洞实施危害社会的事，但我们要因此不设置法律吗？如果噪声事防止投机取巧行为而不得不付出的代价，那么他是值得的。应该要做的是完善规则。
6、存在噪声的系统可能有很好的威慑作用？是会这样，但这仍然会滋生很多的不公平
7、人们不希望自己被当成意见物品或者机器上的一个小齿轮。有噪声的系统可能对保持士气有好处，但这并不是因为它包含噪声，而是因为它允许人们根据自己的意愿做出决定。
最终，从以上言论我们也可以看得出，作者并非要的是每个领域都要禁止噪声。合理的噪声存在是正常的，要消除所有噪声，所需成本太大。需要减少噪声的，是在某些领域，因为噪声的存在造成了可怕的不公平或者事故。例如：司法、医疗诊断、面试。
总结：本书主要是以统计学的视角，带我们发现日常判断中存在的不完美之处，让我们能正视自己，也正视自己的判断。不盲目自信。因为：我们的生活中，处处充满噪声！
最后，附带上我自己在读书的时候写的思维导图，辅助大家阅读，希望能让大家有一点新的感悟。
投资是对世界认知的变现，这里不生产“股神”，只分享对世界的认知
