心智模型（mental models）是一种简化的表示方式，帮助你理解一个情况、做出预测，或者选择行动。一个模型会突出某些关系，同时略去另一些。这让它对某个具体问题很有用，但作为对现实的描述它是不完整的。先从你要完成的任务出发，而不是去攒名字。选一个能把相关的不确定性暴露出来的模型，说清它的假设，再检查它是否对得上证据。组合几个互补的模型会有帮助，但多贴几个标签并不会自动让决策变好。要让实际的选择和下一步的检查始终看得见。
定义
地图会略去大片地形，好让旅行者找到一条路。心智模型起的作用类似：它让某些特征更容易被看清，同时略去另一些。
一个模型可以是一个概念、一张因果图、一个数学关系，或者一个实用框架。有些是条件精确的正式理论，另一些是用来组织问题的启发式做法。不要把一份有用的清单和一个经过检验的定量模型放在同样的证据地位上。
OpenStax 的认知章节讲了人如何表示和使用信息。本文这份按任务分类的索引，是为本站指南原创的一个导航工具，不是一套完整的认知理论。
模型索引
| 你的问题 | 适合起步的模型 | 专题指南 |
|---|---|---|
| 我放弃的是什么？ | 机会成本（opportunity cost） | 意思和例子 |
| 我在为已经花掉的钱辩护吗？ | 沉没成本谬误（sunk cost fallacy） | 停下还是继续的检验 |
| 人们的反应之后会发生什么？ | 二阶思维（second-order thinking） | 后果和应对 |
| 什么情况会让这件事失败？ | 逆向思维（inversion） | 从失败倒推到防护流程 |
| 目标是不是把结果藏起来了？ | 古德哈特定律（Goodhart’s law） | 指标设计 |
| 某个奖励会不会让问题更糟？ | 眼镜蛇效应（cobra effect） | 激励审查 |
| 谁知道些什么？ | 信息不对称（information asymmetry） | 信号和筛选 |
| 我偏好的信念是不是在过滤证据？ | 确认偏误（confirmation bias） | 双假说检验 |
| 还有别的解释说得通吗？ | 汉隆剃刀（Hanlon’s razor） | 意思和边界 |
| 我的专业能力适合这个任务吗？ | 能力圈（circle of competence） | 按任务划边界 |
| 反复发生的事件是怎么来的？ | 冰山模型（iceberg model） | 四层工作表 |
| 什么回路让这个模式持续下去？ | 反馈回路（feedback loops） | 强化与平衡 |
| 别人的选择怎么影响我的？ | 博弈论（game theory） | 参与者、策略和收益 |
| 我是不是假设所有不均等结果都是同一种分布？ | 幂律分析（power-law analysis） | 规模与证据检验 |
这份索引按任务给模型分组，并没有主张某种通用的排名。有些问题需要比一篇短指南所能提供的更专门的知识或证据。
完整算例
假设一个团队要选一家服务供应商。它用了三个模型，每个针对一个不同的问题。
信息不对称： 供应商知道哪些团队不容易核实的事情？团队找出一个相关的缺口：供应商能不能处理某项具体任务。一次有边界的演示可能有帮助。
机会成本： 选中的这项投入排除了哪个可行替代方案？团队用相关的未来收益和成本去比较次优的选项，而不是把所有被否掉的供应商加起来。
逆向思维： 什么样的情况会让这个安排失败？团队找出验收标准不清的问题，并在投入之前指定一个人去解决它。
| 模型 | 它补充的问题 | 具体产出 |
|---|---|---|
| 信息不对称 | 什么需要核实？ | 一项针对具体任务的检查 |
| 机会成本 | 放弃的是哪个替代方案？ | 一次明确的反事实比较 |
| 逆向思维 | 哪种失败可以预防？ | 一项带责任人的防护措施 |
这三个模型不会自动帮你选出供应商。它们让问题变得更好，也暴露出必须查的东西。真正的决定仍然取决于可行性、证据、价值观和决策权。
这个例子是原创的、假设性的。它不是在描述某个真实的采购结果，也不是一套经过验证的「三模型法」。
怎么选一个模型
用下面这套原创的挑选流程：
- 用日常语言把任务说清楚。
- 找出真正要紧的不确定性或推理风险。
- 选一个能让这个问题更容易被看清的模型。
- 写出它的假设，以及它略去了什么。
- 把它用到具体的证据或选项上。
- 记下下一步的检查、要做的决定，或者修改的条件。
如果好几个成因随时间相互作用，MIT 对系统思维的解读会指向关系和更广的后果。如果主要问题只是一个简单的数值取舍，直接算一遍可能就够了。
要避免收集模型：说出一堆概念名，推理却没有变。「我们用了逆向思维、第一性原理和系统思维」这句话，不如把你检验的假设、比较的替代方案、改变的行动写出来。
也要避免把偏爱的模型硬套到每个问题上。收益矩阵需要有真实的参与者、策略和收益。幂律需要分布数据的证据。一个比喻式的冰山，本身并不能确立一个因果机制。
最后，把专业能力的边界保持可见。一个模型能帮你向专家提出更好的问题，但它不能让你有资格评估每一个技术答案。用批判性思维去检查证据，用决策框架去选一个合适的比较方法。
问答
我该掌握多少个心智模型？
没有统一的配额。学那些能处理反复出现的任务的模型，并练习在证据和边界的约束下应用它们。一套更少但用得起来的模型，比一张背下来的长名单更有价值。
心智模型总是科学的吗？
不是。模型的范围从正式理论一直到实用启发式。说清楚你用的是哪一类，以及结论靠什么证据支持。
每个决策都该组合多个模型吗？
只有当它们回答的是各自不同的、相关的问题时才组合。同一个模糊想法换几个名字，只会增加复杂度，未必能改善行动。