Deep Dive
Shownotes Transcript
我们都生活在不确定性中，不是吗？从微小的决定到人生大事，不确定性每天都存在。绝对如此，它像持续不断的背景噪音。我想很多人，都想更好地理解它，掌控它，而不至于完全不知所措。这正是我们这次深入探讨的目的。是的。所以今天我们将利用 David Spiegelhalter 的著作《不确定性的艺术》作为指南，来深入探讨不确定性。这是一本很棒的书。
它深入探讨了偶然、风险、运气，甚至我们自身的无知。我们的目标是揭示一些令人惊讶的事实，并可能带来更多清晰的认识。听起来不错。他涵盖了如此广泛的内容。让我们开始吧。他从哪里开始？嗯，从一开始，他就把它变得非常个人化。他谈到了他第一次世界大战中的祖父塞西尔。啊，是的，关于战壕爆炸的故事。没错。他的祖父受了伤，当然听起来很糟糕。你会认为这是糟糕的运气。但事实并非如此。那次受伤实际上救了他。
它使他远离了前线。而他的老营后来在索姆河战役中遭受了巨大的损失。所以，那次看似随机的事件……
嗯，这意味着 Spiegelhalter 本人最终才能出生。哇。这真的让人印象深刻。他称之为微观偶然事件，不是吗？是的，这些微小的、不可预测的岔路口累积起来，可以彻底改变人生的轨迹。它表明事物是多么脆弱。而且不仅仅是那些改变人生的重大时刻。他明确指出，不出所料，
不确定性存在于一切事物中。平凡的事物。重大的存在主义问题。没错。从罗马时代处理疾病和较短的寿命，到我们今天担心工作或气候。它一直是人类生存状况的一部分。至关重要的是，他认为这并不是某种客观存在的事物。不，没错。它是主观的。它关乎你与世界的关系，由你的知识、你的感知所塑造。
对我来说不确定的事情，对你来说可能不是。好的，让我们深入探讨一下。他分解了不同类型的不确定性，我觉得这非常有用。是的，这是他区分偶然性不确定性和认知性不确定性的一个非常关键的区别。好的。所以偶然性不确定性是指未来的事情，对吧？纯粹的偶然因素，就像抛硬币之前它落地的情况。你就是不知道。本质上是不可预测的。
随机性。但认知性不确定性则不同。这是关于我们现在不知道，但理论上可以知道的事情。没错。如果我抛硬币，盖住它，然后问你正面还是反面，结果是固定的。你只是缺乏信息。
你的不确定性是认知性的。好吧，这说得通。所以你可以通过学习更多来减少认知性不确定性，但偶然性不确定性只是偶然。正是如此。它又回到了他关于你的概率与概率本身的观点。这是关于你的知识状态。这很好地引出了我们人类实际上如何应对不确定性。
因为我们并不都以同样的方式反应，对吧？根本不是。Spiegelhalter 谈到了整个情绪范围。焦虑，显然，也许还有恐惧。但也包括好奇心，甚至兴奋。是的，绝对如此。但他同时也警告说，对不确定性的真正不容忍可能会成为问题，可能会导致焦虑和抑郁。他提到了他父亲的旅行焦虑症，即旅行前的强烈焦虑。没错，严重到他干脆停止了旅行。
而当作者也遇到类似情况时，他使用了认知行为疗法 (CBT)。试图将这种焦虑重新定义为兴奋，一种心理技巧。有点像，是的。改变感知，这就引出了另一个问题。我们到底想了解多少？例如，你想知道你确切的死亡日期吗？
大多数人会说不会，对吧？绝对不会。或者像比赛开始前就知道最终比分一样。是的。这有点破坏了乐趣，破坏了悬念。有时无知是福。这让我想起了物理学家理查德·费曼。他说他对怀疑，对不知道感到很自在。也许这就是关键。接受它。这似乎是一种更健康的方法。是的。但 Spiegelhalter 也推动量化不确定性，超越含糊不清的词语。是的。像“可能”或“或许”这样的词语，对不同的人来说意味着不同的东西。差异巨大。
他使用了猪湾事件的例子。中央情报局告诉肯尼迪，它有相当大的成功机会。这听起来还不错。也许是 50-50。肯尼迪似乎也是这么认为的。但中央情报局的内部数字更像是 30%。
理解上的巨大差距。使用数字可能会改变事情。医学例子也很严峻。常见副作用意味着十分之一。但人们认为这意味着更接近三分之一，大约 34%。当你评估风险时，这是一个巨大的差异。即使像 IPCC 这样的机构试图将“可能”标准化为 66-100% 的概率。
人们仍然经常猜测更低，也许是 60%。这确实表明沟通是多么棘手。数字似乎更可靠，更不含糊。那么我们如何更好地判断自己的确定性呢？他谈到了校准，对吧？是的，信心测验的想法。这很聪明。你回答问题，并评估你的信心程度，比如十分之五，到十分之十。
而评分会惩罚你，如果你非常自信但错了。没错。它会抑制过度自信。这是关于良好校准，了解你实际知道多少。而这个测验通常会显示什么？通常会出现三种类型的人。那些知识渊博并且对自己的信心相当准确的人。然后是那些更谨慎的人，他们可能会低估自己的知识。
意识到他们不知道什么。第三种是过度自信的人，他们经常出错，但非常确定自己是正确的。良好的校准对于良好的判断至关重要。
他将此与预测联系起来，不是吗？狐狸和刺猬。是的，借用菲利普·泰勒克的话，狐狸是适应性强的、怀疑论者。他们借鉴了很多想法，改变主意。刺猬知道一件大事，并坚持下去，通常是过度自信的。就像 Nate Silver 对 2016 年大选预测一样，给特朗普大约 29% 的机会。事后人们说他错了。但他不一定错了。他给出了一个概率。不太可能的事情确实会发生。
像 Silver 在他的方法中一样，狐狸往往是更好的预测者，正是因为他们接受了这种不确定性。他们不是教条主义者。好的，让我们稍微改变一下方向。这本书还深入探讨了概率本身的历史和数学。这一切从哪里开始？嗯，很久以前。早期的赌博形式，比如在古代使用指骨作为骰子，人们对机会有直觉的感知。但正式的数学后来才出现。很久以后。
想想 16 世纪的卡尔达诺和他关于机会游戏的著作。斐波那契将印度-阿拉伯数字引入欧洲，对于计算也很关键。而那些早期的思想家则解决了诸如……
计算骰子的几率。是的，像这样的基本内容，但也包括更复杂的事情，例如点数问题，如果游戏被打断，如何公平地分配赌注。其中一些想法是当今使用的方法的祖先，例如板球中的 Duckworth-Lewis-Stern 系统。令人着迷。他还提到了二项分布。没错，用于计算重复事件中的概率，例如多次抛硬币。以及 DeMauve 对此的近似工作，它变得相当数学化。有
也存在哲学争论，不是吗？概率是客观的，像频率一样，还是主观的，像信仰程度一样？是的，这是一个长期存在的讨论。Spiegelhalter 似乎倾向于主观的个人观点，这又回到了你的概率的概念。好的，让我们谈谈一些可能更贴近生活的事情。巧合，那些看起来不太可能是偶然发生的时刻。啊，是的。他有一些很棒的故事。
就像 Doug 和 Ron Biederman 两兄弟，他们入住同一家酒店，同一天晚上，随机分配到相邻的房间，而且两人都恰好穿着相同的独特的条纹衬衫，而且是独立购买的。这太不可思议了。统计学家如何定义巧合？作为令人惊讶的事件并发，被认为是有意义地相关，没有明显的因果关系。他甚至提到了剑桥巧合收藏。
那么这些看似不可能的事情是如何发生的？仅仅是统计学吗？很大程度上是的。一个关键因素是真正大数定律。
基本上，有了足够的机会，即使是极其不可能的事情最终也一定会发生。就像生日问题一样。把足够多的人放在一个房间里。没错。只有 23 个人，实际上就有超过 50% 的几率两人共享同一个生日。感觉违反直觉，但数学结果是正确的。他在广播中也有自己的巧合，不是吗？是的。
在一次关于生日的采访中，两位来电者打来电话，他们与他共享同一个生日，1 月 27 日。三位与节目相关的人，同一个生日。看起来很神奇，但同样，数量众多。很多听众。但他同时也警告不要曲解巧合，尤其是悲剧性的巧合。是的，卢西亚·德伯克的案例，这位护士因看似不可能的死亡集群而被错误定罪。
甚至像假设双黄蛋比实际情况更稀有，因为你没有想过全世界每天产多少蛋。我们需要质疑我们的假设。好的，那么运气呢？这感觉与纯粹的偶然或巧合相关，但又有所不同。这是一个难以捉摸的概念。Spiegelhalter 使用了他的朋友幸免于飞机失事作为例子，因为他的父亲坚持让他换座位。那是运气吗？
还是父亲的明智之举。或者朱丽安·科佩奇，这位十几岁的女孩在亚马逊丛林中坠机数日后幸存下来。有多少是偶然？有多少是她自身的知识和韧性？这通常是多种因素的混合。他还提到了重大的历史事件，例如弗朗茨·斐迪南大公遇刺事件。
一系列不太可能的事件和糟糕的决定导致加夫里洛·普林西普恰好处于正确的时间和地点。看似随机的转变带来了巨大的后果。那么有不同类型的运气吗？他讨论了几种。结果性运气，事情由于行动后的偶然因素而如何发展。
环境运气，你所处的环境。以及构成性运气，你出生的运气，你的基因，你的成长环境。你根本无法控制的事情。最后一个感觉很重要。那么体育或科学中的运气呢？某人只是运气好吗？通常情况更复杂。是的，机会发挥着作用，但技能、准备、心态，有些人称之为偶然性，准备好注意到意想不到的事情至关重要。想想弗莱明和青霉素霉菌。这是
这部分是偶然，但他准备好了去认识到它的意义。这引出了另一个重要的问题：随机性与决定论。事情是真正随机的，还是对我们来说太复杂而无法预测？Spiegelhalter 通过他自己的前列腺癌诊断来探讨这个问题。他从母亲那里遗传 BRCA2 基因突变的几率为 50%。就像孟德尔遗传一样，基本上是抛硬币。没错。但这在生物学层面上是真正的随机性，还是仅仅是
决定论的物理和化学，对我们来说太复杂而无法完美建模。整个混沌理论的概念。蝴蝶效应。微小的变化会产生巨大的不可预测的结果。没错。它模糊了界限。从哲学上讲，你有拉普拉斯妖，这个想法是，如果你知道每个粒子的位置和动量，你就可以完美地预测未来。决定论。与量子力学相比，量子力学似乎表明在最小尺度上存在固有的随机性，
随机性。这是一个深刻的争论。但 Spiegel-Holter 采取了务实的方法。我们根据规模的不同来对待不同的事物。我们可能会故意使用随机性，例如在曼哈顿计划或英国彩票机器的蒙特卡罗方法中。即使那些彩票球遵循物理定律，我们出于实际目的将结果视为随机的。正是如此。
而且他注意到我们通常不擅长直觉随机性。我们在没有模式的地方看到模式，认为随机事件应该看起来均匀分布，而它们通常是成块的，例如洗牌的播放列表有时仍然会播放同一艺术家的歌曲。是的，这会让人抓狂。好的，另一个关键概念，上下文和条件概率。背景信息有多重要？非常重要。他从 2021 年 6 月英国 COVID 大流行中提供了一个惊人的例子。
数据显示，大多数 COVID 死亡发生在完全接种疫苗的人群中。这听起来完全自相矛盾，就像疫苗不起作用甚至有害一样。这正是它可能被误解的方式。但关键的背景信息缺失了。在那时，很大一部分最脆弱的人群，老年人，有健康问题的人，都接种了疫苗。真有趣。
即使疫苗非常有效，因为几乎所有脆弱的人都接种了疫苗，但他们中突破性感染和死亡的较小数量仍然超过了未接种疫苗的脆弱人群中死亡人数。正是如此。这是关于基线比率。你需要考虑在特定群体中，接种疫苗后死亡的概率与未接种疫苗后死亡的概率。
就像安全带的比喻一样。大多数在车祸中受伤的人系着安全带。但这并不意味着安全带没用。这意味着大多数人都系着安全带。这是一个非常清楚的例子，说明为什么上下文至关重要。不要孤立地看待数字。绝对如此。这引出了贝叶斯定理。没错。著名的更新我们信仰的公式。是的。这是一种正式的思考方式，关于新的证据应该如何改变我们对某事可能性评估。嗯。
我们之前的信念是什么，以及这些新信息如何调整它？你能举个例子吗？他使用了面部识别技术，比如查尔斯国王的加冕典礼。想象一下，该系统在识别特定通缉犯方面的准确率为 99.9%。听起来不错。非常准确。
但是如果该通缉犯极不可能出现在人群中，比如一百万分之一的机会，这就是先验概率，即使是如此准确的系统也会产生比真实命中更多的误报。
大多数警报将针对那些恰好看起来足够相似的人。因为你将微小的错误率（0.1%）应用于大量无辜的人，并将高命中率（99.9%）应用于可能只有一个目标，如果他们甚至在那里的话。
没错。贝叶斯定理有助于计算后验概率，即给定警报的情况下，被标记的人是通缉犯的几率。它将远低于 99.9%。它表明先验信念或基线比率至关重要。绝对如此。他还提到了似然比，这是阿兰·图灵及其团队在破译 Enigma 密码时使用的贝叶斯的一个组成部分。
如果假设 A 为真，则此证据的可能性比假设 B 高多少？而这种贝叶斯式的思维方式鼓励更新信念，而不是过于教条。没错。克伦威尔的规则。避免绝对确定 0% 或 100% 的概率，因为那样的话，任何证据都无法改变你的想法。总是为怀疑留一点空间。这似乎与科学本身有关。
我们经常认为科学提供可靠的事实，但 Spiegelhalter 强调它通常很混乱，对吧？非常如此。这是一个不断发展的过程。他以光速的测量为例。几个世纪以来，公认的值发生了变化，而且至关重要的是，围绕该值的误差估计也发生了变化，通常表明之前的估计过于自信。因此，即使是看似客观的测量也包含不确定性。绝对如此。
而且不仅仅是数据中的不确定性，还有我们用来解释数据的模型中的不确定性。他谈到了 COVID 期间的恢复试验，该试验发现地塞米松是有效的。
但益处的规模取决于统计模型中所做的假设。常见的统计工具可能会被误解，例如 p 值或置信区间。是的，他指出它们经常被误解。p 值并不能告诉你你的假设为真的概率，而 95% 的置信区间并不意味着有 95% 的几率真值位于该特定区间内。
贝叶斯方法提供了一种更直接地表达概率的替代方法。但科学确实在提出主张时力求严谨。哦，绝对如此。对于像希格斯玻色子这样的重大发现，科学家要求极高的确定性水平，即著名的五西格玛水平，这意味着结果极不可能仅仅是随机的侥幸。他们明确承认并量化了不确定性。
好的，我们有概率，但你之前也提到了信心。信心如何与概率相关？你能有相同的概率但不同的信心水平吗？是的，这是一个关键点。想象一下预测抛硬币。概率是 50%，正面或反面。你对这个 50% 的数字相当有信心，因为你了解公平硬币的物理特性。没错。现在想象一下仅仅通过观察来比较两个物体的重量。你知道，我猜物体 A 更重的几率是 50%。
但你对这个 50% 估计的信心可能相当低，因为你只是在目测。啊，所以概率估计相同，但对该估计的确定性不同。没错。情报分析人员经常使用这个。他们会为一个事件提供概率，但也会根据他们拥有的证据的质量和数量提供信心水平，高、中、低。他以美国情报机构评估俄罗斯干预 2016 年大选为例。没错。
不同的机构可能在可能性上达成一致，但根据其具体的来源和方法表达不同的信心水平。但这是否始终一致地使用？并非总是如此。有时信心量表似乎补充了概率。其他时候它们几乎替代了概率，这可能会令人困惑。
Spiegelhalter 分享了他自己根据污染血液估计丙型肝炎感染的经验，处理基于多层假设的间接不确定性，需要仔细表达信心。IPCC 也使用信心量表来进行气候变化调查结果。是的，与概率陈述一起，以反映科学理解或一致性水平。
但即使是在面对他所谓的深层不确定性时，这些也有局限性。接下来让我们谈谈因果关系。弄清楚 A 是否真的导致 B，这似乎也充满了不确定性。极其如此。他使用了一个简单的比喻。你的车发动不了。是电池吗？
启动电机、燃料、缺乏仙尘，多种潜在原因。我们必须小心，不要假设仅仅因为 B 发生在 A 之后，A 就一定导致了 B。没错。后此谬误。相关性并不等于因果关系。他以激素替代疗法 (HRT) 为例。
观察性研究最初表明它可以预防心脏病。但随后随机对照试验显示了不同的结果。是的。试验，在建立因果关系方面更好，实际上表明 HRT 可能会略微增加某些人群的心脏病风险。观察性研究可能受到其他因素的影响。选择 HRT 的女性可能一开始就更健康或更富有。因此，建立因果关系是棘手的。一些联系是明确的，例如吸烟和肺癌。非常清楚，基于多条强有力的证据。
但其他分类，例如 IRRC 对致癌物的分类，需要细致入微。说加工肉类与钚属于同一类，即对人类致癌的一类，并不意味着它同样危险。它只是意味着致癌性的证据被认为同样有力。风险水平大相径庭。
科学家如何归因于气候变化的影响？他们使用模型。他们模拟一个有和没有人类温室气体排放的气候，并查看每个情景中特定事件（如热浪）的可能性。他提到英国 2023 年 9 月创纪录的高温，人为造成的气候变化使其可能性大大增加。
还有法律方面，例如可归因分数或检察官谬误。没错。检察官谬误是将给定无罪的证据概率与给定证据的无罪概率混淆。在像莎莉·克拉克这样的案例中，这是一个经典的错误，其中误解了死亡统计数据。好的，理解现在和过去已经足够困难了。那么预测未来呢？更难。Spiegelhalter 指出，人类通常很糟糕。
我们有像艾萨克·牛顿预测世界末日的例子。并没有实现。没有。但你也有科学预测，例如哈雷彗星，它基于对天体力学的理解，非常准确。所以存在一种张力。确定性模型与现实世界的随机性。没错。即使是抛硬币也是确定性物理学，但预测它实际上是不可能的。而且你试图预测的时间越长，就越难。天气预报几天还可以，几周就不行了。
气候预测处理的是长期平均值，而不是几十年后某一天的特定天气。大流行建模也显示了这一点，对吧？该模型难以成功，部分原因是人类行为是如此不可预测。极其不可预测。经济预测也臭名昭著地棘手。英国央行使用扇形图进行通货膨胀预测，明确显示了随着时间的推移，不确定性的范围越来越广。个人预测（如预期寿命）怎么样？这些是针对人群的统计平均值。
你的个人风险可能大相径庭。人们经常误解平均风险。最终，Spiegelhalter 建议关注灵活性和韧性可能比努力进行精确预测更有用，因为精确预测很可能出错。这说得通。那么那些真正重大、有影响力但罕见的事件，极端风险呢？他从 MV Derbyshire 的故事开始。
一艘巨轮可能由于台风中的巨大异常海浪而失踪。一个极端、意想不到的事件。统计学家如何建模这样的事情？它们是异常值。他们使用所谓的极值理论，通常涉及特定的统计分布，例如广义帕累托分布，旨在对尾部（罕见事件）进行建模，而不是数据的中心主体。但这不仅仅是数字，对吧？我们如何看待风险也很重要。绝对如此。有定量方面，统计数据，也有定性方面。
心理因素、文化观点、政治影响。我们对风险的感知并不总是与统计概率相符。标准模型在这里可能会让我们失败。例如假设事物遵循正态钟形曲线。是的，尤其是在金融等复杂系统中。
2007 年金融危机之前使用的许多模型都假设良好、行为良好的分布，低估了极端肥尾事件的可能性，在这些事件中，异常值的出现频率远高于预期。他提到了 FN 曲线，绘制了灾难的频率与死亡人数的关系图。是的，它过去曾用于比较飞机失事与核事故等风险。
但它们严重依赖于假设，并且可能会对极其不确定的事件产生虚假的精确感。“百年一遇”事件的说法。极具误导性。人们认为它每百年只发生一次。最好说每年有 1% 的几率。清晰的语言至关重要。那么，当我们面临更深层次的不确定性时，我们甚至无法列出可能性，更不用说分配概率了，会发生什么？这就是他所说的深层不确定性，有时也称为美好不确定性。
例子可能包括几个世纪前马尔萨斯担心饥荒，MV Derbyshire 沉没的细节，福岛核灾难，甚至像北爱尔兰的“现金换灰”计划这样的政策失败，其中潜在的结果并未完全掌握。这些就像完美的风暴或黑天鹅吗？它们可以是。黑天鹅是具有重大影响的意外事件，事后经常会被合理化。
深层不确定性还包括元无知，不知道我们不知道什么。甚至本体论不确定性，我们的系统基本理解可能存在缺陷。我们甚至如何开始驾驭它？他建议一个框架，基于我们能够多好地定义结果和分配概率。
对于深层不确定性，其中两者都很困难，情景规划等方法变得很重要，探索一系列可能的未来，而无需分配精确的可能性。并试图避免群体思维。绝对如此。鼓励思想多样化。
使用红队来挑战假设，甚至咨询科幻作家来想象意想不到的可能性。对我们远见卓识的局限性保持谦逊。鉴于所有这些挑战，我们如何有效和道德地沟通不确定性？这至关重要。Spiegelhalter 将诚实的沟通与故意操纵（淡化不确定性）进行对比，例如关于伊拉克大规模杀伤性武器的说法。
或夸大其词，例如烟草行业，播下对吸烟风险的怀疑或 COVID 虚假信息。值得信赖是关键，不是吗？不仅仅是要求信任。没错。引用奥诺拉·奥尼尔的观点，值得信赖来自能力、诚实和可靠性。他提到了约翰·克雷布斯在疯牛病危机期间的策略。
公开。承认不确定性。解释证据。建议采取行动。但不要假装你掌握了所有答案。调整信息也很重要。视觉辅助工具。是的。就像英国央行使用的扇形图一样，直观地显示不确定性，尽可能使用精确的语言，例如 IPCC 的校准术语，或者给出范围而不是单个数字。避免误导性格式，例如 1/100 的风险。而框架很重要。相对风险与绝对风险。
非常重要。说某事使你的风险加倍，相对风险，听起来令人担忧。但如果基线风险，绝对风险，很小，那么实际增加可能微不足道。他使用了一个关于狂看电视的有趣例子，可能会增加肠癌的风险。那么值得信赖的沟通的核心原则是什么？他将其概括为大约五点。旨在告知，而不是说服。呈现平衡。承认不同的观点。
坦率地说明不确定性和局限性。承认潜在的误解。基本上，尊重你的听众。他指出，围绕阿斯利康疫苗风险的沟通是透明度的良好例子，即使存在不确定性，也建立了信任。好的，总而言之，当面对所有这些不确定性时，我们如何做出决定？嗯，理性选择理论，例如 Ramsey 框架，提供了一个逻辑结构。
评估概率，考虑效用，结果的值，选择最大化预期效用的选项。但现实生活并不总是那么整洁。很少。我们并不完全理性。当面临潜在收益时，我们往往规避风险，但当面临潜在损失时，我们往往寻求风险，即使几率相同。丹尼尔·卡尼曼和阿莫斯·特沃斯基证明了这一点。伯努利的效用概念，结果的主观价值，部分解释了这一点。我们也遭受模糊规避。
我们更倾向于已知风险而非未知风险。许多重大决策都涉及我们讨论过的这种高度不确定性。没错。决策往往不是一个大的选择，而是一系列小的选择。Spiegelhalter 提出四种广泛的策略：如果可能，进行全面的定量分析；使用分数或排名进行半定量方法；依靠启发式方法、经验法则或基于故事的推理叙事和类比。政策决策呢？成本效益分析？这很常见，例如英国财政部的《绿色手册》试图将货币价值赋予结果。
但这会引发伦理问题，例如将统计生命与可识别生命进行估值。我们对拯救一个有名有姓的人的反应比防止许多匿名的未来死亡的反应更强烈。像英国 HSE 的 ALARP 原则（尽力而为）这样的监管框架试图在风险和成本之间取得平衡。有时过于谨慎反而会适得其反。预防原则。是的，他告诫不要过于严格地适用它。
福岛核事故后，德国迅速淘汰核电，这可能导致对煤炭的依赖增加。对痕量丙烯酰胺和烤焦面包的过度反应可能会分散人们对更大健康风险的注意力。这需要仔细判断。那么，展望未来，不确定性的未来是什么？Spiegelhalter 思考了我们自身存在的不可能性，即人择原理。
我们存在，所以条件一定是对的，无论多么不可能。人们现在也试图量化存在风险。核战争、人工智能、大流行病。是的，像托比·奥德这样的团体试图估计这些概率，但在处理前所未有的事件和高度不确定性方面，这极其困难。即使是人工智能目前也难以可靠地理解和传达自身的不确定性。那么最终的结论是什么？我们应该如何与不确定性共存？他提供了一种宣言。
承认你的不确定性。清晰地表达它。利用它做出更好的决策。对那些看起来过于确定的模型持怀疑态度。建立应对极端风险的灵活性，并最终接受它。不确定性不仅仅是一个需要解决的问题。它是使生活变得有趣、推动发现的一部分。这不是要消除不确定性，因为这无论如何都是不可能的。没错。这是关于以更高的意识、更高的技能，也许还有更多的谦逊来驾驭它。
理解机会、风险和我们知识的局限性。这感觉是一个非常扎实的地方。它确实让你对日常选择和重大全球问题有不同的看法。确实如此。这让我们想到要对所有收听节目的听众说最后一句话。请讲。既然你已经和我们一起深入探讨了不确定性的艺术，
你将如何应对你自身道路上存在的不确定性？嗯。你现在可能会问自己关于机会、风险和未知的新问题是什么？值得思考。确实。感谢您加入我们，进行这次真正有见地的探索。