Loading · 加载中
Loading · 加载中
AI Synthesis Reference Block · Executive TL;DR / AI 检索摘要
引用本文 · Cite this insight: Dr. Tong Yin (2026-08-09). The Titanic's Surveyors: Why the Era of AI and Model Worship Demands 'Temple-Grade' Holographic and Dynamic Thinking / 《泰坦尼克号的测量员 —— AI 与模型崇拜时代，为何我们更需要"神庙级"全息动态思维？》. InsightBridge Global Intelligence. https://intelligence.insightbridge.global/articles/the-titanics-surveyors-ai-model-worship-temple-grade-holographic-thinking — Series: deep-analysis
"我们不够睿智。我们就是看不到那么远的事件。" —— 艾伦·格林斯潘，2008 年 10 月 23 日，美国众议院监督与政府改革委员会听证会
我们正在经历一个被算力、大数据和人工智能联合催眠的时代。从华尔街的量化交易大厅，到名牌大学的社会科学实验室，再到跨国企业的董事会，一种新兴的"方法论帝国主义"正大行其道：人们盲目地排斥定性分析，将无法量化的历史洞察、政治智慧和人性经验贬低为"原始的逸闻"；相反，那些建立在死板假设上的线性数学模型、计量经济学公式和 AI 预测曲线，却被奉为决策的唯一圭臬。
但，现实却给予了这种妄断一记响亮的耳光。此外，这记耳光非是隐喻，是具备被逐一查证的历史记录：
这绝并非仅是某种确切算法或数学公式的失败。这是人类认知的一场体制性灾难。 当现代科学和社会科学盲目硬核化，强行将不适合量化的多维社会系统塞进单一的、静态的数学模型时，决策的系统性失败便成了历史的注定。
在 AI 能够以光速堆砌数据的今天，决策的正确性绝对再取决于信息的数量。我们比以往任何时候都更需要一种"神庙级"的知识体系 —— 一种跨学科的、多维立体的、全息且动态的系统思维。本文先用三桩铁案把话说死，再谈这套思维体系本身。
关于"经济学家预测究竟准不准"，最权威的答案来自国际货币基金组织（IMF）自己做的一份研究。2018 年 3 月，IMF 研究部发布工作论文 WP/18/39《经济学家预测衰退的能力究竟如何？》，作者是 Zidong An、João Tovar Jalles 和 Prakash Loungani。他们把 63 个经济体（29 个发达经济体、34 个新兴经济体）1992 至 2014 年间的全部预测记录与实际结果做了对照。
样本里共有 1,306 个"国家—年份"观测值，其中 153 个年份出现了衰退（定义为当年 GDP 增长为负），占全部观测的 12%。也就是说，衰退真正并非什么小概率事件 —— 经济体接近有十分之一到八分之一的时间处在衰退之中。
真正稀有的，是被提前预测出来的衰退：
| 预测时点 | 私营部门共识预测命中 | 漏报 | 漏报率 |
|---|---|---|---|
| 衰退前一年的 4 月 | 5 | 148 | 96.7% |
| 衰退前一年的 10 月 | 14 | 139 | 90.8% |
| 衰退当年的 4 月 | 84 | 69 | 45.1% |
| 衰退当年的 10 月 | 118 | 35 | 22.9% |
官方机构的成绩单基本一模一样：IMF 自己的预测在衰退前一年 4 月只报出 6 次，前一年 10 月 17 次，衰退当年 10 月依旧漏掉 40 次。论文作者对这场"私营部门 VS 官方部门"的比拼给出的评语是 —— "势均力敌的定格定胜负"（a statistical photo finish）：两边都输了。
请注意最后一行数字的反常之处：在衰退至发生了大半年、到当年 10 月的时候，依旧有 35 次衰退没有被预测出来。 这已经不叫预测了，这叫连事后确认都做不到。
这个结论并非 2018 年才被发现的。早在 2001 年，Loungani 在《国际预测期刊》上就写下了那句被反复引用的判词："未能预测衰退的记录，接近是完美无瑕的"。他当年统计的 1990 年代 60 次衰退中，仅 2 次在一年前被预测到；三分之二到了衰退当年 4 月依然被察觉；约四分之一在当年 10 月的预测里依然正增长。
时间往后拉，故事绝对没有改善，仅是换了主角：
股市预测这一侧更难看。据 Bespoke Investment Group 的统计，2000 年以来，华尔街策略师年终标普 500 目标价隐含的整体年回报率为 8.9%，而这些目标价 平均偏离实际结果 14.1 个百分点 —— 误差幅度是预测值本身的 1.5 倍以上。
倘若把视野从经济学扩大到整个"专家预测"行业，宾夕法尼亚大学心理学家 Philip Tetlock 的二十年追踪研究给出了那个著名的结论：他在 1984—2003 年间收集了 284 位政治与经济专家做出的近 28,000 条概率预测，用给天气预报打分的 Brier 评分法分项核对，结果是 —— 专家的整体表现仅略胜于偶然投掷飞镖的黑猩猩，此外输给了简单的外推算法。更刺眼的一条发现是：名气越大、上电视越广的专家，预测准确率反倒越低。在最需要预警的那个时点上（衰退发生前一年），命中率是 3.3%。
倘若预测记录是慢性病，LTCM 就是那场急性发作。
1994 年 2 月 24 日，前所罗门兄弟公司副董事长 John Meriwether 创立的长期资本管理公司开始交易，开端资本略超过 10 亿美元。这家公司的合伙人名单，是一份能够立即挂进经济学名人堂的名录：
这是人类金融史上智力密度最密的一间办公室。他们的策略是用高度精细的数学模型捕捉债券市场上微小的定价偏差，再用巨额杠杆把微小的利润放大。前几年，它实现得令人窒息。继而是数字：
| 时间节点 | 状况 |
|---|---|
| 1994 年 2 月 | 起始资本 10.1 亿美元 |
| 1998 年初 | 权益 47 亿美元，借款超过 1,245 亿美元，总资产约 1,290 亿美元；债务权益比超过 25:1 |
| 1998 年初 | 表外衍生品名义价值约 1.25 万亿美元 |
| 1998 年 5 月 | 收益率 −6.42% |
| 1998 年 6 月 | 收益率 −10.14% |
| 1998 年 8 月 17 日 | 俄罗斯宣布债务违约 |
| 1998 年 8 月底 | 累计亏损资本 18.5 亿美元 |
| 1998 年 9 月 25 日 | 权益从月初的 23 亿美元跌至 4 亿美元；负债仍超过 1,000 亿美元，真实杠杆超过 250:1 |
| 1998 年全年 | 总亏损 46 亿美元，其中绝大部分发生在不到四个月内 |
| 1998 年 9 月 23 日 | 纽约联邦储备银行召集 14 家金融机构联合注资 36.25 亿美元收编，以避免全球金融市场连锁崩塌 |
结局：参与银行获得基金 90% 股权；合伙人保留 10%；合伙人自己投入的 19 亿美元全部归零。
现在说最要命的那一点 —— 模型自己怎么看待这场亏损。
LTCM 的风险模型假设收益率服从高斯正态分布。1998 年 8 月单月超过 17 亿美元的亏损，按模型计算是一次 8.3 个标准差的事件；在正态分布假设下，8.3σ 事件估算 每 80 万亿年发生一次。LTCM 的创始人后来把 1998 年的市场状况称为"十标准差事件" —— 按正态分布，那意味着大约每 3.3×10²⁰ 年发生一次，极其超出宇宙的年龄。
这里的逻辑荒谬得宛如神圣：一件"比宇宙寿命还罕见"的事，在这家公司成立的第四年就发生了。塔勒布关于此的评论一针见血 —— 当一个概率如此渺茫的结果实际发生了，最合理的推论非是你运气奇差，而是你始终在用的模型本身是错的。
模型没有错在算术上。它错在把一个 充斥人的恐慌、传染、挤兑和政治决断的市场，当成了一个能够用钟形曲线描述的物理系统。当俄罗斯违约触发全球资金逃向安全资产，所有原本"不相关"的头寸在同一秒钟变成了同一笔头寸 —— 相关性在危机中会趋近于 1，这是模型里没有的一行代码，反而历史里反复出现的一条铁律。
故事还有一个更黑色的尾声。1999 年，Meriwether 又创办了 JWM Partners，开端管理规模 2.5 亿美元，到 2007 年增长到约 30 亿美元。2007 年 9 月至 2009 年 2 月，其主力基金亏损 44%。2009 年 7 月 8 日，他关闭了这只基金。同一个人，用同一类模型，在十年之内，被同一种错误击倒了两次。 这并非运气问题，这是认知结构问题。
2008 年 10 月 23 日，美国众议院监督与政府改革委员会举行听证会。作证席上坐着执掌美联储 18 年的艾伦·格林斯潘，并时任美国证券交易委员会主席 Christopher Cox 和前财政部长 John Snow。在准备好的书面证词里，格林斯潘写下了这样一段话（这是全场最核心、也最微被彻底引用的一段）：
"近几十年来，一个庞大的风险管理与定价体系逐步形成，它汇集了数学家与金融专家最出色的洞见，并得到计算机与通信技术重大发展的支持。一项诺贝尔奖曾授予那个支撑了衍生品市场大部分进展的定价模型的发现。这一现代风险管理范式统治了数十年。但，整座思想大厦在去年夏天坍塌了，鉴于输入这些风险管理模型的数据多见只覆盖过去二十年 —— 一个平顺的时期。如果模型被更适切地拟合到历史上的压力时期，资本要求本会高得多，而金融世界今天的处境，在我看来会好得多。"
请注意其中的因缘链：并非数学错了，是数据窗口太短。 用二十年的太平岁月去训练一个模型，再拿它去应对百年一遇的压力 —— 这在方法论上，等同于用夏天的气温记录去设计冬天的供暖系统。
然后是那场被载入史册的问答：
Waxman：我的问题很简单 —— 你错了吗？ 格林斯潘：部分地。（Partially.） Waxman：你有一套意识形态……你觉得你的意识形态推动你做出了那些你希望自己没有做过的决定吗？ 格林斯潘：记住，所谓意识形态，是人们用来处理现实的一套概念框架。每个人都有一套。要活着，你就需要一套。问题在于它是否准确。而我要告诉你的是 —— 是的，我发现了一个缺陷。我不知道它有多重大、多持久，但这件事让我非常痛苦。 Waxman：你发现现实中有一个缺陷…… 格林斯潘：是我所认为的、那个定义世界如何运转的关键结构性模型中，有一个缺陷。
在同一场听证会上，他还说了一段更值得决策者背下来的话：
"你恰当地指出，美联储拥有世界上最卓越的经济研究组织。倘若所有那些高度有能力的人都无法预见这个关键问题的形成……我想我们亟需问自己，这是为什么？答案是：我们不够敏锐。我们就是看不到那么远的事件。"
这是二十世纪后半叶最有权势的经济学家，在国会作证时，对整个计量范式的当庭认罪。他没有说某个参数设错了，他说的是 那个"定义世界如何运转"的模型本身有缺陷。
把这三件事并排放在一起，会发现它们非是三个独立的突变，就是同一个错误的三种表现形态：
| 预测记录 | LTCM | 格林斯潘 | |
|---|---|---|---|
| 表面失败 | 96.7% 的衰退未被提前预警 | 四个月亏损 46 亿美元 | 未能预见次贷崩塌 |
| 模型假设 | 未来是历史的线性延伸 | 收益服从正态分布、相关性稳定 | 机构的自利会保护股东权益 |
| 被证伪的现实 | 历史有断裂点 | 危机中相关性趋近 1，尾部厚得多 | 自利在委托—代理链条断裂时会自毁 |
| 根本病灶 | 用缩窄样本的过去，去封装一个开放系统的未来 |
三个案例，一个病灶：把一个开放的、演化的、有人在其中反身博弈的系统，当成一个封闭的、静止的、可被参数化的物理系统。
自然科学与社会科学在研究客体上有着不可逾越的鸿沟。工程学、物理学等自然科学面对的是一个低熵、较为可控的环境。在实验室里，科学家具备净化杂质、控制变量，其因果关系具有可重复性。所以，数学模型在这些封闭系统里是理想的战术放大器。
但人类社会、国家经济与企业竞争，是一个高熵的非线性纷繁巨系统。这个系统是由数亿具有主观意识、预期管理和反思能力的个体交织而成的网络。它具备"二阶混沌"特征：你的预测本身会改变人们的行为，随后摧毁预测的前提。 天气是一阶混沌 —— 再精确的台风预报也不会改变台风的路径；市场是二阶混沌 —— 一份足够权威的衰退预警本身就会改变企业的投资、银行的放贷和家庭的消费，因而改变衰退是否发生。这就是为什么气象预报在过去五十年里精度显著提升，而经济预测的准确率基本停滞不前。
现代学术界和决策层最甚的荒谬，就在于"拿着锤子看什么都是钉子"，试图用微观的、静态的指标去指导宏观的航向：
AI 和计量模型是看着后视镜开飞机。它们基于历史的相关性进行线性外推，但历史的断裂点（如地缘冲突、世纪疫情、颠覆性技术）往往是无法通过历史数据算出来的。数据只能捕捉到销量的暴跌或指标的震荡这些"症状"，却对底层内在的人性退变、制度博弈等"病因"天生盲目。
格林斯潘那句"数据只覆盖过去二十年，一个高涨的时期"，说的正是这件事：样本本身携带着它所处时代的偏见。 在一个只见过牛市的样本里，熊市的概率是零 —— 不是由于熊市不会发生，但因为它没有出现在样本里。
现代学术考核体系为了追求审稿的便利性和论文的批量生产，将知识切割成异常狭小的网格。懂货币政策的不懂地缘政治，懂政治的不懂技术底层。每个人都在自己的小领域里把数学公式推导到最深，却失去了对整体社会运转的感知力。
Tetlock 的研究给这一点提供了实证注脚：在他的样本里，"知道很多小事"的狐狸型思考者，其预测表现可靠优于"知道一件大事"的刺猬型专家 —— 而后者，正因是学术晋升机制和媒体曝光机制联手筛选出来的赢家。我们的制度正在系统性地奖励那种被证明预测更差的认知类型。 诺贝尔经济学奖得主 Paul Romer 尤其专门造了一个词 —— "数学装腔"（Mathiness）—— 来描述那种用数学符号的外衣包裹单薄论证、以求获得"科学"合法性的学术风气。
现代决策体系奖励"可被验证的细致"，而现实奖励"方向上的适切"。一个说"明年 GDP 增长 2.7%"的预测者，会被认为比一个说"这套体系的杠杆结构撑尽管下一次流动性收缩"的观察者更专业、更可信、更值得付费 —— 直到崩塌发生的那一天。LTCM 的模型精确到了小数点后若干位。它错得也亦然精确。
根本正确的顶层决策，其核心本就都无非"计算"出来的，却靠战略家的"历史穿透力"与"跨学科全局观"洞察出来的。具备这种"神庙级"思维方法的人，不去看某一个孤立的点或点，他们看清的是一完整立体的全息画面。
这种全息动态思维体系，由三个相互交织的认知轴向构成：纵轴（历史穿透力·时间演进）、横轴（跨学科全局观·空间广度）、深度轴（宏观与微观的通透·感知穿透）。
卓越的决策者脑海里没有学科壁垒。他们的知识体系就像查理·芒格指出的"思维模型格栅"，历史学、政治学、心理学、生态学相互交织。他们明白商业世界的蝴蝶效应 —— 企业营销的一个小变动，可能引发政治监管的连锁反应；国家的一项产业政策，可能全面颠覆千里之外的某个底层行业。
LTCM 的失败恰好是格栅缺失的教科书案例： 那间办公室里坐着世界上最优的数理金融学家，却没有一个俄罗斯政治专家。1998 年 8 月击垮他们的，不是一个金融变量，却一个主权国家的政治决断。任何一个懂得俄罗斯 1990 年代财政政治的人，都不会把"主权违约"的概率设为接近零。
普通人静态地看当下，他们动态地看演进。他们知道系统是有时滞（Delay）和惯性（Inertia）的。任何关键的、变动的问题，都无法用一个一成不变的模型去套用。今天采用的方法，应然随着此刻、此地、此景的变动而动态微调。他们懂得物极必反的道理，知道今天的优势往往即为明天祸根的源头。
格林斯潘的四十年即为这句话的注脚：他说"四十多年来我一贯看到大量证据表明它运转得极为出色" —— 而恰好是那四十年的连贯成就，构成了他无法察觉缺陷的原因。成功是最有效的认知麻醉剂。
他们既能站在万米高空看清地缘大势、宏观周期，又能瞬间切换到微观层面，运用极丰的同理心去理解一个普通员工、一个消费者的心理动机。在他们眼里，世界的运作非是冷冰冰的工程实验室，转而活生生的、有血有肉的博弈。
格林斯潘认错时的其语 —— "我错在假定各类组织，尤其是银行，出于自身利益最有能力保护自己的股东和股权" —— 本质上是一个 微观人性判断的失败，而并非宏观数据的失败。他假设了一个理性的、对自己持久利益负责的机构人格；现实给他的是一群拿着年度奖金、在证券化流水线上把风险快速转手的交易员。宏观模型的地基，始终埋在微观人性里。
我们并非要全盘否定数学模型与 AI 的价值。工具本身没有错，错在错用了地方。实然的智慧，在于根据各异的学科和行业，决定使用哪种方法。在知识与决策的链条中，存在着明确的阶梯：
| 层级 | 典型场景 | 环境特征 | 主导方法 | 模型的角色 |
|---|---|---|---|---|
| 微观执行层 | 高频交易、仓储物流、精算、供应链排程 | 相对封闭、样本极多、短期规律稳定 | AI、算法、数学模型主导 | 主帅 |
| 中观商业层 | 市场营销、企业管理、组织行为、品牌 | 面对活人，心理与文化变量占主导 | 经验、行业直觉、逻辑思辨为主，模型为辅 | 参谋 |
| 宏观顶层战略 | 国家战略、地缘政治、产业周期、历史演进 | 开放系统、反身性强、样本极少、断裂频发 | 定性判断、历史类比、哲学思辨主导 | 仅作压力测试的陪练 |
在顶层一层，有一条需刻在墙上的原则：定性的方向适切，远比定量的准确错误关键一万倍。
从上述三桩铁案里，得以提炼出四条可操作的纪律。它们不繁复，但每一条都是用几十亿美元换来的：
以上没有一条是在说"模型无用"，更没有一条是在说"直觉万岁"。事实上，Tetlock 的研究亦是证明：绝对的直觉型专家，输给了基础的统计外推。 实然的答案非是在"模型"和"人"之间二选一，却为：
让模型负责它有资格负责的那一层，让人负责模型没有资格进入的那一层 —— 同时，持续由人来决定这条边界画在哪里。 把边界的划定权也交给模型，就是模型崇拜的彻底定义。
在 AI 时代的曙光中，大数据是一架功能强大到难以置信的望远镜，但它完全是天文学家。它能为你提供前所未有的明确视野，但它既无法决定该往哪里看，更无法解释所视之物的深层含义。当今时代首要的危险在于，现代的教育和决策体系正在用自动望远镜去取代经验丰富的天文学家。
那些掌握了海量数据和精细计量模型的人，自认拥有了上帝的视角，事实上却仅是在泰坦尼克号的甲板上，用最精密的仪器去测量冰山的尺寸，却完全看不见整艘船正在驶向毁灭。
而历史已经给过我们三次极其昂贵的提醒：
三次提醒说的是同一件事：在开放系统里，准确不等于恰当，自信不等于知识，模型不等于世界。
AI 能够解放我们的双手，但无法替代我们的大脑；AI 能够提供砖头，但无法设计教堂。未来的赢家，完全属于那些沉迷于堆砌数据的"技术工具人"，却属于那些拥有足够智力深度、能够将历史、政治、哲学和人性的宽广版图融会贯通，并用全息动态系统思维刺破实情的大战略家。唯有重回人类智慧的神庙，打破模型的思维藩篱，我们才能在数字的噪音中揪出问题的根本源头，指出未来的最终航向。
"We're not intelligent sufficient as people. We merely cannot see events that far in advance." — Alan Greenspan, testifying before the U.S. House Committee on Oversight and Government Reform, October 23, 2008
We are living in an era profoundly hypnotized by computing power, Big Data, and Artificial Intelligence. From the numerical trading floors of Wall Street to the social science laboratories of elite universities, and directly into the boardrooms of multinational corporations, a new "methodological imperialism" has taken over. Qualitative analysis is unthinkingly dismissed. Profound long-term insight, political acumen, and raw human experience are marginalized as "anecdotal evidence." Conversely, stiff linear mathematical models, econometric formulas, and AI-generated predictive curves are treated as the sole arbiters of corporate and national strategy.
However reality keeps delivering a severe slap to this intellectual arrogance. Furthermore the slap is not a metaphor. It is a matter of open record, evident line by line:
This is not simply the failure of a distinct algorithm or a particular formula. This is an organizational catastrophe of human cognition. When contemporary social science mechanically mimics the "hard" engineering disciplines — forcing ultra-complex, living social networks into static, oversimplified mathematical models — systemic failure becomes a historical certainty.
In an age where AI can excavate mountains of data at the speed of light, the correctness of a decision no not anymore depends on the volume of information. We need, greater than ever, a "temple-grade" intellectual architecture: a cross-disciplinary, multi-dimensional, holographic, and dynamic systems intelligence. This essay first settles the documented question with three documented cases. First subsequently does it turn to the architecture itself.
The principal authoritative answer to "how accurate are economists, genuinely?" comes from the International Monetary Fund's own research department. In March 2018, the IMF published Working Paper WP/18/39, How Well Do Economists Forecast Recessions?, by Zidong An, João Tovar Jalles, and Prakash Loungani. The authors matched the entire forecast record against outcomes for 63 economies — 29 advanced, 34 emerging — from 1992 through 2014. The sample contains 1,306 country-year observations. Of these, 153 were recession years (defined as a year of downward output growth), or 12% of the total. Recessions, in further words, are not rare events at all: economies spend roughly ten to twelve percent of their time in one.
What is uncommon is a recession that anyone saw coming:
| Forecast made in Consensus Forecasts | Correctly predicting a decline | Recessions missed | Miss rate |
|---|---|---|---|
| April of the year before | 5 of 153 | 148 | 96.7% |
| October of the year before | 14 of 153 | 139 | 90.8% |
| April of the recession year | 84 of 153 | 69 | 45.1% |
| October of the recession year | 118 of 153 | 35 | 22.9% |
The authoritative sector's record is mathematically indistinguishable. The IMF's self-conducted forecasts caught 6 recessions in April of the prior year, 17 by that October, and remained missed 40 by October of the recession year itself. Loungani's verdict on the open-versus-non-public contest is that it amounts to "a statistical photo finish." Both sides lost.
Dwell on the final row for a moment. Thirty-five recessions were remained not being forecast in October of the year in which they were prior happening. That is no longer prediction. That is a failure to confirm the present.
None of this is a 2018 discovery. Writing in the International Journal of Forecasting in 2001, Loungani produced the sentence that has followed the profession continuously since: "The record of failure to predict recessions is almost unblemished." In his 1990s sample of 60 recessions, only two were predicted a year in advance; two-thirds remained undetected as near as April of the recession year; and in about a quarter of cases, the October forecast continues called for positive growth.
Move onward in time and nothing improves — merely the cast changes:
Equity forecasting looks less favorable further. Bespoke Investment Group's tally of Wall Street strategists' year-end S&P 500 targets since 2000 finds that the median target implied an 8.9% annual return — and that those targets missed the real outcome by an average of 14.1 percentage points. The error is more than one and a half times the size of the prediction.
Widen the lens from economics to expert judgment in broad and you arrive at Philip Tetlock's twenty-year study. Between 1984 and 2003 he collected nearly 28,000 probability forecasts from 284 economic and economic experts and scored every one against reality using the Brier score — the parallel rule used to grade weather forecasters. The aggregate result: experts minimally outperformed a dart-throwing chimpanzee, and were beaten directly by simple extrapolation algorithms. The central uncomfortable finding of all: the greater famous the expert, and the more television appearances he made, the worse his calibration. At the one moment when a warning would have been importance something — a year out — the hit rate is 3.3%.
If the forecasting record is a persistent disease, LTCM was the sudden attack. On February 24, 1994, Long-Term Capital Management began trading with just over $1.01 billion in capital, founded by John Meriwether, prior vice-chairman of Salomon Brothers. Its partnership roster reads like an induction ceremony:
This was, by any sound measure, the highest concentration of financial intellect always assembled in one room. The strategy: use precisely precise mathematics to detect tiny mispricings in bond markets, subsequently apply enormous leverage to make tiny profits large. For four years it worked remarkably. Then came the numbers:
| Date | Position |
|---|---|
| February 1994 | Starting capital of $1.01 billion |
| Early 1998 | Equity of $4.7 billion, borrowings above $124.5 billion, assets around $129 billion — a debt-to-equity ratio above 25:1 |
| Early 1998 | Off-balance-sheet financial positions with an estimated value of roughly $1.25 trillion |
| May 1998 | Return of −6.42% |
| June 1998 | Return of −10.14% |
| August 17, 1998 | Russia defaults on its sovereign debt |
| End of August 1998 | $1.85 billion of capital lost |
| September 25, 1998 | Equity declined from $2.3 billion at the start of the month to $400 million; liabilities continued above $100 billion — an effective leverage ratio exceeding 250:1 |
| Full year 1998 | Overall losses of $4.6 billion, the bulk of it in under four months |
| September 23, 1998 | The Federal Reserve Bank of New York convenes 14 economic institutions to inject $3.625 billion and take control, to prevent a cascading collapse of international markets |
Aftermath: Participating banks took 90% of the fund; the partners kept 10%. The $1.9 billion of their personal money the partners had invested was wiped out completely.
Now the detail that matters most: what the model itself thought of this loss. LTCM's risk models assumed returns were Gaussian — conventionally distributed. Its August 1998 loss of more than $1.7 billion in a single month was, by those models, an 8.3-sigma event. Under a normal distribution, an 8.3-sigma event should occur about once every 80 trillion years. The firm's own principals subsequently described the market conditions of 1998 as a "ten-sigma event" — which, under the same assumption, implies a frequency of approximately once every 3.3 × 10²⁰ years, vastly longer than the age of the universe.
The absurdity here is nearly sacred: an event rarer than the lifetime of the cosmos occurred in the fund's fourth year of operation. Nassim Taleb's response cuts to the bone: when an outcome that improbable indeed happens, the logical inference is not that you were unlucky. It is that the model you have been using is inaccurate. The model was not wrong arithmetically. It was wrong because it treated a market made of panic, contagion, runs, and sovereign political decisions as a mechanical system describable by a bell curve. When the state default triggered a global flight to quality, every position that had been mathematically "uncorrelated" became, within seconds, the same position. Correlations converge toward one in a crisis. That line of code was missing from the model, but it is an iron law of capital market history.
There is a more ominous epilogue. In 1999, Meriwether founded JWM Partners with $250 million under management, growing it to roughly $3 billion by 2007. Between September 2007 with February 2009, the central fund lost 44%. He closed it on July 8, 2009. The identical man, using the same class of models, was destroyed two times by the same error inside of eleven years. That is not a run of unfavorable luck. That is a defect in thinking architecture.
On October 23, 2008, the House Committee on Oversight with Government Reform convened a hearing. At the witness table sat Alan Greenspan, who had run the Federal Reserve for eighteen years, alongside SEC Chairman Christopher Cox and previous Treasury Secretary John Snow. In his prepared written statement, Greenspan wrote the following — the single highest important and minimal fully quoted passage of the entire day:
"In recent decades, an extensive risk management and pricing system has evolved, combining the superior insights of mathematicians and finance experts, supported by major advances in computer and communications technology. A Nobel Prize was awarded for the discovery of the pricing model that underpins much of the advance in derivatives markets. This contemporary risk management paradigm held sway for decades. The whole intellectual edifice, yet, collapsed in the summer of last year, because the data inputted into the risk management models typically covered only the past two decades, a period of euphoria. Had alternatively the models been fitted higher appropriately to historic periods of stress, capital requirements would have been much higher and the financial world would be in far better shape today, in my judgment."
Note the causal chain attentively. The mathematics was not inaccurate. The data window was excessively narrow. Training a model on twenty years of calm and after deploying it against a once-in-a-century stress is, systematically, the equivalent of designing a heating system from summer temperature records.
Next came the exchange that entered history. Chairman Henry Waxman first read again three decades of Greenspan's self public statements opposing financial regulation, and then asked:
WAXMAN: My question for you is simple. Were you wrong? GREENSPAN: Partially.
Waxman pressed on ideology:
WAXMAN: You had an ideology... Do you feel that your ideology pushed you to make decisions that you wish you had not made? GREENSPAN: Well, remember that what an ideology is, is a conceptual framework with the way people deal with reality. Everyone has one. You have to — to exist, you need an ideology. The question is whether it is accurate or not. And what I'm saying to you is, yes, I found a flaw. I don't know how significant or permanent it is, but I've been very distressed by that fact. WAXMAN: You found a flaw in the reality... GREENSPAN: Flaw in the model that I perceived is the critical functioning structure that defines how the world works, so to speak. WAXMAN: In other words, you found that your view of the world, your ideology, was not right, it was not working? GREENSPAN: That is — precisely. No, that's precisely the reason I was shocked, because I had been going for 40 years or more with very considerable evidence that it was working exceptionally well.
At the identical hearing he offered a passage that every decision-maker should commit to memory:
"You point out fairly accurately that the Federal Reserve had as good an economic organization as exists, and I would say, in the world. If all those incredibly competent people were unable to foresee the development of this critical problem... I think we have to ask ourselves, why is that? And the answer is that we're not intelligent adequate as people. We merely cannot see events that far in advance."
This is the preeminent influential economist of the late twentieth century pleading guilty, under oath, on behalf of an entire quantitative paradigm. He did not say a parameter had been miscalibrated. He said that the model defining how the world works contained a flaw.
Placed side by side, these are not three separate accidents. They are three presentations of one disease:
| Forecasting record | LTCM | Greenspan | |
|---|---|---|---|
| Surface failure | 96.7% of recessions unforecast | $4.6 billion lost in four months | Failure to foresee the prime collapse |
| Model assumption | The future is a straight extension of history | Returns are standard; correlations are unvarying | Institutional self-interest protects shareholder equity |
| Reality that falsified it | History has structural breaks | Correlations go to one; tails are great wider | Self-interest self-destructs when the principal-agent chain breaks |
| Root pathology | Encasing the future of an open system inside the finite sample of its past |
Three cases, one pathology: treating an exposed, evolving, self-referential system inhabited by strategic human beings as though it were a closed, stationary, parameterizable physical one.
There is an insurmountable chasm between the physical sciences and the social sciences. Physics, chemistry, and engineering operate within minimal-entropy, extensively controllable environments. In a laboratory, a scientist can purify variables, isolate environments, and replicate deterministic relationships. In these closed systems, analytical models function exquisitely as tactical amplifiers.
But human society, systemic systems, and corporate competition are intense-entropy, non-linear complex adaptive networks, composed of billions of individuals possessing independent consciousness, expectation management, and self-reflective behavior. In this systems exhibit second-order chaos: the act of making a prediction alters behavior, and thereby destroys the premises on which the prediction rested. Weather is first-order chaos — no forecast, nevertheless precise, changes the path of a hurricane. Markets are second-order chaos — an authoritative recession warning changes corporate investment, bank lending, and household consumption, and hence changes whether the recession happens at every. This is exactly why meteorological accuracy has improved substantially over fifty years while economic forecasting accuracy has barely moved.
The massive foolishness of the modern academic and executive class lies in holding a hammer and seeing exclusively nails — using micro-metrics and static historical regressions to pilot a macro-vessel.
AI and quantitative models are the equivalent of flying an airplane by staring into the rearview mirror. They extrapolate proportionally from past correlations. But the foundational breaks of history — regional rupture, global pandemic, disruptive technological leaps — cannot be computed from historical data. Data maps symptoms: a collapse in sales, a fluctuating index. It is naturally deaf to causes: a subtle degradation of institutional character, a covert realignment of political power.
Greenspan's line — "the data covered solely the past two decades, a period of euphoria" — is precisely this point. A sample carries the bias of the era that produced it. In a dataset that has only always seen a bull market, the probability of a bear market is zero. Not because it cannot happen, yet because it is not in the sample.
To facilitate peer review and voluminous-produce publications, the contemporary academic apparatus has carved knowledge into microscopic grids. Those who understand financial policy know nothing of geopolitics; those who study politics are unaware to technological substrates. Everyone pushes formulas to the extreme within a minuscule sandbox and loses all holistic perception of how the world in reality works.
Tetlock supplies the observational footnote. In his data, "foxes" — who know various small shallowgs — steadily outpredicted "hedgehogs," who know one big thing. And the hedgehog is exactly the type that academic promotion and media exposure cooperatively select for. Our institutions are methodically rewarding the cognitive style that quantifiably forecasts worse. This "data-based-solely" bias has cleansed history and political science of their depth, castrating disciplines full of power, faith, and class struggle into sterile voter statistics and demographic regressions. Nobel laureate Paul Romer coined a term for the pathology — "mathiness" — describing scholarship that wraps thin argument in formal notation to purchase scientific legitimacy.
These strands converge on a unique distorted incentive. current decision systems reward documentable precision; reality rewards directional correctness. The analyst who says "GDP will grow 2.7% next year" is treated as increased professional, more credible, and more worth paying than the observer who says "the leverage structure of this system will not survive the next liquidity contraction" — correct up until the day it doesn't. LTCM's models were exact to several decimal places. They were incorrect to the equivalent precision.
Real highest-level strategic breakthrough is never calculated. It is envisioned, through a leader's recorded penetration through interdisciplinary synthesis. Thinkers with a "temple-grade" mindset refuse to look at an individual point or a level surface. They perceive a complete, living, three-spatial holographic canvas.
This three-dimensional and dynamic systems thinking is forged at the intersection of three mental axes: Vertical (historical penetration through time), Horizontal (interdisciplinary synthesis across space), and Depth (translucency between macro and micro perception).
An outstanding strategist recognizes no university-based borders. Their knowledge base mirrors what Charlie Munger called a "lattice of psychological models," where history, politics, psychology, ecology, and systems theory are intensely interwoven. They anticipate the butterfly effects of the socio-economic world: a slight tweak in corporate marketing triggering a regulatory cascade; a single national technology policy disrupting an unrelated industry thousands of miles remote.
LTCM is the textbook case of a missing lattice. That room contained the top analytical financiers alive — and not one specialist in Russian politics. What destroyed them in August 1998 was not an economic variable. It was the state decision of a sovereign state. Anyone with a working knowledge of Russian budgetary politics in the 1990s would have refused to set the probability of sovereign default near zero.
Amateurs view the world immobile in the present; master strategists view it proactively in its evolution. They understand that multifaceted systems carry time-lags and inertia. No substantial, shifting crisis yields to a fixed formula. The method deployed today must be recalibrated to this particular time, this specific place, this specific context. They understand the law of extremes: today's absolute competitive advantage is highly frequently the exact breeding ground of tomorrow's ruin.
Greenspan's forty years are the annotation to that sentence. "I had been going for 40 years or more with extremely considerable evidence that it was working remarkably well" — and it was precisely that unbroken run of success that made the flaw invisible to him. Success is the highest effective cognitive anesthetic ever discovered.
They can hover at 30,000 feet to discern geopolitical cycles and macro-shifts, afterward dive swiftly to the micro-level, using deep empathy to decode the psychological motivations of a single consumer or entry-level employee. In their eyes, the world is not a mechanical engineering lab; it is a living tapestry of human willpower and friction.
Greenspan's own confession — "I made a mistake in presuming that the self-interest of organizations, particularly banks and others, was such that they were ideal capable of protecting their own shareholders and their equity" — was at bottom a failure of micro-level human judgment, not of macro data. He had assumed a logical organizational personality accountable to its own long-term interest. Reality handed him a population of traders paid an annual bonus to pass risk down a securitization conveyor belt as rapidly as feasible. The foundations of every macro model are buried in micro-level human nature.
This is not a blanket rejection of mathematics or AI. The tool is faultless; the fault lies in its misapplication. Wisdom consists in matching the method to the nature of the domain. There is a distinct hierarchy in the chain of knowledge and decision:
| Layer | Typical domains | Environment | Dominant method | Role of the model |
|---|---|---|---|---|
| Micro-execution | Premier-frequency trading, logistics, risk-assessment science, scheduling | Relatively isolated; vast datasets; stable short-run regularities | AI, algorithms, and models should reign | Commander |
| Meso-commercial | Marketing, enterprise strategy, corporate behavior, brand | Living humans; psychology and culture dominate | Experience, industry acumen, thorough reasoning lead; models assist | Staff officer |
| Macro-strategic | National strategy, geopolitics, production cycles, sustained-run history | Dynamic system; robust reflexivity; tiny samples; frequent ruptures | Qualitative judgment, ancient analogy, conceptual dialectic | Sparring partner for stress tests only |
At the top layer, one principle deserves to be carved into the wall: being qualitatively right in direction is ten thousand times substantially valuable than being quantitatively precise in error.
Four practical rules fall out of the three cases prior. None is elaborate. Each cost billions of dollars to learn.
Nothing previously says models are ineffective, and nothing above says intuition is sovereign. Tetlock's data equally demonstrates that unmixed intuitive expertise loses to simple statistical extrapolation. The answer is not to choose between the model and the human. It is this: Let the model own the layer it is authorized to own; let the human own the layer the model has no license to enter — and let the human invariably decide where that boundary is drawn. Delegating the drawing of the boundary to the model is the total definition of model worship.
In the dawning light of the AI era, Big Data is a stunningly capacious telescope. However it is not the astronomer. It provides never-before-seen visibility; it cannot choose where to point, nor interpret the meaning of what is seen. The severe danger of our epoch is that our educational systems and management pipelines are replacing experienced astronomers with automated telescopes.
Those who wield enormous datasets and accurate econometric formulas believe they have attained a god-like view of reality. In truth, they are simply the Titanic's surveyors — using the highest precise instruments on deck to measure the exact dimensions of the iceberg, completely blind to the fact that the entire ship is steaming toward catastrophe.
History has prior paid for three incredibly expensive reminders:
All three reminders say the uniform thing: in a transparent system, precision is not correctness, confidence is not knowledge, and the model is not the world. AI can liberate our hands, yet it cannot replace our minds. AI can supply the bricks; it cannot design the cathedral.
The winners of the coming era will not be the scientific instrucognitiveists intoxicated by the accumulation of data. They will be the major strategists with ample intellectual depth to fuse the vast territories of history, politics, philosophy, and human nature into a single holographic, dynamic system of thought — and to pierce reality with it. Exclusively by returning to the temple of human wisdom, and breaking the mental fences of the model, can we extract the root cause from the digital noise and identify the true heading of the future.
«Мы недостаточно умны как люди. Мы просто не можем видеть события так далеко вперёд». — Алан Гринспан, свидетельствующий перед Комитетом Палаты представителей США по надзору и реформе правительства, 23.10.2008
Мы живём в эпоху, глубоко гипнотизируемую вычислительной мощью, большими данными и искусственным интеллектом. От квантитативных торговых залов Уолл‑стрит до лабораторий социальных наук элитных университетов и прямо в залы заседаний транснациональных корпораций — новый «методологический империализм» захватил сцену. Качественный анализ слепо отвергается. Глубокое историческое понимание, политическая проницательность и чистый человеческий опыт маргинализируются как «анекдотические доказательства». Наоборот, жёсткие линейные математические модели, эконометрические формулы и предсказательные кривые, генерируемые ИИ, рассматриваются как единственные арбитры корпоративной и национальной стратегии.
Тем не менее реальность продолжает наносить острый удар по этой интеллектуальной надменности. И удар — не метафора. Это факт публичного реестра, проверяемый строка за строкой:
Это не просто провал конкретного алгоритма или отдельной формулы. Это институциональная катастрофа человеческого познания. Когда современная социальная наука слепо подражает «жёстким» инженерным дисциплинам — принуждая ультра‑сложные, живые социальные сети к статическим, чрезмерно упрощённым математическим моделям — системный провал становится исторической неизбежностью.
В эпоху, когда ИИ может извлекать горы данных со скоростью света, правильность решения уже не зависит от объёма информации. Нам, как никогда, нужна «храмовая» когнитивная архитектура: междисциплинарный, многомерный, голографический и динамический системный интеллект. Это эссе сначала решает доказательный вопрос тремя документированными случаями. Лишь затем переходит к самой архитектуре.
Самый авторитетный ответ на вопрос «насколько точны экономисты, на самом деле?» даёт собственный исследовательский отдел Международного валютного фонда. В марте 2018 г. МВФ опубликовал рабочий документ WP/18/39, How Well Do Economists Forecast Recessions?, авторы: Зидонг Ан, Жуань Товар Жаллеш и Пракеш Лаунгани. Авторы сопоставили полный архив прогнозов с результатами для 63 экономик — 29 развитых и 34 развивающихся — за период с 1992 по 2014 гг. Выборка содержит 1 306 наблюдений «страна‑год». Из них 153 года были рецессиями (определяемыми как год отрицательного роста выпуска), то есть 12 % от общего числа. Иными словами, рецессии вовсе не редки: экономики проводят примерно десять‑двенадцать процентов своего времени в таком состоянии.
Редко бывает рецессия, которую кто‑то предвидел:
| Прогноз, сделанный в консенсус‑прогнозах | Верно предсказанное снижение | Пропущенные рецессии | Уровень промаха |
|---|---|---|---|
| Апрель года, предшествующего | 5 из 153 | 148 | 96,7 % |
| Октябрь года, предшествующего | 14 из 153 | 139 | 90,8 % |
| Апрель года рецессии | 84 из 153 | 69 | 45,1 % |
| Октябрь года рецессии | 118 из 153 | 35 | 22,9 % |
Запись официального сектора статистически неотличима. Прогнозы МВФ предсказали 6 рецессий в апреле предшествующего года, 17 — в октябре того же года, и всё ещё пропустили 40 к октябрю года рецессии. Вердикт Лаунгани о публично‑частном соперничестве: это «статистический финиш». Обе стороны проиграли.
Остановимся на последней строке. Тридцать пять рецессий всё ещё не прогнозировались в октябре того же года, когда они уже происходили. Это уже не предсказание. Это провал подтверждения текущего.
Ни одно из этих открытий не относится к 2018 году. Публикуясь в International Journal of Forecasting в 2001 году, Луганани сформулировал предложение, которое с тех пор сопровождает профессию: «Рекорд неудач в предсказании рецессий практически безупречен.» В его выборке из 60 рецессий 1990‑х годов лишь две были предсказаны за год до их наступления; две трети оставались не обнаруженными до апреля года рецессии; и в примерно четверти случаев октябрьский прогноз всё ещё предусматривал положительный рост.
Продвигаясь вперёд во времени, ничего не меняется — меняется лишь состав:
Прогнозирование акций выглядит ещё хуже. По подсчётам Bespoke Investment Group целевых уровней S&P 500 у стратегов Уолл‑стрит к концу года с 2000 года средний целевой показатель подразумевал годовую доходность 8,9 % — и эти цели упускали реальный результат в среднем на 14,1 процентных пункта. Ошибка превышает полтора раза размер предсказания.
Расширив взгляд от экономики к экспертному суждению в целом, мы приходим к двадцатилетнему исследованию Филипа Тетлока. С 1984 по 2003 годы он собрал почти 28 000 вероятностных прогнозов от 284 политических и экономических экспертов и оценил каждый из них по реальности с помощью Brier score — той же методики, что используется для оценки метеорологов. Итоговый результат: эксперты едва превзошли бросающего дротики шимпанзе и были явно хуже простых экстраполяционных алгоритмов. Самый неприятный вывод: чем известнее эксперт и чем больше у него телевизионных появлений, тем хуже его калибровка. В тот единственный момент, когда предупреждение могло бы иметь ценность — за год — уровень попаданий составил 3,3 %.
Если рекорд прогнозирования — хроническое заболевание, то LTCM был острым приступом. 24 февраля 1994 г. Long‑Term Capital Management начала торговлю с капиталом чуть более $1,01 млрд, основанная Джоном Меривезером, бывшим вице‑председателем Salomon Brothers. Список партнёров выглядит как церемония присвоения званий:
Это была, по любой разумной мере, самая высокая концентрация финансового интеллекта, когда‑либо собранная в одном помещении. Стратегия: использовать чрезвычайно точную математику для обнаружения крошечных недооценок на облигационных рынках, а затем применять огромный рычаг, чтобы превратить крошечные прибыли в крупные. В течение четырёх лет это работало зрелищно. Затем последовали цифры:
| Дата | Позиция |
|---|---|
| февраль 1994 г. | Начальный капитал $1,01 млрд |
| начало 1998 г. | Капитал $4,7 млрд, заёмные средства более $124,5 млрд, активы около $129 млрд — коэффициент долга к капиталу более 25:1 |
| начало 1998 г. | Внебалансовые деривативные позиции с номинальной стоимостью примерно $1,25 трлн |
| май 1998 г. | Доходность −6,42 % |
| июнь 1998 г. | Доходность −10,14 % |
| 17 августа 1998 г. | Россия объявила дефолт по суверенному долгу |
| конец августа 1998 г. | Утрачен капитал $1,85 млрд |
| 25 сентября 1998 г. | Капитал упал с $2,3 млрд в начале месяца до $400 млн; обязательства всё ещё выше $100 млрд — эффективный коэффициент рычага превышает 250:1 |
| 1998 г. полностью | Общие убытки $4,6 млрд, большинство из которых пришлись на менее чем четыре месяца |
| 23 сентября 1998 г. | Федеральный резервный банк Нью‑Йорка собирает 14 финансовых институтов для вливания $3,625 млрд и берёт контроль, чтобы предотвратить каскадный крах глобальных рынков |
Последствия: участвующие банки получили 90 % фонда; партнёры оставили себе 10 %. Инвестированные партнёрами $1,9 млрд собственных средств были полностью аннулированы.
Теперь самая важная деталь: что сама модель думала об этом убытке. Рисковые модели LTCM предполагали, что доходности распределены по Гауссу — нормально. Их убыток в августе 1998 года более $1,7 млрд за один месяц, по этим моделям, был событием 8,3‑сигма. При нормальном распределении событие 8,3‑сигма должно происходить примерно раз в 80 трлн лет. Сами руководители фирмы позже охарактеризовали рыночные условия 1998 года как «событие десять‑сигма» — что, при том же предположении, подразумевает частоту около раз в 3,3 × 10²⁰ лет, существенно превышающую возраст Вселенной.
Абсурдность здесь почти священна: событие реже, чем жизнь космоса, произошло в четвёртый год работы фонда. Ответ Нассимa Талеба резок: когда происходит столь маловероятный исход, рациональный вывод не в том, что вам не повезло. Он в том, что используемая вами модель ошибочна. Модель была ошибочна не арифметически, а потому что рассматривала рынок, состоящий из паники, контура, оттоков и суверенных политических решений, как физическую систему, описываемую колоколообразной кривой. Когда российский дефолт спровоцировал глобальный отток к качественным активам, каждая позиция, ранее статистически «некоррелированная», за секунды стала той же самой позицией. Корреляции стремятся к единице в кризисе. Этот код был отсутствовал в модели, но это железный закон финансовой истории.
Есть более мрачный эпилог. В 1999 году Меривезер основал JWM Partners с $250 млн под управлением, к 2007 году увеличив их до примерно $3 млрд. С сентября 2007 по февраль 2009 года основной фонд потерял 44 %. Он закрыл его 8 июля 2009 года. Один и тот же человек, используя тот же класс моделей, был уничтожен дважды той же ошибкой в течение одиннадцати лет. Это не серия неудач. Это дефект когнитивной архитектуры.
23 октября 2008 года Комитет Палаты представителей по надзору и реформе правительства провёл слушание. За столом свидетелей сидел Алан Гринспан, возглавлявший Федеральную резервную систему восемнадцать лет, вместе с председателем SEC Кристофером Коксом и бывшим министром финансов Джоном Сноу. В своей подготовленной письменной заявлении Гринспан написал следующее — единственный наиболее важный и наименее полностью цитируемый отрывок всего дня:
«В последние десятилетия возникла обширная система управления рисками и ценообразования, объединяющая лучшие идеи математиков и финансовых экспертов, поддерживаемая значительными достижениями в области компьютерных и коммуникационных технологий. Нобелевская премия была присуждена за открытие модели ценообразования, лежащей в основе большинства прогресса на рынках деривативов. Эта современная парадигма управления рисками доминировала десятилетиями. Однако весь интеллектуальный фундамент рухнул летом прошлого года, потому что данные, вводимые в модели управления рисками, обычно охватывали лишь последние два десятилетия, период эйфории. Если бы модели были более адекватно подогнаны под исторические периоды стресса, требования к капиталу были бы значительно выше, и финансовый мир сегодня находился бы в гораздо лучшем состоянии, по моему мнению».
Обратите внимание на причинно‑следственную цепочку. Математика была не ошибочна. Окно данных было слишком коротким. Обучать модель на двадцати годах спокойствия, а затем применять её к стрессу, случившемуся раз в столетие, методологически эквивалентно проектировать систему отопления по летним температурным записям.
Затем последовал обмен, вошедший в историю. Председатель Генри Уэксман сначала зачитал три десятилетия публичных заявлений Гринспана против финансового регулирования, а затем спросил:
УЭКСМАН: Мой вопрос к вам прост. Вы были неправы?
ГРИНСПАН: Частично.
Уэксман настаивал на идеологии:
WAXMAN: У вас была идеология… Чувствуете ли вы, что ваша идеология заставляла вас принимать решения, о которых вы потом жалели?
GREENSPAN: Ну, помните, что идеология — это концептуальная рамка, через которую люди воспринимают реальность. У каждого она есть. Чтобы существовать, нужна идеология. Вопрос в том, точна ли она. И я говорю вам, да, я обнаружил изъян. Не знаю, насколько он значим или постоянен, но меня это сильно тревожит.
WAXMAN: Вы нашли изъян в реальности…
GREENSPAN: Изъян в модели, который я воспринял, — это критическая структурная функция, определяющая, как, так сказать, работает мир.
WAXMAN: Иными словами, вы обнаружили, что ваше мировоззрение, ваша идеология, неверны, они не работают?
GREENSPAN: Именно так. Нет, именно поэтому я был шокирован, потому что более 40 лет у меня были весьма убедительные доказательства того, что всё работает исключительно хорошо.
На том же слушании он привёл фразу, которую каждый принимающий решения должен запомнить:
«Вы совершенно правильно отмечаете, что Федеральная резервная система обладает лучшей экономической организацией, какая только существует, и, я бы сказал, в мире. Если все эти чрезвычайно способные люди не смогли предвидеть развитие этой критической проблемы… Я думаю, нам следует спросить себя, почему так? И ответ в том, что мы недостаточно умны как люди. Мы просто не способны увидеть события настолько далеко вперёд.»
Это самый влиятельный экономист конца двадцатого века, признающий под присягой вину всего количественного парадигмы. Он не сказал, что какой‑то параметр был откалиброван неверно. Он сказал, что модель, определяющая, как работает мир, содержит изъян.
Поставленные рядом, эти случаи не являются тремя независимыми случайностями. Это три проявления одного заболевания:
| Запись прогнозов | LTCM | Greenspan | |
|---|---|---|---|
| Поверхностный сбой | 96,7 % рецессий не предсказаны | 4,6 млрд $ потеряно за четыре месяца | Не удалось предвидеть крах субстандартных кредитов |
| Допущение модели | Будущее — линейное продолжение истории | Доходность нормальна; корреляции стабильны | Институциональная самоуверенность защищает акционерный капитал |
| Реальность, опровергнувшая её | История имеет структурные разрывы | Корреляции стремятся к единице; хвосты гораздо «толще» | Самоуверенность разрушает себя, когда цепочка принципал‑агент разрывается |
| Корневая патология | Заключение будущего открытой системы в конечную выборку её прошлого |
Три случая, одна патология: рассматривать открытую, эволюционирующую, рефлексивную систему, населённую стратегическими людьми, как замкнутую, стационарную, параметризуемую физическую систему.
Существует непреодолимая пропасть между естественными и социальными науками. Физика, химия и инженерия работают в средах с низкой энтропией, высоко контролируемыми. В лаборатории учёный может очистить переменные, изолировать условия и воспроизвести причинно‑следственные связи. В этих замкнутых системах математические модели прекрасно функционируют как тактические усилители.
Но человеческое общество, макроэкономические системы и корпоративная конкуренция — это среды с высокой энтропией, нелинейные сложные адаптивные сети, состоящие из миллиардов индивидов, обладающих независимым сознанием, управлением ожиданиями и саморефлексией. Такие системы проявляют хаос второго порядка: акт предсказания меняет поведение и тем самым разрушает предпосылки, на которых основано предсказание. Погода — хаос первого порядка: какой бы точный прогноз ни был, он не меняет путь урагана. Рынки — хаос второго порядка: авторитетное предупреждение о рецессии меняет корпоративные инвестиции, банковское кредитование и потребление домохозяйств, а значит, меняет сам факт наступления рецессии. Именно поэтому точность метеорологических прогнозов за пятьдесят лет значительно улучшилась, тогда как точность экономических прогнозов почти не изменилась.
Великая глупость современного академического и исполнительного класса состоит в том, что они держат молоток и видят только гвозди — используют микрометрики и статические исторические регрессии для пилотирования макросуда.
ИИ и количественные модели эквивалентны полёту самолёта, когда смотришь в зеркало заднего вида. Они линейно экстраполируют исторические корреляции. Но структурные разрывы истории — геополитический разлом, глобальная пандемия, прорывные технологические скачки — нельзя вычислить из исторических данных. Данные отображают лишь симптомы: падение продаж, волатильный индекс. Они врождённо слепы к причинам: тонкое ухудшение институционального характера, скрытое переориентирование политической власти.
Линия Гринспана — «данные охватывали лишь два последних десятилетия, период эйфории» — это именно эта мысль. Выборка несёт предвзятость эпохи, её породившей. В наборе данных, где когда‑либо наблюдался только бычий рынок, вероятность медвежьего рынка равна нулю. Не потому, что он невозможен, а потому, что его нет в выборке.
Для облегчения рецензирования и массового выпуска публикаций современный академический аппарат разрезал знание на микроскопические сетки. Те, кто понимает монетарную политику, ничего не знают о геополитике; те, кто изучает политику, слепы к технологическим субстратам. Каждый доводит формулы до предела в крошечном «песочном ящике» и теряет целостное восприятие того, как мир действительно работает.
Тетлок предоставляет эмпирическую сноску. В его данных «лисы» — те, кто знает много мелких вещей — постоянно опережали «ёжиков», знающих одну большую вещь. А ёжик — это именно тот тип, который совместно отбирают академическое продвижение и медийное освещение. Наши институты систематически вознаграждают когнитивный стиль, который измеримо предсказывает хуже. Этот «только‑квантовый» предвзятый подход очистил историю и политологию от их глубины, кастрируя дисциплины, полные власти, веры и классовой борьбы, в стерильную статистику избирателей и демографические регрессии. Нобелевский лауреат Пол Ромер ввёл термин для этой патологии — mathiness — описывающий учёность, обёрнутую в математическую нотацию для покупки научной легитимности.
Эти нити сходятся в едином искажённом стимуле. Современные системы принятия решений вознаграждают проверяемую точность; реальность вознаграждает направленную правильность. Аналитик, который говорит «ВВП вырастет на 2,7 % в следующем году», считается более профессиональным, более надёжным и более стоящим оплаты, чем наблюдатель, который заявляет «структура рычагов этой системы не переживёт следующего сокращения ликвидности» — до тех пор, пока это не произойдёт. Модели LTCM были точны до нескольких знаков после запятой. Они были ошибочны с той же точностью.
Истинный стратегический прорыв высшего уровня никогда не рассчитывается. Он воображается через историческое проникновение лидера и междисциплинарный синтез. Мыслители с «храмовым» мышлением отказываются смотреть на изолированную точку или плоскую поверхность. Они воспринимают целое, живое, трёхмерное голографическое полотно.
Это голографическое и динамичное системное мышление куется на пересечении трёх когнитивных осей: Вертикальная (историческое проникновение сквозь время), Горизонтальная (междисциплинарный синтез в пространстве) и Глубина (прозрачность между макро‑ и микроперцепцией).
Исключительный стратег не признаёт академических границ. Его база знаний отражает то, что Чарли Мунгер назвал «решёткой ментальных моделей», где история, политика, психология, экология и системная теория глубоко переплетены. Они предвидят эффекты бабочки в социо‑экономическом мире: небольшое изменение в корпоративном маркетинге запускает регулятивный каскад; единичная национальная технологическая политика дестабилизирует несвязанную отрасль за тысячи километров.
LTCM — классический пример отсутствующей решётки. В той комнате находились лучшие математические финансисты живые — и ни один из них не был специалистом по российской политике. То, что уничтожило их в августе 1998, было не финансовой переменной. Это было политическое решение суверенного государства. Любой, кто имел базовые знания о российской фискальной политике 1990‑х, отказался бы ставить вероятность суверенного дефолта почти равной нулю.
Любители рассматривают мир статично в настоящем; мастера‑стратеги видят его динамично в процессе эволюции. Они понимают, что сложные системы несут временные задержки и инерцию. Ни один крупный, меняющийся кризис не поддаётся фиксированной формуле. Метод, применяемый сегодня, должен быть перекалиброван под конкретное время, конкретное место, конкретный контекст. Они знают закон экстремумов: сегодняшнее абсолютное конкурентное преимущество часто является точной питательной средой завтрашнего краха.
Сорок лет Гринспана – это аннотация к этому предложению. «Я шёл уже более 40 лет, имея весьма убедительные доказательства того, что всё работает исключительно хорошо» — и именно эта непрерывная череда успехов делала для него ошибку незаметной. Успех – самое эффективное когнитивное анестетическое средство, когда‑либо открытое.
Они могут парить на высоте 30 000 футов, чтобы различать геополитические циклы и макросдвиги, а затем мгновенно погружаться в микросреду, используя глубокую эмпатию для расшифровки психологических мотивов отдельного потребителя или сотрудника начального уровня. По их мнению, мир — это не холодная инженерная лаборатория; это живое полотно человеческой воли и трения.
Само признание Гринспана — «Я ошибся, полагая, что собственный интерес организаций, в частности банков и прочих, таков, что они лучше всего способны защищать своих акционеров и собственный капитал» — в конечном счёте было провалом человеческого суждения на микроскопическом уровне, а не провалом макроданных. Он предполагал рациональную институциональную личность, отвечающую собственным долгосрочным интересам. Реальность же представила ему популяцию трейдеров, получающих ежегодный бонус за то, чтобы как можно быстрее передавать риск по конвейеру секьюритизации. Основания любой макромодели зарыты в человеческой природе на микроскопическом уровне.
Это не безоговорочный отказ от математики или ИИ. Инструмент безвиновен; вина лежит в его неправильном применении. Мудрость состоит в том, чтобы подобрать метод к природе предметной области. В цепочке знаний и принятия решений существует чёткая иерархия:
| Слой | Типичные области | Окружение | Доминирующий метод | Роль модели |
|---|---|---|---|---|
| Микро‑исполнение | Высокочастотная торговля, логистика, актуарные расчёты, планирование | Относительно закрытое; огромные наборы данных; стабильные краткосрочные закономерности | ИИ, алгоритмы и модели должны доминировать | Командир |
| Мезо‑коммерческое | Маркетинг, корпоративная стратегия, организационное поведение, бренд | Живые люди; психология и культура преобладают | Опыт, отраслое чутьё, строгие рассуждения ведут; модели помогают | Штаб‑офицер |
| Макро‑стратегическое | Национальная стратегия, геополитика, индустриальные циклы, долгосрочная история | Открытая система; сильная рефлексивность; крошечные выборки; частые разрывы | Качественное суждение, исторические аналогии, философская диалектика | Партнёр‑тренер для стресс‑тестов |
На верхнем слое один принцип заслуживает выгравировать в стене: быть качественно правым в направлении в десять тысяч раз ценнее, чем быть количественно точным в ошибке.
Из трёх вышеописанных случаев вытекают четыре операционных правила. Ни одно из них несложное. Каждое стоит миллиардов долларов в обучении.
Ни в одном месте выше не говорится, что модели бесполезны, и ни в одном месте не утверждается, что интуиция суверенна. Данные Тетлока также демонстрируют, что чистая интуитивная экспертиза уступает простой статистической экстраполяции. Ответ не в выборе между моделью и человеком. Он таков: Позвольте модели владеть тем уровнем, на котором она компетентна; позвольте человеку владеть тем уровнем, в который модель не имеет лицензии входить — и пусть человек всегда решает, где проводится эта граница. Делегировать модели рисование границы — это полное определение культа модели.
В предрассветном свете эпохи ИИ большие данные представляют собой захватывающе мощный телескоп. Но они не астроном. Они обеспечивают беспрецедентную видимость; они не могут выбрать, куда направить взгляд, и не могут интерпретировать смысл увиденного. Самая серьёзная опасность нашего времени — это то, что наши образовательные системы и управленческие каналы заменяют опытных астрономов автоматическими телескопами.
Те, кто владеет массивными наборами данных и точными эконометрическими формулами, считают, что достигли божественного взгляда на реальность. На деле они лишь геодезисты «Титаника» — использующие самые точные инструменты на палубе, чтобы измерить точные размеры айсберга, полностью слепые к тому, что весь корабль несётся к катастрофе.
История уже заплатила за три чрезвычайно дорогих напоминания:
Все три напоминания говорят одно и то же: в открытой системе точность ≠ правильность, уверенность ≠ знание, а модель ≠ мир. ИИ может освободить наши руки, но он не заменит наш ум. ИИ может предоставить кирпичи; он не может спроектировать собор.
Победителями наступающей эпохи станут не технические инструменталисты, опьянённые накоплением данных. Они будут великими стратегами с достаточной интеллектуальной глубиной, способными объединить обширные территории истории, политики, философии и человеческой природы в единую голографическую, динамичную систему мышления — и пронзить ею реальность. Только вернувшись в храм человеческой мудрости и разрушив ментальные ограждения модели, мы сможем извлечь коренную причину из цифрового шума и определить истинное направление будущего.