野心，到底應(yīng)該多大？

我們的野心究竟應(yīng)該有多大？傳統(tǒng)智慧給出了相互矛盾的建議：有的人鼓勵我們要“志存高遠(yuǎn)”；而有的人認(rèn)為，要想取得更大的成功，就需要設(shè)定現(xiàn)實(shí)的目標(biāo)。在一項(xiàng)于近期發(fā)表在《物理評論E》的研究中，幾名研究人員利用一個數(shù)學(xué)模型，為這個問題提供了一些答案。他們發(fā)現(xiàn)：最佳的野心水平其實(shí)處在中間地帶——應(yīng)該高于平均水平，但也不能過高。

如何建模“野心”

在這項(xiàng)研究中，研究人員建立了一個尋找最優(yōu)策略的模型。這一模型的開發(fā)基于的是一個被稱為“最優(yōu)搜索”的數(shù)學(xué)概念：也就是在給定時間和資源的條件下，確定如何以最佳方式獲得最大回報。

在這類模型中，“策略”可以代表很多東西：一份工作、一個商業(yè)想法、一位戀愛對象、一項(xiàng)公共政策……通常，這類模型會圍繞某一項(xiàng)具體任務(wù)進(jìn)行優(yōu)化。但在新的研究中，研究人員開發(fā)的是一個更通用的框架，可以應(yīng)用于多種人類活動，而在這些活動中，決策會影響最終的成功。

在這個模型中，一名搜索者（可以是一名希望獲得更高薪水的求職者或者是一位想要成功的創(chuàng)業(yè)者）會反復(fù)從一組選項(xiàng)中隨機(jī)抽取，而每個選項(xiàng)都有一定的值；搜索者的目標(biāo)，就是在一段時間內(nèi)積累盡可能高的回報。分布函數(shù)會給出獲得每一種可能回報值的概率。在最簡單的情況下，這個函數(shù)就是正態(tài)的鐘形分布，也就是所謂的高斯分布。

在模型的每一個時間步中，搜索者都必須做出決策——要么接受當(dāng)前的匯報，要么繼續(xù)嘗試搜尋更高值的回報。如果當(dāng)前回報已經(jīng)比該分布的統(tǒng)計平均值高出足夠多，超過了事先設(shè)定的一個“滿意閾值”，搜索者就會停止接受隨機(jī)回報，并在剩下的時間步中持續(xù)獲得同樣水平的回報。如果當(dāng)前回報沒有達(dá)到這一滿意閾值，搜索者就會在下一個時間步中再次抽取一個新的回報。

最優(yōu)野心

通過改變滿意閾值，研究人員得以探索野心所產(chǎn)生的影響：滿意閾值較低的搜索者會更容易接受較低的回報，但也可能因此錯過更大的回報；而滿意閾值較高的搜索者會繼續(xù)追求更好的回報，只是這種回報未必能夠?qū)崿F(xiàn)。

為了找到最優(yōu)的野心水平，研究人員計算了具有不同滿意閾值的搜索者，在固定數(shù)量的時間步中所積累的回報。模擬結(jié)果顯示，平均而言，當(dāng)搜索者采用一個高于平均水平、但同時又有限的滿意閾值時，會取得最好的結(jié)果；換句話說，目標(biāo)應(yīng)該高于平均水平，但不要高到不切實(shí)際。但如果把這個閾值設(shè)得過高，其代價會高于把閾值同等幅度地設(shè)得過低。也就是說，太難滿足比太容易滿足更糟。

此外，這項(xiàng)研究還分析了可能結(jié)果的統(tǒng)計分布應(yīng)該如何影響一個人的野心水平。當(dāng)結(jié)果呈左偏分布時，也就是遠(yuǎn)低于平均水平的結(jié)果比遠(yuǎn)高于平均水平的結(jié)果更常見，搜索者應(yīng)該把目標(biāo)定得比平均水平更高一些。而當(dāng)結(jié)果呈右偏分布時，也就是遠(yuǎn)高于平均水平的結(jié)果更常見，搜索者應(yīng)該降低一些野心。

這揭示了野心與冒險之間一個反直覺但極為關(guān)鍵的區(qū)別。當(dāng)結(jié)果呈左偏分布時，比如在經(jīng)濟(jì)政策制定中，衰退帶來的下行幅度往往大于繁榮帶來的上行幅度的情況下，政策制定者應(yīng)該采取更有野心的策略，以最大化增長率，而不應(yīng)該讓嚴(yán)重衰退把增長目標(biāo)也拉低。當(dāng)結(jié)果呈右偏分布時，比如在創(chuàng)業(yè)領(lǐng)域，極少數(shù)“獨(dú)角獸”企業(yè)會把平均值拉高，因此在面對這個被抬高的平均值時，創(chuàng)業(yè)者應(yīng)該適當(dāng)收斂自己的野心。

比較的代價

這項(xiàng)研究還考察了社會比較的影響。在這一設(shè)定中，搜索者不再與平均值進(jìn)行比較，而是將自己的回報與自己的同行的平均回報相比；這個同行群體由100個具有不同滿意閾值的搜索者組成，比較的是他們在前一個時間步中獲得的平均回報。

研究人員發(fā)現(xiàn)，任何形式的社會比較都會帶來代價——它會降低最優(yōu)滿意閾值，并減少累積回報。當(dāng)搜索者只通過與那些表現(xiàn)優(yōu)于自己的同行比較來判斷自己的成功時，他們的表現(xiàn)會明顯下降——他們會長期感到不滿，并因此錯過原本可以實(shí)現(xiàn)的回報。

給現(xiàn)實(shí)決策的啟發(fā)

在大多數(shù)日常決策中，我們都缺乏完整信息。這項(xiàng)研究提供了一種既精確又易于理解的方式，幫助人們思考在不同情境下，究竟應(yīng)該有多大的野心。

現(xiàn)在，研究人員計劃利用這一模型探索更多可以產(chǎn)生可操作預(yù)測的領(lǐng)域，例如求職或申請大學(xué)。在這些情境中，人們都必須在野心與風(fēng)險之間取得平衡。研究人員強(qiáng)調(diào)，雖然他們的模型比現(xiàn)實(shí)世界中的決策過程更簡單，但其中的核心洞見具有廣泛的推廣意義。

#參考來源：

https://journals.aps.org/pre/abstract/10.1103/dfw8-vhjk

https://physics.aps.org/articles/v19/78

https://www.eurekalert.org/news-releases/1129248

#圖片來源：

封面圖&首圖：geralt / Pixabay