一句话说清
先有个猜测，新证据来了，就按证据修正它。
为什么值得懂
世界是流动的信息。死守旧判断会被淘汰，听到风就是雨也会被耍。贝叶斯更新教你“该信多少、怎么改信”。
零基础讲解
贝叶斯更新 = 把“先验”（先前的估计概率）用新证据不断修正成“后验”（更新后的概率）。
三步：
- 先给个初始概率，哪怕只是感觉。
- 看新证据对这个判断的支持强度。
- 按强度调整。
要点：新证据越罕见、越专门针对你的判断，修正幅度越大；越含糊的证据越要少动。
反例是确认偏误：只挑支持自己的证据。贝叶斯思维要求主动把反证据也放进去。
职业判断者——医生诊断、天气预报、扑克牌手——都在用这套逻辑。
信念会修正，但先要过《确认偏误》那一关——大脑天生不爱看反面证据。
一个例子
你觉得同事 A 靠谱（先验 70%）。他答应的事两次都准时完成（证据）→ 上调到 85%。又一次没完成（反证据）→ 下调，但不归零——看是偶然还是有规律。
常见误解
- 以为贝叶斯是复杂数学。核心是先验 + 证据 + 修正，直觉可用。
- 以为新证据来了就要全盘推翻。按强度调整，不是非黑即白。
- 以为先验就是偏见。先验必须存在，关键是愿不愿意更新。
应用场景
- 生活：认识一个人，边观察边修正评价，不下一次性结论。
- 职场：方案被市场打脸后，改的不是整个方案，是出错的那个假设。
- 写作与创作：侦探、医生、投资人角色的推理，就是贝叶斯链条。
关联知识点
- 期望值（expected-value，概率更新后的计算）
- 确认偏误（confirmation-bias，贝叶斯的反面）
- 信息不对称（information-asymmetry，证据从哪补）
- 相关与因果（correlation-causation，更新概率前，先分清相关和因果）
- 所属主线：风险与概率、因果与系统