“人可以带着功利心去学习，但是学习过程是无法功利化的。虽说花了心思总会有收获，但说到底跟花了多少时间、花了多少钱却是没有关系的。
即便倒背如流了《论语》，始终也成不了第二位孔圣人。”
一、最有名的噪声得过诺贝尔奖
年，贝尔实验室的工程师彭齐亚斯和威尔逊是负责无线电通信的专家，在调试一个巨大的接收卫星信号的天线时候，发现无线电信号比较差，噪声比较多。
他们的工作就是尽可能地减少噪声的干扰。他俩想尽一切办法消除噪声，甚至还发现了天线上面鸽子筑的窝，一度怀疑是鸽子粪便对无线电信号产生的干扰。
所有的检查手段都用上了，噪声还是存在，而且是任何时候、任何方向都存在的，这就让他们觉得这个噪声不是来自大气层、地球、太阳，而是来自宇宙。
他俩很专业也很机警，虽然没能找到理论解释，但是对这个现象写了论文发表，把坑先占了。
现在我们知道了以前老式电视机没有收到电视信号时候的雪花，就有1%是因为这种噪声的干扰，这个噪声就是“宇宙微波背景辐射”。
彭齐亚斯和威尔逊也因为发现了这个获得了年的诺贝尔物理学奖。
二、噪声的来源
噪声不是偏差
上面讲了，噪声是无规律的，不随时间、空间变化而跟着变化，更多的是来自系统外部的。
文章的偏差更多是认知上的，系统内部产生的一些错误，导致实践中对目标的偏离。
简单来说，对于某个事件的决策，系统内部可以形成一致的但偏离目标的，是认识上的偏差；不能达成一致的，就是受到噪声的干扰。
比如将销售人员对明年销售额的预估，会因为每个人对形势预判的不同而大相径庭；比如软件开发人员对项目开发时间的评估，会因为从事软件开发年限长短或者项目熟悉程度的影响而不同。这些都是噪声。
环境噪声
系统的噪声分为两类，环境噪声和内部噪声。
只要系统存在，就必然会受到外部环境的影响和干扰。
想象一个简单的场景，我们坐在一个小船上打靶子，无论是靶子固定不动，只有船在随波浪颠簸；还是靶子在水中漂浮，我们在岸上射击；亦或是小船和靶子都在水中，哪个场景的命中率都会比在岸上降低。
小船就是我们的系统，过于兴奋导致的手的抖动就是内部噪声，波浪带来的外部涨落就是环境噪声。
坐在小船上的我们，是有能力抚平水面，还是有足够的算力计算出波浪的起伏速率？
坐在船头和坐在船尾的人，暂且不说他们的知识水平是不是相当，最起码他们看到的波浪是不同的，那么他们做出的波浪起伏预测肯定也是不一样的。
一些看起来不是直接相关的国际形势、国家政策，就是对企业最典型的环境噪声的来源。
内部噪声
理想的系统一般由三部分组成：组件、关联和功能，是由一系列组件按照特定功能需求关联组合起来的一个模型。
理想系统里面没有考虑误差、内力作用等等。组件是理想实体，是精确符合系统要求的；组件与组件之间的关联作用没有任何“摩擦力”；系统也没有受到外部环境的影响；这么多的苛刻条件决定了理想系统的不存在性。
理想很丰满，现实很骨感。
理想和现实的差异就是这么大，现实系统中的各种误差、摩擦、涨落就导致了系统内部噪声的产生。
不同的组件完成同一件事情会有差异，比如我们的左右手，是“镜像对称”的，但是左手和右手投掷飞镖的准确率肯定不一样。
如果两个不同的部门做同一项任务，完成情况肯定也是不一样的，这些内部的差异也是噪声的来源。
企业中个人知识背景、企业文化、组织架构、协作方式等都可能是内部噪声的来源。
三、怎么消除噪声
1认识到噪声的存在
一个好的狙击手在射击时是会考虑空气阻力、风向的影响，他是受过严格训练的，对这些环境噪声有着很好的判断。
总得要先知道有噪声存在，并且知道噪声在哪里吧！
事实上很多人并不知道，或者说事前不知道。
所以如何认识噪声，关键在于人。
卡尼曼已经告诉我们怎么去寻找噪声：“哪里有决策，哪里有判断，哪里就有噪声的存在”，也就是说必须要意识到噪声无处不在，会存在某些因素影响我们做判断。
在做判断决策时，人的专业程度、从业经验能帮助我们更好的理解噪声的干扰，知识的全面性固然重要，但认知的深度、思想的开放程度同样重要。
专业和经验更多的是聚焦于或者不客气的说是局限在某个行业内，很多专业水准纯粹是由一些所谓的名气、资深程度、职位高度、甚至PPT包装的漂亮与否来决定，或者只是被曾经的大平台所成就出来的一些成绩平摊到了个人。
相比较而言，后面几项不是那么显山露水，也无法在短时间内考究出来，但却是更难能可贵的、决定能力高低的关键属性。
一个具有卓越判断力的人，不一定是口齿伶俐的，但一定是深思熟虑的；不一定是自信满满的，但一定是思维开放的；不能满腹经纶但固执己见，也不能人云亦云没有主见。
2制定规则模型，减少噪声
假定一个场景，我们在给一个商品定价的时候，价格区间是从1-块，肯定没有那么容易达成一致。
但是将价格分为高（70-）、中（31-69）、低（1-30）三个档次，就很快可以决定下来了。
因为第一，选项变少了；第二，选项变得更直观了。
计算机算法里面有一个搜索算法叫“二分法”，常用于在一个线性的数列里面查找某一项，用的就是这个区间法，迭代运算的每次只看这个数值项是在队列的前半部分还是后半部分。
所以，在决策前遇到选项过多过细的情况下，制定一定的规则，简化相应的模型，将选项做合并分类或是区间排序，用不那么精确的区间值代替精确的绝对值，能够帮助我们更快更直观的达成共识。
比较经典的案例是李克特量表，现在常用于数据统计、分析。
3以暴制暴，抵消噪声
我们要认识到用上面的方法虽然有方便的地方，也会带来一些问题。
我们大脑的思维总是习惯用已知的经验去类比未知事物，用简单的模型去替代复杂情况，更有一点，我们还容易被“牵着鼻子走”。
在一些卖衣服的批发市场讨价还价就是一个最典型的场景。
你看中了一件衣服，老板会说：“这件衣服特价，块”；你会假装是还价高手：“便宜点吧，80块行不”；几个回合下来，块成交了。
大家都很开心，你觉得自己买到了便宜的衣服，老板觉得自己又赚到一笔，因为衣服的进价是50块。
这个叫“锚定效应”，大家都会被一些预先输入的条件所困住，然后就在这个值附近调整变化。
我们不管是在讨论方案、市场策略、商务谈判的时候，都要注意避免“锚定效应”的干扰。避开“抛砖引玉”，而是要“百花齐放”，大家各自先按照自己的理解提出意见。
所以在做上面步骤2的时候，很关键的一点是要选取一个好的参照物，选取一个好的区间，才可以降低噪声；如果是选择不当，反而会因为“锚定效应”增加了噪声干扰。
这个就跟汽车上面的“主动降噪”功能一样，“主动降噪”其实是个“以暴制暴”的举动，用反向声波抵消噪声声波，如果出现了偏差，就会起到放大噪声的反效应。
4群策群力，降低干扰
上面讲到要“百花齐放”，也就是说要群策群力。
我们每个人单独做决策的时候，我们个人的知识、习惯、能力等个人差异就是一个噪声来源，还有一个就是每个人看事物的角度也会不同，总是在某些方面比较擅长，另外一些方面不太擅长。
比如我们在给食品定价的时候，负责设计的专家更关心包装的尺寸、颜色等；负责营销的专家更关心品牌、广告、标识等；负责生产的专家更关心口感、成分等等。
单独做决策的时候，这些专家擅长的技能就是噪声的来源。但是不同的专家组成一个团队时，技能的多样性就变成了一个优势。
因为他们会对事物的不同维度进行多方面考虑，并且互相补充。这样一来，依靠团队合作的优势就可以降低噪声干扰。
需要注意的是，团队意见也会受到“锚定效应”等噪声干扰，所以保证团队意见的多样性在于保证其独立性。
实际生活中，“百花齐放”又是个理想模型，最大的噪声来自于老板，一切事务都由老板直接“锚定”就完成了。
?