leaf

100 個思維模型” 概念的來源與背景#

概念起源：查理・芒格在 1994 年南加州大學商學院的演講中提出，人們需要掌握來自多個學科的 “大觀念” 或思維模型來形成認知框架。他指出 “大約有 80 到 90 個重要的模型可以承擔你獲得世俗智慧所需的大部分任務”。這些模型構成他所謂的 “思維模型的格子”（latticework of mental models），涵蓋數學、物理、生物、心理學、經濟等各領域的基本原理。如果沒有將知識掛靠在這樣的模型格子上，孤立的事實是難以有效運用的。芒格形象地引用一句話：“給拿著鐵鎚的人看來，所有問題都像釘子” 來說明單一視角的局限性，因此強調多元模型的重要性。
是否有明確列出 100 個模型：芒格本人並未發布過列舉所有 100 個模型的官方清單。“100 個思維模型” 更多是對芒格思想的概括和擴展。芒格提到需要 “幾十個”（約 100 個）核心模型，但並未逐一列出。然而，這一概念被他的追隨者和一些作者推廣開來。例如，投資人 Rob Kelly 在 2011 年的一篇文章中提到芒格 “將成功歸功於大約 100 個思維模型所構成的格子”，並嘗試羅列相關模型。此外，Shane Parrish 的 Farnam Street 博客等英文資料對芒格的思維模型進行了總結和補充，提供了較為系統的模型列表。這些列表綜合了芒格在不同时期的演講、伯克希爾・哈撒韋股東信以及《窮查理寶典》（Poor Charlie’s Almanack）中提到的各種模型和原則。

• 最早出現及傳播：芒格關於思維模型的思想最早在他 1994 年的演講《世俗智慧的基本課程》中廣為人知。隨後，他在《窮查理寶典》中通過演講輯錄進一步闡釋了多學科交叉的 “格子化” 思維體系。例如，他有一篇著名演講 “人類誤判心理學” 總結了 25 種常見的人性偏誤，這些也可被視為思維模型的一部分。隨著時間推移，“掌握 100 個模型” 的理念被投資界和知識界廣泛引用，形成了一個流行說法。需要注意的是，這並非某個固定清單，而是強調博采眾長、融會貫通的重要性。
  是否有公認的完整列表：由於芒格沒有親自公布 100 個模型的清單，所以沒有官方公認的 “100 個模型” 名單。但業界和學界普遍認同一些核心模型的集合，並將其數量粗略地稱為 100 個左右。像 Farnam Street 等知識博客曾整理出涵蓋 113 個模型的清單，以為讀者提供系統化的思維工具箱。這些模型涵蓋了各門學科的 “大 ideas”，基本代表了芒格所推崇的跨學科智慧。

• 總的來說，“100 個思維模型” 更像是一個指導性的概念，其內涵是：通過學習各領域 最基本、最具解釋力的模型，我們可以顯著提升理解和決策能力。下面，我們將基於可信的英文資料（包括芒格本人的論述和權威分析），彙總並介紹這大約 100 個思維模型，每個模型均包含其定義、重要性、現實例子和應用場景。

芒格思維模型一覽（按類別劃分）
為便於理解，我們按照芒格所倡導的多學科方法將思維模型分為若干類別，包括：通用思維原則、數理概念、系統模型、物理世界模型、生物進化模型、人性與心理模型、微觀經濟與戰略模型等。每個模型都注明其定義（是什麼）、意義（為什麼重要）、例子（實際應用）和適用場景（在何種情況下使用）。這些模型涵蓋了芒格所謂 “各學科的大觀念”，共同構成一個思維工具箱。

1. 通用思維模型（10 個）#

• 001/100 反向思考 (Inversion) ：

• 定義：從相反方向思考問題，即從希望避免的結果入手，倒推尋找解決方案。換言之，不僅問 “如何成功”，也要問 “怎樣會失敗”。

• 意義：反向思維能幫助我們發現正向思考容易忽略的陷阱，通過先找出要避免的錯誤，再反推出應採取的正確行動。這一方法被芒格奉為圭臬，他常引用名言 “倒過來想，總是倒過來想”（Invert, always invert）來強調其重要性。

  • 例子：在投資決策中，與其只考慮 “如何賺錢”，不妨反過來想 “怎樣做一定會虧錢”，然後避免這些行為。例如，如果發現某項投資失敗的原因通常是過度借貸，那麼反向思考會提醒我們控制槓桿率。
    適用場景：當陷入思考僵局或常規方法收效甚微時使用反向思維。例如，項目規劃時先列舉可能導致項目失敗的因素，以便提前規避；風險管理中通過假設最糟情況來制定對策。

002/100 證偽原則 (Falsification) ：#

• 定義：判斷一個理論是否科學的標準在於它能被設計實驗來證明為假。這一原則由哲學家卡爾・波普爾推廣：科學命題必須可以被某種結果否定，否則就不是真正的科學。
  意義：證偽理念強調謙卑求真的態度。與其尋找支持證據，不如主動尋找反例來測試觀點的有效性。這樣可以避免陷入自我驗證偏見，剔除偽科學或偽知識。對投資者而言，能夠找出投資邏輯中可能令其失敗的條件，並驗證這些條件是否存在，是審慎決策的體現。

• 例子：藥物試驗中採用安慰劑對照組就是證偽原則的應用 —— 如果新藥效果不比安慰劑好，就推翻了 “新藥有效” 的假設。同樣地，投資策略若聲稱在任何市場都賺錢，可以嘗試尋找歷史階段作為反例來檢驗該策略是否真的有效。

• 適用場景：在構建模型、制定理論或做出預測時，用證偽思維檢驗可靠性。例如，科學研究中設計實驗來嘗試推翻自己的假設；商業決策中審視 “如果我的假設錯了，會出現什麼跡象”，一旦發現這些跡象就及時調整策略。

003/100 能力圈 (Circle of Competence) ：#

• 定義：每個人在自己真正熟悉和擅長的領域內決策更有把握，這個領域被稱為 “能力圈”。圈外領域因知識欠缺而充滿未知風險。該概念由沃倫・巴菲特和查理・芒格提出，用於提醒投資者專注於自己懂的行業。
  意義：明確能力圈的邊界可以防止我們涉足自身無知的領域，從而降低判斷失誤的概率。正如芒格所說：“不了解自己無知之處的人很危險”。在圈內，我們不僅擁有知識，也更能識別何時自己 “無知”（知道自己不知道），從而謹慎行事。

• 例子：巴菲特長期不投資高科技公司，因為他認為這些公司超出了他的能力圈。在互聯網泡沫時期，他因避開科技股而錯過了一時的高漲，卻也成功避免了泡沫破滅帶來的巨大損失。

• 适用场景：投資決策和職業發展中均應評估自己的能力圈。例如，投資前問自己 “我對這個行業真的了解嗎？”；創業或工作時選擇自己專業技能所在的領域深耕。當需要走出能力圈時，要麼先學習提升能力，要麼謹慎對待、小額嘗試。

004/100 奧卡姆剃刀 (Occam’s Razor，簡單優先原則) ：#

定義：由 14 世紀邏輯學者威廉・奧卡姆提出的一條啟發原則：在解釋現象時，如無必要，不要增加實體。簡單說就是 “如無必要，勿增實體”，即傾向於選擇假設更少、更簡單的解釋。
意義：奧卡姆剃刀提醒我們優先考慮簡單模型，因為簡單模型更易理解、驗證和傳播。這並不是說簡單的一定正確，但越複雜的理論越有可能蘊含錯誤。在決策時，簡單原則可以避免我們被過度複雜的分析麻痹，抓不住要點。同時，它強調精煉思考，聚焦關鍵因素。愛因斯坦也有句相關名言：“一切應儘量簡單，但不要過於簡單。”
例子：醫生診斷時，若患者出現常見病症狀，通常先考慮常見病（簡單解釋）而非罕見綜合徵（複雜解釋）。又如，投資分析一家企業，如果簡單的商業模式就能解釋其成功，就無需假設有隱秘高深的策略。
適用場景：在需要選擇多種解釋或方案時運用。如科學研究中，面對多個理論解釋同一現象時傾向於驗證更簡單的理論；商業決策中，設計產品或流程應力避不必要的複雜性。總之，當陷入複雜分析無法抉擇時，用 “剃刀” 削去多餘因素，聚焦本質。

005/100 韓隆剃刀 (Hanlon’s Razor) ：#

定義：這是一條通俗經驗法則，意思是 “不要用惡意來解釋那些可以用愚蠢解釋的行為”。其準確來源不明，但與奧卡姆剃刀類似，是關於選擇解釋的簡單原則。
意義：韓隆剃刀提醒我們，在複雜社會中，不要過度偏執地認定別人存心不良。很多糟糕結果的產生往往不是有人蓄意為惡，而是由於無知、疏忽或判斷錯誤。這一原則有助於避免陷入陰謀論式的思維，也有利於保持理性與包容的態度。
例子：公司管理層出台了一個看似不利員工的政策，與其立即認定高層存心剝削，不如考慮是否只是決策失誤或信息不全導致。同樣，開車時遇到別的司機別車，與其覺得對方針對自己，不妨認為可能只是對方沒注意或者技術不好。
適用場景：在職場、人際交往中碰到他人行為帶來不利影響時，應用韓隆剃刀可避免過度猜忌。同樣，分析社會現象時少一些陰謀論、多一些基於無心之失的假設，更容易貼近事實真相。這有助於維護團隊信任，並促使我們用建設性方式解決問題。

006/100 二階思維 (Second-Order Thinking) ：#

定義：不僅考慮直接結果，還要考慮更深層的間接後果的思維方式。任何行動都有 “一階效應” 和隨之而來的 “二階、三階效應”。二階思維要求我們跳出眼前的直接影響，去預判後續連鎖反應。
意義：許多決策如果只看初步效果，可能判斷失誤。優秀決策者會預見長期的、非直觀的影響，避免 “眼前得失、日後虧損”。芒格指出，在人類系統和複雜系統中，第二層效應往往比第一層效應更為龐大，但人們經常忽視它。具備二階思維可以防止短視，減少事後諸葛亮式的懊悔。
例子：政府控制房租（一階效應：租客負擔降低），但二階效應可能是房東因利潤降低而減少供給、新房投資減少，最終導致租房市場短缺，租客長期反而更困難。又如，大家看遊行時前排站人踮腳可以看得更清楚（直接好處），但如果每個人都踮腳（後續效應），那麼沒人看的更好反而都累。
適用場景：在政策制定、投資策略、企業戰略中，二階思維尤為關鍵。例如，企業降價促銷會提升短期銷量（一階效應），但長期可能損害品牌價值或引發價格戰（二階效應）；投資時考慮某行業火熱帶來的估值提升之餘，也要思考過熱後可能出現的泡沫破裂。凡事多問一句：“接下來會怎樣？這個決定引發的後果還有哪些？”

007/100 地圖非領土 (Map Is Not the Territory) ：#

定義：任何模型、理論或描述（“地圖”）都只是對現實的簡化，不等同於現實本身（“領土”）。若一份地圖要完全精確地表示領土，那它將大到與領土本身一樣，以至失去意義。因此我們承認模型有簡化，必然與現實有偏差。
意義：這個比喻提醒我們對模型和指標保持謙遜。模型再好也是抽象，不能迷信模型而忽視真實世界的複雜性。當現實數據與模型預測不符時，應當信任現實而非執著於模型。芒格常批評過度依賴理論模型而不看實際的人，就如同迷路時緊盯地圖而不看路。認識到地圖非領土，可以讓我們在決策時勇於質疑手頭的模型和假設，在必要時進行修正。
例子：公司 KPI（關鍵績效指標）是業務 “地圖”，但盯著 KPI 可能導致員工為達指標而偏離真正目標 —— 如為了提高客服滿意度評分而給予過度補償，損害公司利益。金融模型評分高的債券並不代表無風險，2008 年金融危機中，許多高評級產品實際上風險巨大，就是因為大家誤把評級模型當成了現實。
適用場景：在使用任何模型、指標、理論時謹記其局限性。如經濟學模型、天氣預報模型等都有假設前提和誤差，需要結合現實調整。管理中，看報表數據之餘應實地走訪了解實際情況（所謂 “走動式管理”）。總之，當模型和直覺 / 現實衝突時，不要忘記 “地圖不是領土”，及時檢視模型哪裡出了問題。

008/100 思想實驗 (Thought Experiment) ：#

定義：在頭腦中進行假想試驗，以邏輯推演問題的一種方法。這一技巧為愛因斯坦等科學家所青睞，他們通過在腦海中構建場景來探索物理規律，而無需實際實驗。
意義：思想實驗使我們能夠突破現實條件的限制來檢驗想法。對於無法輕易現實驗證的問題（太危險、太昂貴或超出當前技術），思想實驗提供了一個安全且經濟的推演環境。它考驗我們的邏輯和直覺，使複雜問題在抽象層面上得以解析。這在戰略規劃和創新領域尤為有用，因為很多創見萌芽於 “假如我們這樣做會怎樣？” 的設想。
例子：愛因斯坦著名的光束追逐想像：他設想自己騎在光束上，會看到怎樣的景象，由此啟發了狹義相對論的建立。在商業上，企業進行 Scenario Planning（情景規劃）其實就是一種思想實驗 —— 假設市場發生某種變化，然後推演公司應對策略，從而提前做好準備。
適用場景：科學研究、哲學討論、戰略制定等領域。當實際試錯代價高昂或不可行時，用思想實驗來預演。例如，安全演習時模擬災難情境，檢查應急方案；產品開發前頭腦風暴用戶使用情境，預測潛在問題。思想實驗也適合個人決策，如在心中演練不同職業路徑的發展，幫助做出選擇。

009/100 市場先生 (Mr. Market) ：#

定義：“市場先生” 是本傑明・格雷厄姆在其經典著作《聰明的投資者》中創造的擬人化角色，指代金融市場的情緒波動。格雷厄姆把市場比作一個情緒多變的合作夥伴：有時狂熱樂觀，有時極度悲觀，而投資者的任務就是利用市場先生的情緒波動 —— 低落時買入，高興時賣出。
意義：這一比喻極富教育意義地說明了市場的非理性特徵。芒格和巴菲特都強調，投資者不應被市場先生的情緒牽著鼻子走，而要有自己的獨立判斷。市場先生有時報價偏高（你應該賣給他），有時報價偏低（你應當買他便宜的籌碼），但你永遠有權選擇不理會他。這個模型教導投資者要有耐心和情緒控制，不隨市場瘋狂而瘋狂。
例子：在互聯網泡沫時期，市場先生異常興奮，不斷抬高科技股價格；冷靜的投資者若認識到市場先生過於樂觀，就會賣出或不參與，從而避免泡沫破滅時的損失。又如 2020 年疫情初期市場暴跌，那是市場先生極度悲觀的時刻，許多優質公司股票被錯殺，逆向投資者把握住機會逢低買入，待市場情緒恢復後獲得豐厚回報。
適用場景：投資和交易活動中，尤其在市場波動劇烈時，將市場擬人化有助於提醒自己情緒是如何影響價格的。對於長期投資者，“市場先生” 每天給出的報價只是參考，可以大部分時間不予理睬。這個模型同樣適用於看待任何群體情緒波動引發的現象 —— 比如房地產市場過熱或低迷時，都可以想像 “市場先生” 在極端情緒中，並據此做出更理性的決策。

010/100 概率思維 (Probabilistic Thinking) ：#

定義：用概率而非確定性來思考問題的模式。現實世界充滿不確定性，大多數事件不是必然發生就是必然不發生，而是有一定機率發生。概率思維要求我們為各種可能性賦予概率權重，並根據概率和收益評估決策。
意義：摒棄非黑即白的確定論視角，轉向概率論視角可以讓我們更清醒地認識風險與機會。芒格認為，生活中的很多情況都類似賭博或下注，我們無法確定結果，只能根據概率做出最佳選擇。這種思維有助於避免過度自信或過度恐懼，因為它承認偶然性的作用。培養概率思維還能提升我們的期望值決策能力（即綜合考慮概率和後果）。
例子：醫生診斷疾病時，會考慮各種可能病因的概率，並可能列出鑑別診斷清單而非武斷地認定一種病。投資中，巴菲特和芒格評估一筆投資時，會估算潛在回報的概率分佈，而非簡單地說 “會成功” 或 “會失敗”。再比如，下雨的概率預報（如 “降雨概率 30%”）就是希望公眾用概率思維理解天氣 ——30% 意味著有可能下雨也有可能不下，而不是確定會或不會。
適用場景：決策分析、風險管理、統計推斷等情境都需要概率思維。如企業做項目決策時，列出樂觀、中性、悲觀三種情景及其發生概率，從而計算項目的期望收益；個人做人生選擇（如創業或繼續就業）時，也可權衡成功和失敗的概率以及各自帶來的影響。總之，凡是存在不確定性的場合，都應以概率而非絕對確定來權衡利弊。

2. 數理思維模型（14 個）#

011/100 排列組合 (Permutations & Combinations) ：#

定義：計數學中的基本概念，用於確定在給定元素下有多少種不同方式進行排列（順序有關）或組合（順序無關）。它教我們如何計算各種可能性。
意義：理解排列組合有助於我們定量分析可能性空間。很多問題表面簡單，但其可能情況數量龐大，必須用排列組合原理計算。如芒格所言，掌握基本的排列組合數學可以幫助我們認識身邊事件發生的概率。它也是概率論的基礎，讓我們避免低估或高估某些事件組合發生的概率。
例子：如果有 5 本不同的書，要把它們按順序排在書架上，有多少種排列方式？答案是 5!（即 120 種）—— 這就是排列概念的應用。又如彩票選號碼的問題：從 50 個號碼里選 6 個號碼組合，一共會有 C (50,6) 種組合（約 1580 萬種），因此中獎概率極低。這種計算可以幫助人們理性看待彩票中獎的可能性。
適用場景：在需要評估各種情況數量時，如項目管理中安排任務順序、錦標賽賽程安排、密碼破解可能性估計等。例如，分析投資組合可能的資產配置方式，或者計算營銷廣告組合的方案數量，均可借助排列組合模型，確保不錯漏任何一種情況並定量評估其發生可能。

012/100 代數等價 (Algebraic Equivalence) ：#

定義：代數給我們提供了用符號表示數量關係的工具，不同形式的代數表達式可以表示相同的含義，這就是代數等價。通過代數變換，我們能發現看似不同的問題其實本質相同。
意義：掌握代數等價讓我們具備抽象歸納能力 —— 把表面不同的問題化為統一的數學形式去解決。這培養了邏輯思維和模式識別能力。例如，理解方程 a + b = c 等價於 a = c − b ，就可以靈活地解讀關係。在商業和日常生活中，很多現象可以抽象成代數關係，從而應用數學工具分析。代數思維還培養我們 “換元思考” 的能力：將複雜問題轉化為熟悉的問題求解。
例子：一個經典等價：距離 = 速度 × 時間。如果知道兩輛車距離差 100 公里、速度差 20 公里 / 小時，那麼可以推導相遇時間等問題。這實際上是將問題轉化為方程求解的過程。再如，在財務上，利率、時間和現值 / 未來值之間的關係可以用複利公式等價轉換，從而算出任一變量（這正是金融代數的應用）。
適用場景：在公式推導、問題歸類等情形廣泛適用。例如，工程領域通過代數方程求解設計參數；編程中將問題抽象成數學模型；預算管理中利用代數平衡支出和收入。每當遇到複雜關係時，嘗試用代數方程表達並化簡，可以幫助我們找出隱藏在問題背後的簡單關係。

013/100 隨機性 (Randomness) ：#

定義：指事物發生的順序和結果無法用確定性規律完全預測，只能用概率描述的一種性質。簡單來說，就是結果帶有偶然性而非必然。人腦往往不善於直接理解純粹的隨機。
意義：承認隨機性是理解現實世界的關鍵。許多事件的結果包含運氣成分，若不理解這一點，我們容易將運氣當本事，或者把模式看成因果。芒格提到人類有 “欺騙性模式識別” 的傾向，在隨機事件中也要找因果，導致誤判。認識隨機性可以讓我們更謙遜，更謹慎地歸因，並在決策時考慮概率分佈而非唯一結局。同時，它提醒我們警惕 “小樣本” 的誤導，因為隨機波動在樣本少時會造成巨大偏差。
例子：掷硬币正反面是典型的隨機現象，每次結果獨立，無法預測。這種隨機性導致人們有時會錯誤地歸因：比如連續出現 5 次正面後，有人會認為 “該出反面了”（賭徒謬誤），其實每次掷硬幣概率仍是 50%。股市短期漲跌也高度隨機，短期內股價的走向更多是受情緒和隨機新聞影響，一個投資經理即使連贏幾次，也可能只是運氣而非水平。
適用場景：在投資、賭博等活動中要有隨機性意識，不要把短期結果全歸功或歸罪於自己能力。科學研究中也應考慮隨機誤差，設計實驗時通過足夠樣本和對照來濾除運氣因素。生活決策中，接受運氣的作用可以讓我們在取得成功時保持謙遜，在遭遇挫折時不至於過度自責或氣餒，因為有些事情並非努力不足，而是概率使然。

014/100 隨機過程 (Stochastic Processes) ：#

定義：一系列含隨機成分、隨時間演變的過程，例如泊松過程、馬爾可夫鏈、隨機遊走等。隨機過程的特點是單次路徑不可精確預言，但可以用概率分佈描述其總體行為。
意義：許多現實系統（如金融市場、氣候變化）都是隨機過程。理解隨機過程可以讓我們更科學地對待不確定性：雖然無法預測每一步，但可以評估長期概率特徵。例如，通過隨機模型我們知道股市一天波動 10% 的概率極低，而波動 1% 的概率較高。這有助於風險管理和策略制定。另外，馬爾可夫鏈等概念強調 “記憶 less” 過程，對於理解現實系統（如顧客行為不受過去狀態影響而只取決於當前狀態）很有啟發。
例子：股票價格常被視為隨機遊走過程 —— 你無法根據過去短期價格精確預測明天的價格，它在很大程度上隨機波動，但長期來看其波動幅度有統計特性（如年化波動率）。排隊論中的泊松過程用於建模隨機到達的顧客，比如銀行櫃台來客數每小時近似服從泊松分佈，可據此安排櫃員數量。
適用場景：金融工程、保險精算、運籌學等廣泛應用隨機過程模型。投資組合管理中，用隨機模型模擬資產價格路徑以評估最壞情況風險（如蒙特卡洛模擬）。在排隊系統、通信網絡中，隨機過程幫助設計出更有效的資源配置方案。總之，當系統內在有大量不確定因素時，引入隨機過程模型是量化分析的有力工具。

015/100 复利 (Compounding) ：#

定義：將獲得的收益再次投入以產生新收益的循環過程，形成 “利滾利” 效應。複利可以是金錢上的利息滾存，也可以泛指事物的指數級增長。其數學特徵是指數函數而非線性函數。
意義：“複利是世界第八大奇蹟”（愛因斯坦據稱這樣說過）。複利的威力在於時間與增長率共同作用下，增長曲線開始平緩但後期陡增。對於投資者，理解複利意味著明白長期持有和穩定回報的巨大價值。對於個人成長，知識與人脈也有複利效應 —— 持續學習和積累，會產生越來越快的提升。芒格本人極為推崇複利，他的財富和伯克希爾公司價值就是長期複利的成果。
例子：以資金為例，假設年收益率 10%，初始 100 元：一年後變 110 元，10 年後變 259 元，30 年後則超過 1745 元 —— 這是複利的指數增長效果。另一個例子是社交網絡的發展，早期用戶增長慢，但達到一定規模後，網絡價值（用戶數的平方）複利增長，用戶越多，吸引更多用戶加入。這種 “指數爆炸” 現象在科技和生物領域也常見，如細菌繁殖、技術採用曲線等。
適用場景：投資理財中應儘早開始並善用複利，讓資金滾雪球。企業經營中重視留存收益再投資，從而不斷擴大規模。個人成長方面，鼓勵把時間投入到會產生複利效應的活動，如閱讀、鍛煉、人際交往。凡是增長可以回饋並增強自身的系統，都應以複利視角長期規劃，而非急功近利。

016/100 乘法為零效應 (Multiply by Zero) ：#

定義：數學上任何再大的數字乘以零結果都是零。類比到系統中，就是如果某關鍵環節完全失效（為 “0”），那麼無論其他部分多麼出色，整體結果仍會失敗。
意義：這個模型強調短板效應或木桶理論：系統的總體績效受限於最弱的部分。管理上，這提醒我們優先修補致命弱點，而不是一味追求錦上添花。如果不解決某個關鍵問題，其他努力都可能白費。此外，該效應也體現了預防的重要性 —— 避免出現讓一切歸零的災難性失誤，比額外優化其它方面更重要。芒格曾舉例，“一個業務里某方面出了大漏洞，就可能讓全盤努力化為烏有”，這就是乘零效應的寫照。
例子：一家公司其他部門都運轉良好，但財務部門舞弊或破產風險管理不到位，一旦爆雷，公司可能瞬間歸零；又如人體健康，其他器官功能再強，一旦心臟驟停（某個零事件），整個人就不行了。投資組合中，過度集中於單一股票且該股票暴雷，財富可能清零 —— 哪怕其他投資有些收益，也抵消不了一次清零式打擊。
適用場景：在項目管理、企業運營、安全工程中，把注意力放在關鍵薄弱環節。例如，生產流程中找到會導致全線停擺的瓶頸並為其增加冗餘；投資時控制極端風險，不讓任何單一風險因素擊垮整體資產。個人決策中也是，如規劃職業生涯要避免犯致命錯誤（違法違規等），否則再多努力都會被 “一票否決”。

017/100 客戶流失率 (Churn) ：#

定義：原指商業中客戶流失的概念，即在每個周期失去的客戶比例。廣義上，“churn” 泛指系統中一定比例的存量會不斷流失，必須用新增來彌補這一損耗。
意義：Churn 提醒我們在許多系統里不進則退。如果每年有固定比例的客戶 / 用戶 / 員工離開，那麼即使要保持原状，也需要持續補充。同紅皇后效應類似，你需要拼命奔跑才能留在原地。理解流失率可以幫助企業制定保留策略和獲取新客戶的策略平衡。如果忽視流失，可能出現 “漏斗效應”，即新增再多，底部流失殆盡，最終無增長。
例子：一家訂閱制軟件公司每年有 10% 的客戶取消訂閱（流失）。如果它不新增客戶，每年收入便會下降 10%。只有每年新增客戶數達到流失數才能維持持平，超過才能淨增長。因此，該公司必須投入一部分資源防止客戶流失（提高滿意度、忠誠度），一部分資源獲取新客戶。再如，社交媒體平台需要不斷吸引年輕用戶補充，因為老用戶可能隨著時間興趣轉移或流失。
適用場景：凡是涉及用戶群、客戶群或人才團隊的組織，都應跟蹤 “留存率 / 流失率”。在人力資源管理中，公司每年人員流失需要招聘相應數量新人以維持規模；在市場營銷中，計算客戶生命周期價值時考慮流失概率；在個人關係上，也可以認識到朋友交往需要 “增量” 投入維持，否則關係可能隨著時間淡化流失。

018/100 大數定律 (Law of Large Numbers) ：#

定義：概率論基本定理之一，指隨著試驗次數趨於無限，觀察到的平均值會逐漸接近理論期望值。簡單來說，樣本數越大，結果越穩定可靠。與之相反的是 “小數法則” 誤區 —— 少量觀察就草率得出總體結論。
意義：大數定律告訴我們統計規律在大量重複下才顯現。在決策中，這意味著不要被小樣本波動所誤導。對於投資者或經營者，小樣本業績可能純属運氣或偶發，大樣本長期業績才能體現真實水平。因此芒格格外強調長期和多次的考察，而非一次兩次的結果。同時，大數定律也奠定了保險、賭場等行業的數學基礎 —— 他們靠大量重複博取微小優勢賺錢，因為結果可預測。
例子：拋硬幣 10 次可能 7 次正面 3 次反面，比例偏離 50%；但拋 1000 次，正反大致接近各一半。這是大數定律在起作用。又如，一支投籃命中率 50% 的籃球運動員，在某場短時間內可能 10 投 1 中或 9 中，這都可能發生，但若看整季上千次投籃，其命中率就會非常接近 50%。投資領域也是，一位基金經理短期超額收益不一定說明水平高，可能只是運氣；而經過 20 年市場檢驗持續領先，才更可信。

019/100 正態分佈（鐘形曲線）(Bell Curve/Normal Distribution) ：#

定義：大量獨立隨機因素疊加導致的統計分佈，其圖形呈鐘形對稱曲線。在正態分佈中，數據集中於平均值附近，偏離越大概率越小。例如身高、血壓在大樣本人群中常近似正態分佈。
意義：認識正態分佈重要在於明白大多數普通現象符合 “中庸多數、極端少數” 的模式。對於符合正態的事物，我們可以用平均值和標準差基本刻畫整個分佈，從而算出發生極端值的可能性。例如產品質量、產量誤差通常服從正態，這樣企業能算出合格率等指標。然而，同樣重要的是識別哪些現象不服從正態，以免錯誤套用。芒格特別提醒，有些社會和經濟現象屬於 “厚尾”（極端事件概率比正態高），不能掉以輕心。
例子：人的身高基本服從正態分佈，平均值附近最多，特別高或特別矮的人非常少見。假如男性平均身高 175cm，標準差 7cm，那麼高於 189cm（≈平均 + 2σ）的不到總體的 2.5%，低於 161cm（≈平均 - 2σ）的也約 2.5%。這可以指導服裝企業生產合適比例的各號型服裝。反例：財富分佈並非正態，而更接近幂律分佈，所以用平均值描述個人財富並無意義，中位數更能代表多數人情況。
適用場景：在質量控制、測量誤差分析、自然現象統計等接近正態分佈的情形下應用。如工廠測量產品尺寸，若多次測量值服從正態，就可估計出品率和置信區間。研究實驗數據常假設誤差正態分佈，從而應用 t 檢驗等統計推斷方法。但必須謹慎識別哪些數據可以近似正態，哪些有偏態或厚尾，以採用正確的模型。

020/100 幂律分佈 (Power Law) ：#

定義：一種統計分佈形式，其中一部分值非常大且稀少，而大多數值相對小但常見，符合 P (X> x ) s i m x − α 的規律。幂律沒有明顯平均值意義，常被稱作 “二八法則” 或 “長尾分佈” 的數學基礎。
意義：許多自然和社會現象遵循幂律而非正態。例如城市人口分佈、小部分明星佔據多數關注度等。理解幂律分佈可以解釋馬太效應（富者愈富、強者恆強）的由來 —— 優勢會按幂律擴大。對企業來說，市場份額、客戶價值往往呈幂律，少數 “大客戶” 貢獻主要收入，所以要特別關注頭部客戶。對個人來說，幂律提示回報不均衡：也許 100 個項目中就一個帶來巨額收益。因此，在創新和投資領域，要容忍多數嘗試平平無奇，但把握住那極少數爆發式機會。
例子：地震震級遵循幂律 ——8 級地震比 7 級強 10 倍，比 6 級強 100 倍。城市規模也是幂律分佈，全球極少數大都市聚集了巨量人口，而絕大多數城鎮規模較小。互聯網流量亦如是，極少數的網站獲取了絕大部分流量。又如創投領域，投資 10 家公司也許 9 家平淡無奇，只有 1 家成為獨角獸，但這一家帶來的回報遠超其它總和。
適用場景：在涉及長尾現象和不均衡分佈時需用幂律思維而非正態思維。例如，社交媒體粉絲互動，多數內容反響一般，少數爆款引發海量傳播；商業中應識別幂律特徵的銷售（20% 的產品帶來 80% 銷量）以優化產品線。運營大型系統時，也要防範幂律分佈下的極端事件（如金融市場的黑天鵝）。

021/100 厚尾分佈 (Fat-Tailed Processes) ：#

定義：相對於正態分佈而言，“厚尾” 指分佈尾部的概率遠高於正態預測，意味著極端事件發生的頻率大大高於直觀預期。這種分佈常見於複雜社會經濟系統，即塔勒布所稱的 “極端斯坦 (Extremistan)” 情境。
意義：厚尾分佈提醒我們不要低估極端事件的概率。在厚尾世界中，風險和機會都可能突然以巨大的規模出現。傳統統計在這裡容易失靈，比如根據近幾年平穩數據計算風險可能嚴重低估潛在極端損失。認識厚尾有助於改進風險管理 —— 需要設計更強的緩衝和保險來應對小概率大衝擊事件。同時，它也告訴我們在厚尾環境下，平均值意義不大，中位數和分位數更能反映典型情形。
例子：金融市場收益分佈具有厚尾，股市崩盤（如 1987 年黑色星期一跌 30%）在正態模型中幾乎不可能，可現實中確有發生。互聯網內容傳播也是厚尾的：極少數帖子病毒式傳播獲得百萬閱讀，而大多數帖子閱讀量很低。對於厚尾現象，用一般經驗 “極端很罕見” 會失準，必須承認 “黑天鵝” 會比想像常見。
適用場景：金融投資、保險精算、自然災害管理等領域，要假設損益分佈厚尾，預留更高安全邊際。大型工程（如核電站、航天）設計時考慮極端事故的不可忽視概率，不能簡單按正態 99.9% 可靠度設計，而要有冗餘。對於數據分析人員，在識別出厚尾分佈後，應選用適當的統計模型（如 Paretian 分佈）而非正態模型來預測和推斷。

022/100 貝葉斯更新 (Bayesian Updating) ：#

定義：以 18 世紀數學家托馬斯・貝葉斯命名的一種概率推理方法。其核心是先驗概率結合新證據後，產生修正的後驗概率。每當獲得新信息，就依據貝葉斯公式調整對事件的信念概率。
意義：貝葉斯思維提供了一個動態、漸進修正認知的模型。現實世界信息不完美，我們往往有預先判斷（先驗），當新數據出現時，需要像貝葉斯那樣及時更新信念。這比僵化地堅持原有信念或輕易全盤推翻更合理。芒格認為，在非確定性世界，我們應不斷根據證據修正決策，這正是貝葉斯方法的精神。應用貝葉斯可以提高決策質量，避免過度依賴初始印象或最新信息，而是平衡新舊信息得出理性判斷。
例子：醫生診斷疾病時，會先考慮常見病的先驗概率。例如發燒咳嗽，更可能是普通流感而非肺炎（先驗）。但如果 X 光發現肺部陰影（新證據），他會用貝葉斯方法更新判斷，肺炎的概率就大幅提高。投資者判斷一家公司前景，可能先有基本面分析的看法（先驗），當行業突發利好消息（證據）時，會更新其盈利預期的概率分佈。
適用場景：醫療診斷、機器學習（貝葉斯推斷是重要算法）、司法推理（根據新證據更新對嫌疑人的懷疑程度）等。日常決策中，例如招聘時先根據簡歷對候選人有印象，然後通過面試反饋更新評價；或者我們對天氣的看法會根據新的氣象數據不斷調整。任何需要逐步修正判斷的情境，都可以借鑒貝葉斯的邏輯，多一分靈活，少一點成見。

023/100 均值回歸 (Regression to the Mean) ：#

定義：在一個帶有隨機性的系統中，極端偏離平均的現象往往會隨後朝平均值方向回歸。換言之，非常好的或非常差的表現，下一次大概率會較為平常。這是統計學和概率論中的常見現象，源於隨機波動。
意義：人們容易被連續的極端表現誤導，認為趨勢會無限持續，但均值回歸提示不可持續性：運氣不可能一直極好或極壞，表現終將回歸常態。這在投資和體育中尤其常見 —— 超級明星球員的 “冠軍魔咒”、公司業績的周期波動等。認識到均值回歸，有助於我們調整預期，避免在峰值或谷底時作出過度反應的決策。同時，它也提醒我們在判斷因果時要謹慎 —— 有時明顯的改善或惡化只是自然回擺，而非採取措施的結果。
例子：體育雜誌封面魔咒：往往上了封面的運動員下一季成績下滑。這並非雜誌帶來壞運，而是因為只有當球員處於巔峰（極端高於均值）才會上封面，之後回歸正常水準顯得像 “表現變差” 了。投資中，公司連續幾年高速增長後通常難以維持同樣增速，增長率會回落到行業平均水平。對於賭徒也是，走了一陣好運氣贏錢，繼續賭下去大多會回吐部分利潤，因為不可能一直幸運超出平均勝率。
適用場景：在評估績效、制定激勵時考慮均值回歸。例如銷售團隊中，對連續業績最差者簡單 “末位淘汰” 未必公正，因為部分人可能下期自然回升；對連續業績最優者過度獎勵也要謹慎，因為下期可能回落。科研分析時，遇到異常值要意識到均值回歸可能，而不是立即賦予特殊意義。總之，任何包含運氣成分的系統中，都應預料到高處不勝寒，低谷不會永久。

024/100 數量級思維 (Orders of Magnitude) ：#

定義：用指數尺度（通常以 10 為底）來估計和比較數量的大小級別。例如將 1, 10, 100, 1000 分別視為不同數量級。數量級思維關注大致的數量層次而非精確數值。
意義：在解決複雜問題時，往往無需精確計算，判斷數量級即可獲得可行的近似答案。費米推算就是典型例子：通過拆解問題，粗略估計每一部分的數量級，從而得到結論。芒格也提倡 “養成數量級上的感覺”，這讓我們不會被細節淹沒，能快速分辨出重要的層次區別。對於決策者而言，關心的是 10 萬還是 100 萬這樣的量級差異，而不是糾結於 105 萬還是 106 萬的細微差別。數量級思維也能幫助識別不切實際的計劃（如果所需資源數量級遠超可用資源，就應及時調整）。
例子：經典的 “費米問題”：估算洛杉磯有多少鋼琴調音師。無需逐個統計，只需做數量級近似：洛杉磯人口約 1000 萬，每多少人有一架鋼琴？每架鋼琴每年調音次數？每個調音師每年能調多少琴？通過這些估計，很快可得出鋼琴調音師的數量級為幾十人而非上千人。這個過程不求精確，但數量級上是正確的。再如，判斷一個創意是否值得追求，可能看潛在市場是億美元級還是千億美元級，即可決定投入力度。
適用場景：當面對缺乏完整數據或需要快速決策的情況，用數量級估算給出可行答案。如商業策劃中快速估計市場容量、科研中粗算某實驗條件可行性（比如需要的能量是否數量級上可達到），還有日常生活中評估開銷（如裝修預算是幾萬還是幾十萬）。數量級思維是一種高效簡潔的定性定量結合方法，幫助我們把握問題的規模。

3. 系統思維模型（20 個）#

025/100 規模效應 (Scale) ：#

定義：系統的性質和行為會隨規模改變。當系統規模放大或縮小時，其特性可能發生質變。小規模有效的方案，大規模不一定有效，反之亦然。
意義：理解規模效應有助於我們跨尺度思考問題。很多線性外推會在大規模時失效，因為出現規模不經濟或複雜性激增。例如，企業小時靈活創新，但變大後官僚低效；化學反應在不同體量下可能路徑不同。芒格強調在分析系統時要有數量級概念（與前述數量級思維相關），時刻估量我們關注的現象是在什麼尺度上。規模效應還告訴我們不要盲目追求 “大” 或 “小”，而是找到適宜規模。
例子：某工作室 5 個人合作可能很順暢，但擴張到 50 人時，溝通協調成本飆升，效率反而下降（規模導致複雜性增加）。再如，城市規模擴大通常帶來經濟效益（規模經濟），但當城市過大時也會出現交通堵塞、住房緊張等規模不經濟問題。化學工廠放大實驗也發現，小試成功的工藝，擴大 10 倍體積可能由於傳熱傳質條件變化而失敗。
適用場景：公司管理中，決定組織架構和團隊大小時考慮規模效應，以免部門過大難以管理；政策制定時，小國可行的政策大國未必適用，反之亦然；工程設計上，小模型驗證後放大要注意非線性變化。總之，遇到跨尺度的問題（比如成長、擴張、縮減）時，一定要重新評估系統行為，不可線性外推。

026/100 收益遞減規律 (Law of Diminishing Returns) ：
定義：在保持其他要素不變的情況下，連續增加某一投入，其邊際產出最終會下降。簡單說，當你不斷投入更多，同等幅度的投入帶來的增量效益會越來越小，甚至可能變為負效益。
意義：遞減規律是經濟學基本原理之一。它提示我們適可而止的道理 —— 投入並非越多越好，超過某點後效率降低。對於資源配置，這一規律幫助找到最優投入水平，超過此水平就是浪費甚至有害。此外，在生活和決策中也有類似情況：努力過度反而事倍功半。芒格在談論激勵或學習時，會提醒不要過猶不及。理解這個規律可以防止投入資源的誤區，優化成本收益比。
例子：農夫在土地上施肥，開始時肥料增加糧食產量提升明顯，但超過一定量後，再加肥料可能對產量提升很小甚至燒壞莊稼（負效益）。企業研發預算也是，投資一定金額創新顯著，但投資翻十倍未必帶來十倍成果，可能由於組織效率下降而邊際創新產出降低。個人學習也是如此，每天學習 8 小時可能收穫很大，但持續學習 16 小時可能因為疲勞，後 8 小時效率極低甚至記不住東西。
適用場景：經濟學和商業決策中廣泛應用。如確定廣告預算，投放到某一規模後新增廣告帶來的客戶漸少，就該止步。生產管理中優化原料和人力投入，避免盲目擴張。個人安排時間也可借鑒：把時間合理分配到各任務上，而不是在單一任務上投入過多導致其他方面荒廢。凡投入產出關係存在拐點的領域，都應識別並遵循收益遞減規律。

027/100 帕累托原則 (Pareto Principle) ：#

定義：即著名的 “二八定律”—— 在很多情況下，80% 的效果來自 20% 的因素。最初是意大利經濟學家維爾弗雷多・帕累托發現 20% 的人口擁有 80% 土地，引申到廣泛領域的經驗法則。
意義：帕累托原則強調不平衡的分佈格局，提醒我們找出最重要的少數關鍵因素。運用該原則，可以將精力聚焦在產生最大影響的 20% 事項上，提高效率。在管理和決策中，它幫助區分主次、抓住重點。同時，帕累托分佈其實是幂律分佈的一種，反映了很多自然和社會現象的 “頭重尾輕”。芒格常引用帕累托原理來說明抓主要矛盾、找關鍵驅動因素的重要性。
例子：公司 80% 的利潤可能來自 20% 的拳頭產品；20% 的客戶貢獻了 80% 的銷售額（因此識別和服務好這 20% 客戶極為重要）。學術上，自己 20% 的高效時間里完成了 80% 的工作量。家庭中，可能有 20% 的衣服被你穿了 80% 的時間。
適用場景：時間管理 —— 將最寶貴時間用於少數高產出任務。產品管理 —— 重點開發和維護那 20% 明星產品。客戶關係 —— 識別大客戶或忠誠客戶重點維護。質量管理中，也有類似 “關鍵少數” 理念：少數幾類缺陷造成多數問題（Juran 提出的質量帕累托分析）。總體來說，在資源有限情況下，把資源集中在關鍵少數處能取得最大效益。

028/100 反饋回路與穩態 (Feedback Loops & Homeostasis) ：
定義：反饋回路分為正反饋和負反饋。正反饋是輸出放大輸入，A 引起 B，B 又進一步增強 A；負反饋則是輸出抑制輸入，維持系統平衡。穩態（自我平衡）系統通過負反饋將變化拉回平衡，如人體體溫調節。
意義：反饋機制是複雜系統行為的核心。正反饋可以導致指數增長或失控，如雪球越滾越大（也包含複利效應）。負反饋則賦予系統穩定性，讓其對抗外界干擾恢復原狀。理解反饋回路可以幫助我們預測系統動態行為 —— 為何有些趨勢加速，有些最終趨穩或振盪。此外，它教會我們系統思考，即看到事物之間循環因果，而非線性因果。例如，經濟中的繁榮 - 蕭條循環就包含多重反饋作用。掌握反饋概念對政策制定和企業管理也很關鍵，避免一刀切干預破壞有益反饋。
例子：麥克風靠近音箱產生啸叫是正反饋 —— 微小噪音被音箱放大再傳回麥克風，不斷增強。股票市場的泡沫也是，人們因漲而買進（正反饋推動更漲），終至失控崩盤。負反饋例子：恆溫器工作原理，溫度高於設定值時空調降溫，低於時加熱，從而維持恆定溫度。生態系統如草原上狼和鹿，狼多則鹿減少，鹿少則狼餓死減少，狼減少又使鹿恢復，這也是負反饋維持平衡。
適用場景：在控制系統設計中應用負反饋原理，如自動駕駛儀、供應鏈庫存管理，都需要負反饋來校正偏差。經濟調控兼顧正負反饋效應：如經濟過熱通過負反饋政策（加息降溫），經濟過冷則刺激（減稅正反饋）擴大需求。企業內部，績效反饋也有正負回路 —— 正激勵優秀團隊使其更優秀，負反饋則糾正偏差行為。在人際互動中，積極反饋（表揚）會加強好的行為，負面反饋（批評）可抑制不良行為。理解反饋讓我們更好地引導系統朝期望方向發展或維持穩定。

029/100 混沌動力學（初始條件敏感）(Chaos Dynamics) ：#

定義：混沌理論指出，在高度非線性的系統中，初始條件的微小差異會導致迥然不同的結果，即著名的 “蝴蝶效應”。這類系統的行為難以長期預測，即使完全確定性的規則下（非隨機），也表現出近似隨機的混沌現象。
意義：混沌動力學提醒我們預測的局限性。在天氣、股市等系統中，長期預測幾乎不可能，因為我們無法無限精確地測量初始狀態，細微誤差經由混沌放大後使結果天差地別。這與傳統可預見論相反，讓人更謙卑地面對複雜系統。此外，混沌還意味著模式和周期可能突然轉變，沒有簡單規律。對策是關注穩態和極端，而非精確預測。芒格涉及混沌思想主要在強調複雜性時，會提示不要過度自信預測。
例子：天氣系統就是混沌的典型 —— 氣象學家即使用完整物理規律模擬，也因為初始條件難以測準，導致天氣預報超過一定天數後準確率急劇下降。另一個例子是擺動的雙擺，它遵循確定力學定律，但運動軌跡對初始推力極其敏感，很快表現出難以預測的複雜運動。經濟和社會系統里，小事件引發的巨大連鎖反應也可視為混沌效應，如一家公司破產（小擾動）通過供應鏈導致行業震蕩甚至經濟危機（巨大結果）。
適用場景：認識到混沌，在長期規劃和風險管理中要考慮 “不可預測性”。如投資時不迷信長期精確預測，而是注重資產配置的穩健；政策上盡量提高系統韌性，因為無法精確預知未來變化。科技研究中，區分系統是混沌還是隨機很重要，混沌系統可通過了解結構找到某些可控參數，但仍要接受其不可預測性。總體而言，混沌模型在流體力學、氣象學、動態系統分析上有應用，對一般決策者則起警示作用：在某些複雜問題上，“精確預測” 不如建立彈性和適應性。

030/100 累積優勢 (Preferential Attachment / Cumulative Advantage) ：#

定義：又稱馬太效應，指領先者由於已有優勢而更容易獲得額外優勢，從而使領先地位持續或擴大。例如，“贏家通吃” 市場中，領先企業吸引更多客戶，進一步鞏固領先。
意義：累積優勢解釋了很多不均衡現象的成因。它說明成功會自我強化，不僅在財富、名望領域，在科學、網絡效應等方面也存在。這一模型讓我們理解強者恆強背後的機制，並在策略上預見潛在的壟斷或馬太效應的後果。對後來者來說，則意味著單靠線性努力很難追趕，需要找到差異化路徑或等待新的環境變化打破既有循環。芒格在談論網絡效應和競爭優勢時，常提及這種 “滾雪球” 效應。
例子：社交平台有強網絡效應 —— 用戶越多的平台越有價值，因此先做大的 Facebook 幾乎壟斷市場，新平台很難撼動（除非提供全新的差異化功能）。學術界也有累積優勢：有名望的科學家更易拿到經費和發表論文，這又進一步提升其聲譽。財富分配更是明顯：有資本者能投資獲利擴大資本，無資本者難以起步。
適用場景：市場分析中，識別累積優勢效應可預測行業格局是否會走向寡頭壟斷；創業時，如果進入存在巨頭的領域，要考慮網絡效應壁壘，或選擇可避開其累積優勢的細分市場。組織內部，人際關係中，注意到 “成功帶來更多機會”，管理者可有意給新人機會以破除內部的過度累積效應。政策制定上，教育、扶貧等就是為了減輕社會馬太效應，避免兩極分化過度嚴重。

031/100 涌現 (Emergence) ：#

定義：下層簡單元素的相互作用會產生高層次的新性質，這種性質在單個元素中不存在，也無法通過簡單加總預測，稱為 “涌現”。涌現行為通常是非線性的、不可預測的。
意義：涌現告訴我們整體大於部分之和。在複雜系統（如大腦、社會、生态）中，新涌現的整體屬性需要整體性視角才能理解，不能只拆解成局部分析。這提醒決策者和研究者要注意系統整體行為，而非僅關注元素本身。芒格推崇多學科交叉，本質也是承認知識領域交匯時會涌現新的洞見。認識涌現還可避免 “還原論” 的局限：不能僅靠研究細胞來完全解釋意識，或僅靠單個消費者行為預測市場走勢。
例子：水分子本身沒有 “濕” 這個屬性，但大量水分子一起就涌現出濕的宏觀性質。又如，螞蟻個體智能極低，但螞蟻群體通過簡單訊號互動竟能構建複雜蟻丘、找到最短食物路徑，這是群體智能的涌現。金融市場也是，