这本书的第一件事不是教你什么，而是先让你在三个地方翻车。请不要算——就用你现在脑子里第一个冒出来的数。翻车是安全的：这里没人看着你，也不记分。
三道题的正确答案分别是：约 9%、约 51%、约 49%。
如果你三道全中，恭喜——你要么学过，要么已经被这些题坑过。如果你至少错了一道（绝大多数人错两道以上），那正是这本书存在的理由：这三个错误不是「粗心」，它们是三种有名字、有结构、可以被预测的系统性偏差。知道它们叫什么，你下次就能认出来。
先说一个让人稍微好受些的事实：你的大脑在概率上并不是全面失灵的。它在某些概率任务上快得惊人——你能一眼判断出该不该横穿马路，能听出朋友语气里「事情不太对」的那一丝可能性。这些都是概率判断，而且做得相当好。
失灵发生在特定的地方。一个被广泛接受的解释大致是这样：我们的祖先从环境里获得的信息，形式是一次次亲身遭遇的计数——「这片林子我去过十几回，有三回碰上蛇」。这种格式叫natural frequencies（自然频率）。它天然带着分母，天然记录着基础率，天然是可以直接相加的整数。
而「假阳性率 9%」「灵敏度 90%」这种格式——单个事件的百分比——在人类历史上出现不过几百年。它把分母藏了起来。而分母，恰恰是这三道题里唯一重要的东西。
第二种说法里，答案几乎是自己走出来的——你甚至没意识到自己在做贝叶斯推断。这就是本书的方法论支柱：凡是能用「1000 人里有几人」讲清楚的，绝不写成公式。公式不是解药，公式常常正是病因。
刚才那三道题，各自对应一个具体的、有名字的直觉故障。
① 是 base rate neglect（基础率忽视）：你盯着「检测有多准」，忘了问「这病有多罕见」。健康人基数太大，哪怕误报率很低，误报的绝对人数也能压倒真阳性。
② 是配对数的低估：你下意识算的是「有人和我同生日」，但题目问的是「任意两人同生日」。23 个人能组出 253 对，不是 22 对。人类对「成对关系随人数平方增长」几乎没有直觉。
③ 是 gambler's fallacy（赌徒谬误）：轮盘没有记忆，也没有「补偿」的义务。你脑子里那个「总数该平衡一下了」的声音，是在把长期频率的稳定误当成短期内的自动纠偏。
这三个名字就是本书的形状。给谬误起名字，是为了让它在下一次出现时能被认出来——认出来，就已经解决了一大半。
下面这个「直觉误差计」把刚才三道题摆在一起。切换场景，拖动滑块放上你的直觉答案，它会和真实答案并排显示，并把差距算出来。默认场景（体检阳性）里，最常见的直觉答案是 90%，真实答案是 9.2%——差 80.8 个百分点。另外两个场景的真实答案：23 人生日题 50.7%，轮盘连红后开黑 48.6%（欧式轮盘 18/37，和前五把毫无关系）。
1% 的人患病，检测灵敏度 90%、假阳性率 9%。体检查出阳性——你真的患病的概率是？
真实答案摆成 100 个人的样子：
错在哪：基础率忽视——你盯着检测多准，忘了问这病多罕见。健康人基数太大，误报的绝对人数压倒了真阳性。
三个场景的共同点值得留意：直觉的错误方向是有规律的。检测题里直觉严重高估，生日题里严重低估，轮盘题里被「该轮到黑了」的错觉推偏。它们不是随机的噪声，而是三种可以提前预判的系统性偏移——这也正是它们可以被学会、被防住的原因。
1980 年代，Amos Tversky 与 Daniel Kahneman 给受试者读了这样一段描述：
然后问：下面哪个更有可能？
绝大多数人选了 B。但 B 是 A 的子集——所有满足 B 的 Linda 都满足 A，而满足 A 的 Linda 不一定满足 B。一个集合不可能比包含它的集合更大，所以 B 的概率在数学上不可能高于 A。这个错误有个名字：conjunction fallacy（合取谬误）。
这个案例之所以放在导读，是因为它一次讲清了本书的三个前提。第一，直觉的失灵和聪明程度无关——受过统计训练的人照样掉进去。第二，错误来自一个合理的心理动作：你在评估「这个描述像不像」，而不是「这个概率有多大」，而 B 显然更像那个 Linda。第三，也是最有用的一条：换个问法，错误率就掉下来——把「哪个更有可能」改成「100 个像 Linda 这样的人里，有几个是银行出纳员？有几个是参与女权运动的银行出纳员？」，多数人立刻答对，因为后一个数字明显装不下前一个。
换句话说：不是脑子坏了，是格式不对。这本书要做的，就是把每一个概率问题都翻译回大脑能处理的格式。
需要说明的是，合取谬误的实验设计后来也受到过质疑——有研究者认为部分受试者把选项 A 理解成了「只是银行出纳员、并不参与女权运动」，若如此则选 B 并不违反逻辑。这一争论至今没有完全平息。但即便在措辞被收紧、明确排除该解读的实验版本里，出错率依然显著存在，而频率格式依然能改善它——这两点是本书要用的部分。
每一章的结构都一样，因为这个顺序本身就是方法。
先猜。每章开头会逼你押一个答案。这一步不判对错，也不记录到任何地方——它唯一的作用是制造认知张力。先做出错误预测、再看到正确答案的人，记得比直接看答案的人牢。所以别跳过，也别偷偷先算。
再玩。每章至少有一个可以拖的交互实验。参数一动，图形立刻变，结论自己浮现——这比读十遍推导有效。不想拖滑块的话，每个实验都配了 2–3 个预设按钮，点一下就能看到最关键的那组对比。
后懂。核心概念一律用自然频率讲，公式只在能让事情更清楚的时候才出现。每章配一个真实案例——这些谬误不是智力游戏，它们把无辜的人送进过监狱，也让公共政策走过弯路。章末三到四道自测题，答案默认折叠，含完整推导。
关于交互：所有实验都是原生 JavaScript，没有框架、没有追踪，也不写入你浏览器的任何存储（刷新即重置，这是有意的）。如果你禁用了 JavaScript，或者读的是打印版——每个实验的默认结论都写在正文里，这本书照样能读完，不会漏掉任何一步论证。
全书读完，真正需要随身带走的东西大概只有一页纸。附录 B 直觉急救卡把每一章压缩成三行：谬误叫什么 → 症状长什么样 → 一句话解药。它可以单独打印成一页，贴在你需要做判断的地方。
先给三张，正是刚才那三道题的解药：
因为百分比把分母藏起来了。「假阳性率 9%」这句话里，9% 是对「健康的人」而言的，但这个分母（990 人）在句子里是隐形的。你要正确使用它，必须先在脑子里把它还原出来——而这一步正是大多数人漏掉的一步。
自然频率把分母写在明面上：「990 个健康人里有 89 个被误报」。一旦所有数字都落在同一个 1000 人的框架里，剩下的只是整数加法和一次除法，贝叶斯定理被消化在了叙述结构里。这也是为什么它被称为「让问题回到大脑能处理的格式」，而不是「简化」——信息量一点没少，只是分母不再隐形。
第一句是赌徒谬误：彩票不记得他买过十年，每一期的中奖概率完全独立，不会因为「欠」了他十年就补偿他。
第二句方向是对的，但要小心量级。多买多期确实提高了「至少中一次」的概率，这是真的累积——但基数太小的时候，累积也救不了。假设某玩法头奖概率是千万分之一，十年每周买一期共 520 期，至少中一次的概率约为 520 ÷ 1000 万 ≈ 0.0052%，也就是两万分之一左右。
这两句话的区别正是本书要反复讲的：独立事件不会互相补偿（谬误），但独立事件会累积机会（真的）。区分它们的方法永远是同一个——把它翻译成「多少次里有几次」。
会——而且这次选 B 完全合理。「参与女权运动」和「银行出纳员」是两个独立的类别，前者与 Linda 的描述高度吻合，后者不吻合。这里没有集合包含关系，所以判断 P(女权运动者) > P(银行出纳员) 没有任何逻辑问题。
这正说明了合取谬误的触发条件：它需要一个「不像」的成分和一个「很像」的成分被 AND 在一起。「银行出纳员」压低了相似度，「女权运动者」拉高了相似度，两者相加在直觉上产生了一个折中的、比单独的「银行出纳员」更高的「像样度」——而你误把这个像样度当成了概率。
更一般的教训：人脑在被问「概率」时，经常悄悄换成了「代表性」来回答。这个替换叫代表性启发式（representativeness heuristic），它是本书后面好几章故障的共同源头——包括 4.1 章里「随机序列应该看起来杂乱无章」的错觉。