一句话说清
贝叶斯更新是「按证据调整信念」的算法，改多少看证据的区分度。
为什么值得懂
入门篇《贝叶斯更新》给了一个体检例子，说明「阳性」不等于「患病」。但那只是它最浅的用法。这条公式真正回答的是一个更普遍的问题：手上有一个判断，来了一条新消息，我该改多少？ 医生看化验单、投资人看财报、侦探看线索、你判断「他是不是在骗我」，用的都是同一件事。学会它，你既能避免「一有风吹草动就翻盘」，也能避免「证据堆到天花板还嘴硬」。
零基础讲解
一、历史脉络：一个被冷落两百年的想法。 托马斯·贝叶斯是十八世纪的一位英国长老会牧师，生前没有发表相关论文。他去世后，朋友理查德·普莱斯整理他的手稿，1763 年以《论机会学说中一个问题的求解》为题发表在《伦敦皇家学会哲学汇刊》上（贝叶斯 / 1763 年遗作）。他解决的问题是：已知「结果」出现的次数，怎么反推「原因」的概率——这正好是今天所有推断问题的原型。
把这件事系统化的是拉普拉斯。他在《概率的哲学随笔》里给出一般形式，并用它算过太阳明天升起的概率、法庭证据的可靠性（拉普拉斯 / 《概率的哲学随笔》 / 第三章）。但拉普拉斯之后，贝叶斯方法被冷落了近两百年：二十世纪的统计学家（费希尔、奈曼、皮尔逊）发展出一整套「频率派」方法——不设先验、只看长期频率与显著性检验，成了科研的标准工具。贝叶斯方法被挤到边缘，只在密码破译（图灵在布莱切利园）、运筹与工程里偷偷活着。
翻盘发生在最近三十年。计算能力上来之后，贝叶斯方法在垃圾邮件过滤、语音识别、A/B 测试、推荐系统、因果推断里成为主力：因为它处理「新证据进来就要更新」这件事天然顺手（斯坦福哲学百科全书 / 「贝叶斯认识论」条目）。今天「贝叶斯」已经不只是一种统计方法，更是一种关于「怎么改变想法」的规范性主张。
二、公式的三种读法。 公式本身很朴素：后验 ∝ 似然 × 先验（P(H|E) ∝ P(E|H) × P(H)）。三种读法各有用途：
- 乘法的读法：先验是「看到证据前你的信心」，似然是「如果假设成立，这条证据有多容易出现」，相乘再归一化，得到后验。看见一条证据，就是把信心乘上一个系数。
- 几率（odds）的读法：后验几率 = 先验几率 × 似然比。这条最好用——假设「他有 10% 可能骗我」，先验几率是 1:9；如今出现一条证据，在「他骗我」的情况下出现概率是在「他没骗我」下的 5 倍，那么后验几率是 5:9，也就是约 36%。你不需要记公式，只需要问一句：这条证据在两种情况下的「发生率」差几倍。
- 奥卡姆剃刀的读法：复杂假设要「摊薄」它的预测能力，所以它先验上吃亏；一旦它精准命中了证据，后验又会涨回来。贝叶斯自动给「简单而准」的模型加分，这是它被科学哲学看重的原因之一。
三、关键概念与那个最著名的坑。 三个词必须分清：先验（看证据前的概率）、似然（证据在该假设下的发生概率）、后验（更新后的概率）。最容易翻车的是基率忽视：一种罕见病患病率 1/1000，检测灵敏度 99%（有病能查出来）、特异度 99%（没病不会误报），某人查出阳性，他真患病的概率是多少？多数人会说「99%」，正确答案是约 9%——因为健康人基数太大，那 1% 的误报人数比真患者的人数多得多。吉仁泽与霍夫雷格的研究显示，把概率换成「每 1000 人里有多少人」这种自然频率表述，医生与法官的判断准确率会大幅上升（吉仁泽、霍夫雷格 / 《心理学评论》1995 年）。
四、边界与争议。 四处争议值得知道：
- 先验从哪来？ 这是贝叶斯方法最老的质疑（「先验是主观的」）。应对有三条路：用历史数据等「客观先验」、用无信息先验（尽量不表态）、或用大量数据「淹没」先验——数据足够多时，先验的差别会被冲淡。
- 计算成本：真实模型的积分算不出来，要靠马尔可夫链蒙特卡洛（MCMC）等近似方法，这也是它等到计算便宜了才爆发的原因。
- 垃圾进垃圾出：贝叶斯更新只保证「按证据一致地更新」，不保证证据本身可靠、模型本身正确——错的似然一样会算出自信的后验。
- 两派之争：频率派批评贝叶斯的主观性，贝叶斯派批评 p 值体系「答非所问」（P(数据|假设) 与 P(假设|数据) 不是一回事）。近年的「可复现性危机」把这场百年争论又推到台前；实务界的做法往往是混用：先看频率派的显著性，再用贝叶斯做决策与迭代。
一个例子
把公式用在日常最典型的场景：亲密关系里的疑虑。假设你的先验是「他 10% 可能在瞒我」。今天他手机反扣、回答含糊——这条证据在「他在瞒我」时出现的概率假设是 60%，在「他只是累」时出现的概率是 20%，似然比是 3。先验几率 1:9 乘 3 得 3:9 ≈ 25%。一条模糊的证据只该让你从 10% 走到 25%，不该直接跳到「他一定有事」；而如果他连续三天出现这类行为、且每次似然比都是 3，后验就会变成 27:9 ≈ 75%——这时才值得坐下来谈。贝叶斯不是让你不动感情，而是让你把感情与证据分开放。
常见误解
- 以为贝叶斯就是「相信先验」：恰恰相反，它的重点是证据进来就必须改；先验只是起点。
- 以为阳性/命中/爆料就等于事实：忽略基率，是这类判断最常见的系统性错误。
- 以为证据越多越确定：独立的证据才叠加；同源的重复消息，其实只算一条。
- 以为它只属于统计：它是「怎么改变想法」的一般规则，日常判断、识谣、复盘都能用。
应用场景
- 生活：看到一条「研究说」的新闻，先问三句——基准概率是多少、这条证据在「真的」与「假的」两种情况下分别多常见、我的信心该改多少。
- 职场：项目风险评估不要只填「高/中/低」，写下先验（历史同类项目的失败率）+ 新增证据（这次调研发现的信号），后验就是可讨论的数字。
- 写作与创作：写侦探、写间谍、写商战，让角色按证据调整判断；读者能看见他改信心的过程，比「他早就知道」精彩得多。
关联知识点
- 贝叶斯更新（bayesian-updating，本篇的入门篇，先读它拿体检的例子）
- 期望值（expected-value，概率确定之后怎么算得失）
- 确认偏误（confirmation-bias，为什么人只找支持自己的证据）
- 信息不对称（information-asymmetry，为什么一方比另一方更清楚似然）
- 相关与因果（correlation-causation，证据的方向常常被搞反）
- 疾病与诊断（disease-and-diagnosis，基率忽视代价最大的地方）
- 所属主线：风险与概率、因果与系统