รีวิว Thinking Fast & Slow || Done Author || Daniel Kahneman โดยคุณ Tossasat Rattanopassakul

ที่มา https://www.facebook.com/photo/?fbid=4291710280845913&set=a.185309461486036

Thinking Fast & Slow || Done
Author || Daniel Kahneman

หนังสือในตำนานที่ได้รับคำเตือนอย่างล้มหลามว่าอ่านยาก อ่านเหนื่อย แต่ก็เป็น Wish List ของเราเลย เพราะ แดเนียล คาเนมาน คือผู้ที่ถูก refer จากนักเขียนที่เราชอบมากๆ หลายคน (จริงๆแล้ว ทฤษฎีที่ทำให้แดเนียลได้รับรางวัลโนเบลในปี 2002 คืองานเขียนที่ถูกนำไปใช้อ้างอิงมากที่สุด ทั้งในแวดวงจิตวิทยา และ เศรฐศาสตร์) Thinking Fast & Slow ถูกตีพิมพ์ในปี 2011 และเป็นเหมือนปฐมบทของหนังสือจิตวิทยาทั้งปวง ถึงแม้หนังสือสายนี้จะมีเนื้อหาทับซ้อน ซ้อนทับกันปานใดก็ตาม แต่ถ้าชอบสายนี้ ยังไงก็ต้องอ่าน เพราะเป็นเหมือนการเข้าใจ pure theory ก่อนที่จะแตกแขนงไปสู่ many fancy executions

และคำเตือน... ย่อแล้ว นี่ย่อมากๆแล้วจริงๆ แต่ยาวมาก ยาวที่สุดที่เคยย่อมาให้กลั้นใจแล้วอ่านต่อไปได้เลย

หนังสือเริ่มต้นจากการสังเกต​ว่า ทำไมคนเรามักจะตอบคำถามทางสติถิได้ไม่ถูกต้อง ความสงสัยนำไปสู่การคาดการณ์ว่า สมองของมนุษย์น่าจะมีระบบปฏิบัติการ 2 ส่วน และส่วนที่เกี่ยวข้องกับการคำนวนและเปรียบเทียบนั้นทำงานได้ช้ากว่าและไม่ได้ทำงานอยู่ตลอดเวลา ในขณะที่สมอง​ส่วนที่เกี่ยวกับการเอาชีวิตรอดพื้นฐาน การมองเห็น สังเกตุ​ จดจำ และตัดสินใจนั้น ทำงานอย่างรวดเร็วอยู่ตลอดเวลา เราจึงใช้สมองส่วนความทรงจำตอบคำถามออกไปก่อนที่จะได้คิดวิเคราะห์​อย่างจริงจัง

การค้นพบเล็กๆนี้คือจุดเริ่มต้นสำคัญ ว่าระบบความคิดของมนุษย์นั้น ทำงานผ่านระบบปฏิบัติการ 2 ส่วน

[ พาร์ท 1 ]
system 1 คือระบบออโต้ไพลอท ที่ทำให้ร่างกายดำเนินไปตาม ‘ธรรมชาติ’ -​ (สัญชาตญาณ​การเอาชีวิตรอด)​ หรือเหตุการณ์​ที่คุ้นเคยจากการทำซ้ำๆจนเป็นลักษณะ​นิสัย (habit)​ โดยไม่จำเป็นต้องผ่านการคิดวิเคราะห์ แต่เมื่อใดก็ตามที่เกิดเหตุ​การณ์​ที่ไม่อยู่ในสารบบของลักษณะ​นิสัยอันคุ้นเคย สมองจะทำการเปิดระบบ system​ 2 ขึ้นมาทำงานทันที ในขณะที่ใช้งานระบบนี้ สมองจะต้องใช้พลังงานเป็นอย่างมากเพื่อรวบรวมสมาธิและประมวลผล และทำให้เราอยู่ในสภาวะ ‘รู้ตัวอยู่ตลอดเวลา’ เพื่อทำภารกิจอย่าง การควบคุมตัวเองให้สุภาพเรียบร้อบ ระแวดระวังภัย จดจำชุดข้อมูล ไปจนถึงการคิดคำนวนและการเปรียบเทียบ

และเนื่องจาก system 2 นั้นใช้พลังงานมหาศาล จึงมีข้อจำกัด 3 ข้อ
1 - สมองจะไม่สามารถใช้งาน system 2 สองงานพร้อมๆกันได้ [ เช่น จดจำชุดตัวเลขและคำนวณผลคูณในใจต่อกันหลายชุด สมองต้องค่อยๆสลับหน้าที่ ทีละลำดับไปอย่างเชื่องช้า หรืออาจจะถึงกับทำให้เราต้องหยุดกิจกรรมอื่นๆใน system 1 เช่น หยุดเดิน หรือหยุดฟัง ซึ่งก็คือการลดภาระในการทำงานของสมองลง ]
2 - ถ้าเราใช้พลังงาน (กลูโคลส) ไปจนหมด สมองจะไม่สามารถใช้ system 2 ต่อไปได้
3 - ทำให้ร่างกายพยายามใช้ system 2 ให้น้อยที่สุด

ดังนั้น ในช่วงเวลาที่ต้องใช้ความคิดมากๆ เรามักต้องการให้หยุดกิจกรรมอื่นๆ หรือความวุ่นวายรอบๆตัวลง หรือเมื่อเราใช้สมองอย่างหนักจนรู้สึกเหนื่อยล้า การกินกลูโคลสจะช่วยให้รู้สึกกระปรี้กระเปร่าขึ้น ในขณะเดียวกัน เราก็มักจะหงุดหงิด หรือโมโหง่าย ในช่วงเวลาที่ใช้สมองหนักหน่วง [ ตึงเครียด ] เนื่องจากเรากำลังใช้ system 2 ทำงานบางอย่างอยู่ system 2 จึงลดการทำหน้าที่ ‘ควบคุมตัวเองให้มีมารยาท' ลง

ความน่าสนใจก็คือ system 1 นั้นทรงพลังมากกว่าที่คิด สมองของเราเกิดการรับรู้ ประมวลผล และสร้างความเชื่อมากมายที่เราไม่ทันรู้ตัว (และไม่สามารถควบคุมได้) ผ่านการเชื่อมโยงข้อมูลทั้งหมดที่เราเคยรับรู้เข้าไว้ด้วยกันเหมือนร่างแห เช่น เมื่อเราเห็นคำว่า อาหาร เราอาจนึกถึง ไก่ย่าง ต้มยำ หรืออาหารที่เราชอบทันที และไม่ใช่แค่นั้น สมองของเรายังนึกไปถึง กุ้งตัวโตๆ ข่า ตะไคร้ ใบมะกรูด กลิ่นหอมของมะนาวในต้มยำอีกด้วย

และที่น่าขนลุกยิ่งกว่านั้น การนึกถึงมีผลต่อพฤติกรรม​ของเราอย่างไม่น่าเชื่อ [ เช่นตอนนี้คุณอาจจะกำลังรู้สึกหิว ] - คนที่ต้องเล่นเกมสะกดคำ ที่เต็มไปด้วยคำที่เกี่ยวกับคนแก่จะเคลื่อนที่ช้าลง - หรือแม้แต่การได้เห็นรูปเงินจำนวนมากในภาพแบคกราวน์ของคอมพิวเตอร์ทั้งวัน ทำให้คนเห็นแก่ตัวมากยิ่งขึ้น (Priming Effect)

system 1 จะถูกกระตุ้นโดยสารที่ได้รับซ้ำๆ ความรู้สึกปลอดภัย หรือการมีความสุข - ในทางตรงกันข้าม ความเศร้า หรือรู้สึกไม่ปลอดภัย ก็จะกระตุ้นให้ system 2 ทำงาน

เหตุการณ์ที่เกิดซ้ำ (ถึงแม้ว่าจะบังเอิญ) จะถูกบันทึกให้เป็น ‘เรื่องปกติ’ ใน system 1 เมื่อเกิดเหตุการณ์นั้นขึ้นอีก system 2 จะไม่ทำงาน และยิ่งตอกย้ำความ ปกติ ให้มากขึ้น - การได้รับสารในรูปแบบของเรื่องเล่าก็สามารถถูกบันทึกลงใน system 1 ได้เช่นกัน

system 1 จะรีบข้ามไปยังข้อสรุปให้เร็วที่สุด โดยพยายามหาเหตุผลที่ดู ‘สมเหตุสมผล’ มากที่สุด (ไม่ใช่หาเหตุผลมาสนับสนุนให้มากที่สุด) - โดยจะพยายามคาดเดาและสรุปเรื่องราวจากข้อมูลบางอย่างที่ได้รับมาไม่ว่าจะน้อยเพียงใด มากกว่าที่จะขอข้อมูลเพิ่ม หรือตั้งคำถามว่า ข้อมูลอะไรบ้างที่จำเป็นสำหรับการหาข้อสรุปนั้นๆ - เช่น มักจะรีบสรุปว่า หัวหน้าที่มาใหม่น่าจะดี เพราะเค้าฉลาดมากและมีเหตุผล - โดยที่ไม่ได้ใส่ใจขอข้อมูลเพิ่ม ( ฉลาด +เปิดเผย กับ ฉลาด +ขี้โกง นั้นต่างกันมาก)

เหตุการณ์​แบบสุ่มเกิดขึ้นในธรรมชาติ​เสมอๆ แต่ system 1 จะพยายามลดการสงสัย และหาความเชื่อมโยงของข้อมูลเท่าที่มี (WYSIATS - what you see is all that is) เพื่อรีบสรุป ‘ข้อเท็จจริง’ ให้กับทุกๆเหตุการณ์​ เพื่อคงความรู้สึกสบายใจ​ของเราไว้ (ความสบายใจทำให้ไม่ต้องใช้พลังงานเปิด system 2) - การดึงข้อมูลจากความทรงจำที่ดูจะเชื่อมโยงกันได้ขึ้นมารวมกันเพื่อสร้าง ‘เหตุผล’ ให้กับเหตุการณ์ต่างๆนั้นเป็นไปโดยอัตโนมัติ เพราะ system 1 เก็บข้อมูลไว้เป็นเครือข่ายที่เชื่อมโยงกันอยู่แล้ว ทำให้เรามักจะมองเห็นความสัมพันธ์​ของเหตุการณ์​ต่างๆ ถึงแม้ว่าส่วนใหญ่แล้วความสัมพันธ์​นั้นจะไม่มีอยู่จริง และเป็นเพียงเรื่องบังเอิญ​ก็ตาม

สุดท้าย system 1 และ 2 นั้น นอกจากจะทรงพลัง ก็อ่อนไหวอย่างไม่น่าเชื่อ ถ้าเรายิ้ม หรือใช้กล้ามเนื้อแบบเดียวกับการยิ้ม หรือแม้แต่ผงกหัวซ้ำๆ เรามันจะใช้ system 1 - ในทางตรงกันข้าม เมื่อเราขมวดคิ้ว หรือสะบัดหัวไปทางซ้ายและขวา เราก็มักจะใช้ system 2 [ จากการทดลองให้นักศึกษาทำโจทย์ทางสถิติง่ายๆ ในขณะที่รับการทดสอบกล้ามเนื้อคอ ด้วยการสะบัดหัวไปในทิศทางต่างๆกัน นักศึกษาที่สะบัดหัวไปทางซ้ายและขวา ตอบถูกมากกว่า นักศึกษาที่สะบัดหัวขึ้นลงอย่างมีนัยยะสำคัญ ]

[ พาร์ท 2 ]
หลังจากแดนนี่ปูพื้นความรู้ของ system 1 และ 2 เรียบร้อยแล้ว หนังสือจะพาเราไปดูอคติทางการรับรู้ (bias) ที่ถูกสร้างขึ้นโดยระบบทั้งสองกัน

Small Numbers - system 1 มักจะทึกทักเอาเองว่าเหตุการณ์​เฉพาะที่เราได้พบเห็น สามารถใช้เป็น ’ตัวแทน’ เหตุการณ์​ในลักษณะเดียวกันในครั้งอื่นๆได้ ถึงแม้ว่าเราไม่สามารถทำเช่นนั้นได้ตามหลักสถิติ เพราะถือเป็นกลุ่มตัวอย่างที่เล็กเกินไป

Anchoring Effect - คือ priming effect ในรูปแบบของตัวเลข (หรืออะไรก็ตามที่ system 1 สามารถแปลงเป็นระดับ มาก-น้อย ได้)​ ซึ่งการตัดสินใจของเรามักจะโน้มเอียงไปทางตัวเลขนั้น ถึงแม้ว่าเราจะรับรู้ว่าตัวเลขนั้นไม่เกี่ยวข้อง (เลขแบบสุ่ม) หรือไม่ถูกต้อง (มาก/น้อย ผิดปกติ)​ แต่เราแทบไม่สามารถหลีกเลี่ยงได้ เพราะ system 1 รับสารนั้นโดยอัตโนมัติและไม่สามารถย้อนความทรงจำกลับไปที่จุด ‘ไม่เคยรับสาร’ ได้

Representative Bias - เนื่องจาก system 1 ให้ความสำคัญกับข้อมูลเชิงคุณภาพ และมักใช้หลักการ ‘ตัวแทน’ เพื่อตอบคำถามที่ยากกว่าด้วยคำถามที่ง่ายกว่า (บริษัทจะประสบความสำเร็จมั้ย? >> ผู้นำองค์กรเก่งรึปล่าว? >> ผู้นำองค์กรดูมีสง่าราศีรึปล่าว?) หลังจากได้ข้อสรุปที่ดูเป็นไปได้ system 1 ก็จะรีบหาข้อมูลอื่นๆที่เป็นไปในเชิงบวกมาสนับสนุน (เค้าเป็นที่รักของลูกน้อง หน้าตาดี และไม่ฟุ้งเฟ้อ) และรีบหาเหตุผลเพื่อแก้ต่างว่าข้อมูลในเชิงลบนั้นไม่เกี่ยวข้อง (เค้ามีปัญหาครอบครัวแต่นั้นไม่เกี่ยวกับเรื่องงาน เค้าอาจจะฉุนเฉียวแต่นั้นก็เพื่อผลประโยชน์ของบริษัท) - จะเห็นได้ว่าคุณลักษณะในเหตุผลสนับสนุนและแก้ต่างนั้นสามารถมองให้เป็นเชิงลบได้ทันที ซึ่งนั้นก็คือลักษณะเด่นของ system 1 - การสร้าง ‘เหตุผล’ ให้กับเรื่องที่ไม่มีเหตุผล

Less is more - เมื่อ ‘ความน่าจะเป็น’ ไม่เท่ากับ ‘ความเป็นไปได้’ โดยปกติ เมื่อเพิ่มคุณสมบัติเฉพาะเข้าไปมากเท่าไหร่ [สุนัข +ตัวใหญ่ +สีดำ +มีแผลที่ตา] system 1 จะยิ่งรู้สึกว่ามี ‘ความเป็นไปได้’ มากยิ่งขึ้นเท่านั้น ที่จะเกิดเหตุการณ์ที่กำหนด [สุนัขทำร้ายคน] เพราะคุณสมบัติที่เพิ่มขึ้นทำให้การสร้างเรื่องราวดู ‘สมเหตุสมผล’ มากยิ่งขึ้น - แต่ในทางสถิติยิ่งเพิ่มคุณสมบัติเฉพาะเข้าไปมากเท่าไหร่ ก็จะยิ่งทำให้ ’ความน่าจะเป็น’ ลดลง เพราะกลุ่มตัวอย่างเป้าหมายมีขนาดเล็กลงเรื่อยๆ

Regression to mean - หรือการปรับเข้าสู่ค่าเฉลี่ยเป็นเรื่องปกติทางสถิติซึ่งอธิบายด้วยวิธีการทางคณิตศาสตร์​ ว่าเหตุการณ์​ที่ดีกว่าปกติไปมาก มักจะตามมาด้วยเหตุการณ์​ที่แย่ลง (และเช่นเดียวกัน เหตุการณ์​ที่แย่มากๆมักจะตามมาด้วยเหตุการณ์​ที่ดีขึ้น)​ ซึ่งสามารถพบตัวอย่างได้ตั้งแต่เหตุการณ์​ต่างๆในชีวิตประจำวัน การทำงาน การเดินทาง อาหารที่กิน ไปจนถึงเหตุการณ์​สำคัญอย่างการแข่งขันกีฬา แต่ system 1 ก็มักจะหาเหตุการณ์อื่นๆมาสร้าง ’เหตุผล’ ให้เหตุการณ์สุดโต่งเหล่านั้น และมักจะลงเอยด้วยการเข้าใจผิดว่าสามารถ ‘คาดการณ์’ เหตุการณ์เหล่านั้นได้ และเชื่อว่าเหตุการณ์เหล่านั้นมีโอกาสเกิดขึ้นซ้ำ มากกว่าค่าความน่าจะเป็นที่แท้จริง

ถึงแม้ว่าการค้นหา ความน่าจะเป็น หรือการ ‘คาดการณ์อนาคต’ นั้น ต้องพึ่งพาการคำนวณทางสถิติเพื่อให้ได้คำตอบที่ถูกต้อง แต่สมองไม่ได้ถูกออกแบบมาให้มองหาข้อมูลทางสถิติโดยธรรมชาติ เนื่องจาก system 1 ซึ่งเป็นระบบพื้นฐานนั้นพยายามตอบคำถามที่ยาก (สถิติ) ด้วยคำตอบที่ง่ายกว่า (ความสมเหตุสมผล) อยู่เสมอ และ system 2 ที่ให้ความสำคัญกับข้อมูลเชิง “ปริมาณ" และมีความสามารถในการคำนวณก็จะไม่ถูกนำมาใช้ตราบใดที่ system 1 ยังสามารถตอบคำถามได้ (ถึงแม้ว่าจะตอบผิดคำถามก็ตาม)

ก่อนจะข้ามสู่บทถัดไป แดนนี่ก็ให้คำแนะนำเล็กๆว่า พยายามรู้ตัวให้ได้เมื่อมีโอกาสในการเผชิญกับ illusions และ bias ด้วยตัวเอง จะทำให้เราคุ้นเคยกับการเปิด system 2 เมื่อต้องเผชิญเหตุการณ์เหล่านี้ในอนาคต (แบบเดียวกับที่ทริกของภาพลวงตาหลอกเราได้ครั้งเดียว) และพึงระลึกไว้เสมอว่า system 1 มักจะคาดการณ์ผิดพลาด และโดยมากมักจะสุดโต่งกว่าความเป็นจริง เมื่อรู้ตัวแล้วก็ใช้ system 2 หาค่า base rate เพื่อทำ anchoring จากนั้นจึงทำ regression to base rate อีกที

[ พาร์ท 3 ]
หลังจากปูพื้นทฤษฎีหลักและทฤษฎีย่อยเรียบร้อย แดนนี่ก็เปิดฉากพาร์ทสามอย่างออกรสด้วยการเปิดเผยความบกพร่องทางการรับรู้ของสมองผ่านมุมมองของการเข้าใจผิดในสาขาอาชีพต่างๆ

เนื่องจากสมองรับเข้าเรื่องราวใหม่ๆอยู่ตลอดเวลา และเมื่อข้อมูลเก่าขัดแย้งกับข้อมูลใหม่ (เช่นสิ่งที่เคยเชื่อมั่น ไม่ตรงกับสิ่งที่เกิดขึ้นจริง)​ สมอง [ ซึ่งเราจะรู้ในภายหลังว่าคือ system 1 ] จะไม่สามารถเก็บทั้ง 2 ข้อมูลที่ขัดแย้งกันได้ ดังนั้น system 1 จะทำการเลือกเก็บข้อมูลที่คิดว่า 'จริง' ที่สุดไว้ และลบข้อมูลที่ขัดแย้งทิ้งไป ผลก็คือ สมองจะเชื่อว่าเราคิดและเข้าใจเหตุการณ์​ว่าเป็นแบบนั้นอยู่แล้วตั้งแต่ในอดีตจนถึงปัจจุบัน ​ซึ่งจะนำมาซึ่งสิ่งที่เลวร้ายยิ่งขึ้น เนื่องจาก system 1 จะพยายามเชื่อมโยงข้อมูล 'เท่าที่มี'​ ให้เป็นเหตุเป็นผลมากที่สุด โดยพยายามเน้นข้อมูล 'บางอย่าง'​ ให้มีความสำคัญมากเกินจริง ทำให้เรายิ่งเชื่อมั่นว่าเราค้นพบ เหตุและผล ของเหตุการณ์ในอดีต ที่เป็นเสมือนกุญแจแห่งความลับสู่การพยากรณ์ (เพราะถูกเน้นให้ชัดเจนขึ้นหลังจากเหตุการณ์​เกิดขึ้นไปแล้ว)​ ดังนั้นเราจึงเชื่อต่อไปอีกว่า เราน่าจะสามารถหาเหตุ​ผลแบบเดียวกัน เพื่อที่จะคาดการณ์​อนาคตได้ ทั้งๆที่แท้จริงแล้วเหตุผล​นั้นมีความเกี่ยวข้องกับผลลัพธ์​น้อยกว่านั้นมาก โดยแดนนี่ได้โจมตีหนังสือยอดฮิตประเภท "ลักษณะ​นิสัยของ CEO ที่นำมาซึ่งความสำเร็จ" ว่าคุณลักษณะ​ของ CEO อาจจะมีผลอยู่บ้าง แต่ก็ยังคงน้อยกว่า ความโชคดี และ ค่าเฉลี่ยของอุตสาหกรรม น่าจะทำนายความสำเร็จได้แม่นยำกว่า ลักษณะนิสัย

ความมั่นใจที่เกิดขึ้น ถูกอธิบายด้วยหลักการทำงานของ system 1 ที่ไม่ได้ให้ความสำคัญกับความถูกต้องหรือปริมาณของข้อมูล แต่ให้ความสำคัญกับการที่ข้อมูลจำนวนน้อยๆ สามารถเชื่อมโยงกันจน ‘มีเหตุผล’ (ซึ่งไม่ใช่เรื่องยากของ system 1) เมื่อความมีเหตุมีผลถูกสร้างขึ้น โดยเฉพาะจากข้อมูลที่เกิดจากการได้เห็นด้วยตาของตัวเอง ภาพลวงตาของความเชื่อมั่นก็ฝังลึกลงไปใน system 1 ของเราอย่างไม่มีทางหลีกเลี่ยง

ซึ่งข้อผิดพลาดนี้มักเกิดขึ้นกับผู้เชี่ยวชาญมากกว่าบุคคลทั่วไป เพราะถูกสังคมหล่อหลอมให้เชื่อว่า ยิ่งมีความรู้มาก ก็ยิ่งมีความสามารถ “เหนือกว่า” คนทั่วๆไป ดังนั้นผู้เชี่ยวชาญจึงมีแนวโน้มที่จะปฏิเสธข้อมูลที่ขัดแย้งกับความเชื่อของตนเองมากกว่าและตกเข้าสู่กับดักของการเชื่อมั่นว่าข้อมูลเท่าที่มีใช้คาดการณ์อนาคตได้ง่ายขึ้น แดนนี่ชี้ให้เห็นถึงผลการดำเนินงานของนักวิเคราะห์หุ้น เศรษฐกิจ และการเมือง ว่ามีความน่าเชื่อถือมากกว่าการเดาสุ่มเพียงเล็กน้อย

อย่างไรก็ตาม ไม่ใช่นักวิเคราะห์ทั้งหมดที่เชื่อถือไม่ได้ นักวิเคราะห์บางประเภทที่ตกเข้าสู่ภาพลวงตาของความเชื่อมั่นในตัวเองง่ายกว่า ไม่ใช่เพราะว่ามีความสามารถน้อยกว่านักวิเคราะห์ในสายงานอื่นๆ แต่เป็นเพราะพวกเค้าคือนักรบที่รบในสมรมูมิที่ไม่อาจเอาชนะได้ต่างหาก

แดนนี่ได้ร่วมกันหาคำตอบที่ว่า “แล้วเราจะรู้ได้ยังไงล่ะว่าการคาดการณ์ของผู้เชี่ยวชาญคนไหน (และครั้งไหน) น่าเชื่อถือ?” ร่วมกับ แกรี่ คลีน นักจิตวิทยาที่มาจากฝั่งตรงข้าม คลีนเชื่อในสัญชาตญาณของมนุษย์ และยึดมั่นในแนวคิดที่ว่า “การตัดสินใจของอัลกอริทึ่มไม่สามารถสร้างผลลัพธ์ที่ดีกว่าการตัดสินใจของมนุษย์ (ที่เชี่ยวชาญ) ได้”

หลังจาก 7 ปีของการทำงาน (และถกเถียง) ร่วมกัน ทั้งคู่ก็ได้ค้นพบคำอธิบายที่สุดยอดนักจิตวิทยาจากสองขั้วตรงข้ามให้การยอมรับ

กฏข้อแรกคือ - ความเชี่ยวชาญในการคาดการณ์หรือทำนายเหตุการณ์ล่วงหน้าของ ‘มนุษย์’ เกิดจากความทรงจำ ‘ที่ถูกต้อง’ ใน system 1 ทำให้ผู้เชี่ยวชาญสามารถเทียบเคียงเหตุการณ์ตรงหน้ากับความทรงจำด้วยเวลาเสี้ยววินาที และสามารถคาดเดาอนาคตได้ทันที เช่นเดียวกับที่ นักดับเพลิงสามารถรู้ต้นเพลิงได้ทันทีที่เหยียบเข้าบ้าน เซียนหมากรุกอ่านเกมออกทันทีที่เห็นรูปแบบหมากบนกระดาน นักวิเคราะห์ของเก่าแยกของจริงและของปลอมออกทันที และ วิสัญญีแพทย์รู้ว่ามีบางอย่างผิดปกติในการวางยาสลบ [ซึ่งก็จะสอดคล้องกับ Blink ของมัลคอม]

จุดร่วมของผู้เชี่ยวชาญเหล่านี้นำไปสู่กฏข้อที่สอง - เหตุและผลที่ทำให้เกิดสถาณการณ์เหล่านั้นต้อง ‘ตายตัว’ และสามารถฝึกฝนซ้ำๆเพื่อทำให้จดจำคอนดิชั่นของเหตุการณ์แต่ละแบบได้อย่างแม่นยำ ในส่วนนี้มีปัจจัยที่สำคัญอีกเรื่องที่แยก ผู้เชี่ยวชาญที่เราเชื่อถือได้ ออกจาก ผู้เชี่ยวชาญที่เราเชื่อถือได้ยาก นั่นก็คือความเร็วของการฟีดแบคผลลัพธ์หลังจากการคาดการณ์ เนื่องจาก system 1 เป็นระบบออโต้ไพลอทที่ว่องไวและอยู่เหนือการควบคุม การฟีดแบคโดยฉับพลัน จะทำให้จดจำ เหตุและผล ของเหตุการณ์ได้อย่างถูกต้อง - เช่นการเดินหมากรุกและรู้ทันทีว่าเดินถูกหรือพลาดจากการรีแอคของคู่แข่งขัน หรือการเหยียบเบรกตอนเข้าโค้ง แล้วรู้ทันทีว่ารถเข้าโค้งได้ดี หรือจะไถลออกจากถนนจนเกิดอุบัติเหตุ - แต่ในขณะเดียวกันก็ทำให้เราจดจำข้อมูลคาดเคลื่อน เมื่อการคาดการณ์ได้ฟีดแบคที่ช้าลง เนื่องจากเหตุการณ์ที่ system 1 จดจำไว้ว่าเป็น ‘เหตุ’ อาจถูกเปลี่ยนแปลงจากการบันทึกข้อมูลอื่นๆทับลงไปในขณะที่รอฟีดแบค ยิ่งยาวนาน ความทรงจำของมนุษย์ก็ยิ่งมีแนวโน้มที่จะไม่ถูกต้อง และในที่สุดเมื่อผลลัพธ์ที่เชื่องช้าออกมาตรงกับการคาดการณ์ system 1 ก็มักจะทึกทักเอาเหตุผลบางอย่างที่จดจำได้ชัดเจนกว่ามาคาดการณ์ และ เหตุ-ผล ผิดๆ ก็คือจุดเริ่มต้นของความมั่นใจที่ผิดพลาดของผู้เชี่ยวชาญ

จากกฏทั้งสองข้อ แดนนี่และคลีนจึงได้ข้อสรุปว่า ไม่ใช่ความผิดพลาดของผู้เชี่ยวชาญบางสาขาที่ไม่สามารถคาดการณ์เหตุการณ์ที่ไม่ได้มี ‘เหตุผลที่ตายตัว’ ได้ เช่น ตลาดหุ้น โอกาสในการประสบความสำเร็จของสินค้าใหม่ ทิศทางของสงคราม หรือแม้แต่การวิเคราะห์โรคที่ซับซ้อน - เพราะตลาดหุ้นนั้นแทบไม่ได้ถูกซื้อขายอยู่บนเหตุและผล และอาการบ่งชี้ของโรคบางชนิดก็ไม่ได้เกิดจากสาเหตุเดียว - ผู้เชี่ยวชาญเหล่านั้นเพียงแค่ต่อสู้อยู่ในสมรภูมิที่ไม่มีทางเอาชนะได้เท่านั้นเอง

ในสมรภูมิที่เต็มไปด้วยความไม่แน่นอนเหล่านี้ อัลกอริทึ่มจึงให้ผลลัพธ์ที่ดีกว่า - เช่นการวิเคราะห์ตลาดหุ้น การวิเคราะห์แนวโน้มเศรษฐกิจ ไปจนถึงการอ่านค่าอัลตราซาวด์ - เหตุผลที่อัลกอริทึ่มสามารถทำงานประเภทนี้ได้ดีกว่าเนื่องจากการวิเคราะห์หาความน่าจะเป็นในสถาณการณ์ที่ซับซ้อนนั้นต้องใช้ความสามารถทางสถิติซึ่งทำงานตามคำสั่งของ system 2 - ในขณะที่ผู้เชี่ยวชาญมนุษย์มักจะถูกแทรกแทรงการทำงานของ system 2 จาก system 1 อันทรงพลัง ซึ่งมักจะให้ความสนใจกับข้อมูลเชิงอารมณ์มากกว่าข้อมูลเชิงปริมาณอันน่าเบื่อ ทำให้เกิดการสร้างเหตุและผลอย่างมีอคติตามมา - ในขณะที่อัลกอริทึ่มนั้นทำตามคำสั่งทางสถิติอย่างเค่งครัดโดยที่ไม่มี system 1 มาทำให้ไขว้เขว

แต่ถึงอย่างไรก็ตาม การใช้สถิติโดยสมบูรณ์ หรือ คอมพิวเตอร์อัลกอริทึ่ม ในการคาดการณ์อนาคตต้องฝ่าขวากหนามของการต่อต้านมากมายในอดีต ก่อนจะมาถึงยุค บิ๊กเดต้าในปัจจุบัน เพราะนอกจากการถูกโจมตีด้าน ‘การตัดสินใจโดยไร้มนุษยธรรมแล้ว’ ยังเป็นภัยคุกคามต่อผู้เชี่ยวชาญจำนวนมาก เมื่อวันนึงความสามารถที่พิเศษ กำลังจะถูกแทนที่ด้วยระบบปฏิบัติการทางคอมพิวเตอร์ [ แต่ 20 ปีผ่านไป หลังจากการค้นพบที่ทำให้แดนนี่ได้รับโนเบล พลวัฒน์ของโลกก็ได้พาให้เรายอมรับและพัฒนาอัลกอริทึ่ม จนให้กำเนิด เอไอ และวกกลับเข้าสู่วังวนแห่งความหวาดระแวงว่า เอไอ กำลังจะทำลายมนุษยชาติอีกครั้ง ]

แล้วเป็นไปได้มั้ยที่มนุษย์จะสามารถเอาชนะอคติของ system 1 ได้?

แดนนี่แนะนำว่าก่อนอื่นมนุษย์ต้องยอมรับให้ได้ว่า ผลลัพธ์ส่วนใหญ่ในโลกใบนี้จะต้องใกล้เคียงกับค่าเฉลี่ยของเหตุการณ์ประเภทเดียวกัน (Base Rate) - เช่นสินค้าใหม่ หรือ สตาร์ทอัพ ไม่ได้สามารถประสบความสำเร็จได้ทุกโปรเจค โอกาสที่จะประสบความสำเร็จนั้นต่ำมาก - และในสถาณการณ์ที่เราต้องพยากรณ์เหตุการณ์ที่ซับซ้อน (ซึ่งแน่นอนว่าต้องใช้ system 2) ถึงแม้ว่า system 1 จะชอบรวบรวมข้อมูลที่สนับสนุนความเชื่อของเรา และปฏิเสธข้อมูลที่ขัดแย้งกับความเชื่อของเราโดยอัตโนมัติ จนทำให้เกิดอคติของความเชื่อมั่นในตัวเองมากเกินไป และคาดการณ์ผลลัพธ์ที่ใกล้เคียงกับ best case scenario อย่างไม่สมเหตุสมผล เราก็สามารถสั่งปิด system 1 ชั่วคราวได้ โดยบังคับตัวเองให้ 'คิดเหตุผล' ที่จะทำให้เกิดสถานการณ์ที่สุดโต่งไปในทางตรงกันข้าม (worst case scenario) เมื่อสมองได้สร้างเหตุผลให้กับความเชื่อที่ตรงข้ามกันสองชุด system 2 จะต้องทำงานเพื่อเปรียบเทียบข้อมูล และจะทำให้เรานึกถึง Base Rate ได้ง่ายขึ้น จากนั้นให้เริ่ม Anchoring และคำนวณออกจากค่ากลาง

[ พาร์ท 4 ]
แดนนี่จะเริ่มอธิบายถึงทฤษฎีใหม่ที่เค้าคิดค้นขึ้น หลังจากชี้ให้เห็นข้อบกพร่องของทฤษฎีกระแสหลักต่างๆ ซึ่งหลังจากส่วนนี้ไปจะเหมือนกับหนังสือ Misbehaving ของ Thaler เลย เพราะว่าทั้ง 2 คนทำงานนี้ร่วมกัน

เริ่มจากการพัฒนาทฤษฎี หลีกเลี่ยงความเสี่ยง(หรือความไม่แน่นอน) เป็น หลีกเลี่ยงการสูญเสีย (Lose Aversion) โดยพิสูจน์ให้เห็นว่า ในมูลค่าที่เท่ากัน มนุษย์เกลียดการสูญเสียมากกว่าชอบการได้รับประมาณ 2 เท่า และมูลค่าส่วนเพิ่มของการสูญเสียหรือได้รับนั้นจะค่อยๆลดลงเมื่อมีมูลค่าตั้งต้นมากขึ้น เพราะมนุษย์รับรู้สิ่งเหล่านี้โดยเปรียบเทียบกับจุดปัจจุบัน (Reference Point)

มนุษย์หลีกหนีการสูญเสียมากกว่าวิ่งเข้าหาการได้รับตามกลไกทางธรรมชาติ [ ลิงที่เอาแต่มองหาของกินก่อนระแวดระวังสิงโตไม่อาจมีชีวิตรอดเพื่อสืบเผ่าพันธ์ต่อไปได้ ] และการสืบทอดทางพันธุกรรมที่ยาวนานก็ทำให้ system 1 มองหาเหตุการณ์ร้ายๆก่อนเสมอๆ (เราสามารถสังเกตเห็นใบหน้าของคนโกรธ 1 คนท่ามกลางใบหน้ามากมายได้ทันที แต่ไม่สามารถมองเห็นใบหน้าของคนยิ้ม 1 คนท่ามกลางใบหน้าเกรี้ยวกราดได้)

การไม่ชอบสูญเสียของมนุษย์นั้น นำแดนนี่ไปค้นพบกับกฎข้อต่อไป คือเมื่อมนุษย์ 'คิดว่า' ตัวเองเป็นเจ้าของอะไรบางอย่างแล้ว ถึงแม้จะเป็นช่วงเวลาสั้นๆ ก็จะเพิ่มมูลค่าให้ของสิ่งนั้นขึ้นเป็นอย่างมาก และทำให้ยิ่งยึดติดกับการไม่ยอมสูญเสีย (Endownment Effect) ในทางกลับกัน ถ้ามนุษย์ไม่ได้มองว่าของสิ่งนั้นเป็นของตน ถึงแม้จะถือครองอยู่เป็นระยะเวลานาน ก็จะให้มูลค่าของการสูญเสีย 'เท่ากับการได้รับของสิ่งนั้นมาใหม่' - เช่นสินค้าสำหรับขาย

หลังจากนั้น แดนนี่ก็พัฒนา 4 folds theory ขึ้นเพื่อช่วยอธิบายว่า ทำไมบางครั้งมนุษย์ถึงยอมรับการสูญเสียเพื่อหลีกเลี่ยงความเสี่ยง ถึงแม้ส่วนใหญ่มนุษย์จะยอมเสี่ยงเพื่อหลีกหนีการสูญเสียก็ตาม จุดตัดสำคัญอยู่ที่ส่วนสุดขอบของความน่าจะเป็น
- เมื่อเปรียบเทียบโอกาสที่จะเกิดเรื่องดีๆขึ้น 5% กับ 0% มนุษย์จะให้มูลค่ากับโอกาส 5% สูงเป็นพิเศษ เพื่อที่จะ 'สร้างโอกาส' ขึ้นจากความไม่มีโอกาส (Posibility Effecft) - ซึ่งเป็นมุมมองเดียวกับการ สร้างโอกาสที่จะไม่ต้องสูญเสีย [ ลดโอกาสการเกิดเรื่องแย่ๆ จาก 100% เป็น 95% ]
- ในทางกลับกัน เมื่อเปรียบเทียบโอกาสที่จะเกิดเรื่องดีๆขึ้น 95% กับ 100% มนุษย์จะให้มูลค่ากับโอกาสดี 100% สูงเป็นพิเศษ เพื่อเปลี่ยนโอกาสให้เป็น 'ความแน่นอน' ที่จะได้รับโอกาส หรือ 'ไม่ต้องสูญเสีย' (Certainty Effect) เพราะแม้จะยังไม่ได้เป็นเจ้าของ แต่มนุษย์ก็จะสร้างความเป็นเจ้าของขึ้นกับของที่ 'เกือบจะ' เป็นของเราอยู่แล้วเช่นกัน [ ลดโอกาสการเกิดเรื่องแย่ๆ จาก 5% เป็น 0% ]

ถึงแม้สมองของมนุษย์อาจจะรับรู้ทั้ง 4 scenario นี้แตกต่างกันตาม context แต่ทางเลือกของ system 1 ค่อนข้างจะคงที่ คือมีแค่ 2 scenario ให้มูลค่าโอกาสดี 5% (ความเสี่ยง 95%) และ โอกาสดี 100% (ความเสี่ยง 0%) มากเป็นพิเศษ ทำให้สามารถยอมสูญเสียได้จำนวนมากกว่าปกติ เพื่อที่จะได้ - ลดการสูญเสียลง จาก 100 > 95% หรือ 5 > 0%

การให้ค่าโอกาส 5% มากเป็นพิเศษ ยังสอดคล้องกับนิสัย (Overweight Rare Event) ซึ่งมนุษย์มักจะประเมิณว่า เหตุการณ์ที่เกิดขึ้นได้ยากมีโอกาสเกิดขึ้นมากกว่าปกติ (ภัยธรรมชาติร้ายแรง การก่อการร้าย ทีมนอกสายตาชนะทีมตัวเต็ง) และประสบการณ์ตรงกับเหตุการณ์นั้นๆจะยิ่งเพิ่มการให้น้ำหนักความเป็นไปได้มากขึ้น เพราะภาพความทรงจำใน system 1 นั้นชัดเจนมาก (Vivid Event) - การเพิ่มคำบรรยายเชิงคุณลักษณะต่างๆลงไปในข้อมูลทางสถิติก็ให้ผลเช่นเดียวกัน ตัวเลขที่เรียบง่ายจะทำให้ system 1 Anchoring กับตัวเลข แต่การเพิ่มข้อมูลอื่นๆลงไปในข้อความจะลดความสำคัญของตัวเลขลง เพราะ system 1 ชอบข้อมูลเชิงบรรยายมากกว่าตัวเลข และทำให้การประเมิณความเป็นไปได้เป็นไปตามหลักความ ยาก-ง่าย ของการระลึกถึงเหตุการณ์แทน

ปัจจัยส่งเสริมที่ทำให้มนุษย์ยิ่งหลีกเลี่ยงการสูญเสีย ก็คือการที่มนุษย์รับรู้แต่ละเหตุการณ์แยกจากกัน (narrative bias) การได้ประโยชน์ในสถาณการณ์หนึ่งไม่ถูกนำมาทดแทนความสูญเสียในอีกสถาณการณ์หนึ่ง ซึ่งนำไปสู่ความผิดพลาดอื่นๆ เช่น (Sunk Cost Effect) - ยอมสูญเสียมากขึ้น เพื่อสร้างโอกาสเล็กๆที่จะลดการสูญเสียนั้น หรือ (Regret Effect) - การหวาดกลัวการสูญเสียจากการตัดสินใจ จึงเลือกที่จะไม่ตัดสินใจ ทั้งๆที่จริงๆแล้วการไม่ตัดสินใจคือการเลือก 'อีกทางเลือกหนึ่ง' ที่เป็นค่า default เสมอ

การประเมิณผลได้มวลรวมจากหลายเหตุการณ์ หรือ การเปรียบเทียบข้อดีข้อเสียของหลายๆเหตุการณ์แทนที่จะประเมิณแยกกัน จะช่วยเปิดระบบ system 2 และช่วยให้เราตัดสินใจได้อย่างมีเหตุผลมากขึ้น - ทริกง่ายๆคือ การสร้างสถานการณ์ที่ตรงกันข้ามกับสถานการณ์ปัจจุบัน และเปรียบเทียบกันทันทีเพื่อกระตุ้น system 2 ให้ทำงาน [ หรือลองขมวดคิ้วเยอะๆเพื่อเปิด system 2 บ่อยๆดู ]

[ พาร์ท 5 ]
แดนนี่ปิดท้ายด้วยการนำทฤษฎีไปต่อยอด เปิดทฤษฎีใหม่ 2 Selves ที่ว่าด้วย

(Experiencing Self) - system 2 ที่ค่อยรับรู้เรื่องราวต่างๆโดยละเอียดผ่านช่วงเวลา
(Remembering Self) - system 1 ผู้ที่เลือกจดจำเฉพาะเรื่องราวในจุด Peak & Ending ไม่สนใจระยะเวลา แถมยังชอบเขียนทับข้อมูลเก่าๆจนจำผิดจำถูก หรือบางทีก็จำไม่ได้ ลืมไปเลยก็มี

และแน่นอนว่า system 1 ที่ทรงพลังกว่าเป็นผู้ 'ตัดสินใจ' ในเรื่องต่างๆของชีวิต ผ่านเรื่องราวที่จำได้ ดังนั้นจึงไม่น่าแปลกใจที่เราจะ 'ชอบ' - ความเจ็บปวดที่ยาวนานแต่ค่อยๆลดลง มากกว่าความเจ็บปวดที่รุนแรงแต่จบเร็ว - หรือยอมเจ็บปวดในตอนต้นเพื่อมีความสุขในตอนท้าย มากกว่าการมีความสุขที่จบด้วยความเสียใจ - แต่นั่นเป็นเรื่องของการมองย้อนกลับ (hindsight)

เพราะเมื่อให้คาดการณ์อนาคตที่ยังไม่เกิดขึ้น (forthsight) system 1 มักจะประเมินค่าความสุขสูงเกินจริง (แต่งงาน ซื้อรถใหม่ เริ่มงานใหม่) และประเมินความเจ็บปวดมากเกินจริง (อกหัก บาดเจ็บ ตกงาน) นั้นก็เพราะ system 1 จะเลือกเฉพาะเหตุการณ์ที่ชัดเจนมากที่สุด (Peak) และเหตุการณ์ล่าสุดที่เพิ่งเกิดขึ้น (End) ซึ่งในกรณีนี้ก็คือจุดเดียวกัน - จุดเริ่มต้นของเหตุการณ์ -

ถึงแม้การตัดสินใจที่รอบคอบ (สำหรับเหตุการณ์ในอนาคต) ซึ่งต้องปรับลดความรู้สึกลงตามช่วงเวลา และจำเป็นต้องใช้การเปรียบเทียบและคิดคำนวณนั้น จะต้องทำผ่าน system 2 แต่ก็ไม่ได้หมายความว่าเราไม่ควรตัดสินใจโดยใช้ system 1 - ถ้าสถานการณ์เหล่านั้น 'มีเหตุผลตายตัว' และ 'ฝึกฝนได้' การฝึกฝน system 1 ให้แม่นยำและถูกต้อง ก็ทำให้การตัดสินใจผ่าน system 1 เป็นเรื่องสมเหตุสมผลและสร้างความได้เปรียบมากกว่า

.
.
.
แดนนี่ทิ้งท้ายให้เราเข้าใจว่าทั้ง system 1 และ 2 ต่างก็มี ข้อดี ข้อเสีย จุดเด่น และ จุดด้อยที่แตกต่างกัน การทำความเข้าใจให้ลึกซึ้ง และนำแต่ละ system ไปใช้ได้ในสถานการณ์ที่ถูกต้องต่างหากคือสิ่งสำคัญ

system 1 : ทำงานอยู่เสมอ ว่องไว ชอบข้อมูลเชิงบรรยาย หาเหตุผลและความเชื่อมโยงเพื่อจะได้รีบสรุป คุ้นเคยกับการใช้ตัวแทนและค่าเฉลี่ย ไวต่อสิ่งผิดปกติ แต่จะทำงานต่อเนื่องไม่ยอมหยุด เมื่อมีความสุข หรือ รู้สึกปลอดภัย
Sustem 2 : ใช้พลังงานมากจึงขี้เกียจโดยธรรมชาติ ถูกตั้งค่าให้ปล่อยผ่านสิ่งปกติ และทำงานเมื่อเจอสิ่งผิดปกติ (รวมไปถึงความเศร้าและไม่ปลอดภัย) คุ้นเคยกับตัวเลข หน้าที่หลักคือการคำนวณ เปรียบเทียบ และหาผลรวม