一次体检的惊吓
假设有一种病，在人群中的患病率是 0.1%——一千个人里一个。现在有一种检测，质量很好：有病的人 99% 能测出来（灵敏度 99%），没病的人 99% 能排除（特异度 99%，也就是假阳性率 1%）。
你去体检，结果是阳性。你得病的概率是多少？
绝大多数医生面对这个问题会答「99%」或「八成左右」。正确答案大约是 9%。这不是脑筋急转弯，是算术。我们把这个算术做一遍，因为这一遍值得记一辈子。
别用百分比，数人头
想象一万人来做体检。
- 真有病的人：一万 × 0.1% = 10 人。检测灵敏，其中约 9.9 人测出阳性。
- 没病的人：9990 人。检测有 1% 假阳性，其中约 99.9 人被误报阳性。
现在看所有拿到阳性报告的人：9.9 + 99.9 ≈ 110 人。其中真有病的只有约 10 人。所以你阳性且真有病的概率 ≈ 10/110 ≈ 9%。
直觉错在哪？它只盯着「检测有 99% 的准头」，却忘了这场考试里没病的考生是有病考生的一千倍——哪怕每个没病的人只有 1% 的概率被冤枉，冤枉者的绝对数量也把真病人淹没了。被忽略的那个 0.1%，叫基准率：一件事在没有任何检测信息之前的「出厂概率」，大白话就是这事本来有多常见。
条件概率：把世界缩小
上面的算术背后是一个定义。条件概率 P(A|B)：在 B 已经发生的条件下，A 发生的概率。大白话：知道 B 之后，世界缩小了，只在 B 里面重新数 A 占多大比例。
公式是 P(A|B) = P(A 且 B) / P(B)。别背它，理解它：分子是「既是阳性又有病」那小撮人，分母是「所有阳性」这圈人——样本空间从「所有人」换成了「阳性的人」，重新算比例，仅此而已。条件概率没有引入任何新数学，它只是换了一个更小的舞台。
贝叶斯定理：换舞台的公式版
把刚才数人头的过程写成公式，就是贝叶斯定理：
P(病|阳性) = P(阳性|病) × P(病) / P(阳性)
读法：看到证据后的信念 = 证据在假设下的可能性 × 原先的基准率 ÷ 证据的总常见度。注意右边三样东西的角色：
- P(病) = 0.1%：先验，看证据之前你信多少；
- P(阳性|病) = 99%：似然，如果假设为真，证据有多可能出现；
- P(病|阳性) ≈ 9%：后验，看完证据你该信多少。
直觉的错误在于把 P(阳性|病) = 99% 直接当成了 P(病|阳性)。这两个数差了一个数量级，而它们之间的换算器就是基准率。贝叶斯定理不是新逻辑，是防止你把这两个条件概率搞混的记账系统。
这台记账系统到处在跑
- 垃圾邮件过滤：「免费」一词出现在垃圾邮件里很常见（似然高），但你的老板也可能写「这次团建免费」（基准率捣乱）。贝叶斯过滤器干的正是把两者都记上账。
- 癌症筛查的争议：对低危人群做筛查，假阳性淹没真病人的算术一模一样——这正是各国对「要不要全民筛查 PSA/钼靶」争论不休的数学内核。
- 法庭上的 DNA：「匹配概率百万分之一」是 P(匹配|无辜)，陪审团需要的却是 P(无辜|匹配)——城市里几百万人，百万分之一的匹配会冤枉好几个人。这个错误真实地把人送进过监狱。
大白话：别问「这个检测有多准」，要问「在拿到阳性的人里，真病人占几成」。前一个数是检测的属性，后一个数才是你的处境——而它们之间隔着基准率这条大河。
信息改变了世界吗？
回到本章标题。检测结果没有改变你的身体，却把你的概率从 0.1% 推到了 9%——变了九十倍。这泄露了条件概率的本性：概率（至少在本书的用法里）不是世界的状态，而是你与世界之间信息关系的状态。同一个你，同一份体检报告，知道基准率的医生和不知道的病人，活在两个概率不同的世界里——而只有一个世界是对的：把账记全的那个。
下一章我们要问一个看似相反的问题：如果信息这么重要，那为什么「已经连续出了五次正面」这条信息，对下一次掷硬币却一文不值？