第九章 · 让 AI 当你的模拟引擎

上一章你跑通了第一个模拟。这一章把"跑通一次"升级成"一套可复用的方法"：以后遇到任何带不确定性的大事，你都知道怎么让 AI 替你掷骰子——以及怎么防止它骗你。

第一步：把问题翻译成"随机变量"

AI 不会读心。它写模拟代码前，你必须先回答一个问题：这个问题里，哪些东西是不确定的？每个不确定的东西，大致怎么个"摇法"？

一个万能句式，把任何问题拆给 AI：

"我要决定【什么事】。结果取决于这些不确定因素：【因素 1，我猜大概在 X 到 Y 之间】、【因素 2，……】。请在每个因素上抽取随机值，推演一遍结局；重复一万次；告诉我结局的分布，特别是最差的情况有多差。"

举两个例子，体会一下"翻译"：

• 要不要辞职创业？不确定因素：第一年营收（可能 0 到 100 万）、每月固定开销、能撑几个月的存款。结局 = 存款归零前能不能实现盈亏平衡。
• 现在买房还是租房？不确定因素：房价涨跌（均值多少、波动多大）、租金涨幅、房贷利率。结局 = 十年后两种选择的净资产差。

注意：你说"我猜大概在 X 到 Y 之间"就够了。分布选什么（正态还是肥尾、要不要加黑天鹅），直接问 AI："这种数据历史上更接近哪种分布？"——它会告诉你房价和股市都是肥尾，顺便帮你把黑天鹅塞进骰子里（第六章的技能，这就用上了）。

第二步：读结果，别只看平均数

AI 跑完会报告一堆统计量。按这个顺序看，一条都别跳：

• 先问最差的 5%。"最差的 500 条路径里，我惨成什么样？"——这是塔勒布之眼。如果那个结局你承受不起，平均数再漂亮都别碰。
• 再看中位数（排第 5000 名的那条），它比平均数更代表"典型结局"——肥尾世界里平均数经常被少数极端值带偏。
• 最后才看平均数，并且只用它来和别的策略比大小，不用来安慰自己。
• 让 AI 画图。"把一万条结局画成直方图"——分布的胖瘦、有没有长长的左尾，一眼就能看见。图比表格诚实。

第三步：当 AI 的质检员（最重要的一步）

AI 会犯错：算错、瞎编结果、用一个"看起来像那么回事"的分布。这本书自己就演示过一次——第八章的初稿写"破产概率 25%"，评审把代码真跑了一遍，是 42%。凡是不能亲手验证的模拟结果，一律当成没说过。四条质检纪律：

• 要求可复现。让 AI 在代码里设随机种子（random.seed(42)），这样你重跑的结果和它报告的结果必须一致。不一致 = 它报告的数字是编的。
• 极端情况对账。加一句："先用零波动（标准差=0）跑一遍"——这时候答案应该和小学算术一模一样。对不上，代码一定有 bug。
• 让 AI 自己找茬。开一个新对话，把代码贴进去问："这段模拟代码有什么错误或被我忽略的假设？"用第二个 AI 审第一个 AI，就是本书写作的方式。
• 量级感觉。养成一个习惯：AI 报出任何数字，先问"这和我朴素的直觉差多远？"差得远，多半不是直觉错了就是代码错了——两个都值得查。

一个完整的对话长什么样

把三步串起来，一次实战对话大约五轮：描述问题（带数字）→ 拿到代码先跑零波动对账 → 跑一万次看分布和最差 5% → 调参数（"如果晚五年退休呢？"）→ 让 AI 总结"这个决策对哪个假设最敏感"。最后这个问题最值钱——它会告诉你：你的命运押在哪一个你不确定的数字上。接下来该做的不是再模拟，而是去把那个数字搞清楚。

到这里，你已经有了塔勒布桌上的全套工具。最后一章，聊聊这套工具什么时候会害你。