野心，到底应该多大？

我们的野心究竟应该有多大？传统智慧给出了相互矛盾的建议：有的人鼓励我们要“志存高远”；而有的人认为，要想取得更大的成功，就需要设定现实的目标。在一项于近期发表在《物理评论E》的研究中，几名研究人员利用一个数学模型，为这个问题提供了一些答案。他们发现：最佳的野心水平其实处在中间地带——应该高于平均水平，但也不能过高。

如何建模“野心”

在这项研究中，研究人员建立了一个寻找最优策略的模型。这一模型的开发基于的是一个被称为“最优搜索”的数学概念：也就是在给定时间和资源的条件下，确定如何以最佳方式获得最大回报。

在这类模型中，“策略”可以代表很多东西：一份工作、一个商业想法、一位恋爱对象、一项公共政策……通常，这类模型会围绕某一项具体任务进行优化。但在新的研究中，研究人员开发的是一个更通用的框架，可以应用于多种人类活动，而在这些活动中，决策会影响最终的成功。

在这个模型中，一名搜索者（可以是一名希望获得更高薪水的求职者或者是一位想要成功的创业者）会反复从一组选项中随机抽取，而每个选项都有一定的值；搜索者的目标，就是在一段时间内积累尽可能高的回报。分布函数会给出获得每一种可能回报值的概率。在最简单的情况下，这个函数就是正态的钟形分布，也就是所谓的高斯分布。

在模型的每一个时间步中，搜索者都必须做出决策——要么接受当前的汇报，要么继续尝试搜寻更高值的回报。如果当前回报已经比该分布的统计平均值高出足够多，超过了事先设定的一个“满意阈值”，搜索者就会停止接受随机回报，并在剩下的时间步中持续获得同样水平的回报。如果当前回报没有达到这一满意阈值，搜索者就会在下一个时间步中再次抽取一个新的回报。

最优野心

通过改变满意阈值，研究人员得以探索野心所产生的影响：满意阈值较低的搜索者会更容易接受较低的回报，但也可能因此错过更大的回报；而满意阈值较高的搜索者会继续追求更好的回报，只是这种回报未必能够实现。

为了找到最优的野心水平，研究人员计算了具有不同满意阈值的搜索者，在固定数量的时间步中所积累的回报。模拟结果显示，平均而言，当搜索者采用一个高于平均水平、但同时又有限的满意阈值时，会取得最好的结果；换句话说，目标应该高于平均水平，但不要高到不切实际。但如果把这个阈值设得过高，其代价会高于把阈值同等幅度地设得过低。也就是说，太难满足比太容易满足更糟。

此外，这项研究还分析了可能结果的统计分布应该如何影响一个人的野心水平。当结果呈左偏分布时，也就是远低于平均水平的结果比远高于平均水平的结果更常见，搜索者应该把目标定得比平均水平更高一些。而当结果呈右偏分布时，也就是远高于平均水平的结果更常见，搜索者应该降低一些野心。

这揭示了野心与冒险之间一个反直觉但极为关键的区别。当结果呈左偏分布时，比如在经济政策制定中，衰退带来的下行幅度往往大于繁荣带来的上行幅度的情况下，政策制定者应该采取更有野心的策略，以最大化增长率，而不应该让严重衰退把增长目标也拉低。当结果呈右偏分布时，比如在创业领域，极少数“独角兽”企业会把平均值拉高，因此在面对这个被抬高的平均值时，创业者应该适当收敛自己的野心。

比较的代价

这项研究还考察了社会比较的影响。在这一设定中，搜索者不再与平均值进行比较，而是将自己的回报与自己的同行的平均回报相比；这个同行群体由100个具有不同满意阈值的搜索者组成，比较的是他们在前一个时间步中获得的平均回报。

研究人员发现，任何形式的社会比较都会带来代价——它会降低最优满意阈值，并减少累积回报。当搜索者只通过与那些表现优于自己的同行比较来判断自己的成功时，他们的表现会明显下降——他们会长期感到不满，并因此错过原本可以实现的回报。

给现实决策的启发

在大多数日常决策中，我们都缺乏完整信息。这项研究提供了一种既精确又易于理解的方式，帮助人们思考在不同情境下，究竟应该有多大的野心。

现在，研究人员计划利用这一模型探索更多可以产生可操作预测的领域，例如求职或申请大学。在这些情境中，人们都必须在野心与风险之间取得平衡。研究人员强调，虽然他们的模型比现实世界中的决策过程更简单，但其中的核心洞见具有广泛的推广意义。

#参考来源：

https://journals.aps.org/pre/abstract/10.1103/dfw8-vhjk

https://physics.aps.org/articles/v19/78

https://www.eurekalert.org/news-releases/1129248

#图片来源：

封面图&首图：geralt / Pixabay