27 思维模型：第一性原理、量纲分析、反证、归纳
开篇提问
先给你一道题，它测的不是知识，是思维方式：
一架波音 747 飞机，从纽约飞到洛杉矶，全程约 4000 公里，耗时约 5 小时。请问：这架飞机全程烧掉了多少升燃油？
你不需要查任何资料，也不需要知道 747 的具体参数。请用你能想到的办法，给出一个”数量级正确”的估计。
这道题叫”费米问题”（Fermi Problem），是物理学家费米用来训练学生的。而解它的思维方式，是这一章要讲的核心内容之一：量纲分析 + 数量级估算。
先别往下看，自己估一个数字。做完再看下面——你会发现”能估出正确数量级”这个能力，在工程里有多值钱。
这道题的精髓，不在于”你估得准不准”，而在于”你敢不敢、会不会在信息完全不足的情况下，仍然给出一个数量级正确的判断”。 因为工程里的大多数决策，都是在信息不足的情况下做出的。
子主题一：量纲分析与费米估算
这道题的一种解法
拆解问题：燃油消耗 = 单位时间耗油 × 飞行时间
- 飞行时间：5 小时（题目给了）
- 单位时间耗油：不知道？没关系，从”常识”推：
- 一辆汽车百公里耗油约 8 升，高速上约 120 km/h → 汽车每小时耗油约 10 升
- 747 比汽车大得多、重得多、速度也快得多（约 900 km/h）
- 粗略估：747 每小时耗油大约是汽车的 几百倍（不是几倍，也不是几万倍）
- 取 300 倍 → 每小时约 3000 升
- 总耗油：3000 升/小时 × 5 小时 = 15000 升
实际答案：747 每小时耗油约 10000-12000 升，全程约 50000-60000 升。
我们的估算差了 3-4 倍——但数量级是对的（万升级，而不是千升或十万升）。
这就是费米估算的价值
在信息完全不足的情况下，得到”数量级正确”的答案。
请注意，费米估算追求的不是”精确”，而是”数量级正确”。因为：
- “精确”需要数据，而数据往往拿不到（或者拿到太贵）
- “数量级正确”只需要常识和简单的乘除，却能让你立刻排除掉荒谬的方案、做出正确的方向判断
量纲分析的核心步骤
- 拆解：把未知量拆成几个”你能估的”因子的乘积
- 估每个因子的数量级（只估 10 的幂次，不纠结精确值）
- 相乘，并检查量纲是否正确（升/小时 × 小时 = 升 ✓）
量纲检查是最容易被忽略、却最能救命的一步
如果你的公式算出来单位是”升×小时”而不是”升”，那公式一定错了。量纲就像一个免费的”语法检查器”——它不能告诉你答案对不对，但能立刻告诉你”公式一定错了”。
这个能力在工程里的价值，超出你的想象
- 快速判断一个方案可不可行：“这个系统每秒要处理 100 万请求，单机撑得住吗？“——不用实测，估一下就知道
- 快速定位荒谬的数字：当有人说”这个接口延迟 0.01ms”时，你立刻知道不对——因为一次网络往返至少要几十微秒
- 在信息不足时做决策：架构评审时，没人给你精确数据，但你必须给出判断
一个帮助你理解”数量级正确”的类比：装行李
你要坐飞机，行李限重 20 公斤。你的行李箱很重，但你没有秤。
你不需要精确称出”23.4 公斤”，你只需要知道”是 20 公斤量级，还是 40 公斤量级”——如果是后者，你立刻知道”肯定超重了，得拿点东西出来”。
费米估算就是这种”不用秤也能判断超不超重”的能力。 工程里大多数决策，需要的恰恰是这种”数量级判断”，而不是”精确到小数点后两位”。
子主题二：第一性原理——回到不可再分的事实
第一性原理（First Principles） 是亚里士多德提出、被马斯克等人重新带火的概念。它的核心是：
不要用”类比”和”惯例”来思考，要回到”不可再分的基本事实”重新开始推理。
两种思维的对比
类比思维（大多数人默认用这个）：
- “别人都这么做” → 我们也这么做
- “行业最佳实践是 X” → 我们用 X
- “上次这么做的” → 这次还这么做
- 优点：快、省力。缺点：只能产生”渐进改进”，无法产生突破；且当环境变化时，类比会失效。
第一性原理思维：
- “这件事的物理/数学本质是什么？”
- “如果去掉所有现成方案，从最基本的事实出发，我会怎么做？”
- 优点：能产生突破性方案。缺点：慢、费脑力、需要真正理解底层。
经典案例（马斯克的电池）
- 类比思维：“电池组很贵，历史上一直是 600 美元/千瓦时，未来也会这样”
- 第一性原理：“电池的原料（钴、镍、铝、碳）在伦敦金属交易所值多少钱？”→ 算下来只有 80 美元/千瓦时。所以 600 美元不是物理限制，是制造工艺的问题，可以被大幅优化。
在工程里的应用
- “这个服务为什么需要 8 台机器？” → 类比思维：“历史上一需要 8 台”。第一性原理：“它的 CPU/内存/IO 需求到底是多少？按这个算需要几台？”
- “为什么用 MySQL？” → 类比思维：“大家都用”。第一性原理：“我们的访问模式是什么？读写比？一致性要求？按这些约束选什么最合适？”
- “这个延迟能降到多少？” → 类比思维：“业界最好的是 X”。第一性原理：“物理下限在哪（网络往返、磁盘 IO）？我们离下限还有多远？“
第一性原理最实用的一个形式
不断追问”为什么”，直到无法再追问为止。 那个”无法再追问”的地方，就是基本事实。
一个帮助你理解”第一性原理 vs 类比”的类比：学做菜
- 类比思维（照菜谱）：菜谱说”放两勺盐”，你就放两勺。快，但换个菜、换个锅、换个口味偏好，你就懵了。
- 第一性原理（懂原理）：你知道”盐的作用是提鲜、压腥、平衡味道”，于是你根据食材的新鲜度、菜的种类、吃的人的口味，自己决定放多少。
照菜谱的人，只能做菜谱上有的菜；懂原理的人，能做出任何菜。 这就是类比思维和第一性原理思维的差距——前者是”复制别人已经验证过的路”，后者是”从底层重新推导出属于自己的路”。
子主题三：反证与归谬——证明”不可能”的力量
反证法（Proof by Contradiction）：要证明 A 成立，先假设 A 不成立，推导出矛盾，从而证明 A 必须成立。
在思维模型里的价值
它让你能证明”某事不可能”，从而避免在不可能的事情上浪费时间。
经典案例：FLP 不可能结果（第 12 章讲过）
Fischer、Lynch、Paterson 证明了：在纯异步网络下，即使只有一个节点可能故障，也不存在总能终止的确定性共识算法。
这个”不可能性证明”的价值极大：它告诉所有人”别再找完美的共识算法了，不存在”——于是整个领域转向”在合理的同步性假设下设计算法”（Paxos、Raft 都是这个路子）。
反证法在工程里的实用形式
形式一：“假设这个方案可行，会推出什么荒谬结论？”
- 假设”我们能做到既强一致又零延迟又低成本”→ 推出”信息论被违反”→ 所以不可能
- 假设”这个算法能在 O(n) 时间内做通用排序”→ 推出违反比较排序的下界 O(n log n) → 所以不可能
形式二：“如果它是对的，那为什么别人没做？“（这不完全严格，但是个好的启发式）
- 如果一个方案看起来”完美”，先怀疑：是不是忽略了什么代价？
形式三：构造反例
- 要推翻”方案 X 总是正确”，只需要构造一个反例
- 这是最快、最有力的反驳方式
一句话总结这个思维模型的价值
知道”什么是不可能的”，和知道”什么是可能的”一样重要——甚至更重要，因为它让你停止浪费。
一个帮助你理解”不可能性证明”的类比：知道”死路”
想象你在迷宫里，前面有十条岔路。你不知道哪条是出口，但有人告诉你：“第 3、5、7 条是死路，别走。”
光是这一条信息，就让你少走了 3 条弯路。 而 FLP 不可能性、比较排序下界这些”不可能性证明”，就是这种”死路标记”——它们不告诉你”该走哪条”，但告诉你”别浪费时间去试这条”。
工程里最贵的不是”没找到答案”，而是”在一个根本无解的方向上耗了几个月”。 反证法和不可能性证明的价值，就是帮你提前划掉那些”死路”。
子主题四：归纳与演绎——两种相反方向的推理
演绎（Deduction）：从一般到特殊。
- 前提：所有鸟都会飞；麻雀是鸟 → 结论：麻雀会飞
- 特点：结论必然正确（只要前提对、推理对）
- 工程应用：从”第一性原理”推导出具体方案
归纳（Induction）：从特殊到一般。
- 观察：我见过的 100 只天鹅都是白的 → 结论：所有天鹅都是白的
- 特点：结论是”概然的”，可能被推翻（发现了黑天鹅）
- 工程应用：从经验中总结规律、从数据中学习
这两种推理在工程里的正确用法
用归纳来”发现”，用演绎来”验证”。
- 归纳：从多次故障中总结出”服务重启后经常出问题”（发现模式）
- 演绎：从”重启后连接池未初始化”这个机制，推导出”所以会出问题”（验证因果）
归纳的经典陷阱（必须警惕）
陷阱一：幸存者偏差。 只看到”成功”的案例，忽略了”失败”的（因为失败者已经消失了）。
- 例子：“那些成功的创业公司都加班，所以加班能成功” → 忽略了那些加班但倒闭了的公司
陷阱二：以偏概全 / 样本不足。
- “我测了 3 次都是这个结果” → 3 次样本不足以支撑结论
陷阱三：相关性 ≠ 因果性。
- “用了微服务的公司增长更快” → 可能是”增长快的公司才有资源搞微服务”，因果反了
陷阱四：确认偏误。 只注意支持自己观点的证据，忽略反驳的证据。
- 防御：主动寻找”能推翻自己观点”的证据。
一个帮助你理解”相关性 ≠ 因果性”的类比：冰淇淋和溺水
夏天，冰淇淋销量上升，同时溺水事故也上升。所以吃冰淇淋会导致溺水？ 当然不是。
真正的因果是”天气热”这个第三变量：天热 → 大家吃冰淇淋；天热 → 大家去游泳 → 溺水增多。 冰淇淋和溺水只是”相关”，不是”因果”。
工程里这种”伪因果”遍地都是：你上线了一个新功能，同时用户量涨了——是功能带来了增长，还是”增长期的公司”同时做了很多事？不做对照实验，你永远分不清。
子主题五：几个值得内化的思维模型清单
除了上面四个，还有一批”高复用”的思维模型，值得你放进工具箱：
1. 二八定律（Pareto Principle）
80% 的结果来自 20% 的原因。
- 工程应用：80% 的延迟来自 20% 的代码路径；80% 的 bug 集中在 20% 的模块
- 行动：找到那 20%，而不是平均用力
2. 边际收益递减
投入增加，产出增长越来越慢。
- 工程应用：优化到最后 10% 的性能，可能要付出 90% 的成本
- 行动：知道什么时候该停手
3. 机会成本
做 A 的成本，不只是 A 的代价，还包括”因此没做成的 B”。
- 工程应用：“花两周优化 3% 的性能”的成本，是”这两周没做的其他事”
- 行动：永远问”这笔时间花在别处收益是否更高”
4. 二阶思维（Second-Order Thinking）
不止想”然后呢”，还要想”然后再然后呢”。
- 工程应用：“加个缓存会快，但会带来一致性问题（一阶），我们得处理不一致，这会增加复杂度（二阶），复杂度又会导致更多 bug（三阶）”
- 行动：重大决策前，至少推演两层后果
5. 能力圈（Circle of Competence）
清楚知道自己”知道什么”和”不知道什么”。
- 工程应用：用你不理解的技术栈，出问题时你无法排查（第 16 章的抽象泄漏）
- 行动：对不熟悉的领域保持敬畏，或先补足基础
6. 可逆 vs 不可逆决策
贝索斯的分类法：
- 可逆决策（做错了能改回来）：快速试错，别过度分析
- 不可逆决策（如数据模型、ID 方案、公开 API）：慢下来，充分论证
- 行动：把精力集中在不可逆决策上
7. 汉隆剃刀（Hanlon’s Razor）
“能解释为愚蠢的，不要解释为恶意。”
- 工程应用：同事写出烂代码，大概率是能力/时间/信息的问题，不是故意的
- 行动：先假设善意，减少无意义的敌意
这些清单的正确用法
单个模型有局限（“手里拿着锤子，看什么都像钉子”），所以真正的高手掌握多个模型并交叉验证。 芒格称之为”思维模型格栅”。
这七个模型，本质是七个”检查角度”： 面对一个决策，你可以问”关键的 20% 在哪”（二八）、“再投入还有收益吗”（边际）、“放弃了什么”（机会成本）、“两层后果是什么”（二阶）、“我真的懂吗”（能力圈）、“做错了能改吗”（可逆性）、“对方是傻还是坏”（汉隆）。
演进脉络
把”思维模型”这件事的演进串起来，你会看到一条”从少数天才的直觉，到可传授的方法”的主线。
- 古希腊：亚里士多德提出第一性原理；欧几里得建立演绎体系（几何原本）。
- 17 世纪：培根倡导归纳法和实验科学；笛卡尔倡导演绎和理性主义。
- 19-20 世纪：科学方法论成熟（可证伪性，波普尔）；统计学让归纳变得可靠。
- 20 世纪中：费米用费米问题训练学生的估算能力；西蒙（Herbert Simon）研究”有限理性”和决策。
- 1990s-2000s：Charlie Munger 推广”思维模型格栅”（Lattice of Mental Models）的概念——掌握多个学科的核心模型，交叉使用。
- 现代：思维模型被系统整理和传播（《穷查理宝典》《思考，快与慢》《模型思维》）；同时认知偏差清单（上百种）被系统研究。
主线：思维模型的价值，在于它们是”可复用的思考捷径”。单个模型有局限（“手里拿着锤子，看什么都像钉子”），所以真正的高手掌握多个模型并交叉验证——芒格称之为”思维模型格栅”。
这一章给你的不是”标准答案”，而是一个工具箱：遇到陌生问题时，试着用不同的模型去看它，往往某一个会突然让你看清结构。
一个统领全书的”元观察”
这一章和前面几章（尤其第 25、26 章）共同构成了全书的”元能力层”。它们之间的关系是：
- 第 25 章（定义问题）：教你”问对问题”。
- 第 26 章（找瓶颈）：教你”找到关键”。
- 第 27 章（思维模型）：给你”思考的工具”——量纲分析帮你估算、第一性原理帮你回到本质、反证帮你排除死路、归纳演绎帮你发现和验证。
这三章合起来，回答的是同一个问题：当系统复杂到超出直觉，你靠什么保持清醒？ 答案是：靠方法（定义问题、找瓶颈）、靠工具（思维模型）、靠数据（量化、剖析）——而不是靠”感觉”。
本章思考题
【思考题】
-
什么是费米估算和量纲分析？为什么说”数量级正确”在工程里已经很有价值？
-
第一性原理和类比思维的区别是什么？请举一个用第一性原理突破”行业惯例”的例子。
-
反证法和”不可能性证明”有什么工程价值？请举一个例子。
-
归纳推理的四个陷阱是什么？请说明”幸存者偏差”和”相关性≠因果性”。
-
“思维模型格栅”为什么重要？为什么单个模型有局限？
【参考答案】
-
费米估算：在信息完全不足时，把未知量拆解成几个”能估的因子”相乘，只估数量级（10 的幂次），得到数量级正确的答案。量纲分析：检查最终结果的单位是否正确（如升/小时 × 小时 = 升），单位不对则公式必错（量纲是免费的”语法检查器”）。工程价值：快速判断方案可行性、识别荒谬数字（如”接口延迟 0.01ms”——一次网络往返至少要几十微秒，立刻知不对）、在信息不足时仍能决策（架构评审时没有精确数据也必须给判断）。类比装行李：不需要精确称出 23.4 公斤，只需要知道”是 20 还是 40 公斤量级”。
-
类比思维：用”别人都这么做""行业惯例""上次这么做”来决策，快但只能产生渐进改进，且环境变化时会失效（类比照菜谱：只会做菜谱上的菜）。第一性原理：回到不可再分的基本事实重新推理，能产生突破但慢且费脑力（类比懂原理：根据食材新鲜度自己决定放多少盐）。例子：电池成本——类比认为”历史上一直 600 美元/千瓦时，未来也如此”；第一性原理问”原料在交易所值多少钱”，算出仅 80 美元/千瓦时，证明 600 不是物理限制而是工艺问题，可以被大幅优化。
-
反证法/不可能性证明的价值：知道”什么不可能”和知道”什么可能”同样重要，甚至更重要——因为它让你停止浪费（类比迷宫里的”死路标记”：不告诉你该走哪条，但告诉你别浪费时间去试这条）。例子：FLP 不可能结果证明”纯异步网络下不存在总能终止的确定性共识算法”，这告诉整个领域”别再找完美共识算法了”，于是转向”在合理同步性假设下设计”（Paxos/Raft 都是这条路）。实用形式：假设方案可行推出荒谬结论、构造反例推翻”总是正确”的声称。
-
四个陷阱：幸存者偏差（只看到成功案例，忽略已消失的失败者，如”成功的创业公司都加班”忽略加班却倒闭的）、以偏概全/样本不足（“测了 3 次都这样”样本太少）、相关性≠因果性（“用微服务的公司增长更快”可能是增长快才有资源搞微服务，因果反了；类比冰淇淋和溺水都是”天气热”这个第三变量导致）、确认偏误（只注意支持自己的证据，防御是主动寻找能推翻自己观点的证据）。归纳的正确用法：用归纳”发现”模式，用演绎”验证”因果。
-
思维模型格栅重要，因为单个模型有局限——“手里拿着锤子，看什么都像钉子”，任何单一模型都会让你带着偏见看世界，把不符合模型的问题硬套进模型。真正的高手掌握多个学科的多个核心模型，交叉验证：一个模型看不清的，换一个模型可能豁然开朗。这七个模型本质是七个”检查角度”（二八、边际、机会成本、二阶、能力圈、可逆性、汉隆），面对决策时用不同角度去照，往往某一个会让你看清结构。这也是全书元能力层的收尾：靠方法+工具+数据保持清醒，而非靠感觉。