超越直覺：別讓常識壞了事！解決大問題的10堂思考課

超越直覺，才能掌握未來！
名校教授帶你打破思考框架、修正認知偏誤

★《華爾街日報》、《紐約時報》 推薦書單
★哈佛大學、杜克大學教授 指定閱讀
★關於思考決策最重要的著作之一，管理者必讀！

⊙為什麼幾乎所有人都覺得自己的開車技術高於平均？
⊙成功的人究竟是憑實力，還是靠運氣？
⊙我們能不能用「經驗法則」找到下一個特斯拉？
⊙股價跟天氣一樣是可以預測的嗎？
⊙「光環效應」如何讓我們忽略事實？
⊙為什麼黑天鵝每一次都逃過專家的眼睛？

►我們理解問題的方式，其實不利我們解決問題
為什麼那家公司會成功？為什麼他當選總統？股票為什麼崩盤？甚至是為什麼今年流行黑色？──只要事情已經發生，我們馬上就可以找到原因，因為直覺告訴我們：答案就在眼前。
我們在日常生活中，通常憑直覺就能輕鬆解決99％的問題，但如果面對的是商業、政策或趨勢的「大問題」，這種小小的認知偏誤，卻會讓個人判斷錯誤、公司錯失良機，整個社會也會因此錯置資源。
我們不禁想問：為什麼常理、直覺會誤導我們，讓我們自以為知道的比實際還多？甚至還以為自己可以預測未來？

►黑天鵝、系統性危機，到明天的股價……專家真的說得準嗎？
我們喜歡做預測，也每天都在預測，卻很少有人回頭檢視準確性。在物理上，我們可以準確算出火箭的加速度，但對於社會中的複雜問題，由於沒辦法在實驗室進行對照實驗，也找不到公式或通則，我們的預測因此常常失準。就連專家的預測力，實際上也跟猴子差不多，甚至更錯得離譜！

鄧肯．華茲 （Duncan J. Watts）
►微軟首席研究員／美國最重要的社會學家之一
現職賓州大學、史蒂文斯理工學院的社會學者與教授。同時也任教於安納伯格傳播暨新聞學院電腦與資訊科學系、賓州大學華頓商學院行銷、資訊與決策系所。二○二○年獲選為安德魯．卡內基學者。二○一三年榮獲康奈爾大學A.D.懷特博文講座教授殊榮。
曾是微軟研究院的首席研究員，在這裡創建了紐約城市實驗室。之前他曾任雅虎研究院的首席研究科學家，以及哥倫比亞大學社會學教授。他的研究主題涵蓋社會網絡與人類集體行為，常發表論文在許多著名期刊。著有《六個人的小世界》、《小小世界》等。

「華茲寫的這一本書相當引人入勝，內容涵蓋了心理學、經濟學、市場銷售與社交網路科學。」──《華爾街日報》

「常理是一種訂製的成見，不能用來科學地理解社會運作，正如我們不能用槌子來理解軟體動物。」──《紐約時報》

「本書非常吸引人，閃爍著反直覺的洞察力，對於知與不知保持謙遜，足以媲美其他『偉大思想』的著作。」──《金融時報》

「華茲將科學帶入生活。這個世界很複雜、相互聯繫，也經常被挑戰傳統的懷疑智慧給征服。在一切混亂之中，這本書將幫助你找到一絲線索。」──哥倫比亞大學社會學教授蘇蒂爾．萬卡特希（Sudhir Venkatesh）

「一本深入而有洞見的書，非常有趣。每一頁都有新思考，而且沒有一個是理所當然的！」──哈佛大學心理學教授、《快樂為什麼不幸福》作者丹尼爾．吉爾伯特（Daniel Gilbert）

「雖然承認自己犯了很多錯，的確不太開心，但是能夠了解直覺如何誤導我們，也不失為一種學習。」──杜克大學行為經濟學教授、《誰說人是理性的！》作者丹．艾瑞利（Dan Ariely），

「精彩說明為何每一個困難問題背後都有基於常理的答案，這些答案看起來簡單、值得相信，卻又錯得離譜。本書必讀，絕對會改變你的思考方式。」──紐約大學社會學教授艾瑞克．克萊恩博（Eric Klinenberg）

「本書為高階經理、學者，或是任何一個受夠過度簡化、因果錯亂的解釋的人而寫。閱讀此書可能出現暫時性副作用，包括輕微頭痛、問東問西、懷疑自我。長效則是更能認清歷史、時事、企業政治學以及牽涉一個人以上的任何活動。無須醫師處方即可購閱。」──紐約大學社會科學院院長道爾頓．康利（Dalton Conley）

「一本道道地地的重要著作，勢必會讓各行各業裡裝腔作勢、自比為專家的人士，被吵得不得安寧。若本書未能強迫你重新檢視你的所作所為，你可能有問題。」──蓋伊．川崎（Guy Kawasaki），《迷人：不著痕跡影響他人的12堂課》作者

「作者在這本書中舉出非常多個案和理論模式來論證，引領讀者思考許多看似想當然耳的事情的合理與不合理。而這些例子和模式不只放在社會和歷史上，商業和行銷著墨更深。」──阿潑，媒體工作者、作家

﹝節錄﹞

不得不說，批評「常理」是件危險的事，何況大家普遍認為它是個好東西――你可以想想上一次被告戒不要只靠常理判斷是什麼時候？嗯，不過接下來我會不斷提醒你。雖然我也會在書裡提到，常理確實非常適合幫助我們處理日常生活的複雜性，也如眾所周知那般有用。但是，如果「情況」涉及企業、文化、市場、民族國家與全球機構，複雜性就會遠遠超過日常生活。常理在上述情況就會出錯，而這些錯誤會系統性地誤導我們。然而，由於人們習慣從經驗中學習（甚至是不會重複的經驗，或時空背景完全不同的經驗），導致我們很難發現依常理推論時會有的謬誤。反之，我們只會認為是「我當時不知道」，事後卻看似理所當然的東西。因此，常理的弔詭之處在於，儘管它能幫助我們理解世界，但它也會破壞我們理解世界的能力。如果你不太明白後面這句話的意思，沒關係，我接下來會進一步解釋，並說明常理對於政策、規畫、預測、商業策略、市場行銷與社會科學的影響。

正式進入內文之前，請容我先補充一點：我跟朋友、同事談到這本書時，發現了一個有趣現象。我用這句摘要告訴他們本書的觀點：我們理解這個世界的方式，實際上會阻礙我們理解這個世界。大家聽完莫不點頭如搗蒜，強烈贊同道：「沒錯，我老覺得大家都會相信各種蠢事，好讓他們感覺自己似乎懂點東西，但其實根本就不懂。」然而，我如果用同樣觀點質疑朋友、同事的某個信念時，他們總會改變剛才的論調，說「關於常理和直覺造成的錯誤，你說的可能都沒錯，但這完全不會動搖我的信念還有我對它的信心」。彷彿常理推論錯誤只會發生在別人身上，不會發生在自己身上。

其實人們一再犯這種錯誤。大約有九成的美國人覺得自己的駕駛技術比一般人好，令人訝異的是，覺得自己比一般人快樂、受歡迎，或更有可能成功的人同樣有高達九成。在一項研究中，竟然有四成受訪者認為自己的領導能力高居前一％，這個數字真讓人難以置信。這種「優越錯覺效應」（illusory superiority effect）非常普遍，大家也都耳熟能詳，它還有個更通俗的名字叫做沃比岡湖效應（Lake Wobegone effect），源自廣播節目《草原一家親》（Prairie Home Companion）主持人葛瑞森．紀樂（Garrison Keillor）所虛構的小鎮──那個小鎮裡「每個小孩的資質都在平均之上」。難怪人們寧願相信別人對世界的看法是錯的，而不願承認自己的信念有誤。然而不爭的事實是，適用於「每個人」的道理必然也適用於自己。人們每天思考與闡述觀點時存在的謬誤（之後會再詳細說明），必然也存在於自己根深蒂固的信念中。

我並非要讀者放棄自己的信念，重頭開始。只是我們應該把它放在聚光燈下，用懷疑的眼光加以檢視。舉例來說，我雖然知道在統計上，認為自己駕駛技術高於平均的人，有將近一半是錯的，但我還是會忍不住認為我的駕駛技術比一般人好。不過意識到這點之後，我至少會想一下我是不是在自欺欺人，因此會盡量去留意自己是否犯錯，就像注意到別人的錯誤一樣。儘管與人爭論時，我仍然傾向認為自己是對的，但或許我可以開始承認對方不是每次皆錯。也許就像別人應該改變一樣，我也可以從這些經驗中學習，並決定自己應該改變什麼。即使這樣做也不能保證自己的駕駛技術會高於平均，但至少我能成為一個更好的駕駛者。

同樣，當我們質疑自己對世界的假設，或更重要的，當我們意識到自己無意中做了假設，我們可能會、也可能不會改變既有觀點。但就算我們不改變原本的看法，質疑自己的假設至少會迫使我們注意到自己的固執，反過來讓我們停下腳步思考。這樣做並不容易，但這是有望形成更準確的新想法的第一步。我們相信的每件事都正確無誤――這個機率基本上是零。事實上，貝克在《這才是做研究的王道》一書中強調，要學習像個社會學家一樣思考，意思就是學著去質疑自己對事情如何運作的直覺看法，並盡可能把這種直覺完全拋諸腦後（顯然當年葛瑞賓評論此書時並沒有掌握到這個重點，而我也是）。如果你讀完這本書，卻只是更加鞏固你原先對這世界的看法，那麼我很抱歉，因為身為一個社會學家，我沒有善盡自己的職責。

目錄


前言 「常理」讓一切看似理所當然

◤第一部：常理／直覺
平時我們賴以為生的思考工具，在處理更複雜的大問題時，往往並不可靠。這樣說來，人、市場或社會真的理性嗎？

Chapter 1常理的迷思
⊙常理是什麼？
⊙一點也不平常
⊙思考的灰色地帶
⊙習慣誤用常理
⊙直覺可靠嗎？
⊙誤導你的三種謬誤

Chapter 2我們如何思考？
⊙生活是一連串「選擇」
⊙常理、理性行為
⊙在思考之外的事
⊙影響行為的因素
⊙「思考」跟你想得不一樣

Chapter 3群眾的智慧（與瘋狂）
⊙循環論證：藏在題目裡的答案
⊙微觀─宏觀問題
⊙為什麼有暴動？
⊙累積優勢：成功只會更成功
⊙實驗社會學

Chapter 4特殊人物
⊙六度分隔理論：世界好小？
⊙所謂的「影響者」
⊙意外走紅的影響者
⊙推特上的網紅：行銷策略思考
⊙又一次循環論證／重點整理

Chapter 5從「過往經驗」中學習？
⊙歷史不會重演／
⊙抽樣偏誤／
⊙事後諸葛：想像出的因果關係／
⊙我們無法描述正在發生的歷史／
⊙故事不會真正結束／
⊙最會說故事的才是贏家

Chapter 6「預測未來」的幻夢
⊙全知全能的惡魔
⊙「未來」不像是「過去」
⊙預測該預測的事
⊙黑天鵝與其他「事件」
⊙不靠直覺、常理思考

◤第二部：非常理／反直覺
理論上，我們無法運用常理打敗一切不確定性，甚至不可能預見黑天鵝。在直覺式思考的框架下，未來有沒有新的可能？

Chapter 7最棒的計畫
⊙我們能預測什麼
⊙市場、群眾與模型
⊙別相信任何人，尤其是自己
⊙我們所執迷的「未來」
⊙策略悖論：完美的計畫為何失敗？
⊙為你的策略創造「彈性」
⊙從預測到反應

Chapter 8衡量一切事物
⊙群組、鯡魚與群眾
⊙不如先「預測現在」
⊙別只是衡量，要有實驗精神
⊙走出實驗室：實地實驗
⊙因地制宜的重要性
⊙追根究柢：自主啟動法
⊙規畫與常理

Chapter 9公平與正義
⊙結局好，一切就好？
⊙光環效應：客觀不簡單
⊙是實力，還是運氣
⊙無所不在的「馬太效應」／企業救世主的迷思／銀行家憑什麼？
⊙賺的是我的，賠的是大家的
⊙在同一條船上

Chapter 10以人為本
⊙解釋一切人類行為的通則？
⊙測量不可量化之物
⊙讓預測更準確的新技術
⊙在一片混亂之中

致謝

內文試讀

■第6章 「預測未來」的幻夢

人們喜歡預測，例如恆星的運行軌跡、股票市場的波動，還是下一季的流行色等，甚至隨便點閱一個新聞網站，也會看到大量的預測――其實多到大家都習以為常才會沒注意到。不信的話，可以隨便找一篇《紐約時報》的頭版，例如下面這篇報導，刊登在二○○九年夏天的報紙上，內容是關於零售業的趨勢，針對即將到來的開學季做了不下十個預測。例如它引用了美國零售聯盟（National Retail Federation）的說法，提到學齡兒童家庭今年的平均支出「預計會比去年減少約八％」，而根據市調公司索博客（ShopperTrak）的資料顯示，商店客流量估計會下降一○％。最後，零售業顧問公司「顧客成長夥伴」（Customer Growth Partners）的總裁認為，本季「將是多年以來最慘淡的開學季」。
這三個預測都出自看起來很權威的機構或人物，而且內容清楚具體，足以讓我們檢驗其準確性。那麼，這些預測到底有多準呢？老實說，我不知道。《紐約時報》以及多數做這些預測的研究調查公司，都沒有提供其準確性的統計數據或相關資料。說來有些弔詭，我們熱愛對未來的一切發表高見，卻不願為自己的預測負責。一九八○年代中期，心理學家菲力浦．泰特洛克（Philip Tetlock）便觀察到，現在的政治專家就有這種習性。泰特洛克決定讓政治專家們拿出實際數據，證明他們不是空口說白話，於是設計了一個很了不起的試驗，時間長達二十多年。首先，他說服兩百八十四位政治專家，要求每一位都預測近百個未來可能發生的事件，範圍從某一場選舉結果，到某兩國發生武裝衝突的可能性。這些專家針對每一項預測，都必須明確給出一個預期結果，並估計發生機率。計分原則是：越有自信的預測如果在未來正確，得分就會越高。反之如果預測錯誤，失分就會越多。收集好所有預測以及發生機率的資料後，泰特洛克靜觀其變，等候這些事件的發展結果。二十年後，他終於發表了令人震驚的研究發現：專家們的精準度比隨便亂猜高一點，不過他們的預測甚至不如最簡單的統計模型。更讓人驚訝的是，他們預測專業領域外的事會比預測專業領域內的事準一些。
經常有人認為，上述研究結果證明了所謂的專家其實很愚蠢。這樣想法並不是沒有道理。不過，雖然專家的預測能力不比一般人好多少，但可能也不會差到哪去。例如我在年輕時，有很多人相信未來的世界會有飛行汽車、繞著軌道運行的太空城市，還有打發不完的自由時間。但看看現在，我們開著引擎汽車塞在破舊的高速公路，還要忍受一直縮水的飛航服務，工作時數也不斷創新高。與此同時，又不知哪裡冒出了網路搜尋、行動電話和線上購物這些已經深入我們生活的科技。事實上，約在泰特洛克開始實驗的同一時期，有一位名叫史帝芬．許納爾斯（Steven Schnaars）的管理學家，也藉由梳理大量書籍、雜誌、產業報告，共收集了數百篇在一九七○年代做的預測，試圖量化對於科技趨勢的預測準確性。他的結論是，不管預測的是不是專家，大約八○％都是錯的。
並非只有在預測長期社會趨勢、科技走向時才會出奇不準，就連經驗老道又積極的出版商、製作人或市場商人也是如此。這些冒著風險挹注大把資金的商界專業人士，也很難估計下一波流行的書籍、電影或產品會是什麼──跟政治專家無法預估何時會發生下一場革命一樣。事實上，文化市場上經常可見原先不受青睞，後來卻意外走紅的例子，像是貓王、《星際大戰》、《歡樂單身派對》（Seinfeld）、《哈利波特》、《美國偶像》（American Idol）。剛開始，出版社與電影公司打算放任這些作品自生自滅，還押錯寶在完全失敗的地方。再看看之前幾次可怕的金融危機，像是一九九八年長期資本管理公司（Long-Term Capital Management）破產、二○○一年的安隆（Enron）風暴、二○○二年世界通訊（WorldCom）的舞弊案、二○○八年金融海嘯，或是看看像Google與臉書這種強力崛起的案例，也許最讓人驚訝的是：幾乎沒人能料想到接下來會發生什麼事。例如，在二○○八年九月雷曼兄弟即將破產，美國財政部與聯準會官員理應是全世界消息最靈通的人，也沒能預見隨後全球信貸市場的毀滅性凍結。此外，在一九九○年代末，Google創辦人瑟吉．布林（Sergey Brin）和賴瑞．佩吉（Larry Page）原本打算用一百六十萬美元出售公司。好險他們沒賣出去，因為後來Google的市值超過一千六百億美元，約是幾年前他們和其他人估計的十萬倍。
這麼看來，人們似乎不善於預測──但這樣說也不完全正確。我們有辦法預測各種千奇百怪的事，比方說，我敢打賭我能準確預測新墨西哥州聖塔菲（Santa Fe）的天氣，說真的，準確率應該有八成，聽起來我比泰特洛克的實驗中那一群失準的專家厲害多了。但就算我可以準確預測聖塔菲的天氣，也不可能在氣象局找到工作。因為聖塔菲一年大約有三百天是晴天，所以只要隨口說「明天聖塔菲是晴天」，三百六十五天就會說中三百天。同樣地，預測美國未來十年都不會向加拿大開戰，或預測太陽會繼續從東邊升起，可能都準確無誤，卻不會讓人佩服。換句話說，關於「預測」真正的問題，不在於我們一般而言擅不擅長做預測，而是我們根本不會區分哪些事能準確預測、哪些不能。

﹝節錄﹞

■預測該預測的事

預測一個具體的結果，跟預測一個結果出現的機率完全不同。我們意識到這一點之後，對於可預測的事件類型應該會改觀。但我們習慣「從過去吸取教訓」的學習方式，也產生另一個更違反直覺的問題，那就是，我們從開始就不知道自己該預測什麼。坦白說，就像過去「已發生過無數事件」一樣，我們隨時都能做出無數預測。同時，就像我們其實不關心大部分的過去事件，我們也不在意全部的潛在預測。反之我們在意的只有極少數預測──如果我們能事先這樣預測，可能確實會產生重大改變。美國航空官員如果當初預料到恐怖分子將帶著美工刀劫持飛機，企圖撞向世貿中心和五角大廈，就可以採取預防措施，像是強化駕駛艙門、加強機場安檢，進而避免這類意外。還有，如果在一九九○年代末，有個投資者知道有一家小型新創公司叫Google，將來會發展成網際網路龍頭，他就可以透過投資大賺一筆。
我們回顧過去，總是會認為當初就可以預料到這些事。但我們沒有意識到，這種後見之明不僅讓我們以為自己可以預測未來，還讓我們以為自己早就知道要注意哪些面向。一九六三年十一月甘迺迪總統訪問達拉斯期間，你怎麼知道應該要留意刺殺甘迺迪的槍手，還是食物中毒呢？在九一一發生之前，要怎麼知道預防劫機的關鍵在於強化駕駛艙門，而不是偵爆犬呢？或者，要怎麼知道美國最嚴重的恐怖攻擊是劫機事件，而不是放射性炸彈或是地鐵的神經毒氣？人們怎麼知道搜尋引擎會從廣告賺錢，而不是別的商業模式？甚至怎麼知道我們應該關心搜尋引擎如何賺錢，而不是關心其他內容網站、商務網站，或完全不同的東西？
第五章提過，丹托認為事後才可得知有哪些相關因素，而上一段的問題剛好是丹托觀點的對立面。也就是說，我們必須先確定未來所有可能發生的事件之中，哪些是相關的，以便現在就開始注意，這樣才能做出我們想要的預測。我們覺得自己應該能做到這一點，就像丹托的理想記錄者可以描述正在發生的事。但如果我們試圖預測所有假想可能發生的事件，馬上就會淹沒在各種可能之中。我們應該擔心今晚垃圾車來的時間嗎？或許不需要。但如果我們養的小狗那時候剛好掙脫皮帶、跑到路上，我們就會希望自己在出門散步前能預先知道垃圾車的時間。我們需要預測班機是否會取消嗎？或許也不用。但如果我們剛好搭上另一班即將墜毀的飛機，或者旁邊剛好坐了你未來的另一半，這件事就顯得非常重要了。
這種無限相關可能性的問題根深蒂固，就算找到更多訊息或設計更聰明的演算法也無法輕易解決。例如，布魯斯．梅斯奎塔（Bruce Bueno de Mesquita）這位政治學家與「預測工程師」（predictioneer）在他一本關於預測的著作中，大力讚揚賽局理論對於複雜政治談判的預測力。○14然而，考量到複雜系統固有的不可預測性，梅斯奎塔的計算模型似乎不太可能真正預測到他聲稱的事件。但撇開這個，我們來討論一個更大的問題――假設他的模型完美運作，那可以預測什麼？比方說，梅斯奎塔宣稱他成功預測出一九九三年，以色列和當時的巴基斯坦解放組織會達成奧斯陸協議（Oslo Accords）。當時這一個預測算是相當了不起的成就。但他的計算模型沒有預測到，奧斯陸協議只是一個假象、是一閃而逝的曙光，之後的事件很快就讓這個希望破滅。也就是說，在已經知道後續發展的現在看來，奧斯陸協議顯然不是最初預測中最重要的結果。梅斯奎塔可能會合理地回應，他的模型並不是設計來預測那種事的，這正是關鍵所在：預測「正確的事」跟預測正確一樣重要。回顧過去，我們並不期望能夠在一九九九年預測出Google搜尋引擎市占率，或者是第二次波斯灣戰爭時美軍抵達巴格達所需的天數。這些事件當然是我們曾經想過的預測，但某種程度上，我們已經不在意這些預測準不準確，因為這些事沒那麼重要。反之，我們會希望在Google首次公開募股時，就預測到它的股價在幾年後會突破五百美元，因為這可以讓我們投資致富。我們希望當初可以預見推翻海珊、解散其安全部隊之後的大屠殺，這樣我們就能採取不同戰略，或許一開始就能避免整場混亂局面。
甚至在預測一般生活事件時，也會發生相同問題。例如消費者對某種顏色或設計的反應，或者，如果醫生的薪資是依據病人的健康狀況而定，而不是開立處方的數量與費用，那他們是否會花更多時間在預防性照護？這一類預測的重要性似乎不及預測下一家成功公司或下一場戰爭，但是當我們思考為何要關心這一類預測時，立刻又得做出其他預測――預測目前所做的預測會有什麼影響。舉例來說，我們之所以關心顧客是否喜歡一個顏色，不是因為關心顧客的反應，而是希望產品能夠成功，而且我們認為顏色很重要。同樣，我們關心醫生在不同薪資制度下的行為，是因為我們想控制醫療成本，而且在國家不破產的前提下，設計出每個人都負擔得起的醫療照護系統。一個預測如果無法帶來更重大的結果，我們就不會覺得它有價值，也不會感興趣。這裡又再次看到，人們只會關注重要的事，然而正是這些對未來更重要、更大的預測，造成了最大難題。

■黑天鵝與其他「事件」

在預測重大事件時會面臨的問題，尤其以納西姆．塔雷伯（Nassim Taleb）所說的黑天鵝事件最為嚴峻。塔雷伯當過金融衍生商品的交易員，也是金融圈有名的「討厭鬼」，他所謂的黑天鵝是指「雖然罕見，一旦發生卻會產生重大影響」的事件，例如印刷機的發明、攻占巴士底獄、九一一事件。然而，什麼因素導致了黑天鵝事件？這就是讓人困惑的地方。當我們在描述一件事，往往會把它們形容成獨立、截然不同的事件，並且賦予它們不同程度的重要性，就像在描述地震、雪崩、風暴等自然事件的級別或嚴重度一樣。事實顯示，許多自然事件並非呈現「常態」分布，而是分散在多個級別的偏態分布。人類的身高大致屬於常態分布，譬如美國男性的平均身高約為一七五公分，基本上不會看到身高六○公分或三六○公分的成年人。相反地，地震、雪崩、風暴和森林大火則呈現「重尾」分布（heavy-tailed distributions），大多數屬於相對較小而不受注意的事件，而少數為較大的嚴重事件。
直覺上很容易以為歷史事件也屬於重尾分布，而塔雷伯所謂的黑天鵝遠遠位在該分布的最尾端。然而，正如社會學家威廉．斯威爾（William Sewell）的解釋，某些歷史事件之所以「重大」，不僅是程度（就像有些颶風特別強），更是因為歷史意義，因為這些「事件」會促發較廣泛的社會秩序變革。斯威爾為了說明這一點，舉了一七八九年七月十四日攻占巴士底獄的例子。該事件看起來無疑符合塔雷伯對於黑天鵝的定義。然而斯威爾指出，這個事件不單是七月十四日發生在巴黎的一連串行動，還包括了七月十四日到七月二十三日之間發生的事。在這段期間，法國國王路易十六試圖鎮壓巴黎市民的暴動，而另一方面，教士、貴族與市民則在凡爾賽爭論，主題是國民議會應該譴責暴力，還是應該服務人民並接受人民意志。直到國王撤出郊區的軍隊，並前往巴黎表示懺悔之意，國民議會才確定立場，於是攻占巴士底獄才成為歷史意義上的一個「事件」。至此，整件事其實還沒結束，我們關心巴士底獄事件的唯一原因，當然是因為接下來的法國大革命，以及它將主權的概念從君權神授轉變為天賦人權。所以這一事件也不是到七月二十三日就結束，還包含了後續餘波，像是接下來一週法國各省都出現大規模的「大恐慌」，以及八月四日持續一整夜的著名立法會議，顛覆了整個舊政權時期的社會與政治秩序。
意思是，如果你想深入探究攻占巴士底獄這種黑天鵝事件，那界定該事件的範圍就要更廣。這個原則不僅適用於政治領域，也適用於電腦、網際網路、雷射之類的「科技黑天鵝」。舉例來說，網際網路或許真的屬於黑天鵝事件，但這表示什麼？黑天鵝是指「封包交換網路」的發明嗎？還是指原始網路的規模越來越大，最後發展成阿帕網（ARPANET），然後又擴展成網際網路？黑天鵝指的是物理基礎設施的發展嗎？因為有了這個基礎，全球資訊網（Web）、網際協議通話技術（voice-over IP）等創新科技才得以實現？或剛好相反，指的是這些催生出新的營運與社交互動模式的新科技？或是指這些最終改變我們搜集訊息、分享觀點、表達個人認同方式的趨勢發展？想必是所有發展結合在一起，才使得網際網路成為黑天鵝事件。但網際網路根本就不是單一事件，而是一整個歷史時代以及這期間發生的所有相關科技、經濟與社會變革的縮寫。
就連獲得黑天鵝稱號的自然現象也是如此。例如，卡崔娜颶風雖然是一場巨大風暴，但它不是有史以來、甚至不是那個夏天最大的風暴。因此它變成黑天鵝的原因與風暴本身不太相關，主要在於後續引發的事件：暴雨沖潰了堤防，導致洪水淹沒了大部分地區。再加上未能即時應變救援，使得數萬個居民遭受不必要的折磨，超過一千八百人喪命，數十萬人被迫撤離。許多疏散者不願重返家鄉，大量人口流失衝擊了紐奧良市的經濟。這一場可怕的災難，隨處可見潛在的種族與階級歧視、行政無能，以及權貴人士對弱勢族群的冷酷。這些事在大眾心裡留下陰影。換句話說，當我們把卡崔娜颶風比喻為黑天鵝事件，主要討論的並不是風暴本身，而是圍繞著卡崔娜展開的整個複雜事件，以及後續一連串同樣複雜的社會、政治與文化效應，這些影響直到今日仍持續發酵。
因此，預測黑天鵝事件完全不同於預測空難或失業率變化。針對後面這一類事件，我們不可能準確預測其結果，只能退而求其次預測結果出現的機率，不過，我們至少能提前說出想要預測的是什麼。相對地，我們只有在事後回顧時才能辨識出黑天鵝事件，因為那時才能整合各種歷史元素，並置於一個簡潔的標籤或名稱之下。換句話說，想要預測黑天鵝，除了要能事先看到未來可能的結果，還必須看到這些結果造成的影響，因為唯有如此，才能夠知道該事件的重要性。就像第五章丹托的例子一樣，如果鮑伯在他的玫瑰花還沒有得獎之前，就描述它們是得獎玫瑰，這根本就不算預測，而是預言――一種不但能預見未來發生的事，而且還能預見其意義的能力。
儘管如此，我們只要發現黑天鵝的存在，就忍不住希望自己能預測這類事件。正如第五章的重點，我們對於過去的常理性解釋往往混淆了故事與理論，對於未來的常理性直覺也經常混淆了預測和預言。當我們回顧過去，只會看到已發生的結果，而不是所有可能發生但沒有發生的事，因此，常理經常讓我們誤以為一系列事件之間具有因果關係，但實際上並沒有。同理，當我們思考未來時，會想像未來事件已經有一條特殊的進程，只是我們還不知道，而實際上卻不存在這種明確的進程。確切來說，未來更像一團集合，由可能的進程組成，每一條進程被抽中的機率不一，我們所能做的就是估計每一條進程的機率。不過，因為我們知道在未來的某個時刻，所有機率都會倒向某一條進程，所以自然只想關注那一條真正重要的進程。
同樣地，我們回顧過去時，不會對困惑於已發生「事件」的涵義，也不難區分事件的重要性。但正是這種「過去」的獨特性，讓我們以為未來也一樣獨特。而過去事件一目了然，也讓我們忍不住覺得自己應該可以預測未來會發生的重要事件。但這種直覺想法忽略了一點，即我們對過去的看法是一種集體敘事的產物，包含了專業歷史學家、記者、各種專家、政治領袖以及其他形塑公眾輿論者的共同努力，目的在於搞清楚「發生了什麼事」。只有在故事完成、取得共識之後，我們才有辦法知道相關事件，以及真正重要的事。照這個邏輯，預測事件的重要性不僅需要知道事件本身，也必須知道賦予該事件意義的社會過程的結果是什麼。