قوی سیاه

اپیزود شماره ۶

لینک‌ها

کتاب قوی سیاه

صفحه‌ی کتاب در آمازون

صفحه‌ی کتاب در گودریدز

خرید نسخه الکترونیک کتاب از خوانا / خرید نسخه الکترونیک کتاب از طاقچه

پادکست بی‌پلاس در ایتیونز /  در ساوند کلاد / در ناملیک

آدرس فید پادکست بی‌پلاس برای وارد کردن در اپلیکیشن‌های پادکست‌خوان : http://bplus.libsyn.com/rss

موزیک‌ها

حسین نجفی |  Shaolin-War k

اسپانسر‌ها

اپلیکیشن ماناپی

ثبت‌نام در اپلیکیشن خلاصه‌ی کتاب بلینکیست   

 

پشتیبانی از پادکست بی‌پلاس

قوی سیاه یا روی‌دادهایی که فکر می‌کنیم امکان وقوع ندارند اما اتفاق می‌افتند.

ما انسان‌ها در دریافت محرک‌های محیطی و تبدیل آن به اطلاعات قابل استفاده خبره هستیم. همین استعداد و مهارت است که کمک می‌کند روش‌های علمی بسازیم، درباره‌ی طبیعت وجود فلسفه‌پردازی کنیم یا مدل‌های پیچیده‌ی ریاضی ابداع کنیم. فرآیند انجام این کارها به نوعی شامل این اعمال است که چیزی را در فضای اطراف خود می‌بینیم و سپس آن را به داده‌ای تبدیل می‌کنیم که برای ما مفید باشد. اما در این خبرگی اشکال‌هایی نیز وجود دارد. مثلاً این‌که ذهن انسان بسته و محدود است. عادت دارد به محض این‌که تصور کند به نتیجه‌ای رسیده است، بر همان ایده پافشاری می‌کند. این رفتار با وجود دانش بشری که روز به روز در حال افزایش است رفتار عجیبی هم محسوب می‌شود. مثلاً ۲۰۰ سال پیش دانش‌مندان و پزشکان از داروها و دانش خود مطمئن بودند اما آن اطمینان اکنون برای ما شگفت‌انگیز است. حال خودِ ما نیز تقریباً همان رفتار را تکرار می‌کنیم. ایراد رفتار ما این است که تعصب ما برروی باورهای‌مان، نگاه ما را نسبت به هرچیزی که خارج از الگوهایی باشد که قبلاً پذیرفتیم کور و مسدود می‌کند. مثلاً اگر ندانیم چیزی به‌نامِ میکروب وجود دارد، چه‌گونه می‌توان فهمید دارو چیست؟ ممکن است بتوان درباره‌ی بیماری توضیحات قابل درکی ارائه داد ولی چون بخش مهم و حیاتیِ اطلاعات در اختیار نیست، توضیح هم ناقص خواهد بود.

این تعصب‌های فکری ممکن است غافل‌گیری‌های بزرگی را هم به وجود بیاورند. گاهی اتفاقاتی ما را غافل‌گیر می‌کنند. نه به خاطر ماهیت اتفاق بلکه به این دلیل که چشم‌انداز ما به موضوع محدود بوده است. این غافل‌گیری‌ها همان Black Swan است. قوی سیاه. چیزی که اگر از آن عبور کنیم ممکن است نگاه ما به جهان تغییر کند.

پیش از این‌که نخستین قوی سیاه مشاهده شود، انسان‌ها تصور می‌کردند قوها فقط سفید هستند. به همین دلیل همه‌ی تصاویر و حتا خیال‌پردازی‌ها از قو سفید بود. «سفیدی» بخشی جدانشدنی از مفهومِ قو بود. به همین دلیل وقتی نخستین قوی سیاه رنگ مشاهده و کشف شد درک بشر از قو هم اساساً تغییر کرد. پدیده‌ای که در این کتاب توضیح داده می‌شود ممکن است مصادیق ساده‌ای مانند رنگ قو یا مصادیق تاثیرگذاری مانند ارزش بازار سهام داشته‌باشد.

اثر پدیده‌ی قوی سیاه روی همه یک‌سان نیست. برخی بیش‌تر از دیگران از آن متاثر می‌شوند و برخی دیگر اصلاً تحت تاثیر قرار نمی‌گیرند. سنجش میزان تاثیر پدیده به این موضوع بستگی دارد که هر فرد چه‌قدر به اطلاعاتِ مرتبط با موضوع دست‌رسی دارد. هرچه دست‌رسی به اطلاعات گسترده‌تر باشد احتمال افتادن در دام قوی سیاه کم‌تر است و برعکس.

مثلاً تصور کنید شما روی اسب مورد علاقه‌تان شرط می‌بندید. اسمِ اسب «راکت» است. سابقه‌ی خوبی دارد و سوارکار ماهری نیز بر رکاب. رقیبانش ضعیف هستند و همه‌ی این اطلاعات شما را مصمم می‌کند تمام پول‌تان را روی راکت شرط‌بندی کنید. تپانچه‌ی شروع شلیک می‌شود اما  راکت  نه‌تنها پیش نمی‌افتد بلکه بیش از دو قدم از خط شروع جلوتر نمی‌آید و بعد روی زمین می‌نشیند. قویی که تا کنون سپید بود اکنون سیاه شده. شما براساس اطلاعاتی که در اختیار داشتید و منطقاً درست هم به‌نظر می‌آمد روی راکت  شرط بستید اما بلافاصله پس از شروع مسابقه همه‌چیز را باختید. اما در این میان که شما و دیگر کسانی که روی راکت شرط بسته‌بودند ضرر کردید، فردی هم بود که از باخت راکت سود برد. صاحبِ اسب. او می‌دانست که راکت قرار است در اعتراض به بدرفتاری با حیوانات اعتصاب کند بنابراین شرط را روی باخت اسبِ خودش بست و در نهایت برنده شد. این همان دست‌رسی به اطلاعات است که باعث شد صاحب راکت از اثر پدیده‌ی قوی سیاه در امان بماند. اطلاعاتی که شما در اختیار نداشتید ولی او داشت.

این پدیده ممکن است به‌جای افراد گاهی به جامعه نیز آسیب بزند. در این‌گونه مواقع معمولاً این احتمال وجود دارد که چرخش کار دنیا نیز تغییر کند و فلسفه و فن‌آوری و فیزیک نیز از آن متاثر شوند. مثلاً کوپرنیک هنگامی که گفت زمین مرکز دنیا نیست، عواقب مهیبی به دنبال آورد. چون کشفِ او هم قدرت و سلطه‌ی کلیسا را زیر سوال می‌برد و هم نفوذ و اعتبار کتاب مقدس (انجیل) را. اما در نهایت همین اثر کمک کرد که کل جامعه‌ی اروپا، قدم در دورانِ تازه‌ای بگذارد و دگرگون شود.

اگرچه انسان باهوش‌ترین حیوان روی سیاره‌ی زمین است ولی هنوز عادت‌های فکری اشتباهی دارد که رهایی از آن‌ها به سادگی ممکن نیست. مثلاً این موضوع که انسان‌ها براساس اطلاعاتی که از گذشته می‌دانند سعی می‌کنند آینده را هم پیش‌بینی کند. ازقضا در بیش‌تر موارد، گذشته نشان‌گر خوبی از آن‌چه در آینده رخ می‌دهد نیست. عوامل ناشناخته‌ی تاثیرگذار چنان بسیار اند که ممکن است پیش‌بینی کلاً تغییر کند و حرکت براساس آن به نتایج بدی منجر شود. فرض کنید گوسفندی در مزرعه‌ای زندگی می‌کند. گوسفند صاحبی مهربان دارد که هر روز او را به چرا می‌برد و به او غذا می‌دهد و از او مراقبت می‌کند. اگر براساس گذشته، آینده‌ی گوسفند را پیش‌بینی کنیم هرگز نمی‌توان حدس زد که فردا اتفاق متفاوتی خواهد افتاد. در حالی‌که فردا عید قربان است و قرار است گوسفند به قربان‌گاه برود و سلاخی شود.

باور بر این موضوع که ما می‌توانیم آینده را براساسِ گذشته پیش‌بینی کنیم نه‌تنها ما را به اشتباه خواهد انداخت بلکه ممکن است نتایج وخیمی هم به دنبال داشته‌باشد.

یک خطای دیگر خطای  تعصب بر باورها ست. اصطلاحاً confirmation bias ما معمولاً برای برای چیزهایی که قبلاً درستیِ آن‌ها برای‌مان اثبات و تایید شده و به آن باور داریم پِی شاهد و مدرک می‌گردیم. این تعصب بر درستیِ چیزهایی که برای ما اثبات شده گاهی ممکن است منجر شود که شواهدی را علیه باورهای‌مان نادیده بگیریم و وقتی به شاهد و مثالی برمی‌خوریم که با نتیجه‌ی ما متناقض است، آن را نمی‌پذیریم و معمولاً حتا سراغ بررسی آن هم نمی‌رویم. بلکه سراغ منابع جای‌گزینی می‌رویم که اهمیت این شواهد را زیر سوال می‌برند به‌طور مثال اگر کسی مطلقاً بر این عقیده باشد که تغییرات آب و هوایی توطئه و دروغ است و واقعیت ندارد، و سپس با مستندی برخورد کند که نام آن «شواهد انکارناپذیر تغییرات آب و هوایی» باشد احتمالاً عصبانی می‌شود. اگر بعد از آن سراغ گوگل برود و درباره‌ی موضوع جست‌وجو کند، احتمالاً چیزی که برای آن جست‌وجو خواهد کرد مطالب مرتبط با عقیده‌ِ خود (که تغییرات اقلیمی دروغ است) خواهد بود نه مطالبی که شواهد علمی و مستدل راجع به این موضوع ارائه دهند.  

این خطاها (خطای پیش‌بینی براساس آینده و خطای تعصب بر باورها) هر دو غیرِعلمی هستند اما به‌نظر می‌آید ما انسان‌ها به استنتاج براساسِ این خطاها بسیار گرایش داریم و نمی‌توانیم ذهن خود را از این اشتباه‌ها خلاص کنیم.

اطلاعات در مغز انسان به شکلی دسته‌بندی می‌شود که باعث می‌شود پیش‌بینیِ آینده دشوار باشد. در طول فرآیند تکامل، بشر به راه‌هایی برای دسته‌بندیِ اطلاعات دست یافته و آن‌ها را تکامل داده‌است که البته برای زندگی در طبیعت وحشی خوب و مناسب بوده‌است. مانند این‌که اطلاعاتی از پیرامون و خطرهای اطراف گردآوری کند و براساسِ آن‌ها کاری بکند که زنده بماند. اما این فرآیندها برای زندگی امروز بشر کاملاً نامناسب است.

خطای روایت یا Narrative fallacy که ما در طبقه‌بندیِ اطلاعات می‌کنیم مانند زمان‌هایی که برای توضیح وضعیت‌مان یک روایت خطی ایجاد می‌کنیم. چون اطلاعاتی که در معرض آن هستیم بسیار بیش از آن است که بتوانیم همه‌ی آن را درک کنیم، مغز ما تنها آن داده‌ها را انتخاب می‌کند که مهم‌تر باشد. مثلاً احتمالاً افراد بتوانند به‌خاطر بیاورند که امروز صبحانه چه خورد‌ه‌اند اما بعید است رنگ کفش همه‌ی کسانی که در مترو دیده‌اند را به‌یاد بیاورند. چون اطلاعات زیاد مغز را ناچار از انتخاب می‌کند. انتخابِ این‌که کدام اطلاعات را نگه دارد و کدام را دور بریزد. و سپس ما برای این‌که به هرکدام از این بخش‌های جداگانه‌ی اطلاعات، معنا بدهیم آن‌ها را در یک روایت خطی و معنادار تعریف می‌کنیم. داستانی می‌سازیم که سیر منطقی داشته‌باشد. مثلاً وقتی درباره‌ی زندگی خودمان فکر می‌کنیم احتمالاً چندین روی‌داد را به عنوانِ روی‌دادهایِ مهم و معنی‌دار به‌خاطر می‌آوریم و آن‌ها را به شکلی پشت سر هم می‌چینیم که روایتِ آن توضیح دهد چه‌گونه ما این فردی شده‌ایم که هستیم. مثلاً ما عاشقِ موسیقی هستیم چون مادرمان هرشب لالایی یکی از از ترانه‌هایِ بیتلز را می‌خواند.

اما ساختنِ این روایت‌ها راهِ خوبی برایِ شناختنِ جهان نیست. چون فقط با نگاه به گذشته انجام می‌شود و علاوه بر آن، بی‌نهایت توضیحی را که برای هرکدام از این روی‌دادها وجود دارد درنظر نمی‌گیرد. حقیقت این است که داده‌ای بسیار کوچک و ظاهراً بی‌اهمیت، ممکن است عواقب مهم و غیرقابل پیش‌بینی داشته‌باشد. احتمالاً اصطلاح «اثر پروانه‌ای» را شنیده‌اید. پروانه‌ای در هند بال‌هایش را به هم می‌زند و این ممکن است باعث شود یک ماه بعد در نیویورک توفان بیاید. اما واقعیت این است که اگر ما زنجیره‌ی علت و معلولیِ حوادث را تک‌تک و جزء به جزء از زمانِ بال زدنِ پروانه تا زمانِ شروعِ توفان بنویسیم، ممکن است بتوانیم میانِ این دو اتفاق، روی‌دادها را دقیق و شفاف ببینیم. ولی ما تنها خروجی‌ها را می‌بینیم. این‌جا مثلاً توفانِ نیویورک را. و کاری از دستِ ما ساخته نیست مگر آن‌که به دنبالِ پدیده‌ای هم‌زمان با خروجی بگردیم و احتمالاتِ اثرِ آن پدیده را بررسی کنیم.

خطای دیگری نیز در دسته‌بندیِ اطلاعات وجود دارد. ما در تشخیص «نوع» برخی داده‌ها مهارت چندانی نداریم. مانند داده‌هایِ مقیاس‌پذیر و مقیاس‌ناپذیر (scalable and non scalable information) داده‌های مقیاس‌پذیر مانند قد و وزن انسان. این داده‌ها از حدی بیش‌تر یا از حدی کم‌تر نمی‌تواند باشد. مثلاً ممکن است انسانی ۵۰۰ کیلو وزن داشته‌باشد اما هیچ انسانی با ۵۰۰۰ کیلو وزن یافت نمی‌شود. دلیل مقیاس‌پذیر بودنِ آن هم محدودیت‌ها ست. در این مثال محدودیت فیزیک و جسم انسان.

اما درباره‌ی چیزهای غیرفیزیکی یا اساساً انتزاعی مانند توزیع ثروت یا فروش یک آلبوم موسیقی نمی‌توان مقیاسی دقیق درنظر گرفت. وقتی یک قطعه‌ی موسیقی را روی آی.تیونز می‌فروشید هیچ محدودیتی برای تعداد کل فروش وجود ندارد. چون محدودیت فزیکی‌ای بر سر راه نیست و خرید هم به‌صورت آن‌لاین انجام می‌شود. پس در تئوری ممکن است آلبوم موسیقی شما از یک نسخه تا یک تریلیون نسخه فروخته شود.

برای به‌دست آوردن تصویر دقیقی از جهان، لازم است تفاوت میانِ این دو نوع داده را درنظر گرفت و اگر قوانین داده‌های مقیاس‌پذیر را بر داده‌های مقیاس‌ناپذیر اعمال کنیم، قطعاً منجر به خطا خواهد شد.  مثلاً اگر بخواهیم کل ثروت مردم انگلستان را اندازه بگیریم ساده‌ترین روش دست‌ِیابی به میزان ثروت سرانه است. یعنی درآمد همه‌ی مردم را جمع کنیم و رقمِ آن را بر جمعیتِ کشور تقسیم کنیم. اما نکته این‌جا ست که ثروت درواقع مقیاس‌پذیر است. ممکن است بخش کوچکی از مردم، درصد بالایی از ثروت را در اختیار داشته‌باشند. اگر فقط داده‌های سرانه را جمع کنیم، نتیجه توزیع دقیقی از درآمد را نشان نخواهد داد و مشخص نخواهد شد در واقعیت وضع ثروت شهروندان انگلیس چه‌گونه است.

یکی از چیزهایی که در زندگی برای ما بسیار اهمیت دارد این است که مراقب باشیم آسیبی به ما نرسد. یکی از راه‌های این مراقبت، مدیریت و ارزیابی ریسک است. مثلاً بیمه‌ی حوادث برای همین منظور خریده می‌شود. یا در سرمایه‌گذاری‌ها و موارد مشابه اصطلاحاً همه‌ی تخم‌مرغ‌های‌مان را در یک سبد نمی‌گذاریم. ما سعی می‌کنیم اندازه‌گیریِ میزان ریسک را دقیق انجام دهیم که اقدام ما نه منجر به پشیمانی شود و نه از سوی دیگر به دلیل نگرانی و احتیاط زیاد فرصت‌های خوب پیش‌ رو را از دست بدهیم. برای رسیدن به این هدف، ریسک موضوع را ارزیابی می‌کنیم. خطر احتمالی را می‌سنجیم و بعد میزان احتمال را هم تخمین می‌زنیم. مثلاً هنگام بیمه کردن ما نوعی از بیمه را می‌خریم که دربرابر بدترین اتفاق ممکن از ما محافظت کند اما دور ریختن پول هم نباشد. این‌جا ست که باید خطرات و میزان احتمال آن‌ها را بررسی کنیم. یا مثلاً بیماری‌هایی را که می‌خواهیم خود را دربرابرِ آن‌ها بیمه کنیم و عواقب آن را بسنجیم و سپس آگاهانه تصمیم بگیریم. اما در این ارزیابی‌ها ما معمولاً خوش‌بین هستیم و خودمان را دست‌ بالا تصور می‌کنیم. مطمئن هستیم که حواس‌مان به همه‌ی خطرهایی که باید خود را در برابر آن‌ها محافظت کنیم هست. این،  خبر بد اینه که ما خیلی خودمون رو دست بالا می‌گیریم معمولا. خیلی مطمئنیم که حواسمون به همه خطرهایی که باید خودمون رو در مقابلشون محافظت کنیم هست. این هم خطای دیگری از جنس خطاهای قوی سیاه است که نویسنده آن را خطای بازی یا ludic fallacy نام گذاشته است. او معتقد است برخورد ما با خطرات به گونه‌ای است که انگار در حال انجام بازی‌ای هستیم که قوانین آن از پیش معلوم است و احتمالات آن را به خوبی می‌دانیم و حتا پیش از شروع بازی می‌توانیم درباره‌ی آن تصمیم‌گیری کنیم. در حالی‌که برخورد با ریسک همانند یک بازی خود یک عمل خطرناک و پرریسک است.

کازینو‌دارها می‌خواهند بیش‌ترین پولی را که می‌توانند از بازی‌کنان به دست بیاورند. به همین دلیل سازوکارهای امنیتی بسیار دقیقی دارند که اجازه ندهد بازی‌کنان چندین بار پشت سر هم برنده شوند. اما طرز فکر کازینودارها نیز براساس همین خطا ست. همیشه بزرگ‌ترین تهدید کازینوها، قماربازان خوش‌اقبال یا دزدها و کلاه‌برداران قمار نیستند. ممکن است گروگان‌گیری فرزند صاحب کازینو بزرگ‌ترین تهدید برای او باشد. یا اشتباه یک کارمند در فرستادن صورت‌های مالی به اداره‌ی مالیات در مهلت قانونی. هرگز نمی‌توان بزرگ‌ترین تهدید علیه یک کازینو را به‌طور دقیق و قطعی پیش‌بینی کرد. مهم نیست چه‌قدر دقت کنیم و تلاش کنیم و با حواس جمع سعی کنیم دربرابر خطرهایی که فکر می‌کنیم بزرگ‌ترین تهدید علیه ما هستند خود را مصون کنیم. ما هرگز نمی‌توانیم میزان دقیق ریسک را ارزیابی کنیم.

حال این نکته مطرح می‌شود که بهتر است از نادانی خود درباره‌ی همه‌ی خطرات و احتمالات آن‌ها آگاه باشیم یا نه. جمله‌ی «دانش قدرت است» را شنیده‌ایم. اما چیزهایی که در حوزه‌ی «دانش» ما هستند محدود اند و بسیاری از اوقات چیزهای زیادی را نمی‌دانیم. این مواقع همان هنگامی است که دانستنِ نادانی‌مان به ما کمک خواهد کرد. اگر همه‌ی حواس خود را روی چیزهایی که می‌دانیم متمرکز کنیم، توانایی درک خود را محدود کرده‌ایم و ممکن است حتا نتوانیم رخ دادن بسیاری از چیزها را تصور کنیم. چون این چیزها بیرون از دایره‌ی فهم و دانش ما هستند و این‌گونه شرایط ما برای رخ دادن اشتباه‌های پدیده‌ی قوی سیاه کاملاً آماده است.  فرض کنید می‌خواهیم سهام شرکتی را بخریم و درباره‌ی بازار سهام هم اطلاعات زیادی گردآوده‌ایم. اما این اطلاعات فقط مربوط به بازار بین سال‌های ۱۹۲۰ تا ۱۹۲۸ است. یک سال پیش از سقوط بزرگ بازارها. ما به داده‌های خود نگاه می‌کنیم و صعودها و نزول‌ها را می‌بینیم اما روند کلی را رو به صعود ارزیابی می‌کنیم. بنابراین روند کلی را «رو به صعود» ارزیابی می‌کنیم و تمام دارایی‌مان را تبدیل به سهام می‌کنیم. اما روزی دیگر بازار سقوط می‌کند و ما هرچه داشته‌ایم از دست خواهیم داد. در حالی‌که اگر مطالعه‌ی بیش‌تری بر روی بازار انجام می‌دادیم یا اطلاعات بیش‌تری در اختیار داشتیم می‌دانستیم تاریخ بازار پر از صعود و سقوط‌های متعدد است و در آن شرایط تصمیم متفاوتی می‌گرفتیم. اما اگر بتوانیم چیزهایی که نمی‌دانیم را مشخص کنیم، این توانایی را خواهیم داشت که خطر را تا حد زیاد کم کنیم. بازی‌کنان پوکر به‌خوبی از این قدرت برخوردار اند چون برای پیروزی‌شان حیاتی است. آن‌ها قوانین را می‌دانند و می‌توانند احتمال برد خود و رقیب‌شان را نیز تخمین بزنند. اما این را نیز می‌دانند که چیزهایی هست که از آن بی‌خبر هستند. مانند این‌که استراتژی رقیب‌شان چه‌گونه است یا تا چه مبلغ می‌تواند ببازد. دانستنِ این نادانسته‌ها به پوکربازان کمک می‌کند استراتژی‌ای تدوین کنند که فقط روی دست خودشان متمرکز نیست. در نتیجه آن‌ها قادر اند ارزیابی آگاهانه‌تری از خطر انجام دهند.

برای این‌که در دام این‌گونه تله‌های شناختی نیفتیم احتمالاً بهترین کاری که می‌توانیم بکنیم آن است که ابزارهای پیش‌بینی را بشناسیم و متوجه محدودیت‌های این ابزارها باشیم. دانستن محدودیت‌های خودِ ما جلویِ همه‌ی اشتباه‌های آینده را نخواهد گرفت اما به ما کمک می‌کند خطر تصمیم‌گیری بد را کم‌تر کنیم. مثلاً این‌که بدانیم ما تعصب‌های شناختی cognitive bias داریم، دیگر وقتی درباره‌ی یک موضوع دنبال اطلاعات می‌گردیم، جست‌وجوی خود را محدود به آن‌چه باور داریم نمی‌کنیم و دوست داریم نتیجه‌ی جست‌وجو باورمان را تایید کند، نمی‌کنیم. یا اگر آگاه باشیم که عادت داریم اطلاعات را در قالب روایت‌های خطی بچینیم و این طرز برخورد با اطلاعات پیچیدگی‌های دنیا را بسیار ساده می‌کند، ممکن است در مواجهه با یک موضوع به پذیرش آن روایت ساده و خطی اکتفا نکنیم و در پِی اطلاعات بیش‌تری باشیم تا تصویر کامل‌تری از آن به دست بیاوریم.  

همین آگاهیِ ساده و همین تحلیل شخصیِ کوچک اما بسیار حیاتی می‌تواند ما را در هر زمینه‌ای که در آن فعالیت می‌کنیم پیش بیندازد و از مزیت رقابتی برخوردارمان کند.

اگر نقاط ضعف‌مان را خوب بشناسیم، اگر این را بدانیم که ریسک‌های غیرقابل‌پیش‌بینی در امیدبخش‌ترین فرصت‌ها نیز وجود دارد، اگر بدانیم که قادر نیستیم بر اتفاقات غیرمترقبه چیره شویم، اگر آگاه باشیم ظرفیت‌هایِ ما برای فهم پیچیدگی‌های دنیا بسیار محدود است و در نهایت اگر آسیب‌های ناشی از ناآگاهی و نادانسته‌ها را بدانیم می‌توانیم امکان موفقیت خود را افزایش دهیم

خلاصه‌ی کتاب قوی سیاه این‌که اگرچه ما مرتباً درباره‌ی آینده پیش‌بینی می‌کنیم اما در این کار بسیار ضعیف هستیم. به دانسته‌های‌مان مطمئن هستیم و نادانسته‌ها را دست‌کم می‌گیریم. به روش‌هایی که منطقی به‌نظر می‌رسند بیش از آن‌چه باید تکیه می‌کنیم. اتفاقات غیرمترقبه و تصادفی را نمی‌توانیم درست درک و تعریف کنیم. همه‌ی این‌ها در کنار بیولوژیِ ما دست به دستِ هم می‌دهند و باعث می‌شوند تصمیم‌های خوبی نگیریم و آن زمان است که پدیده‌ی قوی سیاه روی می‌دهد. پدیده‌ای که مطمئن بودیم اتفاق نمی‌افتد. اما رخ داده و در بسیاری اوقات نهایتاً فهم ما از دنیا را از نو تعریف می‌کنند. این فهم دوباره منجر به اتفاقاتی در سطح جهانی شده‌است که کتاب برخی از آن‌ها را مثال می‌زند. جنگ جهانی اول، فروپاشیِ اتحاد جماهیر شوروی، ابداع و ظهور وب، یازده سپتامبر ۲۰۰۱، و کامپیوترهای شخصی.

www.BPluspodcast.com

۶ Comments

  • AA گفت:

    چقدر خوب بود. این مطلبی هست که من همیشه در بحث های روزمره روش تاکید میکنم. اینکه با اطلاعات محدود و با در نظر نگرفتن فاکتورهای بی شمار دست به یک کاری میزنیم و خیلی هم جدی و مطمئن منتظر نتیجه مورد انتظار هستیم !
    ولی اگر صدای شما نبود بی پلاس گوش نمیدادم. به نظرم پادکستهای فارسی و مخصوصا انگلیسی بهتری روی همین نوع مطالب کار میکنند ولی خوب تعریف میکنید دیگه … مرسی خیلی ممنون

  • omid گفت:

    سلام
    من پادکست هاتون رو دوست دارم و خیلی خوب تعریف میکنید و بهترین سرگرمی من پشت فرمون هستن که توی ماشین هم کتاب بخونم
    از اونجائیکه نسیم طالب یکی از نویسنده های مورد علاقه من است و کتاب قوی سیاهش رو خوندم، چیزی که متوجه شدم توی این پادکست اینه که در مورد داده های مقیاس پذیر و داده مقیاس ناپذیر توضیحش رو برعکس گفتید یعنی جابجا گفتید اما توی توضیحات متن کامل اپیزود درست اومده. اگه امکانش بود چکش کنید.
    دم همتون گرم و ممنون

  • فراز گفت:

    سلام آقای بندری. من از بچگی ادم کتابخوانی بوده ام ولی درگیر شدن در زندگی روزمره و سیل اطلاعات پراکنده و عدم تمرکز موجب جدایی من از کتاب ده بود. پادکستهای شما با نحوه بیان جذابتان مرا با کتاب آشتی داده است. بخصوص این پادکست بی پلاس که واقعا انتخاب کتابهایش بسیار جذاب است و مرا تشویق به اصل کتاب می کند.من به هر کسی که بدانم دنبال می کند پادکستهای شما را توصیه کرده و می کنم. از شما سپاسگزارم. بخصوص این که امروز شنیدم کتابها را هم در دسترس قرار می دهید مرا خوشحال کرد چون به این ترتیب ترجمه هایی که مورد تایید شما هستند را معرفی خواهید کرد.

  • نعيم گفت:

    سلام ، ممنون از تلاش و زحمات . ایا امکانش هست راهی فراهم کنید که در امریکا بشه نسخه فارسی کتابها را چه الکترونیکی و چه پرینتی تهیه کرد؟

  • Vahid گفت:

    کتاب خوان خوانا افتضاحه به معنای واقعی.
    کتاب را به صورت پی دی اف میاره و اصلا راحت نیست خوندن در این اپلیکیشن
    متاسفانه من روی اعتماد بی پلاس کتاب را خریدم ولی الان پشیمونم. اصلا قابل خوندن نیست!

Leave a Reply

واحد پول مورد نظرتان را انتخاب کنید