為什麼一位物理學家隨手灑紙片的動作,是決策者最該學的估算方法
一九四五年,美國科學家費米在原子彈試爆現場外圍,做了一件流傳至今的小事。他撕碎一疊紙片,在爆炸衝擊波抵達的瞬間隨手灑向空中,再用步伐丈量紙片被吹飛的距離。幾秒鐘的心算之後,他說出一個當量估計值。後來精密儀器測得的結果,與他的估計相差不到一個數量級。
這件事之所以被反覆傳頌,不是因為費米算得有多準。而是因為他示範了一種截然不同的判斷方式:完全沒有精確數據,也沒有時間查證,依然能做出一個足夠可靠、可以拿來行動的答案。
這種能力後來被稱為費米估計。最常被拿來示範的題目是「芝加哥有多少位鋼琴調音師」—一個乍看毫無頭緒、查資料也查不到答案的問題。多數人面對這類問題,第一反應通常是兩種極端:一種是拖延,想再找更多資料、等更有把握才敢開口;另一種是乾脆放棄判斷,回答不知道。
這兩種反應背後,其實是同一種誤解:以為估計的對立面是亂猜,以為只有精確才算數,模糊就等於不負責任。費米估計恰恰相反,它是一套嚴謹的思維方法。嚴謹的地方不在數字本身,而在推導數字的邏輯是否站得住腳。
費米估計要處理的問題,從來不是答案準不準,而是在沒有精確答案的情況下,我們是否依然有能力做出一個站得住腳的判斷。
這篇文章的重點:
- 費米估計是一套將複雜未知問題拆解成小問題的思維方法,不是隨意猜測
- 核心技巧是找到可靠的錨點數字,再透過拆解與乘除逐步逼近合理範圍
- 它的價值不在答案精不精確,而在數量級對不對,以及推理過程能不能被檢驗、被修正
- 在商業決策、產品規劃、談判準備與風險評估中,它往往是第一道判斷防線
- AI 能協助拆解問題、快速提供參考數字、交叉驗證假設,但最終把關仍然要靠人
- 它訓練的其實是一種心態:面對不確定性,敢給出一個可以被檢驗、可以被修正的答案
費米估計是什麼:重點是合理,不是正確
費米估計得名於恩里科·費米,一位以能快速估算物理量聞名的物理學家。他任教於芝加哥大學期間,常在課堂上拋出看似荒謬的題目,考驗學生能不能在完全沒有資料的情況下,單靠邏輯與常識,推算出一個合理的答案。這套訓練後來被整理成正式的思維方法,廣泛用在物理學、工程學,以及後來的商業與科技產業。
它的核心邏輯,建立在一個常被忽略的事實上:多數重要決策發生的當下,我們手上並沒有精確數據,也沒有時間把數據找齊。傳統直覺是,沒有精確數據就無法判斷,只能等、只能查、只能交給更懂的人。
費米估計提供了第三條路。承認自己不知道確切答案,但透過拆解問題、找可信的參考點、逐步推導,依然能算出一個誤差在合理範圍內的答案。這裡說的合理範圍,通常是指數量級正確—答案落在真實值的十分之一到十倍之間,而不是要求小數點後幾位的精確。
這也是費米估計與亂猜最本質的差異。亂猜是憑空丟出一個數字,無法解釋,也無法檢驗。費米估計則是一條可以被拆開檢查的推理鏈,每一步都建立在一個可以被質疑、被替換、被修正的假設上。正因為推理過程透明,即使最終答案有誤差,也能很快找出是哪個環節出了問題,然後修正——而不是整個判斷推倒重來。
如何做費米估計:拆解、找錨點、量級檢查
實際操作,通常依循三個步驟。
第一步是拆解問題。把一個龐大、無從下手的問題,切成幾個各自可以估算的小問題。以「芝加哥有多少位鋼琴調音師」為例,可以拆解成:芝加哥有多少人口、多少比例家庭擁有鋼琴、每架鋼琴平均多久調音一次、一位調音師一年能服務多少架鋼琴。拆解的原則很簡單:每一個小問題,都要比原問題更容易估算。
第二步是找出每個小問題的錨點數字。錨點數字不需要精確,但要有依據,可以來自常識、生活經驗、粗略記得的統計數字,或合理的類比推算。例如芝加哥人口大約三百萬,平均每戶約二點五人,就能推得家庭戶數;鋼琴擁有率可以用生活觀察粗估為每百戶一到兩架。每個錨點數字,都要能講出「為什麼是這個數字」,而不是憑空拍腦袋。
第三步是把各個小問題的估算值相乘或相除,組合出最終答案,再用量級思考做合理性檢查:這個答案的數量級聽起來合理嗎?有沒有哪個假設明顯偏離現實?以鋼琴調音師為例,照上述拆解算下去,最後推算出的人數通常落在一百到兩百人之間,這與芝加哥實際登記的調音師人數相當接近。這三個步驟合起來,就是一套可以重複使用、應用在任何未知問題上的推理框架。
實務上的應用:決策、談判、風險評估的第一道防線
在實務工作中,費米估計最常出現的場景,是要在會議室裡當場給出判斷,而不是等回去查完資料再回覆。
產品規劃階段評估市場規模時,團隊往往沒有現成的精確調查數據。但可以拆解目標用戶群、滲透率、使用頻率,快速估算出一個量級範圍,判斷這個方向值不值得投入資源深入調查。這個粗估不是最終答案,而是決定下一步該不該花更多成本查證的第一道篩選。
資源與人力規劃也經常仰賴費米估計。判斷一項新專案需要多少人力、多長時間,往往無法精確計算,但可以拆解成任務數量、每項任務平均耗時、可用人力,推算出一個合理區間,作為排程與談判的起點。談判準備同樣如此:不清楚對方底線與成本結構時,透過費米估計推算對方可能的利潤空間,能讓自己在談判桌上有個站得住腳的參考值,而不是完全被動。
風險評估則是費米估計特別關鍵的場域。多數風險發生的機率與影響範圍,都無法取得精確數據,只能拆解事件鏈、估算各環節的機率,推算出一個大致的風險量級,判斷值不值得投入資源預防。這類判斷如果每次都要等數據齊全才下結論,往往早已錯過決策時機。費米估計的價值,正在於能在資訊不全的情況下,提供一個足夠可靠、可以立刻拿來行動的判斷基礎,同時保留日後修正的空間。
AI 如何幫上忙:從獨自推理到人機協作
過去做費米估計,高度仰賴個人的知識廣度。一個人如果對某個領域缺乏基本常識,就很難找到可靠的錨點數字,拆解問題的品質也會受限。
AI 的出現改變了這個限制。面對一個複雜的未知問題,AI 可以在幾秒鐘內協助拆解成多個子問題,並針對每個子問題提出多種可能的拆解路徑,讓使用者從中挑選最合理的一種。這相當於把費米原本一個人腦中的推理過程,變成一場隨時可以徵詢意見的討論。
在找錨點數字這件事上,AI 的優勢更明顯。過去要找一個可靠的參考數字,可能得翻查統計資料、回想生活經驗。現在可以直接詢問 AI,取得對應領域的粗略統計數字或合理估計範圍,大幅縮短找錨點的時間。AI 也能協助交叉驗證假設——把同一個問題透過不同拆解路徑各算一次,比對結果是否落在相近的數量級,差距過大就代表某個假設需要重新檢視。這種快速迭代的能力,讓費米估計從過去需要反覆手算、容易半途而廢的過程,變成幾分鐘內就能完成多輪修正的協作流程。
不過,AI 輔助費米估計也有需要留意的地方。AI 給出的數字經常帶著自信的語氣,即使那個數字本身缺乏依據,也可能因為表述流暢而被誤以為可信。費米估計真正的核心,從來不是取得一個數字,而是理解推導這個數字背後的邏輯,並且知道這個邏輯建立在哪些假設之上。用 AI 時,更該做的是要求它說明每一步拆解與每個錨點數字的依據,而不是直接採用結論。AI 適合擔任拆解問題、查找資料、快速迭代的夥伴,但最終判斷每個假設合不合理、答案可不可信,仍然需要人來把關。
費米估計真正訓練的,從來不是算得準的能力,而是面對不確定性時,依然願意拆解問題、找出依據、給出一個可以被檢驗答案的習慣。在資訊永遠不完整的現實世界裡,這種敢於判斷、也敢於修正的能力,比等到資料齊全才開口的完美主義,更能撐起一次又一次真正需要決策的時刻。費米估計要練的不是精確,而是在不確定中依然敢於行動的判斷力。
發表迴響