一个研究黑洞的人，来教你算概率——读项舒杨《了不起的概率思维》

这本书的作者有点反差。

项舒杨，巴黎皮埃尔和居里大学（现在并入索邦大学）数学博士，做的方向是相对论与黑洞。后来去法国路桥大学和亚琛工大做博士后，在亚琛当过讲师，现在是一线的数据科学家，同时管着巴黎规模最大的机器学习社团。

在豆瓣上，她的名字叫 Charlotte，写数学科普，文风很软。她在一期播客里说过一段话：数学不是计算器能代劳的算术，是一种看世界的方式，能帮人抵御偏见、识破谎言。

《了不起的概率思维》就是这句话的展开。副标题"从贝叶斯到大语言模型"，听起来像两件不相干的事被硬凑在一起，其实是同一条线索的两端。

一、这本书的结构，比它的内容更值得说

二十一章，看着像一本正经的教材，目录却是这样排的：

不确定的世界 → 信念更新 → 数据的表达 → 从偶然到必然 → 给机器任务 → 偏微分方程 → 难下的山 → 最简单的世界 → 复杂边界 → 从前因到后果 → 爬上因果阶梯 → 从静态到动态 → 预测未来 → 语言这件大事 → 两则题外话 → 神经网络 → 深度学习 → 马尔可夫链 → 从依赖性到可计算性 → 大语言模型 → 能和人工智能做朋友吗

粗略地说，前五章是把人放回"不确定"里，讲人怎么判断；第十六章往后才是机器：神经网络、深度学习、马尔可夫链、大语言模型。

中间夹着第六章"偏微分方程"。这一章最容易让人卡住——一本讲概率的通识书，为什么突然讲偏微分方程？

我的理解是，它在补一块地基。偏微分方程描述的是"变化如何传播"：热在金属棒里怎么传导、浓度怎么从高到低渗透、波怎么扩散开。物理学用它处理连续世界。而概率论走到随机过程这一支，描述的也是另一种"扩散"——随机性、噪声、不确定性如何在系统里一层层蔓延。两套语言在数学结构上是通的。

这一章的位置也说明作者的用心：她想让读者在进入机器之前，先习惯"过程"这个视角，而不只是"事件"。前面讲的是某一次判断准不准，后面讲的是连续演化的系统。

这个安排不是炫技。它对应了一个真实的历史：概率论从赌桌和保险业起家，一路走到今天成了机器智能的底层语言。作者没有把这个过程写成编年史，而是让读者先在人的尺度上把概念摸熟，再被推到机器的尺度上。这个"由人到机器"的顺序，是这本书最讲究的地方。

二、它讲的其实是一件很朴素的事：判断可以被修正

书里最实用的一章是第二章"信念更新"，讲贝叶斯。

贝叶斯公式在所有概率教材里都是重点，但也最容易讲成公式推导。这本书的处理是把它还原成一个动作：你先有一个判断，然后拿到新证据，把判断调一调。这个动作可以反复做，做一次叫修正，做一百次就叫学习。

作者在播客里提过一个经典问题，最早是统计学家用来解释"混杂变量"的：为什么在体重不足的新生儿里，母亲抽烟的那一组存活率反而更高？直觉会立刻给出一个荒谬的结论——抽烟对早产儿有好处。但把人群按出生体重再细分一层，这个结论就塌了：在同一个体重区间内，不抽烟的母亲生下的孩子存活率更高；抽烟组整体存活率高，只是因为这一组里原本就少了一批极轻的婴儿——那批最脆弱的，很多没能活着进入统计。

换句话说，抽烟的伤害是真实的，只是被体重这个变量掩盖了。分开看和合起来看，结论完全相反。这个现象后来被叫作辛普森悖论，逻辑不难，但要人真的转过来，得靠训练。作者的看法是：人天生不是用贝叶斯思考的动物，但这点计算量并不大，练一练就能避开日常里大量的偏见。

书里还提到一个更日常的场景。长辈说"什么年龄就该做什么事"，这话听着没法反驳，因为它是用"应该"包装的。但如果把它翻译成概率语言，问题就变了：在这个年龄做这件事的成功率是多少？不做的代价是什么？"该做"这件事的样本是谁——是我的同龄人，还是三十年前的同龄人？这些问句一出来，"应该"就散了。

这就是作者说的"抵御偏见、识破谎言"——不是靠更聪明的头脑，是靠一套能把模糊判断拆成可检验部分的习惯。

还有个例子能说明概率有多反直觉。假设一种病的患病率是千分之一，检测的准确率是 99%（有病测出阳性、没病测出阴性的概率都是 99%）。一个人测出阳性，他真的有病的概率是多少？大多数人的直觉是 99%。实际算下来只有 9% 左右。因为在一千个人里，真正有病的只有 1 个，而 999 个健康人里会有大约 10 个被误判为阳性。阳性结果里，误报比真病例还多。

贝叶斯公式做的就是这件事：它强迫你把"基础概率"放回计算里。人脑不擅长这个，直觉会自动忽略分母，只盯着那个 99%。

三、后半本：机器是怎么"理解"语言的

从第十六章开始，书进入技术部分：神经网络、深度学习、马尔可夫链、大语言模型。

这部分最容易写成术语的堆砌。作者的处理仍然是"降回生活"：马尔可夫链说白了就是"根据现在猜下一步，不需要记得全部过去"；神经网络是一层层加权求和再决定要不要激活；大语言模型做的事，本质上是给定前文，算下一个词的概率分布，然后采样。

这个描述听起来简陋，但它戳中了一个关键：大模型不是在"理解"，它是在做极高维度的概率预测。它输出的不确定性不是故障，是这套机制的固有属性。所以幻觉、前后不一致、同一个问题两次回答不同，都不是 bug，是原理决定的。

明白了这一点，使用大模型的心态就会变。不会把它当一台永远正确的问答机，而会把它当一个需要被约束、被验证、被反复核对的概率引擎。作者在播客里说了一句很实在的话：总是顺着你的 AI 很危险，你需要一点对抗。这句话和书里最后一章"能和人工智能做朋友吗"是同一个意思——不是敌意，是保持判断力。

四、它不完美的地方

得说实话，这本书有它够不着的地方。

第一，它不深。作为通识读物，它把每个概念都停在"能理解"的层面，不推到"能计算"的层面。想真正学会贝叶斯推断、想自己动手跑一个神经网络，这本书不够用。它给的是地图，不是工具。

第二，二十一章、248 页、14 万字，平均每章不到七千字。这个密度对通识书是合适的，但有些章节（比如"两则题外话"）更像随笔，和主线的关系松。作者大概也知道，取名就叫"题外话"。

第三，前后两半的读者不完全是一批人。前半本写给想改善判断力的普通人，后半本写给想搞懂 AI 的人。两边都想要的读者会觉得顺畅，只想要一边的，会觉得另一半是负担。

这些不算硬伤，是体裁的代价。

还有一点得提醒：书里的示意图不少，用意是用图替代公式。这是好意，但图能表达的东西有上限。贝叶斯公式的三层结构（先验、似然、后验）用一张图能看懂意思，可一旦要算具体数值，还是得回到式子。所以这本书的定位最好是"带你看懂"，不是"教你算"。

另外，它写到大语言模型为止，没怎么碰多模态、推理模型这些更近的东西。书里说"概率是机器理解语言的核心机制"，这个判断在 2026 年依然成立，但边界正在移动。读的时候心里有个数就好。

五、值得说一句的出版信息

中国纺织出版社，2026 年 8 月，平装，定价 59.80 元。8 月上架，豆瓣评分 8.8，评价人数还不多——这个分数参考价值有限，但至少说明先读的那批人没有失望。

顺便说一句，中国纺织出版社出这样一本讲贝叶斯和大模型的书，本身有点出人意料。这家社的传统强项是纺织、服装、轻工，近几年在科普上铺得比较开。2026 年 9 月的《科普时报》成人科普书榜把它列了进去，和尹烨的《生命密码》系列、商务的《粪便简史》放在一起——这个组合本身就说明，它被当成一本大众读物，而不是一本专业教材。

书做得规整，32 开，纸不薄，排版留白多，读起来不挤。

最后

这本书让我想起作者自己的一个经历。她在播客里说，本科原本想学草坪管理，后来转到数学，再后来搞 AI。她说不是每个人都适合学数学专业，数学也不是天才才能做的事，它可以很日常。

这句话和这本书的写法是一致的。它没有摆出"读完就懂 AI"的架势，也没有把概率讲成一门要应付的考试。它做的事更朴素：把"不确定"这件事拆开，让你看见人在其中怎么判断，机器又怎么在其中"判断"，然后告诉你，这两件事的底层是同一套东西。

读完不一定能算得更准，但至少会多问一句：这个结论，是在什么前提下成立的？样本是谁？我看到的，是不是已经被筛过一遍的世界？

在这个到处都是"精准预测"和"绝对判断"的年代，这种迟疑，比自信值钱。