每天刷几百条信息,收藏几十篇文章,关注几百个账号。
看起来每天都在学习,信息储备也越来越丰富。
但有一个问题:这些信息究竟有多少真正改变了你的认知、判断和决策?
为什么有些人不需要花大量时间刷资讯,却总能比别人更早发现重要变化?为什么有些投资人、科学家和情报分析师,面对海量信息时,反而能够迅速抓住关键证据?
我研究了五类专业人士的信息获取方式,发现了一个共同点:
真正的信息优势,不来自信息摄入量,而来自发现、筛选、验证和转化信息的能力。
这套能力完全可以拆解,也可以训练。
一、先搞清楚:什么样的人才算高手?
我不认为工作年限长、头衔高、粉丝多,就一定是高手。
2025 年发表在《Annual Review of Organizational Psychology and Organizational Behavior》的一篇专家能力综述,强调了一个重要观点:
专业能力取决于特定领域的知识结构和认知能力,而不是工作年限的简单累积。
一个人在投资领域是高手,不代表他在医学领域也能做出同样优秀的判断。
因此,我更倾向于用四个标准定义高手:
- 结果质量: 能否持续做出优于普通参与者的判断和成果?
- 信息效率: 获取同等质量的信息,是否花费更少的时间?
- 判断准确度: 能否区分事实、推测和不确定性?
- 反馈能力: 能否根据后续事实修正自己的判断?
这次研究,我重点关注五类人:
- 科学家:从海量研究中发现真正的知识增量。
- 情报分析师:在信息不完整、互相矛盾时还原事实。
- 专业事实核查员:快速验证信息来源和原始证据。
- 顶尖投资人:发现市场尚未充分理解的信息。
- 企业经营者和产品专家:从真实业务现场捕捉变化。
他们的工作领域不同,但方法之间有很强的互补性。
二、五类高手,究竟怎样获取信息?
科学家:沿着知识关系网寻找信息
科研人员每天面对大量新论文,根本不可能全部读完。
他们有一种非常值得普通人借鉴的方法:引文追踪(Citation Chaining)。
假设你找到一篇非常有价值的论文,不要只读完就结束。
继续沿着两条路径搜索:
- 向后追踪:这篇论文引用了哪些经典研究?
- 向前追踪:后来有哪些研究引用了它?有没有人反驳、改进或提出新发现?
一篇论文就能成为整个知识网络的入口。
2023 年一项纳入 47 项研究的范围综述发现,96% 的研究认为引文追踪能够帮助发现有价值的文献。
另外还有两个技巧:
先探索,再精确搜索。
先通过综述、经典论文和专业术语建立领域认知,再确定具体搜索关键词。
否则,你甚至不知道自己应该搜索什么。
追踪研究人员,而不只是追踪论文。
关注持续研究某个方向的核心团队、实验室和作者。研究人员的长期研究方向、合作关系和成果变化,本身就是重要信号。
值得记住:不要只搜索关键词,要沿着知识之间的关系继续挖掘。
情报分析师:主动寻找能够推翻自己的证据
这是我认为最值得投资人、研究者和普通信息消费者学习的方法。
美国 CIA 有一份公开手册:
《A Tradecraft Primer: Structured Analytic Techniques for Improving Intelligence Analysis》。
其中有一种非常重要的分析方法:
ACH(Analysis of Competing Hypotheses),竞争性假设分析。
它的核心思想是:不要先认定一个结论,再搜集支持它的材料。
而是先提出多个可能的解释,然后寻找能够区分这些解释的证据。
举个例子。
一家科技公司的股价持续上涨,你认为它的基本面正在改善。
但至少还有其他几种可能:
- H1:公司真实经营情况改善,订单和利润增长。
- H2:基本面变化不大,只是市场提高了估值。
- H3:资金集中流入,推动股价上涨。
- H4:短期事件催化,导致交易价格偏离基本面。
普通研究者可能会不断搜索公司增长、行业前景、分析师看多观点。
ACH 的思路则是:
什么证据能够证明 H1,而不是 H2、H3 或 H4?
例如,真实订单、客户采购和收入兑现,可以帮助验证基本面改善;估值倍数变化则有助于判断上涨是否主要来自市场预期。
如果一条证据能够被四种假设同时解释,它的诊断价值就很低。
真正重要的是找到能够区分不同解释的证据。
我特别认同这个原则:
不要问什么信息能够证明我是对的,要问什么信息能够证明我是错的。
事实核查员:离开当前网页,横向调查信息来源
2019 年,斯坦福大学研究者 Sam Wineburg 和 Sarah McGrew 发表了一项研究。
他们比较了 45 名参与者的信息核查行为,包括:
- 10 名专业事实核查员;
- 10 名历史学博士;
- 25 名斯坦福本科生。
研究发现,专业事实核查员有一种非常高效的习惯:
他们不会长时间停留在一个网页里,试图通过阅读网站介绍、文章和引用资料来判断可信度。
相反,他们会快速浏览当前网页,然后离开网站,去其他独立渠道调查作者、发布机构和原始证据。
这叫 Lateral Reading(横向阅读)。
举个例子。
你看到一篇文章,声称某家半导体公司掌握全球唯一的某项关键技术。
不要急着相信,也不要在原文章里越读越深。
换一种做法:
- 先调查作者和发布平台。
- 搜索其他专业机构对这家公司和技术的评价。
- 找到原始专利、技术论文、客户公告和公司披露。
- 调查是否存在竞争技术,以及有没有被忽略的替代方案。
这里还有一套值得记住的方法:SIFT。
- Stop:暂停,不急于相信。
- Investigate:调查信息来源。
- Find:寻找更好的独立报道。
- Trace:追溯原始证据和上下文。
不要把搜索引擎排名当作可信度排名。
排名第一的网页,不一定是最接近事实的网页。
顶尖投资人:从公开信息中寻找尚未被理解的事实
投资领域经常讲 Information Edge(信息优势)。
但信息优势不等于比别人早五分钟看到新闻。
真正值得研究的是:你能否建立比市场更深入的信息获取路径。
我会把投资信息分成四层:
第一层:原始信息。
公司年报、季报、SEC 文件、监管披露、专利、原始数据。
例如 SEC EDGAR,可以免费查询上市公司的 10-K、10-Q、8-K 等文件。
第二层:产业链信息。
客户、供应商、竞争对手、渠道商。
这些信息能够帮助你验证公司的商业模式和产业链地位。
第三层:专业信息。
行业专家、工程师、技术人员、研究机构。
用来理解专业壁垒、技术路线和潜在替代方案。
第四层:边缘信息。
新闻、论坛、社区、社交媒体。
用来发现新线索、市场预期和潜在催化剂。
这里有一个关键区别:
公司公告只能证明公司公开披露了什么,不能自动证明管理层对未来的判断正确。
公司说自己有技术优势,需要专利和实际应用验证。
公司说客户需求旺盛,需要订单和采购行为验证。
公司说转换成本很高,需要真实客户替代案例验证。
投资研究最忌讳的,就是拿公司的宣传材料证明公司的投资价值。
企业经营者:直接去信息产生的地方
优秀的经营者和产品专家有一个天然优势:
他们可以直接接触信息产生的现场。
例如:
- 用户为什么流失?看行为记录和流失访谈。
- 产品为什么卖不动?看销售输单记录和客户反馈。
- 竞争对手是否形成威胁?看客户有没有真正替换产品。
- 新需求是否出现?看客户是否主动提出问题、实际采购。
- 新技术是否成熟?看工程师和客户有没有真实部署。
这里有一个非常重要的原则:
行为证据通常比观点更有价值。
10 份行业报告都说某项技术前景广阔,不一定比一家真实客户已经采购并部署它更有价值。
用户说喜欢一个产品,不代表他会持续使用,更不代表他愿意付费。
要尽量靠近事实产生的地方,而不是一直消费别人加工过的信息。
三、跨领域高手,共同具备哪些信息能力?
把以上五类人的方法放在一起,我认为有六项能力值得普通人重点训练。
第一,问题驱动,而不是信息驱动。
普通人的信息消费:
看到新闻 → 感兴趣 → 阅读 → 发现相关内容 → 继续阅读。
高手的工作方式:
发现问题 → 明确未知项 → 寻找证据 → 更新判断 → 决定是否行动。
前一种方式没有明确终点,后一种方式有明确的任务。
每次搜索前,先问自己:我到底想解决什么问题?
第二,建立信息源地图,而不是不断寻找新网站。
逐步建立自己的信息来源体系:
- 原始来源:公告、论文、监管文件、数据库。
- 专业来源:研究人员、技术专家、专业机构。
- 边缘来源:论坛、社区、独立研究者。
- 反向来源:反对观点、失败案例、替代方案。
尤其要关注边缘信息源。
主流媒体通常更擅长报道已经形成的共识,而专业论坛、一线从业者和小众社区,有时能够更早暴露变化。
但早期信号不等于可靠事实,必须进一步验证。
第三,沿着信息关系网搜索。
一条有价值的信息,往往能够引出更多信息:
- 它引用了什么?
- 谁引用了它?
- 谁在反驳它?
- 同一事件还有哪些不同版本?
- 涉及哪些上下游企业和关联机构?
不要反复搜索相同关键词。
第四,主动寻找反面信息。
每次重要研究,强制回答三个问题:
- 如果我的判断是错的,最可能错在哪里?
- 有什么证据能够直接推翻我的判断?
- 有没有另一种解释,同样能够解释目前看到的事实?
这比找几个不同观点更有效。
第五,根据信息价值决定阅读深度。
决策科学中有一个概念叫 Value of Information(VOI,信息价值)。
简单说,就是进一步获取信息所带来的决策收益,是否值得付出相应的时间和资源成本。
例如:
- 确认某款手机是否支持 eSIM,可能只需要一份官方技术文档。
- 判断一家企业是否拥有真正的技术壁垒,可能需要数周的调查。
- 判断一条社交媒体传闻是否真实,可能只需要找到原始公告。
如果进一步搜索已经不太可能改变你的判断、行动或风险控制,就应该停止。
研究深度应该由问题决定,而不是由信息数量决定。
第六,让信息获取形成反馈飞轮。
定期检查:
- 哪些信息源经常提供有价值的新线索?
- 哪些来源只是重复别人已经报道的内容?
- 哪些判断最终被事实证明错误?
- 哪些重要变化自己没有及时发现?
- 哪些信息虽然正确,却对决策毫无帮助?
高手不会把一份研究报告写完就扔到一边。
他们会持续检查判断是否成立,并据此调整信息来源和研究方法。
四、真正的高质量信息,应该怎样判断?
我建议不要简单地把知名媒体、大机构和行业专家等同于高质量信息。
来源权威性和具体信息的质量,是两回事。
可以用七个维度判断:
| 维度 | 核心问题 |
|---|---|
| 相关性 | 是否解决我关心的问题? |
| 真实性 | 有没有可验证的事实和证据? |
| 一手性 | 是否接近信息产生的现场? |
| 独立性 | 是否得到独立来源验证? |
| 新颖性 | 是否提供此前不知道的信息? |
| 时效性 | 信息现在是否仍然有效? |
| 诊断性 | 能否帮助区分不同解释、改变判断? |
其中有两个坑尤其值得注意。
多个来源,不等于多个独立证据。
十家媒体同时报道一条新闻,如果全部引用同一份新闻稿,本质上仍然只有一个信息源。
一手信息,不等于客观信息。
企业管理层最了解自己的公司,但也有利益诉求。
客户最了解自己的使用体验,但不一定了解整个市场。
因此,信息质量必须结合证据产生过程、利益关系和独立验证来判断。
五、把高手的方法变成一套可执行的工作流
前面的研究其实可以整合成一个非常清晰的闭环:
问题定义 → 线索发现 → 快速筛选 → 深度验证 → 综合判断 → 持续监测。
具体执行时,记住七个原则:
- 先问后搜:明确本次搜索要解决的问题。
- 先广后深:先建立领域认知,再锁定关键问题。
- 一源多搜:沿着作者、引用和关联机构继续挖掘。
- 横向核查:离开当前网页,独立调查来源和证据。
- 强制反证:重要研究必须寻找最强反面证据。
- 按需深挖:信息价值不足以改变判断时停止搜索。
- 事后复盘:检查信息源和自己的判断是否真正有用。
这里我特别建议把信息发现和深度研究分成两条路径。
Radar:信息雷达。
广泛发现、快速筛选,保留值得关注的信号。
Research:深度研究。
围绕具体问题追踪原始资料、交叉验证、寻找反证,最终形成判断。
不要让所有进入视野的信息都变成研究任务。
否则你会得到一个非常忙碌、但没有产出的信息系统。
六、如果从零搭建个人信息雷达,我会怎么做?
我更倾向于建立一个轻量的个人情报工作流,而不是一个庞大的信息聚合平台。
初期只需要四层。
发现层:Radar
负责发现潜在信息。
来源包括 RSS、公开数据库、邮件订阅、专业机构、研究人员、论坛、社区、社交平台和官方公告。
筛选层:Triage
快速判断:
- 是否与关注主题相关?
- 是否提供了新信息?
- 是否有可信证据?
- 是否可能改变现有判断?
研究层:Research
对高价值线索进行深度调查:
- 追踪原始信息。
- 关联资料和引文。
- 寻找独立验证。
- 建立竞争性假设。
- 寻找反证。
- 输出研究结论。
反馈层:Feedback
记录信息源和整个系统的实际表现:
- 高价值发现。
- 重复信息。
- 无效信息。
- 重要漏报。
- 判断错误。
- 需要增加或减少关注的来源。
初版甚至不需要数据库。
三个 Markdown 文档就够了:
SOURCE_MAP.md:信息源地图
记录来源名称、关注领域、信息类型、一手或二手属性、更新频率、历史质量和主要利益关系。
RESEARCH_LOG.md:研究记录
记录研究问题、重要发现、原始证据、支持与反对的证据、当前判断、置信度和未解决问题。
FEEDBACK.md:信息源反馈
记录哪些来源提供了高价值线索,哪些只是制造噪声,哪些重要信息被漏掉,以及哪些判断被事实推翻。
不要一开始就引入复杂评分算法。
先积累真实反馈,再决定哪些环节值得自动化。
七、从明天开始,优先训练这五种能力
如果不想马上搭建完整的信息系统,我建议按以下顺序练习:
| 优先级 | 方法 | 学习成本 | 预期价值 |
|---|---|---|---|
| 1 | 横向阅读与原始来源追溯 | 低 | 极高 |
| 2 | 问题驱动的信息搜索 | 低 | 极高 |
| 3 | 引文追踪与关联搜索 | 中 | 高 |
| 4 | 竞争性假设分析 ACH | 中 | 极高 |
| 5 | 信息源质量反馈机制 | 中 | 高 |
另外,养成两个习惯:
每次深度研究,至少找一个真正可能推翻自己当前判断的证据。
每周复盘一次:本周获取的哪些信息,真正改变了自己的认知或决策?
不要再把阅读量、收藏量和关注账号数量当作信息能力的衡量指标。
最后:真正的信息优势来自什么?
我认为可以用一个公式概括:
信息优势 = 发现价值 × 验证能力 × 判断转化能力 ÷(时间成本 + 维护成本)
这不是严格的数学模型,而是对信息竞争优势的概念性总结。
真正拉开差距的,往往是六件事:
- 更早发现别人没有注意到的信号。
- 更快找到接近事实的信息源。
- 识别信息之间的矛盾和关联。
- 找出能够区分不同解释的关键证据。
- 主动推翻自己的错误判断。
- 通过持续反馈,让下一轮信息获取更加精准。
我最想强调的是:
不要把自己训练成一个信息消费者,而要训练成一个信息侦察者和分析者。
前者追求知道得更多。
后者追求以更低的成本,发现真正值得知道的事情,并且知道自己为什么应该相信它。
信息越来越便宜,注意力却越来越贵。
未来真正稀缺的,不是获取信息的能力,而是从噪声中识别信号、从信号中找到证据、再从证据中形成判断的能力。
附:推荐深入阅读的原始资料
- Experts and Expertise in Organizations(2025):理解专业能力的本质,以及为什么经验不等于专业能力。
- CIA — A Tradecraft Primer:学习情报分析、信息验证、反证和竞争性假设分析。
- What Every Researcher Should Know About Searching:学习科研人员如何组织高效搜索。
- Lateral Reading and the Nature of Expertise:学习专业事实核查员如何快速验证网络信息。




