身体、组织与经济
这门学问从蒸汽机来，被高射炮催熟，然后跑去解释了别的一切。这一章走一趟那些地方——不是为了猎奇，而是因为同一套算术在那里同样成立，而且能给出一些用别的语言说不清楚的诊断。最后停在一个所有人都该知道的现象上。
你真正在乎的东西由两部分构成：A 占四成，B 占六成。可惜你只有 A 的传感器，B 测不到。
于是你给 A 定了一个目标（0.95，而它现在是 0.5），装了一个反馈环去追。这个环工作得非常好，误差几乎为零。
而现实里，把 A 推上去会挤压 B（推 A 的力度越大，B 掉得越多）。
身体：最老练的控制工程师
人体几乎每一个生理指标都是一个反馈环，而且它们的设计里能读出这本书的每一条经验。
体温是一个整定得极好的环：目标 37°C，被控量是核心体温，控制量有出汗、颤抖、皮肤血管收缩。它的传感器（下丘脑）在血液里而不是皮肤上——因为核心温度才是那个真正要保护的量，而且它变化慢，传感器不需要很快。
而发烧不是这个环坏了，是目标值被改了：免疫系统把设定点从 37 调到 39。这就是为什么发烧初期你会觉得冷、会打寒战——此刻你的体温还是 37，而目标已经是 39，环在拼命加热。「觉得冷」这个感受，报告的是误差，不是温度。
血糖是一个双向的环：胰岛素往下压，胰高血糖素往上顶。它有一个这本书反复强调的特征——延迟。吃下去的东西要几十分钟才推高血糖，注射的胰岛素也要几十分钟才起效。
于是 1 型糖尿病患者面对的，正是第 1 章那个洗澡水龙头：一个长延迟的环，而且他们必须手动闭合它。打多了会低血糖（冲过头），打少了会高血糖。而所谓「人工胰腺」（闭环胰岛素泵）做的事，用这本书的语言说就是：装一个快得多的传感器（连续血糖监测），配一个带前馈的控制器（进餐提前量），让机器代替人去闭这个环。那是一个价值几十亿美元的控制问题。
生物系统在延迟很大的环上，几乎从不用大增益——它们用的是本书里那些更聪明的手段：
- 前馈：看到食物就开始分泌胃酸和胰岛素（头期相），不等血糖真的升上来。
- 串级：从细胞到器官到系统，每一层管自己那一级的快扰动。
- 冗余的传感器：多个独立的化学信号互相印证（第 19 章那个「独立信息可加」）。
- 宽的死区：血糖在一个相当宽的区间内不触发任何调节（第 16 章的回差）——省能量，也避免在噪声上瞎忙。
这些不是巧合。在一个延迟大、噪声大、执行器慢的环上，能活下来的设计就那么几种——生物花了几亿年搜到它们，工程师花了一百年重新推导了一遍。
经济：延迟以季度计的环
央行调利率是一个教科书级的困难控制问题，而它困难的地方正是这本书讲过的每一条：
- 传感器很慢：通胀数据有一到两个月的发布滞后，而且还会修正。
- 对象延迟很大：利率变化传导到实体经济，普遍认为要几个季度。
- 对象模型不确定：传导机制会随金融结构变化。
- 执行器有饱和：利率降到零就降不动了（第 15 章那个饱和，而且是真的碰到过）。
把第 11 章那条律套上去：这个环的延迟以季度计，所以它能用的力气非常小。这就是为什么央行的行为准则里有那么多「小步慢走」「渐进调整」「前瞻指引」——那不是性格保守，是这个环的延迟预算决定的。
而「前瞻指引」（提前告诉市场未来的政策路径）用这本书的语言说，正是前馈：不等经济数据变化，先把预期这条更快的通道用起来。
顺带一提，「货币政策存在长而多变的时滞」这个观察，米尔顿·弗里德曼在 1960 年代就作为反对相机抉择的核心论据提出过。用本书的话说，他的论点是：这个环的延迟大到相位裕度可能为负，所以主动调节会加剧波动而不是抑制它。这个判断本身仍有争论，但它的形式是纯粹的控制论。
组织：一个没人算过延迟的环
这是最容易被误诊的一类。常见现象和它们的控制论读法：
| 现象 | 通常的解释 | 控制论的读法 |
|---|---|---|
| 战略反复横跳 | 领导没主见 | 反馈延迟太长，而动作力度按短延迟的直觉在做（第 11 章） |
| 坏消息总是来得太晚 | 下面报喜不报忧 | 传感器有系统性偏差 + 环节太多（第 17、20 章） |
| 新流程刚上就要改 | 朝令夕改 | 没等上一次动作的效果显现就再动手（采样周期 < 环路延迟） |
| 加了一层汇报之后开始晃 | 沟通不畅 | 相位裕度被那一层吃掉了（第 14 章） |
| 各部门都很努力，整体很糟 | 缺乏协同 | 局部最优的串联环，放大相乘（第 21 章） |
| 大促后集体躺平 | 疲惫 | 积分饱和：欠账阶段攒的账要慢慢排（第 15 章） |
右边这一列的价值不在于它更「科学」，而在于它指向不同的动作。「领导没主见」的对策是换领导；「反馈延迟太长」的对策是缩短反馈链路——而后者是可以立刻动手的。
只测得到 A
现在到这一章真正的重点。前面所有例子都假设了一件事：你测的那个量，就是你想要的那个量。
而现实里几乎从不成立。你想要的是「用户获得了价值」，你测的是点击率；你想要的是「代码质量好」，你测的是覆盖率；你想要的是「团队健康」，你测的是准时交付率。
# 你以为你装的环：
你想要的 ──▶ ⊕ ──▶ [ 控制器 ] ──▶ [ 世界 ] ──┬──▶ 你想要的
▲(−) │
└──────── 传感器 ◀───────────────┘
# 你实际装的环：
A 的目标 ──▶ ⊕ ──▶ [ 控制器 ] ──▶ [ 世界 ] ──┬──▶ A（四成）
▲(−) ├──▶ B（六成，没接线）
└──────── 只测 A ◀───────────────┘
# 两张图在代码上一模一样。
# 差别只在那条虚线接到了哪根管脚上 —— 而这个差别决定一切。
| 量 | 开始 | 结束 | 变化 |
|---|---|---|---|
| A（你测得到，也定了目标 0.95） | 0.500 | 0.950 | +90% |
| B（没人测，但它占六成） | 0.500 | 0.000 | −100% |
| 你真正想要的 0.4A + 0.6B | 0.500 | 0.380 | −24.0% |
请看清楚发生了什么：这个环工作得完美无缺。它被要求把 A 从 0.5 顶到 0.95，它做到了，稳态误差几乎为零，没有超调，没有振荡。从控制的角度，这是一次教科书级的成功。
而你真正在乎的东西跌了 24%。
问题不在控制器，在传感器接错了地方。而这件事有一个后果，值得单独写出来：
环越好，这个问题越严重。
一个软弱无力的环（增益小、反应慢）只会把 A 抬高一点点，副作用也小。而一个整定精良、力大无穷的环，会非常高效地把 A 顶到目标——连带把 B 踩得更彻底。
提升执行力，会放大目标设定的错误。这是这本书能给出的、最不像技术结论的一个技术结论。
这个现象在经济学里叫古德哈特定律：「当一个指标成为目标时，它就不再是一个好指标。」通常的解释是「人们会去操纵指标」——而上面这个模型里没有任何人在操纵任何东西，A 和 B 之间的挤压是纯粹的物理耦合。
你不需要有人作弊，就能得到古德哈特定律。你只需要一个测不全的传感器，和一个好用的环。
那怎么办？这本书能给的建议不多，但都很具体：
- 多装传感器。如果 B 能测哪怕很粗糙，把它加进目标函数里，情况立刻改善。这是第 19 章那句「独立的信息可以相加」的应用。
- 降低增益。在你不确定传感器是否测全的时候，故意不要把环调得太紧。这在控制论里叫鲁棒设计——针对模型的不确定性留余量。而「模型不确定」在这里的含义是：我不确定我测的是不是我要的。
- 定期换传感器。如果 B 长期不被测量，它就会长期被牺牲。轮换指标能让被牺牲的对象不固定——这不完美，但比一直踩同一个地方好。
- 盯着控制量，不只盯被控量。第 2 章那句话在这里又回来了：阀门开度悄悄从 40% 爬到 85%，是比温度更早的告警。如果为了达成 A，投入的资源在持续攀升，那说明有东西正在被消耗——哪怕你不知道那是什么。
推荐系统优化点击率。点击率是 A，「用户真的获得了价值」是 B。优化得越好，标题党和信息茧房越严重。业界的应对（加入停留时长、多样性、长期留存等多个信号）正是上面第 1 条：多装传感器。
代码覆盖率考核。覆盖率是 A，「测试真的能发现 bug」是 B。而覆盖率高的测试完全可以一个断言都没有。而且注意：这里同样不需要有人故意作弊——一个诚实的人在覆盖率压力下，也会自然地先去写那些容易覆盖、但价值不高的测试。
医院的手术成功率。成功率是 A，「病人整体获益」是 B。公开成功率排名之后，一个可预期的后果是外科医生更倾向于回避高风险病例——而每一个单独的决策都可以是完全负责任的。这个效应在多国的公开数据里都有讨论。
你自己的番茄钟。「今天完成了 12 个番茄」是 A，「今天真的推进了重要的事」是 B。当 A 成为目标，你会自然地挑那些容易切成番茄的任务做。
「堵漏洞」这个思路的问题在于它假设漏洞是有限的、可枚举的。而真实情况是：你没测的东西有无穷多个，你不可能一一堵住。每堵一个，环就会找到下一个。
正确的心态不是「设计一个完美的指标」，而是接受「任何指标都是一个不完整的传感器」这个前提，然后按这个前提做设计：
- 用多个相互独立的指标，而不是一个精心设计的指标；
- 在指标之外保留人的判断作为另一个（噪声大但覆盖广的）传感器；
- 对着指标用中等的力气，而不是把它顶到极限；
- 定期问一句「我们测的还是我们要的吗」——这句话本身，就是给这个环补上的一次人工回读。
说到底，这一整章讲的是同一件事：反馈的威力，完全取决于那只眼睛看的是不是对的地方。而这本书从第 2 章开始就在说这句话，只是那时候它听起来还像一句技术建议。
C明显下降，跌了 24.0%。A 从 0.5 涨到 0.950（+90%），B 从 0.5 掉到 0.000（−100%），而你真正在乎的 0.4A + 0.6B 从 0.500 变成 0.380。
而这一切发生的时候，仪表盘上一片绿色：目标 0.95，实际 0.950，误差为零。
A 「A 涨了那么多，总该有点好处」——A 确实涨了 90%，贡献是0.4 × 0.45 = +0.18。而 B 跌了整整 0.5，贡献是 0.6 × (−0.5) = −0.30。权重在哪一边，结果就在哪一边——而你恰好没法测的，就是权重大的那个。这不是巧合：越重要、越综合的东西，通常越难测。
B 「差不多抵消」——只有当 A 和 B 权重相等、且挤压是一比一的时候才抵消。这是一个非常特殊的巧合，没有任何理由指望它。
D 「环会自己发现不对劲」——这是最值得警惕的一个直觉。环没有任何途径知道 B 的存在。它的全部输入就是 A 的读数。一个反馈环永远不会自发地关心它测不到的东西——它在结构上就没有那个能力。唯一能发现这件事的，是环外面的人。
这一章的一句话
一个环只会优化它测得到的东西，而且环越好，优化得越彻底——所以在把它调得更强之前，先花点时间确认那只眼睛看的是不是你要的地方。
最后一章把这本书收成一张能用的自查表：六项体检、一台可以填进你自己参数的诊断台，以及从这里继续往下走的几条岔路。