选择性证据，是一种非常危险的逻辑错误。
它的意思是：一个人在形成判断时，只挑选支持自己观点的证据，而忽略、淡化、回避、解释掉那些反对自己的证据。
表面上看，他有证据。
但真正的问题是：他的证据系统被筛选过。
他不是在问“哪些证据最接近事实”，而是在问“哪些证据能支持我已经想相信的结论”。
这就是选择性证据。
比如：
你看好一家公司，就会更容易注意到它的增长、产品、管理层、行业空间、用户好评。
但你可能会忽略它的现金流恶化、竞争对手追赶、估值过高、管理层过度扩张、客户议价能力变强。
你认为一个人可靠，就会记住他做得好的时候。
但你可能会淡化他关键时刻缺席、承诺反复落空、冲突后不修复的证据。
你觉得 AI 能大幅提高效率，就会记住它生成得很快的案例。
但你可能会忽略后面核查、修正、返工、责任不清带来的真实成本。
选择性证据最可怕的地方，不是没有证据。
而是证据看起来很多。
它让人觉得自己很理性，其实只是把证据系统变成了支持系统。
一、有证据不等于证据充分
很多人以为，只要自己能举出证据，就说明判断有逻辑。
这不够。
真正的问题不是有没有证据，而是：证据是否完整、是否代表性足够、是否包含反对证据、是否能经得起替代解释。
比如你说：
这家公司产品很好，因为很多用户喜欢。
这是一条证据。
但它不充分。
用户喜欢，可能说明产品有价值。
但还要问：
用户是否愿意持续付费？
付费后公司是否有利润？
利润是否能留下来？
竞品是否能复制？
用户是否容易迁移？
获客成本是否可控？
如果这些证据没有进入系统，“用户喜欢”就可能被过度放大。
再比如你说：
这个人对我很好，因为他平时很关心我。
这也是证据。
但关系判断还要看：
关键时刻是否可靠？
利益冲突时是否尊重边界？
承诺是否兑现？
冲突后是否修复？
长期行为是否一致？
如果只看关心，不看承担，就可能选错证据。
有证据只是第一步。
完整证据才是判断的基础。
二、选择性证据常常来自确认偏误
选择性证据背后，通常是确认偏误。
确认偏误的意思是：人会更容易寻找、相信、记住支持自己已有观点的信息。
这不是因为人故意坏。
这是大脑的省力机制。
一旦我们形成一个初始判断，大脑就会自然想维持一致。
因为改变判断需要成本。
承认自己可能错了，会带来不舒服。
如果这个判断还绑定了身份、金钱、关系、面子、过去投入，改变它就更难。
于是大脑会自动做几件事：
看到支持证据，会觉得“果然如此”；
看到反对证据，会觉得“只是暂时”“不重要”“有特殊原因”；
看到模糊证据，会解释成支持自己；
看到强反证，会想办法降权。
这就是选择性证据的心理机制。
它不是简单的证据错误，而是证据进入系统的入口被污染了。
三、投资里的选择性证据
投资是选择性证据最容易发生的地方。
因为投资不仅涉及判断，还涉及钱、面子、身份和沉没成本。
当你买入一家公司后，你就不再是旁观者。
你已经有了立场。
这时，你会更愿意看支持公司变好的信息。
比如：
管理层说长期空间很大；
行业报告说市场规模还在增长；
用户反馈不错；
同行也在扩张；
知名投资人也持有；
股价短期反弹。
这些都可能是真信息。
但问题是，你有没有同样认真地看反对证据？
比如：
增长是否靠降价？
利润率是否下降？
自由现金流是否恶化？
竞争对手是否更激进？
客户是否开始压价？
管理层是否讲故事多于兑现？
库存和应收是否异常？
估值是否已经透支未来？
如果你只看前一组，不看后一组，你不是在研究公司。
你是在替持仓找安慰。
投资里最危险的不是看错。
而是买入以后，只允许支持自己买入的证据进入系统。
这会让错误不断扩大。
四、选择性证据会把坏判断越养越大
一个判断刚形成时，可能只是轻微偏差。
但如果你持续选择性收集证据，它会越来越牢固。
这就像给错误模型不断喂养材料。
一开始，你只是觉得一家公司不错。
然后你只看支持信息。
支持信息越多，你越觉得自己看对了。
你越觉得自己看对，就越不愿意看反对信息。
最后，这个判断不再是一个可修正观点，而变成身份的一部分。
你不是在问“它到底是不是好投资”。
你是在保护“我是看得懂这家公司的人”。
关系里也一样。
如果你已经相信一个人会伤害你，你会更容易抓住他所有不好的行为，忽略他真实修复的动作。
如果你已经相信一个人很好，你又可能放大他的好，忽略长期不可靠的证据。
这两种都是选择性证据。
选择性证据不只会让人过度乐观，也会让人过度悲观。
它的核心不是乐观或悲观。
而是只看符合自己叙事的部分。
五、选择性证据和反证条件
对抗选择性证据，最重要的是强制引入反证。
一个判断如果没有反证条件，就很容易变成信念。
比如你说：
我长期看好这家公司。
这句话必须配套一个问题：
什么证据出现后，我会承认长期看好错了？
如果你答不出来，那你不是长期看好。
你是在信仰。
反证条件可以是：
核心产品增长不再带来利润；
自由现金流连续恶化；
竞争导致定价权消失；
管理层资本配置失控；
客户留存大幅下降；
行业利润池转移；
估值长期依赖故事而非现金流。
这些条件不是为了吓自己。
而是为了保持判断可修正。
关系判断也一样。
你说这个人值得继续信任。
那要问：
什么行为会证明这个判断错了？
比如关键承诺反复落空；
冲突后持续不修复；
只在低成本场景表达好意；
利益冲突时长期不尊重边界；
这些就是反证条件。
没有反证条件，选择性证据会无限延长错误关系。
六、AI 使用中的选择性证据
AI 使用里，选择性证据同样明显。
如果你很想相信 AI 能帮你大幅提高效率，你会记住它几分钟生成长文、快速做表格、迅速给方案的时刻。
但你可能忽略：
它有没有编造事实；
有没有偷换概念；
有没有遗漏关键约束；
有没有把不确定说得太确定；
你后面花了多少时间校验；
它是否让你减少了自己的训练。
如果你很想证明 AI 不可靠，你又会只记住它出错、幻觉、答非所问的时候，忽略它在结构化、初稿、反方观点、快速比较、重复劳动中的价值。
这也是选择性证据。
对 AI 的成熟判断，不是盲信，也不是否定。
而是分任务、分风险、分验证成本。
它在哪些任务上稳定提高效率？
在哪些任务上错误成本太高？
在哪些任务上需要人类强校验？
在哪些任务上会削弱人的训练？
这些都要进入证据系统。
七、如何对抗选择性证据
对抗选择性证据，不能只靠提醒自己客观。
“我要客观一点”通常没用。
要有动作。
第一，写下原始判断。
你到底判断了什么？
不要让判断漂移。
第二，列支持证据。
这一步很自然。
第三，强制列反对证据。
至少列出三条真正会让自己不舒服的证据。
第四，寻找最强反对意见。
不是找弱反对，而是找聪明反对者会怎么说。
第五，给证据分等级。
一手数据、长期行为、现金流、重复样本，比个人感受、媒体叙事、身边案例更强。
第六，设计反证条件。
什么出现后必须更新？
第七，定期回看。
因为证据会变化，判断也必须允许变化。
这些动作的目的，是防止证据系统被自己的欲望接管。
八、选择性证据的检查清单
遇到一个判断，可以问九个问题：
第一，我现在最想相信什么？
第二，我收集的证据是不是主要支持这个结论？
第三，有哪些证据让我不舒服？
第四，我有没有认真看反对证据？
第五，反对证据被我解释掉，是因为它真的弱，还是因为我不想接受？
第六，我有没有只看成功样本，不看失败样本？
第七，我有没有只看短期结果，不看长期变量？
第八，什么证据会证明我错？
第九，如果我是局外人，会不会给这些证据同样权重？
这九个问题，可以把判断从自我确认中拉出来。
九、真正的理性，是允许反证进入系统
选择性证据的本质，是不允许世界完整进入自己的判断系统。
人只让一部分事实进来。
这部分事实是真的，但不完整。
不完整的真实，也会制造错误判断。
逻辑训练不是让人没有立场。
人当然会有初始判断、偏好、直觉和方向。
但真正成熟的判断，必须允许反对证据进入。
如果一个判断只能靠屏蔽反证才能维持，它就不够强。
好判断不怕反证。
它要么经受反证后更稳，要么被反证修正。
两者都是进步。
最差的是：只看支持证据，然后以为自己已经证明了结论。
选择性证据提醒我们：
不是所有“有证据”的判断都可靠。
真正可靠的判断，是支持证据和反对证据都进来以后，还能站得住。