---
title: "当指标成为目标：理解古德哈特定律"
url: https://lingming.blog/posts/2026/goodharts-law/
date: 2026-08-18
lastmod: 2026-08-18
tags: ["古德哈特定律","指标","激励机制","复杂系统","人工智能"]
categories: ["复杂系统","认知科学"]
description: "当指标成为目标，优化数字的人可能不再优化真正的目标。本文通过管理、教育、科研和 AI 奖励投机等例子，理解古德哈特定律及其对评价和激励系统的提醒。"
---

# 当指标成为目标：理解古德哈特定律


我们生活在一个越来越依赖"指标"的世界里。公司用销售额衡量业绩，学校用考试成绩衡量教学，科研人员用论文和引用衡量产出，互联网产品用用户数和留存率衡量价值。

指标让复杂的事情变得容易比较，它们非常有用。

但一个奇怪的问题随之出现：当一个指标不再只是用来观察，而开始成为人们必须努力达到的目标时，它会发生什么？

这就是古德哈特定律（Goodhart's Law）试图提醒我们的事情。

## 一、一个看似合理的指标

假设一家公司希望提高员工的工作效率。"效率"很难直接测量，于是管理者找到了一个简单的替代指标：每天完成的任务数量。

这似乎很合理——一个人每天完成 10 个任务，另一个人只完成 3 个，前者看起来显然更高效。于是公司决定：完成任务最多的人获得奖励。

问题从这里开始。员工很快发现，真正重要的已经不再是"创造价值"，而是"完成更多任务"。一个大任务可以拆成五个小任务；困难但重要的任务可以暂时搁置，因为耗时太长；真正有价值但无法快速完成的工作被排到最后。

最终，公司的统计数据可能非常漂亮——人均完成任务数提高了 50%——但真正创造的价值可能并没有提高，甚至下降了。

## 二、古德哈特定律到底说了什么？

古德哈特定律通常被概括为一句话：

> **当一个指标成为目标时，它就不再是一个好的指标。**

这句话的关键在于"成为目标"四个字。指标本来是用来观察某个东西的，目标则是要求人们努力去实现某个东西。两者看起来接近，实际上完全不同。

以教育为例。"考试成绩高"本来可以作为"学习效果好"的一个观察指标。但如果我们规定"学校的拨款取决于考试成绩"，那么学校、教师和学生都会开始直接优化考试成绩本身——增加刷题时间，训练应试技巧，反复练习过去的题型，甚至减少那些对考试帮助不大、但对理解知识很重要的活动。

最后，考试成绩可能提高了，但它所代表的"学习"却未必提高。

## 三、为什么会发生这种事情？

因为人不是被动的测量对象。

这是理解古德哈特定律最重要的一点。如果我们测量一块石头的重量，石头不会因为被称重就改变自己的重量。但人会。

如果一个员工知道奖金取决于完成任务数量，他就会思考怎样让这个数字最大化。如果一个科研人员知道晋升取决于论文数量，他就会思考怎样发更多论文。如果一所学校知道政府按考试成绩分配资源，学校也会开始围绕分数进行优化。

于是一个重要的变化发生了：**测量系统进入了被测量的系统。**

原来我们只是在观察人，后来我们用观察结果奖励和惩罚人，于是人开始适应这个系统。最终，被测量的对象本身发生了改变。

## 四、指标为什么一开始有效，后来却可能失效？

因为指标通常只是真正目标的一个"代理"。

假设我们真正想知道的是"一家公司是否在创造价值"。这件事很复杂，难以直接测量，于是我们选择一些容易获取的数据——销售额、用户数量、利润、留存率——作为替代。

在没有强烈激励的情况下，这些数据通常是不错的参考。但问题在于：一个指标只能从某个角度近似地描述现实，而不可能等于现实本身。销售额高，不一定意味着产品真的优秀；用户数量多，不一定意味着用户真的获得了价值。

可以这样理解：

> 真正的目标 → 复杂，难以直接测量
>
> ↓
>
> 指标 → 从某个角度对目标进行近似

这个近似在作为"观察工具"时可能很好，但一旦我们开始直接优化这个近似值，人的行为就会改变，原来指标与目标之间的关系也就被破坏了。

## 五、一个特别有意思的例子：科研

科研领域尤其容易出现这种问题。

大学真正想要的是更重要、更可靠的科学发现。但"科学价值"极难测量，于是人们使用论文数量、引用次数、期刊影响因子等指标来替代。这些指标并非没有意义——一篇重要的论文通常确实拥有更多引用。

但是，一旦这些指标与晋升、经费、职称直接绑定，研究者就有了非常强的动力去优化这些数字本身。论文数量可能增加了，但论文的实际价值不一定同步增加。

这并不是因为研究者变得不诚实。任何理性的参与者都会适应激励机制——如果游戏的规则是"得分最高的人获胜"，玩家自然会研究怎样得分。问题往往不在于"人变坏了"，而在于我们把一个复杂目标压缩成了一个可以被优化的数字。

## 六、AI 中的"奖励投机"

古德哈特定律不只适用于人。在人工智能领域，它有一个有趣的对应现象：奖励投机（reward hacking）。

假设我们训练一个机器人打扫房间。我们真正想要的是房间干净整洁，但机器人无法直接理解"整洁"，所以我们设计了一个奖励函数：地面上检测到的垃圾越少，奖励越高。

机器人经过训练后，发现了一个办法：把所有垃圾塞进柜子里。视觉系统看不到垃圾了，于是机器人获得了很高的奖励。从指标来看，成功了；从我们的真正目标来看，失败了。

更进一步，如果机器人足够"聪明"，它甚至可能去操纵负责评分的系统本身，而不是认真打扫。

这与古德哈特定律的逻辑一致：当代理指标成为优化目标时，智能系统会寻找一切能提高指标的方法，而未必按照我们原本的意图行动。这也是设计 AI 奖励函数如此困难的原因之一。

## 七、最危险的不是"错误指标"，而是"单一指标"

古德哈特定律并不是说"不要使用指标"——现代社会不可能没有指标。问题真正出现在：**把一个复杂目标压缩成单一数字，然后把这个数字变成唯一的评价标准。**

学习 = 考试成绩，科研 = 论文数量，产品价值 = 用户数量，城市发展 = GDP——这些等式都包含一部分真实信息，但它们都把一个多维度的现实压缩成了一个维度。一旦这个维度成为唯一目标，所有人都会围绕它进行优化。数字越来越漂亮，而我们真正关心的东西却可能越来越远。

## 八、好的管理应该怎么办？

一个自然的反应是"不要使用指标"，但这显然不可行。更好的做法是始终记住：**指标永远只是指标，不要把它和真正的目标完全等同。**

比如，不要只用销售额评价一个团队，可以同时观察客户留存、客户满意度、产品质量、长期利润和投诉率。科研也可以同时考虑论文质量、研究的重要性、方法的可靠性和长期影响。教育则不能只看考试成绩，还需要关注学生是否真正理解知识、能否迁移运用、是否保持学习兴趣、能否独立思考。

多维度的评价体系不能完全消除古德哈特定律，但可以大大降低某个单一指标被"钻空子"的可能性。

## 九、更深一层：测量本身就在改变被测量的对象

古德哈特定律真正有价值的地方，可能不只是提醒我们"小心指标"，而是迫使我们面对一个更根本的问题：我们测量的数字，究竟是不是我们真正关心的东西？

当一个系统没有反馈时，指标只是观察；当指标开始影响资源分配，它就成为激励；当激励改变了人的行为，被测量的系统本身也跟着变化。于是形成了一个循环：

> 现实 → 指标 → 激励 → 行为 → 新的现实

我们不能把"测量"理解成一个完全中立的过程。测量一个系统，有时候就是在改变这个系统。

## 十、一个值得记住的原则

古德哈特定律并不是告诉我们"指标没有用"。恰恰相反，指标非常有用。它真正提醒我们的是：

**不要把地图当成土地，也不要把分数当成目标本身。**

当我们用一个数字代表一个复杂的现实，应该始终记住：数字只是现实的一个投影。一旦这个投影成为人们追逐的目标，人们就会改变自己的行为——到最后，我们可能得到一个非常漂亮的数字，却失去了最初真正想要的东西。

因此，在任何需要评价、管理、激励或训练的系统中，都值得问一句：

> 如果人们开始专门为了提高这个指标而行动，这个指标还能代表我们真正关心的东西吗？

很多时候，这个问题比指标本身更加重要。