【锚点】这一讲只钉一个判断：【小概率被高估】不是大脑没装概率引擎，而是【漏报稀有灾难】的代价高于【误报】，所以演化把【报警阈值】调低。

【显式】Kahneman & Tversky (1979) 的前景理论与 Tversky & Kahneman (1992) 的累积前景理论都记录到：小概率被系统性放大。若概率加权写成 π(p)=p^α 且 α<1，则 p=0.01 时，α≈0.88 给出约 0.0175，α≈0.65 给出约 0.05；也就是说 1% 的客观风险可能被体验成 1.75% 到 5% 的主观风险。

【隐式】为什么保留这种放大？用【信号检测论】：当【漏报成本 C_miss】远高于【误报成本 C_fa】时，最佳策略不是追求贝叶斯精确，而是降低报警阈值。古代环境里，毒蛇、食物中毒、群体排斥这类事件频率低，但漏报一次可能是死亡或失去合作资格；误报几次只是损失时间和食物。

【细微】关键不是“人相信神话”，而是【误差代价不对称】：决策系统优化的是成本加权错误率，不是概率校准。因此可检验：同一 1% 风险，若被描述为可逆且误报代价高，人们的保险/筛查选择应下降；若被描述为不可逆且漏报代价高，选择应上升。

【极难发现】常见叙事把概率高估读成“认知 bug”，最强钢人是：它确实来自噪声、文化叙事和现代媒体。但我反对把它只当 bug：即便噪声存在，误差代价结构也能预测何时偏差更强——不可逆、高社会代价、低基率事件。若只是噪声，改变后果描述不应系统改变加权。

【流程节点链路】【古代低基率高损失事件】→【漏报代价 > 误报代价】→【降低报警阈值/放大小概率】→【现代彩票、恐怖风险、健康筛查与保险决策偏差】。

【待验证点】如果“误差代价引擎”解释成立，则把误报成本提高到超过漏报成本时，概率高估应减弱；若实验仍显示同等高估，则文化/媒体噪声解释更强。

问题：当现代环境让误报变得更贵（误诊、恐慌、资本错配），我们是否应该训练自己覆盖默认警报？还是保留过度警报，因为漏报的不可逆损失仍更致命？