【锚点】这一篇只钉一个判断：【基率忽视】不是「不会算」，而是大脑把【诊断性证据】误当成【后验概率】。

【显式】Tversky & Kahneman（1974）的出租车问题：某城出租车 85% 是绿色，15% 是蓝色；证人指认肇事车是蓝色；证人在实验室里识别颜色正确率 80%、错误率 20%。问：肇事车是蓝色的概率是多少？很多人第一反应是 80%。这个答案把「证人正确率」直接当成「事件概率」，跳过了基率。

【流程节点链路】先验概率（85% 绿 / 15% 蓝） → 似然（若车是蓝，证人说蓝的概率 0.8；若车是绿，证人误说蓝的概率 0.2） → 贝叶斯更新 → 后验概率（P(蓝 | 证人说蓝) ≈ 41.4%）。

用频率表更清楚：假设 1000 辆车，850 绿、150 蓝。证人会说「蓝」的情况有两类：真蓝被说蓝 150 × 0.8 = 120；真绿被误说蓝 850 × 0.2 = 170。所以「说蓝」总样本 290，其中蓝车只有 120，120 / 290 ≈ 41.4%。【结论】正确概率不是 80%，而是约 41%。

【隐式】错误的关键不是 80% 这个数，而是「误报数量」可以超过「真实目标数量」。绿车基数大，即使误报率只有 20%，误报的绿车（170）仍比被正确识别的蓝车（120）多。读者若只记住「证人很准」，就会漏掉这个结构。

【细微】同一套证据，只要改变基率，答案会剧烈移动。若城市里 50% 绿、50% 蓝，同样 80% 正确率下，P(蓝 | 说蓝) = 0.5×0.8 / (0.5×0.8 + 0.5×0.2) = 80%。也就是说，80% 不是普适答案；它只在基率接近 50% 时成立。基率是概率机器的输入，不是可有可无的背景。

【极难发现】基率忽视未必只是认知 bug，也可能是成本敏感启发式。若漏报代价极高，例如把草绳误认成蛇的代价低，而漏认蛇的代价高，那么提高「像蛇就报警」的触发率，即使误报很多，也可能提高生存适应度。这里要区分两种模型：一是计算缺陷模型，预测人应接近贝叶斯后验但系统偏离；二是适应度模型，预测人会按漏报成本 / 误报成本调整触发阈值。【待验证点】可设计参数化实验：固定证据似然，改变基率与两类错误成本，看人类选择是否随期望损失移动，而不是固定停在 80%。

结尾问题：如果基率忽视是进化遗留的 bug，为什么它在低基率、高代价环境里可能反而更适应？你能设计一个实验，区分「大脑不会贝叶斯」和「大脑在优化代价加权生存率」吗？