一句话定义：幸存者偏差（Survivorship Bias）是一种思维陷阱——当你只统计“活下来的样本”，就会系统性地高估成功概率。
从一个老故事说起
二战时，工程师统计返航轰炸机上的弹孔，发现机翼中弹最多，于是打算加固机翼。统计学家亚伯拉罕·沃德泼了冷水：能飞回来的飞机，机翼中弹当然还撑得住；那些被击落的飞机，恰恰是发动机或驾驶舱中弹的——它们根本没机会进入统计表。
核心就在这：看不见的样本被悄悄剔除了，而你只盯着剩下的那一批，还以为那就是全貌。
它在 AI 圈里长什么样
- 技术博客只写跑通的项目。某个团队用AI 词典：检索增强生成">检索增强生成（RAG）把客服问答做成了，会写一篇复盘；另外九个做了半年、最后发现数据太脏而放弃的团队，什么都不会发。于是你读到的“成功案例”把自己当成了分母。
- 排行榜和 demo 同理。一个模型、一段提示词（prompt）能被公开，说明它在作者手里效果不错；调了两周毫无起色的那些，作者压根不会发。你照抄，未必复现得出来。
- 培训和招聘广告也一样。宣传页上摆的是转行成功的学员，退课的人和没找到工作的人不在上面。
和相邻概念的区别
| 概念 | 偏差来自哪里 | 典型表现 |
|---|---|---|
| 幸存者偏差（Survivorship Bias） | 样本被“是否存活/是否成功”筛掉了 | 只统计活下来的项目 |
| 确认偏误（Confirmation Bias） | 你主动挑支持自己的证据 | 只搜“AI 一定能行”的报道 |
| 发表偏倚（Publication Bias） | 渠道只接收阳性结果 | 期刊、会议只发显著结论 |
三者都会让人过度乐观，但机制不同：确认偏误是你在挑样本，幸存者偏差是样本自己在消失，发表偏倚是渠道在筛。幸存者偏差往往最难察觉，因为没有任何一环看起来像是有人在造假。
对你的实际意义
做技术选型和排期时，把“我看到的成功率”换成“所有试过的人的成功率”。可行做法：直接找做过同类项目的人问失败原因；预算里预留数据清洗和上线后维护的时间；看到 demo 先追问三件事——用了多少数据、调了多久、线上最差的情况是什么样。
对普通职场人，“用 AI 月入过万”这类帖子值得先问一句：亏了的人为什么不发帖？答案通常是——发了也没人转。
一句自检口诀：如果你只听得见成功者的声音，那不是证据，是回声。
（AI 工具的额度、功能与定价随时会变，具体以官方页面为准。）