“志存高远”与“知足常乐”——关于抱负的传统智慧往往充满矛盾。然而，一项由怀俄明大学、斯坦福大学和科罗拉大学博尔德分校研究人员共同完成的跨学科数学研究，通过构建精密的数学模型，为人类抱负设定了精确的参数，成功调和了这些看似冲突的建议。

这项发表在《物理评论E》（Physical Review E）杂志上的研究指出，最佳的抱负水平并非无限高远，而是“严格高于平均但严格有限”。换言之，人们在追求目标时，应力求超越平均水平，但绝不应盲目追求完美。

该研究的首席作者、斯坦福大学多尔可持续发展学院的博士后学者凯瑟·兰德格伦（Kath Landgren）表示：“传统观念告诉我们不要轻易满足，但也不要让完美成为优秀的敌人。我们希望通过数学方法验证这种直觉，结果发现它不仅得到了支持，还带来了一些有趣的发现。”

研究团队构建了一个序列搜索模型，旨在寻找最佳可用策略。这个框架具有广泛的普适性，能够应用于现实世界的各种动态场景，包括职业选择、创业、浪漫关系、公共政策制定乃至政治竞选。在搜索时间线的每一步，参与者都必须决定是满足于当前所拥有的“资产”，还是投入更多资源继续搜索。

模型揭示了决策中一个严重的结构性不对称：将抱负阈值设定得过高，对个人或职业表现造成的损失，远大于将其设定得过低所造成的同等程度的损失。这意味着，长期过度满足（即期望过高）在数学上比容易满足更具破坏性。研究明确指出，完美主义对成功的损害更大，因为它会导致长期的失望，并促使人们为了追求一个统计学上的“海市蜃楼”而放弃许多本已优化且可实现的机会。

研究还深入探讨了不同环境下的统计分布如何影响个体抱负的设定：

• 左偏态环境下的抱负策略： 当现实世界场景呈现左偏态分布时，意味着灾难性的、远低于平均水平的失败比历史性的巨大成功更为常见（例如在国家宏观经济政策制定中，经济衰退的规模往往大于经济繁荣）。在这种情况下，个体必须在最小化风险的同时，相对平均水平提高其抱负。正如合著者、怀俄明大学经济学助理教授马特·伯吉斯（Matt Burgess）所言，即使面临较大的衰退风险，也不应让其拖累对典型年份的增长目标。
• 右偏态环境下的创业悖论： 相反，当环境呈现右偏态分布时，少数精英“独角兽”企业或超级富豪人为地抬高了数学平均值（例如在风险投资和亿万富翁财富创造领域）。在这种情况下，个体实际上应该相对这个被扭曲的平均值降低其抱负。这揭示了健康的风险承担与未经校准、令人沮丧的期望之间重要的生物学差异。伯吉斯教授解释说，在创业领域，你可能需要承担风险，但如果未能成为下一个亿万富翁，也不应因此气馁。因为市场平均值被极少数“独角兽”公司和高度可见的亿万富翁人为拉高，如果个人抱负直接以此为基准，将很快陷入沮丧。正确的数学路径是拥抱风险，但设定一个更实际、有限的奖励阈值。

此外，该数学模型还揭示了向上社会比较的系统性代价。当人们仅仅根据那些表现优于自己的同伴来评估成功时，其表现会大幅下降。合著者、科罗拉多大学博尔德分校讲师瑞安·兰根多夫（Ryan Langendorf）指出，仅仅关注精英同伴精心策划的“高光时刻”（这一现象在现代社交媒体算法设计下被极大放大），会造成长期的不满，并迫使行动者不断错过高度优化、可实现的奖励。这种比较会扭曲人们对可实现目标的看法，导致长期不满，失去对现实的把握，最终错失近在眼前、真实可得的奖励。

为了验证模型的现实预测能力，研究人员将其与真实世界的人类行为数据进行了交叉比对，包括在线约会指标、大学申请、美国经济增长、亿万富翁财富分布以及2020年摇摆州民意调查。在多个领域，人类行为与模型预测高度吻合。例如，在线约会者会自然地将他们的信息资源集中在那些只比自己略微更具吸引力的潜在伴侣身上。

研究人员强调，尽管他们的模型比现实世界的决策过程更为简化，但其核心洞察具有广泛的普适性。兰德格伦表示：“我们在大多数日常决策中都缺乏完整的信息。我们的工作提供了一种精确而易于理解的方式，来思考在不同情境下应该抱有多大的抱负。”