这也许是唯一可能合法的杀人方式了。我们可以从扁桃体切除手术的故事中看到，获取更多数据增加了干预的理由，导致我们的行为更像那个神经过敏的人。罗里·萨瑟兰曾向我暗示，给员工配备私人医生，实际上更容易受天真的干预的影响，也更容易遭受医源性损伤：医生需要证明，他们无愧于你所付的薪水，也要向自己证明，自己还有那么一点儿职业道德，这靠“无为”是不足以体现的。事实上，歌手迈克尔·杰克逊的私人医生被起诉的理由就相当于过度干预，即扼杀了病人的反脆弱性（法院得花些时间才能熟悉这个概念）。你有没有想过为什么国家元首和非常富有的人虽能方便地获取医疗保健服务，却并不比普通人活得时间更久呢？嗯，看来这正是过度服用药物和过度获取医疗服务的后果。

同样的，那些在公司里制定政策的人（如脆弱推手格林斯潘）由于有一个先进的数据采集部门的支持，因此得到了很多“及时”的信息，结果却往往反应过度，将噪声当作信号，格林斯潘甚至会关注克利夫兰真空吸尘器的销售状况的波动，“以便掌握经济的确切走向”，当然，他的微观管理将美国经济拖入混乱的泥潭。

在商业和经济决策中，对数据的依赖导致了严重的副作用。由于互联网的发展，数据空前丰富，你在数据中陷得越深，错误数据的比例就越高。我们很少讨论数据的一个属性，即大量数据实际上是有害的，即使是中等数量的数据也是有害的。

前两章的内容展示了如何使用和利用噪声和随机性；但噪声和随机性也可以使用和利用你，特别是在完全不自然的情况下—依靠网络或者媒体获取大量数据的情况下。

你越频繁地寻找数据，你会发现，你找到的噪声（而非被称为信号的宝贵数据）的比例就越高，噪声–信号比就越高。噪声和信号的混淆并非心理问题，而是数据本身所固有的问题。假设你每年查看一次数据，比如股价、你岳父工厂生产的化肥的销售情况，或符拉迪沃斯托克的通胀数据。再假设，当你观察数据的频率为每年一次时，信号–噪声比为1∶1（一半噪声，一半信号），这意味着，大约有一半的变化是真正的改善或恶化，而另一半的变化来自随机性。这个比例是你每年观察一次会得到的比例。但如果你每天查看一次同样的数据，那么这些数据的构成就会变成95%的噪声和5%的信号。如果你观察数据的频率以小时为单位，就像如今人们整日被新闻和市场价格变动的信息包围一样，那么这个构成就是99.5%的噪声和0.5%的信号。也就是说，噪声的比例是信号的200倍以上—这就是为什么爱听新闻（除了有非常重要的事件发生）的人离愚蠢的人也就一步之遥了。

看看报纸产生的医源性损伤。报纸每天都需要用一堆新闻填满各个版面，尤其是其他报纸会报道的这些新闻。事实上，要把事情做对，它们就要学会在缺乏有意义的信息素材时保持沉默。报纸篇幅有些时候写两行就够了，而必要时则可以写上200版—与信号的强度成正比。不过，当然，报纸要赚钱，需要向我们出售垃圾信息，而垃圾信息无疑制造了医源性损伤。