一个说法被引用得越多，看起来越可信。但一个反直觉的事实是：引用次数和它背后的实际证据可以完全脱钩。权威往往是引用网络自己「长」出来的——它靠的不是有多少数据支撑，而是有多少人转述过。你以为自己在信任证据，其实信任的是转述的密度。
有三条通道，能把极稀薄的证据放大成看似铁板一块的共识。偏倚：只引支持的、不引反对的，让文献场看起来一边倒。放大：综述引综述、层层转述，没人再回去看最初那篇的原始数据，二手变一手。发明：引一篇根本没这数据、甚至结论相反的文献来「支持」结论，把当初的假设直接写成定论。三条叠加，一个假设就能在文献里获得近乎公理的地位。
2009 年一项发表于《英国医学杂志》的研究，把生物医学里一个被广泛接受的说法做了「引用网络解剖」：242 篇论文、675 条引用连成一张网。顺着引用一路回溯，真正含有支持性实验数据的只有极少数几篇；而大量「支持」它的引用，要么根本不含数据，要么原文数据其实指向相反方向。整片共识，几乎全靠引用彼此支撑撑着，而非底下的证据。数字权威可以是空心的。
软件依赖是同构的：你信任一个第三方包，其实是在信任它引的、它引的引的——传递信任链上任何一环空心，你都看不见。机器学习里，用模型生成的数据再训练模型，误差会在「自引」中被反复强化，最后长成自信满满的幻觉。连一段没人敢动的老代码，它的「权威」也常常不是因为被验证过，而是因为被依赖了太久、没人回去看它到底对不对。
技术决策里最危险的一句话是「业界最佳实践就是这么做的」。下次听到「大家都这样」「社区共识」，追一层：这个共识背后是几篇一手基准测试、一次真实压测，还是一圈互相引用、谁也没跑过数的博客？把「多少人说」和「多少证据」分开记账。
你团队现在奉为默认的某条技术信条，如果要求你只用一手证据（而非「别人也这么说」）来为它辩护，你手里还剩几张牌？
一个数字从「某人的粗略猜测」变成「公认事实」，靠的不是有人去验证它，而是每一次转述都悄悄剥掉它身上的限定词——不确定性、定义、出处。限定词是数字的免疫系统；剥光了，它就成了刀枪不入的「事实」。
这是一条四步衰变链，每一步都让数字更硬、更假。先是有人给出一个自带保留的粗估；转述中「大概」「非科学估计」被删掉，完成事实化；一个赤裸的数字需要权威背书，于是被安上一个其实从没说过这话的出处；最后即便有人做了「验尸」证伪，它早已脱离原文独立流通，验尸报告根本追不上它。
「70% 的变革努力都会失败」——管理界最常被引用的口头禅之一。追到最接近的源头，是 1993 年一本企业再造名著里的一句自我设限：「我们的非科学估计是，50%–70% 的再造努力没能取得他们想要的戏剧性成果。」注意两处：作者明说这是非科学估计，且说的是「没达到戏剧性成果」，根本不等于「失败」。三十年里，「非科学」被删、「戏剧性成果」被换成「失败」、再被安上各种权威研究的假出处。2011 年有学者在期刊上专门为它「验尸」，结论是这数字毫无可靠证据基础——然而它至今仍活跃在无数汇报的第一页。
这本质是一次有损压缩：信息论告诉你，每次转述都要丢东西，而最先被丢的恰是元数据——误差棒、样本量、定义边界，因为它们「不好讲」。新闻标题剥限定词是同一动作：正文说「在特定条件下可能」，标题只留「会」。分布式系统里也一样，一条数据经多跳传递后，血缘（它从哪来、口径是什么）最容易在中途丢失，下游拿到的只是一个失去上下文的裸值。
你在汇报或方案里引用任何「X% 的团队 / 项目 / 用户……」之前，先做一次「限定词体检」：原话里有没有「大概」「在某条件下」？你是不是把「没达到预期」悄悄读成了「失败」？把你想引的那句话追回原文，常常会发现它比你记得的谦虚得多。
你最近一次在决策中用来「一锤定音」的那个数字，如果被要求原样附上它的误差、定义和一手出处，它还敢站在结论前面吗？
一个数字被彻底证伪之后，往往照样活着——这就是「僵尸数字」。原因很朴素：它服务的是叙事需求，不是求真需求。只要那个故事还需要它来做钩子，翻案的证据也杀不死它。数字不靠「真」而活，靠「有用」而活。
辟谣天生是弱信号：它出现得晚、传播面窄、还特别不好讲（「其实没有可靠数据」远不如一个响亮的百分比抓人）。而原数字圆整、戏剧、好用，天然占尽传播优势。更麻烦的是心理学上的「持续影响效应」——人一旦接受了某个说法，即便当面被纠正，那说法仍会继续影响他后续的判断。删除一条信息，比植入它难得多。
「人只用了大脑的 10%」——神经科学早已彻底否定它（脑成像显示全脑各区在一天里都会被用到，没有大片长期沉睡的区域），可它仍是最顽固的流行说法之一，因为它太适合励志、科幻和广告的叙事：还有 90% 待开发，多诱人。「每天必须喝 8 杯水」也一样，追到 1940 年代那份最早的建议，原文明明还有下半句——「这些水大部分已包含在日常食物里」。前半句成了铁律，那句扫兴的后半句被丢进了历史。证伪它们易如反掌，杀死它们却办不到。
流行病学的视角很贴切：谣言像病原体，纠正像疫苗——问题是接种率太低、还打得太晚，挡不住已经扩散的传播。市场营销则反过来利用这条规律：一句「有用但不实」的话，传播力常常碾压「真实但扫兴」的话。凡是靠叙事驱动的系统里，「有用」这个变量的权重都高过「真实」。
当你想纠正孩子或团队里一个错误认知时，光「辟谣」几乎必然无效——你留下了一个故事的空洞，却没填上。真正管用的是给出一个同样好讲、同样有用的替代叙事去顶替它，而不只是宣布旧的错了。人脑不喜欢空洞，你不给新故事，它就把旧故事捡回来。
你上一次纠正别人一个错误说法，给的是一句「这是错的」，还是一个更好用、更好记、足以顶替它的新故事？
对抗僵尸数字，靠的不是「更多怀疑」——泛泛的怀疑既累又不可持续。真正管用的是一套固定动作：任何让你手痒想转发、想写进汇报的数字，先过三道关——追到一手、查定义、问谁在卖。把甄别从「态度」变成「流程」。
追到一手：顺着引用一路回溯到最初那篇，看它究竟测了什么、样本多大、什么条件下。查定义：这个「失败」「采用」「增长」到底怎么定义、分母是什么——同一现象换个口径，答案能差一个数量级。问谁在卖：谁在传这个数字、他靠它卖什么（cui bono，谁获益）。三关里任何一关卡住，就把这数字降级为「待考」，不进入结论。
经不起三关的数字，往往长着一副共同的脸：一个圆整的整数（正好 70%）、没有分母、没有时间窗、出处是含糊的「研究表明」而不指名道姓。反过来，真正扛得住的数字通常自带一串「扫兴」的限定词，读起来一点也不上口。所以一条实用的直觉是：凡是干净利落、正好完美支持你想要的结论、还特别顺手好转发的数字，恰恰最该被拦下来先查——它太好用了，好用到可疑。
这套习惯在工程里早有成熟对应：分布式系统讲「数据血缘」（data lineage），每个数值都能追到它是怎么算出来的；软件供应链讲「物料清单」（SBOM），要求你说清每个组件从哪来；科学界推「预注册 + 原始数据公开」，就是把「追到一手、查定义」制度化。信息素养，不过是把这些工程纪律搬进你自己的脑子。
这正好接上 Day 65 给「学会了」装的那个校准器——现在给你的信息摄入也装一个：任何要写进决策、汇报、乃至转给孩子的数字，先过一遍三关再用。它也预告下一个方向：Day 66 讲的是数字的身世（它从哪来），下一站「先问尺子」要讲数字的刻度（它到底怎么量出来的）——同一个问题，换把尺子能测出天差地别的两个答案。
你最近一次写进汇报或决策的那个关键数字，此刻若逼它同时通过「追到一手、查定义、问谁在卖」这三关，它扛得住几关？