我应该怎么读新闻？

我们通常把新闻理解成：发生了一件事情，然后媒体告诉了我们。

但实际的信息链条往往更长：

到了最后一层，我们看到的已经不一定只是“事件”，而可能是别人认为这个事件应该怎样被理解。

这并不意味着媒体一定在骗人。

只是意味着：信息和解释需要被区分。

所以现在看到一条重要新闻，我会先尝试把两个问题分开：

这两个问题看起来很接近，但实际上完全不同。

这是最基础的一步。

但恰恰也是最容易被跳过的一步。

比如看到“某新能源汽车企业销量创历史新高”，我们很容易直接得到一个结论：公司发展得很好。

但如果暂时把这个结论放下来，只看事实，会发现还有很多问题：

• 销量到底是多少？同比增长多少？环比增长多少？
• 是整个行业增长，还是公司抢到了市场份额？
• 是销量增长，还是大幅降价换来的？
• 是国内增长，还是海外增长？
• 毛利率有没有变化？
• 竞争对手怎么样？

这时候才会发现：一个数字本身，通常没有那么多意义，它需要上下文。

所以我现在更倾向于先找：

• 原始数据、原始文件、原始发言
• 公司公告、政府文件、财报

而不是直接接受别人替我总结出来的结论。

一个很简单的习惯是：

这是我觉得最有用的一步。

同一句话，如果来自不同的人，含义可能完全不同。

我现在看到一句比较肯定的话，会先看是谁说的。

如果是一家公司管理层说的，我会想：这当然可能是真的，但他为什么现在特别强调这件事？

如果是一家券商说的，我会再看看这是不是和它的业务、客户或者当前市场环境有关。

如果是监管部门说的，我更关心的是：这是在描述已经发生的事情，还是在告诉市场接下来希望大家往哪个方向走？

我并不会因为“他说这话对他有利”，就直接认为他说的是假的。

我想问的其实是：

我只是希望自己别那么快相信。

所以看到一条重要信息，我现在会多问一句：

这是我觉得最容易被忽略的一层。

同一句话，在不同的时间点出现，可能完全不是一个意思。

一家企业连续几年都在说“行业长期前景依然广阔”，这句话本身可能没有什么特别的价值。

但如果它是在行业需求开始下降、库存开始增加、企业利润下降、竞争开始加剧之后突然再次强调这句话，那么它就值得重新看一遍。

所以我会开始寻找：这条新闻之前发生了什么？

新闻真正有价值的地方，有时候并不在那句话本身，而在于：

当我开始把“谁在说话”加入阅读过程之后，会发现很多新闻其实不是孤立事件。

企业、政府、投资者、消费者、金融机构、监管部门之间一直在相互影响。

例如一项政策变化：

因此，一条新闻真正值得研究的地方，不一定是它是利好还是利空，而可能是：

这是一个很重要的转变——从“这条新闻意味着什么？”变成“这条新闻改变了什么？”

后来我发现，很多复杂的商业和政策新闻，其实可以用几个很简单的问题拆开。

01 / 新增了什么？

新的资金、产能、产品、政策、客户、竞争者、技术路线——它们会改变什么？

02 / 放弃了什么？

任何选择都有机会成本。

企业增加一个业务，可能意味着放弃另一个业务。

政府扶持一个方向，也意味着资源可能从其他方向转移。

投资机构增加某类资产，也意味着减少了另一类资产。

所以：不要只看一个人选择了什么，也要看他放弃了什么。

03 / 激励改变了吗？

这是政策和制度新闻里尤其值得关注的一点。

规则变化之后：谁会因此更赚钱？谁会因此更难生存？谁的行为会发生改变？

如果规则真的改变了参与者的激励，行为最终通常也会发生变化。

所以面对一项改革或者新规，我会尝试继续追问：

我以前看到“某公司投资 100 亿”“某行业规模突破 1000 亿”这种数字，很容易下意识觉得这是大新闻。

后来我开始意识到，一个数字大不大，其实不是最重要的。

我更想知道的是：这是在一个已经很拥挤的市场里，再加一点东西，还是刚好赶上需求开始起来？

同样是 100 亿，放在两个完全不同的市场里，意义可能完全不一样。

所以现在看到“新增”两个字，我会多停一下，试着再问一句：

原来已经有多少？现在又增加了多少？市场吃得下吗？

我现在越来越认同一个简单的原则：越重要的判断，越应该尽可能靠近一手信息。

但这不意味着所有事情都必须自己去读原始文件——现实中的信息太多了。

我更倾向于把信息来源理解成几个不同的层级。

第一层：原始材料 —— 政府部门、监管机构、公司公告、财报、统计数据、法律法规。它们主要回答：到底发生了什么？

第二层：可靠新闻 —— 新闻机构负责帮助我们快速理解：发生了什么，以及为什么值得关注。

第三层：专业研究 —— 研究报告、论文、行业分析等更多回答：为什么发生？可能会产生什么影响？

第四层：个人观点 —— 博客、视频、社交媒体、自媒体、Reddit、X。它们同样可能非常有价值，尤其是在发现问题、获得不同视角方面。

但我会尽量把它们当作：

后来我发现，这种阅读方式其实并不只是我的个人经验。

信息素养和数字信息评估领域已经有相当长时间的相关研究，其中一个很重要的概念就是 lateral reading，也就是“横向阅读”：先离开当前页面，再从外部判断它。

同时，Michael Caulfield 提出的 SIFT 方法也是一个很典型的框架：

我特别喜欢其中一个非常简单的习惯：

如果一个网站告诉你“我们是最权威的行业媒体”，不要继续读它的“关于我们”——直接开一个新标签页：别人怎么评价它？

如果一篇文章引用了一个非常重要的数据，直接去找那个数据的原始出处。

这和我们平时从头到尾读完一个网页的方式不太一样：

不是纵向读深，而是先离开当前页面，再从外部判断它。

这里我也想给自己留一个限制。

三个网站报道同一件事情，不代表它就一定是真的。

如果三个媒体都引用了同一个错误的原始消息，那么三个来源实际上还是一个来源。

所以真正值得关注的是：它们是不是独立的证据？

所以交叉验证不是简单地增加链接数量，而是：

做工程的时候，我习惯问一个问题：

到底哪个变量变了？

一个结果突然变化，是边界条件变了？模型变了？还是输入本身变了？

后来我发现，读新闻其实也有点像。

一家公司宣布扩产，变量可能是供给。

一项政策出台，可能先改变激励，再改变企业行为。

利率变化，可能改变融资成本，再影响投资和资产价格。

一条新闻如果什么变量都没有改变，只是换了一个更大的标题，那它可能真的没那么重要。

这可能是我现在最想练习的一件事：

到这里，我觉得可以把这套方法暂时压缩成六个问题。

如果没有这个问题，很容易变成“先有结论，再找证据”，而不是“先看证据，再形成结论”。

真正的研究，不应该只是寻找支持自己观点的证据。

以前我们最大的困难可能是：找不到信息。

现在越来越多时候，问题变成：信息太多了。

尤其是 AI 出现以后，我们可以非常快地总结一篇文章、总结十篇文章、比较不同观点、提取数据、生成行业报告。

但这并不意味着我们自动获得了判断能力。

因为 AI 同样可以非常快速地把错误的信息整理得非常漂亮。

所以我越来越觉得：

AI 可以帮助我搜索、整理、比较、提取、追踪来源。

但最后仍然需要有人问：

• 这个问题值得研究吗？
• 证据真的支持这个结论吗？
• 还有什么可能被忽略？
• 如果我错了，会是什么原因？

这篇文章不是想告诉别人“我已经掌握了一套正确的新闻阅读方法”。

恰恰相反。

我现在只是开始意识到：以前的“看新闻”，和真正的“理解信息”，可能是两件完全不同的事情。

我也还在练习。

以后如果继续做行业研究，我希望自己可以慢慢形成一个比较稳定的习惯：

先看事实，再看来源；

先理解立场，再理解语境；

再寻找证据，最后形成判断。

而且判断不是终点。如果新的证据出现，能够修改自己的判断，同样是研究的一部分。

所以现在如果让我重新定义“读新闻”，我可能会这样说：