在投资中，我们不断努力寻找方法降低“噪声”提升自己的判断力。但是，在现实的应用中，我们依然会面对主观和客观三大因素，让我们无法彻底规避无处不在的“噪声”。
第一，人们普遍不信任算法。
丹尼尔·卡尼曼在《噪声》一书中，通过大量实例提出，即使是最简单的模型决策也优于人类的判断。那么，为什么在现实生活中，模型算法并没有广泛的被采用呢？
其实是缘于人类对算法的偏见所造成的不信任。卡尼曼在书中指出，作为人类，我们能够意识到自己会犯错，但我们却不愿意与算法分享这样的特权。我们会原谅自己在判断中犯错，并且不觉得有问题。但是，我们对模型有一种直觉性的期望，就是认为模型或者说算法是不应该出错的，应该是完美的，千万次中只要有几次错误，我们就会放弃这个算法。这种态度是根深蒂固的，我们总是认为算法应该百分百正确。
在现实生活中最明显的例子就是自动驾驶技术的应用。我们自己犯错出车祸可以理解，人类还会继续使用汽车这种交通工具，没有问题。但是自动驾驶汽车偶尔出车祸就是重大事件，会导致我们不相信自动驾驶技术，甚至放弃这种技术应用。
第二，模型会扼杀积极性和创造力。
面对各种算法的判断，很多人会产生抵触情绪，这并不是因为判断出了错误，而是因为算法的存在，让大家成为算法中的一个“齿轮”，降低了工作的意义。
有噪声的系统可能对保持士气有好处，但这并不是因为它包含噪声，而是因为它允许人们根据自己的意愿做出决定。
虽然使用模型会提高判断的正确性，但是却限制了员工的灵感和创造力。所以，很多时候大家并不愿意使用模型算法。
第三，减少噪声的成本问题。
虽然我们知道了如何减少噪声，如何提高判断正确率。但是，这存在一个“成本-收益”性价比的问题。
比如，一位语文老师对全班25名学生的文章进行评分，这不可避免的会存在模式噪声影响。如果邀请另外5名语文老师，分别独立修改这25篇文章，然后取5位语文老师的平均分，自然能够降低噪声影响，更加公平对待每位学生。
但是，这其中存在邀请老师的成本，修改作业的时间成本，等等。如果这只是一次期中测试，对学生的升学考试影响不大，那么这样的“成本-收益”性价比就太低啦。
洞悉了降低噪声的障碍到底是什么，也并不是要去克服这些阻碍，而是要具体问题具体分析。
比如，医生在诊断病人是否患有高血压的时候，要尽量降低人的主观判断，采用模型算法的方式，也就是相信仪器，诊断结果更为科学。如果是为了调动大家的主观能动性，发挥创造力，比如写歌词，写文案等工作，简单的模型显然不如让更多噪声存在。
生活中，很多事情都是知易行难。只有真正了解困难，才能更接近自己设定的目标，在投资中同样也是如此，真正了解减少噪声的障碍，才能做到减少噪声的干扰。 (CIS)
