如果你曾在备忘录里列过一张"理想伴侣清单"——身高180以上、有上进心、情绪稳定、最好懂点幽默——然后把相亲软件当成按图索骥的过滤器，那这期Huberman Lab（全球播放量第一的健康与科学播客）在2026年6月22日放出的近三小时访谈，可能会颠覆你对"择偶"这件事的全部直觉。
嘉宾是加州大学戴维斯分校心理学教授 Paul Eastwick，人类择偶科学领域最活跃的实证研究者之一。他和长期合作者 Eli Finkel 用了将近二十年时间，反复拷问同一个看似无聊、实则致命的问题：你嘴上说的"我想要什么样的伴侣"，到底能不能预测你真正会爱上谁？
答案是:不能。从速度约会的现场,到覆盖全球的大样本,再到把100多个变量喂给机器学习模型——证据指向同一个结论:我们对外宣称的择偶标准,几乎是一个无效指标。 这不是"爱情不讲逻辑"那种文艺感慨,而是一组可以用效应量丈量、可以用元分析校验的硬数据。
| 项目 | 内容 |
|---|---|
| 视频标题 | Science of Attraction, Compatibility & Romance | Dr. Paul Eastwick |
| 频道 | Huberman Lab(神经科学家 Andrew Huberman 主持,全球第一健康播客,YouTube订阅数百万) |
| 时长 | 约2小时47分钟 |
| 发布日期 | 2026年6月22日 |
| 嘉宾 | Paul Eastwick,PhD,UC Davis 心理学教授 |
| 核心主题 | 你宣称的择偶偏好为什么预测不了真实吸引力,以及到底什么才预测关系质量 |
要理解这场颠覆有多狠,得先回到择偶研究的地基。1989年,心理学家 David Buss 做了一项里程碑式的跨文化调查,在37个文化里问人们"你择偶时最看重什么",然后总结出一套教科书级的性别差异:男人更看重年轻与外貌,女人更看重资源与地位。半个世纪以来,这套"陈述偏好"几乎被当成了人类择偶的蓝图。
Eastwick 和 Finkel 2008年发表在《人格与社会心理学杂志》(JPSP)的那篇经典论文,干了一件前人没认真做的事——他们不满足于问,而是把人放进真实的速度约会(speed-dating)场景,等他们真和活生生的人面对面聊过之后,再去检验:当初填的那张"理想型问卷",有没有预测他们实际心动了谁?
结果令人不安。人们陈述的偏好,和他们现场真正产生的好感之间,相关性几乎为零。更关键的是,过去教科书津津乐道的那些"性别差异"——男人被外貌吸引、女人被资源吸引——在实际心动数据里压根没出现。男性和女性,在什么真正让他们动心这件事上,出奇地一致。
这个发现不是一次性的瑕疵。2025年,Eastwick 团队在 JPSP 发表了一项全球范围的复现研究("A worldwide test of the predictive validity of ideal partner preference-matching"),横跨数十个文化样本,结论依然成立:你声称想要的那些品质,在预测你最终青睐谁这件事上,预测效度微弱得令人尴尬。
这是视频的核心论点(原话层面):我们对自己择偶标准的"自我报告",并不能如实反映我们真实的择偶行为。 Eastwick 的延伸解读是:这张清单更像是一份事后编造的剧本,而不是事前的筛选规则。
访谈里 Eastwick 重点讲了他2025年登上《美国国家科学院院刊》(PNAS)的一项研究:分析了 4500场盲约(blind dates)的数据,专门检验那个最根深蒂固的进化心理学假设——男性比女性更偏好年轻的伴侣。
结论干脆利落:没有性别差异。 男性并没有表现出比女性更强、更独特的"青春偏好"。访谈里 Eastwick 把这放进他所谓的"support-deficit perspective"(支持赤字视角)框架去重新解释:那些被误读为"进化本能"的性别偏好,很多时候其实是社会结构(谁掌握资源、谁承担照护)的投影,而非刻在基因里的硬连线。
这个点之所以重要,是因为它把"择偶差异"的解释权,从生物决定论手里夺了回来。你的"标准",更像文化环境的回声,而不是DNA的低语。
如果你怀疑"是不是研究者问的变量不够多、模型不够强",Joel、Eastwick 和 Finkel 2017年发表在《心理科学》(Psychological Science)的研究会彻底打消这个念头。
他们做了两场大规模速度约会,让每位参与者填写100多个自报告量表——从性格、价值观、依恋风格到外貌评价,无所不包——然后把这些变量统统丢进机器学习模型,目标是预测"谁会看上谁"。
结果:即便用上当时最强的算法和最全的特征,模型对"两个特定人之间那份独特心动"(dyadic desire,也就是俗称的"chemistry")的解释力,依然接近于零。能预测的部分,只剩下两种平庸的东西:一是"这个人本来就很容易心动"(individual desirability),二是"这个人本来就人见人爱"(general popularity)——而这两者都不是任何精细的"匹配"。
用研究者的原话来说,初始吸引力在很大程度上是涌现的(emergent)和不可预测的。这大概是我听过的对"缘分"二字最科学的翻译:它不是玄学,但它确实不服从任何你能事先写下来的规则表。
那是不是"偏好"完全没用?这里 Eastwick 给出了一个极精巧的结论,被业内称为"双重分离"(double dissociation)。
他和团队2011年在 JPSP 发现:同样是"对外貌的偏好",显性偏好(explicit,也就是你嘴上承认、能填进问卷的)预测不了真实心动,而隐性偏好(implicit,你潜意识里、用反应时测出来的自动倾向)却能预测。两者甚至可以南辕北辙:一个人嘴上说"长相不重要",但反应时数据暴露他其实很看脸——而真正主导他行为的,是后者。
我的延伸理解是:你的直觉系统在毫秒级、无意识地完成了"心动判定",而你的语言系统只是事后跑来写一份自圆其说的新闻稿。所以当你对着清单苦思冥想"我到底要什么样的伴侣"时,你激活的,恰恰是那个最不管用的系统。
这是访谈里最具现实杀伤力的一段。Huberman 直接发问:既然陈述偏好的预测力这么弱,那约会软件为什么反而要求用户用身高、收入、学历、照片这些属性去层层过滤?
Eastwick 的回答逻辑很清楚:软件的交互范式,强迫你把择偶变成一道属性筛选题,而属性筛选,恰恰是预测力最弱的那条路径。你在Tinder上左滑右滑的那些指标,本质上就是把你那张无效的"理想型清单"工程化了——你越精确地按身高收入过滤,你就越高效地排除掉你本来会心动的人。
2020年 Sparks 等人发表在《实验社会心理学杂志》的研究("Negligible evidence that people desire partners who uniquely fit their ideals")进一步坐实了这一点:几乎没有证据表明,人们会特别渴望那个"恰好命中自己理想型"的人。所谓的"理想匹配",更多是关系建立之后我们回头贴上的标签,而不是我们当初选择的依据。
这也是为什么那么多人"越用约会软件越挫败":你优化的是一个和"幸福"几乎正交的目标函数。
为了避免把话说死,需要厘清偏好的有效边界——这恰恰是 Eastwick 2014年那篇发表在《心理学公报》(Psychological Bulletin)的元分析最重要的贡献。陈述偏好虽然预测不了"你会爱上谁",但它至少在两件事上还有点用:
第一,它能在极端区起到过滤作用。那些被你标为"绝对不能接受"(dealbreaker)的特质,确实会把一批人挡在门外——只是它对"在剩下的人里你会选谁"没有解释力。
第二,它能部分预测关系中的满意度。当你的伴侣恰好具备你陈述的那些理想品质时,你对这段关系的满意度会略高一点点(注意,是略高,效应不大)。
换句话说:理想型清单能帮你"避雷"和"事后更满意",但唯独预测不了心动。这是一张作用于"排雷"和"维护"的清单,不是一张能找到爱情的地图。
访谈的后半段,Eastwick 从"破"转向"立",给出了几条有数据支撑的、反软件直觉的建议,这也是我认为最值得带走的部分:
flowchart TD
A[你对外宣称的<br/>理想型清单] -->|预测效度≈0| B[你会实际爱上谁]
A -->|有效·极端区过滤| C[排雷:挡掉dealbreaker]
A -->|有效·略升满意度| D[维护:关系内的满意感]
B --> E{真实心动靠什么?}
E -->|显性偏好·无效| F[嘴上说的标准]
E -->|隐性偏好·有效| G[直觉/反应时测出的自动倾向]
E -->|机器学习100+变量| H[接近不可预测<br/>心动是涌现的]
I[进化心理学旧地基<br/>Buss 37文化·陈述偏好] -.被推翻.-> J[4500场盲约·无性别差异<br/>青春偏好神话破灭]
K[约会软件范式] -->|属性筛选=最弱路径| L[越精确过滤<br/>越高效排除会心动的人]
M[有数据支撑的替代方案] --> N[共同活动·观察社交行为<br/>问好问题·社交圈支持]
把这套研究翻译成行动指南,我会给出三层建议:
第一层(认知升级):停止把"理想型清单"当圣旨。 如果你正在相亲软件上靠身高、收入、学历这些可量化的"硬指标"层层过滤,请意识到你正在用一条预测力接近于零的路径在筛选。承认"心动不可被属性表预测",本身就是一种解脱——你终于不用因为"对方条件都符合但我就是没感觉"而自我怀疑了。
第二层(方法切换):把精力从"筛选属性"转到"创造场景"。 与其多刷两百个右滑,不如报名一个需要多次见面的线下活动。Eastwick 的数据反复指向同一个结论:吸引力需要"共享时刻"和"多次低压力接触"才能长出来。线下、共同任务、真实社交——这些才是制造"涌现"的温床。
第三层(关系维护):相信直觉,但不迷信单一直觉。 既然隐性偏好比显性偏好更能预测心动,那么"有感觉"是值得尊重的信号;但也要记得,机器学习都解释不了心动,意味着任何单一的"感觉"都可能是噪音。给关系时间,看重对方在压力下的社交行为、看重朋友家人的反馈——这些长期信号比一时的化学反应更可靠预测关系质量。
需要警惕的边界:这些研究的对象主要是初始吸引力(initial attraction),也就是"刚开始会不会看上"。Eastwick 自己也承认,一旦关系建立,伴侣是否匹配你的理想,确实能小幅提升满意度。所以"清单没用"的结论,不要过度外推到"长期关系里什么品质都不重要"——那是另一道题。
你以为择偶是一道按清单打分的筛选题,科学却告诉你:你嘴上说的标准根本预测不了你会爱上谁——心动是不可算的涌现,与其优化属性,不如多制造让心动长出来的场景。
本文由「51学通信」技术团队出品。51学通信由通信行业18年老兵爱卫生(微信ID: gprshome201101)维护,聚焦5G/6G核心网、3GPP标准解读、通信前沿技术深度分析。 出版作品有《5G核心网原理与实践》《IMS原理与实践》等4本通信专业书籍。知识星球「51学通信」提供深度技术答疑和行业洞察。
[!tip] 51学通信知识星球 星主：爱卫生（微信：gprshome201101）——公众号「51学通信」创办者，19 年通信行业运维与讲师经验，著有《GPRS网络信令实例详解》《EPC原理与实践》《5G核心网原理与实践》三本纸质书（各大电商平台有售）。 星球定位：深耕 5G 核心网、IMS、NFV/AI、云原生等 ICT 领域，主打运维岗位与信令分析。 当前规模：5200 篇主题 / 990 个回答，198 元/年。 加入福利：加入星球后请加爱卫生微信，拉您进知识星球年度陪伴与答疑群——不限量回复您的各种问题，另有群内分享。 AI 加持：51学通信知识星球已作为 skill 接入 WorkBuddy，使用 deepseek-4-flash 在海量星球帖子中精准找贴、找视频、找 FAQ 和案例，做总结、找文档和 PPT 等场景全覆盖。