莱布尼茨：“一旦人们对最大部分的概念建立起‘普遍语言’，那时人类将会拥有一种新工具，它提高智能的能力，远胜过光学工具之加强人眼。它的用途之大，从其中会进而产生出什么，这取决于命运之手，但它肯定会带来重要的和卓越的结果。”
大语言模型（Large Language Model， LLM）之所以有了突破，本质上是把语言问题转化成了数学问题。
乔治·博克斯（George Box）：“所有模型都是错的，但有一些有用（All models are wrong，but some are useful）。”
四、自复制自动机的核心
图片：http://informatics.indiana.edu/rocha/ss504_5.html
假设自动机 X的符号串（用二进制代码表示的自动机）是Φ(X)。
我们可以设计一台通用构造器（Universal constructer）A，当我们把Φ(X)喂给A的时候，它就能够逐步地利用悬浮在周围的零件，把 X 一点点的组合出来。
存在一台通用拷贝机器B(copy automaton)，当我们把任何描述输入B的时候，B 就会制造出同样的两份描述出来。
把机器A和B组合在一起，并给 A+B 添加一个控制器C。C按照下列方式对A和B施加控制：C先命令B拷贝两份描述Φ(X)；然后再命令A按照Φ(X)来实际制造X，并把其中的1份Φ(X)拷贝去掉；最后，C会把X和剩下的那份Φ(X)捆在一起，并把它们从机器A+B+C 的组合中间分离出去，这样一来，我们就制造出了 X+Φ(X)这样的组合。
我们用（A+B+C）来代替X，并进行上述同样的操作，那么(A+B+C)+Φ(A+B+C)的自动机组合，就可以制造出自动机组合：(A+B+C)+Φ(A+B+C)出来。 五、自复制自动机的进化
让X代表A+B+C+D，这里D代表任何自动机。那么(A+B+C)+Φ(A+B+C+D)就可以制造出(A+B+C+D)+Φ(A+B+C+D)。换句话说，自复制机器不仅仅有复制自己的能力，还可以顺便生产出其他的组件 D 的能力。这就是任何自复制生命都具备的功能：在复制自身的时候，它还会创造出副产品。
作为一个系统，(A+B+C+D)可以发生类似变异的过程。“变异”是指中间有一个零件发生随机的变化。如果是A、B或者 C 的一个零件发生了变化，那么系统通常就会失去自复制的能力。但是如果变异发生在描述Φ(A+B+C+D)上面，那么系统制造出的就不再是它自己，而是修改后的自己，下一代自动机能否继续复制取决于变异发生的具体位置。如果A、B 或者 C发生了变化，那子代自动机就会“绝后”。但是如果变异发生在D 的描述上，那么除了 D变成了D’之外，变异的子代同母体系统完全相同。之后的子代会把这个变异D’继承下去。这就是可遗传变异的基本过程。这套系统已经具备了可遗传变异的基本特性。大多数随机变异都是致命的，但是也可能偶尔会发生非致命乃至是可遗传的变异。
如果用X代表“身体”，Φ(X)：基因，A：子宫，B：卵巢、精囊，
则C：代表生殖系统中的调控和控制机制，如激素调节和生殖过程的精细控制。这些控制机制确保了生殖过程的正常进行，从而使得基因（Φ(X)）和身体（X）得以成功地结合和繁衍。（GPT-4）
D：新模块、新功能（逐步演化成新物种）。
关于“C”：
《未来大历史》大卫·克里斯蒂安
第3章 细胞何以管理未来？
DNA包含着信息，就像是菜谱一样，但它实际上做不了任何事。在某一时刻决定细胞行为的是此刻真正派上用场的基因组合。而被称为转录因子(transcription factor)的工作分子的活动则起决定作用。这些转录因子能感知到细胞内外的情况，它们会运用这些信息来“决定”还需要生产哪些分子或者需要把哪些新的分子丢弃。转录因子会潜入DNA当中，破解其制造相关分子的指令。然后，它就会开启分子的生产过程（或者让不再需要的蛋白质停止生产）。无论什么时候，生物的基因组中只会有某些基因得到“表达”。基因组的其他部分都被关闭或者等待被读取使用的那一刻（有时，它们得永远等下去）。在某一特定时刻决定哪些基因派上用场的过程被今天的生物学家称为表观遗传(epigenetic)过程。它们不会让基因组发生改变，但它们确实影响着特定的基因何时得以表达以及如何表达。这些非遗传性因素决定基因会在何时以何种方法派上用场。这些过程会告诉细胞此刻正在发生什么，又该为哪些情况做好准备。
在DNA双链外有许多的表观遗传活动：蛋白质和RNA分子掌握的新信息关乎迫在眉睫的威胁或是潜在的机会，用分子级的扳手和杠杆来拆解特定的DNA阶梯——要么读取该部分的遗传密码，要么让其难以发挥作用。如果需要某种新的蛋白质，某种特别的分子级转录因子就会沿着DNA双链寻找某个特定的基因。当转录因子找到这个基因时，它便会拆开几级碱基对阶梯，把螺旋阶梯的那一部分撬走。转录因子还会找来信使RNA(mRNA)。在这段已经暴露在外的基因中，RNA会读取其碱基对的字母序列并加以储存。
然后这几级被打开的阶梯又会被锁回去，而信使RNA现在带着的便是一份碱基对清单——制造蛋白质新品的配方。它会就此向着细胞质进发，并停靠在某个核糖体（各种蛋白质的集合体）面前，而RNA的作用有点像3D打印机。核糖体抓住信使RNA，读取它从DNA那儿拷贝来的氨基酸订单。然后，核糖体就会在周围抓所需的氨基酸，把它锁定在长链的某个位置上并确保顺序正确，这样某种特定的蛋白质就能制造出来了。由300个氨基酸组成的蛋白质，核糖体只需一分钟就能制造出来。
第四堂课 大数之道
三、不同的纠错模式
生物材料具有某种工程上的特别稳定特性，而这种稳定性又是同其机械、电子和可靠性要求所匹配的。而我们的人工装置则是一种“凑合”，往往为了达到电子上的指标，结构上却变得多余累赘。我们用到的技术，常常是适合把金属和金属连接在一起，却不适用于把金属和电子管连接起来。在难以触及的真空管中间达到一毫米的空间已经是一项工程上的壮举了，我们很难把这个尺度再缩小多少。因此，工程自动机和生物细胞尺度上的差距，实质上来自于材料性质上的巨大不同。
如果按照“有错必纠”的完美主义理念，像生命这样的复杂系统很难持续比几个毫秒更长的时间。生命应该是同概率完全整合在一起的，它可以在错误里面持续运行。在生命中的误差，不会像在计算过程中那样不断地扩散放大。生命是十分完善且具有适应性的系统，一旦中间发生了某种问题，系统会自动地认识到这个问题的严重程度。如果无关紧要，那么系统就会无视问题，继续运作；如果这个问题对于系统比较重要，系统就会把发生故障的区域封闭起来，绕过它，通过其他的候补渠道继续运行等等。然后在有空的时候，系统回头再去修复故障，如果不能修复，那么系统就把这个区域永久地废弃。所以，整个生物体的可靠性长度取决于要多长时间才会出现固定数量的不可修复故障，进行了多少次的调整和永久绕行，以及到最后，要多久才会彻底无计可施，再也无法修复。生命同那种一触即溃，一个错误就会土崩瓦解的系统，完全就是两回事。
第三堂课 信息的统计理论
一、自动机的鲁棒性
那些被严格程序所控制的仅仅是一些细节结构。大部分的控制是以一种允许错误，并且在错误发生时候采取补救措施（多少有效）的方式来实现的。而且，说它们能够预防失误还有些夸大，因为这种机制其实根本就不可能消除所有错误，而是实现了一种发生个别的失误根本无关紧要的容错状态。在这种机制下，无论是错误还是失误带来的后果，都不能被彻底消除。我们可以努力去做到的事情，就是设计一台自动机，让它在遇到通常错误后仍然可以照常工作。这种设计的目的是减小错误的影响，而不是去消除错误。
– “自我”的边界决定了自我，决定了“自我”与“环境”（进化的决定因素）的关系。“自动机是不能同它所处的环境完全分割的，换句话说，如果不先说明自动机所运作的环境，就不能判断它是好是坏、是快是慢、是坚强还是脆弱。”
– “自我”的变异+“环境”的选择：产生进化。子系统发展出新的模块/功能，复杂度大于母系统（复杂度下限：千亿）。
第五堂课 复杂自动机的一些考量 ——层次和进化的问题
二、关于复杂度（complication）
复杂度就是指复杂的有效程度，或者说是做事情的潜力。有目的地去做事的时候牵涉到的复杂程度。具有最高复杂度的对象就是那些可以做很困难的，牵涉很多事情的东西。
生命可以复制同自身相似的其他生命。生命是由基本零件构成的非常复杂的组合，从概率论或者热力学的角度看，这种组合的出现是极不可能的。唯一能够使得这个奇迹显得不那么神奇的解释是：生命可以复制自身。因此，如果由于某种特殊原因，一个生命偶然出现了，那么，从此以后，生命就不再被概率法则所束缚，只要环境合适，更多的生命就会跟着出现。然而，从热力学的角度讲，这种“合适的环境”，比起生命本身的存在几率已经要高出很多了（But a reasonable milieu is already a thermodynamically much less improbable thing）。所以，从某种程度上说概率运算在这里存在着一个漏洞（loophole），而自我复制的过程恰恰正是利用了这个漏洞。
生命这种现象是一种“统计的”规律。生命是用一大堆不可靠的原件搭建起来的一台可靠的机器，这台可靠的机器一定会操纵概率法则来“统计地”实现自身的存在。只有那些能够达到一定的复杂性并且突破了某个阈值的系统才有可能成功的利用“概率论中的漏洞”。
比起单纯的自复制，自然界中的生命更胜一筹，因为随着时间的流逝，生命会变得更加精巧。基因这种复杂度比人低一个数量级的东西，是如何蕴含了如此复杂的人类个体的信息的呢？一切生物都来自无生命混沌环境中简单的个体，它们逐渐演化出更复杂的东西，这些生命具有产生比自己更复杂之物的能力。
另一方面，当我们分析人工自动机的时候，却可以得到截然相反的结论。通常一台机器总是比它能够制造出的零件更复杂。如果自动机A 能制造出自动机B的话，那么A一定包含关于B的全部信息，这样A才能按照这些信息把 B 制造出来。自动机的“复杂度”，或者说它的生产潜力，是不断降级的。也就是说，一个系统的复杂度总是比它制造的子系统要高一个数量级。复杂度是不断降低而非升高的，这个分析人工自动机得到的结论，和上面的分析生命本身得到的结论完全相反。
我们的结论是这样的，存在着一个复杂度的阈值，如果系统低于此阈值则它的复杂度就会衰退。虽然我们现在对于什么是复杂度以及如何测量复杂度还不甚了解，但是我认为即使我们用最粗糙的衡量标准，也就是系统中所包含的零部件的数量来衡量系统的复杂度的话，本结论仍然成立。这个阈值的具体大小，就取决于我们该如何定义基本的零件。复杂度阈值是一个决定性的临界点，低于它，组装生成自动机的过程就会走向衰退；而一旦超越了这个临界点，组装进化在适合条件下就会发生爆炸性的突变，每个自动机所制造出来的新自动机都比自己更加复杂，更加具备潜能。”
复杂度如何度量？复杂度的阈值到底是多少？冯诺伊曼也不知道如何来定义这个复杂度的概念，及如何计算出这个阈值。 冯诺伊曼给出了一种定性的描述，“这里的复杂度就是指复杂的有效程度， 或者说是做事情的潜力。这里我说的并不是一个具体对象牵涉到的复杂程度，而是它有目的地去做事的时候牵涉到的复杂程度。从这个意义上说，具有最高复杂度的对象就是那些可以做很困难的，牵涉很多事情的东西。”
75译者注：千亿这个数字很有趣，略作估算，会发现很多大数都处于很接近这个尺度的范围，除了上文提到的神经元激发能量消耗和物理下限之比以外，还包括大脑中的神经元数量、每个神经元在人一生中激发的总次数、每个神经元包括的蛋白质大分子数量、甚至银河系中间恒星的数量。宇宙和大脑有着一种比例关系。
《自复制自动机理论》冯·诺依曼
书的编者是冯纽曼的助手Arthur W. Burks，遗传算法之父John Holland的博士生导师。
2.2.1.1.1 图灵机
第二堂课 控制与信息理论
五、图灵机
McCulloch & Pitts 自动机的基本结构是神经元，McCulloch & Pitts 得出结论，认为公理化的神经元体系同形式逻辑是等价的。
图灵关于有限自动机的结论：存在通用图灵机AU，具有以下性质：对于任何图灵机A和程序I，存在模拟程序IA，只要提供IA和I给AU，AU就可以模拟A 的运算，输出和A执行I得到的相同结果。AU 具有模拟任何图灵机去执行任何指令的能力，哪怕这个图灵机比AU 本身要复杂得多也没关系。因为通用图灵机本身的复杂性不足，可以由模拟器程序包含的内容来填补。这项研究的深刻之处在于，只要把通用图灵机恰当地制作出来，它就能够完成任意复杂的工作，因为其他的各种需求可以通过编写程序来满足。但是，只有当任意的图灵机 A 具有最起码的复杂度，从而能够实现通用图灵机的时候，它才能有这样的能力。换句话说，没有达到通用图灵机复杂度的系统，不管你给它写什么程序，都是不可能完成某些工作的。但是一旦复杂性超越了某一个确定的阈值，只要给予适当的程序，所有的自动机都能够相互模拟了。人类第一次具有了某种通用的工具，理论上说，只要任何人能够做到的事，这种工具也能复现此过程。
图灵还发现了自动机的极限。也就是说，无法制造这样一种自动机，这台自动机能够预测其他自动机在有限时间内是否能解决某个问题，完成停机。换句话说，虽然你可以制造能够模拟任何图灵机的通用图灵机，你却无法制造可以预测任何图灵机运行结果的“预测机”。做过的事情可以重复，但是没有做过的事情，却没有办法预测。
我认为“人工智能”这个词很棒，但存在两个问题：“人工”和“智能”。拜伦·瑞希《人工智能哲学》06 狭义人工智能
科普类书籍：
《AI3.0》（Artificial Intelligence: A Guide for Thinking Humans） 梅拉妮·米歇尔 Melanie Mitchell
《人工智能全传》 （The Road to Conscious Machines: The Story of Artificial Intelligence） 迈克尔·伍尔德里奇Michael Wooldridge
《生命3.0》迈克斯·泰格马克
《AI新生：破解人机共存密码：人类最后一个大问题》斯图尔特·罗素
教科书：
现代学术界对人工智能的权威介绍、标准参考书《人工智能：现代方法》（Artificial Intelligence: A Modern Approach） 斯图亚特·罗素 Stuart Russell，彼得·诺维格Peter Norvig
其他：
《科学之路：人、机器与未来》(Quand la machine apprend) 杨立昆Yann LeCun
《终极算法：机器学习和人工智能如何重塑世界》佩德罗·多明戈斯
Annotated History of Modern AI and Deep Learning 详解现代AI和深度学习发展史 Jürgen Schmidhuber
人工神经网络的跌宕80年：文章介绍了现代主流人工智能研究范式——深度学习（其工具是深度神经网络DNN deep neural network）的重要发展里程碑
– 1943 人工神经元 皮特斯Pitts 麦卡洛克McCulloch（冯诺依曼《自复制自动机理论》中有相关介绍）
– 1949 赫布式学习理论（Hebbian Learning） 唐纳德·赫布（Donald Hebb）《行为的组织（The Organization of Behavior）》；行为主义——监督学习（supervised learning） 伯勒斯·斯金纳（Burrhus F. Skinner）
– 1957 感知机（Perceptron） 罗森布拉特（Frank Rosenblatt） ，1962 罗森布拉特 《神经动力学原理：感知机与大脑原理》（Principles of Neurodynamics: Perceptrons and the theory of brain mechanisms）
– 1974 反向传播算法（backpropagation) 保罗·韦伯（Paul Werbos）《Beyond Regression: New Tools for Prediction and Analysis in the Behavioral Sciences》， 1985 联结主义（connectionist）并行分布式处理（Parallel Distributed Processing）、多层神经网络（DNN） 大卫·鲁梅尔哈特（David Rumelhart）杰弗里·辛顿（Geoffrey Hinton）罗纳德·威廉姆斯（Ronald Williams）”Learning representations by back-propagating errors”
– 1980 CNN（卷积神经网络ConvNET Convolutional Neural Network：卷积层、池化层、全连接层）福岛邦彦（Kunihiko Fukushima），1989 LeNet-5卷积神经网络模型 杨·立昆（Yann LeCun）；1990 RNN（递归神经网络 Recursive Neural Network, ）杰弗里·艾尔曼（Jeffrey Elman）艾尔曼网络模型（简化递归网络）
– 2017 Transformer自注意力（self-attention） 阿希瑟·瓦斯瓦尼（Ashish Vaswani）等”Attention is All You Need”
《人工智能全传》后记
作者和一位同事共进午餐。“最近忙着研究什么呢？”她问我。
“我正在写一本关于人工智能的科普书。”
“这世界上的人工智能科普书还不够多？你的核心观念是什么？有什么新颖的角度吗？”
我开了个玩笑：“这是一本关于人工智能发展史上所走过的弯路和失败方向的书。”
她看着我，脸上的笑容消失了：“那么，这本书一定很长。”
人工智能故事的情节模式是“起起落落”。半个多世纪以来，人们对人工智能的研究从未间断，在此期间，研究人员一而再、再而三地发表声明，宣称做出了重大突破，智能机器的宏伟梦想触手可及。结果这一切全都被证明是无可救药的盲目乐观。人工智能就在虚假繁荣和过度萧条之间起起落落，甚至因而臭名昭著——在过去60年里，人工智能领域受到了好几次严重冲击，几乎将它就此毁灭。每一次毁灭以后，它都坚强地再起。
人工智能的故事开始于第二次世界大战之后第一台计算机的诞生，从“黄金年代”开始，那是一段肆无忌惮的乐观年代，那段时间似乎所有的战线都取得了飞快的进步。接下来是“知识时代”，那时候的构想是让机器获取我们人类所拥有的一切知识。然后是“行为时代”，那时候人们坚决主张机器人是人工智能的核心。再往后是现在的“深度学习时代”。每一个时期都有其独特的构想，还有那些贡献非凡想法的人。
《AI3.0》结语
约翰·麦卡锡等人在1956年的建议书中列出了人工智能领域中的许多重大研究课题：自然语言处理、神经网络、机器学习、抽象概念和推理以及创造力。如今，这些问题依然是人工智能领域最核心的研究课题。2015年，微软的研究院主任埃里克·霍维茨打趣道：“甚至可能有人会说，这份1955年的提案，如果经过适当的重新整理，可以再提交给美国国家科学基金会一次，说不定还能获得某个激情满满的项目管理者的资助。”
莱布尼茨（Gottfried Wilhelm Leibniz）：“这个世界是最好的可能世界（The world is the best of all possible worlds that could have been chosen）。”
从计算的角度扩展一下：不管计算机/AI发展到何种程度，这个世界里的可计算函数让我们足以预见该如何维持生活，而不可计算函数使生活和数学真理不可预知、留有趣味。
2014/4/3
最近大热的美剧《纸牌屋》，男主角下木先生（Underwood）心狠手辣，因没有获得许诺的国务卿职位，利用其高超的谈判技巧、诡计权谋、厚黑手段、对人性弱点巧妙的掌控，开始了冷酷报复和追求权力的过程。
下木先生在尔虞我诈的政治斗争环境中，能够爬上权力巅峰，他核心的行为动机是什么？按照马斯洛的需求层次理论，《纸牌屋》中政客们第一层的维持自身生存的基本需求都得到了较好的满足。下木先生的行为动机中应该有第二层安全的需求：保护自身财产、健康、家庭、职位、声誉的安全。官居高位，身边的人也都是吃人不吐骨头的狼，只有吃人或者被吃，用他自己的话就是Hunt or be hunted。
也有第三层的爱和归属感的需求：感情偶尔也会占上风，夫人克莱尔离家出走对下木先生的打击还是蛮大的。这对IQ、EQ都极高的夫妻的关系，并非只有利益交换，志同道合、相濡以沫可能更确切，为了更高的目标他们可以牺牲个人其他的感情。下木先生对女记者佐伊的感情应该属于征服感，可以归结到第四层的需求——“权力是最好的春药”。
克莱尔是个矛盾的人。她一方面渴望权力，“我要的是举足轻重”；另一方面又有善良的一面，某些事情上有自己善恶的标准。一方面在为NGO工作，长期的理想、目标应该是“帮助他人”，应该有自我实现的需求；另一方面又心狠手辣，为了自己的成就、名声、地位，只帮助遥远的非洲人民而对下属、同事、邻居不择手段。
下木先生最核心的行为动机是第四层的尊重的需求，特别是外部尊重的需求——个人的能力、成就、名声和地位得到社会的承认。前面几个层次的需求也基本上都是为无休止的追求权力的欲望服务的。
对于第五层的需求，有人可能会问，下木先生努力奋斗的过程，难道不是自我实现？当总统也可能是为了一展自己的政治抱负，报效国家？
报效国家？开什么玩笑，我可是下木先生啊。在整个追求权力的过程中，下木先生没有表现出丝毫的有明确的、长远的理想或目标——得到权力的目的是利用手中的权力去实现自己的理想、目标。正相反，他的所有的活动都是为了不断攫取权力的短期目标，不择手段、唯利是图、党同伐异；亲情友情、道德、善恶都可以是手中的纸牌，没有是非标准只有永恒的利益。
如果将第四层的尊重的需求拆分为外部尊重和内部尊重的需求，则马斯洛的需求层次理论可以概括为：
下木先生的需求层次都在前四层，而且都是需要通过外部条件的满足而满足的。外部条件有以下特点：
外部条件的这些特点也是下木先生奋斗的动力和痛苦的源泉：“There are two kinds of pain. The sort of pain that makes you strong… or useless pain…The sort of pain that’s only suffering”。
第四层的内部尊重需求以及第五层的自我实现需求，都是通过内部因素的满足而满足的。内部因素重点在自身的修炼、自我的感受，而不是与他人进行外部条件的争夺，难以量化、比较，是非零和的、可快速复制的、甚至可以是无限的，是不需要采用争夺外部条件的类似活动就可以得到满足的。有明确的、长远的理想及价值观的政治家，他们的行为动机应该主要来自内部尊和自我实现的需求，《纸牌屋》中政客们表现出来的行为，其需求层次都没有到这个层面。另一部多次获得艾美奖的美剧《生活大爆炸》，几位宅男科学家的需求层次，比较明显的是通过内部因素的满足而满足的。
几位主人公的生理、安全需求基本都能够满足，而且他们对这些方面也没有过高的期望。某些人（Howard、Raj）的爱和归属感的需求，由于自身条件、情商等方面的问题，不能得到较好的满足，这时候他们表现出的略显猥琐、变态的言行活动是剧中的主要笑点。其他人对这个层次需求的态度是能够得到基本满足即可，他们不愿意将可以用在更高层次需求上的时间用在这些低层次需求上。引用我司研究院同事的微博：我们“讨论过婚外情、包二奶等，他眉头一拧面部扭曲地说：‘太麻烦了……就这一个还不够？想烦死我啊’？我对老婆说过，我们这种人不是不想当段正淳，但我们更怕费事更怕麻烦更爱清静。”
几位主人公外部尊重的需求大多数时候也仅仅体现在经常挂在嘴边的“博士”、“宇航员”称呼的自豪感。他们主要的活动是为满足内部因素的更高层次的需求，所以这些科学宅们：
人（基因+载体）的需求/目标/目的。
亚里士多德《形而上学》第一章 1
求知是所有人的本性。
2.1.2.1 马斯洛的需求层次理论
GPT-4:
马斯洛的需求层次理论是心理学领域中一个非常重要且有影响力的理论。它是由美国心理学家亚伯拉罕·马斯洛（Abraham Maslow）在20世纪40-50年代提出的。该理论将人类需求分为五个层次，从低到高依次是：生理需求、安全需求、社交需求、尊重需求和自我实现需求。
以下是对这一理论的评价：
优点：
缺点：
总的来说，马斯洛的需求层次理论在心理学领域具有重要意义，但也存在一定的局限性。在实际应用中，需要结合个体差异和环境变化来对该理论进行调整和完善。
《动机与人格》亚伯拉罕·马斯洛
Chapter 07高级需求与低级需求
高级需求是种系发展或进化较晚的产物，是个体发育较晚的产物。对于维持生存而言，越高级的需求就越不迫切，其满足也就越能更长久地推迟，另外，这种需求也就越容易彻底消失。能够分辨清楚自己的需求（也就是知道自己真正想要的是什么），是一种重要的心理成就，尤其是对高级需求而言。
高级需求有更多的前提条件。要实现高级需求，必须有更好的外部条件。
高级需求的满足同时具有生存和发展上的价值。高级需求的满足能引起更好的主观效果，也就是更深刻的幸福感、宁静感和内心的丰富感。那些两种需求都得到了满足的人，通常认为高级需求比低级需求价值更大。他们愿意为高级需求的满足牺牲更多的东西，而且更容易忍受低级需求上的挫折。
在一定程度上，需求等级越高，自私程度就越低。生活在自我实现层次的人，个人特质发展得最充分，同时也最爱人类。高级需求的追求与满足有益于公众和社会。在一定程度上，需求等级越高，自私程度就越低。饥饿以自我为中心，唯一的满足方式就是让自己吃饱。然而，对爱和尊重的需求却必然涉及他人，也涉及他人需求的满足。充分满足了基本需求，从而开始寻找爱和尊重的人（不再限于寻找食物和安全），倾向于发展忠诚、友爱和公民意识等品质，并成为更好的父母、伴侣、教师、公务员等。
有限与无限：
低级需求比高级需求更局部化、更切实、更有形也更有限度。饥饿和干渴的躯体感比爱要明显得多，而爱则远比尊重更具躯体性。此外，低级需求的满足远比高级需求更切实有形，更方便观察。我们之所以说低级需求更有限度，是因为它们只需要较少的满足物就能平息。我们只能吃喝这么些东西，而爱、尊重以及认识的需求是无穷无尽的。
个人的低级、高级需求都可以是无限的，低级需求的满足只能是有限的，而高级需求的满足可以是无限的。
AI可以帮助大多数人能够比较容易的满足低级需求，这样就有条件聚焦在无穷尽的高级需求的满足上。
附：
赫茨伯格双因素理论/激励—保健理论（Herzberg’s motivation-hygiene theory）
第一，不是所有的需要得到满足就能激励起人们的积极性，只有那些被称为激励因素的需要得到满足才能调动人们的积极性；
第二，不具备保健因素时将引起强烈的不满，但具备时并不一定会调动强烈的积极性；
第三，激励因素是以工作为核心的，主要是在职工进行工作时发生的。
满意的对立面并不是不满意而是没有满意；不满意的对立面并不是满意而是没有不满意。保健因素不能得到满足，往往会使员工产生不满情绪、消极怠工，甚至引起罢工等对抗行为；但保健因素的改善，却难以使员工变得非常满意，从而真正地激发员工的积极性。激励因素才能够给人们带来满意感，但激励因素即使管理层不给予其满意满足，往往也不会因此使员工感到不满意。
希瑟·海英 布雷特·韦恩斯坦
第1章 人类生态位
表观遗传(epigenetic)意味着遗传是发生在“基因组之上”的。之所以要说文化位于基因组“之上”，是因为文化塑造了基因组的表达方式。基因描述了构建“身体”的蛋白质和构建过程。而在那些拥有文化的生物当中，文化对“身体”将去向何方、将做些什么有着极大影响。在这个意义上，文化可以说是基因组表达的“调节器”或“调节因子”。分子开关和遗传行为都属于表观遗传，这就意味着，基因表达的分子调节器和文化调节器是由单一的进化规则控制的。
为什么如同分子调节器那样，文化只能作为一种提高适合度的工具而为基因服务呢？关键在于权衡逻辑(logic of trade-offs)。从基因组的角度来看，文化绝不是“免费”的。文化似乎一直在“浪费”时间、精力和资源，基因组本来是可以很好地利用这些时间、精力和资源的。据此，人们可能会产生这样的印象：文化寄生于基因组之上并侵害了基因组。
但是，处于掌控者地位的是基因组。“文化能力”在鸟类和哺乳动物那里就已经普遍存在了。随着时间的推移，通过基因组进化，文化得到阐释、增强和扩展，这一点在人类这个全世界分布最广、生态上最占优势的物种身上表现得淋漓尽致。这些事实告诉我们，无论文化“做”了什么，都不会以损害遗传适合度为代价。相反，文化通过各种途径极大地提高了适合度。如果文化没有任何作用，那么被文化改变了表达方式的那些基因要么会灭绝，要么必定会进化成像橡树一样对文化全然免疫的状态。
欧米伽原则
·表观遗传调节器，如文化，更加灵活、适应速度更快。在这个意义上，表观遗传调节器优于基因。
·表观遗传调节器，如文化，其进化是为基因组服务的。
我们之所以选择使用符号Ω（欧米伽），目的是希望唤起大家对另一个符号π的记忆，以此来显示这种关系的“义务性”本质。文化的各种适应性元素与基因不是相互独立的，它们之间的关系就像圆的直径与周长一样。
根据欧米伽原则，我们马上可以推导出一个强有力的观点：任何成本高昂且长期存在的文化特征（例如，在某个世系中传承了数千年的那些传统），都应该被视为具有适应性。
第3章 古老的身体，现代的世界
基因和文化等表观遗传现象是密不可分的，它们共同进化以推动基因的进化。如果你问“某一特征到底是由先天因素还是后天因素所塑造”，这种问法也不能说全错，因为答案几乎总是“两者皆有”，或者说，因为这种分类方法本身就是有问题的。此外，当你真正理解了存在着一个共同的进化目标之后，你就会明白，与其纠结某个特征究竟是先天的还是后天的，倒不如弄清楚这个特征为什么会出现来得重要。先天与后天这种非此即彼的错误分类方法有很大的破坏性，它干扰了我们去更细致入微地理解“我们是什么”，以及塑造我们的进化的力量是什么。
预防原则(precautionary principle)：当面临创新问题时考虑从事任何特定活动的风险，并建议我们在风险较高时谨慎行事。在系统结果不确定性很高的情况下，如果一定要进行变革的话，预防原则就会建议我们缓慢推进对现有结构的变革。换句话说，你能够做某事，并不代表你应该去做。在这个超新奇世界中，绝大多数问题的解决方案都不可能那么简单。
“切斯特顿栅栏”(Chesterton’s fence)：要谨慎对待那些尚未完全了解的系统，不要轻易进行改动。
适应性检验的三要素
如果一个特征满足以下三个条件，那么就可以假定它是一种适应性：
·复杂性。
·变化性，即具有随个体而异的能量成本或物质成本。
·持久性，即在进化过程中持续存在。
载体与基因的关系：
载体通过长期进化形成的模因（文化）是有适应性的，是作为同样进化而来的基因组的工具，发挥着增强基因组适应性的作用——文化（载体）的进化是为基因服务的。