1. 排斥

1.1. 科技公司需要全速運行以跟上摩爾時間尺度，這加大了在潛在僱員中優化“文化適配度”

• 1.1.1. 意味着招聘“和我們一樣”的人—的壓力

• 1.1.2. 新員工就會花更少的時間適應（因為他們“和我們一樣”​）​，產生更少的日常摩擦（因為他們“和我們一樣”​）​，並且聽老闆的話（因為他們“和老闆一樣”​）​

1.2. “排斥”

• 1.2.1. exclude這個詞的起源：它源自拉丁語excludere，其中ex意為“出去”​，claudere意為“關閉”​

• 1.2.2. 在人類世界裏，這意味着將一羣人拒之門外，可除了這羣人之外的所有人都可以進入這個特殊的俱樂部

• 1.2.3. 本質是不公平的

• 1.2.4. 從商業的角度來看，排斥是完全可以理解的，因為在競爭激烈的時候，擁有“不公平的優勢”被認為是制勝武器

• 1.2.5. 擁有競爭對手沒有的東西，會激勵你把他們拒之門外，並採取計算世界中所謂的“封閉”方法

• 1.2.6. 製造封閉系統在工業中是一種常見做法，因為一旦成功，它就能提供可以實現完全控制的寶貴能力

• 1.2.7. 在1984年推出第一台Macintosh計算機時，蘋果公司採用了著名的封閉式計算系統，它不像當時的競爭對手Wintel PC那樣易於擴展

  • 1.2.7.1. 蘋果能夠以其他計算機品牌無法做到的方式無死角地控制用户體驗

  • 1.2.7.2. 推出iPhone時再次發揮作用

1.3. 科技聖殿和金融聖殿或其他試圖發展自己的文化的專業聖殿沒有什麼不同

• 1.3.1. 任何聖殿的邊界都會培育出認同安全文化的志同道合者，他們更願意避免與自己的部落分開時可能感受到的摩擦

• 1.3.2. 和其他聖殿不同的地方在於，儘管我們應該關心任何領域的包容性，但科技人員施加的影響不成比例，因為他們以完全不同的摩爾速度和規模運作

1.4. 任何公司的專業人士的“失誤”都可能對許多人產生負面影響，但計算系統中的“失誤”可以在按下按鍵的幾毫秒內影響所有相連的客户

• 1.4.1. 針對公司的失誤時社交媒體的反饋循環是迅速且無情的，但在公司文化的深處還可能存在更嚴重的“失誤”​

• 1.4.2. 一個失衡的系統將產生失衡的結果

1.5. 缺乏創新催化劑的千篇一律的文化，是不會讓企業實現卓越增長的失敗策略

1.6. 隨着消費者不僅在產品質量和生產方式的道德方面，還在與他們做生意或收集了他們的數據的公司的特質方面開始要求更高的標準，我們將看到更多這樣積極的努力

1.7. 糾正科技行業失衡的挑戰，為新的業務增長和顛覆性創新提供了觸手可及的機會

2. 厚數據

2.1. 大數據的結論需要與真實人羣密切相連的厚數據

2.2. 鑑於我們可以很容易地部署不完整、可測量的計算產品，我們有機會獲得大量數據以確定如何修改和改進這些產品

• 2.2.1. 成功通常意味着收集大量的用户數據，這是提高由數據驅動的結論的統計準確性的最佳方式

• 2.2.2. 很容易偏向於籠統地觀察數以千計用户的行為，而非有意識地花時間去深入研究少數用户的使用體驗

2.3. 通過人類學家開發的方法研究個體行為的技術含量要低得多（因此成本更高）—本質上這就是人種學

2.4. 人在本質上是不可預測的，所以任何涉及人類行為預測的事情終究也只是一種猜測

• 2.4.1. 一種猜測是通過定量數據，另一種則是通過定性數據

2.5. 如果每月只需花費5美元就可以收集和分析數百萬使用你的產品的在線客户的數據，那麼每月花費數百美元與客户進行一對一的溝通似乎沒有必要地昂貴且低效

2.6. 最好的投資者不僅會仔細分析他們參投的基金，還會去基金經理那兒進行實地考察，這是他們作為投資專家的額外盡職調查

• 2.6.1. 如果投資界的盡職調查是業內最高標準，那麼時不時與真正的客户交談也是很有商業意義的

2.7. 為了理解一種文化現象，你需要儘可能地接近“一手”信息，而不是依賴二手或三手信息

2.8. 收集厚數據需要時間，而對其進行充分解釋則需要更長的時間

• 2.8.1. 需要沉浸在收集到的厚數據中，以充分捕捉你的人類同伴的上下文，否則這份額外投資將收效甚微

• 2.8.2. 量化處理大數據的誘惑和便利會不斷地把你從理解厚數據所需的時間投入中抽離出來

• 2.8.3. 通過從作為厚數據背後的驅動力的動機問題出發，當你沉浸在一手信息中時，你將更有策略

• 2.8.4. 你要尋找的是圖表和數字無法捕捉到的有人情味的微小細節，所以，試着依靠你的嗅覺和感覺能力，去做人工智能做不到的事

2.9. 儘量不要把注意力放在你的客户在你的系統中面對的具體問題上

2.10. 複雜的系統有許多難以捉摸的方面，即使用最先進的計算技術也很容易忽略它們

2.11. 像傳統工程師那樣思考，相信只有一種方法可以把它造好

• 2.11.1. 亨利·福特是一個傳統工程師，他相信每個人都想要一輛簡單、實用、漆成黑色的T型車

• 2.11.2. 通用汽車公司的阿爾弗雷德·P.斯隆(Alfred P. Sloan)認為應該有不同類型的汽車以滿足不同類型的人的需求

• 2.11.3. 由於擁有更好的嗅覺，通用贏了，福特輸了

2.12. 像傳統設計師那樣思考，相信所有人都會贊同並適應你的解決方案

• 2.12.1. 設計聖殿裏關於“天才設計師”的故事並不是通向成功的可靠途

2.13. 像高級領導那樣思考，相信過去行之有效的方法顯然還會適用

• 2.13.1. 我們生活在計算時代，不能指望十年前可行的方法現在也適用

2.14. 計算機器是模仿大師，在模仿的基礎上被定量數據驅動

• 2.14.1. 當你擁有最多樣化的數據源時，三角測量法的效果最好，你可以利用這些數據源來反覆調整基於數據的猜測

3. 一樣愚蠢

3.1. 應該期待人工智能和我們一樣愚蠢

3.2. 身份政治相當於市場調研，自20世紀30年代以來一直在推動美國政治

• 3.2.1. 像臉書這樣的平台所做的，是將它自動化了

  • 3.2.1.1. 隨着像臉書這樣的系統開始具有改變個人行為的能力，我們正在接近我們該如何與計算系統共存的關鍵時刻

• 3.2.2. 世界上不可能有那麼多能夠以足夠低的成本處理數百萬條信息的人類工作者

• 3.2.3. 計算的存在，並且明白當下與哪怕是最近的過去（僅僅一年多以前）都有明顯的不同

3.3. 摩爾術語中的自動化與用來洗衣服的簡單機器或在地板上橫行的吸塵器非常不同

• 3.3.1. 是橫跨我們生活的各個方面的摩爾級規模的處理網絡，承載着我們的數據歷史的總和

3.4. 機器學習以過去為基礎

• 3.4.1. 人工智能最終會自動化並放大已有的趨勢和偏見

• 3.4.2. 如果人工智能的主人不好，那麼人工智能就不會好

• 3.4.3. 決不能忘記一切錯誤都可歸咎於人類，當我們開始糾正這些錯誤時，機器更有可能觀察我們並向我們學習

  • 3.4.3.1. 它們不太可能自己做出這些糾正，除非它們已經接觸到足夠數量的人類設定的例子，這些人可以提供正確的糾正行為數據來重新平衡它們的數字大腦

• 3.4.4. 將過去的結果自動化可以立即發生，而且人為干預越來越少

• 3.4.5. 人工智能做壞事時不應該受到指責

  • 3.4.5.1. 人工智能做壞事時不應該受到指責。我們才是它們為我們服務時所做的一切事情背後的罪魁禍首

3.5. 機器持續向我們提供這些信息，因為是我們給它們設定了這樣做的程序

• 3.5.1. 它們在觀察我們對收到的信息的積極或消極反應，並反過來學習人類個體善與惡的極限

3.6. 製造對人類經驗有更廣泛理解的計算機器還不算太晚

3.7. 計算設計的興起及其帶來的不可思議的商業價值，也以某種處於這一切中心的個人和公司都無法立即意識到的方式造成了失衡

3.8. 能識別排斥性的存在

• 3.8.1. 要有意識地注意到一個人或一羣人遭到排斥的情況

• 3.8.2. 需要有意識地進入不舒服的情境，但想想那些被排斥的人早就感到不舒服了，你就會覺得這是一件簡單的事情

3.9. 向人類多樣性學習

• 3.9.1. 深入收集厚數據，走進與你的文化不同的社區和文化

• 3.9.2. 意味着你需要離開安全舒適的家或工作場所，將自己置於危險或不適之中

  • 3.9.2.1. 在一開始是很難做到的，但你的投資回報率會很高

3.10. 從解決一個小問題出發，擴展到解決大規模發生的問題

• 3.10.1. 制訂打破偏見並幫你找到新市場的解決方案

• 3.10.2. 創新是實現增長的關鍵，創新就是將新的視角引入現有問題，當引入只有通過不同視角才能看到的全新問題時，創新會更有成效

4. 開源

4.1. 開源是通過計算設計公平的一種手段

4.2. “開源”(Open Source)是任何人都可以出於自己的目的進行修改的開放計算機代碼的官方術語

4.3. 它與“拒之門外”相對立

• 4.3.1. 它接納任何人和所有人

4.4. Linux操作系統（安卓系統就是在此基礎上建立的）​、火狐瀏覽器（一款流行的網絡瀏覽器）​、WordPress（全世界超過三分之一的網絡流量的網站管理系統）和PHP（支持WordPress的流行計算機語言）​

4.5. “開源軟件”這個詞由克里斯汀·彼得森(Christine Peterson)在1998年創造，她的目的是更好地體現其內在的社羣價值觀，與當時意味着較低質量的流行術語“免費軟件”相對

4.6. “閉源軟件”是大多數你每天都用的應用程序和服務

• 4.6.1. 永遠無法檢查編程代碼到底在做什麼，就算你想讓它以不同的方式工作，你也不可能對軟件本身進行修改

4.7. 思考閉源和開源之間的區別的另一種方法，是考慮“合作”和“協作”之間的差異

• 4.7.1. 合作是指與另一方保持一定距離，而協作是指手挽手擁抱彼此

• 4.7.2. 協作相比合作的優勢在於，各方都做出了不同程度的妥協，共同努力，互利共贏

• 4.7.3. 在缺乏協作能力的情況下，今天的政府控制科技聖殿的唯一辦法就是試圖對其進行監管

4.8. 當沒有不透明的牆把其他人拒之門外時，作惡就更不容易了

• 4.8.1. 開放系統方案是政府監管的另一種選擇

4.9. 開放促進公平，自然而然

4.10. 開源有一個缺點：在任何地方都無法保存秘密

• 4.10.1. 一個人人都尋求協作和不作惡的世界裏，完全透明可能意味着“分享就是愛”和持久的和諧

• 4.10.2. 總有一些壞人想方設法地操縱局勢，使之對自己有利，箇中原因只能解釋為人性

• 4.10.3. 開源也並不總是正確的選擇

4.11. 麻省理工學院授權條款

• 4.11.1. 允許你不受任何限制地使用代碼

4.12. GNU通用公眾授權條款

• 4.12.1. 要求你在使用他們的代碼時公開分享你寫的那一部分代碼

4.13. 較新的機器智能系統不是由可讀的計算機代碼組成的，而是被包裝成含有數字和數據的不透明的黑匣子，沒有清晰的邏輯流程

4.14. 隨着人工智能正在成為大眾媒體越來越多地談論的話題，人們很容易對它感到恐懼

4.15. 計算目前只是這兩種東西之一

• 4.15.1. 可讀的源代碼或充滿數字的黑匣子，就像天然酵母或工業酵母

• 4.15.2. 兩者都是由人類製造的，就好像if-then邏輯語句或由數據驅動的黑匣子，它們要麼是公開分享的，要麼隱藏在封閉的門後

4.16. 當它們是開放技術時，我們就有機會一起分享、協作和學習

• 4.16.1. 當我們與開源代碼的聯合創作者有相似的價值觀時，我們對技術的恐懼就會減少

5. 關心人類

5.1. 認識到自己的人性，同時也認識到他人的人性，是科技無法給予你的禮物

5.2. 如今，我們比以往任何時候都更需要包容性地思考和工作，以便直接着手解決那些如果我們不去有意識地開闢新路徑，就會自動化的失衡問題

5.3. 合作比協作更容易，因為合作不需要深入瞭解對方

• 5.3.1. 在計算機發展的大部分階段，大多數人一直在學習如何應對不知何故在不斷變化的機器並與之合作