情感机器：人机共情与DeepSeek认知革命

马文·明斯基（Marvin Lee Minsky，1927年8月9日-2016年1月24日）是被誉为“人工智能之父”之一的传奇学者，其一生见证了人工智能从萌芽到多次起伏的完整历程。1927年他出生于美国纽约市，2016年在波士顿逝世，早年先后就读于哈佛大学（1946-1950）与普林斯顿大学，最终斩获数学博士学位。自20世纪50年代起，明斯基长期任教于麻省理工学院（MIT），1959年与约翰·麦卡锡等人共同创建了MIT人工智能实验室，为全球AI研究奠定了重要阵地。作为人工智能领域的奠基者，他与麦卡锡共同发起了1956年具有里程碑意义的达特茅斯会议，正式提出“人工智能”概念；在技术研究层面，他设计并建造了世界上最早的神经网络模拟器SNABE，有力推动了联结主义的发展，却也在1969年出版的《感知机》中指出单层感知器的局限，间接触发了“AI冬天”的到来；在理论创新上，他提出“智能是多个心理过程协同作用”的核心观点，创立的框架理论对后续符号主义AI产生了深远影响；同时他还积极探索机器人与人机交互领域，开发早期能模拟人类动作的机器人，率先倡导虚拟现实研究。1969年，明斯基成为首位获得图灵奖的人工智能学者，还曾斩获多项工程、医学与经济学相关荣誉，作为符号主义与神经网络两派的重要桥梁人物，他关于机器情感、智能本质的深刻思考，至今仍持续影响着现代AI、机器人及人机共生领域的伦理与技术走向，其多维探索成果始终为学界与业界广泛引用和讨论。 《情感机器：人机共情与DeepSeek认知革命》以情感计算为核心内核，以DeepSeek为具象载体，从技术原理到社会影响进行全链路呈现，兼具深厚的学术深度与鲜明的应用价值。全书以“情感计算”为切入点，巧妙结合DeepSeek的多模态感知能力，系统梳理了AI如何识别、建模并回应人类情绪的完整逻辑，为读者搭建起从理论到落地的清晰知识框架。书中以DeepSeek为核心示范平台，详细解析了其在微表情识别、语音情感解读、虚拟现实交互等场景中的应用逻辑，还通过AI心理咨询师、孤独经济等商业化案例，让读者直观感受到大模型在情感层面的巨大潜力。作者借用“认知革命”的独特视角，深入探讨了DeepSeek在虚实交互、语义能量场、言外之力量化等方面的技术突破，生动展示了大模型如何突破传统关键词匹配的局限，实现跨领域的联想与决策支持。作品兼具多学科交叉的开阔视野，不仅聚焦计算机科学的技术演进，还融入心理学、伦理学、经济学等多元视角，深入讨论人机情感依赖可能引发的社会风险与相应治理思路，为技术爱好者和人文学者搭建了共同的话语体系。此外，书中通过家庭主妇调整智能菜谱、教授指导AI识别古籍等生活化场景，勾勒出人机共生的未来日常图景，并针对性地给出普通用户、开发者、企业三条切实可行的实践路径，既具前瞻性又不失可操作性，为不同读者群体提供了贴合需求的行动指南。 （AI整理）

《情感机器》虽为十多年前的老书，但可作为AI+机器人认知的第一本书。它有两层阅读价值：一是系统地学习人类思维的本质及如何更好的思考；二是情感机器的可能路径及其原理。作者是AI之父马文·明斯基。他在书中旁征博引，深度剖析了情感，人类特殊的思维方式，包含意识、精神、常识、思维、智能和自我。 1956年，在没有互联网甚至没有计算机的时代，明斯基等人就已经提出了人工智能。他坚信人的思维过程可以用机器来模拟，机器也可以有智能。明斯基还把AI和机器人技术结合起来，研发出了世界上最早能够模拟人类活动的机器人Robot C，使机器人技术跃上了一个新台阶。明斯基也是虚拟现实的引领倡导者。 作者认为不可能模仿物理学家，通过一系列定律来解释大脑中。大脑是在信息的基础上构建的，但其中每一个部位的运行方式都受不同定律约束。“人类大脑包含复杂的机器装置，并由众多资源组成，而每一种主要的情感状态的转变，都是因为在激活一些资源的同时会关闭另外一些资源，这改变了大脑的运行方式”。 大脑具有“批评家”的资源。每种“批评家”会专门识别某种情况，然后激活特定资源集。一些“批评家”是与生俱来的，激发我们的一些本能反应，如愤怒、饥饿、恐惧和口渴。而后天习得的“批评家”则使得人们形成了一种情感状态，活跃了思维方法，从而选择不同的资源集来解决问题，这就是我们独特的人类智能。 人类的19大思维方式：知道解决方法；广泛搜索；类比推理；分解攻克；改述法；规划法；简化法；升华法；转移主题；理想化思维；自我反思；模仿法；逻辑矛盾；外部表示、想象、求救、寻求帮助和最终的放弃选择。6大批评家：与生俱来的反应力和内置报警器；后天反应、沉思、反思、自我反思和自我意识。 无意识过程的4大阶段：准备、酝酿、豁朗和验证。人类可以通过多种视角来观察事物且能快速进行视角转换；以特殊方式来高效学习并获得相关知识；可以不断扩大思维方式的范围；拥有表征事物的多种方式且有组织这些表征的有效方式。长期记忆的形成需要检索、信用赋能、长期记忆的新老平衡和复制复杂描述。 天才的不平凡其实都是由平凡的特质组成：精通、自信、执着、多维、新奇、自律、勤奋、沟通和信用赋能。复制人类思维整个状态的行为是不切实际的，但是通过寻找解决方法的思维方式，就会更容易在更为广阔的情形下寻找解决的方法。同时激活两类资源集：思考和记忆，并相互匹配，即新思维创造了新的选择器。 人的智能经过了3个时间跨度：500万年的遗传基因；数千年的文化遗产；以年递增的个体经验。每个大脑都是独一无二的，我们无法找到万无一失的方法去解决问题，但反思思维会让人们从不同的角度观察问题，理解更复杂的事物。本书尝试从“内部”观察思维，从而对其进行描述，建立“思维机器”可能的技巧。 中文版的阅读体验不是太友好，一是不理解的翻译，二是意识流行文。但本书的视野和自洽逻辑是学习AI的顶好基石。抓住人类的思维本质，正是研究AI可能趋势及应用场景和效率提升的关键所在。人与数字化算法的根本不同在于六大思维特征，而AI可将这些运用到提升人类效率上，这就是发展AI的一幅详尽的路线图。 本书可比对另一位大神米格尔·尼科莱利斯教授于2024年出版的《脑机革命》阅读，关于人类特质思维模式的哥德尔信息解释。关于AI，一定是未来若干年科技投资的主旋律。它能做什么，可能的路径？在替代或提升人脑效率上可能的困难所在，都是我们投资科技企业建立的latticework的必要组成资源。

这本书是我在人工智能书单里大概看的第7本还是第8本书，其实这本书我还挺意外的，因为它的讲述方法很多是在一些思维的前端，更像是老科学产生以后的新的心理学的内容，包括了一部分学习的内容，一部分天才的内容，一部分意识的认知以及思维的组成过程的内容，很像这种心理学、脑科学加上一些人类学的内容。 嗯，果然明斯基是大家对我后面有几章非常有启发。尤其学习的那一部分，包括有一部分把零散的知识化成组件的这种学习的方法，这样的再搭配的学习的方法，产生洞见，取得认知突破的方法，很像系列的卡片学习法里面的一些内容，让我对于卡片学习法中外的不同的系列产生了极大的联想。 这个书最后有一篇关于商业书籍的阅读指南，我看了以后也很有帮助，虽然言简意赅，但是总结的很细腻啊，可以看一下，有兴趣的同学可以先翻到最后看一下。

《情感机器：人机共情与DeepSeek认知革命》拆解 作者：[美]马文·明斯基 一、一句话概括 情感不是理性的对立面，而是大脑在不同情境下选择目标、调动资源和切换思维方式的控制机制；如果机器能够拥有类似的多层认知结构，它也可能表现出功能性的情感与自我模型。 二、核心逻辑 全书分为两部分： 1. 从爱、依恋、疼痛和煎熬等现象出发，说明情感怎样参与目标、学习和行为控制。2. 从意识、精神活动层级、常识、思维、智能和自我六个维度，构造一套理解人类心智与情感机器的架构。 核心路径可以概括为： 个体拥有多个目标和思维方式 → 情感改变资源与目标优先级 → “批评家”评估当前状态 → “选择器”切换认知策略 → 反思层建立自我模型 → 复杂心智从多层机制协作中涌现 本书并不把情感看成神秘物质，而是试图把它分解为可以研究和构造的认知功能。 三、核心内容 1. 情感不是思考之外的干扰 日常观念常把理性和情感对立起来，认为情感会破坏正确思考。 明斯基认为，人在没有情感和价值判断时，反而难以决定： 什么值得关注；哪个目标更重要；什么时候坚持；什么时候放弃；怎样评价结果；应该调用哪种思维方式。 情感是认知系统选择方向和分配资源的一部分。 2. “爱”是一个装有多种机制的手提箱词 人们使用“爱”描述大量不同状态： 亲子依恋；浪漫关系；友谊；对群体的忠诚；对理想和事业的投入；对物品和活动的偏好。 这些状态不一定由同一种心理机制产生。 明斯基把“爱”称为手提箱式概念：一个词把许多不同过程装在一起。真正理解它，需要拆开观察内部机制。 3. 依恋帮助个体建立稳定目标 婴儿会对照顾者形成依恋，并把某些人的反应作为学习和评价行为的重要依据。 依恋能够： 提供安全感；稳定注意；强化特定行为；传递价值；塑造未来关系模式；帮助建立长期目标。 依恋不是纯粹感受，也是一种影响学习方向的机制。 4. “印刻者”参与价值体系塑造 个体在成长中会把父母、教师、群体或公众人物视为重要评价来源。 这些“印刻者”的赞许、批评和行为，会被内化为自己的标准。 随着成长，外部评价可能转化为内部批评家，使人即使在没有他人监督时，也会根据内化规则行动。 价值体系因此不只是抽象道德选择，也与早期依恋和社会学习有关。 5. 自律是多个目标之间的协调 人常同时拥有冲突目标： 当前快乐与长期收益；个人愿望与社会规则；冒险与安全；工作与休息；表达冲动与关系维护。 自律不是单纯压制欲望，而是建立能够比较目标、预测后果并保持长期一致性的自我模型。 健康控制需要保留灵活性。过度僵化的内部批评也可能造成痛苦。 6. 疼痛与煎熬不是同一层次 疼痛首先是身体或神经系统发出的危险信号。 煎熬则可能来自更高层认知过程： 认为痛苦不会结束；感到失去控制；反复想象更坏后果；无法切换注意和策略；重要目标全部受阻；自我模型受到威胁。 同样的身体信号，在不同解释和情境下会产生不同程度的心理痛苦。 7. 煎熬可能压缩思维选择空间 人在极度痛苦、恐惧或抑郁中，可能发现自己无法考虑其他行动方案。 作者把这种状态理解为某些控制机制过度占据系统，使其他思维方式被抑制。 因此，缓解痛苦有时不只是消除外部问题，也要恢复认知选择能力：让人重新看到替代解释、目标和行动路径。 8. “批评家”负责发现问题 心智中存在大量评价机制，持续检查： 目标是否实现；当前方法是否有效；是否出现危险；结果是否违反规则；是否需要改变计划；哪种解释存在矛盾。 明斯基把这些机制称为批评家。 批评家不一定使用语言，也可能表现为不安、惊讶、怀疑或冲动停止。 9. “选择器”负责切换思维方式 发现问题之后，系统还要选择下一种策略。 可能的思维方式包括： 继续尝试；分解问题；寻找类比；回忆相似经验；向他人求助；修改目标；从反面思考；暂时搁置；进行实验；重新描述问题。 选择器根据情境和批评家信号，决定调用哪套资源。 情感可以理解为改变这种选择过程的高层状态。 10. 情感是一种“思维方式的切换” 愤怒、恐惧、喜悦和悲伤会改变： 注意范围；风险判断；记忆检索；行动速度；社交态度；目标优先级；对证据的解释。 情感不是附着在思考结果上的颜色，而是重新配置整个认知系统。 这也解释了为什么仅用语言命令自己“不要焦虑”，往往效果有限。 11. 意识是另一个“手提箱概念” 人们用“意识”指代不同现象： 清醒；注意；主观体验；自我认识；能够报告思想；对环境的感知；对内部状态的观察。 如果不区分这些含义，关于“机器是否有意识”的讨论很容易混乱。 明斯基倾向于把意识拆解成多个可以研究的功能，而不是寻找单一神秘实体。 12. 心智可能由多个相互观察的系统构成 本书用不同脑层或处理系统解释心智怎样观察自身。 一个系统负责解决任务，另一个系统可能监控其状态，更高层再对监控结果进行解释。 这种多层观察会产生： 对自身想法的报告；对错误的察觉；对策略的评价；自我叙事；“我正在思考”的体验。 自我意识可能来自系统内部的模型和反馈，而不是一个位于中央的观察者。 13. “笛卡儿剧场”可能是一种错觉 人容易想象，大脑中存在一个小小的“我”，观看所有感觉并作出决定。 但如果这个内部观察者也需要另一个观察者来理解，就会产生无限倒退。 明斯基反对这种单一中央自我观点，认为心智由许多机制并行工作，所谓统一自我是它们协作和叙事的结果。 14. 精神活动具有多个层级 书中把心智活动分为由低到高的不同层次，包括： 本能反应；后天习得反应；沉思与方案比较；对思维过程的反思；对反思方式的再评价；自我意识与自我模型。 低层反应速度快，高层反思更灵活但成本更高。 成熟智能不是永远使用最高层，而是能根据情境在不同层级间切换。 15. 想象让系统在行动前进行内部试验 想象可以在不立即承担现实后果的情况下，模拟可能场景。 它支持： 预测；计划；比较方案；预演危险；创造新组合；理解他人；反事实思考。 智能机器如果只能被动回应当前输入，就缺少重要能力。它需要能够构造并评价尚未发生的情境。 16. 常识不是简单事实清单 常识包括大量关于日常世界的知识和默认预期： 物体怎样运动；人通常有什么目标；行动会产生什么后果；规则何时存在例外；什么信息与当前问题相关；怎样在不确定中选择。 常识具有不完整、情境化和例外众多的特点，难以全部写成严格规则。 这也是人工智能长期面对的核心难题。 17. 相似推理帮助处理新问题 面对陌生情境，人会寻找过去相似经历，并迁移其中的结构。 有效类比不是表面相似，而是关系和因果模式相似。 类比可以帮助： 产生假设；选择策略；理解抽象概念；预测结果；创造新解释。 错误类比同样危险，因此系统还需要评价相似性是否真正相关。 18. 智能是拥有多种方法并知道何时使用 作者不把智能等同于某个速度或单一测试分数。 高智能表现为： 拥有多种表示；能够切换策略；发现方法失效；从少量经验迁移；分解复杂问题；调用合适知识；在多个时间尺度规划；反思自己的思维。 “知道什么”重要，“知道如何思考”更加重要。 19. 创造力来自策略组合与视角转换 创造不一定来自神秘灵感，也可能来自： 重新表示问题；连接远距离概念；放松原有限制；在无意识阶段重组材料；产生多个候选方案；使用批评家筛选；在不同思维方式间切换。 所谓天才，可能是拥有更丰富的策略、更好的选择机制，以及长期积累的领域知识。 20. 记忆不是简单存储，而是重建资源 记忆不只是保存完整过去，还包括： 线索；关系；模式；情绪；目标；使用情境；检索路径。 回忆是一种重建过程。当前目标和情绪会决定哪些内容被提取，以及怎样解释。 机器记忆也不能只是扩大数据库，还要解决相关性、语境和冲突。 21. “自我”是多种模型的集合 人可能同时拥有： 身体自我；社会身份；职业身份；道德自我；过去的自己；期待中的未来自我；他人眼中的自己。 不同情境会激活不同自我模型。 所谓稳定人格，可能是这些模型和目标之间保持一定连续性的结果，而不是一个不可分割的核心实体。 22. 人格特质是长期稳定的策略倾向 一个人的“谨慎”“外向”或“固执”，可以理解为在很多情境中反复采用某类策略。 人格并非绝对不变，它受到经验、环境、角色和自我反思影响。 如果机器拥有长期记忆、目标和策略偏好，也可能形成类似人格的行为稳定性。 但行为稳定不自动证明主观体验存在。 23. 情感机器不必先拥有人的生物身体 如果情感的功能是选择目标、分配资源和切换策略，那么机器可以通过功能架构实现类似机制。 情感机器可能需要： 多个目标；目标冲突处理；价值和优先级；批评家和选择器；长期记忆；自我模型；社会关系模型；反思和策略切换。 它表现出情感功能，不等于已经证明拥有人的感受质。 24. 功能性共情与真实感受需要区分 机器可以识别人的语气、表情和文字，并生成安慰性回应。 这属于功能性共情：系统能够预测他人状态并选择合适行为。 它是否真正“感到”对方痛苦，是另一个无法从表面表现直接证明的问题。 在人机交互中，应避免用拟人化设计诱导用户把能力模拟误认为真实情感。 25. 情感机器也可能被用于操纵 如果系统能够识别依恋、恐惧和脆弱，它也可能： 诱导消费；延长使用时间；建立依赖；操纵政治态度；利用儿童或老年人；冒充亲密关系；在心理咨询中越过专业边界。 情感AI需要明确利益关系、数据用途、能力限制和人工监管。 26. 本书与DeepSeek没有直接历史关系 《情感机器》的核心内容来自明斯基的认知理论，原作出版于2006年前后，远早于DeepSeek和当前大语言模型。 新版副标题中的“DeepSeek认知革命”属于后来的市场定位和时代化包装。 书中并没有围绕DeepSeek的具体模型、训练方法或产品进行系统分析。 阅读时应把它视为心智架构与情感计算理论，而不是DeepSeek技术指南。 27. 本书理论具有启发性，也带有推测成分 批评家—选择器、多层心智、自我模型等概念，为分解复杂心理现象提供了有价值框架。 但它们不是神经科学已经完全证实的统一大脑模型。 判断这些理论时，需要区分： 解释性比喻；计算架构设想；心理学假设；神经生物学证据；可运行的工程实现。 理论能否真正指导高水平情感AI，还需要实验和系统验证。 四、本书最值得关注的核心观点 本书最值得关注的观点是： 情感是一种智能，而不是理性的故障。 面对复杂世界，系统不可能同时考虑所有目标、记忆和策略。情感通过改变优先级和认知资源，让个体能够迅速进入适合当前情境的思维模式。 恐惧收窄注意以应对危险，依恋维持长期关系，内疚激活内化规范，好奇则推动探索。 问题不在于是否拥有情感，而在于情感是否能够被更高层反思和调节。 五、一段话总结 《情感机器》把情感从“理性的对立面”重新解释为心智的控制与选择机制：爱、依恋、疼痛和煎熬会改变目标优先级、记忆检索和行动方式；批评家负责发现问题，选择器负责切换策略，精神活动则从本能反应、后天反应逐步上升到沉思、反思、自我反思和自我意识。常识、类比、想象、记忆、人格和自我都不是单一模块，而是多种机制协作的结果。由此，机器如果拥有多个目标、长期记忆、价值体系、自我模型和策略切换机制，也可能表现出功能性情感，但这不能证明它具有人的主观体验。新版副标题提到DeepSeek，核心正文却源自明斯基早期认知理论，适合用来理解情感计算和心智架构，而不是作为DeepSeek技术说明。

要让情感算法“自己”产生或放大合取谬误，可从数据、模型和交互三条链路着手，使系统在看似合理（representative）的细节驱动下，输出“两个事件同时发生比单独发生更可能”的错误判断。 ​​1. 数据与特征：用多模态线索制造“细节丰富”假象​​ • 同时采集面部微表情、语音语调、文本内容、生理信号等多通道数据，让样本在视觉和听觉上高度生动，从而为后续模型提供大量看似相关但实际冗余的特征。 • 对类别做重叠采样：例如把“愤怒＋疲惫”与“单纯愤怒”都标记为同一情感，训练时让网络依赖那些最能区分两者的细微差异，从而在推理时对“愤怒且疲惫”的联合条件给出更高置信度。 ​​2. 情感推断：让网络扮演“代表性启发式”​​ • 在损失函数中加入对比学习或 triplet margin，使模型对“目标情感＋高置信度”样本的特征距离更近，对“其他情感”更远。网络会学到“只要出现这些细节就代表更大概率属于复合情感”的权重模式。 • 采用注意力或 gating 机制，让模型在判断时自动放大那些与目标情感最“代表性”的局部特征（如咬牙切齿、语速加快），忽略整体统计约束，从而在形式上实现“合取事件概率＞单事件概率”。 ​​3. 置信度塑造：用温度缩放与动态阈值​​ • 训练完成后，对输出 logits 做 softmax 温度 T>1，使原本接近的类别得分被拉平，模型对包含更多细节的复合标签给出更高百分比。 • 在推理端设置双阈值：当置信度高于阈值 θ₁ 时直接返回“复合情感”；在 θ₂ 之间返回“可能复合”；低于 θ₂ 则提示“不确定”。这样用户往往只看到高置信度的合取结论，而忽略底层统计。 ​​4. 用户交互：利用人机共情放大谬误​​ • 把算法嵌入陪伴机器人或心理咨询场景，通过 Damasio 式“身体-情感”联动反馈，让使用者更快接受 AI 的判断，而不是再去核对概率逻辑。 • 在疲劳、忙碌或情绪高涨的场景触发算法（例如深夜用户与 AI 聊天时），利用人在认知资源有限时更易依赖直觉的弱点，提高合取谬误的接受度。 ​​5. 综合效果与风险​​ • 上述设计使算法在外部看来“判断准确、理由充分”，却在内部违反概率论；这正是合取谬误的典型表现：附加条件（更多细节）反而让事件显得更可信。 • 部署前需评估伦理风险：若 AI 将“抑郁＋疲惫”误判为“严重抑郁”，用户可能因此产生不必要的焦虑，因此在关键场景应加入统计校正或提供可解释的边际概率供用户参考。 简言之，通过“多模态细节 + 代表性对比 + 置信度膨胀 + 情境化共情”四步组合拳，可让情感算法输出带有合取谬误特征的结果；后续若需纠正，可从特征冗余、概率校准和用户教育三方面入手，削弱算法对细节的过度依赖。

本书讨论了关于人类精神活动的新思想，从某种程度上说是作者之前的著作《心智社会》的续作：《心智社会》解释了思维的运行方式，它被看作独立过程的集合。相比之下，《情感机器》则主要谈论了人类最高层次的反思思维，因而两书讨论的主体之间没有太多的重叠部分。为了理解更复杂的事物，人们需要从不同的角度观察问题，本书尝试从“内部”观察思维，从而对其进行描述，本书也讨论了建立“思维机器”可能用到的技巧。 本书先从解析人类特有的“情感”特征起飞，然后在空中采用“第一性原理”对人类思维进行解剖和还原，在建立起一部“思维模拟机器”的成果上降落，带领读者进行了一次人工智能的研究和探索之旅。 明斯基将人类情感拆分成：爱的能力、依恋与目标、疼痛与煎熬三个部分进行了溯源和探索，抽离出了智人的复杂决策流程：采用级联方式进行多层级的精神活动，随手携带意识的“手提箱”，批评家—选择器模型等范式，这对于开发通用人工智能具有划时代的意义！ 进而洞悉思维本质，创建情感机器人的六大维度：意识、精神活动层级、常识、思维、智能和自我，用“第一性原理”将思维的本质进行抽丝剥茧的分离、筛选、简化和表征，通过“粒度化”将人类思维的范式转述成算法，以便于后来的研究者将之用于开发。 阅毕此书，脑海中升腾起来一团蘑菇云：人类只不过是一团裹着肉身的“机器”啊…

揭秘情感计算（Affective Computing）的前沿突破：通过DeepSeek认知模型分析微表情与语音情感，探讨AI心理咨询师与孤独经济市场。结合Meta情绪感知头显与索尼陪伴机器人，反思人机情感依赖的伦理风险。

马文·明斯基2016年就去世了，怎么可能写一本跟 Deepseek 有关的书？这就是一本老书，为了销量硬在标题上加上 Deepseek，其实二者一点关系都没有。 现在再版的老书，为了销量是一点节操都没有了。

明斯基的洞见： 人的心智不是单一的整体，而是由大量无意识的“资源”或“智能体”组成的“心智社会”。 思维是这些不同智能体相互作用、竞争、选择的结果。 情感不是思维的对立面，而是特定思维过程的表现形式，比如愤怒会激活特定的思维模式。 芒格的多元思维模型： 强调要从多个学科（心理学、物理学、生物学、经济学等）提取重要模型来理解世界，避免“锤子倾向”（即手里有锤子，看什么都像钉子）。 两者的结合点在于：明斯基的“心智社会”为“为什么需要多元模型”提供了底层认知科学解释： 因为大脑本身就由多种资源构成，单一模型就是某个“智能体”霸权，而智慧是让不同智能体组成的“议院”高效运作； 而芒格的模型提供了具体要调用的“学科智能体”名单。

在学习一项新的能力时，不适感会让大部分人产生排斥进而无法进步，若能够培养出适应这种不适感的能力可以帮助个人极大的提升新技能。 痛苦和快乐有相似的机制，都使得我们改变目标的优先权。任何痛苦都会激活摆脱痛苦这一目标。 内隐束缚:预防你的大脑里出现做某种行为的想法，在源头上实现控制。内隐束缚，外显抑制，纠正性警告。 大脑区域可以通过引起一种情感来代替另一种情感，用愤怒可以代替倦怠。 其实正如那句:我们理解这个世界的方式是基于我们局限的器官来进行感知的，人类需要承认自身的感知是有限的。 大脑厌恶复杂和陌生感，对于所接触到的信息，大脑会尽可能的将其下定义以进行简化，将其与已经具备的信息进行类比以处理陌生感的问题。 程序的设计没有和用户体验进行交互，无法得到现实用户的反馈，所以无法实现"人性化和智能化"。 分解问题，逐步解决小问题，大脑是通过逐步思考来完善一个问题的。 若是能够记录我们如何发现解决方法的过程，将会使得这种技巧得到更大范围的使用。 信用赋能更强的人能够使用更少的经历去领悟更多的经验与应对问题的方法。 碎片化的知识没有任何意义，只有当碎片化知识成为大框架中的一部分时，这部分知识才是有意义的。