1.1. 科技公司需要全速运行以跟上摩尔时间尺度，这加大了在潜在雇员中优化“文化适配度”

1.1.1. 意味着招聘“和我们一样”的人—的压力

1.1.2. 新员工就会花更少的时间适应（因为他们“和我们一样”），产生更少的日常摩擦（因为他们“和我们一样”），并且听老板的话（因为他们“和老板一样”）

1.2. “排斥”

1.2.1. exclude这个词的起源：它源自拉丁语excludere，其中ex意为“出去”，claudere意为“关闭”

1.2.2. 在人类世界里，这意味着将一群人拒之门外，可除了这群人之外的所有人都可以进入这个特殊的俱乐部

1.2.3. 本质是不公平的

1.2.4. 从商业的角度来看，排斥是完全可以理解的，因为在竞争激烈的时候，拥有“不公平的优势”被认为是制胜武器

1.2.5. 拥有竞争对手没有的东西，会激励你把他们拒之门外，并采取计算世界中所谓的“封闭”方法

1.2.6. 制造封闭系统在工业中是一种常见做法，因为一旦成功，它就能提供可以实现完全控制的宝贵能力

1.2.7. 在1984年推出第一台Macintosh计算机时，苹果公司采用了著名的封闭式计算系统，它不像当时的竞争对手Wintel PC那样易于扩展

1.2.7.1. 苹果能够以其他计算机品牌无法做到的方式无死角地控制用户体验

1.2.7.2. 推出iPhone时再次发挥作用

1.3. 科技圣殿和金融圣殿或其他试图发展自己的文化的专业圣殿没有什么不同

1.3.1. 任何圣殿的边界都会培育出认同安全文化的志同道合者，他们更愿意避免与自己的部落分开时可能感受到的摩擦

1.3.2. 和其他圣殿不同的地方在于，尽管我们应该关心任何领域的包容性，但科技人员施加的影响不成比例，因为他们以完全不同的摩尔速度和规模运作

1.4. 任何公司的专业人士的“失误”都可能对许多人产生负面影响，但计算系统中的“失误”可以在按下按键的几毫秒内影响所有相连的客户

1.4.1. 针对公司的失误时社交媒体的反馈循环是迅速且无情的，但在公司文化的深处还可能存在更严重的“失误”

1.4.2. 一个失衡的系统将产生失衡的结果

1.5. 缺乏创新催化剂的千篇一律的文化，是不会让企业实现卓越增长的失败策略

1.6. 随着消费者不仅在产品质量和生产方式的道德方面，还在与他们做生意或收集了他们的数据的公司的特质方面开始要求更高的标准，我们将看到更多这样积极的努力

1.7. 纠正科技行业失衡的挑战，为新的业务增长和颠覆性创新提供了触手可及的机会

2.1. 大数据的结论需要与真实人群密切相连的厚数据

2.2. 鉴于我们可以很容易地部署不完整、可测量的计算产品，我们有机会获得大量数据以确定如何修改和改进这些产品

2.2.1. 成功通常意味着收集大量的用户数据，这是提高由数据驱动的结论的统计准确性的最佳方式

2.2.2. 很容易偏向于笼统地观察数以千计用户的行为，而非有意识地花时间去深入研究少数用户的使用体验

2.3. 通过人类学家开发的方法研究个体行为的技术含量要低得多（因此成本更高）—本质上这就是人种学

2.4. 人在本质上是不可预测的，所以任何涉及人类行为预测的事情终究也只是一种猜测

2.4.1. 一种猜测是通过定量数据，另一种则是通过定性数据

2.5. 如果每月只需花费5美元就可以收集和分析数百万使用你的产品的在线客户的数据，那么每月花费数百美元与客户进行一对一的沟通似乎没有必要地昂贵且低效

2.6. 最好的投资者不仅会仔细分析他们参投的基金，还会去基金经理那儿进行实地考察，这是他们作为投资专家的额外尽职调查

2.6.1. 如果投资界的尽职调查是业内最高标准，那么时不时与真正的客户交谈也是很有商业意义的

2.7. 为了理解一种文化现象，你需要尽可能地接近“一手”信息，而不是依赖二手或三手信息

2.8. 收集厚数据需要时间，而对其进行充分解释则需要更长的时间

2.8.1. 需要沉浸在收集到的厚数据中，以充分捕捉你的人类同伴的上下文，否则这份额外投资将收效甚微

2.8.2. 量化处理大数据的诱惑和便利会不断地把你从理解厚数据所需的时间投入中抽离出来

2.8.3. 通过从作为厚数据背后的驱动力的动机问题出发，当你沉浸在一手信息中时，你将更有策略

2.8.4. 你要寻找的是图表和数字无法捕捉到的有人情味的微小细节，所以，试着依靠你的嗅觉和感觉能力，去做人工智能做不到的事

2.9. 尽量不要把注意力放在你的客户在你的系统中面对的具体问题上

2.10. 复杂的系统有许多难以捉摸的方面，即使用最先进的计算技术也很容易忽略它们

2.11. 像传统工程师那样思考，相信只有一种方法可以把它造好

2.11.1. 亨利·福特是一个传统工程师，他相信每个人都想要一辆简单、实用、漆成黑色的T型车

2.11.2. 通用汽车公司的阿尔弗雷德·P.斯隆(Alfred P. Sloan)认为应该有不同类型的汽车以满足不同类型的人的需求

2.11.3. 由于拥有更好的嗅觉，通用赢了，福特输了

2.12. 像传统设计师那样思考，相信所有人都会赞同并适应你的解决方案

2.12.1. 设计圣殿里关于“天才设计师”的故事并不是通向成功的可靠途

2.13. 像高级领导那样思考，相信过去行之有效的方法显然还会适用

2.13.1. 我们生活在计算时代，不能指望十年前可行的方法现在也适用

2.14. 计算机器是模仿大师，在模仿的基础上被定量数据驱动

2.14.1. 当你拥有最多样化的数据源时，三角测量法的效果最好，你可以利用这些数据源来反复调整基于数据的猜测

3.1. 应该期待人工智能和我们一样愚蠢

3.2. 身份政治相当于市场调研，自20世纪30年代以来一直在推动美国政治

3.2.1. 像脸书这样的平台所做的，是将它自动化了

3.2.1.1. 随着像脸书这样的系统开始具有改变个人行为的能力，我们正在接近我们该如何与计算系统共存的关键时刻

3.2.2. 世界上不可能有那么多能够以足够低的成本处理数百万条信息的人类工作者

3.2.3. 计算的存在，并且明白当下与哪怕是最近的过去（仅仅一年多以前）都有明显的不同

3.3. 摩尔术语中的自动化与用来洗衣服的简单机器或在地板上横行的吸尘器非常不同

3.3.1. 是横跨我们生活的各个方面的摩尔级规模的处理网络，承载着我们的数据历史的总和

3.4. 机器学习以过去为基础

3.4.1. 人工智能最终会自动化并放大已有的趋势和偏见

3.4.2. 如果人工智能的主人不好，那么人工智能就不会好

3.4.3. 决不能忘记一切错误都可归咎于人类，当我们开始纠正这些错误时，机器更有可能观察我们并向我们学习

3.4.3.1. 它们不太可能自己做出这些纠正，除非它们已经接触到足够数量的人类设定的例子，这些人可以提供正确的纠正行为数据来重新平衡它们的数字大脑

3.4.4. 将过去的结果自动化可以立即发生，而且人为干预越来越少

3.4.5. 人工智能做坏事时不应该受到指责

3.4.5.1. 人工智能做坏事时不应该受到指责。我们才是它们为我们服务时所做的一切事情背后的罪魁祸首

3.5. 机器持续向我们提供这些信息，因为是我们给它们设定了这样做的程序

3.5.1. 它们在观察我们对收到的信息的积极或消极反应，并反过来学习人类个体善与恶的极限

3.6. 制造对人类经验有更广泛理解的计算机器还不算太晚

3.7. 计算设计的兴起及其带来的不可思议的商业价值，也以某种处于这一切中心的个人和公司都无法立即意识到的方式造成了失衡

3.8. 能识别排斥性的存在

3.8.1. 要有意识地注意到一个人或一群人遭到排斥的情况

3.8.2. 需要有意识地进入不舒服的情境，但想想那些被排斥的人早就感到不舒服了，你就会觉得这是一件简单的事情

3.9. 向人类多样性学习

3.9.1. 深入收集厚数据，走进与你的文化不同的社区和文化

3.9.2. 意味着你需要离开安全舒适的家或工作场所，将自己置于危险或不适之中

3.9.2.1. 在一开始是很难做到的，但你的投资回报率会很高

3.10. 从解决一个小问题出发，扩展到解决大规模发生的问题

3.10.1. 制订打破偏见并帮你找到新市场的解决方案

3.10.2. 创新是实现增长的关键，创新就是将新的视角引入现有问题，当引入只有通过不同视角才能看到的全新问题时，创新会更有成效

4.1. 开源是通过计算设计公平的一种手段

4.2. “开源”(Open Source)是任何人都可以出于自己的目的进行修改的开放计算机代码的官方术语

4.3. 它与“拒之门外”相对立

4.3.1. 它接纳任何人和所有人

4.4. Linux操作系统（安卓系统就是在此基础上建立的）、火狐浏览器（一款流行的网络浏览器）、WordPress（全世界超过三分之一的网络流量的网站管理系统）和PHP（支持WordPress的流行计算机语言）

4.5. “开源软件”这个词由克里斯汀·彼得森(Christine Peterson)在1998年创造，她的目的是更好地体现其内在的社群价值观，与当时意味着较低质量的流行术语“免费软件”相对

4.6. “闭源软件”是大多数你每天都用的应用程序和服务

4.6.1. 永远无法检查编程代码到底在做什么，就算你想让它以不同的方式工作，你也不可能对软件本身进行修改

4.7. 思考闭源和开源之间的区别的另一种方法，是考虑“合作”和“协作”之间的差异

4.7.1. 合作是指与另一方保持一定距离，而协作是指手挽手拥抱彼此

4.7.2. 协作相比合作的优势在于，各方都做出了不同程度的妥协，共同努力，互利共赢

4.7.3. 在缺乏协作能力的情况下，今天的政府控制科技圣殿的唯一办法就是试图对其进行监管

4.8. 当没有不透明的墙把其他人拒之门外时，作恶就更不容易了

4.8.1. 开放系统方案是政府监管的另一种选择

4.9. 开放促进公平，自然而然

4.10. 开源有一个缺点：在任何地方都无法保存秘密

4.10.1. 一个人人都寻求协作和不作恶的世界里，完全透明可能意味着“分享就是爱”和持久的和谐

4.10.2. 总有一些坏人想方设法地操纵局势，使之对自己有利，个中原因只能解释为人性

4.10.3. 开源也并不总是正确的选择

4.11. 麻省理工学院授权条款

4.11.1. 允许你不受任何限制地使用代码

4.12. GNU通用公众授权条款

4.12.1. 要求你在使用他们的代码时公开分享你写的那一部分代码

4.13. 较新的机器智能系统不是由可读的计算机代码组成的，而是被包装成含有数字和数据的不透明的黑匣子，没有清晰的逻辑流程

4.14. 随着人工智能正在成为大众媒体越来越多地谈论的话题，人们很容易对它感到恐惧

4.15. 计算目前只是这两种东西之一

4.15.1. 可读的源代码或充满数字的黑匣子，就像天然酵母或工业酵母

4.15.2. 两者都是由人类制造的，就好像if-then逻辑语句或由数据驱动的黑匣子，它们要么是公开分享的，要么隐藏在封闭的门后

4.16. 当它们是开放技术时，我们就有机会一起分享、协作和学习

4.16.1. 当我们与开源代码的联合创作者有相似的价值观时，我们对技术的恐惧就会减少

5.1. 认识到自己的人性，同时也认识到他人的人性，是科技无法给予你的礼物

5.2. 如今，我们比以往任何时候都更需要包容性地思考和工作，以便直接着手解决那些如果我们不去有意识地开辟新路径，就会自动化的失衡问题

5.3. 合作比协作更容易，因为合作不需要深入了解对方

5.3.1. 在计算机发展的大部分阶段，大多数人一直在学习如何应对不知何故在不断变化的机器并与之合作