下一代 AI 交互，会长成什么样子？| 42章经 AI Newsletter
姚顺雨（前 OpenAI 研究员）曾反反复复表达过一个观点，我印象很深：
「创业公司最大的机会，在于设计不同的交互方式。」
于是这期就索性围绕「交互」这个主题展开，分享一下我们最近观察到的一些机会。
目录
为什么独立的 Vibe Coding 必死，但 Personal Software 会火？
我们是不是低估了输入法的想象力？
最近见过最好的 5 个 AI 交互设计
产品设计的终极形态
(一) 为什么独立的 Vibe Coding 必死，但 Personal Software 会火？
Personalized software (个性化软件) 这个方向最近很火。
蚂蚁的灵光上线后，听说一天内的数据就达到了团队定的年度目标。
Replika 的创始人 Kuyda 最近也再次创业，做了一个叫 Wabi 的产品，定位是 Youtube for Apps，一个 mini app 的集合平台。(类似方向的产品国内还有马卡龙、Youware 等等)
我最近听了她的两期播客，很有意思，摘录一些 insights：
1. 软件的未来将是「应用的 YouTube 化」。
在 Kuyda 看来，软件行业正在经历内容行业当年的变迁。
就像视频从专业制作走向人人可拍，软件开发也将从全球「2000 万开发者」的特权，泛化为「80 亿创作者」的日常媒介。
在这个语境下，未来的软件，更多会像快消品，它不再需要追求 SaaS 的高留存与高 LTV，而只需要在当下那一刻，解决你特定的问题。
她举了个很直观的例子。
有天她女儿想玩猜谜游戏，但条件很刁钻：主角必须是《冰雪奇缘》的 Elsa 和《阿拉丁》的 Jasmine，还得是意大利语。
这种需求，App Store 不可能满足，但 Kuyda 用 Wabi 花了两分钟就做了一个出来。
2. 这就带来一个问题，为什么这种事非得在 Wabi 这样的平台上做？用 Lovable 这种 AI coding 工具自己写不行吗？
Kuyda 认为，独立的 Vibe Coding 必然失败，因为会卡在三个关键问题上：
1）信任和稳定
单点 vibe coding 最大的短板是安全。
她提到一个案例：有人 vibe code 了一个约会 App，结果火了，冲到 App Store 榜首。但因为开发者不专业，最后导致所有用户的超敏感信息全泄露了。
所以她的判断是，未来一定会需要一个平台，来兜住这些风险。
平台能提供一个信任层，统一解决掉安全、隐私和数据持久化等问题（比如你不用担心开发者忘了给服务器续费，导致你的数据全丢了）。
2）集成能力：
Wabi 提供了连接一切的 API，让你的 mini app 可以很方便地调用你的 Apple Health、Gmail、日历，甚至你的银行账户。你可以一键生成一个「根据我最近听歌品味定制手办」的 mini app。
3）分发与协作：
平台会内建社交图谱（点赞、评论、看到朋友在用什么），并支持多人模式（一起用同一个 App，比如共同维护购物清单，或者一起玩个小游戏）。
这样，一个人随手做出来的 mini app，就有机会长成一个小网络，在一群人之间流转起来。
3. Kuyda 提到了一个类比：
iOS 早期：开发者只是把网站硬塞进 App 里。
iOS 成熟期：开发者终于想明白了移动端的超能力是什么——GPS 和永久在线。于是，才诞生了 Uber 和 Tinder 这样的原生巨头。
那么，AI 的超能力是什么？Kuyda 的答案是：深度个性化。
这种个性化有三层：
1）应用层个性化：你可以修改 App 的功能和提示词。
2）平台层个性化：平台知道你的基础信息（年龄、地点、有孩子、有健身目标），并能把这些 context 提供给你所有的 App。
3）跨应用个性化：平台可以打破围墙花园，让你的「营养 mini app」能和你的「健身 mini app」对话，比如根据你最近的增肌计划，修改你的饮食方案。
她认为，未来的个人软件，应该是一个「构建在你的基础信息上的操作系统」。
(不过，这层「个人记忆管家」似乎最应该嵌在 OS 里，而不是由第三方软件做掉？高度怀疑最终操作系统会把散落在不同 App 里的数据收拢成一个统一的「个人画像底库」，再让不同的 AI 应用在上面做组合。这也部分解释了为什么字节、Google 等等都在做自己的 AI 手机。）
聊到这儿，主持人还插了一个扎心的例子：
他自己刚换了新 iPhone，顺手清理了一遍桌面，删掉了 12 个以前下载、甚至还付过费的 App，因为他已经在 Wabi 上做出了更顺手的版本。
当用户可以在 5 分钟里做出一个贴身的 80 分工具时，那些功能叠到 90 分、却越来越臃肿的 App，很可能会慢慢失去意义。
4. 这会催生一个全新的 GTM 模式：软件即内容 (Apps as Content)
这里我们可以想象几个有意思的变化：
新的商业模式
一个抖音上的健身博主，未来最自然的变现方式，可能不是卖课，而是发 5 个 mini app，每个 app 对应一套训练方案。
新的流量入口
以前博主会在小红书写一篇「东京只有本地人才知道的 10 家拉面店」，未来他可能直接发布一个「东京拉面杀手」 mini app，里面有一个极简地图，只标这 10 家店。
新的社区形态
这些 mini app 本身会变成「社区启动器」。
比如你做了一个「伦敦观鸟指南」app，用的人天然就是同好。
人聚齐了，线下活动、衍生周边、内容共创，都可以自然而然生长出来。
以前做社区要靠内容、靠运营，未来可能只需要把一个 mini app 丢到网上，它自己吸人。
7. 所以，Wabi 这类产品的本质是什么？
主持人给了一个精妙的比喻：它是一个 Prompt 容器的平台。
我们现在分享 Prompt 的方式，还停留在石器时代——就是复制粘贴一大段文本。
这种 Prompt 发现机制非常糟糕。
Kuyda 提到，她曾在 Reddit 上看到一个大师级 Prompt，但有一次她把那段 Prompt 搞丢了，再也没找到。
如果这是一个 Wabi 上的 mini app，她可以直接下载，之后随时点开就能用。
Wabi 想做的事，就是给这些到处裸奔的 Prompt 配一个合适的 UI 外壳，再加一个可以保存、复制、分发的沙盒环境。
(某种意义上，这其实是 GPTs 的下一阶段：从「Chatbot」走向「Chat + GUI 结合」的交互形态，只不过这次是更彻底地以「个人应用」为单位来组织。）
8. 最后，我自己对这类产品最大的两个问题还是：
首先，到底有多少人，会有「自己定义一个 mini app」的冲动？
Kuyda 在播客里给了一个避重就轻的回答，她说，真正从零开始原创的人，永远不会超过 10%，但很多的人，都会参与修改和迭代。
围绕这个判断，Wabi 提供了两条路：
Remix：直接 Fork 别人的 App，改成自己想要的样子。
Request：在评论区 @ 创作者提需求：「能不能帮我把这个地方改成 XXX？」
也就是说，「软件民主化」的实际落地形态，不是人人都是开发者，而是人人都能参与迭代。
但这又引申到了第二个，我觉得也是更本质的问题：到底多少人有消费这些 mini app 的需求场景？
毕竟，GPTs 死掉的一大原因就是发现难、心智重、大多都用不上。
这里我们就没有什么答案了。只能先把这些问题记在这，看未来的市场怎么回答。
Reference：
Eugenia Kuyda on software’s “YouTube moment” | Access Podcast
Seeing The Future from AI Companions to Personal Software | A16Z
(二) 我们是不是低估了输入法的想象力？
AI 语音输入法最近也很火。
大厂里，字节、微信、智谱都在搞，创业公司中还有 Typeless，闪电说...... 海外 Wispr 更是在 4 个月内连融 8100 万美金。
(我目前试下来，感觉 Typeless 和智谱的 AI 输入法都很好用，智谱更推荐一些，因为它有些额外的功能点做得很方便！比如，它可以从「打字状态」切换为「问答状态」，一键唤起 AI，在任何输入框里快速回答你的问题，或者直接选中一段文字，让它翻译/改写)
Anyway，我就很好奇：
输入法这门老生意，怎么又突然开始爆火？尤其 Wispr 是在讲一个什么故事？怎么能拿这么多钱？
带着这个问题，我们做了一点研究，也和一些关注这个方向的从业者聊了聊。
聊完之后，我现在的理解是：
输入法未来可能不只是「打字工具」，而是有机会进化成一个「语音操作系统」。（当然，只是有可能。）
Wispr 创始人在播客里，把这个进化过程拆成了三步：
第一步：先把「输入」这件事接管了。
这里我得到的一个有趣的 learning 是：
从「敲键盘」切换为「直接说」，最大的惊喜其实不在「提速」，而在「减负」，也就是：
1. 它能消除你思考时的认知负荷。
打字的时候，人的注意力其实会被拆成两半：一半在思考「我接下来想表达什么」，另一半在检查「我刚刚这句话打得对不对」。这两个过程其实会互相干扰，让你无法进入到一个顺畅的心流状态。
语音输入法的作用，是让你专注于「我想说什么」。你可以把脑子里的想法全部倒出来，把编辑、润色这些活儿都交给 AI。
2. 它天然鼓励用户提供 Context。
大多数人在给 AI 打字时都会本能地偷懒，能少说就少说。但一旦换成说话，大家往往会顺手多带一些背景和细节，于是 AI 的输出质量也会跟着上去。
前几天还听莫子皓老师 (Plaud 中国区 CEO) 说，他们公司的算法研发现在人手一个麦克风，直接通过语音来 vibe code，工作效率大幅提升，而且更容易进入心流。
第二步：从「被动记录」升级为「代你表达」。
当用户习惯了对着它说话，它就可以开始帮你「写作」而不只是「记录」，比如你只要说：「帮我推掉这个工作邀约，但别把话说死」，它立刻就能写出一封得体的邮件。
这里一个自然的问题是：
为什么要通过输入法做，而不是直接用 ChatGPT，或者各种垂类 AI 工具？
核心差别在于：输入法天然存在于每一个输入框中，而且它了解你的一切过往输入。
Wispr 创始人说：「一个真正好用的语音输入产品，不应该是一个孤立的工具，而是一个具备全局上下文的智能层，能够记住你的所有重要输入，连接不同应用中的信息。」
它每天看你怎么说话、说了什么，最终可以比任何一个单点 AI 应用更贴近你的真实表达。
再往下想一步，输入法很快还会学会察言观色。
它不仅能听懂你在说什么，还能通过语速的快慢、语气的急缓，捕捉到你当下的心境，然后自动帮你催人催得更急一点，或者语气改得更欢快一点。
现在领先的 AI 输入法，其实已经开始朝这个方向走了。
比如 Whisper Flow 会根据你所在的 App 自动「变身」：
在 Slack 里，它会把你说的话变得随意、全小写、甚至加个 Emoji；
在 Email 里，则会自动改写成商务邮件的语气和格式。
创始人在播客里还提到，他们下一步要做更细的 context 提取：
同样是在 Slack，你在「公司大群」发言，和在「跟最好朋友的私聊」里说话，语气完全不同。
Whisper Flow 会感知到这个细微差别，并自动匹配你的语气。
第三步：反客为主。
输入法一直是系统权限最高的软件之一。移动端的隐私保护还相对严格，但在 PC 场景下，像 Wispr 之类的应用甚至是拥有读屏权限的，等同于是能同时捕捉到你看到的信息。这让它有机会成为最了解你的产品之一。最终甚至可能能主动跳出来帮你干活，而不是等你发号施令。
打我敲下这行字的时候，我已经开始幻想我的输入法能突然跳出来说：
「我突然想到一个有趣的梗，你这里可以加上」。
此外，上周末在我们组织的一个闭门讨论会上，有一个做二级的投资人朋友还提到了一个很有趣的观点：
输入法的定位有点像前一段时间 Reddit 对于 OpenAI 的意义，很多模型公司都有合作和收购意愿。
原因是，输入法掌握了高价值的一手数据，而这些数据对两件事情格外关键：
1）训练模型对人类偏好和意图的理解
2）让模型跟上人类语言的实时变化，比如最近出了什么流行梗、上了什么爆款电影。
把这些放在一起看，我们会发现，输入法并不是一个简单的效率工具，它有机会成为：
1）你和所有软件之间最高频的交流接口；
2）你和大模型之间最完整的一根数据管道。
但当然，以上只是一个爽文剧情，实际会有很多问题，比如，输入法是寄生在 OS 上的，苹果等系统层随时可能收回权限，自己下场。
又比如，用输入法的数据训练模型虽然会做很多隐私脱敏，但很多用户过不了心理门槛。一个能「读屏」且「听懂语气」的 AI，会让很多人（尤其是企业）感到被监视的恐惧，从而不会放权。
但不管怎样，我觉得输入法都会变成一个很有趣的观察窗口：
它注定要被拉到牌桌中央，参与一轮又一轮讨价还价，然后长成一个和现在完全不同的样子。
Reference：
How Wispr Flow Uses AI to Save Professionals Hours Every Day | Subversive
How to Get Started with Wispr Flow to Save 10 Hours a Week | Tanay Kothari | Peter Yang
(三) 最近见过最好的 5 个 AI 交互设计
我听各种海外播客时，经常听到一个类似的判断：
AI 目前最大的瓶颈在交互。我们今天用的 Chatbot，本质上还停留在「MS-DOS 时代」的命令行，还没有迎来真正的 GUI 时刻。
不过，过去一年里，交互这条线已经有了很多探索。
比如，DeepSeek 带火了显性思维链，现在这已经成了 AI Chatbot 的标配，提高信任感；
Manus 带火了虚拟机这种形式，单独给 AI 配置一个电脑，让他自己操作，互不干扰。
我们最近还看到了一些领先的交互范式，可能会成为明年的新共识：
1. 参数滑块
自然语言在描述「程度」时是无力的。你很难界定「放飞一点点」具体是多少。
所以很多 AI 产品现在都加上了参数滑块，比如 11 Labs 可以调整 Prompt Influence（提示词权重），决定是严格遵循指令，还是让 AI 自由发挥。
未来，「Prompt 负责定性，滑块负责定量」可能成为一个标配设计。
在做一个精细任务时，用户可以直接在旁边创建一个滑块，比如一端是更简洁，一端是更详尽，来回拖一拖，就能快速试出一个满意的区间。
同时，这在心理学层面也很重要，我很喜欢的一个交互设计师 Geoffrey Litt 在播客里讲过一个观点，现在很多 AI 工具都在追求极致的自动化（比如 Agent 一键做出一个完整的作品），但他认为这是非常反人性的，完全由 AI 生成的内容，用户很难产生「这是我的作品」的归属感。
一个形象的比喻是做陶瓷。
如果只是对工匠下指令说「我要个杯子」，这不叫创作，这叫采购。
真正的创作是你手摸着泥巴，根据泥巴的反馈实时调整力度和形状。这种 Feedback Loop（实时反馈回路）才是让用户进入心流，感到满意和快乐的关键。
2. 反向 Onboarding
现在大多数 AI 产品的 Onboarding 流程都很重：
注册 → 验证邮箱 → 填一堆信息（职业、行业、目标…）→ AI 才开始服务。
用户一上来就要付出时间、信任，还不知道值不值得。
但我最近看到了一些很妙的 Onboarding 案例，是把这个逻辑完全反过来。
比如 AdComposer.ai（一个广告文案生成工具），它的首屏极其克制，只有一个输入框：丢下你的公司网址，一键生成几组广告创意。
通过这个过程快速证明：「这是我能做到的，你先感受一下。」
再比如 Co-founder 这个产品，第一步也是让你先输入 Gmail 或者其它 URL，它会立刻根据抓取到的信息，模仿你的语气写一封邮件，或生成一个工作流。
所以我在想，或许未来很多 AI 产品的第一步，都会变成先证明自己，先让用户看到价值，而不是一上来就要求用户先行付出。
也就是我们可以想想，有没有办法把 TTV（Time to Value，价值感知时间）压到接近 0，让用户第一次点进来，就像走进面包店门口，被塞了一块试吃的小饼干？
3. 善用等待时间
现在的 AI 生成往往需要几十秒，用户对着 Loading 动画等待时会变得非常不耐烦。
但 Gamma 和 Perplexity 提供了一个挺好的思路：
等待时间，本质上是一个低成本的「二次交互窗口」。
比如，Gamma 会在你盯着屏幕发呆时，让你选 PPT 的主题风格；Perplexity 在一些情况下会弹窗问你：「是否需要补充更多细节？」
这样，既给了用户事情做，模型的生成结果也更准，还减少了需要迭代的轮次，对公司是实打实的成本优化。
4. 用「命名」控制用户预期
交互设计中，很重要的一个工作其实是「定义语言」。团队选用的名词，决定了用户如何理解产品的边界。
我自己超级喜欢的一个案例是一个画布产品 tldraw，他们尝试让 Agent 在画布上协作时，发现现在的模型还是很笨，经常把东西画错位置，或者不知道自己在干嘛。
那问题来了：要怎么让用户能试用起来，又不对它期待过高呢？
后来，他们搞了一套非常有意思的「叙事降级」策略，把幻觉本身，从产品缺陷，变成了世界观设定。成功是惊喜，翻车是剧情。
首先是改名字。
他们刻意没有把 AI 叫做 Agent、Collaborator 或虚拟员工，因为一旦这么叫，用户下意识就会觉得它应该像同事一样靠谱。
他们考虑的名字是 fairies（小精灵）/ ghosts（小鬼）/ bugs（小虫子）—— 听上去就不像能全权托付的对象。
这些小精灵很小，漂在你的光标旁边，不同的精灵穿着不同的衣服、戴着不同的帽子：
你可以看到它在「思考」（摸下巴）；
看到它觉得任务太难了，开始召唤其他小精灵（sub-agent）来一起干活；
其它的技术逻辑也被包装成了童话隐喻：
池塘（Pond）= 文件夹/作用域： 想要管理一个特定的上下文，只需要在画布上画一个魔法池塘。任何被拖进池塘的文件，就会自动成为这个 Agent 的 Context。
礼物（Gifts）= 补充信息：想要给 Agent 额外的文档，可以像给精灵留下礼物一样，把小纸条留给它。
附身（Warging）= 外部工具调用： 当一个小精灵需要通过 MCP 去连接外部工具或数据时，它的眼睛会翻白，像权游里的 warging，表示它正在通灵（所以延迟、卡顿都是合理的施法过程）。
在这套设定下，用户天然会觉得：
它们本来就是有点调皮、不可控的非人生物，所以犯蠢是可以被原谅的。
当一个小精灵把图画歪了，用户更可能想的是：「哎呀它又调皮了」，而不是「这垃圾软件又崩了」。
这里的启发是，叙事设计可以是我们掩盖模型能力不足、提升用户留存一个很高效的手段。
尤其在今天，AI 还有很多幻觉和 bug，你产品的「叙事包装」最好与 AI 呈现出的「智力水平」相匹配，而不是给它一个它撑不起来的广告语。
5. 视角滤镜
我还很喜欢的一个交互设计师是 Linus Lee，之前在 Notion 负责探索 AI 功能的设计。他曾经提出过一个有趣的想法：
每个创意行业大都存在一个资源库。比如字体库、音效库、滤镜库、笔刷库。
但思考和写作还不存在这样的东西。
我们其实可以尝试从模型里，提取出一种可打包、可共享的「思维特征」，把它们变成一种新的资源库，任何人都能随意取用。
一些雏形已经出现了。比如我们现在会跟 AI 说：「用理查德·费曼的语言风格解释一下」，但这还只是原始的版本。往后，也许在写作界面里，我们会看到一个「视角过滤器」菜单栏，和现在在 Word 里选字体一样方便。一个产品经理，可以装载一个「乔布斯思考滤镜」，让 AI 瞬间切换视角给出点评。
同时，大家也可以自己定制滤镜，并在公开市场上交易。 以前的知识付费卖的是内容，未来的知识付费卖的是「脑回路」。
比如，我完全可以想象自己搞一个「曲凯滤镜」：把我老板所有文章、播客、会议纪要、和同事们的微信聊天记录，外加荣格八维之类的人格测试数据统统喂给 AI，且保持联网更新，每周自动抓取他的最新言论，保持和本尊的思维同步。
那我就可以在写所有方案和文章时，都外挂上一个曲凯滤镜，让 AI 先看看他会喷哪几块。
再往外推一步，我猜，未来每家公司可能也都会有一个「品牌滤镜」。
内置创始人人格特质、价值观，公司所有品牌物料...
所有对外邮件、文章、招聘都先跑一遍这个滤镜，检查「是否符合公司气质」。
如果把粒度再做细一点，AI 产品里还可以有一个「思维调音台」。 这里的交互就不是下拉菜单，而是一组推拉杆。
毕竟大家都是打工人，汇报时往往需要端水，就可以设置：
CEO 视角占比 50%
产品老大视角占比 20%
法务视角占比 10% ...
我想，只要创造思考中有哪一块是高频 + 可复用 + 创建门槛较高，都可以考虑一键封装，随时调用。
Reference：
Geoffrey Litt - The Future of Malleable Software | Dive Club
Vitaly Friedman - Beyond Chat: What’s Next for AI Design Patterns | Dive Club
(四) 产品设计的终极形态
Cursor 设计负责人 Ryo Lu（也是 Notion 早期非常重要的产品设计师）最近在播客里提到一个观点，对我很有启发。
他很反感人们天天强调 taste 是未来设计师的核心竞争力，在他看来，taste 没有那么重要，真正决定上限的是「系统思维」。
原因在于，未来的 UI 一定是千人千面的，产品最终长成什么样，会更多由用户自己的 taste 决定。
Cursor 的愿景就是：
底下只有一个 Cursor，但上面长出千人千面的工作界面，把所有做软件的人（开发、设计、PM…）都收进同一套操作系统。
也就是说，未来开发、PM、设计师都会直接在 Cursor 里完成工作，只是他们看到的「界面形态」完全不同：有人直接操作画布，有人操作文档，有人操作代码。但这些角色本质都在做同一件事——影响一段代码如何被改动。
在这种情况下，产品设计的核心工作就变成了：设计概念 + 系统级交互。
Notion 就是一个很好的例子。
Notion 的设计核心不是好在圆角多少像素，而是设计了 Block (模块)、Page (页面)、Database (数据库) 这几个核心概念，以及它们如何互相嵌套。
如果从这个视角再往下想，未来的「软件」会越来越像一栋「建筑」。
什么意思？
通常我们认为建筑是「静态」的艺术——一旦竣工剪彩，设计就结束了。
但实际上，竣工只是这栋楼生命的开始。
我很喜欢的一本书是 Stewart Brand 的《How Buildings Learn: What Happens After They’re Built》（建筑如何学习：建成之后发生了什么）
里面的核心观点是：建筑是一个随着时间推移不断进化的有机体。优秀的建筑不是设计出来的，而是随着用户的需求生长出来的。
这个进化过程不是一个整体，而是由六个变化速度不同的层级共同构成的：
Site（地基）：基本不变
Structure（空间结构）：30–300 年一变
Skin（外立面）：大约 20 年一变
Services（管线）：7–15 年一变
Space Plan（布局、装修）：3–30 年一变
Stuff（家具物品）：1–30 天一变
很多糟糕的建筑之所以糟糕，是因为把不同寿命的层级粘在了一起。比如，把寿命只有 15 年的管线埋进了寿命 100 年的混凝土结构里。导致后期无法维护，最终只能全部拆除。
往后，产品设计的工作也会更多变成：
1. 定结构：
Ta 要先搭一套清晰、耐用的概念体系（承重结构），再规划一组可插拔的能力接口（管线层），最后给最外层留出足够的空间，让用户自己的 taste 和 workflow 能生长出来。
2. 定属性：
Ta 要看清每一块东西的本质属性（比如一个按钮、一个 workflow、一条用户权限、一种服务能力），然后决定哪些东西是底层共享的，哪些是可以个性化的。
3. 定逻辑：
Ta 要从设计「这个页面长什么样」，到设计「这个系统该如何思考」，比如，「当用户犹豫时，展现出更多的图片来激发灵感」；「当用户急躁时，把广告统统收起来，只留下确认按钮」。
以前设计师的成就感来自「这一版 UI 好好看」。
未来更像是「在我设计的规则下，系统自己长出来的界面，十万个人用起来都顺手，各不相同但没有失控」。
再往深推一步，从建筑到软件，我们一路在讨论的，都是同一件事：
一个系统怎么在时间里变形，又怎么在变形中维持自己。
关于这部分具体的 knowhow，这里就来不及详细展开了。但我很想在文章结尾再推荐一下 Stewart Brand 的作品。他在写完《How Buildings Learn》之后，又把视角拉高了一层。
他意识到，能长期活下来的系统，都有一个共同点：
这些系统从来不是「所有部分一起跑」的。相反，任何一个有韧性的系统，都是由不同速度的层级叠加起来的。
在后来那篇著名的《Pace Layering: How Complex Systems Learn and Keep Learning》(节奏分层：复杂系统如何学习和适应变化？) 里，他把人类文明画成了六个同心转动的齿轮：
最外圈是「时尚」，潮流来了又走；
往里是「商业」，逐利、创新、快速迭代；
再往里是「基础设施」，道路、能源、教育体系，一般会撑几十年；
再往里是「政治制度」，法律、制度、监管，变得更慢；
更深处是「文化」，价值观和集体记忆，以世纪为单位缓慢沉积；
最内圈是「自然」，几乎不以人类意志为转移。
它们并不是互相拖累，而是靠这种错位一起维持系统的韧性——快层负责试错、创新、偶尔造反；
慢层负责记忆、约束、把关，决定哪些变化可以被写进底层系统，哪些就当作一次性的闹剧。
原文写得很有韵味，我要在这里贴一下：
Fast learns, slow remembers.
Fast proposes, slow disposes.
Fast is discontinuous, slow is continuous.
Fast and small instructs slow and big by accrued innovation and by occasional revolution.
Slow and big controls small and fast by constraint and constancy.
Fast gets all our attention, slow has all the power.
甚至，我们可以把问题再往深里推一步：
这套对不同时间尺度的适应能力，其实不只是文明运作的机制，更是生命体的本能。
物理学家 Freeman Dyson 提出过一个很深刻的角度：
人类的命运，取决于六个不同时间尺度上的博弈。
要想生存，我们必须在这六个尺度的竞争中都常胜不败。
但在这六个时间尺度上，生存的单位是不同的。
在以年为跨度的时空标尺上，单位是个人。
在以五十年为跨度的时空标尺上，单位是家庭。
在以百年为跨度的时空标尺上，单位是国家。
在以千年为跨度的时空标尺上，单位是文化。
在以万年为跨度的时空标尺上，单位是物种。
在以亿年为跨度的时空标尺上，单位是我们星球上的整个生态系统。
我们每个人都是同时适应这六个时空要求的产物，这就是为什么各种相互矛盾的生物天性同时植根于我们的基因之中。
为了生存，我们必须同时忠于我们自己，忠于我们的家庭，忠于我们的部落，忠于我们的文化，忠于我们的物种，忠于我们的星球。
这是为什么我们一方面极其短视、自我，另一方面我们又会为遥远的他者产生近乎不理性的牺牲冲动。
如果说一个人的心理冲动是复杂的，那是因为它是由不同维度上复杂而矛盾的需求共同塑造的。
回到最初的话题，未来的设计究竟在设计什么？
我觉得是在建造一种能够包容矛盾的结构。
软件、建筑、制度、文化，其实都只是同一件事的不同外壳。
它们都是人类为了在多重时间尺度中活下去，而一次次做出的结构性尝试。
Reference：
《How Buildings Learn: What Happens After They’re Built》| Stewart Brand
Pace Layering: How Complex Systems Learn and Keep Learning | Stewart Brand
更多阅读：
很有启发，感谢