01原理
达尔文的自然选择只需要三个条件：个体之间有差异，差异能传下去，不同的差异在当下环境里存活和繁衍的机会不同。三个条件同时成立，群体的构成就会一代代朝着“更适合当前环境”的方向移动。没有谁在设计，结果却像被设计过。
芒格用这个模型做两件事。一是解释人：误判心理学里的大多数倾向，他都先问“演化为什么会留下它”，答案往往是它在祖先的环境里划算，比如被捕食的动物没有时间犹豫。所以这些倾向既删不掉，也不该全盘否定，要做的是认出它们在什么新环境里会失灵。二是看市场：企业、产品、做法都在竞争中被筛选，留下来的未必最好，但一定适合当时的条件。
对 10 人以内的 AI 公司，这个模型最有用的一句是：环境才是裁判。你的路线图、融资额、团队背景都不是适应度，客户在今天的替代品面前还愿不愿意付钱，才是。环境一变，昨天的优势可以一夜变成负担。
为什么成立
选择之所以有力，是因为它靠的是累积，不靠一次猜对。每一轮只要比平均好一点的变体多留下一点，多轮下来差别就是指数式的。反过来，选择也很短视：它只奖励当下的适应，不为将来储备，所以一旦环境突变，高度适应旧环境的群体往往损失最大。
第二点是筛选必须有真实的代价和反馈。自然界里，被吃掉就是被淘汰；公司里，如果失败的方案不会被砍掉、成功的做法也不会被复制，那就只有变异，没有选择，组织会越来越杂而不是越来越强。第三点：选择只能在已有的变体里挑。变体太少，再严格的筛选也选不出好东西；所以持续、便宜地产生变体，和严格地筛掉它们，同样重要。
02芒格怎么说
芒格在 2005 年修订的《人类误判心理学》里，把整套心理倾向都放在演化的框架下解释：很多倾向是长期选择留下来的，在祖先的环境里大体有用，到了现代环境里才频频失灵；他还用“实践演化”来说明，有些做法并不是谁设计出来的，而是试出来、因为管用才被保留下来。1994 年在南加大的演讲中，他说自己习惯把自由市场看成一个生态系统，并提醒，达尔文之后的强盗大亨曾拿“适者生存”给自己的财富正名，这让这种看法一度不受欢迎，但市场确实很像生态系统。本章关于企业内部“造变体、做筛选”的展开，是编者的归纳。
When I started law practice, I had respect for the power of genetic evolution and appreciation of man’s many evolution-based resemblances to less cognitively-gifted animals and insects.
刚开始做律师时，我就敬畏基因演化的力量，也明白人类因为演化，在很多方面和认知能力不如自己的动物、昆虫相似。
It is easy to see how evolution would make animals, over the eons, drift toward such quick elimination of doubt.
不难理解，演化为什么会让动物在漫长岁月里，逐渐倾向于迅速消除怀疑。
the tendencies are probably much more good than bad. Otherwise, they wouldn’t be there, working pretty well for man, given his condition and his limited brain capacity.
这些倾向大概利远大于弊。否则它们不会存在下来，在人类的处境和有限的脑力下运转得相当不错。
But the truth is that it is a lot like an ecosystem. And you get many of the same results.
但事实是，它真的很像一个生态系统，也会产生许多同样的结果。
03怎么用
- 01
把“造变体”做得足够便宜
定价页、提示词、上手流程、外呼话术，都可以同时放出两三个版本。小团队的优势是改得快，劣势是样本少，所以先挑影响大、反馈快的环节做，并事先写下以哪个指标定胜负，避免事后挑一个好看的数。
- 02
让筛选真的发生
每个月列一次在跑的功能、渠道和实验，给每一项一个明确的“留下或砍掉”结论。没有清晰证据说明它在赢的，默认砍掉或冻结。只加不减的组织，等于取消了选择。
- 03
定期重估你的适应度
每季度问一次：如果某家大模型厂商明天免费提供我们的核心功能，客户还剩下什么理由留下？答不出来，说明你的适应度建立在别人的空白上，需要尽快往更难被覆盖的地方挪：专有数据、深度集成、特定行业的流程。
- 04
用演化眼光看团队自己的习惯
早期为了活下来形成的做法，比如创始人亲自审批每笔开销、全员凡事群里讨论，当时是适应，规模和环境变了就可能变成拖累。每逢关键节点，把这些习惯列出来，问它们当初解决的问题现在还在不在。
04案例
桦尺蛾：烟熏的树皮换了裁判
英国的桦尺蛾有浅色和黑色两种体色。工业革命时期，黑色型在污染地区变得常见；大约 1970 年后空气变干净，黑色型又迅速减少。长期的解释是鸟类捕食：在烟熏的深色树皮上，浅色蛾更显眼；树皮变浅后，轮到黑色蛾显眼。这个解释一度受到质疑，剑桥的遗传学家迈克尔·马杰鲁斯于是在剑桥郊外的一个花园里做了六年实验，共放出 4864 只蛾子，是同类研究中规模最大的一次。他 2009 年去世，数据由同事整理，2012 年发表在《生物学快报》：鸟类对黑色型有明显的选择性捕食，每天的选择系数约 0.1，大小和方向都足以解释黑色型的衰落。这个案例最值得记住的是：同一个体色，没有好坏之分，是环境变了，适应度才跟着反转。[3]
Booking.com：一年两万五千次实验的选择机器
哈佛商学院教授斯特凡·汤姆克研究了 Booking.com 的实验文化。据他在《哈佛商业评论》2020 年的文章，这家公司一年大约运行 25000 次测试；哈佛商学院的报道援引他的研究说，约 75% 的核心员工参与实验，并能自己决定上线测试。汤姆克同时指出，在一般公司里只有大约 10% 的实验能改善业绩。放在自然选择的框架里看，这是把变异和筛选都制度化了：让很多人便宜地提出变体，让用户行为当裁判，让少数胜出的改动留下。它也说明了选择的前提：如果失败的 90% 不被认真砍掉，实验再多也只是噪音。[4][5]
Sakana AI：用演化算法“繁育”模型
Sakana AI 由前谷歌研究员 David Ha 和 Llion Jones 于 2023 年在东京创立；据领投方 Lux Capital 2024 年 1 月的文章，当时团队只有 9 人。2024 年 3 月，Sakana 发布“演化式模型合并”：不做基于梯度的训练，而是用受自然选择启发的演化算法，在现有开源模型之间搜索合并方案，一代代保留表现好的组合。他们用这种方法把日语模型 Shisa-Gamma 和数学模型 WizardMath、Abel 合并成 7B 参数的 EvoLLM-JP，公司称它在日语数学基准上明显超过三个源模型，并把模型放到 Hugging Face 和 GitHub 上开源。该研究后来被《自然·机器智能》接收。对小团队的启发是：算力和人手有限时，可以把“自己设计最优解”换成“便宜地生成大量候选，再用明确的评测去筛”。前提是评测本身要靠得住，否则选出来的只是擅长考试的模型。[6][7]
05误用与边界
把“活下来”当成“应该赢”
芒格自己就提醒过，达尔文之后强盗大亨拿“适者生存”为自己的财富和权力正名。被选择留下的只是适合当时环境的，不等于更好、更正当，更不等于将来还适合。用这个模型给现状辩护，是最常见的滥用。
只看幸存者，倒推出“成功法则”
你看到的成功公司是被筛过的样本，和它们做法相同但死掉的公司看不到。从幸存者身上总结规律，很容易把运气和环境当成能力。
以为演化会替你思考
“多试，让市场决定”听起来很科学，但小团队的试错次数和现金都有限，盲目变异的代价可能是公司本身。自然选择可以等几万代，你等不了；所以要先用推理把明显不行的方案排除，再把有限的试错留给真正不确定的地方。
选错了裁判
筛选标准就是你最终会得到的东西。用点击率筛，可能留下标题党；用基准分筛，可能留下擅长刷榜的模型。选择指标之前，先确认它和你真正想要的结果是同一件事。
06检查清单
下次做相关决策前逐条过一遍。勾选只保存在你的浏览器里。
08来源
- 1
- 2
- 3
- 4
- 5
- 6
- 7