物理熵 vs 信息熵：从墨水扩散到 Hidalgo 的'结晶化想象力'，以及 AI 在 2026 年怎么动摇了它

回路 / The Loop — 提出有价值的问题，比直接获取答案更重要。

这个专题收集和整理我与 Gemini、ChatGPT、Claude 等 AI 的对话记录。每一篇对应一次完整的提问与回答过程。通过留存这些层层追问，还原日常思考的真实轨迹。

概要

这是一场围绕**熵（Entropy）**的纵深追问。起点是一个直觉死结——物理学家把熵看成坏事（结构瓦解），通讯工程师把熵看成好事（信息量大）——同一个数学对象，价值判断截然相反，怎么调和？

从这个矛盾出发，对话依次穿过：

数学统一：用 4 枚硬币模型把 Boltzmann（路德维希·玻尔兹曼，1844–1906，奥地利物理学家） 的 $S = k_B \ln W$ 和 Shannon（克劳德·香农，1916–2001，美国数学家、信息论之父） 的 $H = -\sum p \log p$ 推到同一个 $\log W$
直觉陷阱：为什么 111111 是低熵？同一个”均匀”，晶体的均匀（秩序）和气体的均匀（统计）是相反的两件事
墨水扩散与水/冰相变：经典模型实操一遍，把”封闭系统不等于低熵”和”局部熵减必有外部熵增”两个误区彻底拆掉
热力学三大定律：第一定律（账要做平）、第二定律（自发过程总熵不减）、第三定律（绝对零度无法达到），把”我们之前讨论的所有现象”挂回到这三条物理学基石上
Hidalgo 的经济学框架：César Hidalgo（塞萨尔·伊达尔戈，智利-西班牙-美国复杂性经济学家） 在《Why Information Grows》（2015）里把”信息=物理秩序”扩展到经济学，引入 Knowledge / Knowhow 二元论与 Personbyte（一个人能掌握技能的生理上限）
2026 年的反方视角：生成式 AI、具身智能、无形经济三组证据正在动摇 Hidalgo 的核心预设——“技能不可编码传输”是不是一个 2015 年限定的判断？

核心结论：

数学上熵就是 $\log W$ （可能性的数量），物理学和信息论描述的是同一件事——区别只是”价值判断”取决于你站在哪一侧（要维持秩序还是要消除无知）。
“宏观均匀”和”微观均匀”是两个相反的状态：晶体的均匀是秩序均匀（低熵），气体/混合溶液的均匀是统计均匀（高熵）。把两者混淆是大多数熵直觉错误的源头。
任何局部熵减都伴随更大的外部熵增——冰箱后面的热风、生命的代谢、组织的管理活动，都是这条物理学约束的不同形式。
Hidalgo 的”信息=物理秩序”框架在 2026 年被部分动摇：AI Copilot 让 Personbyte 不再是常数；视频到动作（Video-to-Action）的具身学习让”不可言说的厨艺”变成可下载的权重文件；无形经济让经济复杂性脱离了海关数据。

Q: 物理学家把熵看成坏事，通讯工程师把熵看成好事——这不是自相矛盾吗？

不矛盾，因为两边在数学上算的是同一个东西，只是各自的 KPI 不同。

物理学家的视角（玻尔兹曼）：关心的是秩序与控制。

低熵（有序）：硬盘存满整齐的照片和文档；房间收拾得井井有条；活体细胞维持着 DNA 的精确排列
高熵（无序）：硬盘里全是雪花点；房间一片狼藉；细胞死后开始腐烂
结论：高熵 = 结构瓦解 = 坏事

通讯工程师的视角（香农）：关心的是信道容量与描述长度。

低熵（可预测）：电话那头一直说”你好你好你好…”——虽然有序，但信息量为 0，传它是浪费带宽
高熵（不可预测）：那头给你一串随机的彩票号码——每一位都是”惊讶”，必须老老实实传输每一个比特，没法压缩
结论：高熵 = 不可预测 = 描述需要的字数最多 = 信息量最大

核心矛盾点

视角	看到 `8#kL2@z` 时的判断
直觉（物理）	“乱码没意义，所以没信息”
定义（香农）	“乱码最难描述，所以信息量最多”

这两个判断的”信息”指向完全不同的东西：直觉指的是”有意义的内容”（与目的相关），香农指的是”消除不确定性所需的比特数”（与编码相关）。两者各自合理，只是不能混着用。

类比：维纳（Norbert Wiener，诺伯特·维纳，1894–1964，美国数学家、控制论之父）和香农几乎同时研究信息论，他们在概念偏好上选择了相反的方向——维纳关心生物在混乱中维持结构的能力，把信息看作秩序、是熵的反面（“负熵 / Negentropy”）；香农关心信道传输容量，把信息看作不确定性本身。两人在数学上殊途同归，但立场相反，这就是后来”信息”一词时常被混淆的历史源头。

Q: 用数学公式给初学者讲一遍，物理学的熵和信息学的熵到底怎么殊途同归？

最经典的演示是4 枚硬币模型。每枚硬币正反两面（H/T），桌上摆 4 个位置。

状态 A：绝对整齐（晶体状态）

宏观描述：“全部正面朝上”。具体样子：H H H H。

微观状态数 $W = 1$ （只有这一种摆法）

状态 B：完全随机（气体状态）

宏观描述：“随便乱扔”。具体样子可能是 H H T H、T H T H……

微观状态数 $W = 2^4 = 16$ （每枚硬币 2 种可能，4 枚独立）

物理学视角：玻尔兹曼公式 $S = k_B \ln W$

注：物理学使用自然对数 $\ln$ （底数 $e$ ）， $k_B$ 是玻尔兹曼常数 $1.380649 \times 10^{-23}\,\text{J/K}$ 。

状态 A： $S = k_B \cdot \ln(1) = 0$ —— 熵为零，完美的秩序，没有任何微观自由度
状态 B： $S = k_B \cdot \ln(16)$ —— 熵最大，系统最混乱

信息学视角：香农公式 $H = -\sum p \log_2 p$

香农关心的是”我要把这个状态告诉你需要多少比特”。在完全随机时，每种情况出现的概率相等， $p = 1/W$ 。代入推一下：

H = -\sum p \log_2 p = -\sum \frac{1}{W} \log_2 \frac{1}{W} = -W \cdot \frac{1}{W} \cdot (-\log_2 W) = \log_2 W

香农公式在均匀分布下化简后也是 $\log W$ ，只是底数从 $e$ 换成 2。

状态 A： $H = \log_2(1) = 0$ 比特 —— 完全确定的事，不需要任何信息量来描述
状态 B： $H = \log_2(16) = 4$ 比特 —— 你需要问 4 个 Yes/No 问题才能确定状态（“第一枚是 H 吗？""第二枚是 H 吗？”……）

数学统一表

维度	物理学 ( $S = k_B \ln W$ )	信息学 ( $H = \log_2 W$ )
关注点	自由度（Freedom）	不确定度（Uncertainty）
$W$ 是什么	微观粒子的排列方式数	符号序列的可能性总数
低熵例子	晶体（ $W=1$ ），原子被锁死	复读机（ $W=1$ ），永远说同一句话
高熵例子	气体（ $W$ 极大），分子到处乱飞	乱码 / 压缩包（ $W$ 极大），下一位完全不可预测
本质含义	系统内部越乱，熵越高	描述系统所需字数越多，熵越高

$W$ （可能性的数量）是它们共同的灵魂：物理学用它度量混乱，信息学用它度量我们对系统的无知。

Q: `111111` 看起来很均匀，物理学不是说均匀就是熵最大吗？为什么它反而是低熵？

这是大多数人卡在”熵直觉”上的同一个坑——把两种完全不同的”均匀”混为一谈。

视觉上的均匀（Pattern Uniformity）→ 低熵

111111 这种”所有位置都一模一样”的均匀，对应的物理图像是晶体（Crystal）——比如钻石、冰。

特征：原子被氢键 / 共价键死死锁在固定的格子里，动弹不得
微观状态数 $W = 1$ （结构只有一种）
熵 $S$ 极低

统计上的均匀（Probability Uniformity）→ 高熵

物理学说的”均匀分布导致熵最大”，指的是概率分布的均匀，对应的物理图像是理想气体（Gas）。

特征：气体分子可以在房间任何角落，朝任何方向飞，每个微观位置出现的概率相等
微观状态数 $W$ 极大（任意分子都可以在任意位置）
熵 $S$ 极大

区分两种”均匀”的关键句

晶体的均匀 = “秩序的均匀”，靠强力约束维持，每个原子都被锁死。一旦解散，方阵就乱了
气体的均匀 = “混乱的均匀”，是分子乱跑到极致后呈现的统计平均——宏观看起来”哪里都差不多”，但每个分子的微观位置完全随机

直觉描述	物理对应	熵值	一句话区分
`111111`（视觉整齐）	晶体	极低	”大家被强制变成同一个值”（秩序均匀）
淡灰色的水（宏观均匀）	完全混合的溶液	极高	”大家可能是任何值，机会均等”（统计均匀）

热寂（Heat Death）是第二种均匀——宇宙最终所有粒子分布概率相等、温度处处相同，不是因为它们排成了方阵，而是因为它们乱到了极致。

Q: 用墨水滴入清水的例子来讲一遍这个过程？

这是教科书里讲熵增的标准模型，可以把物理学和信息论的熵在同一根时间轴上对齐。

第一幕：墨水刚滴进去（低熵）

场景：墨水还聚成一个黑色的圆点，悬浮在清水的中央。水是清的、墨是黑的，界限分明。

物理视角：墨水分子被禁锢在一个极小的区域内， $W$ （位置可能性）很小 → 低熵
信息视角：要拍照传给朋友，只需说”中心有个直径 1cm 的黑点，其余全透明”——几个比特就能描述完。因为有规律所以可以高度压缩 → 低熵

第二幕：扩散过程中（熵增）

场景：墨水开始像烟雾一样散开，出现了复杂的丝状纹理。

物理上：分子开始乱跑， $W$ 变大
信息上：描述变难，没法只说”中间有个点”，必须描绘每条丝状纹理。照片文件变大

第三幕：完全混合（高熵）

场景：整杯水变成均匀的淡灰色，墨水分子跑到了杯子的每一个角落。

物理视角：每个墨水分子都拥有了最大自由度（整个杯子的体积）， $W$ 达到天文数字 → 高熵
信息视角：这里有个陷阱——

宏观陷阱：你可能会说”描述很简单啊，就是’一杯淡灰色的水’。“——这是宏观的描述，忽略了细节。

微观真相：香农关心的是精确描述每一个分子的位置。第一幕你只要描述小球区域；现在你需要描述整个杯子里每一个分子的坐标。每个位置都是随机的、没有规律——信息量巨大 → 高熵

时间不能倒流的两种讲法

物理学（热力学第二定律）：墨水散开（熵增）后不可能自己聚回去，因为从”乱跑”变回”方阵”的概率几乎为 0
信息论（信息丢失）：当墨水散开后，我们丢失了关于”它原本在哪里”的信息——信息一旦变成随机噪音，就找不回来了

把”确定的位置信息”（Order）变成”随机的位置分布”（Noise/Entropy），就是熵增的本质。

Q: 那如果只看一杯液态水，它是高熵的；那部分水结成了冰，就是局部熵减了对吧？

对——这是把熵直觉用在相变上的一个干净案例。

液态水（Liquid）：高熵 = “拥挤的舞池”

宏观：看起来是一杯静止的水
微观：水分子像舞池里的人，挤在一起但每个人都在随机扭动、转圈、换位置
闭眼一秒再睁开——原来那个分子跑到哪儿去了？不知道。微观自由度大， $W$ 大
结论：液态水的熵很高

冰块（Ice）：低熵 = “固定的座位”

宏观：一块晶莹剔透的冰
微观：每个水分子被氢键锁在固定位置，只能在原地轻微振动（晶格振动）
闭眼一秒再睁开——原来那个分子在哪儿？还在原地！ $W$ 极小
结论：结冰是一个**熵减（Entropy Decrease）**过程

关键问题：为什么自然界讨厌熵减？

热力学第二定律说：封闭系统总是趋向熵增。水变成冰是违反这条天性的。

那为什么冰还能形成？因为水并不是一个完全的封闭系统。要让水结冰，必须把水里的热量抽走。那些热量去了哪里？被冰箱排到了厨房空气里，让外部环境的分子运动更剧烈、更乱。

总账：

\Delta S_{\text{水变有序}} + \Delta S_{\text{外部环境变乱}} > 0

局部（这杯水）：通过结冰实现了熵减
全局（杯水 + 外部环境）：总混乱度还是增加了

一句话总结：维持任何低熵状态——结冰、活着、写代码、管理团队——都需要向外排出更大的熵。这不是 metaphor，是热力学第一+第二定律的硬约束。

Q: 热力学第一、第二、第三定律分别是什么？跟我们之前讨论的话题怎么挂钩？

这三条定律是热力学的基石，前面讨论的所有熵问题都可以挂回到它们身上。

第一定律：能量守恒

标准陈述：系统内能的变化等于供给系统的热量减去系统对外界做的功。能量不能凭空产生，也不能凭空消失，只能从一种形式转化为另一种形式。

关联：水结冰时（熵减），从水里抽走的热量必须去某个地方——所以冰箱后面会吹热风。账目必须是平的。

第二定律：熵增定律

标准陈述：在一个自然的热力学过程中，相互作用的热力学系统的总熵永不减少。热量只能自发从高温流向低温。

关联：墨水扩散、水自然变温、活细胞最终腐烂——一切自发过程都遵循这一条
信息论的对应：信号传输中，噪音（熵）总是试图破坏信号；要对抗它必须消耗能量（纠错码、发射功率、冗余编码）
生命与组织的对应：活着、管理团队、维持公司都是逆熵的过程，都需要持续输入能量

第三定律：绝对零度时熵为零

标准陈述：当温度趋近于绝对零度（0 K，−273.15 ℃）时，一个完美晶体的熵趋近于一个常数（对大多数晶体而言，约等于零）。

关联：那个理想中的”完美 111111”只有在绝对零度才存在。但绝对零度永远达不到（只能无限接近）
现实意义：这意味着现实物理世界里没有绝对完美的静态存储——硬盘磁粉会热运动（比特翻转）、纸张会老化、记忆会衰减。要保存信息必须不断维护

三条定律的一句话剧本（“把水冻成冰”项目）

定律	角色	它说什么
第一定律	会计师	”想把水冻住？行，先把热量抽出来，但这笔热量必须排到别处去，账不能做假。“
第二定律	监工	”如果不插电（不做功），这杯水只会越来越乱，绝不会自己结冰。混乱才是常态。“
第三定律	追求完美者	”你想冻出一个完全无瑕、原子完全静止的完美晶体？别想了，绝对零度永远达不到。“

Q: César Hidalgo 的《Why Information Grows》怎么把”熵”扩展到经济学？

Hidalgo 的《Why Information Grows: The Evolution of Order, from Atoms to Economies》（2015 年，Basic Books 出版）直接把熵的物理学定义嫁接到了经济学上。他的核心论断：经济增长本质上是”信息（物理秩序）“在物理与社会系统中的累积。

信息 = 物理秩序

Hidalgo 拒绝了”信息只是消息或数据”的日常用法，把信息严格定义为抵抗热力学第二定律的物理秩序。

一辆完整的布加迪和它被撞毁后的废铁堆——重量没变、原子数没变，但价值差出几个数量级。差在哪里？差在原子排列的秩序（信息） 被破坏了
所有产品（鞋子、手机、汽车、芯片）本质上都是**“固体化的信息”**——人类把脑子里的想象力，通过消耗能量，刻录到物质世界里

Knowledge vs Knowhow：可编码 vs 不可编码

Hidalgo 把人类认知能力分成两类，区分依据是可编码性（Codifiability）和转移成本：

分类	定义	特性	经济学隐喻
Knowledge（知识）	对实体之间关联的认知（如”吸烟导致癌症”）	显性，可被编码记录在书本/数据库	算法 / 脚本，传输成本低
Knowhow（技能 / 诀窍）	执行行动的能力（如打高尔夫、外科手术、管理团队）	隐性 / 默会知识，必须依附于人的神经系统	计算能力，传输成本极高

知识像菜谱——可以瞬间复制传播
Knowhow 像厨艺——看一百遍菜谱也炒不好菜，“切菜的手感、火候的把握”必须长期练习与人传人

Personbyte：单个大脑的容量上限

Personbyte 是 Hidalgo 提出的概念：一个人能掌握 Knowhow 的生理上限
制造复杂产品（如波音飞机）所需的信息量远超 1 Personbyte
因此人类必须组建网络——团队、公司、城市——把分散在不同大脑中的 Knowhow 拼图组合起来

解释贫富差距的核心机制

Hidalgo 的结论：世界的贫富差距不在于资本或原材料的多少，而在于该地区网络中累积 Knowhow 的能力。

知识容易扩散（互联网时代尤其如此）
Knowhow 难以传输——它必须通过长期的体验式学习和复杂网络的构建积累

这解释了一个反直觉现象：为什么有些国家有钱、有原材料、甚至有顶尖学者，但就是搞不起来高端制造业——因为高端制造背后需要的 Knowhow 网络，几十年甚至上百年才能在一座城市里养出来。

Q: 站在 2026 年回看这本 2015 年的书，哪些核心论点开始动摇了？

Hidalgo 用物理学硬核视角解释了”硅谷不能被搬运”，但 2026 年的 AI 与无形经济，正在动摇他的几个关键预设。

反驳一：Personbyte 的上限被打破了

原论点：人类大脑的处理能力有生理极限（1 Personbyte）。一个人学不完造飞机的所有事，所以经济增长只能依赖人与人的连接。

2026 年的反方：AI 正在成为人类的”外挂大脑”，Personbyte 不再是常数，而是变量。

一个初级程序员配合 AI Coding Agent，可以在几分钟内写出以前需要整个团队的复杂系统
一个全科医生配合 AI 诊断系统，可以拥有甚至超越顶级专家的知识库
“超级个体”（一人公司创造巨大经济价值）的出现，直接挑战”复杂产品必须依赖庞大人类组织”的假设

Hidalgo 认为只能通过增加”人与人的连接”处理更复杂的信息——但现在我们通过增加”人与 AI 的连接”，让单体处理能力呈指数级上升。

反驳二：Knowhow 真的无法编码传输吗？

原论点：Knowhow 是隐性的、肌肉记忆的，必须手把手教。这是技术扩散慢、贫富差距持续的根源。

2026 年的反方：多模态 AI 正在把”隐性技能”强行转化为”显性知识”。

具身智能（Embodied AI）：2025–2026 年的人形机器人不再需要写代码教它怎么拿杯子，而是直接通过观看人类操作视频学习（Video-to-Action）
技能数字化：以前”切菜的手感”是不可言说的，但现在传感器数据 + 神经网络可以把这种”手感”编码成一组参数
曾经被认为粘性极高、无法流动的 Knowhow，正在被 AI 解码为可以瞬间复制的权重文件

如果”厨艺”可以被下载到机器人身上，或者通过 AR 眼镜实时指导新手，那 Hidalgo 说的”Knowhow 传输壁垒”将大幅降低，后发地区的追赶速度可能远超 2015 年的预测。

反驳三：物理秩序 vs 虚拟秩序（“原子偏见”）

原论点：经济复杂性主要通过出口的实体商品（海关数据）来衡量。汽车、芯片、化学品是复杂性的代表。

2026 年的反方：物理这一侧的”秩序”在贬值，纯数字 / 虚拟的”秩序”才是增长引擎。

全球市值最高的公司可能不再是制造复杂物理产品的公司，而是提供算力、算法、虚拟体验的公司
SaaS、数字 IP、API 经济、AI 模型权重——这些没有物理实体，不经过海关，但在创造巨大的 GDP
Hidalgo 的经济复杂性指数（ECI） 严重依赖贸易数据，可能严重低估了”比特世界”的价值

Haskel & Westlake 的《Capitalism Without Capital: The Rise of the Intangible Economy》（2017）在这一点上提供了直接的补充——他们论证现代经济价值的主要来源已经从有形资产（机器、厂房、设备）转向无形资产（软件、研发、品牌、组织流程、知识产权），并提出”4S 框架”分析无形资产的特性：

Scalability（可扩展性）：非竞争性，几乎零边际成本即可全球部署
Sunkenness（沉没性）：高昂的预先投入，失败后难以回收
Spillovers（外溢性）：知识容易被竞争对手模仿
Synergies（协同性）：与其他无形资产组合产生超线性价值

反驳四：技术决定论忽略了制度

原论点：Hidalgo 倾向于用物理学解释一切——只要有足够的 Knowhow 网络，经济就能增长。

反方：没有好的”社会协议”（制度），物理网络会瞬间崩塌。

某些国家拥有极高素质的工程师和复杂工业基础，但因战争、腐败或错误政策，经济迅速崩溃
Daron Acemoglu（达龙·阿西莫格鲁，土耳其裔美国经济学家，2024 年诺贝尔经济学奖得主） 与 James Robinson 在《Why Nations Fail》（2012）里提出 inclusive vs extractive institutions 的二分：包容性制度（保障产权、政治参与）激励创新，汲取性制度（精英攫取）即使有技术也会停滞

Hidalgo 强调”能力（Capability）“，但忽略了”激励（Incentive）“——物理学视角很难解释”信心”和”法治”对熵增的抵抗作用。

Q: 对应的”反方”或”补充方”书籍有哪些？

1. 挑战”物理决定论”

《Why Nations Fail》 by Daron Acemoglu & James Robinson（2012）—— 制度（政治和法律框架）是根本，技术和地理只是表象。Hidalgo 讲”怎么做（How）“，Acemoglu 讲”愿不愿意做（Why）“

2. 挑战”实体偏见”

《Capitalism Without Capital: The Rise of the Intangible Economy》 by Jonathan Haskel & Stian Westlake（2017）—— 现代经济增长的主要来源已经从厂房和机器转向品牌、软件、算法和设计。直接补充了 Hidalgo 缺失的”非物理”那一半拼图

3. 挑战”技能不可传输”

《The Coming Wave》 by Mustafa Suleyman & Michael Bhaskar（2023）—— Mustafa Suleyman（穆斯塔法·苏莱曼，DeepMind 联合创始人，现任微软 AI CEO） 详细描述了 AI 和合成生物学如何降低”创造”的门槛，提供了 AI 打破 Hidalgo Knowhow 壁垒的最新证据

4. 挑战”复杂即好”

《Antifragile》 by Nassim Nicholas Taleb（2012）—— Hidalgo 认为复杂性是好的（代表高 Knowhow 网络），但 Taleb 警告：过度复杂的系统往往是脆弱的，复杂的全球供应链和金融网络隐藏着毁灭性风险（黑天鹅）

一个延伸思考：作为管理者 vs 作为 AI 探索者，你需要的熵是相反的

把熵的两种价值判断套回到日常工作上，会得到一个有意思的”双重身份”洞察：

作为管理者（物理熵视角）：你希望团队流程是低熵的。SOP（标准作业程序）、OKR、代码风格规范、部署流水线，都是为了减少不可预测性、确保动作不变形。熵增 = 团队失控
作为 AI 探索者（信息熵视角）：你希望 LLM 的产出是适度高熵的。Temperature 调到 0，模型只会重复概率最高的词（低熵、无聊、缺乏创意）；调高 Temperature 引入随机性（高熵），才能涌现出”创造力”

真正的智能不在两个极端——既不是绝对的有序（死板），也不是绝对的无序（噪音），而是在二者之间找到**“混沌边缘”（Edge of Chaos）** ：既有足够的结构来承载意义，又有足够的熵来容纳变化。

这条原则同样适用于：

写文章（结构 vs 创意）
训练模型（拟合 vs 泛化）
做产品（流程化 vs 探索）
经济发展（制度稳定 vs 创新空间）

参考资料

物理学与信息论基础

Boltzmann’s entropy formula S = k_B ln W —— 1877 年由 Ludwig Boltzmann 提出，1900 年左右由 Max Planck 完善并以 $k_B$ （Boltzmann 常数）命名
Shannon, C. E. (1948). “A Mathematical Theory of Communication.” Bell System Technical Journal —— 信息熵公式 $H = -\sum p \log p$ 的奠基论文
Wiener, N. (1948). Cybernetics: Or Control and Communication in the Animal and the Machine —— 控制论奠基作，把”信息 = 负熵”作为核心立场
热力学三大定律的标准物理学陈述（Wikipedia）

Hidalgo 框架及其反方

César Hidalgo (2015), Why Information Grows: The Evolution of Order, from Atoms to Economies, Basic Books —— 把”信息=物理秩序”扩展到经济学；Knowledge / Knowhow 二元论；Personbyte 概念
Daron Acemoglu & James Robinson (2012), Why Nations Fail: The Origins of Power, Prosperity, and Poverty, Crown Business —— 制度（inclusive vs extractive institutions）决定国家命运
Jonathan Haskel & Stian Westlake (2017), Capitalism Without Capital: The Rise of the Intangible Economy, Princeton University Press —— 4S 框架（Scalability / Sunkenness / Spillovers / Synergies）分析无形资产
Mustafa Suleyman & Michael Bhaskar (2023), The Coming Wave: Technology, Power, and the Twenty-first Century’s Greatest Dilemma, Crown —— AI 与合成生物学如何降低创造门槛
Nassim Nicholas Taleb (2012), Antifragile: Things That Gain from Disorder, Random House —— 反脆弱：在不确定性中受益的系统

互补阅读

Tim Harford 在 Financial Times 上对 Hidalgo 此书写过一篇推荐书评（标题大致为 “Teamwork gives us added personbyte”），是把”Personbyte”概念友好引入大众读者的常见出处之一