人工智能与ROI的真相：人工智能真的能实现吗
现如今，企业组织比以往任何时候都更加信任和投资人工智能(AI)和机器学习(ML)的潜力。根据2022年IBM全球人工智能采用指数，35%的企业报告称目前在其业务中使用人工智能，另有42%的公司表示他们正在探索人工智能。与此同时，麦肯锡的一项调查发现，56%的受访者表示，他们在2021年至少在一项职能中采用了人工智能，高于2020年的50%。但是，对人工智能的投资能带来直接影响企业底线的真实ROI吗?根据DominoDataLab最近的REVElate调查，该调查对5月份纽约市Rev3会议的与会者进行了调查，许多受访者似乎都这么认为。事实上，近一半的人预计数据科学会带来两位数的增长。近五分之四的受访者(79%)表示，数据科学、机器学习和人工智能对其公司未来的整体增长至关重要，36%的受访者称其为最关键的因素。当然，实施人工智能并非易事。其他调查数据显示了坚定信心的另一面。例如，人工智能工程公司CognitiveScale最近的调查数据发现，尽管高管们知道，数据质量和部署是推动数字化转型的成功应用开发的关键成功因素，但超过76%的高管不确定如何在12-18个月的时间内实现目标。此外，32%的高管表示，人工智能系统投入生产所花的时间比预期要长。人工智能必须负责CognitiveScale的首席执行官鲍勃·皮恰诺告诉媒体，人工智能带来的ROI是可能的，但必须根据业务目标对其进行准确描述和个性化。他说:“如果业务目标是利用历史数据进行更长期的预测，并提高预测精度，那么人工智能就可以发挥作用。”“但人工智能必须负责任地推动业务效率——ML模型的准确率达98%是不够的。”相反，投资回报率可能是，例如，为了提高呼叫中心的效率，人工智能驱动的功能可确保减少平均呼叫处理时间。“这种投资回报率是他们在最高管理层谈论的内容，”他解释道。“他们不会谈论模型是否准确、稳健或漂移。”CognitiveScale的联合创始人兼首席运营官ShaySabhikhi补充说，76%的受访者表示难以扩大他们在人工智能方面的投入，他对此并不感到惊讶。“这正是我们从企业客户那里听到的，”他说。他解释说，其中一个问题是数据科学团队和其他不知道如何处理他们开发的模型的组织之间的摩擦。他说:“这些模型可能有最好的算法和精确召回率，但却被束之高阁，因为它们实际上被扔给了开发团队，然后他们不得不匆忙地把应用组装起来。”然而，在这一点上，组织必须对他们在人工智能方面的投资负责，因为人工智能不再是一系列科学实验，Picciano指出。“我们称之为从实验室走向生活，”他说。“我参加了一个首席数据分析官会议，他们都在问，我该如何扩大规模?如何实现人工智能产业化?”投资回报率是人工智能的正确指标吗?然而，并不是所有人都同意ROI是衡量AI是否在组织中驱动价值的最佳方法。安永(EY)全球首席技术官尼古拉•莫里尼•比安齐诺(NicolaMoriniBianzino)表示，用“用例”来衡量人工智能和企业，然后通过ROI来衡量，这是对待人工智能的错误方式。“对我来说，人工智能是一套技术，几乎可以在企业的任何地方部署——不会将用例与相关的ROI分析隔离开来，”他说。相反，他解释说，组织机构只需要在任何地方使用人工智能。“这几乎就像云计算一样，两三年前，我与客户进行了很多对话，他们问，‘ROI是什么?我迁移到云计算的商业案例是什么?现在，大流行之后，这种对话不再发生了。每个人都说，‘我必须这么做。’”此外，Bianzino指出，讨论AI和ROI取决于你所说的“使用AI”。他说:“假设你试图应用一些自动驾驶能力——也就是说，计算机视觉是人工智能的一个分支。”“这是一个商业案例吗?不，因为没有人工智能就无法实现自动驾驶。”安永(EY)这样的公司也是如此，它吸收大量数据并向客户提供建议——这离不开人工智能。他说:“这是你无法从过程中分离出来的东西——它是内在的。”此外，根据定义，人工智能在第一天就没有生产力或效率。获取数据、训练模型、发展模型和扩大模型都需要时间。他说:“并不是有一天你可以说，我完成了人工智能，100%的价值就在那里——不，这是一种持续的能力，随着时间的推移会变得更好。”“就能够产生的价值而言，并没有真正的终点。”Bianzino说，在某种程度上，人工智能正在成为商业成本的一部分。“如果你从事的是一个涉及数据分析的行业，你不可能不具备人工智能能力，”他解释说。“你能把这些模型的商业案例分离出来吗?这很难，我认为没有必要。对我来说，这几乎是运营企业的基础设施成本。”人工智能的投资回报率难以衡量企业MLops提供商DominoDataLab的数据科学战略和宣传负责人KjellCarlsson说，归根结底，企业想要的是衡量ROI的商业影响——它的贡献有多大。但有一个问题是，这可能与开发模型所做的工作完全脱节。他说:“因此，如果你创造一个模式，将点击率提高一个百分点，你就等于为企业增加了数百万美元的利润。”“但你也可以创建一个良好的预测性维修模型，帮助在需要维修的机器发生之前提前发出警告。”在这种情况下，金钱价值对组织的影响可能完全不同，“即使其中一个可能最终成为一个更困难的问题，”他补充说。总的来说，组织确实需要一个“平衡计分卡”来跟踪AI的生产。他说:“因为如果你没有将任何东西投入生产，那么这可能表明你遇到了问题，”他说。“另一方面，如果你在生产中投入过多，这也可能表明存在问题。”例如，数据科学团队部署的模型越多，他们需要管理和维护的模型就越多。“所以你在去年部署了这么多模型，所以你实际上无法承担这些其他高价值的模型，”他解释道。但衡量AI投资回报率的另一个问题是，对于许多数据科学项目来说，结果并不是一个投入生产的模型。“如果你想对去年的交易进行定量的盈亏分析，你可能需要对此进行严格的统计调查，”他说。“但没有一个模型可以投入生产，你是在利用人工智能来获得你在这个过程中获得的见解。”必须跟踪数据科学活动尽管如此，如果不跟踪数据科学活动，组织就无法衡量人工智能的作用。“目前的一个问题是，真正收集和分析的数据科学活动很少，”Carlsson说。“如果你问人们，他们会说他们真的不知道模型的性能如何，或者他们有多少项目，或者你的数据科学家在上周完成了多少CodeCommits。”其中一个原因是数据科学家需要使用非常不相关的工具。“这就是为什么Git作为存储库越来越受欢迎的原因之一，它是组织中数据科学家的唯一真实来源，”他解释说。像DominoDataLab这样的MLops工具提供了支持这些不同工具的平台。他说:“各组织能够在多大程度上创建这些更加集中化的平台……这很重要。人工智能的结果是人们最关心的Wallaroo首席执行官兼创始人VidJain曾在美林从事近十年的高频交易业务，他表示，在美林，他的职责是大规模部署机器学习，并以积极的ROI实现这一目标。真正的挑战并不是发展数据科学、清理数据或构建交易存储库(现在称为数据湖)。他说，到目前为止，最大的挑战是采用这些模型，将它们运作起来，并交付业务价值。他说:“实现投资回报率是非常困难的——90%的人工智能项目都没有产生投资回报率，或者它们产生的投资回报率不足以让投资物有所值。”“但这是每个人的首要想法。答案不是一回事。”他解释说，一个根本问题是，许多人认为，对机器学习进行操作与对一种标准应用进行操作没有太大区别。他补充说，这两者有很大区别，因为人工智能不是静态的。他说:“这几乎就像照料一个农场，因为数据是活的，数据会变化，而你还没有完成。”“这不像你建立了一个推荐算法，然后人们的购买行为就会被及时冻结。人们改变了他们的购买方式。突然间，你的竞争对手进行了促销活动。消费者停止向你购买东西。他们转向了竞争对手。你必须经常去维护它。”最终，每个组织都需要决定如何将自己的文化与实现AI的最终目标相结合。他说:“然后你真的必须授权给人们来推动这种转变，然后让那些对你现有业务线至关重要的人感到他们将从人工智能中获得一些价值。”他补充说，大多数公司还处于起步阶段。“我认为大多数公司还没有做到这一点，但在过去6到9个月里，我肯定看到了一种转变，人们开始认真对待业务结果和业务价值。”人工智能的ROI仍然难以捉摸但是，对于许多组织来说，如何衡量人工智能的ROI仍然是一个难以捉摸的问题。“对一些公司来说，有一些基本的问题，比如他们甚至无法将他们的模型投入生产，或者他们可以，但他们是盲目的，或者他们成功了，但现在他们想要扩大规模，”Jain说。“但就投资回报率而言，机器学习往往没有相关的损益。”他解释说，AI计划通常是卓越中心的一部分，ROI由业务部门掌握，而在其他情况下，它很难衡量。“问题是，人工智能是业务的一部分吗?还是一种效用?如果你是数字原生代，人工智能可能是业务运行燃料的一部分，”他说。“但在一个拥有传统业务或正在转型的大型组织中，如何衡量投资回报率是他们必须解决的一个基本问题。”人工智能技术的主要应用及基本原理
1：什么是人工智能？
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学，是认知、决策、反馈的过程。人工智主能它是用来研究使计算机来模拟人的某些思维过程和智能行为（如学习，推理，思考，规划等）的学科，主要包括计算机实现智能的原理，制造类似的人脑智能的计算机，使计算机能实现更高层次的应用。
2：人工智能的研究价值
列如繁重的科学和工程计算本来是要人脑来承担的，如今计算机不但能完成这种计算，而且能比人脑做得更好、更快、更准确，因此当代人不再把这种计算看作是“需要人工智能才能完成的复杂任务”，可见复杂工作的定义是随着时代的发展和技术的进步而变化的，人工智能这门学科的具体目标自然也是随着时代的变化而发展的。它一方面不断获得新的发展，另一方面又转向更有意义的，更加困难的目标。
3：人工智能的细分领域有哪些？
人工智能技术应用的细分领域：深度学习、计算机视觉、智能机器人、虚拟个人助理、自然语言处理—语音识别
真正的人工智能能实现吗
ElonMuskfamouslywarnedthat“withartificialintelligence(AI),wearesummoningthedemon.”HefearedthatAImightsuddenlyspinoutofcontrolandputsocietyatrisk.Ironically,AImustsucceedifMuskistodeliveronhispromiseofself-drivingautonomouscarsthatcannavigatethroughbadweather,poorlymarkedroads,andnovelemergencysituations.
埃隆·马斯克(ElonMusk)著名地警告说：“借助人工智能(AI)，我们正在召唤恶魔。”他担心AI可能会突然失控并给社会带来风险。具有讽刺意味的是，如果Musk兑现其自动驾驶自动驾驶汽车的承诺，那么人工智能必须成功，自动驾驶汽车可以在恶劣的天气，路况不佳的道路和新颖的紧急情况下行驶。
Inthepasttwodecades,AIhasmadegreatstrides.Computerscannowhandilybeathumanchessmasters,aswellasworldchampionsattheancientgameofGo.TwoAImethodsinparticular—reinforcementlearning(RL)andagent-basedmodeling(ABM)—haveprovenespeciallypromising.RLisanapproachbywhichanagent(e.g.,agameplayer)triestomaximizeitstotalrewardforpositivestepstowardagoal,suchaswinningagame.Theagentinteractswiththeenvironment(piecesonthegameboard)bytakingactions(movingthepieces),afterwhichthenewstateoftheenvironmentisassessed.
在过去的二十年中，人工智能取得了长足的进步。现在，计算机可以轻松击败人类的国际象棋大师，以及古老的围棋比赛的世界冠军。事实证明，特别是两种AI方法-强化学习(RL)和基于代理的建模(ABM)-很有前途。RL是一种方法，通过这种方法，代理(例如，游戏玩家)会设法最大化其总奖励，以实现朝着目标迈出的积极步伐，例如赢得一场比赛。代理通过采取行动(移动棋子)与环境(棋盘上的棋子)进行交互，然后评估新的环境状态。
Tosucceed,RLmustmakesimplifyingassumptions.Theagentperformsbestwhentheenvironment(gameboard)isfullyobservable,whichisnotrealisticintherealworld.RLalsoassumesthatthestateoftheenvironmentandactionstakenbytheagentareindependentofallpreviousstatesandactions,theso-calledMarkovrule.Thatseemsfineforgameenvironments,but,again,unrealisticwhennavigatingacomplexanduncertainrealworld.
为了取得成功，RL必须做出简化的假设。当可以完全观察到环境(游戏板)时，该代理的性能最佳，这在现实世界中是不现实的。RL还假设环境的状态和代理所采取的措施独立于所有先前的状态和措施，即所谓的马尔可夫规则。对于游戏环境来说，这似乎很好，但是在复杂而不确定的现实世界中浏览时，这又是不现实的。
WhileRL-poweredAIcandefeathumansatchessandGo,itstrugglesinsituationswhenmorethanahandfulofagentsareinvolvedinatask.Forthatreason,self-drivingcarscan’tyetnavigateanybutthemosthighlystructuredofenvironments,suchasthewell-markedhighwaysofsunnyPhoenix,Arizona.
尽管以RL为动力的AI可以在国际象棋和围棋中击败人类，但在有少数特工参与任务的情况下，它仍然很挣扎。因此，除了高度结构化的环境外，自动驾驶汽车无法导航，例如亚利桑那州阳光明媚的凤凰路标清晰的高速公路。
CurrentAIlackscommonsense,asNYUpsychologistGaryMarcusisfondofpointingout.Butit’snotforlackoftrying.ComputerscientistDouglasLenatspent35yearstryingtoformalizetherulesofcommonsense,onlytodeliverabrittleandcomplexcuriositycalledCYCthathaslargelybeenignored.
纽约大学心理学家加里·马库斯(GaryMarcus)喜欢指出，当前的人工智能缺乏常识。但这不是因为缺乏尝试。计算机科学家道格拉斯·莱纳特(DouglasLenat)花了35年的时间来试图规范常识规则，只是为了传达一种被称为CYC的脆弱而复杂的好奇心，而这种好奇心在很大程度上被忽略了。
TrueAI—alsoknownasArtificialGeneralIntelligence(AGI)—mustbeabletonavigatetheworldandcarryonconvincingconversations,arequirementknownastheTuringtest.Conversationsrequiresharedassumptions,memories,interestsandvaluesbetweentheparticipants.Aswespeak,wedevelopatheoryofmind(TOM)ofwhattheotherpersonknowsandthinks.Conversationshavegoalsandagendas:topersuade,toattract,tobefriend,tobeunderstood,tocompliment,togainapproval,tocriticize,andsometimestomanipulatetheother’sfeelingsandemotions.
真正的AI(也称为人工智能(AGI))必须能够导航世界并进行令人信服的对话，这就是所谓的图灵测试。对话需要参与者之间共享假设，记忆，兴趣和价值观。当我们说话时，我们会发展一个关于他人所知道和所想的思想理论(TOM)。对话具有目标和议程：说服，吸引，结识，理解，称赞，获得认可，批评，有时还操纵他人的感情和情感。
InthemovieExMachina,arobotnamedAvamanipulatedtheemotionsofahumannamedCalebinordertoescapehercaptivity.That’stheessenceofintelligence.Throughdeception,shecraftedherconversationtoachievemaximumeffect,withthegoaloffreedominmind.
在电影《前机械人》中，一个名叫Ava的机器人操纵了一个名叫Caleb的人的情绪，以逃脱她的囚禁。这就是智慧的本质。通过欺骗，她精心设计了对话，以实现最大的效果，并牢记自由的目标。
Humansareoneofthebestexampleswehaveoftrueintelligence.OnthejourneytotrueAI,itmakessensetoemulatehumanthinkingfirst.What,then,happensinthehumanmindtomakeusintelligent?
人类是我们拥有真正智慧的最好例子之一。在走向真正的AI的过程中，首先模仿人类的思维是有意义的。那么，在人类的思想中发生了什么使我们变得聪明呢？
Inthe18thcentury,BishopGeorgeBerkeleyproposedthateverythingwethinkaboutmustfirstberepresentedinthemindasanidea.Ithinkthat’sbasicallyright.(Berkeleyalsosaidthatnoobjectactuallyexistsinrealitywithoutfirstbeingperceived,whichis,admittedly,rathersilly.I’llspareyouKant’sreply.)
在18世纪，主教乔治·伯克利(GeorgeBerkeley)提出，我们考虑的所有事物必须首先在思想中体现为一种思想。我认为基本上是对的。(伯克利还说，在没有被首先感知的情况下，实际上没有对象存在于现实中，这是很愚蠢的。我将不肯康德的答复。)
Sowhataretheseideas?PsychologistsSusanCareyandAnnaWierzbickahavewrittenextensivelyontherulesandconceptsthatcometousnaturally,aspartofourcommonsense.Forexample,wehaveanaturalunderstandingofspace,time,causality,universalgrammarsandsemanticprimitives,andanintuitivegraspoftheintentionsofotherpeople,includingbadactors.
那么这些想法是什么？心理学家苏珊·凯里(SusanCarey)和安娜·维兹比卡(AnnaWierzbicka)广泛写了自然而然的规则和概念，这是我们常识的一部分。例如，我们对空间，时间，因果关系，通用语法和语义原语有自然的了解，并且对包括坏演员在内的其他人的意图有直观的了解。
Oursensesarespecialinputanalyzersthatconverttheenvironmentintoideas,ormentalrepresentations(MRs),forthemindtoconsider.Theminddoesn’texperiencetheenvironmentdirectly.Wecan’tponderrealityinitsrawform.WethinkaboutMRs.
我们的感官是特殊的输入分析器，可将环境转换为思想以供考虑的思想或心理表征(MR)。头脑不会直接体验环境。我们不能以原始形式思考现实。我们考虑MR。
Inthemind,MRstakeonalifeoftheirown.Theyexistindependentlyfrom,yethighlysynchronizedwith—viathesenses—theircorrespondingobjectsinreality.Themindisaparalleluniverse,agrandsimulationofreality,ifyouwill.(PsychologistLawrenceBarsaloucallsit“understandingassimulation.”)
在头脑中，MR拥有自己的生活。它们独立存在，但通过感官与现实中的相应对象高度同步。头脑是一个平行的宇宙，如果可以的话，是对现实的宏伟模拟。(心理学家LawrenceBarsalou称其为“理解为模拟”。)
Everyobjectyousee,everypersonyoumeet,everyplanyoumake,isrepresentedbyafull-time,always-running,agent-basedMRinthemind.OnecanimaginechattyneuronsinthebrainpassingpartialMRmessagesbackandforth,makingshort-livedlocalcopiesthatexpireandareconstantlyrefreshed(unlesscommittedtolong-termmemory).Inthissense,neuronsaresimplynodesinavastcomputenetwork.
您所看到的每个对象，您遇到的每个人，您制定的每个计划，都由头脑中始终存在，始终在运行的基于代理的MR代表。可以想象大脑中的健谈神经元来回传递部分MR信息，从而使短暂的局部副本失效并不断刷新(除非致力于长期记忆)。从这个意义上说，神经元只是庞大的计算网络中的节点。
HowmightMRswork?Imagineyou’redrivinginyourcarandyoustopatatrafficlight.Thenthelightturnsgreen.Younoticesomeonenearthecrosswalk,pushingababycarriageandtalkingonacellphone,notpayingmuchattention.
MR如何工作？想象一下，您正在开车时停在交通信号灯旁。然后指示灯变成绿色。您会注意到有人行横道附近有人推婴儿车并用手机通话，没有引起太多注意。
Torepresentthisperson,anMRcalledobject-39(orsomeotheruniquename)isspawnedinyourmind.(Thisisspeculation,ofcourse,asnoonereallyknowshowthemindworks.)
为了代表此人，您脑中产生了一个称为object-39(或其他唯一名称)的MR。(当然，这是推测，因为没有人真正知道头脑是如何工作的。)
[object-39organic:truewhat-39composition-86whyhow-45when-62where-22howmany-98attention-65source-26expiration:]
[object-39Organic：真实的What-39Composition-86Whyhow-45when-62where-22howmany-98注意-65Source-26到期时间：]
EachattributeofanMRisitselfanMR,withauniquenameandanarbitrarilycomplexhierarchyofdetailbehindit.Above,theMR(object-39)representingthepersonhasattributeslikespace(where-22),time(when-62)andcausality(whyhow-45).It’scomposed(composition-86)ofsub-objects(babycarriage,cellphone).Thesource(source-26)describes“howyoulearnedabout”object-39,eitherdirectlyviayoursenses,orthroughgossiporconversation(“Suetoldmeaboutthepersonnearthecrosswalk”)alongwithyourlevelofconfidenceinthesource.Otherattributesmayincludetheassumedfocusofobject-39’sattention.
MR的每个属性本身就是MR，其背后具有唯一的名称和任意复杂的详细信息层次结构。在上方，代表人的MR(对象39)具有诸如空间(where-22)，时间(when-62)和因果关系(whyhow-45)之类的属性。它由子对象(婴儿车，手机)组成(组成86)。来源(来源26)直接通过您的感官，八卦或谈话(“苏告诉我关于人行横道的人”)描述了“您如何了解”对象39，以及您对对象39的信心水平。资源。其他属性可能包括假定对象39的注意力集中。
[where-22nearby][howmany-98one][composition-86object-98object-21][source-26object-76confidence:43%][attentionobject-98]
[附近的where-22][howmany-98一个][composition-86object-98object-21][source-26object-76置信度：43％][注意object-98]
NamedMRsallowustorefertoimaginaryobjectsorplansthatdon’tyetexist,default“latebinding”placeholderstobeconfirmedlater(e.g.“Iwonderifit’saboyorgirl,assumingthereisababyinthecarriage”or“What’smyplantoavoidtrouble?”).
具名的MR允许我们引用尚不存在的虚构对象或计划，默认的“后期绑定”占位符待稍后确认(例如“我想知道是男孩还是女孩，假设马车里有婴儿”)或“我打算如何避免麻烦？”)。
WemakeconstantpredictionsaboutMRsusingmentalruleagents,orRAs(myterm).RAsareautonomousandsingle-minded(sotospeak)algorithmsinthemind.Doesthepersonatthecrosswalk(object-39)noticethatwehaveagreenlight?Willtheyignorethe“donotwalk”signandcrosstheroadanyway?Aretheydistractedbytheircellphone?Whataretheirintentions?I’dfeelguiltyifIhurtsomeone,evenifitwastheirfault.
我们会使用心理规则代理或RA(我的术语)对MR做出持续的预测。RA在头脑中是自治且专一的算法(可以说)。人行横道上的人(对象39)是否注意到我们有绿灯？他们会否忽略“请勿行走”的标志而横穿马路？他们会被手机分心吗？他们的意图是什么？如果我伤害了某人，即使是他们的错，我也会感到内。
AnRAmightlooksomethinglikethis:
RA可能看起来像这样：
{ruleagent-31foreachunlessdo:}
{ruleagent-31对于每个，除非这样做：}
AnRAsearchesforamatchingcontext(viaMRs)intheenvironment.Oncetriggered,itmaytakeanaction,spawnanewMR,createadependency,transferanMRtolong-termmemory,orestablishanewplanorgoal.RAsmakeconstantpredictionsaboutthefuturestateoftheenvironment,andtheylearnfrom,andsometimesregret,theirpredictionerrors.
RA在环境中搜索匹配的上下文(通过MR)。一旦触发，它可能会采取措施，产生新的MR，创建依赖关系，将MR转移到长期记忆或建立新的计划或目标。RA会对环境的未来状态做出持续的预测，他们会从其预测错误中学习，有时会后悔。
Senseperceptionsarepackagedinsuchaway(asMRs)thatRAscanactonthem.ButMRsexpirequicklywhennoRAsapply,toavoidneedlesslyfillingthemind’scachewithoutdatedfactsfromthesenses.WeonlyrememberthingsthatresonatewithourMRsandRAs.
感觉感知以某种方式(如MR)打包在一起，以使RA可以对它们起作用。但是，在没有RA的情况下，MR会很快过期，以避免不必要地用感觉中过时的事实填充大脑的缓存。我们只记得与我们的MR和RA共鸣的事物。
Resonanceisfeeling.TrueAIrequiresfeelingandemotion.FeelinghappenswhenthousandsofRAsinteractwithmillionsofMRs,manytimespersecond,inagreat,resonatingsimulationofreality—i.e.,themind,theparalleluniverse—whereindependent,autonomousRAscompete(andcooperate)tooptimizetheirownagendasandcarryouttheirplans.
共鸣就是感觉。真正的人工智能需要感觉和情感。当成千上万的RA与每秒数百万的MR互动数百万次时，在对现实(即思维，平行宇宙)的巨大，共鸣的模拟中，独立自主的RA竞争(并合作)优化自己的议程时，就会发生这种感觉并执行他们的计划。
We’reeachbornwithafixedandfinitesetoffeelings(emotions,drives,desires,motivations,passions,fears,obsessions)thatinclude:desiretoplease,hungerforfood,desireforsex,fearofhumiliation,greedforstatusandwealth,ambitionforpower,anxietyinsocialsettings,desiretopunish,andfearofdeath,amongothers.Feelingsareourprimalgoals.
我们每个人出生时都有一套固定的有限的感觉(情绪，动力，欲望，动机，激情，恐惧，成见)，包括：取悦欲望，对食物的渴望，对性的渴望，对屈辱的恐惧，对地位的贪婪以及财富，对权力的抱负，社交环境中的焦虑，惩罚的愿望和对死亡的恐惧等。感觉是我们的首要目标。
Ateenagermayexperienceanepiphanyoncesherecognizestheobjectofherfeelings(RAs).Whensheseesacrowdofpeoplestaringadmiringlyatacharismaticpolitician,shemaysuddenlyrealizethatshewantstoexperiencethosesameadoringeyesfocusedonherself.Here’stheRAforsuchambition:
青少年一旦认识到自己的感受对象(RA)，便可能会经历顿悟。当她看到一群人羡慕地凝视着一位有魅力的政治家时，她可能会突然意识到，她想体验那些同样专注于自己的崇拜之眼。这是这种抱负的RA：
{ruleagent-93ambition-level=random(100)ifexistscrowdANDattention-onself-65unlessambition-level