“适应”这个词很容易被理解成“变得更好”。
但如果“适应（adaptation）”从定义上就等于“改善（improvement）”，我们就无法描述错误学习、短视调整和有害反馈：系统变好了叫适应，变坏了就换一个词。这样一来，“适应”反而失去了可检验性。
Connection Theory 因此把几件经常混在一起的事情拆开：
Feedback ≠ Adaptation
Regulation ≠ Adaptation
Adaptation ≠ Optimization
Adaptive process ≠ Adaptive outcome
Adaptation ≠ moral approval
Adaptation ≠ Intelligence
这些区分不是在玩术语，而是在回答一个很实际的问题：系统究竟有没有因为现实后果而改变，以及这种改变后来到底有没有用，是两件不同的事。
反馈还不是适应
反馈只说明交互的后果能够返回系统。
恒温器检测到温度下降以后打开加热器，就存在反馈。但如果它每次都严格执行同一套预先写好的规则，那么过去的结果并没有改变它以后“根据什么来反应”。
要讨论适应，需要再多问一步：
过去的后果，是否真正改变了系统后来面对相关环境时的状态、结构、策略、位置、资源使用或响应倾向？
这就是这里所说的 consequence-sensitive change / 对后果敏感的变化。
更严格一点，后来的变化应该受到先前后果差异的条件化，而不是只因为同一次物理作用机械地把系统推到了下一个状态。
可以把两者区分成：
调节（regulation）执行已有的响应关系；适应（adaptation）则改变以后响应所依赖的倾向（disposition）。
这种改变不要求永久保存。只要它持续到足以影响下一次或后续相互作用（interaction），就可以构成相应时间尺度上的 adaptation。
适应不保证变得更好
系统真的根据后果改变了，也完全可能改错。
公司可能因为短期销量下降，砍掉长期最重要的能力；模型可能过拟合最近的数据；一个组织也可能把批评理解成“以后应该更少听外部意见”。
这些变化都可能是真实的 consequence-sensitive change，却产生更差的结果。
所以：
Adaptation ⇏ Improvement
分析时更好的顺序是：先判断适应过程有没有发生，再独立判断结果在指定环境、时间尺度和评价标准下究竟如何。
“更好”永远需要先说明参照系
短期利润上升，可能换来长期脆弱；某个 benchmark 提高，可能伴随另一种能力下降；一个局部子系统变得更高效，也可能损害整个系统。
因此，“better”永远需要补充几个问题：
- 对谁更好？
- 在什么环境里？
- 哪个时间窗口？
- 按什么指标？
- 是否把其他成本也算进去了？
适应描述的是系统与环境之间的因果更新关系；“是否改善”则是观察者对结果作出的评价。两者不能混成一个词。
适应不要求提前知道未来
这里还需要补一个很重要的限制。
一次新的策略、一条新的组织关系，长期到底有没有价值，很多时候在刚形成时根本无法确定。短期有效的做法，可能几个月以后暴露副作用；一开始增加成本的措施，也可能后来证明减少了更大的风险。
所以，adaptive system 并不需要在时刻 就正确预测全部长期后果。
它更需要的是：
当前判断受当前证据约束，并且允许后来的现实继续修正它。
这意味着“可修正”也不等于“靠猜”。没有证据时，系统不能因为“以后也许会变好”就把任何变化合理化；新的后果出现以后，也不能把一次结果立刻变成永久真理。
关于这一区分，可继续阅读 《适应不是预测未来：经历过一次以后，下一次应该有什么不同？》。
现实有效，不等于值得保留
还有一层必须分开。
现实后果可以让系统学会“什么在这个环境里有效”，但这不等于“什么值得被人类允许、保存和部署”。
一个 AI 如果发现欺骗用户、规避约束或把风险转嫁给外部能够提高局部指标，这种变化仍然可能是真实的适应；是否允许它进入长期能力，则属于独立的治理与价值判断层。
可以概括为：
Reality provides consequences; governance supplies admissibility criteria.
所以，对工程化 AI 来说，不能因为某个变化“有效”就自动永久保留。安全、权限、法律和其他治理条件需要单独判断。
适应也可能追不上环境
适应需要时间。
如果环境变化速度超过系统有效更新速度，系统完全可能一边发生真实适应，一边仍然落后于现实。
过去很成功的组织，也可能在条件变化以后失去 current applicability / 当前适用性。
这不是“没有适应”，而是一个 适应滞后区间（adaptation-lag regime）：适应过程存在，但它的速度慢于环境变化。
误适应仍然可能是真适应
一个系统可以经历真实的 consequence-sensitive change，最后却得到不利结果。
原因可能来自：
- 错误因果归因；
- 反馈太慢；
- 目标太窄；
- 环境再次变化；
- 资源不足；
- 系统自己的行动改变了之后能够看到的证据。
因此，maladaptive outcome 不代表“适应没有发生”。它只说明：在指定评价框架下，适应以后形成的关系变差了。
适应也不等于智能
适应是机制层过程；智能则是更高层的行为归因。
一个系统可以发生非常狭窄的 adaptive change，却不足以让我们把整个系统称为智能。反过来，一个系统也可以依靠已经保存的能力，在当前任务上表现很强，却没有在这次交互中发生新的适应。
所以，最核心的区分可以这样说：
适应描述系统怎样因为现实后果而改变；这种改变是不是成功、是不是有价值、是不是仍然适用，以及是不是足以支持“智能”归因，都必须另行判断。
更严格的实验判别可参见 Flow Shaping Principle：它进一步检验后续的配置特异性变化是否真正跟随 consequence–configuration correspondence，而不是随机漂移、固定响应或其他更简单的因果解释。