集體智能在行動

2004年秋末，麻省理工大學斯隆管理學院的準博士，雷姆萊克漢尼(Karim Lakhani)正和所有畢業生一樣，辛苦的準備畢業論文。“我發現，我再也不願意在論文上多花一分鐘時間了。”萊克漢尼回憶道。他分析了創新者是如何出現在開源軟體運動中的，但是4年後，他筋疲力盡了，是時候放個長假了。

“我停下了所有工作，閱讀尼爾斯蒂芬森(Neal Stephenson)的小説《巴洛克記》，”斯蒂芬森的三部曲是歐洲啟蒙時代的歷史小説，對萊克漢尼影響深遠。“全是關於皇家學會的建立，關於世界理性思維的曙光以及微積分的發明。”在萊克漢尼眼裏，《巴洛克記》是一本關於創新的故事體歷史。

一個段落尤其吸引了萊克漢尼的注意。斯蒂芬森的一本書裏寫了關於“經度獎金”的真實歷史。1714年，英國建立了一個委員會，懸賞2萬英鎊（大概相當於今天的1200萬美金），尋找一種方法，確定航船的經度——由於皇家海軍無法完成這件事，導致數量不明的艦艇和貨物丟失，造成嚴重的財政流失。“當時最頂尖的科學泰斗，包括牛頓在內，都試着研發這個裝置，但無人成功。”萊克漢尼説。

最後，一個儀表出現了，它的精度即使在航海的嚴酷環境下都不受影響，而它的發明者是一個文化程度不高的傢具工，來自英格蘭約克郡，名叫約翰哈裏森。

“我讀到這個後想，哈，這有點像開源。一些人把問題公布於眾，千奇百怪的陌生人聲稱他們有答案，這些答案總是出乎你的意料。”

經度獎金是已知的最早的例子，向盡可能多的人公布難題，懷着前途未卜的希望，也許在某個地方的某個人——甚至可能是約克郡的傢具工——會帶着解決問題的方法出現。

萊克漢尼又開始完成他的論文，但現在他決定要用更寬廣的眼光去看待創新。他聽説了“創新中心”的問題解決專家，想知道這個公司會不會是經度獎金的現代版本。“我告訴他們，我很想知道他們解決問題的方法。‘創新中心’（聽了我的想法）也感到很興奮。”

萊克漢尼與哥本哈根商務大學的一位準博士以及兩個“創新中心”的科學家組成一個小組。在接下來的幾年裏，他們研究了令26個公司的研發實驗室束手無策的166個科學問題。2007年夏天，他們將研究發現以哈佛商學院工作底稿的形式出版。研究結果和學術界幾十年的傳統智慧背道而馳，但對於約翰 哈馬森來説，這些發現可能不算驚喜。萊克漢尼和他同事的發現是一個活生生的例子，證明了佩吉的“多樣化戰勝能力學説”：你最意想不到的人，最有可能幫你解決問題。

一個全新的範例

在安大略棚戶灣路凱莉汽車修理廠的樓上，我們能找到企業研發部門的未來。那兒是愛德華麥卡瑞克周末的棲身之地，他是“創新中心”最成功的解決人之一，這個地方是個單身公寓，房間裏散落着擴音器，吉他，電能變換器，兩台&式電腦和一個喇叭，半個浮舟half of a pontoon boat，以及相當多的電子小玩意，足夠開一家電子産品店。幾乎每週六，麥卡瑞克都會到這來，給自己倒一杯酒，點一根煙，然後開始為世界五百強的公司解決難題，這些難題即使是公司最好的科學家都一籌莫展。

大眾的才華不勝枚舉，一些科學才華和專長過去只存在於神聖的學術領域。現在，大眾當中的一些人也能擁有。

高瞻遠矚的公司正在開發這種新興的智力資本之泉，並且在改變研發過程。在這裡，沒有了白色的實驗服，取而代之的是麥卡瑞克，他就像前面提到的化學家喬治亞一樣，是14萬“解決人”之一，他們構成了“創新中心”的科學家網絡。

藥品生産商禮來公司在2001年為“創新中心”的成立提供了資金——這也是公司們和外援&&的方式。最開始，“創新中心”就對那些希望利用網絡資源尤其是專家資源，為自己服務的公司敞開大門，比如波音，杜邦，還有寶潔這樣的公司，他們將自己最棘手的科學問題公布在“創新中心”的網頁上；網站的每一個人都可以嘗試解決這些問題。一般而言，公司會支付給解決問題的人1萬-10萬美金不等的報酬。（他們也會支付給“創新中心”一些費用）“創新中心”的首席科技官吉爾帕內特説，網站上超過30%的問題都能得到解決，“比傳統的公司內部的方法多解決30%的問題。”

“關於研發，每個和我聊過的人都面臨一個類似的問題。”寶潔負責科技創新的前副總裁拉裏休斯頓（Larry Huston）説， “‘研發預算的增長速度每年都超過銷售的增長速度。’現有的研發模式已經不行了。”

寶潔是創新中心最早和最好的客戶之一，但公司和其他的眾包網絡也有合作。比如説，YourEncore允許公司為了某個項目，在該網站臨時雇傭一些退休的科學家。和“創新中心”類似，Ninesigma也是一個創新的網上生産基地。“人們總以為這是外包，但絕對不是。”休斯頓説，“外包，是我雇傭某些人完成一項工作，工作完成後，我們合作關係就結束了。這和這個時代的雇傭關係沒有太大的差別。而眾包是指，從外面引進一批人，讓他們參與到一個創意無限的合作過程中。”

雖然大部分“創新中心”的解決人是成熟的科學家，但還是有很多業餘愛好者，在車庫之類我們的已經非常熟悉的地方工作，比如有一個達拉斯大學的畢業生，他發明了一種用於修復藝術品的化學藥品；北卡羅來納州的一名專利律師想出了一種用於混合大量化合物的新方法。或者來看看麥卡瑞克，這個性格溫和但行為古怪的電氣工程師，他的實驗室只有錄音棚的兩倍大。然而，他卻解決了高露潔公司內部研發人員無法解決的問題。

包裝商品零售業巨頭高露潔公司，想在不逸散到周圍空氣中的情況下將氟化物粉末注射到牙膏管內。看過這個難題後，麥卡瑞克就知道自己有辦法：只要在和牙膏管接觸時，給粉末帶上一個電荷，帶有正電荷的氟分子會被牙膏管吸引，從而避免逸散。

“這確實是一個非常簡單的方法。”麥卡瑞克説。那為什麼高露潔想不到呢？“大概是因為他們的化學家不太懂物理吧。”

就這樣，麥卡瑞克贏得了2萬5000美金的報酬。假如寶潔撥款讓研發部門想出同樣的方法，即使能做到，也可能要花上好幾倍的錢。“這是很難的挑戰。”麥卡瑞克説，“它的確讓我增強了自信。”

麥卡瑞克在自己的科學之路上一直特立獨行。他花了4年時間，在英屬哥倫比亞省的溫哥華獲得了世界級粒子加速器的碩士學位，但他決定不讀博士。“一傢俬營公司雇用了我，”他停頓了一下，接着説“我確實很需要錢。”他找了一些與工程學相關的工作，但相繼放棄了，因為這些工作都不能讓他學以致用，或是滿足他對動手的需要。“朝九晚五的工作不適合我。”麥卡瑞克説。

他零星的做了一些工作，設計了很多産品，比如散熱器，工業噴漆機器人等。不是每個聰敏而且求知若渴的知識分子都要呆在大學或者私人基金贊助的實驗室裏，做著一份待遇優厚的工作，有些人就愛製造供熱通風與空調系統。

對麥卡瑞克來説，“創新中心”是他從科學的偏僻之地走出來的機會。在過去5年裏，

他每週都要上幾次“創新中心”，看看有什麼新的挑戰。最近，這些問題被分為化學和生物兩類。麥卡瑞克並未接受過這兩門學科的學術培訓，但他很快意識到，這不會妨礙他。“我看到過很多化學難題，都能夠用電動機械的方法來解決，而這些是我從粒子物理中學到的。” 

除了氟化物注射的難題，麥卡瑞克還成功的改進了一種凈化硅酮溶劑的方法，賺了1萬美元。之後，麥卡瑞恩陸續解決了另外五個創新中心的難題。“對於僅僅幾週的工作來説，這個收入還是不錯的。”他輕聲笑道。

麥卡瑞克發現了一個獲勝公式：尋找那些可以用物理學或者電氣工程學解決的化學或生物問題。2007年，“創新中心”新增了工程學類別問題，但麥卡瑞恩對此並沒有興趣。他解決的7個問題都是其他領域的。

這讓我們對麥卡瑞恩有了一些了解，（他是那種不喜歡憑直覺工作的人），但我們了解更多的是“創新中心”。當萊克漢尼仔細研究了“創新中心”的資料後，發現麥卡瑞克並不是例外，他代表了一種規律——最有可能解決問題的科學家，是最意想不到的那些人。

“實際上我們發現，‘解決人’更容易在與自己專業無關的領域獲得成功。”萊克漢尼説。問題離他們的專業越遠，就越有可能得到解決。“我們把問題比作花朵，目的不僅是吸引最多的昆蟲，而是種類最多樣化的一群昆蟲。”

萊克漢尼的論文有一個更有趣的觀點：在成功解決問題的人當中，足有75%的人已經知道問題的答案。研究表明，這些全球最頂尖企業的研發人員歷時數年都沒能解決的問題——其解決方法居然不需要突破思維，也不需要其他的智囊出謀劃策，只需要足夠多樣化的一群人來嘗試（便可以得到解決）。這些都支持了海耶克的論點：不是獲得更多的知識才能取得進步，而是要學會匯總和利用我們已有的知識。我問麥卡瑞克，他花了多少時間來解決“創新中心”的問題，他的答案很能説明問題——“如果我想了30分鐘還不知道該怎麼做，就放棄。”

對於商業和科學領域的人來説，萊克漢尼的發現也許算新聞。因為在這些領域，幾十年專業化的風潮大行其道。但他們恰好吻合經濟社會學幾十年來的研究，與社會學家稱作“弱連接力量”的法則不謀而合。

1970年，哈佛大學社會學準博士馬克格拉諾維特(Mark Granovetter)跨過查爾斯河來到馬薩諸塞州牛頓市，詢問了當地282名職業技術方面的管理層員工，如何得到了現在的工作。調查結果是，大多數人利用了私人關係，這個結果並不意外，只是再次印證了一個傳統觀點——“你知道什麼並不重要，重要的是你認識誰。” 但是，格拉諾維特的研究更深入了一些，他想知道到底是哪種私人關係？是配偶？兄弟？還是密友？結果——都不是。只有16.7%的人是通過這樣親密的關係找到工作的，剩下借由個人關係找到工作的都是通過他們幾乎不認識的人。幫助最大的是朋友的朋友。

因為我們熟悉的人知道的事情和我們知道的是一樣的，比如知道的適齡單身人士一樣，知道的工作機會也一樣；哪些公寓正在出租？——我們知道的還是一樣。

弱連接的力量和公司環境內那種根深蒂固的偏見正好相反。萊卡漢尼説“在人際交往中，人們有很強的同質性傾向，也就是我們通常説的物以類聚。因此，即使公司通過尋找外援來解決問題，也會依賴於他們了解的人或者合作對象，同樣會産生在局部尋找的偏見，這和在公司內部解決問題沒什麼差別。”

這樣看來，那些難倒寶潔頂尖科學家的問題，愛德華麥卡瑞克幾杯白蘭地下肚就能解決，也就不足為奇了。

要讓一切實現，關鍵是要在像“創新中心”這樣巨大的網絡中尋求外援。或者，像萊卡漢尼的比喻説的，讓你的花盡可能吸引更多的昆蟲。這點説起來容易做起來難。“公司是不能對外公布他們的內部問題的。傳統的公司文化限制外人接觸內部信息，而不是越多越好。”那麼還有什麼比讓他們束手無策的問題更加隱秘的公司內部信息？當然，這樣反而會給那些願意逆流而行的公司提供更好的機會。

如果一個文化程度不高的傢具工可以解決他的時代最令人困惑的問題之一；如果一個電氣工程師能解決世界五百強公司遇到的最棘手的化學問題，那麼，MATLAB的奈德格利對於未來，集體智能也許可以治愈癌症的設想也許並不荒謬。

這個目標並不像聽上去那麼遙不可及。受到SETI家庭工作室（SETI@home）分佈式計算 啟發，斯坦佛大學化學系開展了一項“折疊”家庭實驗室計劃（Folding@home），也就是利用成百上千台家用電腦的空余計算能力模擬“蛋白質折疊”——蛋白質自我組裝形成生物分子的過程——這對於了解像囊胞性纖維症和阿耳茨海默氏病（提早老年癡呆症）以及癌症等疾病，是關鍵性的一步。

從開發上千台電腦的剩餘生産力到開發上千個大腦的剩餘生産力只需向前邁一小步，而且這件事已經發生了。“創新中心”最近和非盈利組織prize4life合作，對方提供100萬美金的獎金尋找能夠幫助治療“運動神經元病”，又稱“葛雷克氏病”(Lou Gehrig's disease)的方法。這種模式很容易被應用到尋找其他病症的治愈方法上。大眾最接近的規模（也就是網民的人數）是十億，當十億變成三十億會發生什麼？所有這些人一起工作，會創造出怎樣的集體認知成就？

把難題交給眾包解決，這一方法已經滲透進了最不可能創新的聯邦政府。2007年，佛蒙特州的獨立派，參議員伯尼桑德斯提出一個議案，將專利部門給予藥品公司的藥品專賣權用一種現金獎勵的方式取代。議案提議政府建立800億美元的基金，將這筆錢用於獎勵定向的醫藥目標，比如改進瘧疾的一些治療方法。

目前藥品公司並沒有資金，研究這類救命的治療方法。因為對瘧疾這類殺手看似無情的漠視，藥品公司成為眾矢之的，但實際的原因是這類藥品的研發十分昂貴，而最需要這類藥的人也是最貧窮的，這意味着藥品公司很難從治療瘧疾的藥品中賺回成本。桑德斯的議案將基本上保證為成功研發出此類藥品的個人和公司提供補貼。

在政治光譜的另一面，紐特金裏奇(Newt Gingrich)提出一個類似的系統，用於降低政府的花費。正如威廉賽爾頓(Willam Saleton)在2007年10月的網絡雜誌《Slate》上寫到的，金裏奇建議“與其給聯邦政府部門10億美元去解決問題……不如將這筆錢獎勵給第一個解決這個問題的公司。隨着對話的開展，金裏奇開始給一個又一個的挑戰投錢。為什麼這個方法這麼有效率？——為了10位數的獎金。”

但我最喜歡的解決問題網絡是Netflix競賽獎金。2006年末，電影租賃公司承諾，任何可以將電影推薦系統性能提高10%的人，都將獲得100萬美金。這個競賽受到了職業統計學家以及各式各樣業餘愛好者的歡迎，同時也吸引了很多觀眾。而且這對於奈特格利在MATLAB競賽中提出的原則是一個擲地有聲的肯定，只不過換到了商業背景下。

從1997年開始，Netflix成為了各地郵遞員的“煩惱之源”。現在，它每天要給750萬訂閱用戶發出35000封授權信。2000年，Nexflix網站增加了一項服務，叫做“你可能會喜歡”（Cinematch）——網站根據之前用戶觀看過的影片為其推薦電影。對於推薦引擎，有個很著名的説法——它是現代網頁中一個有缺陷的服務。“你可能會喜歡”也不例外。這個系統主要是在1-5星的星級評分中，預測用戶會為某部電影評多少分。現在“你可能會喜歡”已經有0.9525的平均錯誤率，也就是説，它平均丟掉1星。假定用戶對待三星的電影是不看，但會考慮租下四星的電影來看，那麼目前的系統效果就太不理想了。為了改進系統，Netflix極大的擴充了資源，但公司最後決定考慮比爾喬伊的論點——無論多聰明的人為你工作，最聰明的還是在別處。

“那些我們沒有雇傭的人一樣可以為我們工作。現在，需要靠他們來創新。我們只是助手。”Netflix推薦系統的副總裁吉姆本奈特説。

在登錄網站後，參賽選手會進入一個巨大的資料庫，裏面有一億用戶的評分。通過研究這些評分之間的關係，參賽者試着修改代碼，目的是更準確的預測人們更愛看什麼樣的電影，他們向Netflix提交了自己的算法，通過和用戶對電影的真實評分做比較，公司會給算法打分，然後放入排行榜。

在實驗開始不到兩周的時間裏，Netflix收到了169份結果，其中一些對現有的系統有些改進。一個月後，提交超過了一千份。最好的程序員很快將“你可能會喜歡”的性能提升了大約5%。但接下來進展就變緩了，一年後，最佳選手——一組來自AT&T的信息可視化研究小組的程序員“BellKor”——仍然只能將“你可能會喜歡”的性能提升8.43%。

從基本的形式來看，Nexflix獎金很像MATLAB競賽。選手試着寫一個算法，解決一個難題，然後提交，即時打分。和MATLAB不一樣的是，Netflix拒絕公布每個提交的程序代碼。這是可以理解的，有100萬美金的風險呢。有人認為，一旦公司這麼做了，選手會到大門前抗議。但正如喬丹埃倫伯格在2008年在《連線》上發表的關於Netflix獎金的文章中提到的，選手決定無論如何也要共享算法。

“衝着獎金來的人，即使處於領先，對自己算法的態度也驚人的開放，他們的表現更像是一群為了攻克某個難題聚在一起的學者，而不是為了100萬美元的報酬爭得頭破血流的企業家。”一個叫做simonfunk的選手，儘管他處於第三名，遠遠領先於其他競爭對手，但還是將自己的算法完整的公布了出來。這些看上去無根據的開放行為是否危及了他們贏得獎金的能力呢？埃倫伯格就這個問題詢問了BellKor的頭兒，他看上去有些迷惑，答道，“通過和其他小組互相學習和互動，我們得到了足夠的收穫。這對於我們來説才是真正的大獎。”

最出乎意料的人為Nexflix獎金做出了有益的貢獻，這很像MATLAB競賽中的“腳本少年”。嘉文波特，一個48歲的退休管理顧問，為了找點樂子決定參加Netflix競賽，他自稱“住在車庫的人”，2007年10月，波特飛速上升為排行榜的前十名，其他選手會使用複雜的統計學算法，而波特既沒有相關背景，也沒有經驗。但波特運用了他在人類心理學方面的知識，詢問了用戶在平時生活中如何為電影評級的一些問題，比如，近期上映的電影是不是會得到較高的分數？

利用在行為經濟學領域（一種新的學科，用心理學解釋影響人們做出某個經濟決定的原因）積累起來的洞察力——波特將一些人考慮在算法內，比如説，傾向於給每個電影都打三星以上的人。這聽上去很基礎，但研究算法的統計學家對此卻並不敏感，他們認為，所有顧客都是一樣理性的。在本書（原版）出版之際，波特是第五名，僅比第一名少1.5%。

和Nexflix的獎金一樣，戴爾的“點子風暴”也嘗試利用大眾的集體智能解決問題。但和Nexflix不同的是，戴爾並不是嘗試解決現有的問題，而是利用大眾來創新。

這個電腦製造商在2007年2月舉辦了這次競賽，本書出版時，“點子風暴”的網頁上已經有超過9000個點子。這些點子包括讓戴爾在全美設立技術支持呼叫中心，以及要求在&式電腦的背後設計更多的USB接口。

戴爾的這個網頁是建立在標準社交媒介方案基礎上的，也就是説，用戶不但可以在網上提出新的點子，也可以評論他人的點子。另外，他們可以用“大拇指向上”或“大拇指向下”的方式投“升級”或“降級”票。獲得最多升級票的點子會在點子風暴的主頁上出現，就像最吸引人的報道在社會新聞網站diggs.com上升為頭條一樣。

最後一個功能利用了眾包另外的一個關鍵元素——大眾的集體意見——它的效果太強大了。“點子風暴”上線那天，一個名叫dhart的用戶建議戴爾應該在電腦上預安裝Linux操作系統。大概三萬名用戶&&讚同，dhart的帖子幾個月來一直保持在第一名的位置上。結果，2007年5月戴爾發布了三款使用Linux操作系統的新電腦。

戴爾嘗試與顧客合作，是眾包的一個類型，叫做“點子匯”。儘管“點子匯”更多的是討論尚未出現的問題的解決方法，而不是針對某個現有問題，但他們和“創新中心”以及Netflix競賽獎金這樣的眾包網站是近親。這個詞來自2006年IBM舉辦的“創新匯”。公司在宣傳這次活動時，稱它是“史上最大的一次頭腦風暴集會”。來自104個國家超過15萬人貼出了46000多個點子。同年公司宣布，基於“創新匯”提出的點子，公司將斥資1億美元創立10家新公司。

“創新中心”，Netflix獎金，以及戴爾的“點子風暴”都利用了多樣化的力量。佩吉提出，想象一下，任何問題最好的那些解決方法就像是一個個連綿的山峰。“受過類似教育的人將會征服同樣的山峰，因為他們用類似的方法解決問題。但是背景不同的人——比如剛才提到的學心理學的——在尋找解決之道時會採用完全不同的探索方法。他會嘗試去攀登不同的高峰，最後很可能這是最高的那一座。”它的好處，對於面臨棘手問題的個人和公司來説顯而易見。眾包的優勢在於，任何人都可以向山峰發起挑戰。事實上，它什麼都不限定，對每個想嘗試的人都敞開大門。而結果，總是令我們驚喜。

在合適的條件下，“創新中心”的眾包案例中多樣化勝過能力。原因非常簡單：無論有多少失敗的方法，都不會影響到最後成功的那一個。“比如Netflix獎金，多少傻瓜來嘗試解決這個問題都沒關係，人越多越開心。”佩吉説。

更多的人使用更多的方法來解決問題——無論這個方法多麼欠考慮——最後解決這個難題的幾率都不會因此下降，反而會增長。如果他們是錯誤的，大可以直接忽略。但這個道理只適用於類似Netflix獎金和“創新中心”這樣的眾包項目，當我們利用大眾來預測未來時，每一個預測都會影響最終的結果。在這些例子中，多樣性扮演的角色複雜的多。

預測市場——投資未來

1988年，民權激進主義分子傑西傑克遜在密歇根贏得了民主黨首輪競選，這震驚了全國。這是投票的人以及政界內部人士都沒有預料到的結果。在愛荷華大學，一群政治學家和經濟學家，對人們沒有預測到傑克遜的勝利很感興趣，想知道市場是否能在預測選舉結果方面做的更好。在接下來的幾個月裏，剛好是老布什和邁克爾杜卡齊斯(Michael Dukakis)的大選，他們建立了愛荷華政治股票市場。根據每個候選人得到的投票份額，投資者最多可以買500美元的債券，股票價錢在1美分到1美元之間不等，必須足額支付。如果在布什的股票漲到55歐元時你一把抓住，就能從每股中賺得45歐元。

11月，結果揭曉。那年主要的民意調查結果，錯誤率平均是2.5%——這已經不錯了。但愛荷華政治股票市場做的好太多了，他們預測的結果誤差不超過0.1%。“統計學的法則主宰了民意調查。” 市場的創始人之一羅伯特説，“亞當史密斯提到的‘無形的手’在這裡起作用了。”

實際上，因為這個結果太深入人心，大學重新將實驗命名為愛荷華電子市場（IEM），允許一系列關於未來的交易，比如，國外的大選，谷歌的市場資本總值，微軟股票某日的價格以及美聯儲即將&&的政策。自從此類交易開始後，20幾年裏，IEM一直勝過最好的民意調查。

這一切是為什麼呢？難道民意測驗沒有開發集體智能嗎？他們不是一種眾包嗎？答案是，他們是的，但這不能讓他們成為類似IEM信息市場那樣精確的預言機構。民意調查是種簡陋的工具：最傻和最聰明的人同等重要，而且他們都只有一次機會。而在預測市場上，經濟回報會讓聰明人因為智慧而得到優勢，愚蠢的人在同樣的環境下會被逐漸淘汰，斯科特佩吉將這種原則稱為“蠢人出局”。

和民意測驗，調查以及專家預言相比，預測市場擁有巨大的優勢，它吸引了媒體，私有公司以及政府部門裏面越來越多的人。也許在範圍和方法論方面有所不同，但預測市場和所有的期貨市場並無區別。交易商在可能的結果上下注，對象涉及總統選舉等內容，而不是豬肚。從理論上説，某個市場中證券的價格反映了大眾對它走向的預測。

眾包網站和預測市場都利用了集體智能，但方法迥異。預測市場僅僅是匯聚信息的機器，但這並不意味着信息市場不展現它自身的神奇能力。“誰想成為百萬富翁”的原理放在這兒也起作用——愚蠢的人一般會採用隨機投票的方式，那麼只需幾個精明的觀察者就能預測出準確的結果。

和“百萬富翁”不同的是，預測市場並不是一個簡單的信息匯聚系統。在預測市場，所有的“票”並不都是平等的。如果一個投資者有內幕消息，他或者她很可能會比一個憑直覺投資的人投更多的錢。在本書出版之際，希拉裏克林頓的股票在愛荷華電子市場上大概是13歐元（也就是説，如果她沒有獲得總統提名，每股就獲益87歐元）如果一小部分人知道了破壞奧巴馬競選的大醜聞，那麼很自然的，他們會買進希拉裏的期貨。在預測市場上，人人都可能在金錢的驅使下洩露個人知道的消息。同樣的，在這個市場中，（低廉的）投資成本也誘惑着那些攥緊錢袋對此視而不見的人。

在2004年總統大選的前一天，著名的網絡媒體《沙龍》(《Salon》)的作家哈德曼約(Farhad Manjoo)提出：民意調查中，來自民主黨的競爭對手約翰克裏（John Kerry）領先於布什總統1~7個百分點，而IEM的交易者卻偏向了布什。

“是什麼造成了民調和IEM之間的差異？”曼約問道。答案是：在民調中沒有人需要承擔金融風險。“如果在大選中壓上了錢，精神就得集中……我支持克裏做總統，但在IEM，我賭他當不上總統。”現在我們都知道，這是一個明智的賭注。即使民調顯示克裏獲勝，但IEM仍然預測布什獲勝。在當日午夜，IEM公布的數據是布什以50.45%領先於克裏的49.55%，這與最終的大選結果驚人的吻合。

多樣化也影響着預測市場的結果，但它的作用並沒有超過能力。在預測市場，多樣化和能力同樣重要。斯科特佩吉再一次用數學定理為我們解釋了這一現象。佩吉的“多樣化預測定理”是：集體的錯誤=個人錯誤的平均值—預測的多樣化。他使用了很多看上去很嚇人的公式來證明這點，但邏輯十分簡單易懂：如果兩個預測之間的分歧較大——我猜40，你猜60，答案其實是50——預測的多樣化會相互抵消，這和“百萬富翁”很像。正如佩吉寫的，在預測市場中，“表現不同和表現出色同樣重要。”

儘管IEM有準確預測的記錄，但直到後來在所謂的“恐怖主義期貨市場”上爆發了一場政治風暴後，信息市場才變得廣為人知。2001年5月，美國國防部高級研究計劃局的一個項目主管公布了一項議案，提議用市場來預測某些事件，比如恐怖襲擊，政變以及暗殺。其中，一名預測市場學的先鋒人物羅賓漢森獲得了100萬美金的獎勵。漢森是一個標新立異的思想家，他認為預測市場的效果很顯著，便提議建立一個基於預測市場基礎上的政府形式——“富塔奇”。

漢森任職於聖蒂亞戈一家名為“網絡交易”的公司，他創造了政策分析市場（PAM）——一組情報和政策分析專家對某些外交事務投資（上限為100美元），借此來預測很多事件，比如國家穩定（科索沃是否會宣布獨立？）經濟增長（印度的GDP今年會不會增長10%？）軍事準備（如果印度侵略巴基斯坦，它的軍隊能成功佔領這個國家嗎？）等等。對於漢森和預測市場上那些財富來説，有一點很不幸——預測的範圍也包括了對恐怖主義的預測。

PAM隨後被納入反恐信息警戒辦公室，它的主管是已經飽受爭議的前國家安全顧問約翰鮑因德克斯特（John Poindexter），他曾因在伊朗軍售舞弊案中提供偽證而獲罪，此外還有其他幾項重罪。隨後美國便發生了“911”世貿中心恐怖襲擊事件，在那種緊張的環境下，接下來發生什麼都不足為奇。

2003年7月，很多人在PAM下注，説會發生恐怖襲擊！這次的目標是國防部！新聞媒體捕捉到了這一動向——在第一篇報道出現後不久，美國參議員羅恩維登(Ron Wyden)——一個來自俄勒岡州的民主黨人士，還有來自北達科他州的民主黨人士拜倫多根(Byron Dorgan)舉行了一個新聞發布會，嘲笑PAM鼓勵人們從恐怖襲擊中賺錢。在第二天破曉之前，五角大樓被迫關閉了PAM，同時也結束了漢森關於“富塔奇”的夢想。

一週後，PAM被徹底的掃進了歷史的垃圾桶，它的結局和夜間脫口秀節目中某個壓軸笑料一樣。但許多經濟學家和政治學家認為PAM並非罪無可赦，它有很多潛在的力量——在預測未來事件方面，這個市場比任何專家都做的好——它的壞名聲甚至有可能幫助預測市場更快地成為主流的選擇。

期貨交易員的選擇面已經寬了很多。從票房總收入到奧斯卡結果，好萊塢股票交易所（HSX）為交易員在各方面都提供了市場。HSX有一個很值得誇耀的記錄，它預測了奧斯卡超過80%的提名。（其中包括最默默無聞的幾類，比如最佳音效剪輯獎）。而且，從1996年上線開始，它最多只猜錯過一個大獎。除此以外，市面上甚至出現了一本針對這種新興學科的專業期刊——《預測市場》。

私有企業已經躍躍欲試，準備好迎接預測市場的到來。為了將諸如庫存，銷售目標，生産能力之類的決策過程眾包，公司在企業內部使用了這種機制。

20世紀90年代中期，惠普和加州理工學院的經濟學家查爾斯普洛特（Charles Plott）設計了一個期貨市場，用來預測一系列惠普産品的銷售情況。通常，銷售預測是由公司銷售部門的分析員完成的。但在普洛特的實驗中，僱員來自各個部門。用不同的證券代表不同的銷售數額，按特定差距分類。比如説，如果“投資者”認為，在某月公司能賣掉201到300&打印機，就買下那個證券的股份。如果他猜對了，每股可獲1美元。結果證明，8種惠普實驗的産品，有6種擊敗了正式的預測。自此，惠普建立了“實驗經濟學”小組，用預測市場來完成額外的研究工作。

市場比專家更勝一籌，因為在市場中，交易的人們聚在一起，有機會獲得更多的信息。麻省理工大學斯隆管理學院的教授托馬斯馬龍在他的書《工作的未來》中寫道，“其實很簡單，中心計劃人員掌握的信息不如分散的銷售人員掌握的那麼多。”

谷歌，微軟，禮來，高盛，德意志銀行，都採用預測市場來輔助公司制定戰略。馬龍本人和電腦芯片製造商英特爾合作，進行了一項很成功的實驗，利用一個內部市場來確定每個製造工廠應該在某一季度生産多少芯片？修改過後，這個方法的效率達到了99%，遠遠超過了英特爾用傳統方法完成的結果。

馬龍指出，這樣的市場能夠幫助公司快速適應外界瞬息萬變的情況，“因為每個人都希望盡快搶佔市場，以取得領先優勢。”而至關重要的信息瞬間即逝。“與其讓一組高級經理為幾個方案日以繼夜的工作，不如讓一大堆人在同一時間工作，探索大量的可能性。”——就像蟻群中，工蟻在各個方向同時覓食一樣。2006年，馬龍成立了麻省理工大學集體智能研究中心，現在正在嘗試使用預測市場將醫療和天氣變化這樣的世界級難題眾包。

沒有什麼比旺盛的需求更能推動創新的發展，近年來，越來越多的公司為預測市場提供現成的軟體平台。總部位於芝加哥的公司Inkling Markets，允許每一個人創造自己的預測市場，它的客戶包括思科，電子游戲製造商藝電（Electronic Arts），克萊勒斯，科技出版商奧萊利傳媒公司，富國銀行，印第安納大學，牛津大學，斯坦佛大學，甚至美國洛斯阿拉莫斯實驗室。

問題是，大部分這樣的市場都缺乏預測市場最關鍵的成分：真實貨幣的使用——這是為了避免賭博。IEM的存在是日用期貨貿易委員會的一個例外，其他的預測市場使用的是虛擬貨幣。經濟學家也同意這是一個問題。人們在一堆複雜動機的驅使下積極參與其中，經濟回報並不總是主要原因。在類似HSX市場中，參與者説他們是出於好勝心被迫參與的，因為這樣會在同伴中更有聲望。但預測市場不像iStockohoto或者Threadless.com，它不大可能出現一個激進而且緊密結合的社區——提升名譽的承諾是站不住腳的。

預測市場也逐漸遇到了影響其他股票市場的問題：一時的狂熱，信息重疊，泡沫。比如20世紀90年代末，科技股大行其道，無緣無故的火爆起來。

建立預測市場，尤其對那些希望在內部設立這種機制的小公司來説，一個更大的障礙是，期貨交易的準確性和市場的“密度”——也就是在一定時期買進賣出的交易員人數——是成正比的。惠普和谷歌發現，要説服那麼多僱員，為了一點點收益參與到內部市場中，不是那麼容易的事。（谷歌允許員工用虛擬貨幣投資，收益是類似T恤和禮券之類的獎品）“結果，證券市場變得疲軟，交易數量太少，達不到有效預測的目的。”          惠普社會化計算實驗室的主任貝納多休伯曼（Bernardo Huberman）説，“其次，一個疲軟的市場很容易被一些交易員操縱。”比如，某個銷售員可能會根據自己的喜好隨便預測。——離開了大眾，眾包也就不復存在了。

為了扭轉這種趨勢，休伯曼發明了一種方法，用於抵消疲軟市場帶來的不良影響。即使只有公司董事會成員做交易，也能得到準確的預測。

其實就是讓每個參與者回答一系列問題，據此評估他們規避風險的水平。那些做事容易不管不顧的人得分很高，而那些性格相反的人分數則很低。在任何預測市場中，他們佔據的位置都是根據風險指數確定的。休伯曼認為，用他的系統（惠普擁有專利）能夠解決這個難題，他説其他公司（沒有指出名字）也已經獲得使用許可了。“我能想象當它被應用在智能工作中的情況。比如説，眾多對阿塞拜疆一知半解的人可能會聚在一起，對那兒可能發生的事情做出相當可靠的預測。”

預測市場的擁護者也在試着改變關於賭博的規定，只要賭金數額不大，他們希望有關方面允許在非盈利的信息市場使用真錢投資。（IEM每個投資賬戶的上限是500美元）2007年5月，20多個著名經濟學家給國會以及聯邦監管機構寫信，呼籲為這類活動建立一個“安全港口”，他們指出“將這類市場作為預測工具，可以極大的提高公共和私人領域的決策過程，同時能讓風險控制更有效率……”

迄今為止，我們一直將眾包和預測市場看做兩個完全不同的現象。從集體智能的角度來看，他們的確不同。但在眾包中，理論扮演的角色很奇怪——眾包是一種已經在實踐中出現的經濟生産方式，而我們被迫要將理論套用在實踐中。互聯網讓改變如此之快，理論幾乎跟不上。因此在現實世界中，一些集體智能既不是應用在信息市場也不是解決棘手問題的網絡，而是兩者的結合，這也並不意外。眾包並沒有一系列鐵定的規則，有時最好的戰略就是運用才華即行創作。

Marketocracy：集體智能的即興創作

T.J.懷特身上集中體現了關於多樣化的爭議。1999年，沒有多少投資人會讓懷特來幫他們打理證券投資産品。那時的懷特幾乎沒有任何經驗。在德克薩斯州上高中的時候，懷特是一個默默無聞的學生。在美國，他度過了默默無聞的六年。之後又在海軍工作了六年，地點是科羅拉多州，他將這段時間稱作“第二個童年”，懷特陸續幹了一些工作，唯一的目的是“保持一種生活方式”，這種生活方式包括滑雪和勘探金礦，但他兩樣都不行。

那一年的某個早上，懷特一覺醒來，看著公寓外面的停車場，一瞬間醍醐灌頂。“我太失敗了，我已經30歲，卻一無所有。沒有技術，沒上過大學，沒有事業。”

2000年新年剛過，懷特就搬到了達拉斯，那些讓他疑惑的問題逐漸有了答案。很快他就在離家不遠的家得寶公司（全球最大的傢具建材零售商，譯者注）找到一份工作。“經理以前也是海軍，我們一見如故。”懷特回憶。幾週後，他在一個“高個兒德克薩斯人”的小型聚會上遇到了現在的妻子，“在我剛搬到達拉斯的時候，無意間進了這個網站，我身高6.2英尺，切莉也是。我們很快相愛了。”

懷特找到了屬於他的職業：通過互聯網做短線股票交易。“每個人都在談論那些類似家得寶這樣的公司有穩定工作的百萬富翁，為什麼我就不行？（20世紀90年代末，許多家得寶的僱員靠公司股票賺了大錢）”

懷特説服切莉，將他倆畢生的積蓄都投了進去，開始投資。他購買了一個科技公司6000美元的股票，他曾在“達拉斯晨報”上讀到過這個公司；另外的4000美元投在了其他的科技股上。年末，科技股大跌，懷特的錢化為烏有。

在當地一家漢堡連鎖店，懷特和妻子切莉進行了一次談話。懷特想讓妻子將剩下的2000元積蓄給他，讓他繼續投資。

“她在對面看著我，握着我的手，然後説‘你不擅長這個，你嘗試了，但失敗了。’”懷特吃了沒經驗的虧，但他收穫了兩個珍貴的教訓。第一，他發現自己喜歡投資的過程——鑽研計劃書，研究市盈率，把虛增的部分從真實的獲益潛力中排除掉。更重要的是，他意識到他再也不應該把錢投給一個他不了解的公司。

“我對生物科技或者計算機一竅不通，但是如果某個人在地上打了一個洞，説要尋找石油，我會去仔細了解一下。”

第二年，懷特就找到了一個更安全的渠道釋放熱情。一個叫做Marketocracy的投資公司允許員工在他們的網站創造“模範投資組合”。也就是説，Marketocracy是股票市場的預測市場。免費註冊後，任何人都可以開10個賬戶，每個以100萬元獨佔資金起。懷特的第一筆資金來自範圍相當廣的投資，他稱其為“藍領工業”。開始，他還是不斷賠錢，但很快就停止了短線投資，開始追求長期利益。他做這件事有一個基本的公式，就是只對增長率超過市盈率的公司投資。沃倫巴菲特和富達基金經理以及作家彼得林奇都主張這種方法，他們提倡“在了解的基礎上投資”，但懷特説他當時並不知道這些——“我還以為這是我發明的。”

事實證明，懷特的直覺驚人的準確。他已經在Marketocracy交易了7年，最佳盈利記錄甚至高於華爾街幾支最好基金。如果你在2001年給懷特100萬美金，現在將擁有417萬6000美金。懷特並不都是用虛擬貨幣投資。通過賺取佣金，他慢慢有了積蓄，並且在2005年和切莉結婚後，很快辭掉了家得寶的工作。

“我現在的投資金額達到16萬6000美金，我們買了兩輛車。”切莉辭去了在軟體公司的工作，全天照顧小狗。“她憎恨以前的工作，這還是好聽的説法呢。”懷特説，“現在她不用工作了，這是最好的一件事。”

 懷特這樣的人居然會是投資天才，這貌似不太可能，但能夠發掘出這樣的人，是Marketocracy做的最好的地方。超過10萬人創造了“模範投資組合”，其中大約有2萬被認為是“活躍交易員”，他們定期——甚至是不由自主的——管理自己的投資産品。Marketocracy留意着這些“代用基金”經理的表現，通過一個選拔系統，挑出最好的一百名“模範投資組合”，這一百支基金將有可能進入“明星100（Masters 100）基金”，這些基金的實質資産值達到3500萬美元。對共同基金來説，這些錢並不算多，但對這樣另類的投資方式來説，卻是巨大的肯定。

表面上看，Marketocracy是標準的集體智能眾包。儘管Marketocracy有一大堆來自股票相關領域的所謂專家，但更多的是像T.J.懷特這樣的人——律師，廚師，地理學家以及對市場某個領域有特殊見解的人，能夠敏銳的覺察到交易的技巧，或者知道什麼時候能從黑馬中獲利。這些就是佩吉稱作“模範大眾”的人——也就是説，Marketocracy的決策並不是建立在大眾基礎上的，而是建立在一部分表現最好的大眾基礎上。

佩吉説，“（他們）就像一群專家。”在本案例中，專家既包括高智商類型的人，以及眾多不可或缺的“棕色襪子”。這似乎將成為一種勝利模式——從2001年末開始，明星100的表現超過了股市的標尺——標準普爾500——近40%。

這個記錄能清晰的證明多樣化群體的優勢所在。但實際上，Marketocracy投資管理方法背後的事實，更有趣也更加複雜。同時它也揭示出許多集體智能微妙的表現方式，在這一過程中，必須輔以一定的條件。幾年來，讓Marketocracy自豪的是，它調配出一個精確的混合物，同時包含有眾包網絡和預測市場最好的特性，純粹根據投資組合的表現在懷特這類人中選賢任能。但在隨之而來的一些災難性的季度裏，公司也學到了如何謹慎行事：有時要跟隨明星100精英投資者的步伐，偶爾也需要背道而馳。

在創立Marketocracy之初，肯凱姆(Ken Kam)和馬克塔古奇（Mark Taguchi）根本沒有想過集體智能這檔事，他們倆只是想發明一種更好的方式，用來尋找貿易人才。

1994年到2000年，兩人幫助運營“第一手基金（Firsthand Funds）”，這支基金的表現超過了同期其他所有共同基金，在第一個五年中，它的平均回報率是56%。

兩人離開後，創辦了自己的基金，簡歷鋪天蓋地的飛來。為了找到最好的交易人才，他們要求應聘者以及任何能上網的人，創造一個模擬投資組合。本來他們希望的是，有大概5000人在Marketocracy開戶，這樣一兩年後就能有足夠的資料幫助他們雇傭到最好的交易員來管理新的基金。“但這個目標很快就變了。”塔古奇笑道，和肯對視了一下。

第一年，大概有5萬準投資者註冊並創立了虛擬投資組合。塔古奇説，“我們一直認同團隊的概念。但那個概念逐步發展成為一個‘巨型’團隊。”2001年11月，Marketocracy發行了“明星100”。很多雙眼睛關注着Marketocracy，在上一個牛市中，肯和塔古奇已經成為巨星，大家都對他們經營共同基金不同尋常的新方法充滿興趣，或者充滿懷疑。

最初，事實似乎證明肯，塔古奇和大眾都是正確的——第一年，市場進入全面蕭條，但“明星100”從一開始就跑贏了大盤。年末，Marketocracy高於標準普爾指數14%；2002年末，市場跌至低谷，隨着經濟的復蘇，股票市場也開始逐漸攀升。那時，肯和塔古奇用最簡單的方式經營基金——公司完全按照“明星100”反映的比率分配資金。塔古奇説，“一開始，我們把前一百名的基金看做投資基金的樣板，所以，如果‘明星100’在蘋果公司投3%，我們也這麼做。”這支基金的表現繼續領先於市場。Marketocracy的“大眾能量”投資策略在2002年的熊市中仍然表現出色，在2003年的牛市中也一樣。

肯説，“2002年，防守型的人開始掌權。”這些投資者在市場低潮的時候能夠做出合適的決策，但隨着股票市場開始上揚，肯和塔古奇希望能有不同類型的交易員掌舵。“2003年我們開始換上一些更有魄力的投資者，”這似乎是一種安全穩妥的措施。2003年，基金的回報率重新回到了不起的42.82%，如潮的資金開始涌入。

然而，到了2004年，市場開始進入一個全新的更為複雜的階段。“那時市場起伏不定，時好時壞，而且（這種動蕩）不總是在同樣的行業。”明星100開始表現不佳，投資者逐漸撤走資金，僅一年，管理資産（投資基金的主要績效指標）從1億降到5000萬。

顯然，在Marketocracy的算法中有缺陷。

第一，肯和塔古奇意識到，由於頂尖的投資者彼此認識，（Marketocracy曾舉辦一些活動，讓成員互相見面，聊聊各自的本行），投資的時候他們就會互相商議——這有其有利的一面，比如説，成員們可以對他們目前尚未投資的産業有所了解，但同時也有很大的不利：商議是集體智能的天敵，因為它會減少多樣化。隨着人們的協商，他們會達成共識。若想要大眾做出明智的預測，或者提出解決問題的新奇方法，最主要的條件之一就是：每個人都要獨立自主的做出決定。肯説，“在最好的交易員中都開始出現一窩蜂心態了。”因此，肯和他的團隊對網頁做了一些改動，其中之一就是讓成員們無法看到彼此的交易情況。——“很快就起作用了。”

但真正的突破在於，Marketocracy意識到，僅僅用最出色的前一百名交易員作為工具實在是不夠，僅用一種算法來指導投資局限性太強。公司還有很多表現稍遜色的交易員，雖然他們不是最好的，但其獨一無二的專長也可能會在某個交易中為公司帶來巨大的收益，然而公司卻沒能充分利用這些人的才華和能力。因此，Marketocracy開始出擊，利用整個社區的力量做決策。

在2004年Marketocracy遭遇失敗後不久，肯和塔古奇就開始實踐這種混合的方法。“我們發現一小部分交易員在大量買進一個叫‘Knighsbridge油輪’的股票，這是一個石油運輸公司，”肯説。在“明星100”中沒人接觸過它，甚至可能都沒人聽過。但是在Marketocracy，很多非精英交易員大量加載這支股票。“它的交易價格前所未有的低，但所有這些人都逆流而上，為它投資。我們很想知道為什麼？”因此，他們給一些交易員發了郵件。“（結果）我們得到了驚人的細節信息。”

實際上，這些交易員掌握了明星100和華爾街都不知道的內部消息：“這家公司準備將所有的油輪都報廢。你是怎麼知道的？誰會知道這些事？”肯帶着懷疑問。

“結果，這些油輪是在新加坡註冊的，有些人專程去新加坡看了註冊情況，太不可思議了。一般的經驗告訴我們，當油輪到了要報廢的時候，價值為零。但是鋼材的價格會在短期內達到最高，所有這些都會以股利的方式回報給投資者。”Marketocracy大獲全勝。

事實上，公司逐漸成為一個預測市場，並利用了眾播的重要組成部分。佩吉説，“在解決問題的方案中，多樣化戰勝能力的原因是，你總是能把傻瓜扔出去。”但在Marketocracy的例子中，由於太相信“明星100”，這個自由選擇權很難得到實踐。佩吉解釋説，“挑選股票一部分和預測有關，一部分和解決問題有關，因此Marketocracy的方法很好理解。”

開發人們的集體智能涉及到交易大眾已知的東西，此類眾包的應用一般要求個人貢獻一些時間和精力，他們在我們眼中可能像是添加劑：幫助人們更好的完成工作，但對現有員工沒有威脅。

我們都明白，其他類型的眾包有可能帶來更多的破壞。在一些例子中，這樣的破壞已經發生。