集体智能在行动

2004年秋末，麻省理工大学斯隆管理学院的准博士，雷姆·莱克汉尼(Karim Lakhani)正和所有毕业生一样，辛苦的准备毕业论文。“我发现，我再也不愿意在论文上多花一分钟时间了。”莱克汉尼回忆道。他分析了创新者是如何出现在开源软件运动中的，但是4年后，他筋疲力尽了，是时候放个长假了。

“我停下了所有工作，阅读尼尔·斯蒂芬森(Neal Stephenson)的小说《巴洛克记》，”斯蒂芬森的三部曲是欧洲启蒙时代的历史小说，对莱克汉尼影响深远。“全是关于皇家学会的建立，关于世界理性思维的曙光以及微积分的发明。”在莱克汉尼眼里，《巴洛克记》是一本关于创新的故事体历史。

一个段落尤其吸引了莱克汉尼的注意。斯蒂芬森的一本书里写了关于“经度奖金”的真实历史。1714年，英国建立了一个委员会，悬赏2万英镑（大概相当于今天的1200万美金），寻找一种方法，确定航船的经度——由于皇家海军无法完成这件事，导致数量不明的舰艇和货物丢失，造成严重的财政流失。“当时最顶尖的科学泰斗，包括牛顿在内，都试着研发这个装置，但无人成功。”莱克汉尼说。

最后，一个仪表出现了，它的精度即使在航海的严酷环境下都不受影响，而它的发明者是一个文化程度不高的家具工，来自英格兰约克郡，名叫约翰·哈里森。

“我读到这个后想，哈，这有点像开源。一些人把问题公布于众，千奇百怪的陌生人声称他们有答案，这些答案总是出乎你的意料。”

经度奖金是已知的最早的例子，向尽可能多的人公布难题，怀着前途未卜的希望，也许在某个地方的某个人——甚至可能是约克郡的家具工——会带着解决问题的方法出现。

莱克汉尼又开始完成他的论文，但现在他决定要用更宽广的眼光去看待创新。他听说了“创新中心”的问题解决专家，想知道这个公司会不会是经度奖金的现代版本。“我告诉他们，我很想知道他们解决问题的方法。‘创新中心’（听了我的想法）也感到很兴奋。”

莱克汉尼与哥本哈根商务大学的一位准博士以及两个“创新中心”的科学家组成一个小组。在接下来的几年里，他们研究了令26个公司的研发实验室束手无策的166个科学问题。2007年夏天，他们将研究发现以哈佛商学院工作底稿的形式出版。研究结果和学术界几十年的传统智慧背道而驰，但对于约翰· 哈马森来说，这些发现可能不算惊喜。莱克汉尼和他同事的发现是一个活生生的例子，证明了佩吉的“多样化战胜能力学说”：你最意想不到的人，最有可能帮你解决问题。

一个全新的范例

在安大略棚户湾路凯莉汽车修理厂的楼上，我们能找到企业研发部门的未来。那儿是爱德华·麦卡瑞克周末的栖身之地，他是“创新中心”最成功的解决人之一，这个地方是个单身公寓，房间里散落着扩音器，吉他，电能变换器，两台台式电脑和一个喇叭，半个浮舟half of a pontoon boat，以及相当多的电子小玩意，足够开一家电子产品店。几乎每周六，麦卡瑞克都会到这来，给自己倒一杯酒，点一根烟，然后开始为世界五百强的公司解决难题，这些难题即使是公司最好的科学家都一筹莫展。

大众的才华不胜枚举，一些科学才华和专长过去只存在于神圣的学术领域。现在，大众当中的一些人也能拥有。

高瞻远瞩的公司正在开发这种新兴的智力资本之泉，并且在改变研发过程。在这里，没有了白色的实验服，取而代之的是麦卡瑞克，他就像前面提到的化学家乔治亚一样，是14万“解决人”之一，他们构成了“创新中心”的科学家网络。

药品生产商礼来公司在2001年为“创新中心”的成立提供了资金——这也是公司们和外援联系的方式。最开始，“创新中心”就对那些希望利用网络资源尤其是专家资源，为自己服务的公司敞开大门，比如波音，杜邦，还有宝洁这样的公司，他们将自己最棘手的科学问题公布在“创新中心”的网页上；网站的每一个人都可以尝试解决这些问题。一般而言，公司会支付给解决问题的人1万-10万美金不等的报酬。（他们也会支付给“创新中心”一些费用）“创新中心”的首席科技官吉尔·帕内特说，网站上超过30%的问题都能得到解决，“比传统的公司内部的方法多解决30%的问题。”

“关于研发，每个和我聊过的人都面临一个类似的问题。”宝洁负责科技创新的前副总裁拉里·休斯顿（Larry Huston）说， “‘研发预算的增长速度每年都超过销售的增长速度。’现有的研发模式已经不行了。”

宝洁是创新中心最早和最好的客户之一，但公司和其他的众包网络也有合作。比如说，YourEncore允许公司为了某个项目，在该网站临时雇佣一些退休的科学家。和“创新中心”类似，Ninesigma也是一个创新的网上生产基地。“人们总以为这是外包，但绝对不是。”休斯顿说，“外包，是我雇佣某些人完成一项工作，工作完成后，我们合作关系就结束了。这和这个时代的雇佣关系没有太大的差别。而众包是指，从外面引进一批人，让他们参与到一个创意无限的合作过程中。”

虽然大部分“创新中心”的解决人是成熟的科学家，但还是有很多业余爱好者，在车库之类我们的已经非常熟悉的地方工作，比如有一个达拉斯大学的毕业生，他发明了一种用于修复艺术品的化学药品；北卡罗来纳州的一名专利律师想出了一种用于混合大量化合物的新方法。或者来看看麦卡瑞克，这个性格温和但行为古怪的电气工程师，他的实验室只有录音棚的两倍大。然而，他却解决了高露洁公司内部研发人员无法解决的问题。

包装商品零售业巨头高露洁公司，想在不逸散到周围空气中的情况下将氟化物粉末注射到牙膏管内。看过这个难题后，麦卡瑞克就知道自己有办法：只要在和牙膏管接触时，给粉末带上一个电荷，带有正电荷的氟分子会被牙膏管吸引，从而避免逸散。

“这确实是一个非常简单的方法。”麦卡瑞克说。那为什么高露洁想不到呢？“大概是因为他们的化学家不太懂物理吧。”

就这样，麦卡瑞克赢得了2万5000美金的报酬。假如宝洁拨款让研发部门想出同样的方法，即使能做到，也可能要花上好几倍的钱。“这是很难的挑战。”麦卡瑞克说，“它的确让我增强了自信。”

麦卡瑞克在自己的科学之路上一直特立独行。他花了4年时间，在英属哥伦比亚省的温哥华获得了世界级粒子加速器的硕士学位，但他决定不读博士。“一家私营公司雇用了我，”他停顿了一下，接着说“我确实很需要钱。”他找了一些与工程学相关的工作，但相继放弃了，因为这些工作都不能让他学以致用，或是满足他对动手的需要。“朝九晚五的工作不适合我。”麦卡瑞克说。

他零星的做了一些工作，设计了很多产品，比如散热器，工业喷漆机器人等。不是每个聪敏而且求知若渴的知识分子都要呆在大学或者私人基金赞助的实验室里，做着一份待遇优厚的工作，有些人就爱制造供热通风与空调系统。

对麦卡瑞克来说，“创新中心”是他从科学的偏僻之地走出来的机会。在过去5年里，

他每周都要上几次“创新中心”，看看有什么新的挑战。最近，这些问题被分为化学和生物两类。麦卡瑞克并未接受过这两门学科的学术培训，但他很快意识到，这不会妨碍他。“我看到过很多化学难题，都能够用电动机械的方法来解决，而这些是我从粒子物理中学到的。” 

除了氟化物注射的难题，麦卡瑞克还成功的改进了一种净化硅酮溶剂的方法，赚了1万美元。之后，麦卡瑞恩陆续解决了另外五个创新中心的难题。“对于仅仅几周的工作来说，这个收入还是不错的。”他轻声笑道。

麦卡瑞克发现了一个获胜公式：寻找那些可以用物理学或者电气工程学解决的化学或生物问题。2007年，“创新中心”新增了工程学类别问题，但麦卡瑞恩对此并没有兴趣。他解决的7个问题都是其他领域的。

这让我们对麦卡瑞恩有了一些了解，（他是那种不喜欢凭直觉工作的人），但我们了解更多的是“创新中心”。当莱克汉尼仔细研究了“创新中心”的资料后，发现麦卡瑞克并不是例外，他代表了一种规律——最有可能解决问题的科学家，是最意想不到的那些人。

“实际上我们发现，‘解决人’更容易在与自己专业无关的领域获得成功。”莱克汉尼说。问题离他们的专业越远，就越有可能得到解决。“我们把问题比作花朵，目的不仅是吸引最多的昆虫，而是种类最多样化的一群昆虫。”

莱克汉尼的论文有一个更有趣的观点：在成功解决问题的人当中，足有75%的人已经知道问题的答案。研究表明，这些全球最顶尖企业的研发人员历时数年都没能解决的问题——其解决方法居然不需要突破思维，也不需要其他的智囊出谋划策，只需要足够多样化的一群人来尝试（便可以得到解决）。这些都支持了海耶克的论点：不是获得更多的知识才能取得进步，而是要学会汇总和利用我们已有的知识。我问麦卡瑞克，他花了多少时间来解决“创新中心”的问题，他的答案很能说明问题——“如果我想了30分钟还不知道该怎么做，就放弃。”

对于商业和科学领域的人来说，莱克汉尼的发现也许算新闻。因为在这些领域，几十年专业化的风潮大行其道。但他们恰好吻合经济社会学几十年来的研究，与社会学家称作“弱连接力量”的法则不谋而合。

1970年，哈佛大学社会学准博士马克·格拉诺维特(Mark Granovetter)跨过查尔斯河来到马萨诸塞州牛顿市，询问了当地282名职业技术方面的管理层员工，如何得到了现在的工作。调查结果是，大多数人利用了私人关系，这个结果并不意外，只是再次印证了一个传统观点——“你知道什么并不重要，重要的是你认识谁。” 但是，格拉诺维特的研究更深入了一些，他想知道到底是哪种私人关系？是配偶？兄弟？还是密友？结果——都不是。只有16.7%的人是通过这样亲密的关系找到工作的，剩下借由个人关系找到工作的都是通过他们几乎不认识的人。帮助最大的是朋友的朋友。

因为我们熟悉的人知道的事情和我们知道的是一样的，比如知道的适龄单身人士一样，知道的工作机会也一样；哪些公寓正在出租？——我们知道的还是一样。

弱连接的力量和公司环境内那种根深蒂固的偏见正好相反。莱卡汉尼说“在人际交往中，人们有很强的同质性倾向，也就是我们通常说的物以类聚。因此，即使公司通过寻找外援来解决问题，也会依赖于他们了解的人或者合作对象，同样会产生在局部寻找的偏见，这和在公司内部解决问题没什么差别。”

这样看来，那些难倒宝洁顶尖科学家的问题，爱德华·麦卡瑞克几杯白兰地下肚就能解决，也就不足为奇了。

要让一切实现，关键是要在像“创新中心”这样巨大的网络中寻求外援。或者，像莱卡汉尼的比喻说的，让你的花尽可能吸引更多的昆虫。这点说起来容易做起来难。“公司是不能对外公布他们的内部问题的。传统的公司文化限制外人接触内部信息，而不是越多越好。”那么还有什么比让他们束手无策的问题更加隐秘的公司内部信息？当然，这样反而会给那些愿意逆流而行的公司提供更好的机会。

如果一个文化程度不高的家具工可以解决他的时代最令人困惑的问题之一；如果一个电气工程师能解决世界五百强公司遇到的最棘手的化学问题，那么，MATLAB的奈德·格利对于未来，集体智能也许可以治愈癌症的设想也许并不荒谬。

这个目标并不像听上去那么遥不可及。受到SETI家庭工作室（SETI@home）分布式计算启发，斯坦佛大学化学系开展了一项“折叠”家庭实验室计划（Folding@home），也就是利用成百上千台家用电脑的空余计算能力模拟“蛋白质折叠”——蛋白质自我组装形成生物分子的过程——这对于了解像囊胞性纤维症和阿耳茨海默氏病（提早老年痴呆症）以及癌症等疾病，是关键性的一步。

从开发上千台电脑的剩余生产力到开发上千个大脑的剩余生产力只需向前迈一小步，而且这件事已经发生了。“创新中心”最近和非盈利组织prize4life合作，对方提供100万美金的奖金寻找能够帮助治疗“运动神经元病”，又称“葛雷克氏病”(Lou Gehrig's disease)的方法。这种模式很容易被应用到寻找其他病症的治愈方法上。大众最接近的规模（也就是网民的人数）是十亿，当十亿变成三十亿会发生什么？所有这些人一起工作，会创造出怎样的集体认知成就？

把难题交给众包解决，这一方法已经渗透进了最不可能创新的联邦政府。2007年，佛蒙特州的独立派，参议员伯尼·桑德斯提出一个议案，将专利部门给予药品公司的药品专卖权用一种现金奖励的方式取代。议案提议政府建立800亿美元的基金，将这笔钱用于奖励定向的医药目标，比如改进疟疾的一些治疗方法。

目前药品公司并没有资金，研究这类救命的治疗方法。因为对疟疾这类杀手看似无情的漠视，药品公司成为众矢之的，但实际的原因是这类药品的研发十分昂贵，而最需要这类药的人也是最贫穷的，这意味着药品公司很难从治疗疟疾的药品中赚回成本。桑德斯的议案将基本上保证为成功研发出此类药品的个人和公司提供补贴。

在政治光谱的另一面，纽特·金里奇(Newt Gingrich)提出一个类似的系统，用于降低政府的花费。正如威廉·赛尔顿(Willam Saleton)在2007年10月的网络杂志《Slate》上写到的，金里奇建议“与其给联邦政府部门10亿美元去解决问题……不如将这笔钱奖励给第一个解决这个问题的公司。随着对话的开展，金里奇开始给一个又一个的挑战投钱。为什么这个方法这么有效率？——为了10位数的奖金。”

但我最喜欢的解决问题网络是Netflix竞赛奖金。2006年末，电影租赁公司承诺，任何可以将电影推荐系统性能提高10%的人，都将获得100万美金。这个竞赛受到了职业统计学家以及各式各样业余爱好者的欢迎，同时也吸引了很多观众。而且这对于奈特格利在MATLAB竞赛中提出的原则是一个掷地有声的肯定，只不过换到了商业背景下。

从1997年开始，Netflix成为了各地邮递员的“烦恼之源”。现在，它每天要给750万订阅用户发出35000封授权信。2000年，Nexflix网站增加了一项服务，叫做“你可能会喜欢”（Cinematch）——网站根据之前用户观看过的影片为其推荐电影。对于推荐引擎，有个很著名的说法——它是现代网页中一个有缺陷的服务。“你可能会喜欢”也不例外。这个系统主要是在1-5星的星级评分中，预测用户会为某部电影评多少分。现在“你可能会喜欢”已经有0.9525的平均错误率，也就是说，它平均丢掉1星。假定用户对待三星的电影是不看，但会考虑租下四星的电影来看，那么目前的系统效果就太不理想了。为了改进系统，Netflix极大的扩充了资源，但公司最后决定考虑比尔·乔伊的论点——无论多聪明的人为你工作，最聪明的还是在别处。

“那些我们没有雇佣的人一样可以为我们工作。现在，需要靠他们来创新。我们只是助手。”Netflix推荐系统的副总裁吉姆·本奈特说。

在登录网站后，参赛选手会进入一个巨大的资料库，里面有一亿用户的评分。通过研究这些评分之间的关系，参赛者试着修改代码，目的是更准确的预测人们更爱看什么样的电影，他们向Netflix提交了自己的算法，通过和用户对电影的真实评分做比较，公司会给算法打分，然后放入排行榜。

在实验开始不到两周的时间里，Netflix收到了169份结果，其中一些对现有的系统有些改进。一个月后，提交超过了一千份。最好的程序员很快将“你可能会喜欢”的性能提升了大约5%。但接下来进展就变缓了，一年后，最佳选手——一组来自AT&T的信息可视化研究小组的程序员“BellKor”——仍然只能将“你可能会喜欢”的性能提升8.43%。

从基本的形式来看，Nexflix奖金很像MATLAB竞赛。选手试着写一个算法，解决一个难题，然后提交，即时打分。和MATLAB不一样的是，Netflix拒绝公布每个提交的程序代码。这是可以理解的，有100万美金的风险呢。有人认为，一旦公司这么做了，选手会到大门前抗议。但正如乔丹·埃伦伯格在2008年在《连线》上发表的关于Netflix奖金的文章中提到的，选手决定无论如何也要共享算法。

“冲着奖金来的人，即使处于领先，对自己算法的态度也惊人的开放，他们的表现更像是一群为了攻克某个难题聚在一起的学者，而不是为了100万美元的报酬争得头破血流的企业家。”一个叫做simonfunk的选手，尽管他处于第三名，远远领先于其他竞争对手，但还是将自己的算法完整的公布了出来。这些看上去无根据的开放行为是否危及了他们赢得奖金的能力呢？埃伦伯格就这个问题询问了BellKor的头儿，他看上去有些迷惑，答道，“通过和其他小组互相学习和互动，我们得到了足够的收获。这对于我们来说才是真正的大奖。”

最出乎意料的人为Nexflix奖金做出了有益的贡献，这很像MATLAB竞赛中的“脚本少年”。嘉文·波特，一个48岁的退休管理顾问，为了找点乐子决定参加Netflix竞赛，他自称“住在车库的人”，2007年10月，波特飞速上升为排行榜的前十名，其他选手会使用复杂的统计学算法，而波特既没有相关背景，也没有经验。但波特运用了他在人类心理学方面的知识，询问了用户在平时生活中如何为电影评级的一些问题，比如，近期上映的电影是不是会得到较高的分数？

利用在行为经济学领域（一种新的学科，用心理学解释影响人们做出某个经济决定的原因）积累起来的洞察力——波特将一些人考虑在算法内，比如说，倾向于给每个电影都打三星以上的人。这听上去很基础，但研究算法的统计学家对此却并不敏感，他们认为，所有顾客都是一样理性的。在本书（原版）出版之际，波特是第五名，仅比第一名少1.5%。

和Nexflix的奖金一样，戴尔的“点子风暴”也尝试利用大众的集体智能解决问题。但和Nexflix不同的是，戴尔并不是尝试解决现有的问题，而是利用大众来创新。

这个电脑制造商在2007年2月举办了这次竞赛，本书出版时，“点子风暴”的网页上已经有超过9000个点子。这些点子包括让戴尔在全美设立技术支持呼叫中心，以及要求在台式电脑的背后设计更多的USB接口。

戴尔的这个网页是建立在标准社交媒介方案基础上的，也就是说，用户不但可以在网上提出新的点子，也可以评论他人的点子。另外，他们可以用“大拇指向上”或“大拇指向下”的方式投“升级”或“降级”票。获得最多升级票的点子会在点子风暴的主页上出现，就像最吸引人的报道在社会新闻网站diggs.com上升为头条一样。

最后一个功能利用了众包另外的一个关键元素——大众的集体意见——它的效果太强大了。“点子风暴”上线那天，一个名叫dhart的用户建议戴尔应该在电脑上预安装Linux操作系统。大概三万名用户表示赞同，dhart的帖子几个月来一直保持在第一名的位置上。结果，2007年5月戴尔发布了三款使用Linux操作系统的新电脑。

戴尔尝试与顾客合作，是众包的一个类型，叫做“点子汇”。尽管“点子汇”更多的是讨论尚未出现的问题的解决方法，而不是针对某个现有问题，但他们和“创新中心”以及Netflix竞赛奖金这样的众包网站是近亲。这个词来自2006年IBM举办的“创新汇”。公司在宣传这次活动时，称它是“史上最大的一次头脑风暴集会”。来自104个国家超过15万人贴出了46000多个点子。同年公司宣布，基于“创新汇”提出的点子，公司将斥资1亿美元创立10家新公司。

“创新中心”，Netflix奖金，以及戴尔的“点子风暴”都利用了多样化的力量。佩吉提出，想象一下，任何问题最好的那些解决方法就像是一个个连绵的山峰。“受过类似教育的人将会征服同样的山峰，因为他们用类似的方法解决问题。但是背景不同的人——比如刚才提到的学心理学的——在寻找解决之道时会采用完全不同的探索方法。他会尝试去攀登不同的高峰，最后很可能这是最高的那一座。”它的好处，对于面临棘手问题的个人和公司来说显而易见。众包的优势在于，任何人都可以向山峰发起挑战。事实上，它什么都不限定，对每个想尝试的人都敞开大门。而结果，总是令我们惊喜。

在合适的条件下，“创新中心”的众包案例中多样化胜过能力。原因非常简单：无论有多少失败的方法，都不会影响到最后成功的那一个。“比如Netflix奖金，多少傻瓜来尝试解决这个问题都没关系，人越多越开心。”佩吉说。

更多的人使用更多的方法来解决问题——无论这个方法多么欠考虑——最后解决这个难题的几率都不会因此下降，反而会增长。如果他们是错误的，大可以直接忽略。但这个道理只适用于类似Netflix奖金和“创新中心”这样的众包项目，当我们利用大众来预测未来时，每一个预测都会影响最终的结果。在这些例子中，多样性扮演的角色复杂的多。

预测市场——投资未来

1988年，民权激进主义分子杰西·杰克逊在密歇根赢得了民主党首轮竞选，这震惊了全国。这是投票的人以及政界内部人士都没有预料到的结果。在爱荷华大学，一群政治学家和经济学家，对人们没有预测到杰克逊的胜利很感兴趣，想知道市场是否能在预测选举结果方面做的更好。在接下来的几个月里，刚好是老布什和迈克尔·杜卡齐斯(Michael Dukakis)的大选，他们建立了爱荷华政治股票市场。根据每个候选人得到的投票份额，投资者最多可以买500美元的债券，股票价钱在1美分到1美元之间不等，必须足额支付。如果在布什的股票涨到55欧元时你一把抓住，就能从每股中赚得45欧元。

11月，结果揭晓。那年主要的民意调查结果，错误率平均是2.5%——这已经不错了。但爱荷华政治股票市场做的好太多了，他们预测的结果误差不超过0.1%。“统计学的法则主宰了民意调查。” 市场的创始人之一罗伯特说，“亚当·史密斯提到的‘无形的手’在这里起作用了。”

实际上，因为这个结果太深入人心，大学重新将实验命名为爱荷华电子市场（IEM），允许一系列关于未来的交易，比如，国外的大选，谷歌的市场资本总值，微软股票某日的价格以及美联储即将出台的政策。自从此类交易开始后，20几年里，IEM一直胜过最好的民意调查。

这一切是为什么呢？难道民意测验没有开发集体智能吗？他们不是一种众包吗？答案是，他们是的，但这不能让他们成为类似IEM信息市场那样精确的预言机构。民意调查是种简陋的工具：最傻和最聪明的人同等重要，而且他们都只有一次机会。而在预测市场上，经济回报会让聪明人因为智慧而得到优势，愚蠢的人在同样的环境下会被逐渐淘汰，斯科特·佩吉将这种原则称为“蠢人出局”。

和民意测验，调查以及专家预言相比，预测市场拥有巨大的优势，它吸引了媒体，私有公司以及政府部门里面越来越多的人。也许在范围和方法论方面有所不同，但预测市场和所有的期货市场并无区别。交易商在可能的结果上下注，对象涉及总统选举等内容，而不是猪肚。从理论上说，某个市场中证券的价格反映了大众对它走向的预测。

众包网站和预测市场都利用了集体智能，但方法迥异。预测市场仅仅是汇聚信息的机器，但这并不意味着信息市场不展现它自身的神奇能力。“谁想成为百万富翁”的原理放在这儿也起作用——愚蠢的人一般会采用随机投票的方式，那么只需几个精明的观察者就能预测出准确的结果。

和“百万富翁”不同的是，预测市场并不是一个简单的信息汇聚系统。在预测市场，所有的“票”并不都是平等的。如果一个投资者有内幕消息，他或者她很可能会比一个凭直觉投资的人投更多的钱。在本书出版之际，希拉里·克林顿的股票在爱荷华电子市场上大概是13欧元（也就是说，如果她没有获得总统提名，每股就获益87欧元）如果一小部分人知道了破坏奥巴马竞选的大丑闻，那么很自然的，他们会买进希拉里的期货。在预测市场上，人人都可能在金钱的驱使下泄露个人知道的消息。同样的，在这个市场中，（低廉的）投资成本也诱惑着那些攥紧钱袋对此视而不见的人。

在2004年总统大选的前一天，著名的网络媒体《沙龙》(《Salon》)的作家哈德·曼约(Farhad Manjoo)提出：民意调查中，来自民主党的竞争对手约翰·克里（John Kerry）领先于布什总统1~7个百分点，而IEM的交易者却偏向了布什。

“是什么造成了民调和IEM之间的差异？”曼约问道。答案是：在民调中没有人需要承担金融风险。“如果在大选中压上了钱，精神就得集中……我支持克里做总统，但在IEM，我赌他当不上总统。”现在我们都知道，这是一个明智的赌注。即使民调显示克里获胜，但IEM仍然预测布什获胜。在当日午夜，IEM公布的数据是布什以50.45%领先于克里的49.55%，这与最终的大选结果惊人的吻合。

多样化也影响着预测市场的结果，但它的作用并没有超过能力。在预测市场，多样化和能力同样重要。斯科特·佩吉再一次用数学定理为我们解释了这一现象。佩吉的“多样化预测定理”是：集体的错误=个人错误的平均值—预测的多样化。他使用了很多看上去很吓人的公式来证明这点，但逻辑十分简单易懂：如果两个预测之间的分歧较大——我猜40，你猜60，答案其实是50——预测的多样化会相互抵消，这和“百万富翁”很像。正如佩吉写的，在预测市场中，“表现不同和表现出色同样重要。”

尽管IEM有准确预测的记录，但直到后来在所谓的“恐怖主义期货市场”上爆发了一场政治风暴后，信息市场才变得广为人知。2001年5月，美国国防部高级研究计划局的一个项目主管公布了一项议案，提议用市场来预测某些事件，比如恐怖袭击，政变以及暗杀。其中，一名预测市场学的先锋人物罗宾·汉森获得了100万美金的奖励。汉森是一个标新立异的思想家，他认为预测市场的效果很显著，便提议建立一个基于预测市场基础上的政府形式——“富塔奇”。

汉森任职于圣蒂亚戈一家名为“网络交易”的公司，他创造了政策分析市场（PAM）——一组情报和政策分析专家对某些外交事务投资（上限为100美元），借此来预测很多事件，比如国家稳定（科索沃是否会宣布独立？）经济增长（印度的GDP今年会不会增长10%？）军事准备（如果印度侵略巴基斯坦，它的军队能成功占领这个国家吗？）等等。对于汉森和预测市场上那些财富来说，有一点很不幸——预测的范围也包括了对恐怖主义的预测。

PAM随后被纳入反恐信息警戒办公室，它的主管是已经饱受争议的前国家安全顾问约翰·鲍因德克斯特（John Poindexter），他曾因在伊朗军售舞弊案中提供伪证而获罪，此外还有其他几项重罪。随后美国便发生了“9·11”世贸中心恐怖袭击事件，在那种紧张的环境下，接下来发生什么都不足为奇。

2003年7月，很多人在PAM下注，说会发生恐怖袭击！这次的目标是国防部！新闻媒体捕捉到了这一动向——在第一篇报道出现后不久，美国参议员罗恩·维登(Ron Wyden)——一个来自俄勒冈州的民主党人士，还有来自北达科他州的民主党人士拜伦·多根(Byron Dorgan)举行了一个新闻发布会，嘲笑PAM鼓励人们从恐怖袭击中赚钱。在第二天破晓之前，五角大楼被迫关闭了PAM，同时也结束了汉森关于“富塔奇”的梦想。

一周后，PAM被彻底的扫进了历史的垃圾桶，它的结局和夜间脱口秀节目中某个压轴笑料一样。但许多经济学家和政治学家认为PAM并非罪无可赦，它有很多潜在的力量——在预测未来事件方面，这个市场比任何专家都做的好——它的坏名声甚至有可能帮助预测市场更快地成为主流的选择。

期货交易员的选择面已经宽了很多。从票房总收入到奥斯卡结果，好莱坞股票交易所（HSX）为交易员在各方面都提供了市场。HSX有一个很值得夸耀的记录，它预测了奥斯卡超过80%的提名。（其中包括最默默无闻的几类，比如最佳音效剪辑奖）。而且，从1996年上线开始，它最多只猜错过一个大奖。除此以外，市面上甚至出现了一本针对这种新兴学科的专业期刊——《预测市场》。

私有企业已经跃跃欲试，准备好迎接预测市场的到来。为了将诸如库存，销售目标，生产能力之类的决策过程众包，公司在企业内部使用了这种机制。

20世纪90年代中期，惠普和加州理工学院的经济学家查尔斯·普洛特（Charles Plott）设计了一个期货市场，用来预测一系列惠普产品的销售情况。通常，销售预测是由公司销售部门的分析员完成的。但在普洛特的实验中，雇员来自各个部门。用不同的证券代表不同的销售数额，按特定差距分类。比如说，如果“投资者”认为，在某月公司能卖掉201到300台打印机，就买下那个证券的股份。如果他猜对了，每股可获1美元。结果证明，8种惠普实验的产品，有6种击败了正式的预测。自此，惠普建立了“实验经济学”小组，用预测市场来完成额外的研究工作。

市场比专家更胜一筹，因为在市场中，交易的人们聚在一起，有机会获得更多的信息。麻省理工大学斯隆管理学院的教授托马斯·马龙在他的书《工作的未来》中写道，“其实很简单，中心计划人员掌握的信息不如分散的销售人员掌握的那么多。”

谷歌，微软，礼来，高盛，德意志银行，都采用预测市场来辅助公司制定战略。马龙本人和电脑芯片制造商英特尔合作，进行了一项很成功的实验，利用一个内部市场来确定每个制造工厂应该在某一季度生产多少芯片？修改过后，这个方法的效率达到了99%，远远超过了英特尔用传统方法完成的结果。

马龙指出，这样的市场能够帮助公司快速适应外界瞬息万变的情况，“因为每个人都希望尽快抢占市场，以取得领先优势。”而至关重要的信息瞬间即逝。“与其让一组高级经理为几个方案日以继夜的工作，不如让一大堆人在同一时间工作，探索大量的可能性。”——就像蚁群中，工蚁在各个方向同时觅食一样。2006年，马龙成立了麻省理工大学集体智能研究中心，现在正在尝试使用预测市场将医疗和天气变化这样的世界级难题众包。

没有什么比旺盛的需求更能推动创新的发展，近年来，越来越多的公司为预测市场提供现成的软件平台。总部位于芝加哥的公司Inkling Markets，允许每一个人创造自己的预测市场，它的客户包括思科，电子游戏制造商艺电（Electronic Arts），克莱勒斯，科技出版商奥莱利传媒公司，富国银行，印第安纳大学，牛津大学，斯坦佛大学，甚至美国洛斯阿拉莫斯实验室。

问题是，大部分这样的市场都缺乏预测市场最关键的成分：真实货币的使用——这是为了避免赌博。IEM的存在是日用期货贸易委员会的一个例外，其他的预测市场使用的是虚拟货币。经济学家也同意这是一个问题。人们在一堆复杂动机的驱使下积极参与其中，经济回报并不总是主要原因。在类似HSX市场中，参与者说他们是出于好胜心被迫参与的，因为这样会在同伴中更有声望。但预测市场不像iStockohoto或者Threadless.com，它不大可能出现一个激进而且紧密结合的社区——提升名誉的承诺是站不住脚的。

预测市场也逐渐遇到了影响其他股票市场的问题：一时的狂热，信息重叠，泡沫。比如20世纪90年代末，科技股大行其道，无缘无故的火爆起来。

建立预测市场，尤其对那些希望在内部设立这种机制的小公司来说，一个更大的障碍是，期货交易的准确性和市场的“密度”——也就是在一定时期买进卖出的交易员人数——是成正比的。惠普和谷歌发现，要说服那么多雇员，为了一点点收益参与到内部市场中，不是那么容易的事。（谷歌允许员工用虚拟货币投资，收益是类似T恤和礼券之类的奖品）“结果，证券市场变得疲软，交易数量太少，达不到有效预测的目的。”          惠普社会化计算实验室的主任贝纳多·休伯曼（Bernardo Huberman）说，“其次，一个疲软的市场很容易被一些交易员操纵。”比如，某个销售员可能会根据自己的喜好随便预测。——离开了大众，众包也就不复存在了。

为了扭转这种趋势，休伯曼发明了一种方法，用于抵消疲软市场带来的不良影响。即使只有公司董事会成员做交易，也能得到准确的预测。

其实就是让每个参与者回答一系列问题，据此评估他们规避风险的水平。那些做事容易不管不顾的人得分很高，而那些性格相反的人分数则很低。在任何预测市场中，他们占据的位置都是根据风险指数确定的。休伯曼认为，用他的系统（惠普拥有专利）能够解决这个难题，他说其他公司（没有指出名字）也已经获得使用许可了。“我能想象当它被应用在智能工作中的情况。比如说，众多对阿塞拜疆一知半解的人可能会聚在一起，对那儿可能发生的事情做出相当可靠的预测。”

预测市场的拥护者也在试着改变关于赌博的规定，只要赌金数额不大，他们希望有关方面允许在非盈利的信息市场使用真钱投资。（IEM每个投资账户的上限是500美元）2007年5月，20多个著名经济学家给国会以及联邦监管机构写信，呼吁为这类活动建立一个“安全港口”，他们指出“将这类市场作为预测工具，可以极大的提高公共和私人领域的决策过程，同时能让风险控制更有效率……”

迄今为止，我们一直将众包和预测市场看做两个完全不同的现象。从集体智能的角度来看，他们的确不同。但在众包中，理论扮演的角色很奇怪——众包是一种已经在实践中出现的经济生产方式，而我们被迫要将理论套用在实践中。互联网让改变如此之快，理论几乎跟不上。因此在现实世界中，一些集体智能既不是应用在信息市场也不是解决棘手问题的网络，而是两者的结合，这也并不意外。众包并没有一系列铁定的规则，有时最好的战略就是运用才华即行创作。

Marketocracy：集体智能的即兴创作

T.J.怀特身上集中体现了关于多样化的争议。1999年，没有多少投资人会让怀特来帮他们打理证券投资产品。那时的怀特几乎没有任何经验。在德克萨斯州上高中的时候，怀特是一个默默无闻的学生。在美国，他度过了默默无闻的六年。之后又在海军工作了六年，地点是科罗拉多州，他将这段时间称作“第二个童年”，怀特陆续干了一些工作，唯一的目的是“保持一种生活方式”，这种生活方式包括滑雪和勘探金矿，但他两样都不行。

那一年的某个早上，怀特一觉醒来，看着公寓外面的停车场，一瞬间醍醐灌顶。“我太失败了，我已经30岁，却一无所有。没有技术，没上过大学，没有事业。”

2000年新年刚过，怀特就搬到了达拉斯，那些让他疑惑的问题逐渐有了答案。很快他就在离家不远的家得宝公司（全球最大的家具建材零售商，译者注）找到一份工作。“经理以前也是海军，我们一见如故。”怀特回忆。几周后，他在一个“高个儿德克萨斯人”的小型聚会上遇到了现在的妻子，“在我刚搬到达拉斯的时候，无意间进了这个网站，我身高6.2英尺，切莉也是。我们很快相爱了。”

怀特找到了属于他的职业：通过互联网做短线股票交易。“每个人都在谈论那些类似家得宝这样的公司有稳定工作的百万富翁，为什么我就不行？（20世纪90年代末，许多家得宝的雇员靠公司股票赚了大钱）”

怀特说服切莉，将他俩毕生的积蓄都投了进去，开始投资。他购买了一个科技公司6000美元的股票，他曾在“达拉斯晨报”上读到过这个公司；另外的4000美元投在了其他的科技股上。年末，科技股大跌，怀特的钱化为乌有。

在当地一家汉堡连锁店，怀特和妻子切莉进行了一次谈话。怀特想让妻子将剩下的2000元积蓄给他，让他继续投资。

“她在对面看着我，握着我的手，然后说‘你不擅长这个，你尝试了，但失败了。’”怀特吃了没经验的亏，但他收获了两个珍贵的教训。第一，他发现自己喜欢投资的过程——钻研计划书，研究市盈率，把虚增的部分从真实的获益潜力中排除掉。更重要的是，他意识到他再也不应该把钱投给一个他不了解的公司。

“我对生物科技或者计算机一窍不通，但是如果某个人在地上打了一个洞，说要寻找石油，我会去仔细了解一下。”

第二年，怀特就找到了一个更安全的渠道释放热情。一个叫做Marketocracy的投资公司允许员工在他们的网站创造“模范投资组合”。也就是说，Marketocracy是股票市场的预测市场。免费注册后，任何人都可以开10个账户，每个以100万元独占资金起。怀特的第一笔资金来自范围相当广的投资，他称其为“蓝领工业”。开始，他还是不断赔钱，但很快就停止了短线投资，开始追求长期利益。他做这件事有一个基本的公式，就是只对增长率超过市盈率的公司投资。沃伦·巴菲特和富达基金经理以及作家彼得·林奇都主张这种方法，他们提倡“在了解的基础上投资”，但怀特说他当时并不知道这些——“我还以为这是我发明的。”

事实证明，怀特的直觉惊人的准确。他已经在Marketocracy交易了7年，最佳盈利记录甚至高于华尔街几支最好基金。如果你在2001年给怀特100万美金，现在将拥有417万6000美金。怀特并不都是用虚拟货币投资。通过赚取佣金，他慢慢有了积蓄，并且在2005年和切莉结婚后，很快辞掉了家得宝的工作。

“我现在的投资金额达到16万6000美金，我们买了两辆车。”切莉辞去了在软件公司的工作，全天照顾小狗。“她憎恨以前的工作，这还是好听的说法呢。”怀特说，“现在她不用工作了，这是最好的一件事。”

 怀特这样的人居然会是投资天才，这貌似不太可能，但能够发掘出这样的人，是Marketocracy做的最好的地方。超过10万人创造了“模范投资组合”，其中大约有2万被认为是“活跃交易员”，他们定期——甚至是不由自主的——管理自己的投资产品。Marketocracy留意着这些“代用基金”经理的表现，通过一个选拔系统，挑出最好的一百名“模范投资组合”，这一百支基金将有可能进入“明星100（Masters 100）基金”，这些基金的实质资产值达到3500万美元。对共同基金来说，这些钱并不算多，但对这样另类的投资方式来说，却是巨大的肯定。

表面上看，Marketocracy是标准的集体智能众包。尽管Marketocracy有一大堆来自股票相关领域的所谓专家，但更多的是像T.J.怀特这样的人——律师，厨师，地理学家以及对市场某个领域有特殊见解的人，能够敏锐的觉察到交易的技巧，或者知道什么时候能从黑马中获利。这些就是佩吉称作“模范大众”的人——也就是说，Marketocracy的决策并不是建立在大众基础上的，而是建立在一部分表现最好的大众基础上。

佩吉说，“（他们）就像一群专家。”在本案例中，专家既包括高智商类型的人，以及众多不可或缺的“棕色袜子”。这似乎将成为一种胜利模式——从2001年末开始，明星100的表现超过了股市的标尺——标准普尔500——近40%。

这个记录能清晰的证明多样化群体的优势所在。但实际上，Marketocracy投资管理方法背后的事实，更有趣也更加复杂。同时它也揭示出许多集体智能微妙的表现方式，在这一过程中，必须辅以一定的条件。几年来，让Marketocracy自豪的是，它调配出一个精确的混合物，同时包含有众包网络和预测市场最好的特性，纯粹根据投资组合的表现在怀特这类人中选贤任能。但在随之而来的一些灾难性的季度里，公司也学到了如何谨慎行事：有时要跟随明星100精英投资者的步伐，偶尔也需要背道而驰。

在创立Marketocracy之初，肯·凯姆(Ken Kam)和马克·塔古奇（Mark Taguchi）根本没有想过集体智能这档事，他们俩只是想发明一种更好的方式，用来寻找贸易人才。

1994年到2000年，两人帮助运营“第一手基金（Firsthand Funds）”，这支基金的表现超过了同期其他所有共同基金，在第一个五年中，它的平均回报率是56%。

两人离开后，创办了自己的基金，简历铺天盖地的飞来。为了找到最好的交易人才，他们要求应聘者以及任何能上网的人，创造一个模拟投资组合。本来他们希望的是，有大概5000人在Marketocracy开户，这样一两年后就能有足够的资料帮助他们雇佣到最好的交易员来管理新的基金。“但这个目标很快就变了。”塔古奇笑道，和肯对视了一下。

第一年，大概有5万准投资者注册并创立了虚拟投资组合。塔古奇说，“我们一直认同团队的概念。但那个概念逐步发展成为一个‘巨型’团队。”2001年11月，Marketocracy发行了“明星100”。很多双眼睛关注着Marketocracy，在上一个牛市中，肯和塔古奇已经成为巨星，大家都对他们经营共同基金不同寻常的新方法充满兴趣，或者充满怀疑。

最初，事实似乎证明肯，塔古奇和大众都是正确的——第一年，市场进入全面萧条，但“明星100”从一开始就跑赢了大盘。年末，Marketocracy高于标准普尔指数14%；2002年末，市场跌至低谷，随着经济的复苏，股票市场也开始逐渐攀升。那时，肯和塔古奇用最简单的方式经营基金——公司完全按照“明星100”反映的比率分配资金。塔古奇说，“一开始，我们把前一百名的基金看做投资基金的样板，所以，如果‘明星100’在苹果公司投3%，我们也这么做。”这支基金的表现继续领先于市场。Marketocracy的“大众能量”投资策略在2002年的熊市中仍然表现出色，在2003年的牛市中也一样。

肯说，“2002年，防守型的人开始掌权。”这些投资者在市场低潮的时候能够做出合适的决策，但随着股票市场开始上扬，肯和塔古奇希望能有不同类型的交易员掌舵。“2003年我们开始换上一些更有魄力的投资者，”这似乎是一种安全稳妥的措施。2003年，基金的回报率重新回到了不起的42.82%，如潮的资金开始涌入。

然而，到了2004年，市场开始进入一个全新的更为复杂的阶段。“那时市场起伏不定，时好时坏，而且（这种动荡）不总是在同样的行业。”明星100开始表现不佳，投资者逐渐撤走资金，仅一年，管理资产（投资基金的主要绩效指标）从1亿降到5000万。

显然，在Marketocracy的算法中有缺陷。

第一，肯和塔古奇意识到，由于顶尖的投资者彼此认识，（Marketocracy曾举办一些活动，让成员互相见面，聊聊各自的本行），投资的时候他们就会互相商议——这有其有利的一面，比如说，成员们可以对他们目前尚未投资的产业有所了解，但同时也有很大的不利：商议是集体智能的天敌，因为它会减少多样化。随着人们的协商，他们会达成共识。若想要大众做出明智的预测，或者提出解决问题的新奇方法，最主要的条件之一就是：每个人都要独立自主的做出决定。肯说，“在最好的交易员中都开始出现一窝蜂心态了。”因此，肯和他的团队对网页做了一些改动，其中之一就是让成员们无法看到彼此的交易情况。——“很快就起作用了。”

但真正的突破在于，Marketocracy意识到，仅仅用最出色的前一百名交易员作为工具实在是不够，仅用一种算法来指导投资局限性太强。公司还有很多表现稍逊色的交易员，虽然他们不是最好的，但其独一无二的专长也可能会在某个交易中为公司带来巨大的收益，然而公司却没能充分利用这些人的才华和能力。因此，Marketocracy开始出击，利用整个社区的力量做决策。

在2004年Marketocracy遭遇失败后不久，肯和塔古奇就开始实践这种混合的方法。“我们发现一小部分交易员在大量买进一个叫‘Knighsbridge油轮’的股票，这是一个石油运输公司，”肯说。在“明星100”中没人接触过它，甚至可能都没人听过。但是在Marketocracy，很多非精英交易员大量加载这支股票。“它的交易价格前所未有的低，但所有这些人都逆流而上，为它投资。我们很想知道为什么？”因此，他们给一些交易员发了邮件。“（结果）我们得到了惊人的细节信息。”

实际上，这些交易员掌握了明星100和华尔街都不知道的内部消息：“这家公司准备将所有的油轮都报废。你是怎么知道的？谁会知道这些事？”肯带着怀疑问。

“结果，这些油轮是在新加坡注册的，有些人专程去新加坡看了注册情况，太不可思议了。一般的经验告诉我们，当油轮到了要报废的时候，价值为零。但是钢材的价格会在短期内达到最高，所有这些都会以股利的方式回报给投资者。”Marketocracy大获全胜。

事实上，公司逐渐成为一个预测市场，并利用了众播的重要组成部分。佩吉说，“在解决问题的方案中，多样化战胜能力的原因是，你总是能把傻瓜扔出去。”但在Marketocracy的例子中，由于太相信“明星100”，这个自由选择权很难得到实践。佩吉解释说，“挑选股票一部分和预测有关，一部分和解决问题有关，因此Marketocracy的方法很好理解。”

开发人们的集体智能涉及到交易大众已知的东西，此类众包的应用一般要求个人贡献一些时间和精力，他们在我们眼中可能像是添加剂：帮助人们更好的完成工作，但对现有员工没有威胁。

我们都明白，其他类型的众包有可能带来更多的破坏。在一些例子中，这样的破坏已经发生。