作者：（英）周若刚
出版社：中信出版集团股份有限公司
格式: AZW3, DOCX, EPUB, MOBI, PDF, TXT
大思维：集体智慧如何改变我们的世界试读：
前言
这本书已经酝酿数十年了，它来源于我的经验和研究。这些经验是实践性的工作，试图帮助企业、政府和非政府组织（NGO）使用技术和采取更明智的行动进行实际工作。与此同时，我的大部分研究和写作都是关于大规模思考是如何发生的。《沟通和控制：网络和新通信经济》（Communication and Control:Networks and the New Economies of Communication）（布莱克威尔出版社，1990年）讲述了数字技术带来的新网络的本质，以及同时带来的各种控制。它显示了网络如何既能赋予权力，又能剥夺权力（而且这本书的本意是纠正那种寄希望于网络，希望网络会自动开创一个更民主、更平等、更自由的时代的愿望）。《连接性：如何生活在一个相互连接的世界中》（Connexity:How to Live in a Connected World）（哈佛商业出版社，1997年）是一本更具哲学性的著作，讲述了相连世界的道德，以及在网络环境中所需的各种类型的人物与性格。《好权力与坏权力：政府的理想与背叛》（Good and Bad Power:The Ideals and Betrayals of Government）（企鹅出版社，2005年）和《公共策略的艺术：为了公共利益动员权力和知识》（The Art of Public Strategy:Mobilizing Power and Knowledge for the Common Good）（牛津大学出版社，2009年）讲述了国家如何利用其独特的权力做出最大的贡献，其中包括动员公民的智慧并与这种智慧合作。《蝗虫与蜜蜂：资本主义未来的掠夺者与创造者》（The Locust and the Bee:Predators and Creators in Capitalism’s Future）（普林斯顿大学出版社，2013年）提出了一个新的经济学议程，说明了经济体如何在控制掠夺性倾向的同时，增强集体智慧和创造潜力。
这本书的内容建立在我先前作品的基础上，结合了先前作品的内容，我希望它既是令人信服的理论，又是有用的指南。
尽管书中的一些想法借鉴了部分我以前的作品，但是我仍然能从这本书的对话、阅读和思辨中得到新的启迪。我非常感谢我在英国国家科技艺术基金会（NESTA）的同事，尤其是斯特凡纳·布罗德本特（Stefana Broadbent）、汤姆·桑德斯（Tom Saunders）、约翰·洛德尔（John Loder）、弗朗西斯卡·布里亚（Francesca Bria）、斯蒂安·韦斯特莱克（Stian Westlake）和佐莎·波尔特（Zosia Poulter）（负责图表制作）。我在哈佛大学艾什中心（Ash Center）的同事也慷慨地为此书付出了时间和精力，尤其是马克·摩尔（Mark Moore），为本书提供了广泛而有用的意见，还有乔里特·德·容（Jorrit de Jong）。我特别感谢艾什中心，让我有机会在2015年到2018年做了3年资深访问学者，从而让我能试验在本书中探讨过的一些想法。同样也是在哈佛大学时，罗伯托·曼加贝拉·昂格尔（Roberto Mangabeira Unger）和霍华德·加德纳（Howard Gardner）再一次给了我宝贵的激励。
此外，我想对纽约大学政府实验室（GovLab）内外的知识合作者表示感谢，特别是贝丝·诺维克（Beth Noveck）和斯蒂芬·费尔赫斯特（Stefan Verhuist）。来自华沙的玛尔塔·斯特拉敏斯卡（Marta Struminska）提供了非常有用的早期意见，同样提供了早期意见的还有拉莎娜拉·阿里（Rushanara Ali）、琳妮·帕森斯（Lynne Parsons）、罗宾·默里（Robin Murray）、宋永禄（Soh Yeong Roh）、加文·史塔克（Gavin Starks）、萨拉·萨文特（Sarah Savant）、沃恩·塔恩（Vaughn Tan）和弗朗索瓦·塔迪（Francois Taddei）。科林·布莱克摩尔（Colin Blakemore）和马蒂亚·加洛蒂（Mattia Gallotti）于2015年在英国国家科技艺术基金会组织了一场引人入胜的关于集体智慧的会议，马蒂亚还为本书的草稿提供了有帮助的详细意见，对此我非常感激。哈佛大学的卡里姆·拉克哈尼（Karim Lakhani）、麻省理工学院的汤姆·马龙（Tom Malone）、约书亚·拉莫（Joshua Ramo），以及这个领域的其他人的支持帮助和深入见解也让我受益匪浅。我还要感谢朱莉娅·霍布斯鲍姆（Julia Hobsbawm），她让我有机会在一个团体中测试了一些论点，这个团队中有历史学家西蒙·沙玛（Simon Schama）和记者大卫·阿罗诺维奇（David Aaronovich）。我也要感谢卢西亚诺·弗洛里迪（Luciano Floridi），谢谢他让我在《哲学与技术》（Philosophy and Technology）期刊上发表了一些观点。还有联合国开发计划署的延斯·汪戴尔（Jens Wandel）和吉娜·卢卡雷利（Gina Lucarelli），他们让我的这些观点有机会在发展领域内付诸实践。序言 巨大的挑战：集体智慧
图书馆中研究个人智慧的书随处可见，这些书探究个人智慧从何而来，它的表现形式是什么，它究竟是一样事物还是多样事物。但多年以来，我一直对另一个较少有人涉足的领域很感兴趣。我在政府、慈善机构、商业领域，以及社会活动领域工作时，一直被一个问题深深吸引，那就是为什么有些组织看起来比其他组织更聪明一些——能更好地驾驭周围世界中存在的不确定性。更让我想一探究竟的是，在某些实例中，有些组织中有的是聪明的人和昂贵的技术，但是那些组织却会以愚不可及和自我毁灭的方式行事。
我四处找寻各种理论和研究，试图理解以上情况，但几乎找不到。因此我在提出了假设后，进行了观察和评估。
在进行这项研究期间，我针对数字化方面进行了专项学习，取得了电信博士学位。我所受的学术训练在这项研究中给予了我很多帮助。数字技术有时会让人头脑过于简单，但这些技术有使思维过程可见的优点。有人必须通过编制程序来指令软件如何处理信息，传感器如何收集数据，或者信息如何存储。我们大家生活在一个更普遍的数字时代中，为了工作，我们当中有些人必须以数字方式思考。这些人不可避免地对如何组织智慧更加敏感，也许在另一个时代，我们可能会认为智慧的组织是一个自然、神奇，也很神秘的事实。
这引领我进入了一个领域，这个领域有时会被贴上一个标签：集体智慧。狭义地来看，它主要涉及网络上各个群体的人如何在线协作。广义地来看，它与各种智慧大规模地出现有关。从最广义的一端来看，它在人类文明和文化中无处不在，人类文明与文化构成了我们种群的集体智慧，这种智慧并非完美地通过书籍和学校，演讲和演示，或者父母向孩子们展示坐姿，怎样吃饭，早上怎么穿衣而代代相传。
我的兴趣当然不至于宽广至此。我关心的是个人与文明总体之间的空间——在生物学中相当于生物个体与整个生物圈之间的空间。就像研究某些特定的生态系统——湖泊、沙漠和森林——一样，研究在个别组织、部门或领域中，以中等水平运行的智能体系也是有意义的。
在这个范围内，我的兴趣仍然集中在一点，那就是“社会、政府或管理系统如何解决复杂的问题？”换句话说，集体问题如何找到集体解决办法？
当个体神经元连接到数十亿的其他神经元时，它才会变得有用。同样，人与机器的连接使集体智慧的跳跃性变化成为可能。当这种情况发生时，整体很可能远远大于部分的简单加总。
我们面临的挑战是如何做好连接的工作——如何避免淹没在数据的汪洋大海中，或者由于太多无关的噪声而听不到有用的信息，如何使用技术来增强我们的思想，而不是将其限制在可预测的俗套中。
本书的内容是描述和理论的结合，旨在指导设计和行动。它的核心主张是，如果每个个人、组织或团体能合作形成一个更伟大的思想（通过借鉴他人和机器的智力而形成），那么这些个人、组织或团体都能更加成功地成长壮大。现今已有30亿人和超过50亿台机器在网络上互相连接。但是，若想充分利用这些智慧，我们需要谨慎地注意方法，避免陷阱，并投入稀缺的资源。如同我们大脑中的神经元之间的连接，成功的思想取决于结构和组织，而不仅仅是连接或信号的数量。
这在不久的将来可能会更加明显。在21世纪长大的孩子被传感器和社交媒体重重包围，而他们视其为理所当然。他们参与互有交叉的群体意识——社区、群体和社团，而这让智慧主要集中于人类头骨内空间的想法变成了一个奇怪的时代错误。一些孩子过着比父母开放和透明得多的生活，对他们而言，与其说生活是独自的事，不如说生活是人群中的一部分，他们对这样的生活是乐在其中的。
然而，这些人一生中的巨大风险在于集体智慧无法跟上人工智能的步伐。因此，他们生活的未来，可能是这样的：极度聪明的人工智能居于无能的系统之中，做出最重要的决策。
为了避免这种命运，我们需要清晰的思考。例如，大家曾经认为，群体天生是危险、易受蒙骗和残忍的。最近钟摆却摆向了一个相反的假设：群体往往是明智的，真相却更加微妙——现在无数的例子显示了动员更多人参与观察、分析和解决问题会带来一定的成果。但群体无论是在线上还是线下，他们也可能是愚蠢无脑、带有偏见或过度自信的学舌鹦鹉。在任何群体中，互不相同、互有冲突的利益会让任何一种集体智慧成为合作的工具，也会让其成为竞争、欺骗和操纵的场所。
更伟大的思想有更大的潜力，而利用这些潜力也可能会让作为个人的我们更加脆弱。我们很可能，也会经常发现我们的技能和知识很快被智能机器所取代。如果我们的数据和生活变得人人可见，我们可能会更容易被强大的掠夺者利用、剥削。
有意识的集体智慧日趋重要，这对机构来说也同样是巨大的挑战，它要求对界限和角色采取全新的视野。每个组织都需要更加了解集体智慧如何观察、分析、记忆和创造，以及它如何从行动中学习：它会纠正错误，当旧的范畴不够良好时它会创建新的范畴，有时它还会发展出全新的思维方式。每个组织必须在沉默与噪声之间——在没有人敢于挑战或警告旧体系的沉默，以及网络世界中充斥的喧闹杂音之间——找到合适的位置。只有组织以适当层级的粒度（granularity），学习如何选择和聚集时，两者间的空间才有意义。适当层级的粒度要足够简单但不过分简化，清晰明了但不过分粗略，重点集中但不过分短视。我们的主要机构中只有很少一部分能够善用这些方式思考。企业有最大的动力来让其行动更智能化，它们也在硬件和软件上投入了大量资金。但是，整个行业反复犯下大错，误判环境，结果只获得了员工和客户领域内可得到的一小部分专业知识。许多人在狭窄的参数范围内可以极其聪明，但是当涉及更全局的情况时，他们就远离智慧了。我们一次又一次地发现，没有战略思维（有时是宽阔胸怀）的大数据会放大由诊断和处置带来的错误。
在民主制度中我们共同做出我们最重要的一些决定，但事实证明，民主制度非常不擅于学习“如何学习”。相反，大多数民主制度僵化于一个或两个世纪前合理的形式和结构中，但现在这些形式和结构已经过时了。一些议会和城市试图利用其公民的集体智慧。但是，许多民主制度，包括议会、国会和党派，看起来比他们所服务的社会更愚蠢。更常见的情况是，集体智慧的敌人能够捕捉公众话语、传播错误信息，并让辩论中充满干扰而非事实。
那么人们怎样才能一起进行群体思考呢？人们怎样才能更成功地思考和行动呢？在新技术的洪流中有观察、计算、匹配、预测等技术，我们怎样才能利用这股洪流来帮助我们解决最紧迫的问题？
在这本书中，我描述了一些新兴的理论和实践，这些理论与实践指向了看待世界并采取行动的不同方式。我借鉴了许多学科的深刻见解，并分享了一些思想、观念与指标。这些思想可以帮助我们理解群体思考的方式；这些观念可能有助于预测为什么有些事物繁荣发展，而其他事物却日薄西山；这些指标涉及某企业、社会运动或政府应该如何进行较为成功的思考，将最好的技术与最好的智慧结合在一起供其使用。
我勾勒出不久以后可能成为集体智慧完整学科的内容，提供洞察力让读者可以理解经济如何运转，民主能够如何改革，以及令人振奋和沮丧的会议之间的差别。汉娜·阿伦特（Hannah Arendt）曾经评论说，如果给流浪狗一个名字，它就有更好的生存机会。类似地，如果我们使用了“集体智慧”这个名字来汇集许多不同的想法和做法，这个领域可能会更好地繁荣发展。
这个领域既是开放的领域，也是实证的领域。正如认知科学借鉴了多种来源的知识（从语言学到神经科学，从心理学到人类学）以了解人们如何思考，与大规模思考相关的新学科也需要借鉴许多学科——从社会心理学到计算机科学，从经济学到社会学，并用这些学科指导实际试验。然后，随着新学科的萌芽，它有希望取得邻近学科的帮助，而不是因为挑战边界而受到攻击。它将需要与实践紧密结合在一起，实践者以通过设计和操作来帮助系统更成功地思考与行动为己任，而新学科需要支持和引导实践群体并向他们学习。
集体智慧本身并不是全新的东西，在整本书中，我借鉴了过去的深刻见解与成功事物，包括19世纪《牛津英语词典》（Oxford English Dictionary）的设计师、智利的协同控制工程（Cybersyn）、艾萨克·牛顿（Isaac Newton）的《数学原理》（Principia Mathematica）、美国国家航空航天局（NASA）、中国台湾地区的社会制度、芬兰的大学、肯尼亚的网络平台，以及足球队的动力学。
在我们自己的大脑中，将观察、分析、创造、记忆、判断和智慧联系起来的能力，会让大脑这个整体远超其各部分的简单总和。类似地，我认为，如果世界要应对包括卫生、气候变化和移民在内的艰巨的挑战，将许多元素汇集的集合（assembly）将是至关重要的。这些集合的作用将是协调知识，应用更系统的方法来了解知识——包括元数据、验证工具和追踪工具，并注意如何在实践中使用知识。集合是乘法性而不是加法性的：它们的价值来自各元素是如何连接到一起的。不幸的是，这些汇集仍然很少见，而且往往很脆弱。
如果想要得到正确的答案，我们不能诉诸大众观念。有个大众观念是：更网络化的世界会在自然发展过程中自行组织，从而自动变得更加聪明。虽然这个观点某种程度上包含了重要的真理，但却具有极强的误导性。正如表面上免费的互联网依赖于渴求能源的服务器机组一样，集体智慧也依赖于稀缺资源的贡献。集体智慧可能轻易得到，突然发生，意外获得。但在更通常的情况下，它需要由专业机构和专业人员自觉地配合和支持，并得到通用标准的帮助。在许多领域内，没有人认为让集体智慧出现是自己的责任，因此世界现在的运作方式远远达不到它本来可能达到的明智程度。
最大的潜在回报存在于全球范围内，我们有真正全球性的互联网和社交媒体。但是，离适合解决全球性问题的真正全球性集体智慧，我们还有很长一段路要走。这些全球性问题包括大规模流行疾病、气候威胁、暴力、贫困等等。我们并不缺乏令人关注的试行计划和项目，我们缺乏的是更为协调一致的支持和行动，利用这些支持和行动我们可以形成新的工具组合，帮助世界以与我们所面临的问题相称的速度和规模来思考和行动。相反，在太多的领域中，最重要的数据和知识存在缺陷，零零散散，缺乏必要组织使其易于访问和使用，而且没有人有方法或能力能让这些知识组合在一起。
也许最大的问题是竞争激烈的领域——军事、金融领域，以及竞争没那么激烈的营销或选举政治领域——占据了对大规模智慧工具投资的主要部分，它们的影响力已经塑造了技术本身。如果你主要关注的是国防或如何在金融市场找到比较优势，那么发现微小差异则是至关重要的。因此，感知、映射和匹配方面的技术大大超前于理解方面的技术。图灵机的线性处理逻辑对输入处理表现良好，而在利用输入和赋予意义来创建强大的模型方面却表现不佳。换句话说，数字技术已经发展到现在这种模样：擅长于给出答案而不擅长于提出问题；擅长于串行逻辑而不擅长于平行逻辑；擅长于大规模处理而不擅长于发现那些不明显的模式。
竞争较弱但可能为社会提供更大收益（如身心健康、环境和社区）的领域往往会错失机会，对技术变革的方向影响较小。最终结果是巨大的智慧分配不当，正如脸书（Facebook）的前数据负责人杰夫·哈默巴赫（Jeff Hammerbacher）的悲叹总结那样：“我这一代最优秀的人正在考虑如何让人们点击广告。”
风险已经高到极点。促进集体智慧的发展在许多方面是人类面临的最大挑战，因为如果我们在如何共同思考和行动方面没有进展，就几乎没有希望解决气候、健康、繁荣和战争等其他方面的巨大挑战。
我们难以想象未来的思想，但过去为我们提供了许多线索。进化生物学表明，从染色体到多细胞生物体，原核细胞到真核细胞，植物到动物，以及简单生殖到有性生殖，生命形式的主要转变都有一个共同模式。每次转变都带来了一种新的合作和相互依赖的形式，结果就是转变之前的生物可以独立复制，而之后只能复制为“整体的一部分”。每次转变也带来了存储和传递信息的新方法。
现在似乎不可避免的是，我们的生活将与智能机器更加紧密地交织在一起，这些机器将会常常在同一时间塑造、挑战、取代我们，并增强我们的能力。我们应该问的问题不是这些是否会发生，而是我们可以如何塑造这些工具，好让它们更好地塑造我们，让它们不折不扣地强化我们的能力，使我们更能成为自身最为满意的样子。我们可能无法避免一个有着虚拟现实色情、超级导弹和间谍的世界。但是，在此之外我们也可以创造一种更好的集体智慧。我们可以创造一个世界，在这个世界中，我们与机器互联，我们变得更聪明，更有意识，更能繁荣昌盛并且生存下去。
本书的结构
本书的内容分为四篇。
第一篇（第1章和第2章）规划了问题，并解释了什么是集体智慧。我提供了集体智慧的实例，概述了有关它的思考方式，并描述了当代一些最有趣的例子。
接下来的第二篇重点介绍了如何理解集体智慧（第3章至第10章）。它提供了一个理论框架，该框架描述了智慧的功能元素，这些元素如何汇聚，集体如何形成，以及智慧如何与敌人做斗争。
第三篇（第11章到第17章）研究了自然环境中的集体智慧，以及理论对具体领域的影响，这些具体领域有：会议与地方的组织、商业和经济、民主、大学、社会变革和新的数字公地。在每种情况下，我展示了考虑集体智慧会如何解锁新的观点和解决方案。
最后，在第四篇（第18章）中，我把这些主题放在一起，并对集体智慧的政治问题加以处理，展现了向更伟大的集体智慧迈进的可能样貌。第一篇什么是集体智慧
在本篇中我将解释集体智慧在实践中的含义以及我们如何在周围世界中识别集体智慧，这将有助于我们规划行程、诊断疾病或结识新朋友。
我们能在不那么智能的体系中发现越来越多的智能的运用，这简直是个奇怪的悖论。然而，尽管产出结果与智能机器的投入不成比例，但从网络科技到机器学习，大规模的智慧已经从一系列的计算进步中获益匪浅，还有许多有前景的创新项目也支持了大规模智慧的发展。这些项目有家喻户晓的谷歌地图（Google Maps）和维基百科（Wikipedia），也有晦涩难懂的数学和国际象棋中的实验。大量机器和人的相互连接，让他们能以全新的方式思考——以新方式解决复杂的问题，更快地发现问题，以及整合资源。
怎样才能顺利达成思考方式的创新？这并不容易做到。而且，人们并不会自动变明智。但是，我们开始看到一种被称为“集合”的东西正在以微妙的形式萌芽。这些“集合”将集体智慧的许多要素汇集成一个单一的系统，它们展示了世界如何真正在全球范围内进行思考，比如追踪疾病暴发或世界环境状况，并根据反馈的信息采取行动。例如，一个寨卡（Zika）病毒的全球疫情观测站可以预测该病毒如何传播，并引导公共卫生服务机构有针对性地调配资源、控制疫情。在城市范围内，结合大量数据可以更容易地发现哪些建筑物发生火灾的风险最大，哪些医院的患者最有可能病情加重，这样政府就可以更好地预测和预防，而不是治愈和修复。
大规模地对思维进行组织的方法仍然处在起步阶段，这些方法缺乏令人信服的指导性理论，也缺乏拥有专业知识并熟知行业诀窍的专家。在很多情况下，它们也缺乏可靠的经济基础。但这仍然预示，将来人类活动的所有领域都可以变得更擅长利用信息，更擅长快速学习。第1章 智能世界的悖论
在我们生活的世界中，无处不在的新思维方式、理解方式和测量方式预示了人类演化的新阶段，同时也预示了人类转变为超人类的演化新阶段。
一些新的思维方式涉及数据，包括描绘图谱、匹配和搜索模式，这些远远超出了目前人类依靠所见所闻的认知范围。另一些新的思维方式涉及分析：超级计算机能够模拟天气变化、下棋或诊断疾病［例如，使用谷歌（Google）的深度思维（Deep Mind）或IBM（国际商业机器公司）的沃森（Watson）超级计算机技术］，而有些思维方式甚至把我们深深地拉入了被小说家威廉·吉布森（William Gibson）描述为“共识幻觉”的网络世界中。
这些思维方式都大有前景。但在我们周围的世界中，工具的智能程度与结果的智能性之间存在着显著的不平衡。互联网、万维网和物联网是重要的途径，让我们进一步走入了信息和知识融合的世界。
然而，我们常常觉得这个世界并没有那么聪明。技术可以越来越聪明，也可以越来越愚笨。许多机构和体系的行为比起这些机构和体系内的人要愚笨得多，包括许多可以取得最先进技术的机构和体系。小马丁·路德·金（Martin Luther King Jr.）说过，“炮弹被导向，而人群却被误导。”拥有极多个人智慧的机构常常会表现出集体愚蠢，或以机器形式表现出“白痴专家”的扭曲的世界观。新技术带来了新的灾难，其中部分原因是新技术经常超越我们的智慧［还没有人能找到一种方法来创建代码而不产生错误，正如法国哲学家保罗·维利里奥（Paul Virilio）所说的那样，飞机不可避免地会产生空难］。
在20世纪80年代，经济学家罗伯特·索洛（Robert Solow）评论道：“我们到处都可以看到计算机的使用，但是却无法在生产率统计数据中发现计算机的作用。”今天我们也可以再次说，除了生产率统计和一些特别重要的事情之外，数据和智能是无处不在的。21世纪初期的金融危机就是一个特别突出的例子，在信息技术方面花费巨资的金融机构却不了解当时发生在自己身上的事情，知道数据却不了解数据产生的背后原因，从而将世界推向经济灾难的边缘。在20世纪六七十年代，苏联政府拥有可任意支配的聪明大脑和计算机，却找不到走出萧条的路。在同一时期，美军具备了比历史上任何其他组织都要强大的计算能力，却不能了解它在越南进行的战争的真实动态。整整一代人之后，同样的事情发生在伊拉克，战争是美英政府基于严重的情报错误而发动的，虽然这两国在能想象得到的先进智能工具方面的投资比任何其他国家都多。还有许多其他例子可以证明，拥有智能工具不会自动带来更智能的结果。
医疗卫生领域也许是智能因素和愚蠢结果的矛盾组合的最突出例子。我们受益于从互联网上获得的更多关于疾病、诊断和治疗的信息，有记录何种治疗起了作用的全球数据库；有详细的可供医生利用的症状、诊断和处方的指导；还有用于推动癌症、手术和药物的尖端研究的巨额资金投入。
但是，这远非医疗活动和智能健康的黄金时代，通过网络获得的信息往往是误导性的（根据一些研究，比起面对面的建议，网络信息常常更具误导性）。现在有超过15万个健康应用程序，但有证据表明只有很小一部分能改善使用者的健康状况。主流媒体除了传播有用的真相外，也传播着半真半假的报道，有时甚至会传播谎言。数以百万计的人每天都在做出明确威胁自身健康的选择，就像我将在稍后展示的那样，世界卫生系统在许多方面都是集体智慧的先驱者，但是很多措施进展不佳。据估计，30％~50％的抗生素处方是没有必要的，25％的流通药物是假药，10％~20％的诊断是错误的；仅仅在美国，每年医疗过失就导致25万人死亡（这是当前美国人的第三大死因）。
简而言之，全世界在改善健康方面已经取得了长足的进步，积累了丰富的知识，但要使这些知识达到最佳效果还有很长的路要走。
包括政治、商业、个人生活在内的许多领域都可以看到相似的模式：我们取得了前所未有的数据、信息和意见，但是我们在利用这些信息进行指导，以做出更好的决策方面却没有取得应有的进步。我们可以享用过去几代人都难以想象的丰盛商品，但结果却是常常盲目并超支地购买了我们并不真正需要的东西，这给别人留下了不好的印象。
在处理具体的特定任务时，我们拥有非凡的智慧，但在处理复杂和相互关联的问题方面，我们进展极为缓慢，甚至可以说毫无进展。而且荒谬的是，我们对新的感知、处理或分析能力大感兴奋，而这种兴奋可能会分散注意力，使我们不能做到全神贯注地应对更基本的挑战。
在后面的章节中，我将阐述真正的集体智慧在一些重要领域中的样子。怎样才能充分利用思想、经验和公民需求创建民主政体呢？世界各地的不同实验或许给出了答案，但这些答案让在传统政治环境中长大的专业人士困惑不解。大学在创造、编排与分享各种知识方面，如何才能做得更好？虽然我们已经发现不同的方法在萌芽，但三年制学位、师资队伍、大教室和课程笔记的传统模式依然有强大的惯性。或者我们可以再次拷问，在解决交通拥挤、住房短缺、犯罪、开启民智而非愚民方面，一个城市或国家的政府该如何更成功地思考呢？
我们可以勾画出能极大改善这些机构的合理可行的选择。然而，在任何一种情况下，现实均与目标相距甚远，而且在某些情况下，能强化智慧的工具却带来相反的效果。马塞尔·普鲁斯特（Marcel Proust）写道：“智慧之人所受弊病之苦中的十分之九是源自他们的智慧。”集体智慧或许也是如此。第2章 理论与实践中集体智慧的本质
智慧这个词有着复杂的历史。在中世纪，人们把智慧理解为我们灵魂的一个方面，每一个人的智慧都与宇宙和上帝的神圣智慧联系在一起。从那以后，对智慧的理解反映了相应时代的主流技术。勒内·笛卡儿（RenéDescartes）使用水力学来比喻大脑，并认为带着生机的流体连接了大脑与四肢。蒸汽时代，西格蒙德·弗洛伊德（Sigmund Freud）以压力和释放的形式来看待思想。无线电和电子时代给我们带来了“交叉线”和“同一波长”的比喻。在计算机时代，比喻转向了处理和算法思维，而大脑被视为计算机。
智慧有很多的定义。但是，这个词的词根所指的方向与这些比喻有很大差异，智慧（intelligence）一词来源于拉丁语inter与legere的结合，inter的意思是“之间”，而legere的意思是“选择”，这意味着智慧不仅仅是指超大存储或极快的处理速度，它更是指我们的大脑知道要走哪条路、信任谁、做或者不做什么的能力。从这个意义上来说，它与我们用“自由”这个词表达的意义相当接近。
集体智慧这个词把集体和一个相关的概念联系起来，集体（collective）一词来源于colligere，而colligere这个词是将col（意为“一起”）与legere（又是这个词，意为“选择”）相结合而得到的。所以集体智慧是一个关于选择的概念：我们选择和谁在一起，以及我们选择如何行动。
近些年来，这个词主要是指网络上组合在一起的小组。但是，更符合逻辑的是，应该用它来描述任何一种涉及集体共同选择、思考和行动的大智慧。这么说来，它不仅是技术词，也是道德词，而且它还与我们的良知感紧紧联系在一起。而“良知”（conscience）这个词在通常理解中是与个人道德品质紧紧相连的，但它的词源是con（一起）和scire（知道）的组合。可能性
我们的周围充满着可能性，我们一直在选择。在生活的每一方面我们都关注着未来可能发生的事件，尽管我们从来不能确定未来，但我们可以猜测或估计。我在本书中描述的许多工具，其中很大一部分能帮助我们了解未来的发展，帮助我们预测、适应和响应。我们观察、分析、建模、记忆并尝试学习，尽管错误不可避免，但重复发生的错误是不必要的。我们也认识到，在各种情况下，都存在一些仅凭数据或知识判断看不见的未来可能性，而多亏了富有想象力的智慧，我们有时能够看见它们。团体
关于集体智慧的最初历史记录之一是修昔底德（Thucydides）的一段文字，他描述了军队如何计划攻击一个被围的城镇：“他们首先把梯子做成与敌方城墙高度相等的长度，而对城墙高度的计算是借助了面向城填一侧的砖块层数（城墙某处竟然没有被涂上灰泥）。许多人立刻着手计数，虽然有些人可能会犯错，但计算的结果却正确无误，因为他们一再重复该过程，而且距离不远，他们可以清楚地看到城墙。通过这种方式，他们用砖块厚度作为计量标准，确定了梯子的长度。”
了解我们如何共同工作，这是集体智慧的核心部分，几个世纪以来它一直是社会科学关注的核心。一些机制允许个人选择以对社会有用的方式汇总，而不需要任何有意识的合作或共享身份，这就是市场无形之手的逻辑，也是近期一些数字集体智慧实验（例如维基百科）的逻辑。在一些情况下（如群居团体、一起度假的朋友或工作团队），权利相对平等的人有意识地相互协调，这通常涉及很多对话和谈判。松散的网络组织，如匿名戒酒协会（Alcoholics Anonymous），在本质上也是类似的。另外一些情况下［例如，像谷歌或三星（SAMSUNG）这样的大企业、古希腊军队，或现代全球性非政府组织］则通过层级制度对合作加以组织，不同的决策层级之间存在分工。
每种模式都产生了特定种类的集体智慧，彼此之间完全不同，某种集体智慧对于某些任务而言运转良好，却并不适合其他任务。在某些情况下，有个中央蓝图、指挥中心或计划，让人可以看到各部分是怎样组合在一起，并取得最终成果的——可能会是一座新建筑，一份商业计划或一个创新性项目。但在其他情况下，智慧是完全分散的，没有人可以预先看到整幅图景。在大多数情况下，个人无须对他们的所属系统了解甚深——他们无须理解也能胜任工作。
对团队如何运转的详细研究表明，我们能凝聚在一起，不仅仅依靠兴趣和习惯，还依赖于意义和故事。但是，有助于增强集体凝聚力的特性也有可能阻碍智慧的产生。这些特性包括不真实的共同假设、忽略不快事实的共同意愿、群体思维、集体感受和相互肯定而不是相互批评。共同的思想不仅包括知识，还包括妄想、错觉、幻想、对我们已经相信的东西加以确认的渴望、用歪曲事实和架构来服务权力的扭曲权力欲。当新闻正在直播柏林墙倒塌时，中央情报局却仍在告知乔治·H.W.布什总统（President George H.W.Bush）：“柏林墙是不会倒塌的”；21世纪初期，当所有指标均显示次级抵押贷款毫无价值时，投资银行却蜂拥而入；1941年，约瑟夫·斯大林（Joseph Stalin）和他的团队忽视了近90份互不相关的可靠情报，而这些情报都警告了德国即将入侵——这些都是组织机构极易受其思维模式所困的例子。
我们往往容易被乐观性偏见如一切均在控制下的错觉所迷惑。在人群中，我们可以暂时抛开我们的道德责任感，或者选择风险较大的选项（我们单独一人时，绝不会做这样的选择）。而且我们喜欢让自己的判断得到证实，这时候，我们的行为就像得克萨斯州的神枪手那样，用子弹扫射墙壁，然后将靶子画在子弹击中的地方。很多时候集体智慧更像是集体愚蠢，导致这种情况的原因众多，而上述这些只是其中几个。
这些原因说明了为什么大多数团队在团结一致性与智慧之间面临着权衡。凝聚团队的力量越强，团队眼中的世界与真实世界相比，就会显得越狭隘。然而，最成功的组织和团队学会了如何结合两者——适度摒弃自我并充分信任，从而将严谨的诚实与相互承诺结合。一般和具体
我们的思维方式可被认为是在一个连续体内运转，连续体的一端是一般抽象智慧，而另一端是与具体地点、人物和时代相关的智慧。在其中一个极端，存在着一般物理学规律，以及一般性稍弱一点的生物学规律。也存在着抽象数据、标准化的算法和批量生产的产品。现代化的很大一部分是建立在这种与具体情境无关的智慧的爆炸性发展之上的。在连续体的另一个极端，存在着植根于具体情境的智慧。这种智慧能够理解特定的人物、文化、历史或意义的细微差别，当离开情境时，这种智慧便失去了其卓越性。
第一类智慧是抽象的、标准化的，甚至是普遍的。这种智慧非常适合于计算机、全球市场以及集体智慧的各种形式，与其说是智慧的集成，不如说它是智慧的聚合。相对而言，在另一个极端的智慧，例如知道如何改变某个人的生活或复兴某个城镇的智慧，这牵涉到多个维度，需要有对具体情境的敏感性，也需要更多的有意识的迭代和整合。集体智慧和冲突
评价个人智慧的最简单方法就是观察其实现目标与生成新目标的能力，但是大型团体很可能有许多不同的目标和经常相互冲突的利益，对于这样的大型集团来说，实现目标与生成新目标肯定会更加复杂。
在经济领域，这一点很明显，因为信息常常被私藏和交易而不是共享。然而，社会试图设计各种解决办法（包括专利和版权），用来奖励那些创造和分享有用信息的人。就像我在第17章中所展示的那样，以信息和知识为基础的经济已经崛起，这改变了私有物品和公有资源之间的平衡，并导致信息公共资源明显供不应求。即使解决了该问题，但由于相互冲突的利益，也会不可避免地存在紧张局面。
许多看起来很愚蠢的团队行为对于相关人士来说可能是很聪明的，比如一个国家发起了一场它不大可能赢的战争（以增加对地位不稳的独裁者的支持率），银行采取明显具有极高风险的行为（它给高层的少数人提供了巨大的个人收益），或者一个宗教社团面对确凿的相反证据但还是坚持信仰（这是把社团团结在一起的代价）。
许多传统的社会科学一直在应对这些问题：委托人（如公众）如何确保他们的代理人（如政府）确实在代表自己的利益行事？
通过集体智慧的视角看待上述问题，就会开启一种可能性：共同观察、推理、记忆和判断将促使我们找到共赢的解决方案。举例说来，想想一个刚刚摆脱内战和冲突的国家，那些处理得很好的解决方案强化了我们后来视为成功的集体智慧的标志：将事实和情感以与利益无关的方式显现出来；共同商议与决定待处理事务，并开放备选方案；公开讨论谁将受到惩罚，谁应得到赔偿；并通过真相与和解委员会公开表达回忆。
在更多的日常情况下，从议会到公司的公共机构的诸多作用之一，就是把各自为政、相互冲突的群体转化成更接近集体智慧的存在，让人们能够通过共同评估、相互对话、探索替代方案以及协商找到双方都满意的、合情合理的答案。即使很少能完全消灭冲突，但控制了冲突。因此，我们所有人都能想象，在理想情况下，一个拥有完美的相互理解、对方信息和同理心的社会可能会以截然不同的方式来考虑利益冲突，这或许就是这种理想经常成为乌托邦思想一部分的原因。
机器智能的一些进步有着令人不悦的动机：为了更有效地杀戮，为了获取色情作品和毒品，或为了支持赌博和囤积财富。但更为常见的是，新形式的共享智慧提供了替代暴力的新选项。与人相处，理解他们的思维方式并接受对话，这是我们对开枪、刺杀和轰炸的替代方案。这些手段无需理解他人即可对其施加影响，更不用说形成协作智慧能造成的影响了。
一个由共同思考的机构、网络和机制组成的世界，应该是一个更少依赖强制手段的世界，也应该是一个放大了我们本质中最好部分的世界。它应该可以让我们重新获得一种可能感和进步感——把“现状”只视作“可能性”的一个苍白的阴影。集体智慧的现状
集体智慧与文明一样古老，但现在它有了不同的形式。在这里，我大致介绍一下集体智慧的一些引人注目的创新形式。
有些集体智慧旨在更有效地观察。鸽子卫星大约同一个鞋盒一般大，位于距地球表面250英里（约402千米）之上。在缅甸，它通过观测夜晚灯光的覆盖面积来揭示经济的繁荣程度，结果表明此区域经济增长速度低于世界银行的预期。在肯尼亚，它通过观测金属屋顶的数量来计算房屋的数量——该指标表明了人们摆脱贫困的速度。在中国，它观测工厂停车场的卡车数量，并把这项指标作为工业产出的代表。美国的星球实验室（Planet Labs）构建了历史上最大规模的卫星网络，持续不断地观测地球的生态状况。
有趣的是，在这些情况下，更直接的图片正在取代复杂的经济统计的表达。随着时间的推移，这些系统还能够追踪船只、卡车或小汽车。
从记忆到分析的几乎所有其他智慧领域都取得了可与观察领域相匹配的进步，从这个方面看，过去几十年的创新一直在加速。半个世纪以来，计算能力的高速发展大致遵循了摩尔定律的预测。这给我们带来了更好的感知、搜索、匹配、计算、游戏和杀戮的方法，这些方法包括各种工具，如可用于后勤管理、医疗诊断、机票预订、音乐或书籍的推荐购买、驾车或步行导航、语音识别、库存控制、信用评估、高频交易、噪声消除、导弹瞄准等的工具，还有大量其他应用。
模式识别的进步尤其快。脸书能够识别在社交网络上发布的照片中的人物。谷歌照片（Google Photos，照片管理应用程序）可以识别图片中的狗、墓碑和其他物品，推特（Twitter）的算法可以在没有任何人类直接参与的情况下识别出色情图片，Siri（苹果智能语音助手）可以解析话语。同时，对存储的编排也呈指数级增长，包括数据库、搜索引擎、关联数据，以及围绕着区块链和分布式分类账的无限可能性。
为了对这些新工具进行分类，新的术语如雨后春笋般出现。这些术语有启发式搜索、逻辑回归、决策和逻辑树、贝叶斯网络、反向传播、卷积神经网络、知识库、大规模并行计算项目和循环神经网络等等。这些多样化的人工智能为我们提供了更智能的用于预测、解答和学习的机器。有些人工智能是高度专业化的，但是最有前景的那些人工智能更具有一般性，同时也更适于学习。例如，有的人工智能会反复调整变量权重并回传数据，直到计算机能够识别出模式（例如手或者动物的形状），借此来解决复杂问题。这些人工智能的算法通过多个层级来学习，这些层级用较简单的概念创建出复杂概念，并形成层次结构。每个层级向下一个层级提供输入——例如，一个层级负责找出图像的边缘。层级越多（当前技术已经从几个层级发展到数百个层级），学习的前景就越好。
最成功的人工智能依赖于巨大的数据源对机器进行训练，并且已经将对象识别和语音识别能力提升至接近人类的水平。另一些人工智能试图模仿人类的能力，对少量输入的数据进行抽象化并得出一般结论。与此同时，最有意思的发展方向之一就是试图对动物和人类大脑工作的方式进行逆向工程，希望借此可以为我们带来对思维的新洞见，并克服机器人在许多任务中出人意料的不足，例如走过不平坦的表面或者绑鞋带等。
思维工具的激增鼓舞了人们，也带来了同等程度的恐惧。它承诺的未来是通用的，能轻而易举地获取思考能力，用埃隆·马斯克（Elon Musk）的话来说，这是在“召唤恶魔”，或者说是在用人类的存续冒险，而这要归功于那些愚蠢的工程师的行为，他们根本没有考虑到他们的造物所带来的影响。动员大规模的人类智慧
在机器智能取得一阵一阵的进步的同时，一场并行运动也在进行中，它的目标是动员常常通过互联网相互连接的大规模人类智慧。一些项目是为了提取和组织知识［例如维基百科和Quora（问答网站）］，另一些项目则是追求管理劳动力［例如土耳其机器人（Mechanical Turk）人力平台］或综合判断［例如掘客（Digg）或预测市场］。21世纪最初10年末期，牛津大学（University of Oxford）的银河星系标注平台（Galaxy Zoo）动员了数十万名志愿者对银河系的星象图像进行分类。Foldit（一个实验性的蛋白质折叠电子游戏）以类似方式运行，目的是预测并绘制蛋白质的结构。在数学领域，博学者（Polymath）网站鼓励人们合作解决最难的数学问题，而且发现与数学家独自工作相比，许多人一起努力常常更有可能发现解决方案、解决方向或有用的新问题。
2009年，美国国防部高级研究计划署发起了一个比较精巧的集体智慧实验，即“红气球挑战赛”（the Red Balloon Challenge），它要求参赛者追踪在美国各地随机放置的10颗气象气球。获胜者在9小时内发现了所有气球，采用的策略是向看到气球的人提供报酬，并招募朋友来帮助自己挑战。2012年，一场类似的比赛要求团队于12小时内在北美和欧洲的城市中找到特定的5个人并拍摄他们的照片。结果与上次实验惊人地相似，获胜者既给信息提供者也给招募而来的参与者提供报酬。与诸如“目击者”（Ushahidi）这样的灾难报警平台类似，这些实验项目激发了人们强大的内在动机——愿意帮助他人，同时使用强有力的工具在得到信息时对其进行汇总并验证真伪。其他一些项目也试图动员大群体来解决问题，这些项目既有挑战赛，也有悬赏奖（如美国国家航空航天局的软件奖、英国国家科技艺术基金会的经度奖，18世纪的开放式创新方法在21世纪的革新），还有诸如卡格勒（Kaggle）、创新中心（InnoCentive）和OpenIDEO（开放式创新平台）的众多平台。许多实验项目都在试图提高人群判断的准确性，例如，如果事后证明少数派的观点是正确的，就会奖励少数派，借此减少人们易受他人影响的倾向。
这些企图大规模动员人类智慧的努力并非都能成功，正如我稍后展示的那样，项目的成功取决于一些关键因素，例如问题的模块化、知识被验证的难易程度以及对参与的激励。当然，比起失败，现在有更多的成功例子可被借鉴。人与机器的结合
集体智慧的绝大多数实际例子依赖于人与机器、组织和网络的结合。就像现在很难想象去除人工制品（比如阅读用放大镜或者计算器等）的个人智慧，只有将各种智慧看成混合体，以及人、事物和工具的组合，才有利于理解。我们现今生活的世界是人工智能的先驱之一J.C.R.利克里德（J.C.R.Licklider）预测的世界，他主张将人类和数字网络相联结，而不是用机器取代人类。据他的传记作者说，利克里德当时坚信“计算机不仅可以成为超级快速的计算机器，还可以成为带来快乐的机器——它可以作为工具充当表达的新媒体，还可以作为创造力的灵感来源和通向广大网络信息世界的入口”，而当时如此坚信的几乎只有他一人。这种思考方式鼓励了高级研究计划局网络（Advanced Research Projects Agency Network）和后来互联网的创建。它表明，我们将分布式智慧视为组合体，正如个人身体是细胞的组合体，而细胞本身就是线粒体、DNA（脱氧核糖核酸）、RNA（核糖核酸）和核糖体的组合体。这种组合体替代了终结者电影系列中的“天网”（Skynet）——我们既不能理解也不能控制的“非人类”（ahuman）系统，并且在网络的理论和实践中都找到了一个最好的表达方式。蒂姆·伯纳斯-李（Tim Berners-Lee）曾将它描述为由“抽象的社会机器”与“人们完成创意工作，而机器进行管理的过程”组成。
我们已经用许多标签来描述这些人与机器的组合，如人机交互、人机共生，计算机支持的协同工作或社会计算。利克里德的假设是：最有效率的智能是将人类与机器的能力相结合，而不是简单地用一个替代另一个。
集体智慧的近期历史就是一个人类大脑和计算机组成的混合体的故事。谷歌地图的传播就是一个很好的例子。它始于一个宏伟目标：以全面和可用的形式组织全球地理知识。但谷歌缺乏实现其雄心壮志的许多关键手段，因此它引入了——更精确地说，购入了——其他公司。这些公司包括：由两个丹麦兄弟成立的可提供搜索、滚动和拉近拉远地图的Where 2Technologies公司；开发出地理空间可视化软件［后来成为谷歌地球（Google Earth）］的锁眼卫星影像（Keyhole）公司以及根据从匿名手机用户收集的信息，提供实时交通状况分析的齐普达什（ZipDash）公司。这些不同要素的集合为真正的全球地理知识系统提供了主架构。
接下来，谷歌必须挖掘更广泛的技能来让地图变得更好用。它是这样做的：通过谷歌地图API（应用程序编程接口）技术开放软件，让其他网站整合谷歌地图的过程变得尽可能地容易。
这种想法随后又有所延伸。塞巴斯蒂安·特伦（Sebastian Thrun）的创业公司乌托尔（Vutool）提供了谷歌街景（Google Street View），现在该公司正致力于使用车队和现成摄像头拍摄成像。为了让谷歌地图得到更广泛的使用——这将有助于它进一步吸引新的创意——谷歌不得不削减交易，包括与苹果公司达成的为iPhone手机预装谷歌地图作为默认地图应用的交易。最终，这个项目动员了公众力量，通过谷歌地图制作工具（Google Map Maker），为人们提供了编辑和添加他们所知区域的地图的方法。
换句话说，谷歌地图与其说是产品或服务，不如说它是众多元素的组合，这些元素集合在一起给世界带来了全新的思考方式。谷歌地图依赖于万维网并以万维网为基础，而万维网本身就是这样一个混合性集合。网络已经孵化出它自己的新工具生态系统：推特浏览新闻，维基百科了解知识，Kickstarter（创意项目融资平台）进行投资，易趣（eBay）处理商业，Wolfram|Alpha（知识计算引擎）回答问题。有一些工具可以用来查找那些不可见的东西［这些工具包括“宝贝回家网”——百度创建的使用面部识别软件寻找失踪孩子的网站，也包括盲区（BlindSquare）——一个可为盲人在城市中导航的应用程序］，还有一些组织知识的方式［包括谷歌的架构（Constitute）项目——全世界宪法的可搜索数据库，也包括古巴的引人注目的医用和公共卫生网站Informed］、研究项目［如星系动物园（Zooniverse）］或集体记忆［如历史别针（Historypin）］，更有一些利用众多大脑进行预测的方法，例如试图预测选举的爱荷华电子市场（Iowa Electronic Markets），或者好莱坞证券交易所（Hollywood Stock Exchange）——它预测哪些电影将赚钱或赢得奥斯卡，而且预测得相当成功。
我们可以在语言教学中找到由不同元素组合的人机混合物的最佳范例之一。以前的评估认为，如果要大致掌握一门外语，需要约130个小时或大学一个学期的学习时间，而由专家制作的教学程序罗塞塔石（Rosetta Stone）将所需的学习时间减少到了54个小时。最近，语言学习应用程序多邻国（Duolingo）动员了15万名受试者来测试数千种各式各样的基于互联网自动化的语言课程，借此将机器智能和人类智能结合起来。结果就是它将学习外语所需的时间减少到了34个小时左右——这种学习方法在2015年前已赢得了超过1亿的学习者，而且它通过允许任何人为新语言的发展做出贡献从而进一步发展进化。
许多实验研究了大型团队如何在智能机器的帮助下解决复杂问题。开放源代码运动表明，大规模的协作可以是实用、高效和动态的，这种协作提供了大部分的互联网软件。它蕴含的精神是简约而不简单：用先驱之一的林纳斯·托瓦兹（Linus Torvalds）的话来说，要用“懒如狐狸”的方式进行编程。还有一些实验使用计算机来管理人员，将任务分解为模块并管理排序，借此让计算机管理的“瞬时团队”来解决问题。
一些有趣的混合性集合使用平台来实现聚合和编排，以期形成规模越来越大的智慧。Marketbot Thingiverse（全球最大的3D打印社区）是一个为创客运动（The Maker Movement）提供超过65万件设计素材的平台；维基之家（WikiHouse）分享设计要素给任何准备设计自己房屋的人，并鼓励用户将自己的改造和创意回馈到公共资源中。在健康领域，新的一系列平台允许患有急性病症的人成为集体研究人员，它利用数字和人类思维的混合，让不同的患者群体变成更像是集体智慧。目前的案例中已经招募了帕金森病患者，并为他们提供了带有加速计的可穿戴式设备，以便他们可以汇集关于自己身体状况与进展的相关数据，老年痴呆症也已应用了类似的方法。更多的传统工具则使用算法更好地识别和预测疾病，如诊断乳腺癌的计算病理学家C-Path系统。
在商业领域，各种混合已经出现。一家香港风险投资公司在2014年委任了一个名为VITAL的投资算法加入董事会，和5名人类董事会成员一起投票。美国贝克豪斯（Baker Hostetler）律师事务所聘请了人工智能算法——IBM的沃森超级计算机的一个衍生物，来处理破产案件，它与人类律师一起复核这些案件，以确保处理无误。而另一家公司利用人工智能成功地应对了16万张违章停车罚单的挑战。
政府部门的混合主要用于预测和预防，预测算法预测了囚犯再次犯法或病人重回医院的可能性。纽约市开创了一个著名的例子，它汇集了五个市政部门的数据，以了解城市里36万座建筑物的火灾风险。这些数据使约60个影响因素得到了确定，一些因素相当明显，而另一些因素则不那么显眼（如砖堆的存在），这些因素以一种可以预测哪些建筑物最有可能遭受火灾的算法汇集在一起。然后，消防部门将工作更多地转向预防而不是救火。
所有的算法都面临着误报的挑战，还存在重视一些因素而忽略其他因素的风险。它们非常容易抱有内置偏见——就像美国刑事司法中所使用的算法一样，标记黑人罪犯的频率远高于白人。许多领域正在把机器智能与人工监督完美地结合起来，以避免这类错误。一个算法的价值取决于它的准确性（它会做出正确决策的可能性），以及正确决策的回报和错误决策的损失之间的平衡。在亚马逊（Amazon）上推荐错误的优兔（YouTube）视频或书籍，错误成本很低。但若是自动驾驶汽车或医疗诊断出现错误，则代价要高得多，这意味着对人工监督有着更大的需求。算法激增带来了一个未曾料想的后果，那就是监督算法的人类职责激增。与此相反，无论是法官还是司机，都需要机器对人类的决策进行监督。这再次证明了利克里德的观点，最好的解决方案往往是将人与机器结合在一起，而不是将他们视为互相替代的东西。
在国际象棋中也可以看到类似的模式，自从1996年IBM的“深蓝”（Deep Blue）击败了加里·卡斯帕罗夫（Gary Kasparov）以来，许多国际象棋比赛会让象棋大师们与计算机对弈。事实证明“深蓝”
试读结束[说明：试读内容隐藏了图片]