هوش جمعی چیست؟ هوش جمعی توانایی گروههای افراد — انسانی، ماشینی یا هر دو — برای عمل به صورت جمعی به شیوههایی است که به نظر هوشمند میرسند و قضاوتها، تصمیمات و راهحلهایی تولید میکنند که میتوانند از آنچه هر عضو به تنهایی میتواند به دست آورد، بهتر عمل کنند.
هوش جمعی، همانطور که توماس مالون و مایکل برنستین در کتاب راهنمای هوش جمعی (انتشارات MIT، 2015) تعریف کردهاند، "گروههای افراد که به صورت جمعی به شیوههایی عمل میکنند که به نظر هوشمند میرسند." این حوزه از نظریه هیئت منصفه کاندورسه (1785) و آزمایش وزنکشی گاو فرانسیس گالتون در 1906 تا علم آزمایشگاهی مدرن گسترش مییابد: آنیتا ویلیامز وولی و همکاران (علم، 2010) شواهدی برای یک عامل هوش جمعی عمومی — عامل c — پیدا کردند که تقریباً 43% از واریانس در عملکرد گروهها در وظایف مختلف را توضیح میدهد و بیشتر با حساسیت اجتماعی، برابری نوبتگیری مکالمه و نسبت زنان در گروه نسبت به IQ اعضا همبستگی دارد. عامل c مورد بحث قرار گرفته است (کرده و هاواردسون، 2017) و توسط یک متا-تحلیل از 22 مطالعه و 1,356 گروه (ریدل و همکاران، PNAS، 2021) پشتیبانی شده است. ژنوم هوش جمعی (مالون، لاباچر و دلاوراکاس، 2010) بلوکهای سازنده گروههای هوشمند را در چهار محور کی، چرا، چه و چگونه ترسیم میکند. تحقیق فعلی مرکز MIT برای هوش جمعی (2026) بر روی هوش مصنوعی مولد و هوش جمعی، طراحی سوپرمایند و طراحی تیمهای انسانی-هوش مصنوعی متمرکز است؛ یک متا-تحلیل 2024 (واکارو، الماتوق و مالون، رفتار انسانی در طبیعت) نشان داد که ترکیبهای انسانی-هوش مصنوعی به طور خودکار از بهترینهای هر یک به تنهایی بهتر عمل نمیکنند — همافزایی واقعی نیاز به طراحی عمدی تخصیص وظایف و تعامل دارد. سیستمهای فعلی CCI شامل ایدهپرداز سوپرمایند است که یک مدل زبان بزرگ را در چارچوب حل مسئله خلاقانه ساختار یافته قرار میدهد و یک رقابت PNAS در 2026 که بیش از 180,000 مذاکره خودکار هوش مصنوعی به هوش مصنوعی را مطالعه کرد. در چرخه زندگی تصمیمگیری — توجه، چارچوب، تولید، بررسی، تجمیع، بررسی، تخصیص، انتخاب، اجرا، نظارت — تحقیق هوش جمعی عمدتاً به مراحل تجمیع و بررسی مربوط میشود: چگونه گروهها دانش پراکنده را تجمیع میکنند و چگونه با هم استدلال میکنند. آرگومنتری این یافتهها را از طریق ارسال مستقل و غیرهمزمان استدلال، ساختار مشارکت برابر، ارزیابی چندبعدی تجمیع شده به امتیازهای توافقی و یک مسیر کامل حسابرسی از استدلال گروه عملی میکند.
هوش جمعی چیست؟
هوش جمعی ظرفیت گروهها — انسانی، ماشینی یا هر دو — برای عمل به شیوههایی است که به نظر هوشمند میرسند. این یک استعاره نیست: تحقیقات آن را اندازهگیری کرده، دربارهاش بحث کرده و نشان دادهاند که چگونه برای آن طراحی کنند. این راهنما علم را از کاندورسه (1785) تا تحقیق تیم انسانی-هوش مصنوعی MIT (2026) پوشش میدهد.
آخرین بهروزرسانی: 2026-07-18
TL;DR
گروهها میتوانند به طور قابل اندازهگیری هوشمند باشند. وولی و همکاران (علم، 2010) یک عامل هوش جمعی (c) پیدا کردند که عملکرد گروه را در وظایف پیشبینی میکند — که کمتر تحت تأثیر IQ اعضا و بیشتر تحت تأثیر حساسیت اجتماعی، نوبتگیری برابر و فرآیند است. این یافته مورد بحث قرار گرفته است (کرده و هاواردسون، 2017) اما توسط یک متا-تحلیل از 1,356 گروه (ریدل و همکاران، PNAS، 2021) پشتیبانی شده است. مرز مدرن هوش جمعی انسانی-هوش مصنوعی است: متا-تحلیل 2024 MIT نشان میدهد که افزودن یک انسان به حلقه به طور خودکار سیستمهای هوش مصنوعی را بهبود نمیبخشد — همافزایی به تخصیص وظایف و طراحی فرآیند بستگی دارد. آرگومنتری بر اساس این درس ساخته شده است: استدلال را ساختار دهید، قضاوتها را تجمیع کنید، انسانها را در تصمیمگیری نگه دارید.
تعریف هوش جمعی
تعریف استاندارد آکادمیک از کتاب راهنمای هوش جمعی (انتشارات MIT، 2015) توماس مالون و مایکل برنستین میآید: هوش جمعی "گروههای افراد که به صورت جمعی به شیوههایی عمل میکنند که به نظر هوشمند میرسند." این تعریف به عمد وسیع است. این شامل یک بازار که قیمتها را تعیین میکند، یک جامعه ویکیپدیا که یک دایرهالمعارف مینویسد، یک هیئت منصفه که شواهد را وزن میکند، یک کلونی مورچهها که کوتاهترین مسیر به غذا را پیدا میکند — و به طور فزایندهای، تیمهای ترکیبی از افراد و سیستمهای هوش مصنوعی است.
هوش جمعی وسیعتر از حکمت جمعی است، که به تجمیع آماری بسیاری از قضاوتهای مستقل مربوط میشود. هوش جمعی همچنین شامل همکاری و بررسی واقعی است — گروههایی که با هم تعامل میکنند، بحث میکنند و بر اساس استدلال یکدیگر بنا میکنند. این با هوش جمعی متفاوت است، جایی که هماهنگی از قوانین محلی ساده بدون بررسی به وجود میآید. و این به مکانیزمهایی که در زمینههای همجوار مطالعه میشوند، مرتبط است: سیستمهای رأیگیری ترجیحات را تجمیع میکنند، بازارهای پیشبینی باورهای احتمالی را تجمیع میکنند و بررسی ساختاری دلایل را تجمیع میکنند — سه پاسخ مختلف به همان سؤال درباره اینکه چگونه میتوان بسیاری از ذهنها را به یک تصمیم تبدیل کرد.
در چرخه زندگی تصمیمگیری — توجه، چارچوب، تولید، بررسی، تجمیع, بررسی, تخصیص، انتخاب، اجرا، نظارت — تحقیق هوش جمعی عمدتاً بر مراحل تجمیع و بررسی متمرکز است: چگونه دانش پراکنده تجمیع میشود و چگونه گروهها بدون آسیبهای ریزش اطلاعات و تفکر گروهی با هم استدلال میکنند.
تاریخچهای مختصر از تحقیق هوش جمعی
این حوزه ریشههایی در ریاضیات روشنگری، آمار، اقتصاد، زیستشناسی و علوم کامپیوتر دارد. خط اصلی: تحت شرایط مناسب، گروهها از اعضای خود بهتر عمل میکنند — و این شرایط میتوانند مهندسی شوند.
مارکیز کاندورسه ثابت میکند که اگر هر رأیدهنده حتی کمی بهتر از شانس باشد و بهطور مستقل رأی دهد، احتمال اینکه اکثریت درست باشد به یقین نزدیک میشود — نتیجه ریاضی بنیانی هوش جمعی.
فرانسیس گالتون 787 حدس وزن یک گاو را در یک نمایشگاه روستایی در سال 1906 تحلیل میکند. حدس میانه (1,207 پوند) در 1% وزن واقعی (1,198 پوند) قرار میگیرد — بهتر از کارشناسان دام. منتشر شده در نشریه Nature.
کتاب «استفاده از دانش در جامعه» فریدریش هایک (نشریه اقتصادی آمریکایی) استدلال میکند که بازارها دانش پراکنده و محلی را از طریق قیمتها تجمیع میکنند — بنیاد نظری برای بازارهای پیشبینی.
جیمز سورویسکی چهار شرط برای حکمت جمعی را کدگذاری میکند (تنوع، استقلال، تمرکززدایی، تجمیع). در همان سال، هونگ و پیج مدل جنجالی «تنوع بر توانایی غلبه میکند» را در PNAS منتشر میکنند.
وولی، چابریس، پنتلند، هاشمی و مالون (علم) شواهدی برای یک عامل هوش جمعی عمومی در 699 نفر که در گروههای کوچک کار میکنند پیدا میکنند — یک آنالوگ سطح گروهی از IQ فردی.
مالون، لاباچر و دلاوراکاس (نشریه مدیریت MIT) بلوکهای سازنده — «ژنها» — سیستمهای هوش جمعی را در چهار سوال فهرست میکنند: چه کسی، چرا، چه، و چگونه.
راهنمای MIT پرس مالون و برنشتاین زمینه را تجمیع میکند و تعریف استاندارد آن را ارائه میدهد: گروههایی از افراد که بهطور جمعی به شیوههایی عمل میکنند که به نظر میرسد هوشمندانه است.
کتاب سوپرمایندهای توماس مالون پنج نوع پایدار از هوش جمعی را توصیف میکند — سلسلهمراتب، دموکراسیها، بازارها، جوامع و اکوسیستمها — و میپرسد که چگونه کامپیوترها میتوانند هر یک را هوشمندتر کنند.
ریدل، کیم، گوپتا، مالون و وولی (PNAS) 22 مطالعه با 1,356 گروه را تحلیل میکنند و شواهدی برای یک عامل هوش جمعی در میان جمعیتهای دانشجویی، نظامی، گیمر و کارگران آنلاین پیدا میکنند.
تحلیل متا واکارو، الماتوق و مالون از 106 آزمایش (رفتار انسانی طبیعت) نشان میدهد که ترکیبهای انسان-هوش مصنوعی بهطور متوسط بدتر از بهترین عملکرد انسان یا هوش مصنوعی بهتنهایی عمل کردهاند — همافزایی باید طراحی شود، نه فرض شود.
برتون و 27 نویسنده همکار (رفتار انسانی طبیعت) نقشهبرداری میکنند که چگونه مدلهای زبانی بزرگ میتوانند هوش جمعی را تقویت کنند — و چگونه خطر همگنسازی دیدگاهها و تولید اجماع کاذب را به همراه دارند.
مرکز هوش جمعی MIT سه چتر را دنبال میکند: هوش مصنوعی تولیدی و هوش جمعی، طراحی سوپرمایند، و طراحی تیمهای انسان-هوش مصنوعی — شامل یک مطالعه PNAS از 180,000+ مذاکره هوش مصنوعی به هوش مصنوعی.
عامل c: آیا یک گروه میتواند IQ داشته باشد؟
در 2010، آنیتا ویلیامز وولی و همکاران یک سؤال ساده با یک قرن روانشناسی فردی پشت آن پرسیدند: درست همانطور که یک عامل عمومی (g) عملکرد یک فرد را در بسیاری از وظایف شناختی پیشبینی میکند، آیا یک عامل عمومی برای گروهها وجود دارد؟ آنها 699 نفر را که در گروههای دو تا پنج کار میکردند در یک طیف وسیع از وظایف آزمایش کردند (علم، 330، 686–688). پاسخ بله بود: یک عامل آماری واحد — c — تقریباً 43% از واریانس در عملکرد گروه در وظایف مختلف را توضیح داد.
چه چیزی c یک گروه را پیشبینی میکند — و چه چیزی نمیکند
IQ اعضا بهندرت مهم است
هم میانگین و هم حداکثر هوش فردی اعضای گروه تنها بهطور ضعیفی با c همبستگی داشتند. استخدام هوشمندترین افراد بهتنهایی گروهی هوشمند نمیسازد.
حساسیت اجتماعی مهم است
امتیاز میانگین گروه در آزمون خواندن ذهن در چشمها — توانایی استنباط حالات ذهنی از نشانههای چهره — پیشبینیکننده معناداری از c بود (r = 0.26).
نوبتگیری برابر مهم است
گروههایی که اعضای آنها بهطور مساوی در گفتگو مشارکت کردند، c بالاتری داشتند؛ واریانس در نوبتهای صحبت بهطور منفی با c همبستگی داشت (r = −0.41). گروههایی که توسط یک یا دو صدا تسلط داشتند، بهطور جمعی کمتر هوشمند بودند.
تأثیرات ترکیب
در مطالعه 2010، گروههایی که نسبت بالاتری از زنان داشتند، امتیاز بالاتری در c کسب کردند (r = 0.23) — اثری که نویسندگان بهطور آماری به حساسیت اجتماعی بالاتر زنان نسبت میدهند، یعنی به فرآیند، نه به جمعیتشناسی بهطور خاص.
آیا عامل c واقعی است؟ بحث تکرار
مانند اکثر یافتههای تأثیرگذار در روانشناسی، c تحت آزمایش قرار گرفته است — و خوانندگان شایسته وضعیت صادقانه شواهد هستند:
انتقاد (2017)
کرده و هاواردسون (نشریه روانشناسی کاربردی) شش نمونه را دوباره تحلیل کردند و استدلال کردند که حمایت تجربی برای یک عامل عمومی واحد گروهی ضعیف است — اینکه عملکرد گروه ممکن است بهتر با تواناییهای خاص وظیفه توصیف شود تا یک c.
پاسخ (2018)
وولی، کیم و مالون پاسخ دادند که انتقاد بر روی رویههای نمرهدهی و فرضیات شبیهسازی استوار بود که با وظایفی که گروهها واقعاً انجام میدادند مطابقت نداشت.
تحلیل متا (2021)
ریدل، کیم، گوپتا، مالون و وولی (PNAS) 22 مطالعه را که شامل 1,356 گروه میشود تجمیع کردند — دانشجویان، پرسنل نظامی، کارگران آنلاین، گیمرها — و شواهدی برای یک عامل c در میان همه آنها پیدا کردند، با فرآیند همکاری و حساسیت اجتماعی اعضا در میان قویترین همبستگیها.
نتیجهگیری: یک متا-تحلیل بزرگ از وجود یک عامل هوش جمعی قابل اندازهگیری حمایت میکند، در حالی که ساختار و عمومی بودن دقیق آن همچنان به طور فعال مورد بحث است. آنچه مورد بحث نیست درس عملی است: فرآیند گروهی — اینکه چه کسی شنیده میشود، چگونه قضاوتها ترکیب میشوند — عملکرد گروه را بهتر از درخشش اعضا پیشبینی میکند.
جمعیتهای آماری در مقابل جمعیتهای تعاملی
در واقع دو نوع هوش جمعی وجود دارد و آنها بر روی سوختهای مختلفی کار میکنند:
جمعیتهای آماری
تخمینهای مستقل متعدد، بهطور مکانیکی تجمیع شده — میانگینگیری، رأیگیری، قیمتهای بازار. این همان نمایشگاه عادلانه گالتون و هر بازار پیشبینی از آن زمان است. موفقیت به استقلال و تنوع بستگی دارد؛ این تمرین اغلب یکبار انجام میشود.
جمعیتهای تعاملی
افراد بر یکدیگر تأثیر میگذارند تا درک مشترکی بسازند — بحث، بررسی، همکاری. این ویکیپدیا، یک جامعه علمی، یک تیم طراحی است. موفقیت به کیفیت ارتباط و امنیت برای صحبت کردن بستگی دارد؛ کار در حال انجام است.
این دو حالت در جهتهای مخالف کشیده میشوند: استقلال به جمعیتهای آماری کمک میکند اما جمعیتهای تعاملی را گرسنه میکند. یک تیم که هرگز صحبت نمیکند میتواند به خوبی تجمیع کند اما هیچ چیز جدیدی نمیسازد؛ یک تیم که همیشه صحبت میکند میتواند درک مشترکی بسازد در حالی که به آرامی استقلالی را که قضاوتهایش نیاز دارد، از بین میبرد.
بررسی ساختاری تلاشی برای به دست آوردن هر دو است. در آرگومنتری، مشارکتها و ارزیابیها به طور مستقل ارسال میشوند — حالت آماری — در حالی که درخت استدلالی که در آن قرار میگیرند یک شیء مشترک و در حال تحول است که گروه بر روی آن بررسی میکند — حالت تعاملی. ساختار تصمیم میگیرد که هر حالت چه زمانی اعمال میشود، به جای اینکه اجازه دهد بلندترین حالت برنده شود.
ژنوم هوش جمعی
اگر هوش جمعی قابل اندازهگیری باشد، آیا میتوان آن را طراحی کرد؟ مالون، لاباچر و دلاوراکاس (مرور مدیریت MIT، 2010) بلوکهای سازنده تکراری — "ژنها" — سیستمهای هوش جمعی را فهرست کردند که حول چهار سؤال سازماندهی شدهاند. هر سیستمی، از ویکیپدیا تا یک فرآیند استراتژی شرکتی، ترکیبی از این ژنها است:
چه کسی وظیفه را انجام میدهد؟
یک سلسلهمراتب تعریفشده وظیفه را تعیین میکند، یا یک جمعیت باز خود را انتخاب میکند. جمعیتها مقیاس و تنوع را به ارمغان میآورند؛ سلسلهمراتبها مسئولیت و هماهنگی را به ارمغان میآورند.
چرا آنها این کار را انجام میدهند؟
ژنهای انگیزشی: پول (پرداخت، جوایز)، عشق (لذت درونی، جامعه) و افتخار (شناسایی، شهرت). سیستمهای پایدار انگیزهها را با مشارکت همراستا میکنند.
چه کاری انجام میشود؟
ایجاد (تولید چیزی جدید — طراحیها، ایدهها، استدلالها) یا تصمیمگیری (ارزیابی و انتخاب از میان گزینهها). بیشتر فرآیندهای واقعی این دو را زنجیرهای میکنند.
چگونه انجام میشود؟
بهطور مستقل (مشارکتها بدون تعامل تجمیع میشوند — مسابقات، رأیگیری، میانگینگیری) یا بهطور وابسته (همکاری، جایی که مشارکتها بر یکدیگر بنا میشوند). انتخاب تعیین میکند که کدام حالتهای شکست را به ارث میبرید.
پنج سوپرمایند
در سوپرمایندها (2018)، مالون پنج شکل پایدار از هوش جمعی را توصیف میکند که جوامع انسانی به طور مداوم آنها را دوباره اختراع میکنند — و استدلال میکند که سؤال واقعی درباره هوش مصنوعی این نیست که "آیا ما را جایگزین میکند؟" بلکه "چگونه هر سوپرمایند را هوشمندتر میکند؟":
سلسلهمراتبها
تصمیمات به بالا و پایین یک زنجیره اقتدار واگذار میشود. سریع و مسئولیتپذیر؛ آسیبپذیر در برابر گلوگاههای اطلاعاتی در بالا.
دموکراسیها
تصمیمات از طریق رأیگیری. مشروع و فراگیر؛ نحوه تجمیع رأیها ترجیحات خود یک علم عمیق است (نظریه انتخاب اجتماعی).
بازارها
تصمیمات از طریق قیمتها و معاملات. تجمیعکنندههای فوقالعادهای از باورهای پراکنده — مکانیزم پشت بازارهای پیشبینی.
جوامع
تصمیمات از طریق هنجارها، شهرت و اجماع غیررسمی. قدرتهای منبع باز و ویکیپدیا؛ کند اما مقاوم.
اکوسیستمها
هیچ مکانیزم تصمیمگیری مشترکی وجود ندارد — نتایج از قدرت و بقا ناشی میشود. پیشفرض زمانی که هیچ سوپرمایند دیگری طراحی نشده است.
طراحی سوپرمایند: شش حرکت
متدولوژی طراحی سوپرمایند MIT CCI ژنوم را به یک عمل حل مسئله خلاقانه تبدیل میکند. شش "حرکت" به طور سیستماتیک یک مشکل را دوباره فرموله میکند تا طراحیهای جدیدی برای گروههای افراد و کامپیوترها به وجود آورد:
زوماوت
به سیستم یا هدف وسیعتری که مشکل در آن قرار دارد، عقب بروید.
زوماین
مشکل را به اجزا و فرآیندهایی که میتوانند هر یک دوباره طراحی شوند، تجزیه کنید.
تشبیه کنید
بپرسید که چگونه حوزههای دیگر — طبیعت، صنایع دیگر، تاریخ — یک مشکل ساختاری مشابه را حل میکنند.
گروهسازی
بپرسید که یک سوپرمایند متفاوت — یک بازار، یک جامعه، یک دموکراسی — چگونه به وظیفهای که اکنون توسط یک فرد یا یک سلسلهمراتب انجام میشود، نزدیک میشود.
شناختی کنید
بپرسید که کدام فرآیندهای شناختی (حس کردن، به یاد آوردن، تصمیمگیری، یادگیری) راهحل نیاز دارد و چه کسی یا چه چیزی باید هر یک را انجام دهد.
فناوری کنید
بپرسید که فناوری — از جمله هوش مصنوعی — کجا میتواند این فرآیندها را انجام دهد، متصل کند یا تقویت کند.
درون مرکز هوش جمعی MIT (2026)
مرکز هوش جمعی MIT (CCI)، که توسط توماس مالون تأسیس شده است، آزمایشگاه پیشرو این حوزه است. پروژههای قبلی آن — Climate CoLab، آزمایشگاه طراحی CI، اندازهگیری هوش جمعی، پیشبینی جمعی — اکنون کارهای میراثی به پایان رسیدهاند. از سال 2026، تحقیق CCI تحت سه حوزه سازماندهی شده است:
هوش مصنوعی تولیدی و هوش جمعی
استفاده از هوش مصنوعی برای تقویت خلاقیت انسانی — از جمله ابزارهایی مانند سوپرمایند ایدهپرداز و DesignAID که ایدهپردازی انسان-هوش مصنوعی را تسهیل میکنند.
طراحی سوپرمایند
طراحی ترکیبهای نوآورانه از افراد و کامپیوترها، بر اساس ژنوم و شش حرکت طراحی.
طراحی تیمهای انسان-هوش مصنوعی
طراحی و تخصیص وظایف در تیمهای انسان-ماشین — سوال جانشینی برای «انسان در مقابل ماشین». با برنامه M3S سنگاپور-MIT، CCI در حال ساخت یک علم سیستماتیک از تخصیص وظایف است: کدام زیر وظایف به افراد و کدام به هوش مصنوعی میرود، چه کسی نظارت و تأیید میکند و آیا هوش مصنوعی بهعنوان ابزار، دستیار، همکار یا مدیر عمل میکند.
یافتههای کلیدی از موج تحقیق 2024–2026
تسهیلگری بر LLMهای خام برای ایدهپردازی برتری دارد
سوپرمایند ایدهپرداز یک مدل زبانی بزرگ را در تسهیلگری حل مشکلات خلاقانه (شامل شش حرکت) قرار میدهد. در یک مطالعه تجربی، کاربران بهطور قابل توجهی ایدههای نوآورانهتری نسبت به افرادی که تنها از ChatGPT استفاده میکردند یا بدون کمک کار میکردند، تولید کردند؛ تستکنندگان بتا بیش از 10,000 ایده با این سیستم ایجاد کردهاند (کنفرانس هوش جمعی ACM، 2024).
"انسان در حلقه" بهطور خودکار بهتر نیست
تحلیل متا واکارو، الماتوق و مالون از 106 آزمایش و 370 اندازه اثر (رفتار انسانی طبیعت، 2024) نشان داد که ترکیبهای انسان-هوش مصنوعی بهطور متوسط بدتر از بهترین عملکرد انسان یا هوش مصنوعی بهتنهایی عمل کردهاند — با ضررها متمرکز در وظایف تصمیمگیری و سودها در وظایف تولید محتوا. CCI اکنون همافزایی قوی (ترکیب بهتر از هر دو انسان بهتنهایی و هوش مصنوعی بهتنهایی) را از تقویت ضعیف (بهتر از انسان بهتنهایی اما نه هوش مصنوعی) متمایز میکند — و مییابد که همافزایی قوی نیاز به تخصیص وظایف بهطور عمدی دارد، نه فقط افزودن یک انسان.
180,000 مذاکره هوش مصنوعی به هوش مصنوعی
یک مطالعه PNAS در سال 2026 یک رقابت بینالمللی را برگزار کرد که در آن عوامل هوش مصنوعی با یکدیگر بیش از 180,000 مذاکره انجام دادند. علم مذاکره انسانی کلاسیک پابرجا ماند: گرما — مثبت بودن، قدردانی، پرسشگری — بهطور مداوم با رسیدن به توافق و ایجاد ارزش مرتبط بود، در حالی که تاکتیکهای تسلط پیشبینیکننده بنبستها بودند.
نقشهبرداری از جایی که هوش مصنوعی میتواند استفاده شود
یک مقاله کاری MIT در سال 2026 (arXiv 2603.20619) تقریباً 20,000 فعالیت کاری را از پایگاه داده O*NET ایالات متحده دوباره سازماندهی کرد و 13,275 کاربرد هوش مصنوعی را در برابر آن طبقهبندی کرد — و دریافت که 1.6% بالای فعالیتها بیش از 60% ارزش بازار هوش مصنوعی را تشکیل میدهند. ابزاری برای استدلال سیستماتیک درباره تخصیص وظایف انسان-هوش مصنوعی.
نمرهدهی به هوش مصنوعی و وظایف در یک مقیاس
AGI-Elo (NeurIPS 2025, arXiv 2505.12844)، از محققان وابسته به CCI از جمله مالون، مدلهای هوش مصنوعی و موارد آزمایشی فردی را در برابر یکدیگر مانند بازیکنان شطرنج نمرهدهی میکند — قرار دادن شایستگی یک مدل و دشواری یک وظیفه در یک مقیاس قابل مقایسه، پیشنیاز تخصیص وظایف اصولی در تیمهای انسان-هوش مصنوعی.
هوش جمعی در عصر هوش مصنوعی
مدلهای زبان بزرگ در حال تبدیل شدن به شرکتکنندگان در هوش جمعی هستند، نه فقط ابزارهایی برای آن. برتون و 27 نویسنده همکار از رشتههای مختلف (رفتار انسانی در طبیعت، 2024) پیامدهای دو لبه را نقشهبرداری کردند:
فرصتها
کاهش موانع مشارکت
مدلهای زبانی بزرگ میتوانند ترجمه، خلاصهسازی و پیشنویس کنند — اجازه میدهند افراد بیشتری به فرآیندهای جمعی بدون توجه به زبان یا مهارت نوشتن کمک کنند.
تجمیع دانش پراکنده
مدلهای زبانی بزرگ میتوانند حجمهای بزرگی از متن — صورتجلسههای ملاقات، پاسخهای نظرسنجی باز، مشاورههای عمومی — که قبلاً بر تجمیعکنندگان انسانی غلبه میکرد، ترکیب کنند.
حمایت از بررسی
هوش مصنوعی میتواند استدلالهای مخالف را نمایان کند، مواضع مشابه را خوشهبندی کند و بحثها را ساختاردهی کند — مرحله بررسی را تقویت کند نه اینکه آن را جایگزین کند.
ریسکها
همگنسازی دیدگاهها
اگر افراد زیادی به همان مدلها مراجعه کنند، خروجیهای آنها همگرا میشود — تنوع دیدگاههایی که هوش جمعی به آن وابسته است را از بین میبرد.
اجماع کاذب
متن تولید شده توسط هوش مصنوعی میتواند ظاهر توافق یا نظر اکثریت را که در میان انسانهای واقعی وجود ندارد، تولید کند.
کاهش اکوسیستمهای اطلاعاتی
محیط اطلاعاتی که بهطور فزایندهای از طریق چند مدل فیلتر میشود، خطر خطاهای همبستهای را به همراه دارد که باعث میشود جمعیتها بهطور جمعی احمقتر از هوشمند شوند.
پیامد طراحی منعکس کننده یافته واکارو است: هوش مصنوعی هوش جمعی را بهبود میبخشد زمانی که به زیرکارهایی که به وضوح در آنها خوب است — رونویسی، استخراج، ترجمه، خلاصهسازی — اختصاص داده میشود، در حالی که قضاوت، ارزیابی و تصمیمگیری خود با انسانهای مسئول باقی میماند. این مرز سیستمهای انسان-هوش مصنوعی (تعصب اتوماسیون، کالیبراسیون اعتماد، کنترل معنادار انسانی) است که علم تصمیمگیری اکنون در حال ترسیم آن است.
چگونه آرگومنتری تحقیقات هوش جمعی را به کار میگیرد
آرگومنتری یک پلتفرم تصمیمگیری مشارکتی است که به طور مستقیم بر اساس این یافتهها ساخته شده است. هر انتخاب طراحی به یک نتیجه در ادبیات مرتبط است:
مشارکت مستقل و ناهمزمان
شرکتکنندگان استدلالها را در زمان خود اضافه میکنند، قبل از اینکه گروه به توافق برسد — شرایط استقلال و تنوعی را که تحقیقات تجمیع نشان میدهد جمعیتها نیاز دارند، حفظ میکند.
برابری ساختاری مشارکت
تحقیقات وولی هوش جمعی را به نوبتگیری برابر مرتبط میکند. در یک درخت استدلال، هیچ طبقهای برای نگهداشتن وجود ندارد: استدلالهای هر شرکتکننده به همان ساختار وارد میشوند و به همان شیوه وزن میشوند.
تجمیع با نمرهدهی چندبعدی
استدلالها بر اساس مفید بودن، وضوح، دقت و کامل بودن نمرهدهی میشوند و نمرات به امتیازهای اجماعی تجمیع میشوند — یک مکانیزم تجمیع صریح، بنابراین قضاوت جمعی اندازهگیری میشود نه اینکه فرض شود.
بررسی با ساختار
زنجیره 4 مرحلهای سوالات، مصالحهها و بررسیها به شرکتکنندگان اجازه میدهد تا استدلالها را بررسی و اصلاح کنند — همکاری وابسته بهطور ژنومی، اما درون ساختاری که استدلال را قابل مشاهده نگه میدارد.
تخصیص وظایف انسان-هوش مصنوعی بهدرستی انجام میشود
استخراج هوش مصنوعی صورتجلسههای ملاقات و اسناد را به درختهای استدلال پیشنویس تبدیل میکند — کار پردازش محتوا که هوش مصنوعی در آن خوب است — در حالی که ارزیابی و تصمیمگیری با افراد باقی میماند، مطابق با شواهد همافزایی انسان-هوش مصنوعی در سال 2024.
حافظهای برای سوپرمایند
ردیابی کامل حسابرسی (پیشنویس، باز، چرخه بسته با نسخهگذاری) استدلال گروه را حفظ میکند، بنابراین سازمان میتواند از هوش جمعی خود بیاموزد به جای اینکه آن را هنگام پایان جلسه از دست بدهد.
سوالات متداول
هوش جمعی چیست؟
هوش جمعی توانایی گروهها — از افراد، ماشینها یا هر دو — برای عمل جمعی به شیوههایی است که به نظر میرسد هوشمندانه است (مالون و برنشتاین، راهنمای هوش جمعی، 2015). این شامل حکمت جمعی آماری، تولید مشترک مانند ویکیپدیا، تیمهای بررسی، بازارهایی که باورها را تجمیع میکنند و تیمهای مدرن انسان-هوش مصنوعی است.
عامل c در هوش جمعی چیست؟
عامل c یک عامل عمومی هوش جمعی است که توسط وولی و همکاران (علم، 2010) شناسایی شده است: یک عامل آماری واحد که حدود 43% از واریانس عملکرد یک گروه را در میان وظایف مختلف توضیح میدهد، مشابه عامل g IQ برای افراد. این با حساسیت اجتماعی گروه و برابری نوبتگیری گفتوگو بهطور قابل توجهی بیشتر از هوش فردی اعضا همبستگی دارد.
آیا عامل c تکرار شده است؟
این موضوع مورد حمایت قرار گرفته اما مورد بحث است. کرده و هاواردسون (2017) استدلال کردند که شواهد برای یک عامل عمومی واحد ضعیف است، و وولی و همکاران در سال 2018 پاسخ دقیقی منتشر کردند. یک تحلیل متا در سال 2021 توسط ریدل و همکاران (PNAS) که شامل 22 مطالعه و 1,356 گروه بود، شواهدی برای یک عامل c در میان جمعیتهای مختلف پیدا کرد. نتیجه عملی — فرآیند گروهی پیشبینیکننده عملکرد بهتر از IQ اعضا است — در سراسر بحث قوی است.
تفاوت بین هوش جمعی و حکمت جمعی چیست؟
حکمت جمعی پدیدهای باریکتر است: بسیاری از قضاوتهای مستقل، بهطور آماری تجمیع شده، به پاسخهای دقیقی همگرا میشوند (همانطور که در آزمایش گاو گالتون در سال 1906). هوش جمعی زمینهای وسیعتر است: این شامل حکمت جمعی اما همچنین همکاری واقعی، بررسی، بازارها، جوامع و تیمهای انسان-هوش مصنوعی است — هر سیستمی که در آن یک گروه بهطور هوشمندانه عمل میکند.
تفاوت بین هوش جمعی و هوش جمعی زنبوری چیست؟
هوش جمعی زنبوری هماهنگی است که از بسیاری از عوامل ساده که از قوانین محلی پیروی میکنند، ناشی میشود — کلونیهای مورچه، گروههای پرندگان، زنبورهای رباتیک — بدون بررسی و بدون استدلال صریح. هوش جمعی انسانی شامل تبادل و ارزیابی دلایل است. آنها اصول عمیقی را به اشتراک میگذارند (تمرکززدایی، دانش محلی، تجمیع)، به همین دلیل است که پلتفرمهای تصمیمگیری از هر دو قرض میگیرند.
سوپرمایند چیست؟
سوپرمایند، در کتاب توماس مالون در سال 2018 به همین نام، هر گروهی از افراد است که بهطور مشترک به شیوهای عمل میکنند که به نظر میرسد هوشمندانه است. مالون پنج نوع تکراری را شناسایی میکند — سلسلهمراتبها، دموکراسیها، بازارها، جوامع و اکوسیستمها — و استدلال میکند که کامپیوترها سوپرمایندها را عمدتاً با امکانپذیر کردن ترکیبهای جدید از آنها هوشمندتر میکنند، نه با جایگزینی آنها.
مرکز هوش جمعی MIT چیست؟
مرکز هوش جمعی MIT (cci.mit.edu)، که در MIT اسلون تأسیس شده و توسط توماس مالون هدایت میشود، مطالعه میکند که چگونه گروههای افراد — و بهطور فزایندهای افراد بهعلاوه هوش مصنوعی — میتوانند بهگونهای سازماندهی شوند که هوشمندتر از هر فرد عمل کنند. پروژههای قبلی آن در دوران جمعسپاری (Climate CoLab و CoLabs، اندازهگیری هوش جمعی) اکنون کارهای میراثی هستند؛ از سال 2026، تحقیقات آن تحت سه چتر سازماندهی شده است: هوش مصنوعی تولیدی و هوش جمعی، طراحی سوپرمایند، و طراحی تیمهای انسان-هوش مصنوعی، با ابزارهایی مانند سوپرمایند ایدهپرداز و DesignAID و، با برنامه M3S سنگاپور-MIT، یک علم سیستماتیک از تخصیص وظایف انسان-هوش مصنوعی.
آیا افزودن یک انسان در حلقه تصمیمات هوش مصنوعی را بهبود میبخشد؟
بهطور خودکار نه. یک تحلیل متا در سال 2024 از 106 آزمایش (واکارو، الماتوق و مالون، رفتار انسانی طبیعت) نشان داد که ترکیبهای انسان-هوش مصنوعی بهطور متوسط بدتر از بهترین عملکرد انسان یا هوش مصنوعی بهتنهایی عمل کردهاند، با ضررها متمرکز در وظایف تصمیمگیری. ترکیبها بیشتر در وظایف تولید محتوا کمک کردند. هوش جمعی مؤثر انسان-هوش مصنوعی نیاز به تخصیص عمدی زیر وظایف به هر طرفی دارد که آنها را بهتر انجام میدهد.
چگونه تیمها میتوانند هوش جمعی خود را افزایش دهند؟
شواهد به طراحی فرآیند اشاره دارد: مشارکت را برابر کنید (ورودی ساختاری یا ناهمزمان به جای بحث آزاد)، قضاوت مستقل را قبل از همگرایی گروهی حفظ کنید، برای تنوع شناختی و حساسیت اجتماعی استخدام کنید، از یک مکانیزم تجمیع صریح مانند نمرهدهی یا رأیگیری استفاده کنید و سوابق استدلال را نگه دارید تا گروه بتواند بیاموزد. ابزارهایی مانند Argumentree بهطور پیشفرض این مکانیکها را در خود دارند.
مراجع و مطالعه بیشتر
کاندورسه، م. د. (1785). مقالهای درباره کاربرد تحلیل در احتمال تصمیمات گرفتهشده بهوسیله اکثریت آرا.
نتیجه ریاضی بنیانی: اکثریت رأیدهندگان مستقل و بهتر از شانس به حقیقت همگرا میشوند.
گالتون، ف. (1907). وکس پاپولی. طبیعت، 75، 450–451.
787 بازدیدکننده از نمایشگاه وزن یک گاو را حدس میزنند؛ حدس میانه در 1% حقیقت قرار میگیرد.
View source →هایِک، ف. آ. (1945). استفاده از دانش در جامعه. نشریه اقتصادی آمریکایی، 35(4)، 519–530.
بازارها بهعنوان تجمیعکنندههای دانش پراکنده.
سورویسکی، ج. (2004). حکمت جمعی. دابلدی.
چهار شرط: تنوع، استقلال، تمرکززدایی، تجمیع.
وولی، آ. و همکاران (2010). شواهدی برای یک عامل هوش جمعی در عملکرد گروههای انسانی. علم، 330(6004)، 686–688.
عامل c: 699 نفر، گروههای 2–5، یک عامل که ~43% از واریانس عملکرد را توضیح میدهد.
مالون، ت. و همکاران (2010). ژنوم هوش جمعی. نشریه مدیریت MIT، 51(3)، 21–31.
بلوکهای سازنده Who/Why/What/How سیستمهای هوش جمعی.
View source →مالون، ت. و برنشتاین، م. س. (ویرایشها) (2015). راهنمای هوش جمعی. انتشارات MIT.
مرجع و تعریف استاندارد این زمینه.
کرده، م. و هاواردسون، گ. (2017). ساختار عملکرد وظیفه گروه — نگاهی دوباره به "هوش جمعی." نشریه روانشناسی کاربردی، 102(10).
انتقاد اصلی از عمومی بودن عامل c.
مالون، ت. (2018). سوپرمایندها. لیتل، براون.
پنج نوع سوپرمایند و اینکه چگونه کامپیوترها آنها را هوشمندتر میکنند.
ریدل، س.، کیم، ی. ج.، گوپتا، پ.، مالون، ت. و وولی، آ. و همکاران (2021). کمیسازی هوش جمعی در گروههای انسانی. PNAS، 118(21).
تحلیل متا: 22 مطالعه، 1,356 گروه، شواهدی برای c در میان جمعیتها.
واکارو، م.، الماتوق، آ. و مالون، ت. (2024). زمانی که ترکیبهای انسان و هوش مصنوعی مفید هستند: یک مرور سیستماتیک و تحلیل متا. رفتار انسانی طبیعت، 8، 2293–2303.
106 آزمایش: ترکیبهای انسان-هوش مصنوعی بهطور خودکار بهترین عملکرد را از هر یک بهتنهایی ندارند.
View source →برتون، ج. و همکاران (2024). چگونه مدلهای زبانی بزرگ میتوانند هوش جمعی را شکل دهند. رفتار انسانی طبیعت، 8، 1643–1655.
28 نویسنده درباره فرصتها و خطرات LLM برای هوش جمعی.
View source →پیشرفت در مذاکرات هوش مصنوعی: یک رقابت بزرگمقیاس مذاکرات خودکار. PNAS (2026).
مذاکرات بیش از 180,000+ عامل هوش مصنوعی؛ گرما حتی در مذاکرات ماشین به ماشین پیروز میشود.
View source →کای، آ. و همکاران (2026). هوش مصنوعی کجا میتواند استفاده شود؟ بینشهایی از یک هستیشناسی عمیق از فعالیتهای کاری. arXiv 2603.20619.
یک هستیشناسی عمیق از ~20,000 فعالیت کاری برای استدلال درباره تخصیص وظایف انسان-هوش مصنوعی.
View source →مرکز هوش جمعی MIT. تحقیقات (2026).
چترهای فعلی: هوش مصنوعی تولیدی و CI، طراحی سوپرمایند، طراحی تیمهای انسان-هوش مصنوعی.
View source →مرکز هوش جمعی MIT. روششناسی طراحی سوپرمایند.
شش حرکت طراحی: زوماوت، زوماین، تشبیه، گروهسازی، شناختی، فناوری.
View source →سان، س. و همکاران (2025). AGI-Elo: ما چقدر از تسلط بر یک وظیفه فاصله داریم؟ NeurIPS 2025.
نمرهدهی مشترک به مدلهای هوش مصنوعی و دشواری موارد آزمایشی؛ نویسندگان همکار وابسته به CCI از جمله مالون.
View source →مفاهیم مرتبط
تیم خود را به یک گروه هوشمندتر قابل اندازهگیری تبدیل کنید
هوش جمعی یک مشکل طراحی است: مشارکت را برابر کنید، قضاوت مستقل را حفظ کنید، به طور صریح تجمیع کنید و استدلال را نگه دارید. آرگومنتری این مکانیکها را در هر تصمیم میسازد — با هوش مصنوعی که کارهای خستهکننده را انجام میدهد و افراد شما که قضاوت میکنند.
آغاز آزمایش رایگان