Collective Intelligence: 240 Years of Research — From Condorcet to AI

Pada tahun 1794, seorang ahli matematik Perancis meninggal dunia dalam sel penjara revolusi, sembilan tahun selepas menerbitkan teorem yang hampir tidak dibaca oleh sesiapa. Pada tahun 1906, seorang ahli statistik Victoria berusia 84 tahun merayau melalui pameran ternakan mengumpul kad cabutan yang digunakan. Pada tahun 2026, penyelidik di MIT menjalankan ratusan ribu rundingan antara agen AI untuk belajar bagaimana mesin harus bergabung dengan pasukan manusia. Ketiga-tiga adegan ini adalah sebahagian daripada satu cerita penyelidikan yang berterusan — kajian tentang kecerdasan kolektif, keupayaan kumpulan untuk bertindak dengan cara yang kelihatan bijak. Apa yang berikut adalah cerita itu, era demi era, dengan penemuan sebenar dan pertarungan sebenar.

1785: Pertaruhan Pencerahan — Teorem Condorcet

Marie Jean Antoine Nicolas de Caritat, Marquis de Condorcet, adalah jenis tokoh Pencerahan yang menjadikan polymath moden kelihatan sempit: seorang ahli matematik yang dipilih ke Académie des sciences pada usia dua puluhan, seorang penyokong awal dan lantang pendidikan awam, hak mengundi wanita, dan penghapusan perhambaan. Pada tahun 1785, beliau menerbitkan Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix — sebuah esei tentang penerapan teori kebarangkalian kepada pengundian majoriti. Tersembunyi di dalamnya adalah hasil yang kini kita panggil Teorem Juri Condorcet.

Teorem ini mengatakan sesuatu yang mengejutkan. Ambil soalan ya/tidak dengan jawapan yang betul. Anggap setiap pengundi betul dengan kebarangkalian yang sedikit lebih baik daripada flip syiling — katakan 55% — dan anggap pengundi menilai secara bebas antara satu sama lain. Maka apabila kumpulan berkembang, kebarangkalian bahawa majoriti adalah betul meningkat ke arah kepastian. Penilaian individu yang sederhana, jika digabungkan dengan betul, menjadi penilaian kolektif yang hampir sempurna. Teorem ini juga mempunyai kembar gelap: jika setiap pengundi sedikit lebih teruk daripada flip syiling, majoriti menjadi hampir pasti salah apabila kumpulan berkembang. Pengagregatan memperkuatkan apa sahaja kompetensi — atau ketidakcekapan — yang anda berikan. Kami menceritakan keseluruhan kisah teorem ini, andaian-andaian dan kegunaan moden dalam karya rakan kami tentang Teorem Juri Condorcet.

Esei yang sama mengandungi penemuan kedua yang akan mengambil masa 160 tahun untuk meletup: paradoks Condorcet. Dengan tiga atau lebih pilihan, keutamaan majoriti boleh berputar — kumpulan lebih suka A kepada B, B kepada C, dan C kepada A — jadi “apa yang diinginkan majoriti” mungkin tidak ditakrifkan dengan baik. Pemerhatian itu adalah benih teori pilihan sosial, bidang yang akan diubah oleh Kenneth Arrow dengan teorem ketidakmungkinan beliau: tiada sistem pengundian yang dinilai boleh memenuhi senarai pendek syarat keadilan yang munasabah sekaligus. Sistem pengundian, kaedah pilihan berperingkat, dan matematik pengagregatan keutamaan adalah kisah mereka sendiri — jenis pengagregatan yang berbeza daripada purata kepercayaan yang diikuti oleh artikel ini — dan satu yang akan kami kembali dalam siri akan datang.

Condorcet tidak hidup untuk melihat mana-mana daripadanya menjadi penting. Diharamkan semasa Teror kerana menentang perlembagaan Jacobin, beliau bersembunyi selama berbulan-bulan — menulis, dengan luar biasa, Sketch for a Historical Picture of the Progress of the Human Mind yang optimis — ditangkap pada bulan Mac 1794, dan ditemui mati dalam selnya di Bourg-la-Reine dua hari kemudian. Matematik kebijaksanaan kolektif bermula sebagai kerja seorang lelaki yang dihancurkan oleh kolektif yang menjadi gila. Ironi ini telah membayangi bidang ini sejak itu: kumpulan boleh menjadi cemerlang, dan kumpulan boleh menjadi raksasa, dan perbezaannya bukanlah orang — ia adalah keadaan.

1906–1950an: Era statistik — Galton, Hayek, dan Delphi

Untuk ujian empirik pertamanya, kecerdasan kolektif terpaksa menunggu 121 tahun — dan ia tiba di pameran ternakan. Pada musim luruh tahun 1906, Francis Galton, ketika itu berusia 84 tahun, menghadiri Pameran Stok Lemak dan Ayam Barat England di Plymouth, di mana satu pertandingan penilaian berat mengundang pengunjung untuk meneka berat lembu yang dihidangkan dengan harga enam pence untuk tiket. Galton — seorang pengasas statistik, dan bukan seorang demokrat dari segi temperament — menjangkakan penyertaan akan membuktikan kejahilan pengundi purata. Beliau memperoleh kad yang digunakan, membuang 13 yang tidak dapat dibaca, dan menganalisis baki 787 tekaan. Anggaran yang paling tengah adalah 1,207 lb; berat lembu yang sebenar adalah 1,198 lb — satu kesilapan di bawah 1%, lebih baik daripada pakar ternakan yang hadir. Beliau menerbitkan hasilnya dalam Nature pada 7 Mac 1907 dengan tajuk “Vox Populi,” dan dalam surat susulan mengakui bahawa purata aritmetik adalah lebih tepat: 1,197 lb, satu paun off. Kisah penuh — termasuk apa yang Galton salah dan abad replikasi sejak itu — terdapat dalam penyelaman mendalam kami tentang lembu Galton, dan fenomena umum dalam panduan kami kepada kebijaksanaan orang ramai.

Mengapa helah ini berfungsi? Setiap tekaan boleh dibahagikan kepada isyarat ditambah ralat. Jika ralat adalah bebas dan tersebar di kedua-dua belah kebenaran, pengagregatan membatalkan mereka sementara isyarat yang dikongsi kekal. “Jika” itu adalah andaian kebebasan Condorcet yang berpakaian statistik, dan ia adalah engsel di mana setiap kejayaan dan kegagalan kebijaksanaan orang ramai berpusing. Penilaian semula Kenneth Wallis pada tahun 2014 terhadap pertandingan Galton mengesahkan betapa baiknya syarat pameran — penyertaan bertulis secara peribadi, insentif untuk tepat, tiada pengiraan yang kelihatan — melindungi ia.

Lompatan seterusnya datang dari ekonomi. Dalam “Penggunaan Pengetahuan dalam Masyarakat” (American Economic Review, 1945), Friedrich Hayek berpendapat bahawa pengetahuan yang relevan untuk keputusan ekonomi tidak pernah wujud dalam bentuk terkumpul — ia tersebar di seluruh jutaan orang sebagai serpihan tempatan, separa, dan sering tersirat. Tiada perancang pusat boleh mengumpulkannya; tetapi sistem harga mengagregatkannya secara automatik, memampatkan pengetahuan yang tersebar menjadi satu nombor yang memberitahu semua orang bagaimana untuk bertindak. Hayek telah, secara efektif, mengenal pasti mekanisme pengagregatan berskala besar pertama yang berfungsi dalam pengeluaran. Setengah abad kemudian, pasaran ramalan akan mengambil pandangannya secara literal dan membina pasaran yang produk tunggalnya adalah maklumat dalam harga.

Tahun 1950-an menambah proses kecerdasan kolektif yang pertama yang sengaja dilakukan. Di RAND Corporation, penyelidik yang membangunkan ramalan jangka panjang menghadapi masalah yang biasa: meletakkan pakar dalam satu bilik dan suara yang paling kuat atau paling senior mengikat semua orang yang lain. Jawapan mereka, kaedah Delphi, mengumpulkan penilaian pakar secara tanpa nama dan dalam pusingan berulang dengan maklum balas terkawal — melindungi kebebasan daripada pangkat dan tekanan sosial sambil membenarkan maklumat beredar. Delphi adalah nenek moyang langsung bagi setiap proses input berstruktur moden, dari perancangan poker hingga aliran sumbangan yang bebas digunakan dalam platform pengambilan keputusan kolaboratif.

1940-an–1990-an: Sibernetik, teori permainan, dan intelek yang dipertingkatkan

Sementara ahli statistik mengkaji pengagregatan, satu garis keturunan lain mengkaji interaksi. Teori Permainan dan Tingkah Laku Ekonomi John von Neumann dan Oskar Morgenstern (edisi 1947) memberikan sains sosial matematik interdependensi strategik — apa yang berlaku apabila hasil pilihan saya bergantung kepada pilihan anda. Teori permainan mengubah kumpulan bukan sebagai beg penganggar bebas tetapi sebagai sistem agen yang berinteraksi, pandangan yang akan menjadi sangat penting apabila penyelidik mula bertanya mengapa individu rasional menghasilkan kolektif yang tidak rasional (subjek penyelidikan cascades maklumat beberapa dekad kemudian).

Benang kedua adalah teknologi. Dalam laporannya SRI 1962 Augmenting Human Intellect: A Conceptual Framework, Douglas Engelbart mencadangkan bahawa tujuan pengkomputeran bukanlah untuk menggantikan pemikiran manusia tetapi untuk meningkatkannya — termasuk pemikiran kolektif kumpulan yang menangani masalah yang terlalu kompleks untuk mana-mana individu. Pembingkaian Engelbart menanamkan bidang penyelidikan kerja sama yang disokong komputer (CSCW) yang terbentuk pada tahun 1980-an, dan gelombang perisian kumpulan yang mengikutinya. Soalan peningkatan berbanding penggantian yang beliau ajukan pada tahun 1962 adalah, hampir secara verbatim, soalan yang kini dijawab oleh literatur manusia-AI 2024–2026 dengan data.

Era pertengahan ini menyumbang sesuatu yang mudah untuk diremehkan: ia mengubah kecerdasan kolektif daripada sifat yang anda perhatikan menjadi sistem yang anda bina. Delphi adalah protokol yang direka; perisian kumpulan adalah perisian yang direka; rangka kerja Engelbart secara jelas adalah agenda kejuruteraan untuk kognisi kumpulan. Era statistik telah bertanya “adakah orang ramai tepat?” Era sibernetik bertanya soalan yang diwarisi oleh setiap platform kolaborasi moden: struktur apa yang menjadikan kumpulan lebih bijak daripada yang sepatutnya? Argumentasi berstruktur itu sendiri mempunyai garis keturunan intelektual yang selari di sini — model hujah Stephen Toulmin 1958 dan tradisi pemetaan hujah yang kemudiannya memberikan sisi pertimbangan kecerdasan kolektif strukturnya, peta hujah, sama seperti harga telah menjadi struktur data pengagregatan pasaran.

1959–1999: Era kawanan — kecerdasan tanpa sesiapa yang memimpin

Sementara itu, biologi secara senyap-senyap membongkar andaian bahawa kecerdasan memerlukan otak yang memimpin. Pada tahun 1959, ahli zoologi Perancis Pierre-Paul Grassé, yang mengkaji pembinaan sarang termit, mencipta istilah stigmergy: penyelarasan melalui jejak yang ditinggalkan di persekitaran. Tiada termit yang memegang pelan; setiap satu bertindak balas terhadap keadaan tempatan gundukan, dan gundukan itu sendiri menyelaraskan koloni. Ia adalah mekanisme pertama yang tepat untuk penyelarasan tanpa pemimpin — dan ternyata ia dapat digeneralisasikan jauh melebihi serangga.

Pada tahun 1987, penyelidik grafik komputer Craig Reynolds menunjukkan betapa sedikitnya kecanggihan individu yang diperlukan untuk kemunculan. Kertas SIGGRAPHnya “Flocks, Herds, and Schools: A Distributed Behavioral Model” menghidupkan kumpulan burung simulasi — boids — yang dikawal oleh hanya tiga peraturan tempatan: pemisahan, penjajaran, dan kohesi. Tiada pemimpin, tiada skrip, namun kumpulan itu berputar dan membelah dan membentuk semula seperti yang sebenar. Dua tahun kemudian, Gerardo Beni dan Jing Wang mencipta istilah kecerdasan kawanan dalam konteks sistem robot selular, memberikan fenomena itu namanya.

Pulangan kejuruteraan mengikuti dengan cepat. Tesis PhD Marco Dorigo pada tahun 1992 di Politecnico di Milano, Optimization, Learning and Natural Algorithms, menterjemahkan pengumpulan makanan semut — jejak feromon yang menguatkan laluan yang lebih pendek, seperti yang ditunjukkan oleh eksperimen jambatan berganda dengan semut Argentina — ke dalam Pengoptimuman Koloni Semut, satu keluarga algoritma untuk masalah penghalaan dan penjadualan. Pengoptimuman Kumpulan Partikel James Kennedy dan Russell Eberhart (1995) melakukan perkara yang sama untuk pengumpulan. Menjelang tahun 1999, Bonabeau, Dorigo, dan Theraulaz’s Swarm Intelligence: From Natural to Artificial Systems (Oxford) telah mengkodifikasikan bidang ini, dan algoritma berasaskan semut telah mengarahkan panggilan telefon (Schoonderwoerd dan rakan-rakan di BT Labs, 1996) dan trak penghantaran. Kemudian, robotik menjadikan titik itu secara fizikal: pada tahun 2014, Rubenstein, Cornejo, dan Nagpal membentuk bentuk daripada 1,024 Kilobots (Science), dan Honeybee Democracy (2010) oleh Thomas Seeley menunjukkan kawanan lebah madu memilih lokasi sarang melalui pengintipan, advokasi tarian waggle, dan pengesanan quorum — satu anggaran semula jadi dan terdesentralisasi bagi teorem juri yang sedang beraksi. Kisah penuh terdapat dalam panduan kami kepada kecerdasan kawanan.

Pelajaran era kawanan untuk kumpulan manusia adalah dua sisi. Ia membuktikan bahawa desentralisasi berfungsi — pengetahuan tempatan ditambah peraturan interaksi yang sederhana boleh mengatasi perancangan pusat, seperti yang dinyatakan oleh Hayek. Tetapi ia juga menandakan sempadan: kawanan menyelaraskan tindakan, bukan sebab. Semut tidak berdebat. Kecerdasan kolektif manusia menambah satu lapisan yang tidak dimiliki oleh mana-mana kawanan — pertukaran dan penilaian hujah — dan lapisan itu memerlukan mesin yang berbeza.

1999–2015: Era internet — kecerdasan kolektif masuk ke dalam pengeluaran

Kemudian internet menjadikan semua orang sebagai penyumbang yang berpotensi, dan kecerdasan kolektif berhenti menjadi keingintahuan makmal. Perisian sumber terbuka menunjukkan bahawa ribuan sukarelawan yang diselaraskan secara longgar boleh membina sistem yang kompleks seperti sistem pengendalian — esei Eric Raymond pada tahun 1999 The Cathedral and the Bazaar membekalkan manifesto era itu. Wikipedia, dilancarkan pada tahun 2001, mengembangkan model kepada pengetahuan manusia itu sendiri: ensiklopedia tanpa ketua editor, diselaraskan secara stigmergically melalui artefak yang sedang disunting — logik termit, diterapkan kepada teks.

Pada tahun 2004, dua penerbitan memberikan teori kepada era itu. The Wisdom of Crowds oleh James Surowiecki mengumpulkan satu abad bukti dan menyaring empat syarat di mana kumpulan bijak: kepelbagaian pendapat, kebebasan, desentralisasi, dan pengagregatan — keluarkan mana-mana satu, dan orang ramai menjadi lebih bodoh, bukan lebih bijak. Pada tahun yang sama, Lu Hong dan Scott Page menerbitkan hasil “kepelbagaian mengatasi kebolehan” mereka dalam PNAS: dalam model pengkomputeran mereka, kumpulan penyelesai masalah yang rawak dan pelbagai kognitif mengatasi kumpulan yang terdiri daripada pelaku terbaik secara individu. Kejujuran memerlukan nota kaki: pada tahun 2014, ahli matematik Abigail Thompson menerbitkan kritikan tajam dalam Notices of the American Mathematical Society, berpendapat bahawa teorem asas adalah remeh dan salah label dan simulasi terlalu ditafsir; pembela termasuk Page sendiri membalas bahawa hasil itu berlaku di bawah syarat yang dinyatakan — masalah yang sukar, agen yang mampu, kolam besar — dan tidak pernah menjadi tuntutan bahawa mana-mana kumpulan pelbagai mengalahkan mana-mana pasukan pakar. Perdebatan, dan apa yang tersisa daripadanya, diperiksa dalam karya kami tentang kepelbagaian berbanding kebolehan dan panduan kami kepada kepelbagaian epistemik.

Mekanisme harga Hayek mendapat eksperimen terkawalnya dalam era ini juga. Pasaran Elektronik Iowa, sebuah pasaran penyelidikan wang sebenar yang ditubuhkan di Universiti Iowa pada tahun 1988, mengumpulkan cukup sejarah untuk perbandingan definitif: Berg, Nelson, dan Rietz (International Journal of Forecasting, 2008) memadankan harga pasaran dengan 964 tinjauan nasional merentasi pilihan raya presiden AS 1988–2004 dan mendapati pasaran lebih dekat dengan hasil akhir 74% daripada masa, dengan kelebihan paling kuat pada horizon lebih dari 100 hari. Peraturan penilaian pasaran logaritma Robin Hanson (2003) sementara itu menyelesaikan masalah pasaran tipis secara algoritma, membenarkan walaupun kumpulan kecil menjalankan pasaran ramalan dalaman.

Sebaliknya, penilaian pakar mengalami kemerosotan. Expert Political Judgment oleh Philip Tetlock (2005) melaporkan kajian selama kira-kira dua dekad terhadap 284 pakar dan kira-kira 28,000 penilaian kebarangkalian; pakar purata hampir tidak mengatasi ramalan mudah — penemuan di sebalik karikatur “chimpanzee yang membuang dart” yang terkenal. Tetapi kerja susulan Tetlock dalam pertandingan ramalan IARPA (2011–2015) mendapati separuh cerita yang konstruktif: sekumpulan kecil “superforecasters,” yang dibezakan bukan oleh kelayakan tetapi oleh pemikiran probabilistik dan pembaruan kepercayaan yang tidak henti-henti, dilaporkan mengatasi penganalisis perisikan yang mempunyai akses kepada maklumat sulit. Kemahiran ramalan dan kalibrasi layak — dan akan mendapat — rawatan mendalam mereka sendiri dalam siri akan datang.

Mercu tanda institusi era ini datang pada tahun 2006, apabila Thomas Malone mengasaskan Pusat Kecerdasan Kolektif MIT di sekitar soalan yang kelihatan mudah: bagaimana orang dan komputer boleh disambungkan supaya, secara kolektif, mereka bertindak lebih bijak daripada mana-mana individu, kumpulan, atau komputer yang pernah dilakukan sebelum ini? Hasil awal memetakan ruang reka bentuk — “Genome Kecerdasan Kolektif” (Malone, Laubacher, dan Dellarocas, MIT Sloan Management Review, 2010) mengatalogkan blok bangunan sistem CI sepanjang empat soalan: siapa yang melakukan tugas (kumpulan atau hierarki), mengapa (wang, cinta, atau kemuliaan), apa (mencipta atau memutuskan), dan bagaimana (secara bebas atau bergantung). Menjelang tahun 2015, Handbook of Collective Intelligence (MIT Press) oleh Malone dan Bernstein dapat mendefinisikan objek bidang ini dengan jelas: “kumpulan individu yang bertindak secara kolektif dengan cara yang kelihatan bijak.”

Dan pada tahun 2010, bidang ini memperoleh pengukuran yang paling provokatif. Anita Williams Woolley, Christopher Chabris, Alex Pentland, Nada Hashmi, dan Thomas Malone (Science, 330: 686–688) menguji 699 orang yang bekerja dalam kumpulan dua hingga lima pada pelbagai tugas. Prestasi kumpulan merentasi tugas cukup berkorelasi untuk menghasilkan satu faktor statistik tunggal — faktor kecerdasan kolektif, c — yang menerangkan kira-kira 43% varians, analog tahap kumpulan kepada g-factor IQ individu. Kejutan adalah apa yang meramalkannya. Kecerdasan purata dan maksimum ahli berkorelasi hanya lemah dengan c. Apa yang berkorelasi dengan kuat: kepekaan sosial purata kumpulan (diukur dengan ujian Membaca Minda di Dalam Mata), kesetaraan pengambilan giliran perbualan, dan proporsi wanita dalam kumpulan (yang sendiri banyak dimediasi oleh kepekaan sosial). Betapa bijaknya sesuatu kumpulan, data berkata, bergantung kurang kepada siapa yang ada di dalamnya daripada kepada bagaimana ia berinteraksi.

Sejarah bayangan: apabila kolektif gagal

Berlari di bawah keseluruhan garis masa optimis adalah satu literatur kedua yang lebih gelap — kajian tentang bagaimana kumpulan individu yang cerdas dan berniat baik menghasilkan kebodohan kolektif. Ia penting di sini kerana ia bukan subjek yang berasingan: setiap mod kegagalan yang didokumenkan adalah pelanggaran terhadap syarat yang bergantung kepada kisah kejayaan.

Cawangan psikologi datang terlebih dahulu. Victims of Groupthink oleh Irving Janis (1972) membedah bagaimana penasihat Presiden Kennedy yang sangat mampu bercakap diri mereka ke dalam pencerobohan Teluk Babi 1961. Janis menyenaraikan lapan simptom dalam tiga kelompok — penganggaran berlebihan kumpulan (ilusi kebal, kepercayaan dalam moraliti yang wujud), ketertutupan (rasionalisasi kolektif, pandangan stereotaip tentang orang luar), dan tekanan ke arah keseragaman (penapisan diri, ilusi kesepakatan, tekanan langsung ke atas penentang, dan “penjaga minda” yang melantik diri sendiri yang menapis maklumat yang mengganggu). Dua tahun kemudian, “Abilene Paradox” Jerry Harvey (Organizational Dynamics, 1974) menggambarkan sepupu yang lebih pelik: kumpulan yang bersetuju pada satu tindakan yang tiada ahli individu yang inginkan, kerana semua orang tersalah anggap keheningan orang lain sebagai pilihan. Kedua-duanya adalah kegagalan input yang sama: penilaian yang jujur dan bebas tidak pernah memasuki kolam.

Cawangan ekonomi tiba pada tahun 1992, dan ia lebih mengganggu kerana ia tidak memerlukan psikologi sama sekali. Sushil Bikhchandani, David Hirshleifer, dan Ivo Welch (“A Theory of Fads, Fashion, Custom, and Cultural Change as Informational Cascades,” Journal of Political Economy, 100: 992–1026) dan, secara bebas, Abhijit Banerjee (“A Simple Model of Herd Behavior,” Quarterly Journal of Economics, 1992) menunjukkan bahawa agen yang sepenuhnya rasional yang membuat keputusan secara berurutan akan, selepas hanya beberapa pemerhatian, secara rasional mengabaikan maklumat peribadi mereka sendiri dan meniru pendahulu mereka. cascades maklumat yang dihasilkan adalah secara individu masuk akal dan secara kolektif rapuh — ia hampir tidak mengagregatkan pengetahuan yang tersebar dalam kumpulan, dan ia boleh mengunci seluruh populasi kepada jawapan yang salah yang dipilih oleh segelintir pelaku awal. Lisa Anderson dan Charles Holt menghasilkan semula cascades atas permintaan di makmal (American Economic Review, 1997). Mekanisme ini menerangi segala-galanya dari gelembung aset hingga maklumat viral: analisis Vosoughi, Roy, dan Aral terhadap kira-kira 126,000 cascades cerita di Twitter (Science, 2018) mendapati berita palsu tersebar jauh lebih jauh, lebih cepat, dan lebih dalam daripada kebenaran, dengan kebohongan kira-kira 70% lebih mungkin untuk di-retweet. Katalog kegagalan penuh — dari mania tulip hingga 2008 — terdapat dalam Apabila Orang Ramai Salah.

Perhatikan apa yang kedua-dua cabang ini kongsikan. Groupthink menghancurkan kebebasan secara sosial; cascades menghancurkannya secara maklumat. Dalam kedua-dua cara, orang ramai berhenti menjadi banyak penilaian dan menjadi satu penilaian yang memakai banyak wajah — tepat keadaan di mana teorem Condorcet beralih dari jaminan kebijaksanaan kepada jaminan kesalahan yang yakin. Sejarah bayangan adalah mengapa sayap praktikal bidang ini menjadi terobsesi dengan proses: mengumpul penilaian sebelum mendedahkan orang kepada pandangan satu sama lain, melindungi penentangan secara struktural, dan menjadikan pengagregatan jelas.

2015–2023: Dekad perdebatan — replikasi, kritikan, dan balasan

Apa-apa pengukuran yang mengejutkan itu pasti akan diserang, dan serangan itu datang pada tahun 2017. Marcus Credé dan Garett Howardson (Journal of Applied Psychology) menganalisis semula enam sampel dan berpendapat bahawa sokongan empirik untuk c-factor umum adalah lemah — bahawa prestasi kumpulan mungkin lebih baik diterangkan oleh kebolehan khusus tugas daripada oleh satu faktor asas. Woolley, Kim, dan Malone membalas pada tahun 2018, membantah prosedur penilaian kritikan dan berpendapat bahawa andaian simulasi tidak sepadan dengan tugas yang sebenarnya dilakukan oleh kumpulan. Inilah yang kelihatan seperti bidang yang sihat: pertarungan dijalankan dalam data dan analisis semula, bukan siaran akhbar.

Perkara yang paling hampir dengan keputusan tiba pada tahun 2021. Riedl, Kim, Gupta, Malone, dan Woolley menerbitkan meta-analisis dalam PNAS yang merangkumi 22 kajian dan 1,356 kumpulan — pelajar, anggota tentera, pekerja dalam talian, pemain permainan — dan mendapati bukti yang konsisten untuk faktor kecerdasan kolektif di seluruh mereka, dengan proses kolaborasi kumpulan dan kepekaan sosial ahli antara pendahulu terkuatnya. Struktur dan syarat sempadan konstruk masih diperdebatkan, seperti yang seharusnya; tetapi “kecerdasan kumpulan boleh diukur dan tidak boleh diringkaskan kepada IQ ahli” kini berlandaskan pada asas bukti yang jauh lebih besar daripada kertas asal 2010.

Dua penemuan pelengkap melengkapkan dekad ini. Superminds oleh Malone (2018) membekalkan taksonomi minda kolektif yang sudah dijalankan oleh tamadun — hierarki, demokrasi, pasaran, komuniti, dan ekosistem — setiap satu jawapan yang berbeza kepada soalan pengagregatan, setiap satu dengan kekuatan dan mod kegagalan yang tersendiri. Dan Projek Aristotle Google (2012–2015), satu kajian dalaman terhadap 180 pasukan, mendapati bahawa keselamatan psikologi — kepercayaan bersama bahawa satu pasukan adalah selamat untuk mengambil risiko interpersonal — adalah peramal terkuat bagi keberkesanan pasukan, di hadapan komposisi dan senioriti. Kesetaraan pengambilan giliran Woolley dan keselamatan psikologi Google adalah dua pengukuran bagi kebenaran asas yang sama: leher bot kecerdasan kumpulan adalah sama ada maklumat yang dipegang oleh ahli benar-benar memasuki kumpulan. Dinamik kumpulan — keselamatan, pertimbangan, dan patologi mereka seperti groupthink — adalah satu kelompok yang tersendiri, dan kami merawat mod kegagalan mereka dalam Apabila Orang Ramai Salah.

2024–2026: Supermind manusia-AI — sempadan semasa

Era semasa bermula apabila model bahasa besar menyertai kumpulan. Burton dan 27 penulis bersama dari pelbagai disiplin memetakan kepentingan dalam “Bagaimana model bahasa besar boleh membentuk semula kecerdasan kolektif” (Nature Human Behaviour, 8: 1643–1655, 2024): LLM boleh menurunkan halangan untuk penyertaan, meringkaskan perbincangan yang meluas, dan mengagregatkan pengetahuan yang tersebar pada skala yang belum pernah terjadi — dan mereka juga boleh menghomogenkan pandangan, menghasilkan konsensus palsu, dan mengurangkan kepelbagaian ekosistem maklumat yang memberi makan kepada kebijaksanaan orang ramai. Setiap syarat dalam senarai Surowiecki diperkukuhkan dan terancam oleh teknologi yang sama.

Soalan sinergi — soalan Engelbart 1962 — akhirnya mendapat analisis meta. Michelle Vaccaro, Abdullah Almaatouq, dan Thomas Malone menganalisis 106 eksperimen dan 370 saiz kesan (“Apabila gabungan manusia dan AI berguna,” Nature Human Behaviour, 8: 2293–2303, 2024) dan mendapati bahawa, secara purata, gabungan manusia-AI berprestasi lebih teruk daripada yang terbaik daripada manusia atau AI sahaja. Kerugian tertumpu dalam tugas membuat keputusan; keuntungan yang sebenar muncul dalam tugas penciptaan kandungan. Hanya meletakkan “manusia dalam gelung” tidak meningkatkan hasil — sering kali manusia mengatasi penilaian mesin yang lebih baik, atau menangguhkan kepada yang lebih teruk. Sinergi adalah pencapaian reka bentuk, bukan lalai. Sains yang muncul tentang sistem manusia-AI — bias automasi, kalibrasi kepercayaan, bila untuk membiarkan pihak mana membuat keputusan — adalah bab masa depan lain dalam siri ini.

Agenda reka bentuk itu kini merupakan program eksplisit Pusat Kecerdasan Kolektif MIT, yang penyelidikannya diatur pada 2026 di bawah tiga payung: AI Generatif dan Kecerdasan Kolektif (AI untuk meningkatkan kreativiti manusia), Reka Bentuk Supermind (mereka bentuk gabungan inovatif antara manusia dan komputer), dan Mereka Bentuk Pasukan Manusia-AI (mereka bentuk dan mengagihkan tugas dalam pasukan manusia-mesin — dikejar dengan program M3S Singapore-MIT sebagai sains sistematik pengagihan tugas: sub-tugas mana yang pergi kepada manusia berbanding AI, siapa yang menyelia, dan sama ada AI bertindak sebagai alat, pembantu, rakan, atau pengurus). Projek-projek bendera terdahulu — Climate CoLab dan platform CoLabs, CI Design Lab, program Mengukur Kecerdasan Kolektif — kini secara rasmi menjadi kerja legasi, diserap ke dalam soalan-soalan era AI ini.

Hasil konkrit menunjukkan apa yang “sinergi yang direka” kelihatan. Supermind Ideator, alat ideasi berasaskan LLM yang membantu pengguna melalui langkah penyelesaian masalah kreatif yang terstruktur, menghasilkan lebih banyak idea inovatif dalam kajian eksperimen berbanding dengan ChatGPT sahaja atau orang yang bekerja tanpa bantuan (Persidangan Kecerdasan Kolektif ACM 2024; Kecerdasan Kolektif, 2024); penguji beta telah menjana lebih daripada 10,000 idea dengan alat ini, dan alat saudara, DesignAID, menerapkan pendekatan ini kepada kerja reka bentuk. Penstrukturan melaksanakan enam langkah Reka Bentuk Supermind — Zoom Out, Zoom In, Analogize, Groupify, Cognify, Technify — senarai semak untuk membayangkan semula siapa (atau apa) yang melakukan setiap bahagian tugas. Pengajaran mencerminkan analisis meta Vaccaro dengan tepat: nilai tidak terletak pada model, tetapi pada struktur yang membungkusnya. Di pihak pengukuran, AGI-Elo (Sun dan rakan-rakan, NeurIPS 2025; arXiv 2505.12844) — dengan penulis bersama yang berafiliasi CCI termasuk Malone — menilai model AI dan kes ujian individu antara satu sama lain seperti pemain catur, jadi kesukaran tugas dan kompetensi model terletak pada satu skala yang boleh dibandingkan: prasyarat untuk memutuskan bahagian mana dari pekerjaan yang harus diserahkan kepada mesin.

Dua lagi hasil 2026 menggambarkan ke mana arah ini. Kertas PNAS, “Memajukan Perundingan AI: Pertandingan Perundingan Autonomi Skala Besar,” melaporkan satu pertandingan antarabangsa di mana ejen AI yang direka oleh peserta menjalankan lebih daripada 180,000 perundingan antara satu sama lain. Teori perundingan manusia bertahan dalam perubahan spesies: ejen yang menunjukkan kehangatan — positif, rasa syukur, bertanya soalan — secara konsisten mencapai hasil yang lebih baik dalam perjanjian dan nilai, sementara pertukaran maraton yang berperisa dominasi meramalkan kebuntuan; ejen juga mengembangkan taktik asli AI, dari pemikiran berantai hingga percubaan suntikan prompt. Dan ontologi kerja yang mendalam (Cai dan rakan-rakan, arXiv 2603.20619, Mac 2026) menyusun semula kira-kira 20,000 aktiviti kerja O*NET dan memetakan 13,275 aplikasi AI serta jumlah sistem robotik di seluruh dunia sebanyak 20.8 juta ke atasnya — mendapati nilai pasaran AI sangat tertumpu, dengan 1.6% aktiviti teratas menyumbang lebih daripada 60% daripadanya. Supermind manusia dan mesin tidak lagi menjadi metafora; mereka adalah asas yang dipasang yang sedang diinventori.

Apa yang 240 tahun ajar kita

Letakkan era bersebelahan dan satu garis penghubung muncul: setiap kejayaan dalam sejarah ini adalah kejayaan struktur, dan setiap kegagalan adalah kegagalan dari beberapa syarat yang sama. Teorem Condorcet beroperasi pada kebebasan dan kompetensi yang lebih baik daripada kebetulan. Galton yang adil kebetulan menguatkuasakan penilaian yang bebas, diinsentifkan, dan ditulis. Harga Hayek dan pencipta pasaran Hanson adalah mekanisme pengagregatan; Delphi adalah mekanisme perlindungan kebebasan; empat syarat Surowiecki hanyalah keperluan berulang yang dinamakan. Literatur c-factor mendapati bahawa proses interaksi — pengambilan giliran, kepekaan sosial, keselamatan untuk bercakap — mengawal sama ada satu kumpulan boleh menggunakan kecerdasan yang dimilikinya. Dan analisis meta era AI mendapati bahawa pasukan manusia-AI menang tepat apabila kolaborasi direka dengan sengaja. Apabila syarat-syarat itu pecah — apabila penilaian berhenti menjadi bebas dan orang mula meniru tingkah laku yang kelihatan dari orang lain — anda mendapat gelombang maklumat, gelembung, dan pemikiran kumpulan: secara individu rasional, secara kolektif salah.

Ini juga, bukan secara kebetulan, adalah peta di mana kecerdasan kolektif berada dalam kehidupan satu keputusan. Memutuskan dengan baik bermakna memberi perhatian kepada masalah yang betul, membingkainya, menjana pilihan, menyiasatnya, mengagregatkan penilaian yang tersebar, berbincang mengenai sebab-sebab, dan hanya kemudian memilih, melaksanakan, dan memantau. Program penyelidikan 240 tahun ini sangat berkaitan dengan peringkat pertengahan itu — pengagregatan dan perbincangan — kerana di situlah pengetahuan individu sama ada menjadi pengetahuan kolektif atau mati dalam diam.

Argumentree dibina sebagai aplikasi langsung dari penemuan ini. Penghantaran hujah yang bebas dan tidak serentak melindungi syarat kebebasan Condorcet dan Delphi sebelum kumpulan bersatu. Pokok hujah pro/con yang terstruktur memberikan setiap perspektif — termasuk bantahan — tempat kelas pertama, syarat yang ditunjukkan oleh kesetaraan pengambilan giliran Woolley dan keselamatan psikologi Google. Penilaian pelbagai dimensi (kegunaan, kejelasan, ketepatan, kelengkapan), yang digabungkan menjadi skor konsensus, adalah mekanisme pengagregatan yang jelas dalam keturunan Galton-Hayek — kecuali bahawa tidak seperti harga pasaran, ia memelihara penalaran. Dan jejak audit penuh menjadikan setiap keputusan sebagai rekod organisasi, supaya kumpulan dapat belajar dari dirinya sendiri — peringkat pemantauan yang diakhiri dengan kitaran hayat. Pengeluaran AI dari transkrip mesyuarat mengikuti pengajaran 2024–2026: gunakan AI di mana ia terbukti membantu (penstrukturan dan pemprosesan kandungan) sementara manusia mengekalkan penilaian. Keputusan sejarah adalah konsisten dari 1785 hingga 2026: kumpulan tidak menjadi pintar secara kebetulan. Mereka menjadi pintar melalui struktur — dan struktur itu kini adalah sesuatu yang boleh anda terima dan bukan improvisasi. Mulakan dengan panduan kami kepada kecerdasan kolektif, atau lihat bagaimana prinsip-prinsip berfungsi dalam proses keputusan sebenar dalam pembuatan keputusan kolaboratif.