Apakah kecerdasan kolektif? Kecerdasan kolektif adalah kemampuan kumpulan individu — manusia, mesin, atau kedua-duanya — untuk bertindak secara kolektif dengan cara yang kelihatan pintar, menghasilkan penilaian, keputusan, dan penyelesaian yang dapat mengatasi apa yang dapat dicapai oleh mana-mana anggota secara sendirian.
Kecerdasan kolektif, seperti yang ditakrifkan oleh Thomas Malone dan Michael Bernstein dalam Handbook of Collective Intelligence (MIT Press, 2015), adalah 'kumpulan individu yang bertindak secara kolektif dengan cara yang kelihatan pintar.' Bidang ini merangkumi dari Teorem Juri Condorcet (1785) dan eksperimen menimbang lembu Francis Galton pada tahun 1906 hingga sains makmal moden: Anita Williams Woolley dan rakan-rakan (Science, 2010) menemui bukti untuk faktor kecerdasan kolektif umum — faktor c — yang menerangkan kira-kira 43% varians dalam prestasi kumpulan merentasi tugas dan berkorelasi lebih dengan sensitiviti sosial, kesetaraan dalam pengambilan giliran perbualan, dan proporsi wanita dalam kumpulan daripada dengan IQ anggota. Faktor c telah dibahaskan (Credé dan Howardson, 2017) dan disokong oleh meta-analisis 22 kajian dan 1,356 kumpulan (Riedl et al., PNAS, 2021). Genom Kecerdasan Kolektif (Malone, Laubacher dan Dellarocas, 2010) memetakan blok bangunan kumpulan pintar sepanjang Siapa, Mengapa, Apa, dan Bagaimana. Penyelidikan semasa Pusat Kecerdasan Kolektif MIT (2026) memberi tumpuan kepada AI generatif dan kecerdasan kolektif, Reka Bentuk Supermind, dan merancang pasukan manusia-AI; meta-analisis 2024 (Vaccaro, Almaatouq dan Malone, Nature Human Behaviour) mendapati bahawa kombinasi manusia-AI tidak secara automatik mengatasi yang terbaik dari mana-mana yang sendirian — sinergi yang sebenar memerlukan reka bentuk yang teliti bagi pengagihan tugas dan interaksi. Sistem CCI semasa termasuk Supermind Ideator, yang membungkus model bahasa besar dalam kerangka penyelesaian masalah kreatif yang terstruktur, dan pertandingan PNAS 2026 yang mengkaji lebih daripada 180,000 rundingan AI-ke-AI yang autonomi. Dalam kitaran hayat pengambilan keputusan — Hadir, Kerangka, Hasilkan, Selidik, Agregat, Pertimbangkan, Agihkan, Pilih, Laksanakan, Pantau — penyelidikan kecerdasan kolektif terutamanya berkaitan dengan peringkat Agregat dan Pertimbangan: bagaimana kumpulan mengumpulkan pengetahuan yang tersebar dan berfikir bersama.
Apakah Kecerdasan Kolektif?
Kecerdasan kolektif adalah kapasiti kumpulan — manusia, mesin, atau kedua-duanya — untuk bertindak dengan cara yang kelihatan pintar. Ia bukan metafora: penyelidikan telah mengukurnya, membahaskannya, dan menunjukkan bagaimana untuk merancangnya. Panduan ini merangkumi sains dari Condorcet (1785) hingga penyelidikan pasukan manusia-AI MIT (2026).
Dikemas kini terakhir: 2026-07-18
TL;DR
Kumpulan boleh menjadi pintar secara terukur. Woolley et al. (Science, 2010) mendapati faktor kecerdasan kolektif (c) yang meramalkan prestasi kumpulan merentasi tugas — didorong kurang oleh IQ anggota daripada oleh sensitivity sosial, pengambilan giliran yang sama, dan proses. Penemuan ini dibahaskan (Credé & Howardson, 2017) tetapi disokong oleh meta-analisis 1,356 kumpulan (Riedl et al., PNAS, 2021). Sempadan moden adalah kecerdasan kolektif manusia-AI: meta-analisis MIT 2024 menunjukkan bahawa menambah manusia ke dalam proses tidak secara automatik meningkatkan sistem AI — sinergi bergantung kepada pengagihan tugas dan reka bentuk proses. Argumentree dibina berdasarkan pelajaran itu: struktur pemikiran, agregat penilaian, biarkan manusia membuat keputusan.
Mendefinisikan Kecerdasan Kolektif
Definisi akademik standard datang dari Handbook of Collective Intelligence (MIT Press, 2015) oleh Thomas Malone dan Michael Bernstein: kecerdasan kolektif adalah "kumpulan individu yang bertindak secara kolektif dengan cara yang kelihatan pintar." Definisi ini sengaja luas. Ia merangkumi satu pasaran yang menetapkan harga, satu komuniti Wikipedia yang menulis ensiklopedia, satu juri yang menimbang bukti, satu koloni semut yang mencari jalan terpendek ke makanan — dan, semakin, pasukan hibrid manusia dan sistem AI.
Kecerdasan kolektif lebih luas daripada kebijaksanaan orang ramai, yang berkaitan dengan pengagregatan statistik banyak penilaian independen. Kecerdasan kolektif juga merangkumi kerjasama dan pertimbangan yang sebenar — kumpulan yang berinteraksi, berdebat, dan membina pemikiran masing-masing. Ia berbeza daripada kecerdasan kawanan, di mana penyelarasan muncul dari peraturan tempatan yang sederhana tanpa pertimbangan. Dan ia berkaitan dengan mekanisme yang dikaji dalam bidang yang berdekatan: sistem pengundian mengagregat pilihan, pasaran ramalan mengagregat kepercayaan probabilistik, dan pertimbangan terstruktur mengagregat alasan — tiga jawapan berbeza kepada soalan yang sama tentang bagaimana untuk mengubah banyak fikiran menjadi satu keputusan.
Dalam kitaran hayat pengambilan keputusan — Hadir, Kerangka, Hasilkan, Selidik, Agregat, Pertimbangan, Agihkan, Pilih, Laksanakan, Pantau — penyelidikan kecerdasan kolektif menumpukan pada peringkat agregasi dan pertimbangan: bagaimana pengetahuan yang tersebar dikumpulkan, dan bagaimana kumpulan berfikir bersama tanpa patologi cascades maklumat dan pemikiran kumpulan.
Sejarah Ringkas Penyelidikan Kecerdasan Kolektif
Bidang ini mempunyai akar dalam matematik Pencerahan, statistik, ekonomi, biologi, dan sains komputer. Garis panduan: di bawah syarat yang betul, kumpulan mengatasi anggota mereka — dan syarat-syarat itu boleh direkayasa.
Marquis de Condorcet membuktikan bahawa jika setiap pengundi sedikit lebih baik daripada kebetulan dan mengundi secara bebas, kebarangkalian bahawa majoriti adalah betul mendekati kepastian apabila kumpulan berkembang — hasil matematik asas kecerdasan kolektif.
Francis Galton menganalisis 787 tekaan berat lembu yang telah disiapkan di sebuah pameran desa 1906. Tekaan median (1,207 lb) berada dalam 1% daripada berat sebenar (1,198 lb) — lebih baik daripada pakar ternakan. Diterbitkan dalam Nature.
Friedrich Hayek dalam "The Use of Knowledge in Society" (American Economic Review) berpendapat bahawa pasaran mengagregatkan pengetahuan tempatan yang tersebar melalui harga — asas teori untuk pasaran ramalan.
James Surowiecki mengkodifikasikan empat syarat untuk kebijaksanaan orang ramai (kepelbagaian, kebebasan, desentralisasi, pengagregatan). Pada tahun yang sama, Hong dan Page menerbitkan model "kepelbagaian mengatasi kebolehan" mereka yang dipertikaikan dalam PNAS.
Woolley, Chabris, Pentland, Hashmi, dan Malone (Science) menemui bukti untuk faktor kecerdasan kolektif umum dalam 699 orang yang bekerja dalam kumpulan kecil — analog peringkat kumpulan bagi IQ individu.
Malone, Laubacher, dan Dellarocas (MIT Sloan Management Review) mengkatalogkan blok bangunan — "gen" — sistem kecerdasan kolektif berdasarkan empat soalan: Siapa, Mengapa, Apa, dan Bagaimana.
Buku panduan MIT Press oleh Malone dan Bernstein menggabungkan bidang ini dan definisi standarnya: kumpulan individu yang bertindak secara kolektif dengan cara yang nampak bijak.
Superminds oleh Thomas Malone menerangkan lima jenis kecerdasan kolektif yang bertahan — hierarki, demokrasi, pasaran, komuniti, dan ekosistem — dan bertanya bagaimana komputer dapat menjadikan setiap satu lebih pintar.
Riedl, Kim, Gupta, Malone, dan Woolley (PNAS) menganalisis 22 kajian dengan 1,356 kumpulan dan menemui bukti untuk faktor kecerdasan kolektif di kalangan populasi pelajar, tentera, pemain, dan pekerja dalam talian.
Meta-analisis Vaccaro, Almaatouq, dan Malone terhadap 106 eksperimen (Nature Human Behaviour) mendapati gabungan manusia-AI secara purata berprestasi lebih buruk daripada yang terbaik daripada manusia atau AI sahaja — sinergi mesti direka, bukan diandaikan.
Burton dan 27 penulis bersama (Nature Human Behaviour) memetakan bagaimana model bahasa besar dapat meningkatkan kecerdasan kolektif — dan bagaimana mereka berisiko menyamakan pandangan dan menghasilkan konsensus palsu.
Pusat Kecerdasan Kolektif MIT meneruskan tiga payung: AI Generatif dan Kecerdasan Kolektif, Reka Bentuk Supermind, dan Reka Bentuk Pasukan Manusia-AI — termasuk kajian PNAS tentang 180,000+ rundingan AI-ke-AI.
Faktor c: Bolehkah Kumpulan Mempunyai IQ?
Pada tahun 2010, Anita Williams Woolley dan rakan-rakan mengajukan soalan mudah dengan satu abad psikologi individu di belakangnya: sama seperti satu faktor umum (g) meramalkan prestasi individu merentasi banyak tugas kognitif, adakah terdapat faktor umum untuk kumpulan? Mereka menguji 699 orang yang bekerja dalam kumpulan dua hingga lima pada pelbagai tugas (Science, 330, 686–688). Jawapannya adalah ya: satu faktor statistik tunggal — c — menerangkan kira-kira 43% varians dalam prestasi kumpulan merentasi tugas.
Apa yang meramalkan c kumpulan — dan apa yang tidak
IQ Ahli hampir tidak penting
Kedua-dua purata dan kecerdasan individu maksimum ahli kumpulan hanya berkorelasi lemah dengan c. Mengupah orang yang paling pintar tidak, dengan sendirinya, menjadikan kumpulan itu pintar.
Sensitiviti sosial penting
Skor purata kumpulan pada ujian Membaca Minda di Mata — keupayaan untuk menyimpulkan keadaan mental daripada isyarat wajah — adalah peramal yang signifikan bagi c (r = 0.26).
Pengambilan giliran yang sama penting
Kumpulan yang anggotanya menyumbang lebih sama rata kepada perbualan mempunyai c yang lebih tinggi; varians dalam giliran bercakap berkorelasi negatif dengan c (r = −0.41). Kumpulan yang didominasi oleh satu atau dua suara secara kolektif kurang pintar.
Kesan komposisi
Dalam kajian 2010, kumpulan dengan proporsi wanita yang lebih tinggi memperoleh skor lebih tinggi pada c (r = 0.23) — satu kesan yang penulis kaitkan secara statistik dengan sensitiviti sosial purata wanita yang lebih tinggi, iaitu kepada proses, bukan demografi semata-mata.
Adakah faktor c nyata? Perdebatan replikasi
Seperti kebanyakan penemuan berpengaruh dalam psikologi, c telah diuji dengan ketat — dan pembaca berhak mendapatkan keadaan bukti yang jujur:
Kritikan (2017)
Credé dan Howardson (Journal of Applied Psychology) menganalisis semula enam sampel dan berpendapat sokongan empirik untuk satu faktor kumpulan umum adalah lemah — bahawa prestasi kumpulan mungkin lebih baik diterangkan oleh kebolehan khusus tugas daripada satu c.
Jawapan (2018)
Woolley, Kim, dan Malone menjawab bahawa kritikan itu bergantung pada prosedur penilaian dan andaian simulasi yang tidak sepadan dengan tugas yang sebenarnya dilakukan oleh kumpulan.
Meta-analisis (2021)
Riedl, Kim, Gupta, Malone, dan Woolley (PNAS) mengagregatkan 22 kajian yang meliputi 1,356 kumpulan — pelajar, anggota tentera, pekerja dalam talian, pemain — dan menemui bukti untuk faktor c di seluruh mereka, dengan proses kolaborasi dan kepekaan sosial ahli antara korelat terkuat.
Kesimpulan: satu meta-analisis besar menyokong kewujudan faktor kecerdasan kolektif yang boleh diukur, sementara struktur dan generalitinya yang tepat masih dibahaskan secara aktif. Apa yang tidak dibahaskan adalah pelajaran praktikal: proses kumpulan — siapa yang didengar, bagaimana penilaian digabungkan — meramalkan prestasi kumpulan lebih baik daripada kecemerlangan anggota.
Kumpulan Statistik vs. Interaktif
Terdapat sebenarnya dua jenis kecerdasan kolektif, dan mereka beroperasi dengan bahan bakar yang berbeza:
Kumpulan statistik
Banyak anggaran bebas, diagregat secara mekanikal — purata, mengundi, harga pasaran. Ini adalah pameran adil Galton dan setiap pasaran ramalan sejak itu. Kejayaan bergantung pada kebebasan dan kepelbagaian; latihan ini sering kali satu kali.
Kumpulan interaktif
Orang mempengaruhi satu sama lain untuk membina pemahaman bersama — perbincangan, pertimbangan, kolaborasi. Ini adalah Wikipedia, komuniti sains, pasukan reka bentuk. Kejayaan bergantung pada kualiti komunikasi dan keselamatan untuk bercakap; kerja ini berterusan.
Dua mod menarik dalam arah yang bertentangan: kebebasan membantu kumpulan statistik tetapi mengurangkan interaktif. Sebuah pasukan yang tidak pernah bercakap boleh mengagregat dengan baik tetapi tidak membina apa-apa yang baru; sebuah pasukan yang sentiasa bercakap boleh membina pemahaman bersama sambil secara senyap menghancurkan kebebasan yang diperlukan oleh penilaian mereka.
Pertimbangan terstruktur adalah usaha untuk mendapatkan kedua-duanya. Dalam Argumentree, sumbangan dan penilaian dihantar secara bebas — mod statistik — sementara pokok hujah yang mereka mendaratkan adalah objek bersama yang berkembang yang dibincangkan oleh kumpulan — mod interaktif. Struktur menentukan bila setiap mod digunakan, bukannya membiarkan mod yang paling kuat menang.
Genom Kecerdasan Kolektif
Jika kecerdasan kolektif boleh diukur, bolehkah ia direka? Malone, Laubacher, dan Dellarocas (MIT Sloan Management Review, 2010) mengkatalogkan blok bangunan yang berulang — "gen" — sistem kecerdasan kolektif, yang diatur di sekitar empat soalan. Mana-mana sistem, dari Wikipedia hingga proses strategi korporat, adalah gabungan gen-gen ini:
Siapa yang melaksanakan tugas?
Satu hierarki yang ditentukan menetapkan tugas, atau satu kumpulan terbuka memilih sendiri. Kumpulan membawa skala dan kepelbagaian; hierarki membawa tanggungjawab dan penyelarasan.
Mengapa mereka melakukannya?
Gen motivasi: wang (pembayaran, hadiah), cinta (kesenangan intrinsik, komuniti), dan kemuliaan (pengiktirafan, reputasi). Sistem yang mampan menyelaraskan insentif dengan sumbangan.
Apa yang sedang dilakukan?
Mencipta (menghasilkan sesuatu yang baru — reka bentuk, idea, hujah) atau memutuskan (menilai dan memilih antara alternatif). Kebanyakan proses sebenar menghubungkan kedua-duanya.
Bagaimana ia dilakukan?
Secara bebas (sumbangan diagregat tanpa interaksi — pertandingan, mengundi, purata) atau secara bergantung (kolaborasi, di mana sumbangan dibina di atas satu sama lain). Pilihan menentukan mod kegagalan mana yang anda warisi.
Lima Superminds
Dalam Superminds (2018), Malone menerangkan lima bentuk kecerdasan kolektif yang bertahan yang terus dicipta semula oleh masyarakat manusia — dan berpendapat soalan sebenar tentang AI bukanlah "adakah ia akan menggantikan kita?" tetapi "bagaimana ia menjadikan setiap supermind lebih pintar?":
Hierarki
Keputusan didelegasikan ke atas dan ke bawah rantai kuasa. Cepat dan bertanggungjawab; terdedah kepada penyumbatan maklumat di atas.
Demokrasi
Keputusan melalui pengundian. Sah dan inklusif; bagaimana undi mengagregatkan pilihan adalah sains mendalamnya sendiri (teori pilihan sosial).
Pasaran
Keputusan melalui harga dan perdagangan. Pengagregat yang hebat bagi kepercayaan yang tersebar — mekanisme di sebalik pasaran ramalan.
Komuniti
Keputusan berdasarkan norma, reputasi, dan konsensus tidak formal. Memberdayakan sumber terbuka dan Wikipedia; perlahan tetapi tahan lasak.
Ekosistem
Tiada mekanisme keputusan yang dikongsi sama sekali — hasil muncul daripada kuasa dan kelangsungan hidup. Pilihan lalai apabila tiada supermind lain yang direka.
Reka Bentuk Supermind: Enam Langkah
Metodologi Reka Bentuk Supermind CCI MIT mengubah genom menjadi amalan penyelesaian masalah kreatif. Enam "langkah" secara sistematik merangka semula masalah untuk menonjolkan reka bentuk baru bagi kumpulan manusia dan komputer:
Perbesar
Langkah kembali ke sistem yang lebih luas atau tujuan di mana masalah itu berada.
Perkecil
Menguraikan masalah kepada bahagian dan proses yang boleh direka semula.
Analogi
Tanya bagaimana domain lain — alam, industri lain, sejarah — menyelesaikan masalah yang serupa secara struktur.
Kumpulan
Tanya bagaimana supermind yang berbeza — pasaran, komuniti, demokrasi — akan menangani tugas yang kini diuruskan oleh seorang individu atau hierarki.
Kognitif
Tanya proses kognitif mana (merasakan, mengingati, memutuskan, belajar) yang diperlukan oleh penyelesaian, dan siapa atau apa yang harus melaksanakan setiap satu.
Teknologi
Tanya di mana teknologi — termasuk AI — boleh melaksanakan, menghubungkan, atau meningkatkan proses tersebut.
Di Dalam Pusat Kecerdasan Kolektif MIT (2026)
Pusat Kecerdasan Kolektif MIT (CCI), yang diasaskan oleh Thomas Malone, adalah makmal terkemuka dalam bidang ini. Projek awalnya — Climate CoLab, CI Design Lab, Measuring Collective Intelligence, Collective Prediction — kini merupakan kerja legasi yang telah selesai. Sehingga 2026, penyelidikan CCI diatur di bawah tiga payung:
AI Generatif dan Kecerdasan Kolektif
Menggunakan AI untuk meningkatkan kreativiti manusia — termasuk alat seperti Supermind Ideator dan DesignAID yang menyokong ideasi manusia-AI.
Reka Bentuk Supermind
Mereka bentuk kombinasi inovatif antara manusia dan komputer, membina berdasarkan genom dan enam langkah reka bentuk.
Mereka Bentuk Pasukan Manusia-AI
Mereka bentuk dan mengagihkan tugas dalam pasukan manusia-mesin — soalan pengganti kepada "manusia vs. mesin." Dengan program M3S Singapore-MIT, CCI sedang membina sains sistematik pengagihan tugas: sub-tugas mana yang pergi kepada manusia berbanding AI, siapa yang menyelia dan mengesahkan, dan sama ada AI bertindak sebagai alat, pembantu, rakan, atau pengurus.
Penemuan utama dari gelombang penyelidikan 2024–2026
Menyokong lebih baik daripada LLM mentah untuk ideasi
Supermind Ideator membungkus model bahasa besar dalam sokongan penyelesaian masalah kreatif (termasuk enam langkah). Dalam kajian eksperimen, pengguna menghasilkan idea yang jauh lebih inovatif daripada orang yang menggunakan ChatGPT sahaja atau bekerja tanpa bantuan; penguji beta telah mencipta lebih daripada 10,000 idea dengan sistem ini (Persidangan Kecerdasan Kolektif ACM, 2024).
"Manusia dalam gelung" tidak semestinya lebih baik
Meta-analisis Vaccaro, Almaatouq, dan Malone terhadap 106 eksperimen dan 370 saiz kesan (Nature Human Behaviour, 2024) mendapati gabungan manusia-AI secara purata berprestasi lebih buruk daripada yang terbaik daripada manusia atau AI sahaja — dengan kerugian tertumpu dalam tugas membuat keputusan dan keuntungan dalam tugas penciptaan kandungan. CCI kini membezakan sinergi yang kuat (gabungan mengatasi kedua-dua manusia sahaja dan AI sahaja) daripada pengukuhan yang lemah (ia mengatasi manusia sahaja tetapi tidak AI) — dan mendapati sinergi yang kuat memerlukan pengagihan tugas yang direka dengan teliti, bukan hanya menambah manusia.
180,000 rundingan AI-ke-AI
Satu kajian PNAS 2026 menjalankan pertandingan antarabangsa di mana ejen AI yang diprompt menjalankan lebih daripada 180,000 rundingan antara satu sama lain. Sains rundingan manusia klasik tetap relevan: kehangatan — positif, rasa syukur, bertanya soalan — secara konsisten dikaitkan dengan mencapai perjanjian dan mencipta nilai, sementara taktik dominasi meramalkan kebuntuan.
Memetakan di mana AI boleh digunakan
Satu kertas kerja MIT 2026 (arXiv 2603.20619) menyusun semula kira-kira 20,000 aktiviti kerja dari pangkalan data O*NET AS ke dalam ontologi yang mendalam dan mengklasifikasikan 13,275 aplikasi AI terhadapnya — mendapati 1.6% teratas aktiviti menyumbang lebih daripada 60% nilai pasaran AI. Alat untuk berfikir secara sistematik tentang pengagihan tugas manusia-AI.
Menilai AI dan tugas pada satu skala
AGI-Elo (NeurIPS 2025, arXiv 2505.12844), daripada penyelidik yang bersekutu dengan CCI termasuk Malone, menilai model AI dan kes ujian individu antara satu sama lain seperti pemain catur — meletakkan kecekapan model dan kesukaran tugas pada satu skala yang boleh dibandingkan, prasyarat untuk pengagihan tugas yang berprinsip dalam pasukan manusia-AI.
Kecerdasan Kolektif di Zaman AI
Model bahasa besar semakin menjadi peserta dalam kecerdasan kolektif, bukan hanya alat untuknya. Burton dan 27 penulis bersama dari pelbagai disiplin (Nature Human Behaviour, 2024) memetakan akibat dua sisi:
Peluang
Mengurangkan halangan untuk penyertaan
LLM boleh menterjemah, meringkaskan, dan merangka — membolehkan lebih ramai orang menyumbang kepada proses kolektif tanpa mengira bahasa atau kemahiran menulis.
Mengagregatkan pengetahuan yang tersebar
LLM boleh mensintesis sejumlah besar teks — transkrip mesyuarat, respons tinjauan terbuka, konsultasi awam — yang sebelum ini membebankan pengagregat manusia.
Sokongan pertimbangan
AI boleh menonjolkan hujah balas, mengelompokkan kedudukan yang serupa, dan menyusun perbincangan — meningkatkan tahap Pertimbangan tanpa menggantikannya.
Risiko
Penyamaan pandangan
Jika ramai orang merujuk kepada model yang sama, output mereka akan menyatu — menghakis kepelbagaian perspektif yang bergantung kepada kecerdasan kolektif.
Konsensus palsu
Teks yang dihasilkan AI yang fasih boleh menghasilkan penampilan persetujuan atau pendapat majoriti yang tidak wujud di kalangan manusia sebenar.
Pengurangan ekosistem maklumat
Persekitaran maklumat yang semakin ditapis melalui beberapa model berisiko kesilapan berkorelasi yang menjadikan kumpulan secara kolektif bodoh daripada pintar.
Implikasi reka bentuk mencerminkan penemuan Vaccaro: AI meningkatkan kecerdasan kolektif apabila ia diberikan sub-tugas yang terbukti baik — transkripsi, pengambilan, terjemahan, ringkasan — sementara penilaian, evaluasi, dan keputusan itu sendiri kekal dengan manusia yang bertanggungjawab. Ini adalah sempadan sistem manusia-AI (bias automasi, kalibrasi kepercayaan, kawalan manusia yang bermakna) yang kini dipetakan oleh sains keputusan.
Bagaimana Argumentree Mengaplikasikan Penyelidikan Kecerdasan Kolektif
Argumentree adalah platform pembuatan keputusan kolaboratif yang dibina secara langsung berdasarkan penemuan ini. Setiap pilihan reka bentuk memetakan kepada hasil dalam literatur:
Sumbangan bebas, tidak serentak
Peserta menambah hujah pada masa mereka sendiri, sebelum kumpulan bersatu — melindungi syarat kebebasan dan kepelbagaian yang ditunjukkan oleh penyelidikan pengagregatan yang diperlukan oleh kumpulan.
Kesamaan struktur penyertaan
Penyelidikan Woolley mengaitkan kecerdasan kolektif dengan pengambilan giliran yang sama. Dalam pokok hujah tiada lantai untuk dipegang: setiap hujah peserta memasuki struktur yang sama dan dinilai dengan cara yang sama.
Pengagregatan melalui penilaian pelbagai dimensi
Hujah dinilai berdasarkan kegunaan, kejelasan, ketepatan, dan kelengkapan, dan penilaian diagregatkan menjadi skor konsensus — mekanisme pengagregatan yang jelas, jadi penilaian kolektif diukur dan bukan diandaikan.
Pertimbangan dengan struktur
Rantaian 4 langkah soalan, kompromi, dan semakan membolehkan peserta menyelidik dan memperhalusi hujah — kolaborasi bergantung dalam istilah genom, tetapi dalam struktur yang menjaga pemikiran tetap jelas.
Pengagihan tugas Manusia-AI yang dilakukan dengan betul
Ekstraksi AI mengubah transkrip mesyuarat dan dokumen menjadi pokok hujah draf — kerja pemprosesan kandungan yang baik untuk AI — sementara penilaian dan keputusan kekal dengan manusia, selaras dengan bukti sinergi manusia-AI 2024.
Satu ingatan untuk supermind
Jejak audit penuh (draf, terbuka, kitaran tertutup dengan versi) mengekalkan pemikiran kumpulan, jadi organisasi dapat belajar daripada kecerdasan kolektifnya sendiri dan bukannya kehilangannya apabila mesyuarat berakhir.
Soalan Lazim
Apakah kecerdasan kolektif?
Kecerdasan kolektif adalah keupayaan kumpulan — orang, mesin, atau kedua-duanya — untuk bertindak secara kolektif dengan cara yang nampak bijak (Malone & Bernstein, Handbook of Collective Intelligence, 2015). Ia merangkumi kebijaksanaan kumpulan statistik, pengeluaran kolaboratif seperti Wikipedia, pasukan yang berunding, pasaran yang mengagregatkan kepercayaan, dan pasukan manusia-AI moden.
Apakah faktor c dalam kecerdasan kolektif?
Faktor c adalah faktor kecerdasan kolektif umum yang dikenalpasti oleh Woolley et al. (Science, 2010): satu faktor statistik tunggal yang menerangkan kira-kira 43% varians dalam prestasi kumpulan dalam banyak tugas yang berbeza, analog dengan faktor g IQ untuk individu. Ia berkorelasi dengan sensitiviti sosial kumpulan dan kesamaan pengambilan giliran perbualan jauh lebih daripada dengan kecerdasan individu ahli.
Adakah faktor c telah direplikasi?
Ia disokong tetapi diperdebatkan. Credé dan Howardson (2017) berpendapat bukti untuk satu faktor umum adalah lemah, dan Woolley serta rakan-rakan menerbitkan jawapan terperinci pada 2018. Meta-analisis 2021 oleh Riedl et al. (PNAS) yang meliputi 22 kajian dan 1,356 kumpulan mendapati bukti untuk faktor c di seluruh populasi yang pelbagai. Pengambilan praktikal — proses kumpulan meramalkan prestasi lebih baik daripada IQ ahli — adalah kukuh di seluruh perdebatan.
Apakah perbezaan antara kecerdasan kolektif dan kebijaksanaan orang ramai?
Kebijaksanaan orang ramai adalah fenomena yang lebih sempit: banyak penilaian bebas, diagregat secara statistik, menyatu pada jawapan yang tepat (seperti dalam eksperimen lembu Galton 1906). Kecerdasan kolektif adalah bidang yang lebih luas: ia merangkumi kebijaksanaan kumpulan tetapi juga kolaborasi yang tulen, pertimbangan, pasaran, komuniti, dan pasukan manusia-AI — mana-mana sistem di mana kumpulan bertindak dengan bijak.
Apakah perbezaan antara kecerdasan kolektif dan kecerdasan kawanan?
Kecerdasan kawanan adalah penyelarasan yang muncul daripada banyak agen sederhana yang mengikuti peraturan tempatan — koloni semut, kumpulan burung, kawanan robot — tanpa pertimbangan dan tanpa pemikiran eksplisit. Kecerdasan kolektif manusia melibatkan pertukaran dan penilaian alasan. Mereka berkongsi prinsip mendalam (desentralisasi, pengetahuan tempatan, pengagregatan), itulah sebabnya platform keputusan meminjam dari kedua-duanya.
Apakah itu supermind?
Supermind, dalam buku Thomas Malone 2018 dengan nama itu, adalah mana-mana kumpulan individu yang bertindak bersama dengan cara yang nampak bijak. Malone mengenal pasti lima jenis berulang — hierarki, demokrasi, pasaran, komuniti, dan ekosistem — dan berpendapat bahawa komputer menjadikan superminds lebih pintar terutamanya dengan membolehkan kombinasi baru antara mereka, bukan dengan menggantikan mereka.
Apakah Pusat Kecerdasan Kolektif MIT?
Pusat Kecerdasan Kolektif MIT (cci.mit.edu), yang ditubuhkan di MIT Sloan dan diketuai oleh Thomas Malone, mengkaji bagaimana kumpulan orang — dan semakin banyak orang ditambah AI — boleh diatur untuk bertindak lebih bijak daripada mana-mana individu. Projek-projek era crowdsourcing awalnya (Climate CoLab dan CoLabs, Mengukur Kecerdasan Kolektif) kini adalah kerja warisan; setakat 2026, penyelidikannya diatur di bawah tiga payung: AI Generatif dan Kecerdasan Kolektif, Reka Bentuk Supermind, dan Reka Bentuk Pasukan Manusia-AI, dengan alat seperti Supermind Ideator dan DesignAID dan, dengan program M3S Singapore-MIT, sains sistematik pengagihan tugas manusia-AI.
Adakah menambah manusia dalam gelung meningkatkan keputusan AI?
Tidak secara automatik. Meta-analisis 2024 terhadap 106 eksperimen (Vaccaro, Almaatouq & Malone, Nature Human Behaviour) mendapati gabungan manusia-AI secara purata berprestasi lebih buruk daripada yang terbaik daripada manusia atau AI sahaja, dengan kerugian tertumpu dalam tugas membuat keputusan. Gabungan membantu paling banyak dalam tugas penciptaan kandungan. Kecerdasan kolektif manusia-AI yang berkesan memerlukan pengagihan sub-tugas yang secara teliti diberikan kepada pihak yang paling baik melakukannya.
Bagaimana pasukan boleh meningkatkan kecerdasan kolektif mereka?
Bukti menunjukkan kepada reka bentuk proses: samakan penyertaan (input terstruktur atau tidak serentak daripada perbincangan terbuka), lindungi penilaian bebas sebelum kumpulan bersatu, rekrut untuk kepelbagaian kognitif dan kepekaan sosial, gunakan mekanisme pengagregatan yang jelas seperti penilaian atau pengundian, dan simpan rekod pemikiran supaya kumpulan dapat belajar. Alat seperti Argumentree membina mekanik ini secara lalai.
Rujukan & Bacaan Lanjut
Condorcet, M. de (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix.
Hasil matematik asas: majoriti pengundi bebas, lebih baik daripada kebetulan, menyatu pada kebenaran.
Galton, F. (1907). Vox Populi. Nature, 75, 450–451.
787 pengunjung pameran meneka berat lembu; median berada dalam 1% daripada kebenaran.
View source →Hayek, F. A. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
Pasaran sebagai pengagregat pengetahuan yang tersebar.
Surowiecki, J. (2004). The Wisdom of Crowds. Doubleday.
Empat syarat: kepelbagaian, kebebasan, desentralisasi, pengagregatan.
Woolley, A. W., Chabris, C. F., Pentland, A., Hashmi, N., & Malone, T. W. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330(6004), 686–688.
Faktor c: 699 orang, kumpulan 2–5, satu faktor menerangkan ~43% varians prestasi.
Malone, T. W., Laubacher, R., & Dellarocas, C. (2010). The Collective Intelligence Genome. MIT Sloan Management Review, 51(3), 21–31.
Blok bangunan Who/Why/What/How sistem kecerdasan kolektif.
View source →Malone, T. W., & Bernstein, M. S. (Eds.) (2015). Handbook of Collective Intelligence. MIT Press.
Rujukan dan definisi standard bidang ini.
Credé, M., & Howardson, G. (2017). The structure of group task performance — A second look at "collective intelligence." Journal of Applied Psychology, 102(10).
Kritikan utama terhadap generaliti faktor c.
Malone, T. W. (2018). Superminds. Little, Brown.
Lima jenis supermind dan bagaimana komputer menjadikannya lebih pintar.
Riedl, C., Kim, Y. J., Gupta, P., Malone, T. W., & Woolley, A. W. (2021). Quantifying collective intelligence in human groups. PNAS, 118(21).
Meta-analisis: 22 kajian, 1,356 kumpulan, bukti untuk c di seluruh populasi.
Vaccaro, M., Almaatouq, A., & Malone, T. W. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
106 eksperimen: gabungan manusia-AI tidak secara automatik mengatasi yang terbaik daripada mana-mana satu.
View source →Burton, J. W., et al. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655.
28 penulis tentang peluang dan risiko LLM untuk kecerdasan kolektif.
View source →Advancing AI Negotiations: A Large-Scale Autonomous Negotiations Competition. PNAS (2026).
180,000+ rundingan ejen AI; kehangatan menang walaupun antara mesin.
View source →Cai, A., et al. (2026). Where can AI be used? Insights from a deep ontology of work activities. arXiv 2603.20619.
Ontologi mendalam tentang ~20,000 aktiviti kerja untuk berfikir tentang pengagihan tugas manusia-AI.
View source →MIT Center for Collective Intelligence. Research (2026).
Payung semasa: AI Generatif dan CI, Reka Bentuk Supermind, Reka Bentuk Pasukan Manusia-AI.
View source →MIT Center for Collective Intelligence. Metodologi Reka Bentuk Supermind.
Enam langkah reka bentuk: Perbesar, Perkecil, Analogi, Kumpulan, Kognitif, Teknologi.
View source →Sun, S., et al. (2025). AGI-Elo: How Far Are We From Mastering A Task? NeurIPS 2025.
Penilaian gaya Elo bersama model AI dan kesukaran kes ujian; penulis bersama yang bersekutu dengan CCI termasuk Malone.
View source →Konsep Berkaitan
Jadikan pasukan anda kumpulan yang lebih bijak secara terukur
Kecerdasan kolektif adalah masalah reka bentuk: samakan penyertaan, lindungi penilaian bebas, agregat secara jelas, dan simpan pemikiran. Argumentree membina mekanik ini ke dalam setiap keputusan — dengan AI melakukan kerja yang membosankan dan orang anda melakukan penilaian.
Mulakan Percubaan Percuma