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

В 1794 году французский математик умер в революционной тюремной камере, через девять лет после публикации теоремы, которую почти никто не прочитал. В 1906 году 84-летний викторианский статистик бродил по ярмарке скота, собирая использованные лотерейные билеты. В 2026 году исследователи MIT проводят сотни тысяч переговоров между агентами ИИ, чтобы узнать, как машины должны присоединяться к человеческим командам. Эти три сцены принадлежат одной непрерывной исследовательской истории — изучению коллективного интеллекта, способности групп действовать так, что это кажется разумным. Далее следует эта история, эпоха за эпохой, с фактическими находками и реальными конфликтами.

1785: Ставка Просвещения — теорема Кондорсе

Мари Жан Антуан Николя де Кондорсе был таким представителем Просвещения, который делает современных полиматов узкими: математик, избранный в Академию наук в свои двадцать, ранний и активный сторонник общественного образования, права женщин и отмены рабства. В 1785 году он опубликовал Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix — эссе о применении теории вероятностей к голосованию большинством. В нем скрыт результат, который мы сейчас называем теоремой о жюри Кондорсе.

Теорема говорит о чем-то поразительном. Возьмите вопрос с ответом «да/нет». Предположим, что каждый голосующий прав с вероятностью, даже немного большей, чем случайный выбор — скажем, 55% — и предположим, что голосующие судят независимо друг от друга. Тогда по мере роста группы вероятность того, что большинство правы, приближается к уверенности. Посредственное индивидуальное суждение, правильно агрегированное, становится почти совершенным коллективным суждением. У теоремы есть и темная сторона: если каждый голосующий немного хуже случайного выбора, большинство становится почти совершенно неверным по мере роста группы. Агрегация усиливает любую компетенцию — или некомпетентность — которую вы ей предоставляете. Мы рассказываем полную историю теоремы, ее предположений и современных применений в нашем сопроводительном материале о теореме о жюри Кондорсе.

То же эссе содержит второе открытие, которое потребует 160 лет, чтобы взорваться: парадокс Кондорсе. При трех или более вариантах предпочтения большинства могут циклически меняться — группа предпочитает A B, B C и C A — так что «что хочет большинство» может даже не быть четко определено. Это наблюдение является семенем теории социального выбора, областью, которую Кеннет Эрроу позже преобразует своим теоремой о невозможности: ни одна система голосования с ранжированием не может одновременно удовлетворить короткий список разумных условий справедливости. Системы голосования, методы голосования с ранжированием и математика агрегирования предпочтений — это отдельная история — другой вид агрегирования, отличного от усреднения мнений, которое следует в этой статье — и к которой мы вернемся в будущей серии.

Кондорсе не дожил до того, чтобы увидеть, что это имеет значение. Запрещенный во время террора за оппозицию якобинской конституции, он скрывался в течение нескольких месяцев — написав, что примечательно, свой оптимистичный Эскиз исторической картины прогресса человеческого разума — был арестован в марте 1794 года и найден мертвым в своей камере в Бург-ла-Рене через два дня. Математика коллективной мудрости началась как работа человека, уничтоженного безумной толпой. Ирония нависает над этой областью с тех пор: группы могут быть блестящими, а группы могут быть чудовищными, и разница не в людях — а в условиях.

1906–1950-е: Статистическая эпоха — Галтон, Хайек и Делфи

Для своего первого эмпирического теста коллективному интеллекту пришлось ждать 121 год — и он пришел на ярмарку скота. Осенью 1906 года Фрэнсис Галтон, тогда 84 года, посетил Западноанглийскую выставку откормленного скота и птицы в Плимуте, где конкурс на определение веса приглашал посетителей угадать одетый вес живого быка за шесть пенсов за билет. Галтон — основатель статистики и не демократ по темпераменту — ожидал, что записи докажут невежество среднего голосующего. Он получил использованные карточки, отбросил 13 неразборчивых и проанализировал оставшиеся 787 предположений. Среднее значение составило 1,207 фунтов; фактический одетый вес быка составил 1,198 фунтов — ошибка менее 1%, лучше, чем у присутствующих экспертов по скоту. Он опубликовал результат в Nature 7 марта 1907 года под заголовком «Vox Populi» и в последующей переписке признал, что арифметическое среднее было еще более точным: 1,197 фунтов, на один фунт ошибочно. Полная история — включая то, что Галтон сделал неправильно, и столетие репликаций с тех пор — содержится в нашем глубоком анализе быка Галтона, а общий феномен — в нашем руководстве по мудрости толпы.

Почему этот трюк работает? Каждое предположение можно разделить на сигнал и ошибку. Если ошибки независимы и разбросаны по обе стороны от истины, агрегация их отменяет, в то время как общий сигнал выживает. Это «если» — предположение независимости Кондорсе, облаченное в статистическую одежду, и это тот самый момент, на котором зависят все успехи и неудачи мудрости толпы. Переосмысленный Кеннет Уоллис в 2014 году подтвердил, насколько хорошо условия ярмарки — частные письменные записи, стимул быть точным, отсутствие видимого текущего подсчета — защищали его.

Следующий скачок пришел из экономики. В «Использовании знаний в обществе» (American Economic Review, 1945) Фридрих Хайек утверждал, что знания, относящиеся к экономическим решениям, никогда не существуют в концентрированной форме — они разбросаны по миллионам людей в виде местных, частичных, часто неявных фрагментов. Ни один центральный планировщик не может собрать их; но ценовая система автоматически агрегирует их, сжимая разрозненные знания в одно число, которое говорит всем, как действовать. Хайек фактически идентифицировал первый крупномасштабный механизм агрегирования, работающий в производстве. Полвека спустя предсказательные рынки восприняли его идею буквально и создали рынки, единственным продуктом которых является информация в цене.

1950-е годы добавили первый преднамеренно спроектированный процесс коллективного интеллекта. В RAND Corporation исследователи, разрабатывающие долгосрочные прогнозы, столкнулись с известной проблемой: поместите экспертов в одну комнату, и самый громкий или самый старший голос якорит всех остальных. Их ответ, метод Делфи, собирал экспертные суждения анонимно и в итеративных раундах с контролируемой обратной связью — защищая независимость от ранга и социального давления, позволяя при этом информации циркулировать. Делфи является прямым предком каждого современного процесса структурированного ввода, от покера для планирования до потока независимых первых вкладов, используемого в платформах совместного принятия решений.

1940-е–1990-е: Кибернетика, теория игр и увеличенный интеллект

Пока статистики изучали агрегацию, другая линия изучала взаимодействие. Теория игр Джона фон Неймана и Оскара Морганштерна (Theory of Games and Economic Behavior, 1947) дала социальной науке математику стратегической взаимозависимости — что происходит, когда результат моего выбора зависит от вашего. Теория игр переосмыслила группы не как мешки независимых оценщиков, а как системы взаимодействующих агентов, что будет иметь огромное значение, когда исследователи начнут задаваться вопросом, почему рациональные индивиды производят иррациональные коллективы (темой исследований информационных каскадов десятилетия спустя).

Вторая линия была технологической. В своем отчете SRI 1962 года Augmenting Human Intellect: A Conceptual Framework Дуглас Энгельбарт предложил, что цель вычислений не в том, чтобы заменить человеческое мышление, а в том, чтобы увеличить его — включая коллективное мышление групп, решающих проблемы, слишком сложные для любого отдельного человека. Формулировка Энгельбарта послужила основой для исследовательской области компьютерно-опосредованной совместной работы (CSCW), которая сформировалась в 1980-х годах, и волны группового программного обеспечения, которая последовала. Вопрос о увеличении против замены, который он поставил в 1962 году, почти дословно является вопросом, на который литература о человеке и ИИ 2024–2026 годов сейчас отвечает данными.

Эта средняя эпоха внесла что-то, что легко недооценить: она превратила коллективный интеллект из свойства, которое вы наблюдаете, в систему, которую вы строите. Делфи был спроектированным протоколом; групповое программное обеспечение было спроектированным программным обеспечением; рамки Энгельбарта были явно инженерной повесткой для группового познания. Статистическая эпоха задавала вопрос: «точны ли толпы?» Эпоха кибернетики задавала вопрос, который унаследовала каждая современная платформа сотрудничества: какая структура делает группу умнее, чем она была бы в противном случае? Структурированная аргументация сама по себе имеет параллельную интеллектуальную линию здесь — модель аргументации Стивена Тулмина 1958 года и более поздняя традиция картирования аргументов дали делиберативной стороне коллективного интеллекта его структуру данных, карту аргументов, так же как цены стали структурой данных рыночной агрегации.

1959–1999: Эпоха роя — интеллект без руководства

Тем временем биология тихо разрушала предположение о том, что интеллект требует мозга, который управляет. В 1959 году французский зоолог Пьер-Поль Грассе, изучая строительство термитников, ввел термин стигмергия: координация через следы, оставленные в окружающей среде. Ни один термит не держит чертеж; каждый реагирует на местное состояние холма, и сам холм координирует колонию. Это был первый точный механизм для координации без лидера — и оказалось, что он обобщается далеко за пределы насекомых.

В 1987 году исследователь компьютерной графики Крейг Рейнольдс показал, насколько мало индивидуальной сложности на самом деле требуется для возникновения. Его статья SIGGRAPH «Стаи, стада и школы: распределенная модель поведения» анимировала стаи смоделированных птиц — бойдов — управляемых всего тремя местными правилами: разделение, выравнивание и сплоченность. Без лидера, без сценария, и все же стая кружит, разделяется и реорганизуется, как настоящая. Два года спустя, Херардо Бени и Цзинь Ван ввели термин роевый интеллект в контексте клеточных роботизированных систем, дав феномену его название.

Инженерный результат последовал быстро. Диссертация Марко Доригo 1992 года в Политехническом университете Милана, Оптимизация, обучение и естественные алгоритмы, перевела муравьиное кормление — феромонные следы, усиливающие более короткие пути, как показали эксперименты с двойным мостом с аргентинскими муравьями — в Оптимизацию муравьиной колонии, семейство алгоритмов для задач маршрутизации и планирования. Оптимизация роя частиц Джеймса Кеннеди и Рассела Эберхарта (1995) сделала то же самое для стаи. К 1999 году книга Бонабе, Доригo и Тераулаза Роевой интеллект: от естественных к искусственным системам (Оксфорд) кодифицировала область, и алгоритмы на основе муравьев маршрутизировали телефонные звонки (Шундерворд и коллеги в BT Labs, 1996) и грузовики для доставки. Позже робототехника физически подтвердила это: в 2014 году Рубенштейн, Корнехо и Нагпал самостоятельно собрали формы из 1,024 Килоботов (Наука), а Демократия пчел Томаса Сили показала, как рои пчел выбирают места для гнездования через разведку, защиту танца и сенсинг кворума — естественное, децентрализованное приближение к теореме жюри в действии. Полный отчет содержится в нашем руководстве по роевому интеллекту.

Урок эпохи роя для человеческих групп двусторонний. Он доказал, что децентрализация работает — местные знания плюс простые правила взаимодействия могут превзойти централизованное планирование, как и утверждал Хайек. Но он также обозначил границу: рои координируют действия, а не аргументы. Муравьи не обсуждают. Коллективный интеллект человека добавляет уровень, которого ни один рой не имеет — обмен и оценка аргументов — и этот уровень требует другого механизма.

1999–2015: Эпоха интернета — коллективный интеллект выходит в производство

Затем интернет сделал каждого потенциальным участником, и коллективный интеллект перестал быть лабораторной любопытством. Программное обеспечение с открытым исходным кодом продемонстрировало, что тысячи слабо координированных волонтеров могут создавать системы такой же сложности, как операционная система — эссе Эрика Реймона 1999 года Собор и базар предоставило манифест эпохи. Википедия, запущенная в 2001 году, масштабировала модель на человеческие знания: энциклопедия без главного редактора, координированная стигмергически через редактируемый артефакт — логика термитов, примененная к тексту.

В 2004 году два публикации дали эпохе ее теорию. Книга Джеймса Суровецкого Мудрость толпы собрала столетие доказательств и выделила четыре условия, при которых группы мудры: разнообразие мнений, независимость, децентрализация и агрегирование — уберите любое одно, и толпа становится глупее, а не умнее. В том же году Лю Хонг и Скотт Пейдж опубликовали свой результат «разнообразие превосходит способности» в PNAS: в их вычислительной модели случайная, когнитивно разнообразная группа решателей задач превзошла группу, состоящую из индивидуально лучших исполнителей. Честность требует сноски: в 2014 году математик Абигейл Томпсон опубликовала резкую критику в Уведомлениях Американского математического общества, утверждая, что основная теорема была тривиальной и неправильно обозначенной, а симуляции были переосмыслены; защитники, включая самого Пейджа, ответили, что результат сохраняется при заявленных условиях — сложные задачи, способные агенты, большие группы — и никогда не утверждалось, что какая-либо разнообразная группа превосходит любую экспертную команду. Дебаты и то, что из них осталось, рассматриваются в нашем материале о разнообразии против способностей и нашем руководстве по эпистемическому разнообразию.

Механизм цен Хайека также получил свой контролируемый эксперимент в эту эпоху. Электронные рынки Айовы, рынок реальных денег, основанный в Университете Айовы в 1988 году, накопил достаточно истории для окончательного сравнения: Берг, Нельсон и Риетц (International Journal of Forecasting, 2008) сопоставили рыночные цены с 964 национальными опросами на выборах президента США 1988–2004 годов и обнаружили, что рынок был ближе к окончательному результату 74% времени, причем его преимущество было сильнее на горизонтах более 100 дней. Правило логарифмического рынка Робина Хансона (2003) тем временем решило проблему тонкого рынка алгоритмически, позволяя даже небольшим группам проводить внутренние предсказательные рынки.

Экспертные суждения, напротив, получили удар. Книга Филипа Тетлока Экспертное политическое суждение (2005) сообщила о примерно двухдесятилетнем исследовании 284 экспертов и около 28,000 суждений о вероятности; средний эксперт едва ли превосходил простую экстраполяцию — находка, стоящая за знаменитой карикатурой «шимпанзе, бросающего дротики». Но последующая работа Тетлока в турнирах прогнозирования IARPA (2011–2015) обнаружила конструктивную половину истории: небольшая группа «суперпрогнозистов», отличающаяся не квалификациями, а вероятностным мышлением и неустанным обновлением убеждений, как сообщается, превзошла аналитиков разведки с доступом к секретной информации. Навыки прогнозирования и калибровка заслуживают — и получат — свое собственное глубокое освещение в будущей серии.

Институциональный ориентир эпохи пришел в 2006 году, когда Томас Мэлоун основал MIT Center for Collective Intelligence вокруг обманчиво простого вопроса: как люди и компьютеры могут быть связаны так, чтобы они, коллективно, действовали более разумно, чем любой человек, группа или компьютер когда-либо действовали прежде? Первые результаты картировали пространство дизайна — «Геном коллективного интеллекта» (Мэлоун, Лаубахер и Деллакарас, MIT Sloan Management Review, 2010) каталогизировал строительные блоки систем CI по четырем вопросам: кто выполняет задачу (толпа или иерархия), почему (деньги, любовь или слава), что (создавать или решать) и как (независимо или зависимо). К 2015 году Справочник по коллективному интеллекту Мэлоуна и Бернштейна (MIT Press) мог четко определить объект области: «группы индивидуумов, действующих коллективно так, что это кажется разумным».

А в 2010 году область приобрела свое самое провокационное измерение. Анита Уильямс Вулли, Кристофер Чабрис, Алекс Пентланд, Нада Хашми и Томас Мэлоун (Наука, 330: 686–688) протестировали 699 человек, работающих в группах от двух до пяти над широким спектром задач. Производительность группы по задачам была достаточно коррелирована, чтобы получить один статистический фактор — фактор коллективного интеллекта, c — объясняющий около 43% вариации, аналог группы к g-фактору индивидуального IQ. Шок был в том, что предсказывало это. Средний и максимальный интеллект участников слабо коррелировали с c. То, что сильно коррелировало: средняя социальная чувствительность группы (измеренная тестом «Чтение разума в глазах»), равенство в очередности разговоров и доля женщин в группе (сама по себе в значительной степени опосредована социальной чувствительностью). Насколько умна группа, по данным, зависит меньше от того, кто в ней, чем от того, как она взаимодействует.

Теневая история: когда коллективы терпят неудачу

Под всей оптимистичной хронологией скрывается вторая, более темная литература — изучение того, как группы умных, добросердечных людей производят коллективную глупость. Это важно здесь, потому что это не отдельная тема: каждый задокументированный режим неудачи является нарушением условия, от которого зависят истории успеха.

Психологическая ветвь пришла первой. Ирвинг Джанис в Жертвах группового мышления (1972) разобрал, как чрезвычайно способные советники президента Кеннеди уговорили себя на вторжение в залив Свиней в 1961 году. Джанис каталогизировал восемь симптомов в трех кластерах — завышение группы (иллюзия непобедимости, вера в врожденную мораль), закрытость (коллективная рационализация, стереотипные взгляды на внешних людей) и давление к единству (самоцензура, иллюзия единодушия, прямое давление на несогласных и самоназначенные «стражи разума», которые фильтруют тревожную информацию). Два года спустя Джерри Харви в «Парадоксе Абилин» (Organizational Dynamics, 1974) описал странного кузена: группы, согласные с курсом действий, который ни один отдельный член не хотел, потому что каждый ошибочно воспринимал молчание других как предпочтение. Оба являются неудачами одного и того же ввода: честное, независимое суждение никогда не попадает в общий котел.

Экономическая ветвь появилась в 1992 году, и она была более тревожной, потому что не требовала никакой психологии. Сушил Бикчандани, Дэвид Хиршлефер и Иво Уэлч («Теория мод, моды, обычая и культурных изменений как информационных каскадов», Journal of Political Economy, 100: 992–1026) и, независимо, Абхиджит Банерджи («Простая модель поведения стада», Quarterly Journal of Economics, 1992) показали, что совершенно рациональные агенты, принимающие решения по очереди, после всего лишь нескольких наблюдений, рационально игнорируют свою собственную частную информацию и копируют своих предшественников. Получившийся информационный каскад является индивидуально разумным и коллективно хрупким — он почти не агрегирует разрозненные знания группы и может заблокировать целую популяцию на неправильном ответе, который случайно выбрали несколько ранних участников. Лиза Андерсон и Чарльз Холт воспроизвели каскады по запросу в лаборатории (American Economic Review, 1997). Этот механизм освещает все, от пузырей активов до вирусной дезинформации: анализ Восуги, Роя и Арала примерно 126,000 каскадов историй в Twitter (Наука, 2018) показал, что ложные новости распространялись значительно дальше, быстрее и глубже, чем правда, при этом ложные сведения были примерно на 70% более вероятны для ретвитирования. Полный каталог неудач — от тюльпановой мании до 2008 года — содержится в Когда толпы ошибаются.

Обратите внимание, что обе ветви имеют общее. Групповое мышление разрушает независимость социально; каскады разрушают ее информационно. В любом случае толпа перестает быть многими суждениями и становится одним суждением, имеющим много лиц — именно в тех условиях, при которых теорема Кондорсе превращается из гарантии мудрости в гарантию уверенной ошибки. Теневая история — это причина, по которой практическое крыло области стало одержимо процессом: собирайте суждения, прежде чем подвергать людей взглядам друг друга, структурно защищайте несогласие и делайте агрегацию явной.

2015–2023: Десятилетие дебатов — репликация, критика и ответ

Любое измерение, которое было таким удивительным, будет подвергнуто атаке, и атака пришла в 2017 году. Маркус Креде и Гарретт Ховарсон (Journal of Applied Psychology) повторно проанализировали шесть образцов и утверждали, что эмпирическая поддержка общего c-фактора была слабой — что производительность группы может быть лучше описана специфическими для задачи способностями, чем одним основным фактором. Вулли, Ким и Мэлоун ответили в 2018 году, оспаривая процедуры оценки критики и утверждая, что ее предположения о симуляции не соответствуют задачам, которые группы на самом деле выполняли. Вот как выглядит здоровая область: борьба велась на данных и повторном анализе, а не в пресс-релизах.

Ближайшее к вердикту пришло в 2021 году. Ридл, Ким, Гупта, Мэлоун и Вулли опубликовали мета-анализ в PNAS, охватывающий 22 исследования и 1,356 групп — студентов, военных, онлайн-работников, геймеров — и нашли последовательные доказательства фактора коллективного интеллекта во всех них, с процессами группового сотрудничества и социальной восприимчивостью участников среди его самых сильных предшественников. Структура конструкта и условия его границ остаются предметом споров, как и должно быть; но «групповой интеллект измерим и не сводится к IQ участников» теперь основывается на гораздо более крупной базе доказательств, чем оригинальная статья 2010 года.

Два дополнительных открытия завершили десятилетие. Книга Мэлоуна Суперумы (2018) предоставила таксономию коллективных умов, на которых уже работает цивилизация — иерархии, демократии, рынки, сообщества и экосистемы — каждый из которых является другим ответом на вопрос агрегирования, каждый с характерными сильными и слабыми сторонами. И внутреннее исследование Google Project Aristotle (2012–2015) 180 команд обнаружило, что психологическая безопасность — общее убеждение в том, что команда безопасна для межличностного риска — была самым сильным предсказателем эффективности команды, опережая состав и старшинство. Равенство в очередности разговоров Вулли и психологическая безопасность Google — это два измерения одной и той же основной истины: узкое место группового интеллекта — это то, попадает ли информация, которой обладают участники, на самом деле в группу. Динамика группы — безопасность, обсуждение и их патологии, такие как групповое мышление — это кластер, который мы рассматриваем в Когда толпы ошибаются.

2024–2026: Суперумы человека и ИИ — текущий фронтир

Текущая эпоха началась, когда крупные языковые модели присоединились к группе. Бертон и 27 соавторов из разных дисциплин обозначили ставки в «Как крупные языковые модели могут изменить коллективный интеллект» (Nature Human Behaviour, 8: 1643–1655, 2024): LLM могут снизить барьеры для участия, обобщить обширные обсуждения и агрегировать разрозненные знания в беспрецедентном масштабе — и они также могут гомогенизировать точки зрения, создавать ложный консенсус и уменьшать разнообразие информационной экосистемы, на которой питается мудрость толпы. Каждое условие из списка Суровецкого одновременно усиливается и угрожается одной и той же технологией.

Вопрос синергии — вопрос Энгельбарта 1962 года — наконец получил свой мета-анализ. Мишель Ваккаро, Абдулла Альмаатука и Томас Мэлоун проанализировали 106 экспериментов и 370 эффектов («Когда комбинации людей и ИИ полезны», Nature Human Behaviour, 8: 2293–2303, 2024) и обнаружили, что в среднем комбинации человек-ИИ показали хуже результаты, чем лучший из людей или ИИ по отдельности. Убытки сосредоточились в задачах принятия решений; подлинные выгоды проявились в задачах по созданию контента. Простое добавление «человека в процесс» не улучшает результаты — часто человек отменяет лучшее суждение машины или уступает худшему. Синергия — это достижение дизайна, а не данность. Появляющаяся наука о системах человек-ИИ — предвзятость автоматизации, калибровка доверия, когда позволить какой стороне принимать решение — это еще одна будущая глава этой серии.

Эта программа дизайна теперь является явной программой MIT Center for Collective Intelligence, чьи исследования организованы в 2026 году под тремя направлениями: Генеративный ИИ и Коллективный Интеллект (ИИ для увеличения человеческой креативности), Дизайн Суперума (дизайн инновационных комбинаций людей и компьютеров) и Дизайн Команд Человек-ИИ (дизайн и распределение задач в командах человек-машина — реализуемый в рамках программы Singapore-MIT M3S как системная наука распределения задач: какие подзадачи отдаются людям, а какие ИИ, кто контролирует и действует ли ИИ как инструмент, помощник, равный или менеджер). Ранее флагманские проекты — Climate CoLab и платформа CoLabs, CI Design Lab, программа Measuring Collective Intelligence — теперь формально являются наследием, поглощенным этими вопросами эпохи ИИ.

Конкретные результаты показывают, как выглядит «дизайн синергии». Supermind Ideator, инструмент генерации идей на основе LLM, который направляет пользователей через структурированные шаги креативного решения проблем, произвел значительно больше инновационных идей в экспериментальном исследовании, чем ChatGPT по отдельности или люди, работающие без помощи (ACM Collective Intelligence Conference 2024; Collective Intelligence, 2024); бета-тестеры сгенерировали более 10,000 идей с его помощью, а родственный инструмент, DesignAID, применяет этот подход к дизайнерской работе. Структурирование реализует шесть шагов дизайна Supermind — Увеличить, Уменьшить, Аналогизировать, Группировать, Познавать, Технологизировать — контрольный список для переосмысления того, кто (или что) выполняет каждую часть задачи. Урок точно отражает мета-анализ Ваккаро: ценность не в модели, а в структуре, которая ее окружает. С точки зрения измерения, AGI-Elo (Сун и коллеги, NeurIPS 2025; arXiv 2505.12844) — с соавторами, связанными с CCI, включая Мэлоуна — оценивает модели ИИ и отдельные тестовые случаи друг относительно друга, как шахматистов, так что сложность задачи и компетентность модели попадают на одну сопоставимую шкалу: предпосылка для решения, какие части работы передать машине.

Два дополнительных результата 2026 года очерчивают, куда это движется. Статья в PNAS, «Продвижение ИИ в переговорах: крупномасштабное автономное соревнование по переговорам», сообщила о международном соревновании, в котором созданные участниками агенты ИИ провели более 180,000 переговоров друг с другом. Теория человеческих переговоров выжила при смене видов: агенты, проявляющие теплоту — позитивность, благодарность, задавание вопросов — последовательно добивались лучших результатов по сделкам и ценности, в то время как доминирующие марафонские обмены предсказывали тупики; агенты также развили тактики, присущие ИИ, от цепочечного мышления до попыток инъекции подсказок. И глубокая онтология работы (Цай и коллеги, arXiv 2603.20619, март 2026) реорганизовала примерно 20,000 рабочих действий O*NET и сопоставила 13,275 приложений ИИ плюс мировую оценку 20.8 миллионов роботизированных систем с ними — обнаружив, что рыночная стоимость ИИ чрезвычайно сосредоточена, при этом верхние 1.6% действий составляют более 60% от нее. Суперумы людей и машин больше не являются метафорой; они являются установленной базой, которая подлежит инвентаризации.

Чему нас учат 240 лет

Сравните эпохи бок о бок, и одна линия становится очевидной: каждый успех в этой истории — это успех структуры, а каждая неудача — это неудача тех же самых условий. Теорема Кондорсе основывается на независимости и компетентности, превышающей случайную. Справедливость Гальтона случайно обеспечила независимые, стимулируемые, письменные суждения. Цены Хайека и рыночные создатели Хансона являются механизмами агрегации; Делфи — это механизм защиты независимости; четыре условия Суровецкого — это просто повторяющиеся требования. Литература по c-фактору обнаружила, что процесс взаимодействия — очередность, социальная чувствительность, безопасность для высказывания — определяет, может ли группа использовать содержащийся в ней интеллект. А мета-анализы эпохи ИИ показали, что команды человек-ИИ выигрывают именно тогда, когда сотрудничество намеренно спроектировано. Когда условия нарушаются — когда суждения перестают быть независимыми, и люди начинают копировать видимое поведение других — вы получаете информационные каскады, пузыри и групповое мышление: индивидуально рационально, коллективно неверно.

Это также, не случайно, карта того, где коллективный интеллект находится в жизни решения. Хорошо решать означает обращать внимание на правильную проблему, формулировать ее, генерировать варианты, исследовать их, агрегировать разрозненные суждения, обсуждать причины, и только потом выбирать, реализовывать и контролировать. 240-летняя исследовательская программа в основном касается этих средних этапов — агрегации и обсуждения — потому что именно там индивидуальные знания либо становятся коллективными знаниями, либо умирают в тишине.

Argumentree построен как прямое приложение этих выводов. Независимая, асинхронная подача аргументов защищает условие независимости Кондорсе и Делфи до того, как группа конвергирует. Структурированные деревья аргументов «за» и «против» предоставляют каждой точке зрения — включая несогласие — первоклассное место, условие, на которое указывает равенство очередности Вулли и психологическая безопасность Google. Многоуровневая оценка (полезность, ясность, точность, полнота), агрегированная в консенсусные баллы, является явным механизмом агрегации в линии Гальтона-Хайека — за исключением того, что, в отличие от рыночной цены, она сохраняет рассуждение. И полный след аудита превращает каждое решение в организационную запись, чтобы группа могла учиться на собственном опыте — этап мониторинга, с которым заканчивается жизненный цикл. Извлечение ИИ из стенограмм встреч следует уроку 2024–2026 годов: используйте ИИ там, где он явно помогает (структурирование и обработка контента), в то время как люди сохраняют суждение. Вердикт истории последователен с 1785 по 2026 год: группы не становятся умнее случайно. Они становятся умнее благодаря структуре — и эта структура теперь является чем-то, что вы можете принять, а не импровизировать. Начните с нашего руководства по коллективному интеллекту, или посмотрите, как принципы работают внутри реального процесса принятия решений в коллективном принятии решений.