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

ในปี 1794 นักคณิตศาสตร์ชาวฝรั่งเศสคนหนึ่งเสียชีวิตในคุกที่ปฏิวัติ, เก้าปีหลังจากเผยแพร่ทฤษฎีที่แทบไม่มีใครอ่าน ในปี 1906 นักสถิติชาววิกตอเรียวัย 84 ปีเดินผ่านงานแสดงปศุสัตว์เก็บบัตรจับฉลากที่ใช้แล้ว ในปี 2026 นักวิจัยที่ MIT กำลังดำเนินการเจรจาหลายแสนครั้งระหว่างตัวแทน AI เพื่อเรียนรู้ว่าเครื่องจักรควรเข้าร่วมทีมมนุษย์อย่างไร ฉากทั้งสามนี้เป็นส่วนหนึ่งของเรื่องราวการวิจัยเดียวที่ต่อเนื่อง — การศึกษาของ ปัญญารวม, ความสามารถของกลุ่มในการทำงานในลักษณะที่ดูเหมือนมีสติปัญญา สิ่งที่ตามมาคือเรื่องราวนั้น, ยุคต่อยุค, พร้อมกับผลการค้นหาที่แท้จริงและการต่อสู้ที่แท้จริง

1785: การเดิมพันแห่งการตื่นรู้ — ทฤษฎีของคองดอร์เซต์

มารี ฌอง อองตวน นิโคลาส เดอ คารีตัต, มาร์คีส์เดอคองดอร์เซต์, เป็นบุคคลแห่งการตื่นรู้ที่ทำให้ผู้มีความสามารถสมัยใหม่ดูแคบ: นักคณิตศาสตร์ที่ได้รับเลือกเข้าสู่อะคาเดมีเดอซิอองส์ในวัยยี่สิบ, ผู้สนับสนุนการศึกษาสาธารณะ, สิทธิในการลงคะแนนเสียงของผู้หญิง, และการเลิกทาส ในปี 1785 เขาเผยแพร่ Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix — เรียงความเกี่ยวกับการใช้ทฤษฎีความน่าจะเป็นในการลงคะแนนเสียงส่วนใหญ่ ฝังอยู่ในนั้นคือผลลัพธ์ที่เราตอนนี้เรียกว่า ทฤษฎีคณะลูกขุนของคองดอร์เซต์.

ทฤษฎีนี้บอกสิ่งที่น่าตกใจ บอกคำถามใช่/ไม่ใช่ที่มีคำตอบที่ถูกต้อง สมมติว่าผู้มีสิทธิเลือกตั้งแต่ละคนถูกต้องด้วยความน่าจะเป็นที่ดีกว่าการโยนเหรียญเล็กน้อย — สมมติว่า 55% — และสมมติว่าผู้มีสิทธิเลือกตั้งตัดสิน อย่างอิสระ จากกันและกัน จากนั้นเมื่อกลุ่มเติบโตขึ้น ความน่าจะเป็นที่ ส่วนใหญ่ ถูกต้องจะเพิ่มขึ้นสู่ความแน่นอน การตัดสินใจของแต่ละคนที่ไม่ดี เมื่อรวมกันอย่างถูกต้อง จะกลายเป็นการตัดสินใจของกลุ่มที่เกือบสมบูรณ์ ทฤษฎียังมีคู่แฝดที่มืด: หากผู้มีสิทธิเลือกตั้งแต่ละคนเลวร้ายกว่า การโยนเหรียญ เล็กน้อย ส่วนใหญ่จะผิดเกือบแน่นอนเมื่อกลุ่มเติบโตขึ้น การรวมกลุ่มขยายความสามารถ — หรือความไร้ความสามารถ — ที่คุณป้อนเข้าไป เราเล่าเรื่องราวทั้งหมดของทฤษฎีนี้, สมมติฐานของมัน, และการใช้งานในปัจจุบันในชิ้นส่วนที่เกี่ยวข้องของเราเกี่ยวกับ ทฤษฎีคณะลูกขุนของคองดอร์เซต์.

เรียงความเดียวกันมีการค้นพบครั้งที่สองที่ใช้เวลา 160 ปีในการระเบิด: ปริศนาคองดอร์เซต์ ด้วยตัวเลือกสามตัวขึ้นไป ความชอบของส่วนใหญ่สามารถหมุนเวียน — กลุ่มชอบ A มากกว่า B, B มากกว่า C, และ C มากกว่า A — ดังนั้น “สิ่งที่ส่วนใหญ่ต้องการ” อาจไม่ถูกกำหนดไว้อย่างดีเลย การสังเกตนั้นเป็นเมล็ดพันธุ์ของทฤษฎีการเลือกสังคม, สาขาที่เคนเนธ แอร์โรว์จะเปลี่ยนแปลงด้วยทฤษฎีความเป็นไปไม่ได้ของเขา: ไม่มีระบบการลงคะแนนที่จัดอันดับสามารถตอบสนองเงื่อนไขความยุติธรรมที่สมเหตุสมผลในเวลาเดียวกันได้ ระบบการลงคะแนน, วิธีการจัดอันดับ, และคณิตศาสตร์ของการรวมความชอบเป็นเรื่องราวของตัวเอง — เป็นการรวมกลุ่มที่แตกต่างจากการเฉลี่ยความเชื่อที่บทความนี้ติดตาม — และเราจะกลับไปที่เรื่องนี้ในซีรีส์ในอนาคต

คองดอร์เซต์ไม่ได้มีชีวิตอยู่เพื่อเห็นว่ามันมีความสำคัญ เขาถูกห้ามในช่วงการก่อการร้ายเพราะคัดค้านรัฐธรรมนูญของจาคอบิน เขาหลบซ่อนอยู่เป็นเวลาหลายเดือน — เขียน, อย่างน่าทึ่ง, เรียงความที่มองโลกในแง่ดีของเขา Sketch for a Historical Picture of the Progress of the Human Mind — ถูกจับในเดือนมีนาคม 1794 และถูกพบว่าเสียชีวิตในเซลล์ของเขาที่ Bourg-la-Reine สองวันต่อมา คณิตศาสตร์ของปัญญารวมเริ่มต้นจากการทำงานของชายคนหนึ่งที่ถูกทำลายโดยกลุ่มที่บ้าคลั่ง ความเห irony นั้นยังคงอยู่เหนือสาขานี้ตั้งแต่นั้นมา: กลุ่มสามารถฉลาด และกลุ่มสามารถน่ากลัว และความแตกต่างไม่ใช่ที่คน — แต่มันคือเงื่อนไข

1906–1950s: ยุคสถิติ — กัลตัน, ฮาเยค, และเดลฟาย

สำหรับการทดสอบเชิงประจักษ์ครั้งแรก, ปัญญารวมต้องรอ 121 ปี — และมันมาถึงที่งานแสดงปศุสัตว์ ในฤดูใบไม้ร่วงปี 1906 ฟรานซิส กัลตัน, ขณะนั้นอายุ 84 ปี, เข้าร่วมงานแสดงปศุสัตว์และสัตว์ปีกที่เวสต์ออฟอังกฤษในพลีมัธ ซึ่งการแข่งขันการตัดสินน้ำหนักเชิญชวนให้ผู้เข้าชมเดาน้ำหนัก ที่แต่งตัว ของวัวสดในราคา 6 เพนนีต่อบัตร กัลตัน — ผู้ก่อตั้งสถิติ และไม่ใช่ประชาธิปไตยตามอารมณ์ — คาดว่าการเข้าร่วมจะพิสูจน์ความไม่รู้ของผู้มีสิทธิเลือกตั้งทั่วไป เขาได้รับบัตรที่ใช้แล้ว, ทิ้งบัตรที่อ่านไม่ออก 13 ใบ, และวิเคราะห์การเดาที่เหลือ 787 ครั้ง การประมาณค่ากลางคือ 1,207 lb; น้ำหนักที่แต่งตัวจริงของวัวคือ 1,198 lb — ความผิดพลาดต่ำกว่า 1%, ดีกว่าผู้เชี่ยวชาญด้านปศุสัตว์ที่อยู่ในที่นั้น เขาเผยแพร่ผลลัพธ์ใน Nature เมื่อวันที่ 7 มีนาคม 1907 ภายใต้ชื่อ “Vox Populi” และในการติดต่อกลับเขายอมรับว่าค่าเฉลี่ยเลขคณิตนั้นแม่นยำยิ่งขึ้น: 1,197 lb, หนึ่งปอนด์ออกไป เรื่องราวทั้งหมด — รวมถึงสิ่งที่กัลตันทำผิดและศตวรรษแห่งการทำซ้ำตั้งแต่นั้นมา — อยู่ในการวิเคราะห์เชิงลึกของเราเกี่ยวกับ วัวของกัลตัน, และปรากฏการณ์ทั่วไปในคู่มือของเราเกี่ยวกับ ปัญญาของฝูงชน.

ทำไมกลเม็ดนี้ถึงได้ผล? การเดาแต่ละครั้งสามารถแบ่งออกเป็นสัญญาณบวกข้อผิดพลาด หากข้อผิดพลาดเป็น อิสระ และกระจายอยู่ทั้งสองด้านของความจริง การรวมกลุ่มจะยกเลิกพวกมันในขณะที่สัญญาณที่แบ่งปันยังคงอยู่ นั่นคือ “ถ้า” เป็นสมมติฐานความเป็นอิสระของคองดอร์เซต์ที่สวมเสื้อผ้าทางสถิติ และมันคือบานพับที่ทุกความสำเร็จและความล้มเหลวของปัญญาฝูงชนหมุนรอบ การตรวจสอบใหม่ของ Kenneth Wallis ในปี 2014 เกี่ยวกับการแข่งขันของกัลตันยืนยันว่าความเหมาะสมของเงื่อนไขของงานแสดง — การเข้าร่วมที่เขียนเป็นส่วนตัว, แรงจูงใจในการให้ความแม่นยำ, ไม่มีการนับคะแนนที่มองเห็นได้ — เกิดขึ้นเพื่อปกป้องมัน

การก้าวกระโดดครั้งถัดมามาจากเศรษฐศาสตร์ ใน “การใช้ความรู้ในสังคม” (American Economic Review, 1945), ฟรีดริช ฮาเยคโต้แย้งว่าความรู้ที่เกี่ยวข้องกับการตัดสินใจทางเศรษฐกิจไม่เคยมีอยู่ในรูปแบบที่เข้มข้น — มันกระจายอยู่ทั่วผู้คนหลายล้านคนในรูปแบบที่ท้องถิ่น, บางส่วน, และมักจะเป็นนัย ไม่มีผู้วางแผนกลางคนใดสามารถรวบรวมมันได้; แต่ ระบบราคา จะรวมมันโดยอัตโนมัติ, บีบความรู้ที่กระจายอยู่ให้เป็นหมายเลขเดียวที่บอกทุกคนว่าควรทำอย่างไร ฮาเยคได้ระบุกลไกการรวมกลุ่มขนาดใหญ่ครั้งแรกที่ทำงานในผลิตภัณฑ์ ในอีกครึ่งศตวรรษต่อมา, ตลาดการคาดการณ์ จะนำความเข้าใจของเขาไปใช้ตามตัวอักษรและสร้างตลาดที่ผลิตภัณฑ์เพียงอย่างเดียวคือข้อมูลในราคา

ในปี 1950s ได้เพิ่มกระบวนการปัญญารวมที่ถูก ออกแบบ อย่างตั้งใจเป็นครั้งแรก ที่ RAND Corporation, นักวิจัยที่พัฒนาการคาดการณ์ระยะยาวเผชิญกับปัญหาที่คุ้นเคย: ใส่ผู้เชี่ยวชาญในห้องและเสียงที่ดังที่สุดหรือเสียงที่มีอาวุโสที่สุดจะยึดทุกคนไว้ คำตอบของพวกเขาคือ วิธีการเดลฟาย, รวบรวมการตัดสินของผู้เชี่ยวชาญอย่างไม่เปิดเผยและในรอบที่ทำซ้ำพร้อมกับข้อเสนอแนะแบบควบคุม — ปกป้องความเป็นอิสระจากอันดับและแรงกดดันทางสังคมในขณะที่ยังให้ข้อมูลหมุนเวียน เดลฟายเป็นบรรพบุรุษโดยตรงของกระบวนการป้อนข้อมูลที่มีโครงสร้างสมัยใหม่ทุกประเภท ตั้งแต่การวางแผนโป๊กเกอร์ไปจนถึงการไหลของการมีส่วนร่วมที่เป็นอิสระครั้งแรกที่ใช้ใน แพลตฟอร์มการตัดสินใจร่วมกัน

1940s–1990s: ไซเบอร์เนติกส์, ทฤษฎีเกม, และสติปัญญาที่เพิ่มขึ้น

ในขณะที่นักสถิติกำลังศึกษาเรื่องการรวมกลุ่ม สายพันธุ์อีกสายหนึ่งกำลังศึกษา การมีปฏิสัมพันธ์ ทฤษฎีเกมของจอห์น ฟอน นอยมันน์และออสการ์ มอร์เกนสเติร์น Theory of Games and Economic Behavior (ฉบับปี 1947) มอบคณิตศาสตร์ของการพึ่งพาเชิงกลยุทธ์ให้กับสังคมศาสตร์ — สิ่งที่เกิดขึ้นเมื่อผลลัพธ์ของการเลือกของฉันขึ้นอยู่กับของคุณ ทฤษฎีเกมได้ปรับกรอบกลุ่มไม่ให้เป็นถุงของผู้ประมาณอิสระ แต่เป็นระบบของตัวแทนที่มีปฏิสัมพันธ์ ซึ่งมุมมองนี้จะมีความสำคัญอย่างมากเมื่อผู้วิจัยเริ่มถามว่าทำไมบุคคลที่มีเหตุผลจึงผลิตกลุ่มที่ไม่มีเหตุผล (หัวข้อของการวิจัย การล้มเหลวของข้อมูลในภายหลัง)

สายที่สองคือเทคโนโลยี ในรายงาน SRI ปี 1962 Augmenting Human Intellect: A Conceptual Framework, ดักลาส เอนเกลบาร์ตเสนอว่าจุดประสงค์ของการคอมพิวเตอร์ไม่ใช่เพื่อแทนที่การคิดของมนุษย์ แต่เพื่อ เพิ่ม มัน — รวมถึงการคิดร่วมของกลุ่มที่จัดการกับปัญหาที่ซับซ้อนเกินกว่าที่บุคคลใดจะจัดการได้ กรอบการทำงานของเอนเกลบาร์ตได้หว่านเมล็ดพันธุ์ให้กับสาขาการวิจัยของการทำงานร่วมกันที่สนับสนุนคอมพิวเตอร์ (CSCW) ที่เกิดขึ้นในปี 1980 และคลื่นซอฟต์แวร์กลุ่มที่ตามมา คำถามเกี่ยวกับการเพิ่มขึ้นกับการแทนที่ที่เขาเสนอในปี 1962 เป็นคำถามที่เกือบจะตรงตามที่วรรณกรรมมนุษย์-AI ในปี 2024–2026 กำลังตอบด้วยข้อมูล

ยุคกลางนี้มีส่วนร่วมในสิ่งที่ง่ายต่อการประเมินค่า: มันเปลี่ยนปัญญารวมจากคุณสมบัติที่คุณ สังเกต เป็นระบบที่คุณ สร้าง เดลฟายเป็นโปรโตคอลที่ออกแบบ; ซอฟต์แวร์กลุ่มเป็นซอฟต์แวร์ที่ออกแบบ; กรอบการทำงานของเอนเกลบาร์ตเป็นวาระการวิศวกรรมที่ชัดเจนสำหรับการรับรู้ของกลุ่ม ยุคสถิติได้ถามว่า “ฝูงชนแม่นยำหรือไม่?” ยุคไซเบอร์เนติกส์ได้ถามคำถามที่แพลตฟอร์มการทำงานร่วมสมัยทุกแห่งสืบทอดมา: โครงสร้างใดทำให้กลุ่มฉลาดกว่าที่จะเป็นอยู่? การโต้แย้งที่มีโครงสร้างเองมีสายพันธุ์ทางปัญญาที่คล้ายกันที่นี่ — โมเดลการโต้แย้งของสตีเฟน ทูลมินในปี 1958 และประเพณีการทำแผนที่การโต้แย้งในภายหลังได้มอบโครงสร้างข้อมูลให้กับด้านการพิจารณาของปัญญารวม, แผนที่การโต้แย้ง, เช่นเดียวกับที่ราคาได้กลายเป็นโครงสร้างข้อมูลของการรวมกลุ่มในตลาด

1959–1999: ยุคของการรวมกลุ่ม — ปัญญาโดยไม่มีใครอยู่ในตำแหน่ง

ในขณะเดียวกัน ชีววิทยากำลังค่อยๆ ทำลายสมมติฐานว่าปัญญาต้องการสมองที่อยู่ในตำแหน่ง ในปี 1959 นักสัตววิทยาชาวฝรั่งเศส ปิแอร์-ปอล กราสเซ่, ศึกษาการก่อสร้างรังปลวก, ได้ตั้งชื่อคำว่า stigmergy: การประสานงานผ่านร่องรอยที่ทิ้งไว้ในสิ่งแวดล้อม ไม่มีปลวกตัวไหนถือแผนผัง; แต่ละตัวตอบสนองต่อสถานะท้องถิ่นของกอง และกองเองก็ประสานงานอาณานิคม มันเป็นกลไกที่แม่นยำที่สุดสำหรับการประสานงานโดยไม่มีผู้นำ — และมันกลับกลายเป็นว่ามันสามารถทั่วไปได้ไกลกว่าศัตรู

ในปี 1987 นักวิจัยกราฟิกคอมพิวเตอร์ เครก เรย์โนลด์ส แสดงให้เห็นว่าความซับซ้อนของแต่ละบุคคลนั้นต้องการการเกิดขึ้นน้อยเพียงใด เอกสาร SIGGRAPH ของเขา “Flocks, Herds, and Schools: A Distributed Behavioral Model” ทำให้ฝูงนกจำลอง — boids — ที่ถูกควบคุมโดยกฎท้องถิ่นเพียงสามข้อ: การแยกตัว, การจัดแนว, และการรวมกลุ่ม ไม่มีผู้นำ, ไม่มีสคริปต์, และถึงกระนั้นฝูงก็หมุนและแยกตัวและรวมตัวกันเหมือนของจริง สองปีต่อมา, เฮอาร์โด เบนี และจิง หวัง ตั้งชื่อคำว่า ปัญญาของการรวมกลุ่ม ในบริบทของระบบหุ่นยนต์เซลล์, ให้ปรากฏการณ์นี้ชื่อ

ผลตอบแทนทางวิศวกรรมตามมาอย่างรวดเร็ว วิทยานิพนธ์ปริญญาเอกของมาร์โก ดอริโกในปี 1992 ที่ Politecnico di Milano, Optimization, Learning and Natural Algorithms, แปลการหากินของมด — เส้นทางฟีโรโมนที่เสริมเส้นทางที่สั้นกว่า, ตามที่เปิดเผยโดยการทดลองสะพานคู่กับมดอาร์เจนตินา — เป็น Ant Colony Optimization, ครอบครัวของอัลกอริธึมสำหรับปัญหาการจัดเส้นทางและการจัดตารางเวลา เจมส์ เคนเนดี และรัสเซล เอเบอร์ฮาร์ต Particle Swarm Optimization (1995) ทำเช่นเดียวกันสำหรับการรวมกลุ่ม ภายในปี 1999, โบนาเบา, ดอริโก, และเธอรอลาซ Swarm Intelligence: From Natural to Artificial Systems (Oxford) ได้กำหนดสาขานี้ และอัลกอริธึมที่ใช้มดได้จัดเส้นทางการโทรศัพท์ (Schoonderwoerd และเพื่อนร่วมงานที่ BT Labs, 1996) และรถบรรทุกจัดส่ง ในภายหลัง, หุ่นยนต์ได้ทำให้จุดนี้ชัดเจนทางกายภาพ: ในปี 2014, รูเบนสไตน์, คอร์เนโจ, และนากปาล ได้ประกอบรูปร่างจาก 1,024 Kilobots (Science), และ Honeybee Democracy (2010) ของโธมัส ซีลีย์ แสดงให้เห็นว่าฝูงผึ้งเลือกสถานที่ทำรังผ่านการสำรวจ, การสนับสนุนการเต้น, และการรับรู้ของกลุ่ม — การประมาณการที่เป็นธรรมชาติและกระจายอำนาจของทฤษฎีคณะลูกขุนที่กำลังดำเนินการ เรื่องราวทั้งหมดอยู่ในคู่มือของเราเกี่ยวกับ ปัญญาของการรวมกลุ่ม.

บทเรียนของยุคการรวมกลุ่มสำหรับกลุ่มมนุษย์นั้นมีสองด้าน มันพิสูจน์ว่าการกระจายอำนาจได้ผล — ความรู้ท้องถิ่นบวกกฎการมีปฏิสัมพันธ์ที่เรียบง่ายสามารถทำได้ดีกว่าการวางแผนกลาง, ตามที่ฮาเยคกล่าว แต่ก็ยังทำเครื่องหมายขอบเขต: การรวมกลุ่มประสาน การกระทำ, ไม่ใช่ เหตุผล มดไม่ได้พิจารณา ปัญญารวมของมนุษย์เพิ่มชั้นที่ไม่มีการรวมกลุ่มใดมี — การแลกเปลี่ยนและการประเมินข้อโต้แย้ง — และชั้นนั้นต้องการเครื่องจักรที่แตกต่างกัน

1999–2015: ยุคอินเทอร์เน็ต — ปัญญารวมเข้าสู่การผลิต

จากนั้นอินเทอร์เน็ตทำให้ทุกคนเป็นผู้มีส่วนร่วมที่มีศักยภาพ และปัญญารวมหยุดเป็นความอยากรู้อยากเห็นในห้องทดลอง ซอฟต์แวร์โอเพนซอร์สแสดงให้เห็นว่าผู้มีส่วนร่วมที่ประสานงานกันอย่างหลวม ๆ หลายพันคนสามารถสร้างระบบที่ซับซ้อนเท่ากับระบบปฏิบัติการ — เรียงความของเอริค เรย์มอนด์ในปี 1999 The Cathedral and the Bazaar จัดหาคำประกาศของยุคนี้ วิกิพีเดีย, เปิดตัวในปี 2001, ขยายโมเดลไปสู่ความรู้ของมนุษย์เอง: สารานุกรมที่ไม่มีบรรณาธิการ, ประสานงานด้วยการ stigmergically ผ่านสิ่งที่ถูกแก้ไข — ตรรกะของปลวก, ใช้กับข้อความ

ในปี 2004, สองการตีพิมพ์ให้ทฤษฎีของยุคนี้ James Surowiecki’s The Wisdom of Crowds รวบรวมหลักฐานศตวรรษและกลั่นกรอง สี่เงื่อนไข ที่กลุ่มมีปัญญา: ความหลากหลายของความคิดเห็น, ความเป็นอิสระ, การกระจายอำนาจ, และการรวมกลุ่ม — ลบเงื่อนไขใดเงื่อนไขหนึ่งออกไป, และฝูงจะโง่ลง, ไม่ฉลาดขึ้น ปีเดียวกันนั้น, ลู ฮอง และสกอตต์ เพจ เผยแพร่ผล “ความหลากหลายชนะความสามารถ” ใน PNAS: ในโมเดลการคำนวณของพวกเขา, กลุ่มที่มีความหลากหลายทางปัญญาแบบสุ่มมีประสิทธิภาพดีกว่ากลุ่มที่ประกอบด้วยผู้ที่มีความสามารถดีที่สุดในแต่ละคน ความซื่อสัตย์ต้องการเชิงอรรถ: ในปี 2014, นักคณิตศาสตร์ อาเบอิเกล ธอมป์สัน เผยแพร่การวิจารณ์ที่เฉียบคมใน Notices of the American Mathematical Society, โต้แย้งว่าทฤษฎีพื้นฐานนั้นเป็นเรื่องเล็กน้อยและถูกติดป้ายผิดและการจำลองถูกตีความเกินจริง; ผู้ปกป้องรวมถึงเพจเองตอบว่าผลลัพธ์นั้นถืออยู่ภายใต้เงื่อนไขที่ระบุ — ปัญหาที่ยาก, ตัวแทนที่มีความสามารถ, กลุ่มขนาดใหญ่ — และไม่เคยเป็นการอ้างว่า กลุ่มที่หลากหลายใด ๆ ชนะทีมผู้เชี่ยวชาญใด ๆ การอภิปราย, และสิ่งที่ยังคงอยู่, ถูกตรวจสอบในชิ้นส่วนของเราเกี่ยวกับ ความหลากหลายกับความสามารถ และคู่มือของเราเกี่ยวกับ ความหลากหลายทางปัญญา.

กลไกการกำหนดราคาของฮาเยคได้รับการทดลองควบคุมในยุคนี้เช่นกัน ตลาดอิเล็กทรอนิกส์ไอโอวา, ตลาดวิจัยที่มีเงินจริงที่ก่อตั้งขึ้นที่มหาวิทยาลัยไอโอวาในปี 1988, สะสมประวัติศาสตร์เพียงพอสำหรับการเปรียบเทียบที่ชัดเจน: เบิร์ก, เนลสัน, และรีตซ์ (International Journal of Forecasting, 2008) เปรียบเทียบราคาตลาดกับ 964 โพลระดับชาติ ในการเลือกตั้งประธานาธิบดีสหรัฐในปี 1988–2004 และพบว่าตลาดใกล้เคียงกับผลลัพธ์สุดท้าย 74% ของเวลา โดยมีขอบเขตที่แข็งแกร่งที่สุดที่ขอบเขตที่เกิน 100 วัน กฎการให้คะแนนตลาดลอการิธึมของโรบิน แฮนสัน (2003) แก้ปัญหาตลาดบางอย่างในทางคณิตศาสตร์, ทำให้แม้แต่กลุ่มเล็ก ๆ สามารถดำเนินการตลาดการคาดการณ์ภายในได้

การตัดสินของผู้เชี่ยวชาญ, ในทางตรงกันข้าม, ได้รับความเสียหาย ฟิลิป เททล็อค Expert Political Judgment (2005) รายงานการศึกษาประมาณสองทศวรรษของผู้เชี่ยวชาญ 284 คนและการตัดสินความน่าจะเป็นประมาณ 28,000 ครั้ง; ผู้เชี่ยวชาญเฉลี่ยแทบจะทำได้ดีกว่าการคาดการณ์ง่าย ๆ — ผลลัพธ์ที่อยู่เบื้องหลังการ์ตูน “ลิงที่โยนลูกดart” ที่มีชื่อเสียง แต่การทำงานติดตามของเททล็อคในทัวร์นาเมนต์การคาดการณ์ IARPA (2011–2015) พบว่าครึ่งหนึ่งที่สร้างสรรค์ของเรื่องราว: กลุ่มเล็ก ๆ ของ “superforecasters,” ที่โดดเด่นไม่ใช่ด้วยคุณวุฒิ แต่ด้วยการคิดเชิงความน่าจะเป็นและการปรับปรุงความเชื่ออย่างไม่หยุดยั้ง, รายงานว่าทำได้ดีกว่าผู้วิเคราะห์ข่าวกรองที่เข้าถึงข้อมูลที่เป็นความลับ ทักษะการคาดการณ์และการปรับเทียบสมควร — และจะได้รับ — การรักษาอย่างลึกซึ้งในซีรีส์ในอนาคต

แลนด์มาร์คของยุคนี้เกิดขึ้นในปี 2006 เมื่อโธมัส มาลโลน ก่อตั้ง MIT Center for Collective Intelligence รอบคำถามที่ดูเหมือนจะง่าย: ผู้คนและคอมพิวเตอร์สามารถเชื่อมต่อกันได้อย่างไรเพื่อให้พวกเขาทำงานร่วมกันอย่างชาญฉลาดกว่าที่บุคคล, กลุ่ม, หรือคอมพิวเตอร์ใด ๆ เคยทำมาก่อน? ผลลัพธ์เบื้องต้นได้แมพพื้นที่การออกแบบ — Collective Intelligence Genome (Malone, Laubacher, และ Dellarocas, MIT Sloan Management Review, 2010) ได้จัดทำบล็อกการสร้างระบบ CI ตามสี่คำถาม: ใคร กำลังทำงาน (ฝูงชนหรืออันดับ), ทำไม (เงิน, ความรัก, หรือเกียรติ), อะไร (สร้างหรือกำหนด), และ อย่างไร (อย่างอิสระหรือขึ้นอยู่กับกันและกัน) ภายในปี 2015, คู่มือของมาลโลนและเบิร์นสไตน์ Handbook of Collective Intelligence (MIT Press) สามารถกำหนดวัตถุของสาขานี้ได้อย่างชัดเจน: “กลุ่มของบุคคลที่ทำงานร่วมกันในลักษณะที่ดูเหมือนมีสติปัญญา”

และในปี 2010, สาขานี้ได้รับการวัดที่น่าตื่นเต้นที่สุด อนิตา วิลเลียมส์ วูลลีย์, คริสโตเฟอร์ ชาบริส, อเล็กซ์ เพนท์แลนด์, นาดา ฮาชมี, และโธมัส มาลโลน (Science, 330: 686–688) ทดสอบ 699 คน ที่ทำงานในกลุ่มสองถึงห้าคนในชุดงานที่หลากหลาย ผลการทำงานของกลุ่มในงานต่าง ๆ มีความสัมพันธ์กันเพียงพอที่จะให้ปัจจัยทางสถิติเดียว — ปัจจัยปัญญารวม, c — อธิบายประมาณ 43% ของความแปรปรวน, อนาล็อกระดับกลุ่มของ g-factor ของ IQ ของบุคคล ความตกใจคือสิ่งที่คาดการณ์มัน ความเฉลี่ยและความฉลาดสูงสุดของสมาชิกมีความสัมพันธ์เพียงเล็กน้อยกับ c สิ่งที่มีความสัมพันธ์อย่างมาก: ความ ไวต่อสังคมเฉลี่ย ของกลุ่ม (วัดโดยการทดสอบการอ่านจิตในดวงตา), ความเท่าเทียมในการสลับการสนทนา, และสัดส่วนของผู้หญิงในกลุ่ม (ซึ่งส่วนใหญ่ได้รับการควบคุมโดยความไวต่อสังคม) ข้อมูลกล่าวว่า ความฉลาดของกลุ่มขึ้นอยู่กับว่า มันมีปฏิสัมพันธ์กันอย่างไร น้อยกว่าที่ใครอยู่ในนั้น

ประวัติศาสตร์เงา: เมื่อกลุ่มล้มเหลว

การวิ่งอยู่ใต้ไทม์ไลน์ที่มองโลกในแง่ดีทั้งหมดคือวรรณกรรมที่มืดกว่าอีกชุดหนึ่ง — การศึกษาว่ากลุ่มของบุคคลที่มีสติปัญญาและมีเจตนาดีผลิตความโง่เขลารวมกันอย่างไร มันมีความสำคัญที่นี่เพราะมันไม่ใช่หัวข้อแยกต่างหาก: โหมดความล้มเหลวที่บันทึกไว้ทุกอย่างคือการละเมิดเงื่อนไขที่เรื่องราวความสำเร็จขึ้นอยู่

สาขาจิตวิทยามาก่อน อาร์วิง จานิส Victims of Groupthink (1972) วิเคราะห์ว่าที่ปรึกษาที่มีความสามารถพิเศษของประธานาธิบดีเคนเนดีพูดคุยกันอย่างไรในการรุกรานเบย์ออฟพิกส์ในปี 1961 จานิสได้จัดทำรายการอาการแปดประการในสามกลุ่ม — การประเมินกลุ่มสูงเกินไป (ภาพลวงตาของความไม่สามารถทำลาย, ความเชื่อในศีลธรรมที่มีอยู่), การปิดกั้นความคิด (การให้เหตุผลร่วมกัน, มุมมองที่มีแบบแผนของผู้ที่อยู่นอกกลุ่ม), และแรงกดดันต่อความเป็นเอกภาพ (การเซ็นเซอร์ตนเอง, ภาพลวงตาของความเป็นเอกฉันท์, แรงกดดันโดยตรงต่อผู้ที่ไม่เห็นด้วย, และ “ผู้คุ้มกันจิตใจ” ที่แต่งตั้งตนเองซึ่งกรองข้อมูลที่น่ารำคาญ) สองปีต่อมา, “Abilene Paradox” ของเจอร์รี ฮาร์วีย์ (Organizational Dynamics, 1974) อธิบายญาติที่แปลกประหลาด: กลุ่มที่เห็นพ้องกันในแนวทางที่ ไม่มีสมาชิกคนใดต้องการ, เพราะทุกคนเข้าใจความเงียบของกันและกันว่าเป็นความชอบ ทั้งสองเป็นความล้มเหลวของการป้อนข้อมูลเดียวกัน: การตัดสินอย่างซื่อสัตย์และเป็นอิสระไม่เคยเข้าสู่สระ

สาขาเศรษฐศาสตร์มาถึงในปี 1992 และมันน่าตกใจมากกว่าเพราะมันไม่ต้องการจิตวิทยาเลย ซูชิล บิคชานดานี, เดวิด เฮิร์ชไลเฟอร์, และอิโว เวลช์ (“ทฤษฎีของแฟชั่น, แฟชั่น, ขนบธรรมเนียม, และการเปลี่ยนแปลงทางวัฒนธรรมในฐานะการล้มเหลวของข้อมูล,” Journal of Political Economy, 100: 992–1026) และ, โดยอิสระ, อภิชิต แบนเนอร์จี (“โมเดลง่าย ๆ ของพฤติกรรมฝูง,” Quarterly Journal of Economics, 1992) แสดงให้เห็นว่าตัวแทนที่มีเหตุผลอย่างสมบูรณ์ที่ตัดสินใจตามลำดับจะ, หลังจากการสังเกตเพียงไม่กี่ครั้ง, ละเลยข้อมูลส่วนตัวของตนเองอย่างมีเหตุผลและเลียนแบบผู้ที่มาก่อน ผลลัพธ์ การล้มเหลวของข้อมูล เป็นเรื่องที่มีเหตุผลในระดับบุคคลและเปราะบางในระดับกลุ่ม — มันแทบไม่รวมความรู้ที่กระจายอยู่ของกลุ่มเลย, และมันสามารถล็อคประชากรทั้งหมดไว้ที่คำตอบที่ผิดที่กลุ่มผู้เคลื่อนไหวในช่วงต้นเลือกไว้ Lisa Anderson และ Charles Holt ทำซ้ำการล้มเหลวตามความต้องการในห้องปฏิบัติการ (American Economic Review, 1997) กลไกนี้ส่องสว่างทุกอย่างตั้งแต่ฟองสบู่สินทรัพย์ไปจนถึงข้อมูลที่ผิดพลาด: การวิเคราะห์ของ Vosoughi, Roy, และ Aral เกี่ยวกับการล้มเหลวของเรื่องราวประมาณ 126,000 เรื่องใน Twitter (Science, 2018) พบว่าข่าวปลอมแพร่กระจายได้ไกลกว่า, เร็วกว่า, และลึกกว่าความจริง, โดยมีข่าวปลอมมีโอกาสถูกรีทวีตประมาณ 70% มากกว่า เรื่องราวความล้มเหลวทั้งหมด — ตั้งแต่ฟองสบู่ทิวลิปไปจนถึงปี 2008 — อยู่ใน เมื่อฝูงชนผิดพลาด.

สังเกตสิ่งที่ทั้งสองสาขาแชร์ การคิดกลุ่มทำลายความเป็นอิสระทางสังคม; การล้มเหลวของข้อมูลทำลายมันในเชิงข้อมูล ไม่ว่าอย่างไร ฝูงจะหยุดเป็นการตัดสินใจหลายอย่างและกลายเป็นการตัดสินใจเดียวที่สวมหน้ากากหลายหน้า — เงื่อนไขที่แน่นอนที่ทฤษฎีของคองดอร์เซต์พลิกกลับจากการรับประกันความฉลาดเป็นการรับประกันความผิดพลาดที่มั่นใจ ประวัติศาสตร์เงาคือเหตุผลที่ปีกปฏิบัติของสาขานี้กลายเป็นสิ่งที่หมกมุ่นอยู่กับ กระบวนการ: รวบรวมการตัดสินใจก่อนที่จะเปิดเผยผู้คนต่อมุมมองของกันและกัน, ปกป้องการไม่เห็นด้วยในเชิงโครงสร้าง, และทำให้การรวมกลุ่มชัดเจน

2015–2023: ทศวรรษแห่งการอภิปราย — การทำซ้ำ, การวิจารณ์, และการตอบกลับ

การวัดใด ๆ ที่น่าประหลาดใจเช่นนี้จะต้องถูกโจมตี และการโจมตีก็มาถึงในปี 2017 มาร์คัส เครดิต และการ์เร็ตต์ ฮาวด์สัน (Journal of Applied Psychology) ได้วิเคราะห์ตัวอย่างหกตัวอย่างใหม่และโต้แย้งว่าการสนับสนุนเชิงประจักษ์สำหรับ c-factor ทั่วไปนั้นอ่อนแอ — ว่าประสิทธิภาพของกลุ่มอาจถูกอธิบายได้ดีกว่าด้วยความสามารถเฉพาะงานมากกว่าด้วยปัจจัยพื้นฐานหนึ่งปัจจัย วูลลีย์, คิม, และมาลโลนตอบในปี 2018, โต้แย้งว่ากระบวนการให้คะแนนของการวิจารณ์นั้นไม่ตรงกับงานที่กลุ่มทำจริง นี่คือสิ่งที่สาขาที่มีสุขภาพดีดูเหมือน: การต่อสู้ถูกดำเนินการในข้อมูลและการวิเคราะห์ใหม่ ไม่ใช่การแถลงข่าว

สิ่งที่ใกล้เคียงที่สุดกับคำตัดสินมาถึงในปี 2021 Riedl, Kim, Gupta, Malone, และ Woolley เผยแพร่การวิเคราะห์เมตาใน PNAS ที่ครอบคลุม 22 การศึกษาและ 1,356 กลุ่ม — นักเรียน, ทหาร, คนทำงานออนไลน์, เกมเมอร์ — และพบหลักฐานที่สอดคล้องกันสำหรับปัจจัยปัญญารวมในกลุ่มทั้งหมด, โดยมีขั้นตอนการทำงานร่วมกันของกลุ่มและความไวทางสังคมของสมาชิกเป็นหนึ่งในปัจจัยที่สำคัญที่สุด โครงสร้างของการสร้างและเงื่อนไขขอบเขตยังคงถูกอภิปราย, ตามที่ควรจะเป็น; แต่ “ปัญญาของกลุ่มสามารถวัดได้และไม่สามารถลดลงได้เป็น IQ ของสมาชิก” ตอนนี้ rests บนฐานหลักฐานที่ใหญ่กว่ามากกว่ากระดาษปี 2010 ดั้งเดิม

สองผลการค้นหาที่เสริมกันได้ปิดท้ายทศวรรษ มาลโลน Superminds (2018) ได้จัดหาการจำแนกประเภทของจิตใจรวมที่อารยธรรมดำเนินการอยู่แล้ว — ลำดับชั้น, ประชาธิปไตย, ตลาด, ชุมชน, และระบบนิเวศ — แต่ละอย่างเป็นคำตอบที่แตกต่างกันสำหรับคำถามการรวมกลุ่ม, แต่ละอย่างมีจุดแข็งและโหมดความล้มเหลวที่เป็นเอกลักษณ์ Google’s Project Aristotle (2012–2015), การศึกษาภายในของทีม 180 ทีม, พบว่า ความปลอดภัยทางจิตใจ — ความเชื่อร่วมกันว่าทีมปลอดภัยสำหรับการเสี่ยงทางระหว่างบุคคล — เป็นตัวทำนายที่แข็งแกร่งที่สุดของประสิทธิภาพของทีม, ข้างหน้าการจัดองค์ประกอบและอาวุโส ความเท่าเทียมในการสลับการสนทนาของวูลลีย์และความปลอดภัยทางจิตใจของ Google เป็นการวัดสองอย่างของความจริงพื้นฐานเดียวกัน: ข้อจำกัดของปัญญาของกลุ่มคือข้อมูลที่สมาชิกถืออยู่จริง ๆ เข้าสู่กลุ่ม พลศาสตร์ของกลุ่ม — ความปลอดภัย, การพิจารณา, และพยาธิวิทยาของพวกเขาเช่นการคิดกลุ่ม — เป็นกลุ่มของพวกเขาเอง, และเราจะจัดการกับโหมดความล้มเหลวของพวกเขาใน เมื่อฝูงชนผิดพลาด.

2024–2026: ซูเปอร์มinds มนุษย์-AI — แนวหน้าปัจจุบัน

ยุคปัจจุบันเริ่มต้นเมื่อโมเดลภาษาขนาดใหญ่เข้าร่วมกลุ่ม เบอร์ตันและผู้เขียนร่วม 27 คนจากหลากหลายสาขาได้ทำแผนที่ความเสี่ยงใน “โมเดลภาษาขนาดใหญ่สามารถเปลี่ยนแปลงปัญญาร่วมได้อย่างไร” (Nature Human Behaviour, 8: 1643–1655, 2024): LLMs สามารถลดอุปสรรคในการเข้าร่วม สรุปการอภิปรายที่กว้างขวาง และรวมความรู้ที่กระจัดกระจายในระดับที่ไม่เคยมีมาก่อน — และพวกเขายังสามารถ ทำให้มุมมองเป็นเอกภาพ สร้างฉันทามติเท็จ และทำให้ความหลากหลายของระบบนิเวศข้อมูลที่ปัญญาของฝูงชนพึ่งพาลดลง ทุกเงื่อนไขในรายการของซูโรวิคกี้ถูกเสริมสร้างและถูกคุกคามโดยเทคโนโลยีเดียวกัน.

คำถามเกี่ยวกับความร่วมมือ — คำถามของเอนเกลบาร์ตในปี 1962 — ในที่สุดก็ได้รับการวิเคราะห์เชิงลึก มิเชล วัคคาโร อับดุลลาห์ อัลมาทูค และโธมัส มาลอน ได้วิเคราะห์ 106 การทดลองและ 370 ขนาดผลกระทบ (“เมื่อการรวมกันของมนุษย์และ AI มีประโยชน์,” Nature Human Behaviour, 8: 2293–2303, 2024) และพบว่าโดยเฉลี่ย การรวมกันของมนุษย์และ AI ทำงาน แย่กว่า ที่ดีที่สุดของมนุษย์หรือ AI เพียงอย่างเดียว การสูญเสียมุ่งเน้นไปที่ งานการตัดสินใจ; ผลกำไรที่แท้จริงปรากฏใน งานสร้างเนื้อหา. การใส่ “มนุษย์ในวงจร” ไม่ได้ปรับปรุงผลลัพธ์ — บ่อยครั้งที่มนุษย์ทำให้การตัดสินใจของเครื่องจักรที่ดีกว่าถูกละเลย หรือยอมให้การตัดสินใจที่แย่กว่า ความร่วมมือเป็นความสำเร็จในการออกแบบ ไม่ใช่ค่าเริ่มต้น วิทยาศาสตร์ที่เกิดขึ้นของระบบมนุษย์-AI — อคติจากการทำงานอัตโนมัติ การปรับความเชื่อมั่น เมื่อใดควรให้ฝ่ายใดฝ่ายหนึ่งตัดสินใจ — เป็นอีกหนึ่งบทในอนาคตของซีรีส์นี้.

วาระการออกแบบนั้นตอนนี้เป็นโปรแกรมที่ชัดเจนของ MIT Center for Collective Intelligence ซึ่งการวิจัยของพวกเขาถูกจัดระเบียบในปี 2026 ภายใต้สามหมวก: Generative AI และ Collective Intelligence (AI เพื่อเสริมสร้างความคิดสร้างสรรค์ของมนุษย์), Supermind Design (การออกแบบการรวมกันที่สร้างสรรค์ของผู้คนและคอมพิวเตอร์), และ การออกแบบทีมมนุษย์-AI (การออกแบบและจัดสรรงานในทีมมนุษย์-เครื่องจักร — ดำเนินการร่วมกับโปรแกรม Singapore-MIT M3S ในฐานะวิทยาศาสตร์ระบบของการจัดสรรงาน: งานย่อยใดไปที่ผู้คนเทียบกับ AI ใครเป็นผู้ดูแล และ AI ทำหน้าที่เป็นเครื่องมือ ผู้ช่วย เพื่อน หรือผู้จัดการ). โครงการเรือธงก่อนหน้านี้ — Climate CoLab และแพลตฟอร์ม CoLabs, CI Design Lab, โปรแกรม Measuring Collective Intelligence — ตอนนี้เป็นงานมรดกอย่างเป็นทางการ ดูดซึมเข้าไปในคำถามในยุค AI เหล่านี้.

ผลลัพธ์ที่เป็นรูปธรรมแสดงให้เห็นว่า “ความร่วมมือที่ออกแบบ” มีลักษณะอย่างไร Supermind Ideator เครื่องมือการสร้างแนวคิดที่ใช้ LLM ซึ่งช่วยผู้ใช้ผ่านการเคลื่อนไหวในการแก้ปัญหาที่สร้างสรรค์อย่างมีโครงสร้าง ผลิตแนวคิดที่สร้างสรรค์มากขึ้นอย่างมีนัยสำคัญในการศึกษาทดลองมากกว่า ChatGPT เพียงอย่างเดียวหรือผู้ที่ทำงานโดยไม่มีความช่วยเหลือ (ACM Collective Intelligence Conference 2024; Collective Intelligence, 2024); ผู้ทดสอบเบต้าได้สร้างแนวคิดมากกว่า 10,000 แนวคิดด้วยเครื่องมือนี้ และเครื่องมือพี่น้อง DesignAID ใช้แนวทางนี้ในการทำงานออกแบบ การช่วยเหลือจะดำเนินการตามหกการเคลื่อนไหวของ Supermind Design — Zoom Out, Zoom In, Analogize, Groupify, Cognify, Technify — รายการตรวจสอบสำหรับการจินตนาการใหม่ว่าใคร (หรืออะไร) ทำแต่ละส่วนของงาน บทเรียนสะท้อนการวิเคราะห์เชิงลึกของวัคคาโรอย่างแม่นยำ: คุณค่าไม่ได้อยู่ที่โมเดล แต่เป็นโครงสร้างที่ห่อหุ้มรอบมัน ในด้านการวัด AGI-Elo (ซันและเพื่อนร่วมงาน NeurIPS 2025; arXiv 2505.12844) — โดยมีผู้เขียนร่วมที่เกี่ยวข้องกับ CCI รวมถึงมาลอน — ให้คะแนนโมเดล AI และกรณีทดสอบแต่ละกรณีเทียบกันเหมือนนักเล่นหมากรุก ดังนั้นความยากของงานและความสามารถของโมเดลจึงอยู่ในมาตราส่วนที่เปรียบเทียบได้: เป็นข้อกำหนดเบื้องต้นสำหรับการตัดสินใจว่าส่วนใดของงานจะมอบให้กับเครื่องจักร.

ผลลัพธ์อีกสองรายการในปี 2026 สเก็ตช์ทิศทางที่นี่กำลังมุ่งหน้าไป เอกสาร PNAS เรื่อง “การพัฒนา AI ในการเจรจา: การแข่งขันการเจรจาอัตโนมัติขนาดใหญ่” รายงานการแข่งขันระดับนานาชาติที่ตัวแทน AI ที่ออกแบบโดยผู้เข้าร่วมได้ทำการเจรจามากกว่า 180,000 ครั้ง กับกันและกัน ทฤษฎีการเจรจาของมนุษย์ยังคงอยู่แม้จะมีการเปลี่ยนแปลงสายพันธุ์: ตัวแทนที่แสดงถึง ความอบอุ่น — ความคิดบวก ความกตัญญู การตั้งคำถาม — มักจะบรรลุผลลัพธ์ที่ดีกว่าในข้อตกลงและมูลค่า ในขณะที่การแลกเปลี่ยนที่มีรสชาติของการครอบงำคาดการณ์ถึงการติดขัด; ตัวแทนยังพัฒนากลยุทธ์ที่เป็นพื้นฐานของ AI ตั้งแต่การใช้เหตุผลแบบลำดับความคิดไปจนถึงการพยายามฉีดคำสั่ง และออนโทโลยีเชิงลึกของงาน (Cai และเพื่อนร่วมงาน, arXiv 2603.20619, มีนาคม 2026) ได้จัดระเบียบกิจกรรมการทำงาน O*NET ประมาณ 20,000 รายการและทำแผนที่ 13,275 แอปพลิเคชัน AI รวมถึงการนับทั่วโลกของระบบหุ่นยนต์ 20.8 ล้านระบบ — พบว่ามูลค่าตลาด AI มีความเข้มข้นอย่างมาก โดยกิจกรรม 1.6% แรกคิดเป็นมากกว่า 60% ของมัน จิตใจที่ยอดเยี่ยมของมนุษย์และเครื่องจักรไม่ใช่เพียงแค่คำอุปมาอีกต่อไป; พวกเขาคือฐานที่ติดตั้งซึ่งกำลังถูกสำรวจ.

สิ่งที่ 240 ปีสอนเรา

วางยุคต่าง ๆ ข้างกันและเส้นทางเดียวที่ปรากฏขึ้น: ความสำเร็จทุกอย่างในประวัติศาสตร์นี้คือความสำเร็จของโครงสร้าง และความล้มเหลวทุกอย่างคือความล้มเหลวของเงื่อนไขเดียวกันไม่กี่ข้อ ทฤษฎีของคอนดอร์เซต์อิงจากความเป็นอิสระและความสามารถที่ดีกว่าการสุ่ม การประเมินที่ยุติธรรมของกัลตันเกิดขึ้นเพื่อบังคับการตัดสินที่เป็นอิสระ มีแรงจูงใจ และเขียนลงไป ราคาของฮาเยคและผู้สร้างตลาดของแฮนสันเป็นกลไกการรวมกลุ่ม; เดลฟีเป็นกลไกการปกป้องความเป็นอิสระ; สี่เงื่อนไขของซูโรวีคกี้คือข้อกำหนดที่เกิดขึ้นซ้ำ ๆ ที่ถูกตั้งชื่อไว้ วรรณกรรม c-factor พบว่ากระบวนการมีปฏิสัมพันธ์ — การผลัดกันพูด ความไวต่อสังคม ความปลอดภัยในการพูด — กำหนดว่ากลุ่มสามารถใช้ปัญญาที่มีอยู่ได้หรือไม่ และการวิเคราะห์เมตาของยุค AI พบว่าทีมมนุษย์-AI ชนะเมื่อการทำงานร่วมกันถูกออกแบบมาอย่างตั้งใจ เมื่อเงื่อนไขแตก — เมื่อการตัดสินหยุดเป็นอิสระและผู้คนเริ่มเลียนแบบพฤติกรรมที่มองเห็นได้ของผู้อื่น — คุณจะได้ การลื่นไหลของข้อมูล ฟองสบู่ และการคิดแบบกลุ่ม: มีเหตุผลในระดับบุคคล แต่ผิดในระดับกลุ่ม

นี่ก็เป็นแผนที่ของที่ตั้งของปัญญาร่วมในชีวิตของการตัดสินใจ การตัดสินใจที่ดีหมายถึงการให้ความสนใจกับปัญหาที่ถูกต้อง การกำหนดกรอบมัน การสร้างตัวเลือก การตรวจสอบพวกเขา การรวมกลุ่ม การตัดสินที่กระจัดกระจาย การอภิปราย เหตุผล และเพียงแค่เลือก ดำเนินการ และติดตาม โปรแกรมวิจัย 240 ปีนี้เกี่ยวกับขั้นตอนกลางเหล่านี้ — การรวมกลุ่มและการอภิปราย — เพราะนั่นคือที่ความรู้ของแต่ละบุคคลกลายเป็นความรู้ร่วมกันหรือถูกทำให้เงียบ.

Argumentree ถูกสร้างขึ้นเป็นการประยุกต์ใช้โดยตรงจากการค้นพบเหล่านี้ การส่งข้อโต้แย้งที่เป็นอิสระและไม่ซิงโครไนซ์ช่วยปกป้องเงื่อนไขความเป็นอิสระของคอนดอร์เซต์และเดลฟีก่อนที่กลุ่มจะรวมตัวกัน ต้นไม้ข้อโต้แย้งที่มีโครงสร้างให้มุมมองทุกมุม — รวมถึงการไม่เห็นด้วย — มีสถานที่ระดับหนึ่งที่มีคุณภาพ เงื่อนไขที่ความเท่าเทียมในการผลัดกันพูดของวูลลีย์และความปลอดภัยทางจิตวิทยาของกูเกิลชี้ไปที่ การให้คะแนนหลายมิติ (ความช่วยเหลือ ความชัดเจน ความถูกต้อง ความสมบูรณ์) ที่รวมกันเป็นคะแนนฉันทามติ เป็นกลไกการรวมกลุ่มที่ชัดเจนในสายเลือดของกัลตัน-ฮาเยค — ยกเว้นว่าแตกต่างจากราคาตลาด มัน รักษาการให้เหตุผล. และเส้นทางการตรวจสอบทั้งหมดทำให้การตัดสินใจแต่ละครั้งกลายเป็นบันทึกขององค์กร ดังนั้นกลุ่มจึงสามารถเรียนรู้จากตัวเอง — ขั้นตอนการติดตามที่วงจรชีวิตสิ้นสุดด้วย การดึงข้อมูล AI จากบันทึกการประชุมตามบทเรียนระหว่างปี 2024–2026: ใช้ AI ในที่ที่มันช่วยได้อย่างชัดเจน (การจัดโครงสร้างและการประมวลผลเนื้อหา) ในขณะที่มนุษย์ยังคงรักษาการตัดสินใจ คำตัดสินของประวัติศาสตร์สอดคล้องกันตั้งแต่ปี 1785 ถึง 2026: กลุ่มไม่ฉลาดโดยบังเอิญ พวกเขาได้รับความฉลาดจากโครงสร้าง — และโครงสร้างตอนนี้เป็นสิ่งที่คุณสามารถนำไปใช้แทนที่จะต้องประดิษฐ์ เริ่มต้นด้วยคู่มือของเราเกี่ยวกับ ปัญญาร่วม, หรือดูว่าหลักการทำงานภายในกระบวนการตัดสินใจจริงใน การตัดสินใจร่วมกัน.