ปัญญารวมคืออะไร? ปัญญารวมคือความสามารถของกลุ่มบุคคล — มนุษย์, เครื่องจักร, หรือทั้งสองอย่าง — ในการทำงานร่วมกันในวิธีที่ดูเหมือนชาญฉลาด สร้างการตัดสินใจ, การตัดสินใจ, และทางออกที่สามารถทำได้ดีกว่าสิ่งที่สมาชิกใด ๆ สามารถทำได้เพียงลำพัง
ปัญญารวม ตามที่กำหนดโดย Thomas Malone และ Michael Bernstein ใน Handbook of Collective Intelligence (MIT Press, 2015) คือ 'กลุ่มบุคคลที่ทำงานร่วมกันในวิธีที่ดูเหมือนชาญฉลาด' สาขานี้ครอบคลุมตั้งแต่ทฤษฎีการลงคะแนนของ Condorcet (1785) และการทดลองชั่งน้ำหนักวัวของ Francis Galton ในปี 1906 ไปจนถึงวิทยาศาสตร์ในห้องปฏิบัติการสมัยใหม่: Anita Williams Woolley และเพื่อนร่วมงาน (Science, 2010) พบหลักฐานสำหรับปัจจัยปัญญารวมทั่วไป — c factor — ที่อธิบายประมาณ 43% ของความแปรปรวนในประสิทธิภาพของกลุ่มในงานต่าง ๆ และสัมพันธ์มากขึ้นกับความไวทางสังคม, ความเท่าเทียมในการพูดคุย, และสัดส่วนของผู้หญิงในกลุ่มมากกว่ากับ IQ ของสมาชิก ปัจจัย c ได้รับการถกเถียง (Credé และ Howardson, 2017) และได้รับการสนับสนุนจากการวิเคราะห์เมตาของการศึกษา 22 ชิ้นและกลุ่ม 1,356 กลุ่ม (Riedl et al., PNAS, 2021) พันธุศาสตร์ปัญญารวม (Malone, Laubacher และ Dellarocas, 2010) แผนที่องค์ประกอบของกลุ่มที่ชาญฉลาดตาม Who, Why, What, และ How การวิจัยปัจจุบันของ MIT Center for Collective Intelligence (2026) มุ่งเน้นไปที่ AI ที่สร้างสรรค์และปัญญารวม, การออกแบบ Supermind, และการออกแบบทีมมนุษย์-AI; การวิเคราะห์เมตาในปี 2024 (Vaccaro, Almaatouq และ Malone, Nature Human Behaviour) พบว่าการรวมกันของมนุษย์-AI ไม่ได้ทำให้ดีกว่าที่ดีที่สุดของแต่ละคนโดยอัตโนมัติ — ความร่วมมือที่แท้จริงต้องการการออกแบบการจัดสรรงานและการมีปฏิสัมพันธ์อย่างตั้งใจ ระบบ CCI ปัจจุบันรวมถึง Supermind Ideator ซึ่งห่อหุ้มโมเดลภาษาขนาดใหญ่ในโครงสร้างการแก้ปัญหาที่สร้างสรรค์ และการแข่งขัน PNAS ในปี 2026 ที่ศึกษาการเจรจา AI-to-AI อัตโนมัติมากกว่า 180,000 ครั้ง ภายในวงจรการตัดสินใจ — Attend, Frame, Generate, Investigate, Aggregate, Deliberate, Allocate, Choose, Implement, Monitor — การวิจัยปัญญารวมมุ่งเน้นไปที่ขั้นตอนการรวมและการพิจารณา: วิธีที่กลุ่มรวมความรู้ที่กระจายและเหตุผลร่วมกัน Argumentree ใช้ประโยชน์จากการค้นพบเหล่านี้ผ่านการส่งข้อโต้แย้งแบบอิสระที่ไม่ซิงโครนัส, โครงสร้างการมีส่วนร่วมที่เท่าเทียม, การให้คะแนนหลายมิติที่รวมกันเป็นคะแนนฉันทามติ, และเส้นทางการตรวจสอบเต็มรูปแบบของการให้เหตุผลของกลุ่ม
ปัญญารวมคืออะไร?
ปัญญารวม คือความสามารถของกลุ่ม — มนุษย์, เครื่องจักร, หรือทั้งสองอย่าง — ในการทำงานในวิธีที่ดูเหมือนชาญฉลาด มันไม่ใช่คำอุปมา: การวิจัยได้วัดมัน, ถกเถียงมัน, และแสดงให้เห็นวิธีการออกแบบเพื่อให้เป็นเช่นนั้น คู่มือนี้ครอบคลุมวิทยาศาสตร์ตั้งแต่ Condorcet (1785) ถึงการวิจัยทีมมนุษย์-AI ของ MIT (2026)
อัปเดตล่าสุด: 2026-07-18
TL;DR
กลุ่มสามารถมีความชาญฉลาดที่วัดได้ Woolley et al. (Science, 2010) พบ ปัจจัยปัญญารวม (c) ที่คาดการณ์ประสิทธิภาพของกลุ่มในงานต่าง ๆ — ขับเคลื่อนน้อยกว่าด้วย IQ ของสมาชิกมากกว่าด้วย ความไวทางสังคม, การพูดคุยที่เท่าเทียม, และกระบวนการ การค้นพบนี้ถูกถกเถียง (Credé & Howardson, 2017) แต่ได้รับการสนับสนุนจากการวิเคราะห์เมตา 1,356 กลุ่ม (Riedl et al., PNAS, 2021) ขอบเขตสมัยใหม่คือ ปัญญารวมมนุษย์-AI: การวิเคราะห์เมตาของ MIT ในปี 2024 แสดงให้เห็นว่าการเพิ่มมนุษย์เข้าไปในวงจรไม่ได้ ทำให้ ระบบ AI ดีขึ้นโดยอัตโนมัติ — ความร่วมมือขึ้นอยู่กับการจัดสรรงานและการออกแบบกระบวนการ Argumentree สร้างขึ้นจากบทเรียนนี้: โครงสร้างการให้เหตุผล, รวมการตัดสินใจ, ให้มนุษย์เป็นผู้ตัดสินใจ
การกำหนดปัญญารวม
การกำหนดทางวิชาการมาตรฐานมาจาก Handbook of Collective Intelligence ของ Thomas Malone และ Michael Bernstein (MIT Press, 2015): ปัญญารวมคือ "กลุ่มบุคคลที่ทำงานร่วมกันในวิธีที่ดูเหมือนชาญฉลาด" การกำหนดนี้มีความกว้างตั้งใจ มันครอบคลุมการตั้งค่าตลาดที่ตั้งราคา, ชุมชน Wikipedia ที่เขียนสารานุกรม, คณะลูกขุนที่ชั่งน้ำหนักหลักฐาน, รังมดที่หาทางที่สั้นที่สุดไปยังอาหาร — และ, เพิ่มขึ้น, ทีมผสมของผู้คนและระบบ AI
ปัญญารวมกว้างกว่าความ ปัญญาของฝูงชน ซึ่งเกี่ยวข้องกับการรวมสถิติของการตัดสินใจ อิสระ หลาย ๆ รายการ ปัญญารวมยังรวมถึงความร่วมมือและการพิจารณาที่แท้จริง — กลุ่มที่มีปฏิสัมพันธ์, โต้แย้ง, และสร้างจากการให้เหตุผลของกันและกัน มันแตกต่างจาก ปัญญาฝูง ซึ่งการประสานงานเกิดจากกฎท้องถิ่นที่ง่ายโดยไม่มีการพิจารณา และมันเชื่อมโยงกับกลไกที่ศึกษาในสาขาที่อยู่ใกล้เคียง: ระบบการลงคะแนนรวมความชอบ, ตลาดการคาดการณ์รวมความเชื่อเชิงความน่าจะเป็น, และการพิจารณาที่มีโครงสร้างรวมเหตุผล — สามคำตอบที่แตกต่างกันสำหรับคำถามเดียวกันเกี่ยวกับวิธีการเปลี่ยนความคิดหลาย ๆ อย่างให้เป็นการตัดสินใจเดียว
ภายในวงจรการตัดสินใจ — Attend, Frame, Generate, Investigate, Aggregate, Deliberate, Allocate, Choose, Implement, Monitor — การวิจัยปัญญารวมมุ่งเน้นไปที่ขั้นตอนการรวมและการพิจารณา: วิธีที่ความรู้ที่กระจายถูกนำมารวมกัน, และวิธีที่กลุ่มให้เหตุผลร่วมกันโดยไม่มีพยาธิสภาพของ การล่มสลายของข้อมูล และการคิดกลุ่ม
ประวัติย่อของการวิจัยปัญญารวม
สาขานี้มีรากฐานมาจากคณิตศาสตร์, สถิติ, เศรษฐศาสตร์, ชีววิทยา, และวิทยาการคอมพิวเตอร์ สายการเชื่อมโยง: ภายใต้เงื่อนไขที่เหมาะสม, กลุ่มทำได้ดีกว่าสมาชิกของพวกเขา — และเงื่อนไขเหล่านั้นสามารถออกแบบได้
มาร์คีสเดอคอนดอร์เซตพิสูจน์ว่าหากผู้มีสิทธิเลือกตั้งแต่ละคนดีกว่าการสุ่มเพียงเล็กน้อยและลงคะแนนเสียงอย่างอิสระ ความน่าจะเป็นที่เสียงข้างมากจะถูกต้องจะเข้าใกล้ความแน่นอนเมื่อกลุ่มขยายใหญ่ขึ้น — ผลลัพธ์ทางคณิตศาสตร์ที่ก่อตั้งขึ้นของปัญญารวมกลุ่ม.
ฟรานซิสเกลตันวิเคราะห์การคาดเดา 787 ครั้งเกี่ยวกับน้ำหนักที่แต่งตัวของวัวในงานแฟร์ชนบทปี 1906 การคาดเดากลาง (1,207 ปอนด์) อยู่ภายใน 1% ของน้ำหนักที่แท้จริง (1,198 ปอนด์) — ดีกว่าผู้เชี่ยวชาญด้านปศุสัตว์ ตีพิมพ์ใน Nature.
ฟรีดริชฮาเยคใน "การใช้ความรู้ในสังคม" (American Economic Review) โต้แย้งว่าตลาดสะสมความรู้ที่กระจายอยู่ในท้องถิ่นผ่านราคา — ฐานทฤษฎีสำหรับตลาดการคาดการณ์.
เจมส์ซูโรวีคกี้กำหนดสี่เงื่อนไขสำหรับปัญญาของฝูงชน (ความหลากหลาย, ความเป็นอิสระ, การกระจายอำนาจ, การรวมกลุ่ม) ในปีเดียวกัน ฮองและเพจเผยแพร่โมเดล "ความหลากหลายชนะความสามารถ" ที่มีการโต้แย้งใน PNAS.
วูลลีย์, ชาบริส, เพนท์แลนด์, ฮาชมี, และมาลอน (Science) พบหลักฐานสำหรับปัจจัยปัญญารวมทั่วไปใน 699 คนที่ทำงานในกลุ่มเล็ก ๆ — อนาล็อกระดับกลุ่มของ IQ ของแต่ละบุคคล.
มาลอน, ลอเบเชอร์, และเดลลารอคัส (MIT Sloan Management Review) จัดทำรายการองค์ประกอบพื้นฐาน — "ยีน" — ของระบบปัญญารวมตามสี่คำถาม: ใคร, ทำไม, อะไร, และอย่างไร.
คู่มือของมาลอนและเบิร์นสไตน์จาก MIT Press รวบรวมสาขานี้และคำนิยามมาตรฐาน: กลุ่มของบุคคลที่ทำงานร่วมกันในลักษณะที่ดูเหมือนจะมีปัญญา.
ซูเปอร์มายด์ของโธมัสมาลอนอธิบายประเภทของปัญญารวมที่ยั่งยืนห้าประเภท — ลำดับชั้น, ประชาธิปไตย, ตลาด, ชุมชน, และระบบนิเวศ — และถามว่าคอมพิวเตอร์สามารถทำให้แต่ละประเภทฉลาดขึ้นได้อย่างไร.
รีเดล, คิม, กุปตา, มาลอน, และวูลลีย์ (PNAS) วิเคราะห์การศึกษา 22 รายการที่มี 1,356 กลุ่มและพบหลักฐานสำหรับปัจจัยปัญญารวมในกลุ่มนักเรียน, ทหาร, เกมเมอร์, และประชากรคนทำงานออนไลน์.
การวิเคราะห์เมตาของวัคคาโร, อัลมาทูค, และมาลอนจากการทดลอง 106 รายการ (Nature Human Behaviour) พบว่าการรวมกันของมนุษย์และ AI โดยเฉลี่ยทำผลงานได้แย่กว่าที่ดีที่สุดของมนุษย์หรือ AI เพียงอย่างเดียว — ความร่วมมือจะต้องถูกออกแบบ ไม่ใช่สมมติ.
เบอร์ตันและผู้เขียนร่วม 27 คน (Nature Human Behaviour) แผนที่ว่ารูปแบบภาษาขนาดใหญ่สามารถเสริมสร้างปัญญารวมได้อย่างไร — และพวกเขาเสี่ยงที่จะทำให้มุมมองเป็นเอกภาพและสร้างฉันทามติที่ผิด.
ศูนย์ปัญญารวมของ MIT ดำเนินการภายใต้สามหมวก: AI สร้างสรรค์และปัญญารวม, การออกแบบซูเปอร์มายด์, และการออกแบบทีมมนุษย์-AI — รวมถึงการศึกษา PNAS ของการเจรจา AI-to-AI มากกว่า 180,000 ครั้ง.
ปัจจัย c: กลุ่มสามารถมี IQ ได้หรือไม่?
ในปี 2010, Anita Williams Woolley และเพื่อนร่วมงานตั้งคำถามง่าย ๆ ที่มีจิตวิทยาของบุคคลอยู่เบื้องหลัง: เช่นเดียวกับที่ปัจจัยทั่วไป (g) คาดการณ์ประสิทธิภาพของบุคคลในงานทางปัญญาหลาย ๆ งาน, มีปัจจัยทั่วไปสำหรับ กลุ่ม หรือไม่? พวกเขาทดสอบผู้คน 699 คนที่ทำงานในกลุ่มสองถึงห้าคนในงานที่หลากหลาย (Science, 330, 686–688) คำตอบคือใช่: ปัจจัยทางสถิติเดียว — c — อธิบายประมาณ 43% ของความแปรปรวนในประสิทธิภาพของกลุ่มในงานต่าง ๆ
อะไรที่คาดการณ์ c ของกลุ่ม — และอะไรที่ไม่
IQ ของสมาชิกแทบไม่มีความสำคัญ
ทั้งความเฉลี่ยและความฉลาดสูงสุดของสมาชิกกลุ่มมีความสัมพันธ์เพียงเล็กน้อยกับ c การจ้างคนที่ฉลาดที่สุดไม่ได้ทำให้กลุ่มฉลาดขึ้นโดยลำพัง.
ความไวต่อสังคมมีความสำคัญ
คะแนนเฉลี่ยของกลุ่มในการทดสอบการอ่านจิตใจในดวงตา — ความสามารถในการอนุมานสถานะทางจิตจากสัญญาณทางใบหน้า — เป็นตัวทำนายที่สำคัญของ c (r = 0.26).
การผลัดกันพูดอย่างเท่าเทียมมีความสำคัญ
กลุ่มที่สมาชิกมีส่วนร่วมในการสนทนาอย่างเท่าเทียมกันมี c สูงกว่า; ความแปรปรวนในการพูดมีความสัมพันธ์เชิงลบกับ c (r = −0.41). กลุ่มที่มีเสียงหนึ่งหรือสองเสียงโดดเด่นมีปัญญารวมที่ต่ำกว่า.
ผลกระทบจากองค์ประกอบ
ในการศึกษาในปี 2010 กลุ่มที่มีสัดส่วนของผู้หญิงสูงกว่ามีคะแนน c สูงกว่า (r = 0.23) — ผลกระทบที่ผู้เขียนเชื่อมโยงทางสถิติกับความไวต่อสังคมเฉลี่ยที่สูงกว่าของผู้หญิง, กล่าวคือเกี่ยวกับกระบวนการ ไม่ใช่ประชากรโดยตรง.
ปัจจัย c เป็นจริงหรือไม่? การถกเถียงการทำซ้ำ
เช่นเดียวกับการค้นพบที่มีอิทธิพลมากที่สุดในจิตวิทยา, c ได้รับการทดสอบความเครียด — และผู้อ่านสมควรได้รับสถานะที่ซื่อสัตย์ของหลักฐาน:
การวิจารณ์ (2017)
Credé และ Howardson (Journal of Applied Psychology) วิเคราะห์ซ้ำหกตัวอย่างและโต้แย้งว่าหลักฐานเชิงประจักษ์สำหรับปัจจัยกลุ่มทั่วไปเดียวอ่อนแอ — ว่าประสิทธิภาพของกลุ่มอาจถูกอธิบายได้ดีกว่าด้วยความสามารถเฉพาะงานมากกว่าหนึ่ง c.
การตอบกลับ (2018)
วูลลีย์, คิม, และมาลอนตอบว่าการวิจารณ์นั้นอิงจากกระบวนการให้คะแนนและสมมติฐานการจำลองที่ไม่ตรงกับงานที่กลุ่มทำจริง.
การวิเคราะห์เมตา (2021)
รีเดล, คิม, กุปตา, มาลอน, และวูลลีย์ (PNAS) รวบรวมการศึกษา 22 รายการที่ครอบคลุม 1,356 กลุ่ม — นักเรียน, ทหาร, คนทำงานออนไลน์, เกมเมอร์ — และพบหลักฐานสำหรับปัจจัย c ในกลุ่มทั้งหมด โดยมีการประมวลผลความร่วมมือและความไวทางสังคมของสมาชิกเป็นตัวทำนายที่แข็งแกร่งที่สุด.
สรุป: การวิเคราะห์เมตาขนาดใหญ่สนับสนุนการมีอยู่ของปัจจัยปัญญารวมที่วัดได้, ขณะที่โครงสร้างและความทั่วไปที่แน่นอนยังคงถูกถกเถียงอย่างต่อเนื่อง สิ่งที่ ไม่ ถูกถกเถียงคือบทเรียนที่ปฏิบัติได้: กระบวนการกลุ่ม — ใครที่ได้ยิน, วิธีการรวมการตัดสินใจ — คาดการณ์ประสิทธิภาพของกลุ่มได้ดีกว่าความฉลาดของสมาชิก
ฝูงชนเชิงสถิติ vs. เชิงโต้ตอบ
มีปัญญารวมสองประเภทจริง ๆ และพวกเขาทำงานด้วยเชื้อเพลิงที่แตกต่างกัน:
ฝูงชนทางสถิติ
การประมาณการอิสระหลายรายการที่รวมกันอย่างกลไก — การเฉลี่ย, การลงคะแนน, ราคาตลาด นี่คือการทดลองที่ยุติธรรมของเกลตันและตลาดการคาดการณ์ทุกแห่ง ความสำเร็จขึ้นอยู่กับความเป็นอิสระและความหลากหลาย; การออกกำลังกายมักจะเป็นแบบครั้งเดียว.
ฝูงชนเชิงโต้ตอบ
ผู้คนมีอิทธิพลต่อกันเพื่อสร้างความเข้าใจร่วมกัน — การอภิปราย, การพิจารณา, การทำงานร่วมกัน นี่คือวิกิพีเดีย, ชุมชนวิทยาศาสตร์, ทีมออกแบบ ความสำเร็จขึ้นอยู่กับคุณภาพการสื่อสารและความปลอดภัยในการพูด; งานยังคงดำเนินต่อไป.
สองโหมดดึงในทิศทางตรงกันข้าม: ความเป็นอิสระช่วยฝูงชนเชิงสถิติแต่ทำให้ฝูงชนเชิงโต้ตอบขาดแคลน ทีมที่ไม่เคยพูดคุยสามารถรวมกันได้ดีแต่ไม่สร้างสิ่งใหม่; ทีมที่พูดคุยตลอดเวลาสามารถสร้างความเข้าใจร่วมกันในขณะที่ทำลายความเป็นอิสระที่การตัดสินใจของพวกเขาต้องการอย่างเงียบ ๆ
การพิจารณาที่มีโครงสร้างเป็นความพยายามที่จะได้ทั้งสองอย่าง ใน Argumentree, การมีส่วนร่วมและการให้คะแนนถูกส่งอย่างอิสระ — โหมดเชิงสถิติ — ขณะที่ต้นไม้ข้อโต้แย้งที่พวกเขาลงจอดอยู่เป็นวัตถุที่ใช้ร่วมกันและพัฒนาอย่างต่อเนื่องที่กลุ่มพิจารณา — โหมดเชิงโต้ตอบ โครงสร้างจะตัดสินว่าเมื่อใดที่แต่ละโหมดใช้ได้, แทนที่จะปล่อยให้โหมดที่เสียงดังที่สุดชนะ
พันธุศาสตร์ปัญญารวม
หากปัญญารวมสามารถวัดได้, มันสามารถ ออกแบบ ได้หรือไม่? Malone, Laubacher, และ Dellarocas (MIT Sloan Management Review, 2010) ได้จัดทำรายการองค์ประกอบที่เกิดขึ้นซ้ำ ๆ — "ยีน" — ของระบบปัญญารวม, จัดระเบียบตามสี่คำถาม ระบบใด ๆ ตั้งแต่ Wikipedia ไปจนถึงกระบวนการกลยุทธ์ขององค์กร เป็นการรวมกันของยีนเหล่านี้:
ใครกำลังทำงานนี้?
ลำดับชั้นที่กำหนดมอบหมายงาน หรือฝูงชนเปิดที่เลือกเอง ฝูงชนมีขนาดและความหลากหลาย; ลำดับชั้นนำความรับผิดชอบและการประสานงาน.
ทำไมพวกเขาถึงทำมัน?
ยีนแห่งแรงจูงใจ: เงิน (การชำระเงิน, รางวัล), ความรัก (ความเพลิดเพลินในตัวเอง, ชุมชน), และเกียรติยศ (การยอมรับ, ชื่อเสียง) ระบบที่ยั่งยืนจะปรับแรงจูงใจให้สอดคล้องกับการมีส่วนร่วม.
กำลังทำอะไรอยู่?
สร้าง (สร้างสิ่งใหม่ — การออกแบบ, ไอเดีย, ข้อโต้แย้ง) หรือกำหนด (ประเมินและเลือกจากทางเลือก) กระบวนการจริงส่วนใหญ่จะเชื่อมโยงทั้งสอง.
ทำอย่างไร?
อย่างอิสระ (การมีส่วนร่วมถูกรวมกันโดยไม่มีการโต้ตอบ — การประกวด, การลงคะแนน, การเฉลี่ย) หรือขึ้นอยู่กับกัน (การทำงานร่วมกัน ซึ่งการมีส่วนร่วมจะสร้างขึ้นจากกันและกัน) ตัวเลือกนี้กำหนดโหมดความล้มเหลวที่คุณสืบทอด.
Superminds ห้าประเภท
ใน Superminds (2018), Malone อธิบายห้ารูปแบบที่ยั่งยืนของปัญญารวมที่สังคมมนุษย์ยังคงสร้างใหม่ — และโต้แย้งว่าคำถามที่แท้จริงเกี่ยวกับ AI ไม่ใช่ "มันจะมาแทนที่เราหรือไม่?" แต่ "มันทำให้แต่ละ Supermind ฉลาดขึ้นได้อย่างไร?":
ลำดับชั้น
การตัดสินใจที่มอบหมายขึ้นและลงในห่วงโซ่อำนาจ รวดเร็วและมีความรับผิดชอบ; เปราะบางต่อการขวดข้อมูลที่ด้านบน.
ประชาธิปไตย
การตัดสินใจโดยการลงคะแนน เสมอภาคและรวม; วิธีการที่คะแนนรวมความชอบเป็นวิทยาศาสตร์ที่ลึกซึ้งในตัวเอง (ทฤษฎีการเลือกสังคม).
ตลาด
การตัดสินใจผ่านราคาและการค้า เป็นผู้รวบรวมความเชื่อที่กระจายอย่างยอดเยี่ยม — กลไกเบื้องหลังตลาดการคาดการณ์.
ชุมชน
การตัดสินใจโดยบรรทัดฐาน, ชื่อเสียง, และฉันทามติที่ไม่เป็นทางการ สนับสนุนซอฟต์แวร์โอเพนซอร์สและวิกิพีเดีย; ช้าแต่มีความยืดหยุ่น.
ระบบนิเวศ
ไม่มีกลไกการตัดสินใจร่วมกันเลย — ผลลัพธ์เกิดจากอำนาจและการอยู่รอด เป็นค่าเริ่มต้นเมื่อไม่มีซูเปอร์มายด์อื่นที่ออกแบบ.
การออกแบบ Supermind: หกขั้นตอน
วิธีการออกแบบ Supermind ของ MIT CCI เปลี่ยนพันธุศาสตร์ให้เป็นการปฏิบัติในการแก้ปัญหาที่สร้างสรรค์ หก "ขั้นตอน" จะปรับกรอบปัญหาอย่างเป็นระบบเพื่อให้เกิดการออกแบบใหม่สำหรับกลุ่มของผู้คนและคอมพิวเตอร์:
ซูมออก
ถอยกลับไปยังระบบหรือวัตถุประสงค์ที่กว้างขึ้นที่ปัญหานั้นอยู่ภายใน.
ซูมเข้า
แยกปัญหาออกเป็นส่วนและกระบวนการที่สามารถออกแบบใหม่ได้.
เปรียบเทียบ
ถามว่าด้านอื่น ๆ — ธรรมชาติ, อุตสาหกรรมอื่น ๆ, ประวัติศาสตร์ — แก้ปัญหาที่มีโครงสร้างคล้ายกันอย่างไร.
กลุ่ม
ถามว่าซูเปอร์มายด์ที่แตกต่างกัน — ตลาด, ชุมชน, ประชาธิปไตย — จะจัดการงานที่ตอนนี้ดำเนินการโดยบุคคลหรือองค์กรอย่างไร.
คิด
ถามว่ากระบวนการทางปัญญาใด (การรับรู้, การจดจำ, การตัดสินใจ, การเรียนรู้) ที่โซลูชันต้องการ และใครหรืออะไรควรทำแต่ละอย่าง.
เทคโนโลยี
ถามว่าเทคโนโลยี — รวมถึง AI — สามารถทำงาน, เชื่อมต่อ, หรือเสริมกระบวนการเหล่านั้นได้อย่างไร.
ภายใน MIT's Center for Collective Intelligence (2026)
MIT's Center for Collective Intelligence (CCI) ก่อตั้งโดย Thomas Malone เป็นห้องปฏิบัติการหลักของสาขานี้ โครงการก่อนหน้านี้ของมัน — Climate CoLab, CI Design Lab, Measuring Collective Intelligence, Collective Prediction — ตอนนี้เป็นงานมรดกที่เสร็จสิ้นแล้ว ณ ปี 2026, การวิจัยของ CCI ถูกจัดระเบียบภายใต้สามประเด็นหลัก:
AI สร้างสรรค์และปัญญารวม
การใช้ AI เพื่อเสริมสร้างความคิดสร้างสรรค์ของมนุษย์ — รวมถึงเครื่องมือเช่น Supermind Ideator และ DesignAID ที่ช่วยในการสร้างไอเดียร่วมกันระหว่างมนุษย์และ AI.
การออกแบบซูเปอร์มายด์
การออกแบบการรวมกันที่สร้างสรรค์ของผู้คนและคอมพิวเตอร์ โดยอิงจากจีโนมและหกการเคลื่อนไหวในการออกแบบ.
การออกแบบทีมมนุษย์-AI
การออกแบบและจัดสรรงานในทีมมนุษย์-เครื่อง — คำถามที่สืบทอดมาจาก "มนุษย์กับเครื่อง" ด้วยโปรแกรม Singapore-MIT M3S, CCI กำลังสร้างวิทยาศาสตร์ที่เป็นระบบเกี่ยวกับการจัดสรรงาน: งานย่อยใดที่ไปยังผู้คนเทียบกับ AI, ใครควบคุมและตรวจสอบ, และ AI ทำหน้าที่เป็นเครื่องมือ, ผู้ช่วย, เพื่อน, หรือผู้จัดการ.
ผลการวิจัยที่สำคัญจากคลื่นการวิจัยปี 2024–2026
การสนับสนุนดีกว่ารูปแบบ LLM ดิบสำหรับการสร้างไอเดีย
Supermind Ideator ห่อหุ้มโมเดลภาษาขนาดใหญ่ในโครงสร้างการแก้ปัญหาที่สร้างสรรค์ (รวมถึงหกการเคลื่อนไหว) ในการศึกษาทดลอง ผู้ใช้สร้างไอเดียที่สร้างสรรค์มากกว่าผู้ที่ใช้ ChatGPT เพียงอย่างเดียวหรือทำงานโดยไม่มีความช่วยเหลือ; ผู้ทดสอบเบต้าได้สร้างไอเดียมากกว่า 10,000 รายการด้วยระบบนี้ (ACM Collective Intelligence Conference, 2024).
"มนุษย์ในวงจร" ไม่ได้ดีกว่าโดยอัตโนมัติ
การวิเคราะห์เมตาของวัคคาโร, อัลมาทูค, และมาลอนจากการทดลอง 106 รายการและขนาดผล 370 (Nature Human Behaviour, 2024) พบว่าการรวมกันของมนุษย์และ AI โดยเฉลี่ยทำผลงานได้แย่กว่าที่ดีที่สุดของมนุษย์หรือ AI เพียงอย่างเดียว — โดยมีการสูญเสียที่มุ่งเน้นในงานการตัดสินใจและการเพิ่มขึ้นในงานการสร้างเนื้อหา CCI ตอนนี้แยกความร่วมมือที่แข็งแกร่ง (การรวมกันดีกว่าทั้งมนุษย์เพียงอย่างเดียวและ AI เพียงอย่างเดียว) จากการเสริมที่อ่อนแอ (มันดีกว่ามนุษย์เพียงอย่างเดียวแต่ไม่ใช่ AI) — และพบว่าความร่วมมือที่แข็งแกร่งต้องการการจัดสรรงานที่ออกแบบอย่างตั้งใจ ไม่ใช่แค่การเพิ่มมนุษย์.
การเจรจา AI-to-AI 180,000 ครั้ง
การศึกษาของ PNAS ในปี 2026 จัดการแข่งขันระดับนานาชาติที่ตัวแทน AI ที่ได้รับการกระตุ้นทำการเจรจามากกว่า 180,000 ครั้งกับกันและกัน วิทยาศาสตร์การเจรจาของมนุษย์คลาสสิกยังคงอยู่: ความอบอุ่น — ความเป็นบวก, ความกตัญญู, การตั้งคำถาม — มีความสัมพันธ์อย่างต่อเนื่องกับการบรรลุข้อตกลงและการสร้างมูลค่า ในขณะที่กลยุทธ์การครอบงำคาดการณ์การหยุดชะงัก.
การทำแผนที่ว่า AI สามารถใช้ที่ไหนได้บ้าง
เอกสารการทำงานของ MIT ในปี 2026 (arXiv 2603.20619) ได้จัดระเบียบกิจกรรมการทำงานประมาณ 20,000 รายการจากฐานข้อมูล O*NET ของสหรัฐอเมริกาเข้าสู่องค์ประกอบเชิงลึกและจัดประเภท 13,275 การใช้งาน AI เทียบกับมัน — พบว่าสัดส่วน 1.6% สูงสุดของกิจกรรมคิดเป็นมากกว่า 60% ของมูลค่าตลาด AI เครื่องมือสำหรับการคิดอย่างเป็นระบบเกี่ยวกับการจัดสรรงานระหว่างมนุษย์และ AI.
การจัดอันดับ AI และงานในมาตราส่วนเดียวกัน
AGI-Elo (NeurIPS 2025, arXiv 2505.12844) จากนักวิจัยที่เกี่ยวข้องกับ CCI รวมถึงมาลอน จัดอันดับโมเดล AI และกรณีทดสอบแต่ละกรณีเทียบกันเหมือนนักหมากรุก — วางความสามารถของโมเดลและความยากของงานในมาตราส่วนที่เปรียบเทียบได้ ซึ่งเป็นข้อกำหนดเบื้องต้นสำหรับการจัดสรรงานที่มีหลักการในทีมมนุษย์-AI.
ปัญญารวมในยุค AI
โมเดลภาษาขนาดใหญ่กำลังกลายเป็นผู้เข้าร่วมในปัญญารวม, ไม่ใช่แค่เครื่องมือสำหรับมัน Burton และผู้เขียนร่วม 27 คนจากหลากหลายสาขา (Nature Human Behaviour, 2024) แผนที่ผลกระทบที่มีสองด้าน:
โอกาส
ลดอุปสรรคในการเข้าร่วม
LLMs สามารถแปล, สรุป, และร่าง — ทำให้ผู้คนมากขึ้นมีส่วนร่วมในกระบวนการรวมกลุ่มโดยไม่คำนึงถึงภาษา หรือทักษะการเขียน.
การรวมความรู้ที่กระจาย
LLMs สามารถสังเคราะห์ข้อความจำนวนมาก — บันทึกการประชุม, คำตอบจากการสำรวจที่เปิดกว้าง, การปรึกษาสาธารณะ — ที่เคยทำให้ผู้รวบรวมข้อมูลมนุษย์รู้สึกท่วมท้น.
การสนับสนุนการพิจารณา
AI สามารถนำเสนอข้อโต้แย้ง, จัดกลุ่มตำแหน่งที่คล้ายกัน, และจัดโครงสร้างการอภิปราย — เสริมขั้นตอนการพิจารณาแทนที่จะทดแทน.
ความเสี่ยง
การทำให้มุมมองเป็นเอกภาพ
หากผู้คนจำนวนมากปรึกษาโมเดลเดียวกัน ผลลัพธ์ของพวกเขาจะรวมกัน — ทำให้ความหลากหลายของมุมมองที่ปัญญารวมขึ้นอยู่กับลดน้อยลง.
ฉันทามติที่ผิด
ข้อความที่สร้างโดย AI ที่คล่องแคล่วสามารถสร้างภาพลักษณ์ของความเห็นพ้องหรือความคิดเห็นส่วนใหญ่ที่ไม่มีอยู่จริงในหมู่มนุษย์.
การหดตัวของระบบนิเวศข้อมูล
สภาพแวดล้อมข้อมูลที่ถูกกรองผ่านโมเดลไม่กี่ตัวมีความเสี่ยงต่อข้อผิดพลาดที่สัมพันธ์กันซึ่งทำให้ฝูงชนมีความฉลาดน้อยลงแทนที่จะฉลาด.
การออกแบบมีความหมายสะท้อนผลการค้นพบของ Vaccaro: AI ช่วยปรับปรุงปัญญารวมเมื่อได้รับมอบหมายให้ทำงานย่อยที่มันมีความสามารถอย่างชัดเจน — การถอดความ, การสกัด, การแปล, การสรุป — ขณะที่การตัดสิน, การประเมิน, และการตัดสินใจเองยังคงอยู่กับมนุษย์ที่รับผิดชอบ นี่คือแนวหน้าของระบบมนุษย์-AI (อคติจากการทำงานอัตโนมัติ, การปรับความเชื่อมั่น, การควบคุมของมนุษย์ที่มีความหมาย) ที่วิทยาศาสตร์การตัดสินใจกำลังทำแผนที่อยู่ในขณะนี้
Argumentree ใช้การวิจัยปัญญารวมอย่างไร
Argumentree เป็นแพลตฟอร์ม การตัดสินใจร่วมกัน ที่สร้างขึ้นโดยตรงจากผลการค้นพบเหล่านี้ ทุกการเลือกออกแบบเชื่อมโยงกับผลลัพธ์ในวรรณกรรม:
การมีส่วนร่วมที่เป็นอิสระและไม่ซิงโครนัส
ผู้เข้าร่วมเพิ่มข้อโต้แย้งในเวลาของตนเอง ก่อนที่กลุ่มจะรวมกัน — ปกป้องเงื่อนไขความเป็นอิสระและความหลากหลายที่การวิจัยการรวมกลุ่มแสดงให้เห็นว่าฝูงชนต้องการ.
ความเท่าเทียมกันของโครงสร้างในการเข้าร่วม
การวิจัยของวูลลีย์เชื่อมโยงปัญญารวมกับการผลัดกันพูดอย่างเท่าเทียม ในต้นไม้ข้อโต้แย้งไม่มีพื้นให้ถือ: ข้อโต้แย้งของผู้เข้าร่วมแต่ละคนเข้าสู่โครงสร้างเดียวกันและถูกชั่งน้ำหนักในลักษณะเดียวกัน.
การรวมกลุ่มโดยการจัดอันดับหลายมิติ
ข้อโต้แย้งถูกจัดอันดับตามความช่วยเหลือ, ความชัดเจน, ความถูกต้อง, และความสมบูรณ์ และการจัดอันดับรวมกันเป็นคะแนนฉันทามติ — กลไกการรวมที่ชัดเจน ดังนั้นการตัดสินใจร่วมกันจึงถูกวัดแทนที่จะถูกสมมติ.
การพิจารณาที่มีโครงสร้าง
ห่วงโซ่คำถาม 4 ขั้นตอน, ข้อตกลง, และการตรวจสอบช่วยให้ผู้เข้าร่วมสามารถตรวจสอบและปรับปรุงข้อโต้แย้ง — การทำงานร่วมกันที่ขึ้นอยู่กับกันในแง่ของจีโนม แต่ภายในโครงสร้างที่ทำให้การให้เหตุผลมองเห็นได้.
การจัดสรรงานระหว่างมนุษย์-AI ที่ทำได้อย่างถูกต้อง
การสกัด AI เปลี่ยนบันทึกการประชุมและเอกสารให้เป็นต้นไม้ข้อโต้แย้งร่าง — งานการประมวลผลเนื้อหาที่ AI ทำได้ดี — ในขณะที่การประเมินและการตัดสินใจยังคงอยู่กับผู้คน สอดคล้องกับหลักฐานความร่วมมือระหว่างมนุษย์และ AI ในปี 2024.
หน่วยความจำสำหรับซูเปอร์มายด์
เส้นทางการตรวจสอบทั้งหมด (ร่าง, เปิด, ปิดวงจรพร้อมการจัดทำเวอร์ชัน) รักษาการให้เหตุผลของกลุ่ม ดังนั้นองค์กรสามารถเรียนรู้จากปัญญารวมของตนเองแทนที่จะสูญเสียเมื่อการประชุมสิ้นสุด.
คำถามที่พบบ่อย
ปัญญารวมคืออะไร?
ปัญญารวมคือความสามารถของกลุ่ม — ของผู้คน, ของเครื่องจักร, หรือทั้งสองอย่าง — ในการทำงานร่วมกันในลักษณะที่ดูเหมือนจะมีปัญญา (มาลอน & เบิร์นสไตน์, คู่มือปัญญารวม, 2015). มันครอบคลุมปัญญาของฝูงชนทางสถิติ, การผลิตร่วมกันเช่นวิกิพีเดีย, ทีมที่พิจารณา, ตลาดที่รวมความเชื่อ, และทีมมนุษย์-AI สมัยใหม่.
ปัจจัย c ในปัญญารวมคืออะไร?
ปัจจัย c คือปัจจัยปัญญารวมทั่วไปที่ระบุโดยวูลลีย์และคณะ (Science, 2010): ปัจจัยทางสถิติเดียวที่อธิบายประมาณ 43% ของความแปรปรวนในประสิทธิภาพของกลุ่มในหลายงานที่แตกต่างกัน เปรียบได้กับปัจจัย g ของ IQ สำหรับบุคคล มันมีความสัมพันธ์กับความไวทางสังคมของกลุ่มและความเท่าเทียมกันในการผลัดกันพูดมากกว่าความฉลาดของสมาชิกแต่ละคน.
ปัจจัย c ได้ถูกทำซ้ำหรือไม่?
มันได้รับการสนับสนุนแต่มีการถกเถียง Credé และ Howardson (2017) โต้แย้งว่าหลักฐานสำหรับปัจจัยทั่วไปเดียวอ่อนแอ และวูลลีย์และเพื่อนร่วมงานได้เผยแพร่การตอบกลับอย่างละเอียดในปี 2018 การวิเคราะห์เมตาในปี 2021 โดยรีเดลและคณะ (PNAS) ที่ครอบคลุมการศึกษา 22 รายการและ 1,356 กลุ่มพบหลักฐานสำหรับปัจจัย c ในประชากรที่หลากหลาย ข้อสรุปที่เป็นประโยชน์ — กระบวนการกลุ่มทำนายประสิทธิภาพได้ดีกว่าความฉลาดของสมาชิก — มีความแข็งแกร่งในระหว่างการถกเถียง.
ความแตกต่างระหว่างปัญญารวมและปัญญาของฝูงชนคืออะไร?
ปัญญาของฝูงชนเป็นปรากฏการณ์ที่แคบกว่า: การตัดสินใจอิสระหลายรายการที่รวมกันทางสถิติรวมกันเป็นคำตอบที่ถูกต้อง (เช่นในการทดลองวัวของเกลตันในปี 1906). ปัญญารวมเป็นสาขาที่กว้างกว่า: มันรวมถึงปัญญาของฝูงชนแต่ยังรวมถึงความร่วมมือที่แท้จริง, การพิจารณา, ตลาด, ชุมชน, และทีมมนุษย์-AI — ระบบใด ๆ ที่กลุ่มทำงานอย่างชาญฉลาด.
ความแตกต่างระหว่างปัญญารวมและปัญญาฝูงคืออะไร?
ปัญญาฝูงคือการประสานงานที่เกิดจากตัวแทนที่เรียบง่ายหลายตัวที่ปฏิบัติตามกฎในท้องถิ่น — รังมด, ฝูงนก, ฝูงหุ่นยนต์ — โดยไม่มีการพิจารณาและไม่มีการให้เหตุผลที่ชัดเจน ปัญญารวมของมนุษย์เกี่ยวข้องกับการแลกเปลี่ยนและการประเมินเหตุผล พวกเขาแบ่งปันหลักการที่ลึกซึ้ง (การกระจายอำนาจ, ความรู้ในท้องถิ่น, การรวมกลุ่ม) ซึ่งเป็นเหตุผลว่าทำไมแพลตฟอร์มการตัดสินใจจึงยืมมาจากทั้งสอง.
ซูเปอร์มายด์คืออะไร?
ซูเปอร์มายด์ในหนังสือปี 2018 ของโธมัสมาลอนที่มีชื่อเดียวกันคือกลุ่มใด ๆ ของบุคคลที่ทำงานร่วมกันในลักษณะที่ดูเหมือนจะมีปัญญา มาลอนระบุประเภทที่เกิดขึ้นซ้ำ ๆ ห้าประเภท — ลำดับชั้น, ประชาธิปไตย, ตลาด, ชุมชน, และระบบนิเวศ — และโต้แย้งว่าคอมพิวเตอร์ทำให้ซูเปอร์มายด์ฉลาดขึ้นโดยหลัก ๆ โดยการเปิดใช้งานการรวมกันใหม่ของพวกเขา ไม่ใช่โดยการแทนที่พวกเขา.
MIT Center for Collective Intelligence คืออะไร?
MIT Center for Collective Intelligence (cci.mit.edu) ก่อตั้งที่ MIT Sloan และนำโดยโธมัสมาลอน ศึกษาว่ากลุ่มของผู้คน — และเพิ่มขึ้นเรื่อย ๆ ผู้คนบวกกับ AI — สามารถจัดระเบียบเพื่อทำงานอย่างชาญฉลาดกว่าบุคคลใด ๆ โครงการในยุคการระดมทุนก่อนหน้านี้ (Climate CoLab และ CoLabs, Measuring Collective Intelligence) ตอนนี้เป็นงานมรดก; ตั้งแต่ปี 2026 การวิจัยของมันถูกจัดระเบียบภายใต้สามหมวก: AI สร้างสรรค์และปัญญารวม, การออกแบบซูเปอร์มายด์, และการออกแบบทีมมนุษย์-AI โดยมีเครื่องมือเช่น Supermind Ideator และ DesignAID และด้วยโปรแกรม Singapore-MIT M3S วิทยาศาสตร์ที่เป็นระบบเกี่ยวกับการจัดสรรงานระหว่างมนุษย์และ AI.
การเพิ่มมนุษย์ในวงจรช่วยปรับปรุงการตัดสินใจของ AI หรือไม่?
ไม่โดยอัตโนมัติ การวิเคราะห์เมตาในปี 2024 ของการทดลอง 106 รายการ (วัคคาโร, อัลมาทูค & มาลอน, Nature Human Behaviour) พบว่าการรวมกันของมนุษย์และ AI โดยเฉลี่ยทำผลงานได้แย่กว่าที่ดีที่สุดของมนุษย์หรือ AI เพียงอย่างเดียว โดยมีการสูญเสียที่มุ่งเน้นในงานการตัดสินใจ การรวมกันช่วยได้มากที่สุดในงานการสร้างเนื้อหา ปัญญารวมระหว่างมนุษย์และ AI ที่มีประสิทธิภาพต้องการการจัดสรรงานย่อยอย่างตั้งใจให้กับฝ่ายที่ทำได้ดีที่สุด.
ทีมสามารถเพิ่มปัญญารวมของพวกเขาได้อย่างไร?
หลักฐานชี้ไปที่การออกแบบกระบวนการ: ทำให้การเข้าร่วมเท่าเทียมกัน (การป้อนข้อมูลที่มีโครงสร้างหรือไม่ซิงโครนัสแทนที่จะเป็นการอภิปรายเปิด), ปกป้องการตัดสินใจอิสระก่อนที่กลุ่มจะรวมกัน, สรรหาความหลากหลายทางปัญญาและความไวทางสังคม, ใช้กลไกการรวมที่ชัดเจนเช่นการจัดอันดับหรือการลงคะแนน, และเก็บบันทึกการให้เหตุผลเพื่อให้กลุ่มสามารถเรียนรู้ เครื่องมือเช่น Argumentree สร้างกลไกเหล่านี้โดยค่าเริ่มต้น.
เอกสารอ้างอิง & การอ่านเพิ่มเติม
คอนดอร์เซ, ม. เดอ (1785). Essai sur l'application de l'analyse à la probabilité des décisions rendues à la pluralité des voix.
ผลลัพธ์ทางคณิตศาสตร์ที่ก่อตั้ง: เสียงข้างมากของผู้มีสิทธิเลือกตั้งที่เป็นอิสระและดีกว่าการสุ่มรวมกันเป็นความจริง.
เกลตัน, ฟ. (1907). Vox Populi. Nature, 75, 450–451.
ผู้เข้าร่วม 787 คนคาดเดาน้ำหนักของวัว; ค่ากลางอยู่ภายใน 1% ของความจริง.
View source →ฮาเยค, ฟ. เอ. (1945). The Use of Knowledge in Society. American Economic Review, 35(4), 519–530.
ตลาดในฐานะผู้รวบรวมความรู้ที่กระจาย.
ซูโรวีคกี้, เจ. (2004). The Wisdom of Crowds. Doubleday.
สี่เงื่อนไข: ความหลากหลาย, ความเป็นอิสระ, การกระจายอำนาจ, การรวมกลุ่ม.
วูลลีย์, เอ. วี., ชาบริส, ซี. เอฟ., เพนท์แลนด์, เอ., ฮาชมี, เอ็น., & มาลอน, ที. วี. (2010). Evidence for a Collective Intelligence Factor in the Performance of Human Groups. Science, 330(6004), 686–688.
ปัจจัย c: 699 คน, กลุ่ม 2–5, ปัจจัยเดียวอธิบาย ~43% ของความแปรปรวนในประสิทธิภาพ.
มาลอน, ที. วี., ลอเบเชอร์, อาร์., & เดลลารอคัส, ซี. (2010). The Collective Intelligence Genome. MIT Sloan Management Review, 51(3), 21–31.
องค์ประกอบ Who/Why/What/How ของระบบปัญญารวม.
View source →มาลอน, ที. วี., & เบิร์นสไตน์, เอ็ม. เอส. (Eds.) (2015). Handbook of Collective Intelligence. MIT Press.
การอ้างอิงและคำนิยามมาตรฐานของสาขานี้.
Credé, ม., & Howardson, จี. (2017). The structure of group task performance — A second look at "collective intelligence." Journal of Applied Psychology, 102(10).
การวิจารณ์หลักของความเป็นทั่วไปของปัจจัย c.
มาลอน, ที. วี. (2018). Superminds. Little, Brown.
ประเภทซูเปอร์มายด์ห้าประเภทและวิธีที่คอมพิวเตอร์ทำให้พวกเขาฉลาดขึ้น.
รีเดล, ซี., คิม, ย. เจ., กุปตา, พี., มาลอน, ที. วี., & วูลลีย์, เอ. วี. (2021). Quantifying collective intelligence in human groups. PNAS, 118(21).
การวิเคราะห์เมตา: 22 การศึกษา, 1,356 กลุ่ม, หลักฐานสำหรับ c ในประชากร.
วัคคาโร, เอ็ม., อัลมาทูค, เอ., & มาลอน, ที. วี. (2024). When combinations of humans and AI are useful: A systematic review and meta-analysis. Nature Human Behaviour, 8, 2293–2303.
106 การทดลอง: การรวมกันของมนุษย์และ AI ไม่ได้ดีกว่าที่ดีที่สุดของทั้งสองฝ่าย.
View source →เบอร์ตัน, เจ. วี., et al. (2024). How large language models can reshape collective intelligence. Nature Human Behaviour, 8, 1643–1655.
28 ผู้เขียนเกี่ยวกับโอกาสและความเสี่ยงของ LLM สำหรับปัญญารวม.
View source →Advancing AI Negotiations: A Large-Scale Autonomous Negotiations Competition. PNAS (2026).
การเจรจา AI-agent มากกว่า 180,000 ครั้ง; ความอบอุ่นชนะแม้แต่ระหว่างเครื่อง.
View source →ไค, เอ., et al. (2026). Where can AI be used? Insights from a deep ontology of work activities. arXiv 2603.20619.
องค์ประกอบเชิงลึกของกิจกรรมการทำงานประมาณ 20,000 รายการสำหรับการคิดเกี่ยวกับการจัดสรรงานระหว่างมนุษย์และ AI.
View source →MIT Center for Collective Intelligence. Research (2026).
หมวกปัจจุบัน: AI สร้างสรรค์และ CI, การออกแบบซูเปอร์มายด์, การออกแบบทีมมนุษย์-AI.
View source →MIT Center for Collective Intelligence. วิธีการออกแบบซูเปอร์มายด์.
หกการเคลื่อนไหวในการออกแบบ: ซูมออก, ซูมเข้า, เปรียบเทียบ, กลุ่ม, คิด, เทคโนโลยี.
View source →ซัน, เอส., et al. (2025). AGI-Elo: How Far Are We From Mastering A Task? NeurIPS 2025.
การจัดอันดับแบบ Elo ร่วมของโมเดล AI และความยากของกรณีทดสอบ; ผู้เขียนร่วมที่เกี่ยวข้องกับ CCI รวมถึงมาลอน.
View source →แนวคิดที่เกี่ยวข้อง
เปลี่ยนทีมของคุณให้เป็นกลุ่มที่ฉลาดขึ้นอย่างวัดได้
ปัญญารวมเป็นปัญหาการออกแบบ: ทำให้การมีส่วนร่วมเท่าเทียมกัน, ปกป้องการตัดสินใจที่เป็นอิสระ, รวมกลุ่มอย่างชัดเจน, และเก็บการให้เหตุผล Argumentree สร้างกลไกเหล่านี้ในทุกการตัดสินใจ — โดยที่ AI ทำงานที่ยุ่งยากและผู้คนของคุณทำการตัดสินใจ
เริ่มทดลองใช้ฟรี