人多管用是有条件的（Crowds are wise only under conditions）
2026-08-16 · 适应与演化
同一群人，能把一头牛的重量猜到 0.75% 以内，也能整整齐齐地一起错两千年。中间隔的不是道德，也不是智商，是两三个可以写下来的参数。
「三个臭皮匠顶个诸葛亮」和「乌合之众」是两句互相打架的老话，麻烦的是它们各自都有一大堆例子撑腰。集市上一群人猜一头牛多重，中位数能压进真值的百分之一以内；同样这批人凑到一起抢盐、追涨、传谣，蠢得让人不忍细看。
常见的调和办法是「看情况」——有时候人聪明，有时候人蠢。这等于什么都没说。真实情况要具体得多：聪明和愚蠢是同一台机器在两组参数下的两种输出。机器只有一台，参数就那么两三个。参数对了，一屋子普通人比其中最聪明的那个还准；参数一变，同一屋子人会以极高的效率把一个错误固化下来——而且每个人都在做理性的事，没有一个人犯傻。
所以「该不该相信群体」这个问法从一开始就错了。该问的是：这一次，那两三个参数各是什么值。
1906 年，英国普利茅斯的一场家畜展上有个有奖竞猜：一头肥牛，宰杀去脏之后净重多少。参赛的既有屠夫和农民，也有纯凑热闹的路人，每人在卡片上写一个数。
Francis Galton 后来把这些卡片要了过来算了一遍，1907 年把结果发在《自然》上：787 张有效卡片，中位数 1207 磅，而牛的实际净重是 1198 磅。差 9 磅，0.75%。
这个故事被讲滥了，通常讲成「群众的眼睛是雪亮的」。但那是一句结论不是机制，而且它是错的——群众的眼睛一点都不雪亮，787 个人里绝大多数都错得很离谱。真正发生的事是：他们错的方向互相抵消了。
这句话可以写成一个精确的等式，不是比喻。设真值是 θ，第 i 个人给出的估计是 sᵢ，群体的答案取算术平均 s̄：
左边是群体这一个答案的平方误差；右边第一项是每个人各自平方误差的平均；第二项是这群人彼此之间的方差，也就是他们分歧有多大。三项之间是恒等式——随便找一组数字代进去都成立，不需要任何假设、不需要谁「足够独立」，纯代数。Scott Page 把它叫做多样性预测定理（diversity prediction theorem）。
这个等式有两个后果，都比「群众智慧」四个字硬得多。
第一，群体永远不会比平均个体差。因为减掉的那一项是方差，非负。所以「人一多就互相拖累」这件事，在「取平均」这条规则下根本不可能发生。注意它没说群体比最好的那个人强——那是完全另一回事，而且经常不成立。
第二，分歧本身是收益，不是成本。你想把群体误差压小，有两条路：让每个人更准（缩小第一项），或者让他们错得更不一样（放大第二项）。这两条路在式子里的地位完全对等。于是能推出一个反直觉的结果——往一群人里加一个水平低于平均、但错法完全不同的人，可以让整体变准。他自己那份误差进第一项，他和别人的分歧进第二项，后者可以更大。
决定要不要再拉一个人进来评估某件事时，别问「他懂不懂这个」，问「他会不会和屋里已有的人错在同一个地方」。这是可查的事实，不是印象：看他的训练背景、主要信息来源、以及过去几次判断失误的方向。三项都和现有的人重合，他就只增加成本不增加精度——分歧度那一项没动。要停掉的动作：按资历高低往评审名单里加人。资历相近的人往往是同一批书、同一批经历教出来的，那等于在系统性地压缩第二项。
🌀 工程与技术史 · 随机森林故意把每棵树弄笨 随机森林（random forest）在训练每棵决策树时，只准它在每次分裂处看随机抽出的一小部分特征。单看一棵，它明显不如一棵允许看全部特征的树。Breiman 2001 年给出的泛化误差上界把理由写死了：误差被 ρ̄(1−s²)/s² 压着，其中 s 是单棵树的强度、ρ̄ 是树与树之间的平均相关性——分子里那一项要的就是「不相关」。由此推出一个在人身上同样成立、但几乎没人这么干的结论：提高成员平均水平和提高整体准确率，是两个可以互相打架的目标；当成员之间已经高度相关时，正确的做法是给他们蒙上不同的眼睛，而不是给所有人补同一批资料。
EN Galton's 1907 ox-weighing data (787 cards, median 1207 lb vs. 1198 lb actual) is usually told as "crowds are wise." The mechanism is sharper and is an exact algebraic identity: crowd error = average individual error − prediction diversity. Two consequences follow: the crowd can never be worse than the average member, and disagreement is a benefit term, not noise — so adding a below-average but differently-wrong member can improve the group.
上面那个等式里藏了一个前提：它算的是「每个人各自给出 sᵢ」。如果第二个人是看着第一个人的答案写的，第二项——分歧度——会自己塌下去。
要命的是，这件事不需要谁盲从。理性的人也会这么干，而且非这么干不可。
1992 年，Bikhchandani、Hirshleifer 和 Welch 三人给出了这个过程最干净的模型，叫信息级联（information cascade）。它的实验室版本长这样：
桌上有两个罐子。A 罐里 2 红 1 蓝，B 罐里 2 蓝 1 红。主持人随机挑一个（各 50%），不告诉任何人挑的是哪个。参与者一个接一个上来，从罐里私下摸出一个球看一眼——这是他的私人信息——放回去，然后公开宣布他猜是哪个罐子。后面的人听得见前面所有人的宣布，但看不见他们摸到了什么。
这个模型有三个后果，条条能对上现实。
级联很容易起。只要头两个信号偶然一致，它就锁上了。起因可以纯粹是运气——罐子本来是 B，头两个人偏巧都摸到红球，全场就一路错到底。所以「这么多人都这么说，总有点道理吧」这句话，在有级联的地方一点道理都没有。
级联很脆。因为后面那九十八个人身上根本没有信息在支撑，只要有一条真正的新证据被公开，整条队伍可以当场翻面。看起来铁板一块的共识往往一推就倒——它的稳固和它的脆弱是同一件事的两面。
没有人做错。每个人都在做贝叶斯最优决策。这不是从众心理，不是懦弱，不是没主见。把这类现象诊断成「独立思考能力差」，等于把一个结构问题写成了品格问题——而品格改不动，结构能改。→ 信息级联模型
现实里最干净的一次测量，来自 Salganik、Dodds 和 Watts 2006 年发在《科学》上的音乐实验。他们建了一个下载站，放上 48 首来自无名乐队的歌，把 14341 名参与者随机分进 18 个互相看不见的平行「世界」：其中 16 个世界里你能看到每首歌被前面的人下载了多少次，另外 2 个世界里看不到，只能自己听完再决定。
结果有两条。第一条不奇怪：能看见下载数的世界里，不平等被放大了，赢家赢得更多。第二条才要命——那 16 个世界互相之间也对不上。同一首歌在这个世界排第 1，在那个世界排第 40。歌的质量不是完全没用（在无影响世界里最好的那几首很少垫底，最差的也很少爬到顶），但中间的名次基本是随机的，由最早几个人的偶然点击决定。
于是有一条能直接用的读法：把「热度」当成质量的代理量，你测到的其实是那几个早到者的口味被放大了多少倍。
任何要收集判断的场合，把实时计数关掉：投票前不公示当前票数，评审时不显示已提交的评分分布，讨论前不通报「多数人的意见是」。非要公示的时候，公示理由而不是计数——理由是新信息，计数不是。另一个能马上做的动作：评估一个共识有多强时，数的是互相独立的信息源有几个，不是持这个看法的人有几个。在有级联的地方，这两个数能差两个数量级。
🌀 西方科学哲学 · 引用数不是证据数 Greenberg 2009 年在《英国医学杂志》上把一条医学信念的整张引文网络拆开摊平：关于 β 淀粉样蛋白与包涵体肌炎关系的 242 篇论文、675 条引用。他发现「权威」是这么长出来的——反驳性的论文被系统性地少引，而大量本身不含任何数据的论文靠互相引用，把这个信念撑成了共识。这正是罐子实验的学术版本：每一篇后来的论文都在合理地引用前人，但从第三篇起就不再有新的观测进入。由此推出一条能直接上手的判据——「被引 500 次」和「被 500 组独立数据支持」是两个数量级不同的东西；要估一个说法的证据强度，得沿着引用一路往回走，数最后还剩几篇真的做过测量。
EN The identity in section 1 silently assumes each estimate is formed independently. Bikhchandani, Hirshleifer & Welch's information-cascade model shows that rational Bayesians stop contributing information after the first two or three actors: everyone downstream copies, no one is irrational, and the public pool stops growing. Salganik, Dodds & Watts's MusicLab experiment (14,341 participants, 48 songs, 18 parallel worlds) measured this directly — social influence raised both inequality and unpredictability, and the influence worlds disagreed wildly with one another.
前两节说的都是输入：人和人之间独不独立、错法一不一样。这一节说出口——这些判断最后是被怎么拧成一个答案的。
会议上、工程上、制度上，这一步几乎总是被当成手续：「那就投个票吧」「取个平均吧」。它不是手续。同一批意见，换一条聚合规则，答案能差一个数量级。
举个具体的。七个人估同一个项目还要几周，给出的数字是 2、3、3、4、4、26、30。
那么哪个答案对？这个问题本身问错了。正确的问法是：这批数字里的分歧长什么形状。它不是围着一个中心的抖动，是两个团块——五个人在 2 到 4 周，两个人在 26 到 30 周。这种形状说明屋里存在两套互不相容的世界观（大概率是：做过这件事的人知道中间有一道坎，没做过的人不知道），而任何一条把它们压成一个数的规则，都在销毁这条最重要的信息。
分歧的形状比分歧的大小值钱得多。单峰的分散是噪声，可以放心平均掉；双峰的分散是有人知道你不知道的事，平均掉它等于把唯一的预警扔进垃圾桶。
在收集判断之前把聚合规则写下来，并且和规则一起写下一条停止条件：分布出现双峰就不许聚合，先分别去问两个峰里的人同一句话——「你假设了什么，而别人可能没假设」。要停掉的动作：先看到数字、再挑一条能得出你想要的答案的规则。这是所有聚合环节里最常见也最难自查的作弊，因为每一步单看都很合理。
接下来是这一节真正硬的部分：有没有一种聚合规则，能一边保住独立性、一边不销毁分歧？有，而且不是人想出来的。
蜜蜂分家的时候要选新巢。几百只侦察蜂飞出去，找到候选地点的回来跳摇摆舞，舞蹈的时长大致正比于它对那个地点的评价——评价越高跳得越久，也就招来更多同伴去看。这一步是正反馈，和蚂蚁的信息素同构。→ 蚁群与去中心共识
但光有正反馈会出事：两个都不错的候选地各自吸引一批拥趸，谁也压不倒谁，蜂群僵在半路。对蜜蜂来说这等于死。
Seeley 等人 2012 年在《科学》上报告了缺的那个零件：交叉抑制（cross inhibition）。为 A 地跳舞的侦察蜂会用一种「停止信号」（头撞加一下短促振动）去打断为 B 地跳舞的蜂，反过来也一样。关键在于抑制是跨选项的——你不去加固自己人，你去压制对手的鼓吹者。有了这一条，两个势均力敌的选项不会僵住，一点微小的优势会被放大成压倒性的结果。
第二个零件是法定数（quorum）：侦察蜂不数全局票数，它数的是自己此刻站着的这个地点上有多少同伴。超过一个阈值（大致二三十只）就切换到「准备起飞」。Seeley 与 Visscher 2004 年做过一个漂亮的验证：人为延迟法定数的形成，起飞就相应推迟。
这两个零件合起来，做的事在数学上有个名字：序贯概率比检验（sequential probability ratio test，缩写 SPRT）——在给定错误率下，用最少的证据做出判断的那个最优检验。Marshall 等人 2009 年把蜂群与蚁群的这套机制和灵长类大脑里的证据累积过程放进同一个决策论框架比对，指出两者逼近的是同一个最优解。
要点在于：蜂群不投票、不表决、不取平均。它做的是累积证据 ＋ 跨选项抑制 ＋ 阈值触发。这三件事，在标准会议流程里一件对应物都没有。
设计群体决策流程之前，先分清你要的是估计一个量还是在几个选项里挑一个。估一个量，用第 1 节那套（独立收集、取中位数或平均）；挑一个选项，用蜂群那套：让每个选项的支持者去说服对方的支持者（跨选项，不是各自加固自己的论据），并且事先定一个绝对阈值——「支持 A 的独立论据攒到 N 条就定 A」，而不是「支持 A 的人比支持 B 的多就定 A」。相对多数会在两个都不错的选项之间僵住，绝对阈值不会。
🌀 文学与艺术 · 奥斯卡换了一次计票方式 美国电影艺术与科学学院从 2009 年那届起，把最佳影片的评选从简单多数改回偏好排序（preferential ballot）：选民排出名次，反复淘汰垫底者并把票转移给下一顺位。这条规则系统性地偏好「多数人都还挺喜欢」的片子，而不利于「一小撮人爱到极致、其余人反感」的片子——同一批评委，规则一换，赢家的类型跟着换。由此推出一条读奖项的方法：拿不同年份的获奖名单去谈「口味变了」「风向变了」之前，先查那年用的是哪套计票规则。很多被当成集体品味变迁的东西，其实是聚合规则的变迁。
EN Aggregation is not a formality. Seven estimates (2, 3, 3, 4, 4, 26, 30) yield 4, 8, 10.3 or 28 weeks depending on the rule — and the bimodal shape of the disagreement is the real signal, which every rule destroys. Honeybee swarms solve the option-choice version with three parts absent from ordinary meetings: evidence accumulation via waggle-dance duration, cross-inhibition via stop signals (Seeley et al., 2012), and an absolute quorum threshold (Seeley & Visscher, 2004). Marshall et al. (2009) show this approximates the sequential probability ratio test, the same optimum primate brains approach.
到这里为止的三条机制——误差抵消、独立性、聚合规则——听着已经可以合成一份操作手册了。它不能。下面五条是这套说法真正的边界，其中至少两条足以让它整个失效。
一、误差要能抵消，前提是没有共同的偏向。第 1 节那个等式永远成立，但它算的是「相对真值的平方误差」。如果所有人都朝同一个方向错——用了同一个锚、同一份数据、同一套培训——那么第一项里有一大块误差是共同的，而第二项（分歧度）抓不到它，因为大家在那个方向上并不分歧。极端情况：一屋子人全都相信同一个错的模型，分歧度可以是零，群体误差就精确等于那个共同的错误，人再多也一样。群体智慧压得住随机误差，压不住系统偏差。
二、个体准确率低于随机时，人越多事情越糟。孔多塞陪审团定理（Condorcet's jury theorem）通常只被引用一半。它说：若每个人独立地以概率 p 判断正确，则多数表决的正确率随人数上升——当 p > 1/2 时趋向 1。被略掉的下半句是：当 p < 1/2 时它趋向 0。也就是说，在一类你的团队系统性地不擅长的判断上，扩大规模不是稀释错误，是把错误加固到近乎确定。
🌀 医学史 · 放血 放血疗法在西方医学里持续了两千年，期间几乎从未遭遇职业内部的实质异议。这不是因为医生们蠢，是因为他们共享同一套体液学说——于是对「放血有没有用」这个判断，整个职业群体的 p 低于 1/2，而独立性接近零。孔多塞那被略掉的半句于是全额生效：从业者越多、共识越强，错误越牢。直到 1835 年，Pierre Charles Alexandre Louis 用他的「数值方法」统计肺炎病人放血与不放血的结局，才第一次从外部把这个共识撬开一道缝。由此推出一条今天同样有效的判据：专业共识的强度不能当证据强度用——共识既可能来自独立收敛，也可能来自共同的先验；能区分这两者的只有一个问题，即这些人的信息来源彼此独立到什么程度。
三、那个等式保证的东西，比宣传的少。「群体不比平均个体差」是恒等式，白送的；「群体比最好的个体强」不是，而且经常不成立。这两句话在通俗写作里常被混着用。另外那个等式只在平方误差下成立——换一个损失函数（比如你真正在乎的是「有没有超过某条红线」而不是「差了多少」），「减掉方差」这条性质就不一定还在。
四、「多样性胜过能力」这个定理受过严肃的技术批评。Hong 与 Page 2004 年在《美国科学院院刊》上给出一个结果，通俗版本被概括成「随机挑出的多样化团队能胜过挑选出来的高能力团队」。数学家 Abigail Thompson 2014 年在《美国数学会通讯》上逐条检查了这个定理，认为它在成立的条件下要么是平凡的，要么支撑不起那个流行的解读。这场争论至今没有干净的收场。能安全借走的是第 1 节那个恒等式（它是代数，不会错），借不走的是「所以多样性比能力更重要」这个排序。
五、蜜蜂那套能成立，靠的是利益完全一致。一个蜂群是一个繁殖单位，所有侦察蜂的目标函数是同一个，所以「跳久一点」这个信号可以被当成诚实的。人不是。只要参与者的收益取决于结果，任何聚合规则都会被反过来利用——投票会有策略性投票，评分会有互相抬轿，预测市场会有人为了对冲而下反向注。而这不是执行不力：吉巴德-萨特斯韦特定理（Gibbard–Satterthwaite theorem）证明了，在三个及以上选项、允许任意偏好排序的前提下，不存在一条既非独裁、又不可被策略性操纵的投票规则。所以「设计一条防作弊的聚合规则」这个任务在一般情形下无解，能做的只是把作弊变贵。
顺带说说预测市场。它常被当成聚合规则里的优等生，也确实有战绩：Berg、Nelson 与 Rietz 拿爱荷华电子市场（Iowa Electronic Markets，缩写 IEM）对 1988 至 2004 年五届美国总统大选的 964 次同期民调做过比对，市场价格更接近最终结果的比例约为 74%。它赢在两点——按信心加权（越确定下注越重）和为正确付钱（错了要赔）。但它一样吃上面第一条和第五条：所有交易者读同一批公开数据时，共同偏差照样过不去；此外它另有一个自己的老毛病，长期赔率偏差（对小概率事件的系统性高估）在几乎每个真实的下注市场里都能测到。
在用「人多」当理由之前，过一遍这张单子，四条全过才成立：① 个体准确率高于随机（p > 1/2）；② 判断是独立产生的（没看到别人的答案）；③ 错法互不相同（不共享同一个数据源、同一套培训）；④ 聚合规则事先定好，且和问题类型匹配（估量用平均，选项用阈值）。任一条不满足，就把「我们讨论过了、大家都同意」这句话从证据栏里划掉——它此刻携带的信息量，可能就等于第一个发言的人那一句。
EN Five boundaries. The identity cancels random error but never shared bias. Condorcet's theorem has a second half: with individual accuracy below 1/2, larger groups converge on being certainly wrong. "Never worse than the average member" is free algebra; "better than the best member" is not, and holds only under squared loss. Hong & Page's diversity-trumps-ability theorem drew a serious technical rebuttal from Abigail Thompson (2014). And bee-style aggregation rests on identical interests — with divergent payoffs, Gibbard–Satterthwaite rules out any non-dictatorial, strategy-proof aggregation at all.
招聘看「文化契合」、晋升看「像不像现在这批人」、开会追求「达成一致」——每一条单看都有合理性，合起来正好是在减少第二项。一个可能的解释是：分歧的收益落在群体的判断精度上，而分歧的成本落在具体某个人的协调工作量上。收益和成本记在不同的账上，于是谁付账谁说了算。如果这个解释对，那么修复的方向就不是宣传多样性的好处，而是把这两笔账并到一处——让为精度负责的人同时承担协调成本。
事前很容易（看有没有互相观察的通道），事后极难，因为两者留下的痕迹几乎一样：一大群人说同一句话。可能的抓手有三个——一是查时间顺序，级联的采纳曲线通常在早期有一段异常陡的跳跃；二是查理由的多样性，独立收敛的人给出的理由五花八门，级联的人给出的理由高度雷同甚至用词一致；三是查脆性，往里丢一条新证据看它塌不塌。第三个最可靠，但只能用一次。
它确实截断了第一轮的级联，但只截断了第一轮。第二轮讨论一开始，所有人就都看见了彼此的答案，后面的修正过程仍然是级联的。更麻烦的是它可能制造一种虚假的安全感——「我们做过独立预填了」，于是后面的环节反而更放松。一个更硬的版本或许是：把独立环节和聚合环节之间的那次公示做成不可逆的（写下来就不许改），代价是丢掉了讨论本该带来的真实修正。这里似乎存在一个无法两全的权衡，值得想清楚它到底是什么形状。
它的训练语料来自数以亿计的人，看上去像一次巨大的聚合。但按本期的框架，要问的是那些来源之间独立到什么程度——而互联网文本本身正是级联的产物（互相转载、互相引用、共享同一批源头）。更尖锐的一层是：当模型生成的文本反过来进入下一轮训练语料时，第 2 节那台机器就闭环了。这时「多数说法」和「独立证据」之间的距离会如何演变，是一个能测但还没被好好测的问题。
市场实际加权的是「下注额」，而下注额 ＝ 信心 × 可动用资金。对信息聚合来说，前者是想要的，后者是污染。常见的辩护是套利：如果价格偏离，有钱且知情的人会把它推回去。但这个辩护要求「知情」和「有钱」正相关，而这恰恰是需要证明的东西。play-money 市场（用虚拟货币）的表现在一些研究里并不比真钱市场差，这条经验证据往哪边倒，值得单独查一次。