#原文笔记

赞誉

斯科特·佩奇最想说的是一个特别高级的思维方法：个人的多样性认知。你会发现，如果不掌握高级的思维方法，所谓“聪明”，只不过是一种肤浅的能力。

从更长远的时空演化长河来看，多样性不仅仅是解决复杂优化问题的利器，更是系统科可持续发展的保障。面对未来不确定的、不可预测的风险和挑战，只有多样性才能孕育适应和创新的种子，保证系统长期稳健的生存和发展。

我们正在拥抱多样性，因为多样性不仅仅蕴藏着信息与秩序，还可以让组织和群体变得更有智慧。多则不同，世界因为多样性而复杂。

无论是解决个人层面的难题，还是团队层面的难题，认知多样性都显得尤为重要。

《[[多样性红利]]》测试题

我们将对事物进行“编码”的方式称为视角。正确的视角可以使问题变得更容易解决。

视角往往涉及很多维度，解释仅涉及某个视角下的几个维度，并忽略其他一些维度。

引语

从最早可追溯的宇宙演化到最新的文明成果，我们都能发现，同质向异质的转化就是进步所在。

前言 多样性如何优于能力

当面对一个棘手的问题时，多个问题解决者（多个计算机程序）如何竞争协作？

在模型中，多样性指的是问题解决者对问题进行编码和寻找解决方案之间的差异。

多样性并不是总能优于能力，但是它胜出的次数比所预期的要多得多。多样性拥有强大的力量，这不是一个全新的思想。进化生物学家把选择时的偶然性、多样性视为人类得以存在的原因。

我还考虑了多样性的第三个优点：它使涌现出专家的可能性大为增加。

本书的意义就在于，通过分析解决问题和做出预测的过程为社会科学做出贡献，

首先，在社会科学领域，大多数模型都基本上不对解决问题（例如，治疗某种疾病）、预测（例如，预估下一次选举的结果）和信息集结（例如，向多人打听以找到价格最低的杂货店）进行区分。

证明认知多样性如何提高预测市场绩效的逻辑，也同样可以证明身份多样性、经验多样性和职业多样性是如何提高一个团队的绩效的。

多样性是一群人的财产，就像一个装了许多种水果的篮子。多样性和能力是互补的：单个水果越好，水果篮就越好；其他水果越好，单个水果也越好。

作为个人，所能做到的就那么多，一个人的能力是有限的，脑袋里只有那么多神经元和轴突。但是作为群体，却没有这样的限制，我们拥有无与伦比的不同的思维能力。这些多样性是创新、进步和进一步理解的种子。

引言 解剖多样性

需要注意的是，寻求者所要求的并不是信息多样性，因为他们可以通过搜索引擎网站来解决信息多样性的问题。他们所需要的是解决问题方式的多样性

多样性不仅有助于解决问题，也可以帮助人们做出准确的预测

搞清楚多样性什么时候有益、为什么有益，就是本书的目的所在

而且，一旦燃起了灶火，就需要有一个单一的计划，但在制订这个计划时，则需要大量的厨师。

正如著名哲学家、作家艾茵·兰德（Ayn Rand）所指出的：“矛盾其实是不存在的。每当你认为面临矛盾时，请检查你的前提假设。你会发现前提假设中的某一个是错的。”

多样性框架
多样性视角（Diverse Perspectives）：对环境、条件和问题的不同表示方法
多样性启发式（Diverse Heuristics）：生成解决问题方案的不同方法
多样性解释（Diverse Interpretations）：对各种观点分类或区分的不同方法
多样性预测模型（Diverse Predictive Models）：推断因果关系的不同方法

第二个框架多样性启发式刻画的是人们用来解决问题的不同工具。

第三个框架多样性解释突出了人们对事件、结果和环境情况进行分类的不同类别。

正式来说，解释创建了从一组备选项（它们组成了特定的“分类表”）到解释对象的多对一映射。而非正式说法则是，解释会把很多事物都归并到一起。

第四个框架多样性预测模型刻画的是对象或事件之间的因果关系。

如果将视角、解释、启发式和预测模型结合起来，就创造出了一系列认知工具箱（cognitive toolboxes）。

在本书中，主要考虑以下两种类型的任务：解决问题（problem solving）和预测（prediction）。

如果希望“收获”多样性红利，就必须建立起上述问题的逻辑关联，了解多样性得以产生效益的条件。

首先，多样性优于同质性：拥有多样性视角和启发式的一群人能够优于依赖于同质视角和单一启发式的一群人。其次，在一定条件下，多样性优于能力：由智能问题解决者随机组成的集合优于由最好的单个问题解决者组成的同质集合。第二个结果的成立依赖于如下四个条件：问题困难条件、微积分条件、多样性条件、大群体规模条件。

偏好多样性与工具箱多样性是不一样的：偏好多样性有可能造成冲突，工具箱多样性不会造成冲突。

第一个结果是阿罗不可能定理，定理指出，在给定的条件下，众多个体偏好无法集结为一个群体偏好。第二个结果是由著名经济学家查尔斯·普洛特（Charles Plott）证明的，他指出，在多数票决规则下，任何一个可选提案，都可能被其他某个可选提案击败。

第一，多样性视角和工具使人们找到了更多、更好的解决方案，从而提高了整体生产力；第二，多样性预测模型使人们能够准确地预测价值；第三，多样性基本偏好给决策过程造成了障碍。

任何声称身份多样性创造群体利益的论断都需要两个环节：第一个环节将身份多样性与认知多样性联系起来，第二个环节则将不同的才能与相关的问题联系起来。

只有在面对合适任务的情况下，身份多样性才可能有助于得到更好的结果。

多样性既有益处，也有坏处。认知多样性能够促进创新，偏好多样性则会引发争议。

群体动力学可能会产生大量非常严重的问题。人们喜欢与自己喜欢的人在一起，而且倾向于以刻板印象评价他人

如果管理得当，身份多样性也可以创造效益。前提条件是，身份多样性必须与认知多样性相关联，且对于任务的完成的确重要。

如何利用多样性来产生更好的结果

第1部分 多样性认知工具箱

毫无疑问，需要整个社会的共同努力，才能提供我们所追寻的那种对称。斑驳的车轮，必须飞快地转动，才能在我们眼前呈现为白色。

生命就像一列情绪列车，每一节车厢就像一粒情绪之珠，或喜、或怒、或哀、或乐。而当我们穿行而过时，它们又分明变成了一连串色彩斑斓的透视镜，用各自的色彩将世界描绘得分外光怪陆离，同时每一个镜片所显示的又只不过是它焦点上的那一丁点儿东西。站在山上往四周看，你看见的还是山。我们让自己所能做的事变得鲜活，我们只能看到这些变得鲜活的事情。无论是大自然，还是书籍，都只属于那些能看到它们的眼睛。一个人能不能发现夕阳或好诗之美，完全取决他自己的心情。每天都有日出日落，世间也随时都有天才诞生。但是，只有在那宁静恬淡的极少数时刻，我们才能欣赏自然的美景、品评天才的诗作。

一个景观与另一个景观之间的差异也许很小，但是它们在观者眼中的差异却很大。

在解决问题时，多样性是可以优于能力的；而在进行预测时，多样性与能力同等重要。

视角、启发式、解释和预测模型。

01 多样性视角

我们通常将人们对事物进行“编码”的方式称为视角。

门捷列夫的“拼图”在物理学上没有可以类比的东西。他不是在寻找一个现有的结构，相反，他创造了一个结构。这个结构揭示了构成自身物质的秩序

在物理科学中，所有重大发现的核心都是新表示方法的发现

视角就是表示方法，用来给对象、事件或情况编码，使它们都有自己的独一无二的名称。

而且，每一种看待问题的视角都只在某些情况下有用，在另一些情况下没有什么用。

要走出这些“死胡同”，需要他们对自己的问题提出新的视角。下文中将这种“死胡同”称为“局部最优点”，也就是那些在你进一步深入探索之前看上去相当不错的视角

视角（perspectives）
视角是从现实到内部语言的映射，使每一个不同的对象、情况、问题或事件都被映射到一个唯一的词语

既可以指这两个人将现实以不同方式映射到相同的内部语言上，也可以指他们将现实映射到不同的内部语言上。

视角的选择对问题的难易关系重大。

不能创造结构的内部语言对于解决或理解问题毫无帮助。要想具备功能性价值，视角必须嵌入有意义的关联，仅仅分配名字是不够的。

考虑的两个维度是巧克力软糖的数量和大小。有了这两个维度，就给这些冰激凌杯加上了一个可以理解和操纵的结构。

将成为一个认知上的飞跃，是他们高薪聘请的顾问凭借着自己高超的洞察力带来的。而且，这种巨大的飞跃要归功于视角创造出来的结构。但是，这对内莉来说却只是一小步。

每一个能够化繁为简、化难为易的出众视角背后，都可能潜伏着许多个糟糕的观点，它们甚至可能会使我们对策略性情境的理解也变得含混不清。是的，多样性视角既可能简化问题，同时也可能让问题变得复杂。

关于问题的新视角并不会凭空而来，需要经常利用其他视角来构建新视角。

智能与创造新视角的能力之间存在着某种相关性。

因为视角能让某个问题或某种情况变得有意义、能够将知识组织起来，所以事后看来这些通常都是十分明显的。

视角越多，找到全局高峰的机会越大

一个待解决问题的难度，取决于对它进行编码的视角。

局部高峰对应着景观上的这样一个点：你从该点向任何方向移动，高度都会下降。是的，这个点确实是一座山的山峰。与局部高峰相对的是全局高峰（global peak），它对应着价格最高的那个点，即最高的山峰

最好的视角是那种能够生成只包含一个高峰的视角

最好的视角是那种能够生成只包含一个高峰的视角，这就是说，用这种视角组织信息的方式，能够使一个明显的解决方案变得水落石出。

学者存在性定理：对于任何一个问题，都存在着许多能够创造“富士山”景观的视角。

学者存在性定理有一个很大的缺点：它带来的视角数量是极其巨大的。

当人们以同样的方式看待问题时，就可能会全都被困在相同的解决方案中，也就是说如果用相同的视角来看待问题，就可能全都停留在同一个局部高峰上。

持有共同视角的另一个原因在于，共同视角下可以实现快速和无差错的交流。

群体迷思的逻辑依赖于“随大流”的愿望。在一个团队中，如果大多数人都以某种方式去思考问题，他们经常会强迫别人也要以这样的方式思考

在组建委员会和工作团队时，要选择来自不同背景、不同身份的多样性人才。如果做不到这一点，视角就会变得封闭，那样的话，就等于把潜在的专家关在门外了。

当然，有太多不同的视角是没有用的。它们会制造出崎岖景观，而不能带来富士山景观。

更科学的认识、工程上的突破、组织知识的新方法

02 多样性启发式

启发式是一种用来寻找解决问题方案的有效思维工具

启发式是在视角范围内应用的。给定一个视角，启发式可以告诉我们去哪里寻找新的解决方案或采取什么行动。

启发式的这个定义是有限的。它假设启发式能够生成一个完全的解决方案。但是许多启发式能够产生的却只是部分解决办法。而且，这个定义只包含了解决问题型启发式。但是启发式也可以用来组织信息。72法则就是这样一个启发式，它可以将利率信息组织起来，帮助人们制定良好的投资策略。

72法则：以x%的利率进行投资，翻倍所需的年数大约等于72除以x。

在这种情况下，一方面，接受新的解决方案意味着牺牲一定的价值；另一方面，新的解决方案以不同的方式进一步提供了再次应用启发式去搜索解决方案其余部分的机会。启发式的进一步应用可能会带来更好的解决方案。为了改变而改变不一定是坏事。

这个启发式是“贪婪”的，它可以接受任何改进，可以一次又一次地应用它将城市进行互换，并接受距离更短的路线。

拓扑启发式（topological heuristics）、梯度启发式（gradient heuristics）、允许犯错启发式（error-allowing heuristics）和群体启发式（population heuristics）

要想取得成功，一个人最少得拥有七个以上的启发式。

最简单的启发式是拓扑启发式。它们依赖于视角的结构，从而搜索邻近的解决方案。

拓扑启发式有效地利用了嵌入在视角中的知识，搜索接近现状的解决方案。除非视角创造了富士山景观，否则拓扑启发式会陷入视角所提供的解决方案集的局部最优点上。

在那些可以用数学表达式表示价值的问题中，则可以利用梯度启发式。具体方法是，先计算出价值函数的斜率，然后沿着斜率的最大方向移动。

当一个解决方案有很多属性时，价值函数在每个属性的方向上都有斜率。例如，如果一个玉米煎饼的价值取决于它的大小和温度，那么就可以计算出，它的价值是怎样随着大小与温度的升降而变化的。

梯度启发式的缺点是，它们会限制搜索的多样性。梯度给出了实现最大改进的唯一方向，只要每个人都拥有相同的价值函数，那么这就是最好的前进方向。

一个更加复杂、更加“久经世故”的启发式会往山下走几步看看，这看起来似乎是在“犯错”，但是它也不会往山下走太多步。对于这种启发式，我们称之为允许犯错启发式。使用最广泛的一种允许犯错启发式是模拟退火算法（simulated annealing）。

在一开始，模拟退火算法可以接受除了最大错误之外的所有错误，这样一来，它在搜索时就能够遍历整个解决方案空间。同时，由于它拒绝价值大幅度降低，所以模拟退火算法还能够趋向于那些具有更好解决方案的区域。

为了最大限度地减少“生下不良后代”，也就是减少低价值的解决方案出现的风险，遗传算法必须有一个选择算子（selection operator）。这个选择算子会将低价值的“后代”淘汰出去，不允许它们参与配对。这种选择会创造出一个有利于更好解决方案的偏向。另外，遗传算法也允许“突变”，即随机改变香料组合。“突变”与“配对”一起，保持了群体的多样性。选择算子能够将好的保留下来，并将不好的驱逐出去。

视角是看待解决方案的方式，而启发式则是构建解决方案的方式，也是围绕可能的解决方案空间移动的方式。

数学、物理学、统计学、经济学和会计学等各门学科都有一套各自的核心视角，同时每一个核心视角都与各学科专业人士经常应用的一整套启发式有关。

一方面，视角是对现实的完整表征，而且事实上并没有任何东西出现在“框框”之外，所以实际上是不能在“框框”之外思考的。相反，应该做的是，提出新的视角来对“框框”之内的东西进行重新安排。门捷列夫没有在“框框”之外思考，他所考虑的原子量和元素性质都是已知的，但是他确实以一种奇妙绝顶的方式重新排列了“框框”之内的东西。

创新，既可以通过重新安排“框框”内的东西来实现，也可以通过探索“框框”内以往被忽视的那些部分来进行，这就是所谓新视角的提出与新启发式的构建。

03 多样性解释

第三，有了视角，就可以区分导致不同解释的两个原因。

解释可以被认为是结构化的分类。我也使用解释这个词，因为它可以使事物合理化，经常利用解释框架也符合我们的正常观念。当人们使用“解释”一词时，他们隐含地指向事件的结构化呈现：“这就是你对所发生事件的解释”。

解释往往取决于地位或角色

解释是从对象、情境、问题和事件到词语的一个映射。在一个解释中，一个词语可以用来表示许多对象

投影解释是指忽略了视角某些维度的解释。

当一种解释只考虑可能的所有维度的某个子集时，就称它为投影解释。

聚丛解释创建了由类似的对象、情况、问题或事件组成的类别，这种类别不是简单的属性投影。

足球妈妈这样的类别，只有当这种类型人的行为或行动不同于其他类型的人时，才具有信息价值。否则，这种区分就不能改善预测。

因果关系才是有意义的解释

数据挖掘能揭示的只是相关性，而不是因果关系

解释的质量往往取决于它的精细程度。

专家忽略了某些维度并将另外一些维度进行分离剖析，在有意忽略某些维度的同时细致地精炼另一些维度，这两者是相关的。忽略某些维度可以保证专家专注于其他维度，从而获得更深入的理解，找到更好的解决方案。

04 多样性预测模型

解释是对可能性的集合进行分类，而预测模型则根据解释来描述在某种情况下会发生的事情。

预测模型当然需要不断磨砺和完善，但是不一定会导致不同人的解释完全趋同。只有在得到足够丰富数据的情况下，预测才可能会趋同。

虽然大量噪声的存在阻碍了预测能力，但是有的时候，增加一点噪声却会起到意想不到的效果。噪声能够增强对模型的信心，而“信心倍增”则会带来实际的后果。如果想要教会某种动物做某个动作，那么增加一点随机性可能会有所帮助。

预测模型是一种解释，并对由解释所创建的每个集合或类别进行预测。

如果预测模型是思想，那启发式就是行动。

一种解释，即使它对特定对象或事件的表示是有意义的，仅凭这种解释本身也是不够的。一个解释可能刻画了一些维度或属性，它们可以揭示潜在的因果关系或相关性，但是，除非这个解释与一个准确的由经验锤炼过的预测模型相结合，否则它也不一定是有用的。

200多项研究表明，简单的线性回归模型对未来的预测远远优于专家。

因此，当推断任务变得非常困难时，即便是专家也不得不依靠猜测，这时他们的预测可能不会比抛硬币好多少。

05 智能，取决于智商还是认知工具箱

在任何时候，个人的工具箱都取决于天赋、身份、训练和经验。

许多提出了深刻洞见、做出了突破性贡献的人，都是深思熟虑、“慢工出细活”的思想者。再一次强调，很多思维迟缓的人思考也不深入，那个说“静水流深”的人可能从来没有见到过深潭。

智商的巨大差异可能意味着智能的显著差异，但智商的微小差异则不然。更加重要的是，过于关注智商得分上的微小差异，会掩盖更关键的认知差异。两个智商得分相同的人对社会做出的贡献可能完全天差地别。

对于智能，最著名的多维度测量方法是霍华德·加德纳提出的八大智能维度度量法：语言的、逻辑的、音乐的、空间的、运动的、人际的内省的以及自然观察的。

分析性智能、创造性智能和实践性智能。分析性智能大体上与人们通常说的智商相对应，它强调的是解决测试问题的能力。创造性智能刻画的是人们将过去的经验应用到新的问题上、并将不同想法组合起来解决问题的能力，这与工具箱框架有相似之处，创造性智能部分测试了组合不同工具的能力。实践性智能则用来刻画一个人将学术知识应用于现实世界的能力

这种悖论性结果之所以会出现，是因为我们把几个维度压缩成了一个维度。在这样做的过程中，损失了信息，混淆了差异。

工具箱框架其实相当简单。首先，考虑所有可能的工具，这包括一个人可能获得的所有知识、技能、能力、启发式、解释和视角。

GRE成绩不能用来衡量那些需要更多思考和时间才能用好的工具，也不能衡量产生好的研究论文所必需的那些工具。写论文需要创造新的知识，创新需要的工具，不同于应付考试的工具。

06 多样性与解决问题

一个人能够在多大程度上改进某一个解决方案，取决于他的工具如何与其他问题解决者的工具相结合，同时又如何不同于其他问题解决者的工具。

好的问题解决者往往都是相似的，因此，最好问题解决者集合的表现比其中任何一个最好问题解决者个体都要好一点。而随机的、聪明的问题解决者的集合则会趋于多样性。正是这种多样性使它们组成的群体表现更好

多样性视角更有可能带来突破、也更有可能带来沟通问题。而多样性启发式更有可能导致一些更小但可重复的改进。

不同的视角创造了不同的景观，不同的景观有不同的高峰，不同的高峰防止人们被锁定在同一点上。

个人表现更好的问题解决者有更好的局部最优解：那些个人表现更好的问题解决者往往会被锁定在价值相对较高的局部最优解上。

观察结论二是，更好的问题解决者倾向于只拥有较少的局部最优解。

更好的问题解决者所拥有的局部最优解较少：那些个人表现更好的问题解决者倾向于拥有更少的局部最优解。

一般来说，局部最优解越多，搜索就越容易卡在某个局部最优解上，从而问题解决者的表现就越差。

吸引盆的大小是重要的，好的问题解决者往往有更大的吸引盆，从而更容易到达更好的局部最优解。

多样性的人也可能不会以不同的方式去解决问题。

一个问题解决者集合的局部最优解等于该群体每个个体局部最优解的交集。

没有任何一个问题解决者总能找到这类问题的全局最优解。

第二个条件涉及问题解决者的能力。所有可能的问题解决者都必须具备一定的问题解决能力。

每一个问题解决者的局部最优解都可以写在一个列表中。换句话说，全部问题解决者都是足够聪明的。

第三个条件要求除了全局最优解之外，任何一个解决方案都可以进一步改进。

除了全局最优解之外的任何一个解决方案，对于某些问题解决者来说，都不是局部最优解。

问题解决者的“初始群”必须足够大，而且一起去解决问题的工作团队必须包含多个问题解决者。

多样性优于能力定理：给定条件1～4，由随机选出的问题解决者组成的团队能够优于由个体表现最好的问题解决者组成的团队。

任意贡献定理：给定具有相同能力的问题解决者，他们的贡献可能是任意的。也就是说，任何问题解决者都可能做出任意贡献。

如果看到某个人持续地做出贡献，就可以断定这个人有一个非常强大的工具箱，或者至少有一个独特的工具箱。

多样性的视角也会减少构造精致的、巨细无遗的启发式动机。因为在一种视角下有效的启发式在另一个视角下可能没有用处。

07 信息集结

索罗维茨基提出了一群人做出准确预测的三个必要条件。这些条件是：有多样性的预测模型；人们是相互独立的，不允许人与人之间产生相互影响；预测过程是分散的，人们不会相互交流。

第一个假设是指有些人知道答案，其他人则不知道。信息集结过程允许知道答案的人去揭示它。

第三个假设是，人们通常只能看到一些关于现实的模糊画面，这些画面只能刻画出视线被阻挡或被扭曲时的某些东西。

只要各误差均值为零且相互独立，那么群体就是智慧的。

08 多样性与预测

由一组预测模型组成的一个群体，必定有群体误差＝平均个体误差－预测多样性

群体优于平均定理：任意一个多样性的预测模型集合，群体预测必定比平均个体预测更加准确，也就是说：群体预测误差<平均个体误差。

事实上，在群体环境中，人们在大多数意见的方向上往往会走得太远。所以，如果人们普遍认为价格会上涨的话，那么这个群体就可能会陷入疯狂：他们会开始相信，因为大多数人都认为价格将上涨，所以价格会大幅上涨。

09 多样性偏好

完备性（complete）
如果给定任意两个备选方案A和B，都有A>B，或B>A，或A=B，那么偏好就是完备的。

可传递性（transitive）如果偏好不是循环的，那就是可传递的。例如，如果一个人喜欢苹果多于香蕉、香蕉多于梨，那么他就喜欢苹果多于梨。

如果偏好是完备的、可传递的，那么偏好就是理性的。

10 偏好集结的四个可能结果

阿罗不可能定理：从个体偏好排序出发，如果允许所有可能的偏好，那么不存在完备的、可传递的群体偏好排序，群体偏好满足一致性、非相关备选方案独立性和非独裁性。

麦凯尔维循环定理（McKelvey's Cycling Theorem）：如果偏好是多重维度的，那么一般而言，给定任意一个备选方案，通过一连串投票，都有可能到达任何一个其他备选方案。

12 认知多样性的起源

创造性思维在很大程度上是依赖于类比的。[插图]这就意味着，经验多样性在创造认知多样性方面发挥着核心作用。

真正的洞见往往是对先前被忽视的维度或因果关系的认识。它们就是新的解释和预测模型。

13 用数据说话

只有物理距离足够接近，不同想法才能相互碰撞。这是一个强有力的规律，它有助于解释现代文明的兴起和科学知识的爆发性增长。经济增长与人口增长密切相关：人越多，想法越多；想法越多，经济增长越快。

多样性的价值假说（the value in diversity hypothesis）身份多样性群体的表现胜于同质性群体。

14 获取多样性红利的12个干法

干法1：用“超可加性”创造神奇

当一群人一起努力试图解决一个问题时，如果一个人做出了改善，提出了新的解决方案，那么其他人往往可以在此基础上进一步加以改进。解决问题并不是某个状态的实现，而是一个创新的过程，在这个过程中，先前的改进会成为进一步改进的基础，于是改进叠加改进，不断推进问题的解决。

干法4：既关注多样性，也关注能力

干法6：让员工参与市场预测

结语 多样性就是更多的机会

对我来说，成功意味着在世界上的有效性。成功使我能够将我的思想和价值观带入世界，也就是说，我能够以积极的方式改变这个世界。

人们经常谈到宽容差异的重要性。但是，我们必须超越宽容，致力于让世界变得更加美好。

致谢 永不停歇的人生

伟大的天才要通过与另一位伟大的天才接触才能成长，与其说是通过同化，倒不如说更多地是通过摩擦。

译者后记

在复杂的多人世界中，最核心的问题说到底其实只有一个：人与人之间如何实现高效率的合作。