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

در سال 1794، یک ریاضیدان فرانسوی در یک سلول زندان انقلابی درگذشت، نه سال پس از انتشار نظریه‌ای که تقریباً هیچ‌کس آن را نخواند. در سال 1906، یک آمارشناس ویکتوریایی 84 ساله در یک نمایشگاه دام در حال جمع‌آوری کارت‌های قرعه‌کشی استفاده شده بود. در سال 2026، محققان MIT در حال انجام صدها هزار مذاکره بین عوامل هوش مصنوعی هستند تا یاد بگیرند ماشین‌ها چگونه باید به تیم‌های انسانی بپیوندند. این سه صحنه متعلق به یک داستان تحقیقاتی واحد و پیوسته است — مطالعه هوش جمعی، ظرفیت گروه‌ها برای عمل به شیوه‌هایی که به نظر هوشمندانه می‌رسد. آنچه در ادامه می‌آید، آن داستان است، دوره به دوره، با یافته‌های واقعی و مبارزات واقعی.

1785: شرط روشنگری — نظریه کاندورسه

ماری ژان آنتوان نیکولا د کاندورسه، مارکیز د کاندورسه، از آن نوع شخصیت‌های روشنگری بود که polymaths مدرن را باریک‌نگر می‌کند: یک ریاضیدان که در بیست سالگی به آکادمی علوم انتخاب شد، یک حامی زودهنگام و پرشور آموزش عمومی، حق رأی زنان و لغو برده‌داری. در سال 1785 او Essai sur l’application de l’analyse à la probabilité des décisions rendues à la pluralité des voix — مقاله‌ای در مورد کاربرد نظریه احتمال در رأی‌گیری اکثریت را منتشر کرد. در آن، نتیجه‌ای وجود دارد که اکنون به آن نظریه هیئت منصفه کاندورسه می‌گوییم.

این نظریه چیزی شگفت‌انگیز می‌گوید. یک سوال بله/خیر با یک پاسخ صحیح را در نظر بگیرید. فرض کنید هر رأی‌دهنده با احتمالی حتی کمی بهتر از پرتاب سکه درست است — مثلاً 55% — و فرض کنید رأی‌دهندگان به طور مستقل از یکدیگر قضاوت می‌کنند. سپس با رشد گروه، احتمال اینکه اکثریت درست باشد به یقین نزدیک می‌شود. قضاوت فردی متوسط، اگر به درستی تجمیع شود، به قضاوت جمعی تقریباً کامل تبدیل می‌شود. این نظریه یک دوقلوی تاریک نیز دارد: اگر هر رأی‌دهنده کمی بدتر از پرتاب سکه باشد، اکثریت تقریباً قطعاً نادرست می‌شود با رشد گروه. تجمیع هر گونه شایستگی — یا ناتوانی — را که به آن می‌دهید تقویت می‌کند. ما داستان کامل نظریه، فرضیات آن و کاربردهای مدرن آن را در قطعه همراه خود در نظریه هیئت منصفه کاندورسه بیان می‌کنیم.

همان مقاله شامل یک کشف دوم است که 160 سال طول کشید تا منفجر شود: پارادوکس کاندورسه. با سه یا بیشتر گزینه، ترجیحات اکثریت می‌توانند چرخه‌ای شوند — گروه A را به B، B را به C و C را به A ترجیح می‌دهد — بنابراین "آنچه اکثریت می‌خواهد" حتی ممکن است به خوبی تعریف نشود. آن مشاهده بذر نظریه انتخاب اجتماعی است، زمینه‌ای که کنت آررو بعداً با نظریه غیرممکن خود آن را متحول کرد: هیچ سیستم رأی‌گیری رتبه‌بندی شده‌ای نمی‌تواند به طور همزمان یک لیست کوتاه از شرایط انصاف معقول را برآورده کند. سیستم‌های رأی‌گیری، روش‌های انتخاب رتبه‌ای و ریاضیات تجمیع ترجیحات داستانی از خود دارند — نوعی تجمیع متفاوت از میانگین‌گیری اعتقادات که این مقاله دنبال می‌کند — و ما در یک سری آینده به آن باز خواهیم گشت.

کاندورسه زنده نماند تا ببیند که آیا این موضوع مهم است. او در دوران ترور به دلیل مخالفت با قانون اساسی ژاکوبن‌ها غیرقانونی شد و برای ماه‌ها پنهان شد — به طرز شگفت‌انگیزی، او طرحی برای تصویر تاریخی پیشرفت ذهن انسانی را نوشت — در مارس 1794 دستگیر شد و دو روز بعد در سلول خود در بورگ-لا-رین پیدا شد. ریاضیات حکمت جمعی به عنوان کار مردی که توسط یک جمع دیوانه نابود شد آغاز شد. این تناقض از آن زمان بر این حوزه سایه افکنده است: گروه‌ها می‌توانند درخشان باشند و گروه‌ها می‌توانند هیولا باشند و تفاوت در افراد نیست — بلکه در شرایط است.

1906–1950s: دوره آماری — گالتون، هایک و دلفی

برای اولین آزمایش تجربی خود، هوش جمعی باید 121 سال صبر کند — و این در یک نمایشگاه دام اتفاق افتاد. در پاییز 1906، فرانسیس گالتون، در آن زمان 84 ساله، در نمایشگاه دام و طیور غرب انگلستان در پلایموث شرکت کرد، جایی که یک مسابقه قضاوت وزن از بازدیدکنندگان خواسته بود تا وزن آماده شده یک گاو زنده را برای شش پنس حدس بزنند. گالتون — یکی از بنیان‌گذاران آمار و به هیچ وجه دموکرات از نظر خلق و خو — انتظار داشت که ورودی‌ها نادانی رأی‌دهنده متوسط را ثابت کند. او کارت‌های استفاده شده را به دست آورد، 13 کارت نامشخص را دور انداخت و 787 حدس باقی‌مانده را تجزیه و تحلیل کرد. تخمین میانه 1,207 پوند بود؛ وزن واقعی گاو آماده شده 1,198 پوند بود — خطایی کمتر از 1%، بهتر از کارشناسان دام حاضر. او نتیجه را در Nature در 7 مارس 1907 تحت عنوان "وکس پاپولی" منتشر کرد و در مکاتبات پیگیری تأیید کرد که میانگین حسابی هنوز دقیق‌تر است: 1,197 پوند، یک پوند خطا. داستان کامل — از جمله آنچه گالتون اشتباه کرد و قرن تکرارها از آن زمان — در بررسی عمیق ما در گاو گالتون و پدیده عمومی در راهنمای ما به حکمت جمعی است.

چرا این ترفند کار می‌کند؟ هر حدس را می‌توان به سیگنال به علاوه خطا تقسیم کرد. اگر خطاها مستقل و در هر دو طرف حقیقت پراکنده باشند، تجمیع آنها را لغو می‌کند در حالی که سیگنال مشترک باقی می‌ماند. آن "اگر" فرض استقلال کاندورسه است که لباس‌های آماری به تن کرده و لولا است که هر موفقیت و شکست حکمت جمعی به آن وابسته است. بازنگری کنت والیس در سال 2014 از رقابت گالتون تأیید کرد که شرایط نمایشگاه — ورودی‌های خصوصی نوشته شده، انگیزه برای دقت، عدم وجود تابلوی امتیازدهی قابل مشاهده — به طرز شگفت‌انگیزی از آن محافظت کرده است.

پرش بعدی از اقتصاد آمد. در "استفاده از دانش در جامعه" (American Economic Review, 1945)، فردریش هایک استدلال کرد که دانش مربوط به تصمیمات اقتصادی هرگز به صورت متمرکز وجود ندارد — بلکه در میان میلیون‌ها نفر به صورت محلی، جزئی و اغلب ضمنی پراکنده است. هیچ برنامه‌ریز مرکزی نمی‌تواند آن را جمع‌آوری کند؛ اما یک سیستم قیمت به طور خودکار آن را تجمیع می‌کند و دانش پراکنده را به یک عدد واحد فشرده می‌کند که به همه می‌گوید چگونه عمل کنند. هایک در واقع، اولین مکانیزم تجمیع بزرگ‌مقیاس را که در تولید در حال اجرا بود شناسایی کرده بود. نیم قرن بعد، بازارهای پیش‌بینی این بینش را به طور حرف به حرف به کار گرفتند و بازارهایی ساختند که تنها محصول آنها اطلاعات موجود در قیمت بود.

دهه 1950 اولین فرآیند هوش جمعی مهندسی شده را اضافه کرد. در شرکت RAND، محققان در حال توسعه پیش‌بینی‌های بلندمدت با یک مشکل آشنا مواجه شدند: قرار دادن کارشناسان در یک اتاق و بلندترین یا ارشدترین صدا همه را به خود وابسته می‌کند. پاسخ آنها، روش دلفی، قضاوت‌های کارشناسان را به صورت ناشناس و در دورهای تکراری با بازخورد کنترل شده جمع‌آوری کرد — محافظت از استقلال در برابر رتبه و فشار اجتماعی در حالی که هنوز اجازه می‌دهد اطلاعات در گردش باشد. دلفی، جد بزرگ هر فرآیند ورودی ساختاری مدرن است، از برنامه‌ریزی پوکر تا جریان مشارکت مستقل اول که در پلتفرم‌های تصمیم‌گیری مشارکتی استفاده می‌شود.

1940s–1990s: سایبرنتیک، نظریه بازی و هوش تقویت‌شده

در حالی که آمارشناسان به مطالعه تجمیع پرداختند، یک نسل دیگر به مطالعه تعامل پرداخت. نظریه بازی‌های جان فون نویمان و اسکار مورگنسترن (Theory of Games and Economic Behavior، ویرایش 1947) به علوم اجتماعی ریاضیات وابستگی استراتژیک را داد — آنچه زمانی اتفاق می‌افتد که نتیجه انتخاب من به انتخاب شما بستگی دارد. نظریه بازی‌ها گروه‌ها را نه به عنوان کیسه‌هایی از تخمین‌زنندگان مستقل بلکه به عنوان سیستم‌های عامل متقابل بازتعریف کرد، نگاهی که زمانی بسیار مهم خواهد بود که محققان شروع به پرسیدن کنند چرا افراد منطقی جمع‌های غیرمنطقی تولید می‌کنند (موضوع تحقیق ریزش‌های اطلاعاتی دهه‌ها بعد).

رشته دوم تکنولوژیکی بود. در گزارش SRI خود در سال 1962 تقویت هوش انسانی: یک چارچوب مفهومی، داگلاس انگل بارت پیشنهاد کرد که هدف محاسباتی جایگزینی تفکر انسانی نیست بلکه تقویت آن است — از جمله تفکر جمعی گروه‌ها که با مسائلی بیش از حد پیچیده برای هر فرد مواجه هستند. چارچوب انگل بارت بذر زمینه تحقیقاتی کار گروهی پشتیبانی‌شده توسط کامپیوتر (CSCW) را که در دهه 1980 شکل گرفت، کاشت و موج نرم‌افزار گروهی که پس از آن آمد. سوال تقویت در برابر جایگزینی که او در سال 1962 مطرح کرد، تقریباً به صورت کلمه به کلمه، سوالی است که ادبیات انسانی-هوش مصنوعی 2024–2026 اکنون با داده‌ها به آن پاسخ می‌دهد.

این دوره میانی چیزی را به ارمغان آورد که به راحتی می‌توان نادیده گرفت: هوش جمعی را از یک ویژگی که شما مشاهده می‌کنید به یک سیستمی که شما می‌سازید تبدیل کرد. دلفی یک پروتکل طراحی شده بود؛ نرم‌افزار گروهی نرم‌افزاری طراحی شده بود؛ چارچوب انگل بارت به وضوح یک دستور کار مهندسی برای شناخت گروهی بود. دوره آماری پرسیده بود "آیا جمعیت‌ها دقیق هستند؟" دوره سایبرنتیک سوالی را مطرح کرد که هر پلتفرم همکاری مدرن به ارث می‌برد: چه ساختاری گروه را هوشمندتر از آنچه که در غیر این صورت می‌بود می‌کند؟ استدلال ساختاری خود یک نسل فکری موازی در اینجا دارد — مدل استدلال استیون تولمین در سال 1958 و سنت نقشه‌برداری استدلال بعدی، طرف بررسی هوش جمعی را با ساختار داده‌ای خود، نقشه استدلال، به همان اندازه که قیمت‌ها ساختار داده‌ای تجمیع بازار شده‌اند، فراهم کرد.

1959–1999: دوره زنبور — هوش بدون هیچ‌کس در رأس

در همین حال، زیست‌شناسی به آرامی فرض را که هوش نیاز به یک مغز در رأس دارد، از بین می‌برد. در سال 1959، زیست‌شناس فرانسوی پیر-پال گراسه، در حال مطالعه ساخت لانه موریانه، اصطلاح استیگمرژی را ابداع کرد: هماهنگی از طریق ردپاهایی که در محیط باقی می‌ماند. هیچ موریانه‌ای یک نقشه ندارد؛ هر یک به وضعیت محلی تپه پاسخ می‌دهد و خود تپه مستعمره را هماهنگ می‌کند. این اولین مکانیزم دقیق برای هماهنگی بدون رهبر بود — و مشخص شد که فراتر از حشرات تعمیم‌پذیر است.

در سال 1987، محقق گرافیک کامپیوتری، کریک رینولدز نشان داد که ظهور به چه اندازه به پیچیدگی فردی نیاز دارد. مقاله SIGGRAPH او "گله‌ها، رمه‌ها و مدارس: یک مدل رفتاری توزیع‌شده" گله‌های پرندگان شبیه‌سازی شده — بوییدها — را که تنها با سه قانون محلی: جدایی، هم‌راستایی و انسجام هدایت می‌شوند، متحرک کرد. هیچ رهبری، هیچ سناریویی، و با این حال گله مانند واقعیت می‌چرخد و تقسیم می‌شود و دوباره شکل می‌گیرد. دو سال بعد، جراردو بنی و جینگ وانگ اصطلاح هوش زنبور را در زمینه سیستم‌های رباتیک سلولی ابداع کردند و به این پدیده نام دادند.

بازده مهندسی به سرعت دنبال شد. پایان‌نامه دکتری مارکو دوریگو در سال 1992 در Politecnico di Milano، بهینه‌سازی، یادگیری و الگوریتم‌های طبیعی، جستجوی مورچه‌ها — مسیرهای فرومونی که مسیرهای کوتاه‌تر را تقویت می‌کنند، همانطور که در آزمایش‌های پل دوگانه با مورچه‌های آرژانتینی نشان داده شده است — را به بهینه‌سازی کلونی مورچه، خانواده‌ای از الگوریتم‌ها برای مشکلات مسیریابی و زمان‌بندی ترجمه کرد. بهینه‌سازی زنبورهای جیمز کندی و راسل ابرهارت (1995) همین کار را برای گله‌سازی انجام داد. تا سال 1999، کتاب هوش زنبور: از سیستم‌های طبیعی به مصنوعی (آکسفورد) نوشته بونابو، دوریگو و ترالوز، این حوزه را کدگذاری کرده بود و الگوریتم‌های مبتنی بر مورچه‌ها در حال مسیریابی تماس‌های تلفنی (شوندروارد و همکاران در BT Labs، 1996) و کامیون‌های تحویل بودند. بعداً، رباتیک این نکته را به صورت فیزیکی بیان کرد: در سال 2014، روبنشتاین، کوره‌جو و ناگپال اشکالی از 1,024 کیلوبوت (علم) را به صورت خودجوش جمع کردند و کتاب دموکراسی زنبور عسل (2010) توماس سیلی نشان داد که زنبورهای عسل با جستجو، تبلیغ رقص و حس جمعی مکان‌های لانه را انتخاب می‌کنند — یک تقریب طبیعی و غیرمتمرکز از نظریه هیئت منصفه در عمل. حساب کامل در راهنمای ما به هوش زنبور است.

درس دوره زنبور برای گروه‌های انسانی دو لبه دارد. این نشان داد که تمرکززدایی کار می‌کند — دانش محلی به علاوه قوانین تعامل ساده می‌تواند از برنامه‌ریزی مرکزی بهتر عمل کند، دقیقاً همانطور که هایک استدلال کرد. اما همچنین یک مرز را مشخص کرد: زنبورها عملیات را هماهنگ می‌کنند، نه دلایل. مورچه‌ها بررسی نمی‌کنند. هوش جمعی انسانی لایه‌ای را اضافه می‌کند که هیچ زنبوری ندارد — تبادل و ارزیابی استدلال‌ها — و آن لایه به ماشین‌آلات متفاوتی نیاز دارد.

1999–2015: دوره اینترنت — هوش جمعی به تولید می‌رسد

سپس اینترنت همه را به یک مشارکت‌کننده بالقوه تبدیل کرد و هوش جمعی دیگر یک کنجکاوی آزمایشگاهی نبود. نرم‌افزار متن‌باز نشان داد که هزاران داوطلب به طور ضعیف هماهنگ می‌توانند سیستم‌هایی به پیچیدگی یک سیستم عامل بسازند — مقاله اریک ری‌مون در سال 1999 کلیسای جامع و بازار بیانیه این دوره را تأمین کرد. ویکی‌پدیا، که در سال 2001 راه‌اندازی شد، مدل را به دانش انسانی خود گسترش داد: یک دایره‌المعارف بدون سردبیر، که به صورت استیگمرژیک از طریق شیء ویرایش شده هماهنگ می‌شود — منطق موریانه، که به متن اعمال می‌شود.

در سال 2004، دو نشریه نظریه این دوره را ارائه دادند. کتاب حکمت جمعی جیمز سورویسکی یک قرن شواهد را جمع‌آوری کرد و چهار شرطی را که تحت آن گروه‌ها عاقل هستند، تقطیر کرد: تنوع نظر، استقلال، تمرکززدایی و تجمیع — هر یک را حذف کنید و جمعیت احمق‌تر می‌شود، نه هوشمندتر. همان سال، لو هونگ و اسکات پیج نتیجه "تنوع بر توانایی غلبه می‌کند" خود را در PNAS منتشر کردند: در مدل محاسباتی آنها، یک گروه تصادفی و شناختی متنوع از حل‌کنندگان مسائل از گروهی که از بهترین‌های فردی تشکیل شده بود، بهتر عمل کرد. صداقت نیاز به یادداشت دارد: در سال 2014، ریاضیدان ابیگیل تامپسون یک نقد تند در Notices of the American Mathematical Society منتشر کرد و استدلال کرد که نظریه زیرین بی‌اهمیت و نادرست برچسب‌گذاری شده و شبیه‌سازی‌ها بیش از حد تفسیر شده‌اند؛ مدافعان از جمله خود پیج پاسخ دادند که نتیجه تحت شرایط بیان شده — مشکلات سخت، عوامل توانمند، استخرهای بزرگ — معتبر است و هرگز ادعایی نبود که هر گروه متنوعی از هر تیم کارشناسی بهتر است. بحث و آنچه از آن باقی مانده است در قطعه ما در تنوع در برابر توانایی و راهنمای ما به تنوع معرفتی بررسی می‌شود.

مکانیزم قیمت‌های هایک نیز در این دوره آزمایش کنترل شده خود را دریافت کرد. بازارهای الکترونیکی آیووا، یک بازار تحقیقاتی با پول واقعی که در دانشگاه آیووا در سال 1988 تأسیس شد، تاریخچه کافی برای مقایسه قطعی جمع‌آوری کرد: برگ، نلسون و ریتز (International Journal of Forecasting, 2008) قیمت‌های بازار را با 964 نظرسنجی ملی در انتخابات ریاست‌جمهوری ایالات متحده در سال‌های 1988–2004 مقایسه کردند و دریافتند که بازار به نتیجه نهایی نزدیک‌تر است 74% از زمان، با برتری آن در افق‌های بیش از 100 روز قوی‌تر است. در عین حال، قانون بازار لگاریتمی رابین هنسون (2003) به طور الگوریتمی مشکل بازار نازک را حل کرد و به گروه‌های کوچک اجازه داد تا بازارهای پیش‌بینی داخلی را اجرا کنند.

قضاوت کارشناسان، در مقابل، ضربه‌ای خورد. کتاب قضاوت سیاسی کارشناسان فیلیپ تتلاک (2005) یک مطالعه تقریباً دو دهه‌ای از 284 کارشناس و حدود 28,000 قضاوت احتمالی را گزارش کرد؛ میانگین کارشناس به سختی از پیش‌بینی ساده بهتر عمل کرد — یافته‌ای که پشت کاریکاتور معروف "میمون پرتاب‌کننده دارت" قرار دارد. اما کار پیگیری تتلاک در مسابقات پیش‌بینی IARPA (2011–2015) نیمه سازنده داستان را پیدا کرد: یک گروه کوچک از "پیش‌بینی‌کنندگان فوق‌العاده"، که نه به دلیل مدارک بلکه به دلیل تفکر احتمالی و به‌روزرسانی مداوم باورها متمایز بودند، به طور گزارش شده‌ای از تحلیلگران اطلاعاتی که به اطلاعات طبقه‌بندی شده دسترسی داشتند، بهتر عمل کردند. مهارت پیش‌بینی و کالیبراسیون شایسته — و خواهد شد — درمان عمیق خود را در یک سری آینده دریافت می‌کند.

نقطه عطف نهادی این دوره در سال 2006 به وقوع پیوست، زمانی که توماس مالون مرکز هوش جمعی MIT را حول یک سوال به ظاهر ساده تأسیس کرد: چگونه می‌توان افراد و کامپیوترها را به هم متصل کرد تا به طور جمعی، هوشمندتر از هر فرد، گروه یا کامپیوتری که تاکنون وجود داشته، عمل کنند؟ خروجی‌های اولیه فضای طراحی را نقشه‌برداری کردند — ژنوم هوش جمعی (مالون، لاباچر و دلاراکاس، MIT Sloan Management Review, 2010) بلوک‌های سازنده سیستم‌های CI را در چهار سوال فهرست کرد: چه کسی کار را انجام می‌دهد (جمعیت یا سلسله‌مراتب)، چرا (پول، عشق یا افتخار)، چه (ایجاد یا تصمیم‌گیری) و چگونه (به طور مستقل یا وابسته). تا سال 2015، کتاب راهنمای هوش جمعی مالون و برنشتین (MIT Press) می‌توانست شیء این حوزه را به وضوح تعریف کند: "گروه‌هایی از افراد که به طور جمعی به شیوه‌هایی که به نظر هوشمندانه می‌رسد عمل می‌کنند."

و در سال 2010، این حوزه اندازه‌گیری تحریک‌آمیزترین خود را به دست آورد. آنیتا ویلیامز وولی، کریستوفر چابریس، الکس پنتلند، ندا هاشمی و توماس مالون (Science, 330: 686–688) 699 نفر را که در گروه‌های دو تا پنج نفره در یک باتری وسیع از وظایف کار می‌کردند، آزمایش کردند. عملکرد گروه در سراسر وظایف به اندازه کافی همبسته بود تا یک عامل آماری واحد — یک عامل هوش جمعی، c — را توضیح دهد که حدود 43% از واریانس را توضیح می‌دهد، معادل سطح گروهی IQ فردی. شوک این بود که چه چیزی آن را پیش‌بینی می‌کند. هوش میانگین و حداکثر اعضا تنها به طور ضعیفی با c همبسته بود. آنچه به شدت همبسته بود: حساسیت اجتماعی میانگین گروه (اندازه‌گیری شده با آزمون خواندن ذهن در چشم‌ها)، برابری نوبت‌گیری گفت‌وگو و نسبت زنان در گروه (که خود به شدت تحت تأثیر حساسیت اجتماعی قرار دارد). داده‌ها می‌گوید که چقدر یک گروه هوشمند است، کمتر به اینکه چه کسی در آن است بستگی دارد و بیشتر به چگونه تعامل می‌کند.

تاریخ سایه: زمانی که جمع‌ها شکست می‌خورند

در زیر کل خط زمانی خوشبینانه، ادبیات دوم و تاریک‌تری وجود دارد — مطالعه اینکه چگونه گروه‌های افراد هوشمند و نیک‌خواه، احمقانه جمعی تولید می‌کنند. اینجا مهم است زیرا موضوع جداگانه‌ای نیست: هر حالت شکست مستند، نقض یک شرط است که داستان‌های موفقیت به آن وابسته‌اند.

شاخه روانشناسی اول آمد. کتاب قربانیان تفکر گروهی ایروینگ جانیس (1972) تجزیه و تحلیل کرد که چگونه مشاوران فوق‌العاده توانمند رئیس‌جمهور کندی خود را به حمله به خلیج خوک‌ها در سال 1961 متقاعد کردند. جانیس هشت علامت را در سه خوشه فهرست کرد — برآورد بیش از حد گروه (توهم آسیب‌ناپذیری، باور به اخلاق ذاتی)، ذهن‌بندی بسته (رای‌گیری جمعی، دیدگاه‌های کلیشه‌ای از بیگانگان) و فشار به سمت یکنواختی (خودسانسوری، توهم اجماع، فشار مستقیم بر مخالفان و "نگهبانان ذهن" خود منصوب که اطلاعات نگران‌کننده را فیلتر می‌کنند). دو سال بعد، "پارادوکس ابیلین" جری هاروی (Organizational Dynamics, 1974) پسرعمو عجیب‌تری را توصیف کرد: گروه‌ها بر سر یک اقدام که هیچ یک از اعضای فردی نمی‌خواست توافق می‌کنند، زیرا همه سکوت یکدیگر را به عنوان ترجیح اشتباه می‌گیرند. هر دو شکست از همان ورودی هستند: قضاوت صادقانه و مستقل هرگز به استخر وارد نمی‌شود.

شاخه اقتصادی در سال 1992 آمد و بیشتر نگران‌کننده بود زیرا به هیچ روانشناسی نیاز نداشت. سوشیل بیکچاندانی، دیوید هیرشلیف و ایوو ولچ ("نظریه مدها، مد، عادت و تغییر فرهنگی به عنوان ریزش‌های اطلاعاتی"، Journal of Political Economy, 100: 992–1026) و به طور مستقل، آبیشیت بانرجی ("مدل ساده‌ای از رفتار گله‌ای"، Quarterly Journal of Economics, 1992) نشان دادند که عوامل کاملاً منطقی که به ترتیب تصمیم می‌گیرند، پس از تنها چند مشاهده، به طور منطقی اطلاعات خصوصی خود را نادیده می‌گیرند و از پیشینیان خود تقلید می‌کنند. ریزش اطلاعاتی حاصل، به طور فردی منطقی و به طور جمعی شکننده است — تقریباً هیچ‌یک از دانش پراکنده گروه را تجمیع نمی‌کند و می‌تواند یک جمعیت کامل را به پاسخ نادرست قفل کند که چند نفر از پیشگامان به طور تصادفی انتخاب کرده‌اند. لیسا اندرسون و چارلز هولت ریزش‌ها را در آزمایشگاه به درخواست تولید کردند (American Economic Review, 1997). این مکانیزم همه چیز را از حباب‌های دارایی تا اطلاعات نادرست ویروسی روشن می‌کند: تحلیل وسوخی، روی و آرال از حدود 126,000 ریزش داستان‌ها در توییتر (Science, 2018) نشان داد که اخبار دروغ به طور قابل توجهی دورتر، سریع‌تر و عمیق‌تر از حقیقت پخش می‌شود، با دروغ‌ها حدود 70% بیشتر احتمال دارد که دوباره توییت شوند. کاتالوگ کامل شکست — از جنون لاله تا 2008 — در زمانی که جمع‌ها اشتباه می‌کنند است.

توجه کنید که هر دو شاخه چه چیزی را به اشتراک می‌گذارند. تفکر گروهی استقلال را به صورت اجتماعی نابود می‌کند؛ ریزش‌ها آن را به صورت اطلاعاتی نابود می‌کنند. به هر حال، جمع دیگر به عنوان بسیاری از قضاوت‌ها نیست و به یک قضاوت تبدیل می‌شود که چهره‌های زیادی دارد — دقیقاً شرایطی که نظریه کاندورسه از یک تضمین حکمت به یک تضمین خطای مطمئن تبدیل می‌شود. تاریخ سایه دلیل این است که بال‌های عملی این حوزه به شدت به فرآیند وابسته شدند: جمع‌آوری قضاوت‌ها قبل از اینکه افراد را در معرض دید یکدیگر قرار دهند، محافظت از نارضایتی به صورت ساختاری و صریح کردن تجمیع.

2015–2023: دهه بحث — تکرار، نقد و پاسخ

هر اندازه‌گیری که اینقدر شگفت‌انگیز بود، قرار بود مورد حمله قرار گیرد و حمله در سال 2017 آمد. مارکوس کرید و گارت هاواردسون (Journal of Applied Psychology) شش نمونه را دوباره تحلیل کردند و استدلال کردند که حمایت تجربی برای یک عامل c عمومی ضعیف است — اینکه عملکرد گروه ممکن است بهتر با توانایی‌های خاص وظیفه توصیف شود تا با یک عامل زیرین. وولی، کیم و مالون در سال 2018 پاسخ دادند و روش‌های نمره‌گذاری نقد را به چالش کشیدند و استدلال کردند که فرضیات شبیه‌سازی با وظایفی که گروه‌ها واقعاً انجام می‌دهند مطابقت ندارد. این چیزی است که یک حوزه سالم به نظر می‌رسد: این مبارزه در داده‌ها و تجزیه و تحلیل مجدد انجام شد، نه در بیانیه‌های مطبوعاتی.

نزدیک‌ترین چیزی که به یک حکم رسید در سال 2021 به وقوع پیوست. ریدل، کیم، گوپتا، مالون و وولی یک متا-تحلیل در PNAS منتشر کردند که 22 مطالعه و 1,356 گروه — دانش‌آموزان، پرسنل نظامی، کارگران آنلاین، بازیکنان — را شامل می‌شد و شواهدی مستمر برای یک عامل هوش جمعی در تمام آنها یافتند، با فرآیندهای همکاری گروه و حساسیت اجتماعی اعضا در میان قوی‌ترین پیش‌نیازهای آن. ساختار و شرایط مرزی این ساختار همچنان مورد بحث است، همانطور که باید باشد؛ اما "هوش گروهی قابل اندازه‌گیری است و به IQ اعضا کاهش نمی‌یابد" اکنون بر اساس یک پایگاه شواهد بسیار بزرگتر از مقاله اصلی 2010 قرار دارد.

دو یافته مکمل دهه را کامل کرد. کتاب سوپرذهن‌ها مالون (2018) یک طبقه‌بندی از ذهن‌های جمعی که تمدن قبلاً بر آن‌ها استوار است — سلسله‌مراتب، دموکراسی‌ها، بازارها، جوامع و اکوسیستم‌ها — را تأمین کرد — هر یک پاسخ متفاوتی به سوال تجمیع، هر یک با نقاط قوت و حالت‌های شکست خاص خود. و پروژه آریستوتل گوگل (2012–2015)، یک مطالعه داخلی از 180 تیم، دریافت که ایمنی روانی — باور مشترک که یک تیم برای ریسک‌پذیری بین‌فردی ایمن است — قوی‌ترین پیش‌بینی‌کننده اثربخشی تیم بود، جلوتر از ترکیب و ارشدیت. برابری نوبت‌گیری و ایمنی روانی گوگل دو اندازه‌گیری از یک حقیقت زیرین هستند: گلوگاه هوش گروهی این است که آیا اطلاعاتی که اعضا دارند واقعاً وارد گروه می‌شود یا نه. دینامیک گروهی — ایمنی، بررسی و پاتولوژی‌های آنها مانند تفکر گروهی — خوشه‌ای از خود هستند و ما حالت‌های شکست آنها را در زمانی که جمع‌ها اشتباه می‌کنند بررسی می‌کنیم.

2024–2026: سوپرذهن‌های انسانی-هوش مصنوعی — مرز کنونی

عصر کنونی زمانی آغاز شد که مدل‌های زبانی بزرگ به گروه پیوستند. برتون و ۲۷ نویسنده همکار از رشته‌های مختلف، ریسک‌ها را در «چگونه مدل‌های زبانی بزرگ می‌توانند هوش جمعی را شکل دهند» (Nature Human Behaviour, 8: 1643–1655, 2024) ترسیم کردند: LLMها می‌توانند موانع مشارکت را کاهش دهند، مباحثات گسترده را خلاصه کنند و دانش پراکنده را در مقیاس بی‌سابقه‌ای تجمیع کنند — و همچنین می‌توانند دیدگاه‌ها را همگن کنند، توافق‌های کاذب تولید کنند و تنوع اکوسیستم اطلاعاتی که بر روی آن هوش جمعی تغذیه می‌شود را کاهش دهند. هر شرط در فهرست سورویکی به طور همزمان توسط همان فناوری تقویت و تهدید می‌شود.

سوال هم‌افزایی — سوال انگلبارت در ۱۹۶۲ — سرانجام تحلیل متا خود را دریافت کرد. میشل واکارو، عبدالله المعاتوک و توماس مالون ۱۰۶ آزمایش و ۳۷۰ اندازه اثر را تحلیل کردند («زمانی که ترکیب‌های انسان و AI مفید هستند»، Nature Human Behaviour, 8: 2293–2303, 2024) و دریافتند که به طور متوسط، ترکیب‌های انسان و AI عملکرد بدتری نسبت به بهترین انسان یا AI به تنهایی داشتند. ضررها در وظایف تصمیم‌گیری متمرکز بود؛ دستاوردهای واقعی در وظایف تولید محتوا ظاهر شد. صرفاً قرار دادن یک «انسان در حلقه» نتایج را بهبود نمی‌بخشد — اغلب انسان قضاوت بهتر ماشین را نادیده می‌گیرد یا به قضاوت بدتری تن می‌دهد. هم‌افزایی یک دستاورد طراحی است، نه یک پیش‌فرض. علم نوظهور سیستم‌های انسان-AI — تعصب اتوماسیون، کالیبراسیون اعتماد، زمان تصمیم‌گیری برای هر طرف — فصل آینده‌ای دیگر از این سری است.

این دستور کار طراحی اکنون برنامه صریح مرکز هوش جمعی MIT است که تحقیقات آن در سال ۲۰۲۶ تحت سه چتر سازماندهی شده است: AI تولیدی و هوش جمعی (AI برای تقویت خلاقیت انسانی)، طراحی سوپرذهن (طراحی ترکیب‌های نوآورانه از افراد و کامپیوترها) و طراحی تیم‌های انسان-AI (طراحی و تخصیص وظایف در تیم‌های انسان-ماشین — که با برنامه M3S سنگاپور-MIT به عنوان یک علم سیستماتیک تخصیص وظایف دنبال می‌شود: کدام زیر وظایف به افراد و کدام به AI می‌رود، چه کسی نظارت می‌کند و آیا AI به عنوان ابزار، دستیار، همکار یا مدیر عمل می‌کند). پروژه‌های پرچمدار قبلی — Climate CoLab و پلتفرم CoLabs، آزمایشگاه طراحی CI، برنامه اندازه‌گیری هوش جمعی — اکنون به طور رسمی کارهای میراثی هستند که در این سوالات عصر AI جذب شده‌اند.

خروجی‌های ملموس نشان می‌دهند که «هم‌افزایی طراحی شده» چگونه به نظر می‌رسد. سوپرذهن ایده‌پرداز، ابزاری مبتنی بر LLM که کاربران را از طریق حرکات ساختاری حل مسئله خلاقانه راهنمایی می‌کند، در یک مطالعه تجربی ایده‌های نوآورانه‌تری نسبت به ChatGPT به تنهایی یا افراد بدون کمک تولید کرد (کنفرانس هوش جمعی ACM 2024؛ Collective Intelligence, 2024)؛ تست‌کنندگان بتا بیش از ۱۰,۰۰۰ ایده با آن تولید کرده‌اند و ابزاری خواهر، DesignAID، این رویکرد را به کار طراحی اعمال می‌کند. این ساختار شش حرکت طراحی سوپرذهن را پیاده‌سازی می‌کند — بزرگ‌نمایی، کوچک‌نمایی، تشبیه، گروه‌بندی، شناختی، فناوری — یک چک‌لیست برای تجسم اینکه چه کسی (یا چه چیزی) هر بخش از یک وظیفه را انجام می‌دهد. درس به طور دقیق با تحلیل متا واکارو همخوانی دارد: ارزش در مدل نیست، بلکه در ساختاری است که دور آن پیچیده شده است. در سمت اندازه‌گیری، AGI-Elo (سان و همکاران، NeurIPS 2025؛ arXiv 2505.12844) — با نویسندگان همکار وابسته به CCI از جمله مالون — مدل‌های AI و موارد آزمایشی فردی را مانند بازیکنان شطرنج در برابر یکدیگر ارزیابی می‌کند، بنابراین دشواری یک وظیفه و شایستگی یک مدل بر روی یک مقیاس قابل مقایسه قرار می‌گیرد: پیش‌نیازی برای تصمیم‌گیری در مورد اینکه کدام بخش‌های یک کار به ماشین سپرده شود.

دو نتیجه دیگر در سال ۲۰۲۶ ترسیم می‌کند که این به کجا می‌رود. یک مقاله PNAS، «پیشرفت در مذاکرات AI: یک رقابت مذاکرات خودکار در مقیاس بزرگ»، گزارشی از یک رقابت بین‌المللی است که در آن عوامل AI طراحی شده توسط شرکت‌کنندگان بیش از ۱۸۰,۰۰۰ مذاکره با یکدیگر انجام دادند. نظریه مذاکره انسانی در تغییر گونه زنده ماند: عوامل با گرمی — مثبت‌نگری، قدردانی، پرسش‌گری — به طور مداوم نتایج بهتری در معاملات و ارزش به دست آوردند، در حالی که تبادل‌های طولانی با طعم تسلط پیش‌بینی‌کننده بن‌بست‌ها بودند؛ عوامل همچنین تاکتیک‌های بومی AI را توسعه دادند، از استدلال زنجیره‌ای تا تلاش برای تزریق دستور. و یک هستی‌شناسی عمیق از کار (کای و همکاران، arXiv 2603.20619، مارس ۲۰۲۶) تقریباً ۲۰,۰۰۰ فعالیت کاری O*NET را دوباره سازماندهی کرده و ۱۳,۲۷۵ کاربرد AI و همچنین یک شمارش جهانی از ۲۰.۸ میلیون سیستم رباتیک را بر روی آن‌ها نقشه‌برداری کرد — و ارزش بازار AI به طرز فوق‌العاده‌ای متمرکز یافت، به طوری که ۱.۶٪ بالای فعالیت‌ها بیش از ۶۰٪ از آن را تشکیل می‌دهد. سوپرذهن‌های انسان و ماشین دیگر یک استعاره نیستند؛ آن‌ها یک پایگاه نصب شده هستند که در حال فهرست‌برداری هستند.

چه چیزی ۲۴۰ سال به ما می‌آموزد

عصرها را در کنار هم قرار دهید و یک خط مشترک ظاهر می‌شود: هر موفقیتی در این تاریخ موفقیت ساختار است و هر ناکامی ناکامی همان چند شرط است. نظریه کاندورست بر استقلال و شایستگی بهتر از شانس استوار است. نمایش عادلانه گالتون به طور تصادفی قضاوت‌های مستقل، مشوق و مکتوب را تحمیل کرد. قیمت‌های هایک و سازندگان بازار هنسون مکانیزم‌های تجمیع هستند؛ دلفی یک مکانیزم حفاظت از استقلال است؛ چهار شرط سورویکی به سادگی الزامات تکراری نامیده شده‌اند. ادبیات c-factor نشان داد که فرآیند تعامل — نوبت‌گیری، حساسیت اجتماعی، ایمنی برای صحبت کردن — تعیین می‌کند که آیا یک گروه می‌تواند از هوش موجود در آن استفاده کند یا خیر. و تحلیل‌های متا در عصر AI نشان دادند که تیم‌های انسان-AI دقیقاً زمانی برنده می‌شوند که همکاری به طور عمدی طراحی شده باشد. وقتی شرایط شکسته می‌شود — وقتی قضاوت‌ها دیگر مستقل نیستند و مردم شروع به کپی کردن رفتار قابل مشاهده دیگران می‌کنند — شما به ریزش‌های اطلاعاتی، حباب‌ها و تفکر گروهی می‌رسید: به طور فردی منطقی، به طور جمعی نادرست.

این همچنین، نه به طور تصادفی، نقشه‌ای از جایی است که هوش جمعی در زندگی یک تصمیم قرار دارد. تصمیم‌گیری خوب به معنای توجه به مشکل درست، چارچوب‌بندی آن، تولید گزینه‌ها، بررسی آن‌ها، تجمیع قضاوت‌های پراکنده، مباحثه بر روی دلایل و تنها سپس انتخاب، پیاده‌سازی و نظارت است. برنامه تحقیقاتی ۲۴۰ ساله به طور عمده درباره آن مراحل میانی — تجمیع و مباحثه — است، زیرا اینجا جایی است که دانش فردی یا به دانش جمعی تبدیل می‌شود یا در سکوت می‌میرد.

Argumentree به عنوان یک کاربرد مستقیم از این یافته‌ها ساخته شده است. ارسال استدلال مستقل و ناهمزمان شرط استقلال کاندورست و دلفی را قبل از همگرایی گروه محافظت می‌کند. درخت‌های استدلال ساختاری pro/con به هر دیدگاه — از جمله مخالفت — یک جایگاه درجه یک می‌دهند، شرطی که برابری نوبت‌گیری و ایمنی روانی گوگل به آن اشاره می‌کند. ارزیابی چندبعدی (کمک، وضوح، دقت، کامل بودن)، که به امتیازهای اجماعی تجمیع می‌شود، یک مکانیزم تجمیع صریح در نسل گالتون-هایک است — به جز اینکه برخلاف قیمت بازار، استدلال را حفظ می‌کند. و مسیر کامل حسابرسی هر تصمیم را به یک رکورد سازمانی تبدیل می‌کند، بنابراین گروه می‌تواند از خود بیاموزد — مرحله نظارت که چرخه حیات با آن به پایان می‌رسد. استخراج AI از متن‌های جلسه درس ۲۰۲۴–۲۰۲۶ را دنبال می‌کند: از AI استفاده کنید جایی که به وضوح کمک می‌کند (ساختاردهی و پردازش محتوا) در حالی که انسان‌ها قضاوت را حفظ می‌کنند. حکم تاریخ از ۱۷۸۵ تا ۲۰۲۶ یکسان است: گروه‌ها به طور تصادفی هوشمند نمی‌شوند. آن‌ها با ساختار هوشمند می‌شوند — و ساختار اکنون چیزی است که می‌توانید اتخاذ کنید نه اینکه به صورت بداهه ایجاد کنید. با راهنمای ما برای هوش جمعی شروع کنید، یا ببینید که چگونه اصول در یک فرآیند تصمیم‌گیری واقعی در تصمیم‌گیری مشارکتی اجرا می‌شود.