我所在的MIT是一个相当独特的不同思想的汇聚地。最明显的一点就是，我的许多波士顿同事都是世界上最出色的研究人员。此外，这里还有一些来到MIT、在我的企业家精神课堂上演讲，或资助我的研究的有远见的商业领袖。我也有幸在世界经济论坛上结识了不少来自世界各地的政治领袖，并与他们讨论新想法。此外，我在MIT媒体实验室还与社会上许多初露锋芒的艺术家们互动，而且这里还有一群来自世界各地最出色、最聪明的学生。

他们与普通人并无太大区别，你也许会对此感到惊讶。他们中的一些人经过磨炼成为世界级专家，但这并不是他们新想法的来源。正如史蒂夫·乔布斯（Steve Jobs）所言：

创造力只不过是把事物关联在一起而已。当你问有创造力的人，他们是如何做成某件事的时候，他们会感到一丝愧疚，因为他们其实并没有做什么，他们只是明白了某些东西。一段时间之后，这对他们而言就是显而易见的了，因为他们能够把自己的经验联系起来，合成新事物。

最善于保持创造力和洞察力的人是探索家。他们花了大量的时间来寻找新的人和不同的想法，却并不一定绞尽脑汁去发掘“最好”的人或“最好”的想法——他们要寻找的是具有与众不同观念和与众不同想法的人。

除了不懈地寻找新想法之外，这些探索家还做着另一件有趣的事：他们会遇到各式各样的人，而且他们习惯于向遇到的每一个人征求对于他们新近发现想法的意见，从而精选出最好的想法。对获得有创意的想法而言，观点和经验的多样性是一个重要的影响因素。那些能够让许多人感到诧异或有兴趣的想法成为主角，进而被组装成关于世界的新故事，来指导行动和决策。

最高效的人会不断地开发和评测新故事，并将新发现的想法加入故事中，然后向遇到的每一个人讲述。恰如生土可以用来制作美丽的雕塑，久而久之他们的故事也会变得愈发引人入胜。他们最终会付诸行动，把想法公之于众并接受实践的考验。对这些人而言，收获、筛选和塑造想法就如同玩乐。事实上，他们中的一些人将之称为“严肃的游戏”（serious play）。

其实，科学、艺术或管理的主要工作是相同的：塑造一个关于世界的引人入胜的故事，并接受实践的检验。在科学领域，这些故事接受的是现实世界中行为的检验；在艺术领域，接受的是对他们影响当下文化能力的检验；而在管理学领域，则是对他们在商业或政府运作中能否成功的检验。

这种探索过程的目的在于寻找并筛选出少数好想法。然而，我们如何从中获得可以产生好决策的想法？这是否只是想法的随机组合，很少有我们个人智慧的贡献？是否存在一些对成功的探索而言至关重要的策略？

这一探索过程本质上是对一个人社会网络的搜寻，因此回答这些问题的出发点就是：研究社会互动在寻找新想法并将其用于决策过程中所扮演的角色。

对于原始人类群体的研究强化了一个观点：社会互动对于人类获取信息、决策起着核心作用。人种学家发现，几乎所有影响整个群体的决定都是在社交情景下做出的。对于人类和动物而言，例外主要发生在诸如战争或突发事件等需要迅速做出决策的情形中。

对于人类是如何演化到使用社会决策方式的最初猜想，是从许多不同的人那里把想法汇聚起来会带来好处。基本的概念在于通过把想法汇聚起来，可以得到优于个体判断的平均化的“群体智慧”（wisdom of the crowds）判断。这种想法的汇聚因数年前詹姆斯·索罗维基（James Surowiecki）所著关于“组织智慧”的书而为大众所知，并且对无记名投票选举、社交媒体上的“点赞”和“评星”以及网页上的下载计数器等都产生了启发作用。

然而，证据表明，这种把想法汇聚起来的方法只对那些不存在社会互动的预估问题有效。换言之，这一方法假设人群中的每个人都是独立行动的。一旦存在社会互动，它就失效了：人们开始互相影响，并导致恐慌、泡沫或引爆流行。把想法汇聚起来的做法之所以对简单的预估问题有效，是因为各条信息在没有社会互动的情况下是充分独立的，所以我们能用简单的数字运算组合信息，例如取平均数或中位数作为答案。

遗憾的是，我们还没有找到汇聚更为复杂的策略信息的简单方式。当然，希望仍在。野外生物学家在观察动物群体时发现，社会学习，即新想法如何成为习惯，以及如何通过社会压力加速影响学习。包括通过观察他人行为学习新策略以及通过体验或观察学习新信仰。

社会学习学习（例如模仿成功的个体）可以提高觅食、择偶和栖息地选择等决定的准确性。

对人类而言，反馈当前最佳想法的社会学习策略（也就是说，一种将收获想法的过程与专家评估想法的过程互相穿插的、有约束的、人为的社会互动）能产生一种即使是对小群体也有效的群体智慧效应。但是，在动物群和人群中，这一群体智慧效应只有当个体的决策足够多样化时才有效。收获能够带来伟大决策的想法的关键在于，从他人的成败中学习，并确保这种社会学习的机会充分多样化。

社会学习，超越“回音室效应”

人究竟是如何发现足够多样化的想法的呢？要想明白何种社会学习模式能够带来群体智慧，我们首先需要了解如何使用社会学习找出最佳的想法。

为了诠释群体智慧的由来，我将提及我和我的博士后扬尼弗·阿特舒勒（Yaniv Altshuler）、博士生潘巍（Wei Pan）所做的关于eToro社会网络的研究，以及发表在《哈佛商业评论》（Harvard Business Review）上的题为《超越回音室》（Beyond the Echo Chamber）的文章。

图1-1显示的是eToro用户之间的社会学习模式：每个点表示哪一个用户（横轴）效仿了另外一个用户（纵轴）。“上帝之眼”在图中所看到的是任何一个个体都无法看到的：学习的全局模式。

图1-1最显著的特征或许就是点与点之间存在着大量空白区域。这意味着大部分用户只效仿少数几个用户，并且有很多用户并不效仿任何人。我们所观察到的是，一个个体交易员与其所效仿的对象之间存在稀疏连接的社会网络。因此，随着个体交易员决定效仿其他用户，新的交易策略就会通过社会网络在用户之间传播，并进而被其他交易员效仿。

同时，图1-1也清晰地表明社会学习的数量存在很大变数。有一块区域几乎被点完全覆盖，这意味着这群交易员之间存在着稠密的社会学习网络。另一个只有少数点的区域则意味着这群交易员之间只有少量社会学习发生。图1-1中的大部分区域里都有适中数目的点，则意味着大部分交易员处于社会学习的两个极端之间。

图1-1 eToro社会交易图

想法流，智慧学习的分形舞蹈

什么样的探索和社会学习模式能够产生最佳结果？在扬尼弗把所有交易员的投资回报与交易员之间想法流的速率关系绘制出来之后，我们找到了答案（想法流的速率就是在个体交易员决定效仿其他用户，并随之被其他交易员效仿时，新的交易策略沿着社会网络在用户之间扩散的速率）。

图1-2显示了投资回报是如何随着eToro社会网络内部的想法流速率而改变的。在这张图中，每个点都代表所有eToro交易员一整天里的平均表现。这张图中的数据是基于总计约1000万次交易记录计算得到的。横轴代表想法流的速率，而纵轴比较的是投资回报。我们对数据做了校正以消除市场整体波动的影响。

图1-2 想法流速率对投资回报的影响

我们一眼就能看出，eToro社会网络内部想法流的速率的范围很广。从孤立的个体交易员到陷入回音室效应的交易员，以及位于中间的群组的盈利情况中，我们清楚地看到社会学习的效果是非常巨大的。当社交网络内的交易员的想法达到适当的平衡和多样化时，与个体交易员相比，他们的投资回报能提高30%。

对这一数字交易环境而言，群体智慧处于孤立行为和“羊群效应”这两个极端之间。这一中间地带正是社会学习（即效仿成功人士）能真正带来回报的地方。在后续章节中，我们将会看到这一群体智慧的概念在企业、城市和社会机构中再次出现。

这一智慧效应并非凭空出现，在猿类群体和小型的人类团队中都有类似现象，在计算机学习的算法网络模拟以及社会学习的数学模型中也可以看到。

我和博士后埃雷兹·史牟莉（Erez Shmueli）以及扬尼弗发现，一群社会学习者能自发形成无标度（“无标度”是指一个用户具有d个跟随者的概率服从幂律分布，即Prob（d）～d^-γ。）分形网络（scale-free fractal network）。这类网络中的连接要远比完全随机的网络多样化程度高，并且网络中的连接会以相同的无标度分形方式随时间变化。随着学习者之间的连接模式趋于最优，整个群体的表现也会显著提升。最终，我们会看到把想法转化为智慧学习的分形舞蹈。

那么，想法流究竟是什么呢？社会网络中想法的传播和流感的传播有相似之处。以流感病毒为例，每当一个感染者和一个“新人”接触时，“新人”会存在一定的被感染病毒的风险。如果两人之间接触很多并且“新人”是易感者的话，他就很有可能得流感。如果大部分人都是易感者，那么病毒将逐渐扩散到大部分人之中。

我们针对想法流进行的评估是：当一个新想法出现在一个社会网络中时，网络中一个人的行为发生改变的可能性。这与流感季节患流感的可能性很相似，当然想法通常不如病毒散布得那么快和远。事实上，我们能够使用的可靠地激发想法流快速传播的唯一方式就是使用社会网络激励，我们将在后续几章中对此进行介绍。

提高想法流的速率是关键

上述eToro网络的例子非常清楚地表明，在衡量社会网络对于收集和提炼决策的功效时，想法流的速率是一个非常关键的指标。在后续章节中，我们将会看到想法流的速率还可以用来预测生产率和创意产出。但是，个体究竟该怎样做才能提高在社会网络内自身想法流的速率呢？幸运的是，方法很多。

每个人也可以设法改变其个人习惯以提高想法流的速度。2004年，我和博士生坦辛姆·乔杜里（Tanzeem Choudhury）用社会计量标牌跟踪记录了4个研究小组之间为期两周的互动，并获得了平均每个实验对象长达66小时的毫秒级数据记录（关于这些标牌的详情请见深度洞察“现实挖掘”）。

想法流还取决于社会学习和个体学习的结合。例如，当个体看到他人选择与自己相似的策略时，往往变得更加自信，并且更有可能加大对这一策略的投资。人们的决定是个人信息和社会信息的结合体，而且当个人信息较弱的时候，人们会更依赖于社会信息。在人们不确定的情况下，社会学习对于提升自信心起着更大的作用。这是很有道理的：因为当人们不知道能怎样的时候，他们可以通过花更多时间观察他人的行为来学习。

遗憾的是，这也可能导致过度自信和团体迷思（group-think），因为只有当人们拥有不同的个体信息时，社会学习的机制才能够改善决策。因此，如果外界信息来源（例如杂志、电脑、收音机等）太过雷同，团体迷思就真的很危险了。

与此类似，当社会网络中存在反馈环时，相同的想法会来回循环。但是人们可能意识不到这一点，因为想法在人与人之间传递的时候通常会出现些许的改变。人们很容易认为每个人都独立地想出了相似的策略，并因此过于自信。这种回音室里的过度自信效应是导致流行时尚和金融泡沫的原因之一。

有时候，这些回音室效应并没有导致好的结果，比如金融泡沫或恐慌一样。图1-2中稠密的反馈环区域其实就是一种金融泡沫。我们发现，拉脱维亚的某个交易员具有长期盈利的“运气”，随着时间的推移，人们开始效仿他，而这些人又被其他人效仿，不断扩张。社会学习就这样悄无声息地快速产生了一个使用拉脱维亚人策略的庞大“组织”。

然而，交易员们并不能看到整个网络中的社会关系，这意味着他们并不知道大家都在效仿拉脱维亚的那个交易员。他们认为彼此在跟随不同的“大师”，而这些“大师”是独立地想出相似策略的。正因为表面看来这一策略得到很多独立的支持，这些交易员才对此策略过于自信。不幸的是，所有的大师最后都会失败，而对于那些完全模仿这一拉脱维亚交易员的投资组合的人而言，结果将是一场灾难——泡沫终将破灭。

运用想法流校正网络

因为想法流考虑了社会网络结构、人与人之间社会影响的强度，以及个体对新想法的易感性等因素，所以它还扮演着另一个重要的角色：能可靠地预测出某个因素变化会如何影响网络中所有人的表现。因此，这一从计算导出的想法流概念能够让我们“校正”社会网络，从而做出更好的决策、获得更好的结果。

比如，当想法的流动太过稀疏和缓慢，或者太过稠密和快速的时候，我们能做些什么呢？在eToro的数字金融世界里，我们发现可以通过为个体提供少许激励来影响想法的流动，让孤立的交易员更多地和他人交流，并使那些联系过于紧密的人减少交流，转而寻求与圈子范围之外的人交流。

这一校正的概念不只是针对eToro，还可以用于很多不同的网络。我们观察到具有相同网络结构的例子包括：新闻记者的消息来源（以便判断报道是否全面），金融监管（确保考虑到所有可能的诈骗因素），以及广告宣传（确信抽选了足够多样的顾客意见）。因此，我和扬尼弗成立了一个叫雅典娜智慧（Athena Wisdom）的科技公司，以校正世界各地的金融和决策网络。

探索的三大要点

eToro和贝尔明星实验的例子很好地展示了关系网络是如何决定现实世界的决策质量的。此后，我将使用“探索”一词来指代“使用社会网络获取想法和信息”。探索是把新想法带入一个工作团队或社区的想法流的一部分，关于探索需要记住如下3个要点。

●社会学习是关键：效仿他人的成功与个体学习相结合，要比仅依靠个体学习好得多。当你的个人信息不够清晰的时候，要多依赖社会学习；当你的个人信息足够强大的时候，则应少依赖社会学习。这些例子也告诉了我们关于好决策的重要细节。社会学习的威力体现在了社会网络中，增加你的联系人和网络的多样性能够使你更容易找到最佳策略。

●多样性是重要的：当每个人都选择相同的方向时，你的信息和想法来源极有可能不够多样化，这时你应该做进一步的探索。团体迷思对社会学习而言是很危险的。如何才能避免团体迷思和回音室效应呢？你要将社会学习的建议与孤立个体（他们只有外部信息来源）所做的事进行比较。如果来自社会学习的所谓的直觉，仅仅是孤立的个体思维过于自信的形式，那么你很有可能正处于团体迷思或者回音室效应的情形中。在此情形中，一个出奇的好策略就是与直觉背道而驰。事实上，对于eToro的用户而言，这个策略的回报仅次于最出色交易员的回报。

●特立独行者是重要的：当人们的行为与他们的社会学习无关时，他们很有可能拥有独立的信息并充分信任这一信息以抗拒社会影响效应。尽可能多地找到这样的一些“聪明人”，并向他们学习。这些特立独行的人有时候有最好的想法，但有时候他们只是古怪而已。你怎么能够判别到底是哪种情况呢？如果你能够找到很多这样的独立思考者，并发现他们中很大一部分人之间具有共识，那么一个很好的交易策略就是跟随这些特立独行者的共识。例如，在eToro网络中，这些独立策略的共识要比最出色的交易员的策略好两倍以上。

总之，人们如同处理想法的机器，将个人思考与社会学习结合。你的成功在很大程度上取决于你的探索的质量，这进而取决于你拥有的信息及想法来源的多样化和独立性。接下来的章节将会说明这一探索过程在组织、城市乃至整个社会的创意产出中所扮演的关键角色。

这些发现一个令人不安之处在于，我们所身处的超连接的世界可能趋向于一种拥有过多想法流的状态。在回音室世界里，时尚和恐慌是常态，人们很难做出好的决策。这意味着我们需要更加关注我们的想法是从哪里来的，并且应当主动地不去全相信大众的意见，而去跟从那些与众不同的想法。我们可以设计软件工具来自动实现这一过程，但我们必须为此追寻想法的起源。版权等旧体系是迈向追踪想法流的第一步，但我们还需要更为统一和灵活的机制。我会在最后两章回到这个话题，并讨论我们如何构建信任网络体系，使它既能保护个人隐私，也能允许充足的想法流存在。

最后，虽然我对我们的研究工作给出了文字的描述，但是这些研究的核心涉及复杂的数学。我和扬尼弗·阿特舒勒、潘巍、董文（Wen Dong）给出了将社会学习和探索过程量化的详细方程，这些分析能够帮助人们找出从社会网络中获取想法并做出更好决策的最佳途径。通过使用这些方程，我们能够可靠地预测个体会选择怎样的行为以及这些行为能产生多么有效的结果，并且它们适用的范围可以从公司（本书的第二部分）扩展到城市（第三部分），直至整个国家（第四部分）。