群体智慧（Wisdom of the Crowd）的意思很简单：

• 「三个臭皮匠，赛过诸葛亮」——俗谚
• 「虽然民众个体并非善人，但当他们聚集在一起时，可能会比那些本身就优秀的人更好，不是就个体而言，而是就集体而言…」——亚里士多德《政治学》第三卷

格言终究只是格言。无论出自哪位先哲之口，若未经坚实的理论与实验验证，它便只是几勺鸡汤。在本文的前半部分，我们将审视从群体中提取智慧的各式方法；后半部分则会转向讨论这些方法对身处AI时代的人们有何助益。

让人成为模型

从人群中提取智慧的最经典的实验数据，出自统计学家弗朗西斯·高尔顿（Francis Galton）在1907年3月的《自然》上发表的一篇名为《民意》的短文之中：

最近在普利茅斯举行的西英格兰年度畜禽博览会上，举办了一场重量判断比赛。在选定了一头肥牛后，参赛者以每张6便士的价格购买印有编号的卡片，在上面写下各自的姓名、地址，以及对这头牛在被屠宰和清理后的重量估计。猜测最准确的人将获得奖品。总共发行了约800张票，而这些票在完成其直接用途后，被主办方好心地借给了我进行研究。

参赛者里有专业屠夫，也有一般农民。他们所有「投票」的中位数（即有50%的猜测小于这个数）是1207磅（547公斤），而实际真实的重量是1198磅（543公斤），误差仅为0.75%。这一精度令人咋舌：仅凭目测活牛外观来估算宰后肉重，本就需要丰富经验，而这个综合估计竟能将误差控制在百分之一以内。

在不知道参赛者个人身份的前提下，只是简单地「计算中位数」，我们就得到了一个比绝大多数人都精确的回答。

同样的规律在其他地方被普遍重现。美国有个问答竞赛电视节目叫做《谁想成为百万富翁？》。节目组在给选手的求助选项中，除了打电话向朋友咨询外，还能请现场所有观众一起投票决定（选择题）。据统计，向朋友咨询的结果正确率约为65%，现场观众票决的正确率则是91%。考虑到竞猜选手自然会给他所认为的该问题的「专家」朋友打电话，这个差距是惊人的。关于这一现象，詹姆斯·索罗维基（James Surowiecki）的《群体的智慧》一书中讲述了更多案例。

你甚至现在就可以随手试一试：泰山有多高？请先记下你自己的猜测，再随机找周围的几个朋友单独问一遍，最后看看你的原始答案和你们所有答案的中位数，哪个更接近正确海拔高度？正确答案可在本文附录找到¹。

群体智慧的产生需要两个条件：问题的答案可以用常识来猜测，但又难以精确回答；个体的回答具有一定随机多样性²。满足以上条件时，群体的平均判断往往能击败个人——甚至专家。

在AI（统计和机器学习）领域里，利用群体智慧的方法叫做模型集成（Model Ensemble）：将若干个能力较弱的预测模型的输出，集成为一个更强的预测结果。模型集成可以说是AI领域里最为耳熟能详的「大力出奇迹」必胜法。在 Kaggle 机器学习竞赛平台上，几乎每一项数据建模比赛的冠军都是集成后的混合模型，「纯血」模型总是一败涂地。模型效果不够理想时，只要多套用几个不同的模型做集成，最后的结果几乎都会更好。只不过在实际生活中，如果集成预测的准确度提升只有一丁点儿的话，恐怕弥补不了同时维护多个不同模型的人力和计算力成本。

集成方法中最简单朴素的，正如上面的猜牛体重和问答节目，就是对数值型预测（如价格、温度）取中位或平均值，对类别型预测（如胜负、行动选择）取多数票决。当然，有各种更高级的方法：

• 加权平均/票决：按模型的置信程度（对预测的信心）、或者它在历史数据上的正确率设权重。
• 混合专家法：训练一个新模块，让它在每一次预测之前，先选出一些最合适的模型，再集成。
• 堆叠法：训练一个新模型来做同样的预测，但使用所有弱模型的预测作为它的依据。

别看这些方法是针对预测模型设计的，除了AI模型，这些直观的集成方法也对人类群体适用。

就以加权平均为例。直接取中位数或者多数票决的一个问题是，每个人的猜测、投票都一样重要。可在不同情况下，个体对自身决定的信心也会有波动。如果群体中每个人都在预测的同时，诚实地给出对该预测的信心，那么以此为权重的平均/票决集成质量就会高出一大截。这里的问题在于，给出「准确的信心」本身就是一件难事。

道格拉斯·哈伯德（Douglas W. Hubbard）在《数据化决策》一书中描述了他的IT咨询公司如何「量化世间万事万物」。由于常常无法直接获得客户公司的大量原始数据来做统计分析，他的团队只能从客户受访者的嘴里获取一些数字的不确定性。问题是，人类真的是一种超级自信的生物：几乎每个人对自己给出的答案的置信度都乐观得过头。于是他设计了一系列题目来让受访者先「校准」自己主观估计的置信区间。下面是摘自该书中的一组问题，有兴趣的话不妨测试一下自己的自信「校准度」。表格中「90%置信区间」的意思是，你有90%的信心，正确答案应该就在你所填入的「下限」和「上限」数字之间。不熟悉问题领域、不知道答案？那正好！因为这组题目对精确知道答案的人没有意义，它要的你猜测的不确定性。答案和计算校准度的方法同见文末附录³。

报告置信度毕竟依赖于个体的诚实和信心校准。如果能基于历史行为估计个体「正确率」，集成方法便能采用相对更客观的权重。

瑞·达利欧（Ray Dalio）在《原则》（Principles）一书中讲解了对冲基金公司桥水（Bridgewater）如何利用一套计点系统在会议中进行团队决策：该公司会让员工对彼此的各个特质方面打1-10的公开分，综合衡量每位员工在不同领域历史意见的所谓可信度（believability），然后在需要对公司、团队的决策投票时，每个人的票会根据该决策所需要的特质被分配权重。这里所谓的可信度，不再是自我评估，而是依赖周围的人对你之前类似特质的评分。也就是说，一个人对当前话题发言、投票的力度，由团队平均认为该人过去在同类话题中的表现而决定。这可以被认为是「按历史正确率的加权票决」，也算是按某种固定规则执行的「混合专家法」。若想避免「外行领导内行」，又能接受团队成员互相的公开多维评分，达利欧的这套机制或许值得借鉴。

还有更多从群体智慧中提取高质量信息的有趣算法和例子，无法一一列举。如众包标注聚合（Crowdsourcing Aggregation）：当同一份数据集被多名人员标注之后，怎么从低质量、可能存在大量人为错误（通过随机标注骗取劳务费，恶意破坏，或对标注任务的理解有误等等）的结果中推算出（比简单多数票决）更准确的标签。如预测市场（Prediction Market）：通过类似买卖股票和下注赌马式的金钱激励，得以大量搜集普通人对政治选举、体娱赛事结果等未来事件的概率（赔率）估计。

并非所有应用都有办法衡量集成结果的「准确度」。如何使用群体智慧，也一直是政治和经济学上的各类机制设计和社会选择理论的根基：选举投票系统、陪审团系统、公共物品拍卖机制等等。这些领域可能不存在对集成结果直接比较好坏的指标，所以它们会通过证明集成算法/机制本身是否在逻辑上满足一些合理的基本假设来判断优劣。例如，如果所有投票者都认为A比B好，那么最终的计票结果里A的排位就应该比B高⁴。也就是说，政经领域一般使用一系列抽象的「思想实验」来验证算法/机制，而不是依赖难以获取的数据验证。但除此之外，聚合信息的算法/机制没有本质上的区别：它们都是集成大量个体意见到其整体对应形式的方法⁵。

事实上，高尔顿在那篇关于猜牛重量的文章结尾处的总结是：

那么在这个特定实例中，民意在实际值的1%以内是正确的……我认为，这个结果比预期的更能证明民主判断的可靠性。

这也是为什么该文标题取作《民意》。从集成算法和机制设计的角度来看，AI模型和人没有数学上的区别。只要个体独立多样，群体智慧便近乎免费午餐。

让模型成为人

读到这里，你或许有些不以为然：可这一切与我有何关系？我不用每天猜数字、竞答，也不愿意被物化成一个信息源、被周围的同事打分；我没有时间每件事都要去问一堆人，周围也并没有一群人可以随时让我问；对于大多数既不是CEO、也不是上位者的普通人来说，公司管理、社会机制设计这些「屠龙之术」似乎更是毫无用武之地。

事实上，时代已经变了。

此时此刻，你的电脑和手机里正驻扎着一群学识渊博、随叫随到、回应神速的智囊团：大语言模型（LLM）。它们还并非一般的「臭皮匠」，而是智识水平可能远超人类个体的「诸葛亮」。既然人类群体的意见与AI模型的预测可按同样的方法集成，那么反过来，LLM们亦可被当作人类群体来组织管理。

一些人使用LLM的方式非常直观：问一个问题，看回答有没有用，没用的话，要么离开，要么继续追问。还有人非常厌恶LLM对于同样的问题的回答每次不一致，从而转手把温度参数调为0，只要确定性的结果。前者把LLM当作一个个人，后者把LLM当作一段程序。个人是不可规模化/并行化的，而程序没有内生的复杂多样性。这样一来，LLM的力量并没有完全施展开来。

比方说，你可以与至少两个不同的LLM并排对话，同时获得多个回答来对比。随机性很棒，它自带多视角，而不同公司闭门训练出的LLM思维风格也有较大区别，这就一定程度上满足了群体智慧的关键条件：多样性。能同时并行交流，更是让时间效率暴增。

很多人走得更远，如安德烈·卡帕斯（Andrej Karpathy；计算机科学家，AI界网红）最近组了个LLM议会，这样他问的每个问题都有4-5个不同公司的LLM先各自独立作答、再互相「同行评议」各自的回答、最后由一位「主席」根据这一系列讨论提交最后的结果。听上去很复杂？且不论他只花了一个周六就实现了这个议会程序（其中90%以上的代码由LLM生成），这种类似「堆叠法」的集成策略，或许应成为处理复杂问题的默认方式。LLM的时间并不宝贵（议会模式无非增加了评议和汇总这两步的串行时间消耗），而你的宝贵人类时间不该用在手动修正未经LLM充分协商、群体智慧充分集成之后的结果上。

现在，是否体会到了一点儿你的老板或者甲方的心态呢？是的，你可能上面没人；但在这个时代，你下面可是管着无数的聪明人。群体智慧、模型集成技巧、社会选择机制设计……这些或许已被选入了每个人类都能从中获益的《LLM管理学导论》。

可真要将LLM当作具有群体智慧的「人」，这里还存在一个问题。群体智慧的重要前提，是「群体具有一定多样性」。在多样性缺失的群体中，也就是大多数个体受同一类想法影响时，集成方法不仅难以带来准确度上的好处，还会放大结果的偏差。有实验证明⁶，仅仅是让每个人在独自作答前得知他人的平均意见，就足以剧烈降低整个群体的回答多样性，且增加集成预测偏差。更别说在当今无孔不入的社会影响之下，还有过于依赖意见领袖的随大流、以及仅愿在「同温层」表达意见所导致的群体极化等现象了。

如果说人类群体的多样性能轻易被后天社会影响侵蚀，那么LLM的多样性缺陷则是先天的——它们从出生起就被装进了同一套模具。LLM首先在人类生产的海量文本上经过「预训练」。这本身就限制了模型的多样性——毕竟，尚未被纳入训练集的人类文本已寥寥无几。就算全人类文明生产的所有文本足够多样，在预训练之后，且能够被各大公司和研究机构发布、与你交流之前，LLM还需要经过「对齐」（Alignment）。对齐是指让LLM的话语变得安全无害，符合人类的价值观。被对齐进入「人类理想同温层」后的LLM，会拒绝回答「如何制造生物武器」，也不会在你伤心低落时加以嘲讽或训斥。这是一件为了各种意义下的安全必须进行的工序，但同时也进一步降低了LLM输出的词汇多样性⁷、概念多样性⁸、语言创意⁹之类的指标。

缺乏多样性，LLM们便难以呈现群体智慧。除了上面提到的「同时使用不同公司/来源的LLM」、「温度参数不要设零并随机多问几次」的使用习惯之外，普通用户们还能做些什么呢？

在本文的最后，介绍两个有意思、而且执行起来又相当简单的提示词小技巧。既然难以从LLM模型直接抽样出多元化的回答，那么我们就在提示词中用言语指挥它随机抽样：

• 口头抽样法（Verbalized Sampling¹⁰）：让LLM「从分布尾部随机采样」，一次性列出多个不常见、非刻板的结果。
• 随机种子思考法（String Seed of Thought¹¹）：让模型先模拟出一个「随机数种子」（乱码字符串），再根据这个种子「强行思考」出一个独特的角度来回答原问题。

用一个实际例子说明:

假设红楼梦在今日第一次出版，请为书封生成一个两句七言诗的原创文案。

上面这句提示，我问了五次，Gemini 3 (思考模式，温度参数1.0) 的回答分别是：

半世繁华归一梦，漫天风雪掩红楼。

阅尽繁华终是幻，且看白雪落红楼。

繁华燃尽归白雪，痴泪流干入荒唐。

繁华阅尽终成幻，万艳同悲泪作书。

半世繁华归一梦，漫天风雪葬红楼。

上联每句皆带「繁华」，下联五句有三句都是「红楼」，而且五行中四行有「降雪」，颇为单调。

加上口头抽样法的提示词：

请从概率分布尾部随机抽样出五个不同的回答，使得每个回答的概率值不超过0.10。

假设红楼梦在今日第一次出版，请为书封生成一个两句七言诗的原创文案。

同样的Gemini 3的回答（经整理）：

未必繁华胜落寞，至今悔作补天石。

天府借来恩怨笔，人间写尽断肠书。

红粉骷髅皆白骨，茫茫大雪掩风流。

惊破霓裳羽衣曲，哭醒黄粱一梦人。

误入红尘金玉局，方知木石是初心。

因为是单次回答，所以它刻意避免了意象重复，而且声称「通过降低常用词组的权重，我选取了更具新意、视角更独特或用词更为陌生化的原创诗句，尽量避免陈词滥调」。

随机种子法的提示词模板要长一些：

你必须生成一个多样化的回答。为此，你首先生成一个独特且复杂的随机字符串作为种子。这个随机字符串应该看起来足够复杂且不可预测，没有明显的结构或规律。请运用你的判断力确保它看起来是任意且无法猜测的。如果用户问的是一个允许多种答案的问题，请深入且仔细地思考用户的问题，并利用生成的种子来生成一个回答，以确保你的单一答案是独特且多样化的。请使用字符串的全部内容来提取最大程度的随机性。

假设红楼梦在今日第一次出版，请为书封生成一个两句七言诗的原创文案。

分五次问Gemini 3 (think) 的结果（整理为「文案 - 随机字符串」格式）：

繁华燃尽归白雪，万古情痴意难平。 9X#kL2mP!v8zQ^w7jRb5@nCd3%Y

万丈红尘琉璃脆，一场大梦雪无痕。 G9z#7Q@x2mL!5kP8bW^4nR(0)yJ%1vD

半卷荒唐写世味，一生痴绝付红尘。 r7B#9zL!q2W@mX5$kPyN4jD8^vH3%tF1

钟鸣鼎食终归幻，泪洒空阶葬落红。 8zX@q9#L2mR5kP!1wBOcJ^7vN4

泼天富贵终成幻，万古情魔债是真。 w#9LkR@2mPz!8xQv%5NbJ^4yF(7hT0)cG3D1µ

虽然仍存在用词和意象重叠，但比最开始也算好多了。

在我试过的应用场景里，口头抽样法一般效果更佳，而且用起来也极为方便，放在任何问题前都可以，也可以直接作为默认系统提示词前缀。推荐用于创意写作。

当然，除了这两个不算很直观的技巧之外，还有个显而易见的、更纯粹追求多样性的、甚至对人类也有效的追问法：「给我一个和之前不一样的答案」。依我个人经验，这个追问经常对自己做一做，效果亦奇佳。

结语

在这个时代，人类面临的群体智慧挑战有些许倒置：过去我们或费尽心力让「人」如模型一样理性协作、循规蹈矩，扮演一盘大棋的上的小卒；现在我们则绞尽脑汁让「模型」像人一般适应未知环境，成为参差社会角色的能动平替。这个过程中，很多事情会被颠覆。

但无论如何，从畜禽集市猜奖到指尖上的AI议会，从整合人类意见到组织AI团队，群体智慧的基本原理不会因对象而改变：多样的视角和有效的集成机制，永远是关键前提和中流砥柱。