把「好好讨论」做成一种可以大规模部署的制度
我们这一代人，或许有幸成为人类历史上首批致力于构建一个长期可持续、人人皆可蓬勃发展的世界的先驱者。
书的自我评价是：这个命题的真实性当然有待商榷，甚至不太可能实现。
然而哪怕只有一丝希望，也足以令我们振奋不已。
一种建设性的、大规模集体思考的方法，这也是人类当前尚未掌握的技能。
只有齐心协力、共同思考，我们才有望实现看似不可能完成的惊人创举。如果我们是一盘散沙，就很容易停滞不前，甚至造成灾难性的后果。
过去 10 年，信息技术的发展显然加剧了信息传播范围的局限性——所谓「信息茧房」：人们往往只能接收到有利于自身观点的信息。
这加剧了证真偏差，导致党派两极分化日趋严重。
既然人们有能力创造出两极分化的思想群体，也应该有能力构建更高效的集体思考环境。
关键只在于：弄清楚如何以更合理、科学的方式利用信息技术。
它们各自解决一个特定问题，没有一个能包打天下。
本章的主角
问：「美国是否应签署跨太平洋贸易协定？」
大多数受访者的第一反应是：「嗯，我不知道。」
然而，即便对此一无所知，他们依然可以基于个人猜测给出明确的支持或反对意见。
第二天头条：《美国民众赞成和反对的比例达到 2:1》。
因为受访者对这个话题知之甚少，他们只是在提供「自认为应该给出的答案」。
我们真正想要了解的，是在美国公民对某个议题有所了解的情况下，从中选取的公民代表，会有什么想法。
那——
为什么不干脆把他们召集到一个会议中心，给他们信息、给他们专家、给他们时间讨论，然后看他们的想法呢？
主持人不得擅自添加内容，只负责保证人人有机会发言。
而且——商议过程中不进行任何投票。
专家代表不同的立场，所以必然有分歧——但他们都具备该议题相关领域的专业知识。
他们的职责是回答问题和提供信息。他们不能对参与者说教，也不能试图影响参与者的观点。
随机抽取的参与者群体，参与率超过 95%，顺利完成商议过程。
被选中参与讨论的人，会主动阅读更多新闻报道。
书里的例子：那些从来不看报的人，竟然开始每天看 3 份报纸。还有人把受邀参会视为一项需要严肃履行的职责。
参与者会逐渐对共同参与商议的成员产生认同感，「坚定的自由主义者」或「经济保守派」这类原本的个人身份被抛到一旁。
原本的归属标识不再主导话题。
不是因为哪位专家有魅力、能说会道或地位高——是因为他们获得了相关议题的新信息。
一场商议式民调：几百人，三天，面对面。
它解决的是一次议题上的一个决定。
现在问一句：
如果要让全国几亿人都得到类似的效果，怎么办？
不预测未来，测你的决策稳不稳
商议式民调的前提是：专业知识大体够用，未来大体可预期。
但很多时候不是：
未来高度不确定，专业知识还很有限，而那个不确定性会直接改变你的决策。
这时候用情景规划。
书明确说这是错的。
「不可能」或「一定会出现」的推动力量，在你即将规划的四个情景里都是一样的，所以根本不用花时间。
书的例子：未来能源成本的不确定性，很可能高于人口老龄化。
所以应该花更多时间研究能源因素——因为在所有情景里，人口老龄化都是一定会发生的。
书举的企业用工 / 大学生选专业的例子
选两个关键推动力量：财富分配（高度集中 ↔ 更平均）× 人工智能与机器人的效率（大幅提升 ↔ 提升有限）
2×2 得出四个格。给每个格起个名字，写成一段简短的、像事后报道一样的叙述。
然后看你的选项：
用那份关键力量清单，建一套指标或指示体系，用来持续判断「哪个情景正在变成现实」。
书的例子：如果接下来几年，头条开始大量报道 AI 可靠性和效率显著提升，或者「全民基本收入」成了各党派政治纲领的核心内容——
你就知道，某个情景正在实现，另一个正在远去。决策可以跟着调整。
德尔菲法、预测市场、超级预测员
邀请相关领域的专家，匿名提供量化的评级或预测——匿名是为了促进坦诚交流，避免胆怯或哗众取宠。
然后多轮迭代：把结果反馈给所有参与者，由他们决定要不要修改自己的判断。
版本 A：重复几轮后，取最后一轮的平均值，不再讨论。
版本 B：专家们集体讨论剩余的分歧并达成共识。
哪种更好，取决于专家们能不能靠论据说服彼此。
书说得很清楚：如果有充分的理由改变判断，且共享一套概念框架能从提交的判断里筛出最优方案（真理获胜），那允许调整就有用。
但如果某位专家的判断本来很准，却为了迎合别人而改了——那还不如只取平均值。
参与者的做法不是「给个判断」，而是购买特定结果的合约——比如「某候选人将赢得下届大选」。
用自己的钱，为自己的观点下注。跟买五花肉没有本质区别。
1998 年，预测市场在预测美国全国大选上的表现，超越了专业民调公司。
书的结论很克制：它依赖的两个基础概念——能消除误差的群体智慧、市场效率——仍具备「长期效益」，但这不等于它能准确预测每一个具体事件。
菲利普·泰洛克 · 芭芭拉·梅勒斯 · 沃顿商学院
2005 年，泰洛克出了一本很有争议的书，说经过精心设计的测试，政治专家在具体预测上的表现并不明显优于「黑猩猩扔飞镖」。
2015 年，十年之后，他和丹·加德纳合著的《超预测》给出了一个振奋得多的未来。
书的说明很公道：泰洛克并没有全盘否定专家的价值——他们的价值更多体现在帮我们理解这个纷繁复杂的世界；但在预测具体会发生什么这件事上，他们确实表现不佳。
这个项目从美国情报高级研究计划局发起的公开赛中脱颖而出。
不仅赢了第一届，还蝉联了后续各届冠军。
它明显优于：简单聚合的群体智慧法、预测市场、德尔菲类模型。
而且——它的预测甚至优于专业情报分析师，哪怕后者掌握了他们拿不到的机密信息。
比其他研究项目的预测员精准度高出约 10%。
培训过的预测员，精准度同样高出约 10%。
团队协作 + 预测市场为核心的工作环境，相对单打独斗又提升约 10%。
用来提炼集体智慧、剔除极端或不稳定的预测——相对未加权的平均预测，提升了 35%。
普通人。 公开招募，不对学术或专业背景做特殊要求。
他们在校准得分上表现超群，而且相对普通预测员，并未表现出过度自信。
书最后讲了一个正在做的尝试
索尔和伯克利工程学教授肯·戈德堡的一次对话
索尔问了一个问题：
能不能改一下算法，去激励人们理解反方的立场，而不只是拉拢观点相同的人？
能不能给「能清晰理解并表达出对方观点」的人积分奖励？
于是他们搭了一个演示系统：鼓励使用者为某个议题的正反两方各自提出最佳论据，并给其他人的论据打分。
参与者的排名，由其他用户就其正反两方论点打分的各自平均值中，较低的那个分数决定。
你只有一半的本事，是不够的。你必须两边都讲得好——因为取的是你的短板。
把一篇报道分解成若干「可验证」的小单元，逐一分析：
如果每个细分问题都可以由一个代表性群体来回答，我们就能验证：政治立场各不相同的人，在这些具体问题上是否达成了共识。
书明确说：截至目前的每种方法只能说是满足了部分要求。
所有这些听起来都令人沮丧无比！但只要出现一种实质性的、迭代式的、科学的思维方法，我们就能在应对这些艰巨挑战的道路上迈出一大步。
我们无须追求完美，只需要每一次都做得比之前更好。
人们越来越难以判断自己看到或听到的信息是否真实可靠：它们是由人工智能生成的，还是某些人出于经济利益、政治动机或其他目的刻意伪造的？
而这时我们更需要在集体思维中更多地应用面对面沟通来保障信息的真实性——
而这又给这套方法的推广制造了困难。
它们每一个都有明确的适用条件。
| 你的处境 | 用哪个 |
|---|---|
| 价值观有分歧，事实大体清楚 | 丹佛式拆分（第 16 章） |
| 立场固化、互相听不进去 | 商议式民调 |
| 未来不确定，测决策稳不稳 | 情景规划 |
| 要赌某个事件会不会发生 | 超级预测员 |
书的原则：为不同的挑战量身打造适用的方法。
但书的语气始终是建设性的——
最后一章，把前面十七章的所有东西收拢成一个愿景。
它讲的是：如果一个社会，把「政策」当成「假设」来对待——
会是什么样子？
第 18 章：为新的千年重塑信心
| → ↓ 空格 | 下一页 |
| ← ↑ | 上一页 |
| Home / End | 首页 / 末页 |
| N | 讲稿面板 |
| O | 缩略图总览 |
| F | 全屏 |
| P | 讲义模式（可打印） |
| Esc | 关闭浮层 |
| ? | 本帮助 |