从设计的问题和选取的对象看，由Unanimous AI开发的swarm AI-UNU的预测则明显倾向希拉里。Unanimous A.I. 直接以人为分析对象并使用了一种所谓的“群集智能”的技术。即在实际预测中，一组随机选取的适龄参选的公民会被提问，参与者按照自己的回答倾向牵动球体。在这一过程中，参与者往往会根据球位置的变化而不断变化自己的选择——当发现多数人也支持自己的选择时，他可能会更加坚定地牵引；而当发现球大大偏离自己希望的方向时，他可能会放弃或减小牵引力，直至最终达成“共识”。

　　有专家评论说，Unanimous AI采用“集群智能”技术搜集数据的方法更带有偏见性，这种偏见通过问题的设定和对象的选取得到了充分体现。

　　可行的解决方案：意外流行算法

　　群体智慧有失效的时候。例如，让一群人回答这个问题——费城是宾夕法尼亚州的首府吗？绝大多数人会错误地回答说“是的”。这是因为他们知道：①费城是宾夕法尼亚州的一座大城市，②首府都是大城市。但实际上，正确答案是哈里斯堡，而往往只有少数人会说出这个正确答案。

　　为了找出那些不为多数人所知的正确信息，普林斯顿大学和 MIT 的研究者设计了一种新的方法，将其称为“意外流行”（surprisingly popular）算法。研究人员表示，这种算法能更好地从群体中获取正确答案，尤其是当大多数人的看法是错误的时候。相关论文日前在 Nature 发表。

　　实验中，研究人员会询问接受调查的人他们对某个问题的看法，以及他们认为其他人会如何看待这个问题：①你认为正确答案是什么？②你认为流行的答案（即多数人会选择的回答）是什么？

　　然后，算法会找出“意外流行”的答案，也就是比大多数人预测中更受欢迎的答案。大部分情况中，这些超出大多数人预计的选择，就是正确的答案。

　　“我们以为社会平均意见一般是对的，过往对群体智慧的统计也支持这一看法，”研究负责人、MIT 斯隆管理学院的行为经济学家 Drazen Prelec 说：“但事实证明并非如此。有像医生那样的专家存在。这让我们意识到了少部分人掌握的知识。”

　　Nature 论文：单问题群体智慧新解

　　群体智慧优于任何个人智慧的概念一度曾被视为激进的观点（provocative），但已经成为一种群体智慧，导致有人猜测在线投票都方式可能很快会使认证专家失业。群体智慧近来被用于政治和经济预测、评估核安全、公共政策、化学探测质量检测，以及潜在火山爆发危机应对措施。用于获取群体智慧的算法通常基于民主投票程序，易于应用并且保持了个人判断的独立性。然而，民主方法有严重的局限性，容易抛弃那些没有被广泛共享的新颖或专业知识，反而侧重肤浅、最低的共同信息。基于测量置信度的调整也不能可靠地解决这个问题。在这里，我们提出了民主投票的替代方案：选择比人们预测更受欢迎的答案。我们表明，这个原则在关于选民行为的合理假设下能够产生最佳答案，而标准的“最受欢迎”或“最自信”原则在相同的假设下无法实现这一点。与传统投票一样，该原则适用于单独的问题，例如关于科学或艺术价值的小组裁决以及法律或历史争端。因此，这一方法的潜在应用领域比机器学习和心理测量方法更加广泛，后两者都需要来自多个问题的数据。

「招聘」

全职记者、编译和活动运营

欢迎实习生

以及人工智能翻译社志愿者

详细信息请进入公众号点击「招聘」

或发邮件至 [email protected]