我不禁微笑著想，天才是在多麼偏僻的角落裡產出了傑作！反覆無常的繆斯女神們，通常連宮殿都拒絕踏入，對墨香四溢的書房和富麗堂皇的客廳裡那些崇拜者們都吝於露出一絲微笑。可她們卻常常光顧怎樣的殘屋破洞，將其芳心交與那些衣衫襤褸的信徒！
華盛頓·歐文（Washington Irving），1824年
當事情變得真正複雜時，不要聽專家的。相反，要找外人幫忙。
這是創新學者卡裡姆·拉哈尼（Karim Lakhani）、凱文·布德羅（Kevin Boudreau）及其同事進行的一項精彩研究並從中得出的結論。他們想找一種更快的方式對大量人類白細胞進行基因組測序，而白細胞則是身體對細菌、病毒和其他抗原的主要防禦手段。
一鳴驚人的新手
這項工作顯然很重要，因為我們想更好地瞭解免疫系統的功能原理。但它也難得出奇，究其原因，白細胞需要產生大量的武器來抵禦人體的許多抗原，而所有這些抗原又在不斷發展。身體本身有聰明的解決方案，它讓抗體和其他武器經由每個白細胞內的基因進行編碼，但是，這些基因本身由一長串基因片段組成，有時會產生突變。活躍片段的精確排序因細胞而異，這意味著不同細胞會產生不同武器。這些武器很多，據估計，一個人類白細胞有大約100個相關的基因片段，它們可以組合或重新組合，產生1030 種可能的分子武器。這大約是地球上沙粒的萬億倍。
通常，研究人員的一項重要任務就是註釋白細胞的基因，即按順序正確地識別其每個組成片段。你可能會想像讓電腦執行這項工作。然而，它可以用許多不同的方式來處理，而事先也不清楚哪種方法將產生最好的結果，即最快和最準確的結果。由美國國立衛生研究院（US National Institutes of Health）開發的MegaBLAST算法十分流行，它可以在約4.5小時內註釋100萬個序列，準確率為72%。貝斯以色列女執事醫療中心（Beth Israel Deaconess Medical Center）的拉米·阿爾瑙特（Ramy Arnaout）博士建立了idAb算法，極大地改進了這方面的性能，在不到48分鐘內以77%的準確率完成了等量的註釋。
為了看看還能做多少改進，拉哈尼、布德羅和他們的同事們設計了一個兩步驟的工作流程，並廣邀大眾參與。首先，他們將基因片段註釋從特定的免疫遺傳學問題轉化為一般算法問題。這樣做之後，就不再需要關於遺傳學、生物學等領域的知識，也使問題向更多的參與者開放。
然後，研究人員在專攻計算密集型問題的在線平台Topcoder上面發佈了這項「通適的」挑戰。在該項研究於2013年進行的時候，Topcoder社區大約有40萬名遍佈世界各地的軟件開發人員，他們之所以加入平台，或多或少是因為喜歡迎接艱難挑戰。對於這些潛在的問題解決者，研究團隊給出了參賽方案的評估方法，它是一種結合了速度和準確性的評分，同時提供了一「捆」工作數據。這些數據分為兩組，一組是面向所有問題解決者的公開數據，另一組是讓他們接入Topcoder網站的私人數據。問題解決者無法看到或下載這些數據，但是他們可以用自己的算法對之進行運算並獲得一個評分。此外還有第三組私人數據，它用於生成比賽的最終得分。
這場Topcoder比賽進行了14天。在此期間，有122人（或小組）至少提交了一次算法結果以獲得評分，許多人還做了不止一次，最終提交的方案有654份。參與者是一個高度多樣化的群體，他們來自69個不同的國家，年齡從18到44歲，很多人沒什麼工作經驗，至少用常規衡量方式是如此，大約有一半還是學生。正如研究小組所說，「沒有一位學者或工業計算生物學家，只有5個人稱自己來自研發或生命科學領域。」
他們的解決方案會很好嗎？當然不會全部都好。大多數人都不如MegaBLAST或idAb算得準確，儘管幾乎所有人都比這兩者做得更快。但是，有30個方案比MegaBLAST更準確，其中16個比idAb更準確。實際上，芸芸大眾之中，有8人提交的方案達到了80%的準確率，而研究人員估計這已達所給數據集的理論上限。[1] 在那組至少與idAb準確度相當的方案中，平均的運算時間是89秒，比基準快了30倍，其中最快的三份只用了16秒，或者說，它們比賽前的最好基準快了幾乎180倍。
此外，比賽期間提供的總獎金是6 000美元。
專家有何不妥？
以上結果是例外還是常態？我們向大眾競賽型研究的先驅卡裡姆·拉哈尼提出了這個問題，除了我們剛剛描述的研究之外，他還主持了許多其他項目。他告訴我們說：
過去5年間，我們依靠大眾來解決了700多項挑戰，服務對像包括美國航空航天局、醫學院、公司等，不一而足。我們失敗過一次，當時大眾沒有出手，或者說沒有針對問題開展工作。[2] 在所有其他情況下，我們要麼與現有內部解決方案旗鼓相當，要麼大勝而歸。
這是一個非常難以置信的發現，不是嗎？像美國國立衛生研究院和貝思以色列女執事醫療中心這樣的公司和組織畢竟花了大量的時間、金錢和努力，建立了用於創新和解決問題的資源基礎，即研發實驗室、科技人員、工程部門等。這些資源實際上是核心中的核心。那麼，為什麼在處理本應整合這些資源來處理的問題時，大眾能如此輕易地勝出？
是不是核心裡面的專家實際上沒那麼好？別忘了我們在第1章提供的大量證據，即領域專家和所有人一樣，都會受制於一些偏見，使工作質量降低。這可能是隨著人們在其領域取得一定成就，偏見盲點也被放大，過度自信和過度認可偏見就有大量記錄。人們真正考慮的只有支持自己想法的信息，從而導致更糟糕的結果。
許多「專家」實際上可能根本不是專家，他們一直在自欺欺人，以為自己真的能力強，工作質量高。當今世界很複雜，變化快，技術又高深，很難分辨真正的專家。
肯定有一些「不夠專家」的知名專家，但我們認為，他們不是大眾經常優於核心的主要原因。我們相信，當今絕大多數的科學家、工程師、技術人員，以及其他在組織內部工作的人，實際上都能勝任工作，都有興趣做好這些工作。那麼，是什麼原因使大眾幾乎每次都在挫敗他們？
嚴重錯配
組織有很多美德，但它們往往陷入自己的套路。它們做適得其反的事，使其在創新、研發和幾乎所有其他領域的表現更糟。組織性功能障礙是真實的存在，而不僅是無數迪爾伯特（Dilbert）漫畫的主題，它們使核心無法做到本應做到的那麼好。
然而，與單純的功能障礙相比，更大的原因要微妙得多。核心往往錯誤匹配了其所面臨的各種挑戰和機遇，而人群則因為足夠大而幾乎從未錯配。但是，為什麼核心如此頻繁地錯位、錯配呢？設立研發實驗室或工程部門的全部要點，不就是將手頭及未來工作所需的資源整合到一起嗎？這可不像遺傳學實驗室誤請一批冶金學家，然後當團隊無法揭開DNA奧秘時不斷被「驚呆」。為什麼錯位如此頻繁呢？
有一些事情似乎正在發生。首先是幾乎所有學科都在不斷創造重要的新知識，而知識進入核心的速度很慢。例如，人類基因組在2003年被完全排序，這一成就對醫學、生物技術、製藥和其他行業有巨大影響。隨著測序技術的普及，成本呈指數式下降，[3] 農業、畜牧業等行業也受到影響。對於所有這些領域的組織核心的創新者、研究人員和問題解決者而言，如果他們沒有努力學習，更新技能，那就很容易不敵大眾，尤其是不敵那些年輕和接受最新教育的大眾成員。例如，最前沿的基因編輯工具與5年前的完全不同，原因是自2012年出現的CRISPR，它是一種源自鏈球菌之類細菌的工具包，在DNA分子非常長的雙螺旋上，它可以用前所未有的準確度來發現、切割和替換任何所需的基因片段。
如第2章所述，我們看到了人工智能和機器學習近來的快速變化；由於石油及天然氣的壓裂和太陽能發電成本的急劇下降，[4] 能源生產正在變革；其他許多領域也是如此。當這種快速的進步發生時，相關行業內組織核心的知識很容易老化。與此同時，大眾中的某處很可能至少有一些幫助實現最新進展的人，或者有他們的學生，因此相當熟悉。總之，核心會變得陳舊，但大眾真的不會。
邊緣奇效
大眾經常挫敗核心的另一個原因可能更重要。它是指許多（如果不是大多數）的問題、機會和項目受益於不同人、不同團隊的觀點，或者說，受益於多種不同的背景、教育、解決問題的方法、知識和技術工具包、性別等。這絕對就是大眾的定義，要在核心內部複製則很難，甚至不可能。以一家製藥公司的研發實驗室為例，它不太可能聘用幾名天體物理學家或密碼學家，然後指望他們剛好能解決某個難題，這種機會是微乎其微的。這是一個完全理性的商業決策，但如果解決這個難題的工作仍然保留在核心之內，那麼公司就沒有天體物理學家或密碼學家可以幫忙。
將貌似不可能的潛在有用的輸入源的大門關上，這是愚蠢之舉。在很多時候，人們需要的知識和專長恰恰來自貌似遙不可及的學科。正如開源代碼軟件倡導者埃裡克·雷蒙德（Eric Raymond）所說：「如果有足夠的眼球，所有的瑕疵都一覽無遺。」換句話說，隨著潛在解決者數量和多樣性的增加，所有問題都變得更容易解決。基因組測序競賽的結果顯示，在那些比基準更快、更準確的參賽方案中，沒有一份來自計算生物學家。這再次表明，外部人士表現得更勝一籌並不少見。拉哈尼和拉斯·波·傑普森（Lars Bo Jeppesen）研究了在線票據交易網站InnoCentive發佈的166項科學挑戰，他們發現，最可能被成功解決的是那些吸引了「邊緣」眼球的挑戰，即它們吸引了技術上或社會上「遠離」挑戰發佈者的人。[5]
在很大程度上，大眾的寶貴價值在於它是巨大的邊緣群體。它包含了大量人群，他們是聰明才智、訓練有素、經驗豐富、頑強拚搏和積極向上的組合體，而且無論從地理上、知識上還是社會上講，他們都與任何組織核心相距遙遠。[6] 隨著互聯計算能力在世界各地的傳播，有用的平台可以建立起來，使大眾成為一種顯見的、可行的和寶貴的資源。
與大眾共舞
精明的組織正在探索如何利用大眾來解決問題，順便實現很多其他目的。這項工作仍處於早期階段，但是我們已經看到許多讓核心和大眾一起工作的有趣方式。
完成工作。 正如我們在維基百科和Linux中所看到的那樣，大眾可以匯聚在一起，打造很有價值的事物，如果他們遵循了開放、不唯資歷等原則，情況更是這樣。一些組織正在把這些原則付諸實踐，以便為企業提供所謂的「大眾建設」服務。亞馬遜公司的「土耳其機器人」（Mechanical Turk）是最早的例子之一，開始時，它是一項內部工作，旨在發現重複的產品頁面並將其消除，2005年11月，該項服務宣佈可提供給外界使用。今天，被稱為「Turkers」的「大眾」處理著各種各樣的任務，例如將名片上的文本轉錄成電子錶格，回答心理學研究的調查問卷，以及標記圖像以便輸入到AI程序中。「尋找—修復—驗證」是「土耳其機器人」基本平台的一項改進，它是麻省理工學院的邁克爾·伯恩斯坦（Michael Bernstein）及其同事開發的「程式化設計模式」，可以讓「Turkers」在完成任務和發現、修復錯誤之間進行自我選擇。
本章開頭描述了Topcoder公司舉辦白細胞基因組測序比賽，它用的是類似方法。該公司為了發現世界各地的編程人才而舉辦比賽，然後又作為中介商和集成商，對接人才和那些想外包大型應用開發或系統集成項目的公司。Topcoder全球社區的成員不僅包括程序員，而且還包括被識別出來的設計師、學生、數據科學家和物理學家。該公司為這批大眾提供了一系列的企業項目，讓他們自我選擇進入團隊和角色，將他們的所有工作整合在一起，並監控質量。它使用金錢激勵和競爭激勵，再加上一些監督工作，借此為客戶創造了類似Linux的環境。在數據科學競賽方面，卡格爾（Kaggle）也做了同樣的事情。
找到正確的資源。 有時侯，人們不想把全體大眾匯合在一起，只想盡可能快、盡可能高效地找到合適的人員或團隊來幫忙做事。找到合適對象的機會隨著看到請求的人數的增加而增加，因此，任務匹配平台變得非常流行。這類平台包括用於平面設計和其他創意工作的99designs和Behance，用於信息技術和客戶服務工作的Upwork，用於個人服務的Care.com等。此外還有TaskRabbit，它用於各種稀奇古怪的工作，如婚禮主持、給某人的爺爺送冰激凌，或者到蘋果手機店排隊等待新上市的iPhone。這些業務都認識到，網絡和智能手機帶來了前所未有的機會，可以更好地匹配商業服務的供需關係，一如我們在本書第二部分相關章節所強調的那樣，平台和產品合則兩利，而且，實現適配的手段之一就是把要求放到盡可能多的眼球前面。
進行市場研究。 如前言所述，通用電氣是世界上最大、最古老、最成功的工業公司之一，它轉向大眾，評估消費者對其製冰機的需求。大眾平台可能提供有價值的信號，這些信號關係到消費者對某些類型產品的興趣和熱情，那些可能吸引利基市場受眾的產品尤其如此，通用並不是第一家認識到這一點的大型組織。例如，電視劇《美眉校探》（Veronica Mars ）講述由克裡斯汀·貝爾（Kristen Bell）扮演的一名少年偵探的故事，在2004—2007年播出時，該劇曾有一小批忠誠追隨者。節目播完之後，其粉絲並未消失。他們以在線和集會方式繼續談論節目。
這種持續的興趣引起了電影製片廠華納兄弟、貝爾（Bell）和該節目創始人羅伯·托馬斯（Rob Thomas）的注意。他們想知道：這是否意味著拍攝一部《美眉校探》電影有足夠的需求，即使電影是在同名電視節目最後一次播出幾年後才推出的。為了找到答案，他們在流行的眾包網站Kickstarter上發起了一場活動。這場活動包括一個短暫的擬推出電影預告片，貝爾和托馬斯的視頻，以及對不同程度支持的獎勵。[7] 活動的目標是籌資200萬美元。12小時之內，它竟然就達成這一目標，最終共籌資570萬美元。這部電影於2014年3月14日首映，分別提供劇院觀看和視頻點播服務。總體而言，它得到了積極評價，從財務角度來說是成功的。
馬克·安德森的職業生涯始於作為最成功的早期網絡瀏覽器的主要程序員，此後，他搖身一變成為著名的風險投資家。安德森認為，眾籌可能成為新產品開發的主要方式之一。他對我們說：「人們會爭辯說，過往2 000年間，從娛樂媒體到鞋子、食物到每樣東西，產品和服務的上市方式一直在倒退。也就是說，它變成是供給驅動的。但是等你發現市場是否喜歡它時，你已經投入了很多錢。眾籌翻轉了這種模式。除非有人事先預購，不然你不會向市場推出什麼東西。人們還預付了資金……眾籌是一種針對某些帶有社會資本的事物來『預裝配』金融資本的手段，試圖圍繞某事創造一場運動，試圖讓人們提前買東西。」
2016年年初，Indiegogo在其網站辟出專門空間，同時推出一組「企業級眾籌」工具，使大企業有可能在投資製造之前獲得實時的客戶反饋，並將市場研究的成本變成預售和獲取客戶的機會。
獲取新客戶。 除了眾籌平台以外，眾貸平台也在近幾年出現並變得流行。其中許多（如果不是大部分）最初想從事點對點（P2P）服務，即匹配想投資的個人和需要個人或商業貸款，但又不能或不願意找傳統貸款機構的人。然而，隨著時間的推移，包括世界上最大的一些對沖基金在內的許多機構投資者意識到大規模尋貸者中存在機會。違約率或多或少可以預測，而且利率相當可觀，這意味著風險與回報之比往往具有吸引力。平台的增長給尋貸者帶來了很多諸如此類的好機會，足以吸引大投資者。2014年，美國最大的兩個眾貸平台Prosper和Lending Club一半以上的貸款來自機構投資者，它們往往使用專門的軟件來梳理可用的機會。事實證明，P2P貸款往往變得不那麼顯眼，大型知名貸款機構向客戶提供的個人和小企業貸款呈現新的方式。
但是，以大眾為中心的新業務的出現，不僅有助於大型對沖基金尋找新客戶。而且使得大眾本身變得流行。馬克·安德森向我們講了初創企業Teespring的故事，它由瓦爾特·威廉斯（Walter Williams）和伊萬·斯蒂茨–克萊頓（Evan Stites-Clayton）於2011年創立。安德森對我們說：
Teespring是將社會資本轉化為金融資本的現代手段。它是一種你最初碰到時會覺得荒唐，然而如果「吞下紅色藥丸」就知道妙在其中的事物。[8] 它是一種讓Facebook群組、YouTube明星或Instagram明星得以售賣T恤的方式。起初你會覺得，再怎麼說，買賣商品也沒什麼了不起。但實際發生的事情是：你得到了擁有百萬追隨者的Facebook群組或YouTube明星……（而且）社會資本是真實的。你的追隨者或粉絲是重視你所作所為的人，他們沒辦法補償你。他們愛你，他們想支持你……現在我們會說T恤只是開始。它可以是任何東西，只要是物品就行。它是紀念品，你在乎它，你充滿激情，表明你自己的一些東西……它就像一個圖騰，它是你在乎的東西的一個心理錨點。
收穫創新。 長期以來，人們認為成熟的大公司是最大的創新者。它們畢竟擁有養得起大實驗室和研發人員的資源。奧地利偉大的經濟學家約瑟夫·熊彼特質疑這一觀點。他堅持認為，更小、更年輕、更具創業精神的企業對維持現狀毫無興趣，更有可能推出真正新穎的產品和服務。正如他所說，「總的來看，指揮鐵路建設的不是驛路馬車的所有者。」實際上，克裡斯坦森關於顛覆性創新的里程碑之作也表明，顛覆很少來自行業中現有的成功企業，它們反而經常被顛覆弄得措手不及。
我們在麻省理工學院的同事埃裡克·馮·希佩爾（Eric von Hippel）的工作開闢了另一種有影響的創新研究思路，他強調，「先行用戶」在許多領域的創新中發揮著很大作用。這些人是現有產品和服務的用戶，他們發現不足，然後不僅開始設法改進，而且把想法付諸實施並投入使用。馮·希佩爾列舉了包羅萬象的用戶創新，涉及外科手術器械、風箏衝浪設備等多個領域。在現代高科技行業中，我們觀察到類似事例的劇增。事實證明，在各行各業中，許多知名企業就是由不滿現狀的人所創建的，他們對自己說「一定要有更好的辦法」，然後開始行動。
例如，跑腿服務網站TaskRabbit是由利婭·布斯克（Leah Busque）構想出來的，她當時28歲，住在馬薩諸塞州，是IBM公司的一名工程師。2008年的一個寒冷夜晚，她想給一隻名為「科比」（Kobe）的黃色拉布狗找吃的，從而她想到：「如果有一個在線的地方可以去，那該多好……一個網站，讓人願意為達成某件事而付出一定的代價。在我附近，也應該有人願意為了賺我願意付出的錢而送來狗糧。」
當下的許多技術巨頭顯然都留意到熊彼特、克裡斯坦森和馮·希佩爾的建議，它們不斷審視大眾，尋找可能的顛覆式創新。一旦發現目標，它們的本能往往不是滅掉它或者漠視它，而是買下它，使創新內化成自己的一部分。2011年至2016年，蘋果收購了70家公司，Facebook收購超過50家公司，谷歌收購近200家公司。
在以上事例中，收購方通常有同類競爭產品。例如，在Facebook收購WhatsApp和Instagram時，它已經有消息傳遞和照片共享服務。在這兩項收購中，在位的Facebook公司本來很容易自認行業新貴不會帶來風險。但是，大眾發出信號，表明創新有多麼不同，它們又會多麼快地被採用，這促使更大、更老公司的領導者採取行動，買下先行用戶或其他創新者推出的服務。這樣做的代價通常很高，Facebook收購Instagram花了10億美元，收購WhatsApp則花了超過200億美元。但是與被顛覆相比，代價還是低了很多。
用大眾改變交易
我們預測，在未來的幾年裡，很多老牌企業，包括許多相當成功的企業，都會面臨基於大眾的競爭對手的挑戰。在自動化投資這一晦澀難解的極客領域中，一個早期的挑戰事例已經出現。
在公司股票、政府債券、貴金屬和其他商品、房地產等資產投資的漫長人類歷史上，幾乎所有購買決策都由人類做出。一旦做了決策並且隨時跟進，大量的技術就會被部署，使實際購買資產的工作自動化，但做決策的幾乎總是人腦而不是機器。
20世紀80年代，當吉姆·西蒙斯（Jim Simons）和戴維·肖（David Shaw）等先驅分別創建文藝復興科技公司（Renaissance Technologies）和D. E. Shaw公司，使用機器做出投資決策時，情況開始改變。西蒙斯是他同時代最負盛名的數學家之一，而戴維·肖則是一名電腦科學家。這兩家公司篩選大量數據，建立並測試資產價格在不同條件下如何變動的定量模型，並嘗試用代碼和數學來代替個人判斷，決定買入什麼、何時買入。
這類「量子」公司的佼佼者創下了令人歎為觀止的紀錄。D. E. Shaw公司在2016年10月管理的資產已超過400億美元，其混合基金在2011年之前的10年裡帶來了12%的年化收益。雙西投資（Two Sigma）是由一名前人工智能學者和一名奧數獲獎者運營的一家公司，它管理著60億美元的Compass基金，在10年內獲得15%的年化收益。但與文藝復興科技公司的Medallion基金相比，幾乎每個基金的回報率都相形見絀。Medallion基金基本上只對其員工開放。從1990年代中期開始，20多年來，該基金收費前的平均年化收益高於70%。在創造了超過550億美元的終身利潤之後，它被彭博市場網站描述為「也許是世界上最大的賺錢機器」。
約翰·福西特（John Fawcett）是一名曾經在金融服務領域工作的程序員和企業家，他對量子基金的表現印象深刻，但是擔心它們在投資行業核心中運營不足。據福西特估計，截至2010年，全球共有3 000—5 000名專業的量化投資專家。他告訴我們，「這個數字對我來說太低了。（更多的投資者）沒法用上足夠的、我認為是最先進的投資方法，這令我感到困擾。這就像是說『這是賭場，你賭人類單獨運作還是人類加機器運作？』每一次，你都想要更加自動化的版本。」
福西特一心想讓量化投資向大眾開放，他與讓·布裡德切（Jean Bredeche）於2011年創立了Quantopian公司，以期將理想轉變為現實。該公司的目標是要打造與行業頂尖的量子公司水平相當的技術平台，這個任務很艱巨。這樣的平台必須能夠讓投資者上傳算法，然後在環境盛衰、利率高低等不同市場條件下快速測試。其中，一種辦法是使用歷史數據對算法進行「倒推測試。」於是福西特和他的同事努力開發與大機構投資模型不分軒輊的倒推測試算法。
Quantopian公司還必須讓投資者準確評估其交易的市場影響，也就是如果他們買入或賣出大量資產，這個行為本身就會改變資產的價格。評估市場影響是一項棘手的估算，它耗掉了Quantopian很多時間。當然，公司的平台還要自動執行一系列工作，如算法產生的交易、記錄保存、遵守相關規定等。
福西特深知，如果Quantopian成功建立起一個強大的平台，並且吸引到潛在的「算法交易者」，那麼該公司將具有巨大優勢，它可以利用大眾產生的諸多點子，而不再局限於頂尖算法。許多眾包項目都試圖找到單一的解決方案，如製冰機的最佳設計、白細胞基因組的最佳測序算法等。眾包比賽的第二、三名可能與獲勝者相差無幾，但對於主辦者來說，這一事實往往無關宏旨。
然而，投資的算法是大不相同的。只要頂級算法彼此有差異，或者說，只要它們實質上不是最佳算法的複製品，那麼就可以有效地對其進行組合，為投資者提供比使用單一算法更高的總體回報。無論單一算法好到什麼程度，情況都是如此。這個關於最佳投資組合重要性的見解非同小可，其發現者亨利·馬科維茨（Henry Markowitz）因此獲得了諾貝爾經濟學獎。大眾環境可以產生大量效果良好但本質不同的量化投資理念，非常適用該理論。正如福西特告訴我們，「我對Quantopian的提問方式是：『我們如何發現很多相關性低但結構好的戰略，如何使發現的概率最大化？』」[9]
與此相對應的一種方法就是讓很多人出現，然後提出量化投資戰略。截至2016年中期，Quantopian平台已經吸引了來自180個國家的超過10萬名潛在算法交易者，匯聚了超過40萬種算法。這些交易者是誰呢？據福西特介紹，「他們常常有一個共同之處——已經獲得了一個學位或高級學位，或者多年從事通曉建模的專業工作。他們是天體物理學家或計算流體動力學家。大體上說，他們是金融新手，他們可能在廣告技術行業或石油天然氣行業工作。我們有學生和專業人士。我想年齡範圍是從本科生到……已經退休的一對兄弟，他們在一起做事，其第一份職業是非常成功的科學家。」
這些交易者主要由男性構成，而Quantopian的優先事項之一是吸引更多的女性參與者，福西特向我們講了這樣做的原因，「我們正在努力讓社區制定各種各樣的戰略，有很多研究認為男性和女性的風險意識不同。他們以非常不同的方式思考投資。所以讓我們社區有更多女性將會很棒……我們會勝出，因為市場將支付的是一個與所有其他收益流看起來不同的收益流。」
與專業的投資者核心相比，Quantopian的大眾做得怎麼樣？截至2016年年底，平台上舉辦了19場比賽。其中4場的勝方是專業的量化投資人士，1場的勝方是專業投資人士，但他不是算法交易專家。其他14場的勝方是清一色的外部人士。Quantopian計劃於2017年向合格投資者提供公司自己的量化投資基金，屆時，內部人士與外部人士之間、專業人士與眾包算法投資之間將迎來真正對決。與其他對沖基金特別是量子基金相比，這項基金的表現將有助於我們瞭解該領域的真正專家身處何方，瞭解大眾究竟有多麼強大。
在投資界的核心圈，至少有一位勇者對Quantopian青睞有加，敢用自己的錢投下信任票。史蒂芬·科恩（Steven Cohen）是史上最有名的對沖基金經理之一，2016年7月，他宣佈正在Quantopian進行一項風險投資，並且從家裡的辦公室打款2.5億美元，投資於平台的眾包式量化算法投資組合。科恩的研究和風險投資負責人馬修·格蘭納德（Matthew Granade）表示：「量化投資最稀缺的資源是人才，而Quantopian已經展現了一種貢獻人才的創新方式。」
我們發現Quantopian異彩紛呈，因為它說明了重塑商業世界的所有三種技術趨勢。它以新穎的方式將人腦和機器結合起來，重新思考如何進行投資決策，並且用數據和代碼代替人類的經驗、判斷力和直覺。它還建立了量化投資平台，而不只是引入倒推算法這一種特定產品。平台是開放的、不唯資歷的，它旨在利用網絡效應，平台上的好投資算法越多，吸引的資本就越多，平台上的資本越多，吸引的算法交易者就越多，它還為交易者提供了順暢的界面和體驗。該平台彙集了在線大眾，在一個大型、重要的行業挑戰核心及其專家。
這項工作如何奏效？我們迫不及待想看一看。
世界之聲
本章介紹的例子可能給人留下這樣一個印象：當下的大眾之所以存在，主要是服務於核心的需要，抑或是與核心爭鬥。但事實並非如此。很多時候，大眾的工作只是幫助大眾之中的成員。羅伯特·賴特在1993年發表的「美國之聲」一文中觀察到點對點的分佈式社區，對其讚賞不已，這類社區通常是非營利的，它們至今仍然生機勃勃，發展得很好。
Usenet系統是前網絡時代的產物，它的新聞組已經演變為成千上萬的在線用戶組、社區論壇、留言板和其他空間。在那裡，人們可以查找同行提供的信息，提出問題和回答問題。這些內容涵蓋了所有能夠想到的主題，從化妝到汽車修理，再到電視熱播劇最後一集的評論等。
作為創新的粉絲，我們對「創客運動」感到特別興奮，這個術語泛指那些以在線方式互相幫助的修補匠、自製工、業餘製造者、工程師和科學家。他們分享電子電路的操作說明、食譜、設計圖和原理圖，用於生成3D打印部件的文件，以及從自動推車到自製蓋革計數器等幾乎包羅萬象的產品的故障排除技巧。
創客運動不斷發展。人們現在可以購買廉價的合成生物學套件和材料，或者說，就像合成生物項目所定義的那樣，「設計和構建新的人造生物反應途徑、生物器官或生物裝置，或者重新設計現有生物體」。在世界各地，「自造生物」運動（DIY bio）的成員自己創建了有用的氨基酸字符串，以攜帶生命代碼的符號G、C、T和A表示，然後在網上分享實驗配方。2012年出現了基因編輯工具CRISPR-Cas9，使研究人員在修飾DNA分子時獲得了前所未有的精確度，從而極大地推動了這場「生物黑客」運動。
前美國宇航局科學家約西亞·蔡納（Josiah Zayner）希望這項技術得到盡可能廣泛的使用。2015年，他在網站Indiegogo發起一項活動，開發「DIY細菌基因工程CRISPR套件。」該項活動廣受支持，籌資超過7萬美元，是預期目標的333%，它產生了一種價格僅為140美元的套件，可從生物黑客集團The ODIN處購得。這樣的套件可靠嗎？2016年6月，消費電子產品博客Engadget報道說：「我拿The ODIN的CRISPR套件開個玩笑。然後一瞧，它竟然超級棒。」
即使是耕作這麼一種古老的人類活動也正在被創客重塑。麻省理工學院媒體實驗室的迦勒·哈珀（Caleb Harper）開發了「食品電腦」，也就是用於作物生長的封閉環境，其規模大小各異。每個電腦的能量、水和礦物質的使用情況都可以被精確監控，可監控的參數包括濕度、溫度、二氧化碳和溶解氧的水平。種植者可以嘗試不同的「氣候配方」，從而產生他們想要的作物特徵，然後分享他們得到的配方，並努力改進他人的工作。哈珀的「開放農業計劃」設下目標，開展氣候配方的實驗與創新，其規模小至台式機大小的個人食品電腦，大至倉庫大小的空間。
妙手迭出
乍看之下，醫療器械像是一個不能托付給大眾的產品類別。這些產品必須來自醫療保健系統的核心，或者至少經過它的測試和批准，以便確保安全和質量，是這樣嗎？
事實是「不總是」，人造手就是一個很好的例子，它有力地說明大眾創客可以如何做事。創客的工作表明，當自組織的大眾潛心解決問題，開展技術學者亞當·蒂雷爾（Adam Thierer）所說的「無須許可的創新」時，潛在的好處有多麼大。
2011年4月，南非木匠理查德·范·阿斯（Richard Van As）在操作台鋸時失控，右手的兩根手指被鋸斷。當時，市場上的假肢要價數千美元，所以范·阿斯開始尋找便宜的替代品。當年早些時候，他看到YouTube上傳的一個視頻，製作者伊萬·歐文（Ivan Owen）是一位「機械特效藝術家」，曾為自己的手製作一個巨大的金屬延伸物體，目的是用一種「蒸汽朋克」的風格裝萌扮酷。[10]
雖然范·阿斯和歐文相隔萬里之遙，但他們通過電子郵件和Skype進行合作，開發了一種功能性假肢。3D打印機公司MakerBot捐贈了兩部Replicator 2台式機，使他們的工作大大加快。這些機器使創客能夠快速迭代、生成原型，最終為范·阿斯做出了靈活的機械手指。
他們上傳到YouTube的視頻作品被南非女子尤蘭迪·狄培納（Yolandi Dippenaar）看到，她5歲的兒子利亞姆（Liam）出生時就沒有右手指。狄培納一家於是向他們求助，歐文和范·阿斯伸出了援手。他們開展在線研究，尋找可能的解決方案，碰巧發現了「科爾斯之手」，這是一個神奇的裝置，19世紀中期由澳大利亞阿德萊德的牙科醫生羅伯特·諾曼（Robert Norman）製作而成。
在一次使用加農炮的閱兵事故中，約翰·科爾斯（John Coles）下士失去了右手的4根手指。諾曼用鯨骨和羊腸線為他做了假肢，它不僅看起來像一隻手，而且在某種程度上也能像手一樣操作。手指可以彎曲，並且正如當代人對這只假手的描述那樣：「科爾斯下士可以輕易拿起一個紐扣或一枚6便士硬幣。」諾曼用鯨魚骨精確地雕刻手指節，將它們嚙合在一起，然後連接到一個由齒輪和羊腸線組成的內軌系統，系統通過科爾斯拇指上戴的戒指進行控制，由此，諾曼大功告成。
諾曼的成果是現成的，可用於激發後來的創新者，澳大利亞國家圖書館的館藏中留存著對它的精確描述，圖書館已將描述文檔數字化，可通過網絡獲取。歐文和范·阿斯進行在線搜索時碰巧發現「科爾斯之手」，意識到了它的精妙之處。他們很快就創建了自己的版本，稱為「Robohand」，並用在利亞姆手上。這兩位創客還意識到，由於有了3D打印機和強大的設計軟件，人們可以快速、廉價地設計和構建數不盡的手的變體。但他們並沒有提交專利申請，而是將Robohand的部件計劃上傳到Thingiverse——一個大眾共享3D打印文件的網站站點。
從那時起，大眾已經創造並組裝了超過1 800只3D打印的塑料手，惠及45個國家的人民。[11] 這項工作是高度分散的，其主要協調點是一個網站及其谷歌文檔，任何感興趣的人都可以加入並編輯。正如經濟學家羅伯特·格拉博耶斯（Robert Graboyes）指出的那樣，大眾的創作既省錢又有創新性：
可用假肢的成本一夜之間暴跌了99%以上。3D打印的產品固然與5 000美元的產品不同，但它們可以活動，製作價格又便宜，創客都可以免費向用戶提供這些產品。
用戶和創客一起工作，修改設計。原先看起來方方正正的手變得時尚。複雜的螺母和螺栓被直接固定的關節取代，而且一些設計的材料總成本降至35美元……用戶和創客知道假肢無須複製人手。一位父親想讓兒子更有握力，於是製作了一隻兩個拇指的手，一邊一個。他兒子的名字恰巧為盧克（Luke），於是他成為「酷手盧克」（Cool Hand Luke），其他人則基於騎自行車、攀巖、演奏小號等特定目的而定制設計假手。
如以上所有例子所示，在線大眾正在增長勃興。它以多種方式與核心相互作用，並由核心促成。我們認為這種趨勢既健康又富有成效，根本沒有背叛互聯網原有的精神。更好的設備和網絡正持續將世界各地越來越多的人們引導到線上，大眾只會變得規模更大、更聰明、更加多元化。
我們對人工智能的未來發展感到振奮，因為它們改變了人腦和機器之間的界限，但我們可能更振奮於將數十億人的智慧帶入全球連接的社區的發展前景。人們從此可以彼此施以援手。
本章總結
‧ 被認可的核心專家一而再、再而三地敗於默默無聞的大眾之手。
‧ 大眾成功的一個原因是核心往往錯誤匹配其最感興趣的問題。
‧ 核心的錯配之所以發生，是因為最有效解決問題所需的知識往往來自遠離問題本身的領域。人們很難預測解決問題的相關知識實際上源自何方。
‧ 核心有許多方法去利用大眾積累的知識和專長。核心和大眾不一定非得分隔。
‧ 大眾現在可以做很多事，不再需要核心太多支持。技術有助於人們發現知識、有效交流、共同打造事物，集權程度被最小化。
‧ 成名公司正在尋找與大眾合作的新穎方式。同時，基於大眾的初創企業正在挑戰許多成功在位公司的核心活動。
問題
A 面對挑戰和機會時，你如何在自己界定的內外部專家群體以外尋求幫助？你經常這樣做嗎？
B 你能運行什麼實驗來看看能否讓大眾為你的組織工作？你如何判斷這些實驗的結果？
C 過去5—10年，在獲取新客戶、評估你正在考慮的新產品的需求和支付意願等方面，你的方法改變了多少？
D 過去5—10年，你是否擴大了你或你所在組織的定期互動人數？
E 如果大眾提出一個更好的想法，你將如何把它引入你的核心？
[1] 正如作者解釋的那樣，「剩下的錯誤對應無法正確註釋的序列。」Karim Lakhani et al., 「Prize-Based Contests Can Provide Solutions to Computational Biology Problems,」 Nature Biotechnology 31, no. 2 (2013): 108–11, http://www.nature.com/nbt/journal/v31/n2/full/nbt.2495.html.
[2] 拉哈尼認為，這次失敗之所以發生，是因為挑戰的組織者沒有明確說明問題或提供足夠的回報。
[3] 2000年，生成初始人類基因組序列的預估成本為5億美元，甚至更高。2015年中期，生成高質量全基因組序列「草稿」的成本略高於4 000美元，2015年年底跌至1 500美元以下。National Human Genome Research Institute, 「The Cost of Sequencing a Human Genome,」 last modified July 6, 2016, https://www.genome.gov/sequencingcosts.
[4] 拉米茲·納姆已經證明，安裝的太陽能發電量每翻一倍，成本就下降16%左右。Ramez Naam, 「How Cheap Can Solar Get? Very Cheap Indeed,」 Ramez Naam (blog), August 10, 2015, http://rameznaam.com/2015/08/10/how-cheap-can-solar-get-very-cheap-indeed.
[5] 我們在上一本書引用了這項研究，再次引用是因為它至關重要。
[6] 在社會學文獻中，有幾篇論文強調遠程連接或「弱連接」的重要性，其中包括被廣泛引用的經典Mark S. Granovetter，「The Strength of Weak Ties,」 American Journal of Sociology 78, no. 6 (1973): 1360–80，以及最近的Sinan Aral和Marshall Van Alstyne，「The Diversity-Bandwidth Trade-off 1,」 American Journal of Sociology 117, no. 1 (2011): 90–171。
[7] 贊助350美元將可以得到一名劇組成員「量身定制」的語音留言信息，贊助1 000美元將可以得到兩張首映式紅地毯門票，贊助6 500美元可以為電影中的一個角色命名，贊助1萬美元則可以扮演跑龍套角色。
[8] 安德森在這裡借用1999年流行的科幻電影《黑客帝國》（The Matrix ）打比喻。在這部電影中，主角被要求在藍色藥丸和紅色藥丸之間做出選擇，前者會使他回到活轉之前的舒適幻覺，後者則會使他看到事物的真實面目。
[9] 對於Quantopian來說，如果一種投資算法不太依賴一種資產，不過度槓桿化，亦即不過度依賴債務，那麼它就具有「良好結構」，就能夠在廣泛的市場條件下產生良好回報。
[10] 「蒸汽朋克」是一種科幻體裁，撇開別的不說，它想像了由蒸汽驅動的維多利亞時代機械電腦。它的許多粉絲喜歡打扮。