《智慧社会:大数据与社会物理学》-pdf,txt,mobi,kindle,epub电子版书免费下载

由于链接总是被和谐,需要本书电子版的朋友关注公众号:【奥丁读书小站】(njdy668),首页回复书名数字2833, 自动弹出下载地址.

【还可以加V信:209993658,免费领取电子书】

内容简介

如果要在大数据领域推举出一个代表性的科学家,阿莱克斯·彭特兰是一个无法令人忽略的名字。经过数年极具开创性的研究,社会物理学这个全新科学领域的根基已足够深厚。社会物理学是关于想法流的科学,正是在想法流的帮助下,我们才得以提高集体智能,促进智慧社会的形成。

通过研究数以百万计的人在智能手机、GPS设备、互联网等地方留下的“数字面包屑”,大数据的应用已成为一股无法被忽视的力量。在大数据的应用中,重要的是目睹人们实际做了什么,而不是听他们说自己做了什么。如果运用恰当的社会网络激励,我们将能够切实提高生产率,实现更高效的沟通。

彭特兰的研究发现,我们可以在不知道任何信息的具体内容的情况下,只通过研究社会网络中的信息交换模式获得惊人的生产力提升和预测准确率提高。不管是家庭、公司这样的小团体,还是城市、国家这样的大团体,都可以通过对社会网络的调整,大大提高思想流,让我们用一种全新的方式看待生活本身。

作者简介

(美)阿莱克斯·彭特兰(Alex Pentland)
●全球大数据权威、可穿戴设备之父、MIT人类动力学实验室主任。
●在近30年执教生涯中,彭特兰培养出了50余位博士,其中一半成长为该研究领域的领军人物,1/4成为创业公司的创始人,1/4成为业界相关领域的中坚力量。彭特兰的实验室孵化出了30家以上的高科技企业。
●在全球计算科学领域,彭特兰是被引述次数最多的科学家之一。2011年,《福布斯》评选他为全球大数据权威,《新闻周刊》称他是“改变20世纪的100位美国人”之一。2012年,他关于大数据应用的文章获得《哈佛商业评论》的麦肯锡奖。2008年和2013年,他的研究成果更是两度摘得《麻省理工科技评论》“年度十大突破性科学技术”桂冠。

作品目录

推荐序 测量,还是感知 段永朝 财讯传媒集团首席战略官
我们都是大数据时代的海狸 何帆 中国社会科学院世界经济与政治研究所 研究员
前言 我生活在未来
引言 更好的想法流,更智慧的社会
大数据与社会物理学
第一部分
从想法流到行动力
第1章 探索
发现好想法和做出好决策
社会学习,超越“回音室效应”
想法流,智慧学习的分形舞蹈
提高想法流的速率是关键
运用想法流校正网络
探索的三大要点
第2章 想法流
好想法汇成群体智慧
习惯、偏好和好奇心,想法流的形成
想法流汇聚同伴共享学习的集体智能
集体理性,而非个体理性
想法流,构建社区的关键
第3章 参与
强化社群的合作与互动
利用社会网络激励,而不是经济激励
充分利用在线社交网络的激励作用
征服与冲突,促进不同社群的合作互动
参与的三大规则
想法流,塑造新行为,塑造人性
第二部分
数据驱动的智慧组织
第4章 集体智能
互动模式如何转化为群体智慧
用互动模式测量你的管理
面对面互动,提高生产率的关键
团队外部的面对面探索模式 +团队内部的参与模式 =高创意团队
社会学习的机会越多,好的想法流越易形成
第5章 塑造组织
互动模式可视化如何提高生产率和创意产出
塑造高效组织的途径 1:参与
塑造高效组织的途径 2:探索
塑造高效组织的途径 3:多样性做组织中的魅力型连接者
第6章 变革组织
社会网络激励如何创建速成组织和应对颠覆式变革
创建速成组织,不是众包,而是社会网络激励
高压力带来高互动
信任,驱动想法流的社会资本
第三部分
数据驱动的智慧城市
第7章感知城市
移动感知如何创造城市神经系统
运用大数据统计人类行为特征
利用交通数据规划城市
疾病预测与公共健康
社会网络的三大干预措施
从数字神经系统到数据驱动的社会
第8章 城市科学
大数据与社会物理学如何变革城市的发展
专注于想法流而不是商品流
城市中的社会纽带模式
探索越多,城市越富足
用想法流的广度和想法流的速率预测城市的生产率
社会互动与社会探索共筑美好的城市
想法的引擎,数据驱动的城市
第四部分
数据驱动的智慧社会
第9章 数据新政
大数据驱动大未来
数据新政,用共享促进更大的想法流
开放 PDS,信任网络与数据公地
狂野的万维网
数据新政的挑战
社会物理学的启示,自由意志和人性尊严
第 10章 智慧社会的建立
信任网络与开放式创新
交换优于市场的核心是信任
网络化社会的三大设计原则
D4D,数据促进发展
普罗米修斯之火
附录一 快、慢和自由意志
附录二 数学
致谢
译者后记
注释

试读

Social Physics

● 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。

● 在衡量社会网络对于收集和提炼决策的影响时,想法流的速率是一个非常关键的指标。

● 人们的决定是个人信息和社会信息的混合体,而且当个人信息较弱的时候,人们更依赖社会信息。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。

● 你的成功在很大程度上取决于你探索的质量,并进而取决于你所拥有的信息及想法来源的多样化和独立性。

关于创新和创造力,人们总认为只有少数聪明绝顶的人才有产生伟大想法的魔力,而我们普通人只是偶尔灵光闪现。但这并不是我看到的,事实上,我发现最好的想法总是来源于仔细和持续的社会探索。

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1。

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)2。

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3。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4。

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5。

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6,并导致恐慌、泡沫或引爆流行7。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(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8。

社会学习Social learning

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。

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9。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10。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11。

大数据的力量Social Physics

eToro,提高在线金融交易用户业绩

eToro是一个面向普通交易员的在线金融交易平台,其最有趣的特征在于融合了一个叫作OpenBook的社交网络平台。社交网络用户可以在OpenBook上方便地查询其他用户的交易、投资组合和历史表现,但是却不能看到其他用户在效仿谁。以下是用户可以在eToro上进行的两种主要交易类型。

单次交易:本人进行一次普通交易。

社会交易:完全效仿另一个用户的单次交易,或者自动效仿另一个用户的全部交易。

许多用户公开他们的交易想法以让他人效仿。因为每当有人决定效仿另一个用户在OpenBook公开的交易记录时,后者就会从eToro获得一小笔钱。一个用户往往会选择效仿好几个用户。

2011年,我们收集了eToro上160万用户的欧元/美元交易数据,以此考察近千万次的金融交易。这一例子的有趣和重要之处在于:我们能够确确实实地观察到社会学习进行的过程,跟踪这种学习对于人们决策的影响,并评估这些决策是否会获利。

简言之,这一网络平台让我们用“上帝之眼”观察社会学习,即个体之间的详细交流是如何同时影响他们的行为和最终金融结果的。很少有其他的数据集可以让我们如此清晰地观察社会探索,并判别哪种社会学习模式最有效。

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。

每个点表示一次社会交易。横轴表示每一个用户,纵轴表示一个用户所效仿的用户。左下圆圈区域对应的用户相对孤立和反社会,右上圆圈区域对应的用户互相效仿。

图1-1 eToro社会交易图

Social Physics

社会物理学洞察

这对个体交易员来说意味着什么呢?很显然,一些人由于与他人之间的连接过少导致社会学习的机会很少,另一些人则深陷在反馈循环的网络中,以至于他们只能反复地听到相同的想法,而大多数用户则拥有适中的社会学习机会。每一个在eToro上交易的人都有不同的探索模式,并因此采用不同的策略。

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12)。

想法流 Idea flow

行为和信仰通过社会学习和社会压力在社会网络中的传播。想法流受社会网络结构、每一对人之间的社会影响的强度以及个体对新想法的易感性影响。

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1 000万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13。

与个体交易相比,合适的想法流速率可以使投资回报提升30%。

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%14。

回音室效应 echo chanber situation

信息或想法在一个封闭的小圈子里得到加强。

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15和小型的人类团队16中都有类似现象,在计算机学习的算法网络模拟17以及社会学习的数学模型18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19分形网络(scale-free fractal network)[1]。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20。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。

Social Physics

社会物理学洞察

想法的流动也与其类似。社会学习的过程意味着:如果在具有某种行为的个体(榜样)和一个“新人”之间有很多互动,并且“新人”是易感者,那么这一新想法就有可能生根发芽,并进而改变“新人”的行为。易感性取决于几个因素:包括榜样和“新人”之间充分相似从而使新行为可能对新人有用;两人之间具有较高的信任度;以及新想法和以前学习的行为之间的一致性。因此,想法的流动有时会相当慢,与广告公司喜欢谈的病毒营销大相径庭21。

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。

大数据的力量 Social Physics

贝尔明星实验

1985年,卡内基梅隆大学(Carnegie Mellon University)的鲍勃·凯利(Bob Kelly)进行了著名的“贝尔明星”(Bell Stars)实验22。作为一个国际知名的实验室,贝尔实验室(Bell Laboratories)想要更多地了解明星员工和普通人之间的区别及其形成原因。是否存在天生的因素,还是说超常水平可以后天学习?贝尔实验室从全球顶尖大学雇用了一批最优秀、最聪明的人,但是他们中只有少数人的杰出潜能得到了充分发挥。事实上,大部分被雇用的人表现尽管稳定,却不能够为AT&T在市场中的竞争优势做出显著贡献。

凯利发现明星员工采用的是“预备性探索”,也就是说,他们会事先开发与专家沟通的可靠的双向通道,并建立起一种未来能够帮助这些明星员工完成关键任务的关系。此外,这些明星员工的网络与普通员工的网络之间存在两个重要的差别。首先,前者与其网络内的人维持着更强的联系,因此这些人的响应会更快、更有用。因此,这些明星员工很少浪费时间做无用功或者瞎摸索。

其次,明星员工的网络也更加多样化。普通员工仅从他们工作的视角来看待问题,并且总是盯着一点看;而明星员工的网络中却有担任多种不同工作角色的人,因此他们可以从顾客、竞争对手和管理者等不同的角度来看待问题。正因为如此,他们能够找到更好的解决方案。

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”)23。

Social Physics

社会物理学洞察

我们发现,那些用充满活力、吸引人的互动方式产生更多参与对话的个体,对社会网络中的想法流更加重要24。这也正是我观察世界上最有效率的人时所发现的现象:他们通过持续与他人交流来获得新的想法,并且这种探索性行为会创造更好的想法流。

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25。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。

社会网络激励 SOCIAL NETWORK INCENTIVE

在社会网络中能够改变人们之间的交流模式的激励。

遗憾的是,这也可能导致过度自信和团体迷思(group-think)[2],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。

Social Physics

社会物理学洞察

我和扬尼弗·阿特舒勒在一次有关eToro投资者的实验中使用了这一方法来校正社会网络,使它保持在具有健康的群体智慧的区域中。在此区域内,交易员拥有充分多样的机会进行社会学习,但又不会陷入同一想法不停循环的回音室中。这一校正使得我们能够将所有交易员的盈利能力提高超过6个百分点,也就是说,实现了盈利能力翻番26。

在这个例子中,我们的校正起到了打破回音室的作用,减少了现下流行策略的循环,并让新策略有了迎头赶上的契机。我们通过降低想法流的速率来提高多样性,让社会网络回到最有效的状态并提高了平均表现。我们通过管理想法流来校正网络,让在目前的金融体系中常常是输家的普通交易员成为了赢家。好的想法流不仅在金融网络中是财富,对于公司和城市而言也是如此。

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。

发表评论

电子邮件地址不会被公开。 必填项已用*标注