（听说学习的时候听一下小曲，更配喔~）
当兰·费雪还年轻且理想化的时候——兰·费雪现在是年老且理想化，他参与了澳大利亚一个新政党的组建。兰·费雪非常想贡献自己的一点儿力量，所以自告奋勇成为该党的政策协调员。
其他政党并没有政策协调员，但他们下决心做到尽可能民主，这就意味着他们必须考虑所有成员的意见。幸运的是兰·费雪并没有太多的成员，但即使如此这项工作也并不轻松。兰·费雪决定利用德尔菲法使工作变得简单又有效率——这是在商业中广泛使用的一个工具，可以引导组织由协商到达成共识。
这个方法的基础就是将协商分为几个步骤：
（1）在小组成员间传播这一问题；
（2）收集反馈、建议和支持的论据；
（3）将收集的信息返回给小组成员并咨询他们的意见；
（4）如果可能的话。重复步骤（2）和步骤（3）直到达成共识。
兰·费雪尽量将这一过程简化。他分发了关于为某些问题提供政策建议的问卷。他们安排了一组人将答案总结在一起，将之归纳成能概括大家主要观点的不同的选项，并将它们发下去供以投票使用。
但即使这样，他们的选项还是受到了质疑。一个组员甚至写到，这些问卷就18世纪词典编纂塞缪尔·约翰逊写的议会辩论报告一样。这听起来并不像奉承之辞，因为约翰逊虽然抓住了辉格党和托利党辩论中的话语精髓，但是却虚构了实际的对话，并宣称自己“发现辉格狗们没有切中要点”。
（塞缪尔 · 约翰逊）
兰·费雪的组员担心他们会做出同样的事情，写出带有主观偏见的总结。兰·费雪尽可能地向他们保证“我们不会这样做，并随时欢迎大家来检查我们的问卷调查表”。不必说，这并没起到多少作用，而这个政党也很快在民主尝试的重压下解体了。
兰·费雪的困惑反映了所有群体都会面临的一个最大的问题——在为了解决问题而不可避免地损失多样性的情况下，怎样将基于多样性的问题解决方法转化为具有一致性意见的实际行动？无论他们是否采用平均数，是够接纳大多数人的意见，或是否找出知识最渊博的人并听取他们的指导，总是有一些人要牺牲自己的意见以使整个群体能够从群体智慧中获益。
有很多种方法可以使多样性转化为一致性。在这里，兰·费雪主要列举三个：
第一个就是顺其自然，并且按他们邻居中的大多数人的做法去做；
第二个是围绕这个问题进行辩论以达成一个合理的一致意见；
第三个就是使用群体智能。
让法定人数响应
达成一致的一个方法就是按照别人的做法去做，这里的别人是指知道自己在干什么的人。例如，徒步远行时，我们学则一条被多数人走过的路径而不是只有很少有人走的路径，是因为我们假设这条被多数人走过的路径更有可能是一群知道自己要去哪的人走的。同样，当蚂蚁使用费洛蒙来寻找通往食物源的路径时，它们也是使用之前被其他蚂蚁使用过的路径来指导自己的选择。
我们的主要目的不是迷路。蚂蚁和其他群体性动物则有更重要的目的——寻找最好的食物源，寻找最好的栖息地，以及在寻找过程中避免被吃掉。
这些动物能够通过模仿其他更有经验的邻居的做法来为自己找到机会。但它们怎么知道谁更有经验呢？它们唯一的准确线索就是有多少同类同样在模仿它们。
20世纪80年代，莫斯科出现基本商品短缺时，莫斯科人也用了这样的方法。走在街上，如果看到一个或两个人站在商店外面，你或许会继续走。但如果你看到三个或四个人站在商店外面，这就是一种信号，预示着这个商店一定有某种东西在出售，而其他人也会加快步伐赶到队伍中去，瀑布效应使得商店外面很快就出现了一条长龙队伍，尽管并不是队伍中的每个人都知道商店卖的是什么！这种瀑布效应被动物行为学家称为“法定人数响应”。
（蚂蚁群体）
法定人数响应
法定人数响应是指“动物展示一种行为的可能性是已经展示这种行为的其他动物数量的非线性函数”。简单来说，一个群体达成了共识，每一个个体对某一选择的倾向性随着已经选择了这一项的其他组员的数目急剧增长（非线性）。法定人数响应并不只是动物们所特有的，人类大脑中的神经元对它们的邻居的行为也表现出同样的响应。
法定人数响应是尚在研究中的复杂性科学的一个例子。其基础在于局部相互作用，非线性反映，积极反馈，以及整体模式的显现。我们关心的是这个模式是否有用。
在自然界，法定人数响应确实非常有用。它能够保持群体的连贯性，而且有许多好处，如防止掠食以及保持群体决策的一致性。明显的非线性反映同样能够确保选择制定的速度以及准确性（如果先作出反应的个体已知决策的准确性）。
动物可以借助法定人数响应在速度和准确性之间作出选择。如果时间很关键，速度就相对重要了。计算机模型显示，只对少数邻居的行为作出反映就能够达到必要的速度。如果有足够的时间，也可以等待更多的邻居作出选择，然后再作出与其相同的选择。
我们中的很多人在一段长途驾驶之后选择吃饭的地方时就使用了法定人数响应。如果路边餐馆边上没有停靠任何车辆，我们很可能也不过去。如果有一两辆的话，我们兴许会停下来。如果有许多车辆都停在那里，我们几乎肯定会停下来，因为这里存在这样一个假设——停了很多车说明这是一个不错的饭店，或者前面可能没有其他吃饭的地方。无论我们停在哪里，我们在那里的停车总量上又增加了一辆，因此也就增加了其他车辆也停下来的概率。
（群体智慧的力量）
我们也可以使用法定人数响应的速度和准确性之间作出权衡。比如，我现在感到非常饿，我可能就会暂时不顾饭菜的质量随便选一家门口停有一两辆车的饭店。但如果我不是那么饿，我就有可能继续开下去，寻找一家门口停有更多车辆的饭店。
我相信车主将会使用某种独立搜集信息的形式来选择特定的饭店。他们可能以前就到过这里，或者看到过什么说明，或者听他们的朋友说过有这么一个地方。如果他们都使用与我相同的策略，将其他就餐人的数量作为饭菜质量的保证，我们可能都会对饭菜感到失望。在这种情况下，最先到的一批人是随意挑选的饭店，而接下来的我们就是盲目地追随他们的选择，就像电影《白色荒原》里从悬崖上如瀑布般倾泻而下的旅鼠一样。
《白色荒原》
个人无可靠的独立收集的信息但相互依赖的现象被成为信息化瀑布（被叫做非信息化瀑布可能会更好一些）。一些无量的店主曾经发起过这样的瀑布，他们在自己的饭店门口停放许多自己的车以吸引顾客。这就引出了法定人数响应的一个基本问题——若要使这个原理有效，我们必须能够信任那些我们决定是否要模仿的人的可信度和知识。
有时这是很显而易见的。如果我们在一个陌生的环境里突然遇到了暴雨而急于寻找一个避雨的地方，跟随人流通常是一个好办法，因为这些人流有可能就是知道他们在做什么的本地人。
通常，如果我们有共同的目的，无论是寻找食物、栖息地或者是一个廉价商品，跟随人流都是一个好办法。像蟑螂、蚂蚁和蜘蛛这样的动物不经常购物，但是它们在寻找食物和栖息地时能够成功地使用法定人数响应。我们也可以这样，在其他很多情况下，我们也可以做得更好。
法定人数响应有它的用处，但是我们经常能在自行判断时通过分解进一步改善它。正式相互独立和相互以来给了我们最好的机会。比如，当我们计算有多少人在使用参观时，我们可以将查看厨房是否干净，或者观察就餐者的脸色和他们餐盘里的食物外观等信息作为补充。
互相依赖指的是“个人依赖他人的决定做选择”。事实上，这是小组决策制定的基础。实验表明，我们生来就倾向于依赖他人的决定和行为来决定自己如何实行。
“数”说群体智慧
斯坦利·米尔格拉姆的“凝望虚无”实验证明，路上只要有一个人向上凝望六层楼的空窗户，就会诱使40%的行人同他一起凝望；如果有两个人向上凝望，“模仿者”的比例将上升到60%；有五个人凝望时，“模仿者”的比例为80%。
更多干货，尽请期待
