我有兴趣做一些集体智能编程，但想知道它是如何工作的？
据说能够给出准确的预测：例如，O'Reilly Programming Collective Intelligence 的书说，一组交易者的行为实际上可以比专家更好地预测未来的价格（例如玉米）。
现在我们在统计学课上也知道，如果一个房间有40个学生参加考试，那么会有3到5个学生得到“A”的成绩。可能有 8 个得到“B”，17 个得到“C”，依此类推。也就是说，基本上，一个钟形曲线。
那么从这两个角度来看，“B”和“C”答案的集合如何能比得到“A”的答案给出更好的预测呢？
请注意，例如，玉米价格是考虑天气、使用玉米的食品公司的需求等因素的准确价格，而不是“自我实现的预言”（更多人购买玉米期货，价格上涨，更多人购买期货再次）。它实际上是准确预测供求关系，以给出未来的准确价格。
这怎么可能？
更新：我们可以说集体智慧在股市的兴奋和恐慌中不起作用吗？
Wisdom of Crowds wiki 页面提供了一个很好的解释。
简而言之，你并不总能得到好的答案。它需要一些条件才能发生。
好吧，您可能想考虑以下“模型”：
guess = right answer + error
如果我们问很多人一个问题，我们会得到很多不同的猜测。但是，如果由于某种原因，errors 的分布在零附近对称（实际上它的均值必须为零），那么猜测的平均值将是正确答案的一个很好的预测指标。
请注意，猜测不一定是好的 - 即错误确实可能很大（B 级或 C 级，而不是 A 级），只要 B 级和 C 级答案分布在正确答案的两侧.
当然，在某些情况下，这对于我们的猜测来说是一个糟糕的模型，所以集体智慧并不总是有效......
人群智慧技术，如预测市场，在某些情况下效果很好，而在其他情况下效果不佳，正如其他方法（例如专家）有其优点和缺点一样。因此，最佳领域是没有其他方法做得很好的领域，并且预测市场可以做得很好。一些例子包括预测公共选举、估计项目完成日期和预测流行病的流行。在这些领域，信息分布稀少，专家们还没有找到可靠预测的有效模型。
总体思路是市场参与者互相弥补弱点。人们的期望不是市场总是能正确预测每一个结果，而是由于人们注意到别人的错误，他们不会经常错过关键信息，而且从长远来看，他们会做得更好。如果参与者实际上知道答案，他们将能够影响结果。不同的专家可以对不同的问题进行权衡，因此每个人在他们拥有最多知识的地方都有更大的影响力。随着市场随着时间的推移而持续，每个参与者都会从他们的收益和损失中获得反馈，这使他们能够更好地了解他们真正理解哪些问题以及应该远离哪些问题。
在课堂上，人们通常是在曲线上评分的，所以分数的分布并不能告诉你答案有多好。预测市场根据实际结果校准所有答案。这种成功和失败的公开记录对强化机制起到了很大作用，但在大多数其他预测方法中都没有。
集体智慧非常擅长解决背后具有复杂行为的问题，因为它们能够采用多种意见/属性来源来确定最终结果。通过这样的设置，培训有助于优化流程的最终结果。
错误在于您的类比，两种观点都不相同。交易者预测他们交易的直接利润（他们所了解的市场的一小部分），而专家试图预测整个领域。
IOW 整体交易者的位置就像一个拼图游戏，基于他们各自的一块馅饼（他们被认为是专家）的大量小意见。
一个人的头脑无法处理那种细节，这就是为什么整体位置可能会盖过真正的专家。请注意，这种现象通常仅限于相当静态的市场，而不是动荡时期。专家通常会做得更好，因为他们通常受过更好的培训和动力，以避免与一般情绪。（这通常类似于动荡时期的旅鼠）
班级类比的问题在于评分系统没有假设学生是他们（难以预测）领域的大师，所以它没有可比性。
Ps 请注意，基本公理取决于所有玩家都是该领域一小部分的专家。人们可以争论这个要求是否真的可以很好地传输到 web 2 环境。