「怎麽讓人類變得更加聰明？」在面對人類第一顆原子彈爆炸的時候，「曼哈頓計劃」的創始人范內瓦·布什卻在思考這個問題。
那是1945年的7月。
相當於20000噸炸藥的核武器，讓一朵巨大的蘑菇雲在距離地表近萬米的地方爆裂開來，最終在沙漠中留下一個10米寬的大坑。
那個7月，布什卻將一封與原子彈毫無關係的信件投書給《大西洋月刊》，並提出了一個悲觀的結論：「人類獲取的經驗正在以飛快的速度增長，而我們從知識迷宮中獲取信息與知識的方法，卻與過去造橫帆船時一樣工程浩大。」
如此龐大的問題，源於布什管理曼哈頓計劃時的經驗。
國家力量讓不同學科的科學家走到一起，分享各自領域的前沿知識，團隊合作，但戰爭即將結束，這種合作還能持續下去嗎？
生物通過合作進化出更高級的智能體，這是自然界亙古不變的規律。每個蜜蜂的IQ並不高，但通過群體協作卻可以搭建一個完美的巢穴。
因此在19世紀，著名科學家尼古拉?特斯拉就曾預言，有朝一日地球將成為一個大腦，每個人都是一個神經元。
預言終究是預言。
如果想讓信息脫離人腦，在不同人群、話題之間自由流動，難度顯然過大。在布什看來，無論是信息的獲取、儲存，還是連接，都存在非常深刻的問題。如果我們不重新思考人與信息的關係，借助計算機的力量改進上述環節的效率，全球腦的設想將成為空中樓閣。
布什的困惑，為一代計算機和互聯網發明家們指明了奮鬥目標。
原子彈爆炸的74年後，我們有了搜索引擎、內容分發算法。機器在信息的獲取和儲存方面扮演了重要角色。
然而在信息的連接上，我們依然沒有太多突破。
人類有自己的思維模式，頭腦攫取一項信息後，會立即聯想到另一條信息。布什對此大加讚賞：「人類行為的速度，頭腦軌跡的複雜性，想象的細致入微，這是機械化的索引做不到的。」
當我們以此作為標準，回顧過去幾十年互聯網變遷時，會發現它離「信息連接」的初衷越來越遠。小部分人設定的、標簽化的算法，束縛了人自由探索知識邊界的能力。更多的內容並沒有讓我們認知升級，反而因為信息過載而感到焦慮。
為什麽會出現這樣的問題？
社交媒體無法解決知識共享的問題
如果我們把人與信息的互動分為三個環節：獲取、儲存、連接；計算機看似在前兩個環節中做得不錯，卻在「連接」上無能為力。實際上，無能為力恰恰是因為計算機在幫助人類獲取和儲存信息方面，做得還不夠好。
目前，用戶從互聯網上獲取信息的途徑有很多種，常見的包括知識系統（如維基百科）、推薦系統（如今日頭條）和搜索系統（如谷歌）等。
雖然上述幾類系統各自都取得了巨大成功，但也都遇到各自問題和發展瓶頸。
最主要的原因在於，這些系統是由少部分人進行的自上而下的知識傳播，並沒有動用到所有人的大腦。
包括知識系統和社交媒體在內的「知識網站」，優點是信息顆粒度低，可以覆蓋海量的內容。缺點也很明顯：海量新知識點的編制和維護艱巨繁瑣，容易產生疏漏，也無法根據知識的變化相互聯繫和演化。
這一情況在實際使用中非常明顯。維基百科不能發現和應對新的知識，只能靠用戶去創建。
知乎則是被動吸取知識，需要有人提出問題，才能建立新的知識點。這源於UGC生成的內容含義千變萬化，機器光是理解內容本身就很吃力，更遑論理解那些難以用語言描述的意識和感覺層面的知識。
許多用戶還依靠類似今日頭條的推薦系統獲取信息。它依賴單維度的標簽描摹用戶，因此有時候出來的結果是不合常理、扭曲失真的。此外，很多高質量的內容可能本身並不包含清晰的標簽，音頻、視頻、圖片更是很難用關鍵詞描述。
最後一類則是基於關係鏈的社交媒體，比如微博和Facebook。
這類產品僅依靠用戶間的共同興趣傳遞信息，但由於缺乏系統性的知識結構作為支撐，只能還原基於人際關係鏈的物理鏈接，難以就個人思想與知識的表達做交流。當社交屬性發揮得越來越強時，知識屬性就會越來越弱。
綜上，現有的工具只能充當「信息源」的角色。
它們在本質上是以機器為中心創造的，而不是以人為中心創造的，無法與有機的思維過程碰撞。無論是知乎還是維基百科，它們更像是一部由超高速CPU編纂的詞典，是海量的「機械化索引」的聚合體。
作為用戶，我們希望工具代替我們去做搜索、查找之類的「髒活累活」，以便讓我們有更多時間可以理解、消化新知。這就需要工具可以盡可能貼合人的思考模式。
是否有一種可能，信息可以脫離人，自由地在互聯網上傳遞，碰撞，連接？
用戶不再需要關注某人，就可以獲得準確的信息。信息分發也不再需要被打上標簽、被博主轉發、被志願者維護，而是由一個吸收群體智慧的「全球腦」決定。
這個「全球腦」可以在每個人的幫助下，進行自主進化、生長，了解信息與信息之間的關係，做到真正的連接。
KNS知識網絡
2015年開始，「Ta在」團隊就開始在美國創造一套全新的算法。
在這套名為ECI（Evolutional Collective Intelligence）的演化群體智能算法下，人與人可以不基於社交關係連接，而是通過大腦的知識特徵、興趣屬性自動連接，建立超越個體智慧的群體智能。
在完成這套算法後，團隊於2018年11月上線了世界首款以實現全球腦為目的的KNS（Knowledge Network Services，知識關係服務）產品——「Ta在」。
ECI算法的一大優點就是自我演化。
它基於多人判斷分發內容，而不是基於局部個體（如邏輯與內容審核人員）的好惡。它會學習大量用戶的使用習慣，然後對單一用戶分發信息，然後再根據用戶的反應來矯正系統判斷，推送給用戶。
在長期的互相判斷過程中，ECI算法持續演化，以達到增進群體智慧的目的。
與這種動態算法相對應的，是一種同樣演化的知識分類。現有的SNS或依靠人工編輯去歸類，或依靠內容發布者去加標簽歸類。
「Ta在」則用ECI算法去標識內容。
同一個內容可被分在多個標簽維度（知識屬性維度），且這種分類始終處於演化的狀態。它杜絕了內容埋得過深，從而無法被發現、連接的問題。平台始終可以非常靈活地調取內容。
最能充分利用這種演化分類優勢的，是問答與知識檢索產品。現有平台存在的最大缺點，在於一個問題的發起，要先找到對應問題的回答者。
這無疑是違背直覺的。
在ECI算法下，用戶只要扔出問題或內容，算法就能自動連接相應的內容或人。它可以計算每個內容點、興趣點之間的關係。
當這種關係越來越分析精準清晰後，「Ta在」就會最終形成一個龐大的知識體系、知識圖譜與知識庫。
那麽，這個算法要進化到什麽樣子，才算得上夠智能？
為了解釋這一點，「Ta在」為自己的全球腦平台設定了一個名為CIQ的數值，用來描述平台的智力水準。
目前，「Ta在」平台CIQ數值是15，這說明相當於一個智商15的人。
但即便如此，ECI算法也已經發揮出了巨大的潛力。目前「Ta在」的問答帖回復率很高，說明算法將問題推送到了本身是對問題有經驗的人那裡。
當CIQ達到100的時候，「Ta在」平台的知識量就等同於知乎的量級。
隨著內容廣度的增加，算法可以更快速的對內容關聯。當CIQ達到1000時，知識量就是谷歌的量級。一篇文章發出10-20秒後，瀑布流就會出現非常相近的內容推送。
除了自主演化與混合智能之外，ECI算法最重要的一點就是可以充分利用用戶規模化，持續提升用戶體驗。對於其他社交平台而言，用戶與內容的量級越大，垃圾內容也會越多。
而在ECI算法下，用戶量級越大，作為分發引擎的「全球腦」將學習更多用戶使用習慣，讓推送給用戶的內容更加精確。
目前，「Ta在」團隊已經在自己的內容產品中驗證了ECI算法的威力。下一步他們希望將算法接入外部平台，用一種較輕的模式探索其在ToB場景下的潛力。
我們在上面提到，現有的許多電商、內容平台都利用標簽系統推薦內容，缺乏自我演化學習的能力。
這讓平台上的B端缺乏消費洞察，更讓用戶經常會接收到垃圾信息。幾年前，「骨灰盒」的新聞就曾引起軒然大波。某用戶在淘寶上偶然搜了一次該款商，但系統之後反覆給他推薦同類商品。
ECI算法就會避免這樣的錯誤，因為它真的理解每款商品是什麽，並能根據用戶情況、興趣推薦和促進購買。
隨著購買量增加，電商平台又可以根據用戶的消費心理得到更多的用戶洞察，比如計算出從未有過的商品關係，更高效地刺激連帶消費。換句話說，亞馬遜上原來可能在尿片旁邊只會推薦奶粉。然而根據ECI算法，它可能會推薦啤酒等奶爸感興趣的產品。
到了5G時代，ECI算法將可以吸納更多的知識與經驗。憑借著低延遲和更快的傳輸速度，雲伺服器對數據的處理速度將能媲美本地CPU。再加上可穿戴等IOT設備的普及，全球腦將能發揮更大的功力。
以教育行業為例。我們在上面已經提過，ECI算法讓「Ta在」產品中的問答模塊活躍率非常高，因為它可以連接、拓寬知識點。這一路徑也可以被應用到其他的教育產品中，成為5G時代的一個重要應用。
眾所周知，許多教育產品以視頻為主要形態，而視頻內容的結構化又非常困難，還停留在人工打標簽、做目錄系統的階段。數據傳輸速度的加快，可以讓視頻被全球腦學習並分發。產品將可以真正打破現有千篇一律的教育大綱，在知識體系中做出橫向探索，判斷用戶在學習過程中的興趣以及主動性。
目前，「Ta在」已經與多家中國出海團隊展開合作，探討如何將ECI算法嵌入這些團隊的內容推薦、電商系統，從而提升轉化。
區別於之前全球腦產品「Ta在」，這些外部合作將成為ECI算法的熱啟動。團隊希望可以以技術入股、分紅等較輕的模式，與外部產品合作。只有這樣，才能讓ECI算法進入到更大的世界中。
計算機科學家AlanKay曾說過：「最好的工具，開始可以激發人類創作的靈感。」
在懂得自我演化、學習的ECI算法幫助下，知識不再是毫無生氣地被隨意堆放在硬碟，而是可以自由流動、連接。這種連接必將為所有人創造更多的思維火花。
到那時，「用計算機提升人類智力」的一天，終將到來。
香港九龍灣馬來街興發大廈15樓D室