一个全新的范例

味着药品公司很难从治疗疟疾的药品中赚回成本。桑德斯的议案将基本上保证为成功研发出此类药品的个人和公司提供补贴。

在政治光谱的另一面，纽特·金里奇提出一个类似的系统，用于降低政府的花费。正如威廉·赛尔顿在2007年10月的网络杂志《纪事》上写到的，金里奇建议：“与其给联邦政府部门10亿美元去解决问题……不如将这笔钱奖励给第一个解决这个问题的公司。随着对话的开展，金里奇开始给一个又一个的挑战投钱。为什么这个方法这么有效率？为了10位数的奖金。”

但我最喜欢的解决问题的网络是Netflix竞赛奖金。

2006年末，电影租赁公司承诺，任何可以将电影推荐系统性能提高10%的人，都将获得100万美元。这个竞赛受到了职业统计学家以及各种各样业余爱好者的欢迎，同时也吸引了很多观众。而且这对于内德·格利在MATLAB竞赛中提出的原则是一个掷地有声的肯定，只不过换到了商业背景下。

从1997年开始，Netflix成为了各地邮递员的”烦恼之源”。现在，它每天要给750万名订酬户发出35000封授权信。2000年，NetfliX网站增加了一项服务，叫做”你可能会喜欢”（Cinematch)——网站根据之前用户观看过的影片为其推荐电影。对于推荐引擎，有个很著名的说法——它是现代网页中一个有缺陷的服务。“你可能会喜欢”也不例外。这个系统主要是在1～5星的星级评分中，预测用户会为某部电影评多少分。现在”你可能会喜欢”已经有0.9525的平均错误率，也就是说，它平均丢掉1星。假定用户对待3星的电影的态度是不看，但会考虑租下4星的电影来看，那么目前的系统效果就太不理想了。为了改进系统，Netflix极大地扩充了资源，但公司最后决定考虑比尔·乔伊的论点——无论多聪明的人为你工作，最聪明的人还是在别处。

“那些我们没有雇用的人一样可以为我们工作。现在，需要靠他们来创新。我们只是助手。“Netflix推荐系统的副总裁吉姆·贝内特说。

在登录网站后，参赛选手会进入一个巨大的资料库，里面有1亿名用户的评分。通过研究这些评分之间的关系，参赛者试着修改代码，目的是更准确地预测人们更爱看什么样的电影。他们向Netflix提交了自己的算法，通过和用户对电影的真实评分做比较，公司会给算法打分，然后放入排行榜。

在实验开始不到两周的时间里，Netflix收到了169份结果，其中一些对现有的系统有些改进。一个月后，提交的结果超过了1000份。最好的程序员很快将”你可能会喜欢”的性能提升了大约5%。但接下来进展就变缓了，一年后，最佳选手——一组来自AT&T(美国电话电报公司）的信息可视化研究小组的程序员”BellKor”——仍然只能将”你可能会喜欢”的性能提升8.43%。

从基本的形式来看，Netflix奖金很像MATLAB竞赛。

选手试着写一个算法，解决一个难题，然后提交，即时打分。和MATLAB不一样的是，Netflix拒绝公布每个提交的程序代码。这是可以理解的，有100万美元的风险呢。有人认为，一旦公司这么做了，选手会到大门前抗议。但正如乔丹·埃伦伯格2008年在《连线》上发表的关于Netflix奖金的文章中提到的，选手决定无论如何也要共享算法。

“冲着奖金来的人，即使处于领先，对自己算法的态度也惊人地开放，他们的表现更像是一群为了攻克某个难题聚在一起的学者，而不是为了100万美元的报酬争得头破血流的企业家。“一个叫做simonfunk的选手，尽管处于第三名，远远领先于其他竞争对手，但还是将自己的算法完整地公布了出来。这些看上去无根据的开放行为是否危及了他们臝得奖金的能力呢？埃伦伯格就这个问题询问了BellKor的头儿，他看上去有些迷惑,并答道：“通过和其他小组互相学习和互动，我们得到了足够的收获。这对于我们来说才是真正的大奖。”

最出乎意料的人为Netflix奖金做出了有益的贡献，这很像MATLAB竞赛中的”脚本少年”。加文·波特，一个48岁的退休管理顾问，为了找点乐子决定参加Netflix竞赛。他自称为”住在车库的人”，2007年10月，波特飞速上升至排行榜的前十名，其他选手会使用复杂的统计学算法，而波特既没有相关背景，也没有经验。但波特运用了他在人类心理学方面的知识，询问了用户在平时生活中如何为电影评级的一些相关问题，比如,近期上映的电影是不是会得到较高的分数？

利用在行为经济学（一种新的学科，用心理学解释影响人们做出某个经济决定的原因）领域积累起来的洞察力，波特将一些人考虑在算法内,比如说，倾向于给每部电影都打3星以上的人。这听上去是很基本的，但研究算法的统计学家对此却并不敏感，他们认为，所有顾客都是一样理性的。在本书（原版〉出版之际，波特是第五名，仅比第一名的结果少1.5%。

和Netflix奖金一样，戴尔的”点子风暴”也尝试利用大众的集体智能解决问题。但和Netfli