E、 考虑到在狩猎-采集并存的情况下，这个政权至少占据了人类历史的90%，这可能是核心问题：事实上，繁荣和生存往往取决于平衡冒险进入未知领域及其潜力和风险，而不是依赖熟悉的生产方法。直到一万多年前的农业革命，我们才开始学会在一个有组织的/等级制度中成为政治动物。本质上，这相当于一种进化突变-繁殖权衡。自然，它形成了人工智能学习的基础（Kaelbling et al，1996）。这是一个普遍的传统格言（例如，在道教中，以平衡“气”的实践为中心）。此外，有机体、动物（Caraco，1980）、人类个体（Cohen et al，2007）、公司（创新或停滞；“管理双重性”）（Wilson et al，2014）、战略投资者（投资VC？）都是一个问题，社会同样需要导航（Banks，1994；Mehlhorn，2015）。收集了这些想法后，我们回到图7中的游戏和进化玩家：代理监控者（agentmonitors）观察系统的可见部分，试图以理性和客观的方式区分运气和技能。此外，动态环境改变了比赛，并可能改变运气和技能之间的平衡（例如，在高度多变的风下，幸运的帆船赛）。代理人需要仔细推断运气的动力和贡献，至少部分地，这超出了视野。该系统经历了探索（决定）–利用（执行）周期，交替发散的开放思维，然后统一到一个共同的目标。优化循环将相同的动态嵌入到执行机制内的子尺度（监视器）中。

此外，在缺乏探索性的制度下，需要嵌入有规律的收敛循环：例如，选择有前途的想法并构建原型。事实上，这个学习需要做，做需要执行。这就是Tetlock等人（2015）所说的“掌握错误平衡自行车”。英特尔前首席执行官安迪·格罗夫（AndyGrove）表示，应该实行“建设性对抗”。Ray Dalio（2017）对此表示赞同：“为了取得成功，我们必须有独立的思考者，他们必须如此独立，以至于他们会打赌反对共识”。Tetlock et al.（2015）的表述如下：不要试图为自己的失败辩护或辩解。拥有它们！进行坚定的尸检：我到底错在哪里了…也不要忘记对你的成功进行事后分析。并非所有的成功都意味着你的推理是正确的。你可能只是幸运地犯了抵消错误。如果你一直自信地沿着同样的思路推理，那你就是在给自己制造一个可怕的惊喜。他们把这称为“目标的神话”：“目标实际上成为通向更令人兴奋的成就的障碍，比如那些涉及发现、创造力、发明或创新，甚至实现真正幸福的人……通向“蓝天”发现者实现无限抱负的最真实的道路是根本没有目标。平衡昂贵、不确定和有风险的学习与“局部最优”优化和生产的更安全保护。例如，在生物进化中，由于代谢化学反应的巨大冗余性，小的所谓“中性”突变逐渐累积，对适应度没有明显影响。然后，当达到阈值时，最后一个微小的突变会引发一连串的变化，这可能会导致一个新物种（Wagner，2015）。本质上是中国道教的阴阳。

这种动态如图7所示：注射I（b）中，系统朝着局部最优方向调整，并达到平台。在I（a）中，达到高峰值，但随后衰减，例如，由于过度的自上而下控制（执行不佳）或环境变化。随着该制度的增长潜力达到极限，不确定性激增，而在这种情况下，强化的勘探活动导致了突破。范式I向范式II的突变/转变发生了。灭绝是另一种可能性。在新范式中，操作不断优化，系统的性能超过了前一范式的峰值——正如潜在图所示，潜在图受未来运动和不确定性的影响。5、衡量和奖励过程绩效5.1这三个案例：既然我们已经掌握了进化游戏的本质，为现实世界的问题提供了丰富的模型，我们就可以创造出三种互补的观察方式，从而奖励优点。给出了测量的具体性质和使用条件。这三种方法针对不同的结果衡量标准：原始结果（“等待奶油上涨”）：这是基本情况，即基于单个快照对流程进行评估，最典型的是在其停止时间。这与Dorner的弹道作用密切相关（Dorner等人，1990年）。若不存在计量，采用产出计量可能是一种改进。这种方法的简单性–使用e。g、 成功/失败是可以客观观察到的，不需要对过程质量/优点进行评估，这很可能是困难的、耗费成本和时间的，并且容易出错，这使得它很有吸引力。然而，这是非常嘈杂，依靠一个单一的观察。

从技术角度来看，成功的结果可能不能说明基本过程的实际质量——显著区分运气和技能的统计能力很低。推理可能会因过程中范式的变化而发生偏差。以下方法更为复杂。风险调整/聚合（“将小麦从谷壳中分离”）：这里，对一个过程的实例进行路径评估，以查看结果是如何获得的。在足够稳定的条件（环境）下，人们可以利用统计经验来解释运气对最终结果的作用。因此，这将原始结果度量扩展为风险调整。此外，如果存在单独的（理想情况下是独立的）过程实例并可以观察到，则可以使用聚合度量（例如，%成功）。因此，相对于基于结果的“样本量一”方法，预计luckand技能之间的区别会更好。图7：通过“范式变化”和探索周期对不断发展的学习者的动态视图——在文本中进行了描述。前瞻性：（“侦察未来之星”）这一包罗万象的案例解决了一个不断变化的环境，以及不断变化的内部范式，即历史不是未来的完全和直接代表，但通过演绎推理，可以被同化为未来情景。因此，这一过程是通过评估过去、现在和未来来评估的，其优点部分应根据发展能力来评估。这允许风险评估超越已发生的场景和事件。在量化允许的情况下，可使用Rawoutcome和风险调整措施。

然而，这里的度量更多的是关于一个过程与上面3中定义的进化系统的原理的定性比较。为了更广泛地反思这一重要的前瞻性案例，Seligman等人（2013、2016）从大自然中汲取灵感，推测前瞻性是人类认知和行动的核心和单一组织特征。有鉴于此，人类不应该被称为智人（“智者”），而应该被称为智人（“前瞻性的人”），因为智者是对可能的新未来的模拟。杰夫·霍金斯（Jeff Hawkins，2004）进一步提出了一个神经生物学基础，假设认知是一个反馈/回忆循环，以双向层次发展认知和预测：这种“记忆预测”理论声称，我们的大脑因此不断尝试预测，然后比较、预测、比较、学习、调整、预测等等。在相关思考中，Karl Friston等人。（2006年、2012年）假设生物系统努力将期望和感官感知之间的差异最小化（Perrinet等人，2014年）。为了修正想法，将这三个度量标绘在思维导图中（图7），并与三种类型的操作系统相关，每种操作系统都具有较高的“智能”（Gell-Mann，1994）。第一种是直接适应：就像恒温器一样，当超过某个阈值时，恒温器只会做出反应（“太冷、太热、太冷”…）。这个最基本的管理系统对应于我们基于结果的案例。接下来是一个更智能的专家系统，它是一个静态的内部模型，类似于决策树，基于历史专家经验：“如果…，那么…，否则…”。这里强调的是控制，以及系统可以通过充分了解历史投入产出关系来控制的信念。

这与我们的风险调整案例相对应。最后，最智能的操作系统是一个复杂的自适应系统，它是一个专家系统，可以通过突变和选择过程从不断变化的环境中学习，就像在生物进化中一样：它有一套内置规则（方案、基因、模因）。存在允许选择的适合性标准，而糟糕的方案将过时。此外，还存在通过繁殖和突变（开发探索）的变异。选择和变化是允许系统学习并动态适应其不断变化的环境的基本要素。我们推测，其他动物也能够概念化探索，推断灵活规划的现有证据（Kabadayi，C和M.Osvath，《Ravens parallel great apes in flexible planning for tool use and bartering》，Science 357202-2042017）。5.2将技能与运气区分开来：结果和风险调整措施短期成功通常会得到奖励，而不考虑长期健康状况，并且可能会损害长期健康状况。我们努力建立更多的精英制度。在这里，通过模拟研究评估了原始和风险调整措施识别质量的效率。5.2.1运气和技能模型我们现在讨论在原始结果观察下将运气与技能分开的问题。考虑某个经纪人，他在完成一个过程（玩游戏）时使用了技能和运气的组合（暴露在其中会受到冒险的影响）。在Shockley（第2节）之后，该任务的结果在某个时间点的分布为对数正态分布。在这种情况下，其依赖时间的演化可以表示为一个随机过程，如几何布朗运动（GBM）：+，-，-。

“/”01 2“3”045（2），其中在无穷小的时间步长dt内，成功结果的百分比变化+，-，完全由百分比漂移u（表示技能部分）和百分比波动率s（此处表示运气）表示。离散小波变换引入了随机性，它是维纳过程（布朗运动）的增量。在GBM之后，时间T之后的偏移通常为：67\'895：\'；\'</=>？%@\'A 2\'BC\'3\'DA（3），其中xi是零均值和单位方差的随机变量。第一项</=>？%@在那里。h、 （3）中的s是技能部分的累积效应，第二个术语bc\'3\'DAis theluck部分。术语（>？%\'A@in技能成分是托卡斯蒂克过程中乘性噪声的结果。对于大多数应用程序，此校正项很小，所以将其设为零。图8：奖励层次结构：三个互补的分支代表了根本不同的奖励方法。在强平稳性的情况下，应使用（寿命）时间，对于弱平稳性，应使用数据，当不存在平稳性时，应使用启发式。有一个特征时间T*，在该时间点，技能和运气将对GBM过程的结果做出同等贡献。此时，T*满足/AE3\'DAE，屈服：AE\'F> （4）当T小于T时，运气成分占主导地位，且过程是扩散的或随机的；当评估结果的时间大于T*时，技能占主导地位，过程正在漂移。因此，当基于单一观察无条件评估漂移过程时，只有时间才能区分技能和运气。只有在超过characteristictime（4）后，流程的结果才是技能的良好指标。在较短的时间内，幸运占主导地位。

更广泛地说，典型的时间区分了哲学家孟子的闵仪和闵昕：第一个是指基于变化无常的短期思维的政策，而第二个是着眼于长期整体的观点（Weiwei2017）。考虑到一些关于GBM类型过程中估计技能难度的著名观点：默顿，1980年指出，“……试图估计市场上的预期回报是在做傻事”，Markowitz和von Dijk，2006年，“我们不知道如何输入数据并获得“正确的”预期回报估计。”Ambarish和Seigel，1996年指出，估计平稳过程的预期回程到指定置信水平可能需要几年的时间。Chopra和Ziemba，1993年，讨论了投资组合选择中的平均值错误，并显示了它们的相对重要性。5.2.2时间作为分割因素：等待乳膏上升，对于原始结果观察病例，我们评估特征时间启发式在区分技能和运气方面的表现：我们考虑了N种药物的异质群体，在GBM（2）之后执行一些过程。每个代理都有技能和lucki（例如，由于不同的风险承担水平）。ui根据两个对数正态分布LN（Iskill，Jskill）和LN（Iluck，Jluck）进行分布。经过一个时间步长ka后，代理的已实现成功可通过等式（3）计算得出：Withkill part</C=>L？%@KA，和运气成正比。然后，我们根据时间步长后的实现结果，将人群分成结果十分位数（每个包含N/10个代理）。然后，我们计算每个观察到的细节的真实技能ui和运气的平均值。对不同的KA重复模拟，我们称之为“审查期”：评估代理质量或“审查”代理所需的时间。

附录A.1给出了四个不同人群的结果，异质性增加。从这里，并参考图A.1，考虑到奖励问题，出现了两种解决方案：1）“选择成功”：奖励最高的十分位，希望包含熟练的代理；2）“取消选择运气”：奖励中等的十分位，从而避免/惩罚最幸运的人，也许还有那些承担不负责任风险的人。事实上，前十名中包含了最幸运（和一些技术娴熟）的人。奖励他们是经典的原始结果解决方案。然而，这一策略的优点在很大程度上取决于人口异质性和相对于特征时间的审查期。有趣的是，去选择运气方法对种群异质性和审查时间的依赖性很弱。这可以在图A.1中的四个子图中清楚地看到。通过重排中间的十分位数，我们最终会以相对较低的运气贡献来奖励代理人，事实上，我们明显忽略了最成功和最不成功的代理人。Pluchino等人（2018）基于基于代理的模型，也发现最成功的代理很少是最有天赋的。生活在公元前372年至289年的著名儒家哲学家。需要明确的是，Iskill是代理人技能分布的平均值和标准差，而Luckis是N个代理人“运气”分布的平均值和标准差（考虑到例如可变的风险承担）。术语不应与漂移术语混淆。它表示平均波动率。JSKILL也是如此，它不应与波动性混淆，而应与人口的可变性混淆。哪种解决方案最好？显然，如果有足够长的审查期，人们可以等待，然后从前十分位中挑选奶油。

然而，人们如何知道自己是否已经等待了足够长的时间，以至于观察到的成功大多不是偶然的？而且，在异质人群和短审查期的实践中，该怎么办？例如，对于选择金融投资的问题，考虑到通常每年约5-10%和20-30%，表达式（4）给出的特征时间T*在4到36年之间。在这里，（无条件的）选择成功的方法对于持有期不到4年的公司来说是很弱的，这已经是很长的时间了。这说明了一个众所周知的事实，即大多数表现优异的金融基金都有很大的运气，而真正有技能的基金则很少（Barras et al.，2010）。我们现在通过风险调整后的衡量标准来测试上述指标的表现：技能除以运气(/M3@called金融领域的夏普比率。结果如图8所示。令人惊讶的是，对于更短的审查期（这里不到一年），最优分配的夏普比率几乎持平。然后，从分配到中值十分位数，再到分析到第一个十分位数，形成一个阶梯式的最优分配函数。从我们的模拟中得到的教训很清楚：只有拥有很长的审查周期，才能以这种方式将技能与成功区分开来——在一个随机且异质的世界中，精华慢慢升起。对于大多数真实的人类活动来说，技能和运气的广泛分布，加上决策的紧迫性，需要努力避免成功的幻觉，这种幻觉往往会使我们在追求可持续成功的过程中变得盲目和误导。5.2.3风险调整措施：将小麦从谷壳中分离出来，现在考虑更丰富的环境，其中1）我们能够在评估过程中包括中间结果，甚至2）考虑多个平行实例。

考虑第一种情况，并回顾一下：如果基础过程是准稳定的，那么过去是未来的良好指标，风险调整措施是合理的。为了研究这一点，我们使用与上述相同的模拟，但在每个实例的周期K内采样/记录中间结果。这允许估计每个代理的漂移（技能）和波动性（所承担的风险或其过程中固有的风险）。可以考虑许多风险调整措施，其中波动性强度是一个重要因素。为简单起见，并适用于我们的模型（方程式2），我们使用夏普比率。图9：夏普比率（y轴）作为不同物种的审查周期（x轴，对数刻度）的函数。每个子地块代表一个不同的群体，其个人技能和运气的分布为对数正态分布，参数见面板插图（见附录a.1）。不同十分位数的结果由不同颜色的曲线表示。水平的黑色虚线给出了样本期外一年人口的夏普比率，黑色横线给出了最优分配，即每个审查期的获胜分数。在所有情况下，选择成功超过选择幸运的过渡期都接近于特征时间，并且基本上与（u运气/u技能）一致：对于编号的图，beingone、四年、一年和四年。E、 例如，对于种群1（左上角），取消选择onluck在长达一年的审查期内占主导地位，因为十分位3-5是最佳的。除此之外，selecton成功获胜。在我们的模拟研究中，该比率用于对代理进行排序，并按十分位数对其进行排序，每个包含N/10个个体。对于每一个十分位数，我们使用模拟中给代理的参数值计算平均真实技能和运气。

我们使用一年的审查期，并逐步将中间观察的数量从2、4、8…增加到256。结果（见图A.2）非常清楚，即使是非常粗糙的统计数据，例如，每个代理路径仅使用两个观察值：夏普比率选择技能较高和运气较低的代理，单调地超过10个十分位数。因此，即使在原始结果之外再加上一个中间测量，也可以根据两个观察结果对波动性进行非常粗略的估计，在基于结果的研究中，典型的幸运微笑形状完全消失了。这是非常有希望的，尽管在实践中必须小心，以便测量结果可靠且有意义。如果并行实例以某种方式可用，那么聚合措施将以更高的效率“将小麦与谷壳分离”。5.3关于奖励本身：现在划分美元，我们考虑将运气与一般动态系统/游戏中的技能和更广泛的优点分开。我们简要地考虑了奖励本身的分配问题。在前两种情况下，原始结果和风险调整后的结果可直接用于奖励/补偿-取决于它们的相对优势，如前所述。在第三种预期回报的情况下，问题具有新的前瞻性因素。这个问题出现在招聘、职业体育比赛前景预测、择偶等等的时候。然而，到目前为止，我们已经彻底解决了另一个问题，即考虑奖励玩家、代理或操作系统。然而，事实是，在许多情况下，相关活动涉及群体，他们通过个人贡献以及互动来决定结果。

但要确定每个成员对团队的真正贡献是极其困难的，尤其是当成员拥有不同的互补专业领域，并且存在不确定性（以及预期回报的不可预测性）时。谁没有参与过一个项目，其中团队所有成员的自我归因贡献之和远高于100%？即使是严格的定量标准也可能难以与个人主观感知相一致，并且通常不适用于许多具有“软”定性维度的情况。事实上，报酬的分配方式也是成功的一个关键因素，如果执行不当，则会导致冲突和阻碍。前瞻性解决方案需要定性和定量评估，难以符合自上而下的客观标准。该机制应支持成功的自组织、成长和优点。在“划分美元”一文中，de Clippel et al.（2008）以及Tideman和Plassman（2008）提供了一种通用而有力的方法，在缺乏严格量化标准的情况下，划分三人或三人以上合伙企业的利润。分配机制背后的原则如下。首先，它应该是公正的（没有合作伙伴能够影响自己的份额），其次，它应该是客观的（一个合作伙伴只提供关于其他合作伙伴绩效的信息），并且是一致的（份额的划分应该与所有合作伙伴的信息一致）。对于三个合作伙伴，有一个独特的解决方案，对于更多的合作伙伴，有一系列最优分割规则。

在操作上，这种方法非常实用、直观和透明。这样的框架可以激励团队成员优先考虑工作和技能，而不是依靠信号、讨价还价和策略来获得奖励。很明显，结果、风险调整和前瞻性评估可以为奖励过程提供有价值的基础。6、讨论和应用在这里，我们将开发的思想和方法应用到各个重要领域，以解决公平报酬问题。回顾图3中的静态表示，需要努力工作和清晰思考，才能看到技能和运气之间的实际平衡所在。此外，动力、环境和文化因素也是相关的。像我们这样的系统视图（图6和图8）是必要的，因为对这些系统的前瞻性评估很重要。6.1内容聚合器：Amy&Frank算法作为一个介绍，考虑一下梦幻系列《黑镜》（剧透警告！）“绞死DJ”一集中讲述的故事：剧中的艾米和弗兰克，到目前为止在他们的恋爱生活中还没有成功，他们注册了一个先进的快速约会系统。游戏开始了，他们遇到了许多合作伙伴，结果喜忧参半。最终，它们配对在一起并紧密相连。然而，不幸的是，该体系迫使他们转向新的合作伙伴。在许多回合的比赛中，他们都没有找到对方。最终，他们成功了，并且——戏剧性地违反了严格的游戏规则——一起逃跑，打破了体制。该框架缩小到一个摘要，显示了它们的真实性，是1000个独立模拟之一。在998起案件中，他们获得了这种浪漫的逃避结果——这表明他们有很强的兼容性。

画面再次缩小，显示整个测试都是在一个酒吧的智能手机上进行的，艾米（据说是真的）在酒吧里秘密接近弗兰克。这个故事有助于描述第5节的三种方法：每个模拟都会返回一个结果。然后，他们提供了一个总体结果度量，可以将其视为符合风险调整度量的目标——通过对模拟进行平均，他们可以持续地估计匹配质量。此处的风险调整措施将涉及跟踪给定实例开发过程中某些数量的波动性。最后，模拟是前瞻性的：艾米和弗兰克的模型版本在许多小说中进行了测试。如果我们能运行这样一个现实的蒙特卡罗算法来解决其他环境中的公平报酬问题；然后，通过重复模拟可以很容易地获得公平的回报，并且可以知道所有的反事实。然而，事实上，在目前的技术条件下，存在一些可以实现这一目标的重要案例。特别是，考虑任何在社会、组织、学术或政治背景下聚合内容项目的系统，无论它们是想法、推特、新闻、视频等。这些是社会、商业、知识、治理等的主要领域。然而，正如2.2所述，他们受到病毒赢家通吃现象的困扰。Amy和Frank算法提供了一个解决方案。由于学术预测市场（academic predictionmarket）在此单独讨论，我们以主要的新闻聚合器Reddit为例：在Reddit上，用户提交内容（通常带有指向外部文章的链接），然后可以向上或向下查看这些项目。排名靠前的项目随后会被许多用户看到，受到更多关注，并在其他地方传播。

毫不奇怪，在搜索某个关键词时，你会发现几个类似的帖子，“等待被发现”，大多数帖子的成功率都很低，但其中可能有几个已经成为病毒式明星。艾米和弗兰克的系统很明确：在适当的审查期内，项目（推特、评论等）的计数/排名将在多个隔间中分别进行，用户/读者随机分配到每个小组。项目的成功率会有所不同，排名也会有所不同。审查期结束后，可以对该项目进行总体衡量，并更新各部门的排名以反映这一点。重申一下，这样的排名体系至关重要：YouTube、Twitter和andReddit显然位列前十（非中文）网站之列。这些想法很适合搜索引擎。当前的信息系统和媒体存在许多结构性问题（例如，查理·布鲁克（Charlie Brooker）编剧、蒂姆·范佩顿（Tim Van Patten）（2017年12月29日）导演的第4集，导致了“假新闻”和两极分化）。然而，一个可能被低估的巨大因素导致了越来越狂野的病毒性思想动态，这些思想倾向于耸人听闻和低质量的内容，并使人们困惑和困惑。这一算法表明，我们可以从人群中恢复一些智慧——显著减少噪音，提高精英管理水平——同时仍然支持更理智、更真实的信息聚合。结果往往是更加精英化和适度的成功分配，尤其是支持更多的内容创作者，而不是仅仅支持少数几个明星。6.2关键行业的事故前兆：一种风险调整方法，旨在评估原始结果之外的优点，我们考虑重要的关键行业-电力、核电、航空等。

这些物体产生巨大的价值，但也可能有害。事实上，量化此类系统的风险是决策的关键（例如，选择能源），以及疏忽情况下的责任。系统安全面临着来自外部、技术和人为的挑战，系统和流程缓解了向更严重状态的发展。在许多情况下，例如在核电厂，存在阈值效应，如果事件进展不太快，后果可能可以忽略不计，事件可能被视为事件，甚至被视为脆弱性/退化。然而，在其他情况下，这一链条可能会产生重大影响（未遂事件）；在其他情况下，会发生完全事故。因此，用0-1的原始结果来表示一个事件是可以简化的，在事故很少的情况下，没有事故是一个糟糕的（嘈杂的）性能度量。这些部分实现的事故序列被称为事故前兆，可以从中获得性能信息（Kunreuther等人，2004）。这与风险调整方法有关。举例来说，1979年的三里岛事件可以被视为一次重大事故——尽管放射性物质几乎没有释放——因为大规模释放的可能性很大（Sornette et al.，2018）。最近的一个例子是福岛大尼（Fukushima Daini），它在2011年日本东北海震和海啸中受到袭击时，恰好保留了一条外部电源线，因此与lessfortunate Daichi遗址不同，没有完全断电。

戴尼是“更好”，还是在某种程度上更幸运？与大多数其他部门不同，核电中的前兆分析得益于成熟和详细的电厂特定概率安全分析（PSA）模型，允许在某些危险条件下计算实现堆芯损坏事故的可能性。另一方面，这种方法以及根据堆芯损坏事故的估计频率对核电站进行的总体监管，可以受益于更系统地考虑事故后果的严重性，产生更完整的风险信息，这些信息因现场、设计等而异。这种方法允许反事实分析，即事故的条件概率越高，未遂事件就越接近。尽管很少发生真正的核事故，但仍有数百种不可忽视的前体（Sornette等人，2018年）。如果这些严重的先兆——侥幸避免了事故——没有受到惩罚，过度自信和错误归因的文化将导致治理和风险管理的退化。这一过程解释了许多灾难背后的成熟机制（Chernov和Sornette，2016）。这些考虑因素适用于许多其他工业部门。波音737 MAX飞机发生的狮航610航班（2018年10月）和埃塞俄比亚航空302航班（2019年3月）悲剧事故提供了很好的例子：这些事故总共导致346人死亡，代价高昂。是波音公司、飞行员的责任，还是运气不好？在10月份的事故中，据报道，同一架飞机在前一天发生了类似的故障，幸运的是，一名临时飞行员在jumpseat上进行了纠正（Levin&Suhartono，2019）。显然，这一前兆在分析时并没有发出警报。

美国国家航空航天局喷气推进实验室前助理实验室主任约翰·卡萨尼（JohnCasani）提出，一个类似预测市场的系统，包括对INES评级的激励，可以部分做到这一点，但方式相当粗糙且不完全一致，更倾向于作为一种交流工具。见（Sornette等人，2018）中的分析和讨论。举报/报告风险信息，本可以帮助避免其主要任务中由于已知错误而发生的灾难。据称，在激烈的竞争下，波音公司做出了一项设计决定，即增加发动机尺寸并改变其位置，而无需重新设计机身。这改变了空气动力学，需要一个自动传感器驱动系统来平衡（Leopold，2019）。当误操作时，该系统会将飞机击落，需要撞上断路器才能超越并避免坠毁。与这两起事故一致，飞行员对此一无所知（Gates，2019）。这尤其令人不安，因为长期以来，飞行模拟器（预期进近）一直存在，用于训练和测试飞行员。6.3政治进化系统：对抗巨人（均衡器和ossifier）将国家视为一个总体进化操作系统中的一个范例是有益的，其任务是在全球权力游戏中实现繁荣最大化。这个包罗万象的对象要求并证实了我们进化框架的充分丰富性，以及它的内部动力和文化，以及外部影响。它还从根本上联系了相关对象：社会、税收和精英管理。

下文讨论了这一系统政治观点的要素。现代国家范式可以通过演变税收、公民身份和民事军队来定义，从而实现规模经济和强大的军事力量（Cederman et al.，2011）。这增加了国家的骨架。尽管具有潜在的良好内部特征（这是游戏及其环境的一部分），但规模较小、结构较少的社会被简单化了。内部冲突也构成了威胁。有时为了增加产出，也为了购买内部稳定，税收被用来从“富人”转移到“穷人”。因此，福利/税收计划需要与消极的激励和约束相平衡（Mankiw等人，2009年）。除其他外，在税收增加的情况下，国家增长，强加其结构，同时试图保持内部和谐——在全球游戏中，这不仅仅是精英统治。绩效信息（观察）很可能支持良好的治理。然而，人们希望优化系统的性能，而不是其可测量性。例如，评估政府绩效所需的审查期可能远比民主制度所需的时间长。此外，相关信息往往是两极分化的，细微差别甚至基本事实都会造成伤亡。第6.1节提供了部分解决方案。还要注意的是，这是需要对进化特征进行前瞻性评估的一个主要例子。高层目标的实现经常会受到质疑，因为即使在代表性民主中，决策者也往往有自己的目标并实行裙带关系。

从另一方面来说，这可能与授予的政治权力和功绩之间的薄弱联系有关：民主进程被证明是高度随机的，而且往往带有偏见（Galam，2012），而且任何空洞的“赢家通吃”制度，奖励显然分配不均。考虑瑞士的直接民主是一个很好的例子，这很有启发性，“他们”正在制定新的设计，以协调利益相关者的利益，限制权力腐败。目前，技术、经济和社会的外部和内部巨变几乎必然会使现有的治理模式处于次优状态。内部日益加剧的不平等将给社会带来巨大压力，社会对2018年9月20日在加州大学洛杉矶分校举行的PSAM 14会议上任人唯亲的政府全体会议演讲的容忍度将降低。奥西菲耶（ossifier）所说的，我们指的是与政府建立的陷入僵局的结构，政府希望在全球游戏中成为其他巨头的主宰。与此同时，它需要维护内部秩序（平等是一个大问题，内部冲突群体也受到压制），随着它的成长和老化，这一点变得越来越困难。对2008年美国金融危机和2010年欧洲主权债务危机的回应，以银行救助计划、量化宽松和低息政策的形式，在很大程度上受益于富有的股票和房地产持有人。2000年，在佛罗里达州举行的美国总统大选中，布什以0.009%的优势击败戈尔，得票537票！灵活多数规则、激励契约（双重民主）、两阶段一致性规则、轮换议程设置和代理请愿，结合灵活多数规则、少数投票、平衡投票、评估投票等。在（Wiesner等人，2019年）中，民主稳定是从“复杂性科学方法”来解释的。持有人。

外部权力斗争似乎在加剧。触及关键的探索/决策开发/执行动态，这在危机中变得非常关键：成功的政府通常是——在给定的范式中——各种创新的后期采用者，因为探索可能有风险。然而，在发生政治危机的情况下，政体的生存取决于强化突变/探索和自我转变的能力——以及运气。政体需要有效地做出决定，避免政治上正确的群体思维，然后团结在正确的共同目标后面并付诸实施。民主国家将无法幸免这一演变挑战。回想阿伽门农，骨骼的秩序越大，内部的熵力就越反对它；腐败和政治上正确的正统是主要的历史例子。这就是Mancur Olson所说的“制度硬化”，主要是由特殊利益集团和搭便车者造成的。最后，我们对收入和税收采取了更狭隘的观点：与第2节的边缘情况相对应，有人认为（米尔莱斯和戴蒙德，1971年），在纯粹的精英政治中，社会规划者只观察收入（原始结果），回归税收最能刺激生产和福利。然而，即使功绩可以直接观察到，这也忽视了运气和社会稳定。事实上，收入往往受到运气的影响，尤其是在极端财富水平下。在人为的“彩票游戏经济”限制下，一切都取决于运气，高税率不会抑制“工作”，而是让运气补贴运气不佳的人（瓦里安，2001）。累进税成为在运气主导的环境中恢复精英统治的最后手段，让人想起我们在5.2.2中奖励中等结果的十分之一。

在更大的博弈中，为了社会稳定，也可以牺牲精英统治。这引出了一个有趣但难以实现的想法：运气的作用因活动而异（图3），在某些情况下，冒险和外部性都会得到补贴。因此，差别化税率是合理的——正如保险单一样，个人根据其风险进行评级。实际上，“追随你的梦想”很少是一种对社会负责的方法，因为存在风险分担。在这种设计中，足球超级明星的税率将高于篮球超级明星，金融专业人士的税率将高于具有类似技能的工程师。6.4科学与创新：探索者走向市场化的科学（广义上，包括学术、国家和企业研发）是我们寻找创新解决方案来解决社会面临的问题的地方，也是保护和完善现有知识体系的地方。它的动态平衡是我们不断发展的系统的核心（图6和图8）。但是，当前的科学体系是否经过良好的设计和调整？例如，非正统学院质疑进步人格（和政治）在学院中的主导地位是否存在问题，例如导致“将婴儿随波逐流”和缺乏开放的问题解决（决定）。第3.6节介绍了运气作为技能不稳定科学的作用。本文讨论了当前系统的一些特点和一种新的模型。赢家通吃机制在科学领域发挥着重要作用，先行者的优势造就了病毒超级明星，少数人获得了巨额奖励（诺贝尔奖、大额研究资助……）（Simkin和Roychowdhury，2018）。

然而，这些成就往往是一支大球队的工作，得益于支持性的社会环境以及技术和概念，裁判指出这是一个悖论：罗杰·费德勒的收入高于德约科维奇，而德约科维奇的表现也更好。然而，这可以用几年来的累积成功来解释。此外，费德勒对赞助商的价值不仅取决于他的胜利，还取决于他所感知到的“伟大”，以及广告的有效性。。金融工资溢价：金融业与实体经济之间的薪酬差距，这无法用优点来解释（B"ohm et al.，2018），导致人才流失到金融部门。金融部门受益于租金，这与他们在资金流动中的具体地位有关，以及他们关注短期成功而不是真正的技能；和社会化的损失。诺贝尔化学奖获得者理查德·斯莫利（RichardSmalley）提出了一份21世纪人类十大挑战的清单，这是一个著名的发现：（1）能源；（2） 水（超过10亿人缺乏安全用水）；（3） 食物；（4） 环境；（5） 贫困（3人每天生活费不足2美元）；（6） 恐怖主义和战争；（7） 疾病；（8） 教育；（9） 民主与（10）人口（Smalley，2005）。联合国秘书长关于威胁、挑战和变革的高级别小组报告则截然不同(https://www.un.org/ruleoflaw/blog/document/the-secretary-generals-high-level-panel-report-on-threats-challenges-and-changea-more-secure-world-our-shared-responsibility.)https://heterodoxacademy.org/maturations（默顿，1961年）。这将在下一节中进一步讨论。与媒体耸人听闻不同的是，甚至有一种社会炒作文化，其中“精心打扮的琐事”在顶级杂志上获得了大多数关注（Buchanan，2009）。

这不仅在保护科学价值方面是不公平的，更重要的是，这会导致科学机构在吸收和提升知识方面效率低下。一个更好的科学家和工作的优点指标是控制影响力/网络效应，并进行风险调整，以避免被那些主要由于偶然或与最低公分母的共鸣而“走红”的出版物所扭曲。社会学的一个事实是，创新发现几乎从未在著名的科学期刊上发表，只有在作者付出巨大努力后才能得到承认：系统抵制破坏性革命，更愿意接受渐进式的成功（Kuhn，1970；Dyson，1988）——陷入“技术解决主义”（Morozov 2014，Spiekermann 2017）和脆性正统。Ohid Yaqub（2018）认为，科学研究中追求效率和减少错误的机制可能会抑制一致性的错误机制。根据默顿档案，他收集了数百个研究中的偶然发现的例子：基于“快乐的意外”的发现。事实上，科学家应该承担风险，根据需要探索未知领域。此外，科学机构应该对新的范式持开放态度，积极地将新发现与当前的理解相协调。这显然对社会很重要。严格的基础研究也必须继续进行，可能会产生令人惊讶的外部性，许多革命性的发现来自于大自然激发新技术的详细和增量研究（Sornette和Zajdenweber，1999）。考虑到系统：通常，研究资助决策基于由小型非公开委员会审查的提案。这一过程具有前瞻性，因为提案具有前瞻性。

在实践中，它效率很低，显然有利于增量研究，进一步巩固了这一范式。事实上，知名的评论家可能会因创新作品而中断他们的个人活动，而不会暴露其优势。为了改进，提出了市场机制。让我们来了解一些细节。可以建立一个科学研究市场，科学家有资金投资其他人的提案和正在进行的项目（Bollen，2018），股票在交易所交易。提案将像首次公开募股一样发布，提案的作者将获得一部分，其余将出售给相关社区。然后，股票将不定期交易。参与者将根据感知价值买卖项目股份。为了丰富交易所，提出了金融选择（见Weinstein inBuchanan，2009）。重要的是，市场应该包括远期科学和伪造，这可以通过卖空来激励。此外，监管机构可以监控不安全或欺诈活动。反思这一新模式的深远潜力：这种设计用一个契约满足了两个需求，在提案/制作和审查方面奖励优点：高质量的科学和审查将反映在投资组合价值增加（资金流向优点）中，从而导致更真实的资金。金融市场的效率将有助于精英脱颖而出。重要的是，评审人员可以从探索性提案的好处中获利，而不仅仅是因为负面外部性而遭受由此产生的破坏。

《科学》及其同行评议都有严格、透明和客观的动机：当某物意外掉落、溢出、受热、爆炸、遗忘在口袋或抽屉中或放在假期休息时，被污染或受到方法错误和/或设备故障的影响时，进行全面披露。支持逐步增加科学的将是期权卖方（“短期波动，长期θ”）。只要科学进步是平稳和渐进的，他们的回报也是一样的（就像固定收益投资）。期权的买方将定期以少量现金流出，但一旦出现突破，将获得丰厚的回报。这里，“最佳”一词指的是科学界选择的排名。这种机制并不一定能避免出现可能获得大多数关注的社会炒作和“精心打扮的琐事”。但请参见下面关于“社会泡沫”的讨论。苏黎世ETH创业风险部主席开发了一个名为xYotta的原型，以提供一种全新的方式来教授课程，组织和评估小组工作。xYotta利用人群（大学机构中的学生）的智慧和市场机制来确定最佳项目、想法和人才。它拥有的数据、结果等将吸引投资者（资金）。投资者将进行严格审查，同时进行空头头寸，鼓励积极主张和伪造努力的有效辩证。作为一种正外部性，该系统将生成可测量的信息，为审稿人和作品构建总体和风险调整后的成功衡量标准：对出版或不出版做出最终决定更容易，更基于价值。

通过投资组合多样化，将在探索性工作和增量工作之间实现智能平衡。这可以缓解发布或消亡的压力，例如，研究人员可以通过投资于其他安全的增量项目来对冲自己探索工作的风险。当然，潜在的市场操纵和监管问题需要仔细考虑。一个有效的担忧是，市场可能出现泡沫，导致资金集中。然而，正如我们的进化系统所固有的那样（图5、6），这种过度行为，即“社会泡沫”，可能会带来重大突破，这些突破既无法实现，也无法通过标准成本效益分析预测其潜力（Gisler和Sornette，2009；2010；Gisler等人，2011）。我们总结了一些关于观察和挑战的观点：o观察：避免被科学（统计或其他）不正之风和“光环效应”所欺骗/对著名科学家的偏爱。不要回避“前瞻性”演绎推理。仅仅因为没有数据并不意味着就不应该进行研究。“并非所有有价值的东西都可以被计算。”o挑战：资助并公布复制研究和负面结果。离群者可能是“范式杀手”。自动接受同行评议的同一期刊论文篡改。6.5创新：私营部门和州。这里简要考虑了国家和私营部门之间的创新奖励问题。一方面，前总统奥巴马的“你没有建造它”冒犯了创业者。但是，存在令人震惊的专利和国家支持的垄断，提供了不应有的租金。技术创新依赖于现有的科学技术基础，这在很大程度上是人类的遗产。与此同时，技术和知识的进步既困难又有益。

必须提供公平的奖励。认识到一个国家在创新中可以发挥的关键作用很有启发性（Mazzucato，2013）：与金融资本家和企业家一起构成复杂游戏的一部分（Janeway，2012）。在美国，没有国家参与的重大创新似乎有些不寻常，国家手段和目的产生了创新，如：现代互联网、半导体、核能、人类基因组研究、液晶显示器（LCD）、全球定位系统（GPS）、多触摸屏、带avoice用户界面的人工智能、，等。硅谷（Blank，2017）甚至谷歌（Schachtman，2010；Szoldra，2016；Nesbit，2017）基本上都是由国家基金“播种”的。考虑到增量制度的存在，以及探索性范式的转变（图7），可以得出公平报酬的基本原则：在增量发展领域，功绩和报酬之间的关系是明确的，此类工作的回报不应受到沉重的打击。然而，由于大多数勘探工作都是由公众资助的，因此对其商业开发进行合理的征税是合理的。6.6：金融机构的金融风险管理风险在很大程度上是根据由内部模型（由机构开发和内部开发）确定的综合定量风险指标进行评估和监管的。这些功能的系统重要性，以及令人痛苦的和经过一千多名ETH研究生在几个课程和研究项目中的严格测试（Sanadgol和Sornette，2017；Sornette等人，2018）。参见示例。

致PNAS编辑的信（2011年12月17日），《股票交易动态中的虚假转换点》athttp://www.er.ethz.ch/media/essays/PNAS.htmlSupported有了资金、教育、参与和公众的需求。他们失败的代价高昂的例子是众所周知的。随着金融市场、经济和社会更加广泛，其复杂性和动态性，其中的风险和回报应纳入未来的进化框架。与此相一致，对风险模型应用了达尔文（进化）观点（Embrechts，2017），认为最能适应变化（甚至变异）的模型将赢得进化竞赛。此外，基于生态恢复力的概念（Kovalenko和Sornette，2013），我们认为，这样一类模型或过程也可以被认为是总体上最好的，即使它在稳定时期可能不太适合。对一些相关要素进行评论：尽管原则上存在不足，但大多数风险管理活动依赖于历史数据和平稳性假设。场景分析和更一般的压力测试已经完成，并且可以是前瞻性的。然而，常见且有问题的陷阱包括不适当地依赖正态分布、线性相关和分位数风险度量，这可能并且常常导致剩余风险的危险累积。