性质一：网络连接大众
互联网首要的也是最明显的一个特点就是它造就了有史以来最大的群体。
正如詹姆斯·索洛维基所言，有一种专门知识可以在处于同一地方的人们当中出现，而无需进一步的组织。《群众的智慧》以一个现在已经很常见的例子开篇。在18世纪的县集市上，人们注意到，如果你想要知道一头公牛的重量的话，那么赶集人预测的平均数字，要比任何一个特定专家准确得多。索洛维基很小心地展示了群众意见比专家意见更优的准确前提条件——这取决于意见的多样性、独立性和分散性以及存在可以推导出集体结论的方式，然而他的书甫一出版，“群众的智慧”就已经被用于指涉任何事物了，包括选举总统、制造畅销的风尚、在“美国偶像”（American Idol）的选秀中投票给最爱的选手。我们对这个词汇的充分延展，恰好表现了我们面对一种新的产生社会知识的可能性时是多么兴奋。
知识一直是社会性的。我们将专家聚集成智库和学术部门，就是因为我们认识到当他们聚在一起的时候会更聪明。18世纪，西方伟大的思想者们组成了被称之为“文人共和国”（Republic of Letters）[72]的共同体。他们通过通信分享他们的观点，以马匹和帆船运输的速度反复争论问题。即便是在知识定义的起源地——古希腊，最为著名的思想家也是通过广泛地与他人对话而得到知识。
然而过去这种网络都有一个自然的规模。仅有极少数的人被允许进入“文人共和国”，而且如果是个悠闲的白人，的确会更有优势。大学的院系是很小的飞地。书籍、广播和电视都是单向的媒体，仅有一小部分人的意见可以通过它们传播。在这些限制之下，我们建立了一个把专业知识集于极少数专家手中的知识系统：如果与大多数人交流需要耗费极大的成本，那么我们最好把麦克风交给最为专业的人。
互联网解除了这些限制。但互联网规模的巨大性也造就了新的可能性——那就是，一群本不相关的人共同解决问题，或者为那些大到任何专家个人都无法解决的议题提供知识资源。
最简单的就是杰夫·豪（Jeff Howe）2006年在《连线》（Wired）13杂志的文章中称之为“众包”（crowdsourcing）的形式。他有意利用“外包”（outsourcing）的说法来描述这一现象，主要围绕由那些自愿主动工作的“热心人”而不是传统的雇员来完成一项任务的事例。但这个术语实在是太妙了，以至于它早已脱离了原作者表达的语境范围，现在它可以适用于描述任何本可能花费高昂、但却由互联网大军无偿或者低价完成的工作。
这种层面上的“众包”例子十分常见。当国会议员被发现例行公事地轻率进行缴税抵扣时，英国《卫报》（The Guardian）建立了一个网站，吸引20 000人爬梳近700 000项报销。当技术专家吉姆·格雷（Jim Gray）[73]和他的帆船在海上失踪的时候，亚马逊公司（Amazon）发动人们从成千上万的卫星图像中寻找踪迹——尽管最终一无所获。互联网轻松地将我们聚集在一起解读信息，因为互联网实在是太大了，你只需要一小群人成为志愿者就够用了。
有时候，仅仅是互联网覆盖的物理范围如此巨大这一事实，就足够去创造众包的专家知识了。例如，2009年，美国国防部高级研究计划局（DARPA，the Defense Advanced Research Projects Agency）[74]——国防部的研发部门——决定庆祝互联网的先驱阿帕网（ARPANet）成立40周年。14他们在全美普通人可以进入的位置摆放了10个8英尺高的红色气象气球，并准备对第一个准确报告出所有气球位置的人提供奖励。DARPA想要了解社交网络站点如脸书（Facebook）、MySpace、推特（Twitter）等能否作为在全国范围内快速搜集情报的平台，这是一项具有国防意味的任务。有大约4 000个团队角逐这项奖金额高达40 000美金的奖项。9个小时之内，来自麻省理工学院的队伍轻松地击败了其他对手。他们建立了一个网站平台，承诺将奖金的大份分给第一波准确报出气球坐标的人，而将小份的奖金分给一连串将发现者邀请进该团队的人15。对于个人来说本来难如登天的事情，到了网络面前变得易如反掌了。
流行科技网站瘾科技（Engadget）对这项竞赛的重大意义嗤之以鼻。“DAPRA希望你们相信是当代社交网络的智慧使得麻省理工学院团队赢得本周末的红气球挑战赛”，然而麻省理工团队其实仅仅是提议分他人一杯羹而已。16这项反对并没有抓住要领：没有网络的话，分钱也是分不下去的。
的确，众包专家意见最有效的途径涉及付给人们报酬。前边提到的亚马逊的土耳其机器人（Mechanical Turk）启动于2005年，令数量庞大的人去完成一些微小的、分散的任务，每项任务赚取少量的金钱。（它得名于18世纪的一款自动下棋“机器”，这款“机器”击败了几乎所有前来的挑战者，包括拿破仑和本·富兰克林，事实上里面藏了一位象棋大师。）企业利用土耳其机器人将成千上万的图片打上标签，找到重复的黄页列表，并评价搜索引擎结果的相关性。如同我的同事乔纳森·齐特莱恩（Jonathan Zittrain）[75]指出的那样，这项功能存在被滥用的可能，比如使用土耳其机器人吸引人们来指认照片，却从不告诉事实上他们是受雇于专制政府，来确认抗议集会的人的身份。17但无论土耳其机器人是被正确地还是邪恶地使用，它都是网络专家意见的类型之一，而这样的专家意见本来是十分昂贵的。在网络使得人们如此高效之前，标记数以百万计的图片原本是要雇佣上千名专业编目员的。例如，图片供应商Corbis的专家可以完成更为精确的工作，因为他们受过培训，而且十分熟练。但是大众也做了足够好的工作，却花费极小。更进一步说，如果有必要的话，大众可以在较短的周期内去处理数量更为可观的图片。当然，以大众为基础的编目（或“标记”）是否是更符合用户思考问题的标签系统（systems of labels），这里还存在争议的空间。18
大部分大众通过网络化而形成专业知识的例子是不涉及金钱的。更常见的例子是卡尔文·特里林（Calvin Trillin）在《纽约客》（New Yorker）一篇轻松的文章中记录的关于美食爱好者追踪张鹏亮（Peter Chang）的故事，这位中国大厨经常不经意地从一家店换到另一家店就职。19这个非正式的“美食家”联盟通过网站找到彼此，如ChowHound.Com这样的网站，通过电子邮件和博客分享见闻。这个联盟的原始动机只是出于马斯洛层次需要的最底层：张大厨是一名特别棒的厨师。但类似的整个过程已经变得如此常见，以至于我们都意识不到它的存在了：我们依赖于那些我们所不认识的人完成的成果，我们通过全球网络传播，那些陌生人回答了问题，搜集了数据，调整了结果，贡献了网络博客，甚至建立了一条百科词条。最终，这些网络专业意见的贡献者们可以分享奖励，无论它们是金钱、荣誉，或是“脆皮茄子切成法式薯条状，辅以青葱，加上盐炒，放少许茴香、辣椒”。
