第2部分将阐明多样性如何为群体带来效益。当然，这并不是一个全新的思想，柏拉图在好几千年之前就已经这样说过了。而一百多年前，学者张伯伦（T. C. Chamberlain）也用科学语言陈述了这个观点。7那么，在今天，当说多样性会导致更好的结果时，到底是指什么意思？是指水利工程问题更好的解决方案吗？是指更准确的天气预报吗？是指更有利的政府福利政策吗？是的！是的！都是的！
在本书中，主要考虑以下两种类型的任务：解决问题（problem solving）和预测（prediction）。事实上，这些任务已经概括了大部分人的工作：生成一些备选方案，然后评估它们的概率。那么，谁去执行这些任务呢？执行者可能是工作小组，也可能是大型组织，甚至是整个社会。土木工程师组成的团队要计算水流的冲击力量并加以防范，这是在解决问题；金融分析师要讨论柯达公司股价的未来趋势，这是在进行预测；大学招聘委员会要决定哪个求职者可以成为本校的新员工，需要什么样的学者，也是在进行预测：这个人能够胜任研究工作吗？这既是在解决问题，也是在进行预测。
如果希望“收获”多样性红利，就必须建立起上述问题的逻辑关联，了解多样性得以产生效益的条件。我们不能在组建好各种各样的团队之后就撒手不管，然后坐等一个充满着冰激凌、小马、雪松木烤浸过黑松露油、白葡萄酒和三文鱼等好东西的乌托邦突然出现。但是，多样性确实有帮助。8
对于解决问题这类任务，关注的焦点是多样性视角和启发式发挥的作用。多样性视角能够大幅增加一群人可以找到解决方案的数量，因为它们能够在可能的解决方案之间建立起各种各样的联系。一个人眼中的一小步（例如，将我们的手套连上一根纱绳穿过我们的外套的袖子）在另一个人看来可能是一个巨大的飞跃。多样性启发式也可以产生类似的效果。给定一个解决方案，有了更多的启发式，问题解决者就有机会去探索更多潜在的改进方法。
对解决问题的分析最终得到了两个主要成果。首先，多样性优于同质性：拥有多样性视角和启发式的一群人能够优于依赖于同质视角和单一启发式的一群人。其次，在一定条件下，多样性优于能力：由智能问题解决者随机组成的集合优于由最好的单个问题解决者组成的同质集合。第二个结果的成立依赖于如下四个条件：问题困难条件、微积分条件、多样性条件、大群体规模条件。
接下来考虑预测任务。人们想预测的事情包罗万象：股票的价格、选举的获胜者、电影的票房收入、体育赛事的冠军、新产品的销售收入等。在进行预测时，人们必须依靠预测模型。汇总预测模型不同于汇总信息：在汇总信息时，某些人知道答案，而其他人则不知道。不完全信息模型在经济学和政治学中早就司空见惯了，但是那些模型依赖于某些信号。预测模型作为一个框架，提供了这些信号的合理来源，并在此过程中确立了认知多样性为民主和市场的顺利运行所发挥的核心作用。
在阐述预测的这一章中将给出两个主要结果：多样性和准确性对群体预测有效性的贡献是相同的，并且一个人群的群体预测必定至少与这个人群中每个人预期的平均结果一样好。这两个结果分别为“多样性预测定理”（Diversity Prediction Theorem）和“群体优于平均定理”（Crowds Beat Averages Law）。不应该认为只有预测能力才是最重要的东西（而预测的多样性是只能在边际上做出一点贡献的东西），能力和多样性同样重要。这个结果绝对不是一个政治声明，它是一个数学定理，就像毕达哥拉斯定理一样。在这一章中，还对一群普通人与专家、信息市场与民意调查的预测进行了比较。阐明了信息市场为准确性和多样性创造激励机制的方式，而且这种激励机制可以解释为什么信息市场比民意调查的预测更加准确。
