条件4：大群体规模条件
问题解决者的“初始群”必须足够大，而且一起去解决问题的工作团队必须包含多个问题解决者。
不过，我们不可能明确指出这些集合的规模究竟多大才能保证多样性优于能力定理成立。集合中问题解决者的确切数量取决于问题的难度以及问题解决者初始集合的多样性。问题越困难，局部最优解的数量就越多，也就越需要更多的问题解决者来克服局部最优解重叠的问题。同时，问题解决者越具有多样性，要求的集合规模就越小。因为不同的问题解决者会被困在不同的局部最优解上，所以当他们一起来解决同一个问题的时候，几乎不会被困在同一个局部最优解上。
问题困难条件、微积分条件、多样性条件以及大群体规模条件是多样性优于能力的充分条件。虽然多样性优于能力这个结果在其他条件下也有可能出现，但是只要这些条件得到了满足，多样性就能优于能力。
定理
多样性优于能力定理：
给定条件1～4，由随机选出的问题解决者组成的团队能够优于由个体表现最好的问题解决者组成的团队。
这个定理不是一个比喻，更不是那种或许能够“保用10年”的处世秘诀。它是一个合乎逻辑的真理。16
要明白这为什么是一个真正意义上的定理，得回到开始的地方——问题解决者拥有自己的视角和启发式。为了将内在逻辑尽可能透明地呈现给你，假设每个问题解决者都只有一对视角和启发式。可以将视角和启发式的空间用一个盒子来表示（见图6-9）。而且，就像对问题的处理那样，也可以为这里设定的视角和启发式构造一个景观，方法是令视角和启发式对应的高度与它被用于解决难题时的平均价值相匹配。这个景观，是问题解决者的景观，必定存在一个全局最优解。17问题解决者景观中的全局最优解代表着最好的个体问题解决者，用字表B来表示。但是，请注意，由问题困难条件1可知，没有一个视角和启发式每次都能找到全局最优解。
图6-9 视角和启发式盒子
接下来，我们要生成大批大批的问题解决者。可以用图中的点来表示这些问题解决者。如果创造出了足够多的问题解决者，那么在最好的10个或20个问题解决者中，大多数都会位于接近问题解决者景观全局最优解α的地方。为什么会这样？做个类比：如果随机地将数10亿人抛在喜马拉雅山上，那么所在位置海拔最高的那些人，大部分人都是在珠穆朗玛峰上。然而，即便是最好的问题解决者，也就是那些站在珠峰之巅的问题解决者，也不能凭一己之力就解决问题。为什么？因为对于难题，即便是全局最优解决者也找不到全局最优解。
如果只创造几十个问题解决者，那么最好的10个或20个问题解决者必定会分散到整个视角和启发式盒子的各个角落。这就是关键所在：当问题解决者的初始集合变得越来越大时，必定会有一些最好的问题解决者聚集到靠近α的地方，这是不可避免的，也就是为什么需要大群体规模条件的原因。
因为有一些最好的问题解决者聚集到了B附近，或者聚集到了其他的一个或两个地方，而且这些最好的问题解决者都有类似的视角和启发式，所以他们的群体表现并不会比仅凭个体能力去解决问题时好多少。相反，随机选定的问题解决者集合中的成员则通常会遍布整个视角和启发式盒子。这种多样性使他们的群体表现比他们的个体表现更好。当然，仅凭这一点还不足以保证他们能够超越最好的问题解决者集合。他们还必须聪明，因此，需要微积分条件。并且还不能让这些多样性的问题解决者全部陷入一堆低价值的解决方案中。因此，需要多样性条件。就这样，我们有了这个定理：多样性优于能力。它不总是无条件成立的，但是在满足上述条件时确实是成立的。
那么，在现实世界中该怎样应用这个定理呢？很简单。当要从数千人中挑选200名员工时，如果人们都很聪明，那就应该想起这个定理，而不能用一些武断的、给能力打分的标准来对他们进行排序，试图从中选出最好的。在这种情况下，应该追求多样性。而当你从一个由60名学生组成的班级中选择4人组队参加科学竞赛时，也要牢记这个定理，但是请记得要选择最好的那4个，除非他们的技能明显差不多。
那么，这个定理是否意味着让一个诗人加入一群化学家的团队，就能让化学家从中受益呢？当然不能。但是，如果加入的是一位物理学家，也许能令化学家受益匪浅。这个定理是否还意味着从一所学校毕业、受过相同学术训练、在考试中总能得高分的一群人所组成的团队，可能还不如教育经历和学术训练更具有多样性，但SAT和GRE考试成绩或智商测试分数稍稍低一点的另一群人组成的团队呢？答案是有可能的。如果你就职于一家大公司，里面满是哈佛大学、沃顿商学院和密歇根商学院的毕业生，你可能会有一丝怀疑：公司是不是应该增加员工教育背景的多样性呢？
一定要记住，上述4个条件是多样性优于能力的充分条件，但是却远不是必要条件。正如冰激凌是让我的两个儿子安静下来的充分条件，但是却不是必要条件。这个结果在其他一些条件下也可以成立。此外，上述4个条件中最强的一个条件，即多样性条件，通常是可以放宽的。事实上，在最初的基于主体的模型中，正是这些模型激发了现在的分析，多样性条件几乎从未得到满足。只要作为不同人工智能体的局部最优解交集的解决方案的价值不低，多样性群体的表现就会更好。理由很简单，因为它们的局部最优解更少。
