在绝大多数时候，一群人合起来都会比一个人更有智慧。问题是每个人天生都知道怎么运用自己的智慧，但群体是个人的集合，汇聚许多人的智慧，需要方法。
第一种方法：简单平均
原则上就是一人一票，简单平均。简单归简单，这办法很靠谱。如果投票者数量足够多，投票相对独立，那么简单平均值的准确度会系统性地超越个体判断。每个人各自掌握一些信息，各有判断，哪怕只是用平均这样简单粗暴的方法聚合起来，也比单个人掌握的信息要完整，形成的判断更准确。这就是群体智慧的原意。
第二种方法：贝叶斯推理
贝叶斯推理是一种更新既有判断的方法，有两个要点： 首先你有一个既有判断；其次获得新信息，不断调整更新。比如，我第一次跟你见面，我不了解你，对你一无所知，但是我对人类有点了解。我先入为主的看法就是好人和坏人三七开，七分好三分坏。那我跟你打交道，我就假设你也是三七开，我们在一起聊了一个小时的天，我给你多打一分，就变成二八开了；我们共事的一年，我觉得你特别棒，就变成一九开了。这就是我们用贝叶斯推理对人进行的评价和判断。
第三种方法：动态加权
一人一票反映不出每一票中包含的独特信息，而这些信息是有价值的。
希弗（Nate Silver）是个年轻人，近年来在选举预测领域大火。他的选举预测网站在2008年美国总统大选及国会选举一战成名，准确率超过所有民调，然后持续保持高精度预测纪录。
选举民调是对选民意见的聚合。希弗并不直接做预测，美国的选举民调已经太多了。他做的是对这些民调的聚合，等于是选民意见聚合的聚合。他根据每个民调机构准确率的历史记录和当下表现，动态调整其权重，表现好的权重高，表现差的权重低，聚合起来，生成预测。
第四种方法：极化
开始，泰特罗克采用与希弗相似的方法。下一步则是泰特罗克的创举，其实也很简单：对加权平均后形成的预测结果，再做一道加工：极化（extremize），将预测结果往100%或者0的方向推。
极化的理由是这样的：假设群体中的每个人都获得了群体的全部信息，他们作预测时一定会更为自信。从群体简单平均值到加权平均的过程，事实上已经聚合了所有人的信息，但没有完全反映出与此对应的自信。极化就是要捕捉这个自信：如果是乐观预测，极化会输出一个更乐观的预测；如果是悲观预测，极化会输出一个更悲观的预测。
正确地聚合群体智慧，就获得了这个时代最接近于千里眼的工具。不难触类旁通：只要是测试永不停歇，参与者足够多，检验和反馈足够明确的领域，无论经济、政治、金融还是其他，都可以用“加权平均+动态调整权重+极化算法”来撬动群体智慧，应用空间极大。
