才能的真實樣貌#

「個人是種高維度系統，會隨地點和時間進化。」 — 彼得．莫萊納（Peter Molenaar）

才能從來都不是單一向度的線性刻度，而是像拼圖般由多塊獨立板塊構成。

排名的集體失靈#

到 2000 年代中期，Google 已是史上最成功的企業之一，每月湧入十萬份履歷。起初它和多數《財星》500 大公司一樣，用 SAT 分數、GPA、名校文憑來排名、挑最頂尖的人——山景城園區很快擠滿近乎滿分、名列前茅、來自史丹佛麻省理工的畢業生。

用一兩個指標替員工排名，不只是招募常態，也是考核常態。單一分數看似客觀、帶著數學確定性：高於平均就錄用/獎勵，低於平均就淘汰；想要更好的人，就「把標準拉高」。

最極端的版本是「強制排名」：

• 奇異（GE） 1980 年代首創、綽號「排名走人（rank and yank）」：預先規定一定比例的員工必須被評為高於、等於、低於平均，墊底者收警告或直接走人。到 2009 年，42% 大企業採用強制排名。
• 微軟（Microsoft） 的版本叫「堆疊排名（stack ranking）」，被《浮華世界》稱為微軟「失落的十年」。

到 2015 年，Google、德勤（Deloitte）、微軟都已修改或放棄了以排名為本的制度。它們發現同一件事：把才能濃縮成一個能和平均相比的數字，根本行不通。

堆疊排名的兩個副作用#

微軟的堆疊排名是一場徹底的災難，它強迫員工為排名彼此競爭，帶來兩個致命後果：

• 員工為等級而競爭，扼殺了團隊合作
• 員工刻意避開與傑出同事共事，以免自己的排名被比下去

公司因此「臃腫、官僚化，內部文化在無意間獎勵那些扼殺創新的管理者」。德勤則發現，每年花超過兩百萬工時算出來的單一分數，反映的與其說是員工的真實表現，不如說是評分者本人的個人偏好。

這些公司當初都信奉高爾頓那套「一項卓越、項項卓越」的排名觀。它們為何失敗？答案是單向度思維——而第一個個體性原則「參差原則」正好解釋了為什麼。

參差原則#

我們的大腦天生傾向用單一刻度去想複雜的人類特質：聽到「大塊頭」，就想像手臂、腿、身軀樣樣都大；聽到「聰明」，就假設此人各領域都擅長、還受過良好教育。平均觀時代的學校與企業，更用成績、IQ、薪水等簡單刻度強化了這種本能。

參差原則（jaggedness principle）：不能用單向度思維去理解複雜而「參差」的事物。

一項特質要算「參差」，須同時滿足兩個條件：

1. 必須由多個向度構成
2. 這些向度之間相關性很微弱

才能、智力、性格、創造力——幾乎所有我們真正在乎的人類特質，都是參差的。

體型的參差#

以「體型」為例（丹尼爾斯研究飛行員時的九個維度）：右邊的男人高、但肩膀窄；左邊的男人腰粗、臀圍卻近乎平均。「誰比較大？」沒有簡單答案——就算把九個維度平均起來，兩人幾乎一模一樣，可我們一看就知道說他們「一樣大」是誤導。

丹尼爾斯發現，符合四個以上維度平均的飛行員不到 2%，沒有人九項全平均。就算把「平均帶」放寬到中間 90%，仍有超過一半的人落在外面——多數人身上至少有一處特別大或特別小。這正是為平均設計的座艙適合不了任何人的原因，也是諾瑪撞臉大賽找不到贏家的原因。

有時把體型當成單向度是划算的取捨——例如大量生產的成衣，用「對任何人都不太合身」換取「人人都買得起」。但一旦賭注很高（改一件昂貴婚紗、設計汽車安全氣囊、打造噴射機座艙），忽略體型的多向度就絕非好的妥協。要緊時沒有捷徑：唯有把所有維度都納入考量，才做得出真正合身的東西。

案例：2003 年的紐約尼克隊#

前 NBA 球星以賽亞．湯瑪斯（Isiah Thomas）接掌尼克隊時，用一個單向度哲學選人：只看場均得分。他以為把得分最高的球員湊在一起，平均就會贏更多球。結果尼克隊組出全聯盟場均得分最高的陣容，卻連四季戰績難看，輸掉 66% 的比賽。

籃球才能是多向度的——至少有五個維度明顯影響勝負：得分、籃板、抄截、助攻、阻攻，而且彼此多半弱相關（擅長抄截的通常不擅阻攻）。1950 年以來上萬名 NBA 球員裡，只有五人曾在這五項全部領先球隊。真正的強隊，是由才能互補的球員組成的；湊一堆頂尖得分手，只會得到一支各自搶自己出手機會、防守糟糕的球隊。

最弱的連結：弱相關#

多向度還不夠，各向度還必須相對獨立——用數學說，就是「弱相關（weak correlation）」。

相關值介於 0 到 1：1 是完全相關（如你的身高以英吋和以公分計），0 是毫無相關（如你的身高與土星的溫度）。多數科學領域中，0.8 以上算強、0.4 以下算弱。

若一個系統各向度都強相關，它就不參差，可以合理用單向度思維。

例如道瓊工業指數：股市雖有數千家公司（多向度），但道瓊與其他四大指數 25 年來的平均相關高達 0.94，所以用一個數字概括股市整體強弱是「最合理的單向度思維」。

人的體型卻相反：1972 年海軍研究 96 個維度，平均相關僅 0.43——知道你的身高或頸圍，幾乎推不出其他維度。要真正理解一個人的體型，只能看他完整的參差輪廓。

那心智呢？高爾頓引進相關時，滿心期待證明心智能力彼此強相關。但第一位系統檢驗的科學家卡特爾（James Cattell，第一位美國心理學博士、「心理測驗」一詞的創造者）卻得到完全相反的結果：

卡特爾測了哥倫比亞大學數百名新生的反應時間、辨色、計時、記憶等能力，本以為會強相關，結果幾乎毫無相關——心智能力明確是參差的。更糟的是（對排名信徒而言）：測驗表現和課業成績弱相關，連不同科目的成績彼此也低相關，唯一有意義的相關只出現在「拉丁文成績與希臘文成績」之間。

現代教育體系正是在這個假設（可把學生分成「一般才能」的高中低）之上標準化的——而第一次科學檢驗就證明它是錯的。同僚卻紛紛否定卡特爾的結果，堅信單向度心智才能一定存在，只是藏起來了。

智力的參差與「16%」陷阱#

兩位女性在魏氏成人智力量表（WAIS）上的十個分測驗分數輪廓截然不同——一個強在詞彙、一個強在解謎——但總分都是 IQ 103。若要「聘最聰明的人」，我們會把她們評為一樣；可若目標是理解她們的才能，靠 IQ 分數顯然是誤導。無論你把智力切得多細（連「文字短期記憶」對「影像短期記憶」都弱相關），它一路參差到底。

為什麼大家還是用單向度評估才能？因為我們都受過平均主義訓練，它隱隱把系統擺在個體之上。弱相關確實能撐起一套「堪用」的系統：用單向度選人，對任一個體可能看走眼，但平均而言比隨機挑好。

於是我們說服自己「弱相關很有意義」。但相關 0.4（SAT 與大一成績的相關）依數學只解釋了 16% 的變異——你會雇用一個說「我能解釋你車子問題的 16%」的技師嗎？ 若在乎的是系統效率，16% 聊勝於無；但若目標是辨識與培養個別卓越，弱相關告訴我們的恰恰相反：唯有正視每個人獨特的參差，才會成功。

克服「才能盲」#

2004 年，卡萊爾（Todd Carlisle）進 Google 人資部，注意到一個怪現象：既然成績和測驗分數這麼好用，為什麼每個主管都要求在履歷包裡「補上」各種非傳統資訊（程式競賽、下棋、玩樂團）？於是他做了一場實驗。

他蒐集了三百多個「因素」——傳統的（測驗分數、文憑、母校排名、GPA）與稀奇的（某高管認為「幾歲開始對電腦感興趣」很重要），逐一分析哪些真正預測員工的成功。結果驚人且明確：

• SAT 分數與母校名氣，毫無預測力；贏程式競賽也一樣
• 成績只在畢業後頭三年有一點點作用
• 「最大的意外是——我們找不到任何一個變數，能對 Google 大多數職位都有預測力。一個都沒有。」

Google 因此不再向畢業三年以上者索取 GPA，也不再要求任何人的測驗分數。這不是找到「璞玉」的巧技，而是拿掉了那副一直讓我們看不見真才能的單向度眼罩。

發揮你的全部潛能#

作者念完韋伯州立大學後想申請神經科學研究所，成績與推薦信都到位，只剩一關：GRE。他最擅長的數學和語文都沒問題，唯獨「分析推理」是災難——考了約二十次模擬測驗，從沒超過第 10 百分位。他照著滿分家教的方法苦練也毫無起色，那些 Jack、Jenny、Julie 全糊成一團。

沮喪之下他把鉛筆摔過房間，差點射到剛好走過的父親。父親問清緣由、看了他用的方法後，一語中的：

「這方法要你在腦子裡做掉大半題目——可你的工作記憶（working memory）不好，何必用一個猛壓工作記憶的方法？你的視覺思考很強，用能發揮這點的解法吧。」

父親當場教他把每道題轉成一種視覺表格，清楚畫出人物間的關係。兩週後真正上場，他在分析推理拿到了歷來最高分。

家教的方法適合家教自己的參差，卻不適合作者。父親更清楚兒子的參差輪廓，看出問題不是「分析能力弱」（那是他用錯方法後得出的單向度結論），而是他動用了自己最弱的能力去解題。

這正是第一個個體性原則的力量。當我們懂得欣賞他人（孩子、員工、學生）的參差，就更可能看見他們未被開發的潛能、教他們善用長處、也幫他們改善短處。

而當我們覺察自己的參差，就不會輕易掉進限縮自己的單向度才能觀。認知參差性，是理解自身全部潛能的第一步：拒絕被那些武斷、以平均為本的宣判，告訴我們「注定會成為怎樣的人」。