2005年左右，谷歌已經發展得非常好了，它即將成為互聯網時代的霸主，成為歷史上最具創新性、最成功的企業之一。為了保持這種超常的發展速度和創新水平，谷歌對人才的需求如饑似渴。幸運的是，公司擁有充足的資金、高昂的薪水和優厚的福利，員工還能在工作中使用最新產品，這使谷歌成了世界上最令人嚮往的工作場所。[1] 到了2007年，谷歌每個月都會收到10萬份應聘申請，從而確保招聘到頂尖的人才——只要它能弄明白應該如何識別頂尖人才。[2]
起初，谷歌的選聘方式和大多數世界500強公司都一樣：查看每一個應聘者的標準考試成績、平均績點以及畢業證書，然後錄用排名最靠前的應聘者。[3] 沒過多久，位於山景城的谷歌總部裡便擠滿了最優秀的員工。他們的標準考試成績都近乎完美，他們都是加州理工學院、斯坦福大學、麻省理工學院和哈佛大學的高學歷優秀畢業生。[4]
根據少量指標甚至單項指標對個人進行排名，這種方式不僅常用於招聘新員工，也是考核現有員工最常見的方式。[5] 2012年，世界上最大的專業服務公司——德勤咨詢公司（Deloitte）根據員工在不同工作項目上的表現，對其6萬多名員工進行打分並排名，然後在年底的「全體大會」上，這些項目排名最終被換算成了1~5的數字。換言之，每個員工的工作考核結果只是一個數字。很難想像，還有什麼方法比用一個單一維度的數字來評價員工的價值更簡單的了。[6]
據《華爾街日報》報道，2012年，大約60%的世界500強企業仍在使用某種形式的單一排名體系來評價員工。[7] 這些體系中最極端的也許是由通用電氣在20世紀80年代首創的「強制排名」（forced ranking），當時也被稱為「評級與封殺」（rank and yank）。[8] 在強制排名系統裡，員工根據一維標準被排名：一定比例的員工被歸到平均水平以上，一定比例的員工必須被定為平均水平，而一定比例的員工則必須被劃到平均水平以下。排名靠前的員工會得到獎金和晉陞，而排名墊底的員工則會受到警告，或者會被裁掉。[9] 到了2009年，還有42%的大型公司仍然使用強制排名系統，其中包括微軟公司，它那廣為人知的員工分級評等制度被人稱作「stack ranking」（多層排名）。[10]
當然，這很容易理解為什麼那麼多的企業在聘任和績效評估工作中，都採用單一分數系統：這是因為它們簡單易行、結果直觀，還帶有評價的客觀性和數學的確定性。如果應聘者的排名高於平均水平，公司就聘用他或嘉獎他；如果他的排名靠後，公司就不再聘用他或解雇他。如果你想要招聘到更有才華的員工，只需要「提高標準」就行了，即提高聘用或晉陞的最低分數線。
用單一數字或幾個數字來對個人能力和工作表現進行排名，似乎完全是合理的。然而，到2015年時，谷歌、德勤和微軟都修改或摒棄了基於排名的聘任體系和員工考核體系。
儘管谷歌維持了發展速度和贏利能力，但是在2005年左右，有跡象表明公司在選拔人才的方式上出現了錯誤。許多新進員工的工作業績並不像管理層所想的那樣。在谷歌內部，出現了越來越多的不滿，有人認為公司招聘者和管理者忽略了許多有才華的應聘者，而這些人在大多數公司採用的指標體系中的表現並不突出，這些為人熟知的指標包括分數、考試成績、學歷和學位。[11] 谷歌負責產品質量運營的人力資源部主任托德·卡萊爾向我解釋道：「我們開始花費大量的時間和金錢，去分析那些被我們認為應該錄用卻沒有錄用的『被錯過了的人才』。」[12]
2014年，德勤也開始意識到，單一分數的員工考核方法並不像期望的那樣運行良好。德勤每年要花大量的時間（200多萬個小時）來計算員工的績效排名，但是這些排名的實際價值卻備受質疑。[13] 《哈佛商業評論》發表了一篇由馬庫斯·白金漢（Marcus Buckingham）和德勤公司的領導力開發部前主任阿什利·古多爾（Ashley Goodall）共同執筆的一篇文章。他們寫道，研究表明，單一分數排名系統可能無法捕捉到員工的真實表現，無法揭露為員工排名的人的特殊傾向，這讓他們把這種考核辦法暫停了下來。「無論是從內部還是從外部來看，很明顯，人們開始認識到傳統的單一分數考核體系運行得並不好，因此大家都很清楚，需要摒棄的是什麼。」古多爾這樣告訴我。[14]
無獨有偶，微軟的員工大排名完全是不折不扣的災難。2012年，《名利場》的一篇文章將微軟實行員工大排名的時期稱作「失落的十年」。績效排名體系迫使員工為了排名而相互競爭，因而扼殺了同事之間的合作；更糟的是，由此導致員工不願與表現優異者共事，因為這樣做很可能會威脅到自己的排名。文章說，微軟仍在實行員工大排名，但該公司已經「變成了臃腫的官僚機構，它的內部文化無意中獎勵了那些扼殺創新的經理，因為這些創新理念有可能威脅到既定秩序」。[15] 2013年年底，微軟突然拋棄了員工大排名。[16] 那麼，谷歌、德勤和微軟哪裡做錯了呢？
這些創新型公司最初均抱著平均主義的觀念，認為根據排名情況就可以有效地評價個人，這種觀念源於弗朗西斯·高爾頓，即如果你在一個方面表現優秀，那麼你在大多數方面都會很優秀。[17] 對我們大多數人來說，這種方法似乎應該有效。畢竟，一些人比其他人總體上更有才華。那麼根據單一數據排名，並根據排名推測他們的潛能，難道不是很明顯的事嗎？然而，谷歌、德勤和微軟發現，人的才能被濃縮成了一個數字，我們僅拿這個數字與整齊劃一的平均值相比較，這種方法行不通。可這是為什麼呢？排名的失敗出人意料，它失敗的根源又在哪裡呢？
答案就在單一維度的思維方式。個性科學的第一原則——鋸齒原則——能夠解釋其原因。
鋸齒原則
我們的思維總是自然而然地傾向於使用一維的方法去思考複雜的人類特徵，如身材、智力、性格或才能。舉個例子，如果需要評估一個人的身材，我們會憑著直覺判斷一個人是大個子、小個子，還是中等身材。如果聽說某人是大個子，我們就會想像這個人手長、腿長、個子高，也就是說他全身所有地方都很大；如果聽說某個女人很聰明，我們就會假設她很可能會解決各種各樣的問題，還很可能受過良好的教育。在平均標準的時代，社會上的機構，尤其是企業和學校，都加強了我們自然形成的一維思考習慣，鼓勵我們將人的價值與單一的數字做比較，如成績、智商和薪水等。[18]
身材的鋸齒性特徵曲線圖
但是，一旦涉及任何實際個體的特徵，一維的思維方式就不再適用了。要理解這一點，最簡單的方法就是仔細看看人體身材真正的自然特徵。上圖描繪的是兩名男性的9個不同的身體尺寸，也是吉爾伯特·S.丹尼爾斯在具有突破性的飛行員研究裡所分析的那9個尺寸。
誰的體形更大？這個問題看似簡單，可若你比較兩個人的每一個尺寸，問題就變得比想像中更難捉摸了。上圖右邊這個人個子更高，但是肩膀較瘦；左邊這個人的腰部較粗，但是臀部與平均值差不多。你可能會嘗試通過兩個人各自9個尺寸的平均值，來判斷誰的體形更大，但是如果做算術，你會發現兩個人的平均尺寸幾乎相同。與此同時我們也能看出，如果說兩個人身材相同，或其中任何一個人是平均身材，都會產生誤解。左邊這個人有兩個部位的尺寸為平均數（臂長和胸圍），而右邊這個人只有一個部位的尺寸接近平均數（腰圍）。可見，「誰的體形更大」這個問題的答案一點也不簡單。
一旦你思考這個問題，答案似乎很明顯，但是千萬別讓這種說法給糊弄了，因為事實上，這個問題根本沒有答案。原因就是不可能根據身材尺寸給人排名。這就揭示了一個有關人類的重要事實，同時也是個體科學的第一個原則——鋸齒原則。該原則認為，不能用一維的思考方式來理解複雜且呈「鋸齒狀」的事物。準確地說，什麼是鋸齒狀呢？鋸齒狀特徵需要滿足兩個條件：第一，它必須由多個維度組成；第二，這些維度彼此之間的相關性很弱。不只人的身材具有鋸齒狀的特徵，幾乎我們所關心的所有人類特徵，包括天資、智力、性格、創造力等，都是呈鋸齒狀、參差不齊的。
為了理解這些標準，讓我們再回到有關身材的例子上來。如果問題是「誰更高」，那麼答案就很簡單了。高度是一維的，所以根據身高進行排名是完全可行的。然而身材就不是那麼回事了。身材包含了許多維度，而且每個維度彼此之間不存在密切的聯繫。再來看看上圖這些數據。中間的垂直數軸代表丹尼爾斯所定義的「標準飛行員」的尺寸範圍。幾十年來，美國空軍一直都假定，大多數飛行員的身材都在這條垂直數軸內，因為他們認為擁有中等臂長的人，其腿部和軀幹也會是中等長度。然而，由於身材具有鋸齒狀特徵，因此他們最終發現這種推測是錯誤的。實際上，丹尼爾斯發現，不到2%的飛行員在這9個維度中的4個及4個以上維度是平均尺寸、而沒有任何一個人的身材尺寸全都是平均值。[19]
如果我們將平均標準帶擴大，將原本每個維度中間的30%擴展到90%，那結果又會如何呢？你可能會猜大部分人的身體肯定處於這個大範圍內。然而實際上，在這個範圍內的人數不到一半。[20] 事實證明，我們大多數人都至少有一個身體部位較大或較小。這就是為什麼依照標準飛行員設計的駕駛艙並不適用於任何人。鋸齒原則也解釋了為什麼諾瑪模仿大賽的組織者找不到任何完全符合標準身材的人。女士們一直以來都反對美泰公司（Mattel）出售的芭比娃娃，抗議它們的身材被人為誇張了。然而，鋸齒原理告訴我們，中等身材的玩偶（如諾瑪身材的玩偶）同樣也是不真實的。
當然，有時在權衡各種因素後，如果認為值得的話，也可以假設身材是一維的，比如大規模生產成衣。雖然不完全適合每一個人，但是我們卻能買到低價的上衣和褲子。但是如果風險過高，比如你買的是一件昂貴的婚紗，或者設計汽車安全氣囊之類的安全設備，或是為噴氣式飛機安裝駕駛艙，那麼就不能無視尺寸的多維度性而妥協。如果它事關重大就沒有捷徑可走，你只有充分考慮到它的所有尺寸，才能做出適合的產品。
幾乎任何重要的人類特徵——尤其是才能——都包含了多個維度。問題是，測量才能時，人們常常依賴於平均值，將參差不齊的才能簡化為單一維度，如標準化考試、學習成績或工作績效排名等。但是如果屈從於這種一維的思考方式，我們終將深陷困境。我們以紐約尼克斯隊（New York Knicks）為例子吧。
2003年，前NBA球星伊塞亞·托馬斯接任尼克斯隊的籃球運營總裁一職。他的目標很明確，希望能重新打造一支世界最強籃球隊。他用一維方式來評判球員的籃球水平：他只收集和記錄球員的每場平均得分數。[21]
托馬斯設想，既然籃球隊的成功在於要比對手多得分，那麼如果你的球員擁有最高的平均得分數，你就可以預測——就平均而言——你的球隊將贏得更多比賽。托馬斯不是唯一醉心於高得分率的人。即使在今天，籃球運動員的得分率通常也是決定他薪水、季後賽獎金以及上場時間的最重要因素。[22] 但是，托馬斯把這個單一度量作為選擇球隊成員的最重要的標準，而尼克斯隊的經濟實力足以支持他的選擇。事實上，尼克斯隊對組建球隊所用的一維方式，與企業根據學習成績這個最主要指標來僱用員工的方式如出一轍。
尼克斯隊付出了巨大的代價，組建了全NBA比賽中得分率最高的球隊，卻在四個賽季裡輸掉了66%的比賽，直接輸掉了四個賽季。[23] 以一維標準組建起來的尼克斯隊表現實在太糟了，在一段賽程中排名倒數第三。用鋸齒原則就很容易理解它的成績為何如此慘淡：因為籃球運動員的才能是多維的。一項針對籃球運動的數學分析表明，至少有5種能力會影響比賽結果：得分、籃板、搶斷、助攻和蓋帽。[24] 這5個方面技能之間的關係並不緊密，比如，通常搶斷能力強的球員，蓋帽能力較弱。事實上，很難找到5個方面都很強的球員。自1950年以來，在NBA歷史上，幾萬名球員中只有5人在這5個方面都優於他們所在球隊的其他隊員。[25]
在最成功的籃球隊裡，球員的籃球技能是互補的。[26] 相比之下，托馬斯領導下的尼克斯隊在防守方面表現得非常糟糕。也許令人驚訝的是，他們雖然得分能力強，但進攻能力卻不是特別好，因為每個球員都更專注於自己的得分，而忽略了配合隊友得分。尼克斯隊——就像谷歌、德勤和微軟那樣——最終意識到一維的選人方式並不能產生他們想要的結果。在2009年托馬斯卸任後，尼克斯隊重新啟用了多維的球員評價方式，又開始贏得比賽，並在2012年的季後賽裡重返巔峰。[27]
最弱的關聯
對於人的身材和能力這類的特徵，它們雖然是呈鋸齒狀、參差不齊的，但是，這還不足以構成多維度，多維度還要求每一個維度必須相對獨立。這種獨立性，用數學術語來表達，即為弱相關。
弗朗西斯·高爾頓在一個多世紀以前，開發了一套相關性的統計方法，用於評估兩種不同維度之間的關係強度，比如身高和體重之間的關係。[28] 高爾頓開始將相關性的早期版本用於人類，希望證明排名的有效性：一個人的才能、智力、健康和性格之間存在緊密的聯繫。[29] 今天，我們將相關性用0和1之間的數值來表示，當數值為1時，表示完全相關（比如以英吋為計量單位的身高與以厘米為計量單位的身高之間的相關性）；當數值為0時，表示完全不相關（比如以英吋為計量單位的身高與土星的溫度之間的相關性）。[30] 在許多科學領域，相關性大於或等於0.8，就被視為強相關；而相關性小於或等於0.4，則被視為弱相關。儘管這種明確劃分「強」和「弱」的方式，從根本上講也是很武斷的。
如果一個系統裡所有維度之間的相關性都很強，那麼該系統就不符合鋸齒理論，你完全可以採用一維的方式來分析它。讓我們看看道瓊斯工業指數（Dow Jones Industrial Index，簡稱道指）。道指是單一的數字評分，它集合了30家著名的大型「藍籌」公司的股票價格。在每個美國股市交易日結束時，金融報紙必定會公佈道指，並精確到小數點後兩位（2015年1月2日的數字為17832.99），以及該數字是漲是跌。投資者們利用道指來評價股票市場的整體表現。他們有充分的理由這樣做，因為在1986—2011年（共25年），道指與其他4個主要股票指數之間的相關性高達0.94。[31] 即使股票市場是多維的（在美國就有成千上萬家上市公司），它的整體活力也可以用一個簡單的數字來概括：用道指來評判股票市場的綜合表現，最合理地運用了一維思考方式。
然而，人的身材卻是另外一回事了。1972年，繼丹尼爾斯的飛行員研究後，美國海軍研究人員計算了海軍飛行員的96個身體部位尺寸的相關性。他們發現只有少數尺寸之間的相關性大於0.7，而多數尺寸的相關性小於0.1。96個部位尺寸之間的平均相關性為0.43。[32] 這就意味著，僅知道一個人的身高、頸圍或握距，並不太可能推算出他的其他部位尺寸。如果你想要真正瞭解一個人的身體尺寸，就沒有簡單的方法來總結概括。你需要知道每個部位的細節，而這些細節都是參差不齊的。
我們的大腦又如何呢？心智能力也是參差不齊的嗎？當高爾頓第一次將相關性引入社會科學時，他希望科學家能發現人類不同心智能力之間存在強相關性——換句話說，我們的大腦並非呈鋸齒狀。[33] 其中，最早來系統驗證這個假設的科學家名叫詹姆斯·卡特爾（James Cattell）。他是第一位獲得心理學博士學位的美國科學家，也是測試理論的先驅，他還創造了「心理測試」這個術語。[34] 他也非常相信高爾頓的排名理論。19世紀90年代，卡特爾打算徹底證明一維心智能力觀的合理性。[35]
卡特爾在哥倫比亞大學工作期間，對剛入學的大一新生進行了一系列的身體測試和心理測試，例如對聲音的反應時間、說出顏色的能力、10秒過後的判斷力、對字母的記憶能力。他深信，自己一定會發現這些能力之間存在強相關性。然而，他的發現正好相反。事實上，這些能力之間完全沒有相關性。[36] 毫無疑問，心智能力是呈鋸齒狀、參差不齊的。
對於一個排名理論的虔誠信徒來說，後面發生的事情更為糟糕。卡特爾還測量了學生的學習成績和他們在心理測試表現之間的相關性，發現兩者之間的相關性非常弱。不僅如此，同一個學生在不同的班級裡，其學習成績之間的相關性同樣很弱。事實是，卡特爾發現的唯一有意義的相關性，是學生的拉丁語成績和希臘語成績之間的相關性。[37]
在我們的現代教育體系形成初期，學校首先根據學生的「整體才能」，將他們分成平均水平、平均水平之上和平均水平之下三個層次，並圍繞這個分類進行標準化改革。第一次針對這個假設的科學調查研究表明，這種做法是錯誤的。然而，心理學家非常確信，必然有一維的心智能力存在，即使它不易被發現。卡特爾的大多數同事都不承認他的實驗結果，認為他的實驗方法或實驗結果分析出了錯。[38]
與此同時，心理學家——繼而是教育界，然後是企業界——都確定了一個概念，即各種心智能力之間具有強相關性，並可以用一維的數值來表示，如IQ（智商）。[39] 自卡特爾以來，一個接一個的研究表明，個人的智力——更不用說品格和性格——具有鋸齒性。[40] 愛德華·桑代克提出的「一個方面優秀則所有方面都優秀」的觀念塑造了現代教育系統，甚至他本人也做過針對學習成績、標準化測試分數和職業成功率之間相關性的研究，發現這三者之間的相關性很弱，可是他仍然認為可以合理地忽略這個事實，因為他相信一維的「學習能力」是在學校和工作中取得成功的重要因素，即使這個假說從未被證實過。[41]
即使是在今天，科學家、企業家和教育工作者依然在依賴IQ分數這個一維的概念來評價智力。雖然我們願意承認，智力確實有很多種，比如音樂理解力、藝術靈性或運動智慧，但是人一定擁有適用於許多領域的「整體智力」，要想撼動這個觀念是很困難的。如果聽說一個人比另一個人更聰明，人們就會設想，更聰明的那個人可能會把我們為其設置的任何智力題都做得更好。
讓我們來看看下面這張鋸齒狀的智力曲線圖。圖中顯示了兩名女性的智力測試分數在韋氏成人智力量表（Wechsler Adult Intelligence Scale，WAIS）[42] 上的具體情況。這是目前最常用的兩個智力測試量表之一。[43] 兩個人都接受了韋氏成人智力測試，她們的10個分測驗得分都標注在這個表格上了，10個分數分別反映了智力的10個方面，比如詞彙量或解謎能力。通過綜合計算所有分測驗的分數，得出個體的總智商分數。
鋸齒狀的智力曲線圖
資料來源：麥克·迪克斯科技有限公司
哪名女性更聰明呢？按照韋氏成人智力量表，她們兩個人的智力相同，智商都是103，接近100的平均智商水平。如果要僱用最聰明的員工，那麼兩個人的排名相同。然而，這兩名女性具有明顯不同的心理優勢和劣勢。毫無疑問，如果需要真正瞭解兩個人的才能，那麼僅依靠智商分數是會出錯的。[44]
與身體尺寸一樣，韋氏成人智力量表裡的不同心智能力方面之間的相關性，大部分都並不強。[45] 這表明人的心智能力是參差不齊的，不能用諸如智商分數這樣的一維數字來進行描述或解釋。然而，直到今天，依然很少有人能抗拒用單一排名或簡單數字來評價人的智力這種誘惑。但是評價心智能力的一維方式比智力曲線圖更具有誤導性。如果將智力繼續細分下去，比較不同種類的智力，如對詞語的短時記憶和對圖形的短時記憶能力，科學家研究發現，這些「多維度」之間的相關性依然很弱。[46] 不管你將自己的大腦劃分得有多細，你的心智能力都是參差不齊的。
所有這些都給我們提出了一個明顯的問題：如果人類的能力具有鋸齒性，那麼為什麼這麼多的心理學家、教育工作者和企業高管還在繼續採用一維的思維方式來評價人才呢？原因是，大多數人都在平均主義科學觀下接受教育，而這種觀點毫無疑問地把系統置於個人之上。完全有可能在弱相關性的基礎上建立功能評價體系：如果基於一維的觀點來挑選員工，即使你可能對某一個人的評價是錯誤的，但是就平均而言，你挑選的人至少比隨機挑選的人更好。
我們試圖說服自己，弱相關的意思就是不相關。在心理學和教育界的大多數領域裡，如果你發現一個相關性，比如說0.4（這就是高考成績與大學一年級的成績之間的相關性[47] ），通常人們會認為你的發現很重要，是有意義的。然而，根據相關性的數學原理，如果你找到相關性為0.4的兩個事物，那就意味著你解釋出了每個事物16%的行為原因。[48] 你真的明白解釋16%的原因意味著什麼嗎？如果一名機械師說自己能解釋導致你的車壞掉的原因之中的16%，你會願意請他為你修車嗎？
當然，如果比起個體來說，我們更關心系統的效率，那麼就平均而言，理解16%的原因無疑是聊勝於無的，甚至足以為不同群體設立政策了。但是，如果我們的目標是識別並培養優秀人才，那麼弱相關就會提醒我們要注意到不同的東西：只有注重每個人參差不齊的鋸齒狀特徵，我們才會取得成功。
克服人才資源盲區
2004年，托德·卡萊爾成為谷歌公司人力資源部的分析師。公司的項目經理需要新員工，而招聘者把所有應聘者的信息集合成「招聘包」交給項目經理，以便他們選擇合適的人選。卡萊爾在人力資源部的工作就是幫助項目經理和招聘者進行溝通。當時，應聘者的平均績點和標準化考試分數在這些「招聘包」裡佔據了重要的地位。但是卡萊爾注意到一個非常有趣的現象：越來越多的項目經理要求招聘者加入有關應聘者的更多信息。[49] 有些經理想知道應聘者是否曾參加過編程比賽，有些經理想知道應聘者是否愛好像棋或樂隊演奏。看起來似乎每一個項目經理在決定聘用員工時，都把補充材料作為參考重點。
「突然有一天，我意識到，如果傳統的評價指標（成績和分數）真的如此重要，為什麼每個人都要加入明顯非傳統的指標作為補充呢？」卡萊爾告訴我，「就在那時，我決定做個實驗。」[50] 卡萊爾私下認為，谷歌也許錯過了許多有才能的人，造成這個問題的部分原因在於過分強調那幾個為人熟知的指標。他相信自己可以改變公司的招聘政策，讓公司能全方面地瞭解應聘者。由於谷歌做出生產運營的重大抉擇時，主要靠的是共識而不是命令，因此卡萊爾明白，如果他要說服項目經理贊同他提出的多維才能評價觀，就必須進行系統地測試研究，不僅測試他自己思考的在谷歌取得成功的能力要素，還要研究項目經理與高管所相信的成功員工的所有因素。
首先，卡萊爾列出了長長的清單，涉及300多個方面（他稱之為「因素」），既包括了傳統的方面，如標準化考試成績、學歷學位、畢業院校排名和平均成績等，也包含了項目經理曾要求過的很多特殊的因素（比如，一位重要的谷歌高管建議，對計算機首次產生興趣的年齡也許很重要）。接著，卡萊爾做了一個又一個的實驗，來分析這些因素與員工成功之間的真實關係。結果令人吃驚而且清楚明瞭。[51]
原來，應聘者的標準化考試成績和畢業院校的名氣與工作業績完全沒有關係，同樣，贏得編程比賽也無關緊要。學習成績有一點相關，但僅限於畢業後的前三年。「然而，真正讓我以及谷歌許多人吃驚的是，」卡萊爾對我說，「我們分析數據後發現，根本就找不到對谷歌大多數的工作崗位都起作用的單一變量，一個也沒有。」[52]
換句話說，在谷歌，要想工作出色，其實有很多種方法。如果公司想要將招聘工作做到最好，就需要對所有員工都保持敏銳的眼光。卡萊爾發現了谷歌人才資源中的鋸齒原則，繼而改變了谷歌招募新人的方法。如果應聘者已經離開學校三年，他們就很少過問平均成績，也不再要求應聘者提供考試分數。「我們也不再用原來的眼光來看待學校的人才選拔制度，」卡萊爾對我解釋道，「如今的挑戰不僅確定需要收集哪方面的信息，還要知道如何將其呈現出來——你必須專注於『招聘包』裡的那些最重要的因素。這個實驗有助於將應聘者的才能更全面地描繪出來，以便項目經理能夠做出更好的聘用抉擇。」[53]
在招聘過程中考慮應聘者的不同天賦，這並不是某種複雜而奢侈的事，不是只有像谷歌那樣的大公司才能承擔得起這種做法。對於小公司來說，這也是在競爭激烈的就業市場上，物色並吸引頂尖人才的一種手段。IGN是一家著名的電子遊戲和多媒體網絡公司，它的員工人數不到谷歌的1%，其營業額更少。[54] 最初，IGN和其他公司一樣，也運用一維思考方法來招聘員工。當然，如果整個科技行業的每家公司都用單一的標準，如學習成績和標準化考試分數，那麼只有少數應聘者排在頂尖位置，而這些「名列前茅」的應聘者很可能會與諸如谷歌和微軟那樣的大公司簽約，而不會與像IGN這樣的小公司簽約。
IGN的高管意識到，他們想招募到有才華的員工，可是他們根本無法與其他科技公司競爭。他們只有兩個選擇：要麼提高薪水——這樣行不通；要麼改變自己對才能的看法。因此，2011年，IGN啟動了一個名為「代碼FOO」（Code-Foo）項目，這個項目要求招聘計劃中「不能有簡歷」，目的是要找到那些尚未被開發的編程人才。[55] 該項目為有志向的程序員提供為期6周的新編程語言培訓，然後讓他們在真實的IGN軟件工程項目上工作。[56] 「代碼FOO」項目的不尋常之處在於IGN的經理評價應聘者的方式。他們完全不看應聘者的教育背景和過往經歷。應聘者不需要提交簡歷，而是提交一份夢想進入IGN的申明，並回答4個測試他們編碼能力的問題。其實，IGN也說：「我們不在乎你做過什麼或者你怎樣學習編程，我們只希望你能幹，激情滿滿地在工作中施展技能。」
2011年，104人報名參加了「代碼FOO」項目；28人成功入選，其中只有一半的人有技術領域的大學學位。IGN總裁羅伊·巴哈特告訴《快公司》雜誌，他原本希望通過「代碼FOO」項目聘請一兩個人。然而，IGN最終成功聘請了8個人。[57] 「這並不是說，如果你看了他們的簡歷就會說他們不適合這份工作。」巴哈特告訴《快公司》，「但是如果你只看他們的簡歷……未必會有充足的理由聘請他們。他們就是我們之前會忽略的那部分人。」[58]
通常情況下，當企業第一次接納鋸齒原則時，他們會感覺找到了發現璞玉的妙方，以甄別非傳統意義上的天才或隱居的志士。然而，鋸齒原則認為：雖然我們可能尋覓到被忽略的天才，但是他們並不是非傳統的或者隱居著的，他們就是真正的人才，他們一直都存在，存在於各種各樣的人群之中。真正的困難不是找到新方法來辨別人才，而是擺脫蒙住我們雙眼的一維思維定式，是它一直在阻礙我們找尋人才。
當然，最重要的是，要解開阻礙我們審視自己的眼罩。
挖掘你的全部潛力
從韋伯州立大學（Weber State University）畢業的前期，我決定向研究生院申請繼續攻讀神經科學的研究生。如果能考上，我會成為我父母兩邊家族裡第一個讀研究生的人。我設法在大學裡扭轉局勢，努力獲得了好成績，還從幾位教授那裡拿到了熱情洋溢的推薦信。只有一件事阻礙了我前進的道路：標準化考試。
我需要參加GRE考試並考出好成績。GRE是研究生入學考試（Graduate Record Examination），是我申請的每一個研究生項目的必考科目。[59] 當時，這個考試由三部分組成：數學、詞彙和所謂的分析推理。分析推理部分的設計理念是評估考生的邏輯思維能力，由許多複雜的問題組成。比如，「傑克、詹妮、珍妮、朱莉、傑裡和傑裡米都同時參加晚宴。傑克不喜歡詹妮，珍妮不喜歡傑裡米，朱莉愛著傑裡，和詹妮總是偷朱莉的圓麵包。如果他們要坐在同一張圓桌上，你應該安排誰坐在傑裡米的左邊呢？」
我提前6個月來準備GRE考試。然而，就在離考試只有兩個星期的時候，形勢變得嚴峻起來。我做了大約20套模擬試題。在數學和詞彙部分，我一直都做得很好，但是分析推理部分卻是一塌糊塗。如果按百分制計算，我的得分從沒超過10分。每一次，我都會幾乎全部做錯。我的輔導老師，曾在分析推理部分得過滿分，他與我分享了自己的做題方法。我原本以為，如果按照他的方法多做練習，那麼我的成績終究會有所提高。然而事實並非如此。朱莉、詹妮和珍妮們，所有人都難以捉摸，我似乎永遠都不可能通過自己的推理找到正確答案。我再一次目睹自己的所有夢想正走向毀滅，因為很難想像有哪個研究生專業會接收在測試中只得10分的學生。
那時在父母家學習，我感到非常沮喪，就把鉛筆扔到房間的另一邊，差一點就戳到不經意走過來的父親。幸運的是，他走了過來，問我發生了什麼事。我告訴他，我在分析推理部分總是做得不好，還向他展示了我的解題方法。
「大部分的題目都要求你用腦子做題。」他說。
「那是當然。」我回答。「這就是做題應該用的方式。」我心想。畢竟我的老師曾用這種方法得了滿分，而且在考試複習班上的其他同學們也用這個方法得到80分以上。
「但是你沒有強大的工作記憶，為什麼你會嘗試運用工作記憶的方法呢？」他說。他知道，我的幾何學得很好。「既然你的視覺思維相當不錯，為什麼不依靠這種思維方式來解決問題呢？」
他坐了下來，繼續教我如何將每個問題轉換成某種視覺表格，我用這種方法將傑裡、詹妮和朱莉之間的關係精確地畫了出來，畫得明確而可靠。這種技巧對我來說非常容易。起初，我對此完全抱著懷疑的態度，不知道它是否管用。但是，我用它解決了一個又一個問題，而每一次它都幫我得出了正確的答案。我簡直不敢相信。兩個星期後，我參加了GRE考試，並得到了有史以來分析推理部分的最高分。
我的GRE輔導老師找到了適合他的鋸齒狀心智能力的辦法來解答題目，但這不一定適合我。幸運的是，我的父親更清醒地看到了我的優勢和劣勢。他幫我看清了，我的問題不是分析能力弱——我停留在一維思考方式上，運用老師教的方法，屢戰屢敗，因為我運用了自己的心智短板——工作記憶——來解決問題。父親幫我找到了方法，讓我運用自己的強項正確地解答考題，從而展示了我的真正才華。
我非常感謝父親。他對我的鋸齒狀特徵——我的個性——思考得十分細緻，這使他能夠提出寶貴意見，從而改變了我的人生歷程。如果我沒有切換到運用視覺方式來分析GRE問題的模式，我會考得很差，很可能因此永遠都進不了哈佛。這就是個性科學的第一條原則所具備的能量。當我們能夠欣賞別人的不同才能——我們的孩子、員工、學生的鋸齒狀參差不齊的才能——我們就更有可能注意到他們尚未開發的潛能，告訴他們如何利用自己的優勢，找出他們的弱點，並幫助他們改正，就像我的父親所做的那樣。
而當我們開始意識到自己的鋸齒狀特徵時，我們就不太可能成為一維思考方法的犧牲品，我們的能力也不會受到限制。如果在那次考試中失利，我很可能會認為自己不具備在研究生學習中取得成功的必要條件——畢竟，這就是考試要告訴你的。我還會降低對自己的期望值。認識自己的鋸齒狀特徵是全面瞭解自身潛力的第一步。從此，我們學會了拒絕被別人的武斷評判禁錮起來，拒絕別人基於平均水平而預言我們將成為什麼樣的人。
[1] Robert Levering and Milton Moskowitz,"2007100Best Companies to Work for,"Great Place to Work,https://www.greatplacetowork.net/best-companies/north-america/united-states/fortunes–100-best-companies-to-work-forr/439–2007.
[2] Virginia A.Scott,Google(Westport:Greenwood Publishing Group,2008),61.
[3] Steve Lohr,"Big Data,Trying to Build Better Workers,"New York Times,April 20,2013,https://www.nytimes.com/2013/04/21/technology/big-data-trying-to-build-better-workers.html?src=me&pagewanted=all&_r=1.See also Eric Schmidt and Jonathan Rosenberg,How Google Works(New York:Grand Central Publishing,2014).
[4] George Anders,The Rare Find:How Great Talent Stands Out(New York:Penguin,2011),3.
[5] Leslie Kwoh,"'Rank and Yank'Retains Vocal Fans,"Wall Street Journal,January 21,2012,https://www.wsj.com/articles/SB10001424052970203363504577186970064375222.
[6] Ashley Goodall,interviewed by Todd Rose,April 17,2015.See also,Mar-cus Buckingham and Ashley Goodall,"Reinventing Performance Man-agement,"Harvard Business Review,April 2015,https://hbr.org/2015/04/reinventing-performance-management.Note:Goodall is now Senior Vice President for Leadership and Team Intelligence at Cisco Systems.
[7] Kwoh,「'Rank and Yank.'」
[8] For an overview of forced rankings,see Richard C.Grote,Forced Rank-ing:Making Performance Management Work(Cambridge:Harvard Busi-ness Press,2005).
[9] David Auerbach,"Tales of an Ex-Microsoft Manager:Outgoing CEO Steve Ballmer's Beloved Employee-Ranking System Made Me Secretive,Cynical and Paranoid,"Slate,August 26,2013,https://www.slate.com/articles/business/moneybox/2013/08/microsoft_ceo_steve_ballmer_retires_a_firsthand_account_of_the_company_s.html.
[10] Kwoh,"'Rank and Yank'"and Julie Bort,"This Is Why Some Microsoft Employees Still Fear the Controversial'Stack Ranking'Employee Review System,"Business Insider,August 27,2014,https://www.businessinsider.com/microsofts-old-employee-review-system–2014–8.
[11] Anders,Rare Find,3–4.Also see Thomas L.Friedman,"How to Get a Job at Google,"New York Times,February 22,2014,https://www.nytimes.com/2014/02/23/opinion/sunday/friedman-how-to-get-a-job-at-google.html?_r=0.
[12] Todd Carlisle,interviewed by Todd Rose,April 21,2015.
[13] Buckingham and Goodall,"Reinventing Performance Management."
[14] Ashley Goodall,interviewed by Todd Rose,April 17,2015.
[15] Kurt Eichenwald,"Microsoft's Lost Decade,"Vanity Fair,August 2012,https://www.vanityfair.com/news/business/2012/08/microsoft-lost-mojo-steve-ballmer.
[16] Marcus Buckingham,"Trouble with the Curve?Why Microsoft Is Ditching Stack Rankings,"Harvard Business Review,November 19,2013,https://hbr.org/2013/11/dont-rate-your-employees-on-a-curve/.
[17] Francis Galton,Essays in Eugenics(London:The Eugenics Education Society,1909),66.
[18] For a broader discussion of one-dimensional thinking,see Paul Churchill,A Neurocomputational Perspective:The Nature of Mind and the Structure of Science(Cambridge,MA:MIT Press,1989),285–286;and Herbert Mar-cuse,One-Dimensional Man:Studies in the Ideology of Advanced Industrial Society,2nd ed.(London:Routledge,1991).
[19] Daniels,The"Average Man"?,3.
[20] William F.Moroney and Margaret J.Smith,Empirical Reduction in Potential User Population as the Result of Imposed Multivariate Anthropo-metric Limits(Pensacola,FL:Naval Aerospace Medical Research Labora-tory,1972),NAMRL–1164.
[21] David Berri and Martin Schmidt,Stumbling on Wins(Bonus Content Edition)(New York:Pearson Education,2010),Kindle Edition,chap.2.
[22] David Berri,"The Sacrifice LeBron James'Teammates Make to Play Alongside Him,"Time,October 16,2014,https://time.com/3513970/lebron-james-shot-attempts-scoring-totals/;also see Henry Abbott,"The Robots Are Coming,and They're Cranky,"ESPN,March 17,2010,https://espn.go.com/blog/truehoop/post/_/id/14349/the-robots-are-coming-and-theyre-cranky.
[23] David Berri,"Bad Decision Making Is a Pattern with the New York Knicks,"Huffington Post,May 14,2015,https://www.huffingtonpost.com/david-berri/bad-decision-making-is-a-_b_7283466.html.
[24] Berri and Schmidt,Stumbling on Wins,chap.2;also see David Berri,"The Sacrifice LeBron James'Teammates Make to Play Alongside Him,"Time.com,October 16,2014,https://time.com/3513970/lebron-james-shot-attempts-scoring-totals/.
[25] David Friedman,"Pro Basketball's'Five-Tool'Players,"20Second Time-out,March 25,2009,https://20secondtimeout.blogspot.com/2009/03/pro-basketballs-five-tool-players_25.html.
[26] Dean Oliver, Basketball on paper:rules and tools for performance analysis(Potomac Books,2004),63–64.For qualitative insights about building successful teams,see Mike Krzyzewski, The Gold Standard:Building a World-Class Team(New York,Business Plus,2009).
[27] Berri,"Bad Decision Making."
[28] D.Denis,"The Origins of Correlation and Regression:Francis Galton or Auguste Bravais and the Error Theorists,"History and Philosophy of Psychology Bulletin 13(2001):36–44.
[29] Francis Galton,"Co-relations and Their Measurement,Chiefly from Anthropometric Data," Proceedings of the Royal Society of London 45,no.273–279(1888):135–145.
[30] Technically correlations range from–1.00to+1.00with the sign indicat-ing the direction of the relationship.Since the point I am trying to make here is about the strength of the relationship,I chose to present it as 0to 1for the sake of clarity.
[31] "Five Questions About the Dow That You Always Wanted to Ask,"Dow Jones Indexes,February 2012,https://www.djindexes.com/mdsidx/downloads/brochure_info/Five_Questions_Brochure.pdf.
[32] William F.Moroney and Margaret J.Smith,Empirical Reduction in Potential User Population as the Result of Imposed Multivariate Anthro-pometric Limits(Pensacola,FL:U.S.Department of the Navy,1972),NAMRL-1164.The data analyzed in the study is from E.C.Gifford,Compilation of Anthropometric Measures on US Naval Pilot(Philadelphia:U.S.Department of the Navy,1960), NAMC-ACEL–437.For practi-cal consequences of the lack of fit,see George T.Lodge,Pilot Stature in Relation to Cockpit Size:A Hidden Factor in Navy Jet Aircraft Accidents(Norfolk,VA:Naval Safety Center,1964).
[33] Francis Galton,"Mental Tests and Measurements," Mind 15,no.59(1890):373–381.
[34] For biographical information,see W.B.Pillsbury,Biographical Memoir of James McKeen Cattell 1860–1944(Washington,DC:National Academy of the Sciences,1947);and M.M.Sokal,"Science and James McKeen Cattell,1894–1945,"Science 209,no.4452(1980):43–52.
[35] James McKeen Cattell and Francis Galton,"Mental Tests and Measure-ments,"Mind 13(1890):37–51;and James McKeen Cattell and Living-stone Farrand,"Physical and Mental Measurements of the Students of Columbia University," Psychological Review 3,no.6(1896):618.Also see Michael M.Sokal,"James McKeen Cattell and Mental Anthropometry:Nineteenth-Century Science and Reform and the Origins of Psychologi-cal Testing,"in Psychological Testing and American Society,1890–1930,ed.Michael Sokal(New Brunswick:Rutgers University Press,1987).
[36] The results were analyzed and published as part of the doctoral disser-tation of Cattell's student,Clark Wissler.See Clark Wissler,"The Cor-relation of Mental and Physical Tests,"Psychological Review:Monograph Supplements 3,no.6(1901):i.
[37] Wissler,"Correlation of Mental and Physical Tests,"i.
[38] Charles Spearman,「'General Intelligence,'Objectively Determined and Measured,」 American Journal of Psychology 15,no.2(1904):201–292.
[39] For a terrific study that shows not only the fact of jaggedness in indi-viduals,but also that inpiduals differ in the amount of their jaggedness,see C.L.Hull,"Variability in Amount of Different Traits Possessed by the Inpidual,"Journal of Educational Psychology 18,no.2(February 1,1927):97–106.For a more current study,see Laurence M.Binder et al.,"To Err Is Human:'Abnormal'Neuropsychological Scores and Variabil-ity Are Common in Healthy Adults," Archives of Clinical Neuropsychol-ogy 24,no.1(2009):31–46.
[40] G.C.Cleeton,and Frederick B.Knight,"Validity of Character Judg-ments Based on External Criteria," Journal of Applied Psychology 8,no.2(1924):215.
[41] For a discussion of his father's study,see Robert L.Thorndike and Eliza-beth Hagen,Ten Thousand Careers(New York:John Wiley&Sons,1959).Note:To any reader familiar with his views it will seem strange to attribute to Thorndike a one-dimensional view of intelligence,since he was consistently arguing intelligence was multidimensional(abstract,social,and mechanical)and was one of Spearman's biggest critics.How-ever,he did believe there was an innate component that applied to your ability to learn and that it had to do with your neural ability to form con-nections.
[42] David Wechsler,Wechsler Adult Intelligence Scale–Fourth Edition(WAIS–IV)(San Antonio,TX:NCS Pearson,2008).
[43] Wayne Silverman et al.,"Stanford-Binet and WAIS IQ Differences and Their Implications for Adults with Intellectual Disability(aka Mental Retardation),"Intelligence 38,no.2(2010):242–248.
[44] This extends to all traits that we typically measure.See Hull,"Variability in Amount of Different Traits,"97–106.
[45] Jerome M.Sattler and Joseph J.Ryan, Assessment with the WAIS-IV(La Mesa,CA:Jerome M.Sattler Publisher,2009).For more on the inher-ently jagged nature of intelligence,see Adam Hampshire et al.,"Fraction-ating Human Intelligence,"Neuron,December 10(2012):1–13.
[46] Sergio Della Sala et al.,"Pattern Span:A Tool for Unwelding Visuo-Spatial Memory,"Neuropsychologia 37,no.10(1999):1189–1199.
[47] Jennifer L.Kobrin et al.,Validity of the SAT for Predicting First-Year Col-lege Grade Point Average(New York:College Board,2008).
[48] Steve Jost,"Linear Correlation,"course document,IT 223,DePaul University,2010,https://condor.depaul.edu/sjost/it223/documents/correlation.htm.
[49] Todd Carlisle,interviewed by Todd Rose,April 21,2015.
[50] Carlisle,interview,2015.
[51] Todd Carlisle,interview,2015;also see Saul Hansell,"Google Answer to Filling Jobs Is an Algorithm,"New York Times,January 3,2007,https://www.nytimes.com/2007/01/03/technology/03google.html?pagewanted=1&_r=2&for similar insights about Todd Carlisle's thinking,approach,and results,see Anders,Rare Find.
[52] Carlisle,interview,2015.
[53] Carlisle,interview,2015.See also Saul Hansell,"Google Answer to Fill-ing Jobs Is an Algorithm,"New York Times,January 3,2007,https://www.nytimes.com/2007/01/03/technology/03google.html?pagewanted=2&_r=0.
[54] Employee numbers were taken from"Google,"Wikipedia,June 19,2015,https://en.wikipedia.org/wiki/Google;and"IGN,"Wikipedia,June 13,2015,https://en.wikipedia.org/wiki/IGN.Yearly sales numbers were taken from:"Google,"Forbes,https://www.forbes.com/companies/google/;and"j2Global,"Forbes,https://www.forbes.com/companies/j2-global/),with IGN numbers based on the parent com-pany,j2Global.
[55] E.B.Boyd,"Silicon Valley's New Hiring Strategy,"Fast Company,Octo-ber 20,2011,https://www.fastcompany.com/1784737/silicon-valleys-new-hiring-strategy.
[56] https://www.ign.com/code-foo/2015/.
[57] Boyd,"Silicon Valley."
[58] Boyd,"Silicon Valley."
[59] "GRE,"ETS,https://www.ets.org/gre.