2005年左右，谷歌已经发展得非常好了，它即将成为互联网时代的霸主，成为历史上最具创新性、最成功的企业之一。为了保持这种超常的发展速度和创新水平，谷歌对人才的需求如饥似渴。幸运的是，公司拥有充足的资金、高昂的薪水和优厚的福利，员工还能在工作中使用最新产品，这使谷歌成了世界上最令人向往的工作场所。[1] 到了2007年，谷歌每个月都会收到10万份应聘申请，从而确保招聘到顶尖的人才——只要它能弄明白应该如何识别顶尖人才。[2]
起初，谷歌的选聘方式和大多数世界500强公司都一样：查看每一个应聘者的标准考试成绩、平均绩点以及毕业证书，然后录用排名最靠前的应聘者。[3] 没过多久，位于山景城的谷歌总部里便挤满了最优秀的员工。他们的标准考试成绩都近乎完美，他们都是加州理工学院、斯坦福大学、麻省理工学院和哈佛大学的高学历优秀毕业生。[4]
根据少量指标甚至单项指标对个人进行排名，这种方式不仅常用于招聘新员工，也是考核现有员工最常见的方式。[5] 2012年，世界上最大的专业服务公司——德勤咨询公司（Deloitte）根据员工在不同工作项目上的表现，对其6万多名员工进行打分并排名，然后在年底的“全体大会”上，这些项目排名最终被换算成了1~5的数字。换言之，每个员工的工作考核结果只是一个数字。很难想象，还有什么方法比用一个单一维度的数字来评价员工的价值更简单的了。[6]
据《华尔街日报》报道，2012年，大约60%的世界500强企业仍在使用某种形式的单一排名体系来评价员工。[7] 这些体系中最极端的也许是由通用电气在20世纪80年代首创的“强制排名”（forced ranking），当时也被称为“评级与封杀”（rank and yank）。[8] 在强制排名系统里，员工根据一维标准被排名：一定比例的员工被归到平均水平以上，一定比例的员工必须被定为平均水平，而一定比例的员工则必须被划到平均水平以下。排名靠前的员工会得到奖金和晋升，而排名垫底的员工则会受到警告，或者会被裁掉。[9] 到了2009年，还有42%的大型公司仍然使用强制排名系统，其中包括微软公司，它那广为人知的员工分级评等制度被人称作“stack ranking”（多层排名）。[10]
当然，这很容易理解为什么那么多的企业在聘任和绩效评估工作中，都采用单一分数系统：这是因为它们简单易行、结果直观，还带有评价的客观性和数学的确定性。如果应聘者的排名高于平均水平，公司就聘用他或嘉奖他；如果他的排名靠后，公司就不再聘用他或解雇他。如果你想要招聘到更有才华的员工，只需要“提高标准”就行了，即提高聘用或晋升的最低分数线。
用单一数字或几个数字来对个人能力和工作表现进行排名，似乎完全是合理的。然而，到2015年时，谷歌、德勤和微软都修改或摒弃了基于排名的聘任体系和员工考核体系。
尽管谷歌维持了发展速度和赢利能力，但是在2005年左右，有迹象表明公司在选拔人才的方式上出现了错误。许多新进员工的工作业绩并不像管理层所想的那样。在谷歌内部，出现了越来越多的不满，有人认为公司招聘者和管理者忽略了许多有才华的应聘者，而这些人在大多数公司采用的指标体系中的表现并不突出，这些为人熟知的指标包括分数、考试成绩、学历和学位。[11] 谷歌负责产品质量运营的人力资源部主任托德·卡莱尔向我解释道：“我们开始花费大量的时间和金钱，去分析那些被我们认为应该录用却没有录用的‘被错过了的人才’。”[12]
2014年，德勤也开始意识到，单一分数的员工考核方法并不像期望的那样运行良好。德勤每年要花大量的时间（200多万个小时）来计算员工的绩效排名，但是这些排名的实际价值却备受质疑。[13] 《哈佛商业评论》发表了一篇由马库斯·白金汉（Marcus Buckingham）和德勤公司的领导力开发部前主任阿什利·古多尔（Ashley Goodall）共同执笔的一篇文章。他们写道，研究表明，单一分数排名系统可能无法捕捉到员工的真实表现，无法揭露为员工排名的人的特殊倾向，这让他们把这种考核办法暂停了下来。“无论是从内部还是从外部来看，很明显，人们开始认识到传统的单一分数考核体系运行得并不好，因此大家都很清楚，需要摒弃的是什么。”古多尔这样告诉我。[14]
无独有偶，微软的员工大排名完全是不折不扣的灾难。2012年，《名利场》的一篇文章将微软实行员工大排名的时期称作“失落的十年”。绩效排名体系迫使员工为了排名而相互竞争，因而扼杀了同事之间的合作；更糟的是，由此导致员工不愿与表现优异者共事，因为这样做很可能会威胁到自己的排名。文章说，微软仍在实行员工大排名，但该公司已经“变成了臃肿的官僚机构，它的内部文化无意中奖励了那些扼杀创新的经理，因为这些创新理念有可能威胁到既定秩序”。[15] 2013年年底，微软突然抛弃了员工大排名。[16] 那么，谷歌、德勤和微软哪里做错了呢？
这些创新型公司最初均抱着平均主义的观念，认为根据排名情况就可以有效地评价个人，这种观念源于弗朗西斯·高尔顿，即如果你在一个方面表现优秀，那么你在大多数方面都会很优秀。[17] 对我们大多数人来说，这种方法似乎应该有效。毕竟，一些人比其他人总体上更有才华。那么根据单一数据排名，并根据排名推测他们的潜能，难道不是很明显的事吗？然而，谷歌、德勤和微软发现，人的才能被浓缩成了一个数字，我们仅拿这个数字与整齐划一的平均值相比较，这种方法行不通。可这是为什么呢？排名的失败出人意料，它失败的根源又在哪里呢？
答案就在单一维度的思维方式。个性科学的第一原则——锯齿原则——能够解释其原因。
锯齿原则
我们的思维总是自然而然地倾向于使用一维的方法去思考复杂的人类特征，如身材、智力、性格或才能。举个例子，如果需要评估一个人的身材，我们会凭着直觉判断一个人是大个子、小个子，还是中等身材。如果听说某人是大个子，我们就会想象这个人手长、腿长、个子高，也就是说他全身所有地方都很大；如果听说某个女人很聪明，我们就会假设她很可能会解决各种各样的问题，还很可能受过良好的教育。在平均标准的时代，社会上的机构，尤其是企业和学校，都加强了我们自然形成的一维思考习惯，鼓励我们将人的价值与单一的数字做比较，如成绩、智商和薪水等。[18]
身材的锯齿性特征曲线图
但是，一旦涉及任何实际个体的特征，一维的思维方式就不再适用了。要理解这一点，最简单的方法就是仔细看看人体身材真正的自然特征。上图描绘的是两名男性的9个不同的身体尺寸，也是吉尔伯特·S.丹尼尔斯在具有突破性的飞行员研究里所分析的那9个尺寸。
谁的体形更大？这个问题看似简单，可若你比较两个人的每一个尺寸，问题就变得比想象中更难捉摸了。上图右边这个人个子更高，但是肩膀较瘦；左边这个人的腰部较粗，但是臀部与平均值差不多。你可能会尝试通过两个人各自9个尺寸的平均值，来判断谁的体形更大，但是如果做算术，你会发现两个人的平均尺寸几乎相同。与此同时我们也能看出，如果说两个人身材相同，或其中任何一个人是平均身材，都会产生误解。左边这个人有两个部位的尺寸为平均数（臂长和胸围），而右边这个人只有一个部位的尺寸接近平均数（腰围）。可见，“谁的体形更大”这个问题的答案一点也不简单。
一旦你思考这个问题，答案似乎很明显，但是千万别让这种说法给糊弄了，因为事实上，这个问题根本没有答案。原因就是不可能根据身材尺寸给人排名。这就揭示了一个有关人类的重要事实，同时也是个体科学的第一个原则——锯齿原则。该原则认为，不能用一维的思考方式来理解复杂且呈“锯齿状”的事物。准确地说，什么是锯齿状呢？锯齿状特征需要满足两个条件：第一，它必须由多个维度组成；第二，这些维度彼此之间的相关性很弱。不只人的身材具有锯齿状的特征，几乎我们所关心的所有人类特征，包括天资、智力、性格、创造力等，都是呈锯齿状、参差不齐的。
为了理解这些标准，让我们再回到有关身材的例子上来。如果问题是“谁更高”，那么答案就很简单了。高度是一维的，所以根据身高进行排名是完全可行的。然而身材就不是那么回事了。身材包含了许多维度，而且每个维度彼此之间不存在密切的联系。再来看看上图这些数据。中间的垂直数轴代表丹尼尔斯所定义的“标准飞行员”的尺寸范围。几十年来，美国空军一直都假定，大多数飞行员的身材都在这条垂直数轴内，因为他们认为拥有中等臂长的人，其腿部和躯干也会是中等长度。然而，由于身材具有锯齿状特征，因此他们最终发现这种推测是错误的。实际上，丹尼尔斯发现，不到2%的飞行员在这9个维度中的4个及4个以上维度是平均尺寸、而没有任何一个人的身材尺寸全都是平均值。[19]
如果我们将平均标准带扩大，将原本每个维度中间的30%扩展到90%，那结果又会如何呢？你可能会猜大部分人的身体肯定处于这个大范围内。然而实际上，在这个范围内的人数不到一半。[20] 事实证明，我们大多数人都至少有一个身体部位较大或较小。这就是为什么依照标准飞行员设计的驾驶舱并不适用于任何人。锯齿原则也解释了为什么诺玛模仿大赛的组织者找不到任何完全符合标准身材的人。女士们一直以来都反对美泰公司（Mattel）出售的芭比娃娃，抗议它们的身材被人为夸张了。然而，锯齿原理告诉我们，中等身材的玩偶（如诺玛身材的玩偶）同样也是不真实的。
当然，有时在权衡各种因素后，如果认为值得的话，也可以假设身材是一维的，比如大规模生产成衣。虽然不完全适合每一个人，但是我们却能买到低价的上衣和裤子。但是如果风险过高，比如你买的是一件昂贵的婚纱，或者设计汽车安全气囊之类的安全设备，或是为喷气式飞机安装驾驶舱，那么就不能无视尺寸的多维度性而妥协。如果它事关重大就没有捷径可走，你只有充分考虑到它的所有尺寸，才能做出适合的产品。
几乎任何重要的人类特征——尤其是才能——都包含了多个维度。问题是，测量才能时，人们常常依赖于平均值，将参差不齐的才能简化为单一维度，如标准化考试、学习成绩或工作绩效排名等。但是如果屈从于这种一维的思考方式，我们终将深陷困境。我们以纽约尼克斯队（New York Knicks）为例子吧。
2003年，前NBA球星伊塞亚·托马斯接任尼克斯队的篮球运营总裁一职。他的目标很明确，希望能重新打造一支世界最强篮球队。他用一维方式来评判球员的篮球水平：他只收集和记录球员的每场平均得分数。[21]
托马斯设想，既然篮球队的成功在于要比对手多得分，那么如果你的球员拥有最高的平均得分数，你就可以预测——就平均而言——你的球队将赢得更多比赛。托马斯不是唯一醉心于高得分率的人。即使在今天，篮球运动员的得分率通常也是决定他薪水、季后赛奖金以及上场时间的最重要因素。[22] 但是，托马斯把这个单一度量作为选择球队成员的最重要的标准，而尼克斯队的经济实力足以支持他的选择。事实上，尼克斯队对组建球队所用的一维方式，与企业根据学习成绩这个最主要指标来雇用员工的方式如出一辙。
尼克斯队付出了巨大的代价，组建了全NBA比赛中得分率最高的球队，却在四个赛季里输掉了66%的比赛，直接输掉了四个赛季。[23] 以一维标准组建起来的尼克斯队表现实在太糟了，在一段赛程中排名倒数第三。用锯齿原则就很容易理解它的成绩为何如此惨淡：因为篮球运动员的才能是多维的。一项针对篮球运动的数学分析表明，至少有5种能力会影响比赛结果：得分、篮板、抢断、助攻和盖帽。[24] 这5个方面技能之间的关系并不紧密，比如，通常抢断能力强的球员，盖帽能力较弱。事实上，很难找到5个方面都很强的球员。自1950年以来，在NBA历史上，几万名球员中只有5人在这5个方面都优于他们所在球队的其他队员。[25]
在最成功的篮球队里，球员的篮球技能是互补的。[26] 相比之下，托马斯领导下的尼克斯队在防守方面表现得非常糟糕。也许令人惊讶的是，他们虽然得分能力强，但进攻能力却不是特别好，因为每个球员都更专注于自己的得分，而忽略了配合队友得分。尼克斯队——就像谷歌、德勤和微软那样——最终意识到一维的选人方式并不能产生他们想要的结果。在2009年托马斯卸任后，尼克斯队重新启用了多维的球员评价方式，又开始赢得比赛，并在2012年的季后赛里重返巅峰。[27]
最弱的关联
对于人的身材和能力这类的特征，它们虽然是呈锯齿状、参差不齐的，但是，这还不足以构成多维度，多维度还要求每一个维度必须相对独立。这种独立性，用数学术语来表达，即为弱相关。
弗朗西斯·高尔顿在一个多世纪以前，开发了一套相关性的统计方法，用于评估两种不同维度之间的关系强度，比如身高和体重之间的关系。[28] 高尔顿开始将相关性的早期版本用于人类，希望证明排名的有效性：一个人的才能、智力、健康和性格之间存在紧密的联系。[29] 今天，我们将相关性用0和1之间的数值来表示，当数值为1时，表示完全相关（比如以英寸为计量单位的身高与以厘米为计量单位的身高之间的相关性）；当数值为0时，表示完全不相关（比如以英寸为计量单位的身高与土星的温度之间的相关性）。[30] 在许多科学领域，相关性大于或等于0.8，就被视为强相关；而相关性小于或等于0.4，则被视为弱相关。尽管这种明确划分“强”和“弱”的方式，从根本上讲也是很武断的。
如果一个系统里所有维度之间的相关性都很强，那么该系统就不符合锯齿理论，你完全可以采用一维的方式来分析它。让我们看看道琼斯工业指数（Dow Jones Industrial Index，简称道指）。道指是单一的数字评分，它集合了30家著名的大型“蓝筹”公司的股票价格。在每个美国股市交易日结束时，金融报纸必定会公布道指，并精确到小数点后两位（2015年1月2日的数字为17832.99），以及该数字是涨是跌。投资者们利用道指来评价股票市场的整体表现。他们有充分的理由这样做，因为在1986—2011年（共25年），道指与其他4个主要股票指数之间的相关性高达0.94。[31] 即使股票市场是多维的（在美国就有成千上万家上市公司），它的整体活力也可以用一个简单的数字来概括：用道指来评判股票市场的综合表现，最合理地运用了一维思考方式。
然而，人的身材却是另外一回事了。1972年，继丹尼尔斯的飞行员研究后，美国海军研究人员计算了海军飞行员的96个身体部位尺寸的相关性。他们发现只有少数尺寸之间的相关性大于0.7，而多数尺寸的相关性小于0.1。96个部位尺寸之间的平均相关性为0.43。[32] 这就意味着，仅知道一个人的身高、颈围或握距，并不太可能推算出他的其他部位尺寸。如果你想要真正了解一个人的身体尺寸，就没有简单的方法来总结概括。你需要知道每个部位的细节，而这些细节都是参差不齐的。
我们的大脑又如何呢？心智能力也是参差不齐的吗？当高尔顿第一次将相关性引入社会科学时，他希望科学家能发现人类不同心智能力之间存在强相关性——换句话说，我们的大脑并非呈锯齿状。[33] 其中，最早来系统验证这个假设的科学家名叫詹姆斯·卡特尔（James Cattell）。他是第一位获得心理学博士学位的美国科学家，也是测试理论的先驱，他还创造了“心理测试”这个术语。[34] 他也非常相信高尔顿的排名理论。19世纪90年代，卡特尔打算彻底证明一维心智能力观的合理性。[35]
卡特尔在哥伦比亚大学工作期间，对刚入学的大一新生进行了一系列的身体测试和心理测试，例如对声音的反应时间、说出颜色的能力、10秒过后的判断力、对字母的记忆能力。他深信，自己一定会发现这些能力之间存在强相关性。然而，他的发现正好相反。事实上，这些能力之间完全没有相关性。[36] 毫无疑问，心智能力是呈锯齿状、参差不齐的。
对于一个排名理论的虔诚信徒来说，后面发生的事情更为糟糕。卡特尔还测量了学生的学习成绩和他们在心理测试表现之间的相关性，发现两者之间的相关性非常弱。不仅如此，同一个学生在不同的班级里，其学习成绩之间的相关性同样很弱。事实是，卡特尔发现的唯一有意义的相关性，是学生的拉丁语成绩和希腊语成绩之间的相关性。[37]
在我们的现代教育体系形成初期，学校首先根据学生的“整体才能”，将他们分成平均水平、平均水平之上和平均水平之下三个层次，并围绕这个分类进行标准化改革。第一次针对这个假设的科学调查研究表明，这种做法是错误的。然而，心理学家非常确信，必然有一维的心智能力存在，即使它不易被发现。卡特尔的大多数同事都不承认他的实验结果，认为他的实验方法或实验结果分析出了错。[38]
与此同时，心理学家——继而是教育界，然后是企业界——都确定了一个概念，即各种心智能力之间具有强相关性，并可以用一维的数值来表示，如IQ（智商）。[39] 自卡特尔以来，一个接一个的研究表明，个人的智力——更不用说品格和性格——具有锯齿性。[40] 爱德华·桑代克提出的“一个方面优秀则所有方面都优秀”的观念塑造了现代教育系统，甚至他本人也做过针对学习成绩、标准化测试分数和职业成功率之间相关性的研究，发现这三者之间的相关性很弱，可是他仍然认为可以合理地忽略这个事实，因为他相信一维的“学习能力”是在学校和工作中取得成功的重要因素，即使这个假说从未被证实过。[41]
即使是在今天，科学家、企业家和教育工作者依然在依赖IQ分数这个一维的概念来评价智力。虽然我们愿意承认，智力确实有很多种，比如音乐理解力、艺术灵性或运动智慧，但是人一定拥有适用于许多领域的“整体智力”，要想撼动这个观念是很困难的。如果听说一个人比另一个人更聪明，人们就会设想，更聪明的那个人可能会把我们为其设置的任何智力题都做得更好。
让我们来看看下面这张锯齿状的智力曲线图。图中显示了两名女性的智力测试分数在韦氏成人智力量表（Wechsler Adult Intelligence Scale，WAIS）[42] 上的具体情况。这是目前最常用的两个智力测试量表之一。[43] 两个人都接受了韦氏成人智力测试，她们的10个分测验得分都标注在这个表格上了，10个分数分别反映了智力的10个方面，比如词汇量或解谜能力。通过综合计算所有分测验的分数，得出个体的总智商分数。
锯齿状的智力曲线图
资料来源：麦克·迪克斯科技有限公司
哪名女性更聪明呢？按照韦氏成人智力量表，她们两个人的智力相同，智商都是103，接近100的平均智商水平。如果要雇用最聪明的员工，那么两个人的排名相同。然而，这两名女性具有明显不同的心理优势和劣势。毫无疑问，如果需要真正了解两个人的才能，那么仅依靠智商分数是会出错的。[44]
与身体尺寸一样，韦氏成人智力量表里的不同心智能力方面之间的相关性，大部分都并不强。[45] 这表明人的心智能力是参差不齐的，不能用诸如智商分数这样的一维数字来进行描述或解释。然而，直到今天，依然很少有人能抗拒用单一排名或简单数字来评价人的智力这种诱惑。但是评价心智能力的一维方式比智力曲线图更具有误导性。如果将智力继续细分下去，比较不同种类的智力，如对词语的短时记忆和对图形的短时记忆能力，科学家研究发现，这些“多维度”之间的相关性依然很弱。[46] 不管你将自己的大脑划分得有多细，你的心智能力都是参差不齐的。
所有这些都给我们提出了一个明显的问题：如果人类的能力具有锯齿性，那么为什么这么多的心理学家、教育工作者和企业高管还在继续采用一维的思维方式来评价人才呢？原因是，大多数人都在平均主义科学观下接受教育，而这种观点毫无疑问地把系统置于个人之上。完全有可能在弱相关性的基础上建立功能评价体系：如果基于一维的观点来挑选员工，即使你可能对某一个人的评价是错误的，但是就平均而言，你挑选的人至少比随机挑选的人更好。
我们试图说服自己，弱相关的意思就是不相关。在心理学和教育界的大多数领域里，如果你发现一个相关性，比如说0.4（这就是高考成绩与大学一年级的成绩之间的相关性[47] ），通常人们会认为你的发现很重要，是有意义的。然而，根据相关性的数学原理，如果你找到相关性为0.4的两个事物，那就意味着你解释出了每个事物16%的行为原因。[48] 你真的明白解释16%的原因意味着什么吗？如果一名机械师说自己能解释导致你的车坏掉的原因之中的16%，你会愿意请他为你修车吗？
当然，如果比起个体来说，我们更关心系统的效率，那么就平均而言，理解16%的原因无疑是聊胜于无的，甚至足以为不同群体设立政策了。但是，如果我们的目标是识别并培养优秀人才，那么弱相关就会提醒我们要注意到不同的东西：只有注重每个人参差不齐的锯齿状特征，我们才会取得成功。
克服人才资源盲区
2004年，托德·卡莱尔成为谷歌公司人力资源部的分析师。公司的项目经理需要新员工，而招聘者把所有应聘者的信息集合成“招聘包”交给项目经理，以便他们选择合适的人选。卡莱尔在人力资源部的工作就是帮助项目经理和招聘者进行沟通。当时，应聘者的平均绩点和标准化考试分数在这些“招聘包”里占据了重要的地位。但是卡莱尔注意到一个非常有趣的现象：越来越多的项目经理要求招聘者加入有关应聘者的更多信息。[49] 有些经理想知道应聘者是否曾参加过编程比赛，有些经理想知道应聘者是否爱好象棋或乐队演奏。看起来似乎每一个项目经理在决定聘用员工时，都把补充材料作为参考重点。
“突然有一天，我意识到，如果传统的评价指标（成绩和分数）真的如此重要，为什么每个人都要加入明显非传统的指标作为补充呢？”卡莱尔告诉我，“就在那时，我决定做个实验。”[50] 卡莱尔私下认为，谷歌也许错过了许多有才能的人，造成这个问题的部分原因在于过分强调那几个为人熟知的指标。他相信自己可以改变公司的招聘政策，让公司能全方面地了解应聘者。由于谷歌做出生产运营的重大抉择时，主要靠的是共识而不是命令，因此卡莱尔明白，如果他要说服项目经理赞同他提出的多维才能评价观，就必须进行系统地测试研究，不仅测试他自己思考的在谷歌取得成功的能力要素，还要研究项目经理与高管所相信的成功员工的所有因素。
首先，卡莱尔列出了长长的清单，涉及300多个方面（他称之为“因素”），既包括了传统的方面，如标准化考试成绩、学历学位、毕业院校排名和平均成绩等，也包含了项目经理曾要求过的很多特殊的因素（比如，一位重要的谷歌高管建议，对计算机首次产生兴趣的年龄也许很重要）。接着，卡莱尔做了一个又一个的实验，来分析这些因素与员工成功之间的真实关系。结果令人吃惊而且清楚明了。[51]
原来，应聘者的标准化考试成绩和毕业院校的名气与工作业绩完全没有关系，同样，赢得编程比赛也无关紧要。学习成绩有一点相关，但仅限于毕业后的前三年。“然而，真正让我以及谷歌许多人吃惊的是，”卡莱尔对我说，“我们分析数据后发现，根本就找不到对谷歌大多数的工作岗位都起作用的单一变量，一个也没有。”[52]
换句话说，在谷歌，要想工作出色，其实有很多种方法。如果公司想要将招聘工作做到最好，就需要对所有员工都保持敏锐的眼光。卡莱尔发现了谷歌人才资源中的锯齿原则，继而改变了谷歌招募新人的方法。如果应聘者已经离开学校三年，他们就很少过问平均成绩，也不再要求应聘者提供考试分数。“我们也不再用原来的眼光来看待学校的人才选拔制度，”卡莱尔对我解释道，“如今的挑战不仅确定需要收集哪方面的信息，还要知道如何将其呈现出来——你必须专注于‘招聘包’里的那些最重要的因素。这个实验有助于将应聘者的才能更全面地描绘出来，以便项目经理能够做出更好的聘用抉择。”[53]
在招聘过程中考虑应聘者的不同天赋，这并不是某种复杂而奢侈的事，不是只有像谷歌那样的大公司才能承担得起这种做法。对于小公司来说，这也是在竞争激烈的就业市场上，物色并吸引顶尖人才的一种手段。IGN是一家著名的电子游戏和多媒体网络公司，它的员工人数不到谷歌的1%，其营业额更少。[54] 最初，IGN和其他公司一样，也运用一维思考方法来招聘员工。当然，如果整个科技行业的每家公司都用单一的标准，如学习成绩和标准化考试分数，那么只有少数应聘者排在顶尖位置，而这些“名列前茅”的应聘者很可能会与诸如谷歌和微软那样的大公司签约，而不会与像IGN这样的小公司签约。
IGN的高管意识到，他们想招募到有才华的员工，可是他们根本无法与其他科技公司竞争。他们只有两个选择：要么提高薪水——这样行不通；要么改变自己对才能的看法。因此，2011年，IGN启动了一个名为“代码FOO”（Code-Foo）项目，这个项目要求招聘计划中“不能有简历”，目的是要找到那些尚未被开发的编程人才。[55] 该项目为有志向的程序员提供为期6周的新编程语言培训，然后让他们在真实的IGN软件工程项目上工作。[56] “代码FOO”项目的不寻常之处在于IGN的经理评价应聘者的方式。他们完全不看应聘者的教育背景和过往经历。应聘者不需要提交简历，而是提交一份梦想进入IGN的申明，并回答4个测试他们编码能力的问题。其实，IGN也说：“我们不在乎你做过什么或者你怎样学习编程，我们只希望你能干，激情满满地在工作中施展技能。”
2011年，104人报名参加了“代码FOO”项目；28人成功入选，其中只有一半的人有技术领域的大学学位。IGN总裁罗伊·巴哈特告诉《快公司》杂志，他原本希望通过“代码FOO”项目聘请一两个人。然而，IGN最终成功聘请了8个人。[57] “这并不是说，如果你看了他们的简历就会说他们不适合这份工作。”巴哈特告诉《快公司》，“但是如果你只看他们的简历……未必会有充足的理由聘请他们。他们就是我们之前会忽略的那部分人。”[58]
通常情况下，当企业第一次接纳锯齿原则时，他们会感觉找到了发现璞玉的妙方，以甄别非传统意义上的天才或隐居的志士。然而，锯齿原则认为：虽然我们可能寻觅到被忽略的天才，但是他们并不是非传统的或者隐居着的，他们就是真正的人才，他们一直都存在，存在于各种各样的人群之中。真正的困难不是找到新方法来辨别人才，而是摆脱蒙住我们双眼的一维思维定式，是它一直在阻碍我们找寻人才。
当然，最重要的是，要解开阻碍我们审视自己的眼罩。
挖掘你的全部潜力
从韦伯州立大学（Weber State University）毕业的前期，我决定向研究生院申请继续攻读神经科学的研究生。如果能考上，我会成为我父母两边家族里第一个读研究生的人。我设法在大学里扭转局势，努力获得了好成绩，还从几位教授那里拿到了热情洋溢的推荐信。只有一件事阻碍了我前进的道路：标准化考试。
我需要参加GRE考试并考出好成绩。GRE是研究生入学考试（Graduate Record Examination），是我申请的每一个研究生项目的必考科目。[59] 当时，这个考试由三部分组成：数学、词汇和所谓的分析推理。分析推理部分的设计理念是评估考生的逻辑思维能力，由许多复杂的问题组成。比如，“杰克、詹妮、珍妮、朱莉、杰里和杰里米都同时参加晚宴。杰克不喜欢詹妮，珍妮不喜欢杰里米，朱莉爱着杰里，和詹妮总是偷朱莉的圆面包。如果他们要坐在同一张圆桌上，你应该安排谁坐在杰里米的左边呢？”
我提前6个月来准备GRE考试。然而，就在离考试只有两个星期的时候，形势变得严峻起来。我做了大约20套模拟试题。在数学和词汇部分，我一直都做得很好，但是分析推理部分却是一塌糊涂。如果按百分制计算，我的得分从没超过10分。每一次，我都会几乎全部做错。我的辅导老师，曾在分析推理部分得过满分，他与我分享了自己的做题方法。我原本以为，如果按照他的方法多做练习，那么我的成绩终究会有所提高。然而事实并非如此。朱莉、詹妮和珍妮们，所有人都难以捉摸，我似乎永远都不可能通过自己的推理找到正确答案。我再一次目睹自己的所有梦想正走向毁灭，因为很难想象有哪个研究生专业会接收在测试中只得10分的学生。
那时在父母家学习，我感到非常沮丧，就把铅笔扔到房间的另一边，差一点就戳到不经意走过来的父亲。幸运的是，他走了过来，问我发生了什么事。我告诉他，我在分析推理部分总是做得不好，还向他展示了我的解题方法。
“大部分的题目都要求你用脑子做题。”他说。
“那是当然。”我回答。“这就是做题应该用的方式。”我心想。毕竟我的老师曾用这种方法得了满分，而且在考试复习班上的其他同学们也用这个方法得到80分以上。
“但是你没有强大的工作记忆，为什么你会尝试运用工作记忆的方法呢？”他说。他知道，我的几何学得很好。“既然你的视觉思维相当不错，为什么不依靠这种思维方式来解决问题呢？”
他坐了下来，继续教我如何将每个问题转换成某种视觉表格，我用这种方法将杰里、詹妮和朱莉之间的关系精确地画了出来，画得明确而可靠。这种技巧对我来说非常容易。起初，我对此完全抱着怀疑的态度，不知道它是否管用。但是，我用它解决了一个又一个问题，而每一次它都帮我得出了正确的答案。我简直不敢相信。两个星期后，我参加了GRE考试，并得到了有史以来分析推理部分的最高分。
我的GRE辅导老师找到了适合他的锯齿状心智能力的办法来解答题目，但这不一定适合我。幸运的是，我的父亲更清醒地看到了我的优势和劣势。他帮我看清了，我的问题不是分析能力弱——我停留在一维思考方式上，运用老师教的方法，屡战屡败，因为我运用了自己的心智短板——工作记忆——来解决问题。父亲帮我找到了方法，让我运用自己的强项正确地解答考题，从而展示了我的真正才华。
我非常感谢父亲。他对我的锯齿状特征——我的个性——思考得十分细致，这使他能够提出宝贵意见，从而改变了我的人生历程。如果我没有切换到运用视觉方式来分析GRE问题的模式，我会考得很差，很可能因此永远都进不了哈佛。这就是个性科学的第一条原则所具备的能量。当我们能够欣赏别人的不同才能——我们的孩子、员工、学生的锯齿状参差不齐的才能——我们就更有可能注意到他们尚未开发的潜能，告诉他们如何利用自己的优势，找出他们的弱点，并帮助他们改正，就像我的父亲所做的那样。
而当我们开始意识到自己的锯齿状特征时，我们就不太可能成为一维思考方法的牺牲品，我们的能力也不会受到限制。如果在那次考试中失利，我很可能会认为自己不具备在研究生学习中取得成功的必要条件——毕竟，这就是考试要告诉你的。我还会降低对自己的期望值。认识自己的锯齿状特征是全面了解自身潜力的第一步。从此，我们学会了拒绝被别人的武断评判禁锢起来，拒绝别人基于平均水平而预言我们将成为什么样的人。
[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.