終結平庸：哈佛最具衝擊性的潛能開發課，創造不被平均值綁架的人生

推薦序 一到十分，你給這個人打幾分？ 江湖人稱S姐      
推薦序 儘管會製造麻煩，我們都需要「奇點」 蘇文鈺

前言 平均值是個假議題？
為何我們明知分數並不會反映真實的自己，卻仍接受它代表一種客觀事實？

第一篇    平均觀時代
第一章    平均觀問世
十九世紀初，第一波「大數據」浪潮席捲而來，而且以偏概全：如果你數學不好，你的容貌和品行大概也不好。
第二章    我們的世界如何走向標準化
你有沒有發現自己早就是「人類單位」，只是個統計數字，一個平均勞工，一個平均學生？這一切要從講求效率的泰勒主義說起……
第三章    推翻平均觀
為何儘管有諸多研究證明平均觀不適用評估個體，卻依舊無法推翻？只因為平均主義是最好用的工具？難道沒有其他的取代方案了嗎？

第二篇 個體性原則
第四章    各自精采的才能
二○○三年的紐約尼克隊，耗費巨資組了NBA平均得分總數最高的夢幻球隊，卻連輸四個球季，他們是錯估了哪件事？ Google、IGN又是如何找到人才的呢？
第五章    特質是一種迷思
有位徵才顧問大膽地介紹一位藥劑師擔任新創產業的人資，他的理由是什麼呢？
第六章    我們都是開路先鋒
學習只能如階梯般，一直向上發展嗎？如果像是一張網，開枝散葉地向外延伸呢？

第三篇  個人的時代
第七章  當企業寄望於個體性
企業往往把員工視為可替換的勞力，導致員工失去任何使命感。但有三間公司不這麼認為，他們做了哪些讓他們超越業界的事情？
第八章  取代高等教育中的平均觀
教育最殘酷的事實是：如果想比別人好，就必須先和大家一樣。但文憑究竟能證明什麼？
第九章  重新定義「機會」
齊頭式的平等真的就公平嗎？為何羅斯博士說教科書應該設計成給「邊緣人」會比較好？

推薦序

一到十分，你給這個人打幾分？
江湖人稱S姐

　　在過去社會裡，多數人在詢問他人判斷事物或績效的標準就是及格╱不及格，判斷條件從單一執行╱效率層面到多維度層面至全方位三百六十度績效評估法則的演進，如果在平均值以上似乎較能被接受，平均值以下就必須進入觀察，這在企業、學校教育、個人感情，甚至家庭教育都有可能發生，似乎永遠有辦法標準化評估並分類。從獵人頭顧問的角度來看，若要替企業解決適才適所的議題，部門中就不能都是A咖，必須有不同等級或專業的人組合起來才可能和諧。而這本書定義了不同的評估標準，讓我對於企業用人與求職者之間的矛盾關係有了新的想法。

　　在企業端，公司高層總把人頭數字化，玩組織遊戲與分析遊戲。這個部門需要多少人，這個單位創造出多少價值或是替公司節省多少成本為考量，越標準化的流程越能保證品質。如果此產品不賺錢就裁員或將此單位流放邊疆等著被收購拿一筆，如果組織因為員工滿意度不高有流動率，就只是補人數或乾脆遇缺不補，說到底就是數字遊戲。在過去工業化社會裡也許可行，績效決定薪資或獎金漲幅，所以工作者也樂得藉由工作表現爭取更高的薪水，導致長久下來組織為了利益而不惜產生衝突或鬥爭。

　　反觀，數字化管理和個體員工的成長是上下矛盾的，員工需要被認同、需要被知道他是誰、能貢獻什麼。隨著資訊取得普遍，個人意識成長，更多人開始認知人生不是只有工作，還有很多值得追尋的事物與興趣，渴望改變，甚至積極參與教育改革，認為知識及資本不再是由上位者控制，而是個體力量的結合，並對於既有體制提出反動。

　　所以近十年各種新創公司崛起並快速擴張是有脈絡可循的，因為他們將員工視為資產，以人為核心而非產品為核心，從個體中發現璞玉，並予以彈性空間任其發揮，甚至免費訓練員工，這讓不少大型企業在近五年受到極大衝擊而必須回過頭來重新檢視員工價值。這些力量並非單一事件，而是大量個體意識集合。

　　然而，拋棄舊有思維比接受新思維難多了，科技的進步及個人意識崛起，依照個人職能來執行最合適的事務並有各種新興職位是下一步人才發展關鍵。未來的教育路徑會和現在的上下課、午休、課後進修等的模式有所差別，學習沒有年齡差距，十五歲的小孩和四十歲的學生進修同一門專業；工作也許會和現在的週一到週五打卡上下班、在一個辦公室共事方式有所差距—同事將來自世界各地而且虛擬實境，甚至可能彈性選擇工時。相信在企業與個體專注於各自強項並協同合作後，這是有可能發生的。

　　個體都應該跳脫系統及體制思維，因為一旦適應了，就會接受一切的不合理。個體在未來被定義擁有多種角色及特質，而不是過去的一張名片或單一行為定義價值。可能白天是行銷主管，其他時間是個好媽媽，是個鋼琴老師，是個到處旅行的背包客。

　　《終結平庸》透過大量案例及分析研究重新定義過去所謂的「平均值」，帶你了解過去以平均值為基準的武斷篩選方法早已不存在，透過了解個體各種層面的參差性找出個人潛能，拒絕盲目追求大眾要求的平均值之上，學校應該教育倫理而非知識，社會應該教育生存及挖掘潛能。個體創造機會的時代已經來臨，本書值得仔細閱讀，了解歷史脈絡及演進，進而找出個人方向與目標。
推薦序

儘管會製造麻煩，我們都需要「奇點」
蘇文鈺

　　在大學裡，我教過機率、統計與隨機過程，也常常是各類考試題目的出題者，這幾門課都很不容易，我曾經自承這是數學領域裡我比較弱的科目，不好懂，也不好教，學生要能聽懂後再來應用，必須花上好幾年的時間。時下機器學習正夯，若要把機器學習學得全面，學好機率統計是首要之務。

　　因為難懂難教，所以機率之中會有幾個數值是常用的，例如平均值（mean），變異數（Variance），相關係數（Correlation Coefficient），歪曲（Skewness）……等，這些是經過統計之後所產生的一個機率事件的代表數值。而且在大數法則下，許多的機率事件最後統計時可以用高斯分布（Gaussian），Chi Square與學生分布（Student's T）來逼近。

　　也就是說，因為很難一下子把概念解釋得清清楚楚，所以最後乾脆教幾個標準作法，然後查表得出幾個標準參考數值，讓大家在多數的情況下可以一用。

　　但是在工程領域，我們也很注重所謂的奇點（Singularity），因為奇點通常不是麻煩製造者，就是突破研究的關鍵。想在研究上有突出貢獻，非得有不同於一般的想法，這就是奇點。現下那種炒冷飯大雜燴式的論文是不太有可能會產出讓人類真正進步的技術的。偏偏前者很少見，後者滿天飛。

　　* * *

　　在所有的機率統計學所產生出來的代表值之中，又以Mean為最普遍，講簡單一點就是取平均值（Averaging）。
 
　　所以，「平均」每年論文多的教授相對會做研究、考試成績高的代表腦袋好、研究計畫多的代表會實作……諸如此類的看法充斥整個台灣。

　　平均值有沒有用？我相信是有的。例如，我也覺得填鴨式教育對「很多」學生有用，而用考試的方式來評量學生的學習也「可能」適用「多數」人。但是因為只是「可能」，所以這些「多數」也可能是統計下的結果，事實上沒有你想像的這麼多。這樣子的數字，其實容易造假，所以大家拚命寫論文。

　　即使不造假，統計也是會騙人的。往往兩個研究對象一看就知是截然不同的，但是因為量測數值平均的結果（average）很接近，人類的簡化思考就相信兩者之間沒有差異，這就是蒙著眼睛說話了。之所以會這樣，若不是統計模型沒做好，就是忽略了奇點。

　　* * *

　　過去的環境因素，我們希望趕快產出不要問太多、會做事就好的「人才」，因此，均等式的教學、反覆的練習、生產線式的學校、公平的入學方式……等，以「平均值」為依歸的教育與經營思維主導了整個從小學一直到教授升等的運作。

　　但是我們往往忽略了隨意濫用「平均值」是一件可怕的事，同時忘記該努力去找出「奇點」，以致社會的進步也大幅延滯了。

　　找出這些看似來惹麻煩的奇點，幫助這些奇點，讓他們可以對社會產生巨大的貢獻，將是台灣往上提升的很重要的一件事。

　　但是，我也想提醒大家，事實上，適合填鴨與考試的學生也「可能」「不少」，別只是把光芒放在一些奇點厲害人物身上，而忽視了更廣大的人們的需要，後者也許對於推動大幅進步時貢獻不大，卻是整個社會安定緩步前進的力量。

　　這也是Program the World（愛自造者學習）協會會持續努力的方向。也是很多像是均一教育平台等前輩組織努力在前面引導我們的。