были эмпирические достижения, основанные на методе проб и ошибок и экспериментах умелых специалистов, пытавшихся увеличить производительность труда, а значит, и прибыль своих фабрик [155].
Обратите внимание на последнее предложение: все эти изменившие мир механизмы, как и распылитель Unilever, разработаны методом проб и ошибок. Дилетанты и ремесленники, люди практического ума, решавшие практические проблемы, разрабатывали конструкцию этих машин, экспериментируя, ошибаясь и учась на своих ошибках. Они не до конца понимали теорию, которая лежала в основе их изобретений. Они не смогли бы рассказать о них на языке науки. Однако им, как и биологам Unilever, это было попросту не нужно[33].
Здесь схема, отражающая причинно-следственные связи в инновациях, может дать сбой. Возьмем первый паровой двигатель для водяного насоса. Его сконструировал Томас Ньюкомен, не слишком грамотный провинциальный баптистский проповедник и торговец скобяными изделиями. Впоследствии этот двигатель был усовершенствован Джеймсом Уаттом. Оба изобретателя основывались на интуиции и практике. Но успешно работающий двигатель ставил важный вопрос: почему он все-таки работает (вопреки всем известным тогда законам физики)? Эта проблема вдохновила французского физика Николя Леонара Сади Карно, и он сформулировал законы термодинамики. Метод проб и ошибок породил технологию, которая породила теорию. Линейная модель наоборот.
В прекрасной книге «Антихрупкость» Нассим Николас Талеб показывает, что линейная модель неверна (или по меньшей мере вводит нас в заблуждение), чему есть множество примеров – начиная с кибернетики и деривативов (производных финансовых инструментов) и заканчивая медициной и созданием реактивного двигателя. Во всех этих случаях, как показывает история, новшества возникали в результате действий, аналогичных действиям биологов компании Unilever, а затем они оформлялись в эмпирически полученные и практически применимые технологии. Зачастую проблемы были слишком сложны, чтобы их можно было решить на уровне теории или чертежа или на семинаре в аудитории университета. Такие проблемы решались людьми, которые ошибались, учились на своих ошибках и ошибались вновь.
Особенно интересно в этом плане посмотреть на архитектуру: широко распространено убеждение, будто древние сооружения вроде соборов с их необычайными формами и деталями создавались благодаря формальной геометрии Евклида. Как еще могли древние возвести эти величественные здания? На самом деле геометрия не играла тут почти никакой роли. Как показывает Талеб, почти однозначно можно сказать, что, наоборот, практическая мудрость древних зодчих вдохновила Евклида на сочинение «Начал», чтобы формализовать то, что уже было известно строителям.
«Взгляните на трактат Витрувия „Об архитектуре”, библию архитекторов, написанную через триста лет после евклидовских „Начал”, – пишет Талеб. – В этом трактате почти нет опоры на геометрию и Евклид, само собой, не упоминается. По большей части Витрувий пишет об эвристике, о том типе знания, которое архитектор передает своим ученикам… При этом строители как-то рассчитывали сопротивление материала, которое мы сегодня рассчитываем при помощи уравнений, и старинные здания по большей части стоят до сих пор» [156].
Эти примеры вовсе не доказывают, что теоретические знания бесполезны. Как раз наоборот. Теоретическое обоснование важно даже для чистых практиков, решающих деловые задачи. Очень часто бывает так, что новые теории приводят к важнейшим технологическим прорывам (скажем, атомная бомба – это следствие появления теории относительности).
Главная проблема – скорость. Изменения теории сами по себе происходят благодаря механизму обратной связи, как мы и отметили в третьей главе: наука учится на ошибках. Но когда теория терпит неудачу, скажем, математики Unilever оказываются неспособными создать модель эффективного распылителя, требуется время на то, чтобы создать новую теорию, которая объясняла бы все явления в данной области. Для получения практического знания нужно просто попробовать деталь другой формы. Подстройка, доработка, обучение на практических ошибках хороши тем, что дают быстрый результат. Теоретические прорывы могут быть чудесными, но случаются крайне редко.
В итоге технический прогресс – это сложное взаимодействие между теоретическим и практическим знанием: каждое из них поддерживает другое в восходящей спирали[34]. Однако мы часто не обращаем внимания на беспорядочный, повторяющийся, идущий снизу вверх аспект таких перемен – нам легче рассматривать изменения мира, так сказать, сверху вниз. Мы стараемся понять его сверху, а не постичь снизу.
Эта тенденция достаточно ярко заметна, среди прочего, в истории искусственного интеллекта. Когда в ходе знаменитого матча 1997 г. гроссмейстер Гарри Каспаров проиграл компьютеру Deep Blue, знаменитая «победа машины» вызвала к жизни настоящую бурю. Эта победа сплошь и рядом объяснялась тем, что «компьютеры умнее людей».
Между тем по-настоящему удивительным было то, что Каспаров продержался так долго. Люди способны анализировать три хода в секунду, не более. Deep Blue за то же время просчитывал 200 млн ходов. Он спроектирован так, чтобы изучать множество различных возможностей. Однако, и это самое важное, компьютер не в состоянии анализировать все потенциальные ходы из-за слишком большого количества комбинаций (шахматы характеризуются высоким уровнем сложности). Более того, хотя программа Deep Blue содержала немало шахматной премудрости, она не позволяла компьютеру учиться на собственных ошибках после каждой следующей игры.
Все это давало Каспарову скромный шанс на нелегкую победу, поскольку у гроссмейстера было кое-что, чем компьютер похвастать не мог: практическое знание, полученное методом проб и ошибок. Взглянув на расстановку фигур на доске, Каспаров благодаря большому опыту оценивал положение и сразу выбирал ход. Именно это практическое знание почти привело его к победе, несмотря на вопиющую разницу между быстро считающей машиной и медленно считающим человеком. Deep Blue выиграл со счетом 3½: 2½.
Но с тех пор искусственный интеллект развился [157]. Одна из популярных идей сегодня – это обучение на основе временных разностей (temporal difference learning, или TD-обучение). Разработчики программы TD-Gammon, умеющей играть в нарды, не стали закладывать в нее описания разных партий или возможность анализировать большое число ходов. Программа делает ход и предсказывает развитие ситуации, после чего сравнивает свои выводы с тем, как противник отреагировал на самом деле. Так программа совершенствует свои прогнозы от игры к игре.
По сути TD-Gammon работает методом проб и ошибок. Она выработала практические знания, круглыми сутками играя в нарды сама с собой. Когда она начала играть с людьми, то победила лучших игроков в мире. Программное обеспечение, позволившее машине учиться на ошибках, весьма сложно, но главное преимущество компьютера в том, что он никогда не спит и может практиковаться постоянно.
Другими словами, он может чаще терпеть неудачи.
Прежде чем перейти к тому, как применять все вышесказанное на практике и в какой форме мы можем воспроизвести эволюционный процесс в бизнесе и в частной жизни, ответим на сразу же возникающий вопрос: разве не очевидно, что мы должны проверять наши предположения, если это можно сделать с приемлемыми затратами? С чего бы бизнесменам, политикам и спортсменам поступать по-другому?
Увы, как выясняется, на пути проб и ошибок встает мощное препятствие, барьер, который не дает многим из нас использовать эволюционный процесс себе во благо. Суть этого барьера очень проста, хотя его влияние на нашу жизнь удивительно велико. Если говорить вкратце, мы устроены так, что считаем мир куда проще, чем он есть. А если мир прост, зачем беспокоиться и проводить какие-либо проверки? Если мы уже знаем ответы, потребность в сомнениях бессмысленна.
Стремление недооценивать сложность всего того, что происходит вокруг нас, – хорошо изученный аспект человеческой психологии; за ним стоит в том числе так называемое искажение нарратива (повествования). Этот термин придумал философ Нассим Николас Талеб. Искажение нарратива изучено нобелевским лауреатом Даниэлем Канеманом. Оно относится к нашей склонности придумывать истории о том, что мы видели, после события.
Вы наблюдаете искажение нарратива в действии, когда экономист в вечерних новостях объясняет, почему в течение дня рынки вели себя именно так, а не иначе. Аргументы экономиста часто кажутся безупречными. Они интуитивно понятны и изложены в удобоваримой форме. Но сразу возникает вопрос: если поведение рынков легко объяснить, почему экономист не в состоянии предсказать, какой будет ситуация на рынках завтра? Почему он всегда догоняет уходящий поезд?
