Преломление. Наука видеть иначе - страница 98
Когда Apple начала работать над своим революционным смартфоном, работники компании были уверены в необходимости нового сенсорного экрана с функцией мультитач — это в корне изменило бы работу с пользовательским интерфейсом. Но дизайн телефона был все еще непонятен. Один из подходов назывался Extrudo и предполагал изготовление корпуса из экструдированного алюминия с утолщенной серединой и скошенными краями. Однако Джони Айв не вполне был доволен этим решением, поэтому предложил другой — Sandwich, корпус которого состоял из двух половинок из специально разработанного стекла. Айв и его команда усложняли, одновременно принимая возможность того, что оба варианта хороши, чтобы помочь им обнаружить то, чего, собственно, и не было (может быть, недостающее звено или то, чего не хватало?). В конце концов Айв не выбрал ни одно из этих решений и вернулся к изначально разработанному дизайну… Это было третье убеждение, которое команда никогда бы не приняла просто так, не усложнив процесс и не разработав еще два, в итоге не принятых.
Модель усложнения изначально уходит корнями в биологию, поскольку развитие, обучение и эволюция и есть итеративные (многократные) процессы, но именно по этой модели и работают компании Кремниевой долины. Можно сказать, что новаторские организации Кремниевой долины не делают ничего нового, только повторяют то, что изначально и постоянно делают слизевики (миксомицеты[84]) или мозг.
Существует несколько премудростей и стратегий, которые помогают убедиться в успехе усложнения. Их вывели в своей диссертации два сотрудника моей лаборатории — Дэвид Малкин и Уди Шлезингер.
Возвращаясь к допущениям моделирования как к сети, мы показали, что чем сложнее сеть, тем вероятнее, что «лучшее» решение будет существовать в вашем пространстве поиска просто потому, что большое количество взаимосвязей увеличивает количество потенциальных решений (как на нижнем рисунке). В очень простых системах все иначе, там всего несколько возможных вариантов (как на верхнем рисунке). Проблема в том, что сложные сети плохо приспосабливаются к условиям (это называется низкой способностью к развитию). Поэтому, если ваше пространство возможностей — сложная система, самый высокий пик, скорее всего, будет существовать в ней, но эволюционный процесс вряд ли найдет его. Таким образом создается парадокс: сложные системы могут помочь нам адаптироваться, но не очень хорошо адаптируются сами.
Итак, как же найти лучшее решение?
Развивайтесь.
Начните с одного-двух измерений, а затем добавьте. На рисунке далее показаны стадии развития одной и той же системы. Мы с Дэвидом Малкиным называем это «суперландшафт»; здесь возникает уникальная идея, которая добавляет к пространству поиска еще один компонент — время (обычно представляющееся статичным). Обратите внимание: система начинается очень просто… с единственного пика. Но со временем (оно показано на оси Z) количество пиков постепенно увеличивается, появляется больше составляющих, и в конце графика система становится очень сложной — количество пиков достигает пяти. Удивительно: если человек подобным образом расширяет свою сеть, лучшее решение в самом сложном состоянии становится тем вариантом, вероятность найти который выше всего… когда на каждой стадии усложняющаяся система старалась минимизировать «энергетическое состояние». Так происходит в отличие от ситуации, когда мы ищем то же самое решение, но в первую очередь подходим к более сложной системе, то есть она начинается со сложности. Это все равно как, начиная с простого состояния, мы можем прогуливаться по горному хребту от самого низкого места до вершины. Так мы могли пройти мимо долин низкоразмерной системы, добавляя высокое измерение, которое называется обходной путь через экстраизмерения. Результаты подводят нас к весьма важному, хотя и парадоксальному (и при этом, по общему мнению, не бесспорному), принципу: добавление так называемого шума (то есть случайного элемента) к системе может повысить ее способность к адаптации. Принцип действительно спорный, но если это так, тогда некоторые гены должны существовать не потому, что дают определенный фенотип, но потому, что увеличивают размерность
