Oto dlaczego postęp bierze się nie tyle z geniuszu, wielkich odkryć czy przełomów, ile z nagromadzenia drobnych udoskonaleń i równowagi.
Na studiach doktoranckich z matematyki na Uniwersytecie Wisconsin-Madison moim wykładowcą logiki był David Griffeath. Prowadził wciągające zajęcia, a do nowych problemów podchodził na luzie i z otwartą głową. Dlatego ucieszyłem się, gdy dziesięć lat później spotkałem go na konferencji poświęconej modelowaniu ruchu drogowego.
Podczas którejś z prezentacji komputerowych modeli korków ulicznych, Griffeath podniósł rękę. Byłem ciekaw, co on – matematyk, logik – ma do powiedzenia o takich modelach. Nie rozczarował mnie. Bez cienia egzaltacji w głosie powiedział: „Zamiast śledzić pozycję wszystkich aut i budować skomplikowany model korków drogowych, łatwiej po prostu prześledzić ruch wszystkiego tego, co samochodami nie jest”. Reakcja sali na pomysł równie niespodziewany, co oczywisty, gdy już się go usłyszy, zawsze wygląda podobnie: chwila cichego zaskoczenia, a zaraz potem promienne uśmiechy i potakiwania. Nic więcej nie trzeba było tłumaczyć.
Pomysł Griffeatha rzeczywiście trafił w sedno. Gdy na drodze tworzy się korek, pojazdy wypełniają większość przestrzeni. Modelowanie ruchu każdego pojazdu z osobna wymaga olbrzymich ilości pamięci. Nieporównanie mniej pamięci potrzeba, by modelować miejsca, w których pojazdów nie ma. Co więcej, dynamika tych pustych miejsc może łatwiej poddawać się analizie.
czytaj także
Podobne anegdoty usłyszycie od każdego, kto bywa na konferencjach naukowych, pracuje w instytucie badawczym albo uczestniczy w grupach planistycznych, projektowych czy w strategicznych burzach mózgów. Te sytuacje mają trzy wspólne cechy.
Po pierwsze, problemy, których dotyczą, są złożone: mają wielowymiarowy kontekst, przez co trudno precyzyjnie opisać, modelować, wpływać na nie lub przewidywać ich zachowanie.
Po drugie, przełomowe koncepcje nie powstają w próżni ani nie wyciąga się ich z kapelusza. Najczęściej polegają na nowym zastosowaniu znanej już koncepcji, reguły lub wybiegu, albo na połączeniu pomysłów z różnych dziedzin – jak wtedy, gdy firma Apple wykorzystała w nowy sposób technologię rozpoznawania dotyku. Griffeath zaczerpnął swój pomysł z teorii informacji, gdzie nosi on nazwę minimalnej długości opisu. Mniej znaków potrzeba, by powiedzieć „bez L” niż by wymienić: „ABCDEFGHIJKMNOPQRSTUVWXYZ”. Korzyści z takich zdroworozsądkowych rozwiązań zwykle się kumulują. Postęp bierze się w równym stopniu z nagromadzenia drobnych udoskonaleń, co z wielkich przełomów.
Po trzecie, idee tego rodzaju rodzą się w grupach. Ktoś przedstawia problem ze swojej perspektywy, opisuje próby rozwiązania lub wskazuje, gdzie leży trudność – a ktoś inny podpowiada, jak tę trudność obejść. John Henry Holland, nieżyjący już psycholog i informatyk, zwykł pytać: „A myślałeś o tym, żeby potraktować to jako łańcuch Markowa – czyli ciąg następujących po sobie stanów oraz ich następstw?”. Tak postawione pytanie stawiało zagadnienie w innym świetle, pozwalając je lepiej zrozumieć – i często prowadziło do nowych rozwiązań.
Coraz więcej ludzkich przedsięwzięć jest już domeną nie jednostek, a całych zespołów. Nie tylko badania naukowe: także inwestowanie i komponowanie piosenek (tych dobrych). To efekt rosnącej złożoności otaczającego świata. Kiedyś budowaliśmy drogi z punktu A do punktu B. Dziś budujemy infrastrukturę transportową, która ma wymiar środowiskowy, społeczny, ekonomiczny i polityczny.
Złożoność nowoczesnych przedsięwzięć często oznacza, że nikt nie ogarnia ich w pojedynkę. Na przykład badając czynniki wpływające na nadwagę, trzeba uwzględnić środki transportu i infrastrukturę drogową, media, tendencje w gastronomii, zmiany norm społecznych, biologię organizmu człowieka oraz czynniki psychologiczne.
Dwa Big Maki, Fillet-O-Fish i cola, czyli jak Ameryka eksportuje otyłość
czytaj także
Zaprojektowanie lotniskowca z kolei wymaga specjalistycznej wiedzy z dziedzin takich jak budowa napędów atomowych, inżynieria, budownictwo okrętowe, metalurgia, hydrodynamika, systemy i sieci komputerowe, protokoły wojskowe i nowoczesna taktyka działań wojennych. A ponieważ lotniskowiec to inwestycja na długie lata, trzeba również umieć przewidywać przyszłe trendy w rozwoju uzbrojenia.
Ta wielowymiarowa czy wielowarstwowa natura złożonych problemów podważa zasadę merytokracji: że do każdego zadania trzeba zatrudnić „najlepszą osobę”. Otóż nie ma nikogo takiego. Nie ma „najlepszej osoby”. Gdy koncern biotechnologiczny taki jak Gilead czy Genentech tworzy zespół do badań nad rakiem, nie egzaminuje kandydujących i nie wybiera tych, którzy zdali go z najwyższymi wynikami, nie prowadzi też selekcji pod kątem największych osiągnięć wyszczególnionych w cv kandydatek. Zespół dobiera się za to tak, by był różnorodny: członkinie i członkowie zespołu mają wnieść do niego wiedzę, narzędzia i umiejętności analityczne z różnych dziedzin.
Wyznawcy merytokracji przyznają, że różnorodność zespołu jest jego mocną stroną, ale obstają przy swoim: ich zdaniem w każdej kategorii lub dziedzinie wiedzy należy wciąż stosować merytokratyczne kryteria. Do zespołu należy więc włączyć „najlepszych” matematyków, „najlepsze” onkolożki i „najlepszych” specjalistów od biometrii.
czytaj także
To stanowisko jest obarczone podobną wadą. Nawet w obrębie jednej dziedziny wiedzy nie istnieje żadna próba ani żadne kryterium doboru, które pozwoliłoby wyselekcjonować najlepsze możliwe osoby. Każda z tych dziedzin wiedzy jest zbyt szeroka i zbyt złożona wewnętrznie, by taki test był możliwy.
Oto neurobiologia: w ubiegłym roku ukazało się ponad 50 tysięcy artykułów naukowych poświęconych rozmaitym technikom, obszarom badań i poziomom analizy – od pojedynczych cząsteczek chemicznych i synaps po sieci neuronów. Przy tak ogromnej złożoności wszelkie próby szeregowania neurobiologów w kolejności od najlepszych do najsłabszych są skazane na porażkę. Nauka rządzi się innymi prawami niż wyścig na 50 metrów stylem motylkowym. Jest natomiast prawdą, że przy określonym zadaniu i określonym składzie zespołu badawczego, pewne osoby mogą wnieść cenny wkład z większym prawdopodobieństwem niż inne. Optymalny dobór personelu zależy od kontekstu. Optymalne zespoły są różnorodne.
Na dowód, że tak jest, można przytoczyć fakt, że najbardziej znaczące okazują się te publikacje naukowe i patenty, które łączą w sobie koncepcje z różnych dziedzin nauki i techniki. Można też przyjrzeć się budowie tak zwanej metody Random forest („losowy las”), wykorzystywanej w nowoczesnych algorytmach uczenia maszynowego. Składają się z grup drzew decyzyjnych. Jeśli taki model ma na zadanie sklasyfikowanie zdjęć, to każde drzewo decyzji głosuje: czy dana fotografia przedstawia lisa czy psa? Głosy są potem ważone, a decyduje większość. Algorytmy takie mają wiele zastosowań: mogą wykrywać oszustwa finansowe i ogniska chorób, dobierać wentylatory do konstrukcji budynku albo przewidywać zachowania klientów serwisów randkowych.
Taki model nie premiuje więc decyzji „najlepszych drzew”, ponieważ są one zwykle do siebie podobne. Wybiera zaś drzewa możliwie różnorodne, a różnorodność taką osiąga przez proces uczenia się każdego drzewa na innym zestawie danych. Można też „podkręcić” zdolności poznawcze lasu, ucząc drzewa na najtrudniejszych przypadkach – tych, które obecny las klasyfikuje błędnie. Tak powstałe zróżnicowane lasy podejmują więcej trafnych decyzji.
czytaj także
Mimo wyciągnięcia wniosków nawet przez algorytmy, wiara w merytokrację nadal jest przemożna. Korporacje, organizacje pozarządowe, urzędy państwowe, uniwersytety, a nawet przedszkola wciąż testują, egzaminują, oceniają i wyłaniają spośród siebie „najlepszych”. Takie podejście do tworzenia zespołu w praktyce gwarantuje, że jego skład nie będzie optymalny. Będzie za to homogeniczny, bo tak się dzieje, gdy klasyfikujemy ludzi według jednolitych kryteriów. A kiedy do klasyfikacji wkradają się uprzedzenia, powstaje zespół do złudzenia przypominający osoby, które decydowały o jego składzie. Tak powstałe grono prawdopodobnie nie dokona przełomowych odkryć. Jak mówi Astro Teller, CEO korporacji X, czyli „fabryki eksperymentów” koncernu Alphabet, do którego należy także Google: „Dla nas istotne jest angażowanie osób, które podejdą do zagadnienia z różnych stron. Kiedy próbuje się czegoś po raz pierwszy, zatrudnianie ludzi, którzy wyglądają tak jak my i myślą tak jak my, nie daje najlepszych rezultatów”. Trzeba widzieć cały las.
**
Scott E Page jest profesorem na University of Michigan, wykłada m.in. systemy złożone, nauki polityczne oraz ekonomię. Jego ostatnia książka to The Diversity Bonus: How Great Teams Pay Off in the Knowledge Economy (2017).
Artykuł z serwisu Aeon, przedrukowany na licencji Creative Commons. Z angielskiego przełożył Marek Jedliński.
