11. Конец средней науки
Многие из нас хотели бы посвятить себя работе, которая не только хорошо оплачивается, но еще является содержательной и важной. Мы желаем, чтобы наша работа отличалась значимостью. Одни из нас захотели стать учителями, другие — врачами, третьи — специалистами в области физики частиц. В огромном сонме профессий легко не обратить внимания на тот факт, что все современные специальности в той или иной мере зависят от научных разработок. А как обстоят дела у науки? Можно ли говорить о том, что среднего более не дано и в ней?
Наука представляет собой общую систему прогнозов, контроля за нашей средой обитания и понимания нашего мира. Тем не менее я считаю, что в практическом применении и понимании науки назревают существенные перемены. И причина этого вряд ли кого удивит: машинный разум. В конце концов мы придем к тому, что более не сможем понимать значительные области науки, на которых зиждется наша работа и наша жизнь — а многие этого не понимают уже сейчас. Нелогичность и неспособность понимать — уже не редкость в квантовой механике. И эта тенденция непонимания продолжится.
Мы находимся на необычном этапе в истории науки: многие из важных научных результатов все еще могут быть поняты людьми с хорошим образованием и, само собой, хорошо подготовленными, эрудированными учеными. Множество научно-популярных книг достаточно информативны. Возможно, они не наделяют вас способностью судить о потенциальных направлениях развития в той или иной области или понять все детали. Тем не менее многие американцы, не будучи учеными, способны следить за некоторыми из основных направлений развития, скажем, эволюционной биологии или общей теории относительности Эйнштейна.
Нам, однако, не следует принимать нынешнее состояние нашего понимания науки как данность. Речь идет не о снижении образованности как таковой, а о том, что наука сама по себе во многих областях выходит за рамки понимания обычным человеком. Большая часть науки станет более трудной для понимания, по крайней мере в силу трех причин:
1. В некоторых (не во всех) научных областях рассматриваются все более сложные проблемы, не поддающиеся простым, основанным на логике, прорывным решениям.
2. Работа научного специалиста становится все более специализированной. Это тенденция, которая наблюдается в течение столетий и которая вряд ли прервется.
3. Уже недалек тот день, когда умные машины сами станут высококлассными учеными.
Общая обескураживающая картина позволяет говорить о неспособности отдельного человеческого мозга понять науку функционирования нашего мира.
Специализация
По мере развития науки каждое новое открытие второстепенного характера является скорее результатом специализированных исследований, а не следствием общих научных прорывов — в отличие от того, что наблюдалось прежде. Скорее всего, у нас уже не будет нового Исаака Ньютона, Адама Смита или Евклида, поскольку наиболее фундаментальный вклад в исследовавшиеся ими области науки уже сделан. Новые фундаментальные открытия еще впереди, однако делаться они будут черепашьим шагом и, скорее всего, целыми исследовательскими коллективами, а не гениями-одиночками, открытия которых отличаются масштабностью и неожиданностью. Ничего плохого в этом нет. В действительности, это лишь является отражением некоторых положительных особенностей, присущих науке, таких как быстрота и интенсивность обмена информацией, наличие большого числа очень талантливых людей, работающих над крупными, еще не решенными проблемами, и того факта, что значительная часть фундаментальных открытий уже сделана. Наука стала в значительной мере более коллективным занятием, чем это было когда-то: личный вклад отдельного исследователя теперь существенно меньше, даже в периоды значительного научного прогресса.
Мы уже оказались на таком этапе, когда не существует общего понимания того, что следует рассматривать в качестве «доказательства» математической теоремы. Крупная по значимости теорема может занимать десятки или сотни страниц и основываться на сотнях предыдущих решений из различных областей математики. Разрабатываемые сегодня теоремы основываются на разделении труда: ни один человек в буквальном смысле слова не знает, верна ли та или иная теорема; вместо оценки одним человеком отдельные части теоремы распределяются между соответствующими математиками. Решение о том, доказана теорема или нет, является коллективным, а полезность теоремы становится очевидной уже потом — при ее практическом применении.
В 2010 г. сотрудник исследовательской лаборатории Hewlett-Packard Винэй Деолаликар заявил о доказательстве знаменитой математической проблемы о равенстве классов сложности P и NP, одной из знаменитых математических задач тысячелетия, за решение которой назначена премия в миллион долларов США. Даже сам Деолаликар поначалу не мог сказать, верно ли его доказательство. Он выложил предполагаемое решение в форме стостраничного документа в сети Интернет для того, чтобы с ним могли ознакомиться другие ученые. Но даже через год после публикации в Интернете вопрос о правильности доказательства оставался открытым. Многие математики были настроены скептически, а сам Деолаликар признал, что в первоначальной версии решения содержались ошибки. Доказательство было им пересмотрено, после чего он заявил об успешности решения. Каждая из частей доказательства была подвергнута анализу отдельными специалистами, по результатам которого скептицизм только усилился. На момент, когда я пишу эти строки, вопрос о верности доказательства остается открытым, а математическое сообщество все больше склоняется к тому, что решение, предложенное Деолаликаром, неверно.
Григорию Перельману повезло больше. В марте 2010 г. ему была присвоена премия в один миллион долларов за доказательство одной из математических задач тысячелетия, гипотезы Пуанкаре, формулируемой следующим образом: «Всякое односвязное компактное трёхмерное многообразие без края гомеоморфно трёхмерной сфере». Если вы считаете, что подобную формулировку трудно понять, представьте, насколько тяжело для понимания само доказательство. Оригинал доказательства был представлен гораздо раньше — в форме серии публикаций в 2002-2003 гг., но, конечно, определить сразу, что доказательство верно, было нельзя. (Кстати, Перельман отказался от премии, заявив, что ни деньги, ни слава его не интересуют.)
Когда речь идет о сложных доказательствах, никто не в состоянии понять значение или суть теоремы в одиночку, даже если ее концепция и определена достаточно ясным образом.
Специализация видоизменяет также и прикладную науку и сферу научно-технических разработок. В прошлом исследователь или потенциальный изобретатель был способен за несколько лет узнать все об интересующей его научной или прикладной сфере, в полной мере овладеть тематикой и достаточно быстро предложить собственные изобретения, работая в одиночку или с небольшим числом соавторов. Так, многие из крупных изобретений, легших в основу Промышленной Революции, были сделаны любителями. Сейчас это сделать гораздо сложнее, поскольку развитые сферы науки отличаются огромными объемами знаний. Освоение многих научных областей требует десяти, а то и более лет изучения, и к тому моменту, как вы его завершите и придумаете что-то новое, может получиться так, что ваш вклад окажется второстепенным либо несколько устаревшим. Пока вы пытались познать соответствующую область науки, границы ее знаний сдвинулись. Если вам удастся внести что-то новое, вам будет понятно, в чем именно предложенное вами решение предпочтительнее тех, что были до вас, однако ваше общее представление о предложенном решении может быть достаточно примитивным, поскольку в основе вашего понимания будут лежать знания других людей.
Исключением из правил являются новые области науки и технологий. Как уже было отмечено выше, Марк Цукерберг проявил себя пионером в разработке программного обеспечения для социальных сетей еще будучи студентом Гарвардского университета. Чтобы разобраться в технологиях функционирования социальных сетей, ему понадобилось не слишком много времени, и вскоре он уже сам видоизменил пределы данной области фундаментальным образом. Получая при создании Facebook достаточную поддержку со стороны, Цукерберг опирался на решения для более ранних социальных сетей, таких как Friendster и Myspace, однако Facebook в значительной мере явился отражением его собственных взглядов и опыта. В течение по крайней мере первых лет существования своего детища Цукерберг самым внимательным образом продумывал программу развития Facebook. В то время социальные сети были новым явлением, поэтому сделать фундаментальный вклад в их развитие было достаточно несложно.
Способность «пройти путь в одиночку» годится для быстро развивающихся технологических областей и работы энтузиастов-любителей. Отдельные лица и небольшие коллективы способны внести существенный вклад в развитие той или иной области, обходя бюрократические и регламентирующие препоны. Цукербергу требовались начальная помощь и стартовый капитал, однако немногие люди были в состоянии отсоветовать ему браться за эту затею. После первоначального успеха Цукерберг доказал способность видеть пути развития своего продукта в долгосрочной перспективе, а при необходимости — вносить оперативные изменения. Таковы преимущества работы над технологическими новинками небольшими коллективами. Сегодня «разработка хорошего программного обеспечения для социальных сетей» стала более зрелой областью, поэтому разработчики все в большей степени специализируются на совершенствовании уже существующих технологий. Социальные же сети в целом становятся все менее доступными для всеобъемлющего понимания отдельными специалистами, включая и самого Цукерберга.
Большая часть областей науки и прикладных технологий не дождутся своих Марков Цукербергов, поскольку фундаментальные прорывы в них — дело прошлого. Довольно трудно придумать новую конструкцию автомобиля сидя у себя в гараже или комнате студенческого общежития. Тем не менее в настоящее время наблюдается некое подобие гонки. Хотя научный прогресс и делает вклад со стороны одиночек делом сложным, машинный интеллект предоставляет новые возможности для энтузиастов-любителей и нонконформистов. Гениальные машины способны сыграть роль целого научного коллектива. Предположим, что вы не в состоянии проверить свою идею, касающуюся усовершенствованной конструкции шин для мокрой дороги, с помощью опытного водителя и снабженного соответствующими шинами автомобиля. Но, возможно, вы сможете добиться результатов с помощью компьютерного моделирования, даже если в вашем распоряжении и не будет ресурсов компании General Motors.
В любой исторический момент времени будут возникать новые научные и технологические области, в которых специалистами будут предлагаться не только новые, но и фундаментальные решения, способные преобразовать целые области знаний довольно быстро, и, возможно, данные специалисты будут способны держать полные объемы этих знаний у себя в голове. Тем не менее в связи с накоплением человечеством огромных объемов знаний подобные инновационные области будут представлять собой лишь небольшую часть нашего научного понимания мира. Наука все больше напоминает собой государственный бюрократический аппарат, а государственный бюрократический аппарат отличается тем, что никто не имеет о нем полного представления. В моей профессиональной области, экономике, коллективные публикации с большим числом соавторов встречаются все чаще. То же самое можно сказать и о прочих областях науки.
Осмелюсь предположить, что однажды наука будет еще больше напоминать собой религию с колдовством — вследствие того, что она становится все менее доступной пониманию человеческим разумом. Рабочие части науки будут скрыты от посторонних глаз точно так же, как скрыты функциональные части iPhone, без знания которых понять принципы работы устройства невозможно. При взгляде на научное сообщество вам предстанет бюрократический аппарат, проявления же науки в вашей повседневной жизни и трудовой деятельности будут напоминать собой волшебство.
Неразрешимые задачи
Существует еще одна причина того, почему многие из областей науки станут еще более сложными для понимания.
Лет тридцать-сорок назад было логичным предполагать, что для таких сложных областей науки, как космология, фундаментальная физика, генетика и даже макроэкономика будут найдены достаточно простые, легко объяснимые, вполне наглядные подходы. Например, общая теория относительности Эйнштейна, кажущаяся на первый взгляд нелогичной, отличается достаточно простой структурой. Как только вы разобрались в ней, вы начинаете ее понимать и в состоянии мыслить соответствующим образом. Вы оказываетесь в состоянии рассуждать о парадоксах путешествия во времени, понимать некоторые трюки из научно-фантастических фильмов и даже определять, когда эти трюки плохо соотносятся с научными принципами. А некоторые из нас способны даже вывести это в виде формул.
Уже в наше время надежды на относительно простые с точки зрения понимания научные прорывы во многих областях науки разбиваются о скалы разочарования. Несмотря на многочисленные достижения науки, объяснение мира, с концептуальной точки зрения, выглядит еще более запутанным, чем раньше. Объяснения человеческого поведения на основе генетических особенностей множатся, а связь между генами и внешностью и физическими данными становится все менее внятной и все более запутанной. Даже рост человека — без сомнения, наследственная характеристика — зависит от десятков различных генов, и по мере продолжения исследований их число постоянно увеличивается. Нам не найти «ген гомосексуальности» или «ген аутизма», даже несмотря на то что и в гомосексуальности и в аутизме гены играют первостепенную роль.
Или взять, к примеру, недавнее обнаружение бозона Хиггса. С одной стороны, его обнаружение обещает доработку предыдущих теорий элементарных частиц и эмпирическую проверку ждущих подтверждения предположений. С другой стороны, исследователи уже ломают головы над более глубокими принципами «Теории великого объединения», которые мы пока не понимаем. Предполагаемые решения не отличаются ни простотой, ни логичностью, и нет никакой уверенности в том, что со временем они поддадутся всеобщему пониманию.
Возможно, в ряде ключевых областей науки мы просто достигли таких высот, где объяснения неподвластны человеческому уму. Даже уму нобелевских лауреатов. Вполне возможно, что ведущие ученые превратятся в конце концов не столько в специалистов, которые «знают», сколько в тех, кто владеет общими туманными представлениями об изучаемом вопросе. Вопросы, постановка которых происходит сегодня на передовом крае космологии, эпигенетики или макроэкономики, отличаются большей глубиной и сложностью, чем вопросы, которые стояли перед этими областями сорок и даже двадцать лет назад. Нет никаких гарантий того, что будущие достижения науки вернут нам более простые концепции мироустройства. Наоборот, все позволяет говорить как раз о противоположном. Однако, принимая во внимание тот факт, что в обработке информации мы все более полагаемся на гениальные машины вместо построения собственной простой и внятной всеобъемлющей системы понимания мира, так уж ли это и плохо?
Вследствие тех высот, что достигла математика, мы уже разрабатываем теории, которые поддаются пониманию лишь небольшим числом людей, если их вообще кто-либо способен понять. Теория струн, ставшая известной широкой публике благодаря научно-популярной книге Брайана Грина «Элегантная Вселенная» (The Elegant Universe), далека от логического понимания. Вполне вероятно, никто толком и не знает, что именно означает наличие десяти или более гипотетических измерений. Мы в состоянии разобраться с этими измерениями с помощью высшей математики, однако это — один из примеров того, как научная теория может развиться до такой степени, что она не поддается пониманию. Попробуйте понять следующее описание с сайта интернет-энциклопедии Wikipedia, которая, естественно, старается подавать материал в как можно более доступной форме:
Согласно теории струн, электроны и кварки внутри атома представляют собой не безмерные объекты, а состоят из одномерных струн. Данные струны колеблются, придавая наблюдаемым частицам соответствующие форму, заряд, массу и вращение. Одно из проявлений колебания струн — гравитон, безмассовая частица с вращением типа 2. Существование данного состояния в виде гравитона и тот факт, что описывающие теорию струн формулы включают в себя формулы общей теории относительности Эйнштейна, говорят о том, что теория струн представляет собой квантовую теорию всемирного тяготения. Поскольку признается, что теория струн с математической точки зрения верна, многие надеются, что она полностью описывает нашу вселенную, что делает ее теорией, описывающей всё. Рядом вариантов теории струн описываются все наблюдаемые фундаментальные силы и материи, кроме тех, что характеризуются космологической константой, равной о, и наблюдаемых в ряде новых областей. Другие варианты используют отличные значения космологической константы, которая в данных вариантах отличается метастабильностью, но продолжительными периодами существования. Это дает многим основания предполагать существование по крайней мере одного решения метастабильности, количественно совпадающего со стандартной моделью и характеризующегося наличием малой космологической константы, темной материи и внятного механизма расширения космоса. Пока неизвестно, содержит ли теория струн такое решение и какая свобода в выборе составляющих ею допускается.
Это было самое простое. Читаем дальше:
Кроме собственно струн, теории струн предполагают наличие других объектов, известных как браны. Термином «брана», производным от слова «мембрана», обозначается целый ряд взаимозависимых объектов, таких как D-браны, черные p-браны и 5-браны Неве-Шварца. Браны представляют собой обладающие зарядом протяженные объекты, позволяющие разрабатывать различные концептуальные обобщения потенциально-векторных электромагнитных полей. Среди данных объектов выделяется целый ряд пар. Так, сообразные с черной дырой черные р-браны составляют пару с D-бранами, представляющими собой концы струн. Данная парность (дуальность) получила название «дуальность калибр—тяготение». Исследования данной эквивалентности привели к новому пониманию квантовой хромодинамики — фундаментальной теории, описывающей сильное взаимодействие элементарных частиц. Струнами формируются закрытые петли, за исключением случаев, когда им попадаются D-браны. В этом случае они преобразуются в однопространственные линии. Окончания струны не в состоянии оторваться от D-браны, но они способны огибать ее поверхность.
Цитирование данного малопонятного описания никоим образом не призвано принизить достоинство теории. Наоборот, им подчеркивается, каким образом некоторые передовые подходы способны помочь нам понять теории, которые иначе были бы вне понимания большинством из нас, практически — всеми нами. Не будь высшей математики, не была бы сформулирована и теория струн.
В наши дни исследователи различных областей науки составляют формулы, которые понятны очень небольшому числу людей. И трудно назвать «скачком» тот момент — который, возможно, уже наступил,— когда новые формулы не понимает уже никто. Разумеется, существуют разные степени понимания, поэтому несложно представить, что в будущем ведущие ученые будут понимать все меньшие доли получаемых ими результатов. В этом нет ничего удивительного, принимая во внимание тот факт, что результаты эти — следствие работы целого коллектива специалистов. Части общей картины будут содержаться в умах отдельных членов коллектива либо будут результатами, производимыми интеллектуальными машинами. Это схоже с ситуацией, когда никто из работников сборочной линии не имеет полного представления о функционировании автомобиля. Но от них этого и не требуется. Адамом Смитом, Фридрихом Хайеком и Майклом Полани подчеркивалось, что рыночная экономика достигнет этапа, когда станет крайне трудно понимать общие взаимоотношения отдельных составляющих производства. То же самое может быть сказано и о многих областях науки.
В целом трудности понимания общей картины нашли отражение в возрастной структуре научных достижений. Как правило, с возрастом ученые отличаются меньшей самоуверенностью, способны выдвигать меньшее число инновационных решений и предпочитают придерживаться уже устоявшихся концепций. Эйнштейн как-то заметил: «Тот, кто не сделал великих открытий до тридцати лет, не сделает их уже никогда». Это более не является истиной (если вообще когда-либо ею было), однако кое в чем Эйнштейн прав. Ученые и исследователи отличаются свежестью и революционностью взглядов именно в молодости. С возрастом мы приобретаем мудрость, однако теряем долю концептуальной остроты и желание низвергнуть устоявшиеся понятия. В итоге мы получаем ученых и исследователей, не отличающихся революционностью подходов, за исключением, повторюсь, Интернета и связанных с ним технологий — областей знаний, осваиваемых молодыми специалистами в сжатые сроки. И все же на долю исследователей пожилого и среднего возраста приходится большая часть инновационных решений, поскольку именно они владеют объемами знаний, достаточными для понимания общей картины.
Исследователями Брюсом Уайнбергом и Бенджамином Джоунсом был проанализирован возрастной состав лауреатов 525 Нобелевских премий по физике, химии и медицине, присужденных с 1900 по 2008 г. Выявленная ими тенденция указывает на то, что по прошествии десятилетий средний возраст ученых во всех указанных областях, выдвигающих революционные решения, достойные получения этой награды, увеличивается.
В 1905 г. средний возраст физика, удостоившегося Нобелевской премии, составлял 37 лет, увеличившись к 1985 г. до 50 лет. В тот же период возраст удостоившихся награды химиков увеличился с 36 до 46 лет, а специалистов в области медицины — с 38 до 45. До 1905 г. 20% лауреатов из указанных областей были удостоены награды за открытия, сделанные ими до тридцатилетнего возраста, но к 2000 г. таких юных гениев почти не осталось. Нравится нам это или нет, но революционные научные решения стали уделом ученых среднего возраста.
Подобная тенденция может оказаться проблематичной для таких областей, как математика, которая в значительной степени полагается именно на молодые таланты. Доступность знаний означает, что сегодня гораздо легче обладать объемом знаний, позволяющим причислить вас к молодому дарованию, однако быть молодым дарованием, способным одарить мир революционными решениями, стало гораздо сложнее. Вполне возможно, что, когда к тридцати годам вы изучите все из области вашей специализации, ваше мышление растеряет часть своей остроты.
Нам следует смириться с данными тенденциями. Возможно, мы не можем повернуть их вспять и, наверное, нам и не стоит пытаться это сделать. Как я уже сказал, в пользу существующего положения вещей и его вероятного сохранения в будущем говорят многие факторы, в том числе — упрощенность обмена научной информацией и научного сотрудничества, возросшая доступность научных материалов, растущие компьютерные мощности, распространенность умных машин и возрастающее число людей, у которых появился шанс посвятить себя науке, включая жителей Китая и Индии. В абсолютном выражении польза от подобных тенденций способна сгладить проблемы, являющиеся следствием возрастающей специализации. В любом случае нам уже невозможно вернуться в эпоху Евклида, когда целая отрасль науки могла быть создана или трансформирована одной лишь книгой или собранием лекционных записей. В целом это — история прогресса, но это не будет прогрессом в традиционном виде, так как его продвижение по большей части окажется за пределами привычных нам форм понимания.
Одна из проблем, связанных с подобной формой прогресса, заключается в том, что его будет сложно регулировать. Под этим я понимаю не столько сложность регулирования со стороны государства, сколько в более широком смысле. Руководителям научно-исследовательских учреждений, филантропам и государственным чиновникам будет все сложнее понимать происходящее во многих областях науки. Малопонятность науки будет представлять все большую проблему в вопросах доверия, будет ли речь идти о доверии к тому или иному научно-исследовательскому учреждению, ученому или принципам присуждения наград, таких как Нобелевская премия. А как насчет доверия к Google? Всеобъемлющая мудрость станет достоянием системы науки, а не отдельных умов, однако это будет представлять определенные проблемы, когда отдельным умам потребуется принимать решения о распределении средств внутри системы. Наука будущего будет в гораздо большей степени отличаться спонтанностью, и в меньшей — представлять собой поддающуюся планированию и несложную для понимания среду с легко выразимыми или объяснимыми принципами.
Наукотворчество машин
Бóльшая часть сегодняшних научных исследований выглядит следующим образом: «человек направляет компьютер для того, чтобы он помогал человеку в проведении исследований». Однако мы продвигаемся в направлении, где «человек дает компьютеру указания проводить свои собственные исследования», и «человек пытается понять результаты проведенных компьютером исследований». Значимость компьютера в качестве центральной составляющей самой исследовательской работы и даже ее планирования будет возрастать, а человеку будет уготована скорее роль прислуги, чем двигателя прогресса.
Одной из умных машин может быть предложена новая теории космологии, и, возможно, никто из людей не сможет понять или ясным образом выразить ее. Может быть, эта теория будет касаться не поддающихся умственному представлению измерений космоса или парадоксального понимания времени. Машина заверит нас, что выдвинутая ею теория позволит делать качественные прогнозы, и за неимением лучшего нам придется использовать одну из гениальных машин для проверки прогнозов, предлагаемых другой. При этом, будучи людьми, мы не сможем полностью понимать значение теории, и даже лучшие ученые умы смогут понимать теории и прогнозы машин лишь частично. Это будет все равно что попытаться объяснить периодическую систему химических элементов пятилетнему ребенку. Вероятно, это и можно будет объяснить человеческому уму, но это вряд ли будет легко понятным и логическим пониманием происходящего.
Стимулы к движению в направлении более качественной науки будут лишь способствовать этому возрастающему непониманию с нашей стороны. Значимость машинного разума для выполнения задач и расчетов, в которых люди уже достаточно хорошо разбираются, невелика. Машины в состоянии выполнять подобные задачи быстрее, однако гораздо большая польза заключается в использовании машин в выполнении задач, которые люди не в состоянии выполнить или понять вовсе. Здесь вам и разделение труда, и взаимодополняемость, способные вывести научные результаты за рамки всеобщего понимания, как только гениальные машины вступят в игру.
Соответствующая степень непонимания будет зависеть от конкретной области науки. В некоторых дисциплинах, таких как космология, делаются попытки (среди прочего) создать широкомасштабные и всеобъемлющие теории. Существует вероятность того, что ни один человек не сможет понять лучшую из готовых к применению масштабных теорий вследствие ее сложности или глубины либо вследствие того, что ее категории слишком выходят за рамки нашего повседневного существования.
Бóльшая часть традиционной науки в эту схему не вписывается — например, если речь идет о сборе и уточнении данных по пищеварительной системе отдельного вида морской звезды или изучении движения вулканической лавы. В этом случае ни человек, ни гениальная машина, скорее всего, не смогут предложить сколько-нибудь значимую новую теорию. Вместо выработки новой теории, речь будет идти о сборе дополнительных данных, новых проверках гипотез и постепенном уточнении и совершенствовании существующих знаний. Знания будут становиться все более специализированными. Одному специалисту будет все труднее владеть всей полнотой информации по пищеварительной системе морских звезд, хотя благодаря Интернету найти любую требующуюся информацию по данному вопросу будет проще. Неспециалистам же будет доступно множество разрозненных сведений по той или иной проблеме, но меньше — понимания ее общей картины.
Прочие научные знания человека будут знаниями практического характера, они будут направлены на выработку прогнозов и улучшение условий жизни. Все это, конечно, — позитивная сторона научного развития. Однако с точки зрения общего представления о мире картина будет столь оптимистичной и вдохновляющей далеко не всегда. Образованные люди в большинстве своем окажутся отрезанными от научного понимания мира, и существует риск, что их долгая приверженность научным объяснениям мира окажется утерянной.
Положительным же из наблюдаемых феноменов здесь является то, что в наукотворчество вновь возвращаются энтузиасты-любители, даже несмотря на то, что непрофессионалы могут не иметь достаточно обширного представления по тому или иному вопросу. Любители активно используют свои телескопы и компьютеры для изучения глубин космоса, пусть и не обладая всеобъемлющими знаниями о сверхновых звездах и черных дырах. Значимость любителей в орнитологических наблюдениях и сборе информации трудно переоценить. Любители предоставляют часть мощностей своих домашних компьютеров для расчетов, проводимых в рамках научных проектов — да, это уже реалии сегодняшнего дня. Кроме того, обычные люди делятся используемой для проведения научных и медицинских исследований информацией личного характера о своем здоровье, питании, поведении домашних питомцев. Сбор и обработка огромных объемов данных, получаемых в рамках подобных проектов, получили название «гражданская наука» и представляют собой возрастающую в своих масштабах тенденцию. Подобная наука от полного понимания участниками проверяемых гипотез не зависит.
Если говорить о нашей взаимосвязи с наукой в качестве мыслящих граждан, то мы все чаще будем выступать в роли практиков и участников, а не пытающихся лишь что-то понять сторонних наблюдателей.
Применительно же к настоящему времени можно говорить о том, что интеллектуальные способности человека препятствием в разработке революционных теорий пока не являются. Поскольку пока теории выдвигаются только людьми, уже в силу самого своего рождения теории эти поддаются пониманию по крайней мере некоторыми из нас, хотя здесь, как правило, речь идет о наиболее умных и образованных людях. Как только новые теории начнут выдвигаться гениальными машинами, данное интеллектуальное преимущество одних над другими исчезнет, и однажды настанет момент, когда понимание будет казаться достоянием весьма далекого прошлого. Не стоит полагать, что мы уже сейчас знаем, какие именно области науки будут заниматься сбором данных с привлечением энтузиастов-добровольцев, а в каких гениальными машинами будут выдвинуты гениальные теории. Пищеварительная система морских звезд вполне может оказаться той областью, где машины способны будут подметить закономерности, ускользающие от нашего внимания, и предложить достаточно сложные, для нас же — и вовсе непонятные, теории.
Нам же все в большей степени будет доступна та часть науки, которая занимается сбором информации с привлечением энтузиастов. Видимой частью науки будут ее административная составляющая и система сбора данных, а также волшебные технические устройства, которыми мы будем пользоваться. Что же касается, условно говоря, «средней» прослойки знаний — науки как общего способа понимания образованными гражданами устройства мира посредством теорий,—то пик ее расцвета придется на двадцать первый век.
Куда движется экономика?
Ученые, как правило, страдают комплексом провинциальности, когда речь заходит об их собственных областях науки и специализации, но все же имеет смысл уделить внимание и той науке, которой занимаюсь я сам и которую с легкой руки Томаса Карлейля называют «мрачной».
За последние десять лет в экономической науке наблюдается значительный сдвиг в вопросах, которым уделяется первостепенное внимание. И вызван он деятельностью интернет-компаний, а не прихотью ученых-экономистов. При разработке своих бизнес-моделей и продаже своей продукции потребителям интернет-компании зачастую пользуются непроверенными и в значительной мере неструктурированными данными. Делают они это просто потому, что могут себе это позволить. В распоряжении Facebook, Google, Amazon и прочих компаний находятся невероятные объемы высококачественной информации — большие, чем в распоряжении большинства ученых-экономистов. И при обработке данных они идут путем, имеющим мало общего с теоретической работой. Они просто грубо «перемалывают» данные, и теперь мы имеем дело с тем, что получило название больших данных. Данное понятие является предвестником грядущей бизнес-революции и означает использование статистики по данным, производимым электронными средствами общения.
В своем подходе к работе с этими данными указанные компании избегают структурных теоретических моделей. Ими предпринимаются попытки соответствующего кодирования и организации данных, однако они избегают начинать эту работу с «модели Джонса, объясняющей, почему люди пользуются поисковиком Google», или «модели Брауна, позволяющей выявить, какие книги покупают на Amazon». Компании эти берутся сразу за цифры и пытаются выявить благоприятные возможности, где только можно.
Экономика в качестве области исследований в последнее время идет тем же путем, что и интернет-компании: множество данных и относительно слабая структура теоретического характера. Мощное «перемалывание» данных и тщательный сбор информации отодвигают теоретическую составляющую на второй план. Совсем от теоретических моделей мы еще не отказались, поскольку мы придаем ряду из них огромное значение, например модели, согласно которой повышение цены при неизменности прочих критериев ведет к снижению потребления соответствующего товара или услуги. Однако это — далеко не новые теории, реальные же действия и добавочная стоимость проистекают из данных и их обработки, включая данные полевых исследований, лабораторных экспериментов и опытов с произвольным распределением объектов по контрольным группам. Используемые модели совершенствуются в недостаточной степени, а их сложность зачастую отпугивает многих ученых-экономистов.
Я резюмировал бы наблюдаемую картину следующим образом: (а) значительно более качественные данные; (Ь) более высокие стандарты для эмпирических опытов; (с) большое число новых сложных теорий, не находящих соответствующего практического применения. Развитие таких направлений, как математическая экономика, экономический инжиниринг, экономика сложных систем и теория игр продолжается — чего и следовало бы ожидать от многосторонних и специализированных дисциплин, однако свое относительное влияние данные дисциплины утрачивают. Экономика все в меньшей мере напоминает работу Эйнштейна и Евклида и все в большей — исследования пищеварительной системы морских звезд.
Если сегодня и есть экономисты, работы которых имеют значительное влияние, то это Эстер Дуфло и Абхиджит Банерджи, а также их коллеги из Лаборатории проблем бедности Массачусетского технологического института. Однажды мне довелось посетить один из их исследовательских проектов в Хайдарабаде, Индия. Исследованием были охвачены десятки тысяч человек, одни из которых имели возможность воспользоваться услугами микрокредитования, а другие — нет. В исследуемые группы вошли жители сопоставимых районов, задача же проекта заключалась в определении положительного эффекта микрокредитования или же отсутствия такового. Десятки добровольцев проекта помогали в сборе информации о заемщиках до и во время их участия (или неучастия) в программе микрокредитования. Эта информация включала данные о доходе, новой работе или начале предпринимательской деятельности, невозможности погасить кредит и прочих аспектах повседневной жизни экономического характера. Основной вопрос, на который требовалось найти ответ, был предельно простым: изменилась ли к лучшему жизнь тех, кто воспользовался микрокредитами? Выяснилось, что представители данной категории чаще начинали собственную предпринимательскую деятельность, что и позволило авторам проекта написать свой ставший классическим труд. Некоторые специалисты рассматривают данный проект наряду со схожим экспериментом, проведенным в Йельском университете под руководством Дина Карлана, в качестве самого значимого исследования проблемы микрокредитования. Данные проекты не имеют ничего общего с проектами, где у государственного агентства запрашиваются открытые данные и проводится регрессионный анализ без особого внимания к качеству или значению представленных цифр. Организация и проведение полноценного эксперимента в полевых условиях возможны исключительно человеком и не могут быть выполнены умными машинами.
Используемые вне экономической науки компьютерные программы способны анализировать огромные объемы числовых данных и выявлять закономерности гораздо более совершенным образом, чем это в состоянии сделать сегодняшние эмпирические исследователи. Способны они и представлять результаты своей работы. Программа способна, к примеру, обработать информацию по множеству пользователей социальных сетей и выявить влияние пола, возраста и места жительства на музыкальные предпочтения. Данные программы будут в состоянии подтвердить наличие связей, в существовании которых мы уже убеждены, выявить связи, которые нам пока не видны и, может быть, предложить гипотезы, о которых мы не подозреваем. Экономическая наука к этому пока не пришла, но, возможно, в ближайшие пятьдесят лет подобные решения заменят собой зависимость нынешних экономистов от теоретических моделей. Мощность и качество данных, скорее всего, будут расти быстрее мощности и качества наших самых передовых моделей.
Нынешняя система построения моделей в социальных науках аналогична «логике гроссмейстеров в эпоху, предшествующую появлению компьютера Deep Blue». Построение моделей являлось и по-прежнему остается крайне удобным подходом, поскольку социальные науки еще только ждут появления своего аналога Deep Blue.
С началом использования машинного разума в экономике мы будем в состоянии усовершенствовать свои представления о некоторых фундаментальных закономерностях, свойственных экономическим феноменам. Благодаря машинному анализу мы сможем лучше понять причины финансовых кризисов, выявить факторы, свидетельствующие об избыточной доходности акций, или культурные предпосылки экономического развития. Нам будет комфортно осознавать, что знания, которыми мы уже владели, были подтверждены, за исключением незначительных поправок, машинным разумом. В более долгосрочной перспективе, по мере совершенствования качества данных и роста числа используемых параметров, машинный разум будет в состоянии указать нам, какое сочетание нормативно-правового режима и монетарной политики приведет нас к финансовому кризису (с определенной долей точности, конечно), а мы даже не сможем понять, на чем подобные выводы основаны. Мы будем пытаться разобраться в логике машины, но объемы данных и сложность моделей окажутся за пределами нашего понимания. Мы будем знать, каким образом представлять данные, требующиеся для машинного анализа, как проверять результаты анализа одних машин с помощью других и каким образом данные результаты использовать. Однако настанет момент, когда мы перестанем понимать все составляющие науки, как перестанем понимать и то, каким образом прогнозы сочетаются друг с другом. Лишь машина сможет — на свой собственный манер — владеть полнотой теории и результатов ее проверки.
В конце концов машины окажутся в состоянии посягнуть на все или большинство функций, выполняемых экономистом. Социолог же будущего более не будет представлять собой независимого специалиста, формулирующего теории, проверяющего их относительно имеющихся данных и публикующего полученные результаты. Социолог будущего будет все в большей мере опираться на мощь компьютера и дополнять своей работой деятельность компьютерных программ. Некое подобие публикаций, возможно, и будет существовать, однако главенствующий внешний формат исследовательской информации будет представлен в стандартизированном, удобном для работы машин виде. Вместо «чтения статей» мы будем обращаться к машинам за результатами их метаисследований, суммирующими последние достижения их работы, подобно тому, как сегодня можно запросить анализ шахматной позиции у программы Rybka. То, что раньше было отдельной журнальной статьей, станет информационными данными для программ. «Специалистами» будут считаться специально подготовленные работники, способные разобраться в выводах программы или перевести данные в пригодный для ввода в компьютер формат, а не лица, собственно и выполняющие аналитическую работу.
Это крупнейшее отдельно взятое преобразование в экономической науке, которое мы можем ожидать в ближайшие пятьдесят лет. Когда речь заходит о «новой парадигме», многие ожидают появления очередного Маркса, Кейнса или Хайека. Однако грядущие изменения будут более радикальными и ими будет поставлена под сомнение сама взаимосвязь между ученым и его областью науки. Реальным же преобразованием станет подчиненное положение отдельно взятого ученого.
Я уже наблюдаю начальные проявления данных тенденций в экономике, одной из тех областей социальных наук, где влияние компьютеров наиболее сильно. Новоявленные кандидаты наук весьма ловко управляются с данными, но многие из них не разбираются в проблемах микроэкономики. Если вы зададите им какой-нибудь простой вопрос из области микроэкономики, подобный тем, что когда-то были включены в программу Чикагского университета, то вряд ли получите более-менее удовлетворительный ответ. Если вы спросите соискателей на рынке труда, ставших вчера кандидатами наук: «При каких условиях разрешение производителям выкупать места на полках в супермаркетах в отличие от запрета подобной практики будет выгодно потребителю?» — то вряд ли добьетесь чего-то большего, чем удивленный взгляд. Это вопрос логики исключительно микроэкономической природы и крайне примитивен по своей структуре (что вовсе не означает то же самое, что и простой вопрос), однако данные навыки почти нигде более не преподаются. При этом те же самые люди, не способные ответить на вопрос микроэкономического характера, могут легко справляться с компьютерным программированием и преобразованием данных в удобную для использования форму. В целом происходит появление большего числа первоклассных эмпириков, чем когда-либо прежде, однако существенного прогресса в экономической теории за последние лет двадцать не наблюдается. Теории уделяется все меньше и меньше внимания.
За неимением лучшего новаторская работа в таких областях, как экономика развития и экономика труда — двух сферах, зависящих от статистических данных и возрастающих в своей важности,— предполагает использование более простых теорий, чем двадцать-тридцать лет назад. Именно более простые теории позволяют нам поставить себе на службу способность компьютеров анализировать данные или проводить эксперименты в полевых условиях. В этом плане направление развития экономики сильно отличается от того, что происходит в теоретической физике или космологии. Именно более простые экономические теории имеют наибольшее влияние, в то время как сложные теории, не исчезнув еще полностью, свое влияние утрачивают.
Сегодня авторы большей части передовых исследований в макроэкономике не стали бы относить свои работы ни к «кейнсианскому», ни к «монетаристскому» течению, ни к какой бы то ни было иной школе или направлению. Во главу угла поставлены данные, а излишняя привязанность к какой-либо отдельной модели экономической структуры видится чем-то недопустимым.
Если мне попадается важная экономическая публикация, датируемая 2013 годом, то я готов поспорить, что в ее основе лежит нетривиальный подход к поиску и воспроизводству данных, а не новаторская теоретическая идея. Разумеется, анализ данных невозможен без их сбора, а последнее машинному разуму пока неподвластно. Компьютер не в состоянии пообщаться с жителями руандийской деревни или понять, какие именно вопросы следует задать, не говоря уже о документировании ответов и их конвертации в доступный ему формат.
Чтобы лучше понять происходящее с кадрами теоретической науки, достаточно обратиться к профессиональной деятельности ведущих теоретиков современности. Работы американского экономиста Стивена Левитта посвящены проблеме имен, которые дают детям, спорту, недобросовестности преподавателей, классическим вопросам социологического образования и т. п. Еще один экономист, нобелевский лауреат Гэри Беккер, посвятил десятилетия изучению проблем поведения в семье и дома, даже если эти проблемы никоим образом с экономикой не связаны. Психолог Даниэль Канеман получил Нобелевскую премию за работы в области экономики. Вопросами экономики занимаются и выпускники юридических вузов. Экономистом Полом Кругманом было недвусмысленно заявлено о своей приверженности простым моделям. Значительная часть новаторской работы в политологии проделывается экономистами под вывеской «общественный выбор» или «политическая экономика». Мы уже недалеки от фактически единой, более-менее цельной эмпирической социальной науки. В рамках такой социальной науки исследователи тщательнейшим образом осваивают эмпирические методики, но в гораздо меньшей степени — простые теории, относящиеся к области их специализации. Наконец, их собственно исследовательская деятельность состоит в поиске новых массивов данных или их создании — путем разыскивания данных или проведения лабораторных и полевых экспериментов.
Экономисты, предпочитающие более логические подходы, пойдут другим курсом, который позволит им не вымереть окончательно. Они в гораздо меньшей степени будут заниматься оригинальными исследованиями, а возьмут на себя роль информационно-оценочной службы для других специалистов. Они будут в состоянии перекладывать результаты деятельности других специалистов в понятную не только широкой публике, но и другим представителям своей профессии форму. Специалисты эти, вооружившись компьютерами, будут фактически выполнять те же функции, что и игрок стиля «адванс» Энсон Уильямс, «переваривая» поступающую из разных источников информацию и отшлифовывая навыки ее поиска, усвоения и оценки. В анализе предлагаемых экономических решений, или, если проводить аналогию с шахматами, «ходов», данными специалистами будет проявлен крайне высокий уровень мастерства, более высокий, нежели у многих нобелевских лауреатов, несмотря на отсутствие у них значимых исследовательских достижений. На них будет возложена роль переводчиков истин, поступающих к нам от нашего сонма машин.
Данными исследователями, работающими в стиле шахмат «адванс», будет проторен фундаментально новый путь «занятия» экономической наукой и предложено фундаментально новое понимание того, что значит быть экономистом и даже ученым. Данные специалисты смогут зарабатывать хорошие деньги и получат свою долю публичной славы, а их число будет расти по мере того, как их повседневная работа будет все меньше и меньше напоминать собой традиционное занятие наукой, свойственное их областям специализации.
По крайней мере на какое-то время они останутся единственными людьми, еще имеющими четкое представление о происходящем.
