Если этот наш ответ хотя бы отчасти верен – если он хоть в какой-то степени объясняет, как работают инновации и экономический рост в реальном мире, – то лучший способ ускорить прогресс состоит в том, чтобы улучшить нашу способность тестировать новые комбинации идей. Один из путей решения этой задачи следующий: вовлечь в процесс тестирования как можно больше участников, ведь цифровые технологии прекрасно способствуют этому. Мы все связаны глобальными информационно-коммуникационными технологиями, и нам вполне доступны огромные массивы информации и значительные вычислительные мощности. Короче говоря, нынешняя цифровая среда представляет собой отличную площадку для широкомасштабной рекомбинации. Идеолог движения за программное обеспечение с открытым исходным кодом Эрик Рэймонд смотрит на дело с оптимизмом: «При достаточном количестве глаз баги выплывают на поверхность». Если приложить эту формулу к инновациям, получится: «При достаточном количестве глаз мы найдем больше сильных комбинаций».

Специалисты NASA стали свидетелями этого эффекта, когда пытались улучшить качество прогнозов о солнечных вспышках (взрывных выбросах энергии в атмосфере нашей звезды). В данном случае важно, чтобы прогноз был и точным, и своевременным, поскольку всплески солнечной активности способны повысить уровень радиации до опасного для незащищенной техники и людей в космосе. Несмотря на 35 лет исследований и массу собранных данных, НАСА признавала, что у нее по-прежнему «нет метода для прогнозирования точного места, интенсивности или продолжительности вспышки».

В конце концов агентство опубликовало собранные данные и описание проблемы прогнозирования на сайте краудсорсинговой компании InnoCentive, которая привлекает всех желающих к решению сложных научных задач. Принцип работы InnoCentive крайне демократичный; для того чтобы принять участие в изучении той или иной проблемы, скачать с сайта какие-либо данные или, наоборот, выгрузить на него свое решение, вам совершенно не обязательно иметь научную степень или быть сотрудником какой-либо лаборатории. Каждый может заниматься задачами в любой области; к примеру, физикам ничто не мешает погрузиться в проблемы биологии.

Оказалось, что человек, достаточно проницательный и достаточно знающий для того, чтобы улучшить прогнозы солнечной активности, вовсе не принадлежал к астрофизическому сообществу. Его звали Брюс Крейгин, он был радиоинженером на пенсии и жил в небольшом городке в Нью-Гемпшире. «Хотя я почти не занимался физикой Солнца как таковой, – рассказал Крейгин, – я много размышлял о теории магнитного перезамыкания». Эта теория в данном случае явно оказалась уместной, поскольку решение Крейгина позволило прогнозировать вспышки за восемь часов с точностью 85 %, и за 24 часа – с точностью 75 %. Рекомбинация теории и данных, найденная этим ученым-любителем, была вознаграждена премией космического агентства в размере 30 000 долларов.

В последние годы многие организации приняли на вооружение стратегию NASA: использовать технологии, чтобы поделиться с людьми своими проблемами и привлечь «достаточное количество глаз» к их решению. Этот подход называется по-разному, например «открытыми инновациями» или «краудсорсингом», и может оказаться очень эффективным. Исследователи инноваций Ларс Бо Йеппенсен и Карим Лакхани изучили 166 научных проблем, опубликованных на InnoCentive, – все они поставили в тупик организации, которые пытались их решить. Исследователи обнаружили, что пользователи InnoCentive смогли решить 49 задачи, то есть добиться почти 30-процентного успеха. Также выяснилось, что люди, опыт которых лежал довольно далеко от области, в которой возникла проблема, гораздо чаще предлагали успешные решения. Иными словами, оказался полезным своего рода «маргинальный» опыт – то есть образование, знание и опыт в областях, связь которых с областью решаемой задачи была неочевидна. Йеппенсен и Лакхани приводят ряд живых примеров этого:

Подобно InnoCentive, онлайн-стартап Kaggle также мобилизует «толпу» (crowd) – группу людей с совершенно разным опытом со всего мира, – чтобы работать над сложными проблемами, с которыми сталкиваются различные организации. Kaggle специализируется не на решении научных задач, а на проблемах, требующих обработки огромных массивов данных. Цель здесь состоит в том, чтобы улучшить качество прогнозов относительно базового уровня, уже достигнутого организацией. И здесь результаты замечательны в двух отношениях. Во-первых, этой цели обычно удается достичь. В одном случае страховая компания Allstate выложила набор данных по характеристикам автомобилей и попросила «толпу» Kaggle спрогнозировать, против каких из этих автомобилей будет подано больше исков о возмещении личной ответственности. Исследование продолжалось примерно три месяца и привлекло более 100 участников. Прогноз-победитель оказался на 270 процентов лучше, чем базовый прогноз страховой компании.

Во-вторых, большинство конкурсов в рамках Kaggle выигрывают люди, маргинальные с точки зрения области обсуждения, – к примеру, лучшие прогнозы по заполняемости больниц делают участники, не имеющие опыта в области здравоохранения. То есть с этими людьми вряд ли кто-то стал бы советоваться в рамках традиционного поиска решений. В большинстве случаев эти безусловно способные и успешные исследователи данных приобрели свой опыт новыми, определенно цифровыми способами.

С февраля по сентябрь 2012 года в рамках Kaggle при поддержке Hewlett Foundation было проведено два конкурса на тему компьютерной оценки студенческих эссе.

В процессе подготовки конкурса Kaggle и Hewlett привлекли множество экспертов в области образования, и накануне запуска многие из чувствовали себя весьма неуверенно.

Дело в том, что конкурсы должны были состоять из двух раундов. В первом раунде между собой соревновались одиннадцать известных и уважаемых компаний в области образовательного тестирования, а во втором – участники «толпы» Kaggle, профессиональные data scientists – «ученые в области данных» (индивидуально или в составе команд). Эксперты беспокоились как раз о том, что, по результатам второго раунда команда Kaggle окажется совершенно неконкурентоспособной. Каждая из 11 уважаемых компаний работала над системами автоматической оценки уже много времени и выделяла на решение этой задачи значительные ресурсы. Сотни человеко-лет накопленного опыта казались весомым преимуществом профессионалов перед кучкой любителей.

Но беспокоиться было не о чем. Многие из новичков, привлеченных к участию в соревновании, показали значительно более высокие результаты, чем профессионалы в области тестирования. Сюрпризы продолжились, когда в Kaggle решили посмотреть, кто же показал самые высокие результаты. Выяснилось, что первые три места и в первом, и во втором раунде первого конкурса заняли участники, не имевшие в прошлом значительного опыта ни в оценке эссе, ни в обработке естественного языка. А во втором конкурсе ни один человек из тройки победителей не имел никакого формального образования в сфере искусственного интеллекта, если не считать бесплатного онлайн-курса в этой области, который предлагает стэнфордский факультет искусственного интеллекта и который доступен для всех желающих в мире. Желающих оказалось много, и они явно многому научились. Трое победителей оказались из США, Словении и Сингапура.

Quirky, еще один интернет-стартап, приглашает к участию в обеих фазах вейцмановской рекомбинации – сначала генерирование новых идей, а затем их отбор. То есть этот проект использует потенциал «достаточного количества глаз» не только для создания инноваций, но и для их подготовки к выводу на рынок. Quirky принимает от участников идеи новых потребительских продуктов и проводит голосование по поводу этих идей. Участники могут вести исследования, предлагать улучшения, придумывать варианты названий и брендинга для продуктов, а также высказывать предложения по улучшению продаж. Quirky самостоятельно принимает окончательное решение относительно того, какие продукты выводить на рынок, и в дальнейшем управляет процессами проектирования, производства и дистрибуции. Стартап забирает себе 70 % всех доходов, полученных в результате работы на сайте, и распределяет остающиеся 30 % между теми участниками, кто принимал участие в разработке продукта; инноватор, предложивший изначальную идею, получает 42 % из этих тридцати, участники, помогавшие определить цену на продукт, делят между собой еще 10 %, те, кто работал над неймингом, – еще 5 %, и так далее. К осени 2012 года Quirky привлек свыше 90 миллионов долларов в виде венчурного финансирования и заключил соглашения о продаже своей продукции с несколькими крупными ритейлерами, в том числе Target и Bed Bath & Beyond. Один из самых успешных продуктов компании, гибкий электрический удлинитель Pivot Power, был продан в количестве 373 тысяч штук меньше чем за два года и принес группе своих разработчиков более 400 000 долларов.

Affinnova, еще одна молодая компания, поддерживающая рекомбинационные инновации, помогает своим клиентам в проведении второй из двух фаз Вейцмана – перебора всех возможных комбинаций строительных «кирпичиков» с тем, чтобы найти самые ценные. Это делается путем совмещения краудсорсинга с алгоритмами, уже удостоенными Нобелевской премии. Когда пивоваренная компания Carlsberg решила изменить форму бутылки и этикетку для бельгийского пива Grimbergen, одного из самых старых сортов, который до сих пор варится в одноименном аббатстве, она понимала, что действовать надо с максимальной осторожностью. Компания хотела обновить один из своих брендов, но при этом не повредить своей отличной репутации и не перечеркнуть 900 лет истории. Кроме того, в Carlsberg понимали, что редизайн предполагает наличие нескольких вариантов для каждого элемента бренда – формы бутылки, рельефного изображения на стекле, цвета и расположения этикетки, дизайна крышки и так далее, – а затем подбор оптимальной комбинации из этих вариантов. Но понятно, что, когда количество возможных комбинаций измеряется тысячами, найти «оптимальную» не так-то просто.

Стандартный подход к проблемам такого рода выглядит так. Дизайнерская команда создает несколько комбинаций, которые считает достаточно хорошими, а затем с помощью фокус-групп или других мелкомасштабных методов выбирает лучшую из них. Affinnova предлагает совершенно иной подход. Она использует математическое моделирование выбора – метод достаточно продвинутый для того, чтобы его интеллектуальный крестный отец, экономист Даниэль Макфадден, смог получить за его создание Нобелевскую премию. Моделирование выбора позволяет быстро выявлять предпочтения потребителей: нравится ли им больше коричневая бутылка с рельефным узором и небольшой этикеткой, или зеленая бутылка без рельефа и с этикеткой большего размера? Исследователи несколько раз предлагают испытуемым ограниченный набор вариантов и просят выбрать наиболее интересный. Affinnova предоставляет доступ к этим вариантам через Сеть, а после того как своими оценками поделятся несколько сот человек, компания может определить математически оптимальный набор вариантов (или, как минимум, приблизиться к нему). В случае с брендом Grimbergen новый дизайн бутылки, появившийся в результате этого процесса, явно основанного на рекомбинации, имел рейтинг одобрения в 3,5 раза выше, чем первоначальный.

Приняв точку зрения новых теоретиков роста и сопоставив ее с тем, что мы видим в деятельности Waze, Inno-Centive, Kaggle, Quirky, Affinnova и множества других компаний, мы с большим оптимизмом оцениваем сегодняшний день и будущее инноваций. И нужно добавить, что достижения рекомбинационного метода не ограничиваются высокотехнологичным сектором – то есть они не только о том, чтобы сделать компьютеры и сети лучше и быстрее. Эти достижения помогают нам лучше водить наши машины (а скоро, может быть, и вовсе избавят нас от необходимости это делать), позволяют нам точнее прогнозировать вспышки на Солнце и решать задачи в области науки о питании и в токсикологии. Наконец, рекомбинация обеспечивает нас отличными удлинителями и бутылками. Эти и бесчисленное множество других инноваций будут лишь накапливаться со временем и помогать друг другу в развитии. В отличие от некоторых наших коллег, мы уверены в том, что инновационный процесс и рост производительности продолжатся и в будущем, причем в хорошем темпе. У нас имеется достаточное количество «кирпичиков», и они будут постоянно рекомбинироваться все более и более эффективным образом.