Анатолий Левенчук – Образование для образованных. 2021 (страница 9)
Да, теория предпринимательства оказывается одной и той же для себя лично (человек-фирма), для небольшого стартапа, для крупной компании, для транснациональной корпорации. Все они должны что-то делать, чтобы жить и сохранять себя в непрерывно меняющемся мире, и бесконечное развитие оказывается ровно тем, что позволяет обсуждать их деятельность. Все они должны ставить какие-то цели, понимая, что нет надежды на успех с одной попытки, и даже успех будет краткосрочным – обстоятельства поменяются, и нужно бежать со всех ног, чтобы только-только остаться на месте! Поставленные цели считать «гипотезами», затем эти гипотезы проверяют, пытаясь этих целей достичь. Затем или добиваются успеха (гипотеза подтвердилась), или признают неудачу – и списывают убытки. И начинают следующий проект.
После того, как вся эта «целеустремлённость» и «мечтательность» в вашей голове будет проблематизирована, вы не только избавитесь от предрассудков и чувства собственной неполноценности, но и станете выделять паттерны бесконечного развития в разных других школах мысли.
Так, «недеяние» (у-вэй56) из восточных философий – оно оказывается про то же, про непостановку длинных целей. Вроде как «неделание», оно оказывается на поверку жутко деятельным, оно очень активно следует цепочкой дел за сиюминутной (привязанной к текущему знанию) интуицией о том, к чему нужно стремиться вот прямо сейчас. Прямо сейчас в каждый момент времени, но не всю жизнь. Нет долгосрочных установок на достижение какой-то мечты, в этом и есть плохо понимаемый западным умом секрет «деятельного недеяния».
Но «западный научный ум» никак нельзя недооценивать. По мере активно ведущихся компьютерных экспериментов с эволюцией и обучением, растёт понимание ситуации переоценки долгосрочного планирования.
Ещё одна книжка, в которой эволюции как постоянному развитию посвящён довольно большой кусок, написана Pedro Domingos, исследователем машинного интеллекта – «The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World»57.
Эволюция преподносится там не как поиск/search, а как вариант обучения/learn. Можно считать, что ты учишься сложности мира – в том числе учишься без учителя (unsupervised learning), или выступаешь учителем самому себе (self-supervised learning), давая самому себе задания и пытаясь их выполнять. Про это же самое можно рассказывать и как о «поиске сокровищ». Бесконечное развитие можно обсуждать и как бесконечный поиск, и как бесконечное обучение: поиск сокровищ в длинной череде проектов подразумевает обучение справляться с задачами этих проектов. В машинном интеллекте парадигма бесконечного развития, бесконечного (life-long learning) обучения вместо «решения поставленной проблемы» стремительно набирает вес.
Проектов развития хватит для всех, особенно если учитывать критерий новизны при выборе проекта. Исследуйте новое на самой границе известного, это окупается! И каждый шаг развития позволит вам увидеть что-то ещё, шагнуть дальше. Если не ходить проторенными туристическими тропами, на которых уже давно все сокровища расхватаны, то вам этих сокровищ на жизнь хватит. Главное – не загадывать заранее, какими должны быть эти новые камушки, новые проекты, какие именно сокровища там должны быть. Главное – не загадывать заранее мечту-утопию. В мечте будет встреча с изумрудом, а встретится вам алмаз. Не проходите мимо алмаза!
Стало понятно, почему не может работать госплан58 – невозможно рационально вычислить потребности большого числа людей, да ещё и на достаточно длительном интервале времени, поэтому, сколько каких продуктов производить, и по какой цене, вычислить не удастся. Будущее покрыто туманом, и мы ничего не можем сказать о будущих продуктах, поэтому не можем знать, сколько каких деталей нужно произвести для того, чтобы собрать эти будущие продукты. Рынок – это квазиэволюционный процесс, он подразумевает бесконечное развитие продуктов.
Нет никакой «миссии», «смысла жизни», есть бесцельная эволюция – поиск всё нового и нового, рост сложности найденных проектов-сокровищ и тем самым рост адекватности разнообразия продуктов сложному миру как результат эволюции.
Один небольшой шаг на границу тумана будущего планируйте, ставьте абсолютно приземлённую цель – на один шаг, не на всю жизнь. Используйте интуицию – машинное обучение даёт абсолютно рациональные ей объяснения (и даже моделирует в глубоких нейронных сетях). А маршрут на несколько шагов неизвестно куда в туман будущего – не получится планировать, будущее непредсказуемо ни для человека, ни для компьютера.
Установка на достигательство и мечтательность входит в мозг с младых ногтей, и трудно рационально её преодолевать. Но тренд налицо: вопрос упорства в достижении каких-то целей поднят, вопрос обсуждается, меднолобым фанатам с их «главное – в себя поверить» начинают выставляться рациональные аргументы.
Бесконечное развитие (open-endedness)
ПРОЦЕССЫ, БЕСКОНЕЧНО ПОВЫШАЮЩИЕ РАЗНООБРАЗИЕ
И СЛОЖНОСТЬ
Бесконечное развитие (open-endedness) это идея, которая позволяет в разы компактней и точнее (т.е. с использованием математических моделей) говорить про сложные вопросы «прогресса», «развития», «целеполагания», «эволюции», «вечного обучения», «постоянной инновации» и т. д. Идея бесконечного развития помогает отбросить бессмысленные споры по вопросам типа «труба ржавеет: можно ли сказать, что она развивается? Что будет прогрессом для трубы?».
Под словами «бесконечное развитие» сегодня скрывается более общий концепт, чем даже «эволюция» (эволюция тут будет только частный случай). Речь идёт об алгоритмах, исполнение которых порождает всё более и более сложные объекты. Это алгоритмы вечно непрекращающегося творчества.
О чём угодно можно говорить как о «лучшем известном на сегодня», state-of-the-art (SoTA). Завтра лучшее будет другим, SoTA всегда имеет дату. Лучшая теория гравитации в 1600 году не включала силы гравитации, в 1800 году гравитация объяснялась как сила притяжения массивных тел, в 2000 году лучшая теория гравитации (теория относительности) говорит об искривлениях пространства времени, и гравитация не является силой! SoTA в науке, инженерии и много чём другом меняется со временем, и это будет бесконечно.
Open-endedness переводится обычно как «открытость» или в крайнем случае «незавершённость», и весь аромат английского слова немедленно теряется. Поскольку это применяется к алгоритмам, которые всё время научаются делать что-то новое, то это мы будем переводить как «бесконечное развитие». Это «что-то новое» в подобных алгоритмах и называется stepping stone/ступенька.
Это может быть биологический вид в эволюции, вид продукта или сервиса в технологической эволюции, вид мастерства в эволюции деятельности.
И как растёт видовое разнообразие и сложность организмов в биологической эволюции, растёт разнообразие и сложность продуктов и сервисов в технологической эволюции, растёт разнообразие и сложность деятельностей и тем самым разнообразность и сложность мастерства в этих деятельностях. Люди на земле владеют всё более и более разными видами мастерства (углубление разделения труда), и эти виды мастерства всё более сложно освоить, для надлежащего уровня требуется 4—10тыс. часов прохождения ступенек в мастерстве от «полный новичок» через «иногда получается» до «настоящий мастер».
МАЛО УЧИТЬСЯ РЕШАТЬ ПРОБЛЕМЫ.
НУЖНО ЕЩЕ И СТАВИТЬ ПРОБЛЕМЫ
Базовый текст декабря 2017 года «Open-endedness: The last grand challenge you’ve never heard of»59 написан в соавторстве с Lisa Soros теми же Kenneth O.Stanley и Joel Lehman, которые в 2015 году написали книжку про важность новизны, «Why Greatness Cannot Be Planned: The Myth of the Objective».
В соответствии с подходом бесконечного развития, нужно не просто решать проблемы – ибо сложность и изящество решения при этом ограничено сложностью проблемы. Нужно делать две вещи: 1) порождать проблемы и 2) решать их.
Всё более и более сложные проблемы должны быть не любые, а находящиеся в зоне «ближнего развития» – ни слишком трудные для решения, ни слишком лёгкие (тут в английском используется ещё одно плохо переводящееся слово: goldilocks, означающее в том числе «не горячее, и не холодное, а в самый раз»). Бесконечное развитие требует ступенек, ни слишком низеньких, ни слишком высоких.
В январе 2019 года Stanley (он сейчас возглавляет лабораторию искусственного интеллекта в OpenAI) и Lehman сделали алгоритм бесконечного развития60 а в марте 2020 года усилили этот алгоритм61. Алгоритм порождает своей стратегирующей частью всё более и более сложные рельефы местности (даёт параметры генератору рельефов: «ставит цель»), а затем его решающая часть-робот решает эти проблемы, то есть учится проходить заданные частью целеполагания рельефы. Оказалось, что постепенно наученные через «проблемы в зоне ближнего развития» роботы могут проходить в конечном итоге самые сложные среды, а попытки просто «решить проблему» без этих промежуточных научений, а просто «научиться с нуля», без stepping stones/ступенек проваливаются. Оказывается, без эволюции, без промежуточных ступенек мы не можем научиться чему-то сложному! Обучение какой-то деятельности должно быть многоступенчатым, развитие должно проходить через ступеньки, находящиеся на границе тумана – ни слишком трудные (тогда научение невозможно), ни слишком лёгкие (тогда не будет накоплен опыт).