Преломление. Наука видеть иначе

Представьте мозжечок птицы и сравните его с электропроводкой самолета. У птиц, как и у млекопитающих, он контролирует координацию. Птицам он позволяет согласованные движения крыльев, что необходимо для победы над земным притяжением. В отличие от существ, живущих на поверхности планеты, вроде нас… если мы потеряем координацию, то упадем максимум на несколько десятков сантиметров, заработав ссадины и синяки… для птицы это может привести к катастрофе. Вы можете решить, что это очень точная система: так оно и есть. Но правда также и то, что в мозжечке птицы невероятное количество избыточных связей: теоретически возможно убрать половину из них, не причинив вреда: она все равно не упадет! Сравните это с военным самолетом самой сложной конструкции — пожалуй, одним из самых продвинутых произведений науки, созданным с высокой точностью. Но если перерезать всего пару проводов в системе управления, повредить хотя бы одно крыло или если птица залетит в один из двигателей, то сотни миллионов долларов обрушатся на землю. Такая система, как и большинство компаний (и даже основная масса систем, с которыми мы сталкиваемся в современной жизни, от спортивных команд до образования), очень точна, но совсем лишена творческого подхода и, как следствие, не умеет адаптироваться, то есть не инновационная.

Чтобы создать эффективное пространство для новаторства, необходимо посмотреть на свою биологию и по максимуму использовать собственную нейронную природу, которая уравновешивает точность и творчество. Именно поэтому конечный путь к успеху не сводится только к творчеству или только к точности. Эти два качества должны существовать в динамическом равновесии. Более того, система призвана развиваться.

Развитие — процесс увеличения размерности пространства, называемый комплексификацией, который Лоттолаб, равно как и другие, изучает уже много лет. Это происходит интуитивно: начните с простого (несколько измерений), добавьте сложности (больше измерений), а затем методом проб и ошибок улучшите (уберите измерения)… и повторите. Развитие — это процесс, воплощающий новаторство.

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.