Лягушка в кипятке и еще 300 популярных инструментов мышления, которые сделают вас умнее

Связанная ментальная модель, которая также возникает в динамических системах и симуляциях, – это гистерезис, описывающий, как текущее состояние системы зависит от ее истории. Гистерезис также встречается в природе и имеет примеры в большинстве научных дисциплин. В физике, когда вы намагничиваете материал, например, удерживая магнит на куске металла, этот металл не полностью теряет магнитный заряд после того, как вы уберете магнит. В биологии Т-клетки, питающие вашу иммунную систему, после активации требуют более низкого порога для реактивации. Благодаря гистерезису металл и Т-клетки отчасти запоминают свое состояние, и то, что произошло раньше, влияет на то, что произойдет дальше.

Опять же эта идея кажется знакомой, потому что она похожа на ментальную модель зависимости от пути, которая более подробно описывает, как ваш выбор впоследствии ограничивает число ваших вариантов в будущем. Гистерезис – это один из типов зависимости от пути применительно к системам.

Например, в инженерных системах полезно встроить в систему определенный гистерезис, чтобы избежать стремительных изменений. Современные термостаты делают это, допуская диапазон температур, близкий к заданному значению: если вы хотите поддерживать температуру 70 °F (21,1 °C), термостат можно настроить так, чтобы обогреватель включался, когда температура падает до 68 °F (20 °C), и выключался, когда она вырастает до 72 °F (22,2 °C). Таким образом, он не будет постоянно включаться и выключаться. Точно так же на сайтах дизайнеры и разработчики устанавливают задержку при перемещении курсора мыши на такие элементы страницы, как меню. Программы запоминают, что вы просматривали меню, и, когда вы уводите с него курсор, оно не пропадает резко.

Используйте все эти ментальные модели для визуализации и симуляции сложных систем, чтобы лучше оценивать потенциальные результаты и связанные с ними вероятности. Применяйте эти результаты в более простой модели для принятия решения, например для дерева решений или анализа затрат-выгод.

Отдельный тип симуляции, который особенно полезен в этом случае, – это симуляция по методу Монте-Карло. Как и критическая масса, эта модель возникла в ходе Манхэттенского проекта в Лос-Аламосе в преддверии открытия атомной бомбы. Физик Станислав Улам затруднялся с использованием традиционной математики в определении того, как далеко нейтроны могут проходить сквозь различные материалы, и придумал новый метод, разложив пасьянс (ну да, карточный). Вот как он сам описывает это в журнале «Наука Лос-Аламоса»^[69]:

Первые идеи и попытки, которые я предпринимал, чтобы применить на практике [метод Монте-Карло], были вдохновлены вопросом, который пришел мне в голову в 1946 году, когда я выздоравливал после болезни и раскладывал пасьянсы. Вопрос заключался в том, каковы шансы, что пасьянс «солитер» на 52 карты сойдется? Проведя много времени в попытках оценить ответ с помощью чисто комбинаторных вычислений, я подумал: а что, если более практичный метод, чем «абстрактное мышление», состоит в том, чтобы просто разложить их, допустим, сто раз, понаблюдать и подсчитать число сложившихся раскладов?

Симуляция по методу Монте-Карло – это, на самом деле, множество независимых симуляций со случайными начальными условиями или использованием других случайных чисел внутри самой симуляции.

Проведя симуляцию системы много раз, вы начнете понимать, насколько вероятны на самом деле различные результаты.

Считайте это динамическим анализом чувствительности.

Симуляции по методу Монте-Карло используются почти во всех областях науки. Но они полезны и за ее пределами. Например, венчурные капиталисты часто используют эти симуляции чтобы определить, какой капитал зарезервировать для будущего финансирования. Когда венчурный фонд инвестирует в компанию, эта компания в случае успеха, вероятно, заработает больше денег в будущем, и фонд захочет отчасти финансировать ее, чтобы сохранить свой процент владения. Сколько денег ему зарезервировать для этой компании? Не все компании достигают успеха и собирают разные суммы, так что ответ не так однозначен во время первоначальной инвестиции. Многие фонды используют симуляции по методу Монте-Карло, чтобы понять, сколько им нужно резервировать, учитывая их текущую историю, подсчеты успешности компании и размер потенциального финансирования.

В более общем плане попытка понять сложные системы с помощью системного мышления – диаграмм, симуляций или других ментальных моделей – помогает не только получить общее представление о системе и о диапазоне результатов в ней, но также узнать наилучшие возможные результаты. Без такого знания вы застрянете в погоне за локальным оптимумом – решением, которое, возможно, и хорошее, но не лучшее.

Если есть возможность, вам следует стремиться к наилучшему решению, которое будет глобальным оптимумом.

Подумайте о катании с горки: вам подойдет и ближайшая горка (локальный оптимум), но вдалеке есть высокий холм, который намного удачнее (глобальный оптимум). Вам нужно дойти до того высокого холма.

Но для начала нужно получить полное представление о системе, чтобы понять, что высокий холм существует.

Локальный и глобальный оптимум

Адаптировано из Шившанкер Сингх Патель, «локально оптимальный успех {ordinals of life 2.0}», Destiny exiles me, 16 мая 2013 года, http://destinyexilesme.blogspot.com/2013/05/local-optimal-sucessordinals-of-life-20.html.

Остерегайтесь неизвестного неизвестного

В 1955 году психологи Джозеф Люфт и Харрингтон Ингам придумали идею неизвестного неизвестного, которую популяризовал бывший министр обороны США Дональд Рамсфелд на брифинге 12 февраля 2002 года.

Джим Миклашевский^[70]: «Что касается Ирака, оружия массового уничтожения и террористов, есть ли доказательства того, что Ирак пытался или был готов предоставить террористам оружие массового уничтожения? Ведь есть информация, что нет никаких доказательств прямой связи между Багдадом и некоторыми из этих террористических организаций».

Рамсфелд: «Сообщения, в которых говорится, что чего-то не произошло, всегда мне интересны, потому что, как мы знаем, есть известное известное – это то, что мы знаем, что знаем. Мы также знаем, что есть известное неизвестное – то есть мы знаем, что чего-то не знаем. Но есть также неизвестное неизвестное – мы не знаем, что не знаем этого. И если взглянуть на историю нашей страны и других свободных стран, именно последняя категория приносит больше всего сложностей».

Не будем обсуждать контекст и уклончивость этого диалога, но модель, лежащая в его основе, полезна для принятия решений. Когда вам предстоит делать выбор, покажите в виде удобной матрицы 2 x 2, все что вы знаете и не знаете.

Известное и неизвестное

Эта модель особенно эффективна, если систематически оценивать риски, например для успеха проекта. Каждая категория заслуживает внимания и осмысления.

Известное известное: это риск для кого-то другого, но не для вас, поскольку у вас уже есть опыт решения этого вопроса. Например, проект требует технологического решения, но вы уже знаете, что это за решение и как его реализовать. Вам просто нужно исполнить этот известный план.

Известное неизвестное: это также известные риски для проекта, но из-за некоторой неопределенности вам не до конца ясно, как они будут решены. Например, нужно рискнуть привлечением третьей стороны: пока вы не вступите с ними в прямой контакт, вам будет неизвестна их реакция. Превратите что-то из этого в известное известное, выполнив упражнения по устранению риска.

Неизвестное известное: это риски, о которых вы не думаете, но для которых есть четкие планы смягчения. Например, вы собираетесь запустить бизнес в Европе летом, но вы еще не знаете, что август – не лучшее время для бизнеса. Опытный консультант поможет выявить эти риски с самого начала и превратить их в известное известное. Таким образом, они не застанут вас врасплох позже и не станут потенциальной угрозой вашему проекту.