Сложные проблемы подрывают сам принцип меритократии: идею о том, что должен быть нанят «лучший человек». Лучшего человека не бывает.
Когда я учился в аспирантуре по математике в Университете Висконсин-Мэдисон, я прошел курс логики у Дэвида Гриффита. В классе было весело. Гриффит привнес в проблемы игривость и открытость. К моему большому удовольствию, примерно десять лет спустя я столкнулся с ним на конференции по моделям дорожного движения. Во время презентации вычислительных моделей пробок у него поднялась рука. Мне было интересно, что Гриффит - математический логик - мог бы сказать о пробках. Он не разочаровал. Без малейшего намека на волнение в голосе он сказал: «Если вы моделируете пробку, вы должны просто следить за не-машинами.’
Коллективный ответ следовал знакомой схеме, когда кто-то озвучивает неожиданную, но однажды высказанную, очевидную идею: недоуменное молчание, сменяющееся кивком голов и улыбками. Больше ничего не нужно было говорить.
Гриффит сделал блестящее наблюдение. Во время пробки большая часть проезжей части заполнена автомобилями. Моделирование каждой машины занимает огромное количество памяти. Вместо этого отслеживание пустых пространств потребовало бы меньше памяти - на самом деле почти ничего. Кроме того, динамика не-автомобилей может быть более поддающейся анализу.
Версии этой истории регулярно появляются на академических конференциях, в исследовательских лабораториях или на политических встречах, в проектных группах и на стратегических мозговых штурмах. У них есть три общих характеристики. Во-первых, проблемы сложны: они касаются многомерных контекстов, которые трудно объяснить, спроектировать, развить или предсказать. Во-вторых, прорывные идеи не возникают по волшебству и не строятся заново из цельного куска ткани. Они берут существующую идею, понимание, хитрость или правило и применяют их по-новому или комбинируют идеи - как, например, революционное перепрофилирование Apple технологии сенсорного экрана. В случае с Гриффитом он применил концепцию из теории информации: минимальная длина описания. Чтобы сказать «No-L», требуется меньше слов, чем для перечисления «ABCDEFGHIJKMNOPQRSTUVWXYZ». Я должен добавить, что эти новые идеи обычно приносят скромную прибыль. Но в совокупности они могут иметь большие последствия. Прогресс происходит как за счет последовательности маленьких шагов, так и за счет гигантских прыжков.
В-третьих, эти идеи рождаются в групповых условиях. Один человек представляет свое видение проблемы, описывает подход к поиску решения или определяет камень преткновения, а второй человек делает предложение или знает обходной путь. Покойный ученый-компьютерщик Джон Холланд обычно спрашивал: «Думали ли вы об этом как о марковском процессе с набором состояний и переходом между этими состояниями?» Такой запрос заставлял докладчика определять состояния. Это простое действие часто приводило к озарению.
Появление команд - большая часть академических исследований в настоящее время проводится в командах, как и самые большие инвестиции и даже большая часть написания песен (по крайней мере, для хороших песен) - отслеживает растущую сложность нашего мира. Раньше мы строили дороги от А до Б. Теперь мы строим транспортную инфраструктуру с экологическими, социальными, экономическими и политическими последствиями.
Сложность современных проблем часто не позволяет одному человеку полностью их понять. К факторам, способствующим повышению уровня ожирения, например, относятся транспортные системы и инфраструктура, средства массовой информации, полуфабрикаты, изменение социальных норм, биология человека и психологические факторы. Возьмем другой пример, проектирование авианосца требует знаний в области ядерной инженерии, военно-морской архитектуры, металлургии, гидродинамики, информационных систем, военных протоколов, учений современной войны и, учитывая длительное время строительства, способности предсказывать тенденции в системах вооружения..
Многомерный или многоуровневый характер сложных проблем также подрывает принцип меритократии: идею о том, что следует нанимать «лучшего человека». Нет лучшего человека. Собирая группу онкологических исследований, биотехнологические компании, такие как Gilead или Genentech, не стали бы проводить тест с несколькими вариантами ответов и нанимать лучших, или нанимать людей, чье резюме набрало бы самые высокие баллы в соответствии с некоторыми критериями эффективности. Вместо этого они будут стремиться к разнообразию. Они создадут команду людей, обладающих разнообразными базами знаний, инструментами и аналитическими навыками. Скорее всего, в эту команду войдут математики (хотя и не логики вроде Гриффита). А математики, скорее всего, будут изучать динамические системы и дифференциальные уравнения.
Сторонники меритократии могут согласиться с тем, что команды должны быть разнообразными, но затем утверждать, что меритократические принципы должны применяться в каждой категории. Таким образом, команда должна состоять из «лучших» математиков, «лучших» онкологов и «лучших» биостатистиков из пула.
Эта позиция имеет аналогичный недостаток. Даже в области знаний никакие тесты или критерии, применяемые к отдельным людям, не создадут лучшую команду. Каждая из этих областей обладает такой глубиной и широтой, что никакой тест не может существовать. Возьмем область неврологии. В прошлом году было опубликовано более 50 000 статей, охватывающих различные методы, области исследования и уровни анализа, начиная от молекул и синапсов и заканчивая сетями нейронов. Учитывая эту сложность, любая попытка ранжировать группу нейробиологов от лучших к худшим, как если бы они были конкурентами в беге на 50 метров баттерфляем, обречена на провал. Что может быть правдой, так это то, что, учитывая конкретную задачу и состав конкретной команды, один ученый с большей вероятностью внесет свой вклад, чем другой. Оптимальный найм зависит от контекста. Оптимальные команды будут разнообразными.
Доказательства этого утверждения можно увидеть в том, что документы и патенты, объединяющие различные идеи, имеют тенденцию оцениваться как высокоэффективные. Его также можно найти в структуре так называемого леса случайных решений, современного алгоритма машинного обучения. Случайные леса состоят из ансамблей деревьев решений. Если классифицировать картинки, каждое дерево голосует: это лиса или собака? Правило взвешенного большинства. Случайные леса могут служить многим целям. Они могут выявлять банковские мошенничества и болезни, рекомендовать потолочные вентиляторы и предсказывать поведение на онлайн-знакомствах.
При постройке леса вы не выбираете лучшие деревья, так как они, как правило, имеют сходную классификацию. Вы хотите разнообразия. Программисты достигают такого разнообразия, обучая каждое дерево на разных данных - метод, известный как бэггинг. Они также улучшают лес «когнитивно», обучая деревья самым сложным случаям - тем, в которых текущий лес ошибается. Это обеспечивает еще большее разнообразие и точные леса.
Тем не менее, заблуждение меритократии сохраняется. Корпорации, некоммерческие организации, правительства, университеты и даже дошкольные учреждения проверяют, оценивают и нанимают «лучших». Это почти гарантирует не создание лучшей команды. Ранжирование людей по общим критериям приводит к однородности. И когда закрадываются предубеждения, это приводит к тому, что люди выглядят как те, кто принимает решения. Это вряд ли приведет к прорывам. Как сказал Астро Теллер, генеральный директор X, «фабрики лунных побегов» в Alphabet, материнской компании Google: «Важно иметь людей с разными взглядами на мир. Если вы хотите исследовать вещи, которые вы не исследовали, иметь людей, которые выглядят так же, как вы и думают так же, как вы, - не лучший способ». Мы должны увидеть лес.
Скотт Э. Пейдж