ОПТИМАЛЬНАЯ СТРАТЕГИЯ ИННОВАЦИЙ
Инновации для организаций, - то же самое, что эволюция для живых организмов: с их помощью организации адаптируются к изменениям в окружающей бизнес-среде и совершенствуются.
Без инноваций, компании сначала отстают от конкурентов и потом и вовсе уходят под давлением рыночных и средовых изменений.
Тем не менее, несмотря на неуклонный прогресс в нашем понимании эволюции, то, что движет инновациями, до сих пор оставалось неуловимым.
— С одной стороны, многие крупные компании вкладывают значительные средства в свои стратегии стимулирования инноваций.
Например, P&G и Unilever разработали специальные бизнес-процессы и руководства, по поиску новых инновационных продуктов и довольно успешно опираются на них в развитии бизнеса.
— С другой стороны, исторический анализ и индивидуальный опыт позволяют предположить, что значительную роль в процессе обнаружения инноваций играет серендипность – способность к интуитивным прозрениям.
Примеры компаний Apple и Tesla наглядно демонстрируют высокую эффективность обнаружения инноваций с помощью серендипности.
Поэтому любая компания стремится понять:
Каково же оптимальное место серендипности в стратегии инноваций?
Одинаковы ли должны быть стратегии для крупных компаний и стартапов?
Можно ли в принципе формализовать и оцифровать стратегии инноваций, сочетающие классический подход с серендипностью?
На все эти вопросы пытается дать ответы уникальное исследование «Серендипность и стратегия быстрых инноваций» , выполненное на стыке математики и практики разработки стратегий бизнеса.
Это не очередная красивая теория, а вполне практическое исследование, выполненное совместно Лондонским институтом математических наук, Национальным научно-исследовательским центром Франции и Хендерсовским институтом консалтинговой компании BCG, исследующим пути эффективного внедрения бизнес-идей на основе наиболее передовых научных методов и технологий.
Авторы исследования проанализировали математику инноваций, как процесс поиска жизнеспособных проектов во вселенной строительных блоков. А затем протестировали свои выводы на исторических данные по инновациям.
Три класса исследуемых авторами стратегий можно уподобить трем стратегиям сборки конструктора Лего, которые используют Боб, Элис и Вася, получившие задание собрать как можно больше интересных игрушек - фигур/механизмов/оборудования по теме «Мир пожарных».
Каждый из трех имеет собственную стратегию отбора лего-элементов из общей кучи доступных.
— Боб следует стратегии выбора таких лего-элементов, которые более всего подходят для скорейшей сборки той конкретной фигуры, которая им задумана и, вроде как, уже начала получаться (это недальновидная стратегии создания минимально-жизнеспособного продукта, свойственная стартапам).
— Стратегия Элис – выбор наиболее универсальных лего-элементов, которые могут подойти много к чему (это дальновидная ресурсопожирающая стратегия китов бизнеса, типа IBM и Google).
— Вася следует своим интуитивным озарениям, тягая из кучи элементов то, что подсказывает его интуиция (это стратегия Apple).
Исследователи показали, что все 3 стратегии НЕ оптимальные. Для оптимальности нужно сочетание всех трех стратегий в уникальной для каждой компании пропорции
#инновации #серендипность #стратегия #бизнес
Редко встречаются исследования, результаты которых одинаково полезны для китов бизнеса и мелких стартапов, для СЕО и инженера, для инвестбанкира и ITшника.
Этот пост как раз про такое исследованиеИнновации для организаций, - то же самое, что эволюция для живых организмов: с их помощью организации адаптируются к изменениям в окружающей бизнес-среде и совершенствуются.
Без инноваций, компании сначала отстают от конкурентов и потом и вовсе уходят под давлением рыночных и средовых изменений.
Тем не менее, несмотря на неуклонный прогресс в нашем понимании эволюции, то, что движет инновациями, до сих пор оставалось неуловимым.
— С одной стороны, многие крупные компании вкладывают значительные средства в свои стратегии стимулирования инноваций.
Например, P&G и Unilever разработали специальные бизнес-процессы и руководства, по поиску новых инновационных продуктов и довольно успешно опираются на них в развитии бизнеса.
— С другой стороны, исторический анализ и индивидуальный опыт позволяют предположить, что значительную роль в процессе обнаружения инноваций играет серендипность – способность к интуитивным прозрениям.
Примеры компаний Apple и Tesla наглядно демонстрируют высокую эффективность обнаружения инноваций с помощью серендипности.
Поэтому любая компания стремится понять:
Каково же оптимальное место серендипности в стратегии инноваций?
Одинаковы ли должны быть стратегии для крупных компаний и стартапов?
Можно ли в принципе формализовать и оцифровать стратегии инноваций, сочетающие классический подход с серендипностью?
На все эти вопросы пытается дать ответы уникальное исследование «Серендипность и стратегия быстрых инноваций» , выполненное на стыке математики и практики разработки стратегий бизнеса.
Это не очередная красивая теория, а вполне практическое исследование, выполненное совместно Лондонским институтом математических наук, Национальным научно-исследовательским центром Франции и Хендерсовским институтом консалтинговой компании BCG, исследующим пути эффективного внедрения бизнес-идей на основе наиболее передовых научных методов и технологий.
Авторы исследования проанализировали математику инноваций, как процесс поиска жизнеспособных проектов во вселенной строительных блоков. А затем протестировали свои выводы на исторических данные по инновациям.
Три класса исследуемых авторами стратегий можно уподобить трем стратегиям сборки конструктора Лего, которые используют Боб, Элис и Вася, получившие задание собрать как можно больше интересных игрушек - фигур/механизмов/оборудования по теме «Мир пожарных».
Каждый из трех имеет собственную стратегию отбора лего-элементов из общей кучи доступных.
— Боб следует стратегии выбора таких лего-элементов, которые более всего подходят для скорейшей сборки той конкретной фигуры, которая им задумана и, вроде как, уже начала получаться (это недальновидная стратегии создания минимально-жизнеспособного продукта, свойственная стартапам).
— Стратегия Элис – выбор наиболее универсальных лего-элементов, которые могут подойти много к чему (это дальновидная ресурсопожирающая стратегия китов бизнеса, типа IBM и Google).
— Вася следует своим интуитивным озарениям, тягая из кучи элементов то, что подсказывает его интуиция (это стратегия Apple).
Исследователи показали, что все 3 стратегии НЕ оптимальные. Для оптимальности нужно сочетание всех трех стратегий в уникальной для каждой компании пропорции
А каковы эти пропорции – читайте статью. Но все упирается в т.н. «относительную полезность» нового элемента при заданном максимальном числе возможных элементов. #инновации #серендипность #стратегия #бизнес
ИИ можно научить интуитивной прозорливости.
Глубокое обучение способно находить скрытые маркеры провидческих идей в обширных корпусах текстов.
Такой вывод следует из фантастически интересной работы «Модель глубокого обучения провидческих идей демонстрирует, что они возникают на периферии», которая выйдет в мартовском номере PNAS Nexus.
Революционность этого открытия в следующем:
• До сего времени считалось, что провидческие идеи могут быть обнаружены только постфактум, то есть когда известно будущее состояние мира.
• Оказалось, это не так. ИИ способен идентифицировать провидческие идеи в настоящем времени, не зная будущее состояние мира.
В 21 веке открытие механизма серендипности (способности к интуитивным прозрениям, лежащей в основе провидческих, абсолютно нестандартных и воистину прорывных идей) может стать для человечества столь же важно, как открытие квантовой механики для 20го века.
Дело в том, что серендипность это:
✔️ важнейший элемент, без которого любые стратегии инноваций не будут оптимальны - см. мой пост;
✔️ ключевая отличительная способность разума Homo sapiens, делающая нас «богоподобными», позволяя нам привносить связную, богатую смысловую перспективу в многомерную сложную реальность (часто эту способность ошибочно называют интуицией, но это, хоть и близкая, но совсем иная способность) – см. мой пост;
✔️ один из семи базовых элементов (наряду со смежным возможным, аффордансами, предиктивным мозгом, дистальным моделированием, квантовой суперпозицией внутренних реальностей и мультиверсом) «теории относительности интеллекта» Роли-Йегера-Кауффмана ) – см. мой пост;
✔️ уникальное эволюционное преимущество (наряду с нерациональностью), помогающее людям не только творить, но и выживать за счет способности решать невычислимые задачи – см. мой пост;
Согласно «теории относительности интеллекта», серендипность не доступна ИИ.
Но зато, как показало новое исследование, с помощью глубокого обучения можно обнаруживать в корпусах текстов из разных сфер деятельности людей (бизнес, право, политика) скрытые лингвистические маркеры провидческих идей.
Кроме того, исследование установило два нетривиальных момента.
1. Провидческие идеи возникают не в центре, а на периферии многомерного пространства слов.
2. Для появления провидческой идеи, важен не только сам автор, но и контекст, в котором идея рождается. Хотя способность генерировать такие идеи часто приписывается отдельным людям, их происхождение может быть связано как с людьми, так и с контекстом.
Авторы идентифицируют лингвистические маркеры провидческих идей, используя представления двунаправленного кодировщика трансформера BERT - глубокую нейронную сеть, которая кодирует семантическую и контекстуальную информацию языка.
Новый метод позволяет извлекать провидческие идеи из естественного языка независимо от формы, в которой эта идея в конечном итоге реализуется, и в широком диапазоне областей.
#инновации #серендипность #Аффорданс
Глубокое обучение способно находить скрытые маркеры провидческих идей в обширных корпусах текстов.
Такой вывод следует из фантастически интересной работы «Модель глубокого обучения провидческих идей демонстрирует, что они возникают на периферии», которая выйдет в мартовском номере PNAS Nexus.
Революционность этого открытия в следующем:
• До сего времени считалось, что провидческие идеи могут быть обнаружены только постфактум, то есть когда известно будущее состояние мира.
• Оказалось, это не так. ИИ способен идентифицировать провидческие идеи в настоящем времени, не зная будущее состояние мира.
В 21 веке открытие механизма серендипности (способности к интуитивным прозрениям, лежащей в основе провидческих, абсолютно нестандартных и воистину прорывных идей) может стать для человечества столь же важно, как открытие квантовой механики для 20го века.
Дело в том, что серендипность это:
✔️ важнейший элемент, без которого любые стратегии инноваций не будут оптимальны - см. мой пост;
✔️ ключевая отличительная способность разума Homo sapiens, делающая нас «богоподобными», позволяя нам привносить связную, богатую смысловую перспективу в многомерную сложную реальность (часто эту способность ошибочно называют интуицией, но это, хоть и близкая, но совсем иная способность) – см. мой пост;
✔️ один из семи базовых элементов (наряду со смежным возможным, аффордансами, предиктивным мозгом, дистальным моделированием, квантовой суперпозицией внутренних реальностей и мультиверсом) «теории относительности интеллекта» Роли-Йегера-Кауффмана ) – см. мой пост;
✔️ уникальное эволюционное преимущество (наряду с нерациональностью), помогающее людям не только творить, но и выживать за счет способности решать невычислимые задачи – см. мой пост;
Согласно «теории относительности интеллекта», серендипность не доступна ИИ.
Но зато, как показало новое исследование, с помощью глубокого обучения можно обнаруживать в корпусах текстов из разных сфер деятельности людей (бизнес, право, политика) скрытые лингвистические маркеры провидческих идей.
Кроме того, исследование установило два нетривиальных момента.
1. Провидческие идеи возникают не в центре, а на периферии многомерного пространства слов.
2. Для появления провидческой идеи, важен не только сам автор, но и контекст, в котором идея рождается. Хотя способность генерировать такие идеи часто приписывается отдельным людям, их происхождение может быть связано как с людьми, так и с контекстом.
Авторы идентифицируют лингвистические маркеры провидческих идей, используя представления двунаправленного кодировщика трансформера BERT - глубокую нейронную сеть, которая кодирует семантическую и контекстуальную информацию языка.
Новый метод позволяет извлекать провидческие идеи из естественного языка независимо от формы, в которой эта идея в конечном итоге реализуется, и в широком диапазоне областей.
#инновации #серендипность #Аффорданс
OUP Academic
A deep-learning model of prescient ideas demonstrates that they emerge from the periphery
Abstract. Where do prescient ideas—those that initially challenge conventional assumptions but later achieve widespread acceptance—come from? Although their out
ИИ вскрыл “пространство открытий” человечества, войдя туда через заднюю дверь.
Столь эпохальный прорыв Google DeepMind авторы от греха опасаются называть своим именем.
FunSearch от Google DeepMind, - скромно представленная создателями, как новый эволюционный методический инструмент решения математических задач, с ходу в карьер сделал математическое открытие, решив центральную задачу экстремальной комбинаторики – задачу о наборе предельных значений.
Это несомненная сенсация, поскольку:
• это 2-е в истории человечества математическое открытие, сделанное машиной (1-е открытие также сделал DeepMind, создав в 2022 AlphaTensor (агент в стиле AlphaZero), который обнаружил превосходящие человеческие алгоритмы для выполнения таких задач, как умножение матриц)
• это 1-е в истории человечества математическое открытие, сделанное большой языковой моделью (LLM) – главным кандидатом на превращение в СуперИИ.
https://deepmind.google/discover/blog/funsearch-making-new-discoveries-in-mathematical-sciences-using-large-language-models/?utm_source=twitter&utm_medium=social
Однако, если называть вещи своими именами, - это не «еще одна сенсация», а суперсенсация, открывающая новую эру в развитии ИИ на основе LLM - эволюционный метод FunSearch позволяет расширять границы человеческих знаний.
✔️ Этот метод позволяет ИИ на основе LLM выходить за пределы знаний, предоставленных модели людьми на стадии ее обучения (и воплощенные, в результате обучения, в миллиарды и триллионы корреляций между словами).
✔️ Образно говоря, этот метод открывает для ИИ на основе LLM «дверь в пространство знаний», еще не познанных людьми.
✔️ Но это не обычная «дверь», через которую в это пространство попадают люди, совершая открытия. Это, своего рода, «задняя дверь», - не доступная людям, но вполне подходящая для LLM.
Хитрость «задней двери в пространство еще не познанных людьми знаний» в том, что, подобно всем другим интеллектуальным операциям LLM, эта операция нечеловеческая (не доступная людям в силу своих масштабов).
1. сначала предварительно обученная LLM генерирует первоначальные творческие решения в виде компьютерного кода;
2. потом вступает в дела «автоматический оценщик», задача которого отсеять из множества первоначальных решений любые подозрения на конфабуляции модели (кстати, использование применительно к LLM термина «галлюцинация» - это сильное огрубление смысла, ведущее к его ограниченной трактовке; верный термин – именно конфабуляция), т.е. возникновение ложного опыта из-за появления фрагментов памяти с описанием того, чего, на самом деле, не было в реальных данных обучения);
3. в результате объединения 1 и 2, первоначальные решения эволюционным путем «превращаются» в новые знания, т.е., по сути, происходит «автоматизация открытий», о которой вот уже несколько десятков лет мечтают разработчики ИИ - вычисления превращаются а оригинальные инсайты.
В заключение немного остужу восторги.
Это вовсе не преувеличение, что FunSearch знаменует новую эру в развитии ИИ на основе LLM, позволяя им проникать в «пространство открытий» человечества.
Однако, FunSearch позволяет ИИ попасть лишь в весьма небольшую часть этого пространства – в пространство решений задач, для которых легко написать код, оценивающий возможные решения.
Ибо многие из наиболее важных проблем — это проблемы, которые мы не знаем, как правильно оценить успех в их решении. Для большинства таких проблем, знай мы, как количественно оценить успех, уж решения то мы уж как-нибудь придумали бы.... (подробней про это я написал целый суперлонгрид «Ловушка Гудхарта» для ИИ https://t.iss.one/theworldisnoteasy/1830.
А для того, чтоб сравниться с людьми в полном освоении «пространства открытий», без интуитивной прозорливости ИИ не обойтись (впрочем, и про это я уже писал 😊 https://t.iss.one/theworldisnoteasy/1650).
#ИИ #AGI #Вызовы21века #инновации #серендипность
Столь эпохальный прорыв Google DeepMind авторы от греха опасаются называть своим именем.
FunSearch от Google DeepMind, - скромно представленная создателями, как новый эволюционный методический инструмент решения математических задач, с ходу в карьер сделал математическое открытие, решив центральную задачу экстремальной комбинаторики – задачу о наборе предельных значений.
Это несомненная сенсация, поскольку:
• это 2-е в истории человечества математическое открытие, сделанное машиной (1-е открытие также сделал DeepMind, создав в 2022 AlphaTensor (агент в стиле AlphaZero), который обнаружил превосходящие человеческие алгоритмы для выполнения таких задач, как умножение матриц)
• это 1-е в истории человечества математическое открытие, сделанное большой языковой моделью (LLM) – главным кандидатом на превращение в СуперИИ.
https://deepmind.google/discover/blog/funsearch-making-new-discoveries-in-mathematical-sciences-using-large-language-models/?utm_source=twitter&utm_medium=social
Однако, если называть вещи своими именами, - это не «еще одна сенсация», а суперсенсация, открывающая новую эру в развитии ИИ на основе LLM - эволюционный метод FunSearch позволяет расширять границы человеческих знаний.
✔️ Этот метод позволяет ИИ на основе LLM выходить за пределы знаний, предоставленных модели людьми на стадии ее обучения (и воплощенные, в результате обучения, в миллиарды и триллионы корреляций между словами).
✔️ Образно говоря, этот метод открывает для ИИ на основе LLM «дверь в пространство знаний», еще не познанных людьми.
✔️ Но это не обычная «дверь», через которую в это пространство попадают люди, совершая открытия. Это, своего рода, «задняя дверь», - не доступная людям, но вполне подходящая для LLM.
Хитрость «задней двери в пространство еще не познанных людьми знаний» в том, что, подобно всем другим интеллектуальным операциям LLM, эта операция нечеловеческая (не доступная людям в силу своих масштабов).
1. сначала предварительно обученная LLM генерирует первоначальные творческие решения в виде компьютерного кода;
2. потом вступает в дела «автоматический оценщик», задача которого отсеять из множества первоначальных решений любые подозрения на конфабуляции модели (кстати, использование применительно к LLM термина «галлюцинация» - это сильное огрубление смысла, ведущее к его ограниченной трактовке; верный термин – именно конфабуляция), т.е. возникновение ложного опыта из-за появления фрагментов памяти с описанием того, чего, на самом деле, не было в реальных данных обучения);
3. в результате объединения 1 и 2, первоначальные решения эволюционным путем «превращаются» в новые знания, т.е., по сути, происходит «автоматизация открытий», о которой вот уже несколько десятков лет мечтают разработчики ИИ - вычисления превращаются а оригинальные инсайты.
В заключение немного остужу восторги.
Это вовсе не преувеличение, что FunSearch знаменует новую эру в развитии ИИ на основе LLM, позволяя им проникать в «пространство открытий» человечества.
Однако, FunSearch позволяет ИИ попасть лишь в весьма небольшую часть этого пространства – в пространство решений задач, для которых легко написать код, оценивающий возможные решения.
Ибо многие из наиболее важных проблем — это проблемы, которые мы не знаем, как правильно оценить успех в их решении. Для большинства таких проблем, знай мы, как количественно оценить успех, уж решения то мы уж как-нибудь придумали бы.... (подробней про это я написал целый суперлонгрид «Ловушка Гудхарта» для ИИ https://t.iss.one/theworldisnoteasy/1830.
А для того, чтоб сравниться с людьми в полном освоении «пространства открытий», без интуитивной прозорливости ИИ не обойтись (впрочем, и про это я уже писал 😊 https://t.iss.one/theworldisnoteasy/1650).
#ИИ #AGI #Вызовы21века #инновации #серендипность
Google DeepMind
FunSearch: Making new discoveries in mathematical sciences using Large Language Models
We introduce FunSearch, a method for searching for “functions” written in computer code, and find new solutions in mathematics and computer science. FunSearch works by pairing a pre-trained LLM,...
Человечеству дорого обходится рудимент когнитивной эволюции Homo.
За обезьянничание мы платим серендипностью, снижая свое ключевое эволюционное преимущество.
И это распространяется на все стратегии «социального восхождения»: в бизнесе, политике, игре на фондовых рынках, работе в инфосфере и даже при движении в пробках.
Первой и самой длительной эпохой культурной эволюции Homo (начавшейся примерно 2М лет назад и закончившейся около 100К лет назад с развитием у людей полноценного языка со сложной грамматикой и словарным запасом) была «протосимволическая» или «миметическая» эпоха. В те далекие времена передача информации и эмоций в ходе коммуникации и социального обучения основывались на языке тела, жестов, мимике и подражании.
Именно имитация была тогда важнейшим элементом миметической коммуникации и социального обучения, позволяя индивидуумам демонстрировать и передавать опыт через подражание действиям, объектам или состояниям без использования символов или языка в его современном понимании.
И даже после смены «миметической эпохи» на «символическую» (с развитием языка со сложной грамматикой и словарем, включающим абстрактные понятия) практика имитации осталась накрепко впаянной в природу людей, будучи простым и надежным, проверенным миллионами лет подходом при выборе социальных стратегий.
Поэтому и сегодня, в нашем супер-пупер развитом обществе стремление индивидов к успеху (от политиков до стартаперов) по-прежнему основано на имитации – подражанию тем, кто считается наиболее успешным в социально-экономических системах общества.
А как определяется, кто наиболее успешен? Да просто участников социально-экономических систем ранжируют по их эффективности, сводя к упорядоченным спискам. И так делается повсюду: от академических исследований до бизнеса.
Однако, современные исследования показывают, что во многих контекстах те, кто достигает вершины, не обязательно являются самыми талантливыми, поскольку в формировании рейтингов играет роль случайность [1]. Но увы, роль случайности в определении успеха (т.е. серендипность [2]), в большинстве случаев недооценивается, и люди тупо подражают другим, полагая, что применение их стратегий приведет к эквивалентным результатам.
Какова цена и последствия такого пренебрежения серендипностью в пользу имитации? (пренебрежения, являющегося рудиментом «миметической прошивки» нашего мозга эволюцией)
На этот вопрос отвечает новое, фантастически интересное исследование «Имитация против случайности в динамике рейтингов», исследующее компромисс между подражанием и серендипностью в агентной модели [3].
Его резюме таково.
В обществе, где доминирующим способом достижения успеха является имитация стратегий и действий «лучших»:
✔️ правит «закон Матфея»: в социально-экономических системах прогрессируют немеритократические тенденции: «элитное меньшинство» получает все большую часть вознаграждений, благ и т.д.
✔️ среди «элитного меньшинства» становится все меньше реально более эффективных
✔️ снижается важнейший показатель - разнообразие, поскольку все агенты склонны концентрироваться на одном единственном действии, которое, возможно, даже не связано со значимыми общественными выгодами
Напротив, когда в обществе преобладающим механизмом движения к успеху является серендипность:
✔️ общество становится более эгалитарным
✔️ увеличивается корреляция между вознаграждением (благами и т.д.) и навыками индивидов
✔️ растет разнообразие
Резюме печально.
Неоптимальность главной социальной стратегии Homo sapiens снижает наше ключевое эволюционное преимущество – серендипность (способность к незапланированным случайным открытиям в процессе творческой деятельности).
И кто знает, чего бы мы уже достигли, положись мы на другой эволюционный дар – не на имитацию, а на серендипность (может и на Марсе уже бы колонисты жили).
А теперь вся надежда на инфоргов. Но и тут, судя по LLM, ставка пока на имитацию.
1 см. посты 1го тэга
2 https://t.iss.one/theworldisnoteasy/1398
3 https://arxiv.org/abs/2401.15968
#ScienceOfSuccess #инновации #серендипность
За обезьянничание мы платим серендипностью, снижая свое ключевое эволюционное преимущество.
И это распространяется на все стратегии «социального восхождения»: в бизнесе, политике, игре на фондовых рынках, работе в инфосфере и даже при движении в пробках.
Первой и самой длительной эпохой культурной эволюции Homo (начавшейся примерно 2М лет назад и закончившейся около 100К лет назад с развитием у людей полноценного языка со сложной грамматикой и словарным запасом) была «протосимволическая» или «миметическая» эпоха. В те далекие времена передача информации и эмоций в ходе коммуникации и социального обучения основывались на языке тела, жестов, мимике и подражании.
Именно имитация была тогда важнейшим элементом миметической коммуникации и социального обучения, позволяя индивидуумам демонстрировать и передавать опыт через подражание действиям, объектам или состояниям без использования символов или языка в его современном понимании.
И даже после смены «миметической эпохи» на «символическую» (с развитием языка со сложной грамматикой и словарем, включающим абстрактные понятия) практика имитации осталась накрепко впаянной в природу людей, будучи простым и надежным, проверенным миллионами лет подходом при выборе социальных стратегий.
Поэтому и сегодня, в нашем супер-пупер развитом обществе стремление индивидов к успеху (от политиков до стартаперов) по-прежнему основано на имитации – подражанию тем, кто считается наиболее успешным в социально-экономических системах общества.
А как определяется, кто наиболее успешен? Да просто участников социально-экономических систем ранжируют по их эффективности, сводя к упорядоченным спискам. И так делается повсюду: от академических исследований до бизнеса.
Однако, современные исследования показывают, что во многих контекстах те, кто достигает вершины, не обязательно являются самыми талантливыми, поскольку в формировании рейтингов играет роль случайность [1]. Но увы, роль случайности в определении успеха (т.е. серендипность [2]), в большинстве случаев недооценивается, и люди тупо подражают другим, полагая, что применение их стратегий приведет к эквивалентным результатам.
Какова цена и последствия такого пренебрежения серендипностью в пользу имитации? (пренебрежения, являющегося рудиментом «миметической прошивки» нашего мозга эволюцией)
На этот вопрос отвечает новое, фантастически интересное исследование «Имитация против случайности в динамике рейтингов», исследующее компромисс между подражанием и серендипностью в агентной модели [3].
Его резюме таково.
В обществе, где доминирующим способом достижения успеха является имитация стратегий и действий «лучших»:
✔️ правит «закон Матфея»: в социально-экономических системах прогрессируют немеритократические тенденции: «элитное меньшинство» получает все большую часть вознаграждений, благ и т.д.
✔️ среди «элитного меньшинства» становится все меньше реально более эффективных
✔️ снижается важнейший показатель - разнообразие, поскольку все агенты склонны концентрироваться на одном единственном действии, которое, возможно, даже не связано со значимыми общественными выгодами
Напротив, когда в обществе преобладающим механизмом движения к успеху является серендипность:
✔️ общество становится более эгалитарным
✔️ увеличивается корреляция между вознаграждением (благами и т.д.) и навыками индивидов
✔️ растет разнообразие
Резюме печально.
Неоптимальность главной социальной стратегии Homo sapiens снижает наше ключевое эволюционное преимущество – серендипность (способность к незапланированным случайным открытиям в процессе творческой деятельности).
И кто знает, чего бы мы уже достигли, положись мы на другой эволюционный дар – не на имитацию, а на серендипность (может и на Марсе уже бы колонисты жили).
А теперь вся надежда на инфоргов. Но и тут, судя по LLM, ставка пока на имитацию.
1 см. посты 1го тэга
2 https://t.iss.one/theworldisnoteasy/1398
3 https://arxiv.org/abs/2401.15968
#ScienceOfSuccess #инновации #серендипность
Telegram
Малоизвестное интересное
Разум Homo sapiens – это не только сложнейшая биологическая структура, но и набор способностей, среди которых есть, как минимум, одна уникальная. Именно она позволила одному из наиболее развитых в ходе эволюции животных за какие-то 6 млн лет обрести сверхспособности…