Перейдем теперь к «технологии» — как создавать модель.

Перейдем теперь к «технологии» — как создавать модель.

Получение моделей как будто представляет собой отражение объекта, если его рассматривать, или слушать. Так же, как объектив фотоаппарата рисует на пластинке негатив, так глаз «рисует» узоры из нейронов в коре мозга. Но... не совсем так. Во-первых, существует настройка рецептора — избирательное тонкое восприятие деталей. Получаются неравномерные модели. Во-вторых, выбор объектов. Разум присутствует уже при восприятии, отбирает информацию. По каким признакам? Под влиянием чего? Скажем пока коротко (до рассмотрения человеческого разума). Первичный отбор информации или объектов для моделирования диктуют чувства («Что интересно») и убеждения («Что считаем важным»). Таким образом, субъективное начало при­сутствует с момента восприятия. Именно поэтому одни н re же сложные объекты каждый воспринимает не только иными и по-разному изображает их.

Понимание истин... Что это такое? Может быть,просто распознавание фигур? Примерно так и есть. Мы распознаем неизвестное путем сравнения с извест­ным — целиком или по частям. Эти известные фигуры-эталоноы, взятые для сравнения, заложены в память разума через обучение. Они привязаны к другим, уже имеющим назначение, обозначение, оцененным чувства­ми. Мы их «знаем». Наоборот, неизвестные фигуры не имеют названия, применения, их некуда «привязать».

Каждый разум старается узнать в незнакомом знакомое. У каждого в памяти свой набор обобщенных и частных моделей (фигур). Их он и накладывает на новую. При этом неважно, что полного совпадения не по­лучается. Если есть уверенность, то неполное совпаде­ние сходит за полное. В этом — субъективность распознавания или понимания истины.

Познание (моделирование) простых систем относительно несложно. Проблемы возникают в познании «живых» систем. Их описательные модели находятся на уровне детских рисунков и игрушек. Масса деталей и ненадежных обобщений. Степень обобщения и крен н ту или иную сторону определяются квалификацией и убежденностью автора, то есть набором моделей-эта­лонов, которые у него в памяти и которые он «любит». Психологи называют это «установка». Если грубее: «предвзятые идеи». Та или иная степень предвзятости существует у каждого, поскольку у каждого разума есть чувства и память. Нет абсолютно объективных исследователей, когда дело касается сложных систем, где приходится пользоваться обобщенными моделями.

Аппарат человеческого разума для познания сложных систем ограничен. Книжные словесные модели — неподходящий код для количественного моделирования. Подобные модели более простых объектов — в физике и технике — построены с использованием математики и представлены системами уравнений.

Другое дело, например, клетка или общество. Структурных единиц очень много, они скомпонованы в мно­гоэтажную иерархию. Количественно определить зави­симости между элементами очень трудно. Цифровые данные недостаточны и противоречивы. Поэтому коли­чественные модели ограничиваются частными задачами.

В то же время без полных или хотя бы обобщенных моделей не всегда понятен даже принцип действия системы. Именно поэтому они необходимы.

Здесь показана простенькая схема, чтобы представить, как примерно выглядит эта самая «действующая» модель некой системы.

Каждый квадратик (А — Е) — это структурная часть, например орган. Каждая стрелка (1—6) — функ­ция. «Выход» одной части является «входом» для дру­гой. Некоторые стрелки замыкают «обратные связи». Теперь к этому термину привыкли, хотя и не все по­нимают, что говорят. В принципе, это когда часть «вы­хода» снова замыкается на «вход» и суммируется с ним. Положительная обратная связь (а +) усиливает «вход» и быстро доводит функцию до максимума, отрицатель­ная (Ь —) уменьшает и способствует плавности пере­хода с одного режима на другой...

Чтобы создать подобную модель, нужно много труда.

Сначала нужно выбрать цель: для чего? К приме­ру, для управления или для выяснения скрытых меха­низмов взаимодействия частей. Потом прикинуть воз­можности: что мы знаем о структуре объекта, есть ли цифровая информация о функциях? Сколько мы можем сосчитать на наших машинах? От всего этого зависит выбор уровня обобщения, с которого мы воспроизводим объект в модели. Так, организм можно моделировать, начиная с клеток или с органов, или вообще взять его как одно целое, как «черный ящик» с внешними «вхо­дами» и «выходами». Практически можно создать мо­дели только на уровне органов, для ее уравнений есть цифры, и объем доступен компьютеру.

Выбор уровня обобщения — это первая грубая при­кидка масштаба модели. Следующий шаг состоит в со­здании непротиворечивой гипотезы о структуре и функ­циях объекта на данном уровне. Попросту это выра­жается в составлении схемы вроде той, что показана на рисунке. Дело это нелегкое. По каждой из сложных систем, будь то разум, или организм, или личность, на­писаны библиотеки книг. Они содержат массу фактов, правильных и ложных. Нужно выбрать из этого мно­жества что-то одно с минимумом противоречий. Тут уже невозможно избежать пристрастий автора.

Гипотеза — это качественная основа модели. Ком­пьютеры требуют только цифр. Поэтому стрелки в схе­ме нужно заменить уравнениями. Это трудный и самый произвольный этап, потому что мало достоверной коли­чественной информации. Приходится «округлять», ис­правлять, а некоторые зависимости вообще придумы­вать исходя из словесных описаний.

Когда все уравнения составлены, начинается мучи­тельная «подгонка» модели под гипотезу. Именно тогда выпирают все противоречия гипотезы, неправильно составленные характеристики (уравнения), и многое приходится изменять.

Наконец модель сбалансирована. Сошлись концы с концами, программа работает, и модель можно ис­следовать. Начинается «игра». Задаются различные условия, что выражается во внешних «входах», и про­изводится подсчет всех функций и суммарных «выхо­дов» — так действует система-модель.

Это и есть самое интересное: мы производим эксперимент, только не на живом объекте, а на некоем его подобии, на модели. Тут обнаруживается великая сила моделирования. Во-первых, не всякий объект вообще можно подвергнуть опыту. Пример — общество. Во-вторых, не всегда можно задать раздражители (представьте, перед вами человек). И, в-третьих, на модели можно экспериментировать сколько угодно, быстро и де­шево.

Главное назначение исследования модели —1 срав­нить с таким же опытом на объекте, когда он возмо­жен технически. Если обнаруживается хорошее сход­ство в нескольких контрольных условиях опыта, значит, модель правильная и готова даже для практического использования в управлении объектом. Например, для лечения больного...

Ученый-скептик, когда прочтет мое примитивно изложение, наверное, скажет: «Загибаете! Выдаете желаемое за действительность. Как это может получиться?! Половину данных брали с потолка, характеристики рисовали от руки, а получилась модель, которой можно доверять? Как можно принимать всерьез результаты ее исследования?»

Что ж, скептик прав: нельзя. Но попытаюсь объяснить.

Метод добывания истины, который только что представлен с упрощениями, я назвал «эвристическое моделирование» сложных систем «типа живых». Его суть — моделирование гипотез, только не в словесном оформлении, как привычно, а в математическом — в цифрах и графиках. Наш кибернетический отдел за­нимается этим уже почти двадцать лет, испробовав много объектов.

Спрашивается: для чего это нужно? Зачем спешить с моделью, если нет полноценных количественных данных? Нужно подождать, пока поставят опыты, прояснятся гипотезы, снимутся противоречия.

Боюсь, ждать бесполезно — толку не будет. Метод добывания истины о сложных системах, который действовал до сих пор, можно определить как аналитиче­ский. Из объекта искусственного вычленяются и исследуются частные зависимости: по паре, по три, редко больше. Предполагается, что армия ученых таким пу­тем переберет все комбинации и накопится цифровой материал, из которого потом автоматически получится целое. Напрасные надежды. Необозримо число частных зависимостей, их невозможно перебрать, если действо­вать без плана, как теперь. Потонешь в деталях. Такой план может дать только синтетический подход.

Синтез сложного возможен на базе цифр, а не слов. Поэтому нужны количественные модели.

Синтетический и аналитический методы должны применяться параллельно. Синтез указывает дорогу эксперименту, анализ дает «кирпичики», потому что их получают по программе, учитывающей всю систему.

Итак, эвристические модели, не представляя собой полную истину о системе, ее теорию, тем не менее необходимы для прогресса науки. И вот почему.

Они позволяют выбрать по возможности непротиво­речивую гипотезу и совершенствовать ее.

Они дают направление эксперименту: в первую очередь исследовать то, что сомнительно, с учетом всех связей и условий. Новые данные вносятся в модели и постепенно продвигают ее от гипотезы к теории.

Они обеспечивают новый язык науке — язык мате­матики, столь непривычный для биологов и гуманитариев. Без него, однако, нельзя.

Наконец, их можно использовать для практики — в пределах удовлетворительного совпадения с объектом. Эта практика — управление и советы.

Убежден, что в том или ином виде эвристические модели (можно и с другим названием, например имитационные) необходимы для прогресса науки о сложных системах.

Ну а пока? Пока физики и химики согласны между собой приблизительно на 90—95 процентов. Оставшиеся расхождения двигают исследования вперед. У био­логов разногласия составляют, наверное, процентов 30—40 всего материала.

Социология? Лучше не буду о ней распространяться. Это не моя сфера. Пока не будет количественных моделей сложных систем, невозможно доказывать истину в биологии, психологии, социологии. Нет аппарата до­казательств, трудно провести стандартизированные ис­следования, чтобы получить сопоставимые данные. Путь к реальным моделям, то есть к теории сложных систем, через эвристические модели. Уверен в этом. Однако я вовсе не хочу сказать, что модели разрешат все трудности. До полных моделей (как чертежи машин) очень далеко, а обобщенные всегда субъективны, следовательно, спорны.

Но в спорах о цифрах легче доказывать, чем в спорах о словах.

Дата добавления: 2015-08-28