Страница 6 из 21
И все-таки: если точность предвидения можно улучшить с помощью измерений и если получаемые в результате преимущества столь существенны, почему же измерения точности прогнозов не являются общепринятой практикой? По большей части ответ на этот вопрос лежит в области нашей психологии: мы убеждаем себя, что знаем то, о чем на самом деле понятия не имеем, – например, точный ли прогнозист Том Фридман. В главе 2 я подробно рассмотрю эту психологическую особенность. Она веками тормозила прогресс в медицине. Когда врачи наконец признали, что их опыт и восприятие – ненадежные средства оценки эффективности лечения, они обратились к научному тестированию – и только после этого медицина начала быстрыми шагами двигаться вперед. Та же самая революция должна произойти и в прогнозировании.
Осуществить ее будет непросто. Глава 3 расскажет, какие усилия нужно приложить, чтобы тестировать предсказания так же тщательно, как современные экспериментальные методы лечения. Это сложнее, чем может показаться. В конце восьмидесятых я разработал методологию и составил на тот момент самую большую аналитическую подборку политических прогнозов экспертов. Одним из ее результатов много лет спустя стал тот самый анекдот, который теперь вызывает у меня раздражение. Другое же открытие, совершенное в ходе моего исследования, не получило и десятой доли внимания, уделенного анекдоту, хотя заслуживает его гораздо больше: из всех экспертов одна группа действительно обладала хоть и скромной, но реальной способностью к предвидению. В чем же заключалась разница между «способными» экспертами и совершенно безнадежными, опустившими общий результат до уровня играющего в дартс шимпанзе? Дело не в каком-то мистическом даре, и не в доступе к информации, которой нет у других, и не в определенной совокупности воззрений – как раз мнения у них зачастую расходились очень широко, и не имело значения, что именно они думали. Важно то, как они думали.
Отчасти вдохновившись этим открытием, IARPA и запустила тот беспрецедентный турнир по предсказаниям. Глава 4 посвящена тому, как это происходило и как выявляли суперпрогнозистов. Почему они так хороши в своем деле? На этот вопрос отвечают главы 5–9. Когда знакомишься с этими людьми, сложно не заметить их выдающийся ум, и можно заподозрить, что все дело именно в интеллекте. Однако это не так. Суперпрогнозисты также отличаются математическими способностями. Как и у Билла Флэка, у многих есть степени в точных и естественных науках. Значит ли это, что секрет – в математике? Вновь ответ «нет». Даже дипломированные математики-суперпрогнозисты, делая предсказания, редко пользуются цифрами. А еще они в основном повернуты на новостях, отслеживают развитие мировых событий и постоянно обновляют свои прогнозы, поэтому возникает соблазн объяснить их успех бесконечными часами, потраченными на изучение информации. Это тоже будет ошибкой.
Суперпрогнозирование действительно требует определенного уровня интеллекта, математических способностей и знаний о том, что происходит в мире, однако этим требованиям, вероятно, соответствует любой человек, который читает серьезные книги о психологических исследованиях. Так что же тогда поднимает прогнозирование на уровень «супер»? Как и в случае с экспертами из ранней моей работы, суть – в том, как думает прогнозист. Я еще рассмотрю это подробнее, но если говорить в двух словах, то, чтобы стать суперпрогнозистом, необходимо мышление, отличающееся внимательностью, открытостью, любопытством и – прежде всего – самокритикой. Также требуется умение сосредотачиваться. Тип мышления, вырабатывающий повышенную проницательность, не может сформироваться безо всяких усилий. Только целеустремленный человек может пользоваться им более-менее регулярно; именно поэтому наши исследования демонстрируют, что самый главный параметр результативности в данном случае – постоянное стремление к самосовершенствованию.
В последних главах я разрешу кажущееся противоречие между необходимостью трезвых суждений и эффективным руководством, отвечу на два самых серьезных вызова моему исследованию и завершу свою работу – что логично для книги о прогнозировании – рассуждениями о том, что день грядущий нам готовит.
Впрочем, возможно, вы считаете, что все это безнадежно устарело. В конце концов, мы живем в эпоху невероятно мощных компьютеров, неподвластных пониманию алгоритмов и Больших данных. Что же касается изучаемого мной прогнозирования, то в его основе лежит субъективный фактор – размышления и суждения живых людей. Не пора ли прекратить заниматься догадками?
В 1954 году блистательный психолог Пол Мил написал небольшую книгу, вызвавшую значительный резонанс[13]. В ней анализировались двенадцать исследований, согласно которым хорошо информированные эксперты, предсказывавшие, добьется ли студент учебных успехов или вернется ли заключенный, условно отпущенный на свободу, обратно в тюрьму, в своих прогнозах оказывались не так точны, как простые автоматизированные алгоритмы, подытоживавшие объективные данные (итоги теста на способности или записи о поведении в тюрьме). Заявление Мила расстроило многих экспертов, но и последующие исследования – на данный момент их проведено уже более двухсот – показали, что в большинстве случаев статистические алгоритмы точностью превосходят субъективные суждения, а в той горстке исследований, где это не так, играют вничью. Учитывая, что алгоритмы, в отличие от субъективных суждений, – это быстрый и дешевый способ прогнозирования, ничья засчитывается за их выигрыш. Теперь уже вывод неоспорим: если у вас есть надежный статистический алгоритм, используйте его.
Этот вывод никогда не угрожал царствованию субъективных суждений, потому что мы очень редко располагаем надежными алгоритмами для решения конкретной проблемы. Непрактично заменять математикой старый добрый мыслительный процесс – и в 1954-м, и даже сейчас.
Однако потрясающий прогресс в области информационных технологий свидетельствует, что мы приближаемся к историческому перелому в отношениях человечества и машин. В 1997 году созданный на базе IBM компьютер Deep Blue обыграл шахматного чемпиона Гарри Каспарова. В наши дни имеющиеся в продаже шахматные программы могут обыграть любого человека. В 2011 году суперкомпьютер IBM Watson обошел чемпионов телевикторины Jeopardy! Кена Дженнингса и Брэда Раттера. Для инженеров, создававших Watson, это была гораздо более сложная задача, но они с ней справились. Сейчас уже вполне возможно представить себе соревнование по прогнозированию, в котором суперкомпьютер разгромит как суперпрогнозистов, так и суперумников. После этого люди, конечно, будут и дальше делать прогнозы – но, как случилось с участниками Jeopardy!, мы будем наблюдать за ними исключительно ради развлечения.
Я поговорил об этом с главным инженером Watson Дэвидом Феруччи. У меня не было сомнений, что Watson без проблем выдаст ответ на вопрос о настоящем и будущем – например, «Как зовут двух российских политических лидеров, которые обменялись должностями за последние десять лет?», – однако мне хотелось узнать мнение Дэвида о том, сколько времени пройдет, прежде чем Watson или кто-то из его цифровых потомков сможет ответить на вопрос «Обменяются ли два российских политических лидера должностями в ближайшие десять лет?».
В 1965 году эрудит Герберт Саймон считал, что всего через двадцать лет наступит эпоха, когда машины смогут делать «любую работу, которую могут делать люди». Но тогда вообще часто высказывали подобные наивно-оптимистические мысли, и это одна из причин, по которой Феруччи, работающий в области искусственного интеллекта уже тридцать лет, более осторожен в подобных оценках[14]. Он отметил, что компьютерная наука гигантскими шагами движется вперед и способность машин отслеживать тенденции заметно растет. А их обучение, в сочетании с растущим взаимодействием «человек – машина», которое подпитывает учебный процесс, обещает еще более впечатляющий прогресс в будущем. «Это одна из экспоненциальных кривых, и мы сейчас все еще находимся у ее основания», – сказал Феруччи.
13
Paul Meehl. Clinical Versus Statistical Prediction. Mi
14
Stephen Baker. Final Jeopardy!. Boston: Houghton Mifflin Harcourt, 2011. P. 35.