Текст книги "Мозг Фирмы"

Автор книги: Стаффорд Бир

сообщить о нарушении

Текущая страница: 5 (всего у книги 33 страниц)

Рассмотрим наименьший "мозг", которым стоило бы располагать, чтобы справиться с управлением сложной ситуацией в реальной жизни любой фирмы. Окружающая ее среда характеризуется числом разнообразия ее состояний, не так ли? Если представить себя или нашу фирму в окружающей среде с разнообразием, равным n = 300, то это, конечно, не так уж и много. Такая оценка весьма консервативна. На многих фирмах больше 300 работающих, более 300 станков, более 300 наименований выпускаемой продукции, более 300 клиентов. Для обстановки с разнообразием всего в 300 разнообразие на сенсорной и моторной платах составит 2³⁰⁰. Анастомотик ретикулум, необходимый для соединения этих плат должен обладать разнообразием (2ⁿ)²ⁿ = (2³⁰⁰)²³⁰⁰ . Измеряя его в битах (поскольку это самая естественная мера для использования в случаях принятия решения), получаем 300х2³⁰⁰ бит, что примерно равно 3х10⁹² бит. Такова мера неопределенности в выбранной нами ситуации на фирме,  которой не более 300 входных и 300 выходных величин, каждая из которых находится всего в двух состояниях.

Следующий довод, которому мы обязаны Бремерманну¹, вытекает из физики. Как следует из квантовой механики, есть нижний предел точности, с которой может быть измерена энергия. Это означает наличие постоянной и предельной степени неопределенности материи. Согласно принципу Гейзенберга любая попытка улучшить точность измерения приводит к тому, что погоня за точностью изменяет состояние вещества. Количества здесь малы, но они сильно сказываются на свойствах вещества. Бремерманн приложил этот принцип к 1 г вещества в 1 с и показал, что нижний предел точности измерения материи определяет верхний предел ее информационных возможностей. Ниже этого предела нули будут приниматься за единицы и счет станет произвольным. В течение 1 с, пишет он, 1 г типичного вещества не сможет справиться более чем с 2х10⁴⁷ битами информации. Конечно, никто не использовал грамм вещества для передачи столь огромного количества данных – микроминиатюризации еще далеко до этого. Как он утверждает, даже в конце технологического прогресса нельзя будет, используя 1 г вещества, передать более 2х10⁴⁷ бит информации в 1 с, поскольку они начнут искажаться согласно принципу неопределенности Гейзенберга. Так Бремерманн приложил закон о требуемом разнообразии к самой материи.

Такое число выглядит огромным, и действительно мы приступаем к определению мощности растущего с огромной скоростью числа 2 ⁿ , где n представляет собой 10 с 47 нулями. Более того, мы можем построить компьютер массой более 1 г и использовать его дольше чем 1 с. Но даже люди, привыкшие иметь дело с экспоненциальными процессами, могут изумиться следующему доводу. Предположим, мы используем всю массу нашей планеты Земля для постройки компьютера и заставим его работать в течение всей ее истории. Каким разнообразием будет располагать такая фантастическая. машина? Что же, заявляет Бремерманн, в году, примерно, 3х10⁷ с, возраст Земли примерно 10⁹ лет. Ее масса около 6х10²⁷ г. Тогда такой сделанный из всей Земли компьютер за всю историю нашей планеты обработает (2xl0⁴⁷)(3х10⁷)(10⁹)(6х10²⁷) бит. А это составит около 10⁹² бит.

Теперь ясно, почему я выбрал разнообразие n = 300 для примера о мозге фирмы. За несколько абзацев до этого было показано, что ретикулярное разнообразие, которое может быть генерировано таким умом, при весьма консервативной оценке разнообразия такой фирмы составляет 3х10⁹² бит. Выяснилось также, что компьютер с массой нашей планеты за все время существования Земли при идеальном его состоянии и техническом совершенстве необходим для расчета состояний совсем небольшой фирмы.

Состояние фирменной среды, как и состояние всего человеческого организма, располагает разнообразием, значительно превышающим 300. Даже при самой ориентировочной оценке (исходя из того, что разнообразие на моторной плате должно быть равным на сенсорной) разнообразие живого мозга составит примерно

(2¹⁰⁶ )^{2 10 7} ,

что с полным основанием считается самым большим числом среди серьезно обоснованных чисел. Если мы хотим действительно разобраться с разнообразием состояний фирмы, то, конечно, у нас нет никаких оснований полагать, что мозг фирмы нуждается в возможности справляться с разнообразием, меньшим, чем это. Мозг фирмы, как и мозг человека, потенциально может быть в стольких состояниях, чтоих никогда не удастся проанализировать или исследовать с учетом всех факторов – их немыслимо большое число. Информация должна тогда выдаваться постоянно миллиардами битов и серьезно контролироваться. Здесь уместно отметить и особо подчеркнуть, что не может и возникать вопроса о нахождении абсолютного оптимума поведения как для человека, так и для фирмы, поскольку нельзя проверить все альтернативы. Из законов природы следует, что это невозможно в принципе.

Отсюда сам по себе анастомотик ретикулум бесполезен. Нужно что-то предпринимать, чтобы управлять всей системой. Должен быть представлен рост разнообразия, его потенциал должен быть уменьшен и становиться все меньше и меньше, хотя нам неизвестен лучший способ его уменьшения. Нет даже разумного пути фиксирования и поиска информации в системе такого масштаба, не говоря уже о ее обработке на компьютере. Гейнц фон Форестер предложил графическую иллюстрацию проблемы подобного "запоминания". Он подсчитал размер таблицы, которая получится, если перемножить все возможные цифры (всего только) до десяти на все другие возможные их комбинации (всего только до десяти). Он предложил также опубликовать результат в справочнике с размером страницы 21х28 см на бумаге нормальной толщины. Получится книга толщиной 10¹⁵ см. И снова не математику трудно привыкнуть к такого вида экспоненте. Книжная полка, на которую можно было бы поставить такой справочник, была бы в 100 раз длиннее расстояния от Земли до Солнца. Как утверждает фон Форестер, библиотекарь, который бы бегал вдоль этой полки со скоростью света тратил бы полдня, чтобы достать нужный том.

Полное управление растущим разнообразием совершенно невозможно для человеческого ума или мозга фирмы. Однако как человек, так и фирма фактически работают. Для этого они уменьшают, они должны уменьшать разнообразие их бесчисленных состояний. Для этого мало веры в электронный компьютер. Вопрос в том, как такие системы спокойно и эффективно справляются с подобной задачей? Ответ таков: путем организации.

Глава 4
Организация немыслимых систем

Исследуем в данной книге системы, немыслимые в том отношении, что они слишком велики для анализа. Как только что было показано, наша планета – слишком малый компьютер для оценки всего разнообразия состояний даже относительно небольшой системы. Однако в природе полным-полно систем не меньшей сложности и активности, но природа живет и действует.

Так же, как лучшая географическая карта страны – сама страна, так и лучший компьютер естественных систем – сама такая система. Представьте себе море – оно уравновешено. Проходят приливы и бури, вся вода поднимается дыбом. Можно ли себе представить математическую программу для компьютера с релевантным входом для всех этих ситуаций, который бы подсчитал, что получится на выходе как функция волнения на море? Задача безнадежной сложности. Но ответ есть – волны, течение, воронки и брызги.

Посмотрим на биосферу – тонкую оболочку жизни, покрывающую нашу землю (или геосферу). От микроба до слона – здесь взаимодействуют все формы живого. В частности, они кормят друг друга. Мы, люди, не можем потреблять столько растительной пищи, чтобы поддерживать наши физиологические нужды, – слишком мал для этого наш химзавод по производству белка. И тогда мы поедаем животных, используя их как продукт питания. Но как велико разнообразие живого? Как поддерживается численность живого, чтобы хватило всем членам данной системы? Частичный ответ в самом разнообразии. Было подсчитано, что единственная пара растительной тли – капустный aphis , весящая 1 мг, при неограниченном питании и без помех ее размножению даст 822х10⁶ т ее массы за один сезон. Это в 5 раз больше массы всего человечества. Почему же мир не наводнен тлей, червяками и им подобными?

Все дело в том, что экологическая система – система самоорганизующаяся. Она сама — огромная счетная машина, дающая правильные ответы (или почти правильные, если учесть эпидемии, голод и т. п. бедствия). Но у нее нет программы, планового отдела, разрешения на размножение, бюрократии. Она только работает. Мы, разумные люди, вмешиваемся в эту систему, нарушаем ее равновесие в собственных интересах. Так, например, мы увеличиваем урожайность или продуктивность скота. Мы обращаемся с ней на "нижнем уровне" ее жизни, как боги, стоящие над системой, забывая о том, что мы сами часть ее целого. В результате мы можем весьма эффективно управлять плодородием, размножением Pasteurella pestis – бациллами, которые вызывают бубонную чуму, но не управляем ростом собственного вида – Homo sapiens . Мы видим, что наши коровы сыты, но не наши братья – почти половина человечества.

По-видимому, в естественных системах есть способность к самоорганизации, есть тот огромный "разум", действующий методами, которых мы до сих пор толком не понимаем. Можно считать, что природные системы не оптимальны в математическом смысле. И дело тут не в мощности счета, поскольку нельзя считать с такой скоростью, чтобы оценить все возможные результаты и выбрать "наилучший" вариант исходя из какого-то критерия. Вместо этого тут действует механизм, подбирающий подходящие модели организации в смысле способности выживания.

Здесь мы должны ввести два термина и датьих определение, чтобы разобраться в только что поднятой проблеме. Первый из них – алгоритм. Алгоритм – это метод (или механизм), который предписывает, каким образом достичь поставленной цели. Типичный план полета самолета – это алгоритм. Инструкция: "Повернуть на перекрестке налево, повернуть направо на следующем, выехать на улицу Красного льва и мой дом будет в 120 метрах справа" – тоже алгоритм. Метод извлечения квадратного корня – тоже алгоритм, как и программа работы ЭВМ. Последнее очень важно, поскольку нам предстоит разобраться в некоторой путанице относительно возможностей компьютера. Компьютер может делать лишь то, что ему точно указано. Программист, следовательно, должен точно написать алгоритм, который бы точно определил работу компьютера в наборе имеющихся в нем данных и команд.

Другой термин, который нам понадобится, – эвристический. Это не столь часто употребляемое имя прилагательное означает "обеспечивающий открытие", нередко превращается в имя существительное при переходе от эвристического метода к "эвристике". Эвристика определяет метод поведения, помогающий достижению цели, но который не может быть четко охарактеризован, поскольку мы знаем, чего хотим, но не знаем, как этого достичь, где лежит решение. Предположим, Вы хотите достичь конусообразной вершины горы, закрытой облаками. У нее есть высшая точка, но у Вас нет точного маршрута. Указание "продолжайте подъем" приведет Вас к вершине, где бы она ни была. Это эвристика. "Смотри за пенсами, а фунты сами о себе позаботятся" – эвристическое указание "как стать богатым".

Эвристика предписывает общие правила для достижения общих целей и в типичных случаях не предписывает точного маршрута к обозначенной цели, как это делается в случае алгоритма. Прежде всего число маршрутов к вершине горы огромно и не столь уж важно, какой из них использован (хотя, может быть, другой и короче, чем все остальные).

Эти два термина – весьма важные понятия в кибернетике, поскольку когда дело идет о немыслимых системах, то, как правило, невозможно составить полную спецификацию всех целей, а тогда нельзя и написать алгоритм. Но обычно не так уж трудно составить классификацию целей, так чтобы двигаясь в общем направлении, улучшить свое положение (по определенному критерию) по сравнению с первоначальным. Отдавать предпочтение эвристическим методам перед алгоритмическими – это средство справиться с растущим разнообразием. Вместо того, чтобы пытаться организовать все детально, вы организуете лишь часть, после чего динамика системы вынесет вас туда, куда Вы стремились.

Эти два способа организации управления системой большого разнообразия в жизни весьма различны. Удивительно то, что мы склонны жить каждодневно эвристически, а проверять и управлять своими действиями – алгоритмически. Наше главное предназначение _ выжить, сохранить себя, однако мы точны в деталях ("выезжайте поездом в 8.45", "требуйте повышения"), когда дело идет об общих и неясно выраженных целях. Конечно, нам нужен алгоритм, чтобы жить в нашем синхронизированном мире; и нам необходима также эвристика, но мы редко отдаем себе в этом отчет. Происходит это потому, что наше образование организовано вокруг анализа деталей; мы не понимаем суть вещей (так обучены), пока не уточним их инфраструктуру. Об этом уже говорилось при обсуждении функций преобразования, а теперь вновь на этом нужно останавливаться в связи с рассмотрением целей. "Знай, к чему стремишься, и организуйся так, чтобы этого достичь" – таков должен быть наш лозунг, как и лозунг фирмы. Однако мы не знаем нашего будущего и весьма приблизительно представляем себе то, к чему стремимся сами, как и наша фирма, и мы недостаточно глубоко понимаем наше окружение, чтобы уверенно манипулировать событиями. Предполагается что птицы возникли из рептилий. Почему, к примеру, ящерица решила научиться летать? Если так, то каким образом она поменяла свой генетический код, чтобы у нее выросли крылья? Стоит только сказать такое, чтобы признать его несерьезность. Но птицы в этот вечер летят и летят мимо моего окна. Так случилось потому, что сработала эвристика, пока мы, как всегда, кусали карандаш, намереваясь написать алгоритмы.

Недопонимание роли эвристики в больших системах заставляет глубже задуматься о компьютере. Сам компьютер можно анализировать, можно понять в деталях, мы же его сами сконструировали к конце концов. Мы уже заявили, что компьютерная программа у принципе – алгоритм. Надо, следовательно, понять, где эвристика вступает в область компьютера. Необходимость в этом возникает. во-первых, как только компьютер начинает воспринимать поступающую в него информацию. Если мы знаем, что делать с входными данными, например подсчитать средние значения ряда цифр, чтобы получился результат на выходе, то здесь нет никаких затруднений. Это означает, что система нам понятна, а алгоритм сумма х/ n (который означает: сложи все цифры и раздели их на их число) решает задачу. Все очень просто, поскольку мы точно обозначили цель, систему и алгоритмы и тем самым сдерживаем рост разнообразия. Но когда дело идет о том, чтобы связать многоразмерный вход с многоразмерным выходом, то у нас появляются все оснонания прибегнуть к анастомотик ретикулум. Теперь компьютер должен быть запрограммирован так (т, е. должен быть обеспечен алгоритмом), чтобы был соответственно организован ретикулум, но это можно сделать, только зная конечную цель.

Здесь и возникает очень деликатная проблема: если цель нельзя представить во всех деталях, то нужно прибегнуть к эвристике, и тогда компьютер должен быть снабжен алгоритмом эвристической природы. Трудность тут принципиальная. Допустим, мы заявляли: "Компьютер должен обучаться на собственном опыте, как учатся люди". Обучаться чему? Мы не знаем ответа, мы просто считаем, что компьютер через некоторое время должен найти методом проб и ошибок такой курс действий, который даст лучший результат управления. Но мы должны сказать, какой результат лучше и какой хуже, а компьютер должен определить лучшую, чем уже известна, стратегию, лучшую систему управления. Конечно, он может это сделать, поскольку его алгоритм (то, что запрограммировано) эвристический, по определению. Немного измените решение, которое Вы ранее использовали, – подсказывает алгоритм, – и сравните результат с предыдущим. Если этот алгоритм обеспечивает большую прибыль или удешевляет производство, или чем-то иным устраивает нас, то принимайте его. Так и продолжайте, пока не достигнете такого положения, при котором любой вариант даст худший результат, чем раньше. Тогда придерживайтесь этой стратегии до тех пор, пока ситуация не изменится, после чего Вы сможете вновь искать лучшую стратегию, рассмотрев ее новые варианты.

В этом простом, бесхитростном примере, который и ребенку понятен, и заключается секрет этого, по существу биологического, процесса. Мы прорвались через барьер, который был создан консервативным мнением 2000 лет тому назад между живыми и механическими системами управления. В этом суть барьера между алгоритмическими и эвристическими моделями управления. Если воздержаться от мистически-сентиментального подхода к природе ("неправда ли, как она умна!"), то станет видно, что природа всего лишь использует свои алгоритмы, чтобы подчеркнуть эвристическое начало. Генетический материал является алгоритмическим: молекулы ДНК – хранители сложного определенного кода. Так потомство строится по заданным "чертежам". Но в этом коде записаны вариации и мутации, и поэтому потомки располагают рядом возможных чертежей. Тогда, говоря другим языком – языком экологии, выносится приговор относительно "преимуществ" данного потомка. Вариант, достойный сохранения, выживает, при этом вариации и мутации, которые определяют его преимущества, закрепляются, а мутации, обусловливающие недостатки, истребляются. Генетическая эвристика работает в направлении к неизвестной цели – созданию форм жизни, способных выживать в обстоятельствах, которые слишком сложны для анализа, используя приемы, для оптимизации которых еще не создан компьютер.

Существует несколько важных постулатов относительно эвристических методов управления. Их стоит тщательно рассмотреть и оценить. Поэтому с риском испортить их краткостью, я сформулировал 13 следующих постулатов для тщательного их усвоения.

1. Эвристика ведет нас к цели, которую мы не в состоянии ясно выразить и, возможно, узнать, сумев ее достигнуть. Алгоритм (типа "чтобы достичь высшей точки, попытайтесь сделать по одному шагу во всех направлениях и передвиньтесь к следующей более высокой точке") определяет эвристическое условие выработки правильной стратегии. А суть стратегии такова: "лучшее – подниматься из данного места, пока есть куда, затем переместиться выше". Но такой маршрут нельзя выработать заранее.

2. Если мы обеспечим компьютер эвристическим алгоритмом и подождем, пока он выработает стратегию, то обнаружим, что компьютер создал стратегию, превышающую наше понимание. Такое вполне возможно, поскольку компьютер осуществляет свои пробные шаги значительно быстрее, систематичнее и точнее, чем можем мы с Вами, без остановки на развлечения и отдых и не забывает результатов. Это похоже на человека, постоянно играющего в шахматы и запоминающего все, чему он научился в каждой партии. Можно предполагать, что он обыграет такого любителя, как мы с Вами.

3. Но если так, то пришло время признать смысл, в силу которого человек изобрел машину, "более умную", чем он сам. Такая мысль неприятна, даже, тревожна и кажется самоудовлетворенному человеку несерьезной на том основании, что "мы указали машине, что ей делать". Но поразмышляйте над этим. Если машина вырабатывает стратегию, лучшую, чем можем сообразить мы, и если мы не можем понять, почему она лучше, хотя и признаем это, то слабым утешением служит то, что мы научили ее эвристическим трюкам с помощью алгоритма. Учитель Эйнштейна в начальной школе был точно в таком же положении. (Над последними двумя фразами стоит поразмыслить.)

4. Утверждение, что "компьютер может делать только то, что мы ему приказали", верно, но весьма обманчиво. Этим предполагается, что мы должны оставаться слабоумными рабами наших изобретений. Верно, мы приказали компьютерам учиться, предоставляя им тренировочный алгоритм, но они учатся быстрее, эффективнее нас и должны превзойти наши возможности в создании эвристического управления.

5. Заявление, что результат деятельности компьютера настолько хорош, насколько хорош ввод, суммирован в поговорке garbage in , garbage out – мусор на входе – мусор на выходе, и справедливо для алгоритмов, определяющих алгоритм, но не для алгоритмов, определяющих эвристику. Дело в том, что легче указать (алгоритмически) компьютеру поставить под сомнение (эвристически) результат его работы – проверить логичность результата. Покажем, как это делается. Если одна линия на входе вводит данные, которые не корректируются со всеми остальными введенными в систему, то, вероятнее всего, это скорее случайный сбой – шум, чем информация. Тогда эвристика может начать ослаблять влияние таких данных, действуя по стратегии управления входными данными. Если, например, на входе путается 0,9, то подозрительная часть такого ввода будет сверена со всеми другими данными на входе, в результате контроль улучшится, поскольку будет испытана подстановка 0,8 и т.д., пока весь этот "неверный" ввод не будет исключен совершенно. Обратите внимание: мы не обязаны понимать, как это делается, поскольку у человека слабая интуиция систематической корреляции, – мы можем вполне уверенно считать, что введение этой неверной цифры очень важно. А система исключила ввод этих данных как ложную информацию вполне самостоятельно.

6. Механизм, который мы используем в таком случае, представляет собой давно известный сервомеханизм, о котором говорилось раньше. Здесь цепь обратной связи корректирует ошибку с помощью сравнения действительного положения с идеальным. Эта разница измерима, но не в смысле выходных данных, преобразованных с помощью функции преобразования, а в смысле способности системы в целом улучшить результат ее деятельности, измеряемый на другом языке. Это язык, на котором мы указываем на необходимость увеличить или уменьшить значение результата, чего замкнутая система сама не может знать. Например, если результатом измерения системы является уровень прибыли, а система включает эвристический элемент, который допускает колебания прибыли, и она обучена тому, как ее уменьшить или увеличить, то, значит, ей необходимо "сказать", что большая прибыль лучше, а меньшая хуже. Сама по себе она может научиться лишь узнавать, какие жизненные события увеличивают прибыль, а какие ее уменьшают.

7. Кроме того, обратная связь сервомеханизма осуществляется не по заранее заданной функции преобразования. Она осуществляется благодаря организации черного ящика, в котором содержится функция преобразования. Иными словами, она экспериментирует соединениями в анастомотик ретикулуме. Возникает эффективная структура, которая уменьшает возможное разнообразие состояний системы.

8. Хотя пп. 6 и 7 позволяют лучше понять роль сервомеханизма, но они не меняют математических зависимостей, определяющих его устойчивость. Поэтому сохраняет силу вывод (см. гл. 2), что обратная связь становится главным фактором работы системы. Все зависит от критерия на другом языке (см. выше п. 6), позволяющем системе решить, чему ей учиться, а чему нет.

9. Теперь предположим, что система управления становится настолько эффективной и обучилась настолько хорошо, что стала умнее нас с Вами. Возможно, мы не стали теперь достаточно умными, чтобы обозначить на другом языке критерии, которыми она должна руководствоваться теперь. Мы уже не в состоянии понимать, в чем суть этих критериев. В таком случае должна присутствовать вторая система управления, использующая результат (выходную величину) первой Системы как величину на своем входе и работающая иначе: Эта высшего порядка, другого языка, система станет экспериментировать с колеблющейся выходной величиной первой системы и давать новую выходную величину (результат) по иному критерию. Ее сигнал обратной связи (сравненный синым критерием) определит смысл того, что вкладывается в слова "лучше" или "хуже" для первой системы. Например, первая система могла бы управлять производством всего предприятия, выпускающего большее или меньшее количество разной продукции. Вторая система стала бы оценивать ее деятельность исходя из спроса рынка, подсчитывать результат (на ее выходе) как прибыль и сообщила бы первой системе, обучаться ли ей стратегии увеличения или уменьшения производства каждого из выпускаемых товаров.

10. Но критерий прибыльности, в свою очередь, может быть не очень ясным. Человеческий ум склонен отказываться от эфемерной попытки сравнивать краткосрочную и долгосрочную прибыльности. Краткосрочная, максимально прибыльная стратегия может подорвать репутацию фирмы и привести ее к банкротству. Ясно тогда, что вторая система нуждается в третьей системе, которая бы оценивала систему на языке еще более высокого порядка и сообщала бы о том, что считать большей или меньшей прибылью. Эта третья система проводила бы эвристические эксперименты с экономическими оценками второй системы.

11.  Этот довод остается справедливым до тех пор, пока иерархия систем и уровни их языков не достигнет некоторого, предельного  критерия. Что же это за критерий? Им может быть только выживаемость. Фирма (как и человек) поступает так, чтобы получить вознаграждение, прибыль, чтобы был стимул действовать дальше и дальше, чтобы по возможности расширить область своей деятельности, чтобы ... продолжить свое существование.

12. И то, что справедливо для фирмы и современного поколения управляющих, что справедливо для данного человека (сына своего отца), становится верным для фирмы, как ее непрерывное вечное движение, как и движение всех людей, отцов и их сыновей. Иначе говоря, современный процесс подготовки кадров есть процесс эволюционной их подготовки к будущим технологическим эпохам.

13. Тогда, если мы говорим, что эвристика организует систему так, чтобы она училась путем проверки новых вариантов стратегий управления ее деятельностью, то в равной мере можно сказать, что эвристика организует целое семейство развивающихся систем путем испытаний новых мутаций в своей генетической стратегии¹. Цель всего этого процесса – приспособляемость — одна для всех систем.

Все это может звучать слишком общо, но это не так. Мы, возможно, должны привыкнуть мыслить по-новому. Это не так уж трудно, если понять, в чем отсталость нашего сегодняшнего мышления. Фактически мы должны мыслить свободно, иначе компьютеры не смогут управлять событиями; мы должны мыслить широко, иначе нам не справиться даже с вредителями растений. Короче говоря, механизмы природы просты, но нужны подходящие способы их объяснения. Главное, в случае систем управления природой мы должны чувствовать себя совершенно свободно при обращении с общими понятиями метаязыка. Греческая приставка meta означает "высший", тогда и метаязык есть язык более высокого уровня, чем используемый для обсуждения тех предложений, которые записаны языком низшего уровня.

В логике основание для существования метаязыков глубже. Можно показать, что фактически любой логический язык должен содержать утверждения, справедливость или ложность которых не может быть разрешена в рамках того же языка. Логические парадоксы – тому известные примеры¹. Поэтому подобные утверждения должны обсуждаться на метаязыке такого уровня, который позволяет понять, что в них парадоксального. Но в нашем случае нет нужды разбираться в логических обоснованиях. Достаточно понять, что если мы строим машину или пишем программу для компьютера, то в данной системе используется язык, на котором нельзя объяснить все.

Это похоже на разговор с маленьким ребенком, язык которого ограничен. Есть вещи, которые нельзя ему объяснить на его собственном языке, и не только из-за ограниченности его словарного запаса – ведь можно объяснить ему значение нового слова, а потому, что ему также на хватает структуры речи, т. е. синтаксиса — правил построения фразы. Мы пытаемся убедить его в том, что следует и чего не следует делать. "Почему?" – спрашивает он, и после нашего первого ответа вновь "почему?". Мы стараемся объяснить ему это на его собственном языке. Можно видеть, что это не всегда удается только потому, что его язык неадекватен, тогда мы заявляем "потому, что я так сказал" – мы перешли на метаязыковое заявление. (Кстати, верно ли утверждение, что мы можем определить значение новых слов на существующем языке? А если нет, то в случае, когда мы должны показать вещь как часть определения, не означает ли это, что мы исчерпали обычный язык и таким образом заменили его метаязыком? Размышление над подобными вопросами весьма полезно для овладения новыми концепциями.)

После такой преамбулы давайте изобретем теперь простую машину, выполняющую эвристические функции. Сенсорная сторона ее состоит из деревянного бруса, на котором укреплены две медные пластины А и В. Как видно на рис. 10, они изолированы друг от друга.

¹ О причинах возникновения парадоксальных ситуаций см. и списке литературы мою книгу Cybernetics anil Managemrnt , гл.8-

Рис.10

Приемная (рецепторная) часть прибора состоит из десяти постоянных оконечных устройств (черные точки), которые зажимами соединены с медными пластинами – по пять на каждую. Внешний импульс (входной) поступает по десяти проводам, идущим от рулетки с десятью делениями, которая представляет внешний мир. Если раскрутить рулетку, то рецепторная система узнает, что внешний мир принял одно из десяти значений – от 1 до 10. Теперь вступает в действие двигательная (эфферентная) .часть прибора. У нее два эффектора (исполнителя) – провода, идущие от А и В к двум лампам – красной и зеленой. Одна из них должна загореться, но какая, нам неизвестно. Если мы будем вращать рулетку, то, очевидно, в среднем каждая из них загорится в половине случаев.

Такое описание прибора дано на машинном языке. Все утверждаемое проверяется через структуру самого прибора. Мы можем использовать этот язык, чтобы заявить, что у красной лампочки вероятность загорания составляет 50% и у зеленой тоже 50%. Прибор может "понять" такое заявление, поскольку оно вытекает из его собственной структуры. Но нет способа утверждать на этом языке, что красный цвет чем-то предпочтительнее зеленого или наоборот. Поскольку дело идет о приборе, такое заявление ни верно, ни ложно. Оно не проверяется ничем. Оно совершенно бессмысленно. Этого нельзя сказать на языке самого прибора.

Тут кстати будет ввести оператора, говорящего на метаязыке один, назовем его Мета-1. Это язык, созданный для того, чтобы говорить о цвете и эмоциях, вызываемых цветом. Оператор заявляет: "Мне нравится красный, но не нравится зеленый". Он не понимает, как действует наглухо закрытый прибор, он не может вмешиваться в природу, т. е. во вращение рулетки. Он считает, что хотел бы научить прибор зажигать красную лампочку, а это похоже на дрессировку собаки выполнять его команду. Он не может объясняться на языке прибора, а прибор не понимает его языка. Тогда он объясняется с прибором с помощью алгедонической цепи. Это еще один новый термин, требующий объяснения.