Те же исследователи подметили сходный эффект на фондовых рынках. Перед очередными президентскими выборами активность торгов на фондовых рынках обычно снижается. Многие инвесторы откладывают свои финансовые решения до той поры, пока они не узнают результаты выборов. А вот после выборов обычно происходят существенные изменения на рынке. Это может показаться странным, но динамика рынка часто никак не связана с тем, кто именно победил на выборах. Во время выборов 1988 года крупные инвесторы симпатизировали республиканцу Джорджу Бушу. Но как только Буш победил и был избран президентом, на фондовых рынках произошло существенное падение курсов акций. «Когда я зашел на биржу и посмотрел на курсы акций, – рассказывал один из трейдеров в интервью газете New York Times, – мне показалось, что победил Дукакис, а не Буш».
Это заявление отражает точку зрения, что, если бы победил Дукакис, произошло бы такое же (если не более резкое) снижение курса акций. Перед выборами инвесторы были неспособны решить, что они будут делать, пока исход выборов еще неясен. Они ждали определенности перед тем, как начать действовать.
Модель дизъюнкции, вероятно, присутствует в большинстве логических головоломок. Муравьи двигаются по часовой стрелке или против часовой стрелки… но вам неизвестно, как именно; в корзине для пикника могут быть или яблоки, или апельсины, или и то и другое… но вам неизвестно, что именно; может быть один гном с красным камнем, или два, или три, или десять тысяч… но вам неизвестно, сколько именно; самый медлительный путешественник может перейти через реку по подвесному мосту первым, или вторым, или последним… но вы не знаете, каким именно.
В подобных ситуациях человеческой натуре свойственно заявить: «Давайте начнем действовать, посмотрим, что произойдет, и тогда решим, что делать». Но при решении логических задач никто не станет сообщать вам недостающую информацию. Вам придется сказать себе: «Ну хорошо, мне не хватает информации. Придется продумать все возможные сценарии, и будем надеяться, что я сумею прийти к определенному выводу, несмотря на отсутствие информации».
«Вопросы без правильного ответа» или «невозможные вопросы» – это особенно яркий пример дизъюнкции. Когда вас спрашивают, сколько всего в мире настройщиков пианино, вам может показаться, что у вас нет для ответа на этот вопрос вообще никакой информации. Хороший подход к решению подобной задачи – начать рассуждать так: «Я не знаю A, но я мог бы это узнать, если бы знал B и C, и я смогу узнать B, если найду информацию о D…» Удачные ответы на такие вопросы требуют умения проложить самый короткий маршрут от того, что вы знаете, к тому, чего вы не знаете.
Почему люди не хотят рассуждать на основе неопределенных предпосылок? Одно из объяснений – мы опасаемся, что напрасно потратим время и усилия. Вы же не знаете: может быть, после того, как вы разрешили одну неопределенность, появится еще одна, а потом и еще, и еще, и еще.
В реальной жизни это весьма вероятно, но логические головоломки отличаются от реальных жизненных ситуаций. Это «игрушечные проблемы», которые специально так задуманы, чтобы у них были решения, которые вы можете отыскать.
Головоломку потому и называют головоломкой, что у нее есть два обязательных качества: во-первых, ее трудно решить и, во-вторых, у нее есть правильный ответ. Вы должны быть готовы не останавливаться уже на первой дизъюнкции (без труда не вытянешь и рыбку из пруда!). Вот чем отличаются люди, умеющие решать головоломки, от тех, кто не умеет этого делать. После того как вы справитесь с первой дизъюнкцией, вы почти наверняка обнаружите, что ситуация значительно проще, чем она вам первоначально представлялась. «Дерево» возможных решений ветвится не бесконечно – и все пути ведут к решению. Это относится почти ко всем логическим задачам.
Дизъюнктивные рассуждения, такие трудные для большинства людей, – это то, с чем отлично справляются компьютеры. Есть эффективные алгоритмы для исследования «дерева возможностей» и поиска «пути к решению» – вспомните, как быстро поисковая система в интернете Yahoo! сообщает вам запрошенную информацию. В хорошей компьютерной программе именно такие алгоритмы и используются, поэтому программисты должны владеть дизъюнктивными рассуждениями.
Почему так легко «убить» робота?
Вы, наверное, видели в телепередачах битвы роботов. Люди конструируют таких роботов, единственная цель которых – разрушать, «убивать» других роботов. Потом несколько этих роботов выпускают на арену и смотрят, что произойдет. Такие состязания убедительно демонстрируют по крайней мере одну вещь: «убить» робота просто.
Это легко, потому что у роботов очень жесткое, предсказуемое поведение. Они не видят всей ситуации и никогда не принимают неожиданных решений. Предположим, у вас есть робот, который защищается при помощи огнемета. Если только другой робот приближается к нему ближе, чем на три метра, – БАЦ!!! – он его сжигает.
Все, что нужно другому парню, – сконструировать робота, который может обрызгать вашего робота бензином с расстояния 3,5 метра и быстро отъехать от него. Очень скоро ваш робот попытается использовать свой огнемет – и подожжет сам себя. А вот человек окажется достаточно сообразительным, чтобы сказать: «Ага, меня обрызгали горючей жидкостью – значит, мне пока нельзя пользоваться огнеметом». Роботы на это неспособны.
Это пример того, что исследователи ИИ называют проблемой формулировки. Проблема формулировки – это понимание того, в чем именно заключается проблема. Каким образом робот или любое другое мыслящее существо может понять, что относится к делу в данной ситуации? И как он может понять, на что можно спокойно не обращать внимания?
Это одна из самых трудных проблем ИИ. Некоторые люди даже скажут, что это и есть проблема ИИ.
Очевидных решений для нее нет. Когда ваш робот-призер только что стал грудой металлолома, первая реакция – поклясться построить нового и лучшего робота, который будет учитывать больше параметров внешней среды и будет рассматривать больше возможных последствий своих действий или бездействия. Это замечательная цель. Но в мире силиконовых чипов и компьютерных программ потребуется уйма усилий, чтобы ее реализовать. Расширение «сферы внимания» робота потребует экспоненциального увеличения объема вычислений, который должен будет производить «мозг» робота. Чем больше последствий будет учитывать робот, тем медленнее он будет реагировать – а нет ничего более уязвимого, чем медлительный робот.
Сегодня люди гораздо лучше формулируют проблемы, чем системы ИИ. Мы хорошо понимаем на инстинктивном уровне, что важно и что неважно в проблемных ситуациях, с которыми мы сталкиваемся. Хотя, конечно, этот инстинкт не безошибочен. Многие логические головоломки это как раз и используют. Вы начинаете решение проблемы, делая ряд естественных предположений о том, что имеет отношение к данной проблеме, а что нет. Во многих случаях головоломка сформулирована так, что некоторые из «естественных» предположений оказываются неверными.
Для того чтобы успешно решать головоломки (и более серьезные проблемы, моделями которых могут служить головоломки), вам нужно рассуждать одновременно на двух или более уровнях. Одна часть вашего сознания занята решением проблемы, в то время как другая отслеживает прогресс этого процесса. Вам нужно постоянно спрашивать себя: «Этот подход работает? Сколько времени я потратил на этот подход и какова вероятность того, что он скоро поможет найти ответ? Может быть, стоит попробовать что-то другое?»
