Дэвид Эпштейн - Универсалы [Как талантливые дилетанты становятся победителями по жизни] [litres]

По сути, Пего говорит об эффекте Эйнстеллунга. Этим психологическим термином обозначается тенденция специалистов по решению проблем задействовать только знакомые методы, даже когда существуют более эффективные. Впоследствии Дэвис получил еще одно денежное вознаграждение – в задаче требовалось решить некую проблему, связанную со средством для удаления волос; на эту мысль его натолкнуло воспоминание о жевательной резинке, которую он в детстве катал по ноге.

Когда я спросил Дэвиса, часто ли в решении задач он прибегает к дальним аналогиям из разных областей, не связанных со сферой его знаний, он ненадолго задумался. Тогда я спросил, делает ли он это в рамках своей повседневной деятельности в области химии? «Пожалуй, нет, – ответил он. – Все дело в загадках и задачках из посторонних сфер – именно они требуют нестандартного мышления».

Отчасти InnoCentive существует и работает потому, что по мере сужения специализации это самое нестандартное мышление все больше напоминает процесс разбирания матрешки. Специалисты делятся на более узкие категории, а те, в свою очередь, на еще более узкие. И даже разобравшись с самой маленькой куколкой, они могут застрять в следующей – той, что побольше. Крагин и Дэвис оба были чужаками в сферах, к которым относились их задачи, и оба нашли простое решение, которое ускользнуло от инсайдеров, обладавших необходимой подготовкой и ресурсами. Даже сами авторы решений были поражены тем, что смогли преодолеть препятствие, о которое споткнулись целые компании и даже отрасли.

«На формулировку решения у меня ушло три вечера, – рассказал журналу Science «аутсайдер», откликнувшийся на просьбу компании Johnson & Johnson, которая столкнулась с проблемой в ходе разработки лекарства от туберкулеза. – На мой взгляд, довольно странно, что такая крупная фармацевтическая компания не может справиться с подобной проблемой». Карим Лахани, один из директоров Лаборатории инновационной науки при Гарвардском университете, попросил специалистов InnoCentive составить рейтинг проблем по степени релевантности к их собственной отрасли, и выяснил, что «чем дальше лежала та или иная задача от области знаний автора ее решения, тем с большей степенью вероятности он мог ее решить».

По мере того как организационные рамки становятся все уже, а специалистов из других отраслей легче привлечь к решению с помощью онлайн-технологий, «исследование [новых решений] все чаще выходит за рамки конкретной фирмы», пишут Лахани и его коллеги. Нам часто кажется, что только специалисты сверхузкого профиля могут стать двигателями современной инновации, но сужение рамок специализации открывает новые возможности «аутсайдерам».

Как заметил Альф Бингэм, для решения наиболее сложных задач организации проводят локальное исследование. Они полагаются на опыт специалистов в конкретной области и на те методы, которые уже зарекомендовали себя в прошлом (вспомните лабораторию, где работали только специалисты по E.coli , из главы 5). Если же эти методы не срабатывают, они оказываются в тупике. В самых запутанных случаях «наш опыт показывает, что решения, которые основаны на внутриотраслевых знаниях, чаще всего менее эффективны, – утверждает Лахани. – Существенный инновационный сдвиг происходит, когда появляется «аутсайдер», который может абстрагироваться от поверхностного выражения проблемы и представить ее таким образом, чтобы разблокировать оптимальное решение».

Опыт InnoCentive послужил примером другим организациям, которые захотели извлечь выгоду из привлечения к решению задач специалистов сторонних – также узкоспециализированных – областей. Деятельность компании Kaggle весьма напоминает InnoCentive, с той лишь разницей, что их задачи касаются исключительно области машинного обучения, которая занимается разработками для обучения машин без вмешательства человека.

Шубин Дай живет в китайском городе Чанша и на момент написания этой книги был одним из основных специалистов Kaggle по решению задач (всего в компании было занято более сорока тысяч специалистов). Его основная деятельность заключается в руководстве командой банка по обработке данных, но благодаря соревнованиям Kaggle он получил возможность поупражняться в области машинного обучения. Особенно ему нравятся задачи, которые касаются здоровья человека или охраны природы. В одном из конкурсов на решение подобных задач он получил 30 000 долларов за то, что сумел по спутниковым снимкам вычислить участки лесов Амазонии, где катастрофы произошли по вине человека, и те, где это случилось от естественных причин. В комментариях к посту в блоге Kaggle Дая спросили, насколько важен опыт в той или иной отрасли для успешного решения задач, которые представлены на конкурсах. «По правде говоря, – ответил он, – не думаю, что опыт в конкретной области дает какое-то преимущество… Очень непросто выиграть конкурс, если пользуешься только известными методами. Нужно мыслить более творчески и нестандартно».

Те, кто выигрывает конкурсы Kaggle в области здравоохранения, не имеют ни медицинского, ни биологического образования, более того – часто они вовсе не эксперты в области машинного обучения, рассказал мне Педро Домингес, профессор информатики и исследователь в области машинного обучения. «Знание – это обоюдоострый меч. С одной стороны, оно позволяет вам делать определенные вещи, но с другой – ослепляет вас, мешая делать другие».

Дон Свансон почувствовал приближение момента, когда такие люди, как Брюс Крагин и Джон Дэвис, способные соединять несвязанные между собой знания, получат возможность реализоваться. Свансон получил докторскую степень по физике в 1952 году и в тот период работал аналитиком промышленных систем вычисления. В какой-то момент он увлекся организацией информации. В 1963 году Чикагский университет, полагаясь на удачу, пригласил его на должность декана Высшей школы библиотечного дела. Тридцативосьмилетний частный предприниматель Свансон был странноват. В объявлении о назначении его на должность было сказано: «Свансон – первый физик в этой стране, который возглавит школу библиотечного дела».

Свансона беспокоило сужение специализации и то, что оно может привести к появлению публикаций, которые могут быть интересны небольшой группе специалистов и препятствовать реализации творческого потенциала. «Диспропорция между общим объемом зарегистрированного человеческого знания… и ограниченной способностью человека освоить его не просто огромна, но постоянно растет». Как расширить границы, думал Свансон, если в один прекрасный день понадобится целая жизнь только для того, чтобы достичь их в какой-то узкой сфере? В 1960 году Национальная библиотека медицины США использовала около сотни уникальных пар терминов для индексации статей. К 2010 году их стало почти сто тысяч. Свансон чувствовал, что если «большой взрыв» общественного знания не замедлит ход, то узкие специализации превратятся в галактики, которые вращаются друг от друга так далеко, что могут стать невидимыми. Учитывая то, что он знал, насколько важно междисциплинарное решение задач, ситуация представляла собой серьезную проблему.