Что такое сложные системы
Английское слово complexity образовалось от латинского complexionem, которое также можно перевести как «переплетенный», то есть сложность происходит из-за переплетения различных элементов. Они не просто переплетены — между ними сформировались важные отношения. В качестве примера можно взять разные молекулы, те же атомы углерода. В зависимости от расположения в веществе они получают различные микроскопические свойства и формируют разные объекты. И алмаз, и мел имеют в составе атомы углерода, но расположены они по-разному.
Эти микроскопические характеристики — продукт взаимодействия, также называемого иммерсией. Свойства иммерсий многим кажутся загадочными. Все потому, что информация, которую вырабатывает процесс взаимодействия элементов, не представлена в самих компонентах.
К примеру, представьте, что у вас есть друг детства Паша. Вы знаете о нем все: какая у него любимая еда, какую музыку он слушает, какие у него привычки. В целом, мы можем почти безошибочно предугадать поведение Паши в любой ситуации. Но потом Паша поступает на учебу в Университет ИТМО, и тут он встречает Машу, они влюбляются. И тут мы замечаем, что поведение Паши начинает меняться. Внезапно он начинает чаще мыться и больше о себе заботиться. Единственный способ понять нового Пашу — принять во внимание новые взаимоотношения Паши с Машей.
Предположим, проходят годы, они женятся, у них появляется ребенок Саша. Взаимодействие с Сашей генерирует не только новую информацию о наших друзьях, но и меняет природу их взаимоотношений между собой.
Очень важное последствие взаимодействия — информация — не дана сразу. В школе на уроках физики нам говорят, что, зная начальную информацию о системе, мы будем в состоянии предсказать ее будущее. А со сложными системами предсказание будущего очень ограничено — мы ведь еще не знаем информацию о будущих взаимодействиях, которые наверняка изменят систему.
Что такое принцип редукционизма
Традиционно наука действовала по принципу редукционизма: ученые пытались упростить феномены для того, чтобы их можно было предсказать в дальнейшем. И этот подход был успешным: мы построили компьютеры и нашли лекарства от многих заболеваний благодаря изучению патогенов. По словам исследователей, сейчас человечество в своем развитии переступило эпистемологический период: теперь люди чаще умирают от хронических заболеваний. В отличии от инфекционных болезней, хронические отличаются сложностью и многофакторностью. Мы до сих не нашли лекарства от гриппа, СПИДа, рака, диабета и проблем с сердцем.
Мы не можем найти лекарство от этих заболеваний именно потому, что редукционный подход здесь не работает: системы слишком сложные, их нельзя упростить из-за множества факторов и переменных. Потому какое-то время врачи продвигали идею персонализированной медицины: пациент тщательно обследуется и получает комбинацию отобранных препаратов вместо одного лекарства на всех.
Чтобы понять то большое влияние, которое оказало изучение сложных систем на современную науку, нужно вспомнить, как мы подходили к исследованиям раньше. Целью ученых было нахождение законов феномена и предсказывание будущего. Почти демон Лапласа: с высоким интеллектом мы получаем возможность предсказать все прошлое и будущее вселенной.
Но эта схема не сработает. Во-первых, из-за термодинамики, сформированной в конце XX века. Мы знаем, что даже с огромным количеством информации мы не отправимся в прошлое из-за диссипации энергии — перехода части энергии упорядоченных процессов в энергию неупорядоченных процессов и теплоту. То есть множество различных состояний (state) ведут к одному состоянию. К примеру, мы все можем собраться в одной комнате, но сам факт нахождения в одной комнате не определяет, откуда и как мы попали в комнату: пешком, на велосипеде или на машине.
То же самое с определением сложных систем: компоненты прошли через разное прошлое. Согласно законам термодинамики, информация теряется со временем, а с ней теряется наша возможность узнать прошлое.
Почему же мы начали изучать сложные системы только сейчас?
Наши предки наверняка понимали сложность процессов и важность многофакторности. К примеру, Чарльз Дарвин в книге «Происхождение видов путем естественного отбора, или Сохранение благоприятных рас в борьбе за жизнь» пишет, насколько поражен сложностью одной экосистемы и как разные расы взаимодействуют друг с другом. Но в то время мы не обладали нужными элементами для тщательного исследования.
В поздние 80-ые годы все изменилось благодаря компьютерам — они стали нашими телескопами в изучении сложных систем. Как проходило изучение космоса до телескопа? Никак, мы не видели дальше Луны. Только Галилей с примитивным телескопом смог увидеть луны Юпитера. В дальнейшем наше изучение космоса ушло значительно дальше нашего собственного восприятия. Меньше столетия назад телескопы стали настолько мощными, что мы узнали о существовании других галактик.
То же самое с компьютерами — раньше у нас попросту не было инструментов для изучения процессов с сотнями тысячами переменных и возможных взаимодействий. Дифференциальные уравнения в математике мы можем решить, но чем больше там переменных, тем сложнее.
С компьютером мы можем рассмотреть, как разные взаимодействия приводят к различным поведениям. Устройство дает нам достаточную вычислительную мощность, чтобы рассмотреть сложные системы с миллионом компонентов. Одна из подобных программ, golly, дает возможность построить клеточный автомат (cellular automata) — решетку ячеек, каждая из которых либо жива, либо мертва. Они взаимодействуют друг с другом в пространстве решетке и видоизменяются. Потому игру называют Game of Life (Golly можно бесплатно скачать по ссылке).
Следовательно, раз мы не можем предугадать прошлое и будущее сложных систем, нам нужно поменять схему работы с ними. Возможно, в будущем мы сможем придумать адаптивную систему, которая сможет принимать во внимание пусть и не все возможные, но многие вероятности.
