Неестественный отбор. Мысленный эксперимент

Неестественный отбор

Мысленный эксперимент

Артём Малев

Консультант Артур Забаров

Корректор Дарина Писаревская

© Артём Малев, 2026

ISBN 978-5-0069-9545-1

Создано в интеллектуальной издательской системе Ridero

Часть первая

Первая синяя тетрадь

Виктор Глушкевич был российский математик-статист. Он окончил некогда известный университет МИФТИС — колыбель русских технарей на севере Москвы. В университете (даже в таком техническом, где все в основном как-то сами по себе) он получил прозвище «Дикарь».

Эта регалия досталась ему за то, что он в среднем был один.

В университете он сидел с краю и был одновременно и на лекции, и в себе. Казалось, что он слушал преподавателя и писал конспекты, но каждый, кому удавалось заглянуть в его тетрадь, говорил, что там было что-то явно не по теме предмета. Да и тетрадь у него была всего одна — на все дисциплины. Толстая, на девяносто шесть листов, синяя, в клетку.

Никто не знал, чем он там занимается, но и особого интереса к этому не проявлял. У всех была студенческая жизнь.

Несмотря на свою дикость, Виктор, на самом-то деле, умел договариваться. И как только он поступил в МИФТИС, он тем или иным образом договорился в общежитии, чтобы его поселили в аспирантскую комнату-одиночку. Это было такое помещение, где, в отличие от всех остальных комнат, стояла лишь одна кровать и был свой душ с туалетом. Кухня находилась на этаже, но и там его никто никогда не видел.

Впрочем, это не удивительно. На кухне в целом появлялись люди редко, поскольку в XXI веке уже давно существовала мультиварка и доставка готовой пищи.

Виктор поздно возвращался домой. Пары заканчивались в 17:00, а то и раньше, но его часто видели возвращающимся в общежитие далеко за десять вечера. Забавно было наблюдать, как каждый раз он спотыкался о крылечную ступеньку, потому что смотрел вовсе не на дорогу, а в свою синюю тетрадь в клетку на девяносто шесть листов.

Комнаты в общежитии никто не запирал. Территория была закрыта для входа, и никто посторонний в корпус попасть не мог. Все друг другу, в общем-то, доверяли, хотя у каждого и был ключ. Но вообще-то он использовался лишь для того, чтобы иногда запирать дверь изнутри, когда того требовала ситуация.

Всегда заперта была только одна дверь — дверь в комнату Виктора. И открывалась она всего два раза в день: когда он уходил и когда возвращался.

Как вы могли заметить, действия книги происходят в Москве, и это неслучайно. В России есть расхожее мнение, что Москва — это отдельное государство. Как Ватикан в Италии.

Дело в том, что в Москву со всей страны стекается огромное количество денег, и происходит это из-за особенностей налоговой системы. Множество крупных добывающих компаний (а добывающая отрасль — это корень экономики России) работают по всей стране, но головная компания, где сидит вся управляющая верхушка, чаще всего зарегистрирована в Москве. А налоги, как известно, платятся по месту регистрации компании.

Поэтому мы можем наблюдать довольно занимательный феномен. Бюджет Москвы составляет около 5 трлн рублей в год, тогда как бюджет Саратова — порядка 40 млрд. В сто двадцать пять раз меньше. Неудивительно, что приезжающий сюда провинциал поражается тому, насколько в этом городе всё иначе.

Население Москвы — это вообще одна из terra incognita, с которой следует просто смириться. Официальная статистика существует, но из-за колоссального притока нелегальных мигрантов реальная численность людей, постоянно проживающих в городе, значительно выше. Возьмём за допущение, что в Москве живёт примерно 20 млн человек (чуть-чуть меньше, чем во всей необъятной азиатской части России).

Из примерно 150 млн, проживающих в России на момент обучения Виктора на втором курсе МИФТИС в 2062 году.

Более того, бюджет Москвы в 5 трлн рублей составляет примерно одну восьмую часть федерального бюджета всей страны.

То есть в одном лишь городе сконцентрировано огромное количество людей и огромное количество денег.

Так какова же вероятность того, что какое-то по-настоящему интересное событие произойдёт именно в Москве? Эту цифру невозможно оценить точно, но очевидно, что она значительно выше, чем в Саратове.

Так и случилось, что наша история про Виктора Глушкевича началась именно здесь.

Подобно любому провинциалу, приехавшему сюда, Виктор был впечатлён масштабом города. Удивительный исторический центр, памятники культуры, относящиеся к совершенно разным периодам истории, архитектура старой Москвы и делового центра — всё это производило сильное впечатление. И ночь. Которая кипит жизнью не хуже полудня. А улицы и фасады важных зданий освещены прожекторами.

Но вместе с тем цифра в 5 трлн рублей с трудом стыковалась с площадью города. Забавно, что чисто математически Москва тратит около 2000 рублей на квадратный метр своей площади. Для сравнения, Саратов, в свою очередь, тратит порядка 16 рублей на квадратный метр. Грубая и бесполезная цифра, но забавно это знать.

Но, в целом, любые деньги можно потратить — были бы они. Можно перекладывать плитку каждые пару-тройку лет, даже если она находится в идеальном состоянии, можно делать реконструкцию фасадов и заниматься прочей малополезной стройкой. Бюджет должен быть освоен — ничего не поделаешь. Если в цифре двенадцать нулей, кто будет задумываться об эффективности?

Если копать сильно глубоко, можно было бы найти и аффилированные с людьми X фирмы, которые стабильно и тротуары перекладывают, и фасады ремонтируют. А если поковыряться в логике формирования цены, там уж точно можно обнаружить много интересного. Но всё это, в целом, понятно — так было всегда.

Когда люди научились объединяться в группы, а затем ещё и производить орудия труда, их ремесло стало куда эффективнее, чем раньше. В какой-то момент они добились того, что стали добывать больше пищи, чем требовалось для выживания. Известный факт: в момент появления излишков появилось и неравенство.

Пока у человека были ресурсы только для текущего потребления, он просто потреблял — и всё. Когда появились излишки, у него возникла возможность сберегать и накапливать. А когда появились первые признаки разделения труда, которые затем переросли в развитие торговли, человек смог накапливать богатство в ликвидных и непортящихся формах ресурсов — в деньгах.

Кто-то имел доступ к большим ресурсам, кто-то — нет. Вдобавок ко всему ресурсы могли превращаться в ещё большие ресурсы через торговлю на рынке с асимметрией цен и через инвестиции. То есть богатство начинало порождать ещё большее богатство.

Именно поэтому Москва богаче Саратова в 125 раз.

Факт градоуправления, городского и федерального бюджета и, в целом, управления налоговыми средствами, собираемыми с граждан, можно найти занимательным, если принять во внимание то, что деньгами этими тоже управляют люди.

Управляя чужими деньгами, которые как бы сами собираются в виде налогов, никто не будет их считать и пытаться управлять ими эффективно. Более того, каждый в любом случае попытается откусить кусочек. Коррупция — это тоже то, с чем просто стоит смириться.

Разве что попытаться оставить все денежные каналы исключительно прозрачными. Убить наличку, подключить все счета и транзакции между ними к единой базе данных, отключив возможность ручного вмешательства. Всё это можно сделать, но даже в таком виде система всё равно будет работать хуже, чем если бы у власти находились люди, которые просто не стали бы этого делать по собственной воле.

Но даже чтобы просто попасть на это место, ему уже нужно быть базово хоть чуть-чуть коррумпированным. Замкнутый круг.

Система контроля всегда будет работать хуже, чем система выбора. Между кнутом и пряником нужно стараться как можно чаще выбирать пряник. Всё лучшее в этом мире было сделано добровольно.

Если бы все задачи в этом мире решались не управленческим решением чиновника, генерального директора или менеджера, а математикой, то всё, наверняка, сводилось бы к классической задаче оптимизации. Каждый процесс описывался бы математической функцией, в которой нужно найти точку экстремума: где требуется сократить расходы — точку минимума, где необходимо поднять доходы — точку максимума.

Но в целом все модели ошибочны. В общем, на то они и модели. Модель — это попытка упрощённо описать реальность. А поскольку реальность всегда сложнее, в любой модели неизбежно присутствует некий коэффициент потерь.

Именно поэтому, к большому сожалению всех математиков, далеко не все процессы можно свести к задаче оптимизации. Или, возможно, у нас просто недостаточно данных?

Занимательное упражнение для мозга: что, если бы мы могли получать все данные о мире и смогли бы их оцифровать? Удалось бы тогда свести все задачи человечества к математике? Прежде чем пытаться ответить на этот вопрос самостоятельно, можно просто попробовать загуглить.

Вероятно, одна из первых фамилий, которые вы увидите, — Пьер-Симон Лаплас. Это был математик, который предположил такую возможность. Он писал, что интеллект, который в данный момент знал бы все силы, приводящие природу в движение, и все положения всех её составных частей, смог бы в одной формуле охватить движения величайших тел Вселенной и мельчайших атомов. Для него не существовало бы ничего неопределённого. Иными словами, если мы знаем всё обо всём, то математика справится с любой задачей лучше человеческого мозга.

Но всего каких-то 80 лет спустя некто Чарльз С. Пирс разрушил идею Лапласа в пух и прах, заметив простую вещь: в мире существуют не только законы, но и случайности. Мы никогда не знаем, где именно распадётся конкретный атом урана-238, даже если знаем все силы, действующие на него. И никаким законом это до конца не описать. Точно также мы никогда математически не угадаем движение цены акции на фондовой бирже с вероятностью 100%.

Поэтому мы можем собрать сколько угодно данных — хоть океан, — но свести всё к хоть сколько-нибудь стоящей математической модели прогнозирования будущего крайне маловероятно. Зато математически мы вполне способны выбирать наиболее эффективное из доступных вариантов, опираясь на текущие данные, не пытаясь заглянуть в будущее.

Стало быть, математически далеко не все задачи, связанные с будущим, можно решить. И, вновь возвращаясь к проблеме людей, управляющих системами, становится понятно: мы не сможем их полностью заменить. В них есть нечто, что позволяет принимать управленческие решения, ориентированные на будущее.

Именно эти рассуждения так старательно записывал в свою 96-листовую синюю тетрадь в клетку Виктор Глушкевич.

Одна концептуальная вещь вносила проблему в эти рассуждения. У компьютера нет одной центральной части, которая присутствует у человека, — интуиции. Как ни странно, это признавать, многие решения и правда принимаются нами интуитивно. А интуиция, по своей сути, — это огромный массив прожитой и проанализированной информации, который в какой-то момент формируется в вывод.

При этом, в силу ограниченности операционной памяти человека, проследить всю цепочку рассуждений, приведшую к этому выводу, почти невозможно. Было бы замечательно, если бы за человека все его проблемы могла решить математическая машина, но это технически маловероятно.

Преподавателям Виктор в целом нравился. Он не был особо активен на семинарских занятиях, но предметы закрывал по знаниям и лишний раз не докучал. Он не относился ни к студентам с остаточным школьным синдромом отличника, ни к бездельникам с галёрки, которые то и дело светят лицом в вузе, но фактически ничего не делают.

Вузы в России для студентов служат разным целям: кто-то оттягивает службу в армии; кто-то поступает, потому что так принято; кто-то приходит за реальными знаниями. Для Виктора вуз был, прежде всего, возможностью переехать в Москву. Он не стремился к энциклопедическим знаниям и старался по возможности применять теорию на практике. Доля таких людей в вузовских кругах, кстати, была наименее популярной.

Но ко всему прочему вуз имел ещё одну функцию, о которой догадывались не все. Иногда здесь встречались преподаватели не только теоретики, но и практики. А у любого практика, как правило, были контакты — в индустрии, в госструктурах, в образовании. Такие преподаватели нередко могли устроить вчерашнего студента на работу — внутри вуза или за его пределами. Примерно так и сложилось у Виктора Глушкевича на втором курсе МИФТИС, на предмете прикладной статистики.

Статистика — вещь упрямая и опасная. Если хорошо разобраться в статистике, но не проводить «тест на здравый смысл», можно получить забавные выводы.

Например, в начале XXI века, в период с 1999 по 2009 год, исследователи обнаружили удивительную зависимость. Количество фильмов, в которых снимался актёр Николас Кейдж, почти идеально коррелировало с числом утоплений в частных бассейнах на территории США. Годы, когда актёр был особенно продуктивен, совпадали с ростом смертности. Годы, когда его фильмы выходили реже, сопровождались снижением числа утоплений.

Разумеется, между этими событиями не существовало никакой причинно-следственной связи. Николас Кейдж не оказывал влияния на безопасность купающихся. Но статистика этого не знала. Она лишь честно фиксировала совпадение двух временных рядов.

Курс вёл Александр Юрьевич Лаптев. Если в ВУЗах и есть преподаватели-практики, то Александр Юрьевич был самым ярким представителем этого вида. На одном из занятий, преподаватель оставил задачу студентам, которая, как обычно, была прикладной до предела.

[Следующая часть текста текущей главы может быть сложна для понимания. Автор допускает возможность того, что ее можно просто пропустить и продолжить чтение со следующей главы, но не рекомендует этого делать]

Речь шла не об абстрактных величинах, а о вполне конкретном производственном процессе. На заводе изготавливались металлические детали для сложного оборудования. Каждую деталь после выпуска пропускали через лазерный измерительный стенд, который фиксировал отклонение геометрии от эталона — насколько фактическая форма отличалась от расчётной.

Если отклонение было близко к нулю — деталь считалась нормальной.

Если отклонение было большим — с высокой вероятностью это был брак.

Проверять каждую деталь вручную было слишком дорого. Поэтому на практике поступали проще: устанавливали порог допустимого отклонения. Всё, что превышало его, отправлялось на дополнительную проверку. Всё остальное уходило дальше по цепочке. Ошибка стоила денег. Пропущенный брак — много. Лишняя проверка хорошей детали — немного.

Данные в задаче уже были даны. Это был просто список чисел — результаты измерений отклонения формы детали от эталона. Их можно было отсортировать, построить гистограмму, посчитать среднее и дисперсию.

Проблема была в другом. Мы в итоге не знали, какая конкретная деталь была браком, а какая нет. В итоге мы не могли вычислить процент брака, поскольку не было критерия, по которому это можно считать. Любая попытка поставить порог «на глаз» означала бы принятие произвольного решения. А задача как раз и заключалась в том, чтобы от этого произвола уйти.

Виктор быстро понял: сначала нужно не выбирать порог, а разобраться, как вообще устроены данные. Он начал с самого простого мысленного эксперимента.

Если бы все детали были нормальными, измерения выглядели бы предсказуемо. Большинство значений отклонений находилось бы рядом с нулём, а отклонения в большую и меньшую сторону встречались бы с примерно одинаковой частотой (это бы и был шум измерения). Большие положительные и большие отрицательные значения появлялись бы редко и симметрично.

Но реальные данные так себя не вели. Отрицательные отклонения быстро сходили на нет, а справа — в сторону больших положительных значений — тянулся длинный хвост. Не резкий скачок, не отдельные выбросы, а именно плавное, но устойчивое превышение ожидаемого количества крупных значений.

Это был важный момент. Такое поведение нельзя было объяснить случайным шумом. Оно означало, что часть измерений систематически подчиняется другой логике, чем основная масса. При этом нельзя было просто провести черту и сказать: «всё, что правее, — брак». Граница была размытой. Некоторые значения находились в серой зоне: слишком большие для нормы, но слишком маленькие для очевидного брака. Задача, таким образом, переставала быть задачей классификации и становилась задачей восстановления скрытой структуры данных.

Виктор сформулировал это для себя так: в данных присутствуют два типа поведения, и каждый из них порождает свои значения отклонений. Эти типы перемешаны, но их можно попытаться описать статистически.

Он не знал:

• какая доля деталей относится ко второму типу,

• где именно проходит граница между ними,

• и насколько сильно они отличаются.

Но он знал, что:

• первый тип — доминирующий,

• второй — редкий,

• и именно второй отвечает за правый хвост распределения.

Виктор не стал сразу искать границу и не пытался решить, какая деталь хорошая, а какая — бракованная. Он понимал, что при таких данных это невозможно сделать напрямую. Вместо этого он решил начать с более простого вопроса: какие типы значений вообще присутствуют в этом наборе чисел.

Он предположил, что основная часть измерений отражает нормальную работу производства. Эти значения должны быть сгруппированы около нуля и не уходить слишком далеко ни в одну из сторон. Всё, что систематически выходило за эти рамки вправо, скорее всего, имело другую природу — не случайную, а связанную с дефектами.

Исходя из него, он посмотрел на каждое измерение по отдельности. Он не задавал себе вопрос: «брак это или нет». Он спрашивал иначе: насколько естественно такое значение выглядит для обычной детали и насколько — для детали с дефектом.

Если значение было близко к нулю, оно хорошо вписывалось в поведение основной массы и плохо — в поведение редких отклонений. Если же оно было большим, ситуация менялась: для нормы оно выглядело странно, а для дефекта — вполне ожидаемо. Большинство значений находилось между этими крайностями и не давало однозначного ответа.

Оценив это для всех измерений, он пересмотрел своё исходное предположение. Он уточнил, где примерно находится центр редких отклонений и как часто они вообще встречаются. После этого он снова вернулся к данным и ещё раз посмотрел, какие значения лучше объясняются одной картиной, а какие — другой.

Он повторил это несколько раз.

С каждым шагом представление о данных становилось яснее. Менялись не сами измерения, а его понимание того, какая часть из них относится к нормальному поведению, а какая — к отклоняющемуся.

В какой-то момент изменения почти прекратились. Картина данных перестала заметно уточняться. Это означало, что он получил устойчивое описание того, что происходит в потоке изделий.

И только теперь имело смысл выбирать порог.

Порог больше не был догадкой или производственным нормативом. Он становился результатом расчёта: в какой точке риск пропустить дефектную деталь становился опаснее, чем риск лишний раз проверить исправную.

Виктор закрыл синюю тетрадь и впервые за всё занятие поднял голову. Александр Юрьевич Лаптев стоял у его парты. Он стоял молча и уже какое-то время наблюдал за процессом.

— Это вы сейчас что делали? — наконец спросил он.

— Решал задачу, — спокойно ответил Виктор.

Лаптев кивнул, словно соглашаясь с формулировкой, но взгляд его оставался сосредоточенным.

— Вы понимаете, — сказал он после паузы, — что в условии от вас этого не требовалось?

Виктор пожал плечами.

— Там не было другого честного способа её решить.

Лаптев взял синюю тетрадь, не спрашивая разрешения, и пролистал несколько страниц назад. Потом вперёд. Остановился, перечитал ещё раз.

— Большинство здесь, — он слегка постучал пальцем по странице, — просто выбрали бы порог. Среднее плюс два сигма. Или что-нибудь в этом духе.

— Это было бы произвольно, — ответил Виктор. — А задача как раз про то, чтобы понять, чем ты рискуешь.

Лаптев усмехнулся.

— Вы не пытались угадать, где брак, — сказал он. — Вы попытались понять, почему границы вообще не существует.

Виктор ничего не ответил. Он и сам не был уверен, что именно сделал. Он просто шёл за логикой задачи.

Лаптев закрыл синюю тетрадь и вернул её на стол.

— После занятия зайдите ко мне, — сказал он. — Мне интересно, как вы к этому пришли.

Проект ЦТМЗ-12

Когда-то промышленность охватила лихорадка цифровой трансформации. В мире — и в России в частности — почти одновременно пришли к одной и той же мысли: управлять сложными производственными системами «на глаз» больше невозможно.

Это не означало, что исчезли буровые установки, прокатные станы или пресс-формы. Скважины по-прежнему качали нефть, станки резали металл, конвейеры двигались с прежним гулом. Менялось другое — данные. Всё, что раньше жило разрозненно в журналах, локальных контроллерах и головах мастеров, начали переводить в цифровой вид и сводить в единые системы.

Температуры, вибрации, отклонения геометрии, скорость подачи, простои, ремонты, брак — всё это переставало быть шумом и превращалось в цифры.

Целью цифровизации была не абстрактная «модернизация», а вполне приземлённые вещи: повышение управляемости, снижение издержек, рост эффективности. И, что особенно важно, — возможность принимать решения не постфактум, а в моменте.

Но довольно быстро выяснилось, что поставить датчики и протянуть кабели — это лишь малая часть дела. Самое сложное начиналось потом: как именно управлять всем этим массивом данных.

Каждый завод, каждая шахта, каждый разрез были уникальны. Универсальных решений не существовало. Требовалась стратегия — не техническая, а управленческая. Та самая, которая отвечает на вопросы:

• что измерять,

• что игнорировать,

• какие сигналы считать критическими,

• а какие — шумом.

И здесь на сцену вышли люди, которых в начале XXI века называли «золотыми мозгами».

Это были консалтинговые компании. Парадокс заключался в том, что в них часто не было глубоких отраслевых специалистов. Зато были люди, умеющие быстро разбираться в процессах, задавать правильные вопросы, интервьюировать инженеров и мастеров, строить гипотезы и собирать всё это в одну логичную картину.

Результатом этой работы, как правило, становилась презентация для генерального директора. Именно она и называлась «стратегией цифровой трансформации». После её утверждения приходили технари и реализовывали написанное в слайдах.

Бизнес был высокомаржинальным, статусным и считался элитарным. Работу в консалтинге воспринимали как вершину интеллектуальной карьеры — место, куда стремились лучшие выпускники технических и экономических вузов.

К середине XXI века университеты начали задаваться очевидным вопросом: почему этим должны заниматься внешние компании, если всё то же самое можно делать внутри академической среды?

в 2050-х годах эта мысль оформилась в практику. В ведущих университетах мира стали появляться собственные консалтинговые подразделения. Формально они назывались по-разному — центры прикладных исследований, проектные офисы, индустриальные лаборатории. По сути же они занимались тем же самым: проектировали стратегии цифровизации для реальных промышленных объектов.