Люди всё чаще перестают понимать друг друга, когда говорят об «искусственном интеллекте».
Потому что обсуждают принципиально разные технологии.
Андрей Карпаты — один из основателей OpenAI и один из самых известных специалистов в области ИИ — недавно обратил внимание на довольно интересный эффект.
Для большинства пользователей ИИ до сих пор выглядит как:
- «чат-бот, который иногда врёт»,
- инструмент для генерации текстов,
- «умный поисковик»,
- инструмент, который красиво комбинирует уже существующую информацию.
Именно вокруг этого до сих пор крутится большая часть массовых дискуссий: галлюцинации, странные ответы, старые баги бесплатных моделей.
Но внутри профессиональной среды ИИ уже давно перестал быть просто “умным чат-ботом” и инструментом генерации текста.
Всё чаще речь идёт в первую очередь о системах автономных агентов, способных выполнять сложные инженерные и аналитические задачи:
писать и тестировать код, проводить исследования, анализировать данные, проверять гипотезы, проектировать архитектуру решений.
То, на что раньше уходили недели работы команды, теперь в некоторых случаях укладывается в часы.
Получается, что люди всё чаще обсуждают не просто разные мнения об ИИ, а фактически разные технологические реальности.
И это очень важный момент.
Потому что самые большие изменения в сложных системах обычно становятся заметны массовой аудитории уже ПОСЛЕ того, как изменилась сама структура процессов.
При этом тут можно наблюдать довольно неожиданный парадокс.
Эмоциональное воздействие оказалось автоматизировать значительно проще, чем мышление.
Долгое время западная цивилизация строилась вокруг идеи аргумента.
Логический аргумент был не украшением мысли, а её инструментом: он позволял не просто влиять, а обосновывать и выстраивать определённый порядок в сложном мире.
Но затем центр тяжести начал смещаться.
Массовые медиа, социальные сети, короткие форматы, TikTok — всё это постепенно усиливало другую модель: не доказательство, а впечатление; не анализ, а сильный эмоциональный импульс.
15 секунд эмоции начали системно побеждать 15 минут размышления.
Именно поэтому пропаганда почти никогда не побеждает логикой.
Она побеждает скоростью, повторением, эмоциональным заражением и управлением вниманием.
Но сейчас начинается следующий этап.
Искусственный интеллект уже учится вызывать эмоции: цеплять, раздражать, вовлекать, удерживать внимание, подстраиваться под психологический профиль человека.
Пока ещё не идеально. Но уже понятно, куда всё движется.
И вот здесь проходит настоящий водораздел.
Между людьми, которые ещё способны видеть структуру за этим эмоциональным потоком, и теми, для кого сам поток уже становится реальностью.
Причём проблема не в том, что люди как-то резко поглупели (если почитать классиков, то во все времена мыслители и писатели сетовали, что “нынешнее поколение глупее предыдущих”, так что не будем тут впадать в старческое брюзжание).
На эмоциональные механизмы прекрасно попадаются и умные люди. Иногда — очень умные.
Потому что интеллект сам по себе ещё не защищает от манипуляции.
Он лишь позволяет красивее рационализировать уже полученное эмоциональное воздействие.
Именно поэтому такой инструмент как логика, который многим сегодня кажется скучным пережитком философских факультетов, внезапно снова становится критически важным.
Но сейчас, конечно, на первый план выходит не логика времён Аристотеля.
А современная логика: вероятностная логика, логика решения некорректных задач, системное мышление и др.
В мире, где машины всё лучше умеют производить эмоциональное воздействие, логика снова становится не академической роскошью, а вполне себе практическим навыком. Полезным как минимум для того, чтобы различать, где реальная мысль и аргумент, а где — просто хорошо спроектированный нажим на психику.
Потому что нам всем не помешает прокачанная способность удерживать структуру мышления в среде, которая всё активнее оптимизируется под эмоциональную реакцию, а не под понимание.
Потому что обсуждают принципиально разные технологии.
Андрей Карпаты — один из основателей OpenAI и один из самых известных специалистов в области ИИ — недавно обратил внимание на довольно интересный эффект.
Для большинства пользователей ИИ до сих пор выглядит как:
- «чат-бот, который иногда врёт»,
- инструмент для генерации текстов,
- «умный поисковик»,
- инструмент, который красиво комбинирует уже существующую информацию.
Именно вокруг этого до сих пор крутится большая часть массовых дискуссий: галлюцинации, странные ответы, старые баги бесплатных моделей.
Но внутри профессиональной среды ИИ уже давно перестал быть просто “умным чат-ботом” и инструментом генерации текста.
Всё чаще речь идёт в первую очередь о системах автономных агентов, способных выполнять сложные инженерные и аналитические задачи:
писать и тестировать код, проводить исследования, анализировать данные, проверять гипотезы, проектировать архитектуру решений.
То, на что раньше уходили недели работы команды, теперь в некоторых случаях укладывается в часы.
Получается, что люди всё чаще обсуждают не просто разные мнения об ИИ, а фактически разные технологические реальности.
И это очень важный момент.
Потому что самые большие изменения в сложных системах обычно становятся заметны массовой аудитории уже ПОСЛЕ того, как изменилась сама структура процессов.
При этом тут можно наблюдать довольно неожиданный парадокс.
Эмоциональное воздействие оказалось автоматизировать значительно проще, чем мышление.
Долгое время западная цивилизация строилась вокруг идеи аргумента.
Логический аргумент был не украшением мысли, а её инструментом: он позволял не просто влиять, а обосновывать и выстраивать определённый порядок в сложном мире.
Но затем центр тяжести начал смещаться.
Массовые медиа, социальные сети, короткие форматы, TikTok — всё это постепенно усиливало другую модель: не доказательство, а впечатление; не анализ, а сильный эмоциональный импульс.
15 секунд эмоции начали системно побеждать 15 минут размышления.
Именно поэтому пропаганда почти никогда не побеждает логикой.
Она побеждает скоростью, повторением, эмоциональным заражением и управлением вниманием.
Но сейчас начинается следующий этап.
Искусственный интеллект уже учится вызывать эмоции: цеплять, раздражать, вовлекать, удерживать внимание, подстраиваться под психологический профиль человека.
Пока ещё не идеально. Но уже понятно, куда всё движется.
И вот здесь проходит настоящий водораздел.
Между людьми, которые ещё способны видеть структуру за этим эмоциональным потоком, и теми, для кого сам поток уже становится реальностью.
Причём проблема не в том, что люди как-то резко поглупели (если почитать классиков, то во все времена мыслители и писатели сетовали, что “нынешнее поколение глупее предыдущих”, так что не будем тут впадать в старческое брюзжание).
На эмоциональные механизмы прекрасно попадаются и умные люди. Иногда — очень умные.
Потому что интеллект сам по себе ещё не защищает от манипуляции.
Он лишь позволяет красивее рационализировать уже полученное эмоциональное воздействие.
Именно поэтому такой инструмент как логика, который многим сегодня кажется скучным пережитком философских факультетов, внезапно снова становится критически важным.
Но сейчас, конечно, на первый план выходит не логика времён Аристотеля.
А современная логика: вероятностная логика, логика решения некорректных задач, системное мышление и др.
В мире, где машины всё лучше умеют производить эмоциональное воздействие, логика снова становится не академической роскошью, а вполне себе практическим навыком. Полезным как минимум для того, чтобы различать, где реальная мысль и аргумент, а где — просто хорошо спроектированный нажим на психику.
Потому что нам всем не помешает прокачанная способность удерживать структуру мышления в среде, которая всё активнее оптимизируется под эмоциональную реакцию, а не под понимание.
🔥33❤17👍12🤝2❤🔥1⚡1💔1
Похоже, котик был не просто так 🙂
Итак, нас уже — ух ты! — 1210 человек на курсе "Логика как фундамент мышления"
В первую очередь огромное спасибо вам: тем, кто стоял у истоков, участникам первого потока, второго потока и всем, кто проходит курс сейчас!
Без вас ничего бы этого не было.
А теперь — несколько больших обновлений и бонусов.
1. У нас новая платформа
Смотрите скриншот: это новый личный кабинет участника.
Теперь курсы, прогресс, ближайшие встречи и записи собраны в одном месте и это приложение.
Да, платформу можно открыть в браузере, а можно установить как приложение на телефон или компьютер.
И да, там есть котики. Та самая картинка была не просто так.
2. Будет живая встреча вопросов и ответов - 16 июня
Многие сейчас проходят курс в записи, поэтому сделаем отдельную встречу: ответим на вопросы, разберём, как пользоваться новой платформой, и покажем, что внутри.
3. На новой платформе появился AI tutor
Это ИИ-помощник для обучения. Он помогает разбираться с материалом, задавать вопросы, возвращаться к сложным местам и глубже понимать темы.
Пока помощник ещё обучается, поэтому мы постепенно раскатываем его по модулям. Сейчас он уже доступен для первых модулей.
Тем, кто ещё не знает, как им пользоваться, — покажем на встрече.
Тем, кто уже пользуется, — покажем более продвинутые сценарии.
И главное: новая платформа бесплатна для всех участников курса.
Сегодня на почту придёт письмо с доступами.
Если уже получили доступ к новой платформе — напишите, как вам.
И главный вопрос: котиков нашли? 😺
P.S. Если не получили письмо, подождите до завтра и проверьте почту и папку “Промоакции/Спам”. Если никак не найти - напишите в поддержку - https://t.me/LogicAndChaos
Итак, нас уже — ух ты! — 1210 человек на курсе "Логика как фундамент мышления"
В первую очередь огромное спасибо вам: тем, кто стоял у истоков, участникам первого потока, второго потока и всем, кто проходит курс сейчас!
Без вас ничего бы этого не было.
А теперь — несколько больших обновлений и бонусов.
1. У нас новая платформа
Смотрите скриншот: это новый личный кабинет участника.
Теперь курсы, прогресс, ближайшие встречи и записи собраны в одном месте и это приложение.
Да, платформу можно открыть в браузере, а можно установить как приложение на телефон или компьютер.
И да, там есть котики. Та самая картинка была не просто так.
2. Будет живая встреча вопросов и ответов - 16 июня
Многие сейчас проходят курс в записи, поэтому сделаем отдельную встречу: ответим на вопросы, разберём, как пользоваться новой платформой, и покажем, что внутри.
3. На новой платформе появился AI tutor
Это ИИ-помощник для обучения. Он помогает разбираться с материалом, задавать вопросы, возвращаться к сложным местам и глубже понимать темы.
Пока помощник ещё обучается, поэтому мы постепенно раскатываем его по модулям. Сейчас он уже доступен для первых модулей.
Тем, кто ещё не знает, как им пользоваться, — покажем на встрече.
Тем, кто уже пользуется, — покажем более продвинутые сценарии.
И главное: новая платформа бесплатна для всех участников курса.
Сегодня на почту придёт письмо с доступами.
Если уже получили доступ к новой платформе — напишите, как вам.
И главный вопрос: котиков нашли? 😺
P.S. Если не получили письмо, подождите до завтра и проверьте почту и папку “Промоакции/Спам”. Если никак не найти - напишите в поддержку - https://t.me/LogicAndChaos
❤27🔥11👍5⚡2👀1
Иногда для расследования катастрофы стоимостью миллиарды долларов достаточно стакана ледяной воды и кусочка резины.
На этой фотографии ⬆️ — Ричард Фейнман.
Один из самых известных физиков XX века, нобелевский лауреат и вообще человек с довольно специфическим отношением к авторитетам :)
В феврале 1986 года он сидит на открытом заседании президентской комиссии в Вашингтоне.
Перед ним — стакан воды со льдом, а в руке — маленький кусочек чёрной резины.
И с его помощью Фейнман собирается проверить одну из версий катастрофы космического шаттла Challenger.
За две недели до этого, 28 января 1986 года, Challenger стартовал с мыса Канаверал.
На борту было семь человек. Через 73 секунды после старта шаттл разрушился.
Катастрофу видели миллионы людей в прямом эфире.
Запуск и так был большим событием, но на этот раз его ещё и заранее основательно раскрутили: в экипаже летела школьная учительница Криста Маколифф, первый участник программы Teacher in Space.
После катастрофы президент Рейган создал специальную комиссию. Возглавил её бывший госсекретарь Уильям Роджерс.
В состав вошли Нил Армстронг, Салли Райд, военные, инженеры, специалисты по авиации и космосу.
И Ричард Фейнман.
11 февраля комиссия проводила очередное открытое заседание. В тот день обсуждали один из главных вопросов расследования — соединения твердотопливных ускорителей.
Сам принцип работы этого узла был довольно прост.
Огромные ускорители шаттла собирались из нескольких цилиндрических секций.
В местах соединения находились резиновые уплотнительные кольца — O-rings. На этих кольцах держалась герметичность всего соединения.
После воспламенения внутри ускорителя возникало огромное давление и чудовищная температура. А уплотнители должны были мгновенно закрывать возникающие зазоры и не давать раскалённым газам вырваться наружу.
Но был один нюанс: резина на холоде становится жёстче и медленнее возвращается в исходную форму.
А утром 28 января во Флориде было непривычно холодно.
Причём вопрос о температуре возник не после катастрофы. Его обсуждали ещё до запуска.
Вечером накануне инженеры Morton Thiokol — компании, которая производила ускорители, — обсуждали с NASA, можно ли вообще запускать Challenger в таких условиях.
Некоторые инженеры были категорически против.
Они опасались именно того, что на холоде резина потеряет эластичность и O-rings не успеют достаточно быстро закрыть соединение.
Первоначально Thiokol рекомендовал не запускать шаттл, если температура O-rings окажется ниже примерно 53°F — около 12°C.
Но позже руководство компании изменило свою позицию и согласилось на запуск.
На следующий день Challenger стартовал.
А через 73 секунды его не стало.
Теперь, спустя две недели, комиссия пыталась понять, что именно произошло.
На заседании подробно обсуждали устройство соединений и то, как они вели себя в предыдущих миссиях. Отдельно разбирали случаи повреждения O-rings и объясняли, почему раньше их не считали критическими.
За столом сидели люди, которые годами работали именно с этой системой. Перед ними были расчёты, результаты испытаний, отчёты и большой накопленный опыт эксплуатации.
И на фоне всей этой сложной технической картины Фейнмана заинтересовал совсем простой вопрос.
А насколько быстро эта конкретная резина восстанавливает форму на холоде?
На этот вопрос тоже можно было отвечать привычным способом — поднимать результаты испытаний, делать дополнительные расчёты, заказывать новое исследование.
Но Фейнман сделал проще.
Он взял образец материала, из которого были сделаны уплотнители, сжал его зажимом и положил в стакан с ледяной водой.
Температура воды со льдом — около нуля градусов Цельсия.
Заседание тем временем продолжалось. Через некоторое время Роджерс объявил десятиминутный перерыв, а когда комиссия снова собралась и уже собиралась переходить к следующему свидетелю, дал слово Фейнману.
Продолжение ⬇️
На этой фотографии ⬆️ — Ричард Фейнман.
Один из самых известных физиков XX века, нобелевский лауреат и вообще человек с довольно специфическим отношением к авторитетам :)
В феврале 1986 года он сидит на открытом заседании президентской комиссии в Вашингтоне.
Перед ним — стакан воды со льдом, а в руке — маленький кусочек чёрной резины.
И с его помощью Фейнман собирается проверить одну из версий катастрофы космического шаттла Challenger.
За две недели до этого, 28 января 1986 года, Challenger стартовал с мыса Канаверал.
На борту было семь человек. Через 73 секунды после старта шаттл разрушился.
Катастрофу видели миллионы людей в прямом эфире.
Запуск и так был большим событием, но на этот раз его ещё и заранее основательно раскрутили: в экипаже летела школьная учительница Криста Маколифф, первый участник программы Teacher in Space.
После катастрофы президент Рейган создал специальную комиссию. Возглавил её бывший госсекретарь Уильям Роджерс.
В состав вошли Нил Армстронг, Салли Райд, военные, инженеры, специалисты по авиации и космосу.
И Ричард Фейнман.
11 февраля комиссия проводила очередное открытое заседание. В тот день обсуждали один из главных вопросов расследования — соединения твердотопливных ускорителей.
Сам принцип работы этого узла был довольно прост.
Огромные ускорители шаттла собирались из нескольких цилиндрических секций.
В местах соединения находились резиновые уплотнительные кольца — O-rings. На этих кольцах держалась герметичность всего соединения.
После воспламенения внутри ускорителя возникало огромное давление и чудовищная температура. А уплотнители должны были мгновенно закрывать возникающие зазоры и не давать раскалённым газам вырваться наружу.
Но был один нюанс: резина на холоде становится жёстче и медленнее возвращается в исходную форму.
А утром 28 января во Флориде было непривычно холодно.
Причём вопрос о температуре возник не после катастрофы. Его обсуждали ещё до запуска.
Вечером накануне инженеры Morton Thiokol — компании, которая производила ускорители, — обсуждали с NASA, можно ли вообще запускать Challenger в таких условиях.
Некоторые инженеры были категорически против.
Они опасались именно того, что на холоде резина потеряет эластичность и O-rings не успеют достаточно быстро закрыть соединение.
Первоначально Thiokol рекомендовал не запускать шаттл, если температура O-rings окажется ниже примерно 53°F — около 12°C.
Но позже руководство компании изменило свою позицию и согласилось на запуск.
На следующий день Challenger стартовал.
А через 73 секунды его не стало.
Теперь, спустя две недели, комиссия пыталась понять, что именно произошло.
На заседании подробно обсуждали устройство соединений и то, как они вели себя в предыдущих миссиях. Отдельно разбирали случаи повреждения O-rings и объясняли, почему раньше их не считали критическими.
За столом сидели люди, которые годами работали именно с этой системой. Перед ними были расчёты, результаты испытаний, отчёты и большой накопленный опыт эксплуатации.
И на фоне всей этой сложной технической картины Фейнмана заинтересовал совсем простой вопрос.
А насколько быстро эта конкретная резина восстанавливает форму на холоде?
На этот вопрос тоже можно было отвечать привычным способом — поднимать результаты испытаний, делать дополнительные расчёты, заказывать новое исследование.
Но Фейнман сделал проще.
Он взял образец материала, из которого были сделаны уплотнители, сжал его зажимом и положил в стакан с ледяной водой.
Температура воды со льдом — около нуля градусов Цельсия.
Заседание тем временем продолжалось. Через некоторое время Роджерс объявил десятиминутный перерыв, а когда комиссия снова собралась и уже собиралась переходить к следующему свидетелю, дал слово Фейнману.
Продолжение ⬇️
❤11🔥8👍3👀1
Продолжение:
Тот достал резину из воды, снял зажим и показал, что она не спешит возвращаться в исходную форму. На холоде материал действительно терял эластичность — именно то свойство, которое было критически важным для нормальной работы уплотнения.
После чего Фейнман довольно спокойно заметил:
«Полагаю, это имеет некоторое отношение к нашей проблеме».
Вся демонстрация заняла буквально несколько минут.
Конечно, сама по себе она ещё не доказывала причину катастрофы. Расследование продолжалось ещё несколько месяцев: комиссия изучала телеметрию и фотографии старта, обломки шаттла, конструкцию ускорителей, материалы предыдущих миссий и данные о проблемах с уплотнениями.
Но в итоге комиссия пришла к выводу, что разрушение началось именно с отказа уплотнения в соединении правого твердотопливного ускорителя.
Горячие газы прорвались наружу и запустили цепочку событий, которая закончилась разрушением шаттла.
Но самое важное для нас здесь даже не итоговый вывод комиссии, а то, каким способом Фейнман подошёл к проблеме.
Смотрите: к тому моменту о проблемах с O-rings уже знали. Их повреждения уже наблюдали раньше, инженеры спорили о допустимых температурах, существовали расчёты, результаты испытаний и опыт эксплуатации.
То есть Фейнман не обнаружил какой-то секретный факт, о котором никто раньше не подозревал.
Он по-другому поставил вопрос.
Можно было и дальше обсуждать, насколько серьёзны повреждения, насколько велик риск и насколько предыдущие успешные запуски подтверждают надёжность конструкции.
Фейнман взял одно конкретное предположение, критически важное для работы уплотнения: резина должна достаточно быстро восстанавливать форму.
И вместо очередного рассуждения спросил: а он действительно делает это на холоде?
После чего положил кусок резины в ледяную воду.
То есть Фейнман не стал искать ещё одно подтверждение существующей модели. Он создал условия, в которых реальность могла её опровергнуть.
И это два довольно разных способа мыслить.
Первый для нас намного естественнее. Мы охотно спрашиваем:
«Какие факты подтверждают, что я прав?»
И гораздо реже:
«Что должно произойти, чтобы я признал, что неправ?»
А разница между этими двумя вопросами огромная.
И это, кстати, работает далеко не только в физике.
То же самое постоянно происходит в бизнесе, карьере, личной жизни — вообще везде, где у нас есть какая-то модель происходящего и мы пытаемся понять, верна она или нет.
Например, мы запустили новую стратегию в бизнесе.
Продажи выросли — отлично, значит, стратегия работает.
Продажи упали — у нас уже готово объяснение: ну, это рынок просел, сезон неудачный, команда плохо реализовала идею, нужно просто дать ей ещё немного времени.
И вот уже оказывается, что любой результат можно объяснить так, чтобы исходная идея всё равно осталась правильной.
Или человек уверен, что уже поздно менять профессию.
Аргументы обычно найдутся легко: возраст не тот, опыта нет, рынок сложный, работодатели хотят специалистов с пятью годами стажа.
Но можно поставить вопрос по-другому:
а что могло бы показать, что это убеждение всё-таки неверно?
Например, если я откликнусь на двадцать-тридцать подходящих вакансий в новой профессии и меня хотя бы несколько раз пригласят на собеседование — значит, гипотеза «в этом возрасте я никому не нужен» уже как минимум неверна.
А если после небольшого реального проекта кто-то будет готов заплатить мне за такую работу — тем более.
То есть не обязательно сразу увольняться, получать второе высшее и начинать новую жизнь с понедельника :)
Можно сначала придумать маленький эксперимент, который позволит проверить одну из ключевых посылок.
И вот здесь меняется сам способ мышления.
Мы уже не просто ищем подтверждения своей идее. Мы заранее спрашиваем, какой результат заставит нас её пересмотреть.
Не:
«Какие ещё аргументы подтверждают, что мы правы?»
А:
«Что должно произойти, чтобы мы признали, что наша гипотеза неверна?»
А потом придумать, как это проверить.
Продолжение ⬇️
Тот достал резину из воды, снял зажим и показал, что она не спешит возвращаться в исходную форму. На холоде материал действительно терял эластичность — именно то свойство, которое было критически важным для нормальной работы уплотнения.
После чего Фейнман довольно спокойно заметил:
«Полагаю, это имеет некоторое отношение к нашей проблеме».
Вся демонстрация заняла буквально несколько минут.
Конечно, сама по себе она ещё не доказывала причину катастрофы. Расследование продолжалось ещё несколько месяцев: комиссия изучала телеметрию и фотографии старта, обломки шаттла, конструкцию ускорителей, материалы предыдущих миссий и данные о проблемах с уплотнениями.
Но в итоге комиссия пришла к выводу, что разрушение началось именно с отказа уплотнения в соединении правого твердотопливного ускорителя.
Горячие газы прорвались наружу и запустили цепочку событий, которая закончилась разрушением шаттла.
Но самое важное для нас здесь даже не итоговый вывод комиссии, а то, каким способом Фейнман подошёл к проблеме.
Смотрите: к тому моменту о проблемах с O-rings уже знали. Их повреждения уже наблюдали раньше, инженеры спорили о допустимых температурах, существовали расчёты, результаты испытаний и опыт эксплуатации.
То есть Фейнман не обнаружил какой-то секретный факт, о котором никто раньше не подозревал.
Он по-другому поставил вопрос.
Можно было и дальше обсуждать, насколько серьёзны повреждения, насколько велик риск и насколько предыдущие успешные запуски подтверждают надёжность конструкции.
Фейнман взял одно конкретное предположение, критически важное для работы уплотнения: резина должна достаточно быстро восстанавливать форму.
И вместо очередного рассуждения спросил: а он действительно делает это на холоде?
После чего положил кусок резины в ледяную воду.
То есть Фейнман не стал искать ещё одно подтверждение существующей модели. Он создал условия, в которых реальность могла её опровергнуть.
И это два довольно разных способа мыслить.
Первый для нас намного естественнее. Мы охотно спрашиваем:
«Какие факты подтверждают, что я прав?»
И гораздо реже:
«Что должно произойти, чтобы я признал, что неправ?»
А разница между этими двумя вопросами огромная.
И это, кстати, работает далеко не только в физике.
То же самое постоянно происходит в бизнесе, карьере, личной жизни — вообще везде, где у нас есть какая-то модель происходящего и мы пытаемся понять, верна она или нет.
Например, мы запустили новую стратегию в бизнесе.
Продажи выросли — отлично, значит, стратегия работает.
Продажи упали — у нас уже готово объяснение: ну, это рынок просел, сезон неудачный, команда плохо реализовала идею, нужно просто дать ей ещё немного времени.
И вот уже оказывается, что любой результат можно объяснить так, чтобы исходная идея всё равно осталась правильной.
Или человек уверен, что уже поздно менять профессию.
Аргументы обычно найдутся легко: возраст не тот, опыта нет, рынок сложный, работодатели хотят специалистов с пятью годами стажа.
Но можно поставить вопрос по-другому:
а что могло бы показать, что это убеждение всё-таки неверно?
Например, если я откликнусь на двадцать-тридцать подходящих вакансий в новой профессии и меня хотя бы несколько раз пригласят на собеседование — значит, гипотеза «в этом возрасте я никому не нужен» уже как минимум неверна.
А если после небольшого реального проекта кто-то будет готов заплатить мне за такую работу — тем более.
То есть не обязательно сразу увольняться, получать второе высшее и начинать новую жизнь с понедельника :)
Можно сначала придумать маленький эксперимент, который позволит проверить одну из ключевых посылок.
И вот здесь меняется сам способ мышления.
Мы уже не просто ищем подтверждения своей идее. Мы заранее спрашиваем, какой результат заставит нас её пересмотреть.
Не:
«Какие ещё аргументы подтверждают, что мы правы?»
А:
«Что должно произойти, чтобы мы признали, что наша гипотеза неверна?»
А потом придумать, как это проверить.
Продолжение ⬇️
❤23👍6🔥6💔1
Продолжение:
В науке такой подход связан с принципом фальсифицируемости, который обычно связывают с Карлом Поппером.
Тут, кстати, есть небольшая ловушка в словах.
В обычной речи «фальсификация» — это подделка: документов, результатов, исторических фактов.
В контексте научного метода смысл совсем другой: речь идёт о возможности опровергнуть гипотезу проверкой.
Фальсифицируемая гипотеза — это гипотеза, для которой мы можем заранее представить наблюдение или эксперимент, способный показать, что она неверна.
То есть мы не только спрашиваем у мира:
«Ну ведь я прав?»
Мы оставляем ему возможность ответить:
«Нет».
И частенько именно с этого начинается настоящее обучение :)
В науке такой подход связан с принципом фальсифицируемости, который обычно связывают с Карлом Поппером.
Тут, кстати, есть небольшая ловушка в словах.
В обычной речи «фальсификация» — это подделка: документов, результатов, исторических фактов.
В контексте научного метода смысл совсем другой: речь идёт о возможности опровергнуть гипотезу проверкой.
Фальсифицируемая гипотеза — это гипотеза, для которой мы можем заранее представить наблюдение или эксперимент, способный показать, что она неверна.
То есть мы не только спрашиваем у мира:
«Ну ведь я прав?»
Мы оставляем ему возможность ответить:
«Нет».
И частенько именно с этого начинается настоящее обучение :)
🔥35❤21👍7👀2🤝1
Нам кажется, что мы ищем информацию, чтобы понять, что происходит и что делать дальше. Но часто это лишь удобное объяснение.
Возьмём, к примеру, какие-то обычные вопросы, которые задают люди, глядя на происходящее вокруг:
- К чему приведёт вся эта история с искусственным интеллектом и как это скажется на моей жизни?
- Как дальше будет развиваться война?
- Чем закончится вся эта политика Трампа?
И что же большинство из нас делает с этими вопросами? Ну, как минимум, старается найти людей, которые знают обо всём этом больше нас.
Например, каких-то известных экономистов, политологов, военных аналитиков или специалистов по AI — смотря какой вопрос нас в этот момент волнует.
Казалось бы, всё логично.
Ну хорошо, нашли мы такого эксперта. Посмотрели с ним интервью на YouTube или прочитали его статью.
А теперь представим вот какую ситуацию. Этот эксперт рассказал в этом видео или статье разные факты и тренды на интересующую нас тему.
К примеру:
«В этом году крупнейшие технологические компании собираются потратить около $750 миллиардов на дата-центры и AI-инфраструктуру».
«Генеративным AI уже пользуется больше половины взрослого населения в мире».
«Microsoft объявила о сокращении 4 800 сотрудников».
И ещё много всего по этой теме.
А потом всё, видео закончилось.
И мы такие: «Эй, подожди! Ну а дальше-то что?
Так это всё хорошо или плохо? AI всё-таки отнимет у людей работу или создаст новую?
Куда вообще всё это идёт? Ты же эксперт. Скажи!»
Да, всё верно, хороший эксперт нужен не только затем, чтобы пересказывать нам факты.
На то он и эксперт, чтобы видеть за ними закономерности, замечать тренды, объяснять причинные связи, строить прогнозы.
Но часто нам на самом деле хочется от него ещё кое-чего.
Чтобы после всех этих «с одной стороны..., с другой...», «при этом», «возможны разные сценарии» он всё-таки взял и прибил сверху понятную табличку:
ЭТО ХОРОШО.
Или:
ЭТО ПЛОХО.
А ещё лучше — превратил всю сложную многофакторную систему в одну аккуратную стрелочку-указатель:
всё движется туда →
Есть только одна небольшая проблема.
Реальность редко помещается в одну простую табличку или стрелочку-указатель.
Взять хотя бы ту же тему с AI. Допустим, из-за AI ту же работу теперь могут выполнять не десять человек, а шесть.
Это хорошо?
Для владельца компании — вероятно, да.
Для четырёх уволенных сотрудников — очевидно, нет.
Для оставшихся шести — зависит от того, стали ли они получать больше или просто теперь работают за десятерых.
Для потребителя — возможно, прекрасно: услуга стала дешевле.
Для экономики в целом — вопрос уже сложнее.
Ну или, к примеру, представим падение курса национальной валюты. Это хорошо/плохо?
Для экспортёра — может быть хорошо.
Для импортёра — плохо.
Для иностранного туриста — прекрасно.
Для местного жителя, который покупает импортную технику, — опять плохо.
И ведь в обоих случаях само событие одно и то же.
Меняется только то, через какую линзу мы на него смотрим.
Поэтому вопрос «это хорошо или плохо?» часто просто не имеет одного универсального ответа.
Но нам его очень хочется. И чтобы всё-таки получить этот однозначный ответ, мы просим эксперта уже не просто объяснить нам факты, связи и тренды.
Мы просим его самому выбрать конкретную линзу, собрать из всего этого понятную модель происходящего — и выдать её нам уже в готовом виде.
То есть, по сути, делегируем сборку рабочей модели этой ситуации.
А если так происходит снова и снова — с экономикой, политикой, войной, AI и всем остальным, — то постепенно «отдаём на аутсорс» кое-что побольше.
Сборку собственной картины мира.
Конечно, какие-то кусочки этой картины у нас уже есть. Поэтому из множества интерпретаций проще всего — часто неосознанно — выбрать ту, которая хорошо стыкуется с тем, во что мы уже верим, с нашей системой убеждений.
Продолжение ⬇️
Возьмём, к примеру, какие-то обычные вопросы, которые задают люди, глядя на происходящее вокруг:
- К чему приведёт вся эта история с искусственным интеллектом и как это скажется на моей жизни?
- Как дальше будет развиваться война?
- Чем закончится вся эта политика Трампа?
И что же большинство из нас делает с этими вопросами? Ну, как минимум, старается найти людей, которые знают обо всём этом больше нас.
Например, каких-то известных экономистов, политологов, военных аналитиков или специалистов по AI — смотря какой вопрос нас в этот момент волнует.
Казалось бы, всё логично.
Ну хорошо, нашли мы такого эксперта. Посмотрели с ним интервью на YouTube или прочитали его статью.
А теперь представим вот какую ситуацию. Этот эксперт рассказал в этом видео или статье разные факты и тренды на интересующую нас тему.
К примеру:
«В этом году крупнейшие технологические компании собираются потратить около $750 миллиардов на дата-центры и AI-инфраструктуру».
«Генеративным AI уже пользуется больше половины взрослого населения в мире».
«Microsoft объявила о сокращении 4 800 сотрудников».
И ещё много всего по этой теме.
А потом всё, видео закончилось.
И мы такие: «Эй, подожди! Ну а дальше-то что?
Так это всё хорошо или плохо? AI всё-таки отнимет у людей работу или создаст новую?
Куда вообще всё это идёт? Ты же эксперт. Скажи!»
Да, всё верно, хороший эксперт нужен не только затем, чтобы пересказывать нам факты.
На то он и эксперт, чтобы видеть за ними закономерности, замечать тренды, объяснять причинные связи, строить прогнозы.
Но часто нам на самом деле хочется от него ещё кое-чего.
Чтобы после всех этих «с одной стороны..., с другой...», «при этом», «возможны разные сценарии» он всё-таки взял и прибил сверху понятную табличку:
ЭТО ХОРОШО.
Или:
ЭТО ПЛОХО.
А ещё лучше — превратил всю сложную многофакторную систему в одну аккуратную стрелочку-указатель:
всё движется туда →
Есть только одна небольшая проблема.
Реальность редко помещается в одну простую табличку или стрелочку-указатель.
Взять хотя бы ту же тему с AI. Допустим, из-за AI ту же работу теперь могут выполнять не десять человек, а шесть.
Это хорошо?
Для владельца компании — вероятно, да.
Для четырёх уволенных сотрудников — очевидно, нет.
Для оставшихся шести — зависит от того, стали ли они получать больше или просто теперь работают за десятерых.
Для потребителя — возможно, прекрасно: услуга стала дешевле.
Для экономики в целом — вопрос уже сложнее.
Ну или, к примеру, представим падение курса национальной валюты. Это хорошо/плохо?
Для экспортёра — может быть хорошо.
Для импортёра — плохо.
Для иностранного туриста — прекрасно.
Для местного жителя, который покупает импортную технику, — опять плохо.
И ведь в обоих случаях само событие одно и то же.
Меняется только то, через какую линзу мы на него смотрим.
Поэтому вопрос «это хорошо или плохо?» часто просто не имеет одного универсального ответа.
Но нам его очень хочется. И чтобы всё-таки получить этот однозначный ответ, мы просим эксперта уже не просто объяснить нам факты, связи и тренды.
Мы просим его самому выбрать конкретную линзу, собрать из всего этого понятную модель происходящего — и выдать её нам уже в готовом виде.
То есть, по сути, делегируем сборку рабочей модели этой ситуации.
А если так происходит снова и снова — с экономикой, политикой, войной, AI и всем остальным, — то постепенно «отдаём на аутсорс» кое-что побольше.
Сборку собственной картины мира.
Конечно, какие-то кусочки этой картины у нас уже есть. Поэтому из множества интерпретаций проще всего — часто неосознанно — выбрать ту, которая хорошо стыкуется с тем, во что мы уже верим, с нашей системой убеждений.
Продолжение ⬇️
❤12👍8🤔4👀1
Продолжение:
И когда выбранный эксперт говорит примерно то, что мы и сами подозревали — только увереннее, умнее и со ссылками на исследования — мы радуемся:
«Ну вот. Наконец нормальный эксперт».
:)
Хотя по сути его авторитет просто поставил на нашей уже готовой интерпретации печать: «экспертно подтверждено».
И тут хочется задать вопрос:
А точно мы хотим делегировать эту часть работы?
И здесь дело даже не в банальном «надо думать своей головой».
Большинство людей и так совершенно искренне уверены, что именно это и делают.
У нас есть своё мнение о политике, экономике, AI, войне, образовании, воспитании детей и ещё примерно обо всём на свете.
Вопрос только в том, из чего это «своё мнение» собрано.
Потому что очень часто оно во многом собрано из заимствованных моделей, интерпретаций, критериев и способов смотреть на происходящее.
Просто некоторые из них настолько хорошо встроились в нашу голову, что уже давно ощущаются как свои.
И в общем-то понятно, почему так происходит.
Во-первых, так гораздо проще.
Самостоятельно собирать рабочую модель сложной ситуации всё-таки заметно труднее, чем взять уже готовую (ну да, это не самая простая мыслительная работа :)).
А во-вторых, этому действительно редко учат специально.
Учат "получать знания". Иногда — анализировать информацию.
Но гораздо реже учат строить собственную мета-рамку — то есть понимать, какую рабочую модель мы сейчас используем, почему именно её, где её границы, когда стоит поменять линзу и как удерживать сразу несколько возможных объяснений, не пытаясь немедленно выбрать одно «правильное».
Собственно, во многом именно поэтому мы и сделали наш курс «Логика как фундамент мышления» :)
Не для того, чтобы предложить ещё одну готовую картину мира, разумеется :)
А чтобы дать инструменты для того, чтобы собирать свою.
И с экспертами после этого, кстати, становится гораздо проще :)
Уже не обязательно искать только тех, кто вам нравится, с кем вы согласны и чьи выводы хорошо ложатся в вашу текущую картину.
Можно спокойно слушать человека, который вам вообще не близок.
Не соглашаться с половиной его выводов — и при этом забрать у него факты, хорошую модель, важное наблюдение или неожиданную линзу.
Потому что уже нет необходимости принимать предложенную им модель целиком.
Она становится просто ещё одним материалом для вашей.
И иногда вполне можете оставить вопрос открытым:
«Пока не знаю. Пока наблюдаю».
Потому что собственная мета-рамка — это не когда у вас на всё есть своё твёрдое мнение.
Это когда вам не нужно брать чужое только потому, что своего готового ответа пока нет.
И когда выбранный эксперт говорит примерно то, что мы и сами подозревали — только увереннее, умнее и со ссылками на исследования — мы радуемся:
«Ну вот. Наконец нормальный эксперт».
:)
Хотя по сути его авторитет просто поставил на нашей уже готовой интерпретации печать: «экспертно подтверждено».
И тут хочется задать вопрос:
А точно мы хотим делегировать эту часть работы?
И здесь дело даже не в банальном «надо думать своей головой».
Большинство людей и так совершенно искренне уверены, что именно это и делают.
У нас есть своё мнение о политике, экономике, AI, войне, образовании, воспитании детей и ещё примерно обо всём на свете.
Вопрос только в том, из чего это «своё мнение» собрано.
Потому что очень часто оно во многом собрано из заимствованных моделей, интерпретаций, критериев и способов смотреть на происходящее.
Просто некоторые из них настолько хорошо встроились в нашу голову, что уже давно ощущаются как свои.
И в общем-то понятно, почему так происходит.
Во-первых, так гораздо проще.
Самостоятельно собирать рабочую модель сложной ситуации всё-таки заметно труднее, чем взять уже готовую (ну да, это не самая простая мыслительная работа :)).
А во-вторых, этому действительно редко учат специально.
Учат "получать знания". Иногда — анализировать информацию.
Но гораздо реже учат строить собственную мета-рамку — то есть понимать, какую рабочую модель мы сейчас используем, почему именно её, где её границы, когда стоит поменять линзу и как удерживать сразу несколько возможных объяснений, не пытаясь немедленно выбрать одно «правильное».
Собственно, во многом именно поэтому мы и сделали наш курс «Логика как фундамент мышления» :)
Не для того, чтобы предложить ещё одну готовую картину мира, разумеется :)
А чтобы дать инструменты для того, чтобы собирать свою.
И с экспертами после этого, кстати, становится гораздо проще :)
Уже не обязательно искать только тех, кто вам нравится, с кем вы согласны и чьи выводы хорошо ложатся в вашу текущую картину.
Можно спокойно слушать человека, который вам вообще не близок.
Не соглашаться с половиной его выводов — и при этом забрать у него факты, хорошую модель, важное наблюдение или неожиданную линзу.
Потому что уже нет необходимости принимать предложенную им модель целиком.
Она становится просто ещё одним материалом для вашей.
И иногда вполне можете оставить вопрос открытым:
«Пока не знаю. Пока наблюдаю».
Потому что собственная мета-рамка — это не когда у вас на всё есть своё твёрдое мнение.
Это когда вам не нужно брать чужое только потому, что своего готового ответа пока нет.
👍33❤18🔥5💔1
В 1918 году на турнире в Нью-Йорке за шахматной доской встретились два выдающихся игрока:
Фрэнк Маршалл, многолетний чемпион США, и Хосе Рауль Капабланка — один из сильнейших игроков мира и будущий чемпион мира.
К этой партии Маршалл специально подготовил новый дебютный вариант — с жертвой пешки и очень острой атакой на короля.
В шахматах такие заготовки могут давать огромное преимущество.
Дебютная новинка — это новый ход или новая идея в хорошо изученной позиции, для которой у соперника ещё нет готового ответа.
Игрок, который её подготовил, мог потратить дома дни или даже недели: спокойно разобрать позицию, проверить разные ответы и просчитать продолжения.
А его сопернику приходится решать ту же задачу впервые прямо за доской — не передвигая фигуры и укладываясь в ограниченное время партии.
Именно в таком положении оказался Капабланка.
Он быстро понял, что Маршалл приготовил для него что-то специальное. А когда началась сама атака, понимал и другое: возникающие варианты соперник заранее изучал, а сам он мог опираться только на собственную оценку позиции и расчёт за доской.
И всё же он принял жертву пешки.
Дальше Маршалл действительно получил сильную атаку. То есть его подготовка не оказалась красивым трюком, который рассыпался при первой проверке.
Более того, сама идея пережила обоих шахматистов. Сегодня, больше ста лет спустя, атака Маршалла остаётся полноценной частью современной дебютной теории и используется на самом высоком уровне.
Но ту партию Маршалл проиграл.
Капабланка сумел погасить атаку, сохранить лишнюю пешку и на 36-м ходу довёл позицию до выигрыша.
Так, у Маршалла было очень сильное готовое решение.
У Капабланки готового решения не было. Зато было то, что в шахматах обычно называют пониманием позиции: способность оценить, что в ней действительно важно, увидеть реальные угрозы, отбросить ложные, найти нужный план и рассчитать конкретные варианты уже от него.
То есть Маршалл заранее знал значительно больше именно об этой конкретной позиции.
А Капабланка обладал более фундаментальным навыком: умел разбираться в позиции, даже если раньше её не видел и специально не анализировал.
И этот принцип работает, разумеется, далеко не только в шахматах.
Здесь важна сама архитектура: готовые решения — это верхний слой. А под ним должна быть система, которая позволяет работать и тогда, когда готового решения ещё нет.
📱 Возьмём обычный смартфон.
Любое приложение в нём опирается на операционную систему.
Оно не работает с памятью, экраном, камерой, связью и процессором напрямую. Ему нужна более глубокая система, которая связывает всё это вместе и позволяет новым программам вообще работать.
Со смартфоном этот принцип кажется очевидным.
Но когда дело доходит до собственного мышления, мы часто сразу бросаемся устанавливать новые «приложения»:
начинаем осваивать чат-боты и нейросети, прокачивать личный бренд, разбираться в десятках новых инструментов, примерять на себя новые профессии и пытаться угадать, какие «навыки будущего» понадобятся завтра.
И почти не спрашиваем себя: а устанавливается-то всё это куда?
Какая операционная система вообще стоит под всеми этими знаниями, навыками и инструментами?
И сегодня качество этой «операционной системы» становится особенно важным.
Не потому, что знания вдруг стали не нужны. Просто срок их спокойной жизни заметно сократился — многие из них устаревают раньше, чем мы успеваем почувствовать себя специалистами.
Ещё недавно можно было один раз получить профессию, освоить её основные правила — и затем десятилетиями наращивать опыт внутри более-менее стабильной системы.
Сегодня можно десять лет становиться хорошим специалистом, а потом обнаружить, что изменилась не только технология, которой вы пользовались.
Изменилась сама логика профессии.
Часть работы взял на себя искусственный интеллект. Привычные инструменты стали не нужны. Целые этапы процесса исчезли или радикально подешевели. А ценность сместилась туда, чему вас вообще никто не учил.
Именно поэтому совет «нужно постоянно учиться» звучит разумно, но мало чем помогает.
Учиться чему?
Продолжение ⬇️
Фрэнк Маршалл, многолетний чемпион США, и Хосе Рауль Капабланка — один из сильнейших игроков мира и будущий чемпион мира.
К этой партии Маршалл специально подготовил новый дебютный вариант — с жертвой пешки и очень острой атакой на короля.
В шахматах такие заготовки могут давать огромное преимущество.
Дебютная новинка — это новый ход или новая идея в хорошо изученной позиции, для которой у соперника ещё нет готового ответа.
Игрок, который её подготовил, мог потратить дома дни или даже недели: спокойно разобрать позицию, проверить разные ответы и просчитать продолжения.
А его сопернику приходится решать ту же задачу впервые прямо за доской — не передвигая фигуры и укладываясь в ограниченное время партии.
Именно в таком положении оказался Капабланка.
Он быстро понял, что Маршалл приготовил для него что-то специальное. А когда началась сама атака, понимал и другое: возникающие варианты соперник заранее изучал, а сам он мог опираться только на собственную оценку позиции и расчёт за доской.
И всё же он принял жертву пешки.
Дальше Маршалл действительно получил сильную атаку. То есть его подготовка не оказалась красивым трюком, который рассыпался при первой проверке.
Более того, сама идея пережила обоих шахматистов. Сегодня, больше ста лет спустя, атака Маршалла остаётся полноценной частью современной дебютной теории и используется на самом высоком уровне.
Но ту партию Маршалл проиграл.
Капабланка сумел погасить атаку, сохранить лишнюю пешку и на 36-м ходу довёл позицию до выигрыша.
Так, у Маршалла было очень сильное готовое решение.
У Капабланки готового решения не было. Зато было то, что в шахматах обычно называют пониманием позиции: способность оценить, что в ней действительно важно, увидеть реальные угрозы, отбросить ложные, найти нужный план и рассчитать конкретные варианты уже от него.
То есть Маршалл заранее знал значительно больше именно об этой конкретной позиции.
А Капабланка обладал более фундаментальным навыком: умел разбираться в позиции, даже если раньше её не видел и специально не анализировал.
И этот принцип работает, разумеется, далеко не только в шахматах.
Здесь важна сама архитектура: готовые решения — это верхний слой. А под ним должна быть система, которая позволяет работать и тогда, когда готового решения ещё нет.
📱 Возьмём обычный смартфон.
Любое приложение в нём опирается на операционную систему.
Оно не работает с памятью, экраном, камерой, связью и процессором напрямую. Ему нужна более глубокая система, которая связывает всё это вместе и позволяет новым программам вообще работать.
Со смартфоном этот принцип кажется очевидным.
Но когда дело доходит до собственного мышления, мы часто сразу бросаемся устанавливать новые «приложения»:
начинаем осваивать чат-боты и нейросети, прокачивать личный бренд, разбираться в десятках новых инструментов, примерять на себя новые профессии и пытаться угадать, какие «навыки будущего» понадобятся завтра.
И почти не спрашиваем себя: а устанавливается-то всё это куда?
Какая операционная система вообще стоит под всеми этими знаниями, навыками и инструментами?
И сегодня качество этой «операционной системы» становится особенно важным.
Не потому, что знания вдруг стали не нужны. Просто срок их спокойной жизни заметно сократился — многие из них устаревают раньше, чем мы успеваем почувствовать себя специалистами.
Ещё недавно можно было один раз получить профессию, освоить её основные правила — и затем десятилетиями наращивать опыт внутри более-менее стабильной системы.
Сегодня можно десять лет становиться хорошим специалистом, а потом обнаружить, что изменилась не только технология, которой вы пользовались.
Изменилась сама логика профессии.
Часть работы взял на себя искусственный интеллект. Привычные инструменты стали не нужны. Целые этапы процесса исчезли или радикально подешевели. А ценность сместилась туда, чему вас вообще никто не учил.
Именно поэтому совет «нужно постоянно учиться» звучит разумно, но мало чем помогает.
Учиться чему?
Продолжение ⬇️
👍12❤7🔥2❤🔥1
Продолжение:
Как отличить навык, который действительно расширит ваши возможности, от навыка, который через год превратится в кнопку внутри очередного AI-сервиса?
Как понять, что перед вами глубокое изменение, а не очередная мода, о которой через несколько месяцев все забудут?
И как вообще осваивать новое, если каждый раз приходится начинать почти с нуля?
В такой ситуации человеку нужен не ещё один набор знаний.
Нужен более устойчивый слой, который меняется медленнее самих знаний.
Система, которая помогает понять, что изучать, как это связать с уже известным, чему доверять — и что пора без сожалений отправить в корзину.
То есть та самая интеллектуальная операционная система.
Если продолжить шахматную аналогию — своё «понимание позиции», которое начинает работать там, где заканчиваются заранее изученные варианты.
🏛 В Средние века её роль выполнял trivium — грамматика, риторика и логика, сложившиеся на основе образовательной традиции поздней Античности.
Грамматика учила понимать язык.
Риторика — ясно выражать и доносить мысль.
А логика — строить рассуждения и проверить, есть ли внутри красивой речи настоящий смысл или только уверенная интонация.
При этом Логика здесь была не одним из предметов.
Скорее, это был инструмент, который выдавали перед тем, как отправить человека изучать математику, философию, медицину или право.
Сначала — инструмент мышления.
Потом — знания, с которыми этот инструмент будет работать.
В этом была вполне разумная архитектура. Сначала — основание (операционная система), а уже потом — всё остальное.
Но постепенно эта архитектура изменилась.
Наук становилось всё больше. Каждая из них усложнялась, дробилась на отдельные дисциплины и требовала всё более долгой специальной подготовки.
Одновременно менялась и сама задача образования.
Всё чаще от него ждали не человека с развитым инструментарием мышления, а специалиста, способного выполнять определённую работу: инженера, врача, юриста, бухгалтера, программиста.
Учебные программы постепенно заполнялись профессиональными знаниями, методиками и процедурами.
Всё это было полезно. Просто для фундамента в здании оставалось всё меньше места.
И какое-то время это вполне работало.
Профессии менялись медленно. Полученные знания устаревали не слишком быстро. Освоив одну систему, человек мог всю жизнь развиваться внутри неё.
Но постепенно произошла подмена.
То, что раньше строилось ПОВЕРХ ФУНДАМЕНТА, само стало считаться фундаментом: профессия, специальность, набор знаний и правил работы в конкретной области.
Но мир, для которого была создана эта модель, уже исчезает.
Именно поэтому нам снова нужен фундамент. Только теперь он должен быть устроен иначе.
Если в индустриальную эпоху роль фундамента фактически взяли на себя относительно устойчивые профессиональные знания и правила, то сегодня фундамент уже не может состоять только из готовых ответов.
Потому что ответы будут меняться.
Он должен состоять из способов работы с МЕНЯЮЩИМИСЯ ОТВЕТАМИ.
Как войти в незнакомую область и быстро понять, что в ней действительно важно?
Как отличить глубокое изменение от временной моды?
Как действовать, когда информации недостаточно, данные противоречат друг другу, а решение всё равно нужно принимать?
Как понять, что старая модель перестала работать?
Как не начинать образование заново каждый раз, когда появляется новая технология или меняется рынок?
И, возможно, самое главное: как осваивать новые знания не как разрозненные факты и инструкции, а как части некоторой системы?
То есть не «знать всё необходимое» (это уже физически невозможно), а уметь достаточно быстро строить рабочую карту новой территории.
И вот здесь мы как раз и видим задачу логики — на наш взгляд, она вполне может снова стать так необходимым фундаментом.
Разумеется, одной классической логики, выросшей из аристотелевской традиции, теперь уже недостаточно.
Она прекрасно работает там, где условия известны, категории устойчивы, а корректность ответа можно проверить.
Но большинство важных современных задач устроено совсем иначе.
Продолжение ⬇️
Как отличить навык, который действительно расширит ваши возможности, от навыка, который через год превратится в кнопку внутри очередного AI-сервиса?
Как понять, что перед вами глубокое изменение, а не очередная мода, о которой через несколько месяцев все забудут?
И как вообще осваивать новое, если каждый раз приходится начинать почти с нуля?
В такой ситуации человеку нужен не ещё один набор знаний.
Нужен более устойчивый слой, который меняется медленнее самих знаний.
Система, которая помогает понять, что изучать, как это связать с уже известным, чему доверять — и что пора без сожалений отправить в корзину.
То есть та самая интеллектуальная операционная система.
Если продолжить шахматную аналогию — своё «понимание позиции», которое начинает работать там, где заканчиваются заранее изученные варианты.
🏛 В Средние века её роль выполнял trivium — грамматика, риторика и логика, сложившиеся на основе образовательной традиции поздней Античности.
Грамматика учила понимать язык.
Риторика — ясно выражать и доносить мысль.
А логика — строить рассуждения и проверить, есть ли внутри красивой речи настоящий смысл или только уверенная интонация.
При этом Логика здесь была не одним из предметов.
Скорее, это был инструмент, который выдавали перед тем, как отправить человека изучать математику, философию, медицину или право.
Сначала — инструмент мышления.
Потом — знания, с которыми этот инструмент будет работать.
В этом была вполне разумная архитектура. Сначала — основание (операционная система), а уже потом — всё остальное.
Но постепенно эта архитектура изменилась.
Наук становилось всё больше. Каждая из них усложнялась, дробилась на отдельные дисциплины и требовала всё более долгой специальной подготовки.
Одновременно менялась и сама задача образования.
Всё чаще от него ждали не человека с развитым инструментарием мышления, а специалиста, способного выполнять определённую работу: инженера, врача, юриста, бухгалтера, программиста.
Учебные программы постепенно заполнялись профессиональными знаниями, методиками и процедурами.
Всё это было полезно. Просто для фундамента в здании оставалось всё меньше места.
И какое-то время это вполне работало.
Профессии менялись медленно. Полученные знания устаревали не слишком быстро. Освоив одну систему, человек мог всю жизнь развиваться внутри неё.
Но постепенно произошла подмена.
То, что раньше строилось ПОВЕРХ ФУНДАМЕНТА, само стало считаться фундаментом: профессия, специальность, набор знаний и правил работы в конкретной области.
Но мир, для которого была создана эта модель, уже исчезает.
Именно поэтому нам снова нужен фундамент. Только теперь он должен быть устроен иначе.
Если в индустриальную эпоху роль фундамента фактически взяли на себя относительно устойчивые профессиональные знания и правила, то сегодня фундамент уже не может состоять только из готовых ответов.
Потому что ответы будут меняться.
Он должен состоять из способов работы с МЕНЯЮЩИМИСЯ ОТВЕТАМИ.
Как войти в незнакомую область и быстро понять, что в ней действительно важно?
Как отличить глубокое изменение от временной моды?
Как действовать, когда информации недостаточно, данные противоречат друг другу, а решение всё равно нужно принимать?
Как понять, что старая модель перестала работать?
Как не начинать образование заново каждый раз, когда появляется новая технология или меняется рынок?
И, возможно, самое главное: как осваивать новые знания не как разрозненные факты и инструкции, а как части некоторой системы?
То есть не «знать всё необходимое» (это уже физически невозможно), а уметь достаточно быстро строить рабочую карту новой территории.
И вот здесь мы как раз и видим задачу логики — на наш взгляд, она вполне может снова стать так необходимым фундаментом.
Разумеется, одной классической логики, выросшей из аристотелевской традиции, теперь уже недостаточно.
Она прекрасно работает там, где условия известны, категории устойчивы, а корректность ответа можно проверить.
Но большинство важных современных задач устроено совсем иначе.
Продолжение ⬇️
❤10👍10🔥1
Продолжение:
Мы не знаем всех условий.
Не можем заранее перечислить все возможные исходы.
Критерии могут конфликтовать между собой.
Причины и последствия разнесены во времени.
А единственно правильного ответа иногда вообще не существует.
Такие задачи в современной логике и исследованиях решения задач называют ill-defined problems — плохо определёнными задачами
Именно для работы с такими задачами за последние сто с лишним лет сформировался целый набор новых инструментов мышления.
Вероятностная логика — когда вместо поиска гарантированно правильного сценария мы оцениваем шансы, делаем ставки и обновляем их по мере появления информации.
Нечёткая логика — когда нельзя честно ответить только «да» или «нет» и приходится рассуждать о степени приемлемости, рисках, границах и нормах.
Системное мышление — когда нужно видеть не отдельное событие, а структуру связей, задержек и петель обратной связи, которые это событие породили.
Научный метод — когда мы не объявляем первое понравившееся объяснение истиной, а строим гипотезы, проверяем их и корректируем картину.
Работа с сигналом и шумом — когда информации стало столько, что способность отбрасывать лишнее важнее способности находить ещё больше.
И работа с метауровнем — когда прежде, чем искать решение, мы задаём саму рамку:
- какую задачу решаем;
- что считаем хорошим результатом;
- по каким правилам будем выбирать;
- что для нас недопустимо;
- и где заканчиваются возможности используемой модели.
Это можно назвать мета-логикой: умением управлять не только ходом рассуждения, но и системой координат, внутри которой оно происходит.
Если собрать всё это вместе, получается довольно современная версия того самого старого trivium.
Только уже для мира, где значительная часть важных задач не имеет заранее известного правильного ответа.
Не набор знаний, которые нужно выучить один раз и сохранить навсегда.
А интеллектуальная операционная система, поверх которой можно устанавливать новые знания, обновлять их, связывать между собой — и удалять те, которые больше не работают.
Такой фундамент не позволяет заранее знать все будущие ответы.
Но позволяет не начинать с нуля, когда жизнь делает ход, которого не было в вашей подготовке.
(Ну да, вот такую амбициозную задачу мы решали, создавая наш курс «Логика как фундамент мышления». Ну а почему бы, собственно, и нет? :) Так что будем постепенно ещё добавлять новые лекции в курс, в первую очередь для решения практических задач)
◌
Мы не знаем всех условий.
Не можем заранее перечислить все возможные исходы.
Критерии могут конфликтовать между собой.
Причины и последствия разнесены во времени.
А единственно правильного ответа иногда вообще не существует.
Такие задачи в современной логике и исследованиях решения задач называют ill-defined problems — плохо определёнными задачами
Именно для работы с такими задачами за последние сто с лишним лет сформировался целый набор новых инструментов мышления.
Вероятностная логика — когда вместо поиска гарантированно правильного сценария мы оцениваем шансы, делаем ставки и обновляем их по мере появления информации.
Нечёткая логика — когда нельзя честно ответить только «да» или «нет» и приходится рассуждать о степени приемлемости, рисках, границах и нормах.
Системное мышление — когда нужно видеть не отдельное событие, а структуру связей, задержек и петель обратной связи, которые это событие породили.
Научный метод — когда мы не объявляем первое понравившееся объяснение истиной, а строим гипотезы, проверяем их и корректируем картину.
Работа с сигналом и шумом — когда информации стало столько, что способность отбрасывать лишнее важнее способности находить ещё больше.
И работа с метауровнем — когда прежде, чем искать решение, мы задаём саму рамку:
- какую задачу решаем;
- что считаем хорошим результатом;
- по каким правилам будем выбирать;
- что для нас недопустимо;
- и где заканчиваются возможности используемой модели.
Это можно назвать мета-логикой: умением управлять не только ходом рассуждения, но и системой координат, внутри которой оно происходит.
Если собрать всё это вместе, получается довольно современная версия того самого старого trivium.
Только уже для мира, где значительная часть важных задач не имеет заранее известного правильного ответа.
Не набор знаний, которые нужно выучить один раз и сохранить навсегда.
А интеллектуальная операционная система, поверх которой можно устанавливать новые знания, обновлять их, связывать между собой — и удалять те, которые больше не работают.
Такой фундамент не позволяет заранее знать все будущие ответы.
Но позволяет не начинать с нуля, когда жизнь делает ход, которого не было в вашей подготовке.
(Ну да, вот такую амбициозную задачу мы решали, создавая наш курс «Логика как фундамент мышления». Ну а почему бы, собственно, и нет? :) Так что будем постепенно ещё добавлять новые лекции в курс, в первую очередь для решения практических задач)
◌
🔥30👍9❤8💔1
24 апреля 1990 года шаттл Discovery вывел на орбиту космический телескоп Hubble.
Проект готовили много лет. Главное зеркало диаметром 2,4 метра отполировали с фантастической точностью.
Телескоп подняли за пределы земной атмосферы, которая мешает наземным обсерваториям получать идеально чёткие изображения.
В общем, человечество потратило огромное количество денег, времени и инженерного таланта, чтобы наконец получше рассмотреть Вселенную.
А потом Hubble «открыл глаза». И выяснилось, что видит он довольно фигово :)
Первые изображения были размыты.
Сначала инженеры перебирали разные версии, но довольно быстро стало понятно: проблема не в камерах, не в программном обеспечении и уж точно не во Вселенной.
Неправильным оказалось главное зеркало. Причём неправильно оно было совсем чуть-чуть.
У внешнего края зеркало получилось примерно на 2,2 микрона более плоским, чем требовалось. Это примерно одна пятидесятая толщины человеческого волоса.
Но для оптической системы такого класса этого оказалось вполне достаточно: лучи света вместо одного фокуса собирались в нескольких, и телескоп получил так называемую сферическую аберрацию.
Самое интересное началось, когда стали выяснять, как вообще можно было допустить такую ошибку. Зеркало ведь не шлифовали на глаз.
Для проверки его формы использовали специальный прибор — null corrector. Условно говоря, сверхточный оптический эталон, который должен был показывать инженерам: вот сейчас форма правильная, можно останавливаться.
Именно этот прибор и был собран неправильно. Одна из его линз находилась примерно на 1,3 миллиметра не там, где должна была находиться.
Кстати, в этой истории была одна слегка анекдотическая деталь: во время настройки прибора положение элемента скорректировали с помощью трёх обычных металлических шайб :)
В результате невероятно точная машина сделала именно то, что ей велели. Она отполировала зеркало почти идеально — по неправильному эталону.
Ну хорошо, и что ж теперь со всем этим делать?
Менять огромное главное зеркало на орбите было невозможно. Поэтому инженеры придумали гораздо более изящное решение.
Они решили не исправлять само зеркало, а добавить оптику, которая будет компенсировать его искажение.
Принцип здесь примерно тот же, что и с обычными очками. Очки ведь не исправляют форму глаза — они заранее немного меняют ход лучей так, чтобы вместе с несовершенной оптикой глаза изображение в итоге сфокусировалось правильно.
С Hubble сделали примерно то же самое. Дефект главного зеркала отклонял свет одним образом, поэтому корректирующим зеркалам придали специально рассчитанную форму, которая меняла ход лучей в противоположную сторону.
В результате одно искажение компенсировалось другим, и изображение снова собиралось правильно.
Для части приборов установили отдельную систему COSTAR с небольшими зеркалами, которые вводились прямо в путь света. А новая камера WFPC2 уже получила такую коррекцию внутри себя.
В декабре 1993 года астронавты установили всё это на Hubble. И телескоп наконец увидел нормально.
Те самые знаменитые сверхчёткие фотографии космоса, с которыми сегодня ассоциируется Hubble, появились уже после этого ремонта.
Но вообще-то этот пост не про Hubble. И даже не про космос.
Он про то, как сильно результат зависит от того, через что мы смотрим.
Продолжение ⬇️
Проект готовили много лет. Главное зеркало диаметром 2,4 метра отполировали с фантастической точностью.
Телескоп подняли за пределы земной атмосферы, которая мешает наземным обсерваториям получать идеально чёткие изображения.
В общем, человечество потратило огромное количество денег, времени и инженерного таланта, чтобы наконец получше рассмотреть Вселенную.
А потом Hubble «открыл глаза». И выяснилось, что видит он довольно фигово :)
Первые изображения были размыты.
Сначала инженеры перебирали разные версии, но довольно быстро стало понятно: проблема не в камерах, не в программном обеспечении и уж точно не во Вселенной.
Неправильным оказалось главное зеркало. Причём неправильно оно было совсем чуть-чуть.
У внешнего края зеркало получилось примерно на 2,2 микрона более плоским, чем требовалось. Это примерно одна пятидесятая толщины человеческого волоса.
Но для оптической системы такого класса этого оказалось вполне достаточно: лучи света вместо одного фокуса собирались в нескольких, и телескоп получил так называемую сферическую аберрацию.
Самое интересное началось, когда стали выяснять, как вообще можно было допустить такую ошибку. Зеркало ведь не шлифовали на глаз.
Для проверки его формы использовали специальный прибор — null corrector. Условно говоря, сверхточный оптический эталон, который должен был показывать инженерам: вот сейчас форма правильная, можно останавливаться.
Именно этот прибор и был собран неправильно. Одна из его линз находилась примерно на 1,3 миллиметра не там, где должна была находиться.
Кстати, в этой истории была одна слегка анекдотическая деталь: во время настройки прибора положение элемента скорректировали с помощью трёх обычных металлических шайб :)
В результате невероятно точная машина сделала именно то, что ей велели. Она отполировала зеркало почти идеально — по неправильному эталону.
Ну хорошо, и что ж теперь со всем этим делать?
Менять огромное главное зеркало на орбите было невозможно. Поэтому инженеры придумали гораздо более изящное решение.
Они решили не исправлять само зеркало, а добавить оптику, которая будет компенсировать его искажение.
Принцип здесь примерно тот же, что и с обычными очками. Очки ведь не исправляют форму глаза — они заранее немного меняют ход лучей так, чтобы вместе с несовершенной оптикой глаза изображение в итоге сфокусировалось правильно.
С Hubble сделали примерно то же самое. Дефект главного зеркала отклонял свет одним образом, поэтому корректирующим зеркалам придали специально рассчитанную форму, которая меняла ход лучей в противоположную сторону.
В результате одно искажение компенсировалось другим, и изображение снова собиралось правильно.
Для части приборов установили отдельную систему COSTAR с небольшими зеркалами, которые вводились прямо в путь света. А новая камера WFPC2 уже получила такую коррекцию внутри себя.
В декабре 1993 года астронавты установили всё это на Hubble. И телескоп наконец увидел нормально.
Те самые знаменитые сверхчёткие фотографии космоса, с которыми сегодня ассоциируется Hubble, появились уже после этого ремонта.
Но вообще-то этот пост не про Hubble. И даже не про космос.
Он про то, как сильно результат зависит от того, через что мы смотрим.
Продолжение ⬇️
❤17👍2😎1
Продолжение:
Hubble в этом смысле ещё повезло: его проблема была вполне материальной. Ошибку можно было найти, измерить в микронах и сделать систему, которая её компенсирует.
С нашей собственной оптикой всё обычно сложнее. Потому что мы смотрим на происходящее через уже накопленные представления о том, как устроен мир: что важно, что второстепенно, что нормально, а что должно насторожить.
Вот это и есть наша «оптика», наша «линза». Причём обычно мы её вообще не замечаем.
Нам кажется, что мы просто видим реальность. Хотя на самом деле уже смотрим на неё через определённую модель.
Особенно легко это заметить на специалистах.
Рентгенолог смотрит на медицинский снимок и выделяет совсем не те признаки, которые вообще заметит человек без соответствующей подготовки.
Специалист по компьютерному зрению может посмотреть на тот же снимок — и его внимание уйдёт в качество изображения, артефакты, сегментацию, признаки, по которым алгоритм отличает один класс от другого.
Архитектор заходит в помещение и почти сразу замечает пропорции, свет, организацию пространства, конструктивные ограничения — то, что большинство из нас вообще не воспринимает как отдельную информацию.
Музыкант слышит в композиции гармоническое движение, ритмический размер, голосоведение — там, где другой человек просто слышит «приятную песню».
И с профессиональными линзами всё ещё относительно просто. Мы хотя бы понимаем, откуда они взялись.
Гораздо интереснее те, которые мы вообще не считаем линзами.
Они обычно выглядят примерно так: «Ну это же очевидно».
Вот здесь можно снова вспомнить Hubble. У него проблема оказалась не только в зеркале. Неправильным был сам эталон, по которому это зеркало считали правильным.
А у людей таких внутренних «эталонов» полно: что нормально, что рискованно, что считать успехом, сколько неопределённости допустимо, чего вообще следует ожидать от других людей.
И обычно каждый из нас подозревает, что его эталон — ну если не единственно правильный, то хотя бы довольно очевидный :)
Особенно хорошо это видно, когда сталкиваются люди из разных профессиональных миров.
Представьте, например, что бизнес запускают два партнёра. Один много лет предприниматель. Второй всю жизнь работал в найме и только сейчас решил сделать что-то своё.
Формально они обсуждают один и тот же проект. Но довольно быстро может выясниться, что под словами «нормально», «рискованно», «стабильно» и даже «бизнес работает» они понимают очень разные вещи.
Для одного несколько месяцев нестабильного дохода — обычная часть запуска. Для другого — уже тревожный сигнал.
Один говорит: «Нужно ещё вложить денег и проверить несколько гипотез».
Другой слышит: «Мы опять тратим деньги на то, что пока не умеет себя окупать».
Один воспринимает необходимость несколько раз переделать продукт как нормальный поиск рабочей модели. Другой — как подтверждение того, что первоначальный план оказался плохим.
И самое забавное, что оба могут смотреть друг на друга с совершенно искренним недоумением. Как можно не понимать такую очевидную вещь?
Продолжение ⬇️
Hubble в этом смысле ещё повезло: его проблема была вполне материальной. Ошибку можно было найти, измерить в микронах и сделать систему, которая её компенсирует.
С нашей собственной оптикой всё обычно сложнее. Потому что мы смотрим на происходящее через уже накопленные представления о том, как устроен мир: что важно, что второстепенно, что нормально, а что должно насторожить.
Вот это и есть наша «оптика», наша «линза». Причём обычно мы её вообще не замечаем.
Нам кажется, что мы просто видим реальность. Хотя на самом деле уже смотрим на неё через определённую модель.
Особенно легко это заметить на специалистах.
Рентгенолог смотрит на медицинский снимок и выделяет совсем не те признаки, которые вообще заметит человек без соответствующей подготовки.
Специалист по компьютерному зрению может посмотреть на тот же снимок — и его внимание уйдёт в качество изображения, артефакты, сегментацию, признаки, по которым алгоритм отличает один класс от другого.
Архитектор заходит в помещение и почти сразу замечает пропорции, свет, организацию пространства, конструктивные ограничения — то, что большинство из нас вообще не воспринимает как отдельную информацию.
Музыкант слышит в композиции гармоническое движение, ритмический размер, голосоведение — там, где другой человек просто слышит «приятную песню».
И с профессиональными линзами всё ещё относительно просто. Мы хотя бы понимаем, откуда они взялись.
Гораздо интереснее те, которые мы вообще не считаем линзами.
Они обычно выглядят примерно так: «Ну это же очевидно».
Вот здесь можно снова вспомнить Hubble. У него проблема оказалась не только в зеркале. Неправильным был сам эталон, по которому это зеркало считали правильным.
А у людей таких внутренних «эталонов» полно: что нормально, что рискованно, что считать успехом, сколько неопределённости допустимо, чего вообще следует ожидать от других людей.
И обычно каждый из нас подозревает, что его эталон — ну если не единственно правильный, то хотя бы довольно очевидный :)
Особенно хорошо это видно, когда сталкиваются люди из разных профессиональных миров.
Представьте, например, что бизнес запускают два партнёра. Один много лет предприниматель. Второй всю жизнь работал в найме и только сейчас решил сделать что-то своё.
Формально они обсуждают один и тот же проект. Но довольно быстро может выясниться, что под словами «нормально», «рискованно», «стабильно» и даже «бизнес работает» они понимают очень разные вещи.
Для одного несколько месяцев нестабильного дохода — обычная часть запуска. Для другого — уже тревожный сигнал.
Один говорит: «Нужно ещё вложить денег и проверить несколько гипотез».
Другой слышит: «Мы опять тратим деньги на то, что пока не умеет себя окупать».
Один воспринимает необходимость несколько раз переделать продукт как нормальный поиск рабочей модели. Другой — как подтверждение того, что первоначальный план оказался плохим.
И самое забавное, что оба могут смотреть друг на друга с совершенно искренним недоумением. Как можно не понимать такую очевидную вещь?
Продолжение ⬇️
🔥9❤4👍2💔1
Продолжение:
Да очень просто. У них разные эталоны того, что здесь вообще считать нормальным.
В обычной речи всё это часто сваливают в одно удобное слово — mindset.
Если разбирать точнее, там сразу несколько вещей: отношение к риску, временной горизонт, представление о норме, исходные предположения о том, как вообще должен работать бизнес.
То есть перед нами две разные рабочие модели одной и той же ситуации.
И тогда одно и то же событие получает совершенно разный смысл в зависимости от того, что человек считает потерей, возможностью, допустимым риском или нормальным уровнем неопределённости.
Поэтому спор часто выглядит как спор о фактах, хотя люди на самом деле спорят из разных систем координат.
Кстати, здесь полезно хотя бы на минуту отложить попытку объяснить человеку, почему он неправ, и сначала понять: через какую линзу он вообще сейчас на это смотрит?
Нет, это вовсе не означает «всех понять и со всеми согласиться». Более того, частенько после этого гораздо быстрее приходится сказать: нет, спасибо, эта модель нам не подходит :)
Но иногда выясняется, что чужая линза показывает кусок реальности, которого ваша просто не ловила. И тогда её можно забрать себе.
Собственно, один из признаков экспертизы — постепенно собирать библиотеку рабочих моделей и уметь переключаться между ними.
Предпринимателю очень не помешает периодически смотреть на бизнес-проект как дотошный финансист.
Инженеру — как пользователь его технического решения.
Маркетологу — уметь посмотреть на продукт компании как человек, который вообще его впервые увидел.
Руководителю — как сотрудник, которому только что поставили его замечательную задачу :)
И тогда слово «очевидно» постепенно перестаёт быть таким убедительным аргументом. Потому что очевидно обычно только внутри конкретной модели.
Как раз поэтому в нашем курсе «Логика как фундамент мышления» первый модуль — про линзы и интерпретацию реальности.
Это базовая настройка. Прежде чем решать задачу, неплохо понять, как именно мы её сейчас видим и почему видим именно так.
Ведь можно очень логично рассуждать — и очень уверенно двигаться не туда, если исходная модель была неудачной.
У Hubble для этого хватило нескольких микронов. У двух людей разница в «оптике» обычно всё-таки немного больше :)
◌
Да очень просто. У них разные эталоны того, что здесь вообще считать нормальным.
В обычной речи всё это часто сваливают в одно удобное слово — mindset.
Если разбирать точнее, там сразу несколько вещей: отношение к риску, временной горизонт, представление о норме, исходные предположения о том, как вообще должен работать бизнес.
То есть перед нами две разные рабочие модели одной и той же ситуации.
И тогда одно и то же событие получает совершенно разный смысл в зависимости от того, что человек считает потерей, возможностью, допустимым риском или нормальным уровнем неопределённости.
Поэтому спор часто выглядит как спор о фактах, хотя люди на самом деле спорят из разных систем координат.
Кстати, здесь полезно хотя бы на минуту отложить попытку объяснить человеку, почему он неправ, и сначала понять: через какую линзу он вообще сейчас на это смотрит?
Нет, это вовсе не означает «всех понять и со всеми согласиться». Более того, частенько после этого гораздо быстрее приходится сказать: нет, спасибо, эта модель нам не подходит :)
Но иногда выясняется, что чужая линза показывает кусок реальности, которого ваша просто не ловила. И тогда её можно забрать себе.
Собственно, один из признаков экспертизы — постепенно собирать библиотеку рабочих моделей и уметь переключаться между ними.
Предпринимателю очень не помешает периодически смотреть на бизнес-проект как дотошный финансист.
Инженеру — как пользователь его технического решения.
Маркетологу — уметь посмотреть на продукт компании как человек, который вообще его впервые увидел.
Руководителю — как сотрудник, которому только что поставили его замечательную задачу :)
И тогда слово «очевидно» постепенно перестаёт быть таким убедительным аргументом. Потому что очевидно обычно только внутри конкретной модели.
Как раз поэтому в нашем курсе «Логика как фундамент мышления» первый модуль — про линзы и интерпретацию реальности.
Это базовая настройка. Прежде чем решать задачу, неплохо понять, как именно мы её сейчас видим и почему видим именно так.
Ведь можно очень логично рассуждать — и очень уверенно двигаться не туда, если исходная модель была неудачной.
У Hubble для этого хватило нескольких микронов. У двух людей разница в «оптике» обычно всё-таки немного больше :)
◌
🔥16❤11👍6🤝1💘1