Одиночный исследователь с ИИ: как собирать новое из разных предметных областей

Рабочая карта: от исследовательской оптики и слабых связей до специализированных методов, проверки и работающего компонента.

В первой статье этой серии "От университета до искусственного интеллекта: как ускорялся генератор изобретений" мы смотрели, как человечество постепенно усиливало генератор нового: университеты, печать, научные общества, лаборатории, вычислительные сети и, наконец, искусственный интеллект. Во второй вопрос практичнее: что происходит, когда значительная часть этой мощности оказывается в распоряжении одного исследователя или маленькой группы?

После сравнения разных подходов к изобретательству, научному поиску и разработке продуктов вывод оказался довольно приземлённым. Одиночному исследователю не нужна одна «лучшая методология». Ему нужны три способности: собрать правильную предметную картину задачи, подключить сильный профильный метод в нужный момент и вернуть его результат обратно в общую картину, не потеряв смысл, доказательства и ограничения.

Сначала нужно понять, какими предметными мирами смотреть на задачу. Только потом — какой метод применять.

1. Одиночный исследователь — не маленький НИИ

У одиночного исследователя нет десятков лабораторий, отделов и специалистов. Но его маршрут дешевле перестраивается: можно быстро зайти в соседнюю дисциплину, проверить странную связь, закрыть тупиковую ветвь и вернуться обратно. Большое исследование по более чем 65 миллионам статей, патентов и программных продуктов показало, что малые и большие команды действительно чаще занимают разные ниши: небольшие коллективы чаще связаны с работами, открывающими новые направления, крупные — с развитием существующих линий [1]. Это не означает превосходства одиночки. Это означает другой режим поиска.

Мне нравится сцена из старого «Бегущего по лезвию», где Ханнибал Чу делает глаза для Nexus-6. Он не проектирует всего репликанта — он чрезвычайно глубоко знает один компонент. В реальной экономике такая фигура тоже не экзотика: исследования пользовательских инноваций показывают, что отдельные пользователи и небольшие организации сами создают новые продукты и инструменты, особенно когда сталкиваются с потребностью раньше массового рынка [2].

Одиночке не нужно изображать корпорацию. Его нормальный результат — глубоко разработанный компонент, новая связь или проверяемая гипотеза с ясной границей собственной проверки.

2. Сквозной пример: зачем ERP-системе «Мозг фирмы»

Возьмём прикладную задачу, над которой я работаю сам. В концепции «Мозг фирмы: 2026» ERP-система должна не только показывать утверждённый производственный план, но и помогать руководителю видеть жизнеспособные продолжения, когда реальность ломает исходные предпосылки.

Представим: входной контроль бракует партию критической детали, а до сдачи остаётся несколько недель. Можно срочно купить замену по высокой цене, отдать часть работ на кооперацию, передвинуть менее приоритетный заказ и освободить материал или согласовать другую этапность поставки. Есть и пятый класс решения: изменить сам защищаемый результат — например, отказаться от идеи сохранить один исходный срок любой ценой и защищать более широкий набор обязательств.

Пока директор не сказал, что именно должно быть сохранено — срок одного заказа, совокупность контрактов, критическая функция линии или финансовая устойчивость, — сравнение вариантов бессмысленно. Один и тот же ход может быть жизнеспособным при одном защищаемом результате и разрушительным при другом.

До поиска решения надо определить, что именно мы защищаем. Иначе система будет очень точно оптимизировать не ту задачу.

3. Почему одной предметной области быстро становится мало

ERP хорошо описывает заказы, материалы, мощности, сроки, обеспеченность и деньги. Но вопрос «какие варианты останутся жизнеспособными при нарушениях?» сразу приносит другие понятия: уязвимость, устойчивость, резерв, доказанная готовность, правдоподобное будущее, триггер переключения, цена компромисса. Это уже несколько предметных миров.

Здесь начинается исходная идея «Глаза стрекозы». Исследователь задаёт направление исследования и собирает несколько предметных граней, необходимых именно для него. Я называю такую грань фасетой. Фасета — это организованный предметный мир со своим словарём, объектами, отношениями, механизмами и доказательствами. Это не просто «ещё одна тема» и не папка со ссылками.

Для нашего ERP-примера одна фасета может описывать производственное планирование, другая — устойчивость и жизнеспособность, третья — риски и стресс-тестирование, четвёртая — экономику компромиссов, пятая — системную реализацию компонента. Они не смешиваются в одну терминологическую кашу. Из них собирается рабочая исследовательская оптика — тот конкретный «глаз», которым мы смотрим именно на эту задачу.

«Глаз стрекозы» начинается не с выбора методологии. Он начинается со сборки нескольких предметных миров в одну рабочую исследовательскую оптику.

4. Новое часто находится между предметными мирами

Представим, что в одной фасете давно известна связь A→B, а в другой — C→D. Специалисты первой области хорошо знают свою цепочку, специалисты второй — свою. Но никто не обязан искать связь B→C. Дон Суонсон ещё в 1986 году описал «неоткрытое публичное знание»: логически связанные фрагменты могут уже быть опубликованы и всё равно оставаться несоединёнными, потому что разные литературы не были сведены и совместно интерпретированы [3].

В ERP одна цепочка может выглядеть так: обязательство → потребность → ресурс → срок. В фасете устойчивости — возмущение → уязвимость → жизнеспособный вариант → триггер переключения. Исследователь спрашивает: можно ли связать эти механизмы содержательно? Можно ли понятие уязвимости перенести в анализ производственного плана не как красивую аналогию, а как работающий механизм?

ИИ резко снижает цену такого поиска, но одновременно создаёт опасную иллюзию. Похожее слово не означает одинаковый объект, а красивое объяснение не является доказательством. В нашей экспериментальной версии метода мы уже прогоняли такой тип связи ретроспективно на исторически известном примере. Это проверяет саму процедуру поиска и фиксации моста, но не доказывает способность вслепую открывать неизвестные науке закономерности.

B→C — не открытие в момент нахождения. Это кандидат на открытие, который должен пережить проверку терминов, механизма и доказательств.

5. И только теперь возникает вопрос: какой метод нужен

Когда рабочая оптика собрана и локальная задача стала понятной, методологии наконец занимают своё правильное место. Они перестают быть конкурирующими «теориями всего» и становятся специализированными инструментами.

Если непонятно, зачем продукт нужен пользователю, полезно начать с его причинной задачи, а затем переводить потребность в технические характеристики — именно такие переходы лежат в основе Jobs to Be Done и QFD [4][5]. Если две гипотезы можно различить управляемым опытом, планирование эксперимента начинается с цели, факторов и измеряемого отклика [6]. Если исследовательский кандидат превращается в реальный компонент, системная инженерия связывает потребности, требования и проверки по жизненному циклу [7]. Если вопрос состоит в том, что уже известно, полезна дисциплина прозрачного систематического поиска [8]. Если будущее нельзя честно свести к одной вероятности, работают методы устойчивых решений и адаптивных путей [9][10].

ТРИЗ/АРИЗ здесь занимает нормальное, но не привилегированное место: это сильный инструмент, когда внутри уже определённой технической системы возникло настоящее техническое противоречие. Но пользовательская потребность, доказательный поиск или неопределённость будущего — другие классы задач.

Сильные методы хороши именно потому, что специализированы. Не заставляйте один метод решать чужую задачу.

6. Один проект — несколько методов

В «Мозге фирмы» сначала надо понять, какой результат нужен руководителю. Это продуктовая постановка. Затем определить структуру данных, требования и интерфейсы будущего модуля — системная реализация. Потом проверить, действительно ли введённое понятие жизнеспособного варианта отличает сильные решения от локально удобных. Наконец, компонент надо прогонять через нарушения и проверять его поведение при разных условиях.

Иногда методы идут цепочкой. Иногда две постановки разумно вести параллельно, пока различающая проверка не покажет, какая сильнее. Иногда вопрос надо переформулировать ещё до выбора метода. А иногда исследователь упирается в проверку, для которой у него нет полномочий или инфраструктуры, и нормальным результатом становится передача задачи наружу.

Одиночный исследователь не выбирает одну методологию «на проект». Он меняет методы вместе с локальной задачей — но сохраняет одну рабочую исследовательскую оптику.

7. Пять ответов ИИ — не пять независимых исследователей

У одиночного исследователя с ИИ есть новый соблазн: спросить пять моделей, создать пять агентов или назначить им пять ролей и решить, что получена независимая экспертная комиссия. Но если все ответы выросли из одного корпуса, одной модели причинности и одинаковых предположений, это может быть одна ошибка, повторённая разными словами.

Для серьёзной гипотезы нужна другая линия происхождения: иной корпус источников, другой механизм, другие критические предположения или иной способ проверки. Например, мост между ERP и устойчивостью можно атаковать литературой из обеих областей, реальным производственным кейсом, имитационной моделью и контрпримером, в котором перенос должен провалиться.

Количество ответов создаёт разнообразие формулировок. Независимость исследования появляется только там, где различаются происхождение, механизм или критические предположения.

8. Генерация вариантов — ещё не знание

ИИ великолепно генерирует варианты: разложить проблему, перекомбинировать механизмы, поменять масштаб, снять ограничение, построить контрфактический сценарий. Но всё это производит только кандидатов. Красивый вариант не становится знанием автоматически.

Вернёмся к забракованной детали. Каждый вариант надо проверить как минимум по четырём вопросам: достижим ли он физически; сохраняет ли защищаемый результат; есть ли для него нужный ресурс; доказана ли готовность этого ресурса. Строка «альтернативный поставщик» ещё не резерв. Резерв появляется тогда, когда подтверждено, что поставщик действительно способен дать нужную позицию в нужное окно.

И здесь обнаруживается важная разница между достижимостью и жизнеспособностью. Можно физически спасти один заказ, забрав материал у другого. Но если защищаемый набор включает оба обязательства, такой путь нежизнеспособен. Поэтому «Мозг фирмы» должен показывать не одну оптимальную кнопку, а поле вариантов: что каждый сохраняет, чем жертвует, каких ресурсов требует и какое состояние оставляет после исполнения.

Главная ценность генератора не в количестве идей, а в способности быстрее отбраковывать плохие варианты и превращать хорошие в проверяемые конструкции.

9. Стресс-тестирование — не прогноз будущего

Есть задачи, где вероятности будущего слишком ненадёжны, чтобы выбирать один «самый вероятный сценарий». Подходы устойчивого принятия решений предлагают другую постановку: проверять планы на множестве правдоподобных будущих, выявлять условия провала и искать варианты, которые сохраняют приемлемый результат в широком диапазоне условий [9]. Адаптивные пути добавляют ещё один слой — заранее продумывать, когда и по какому сигналу надо менять действие [10].

Для производственного плана такими нарушениями могут быть задержка критической поставки, потеря испытательного ресурса, транспортный сбой или потеря ключевой компетенции. Смысл не в том, чтобы угадать будущую аварию. Смысл — заранее увидеть уязвимости и понять, какие варианты останутся жизнеспособными.

Стресс-тест отвечает не на вопрос «что точно случится?», а на вопрос «какие варианты останутся жизнеспособными, если случится что-то из нескольких правдоподобных неприятностей?».

10. Следующая проверка должна менять решение

Одиночный исследователь почти всегда ограничен временем. Поэтому проверять всё подряд невозможно и бессмысленно. Полезна та следующая проверка, которая способна изменить решение, различить конкурирующие объяснения или закрыть критическую слепую зону.

В «Мозге фирмы» есть простой критерий: если квалификационный тест альтернативного поставщика завершится после последнего срока, когда эту закупку ещё можно запустить, его результат останется полезным для будущего, но уже не изменит текущий выбор. Позднее знание не спасает сегодняшнее решение.

То же относится к исследовательской памяти. Отвергнутые ветви и причины отказа надо хранить, иначе ИИ через неделю убедительно «изобретёт» уже закрытый тупик. А если новый подтверждённый факт разрушил одно структурное предположение, обновлять надо затронутый фрагмент оптики, а не переписывать всё исследование с нуля.

Следующая проверка нужна, если её результат способен изменить решение вовремя. Новый факт должен менять ровно ту часть исследовательской оптики, которую он действительно опроверг.

11. Что тогда делает «Глаз стрекозы»

Теперь роль методологии «Глаз стрекозы» можно сформулировать точнее. Её первая задача — собрать рабочую исследовательскую оптику из нескольких предметных фасет и удерживать различия между ними. Вторая — делать явными переносы между фасетами и не позволять аналогии незаметно становиться «фактом». Третья — подключать специализированный метод там, где возникла конкретная локальная задача.

После работы профильного метода результат должен вернуться в общую оптику вместе с источниками, границами применимости, тем, что действительно проверено, и тем, что осталось неизвестным.

12. Где заканчивается одиночный исследователь

Для программного компонента, аналитической модели или ERP-расширения одиночный исследователь с ИИ способен пройти далеко: собрать предметную картину, написать код, построить имитацию, провести серию тестов и оформить доказательства. Но тип проверки иногда меняет всё.

Если речь идёт о медицинском изделии, управлении автомобилем, авиации или другом критичном для безопасности результате, одиночка может создать гипотезу, компонент и пакет доказательств, но не должен имитировать клинические испытания, сертификационный стенд или регулируемую лабораторию. Нормальный маршрут в такой точке — передать результат в соответствующую инфраструктуру.

Сильный одиночный исследователь — не тот, кто пытается заменить институт. Он понимает, какую часть маршрута способен доказательно пройти сам и где должна начаться другая инфраструктура.

Вместо вывода

После сравнения методологий у меня осталось простое впечатление. Человечество уже создало множество сильных способов решать локальные исследовательские задачи. Проблема одиночного исследователя не в том, что методов мало. Проблема в том, что реальная задача почти никогда не живёт внутри одного из них.

Сначала приходится понять, какими предметными мирами смотреть на проблему. Потом найти между ними возможные связи. Затем выбрать профильный метод для конкретного участка. После проверки вернуть результат в общую картину и понять, что именно изменилось. А ещё сохранить отрицательные результаты и вовремя остановить поиск.

На примере «Мозга фирмы» это видно особенно хорошо. Чтобы сделать всего один ERP-компонент — модуль, который показывает жизнеспособные продолжения при нарушениях, — приходится соединить производственное планирование, устойчивость, риск, экономику компромиссов, системное проектирование и стресс-тестирование. Ни одна предметная область и ни один метод по отдельности не дают весь результат. Работает их организованная сборка.

В следующей статье я разберу уже не карту методов, а саму технологию такой сборки: как формируется направление исследования, как создаются фасеты, как из них собирается рабочая исследовательская оптика, как оформляется перенос B→C, как отделяется аналогия от механизма, как сохраняются доказательства и отрицательная память и как определяется момент остановки. Там «Глаз стрекозы» должен превратиться из образа в конкретную инженерную технологию исследования.

Источники

[1] Wu L., Wang D., Evans J.A. Large teams develop and small teams disrupt science and technology. Nature, 2019. https://www.nature.com/articles/s41586-019-0941-9

[2] Eric von Hippel. Democratizing Innovation. MIT Press. https://mitpress.mit.edu/9780262720472/democratizing-innovation/

[3] Don R. Swanson. Undiscovered Public Knowledge. The Library Quarterly, 1986. https://www.journals.uchicago.edu/doi/10.1086/601720

[4] Christensen C.M. et al. Know Your Customers’ “Jobs to Be Done”. Harvard Business Review, 2016. https://hbr.org/2016/09/know-your-customers-jobs-to-be-done

[5] ASQ. What is Quality Function Deployment (QFD)? https://asq.org/quality-resources/qfd-quality-function-deployment

[6] NIST/SEMATECH e-Handbook of Statistical Methods. Planning an experiment: objectives. https://www.itl.nist.gov/div898/handbook/pri/section3/pri31.htm

[7] INCOSE Requirements Working Group. https://www.incose.org/group/requirements-working-group/

[8] Cochrane Handbook. Searching for and selecting studies. https://www.cochrane.org/authors/handbooks-and-manuals/handbook/current/chapter-04

[9] RAND. Making Good Decisions Without Predictions: Robust Decision Making for Planning Under Deep Uncertainty. https://www.rand.org/content/dam/rand/pubs/research_briefs/RB9700/RB9701/RAND_RB9701.pdf

[10] Haasnoot M. et al. Dynamic adaptive policy pathways. Global Environmental Change, 2013. https://www.sciencedirect.com/science/article/pii/S095937801200146X