Каждый разум старается узнать в незнакомом знакомое. У каждого в памяти свой набор обобщенных и частных моделей (фигур). Их он и накладывает на новую. При этом неважно, что полного совпадения не получается. Если есть уверенность, то неполное совпадение сходит за полное. В этом - субъективность распознавания или понимания истины.

Познание (моделирование) простых систем относительно несложно. Проблемы возникают в познании "живых" систем. Их описательные модели находятся на уровне детских рисунков и игрушек. Масса деталей и ненадежных обобщений. Степень обобщения и крен в ту или иную сторону определяются квалификацией и убежденностью автора, то есть набором моделей-эталонов, которые у него в памяти и которые он "любит". Психологи называют это "установка". Если грубее: "предвзятые идеи". Та или иная степень предвзятости существует у каждого, поскольку у каждого разума есть чувства и память. Нет абсолютно объективных исследователей, когда дело касается сложных систем, где приходится пользоваться обобщенными моделями.

Аппарат человеческого разума для познания сложных систем ограничен. Книжные словесные модели - неподходящий код для количественного моделирования. Подобные модели более простых объектов - в физике и технике - построены с использованием математики и представлены системами уравнений.

Другое дело, например, клетка или общество. Структурных единиц очень много, они скомпонованы в многоэтажную иерархию. Количественно определить зависимости между элементами очень трудно. Цифровые данные недостаточны и противоречивы. Поэтому количественные модели ограничиваются частными задачами.

В то же время без полных или хотя бы обобщенных моделей не всегда понятен даже принцип действия системы. Именно поэтому они необходимы.

Здесь показана простенькая схема, чтобы представить, как примерно выглядит эта самая "действующая" модель некой системы.

Каждый квадратик (А - Е) - это структурная часть, например орган. Каждая стрелка (1-6) - функция. "Выход" одной части является "входом" для другой. Некоторые стрелки замыкают "обратные связи", Теперь к этому термину привыкли, хотя и не все понимают, что говорят. В принципе, это когда часть "выхода" снова замыкается на "вход" и суммируется с ним. Положительная обратная связь (а +) усиливает "вход" и быстро доводит функцию до максимума, отрицательная (в -) уменьшает и способствует плавности перехода с одного режима на другой...

Чтобы создать подобную модель, нужно много труда.

Сначала нужно выбрать цель: для чего? К примеру, для управления или для выяснения скрытых механизмов взаимодействия частей. Потом прикинуть возможности: что мы знаем о структуре объекта, есть ли цифровая информация о функциях? Сколько мы можем сосчитать на наших машинах? От всего этого зависит выбор уровня обобщения, с которого мы воспроизводим объект в модели. Так, организм можно моделировать, начиная с клеток или с органов, или вообще взять его как одно целое, как "черный ящик" с внешними "входами" и "выходами". Практически можно создать модели только на уровне органов, для ее уравнений есть цифры, и объем доступен компьютеру.

Выбор уровня обобщения - это первая грубая прикидка масштаба модели. Следующий шаг состоит в создании непротиворечивой гипотезы о структуре и функциях объекта на данном уровне. Попросту это выражается в составлении схемы вроде той, что показана на рисунке. Дело это нелегкое. По каждой из сложных систем, будь то разум, или организм, или личность, написаны библиотеки книг. Они содержат массу фактов, правильных и ложных. Нужно выбрать из этого множества что-то одно с минимумом противоречий. Тут уже невозможно избежать пристрастий автора.

Гипотеза - это качественная основа модели. Компьютеры требуют только цифр. Поэтому стрелки в схеме нужно заменить уравнениями. Это трудный и самый произвольный этап, потому что мало достоверной количественной информации. Приходится "округлять", исправлять, а некоторые зависимости вообще придумывать исходя из словесных описаний.

Когда все уравнения составлены, начинается мучительная "подгонка" модели под гипотезу. Именно тогда выпирают все противоречия гипотезы, неправильно составленные характеристики (уравнения), и многое приходится изменять.

Наконец модель сбалансирована. Сошлись концы с концами, программа работает, и модель можно исследовать. Начинается "игра". Задаются различные условия, что выражается во внешних "входах", и производится подсчет всех функций и суммарных "выходов"- так действует система-модель.

Это и есть самое интересное: мы производим эксперимент, только не на живом объекте, а на некоем его подобии, на модели. Тут обнаруживается великая сила моделирования. Во-первых, не всякий объект вообще можно подвергнуть опыту. Пример - общество. Во-вторых, не всегда можно задать раздражители (представьте, перед вами человек). И, в-третьих, на модели можно экспериментировать сколько угодно, быстро и дешево.

Главное назначение исследования модели - сравнить с таким же опытом на объекте, когда он возможен технически. Если обнаруживается хорошее сходство в нескольких контрольных условиях опыта, значит, модель правильная и готова даже для практического использования в управлении объектом. Например, для лечения больного...

Ученый-скептик, когда прочтет мое примитивное изложение, наверное, скажет: "Загибаете! Выдаете желаемое за действительность. Как это может получиться?! Половину данных брали с потолка, характеристики рисовали от руки, а получилась модель, которой можно доверять? Как можно принимать всерьез результаты ее исследования?"

Что ж, скептик прав: нельзя. Но попытаюсь объяснить.

Метод добывания истины, который только что представлен с упрощениями, я назвал "эвристическое моделирование" сложных систем "типа живых". Его суть - моделирование гипотез, только не в словесном оформлении, как привычно, а в математическом - в цифрах и графиках. Наш кибернетический отдел занимается этим уже почти двадцать лет, испробовав много объектов.

Спрашивается: для чего это нужно? Зачем спешить с моделью, если нет полноценных количественных данных? Нужно подождать, пока поставят опыты, прояснятся гипотезы, снимутся противоречия.

Боюсь, ждать бесполезно - толку не будет. Метод добывания истины о сложных системах, который действовал до сих пор, можно определить как аналитический. Из объекта искусственного вычленяются и исследуются частные зависимости: по паре, по три, редко больше. Предполагается, что армия ученых таким путем переберет все комбинации и накопится цифровой материал, из которого потом автоматически получится целое. Напрасные надежды. Необозримо число частных зависимостей, их невозможно перебрать, если действовать без плана, как теперь. Потонешь в деталях. Такой план может дать только синтетический подход.

Синтез сложного возможен на базе цифр, а не слов. Поэтому нужны количественные модели.

Синтетический и аналитический методы должны применяться параллельно. Синтез указывает дорогу эксперименту, анализ дает "кирпичики", потому что их получают по программе, учитывающей всю систему.

Итак, эвристические модели, не представляя собой полную истину о системе, ее теорию, тем не менее необходимы для прогресса науки. И вот почему.

Они позволяют выбрать по возможности непротиворечивую гипотезу и совершенствовать ее.

Они дают направление эксперименту: в первую очередь исследовать то, что сомнительно, с учетом всех связей и условий. Новые данные вносятся в модели и постепенно продвигают ее от гипотезы к теории.

Они обеспечивают, новый язык науке - язык математики, столь непривычный для биологов и гуманитариев. Без него, однако, нельзя.