Об эволюции научных моделей

Об эволюции научных моделей

А. И. Привень, А. Т. Кынин

Введение

Общеизвестно, что научные модели не вечны и имеют свойство сменять друг друга в процессе развития научных знаний. Так, на смену атомистической модели Демокрита (по большому счету, не столько научной, сколько философской) приходит описание свойств конкретных химических элементов, затем эти свойства описываются общим (Периодическим) законом, после чего появляется модель строения атома, далее – модель движения атомов (метод «молекулярной динамики»)...

Интуитивно многие специалисты ощущают, что эта смена моделей и лежащих в их основе парадигм происходит не случайно, и в ее основе должен лежать какой-то общий закон. Но какой?

Не претендуя, разумеется, на абсолютную истину, мы попытаемся нащупать основные контуры этого закона.

Заранее оговариваемся, что из всего многообразия моделей, имеющих отношение к науке, мы рассмотрим только одно подмножество, а именно – модели, пригодные для практических прогнозов. Эти модели принято называть «прикладными», поскольку они чаще всего создаются и используются для решения практических задач. Другими словами, их ценность определяется «надсистемным» критерием, а именно – способностью предсказывать то, чего на момент их использования еще не произошло. Далее под термином «модель» будет подразумеваться только этот вид моделей. Модели, которые (на данный момент) не используются для прикладного прогнозирования, мы намеренно выпускаем из рассмотрения, ввиду иного предназначения – например, «объяснительного» или «иллюстративного».

«Надсистемный» критерий ценности делает прикладные модели функционально похожими на другие системы, служащие для производства предсказаний. Одна из таких систем, появившихся в природе задолго до возникновения научных знаний, изучается достаточно интенсивно уже не первую сотню лет и именуется психикой. Именно психике люди и высшие животные обязаны своей способностью реагировать на события, которые еще не произошли: например, газель настораживается, учуяв запах хищника, хотя ничего опасного для нее на этот момент еще не произошло.

В свою очередь, модели поведения, критически важные в процессе естественного отбора, эволюционируют у всех видов живых организмов, начиная с вирусов и одноклеточных. Следовательно, можно ожидать аналогии развития прикладных научных моделей и эволюцией биологических видов.

Наконец, закономерности биологической эволюции имеют немало общего с закономерностями развития техники – следовательно, можно ожидать аналогии и на этом уровне.

В связи с вышеизложенным, мы сочли возможным рассмотреть процесс эволюции моделей в рамках единой парадигмы эволюции естественных и искусственных (создаваемых человеком) объектов. Ниже предлагается вариант описания этой эволюции, опирающийся на закономерности развития объектов разной природы.

Общая схема эволюции научных моделей

Общие принципы

Общий принцип нашего подхода заключается в том, что эволюция – как в природе, так и в науке и технике, - происходит не случайно, а таким образом, чтобы, в целом, минимизировать удельные затраты, необходимые для достижения требуемых результатов – как конечного, так и промежуточных. Это отражает хорошо известный в науке принцип наименьшего действия. В случае прикладной научной модели, результатом ее использования, как мы указали выше, является научный прогноз – то есть получение знания о событиях, которые еще не произошли.

Если рассматривать в качестве моделируемого процесса развитие самих моделей, то конечным результатом является построение наиболее общей и точной модели, позволяющей осуществлять по возможности дальние и точные прогнозы для наиболее широкого круга ситуаций и класса объектов. В этом случае промежуточными результатами будут модели, применимые для разработки более частных, ближних и/или менее точных прогнозов.

В соответствии с вышеуказанным принципом, мы полагаем, в частности, что в ходе эволюции моделей должен также соблюдаться принцип экономии ресурсов: ресурс, созданный на предшествующей фазе развития, должен быть максимально эффективно использован на следующей фазе. Этот принцип, прямо вытекающий из принципа наименьшего действия, показал свою эффективность, в частности, в прогнозных проектах развития разнообразных технических систем.

Далее, мы полагаем, что должен соблюдаться принцип преемственности научного знания: модель каждого класса должна включать в себя модель предыдущего класса в качестве частного случая. Данный принцип хорошо известен в науке и прослеживается на моделях объектов самой разной природы – от звезд до высших психических процессов. Его также можно рассматривать как частный случай реализации принципа наименьшего действия, а именно – минимально необходимого объема нового знания, появляющегося на каждом этапе развития научных представлений.

Наконец, мы полагаем, что, как и в случае эволюционирующих объектов иной природы, должен соблюдаться принцип конечности описания: число классов моделей, последовательно сменяющих друг друга, конечно и невелико.

Каждый из этих принципов в отдельности представляется нам достаточно общим для науки. Их совокупность позволила описать ход эволюции моделей в виде достаточно простой и компактной схемы, которая представлена ниже.

Классификация научных моделей

В результате анализа моделей, используемых для прогнозирования поведения объектов самой разной природы, нами выделены следующие восемь классов моделей, последовательно сменяющих друг друга.

1. Умозрительная модель. Это модель, основанная на аналогии моделируемых объектов с другими объектами, обладающими рядом сходных с ними особенностей поведения. На этой стадии моделирования информации о закономерностях поведения моделируемого объекта еще нет – есть лишь разрозненные факты, подлежащие обобщению. Поскольку факты уже есть, а знания о лежащих в их основе закономерностях еще нет, единственной возможностью моделирования является перенос предполагаемых признаков моделируемых объектов с модели с другого вида объектов, поведение которых науке в большей или меньшей степени уже известно и которые обладают рядом общих особенностей с моделируемыми объектами. Например, в случае модели эволюции какого-либо вида искусственных объектов часто обнаруживаются такие общие закономерности, как направленность развития, постепенное усложнение структуры, наличие внешнего критерия отбора и т.д., что сближает их с эволюцией биологических видов. В этом случае модель биологической эволюции берется за основу новой модели.

Правила построения умозрительных научных моделей (впрочем, этим словом обычно не называемых) описаны в ряде работ, к примеру, у А.Маслоу [1]:

«Другой способ [посмотреть на существующую проблему] - перебрать прежний опыт, прежние навыки и знания, с тем чтобы установить, в каких отношениях текущая ситуация похожа на какую-то ситуацию в прошлом.
Иначе говоря, речь идет о том, чтобы классифицировать текущую ситуацию и использовать сейчас решение, когда-то выработанное для похожей ситуации в прошлом. Это похоже на работу клерка с картотекой. В свое время я назвал такую работу "рубрикацией". И она достаточно эффективна – в той мере, в какой настоящее подобно прошлому.”

Заметим, что, говоря о «рубрикации», Маслоу имеет в виду сверку текущей ситуации со списком уже известных аналогий с целью выбора лучшей из них, обеспечивающей максимальное соответствие моделируемой ситуации. «Рубрикация» в пределах самой выбранной аналогии составляет уже содержание следующего этапа моделирования, который описан ниже.

Результатом построения умозрительной модели является выявление тенденций, общих для моделируемого объекта и его аналога.

Примеры умозрительных моделей: атомистическая модель Демокрита (атомы удерживаются вместе за счет сцепления их друг с другом), модель «души янтаря», притягивающей (электрически заряженные) предметы (некоторые предметы, но не все, обладают свойством притягиваться к другим предметам).

2. Описательная модель. Этот класс моделей позволяет обобщить выявленные ранее тенденции, как правило, представив их в виде той или иной классификации. Описательные (классификационные) модели чрезвычайно распространены в науке, особенно в «гуманитарных» областях. Критерии, положенные в основу классификации, на данном этапе развития моделей являются внешними по отношению к моделируемому объекту, поскольку о его внутренней структуре достоверных научных данных, как правило, еще нет. Однако такая классификация дает понимание видовых различий между объектами, будь то виды энергии, живых организмов или полей.

Подход к созданию описательных моделей в ТРИЗ описал Г. С. Альтшуллер [2]. Вот выдержки из этих кратких тезисов:

«...следует учесть следующие соображения:

1. Прежде всего, надо ответить на вопрос :"Что было в данной области до ТРИЗ?"

2. Что было в ТРИЗ по этой теме до данной работы?

3. Группа вопросов: "Кому предназначена данная конкретная статья? Ее цель? Какой новый материал привлечен для разработки? Методика работы?"

4. Что установили авторы? Что предлагают?

То есть что стоит после слова "отличающийся" в данной разработке? Точное определение того, что уже есть в ТРИЗ, на первый взгляд, уменьшает глобальность того, что сделано авторами любой новой работы. В общем, действительно, "блеснуть без ничего" становится труднее. Но зато открывается нечто намного более ценное: возможность докопаться до глубинных тенденций в развитии ТРИЗ и "оседлать" эти тенденции...»

Новым результатом построения описательной модели является нахождение существенных взаимосвязей между фактами и тенденциями, ранее рассматривавшимися в качестве независимых.

Примеры описательных (классификационных) моделей: классификации биологических видов по Ламарку и Линнею, классификации психологических типов по Юнгу, Шелдону и Кречмеру. В частности, вышеупомянутые классификации психологических типов выявляют взаимосвязь тенденций изменения биологических («конституционных») и психологических характеристик у разных людей.

3. Корреляционная модель. Этот класс моделей берет за основу взаимосвязи, выявленные на предыдущем этапе, и оценивает степень их выраженности с помощью количественного критерия, каковым чаще всего служит коэффициент корреляции, вычисление которого описано во множестве руководств по математической статистике. Но иногда используются и другие параметры. Общее между ними – то, что они описывают некоторые количественные соотношения, не очевидные из исходного описания, но обнаруживаемые в результате анализа взаимосвязанных свойств, явлений или событий. Так, Д.И.Менделеев, анализируя свойства химических элементов, обнаружил количественные соотношения, связывающие эти свойства с атомным весом.

Как видим, корреляционная модель тоже может представлять собою классификацию – но классификацию упорядоченную, превращающую простой список в направленную цепь. В результате обнаруживаются такие особенности объектов, которые позволяют построить их общую типологию, в которой типы объектов характеризуют устойчивые взаимосвязи их содержательных признаков. Такой типологией является, в частности, деление химических элементов на группы и подгруппы в Периодической таблице Д.И.Менделеева.

Именно здесь впервые появляется такой класс моделей, как физические законы. Один из них – вышеупомянутый Периодический закон Д.И.Менделеева. Однако на данном уровне моделирования механизм действия этих законов остается еще неясным – он становится понятным лишь через несколько фаз развития моделей.

Новым результатом построения корреляционной модели являются численные значения параметров, описывающих обнаруженные корреляции.

Примеры корреляционных моделей разного уровня общности: Периодический закон Д.И.Менделеева, модель работы электрометра (корреляция между электрическим зарядом и отклонением пластинок прибора).

4. Функциональная модель. Этот класс моделей использует новый элемент моделей предыдущего класса – численные параметры, и позволяет описать количественные закономерности их взаимосвязи друг с другом.

Построение функциональной модели переводит область знания в разряд «точных наук», поскольку дает возможность точного количественного предсказания одной характеристики, зная одну или несколько других. На этом уровне модели становится доступным описание моделируемых зависимостей в виде количественных законов.

Ввиду специфики читательской аудитории, мы не описываем подробно модели этого класса, полагая, что их основные характеристики читателю известны.

Новым элементом, появляющимся в функциональной модели, является количественное описание изменения одной характеристики при изменении другой. Это делает принципиально возможным записать такую модель в виде дифференциального уравнения. Однако такая запись для функциональных моделей нетипична и появляется обычно только при переходе на модели следующих уровней.

Примеры функциональных моделей: законы Ньютона, Ома, Кулона, Кирхгоффа и др., взятые каждый по отдельности (в совокупности они часто образуют динамическую модель – см. ниже).

5. Феноменологическая модель. Этот класс моделей берет за основу поведение моделируемых объектов, количественно описываемых функциональной моделью (или несколькими моделями), и описывает эти функции как результат действия некоторого процесса, суть которого в общем примерно понятна, но в деталях пока еще не ясна. При этом в модель вводятся некоторые «постоянные», описывающие специфику поведения объекта, с конкретизацией этого объекта, но без конкретизации точного смысла самих «постоянных».

Феноменологических моделей в науке известно не так уж много (к примеру, модель Птолемея, описывающая движение небесных тел), но именно они очень часто оказываются удивительно удобным прогностическим инструментом, поскольку, с одной стороны, количественно предсказывают развитие событий, а, с другой, не требуют точного знания структуры и прочих особенностей моделируемых объектов. Однако, ввиду резко возрастающей сложности, грамотное построение таких моделей обычно бывает доступно очень немногим. Тем не менее, если модель построена, ее дальнейшее практическое использование (особенно в виде компьютерной программы, «маскирующей» сложность модели и трудоемкость расчетов по ней от пользователя), как правило, не вызывает затруднений – за исключением часто возникающей сложности корректного определения параметров, ибо их физический смысл на этой фазе развития модели еще не вполне понятен.

Новым элементом в этом классе моделей является понятие процесса, то есть закономерного изменения параметров объекта в зависимости от времени или, реже, других характеристик, в конечном итоге все равно являющихся функциями времени. Записывается такая модель обычно в виде системы уравнений, хотя бы одно из которых является дифференциальным.

Примеры феноменологических моделей: модель диффузии (и основанная на ней «диффузионная» модель Басса, описывающая изменение рыночной доли продукта во времени), модель релаксации механических напряжений в вязкоупругих системах.

6. Динамическая модель. Этот класс моделей количественно описывает не только кинетику процессов (как модели предыдущего класса), но и движущие силы, определяющие эту кинетику, - например, разность химических потенциалов как движущую силу химической реакции.

Здесь следует сделать важную оговорку об отличии динамической модели от функциональной. В самом деле, понятие «движущей силы» можно нередко найти и в функциональной модели: например, таковым можно считать понятие силы во втором законе Ньютона, по сути являющемся функциональным законом. Отличие состоит в том, что в динамической модели описывается не просто движущие силы, но и предельные состояния. Так, в случае кинетики химических реакций, предельным состоянием является состояние химического равновесия.

Новым элементом, появляющимся в моделях этого класса, является механизм моделируемого процесса. Записывается такая модель обычно в виде системы уравнений и неравенств, каждое из которых представляет собой формулировку (функционального) научного закона. Так, классическая динамическая модель механического движения тел представлена тремя законами Ньютона, а также законами сохранения энергии, импульса и момента импульса.

Динамических моделей в науке известно не так много, и построение каждой из них является обычно грандиозным научным событием. Так, к числу динамических моделей относятся вышеупомянутая классическая механика и термодинамика, каждая из которых открыла целую эпоху в науке.

Чаще всего (хотя и не всегда) динамическая модель бывает математически проще своей феноменологической предшественницы. Это происходит в тех случаях, когда последняя была переусложнена введением предполагаемых сущностей, не находящих своего реального воплощения. Так, динамическая модель Кеплера была математически проще феноменологической модели Птолемея. Дополнительные упрощения модели достигаются пониманием того, какие сочетания параметров возможны, а какие нет, - иногда это дает возможность, к примеру, найти аналитическое (алгебраическое) решение для дифференциального уравнения, в общем случае аналитически нерешаемого, но интегрирующегося именно в тех частных случаях, которые наиболее важны для практики. Именно такие модели подходят лучше всего под классическое определение выдающегося французского психолога Ж. Пиаже: «Нет на свете ничего более практичного, чем хорошая теория», - хотя сам он, возможно, имел в виду иные модели. Так или иначе, наличие простой и понятной динамической модели практически всегда придает «хорошей теории» вышеуказанную практичность и, что самое важное, резко повышает ее прогностичность.

Очень часто динамическая модель содержит частные законы, записываемые в форме простейшего выражения вида A = (B – В_¥) / C, где А характеризует некоторое внешнее действие, разность (B – В_¥) определяет движущую силу процесса (здесь В – текущее значение внешнего параметра, В_¥ – предельное значение этого параметра, при котором процесс прекращается), С – сопротивление системы внешнему действию. Часто предельное значение В_¥ принимается равным нулю и в соответствующем уравнении в явном виде не фигурирует, а сам закон записывается в упрощенном виде А = В / С. Таковы, в частности, второй закон Ньютона (в котором выбор нулевого значения силы определяется первым законом Ньютона), закон Ома (в котором величина напряжения представляет собой разность потенциалов, один из которых обычно принимается равным нулю), закон Кулона (в котором значение В_¥ соответствует нулевому заряду) и многие другие законы.

7. Сквозная модель. Все предыдущие классы моделей (за исключением, частично, последнего) являются последовательными усложнениями друг друга. Однако из законов развития технических систем (ЗРТС) нам известно, что эта тенденция – развертывание системы – должна рано или поздно смениться противоположной – тенденцией к ее свертыванию. Точно так же через максимум переходит в процессе развития и сложность систем иной природы – например, звезд, превращающихся в итоге в «черные дыры», являющиеся объектами меньшего уровня структурной сложности, нежели их предшественники. Аналогичная судьба постигает и научные модели, которые рано или поздно претерпевают принципиальные упрощения. В результате появляется возможность увязать друг с другом в единую модель элементы разных уровней системной иерархии. Эта сквозная модель использует сведения о механизмах процессов, полученные на предыдущем этапе моделирования, и объединяет эти механизмы в общую картину, описывающую единым образом все эти процессы. Понимание механизма, в свою очередь, позволяет понять и скрывающуюся за ним структуру, что делает модель не только проще, но и нагляднее.

Одними из немногих известных примеров сквозных научных моделей являются модели электромагнитных и «слабых» взаимодействий, позволяющие с единых позиций описать механизмы процессов, многие века считавшихся совершенно независимыми друг от друга. В результате каждая из существовавших до тех пор частных моделей упрощается, передавая ряд своих «особенностей» на общий, «надсистемный» уровень – вполне аналогично тому, как это происходит обычно в технических системах.

Новым элементом, появляющихся в моделях данного класса, является научный смысл, обеспечивающий понимание сущности описываемых явлений. Это понимание, в самом общем виде, можно представить как вИдение взаимосвязей между явлениями разного уровня системной иерархии. К примеру, смысл механизма передачи наследственных признаков состоит, по всей видимости, в обеспечении преимуществ в ходе естественного отбора, но что это за преимущества, наука пока что, насколько нам известно, еще точно не знает.

Записывается такая модель в виде иерархической системы научных законов.

Примером сквозной модели является модель электромагнетизма, описывающая разнообразные явления, не только связанные с движением электрических зарядов и изменением магнитных полей, но и, например, оптические явления, считавшиеся до тех пор явлениями «иной природы».

Начиная с этого уровня, модели перестают быть «прикладными» - такие модели могут быть уже только фундаментальными. В большинстве областей науки разработка таких моделей является пока что задачей довольно далекого будущего.

8. Обобщенная модель. Казалось бы, какая модель может следовать после сквозной, и какой новый элемент может в ней появиться после смысла? Однако такой элемент есть. Это – границы применимости.

Обобщенная модель, в силу своей сущности, не может быть результатом развития только одной модели предыдущего класса: она требует наличия, как минимум, двух сквозных моделей, имеющих сходную структуру. Именно так появилась общая теория «электрослабых» взаимодействий, созданная на базе двух сходных по своей структуре сквозных моделей – моделей электромагнетизма и гравитации.

Обобщенные модели весьма редко используется для прикладного прогнозирования, но именно они наиболее «прогностичны» из всех известных моделей, поскольку они, указывая реальные границы применимости более частных научных законов, придают последним свойство безопасной экстраполяции. Эти границы становятся понятными, как только та или иная модель встраивается в более общую модель, выступая в ней в качестве частного случая.

Здесь также следует оговориться, поскольку понятие о границах применимости появляется обычно намного раньше обобщенной модели. К примеру, принято считать, что любую эмпирическую модель можно безопасно применять только в тех пределах, в которых находятся исходные данные, на основе которых она построена. Однако практика говорит об ином: очень часто эмпирические модели оказываются применимыми далеко за пределами тех данных, из которых они выведены, и не так уж редко они, напротив, дают принципиально неверные результаты там, где, казалось бы, должны были работать. В отличие от таких моделей, обобщенная модель очень четко указывает границы применимости более частных моделей, ею объединяемых: к примеру, специальная теория относительности и квантовая механика указывают четкие границы применимости законов Ньютона, в пределах которых эти законы могут использоваться вполне безопасно, а за этими пределами – нет.

Одна из очень немногих известных нам моделей этого класса – это модель «электрослабых» взаимодействий, обобщающая в качестве частных случаев такие явления, как электромагнетизм и гравитация.

9. Накопление новых фактов и новый цикл моделирования. Обобщенная модель венчает собою цикл построения научных моделей. Однако в науке нет вечных и абсолютных истин, и рано или поздно обнаруживаются факты, не подпадающие под действие прежней модели. Сбор этих фактов открывает новый цикл приближения к научной истине, осуществляемый уже на более высоком уровне абстрагирования.

Схема эволюции моделей

Вышеуказанную последовательность появления моделей можно изобразить в виде следующей диаграммы (рис. 1).

Рис. 1. Схема эволюции научных прогностических моделей

На этой схеме видно, что каждый новый класс моделей использует ресурс, появившийся на предыдущей фазе развития в качестве нового элемента (табл. 1).

Оговоримся: мы не уверены, что слово «понимание» (равно как и «смысл») точно передает смысл той новой сущности, которая появляется в сквозной модели, поскольку, в отличие от остальных членов ряда, оно не является характеристикой самой системы; возможно, на этом месте должно быть иное понятие из того же семантического ряда. Мы также не уверены в точности слова «механизм», хотя и считаем, что сущность соответствующего понятия это слово в целом передает правильно.

Таблица 1.

№	Класс модели	Предмет моделирования	Новый элемент модели / ресурс для следующей модели / максимальный уровень абстрагирования
0	-	-	Факт
1	Умозрительная	Обобщение фактов	Тенденция
2	Описательная	Классификация тенденций	Взаимосвязь
3	Корреляционная	Мера взаимосвязей	Параметр
4	Функциональная	Взаимозависимость параметров	Изменение
5	Феноменологическая	Кинетика изменений	Процесс
6	Динамическая	Динамика процесса	Механизм
7	Сквозная	Структура механизма	Понимание
8	Обобщенная	Упорядочение смыслов	Границы

Представленную на рисунке взаимосвязь можно представить в виде схемы, устроенной по принципу «дома, который построил Джек» (табл. 2). В таблице указаны предметы моделирования, то есть то, на раскрытие чего направлена разработка модели соответствующего класса. Эти предметы фактически повторяют структуру «внешнего» круга, идущего против часовой стрелки на рис. 1.

Таблица 2. Эволюция предметов моделирования

№	Класс модели	Предмет моделирования
1	Умозрительная	Тенденция, объединяющая факты (минимальная модель)
2	Описательная	Взаимосвязь тенденций, объединяющих факты
3	Корреляционная	Параметры взаимосвязи тенденций, объединяющих факты
4	Функциональная	Изменение параметров взаимосвязи тенденций, объединяющих факты
5	Феноменологическая	Процесс изменения параметров взаимосвязи тенденций, объединяющих факты
6	Динамическая	Механизм процесса изменения параметров взаимосвязи тенденций, объединяющих факты
7	Сквозная	Понимание механизма процесса изменения параметров взаимосвязи тенденций, объединяющих факты
8	Обобщенная	Границы понимания механизма процесса изменения параметров взаимосвязи тенденций, объединяющих факты

В [3] была предложена общая схема эволюции, состоящая из восьми сменяющих друг друга фаз. Предлагаемая схема эволюции моделей вполне укладывается в эту общую схему (табл. 3).

Таблица 3. Соответствие классов моделей фазам эволюционного процесса

№	Вид модели	Фаза эволюции
1	Умозрительная	Появление функции (собственно модели еще нет – есть лишь примерное понимание того, что она в принципе должна делать)
2	Описательная	Материализация (модель впервые обретает статус чего-то объективного)
3	Корреляционная	Актуализация (модель впервые начинает реально что-то предсказывать)
4	Функциональная	Экспансия (большинство известных количественных моделей – функциональные)
5	Феноменологическая	Преобразование (появляется принципиально новый момент: модель описывает движение, а не только его результат)
6	Динамическая	Оптимизация (модель упрощается и становится более удобной в использовании)
7	Сквозная	Скрытие (предмет описания переходит в надсистему – он более не связан только с данным конкретным явлением или видом объектов, а описание включает сквозной переход «надсистема – система – подсистемы»)
8	Обобщенная	Завершение жизненного цикла (накопление новых фактов, противоречащих модели)

В результате последовательной смены классов модели появляется возможность учета все большего числа альтернатив и/или более точного учета деталей ситуации и особенностей самой системы; в результате модель оказывается способной прогнозировать все более и более сложное поведение моделируемого объекта с учетом изменения внешних условий, с оптимизацией поведения объекта по все более содержательным критериям (табл. 4).

Таблица 4. Новые особенности поведения объекта, прогнозируемые моделями разных классов по отношению к модели предыдущего класса

№	Класс модели	Новое в модели	Способ оптимизации	Новое в прогнозе
1	Умозрительная	Соответствие	По прямому соответствию с базовой аналогией	Идентификация явления
2	Описательная	Множество	По типичным сценариям развития	Типологические особенности
3	Корреля-ционная	Величина	По маршруту движения	Направленное изменение
4	Функцио-нальная	Предел	По величине первой производной (скорости изменения целевой функции)	Количественное описание
5	Феномено-логическая	Катастрофа	По предельному состоянию системы	Аномалии поведения
6	Динамическая	Периодические колебания	По второй производной (скорости изменения скорости)	Дальний прогноз; прогнозирование катастроф
7	Сквозная	Сингулярность («коллапс»)	По особым точкам кривой (экстремумы, перегибы, точки наибольшей кривизны)	Согласованные изменения характеристик сходной природы; упреждение катастроф путем перевода их в аномалии
8	Обобщенная	Взаимообуслов-ленность критических событий	По конечному результату	Общая взаимосвязь изменений характеристик разной природы на разных уровнях системной иерархии; выбор оптимального пути достижения конечного результата с учетом прогноза аномальных сценариев развития ситуации

Из таблицы можно видеть, что модель ситуации, используемая для выработки прогноза, всегда является моделью более высокого класса по отношению к самому прогнозу (т.е. модели поведения системы в конкретной ситуации с учетом конкретных внешних условий и характеристик самой системы). Это вытекает из необходимости учитывать при составлении прогноза множество возможных альтернатив, из которых прогнозом описывается лишь одна.

Отсюда вытекает, в частности, невозможность построить функциональную модель прогноза развития ситуации на основе функциональной же модели самой ситуации. Именно этим, на наш взгляд, объясняется принципиальная невозможность экстраполяций эмпирических моделей, полученных методом регрессионного анализа, за пределы области данных, на основе которых строится модель. Причина этого общеизвестного явления лежит не в «эмпирическом характере» регрессионной модели (как это принято считать), а в том, что она является моделью менее высокого класса, чем тот, что требуется в данном случае для прогнозирования, частным случаем которого является такая экстраполяция.

Данное положение вполне согласуется с известным нам опытом. Нам и нашим предшественникам неоднократно удавалось выстраивать эмпирические модели, позволяющие делать прогнозы, в том числе и достаточно далеко выходящие за пределы области данных, использованных для построения модели. Однако в последнем случае функциональные модели точно предсказывали лишь корреляции, а для точного прогнозирования функций требовалась уже, как минимум, феноменологическая модель. Последняя, однако, не в состоянии точно прогнозировать новые виды аномалий, не «заложенные» в нее изначально: для этого требуется уже динамическая модель.

О механизме реализации принципа наименьшего действия в развитии прогностических моделей

В соответствии с принципом наименьшего действия, мы полагаем, что модель нового класса появляется не сама по себе, а в результате использования ресурсов, накопленных в ходе разработки моделей предыдущих классов, причем процесс накопления этих ресурсов является постепенным.

Рассмотрим процесс выстраивания научной модели подробнее.

Принято считать, что процесс получения нового научного знания начинается с первичного сборафактов – но не любых фактов вообще, а тех, которые не укладываются в рамки существующих представлений. Часто толчком к разработке модели бывает всего лишь один такой факт – так было, например, с теорией флогистона, не способной внятно объяснить причину отрицательной массы данного чудо-объекта. Сбор таких фактов, однако, сам по себе еще не является частью процесса моделирования, ибо никакая модель еще при этом не создается.

Моделирование начинается тогда, когда впервые появляется идея, способная хотя бы как-то объяснить новые факты. Эта идея не может, однако, возникнуть из ниоткуда. Она появляется в результате использования той или иной аналогии с уже известными моделями, которые описывают факты, имеющие какое-либо сходство с изучаемыми.

Аналогия может помочь найти в предмете изучения то, что мы в нем не видим (преодоленная инерция мышления), но она же может и помочь нам «увидеть» то, чего в этом предмете нет (индуцированная инерция мышления). А чего именно будет больше – от самой аналогии зависит. Но на первой фазе моделирования, т.е. на этапе построения умозрительной модели, аналогия должна позволять нам (по определению) «обозреть умом образ» нашей ситуации. Именно наличие яркого и понятного, чаще всего визуального образа обычно служит условием успеха в разработке этого класса моделей, причем этот образ должен быть образом представления действительности, а не образом воображения. Составляя умозрительную модель, мы обязаны хотя бы как-то опираться при этом на действительность. И именно образ реальной (хотя и другой) ситуации служит опорой для построения модели данного класса.

Умозрительная модель «переносит» тенденции, известные для одного фрагмента действительности, на другой, моделируемый фрагмент. Этот «перенос» осуществляется путем установления сходства тенденций, объединяющих факты. Доказательств общности процессов и механизмов, лежащих в их основе, на этом этапе еще не может быть получено – они появляются только позднее. Но при этом принципиально важно, чтобы модель, используемая в качестве аналогии, сама была построена на не менее (а желательно и более) высоком уровне, чем та модель, которую предстоит в итоге создать. Действительно, трудно рассчитывать на построение функциональной модели, взяв за основу лишь классификацию.

Например, З. Фрейд при разработке нового направления – психоанализа взял за основу аналогию некоторых психических процессов с термодинамическими (отсюда, в частности, идея «психической энергии», или «либидо», как движущей силы психической деятельности), рассчитывая в итоге объяснить динамику течения психиатрических заболеваний – что хотя и не вполне, но частично ему сделать удалось.

Для каждого фрагмента действительности возможны, в принципе, разные варианты ее представления в виде умозрительной модели. Выбор между ними осуществляется на следующей фазе, при построении описательной модели. Эта модель должна уже базироваться на учете конкретных фактов и отражать связывающие их тенденции. Сами эти тенденции вначале просто переносятся из ранее созданной умозрительной модели, но на данной фазе моделирования появляется возможность проверки на соответствие этих тенденций наблюдаемым фактам. Та из умозрительных моделей, которая такую проверку выдерживает, становится основой для построения первичной классификации фактов. Основанием такой классификации становится как раз тот общий признак, который объединяет предмет моделирования с его умозрительным аналогом.

Затем определяются гипотетические базовые корреляции. Эти корреляции также не следуют из ниоткуда – они логично вытекают из уточненной базовой аналогии. Однако они тоже подлежат проверке на соответствие фактам. В ходе этой проверки могут вскрыться иные факты, не предусмотренные базовой аналогией, - их также необходимо исследовать и описать их корреляции с другими фактами.

Когда базовые корреляции установлены и проверены фактами, наступает черед выстраивания корреляционной модели. При этом может произойти уточнение и даже кардинальное изменение базовой аналогии с учетом новых фактов, обнаруженных при исследовании базовых корреляций. Однако хорошая корреляционная модель, как и описательная, всегда имеет под собой ту или иную базовую аналогию – иногда явно не декларируемую ее авторами, а лишь опосредованно используемую ими в качестве характеристики «смысла» обнаруженных корреляций. Таковы многие «аддитивные» модели, использующие (чаще всего неявно) аналогию моделируемого объекта с механической смесью веществ.

Набор базовых корреляций позволяет выделить действующие факторы, совокупность которых описывает поведение моделируемого класса объектов уже на функциональном уровне. Для того, чтобы определить вид этих функций, необходимо выделить действие каждого фактора, отделив его от прочих факторов. В идеале, для этого производится серия «систематических» исследований, в которых все действующие факторы, за исключением одного, поддерживаются неизменными. Такие исследования позволяют определить вид функций, описывающих действие каждого фактора в отдельности. Исходя из таких функций, составляется общая функциональная модель поведения системы, которая вновь проверяется фактами. Эти факты позволяют обоснованно описать совместное действие разных факторов, учитываемых моделью. При этом хорошая функциональная модель всегда подчиняется принципу суперпозиции, согласно которому, разные факторы действуют независимо друг от друга, а сами функции обладают свойством принципиальной «линеаризуемости», то есть возможности точного функционального преобразования вида зависимости к прямолинейному. Соответствие этим принципам и является основным «интегральным» тестом для функциональной модели.

Построение прогностичной функциональной модели позволяет выявить те «аномальные» факты, которые противоречат прогнозу. Именно на их основе выстраивается феноменологическая модель. В ее основе лежат всегда некоторые представления о структуре объекта и движущих силах процесса его изменения. Однако, поскольку соответствующих прямых данных на этом этапе построения модели чаще всего еще нет, в качестве «прототипа» структуры снова используется базовая аналогия. Ввиду условности всякой аналогии, эта «структура» в феноменологической модели тоже условна – как, например, при моделировании разнообразных зависимостей сложной формы методом «нейронных сетей» или с помощью «генетического алгоритма». Однако сами «аномальные» факты совершенно реальны, и именно они используются для проверки модели: хорошая феноменологическая модель должна точно прогнозировать поведение разных объектов, для которых наблюдается данная аномалия.

Отметим, что довольно часто феноменологическая модель строится вначале таким образом, чтобы поведение конкретного объекта можно было описать после проведения некоторых дополнительных исследований. Этот промежуточный этап бывает полезен тогда, когда еще не все базовые функции известны, а аномалии уже обнаружены. Наличие хорошей феноменологической модели позволяет впоследствии «достроить» описание базовых функций и тем самым минимальной ценой выстроить общую модель, описывающую аномальное поведение некоторого подкласса объектов, расширяющегося по мере описания новых базовых функций.

Общие закономерности, наблюдаемые в аномальном поведении объектов разных классов, позволяют перейти к динамической модели. Последняя не обязательно описывает структуру объекта, но зато точно определяет движущие силы, ведущие к изменению состояния системы. Тем самым появляется возможность сформулировать динамические законы, совокупность которых описывает поведение (в том числе и аномальное) объектов данного класса в данных условиях наблюдения без необходимости подробного исследования каждого объекта. Однако на первых порах для отдельных объектов требуется измерить один или несколько конкретных параметров – таких, как масса или электрический заряд.

Переход к сквозной и, тем более, обобщенной модели был произведен в науке лишь в очень немногих случаях, и сколько-нибудь детальное описание этих случаев едва ли будет доступно большинству читателей. Тем не менее, основные черты этих переходов можно понять, если использовать еще один общесистемный принцип – принцип фрактального подобия систем на разных уровнях их иерархии.

В [3] нами было показано, что каждая из фаз эволюционного процесса «распадается» на восемь «микрофаз», то есть восемь последовательных изменений системы, составляющих в совокупности переход от предыдущей фазы к последующей, и наблюдаемых на уровне отдельных подсистем в качестве фаз их развития. Отдельные «микрофазы» повторяют на менее высоком системном уровне существенные черты «больших» фаз развития системы, а последовательность «микрофаз» совпадает с последовательностью «больших» фаз, образуя тем самым фрактальную структуру изменений, происходящих на разных уровнях системной иерархии. При этом первая из «микрофаз» может начинаться в принципе задолго до того момента, когда система в целом перейдет на соответствующую «большую» фазу. Последний переход осуществляется лишь на третьей «микрофазе» - актуализации, как раз и знаменующей собою манифестацию новой «большой» фазы.

Аналогичную картину можно наблюдать и в развитии научных моделей; в этом случае в качестве результата каждой «микрофазы» можно рассматривать «выстраивание» модели на соответствующем ей уровне. Действительно, построение модели любого класса начинается с умозрительного и описательного уровней, и только затем, на соответствующей «микрофазе» развития, в ней появляется тот элемент, который и делает ее моделью соответствующего класса, способной давать прогноз соответствующего типа явлений (см. табл. 4). К примеру, законы диалектики, по задумке, являются динамическими моделями (поскольку они указывают движущие силы развития), но реально выстроены лишь на умозрительном уровне и потому не способны реально предсказывать развитие конкретных объектов, а способны пока что лишь «объяснять» происшедшие события «задним числом».

Рассмотрим с этих позиций построение простой и известной каждому из нас модели – закона Ома. Динамической формой записи этого (самого по себе функционального) закона является известное из школьного курса выражение I = U / R. Здесь в качестве движущей силы фигурирует разность электрических потенциалов, или напряжение U, в качестве характеристики вызванного ею действия – величина силы тока I, а в качестве характеристики сопротивления системы этому действию – электрическое сопротивление R.

Следующим, сквозным этапом развития функциональной модели является определение общих законов изменения параметров базовых функций в пределах некоторого класса объектов. Таким законом, в частности, стало выражение, связывающее электрическое сопротивление с геометрией объектов, проводящих ток. Вначале такие выражения были выведены для линейных цепей (законы Кирхгоффа) и проводников простой формы, а затем – и для проводника произвольной геометрии. Тем самым в отношении закона Ома был исчерпан ряд явлений, имеющих собственно электрическую природу. В результате произошел переход от характеристики конкретного объекта (сопротивление) к более общей характеристике – удельной электропроводности, описывающей способность проводника проводить электрический ток безотносительно к его геометрии.

Наконец, обобщенным этапом построения модели электропроводности (основанной, повторимся, на законе Ома) должна стать общая модель, описывающая зависимость сопротивления проводника от различных факторов, имеющих неэлектрическую природу. В частности, такая модель должна описывать зависимость сопротивления от химического состава материала, температуры, давления, внешних полей (в том числе и самого электрического поля) и т.д. Выражать такие зависимости непосредственно через величину сопротивления неудобно ввиду их чрезмерной сложности. Здесь и пригодится величина удельной электропроводности, зависящей только от неэлектрических факторов. Сейчас такие модели разработаны лишь для некоторых классов материалов (например, растворов), но в будущем они должны охватить и другие факторы, влияющие на величину электрического сопротивления. Для построения обобщенной модели потребуются, как минимум, две сквозных модели, связывающих удельную электропроводность с разными влияющими на нее факторами. Только после этого проблема расчета электрического сопротивления перестанет существовать, и закон Ома можно будет распространить, в частности, на все материалы, в том числе и еще не синтезированные.

Прогноз эволюции моделей развития технических систем

Рассмотрим процесс эволюции моделей на примере моделей развития технических систем.

Умозрительная модель развития техники поначалу исходила из того, что этот процесс является цепью случайных событий. Однако факты свидетельствовали против этой базовой аналогии уже хотя бы тем, что в процессе своего развития техника непрерывно улучшалась, - другими словами, ее изменение имело направленный характер. Следующей базовой аналогией была ситуация искусственного отбора лучших решений, возникновение которых по-прежнему целиком приписывалось случаю. Однако и эта аналогия в целом не выдерживала критики, поскольку было давно известно, что техника совершенствуется не только направленно, но и постепенно. Гипотеза естественного отбора случайных усовершенствований не могла объяснить этой постепенности (заметим, что аналогичная проблема длительное время существовала и в биологии). Так возникла идея закономерного развития, высказанная Г. С. Альтшуллером. Эта парадигма в настоящее время является главенствующей в ТРИЗ – Теории Решения Изобретательских Задач, разработанной Г. С. Альтшуллером и его коллегами.

В рамках этой парадигмы Г. С. Альтшуллером [4] была предложена классификация законов развития технических систем, которая объединяет тенденции развития разных технических систем по аналогии с механическими явлениями, деля эти тенденции на группы «Статика», «Кинематика» и «Динамика». Эта модель является описательной: она опирается уже не только на умозрительные представления, но и на ряд эмпирических фактов. При этом в модели появляется такой элемент, как взаимосвязь. Именно описание взаимосвязей между разными тенденциями развития технических систем и составляет основную сущность того, что Г. С. Альтшуллер именовал «законами развития технических систем». Отметим, что, несмотря на обилие работ, появившихся после смерти Г. С. Альтшуллера, ТРИЗ, по существу, до сих пор развивается в рамках этой сугубо описательной парадигмы.

Как и в предыдущем случае, описательных (классификационных) моделей одного и того же объекта может быть построено много, и не все из них могут быть положены в основу на следующей фазе моделирования – при построении корреляционной модели. В этой модели необходимо, как мы указали выше, найти количественные параметры взаимосвязей. А для этого тот исходный фрагмент действительности, который был взят за основу при построении умозрительной аналогии, должен иметь сходство предметом моделирования не только по тенденциям, но и по тем сущностям, которые их объединяют. Нам представляется, что таковой сущностью, в случае законов развития технических систем, является эволюция, то есть направленное необратимое развитие, сопровождаемое хотя бы на начальных его этапах постепенным усложнением структуры системы. В этой связи представляется вполне очевидным, что механическая аналогия, положенная в основу вышеупомянутой классификации Г. С. Альтшуллера [4], не соответствует содержанию модели: ведь в законах механики никакой эволюции не описывается – описываются только обратимые изменения. Соответственно, базовая аналогия должна быть заимствована не оттуда, а из той дисциплины, для которой понятие эволюции является базовым, системообразующим понятием. Такой наукой, по нашему мнению, является биология. В этой связи представляется оправданным на данном этапе развития модели использовать «биологические» аналогии, как это сделано, в частности, у А. Захарова [5].

Но модель, претендующая на дальнейшее развитие, должна не только описывать тенденции и их взаимосвязи, но и позволять количественные предсказания описываемых явлений, в данном случае – количественно предсказывать какие-либо параметры развития технических систем. На наш взгляд, упомянутая модель Захарова таким качеством пока что не обладает.

Некоторые элементы, имеющие шанс развиться до уровня количественного описания, есть в системе Любомирского м Литвина [6]. В частности, вполне могут развиться до количественного уровня предлагаемые там критерии идеальности технических систем, а также описание «нормальной» (S-образной) кривой развития, общая идея которого заимствована ими из ряда предыдущих работ, опубликованных в том числе и по тематике, далекой от ТРИЗ. Однако и этот подход в настоящее время, насколько нам известно, не дошел еще до количественного уровня.

Одним из результатов выстраивания такой модели должно быть формулирование одного или нескольких частных законов развития технических систем, реально удовлетворяющих всем требованиям, предъявляемым к физическим законам, - в том числе и точная (а не только вероятностная) воспроизводимость описываемых ими взаимосвязей в пределах того класса объектов и тех сочетаний внешних условий их развития, которые этими законами описываются.

На следующем этапе моделирования необходимо будет построить функциональную модель развития технических систем. Для этого базовая аналогия, положенная в основу модели, должна иметь функциональное сходство с развитием технических систем. Это означает, что в обеих моделях должны быть одинаковыми математические формулировки описываемых зависимостей. В принципе, такой умозрительной модели может и не найтись – в этом случае придется отыскивать эти формулировки уже на основе анализа данных о самом объекте моделирования, то есть, в данном случае – о развитии самих технических систем. Но если подходящая аналогия будет найдена, то этот процесс можно будет существенно облегчить. Такую аналогию имеет смысл искать в той области знания, которая количественно описывает процесс эволюции и для которой именно это описание является базовым, системообразующим признаком. В нашем представлении, такой наукой может быть синергетика или психология.

Заметим, что пока что функциональные модели, используемые для прогнозирования параметров технических систем (см., напр., [7, 8] и др.), основаны на использовании математического аппарата, не имеющего прямого отношения к эволюции. Мы полагаем, что, в частности, и по этой причине они не могут пока что использоваться в качестве эффективного инструмента технического прогнозирования.

Далее необходимо будет построить феноменологическую модель развития. Эта модель будет не только описывать функциональные зависимости, связывающие параметры технических систем, но и предлагать некое количественное описание процесса, лежащего в основе этих зависимостей. При этом не обязательно точно описать механизм процесса, но необходимо составить систему уравнений (в том числе дифференциальных), решением которой будут кривые развития, количественно совпадающие с фактическими не только в наиболее типичных, но и в предельных, экстремальных, «аномальных», «вырожденных» случаях.

Нам представляется, что базовую аналогию для такой модели можно будет взять из термодинамики, физической химии или науки о материалах. Именно в этих науках получили наибольшее распространение разнообразные феноменологические модели, количественно описывающие процессы изменения параметров в зависимости от внешних параметров, определяемых надсистемой. Вполне вероятно, что если такая модель будет удовлетворительно описывать развитие техники, то она же сможет быть полезной и для описания биологической эволюции, откуда была заимствована предыдущая базовая аналогия.

Результатом построения такой модели, по нашему мнению, станет «ближнее» прогнозирование не только «нормальных», но и «аномальных» сценариев развития технических систем, включая задержки и внезапные остановки в их развитии.

Следует отметить, что частные феноменологические модели в вышеупомянутых науках часто оказывается возможным построить и без выстраивания всей системы базовых функций, - в этом случае такие функции должны быть предварительно определены для каждого конкретного объекта или сравнительно небольшой группы объектов. Судя по известным нам косвенным данным, мы можем предположить, что по этому пути пошли и авторы некоторых программных продуктов, имеющих отношение к ТРИЗ, но точной информацией на этот счет мы не располагаем в силу конфиденциального характера такого рода разработок.

Далее необходимо будет перейти к динамической модели. На этом уровне моделирования станут понятными (реальные, а не предполагаемые) движущие силы процессов развития, а математический аппарат модели, возможно, будет существенно упрощен. Базовая аналогия для такой модели, если таковая найдется, по всей видимости, будет заимствована из физики.

Такая модель, по нашему мнению, будет способна прогнозировать не только развитие конкретных характеристик технических систем, но и взаимосвязь их друг с другом и с успехом на рынке, измеряемым в материальном выражении в виде прибыли.

Мы полагаем, что на этом уровне будет завершено формирование научной дисциплины, описывающей законы развития технических систем. Далее модель должна выйти за пределы своего первоначального предмета, перейдя на иной системный уровень, – как, впрочем, это происходит обычно и с самими техническими системами на соответствующей фазе их развития.

Выводы

Предлагаемая нами классификация научных моделей, основанная на изучении процесса их взаимной смены в ходе развития научного знания, выявляет общий «вектор» развития самих моделей. Это развитие не является случайным процессом, а следует общей закономерности, проявляемой в различных областях научного знания. Найденная закономерность заключается в том, что по мере роста уровня абстрагирования модели происходит изменение ее класса, сопровождающееся коренным изменением понятийного и математического аппарата и скачкообразным ростом прогностичности.

Изменение класса моделей происходит в следующем порядке: умозрительная à описательная (классификационная) à корреляционная à функциональная à феноменологическая à динамическая à сквозная à обобщающая. Каждый вид модели соответствует одной из фаз эволюционного процесса, ранее выявленных нами путем анализа эволюции систем разной природы.

Еще одной общей закономерностью является то, что в модели каждого класса появляется некий новый элемент, в данной модели, на первый взгляд, не очень нужный, но становящийся необходимым «ресурсом» при переходе к моделям последующих классов. Это означает, что процесс эволюции моделей протекает с максимальным использованием (и, соответственно, экономией) ресурсов, появляющихся в ходе эволюции.

Если рассматривать саму предлагаемую нами классификацию научных моделей как научную модель, то она по своему содержанию является обобщенной (поскольку описывает общее явление, наблюдаемое во всех известных нам отраслях науки), но фактический уровень ее выстраивания является переходным между описательным и корреляционным. Последнее следует из того, что модель устанавливает направление развития и упорядочивает тем самым классификацию, но не содержит пока еще числовых соотношений, характеризующих процесс смены научных моделей как единое целое. Именно нахождение таких параметров, по нашему мнению, является ближайшей задачей развития предлагаемого подхода. Такая задача может показаться, на первый взгляд, несколько надуманной – но без ее решения вряд ли получится выявить реальные законы и механизмы, определяющие смену классов моделей именно в такой последовательности, а, значит, и управлять процессом моделирования.

Заключение

Замечательная книга Г.С.Альтшуллера, Б.Л.Злотина, А.В.Зусман и В.И.Филатова [9], ознаменовавшая собою целую эпоху в развитии ТРИЗ, называется «Поиск новых идей: от озарения к технологии». Обратим внимание на последнее слово этого названия: технология. До сих пор, как это ни парадоксально, получение научного знания оставалось, да и сейчас остается в значительной мере искусством, основанным на озарениях. К созданию технологии разработки научных моделей, по большому счету, научная мысль еще не приступала. Возможно, и по этой, в частности, причине научные открытия на практике (а не «в теории») весьма редко предваряют их использование в индустрии. Чаще бывает наоборот: вначале появляются инженерные решения, и только потом – их научные объяснения. Так были созданы паровой двигатель, двигатель внутреннего сгорания, подводная лодка, автомобиль, самолет...

При всем изобилии работ по науковедческой тематике, предметом изучения в таких работах, насколько нам известно, являлось лишь описание прошлого науки. Технология же появляется там, где есть возможность достоверно предсказать будущее. Эту технологию пока еще только предстоит создать – но, выражаясь языком известных мыслителей, ее «призрак» давно уже «бродит по Европе». Мы полагаем, что наступает пора этому призраку материализоваться в виде систематических исследований, направленных на создание вышеуказанной технологии. Будущее науки в целом и ТРИЗ в частности, на наш взгляд, следует искать именно в этом направлении.

Благодарность

Авторы благодарят Б. Л. Злотина, Л. А. Каплана, А. В. Кудрявцева и Е. И. Кудрявцеву за ряд ценных замечаний, высказанных при подготовке статьи к публикации.

Список литературы

1. А.Маслоу. Новые рубежи человеческой природы. М.: Смысл, 1999 (A.H.Maslow. The Farther Reaches of Human Nature. Harmondsworth: Penguin, 1971), http://abovo.net.ru/book/89195

2. Альтшуллер Г. С. Как излагать новое в ТРИЗ. Тезисы к конференции в Миассе-88. http://www.altshuller.ru/engineering/engineering9.asp

3. Привень А. И. История фотографии в контексте ТРИЗ, http://www.metodolog.ru/node/663

4. Альтшуллер Г. С. Законы развития систем // Творчество как точная наука. — М.: «Советское радио», 1979. — С. 122 – 127. Цитируется по официальному сайту Г. С. Альтшуллера: http://www.altshuller.ru/triz/zrts1.asp

5. Захаров А. Объединение идей эволюционного, иерархического и фрактального строения Природы. // Metodolog.Ru. - http://www.metodolog.ru/00595/00595.html

6. Любомирский А., Литвин С. Законы развития технических систем // Алгоритм, 2003. http://gen3.ru/3605/5454/

7. Koh H., Magee C. L. A functional approach for studying technological progress: Extension to energy technology // Technological Forecasting & Social Change 73 (2006) 1061–1083.

8. Rogers E. Diffusion of Innovations. 3 ed. N.Y.: Free Press, 1983.

9. Альтшуллер Г.С., Злотин Б.Л., Зусман А.В., Филатов В.И. Поиск новых идей: от озарения к технологии. (Теория и практика решения изобретательских задач). Кишинев: Картя Молдовеняске, 1989, http://www.trizminsk.org/r/4117.htm

Приложение. Примеры эволюции моделей

Табл. П1. Модели атома, объясняющие его химические свойства

№	Класс модели	Примеры реализации в моделях
1	Умозрительная	Модель Демокрита
2	Описательная	Описание химических элементов
3	Корреляционная	Модель Менделеева
4	Функциональная	Модель молекулярных орбиталей
5	Феноменологическая	Модель молекулярной динамики
6	Динамическая	Модель Шредингера
7	Сквозная	?
8	Обобщенная	?

Табл. П2. Модели электричества

№	Класс модели	Примеры реализации в моделях
1	Умозрительная	Способность «души янтаря» притягивать сор
2	Описательная	Описание притяжения и отталкивания заряженных тел
3	Корреляционная	Корреляции между электрическим зарядом и наблюдаемыми физическими явлениями: «лейденская банка», электрометр
4	Функциональная	Закон Кулона (взаимодействие зарядов)
5	Феноменологическая	Модель «движения зарядов»
6	Динамическая	Законы Ома и Кирхгоффа (законы электрических цепей)
7	Сквозная	Электромагнетизм
8	Обобщенная	Модель «слабых» взаимодействий

Табл. П3. Модели биологической эволюции

№	Класс модели	Примеры реализации в моделях
1	Умозрительная	Телеологическая модель Аристотеля, эволюционная модель Эмпедокла
2	Описательная	Классификации Линнея, Бюффона, Ламарка
3	Корреляционная	Эволюционная теория Дарвина: критерии «родства» видов
4	Функциональная	Законы Менделя, генетика Моргана
5	Феноменологическая	Синтетическая теория эволюции
6	Динамическая	Описание механизма передачи наследственной информации с участием ДНК
7	Сквозная	Общая теория эволюции нелинейных систем (в разработке)
8	Обобщенная	?

Табл. П4. Модели переноса вещества и энергии

№	Класс модели	Примеры реализации в моделях
1	Умозрительная	Теория теплорода
2	Описательная	Классификация видов энергии
3	Корреляционная	Закон сохранения массы вещества Ломоносова-Лавуазье
4	Функциональная	Законы Бойля-Мариотта, Клаузиуса-Клапейрона, Джоуля-Ленца
5	Феноменологическая	Статистическая модель Больцмана, принцип Бернулли
6	Динамическая	Термодинамика, молекулярно-кинетическая теория
7	Сквозная	Неравновесная термодинамика, синергетика
8	Обобщенная	?

Алфавитный указатель:

Quote:
Прогноз эволюции моделей развития технических систем

Рассмотрим процесс эволюции моделей на примере моделей развития технических систем.

Умозрительная модель развития техники поначалу исходила из того, что этот процесс является цепью случайных событий. Однако факты свидетельствовали против этой базовой аналогии уже хотя бы тем, что в процессе своего развития техника непрерывно улучшалась, - другими словами, ее изменение имело направленный характер. Следующей базовой аналогией была ситуация искусственного отбора лучших решений, возникновение которых по-прежнему целиком приписывалось случаю. Однако и эта аналогия в целом не выдерживала критики, поскольку было давно известно, что техника совершенствуется не только направленно, но и постепенно. Гипотеза естественного отбора случайных усовершенствований не могла объяснить этой постепенности (заметим, что аналогичная проблема длительное время существовала и в биологии).

Так возникла идея закономерного развития, высказанная Г. С. Альтшуллером. Эта парадигма в настоящее время является главенствующей в ТРИЗ – Теории Решения Изобретательских Задач, разработанной Г. С. Альтшуллером и его коллегами.

Само по себе развитие - это закономерное изменение.

А что такое закономерное "закономерное изменение"?

Закономерный - логический, неслучайный, правильный; необходимо следующий, понятный, допустимый, объяснимый, логичный, правомерный, законный, обоснованный, закономерно вытекающий, необходимо вытекающий, закономерно следующий. Ant. случайный, неправильный

Закономерность - необходимая, существенная, постоянно повторяющаяся взаимосвязь явлений реального мира, определяющая этапы и формы процесса становления, развития явлений природы, общества и духовной культуры.

Если закономерное "закономерное изменение" - не "масло масляное", то тогда смысл характеристик "закономерный" должны как-то различаться, ИМХО...

Осознание

==ИИ-->

Форма поиска

Введение

Общая схема эволюции научных моделей

Прогноз эволюции моделей развития технических систем

Выводы

Заключение

Алфавитный указатель:

Рубрики:

Комментарии

Вход

Контакты