Оригинальное название:
The Math(s) Fix: An Education Blueprint for the AI Age
Автор:
Conrad Wolfram
Первый. Политик заявляет: «Инфляция в этом году составит 7 %». Как вы полагаете, это много или мало? Как с учетом этой новости вам стоит планировать свой бюджет на этот год?
Второй. Все мы со школы помним про «пифагоровы штаны» и «пифагоровы тройки». Что это значит в переводе на язык геометрии? А в повседневном, житейском смысле? Где вам пригождается это знание?
У многих читателей эти вопросы вызовут раздражение. Да, проценты и теорема Пифагора – это нечто привычное… смутно знакомое. Разумеется, это имеет какое-то отношение к нашей жизни. Но мы не всегда можем сказать, зачем они нужны, хотя изучали математику в школе и сдали по ней экзамен.
Почему так? Дело отнюдь не в наших способностях. И не в математике как таковой. Проблема в том, как именно преподавался и преподается этот предмет. И эта проблема огромна.
Чем запомнились нам всем уроки математики? Мы всегда что-то считали. Сначала складывали и вычитали, потом в ход пошли все более сложные формулы. Но так или иначе, с первого по одиннадцатый класс преподавание математики сводилось к совершенствованию, гм, наших вычислительных способностей.
Разве в этом суть математики? Ни в коем случае. Вычисления – это лишь небольшая часть математической науки. Более того, она самая механическая, бездумная. Это то, с чем сегодня легко справляются компьютеры.
Вот она, суть проблемы. Мы живем во времена четвертой промышленной революции1. Первая грянула, когда был создан паровой двигатель. Вторая связана с изобретением двигателя внутреннего сгорания и электричества, третья – с изобретением компьютеров и интернета. В основе четвертой – искусственный интеллект, большие данные.
Первые две революции освободили человеку руки. Третья и особенно четвертая ускорили наши умственные способности. Мы перекладываем на машины всю черновую работу – в этом суть прогресса. Скажем, мы давно не озабочены подсчетом калорий или пройденных шагов в уме – за нас считает компьютер, мы же лишь интерпретируем его данные.
Однако математика в школе преподается так, будто компьютеры еще не изобретены. Огромная часть школьной работы посвящена математическим вычислениям, а не математическому мышлению. Математика реального мира – с нейросетями, искусственным интеллектом, алгоритмами, которые управляют межзвездными спутниками, – и школьная математика в настоящее время совпадают лишь на 20 %. Катастрофа? Еще какая.
Подлинное математическое мышление – это не формулы и числа. Это способ решения самых разных жизненных проблем, который проходит в четыре этапа:
1. Поставить вопрос. Сначала жизнь подкидывает проблему, и человек формулирует по этому поводу вопрос. Что он хотел бы узнать? Как известно, хороший вопрос – это половина ответа. Вопросы – это ускорители мышления. Скажем, у вас есть небольшой бизнес по продаже бумаги. Сколько товара нужно держать на складе? Как распределить товар по грузовикам и как оптимально рассчитать их маршруты? Если вопрос поставлен правильно, его цена высока.
2. Абстрагировать вопрос. Теперь нужно извлечь проблему из контекста и найти для нее подходящий инструмент. Абстрагирование – одна из самых мощных способностей человеческого ума. Начнем с того, что сами числа – это абстрактная сущность. Что касается наших товаров, складов и маршрутов, тут многое может предложить такая область математики, как исследование операций.
3. Вычислить. Подставляем известные числа в нужные формулы-инструменты. То самое, чем ежедневно занимаются миллионы школьников по всему миру. То, что гораздо быстрее сделает машина. Скажем, исследование операций давно освоили компьютеры, и поэтому логистика Amazon так эффективна.
Математик XVI века Джон Непер работал над логарифмами более 20 лет. Сама идея соединить мир сложения и мир умножения была понятна ему с самого начала. Но целые годы ушли на ручные подсчеты, которые легли в основу логарифмических таблиц. Они сэкономили математикам, астрономам и инженерам сотни часов рабочего времени. Математик Лаплас утверждал, что математики вдвое продлили жизнь астрономов, избавив тех от утомительных вычислений. Сегодня таблицами Непера никто не пользуется: это знание заложено в машинных алгоритмах.
4. Интерпретировать. Из сферы абстрактных чисел и формул мы переносимся в реальность. Разумен ли наш ответ? Стали ли мы эффективнее?
До появления компьютеров вычисления были очень дорогими, так что ученые предпочитали как можно тщательнее обдумывать первый и второй этапы. Часто у них не хватало времени на вторую попытку. Благодаря технологиям мы можем быстро пробовать самые разные формулировки вопросов, искать в разных направлениях.
Bepul matn qismi tugad.