Poised on the Edge of Chaos

Ik stel me de wereld soms voor als een landschap van allerlei mogelijke activiteiten, een kleinste eenheid van specifieke actie. Tussen sommige van die activiteiten is interactie, er wordt heen en weer gebeld, gemaild en vergaderd en allerlei materialen worden onderling uitgewisseld. Ze lijken dus een input te hebben, daar iets mee te doen en leveren één of andere output. De mate waarin ze interacteren verschilt: sommige communiceren of hun leven er vanaf hangt, andere werken geïsoleerd. Er zijn activiteiten die al lang bestaan, er komen af en toe nieuwe bij en hier en daar verdwijnt er één. Er zijn activiteiten waarvan er veel bestaan en hier en daar één die als enige die activiteit uitvoert.  Sommige zijn duidelijk aanwezig, andere zijn bijna onzichtbaar. Sommige produceren heel actief en leveren frequent een output, andere lijken op een laag pitje te staan, sommige zoeken aansluitingen, andere worden gevonden. Die activiteiten zijn soms geografisch gegroepeerd en soms verspreid.

Ze hebben de mogelijkheid om te leren en hun prestatie ‘al interacterende’ te verbeteren. Hint: dat lijkt op evolutie, toch? Met elke ‘klik’, wat dat dan ook is, kunnen ze even naar zichzelf kijken, bepalen of dat afdoende was en desnoods manieren bedenken waarop ze zich kunnen verbeteren, zodat ze meer kans maken om te blijven bestaan.

Dan stel ik me voor dat daar organisaties ‘op geprojecteerd’ worden. Er zijn allerlei soorten organisaties te zien, het gaat mij vooral om de ondernemingen. Opeens blijken nu allerlei verschillende activiteiten bij één en dezelfde onderneming ‘te horen’. Dat is interessant, want waarom zijn nu juist die activiteiten nu op die manier in die onderneming terecht gekomen? En in sommige gevallen: waarom zit een heel groepje activiteiten niet bij die andere onderneming die er vlakbij ligt in het activiteitenlandschap? Of: waarom blijven een heleboel activiteiten niet op zichzelf staan en waarom zijn ze toegevoegd aan (of hebben ze zich toegevoegd aan) een onderneming?

Er is blijkbaar één of andere reden waarom het zinvol is voor zo’n activiteit om zich bij een onderneming te voegen of omgekeerd. In deze post 7 van 10 in deze conversatie zoek ik uit of dit beeld van een veld van activiteiten bruikbaar is om iets te kunnen zeggen over de samenhang die ontstaat in de activiteiten (in de zin van een organisatie c.q. een bedrijf) en hoe uit die activiteiten iets nieuws kan ontstaan, tenslotte bij uitstek één van de voorrechten van het economisch handelen.

Ik stel voor om eerst maar eens géén begrenzing aan te brengen in dit veld van activiteiten en het te zien als één systeem. Zo’n systeem met samenstellende delen die onderling met elkaar in verbinding staan zijn genetwerkte systemen of complexe adaptieve systemen. Dat soort systemen vertonen die eigenschappen die organismes en bedrijven ook vertonen, namelijk een bepaalde samenhang (een scope van activiteiten), het voortbrengen van nieuwe (zelf-)organisatie en producten, en één of ander lerend vermogen. Ook detail dus, namelijk van die activiteiten en hun interacties, er is geen ontkomen aan, maar van een andere soort dan in reductionistische zin. Ook al zijn de details van wát die activiteiten tot stand brengen niet relevant voor het onderwerp hier, er is wel een interne samenhang nodig die het systeem ‘aandrijft’ en de eenvoudige regels op een hoger niveau levert.

In essentie bestaan zulke systemen uit samenstellende onderdelen die met elkaar en met hun omgeving interacteren. Die onderdelen worden ‘agents’ genoemd om te benadrukken dat ze zelf een actieve, zij het niet altijjd een ingewikkelde, rol hebben. Dus ze voeren zelf acties uit volgens hun eigen regels. Dat betekent: ze geven zelf een signaal (of meerdere signalen) af of ontvangen er één of meer, voeren daar een bewerking op uit, zoals een conclusie trekken, van kleur verschieten, een verandering toepassen op zichzelf, links of juist rechtsaf gaan, de temperatuur omhoog doen, iets doorgeven aan een andere ‘agent’ binnen of buiten het systeem, een ijsje eten, noem maar op.

En er is grootschalige parallelle interactie tussen die ‘agents’. Dus elke ‘agent’ kan met meerdere (desnoods alle) andere ‘agentes’ interacteren variërend tussen af en toe 1 interactie met 1 andere tot frequente interactie met alle andere agents”.

Ter illustratie: de spreeuwen in een zwerm bepalen hun positie ten opzichte van de andere vogels en passen hun snelheid en richting daarop aan. Recentelijk [link naar artikel nrc/nature?] is gebleken dat ze ook zicht houden op de dichtheid van de zwerm en daar hun vliegrichting en -snelheid op aanpassen, om te voorkomen dat ze allemaal op één plaats ‘te hoop lopen’. Maar ook: (menselijke) hersenen zijn opgebouwd uit een netwerk van neuronen. Elk van die neuronen verwerkt signalen van andere neuronen en geeft de output weer door aan andere neuronen. Een ander voorbeeld dat in deze categorie past is technologie (of eigenlijk technologische ontwikkeling). In een netwerk van interacterende agenten zijn het technologie A en B en C die D mogelijk maken. Dus in een netwerk van technologische mogelijkheden worden steeds weer nieuwe technologieën mogelijk. En hoe meer er zijn des te meer er komen. Er zijn verder voorbeelden te over zoals economische netwerken, computernetwerken (a la internet), ecologische systemen en dergelijke.

Ik heb geen wetenschappelijk bewijs dat natuurlijke systemen of wat dat betreft bedrijven zulke genetwerkte systemen zijn. De reden om complexe adaptieve systemen zoals organismen en bedrijven als genetwerkte systemen te willen beschouwen is dat beide de mogelijkheid hebben om ‘emergent behaviour’ te kunnen vertonen, namelijk verrassend, niet voorgeprogrammeerd, nieuw gedrag, zie de vorige post in deze conversatie over Simplexity en Complicity. Het feit dat ze zulk gedrag vertonen betekent echter niet automatisch dat de onderliggende mechanismes gelijk zijn. Een centraal onderwerp is dat de ‘agents’ al doende leren, oftewel evolueren in hun context.

Tsja. Er is al geen wetenschappelijk bewijs voor evolutietheorie en omdat het niet geverifieerd noch gefalsifieerd kan worden is het in feite geen wetenschap. Vervolgens is er geen bewijs dat ‘artificial life’ systemen, dus genetwerkte systemen in een computer, iets te maken hebben met ‘wet evolution’, behalve dan dat ze af en toe veel gemeenschappelijk hebben. Het wetenschappelijk gehalte van de toepassing van bewijs voor de het gedrag van lerende bedrijven uit ‘artificial life’ is dus extra beperkt en het ijs is hier dubbeldun.

Het voordeel van deze aanname is dat de genetwerkte systemen (in computers) uitvoerig bestudeerd worden en dat er mee kan worden gesimuleerd en aan kan worden gerekend. Met het ontwerpen en programmeren van cellulaire automaten is begonnen door onder andere John von Neumann, Stanislaw Ulam, Doyne Farmer, Stuart Kaufmann, Christopher Langton, Stephen Wolfram en John H. Holland. Niet de minste namen. Genoeg ‘caveats’ nu, er is blijkbaar niet meer bewijs. Terug naar het onderwerp: welke lerend effect, welke vernieuwing levert dit nu op in de activiteiten en welke samenhang is er in de bundeling ervan?

Stuart Kaufmann [link] is één van de voortrekkers van het simuleren van deze complexe adaptieve netwerken in computers. Hij komt tot de volgende conclusie: te weinig connecties per agent heeft tot gevolg dat de evolutie verlamt, teveel interactie heeft ook tot gevolg dat evolutie verlamt. Daartussenin is een aantal connecties per agent  dat de adaptatie van het netwerk (evolutie) optimaliseert. Dat gemiddelde aantal per ‘agent ‘ is onafhankelijk van de totale populatie en het aanpassingsvermogen neemt niet toe als het gemiddeld aantal connecties (per ‘agent’ dus) toeneemt bij een toenemende populatie. Dus laat, om het aanpassingsvermogen toe te laten nemen, het aantal ‘agents’ toenemen maar niet het gemiddeld aantal connecties per ‘agent’. Bij het ideale aantal connecties per ‘agent’ vloeit de informatie ideaal en vindt het systeem steeds de goede oplossing in een sterk wisselende omgeving. Bij teveel connecties per ‘agent’ bevriest dat het  aanpassingsvermogen omdat ‘nothing gets done’. Daartussenin – dus tussen teveel en te weinig – is een ‘sweet-spot’ waarin het aanpassingsvermogen ideaal is. Over het algemeen blijken er gemiddeld per ‘agent’ niet veel connecties voor nodig te zijn.

En bovendien is het systeem geneigd in die situatie te ‘willen’ (zo’n systeem heeft natuurlijk geen eigen wil) blijven hangen, een ‘lock-in’. Mitchell Waldrop formuleert het zo: als een systeem teveel grillig gedrag gaat vertonen dan zal een efficiency mechanisme het naar de ‘sweet-spot’ terughalen. Als het te saai wordt dan zal een adaptief mechanisme het weer terughalen naar de ‘sweet-spot’. Met andere woorden: dit is een zichzelf versterkende ‘sweet-spot’ die dynamisch stabiel is, omdat hij zich steeds tussen stagnatie en aanpassing in bevindt. Daartussen is steeds een ander evenwicht, vandaar dynamisch stabiel. Het systeem richt zich zo in met regelmechanismes dat het steeds beter in staat is om zich aan de omgeving aan te passen, erop te anticiperen. Hij noemt het: ‘poised on the edge of chaos’ (beheersde balans op de grens van chaos). Een voorbeeld is nieuwe technologie: als meer andere technologieën hierop worden gebaseerd dan zal er een ‘lock-in’ plaatsvinden en de overlevingskansen van die nieuwe technologie zullen toenemen.

Die systemen zijn dus ‘auto-poised’: ze zorgen er door allerlei regelingen zelf voor dat ze op die grens blijven. Ze stemmen zichzelf eindeloos af naar hogere en hogere niveaus van complexiteit. En dat levert een systeem op dat erin slaagt om meer en meer parameters te beheersen die zijn evolueerbaarheid bepalen en continu op dat optimale, steeds veranderende evenwicht, tussen stagnatie en chaos blijven. Leven is dan noch stagnerend met te weinig communicatie noch vastgelopen door teveel communicatie. Er is net genoeg informatie om, net een beetje gevaarlijk,  op de rand van chaos te blijven hangen.

Weer een andere voortrekker van het simuleren van deze systemen, Chris Langton [link], heeft de Lambda parameter geïntroduceerd, de mate waarin een volgende generatie afhankelijk is van de toestand van de vorige, dus in hoeverre er informatie tussen de generaties wordt doorgegeven. Die parameter bepaalt ook of de regels voor een netwerk interessant gedrag gaan opleveren. Hij vond bij teveel overgeërfde informatie ‘white noise’ maar kristallijne structuren bij te weinig informate uit het verleden. De overgang van de ene naar de andere kant noemde hij een fase overgang, analoog aan toestanden van fysieke stoffen. Als de Lambda parameter die grens passeert dan heeft het systeem de neiging op die grens te blijven hangen, het vertraagt in de omgeving ervan. Systemen die zich in die ‘sweet -spot’ bevinden leren en evolueren het snelst.

Stephen Wolfram [link], in A New Kind of Science [link] en een aantal andere artikelen na  de het midden van de jaren 1980 heeft 4 klassen van ‘cellular automata’ (een vorm van programmeerbare ‘agents’) gedefinieerd waarin de sets van regels van zulke ‘agents’ worden ingedeeld op basis van hun gedrag.  Naar oplopend complex gedrag gesorteerd zijn dit:
Klasse 1: Bijna alle initiële patronen evolueren snel naar een stabiele, homogene status. Iedere randomness in de initiële patronen verdwijnt.
Klasse  2: Bijna alle initiële patronen evolueren snel naar stabiele of oscillerende structuren. Als er randomness in de initiële patronen aanwezig was, dan filtert dat er voor een deel uit, maar een deel blijft. Lokale aanpassingen aan de initiële patronen hebben de neiging lokaal te blijven.
Klasse 3: Bijna alle initiële patronen evolueren naar een pseudo-random of chaotisch gedrag. Iedere ontstane stabiele structuur wordt snel vernietigd door verstoringen uit de omgeving. Lokale veranderingen aan initiële patronen hebben de neiging om zich onbepaald te verspreiden.
Klasse 4: Bijna alle initiële patronen evolueren naar structuren die op complexe en interessante manieren interacteren door het vormen van lokale structuren die lange tijd kunnen overleven. De uitkomst kan een Klasse 2 structuur zijn, maar het aantal stappen om daar te komen is soms zeer groot, zelfs als de initiële patronen eenvoudig zijn. Lokale veranderingen aan het initiële patroon kunnen zich onbeperkt verspreiden.
Wolfram komt verder tot de conclusie (het is voor in elk geval 2 systemen bewezen) dat veel, zo niet alle, Klasse 4 cellulaire automaten in staat zijn tot universele computatie. Alle ‘agents’ (mijn woorden) die regels hebben waardoor ze gedrag van Klasse 4 vertonen, kunnen dus als universele computer [link] oftewel een Turing Machine [link] worden gebruikt.

Dus wat heb ik dan: als een systeem het gedrag heeft van een cellulaire automaat (‘agent’ in mijn woorden) van Klasse 4 (genetwerkt systeem of complex adaptief netwerk in mijn woorden) dan leert en evolueert het op zijn snelst. Het is het best bestand tegen wisselende omstandigheden en tegen externe schokken. In die toestand levert het systeem de meeste structuur, de meeste orde en vernieuwing. Dit type systeem heeft de neiging in die toestand te willen blijven en stuurt zichzelf ernaar terug als het erbuiten komt (‘auto poised’). En het kan meestal vrijwel alle vraagstukken oplossen die programmeerbaar zijn.

Verkeert onze protagonist echter niet in zo’n toestand (regels van een een andere dann Wolfram Klasse 4), dan verstart het (door verdroging of verdrinking) door teveel of te weinig netwerk interacties, te veel of te weinig geheugen en komt niet in de ideale, gevaarlijke, ‘auto-poised’ toestand waar het zichzelf naartoe pest of verleidt. Het gedrag van zo’n systeem wordt te saai of te grillig, geeft geen orde of vernieuwing en heeft geen universele rekenkracht.

En dat is wel zoiets als waar ik naar op zoek was. Terug naar de vragen in het begin van deze post: levert zo’n complex adaptief systeem samenhang op en levert het vernieuwing op? Het antwoord is dat deze systemen in staat zijn orde te genereren en in staat zijn om voortdurende vernieuwing op te leveren. Aan de andere kant zijn sommige sets van regels juist in staat om in een toestand van verstarring en saaiheid of juist overdreven grillig gedrag te belanden, en dus wanorde en/of stagnatie op te leveren.

In dat veld van activiteiten uit het begin van deze post vindt er tussen sommige activiteiten meer (of eigenlijk precies genoeg) interactie plaats gaat vinden dan met andere en dat daartussen dus een samenhang begint te ontstaat. Op dezelfde manier beginnen er door de oplossingsruimtes die geboden worden door de verschillende activiteiten in het landschap en waartussen interactie is (zie de post over Simplexity en Complicity hiervoor) zich mogelijkheden voor vernieuwing voordoen. Op een abstract niveau zijn de antwoorden op deze vragen dus positief.

De volgende vraag is dan: waarom en langs welke dimensie ontstaat die samenhang en waarom ontstaat die vernieuwing? Namelijk als een onderneming gelijk is aan een organisme dan moet ik dat ook zo behandelen. Het leeft niet met een ander doel dan zichzelf in stand te houden. Als het geen doel van activiteiten is om een onderneming te formeren, wat is het dan wel? Analoog aan de evolutieleer: een organisme is goed in het veilig stellen van genetische informatie, maar dat is niet zijn doel. Dat is overleven en nakomelingen maken. Lukt dat niet dan gaat hij dood, zijn genetische informatie gaat verloren en evolutie wint toch (de ‘gene pool’ wordt iets beter). De gemeenschappelijke noemer (niet het doel) van evolutionaire processen is dat ze entropie verminderen.

De hete brei wat betreft bedrijven is dit: wat maakt het nuttig voor een activiteit om onderdeel te worden van een onderneming (of andersom) en waarmee wordt dat afgerekend? Daarnaast verwacht ik over het onstaan van samenhang iets uit te zoeken in de conversatie Memes en Levendheid. Wordt dus vervolgd.

Gepubliceerd door

dpbruin

PhD Candidate The Firm as an Emergent Phenomenon