A világ tele van kollektív rendszerekkel az egymással szinkronban elsülő idegsejtektől és az együttműködő immunsejtektől kezdve a hatalmas rajokban örvénylő madarakon és halakon át a legújabb üzleti modellekig és az autonóm robotokig. Attól függetlenül, hogy biológiai, technológiai, gazdasági vagy társadalmi rendszerről beszélünk, a kollektív rendszerek gyakran decentralizáltak is, vagyis nem tartalmaznak olyan központi irányítást, amely koordinálja az egyes részek működését, viselkedését. Az irányítás ehelyett megoszlik a részek között, amelyek a rendelkezésükre álló helyi információk alapján hoznak döntéseket, hogy egyéni interakcióikból aztán valamiféle összetett viselkedés emelkedjen ki.
Naiv szemlélet
Ez a fajta elrendezés sok szempontból előnyös, elsősorban azért, mert nagyon rugalmas: ha egy rész valamiért nem működik megfelelően, attól még a rendszer továbbra is funkcióképes tud maradni, szemben a központosított rendszerekkel, amelyek irányító része sérülékennyé teszi a teljes struktúrát. A decentralizált rendszerek éppen ezért nagyon népszerűvé váltak az elmúlt években, elég ha csak a különböző piacok működését a blockchain-technológiával forradalmasítani próbáló erőfeszítésekre, vagy azokra a társadalomátalakítási javaslatokra gondolunk, amelyek a kormányzat minél magasabb fokú decentralizációjában látják a jövőt.
Jessica Flack, a Santa Fe Intézet evolúciós biológusa szerint decentralizáció vágya egyrészt abból a politikai ideológiából ered, hogy alulról felfelé építkező társadalmak és rendszerek igazságosabbak és kevésbé hajlamosak egyenlőtlenségeket kitermelni, másrészt abból az ezzel rokon, részben mérnöki hitvallásból, hogy az ilyen struktúrák robusztusabbak és kevésbé kizsákmányolhatók.
A decentralizáció előnyei kapcsán felhozott érvek java azonban tudományosan egyáltalán nincs megalapozva, folytatja a szakértő. A centralizáció és a decentralizáció közötti határvonal gyakran elmosódott, nem nagyon léteznek teljesen tiszta rendszerek, és rengeteg a megválaszolatlan kérdés azzal kapcsolatban, hogyan áramlik és adódik össze az információ ezekben a vegyes hálózatokban.
Még a legalapvetőbb és leginkább logikusnak tűnő feltevések is alapos felülbírálatra szorulnak a decentralizációval kapcsolatban, az utóbbi évek kutatásai ugyanis egyre több bizonyítékot sorakoztatnak fel amellett, hogy
a teljesen központosítatlan hálózatok méretének növelése és részeik egyre fejlettebbé tétele nem feltétlenül javítja a rendszer összesített teljesítményét.
A tőzsde és a lárvák
Egy most publikált tanulmány szerzői például kísérleteik alapján amellett érvelnek, hogy a decentralizált rendszerek abban a köztes állapotban teljesítenek a legjobban, amikor a részek se nem túlságosan egyszerűek, se nem túl bonyolult működésűek. Ezt a meglátást más komplexitással kapcsolatos kutatások is alátámasztják, amelyek alapján az információ optimális felhasználása nem feltétlenül jelenti minden információ megosztását, és amelyek alapján a részek függetlenségének és együttműködésének kényes egyensúlyából emelkedik ki a legjobb teljesítmény.
Az új vizsgálat és más hasonló kutatások eredményei segíthetnek alaposabban megérteni a decentralizált rendszerek előnyeit és korlátait, amire nagy szükség lesz a jövő robotjainak és önvezető autóinak tervezésekor, de ugyanígy a vállalati struktúrák kialakításakor is. Az új információk ráadásul a természetes evolúció bizonyos kulcskérdéseire is választ kínálhatnak.
Ami a vizsgálat részleteit illeti, Neil Johnson, a George Washington Egyetem fizikusa és kollégái eredetileg azzal a céllal kezdték kutatásukat, hogy megértsék a pénzügyi rendszerekben jelentkező visszacsatolási köröket. Arról van szó, hogy amikor a részvényekkel üzletelők bizonyos szabályoknak megfelelve igyekeznek saját profitjukat maximalizálni, olyan döntéseket hoznak, amelyek szélesebb körben is hatást váltanak ki, például megváltoztatják egy részvény árfolyamát, ami aztán a többi kereskedő döntéseit is befolyásolja.
Johnson tehát ezt kezdte kutatni, még a Miami-i Egyetemen, amikor egyik kollégája laborjában egy látszólag független problémára figyelt fel: egy légylárva mozgására. A lárvák úgy választják meg aktuális pozíciójukat, hogy ne legyen melegük, de ne is fázzanak, mozgásukat azonban nem vezérli egy központi agy. Ehelyett az egyes testszelvények „önműködnek”, vagyis saját hőmérséklet érzékelő neuronjaik jeleinek megfelelően az egyik vagy a másik oldalon összehúzódnak, és a szelvények kollektív mozgásának eredményeként fordul el a kúszó lárva valamelyik irányba.
A hőforrás felé kúszó lárva viselkedése Johnsont az általa vizsgált pénzügyi modellekre emlékeztette, ezért úgy döntött, hogy a lárvák révén próbál meg olyan alapvető törvényszerűségeket felderíteni, amelyek minden decentralizált rendszerben közösek.
A testszelvény, amely túl sokat tudott
A kutatócsoport így egy olyan modellt dolgozott ki, amely a lárva viselkedését imitálja. Ahogy a lárva testszelvényei, a modell alrészei is egy közös célért dolgoztak, de nem tudták kommunikálni és koordinálni erőfeszítéseiket. Minden rész jobbra vagy balra kanyarodott, aktuális döntését arra alapozva, hogy a korábbi döntések közelebb vagy távolabb vitték-e a teljes rendszert a kiszemelt célhoz képest. A döntéshozatalt a modellben előre betáplált potenciális stratégiák segítették: ha egy stratégia bevált, az alrész folytatta annak alkalmazását, egyébként pedig egy másikat választott ki a lehetőségek közül.
A kutatók megfigyelései szerint amikor az egyes részek csak egy vagy két korábbi kimenetelre emlékeztek, leszűkült a kiválasztott stratégiák köre, ami azzal járt, hogy több rész döntött egyformán. Ezek a túlságosan korreláló döntések ugyanakkor azt eredményezték, hogy a kollektív mozgásként egy cikkcakkos útvonal rajzolódott ki, amely sokkal több lépésből állt a célpont eléréséhez szükséges minimális lépésszámnál.
Amikor viszont a részek memóriája ennél sokkal jobb volt, és hét vagy több korábbi kimenetelre (avagy lépésre) emlékeztek, túlságosan szétestek a döntések. A részek hajlamosak voltak több körön át kitartani korábbi stratégiájuk mellett, a negatív kimenetelt kivételként, nem pedig tendenciaként értékelve. A modell tehát sokkal statikusabbá és „makacsabbá” vált, ha a részek túl sokat tudtak, mondja Johnson.
A rendszer útvonala akkor vált a legrövidebbé, amikor az egyes részek memóriája a két szélsőség közé esett, és nagyjából öt korábbi kimenetelt tudtak észben tartani. Ez a szám enyhén növekedett, ha növelték az elemek számát, de függetlenül attól, hogy hány elemből állt a rendszer, mindig egy köztes emlékezeti szint bizonyult az optimálisnak. Vagyis a rendszer méreteitől függetlenül mindig megvolt az a pont, amelynél jobb memória esetén a rendszer elkezdett rosszabbul teljesíteni az optimálisnál.
„Azt hihetnénk, hogy a részek kifinomultságának, jelen esetben memóriájának, javításával a rendszer teljesítménye folyamatosan növekedni fog, de nem így van”
– mondja Pedro Manrique, a tanulmány egyik szerzője.
Együtt, de külön
Hasonló tendenciákra már más kutatók is felfigyeltek: Albert Kao, a Santa Fe Intézet kutatója például csoportok viselkedését kutatja kollégáival, és az elmúlt évek során ők és más kutatócsoportok is arra jutottak, hogy mind az emberek, mind más fajok esetében a közepes méretű csoportok a legjobb döntéshozók. Ez pedig szembemegy a „tömegek bölcsességével” kapcsolatos hagyományos állásponttal, amely szerint minél nagyobb egy csoport, annál jobb kollektív teljesítményre képes, mondja Kao. A siker a vizsgálatok szerint nem a rendszer tagjainak számában rejlik, hanem a koordináció és a függetlenség közti egyensúlyon alapul.
Kao szerint a kollektív rendszerek kutatásának most érkezett el a második hulláma: míg kezdetben viszonylag naiv lelkesedéssel kezelték az ilyen rendszereket, most egy sor olyan felvetést megkérdőjeleznek a szakértők, amelyet az első hullámban törvényszerűnek véltek, és így a korábbinál sokkal összetettebb viselkedéseket tárnak fel.
Annak felderítése, hogy a részek kifinomultsága, egymáshoz kapcsolódása és más paraméterei pontosan hogyan hatnak a hálózat robusztusságára és korlátaira, további vizsgálatokat igényel. Johnson és mások a közeljövőben olyasmiket terveznek tanulmányozni, hogy az információk hozzáférhetősége hogyan befolyásolja a szavazói vélemények alakulását, a robotok viselkedését vagy éppen az idegsejtek működését egyes neurológiai kórképek esetén.
Közben pedig arra is választ keresnek, hogy az evolúció során a magasabb rendű élőlények miért centralizált és decentralizált rendszerek keverékévé alakultak, vagyis hogy miért nem vagyunk – ahogy Johnson megfogalmazta – „fantasztikus lárvák”.
A természetes komplexitás ugyanis jóval több egymástól függetlenül működő, korlátozott képességű részek akcióiból kiemelkedő összetett viselkedéseknél, és végső soron csak ennek a természetes összetettségnek a megértésével kerülhetünk közel ahhoz, hogy megértsük az együttműködés, a koordináció és a kollektív információfeldolgozás rejtelmeit.
