Логика как основа Картины Мира

Мы начнём курс с довольно некомфортной мысли: ошибаться можно, даже рассуждая совершенно логично.

Если сама исходная модель реальности неверна, безупречная цепочка рассуждений просто приведёт нас к безупречно неправильному выводу.

Поэтому первое занятие — о том, как вообще формируется наша картина мира и почему мы так легко принимаем собственную модель реальности за саму реальность.

В этом модуле разберём:

▪️ почему одни и те же факты могут приводить разных людей к совершенно разным выводам;

▪️ как наши убеждения и прошлый опыт влияют на то, что мы замечаем, а что просто пропускаем;

▪️ почему мозг не просто воспринимает окружающий мир, а постоянно достраивает и интерпретирует его;

▪️ как отличать саму реальность от модели, с помощью которой мы пытаемся её объяснить;

▪️ и что делать, когда старая модель перестаёт работать, хотя внутри неё наши рассуждения по-прежнему кажутся совершенно логичными.

На этом занятии мы учимся замечать рамку, через которую смотрим на ситуацию, — и менять её, когда она перестаёт соответствовать реальности.

Теория Хаоса: Мышление в условиях неопределённости

Здесь мы разбираемся, почему в сложных системах причина и результат далеко не всегда связаны простой прямой линией и почему возможность точного прогноза имеет свои границы.

А дальше попробуем понять, что происходит, когда мы пытаемся рассуждать о сложных системах так, будто они устроены линейно.

В этом модуле разберём:

▪️ что такое нелинейные системы, «эффект бабочки» и почему небольшое изменение иногда может полностью изменить результат;

▪️ почему детерминированная система вовсе не обязательно является предсказуемой;

▪️ почему в сложных системах опасно принимать красивую причинно-следственную связь за объяснение происходящего;

▪️ и как пользоваться моделями, не забывая о границах их применимости.

Практический результат здесь — меньше ложной уверенности и гораздо более реалистичное отношение к прогнозам, планированию и неопределённости.

Научный Метод и Мера Ноль

Если точный прогноз в сложной системе имеет принципиальные ограничения, возникает вполне практический вопрос:

как тогда вообще принимать решения?

Именно здесь появляется научный метод.

Но не как набор правил для учёных в белых халатах, а как универсальный протокол мышления в ситуациях, где мы заранее не знаем правильного ответа.
Сначала мы разберём ещё одну важную идею — «меру ноль».

В сложных системах аккуратные, устойчивые траектории могут существовать математически, но составлять ничтожно малую часть всех возможных вариантов развития событий. Поэтому вопрос не только в том, существует ли «идеальное решение», но и в том, насколько реалистично вообще на него попасть.

А дальше соберём практический цикл научного метода:

▪️ как правильно определить задачу и сформулировать проверяемую гипотезу;

▪️ почему полезнее искать не подтверждения своей идеи, а способ проверить, не ошибаемся ли мы;

▪️ как проверять гипотезы небольшими экспериментами и обновлять свою модель по мере появления новых данных;

▪️ и как перенести весь этот подход из научной лаборатории в обычные жизненные и рабочие задачи.

По сути, научный метод здесь становится способом действовать в мире, где мы не можем заранее вычислить единственно верную траекторию.

Не пытаться один раз угадать правильный ответ — а выдвигать гипотезы, проверять их, получать обратную связь и постепенно приближаться к работающему решению.

Инверсия: переворачиваем задачу

Это один из тех приёмов, которые выглядят почти очевидными — пока не начинаешь применять их к реальным задачам.

Обычно мы спрашиваем: «Как добиться нужного результата?» Но иногда гораздо полезнее на время перевернуть вопрос: «Что почти гарантированно приведёт меня к провалу?»

А потом посмотреть, что изменилось в нашем понимании задачи.

В этом модуле разберём:

▪️ почему прямой вопрос часто загоняет мышление в уже привычный набор решений и что меняется, когда мы переворачиваем постановку задачи;

▪️ как искать не только способы добиться успеха, но и условия, при которых неудача становится практически неизбежной;

▪️ почему иногда полезнее спросить не «что ещё добавить?», а «что здесь можно убрать?»;

▪️ и как использовать инверсию не как интеллектуальный трюк, а как практический инструмент для принятия решений.

На конкретных примерах посмотрим, как простой переворот вопроса позволяет увидеть варианты, которые в обычной постановке просто не приходят в голову.

Категорический силлогизм: как устроен аргумент

Здесь мы на короткое время возвращаемся к классической логике — категорическому силлогизму.

Но не для того, чтобы штудировать Аристотеля. Нас интересует гораздо более практическая вещь: как увидеть логический скелет аргумента, спрятанный под обычными словами.

В этом модуле разберём:
▪️ из чего на самом деле состоит аргумент и как отделить вывод от посылок, на которых он держится;

▪️ как находить пропущенные посылки — то, что человек не произносит вслух, но без чего его вывод просто не работает;

▪️ почему убедительно звучащий аргумент совсем не обязательно является логически корректным;

▪️ и как проверять собственные рассуждения, а не только искать ошибки в чужих.

По сути, здесь мы берём один из старейших инструментов логики и учимся использовать его для вполне современных задач — отделять доказательство от хорошо поданной риторики.

Декомпозиция: как разбирать сложные задачи.

Что делать, когда перед вами большая, запутанная задача и совершенно непонятно, за что хвататься первым?

Самый очевидный ответ — разбить её на части.

Но здесь как раз и начинается самое интересное: разбить сложную задачу можно очень по-разному — и далеко не всякое разбиение помогает её решить.

В этом модуле разберём:

▪️ чем настоящая декомпозиция отличается от обычного списка более мелких задач;

▪️ как увидеть за отдельными элементами систему и понять, как эти элементы связаны между собой;

▪️ как находить ограничение — то место в системе, которое в данный момент сильнее всего определяет общий результат;

▪️ и как выбирать точку приложения усилий, вместо того чтобы пытаться одновременно улучшить всё.

То есть задача здесь не просто в том, чтобы сделать большую проблему визуально меньше.

Задача — разобрать её таким образом, чтобы стало понятно, где именно наше действие действительно способно изменить результат.

Теоремы Геделя и Тарского: когда нужно выйти за пределы системы

Название звучит несколько угрожающе, но идея, которая нам здесь нужна, очень практичная.

Любая достаточно сложная система правил имеет свои пределы. И иногда проблему невозможно решить не потому, что мы плохо думаем, а потому, что мы пытаемся найти решение, оставаясь внутри той же системы, которая эту проблему и создаёт.

В этом модуле разберём:

▪️ что теоремы Гёделя и Тарского говорят нам о принципиальных ограничениях формальных систем;

▪️ чем объектный уровень отличается от мета-уровня и почему это различие важно далеко за пределами математики;

▪️ как замечать ситуации, в которых мы снова и снова перебираем варианты внутри одной и той же рамки;

▪️ и что значит на практике «подняться на уровень выше» — изменить язык, критерии или саму постановку задачи.

То есть здесь мы учимся замечать ситуации, когда искать ещё одно решение уже бессмысленно — нужно пересмотреть саму систему, внутри которой мы это решение ищем.

Системное мышление: увидеть не событие, а структуру

Обычно мы видим отдельное событие и ищем его непосредственную причину: произошло А — значит, его вызвало Б.

Но в сложных системах такая логика часто оказывается слишком простой. То, что происходит сейчас, может быть результатом целой цепочки взаимодействий, обратных связей и решений, принятых довольно давно.

Поэтому здесь мы учимся смотреть не только на отдельные события, а на структуру системы, которая их порождает.

В этом модуле разберём:

▪️ как переходить от линейных причинно-следственных цепочек к системе взаимосвязей;

▪️ какую роль играют петли обратной связи и почему они могут как усиливать, так и стабилизировать происходящее;

▪️ почему задержки между действием и результатом заставляют нас принимать вполне разумные решения, которые впоследствии создают новые проблемы;

▪️ и как искать точки рычага — места, где сравнительно небольшое изменение способно повлиять на поведение всей системы.

Практический смысл здесь довольно простой: не бороться снова и снова с отдельными симптомами, если причина находится в самой структуре системы.

Вероятностная Логика

Этот вид логики нужен нам там, где полной информации просто не будет, а решение всё равно нужно принимать.

Вместо попытки угадать единственно правильный путь мы начинаем работать иначе: формируем гипотезы, оцениваем их стартовые вероятности, делаем небольшие ставки, получаем новые данные — и пересматриваем свою картину.

В этом модуле разберём:

▪️ как перейти от мышления «верно / неверно» к оценке нескольких возможных сценариев;

▪️ что такое априорная и апостериорная вероятность и зачем постоянно обновлять первоначальные оценки;

▪️ как использовать небольшие ставки и тесты не только ради результата, но и для получения новой информации;

▪️ и почему решение сложной задачи — это часто не выбор одного правильного пути, а последовательность ставок, проверок и пересмотра вероятностей.

И здесь мы разбираем вполне реальный кейс из нашего IT-бизнеса.

Из 11 вариантов решения одной задачи три, которые вначале казались нам наиболее перспективными, в итоге дали 0% результата.

А вариант, которому первоначально дали всего около 5% вероятности, в итоге дал 90% результата.

Хорошая иллюстрация того, почему при высокой неопределённости наша задача — не обязательно сразу угадать.

Гораздо важнее достаточно дёшево проверить свои предположения, получить новую информацию и вовремя изменить следующий шаг.

Нечёткая Логика

Нечёткая логика (fuzzy logic) нам нужна в ситуациях, где проблема уже не столько в вероятностях, сколько в том, что сами критерии размыты.

«Хороший клиент». «Приемлемый риск». «Слишком дорого». «Мне эта работа в целом подходит». В реальной жизни огромное количество решений строится именно на таких понятиях — и их невозможно честно свести к простому «да» или «нет».

В этом модуле разберём:

▪️ как превращать расплывчатые ощущения вроде «что-то здесь не так» в конкретные параметры, с которыми уже можно работать;

▪️ как задавать собственную норму: что для нас приемлемо, что желательно, а что является стоп-фактором;

▪️ как принимать многокритериальные решения, не позволяя одному яркому параметру заслонить всё остальное;

▪️ и как менять условия задачи, если вариант нам в целом интересен, но по каким-то критериям пока не проходит.

Здесь мы разбираем ещё один реальный кейс из нашего бизнеса — ситуацию с «жирным, но токсичным» контрактом.

И показываем, как довольно смутное ощущение «кажется, этот клиент нам не подходит» превратить в понятную систему критериев: что именно нас не устраивает, насколько это критично и что должно измениться, чтобы решение стало приемлемым.

То есть нечёткая логика позволяет не притворяться, что всё в жизни можно точно посчитать, — но при этом принимать гораздо более последовательные и объяснимые решения.

Сигнал и Шум: как не утонуть в информации

Мы живём в мире, где информации намного больше, чем наше внимание способно обработать.

И проблема уже давно не в том, как узнать больше. Гораздо важнее другой вопрос: какая информация действительно имеет отношение к нашей задаче, а какая просто требует нашего внимания?

В этом модуле разберём:

▪️ почему громкая, свежая и эмоциональная информация так легко кажется нам важной — даже когда она ничего не меняет;

▪️ как использовать саму задачу как первый фильтр: если информация не влияет ни на одно наше решение, возможно, перед нами просто шум;

▪️ зачем нужен baseline — исходный фон, относительно которого можно понять, произошло ли действительно что-то необычное;

▪️ и почему источник информации тоже нужно выбирать под конкретную задачу, а не просто читать то, что находится ближе всего.

Здесь мы собираем практический алгоритм, который позволяет не реагировать на каждый новый факт автоматически, а сначала пропускать информацию через своего рода шлюз: относится ли она к моей задаче, действительно ли меняет картину и из подходящего ли источника она получена.

Потому что «быть в курсе» и понимать, что происходит, — далеко не одно и то же.

Логика и Искусственный Интеллект

Этот модуль совсем не про промпты :)

Нас интересует другое: почему ИИ особенно силён не как источник «правильных ответов», а как усилитель мышления.

Он позволяет гораздо дешевле и быстрее строить гипотезы, проверять варианты, искать слабые места и отбрасывать неудачные решения ещё до того, как ошибка стала дорогой.

В этом модуле разберём:

▪️ как использовать ИИ для быстрого перебора и проверки гипотез, а не для получения очередного «готового ответа»;

▪️ почему рамка задачи, критерии хорошего результата и окончательный выбор всё равно остаются на стороне человека;

▪️ как ИИ может усиливать специалиста, позволяя ему за то же время проверить гораздо больше вариантов;

▪️ и как с его помощью получать доступ к способам мышления специалистов в областях, где вы сами экспертом не являетесь.

На конкретных примерах — от музыки и программирования до видеопроизводства — посмотрим, что именно меняется, когда стоимость проверки одной идеи резко падает.

А затем разберём второй сценарий: что делать, если собственной профессиональной рамки у нас пока вообще нет, — и как использовать ИИ не просто для получения информации, а чтобы понять, как специалист в этой области декомпозирует задачу, на что смотрит в первую очередь и какие вопросы считает действительно важными.

То есть здесь ИИ становится не «машиной ответов», а инструментом, который позволяет быстрее думать внутри хорошей рамки — или быстрее эту рамку построить.

Эволюционные алгоритмы: когда лучший путь заранее неизвестен

Этот модуль о том, как двигаться к цели, когда лучший маршрут заранее просто неизвестен.

Вместо попытки сразу придумать идеальную стратегию здесь используется другая логика: создавать несколько вариантов, получать обратную связь, отбирать то, что работает лучше, и на основе этого создавать следующие варианты.

В этом модуле разберём:

▪️ почему в сложной и меняющейся среде поиск одного «правильного плана» часто проигрывает последовательной серии экспериментов;

▪️ зачем сознательно создавать вариативность — несколько подходов, гипотез или решений — вместо слишком ранней ставки на один вариант;

▪️ как сочетать поиск новых направлений с улучшением уже найденных работающих решений;

▪️ и что такое fitness function — критерий, по которому мы вообще определяем, что очередная версия стала лучше предыдущей.

На примерах — от бизнеса и рекламы до личных решений — посмотрим, как работает этот цикл: варианты → проверка → отбор → новые варианты.

Потому что если маршрут заранее неизвестен, нам нужны не рельсы, по которым можно один раз проложить путь до цели.

Нам нужен хороший навигатор, который позволяет постоянно понимать, движемся ли мы в нужную сторону.

Металогика: как выбрать правильный инструмент мышления

Это занятие, на котором весь курс наконец собирается в одну систему.

Потому что сама по себе коллекция хороших инструментов ещё не решает проблему.

Можно прекрасно знать инверсию, вероятностную логику, декомпозицию и системный анализ — и всё равно использовать не тот инструмент для той задачи.

Поэтому главный вопрос финального модуля звучит так:

Как понять, какой способ мышления нужен именно здесь?

Разберём:

▪️ когда задачу имеет смысл декомпозировать, а когда проблема вообще не в её сложности;

▪️ когда работать с вероятностями, потому что информации недостаточно и окончательной определённости не будет;

▪️ когда полезно перевернуть вопрос с помощью инверсии;

▪️ когда нужно смотреть не на отдельное событие, а на структуру всей системы;

▪️ и когда никакой инструмент внутри существующей рамки уже не поможет — потому что пересмотреть нужно саму постановку задачи.

То есть финальное занятие — не ещё один инструмент поверх предыдущих тринадцати.

Его задача — помочь видеть тип задачи до того, как мы начинаем её решать, и выбирать под неё подходящий способ мышления.

Чтобы после курса остался не набор отдельных концепций, которые когда-то было интересно изучить, а система инструментов — и понимание, когда и зачем каждым из них пользоваться.

У курса есть собственная учебная платформа

Работает прямо в браузере на компьютере, телефоне и планшете. При желании устанавливается на iPhone, iPad и Android как обычное приложение.

Все занятия, слайды, дополнительные материалы и практические задания всегда под рукой — с любого устройства:

Важное дополнение к курсу — AI-тьютор

В каждом модуле есть AI-помощник на базе искусственного интеллекта, который натренирован на материалах курса:

Это не просто чат с искусственным интеллектом.

Его можно попросить ещё раз объяснить сложную идею, проверить, правильно ли вы её поняли, обсудить нюансы или попробовать применить инструмент из занятия к вашей собственной рабочей или жизненной ситуации.

То есть курс можно не только смотреть.

Можно сразу брать свою задачу и пробовать разбирать её с помощью того инструмента, который вы только что изучили.

И живая обратная связь тоже остаётся

Несмотря на то что курс теперь проходит в записи, возможность задать вопрос непосредственно мне мы сохранили.

Рядом с каждым занятием на платформе можно написать свой вопрос — и я отвечаю каждому участнику.

Причём сроками эта возможность никак не ограничена. Вы можете задать вопрос и сразу после занятия, и вернуться к теме через несколько месяцев.

Кроме этого, вы получаете доступ к закрытой Telegram-группе курса, где участники обсуждают занятия, упражнения, собственные кейсы и способы применения инструментов курса.

Поэтому запись здесь — это не просто архив видео, который вы получаете после оплаты.

Вы проходите курс тогда, когда удобно вам, но при этом сохраняете возможность обсуждать материал, задавать вопросы и применять его к собственным задачам.