Вопрос, к которому мы теперь подошли, напрашивается сам собой: каким образом можно попасть в число таких победителей? Рискуя угасить ваш растущий энтузиазм, я тем не менее должен первым делом признаться, что не владею секретом того, как быстро сколотить капитал и стать следующим Джоном Доэрром. (Если бы даже я и знал такой секрет, то едва ли стал бы делиться им в книге.) Доступ в две другие группы победителей, однако, остается открытым. Оказаться в числе этих людей – вот задача, к исследованию которой мы теперь приступим.

Выше я определил две группы, обреченные на успех, в которые, по моему мнению, возможно попасть, – это те, кто способен творчески работать с умными машинами, и «звезды» в своей профессиональной области. Каков же секрет попадания в эти прибыльные сектора по ту сторону расширяющейся цифровой пропасти? Я утверждаю, что для этого жизненно необходимы две ключевые способности.

1. Способность быстро овладевать сложными навыками.

2. Способность выдавать продукцию высочайшего уровня, как по качеству, так и по скорости исполнения.

Начнем с первого пункта. Прежде всего необходимо вспомнить о том, что все мы испорчены интуитивно понятным и душераздирающе простым интерфейсом множества продуктов, ориентированных на потребителя, таких как Twitter или iPhone. Однако все эти технологии – товары широкого потребления, а отнюдь не профессиональные инструменты; освоить большинство умных машин, двигающих Великое преобразование, окажется значительно сложнее.

Возьмем Нейта Силвера, которого мы ранее приводили в пример как человека, добившегося успеха благодаря плодотворной работе со сложными технологиями. Если мы пристальнее вглядимся в применяемые им методы, то обнаружим, что прогнозировать результаты выборов на основе баз данных – далеко не то же самое, что впечатать в поисковое окно запрос «Кто наберет больше голосов?». Чтобы получить желаемый результат, ему пришлось собрать большую базу данных по результатам опросов избирателей (тысячи опросов более чем от 250 проводивших опросы), а затем обработать их с помощью программы Stata — популярного программного продукта для статистического анализа данных, производимого компанией StataCorp. Профессионально работать с такими инструментами не так уж просто. Для примера приведем одну из команд, без понимания которых невозможно работать с современными базами данных наподобие тех, что использует Силвер:

Базы данных такого типа создаются на языке, называемом SQL. Чтобы получить доступ к информации, вы посылаете им команды наподобие показанной выше. Работа с базами данных требует непростых умений. Так, например, приведенная выше команда создает «представление» (view) – виртуальную БД-таблицу в которую собираются данные из множества существующих таблиц и к которой затем можно обращаться с помощью SQL-команд как к стандартной таблице. Сложность в том, чтобы определить момент, когда именно следует создавать представления и как это делать с наилучшим результатом; и это лишь один из множества трудных пунктов, в которые необходимо глубоко вникнуть, чтобы извлекать из баз реальных данных полезную информацию.

Продолжая рассматривать пример Нейта Силвера, взглянем на технологический продукт, который он использует, – программу Stata. Это мощный профессиональный инструмент, с которым едва ли можно научиться работать интуитивно, немного в нем покопавшись. Вот, например, как звучит описание новых компонентов, представленных в последней версии программы: «В Stata 13 добавлены многие новые компоненты: эффекты условий обработки данных, многоуровневая библиотека GLM, инструменты величины мощности и объема выборки, генерализованное кодирование данных SEM, прогноз, размер эффекта, „Менеджер проектов“, длинная строка, массивы данных BLOB и многое другое». Силвер использует сложные электронные инструменты – все эти генерализованные SEM'ы и BLOB'ы – для построения многоуровневых моделей со взаимопересекающимися частями, множественных регрессий, опирающихся на заданные параметры, которые затем соотносятся с заданными весовыми функциями, используемыми в вероятностных выражениях, и так далее.

Мы приводим все эти подробности, чтобы подчеркнуть, насколько сложно устроены умные машины и как трудно научиться ими управлять[1]. Для того чтобы войти в число тех, кто умеет плодотворно работать с такими машинами, вы должны отточить свою способность справляться со сложными задачами. И поскольку современные технологии постоянно меняются, этот процесс овладевания сложными инструментами не имеет конца – вы должны быть способны решать все новые и новые задачи сразу же, по мере их возникновения.

Разумеется, способность быстро обучаться сложным вещам необходима не только для того, чтобы успешно управлять умными машинами; она также играет ключевую роль в попытках стать суперзвездой практически в любой области, даже не имеющей отношения к высоким технологиям. Так, чтобы стать преподавателем йоги мирового класса, вам необходимо будет освоить множество уровней физического мастерства все повышающейся сложности. Другой пример: чтобы преуспеть в медицине, вы должны быстро схватывать суть последних исследований в той области, на которой специализируетесь. Подводя краткий итог этим соображениям, можно сказать так: вы никогда не добьетесь успеха, если не умеете учиться.

Теперь давайте рассмотрим вторую важнейшую способность, упомянутую в списке выше, а именно способность выдавать продукцию высочайшего уровня. Если вы хотите стать суперзвездой, овладевать нужными умениями необходимо – но этого недостаточно. Вы должны уметь преобразовывать свой дремлющий потенциал в конкретные результаты, ценные для людей. К примеру, многие разработчики умеют хорошо программировать, но один лишь Давид Ханссон сумел воспользоваться этой способностью, чтобы создать Ruby on Rails — проект, который принес ему известность. Для успешного решения задачи Ханссону пришлось развить до предела свои способности и добиться неоспоримо ценных и значимых результатов.

Умение выдавать результаты важно и для тех, кто желает научиться управлять умными машинами. Для Нейта Силвера было недостаточно обучиться обрабатывать большие массивы данных и производить статистический анализ; вслед за этим он должен был показать, что может при помощи своих умений извлекать из машин информацию, важную для большого количества людей. Во времена своей работы в Baseball Prospectus Силвер сотрудничал со многими профессиональными статистиками, однако только он один приложил усилия, чтобы адаптировать свои навыки к новой и более многообещающей области – предсказанию результатов выборов. Таким образом мы пришли к еще одному обобщающему наблюдению, которое поможет вам влиться в ряды победителей в новой экономике: тот, кто не выдает результатов, успеха не добивается – независимо от того, насколько он одарен или искусен в своем деле.