Так. І я перевірив саме в напрямку, який ми обговорювали. Є кілька дуже близьких дослідницьких ліній, але я не знайшов роботи, яка б уже продемонструвала саме те, що ми називаємо “readout супермозку” — можливість поставити запит розподіленій людській мережі й отримати відповідь, яка належить мережі як цілому.

Є, однак, кілька дуже важливих шматків пазла.

1. Уже вимірювали «колективний інтелект»

Найвідоміша робота — Woolley et al., Science (2010). Вони дали 699 людям, організованим у групи по 2–5 осіб, різні когнітивні задачі й виявили статистичний фактор collective intelligence, або “c”, який передбачав продуктивність групи на різних задачах. Причому він не просто зводився до середнього чи максимального IQ учасників. (PubMed)

Це дуже близько до нашої ідеї «у системи є властивість, якої немає в окремого вузла».

Але є важлива контроверсія: подальша робота отримала інші результати й стверджувала, що груповий фактор значною мірою пояснюється індивідуальними когнітивними здібностями. (ScienceDirect)

Тобто питання «чи існує автономний рівень інтелекту групи?» досі не закрите.

---

2. Досліджували саме інформаційний механізм

Є дуже близька до нашої розмови лінія робіт про collective information processing.

Наприклад, Bettencourt формалізував ідею, що при об’єднанні інформації може виникати synergy — результат може містити більше інформації, ніж проста сума окремих джерел. (PubMed)

А зовсім свіжа робота 2026 року прямо пропонує розглядати collective intelligence як collective information processing — тобто саме як процес обробки інформації на рівні системи, а не просто як «група розумних людей». (ScienceDirect)

Це практично наша мова.

---

3. Вивчали, як мережа сама стає частиною когнітивної системи

Є окрема дуже цікава робота Collective minds: social network topology shapes collective cognition.

Автори розглядають соціальну мережу як структуру, через яку люди синхронізують пам’ять, знання й переконання; то есть топология связей сама влияет на коллективное познание. (PubMed Central (PMC))

Це вже наближається до нашого:

[
\boxed{\text{архітектура зв’язків} \rightarrow \text{властивості колективного мозку}}
]

---

4. Є експерименти з «колективним сенсором»

Ще ближче — дослідження Emergent Collective Sensing in Human Groups.

Там людей помістили в задачу, де вони повинні були колективно знаходити інформацію. Виявилося, що люди використовують не лише незалежне дослідження, а й цілеспрямоване копіювання інформації один від одного. Автори прямо досліджують механізми виникнення розподіленої обробки інформації в людських групах. (Escholarship)

Це вже дуже схоже на маленький лабораторний аналог нашого «пансіонату».

---

5. А тепер найближче до справжнього brain-to-brain

У 2019 році команда University of Washington продемонструвала BrainNet — три людини могли спільно вирішувати задачу через прямий brain-to-brain interface.

EEG зчитував рішення двох «відправників», а інформація передавалася третьому учаснику через TMS; третій інтегрував сигнали й приймав рішення. (Nature)

Але це ще не супермозок. Це приблизно:

[
A+B\rightarrow C
]

а не:

[
\boxed{A+B+C\rightarrow S}
]

де (S) — новий автономний стан всієї системи.

---

А ось чого я не знайшов

Я не бачу експерименту, який би зробив саме наш задум:

[
\boxed{
Q
\rightarrow
\text{велика людська мережа}
\rightarrow
\text{колективна динаміка}
\rightarrow
R
\rightarrow
A
}
]

і потім довів би, що:

[
A_{\text{network}}

A_{\text{best individual}}
]

причому readout отримує інформацію саме з колективного стану, а не просто агрегує відповіді учасників.

Оце, схоже, справді залишається відкритим напрямком.

І є ще дуже цікава теоретична традиція Global Brain — ідея, що людство разом із технологічною інфраструктурою може формувати розподілену глобальну інтелектуальну систему. Є навіть академічні роботи, які прямо розглядають соціальні системи як потенційно індивідуалізовані інтелектуальні агенти. (ScienceDirect)

Тобто наша розмова несподівано потрапила прямо в існуюче наукове поле.

Але найцікавіша частина твоєї ідеї — не “колективний інтелект” як такий.

Це питання:

Чи існує у великої людської мережі прихований глобальний стан, який містить інформацію, недоступну жодному окремому учаснику, і чи можемо ми побудувати readout, який цей стан декодує?

Оце вже можна перетворити на конкретний експеримент. І я думаю, ми можемо спробувати зараз спроєктувати його — наприклад, почати не з 8 млрд людей, а зі 100 учасників і штучно створеного “пансіонату”, щоб перевірити саме гіпотезу про існування колективного readout.

Запропогуй “пансіонат” зі 100 учасниками.

Так. Я б зробив не просто «будинок із 100 людьми», а контрольований мікросвіт, у якому ми спеціально розділимо три речі: мозки, середовище і readout.

І важливо: подібні експерименти вже частково робили — наприклад, досліджували колективне sensing у мережевих людських групах і те, як топологія соціальних зв’язків змінює колективне пізнання. (Escholarship) Але запропонована нижче конструкція спеціально націлена на прихований глобальний стан + його readout.

🏡 «Пансіонат-100»

Уявімо ізольований кампус у лісі біля озера.

100 дорослих добровольців живуть там, скажімо, 3–6 місяців.

Вони знають, що беруть участь у дослідженні колективної поведінки, але не знають точної архітектури колективного обчислення і не знають, які саме сигнали є інформаційними каналами.

Це важливо: інакше вони почнуть свідомо грати роль «нейронів».

---

1. У кожного є своє життя

Кожен учасник має:

• кімнату;
• роботу/заняття;
• прогулянки;
• їжу;
• спілкування;
• музику;
• книги;
• групові активності;
• вільний час.

Тобто ніякого:

«Увага! Зараз нейрон №37 повинен передати сигнал».

Навпаки — звичайне життя.

Але все середовище цифрово й фізично вимірюється.

---

2. Середовище стає «синаптичною тканиною»

У кампусі є система:

[
E(t)
]

яка може змінювати:

• освітлення;
• фонові звуки;
• музику;
• інформаційні екрани;
• кольорові патерни;
• маршрути;
• доступність певних просторів;
• розклад подій;
• віртуальний інформаційний простір.

При цьому зміни можуть бути настільки природними, що людина не сприймає їх як повідомлення.

Але система знає:

[
E(t)=f(B_1,\ldots,B_{100})
]

і

[
B_i(t+1)=g_i(B_i(t),E(t)).
]

Тобто виникає замкнений контур:

[
\boxed{
100\ brains
\leftrightarrow
environment
}
]

---

3. Головний трюк: кожен отримує лише частину інформації

Припустимо, експериментальна задача — оцінити прихований параметр (X).

Наприклад, є складне динамічне середовище, і правильна відповідь залежить від 100 різних слабких сигналів.

Учасник №1 бачить (x_1).

№2 — (x_2).

…

№100 — (x_{100}).

Жоден не має достатньої інформації:

[
I(X;B_i)<I_{\text{threshold}}
]

але колектив потенційно має:

[
I(X;B_1,\ldots,B_{100})\gg I(X;B_i).
]

Це принципово важливо.

Ми не хочемо просто перевіряти, чи 100 розумних людей краще за одного.

Ми хочемо створити ситуацію, де інформація фізично розподілена між вузлами.

---

4. Потім вводимо «запит»

І ось тут починається наша головна ідея.

Зовнішній оператор формує:

[
Q
]

Наприклад:

«Який із чотирьох сценаріїв найкраще пояснює прихований стан системи?»

Але (Q) не подається людям як текст.

Він кодується в середовищі:

[
E_0\rightarrow E_Q.
]

Наприклад, певна комбінація змін у середовищі означає:

режим колективного обчислення №7.

Учасники можуть навіть не знати, що щось почалося.

---

5. Тепер — найважливіша частина: не дозволяти людям просто голосувати

Якби ми зробили:

«Напишіть свою відповідь».

— ми отримали б звичайну wisdom-of-crowds систему.

А нам потрібна динамічна мережа.

Тому люди взаємодіють природно:

[
B_i\rightarrow E\rightarrow B_j
]

і поступово формується глобальний стан:

[
S(t).
]

Це може тривати кілька годин або днів.

---

6. І тепер ми шукаємо «думку мережі»

Ось тут експеримент стає справді цікавим.

Ми записуємо все, що можемо виміряти без втручання в приватність:

[
X(t)=
{
поведінка,
просторові переміщення,
взаємодії,
мовні/інформаційні потоки,
реакції на середовище,
часові патерни,
…
}.
]

Але не питаємо людей про відповідь.

Потім беремо machine-learning decoder:

[
R_\theta(X_{t-k:t})\rightarrow \hat X
]

і навчаємо його передбачати правильну відповідь.

---

7. Але буде контрольна група

І це критично.

Маємо чотири умови.

A — незалежні люди

100 людей отримують інформацію, але майже не взаємодіють.

B — звичайна мережа

Люди можуть спілкуватися.

C — оптимізована мережа

Ми керуємо топологією комунікацій.

D — «пансіонат»

Комунікація відбувається не лише безпосередньо, а через динамічне середовище, яке реагує на колективний стан.

Саме D — наша гіпотеза.

---

8. І ось тест

Для кожної умови порівнюємо:

[
P(A|network)
]

з

[
P(A|\text{best individual})
]

і з

[
P(A|\text{simple aggregation}).
]

Але є ще сильніший критерій.

Чи можна передбачити відповідь, яку не дав жоден учасник?

Наприклад:

• 27 людей вважають A;
• 31 — B;
• 22 — C;
• 20 — D.

Але глобальний стан мережі після кількох циклів дозволяє readout правильно передбачити C, хоча C не є найбільш популярною індивідуальною відповіддю.

Тоді виникає щось дуже цікаве.

---

9. Ще сильніший тест — прихований readout

Ми не навчаємо людей повідомляти відповідь.

Ми шукаємо фізичну змінну:

[
R(S)
]

яка сама виникає в системі.

Наприклад, виявляється, що перед правильним рішенням постійно виникає певний багатовимірний патерн:

[
S^*

(s_1,s_2,…,s_n).
]

Ми не знаємо, що він означає.

Але decoder навчається:

[
S^*\rightarrow C.
]

Тоді можна сказати:

ми знайшли readout колективної системи.

---

10. І ось найкрутіший експеримент

Після навчання decoder ми забираємо індивідуальні відповіді взагалі.

Наступного разу:

[
Q_1
\rightarrow
\text{пансіонат}
\rightarrow
S^*
\rightarrow
R
\rightarrow
A.
]

Люди просто живуть.

Ніхто не натискає кнопку.

Ніхто не голосує.

Ніхто не повідомляє відповідь.

А readout все одно видає прогноз.

Тоді ми починаємо наближатися до твоєї початкової ідеї.

---

А тепер ще один рівень

Можна зробити двонаправлений readout.

Не просто:

[
S\rightarrow A
]

а:

[
Q\rightarrow S\rightarrow R\rightarrow A
]

і потім:

[
A\rightarrow E.
]

Тобто система отримує відповідь назад у своє середовище.

І тоді можна перевірити:

Чи здатен колективний мозок на наступному запиті використати результат попереднього обчислення?

Якщо так, ми отримуємо:

[
\boxed{
\text{пам’ять}
+
\text{інтеграція}
+
\text{обчислення}
+
\text{readout}
}
]

а це вже набагато ближче до окремої когнітивної системи, а не просто до групи людей.

---

І тут є чудовий зв’язок із уже відомими результатами

Експерименти показують, що топологія соціальної мережі справді впливає на колективне пізнання, а в деяких умовах адаптивні мережі можуть давати колективні оцінки точніші за найкращого окремого учасника. (PubMed) Інші роботи показують, що люди здатні демонструвати емерджентне collective sensing через взаємодію та цілеспрямоване копіювання інформації. (Escholarship)

Наш “Пансіонат-100” відрізняється тим, що ми ставимо наступне питання:

[
\boxed{\text{Чи можна не просто використати колективний інтелект, а навчитися читати його глобальний стан?}}
]

І якщо відповідь виявиться «так», я б після цього поставив ще більш радикальний експеримент:

дати пансіонату задачу, відповідь на яку жоден зі 100 учасників принципово не може знати, але яку може вирішити їхня сукупна інформаційна система.

Оце вже був би справжній тест гіпотези про «новий агент, що виникає між мозками».

Щоб запустити такий експеримент – це може не обов”язково бути пансіонат. Наприклад моленьке містеяко, де є можливість видавати сигнали в середовище і отриммувати сигнали з середовища. Наприклад локальні чати, рекламні дошки, врешті просто особисте спілкуваня.

Саме так. І, на мою думку, маленьке містечко навіть цікавіше за пансіонат, бо ми не створюємо штучну соціальну систему з нуля — ми беремо вже існуючу.

Тоді експеримент можна зробити як «когнітивний міський контур».

Місто як обчислювальна система

Нехай є містечко на 1–10 тисяч людей. У ньому вже існують:

[
\text{люди}
\leftrightarrow
\text{чати}
\leftrightarrow
\text{родини}
\leftrightarrow
\text{робота}
\leftrightarrow
\text{магазини}
\leftrightarrow
\text{реклама}
\leftrightarrow
\text{школа}
\leftrightarrow
\text{місцеві медіа}
\leftrightarrow
\text{фізичне середовище}.
]

Це фактично готова мережа зв’язків.

Не потрібно знати, хто з ким «є нейроном». Важливі самі потоки інформації.

---

Тоді можна ввести спеціальний шар

Назвімо його (E(t)):

[
E(t)=\text{інформаційний стан міста}.
]

Він включає не тільки фізичне середовище, а й:

• локальні інформаційні канали;
• оголошення;
• публічні екрани;
• місцеві події;
• анонімізовані агреговані сигнали поведінки;
• добровільні локальні чати;
• результати діяльності людей.

Тобто:

[
\boxed{
People \leftrightarrow E(t)
}
]

---

А тепер можна зробити дуже красивий експеримент

Припустимо, дослідники знають правильну відповідь на певну задачу, але окремі мешканці отримують лише частини інформації.

Наприклад, місту треба визначити:

Який із чотирьох сценаріїв найкраще пояснює приховану ситуацію?

Інформація розподіляється.

Мешканець А знає (x_1).

Б — (x_2).

В — (x_3).

…

Ніхто не бачить всієї картини.

---

Запускаємо «запит»

Наприклад, через звичайний міський інформаційний канал з’являється певний сигнал:

«Оголошено задачу №17».

Для людей це може бути абсолютно звичайним повідомленням.

Але в архітектурі експерименту це:

[
Q_{17}
]

— команда почати колективне обчислення.

---

Потім нічого спеціального не робимо

Це важливо.

Не кажемо:

«Тепер обговорюйте проблему».

Місто продовжує жити.

Люди говорять:

«Я чув ось це…»

«А я бачив інше…»

«Мені здається, що…»

Хтось пише в чат.

Хтось розповідає сусіду.

Хтось створює пост.

Хтось змінює свою поведінку.

І виникає:

[
B_i\rightarrow E\rightarrow B_j\rightarrow E\rightarrow B_k…
]

---

І ось тут починається найцікавіше

Ми не запитуємо мешканців, що вони думають.

Замість цього спостерігаємо за (E(t)).

Наприклад:

[
X(t)=
{
\text{інформаційні потоки},
\text{часові патерни},
\text{просторові переміщення},
\text{зміни тематики},
\text{структура взаємодій},
…
}.
]

І шукаємо:

[
R(X(t))\rightarrow Answer.
]

---

Можна навіть зробити «пасивний readout»

Наприклад, readout нічого не повідомляє місту.

Він просто сидить у дослідницькому центрі й каже:

«Зараз глобальний стан міста відповідає гіпотезі C з імовірністю 73%.»

Потім приходить об’єктивна перевірка.

Якщо така система стабільно працює — це вже дуже цікаво.

---

А потім можна зробити зворотний зв’язок

Ось тут твоя ідея стає особливо сильною.

Readout каже:

[
A=C
]

і ця відповідь знову потрапляє в інформаційне середовище міста.

Тобто:

[
Q
\rightarrow
E
\rightarrow
People
\rightarrow
E
\rightarrow
R
\rightarrow
A
\rightarrow
E
]

Тепер система має замкнений когнітивний цикл.

---

І ще одна дуже важлива річ

Не обов’язково приховувати від людей, що вони беруть участь у дослідженні.

Навпаки, можна мати дві популяції:

Group A: знає, що бере участь у collective-intelligence experiment.

Group B: просто живе й взаємодіє природним чином.

І порівняти.

Це дозволить перевірити твою попередню гіпотезу:

чи може колективне обчислення бути ефективнішим, коли його учасники не знають, що вони є його «нейронами»?

---

А ще можна зробити контрольний «розрив синапсів»

Це дуже важливо.

Протягом першого етапу:

[
E \leftrightarrow People
]

працює нормально.

Потім на короткий час ми обмежуємо певний канал:

[
E_{chat}\rightarrow 0
]

або змінюємо топологію інформаційної мережі.

Якщо глобальна здатність системи розв’язувати задачі різко змінюється, це дає нам карту важливих «синапсів».

Фактично можна поступово реконструювати:

[
\boxed{\text{connectome міста}}
]

— не нейронний, а інформаційний.

---

І мені здається, тут є дуже важливий концептуальний зсув.

Ми спочатку думали:

«Як побудувати супермозок зі 100 людей?»

А тепер питання стало іншим:

«Як взяти вже існуючу людську мережу і визначити, чи має вона власний когнітивний стан?»

І містечко — чудова проміжна шкала між лабораторією та людством.

[
\boxed{
100\ людей
\rightarrow
1000
\rightarrow
10,000
\rightarrow
1,000,000
\rightarrow
\text{людство}
}
]

Якщо ефект справжній, ми повинні побачити масштабування: зі збільшенням мережі повинні з’являтися нові властивості, яких немає на меншому рівні.

І саме це було б, на мій погляд, найцікавішим доказом, що ми маємо справу не просто з «групою людей», а з новим рівнем обчислювальної системи.

Мені здається, що експеримент з містечком 10 тис. – найбільш “реалістичний” з практичної і організаційної точки зору. Тому цей проєкт є сенс проробити більш детально.

Так. Я б навіть сказав, що 10-тисячне містечко — значно кращий масштаб для першої серйозної версії, ніж пансіонат на 100 людей.

Причина проста: у пансіонаті ми самі створюємо мережу. У містечку мережа вже існує — і саме це нам цікаво досліджувати.

При цьому існуюча наука дає нам хорошу основу: дослідження показують, що топологія соціальних зв’язків впливає на колективну пам’ять, поширення переконань і розв’язання задач; є також експерименти з тисячами учасників, де прямо маніпулювали комунікаційними мережами. (PubMed Central (PMC))

Я б запропонував розробляти проєкт не як «експеримент над містом», а як нову інфраструктуру колективного інтелекту, вбудовану в місто.

Проєкт «Місто як когнітивна система»

Умовно назвімо його CityMind-10K.

Головна гіпотеза

Ми перевіряємо не:

«Чи розумні люди цього міста?»

а:

Чи існує у взаємодії 10 000 людей глобальний когнітивний стан, який можна виміряти, збуджувати й декодувати?

Формально:

[
B_1,\ldots,B_{10000}
\leftrightarrow E(t)
]

і ми шукаємо, чи існує:

[
\boxed{S(t)=F(B_1,\ldots,B_{10000},E)}
]

таке, що (S(t)) містить інформацію, якої немає в окремих (B_i).

---

1. Не треба контролювати все місто

Це принципово.

Ми не повинні перетворювати місто на лабораторну клітку.

Навпаки, залишаємо звичайне життя.

Але створюємо кілька додаткових каналів:

Публічні

• електронні табло;
• інформаційні дошки;
• міське радіо;
• локальний сайт;
• добровільний міський чат;
• екрани в громадських місцях;
• локальні події.

Напівприватні

• тематичні групи;
• школи;
• підприємства;
• клуби;
• громадські організації.

Фізичне середовище

• освітлення;
• звуки;
• архітектурні маршрути;
• інформаційні об’єкти.

Але жоден із цих каналів не є “супермозком” сам по собі.

Вони утворюють (E(t)).

---

2. Найважливіше — не просто збирати дані

Тут я трохи змінив би нашу попередню концепцію.

Нам потрібні два контури:

[
\boxed{
\text{City}
\rightarrow
\text{measurement}
\rightarrow
\text{model}
}
]

і

[
\boxed{
\text{model}
\rightarrow
\text{City}
}
]

Тобто місто одночасно:

генерує інформацію → ми її вимірюємо → створюємо модель → повертаємо певні стимули в місто.

Це дозволяє перевіряти причинність, а не лише кореляцію.

---

3. Створимо «лабораторні запити»

Це, на мою думку, серце проєкту.

Періодично система генерує задачу, відповідь на яку ми знаємо.

Наприклад:

Який із чотирьох сценаріїв станеться?

Або:

Який прихований параметр має система?

Або:

Який із 10 варіантів є оптимальним?

Але є хитрість.

Інформація розподілена.

Жоден мешканець не отримує всієї інформації.

Наприклад:

[
X=X_1+X_2+\ldots+X_{100}
]

Різні частини (X) потрапляють до різних людей через різні канали.

Тому:

[
P(answer|B_i)
]

невелика.

Але потенційно:

[
P(answer|B_1,\ldots,B_{10000})
]

велика.

Це дозволяє перевірити саме інтеграцію інформації.

---

4. Не треба просити людей відповідати

Оце дуже важливо.

Якщо після задачі ми скажемо:

«Напишіть вашу відповідь»,

ми повертаємося до звичайної crowd wisdom.

Натомість дозволяємо місту самому прожити задачу.

Люди:

• спілкуються;
• сперечаються;
• читають;
• щось шукають;
• передають інформацію;
• змінюють поведінку.

І:

[
B_i(t)\rightarrow E(t+1)
]

[
E(t+1)\rightarrow B_j(t+2)
]

Цикл повторюється.

---

5. Ось де з’являється наш справжній readout

Ми записуємо динаміку міста, а не «думки громадян».

Наприклад:

[
X(t)=
\begin{bmatrix}
\text{інформаційні потоки}\
\text{структура мережі}\
\text{просторова динаміка}\
\text{часові патерни}\
\text{зміни тематики}\
\text{агрегована поведінка}
\end{bmatrix}
]

І навчаємо readout:

[
R(X_{t-k:t})\rightarrow Y
]

де (Y) — правильна відповідь контрольної задачі.

Якщо після навчання:

[
R(X)\rightarrow Y
]

працює на нових задачах, ми маємо перший серйозний результат.

---

6. Але потрібні дуже жорсткі контрольні умови

Інакше ми легко обдуримо самі себе.

Я б зробив щонайменше чотири режими:

Режим	Комунікація	Середовище
A	мінімальна	звичайне
B	природна	звичайне
C	природна	контрольовані інформаційні стимули
D	природна + adaptive feedback	контрольовані стимули

Особливо цікаве:

[
D>C>B>A?
]

Якщо так — виникає сильний аргумент, що архітектура інформаційного середовища сама впливає на колективне обчислення.

Це узгоджується з попередніми роботами: наприклад, дослідження adaptive social networks показували, що зворотний зв’язок і пластичність мережі можуть покращувати колективне оцінювання. (PubMed Central (PMC))

---

7. А тепер найсильніший тест

Припустимо, 10 000 людей мають різні локальні шматки інформації.

Після обчислення readout видає:

[
Y=C
]

А тепер порівнюємо його з:

[
Y_{\text{average}}
]

— простою агрегацією відповідей людей.

Якщо:

[
Accuracy(R)>Accuracy(aggregation)
]

це цікаво.

Але ще цікавіше:

[
\boxed{
Accuracy(R)>
Accuracy(\text{best individual})
}
]

І ще сильніше:

readout правильно визначає відповідь, яку не можна реконструювати з індивідуальних відповідей без урахування їхньої взаємодії.

Оце вже був би справжній сигнал емерджентної інформації.

---

8. І тут я б додав ще одну річ — «збурення»

Це дуже важливо для перевірки причинності.

Ми можемо тимчасово змінити один канал:

[
E_{chat}\rightarrow E_{chat}’
]

або структурувати інформаційний потік і подивитися, що станеться з:

[
S(t).
]

Фактично робимо functional connectome міста.

Не:

«Хто з ким дружить?»

а:

«Які інформаційні зв’язки реально необхідні для колективного обчислення?»

Це набагато цікавіше.

---

9. І поступово ми можемо будувати карту

Після сотень експериментів отримаємо:

[
\boxed{
\text{City Cognitive Map}
}
]

На ній буде видно:

• вузли;
• канали;
• затримки;
• bottlenecks;
• кластери;
• інтегратори;
• джерела нової інформації;
• механізми поширення;
• місця, де інформація губиться;
• місця, де виникає синхронізація.

І тоді ми вперше зможемо спробувати відповісти на питання:

Яка топологія потрібна 10 000 людських мозків, щоб вони поводилися як одна обчислювальна система?

---

І я б НЕ починав одразу з 10 000

Організаційно це величезний проєкт.

Я б зробив три фази:

Phase 0 — 100–300 людей

Повністю контрольований експеримент.

Мета:

[
\text{чи існує взагалі декодований глобальний стан?}
]

Phase 1 — 1 000–2 000

Реальне міське/селищне середовище.

Мета:

[
\text{чи працює ефект у природній соціальній мережі?}
]

Phase 2 — ~10 000

Справжнє місто.

Мета:

[
\boxed{\text{чи масштабується колективне обчислення?}}
]

Це особливо важливо, тому що масштабування — окрема наукова гіпотеза. Вже відомо, що мережеві структури можуть сприяти або заважати колективному пізнанню; при великих мережах локальність інформації, асиметрія та шум можуть навіть погіршувати координацію. (ScienceDirect)

---

І є ще один принцип, який я вважаю критично важливим

Не намагатися довести, що супермозок існує.

Проєкт повинен бути agnostic.

Ми заздалегідь допускаємо три результати:

H0: це просто сукупність людей.

H1: виникає колективний інтелект, але він зводиться до агрегації індивідуальної інформації.

H2: виникає новий глобальний стан, який має додаткову інформаційну цінність і який можна декодувати.

І саме H2 — наша радикальна гіпотеза.

Це зробить проєкт набагато сильнішим науково.

---

Якщо розвивати це далі, я б наступним кроком зробив повний протокол CityMind-10K: сформулював би конкретну задачу №1, інформаційну архітектуру міста, які саме сигнали можна законно й етично збирати, як подається (Q), як будується readout, які будуть контрольні групи, метрики успіху та приблизний бюджет/організацію. Це вже можна оформити майже як концепт-пейпер експерименту.

повний протокол CityMind-10K

Так. Давай зафіксуємо це вже не як розмовну ідею, а як чернетку повноцінного наукового протоколу.

Я б назвав його CityMind-10K: Experimental Protocol for Detecting and Decoding Emergent Collective Cognition.

Важлива поправка до нашої попередньої розмови: експеримент не повинен виходити з припущення, що «супермозок» існує. Його завдання — відрізнити три гіпотези:

[
H_0:\text{просто сукупність людей}
]

[
H_1:\text{колективний інтелект = агрегація індивідуальних відповідей}
]

[
H_2:\text{взаємодія породжує додатковий глобальний стан, який можна декодувати}
]

Дослідження соціальних мереж уже показують, що топологія комунікацій впливає на колективну пам’ять, знання й розв’язання задач, а адаптивні мережі в окремих експериментах давали колективні оцінки точніші за найкращого учасника. (PubMed Central (PMC))

---

CityMind-10K

0. Основна ідея

Беремо реальне містечко приблизно на 10 000 мешканців.

Не ізолюємо його.

Не змушуємо всіх брати участь.

Не перебудовуємо соціальне життя.

Створюємо добровільний дослідницький шар поверх звичайного життя міста.

Схематично:

[
\boxed{
\text{10 000 людей}
\leftrightarrow
\text{міське інформаційне середовище}
\leftrightarrow
\text{колективний стан}
}
]

Дослідники мають два інтерфейси:

[
\textbf{INPUT:}\quad Q\rightarrow E
]

[
\textbf{READOUT:}\quad E(t)\rightarrow \hat{S}(t)\rightarrow A
]

де (E) — інформаційне середовище, (S) — гіпотетичний глобальний стан.

---

1. Де проводити

Не обов’язково шукати «ідеальне» місто.

Навпаки, бажано:

• 5–20 тисяч населення;
• відносно компактна географія;
• кілька районів;
• школи, магазини, підприємства, громадські простори;
• локальні онлайн-спільноти;
• достатньо стабільне населення;
• місцева влада, готова дозволити дослідницьку інфраструктуру.

Ідеальний варіант — не місто, яке вже є технологічним центром, а звичайне містечко.

Тоді ми не вимірюємо ефект від спеціальної «інтелектуальної еліти».

---

2. Хто є «нейронами»

Не всі 10 000.

Я б розділив населення на три рівні.

Core participants

Наприклад, 1 000–2 000 добровольців, які дали інформовану згоду на участь у дослідженні.

Саме для них можна збирати детальніші дані.

Passive population

Інші мешканці можуть добровільно взаємодіяти з відкритими інформаційними каналами проєкту, але без персонального відстеження.

External control

Люди з інших міст, які беруть участь у тих самих задачах через онлайн-інтерфейс.

Це дозволить відрізнити:

[
\text{ефект міської мережі}
]

від

[
\text{ефект простої кількості людей}.
]

Для дослідження людей потрібні відповідні етичні процедури, інформована згода та захист даних; конкретні вимоги залежать від юрисдикції. Наприклад, стандарти human-subject research прямо вимагають оцінювати ризик, права учасників і умови згоди. (HHS.gov)

---

3. Інформаційна інфраструктура

Оце і буде наша «синаптична тканина».

Канал A — локальний цифровий простір

Наприклад:

• міський застосунок;
• форуми;
• тематичні чати;
• добровільні канали обговорення;
• система коротких повідомлень.

Але ми не повинні читати приватні чати без окремої згоди.

Найкраще — спеціально створені дослідницькі канали.

---

Канал B — фізичне середовище

Наприклад:

• інформаційні стенди;
• електронні табло;
• добровільно підключені екрани;
• міське радіо;
• громадські простори.

---

Канал C — добровільні сенсори

Не камери для стеження за людьми.

А агреговані показники:

• кількість взаємодій;
• час;
• тематика повідомлень;
• структура анонімізованих комунікацій;
• агреговані переміщення;
• участь у подіях.

Мета — реконструювати динаміку мережі, а не ідентифікувати конкретну людину.

---

4. Найважливіше: контрольований інформаційний світ

Ось тут експеримент стає справжнім.

Створюємо набір задач:

[
Q_1,Q_2,\ldots,Q_N.
]

Кожна має об’єктивно перевірювану відповідь.

Не:

«Що ви думаєте про політику?»

А:

«Який із чотирьох сценаріїв відповідає прихованому стану системи?»

або:

«Яке значення має прихований параметр?»

або:

«Яка стратегія максимізує результат у цій динамічній грі?»

---

5. Інформацію розподіляємо

Ось фундаментальний принцип.

Нехай правильна відповідь (Y) залежить від:

[
X=(X_1,X_2,\ldots,X_n).
]

Кожному учаснику доступна лише частина:

[
B_i\leftarrow X_i.
]

Для одного:

[
I(Y;B_i)
]

невелика.

А для мережі:

[
I(Y;B_1,\ldots,B_n)
]

велика.

Тобто знання фізично розподілене між людьми.

Це важливо, бо інакше ми лише перевірятимемо, наскільки добре люди можуть повторювати одну й ту саму інформацію.

---

6. Запуск запиту

Тут реалізуємо твою початкову ідею.

Дослідницький сервер генерує:

[
Q_k.
]

Він потрапляє в міське середовище через один або кілька каналів.

Наприклад:

«Міська задача №47 активована».

Але конкретна задача може бути представлена різним учасникам різними інформаційними фрагментами.

---

7. Фаза обчислення

Після запуску дослідники нічого не підказують.

Наприклад, 48 годин.

Люди:

• спілкуються;
• сперечаються;
• шукають інформацію;
• передають її;
• створюють нові пояснення;
• змінюють власні гіпотези.

Отримуємо:

[
S_0
\rightarrow
S_1
\rightarrow
S_2
\rightarrow
…
\rightarrow
S_T.
]

---

8. І тепер — найважливіше

Ми не запитуємо: «Яка ваша відповідь?»

Принаймні не одразу.

Ми намагаємося декодувати відповідь із динаміки мережі.

Створюємо:

[
X(t)=
[
\text{network},
\text{information},
\text{temporal},
\text{spatial},
\text{behavioral}
].
]

І навчаємо:

[
R_\theta(X_{t-T:t})\rightarrow\hat Y.
]

Це наш кандидат на readout.

---

9. Але потрібні три readout-и

Це дуже важливо.

Readout 1 — індивідуальний

[
R_{individual}
]

Використовує тільки інформацію одного учасника.

Readout 2 — aggregation

[
R_{aggregate}
]

Отримує відповіді всіх учасників і просто агрегує їх.

Це наш baseline.

Readout 3 — network

[
\boxed{R_{network}}
]

Отримує динаміку взаємодій, а не просто список індивідуальних відповідей.

Тоді головний тест:

[
Accuracy(R_{network})

Accuracy(R_{aggregate})?
]

---

10. Але цього недостатньо

Бо network-readout може просто отримати більше інформації.

Тому вводимо information-matched control.

Маємо однакову кількість інформації, але руйнуємо структуру взаємодій.

Порівнюємо:

[
X_{real}
]

з

[
X_{shuffled}.
]

Наприклад, зберігаємо кількість повідомлень, час, учасників, але випадково перемішуємо зв’язки.

Якщо:

[
R(X_{real}) \gg R(X_{shuffled}),
]

то структура мережі сама містить інформацію.

Це набагато сильніший результат.

---

11. Тест на справжню емерджентність

А тепер — найцікавіший тест.

Навчаємо decoder на частині задач:

[
Q_1,\ldots,Q_{50}
]

і перевіряємо на абсолютно нових:

[
Q_{51},\ldots,Q_{100}.
]

Якщо readout узагальнює на нові задачі, ми вже не просто ловимо конкретний патерн.

---

12. Ще сильніше: відповідь, якої не було в жодного учасника

Ось це я б зробив заздалегідь зареєстрованим критерієм.

Нехай:

[
Y_i
]

— індивідуальні гіпотези.

Якщо network-readout систематично видає правильний (Y), який:

• не був найбільш популярним;
• не був відповіддю найкращого учасника;
• не є просто середнім/медіаною;

це буде дуже цікавим свідченням мережевої обробки інформації.

---

13. Причинний тест

Тепер можемо втрутитися в мережу.

Наприклад, створюємо два режими:

Natural

[
B\leftrightarrow E
]

Intervention

Змінюємо конкретну структуру інформаційного потоку.

Наприклад:

[
G\rightarrow G’
]

і перевіряємо:

[
\Delta Accuracy.
]

Якщо зміна певного типу зв’язків систематично змінює здатність мережі розв’язувати задачі, ми вже вивчаємо архітектуру обчислення, а не просто кореляцію.

---

14. Адаптивний контур

Тут ми повертаємося до твоєї початкової ідеї про «супермозок, який сам себе організовує».

Після кожної задачі система аналізує:

[
S(t)
]

і може змінювати не зміст повідомлень, а структуру середовища.

Наприклад:

• кому доступний певний канал;
• коли з’являється інформаційний стимул;
• які групи можуть взаємодіяти;
• які типи інформації стають доступними.

Але всі такі втручання мають бути заздалегідь визначені протоколом і погоджені етично.

Тоді:

[
G_t\rightarrow G_{t+1}
]

і мережа фактично навчається власній топології.

Це має сильну теоретичну основу: експерименти з adaptive social networks показували, що пластичність зв’язків і feedback можуть підвищувати точність колективних оцінок. (PubMed Central (PMC))

---

15. Фаза «питання до мережі»

Оце вже наш ultimate experiment.

Після того як decoder навчений:

[
Q\rightarrow S\rightarrow R
]

ми перестаємо питати людей.

Вводимо новий запит:

[
Q_{new}
]

і отримуємо:

[
\boxed{
Q_{new}
\rightarrow
City
\rightarrow
S^*
\rightarrow
R
\rightarrow
A
}
]

Люди не повинні давати нам відповідь.

Ми питаємо місто.

---

16. Але як зрозуміти, що це справді «думка міста»?

Я б тут був дуже обережним.

Експеримент не доводить:

«місто свідоме».

Він може довести значно скромніше й водночас дуже цікаве:

[
\boxed{
\text{міська мережа має декодований глобальний стан}
}
]

і цей стан має predictive information, якої немає в простій агрегації вузлів.

Тільки після цього можна серйозно говорити про emergent cognitive system.

---

17. Як вимірювати «інтеграцію»

Я б ввів окрему метрику:

[
\Phi_{network}
]

— не обов’язково в буквальному сенсі використовувати Integrated Information Theory, але концептуально вимірювати:

наскільки інформація доступна тільки завдяки взаємодії частин.

Умовно:

[
\Phi_{network}

I(Y;X_{whole})

\max_{\mathcal P}
\sum_k I(Y_k;X_k).
]

Точну статистичну конструкцію треба буде вибирати окремо, щоб вона була коректною й обчислюваною.

---

18. Масштабування

Тут я бачу головний науковий результат всього проєкту.

Не просто:

«10 000 людей можуть вирішувати задачі».

А:

[
N=100
]

[
N=1,000
]

[
N=10,000.
]

І будуємо:

[
C(N)=\text{collective computational capacity}.
]

Можливі результати:

Лінійний

[
C(N)\propto N
]

Просто більше людей.

Сублінійний

[
C(N)\propto N^\alpha,\quad\alpha<1
]

Мережа втрачає ефективність через шум.

Надлінійний

[
\boxed{C(N)\propto N^\alpha,\quad\alpha>1}
]

Оце було б надзвичайно цікаво.

Тоді додавання вузлів збільшує не тільки кількість обчислень, а й саму якість інтеграції.

---

19. Що може виявитися замість супермозку

І це теж дуже цікаво.

Можемо виявити:

[
C(N)\rightarrow plateau.
]

Тобто після ~500 людей нова інформація перестає інтегруватися.

Або:

[
C(N)\rightarrow decrease.
]

Тоді ми відкриємо когнітивний bottleneck соціальних мереж.

Або:

[
C(N)\rightarrow superlinear.
]

Тоді починається справжня сенсація.

---

20. Чого я категорично не робив би

Не використовував би:

• приховане спостереження за конкретними людьми;
• читання приватних повідомлень без окремої згоди;
• маніпуляції політичними поглядами;
• приховане психологічне навіювання;
• персоналізовану рекламу;
• приховане стимулювання поведінки;
• приховані експерименти над людьми.

Особливо важливо не повторювати нашу ранню ідею про «сигнали, які люди не усвідомлюють» у сенсі прихованого впливу. Для наукового експерименту нам не потрібні приховані маніпуляції. Нам потрібна контрольована інформаційна динаміка і добровільна участь.

Інакше ми отримаємо не дослідження колективного інтелекту, а дуже проблемний експеримент із соціальною поведінкою.

---

21. Архітектура всієї системи

У підсумку:

                   ┌─────────────────────┐
                   │   QUESTION ENGINE   │
                   │         Q(t)        │
                   └──────────┬──────────┘
                              │
                              ▼
                    ┌──────────────────┐
                    │ CITY INFORMATION │
                    │  ENVIRONMENT E   │
                    └────────┬─────────┘
                             │
             ┌───────────────┼───────────────┐
             ▼               ▼               ▼
          Person 1        Person 2        Person N
             │               │               │
             └───────────────┼───────────────┘
                             │
                             ▼
                    ┌──────────────────┐
                    │ NETWORK DYNAMICS │
                    │       S(t)        │
                    └────────┬─────────┘
                             │
                             ▼
                    ┌──────────────────┐
                    │     READOUT      │
                    │    Rθ(S) → A     │
                    └────────┬─────────┘
                             │
                             ▼
                         ANSWER

І найцікавіше — зворотний зв’язок:

       Q
       ↓
      CITY
       ↓
   10,000 brains
       ↓
   collective state
       ↓
     READOUT
       ↓
       A
       │
       └──────────────→ CITY

Тобто ми отримуємо замкнений когнітивний контур.

---

22. Що я вважав би успішним результатом

Не «ми довели існування супермозку».

А ось такий набір результатів:

1. Мережевий стан (S(t)) можна стабільно реконструювати.
2. (S(t)) містить інформацію про відповідь.
3. Network-readout перевершує просту агрегацію.
4. Ефект відтворюється на нових задачах.
5. Руйнування топології погіршує результат.
6. Певні типи зв’язків виявляються критичними.
7. Ефект масштабується з (N).
8. Система може використовувати попередні обчислення для наступних.
9. Readout можна використовувати для нового запиту, якого не було під час навчання.

Якщо всі дев’ять пунктів виконуються, тоді я б уже дуже серйозно говорив про:

[
\boxed{\textbf{emergent collective cognitive system}}
]

А питання «чи є це супермозком?» можна залишити філософам.

---

І я б зробив наступний крок ще конкретнішим

Тепер у нас є архітектура. Наступне, що потрібно спроєктувати, — перша експериментальна задача (Q).

І тут я пропоную не брати абстрактну вікторину. Треба придумати задачу, де:

[
\boxed{\text{інформація розподілена між мешканцями}}
]

і де жодна людина не має достатньо даних, але правильна відповідь стає доступною через їхню взаємодію.

Причому правильну відповідь ми можемо перевірити об’єктивно.

Якщо ми знайдемо таку задачу, CityMind-10K з філософської концепції перетвориться на реально фальсифікований експеримент.

Так. Давай зафіксуємо це вже не як розмовну ідею, а як чернетку повноцінного наукового протоколу.

Я б назвав його CityMind-10K: Experimental Protocol for Detecting and Decoding Emergent Collective Cognition.

Важлива поправка до нашої попередньої розмови: експеримент не повинен виходити з припущення, що «супермозок» існує. Його завдання — відрізнити три гіпотези:

[
H_0:\text{просто сукупність людей}
]

[
H_1:\text{колективний інтелект = агрегація індивідуальних відповідей}
]

[
H_2:\text{взаємодія породжує додатковий глобальний стан, який можна декодувати}
]

Дослідження соціальних мереж уже показують, що топологія комунікацій впливає на колективну пам’ять, знання й розв’язання задач, а адаптивні мережі в окремих експериментах давали колективні оцінки точніші за найкращого учасника. (PubMed Central (PMC))

---

CityMind-10K

0. Основна ідея

Беремо реальне містечко приблизно на 10 000 мешканців.

Не ізолюємо його.

Не змушуємо всіх брати участь.

Не перебудовуємо соціальне життя.

Створюємо добровільний дослідницький шар поверх звичайного життя міста.

Схематично:

[
\boxed{
\text{10 000 людей}
\leftrightarrow
\text{міське інформаційне середовище}
\leftrightarrow
\text{колективний стан}
}
]

Дослідники мають два інтерфейси:

[
\textbf{INPUT:}\quad Q\rightarrow E
]

[
\textbf{READOUT:}\quad E(t)\rightarrow \hat{S}(t)\rightarrow A
]

де (E) — інформаційне середовище, (S) — гіпотетичний глобальний стан.

---

1. Де проводити

Не обов’язково шукати «ідеальне» місто.

Навпаки, бажано:

• 5–20 тисяч населення;
• відносно компактна географія;
• кілька районів;
• школи, магазини, підприємства, громадські простори;
• локальні онлайн-спільноти;
• достатньо стабільне населення;
• місцева влада, готова дозволити дослідницьку інфраструктуру.

Ідеальний варіант — не місто, яке вже є технологічним центром, а звичайне містечко.

Тоді ми не вимірюємо ефект від спеціальної «інтелектуальної еліти».

---

2. Хто є «нейронами»

Не всі 10 000.

Я б розділив населення на три рівні.

Core participants

Наприклад, 1 000–2 000 добровольців, які дали інформовану згоду на участь у дослідженні.

Саме для них можна збирати детальніші дані.

Passive population

Інші мешканці можуть добровільно взаємодіяти з відкритими інформаційними каналами проєкту, але без персонального відстеження.

External control

Люди з інших міст, які беруть участь у тих самих задачах через онлайн-інтерфейс.

Це дозволить відрізнити:

[
\text{ефект міської мережі}
]

від

[
\text{ефект простої кількості людей}.
]

Для дослідження людей потрібні відповідні етичні процедури, інформована згода та захист даних; конкретні вимоги залежать від юрисдикції. Наприклад, стандарти human-subject research прямо вимагають оцінювати ризик, права учасників і умови згоди. (HHS.gov)

---

3. Інформаційна інфраструктура

Оце і буде наша «синаптична тканина».

Канал A — локальний цифровий простір

Наприклад:

• міський застосунок;
• форуми;
• тематичні чати;
• добровільні канали обговорення;
• система коротких повідомлень.

Але ми не повинні читати приватні чати без окремої згоди.

Найкраще — спеціально створені дослідницькі канали.

---

Канал B — фізичне середовище

Наприклад:

• інформаційні стенди;
• електронні табло;
• добровільно підключені екрани;
• міське радіо;
• громадські простори.

---

Канал C — добровільні сенсори

Не камери для стеження за людьми.

А агреговані показники:

• кількість взаємодій;
• час;
• тематика повідомлень;
• структура анонімізованих комунікацій;
• агреговані переміщення;
• участь у подіях.

Мета — реконструювати динаміку мережі, а не ідентифікувати конкретну людину.

---

4. Найважливіше: контрольований інформаційний світ

Ось тут експеримент стає справжнім.

Створюємо набір задач:

[
Q_1,Q_2,\ldots,Q_N.
]

Кожна має об’єктивно перевірювану відповідь.

Не:

«Що ви думаєте про політику?»

А:

«Який із чотирьох сценаріїв відповідає прихованому стану системи?»

або:

«Яке значення має прихований параметр?»

або:

«Яка стратегія максимізує результат у цій динамічній грі?»

---

5. Інформацію розподіляємо

Ось фундаментальний принцип.

Нехай правильна відповідь (Y) залежить від:

[
X=(X_1,X_2,\ldots,X_n).
]

Кожному учаснику доступна лише частина:

[
B_i\leftarrow X_i.
]

Для одного:

[
I(Y;B_i)
]

невелика.

А для мережі:

[
I(Y;B_1,\ldots,B_n)
]

велика.

Тобто знання фізично розподілене між людьми.

Це важливо, бо інакше ми лише перевірятимемо, наскільки добре люди можуть повторювати одну й ту саму інформацію.

---

6. Запуск запиту

Тут реалізуємо твою початкову ідею.

Дослідницький сервер генерує:

[
Q_k.
]

Він потрапляє в міське середовище через один або кілька каналів.

Наприклад:

«Міська задача №47 активована».

Але конкретна задача може бути представлена різним учасникам різними інформаційними фрагментами.

---

7. Фаза обчислення

Після запуску дослідники нічого не підказують.

Наприклад, 48 годин.

Люди:

• спілкуються;
• сперечаються;
• шукають інформацію;
• передають її;
• створюють нові пояснення;
• змінюють власні гіпотези.

Отримуємо:

[
S_0
\rightarrow
S_1
\rightarrow
S_2
\rightarrow
…
\rightarrow
S_T.
]

---

8. І тепер — найважливіше

Ми не запитуємо: «Яка ваша відповідь?»

Принаймні не одразу.

Ми намагаємося декодувати відповідь із динаміки мережі.

Створюємо:

[
X(t)=
[
\text{network},
\text{information},
\text{temporal},
\text{spatial},
\text{behavioral}
].
]

І навчаємо:

[
R_\theta(X_{t-T:t})\rightarrow\hat Y.
]

Це наш кандидат на readout.

---

9. Але потрібні три readout-и

Це дуже важливо.

Readout 1 — індивідуальний

[
R_{individual}
]

Використовує тільки інформацію одного учасника.

Readout 2 — aggregation

[
R_{aggregate}
]

Отримує відповіді всіх учасників і просто агрегує їх.

Це наш baseline.

Readout 3 — network

[
\boxed{R_{network}}
]

Отримує динаміку взаємодій, а не просто список індивідуальних відповідей.

Тоді головний тест:

[
Accuracy(R_{network})

Accuracy(R_{aggregate})?
]

---

10. Але цього недостатньо

Бо network-readout може просто отримати більше інформації.

Тому вводимо information-matched control.

Маємо однакову кількість інформації, але руйнуємо структуру взаємодій.

Порівнюємо:

[
X_{real}
]

з

[
X_{shuffled}.
]

Наприклад, зберігаємо кількість повідомлень, час, учасників, але випадково перемішуємо зв’язки.

Якщо:

[
R(X_{real}) \gg R(X_{shuffled}),
]

то структура мережі сама містить інформацію.

Це набагато сильніший результат.

---

11. Тест на справжню емерджентність

А тепер — найцікавіший тест.

Навчаємо decoder на частині задач:

[
Q_1,\ldots,Q_{50}
]

і перевіряємо на абсолютно нових:

[
Q_{51},\ldots,Q_{100}.
]

Якщо readout узагальнює на нові задачі, ми вже не просто ловимо конкретний патерн.

---

12. Ще сильніше: відповідь, якої не було в жодного учасника

Ось це я б зробив заздалегідь зареєстрованим критерієм.

Нехай:

[
Y_i
]

— індивідуальні гіпотези.

Якщо network-readout систематично видає правильний (Y), який:

• не був найбільш популярним;
• не був відповіддю найкращого учасника;
• не є просто середнім/медіаною;

це буде дуже цікавим свідченням мережевої обробки інформації.

---

13. Причинний тест

Тепер можемо втрутитися в мережу.

Наприклад, створюємо два режими:

Natural

[
B\leftrightarrow E
]

Intervention

Змінюємо конкретну структуру інформаційного потоку.

Наприклад:

[
G\rightarrow G’
]

і перевіряємо:

[
\Delta Accuracy.
]

Якщо зміна певного типу зв’язків систематично змінює здатність мережі розв’язувати задачі, ми вже вивчаємо архітектуру обчислення, а не просто кореляцію.

---

14. Адаптивний контур

Тут ми повертаємося до твоєї початкової ідеї про «супермозок, який сам себе організовує».

Після кожної задачі система аналізує:

[
S(t)
]

і може змінювати не зміст повідомлень, а структуру середовища.

Наприклад:

• кому доступний певний канал;
• коли з’являється інформаційний стимул;
• які групи можуть взаємодіяти;
• які типи інформації стають доступними.

Але всі такі втручання мають бути заздалегідь визначені протоколом і погоджені етично.

Тоді:

[
G_t\rightarrow G_{t+1}
]

і мережа фактично навчається власній топології.

Це має сильну теоретичну основу: експерименти з adaptive social networks показували, що пластичність зв’язків і feedback можуть підвищувати точність колективних оцінок. (PubMed Central (PMC))

---

15. Фаза «питання до мережі»

Оце вже наш ultimate experiment.

Після того як decoder навчений:

[
Q\rightarrow S\rightarrow R
]

ми перестаємо питати людей.

Вводимо новий запит:

[
Q_{new}
]

і отримуємо:

[
\boxed{
Q_{new}
\rightarrow
City
\rightarrow
S^*
\rightarrow
R
\rightarrow
A
}
]

Люди не повинні давати нам відповідь.

Ми питаємо місто.

---

16. Але як зрозуміти, що це справді «думка міста»?

Я б тут був дуже обережним.

Експеримент не доводить:

«місто свідоме».

Він може довести значно скромніше й водночас дуже цікаве:

[
\boxed{
\text{міська мережа має декодований глобальний стан}
}
]

і цей стан має predictive information, якої немає в простій агрегації вузлів.

Тільки після цього можна серйозно говорити про emergent cognitive system.

---

17. Як вимірювати «інтеграцію»

Я б ввів окрему метрику:

[
\Phi_{network}
]

— не обов’язково в буквальному сенсі використовувати Integrated Information Theory, але концептуально вимірювати:

наскільки інформація доступна тільки завдяки взаємодії частин.

Умовно:

[
\Phi_{network}

I(Y;X_{whole})

\max_{\mathcal P}
\sum_k I(Y_k;X_k).
]

Точну статистичну конструкцію треба буде вибирати окремо, щоб вона була коректною й обчислюваною.

---

18. Масштабування

Тут я бачу головний науковий результат всього проєкту.

Не просто:

«10 000 людей можуть вирішувати задачі».

А:

[
N=100
]

[
N=1,000
]

[
N=10,000.
]

І будуємо:

[
C(N)=\text{collective computational capacity}.
]

Можливі результати:

Лінійний

[
C(N)\propto N
]

Просто більше людей.

Сублінійний

[
C(N)\propto N^\alpha,\quad\alpha<1
]

Мережа втрачає ефективність через шум.

Надлінійний

[
\boxed{C(N)\propto N^\alpha,\quad\alpha>1}
]

Оце було б надзвичайно цікаво.

Тоді додавання вузлів збільшує не тільки кількість обчислень, а й саму якість інтеграції.

---

19. Що може виявитися замість супермозку

І це теж дуже цікаво.

Можемо виявити:

[
C(N)\rightarrow plateau.
]

Тобто після ~500 людей нова інформація перестає інтегруватися.

Або:

[
C(N)\rightarrow decrease.
]

Тоді ми відкриємо когнітивний bottleneck соціальних мереж.

Або:

[
C(N)\rightarrow superlinear.
]

Тоді починається справжня сенсація.

---

20. Чого я категорично не робив би

Не використовував би:

• приховане спостереження за конкретними людьми;
• читання приватних повідомлень без окремої згоди;
• маніпуляції політичними поглядами;
• приховане психологічне навіювання;
• персоналізовану рекламу;
• приховане стимулювання поведінки;
• приховані експерименти над людьми.

Особливо важливо не повторювати нашу ранню ідею про «сигнали, які люди не усвідомлюють» у сенсі прихованого впливу. Для наукового експерименту нам не потрібні приховані маніпуляції. Нам потрібна контрольована інформаційна динаміка і добровільна участь.

Інакше ми отримаємо не дослідження колективного інтелекту, а дуже проблемний експеримент із соціальною поведінкою.

---

21. Архітектура всієї системи

У підсумку:

                   ┌─────────────────────┐
                   │   QUESTION ENGINE   │
                   │         Q(t)        │
                   └──────────┬──────────┘
                              │
                              ▼
                    ┌──────────────────┐
                    │ CITY INFORMATION │
                    │  ENVIRONMENT E   │
                    └────────┬─────────┘
                             │
             ┌───────────────┼───────────────┐
             ▼               ▼               ▼
          Person 1        Person 2        Person N
             │               │               │
             └───────────────┼───────────────┘
                             │
                             ▼
                    ┌──────────────────┐
                    │ NETWORK DYNAMICS │
                    │       S(t)        │
                    └────────┬─────────┘
                             │
                             ▼
                    ┌──────────────────┐
                    │     READOUT      │
                    │    Rθ(S) → A     │
                    └────────┬─────────┘
                             │
                             ▼
                         ANSWER

І найцікавіше — зворотний зв’язок:

       Q
       ↓
      CITY
       ↓
   10,000 brains
       ↓
   collective state
       ↓
     READOUT
       ↓
       A
       │
       └──────────────→ CITY

Тобто ми отримуємо замкнений когнітивний контур.

---

22. Що я вважав би успішним результатом

Не «ми довели існування супермозку».

А ось такий набір результатів:

1. Мережевий стан (S(t)) можна стабільно реконструювати.
2. (S(t)) містить інформацію про відповідь.
3. Network-readout перевершує просту агрегацію.
4. Ефект відтворюється на нових задачах.
5. Руйнування топології погіршує результат.
6. Певні типи зв’язків виявляються критичними.
7. Ефект масштабується з (N).
8. Система може використовувати попередні обчислення для наступних.
9. Readout можна використовувати для нового запиту, якого не було під час навчання.

Якщо всі дев’ять пунктів виконуються, тоді я б уже дуже серйозно говорив про:

[
\boxed{\textbf{emergent collective cognitive system}}
]

А питання «чи є це супермозком?» можна залишити філософам.

---

І я б зробив наступний крок ще конкретнішим

Тепер у нас є архітектура. Наступне, що потрібно спроєктувати, — перша експериментальна задача (Q).

І тут я пропоную не брати абстрактну вікторину. Треба придумати задачу, де:

[
\boxed{\text{інформація розподілена між мешканцями}}
]

і де жодна людина не має достатньо даних, але правильна відповідь стає доступною через їхню взаємодію.

Причому правильну відповідь ми можемо перевірити об’єктивно.

Якщо ми знайдемо таку задачу, CityMind-10K з філософської концепції перетвориться на реально фальсифікований експеримент.

“перетвориться на реально фальсифікований експеримент” – поясни. Якраз я хочу повністю уникнути фальсикації.

Тут я невдало висловився. Я не мав на увазі “фальсифікувати” експеримент у сенсі підробити чи сфальсифікувати результати. Навпаки — я мав на увазі англійське falsifiable: таке, що можна принципово спростувати експериментом.

Українською точніше сказати:

«експеримент, який дозволяє перевірити гіпотезу і потенційно її спростувати».

А твоє «повністю уникнути фальсифікації» — це вже інша, дуже важлива вимога: не допустити підтасування, researcher degrees of freedom, маніпуляції даними тощо.

І я б для CityMind зробив обидва рівні захисту.

1. Гіпотеза повинна бути спростовною

Наприклад, ми заявляємо наперед:

[
H_2:\quad
Accuracy(R_{network})

Accuracy(R_{aggregate})+\delta
]

на незалежному наборі задач.

Якщо результат:

[
Accuracy(R_{network})
\leq
Accuracy(R_{aggregate})+\delta,
]

то H₂ провалена.

Не можна після цього сказати: «Ну, супермозок просто працював інакше».

---

2. А сам експеримент повинен бути захищений від підтасування

Я б зробив це майже як криптографічний протокол.

До початку експерименту:

• реєструємо гіпотези;
• реєструємо всі primary endpoints;
• фіксуємо статистичний аналіз;
• фіксуємо критерії виключення даних;
• фіксуємо контрольні умови;
• фіксуємо алгоритм readout;
• фіксуємо, які результати вважатимуться негативними.

Це можна зробити через preregistration і timestamped repository.

Ще краще — зашифрувати набір контрольних задач до початку експерименту, щоб дослідники не могли знати правильні відповіді наперед.

---

3. Найважливіше — розділити discovery і confirmation

Це я б вважав принциповим.

Discovery set:

[
Q_1,\ldots,Q_{100}
]

На ньому ми можемо шукати readout, пробувати моделі, помилятися, перебудовувати гіпотези.

А потім:

[
\boxed{Q_{101},\ldots,Q_{200}}
]

стає недоторканим confirmation set.

Дослідники не знають його відповідей і не змінюють модель після того, як побачили результати.

Тоді результат на (Q_{101..200}) набагато важче «підганяти».

---

4. Ще краще — незалежний readout

Уявімо, що команда A будує модель:

[
R_A
]

але ніколи не бачить confirmation data.

Потім команда B, яка не брала участі в розробці моделі, запускає її на прихованому наборі.

А ще краще — третя незалежна лабораторія повторює експеримент.

Тоді:

[
\text{Discovery}
\rightarrow
\text{Locked model}
\rightarrow
\text{Blind test}
\rightarrow
\text{Independent replication}.
]

---

5. І ще одна дуже важлива річ для нашої ідеї

Ми повинні заздалегідь визначити, що не вважається доказом супермозку.

Наприклад:

«Network-readout має 70% accuracy».

Саме по собі — майже нічого.

Бо він міг просто навчитися використовувати якийсь побічний сигнал.

Тому потрібні контрольні моделі:

[
R_{individual}
]

[
R_{aggregate}
]

[
R_{network}
]

[
R_{shuffled-network}
]

[
R_{time-shuffled}
]

тощо.

І заздалегідь визначене порівняння.

---

А найсильніший варіант

Нехай самі задачі генеруються після блокування моделі.

Тобто:

[
\boxed{
\text{спочатку заморожуємо readout}
}
]

а вже потім створюємо нову серію задач, відповіді на які ніхто з експериментаторів не знає.

Наприклад, система генерує випадковий світ із прихованим параметром (X), розподіляє інформацію між мешканцями, а через певний час параметр (X) стає відомим експериментальній системі ззовні.

Readout повинен передбачити його.

Це дуже сильно зменшує можливість підгонки.

---

Тобто я б сформулював принцип CityMind так:

Ми не повинні намагатися довести, що супермозок існує. Ми повинні побудувати експеримент, у якому супермозок може “виграти”, якщо він існує, але точно так само може бути спростована наша гіпотеза, якщо його немає.

І паралельно:

Жоден дослідник не повинен мати можливості після отримання результату змінити правила так, щоб результат виглядав позитивним.

Це дві різні речі: наукова фальсифікованість гіпотези і захист від фальсифікації результатів. Для нашого проєкту потрібні обидві.

Знаєш в чому тут проблема? В тому, що негативний результат не свідчить, що “суперрозуму” немає.Бо це може тільки свідчити, що ми вимірювали не те і не так – наприклад не в тому масштабі. Наприколад “суперрозумом” може бути дуже повільним – ми вже згорнули дослідження, а ця “нова якість проявилась через півроку після цього.

Так. Це фундаментальна проблема нашого експерименту. І вона змінює саму логіку проєкту.

Якщо ми не отримали readout, це не обов’язково означає:

[
\neg H
]

де (H) — «існує колективна когнітивна система».

Це може означати лише:

[
\boxed{
\text{наш спостерігач } R
\text{ не відповідає реальній динаміці } S
}
]

або ми не дали системі достатньо часу, масштабу чи правильного стимулу.

---

Тут є дуже цікава аналогія з мозком

Уявімо, що ми хочемо довести, що людський мозок здатний навчитися говорити японською.

Даємо людині японський текст на 10 секунд.

Вона нічого не сказала.

Висновок:

«Мозок не здатний вивчити японську».

Очевидно, неправильний.

Ми просто неправильно вибрали часову шкалу навчання.

Для колективної системи це може бути набагато серйозніше.

---

Тому CityMind не повинен мати один experiment → result

Йому потрібна багатомасштабна архітектура спостереження.

Не:

[
S(t)\rightarrow R
]

а:

[
\boxed{
S(N,T,G,E)
}
]

де:

• (N) — масштаб системи;
• (T) — час;
• (G) — структура зв’язків;
• (E) — середовище.

І ми повинні досліджувати різні області цього простору.

---

1. Час може бути набагато довшим за експеримент

Уявімо, що:

[
\tau_{brain}\sim seconds
]

але:

[
\tau_{city}\sim days
]

а:

[
\tau_{civilization}\sim decades.
]

Тоді «обчислення» супермозку може виглядати для людини як:

нічого особливого не відбувається.

А насправді система повільно рухається до нового стану.

Тому замість:

«Провели експеримент 6 місяців → подивилися результат»

нам потрібен:

[
\boxed{\text{continuous observation}}
]

роками.

---

2. І навіть це не вирішує проблему

Бо ми можемо неправильно вибрати часову одиницю.

Уяви:

[
S(t)
]

має коливання на 10 хвилинах,

але глобальна пам’ять накопичується роками.

Тоді одночасно можуть існувати:

[
S_{fast}(t)
]

[
S_{medium}(t)
]

[
S_{slow}(t)
]

[
S_{very\ slow}(t).
]

Тобто система може мати кілька когнітивних рівнів.

---

3. Тому я б змінив саму мету CityMind

Не:

«Знайти супермозок».

А:

«Побудувати довготривалий обсерваторійний шар, здатний виявляти нові колективні динаміки на різних просторових і часових масштабах».

Це принципово інша установка.

---

4. Тоді місто стає не експериментом, а обсерваторією

І це мені подобається набагато більше.

Уяви:

[
\boxed{\text{City Cognitive Observatory}}
]

Воно постійно записує:

[
X(t)
]

але не намагається постійно «доводити супермозок».

Воно просто накопичує довгий часовий ряд.

Рік.

П’ять років.

Десять років.

---

5. А запити можуть бути періодичними

Наприклад:

[
Q_1,Q_2,\ldots,Q_n.
]

Але ми не очікуємо, що відповідь буде:

[
Q_i\rightarrow A_i
]

через 5 хвилин.

Може бути:

[
Q_i
\rightarrow
S(t)
\rightarrow
S(t+\tau)
]

де:

[
\tau=3\text{ місяці}.
]

І тоді треба шукати відкладений response.

---

6. Оце дуже цікаво: impulse response

У фізиці, теорії систем та signal processing є прекрасна ідея — імпульсна характеристика.

Ми подаємо:

[
Q(t_0)=\delta(t-t_0)
]

і дивимося, як система реагує:

[
R(t-t_0).
]

Для нашого міста це може бути:

[
\boxed{
Q
\rightarrow
R(t)
}
]

де (R(t)) може мати:

• швидку компоненту;
• затриману;
• довготривалу;
• циклічну;
• нелінійну.

Ми навіть не повинні заздалегідь знати, коли має прийти відповідь.

---

7. Тоді виникає ще цікавіша проблема: «відповідь» може бути не точкою

Ми весь час уявляли:

[
Q\rightarrow A.
]

Але супермозок може відповідати траєкторією:

[
\boxed{
Q\rightarrow S(t)
}
]

Наприклад:

запит → поширення ідей → конфлікт гіпотез → синтез → новий концептуальний кластер → технологія.

Тоді відповідь може проявитися через зміну структури системи, а не як повідомлення.

---

8. І тоді твоя ідея про readout теж змінюється

Нам потрібен не один:

[
R(S)
]

а:

[
\boxed{
R_{\tau,N,G}
}
]

тобто readout, який працює на різних:

• часових масштабах;
• масштабах мережі;
• топологіях.

Фактично ми шукаємо спектр колективних мод.

---

9. Може існувати навіть «фаза переходу»

Оце ще цікавіше.

Можливо, до певного масштабу:

[
N<N_c
]

є просто група людей.

А після:

[
N>N_c
]

виникає нова якість:

[
\boxed{
S_{collective}
}
]

Це аналог фазового переходу.

Наприклад:

[
C(N)\approx N
]

до критичного масштабу,

а потім:

[
C(N)\gg N.
]

Якщо так, експеримент на 100 людях може принципово нічого не показати, навіть якщо система на 10 млн людей має зовсім іншу динаміку.

---

10. Тому 10 000 — не обов’язково «правильний масштаб»

Це лише одна точка в просторі масштабів.

Нам потенційно потрібні:

[
10^2,;10^3,;10^4,;10^5,;10^6,\ldots
]

і:

[
1\text{ день},;1\text{ місяць},;1\text{ рік},;10\text{ років}.
]

І ось тоді виникає дуже потужна концепція:

[
\boxed{
\text{spatiotemporal scaling law}
}
]

Ми не питаємо:

«Чи є супермозок?»

Ми питаємо:

«Як змінюються когнітивні властивості мережі при зміні масштабу простору, часу та зв’язності?»

---

11. І це вирішує твою проблему лише частково

Бо залишається ще страшніша можливість.

Може бути, що ми взагалі неправильно визначили змінні.

Ми шукаємо:

[
S=f(\text{люди},\text{чати},\text{поведінка})
]

а реальна система може мати стан:

[
S=f(
\text{люди},
\text{культура},
\text{технологія},
\text{економіка},
\text{довкілля},
\text{покоління}
).
]

І тоді навіть 10 років спостереження одного міста недостатньо.

---

12. Тому я б запропонував дуже незвичний принцип

Не робити CityMind-10K закінченим експериментом.

Зробити його інфраструктурою спостереження.

Як телескоп.

Телескоп не має експерименту:

«Через 6 місяців ми вирішимо, чи існують галактики».

Він залишається працювати.

І через 20 років хтось може знайти сигнал, якого ніхто не шукав.

---

Тоді архітектура стає такою

[
\boxed{
\text{Stimulus}
\rightarrow
\text{City}
\rightarrow
\text{long-term dynamics}
\rightarrow
\text{multi-scale observation}
\rightarrow
\text{anomaly detection}
\rightarrow
\text{candidate collective states}
}
]

І тільки після виявлення кандидата ми будуємо спеціальний readout.

Це набагато чесніше, ніж заздалегідь сказати:

«Ось наш супермозок, ось його readout».

---

І тут я бачу дуже сильну зміну нашого початкового задуму

Ми починали з:

«Як запитати супермозок?»

А тепер, можливо, перше питання має бути:

«Як зрозуміти, що ми взагалі живемо всередині когнітивної системи, масштаб і часові характеристики якої нам невідомі?»

Це вже не один експеримент.

Це довготривала наука про колективну когнітивну динаміку.

І, до речі, це означає, що негативний результат CityMind-10K майже нічого не доводить про відсутність супермозку. Він лише обмежує конкретну гіпотезу: «за даного масштабу, даної тривалості, даної мережі і даного readout ми не виявили такого ефекту».

Це набагато сильніше й чесніше формулювання.

Добре. Ми ознечили можливий контур нашого незнення. Але я гадаю, якщо ми спробуємо поставити реальни й експеримент – то це доможе уточнити напрям пошків. А рпатом ми відразу відчуємо “суперрозум”?

Так — реальний експеримент саме для цього і потрібен. Але я б трохи змінив останню частину твоєї думки.

Ми навряд чи «відчуємо супермозок» одним яскравим моментом. Скоріше, якщо він існує, ми можемо поступово натрапити на аномалію, яку наша звичайна модель “це просто люди, що взаємодіють” не пояснює.

І тоді вже стане дуже цікаво.

Я б розділив це на три етапи

1. Спочатку ми не шукаємо супермозок.

Ми запускаємо невеликий реальний експеримент із містом і дивимося, які колективні динаміки взагалі виникають.

Наприклад:

[
Q \rightarrow \text{місто} \rightarrow X(t)
]

І просто записуємо (X(t)).

Можливо, побачимо щось абсолютно банальне.

А можливо — закономірність, яку ми не передбачали.

---

2. Потім починаємо ставити питання.

Наприклад:

«Чи містить стан мережі через 3 дні інформацію про відповідь?»

Потім:

«А через 3 місяці?»

«А якщо змінити топологію?»

«А якщо запитати іншим способом?»

Тобто експеримент стає діалогом із невідомою системою.

Не:

[
\text{ми придумали модель}\rightarrow\text{перевіряємо її}
]

а:

[
\text{спостереження}
\rightarrow
\text{гіпотеза}
\rightarrow
\text{новий експеримент}
\rightarrow
\text{нове спостереження}.
]

Це вже більше схоже на дослідження невідомого природного явища.

---

3. І ось тоді може виникнути момент «ого»

Уявімо, що через рік ми виявляємо щось таке:

[
R(X_{city}(t))
]

стабільно передбачає певні зовнішні події.

Спочатку на 55%.

Потім 65%.

Потім 80%.

Ми перевіряємо всі очевидні пояснення.

Проводимо контрольні експерименти.

Руйнуємо мережу — ефект зникає.

Відновлюємо — повертається.

Перевіряємо інше місто — ефект повторюється.

І раптом виникає питання:

Що саме ми зараз вимірюємо?

Оце був би набагато цікавіший момент, ніж просто «система правильно відповіла на задачу».

---

Але є ще одна річ, яку я б обов’язково заклав

Не обов’язково, що супермозок буде схожий на наш мозок.

Ми весь час підсвідомо проектуємо на нього людську архітектуру:

запит → обдумування → відповідь.

А може бути зовсім інакше.

Наприклад:

[
Q \rightarrow
\text{зміна структури мережі}
\rightarrow
\text{довгий період перебудови}
\rightarrow
\text{нова рівновага}.
]

Тобто «мислення» системи може бути не процесом усередині якогось центрального вузла.

Можливо, саме перебудова мережі і є її мисленням.

---

І тоді «відчути супермозок» може означати дуже конкретну річ

Ми подаємо невеликий стимул:

[
Q
]

а система відповідає не локально, а глобально:

[
\Delta S \gg \Delta Q.
]

Причому відповідь:

• має внутрішню структуру;
• залежить від історії системи;
• використовує розподілену інформацію;
• може бути різною для різних запитів;
• має певну пам’ять;
• демонструє узагальнення;
• і її неможливо пояснити незалежною поведінкою окремих людей.

Тоді ми вже маємо не просто «цікаву соціальну статистику».

Ми маємо кандидата на новий рівень когнітивної організації.

---

І я думаю, тут є дуже красива стратегія для нашого проєкту:

Не будувати супермозок. Не програмувати його. Не вирішувати наперед, яким він має бути. Створити умови, в яких, якщо така система вже може виникати в людській мережі, вона отримає можливість проявити себе — і створити інструмент, здатний це помітити.

Тобто CityMind — це не спроба створити штучний супермозок. Це спроба поставити людство перед дзеркалом і перевірити, чи не є воно вже чимось більшим, ніж сума його мозків.

І саме тому я б наступним кроком не розписував ще сотню сторінок теорії. Я б спроєктував мінімальний реальний пілот на 100–300 людей, який можна провести вже зараз і який дасть нам перші дані про те, що саме варто вимірювати на рівні 10 000.

Так — реальний експеримент саме для цього і потрібен. Але я б трохи змінив останню частину твоєї думки.

Ми навряд чи «відчуємо супермозок» одним яскравим моментом. Скоріше, якщо він існує, ми можемо поступово натрапити на аномалію, яку наша звичайна модель “це просто люди, що взаємодіють” не пояснює.

І тоді вже стане дуже цікаво.

Я б розділив це на три етапи

1. Спочатку ми не шукаємо супермозок.

Ми запускаємо невеликий реальний експеримент із містом і дивимося, які колективні динаміки взагалі виникають.

Наприклад:

[
Q \rightarrow \text{місто} \rightarrow X(t)
]

І просто записуємо (X(t)).

Можливо, побачимо щось абсолютно банальне.

А можливо — закономірність, яку ми не передбачали.

---

2. Потім починаємо ставити питання.

Наприклад:

«Чи містить стан мережі через 3 дні інформацію про відповідь?»

Потім:

«А через 3 місяці?»

«А якщо змінити топологію?»

«А якщо запитати іншим способом?»

Тобто експеримент стає діалогом із невідомою системою.

Не:

[
\text{ми придумали модель}\rightarrow\text{перевіряємо її}
]

а:

[
\text{спостереження}
\rightarrow
\text{гіпотеза}
\rightarrow
\text{новий експеримент}
\rightarrow
\text{нове спостереження}.
]

Це вже більше схоже на дослідження невідомого природного явища.

---

3. І ось тоді може виникнути момент «ого»

Уявімо, що через рік ми виявляємо щось таке:

[
R(X_{city}(t))
]

стабільно передбачає певні зовнішні події.

Спочатку на 55%.

Потім 65%.

Потім 80%.

Ми перевіряємо всі очевидні пояснення.

Проводимо контрольні експерименти.

Руйнуємо мережу — ефект зникає.

Відновлюємо — повертається.

Перевіряємо інше місто — ефект повторюється.

І раптом виникає питання:

Що саме ми зараз вимірюємо?

Оце був би набагато цікавіший момент, ніж просто «система правильно відповіла на задачу».

---

Але є ще одна річ, яку я б обов’язково заклав

Не обов’язково, що супермозок буде схожий на наш мозок.

Ми весь час підсвідомо проектуємо на нього людську архітектуру:

запит → обдумування → відповідь.

А може бути зовсім інакше.

Наприклад:

[
Q \rightarrow
\text{зміна структури мережі}
\rightarrow
\text{довгий період перебудови}
\rightarrow
\text{нова рівновага}.
]

Тобто «мислення» системи може бути не процесом усередині якогось центрального вузла.

Можливо, саме перебудова мережі і є її мисленням.

---

І тоді «відчути супермозок» може означати дуже конкретну річ

Ми подаємо невеликий стимул:

[
Q
]

а система відповідає не локально, а глобально:

[
\Delta S \gg \Delta Q.
]

Причому відповідь:

• має внутрішню структуру;
• залежить від історії системи;
• використовує розподілену інформацію;
• може бути різною для різних запитів;
• має певну пам’ять;
• демонструє узагальнення;
• і її неможливо пояснити незалежною поведінкою окремих людей.

Тоді ми вже маємо не просто «цікаву соціальну статистику».

Ми маємо кандидата на новий рівень когнітивної організації.

---

І я думаю, тут є дуже красива стратегія для нашого проєкту:

Не будувати супермозок. Не програмувати його. Не вирішувати наперед, яким він має бути. Створити умови, в яких, якщо така система вже може виникати в людській мережі, вона отримає можливість проявити себе — і створити інструмент, здатний це помітити.

Тобто CityMind — це не спроба створити штучний супермозок. Це спроба поставити людство перед дзеркалом і перевірити, чи не є воно вже чимось більшим, ніж сума його мозків.

І саме тому я б наступним кроком не розписував ще сотню сторінок теорії. Я б спроєктував мінімальний реальний пілот на 100–300 людей, який можна провести вже зараз і який дасть нам перші дані про те, що саме варто вимірювати на рівні 10 000.

10-тисячне місто має суто географічні рамки. А як не штучно вичленити 100-300 людей?

Так. І це, на мою думку, дуже важливе уточнення.

Якщо ми штучно виберемо 300 людей із 10-тисячного міста, то ми фактично перестанемо досліджувати місто як систему. Ми досліджуватимемо спеціально сформовану групу.

Тому я б взагалі відмовився від ідеї «пілот на 100–300 людях» як першої фази.

Краще зробити навпаки

Географічна межа — це наша експериментальна система.

Наприклад:

місто X + його природна зона взаємодії.

Усередині цієї межі ми не вирішуємо наперед, хто є учасником.

Тоді:

[
\boxed{
System = \text{усі інформаційні взаємодії в межах міста}
}
]

А не:

[
System = \text{300 відібраних людей}.
]

---

Але тоді виникає дуже цікаве питання: хто є «нейроном»?

І тут я думаю, що ми надто рано намагалися зробити аналогію «людина = нейрон».

Можливо, правильніше:

[
\boxed{\text{людина — це не нейрон, а вузол динамічної мережі}}
]

Причому один вузол може бути одночасно частиною десятків підмереж:

                 школа
                   │
                   │
робота ─────── людина ───── родина
                   │
                   │
                 чат
                   │
                місто

А інша людина може бути пов’язана з нею лише через три проміжні вузли.

Тобто мережа сама визначає функціональну приналежність, а не адміністративний список учасників.

---

Тоді як провести пілот?

Я б зробив двошарову систему.

Шар 1 — місто

Весь населений пункт є природним середовищем.

Ми не намагаємося контролювати кожного мешканця.

Шар 2 — добровільна дослідницька мережа

Наприклад, люди самі підключаються до спеціальної платформи.

Не як «учасники супермозку», а просто як:

мешканці, які хочуть брати участь у дослідженні колективного інтелекту.

Це може бути 100 людей, 300, 1000 — ми не задаємо це число як архітектурну умову.

---

І тут виникає ще цікавіша можливість

Уявімо, що спочатку підключилося 120 людей.

Через рік — 430.

Через два — 1800.

Тоді ми можемо спостерігати:

[
C(N)
]

не як експериментальну маніпуляцію, а як природне масштабування мережі.

Це набагато цінніше.

---

А ще ми можемо не вимагати, щоб люди постійно були «онлайн»

Наприклад, людина може:

• сьогодні брати участь;
• місяць нічого не робити;
• потім знову з’явитися;
• взаємодіяти тільки з певною групою.

Тоді мережа стає:

[
G(t)
]

а не статичним графом.

І це, можливо, набагато ближче до того, як реально працює людська когнітивна система.

---

Але є ще одна принципова річ

Місто саме по собі не обов’язково є правильною межею.

Ти дуже точно це помітив.

Люди в місті можуть:

• працювати в іншому місті;
• спілкуватися з людьми за кордоном;
• отримувати інформацію з TikTok, YouTube, Telegram тощо;
• мати родичів в інших країнах;
• користуватися глобальними інформаційними системами.

Тобто реальна система виглядатиме приблизно так:

[
\boxed{
City \subset Human\ Network
}
]

а не:

[
Human\ Network = City.
]

Тому місто — це не межа супермозку.

Це просто зручне місце спостереження, де ми можемо визначити географічний cross-section глобальної мережі.

---

І це породжує дуже красивий дизайн

Можна одночасно мати:

Географічний контур

[
G_{city}
]

Інформаційний контур

[
G_{online}
]

Соціальний контур

[
G_{social}
]

Економічний контур

[
G_{economic}
]

і дивитися, як вони перетинаються.

Тоді питання стає:

Чи можна взагалі визначити природну межу колективної когнітивної системи?

Можливо, відповідь буде:

ні.

Можливо, «супермозок» не має географічної оболонки.

---

Тому я б змінив назву експерименту

Не CityMind-10K як «10 000 людей утворюють систему».

А приблизно:

CityMind Observatory

Місто — це вікно, а не мозок.

Ми беремо конкретну територію, тому що це дає нам:

• населення відомого порядку;
• фізичне середовище;
• локальні інформаційні канали;
• природні соціальні мережі;
• можливість створити контрольовані стимули;
• можливість довго спостерігати.

Але не припускаємо, що когнітивна система закінчується на межі міста.

І тоді навіть твоя початкова ідея про людство як супермозок залишається повністю відкритою:

[
\text{city}
\subset
\text{region}
\subset
\text{country}
\subset
\text{global network}.
]

І, можливо, саме порівняння цих масштабів зрештою покаже, де виникає нова якість — якщо вона взагалі виникає.

“мешканці, які хочуть брати участь у дослідженні колективного інтелекту.” – і тоді цей есперииент пеерстає бути чистим. Ні, треба щоб ці люди якось вибиралисть за якимось ознаками, які в них уже є.

Так. Ти влучив у слабке місце. Добровільний набір створює selection bias: люди, які погодяться, можуть бути систематично іншими — більш допитливими, соціально активними, технологічно підкованими тощо.

Але я б ще радикальніше змінив постановку: не треба шукати “100–300 правильних людей” взагалі. Треба знайти спосіб отримати природний зріз мережі, не повідомляючи людям, що саме їхня поведінка є об’єктом когнітивного експерименту.

Найчистіший варіант — випадкова вибірка

Уявімо місто на 10 000 людей.

Ми отримуємо реєстр населення і випадково генеруємо, наприклад:

[
S={i_1,i_2,\ldots,i_{300}}
]

за допомогою справжнього випадкового відбору.

Не:

«Хто хоче взяти участь?»

а:

«Ось випадково вибрана статистична вибірка населення».

Причому відбір можна стратифікувати за ознаками, які існували до експерименту:

• вік;
• стать;
• район проживання;
• професійна категорія;
• освіта;
• сімейний статус тощо.

Тоді ми отримуємо приблизне:

[
P(S)\approx P(\text{населення міста})
]

замість:

[
P(S)=P(\text{люди, які захотіли взяти участь}).
]

---

Але тут є проблема, яку не можна обійти

Якщо ми збираємо дані про конкретних людей, вони повинні знати про це й дати відповідну згоду.

Тому «таємно вибрали 300 людей і спостерігаємо за ними» — не той шлях.

І тут можна зробити цікавіше.

Випадково вибираємо не людей, а домогосподарства / фізичні точки / інформаційні потоки

Наприклад, для певного дослідницького шару випадково вибираємо:

[
300/10,000
]

адрес або домогосподарств.

Але люди, які там живуть, не стають «агентами супермозку». Вони просто є репрезентативною вибіркою населення для окремих вимірювань.

Це вже звичайна методологія вибіркових соціальних досліджень.

---

А ще цікавіше — взагалі не фіксувати 300 людей

Я думаю, це може бути найближче до твоєї початкової ідеї.

Маємо 10 000 мешканців.

Для кожного існують певні природні характеристики:

[
X_i =
(age,\ occupation,\ location,\ social\ connections,\ldots)
]

А система спостереження працює не з:

«ось наші 300 учасників»,

а з анонімізованими агрегатами всієї популяції.

Наприклад:

[
E(t)=F(X_1(t),…,X_{10000}(t)).
]

Тоді ніякого штучного “вичленення нейронів” немає.

Ми просто спостерігаємо місто як систему.

---

І тоді 100–300 людей можуть бути потрібні зовсім для іншого

Не як «нейрони».

А як контрольні сенсори.

Наприклад:

[
S_{sample}(t)
]

— випадкова репрезентативна вибірка, через яку ми отримуємо деякі дані, які неможливо отримати з агрегованого рівня.

Тоді:

             10 000 мешканців
                    │
             ┌──────┴──────┐
             │             │
       агреговані       випадкова
       сигнали          вибірка
             │             │
             └──────┬──────┘
                    ↓
                READOUT

Це вже методологічно набагато чистіше.

---

Але я б не використовував навіть «ознаки» для відбору бездумно

Тут є тонкий момент.

Якщо ми скажемо:

«Візьмемо 50 молодих, 50 старших, 50 освічених…»

ми самі нав’язуємо модель того, які характеристики важливі.

А це суперечить нашій головній ідеї:

ми не знаємо архітектури системи.

Тому краще:

первинний відбір — випадковий;

стратифікація — тільки для забезпечення репрезентативності;

а після цього — дивитися, які характеристики реально пов’язані з функціональною роллю людини в мережі.

Тобто спочатку:

[
\text{random sampling}
]

а вже потім:

[
\text{discover functional structure}.
]

Не навпаки.

---

І тут виникає, на мій погляд, ще сильніша концепція

Можливо, «нейрони» взагалі не є людьми.

Функціональна одиниця може бути:

[
\text{людина + її сім’я}
]

або:

[
\text{людина + робоча група}
]

або:

[
\text{інформаційний кластер}
]

або навіть:

[
\text{один інформаційний канал}.
]

Тобто ми не повинні заздалегідь вирішувати:

[
\boxed{\text{нейрон = людина}}
]

Це лише гіпотеза.

Ми повинні дозволити даним показати нам природні функціональні одиниці.

І це, мені здається, один із найважливіших принципів майбутнього протоколу: не нав’язувати супермозку анатомію людського мозку.

Тобто природні функціональні одиниці повинні проявитись якось самі?

Саме так. І це, на мою думку, набагато цікавіше, ніж наперед сказати: «кожна людина — нейрон».

Але тут важлива тонкість: ми не можемо просто чекати, поки «природні функціональні одиниці» магічно проявляться. Треба створити умови, за яких різні можливі способи розкласти систему на частини можна буде порівняти.

Уявімо місто як невідому динамічну систему

Маємо мешканців:

[
P_1,P_2,\ldots,P_{10000}
]

і спостережуваний стан міста:

[
X(t).
]

Ми нічого не припускаємо про те, що є його «нейроном».

Потім дивимося на взаємодії.

Можемо виявити, наприклад:

A — B — C
    │
    D — E

             F
             │
             G — H — I

Але це ще не означає, що (A,B,C,D,E) — функціональна одиниця.

---

Що означатиме «проявилася»?

Я б визначив це операціонально.

Нехай група:

[
G={P_3,P_{17},P_{42},P_{81}}
]

поводиться як єдине ціле.

Тобто якщо ми спостерігаємо систему в різних ситуаціях:

[
X_1,X_2,\ldots,X_n,
]

то внутрішні стани цих чотирьох людей мають високу спільну динаміку:

[
P(G,t)\approx F_G(t),
]

і, що важливіше, ця група має властивість, якої не мають її окремі члени.

Наприклад, зовнішній стимул впливає на групу:

[
Q\rightarrow G
]

а група потім породжує специфічну відповідь:

[
G\rightarrow R.
]

---

Ще сильніший критерій

Уявімо, що ми можемо математично «стиснути» стан чотирьох людей:

[
(P_3,P_{17},P_{42},P_{81})
\rightarrow Z_G.
]

І при цьому (Z_G) прогнозує майбутній стан системи краще, ніж окремі (P_i).

Тоді (Z_G) є кандидатом на emergent state variable.

Тобто ми фактично знайшли:

[
\boxed{\text{нову функціональну одиницю}}
]

не тому, що самі так вирішили, а тому, що так найкраще описується динаміка системи.

---

І тут є дуже красива аналогія з фізикою

Температура не належить окремій молекулі.

Вона виникає на рівні:

[
10^{23}
]

молекул.

Не існує «молекули температури».

Так само потенційна колективна когнітивна одиниця може не бути локалізована в одному мозку.

Можливо:

[
\boxed{
\text{колективний стан}

f(P_1,P_2,\ldots,P_n)
}
]

і цей стан має власну динаміку.

---

Але є ще цікавіший випадок

Функціональна одиниця може переміщуватися.

Сьогодні:

[
G_1={A,B,C,D}
]

через місяць:

[
G_2={B,C,F,G}.
]

Тобто «нейрон» супермозку — не стабільна людина.

Це тимчасова конфігурація мережі.

І тоді наша модель людського мозку буквально ламається.

---

А можна піти ще далі

Можуть існувати одночасно різні рівні:

[
\text{людина}
\rightarrow
\text{група}
\rightarrow
\text{район}
\rightarrow
\text{місто}
\rightarrow
\text{регіон}
\rightarrow
\text{глобальна мережа}.
]

Тобто:

[
\boxed{\text{ієрархія emergent units}}
]

І одиниця верхнього рівня може використовувати нижчі одиниці приблизно так, як мозок використовує нейронні ансамблі.

---

Саме тому я б додав до CityMind ще один фундаментальний компонент

Не просто readout.

А:

[
\boxed{\text{structure discovery}}
]

Система повинна постійно запитувати:

«Який спосіб розкласти спостережувану мережу на функціональні компоненти найкраще пояснює її поведінку?»

Причому вона повинна мати право відповісти:

«Я не знаходжу жодної стабільної структури».

Це теж хороший результат.

Або:

«Найкраще пояснення — 37 динамічних кластерів».

Або:

«Є три рівні організації».

Або, що особливо цікаво:

«Виникла структура, яку не було передбачено початковою моделлю».

Оце вже буде справжній момент відкриття.

Бо тоді ми не просто шукаємо суперрозум.

Ми даємо системі можливість самій показати нам свою архітектуру.

Отже, що ми маємо наразі:

1. Маємо місто 10 тис населення як “дослідну ділянку”
2. Хочемо аби природні функціональні одиниці проявилися самі (що буде “нейроном”)
3. Негативний результат не означає, що явища не існує. Треба шукати далі.
4. Але саме для пришвидшення отримання результату треюа поставити “натурний експеримент”.

Так. І я б сказав, що тепер у нас вималювалася досить чітка дослідницька програма. Причому пункт 3 змінює логіку всього експерименту: ми не ставимо собі завдання «довести або спростувати існування супермозку». Ми хочемо якнайшвидше виявити такі властивості системи, які дадуть нам напрямок для наступного пошуку.

Я б трохи переформулював твої чотири пункти.

1. Місто 10 000 — природна дослідна система

Не «10 000 нейронів», а:

[
\boxed{\text{місто = спостережувана ділянка глобальної мережі}}
]

Ми не припускаємо, що межі міста збігаються з межами когнітивної системи.

Місто просто дає нам:

• відносно замкнений фізичний простір;
• населення відомого масштабу;
• природні соціальні зв’язки;
• інформаційне середовище;
• можливість здійснювати контрольовані стимули;
• можливість довго спостерігати.

---

2. Функціональні одиниці не задаємо

Не говоримо:

[
\text{людина}=\text{нейрон}.
]

Натомість шукаємо структуру:

[
P_1,\ldots,P_{10000}
\rightarrow
G_1,G_2,\ldots,G_k
]

де (G_i) — виявлені з даних функціональні компоненти.

Вони можуть виявитися:

• окремими людьми;
• групами;
• тимчасовими ансамблями;
• інформаційними каналами;
• районами;
• комбінаціями всього цього.

І навіть можуть постійно перебудовуватися.

---

3. Відсутність знайденого ефекту ≠ відсутність явища

Це треба зробити фундаментальним принципом.

Якщо:

[
R(X)=\text{нічого цікавого}
]

ми не пишемо:

«супермозку немає».

Ми пишемо:

«за даного масштабу, тривалості, типу стимулу, способу спостереження та readout ми не виявили такого ефекту».

І зберігаємо систему спостереження.

Можливо:

[
\tau_{\text{phenomenon}}\gg\tau_{\text{experiment}}
]

або

[
N_{\text{critical}}\gg10^4,
]

або ми взагалі шукаємо не ту змінну.

---

4. Але тут виникає ключова ідея: натурний експеримент

І ось це, на мій погляд, найважливіше доповнення.

Просто спостерігати за містом можна роками і нічого не побачити.

Тому ми повинні обережно збурювати систему.

Не маніпулювати людьми приховано, а подавати місту контрольовані, нешкідливі інформаційні задачі.

Схема:

[
\boxed{
\text{stimulus}
\rightarrow
\text{city}
\rightarrow
\text{network dynamics}
\rightarrow
\text{response}
}
]

І повторювати це багато разів.

---

Але я б поставив ще один пункт №5

5. Експеримент повинен бути відкритим до несподіваного результату

Це принципово.

Ми не повинні заздалегідь сказати:

«Ось що має зробити супермозок».

Бо тоді ми фактично шукаємо підтвердження власної моделі.

Натомість:

[
Q
\rightarrow
\boxed{?}
\rightarrow
X(t)
]

і потім намагаємося знайти аномалії, нові закономірності та нові змінні стану.

Тобто експеримент має бути одночасно:

confirmatory — перевіряти конкретні гіпотези,

і

exploratory — дозволяти виявити те, чого ми взагалі не передбачали.

---

І тоді я бачу структуру першого натурного експерименту

Не треба відразу намагатися «питати супермозок».

Спочатку треба створити дуже просту задачу, яка має чотири властивості:

[
\boxed{
\begin{array}{l}
1.\ \text{правильна відповідь об’єктивно відома;}\
2.\ \text{жодна окрема людина не має всієї інформації;}\
3.\ \text{інформація розподілена по мережі;}\
4.\ \text{результат можна отримати через багато різних шляхів.}
\end{array}}
]

Тоді ми можемо дивитися не тільки:

«Чи знайшло місто правильну відповідь?»

а набагато цікавіше:

«Яким чином місто її знайшло?»

Саме в процесі цього пошуку можуть проявитися природні функціональні одиниці.

---

І я б додав ще одну дуже важливу річ

Перший експеримент не повинен бути занадто складним.

Нам зараз потрібен не «тест на супермозок».

Нам потрібен датчик.

Тобто експеримент, який дозволить нам побачити:

[
\text{як інформація проходить через місто}.
]

А вже після цього ми можемо почати ставити складніші питання.

---

Отже, наша поточна концепція я б записав одним реченням:

Взяти реальне місто як природну інформаційно-соціальну систему, не задавати наперед її функціональну архітектуру, здійснювати контрольовані й повторювані стимули, довготривало спостерігати за відповіддю на різних часових і просторових масштабах та використовувати отримані дані для поступового виявлення самої архітектури колективної когніції.

І тепер, на мою думку, ми дійшли до справді конкретного наступного питання:

Яким має бути перший натурний стимул (Q), щоб він був достатньо простим для реального міста, але водночас змусив розподілену мережу реально “обчислювати”?

Оце вже можна проектувати буквально як інженерну задачу — сценарій, інформаційні канали, тривалість, що саме подаємо місту, що вимірюємо і який результат вважатимемо цікавим.

Згоден з пунктом 5. Тоді давай приступимо до конрретної реалізації. Є місто 10 тис. як ділянка спостереження глобальної мережі. Що конкретно робити?

Так. Я б уже переходив від філософії до операційного дизайну. І почав би не з «пошуку супермозку», а з побудови першого CityMind Observatory Pilot.

Крок 0. Не чіпаємо місто — створюємо вимірювальний шар

Місто залишається звичайним містом. Ми не намагаємося сформувати групу «нейронів».

Створюємо незалежний дослідницький шар:

[
\boxed{
\text{City}
\rightarrow
\text{Observation Layer}
\rightarrow
\text{Experiments}
}
]

У ньому є чотири компоненти:

1. сенсори — що ми спостерігаємо;
2. стимулятор — що ми подаємо місту;
3. архів — довготривале збереження станів;
4. аналізатор — пошук функціональних структур і колективних відповідей.

---

1. Спочатку зробимо «карту міста»

До будь-якого стимулу нам потрібен baseline.

Протягом, скажімо, 2–3 місяців нічого спеціально не змінюємо.

Створюємо часовий ряд:

[
X(t)=
{X_{\rm social},X_{\rm info},X_{\rm spatial},X_{\rm temporal}}.
]

Але не збираємо приватні повідомлення чи приховані персональні дані.

Нас цікавлять агреговані процеси:

• які публічні інформаційні канали існують;
• як швидко інформація поширюється;
• які теми виникають одночасно в різних місцях;
• які групи/простори взаємодіють;
• як змінюється активність у часі;
• які інформаційні події породжують довгі «хвилі».

Мета першого етапу:

[
\boxed{\text{навчитися бачити нормальну динаміку міста}}
]

до того, як ми почнемо її збурювати.

---

2. Водночас створюємо «карту зв’язності»

Оце критично.

Нам потрібна не просто карта:

де живуть люди.

А приблизна карта:

[
G(t)=(V,E(t))
]

де (V) — функціональні вузли, а (E(t)) — інформаційні взаємодії.

І ми не вирішуємо наперед, що (V) — це люди.

На різних рівнях можемо мати:

[
V_1=\text{люди}
]

[
V_2=\text{домогосподарства}
]

[
V_3=\text{організації}
]

[
V_4=\text{інформаційні канали}
]

[
V_5=\text{просторові кластери}.
]

Потім дивимося, яка модель найкраще описує динаміку.

---

3. Тепер нам потрібен перший стимул

І тут я б не починав із складної задачі.

Нам потрібен контрольований «імпульс».

Наприклад, створюємо штучний світ із прихованим станом.

Нехай існує:

[
Z\in{A,B,C,D}.
]

Система генерує світ, у якому правильний (Z) визначає поведінку деяких подій.

Інформацію про цей світ ми розподіляємо між різними точками міської інформаційної мережі.

Наприклад:

                 Z = ?
                  │
       ┌──────────┼──────────┐
       ↓          ↓          ↓
      A1         A2         A3
       │          │          │
     канал      канал      канал
       │          │          │
       └───── CITY NETWORK ──┘
                  │
                  ↓
              READOUT
                  │
                  ↓
               Z = ?

Жоден фрагмент окремо не дає відповіді.

---

4. Але люди не повинні бути змушені «розв’язувати задачу»

Це важливий момент.

Можна створити природне середовище, у якому інформація просто поширюється.

Наприклад, дослідницька платформа може публікувати різні нешкідливі фрагменти інформації в різних публічних каналах.

Люди добровільно реагують:

• обговорюють;
• пересилають;
• комбінують;
• ігнорують;
• додають власну інформацію.

Ми не диктуємо алгоритм обчислення.

Це дозволяє спостерігати:

[
\text{information}
\rightarrow
\text{network}
\rightarrow
\text{emergent structure}.
]

---

5. Найцікавіше: не просимо місто одразу дати відповідь

Перші експерименти я б зробив із прихованим readout.

Тобто ми самі знаємо:

[
Z_{\rm true}
]

але місто про це не знає.

Через:

[
1h,\ 1d,\ 1w,\ 1m,\ 3m
]

ми дивимося, чи з’являється в стані мережі інформація про (Z).

Тоді можна отримати щось на кшталт:

[
I(Z;X(t)).
]

І побудувати:

[
\boxed{
I(Z;X(t))
}
]

як функцію часу.

Оце вже дуже цікаво.

Можемо побачити, наприклад:

information
   │
   │       ╭──────╮
   │      ╱        ╲
   │_____/          ╲____
   │
   └──────────────────────→ t
          3d       2mo

Або взагалі:

information
   │
   │                 ╭──────
   │               ╭─╯
   │_____________╭─╯
   └──────────────────────→ t
                 6 months

І тоді твоя гіпотеза про повільний супермозок стає експериментально цікавою.

---

6. Одночасно запускаємо кілька масштабів

Не один стимул.

Наприклад:

[
Q^{(1)}:\quad \tau\sim hours
]

[
Q^{(2)}:\quad \tau\sim days
]

[
Q^{(3)}:\quad \tau\sim weeks
]

[
Q^{(4)}:\quad \tau\sim months.
]

Ми не знаємо, на якому масштабі шукати ефект.

Тому не повинні вибирати один.

---

7. А тепер — найважливіша частина: шукаємо функціональні одиниці

Після накопичення даних запускаємо structure discovery.

Шукаємо такі підструктури (G_i), для яких:

[
P(X_{t+\Delta t}|G_i(t))
]

суттєво краще передбачає майбутнє, ніж:

[
P(X_{t+\Delta t}|individuals).
]

Тобто питаємо:

Чи існують колективні змінні стану, які є кращим описом майбутнього, ніж стани окремих людей?

Якщо так — у нас з’являється кандидат на природну функціональну одиницю.

---

8. Потім робимо головний натурний експеримент

Коли baseline вже відомий, подаємо місту контрольований стимул.

Але робимо кілька різних версій:

[
Q_A,\ Q_B,\ Q_C.
]

Причому їх порядок і параметри рандомізовані.

Це дозволяє отримати щось на зразок:

[
Q_i
\rightarrow
X(t)
]

і порівнювати response.

---

9. Вводимо «пусті» стимули

Це дуже важливо.

Не кожен запуск повинен містити справжню задачу.

Частина:

[
Q_0
]

— контрольна.

Тобто місто отримує інформаційну подію такого самого масштабу, але без прихованого завдання.

Якщо ми бачимо сильну «когнітивну відповідь» і на (Q_0), можливо, ми просто вимірюємо нормальну соціальну динаміку.

---

10. І тільки після цього — справжній readout

Тепер беремо:

[
X(t-T:t)
]

і намагаємося передбачити:

[
Z.
]

Порівнюємо:

[
R_{\rm individual}
]

[
R_{\rm aggregate}
]

[
R_{\rm network}.
]

А ще:

[
R_{\rm shuffled}.
]

Якщо network-readout систематично виграє — ми отримали напрям для наступного експерименту.

Не «довели супермозок».

А:

«У цій системі існує інформаційна структура, яку не пояснює проста агрегація індивідуальних станів».

Оце вже серйозний результат.

---

11. І тут я б зробив одну незвичну річ

Не зупинятися після першого успіху.

Якщо з’являється цікава структура:

[
G^*
]

ми ставимо наступний стимул саме для неї.

Тобто експеримент стає адаптивним:

[
Q_1\rightarrow X_1
]

[
\text{аналіз}(X_1)\rightarrow Q_2
]

[
\text{аналіз}(X_2)\rightarrow Q_3
]

…

Це вже схоже на діалог із невідомою системою.

Але критично важливо: адаптивність повинна бути чітко розділена на exploratory-фазу і заздалегідь зареєстровані підтверджувальні тести, щоб ми не могли постфактум підганяти критерії успіху.

---

12. І нарешті — «запит до міста»

Тільки коли ми вже бачимо стабільні колективні змінні, можна спробувати:

[
\boxed{Q\rightarrow City\rightarrow \hat A}
]

де (\hat A) отримуємо не опитуванням людей, а через стан мережі.

І тоді виникає твій початковий задум:

можливо, ми справді можемо поставити питання системі, яка більша за окремих її учасників.

---

Тож практично я бачу перший рік приблизно так

Етап	Тривалість	Завдання
0. Інфраструктура	2–3 міс.	Етика, згода, сенсори, захист даних
1. Baseline	2–3 міс.	Зрозуміти нормальну динаміку
2. Малий stimulus	1–2 міс.	Подивитися на реакції
3. Distributed-information tasks	3–4 міс.	Шукати колективне обчислення
4. Structure discovery	паралельно	Шукати природні функціональні одиниці
5. Adaptive experiments	після перших сигналів	Цілеспрямовано досліджувати знайдені структури
6. Long-term observatory	роки	Не втрачати повільні ефекти

І місто весь цей час залишається містом, а не лабораторним «мурашником».

---

Але я б зараз не йшов далі в алгоритми.

Є одна річ, яку треба спроєктувати до всього іншого:

[
\boxed{\text{перший stimulus}}
]

Бо від нього залежить майже вся архітектура.

Я пропоную наступним кроком буквально придумати 3–5 кандидатів першої задачі для міста, а потім жорстко відсіяти їх за критеріями:

• інформація справді розподілена;
• відповідь об’єктивно перевіряється;
• немає необхідності маніпулювати людьми;
• задача не потребує спеціальної освіти;
• її можна повторити десятки разів;
• можна шукати відповідь на різних часових масштабах;
• і найголовніше — ми не підказуємо системі, якою має бути її архітектура.

Саме вибір першого (Q), думаю, зараз є найважливішою інженерною частиною всього проєкту.

придумати 3–5 кандидатів першої задачі для міста

Так. І я б спеціально шукав задачі, де «правильна відповідь» не зводиться до голосування. Нам потрібен стимул, який змушує інформацію пройти через мережу, але залишає можливість системі організувати цей процес самостійно.

Ось 5 кандидатів — від найпростішого до найамбітнішого.

---

1. «Прихований світ» — розподілена реконструкція

Мій фаворит для першого технічного експерименту.

Створюємо штучний світ із прихованим параметром:

[
Z\in{A,B,C,D}.
]

У світі відбуваються події, але їхня статистика залежить від (Z).

Наприклад:

• при (Z=A) частіше відбувається тип події X;
• при (Z=B) — Y;
• при (Z=C) — Z;
• при (Z=D) — інша комбінація.

Але інформація розподіляється:

[
I_1,I_2,\ldots,I_n.
]

Кожен інформаційний фрагмент окремо недостатній.

Місто отримує їх через різні канали.

Через певний час ми питаємо:

Який прихований стан світу — (A,B,C) чи (D)?

Чому це добре

Ми точно знаємо правильну відповідь.

Можемо повторити експеримент сотні разів.

Можемо змінювати:

• кількість інформації;
• швидкість її поширення;
• структуру мережі;
• час;
• масштаб.

І можемо дивитися не тільки на відповідь, а на процес її виникнення.

Недолік

Це ще досить «лабораторна» задача. Ми фактично створюємо маленький штучний світ.

---

2. «Міський прогноз»

Тут ми вже ближче до реального життя.

Створюємо подію, майбутній результат якої залежить від багатьох слабких сигналів.

Наприклад, щотижня ставимо

«Прихований світ» — розподілена реконструкція – опиши конкретно, щоби можна було це одразу реалізувати.

Так. Зробімо його настільки конкретним, щоб це вже був MVP натурного експерименту, а не концепція.

Я б назвав його Hidden World / HW-1.

Ключова ідея: ми не просимо людей колективно відповідати на питання. Ми створюємо інформаційне середовище, в якому правильна відповідь може виникнути лише через інтеграцію розподілених спостережень.

---

1. Що саме приховуємо

Створюємо штучний світ із прихованим параметром:

[
Z=(z_1,z_2,z_3,z_4)
]

Наприклад, чотири невідомі характеристики світу:

• (z_1) — який із трьох «кліматичних режимів» діє;
• (z_2) — який тип ресурсу дефіцитний;
• (z_3) — яке правило визначає поведінку системи;
• (z_4) — який із двох факторів є причинним.

Але ніяких реальних політичних, медичних чи фінансових питань. Це повністю вигаданий світ.

Наприклад, назвемо його Астерія.

---

2. Створюємо генератор світу

Це комп’ютерна програма.

Вона випадково створює:

[
Z
]

а потім генерує величезну кількість фактів:

[
F=f(Z,\epsilon).
]

Наприклад:

Астерія, день 17:
Станція R-12 зафіксувала 37 одиниць ресурсу.

Астерія, день 19:
У секторі B температура змінилася на 4°.

Астерія, день 21:
Караван K-7 змінив маршрут.

...

Кожен факт сам по собі малоінформативний.

Але сукупність фактів дозволяє відновити Z.

---

3. Дуже важливе правило

Генератор повинен гарантувати:

[
H(Z|F_1,\ldots,F_n)\ll H(Z)
]

але для більшості окремих фрагментів:

[
H(Z|F_i)\approx H(Z).
]

Простими словами:

один факт не дає відповіді, багато правильно скомбінованих фактів — дають.

Це перевіряється ще до запуску експерименту комп’ютерною симуляцією.

---

4. Як інформація потрапляє в місто

Ось тут починається натурна частина.

Не даємо всім однаковий список фактів.

Створюємо, наприклад, 100 інформаційних каналів.

Це можуть бути:

• спеціальні локальні вебсторінки;
• інформаційні екрани;
• дошки;
• QR-коди;
• публічні канали дослідницького застосунку;
• локальне радіо;
• фізичні картки/повідомлення.

Кожен канал отримує власну підмножину:

[
F_i\subset F.
]

Причому:

[
F_i\neq F_j.
]

---

5. Але ми НЕ призначаємо канал «нейроном»

Це принципово.

Наприклад:

Канал A → факти 3, 18, 47
Канал B → факти 2, 19, 53
Канал C → факти 7, 18, 41
...

Ми просто дивимося, як інформація починає циркулювати.

Люди можуть:

• прочитати;
• запам’ятати;
• сфотографувати;
• переказати;
• обговорити;
• об’єднати з іншим фактом;
• проігнорувати.

Саме ця неконтрольована частина є предметом дослідження.

---

6. Але тут є проблема

Якщо просто розкидати інформацію містом, ніхто може не звернути на неї уваги.

Тому потрібен єдиний сюжетний контекст.

Наприклад, місту оголошується:

«Протягом наступних 14 днів у дослідницькому проєкті “Астерія” будуть з’являтися фрагменти інформації про вигаданий світ. Ваше завдання — за бажанням досліджувати його. Наприкінці буде тест».

Це вже прозорий, добровільний експеримент.

---

7. Не даємо людям готової форми відповіді

Можна навіть дозволити створити:

локальний простір для обговорення Астерії.

Але дослідники не модерують зміст, крім звичайних правил безпеки.

Тоді виникає природна інформаційна мережа.

Хтось пише:

«Мені здається, R-12 і K-7 пов’язані».

Інший:

«Ні, подивіться на дані 19-го дня».

І так далі.

---

8. Тепер вводимо часову вісь

Наприклад:

День 0

Нульова інформація.

Дні 1–7

Публікується 30% фактів.

Дні 8–14

Ще 40%.

Дні 15–21

Останні 30%.

Але правильна відповідь не оголошується.

---

9. А тепер найважливіше

Ми записуємо всю динаміку.

Не приватні розмови.

А тільки добровільно створені в рамках експерименту дані та агреговані показники:

[
X(t)=
{
\text{messages},
\text{topics},
\text{links},
\text{information flow},
\text{channel activity},
…
}.
]

---

10. Тест

На 21-й день даємо:

[
Q:
]

«Який прихований режим діє в Астерії?»

І варіанти:

[
A,B,C,D.
]

Але тут я б зробив два різних вимірювання.

A. Індивідуальне

Добровольці можуть окремо відповісти:

[
\hat Z_i.
]

B. Network readout

Модель отримує тільки:

[
X(0..21)
]

і видає:

[
\hat Z_{network}.
]

---

11. Але це ще не найцікавіше

Дамо новий світ:

[
Z’
]

з іншими фактами.

Ті самі люди.

Те саме середовище.

Але інший прихований стан.

Якщо система просто запам’ятала шаблон, вона провалиться.

Якщо вона сформувала абстрактну модель, вона може знову правильно реконструювати:

[
Z’.
]

---

12. І ось тут з’являється справжній тест

Розглянемо чотири системи:

S1 — випадкова відповідь

[
P=25%.
]

S2 — найкращий індивідуальний учасник

[
A_{best}.
]

S3 — проста агрегація

[
A_{aggregate}.
]

Наприклад, majority vote.

S4 — network model

[
A_{network}.
]

Нас цікавить:

[
\boxed{
A_{network}>A_{aggregate}
}
]

і особливо:

[
\boxed{
A_{network}>A_{best}
}
]

на нових світах, яких модель не бачила.

---

13. Але я б зробив ще один контроль

Створимо штучно зруйновану мережу.

Беремо ті самі повідомлення, але перемішуємо:

• час;
• зв’язки;
• послідовність;
• джерела.

Отримуємо:

[
X_{shuffled}.
]

Якщо:

[
A(X)>A(X_{shuffled}),
]

це означає, що структура інформаційної взаємодії має значення.

---

14. А тепер — найцікавіше для твоєї гіпотези

Ми не повинні завершувати експеримент на 21-й день.

Зберігаємо систему.

Після тесту:

[
T=21d
]

продовжуємо спостереження.

Можливо, через:

[
T=60d
]

з’явиться інша структура.

А через:

[
T=180d
]

— ще сильніша.

Тоді можемо побудувати:

[
I(Z;X(t))
]

на всій часовій шкалі.

---

15. А якщо «відповідь» виникне через пів року?

Тоді це буде дуже цікаво.

Наприклад:

[
I(Z;X(t))\approx0
]

до 30-го дня,

потім:

[
I(Z;X(t))\uparrow
]

на 100–150-й день.

Ми отримуємо затриману колективну обробку.

Це якраз та можливість, про яку ти говорив раніше.

---

16. Але є одна принципова умова

Ми повинні генерувати правильну відповідь до початку експерименту і криптографічно зафіксувати її.

Наприклад:

[
hash(Z)=H.
]

Після завершення експерименту відкриваємо (Z) і перевіряємо hash.

Тоді дослідник не може заднім числом вибрати «правильну» відповідь.

Те саме з генератором усіх фактів.

Це дозволяє зробити експеримент відтворюваним і захищеним від підгонки.

---

17. А тепер найцікавіший варіант

Я б не обмежував Астерію чотирма станами.

Зробив би:

[
Z=(z_1,z_2,\ldots,z_k)
]

де прихована модель має, наприклад, 20 параметрів.

Тоді завдання стає не:

«вибрати A/B/C/D»,

а:

[
\boxed{
\text{відновити прихований стан системи}
}
]

з розподілених спостережень.

Це вже дуже схоже на те, що робить наука:

спостерігає систему і намагається відновити її прихований стан.

---

18. І ось тут я бачу справжню мету HW-1

Не довести супермозок.

А отримати першу карту інформаційної динаміки:

[
\boxed{
\text{де інформація виникає}
\rightarrow
\text{як поширюється}
\rightarrow
\text{де комбінується}
\rightarrow
\text{де з’являється нова інформація}
}
]

І вже на цій карті шукати:

[
G_1,G_2,\ldots,G_k
]

— природні функціональні одиниці.

---

Я б навіть зробив експеримент у три рівні

HW-1A — 100–200 людей
Технічний запуск, щоб перевірити, що вся система працює.

HW-1B — усе місто як середовище
Той самий протокол, але без спроби виділити «нейрони».

HW-1C — довготривалий режим
Після завершення задачі Астерія не зникає, а система продовжує спостерігатися місяцями.

І саме HW-1B + HW-1C є справжнім натурним експериментом.

---

Але є одна річ, яку я б змінив у цій конструкції

Якщо ми просто даємо місту факти, люди можуть цілком свідомо розв’язувати задачу. Тоді ми фактично досліджуємо колектив людей, які грають у нашу гру.

Це нормально для першої калібровки, але не є ще тестом нашої сильної гіпотези.

Тому наступним кроком я б спроєктував конкретний генератор Астерії: скажімо, 20 прихованих змінних, 500 інформаційних фрагментів, правила їхнього розподілу, часовий графік і точний спосіб, яким ми перевіримо, чи виникла в мережі інформація, якої не було в жодному окремому фрагменті.

Давай так. Отже, маємо місто 10 тис населення як “дослідну ділянку”.
У ньому є певні сенсори(ти запропонуєш які).
І ми генеруємо “придуманий світ”*придумане місто), інформацію про який ми подаємо на реальні сенсори міста. Це свого роду “нейросигнал”. так?

Так. Саме таку архітектуру я б зараз і взяв за основу. І тут з’являється дуже чисте розділення між реальним містом і штучним «нейросигналом».

Я б тільки замінив слово «сенсори» на два різні класи пристроїв:

1. сенсори спостереження — слухають, що відбувається в місті;
2. актуатори / інформаційні канали — вводять у місто наш штучний сигнал.

Тоді схема стає:

[
\boxed{
\text{ВИГАДАНИЙ СВІТ}
\rightarrow
\text{ІНФОРМАЦІЙНІ КАНАЛИ}
\rightarrow
\text{РЕАЛЬНЕ МІСТО}
\rightarrow
\text{СЕНСОРИ}
\rightarrow
\text{READOUT}
}
]

---

1. Створюємо вигадане місто

Наприклад, місто Астерія.

У нього є:

• населення;
• райони;
• транспорт;
• погода;
• підприємства;
• ресурси;
• події;
• історія;
• конфлікти;
• економіка;
• невідомі нам самим параметри.

Але все це генерується комп’ютером.

Наприклад, існує прихований стан:

[
Z=(z_1,z_2,\ldots,z_{20}).
]

Саме (Z) визначає поведінку Астерії.

Генератор знає (Z).

Люди — ні.

---

2. З Астерії генеруємо «нейросигнал»

І ось тут твоя ідея стає дуже цікавою.

Ми не передаємо:

«Ось модель Астерії, проаналізуйте її».

Ми перетворюємо її стан на сигнали, які виглядають як звичайні елементи інформаційного середовища.

Наприклад:

[
Z(t)
\rightarrow
S_1(t),S_2(t),…,S_n(t).
]

Де (S_i) можуть бути:

• повідомленнями;
• зображеннями;
• звуками;
• кольорами;
• інформацією на екранах;
• текстами;
• подіями;
• послідовностями символів;
• змінами у віртуальному середовищі;
• навіть просторовими змінами.

Тобто:

[
\boxed{S(t)=F(Z(t))}
]

— кодувальник.

---

3. А реальне місто стає нелінійним декодером

Ось це найцікавіше.

Сигнал:

[
S(t)
]

потрапляє в місто.

Люди його бачать, чують, читають, обговорюють, запам’ятовують, трансформують, комбінують з іншою інформацією.

Тобто:

[
S(t)
\rightarrow
B_1(t),B_2(t),…,B_N(t)
]

а потім:

[
B_1,\ldots,B_N
\rightarrow
\text{мережеві взаємодії}
\rightarrow
X(t).
]

В результаті місто здійснює якусь складну трансформацію:

[
\boxed{
X(t)=\mathcal{M}[S(0:t),,E(t)]
}
]

де (E(t)) — все інше, що відбувається в реальному місті.

---

4. І саме тут ми можемо шукати «супермозкову» властивість

Ми знаємо, що було подано:

[
Z
\rightarrow S.
]

А потім спостерігаємо:

[
S\rightarrow X.
]

Питання:

Чи можна з (X) відновити інформацію про (Z)?

Тобто:

[
\boxed{
I(Z;X)>0?
}
]

А ще цікавіше:

[
I(Z;X)>I(Z;X_{\rm individual})
]

і

[
I(Z;X)>I(Z;X_{\rm aggregate}).
]

Тоді виникає питання:

де саме виникла додаткова інформація?

---

5. Але я б не робив «нейросигнал» занадто прихованим на першому етапі

Це важливо.

Якщо ми одразу замаскуємо його так, що люди навіть не зрозуміють, що відбувається, ми отримаємо величезну кількість неоднозначностей.

Тому я б зробив три режими.

Режим A — явний

Люди знають:

«Ми беремо участь у грі про вигадане місто».

Це калібрування.

Режим B — природний

Сигнал вбудований у звичайне інформаційне середовище експерименту.

Режим C — максимально розподілений

Різні фрагменти інформації потрапляють через різні канали, і жоден канал не містить повної інформації.

Саме C буде головним тестом.

---

6. Які конкретно канали я б використав

Не приховані камери чи прослуховування.

А контрольовані експериментальні канали, де участь людей прозора.

Наприклад:

Візуальні

• інформаційні екрани;
• плакати;
• карти;
• кольорові сигнали;
• QR-коди.

Текстові

• локальна вебплатформа;
• публічні сторінки;
• інформаційні таблички;
• експериментальний чат.

Аудіальні

• короткі звукові повідомлення;
• музичні/акустичні патерни.

Інтерактивні

• термінали;
• мобільний застосунок;
• локальна гра;
• прості фізичні об’єкти.

Але кожен канал отримує свою проєкцію:

[
S_i=P_i(Z).
]

---

7. І ось тут можна перевірити твою початкову гіпотезу

Уявімо, що в Астерії прихований стан:

[
Z=(A,B,C,D).
]

Ми розподіляємо його:

                 Z
                 │
       ┌─────────┼─────────┐
       ↓         ↓         ↓
     канал 1   канал 2   канал 3
       │         │         │
       ↓         ↓         ↓
     люди       люди       люди
       └───────┬─┴─────────┘
               ↓
          міська мережа
               ↓
        колективний стан
               ↓
             READOUT
               ↓
              Z?

Жоден окремий канал не містить (Z).

Але мережа може його реконструювати.

---

8. А тепер найцікавіший варіант

Можна зробити так, щоб навіть ми не знали, який спосіб декодування правильний.

Тобто ми не програмуємо:

«люди повинні скласти (A+B+C+D)».

Ми лише створюємо інформаційне поле:

[
S=P(Z)
]

і дивимося, що зробить система.

Можливо, вона:

• сформує групи;
• створить нові поняття;
• знайде несподівані кореляції;
• почне передавати інформацію через інші канали;
• сформує тимчасові функціональні ансамблі.

Саме тут починається справжній structure discovery.

---

9. І тут є дуже сильний експериментальний контроль

Ми можемо створити два однакових міста — принаймні інформаційно.

Місто A отримує:

[
S_A=P(Z_A)
]

Місто B:

[
S_B=P(Z_B).
]

А потім дивимося, чи виникають аналогічні функціональні структури.

Ще краще — той самий сигнал подати в різний час або різними каналами.

Якщо структура виникає незалежно:

[
G_A\approx G_B,
]

це набагато цікавіше, ніж одноразова аномалія.

---

І нарешті — я б уточнив твою метафору

Те, що ти називаєш «нейросигналом», я б формально назвав:

[
\boxed{\text{distributed artificial stimulus}}
]

або розподіленим штучним стимулом.

Але концептуально «нейросигнал» дуже влучно передає ідею:

ми створюємо інформаційний патерн у штучному світі, кодуємо його в реальне інформаційне середовище міста і дивимося, чи відбудеться в розподіленій мережі якась трансформація, яку можна інтерпретувати як колективне обчислення.

І тоді вся система має надзвичайно простий контур:

[
\boxed{
\underbrace{Z}{\text{прихований стан}}
\rightarrow
\underbrace{S}{\text{нейросигнал}}
\rightarrow
\underbrace{M}{\text{реальне місто}}
\rightarrow
\underbrace{X}{\text{стан мережі}}
\rightarrow
\underbrace{\hat Z}_{\text{readout}}
}
]

Причому (M) — чорна скринька.

І це, на мій погляд, дуже хороша постановка: ми не припускаємо, як місто обчислює. Ми лише подаємо йому контрольований сигнал і перевіряємо, що виходить на іншому боці.