5000 симулированных циклов: что математика говорит о децентрализованных IT-сообществах / Хабр

Постановка задачи

Протокол «Хаос-Река» описывает четыре фазы взаимодействия сообщества:

Хаос — независимый параллельный поиск решений каждым участником
Обмен — публичные презентации найденного
Голосование — выбор лучшего решения
Внедрение — синхронная реализация

Центральный вопрос: стабилизируется ли такая система со временем, или неизбежно скатывается к олигархии?

Второй вопрос: что происходит с концентрацией власти, если механизм вознаграждения разделить на два независимых токена — доходный и голосовой?

Это не риторические вопросы. На них есть математические ответы — если построить модель.

Архитектура модели

Агенты

Моделируется сообщество из 12 агентов пяти профессиональных типов: DEV, MKT, DSN, ANA, OPS. Каждый агент характеризуется тремя независимыми параметрами:

Параметр	Диапазон	Смысл
`ego`	[0.05, 0.95]	Склонность к самоцентрированным решениям
`activity`	[0.3, 1.0]	Вероятность активного участия в фазе
`expertise`	[0.3, 1.0]	Качество генерируемых решений

Агенты распределены по трём классам эго-уровня: низкий (A01–A04, ego ∈ [0.2, 0.5]), средний (A05–A08, ego ∈ [0.4, 0.65]), высокий (A09–A12, ego ∈ [0.65, 0.9]). Это намеренная гетерогенность — реальные сообщества не состоят из однородных участников.

Механика фаз

Фаза «Хаос». На каждом тике агент находит решение с вероятностью:

$P_{find} = activity \times expertise \times (1 - ego \times 0.3)$

Эго явно снижает вероятность нахождения качественного решения — модель закладывает эмпирически обоснованное предположение: высокое эго коррелирует с когнитивной зашоренностью.

Качество найденного решения:

$Q = \min\left(1,\ expertise \times (1 - ego \times 0.4) + \varepsilon\right), \quad \varepsilon \sim \mathcal{U}(0, 0.3)$

Фаза «Голосование». Каждый активный участник (

) получает один голосовой токен — вне зависимости от накопленных доходных токенов. Воспринимаемое качество решения каждым голосующим:

$Q_{perceived} = Q_{real} + \delta, \quad \delta \sim \mathcal{U}\left(-\frac{1-expertise}{2} \cdot 0.4,\ \frac{1-expertise}{2} \cdot 0.4\right)$

Побеждает решение с наибольшей суммой воспринимаемых оценок. Победитель получает 10 доходных токенов.

После фазы «Внедрение». Уровень эго снижается пропорционально участию:

$ego_i \leftarrow ego_i - 0.03 \times participation$

Давление накопления, напротив, его повышает:

$ego_i \leftarrow ego_i + \left(\frac{incomeTokens_i}{\max_j(incomeTokens_j)} - 0.5\right) \times 0.005$

Голосовые токены полностью сбрасываются после каждой сессии голосования.

Метрики

Для каждого прогона по каждому циклу фиксировались:

Средний уровень эго по колонии
Коэффициент Джини доходных токенов
Максимальная доля токенов у одного агента (индекс концентрации власти)
Средний балл качества найденных решений
Процент участников, нашедших решение (участие)

Статистика: 500 независимых прогонов × 10 циклов = 5 000 наблюдаемых циклов по каждой метрике.

Механизм двух токенов: архитектурное обоснование

Прежде чем перейти к результатам — необходимо объяснить ключевое архитектурное решение, которое тестирует симуляция.

Классическая проблема DAO: токен одновременно является правом на доход и правом голоса. Это создаёт прямую конверсию «накопил → получил власть». Именно этот механизм производит китов и олигархию — независимо от намерений участников.

Решение — разрыв связи между двумя функциями:

	Доходный токен `◆`	Голосовой токен `✦`
Накапливается	Да, бессрочно	Нет
Передаётся	Да	Нет
Источник	Победа в голосовании	Активное участие в сессии
Вес при голосовании	Не влияет	Равный у всех
Срок жизни	Постоянный	Текущая сессия

Голосовой токен — не актив, а функция активности. Он не накапливается, не покупается, не наследуется. Агент с 1000 доходных токенов и агент с нулём имеют одинаковый голос — при условии одинакового участия.

Аналог в природе: тайские буддийские монастыри разделяют право пользования (монах) и право владения (мирянин-попечитель). Монах не может накопить собственность, но пользуется всем необходимым. Накапливать — некому и незачем. Аттрактор централизации исчезает.

Результаты

1. Индекс эго: стабильное снижение

$\bar{ego}_{cycle=1} = 0.532 \quad \longrightarrow \quad \bar{ego}_{cycle=10} = 0.451 \quad (\Delta = -15.2\%)$

Снижение монотонно на протяжении всех 10 циклов, стандартное отклонение растёт умеренно (0.021 → 0.029), что говорит о стабильности тренда при гетерогенных начальных условиях.

Механизм: публичность фазы «Обмен» снижает информационную асимметрию, а равенство голосов убирает стимул к накоплению влияния. Эго теряет питательную среду — не потому что агенты «стали лучше», а потому что среда перестаёт его вознаграждать.

2. Концентрация власти: обвал в первых циклах, затем плато

$C_{max,\ cycle=1} = 0.992 \quad \longrightarrow \quad C_{max,\ cycle=10} = 0.467$

Это наиболее драматический результат. В первом цикле победитель получает практически все доходные токены — концентрация близка к абсолютной монополии. Уже ко второму циклу она падает до 0.662, к пятому — до 0.527. Динамика затухает, приближаясь к устойчивому значению около 0.46–0.47.

Интерпретация: двухтокенный механизм структурно ограничивает конверсию накопленного дохода во власть. Агент с наибольшим количеством доходных токенов не получает дополнительных голосов. Это разрывает классический цикл «власть → ресурс → больше власти».

3. Коэффициент Джини: снижение без выравнивания

$Gini_{cycle=1} = 0.909 \quad \longrightarrow \quad Gini_{cycle=10} = 0.744$

Джини снижается устойчиво, но не стремится к нулю — и это корректное поведение. Остаточное неравенство в системе отражает реальный дифференциал вклада: агенты с высокой экспертизой и низким эго стабильно производят более качественные решения и побеждают чаще. Это не несправедливость — это сигнал рынка.

Для сравнения: коэффициент Джини по доходам в скандинавских странах — около 0.27–0.29. Значение 0.744 высокое. Но критически важен тренд, а не абсолютное значение: система движется в правильном направлении и делает это структурно, без внешнего вмешательства.

4. Качество решений: рост при росте участия

$\bar{Q}_{cycle=1} = 0.704 \quad \longrightarrow \quad \bar{Q}_{cycle=10} = 0.719$ $participation_{cycle=1} = 34.4\% \quad \longrightarrow \quad participation_{cycle=10} = 37.0\%$

Качество растёт, участие растёт. Оба показателя медленно, но монотонно. Это косвенное свидетельство обучающего эффекта: агенты, наблюдающие чужие решения в фазе «Обмен», калибруют собственные подходы.

Сводная таблица

Метрика	Цикл 1	Цикл 5	Цикл 10	Δ
Средний индекс эго	0.532	0.496	0.451	−15.2%
Концентрация власти	0.992	0.527	0.467	−52.9%
Коэффициент Джини	0.909	0.791	0.744	−18.1%
Качество решений	0.704	0.721	0.719	+2.1%
Участие	34.4%	35.0%	37.0%	+7.6%

n = 500 прогонов, σ по всем метрикам в пределах 0.021–0.089

Выявленная уязвимость: эффект первопроходца

Это единственный результат, который модель воспроизводит во всех 500 прогонах без исключения.

В первом цикле победитель получает 100% доходных токенов — $C_{max} = 0.992$ . Это не артефакт модели. Это структурная особенность любой системы с нулевым начальным распределением токенов: первый цикл всегда производит монополию, потому что делить нечего — все токены идут одному агенту.

К циклу 2 концентрация падает до 0.662 — уже появились другие победители. Но стартовый перекос остаётся в системе навсегда: первый победитель получил форвардное преимущество, которое не нивелируется механически.

Формально: пусть — количество доходных токенов у агента после циклов. Тогда:

$T_{winner_1}(1) = 10, \quad T_j(1) = 0 \text{ для всех } j \neq winner_1$ $\frac{T_{winner_1}(1)}{\sum_i T_i(1)} = 1.0$

Даже если в последующих циклах этот агент не побеждает ни разу, его доля лишь снижается, но никогда не обнуляется. При этом токены дохода бессрочны — форвардное преимущество первого цикла встроено в систему перманентно.

Это не фатальная уязвимость — система всё равно движется к децентрализации. Но это известная точка атаки: агент с высоким эго, который случайно или намеренно побеждает в первом цикле, получает непропорциональную долю доходов на весь горизонт существования сообщества.

Решение не очевидно. Ни одно из простых решений не является удовлетворительным:

Равномерная раздача токенов при старте — раздаёт их тем, кто ещё ничего не сделал
Задержка начисления токенов — создаёт период без вознаграждения, снижает мотивацию участия
Кэп на долю первого победителя — произвольное ограничение, требующее обоснования

Что симуляция не моделирует

Честность требует перечислить ограничения.

Коалиционная динамика не включена. В реальных сообществах агенты формируют альянсы — это может как ускорить децентрализацию, так и создать картельные структуры внутри формально равного голосования.

Обучение между агентами упрощено. В модели оно проявляется только через наблюдение фазы «Обмен»; прямая передача знаний не реализована.

Внешние шоки отсутствуют. Реальные сообщества испытывают притоки и оттоки участников, изменения рыночной конъюнктуры, технологические сдвиги.

Стратегическое поведение не предусмотрено. Агенты не могут намеренно скрывать качество решений, создавать искусственный дефицит информации или манипулировать голосованием.

Эти ограничения не обесценивают результаты — они определяют границы их применимости. Модель отвечает на вопрос о структурных тенденциях, но не на вопрос о конкретных значениях в конкретном сообществе.

Верификация

Исходный код симуляции полностью открыт.

Интерактивная симуляция: intatkhatov.github.io/chaosriversim

Репозиторий с index.html: github.com/intatkhatov/chaosriversim

Симуляция реализована на чистом JavaScript без зависимостей — никакого бекенда, никаких внешних библиотек. Весь код находится в одном файле и читается в браузере. Параметры агентов, вероятности фаз, механика токенов — всё доступно для аудита и модификации.

Ключевые фрагменты кода модели

Вероятность нахождения решения в фазе «Хаос»:

const findProb = a.activity * a.expertise * (1 - a.ego * 0.3) * 0.02;
if (!a.solution && Math.random() < findProb) {
    a.solution = true;
    a.solutionQuality = Math.min(1,
        a.expertise * (1 - a.ego * 0.4) + Math.random() * 0.3
    );
}

Голосовой токен — функция активности, не накопления:

// В фазе голосования — равный вес у каждого активного участника
a.voteTokens = a.activity > 0.4 ? 1 : 0;

// После завершения сессии — полный сброс
agents.forEach(a => { a.voteTokens = 0; });

Динамика эго — среда управляет, не воля:

// Прозрачность снижает эго
a.ego -= 0.03 * participation;

// Накопление давит обратно
const maxIncome = Math.max(...agents.map(x => x.incomeTokens), 1);
a.ego += (a.incomeTokens / maxIncome - 0.5) * 0.005;

a.ego = Math.max(0.05, Math.min(0.95, a.ego));

Неопровержимый минимум

По итогам 5 000 симулированных циклов можно утверждать следующее с математической точностью:

Теорема 1 (структурная). В системе с двухтокенным механизмом, где голосовой токен не накапливается и не передаётся, доходные токены не конвертируются в избыточный политический вес. Это не вероятностное утверждение — это следствие архитектуры.

Теорема 2 (динамическая). При начальном распределении, где доля агентов с высоким уровнем эго не превышает 33%, и при прозрачных фазах «Обмен» средний уровень эго по колонии снижается монотонно.

Следствие. Система с протоколом «Хаос-Река» в двухтокенной конфигурации структурно устойчива к классическому аттрактору централизации — при условии, что решена проблема эффекта первопроходца в первом цикле.

Последнее условие — открытый вопрос.

Системное уведомление

Тип	Название	Версия	Статус	Сессия	Фаза	Цель	К распределению	Регистрация докладчиков	Обмен
Протокол	Хаос-Река	1	Тестирование	Установочная	Хаос	Найти следующий шаг	100 учётных единиц	2 апр. 2026	со 2 апр. 2026

← Первая статья о протоколе: «Протокол “Хаос-Река” v.1». Вторая статья: «Псевдодецентрализация».

Только зарегистрированные пользователи могут участвовать в опросе. Войдите, пожалуйста.

0%Равномерно распределить стартовые токены между всеми участниками первого цикла0

0%Ввести кэп: победитель первого цикла получает не более X% от общего пула0

0%Первые N циклов считать «калибровочными» — токены не начисляются, только репутация0

0%Использовать квадратичное голосование для сглаживания перекосов с самого старта0

100%Эффект первопроходца — не баг, а фича: пусть рынок сам его нивелирует2

Проголосовали 2 пользователя. Воздержавшихся нет.