Ако сте прекарали известно време в размисли относно сложните системи, вероятно разбирате важността на мрежите. Мрежите управляват нашия свят. От химическите реакции в клетките до мрежата от взаимовръзки в екосистемата, търговските и политическите мрежи, които оформят хода на историята.

Или нека разгледаме тази статия, която четете. Вероятно сте я намерили в социална мрежа, изтеглихте я от компютърна мрежа и в момента разшифровате смисъла с помощта на своята невронна мрежа.

Но колкото и години да мислех за мрежи, до неотдавна не разбирах важността на простата дифузия.

Това е нашата тема днес: как, колко хаотично всичко се движи и разпространява. Някои примери, за да подстегнем апетита:

• Инфекциозни заболявания, преминаващи от носител на носител в популацията.
• Меми, които се разпространяват в графа последователи в социалните мрежи.
• Лесен пожар.
• Идеи и практики, които проникват в културата.
• Каскад от неутрони в обогатен уран.

Кратко пояснение относно формата.

В отличие от всичките ми предишни произведения, това есе е интерактивно [в оригиналната статия са представени интерактивни примери с плъзгачи и бутони, които управляват обекти на екрана — прим. пер].

Така че да започнем. Първата задача е да разработим визуален речник за разпространение в мрежите.

Проста модел

Сигурен съм, че всички вие знаете основите на мрежите, т.е. възли + ръбове. За да проучите дифузията, просто трябва да отбележите някои възли като активни. Или, както обичат да казват епидемиолозите, инфектирани:

Тази активация или инфекция се разпространява в мрежата от възел към възел в съответствие с правилата, които ще разработим по-долу.

Реалните мрежи обикновено са много по-големи от тази проста мрежа от седем възли. Те също така са много по-заплетени. Но за простота, тук ще построим играчка модел, за да проучим решетката, т.е. решетъчна мрежа (lattice network).

(Това, че на мрежата й липсва реализъм, се компенсира с факта, че е лесно да се рисува 😉

С изключение на случаите, когато е посочено друго, възлите на мрежата имат по четирима съседи, например:

И трябва да си представим, че тези решетки се простират безкрайно във всички направления. С други думи, не ни интересува поведението, което се случва само на границите на мрежата или в малки популации.

Като се има предвид, че решетките са толкова подредени, можем да ги опростим до пиксели. Например, тези две изображения представят една и съща мрежа:

В един от вариантите на поведението активният възел винаги предава инфекцията на своите (неинфектирани) съседи. Но това е скучно. Много по-интересни неща се случват, когато предаването е вероятностно.

SIR и SIS

В модели SIR (Susceptible-Infected-Removed) възелът може да бъде в три състояния:

• Уязвим (Susceptible)
• Инфектиран (Infected)
• Премахнат (Removed)

Ето как работи интерактивната симулация [в оригиналната статия можете да изберете скоростта на предаване на инфекцията от 0 до 1, да наблюдавате процеса стъпка по стъпка или изцяло — бел. ред.:

• Възлите започват като уязвими, с изключение на няколко възла, които започват като инфектирани.
• На всяка времева стъпка инфектираните възли получават шанс да предадат инфекцията на всеки от своите уязвими съседи с вероятност, равна на скоростта на предаване.
• Инфектираните възли след това преминават в състояние "премахнат", тоест вече не са способни да заразяват други или да се заразяват сами.

В контекста на болестта, премахването може да означава, че човек е починал или че е развил имунитет към патогена. Казваме, че те са "премахнати" от симулацията, защото с тях повече нищо не се случва.

В зависимост от това, което се опитваме да моделираме, може да е необходима друга модел, различен от SIR.

Ако имитираме разпространението на морбили или избухване на горски пожар, SIR е идеален. Но да предположим, че имитираме разпространението на нова културна практика, например, медитация. Първоначално възелът (човекът) е уязвим, защото никога преди това не е практикувал. След това, ако започне да медитира (възможно е да е чул за това от приятел), ще го моделираме като инфектиран. Но ако спре практиката, той не умира и не отпада от симулацията, защото в бъдеще лесно може отново да приеме този навик. Така той преминава обратно в уязвимо състояние.

Това модел SIS (Susceptible–Infected–Susceptible). В класическата модел два параметъра: скорост на предаване и скорост на възстановяване. Въпреки това, в симулациите за тази статия реших да опростя, като пропусна параметъра за скорост на възстановяване. Вместо това заразеният възел автоматично се връща в восприемчиво състояние на следващата времева стъпка, освен ако не е заразен от един от своите съседи. Освен това, позволяваме на възел, заразен на стъпка n, да се зарази сам на стъпка n+1 с вероятност, равна на скоростта на предаване.

Дискусия

Както можете да видите, това е много различно от модела SIR.

Тъй като възлите никога не се премахват, дори много малка и ограничена решетка може да поддържа инфекция SIS за дълго време. Инфекцията просто скача от възел на възел и се връща обратно.

Въпреки различията, SIR и SIS се оказват удивително взаимозаменяеми за нашите цели. Следователно, за останалата част от статията ще се спрем на SIS – основно защото е по-жизнеспособен и следователно е по-интересно да работим с него.

Критично ниво

Играейки с моделите SIR и SIS, може да сте забелязали нещо относно дълготрайността на инфекцията. При много ниски скорости на предаване, като 10%, инфекцията има склонност да измира. Докато при по-високи стойности, като 50%, инфекцията остава жива и обсебва по-голямата част от мрежата. Ако мрежата беше безкрайна, бихме могли да си представим, че тя продължава и се разпространява вечно.

Тази безкрайна дифузия има много имена: „вирусна“, „ядрена“ или (в заглавието на тази статия) критична.

Оказва се, че има конкретна точка на преход, която отделя докритични мрежи (осъдени на измиране) от суперкритични мрежи (създаващи възможност за безкраен растеж). Тази критична точка се нарича критичен праг, и това е доста общ признак на дифузионните процеси в обикновените мрежи.

Точната стойност на критичния праг варира между мрежите. Това, което е общо, е наличие на такава стойност.

[В интерактивната демонстрация от оригиналната статия можете да опитате ръчно да намерите критичния праг на мрежата, променяйки стойността на скоростта на предаване. Тя е някъде между 22% и 23% — бел. ред.]

При 22% (и по-малко) инфекцията в крайна сметка изчезва. При 23% (и повече) първоначалната инфекция понякога изчезва, но в повечето случаи успява да оцелее и да се разпространи достатъчно дълго, за да осигури своето дълготрайно съществуване.

(Между другото, съществува цяло научно направление, посветено на търсенето на тези критични прагове за различни мрежови топологии. За бърз преглед препоръчвам да прегледате статията в Уикипедия за праг на протичане).

Общо взето, ето как работи: под критичния праг всяка завършена инфекция в мрежата гарантирано (с вероятност 1) в крайна сметка изчезва. Но над критичния праг съществува вероятност (p > 0), че инфекцията ще продължи вечно и ще се разпространи произволно далеч от изходната точка.

Въпреки това, имайте предвид, че свръхкритичната мрежа не гарантира, че инфекцията ще продължи вечно. Всъщност, тя често угасва, особено в най-ранните етапи на моделирането. Нека видим как се случва това.

Представете си, че започваме с един заразен възел и четирима съседи. На първата стъпка на моделирането инфекцията има 5 независими шанса за разпространение (включително шансът „да се разпространи“ към себе си на следващата стъпка):

Сега да предположим, че скоростта на предаване е 50%. В този случай на първата стъпка хвърляме монета пет пъти. И ако излязат пет орела, инфекцията ще бъде унищожена. Това се случва в около 3% от случаите — и това е само на първата стъпка. Инфекцията, която е оцелела след първата стъпка, има някаква (обикновено по-ниска) вероятност да угасне на втората стъпка, някаква (още по-ниска) вероятност да угасне на третата стъпка и т.н.

Така че дори когато мрежата е свръхкритична — ако скоростта на предаване е 99% — има вероятност инфекцията да изчезне.

Но важното е, че тя не винаги ще угасва. Ако съберете вероятността за угасване на всички стъпки до безкрайност, резултатът е по-малък от 1. С други думи, с ненулева вероятност инфекцията ще продължи вечно. Това е значението на свръхкритичната мрежа.

SISa: спонтанна активация

До този момент всички наши симулации започваха с малко парче предварително заразени узли в центъра.

А какво би се случило, ако започнем от нулата? Нека след това моделираме спонтанна активация - процес, при който уязвимият възел се заразява случайно (не от един от съседите).

Това наричан модел SISa. Буквата “a” означава „автоматичен“.

В симулацията SISa се появява нов параметър - скорост на спонтанна активация, която променя честотата на възникване на спонтанна инфекция (параметърът за скорост на предаване, който видяхме по-рано, също присъства).

Какво е необходимо, за да се разпространи инфекцията из цялата мрежа?

Дискусия

Възможно е в симулацията да сте забелязали, че увеличаването на скоростта на спонтанна активация не променя дали инфекцията завладява цялата мрежа или не. Само скоростта на предаване определя дали мрежата е под- или надкритична. И когато мрежата е докритична (скорост на предаване по-малка или равна на 22%), никаква инфекция не може да се разпространи из цялата решетка, независимо колко често започва.

Това е все едно да запалите огън на мокро поле. Можете да запалите няколко сухи листа, но пламъкът бързо ще угасне, защото останалата част от пейзажа не е достатъчно лесно запалима (докритична). Докато на много сухо поле (сверхкритично) е достатъчна една искра, за да започне да бушува пожар.

Подобни неща се наблюдават в сферата на идеите и изобретенията. Често светът не е готов за идея и в този случай тя може да бъде изобретявана отново и отново, но не засяга масите. От друга страна, светът може да бъде напълно готов за изобретение (голям скрит demand) и веднага щом то се роди, то се приема от всички. Между тях се намират идеи, които се изобретяват на няколко места и се разпространяват локално, но не достатъчно, за да бъде някаква отделна версия обхваната веднага от цялата мрежа. В тази последна категория попадат, например, земеделието и писмеността, които са били независимо изобретени от различни човешки цивилизации около десет и три пъти, съответно.

Имунитет

Предположете, че правим някои възли напълно неуязвими, т.е. невъзприемчиви към активация. Това е все едно те първоначално да са в отдалечено състояние, а модел SIS(a) да се стартира на останалите възли.

Плъзгачът „имунитет“ управлява процента на отстранените възли. Опитайте да промените стойността му (по време на работа на модела!) и вижте как това влияе на състоянието на мрежата, дали ще е свръхкрита или не.

Дискусия

Промяната на броя на устойчивите възли напълно променя картината, ще бъде ли мрежата до- или свръхкритична. И не е трудно да се разбере защо. При голям брой устойчиви възли инфекцията има по-малко възможности за разпространение към нови хостове.

Оказва се, че това води до редица много важни практически последици.

Една от тях е предотвратяването на разпространението на горски пожари. На локално ниво всеки човек трябва да предприема собствени предпазни мерки (например, никога да не оставя открит огън без надзор). Но в голям мащаб отделни избухвания са неизбежни. Така че друг метод за защита е осигуряването на достатъчен брой „разриви“ (в мрежата на запалими материали), за да не покрие избухването цялата мрежа. Такава функция изпълняват прорязванията:

Още едно избухване, което е важно да бъде спряно, е инфекциозното заболяване. Тук се въвежда концепцията за популационен имунитет. Това е идеята, че някои хора не могат да бъдат ваксинирани (например, когато имунната им система е нарушена), но ако достатъчно хора не са податливи на инфекцията, болестта няма да може да се разпространява безкрайно. С други думи, трябва да се ваксинират достатъчен процент от населението, за да се премине от свръхкритична в докритична ситуация. Когато това се случи, един пациент все още може да се зарази (например, след пътуване в друг регион), но без свръхкритична мрежа, в която може да расте, болестта ще зарази само малка група хора.

Накрая, концепцията за устойчиви възли обяснява какво се случва в ядрения реактор. При каскадната реакция разпадащият се атом уран-235 освобождава около три неутрона, които предизвикват (в средно) разпад на повече от един атом U-235. Новите неутрони след това предизвикват по-нататъшен разпад на атомите и така нататък експоненциално:

При създаването на ядрена бомба целта е да се осигури безпрепятствено продължаване на експоненциалния растеж. Но в електрическата станция целта е да се произвежда енергия, без да се убива околните. За целта се използват регулиращи пръти, направени от материал, способен да абсорбира неутрони (например сребро или бор). Тъй като те абсорбират, а не освобождават неутрони, в нашата симулация действат като неуязвими възли, предотвратявайки така излизането на радиоактивното ядро в свръхкритично състояние.

Така хитростта на ядрения реактор е да поддържа реакцията близо до критичния праг, като движи регулиращите пръти напред и назад, и гарантира, че всеки път, когато нещо не е наред, прътите се спуснат в ядрото и го спират.

Степента

Степента на възела е броят на неговите съседи. До този момент разглеждахме мрежи от 4-та степен. Но какво ще стане, ако променим този параметър?

Например, можем да свържем всеки възел не само с четиримата близки съседи, но и с още четирима по диагонал. В такава мрежа степента ще бъде 8.

Решетките със степени 4 и 8 са добре симетрични. Но при степен 5 (например) възниква проблем: кои пет съседи да изберем? В този случай избираме четиримата най-близки съседи (С, И, Ю, З), а след това произволно избираме един съсед от множеството {СИ, ЮИ, ЮЗ, СЗ}. Изборът се прави независимо за всеки възел на всяка времева стъпка.

Дискусия

Отново, не е трудно да се разбере какво се случва. Когато всеки възел има повече съседи, вероятността за разпространение на инфекция се увеличава - и така мрежата с голяма вероятност ще стане критична.

Но последствията могат да бъдат неочаквани, как ще видим по-долу.

Градове и плътност на мрежата

Досега нашите мрежи бяха напълно хомогенни. Всеки възел изглеждаше като всеки друг. Но какво, ако променим условията и разрешим различни състояния на възлите из цялата мрежа?

Например, нека опитаме да моделираме градове. За това повишаваме плътността в някои участъци на мрежата (по-висока степен на възлите). Правим го на базата на данни, че жителите на градовете имат по-широк социален кръг и повече социални взаимодействия, отколкото хората извън градовете.

В нашия модел уязвимите възли са оцветени в зависимост от тяхната степен. Възлите в „село“ имат степен 4 (и са оцветени в светло-сив цвят), докато възлите в „градове“ имат по-високи степени (и са оцветени по-тъмно), започвайки от степен 5 на периферията и достигащи 8 в централната част на града.

Опитайте да подберете такава скорост на разпространение, че активирането да обхване градовете, а след това да не излиза извън техните граници.

Намирам тази симулация едновременно очевидна и удивителна. Разбира се, градовете по-добре подкрепят културното ниво отколкото селските райони - всички го знаят. Това, което ме изненадва, е, че част от това културно разнообразие възниква просто на базата на топологията на социалната мрежа.

Това е интересен момент, ще опитам да обясня по-подробно.

Тук имаме работа с форми на култура, които се предават просто и директно от човек на човек. Например, манери, салонни игри, модни тенденции, езикови трендове, ритуали на малки групи и продукти, които се разпространяват от уста на уста, плюс цели пакети информация, които наричаме идеи.

(Забележка: разпространението на информация между хората е изключително усложнено от средствата за масова информация. По-лесно е да си представим технологично примитивна среда, например, Древна Гърция, където почти всяко искричка култура се предаваше чрез взаимодействие в физическото пространство).

От представената симулация научих, че има идеи и културни практики, които могат да се вкоренят и разпространят в града, но те просто не могат да се разпространят в селската местност (математически не могат). Това са същите идеи и същите хора. Не е въпрос на това, че селските жители са някак „недалеч“: при взаимодействие със същата идея те имат точно същите шансове да я прихванат, както и градските жители. Просто самата идея не може да стане вирусна в селска местност, защото там няма достатъчно връзки, по които да може да се разпространи.

Това е, може би, най-лесно да се види в модната индустрия - облекло, прически и т.н. В модната мрежа можем да фиксируем реброто на решетката, когато двама души забелязват стиловете един на друг. В градския център всеки човек ежедневно може да види повече от 1000 други хора - на улицата, в метрото, в претъпкан ресторант и т.н. В селските райони, от друга страна, всеки човек може да види само няколко десетки други. Основавайки се само на тази разлика, градът е в състояние да поддържа повече модни тенденции. И само най-убедителните тенденции - с най-висока скорост на предаване - могат да се установят извън града.

Склонни сме да мислим, че ако една идея е добра, тя в крайна сметка ще достигне до всички, а ако е лоша, ще изчезне. Разбира се, това е вярно в краен случай, но между тях има много идеи и практики, които могат да станат вирусни само в определени мрежи. Това наистина е удивително.

Не само градовете

Тук разглеждаме влиянието на плътността на мрежата. Тя се определя за даден набор от възли като брой фактически ребра, делено на броя потенциални ребра. Тоест процентът на възможните връзки, които наистина съществуват.

И така, видяхме, че плътността на мрежата в градските центрове е по-висока, отколкото в селските райони. Но градовете не са единственото място, където намираме плътни мрежи.

Интересен пример са средните училища. Например, за конкретен район сравняваме мрежата, която съществува сред учениците, с мрежата, която съществува сред техните родители. Същият географски район и същото население, но едната мрежа е многократно по-гъста от другата. Затова не е изненадващо, че модата и езиковите тенденции се разпространяват много по-бързо сред тийнейджърите.

По същия начин, елитните мрежи обикновено са много по-плътни от неелитните мрежи - според мен този факт е недооценен (хората, които са популярни или влиятелни, прекарват повече време в изграждане на мрежи и следователно имат повече „съседи“, отколкото обикновените хора). Основавайки се на представените по-горе симулации, очакваме, че елитните мрежи ще поддържат определени културни форми, които не могат да бъдат подкрепени от мейнстрима, просто въз основа на математически закони, свързани със средната степен на мрежата. Оставям ви да помислите какви културни форми могат да бъдат те.

Накрая, можем да приложим тази идея към интернет, моделирайки го като огромен и много плътен град. Не е изненадващо, че в интернет просперират много нови видове култура, които просто не могат да бъдат поддържани в чисто пространствени мрежи: нишови хобита, по-добри дизайн норми, по-голямо осъзнаване на несправедливостта и т.н. И това не са само приятни неща. Точно както първите градове бяха инкубатори на болести, които не можеха да се разпространяват при ниска плътност на населението, така и интернетът е благоприятна среда за злокачествени културни форми като кликбейт, фалшиви новини и разпалване на изкуствено възмущение.

Знания

„Привличането на правилния експерт в точния момент често е най-ценният ресурс за креативното решаване на проблеми.“ — Майкъл Нилсен, „Изобретявайки открития“

Често мислим за откритие или изобретение като за процес, който се случва в ума на един единствен гений. Той е осенен от изблик на вдъхновение и - еврика! — изведнъж получаваме нов начин за измерване на обем. Или уравнение на гравитацията. Или електрическа крушка.

Но ако приемем гледната точка на самотния изобретател в момент на откритие, тогава разглеждаме явлението от перспективата на възел.По-правилно би било да интерпретираме изобретението като мрежово явление.

Мрежата е важна поне в две отношения. Първо, вече съществуващите идеи трябва да проникнат в съзнанието на изобретателя. Това са цитати от нова статия, библиографски раздел на нова книга - гиганти, на плещите на които е стоял Нютон. Второ, мрежата е решаваща за връщането на нова идея обратно в света; изобретение, което не е разпространено, едва ли може да се нарече «изобретение». Следователно, по тези две причини има смисъл да моделираме изобретението — или, в широк смисъл, растежа на знанието — като процес на дифузия.

След миг ще представя груба симулация на това как могат да се разпространяват и растат знанията в мрежата. Но първо трябва да обясня.

В началото на симулацията в всеки квадрант на решетката има четирима експерти, разположени по следния начин:

Експерт 1 внася първата версия на идеята — нека я наречем Идея 1.0. Експерт 2 е човекът, който знае как да преобразува Идея 1.0 в Идея 2.0. Експерт 3 знае как да преобразува Идея 2.0 в Идея 3.0. И накрая, четвъртият експерт знае как да довърши последните детайли за създаването на Идея 4.0.

Това прилича на техника като оригами, където методите се разработват и комбинират с други методи за създаване на по-интригуващи конструкции. Или това може да бъде област на знание, като физиката, в която по-късната работа се основава на фундаменталната работа на предшествениците.

Същността на тази симулация е, че ни трябват всичките четирима експерти да допринесат за финалната версия на идеята. И на всеки етап идеята трябва да бъде предадена на съответния експерт.

Няколко уговорки. В симулацията са закодирани много нереалистични предположения. Ето само някои от тях:

1. Предполага се, че идеите не могат да се запазват и предават иначе, освен от човек на човек (т.е. няма книги и медии).
2. Предполага се, че в популацията има постоянни експерти, способни да генерират идеи, въпреки че в действителност на появата на откритие или изобретение влияят много случайни фактори.
3. За всички четири версии на идеята се използва един и същ набор от параметри SIS (скорост на предаване, процент на невъзприемчивост и т.н.), въпреки че ще е по-реалистично вероятно да се използват различни параметри за всяка версия (1.0, 2.0 и т.н.)
4. Предполага се, че идеята N+1 винаги напълно измести идеята N, въпреки че на практика често и старата, и новата версии циркулират едновременно, без категоричен победител.

… и много други.

Дискусия

Това е абсурдно опростен модел на начина, по който всъщност растат знанията. Извън модела остават много важни детайли (вж. по-горе). Въпреки всичко, той отразява основната същност на процеса. Затова можем, с уговорки, да разсъждаваме за растежа на знанията, използвайки нашите познания за дифузия.

В частност, дифузионният модел предоставя разбиране как да ускорим процеса: нужно е да улесним обмена на идеи между експертните възли. Това може да означава почистване на мрежата от мъртви възли, които пречат на дифузията. Или това може да означава разполагане на всички експерти в град или клъстер с висока мрежова плътност, където идеите бързо се разпространяват. Или просто да ги съберем в една стая:

Така… това е всичко, което мога да кажа за дифузията.

Но имам една последна мисъл, и тя е много важна. Става въпрос за растежа (и стагнацията) на знанията в научните общности. Тази идея се отличава по тон и съдържание от всичко, което беше казано по-горе, но се надявам да ме извините.

За научните мрежи

На иллюстрацията е показан един от най-важните положителни цикли на обратна връзка в света (и той е такъв от доста време):

Възходящият ход на цикъла (K ⟶ T) е достатъчно прост: ние използваме новите знания за разработка на нови инструменти. Например, разбирането на физиката на полупроводниците ни позволява да създаваме компютри.

Обаче, низходящият ход изисква известно обяснение. Как технологичният напредък води до растеж на знанията?

Един от начините - може би най-простият - е когато новите технологии ни предоставят нови начини за възприятие на света. Например, по-добрите микроскопи ни дават възможност да погледнем по-дълбоко в клетката, предлагайки идеи за молекулярната биология. GPS тракери показват как се движат животните. Сонари позволяват изследване на океаните. И така нататък.

Несъмнено, това е жизненоважен механизъм, но има поне два други пътя от технология към знание. Може би не са толкова прости, но мисля, че са също толкова важни:

Първи. Технологията води до икономическо изобилие (т.е. богатство), а това позволява на повече хора да се занимават с производството на знания.

Ако 90% от населението на вашата страна се занимава със земеделие, а останалите 10% с търговия (или война), то хората имат много малко свободно време, за да размислят над законите на природата. Може би именно затова в предишни времена науката е била основно напредвана от деца от богатите семейства.

САЩ всяка година завършват над 50 000 доктори на науките. Вместо човек да отиде да работи на завод на 18 години (или по-рано), аспирантите се финансират до 30 или дори 40 години — и дори тогава не е ясно дали работата им ще донесе реален икономически ефект. Но това е необходимо, за да може човекът да достигне авангардните граници в своята дисциплина, особено в толкова сложни области като физиката или биологията.

Фактът е, че от гледна точка на системите специалистите са скъпи. И крайният източник на обществено богатство, който финансира тези специалисти, е новата технология: плугът субсидира перото.

Втори. Новите технологии, особено в сферата на пътуванията и комуникациите, променят структурата на социалните мрежи, в които расте знанието. В частност, това позволява на експерти и специалисти да взаимодействат по-тясно помежду си.

Сред забележителните изобретения в този контекст са печатната машина, параходите и железниците (които улесняват пътуванията и/или изпращането на поща на големи разстояния), телефоните, самолетите и интернет. Всички тези технологии способстват за увеличаване на плътността на мрежата, особено в рамките на специализирани общности (където почти целият растеж на знанието се случва). Например, мрежите за кореспонденция, възникнали сред европейските учени в края на Средновековието, или как съвременните физици използват arXiv.

В крайна сметка и двата подхода са сходни. И двата увеличават плътността на мрежата от специалисти, което от своя страна води до растеж на знанията:

Много години отхвърлях висшето образование със известно презрение. Краткото ми пребиваване в аспирантурата ми остави неприятен вкус. Но сега, като се оглеждам назад и обмислям (може би абстрахирайки се от всички лични проблеми), трябва да заключа, че висшето образование все още е изключително важно.

Академичните социални мрежи (например, научноизследователски общности) са сред най-съвършените и ценни структури, създадени от нашата цивилизация. Никъде другаде не сме натрупали по-голяма концентрация на специалисти, съсредоточени върху производството на знания. Никъде хората не развиват такава способност да разбират и критикуват идеи помежду си. Това е биещото се сърце на прогреса. Именно в тези мрежи огънят на просвещението гори най-силно.

Но не можем да приемаме прогреса за даденост. Ако кризисът с невъзпроизводимостта на експериментите ни е научил на нещо, то е, че науката може да има системни проблеми. Това е в определен смисъл деградация на мрежата.

Предположим, че различаваме два начина на правене на наука: истинската наука и карьеризма. Истинската наука е практика, която надеждно произвежда знания. Тя е мотивирана от любопитство и се характеризира с честност (Фейнман: „Виждате ли, просто трябва да разбера света“). Карьеризмът, обратно, е мотивиран от професионални амбиции и се характеризира с игра на политика и научни ярлыци. Той може да изглежда и да действа като наука, но не не произвежда надеждни знания.

(Да, това е преувеличена дихотомия. Просто мисловен експеримент. Не се обиждайте).

Важно е, че когато карьеристите заемат място в реалната научноизследователска общност, те развалят работата. Те се стремят да напреднат, докато останалата част от общността се опитва да добие нови знания и да ги сподели. Вместо да се стремят към яснота, карьеристите усложняват и заплитат, за да звучат по-впечатляващо. Те се занимават с (както би казал Гари Франкфурт) научна глупост. И следователно, можем да моделираме тях като мъртви възли, нечувствителни към добросъвестния обмен на информация, необходим за растежа на знанията:

Възможно е най-добрата модел да бъде този, при който карьеристките възли не са просто нечувствителни към знанията, но активно разпространяват фалшиви знания. Фалшивите знания могат да включват незначителни резултати, чиято важност е изкуствено раздута, или наистина лъжливи резултати, които възникват от манипулации или фалшифицирани данни.

Независимо от това, как ги моделираме, кариераистите определено могат да задушат нашите научни общности.

Това наподобява верижна ядрена реакция, от която спешно се нуждаем — необходим ни е взрив от знания — само че в нашия обогатен U-235 има твърде много примеси на неактивния изотоп U-238, който потиска верижната реакция.

Разбира се, между кариераистите и истинските учени няма ясна граница. Всеки от нас носи в себе си малко кариераизъм. Въпросът е колко дълго ще издържи мрежата, преди разпространението на знанията да затихне.

О, вие прочетохте до края. Благодаря ви за четенето.

Лиценз

CC0 всички права не са запазени. Можете да използвате това произведение, както прецените. :)

Благодарности

• Кевин Квок и Ники Кейс за внимателните коментари и предложения относно различни версии на черновата.
• Ник Бару — за моралната подкрепа през целия процес и за най-полезните отзиви за моята работа.
• Кит А. за това, че ми посочи явлението перколация и прага на потока.
• Джеф Лонсдейл за линка към този есе, което (въпреки многото си недостатъци) стана основен стимул за работа върху този пост.

Примери за интерактивни есета

• Всички работи на Ники Кейс, особено «Притча за полигоните» (с Ви Харт) и «Разработване на по-добър бюлетин за гласуване». Това е висока плочка за това, какво може да бъде интерактивно есе.
• Distill.pub: изключително качествени интерактивни описания на машинното обучение.
• Класическата работа на Брет Виктор «Нагоре и надолу по стъпалата на абстракцията». Не се справих много добре с изкачването на стъпалата, но винаги остава още един опит.

Източник: habr.com