Ako ste proveli neko vrijeme razmišljajući o složenim sistemima, vjerovatno ste shvatili važnost mreža. Mreže vladaju našim svijetom. Od hemijskih reakcija unutar ćelije, preko mreže odnosa u ekosistemu, do trgovačkih i političkih mreža koje oblikuju tok istorije.

Ili razmislite o ovom članku koji čitate. Verovatno ste ga našli u socijalna mreža, preuzeto sa računarsku mrežu i trenutno dešifriraju značenje pomoću vašeg neuronske mreže.

Ali koliko god sam godinama razmišljao o mrežama, donedavno nisam shvaćao važnost jednostavnosti difuzija.

Ovo je naša tema za danas: kako, kako se sve haotično kreće i širi. Neki primjeri koji će vam probuditi apetit:

• Zarazne bolesti koje se prenose sa prenosioca na nosioca unutar populacije.
• Memovi se šire nizom pratilaca na društvenim mrežama.
• Šumski požar.
• Ideje i prakse koje prožimaju kulturu.
• Neutronska kaskada u obogaćenom uranijumu.

Kratka napomena o obrascu.

Za razliku od svih mojih prethodnih radova, ovaj esej je interaktivan [in originalni članak dati su interaktivni primjeri s klizačima i gumbima koji upravljaju objektima na ekranu - cca. lane].

Pa počnimo. Prvi zadatak je razviti vizuelni vokabular za širenje kroz mreže.

Jednostavan model

Siguran sam da svi znate osnove mreže, odnosno čvorove + ivice. Da biste proučavali difuziju, samo trebate označiti neke čvorove kao aktivan. Ili, kako epidemiolozi vole da kažu, inficiran:

Ova aktivacija ili infekcija se širi mrežom od čvora do čvora prema pravilima koja ćemo razviti u nastavku.

Prave mreže su obično mnogo veće od ove jednostavne mreže sa sedam čvorova. One su takođe mnogo zbunjujuće. Ali radi jednostavnosti, ovdje ćemo izgraditi model igračke za proučavanje rešetke, odnosno rešetkaste mreže.

(Ono što mreži nedostaje u realizmu, to nadoknađuje lakoćom za crtanje 😉

Osim ako je drugačije naznačeno, mrežni čvorovi imaju četiri susjeda, na primjer:

I morate zamisliti da se ove rešetke protežu beskrajno u svim smjerovima. Drugim riječima, ne zanima nas ponašanje koje se javlja samo na rubovima mreže ili u malim populacijama.

S obzirom da su rešetke tako uređene, možemo ih pojednostaviti na piksele. Na primjer, ove dvije slike predstavljaju istu mrežu:

U jednom ponašanju, aktivni čvor uvijek prenosi infekciju na svoje (neinficirane) susjede. Ali dosadno je. Mnogo zanimljivije stvari se dešavaju prilikom transfera vjerovatnoća.

SIR i SIS

В SIR modeli (osjetljiv-inficiran-uklonjen) čvor može biti u tri stanja:

• Osjetljiva
• Inficiran
• Uklonjeno

Evo kako funkcionira interaktivna simulacija [in originalni članak možete odabrati brzinu prijenosa infekcije od 0 do 1, vidjeti proces korak po korak ili u cijelosti - cca. prijevod]:

• Čvorovi počinju kao osjetljivi, s izuzetkom nekoliko čvorova koji počinju kao zaraženi.
• U svakom vremenskom koraku, zaraženi čvorovi imaju šansu da prenesu infekciju svakom od svojih osjetljivih susjeda s vjerovatnoćom jednakom brzini prijenosa.
• Zaraženi čvorovi tada ulaze u „izbrisano“ stanje, što znači da više ne mogu zaraziti druge niti se sami zaraziti.

U kontekstu bolesti, uklanjanje može značiti da je osoba umrla ili da je razvila imunitet na patogen. Kažemo da su „uklonjeni“ iz simulacije jer im se ništa drugo ne dešava.

U zavisnosti od toga šta pokušavamo da modelujemo, možda će biti potreban drugačiji model od SIR-a.

Ako simuliramo širenje ospica ili izbijanje šumskog požara, SIR je idealan. Ali pretpostavimo da simuliramo širenje nove kulturne prakse, kao što je meditacija. U početku je čvor (osoba) prijemčiv jer to nikada ranije nije radio. Zatim, ako počne meditirati (možda nakon što je o tome čuo od prijatelja), modelovaćemo ga kao zaraženog. Ali ako prekine sa praksom, neće umrijeti i neće ispasti iz simulacije, jer će u budućnosti lako ponovo preuzeti ovu naviku. Tako se vraća u receptivno stanje.

ovo SIS model (Osetljiv–Inficiran–Osetljiv). Klasični model ima dva parametra: brzinu prijenosa i brzinu oporavka. Međutim, u simulacijama za ovaj članak odlučio sam pojednostaviti tako što sam izostavio parametar stope oporavka. Umjesto toga, zaraženi čvor se automatski vraća u osjetljivo stanje u sljedećem vremenskom koraku, osim ako nije zaražen od strane nekog od njegovih susjeda. Osim toga, dozvoljavamo čvoru inficiranom u koraku n da se inficira u koraku n+1 sa vjerovatnoćom jednakom brzini prijenosa.

Rasprava

Kao što vidite, ovo se veoma razlikuje od SIR modela.

Budući da se čvorovi nikada ne uklanjaju, čak i vrlo mala i ograničena rešetka može podržati SIS infekciju dugo vremena. Infekcija jednostavno skače s čvora na čvor i vraća se nazad.

Unatoč njihovim razlikama, SIR i SIS se ispostavilo da su iznenađujuće zamjenjivi za naše potrebe. Tako da ćemo se do kraja ovog članka držati SIS-a – uglavnom zato što je izdržljiviji i stoga zabavniji za rad.

Kritični nivo

Nakon što ste se poigrali sa SIR i SIS modelima, možda ste primijetili nešto o dugovječnosti infekcije. Pri vrlo niskim stopama prijenosa, kao što je 10%, infekcija ima tendenciju izumiranja. Dok na višim vrijednostima, kao što je 50%, infekcija ostaje živa i preuzima većinu mreže. Kada bi mreža bila beskonačna, mogli bismo zamisliti da se nastavlja i širi zauvijek.

Takva neograničena difuzija ima mnogo imena: "virusna", "nuklearna" ili (u naslovu ovog članka) kritička.

Ispostavilo se da postoji beton tačka preloma koja razdvaja podkritične mreže (osuđeno na izumiranje) iz superkritične mreže (sposoban za beskonačan rast). Ova prekretnica se zove kritični prag, a ovo je prilično opći znak difuzijskih procesa u običnim mrežama.

Tačna vrijednost kritičnog praga varira između mreža. Ono što je uobičajeno je ovo raspoloživost takvo značenje.

[U interaktivnom demo-u iz originalni članak Možete pokušati ručno pronaći kritični mrežni prag promjenom vrijednosti brzine prijenosa. To je negdje između 22% i 23% - cca. trans.]

Na 22% (i ispod), infekcija na kraju izumire. Sa 23% (i više), izvorna infekcija ponekad izumire, ali u većini slučajeva uspijeva preživjeti i širiti se dovoljno dugo da osigura svoje postojanje zauvijek.

(Usput, postoji čitava naučna oblast posvećena pronalaženju ovih kritičnih pragova za različite mrežne topologije. Za brzi uvod, preporučujem brzo listanje kroz članak na Wikipediji o prag curenja).

Općenito, evo kako to funkcionira: Ispod kritičnog praga, svaka konačna infekcija u mreži je zagarantovana (sa vjerovatnoćom 1) da će na kraju izumrijeti. Ali iznad kritičnog praga, postoji vjerovatnoća (p > 0) da će se infekcija nastaviti zauvijek, i pritom će se širiti proizvoljno daleko od izvorne lokacije.

Međutim, imajte na umu da superkritična mreža nije garancijeda će se infekcija nastaviti zauvijek. U stvari, često blijedi, posebno u vrlo ranim fazama simulacije. Hajde da vidimo kako se ovo dešava.

Pretpostavimo da smo počeli s jednim zaraženim čvorom i četiri susjeda. U prvom koraku modeliranja, infekcija ima 5 nezavisnih šansi za širenje (uključujući mogućnost da se "proširi" na sebe u sljedećem koraku):

Sada pretpostavimo da je brzina prijenosa 50%. U ovom slučaju, u prvom koraku bacamo novčić pet puta. A ako se okrene pet glava, infekcija će biti uništena. To se dešava u oko 3% slučajeva – i to samo u prvom koraku. Infekcija koja preživi prvi korak ima neku (obično manju) vjerovatnoću izumiranja u drugom koraku, neku (još manju) vjerovatnoću izumiranja u trećem koraku, itd.

Dakle, čak i kada je mreža superkritična - ako je brzina prijenosa 99% - postoji šansa da će infekcija nestati.

Ali važno je da ona to ne čini uvek će nestati. Ako zbrojite vjerovatnoću da svi koraci izumru do beskonačnosti, rezultat je manji od 1. Drugim riječima, postoji vjerovatnoća različita od nule da će se infekcija nastaviti zauvijek. To je ono što znači da mreža bude superkritična.

SISa: spontana aktivacija

Do ove tačke, sve naše simulacije počinjale su s malim komadom prethodno zaraženih čvorova u centru.

Ali šta ako krenete od nule? Zatim modeliramo spontanu aktivaciju – proces kojim se osjetljivi čvor inficira slučajno (ne od nekog od svojih susjeda).

ovo se zove SISa model. Slovo "a" znači "automatski".

U simulaciji SISa pojavljuje se novi parametar - brzina spontane aktivacije, koja mijenja učestalost spontane infekcije (prisutan je i parametar brzine prijenosa koji smo ranije vidjeli).

Šta je potrebno da se infekcija proširi mrežom?

Rasprava

Možda ste primijetili u simulaciji da povećanje stope spontane aktivacije ne mijenja da li infekcija preuzima cijelu mrežu ili ne. Samo brzina prenosa određuje da li je mreža pod- ili superkritična. A kada je mreža podkritična (stopa prijenosa manja ili jednaka 22%), nikakva infekcija se ne može proširiti na cijelu mrežu, bez obzira koliko često počinje.

To je kao zapaliti vatru na vlažnom polju. Možete zapaliti nekoliko suhih listova, ali će se plamen brzo ugasiti jer ostatak pejzaža nije dovoljno zapaljiv (podkritično). Dok je na veoma suvom terenu (superkritično), dovoljna je jedna iskra da vatra bukne.

Slične stvari se zapažaju u sferi ideja i izuma. Često svijet nije spreman za ideju, u tom slučaju se može izmišljati iznova i iznova, ali ne privlači mase. S druge strane, svijet može biti potpuno spreman za izum (velika latentna potražnja), a čim se rodi, svi ga prihvaćaju. U sredini su ideje koje se izmišljaju na nekoliko mjesta i šire se lokalno, ali nedovoljno da bilo koja verzija odjednom preplavi cijelu mrežu. U ovoj posljednjoj kategoriji nalazimo, na primjer, poljoprivredu i pisanje, koje su različite ljudske civilizacije nezavisno izmislile oko deset, odnosno tri puta.

Imunitet

Pretpostavimo da neke čvorove učinimo potpuno neranjivim, odnosno imunim na aktivaciju. Kao da su u početku u udaljenom stanju, a SIS(a) model je pokrenut na preostalim čvorovima.

Klizač imuniteta kontroliše procenat čvorova koji se uklanjaju. Pokušajte promijeniti njegovu vrijednost (dok model radi!) i vidite kako to utiče na stanje mreže, da li će biti superkritično ili ne.

Rasprava

Promjena broja čvorova koji ne reagiraju u potpunosti mijenja sliku o tome da li će mreža biti pod- ili superkritična. I nije teško shvatiti zašto. Uz veliki broj neosjetljivih domaćina, infekcija ima manje mogućnosti da se proširi na nove domaćine.

Ispostavilo se da to ima niz vrlo važnih praktičnih posljedica.

Jedna od njih je sprečavanje širenja šumskih požara. Na lokalnom nivou, svaka osoba mora poduzeti vlastite mjere opreza (na primjer, nikada ne ostavljajte otvoreni plamen bez nadzora). Ali u velikim razmjerima, izolirane epidemije su neizbježne. Dakle, drugi način zaštite je osigurati da ima dovoljno "prekida" (u mreži zapaljivih materijala) tako da izbijanje ne zahvati cijelu mrežu. Klirinzi obavljaju ovu funkciju:

Još jedna epidemija koju je važno zaustaviti je zarazna bolest. Ovdje je predstavljen koncept imunitet stada. To je ideja da se neki ljudi ne mogu vakcinisati (na primjer, imaju kompromitovan imuni sistem), ali ako je dovoljno ljudi imuno na infekciju, bolest se ne može širiti beskonačno. Drugim rečima, trebalo bi da se vakcinišete dovoljno dio populacije za prebacivanje stanovništva iz superkritičnog u subkritično stanje. Kada se to dogodi, jedan pacijent se i dalje može zaraziti (nakon putovanja u drugu regiju, na primjer), ali bez superkritične mreže u kojoj bi mogla rasti, bolest će zaraziti samo mali broj ljudi.

Konačno, koncept imunoloških čvorova objašnjava šta se dešava u nuklearnom reaktoru. U lančanoj reakciji, raspadajući atom uranijuma-235 oslobađa oko tri neutrona, koji uzrokuju (u prosjeku) fisiju više od jednog atoma U-235. Novi neutroni zatim uzrokuju dalje cijepanje atoma, i tako dalje eksponencijalno:

Kada se pravi bomba, cijela poenta je osigurati da se eksponencijalni rast nastavi nekontrolirano. Ali u elektrani, cilj je proizvesti energiju bez ubijanja svih oko sebe. U tu svrhu se koriste kontrolne šipke, napravljen od materijala koji može apsorbirati neutrone (na primjer, srebro ili bor). Budući da apsorbiraju, a ne oslobađaju neutrone, djeluju kao imuni čvorovi u našoj simulaciji, čime se sprječava da radioaktivno jezgro postane superkritično.

Dakle, trik za nuklearni reaktor je da zadrži reakciju blizu kritičnog praga pomicanjem kontrolnih šipki naprijed-nazad, i da osigura da kad god nešto pođe po zlu, šipke padnu u jezgro i zaustave ga.

Stepen

Stepen čvora je broj njegovih susjeda. Do ove tačke, razmatrali smo mreže stepena 4. Ali šta će se dogoditi ako promijenite ovaj parametar?

Na primjer, možete povezati svaki čvor ne samo na četiri neposredna susjeda, već i na još četiri dijagonalno. U takvoj mreži stepen će biti 8.

Rešetke sa stepenom 4 i 8 su dobro simetrične. Ali sa stepenom 5 (na primjer), javlja se problem: koje pet susjeda da izaberemo? U ovom slučaju biramo četiri najbliža susjeda (N, E, S, W), a zatim nasumično biramo jednog susjeda iz skupa {NE, JI, JZ, SZ}. Izbor se vrši nezavisno za svaki čvor u svakom vremenskom koraku.

Rasprava

Opet, nije teško vidjeti šta se ovdje dešava. Kada svaki čvor ima više susjeda, povećavaju se šanse za širenje infekcije - i stoga je vjerojatnije da će mreža postati kritična.

Međutim, posljedice mogu biti neočekivane, kao što ćemo vidjeti u nastavku.

Gradovi i gustina mreže

Do sada su naše mreže bile potpuno homogene. Svaki čvor izgleda kao bilo koji drugi. Ali šta ako promijenimo uvjete i dopustimo različita stanja čvorova u cijeloj mreži?

Na primjer, pokušajmo modelirati gradove. Da bismo to uradili, povećaćemo gustinu u nekim delovima mreže (veći stepen čvorova). To radimo na osnovu podataka koje građani imaju širi društveni krug i više društvenih interakcijanego ljudi van gradova.

U našem modelu, osjetljivi čvorovi su obojeni na osnovu njihovog stepena. Čvorovi u "ruralnim područjima" imaju stepen 4 (i obojeni su svijetlo sivom bojom), dok čvorovi u "urbanim područjima" imaju više stepene (i obojeni su tamnije), počevši od stepena 5 na periferiji i završavajući sa 8 u centru grada.

Pokušajte odabrati brzinu širenja tako da aktivacija pokrije gradove, a zatim ne prelazi njihove granice.

Smatram da je ova simulacija i očigledna i iznenađujuća. Naravno, gradovi održavaju kulturni nivo bolje od ruralnih područja - to svi znaju. Ono što me iznenađuje je da dio ove kulturne raznolikosti nastaje jednostavno na temelju topologije društvene mreže.

Ovo je zanimljiva stvar, pokušat ću je detaljnije objasniti.

Ovdje imamo posla sa oblicima kulture koji se jednostavno i direktno prenose sa osobe na osobu. Na primjer, manire, salonske igre, modni trendovi, lingvistički trendovi, rituali u malim grupama i proizvodi koji se šire usmenom predajom, plus cijeli paketi informacija koje nazivamo idejama.

(Napomena: mediji izuzetno otežavaju širenje informacija među ljudima. Lakše je zamisliti neko tehnološki primitivno okruženje, poput antičke Grčke, gdje se gotovo svaka iskra kulture prenosila interakcijom u fizičkom prostoru.)

Iz gornje simulacije saznao sam da postoje ideje i kulturne prakse koje se mogu ukorijeniti i proširiti u gradu, ali se jednostavno ne mogu (matematički ne mogu) proširiti u ruralnim područjima. To su iste ideje i isti ljudi. Poenta nije u tome da su seoski stanovnici na neki način „bliski duhovi“: kada su u interakciji s istom idejom, oni potpuno iste šanse da ga uhvatitekao gradjani. Samo što sama ideja ne može postati viralna u ruralnim sredinama, jer nema mnogo veza preko kojih se može širiti.

To je možda najlakše uočiti u oblasti mode - odjeća, frizure itd. U modnoj mreži možemo uhvatiti rub rešetke kada dvije osobe primjećuju odjeću jedne druge. U urbanom centru svaka osoba može vidjeti više od 1000 drugih ljudi svakog dana - na ulici, u metrou, u prepunom restoranu itd. U ruralnom području, naprotiv, svaka osoba može vidjeti samo nekoliko desetina drugi. Na osnovu samo ova razlika, grad je u mogućnosti da podrži više modnih trendova. I samo najuvjerljiviji trendovi – oni s najvećim brzinama prijenosa – moći će steći uporište izvan grada.

Skloni smo misliti da ako je ideja dobra, na kraju će doprijeti do svih, a ako je ideja loša, ona će nestati. Naravno, to je istina u ekstremnim slučajevima, ali između postoji mnogo ideja i praksi koje mogu postati viralne samo na određenim mrežama. Ovo je zaista neverovatno.

Ne samo gradovi

Ovdje gledamo utjecaj gustina mreže. Definira se za dati skup čvorova kao broj stvarna rebra, podijeljeno brojem potencijalne ivice. Odnosno, postotak mogućih veza koje stvarno postoje.

Dakle, vidjeli smo da je gustina mreže u urbanim centrima veća nego u ruralnim područjima. Ali gradovi nisu jedino mjesto gdje nalazimo guste mreže.

Zanimljiv primjer su srednje škole. Na primjer, za određeno područje upoređujemo mrežu koja postoji među školarcima sa mrežom koja postoji među njihovim roditeljima. Ista geografska oblast i ista populacija, ali je jedna mreža mnogo puta gušća od druge. Stoga ne čudi što se modni i jezički trendovi mnogo brže šire među tinejdžerima.

Isto tako, elitne mreže imaju tendenciju da budu mnogo gušće od neelitnih – činjenica za koju mislim da je nedovoljno cijenjena (ljudi koji su popularni ili utjecajni provode više vremena na umrežavanju i stoga imaju više "komšija" od običnih ljudi). Na osnovu gornjih simulacija, očekujemo da će elitne mreže podržati neke kulturne forme koje ne mogu podržati mainstream, jednostavno na osnovu matematičkih zakona prosječnog stepena mreže. Ostavljam vas da nagađate o tome koji bi to kulturni oblici mogli biti.

Konačno, ovu ideju možemo primijeniti na Internet tako što ćemo ga modelirati kao ogroman i veoma čvrsto grad. Nije iznenađujuće da mnoge nove vrste kulture napreduju na internetu koje jednostavno ne mogu biti podržane na čisto prostornim mrežama: nišni hobiji, bolji standardi dizajna, veća svijest o nepravdi, itd. I to nisu samo lijepe stvari. Baš kao što su rani gradovi bili leglo bolesti koje se nisu mogle širiti u maloj gustini naseljenosti, tako je internet leglo malignih kulturnih oblika kao što su mamac za klikove, lažne vijesti i izazivanje vještačkog besa.

Znanje

“Imati pravog stručnjaka u pravo vrijeme često je najvredniji resurs za kreativno rješavanje problema.” — Michael Nielsen, Inventing Discovery

Često razmišljamo o otkriću ili pronalasku kao o procesu koji se događa u umu jednog genija. Pogodi ga bljesak inspiracije i - Eureka! — odjednom imamo novi način mjerenja volumena. Ili jednačina gravitacije. Ili sijalicu.

Ali ako uzmemo tačku gledišta usamljenog pronalazača u trenutku otkrića, onda gledamo na fenomen sa tačke gledišta čvora. Iako bi bilo ispravnije protumačiti izum kao mreže fenomen.

Mreža je važna na najmanje dva načina. Prvo, postojeće ideje moraju prodrijeti u svest inventor. Ovo su citati iz novog članka, bibliografskog dijela nove knjige - divovi na čijim je ramenima stajao Newton. Drugo, mreža je ključna za povratak nove ideje nazad u svijet; izum koji se nije raširio teško da uopće vrijedi nazvati "izumom". Stoga, iz oba ova razloga, ima smisla modelirati izum – ili, šire, rast znanja – kao proces difuzije.

Za trenutak ću predstaviti grubu simulaciju kako se znanje može širiti i rasti unutar mreže. Ali prvo moram objasniti.

Na početku simulacije, postoje četiri stručnjaka u svakom kvadrantu mreže, raspoređeni na sljedeći način:

Ekspert 1 ima prvu verziju ideje - nazovimo je Ideja 1.0. Ekspert 2 je osoba koja zna kako pretvoriti Ideju 1.0 u Ideju 2.0. Ekspert 3 zna kako da transformiše Ideju 2.0 u Ideju 3.0. I konačno, četvrti stručnjak zna kako da dovede do kraja Ideju 4.0.

Ovo je slično tehnici poput origamija, gdje se tehnike razvijaju i kombiniraju s drugim tehnikama kako bi se stvorili zanimljiviji dizajni. Ili to može biti polje znanja, poput fizike, u kojem se noviji rad nadograđuje na temeljni rad prethodnika.

Poenta ove simulacije je da su nam potrebna sva četiri stručnjaka da doprinesu konačnoj verziji ideje. I u svakoj fazi ideja mora biti skrenuta pažnji odgovarajućeg stručnjaka.

Nekoliko upozorenja. Mnogo je nerealnih pretpostavki kodiranih u simulaciji. Evo samo neke od njih:

1. Pretpostavlja se da se ideje ne mogu pohranjivati ​​i prenositi osim od osobe do osobe (tj. bez knjiga ili medija).
2. Pretpostavlja se da u populaciji postoje stalni stručnjaci koji mogu generirati ideje, iako u stvarnosti mnogi slučajni faktori utiču na pojavu otkrića ili izuma.
3. Sve četiri verzije ideje koriste isti skup SIS parametara (brzina prijenosa, postotak imuniteta, itd.), iako je vjerovatno realnije koristiti različite parametre za svaku verziju (1.0, 2.0, itd.)
4. Pretpostavlja se da ideja N+1 uvijek potpuno istiskuje ideju N, iako u praksi često istovremeno kruže i stara i nova verzija, bez jasnog pobjednika.

… i mnogi drugi.

Rasprava

Ovo je smiješno pojednostavljen model kako znanje zapravo raste. Mnogo je važnih detalja ostalo izvan modela (vidi gore). Međutim, on obuhvata važnu suštinu procesa. I zato možemo, s rezervom, govoriti o rastu znanja koristeći naše znanje o difuziji.

Konkretno, model difuzije daje uvid u to kako ubrzati proces: Potreba da se olakša razmjena ideja između stručnih čvorova. To može značiti čišćenje mreže mrtvih čvorova koji ometaju difuziju. Ili bi to moglo značiti postavljanje svih stručnjaka u grad ili klaster s velikom gustinom mreže gdje se ideje brzo šire. Ili ih jednostavno skupite u jednoj prostoriji:

Dakle... to je sve što mogu reći o difuziji.

Ali imam jednu posljednju misao, i to vrlo važno. Radi se o rastui stagnacije) znanje u naučnim zajednicama. Ova ideja se razlikuje po tonu i sadržaju od bilo čega gore, ali nadam se da ćete mi oprostiti.

O naučnim mrežama

Ilustracija prikazuje jednu od najvažnijih petlji pozitivnih povratnih informacija na svijetu (a ovako je već duže vrijeme):

Uzlazno napredovanje ciklusa (K ⟶ T) je prilično jednostavno: koristimo novo znanje za razvoj novih alata. Na primjer, razumijevanje fizike poluprovodnika nam omogućava da pravimo kompjutere.

Međutim, kretanje prema dolje zahtijeva neko objašnjenje. Kako razvoj tehnologije dovodi do povećanja znanja?

Jedan od načina – možda najdirektniji – je kada nam nove tehnologije daju nove načine sagledavanja svijeta. Na primjer, najbolji mikroskopi vam omogućavaju da pogledate dublje u ćeliju, pružajući uvid u molekularnu biologiju. GPS tragači pokazuju kako se životinje kreću. Sonar vam omogućava da istražite okeane. I tako dalje.

Ovo je nesumnjivo vitalni mehanizam, ali postoje još najmanje dva puta od tehnologije do znanja. Možda nisu tako jednostavne, ali mislim da su jednako važne:

Prvi. Tehnologija vodi ekonomskom obilju (tj. bogatstvu), što omogućava više ljudi da se uključe u proizvodnju znanja.

Ako se 90% stanovništva vaše zemlje bavi poljoprivredom, a preostalih 10% se bavi nekom vrstom trgovine (ili rata), onda ljudi imaju vrlo malo slobodnog vremena za razmišljanje o zakonima prirode. Možda su zato u ranijim vremenima nauku uglavnom promicala djeca iz bogatih porodica.

Sjedinjene Američke Države proizvedu više od 50 doktora nauka svake godine. Umjesto da osoba ode da radi u fabrici sa 000 godina (ili ranije), diplomirani student mora biti finansiran do 18. ili možda 30. godine – a čak i tada nije jasno da li će njihov rad imati ikakav stvarni ekonomski uticaj. Ali neophodno je da osoba dostigne prvi red u svojoj disciplini, posebno u složenim oblastima kao što su fizika ili biologija.

Činjenica je da su sa sistemske tačke gledišta stručnjaci skupi. A krajnji izvor javnog bogatstva koji finansira ove stručnjake je nova tehnologija: plug subvencioniše pero.

Drugi. Nove tehnologije, posebno u oblasti putovanja i komunikacija, mijenjaju strukturu društvenih mreža u kojima znanje raste. Konkretno, omogućava stručnjacima i stručnjacima da bliže međusobno sarađuju.

Značajni izumi ovdje uključuju štampariju, parobrode i željeznice (olakšavanje putovanja i/ili slanje pošte na velike udaljenosti), telefone, avione i internet. Sve ove tehnologije doprinose povećanju gustine mreže, posebno unutar specijalizovanih zajednica (gde se dešava skoro sav rast znanja). Na primjer, mreže dopisivanja koje su se pojavile među evropskim naučnicima na kraju srednjeg vijeka, ili način na koji moderni fizičari koriste arXiv.

Na kraju krajeva, oba ova puta su slična. I jedno i drugo povećava gustinu mreže stručnjaka, što zauzvrat dovodi do povećanja znanja:

Dugi niz godina sam bio prilično preziran prema visokom obrazovanju. Moj kratki boravak u postdiplomskim studijama ostavio mi je loš ukus u ustima. Ali sada kada pogledam unazad i razmislim (pored svih ličnih problema), moram zaključiti da je visoko obrazovanje još uvijek preterano bitan.

Akademske društvene mreže (npr. istraživačke zajednice) jedna su od najnaprednijih i najvrednijih struktura koje je stvorila naša civilizacija. Nigdje nismo akumulirali veću koncentraciju stručnjaka usmjerenih na proizvodnju znanja. Nigdje ljudi nisu razvili veću sposobnost razumijevanja i kritikovanja ideja jedni drugih. To je srce napretka. U tim mrežama najjače gori vatra prosvjetljenja.

Ali ne možemo uzeti napredak zdravo za gotovo. Ako kriza neobnovljivosti eksperimenta i ako nas je nečemu naučila, to je da nauka može imati sistemske probleme. Ovo je vrsta degradacije mreže.

Pretpostavimo da razlikujemo dva načina bavljenja naukom: prava nauka и karijerizam. Prava nauka je praksa koja pouzdano proizvodi znanje. Motivisana je radoznalošću i karakterizirana je iskrenošću (Feynman: „Vidiš, samo trebam razumjeti svijet“). Karijerizam je, naprotiv, motivisan profesionalnim ambicijama i karakteriše ga igranje politike i naučnih prečica. Možda izgleda i djeluje kao nauka, ali ne proizvodi pouzdano znanje.

(Da, ovo je pretjerana dihotomija. Samo misaoni eksperiment. Nemojte mene kriviti).

Činjenica je da kada karijeristi zauzmu prostor u pravoj istraživačkoj zajednici, oni uništavaju posao. Nastoje se promovirati dok ostatak zajednice pokušava steći i podijeliti nova znanja. Umjesto da teže jasnoći, karijeristi sve komplikuju i brkaju kako bi zvučali impresivnije. Bave se (kako bi Hari Frankfurt rekao) naučnim glupostima. I stoga bismo ih mogli modelirati kao mrtve čvorove, nepropusne za poštenu razmjenu informacija neophodnih za rast znanja:

Možda je najbolji model u kojem čvorovi karijere nisu samo nepropusni za znanje, već aktivno šire lažno znanje. Lažno znanje može uključivati ​​beznačajne rezultate čija se važnost umjetno naduvava ili istinski lažni rezultati koji proizlaze iz manipulacije ili izmišljenih podataka.

Bez obzira na to kako ih modeliramo, karijeristi sigurno mogu zadaviti naše naučne zajednice.

To je kao nuklearna lančana reakcija koja nam je očajnički potrebna - potrebna nam je eksplozija znanja - samo naš obogaćeni U-235 ima previše nereaktivnog izotopa U-238 u sebi, koji potiskuje lančanu reakciju.

Naravno, ne postoji jasna razlika između karijerista i pravih naučnika. Svako od nas krije malo karijere u sebi. Pitanje je koliko dugo mreža može trajati prije nego što širenje znanja nestane.

Oh, pročitao si do kraja. Hvala na čitanju.

Licenca

CC0 Sva prava nisu pridržana. Možete koristiti ovaj rad kako vam odgovara :).

Zahvalnice

• Kevin Kwok и Nicky Case za promišljene komentare i sugestije na različite verzije nacrta.
• Nick Barr — za moralnu podršku tokom cijelog procesa i za najkorisnije povratne informacije o mom radu.
• Keith A. što mi je ukazao na fenomen perkolacije i prag perkolacije.
• Geoff Lonsdale za link do ovo je esej, što je (uprkos brojnim nedostacima) bio glavni poticaj za rad na ovom postu.

Interaktivni uzorci eseja

• Sav rad Nicky Casea, posebno. "Parabola o poligonima" (sa Vi Hartom) i "Razvijanje boljeg glasačkog listića". Ovo je visoka granica za ono što interaktivni esej može biti.
• destill.pub: Izuzetno kvalitetni interaktivni opisi mašinskog učenja.
• Klasični rad Breta Victora "Gore i dolje po ljestvici apstrakcije". Nisam bio dobar u kretanju uz stepenice, ali uvijek postoji još jedan pokušaj.

izvor: www.habr.com