Pokud jste strávili nějaký čas přemýšlením o složitých systémech, pravděpodobně chápete důležitost sítí. Sítě řídí náš svět. Od chemických reakcí uvnitř buňky až po sítě vzájemných vztahů v ekosystému, obchodní a politické sítě, které formují průběh historie.

Nebo se podívejte na tento článek, který právě čtete. Pravděpodobně jste ho našli v sociální síti, stáhli z počítačové sítě a v současnosti rozšifrováváte smysl pomocí své neurální sítě.

Ale kolik let jsem o sítích přemýšlel, nedávno jsem si uvědomil důležitost jednoduché difuze.

To je naše téma pro dnes: jak a jak chaoticky se všechno pohybuje a šíří. Některé příklady, abychom vám zvedli chuť:

• Infekční onemocnění, přecházející z jednotlivce na jednotlivce v rámci populace.
• Memes, které se šíří skrze graf sledujících na sociálních sítích.
• Lesní požár.
• Myšlenky a praktiky, které pronikají do kultury.
• Kaskáda neutronů v obohaceném uranu.

Krátká poznámka o formě.

Na rozdíl od všech mých předchozích prací, toto esej je interaktivní [v originálním článku s uvedenými interaktivními příklady s posuvníky a tlačítky, které ovládají objekty na obrazovce – pozn. red.].

Takže se do toho pusťme. První úkol – vyvinout vizuální slovník pro šíření po sítích.

Jednoduchý model

Jsem si jistý, že všichni znáte základní principy sítí, tedy uzly + hrany. Prozkoumat difuzi stačí pouze označit některé uzly jako aktivní. Nebo, jak obvykle říkají epidemiologové, infikované:

Tato aktivace nebo infekce se šíří sítí z uzlu na uzel podle pravidel, která si níže vyvineme.

Skutečné sítě jsou obvykle mnohem větší než tato jednoduchá síť se sedmi uzly. Jsou také mnohem složitější. Ale pro jednoduchost zde postavíme hračkový model, abychom prozkoumali mřížku, tedy mřížkovou síť (lattice network).

(Co mřízce chybí na realističnosti, kompenzuje to, že se snadno kreslí 😉

Kromě případů, kdy je uvedeno jinak, mají uzly v síti čtyři sousedy, například:

A je třeba si představit, že tyto mřížky se rozprostírají nekonečně ve všech směrech. Jinými slovy, nezajímá nás chování, které se odehrává pouze na okrajích sítě nebo v malých populacích.

Vzhledem k tomu, že jsou mřížky tak uspořádané, lze je zjednodušit na pixely. Například tyto dva obrázky představují stejnou síť:

V jedné variantě chování aktivní uzel vždy přenáší infekci svým (nejinfikovaným) sousedům. Ale to je nudné. Mnohem zajímavější věci se dějí, když je přenos pravděpodobnostní.

SIR a SIS

V modely SIR (Susceptible-Infected-Removed) uzel může být ve třech stavech:

• Vnímající (Susceptible)
• Infikovaný (Infected)
• Odstraněný (Removed)

Takto funguje interaktivní simulace [v originálním článku můžete si vybrat rychlost přenosu infekce od 0 do 1, sledovat proces krok za krokem nebo v celku — pozn. překl.]:

• Uzly začínají jako vnímající, s výjimkou několika uzlů, které začínají jako infikované.
• V každém časovém kroku infikované uzly dostanou šanci přenést infekci každému ze svých vnímajících sousedů s pravděpodobností rovnou rychlosti přenosu.
• Infikované uzly se poté přecházejí do stavu „odstraněný“, což znamená, že již nemohou nakazit ostatní ani se sami nakazit.

V kontextu nemoci může odstranění znamenat, že člověk zemřel, nebo že si vytvořil imunitu vůči patogenu. Říkáme, že byli „odstraněni“ z simulace, protože se s nimi už nic neděje.

V závislosti na tom, co se snažíme modelovat, může být potřeba jiný model než SIR.

Pokud simulujeme šíření spalniček nebo epidemii lesního požáru, SIR je ideální. Ale předpokládejme, že simulujeme šíření nové kulturní praxe, jako je meditace. Nejdříve je uzel (člověk) vnímající, protože to nikdy předtím nedělal. Poté, pokud začne meditovat (možná slyšel o tom od přítele), budeme ho modelovat jako infikovaného. Ale pokud přestane tuto praxi, neumře a nevypadne ze simulace, protože v budoucnu se velmi snadno může tuto návyk znovu osvojit. Tak se vrací zpět do vnímajícího stavu.

To je model SIS (Susceptible–Infected–Susceptible). V klasickém modelu jsou dva parametry: rychlost přenosu a rychlost uzdravení. V simulacích pro tento článek jsem však zjednodušil, když jsem vynechal parametr rychlosti uzdravení. Infikovaný uzel se místo toho automaticky vrací do citlivého stavu v dalším časovém kroku, pokud není infikován jedním ze svých sousedů. Dále umožňujeme uzlu, který byl infikován v kroku n, infikovat se v kroku n+1 s pravděpodobností rovnou rychlosti přenosu.

Diskuze

Jak vidíte, to se velmi liší od modelu SIR.

Jelikož uzly nikdy nejsou odstraňovány, i velmi malá a omezená mřížka může udržovat SIS infekci po dlouhou dobu. Nákaza prostě skáče z uzlu na uzel a vrací se zpět.

Napr despite the differences, SIR and SIS turn out to be surprisingly interchangeable for our purposes. Therefore, for the rest of the article we will focus on SIS – mainly because it is more resilient and thus more interesting to work with.

Kritická úroveň

Hraní si s modely SIR a SIS jste si mohli všimnout něčeho ohledně trvanlivosti infekce. Při velmi nízkých rychlostech přenosu, jako je 10 %, infekce má tendenci vymírat. Zatímco při vyšších hodnotách, jako je 50 %, infekce zůstává živá a ovládá větší část sítě. Kdyby byla síť nekonečná, mohli bychom si představit, že pokračuje a šíří se navždy.

Tato bezmezná difuze má mnoho názvů: 'virální', 'jaderná' nebo (v názvu tohoto článku) kritická.

Ukazuje se, že existuje konkrétní zlomový bod, který odděluje subkritické sítě (odsouzené k vyhynutí) od superkritických sítí (schopných nekonečného růstu). Tento zlomový okamžik se nazývá kritický práh, a to je poměrně obecný znak difuzních procesů v běžných sítích.

Přesná hodnota kritického prahu se liší mezi sítěmi. Co je společné, je přítomnost taková hodnota.

[V interaktivní demonstraci z původního článku si můžete vyzkoušet ručně najít kritický práh sítě tím, že změníte hodnotu přenosové rychlosti. Nachází se někde mezi 22 % a 23 % – pozn. př.]

Při 22 % (a méně) infekce nakonec vymizí. Při 23 % (a více) počáteční infekce někdy vymizí, ale v mnoha případech se jí podaří přežít a šířit se dostatečně dlouho, aby si zajistila věčné trvání.

(Mimochodem, existuje celá vědecká disciplína, která se věnuje hledání těchto kritických prahů pro různé síťové topologie. Pro rychlé seznámení doporučuji rychle projít článek na Wikipedii o prahu přenosu).

Obecně řečeno, takto to funguje: pod kritickým prahem jakákoli konečná infekce v síti zaručeně (s pravděpodobností 1) nakonec vymizí. Ale nad kritickým prahem existuje pravděpodobnost (p > 0), že infekce bude pokračovat navždy a přitom se rozšíří libovolně daleko od výchozího místa.

Mějte však na paměti, že nadkritická síť negarantuje, že infekce bude pokračovat navždy. Ve skutečnosti často zhasíná, zejména v nejranějších fázích modelování. Podívejme se, jak to probíhá.

Představme si, že jsme začali s jedním nakaženým uzlem a čtyřmi sousedy. V prvním kroku modelování má infekce 5 nezávislých šancí na rozšíření (včetně šance 'rozšířit se' na sebe v dalším kroku):

Nyní předpokládejme, že přenosová rychlost je 50 %. V tomto případě v prvním kroku pětkrát hodíme mincí. A pokud padne pět orlů, infekce bude zničena. To se děje přibližně ve 3 % případů — a to je pouze v prvním kroku. U infekce, která přežila první krok, existuje určitá (obvykle menší) pravděpodobnost, že zhasne ve druhém kroku, nějaká (ještě menší) pravděpodobnost zhasnutí ve třetím kroku atd.

Tímto způsobem, i když je síť nadkritická — pokud je přenosová rychlost 99 % — existuje pravděpodobnost, že infekce zmizí.

Ale důležité je, že se nebude vždy zhasínat. Pokud se sečtou pravděpodobnosti zhasnutí všech kroků do nekonečna, výsledek je menší než 1. Jinými slovy, s nenulovou pravděpodobností bude infekce pokračovat navždy. To je, co znamená pro síť být nadkritická.

SISa: spontánní aktivace

Do této chvíle veškeré naše simulace začínaly malým kouskem předem nakažených uzlů uprostřed.

Ale co když začneme od nuly? Pak simulujeme spontánní aktivaci – proces, kterým se citlivý uzel náhodně infikuje (ne od jednoho ze sousedů).

To je nazývá modelem SISa. Písmeno „a“ označuje „automatický“.

V simulaci SISa se objevuje nový parametr – rychlost spontánní aktivace, která mění frekvenci výskytu spontánní infekce (parametr přenosu, který jsme viděli dříve, je také přítomen).

Co je potřeba, aby se infekce rozšířila po celé síti?

Diskuze

Možná jste si v simulaci všimli, že zvýšení rychlosti spontánní aktivace nemění to, zda infekce zachytí celou síť nebo ne. Jen rychlost přenosu určuje, zda je síť podkritická nebo nadkritická. A když je síť podkritická (rychlost přenosu menší nebo rovna 22 %), žádná infekce se nemůže rozšířit na celou mřížku, ať už se spouští jakkoli často.

Je to jako zakládat oheň na mokré louce. Můžete zapálit několik suchých listů, ale plamen rychle zhasne, protože zbytek krajiny se nedá snadno zapálit (podkritické). Zatímco na velmi suché louce (nadkritické) stačí jiskra, aby oheň propukl.

Podobné jevy se objevují ve sféře myšlenek a vynálezů. Často není svět připraven na myšlenku, a v takovém případě ji lze vynalézat znovu a znovu, ale neuchopí to masy. Na druhé straně může být svět zcela připraven na vynález (velký skrytý poptávka), a jakmile se narodí, je přijímán všemi. Mezi tím jsou myšlenky, které jsou vynalézány na několika místech a šíří se lokálně, ale nedostatečně, aby nějaká jednotlivá verze pokryla ihned celou síť. V této poslední kategorii najdeme například zemědělství a písmo, které byly nezávisle vynalezeny různými lidskými civilizacemi přibližně desetkrát a třikrát.

Imunita

Předpokládejme, že některé uzly uděláme zcela imuní, tedy necitlivé na aktivaci. Je to jako by byly od začátku ve vzdáleném stavu, zatímco model SIS(a) se spouští na zbývajících uzlech.

Posuvník „imunita“ reguluje procento odstraněných uzlů. Zkuste změnit jeho hodnotu (během provozu modelu!) a podívejte se, jak ovlivňuje stav sítě, zda bude superkritická či nikoli.

Diskuze

Změna počtu rezistentních uzlů zásadně mění situaci, zda bude síť sub- nebo superkritická. A není těžké pochopit proč. Při velkém počtu rezistentních uzlů má infekce méně možností, jak se šířit na nové hostitele.

Ukazuje se, že to má řadu velmi důležitých praktických důsledků.

Jedním z nich je prevence šíření lesních požárů. Na místní úrovni by si každý měl brát vlastní ochranná opatření (například nikdy nenechávat otevřený oheň bez dozoru). Ale ve velkém měřítku jsou jednotlivé výbuchy nevyhnutelné. Další metodou ochrany je zajistit dostatečný počet „přerušení“ (ve síti hořlavých materiálů), aby se výbuch nešířil po celé síti. Takovou funkci plní průseky:

Dalším výbuchem, který je důležité zastavit, je infekční onemocnění. Zde se zavádí koncept populační imunity. To je myšlenka, že někteří lidé nemohou být očkováni (například mají narušený imunitní systém), ale pokud je na infekci rezistentní dostatečný počet lidí, nemoc se nebude moci šířit nekonečně. Jinými slovy, je třeba očkovat dostatečnou část populace, aby se převedlo obyvatelstvo ze superkritického do subkritického stavu. Když se to stane, jeden pacient se stále může nakazit (například po výletu do jiného regionu), ale bez superkritické sítě, ve které by mohla růst, nemoc infikuje pouze malou hrstku lidí.

Nakonec koncept rezistentních uzlů vysvětluje, co se děje v jaderném reaktoru. V řetězové reakci se rozpadávající atom uranu-235 uvolňuje přibližně tři neutrony, které vyvolávají (průměrně) štěpení více než jednoho atomu U-235. Nové neutrony pak vyvolávají další štěpení atomů a tak dále exponenciálně:

Při vytváření bomby je smyslem zajistit bezproblémové pokračování exponenciálního růstu. Ale na elektrárně je cílem vyrábět energii, aniž bychom zabili všechny kolem. K tomu se používají regulační tyče, vyrobené z materiálů schopných absorbovat neutrony (například stříbro nebo bor). Protože absorbují, nikoli uvolňují neutrony, fungují v naší simulaci jako nepostižitelná uzlová místa, čímž zabraňují tomu, aby radioaktivní jádro vstoupilo do nadkritického stavu.

Trik jaderného reaktoru spočívá v tom, že udržuje reakci blízko kritického prahu tím, že posouvá regulační tyče tam a zpět, a zajišťuje, že kdykoliv něco není v pořádku, tyče klesnou do jádra a zastaví ho.

Stupeň

Stupeň uzlu je počet jeho sousedů. Doposud jsme zkoumali sítě 4. stupně. Ale co se stane, když tento parametr změníme?

Například lze každý uzel připojit nejen ke čtyřem bezprostředním sousedům, ale také ke čtyřem diagonálním sousedům. V takové síti bude stupeň 8.

Mřížky se stupni 4 a 8 jsou dobře symetrické. Ale při stupni 5 (například) vzniká problém: které pěti sousedů vybrat? V tomto případě vybíráme čtyři nejbližší sousedy (S, V, J, Z) a poté náhodně vybíráme jednoho souseda z množiny {JV, JZ, SZ, JZ}. Výběr se provádí nezávisle pro každý uzel v každém časovém kroku.

Diskuze

Opět platí, že není těžké pochopit, co se zde děje. Když má každý uzel více sousedů, zvyšují se šance na šíření infekce — a dále je pravděpodobnější, že síť se stane kritickou.

Následky však mohou být překvapivé, jak uvidíme níže.

Města a hustota sítě

Dosud byly naše sítě zcela homogenní. Každý uzel vypadá jako jakýkoli jiný. Ale co když změníme podmínky a dovolíme různá stavy uzlů po celé síti?

Například se pokusíme simulovat města. K tomu zvýšíme hustotu v některých částech sítě (vyšší stupeň uzlů). Děláme to na základě údajů, že měšťané mají širší sociální okruh a více sociálních interakcí, než lidé mimo města.

V naší modelu jsou vnímavé uzly zbarveny na základě jejich stupně. Uzly v 'venkově' mají stupeň 4 (a jsou zbarveny světlou šedou), zatímco uzly v 'městech' mají vyšší stupně (a jsou zbarveny tmavěji), začínající s úrovní 5 na okraji a končící s úrovní 8 v centru města.

Zkuste zvolit takovou rychlost šíření, aby aktivace pokrývala města a pak nepřesáhla jejich hranice.

Tuto simulaci nacházím zároveň zřejmou a ohromující. Samozřejmě, města lépe udržují kulturní úroveň než venkovské oblasti — to všichni vědí. Co mě ohromuje, je to, že část této kulturní rozmanitosti vzniká jednoduše na základě topologie sociální sítě.

To je zajímavý bod, pokusím se to vysvětlit podrobněji.

Zde se zabýváme formami kultury, které se předávají jednoduše a přímo z člověka na člověka. Například, manýry, salonní hry, módní trendy, jazykové trendy, rituály malých skupin a produkty, které se šíří z úst do úst, plus celé balíky informací, které nazýváme myšlenkami.

(Poznámka: šíření informací mezi lidmi je extrémně ztíženo prostředky hromadné komunikace. Snadněji si představit nějaké technologicky primitivní prostředí, například starověké Řecko, kde skoro každá jiskra kultury byla předávána interakcí v fyzickém prostoru).

Z uvedené simulace jsem se dozvěděl, že jsou myšlenky a kulturní praktiky, které se mohou zakořenit a rozšířit ve městě, ale prostě nejsou schopny se rozšířit na venkově (matematicky nemohou). Jsou to stejné myšlenky a stejní lidé. Není to tak, že venkované jsou nějak 'nepřítomní': při interakci se stejnou myšlenkou mají přesně stejné šance ji zachytit, jako měšťané. Jen samotná myšlenka nemůže být virální na venkově, protože tam není tolik spojení, po kterých by se mohla šířit.

Tohoto je asi nejlépe vidět v oblasti módy – oděvů, účesů atd. V módní síti můžeme zaznamenat mřížkovou hranu, když si dva lidé všímají vzájemně svých outfitů. V městském centru může každý člověk denně vidět více než 1000 dalších lidí – na ulici, v metru, v přelidněné restauraci atd. Na venkově naopak může každý člověk vidět pouze pár desítek dalších. Založeno pouze na tomto rozdílu, město dokáže podporovat více módních trendů. A pouze ty nejpřesvědčivější trendy – s nejvyšší rychlostí přenosu – se dokážou ustálit daleko za hranicemi města.

Myslíme si, že pokud je myšlenka dobrá, nakonec se dostane ke všem, a pokud je špatná, zmizí. To určitě platí v extrémech, ale mezi nimi je spousta myšlenek a praktik, které se mohou stát virálními pouze v určitých sítích. To je opravdu úžasné.

Nejen města

Zde zkoumáme vliv hustoty sítě. Ta je pro danou sadu uzlů definována jako počet skutečných hran, dělený počtem potenciálních hran. Tedy procento možných spojení, které skutečně existují.

Takže jsme viděli, že hustota sítě v městských centrech je vyšší než v venkovských oblastech. Ale města nejsou jediným místem, kde nacházíme husté sítě.

Zajímavým příkladem jsou střední školy. Například pro konkrétní oblast srovnejme síť, která existuje mezi studenty, se sítí, která existuje mezi jejich rodiči. Stejná geografická oblast a stejný počet obyvatel, ale jedna síť je mnohem hustší než druhá. Proto není překvapivé, že módní a jazykové trendy se mnohem rychleji šíří mezi dospívajícími.

Podobně elitní sítě bývají obvykle mnohem hustší než neelitní sítě – myslím, že tento fakt je podceňován (lidé, kteří jsou populární nebo vlivní, tráví více času budováním sítí, a proto mají více "sousedů" než běžní lidé). Na základě výše uvedených simulací očekáváme, že elitní sítě podpoří určité kulturní formy, které nemohou být podporovány mainstreamem, jednoduše na základě matematických zákonů v průměrné míře sítě. Nechávám vás přemýšlet o tom, jaké kulturní formy to mohou být.

Nakonec můžeme tuto myšlenku aplikovat na internet, modelováním jako obrovského a velmi hustého města. Není divu, že na internetu prosperuje mnoho nových druhů kultury, které nelze podporovat čistě v prostorových sítích: specializované koníčky, vyšší standardy designu, větší povědomí o nespravedlnosti atd. A to nejsou jen příjemné věci. Stejně jako první města byla líhní nemocí, které se nemohly šířit při nízké hustotě obyvatelstva, tak i internet je živnou půdou pro zhoubné kulturní formy, jako je clickbait, falešné zprávy a umělá rozhořčení.

Znalosti

„Přivedení správného experta ve správný okamžik je často nejcennější zdroj pro kreativní řešení problému.“ — Michael Nielsen, „Vynalézání objevů“

Často přemýšlíme o objevu nebo vynálezu jako o procesu, který probíhá v mysli jediného génia. Jeho zasáhne záblesk inspirace a — eureka! — náhle získáváme nový způsob měření objemu. Nebo rovnici gravitace. Nebo žárovku.

Ale pokud přijmeme pohled osamělého vynálezce v okamžiku objevu, díváme se na jev z pohledu uzlu. Správněji by bylo interpretovat vynález jako síťový jev.

Síť je důležitá alespoň ve dvou ohledech. Za prvé, již existující nápady musí proniknout do vědomí vynálezce. To jsou citáty z nového článku, bibliografická část nové knihy – obři, na jejichž ramenou stál Newton. Za druhé, síť je rozhodující pro návrat nového nápadu zpět do světa; vynález, který se neprojevil, by se těžko dal nazvat "vynálezem". Z těchto dvou důvodů má smysl modelovat vynález — nebo, v širším slova smyslu, růst znalostí — jako proces difuze.

Za chvíli představím hrubou simulaci toho, jak by mohly znalosti v síti vznikat a šířit se. Ale nejprve musím vysvětlit.

Na začátku modelování se v každém kvadrantu sítě nachází čtyři experti, uspořádaní následujícím způsobem:

Expert 1 má první verzi myšlenky — nazvěme ji Myšlenka 1.0. Expert 2 je tento člověk, který ví, jak přetvořit Myšlenku 1.0 na Myšlenku 2.0. Expert 3 ví, jak transformovat Myšlenku 2.0 na Myšlenku 3.0. A konečně, čtvrtý expert ví, jak přidat poslední úpravy, aby vytvořil Myšlenku 4.0.

Je to podobné technice jako origami, kde jsou metody vyvíjeny a kombinovány s jinými metodami pro vytvoření zajímavějších struktur. Nebo to může být oblast znalosti, jako je fyzika, kde je pozdější práce založena na základní práci předchůdců.

Podstatou této simulace je, že potřebujeme všechny čtyři experty, aby přispěli k finální verzi myšlenky. A v každém kroku je potřeba myšlenku dovést k příslušnému expertovi.

Několik ujednání. V simulaci je zakódováno mnoho nerealistických předpokladů. Zde je jen několik z nich:

1. Předpokládá se, že myšlenky nemohou být uchovávány a předávány jinak než z člověka na člověka (tj. žádné knihy a média).
2. Předpokládá se, že v populaci existují stálí experti schopní generovat myšlenky, i když na vznik objevů nebo vynálezů ovlivňuje mnoho náhodných faktorů.
3. Pro všechny čtyři verze myšlenky se používá stejná sada parametrů SIS (rychlost přenosu, procento imunnosti atd.), i když pravděpodobně by bylo realistické použít různé parametry pro každou verzi (1.0, 2.0 atd.)
4. Předpokládá se, že myšlenka N+1 vždy zcela vytlačuje myšlenku N, ačkoliv v praxi často cirkulují jak staré, tak nové verze současně, bez jednoznačného vítěze.

… a mnoho dalších.

Diskuze

Toto je absurdně zjednodušený model toho, jak skutečně rostou znalosti. Mnoho důležitých detailů zůstalo mimo model (viz výše). Nicméně, odráží důležitou podstatu procesu. A proto můžeme, s jistými výhradami, uvažovat o růstu znalostí pomocí našich znalostí o difuzi.

Zejména difuzní model dává porozumění, jak urychlit proces: je třeba usnadnit výměnu nápadů mezi odbornými uzly. To může znamenat odstranění mrtvých uzlů v síti, které brání difuzi. Nebo to může znamenat umístění všech odborníků do města nebo klastru s vysokou síťovou hustotou, kde se nápady rychle šíří. Nebo je jednoduše shromáždit v jedné místnosti:

Tak… to je vše, co mohu říci o difuzi.

Ale mám jednu poslední myšlenku, a ta je velmi důležitá. Řeč je o růstu (a stagnaci) znalostí v vědeckých komunitách. Tato myšlenka má jiný tón a obsah než to, co bylo řečeno výše, ale doufám, že mi to odpustíte.

O vědeckých sítích

Na ilustraci je znázorněn jeden z nejdůležitějších pozitivních cyklů zpětné vazby na světě (a ten byl tak po dlouhou dobu):

Vzestupná část cyklu (K ⟶ T) je dost jednoduchá: používáme nové znalosti k vývoji nových nástrojů. Například pochopení fyziky polovodičů nám umožňuje vytvářet počítače.

Nicméně, sestupná část vyžaduje určité vysvětlení. Jakým způsobem rozvoj technologií vede k růstu znalostí?

Jedním ze způsobů — možná nejpřímějším — je, když nové technologie poskytují nové způsoby, jak vnímat svět. Například lepší mikroskopy nám umožňují lépe nahlédnout do buňky, což vyvolává nápady pro molekulární biologii. GPS sledovače ukazují, jak se pohybují zvířata. Hydroakustika umožňuje zkoumat oceány. A tak dále.

Nepochybně, toto je životně důležitý mechanismus, ale existují minimálně dva další způsoby, jak se technologie dostává k znalostem. Možná nejsou tak jednoduché, ale myslím, že jsou stejně důležité:

První. Technologie vede k ekonomickému blahobytu (tzn. bohatství), což umožňuje více lidem zapojit se do výroby znalostí.

Pokud se 90 % populace vaší země věnuje zemědělství a zbývajících 10 % se zabývá nějakou formou obchodu (nebo války), mají lidé velmi málo volného času na přemýšlení o zákonech přírody. Možná právě proto byly v minulosti vědecké pokroky zejména doménou dětí z bohatých rodin.

USA každoročně vyprodukují více než 50 000 doktorů filozofie. Místo toho, aby člověk nastoupil na pracovní místo ve výrobě ve věku 18 let (nebo dříve), je třeba financovat postgraduální studium až do 30 nebo dokonce 40 let — a i tehdy není jisté, že jeho práce přinese nějaký reálný ekonomický efekt. Ale je to nezbytné, aby se člověk dostal na přední místa ve své disciplíně, zejména v tak složitých oborech, jako jsou fyzika či biologie.

Jde o to, že z pohledu systémových specialistů jsou odborníci drahý zdroj. A konečným zdrojem veřejného bohatství, které tyto specialisty financuje, je nová technologie: pluh subsiduje pero.

Druhý. Nové technologie, zejména v oblasti cestování a komunikace, mění strukturu sociálních sítí, v nichž roste znalost. Zvláště to umožňuje expertům a specialistům úžeji spolupracovat.

Mezi pozoruhodné vynálezy zde patří tiskový stroj, parníky a železnice (usnadňující cestování a/nebo posílání pošty na velké vzdálenosti), telefony, letadla a internet. Všechny tyto technologie přispívají k zvýšení hustoty sítě, zejména v rámci specializovaných komunit (kde probíhá téměř veškerý růst znalostí). Například korespondence, která vznikla mezi evropskými učenci na konci středověku, nebo to, jak moderní fyzici využívají arXiv.

Konečně, obě tyto cesty jsou podobné. Obě zvyšují hustotu sítě odborníků, což zase vede k růstu znalostí:

Po mnoho let jsem k vysokému školství přistupoval poněkud s přezíráním. Krátký pobyt na postgraduálním studiu zanechal nepříjemnou pachuť. Ale nyní, když se ohlížím zpět a přemýšlím (musím se distancovat od všech osobních problémů), musím dospět k závěru, že vysoké vzdělání je stále extrémně důležité.

Akademické sociální sítě (například výzkumné komunity) jsou jednou z nejpokročilejších a nejcennějších struktur, které naše civilizace vytvořila. Nikde jinde jsme nenashromáždili takovou koncentraci odborníků zaměřených na produkci znalostí. Nikde lidé nevyvíjeli větší schopnost porozumět a kritizovat navzájem své myšlenky. Je to bijící srdce pokroku. Právě v těchto sítích hoří plamen osvěty nejsilněji.

Ale nemůžeme pokrok brát jako samozřejmost. Pokud krize reprodukovatelnosti experimentů nás něco naučila, je to to, že věda může mít systémové problémy. Tohle je v jistém smyslu degradace sítě.

Předpokládejme, že rozlišujeme dva způsoby, jak se věnovat vědě: skutečná věda a kariérismus. Skutečná věda zahrnuje praktiky, které spolehlivě produkují znalosti. Je motivována zvědavostí a charakterizuje ji poctivost (Feynman: „Víš, prostě potřebuji porozumět světu“). Kariérismus je naopak motivován profesními ambicemi a charakterizován hrami v politice a vědeckými štítky. Může vypadat a chovat se jako věda, ale ne produkuje nespolehlivé znalosti.

(Ano, to je přehnaná dichotomie. Jen myšlenkový experiment. Omluvte mě).

Jde o to, že když kariéristé zaujmou místo v reálné vědecké komunitě, narušují práci. Usilují o svůj vlastní postup, zatímco zbytek komunity se snaží získat nové znalosti a sdílet je. Místo toho, aby usilovali o jasnost, kariéristé všechno ztěžují a pletou, aby vypadali impozantněji. Zabývají se (jak by řekl Harry Frankfurt) vědeckým blábolem. A tudíž bychom je mohli modelovat jako mrtvé uzly, necitlivé na poctivou výměnu informací, která je nezbytná pro růst znalostí:

Možná nejlepší model je ten, v němž kariéristické uzly nejsou jen necitlivé na znalosti, ale aktivně šíří falešné znalosti. Falešné znalosti mohou zahrnovat bezvýznamné výsledky, jejichž důležitost je uměle nafukována, nebo skutečně falešné výsledky, které vznikají z manipulací nebo falšovaných dat.

Bez ohledu na to, jak je modelujeme, kariéristé bezpochyby mohou dusit naše vědecké komunity.

Je to podobné jako řetězová jaderná reakce, kterou akutně potřebujeme — potřebujeme explozivní znalosti — jenže v našem obohaceném U-235 je příliš velký podíl nereaktivního izotopu U-238, který potlačuje řetězovou reakci.

Samozřejmě, že mezi kariéristy a skutečnými vědci neexistuje jasné rozlišení. Každý z nás v sobě nosí kousek kariérismu. Otázka zní, kolik toho síť vydrží, než se šíření znalostí ztlumí.

Oh, dočetli jste až do konce. Děkujeme za přečtení.

Licence

CC0 všechna práva nejsou vyhrazena. Můžete tuto práci využít, jak uznáte za vhodné :).

Poděkování

• Kevinovi Kwokovi a Niki Case za promyšlené komentáře a návrhy k různým verzím návrhu.
• Nicku Barru — za morální podporu během celého procesu a za nejvíc užitečné zpětné vazby k mé práci.
• Kitu A. za to, že mi poukázal na jev perkolace a prahové procházení.
• Jeffu Lonsdalovi za odkaz na toto eseji, které (navzdory mnoha nedostatkům) se stalo hlavním podnětem k práci na tomto příspěvku.

Vzory interaktivních esejů

• Všechny práce Niki Case, zejména „Podobenství o polygonech“ (s Vi Hart) a „Vytváření lepšího volebního bulletinu“. To je vysoká laťka toho, čím může být interaktivní esej.
• Distill.pub: výjimečně kvalitní interaktivní popisy strojového učení.
• Klasická práce Breta Victora „Nahoru a dolů po žebříku abstrakcí“. S žebříkem jsem si moc dobře neporadil, ale vždy je tu ještě jedna šance.

Zdroj: habr.com