Pokud jste strávili nějaký čas přemýšlením o složitých systémech, pravděpodobně chápete důležitost sítí. Sítě vládnou našemu světu. Od chemických reakcí v buňce přes síť vztahů v ekosystému až po obchodní a politické sítě, které utvářejí běh dějin.

Nebo zvažte tento článek, který právě čtete. Pravděpodobně jste to našli sociální síť, staženo z počítačová síť a v současné době dešifrují význam pomocí vašeho nervová síť.

Ale jakkoli jsem v průběhu let o sítích přemýšlel, až donedávna jsem nechápal důležitost jednoduchého difúze.

Toto je naše dnešní téma: jak, jak chaoticky se vše hýbe a šíří. Několik příkladů pro zvýšení chuti k jídlu:

• Infekční onemocnění, která přecházejí z přenašeče na přenašeče v rámci populace.
• Memy se šíří napříč grafem sledujících na sociálních sítích.
• Lesní požár.
• Myšlenky a postupy, které prostupují kulturou.
• Neutronová kaskáda v obohaceném uranu.

Rychlá poznámka k formě.

Na rozdíl od všech mých předchozích prací je tato esej interaktivní [in Původní článek jsou uvedeny interaktivní příklady s posuvníky a tlačítky, které ovládají objekty na obrazovce - cca. pruh].

Pojďme tedy začít. Prvním úkolem je vyvinout vizuální slovní zásobu pro šíření napříč sítěmi.

jednoduchý model

Jsem si jistý, že všichni znáte základ sítí, tedy uzly + hrany. Pro studium difúze stačí označit některé uzly jako aktivní. Nebo, jak rádi říkají epidemiologové, infikovaný:

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

Skutečné sítě jsou obvykle mnohem větší než tato jednoduchá sedmiuzlová síť. Jsou také mnohem více matoucí. Ale pro jednoduchost zde postavíme model hračky pro studium mřížky, tedy mřížové sítě.

(Co síťce chybí na realističnosti, vynahrazuje snadnou kresbou 😉

Pokud není uvedeno jinak, síťové uzly mají čtyři sousedy, například:

A musíte si představit, že tyto mříže se rozšiřují do nekonečna všemi směry. Jinými slovy, nezajímá nás chování, které se vyskytuje pouze na okrajích sítě nebo v malých populacích.

Vzhledem k tomu, že mřížky jsou takto uspořádány, můžeme je zjednodušit na pixely. Například tyto dva obrázky představují stejnou síť:

V jednom chování aktivní uzel vždy přenese infekci na své (neinfikované) sousedy. Ale je to nuda. Mnohem zajímavější věci se dějí při převodu pravděpodobnostní.

SIR a SIS

В Modely SIR (Susceptible-Infected-Removed) uzel může být ve třech stavech:

• Citlivý
• Infikovaný
• Odebráno

Zde je návod, jak funguje interaktivní simulace [v Původní článek rychlost přenosu infekce si můžete zvolit od 0 do 1, viz postup krok za krokem nebo celý - cca. překlad]:

• Uzly začínají jako citlivé, s výjimkou několika uzlů, které začínají jako infikované.
• V každém časovém kroku mají infikované uzly šanci přenést infekci na každého ze svých vnímavých sousedů s pravděpodobností rovnou rychlosti přenosu.
• Infikované uzly se poté dostanou do stavu „smazané“, což znamená, že již nejsou schopny infikovat ostatní nebo se samy nakazit.

V souvislosti s onemocněním může odstranění znamenat, že osoba zemřela nebo že si vytvořila imunitu vůči patogenu. Říkáme, že jsou „odstraněni“ ze simulace, protože se jim nic jiného nestane.

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

Pokud simulujeme šíření spalniček nebo vypuknutí požáru, je SIR ideální. Předpokládejme však, že simulujeme šíření nové kulturní praxe, jako je meditace. Zpočátku je uzel (osoba) vnímavý, protože to nikdy předtím neudělal. Pak, když začne meditovat (možná poté, co se o tom doslechl od kamaráda), budeme ho modelovat jako nakaženého. Pokud ale s praxí přestane, nezemře a nevypadne ze simulace, protože v budoucnu může tento zvyk snadno znovu získat. Takže se vrátí do vnímavého stavu.

To Model SIS (Vnímavý – Infikovaný – Citlivý). Klasický model má dva parametry: přenosovou rychlost a rychlost obnovy. V simulacích pro tento článek jsem se však rozhodl pro zjednodušení vynecháním parametru recovery rate. Místo toho se infikovaný uzel v příštím časovém kroku automaticky vrátí do náchylného stavu, pokud není infikován některým ze svých sousedů. Kromě toho umožňujeme uzlu infikovanému v kroku n, aby se sám infikoval v kroku n+1 s pravděpodobností rovnou přenosové rychlosti.

Diskuse

Jak vidíte, je to velmi odlišné od modelu SIR.

Protože uzly nejsou nikdy odstraněny, i velmi malá a omezená mřížka může podporovat infekci SIS po dlouhou dobu. Infekce jednoduše přeskakuje z uzlu na uzel a vrací se zpět.

Navzdory rozdílům se SIR a SIS ukázaly být pro naše účely překvapivě zaměnitelné. Po zbytek tohoto článku se tedy budeme držet SIS – hlavně proto, že je odolnější, a proto je práce s ním zábavnější.

Kritická úroveň

Po hraní si s modely SIR a SIS jste si možná všimli něčeho o dlouhověkosti infekce. Při velmi nízké míře přenosu, například 10 %, má infekce tendenci vymřít. Zatímco při vyšších hodnotách, například 50 %, infekce zůstává živá a přebírá většinu sítě. Kdyby byla síť nekonečná, dokázali bychom si představit, že bude pokračovat a šířit se navždy.

Takové neomezené šíření má mnoho jmen: „virový“, „jaderný“ nebo (v názvu tohoto článku) kritický.

Ukazuje se, že existuje charakteristický bod zlomu, který odděluje podkritické sítě (odsouzen k zániku) z nadkritické sítě (schopný nekonečného růstu). Tento bod obratu se nazývá kritický práh, a to je docela obecný znak difúzních procesů v běžných sítích.

Přesná hodnota kritického prahu se mezi sítěmi liší. Společné je toto dostupnost takový význam.

[V interaktivní ukázce z Původní článek Můžete se pokusit ručně najít kritický práh sítě změnou hodnoty přenosové rychlosti. Pohybuje se někde mezi 22 % a 23 % – cca. překl.]

Při 22 % (a méně) infekce nakonec vymizí. Při 23 % (a více) původní infekce někdy vymře, ale ve většině případů se jí podaří přežít a šířit se dostatečně dlouho, aby si zajistila svou existenci navždy.

(Mimochodem, existuje celá vědecká oblast věnovaná hledání těchto kritických prahových hodnot pro různé topologie sítí. Pro rychlý úvod doporučuji rychle prolistovat článek na Wikipedii o práh úniku).

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

Všimněte si však, že superkritická síť není гарантируетže infekce bude pokračovat navždy. Ve skutečnosti často mizí, zejména ve velmi raných fázích simulace. Podívejme se, jak se to stane.

Předpokládejme, že jsme začali s jedním infikovaným uzlem a čtyřmi sousedy. V prvním kroku modelování má infekce 5 nezávislých šancí na šíření (včetně možnosti „šířit se“ na sebe v dalším kroku):

Nyní předpokládejme, že přenosová rychlost je 50 %. V tomto případě v prvním kroku hodíme mincí pětkrát. A pokud se hodí pět hlav, infekce bude zničena. To se děje asi ve 3 % případů – a to je pouze v prvním kroku. Infekce, která přežije první krok, má nějakou (obvykle menší) pravděpodobnost vymření ve druhém kroku, nějakou (ještě menší) pravděpodobnost vymření ve třetím kroku atd.

Takže i když je síť superkritická - pokud je přenosová rychlost 99% - existuje šance, že infekce zmizí.

Ale důležité je, že ne vždy zmizí. Pokud sečtete pravděpodobnost, že všechny kroky vymřou do nekonečna, výsledek je menší než 1. Jinými slovy, existuje nenulová pravděpodobnost, že infekce bude pokračovat navždy. To znamená, že síť je superkritická.

SISa: spontánní aktivace

Až do tohoto bodu všechny naše simulace začínaly s malým kouskem předem infikovaných uzlů uprostřed.

Ale co když začnete od nuly? Poté modelujeme spontánní aktivaci – proces, při kterém se náchylný uzel nakazí náhodou (ne od některého ze svých sousedů).

To tzv. Model SISa. Písmeno „a“ znamená „automatický“.

V simulaci SISa se objevuje nový parametr - rychlost spontánní aktivace, která mění frekvenci spontánní infekce (přítomný je i parametr přenosové rychlosti, který jsme viděli dříve).

Co je potřeba k tomu, aby se infekce rozšířila po síti?

Diskuse

Možná jste si v simulaci všimli, že zvýšením rychlosti samovolné aktivace se nemění to, zda infekce ovládne celou síť nebo ne. Pouze přenosová rychlost určuje, zda je síť podkritická nebo nadkritická. A když je síť podkritická (rychlost přenosu menší nebo rovna 22 %), žádná infekce se nemůže rozšířit do celé sítě, bez ohledu na to, jak často začíná.

Je to jako rozdělat oheň na mokrém poli. Můžete zapálit pár suchých listů, ale plamen rychle vyhasne, protože zbytek krajiny není dostatečně hořlavý (podkritický). Zatímco na velmi suchém poli (superkritickém) stačí jedna jiskra, aby oheň začal zuřit.

Podobné věci jsou pozorovány ve sféře nápadů a vynálezů. Svět často není připraven na nápad, v takovém případě může být vynalezen znovu a znovu, ale nepřitahuje masy. Na druhou stranu může být svět na vynález zcela připraven (velká latentní poptávka), a jakmile se zrodí, je všemi přijat. Uprostřed jsou nápady, které jsou vynalezeny na několika místech a šíří se lokálně, ale ne dost na to, aby jedna verze zametla celou síť najednou. V této poslední kategorii najdeme například zemědělství a písmo, které byly nezávisle na sobě vynalezeny různými lidskými civilizacemi asi desetkrát, respektive třikrát.

imunita

Předpokládejme, že uděláme některé uzly zcela nezranitelnými, tedy imunními vůči aktivaci. Je to, jako by byly zpočátku ve vzdáleném stavu a na zbývajících uzlech je spuštěn model SIS(a).

Posuvník imunity řídí procento uzlů, které jsou odstraněny. Zkuste změnit jeho hodnotu (za běhu modelu!) a uvidíte, jak to ovlivní stav sítě, ať už bude superkritická nebo ne.

Diskuse

Změna počtu nereagujících uzlů zcela změní obrázek o tom, zda bude síť podkritická nebo nadkritická. A není těžké pochopit proč. Při velkém počtu nevnímavých hostitelů má infekce menší možnost rozšířit se na nové hostitele.

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

Jedním z nich je zabránění šíření lesních požárů. Na místní úrovni musí každá osoba přijmout vlastní preventivní opatření (například nikdy nenechávat otevřený oheň bez dozoru). Ale ve velkém měřítku jsou izolovaná ohniska nevyhnutelná. Dalším způsobem ochrany je tedy zajistit dostatek „přestávek“ (v síti hořlavých materiálů), aby ohnisko nepohltilo celou síť. Clearingy plní tuto funkci:

Další ohnisko, které je důležité zastavit, je infekční onemocnění. Zde je koncept představen stádní imunita. To je myšlenka, že někteří lidé nemohou být očkováni (například mají oslabený imunitní systém), ale pokud je dostatek lidí imunních vůči infekci, nemůže se nemoc šířit donekonečna. Jinými slovy, měli byste očkovat dostatečný část populace převést populaci ze superkritického do podkritického stavu. Když k tomu dojde, jeden pacient se stále může nakazit (například po cestě do jiné oblasti), ale bez superkritické sítě, ve které by se rozrostla, nemoc nakazí jen malou hrstku lidí.

Konečně koncept imunitních uzlů vysvětluje, co se děje v jaderném reaktoru. Při řetězové reakci rozkládající se atom uranu-235 uvolňuje asi tři neutrony, které způsobují (v průměru) štěpení více než jednoho atomu U-235. Nové neutrony pak způsobí další štěpení atomů a tak dále exponenciálně:

Při stavbě bomby jde především o to, aby exponenciální růst pokračoval nekontrolovaně. Ale v elektrárně je cílem vyrábět energii bez zabíjení všech kolem vás. K tomuto účelu se používají ovládací tyče, vyrobené z materiálu, který dokáže absorbovat neutrony (například stříbro nebo bor). Protože neutrony pohlcují, nikoli uvolňují, působí v naší simulaci jako imunitní uzly, čímž zabraňují tomu, aby se radioaktivní jádro stalo superkritickým.

Takže trik jaderného reaktoru spočívá v tom, udržet reakci blízko kritického prahu pohybem řídicích tyčí tam a zpět a zajistit, že kdykoli se něco pokazí, tyče spadnou do aktivní zóny a zastaví ji.

Stupeň

Stupeň uzlu je počet jeho sousedů. Až do tohoto bodu jsme zvažovali sítě stupně 4. Co se ale stane, když tento parametr změníte?

Každý uzel můžete například připojit nejen ke čtyřem bezprostředním sousedům, ale také k dalším čtyřem diagonálně. V takové síti bude stupeň 8.

Mříže se stupni 4 a 8 jsou dobře symetrické. Ale se stupněm 5 (například) nastává problém: kterých pět sousedů bychom si měli vybrat? V tomto případě vybereme čtyři nejbližší sousedy (S, V, J, Z) a poté náhodně vybereme jednoho souseda z množiny {SV, JV, JZ, SZ}. Volba se provádí nezávisle pro každý uzel v každém časovém kroku.

Diskuse

Opět není těžké vidět, co se zde děje. Když má každý uzel více sousedů, zvyšuje se šance na šíření infekce – a proto je pravděpodobnější, že se síť stane kritickou.

Důsledky však mohou být nečekané, jak uvidíme dále.

Města a hustota sítě

Až dosud byly naše sítě zcela homogenní. Každý uzel vypadá jako každý jiný. Ale co když změníme podmínky a povolíme různé stavy uzlů v celé síti?

Zkusme například modelovat města. K tomu zvýšíme hustotu v některých částech sítě (vyšší stupeň uzlů). Děláme to na základě dat, která občané mají širší sociální kruh a více sociálních interakcínež lidé mimo města.

V našem modelu jsou citlivé uzly obarveny na základě jejich stupně. Uzly ve „venkovských oblastech“ mají stupeň 4 (a jsou zbarveny světle šedě), zatímco uzly v „městských oblastech“ mají vyšší stupně (a jsou zbarveny tmavší), počínaje stupněm 5 na okraji města a konče 8 v centru města.

Pokuste se zvolit rychlost šíření tak, aby aktivace pokryla města a nepřesáhla jejich hranice.

Tuto simulaci považuji za samozřejmou a překvapivou. Samozřejmě, města si udržují kulturní úroveň lépe než venkov – to ví každý. Překvapuje mě, že část této kulturní rozmanitosti vzniká jednoduše na základě topologie sociální sítě.

To je zajímavý bod, pokusím se to vysvětlit podrobněji.

Zde máme co do činění s formami kultury, které se jednoduše a přímo přenášejí z člověka na člověka. Například, mravy, společenské hry, módní trendy, lingvistické trendy, rituály pro malé skupiny a produkty, které se šíří ústně, plus celé balíčky informací, kterým říkáme nápady.

(Pozn.: šíření informací mezi lidmi média extrémně ztěžují. Snáze si lze představit nějaké technologicky primitivní prostředí, jako je starověké Řecko, kde se téměř každá jiskra kultury přenášela interakcí ve fyzickém prostoru.)

Z výše uvedené simulace jsem se dozvěděl, že existují myšlenky a kulturní praktiky, které se mohou zakořenit a šířit ve městě, ale ve venkovských oblastech se prostě nemohou (matematicky nemohou) šířit. Jsou to stejné myšlenky a stejní lidé. Nejde o to, že by obyvatelé venkova byli nějak „blízkomyslní“: když interagují se stejnou myšlenkou, oni úplně stejná šance, že to chytíjako měšťané. Jde jen o to, že samotná myšlenka se ve venkovských oblastech nemůže stát virální, protože není mnoho spojení, kterými by se mohla šířit.

To je snad nejsnáze vidět v oblasti módy – oblečení, účesy atd. V módní síti můžeme zachytit okraj mřížky, když si dva lidé navzájem všimnou outfitu. V městském centru může každý den vidět více než 1000 dalších lidí – na ulici, v metru, v přeplněné restauraci atd. Naproti tomu na venkově může každý vidět jen několik desítek dalších. Na základě pouze tento rozdíl, město je schopno podporovat více módních trendů. A jen ty nejpřesvědčivější trendy – ty s nejvyššími přenosovými rychlostmi – se budou moci prosadit mimo město.

Máme tendenci si myslet, že když je nápad dobrý, nakonec se dostane ke všem, a když je nápad špatný, zmizí. V extrémních případech to samozřejmě platí, ale mezi tím existuje spousta nápadů a praktik, které se mohou virálně šířit jen na určitých sítích. To je opravdu úžasné.

Nejen města

Zde se díváme na dopad hustota sítě. Je definováno pro danou množinu uzlů jako číslo skutečná žebra, děleno číslem potenciální hrany. Tedy procento možných spojení, která skutečně existují.

Viděli jsme tedy, že hustota sítě v městských centrech je vyšší než ve venkovských oblastech. Města ale nejsou jediným místem, kde najdeme husté sítě.

Zajímavým příkladem jsou střední školy. Například pro konkrétní oblast porovnáváme síť, která existuje mezi školáky, se sítí, která existuje mezi jejich rodiči. Stejná geografická oblast a stejná populace, ale jedna síť je mnohokrát hustší než druhá. Není proto divu, že se mezi teenagery mnohem rychleji šíří móda a lingvistické trendy.

Stejně tak elitní sítě bývají mnohem hustší než neelitní sítě – tento fakt je podle mě nedoceněný (lidé, kteří jsou populární nebo vlivní, tráví více času networkingem, a proto mají více „sousedů“ než obyčejní lidé lidí). Na základě výše uvedených simulací očekáváme, že elitní sítě budou podporovat některé kulturní formy, které mainstream nemůže podporovat, jednoduše na základě matematických zákonů průměrného stupně sítě. Nechám vás spekulovat o tom, jaké by tyto kulturní formy mohly být.

Nakonec můžeme tuto myšlenku aplikovat na internet modelováním jako obrovský a Velice úzké město. Není žádným překvapením, že online vzkvétá mnoho nových druhů kultury, které prostě nelze podporovat na čistě prostorových sítích: specializované koníčky, lepší designové standardy, větší povědomí o nespravedlnosti atd. A nejsou to jen hezké věci. Stejně jako byla raná města živnou půdou pro nemoci, které se nemohly šířit v nízké hustotě obyvatelstva, je internet živnou půdou pro zhoubné kulturní formy, jako jsou clickbait, fake news a podněcování umělého pobouření.

Знания

"Mít správného odborníka ve správný čas je často nejcennějším zdrojem pro kreativní řešení problémů." — Michael Nielsen, Inventing Discovery

Objev nebo vynález často považujeme za proces, který se odehrává v mysli jediného génia. Zasáhne ho záblesk inspirace a - Eureka! — najednou máme nový způsob měření objemu. Nebo gravitační rovnice. Nebo žárovka.

Ale pokud se podíváme z pohledu osamělého vynálezce v okamžiku objevu, pak se díváme na fenomén z pohledu uzlu. I když by bylo správnější interpretovat vynález jako síť jev.

Síť je důležitá minimálně dvěma způsoby. Nejprve musí proniknout existující myšlenky do vědomí vynálezce. Toto jsou citace z nového článku, bibliografické části nové knihy – obři, na jejichž ramenou stál Newton. Za druhé, síť je kritická pro návrat nového nápadu zpět do světa; vynález, který se nerozšířil, má sotva cenu nazývat „vynálezem“. Z obou těchto důvodů má tedy smysl modelovat vynález – nebo v širším měřítku růst znalostí – jako proces šíření.

Za chvíli představím hrubou simulaci toho, jak se znalosti mohou šířit a růst v rámci sítě. Ale nejdřív musím vysvětlit.

Na začátku simulace jsou v každém kvadrantu mřížky čtyři odborníci, kteří jsou uspořádáni takto:

Expert 1 má první verzi nápadu – nazvěme ji Idea 1.0. Expert 2 je člověk, který ví, jak proměnit Ideu 1.0 v Ideu 2.0. Expert 3 ví, jak přeměnit Ideu 2.0 na Ideu 3.0. A konečně čtvrtý odborník ví, jak dokončit Ideu 4.0.

Je to podobné technice, jako je origami, kde se techniky vyvíjejí a kombinují s jinými technikami, aby se vytvořily zajímavější návrhy. Nebo to může být oblast znalostí, jako je fyzika, ve které novější práce staví na základní práci předchůdců.

Smyslem této simulace je, že potřebujeme, aby všichni čtyři odborníci přispěli ke konečné verzi nápadu. A v každé fázi je třeba na nápad upozornit příslušného odborníka.

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

1. Předpokládá se, že myšlenky nelze ukládat a přenášet jinak než od člověka k člověku (tj. žádné knihy nebo média).
2. Předpokládá se, že v populaci jsou stálí odborníci, kteří dokážou generovat nápady, i když ve skutečnosti výskyt objevu nebo vynálezu ovlivňuje mnoho náhodných faktorů.
3. Všechny čtyři verze nápadu používají stejnou sadu parametrů SIS (přenosová rychlost, procento imunity atd.), i když je pravděpodobně realističtější použít pro každou verzi jiné parametry (1.0, 2.0 atd.)
4. Předpokládá se, že myšlenka N+1 vždy zcela vytlačí myšlenku N, i když v praxi často obě staré i nové verze kolují současně, bez jasného vítěze.

… a mnoho dalších.

Diskuse

To je směšně zjednodušený model toho, jak znalosti ve skutečnosti rostou. Mimo model zůstalo mnoho důležitých detailů (viz výše). Vystihuje však důležitou podstatu procesu. A tak můžeme s výhradami hovořit o růstu znalostí pomocí našich znalostí o difúzi.

Zejména model difúze poskytuje pohled na to, jak urychlit proces: Potřeba usnadnit výměnu nápadů mezi expertními uzly. To může znamenat vyčištění sítě od mrtvých uzlů, které brání šíření. Nebo by to mohlo znamenat umístění všech odborníků do města nebo seskupení s vysokou hustotou sítě, kde se nápady rychle šíří. Nebo je sbírejte v jedné místnosti:

Takže... to je vše, co mohu říci o difúzi.

Ale mám poslední myšlenku, a ta je velmi důležitá. Jde o růsta stagnace) znalosti ve vědeckých komunitách. Tato myšlenka se liší tónem a obsahem od čehokoli výše uvedeného, ​​ale doufám, že mi odpustíte.

O vědeckých sítích

Obrázek ukazuje jednu z nejdůležitějších smyček pozitivní zpětné vazby na světě (a takhle to už nějakou dobu je):

Vzestupný průběh cyklu (K ⟶ T) je poměrně jednoduchý: využíváme nové znalosti k vývoji nových nástrojů. Například pochopení fyziky polovodičů nám umožňuje stavět počítače.

Pohyb dolů však vyžaduje určité vysvětlení. Jak rozvoj technologií vede k nárůstu znalostí?

Jedním ze způsobů – možná tím nejpřímějším – je, když nám nové technologie poskytnou nové způsoby, jak vnímat svět. Nejlepší mikroskopy vám například umožňují nahlédnout hlouběji do buňky a poskytují pohled na molekulární biologii. GPS trackery ukazují, jak se zvířata pohybují. Sonar vám umožní prozkoumat oceány. A tak dále.

To je nepochybně životně důležitý mechanismus, ale od technologie ke znalostem existují minimálně dvě další cesty. Možná nejsou tak jednoduché, ale myslím, že jsou stejně důležité:

První. Technologie vede k ekonomické hojnosti (tj. bohatství), což umožňuje více lidem zapojit se do produkce znalostí.

Pokud se 90 % obyvatel vaší země zabývá zemědělstvím a zbývajících 10 % se zabývá nějakou formou obchodu (nebo války), pak mají lidé velmi málo volného času na přemýšlení o zákonech přírody. Snad proto vědu v dřívějších dobách propagovaly především děti z bohatých rodin.

Spojené státy každoročně vyprodukují více než 50 000 Ph.D.s. Místo toho, aby člověk šel pracovat do továrny ve věku 18 let (nebo dříve), postgraduální student musí být financován až do věku 30 nebo možná 40 let – a ani tehdy není jasné, zda bude mít jeho práce nějaký skutečný ekonomický dopad. Ale je potřeba, aby se člověk dostal do popředí svého oboru, a to především ve složitých oborech, jako je fyzika nebo biologie.

Faktem je, že ze systémového hlediska jsou specialisté drazí. A konečným zdrojem veřejného bohatství, který financuje tyto specialisty, je nová technologie: pluh dotuje kotec.

Druhý. Nové technologie, zejména v oblasti cestování a komunikací, mění strukturu sociálních sítí, ve kterých rostou znalosti. Zejména umožňuje odborníkům a specialistům těsnější vzájemnou interakci.

Mezi pozoruhodné vynálezy patří tiskárna, parníky a železnice (usnadňující cestování a/nebo odesílání pošty na velké vzdálenosti), telefony, letadla a internet. Všechny tyto technologie přispívají ke zvýšené hustotě sítě, zejména v rámci specializovaných komunit (kde dochází k téměř veškerému růstu znalostí). Například korespondenční sítě, které vznikly mezi evropskými vědci na konci středověku, nebo způsob, jakým moderní fyzikové používají arXiv.

Nakonec jsou obě tyto cesty podobné. Oba zvyšují hustotu sítě specialistů, což zase vede ke zvýšení znalostí:

Po mnoho let jsem byl k vysokoškolskému vzdělání dost odmítavý. Moje krátké působení na postgraduální škole mi zanechalo pachuť v ústech. Ale teď, když se ohlédnu a přemýšlím (kromě všech osobních problémů), musím dojít k závěru, že vyšší vzdělání stále je nadměrně Důležité.

Akademické sociální sítě (např. výzkumné komunity) jsou jednou z nejpokročilejších a nejcennějších struktur, které naše civilizace vytvořila. Nikde jsme nenashromáždili větší koncentraci specialistů zaměřených na produkci znalostí. Nikde si lidé nevyvinuli větší schopnost chápat a kritizovat myšlenky toho druhého. Je to tepající srdce pokroku. Právě v těchto sítích hoří oheň osvícení nejsilněji.

Pokrok však nemůžeme považovat za samozřejmost. Li krize nereprodukovatelnosti experimentu a jestli nás to něco naučilo, tak to, že věda může mít systémové problémy. Jedná se o druh degradace sítě.

Předpokládejme, že rozlišujeme dva způsoby, jak dělat vědu: skutečnou vědu и kariérismus. Skutečná věda jsou postupy, které spolehlivě produkují znalosti. Je motivován zvědavostí a charakterizován poctivostí (Feynman: „Vidíš, já jen potřebuji rozumět světu“). Kariérismus je naopak motivován profesními ambicemi a vyznačuje se hraním na politiku a vědeckými zkratkami. Může to vypadat a působit jako věda, ale ne produkuje spolehlivé znalosti.

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

Faktem je, že když kariéristé zaberou místo ve skutečné výzkumné komunitě, zničí práci. Snaží se propagovat sami sebe, zatímco zbytek komunity se snaží získávat a sdílet nové znalosti. Místo toho, aby se snažili o srozumitelnost, kariéristé vše komplikují a zaměňují, aby vyzněli působivěji. Zabývají se (jak by řekl Harry Frankfurt) vědeckými nesmysly. A proto bychom je mohli modelovat jako mrtvé uzly, nepropustné pro spravedlivou výměnu informací nezbytných pro růst znalostí:

Možná nejlepším modelem je ten, ve kterém kariéristické uzly nejsou jen prostupné znalostem, ale aktivně šíří falešné znalosti. Falešné znalosti mohou zahrnovat nevýznamné výsledky, jejichž důležitost je uměle navýšena, nebo skutečně falešné výsledky, které vyplývají z manipulace nebo vymyšlených dat.

Bez ohledu na to, jak je modelujeme, kariéristé mohou naše vědecké komunity zcela jistě uškrtit.

Je to jako jaderná řetězová reakce, kterou zoufale potřebujeme – potřebujeme explozi znalostí – jen naše obohacená U-235 má v sobě příliš mnoho nereaktivního izotopu U-238, který řetězovou reakci potlačuje.

Jasný rozdíl mezi kariéristy a skutečnými vědci samozřejmě není. Každý z nás má v sobě ukrytý kousek kariérismu. Otázkou je, jak dlouho může síť vydržet, než šíření znalostí pohasne.

Oh, čtete až do konce. Děkuji za přečtení.

Licence

CC0 Všechna práva nejsou vyhrazena. Tuto práci můžete použít, jak uznáte za vhodné :).

Poděkování

• Kevin Kwok и Případ Nicky za promyšlené připomínky a návrhy k různým verzím návrhu.
• Nick Barr — za morální podporu během celého procesu a za nejužitečnější zpětnou vazbu k mé práci.
• Keith A. za to, že mě upozornil na fenomén perkolace a perkolační práh.
• Geoff Lonsdale za odkaz na toto je esej, což (i přes mnohé nedostatky) bylo hlavním impulsem pro práci na tomto příspěvku.

Interaktivní ukázky esejí

• Veškerá práce Nickyho Casea, zejm. „Podobenství o mnohoúhelnících“ (s Vi Hartem) a „Vytvoření lepšího volebního lístku“. To je vysoká laťka toho, čím může být interaktivní esej.
• Destilovat.pub: Mimořádně kvalitní interaktivní popisy strojového učení.
• Klasické dílo Breta Victora „Nahoru a dolů po žebříku abstrakce“. Pohyb po schodech mi moc nešel, ale vždy je ještě jeden pokus.

Zdroj: www.habr.com