Hvis du har brugt noget tid på at tænke over komplekse systemer, forstår du sikkert vigtigheden af netværk. Netværk styrer vores verden. Fra kemiske reaktioner inde i cellen til netværket af relationer i økosystemet, handels- og politiske netværk, der former historiens gang.

Eller lad os overveje denne artikel, som du læser. Du fandt den sandsynligvis i et socialt netværk, downloadet fra et computer netværk og i øjeblikket dekoder du meningen med din neurale netværk.

Men uanset hvor meget jeg har tænkt på netværk i årenes løb, har jeg indtil for nylig ikke forstået vigtigheden af den enkle diffusion.

Det er vores emne for i dag: hvordan, og hvor kaotisk, alt bevæger sig og spreder sig. Nogle eksempler for at vække appetitten:

• Infektiøse sygdomme, der overføres fra vært til vært inden for en befolkning.
• Memes, der spreder sig gennem følgerskaber på sociale medier.
• Skovbrand.
• Ideer og praksisser, der trænger ind i kulturen.
• Kaskade af neutroner i beriget uran.

En kort bemærkning om formen.

I modsætning til alt mit tidligere arbejde er dette essay interaktivt [i den originale artikel er interaktive eksempler med skyder og knapper, der styrer objekter på skærmen - bem. red.].

Så lad os komme i gang. Den første opgave er at udvikle et visuelt ordforråd til spredning over netværk.

En simpel model

Jeg er sikker på, at I alle kender grundlaget for netværk, dvs. noder + kanter. For at undersøge diffusion skal du blot markere nogle noder som aktive. Eller, som epidemiologer gerne siger, inficerede:

Denne aktivering eller infektion spreder sig gennem netværket fra node til node i henhold til reglerne, som vi vil udvikle nedenfor.

Virkelige netværk er generelt meget større end dette simple netværk med syv noder. De er også langt mere komplekse. Men for enkelhedens skyld vil vi her bygge en legetøjsmodel for at studere gitteret, dvs. gitternetværket (lattice network).

(Det, at gitteret mangler realisme, opvejes af, at det er nemt at tegne 😉

Medmindre andet er angivet, har noderne i netværket fire naboer, f.eks.:

Og man skal forestille sig, at disse gitter strækker sig uendeligt i alle retninger. Med andre ord, det der sker, udelukkende i netværkets kanter eller i små populationer, interesserer os ikke.

Da gitterne er så ordnede, kan de forenkles til pixels. For eksempel repræsenterer disse to billeder det samme netværk:

I en af adfærdsmulighederne overfører den aktive node altid infektionen til sine (ikke-inficerede) naboer. Men det er kedeligt. Meget mere interessante ting sker, når overførslen er sandsynlighedsmæssig.

SIR og SIS

I SIR-modeller (Susceptible-Infected-Removed) noden kan befinde sig i tre tilstande:

• Modtagelig (Susceptible)
• Inficeret (Infected)
• Fjernet (Removed)

Sådan fungerer den interaktive simulation [i den originale artikel kan du vælge hastigheden af infektionsoverførslen fra 0 til 1, se processen trin for trin eller i sin helhed — bem. red.]:

• Noderne starter som modtagelige, bortset fra nogle få noder, der starter som inficerede.
• Ved hvert tidsinterval får de inficerede noder en chance for at overføre infektionen til hver af deres modtagelige naboer med en sandsynlighed svarende til overførselshastigheden.
• De inficerede noder går derefter til tilstanden 'fjernet', hvilket betyder, at de ikke længere kan inficere andre eller inficere sig selv.

I konteksten af en sygdom kan fjernelse betyde, at en person er død, eller at de har udviklet immunitet overfor patogenet. Vi siger, at de er 'fjernet' fra simulationen, fordi der ikke længere sker noget med dem.

Afhængigt af hvad vi forsøger at modelere, kan der være behov for en anden model end SIR.

Hvis vi simulerer spredningen af mæslinger eller et udbrud af skovbrand, er SIR perfekt. Men lad os antage, at vi simulerer spredningen af en ny kulturel praksis, såsom meditation. Først er noden (personen) modtagelig, fordi han/hun aldrig har gjort det før. Derefter, hvis de begynder at meditere (måske efter at have hørt om det fra en ven), vil vi modelere dem som inficeret. Men hvis de stopper praksisen, dør de ikke, og falder ikke ud af simulationen, fordi de i fremtiden nemt kan genoptage denne vane. Så de går tilbage til en modtagelig tilstand.

Dette SIS-modellen (Susceptible–Infected–Susceptible). I den klassiske model er der to parametre: transmissionshastighed og helbredelseshastighed. Men i simulationerne til denne artikel besluttede jeg at forenkle ved at udelade helbredelseshastigheden. I stedet vender den inficerede node automatisk tilbage til den modtagelige tilstand ved næste tidsstep, medmindre den er inficeret af en af sine naboer. Derudover tillader vi, at en node, der blev inficeret ved step n, kan inficere sig selv ved step n+1 med en sandsynlighed, der svarer til transmissionshastigheden.

Diskussion

Som du kan se, adskiller det sig meget fra SIR-modellen.

Da noderne aldrig fjernes, kan selv et meget lille og begrænset netværk opretholde SIS-infektionen i lang tid. Infektionen hopper simpelthen fra node til node og vender tilbage igen.

På trods af forskellene viser SIR og SIS sig at være overraskende udskiftelige til vores formål. Så i resten af artiklen vil vi fokusere på SIS, primært fordi den er mere vedholdende og derfor sjovere at arbejde med.

Kritisk niveau

Når du har leget med SIR- og SIS-modellerne, har du måske bemærket noget om infektionens holdbarhed. Ved meget lave transmissionshastigheder, såsom 10%, er infektionen tilbøjelig til at uddø. Mens ved højere værdier, såsom 50%, forbliver infektionen i live og fanger størstedelen af netværket. Hvis netværket var uendeligt, kunne vi forestille os, at det fortsætter og spreder sig for evigt.

En sådan grænseløs diffusion har mange navne: 'viral', 'nuklear' eller (som nævnt i denne artikel) kritisk.

Det viser sig, at der er en specifik brudpunkt, der adskiller subkritiske netværk (dømte til at uddø) fra superkritiske netværk (i stand til uendelig vækst). Dette brudpunkt kaldes den kritiske tærskel, og det er et ret generelt træk ved diffusionsprocesser i almindelige netværk.

Den præcise værdi af den kritiske tærskel varierer mellem netværk. Det, der er fælles, er tilstedeværelse denne værdi.

[I den interaktive demonstration fra den oprindelige artikel kan du prøve at finde den kritiske tærskel for netværket manuelt ved at ændre transmissionshastigheden. Den ligger et sted mellem 22% og 23% — red.]

Ved 22% (og derunder) uddør infektionen til sidst. Ved 23% (og derover) uddør den oprindelige infektion nogle gange, men i de fleste tilfælde lykkes det den at overleve og sprede sig længe nok til at sikre sig evigt liv.

(For resten er der en hel videnskabelig retning, der er dedikeret til at finde disse kritiske tærskler for forskellige netværktopologier. Til en hurtig introduktion anbefaler jeg at skimme Wikipedia-artiklen om tærskel for spredning).

Generelt fungerer det sådan her: Under den kritiske tærskel uddør enhver endelig infektion i netværket garanteret (med en sandsynlighed på 1) til sidst. Men over den kritiske tærskel er der en sandsynlighed (p > 0) for, at infektionen vil fortsætte evigt og sprede sig vilkårligt langt fra det oprindelige sted.

Men vær opmærksom på, at et superkritisk netværk ikke garanterer, at infektionen vil fortsætte evigt. Faktisk dør den ofte ud, især i de tidlige faser af simuleringen. Lad os se, hvordan det sker.

Lad os antage, at vi startede med en inficeret node og fire naboer. På det første skridt i simuleringen har infektionen 5 uafhængige chancer for at sprede sig (inklusive chancen for at "sprede sig" til sig selv i det næste skridt):

Lad os nu antage, at smittefrekvensen er 50%. I dette tilfælde kaster vi fem gange mønter i det første skridt. Og hvis vi får fem krone, vil infektionen blive udryddet. Dette sker i ca. 3% af tilfældene — og det kun i det første skridt. Infektionen, der overlevede det første skridt, har en vis (normalt mindre) sandsynlighed for at dø ud i det andet skridt, en vis (endnu mindre) sandsynlighed for at dø ud i det tredje skridt osv.

Selv når netværket er superkritisk — hvis smittefrekvensen er 99% — er der en sandsynlighed for, at infektionen forsvinder.

Men det vigtige er, at den ikke altid vil dø ud. Hvis man lægger sandsynligheden for uddøen af alle skridtene op til uendelighed, bliver resultatet mindre end 1. Med andre ord, med en ikke-nul sandsynlighed vil infektionen fortsætte evigt. Det betyder, at netværket er superkritisk.

SISa: spontan aktivering

Indtil nu er alle vores simuleringer startet med en lille del forud inficerede noder i centrum.

Men hvad nu hvis vi starter fra bunden? Lad os så simulere spontan aktivering - en proces, hvor en modtagelig node inficeres tilfældigt (ikke fra en af naboerne).

Dette kaldes SISa modellen. Bogstavet “a” betyder „automatisk“.

I SISa simuleringen introduceres en ny parameter - hastigheden for spontan aktivering, som ændrer frekvensen af spontan infektion (overførselshastighedsparameteren, som vi har set tidligere, er også til stede).

Hvad kræves der for, at infektionen kan sprede sig over hele netværket?

Diskussion

Måske har du bemærket i simuleringen, at en højere hastighed for spontan aktivering ikke ændrer, om infektionen dækker hele netværket eller ej. Kun overførselshastigheden bestemmer, om netværket er sub- eller superkritisk. Og når netværket er subkritisk (overførselshastighed mindre end eller lig med 22%), kan ingen infektion sprede sig til hele gitteret, uanset hvor ofte den starter.

Det er det samme som at prøve at tænde en ild på en våd mark. Du kan tænde nogle tørre blade, men flammen vil hurtigt gå ud, fordi resten af landskabet ikke kan antændes tilstrækkeligt (subkritisk). Mens på en meget tør mark (superkritisk) kan det være nok med en enkelt gnist til at få en brand til at blusse op.

Sådanne ting ses i sfæren af idéer og opfindelser. Ofte er verden ikke klar til en idé, og i dette tilfælde kan den genopfindes gang på gang, men den fanger ikke masserne. På den anden side kan verden være helt klar til opfindelsen (stor skjult efterspørgsel), og så snart den er født, bliver den accepteret af alle. I midten findes der idéer, der opfindes flere steder og spreder sig lokalt, men ikke nok til, at nogen enkelt version kan dække hele netværket på én gang. I denne sidste kategori finder vi for eksempel landbrug og skrift, som blev uafhængigt opfundet af forskellige menneskelige civilisationer omkring ti og tre gange, henholdsvis.

Immunitet

Antag, at vi gør nogle noder helt ufølsomme, det vil sige ikke modtagelige for aktivering. Det er som om de fra starten er i en fjern tilstand, mens SIS(a) modellen kører på de resterende noder.

Skyderen 'immunitet' styrer procentdelen af fjernede noder. Prøv at ændre værdien (mens modellen kører!) og se, hvordan det påvirker netværkets tilstand, om det bliver superkritisk eller ej.

Diskussion

Ændringen i antallet af ufølsomme noder ændrer helt billedet, om netværket er sub- eller superkritisk. Det er ikke svært at forstå hvorfor. Med et stort antal ufølsomme noder har infektionen færre muligheder for at sprede sig til nye værter.

Det viser sig, at dette medfører en række meget vigtige praktiske konsekvenser.

En af dem er at forhindre spredning af skovbrande. På lokalt niveau skal hver person tage sine egne forholdsregler (for eksempel aldrig lade åben ild være uden opsyn). Men i større skala er enkelte udbrud uundgåelige. Således er en anden beskyttelsesmetode at sikre tilstrækkeligt med 'brud' (i netværket af letantændelige materialer), så et udbrud ikke spreder sig over hele netværket. Denne funktion varetages af brakområder:

Endnu et udbrud, som det er vigtigt at stoppe, er en smitsom sygdom. Her introduceres konceptet populationsimmunitet. Det er ideen om, at nogle mennesker ikke kan vaccineres (for eksempel fordi de har et svækket immunsystem), men hvis tilstrækkeligt mange er ufølsomme over for infektionen, vil sygdommen ikke kunne sprede sig uendeligt. Med andre ord skal man vaccinere en tilstrækkelig del af befolkningen for at bringe befolkningen fra superkritisk til subkritisk tilstand. Når dette sker, kan en enkelt patient stadig blive smittet (for eksempel efter at have været i en anden region), men uden et superkritisk netværk, hvor sygdommen kan vokse, vil den kun smitte en lille håndfuld mennesker.

Endelig forklarer konceptet med ufølsomme noder, hvad der sker i en atomreaktor. I kædereaktionen frigiver en nedbrydende atom af uran-235 omkring tre neutroner, som gennemsnitligt forårsager spalting af mere end ét U-235-atom. Nye neutroner forårsager derefter yderligere spaltning af atomer og så videre eksponentielt:

Når man skaber en bombe, er hele meningen at sikre en ubesværet fortsættelse af den eksponentielle vækst. Men på et kraftværk er målet at producere energi uden at dræbe alle omkring. Til dette bruges regulerende stænger, fremstillet af materiale, der kan absorbere neutroner (f.eks. sølv eller bor). Da de absorberer og ikke frigiver neutroner, fungerer de i vores simulering som ikke-modtagelige noder, hvilket forhindrer det radioaktive kerne i at gå ind i en overkritisk tilstand.

Dermed ligger tricket i en atomreaktor i at holde reaktionen tæt på den kritiske grænse ved at bevæge de regulerende stænger frem og tilbage og sikre, at når noget går galt, falder stængerne ned i kernen og stopper den.

Graden

Graden af en node er antallet af dens naboer. Indtil nu har vi set på netværk af 4. grad. Men hvad sker der, hvis vi ændrer denne parameter?

For eksempel kan man forbinde hver node ikke kun med fire nærmeste naboer, men også med fire diagonalt. I et sådant netværk vil graden være 8.

Gitter med graderne 4 og 8 er meget symmetrisk. Men ved grad 5 (for eksempel) opstår problemet: hvilke fem naboer skal man vælge? I dette tilfælde vælger vi de fire nærmeste naboer (N, E, S, V) og vælger derefter tilfældigt en nabo fra mængden {NE, SE, SW, NW}. Valget foretages uafhængigt for hver node ved hvert tidstrin.

Diskussion

Igen er det ikke svært at forstå, hvad der sker her. Når hver node har flere naboer, øges chancerne for spredning af infektion — og således har netværket større sandsynlighed for at blive kritisk.

Men konsekvenserne kan være uventede, som vi vil se nedenfor.

Byer og tæthed af netværk

Indtil nu har vores netværk været fuldstændig homogene. Hver node ser ud som enhver anden. Men hvad hvis vi ændrer betingelserne og tillader forskellige tilstande af noderne i hele netværket?

For eksempel lad os forsøge at modellere byer. For dette formål øger vi tætheden i nogle områder af netværket (højere grad af noder). Vi gør dette baseret på data, at byboere har en bredere social cirkel og flere sociale interaktioner, end folk uden for byerne.

I vores model er modtagelige noder farvet baseret på deres grad. Noder i 'landeområdet' har en grad på 4 (og er farvet lys grå), mens noder i 'byer' har højere grader (og er mørkere), starter fra grad 5 i udkanten og slutter ved 8 i centrum af byen.

Prøv at finde en spredningshastighed, så aktiveringen dækker byerne, men ikke når uden for deres grænser.

Jeg synes, denne simulation er både åbenlys og overraskende. Selvfølgelig, byer understøtter i højere grad det kulturelle niveau end landdistrikter - det ved alle. Det, jeg finder overraskende, er, at en del af denne kulturelle mangfoldighed opstår simpelthen baseret på topologien af det sociale netværk.

Det er et interessant punkt, jeg vil prøve at forklare nærmere.

Her har vi at gøre med kulturelle former, der overføres simpelt og direkte fra person til person. For eksempel manerer, salonspil, modefænomener, sproglige tendenser, ritualer i små grupper og produkter, der spredes mund-til-mund, plus hele informationspakker, som vi kalder idéer.

(Bemærk: informationsspredning mellem mennesker bliver ekstremt kompliceret af massemedierne. Det er lettere at forestille sig en teknologisk primitiv arena, som det gamle Grækenland, hvor næsten hver glimt af kultur blev overført gennem interaktion i det fysiske rum).

Fra den givne simulation lærte jeg, at der er idéer og kulturelle praksisser, der kan forankres og sprede sig i byen, men de simpelthen ikke kan sprede sig i landdistrikterne (matematisk set kan de ikke). Det er de samme idéer og de samme mennesker. Det handler ikke om, at landdistriktsboere er 'ubegavede': når de interagerer med den samme idé, har de præcis de samme chancer for at fange den, som byboerne. Det er bare, at selve idéen ikke kan blive viral i landdistrikterne, fordi der ikke er så mange forbindelser, hvorigennem den kan sprede sig.

Dette er muligvis lettere at se i modeverdenen - tøj, frisurer osv. I modeverdenen kan vi registrere et gitter, når to personer bemærker hinandens påklædning. I bymidten kan enhver person dagligt se mere end 1000 andre mennesker - på gaden, i metroen, i en overfyldt restaurant osv. I landdistrikter kan hver person derimod kun se et par dusin andre. kun på denne forskel, kan byen støtte flere modetrends. Og kun de mest overbevisende trends - med den højeste overførselshastighed - vil kunne etableres uden for byen.

Vi har en tendens til at tro, at hvis en idé er god, vil den til sidst nå alle, og hvis en idé er dårlig, vil den forsvinde. Dette er bestemt sandt i ekstreme tilfælde, men imellem dem er der masser af ideer og praksisser, der kun kan blive virale i bestemte netværk. Det er virkelig fantastisk.

Ikke kun byer

Her ser vi på indflydelsen af netværkstæthed. Det defineres for et givent sæt noder som antallet af faktiske kanter, divideret med antallet af potentielle kanter. Det vil sige procentdelen af mulige forbindelser, der faktisk eksisterer.

Så vi har set, at netværkstæthed i bycentre er højere end i landdistrikter. Men byer er ikke det eneste sted, hvor vi finder tætte netværk.

Et interessant eksempel er gymnasier. For eksempel, for et bestemt område, sammenlign netværket, der eksisterer blandt studerende, med netværket, der eksisterer blandt deres forældre. Samme geografiske område og samme befolkningstørrelse, men ét netværk er mange gange tættere end det andet. Det er derfor ikke overraskende, at mode og sproglige tendenser spreder sig meget hurtigere blandt teenagere.

På samme måde er elite-netværk som regel meget tættere end ikke-elite-netværk – jeg mener, at denne kendsgerning ofte undervurderes (mennesker, der er populære eller indflydelsesrige, bruger mere tid på at opbygge netværk, og derfor har de flere 'naboer' end almindelige mennesker). Baseret på de ovenfor nævnte simulationer forventer vi, at elite-netværk vil støtte visse kulturelle former, som ikke kan understøttes af mainstream, blot ud fra de matematiske love om gennemsnitlig netværksgrad. Jeg overlader det til jer at overveje, hvilke kulturelle former dette kunne være.

Til sidst kan vi anvende denne idé på internettet ved at modellere det som en kæmpe og meget tæt by. Det er ikke overraskende, at mange nye former for kultur trives på internettet, som simpelthen ikke kan understøttes i rent rumlige netværk: niche-hobbyer, bedre designstandarder, større bevidsthed om uretfærdighed osv. Og det er ikke kun behagelige ting. Ligesom de første byer var ynglepladser for sygdomme, der ikke kunne sprede sig i lav befolkningstæthed, er internettet et næringsrigt miljø for maligne kulturelle former som clickbait, falske nyheder og kunstige oprør.

Viden

«At tiltrække den rigtige ekspert på det rigtige tidspunkt er ofte den mest værdifulde ressource til at finde en kreativ løsning på et problem.» – Michael Nielsen, «Opfindelse af opdagelser»

Vi tænker ofte på opdagelse eller opfindelse som en proces, der finder sted i sindet på en enkelt geni. De rammes af et inspirationsglimt, og – Eureka! – pludselig får vi en ny måde at måle volumen på. Eller gravitationsligningen. Eller pæren.

Men hvis vi indtager perspektivet af den ensomme opfinder i øjeblikket for opdagelsen, ser vi fænomenet fra et nodalsynspunkt. Mens det ville være mere korrekt at fortolke opfindelse som et netværksfænomen. Netværket er vigtigt i det mindste på to måder. For det første skal allerede eksisterende idéer trænge ind

i opfinderens bevidsthed. Det er citater fra en ny artikel, bibliografisk sektion i en ny bog – kæmperne, som Newton stod på skuldrene af. For det andet er netværket afgørende for at bringe en ny idé tilbage til bevidstheden. tilbage I verden; en opfindelse, der ikke har spredt sig, bør næppe overhovedet kaldes en "opfindelse". Således giver det mening af begge disse grunde at modellere en opfindelse – eller i bredere forstand, væksten af viden – som en diffusionsproces.

Om et øjeblik vil jeg præsentere en grov simulering af, hvordan viden kan sprede sig og vokse inden for netværket. Men først skal jeg forklare.

I begyndelsen af simuleringen er der fire eksperter i hver kvadrant af gridet, placeret som følger:

Ekspert 1 får den første version af idéen – lad os kalde den Idé 1.0. Ekspert 2 er den person, der ved, hvordan man transformerer Idé 1.0 til Idé 2.0. Ekspert 3 ved, hvordan man omdanner Idé 2.0 til Idé 3.0. Og til sidst ved den fjerde ekspert, hvordan man giver de sidste stræk for at skabe Idé 4.0.

Det er ligesom en teknik som origami, hvor metoderne udvikles og kombineres med andre metoder for at skabe mere interessante konstruktioner. Eller det kan være et område af viden som fysik, hvor senere arbejde er baseret på grundlæggende arbejde fra tidligere.

Essensen af denne simulering er, at vi har brug for alle fire eksperter til at bidrage til den endelige version af idéen. Og på hvert trin skal idéen sendes til den relevante ekspert.

Flere forbehold. Der er mange urealistiske antagelser kodet i simuleringen. Her er blot nogle af dem:

1. Det antages, at idéer ikke kan bevares og overføres på anden måde end fra person til person (dvs. der er ingen bøger og medier).
2. Det antages, at der er konstante eksperter i populationen, der kan generere idéer, selvom mange tilfældige faktorer påvirker fremkomsten af opdagelser eller opfindelser i virkeligheden.
3. De samme SIS-parametre (overførselshastighed, procentuel immunitet osv.) anvendes til alle fire versioner af idéen, selvom det sandsynligvis ville være mere realistisk at bruge forskellige parametre for hver version (1.0, 2.0 osv.).
4. Det antages, at idé N+1 altid fuldstændigt udskifter idé N, selvom det i praksis ofte er sådan, at både den gamle og den nye version cirkulerer samtidig, uden nogen kategorisk vinder.

… og mange andre.

Diskussion

Dette er en latterligt forenklet model af, hvordan viden faktisk vokser. Der er mange vigtige detaljer, der er uden for modellen (se ovenfor). Ikke desto mindre afspejler den kernen af processen. Derfor kan vi, med forbehold, diskutere vidensvækst ved hjælp af vores viden om diffusion.

Specifikt giver den diffusionsmodel indsigt i, hvordan man kan fremskynde processen: det er nødvendigt at lette udvekslingen af idéer mellem ekspertknudepunkter. Dette kan betyde at rense netværket for døde knudepunkter, der forhindrer diffusion. Eller det kan betyde at placere alle eksperter i en by eller klynge med høj netværkstæthed, hvor idéer hurtigt spredes. Eller bare samle dem i samme rum:

Så… det er alt, hvad jeg kan sige om diffusion.

Men jeg har én sidste tanke, og den er meget vigtig. Det handler om væksten (og stagnationen) af viden i videnskabelige samfund. Denne idé adskiller sig i tone og indhold fra alt, hvad der er sagt ovenfor, men jeg håber, at I tilgiver mig.

Om videnskabelige netværk

Illustrationen viser en af de vigtigste positive feedback-loops i verden (og den har været sådan i lang tid):

Den opadgående del af cyklussen (K ⟶ T) er ret simpel: vi bruger ny viden til at udvikle nye værktøjer. For eksempel tillader forståelsen af halvlederens fysik os at skabe computere.

Den nedadgående del kræver dog en forklaring. Hvordan fører teknologisk udvikling til væksten af viden?

En måde — muligvis den mest direkte — er, når nye teknologier giver os nye måder at opfatte verden på. For eksempel giver bedre mikroskoper os mulighed for at se dybere ind i celler, hvilket giver idéer til molekylærbiologi. GPS-trackere viser, hvordan dyr bevæger sig. Sonarteknologi gør det muligt at udforske havene. Og så videre.

Uden tvivl er dette en livsvigtig mekanisme, men der er mindst to andre veje fra teknologi til viden. De er måske ikke så enkle, men jeg mener, at de er lige så vigtige:

Første. Teknologi fører til økonomisk overflod (det vil sige rigdom), hvilket gør det muligt for et større antal mennesker at producere viden.

Hvis 90% af befolkningen i dit land arbejder med landbrug, og de resterende 10% beskæftiger sig med forskellige former for handel (eller krig), så har folk meget lidt fritid til at overveje naturens love. Måske er det derfor, at videnskaben førhen primært blev fremmet af børn fra rige familier.

USA uddanner hvert år mere end 50.000 ph.d.-studerende. I stedet for at en person går i arbejde på en fabrik i en alder af 18 år (eller tidligere), skal den ph.d.-studerende finansieres indtil 30 eller muligvis 40 år – og selv da er det uvist, om hans arbejde vil have nogen reel økonomisk effekt. Men dette er nødvendigt for, at personen når frem til avancerede grænser i sin disciplin, især inden for så komplekse områder som fysik eller biologi.

Det er sådan, at specialister koster meget i forhold til systemer. Og den endelige kilde til den offentlige rigdom, der finansierer disse specialister, er ny teknologi: ploven subsidierer fjederen.

AndenNye teknologier, især inden for rejser og kommunikation, ændrer strukturen af de sociale netværk, hvor viden vokser. Dette muliggør især, at eksperter og specialister kan interagere mere tæt med hinanden.

Blandt de bemærkelsesværdige opfindelser er trykpressen, dampskibe og jernbaner (som letter rejser og/eller forsendelse af post over lange afstande), telefoner, fly og internettet. Alle disse teknologier bidrager til at øge netværksdensiteten, især inden for specialiserede fællesskaber (hvor næsten al væksten i viden finder sted). For eksempel brevene, der opstod blandt europæiske forskere i slutningen af middelalderen, eller hvordan moderne fysikere bruger arXiv.

I sidste ende er de to veje ens. Begge øger netværksdensiteten af specialister, hvilket igen fører til en vækst i viden:

I mange år har jeg haft et ret foragteligt syn på videregående uddannelse. Et kort ophold i postgraduate uddannelse efterlod en bitter smag i munden. Men nu, når jeg ser tilbage og tænker (for at abstrahere fra alle personlige problemer), må jeg konkludere, at videregående uddannelse stadig er ekstremt vigtigt.

Akademiske sociale netværk (f.eks. forskningssamfund) er en af de mest avancerede og værdifulde strukturer, som vores civilisation har skabt. Ingen andre steder har vi opnået en større koncentration af specialister, der er fokuseret på at producere viden. Ingen andre steder har folk udviklet en større evne til at forstå og kritisere hinandens ideer. Det er det pulserende hjerte af fremskridt. Det er i disse netværk, at oplysningens ild brænder stærkest.

Men vi kan ikke tage fremskridt for givet. Hvis krisen med reproducerbarheden af eksperimenter har lært os noget, så er det, at videnskaben kan stå overfor systemiske problemer. Det er i sin essens en forværring af nettet.

Lad os antage, at vi skelner mellem to måder at dyrke videnskab på: rigtig videnskab og karrierisme. Rigtig videnskab er de praksisser, der pålideligt producerer viden. Den er motiveret af nysgerrighed og karakteriseres af ærlighed (Feynman: "Ser du, jeg skal bare forstå verden"). Karrierisme, derimod, er motiveret af professionelle ambitioner og karakteriseres af politiske spil og videnskabelige etiketter. Det kan se ud som videnskab og fungere som det, men ikke producerer ikke pålidelig viden.

(Ja, det er en overdrevet dikotomi. Bare et tankeeksperiment. Undskyld.)

Faktum er, at når karrierister indtager pladsen i det virkelige forskningssamfund, så ødelægger de arbejdet. De stræber efter at fremme sig selv, mens resten af samfundet forsøger at skaffe ny viden og dele den. I stedet for at stræbe efter klarhed, komplicerer karrierister det hele og forvirrer, for at lyde mere imponerende. De beskæftiger sig med (som Harry Frankfurt ville sige) videnskabelig sludder. Og derfor kunne vi modellere dem som døde noder, der er ufølsomme overfor den gode tro informationsudveksling, der er nødvendig for væksten af viden:

Måske er den bedste model den, hvor karrieristiske noder ikke bare er ufølsomme over for viden, men aktivt spreder falsk viden. Falsk viden kan inkludere ubetydelige resultater, hvis betydning er kunstigt oppustet, eller faktisk falske resultater, der opstår som følge af manipulationer eller fabrikation af data.

Uanset hvordan vi modellerer dem, kan karrierister bestemt kvæle vores videnskabelige fællesskaber.

Det ligner en kædereaktion, som vi akut har brug for — vi har brug for en eksplosion af viden — men i vores berigede U-235 er der for meget inaktiv isotop U-238, som undertrykker kædereaktionen.

Selvfølgelig er der ikke noget klart skel mellem karrierister og ægte forskere. Der er lidt karrierisme i hver af os. Spørgsmålet er, hvor meget netværket kan holde til, før vidensspredningen falder.

Åh, du nåede til slutningen. Tak fordi du læste.

Licens

CC0 alle rettigheder forbeholdt. Du kan bruge dette værk som du ønsker :).

Taknemmelighed

• Kevin Kwok og Nikki Case for deres eftertænksomme kommentarer og forslag til forskellige versioner af udkastet.
• Nick Barr — for moralsk støtte hele vejen igennem og for de mest nyttige tilbagemeldinger om mit arbejde.
• Kit A. for at påpege fænomenet perkolation og tærskelniveauet for gennemstrømning.
• Jeff Lonsdale for henvisningen til dette essay, som (på trods af dets mange mangler) var den primære motivation for at arbejde på dette indlæg.

Eksempler på interaktive essays

• Alle værker af Nikki Case, især «Fabel om polygoner» (med Vi Hart) og «Udvikling af et bedre stemmeskema». Dette sætter en høj standard for, hvad et interaktivt essay kan være.
• Distill.pub: udelukkende kvalitetsinteraktive beskrivelser af maskinlæring.
• Den klassiske arbejde af Bret Victor «Op og ned ad abstraktionsstigen». Jeg klarede mig ikke særlig godt med at navigere stigen, men der er altid en ny mulighed.

Kilde: habr.com