Hvis du har brugt tid på at tænke på komplekse systemer, forstår du sikkert vigtigheden af ​​netværk. Netværk styrer vores verden. Fra de kemiske reaktioner i en celle, til nettet af relationer i et økosystem, til de handelsmæssige og politiske netværk, der former historiens gang.

Eller overvej denne artikel, du læser. Du har sikkert fundet det i Socialt netværk, downloadet fra computer netværk og er i øjeblikket ved at dechifrere betydningen ved hjælp af din neurale netværk.

Men så meget som jeg har tænkt på netværk gennem årene, indtil for nylig forstod jeg ikke vigtigheden af ​​simple diffusion.

Dette er vores emne for i dag: hvordan, hvor kaotisk alting bevæger sig og spreder sig. Nogle eksempler til at vække din appetit:

• Infektionssygdomme, der går fra bærer til bærer inden for en befolkning.
• Memes spredes over følgergrafen på sociale netværk.
• Skovbrand.
• Ideer og praksisser, der gennemsyrer en kultur.
• Neutronkaskade i beriget uran.

En hurtig note om form.

I modsætning til alle mine tidligere værker er dette essay interaktivt [i original artikel interaktive eksempler er givet med skydere og knapper, der styrer objekter på skærmen - ca. bane].

Så lad os komme i gang. Den første opgave er at udvikle et visuelt ordforråd til formidling på tværs af netværk.

Simpel model

Jeg er sikker på, at I alle kender grundlaget for netværk, det vil sige noder + kanter. For at studere diffusion skal du blot markere nogle noder som aktiv. Eller, som epidemiologer ynder at sige, inficeret:

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

Rigtige netværk er typisk meget større end dette simple syv-node netværk. De er også meget mere forvirrende. Men for nemhedens skyld vil vi her bygge en legetøjsmodel for at studere et gitter, altså et gitternetværk.

(Hvad masken mangler i realisme, opvejer det ved at være let at tegne 😉

Medmindre andet er angivet, har netværksknuder fire naboer, for eksempel:

Og du skal forestille dig, at disse gitter strækker sig uendeligt i alle retninger. Med andre ord er vi ikke interesserede i adfærd, der kun forekommer i kanten af ​​netværket eller i små populationer.

I betragtning af at gitterne er således ordnet, kan vi forenkle dem til pixels. For eksempel repræsenterer disse to billeder det samme netværk:

I én adfærd overfører den aktive node altid infektionen til sine (uinficerede) naboer. Men det er kedeligt. Der sker meget mere interessante ting, når overførslen probabilistisk.

SIR og SIS

В SIR modeller (Modtagelig-inficeret-fjernet) en node kan være i tre tilstande:

• Modtagelig
• Inficeret
• Fjernet

Her er, hvordan interaktiv simulering fungerer [i original artikel du kan vælge smitteoverførselshastigheden fra 0 til 1, se processen trin for trin eller i sin helhed - ca. oversættelse]:

• Noder starter som modtagelige, med undtagelse af nogle få noder, der starter som inficerede.
• På hvert tidstrin har inficerede noder en chance for at overføre infektionen til hver af deres modtagelige naboer med en sandsynlighed svarende til transmissionshastigheden.
• Inficerede noder går derefter ind i en "slettet" tilstand, hvilket betyder, at de ikke længere er i stand til at inficere andre eller selv bliver inficerede.

I forbindelse med sygdom kan fjernelse betyde, at personen er død, eller at vedkommende har udviklet immunitet over for patogenet. Vi siger, at de er "fjernet" fra simuleringen, fordi der ikke sker noget andet med dem.

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

Hvis vi simulerer spredning af mæslinger eller et udbrud af naturbrand, er SIR ideel. Men antag, at vi simulerer spredningen af ​​en ny kulturel praksis, såsom meditation. Først er noden (personen) modtagelig, fordi den aldrig har gjort dette før. Så, hvis han begynder at meditere (måske efter at have hørt om det fra en ven), vil vi modellere ham som inficeret. Men hvis han stopper øvelsen, dør han ikke og falder ikke ud af simuleringen, for i fremtiden kan han nemt tage denne vane op igen. Så han går tilbage til en modtagelig tilstand.

Det SIS model (Følsom – Inficeret – Modtagelig). Den klassiske model har to parametre: transmissionshastighed og gendannelseshastighed. I simuleringerne til denne artikel besluttede jeg mig dog for at forenkle ved at udelade parameteren for recovery rate. I stedet vender den inficerede node automatisk tilbage til den modtagelige tilstand ved næste tidstrin, medmindre den er inficeret af en af ​​dens naboer. Derudover tillader vi en knude, der er inficeret i trin n, at inficere sig selv i trin n+1 med en sandsynlighed svarende til transmissionshastigheden.

Diskussionen

Som du kan se, er dette meget forskelligt fra SIR-modellen.

Fordi noderne aldrig fjernes, kan selv et meget lille og begrænset gitter understøtte en SIS-infektion i lang tid. Infektionen hopper simpelthen fra knude til knude og kommer tilbage.

På trods af deres forskelle viser SIR og SIS sig at være overraskende udskiftelige til vores formål. Så i resten af ​​denne artikel holder vi os til SIS – primært fordi det er mere holdbart og derfor sjovere at arbejde med.

Kritisk niveau

Efter at have leget med SIR- og SIS-modellerne, har du måske bemærket noget om infektionens levetid. Ved meget lave transmissionsrater, såsom 10 %, har infektionen en tendens til at dø ud. Mens ved højere værdier, såsom 50%, forbliver infektionen i live og overtager det meste af netværket. Hvis netværket var uendeligt, kunne vi forestille os, at det fortsatte og bredte sig for evigt.

En sådan grænseløs spredning har mange navne: "viral", "nuklear" eller (i titlen på denne artikel) kritisk.

Det viser sig, at der er bestemt bristepunktet, der skiller subkritiske netværk (dømt til at uddø) fra superkritiske netværk (i stand til uendelig vækst). Dette vendepunkt kaldes kritisk tærskel, og dette er et ret generelt tegn på diffusionsprocesser i almindelige netværk.

Den nøjagtige værdi af den kritiske tærskel varierer mellem netværk. Det der er almindeligt er dette tilgængelighed sådan en betydning.

[I en interaktiv demo fra original artikel Du kan forsøge manuelt at finde den kritiske netværkstærskel ved at ændre transmissionshastighedsværdien. Det er et sted mellem 22% og 23% - ca. oversættelse]

Ved 22 % (og derunder) dør infektionen til sidst ud. Ved 23 % (og derover) dør den oprindelige infektion nogle gange ud, men i de fleste tilfælde formår den at overleve og sprede sig længe nok til at sikre dens eksistens for evigt.

(Der er i øvrigt et helt videnskabeligt felt dedikeret til at finde disse kritiske tærskler for forskellige netværkstopologier. For en hurtig introduktion anbefaler jeg hurtigt at scrolle gennem Wikipedia-artiklen om tærskel for lækage).

Generelt fungerer det sådan her: Under en kritisk tærskel er enhver endelig infektion i netværket garanteret (med sandsynlighed 1) til sidst at dø ud. Men over en kritisk tærskel er der en sandsynlighed (p > 0), at infektionen vil fortsætte for evigt, og derved spredes vilkårligt langt fra det oprindelige sted.

Bemærk dog, at det superkritiske netværk ikke er det garantierat infektionen vil fortsætte for evigt. Faktisk falmer den ofte, især i de meget tidlige stadier af simuleringen. Lad os se, hvordan det sker.

Lad os antage, at vi startede med en inficeret knude og fire naboer. Ved det første modelleringstrin har infektionen 5 uafhængige chancer for at sprede sig (inklusive chancen for at "sprede" til sig selv ved næste trin):

Lad os nu antage, at overførselshastigheden er 50%. I dette tilfælde slår vi i det første trin en mønt fem gange. Og hvis fem hoveder rulles, vil infektionen blive ødelagt. Dette sker i omkring 3 % af tilfældene – og det er kun i første trin. En infektion, der overlever det første trin, har en vis (normalt mindre) sandsynlighed for at dø ud i andet trin, en vis (endnu mindre) sandsynlighed for at dø ud i tredje trin osv.

Så selv når netværket er superkritisk - hvis transmissionshastigheden er 99% - er der en chance for, at infektionen forsvinder.

Men det vigtige er, at hun ikke gør det altid vil forsvinde. Hvis du lægger sandsynligheden for, at alle trin dør ud til det uendelige, er resultatet mindre end 1. Med andre ord er der en ikke-nul sandsynlighed for, at infektionen vil fortsætte for evigt. Det er, hvad det betyder for et netværk at være superkritisk.

SISa: spontan aktivering

Indtil dette tidspunkt startede alle vores simuleringer med et lille stykke præ-inficerede noder i midten.

Men hvad hvis du starter fra bunden? Vi modellerer derefter spontan aktivering - den proces, hvorved en modtagelig knude bliver inficeret ved et tilfælde (ikke fra en af ​​dens naboer).

Det kaldet SISa model. Bogstavet "a" står for "automatisk".

I SISa-simuleringen dukker en ny parameter op - hastigheden af ​​spontan aktivering, som ændrer hyppigheden af ​​spontan infektion (transmissionshastighedsparameteren, vi så tidligere, er også til stede).

Hvad skal der til for at en infektion spredes i hele netværket?

Diskussionen

Du har måske bemærket i simuleringen, at øget hastighed af spontan aktivering ikke ændrer på, om infektionen overtager hele netværket eller ej. Kun transmissionshastighed bestemmer, om netværket er sub- eller superkritisk. Og når netværket er subkritisk (transmissionshastighed mindre end eller lig med 22%), kan ingen infektion spredes til hele nettet, uanset hvor ofte den starter.

Det er som at starte ild på en våd mark. Man kan godt tænde et par tørre blade, men flammen dør hurtigt ud, fordi resten af ​​landskabet ikke er brændbart nok (subkritisk). Mens du er på en meget tør mark (superkritisk), er en gnist nok til, at en ild begynder at rase.

Lignende ting observeres inden for idéer og opfindelser. Ofte er verden ikke klar til en idé, i så fald kan den opfindes igen og igen, men den tiltrækker ikke masserne. På den anden side kan verden være fuldstændig klar til en opfindelse (stor latent efterspørgsel), og så snart den er født, accepteres den af ​​alle. I midten er ideer, der er opfundet flere steder og spredt lokalt, men ikke nok til, at nogen enkelt version kan feje hele netværket på én gang. I denne sidste kategori finder vi for eksempel landbrug og skrift, som er opfundet uafhængigt af forskellige menneskelige civilisationer omkring henholdsvis ti og tre gange.

immunitet

Antag, at vi gør nogle noder fuldstændig usårbare, det vil sige immune over for aktivering. Det er, som om de oprindeligt er i en fjerntilstand, og SIS(a)-modellen lanceres på de resterende noder.

Immunitetsskyderen styrer procentdelen af ​​noder, der fjernes. Prøv at ændre dens værdi (mens modellen kører!), og se, hvordan det påvirker netværkets tilstand, om det vil være superkritisk eller ej.

Diskussionen

Ændring af antallet af ikke-responsive noder ændrer fuldstændig billedet af, om netværket vil være sub- eller superkritisk. Og det er ikke svært at se hvorfor. Med et stort antal ufølsomme værter har infektionen mindre mulighed for at sprede sig til nye værter.

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

En af dem er at forhindre spredning af skovbrande. På lokalt plan skal hver person tage deres egne forholdsregler (for eksempel aldrig efterlade en åben ild uden opsyn). Men i stor skala er isolerede udbrud uundgåelige. Så en anden metode til beskyttelse er at sikre, at der er nok "pauser" (i netværket af brændbare materialer), så et udbrud ikke opsluger hele netværket. Clearings udfører denne funktion:

Et andet udbrud, der er vigtigt at stoppe, er en infektionssygdom. Her introduceres konceptet flok immunitet. Det er ideen om, at nogle mennesker ikke kan vaccineres (de har f.eks. et kompromitteret immunsystem), men hvis nok mennesker er immune over for infektionen, kan sygdommen ikke spredes i det uendelige. Du bør med andre ord vaccinere tilstrækkelig del af befolkningen at overføre befolkningen fra en superkritisk til en subkritisk tilstand. Når dette sker, kan en patient stadig blive smittet (efter at have rejst til en anden region, for eksempel), men uden et superkritisk netværk at vokse i, vil sygdommen kun inficere en lille håndfuld mennesker.

Endelig forklarer begrebet immunknuder, hvad der sker i en atomreaktor. I en kædereaktion frigiver et henfaldende uran-235-atom omkring tre neutroner, som forårsager (i gennemsnit) spaltningen af ​​mere end et U-235-atom. De nye neutroner forårsager derefter yderligere spaltning af atomer og så videre eksponentielt:

Når man bygger en bombe, er hele pointen at sikre, at eksponentiel vækst fortsætter ukontrolleret. Men i et kraftværk er målet at producere energi uden at dræbe alle omkring dig. Til dette formål bruges de styrestænger, lavet af et materiale, der kan absorbere neutroner (for eksempel sølv eller bor). Fordi de absorberer snarere end frigiver neutroner, fungerer de som immunknuder i vores simulering og forhindrer derved den radioaktive kerne i at blive superkritisk.

Så tricket til en atomreaktor er at holde reaktionen tæt på en kritisk tærskel ved at flytte kontrolstænger frem og tilbage, og at sikre, at når noget går galt, falder stængerne ned i kernen og stopper den.

grad af

grad af af en node er antallet af dens naboer. Indtil dette punkt har vi overvejet netværk af grad 4. Men hvad sker der, hvis du ændrer denne parameter?

For eksempel kan du forbinde hver node ikke kun til fire umiddelbare naboer, men også til fire mere diagonalt. I et sådant netværk vil graden være 8.

Gitter med grader 4 og 8 er godt symmetriske. Men med grad 5 (eksempelvis) opstår et problem: hvilke fem naboer skal vi vælge? I dette tilfælde vælger vi fire nærmeste naboer (N, E, S, W), og vælger derefter tilfældigt en nabo fra sættet {NE, SE, SW, NW}. Valget foretages uafhængigt for hver node på hvert tidstrin.

Diskussionen

Igen, det er ikke svært at se, hvad der foregår her. Når hver knude har flere naboer, øges chancerne for infektionsspredning - og dermed er der større sandsynlighed for, at netværket bliver kritisk.

Konsekvenserne kan dog være uventede, som vi vil se nedenfor.

Byer og netværkstæthed

Indtil nu har vores netværk været fuldstændig homogene. Hver knude ligner enhver anden. Men hvad nu hvis vi ændrer betingelserne og tillader forskellige nodetilstande i hele netværket?

Lad os for eksempel prøve at modellere byer. For at gøre dette vil vi øge tætheden i nogle dele af netværket (højere grad af noder). Det gør vi ud fra de data, som borgerne har bredere omgangskreds og flere sociale interaktionerend folk uden for byerne.

I vores model er modtagelige noder farvet baseret på deres grad. Noder i "landdistrikter" har grad 4 (og er farvet lysegrå), mens noder i "byområder" har højere grader (og er farvet mørkere), begyndende med grad 5 i udkanten og slutter med 8 i byens centrum.

Prøv at vælge en udbredelseshastighed, så aktiveringen dækker byer og derefter ikke går ud over deres grænser.

Jeg finder denne simulering både indlysende og overraskende. Selvfølgelig, holder byerne det kulturelle niveau bedre end landdistrikterne – det ved alle. Det, der overrasker mig, er, at noget af denne kulturelle mangfoldighed opstår simpelthen baseret på det sociale netværks topologi.

Dette er et interessant punkt, jeg vil prøve at forklare det mere detaljeret.

Her har vi at gøre med kulturformer, der overføres enkelt og direkte fra person til person. For eksempel, manerer, salonspil, modetrends, sproglige tendenser, små grupperitualer og produkter, der spredes fra mund til mund, plus hele pakker med information, vi kalder ideer.

(Bemærk: formidlingen af ​​information mellem mennesker bliver ekstremt vanskelig af medierne. Det er lettere at forestille sig et eller andet teknologisk primitivt miljø, såsom det antikke Grækenland, hvor næsten enhver kulturgnist blev overført ved interaktion i det fysiske rum.)

Fra ovenstående simulering lærte jeg, at der er ideer og kulturelle praksisser, der kan slå rod og spredes i byen, men de kan simpelthen ikke (matematisk ikke) spredes i landdistrikterne. Det er de samme ideer og de samme mennesker. Pointen er ikke, at beboere på landet på en eller anden måde er "nærtsindede": når de interagerer med den samme idé, nøjagtig samme chancer for at fange denligesom byboerne. Det er bare, at ideen i sig selv ikke kan blive viral i landdistrikterne, fordi der ikke er mange forbindelser, hvorigennem den kan spredes.

Det er måske nemmest at se inden for mode – tøj, frisurer osv. I modenetværket kan vi fange kanten af ​​gitteret, når to personer lægger mærke til hinandens outfits. I et bycenter kan hver person se mere end 1000 andre mennesker hver dag - på gaden, i metroen, i en overfyldt restaurant osv. I et landområde kan hver person tværtimod kun se et par dusin andre. Baseret på kun denne forskel, er byen i stand til at understøtte flere modetrends. Og kun de mest overbevisende tendenser – dem med de højeste transmissionshastigheder – vil kunne få fodfæste 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. Det gælder selvfølgelig i ekstreme tilfælde, men ind imellem er der en masse ideer og praksisser, som kun kan gå viralt på bestemte netværk. Det her er virkelig fantastisk.

Ikke kun byer

Vi ser på virkningen her netværkstæthed. Det er defineret for et givet sæt af noder som et tal egentlige ribben, divideret med tal potentielle kanter. Det vil sige procentdelen af ​​mulige forbindelser, der faktisk eksisterer.

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

Et interessant eksempel er gymnasier. For et specifikt område sammenligner vi for eksempel det netværk, der findes blandt skolebørn, med det netværk, der findes blandt deres forældre. Samme geografiske område og samme befolkning, men det ene netværk er mange gange tættere end det andet. Det er derfor ikke overraskende, at mode og sproglige tendenser breder sig meget hurtigere blandt teenagere.

Ligeledes har elite-netværk en tendens til at være meget tættere end ikke-elite-netværk - et faktum, jeg synes er undervurderet (folk, der er populære eller indflydelsesrige, bruger mere tid på at netværke og har derfor flere "naboer" end almindelige mennesker til mennesker). Baseret på simuleringerne ovenfor forventer vi, at elitenetværk vil understøtte nogle kulturelle former, som ikke kan understøttes af mainstream, blot baseret på de matematiske love for netværkets gennemsnitlige grad. Jeg lader dig spekulere over, hvad disse kulturelle former kan være.

Endelig kan vi anvende denne idé på internettet ved at modellere den som enorm og meget tæt by. Det er ingen overraskelse, at mange nye former for kultur blomstrer på nettet, som simpelthen ikke kan understøttes på rent rumlige netværk: nichehobbyer, bedre designstandarder, større bevidsthed om uretfærdighed osv. Og det er ikke kun pæne ting. Ligesom tidlige byer var ynglepladser for sygdomme, der ikke kunne spredes i lav befolkningstæthed, så er internettet en grobund for ondartede kulturelle former som clickbait, falske nyheder og kunstig forargelse.

viden

"At have den rigtige ekspert på det rigtige tidspunkt er ofte den mest værdifulde ressource til kreativ problemløsning." — Michael Nielsen, Inventing Discovery

Vi tænker ofte på opdagelse eller opfindelse som en proces, der finder sted i et enkelt genis sind. Han bliver ramt af et glimt af inspiration og - Eureka! — pludselig har vi en ny måde at måle volumen på. Eller tyngdekraftsligningen. Eller en pære.

Men hvis vi tager en enlig opfinders synspunkt i opdagelsesøjeblikket, så ser vi på fænomenet fra en nodes synspunkt. Selvom det ville være mere korrekt at fortolke opfindelsen som netværk fænomen.

Netværket er vigtigt på mindst to måder. For det første skal eksisterende ideer trænge igennem ind i bevidstheden opfinder. Det er citater fra en ny artikel, den bibliografiske del af en ny bog – giganterne på hvis skuldre Newton stod. For det andet er netværket afgørende for tilbagevenden af ​​en ny idé omvendt ind til verden; en opfindelse, der ikke har spredt sig, er næppe værd at kalde en "opfindelse" overhovedet. Derfor giver det af begge disse grunde mening at modellere opfindelsen - eller mere bredt, væksten af ​​viden - som en spredningsproces.

Om et øjeblik vil jeg præsentere en grov simulering af, hvordan viden kan spredes og vokse i et netværk. Men først skal jeg forklare.

I begyndelsen af ​​simuleringen er der fire eksperter i hver kvadrant af nettet, arrangeret som følger:

Ekspert 1 har den første version af ideen – lad os kalde den Idea 1.0. Ekspert 2 er personen, der ved, hvordan man forvandler Idé 1.0 til Idé 2.0. Ekspert 3 ved, hvordan man transformerer Idea 2.0 til Idea 3.0. Og endelig ved den fjerde ekspert, hvordan man lægger sidste hånd på Idea 4.0.

Dette ligner en teknik som origami, hvor teknikker udvikles og kombineres med andre teknikker for at skabe mere interessante designs. Eller det kan være et vidensfelt, som fysik, hvor nyere arbejde bygger på forgængernes grundlæggende arbejde.

Pointen med denne simulering er, at vi har brug for alle fire eksperter til at bidrage til den endelige version af ideen. Og på hvert trin skal ideen bringes til den relevante eksperts opmærksomhed.

Et par forbehold. Der er mange urealistiske antagelser indkodet i simuleringen. Her er blot nogle få af dem:

1. Det antages, at ideer ikke kan lagres og overføres undtagen fra person til person (dvs. ingen bøger eller medier).
2. Det antages, at der er faste eksperter i befolkningen, som kan generere ideer, selvom der i virkeligheden er mange tilfældige faktorer, der påvirker forekomsten af ​​en opdagelse eller opfindelse.
3. Alle fire versioner af ideen bruger det samme sæt SIS-parametre (baudhastighed, procentdel af immunitet osv.), selvom det nok er mere realistisk at bruge forskellige parametre for hver version (1.0, 2.0 osv.)
4. Det antages, at ideen N+1 altid fuldstændig erstatter idéen N, selvom i praksis ofte både den gamle og den nye version cirkulerer samtidigt, uden nogen klar vinder.

… og mange andre.

Diskussionen

Dette er en latterligt forenklet model for, hvordan viden faktisk vokser. Der er mange vigtige detaljer tilbage uden for modellen (se ovenfor). Det fanger dog den vigtige essens af processen. Og så kan vi med forbehold tale om videns vækst ved hjælp af vores viden om diffusion.

Specielt giver diffusionsmodellen indsigt i hvordan fremskynde processen: Behov for at lette udvekslingen af ​​ideer mellem ekspertknudepunkter. Dette kan betyde at rydde netværket af døde noder, der hindrer diffusion. Eller det kan betyde, at alle eksperterne placeres i en by eller en klynge med høj netværkstæthed, hvor ideer spredes hurtigt. Eller bare saml dem i ét rum:

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

Men jeg har en sidste tanke, og den er meget vigtig. Det handler om vækstog stagnation) viden i videnskabelige samfund. Denne idé er anderledes i tone og indhold fra alt ovenfor, men jeg håber, du vil tilgive mig.

Om videnskabelige netværk

Illustrationen viser en af ​​de vigtigste positive feedback-loops i verden (og det har været sådan i et stykke tid):

Den opadgående progression af cyklussen (K ⟶ T) er ret enkel: vi bruger ny viden til at udvikle nye værktøjer. For eksempel giver forståelsen af ​​halvlederes fysik os mulighed for at bygge computere.

Den nedadgående bevægelse kræver dog en vis forklaring. Hvordan fører teknologiudviklingen til øget viden?

En måde – måske den mest direkte – er, når nye teknologier giver os nye måder at opfatte verden på. For eksempel giver de bedste mikroskoper dig mulighed for at se dybere inde i en celle, hvilket giver indsigt i molekylærbiologi. GPS-trackere viser, hvordan dyr bevæger sig. Sonar giver dig mulighed for at udforske havene. Og så videre.

Dette er uden tvivl en vital mekanisme, men der er mindst to andre veje fra teknologi til viden. De er måske ikke så enkle, men jeg tror, ​​de er lige så vigtige:

Første. Teknologi fører til økonomisk overflod (dvs. rigdom), som giver flere mennesker mulighed for at engagere sig i videnproduktion.

Hvis 90% af dit lands befolkning er engageret i landbruget, og de resterende 10% er engageret i en eller anden form for handel (eller krig), så har folk meget lidt fritid til at tænke over naturens love. Måske er det derfor, videnskaben i tidligere tider primært blev fremmet af børn fra rige familier.

USA producerer mere end 50 Ph.D.'er hvert år. I stedet for at en person skal arbejde på en fabrik i en alder af 000 (eller tidligere), skal en kandidatstuderende finansieres indtil 18 eller måske 30 år - og selv da er det uklart, om deres arbejde vil have nogen reel økonomisk indvirkning. Men det er nødvendigt for en person at nå forkant med hans eller hendes disciplin, især inden for komplekse områder som fysik eller biologi.

Faktum er, at fra et systemsynspunkt er specialister dyre. Og den ultimative kilde til offentlig rigdom, der finansierer disse specialister, er ny teknologi: Ploven subsidierer pennen.

Second. Nye teknologier, især inden for rejse- og kommunikationsområdet, ændrer strukturen i sociale netværk, hvor viden vokser. Det giver især eksperter og specialister mulighed for at interagere tættere med hinanden.

Bemærkelsesværdige opfindelser her omfatter trykpressen, dampskibe og jernbaner (der gør det lettere at rejse og/eller sende post over lange afstande), telefoner, fly og internettet. Alle disse teknologier bidrager til øget netværkstæthed, især inden for specialiserede samfund (hvor næsten al videnvækst finder sted). For eksempel korrespondancenetværkene, der opstod blandt europæiske videnskabsmænd i slutningen af ​​middelalderen, eller måden moderne fysikere bruger arXiv på.

I sidste ende er begge disse veje ens. Begge øger tætheden af ​​netværket af specialister, hvilket igen fører til en stigning i viden:

I mange år var jeg ret afvisende over for videregående uddannelser. Mit korte ophold på kandidatskolen efterlod en dårlig smag i min mund. Men nu hvor jeg ser tilbage og tænker (bortset fra alle personlige problemer), må jeg konkludere, at videregående uddannelser stadig er det ekstremt vigtig.

Akademiske sociale netværk (f.eks. forskningssamfund) er en af ​​de mest avancerede og værdifulde strukturer, vores civilisation har skabt. Ingen steder har vi samlet en større koncentration af specialister med fokus på videnproduktion. Ingen steder har mennesker udviklet en større evne til at forstå og kritisere hinandens ideer. Det er fremskridtets bankende hjerte. Det er i disse netværk, at oplysningens ild brænder stærkest.

Men vi kan ikke tage fremskridt for givet. Hvis eksperiment irreproducerbarhedskrise og hvis det lærte os noget, så var det, at videnskaben kan have systemiske problemer. Dette er en slags netværksforringelse.

Antag, at vi skelner mellem to måder at udføre videnskab på: ægte videnskab и karriere. Ægte videnskab er praksis, der pålideligt producerer viden. Det er motiveret af nysgerrighed og præget af ærlighed (Feynman: "Du ser, jeg skal bare forstå verden"). Karriereisme er tværtimod motiveret af professionelle ambitioner og er præget af at spille politik og videnskabelige genveje. Det kan se ud og virke som videnskab, men nej producerer pålidelig viden.

(Ja, dette er en overdreven dikotomi. Bare et tankeeksperiment. Du skal ikke bebrejde mig).

Faktum er, at når karriereister tager plads i det rigtige forskningsmiljø, ødelægger de arbejdet. De stræber efter at promovere sig selv, mens resten af ​​samfundet forsøger at få og dele ny viden. I stedet for at stræbe efter klarhed komplicerer og forvirrer karrieremænd alt for at lyde mere imponerende. De er engageret i (som Harry Frankfurt ville sige) videnskabeligt nonsens. Og derfor kunne vi modellere dem som døde noder, uigennemtrængelige for den retfærdige udveksling af information, der er nødvendig for videnvækst:

Måske er den bedste model en, hvor karriereknudepunkter ikke bare er uigennemtrængelige for viden, men aktivt udbreder falsk viden. Falsk viden kan omfatte ubetydelige resultater, hvis betydning er kunstigt oppustet, eller virkelig falske resultater, der stammer fra manipulation eller opdigtede data.

Uanset hvordan vi modellerer dem, kan karrieremænd helt sikkert kvæle vores videnskabelige samfund.

Det er ligesom den nukleare kædereaktion, vi har desperat brug for - vi har brug for en eksplosion af viden - kun vores berigede U-235 har for meget af den ikke-reaktive isotop U-238 i sig, som undertrykker kædereaktionen.

Selvfølgelig er der ingen klar forskel mellem karrieremænd og rigtige videnskabsmænd. Hver af os har en lille smule karrieremæssighed gemt i os. Spørgsmålet er, hvor længe netværket kan holde, før videnformidlingen svinder ud.

Åh, du læste til ende. Tak fordi du læste.

Licens

CC0 Alle rettigheder er ikke forbeholdt. Du kan bruge dette arbejde, som du finder passende :).

Tak

• Kevin Kwok и Nicky Case for gennemtænkte kommentarer og forslag til forskellige versioner af udkastet.
• Nick Barr — for moralsk støtte gennem hele processen og for den mest nyttige feedback på mit arbejde.
• Keith A. for at påpege over for mig fænomenet perkolation og perkolationstærsklen.
• Geoff Lonsdale for linket til dette er et essay, som (på trods af sine mange mangler) var den vigtigste drivkraft for arbejdet med dette indlæg.

Interaktive essayprøver

• Alt Nicky Cases arbejde, især. "Lignelsen om polygonerne" (med Vi Hart) og "Udvikle en bedre stemmeseddel". Dette er en høj bar for, hvad et interaktivt essay kan være.
• destiller.pub: Ekstraordinær høj kvalitet interaktive beskrivelser af machine learning.
• Klassisk værk af Bret Victor "Op og ned ad abstraktionsstigen". Jeg var ikke særlig god til at bevæge mig op ad trappen, men der er altid et forsøg mere.

Kilde: www.habr.com