Si has pasado tiempo reflexionando sobre sistemas complejos, seguramente entiendes la importancia de las redes. Las redes rigen nuestro mundo. Desde las reacciones químicas dentro de una célula, hasta las redes de relaciones en un ecosistema, las redes comerciales y políticas que moldean el curso de la historia.

O consideremos este artículo que estás leyendo. Probablemente lo encontraste en una red social, lo descargaste de una red informática y actualmente estás descifrando el sentido con tu red neuronal.

Pero por mucho que haya pensado en redes a lo largo de los años, hasta hace poco no entendía la importancia de la simple difusión.

Ese es nuestro tema para hoy: cómo, con cuánta caoticidad todo se mueve y se difunde. Algunos ejemplos para abrir el apetito:

• Enfermedades infecciosas que se transmiten de portador a portador dentro de una población.
• Memes que se difunden a través del gráfico de seguidores en redes sociales.
• Un incendio forestal.
• Ideas y prácticas que se infiltran en la cultura.
• Un cascada de neutrones en uranio enriquecido.

Una breve observación sobre la forma.

A diferencia de todos mis trabajos anteriores, este ensayo es interactivo [en el artículo original se presentan ejemplos interactivos con deslizadores y botones que controlan objetos en la pantalla — nota del traductor].

Así que empecemos. La primera tarea es desarrollar un diccionario visual para la difusión a través de redes.

Modelo sencillo

Estoy seguro de que todos conocen la base de las redes, es decir, nodos + aristas. Para investigar la difusión, solo necesitas marcar algunos nodos como activos. O, como gusta decir a los epidemiólogos, infectados:

Esta activación o infección se difunde a través de la red de nodo a nodo de acuerdo con las reglas que desarrollaremos a continuación.

Las redes reales suelen ser mucho más grandes que esta simple red de siete nodos. También son mucho más complicadas. Pero para simplificar, aquí construiremos un modelo juguete para estudiar la rejilla, es decir, una red enrejada (lattice network).

(Lo que le falta a la red en términos de realismo se compensa porque es fácil de dibujar 😉

A menos que se indique lo contrario, cada nodo en la red tiene cuatro vecinos, por ejemplo:

Y hay que imaginar que estas rejillas se extienden infinitamente en todas las direcciones. En otras palabras, no estamos interesados en el comportamiento que ocurre solo en los bordes de la red o en pequeñas poblaciones.

Dado que las rejillas están tan ordenadas, se pueden simplificar a píxeles. Por ejemplo, estas dos imágenes representan la misma red:

En uno de los comportamientos, el nodo activo siempre transmite la infección a sus vecinos (no infectados). Pero eso es aburrido. Cosas mucho más interesantes suceden cuando la transmisión es probabilística..

Modelos SIR y SIS

En Modelos SIR (Susceptible-Infectado-Removido) un nodo puede estar en tres estados:

• Susceptible (Susceptible)
• Infectado (Infectado)
• Removido (Removido)

Así es como funciona la simulación interactiva [en el artículo original se puede elegir la velocidad de transmisión de la infección de 0 a 1, ver el proceso paso a paso o en su totalidad — nota del traductor]:

• Los nodos comienzan como susceptibles, excepto por algunos nodos que comienzan como infectados.
• En cada paso de tiempo, los nodos infectados tienen la oportunidad de transmitir la infección a cada uno de sus vecinos susceptibles con una probabilidad igual a la velocidad de transmisión.
• Los nodos infectados luego pasan al estado de 'removido', es decir, ya no pueden infectar a otros ni infectarse a sí mismos.

En el contexto de la enfermedad, 'removido' puede significar que la persona ha muerto o que ha desarrollado inmunidad al patógeno. Decimos que están 'removidos' de la simulación porque no les sucede nada más.

Dependiendo de lo que intentemos modelar, puede ser necesaria otra modelo que no sea SIR.

Si estamos simulando la propagación del sarampión o un brote de incendio forestal, SIR es perfecto. Pero supongamos que estamos simulando la difusión de una nueva práctica cultural, como la meditación. Al principio, el nodo (persona) es susceptible, porque nunca lo ha hecho antes. Luego, si comienza a meditar (posiblemente escuchando sobre ello de un amigo), lo modelamos como infectado. Pero si deja de practicar, no morirá ni saldrá de la simulación, porque en el futuro podría fácilmente volver a adoptar este hábito. Así, regresa al estado susceptible.

Es Modelo SIS (Susceptible–Infected–Susceptible). En el modelo clásico, hay dos parámetros: la tasa de transmisión y la tasa de recuperación. Sin embargo, en las simulaciones para este artículo, decidí simplificar, omitiendo el parámetro de la tasa de recuperación. En su lugar, un nodo infectado regresa automáticamente al estado susceptible en el siguiente paso de tiempo, a menos que esté infectado por uno de sus vecinos. Además, permitimos que un nodo infectado en el paso n se infecte a sí mismo en el paso n+1 con una probabilidad igual a la tasa de transmisión.

Discusión

Como pueden ver, esto difiere mucho del modelo SIR.

Dado que los nodos nunca se eliminan, incluso una red muy pequeña y limitada puede mantener la infección SIS durante mucho tiempo. La infección simplemente salta de un nodo a otro y vuelve.

A pesar de las diferencias, SIR y SIS resultan sorprendentemente intercanjeables para nuestros propósitos. Por lo tanto, para el resto del artículo, nos centraremos en SIS, principalmente porque es más persistente y, por ende, es más interesante trabajar con ella.

Nivel crítico

Al experimentar con los modelos SIR y SIS, es posible que haya notado algo sobre la durabilidad de la infección. A muy bajas tasas de transmisión, como el 10%, la infección tiende a extinguirse. Mientras que a valores más altos, como el 50%, la infección se mantiene viva y captura una mayor parte de la red. Si la red fuera infinita, podríamos imaginar que continúa y se propaga para siempre.

Este tipo de difusión ilimitada tiene muchos nombres: "viral", "nuclear" o (en el título de este artículo) son críticas.

Resulta que hay un específico punto de quiebre que separa redes subcríticas (condenadas a extinguirse) de redes sobrecríticas (capaces de crecimiento infinito). Este punto de quiebre se llama umbral crítico, y es una característica bastante común de los procesos de difusión en redes normales.

El valor exacto del umbral crítico varía entre redes. Lo que es común es presencia de ese valor.

[En la demostración interactiva de el artículo original se puede intentar tocar manualmente el umbral crítico de la red, cambiando el valor de la tasa de transmisión. Se encuentra entre el 22% y el 23% – Nota del traductor.]

A 22% (or lower) infection eventually dies out. At 23% (or higher), the initial infection sometimes dies out, but in most cases, it manages to survive and spread long enough to ensure its eternal existence.

(By the way, there is an entire scientific field dedicated to finding these critical thresholds for various network topologies. For a quick introduction, I recommend scrolling through the Wikipedia article on the percolation threshold).

In general, here's how it works: below the critical threshold, any finite infection in the network is guaranteed (with a probability of 1) to eventually die out. However, above the critical threshold, there is a probability (p > 0) that the infection will continue indefinitely and spread arbitrarily far from its initial location.

However, note that a supercritical network does not guarantee, that the infection will continue indefinitely. In fact, it often dies out, especially in the early stages of modeling. Let's see how this happens.

Suppose we start with one infected node and four neighbors. At the first step of the simulation, the infection has 5 independent chances to spread (including the chance to 'spread' to itself in the next step):

Now let's assume the transmission rate is 50%. In this case, at the first step, we flip a coin five times. And if we get five heads, the infection will be eradicated. This happens in about 3% of cases — and that's just in the first step. For the infection that survived the first step, there is some (usually smaller) probability of dying out in the second step, some (even smaller) probability of dying out in the third step, and so on.

Thus, even when the network is supercritical — if the transmission rate is 99% — there is a probability that the infection will disappear.

But what's important is that it will not siempre die out. If we add the probabilities of dying out for all steps to infinity, the result is less than 1. In other words, with a non-zero probability, the infection will continue forever. That’s what it means for a network to be supercritical.

SISa: spontaneous activation

Up to this point, all our simulations started with a small piece of pre-infected nodes in the center.

¿Pero qué pasaría si comenzamos desde cero? Entonces, modelaremos la activación espontánea, el proceso mediante el cual un nodo susceptible se infecta de manera aleatoria (no por uno de sus vecinos).

Es se llama modelo SISa. La letra “a” significa «automático».

En la simulación SISa aparece un nuevo parámetro: la velocidad de activación espontánea, que cambia la frecuencia de aparición de infecciones espontáneas (el parámetro de velocidad de transmisión que vimos anteriormente también está presente).

¿Qué se necesita para que la infección se propague por toda la red?

Discusión

Quizás en la simulación notaste que aumentar la velocidad de activación espontánea no cambia si la infección abarca toda la red o no. Solo la velocidad de transmisión determina si la red es subcrítica o supercrítica. Y cuando la red es subcrítica (la velocidad de transmisión es menor o igual al 22%), ninguna infección puede propagarse a través de toda la rejilla, sin importar cuán a menudo empiece.

Es como encender un fuego en un campo húmedo. Puedes prender algunas hojas secas, pero las llamas se extinguirán rápidamente porque el resto del paisaje no es lo suficientemente inflamable (subcrítico). Mientras que en un campo muy seco (supercrítico), basta con una chispa para que se desate un incendio.

Cosas similares se observan en el ámbito de las ideas y las invenciones. A menudo, el mundo no está listo para una idea, y en este caso, puede ser inventada una y otra vez, pero no logra captar a las masas. Por otro lado, el mundo puede estar completamente listo para un invento (una gran demanda latente), y una vez que nace, es aceptado por todos. En el medio se encuentran las ideas que son inventadas en varios lugares y se propagan localmente, pero no lo suficiente como para que alguna versión particular abarque la red de inmediato. En esta última categoría encontramos, por ejemplo, la agricultura y la escritura, que han sido inventadas de forma independiente por diferentes civilizaciones humanas alrededor de diez y tres veces, respectivamente.

Inmunidad

Supongamos que hacemos que algunos nodos sean completamente invulnerables, es decir, insensibles a la activación. Es como si estuvieran inicialmente en un estado remoto, y el modelo SIS(a) se activara en los nodos restantes.

El control deslizante "inmunidad" gestiona el porcentaje de nodos eliminados. Intenta cambiar su valor (¡durante el funcionamiento del modelo!) y observa cómo afecta al estado de la red, si se convierte en supercrítica o no.

Discusión

Cambiar la cantidad de nodos no susceptibles altera completamente la situación, ya sea que la red sea sub- o supercrítica. Y no es difícil entender por qué. Con un gran número de nodos no susceptibles, la infección tiene menos oportunidades de propagarse a nuevos anfitriones.

Resulta que esto conlleva una serie de consecuencias prácticas muy importantes.

Una de ellas es la prevención de la propagación de incendios forestales. A nivel local, cada persona debe tomar sus propias precauciones (por ejemplo, nunca dejar llamas abiertas sin supervisión). Pero a gran escala, los brotes individuales son inevitables. Así, otro método de protección consiste en asegurar un número suficiente de "rupturas" (en la red de materiales inflamables) para que un brote no abarque toda la red. Tal función es desempeñada por los cortafuegos:

Otro brote que es importante detener es el de las enfermedades infecciosas. Aquí se introduce el concepto de inmunidad de rebaño. Esta es la idea de que algunas personas no pueden ser vacunadas (por ejemplo, tienen un sistema inmunológico dañado), pero si un número suficiente de personas es inmune a la infección, la enfermedad no podrá propagarse indefinidamente. En otras palabras, se debe vacunar a una cantidad suficiente de la población para mover a la comunidad de un estado supercrítico a uno subcrítico. Cuando esto ocurre, un paciente aún puede contagiarse (por ejemplo, después de viajar a otra región), pero sin una red supercrítica en la que crecer, la enfermedad solo contagiará a un pequeño grupo de personas.

Finalmente, el concepto de nodos no susceptibles explica lo que sucede en un reactor nuclear. En la reacción en cadena, un átomo de uranio-235 en descomposición libera alrededor de tres neutrones, que provocan (en promedio) la fisión de más de un átomo de U-235. Nuevos neutrones luego causan más fisiones de átomos y así sucesivamente de manera exponencial:

Al crear una bomba, el objetivo es garantizar la continuación sin obstáculos del crecimiento exponencial. Pero en una planta de energía, el objetivo es producir energía sin matar a todos a su alrededor. Para ello se utilizan barras de control, fabricadas con material capaz de absorber neutrones (por ejemplo, plata o boro). Como absorben en lugar de liberar neutrones, en nuestra simulación actúan como nodos inmunes, evitando así que el núcleo radiactivo entre en un estado supercrítico.

Así, el truco de un reactor nuclear es mantener la reacción cerca del umbral crítico, moviendo las barras de control hacia adelante y hacia atrás, y garantizar que cada vez que algo sale mal, las barras bajan al núcleo y lo detienen.

El grado

El grado de un nodo es el número de sus vecinos. Hasta este momento hemos considerado redes de grado 4. Pero, ¿qué ocurre si cambiamos este parámetro?

Por ejemplo, se puede conectar cada nodo no solo a cuatro vecinos inmediatos, sino también a otros cuatro en diagonal. En tal red, el grado será 8.

Las redes de grados 4 y 8 son bastante simétricas. Pero con un grado de 5 (por ejemplo), surge el problema: ¿cuáles cinco vecinos elegir? En este caso, elegimos los cuatro vecinos más cercanos (N, E, S, O), y luego seleccionamos aleatoriamente un vecino del conjunto {NE, SE, SW, NW}. La selección se realiza independientemente para cada nodo en cada paso de tiempo.

Discusión

De nuevo, no es difícil entender lo que está sucediendo aquí. Cuando cada nodo tiene más vecinos, aumenta la probabilidad de propagación de la infección, y, por lo tanto, es más probable que la red se vuelva crítica.

Sin embargo, las consecuencias pueden ser inesperadas, como veremos a continuación.

Ciudades y densidad de red

Hasta ahora, nuestras redes han sido completamente homogéneas. Cada nodo se parece a cualquier otro. Pero, ¿y si cambiamos las condiciones y permitimos diferentes estados de los nodos en toda la red?

Por ejemplo, intentemos modelar ciudades. Para ello, aumentaremos la densidad en algunas áreas de la red (mayor grado de los nodos). Hacemos esto basándonos en datos de que los moradores urbanos tienen un círculo social más amplio y más interacciones sociales, que las personas fuera de las ciudades.

En nuestro modelo, los nodos susceptibles están codificados según su grado. Los nodos en "áreas rurales" tienen un grado 4 (y están coloreados de gris claro), mientras que los nodos en "ciudades" tienen grados más altos (y están coloreados más oscuros), comenzando con grado 5 en las afueras y terminando en 8 en el centro de la ciudad.

Intenta ajustar una velocidad de propagación que cubra las ciudades y luego no salga de sus límites.

Encuentro que esta simulación es a la vez obvia y sorprendente. Por supuesto, las ciudades mantienen un nivel cultural mejor que las áreas rurales, eso lo sabemos todos. Lo que me sorprende es que parte de esta diversidad cultural surge simplemente a partir de la topología de la red social.

Es un punto interesante, intentaré explicar con más detalle.

Aquí estamos tratando con formas de cultura que se transmiten de manera simple e inmediata de persona a persona. Por ejemplo, modales, juegos de salón, tendencias de moda, tendencias lingüísticas, rituales de pequeños grupos y productos que se propagan de boca en boca, además de paquetes completos de información que llamamos ideas.

(Nota: la propagación de información entre las personas se complica enormemente por los medios de comunicación. Es más fácil imaginar un entorno tecnológicamente primitivo, como la Grecia antigua, donde casi cada chispa de cultura se transmitía a través de la interacción en un espacio físico).

De la simulación presentada aprendí que hay ideas y prácticas culturales que pueden arraigarse y propagarse en la ciudad, pero simplemente no pueden propagarse en las áreas rurales (matemáticamente no pueden). Son las mismas ideas y las mismas personas. No se trata de que los habitantes rurales sean "poco inteligentes": al interactuar con la misma idea, ellos tienen exactamente las mismas probabilidades de adoptarla, como los habitantes de la ciudad. Simplemente la idea misma no puede volverse viral en áreas rurales, porque allí no hay tantas conexiones a través de las cuales pueda propagarse.

Esto es, quizás, lo más sencillo de ver en el ámbito de la moda: ropa, peinados, etc. En el mundo de la moda, podemos observar el vínculo de la red cuando dos personas notan los atuendos de cada una. En el centro de la ciudad, cada persona puede ver a más de 1000 otras personas a diario: en la calle, en el metro, en un restaurante abarrotado, etc. En las áreas rurales, en cambio, cada persona solo puede ver a unas pocas docenas de otras. Basándonos solo en esta diferencia, la ciudad puede mantener más tendencias de moda. Y solo las tendencias más convincentes, con la tasa de transmisión más alta, podrán consolidarse fuera de la ciudad.

Tendemos a pensar que si una idea es buena, eventualmente llegará a todos, y si es mala, desaparecerá. Sin duda, esto es cierto en casos extremos, pero entre ellos hay una cantidad de ideas y prácticas que pueden volverse virales solo en ciertas redes. Esto es realmente asombroso.

No solo las ciudades

Aquí estamos considerando la influencia de la densidad de la red. Se define para un conjunto dado de nodos como el número de vínculos reales, dividido por el número de vínculos potenciales. Es decir, el porcentaje de conexiones posibles que realmente existen.

Así que hemos visto que la densidad de la red en los centros urbanos es mayor que en las áreas rurales. Pero las ciudades no son el único lugar donde encontramos redes densas.

Un ejemplo interesante son las escuelas secundarias. Por ejemplo, para un área específica, podemos comparar la red que existe entre los estudiantes con la red que existe entre sus padres. La misma área geográfica y la misma población, pero una red es muchas veces más densa que la otra. Por eso no es sorprendente que las tendencias de moda y lingüísticas se propaguen mucho más rápidamente entre los adolescentes.

De manera similar, las redes de élite suelen ser mucho más densas que las no élite; creo que este hecho se subestima (las personas que son populares o influyentes pasan más tiempo construyendo redes, y por lo tanto tienen más "vecinos" que las personas comunes). Basándonos en las simulaciones anteriores, esperamos que las redes de élite mantengan ciertas formas culturales que no pueden ser sostenidas por el mainstream, simplemente por las leyes matemáticas sobre la densidad promedio de la red. Te dejo reflexionar sobre qué formas culturales podrían ser estas.

Finalmente, podemos aplicar esta idea a Internet, modelándolo como una enorme y muy densa ciudad. No es sorprendente que en Internet prosperen muchos nuevos tipos de cultura que simplemente no pueden ser sostenidos en redes puramente espaciales: pasatiempos de nicho, mejores estándares de diseño, una mayor conciencia de la injusticia, etc. Y no son solo cosas agradables. Así como las primeras ciudades fueron un caldo de cultivo para enfermedades que no podían propagarse en una población de baja densidad, Internet es un entorno fértil para formas culturales malignas, como el clickbait, las noticias falsas y la incitación artificial a la indignación.

Conocimientos

«Atraer al experto adecuado en el momento adecuado a menudo es el recurso más valioso para resolver creativamente un problema». — Michael Nielsen, "Inventando descubrimientos"

A menudo pensamos en el descubrimiento o la invención como un proceso que ocurre en la mente de un solo genio. Le golpea un destello de inspiración y— ¡eureka! —de repente tenemos un nuevo método para medir el volumen. O la ecuación de la gravedad. O la bombilla.

Pero si adoptamos el punto de vista del inventor solitario en el momento del descubrimiento, estamos mirando el fenómeno desde la perspectiva de un nodo. Mientras que sería más correcto interpretar la invención como un fenómeno de red. La red es importante en al menos dos aspectos. En primer lugar, las ideas ya existentes deben penetrar

en la conciencia del inventor. Esto son citas de un nuevo artículo, la sección bibliográfica de un nuevo libro; gigantes sobre los hombros de los cuales se apoyó Newton. En segundo lugar, la red es crucial para devolver una nueva idea de vuelta de vuelta en el mundo; una invención que no se ha difundido difícilmente se puede llamar «invención». Por lo tanto, por ambas razones, tiene sentido modelar la invención — o, en un sentido amplio, el crecimiento del conocimiento — como un proceso de difusión.

En un momento, presentaré una simulación aproximada de cómo pueden difundirse y crecer los conocimientos dentro de una red. Pero primero debo explicar.

Al comienzo de la modelización, hay cuatro expertos en cada cuadrante de la red, dispuestos de la siguiente manera:

El experto 1 tiene la primera versión de la idea — llamémosla Idea 1.0. El experto 2 es la persona que sabe cómo convertir la Idea 1.0 en la Idea 2.0. El experto 3 sabe cómo transformar la Idea 2.0 en la Idea 3.0. Y, por último, el cuarto experto sabe cómo dar los últimos toques para crear la Idea 4.0.

Esto se asemeja a una técnica como el origami, donde se desarrollan y combinan métodos con otros métodos para crear construcciones más interesantes. O puede ser un campo de conocimiento, como la física, en el cual el trabajo posterior se basa en el trabajo fundamental de los predecesores.

La esencia de esta simulación es que necesitamos los cuatro expertos para contribuir a la versión final de la idea. Y en cada etapa, la idea necesita ser transmitida al experto correspondiente.

Algunas aclaraciones. La simulación codifica muchas suposiciones irrealistas. Aquí hay algunas de ellas:

1. Se supone que las ideas no pueden ser preservadas y transmitidas de otra manera que de persona a persona (es decir, no hay libros ni medios de comunicación).
2. Se asume que hay expertos constantes en la población capaces de generar ideas, aunque en realidad la aparición de un descubrimiento o una invención está influenciada por muchos factores aleatorios.
3. Se utiliza el mismo conjunto de parámetros SIS (velocidad de difusión, porcentaje de inmunidad, etc.) para las cuatro versiones de la idea, aunque probablemente sea más realista utilizar diferentes parámetros para cada versión (1.0, 2.0, etc.)
4. Se supone que la idea N+1 siempre reemplaza completamente a la idea N, aunque en la práctica, a menudo tanto la versión antigua como la nueva circulan simultáneamente, sin un ganador categórico.

… y muchos otros.

Discusión

Este es un modelo absurdamente simplificado de cómo realmente crece el conocimiento. Fuera de este modelo quedan muchos detalles importantes (ver arriba). Sin embargo, refleja la esencia del proceso. Y, por lo tanto, podemos, con ciertas reservas, discutir sobre el crecimiento del conocimiento utilizando nuestro entendimiento de la difusión.

En particular, el modelo de difusión proporciona comprensión sobre cómo acelerar el proceso: es necesario facilitar el intercambio de ideas entre nodos expertos. Esto puede significar limpiar la red de nodos muertos que obstruyen la difusión. O puede significar reunir a todos los expertos en una ciudad o clúster con una alta densidad de red, donde las ideas se propagan rápidamente. O simplemente reunirlos en una misma sala:

Así que... eso es todo lo que puedo decir sobre la difusión.

Pero tengo un último pensamiento, y es muy importante. Se refiere al crecimiento (y estancamiento) del conocimiento en comunidades científicas. Esta idea tiene un tono y contenido diferentes a todo lo dicho anteriormente, pero espero que me lo perdonen.

Sobre redes científicas

La ilustración muestra uno de los ciclos de retroalimentación positiva más importantes del mundo (y ha sido así durante bastante tiempo):

El avance ascendente del ciclo (K ⟶ T) es bastante simple: usamos nuevos conocimientos para desarrollar nuevas herramientas. Por ejemplo, la comprensión de la física de semiconductores nos permite crear computadoras.

Sin embargo, el avance descendente requiere una explicación. ¿Cómo conduce el desarrollo de tecnologías al crecimiento del conocimiento?

Una de las maneras —posiblemente la más directa— es cuando nuevas tecnologías nos dan nuevas formas de percibir el mundo. Por ejemplo, los mejores microscopios permiten ver más adentro de la célula, generando ideas para la biología molecular. Los rastreadores GPS muestran cómo se mueven los animales. Los sonar permiten explorar los océanos. Y así sucesivamente.

Sin duda, este es un mecanismo vital, pero hay al menos otros dos caminos desde la tecnología hacia el conocimiento. Puede que no sean tan simples, pero creo que son igual de importantes:

Primero. La tecnología conduce a la abundancia económica (es decir, riqueza), lo que permite que más personas se dediquen a la producción de conocimiento.

Si el 90% de la población de su país se dedica a la agricultura y el restante 10% a alguna forma de comercio (o guerra), entonces la gente dispone de muy poco tiempo libre para reflexionar sobre las leyes de la naturaleza. Quizás por eso en tiempos pasados la ciencia fue promovida principalmente por hijos de familias adineradas.

Estados Unidos produce más de 50,000 doctores en filosofía cada año. En lugar de que una persona comience a trabajar en una fábrica a los 18 años (o incluso antes), es necesario financiar a un estudiante de posgrado hasta los 30 o, tal vez, hasta los 40 años, y aun así no está claro si su trabajo tendrá algún efecto económico real. Pero esto es necesario para que una persona alcance la vanguardia en su disciplina, especialmente en campos tan complejos como la física o la biología.

La cuestión es que desde el punto de vista de los sistemas, los especialistas son costosos. Y la fuente final de la riqueza pública, que financia a estos especialistas, es la nueva tecnología: el arado subsidia la pluma.

SegundoLas nuevas tecnologías, especialmente en el ámbito de los viajes y las comunicaciones, están cambiando la estructura de las redes sociales donde crece el conocimiento. En particular, esto permite a expertos y especialistas interactuar de manera más cercana entre sí.

Entre los inventos notables se encuentran la imprenta, los barcos de vapor y los ferrocarriles (que facilitan los viajes y/o el envío de correo a largas distancias), teléfonos, aviones e Internet. Todas estas tecnologías contribuyen a aumentar la densidad de la red, especialmente dentro de comunidades especializadas (donde ocurre casi todo el crecimiento del conocimiento). Por ejemplo, las redes de correspondencia que surgieron entre los científicos europeos a finales de la Edad Media, o cómo los físicos modernos utilizan arXiv.

En última instancia, ambos caminos son similares. Ambos aumentan la densidad de la red de especialistas, lo que a su vez conduce al crecimiento del conocimiento:

Durante muchos años, he despreciado bastante la educación superior. Una corta estancia en la escuela de posgrado dejó un mal sabor de boca. Pero ahora, al mirar atrás y reflexionar (hay que abstraerse de todos los problemas personales), debo concluir que la educación superior sigue siendo extremadamente importante.

Las redes sociales académicas (por ejemplo, las comunidades de investigación) son una de las estructuras más sofisticadas y valiosas creadas por nuestra civilización. En ningún otro lugar hemos acumulado una mayor concentración de especialistas centrados en la producción de conocimiento. En ninguna parte las personas han desarrollado una mayor capacidad para entender y criticar las ideas de los demás. Este es el corazón palpitante del progreso. Es en estas redes donde arde más intensamente el fuego de la iluminación.

Pero no podemos dar por sentado el progreso. Si la crisis de la no reproducibilidad de los experimentos nos ha enseñado algo, es que la ciencia puede enfrentar problemas sistémicos. Es, en cierto modo, una degradación de la red.

Supongamos que diferenciamos dos maneras de practicar la ciencia: la verdadera ciencia y el carrerismo. La verdadera ciencia es la práctica que produce conocimiento de manera confiable. Está motivada por la curiosidad y se caracteriza por la honestidad (Feynman: "Verá, solo necesito entender el mundo"). El carrerismo, por el contrario, está motivado por ambiciones profesionales y se caracteriza por juegos políticos y etiquetas científicas. Puede parecer y actuar como ciencia, pero no no produce conocimiento confiable.

(Sí, esta es una dicotomía exagerada. Solo un experimento mental. No se ofenda).

El hecho es que cuando los carreristas ocupan un lugar en una verdadera comunidad de investigación científica, perjudican el trabajo. Se esfuerzan por promoverse a sí mismos, mientras que el resto de la comunidad intenta obtener nuevos conocimientos y compartirlos. En lugar de buscar claridad, los carreristas complican y confunden para sonar más impresionantes. Se dedican a lo que Harry Frankfurt llamaría tonterías científicas. Y, por lo tanto, podríamos modelarlos como nodos muertos, insensibles al intercambio de información de buena fe necesario para el crecimiento del conocimiento:

Quizás el mejor modelo es aquel en el que los nodos carreristas no solo son insensibles al conocimiento, sino que activamente difunden conocimientos falsos. Los conocimientos falsos pueden incluir resultados insignificantes, cuya importancia se exagera artificialmente, o realmente resultados falsos que surgen de manipulaciones o datos fabricados.

Independientemente de cómo los modelamos, los trepadores profesionales pueden, sin duda, sofocar nuestras comunidades científicas.

Se asemeja a una reacción en cadena nuclear, de la que realmente necesitamos — necesitamos una explosión de conocimiento — solo que en nuestro enriquecido U-235 hay un exceso de U-238 no reactivo, que suprime la reacción en cadena.

Por supuesto, no hay una distinción clara entre los trepadores y los verdaderos científicos. En cada uno de nosotros hay un poco de ambición. La cuestión es cuánto resistirá la red antes de que la difusión del conocimiento se apague.

Oh, has llegado al final. Gracias por leer.

Licencia

CC0 todos los derechos no reservados. Puedes usar este trabajo como consideres necesario :).

Agradecimientos

• Kevin Kwok y Nicky Case por sus reflexivos comentarios y sugerencias sobre las diversas versiones del borrador.
• Nick Barr — por su apoyo moral durante todo el proceso y por sus críticas más útiles a mi trabajo.
• Kit A. por señalarme el fenómeno de la percolación y el umbral de flujo.
• Jeff Lonsdale por la referencia a este ensayo, que (a pesar de sus numerosas deficiencias) se convirtió en el principal motor para trabajar en este post.

Ejemplos de ensayos interactivos

• Todo el trabajo de Nicky Case, especialmente «La parábola de los polígonos» (con Vi Hart) y «El desarrollo de un mejor boletín de votación». Esta es una alta barra para lo que puede ser un ensayo interactivo.
• Distill.pub: descripciones interactivas de machine learning de calidad excepcional.
• El trabajo clásico de Bret Victor «Subiendo y bajando la escalera de la abstracción». No manejé muy bien el ascenso por la escalera, pero siempre hay una nueva oportunidad.

Fuente: habr.com