Ako ste neko vrijeme razmišljali o složenim sustavima, vjerojatno razumijete važnost mreža. Mreže vladaju našim svijetom. Od kemijskih reakcija unutar stanice, preko mreže odnosa u ekosustavu, do trgovinskih i političkih mreža koje oblikuju tijek povijesti.

Ili razmislite o ovom članku koji čitate. Vjerojatno ste ga pronašli u društvena mreža, preuzeto sa računalna mreža i trenutno dešifriraju značenje pomoću vašeg živčana mreža.

Ali koliko god sam godinama razmišljao o mrežama, donedavno nisam shvaćao važnost jednostavnosti difuziju.

Ovo je naša današnja tema: kako, kako kaotično se sve kreće i širi. Neki primjeri koji će vam otvoriti apetit:

• Zarazne bolesti koje se prenose s nositelja na nositelja unutar populacije.
• Memovi se šire grafom pratitelja na društvenim mrežama.
• Šumski požar.
• Ideje i prakse koje prožimaju kulturu.
• Kaskada neutrona u obogaćenom uranu.

Kratka napomena o obrascu.

Za razliku od svih mojih prethodnih radova, ovaj je esej interaktivan [in Orginalni članak dani su interaktivni primjeri s klizačima i gumbima koji upravljaju objektima na ekranu - cca. traka].

Pa krenimo. Prvi zadatak je razviti vizualni vokabular za širenje kroz mreže.

Jednostavan model

Siguran sam da svi znate osnove mreža, odnosno čvorovi + rubovi. Da biste proučavali difuziju, samo trebate označiti neke čvorove kao aktivan. Ili, kako epidemiolozi vole reći, zaražen:

Ta se aktivacija ili infekcija širi mrežom od čvora do čvora u skladu s pravilima koja ćemo razviti u nastavku.

Prave mreže obično su mnogo veće od ove jednostavne mreže sa sedam čvorova. Također su mnogo zbunjujući. Ali zbog jednostavnosti, ovdje ćemo izgraditi model igračke za proučavanje rešetke, odnosno rešetkaste mreže.

(Ono što mrežnoj mreži nedostaje u pogledu realizma, nadoknađuje jednostavnost crtanja 😉

Osim ako nije drugačije navedeno, mrežni čvorovi imaju četiri susjeda, na primjer:

I trebate zamisliti da se te rešetke beskrajno protežu u svim smjerovima. Drugim riječima, ne zanima nas ponašanje koje se događa samo na rubovima mreže ili u malim populacijama.

S obzirom da su rešetke tako poredane, možemo ih pojednostaviti na piksele. Na primjer, ove dvije slike predstavljaju istu mrežu:

U jednom ponašanju, aktivni čvor uvijek prenosi infekciju svojim (nezaraženim) susjedima. Ali dosadno je. Puno se zanimljivije stvari događaju kod transfera vjerojatnosni.

SIR i SIS

В SIR modeli (Susceptible-Infected-Removed) čvor može biti u tri stanja:

• Osjetljiv
• Zaražen
• Uklonjeno

Evo kako radi interaktivna simulacija [u Orginalni članak možete odabrati brzinu prijenosa infekcije od 0 do 1, pogledajte proces korak po korak ili u cijelosti - cca. prijevod]:

• Čvorovi počinju kao osjetljivi, s izuzetkom nekoliko čvorova koji počinju kao zaraženi.
• U svakom vremenskom koraku, zaraženi čvorovi imaju priliku prenijeti infekciju svakom od svojih osjetljivih susjeda s vjerojatnošću jednakom stopi prijenosa.
• Zaraženi čvorovi tada ulaze u "izbrisano" stanje, što znači da više ne mogu zaraziti druge ili se sami zaraziti.

U kontekstu bolesti, uklanjanje može značiti da je osoba umrla ili da je razvila imunitet na patogen. Kažemo da su "uklonjeni" iz simulacije jer im se ništa drugo ne događa.

Ovisno o tome što pokušavamo modelirati, možda će biti potreban drugačiji model od SIR.

Ako simuliramo širenje ospica ili izbijanje požara, SIR je idealan. Ali pretpostavimo da simuliramo širenje nove kulturne prakse, kao što je meditacija. U početku je čvor (osoba) receptivan jer to nikada prije nije učinio. Zatim, ako počne meditirati (možda nakon što je o tome čuo od prijatelja), modelirat ćemo ga kao zaraženog. Ali ako prestane vježbati, neće umrijeti i neće ispasti iz simulacije, jer u budućnosti može lako ponovno preuzeti tu naviku. Tako se vraća u receptivno stanje.

ovo SIS model (Osjetljivi–Zaraženi–Osjetljivi). Klasični model ima dva parametra: brzinu prijenosa i brzinu oporavka. Međutim, u simulacijama za ovaj članak odlučio sam pojednostaviti izostavljanjem parametra stope oporavka. Umjesto toga, zaraženi čvor se automatski vraća u osjetljivo stanje u sljedećem vremenskom koraku, osim ako ga ne zarazi netko od njegovih susjeda. Osim toga, dopuštamo čvoru zaraženom u koraku n da se zarazi u koraku n+1 s vjerojatnošću jednakom brzini prijenosa.

Rasprava

Kao što vidite, ovo se jako razlikuje od modela SIR.

Budući da se čvorovi nikada ne uklanjaju, čak i vrlo mala i ograničena rešetka može podržavati SIS infekciju dugo vremena. Infekcija jednostavno skače s čvora na čvor i vraća se natrag.

Unatoč njihovim razlikama, SIR i SIS su iznenađujuće međusobno zamjenjivi za naše potrebe. Stoga ćemo se u ostatku ovog članka držati SIS-a - uglavnom zato što je izdržljiviji i stoga zabavniji za rad.

Kritična razina

Nakon igranja s modelima SIR i SIS, možda ste primijetili nešto o dugotrajnosti infekcije. Pri vrlo niskim stopama prijenosa, poput 10%, infekcija ima tendenciju izumiranja. I kod viših vrijednosti, poput 50%, infekcija ostaje živa i preuzima veći dio mreže. Kad bi mreža bila beskonačna, mogli bismo zamisliti da se nastavlja i širi zauvijek.

Takva neograničena difuzija ima mnogo naziva: "virusna", "nuklearna" ili (u naslovu ovog članka) kritička.

Ispostavilo se da postoji specifično prijelomna točka koja razdvaja subkritične mreže (osuđen na izumiranje) od superkritične mreže (sposoban za beskonačni rast). Ova prekretnica se zove kritični prag, a to je prilično opći znak difuzijskih procesa u običnim mrežama.

Točna vrijednost kritičnog praga razlikuje se od mreže do mreže. Ono što je uobičajeno je ovo dostupnost takvo značenje.

[U interaktivnoj demonstraciji iz Orginalni članak Možete pokušati ručno pronaći kritični mrežni prag promjenom vrijednosti brzine prijenosa. To je negdje između 22% i 23% - cca. trans.]

Na 22% (i niže), infekcija na kraju izumire. Na 23% (i više), izvorna infekcija ponekad izumire, ali u većini slučajeva uspijeva preživjeti i širiti se dovoljno dugo da osigura svoje postojanje zauvijek.

(Usput, postoji cijelo znanstveno područje posvećeno pronalaženju ovih kritičnih pragova za različite mrežne topologije. Za brzi uvod, preporučujem brzo listanje Wikipedijinog članka o prag propuštanja).

Općenito, evo kako to funkcionira: Ispod kritičnog praga, svaka konačna infekcija u mreži zajamčeno će (s vjerojatnošću 1) na kraju izumrijeti. Ali iznad kritičnog praga, postoji vjerojatnost (p > 0) da će se infekcija nastaviti zauvijek, i da će se pritom proširiti proizvoljno daleko od izvornog mjesta.

Međutim, imajte na umu da superkritična mreža nije jamstvada će infekcija trajati zauvijek. Zapravo, često blijedi, osobito u vrlo ranim fazama simulacije. Pogledajmo kako se to događa.

Pretpostavimo da smo započeli s jednim zaraženim čvorom i četiri susjeda. U prvom koraku modeliranja, infekcija ima 5 neovisnih šansi za širenje (uključujući priliku da se "proširi" na sebe u sljedećem koraku):

Sada pretpostavimo da je stopa prijenosa 50%. U ovom slučaju, u prvom koraku pet puta bacamo novčić. A ako se baci pet glava, zaraza će biti uništena. To se događa u oko 3% slučajeva – i to samo u prvom koraku. Infekcija koja preživi prvi korak ima neku (obično manju) vjerojatnost izumiranja u drugom koraku, neku (čak i manju) vjerojatnost izumiranja u trećem koraku itd.

Dakle, čak i kada je mreža superkritična - ako je brzina prijenosa 99% - postoji šansa da će infekcija nestati.

Ali važno je da ona to ne čini uvijek će nestati. Ako zbrojite vjerojatnost izumiranja svih koraka do beskonačnosti, rezultat je manji od 1. Drugim riječima, postoji različita od nule vjerojatnost da će se infekcija nastaviti zauvijek. To znači da je mreža superkritična.

SISa: spontana aktivacija

Do ove točke, sve naše simulacije započinjale su s malim komadom prethodno zaraženih čvorova u središtu.

Ali što ako krenete od nule? Zatim modeliramo spontanu aktivaciju—proces kojim osjetljivi čvor postaje slučajno zaražen (ne od jednog od svojih susjeda).

ovo pozvan SISa model. Slovo "a" označava "automatski".

U simulaciji SISa pojavljuje se novi parametar - brzina spontane aktivacije, koja mijenja učestalost spontane infekcije (prisutan je i parametar brzine prijenosa koji smo ranije vidjeli).

Što je potrebno da se infekcija proširi mrežom?

Rasprava

Možda ste primijetili u simulaciji da povećanje stope spontane aktivacije ne mijenja hoće li infekcija preuzeti cijelu mrežu ili ne. Samo brzina prijenosa određuje je li mreža sub- ili superkritična. A kada je mreža subkritična (brzina prijenosa manja ili jednaka 22%), nikakva se infekcija ne može proširiti na cijelu mrežu, bez obzira koliko često počinje.

To je kao da zapalite vatru na mokrom polju. Možete zapaliti nekoliko suhih listova, ali plamen će se brzo ugasiti jer ostatak krajolika nije dovoljno zapaljiv (subkritičan). Dok je na vrlo suhom terenu (nadkritično) dovoljna je jedna iskra da bukne požar.

Slično se opaža iu sferi ideja i izuma. Često svijet nije spreman za ideju, u tom slučaju ona se može izmišljati uvijek iznova, ali ne privlači mase. S druge strane, svijet može biti potpuno spreman za izum (velika latentna potražnja), a čim se rodi, prihvaćaju ga svi. U sredini su ideje koje su izmišljene na nekoliko mjesta i šire se lokalno, ali nedovoljno da bi bilo koja pojedinačna verzija pomela cijelu mrežu odjednom. U ovoj posljednjoj kategoriji nalazimo, primjerice, poljoprivredu i pismo, koje su različite ljudske civilizacije neovisno izumile oko deset odnosno tri puta.

imunitet

Pretpostavimo da neke čvorove učinimo potpuno neranjivima, to jest, imunima na aktivaciju. To je kao da su u početku u udaljenom stanju, a SIS(a) model se pokreće na preostalim čvorovima.

Klizač imuniteta kontrolira postotak čvorova koji se uklanjaju. Pokušajte promijeniti njegovu vrijednost (dok model radi!) i vidite kako to utječe na stanje mreže, hoće li biti superkritično ili ne.

Rasprava

Promjena broja čvorova koji ne reagiraju potpuno mijenja sliku o tome hoće li mreža biti sub- ili superkritična. I nije teško vidjeti zašto. S velikim brojem neosjetljivih domaćina, infekcija ima manje mogućnosti za širenje na nove domaćine.

Ispostavilo se da to ima niz vrlo važnih praktičnih posljedica.

Jedan od njih je sprječavanje širenja šumskih požara. Na lokalnoj razini, svaka osoba mora poduzeti vlastite mjere opreza (na primjer, nikad ne ostavljati otvoreni plamen bez nadzora). Ali u velikim razmjerima, izolirana izbijanja su neizbježna. Dakle, druga metoda zaštite je osigurati dovoljno "prekida" (u mreži zapaljivih materijala) tako da izbijanje ne proguta cijelu mrežu. Čišćenja obavljaju ovu funkciju:

Druga epidemija koju je važno zaustaviti je zarazna bolest. Ovdje se predstavlja koncept imunitet stada. To je ideja da se neki ljudi ne mogu cijepiti (na primjer, imaju oslabljen imunološki sustav), ali ako je dovoljno ljudi imuno na infekciju, bolest se ne može širiti unedogled. Drugim riječima, trebali biste se cijepiti dovoljan dio populacije za prijenos populacije iz nadkritičnog u subkritično stanje. Kad se to dogodi, jedan se pacijent još uvijek može zaraziti (nakon putovanja u drugu regiju, na primjer), ali bez superkritične mreže u kojoj bi se razvijala, bolest će zaraziti samo malu šačicu ljudi.

Konačno, koncept imunoloških čvorova objašnjava što se događa u nuklearnom reaktoru. U lančanoj reakciji, raspadajući atom urana-235 oslobađa oko tri neutrona, koji uzrokuju (u prosjeku) fisiju više od jednog atoma U-235. Novi neutroni zatim uzrokuju daljnje cijepanje atoma, i tako dalje eksponencijalno:

Kada se gradi bomba, cijela poanta je osigurati da se eksponencijalni rast nastavi nekontrolirano. Ali u elektrani, cilj je proizvesti energiju bez ubijanja svih oko sebe. U tu svrhu koriste se kontrolne šipke, izrađen od materijala koji može apsorbirati neutrone (na primjer, srebro ili bor). Budući da apsorbiraju, a ne otpuštaju neutrone, djeluju kao imunološki čvorovi u našoj simulaciji, čime sprječavaju da radioaktivna jezgra postane superkritična.

Dakle, trik nuklearnog reaktora je održati reakciju blizu kritičnog praga pomicanjem kontrolnih šipki naprijed-natrag, i osigurati da kad god nešto pođe po zlu, šipke padnu u jezgru i zaustave je.

stupanj

stupanj čvora je broj njegovih susjeda. Do ove točke razmatrali smo mreže 4. stupnja. Ali što se događa ako promijenite ovaj parametar?

Na primjer, svaki čvor možete povezati ne samo s četiri neposredna susjeda, već i s još četiri dijagonalno. U takvoj mreži stupanj će biti 8.

Rešetke sa stupnjevima 4 i 8 dobro su simetrične. Ali kod stupnja 5 (na primjer) nastaje problem: kojih pet susjeda izabrati? U ovom slučaju biramo četiri najbliža susjeda (N, E, S, W), a zatim nasumično biramo jednog susjeda iz skupa {NE, JI, JZ, SZ}. Izbor se vrši neovisno za svaki čvor u svakom vremenskom koraku.

Rasprava

Opet, nije teško vidjeti što se ovdje događa. Kada svaki čvor ima više susjeda, povećavaju se šanse za širenje infekcije—pa je veća vjerojatnost da će mreža postati kritična.

Međutim, posljedice mogu biti neočekivane, kao što ćemo vidjeti u nastavku.

Gradovi i gustoća mreže

Do sada su naše mreže bile potpuno homogene. Svaki čvor izgleda kao svaki drugi. Ali što ako promijenimo uvjete i dopustimo različita stanja čvorova u cijeloj mreži?

Na primjer, pokušajmo modelirati gradove. Da bismo to učinili, povećat ćemo gustoću u nekim dijelovima mreže (viši stupanj čvorova). To radimo na temelju podataka koje građani imaju širi društveni krug i više društvenih interakcijanego ljudi izvan gradova.

U našem modelu, osjetljivi čvorovi su obojeni na temelju njihovog stupnja. Čvorovi u "ruralnim područjima" imaju stupanj 4 (i obojeni su svijetlo sivo), dok čvorovi u "urbanim područjima" imaju više stupnjeve (i obojeni su tamnije), počevši od stupnja 5 u periferiji i završavajući s 8 u centru grada.

Pokušajte odabrati takvu brzinu širenja da aktivacija pokriva gradove, a zatim ne izlazi izvan njihovih granica.

Smatram da je ova simulacija očigledna i iznenađujuća. Naravno, gradovi bolje održavaju kulturnu razinu nego ruralna područja - to svi znaju. Ono što me iznenađuje jest da dio te kulturne raznolikosti nastaje jednostavno na temelju topologije društvene mreže.

Ovo je zanimljiva točka, pokušat ću je detaljnije objasniti.

Ovdje se radi o oblicima kulture koji se jednostavno i izravno prenose s osobe na osobu. Na primjer, maniri, salonske igre, modni trendovi, jezični trendovi, rituali malih grupa i proizvodi koji se šire od usta do usta, plus cijeli paketi informacija koje nazivamo idejama.

(Napomena: širenje informacija među ljudima iznimno otežavaju mediji. Lakše je zamisliti neko tehnološki primitivno okruženje, poput stare Grčke, gdje se gotovo svaka iskra kulture prenosila interakcijom u fizičkom prostoru.)

Iz gornje simulacije naučio sam da postoje ideje i kulturne prakse koje se mogu ukorijeniti i proširiti u gradu, ali se jednostavno ne mogu (matematički ne mogu) proširiti u ruralnim područjima. To su iste ideje i isti ljudi. Poanta nije u tome da su ruralni stanovnici na neki način "bliskoumni": kada su u interakciji s istom idejom, oni potpuno iste šanse da ga uhvatitepoput varošana. Samo što sama ideja ne može postati viralna u ruralnim područjima, jer nema puno veza preko kojih se može proširiti.

To je možda najlakše vidjeti na polju mode - odjeća, frizure itd. U modnoj mreži možemo uhvatiti rub rešetke kada dvije osobe jedna drugoj primjećuju outfite. U urbanom središtu svaka osoba može vidjeti više od 1000 drugih ljudi svaki dan - na ulici, u podzemnoj željeznici, u prepunom restoranu itd. U ruralnom području, nasuprot tome, svaka osoba može vidjeti samo nekoliko desetaka drugih. Na temelju samo ova razlika, grad je u mogućnosti podržati više modnih trendova. I samo će najuvjerljiviji trendovi - oni s najvećim brzinama prijenosa - moći dobiti uporište izvan grada.

Skloni smo misliti da ako je ideja dobra, na kraju će doći do svih, a ako je ideja loša, nestat će. Naravno, to vrijedi u ekstremnim slučajevima, ali između postoji mnogo ideja i praksi koje mogu postati viralne samo na određenim mrežama. Ovo je doista nevjerojatno.

Ne samo gradovi

Ovdje gledamo utjecaj gustoća mreže. Definira se za dati skup čvorova kao broj stvarna rebra, podijeljeno brojem potencijalne rubove. Odnosno, postotak mogućih veza koje stvarno postoje.

Dakle, vidjeli smo da je gustoća mreže u urbanim središtima veća nego u ruralnim područjima. Ali gradovi nisu jedino mjesto gdje nalazimo guste mreže.

Zanimljiv primjer su srednje škole. Primjerice, za određeno područje uspoređujemo mrežu koja postoji među školarcima s mrežom koja postoji među njihovim roditeljima. Isto geografsko područje i ista populacija, ali jedna je mreža višestruko gušća od druge. Stoga ne čudi da se modni i jezični trendovi mnogo brže šire među tinejdžerima.

Isto tako, elitne mreže obično su mnogo gušće od neelitnih mreža - činjenica za koju mislim da se podcjenjuje (ljudi koji su popularni ili utjecajni provode više vremena umrežavajući se i stoga imaju više "susjeda" nego obični ljudi ljudi). Na temelju gornjih simulacija, očekujemo da će elitne mreže podržati neke kulturne oblike koje ne može podržati mainstream, jednostavno na temelju matematičkih zakona prosječnog stupnja mreže. Ostavljam vas da nagađate o tome koji bi to kulturni oblici mogli biti.

Konačno, ovu ideju možemo primijeniti na Internet modelirajući ga kao golem i vrlo gusto Grad. Nije iznenađenje da mnoge nove vrste kulture napreduju online koje se jednostavno ne mogu podržati na čisto prostornim mrežama: nišni hobiji, bolji standardi dizajna, veća svijest o nepravdi, itd. I to nisu samo lijepe stvari. Kao što su rani gradovi bili leglo bolesti koje se nisu mogle širiti u niskim gustoćama naseljenosti, tako je i internet leglo zloćudnih kulturnih oblika kao što su mamac za klikove, lažne vijesti i raspirivanje umjetnog bijesa.

Znanje

"Imati pravog stručnjaka u pravo vrijeme često je najvrjedniji resurs za kreativno rješavanje problema." — Michael Nielsen, Inventing Discovery

Često razmišljamo o otkriću ili izumu kao o procesu koji se odvija u umu jednog genija. Pogodi ga bljesak inspiracije i - Eureka! — odjednom imamo novi način mjerenja volumena. Ili jednadžba gravitacije. Ili žarulja.

Ali ako uzmemo gledište usamljenog izumitelja u trenutku otkrića, tada promatramo fenomen sa stajališta čvora. Dok bi bilo ispravnije tumačiti izum kao mreža fenomen.

Mreža je važna na najmanje dva načina. Prvo, postojeće ideje moraju prodrijeti u svijest izumitelj. Ovo su citati iz novog članka, bibliografskog dijela nove knjige - divovi na čijim je ramenima stajao Newton. Drugo, mreža je ključna za povratak nove ideje leđa u svijet; izum koji se nije proširio teško da uopće vrijedi nazivati ​​"izumom". Stoga, zbog oba ova razloga, ima smisla modelirati invenciju – ili, šire, rast znanja – kao proces širenja.

Za trenutak ću predstaviti grubu simulaciju kako se znanje može širiti i rasti unutar mreže. Ali prvo moram objasniti.

Na početku simulacije postoje četiri stručnjaka u svakom kvadrantu mreže, raspoređeni na sljedeći način:

Expert 1 ima prvu verziju ideje – nazovimo je Idea 1.0. Stručnjak 2 je osoba koja zna kako Ideju 1.0 pretvoriti u Ideju 2.0. Expert 3 zna kako pretvoriti Ideju 2.0 u Ideju 3.0. I konačno, četvrti stručnjak zna kako zaokružiti Ideju 4.0.

Ovo je slično tehnici poput origamija, gdje se tehnike razvijaju i kombiniraju s drugim tehnikama kako bi se stvorio zanimljiviji dizajn. Ili to može biti polje znanja, poput fizike, u kojem se noviji radovi nadovezuju na temeljne radove prethodnika.

Poanta ove simulacije je da su nam potrebna sva četiri stručnjaka za doprinos konačnoj verziji ideje. I u svakoj fazi ideja mora biti predstavljena odgovarajućem stručnjaku.

Nekoliko upozorenja. Mnogo je nerealnih pretpostavki kodiranih u simulaciji. Ovdje su samo neki od njih:

1. Pretpostavlja se da se ideje ne mogu pohranjivati ​​i prenositi osim od osobe do osobe (tj. bez knjiga ili medija).
2. Pretpostavlja se da u populaciji postoje stalni stručnjaci koji mogu generirati ideje, iako u stvarnosti mnogi slučajni čimbenici utječu na pojavu otkrića ili izuma.
3. Sve četiri verzije ideje koriste isti skup SIS parametara (brzina prijenosa podataka, postotak otpornosti itd.), iako je vjerojatno realističnije koristiti različite parametre za svaku verziju (1.0, 2.0 itd.)
4. Pretpostavlja se da ideja N+1 uvijek potpuno istiskuje ideju N, iako u praksi često i stara i nova verzija kruže istovremeno, bez jasnog pobjednika.

… i mnogi drugi.

Rasprava

Ovo je smiješno pojednostavljen model kako znanje zapravo raste. Puno je važnih detalja ostalo izvan modela (vidi gore). Međutim, ono obuhvaća važnu bit procesa. I tako možemo, s rezervom, govoriti o rastu znanja koristeći naše znanje o difuziji.

Konkretno, model difuzije pruža uvid u to kako ubrzati proces: Potreba za olakšavanjem razmjene ideja između stručnih čvorova. To može značiti čišćenje mreže od mrtvih čvorova koji ometaju difuziju. Ili to može značiti smještaj svih stručnjaka u grad ili klaster s visokom gustoćom mreže gdje se ideje brzo šire. Ili ih samo sakupite u jednoj prostoriji:

Dakle... to je sve što mogu reći o difuziji.

Ali imam još jednu posljednju misao, i to vrlo važnu. Radi se o rastui stagnacija) znanja u znanstvenim zajednicama. Ova se ideja razlikuje po tonu i sadržaju od svega navedenog, ali nadam se da ćete mi oprostiti.

O znanstvenim mrežama

Ilustracija prikazuje jednu od najvažnijih petlji pozitivnih povratnih informacija na svijetu (i takva je već neko vrijeme):

Uzlazno napredovanje ciklusa (K ⟶ T) prilično je jednostavno: koristimo novo znanje za razvoj novih alata. Na primjer, razumijevanje fizike poluvodiča omogućuje nam izradu računala.

Međutim, pomak prema dolje zahtijeva neko objašnjenje. Kako razvoj tehnologije dovodi do povećanja znanja?

Jedan od načina - možda najizravniji - jest kada nam nove tehnologije daju nove načine percepcije svijeta. Na primjer, najbolji mikroskopi omogućuju vam da pogledate dublje u stanicu, pružajući uvid u molekularnu biologiju. GPS uređaji za praćenje pokazuju kako se životinje kreću. Sonar vam omogućuje istraživanje oceana. I tako dalje.

Ovo je nesumnjivo vitalni mehanizam, ali postoje još najmanje dva puta od tehnologije do znanja. Možda nisu tako jednostavni, ali mislim da su jednako važni:

Prvi. Tehnologija dovodi do ekonomskog obilja (tj. bogatstva), što omogućuje većem broju ljudi da se uključe u proizvodnju znanja.

Ako se 90% stanovništva vaše zemlje bavi poljoprivredom, a preostalih 10% bavi se nekim oblikom trgovine (ili rata), tada ljudi imaju vrlo malo slobodnog vremena za razmišljanje o zakonima prirode. Možda su zato u ranijim vremenima znanost uglavnom promicala djeca iz bogatih obitelji.

Sjedinjene Države proizvedu više od 50 000 doktora znanosti svake godine. Umjesto da osoba ide raditi u tvornicu s 18 godina (ili ranije), diplomirani student mora biti financiran do 30. ili možda 40. godine - a čak i tada nije jasno hoće li njihov rad imati ikakav stvarni ekonomski učinak. Ali potrebno je da osoba dosegne sam vrh svoje discipline, posebno u složenim poljima kao što su fizika ili biologija.

Činjenica je da su sa stajališta sustava stručnjaci skupi. A krajnji izvor javnog bogatstva koji financira ove stručnjake je nova tehnologija: plug subvencionira tor.

Drugi. Nove tehnologije, posebice u području putovanja i komunikacija, mijenjaju strukturu društvenih mreža u kojima raste znanje. Konkretno, omogućuje stručnjacima i stručnjacima bližu međusobnu interakciju.

Značajni izumi ovdje uključuju tiskarski stroj, parobrode i željeznice (olakšavanje putovanja i/ili slanje pošte na velike udaljenosti), telefone, zrakoplove i internet. Sve ove tehnologije pridonose povećanju gustoće mreže, posebno unutar specijaliziranih zajednica (gdje se događa gotovo sav rast znanja). Na primjer, mreže dopisivanja koje su se pojavile među europskim znanstvenicima krajem srednjeg vijeka ili način na koji moderni fizičari koriste arXiv.

U konačnici, oba su ova puta slična. I jedno i drugo povećava gustoću mreže stručnjaka, što zauzvrat dovodi do povećanja znanja:

Dugi niz godina bio sam prilično preziran prema visokom obrazovanju. Moj kratki boravak na diplomskom studiju ostavio mi je loš okus u ustima. Ali sad kad pogledam unatrag i razmislim (osim svih osobnih problema), moram zaključiti da je visoko obrazovanje ipak vrlo važno.

Akademske društvene mreže (npr. istraživačke zajednice) jedna su od najnaprednijih i najvrjednijih struktura koje je naša civilizacija stvorila. Nigdje nismo akumulirali veću koncentraciju stručnjaka usmjerenih na proizvodnju znanja. Nigdje ljudi nisu razvili veću sposobnost da razumiju i kritiziraju ideje drugih. To je kucajuće srce napretka. Upravo u tim mrežama najjače gori vatra prosvjetljenja.

Ali napredak ne možemo uzeti zdravo za gotovo. Ako kriza neponovljivosti eksperimenta i ako nas je išta naučio, to je da znanost može imati sustavne probleme. Ovo je vrsta degradacije mreže.

Pretpostavimo da razlikujemo dva načina bavljenja znanošću: prava znanost и karijerizam. Prava znanost su prakse koje pouzdano proizvode znanje. Motivirana je znatiželjom i karakterizirana iskrenošću (Feynman: “Vidite, samo trebam razumjeti svijet”). Karijerizam je, naprotiv, motiviran profesionalnim ambicijama, a karakterizira ga poigravanje politikom i znanstvenim prečacima. Možda izgleda i djeluje kao znanost, ali ne proizvodi pouzdano znanje.

(Da, ovo je pretjerana dihotomija. Samo misaoni eksperiment. Nemojte me kriviti).

Činjenica je da kad karijeristi zauzmu mjesto u pravoj istraživačkoj zajednici, oni upropaste posao. Oni se trude promovirati sami sebe, dok ostatak zajednice pokušava steći i podijeliti nova znanja. Umjesto da teže jasnoći, karijeristi sve kompliciraju i brkaju kako bi zvučali dojmljivije. Bave se (kako bi rekao Harry Frankfurt) znanstvenim glupostima. I stoga bismo ih mogli modelirati kao mrtve čvorove, nepropusne za pravednu razmjenu informacija potrebnih za rast znanja:

Možda je najbolji model onaj u kojem karijeristička čvorišta nisu samo nepropusna za znanje, već aktivno šire lažno znanje. Lažna saznanja mogu uključivati ​​beznačajne rezultate čija je važnost umjetno napuhana ili doista lažne rezultate koji proizlaze iz manipulacije ili izmišljenih podataka.

Kako god ih modelirali, karijeristi sigurno mogu zadaviti naše znanstvene zajednice.

To je poput nuklearne lančane reakcije koju očajnički trebamo - trebamo eksploziju znanja - samo naš obogaćeni U-235 ima previše nereaktivnog izotopa U-238 u sebi, koji potiskuje lančanu reakciju.

Naravno, nema jasne razlike između karijerista i pravih znanstvenika. Svatko od nas krije u sebi malo karijerizma. Pitanje je koliko dugo mreža može trajati prije nego što širenje znanja izblijedi.

Oh, pročitao si do kraja. Hvala na čitanju.

Dozvola

CC0 Sva prava nisu pridržana. Možete koristiti ovaj rad kako vam odgovara :).

Blagodarnosti

• Kevin Kwok и Nicky Case za promišljene komentare i prijedloge na različite verzije nacrta.
• Nick Barr — za moralnu podršku tijekom cijelog procesa i za najkorisnije povratne informacije o mom radu.
• Keith A. što mi je ukazao na fenomen perkolacije i prag perkolacije.
• Geoff Lonsdale za vezu na ovo je esej, što je (unatoč brojnim nedostacima) bilo glavni poticaj za rad na ovom radnom mjestu.

Interaktivni uzorci eseja

• Sav rad Nickyja Casea, posebno "Prispodoba o poligonima" (s Vi Hart) i "Razvoj boljeg glasačkog listića". Ovo je visoka letvica za ono što interaktivni esej može biti.
• destilirati.pub: Iznimno kvalitetni interaktivni opisi strojnog učenja.
• Klasično djelo Breta Victora "Gore i dolje po ljestvama apstrakcije". Nisam bio dobar u kretanju uz stepenice, ali uvijek postoji još jedan pokušaj.

Izvor: www.habr.com