Jika Anda menghabiskan waktu memikirkan sistem yang kompleks, Anda mungkin memahami pentingnya jaringan. Jaringan menguasai dunia kita. Mulai dari reaksi kimia di dalam sel, hingga jaringan hubungan dalam suatu ekosistem, hingga jaringan perdagangan dan politik yang membentuk jalannya sejarah.

Atau pertimbangkan artikel yang sedang Anda baca ini. Anda mungkin menemukannya di jaringan sosial, diunduh dari jaringan komputer dan saat ini sedang mengartikan maknanya menggunakan milikmu jaringan syaraf.

Namun sebanyak yang saya pikirkan tentang jaringan selama bertahun-tahun, hingga saat ini saya tidak memahami pentingnya hal yang sederhana difusi.

Inilah topik kita hari ini: bagaimana, betapa kacaunya segala sesuatu bergerak dan menyebar. Beberapa contoh untuk membangkitkan selera Anda:

• Penyakit menular yang berpindah dari satu pembawa ke pembawa lainnya dalam suatu populasi.
• Meme tersebar di grafik pengikut di jejaring sosial.
• Kebakaran hutan.
• Ide dan praktik yang meresap ke dalam suatu budaya.
• Kaskade neutron dalam uranium yang diperkaya.

Catatan singkat tentang formulir.

Berbeda dengan semua karya saya sebelumnya, esai ini bersifat interaktif [dalam artikel asli contoh interaktif diberikan dengan penggeser dan tombol yang mengontrol objek di layar - kira-kira. jalur].

Jadi mari kita mulai. Tugas pertama adalah mengembangkan kosakata visual untuk disebarluaskan ke seluruh jaringan.

Model sederhana

Saya yakin Anda semua mengetahui dasar jaringan, yaitu node + edge. Untuk mempelajari difusi, Anda hanya perlu menandai beberapa node sebagai aktif. Atau, seperti yang sering dikatakan oleh para ahli epidemiologi, terjangkit:

Aktivasi atau infeksi ini menyebar melalui jaringan dari node ke node sesuai aturan yang akan kami kembangkan di bawah ini.

Jaringan nyata biasanya jauh lebih besar daripada jaringan tujuh node sederhana ini. Mereka juga lebih membingungkan. Namun demi kesederhanaan, kami akan membuat model mainan di sini untuk mempelajari kisi, yaitu jaringan kisi.

(Kekurangan mesh dalam realisme, membuatnya mudah untuk digambar 😉

Kecuali dinyatakan lain, node jaringan memiliki empat tetangga, misalnya:

Dan Anda perlu membayangkan bahwa kisi-kisi ini memanjang tanpa henti ke segala arah. Dengan kata lain, kami tidak tertarik pada perilaku yang hanya terjadi di tepi jaringan atau pada populasi kecil.

Mengingat kisi-kisinya tertata sedemikian rupa, kita dapat menyederhanakannya menjadi piksel. Misalnya, kedua gambar ini mewakili jaringan yang sama:

Dalam satu perilaku, node aktif selalu menularkan infeksi ke tetangganya (yang tidak terinfeksi). Tapi itu membosankan. Banyak hal menarik yang terjadi saat transfer probabilistik.

SIR dan SIS

В model SIR (Susceptible-Infected-Removed) sebuah node dapat berada dalam tiga keadaan:

• Rentan
• Terjangkit
• DIHAPUS

Inilah cara kerja simulasi interaktif [in artikel asli Anda dapat memilih tingkat penularan infeksi dari 0 hingga 1, melihat prosesnya langkah demi langkah atau secara keseluruhan - kira-kira. terjemahan]:

• Node awalnya rentan, dengan pengecualian beberapa node yang awalnya terinfeksi.
• Pada setiap langkah waktu, node yang terinfeksi mempunyai peluang untuk menularkan infeksi ke setiap tetangganya yang rentan dengan probabilitas yang sama dengan tingkat penularan.
• Node yang terinfeksi kemudian memasuki status “dihapus”, artinya node tersebut tidak dapat lagi menginfeksi orang lain atau menginfeksi dirinya sendiri.

Dalam konteks penyakit, pengangkatan dapat berarti bahwa orang tersebut telah meninggal atau mereka telah mengembangkan kekebalan terhadap patogen tersebut. Kami mengatakan mereka "dihapus" dari simulasi karena tidak ada hal lain yang terjadi pada mereka.

Tergantung pada apa yang ingin kita modelkan, mungkin diperlukan model yang berbeda dari SIR.

Jika kita melakukan simulasi penyebaran campak atau wabah kebakaran hutan, SIR adalah pilihan yang ideal. Namun misalkan kita melakukan simulasi penyebaran praktik budaya baru, seperti meditasi. Pada awalnya node (orang tersebut) menerima karena belum pernah melakukan hal ini sebelumnya. Kemudian, jika dia mulai bermeditasi (mungkin setelah mendengarnya dari seorang teman), kita akan mencontohkannya sebagai orang yang terinfeksi. Namun jika ia berhenti berlatih, ia tidak akan mati dan tidak akan keluar dari simulasi, karena di kemudian hari ia dapat dengan mudah mengulangi kebiasaan tersebut. Jadi dia kembali ke keadaan reseptif.

Itu model SIS (Rentan–Terinfeksi–Rentan). Model klasik memiliki dua parameter: kecepatan transmisi dan kecepatan pemulihan. Namun, dalam simulasi artikel ini, saya memutuskan untuk menyederhanakan dengan menghilangkan parameter tingkat pemulihan. Sebaliknya, node yang terinfeksi secara otomatis kembali ke keadaan rentan pada langkah waktu berikutnya, kecuali jika node tersebut terinfeksi oleh salah satu tetangganya. Selain itu, kami mengizinkan node yang terinfeksi pada langkah n untuk menginfeksi dirinya sendiri pada langkah n+1 dengan probabilitas yang sama dengan laju transmisi.

Diskusi

Seperti yang Anda lihat, ini sangat berbeda dengan model SIR.

Karena kelenjar getah bening tidak pernah diangkat, bahkan kisi yang sangat kecil dan terbatas pun dapat mendukung infeksi SIS untuk waktu yang lama. Infeksi hanya melompat dari satu titik ke titik lainnya dan kembali lagi.

Terlepas dari perbedaannya, SIR dan SIS ternyata dapat dipertukarkan untuk tujuan kita. Jadi untuk sisa artikel ini kami akan tetap menggunakan SIS - terutama karena SIS lebih tahan lama sehingga lebih menyenangkan untuk digunakan.

Tingkat kritis

Setelah mencoba-coba model SIR dan SIS, Anda mungkin menyadari sesuatu tentang lamanya infeksi. Pada tingkat penularan yang sangat rendah, misalnya 10%, infeksi cenderung mati. Sementara pada nilai yang lebih tinggi, misalnya 50%, infeksi tetap hidup dan mengambil alih sebagian besar jaringan. Jika jaringannya tidak terbatas, kita bisa membayangkannya terus berlanjut dan menyebar selamanya.

Difusi tanpa batas seperti itu memiliki banyak nama: “viral”, “nuklir” atau (dalam judul artikel ini) еская.

Ternyata ada spesifik titik puncak yang memisahkan jaringan subkritis (ditakdirkan untuk punah) dari jaringan superkritis (mampu tumbuh tanpa batas). Titik balik ini disebut ambang batas kritis, dan ini adalah tanda yang cukup umum dari proses difusi dalam jaringan biasa.

Nilai pasti dari ambang kritis bervariasi antar jaringan. Yang umum adalah ini ketersediaan arti seperti itu.

[Dalam demo interaktif dari artikel asli Anda dapat mencoba menemukan ambang batas jaringan kritis secara manual dengan mengubah nilai kecepatan transmisi. Itu berkisar antara 22% dan 23% - kira-kira. trans.]

Pada angka 22% (atau lebih rendah), infeksi pada akhirnya akan hilang. Pada angka 23% (atau lebih), infeksi asli terkadang mati, namun dalam sebagian besar kasus, infeksi berhasil bertahan dan menyebar cukup lama untuk memastikan keberadaannya selamanya.

(Omong-omong, ada seluruh bidang ilmiah yang didedikasikan untuk menemukan ambang batas kritis ini untuk topologi jaringan yang berbeda. Untuk pengenalan singkat, saya sarankan untuk segera menelusuri artikel Wikipedia tentang ambang batas kebocoran).

Secara umum, begini cara kerjanya: Di bawah ambang batas kritis, setiap infeksi terbatas dalam jaringan dijamin (dengan probabilitas 1) pada akhirnya akan punah. Namun di atas ambang batas kritis, ada kemungkinan (p > 0) bahwa infeksi akan berlanjut selamanya, dan dengan demikian akan menyebar jauh dari lokasi aslinya.

Namun, perhatikan bahwa jaringan superkritis tidak jaminanbahwa infeksi akan berlanjut selamanya. Faktanya, sering kali memudar, terutama pada tahap awal simulasi. Mari kita lihat bagaimana hal ini terjadi.

Anggaplah kita memulai dengan satu node yang terinfeksi dan empat tetangganya. Pada langkah pemodelan pertama, infeksi mempunyai 5 peluang independen untuk menyebar (termasuk peluang untuk “menyebar” ke dirinya sendiri pada langkah berikutnya):

Sekarang anggap saja kecepatan transfernya adalah 50%. Dalam hal ini, pada langkah pertama kita melempar koin sebanyak lima kali. Dan jika lima kepala digulung, infeksinya akan musnah. Ini terjadi pada sekitar 3% kasus - dan ini hanya pada langkah pertama. Infeksi yang bertahan pada langkah pertama memiliki kemungkinan (biasanya lebih kecil) untuk mati pada langkah kedua, kemungkinan (bahkan lebih kecil) untuk mati pada langkah ketiga, dan seterusnya.

Jadi, meskipun jaringannya superkritis – jika tingkat penularannya 99% – ada kemungkinan infeksinya akan hilang.

Tapi yang penting adalah dia tidak melakukannya selalu akan memudar. Jika Anda menjumlahkan kemungkinan semua langkah mati hingga tak terhingga, hasilnya kurang dari 1. Dengan kata lain, terdapat kemungkinan bukan nol bahwa infeksi akan berlanjut selamanya. Inilah yang dimaksud dengan jaringan menjadi superkritis.

SISa: aktivasi spontan

Hingga saat ini, semua simulasi kami dimulai dengan sepotong kecil node yang sudah terinfeksi di tengahnya.

Namun bagaimana jika Anda memulai dari awal? Kami kemudian memodelkan aktivasi spontan—proses dimana node yang rentan terinfeksi secara kebetulan (bukan dari salah satu tetangganya).

Itu bernama model SISA. Huruf "a" berarti "otomatis".

Dalam simulasi SISa, parameter baru muncul - laju aktivasi spontan, yang mengubah frekuensi infeksi spontan (parameter laju penularan yang kita lihat sebelumnya juga ada).

Apa yang diperlukan agar infeksi menyebar ke seluruh jaringan?

Diskusi

Anda mungkin telah memperhatikan dalam simulasi bahwa peningkatan laju aktivasi spontan tidak mengubah apakah infeksi mengambil alih seluruh jaringan atau tidak. Hanya kecepatan transmisi menentukan apakah jaringan tersebut sub atau superkritis. Dan ketika jaringan bersifat subkritis (tingkat transmisi kurang dari atau sama dengan 22%), tidak ada infeksi yang dapat menyebar ke seluruh jaringan, tidak peduli seberapa sering infeksi tersebut dimulai.

Ini seperti menyalakan api di ladang basah. Anda dapat membakar beberapa daun kering, namun nyala api akan cepat padam karena sisa lanskap tidak cukup mudah terbakar (subkritis). Sedangkan di lahan yang sangat kering (superkritis), satu percikan api sudah cukup untuk membuat api mulai berkobar.

Hal serupa juga terjadi pada bidang ide dan penemuan. Seringkali dunia tidak siap dengan sebuah ide, yang dalam hal ini ide tersebut dapat ditemukan berulang kali, namun ide tersebut tidak menarik perhatian banyak orang. Di sisi lain, dunia mungkin benar-benar siap untuk sebuah penemuan (permintaan laten yang besar), dan segera setelah penemuan tersebut lahir, penemuan tersebut diterima oleh semua orang. Di tengah-tengahnya terdapat ide-ide yang ditemukan di beberapa tempat dan disebarkan secara lokal, namun tidak cukup bagi satu versi untuk menyapu seluruh jaringan sekaligus. Dalam kategori terakhir ini kita menemukan, misalnya, pertanian dan penulisan, yang masing-masing ditemukan secara independen oleh berbagai peradaban manusia sekitar sepuluh dan tiga kali.

Kekebalan

Misalkan kita membuat beberapa node benar-benar kebal, yaitu kebal terhadap aktivasi. Seolah-olah mereka awalnya berada dalam keadaan terpencil, dan model SIS(a) diluncurkan pada node yang tersisa.

Penggeser kekebalan mengontrol persentase node yang dihapus. Coba ubah nilainya (saat model sedang berjalan!) dan lihat pengaruhnya terhadap keadaan jaringan, apakah akan menjadi superkritis atau tidak.

Diskusi

Mengubah jumlah node yang tidak responsif sepenuhnya mengubah gambaran apakah jaringan akan menjadi sub-atau superkritis. Dan tidak sulit untuk mengetahui alasannya. Dengan banyaknya inang yang tidak rentan, peluang infeksi untuk menyebar ke inang baru menjadi lebih kecil.

Ternyata hal ini mempunyai sejumlah konsekuensi praktis yang sangat penting.

Salah satunya adalah mencegah meluasnya kebakaran hutan. Di tingkat lokal, setiap orang harus melakukan tindakan pencegahannya sendiri (misalnya, jangan pernah meninggalkan api terbuka tanpa pengawasan). Namun dalam skala besar, wabah yang terisolasi tidak bisa dihindari. Jadi metode perlindungan lainnya adalah dengan memastikan terdapat cukup “jeda” (dalam jaringan bahan yang mudah terbakar) sehingga wabah tidak melanda seluruh jaringan. Kliring melakukan fungsi ini:

Wabah lain yang penting untuk dihentikan adalah penyakit menular. Di sini konsep tersebut diperkenalkan kekebalan kelompok. Gagasan ini menyatakan bahwa beberapa orang tidak dapat divaksinasi (misalnya, mereka memiliki sistem kekebalan yang lemah), namun jika cukup banyak orang yang kebal terhadap infeksi tersebut, penyakit ini tidak dapat menyebar tanpa batas. Dengan kata lain, Anda harus melakukan vaksinasi memadai bagian dari populasi untuk memindahkan populasi dari keadaan superkritis ke keadaan subkritis. Jika hal ini terjadi, satu pasien mungkin masih bisa tertular (misalnya setelah bepergian ke wilayah lain), namun tanpa jaringan superkritis yang dapat berkembang, penyakit ini hanya akan menginfeksi segelintir orang saja.

Terakhir, konsep node imun menjelaskan apa yang terjadi di reaktor nuklir. Dalam reaksi berantai, atom uranium-235 yang membusuk melepaskan sekitar tiga neutron, yang (rata-rata) menyebabkan fisi lebih dari satu atom U-235. Neutron baru kemudian menyebabkan pembelahan atom lebih lanjut, dan seterusnya secara eksponensial:

Saat membuat bom, intinya adalah memastikan pertumbuhan eksponensial terus berlanjut tanpa terkendali. Namun di pembangkit listrik, tujuannya adalah menghasilkan energi tanpa membunuh semua orang di sekitar Anda. Untuk tujuan ini mereka digunakan batang kendali, terbuat dari bahan yang dapat menyerap neutron (misalnya perak atau boron). Karena mereka menyerap daripada melepaskan neutron, mereka bertindak sebagai simpul kekebalan dalam simulasi kami, sehingga mencegah inti radioaktif menjadi superkritis.

Jadi trik dalam reaktor nuklir adalah menjaga reaksi mendekati ambang kritis dengan menggerakkan batang kendali bolak-balik, dan memastikan bahwa setiap kali terjadi kesalahan, batang kendali akan jatuh ke dalam inti dan menghentikannya.

Gelar

Gelar suatu node adalah jumlah tetangganya. Sampai saat ini, kami telah mempertimbangkan jaringan tingkat 4. Namun apa yang terjadi jika Anda mengubah parameter ini?

Misalnya, Anda dapat menghubungkan setiap node tidak hanya ke empat tetangga terdekat, tetapi juga ke empat tetangga lainnya secara diagonal. Dalam jaringan seperti itu, derajatnya adalah 8.

Kisi-kisi dengan derajat 4 dan 8 simetris dengan baik. Namun dengan derajat 5 (misalnya), muncul masalah: lima tetangga mana yang harus kita pilih? Dalam hal ini, kita memilih empat tetangga terdekat (N, E, S, W), dan kemudian secara acak memilih satu tetangga dari himpunan {NE, SE, SW, NW}. Pilihan dibuat secara independen untuk setiap node pada setiap langkah waktu.

Diskusi

Sekali lagi, tidak sulit untuk melihat apa yang terjadi di sini. Ketika setiap node memiliki lebih banyak tetangga, kemungkinan penyebaran infeksi meningkat—dan dengan demikian jaringan cenderung menjadi kritis.

Namun, konsekuensinya mungkin tidak terduga, seperti yang akan kita lihat di bawah.

Kota dan kepadatan jaringan

Hingga saat ini, jaringan kami sepenuhnya homogen. Setiap node tampak seperti node lainnya. Namun bagaimana jika kita mengubah kondisi dan mengizinkan status node yang berbeda di seluruh jaringan?

Misalnya, mari kita coba membuat model kota. Untuk melakukan ini, kami akan meningkatkan kepadatan di beberapa bagian jaringan (tingkat node yang lebih tinggi). Kami melakukan ini berdasarkan data yang dimiliki warga lingkaran sosial yang lebih luas dan interaksi sosial yang lebih banyakdibandingkan orang di luar kota.

Dalam model kami, node yang rentan diberi warna berdasarkan derajatnya. Node di "daerah pedesaan" memiliki derajat 4 (dan berwarna abu-abu muda), sedangkan node di "daerah perkotaan" memiliki derajat yang lebih tinggi (dan berwarna lebih gelap), dimulai dengan derajat 5 di pinggiran dan diakhiri dengan derajat 8 di pusat kota.

Cobalah untuk memilih kecepatan propagasi sehingga aktivasi mencakup kota-kota dan tidak melampaui batas kota.

Menurut saya simulasi ini jelas dan mengejutkan. Tentu saja, kota mempertahankan tingkat budaya lebih baik daripada daerah pedesaan - semua orang mengetahui hal ini. Yang mengejutkan saya adalah sebagian dari keragaman budaya ini muncul hanya berdasarkan topologi jaringan sosial.

Ini poin yang menarik, saya akan coba jelaskan lebih detail.

Di sini kita berhadapan dengan bentuk-bentuk kebudayaan yang disebarkan secara sederhana dan langsung dari orang ke orang. Misalnya, tata krama, permainan di ruang tamu, tren fesyen, tren linguistik, ritual kelompok kecil, dan produk yang disebarkan dari mulut ke mulut, ditambah seluruh paket informasi yang kita sebut ide.

(Catatan: penyebaran informasi antar manusia menjadi sangat sulit karena media. Lebih mudah untuk membayangkan suatu lingkungan yang secara teknologi primitif, seperti Yunani Kuno, di mana hampir setiap percikan budaya disebarkan melalui interaksi dalam ruang fisik.)

Dari simulasi di atas, saya belajar bahwa ada ide dan praktik budaya yang bisa berakar dan menyebar di kota, namun tidak bisa (secara matematis tidak bisa) menyebar di pedesaan. Ini adalah ide yang sama dan orang yang sama. Intinya bukanlah bahwa penduduk pedesaan “berpikiran tertutup”: ketika berinteraksi dengan gagasan yang sama, mereka peluang yang sama untuk menangkapnyaseperti penduduk kota. Hanya saja idenya sendiri tidak bisa menjadi viral di pedesaan, karena tidak banyak koneksi yang bisa menyebarkannya.

Hal ini mungkin paling mudah dilihat dalam bidang mode - pakaian, gaya rambut, dll. Dalam jaringan mode, kita dapat menangkap tepian kisi-kisi ketika dua orang memperhatikan pakaian satu sama lain. Di pusat kota, setiap orang dapat melihat lebih dari 1000 orang setiap hari - di jalan, di kereta bawah tanah, di restoran yang ramai, dll. Sebaliknya, di daerah pedesaan, setiap orang hanya dapat melihat beberapa lusin orang. yang lain. Berdasarkan hanya perbedaan ini, kota ini mampu mendukung lebih banyak tren mode. Dan hanya tren yang paling menarik—yaitu tren dengan tingkat penularan tertinggi—yang akan mampu mendapatkan pengaruh di luar kota.

Kita cenderung berpikir bahwa jika sebuah ide bagus, pada akhirnya ide tersebut akan menjangkau semua orang, dan jika sebuah ide buruk, maka ide tersebut akan hilang. Tentu saja, hal ini berlaku dalam kasus-kasus ekstrem, namun di antara keduanya terdapat banyak ide dan praktik yang hanya dapat menjadi viral di jaringan tertentu. Ini sungguh menakjubkan.

Tidak hanya kota

Kami sedang melihat dampaknya di sini kepadatan jaringan. Ini didefinisikan untuk sekumpulan node tertentu sebagai angka tulang rusuk yang sebenarnya, dibagi dengan angka tepian yang potensial. Artinya, persentase kemungkinan koneksi yang benar-benar ada.

Jadi, kita telah melihat bahwa kepadatan jaringan di pusat kota lebih tinggi dibandingkan di daerah pedesaan. Namun kota bukanlah satu-satunya tempat kita menemukan jaringan yang padat.

Contoh yang menarik adalah sekolah menengah. Misalnya untuk wilayah tertentu, kami membandingkan jaringan yang ada di kalangan anak sekolah dengan jaringan yang ada di antara orang tuanya. Wilayah geografis yang sama dan populasi yang sama, namun satu jaringan jauh lebih padat dibandingkan jaringan lainnya. Oleh karena itu, tidak mengherankan jika tren fesyen dan bahasa menyebar lebih cepat di kalangan remaja.

Demikian pula, jaringan elit cenderung lebih padat dibandingkan jaringan non-elit - sebuah fakta yang menurut saya kurang dihargai (orang-orang yang populer atau berpengaruh menghabiskan lebih banyak waktu untuk berjejaring dan karena itu memiliki lebih banyak “tetangga” daripada orang biasa). Berdasarkan simulasi di atas, kami berharap bahwa jaringan elit akan mendukung beberapa bentuk budaya yang tidak dapat didukung oleh arus utama, hanya berdasarkan hukum matematika dari tingkat rata-rata jaringan tersebut. Saya membiarkan Anda berspekulasi tentang apa saja bentuk-bentuk budaya ini.

Akhirnya, kita dapat menerapkan ide ini ke Internet dengan memodelkannya menjadi besar dan sangat padat kota. Tidak mengherankan jika banyak jenis budaya baru yang berkembang secara online dan tidak dapat didukung hanya melalui jaringan spasial: hobi khusus, standar desain yang lebih baik, kesadaran yang lebih besar akan ketidakadilan, dll. Dan ini bukan hanya hal-hal yang baik. Sama seperti kota-kota awal yang merupakan tempat berkembang biaknya penyakit yang tidak dapat menyebar dalam kepadatan penduduk yang rendah, Internet juga merupakan tempat berkembang biaknya bentuk-bentuk budaya yang ganas seperti clickbait, berita palsu, dan memicu kemarahan yang dibuat-buat.

Pengetahuan

“Memiliki pakar yang tepat pada waktu yang tepat sering kali merupakan sumber daya paling berharga untuk pemecahan masalah secara kreatif.” — Michael Nielsen, Menemukan Penemuan

Kita sering menganggap penemuan atau penemuan sebagai proses yang terjadi dalam pikiran seorang jenius. Dia dikejutkan oleh kilatan inspirasi dan - Eureka! — tiba-tiba kita punya cara baru untuk mengukur volume. Atau persamaan gravitasi. Atau bola lampu.

Namun jika kita mengambil sudut pandang seorang penemu pada saat penemuannya, maka kita sedang melihat fenomena tersebut dari sudut pandang node. Meskipun akan lebih tepat jika mengartikan penemuan sebagai jaringan fenomena.

Jaringan penting setidaknya dalam dua hal. Pertama, ide-ide yang sudah ada harus tembus ke dalam kesadaran penemu. Ini adalah kutipan dari artikel baru, bagian bibliografi dari buku baru - raksasa yang di pundaknya berdiri Newton. Kedua, jaringan sangat penting untuk kembalinya ide baru kembali ke dunia; sebuah penemuan yang belum menyebar hampir tidak layak disebut sebagai "penemuan" sama sekali. Oleh karena itu, karena kedua alasan ini, masuk akal untuk memodelkan penemuan—atau, lebih luas lagi, pertumbuhan pengetahuan—sebagai proses difusi.

Sebentar lagi, saya akan menyajikan simulasi kasar tentang bagaimana pengetahuan dapat menyebar dan tumbuh dalam jaringan. Tapi pertama-tama saya harus menjelaskannya.

Pada awal simulasi, terdapat empat ahli di setiap kuadran grid yang disusun sebagai berikut:

Pakar 1 memiliki ide versi pertama - sebut saja Ide 1.0. Pakar 2 adalah orang yang mengetahui cara mengubah Ide 1.0 menjadi Ide 2.0. Pakar 3 mengetahui cara mengubah Ide 2.0 menjadi Ide 3.0. Dan terakhir, pakar keempat mengetahui cara memberikan sentuhan akhir pada Ide 4.0.

Ini mirip dengan teknik seperti origami, dimana teknik dikembangkan dan digabungkan dengan teknik lain untuk menciptakan desain yang lebih menarik. Atau mungkin suatu bidang pengetahuan, seperti fisika, yang mana karya-karya terbarunya dibangun berdasarkan karya fundamental para pendahulunya.

Inti dari simulasi ini adalah kita membutuhkan keempat ahli untuk berkontribusi pada versi akhir dari ide tersebut. Dan pada setiap tahap, ide tersebut harus disampaikan kepada ahli yang sesuai.

Beberapa peringatan. Ada banyak asumsi tidak realistis yang dimasukkan ke dalam simulasi. Berikut ini beberapa di antaranya:

1. Diasumsikan bahwa ide tidak dapat disimpan dan disebarkan kecuali dari orang ke orang (yaitu, tidak ada buku atau media).
2. Diasumsikan bahwa dalam suatu populasi terdapat ahli-ahli tetap yang dapat menghasilkan gagasan, meskipun pada kenyataannya banyak faktor acak yang mempengaruhi terjadinya suatu penemuan atau penemuan.
3. Keempat versi gagasan tersebut menggunakan kumpulan parameter SIS yang sama (baud rate, persentase kekebalan, dll.), meskipun mungkin lebih realistis untuk menggunakan parameter yang berbeda untuk setiap versi (1.0, 2.0, dll.)
4. Diasumsikan bahwa ide N+1 selalu menggantikan ide N, meskipun dalam praktiknya sering kali versi lama dan baru beredar secara bersamaan, tanpa pemenang yang jelas.

… dan banyak lagi.

Diskusi

Ini adalah model yang sangat disederhanakan tentang bagaimana pengetahuan sebenarnya bertumbuh. Ada banyak detail penting yang tertinggal di luar model (lihat di atas). Namun, hal ini menangkap esensi penting dari proses tersebut. Jadi kita bisa, dengan ragu-ragu, berbicara tentang pertumbuhan pengetahuan dengan menggunakan pengetahuan kita tentang difusi.

Secara khusus, model difusi memberikan wawasan tentang caranya mempercepat prosesnya: Perlu memfasilitasi pertukaran ide antar node ahli. Ini mungkin berarti membersihkan jaringan dari node mati yang menghambat difusi. Atau bisa juga berarti menempatkan semua pakar di kota atau cluster dengan kepadatan jaringan tinggi di mana ide-ide menyebar dengan cepat. Atau kumpulkan saja dalam satu ruangan:

Jadi... itu saja yang bisa saya katakan tentang difusi.

Namun saya punya satu pemikiran terakhir, dan ini sangat penting. Ini tentang pertumbuhandan stagnasi) pengetahuan dalam komunitas ilmiah. Ide ini berbeda dalam nada dan isi dari apa pun di atas, tapi saya harap Anda memaafkan saya.

Tentang jaringan ilmiah

Ilustrasi ini menunjukkan salah satu putaran umpan balik positif yang paling penting di dunia (dan hal ini sudah terjadi cukup lama):

Perkembangan siklus ke atas (K ⟶ T) cukup sederhana: kita menggunakan pengetahuan baru untuk mengembangkan alat baru. Misalnya, memahami fisika semikonduktor memungkinkan kita membuat komputer.

Namun, pergerakan ke bawah memerlukan beberapa penjelasan. Bagaimana perkembangan teknologi menyebabkan peningkatan pengetahuan?

Salah satu caranya—mungkin yang paling langsung—adalah ketika teknologi baru memberi kita cara baru dalam memandang dunia. Misalnya, mikroskop terbaik memungkinkan Anda melihat lebih dalam ke dalam sel, memberikan wawasan tentang biologi molekuler. Pelacak GPS menunjukkan bagaimana hewan bergerak. Sonar memungkinkan Anda menjelajahi lautan. Dan seterusnya.

Tentu saja hal ini merupakan mekanisme yang penting, namun setidaknya ada dua jalur lain dari teknologi menuju pengetahuan. Mungkin tidak sesederhana itu, tapi menurut saya sama pentingnya:

Pertama. Teknologi mengarah pada kelimpahan ekonomi (yaitu kekayaan), yang memungkinkan lebih banyak orang terlibat dalam produksi pengetahuan.

Jika 90% penduduk negara Anda bekerja di bidang pertanian, dan 10% sisanya terlibat dalam perdagangan (atau perang), maka masyarakat hanya mempunyai sedikit waktu luang untuk memikirkan hukum alam. Mungkin inilah sebabnya mengapa pada zaman dahulu ilmu pengetahuan hanya dipromosikan oleh anak-anak dari keluarga kaya.

Amerika Serikat menghasilkan lebih dari 50 gelar PhD setiap tahunnya. Daripada seseorang bekerja di pabrik pada usia 000 tahun (atau lebih awal), seorang mahasiswa pascasarjana harus dibiayai hingga usia 18 atau mungkin 30 tahun—dan bahkan saat itu masih belum jelas apakah pekerjaan mereka akan mempunyai dampak ekonomi yang nyata. Namun seseorang harus menjadi yang terdepan dalam disiplin ilmunya, terutama dalam bidang yang kompleks seperti fisika atau biologi.

Faktanya adalah dari sudut pandang sistem, spesialis itu mahal. Dan sumber utama kekayaan masyarakat yang mendanai para spesialis ini adalah teknologi baru: bajak mensubsidi pena.

Kedua. Teknologi baru, khususnya di bidang perjalanan dan komunikasi, mengubah struktur jaringan sosial tempat tumbuhnya pengetahuan. Secara khusus, hal ini memungkinkan para ahli dan spesialis untuk berinteraksi lebih dekat satu sama lain.

Penemuan penting di sini termasuk mesin cetak, kapal uap dan kereta api (memfasilitasi perjalanan dan/atau mengirim surat jarak jauh), telepon, pesawat terbang, dan Internet. Semua teknologi ini berkontribusi terhadap peningkatan kepadatan jaringan, terutama dalam komunitas khusus (di mana hampir semua pertumbuhan pengetahuan terjadi). Misalnya saja jaringan korespondensi yang muncul di kalangan ilmuwan Eropa pada akhir Abad Pertengahan, atau cara fisikawan modern menggunakan arXiv.

Pada akhirnya, kedua jalur ini serupa. Keduanya meningkatkan kepadatan jaringan spesialis, yang pada gilirannya mengarah pada peningkatan pengetahuan:

Selama bertahun-tahun saya meremehkan pendidikan tinggi. Tugas singkat saya di sekolah pascasarjana meninggalkan rasa tidak enak di mulut saya. Tapi sekarang saya melihat ke belakang dan berpikir (terlepas dari semua masalah pribadi), saya harus menyimpulkan bahwa pendidikan tinggi tetaplah pendidikan tinggi sangat penting.

Jejaring sosial akademis (misalnya komunitas riset) adalah salah satu struktur paling maju dan berharga yang diciptakan oleh peradaban kita. Kita belum pernah mengumpulkan konsentrasi spesialis yang lebih besar yang berfokus pada produksi pengetahuan. Belum pernah ada orang yang mengembangkan kemampuan lebih besar untuk memahami dan mengkritik gagasan satu sama lain. Ini adalah jantung dari kemajuan. Di dalam jaringan inilah api pencerahan berkobar paling kuat.

Namun kita tidak bisa menganggap remeh kemajuan tersebut. Jika krisis eksperimen yang tidak dapat direproduksi dan jika hal ini mengajarkan kita sesuatu, maka sains dapat mempunyai masalah yang sistemik. Ini adalah semacam degradasi jaringan.

Misalkan kita membedakan dua cara melakukan sains: ilmu pengetahuan yang sebenarnya и karirisme. Sains sejati adalah praktik yang secara andal menghasilkan pengetahuan. Hal ini dimotivasi oleh rasa ingin tahu dan bercirikan kejujuran (Feynman: “Anda tahu, saya hanya perlu memahami dunia”). Sebaliknya, karirisme dimotivasi oleh ambisi profesional dan ditandai dengan bermain politik dan jalan pintas ilmiah. Ini mungkin terlihat dan bertindak seperti sains, tapi tidak menghasilkan pengetahuan yang dapat diandalkan.

(Ya, ini dikotomi yang berlebihan. Hanya eksperimen pemikiran. Jangan salahkan saya).

Faktanya adalah ketika para karieris mengambil tempat di komunitas riset yang sebenarnya, mereka merusak pekerjaannya. Mereka berusaha untuk mempromosikan diri mereka sendiri sementara masyarakat lainnya mencoba untuk mendapatkan dan berbagi pengetahuan baru. Alih-alih mencari kejelasan, para karieris memperumit dan mengacaukan segalanya agar terdengar lebih mengesankan. Mereka terlibat dalam (seperti yang dikatakan Harry Frankfurt) omong kosong ilmiah. Oleh karena itu, kita dapat memodelkannya sebagai simpul mati, yang tidak tahan terhadap pertukaran informasi yang adil dan diperlukan untuk pertumbuhan pengetahuan:

Mungkin model terbaik adalah model di mana simpul-simpul kariris tidak hanya kebal terhadap pengetahuan, namun juga secara aktif menyebarkan informasi. pengetahuan palsu. Pengetahuan palsu dapat mencakup hasil-hasil tidak penting yang kepentingannya dibesar-besarkan, atau hasil-hasil palsu yang muncul dari manipulasi atau data palsu.

Tidak peduli bagaimana kita mencontohkannya, para karieris pasti dapat mencekik komunitas ilmiah kita.

Ini seperti reaksi berantai nuklir yang sangat kita perlukan - kita memerlukan ledakan pengetahuan - hanya saja U-235 kita yang diperkaya memiliki terlalu banyak isotop non-reaktif U-238 di dalamnya, sehingga menekan reaksi berantai.

Tentu saja, tidak ada perbedaan yang jelas antara karieris dan ilmuwan sejati. Masing-masing dari kita memiliki sedikit karirisme yang tersembunyi di dalam diri kita. Pertanyaannya adalah berapa lama jaringan ini dapat bertahan sebelum penyebaran pengetahuan memudar.

Oh, kamu membaca sampai akhir. Terima kasih telah membaca.

Lisensi

CC0 Semua hak tidak dilindungi undang-undang. Anda dapat menggunakan karya ini sesuai keinginan Anda :).

Ucapan Terima Kasih

• Kevin Kwok и Kasus Nicky atas komentar dan saran yang bijaksana mengenai berbagai versi draf.
• Nick Barr — atas dukungan moral sepanjang seluruh proses dan atas umpan balik yang paling bermanfaat dalam pekerjaan saya.
• Keith A. yang telah menunjukkan kepada saya fenomena perkolasi dan ambang batas perkolasi.
• Geoff Lonsdale untuk tautan ke ini adalah esai, yang (walaupun banyak kekurangannya) menjadi pendorong utama untuk mengerjakan postingan ini.

Contoh Esai Interaktif

• Semua karya Nicky Case, khususnya. "Perumpamaan tentang Poligon" (dengan Vi Hart) dan "Mengembangkan pemungutan suara yang lebih baik". Ini adalah standar tinggi untuk membuat esai interaktif.
• distill.pub: Deskripsi interaktif pembelajaran mesin yang sangat berkualitas tinggi.
• Karya klasik oleh Bret Victor "Naik Turun Tangga Abstraksi". Saya tidak pandai menaiki tangga, tetapi selalu ada satu kali percobaan lagi.

Sumber: www.habr.com