Hvis du har brukt tid på å tenke på komplekse systemer, forstår du sannsynligvis viktigheten av nettverk. Nettverk styrer vår verden. Fra de kjemiske reaksjonene i en celle, til nettet av relasjoner i et økosystem, til handels- og politiske nettverk som former historiens gang.

Eller tenk på denne artikkelen du leser. Du har sannsynligvis funnet det i sosialt nettverk, lastet ned fra datanettverk og dechiffrerer for øyeblikket betydningen ved å bruke din nevrale nettverket.

Men så mye som jeg har tenkt på nettverk gjennom årene, inntil nylig forsto jeg ikke viktigheten av det enkle diffusjon.

Dette er vårt tema for i dag: hvordan, hvor kaotisk alt beveger seg og sprer seg. Noen eksempler for å vekke appetitten:

• Smittsomme sykdommer som går fra bærer til bærer i en populasjon.
• Memes sprer seg over følgergrafen på sosiale nettverk.
• Skogbrann.
• Ideer og praksiser som gjennomsyrer en kultur.
• Nøytronkaskade i anriket uran.

En rask merknad om form.

I motsetning til alle mine tidligere arbeider, er dette essayet interaktivt [i original artikkel interaktive eksempler er gitt med glidere og knapper som styrer objekter på skjermen - ca. kjørefelt].

Så la oss komme i gang. Den første oppgaven er å utvikle et visuelt vokabular for formidling på tvers av nettverk.

Enkel modell

Jeg er sikker på at dere alle kjenner grunnlaget for nettverk, det vil si noder + kanter. For å studere diffusjon trenger du bare å merke noen noder som aktiv. Eller, som epidemiologer liker å si, smittet:

Denne aktiveringen eller infeksjonen sprer seg gjennom nettverket fra node til node i henhold til reglene som vi vil utvikle nedenfor.

Ekte nettverk er vanligvis mye større enn dette enkle nettverket med syv noder. De er også mye mer forvirrende. Men for enkelhets skyld skal vi bygge en leketøysmodell her for å studere et gitter, det vil si et gitternettverk.

(Det nettingen mangler i realisme, veier opp for å være lett å tegne 😉

Med mindre annet er angitt, har nettverksnoder fire naboer, for eksempel:

Og du må forestille deg at disse gitterne strekker seg uendelig i alle retninger. Vi er med andre ord ikke interessert i atferd som bare forekommer i kantene av nettverket eller i små populasjoner.

Gitt at gitterne er slik ordnet, kan vi forenkle dem til piksler. For eksempel representerer disse to bildene det samme nettverket:

I en oppførsel overfører den aktive noden alltid infeksjonen til sine (uinfiserte) naboer. Men det er kjedelig. Mye mer interessante ting skjer når overføringen sannsynlighet.

SIR og SIS

В SIR-modeller (Mottagelig-infisert-fjernet) en node kan være i tre tilstander:

• Mottakelig
• Smittet
• Fjernet

Her er hvordan interaktiv simulering fungerer [in original artikkel du kan velge smitteoverføringshastighet fra 0 til 1, se prosessen trinn for trinn eller i sin helhet - ca. overs.]:

• Noder starter som mottakelige, med unntak av noen få noder som starter som infiserte.
• Ved hvert tidstrinn har infiserte noder en sjanse til å overføre infeksjonen til hver av deres mottakelige naboer med en sannsynlighet lik overføringshastigheten.
• Infiserte noder går deretter inn i en "slettet" tilstand, noe som betyr at de ikke lenger er i stand til å infisere andre eller bli smittet selv.

I sykdomssammenheng kan fjerning bety at personen er død eller at vedkommende har utviklet immunitet mot patogenet. Vi sier at de er "fjernet" fra simuleringen fordi ingenting annet skjer med dem.

Avhengig av hva vi prøver å modellere, kan en annen modell enn SIR være nødvendig.

Hvis vi simulerer spredning av meslinger eller et skogbrannutbrudd, er SIR ideelt. Men anta at vi simulerer spredningen av en ny kulturell praksis, for eksempel meditasjon. Først er noden (personen) mottakelig fordi den aldri har gjort dette før. Så, hvis han begynner å meditere (kanskje etter å ha hørt om det fra en venn), vil vi modellere ham som infisert. Men hvis han stopper praksisen, vil han ikke dø og vil ikke falle ut av simuleringen, for i fremtiden kan han enkelt ta opp denne vanen igjen. Så han går tilbake til en mottakelig tilstand.

Den SIS-modell (Følelig – Infisert – Mottakelig). Den klassiske modellen har to parametere: overføringshastighet og gjenopprettingshastighet. Men i simuleringene for denne artikkelen bestemte jeg meg for å forenkle ved å utelate parameteren for gjenopprettingshastighet. I stedet går den infiserte noden automatisk tilbake til den følsomme tilstanden ved neste tidstrinn, med mindre den er infisert av en av naboene. I tillegg lar vi en node infisert i trinn n infisere seg selv i trinn n+1 med en sannsynlighet lik overføringshastigheten.

Diskusjonen

Som du kan se, er dette veldig forskjellig fra SIR-modellen.

Fordi nodene aldri fjernes, kan selv et veldig lite og begrenset gitter støtte en SIS-infeksjon i lang tid. Infeksjonen hopper ganske enkelt fra node til node og kommer tilbake.

Til tross for forskjellene deres, viser SIR og SIS seg å være overraskende utskiftbare for våre formål. Så for resten av denne artikkelen holder vi oss til SIS – hovedsakelig fordi det er mer holdbart og derfor morsommere å jobbe med.

Kritisk nivå

Etter å ha lekt rundt med SIR- og SIS-modellene, har du kanskje lagt merke til noe om infeksjonens levetid. Ved svært lave overføringshastigheter, for eksempel 10 %, har infeksjonen en tendens til å dø ut. Mens ved høyere verdier, for eksempel 50 %, forblir infeksjonen i live og tar over det meste av nettverket. Hvis nettverket var uendelig, kunne vi forestille oss at det fortsatte og spredte seg for alltid.

En slik grenseløs spredning har mange navn: "viral", "atomkraft" eller (i tittelen på denne artikkelen) kritisk.

Det viser seg at det er det spesifikk bruddpunktet som skiller subkritiske nettverk (dømt til utryddelse) fra superkritiske nettverk (i stand til uendelig vekst). Dette vendepunktet kalles kritisk terskel, og dette er et ganske generelt tegn på diffusjonsprosesser i vanlige nettverk.

Den nøyaktige verdien av den kritiske terskelen varierer mellom nettverk. Det som er vanlig er dette tilgjengelighet en slik betydning.

[I en interaktiv demo fra original artikkel Du kan prøve å finne den kritiske nettverksterskelen manuelt ved å endre overføringshastighetsverdien. Det er et sted mellom 22 % og 23 % – ca. overs.]

Ved 22 % (og under), dør infeksjonen til slutt ut. Ved 23 % (og over) dør den opprinnelige infeksjonen noen ganger ut, men i de fleste tilfeller klarer den å overleve og spre seg lenge nok til å sikre dens eksistens for alltid.

(Det er forresten et helt vitenskapelig felt dedikert til å finne disse kritiske tersklene for ulike nettverkstopologier. For en rask introduksjon anbefaler jeg å bla raskt gjennom Wikipedia-artikkelen om terskel for lekkasje).

Generelt fungerer det slik: Under en kritisk terskel er garantert en eventuell begrenset infeksjon i nettverket (med sannsynlighet 1) til å dø ut til slutt. Men over en kritisk terskel er det en sannsynlighet (p > 0) for at infeksjonen vil fortsette for alltid, og ved å gjøre det vil spre seg vilkårlig langt fra det opprinnelige stedet.

Vær imidlertid oppmerksom på at det superkritiske nettverket ikke er det garantierat infeksjonen vil fortsette for alltid. Faktisk blekner den ofte, spesielt i de tidlige stadiene av simuleringen. La oss se hvordan dette skjer.

La oss anta at vi startet med en infisert node og fire naboer. Ved det første modelleringstrinnet har infeksjonen 5 uavhengige sjanser for spredning (inkludert sjansen til å "spre seg" til seg selv ved neste trinn):

La oss nå anta at overføringshastigheten er 50%. I dette tilfellet, i det første trinnet slår vi en mynt fem ganger. Og hvis fem hoder rulles, vil infeksjonen bli ødelagt. Dette skjer i ca 3 % av tilfellene – og dette er kun i første trinn. En infeksjon som overlever det første trinnet har en viss (vanligvis mindre) sannsynlighet for å dø ut i det andre trinnet, en viss (enda mindre) sannsynlighet for å dø ut i det tredje trinnet osv.

Så selv når nettverket er superkritisk - hvis overføringshastigheten er 99% - er det en sjanse for at infeksjonen forsvinner.

Men det viktigste er at hun ikke gjør det alltid vil forsvinne. Legger du sammen sannsynligheten for at alle trinn dør ut til det uendelige, er resultatet mindre enn 1. Det er med andre ord en ikke-null sannsynlighet for at infeksjonen vil fortsette for alltid. Dette er hva det betyr for et nettverk å være superkritisk.

SISa: spontan aktivering

Frem til dette punktet startet alle simuleringene våre med et lite stykke forhåndsinfiserte noder i midten.

Men hva om du starter fra bunnen av? Vi modellerer deretter spontan aktivering - prosessen der en mottakelig node blir infisert ved en tilfeldighet (ikke fra en av naboene).

Den kalt SISa modell. Bokstaven "a" står for "automatisk".

I SISa-simuleringen dukker det opp en ny parameter - hastigheten for spontan aktivering, som endrer frekvensen av spontan infeksjon (transmisjonshastighetsparameteren vi så tidligere er også til stede).

Hva skal til for at en infeksjon sprer seg over hele nettverket?

Diskusjonen

Du har kanskje lagt merke til i simuleringen at å øke hastigheten på spontan aktivering ikke endrer om infeksjonen tar over hele nettverket eller ikke. Bare overføringshastighet bestemmer om nettverket er sub- eller superkritisk. Og når nettverket er underkritisk (overføringshastighet mindre enn eller lik 22%), kan ingen infeksjon spre seg til hele nettet, uansett hvor ofte den starter.

Det er som å starte et bål i en våt mark. Du kan tenne på noen tørre løv, men flammen dør raskt ut fordi resten av landskapet ikke er brennbart nok (subkritisk). Mens du er på et veldig tørt felt (superkritisk), er én gnist nok til at en brann begynner å rase.

Lignende ting observeres i sfæren av ideer og oppfinnelser. Ofte er ikke verden klar for en idé, i så fall kan den oppfinnes igjen og igjen, men den tiltrekker seg ikke massene. På den annen side kan verden være helt klar for en oppfinnelse (stor latent etterspørsel), og så snart den er født, blir den akseptert av alle. I midten ligger ideer som er oppfunnet flere steder og spres lokalt, men ikke nok til at noen enkeltversjon kan feie hele nettverket på en gang. I denne siste kategorien finner vi for eksempel jordbruk og skrift, som ble uavhengig oppfunnet av forskjellige menneskelige sivilisasjoner omtrent ti og tre ganger henholdsvis.

immunitet

Anta at vi gjør noen noder helt usårbare, det vil si immune mot aktivering. Det er som om de i utgangspunktet er i en ekstern tilstand, og SIS(a)-modellen lanseres på de gjenværende nodene.

Immunitetsglidebryteren kontrollerer prosentandelen av noder som fjernes. Prøv å endre verdien (mens modellen kjører!) og se hvordan det påvirker tilstanden til nettverket, om det vil være superkritisk eller ikke.

Diskusjonen

Endring av antall noder som ikke reagerer endrer fullstendig bildet av om nettverket vil være sub- eller superkritisk. Og det er ikke vanskelig å se hvorfor. Med et stort antall ufølsomme verter har infeksjonen mindre mulighet til å spre seg til nye verter.

Det viser seg at dette har en rekke svært viktige praktiske konsekvenser.

En av dem er å hindre spredning av skogbranner. På lokalt nivå må hver person ta sine egne forholdsregler (for eksempel aldri la en åpen flamme være uten tilsyn). Men i stor skala er isolerte utbrudd uunngåelige. Så en annen metode for beskyttelse er å sørge for at det er nok "pauser" (i nettverket av brennbare materialer) slik at et utbrudd ikke oppsluker hele nettverket. Clearings utfører denne funksjonen:

Et annet utbrudd som er viktig å stoppe er en infeksjonssykdom. Her introduseres konseptet flokkimmunitet. Dette er ideen om at noen mennesker ikke kan vaksineres (de har for eksempel et svekket immunsystem), men hvis nok mennesker er immune mot infeksjonen, kan ikke sykdommen spre seg på ubestemt tid. Du bør med andre ord vaksinere tilstrekkelig del av befolkningen for å overføre befolkningen fra en superkritisk til en subkritisk tilstand. Når dette skjer, kan en pasient fortsatt bli smittet (etter å ha reist til en annen region, for eksempel), men uten et superkritisk nettverk å vokse i, vil sykdommen bare infisere en liten håndfull mennesker.

Til slutt forklarer begrepet immunnoder hva som skjer i en atomreaktor. I en kjedereaksjon frigjør et råtnende uran-235-atom omtrent tre nøytroner, som forårsaker (i gjennomsnitt) fisjon av mer enn ett U-235-atom. De nye nøytronene forårsaker deretter ytterligere spaltning av atomer, og så videre eksponentielt:

Når du bygger en bombe, er hele poenget å sikre at eksponentiell vekst fortsetter ukontrollert. Men i et kraftverk er målet å produsere energi uten å drepe alle rundt deg. Til dette formål brukes de kontrollstenger, laget av et materiale som kan absorbere nøytroner (for eksempel sølv eller bor). Fordi de absorberer i stedet for å frigjøre nøytroner, fungerer de som immunnoder i vår simulering, og forhindrer dermed den radioaktive kjernen i å bli superkritisk.

Så trikset til en atomreaktor er å holde reaksjonen nær en kritisk terskel ved å flytte kontrollstaver frem og tilbake, og for å sikre at når noe går galt, faller stengene ned i kjernen og stopper den.

grad

grad av en node er antall naboer. Fram til dette punktet har vi vurdert nettverk av grad 4. Men hva skjer hvis du endrer denne parameteren?

For eksempel kan du koble hver node ikke bare til fire umiddelbare naboer, men også til fire til diagonalt. I et slikt nettverk vil graden være 8.

Gitter med grader 4 og 8 er godt symmetriske. Men med grad 5 (for eksempel) oppstår et problem: hvilke fem naboer skal vi velge? I dette tilfellet velger vi fire nærmeste naboer (N, E, S, W), og velger deretter tilfeldig én nabo fra settet {NE, SE, SW, NW}. Valget gjøres uavhengig for hver node ved hvert tidstrinn.

Diskusjonen

Igjen, det er ikke vanskelig å se hva som skjer her. Når hver node har flere naboer, øker sjansene for infeksjonsspredning – og dermed er det mer sannsynlig at nettverket blir kritisk.

Konsekvensene kan imidlertid være uventede, som vi vil se nedenfor.

Byer og nettverkstetthet

Til nå har våre nettverk vært helt homogene. Hver node ser ut som alle andre. Men hva om vi endrer betingelsene og tillater forskjellige nodetilstander i hele nettverket?

La oss for eksempel prøve å modellere byer. For å gjøre dette vil vi øke tettheten i noen deler av nettverket (høyere grad av noder). Dette gjør vi basert på data som innbyggerne har bredere omgangskrets og flere sosiale interaksjonerenn folk utenfor byene.

I vår modell er følsomme noder farget basert på deres grad. Noder i "landlige områder" har grad 4 (og er farget lysegrå), mens noder i "byområder" har høyere grader (og er farget mørkere), starter med grad 5 i utkanten og slutter med 8 i sentrum .

Prøv å velge en forplantningshastighet slik at aktiveringen dekker byer og deretter ikke går utover grensene deres.

Jeg finner denne simuleringen både åpenbar og overraskende. Selvfølgelig, holder byer det kulturelle nivået bedre enn distriktene – dette vet alle. Det som overrasker meg er at noe av dette kulturelle mangfoldet oppstår ganske enkelt basert på topologien til det sosiale nettverket.

Dette er et interessant poeng, jeg skal prøve å forklare det mer detaljert.

Her har vi å gjøre med kulturformer som overføres enkelt og direkte fra person til person. For eksempel, manerer, salongspill, motetrender, språklige trender, smågrupperitualer og produkter som spres fra munn til munn, pluss hele pakker med informasjon vi kaller ideer.

(Merk: spredning av informasjon mellom mennesker gjøres ekstremt vanskelig av media. Det er lettere å forestille seg et teknologisk primitivt miljø, som det antikke Hellas, hvor nesten hver eneste kulturgnist ble overført ved interaksjon i det fysiske rommet.)

Fra simuleringen ovenfor lærte jeg at det er ideer og kulturelle praksiser som kan slå rot og spre seg i byen, men de kan rett og slett ikke (matematisk ikke) spres i landlige områder. Dette er de samme ideene og de samme menneskene. Poenget er ikke at innbyggere på landsbygda på en eller annen måte er "nærsynte": når de samhandler med den samme ideen, nøyaktig samme sjanse for å fange densom byfolk. Det er bare at ideen i seg selv ikke kan bli viral i landlige områder, fordi det ikke er mange forbindelser som den kan spre seg gjennom.

Dette er kanskje lettest å se innen mote – klær, frisyrer osv. I motenettverket kan vi fange kanten av gitteret når to personer legger merke til hverandres antrekk. I et urbant sentrum kan hver person se mer enn 1000 andre mennesker hver dag - på gaten, i t-banen, i en overfylt restaurant, osv. I et landlig område, tvert imot, kan hver person bare se et par dusin andre. Basert på bare denne forskjellen, er byen i stand til å støtte flere motetrender. Og bare de mest overbevisende trendene – de med høyest overføringshastighet – vil kunne få fotfeste utenfor byen.

Vi har en tendens til å tenke at hvis en idé er god, vil den til slutt nå alle, og hvis en idé er dårlig, vil den forsvinne. Selvfølgelig er dette sant i ekstreme tilfeller, men innimellom er det mange ideer og praksiser som bare kan gå viralt på visse nettverk. Dette er virkelig fantastisk.

Ikke bare byer

Vi ser på virkningen her nettverkstetthet. Det er definert for et gitt sett med noder som et tall faktiske ribbeina, delt på tall potensielle kanter. Det vil si prosentandelen av mulige sammenhenger som faktisk eksisterer.

Så vi har sett at nettverkstettheten i bysentre er høyere enn i landlige områder. Men byer er ikke det eneste stedet vi finner tette nettverk.

Et interessant eksempel er ungdomsskoler. For et spesifikt område sammenligner vi for eksempel nettverket som finnes blant skoleelever med nettverket som finnes blant foreldrene deres. Samme geografisk område og samme befolkning, men det ene nettverket er mange ganger tettere enn det andre. Det er derfor ikke overraskende at mote- og språktrender sprer seg mye raskere blant tenåringer.

På samme måte har elitenettverk en tendens til å være mye tettere enn ikke-elitenettverk - et faktum jeg tror er undervurdert (folk som er populære eller innflytelsesrike bruker mer tid på nettverk og har derfor flere "naboer" enn vanlige mennesker til mennesker). Basert på simuleringene ovenfor forventer vi at elitenettverk vil støtte noen kulturelle former som ikke kan støttes av mainstream, bare basert på de matematiske lovene for nettverkets gjennomsnittlige grad. Jeg lar deg spekulere om hva disse kulturelle formene kan være.

Til slutt kan vi bruke denne ideen på Internett ved å modellere den som stor og Veldig stram by. Det er ingen overraskelse at mange nye typer kultur blomstrer på nettet som rett og slett ikke kan støttes på rene romlige nettverk: nisjehobbyer, bedre designstandarder, større bevissthet om urettferdighet osv. Og det er ikke bare fine ting. Akkurat som tidlige byer var grobunn for sykdommer som ikke kunne spre seg i lav befolkningstetthet, så er Internett en grobunn for ondartede kulturformer som clickbait, falske nyheter og oppildning av kunstig forargelse.

Знания

"Å ha rett ekspert til rett tid er ofte den mest verdifulle ressursen for kreativ problemløsning." — Michael Nielsen, Inventing Discovery

Vi tenker ofte på oppdagelse eller oppfinnelse som en prosess som skjer i sinnet til et enkelt geni. Han blir slått av et glimt av inspirasjon og - Eureka! — Plutselig har vi en ny måte å måle volum på. Eller gravitasjonsligningen. Eller en lyspære.

Men hvis vi tar synspunktet til en ensom oppfinner i oppdagelsesøyeblikket, så ser vi på fenomenet fra en nodes synspunkt. Mens det ville være mer riktig å tolke oppfinnelsen som Nettverk fenomen.

Nettverket er viktig på minst to måter. For det første må eksisterende ideer trenge gjennom inn i bevisstheten oppfinner. Dette er sitater fra en ny artikkel, den bibliografiske delen av en ny bok – gigantene på hvis skuldre Newton sto. For det andre er nettverket avgjørende for at en ny idé skal komme tilbake tilbake inn til verden; en oppfinnelse som ikke har spredt seg er neppe verdt å kalle en "oppfinnelse" i det hele tatt. Av begge disse grunnene er det derfor fornuftig å modellere oppfinnelsen – eller, mer generelt, veksten av kunnskap – som en diffusjonsprosess.

Om et øyeblikk vil jeg presentere en grov simulering av hvordan kunnskap kan spres og vokse innenfor et nettverk. Men først må jeg forklare.

I begynnelsen av simuleringen er det fire eksperter i hver kvadrant av rutenettet, arrangert som følger:

Expert 1 har den første versjonen av ideen – la oss kalle den Idea 1.0. Ekspert 2 er personen som vet hvordan man gjør Idé 1.0 til Idé 2.0. Ekspert 3 vet hvordan man transformerer Idea 2.0 til Idea 3.0. Og til slutt vet den fjerde eksperten hvordan han skal sette prikken over i-en på Idea 4.0.

Dette ligner på en teknikk som origami, hvor teknikker utvikles og kombineres med andre teknikker for å skape mer interessante design. Eller det kan være et kunnskapsfelt, som fysikk, der nyere arbeid bygger på det grunnleggende arbeidet til forgjengerne.

Poenget med denne simuleringen er at vi trenger alle fire ekspertene for å bidra til den endelige versjonen av ideen. Og på hvert trinn må ideen bringes til den aktuelle ekspertens oppmerksomhet.

Noen få forbehold. Det er mange urealistiske forutsetninger kodet inn i simuleringen. Her er bare noen av dem:

1. Det antas at ideer ikke kan lagres og overføres unntatt fra person til person (dvs. ingen bøker eller medier).
2. Det antas at det er faste eksperter i befolkningen som kan generere ideer, selv om i virkeligheten mange tilfeldige faktorer påvirker forekomsten av en oppdagelse eller oppfinnelse.
3. Alle fire versjoner av ideen bruker det samme settet med SIS-parametere (baudhastighet, prosentandel av immunitet, etc.), selv om det sannsynligvis er mer realistisk å bruke forskjellige parametere for hver versjon (1.0, 2.0, etc.)
4. Det antas at idé N+1 alltid helt fortrenger idé N, selv om i praksis ofte både gamle og nye versjoner sirkulerer samtidig, uten noen klar vinner.

… og mange andre.

Diskusjonen

Dette er en latterlig forenklet modell av hvordan kunnskap faktisk vokser. Det er mange viktige detaljer igjen utenfor modellen (se over). Imidlertid fanger den opp den viktige essensen av prosessen. Og så kan vi, med forbehold, snakke om vekst av kunnskap ved å bruke vår kunnskap om diffusjon.

Spesielt gir diffusjonsmodellen innsikt i hvordan fremskynde prosessen: Behov for å lette utveksling av ideer mellom ekspertnoder. Dette kan bety å rydde nettverket av døde noder som hindrer diffusjon. Eller det kan bety å plassere alle ekspertene i en by eller klynge med høy nettverkstetthet hvor ideer spres raskt. Eller bare samle dem i ett rom:

Så... det er alt jeg kan si om diffusjon.

Men jeg har en siste tanke, og den er veldig viktig. Det handler om vekstog stagnasjon) kunnskap i vitenskapelige miljøer. Denne ideen er annerledes i tone og innhold fra alt ovenfor, men jeg håper du vil tilgi meg.

Om vitenskapelige nettverk

Illustrasjonen viser en av de viktigste positive tilbakemeldingssløyfene i verden (og det har vært slik lenge):

Den oppadgående progresjonen av syklusen (K ⟶ T) er ganske enkel: vi bruker ny kunnskap til å utvikle nye verktøy. For eksempel lar forståelsen av fysikken til halvledere oss bygge datamaskiner.

Den nedadgående bevegelsen krever imidlertid en viss forklaring. Hvordan fører teknologiutviklingen til økt kunnskap?

En måte – kanskje den mest direkte – er når nye teknologier gir oss nye måter å oppfatte verden på. For eksempel lar de beste mikroskopene deg se dypere inn i en celle, og gir innsikt for molekylærbiologi. GPS-sporere viser hvordan dyr beveger seg. Sonar lar deg utforske havene. Og så videre.

Dette er utvilsomt en viktig mekanisme, men det er minst to andre veier fra teknologi til kunnskap. De er kanskje ikke like enkle, men jeg tror de er like viktige:

Første. Teknologi fører til økonomisk overflod (dvs. rikdom), som gjør at flere mennesker kan engasjere seg i kunnskapsproduksjon.

Hvis 90 % av landets befolkning er engasjert i landbruk, og de resterende 10 % er engasjert i en eller annen form for handel (eller krig), så har folk veldig lite fritid til å tenke på naturlovene. Kanskje dette er grunnen til at vitenskap i tidligere tider hovedsakelig ble fremmet av barn fra rike familier.

USA produserer mer enn 50 000 Ph.D.s hvert år. I stedet for at en person skal jobbe på en fabrikk i en alder av 18 (eller tidligere), må en doktorgradsstudent finansieres til 30 år eller kanskje 40 år – og selv da er det uklart om arbeidet deres vil ha noen reell økonomisk innvirkning. Men det er nødvendig for en person å nå i forkant av sin disiplin, spesielt innen komplekse felt som fysikk eller biologi.

Faktum er at fra et systemsynspunkt er spesialister dyre. Og den ultimate kilden til offentlig rikdom som finansierer disse spesialistene er ny teknologi: plogen subsidierer pennen.

Sekund. Nye teknologier, spesielt innen reise og kommunikasjon, endrer strukturen i sosiale nettverk der kunnskap vokser. Spesielt lar det eksperter og spesialister samhandle tettere med hverandre.

Bemerkelsesverdige oppfinnelser her inkluderer trykkpressen, dampskip og jernbaner (som gjør det lettere å reise og/eller sende post over lange avstander), telefoner, fly og Internett. Alle disse teknologiene bidrar til økt nettverkstetthet, spesielt innenfor spesialiserte miljøer (der nesten all kunnskapsvekst skjer). For eksempel korrespondansenettverkene som dukket opp blant europeiske vitenskapsmenn på slutten av middelalderen, eller måten moderne fysikere bruker arXiv på.

Til syvende og sist er begge disse banene like. Begge øker tettheten i nettverket av spesialister, noe som igjen fører til økt kunnskap:

I mange år var jeg ganske avvisende til høyere utdanning. Mitt korte opphold på forskerskolen ga en dårlig smak i munnen. Men nå som jeg ser tilbake og tenker (bortsett fra alle personlige problemer), må jeg konkludere med at høyere utdanning fortsatt er det ekstremt viktig.

Akademiske sosiale nettverk (f.eks. forskningsmiljøer) er en av de mest avanserte og verdifulle strukturene vår sivilisasjon har skapt. Ingen steder har vi samlet en større konsentrasjon av spesialister med fokus på kunnskapsproduksjon. Ingen steder har folk utviklet en større evne til å forstå og kritisere hverandres ideer. Det er fremgangens bankende hjerte. Det er i disse nettverkene at opplysningens ild brenner sterkest.

Men vi kan ikke ta fremgang for gitt. Hvis eksperiment irreproduserbarhetskrise og hvis det lærte oss noe, så var det at vitenskapen kan ha systemiske problemer. Dette er en slags nettverksdegradering.

Anta at vi skiller mellom to måter å drive vitenskap på: ekte vitenskap и karriere. Ekte vitenskap er praksis som pålitelig produserer kunnskap. Den er motivert av nysgjerrighet og preget av ærlighet (Feynman: «Du skjønner, jeg trenger bare å forstå verden»). Karrierisme er tvert imot motivert av profesjonelle ambisjoner og er preget av å spille politikk og vitenskapelige snarveier. Det kan se ut og virke som vitenskap, men no produserer pålitelig kunnskap.

(Ja, dette er en overdreven dikotomi. Bare et tankeeksperiment. Ikke klandre meg).

Faktum er at når karrieremenn tar plass i det virkelige forskningsmiljøet, ødelegger de arbeidet. De streber etter å promotere seg selv mens resten av samfunnet prøver å få og dele ny kunnskap. I stedet for å strebe etter klarhet, kompliserer og forvirrer karrieremenn alt for å høres mer imponerende ut. De er engasjert i (som Harry Frankfurt ville sagt) vitenskapelig tull. Og derfor kunne vi modellere dem som døde noder, ugjennomtrengelige for rettferdig utveksling av informasjon som er nødvendig for kunnskapsvekst:

Den beste modellen er kanskje en der karrierenoder ikke bare er ugjennomtrengelige for kunnskap, men aktivt sprer falsk kunnskap. Falsk kunnskap kan inkludere ubetydelige resultater hvis betydning er kunstig oppblåst, eller virkelig falske resultater som oppstår fra manipulasjon eller fabrikkerte data.

Uansett hvordan vi modellerer dem, kan karriereister absolutt kvele våre vitenskapelige samfunn.

Det er som den kjernefysiske kjedereaksjonen vi sårt trenger - vi trenger en eksplosjon av kunnskap - bare vår berikede U-235 har for mye av den ikke-reaktive isotopen U-238 i seg, som undertrykker kjedereaksjonen.

Selvfølgelig er det ingen klar forskjell mellom karriereister og ekte forskere. Hver av oss har en liten bit av karriere gjemt i oss. Spørsmålet er hvor lenge nettverket kan vare før kunnskapsformidlingen blekner.

Å, du leste til slutten. Takk for at du leser.

Lisens

CC0 Alle rettigheter er ikke forbeholdt. Du kan bruke dette verket som du vil :).

Anerkjennelser

• Kevin Kwok и Nicky Case for gjennomtenkte kommentarer og forslag til ulike versjoner av utkastet.
• Nick Barr — for moralsk støtte gjennom hele prosessen og for de mest nyttige tilbakemeldingene på arbeidet mitt.
• Keith A. for å påpeke for meg fenomenet perkolasjon og perkolasjonsterskelen.
• Geoff Lonsdale for lenken til dette er et essay, som (til tross for sine mange mangler) var hoveddrivkraften for arbeidet med dette innlegget.

Interaktive essayprøver

• Alt av Nicky Cases arbeid, spesielt. "Lignelsen om polygonene" (med Vi Hart) og "Utvikle en bedre stemmeseddel". Dette er en høy standard for hva et interaktivt essay kan være.
• Distiller.pub: Eksepsjonelt høykvalitets interaktive beskrivelser av maskinlæring.
• Klassisk verk av Bret Victor "Opp og ned på abstraksjonsstigen". Jeg var ikke så flink til å bevege meg opp trappene, men det er alltid ett forsøk til.

Kilde: www.habr.com