Jeśli spędziłeś trochę czasu na myśleniu o złożonych systemach, to z pewnością rozumiesz znaczenie sieci. Sieci rządzą naszym światem. Od reakcji chemicznych wewnątrz komórki, po sieć relacji w ekosystemie, sieci handlowe i polityczne, które kształtują bieg historii.

Lub rozważmy ten artykuł, który czytasz. Prawdopodobnie znalazłeś go w sieci społecznościowej, ściągnąłeś z siec komputerowej i obecnie dekodujesz znaczenie za pomocą swojej sieci neuronowej..

Ale ilekroć myślałem o sieciach przez wiele lat, to do niedawna nie rozumiałem znaczenia prostej dyfuzji..

To nasz temat na dzisiaj: jak, w jak chaotyczny sposób wszystko się porusza i rozprzestrzenia. Kilka przykładów, aby podgrzać apetyt:

• Choroby zakaźne przekazywane z nosiciela na nosiciela wewnątrz populacji.
• Memes, które rozprzestrzeniają się w grafie obserwujących w mediach społecznościowych.
• Pożar lasów.
• Pomysły i praktyki, które przenikają do kultury.
• Kaskada neutronów w wzbogaconym uranie.

Krótkie uwagi dotyczące formy.

W przeciwieństwie do wszystkich moich wcześniejszych prac, to eseje — interaktywne [w oryginalnym artykule znajdują się interaktywne przykłady z suwakami i przyciskami, które sterują obiektami na ekranie — przyp. tłum.]

Zaczynajmy. Pierwsze zadanie to opracowanie wizualnego słownika dla rozprzestrzeniania w sieciach.

Prosty model

Jestem pewien, że wszyscy znacie podstawy sieci, czyli węzły + krawędzie. Aby zbadać dyfuzję, wystarczy oznaczyć niektóre węzły jako aktywne. Lub, jak to mówią epidemiolodzy, zainfekowane.:

Ta aktywacja lub infekcja rozprzestrzenia się w sieci z węzła do węzła zgodnie z zasadami, które opracujemy poniżej.

Rzeczywiste sieci zazwyczaj są znacznie większe niż ta prosta sieć z siedmioma węzłami. Są również znacznie bardziej skomplikowane. Ale dla uproszczenia zbudujemy tutaj model zabawkowy, aby zbadać siatkę, czyli sieć siatkową (lattice network).

(To, że siatce brakuje realizmu, rekompensuje fakt, że łatwo ją narysować 😉

Chyba że zaznaczone jest inaczej, węzły sieci mają czterech sąsiadów, na przykład:

I trzeba sobie wyobrazić, że te siatki rozciągają się nieskończoność we wszystkich kierunkach. Innymi słowy, nie interesuje nas zachowanie, które zachodzi tylko na brzegach sieci lub w niewielkich populacjach.

Biorąc pod uwagę, że siatki są tak uporządkowane, można je uprościć do pikseli. Na przykład te dwa obrazy przedstawiają tę samą sieć:

W jednym z wariantów zachowania aktywny węzeł zawsze przekazuje infekcję swoim (niezainfekowanym) sąsiadom. Jednak to jest nudne. O wiele ciekawsze rzeczy mają miejsce, gdy transmisja jest probabilistyczna.

SIR i SIS

W modele SIR (Susceptible-Infected-Removed) węzeł może znajdować się w trzech stanach:

• Wrażliwy (Susceptible)
• Zainfekowany (Infected)
• Usunięty (Removed)

Oto jak działa interaktywna symulacja [w oryginalnym artykule można wybrać szybkość transmisji infekcji od 0 do 1, zobaczyć proces krok po kroku lub całościowo — przyp. tłum.]:

• Węzły zaczynają jako wrażliwe, z wyjątkiem kilku węzłów, które zaczynają jako zainfekowane.
• Na każdym kroku czasowym zainfekowane węzły mają szansę przekazać infekcję każdemu ze swoich wrażliwych sąsiadów z prawdopodobieństwem równym szybkości transmisji.
• Zainfekowane węzły następnie przechodzą w stan "usunięty", tj. nie są już w stanie zarażać innych ani samego się zarazić.

W kontekście choroby usunięcie może oznaczać, że osoba umarła lub że nabyła odporność na patogen. Mówimy, że zostali "usunięci" z symulacji, ponieważ z nimi już nic się nie dzieje.

W zależności od tego, co próbujemy modelować, może być konieczny inny model, różny od SIR.

Jeśli symulujemy rozprzestrzenianie się odry lub wybuch pożaru leśnego, SIR jest idealny. Ale załóżmy, że symulujemy rozprzestrzenianie się nowej praktyki kulturowej, takiej jak medytacja. Na początku węzeł (człowiek) jest wrażliwy, ponieważ nigdy wcześniej tego nie robił. Następnie, jeśli zacznie medytować (możliwe, że usłyszał o tym od przyjaciela), będziemy modelować go jako zainfekowanego. Ale jeśli przerwie praktykę, nie umrze ani nie wypadnie z symulacji, ponieważ w przyszłości łatwo może znowu przyjąć ten nawyk. Tak więc wraca do stanu wrażliwego.

To model SIS (S-I-S). W klasycznym modelu są dwa parametry: prędkość transmisji i prędkość powrotu. W symulacjach dla tego artykułu postanowiłem jednak uprościć model, pomijając parametr prędkości powrotu. Zamiast tego, zainfekowany węzeł automatycznie wraca do stanu podatności w następnym kroku czasowym, chyba że zostanie ponownie zainfekowany przez jednego ze swoich sąsiadów. Dodatkowo pozwalamy węzłowi, zainfekowanemu w kroku n, zainfekować siebie w kroku n+1 z prawdopodobieństwem równym prędkości transmisji.

Dyskusja

Jak widać, to znacznie różni się od modelu SIR.

Ponieważ węzły nigdy nie są usuwane, nawet bardzo mała i ograniczona siatka może za długo utrzymywać infekcję SIS. Infekcja po prostu przeskakuje z węzła na węzeł i wraca wstecz.

Mimo różnic, SIR i SIS okazują się zaskakująco zamienne dla naszych celów. Dlatego na resztę artykułu skupimy się na SIS — głównie dlatego, że jest bardziej odporna i przez to ciekawiej się z nią pracuje.

Poziom krytyczny

Bawiając się modelami SIR i SIS, mogłeś zauważyć coś na temat trwałości infekcji. Przy bardzo niskich prędkościach transmisji, takich jak 10%, infekcja ma tendencję do wyginięcia. Natomiast przy wyższych wartościach, takich jak 50%, infekcja pozostaje żywa i zajmuje większą część sieci. Gdyby sieć była nieskończona, moglibyśmy sobie wyobrazić, że trwa dalej i rozwija się wiecznie.

Taka bezgraniczna dyfuzja ma wiele nazw: 'wirusowa', 'jądrowa' lub (w tytule tego artykułu) krytyczny.

Okazuje się, że jest konkretna punkt przełomowy, który oddziela sieci subkrytyczne (skazane na wyginięcie) od sieci nadkrytycznych (zdolnych do nieograniczonego wzrostu). Ten moment przełomu nazywa się progiem krytycznym, a to dość ogólny znak procesów dyfuzyjnych w typowych sieciach.

Dokładna wartość progu krytycznego różni się pomiędzy sieciami. Tym, co jest wspólne, jest obecność taka wartość.

[W interaktywnej demonstracji z oryginalnego artykułu można spróbować ręcznie znaleźć próg krytyczny sieci, zmieniając wartość prędkości transmisji. Znajduje się on gdzieś pomiędzy 22% a 23% — przyp. red.]

Przy 22% (i poniżej) infekcja w końcu wygasa. Przy 23% (i powyżej) początkowa infekcja czasami wygasa, ale w większości przypadków udaje jej się przetrwać i rozprzestrzeniać na tyle długo, aby zapewnić sobie wieczne istnienie.

(Zresztą, istnieje całe kierunek naukowy poświęcony poszukiwaniu tych krytycznych progów dla różnych topologii sieci. Dla szybkiego zapoznania się polecam prędko przewinąć artykuł z Wikipedii o progu przepływu).

Ogólnie rzecz biorąc, oto jak to działa: poniżej krytycznego progu każda końcowa infekcja w sieci gwarantowanie (z prawdopodobieństwem 1) w końcu wygasa. Ale powyżej krytycznego progu istnieje prawdopodobieństwo (p > 0), że infekcja będzie trwać wiecznie, i przy tym rozprzestrzeni się dowolnie daleko od miejsca początkowego.

Zauważ, że sieć nadkrytyczna nie gwarantuje, że infekcja będzie trwać wiecznie. W rzeczywistości często wygasa, zwłaszcza na wczesnych etapach modelowania. Przyjrzyjmy się, jak to się dzieje.

Załóżmy, że zaczęliśmy od jednego zarażonego węzła i czterech sąsiadów. Na pierwszym kroku modelowania infekcja ma 5 niezależnych szans na rozprzestrzenienie się (w tym szansę „rozprzestrzenić się” na siebie w następnym kroku):

Teraz załóżmy, że wskaźnik transmisji wynosi 50%. W takim przypadku na pierwszym kroku rzucamy monetą pięć razy. I jeśli wypadnie pięć orłów, infekcja zostanie zniszczona. Dzieje się to w około 3% przypadków — i to tylko na pierwszym kroku. Infekcja, która przeżyła pierwszy krok, ma pewne (zwykle mniejsze) prawdopodobieństwo wygaszenia na drugim kroku, pewne (jeszcze mniejsze) prawdopodobieństwo wygaszenia na trzecim kroku itd.

Tak więc, nawet gdy sieć jest nadkrytyczna — jeśli wskaźnik transmisji wynosi 99% — istnieje prawdopodobieństwo, że infekcja zniknie.

Ale ważne jest to, że nie zawsze będzie wygasać. Jeśli zsumować prawdopodobieństwo wygaszenia wszystkich kroków do nieskończoności, wynik jest mniejszy niż 1. Innymi słowy, z niezerowym prawdopodobieństwem infekcja będzie trwać wiecznie. Oto, co to znaczy, by sieć była nadkrytyczna.

SISa: spontaniczna aktywacja

Do tego momentu wszystkie nasze symulacje zaczynały się od małego kawałka wcześniej zarażonych węzłów w centrum.

Ale co, jeśli zaczniemy od zera? Następnie zasymulujemy spontaniczną aktywację — proces, w którym podatny węzeł zostaje zainfekowany przypadkowo (nie od jednego z sąsiadów).

To nazywa się modelem SISa. Litera „a” oznacza „automatyczny”.

W symulacji SISa pojawia się nowy parametr — szybkość spontanicznej aktywacji, która zmienia częstość występowania spontanicznej infekcji (parametr szybkości transmisji, który widzieliśmy wcześniej, również występuje).

Co jest potrzebne, aby infekcja rozprzestrzeniła się w całej sieci?

Dyskusja

Możliwe, że w symulacji zauważyłeś, że zwiększenie szybkości spontanicznej aktywacji nie zmienia tego, czy infekcja obejmuje całą sieć, czy nie. Tylko szybkość transmisji określa, czy sieć jest pod- czy ponadkrytyczna. A gdy sieć jest podkrytyczna (szybkość transmisji wynosi mniej lub równo 22%), żadna infekcja nie może rozprzestrzenić się na całą sieć, niezależnie od tego, jak często się zaczyna.

To tak, jakby rozpalać ogień na mokrej łące. Możesz podpalić kilka suchych liści, ale płomień szybko zgaśnie, ponieważ reszta krajobrazu nie zapala się wystarczająco łatwo (podkrytyczna). Podczas gdy na bardzo suchej łące (ponadkrytycznej) wystarczy jedna iskra, aby rozpoczął się wielki pożar.

Podobne zjawiska obserwuje się w sferze idei i wynalazków. Często świat nie jest gotowy na pomysł, a w takim przypadku można go wymyślać w kółko, ale nie przyciąga mas. Z drugiej strony, świat może być całkowicie gotowy na wynalazek (duży ukryty popyt), a kiedy tylko się pojawia, jest akceptowany przez wszystkich. Pośrodku znajdują się pomysły, które są wymyślane w kilku miejscach i rozprzestrzeniają się lokalnie, ale niewystarczająco, by jakaś pojedyncza wersja objęła od razu całą sieć. W tej ostatniej kategorii znajdujemy na przykład rolnictwo i pisma, które były niezależnie wynalezione przez różne cywilizacje ludzkie około dziesięciu i trzech razy, odpowiednio.

Immunitet

Załóżmy, że sprawiamy, że niektóre węzły są całkowicie odporne, czyli niewrażliwe na aktywację. To jakby były od początku w stanie odległym, a model SIS(a) uruchamiał się na pozostałych węzłach.

Suwak „immunitet” kontroluje procent usuniętych węzłów. Spróbuj zmienić jego wartość (podczas działania modelu!) i zobacz, jak wpływa na stan sieci, czy będzie ona ponadkrytyczna, czy nie.

Dyskusja

Zmiana liczby węzłów odpornych całkowicie zmienia obraz, czy sieć jest poniżej, czy powyżej krytycznej granicy. I łatwo to zrozumieć. Przy dużej liczbie niewrażliwych węzłów infekcja ma mniej możliwości rozprzestrzenienia się na nowe hosty.

Okazuje się, że to wiąże się z szeregiem bardzo ważnych praktycznych konsekwencji.

Jedną z nich jest zapobieganie rozprzestrzenianiu się pożarów leśnych. Na lokalnym poziomie każdy człowiek powinien podjąć własne środki ostrożności (na przykład nigdy nie zostawiać otwartego ognia bez nadzoru). Ale na większą skalę pojedyncze wybuchy są nieuniknione. W związku z tym inną metodą ochrony jest zapewnienie wystarczającej liczby „przerw” (w sieci łatwopalnych materiałów), aby niektóre wybuchy nie objęły całej sieci. Tę funkcję pełnią ścinki:

Jeszcze jednym wybuchem, który jest istotny do zatrzymania, jest choroba zakaźna. Wprowadza to koncepcję odporności zbiorowej. To idea, że niektórzy ludzie nie mogą zostać zaszczepieni (na przykład mają uszkodzony układ odpornościowy), ale jeśli wystarczająco dużo osób jest odpornych na infekcję, choroba nie będzie mogła się nieograniczenie rozprzestrzeniać. Innymi słowy, należy zaszczepić wystarczającą część populacji, aby przekształcić społeczeństwo z ponadkrytycznego w podkrytyczne. Gdy to się wydarzy, jeden pacjent nadal może się zarazić (na przykład po podróży do innego regionu), ale bez ponadkrytycznej sieci, w której może rosnąć, choroba zainfekuje tylko niewielką garstkę osób.

Wreszcie koncepcja odpornych węzłów wyjaśnia, co dzieje się w reaktorze jądrowym. W reakcji łańcuchowej rozkładający się atom uranu-235 uwalnia około trzech neutronów, które powodują (średnio) rozszczepienie więcej niż jednego atomu U-235. Nowe neutrony następnie wywołują dalsze rozszczepienia atomów i tak dalej wykładniczo:

Podczas tworzenia bomby kluczowym aspektem jest zapewnienie nieprzerwanego ciągu eksponencjalnego wzrostu. Jednak w elektrowni celem jest produkcja energii bez zabijania wszystkich wokół. W tym celu używane są pręty kontrolne, wykonane z materiału zdolnego do absorpcji neutronów (na przykład srebro lub bor). Ponieważ pochłaniają one neutrony, a nie je uwalniają, w naszej symulacji działają jak odporne węzły, zapobiegając w ten sposób przejściu rdzenia radioaktywnego w stan krytyczny.

W ten sposób trick reaktora jądrowego polega na utrzymaniu reakcji w pobliżu progu krytycznego, przesuwając pręty kontrolne w przód i w tył, i zapewniając, że ilekroć coś idzie nie tak, pręty opadają do rdzenia i go zatrzymują.

Stopień

Stopień węzła to liczba jego sąsiadów. Do tej pory analizowaliśmy sieci o stopniu 4. Ale co się dzieje, jeśli zmienimy ten parametr?

Na przykład można połączyć każdy węzeł nie tylko z czterema bezpośrednimi sąsiadami, ale także z czterema sąsiadami po przekątnej. W takiej sieci stopień wynosi 8.

Siatki o stopniach 4 i 8 są dobrze symetryczne. Jednak przy stopniu 5 (na przykład) pojawia się problem: których pięciu sąsiadów wybrać? W takim przypadku wybieramy czterech najbliższych sąsiadów (N, E, S, W), a następnie losowo wybieramy jednego sąsiada z grupy {NE, SE, SW, NW}. Wybór dokonywany jest niezależnie dla każdego węzła w każdym kroku czasowym.

Dyskusja

Znowu, nie trudno zrozumieć, co się tutaj dzieje. Kiedy każdy węzeł ma więcej sąsiadów, rosną szanse na rozprzestrzenienie się infekcji — a w ten sposób sieć ma większą szansę na stanie się krytyczną.

Jednak konsekwencje mogą być nieoczekiwane, co zobaczymy później.

Miasta i gęstość sieci

Do tej pory nasze sieci były całkowicie jednorodne. Każdy węzeł wygląda jak każdy inny. Ale co się stanie, jeśli zmienimy warunki i dopuścimy różne stany węzłów w całej sieci?

Na przykład spróbujmy zasymulować miasta. W tym celu zwiększamy gęstość w niektórych obszarach sieci (wyższy stopień węzłów). Robimy to na podstawie danych, że mieszkańcy miast mają szerszy krąg społeczny i więcej interakcji społecznych, niż ludzie poza miastami.

W naszym modelu wrażliwe węzły są kolorowane na podstawie swojego stopnia. Węzły w 'terenach wiejskich' mają stopień 4 (są pomalowane na jasnoszary kolor), podczas gdy węzły w 'miastach' mają wyższe stopnie (są pomalowane na ciemniej), zaczynając od stopnia 5 na obrzeżach i kończąc na 8 w centrum miasta.

Spróbuj dopasować taką prędkość rozprzestrzeniania się, aby aktywacja obejmowała miasta, a potem nie wychodziła poza ich granice.

Uważam, że ta symulacja jest jednocześnie oczywista i niezwykła. Oczywiście, miasta lepiej wspierają poziom kultury niż obszary wiejskie — wszyscy to wiedzą. Co mnie zaskakuje, to fakt, że część tej różnorodności kulturowej powstaje po prostu na podstawie topologii sieci społecznej.

To interesujący punkt, spróbuję wyjaśnić to dokładniej.

Tutaj mamy do czynienia z formami kultury, które są przekazywane w prosty i bezpośredni sposób z człowieka na człowieka. Na przykład, maniry, gry salonowe, modne tendencje, trendy językowe, rytuały małych grup i produkty, które rozprzestrzeniają się z ust do ust, plus całe pakiety informacji, które nazywamy ideami.

(Uwaga: rozprzestrzenianie się informacji między ludźmi jest ekstremalnie skomplikowane przez media masowego przekazu. Łatwiej jest wyobrazić sobie jakąś technologicznie prymitywną przestrzeń, na przykład starożytnej Grecji, gdzie niemal każda iskra kultury była przekazywana przez interakcję w przestrzeni fizycznej).

Z przedstawionej symulacji dowiedziałem się, że są pomysły i praktyki kulturowe, które mogą zakorzenić się i rozprzestrzenić w mieście, ale po prostu nie są w stanie rozprzestrzenić się na terenach wiejskich (matematycznie nie mogą). To te same pomysły i ci sami ludzie. Nie chodzi o to, że mieszkańcy wsi są jakimiś 'niedaleko myślącymi': w interakcji z tym samym pomysłem mają dokładnie te same szanse na jego przyjęcie, jak mieszkańcy miast. Po prostu sama idea nie może stać się wirusowa na terenach wiejskich, ponieważ tam nie ma tylu połączeń, za pomocą których mogłaby się rozprzestrzenić.

To jest chyba najłatwiej dostrzec w obszarze mody — odzieży, fryzur itp. W sieci mody możemy zaobserwować krawędź siatki, gdy dwie osoby zwracają uwagę na stroje. W centrum miasta każda osoba codziennie może zobaczyć ponad 1000 innych ludzi — na ulicy, w metrze, w zatłoczonym restauracji itp. Na obszarach wiejskich, przeciwnie, każda osoba może zobaczyć tylko parę dziesiątek innych. Na podstawie tylko tej różnicy, miasto jest w stanie utrzymywać więcej modowych trendów. Tylko najbardziej przekonujące trendów — o najszybszej transmisji — będą mogły zyskać uznanie poza miastem.

Mamy tendencję do myślenia, że jeśli pomysł jest dobry, to ostatecznie dotrze do wszystkich, a jeśli pomysł jest zły, to zniknie. Oczywiście, jest to prawdą w skrajnych przypadkach, ale między nimi istnieje wiele pomysłów i praktyk, które mogą stać się wirusowe tylko w określonych sieciach. To naprawdę fascynujące.

Nie tylko miasta

Rozważamy tutaj wpływ gęstości sieci. Jest ona definiowana dla danego zestawu węzłów jako liczba faktycznych krawędzi, podzielona przez liczbę potencjalnych krawędzi. To znaczy procent możliwych połączeń, które rzeczywiście istnieją.

Zatem widzieliśmy, że gęstość sieci w centrach miast jest wyższa niż na obszarach wiejskich. Jednak miasta nie są jedynym miejscem, gdzie znajdujemy gęste sieci.

Interesującym przykładem są szkoły średnie. Na przykład, w konkretnej dzielnicy porównajmy sieć, która istnieje wśród uczniów, z siecią, która istnieje wśród ich rodziców. To sama geograficzna dzielnica i ta sama liczba ludności, ale jedna sieć jest znacznie gęstsza od drugiej. Dlatego nic dziwnego, że trendy modowe i językowe rozprzestrzeniają się znacznie szybciej wśród nastolatków.

Podobnie, elitarne sieci są zazwyczaj znacznie gęstsze niż sieci nieelitarne — według mnie, ten fakt jest niedoceniany (osoby, które są popularne lub wpływowe, spędzają więcej czasu na budowaniu sieci, w związku z czym mają więcej „sąsiadów” niż przeciętni ludzie). Na podstawie przedstawionych powyżej symulacji spodziewamy się, że elitarne sieci będą utrzymywać pewne formy kulturowe, które nie mogą zostać podtrzymane przez mainstream, po prostu w oparciu o matematyczne zasady dotyczące średniego poziomu sieci. Zostawiam to do refleksji, jakie to mogą być formy kulturowe.

W końcu możemy zastosować tę ideę do internetu, modelując go jako ogromny i bardzo gęsty miasto. Nic dziwnego, że w internecie rozwija się wiele nowych rodzajów kultury, które po prostu nie mogą być podtrzymywane w czysto przestrzennych sieciach: niszowe hobby, lepsze standardy projektowania, większa świadomość niesprawiedliwości itd. I to nie tylko przyjemne rzeczy. Podobnie jak pierwsze miasta były siedliskiem chorób, które nie mogły się rozprzestrzeniać przy niskiej gęstości populacji, tak internet jest żyzną glebą dla złośliwych form kulturowych, takich jak clickbait, fałszywe wiadomości czy sztuczne wzburzenie.

Wiedza

„Znalezienie odpowiedniego eksperta w odpowiednim czasie często jest najcenniejszym zasobem dla kreatywnego rozwiązania problemu.” — Michael Nielsen, „Wynajdując odkrycia”

Często myślimy o odkryciu lub wynalazku jako o procesie, który zachodzi w umyśle pojedynczego geniusza. Zalewa go błysk inspiracji i— eureka! — nagle otrzymujemy nowy sposób pomiaru objętości. Lub równanie grawitacji. Lub żarówkę.

Jednak jeśli przyjmiemy perspektywę samotnego wynalazcy w momencie odkrycia, to patrzymy na zjawisko z perspektywy węzła. Tymczasem poprawniej byłoby interpretować wynalazek jako zjawisko sieciowe. Sieć jest istotna przynajmniej w dwóch aspektach. Po pierwsze, już istniejące idee muszą dotrzeć

do świadomości wynalazcy. To są cytaty z nowego artykułu, bibliografia nowej książki — giganci, na ramionach których stał Newton. Po drugie, sieć odgrywa kluczową rolę w zwróceniu nowego pomysłu z powrotem z powrotem W świecie; wynalazek, który się nie rozprzestrzenił, raczej nie zasługuje na miano „wynalazku”. Dlatego z obu tych powodów ma sens modelowanie wynalazku — lub, w szerokim tego słowa znaczeniu, wzrostu wiedzy — jako procesu dyfuzji.

Za chwilę przedstawię prostą symulację tego, jak wiedza może się rozprzestrzeniać i rozwijać w sieci. Ale najpierw muszę to wyjaśnić.

Na początku modelowania w każdym kwadracie siatki znajduje się czterech ekspertów, ustawionych w następujący sposób:

Ekspert 1 ma pierwszą wersję pomysłu — nazwijmy go Pomysłem 1.0. Ekspert 2 to osoba, która wie, jak przekształcić Pomysł 1.0 w Pomysł 2.0. Ekspert 3 wie, jak przekształcić Pomysł 2.0 w Pomysł 3.0. A w końcu czwarty ekspert wie, jak dopracować ostatnie detale, aby stworzyć Pomysł 4.0.

To przypomina technikę, jak origami, w której metody są opracowywane i łączone z innymi metodami, aby tworzyć ciekawsze konstrukcje. Lub może to być dziedzina wiedzy, taka jak fizyka, w której nowsza praca opiera się na fundamentalnej pracy poprzedników.

Istotą tej symulacji jest to, że potrzebujemy wszystkich czterech ekspertów, aby wnieśli swój wkład w ostateczną wersję pomysłu. I na każdym etapie pomysł musi być dostarczany do odpowiedniego eksperta.

Kilka zastrzeżeń. W symulacji zakodowano wiele nierealistycznych założeń. Oto niektóre z nich:

1. Zakłada się, że pomysły nie mogą być przechowywane i przekazywane inaczej, jak tylko z człowieka na człowieka (tj. nie ma książek ani mediów).
2. Zakłada się, że w populacji są stałych ekspertów, którzy potrafią generować pomysły, chociaż w rzeczywistości na pojawienie się odkrycia lub wynalazku wpływa wiele przypadkowych czynników.
3. Dla wszystkich czterech wersji pomysłu używany jest ten sam zestaw parametrów SIS (szybkość transferu, procent odporności itd.), chociaż bardziej realistyczne byłoby prawdopodobnie użycie różnych parametrów dla każdej wersji (1.0, 2.0 itd.)
4. Zakłada się, że pomysł N+1 zawsze całkowicie wypiera pomysł N, chociaż w praktyce często zarówno stara, jak i nowa wersja krążą jednocześnie, bez kategorycznego zwycięzcy.

… i wiele innych.

Dyskusja

To jest śmiesznie uproszczony model tego, jak naprawdę rozwijają się wiedza. Poza modelem pozostaje wiele istotnych szczegółów (patrz powyżej). Niemniej jednak odzwierciedla on istotę procesu. Dlatego możemy, z zastrzeżeniem, rozważać rozwój wiedzy, korzystając z naszej wiedzy o dyfuzji.

W szczególności model dyfuzji daje zrozumienie, jak przyspieszyć proces: należy ułatwić wymianę pomysłów między węzłami ekspertów. Może to oznaczać oczyszczenie sieci z martwych węzłów, które przeszkadzają w dyfuzji. Może to również oznaczać umieszczenie wszystkich ekspertów w mieście lub klastrze o dużej gęstości sieciowej, gdzie pomysły szybko się rozprzestrzeniają. Albo po prostu zebranie ich w jednym pomieszczeniu:

Tak… to wszystko, co mogę powiedzieć o dyfuzji.

Ale mam jeszcze jedną ostatnią myśl, i jest ona bardzo ważna. Mówi o wzroście (i stagnacji) wiedzy w społecznościach naukowych. Ta idea różni się tonem i treścią od wszystkiego, co powiedziano wcześniej, ale mam nadzieję, że mi to wybaczycie.

O sieciach naukowych

Na ilustracji pokazany jest jeden z najważniejszych pozytywnych cykli sprzężenia zwrotnego na świecie (i przez długi czas taki był):

Wznoszący się bieg cyklu (K ⟶ T) jest dość prosty: wykorzystujemy nową wiedzę do opracowania nowych narzędzi. Przykładowo, zrozumienie fizyki półprzewodników pozwala nam tworzyć komputery.

Jednak zstępujący bieg wymaga pewnego wyjaśnienia. W jaki sposób rozwój technologii prowadzi do wzrostu wiedzy?

Jednym ze sposobów — być może najprostszym — jest to, że nowe technologie dają nam nowe sposoby postrzegania świata. Na przykład lepsze mikroskopy pozwalają głębiej zaglądać do wnętrza komórki, dostarczając pomysłów dla biologii molekularnej. Śledzenie GPS pokazuje, jak poruszają się zwierzęta. Sonar pozwala badać oceany. I tak dalej.

Niezaprzeczalnie jest to żywotny mechanizm, ale istnieją co najmniej dwa inne sposoby przejścia od technologii do wiedzy. Może nie są tak proste, ale uważam, że są równie ważne:

Pierwszy. Technologie prowadzą do dobrobytu ekonomicznego (czyli bogactwa), a to pozwala większej liczbie ludzi zajmować się produkcją wiedzy.

Jeśli 90% populacji Twojego kraju zajmuje się rolnictwem, a pozostałe 10% - jakąkolwiek formą handlu (lub wojny), to ludzie mają niewiele wolnego czasu na myślenie o prawach natury. Być może dlatego w dawnych czasach nauką zajmowali się głównie dzieci z bogatych rodzin.

Stany Zjednoczone co roku kształcą ponad 50 000 doktorów nauk. Zamiast tego, aby człowiek poszedł pracować w fabryce w wieku 18 lat (lub wcześniej), doktorant musi być finansowany nawet do 30 lub 40 roku życia - a nawet wtedy nie wiadomo, czy jego praca przyniesie jakiś rzeczywisty efekt ekonomiczny. Ale to konieczne, aby człowiek osiągnął zaawansowane poziomy w swojej dziedzinie, szczególnie w tak сложnych obszarach jak fizyka czy biologia.

Faktem jest, że z perspektywy systemów specjaliści są drodzy. A ostatecznym źródłem wspólnego bogactwa, które finansuje tych specjalistów, jest nowa technologia: pług wspiera pióro.

DrugiNowe technologie, szczególnie w dziedzinie podróży i komunikacji, zmieniają strukturę sieci społecznych, w których rośnie wiedza. W szczególności pozwala to ekspertom i specjalistom na bliższą współpracę ze sobą.

Do najważniejszych wynalazków należy tu drukarka, parowce i koleje (ułatwiające podróżowanie i/lub wysyłanie poczty na dużą odległość), telefony, samoloty i internet. Wszystkie te technologie przyczyniają się do zwiększenia gęstości sieci, szczególnie w ramach wyspecjalizowanych społeczności (gdzie zachodzi niemal cały wzrost wiedzy). Na przykład sieci korespondencyjne, które powstały wśród europejskich uczonych pod koniec średniowiecza, lub sposób, w jaki nowocześni fizycy korzystają z arXiv.

Ostatecznie oba te podejścia są podobne. Oba zwiększają gęstość sieci specjalistów, co z kolei prowadzi do wzrostu wiedzy:

Przez wiele lat miałem dość lekceważące podejście do wykształcenia wyższego. Krótkotrwały pobyt na studiach doktoranckich pozostawił mi nieprzyjemny posmak. Ale teraz, gdy patrzę wstecz i myślę (muszę abstrahować od wszystkich osobistych problemów), muszę dojść do wniosku, że wykształcenie wyższe wciąż jest niezwykle ważne.

Sieci społeczne w nauce (na przykład, społeczności badawcze) są jedną z najbardziej zaawansowanych i cennych struktur stworzonych przez naszą cywilizację. Nigdzie nie zgromadziliśmy większej koncentracji specjalistów, skoncentrowanych na produkcji wiedzy. Nigdzie ludzie nie rozwijali zdolności rozumienia i krytyki nawzajem swoich idei w takim stopniu. To bijące serce postępu. To w tych sieciach ogień oświecenia płonie najsilniej.

Jednak nie możemy traktować postępu jako czegoś oczywistego. Jeśli kryzys w reprodukowalności doświadczeń nauczył nas czegoś, to jest to, że nauka może napotykać systemowe problemy. To w pewnym sensie degradacja sieci.

Załóżmy, że różnimy się dwoma sposobami uprawiania nauki: prawdziwa nauka i karierowizm. Prawdziwa nauka to praktyki, które niezawodnie produkują wiedzę. Jest motywowana ciekawością i charakteryzuje się uczciwością (Feynman: „Widzisz, po prostu muszę zrozumieć świat”). Karierowizm, przeciwnie, jest motywowany ambicjami zawodowymi i charakteryzuje się grą w politykę oraz naukowymi łatkami. Może wyglądać i działać jak nauka, ale nie produkuje niewiarygodną wiedzę.

(Tak, to jest przesadna dychotomia. Po prostu eksperyment myślowy. Nie miejcie mi za złe).

Faktem jest, że gdy karierowcy zajmują miejsce w prawdziwej społeczności badawczej, psują pracę. Starają się promować siebie, podczas gdy reszta społeczności stara się zdobywać nową wiedzę i dzielić się nią. Zamiast dążyć do klarowności, karierowcy wszystko komplikują i zaciemniają, aby brzmieć bardziej imponująco. Uprawiają (jak powiedziałby Harry Frankfurt) naukowy nonsens. W związku z tym możemy modelować ich jako martwe węzły, niewrażliwe na dobrą wiarę w wymianę informacji potrzebnych do wzrostu wiedzy:

Może najlepszym modelem jest ten, w którym karierowcy nie tylko są niewrażliwi na wiedzę, ale aktywnie rozpowszechniają fałszywą wiedzę. Fałszywa wiedza może obejmować nieistotne wyniki, których ważność jest sztucznie wyolbrzymiana, lub rzeczywiście fałszywe wyniki, które powstają w wyniku manipulacji lub sfałszowanych danych.

Niezależnie od tego, jak je modelujemy, karierowicze z pewnością mogą stłumić nasze społeczności naukowe.

To przypomina łańcuchową reakcję jądrową, której pilnie potrzebujemy — potrzebujemy eksplozji wiedzy — jednak w naszym wzbogaconym U-235 jest zbyt duża domieszka niereaktywnego izotopu U-238, który tłumi reakcję łańcuchową.

Oczywiście, nie ma wyraźnej różnicy między karierowiczami a prawdziwymi naukowcami. W każdym z nas tkwi trochę karierowizmu. Pytanie brzmi, jak długo sieć wytrzyma, zanim rozpowszechnianie wiedzy wygaśnie.

O, udało ci się dotrzeć do końca. Dziękuję za lekturę.

Licencja

CC0 wszystkie prawa zastrzeżone. Możesz używać tej pracy według własnego uznania :).

Podziękowania

• Kevinowi Kwokowi i Niki Case za przemyślane komentarze i sugestie dotyczące różnych wersji roboczych.
• Nickowi Barrowi — za wsparcie moralne przez cały proces oraz najbardziej przydatne uwagi dotyczące mojej pracy.
• Kitu A. za zwrócenie mi uwagi na zjawisko perkolacji i próg przepływu.
• Jeffowi Lonsdale'a za link do to esej, który (mimo wielu niedociągnięć) stał się głównym impulsem do pracy nad tym postem.

Przykłady interaktywnych esejów

• Wszystkie prace Niki Case, szczególnie «Przypowieść o poligonach» (z Vi Hart) oraz «Tworzenie lepszego biuletynu do głosowania». To wysoka poprzeczka tego, czym może być interakcyjny esej.
• Distill.pub: wyjątkowej jakości interaktywne opisy uczenia maszynowego.
• Klasyczna praca Breta Viktora «W górę i w dół po schodach abstrakcji». Nie poradziłem sobie z przelotami po schodach zbyt dobrze, ale zawsze można spróbować jeszcze raz.

Źródło: habr.com