Če ste preživeli nekaj časa, razmišljajoč o zapletenih sistemih, potem zagotovo razumete pomembnost omrežij. Omrežja vodijo naš svet. Od kemijskih reakcij znotraj celice do mreže odnosov v ekosistemu, trgovskih in političnih omrežij, ki oblikujejo potek zgodovine.

Ali pa razmislite o tem članku, ki ga trenutno berete. Verjetno ste ga našli v društvenoj mreži, prenesli iz računalniškega omrežja in trenutno razlagate pomen s pomočjo svoje nevronske mreže..

Toda kolikorkrat sem razmišljal o omrežjih skozi leta, do nedavnega nisem razumel pomena preproste difuzije..

To je naša tema za danes: kako, kako nepregledno se vse premika in širi. Nekaj primerov, da vas ogreje:

• Infekcijske bolezni, ki se prenašajo od nosilca do nosilca znotraj populacije.
• Memi, ki se širijo po grafu sledilcev na družbenih omrežjih.
• Požar v gozdu.
• Ideje in prakse, ki prodirajo v kulturo.
• Kaskada nevtronov v obogatenem uranu.

Kratka opomba o obliki.

Za razliko od vseh mojih prejšnjih del je ta esej interaktiven [v originalnem članku so predstavljeni interaktivni primeri s drsniki in gumbi, ki upravljajo objekte na zaslonu — op. prev.]

Torej, začnimo. Prva naloga je razviti vizualni slovar za širjenje po omrežjih.

Preprost model.

Prepričan sem, da vsi poznate osnovo omrežij, torej vozlišča + robove. Za raziskovanje difuzije je potrebno le označiti nekatera vozlišča kot aktivna.Ali, kot radi pravijo epidemiologi, okužena.:

Ta aktivacija ali okužba se širi po omrežju od vozlišča do vozlišča v skladu s pravili, ki jih bomo razvili spodaj.

Prava omrežja so ponavadi veliko večja od tega preprostega omrežja s sedmimi vozlišči. So tudi mnogo bolj zapletena. Toda za poenostavitev bomo tukaj zgradili igračarski model, da preučimo rešetko, torej rešetkasto omrežje (lattice network).

(To, da mreži primanjkuje realnosti, nadomesti dejstvo, da jo je enostavno narisati 😉

Razumeti je treba, da imajo v omrežju, razen če ni drugače navedeno, vozlišča štiri sosede, na primer:

In treba je predstavljati, da se te rešetke raztezajo neskončno v vse smeri. Z drugimi besedami, ne zanima nas vedenje, ki se dogaja le na robovih omrežja ali v majhnih populacijah.

Glede na to, da so mreže tako urejene, jih lahko poenostavimo na piksle. Na primer, ti dve sliki predstavljata isto omrežje:

V eni od možnosti obnašanja aktivna vozlišča vedno prenesejo okužbo svojim (neokuženim) sosedom. A to je dolgočasno. Veliko bolj zanimive stvari se zgodijo, ko se prenos zgodi s verjetnostjo.

SIR in SIS

V modeli SIR (Susceptible-Infected-Removed) vozlišče lahko obstaja v treh stanjih:

• Odpornost (Susceptible)
• Okuženo (Infected)
• Odstranjeno (Removed)

Tako deluje interaktivna simulacija [v originalnem članku lahko izberete hitrost prenosa okužbe od 0 do 1, opazujete proces korak za korakom ali naenkrat — op. prev.]:

• Vozlišča začnejo kot odporna, razen nekaterih vozlišč, ki začnejo kot okužena.
• Pri vsakem časovnem koraku imajo okužena vozlišča priložnost, da prenesejo okužbo vsakemu od svojih odgovornih sosedov, s verjetnostjo, enako hitrosti prenosa.
• Okužena vozlišča nato preidejo v stanje 'odstranjeno', kar pomeni, da niso več sposobna okužiti drugih ali okužiti sebe.

V kontekstu bolezni odstranjevanje lahko pomeni, da je oseba umrla ali da je razvila imuniteto na patogen. Pravimo, da so 'odstranjeni' iz simulacije, ker z njimi ne dogaja nič več.

Odvisno od tega, kaj poskušamo modelirati, je morda potrebna drugačen model kot SIR.

Če simuliramo širjenje ošpic ali izbruh gozdnega požara, je SIR idealen. Ampak recimo, da simuliramo širjenje nove kulturne prakse, na primer meditacijo. Sprva je vozlišče (oseba) odzivno, ker tega nikoli prej ni počelo. Nato, če začne meditirati (mogoče slišal o tem od prijatelja), ga bomo modelirali kot okuženega. Ampak, če preneha s prakso, ne bo umrl in ne bo izpadel iz simulacije, ker se v prihodnosti lahko zlahka ponovno pridobi to navado. Tako preide nazaj v odzivno stanje.

To model SIS (Susceptible–Infected–Susceptible). V klasičnem modelu sta dva parametra: hitrost prenosa in hitrost okrevanja. Vendar pa sem v simulacijah za ta članek poenostavil in izpustil parameter hitrosti okrevanja. Namesto tega okužena vozlišča samodejno preidejo nazaj v ranljivo stanje v naslednjem časovnem koraku, razen če jih ne okuži eno od njihovih sosedov. Poleg tega omogočamo, da se vozlišče, okuženo v koraku n, okuži samo v koraku n+1 z verjetnostjo, ki je enaka hitrosti prenosa.

Razprava

Kot lahko vidite, se to močno razlikuje od modela SIR.

Ker vozlišča nikoli niso odstranjena, lahko tudi zelo majhna in omejena mreža ohranja okužbo SIS dolgo časa. Okužba preprosto preskoči z vozlišča na vozlišče in se vrne nazaj.

Kljub razlikam se SIR in SIS izkažeta za presenetljivo zamenljivi za naše cilje. Zato se za preostali del članka osredotočimo na SIS – predvsem zato, ker je bolj vztrajen in zato bolj zanimiv za delo.

Kritična raven

Ko ste se igrali z modeli SIR in SIS, ste morda opazili nekaj glede vzdržljivosti okužbe. Pri zelo nizkih hitrostih prenosa, kot je 10%, okužba pogosto izumre. Medtem ko pri višjih vrednostih, kot je 50%, okužba ostane živa in zajame večji del omrežja. Če bi bila mreža neskončna, bi si lahko predstavljali, da se širi in traja v nedogled.

Takšna brezmejna difuzija ima veliko imen: 'virusna', 'jedrska' ali (v naslovu tega članka) kritična.

Izkazalo se je, da obstaja konkretna točka preloma, ki ločuje dokritične mreže (obsojene na izumiranje) od nadkritičnih mrež (sposobnih za neskončno rast). Ta prelomen trenutek se imenuje kritični prag, in to je dokaj splošna značilnost difuzijskih procesov v običajnih mrežah.

Natančna vrednost kritičnega praga se razlikuje med mrežami. Kar je skupno, je prisotnost takšne vrednosti.

[V interaktivni demonstraciji iz izvirnega članka lahko poskusite ročno odkriti kritični prag mreže s spreminjanjem vrednosti hitrosti prenosa. Ta se nahaja nekje med 22% in 23% – op. prev.]

Pri 22% (in nižjih) okužba na koncu izumre. Pri 23% (in višjih) prvotna okužba včasih izumre, vendar ji v večini primerov uspe preživeti in se širiti dovolj dolgo, da si zagotovi večno obstoj.

(Mimogrede, obstaja celo znanstvena smer, ki se ukvarja s iskanjem teh kritičnih pragov za različne omrežne topologije. Za hitro spoznavanje priporočam hitro pregledovanje članka na Wikipediji o pragu prehajanja).

Na splošno to deluje takole: pod kritičnim pragom vsaka končna okužba v omrežju zagotovo (s verjetnostjo 1) na koncu izumre. Ampak nad kritičnim pragom obstaja verjetnost (p > 0), da bo okužba trajala večno, pri čemer se lahko širi poljubno daleč od prvotne točke.

Vendar pa bodite pozorni, da nadkritično omrežje ne zagotavlja, da bo okužba trajala večno. V resnici pogosto ugaša, zlasti v najzgodnejših fazah modeliranja. Poglejmo, kako se to zgodi.

Predpostavimo, da smo začeli z enim okuženim vozliščem in štirimi sosedi. Na prvem koraku modeliranja ima okužba 5 neodvisnih priložnosti za širitev (vključno s priložnostjo, da se 'širi' na sebe v naslednjem koraku):

Zdaj domnevajmo, da je hitrost prenosa 50%. V tem primeru na prvem koraku petkrat vržemo kovanec. In če pade petkrat orlov, bo okužba uničena. To se zgodi približno v 3% primerov — in to je le na prvem koraku. Okužba, ki je preživela prvi korak, ima neko (ponavadi manjšo) verjetnost, da ugasne v drugem koraku, neko (še manjšo) verjetnost, da ugasne v tretjem koraku in tako naprej.

Tako tudi ko je omrežje nadkritično — če je hitrost prenosa 99% — obstaja verjetnost, da bo okužba izginila.

Ampak pomembno je to, da se ne vedno ugasne. Če seštejemo verjetnost ugašanja vseh korakov do neskončnosti, je rezultat manjši od 1. Drugimi besedami, z ničelno verjetnostjo okužba nadaljuje večno. To pomeni, da je omrežje nadkritično.

SISa: spontana aktivacija

Do zdaj so vse naše simulacije začele z majhnim kosom vnaprej okuženih vozlišč v središču.

Kaj pa, če začnemo z ničle? Potem bomo modelirali spontano aktivacijo — postopek, s katerim okuženi vozel naključno zboli (ne od enega od sosedov).

To imenovana model SISa. Črka “a” pomeni „avtomatski“.

V simulaciji SISa se pojavi nov parameter — hitrost spontane aktivacije, ki spreminja pogostost pojava spontane okužbe (parameter prenosa, ki smo ga videli prej, je prav tako prisoten).

Kaj je potrebno, da se okužba razširi po celotnem omrežju?

Razprava

Morda ste v simulaciji opazili, da povečanje hitrosti spontane aktivacije ne spremeni, ali okužba zajame celotno omrežje ali ne. Samo hitrost prenosa določa, ali je omrežje pod- ali nadkritično. In ko je omrežje podkritično (hitrost prenosa manjša ali enaka 22%), nobena okužba ne more doseči celotne mreže, ne glede na to, kako pogosto se začne.

To je tako, kot da bi poskušali zakuriti ogenj na mokrem polju. Lahko prižgete nekaj suhega listja, vendar bo plamen kmalu ugasnil, ker preostali del pokrajine ni dovolj lahko vnetljiv (podkritično). Medtem ko na zelo suhem polju (nadkritičnem) zadostuje ena iskrica, da se požar razplamti.

Podobne stvari opažamo na področju idej in izumov. Pogosto svet ni pripravljen na idejo, in v tem primeru jo lahko izumljajo znova in znova, vendar ne pritegne množic. Po drugi strani pa je svet lahko popolnoma pripravljen na izum (velika skrita povpraševanja), in ko se ta rodi, jo sprejmejo vsi. Na sredini so ideje, ki se izumljajo na več krajih in se širijo lokalno, a niso dovolj, da bi katera koli posamezna različica pokrila celotno omrežje hkrati. V tej zadnji kategoriji najdemo, na primer, kmetijstvo in pisanje, ki sta bila neodvisno izumljena v različnih človeških civilizacijah približno deset in tri krat, ustrezno.

Imuniteta

Recimo, da nekatere vozle naredimo popolnoma neulovljive, torej nevzdržne za aktivacijo. To je, kot da so bili od samega začetka v oddaljenem stanju, medtem ko se model SIS(a) izvaja na preostalih vozlih.

Drs. 'imuniteta' upravlja postotkom uklonjenih čvorova. Pokušajte promijeniti njegovu vrijednost (za vrijeme rada modela!) i vidjeti kako utječe na stanje mreže, hoće li biti superkritična ili ne.

Razprava

Promjena broja neosjetljivih čvorova potpuno mijenja sliku, hoće li mreža biti sub- ili superkritična. Nije teško razumjeti zašto. Kada je broj neosjetljivih čvorova velik, infekcija ima manje mogućnosti za širenje na nove domaćine.

Ispostavlja se da to povlači niz vrlo važnih praktičnih posljedica.

Jedna od njih je sprječavanje širenja šumskih požara. Na lokalnoj razini, svaka osoba treba poduzeti vlastite mjere predostrožnosti (na primjer, nikada ne ostavljati otvorenu plamen bez nadzora). No na velikim razmjerima, pojedinačni izbijanja su neizbježna. Tako da je drugi način zaštite osiguranje dovoljnih 'prekida' (u mreži lako zapaljivih materijala) kako bi izbijanje ne obuhvatilo cijelu mrežu. Ova funkcija se ostvaruje putem proreda:

Još jedno izbijanje koje je važno zaustaviti je zarazna bolest. Ovdje se uvodi koncept populacijskog imuniteta. To je ideja da neki ljudi ne mogu biti cijepljeni (na primjer, jer imaju oslabljen imunološki sustav), ali ako dovoljno ljudi bude otporno na infekciju, bolest se neće moći širiti beskonačno. Drugim riječima, potrebno je cijepiti dovoljno dio populacije kako bi se stanovništvo prebacilo iz superkritičnog u subkritično stanje. Kada se to dogodi, jedan pacijent se još uvijek može zaraziti (na primjer, nakon putovanja u drugi region), ali bez superkritične mreže u kojoj može rasti, bolest će zaraziti samo mali broj ljudi.

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

Pri ustvarjanju bombe je smisel zagotoviti nemoteno nadaljevanje eksponentne rasti. Na elektrarni pa je cilj proizvesti energijo, ne da bi ubili vse okoli. Za to se uporabljajo regulacijska palica, narejena iz materiala, sposobnega absorbirati nevtrone (na primer srebro ali bor). Ker jih absorbirajo, ne da bi sproščali nevtrone, v naši simulaciji delujejo kot neodzivni vozli, s čimer preprečujejo prehod radioaktivnega jedra v superkritično stanje.

Torej je zvijača jedrskih reaktorjev, da držijo reakcijo blizu kritične meje, s premikanjem regulacijskih palic naprej in nazaj, ter zagotavljajo, da vsakokrat, ko gre kaj narobe, palice padejo v jedro in ga ustavijo.

Stopnja

Stopnja vozla je število njegovih sosedov. Do sedaj smo obravnavali mreže 4. stopnje. Kaj pa se zgodi, če spremenimo ta parameter?

Na primer, lahko povežemo vsako vozlišče ne samo s štirimi neposrednimi sosedi, ampak tudi s še štirimi po diagonali. V takšni mreži bo stopnja 8.

Mreže s stopnjama 4 in 8 so dobro simetrične. Vendar pa pri stopnji 5 (na primer) pride do težave: katere pet sosedov izbrati? V tem primeru izberemo štiri najbližje sosede (N, E, S, V), nato pa naključno izberemo enega soseda iz množice {NE, SE, SW, NW}. Izbor se izvaja neodvisno za vsako vozlišče v vsakem koraku časa.

Razprava

Spet ni težko razumeti, kaj se tukaj dogaja. Ko ima vsako vozlišče več sosedov, se povečajo možnosti za širjenje okužbe — in tako ima mreža večjo verjetnost, da postane kritična.

Vendar pa so lahko posledice nepričakovane, kot bomo videli spodaj.

Mesta in gostota mreže

Do sedaj so bila naša omrežja popolnoma homogena. Vsako vozlišče izgleda kot vsako drugo. Kaj pa, če spremenimo pogoje in dovolimo različna stanja vozlišč po celotni mreži?

Na primer, poskusimo modelirati mesta. Za to povečamo gostoto v nekaterih delih mreže (višja stopnja vozlišč). To delamo na podlagi podatkov, da imajo mestni prebivalci širši socialni krog in več socialnih interakcij, kot ljudje izven mest.

V našem modelu jsou vnímavé uzly zbarveny na základě jejich stupně. Uzly v "venkově" mají stupeň 4 (a jsou zbarveny světlou šedou barvou), zatímco uzly v "městech" mají vyšší stupně (a jsou tmavší), počínaje stupněm 5 na okraji a konče stupněm 8 v centru města.

Snažte se najít takovou rychlost šíření, aby aktivace pokrývala města, ale pak se neposunula za jejich hranice.

Tuto simulaci považuji za zároveň očividnou a úžasnou. Samozřejmě, města lépe podporují kulturní úroveň než venkovské oblasti – to ví každý. Co mě však překvapuje, je to, že část této kulturní rozmanitosti vzniká jednoduše na základě topologie sociální sítě.

To je zajímavý bod, pokusím se to podrobněji vysvětlit.

Zde se zabýváme formami kultury, které se přenášejí jednoduše a přímo z člověka na člověka. Například manners, salonní hry, módní trendy, jazykové trendy, rituály malých skupin a produkty, které se šíří z úst do úst, plus celé balíčky informací, které nazýváme myšlenkami.

(Poznámka: šíření informací mezi lidmi je extrémně komplikováno prostředky hromadné komunikace. Je snazší si představit nějaké technologicky primitivní prostředí, například starověké Řecko, kde byla skoro každá jiskřička kultury předávána interakcí v fyzickém prostoru).

Z uvedené simulace jsem se dozvěděl, že existují myšlenky a kulturní praktiky, které se mohou zakořenit a šířit ve městě, ale jednoduše se nemohou šířit na venkově (matematicky nemohou). Jsou to ty same myšlenky a ti sami lidé. Nejde o to, že by venkované byli "neinteligentní": při interakci s tou samou myšlenkou mají přesně ty same šance na to, aby ji přijali, jako měšťané. Jen ta myšlenka se nemůže stát virální na venkově, protože tam není tolik vazeb, po kterých by se mohla šířit.

To put it simply, this is most evident in the fashion realm — clothing, hairstyles, etc. In the fashion network, we can observe the edge of a grid when two people notice each other's outfits. In an urban center, every person encounters over 1,000 other people daily — on the street, in the subway, at a crowded restaurant, etc. In contrast, in rural areas, each person can see only a few dozen others. Based on this difference alone, cities can support more fashion trends. Only the most compelling trends — with the highest transmission speed — can establish themselves beyond the city.

We tend to believe that if an idea is good, it will ultimately reach everyone, and if an idea is bad, it will fade away. This is undoubtedly true in extreme cases, but between them lies a multitude of ideas and practices that can become viral only within certain networks. It’s truly remarkable.

Not just cities

Here we consider the impact of network density. It is defined for a given set of nodes as the number of actual edges, divided by the number of potential edges. That is, the percentage of possible connections that actually exist.

Thus, we have seen that network density in urban centers is higher than in rural areas. But cities are not the only places where we find dense networks.

A fascinating example is high schools. For instance, within a specific area, we can compare the network that exists among students with the network that exists among their parents. The same geographical area and the same population size, but one network is significantly denser than the other. Therefore, it is no surprise that fashion and linguistic trends spread much faster among teenagers.

Podobno, elitne mreže su obično mnogo gušće od neelitnih mreža — smatram da se ova činjenica potcjenjuje (ljudi koji su popularni ili utjecajni troše više vremena na izgradnju mreža, stoga imaju više „susjeda“ od običnih ljudi). Na temelju gorenavedenih simulacija, očekujemo da će elitne mreže podržavati neke kulturne forme koje mainstream ne može podržati, jednostavno na osnovu matematičkih zakona prosječne gustoće mreža. Ostavljam vam da razmislite o tome koje to kulturne forme mogu biti.

Na kraju, možemo primijeniti ovu ideju na internet, modelirajući ga kao ogroman i vrlo gust grad. Nije iznenađujuće što u internetu cvjeta mnogo novih vrsta kulture koje jednostavno nije moguće podržati u čistim prostornim mrežama: nišna hobije, bolje standarde dizajna, veće osvješćivanje nepravde itd. I to nisu samo ugodne stvari. Baš kao što su prvi gradovi bili leglo bolesti koje se nisu mogle širiti pri niskoj gustoći populacije, tako je internet plodna sredina za maligne kulturne forme, poput clickbait-a, lažnih vijesti i poticanja umjetnog uzrujavanja.

Znanje

„Privlačenje pravog eksperta u pravom trenutku često je najvredniji resurs za kreativno rješavanje problema.“ — Majkl Nilsen, „Izumljavanje otkrića“

Često razmišljamo o otkriću ili izumu kao o procesu koji se događa u umu jednog genija. Pogađa ga iznenada bljesak inspiracije i — eureka! — iznenada dobivamo novi način mjerenja volumena. Ili jednači gravitaciju. Ili žarulju.

No, ako zauzmemo perspektivu usamljenog izumitelja u trenutku otkrića, gledamo na fenomen iz perspektive čvora. Dok bi ispravnije bilo tumačiti izum kao mrežni fenomen.

Mreža je važna u najmanje dva aspekta. Prvo, postojeće ideje moraju ući u svijest izumitelja. To su citati iz novog članka, bibliografski odjeljak nove knjige — divovi na čijim je ramenima stajao Njutn. Drugo, mreža je ključna za vraćanje nove ideje natrag v svet; izum, ki se ni razširil, verjetno sploh ne bi smeli imenovati 'izum'. Zato ima smisel modelirati izum — ali v širšem smislu, rast znanja — kot proces difuzije.

Čez trenutek bom predstavil grobo simulacijo, kako se lahko znanje širi in raste znotraj omrežja. A najprej moram pojasniti.

Na začetku modeliranja v vsakem kvadrantu mreže stoji štiri strokovnjake, razporejene na naslednji način:

Expert 1 ima prvo različico ideje — imenujmo jo Ideja 1.0. Expert 2 je oseba, ki ve, kako spremeniti Idejo 1.0 v Idejo 2.0. Expert 3 ve, kako preoblikovati Idejo 2.0 v Idejo 3.0. In končno, četrti ekspert ve, kako dodati zadnje popravke za spodbudo Ideje 4.0.

To je podobno tehniki origami, kjer se tehnike razvijajo in združujejo z drugimi tehnikami, da ustvarijo bolj zanimive konstrukcije. Lahko pa gre za področje znanja, kot je fizika, kjer je poznejše delo temelji na temeljnih raziskavah predhodnikov.

Namen te simulacije je, da potrebujemo vse štiri strokovnjake, da prispevajo k končni različici ideje. In na vsakem koraku je treba idejo dovesti do ustreznega strokovnjaka.

Nekaj pripomb. V simulaciji je vgrajeno veliko nerealističnih predpostavk. Tukaj je le nekaj izmed njih:

1. Predpostavlja se, da ideje ne moremo ohraniti in prenašati drugače kot od osebe do osebe (tj. ni knjig in medijev).
2. Predpostavlja se, da so v populaciji stalni strokovnjaki, sposobni generirati ideje, čeprav na dejanski pojav odkritja ali izuma vpliva mnogo naključnih dejavnikov.
3. Za vseh štiri različice ideje se uporablja enaka nastavitev SIS (hitrost prenosa, odstotek odpornosti itd.), čeprav bi bilo verjetno bolj realno uporabiti različne parametre za vsako različico (1.0, 2.0 itd.)
4. Predpostavlja se, da ideja N+1 vedno popolnoma izpodrine idejo N, čeprav v praksi pogosto krožijo stara in nova različica hkrati, brez jasnega zmagovalca.

… in mnoge druge.

Razprava

To je smešno poenostavljena veja, kako se v resnici razvijajo znanja. Veliko pomembnih podrobnosti je ostalo zunaj tega modela (glej zgoraj). Kljub temu pa odraža bistvo procesa. Zato lahko, ob določenih omejitvah, razpravljamo o rasti znanja, pri čemer uporabimo naše razumevanje difuzije.

Zlasti difuzijski model ponuja razumevanje, kako pospešiti proces: potrebno je olajšati izmenjavo idej med strokovnimi solisami. To lahko pomeni čiščenje omrežja mrtvih solis, ki ovirajo difuzijo. Ali pa to lahko pomeni, da vse strokovnjake postavimo v mesto ali grozd z visoko gostoto omrežja, kjer se ideje hitro širijo. Ali pa jih preprosto zbrati v eni sobi:

Torej... to je vse, kar lahko povem o difuziji.

Imam pa še en zadnji misel, in ta je zelo pomembna. Gre za rast (in stagnacijo) znanja v znanstvenih skupnostih. Ta ideja se po tonu in vsebini razlikuje od vsega, kar je bilo povedano zgoraj, a upam, da mi boste odpustili.

O znanstvenih omrežjih

Na ilustraciji je prikazan eden najpomembnejših pozitivnih krogov povratnih informacij na svetu (ki je tako dolgo že tak):

Vzpenjajoči se potek kroga (K ⟶ T) je dovolj preprost: nova znanja uporabljamo za razvoj novih orodij. Na primer, razumevanje fizike polprevodnikov nam omogoča ustvarjanje računalnikov.

Vendar pa potrebuje padajoči potek nekaj razlage. Kako razvoj tehnologij vodi k rasti znanja?

Eden od načinov - morda najdirektnejši - je, ko nove tehnologije dajejo nove načine zaznavanja sveta. Na primer, boljši mikroskopi nam omogočajo, da globlje pogledamo v celico, kar spodbuja ideje za molekularno biologijo. GPS sledilci kažejo, kako se premikajo živali. Hidrolokator omogoča raziskovanje oceanov. In tako naprej.

Nedvomno je to ključni mehanizem, a obstajata vsaj dva druge načina od tehnologije do znanja. Morda nista tako preprosta, a menim, da sta enako pomembna:

Prvi. Tehnologija vodi do gospodarske blaginje (torej bogastva), kar omogoča večjemu številu ljudi ukvarjanje s proizvodnjo znanja.

Če 90 % prebivalstva vaše države opravlja kmetijstvo, ostalih 10 % pa se ukvarja s trgovino (ali vojno), imajo ljudje zelo malo prostega časa za razmišljanje o zakonih narave. Morda je prav zato v preteklosti znanost napredovala predvsem zahvaljujoč otrokom iz bogatih družin.

ZDA letno podelijo več kot 50.000 doktoratov. Namesto da bi nekdo pri 18 letih (ali prej) začel delati v tovarni, je študenta potrebno financirati do 30 ali celo do 40 let—in še takrat ni jasno, ali bo njegova dela prinesla kakršenkoli realen ekonomski učinek. A to je nujno, da posameznik doseže napredne mejnike v svoji disciplini, zlasti na tako zahtevnih področjih, kot sta fizika ali biologija.

Gre za to, da so s sistemskega vidika strokovnjaki dragi. In končni vir javnega bogastva, ki financira te strokovnjake, so nove tehnologije: plug subvencionira pero.

Drugi. Nove tehnologije, zlasti na področju potovanj in komunikacij, spreminjajo strukturo socialnih omrežij, v katerih se znanje širi. To posebej omogoča strokovnjakom in specialistom tesnejše sodelovanje med seboj.

Med vidnimi izumi so tiskarski stroj, parniki in železnice (ki olajšujejo potovanja in/ali pošiljanje pošte na dolge razdalje), telefoni, letala in internet. Vse te tehnologije prispevajo k povečanju gostote omrežja, zlasti v okviru specializiranih skupnosti (kjer se skoraj ves razvoj znanja odvija). Na primer, omrežja korespondence, ki so se razvila med evropskimi znanstveniki v pozni srednjem veku, ali kako sodobni fiziki uporabljajo arXiv.

Na koncu sta obe poti podobni. Obe povečujeta gostoto omrežja strokovnjakov, kar pa vodi v rast znanja:

Dolgo časa sem precej zaničeval višje izobraževanje. Krajši čas v podiplomskem študiju mi je pustil neprijeten priokus. A zdaj, ko se ozirem nazaj in razmišljam (po možnosti se distanciram od vseh osebnih težav), moram zaključiti, da je višje izobraževanje še vedno izjemno pomembno.

Akademske društvene mreže (na primjer, istraživačke zajednice) su jedna od najnaprednijih i najvrednijih struktura koje je naša civilizacija stvorila. Nigde nismo skupili veću koncentraciju stručnjaka fokusiranih na proizvodnju znanja. Nigde ljudi nisu razvili veću sposobnost razumevanja i kritike jedni drugih. Ovo je srce napretka. Upravo u tim mrežama plamen prosvetiteljstva gori najjače.

Ali ne možemo uzimati napredak zdravo za gotovo. Ako krizni problem neponovljivosti eksperimenata nas je nečemu naučio, to je da nauka može imati sistemske probleme. To je zapravo degradacija mreže.

Pretpostavimo da razlikujemo dva pristupa nauci: prava nauka in karijerizam. Prava nauka su prakse koje pouzdano proizvode znanje. Ona je motivisana radoznalošću i karakterizuje je poštenje (Feynman: „Vidite, jednostavno moram razumeti svet“). Karijerizam, s druge strane, motivisan je profesionalnim ambicijama i karakteriše ga igranje politike i naučne etikete. Može izgledati i delovati kao nauka, ali ne ne proizvodi pouzdano znanje.

(Da, ovo je prenaglašena dihotomija. Samo misaoni eksperiment. Ne zamerite).

Stvar je u tome da kada karijeristi zauzimaju mesto u pravoj naučno-istraživačkoj zajednici, kvare rad. Oni teže da promovišu sebe, dok ostatak zajednice pokušava da stekne nova saznanja i podeli ih. Umesto da teže jasnoći, karijeristi sve komplikuju i zamagljuju kako bi delovali impresivnije. Bave se (kako bi rekao Harry Frankfurt) naučnom glupošću. I, stoga, mogli bismo ih modelovati kao mrtve čvorove, otporne na savestan razmen informacija potrebnih za rast znanja:

Možda je najbolji model onaj u kojem čvorovi karijerista nisu samo otporni na znanje, već aktivno šire lažna znanja. Lažna znanja mogu uključivati beznačajne rezultate čija je važnost veštački napumpana, ili zaista lažne rezultate koji nastaju zbog manipulacija ili falsifikovanih podataka.

Ne glede na to, kako jih modeliramo, lahko karieristi nedvomno dušijo naše znanstvene skupnosti.

To je podobno verižni jedrski reakciji, ki jo nujno potrebujemo — potrebujemo eksplozijo znanja — le da je v našem obogatenem U-235 prevelik delež nerezaktivnega izotopa U-238, ki duši verižne reakcije.

Seveda ni jasne ločnice med karieristi in pravimi znanstveniki. V vsakem od nas je malo karierizma. Vprašanje je, koliko bo omrežje preneslo, preden se širjenje znanja ustavi.

O, prebrali ste do konca. Hvala za branje.

Licenca

CC0 vse pravice niso zaščitene. To delo lahko uporabite, kot menite, da je potrebno :).

Poděkování

• Kevinu Kwoku in Niki Case za premišljene komentarje in predloge glede različnih različic osnutka.
• Niku Barru — za moralno podporo skozi ves proces in za najbolj uporabne povratne informacije o mojem delu.
• Kitu A. za to, da mi je pokazal pojav perkolacije in prag preteka.
• Jeffu Lonsdaleu za sklicevanje na to esej, ki je (kljub svojim številnim pomanjkljivostim) postal glavni spodbujevalec za delo na tem prispevku.

Primeri interaktivnih esejev

• Vsa dela Niki Case, zlasti »Pripoved o poligonih« (z Vi Hart) in »Razvoj boljšega volilnega glasila«. To je visoka lestvica, kako lahko izgleda interaktivni esej.
• Distill.pub: izjemno kakovostni interaktivni opisi strojnega učenja.
• Klasika Breta Viktorja »Navzgor in navzdol po lestvici abstrakcij«. Nisem se najbolje spopadel s napredovanjem po lestvici, a vedno je še en poskus.

Izvor: habr.com