Če ste kdaj razmišljali o kompleksnih sistemih, verjetno razumete pomen omrežij. Omrežja vladajo našemu svetu. Od kemijskih reakcij v celici do spleta odnosov v ekosistemu do trgovinskih in političnih mrež, ki krojijo tok zgodovine.

Ali razmislite o tem članku, ki ga berete. Verjetno ste ga našli v socialno omrežje, preneseno iz računalniško omrežje in trenutno dešifrirajo pomen z vašim zivcno omrezje.

Toda kolikor sem v preteklih letih razmišljal o omrežjih, do nedavnega nisem razumel pomena preprostih difuzijo.

To je naša današnja tema: kako, kako kaotično se vse premika in širi. Nekaj ​​primerov za vzbuditev apetita:

• Nalezljive bolezni, ki se prenašajo od prenašalca do prenašalca znotraj populacije.
• Memi se širijo po grafu sledilcev na družbenih omrežjih.
• Gozdni požar.
• Ideje in prakse, ki prežemajo kulturo.
• Nevtronska kaskada v obogatenem uranu.

Hitra opomba o obrazcu.

Za razliko od vseh mojih prejšnjih del je ta esej interaktiven [in izvirni članek podani so interaktivni primeri z drsniki in gumbi, ki upravljajo predmete na zaslonu - pribl. vozni pas].

Pa začnimo. Prva naloga je razviti vizualni besednjak za razširjanje po omrežjih.

Preprost model

Prepričan sem, da vsi poznate osnovo omrežij, to je vozlišča + robovi. Če želite preučiti difuzijo, morate nekaj vozlišč označiti kot aktivno. Ali kot radi rečejo epidemiologi, okužen:

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

Prava omrežja so običajno veliko večja od tega preprostega omrežja s sedmimi vozlišči. So tudi veliko bolj zmedeni. Toda zaradi enostavnosti bomo tukaj zgradili model igrače za preučevanje mreže, to je mrežaste mreže.

(Mreži manjka realističnost, to nadomesti enostavno risanje 😉

Razen kjer je navedeno drugače, imajo omrežna vozlišča štiri sosede, na primer:

In predstavljati si morate, da se te rešetke neskončno raztezajo v vse smeri. Z drugimi besedami, ne zanima nas vedenje, ki se pojavlja samo na robovih omrežja ali v majhnih populacijah.

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

Pri enem obnašanju aktivno vozlišče vedno prenaša okužbo na svoje (neokužene) sosede. Ampak to je dolgočasno. Veliko bolj zanimive stvari se zgodijo ob prestopu verjetnostni.

SIR in SIS

В Modeli SIR (Susceptible-Infected-Removed) vozlišče je lahko v treh stanjih:

• Dovzetni
• Okužen
• Odstranjeno

Evo, kako deluje interaktivna simulacija [in izvirni članek lahko izberete stopnjo prenosa okužbe od 0 do 1, oglejte si postopek korak za korakom ali v celoti - pribl. prevod]:

• Vozlišča se začnejo kot dovzetna, z izjemo nekaj vozlišč, ki se začnejo kot okužena.
• V vsakem časovnem koraku imajo okužena vozlišča možnost, da prenesejo okužbo na vsakega od svojih dovzetnih sosedov z verjetnostjo, ki je enaka hitrosti prenosa.
• Okužena vozlišča nato preidejo v »izbrisano« stanje, kar pomeni, da ne morejo več okužiti drugih ali se okužiti sama.

V kontekstu bolezni odstranitev lahko pomeni, da je oseba umrla ali da je razvila imunost na povzročitelja. Pravimo, da so "odstranjeni" iz simulacije, ker se jim ne zgodi nič drugega.

Odvisno od tega, kaj poskušamo modelirati, bo morda potreben drug model kot SIR.

Če simuliramo širjenje ošpic ali izbruh požara v naravi, je SIR idealen. Toda predpostavimo, da simuliramo širjenje nove kulturne prakse, kot je meditacija. Sprva je vozlišče (oseba) sprejemljivo, ker tega še nikoli ni storilo. Potem, če začne meditirati (morda po tem, ko bo o tem slišal od prijatelja), ga bomo modelirali kot okuženega. Toda če preneha s prakso, ne bo umrl in ne bo izpadel iz simulacije, saj lahko v prihodnosti zlahka spet prevzame to navado. Tako se vrne v sprejemljivo stanje.

To model SIS (občutljivi–okuženi–občutljivi). Klasični model ima dva parametra: hitrost prenosa in hitrost obnovitve. Vendar sem se v simulacijah za ta članek odločil poenostaviti tako, da izpustim parameter stopnje obnovitve. Namesto tega se okuženo vozlišče samodejno vrne v dovzetno stanje ob naslednjem časovnem koraku, razen če ga okuži eden od njegovih sosedov. Poleg tega dovolimo vozlišču, okuženemu v koraku n, da se okuži v koraku n+1 z verjetnostjo, ki je enaka hitrosti prenosa.

Razprava

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

Ker se vozlišča nikoli ne odstranijo, lahko celo zelo majhna in omejena mreža dolgo časa podpira okužbo SIS. Okužba preprosto skače iz vozlišča v vozlišče in se vrne.

Kljub razlikam sta SIR in SIS za naše namene presenetljivo zamenljiva. Zato se bomo do konca tega članka držali SIS – predvsem zato, ker je bolj trpežen in zato bolj zabaven za delo.

Kritična raven

Po igranju z modeloma SIR in SIS ste morda opazili nekaj o dolgoživosti okužbe. Pri zelo nizkih stopnjah prenosa, kot je 10 %, okužba ponavadi izumre. Medtem ko pri višjih vrednostih, kot je 50%, okužba ostane živa in prevzame večino omrežja. Če bi bilo omrežje neskončno, bi si lahko predstavljali, da se nadaljuje in širi večno.

Takšna neomejena difuzija ima veliko imen: "virusna", "jedrska" ali (v naslovu tega članka) критичная.

Izkazalo se je, da obstaja beton prelomna točka, ki ločuje podkritična omrežja (obsojen na izumrtje) iz superkritična omrežja (sposoben neskončne rasti). Ta prelomnica se imenuje kritični prag, in to je precej splošen znak difuzijskih procesov v običajnih omrežjih.

Natančna vrednost kritičnega praga se med omrežji razlikuje. To je skupno razpoložljivost tak pomen.

[V interaktivni predstavitvi iz izvirni članek Lahko poskusite ročno poiskati kritični omrežni prag tako, da spremenite vrednost hitrosti prenosa. Je nekje med 22% in 23% - cca. prev.]

Pri 22 % (in manj) okužba sčasoma izumre. Pri 23 % (in več) izvorna okužba včasih izumre, vendar ji v večini primerov uspe preživeti in se širiti dovolj dolgo, da zagotovi svoj obstoj za vedno.

(Mimogrede, obstaja celo znanstveno področje, namenjeno iskanju teh kritičnih pragov za različne omrežne topologije. Za hiter uvod priporočam, da hitro prelistate članek v Wikipediji o prag puščanja).

Na splošno deluje takole: pod kritičnim pragom je zagotovljeno, da bo vsaka končna okužba v omrežju (z verjetnostjo 1) sčasoma izumrla. Toda nad kritičnim pragom obstaja verjetnost (p > 0), da se bo okužba nadaljevala večno in se bo pri tem razširila poljubno daleč od prvotnega mesta.

Vendar upoštevajte, da superkritična mreža ni garancijeda bo okužba trajala večno. Pravzaprav pogosto zbledi, zlasti v zelo zgodnjih fazah simulacije. Poglejmo, kako se to zgodi.

Predpostavimo, da smo začeli z enim okuženim vozliščem in štirimi sosedi. V prvem koraku modeliranja ima okužba 5 neodvisnih možnosti širjenja (vključno z možnostjo, da se v naslednjem koraku »razširi« nase):

Predpostavimo, da je stopnja prenosa 50 %. V tem primeru v prvem koraku petkrat vržemo kovanec. In če se vrže pet glav, bo okužba uničena. To se zgodi v približno 3% primerov – in to le v prvem koraku. Okužba, ki preživi prvi korak, ima določeno (običajno manjšo) verjetnost, da bo izumrla v drugem koraku, nekaj (še manjšo) verjetnost, da bo izumrla v tretjem koraku itd.

Torej, tudi ko je omrežje superkritično – če je stopnja prenosa 99 % – obstaja možnost, da bo okužba izginila.

Ampak pomembno je, da ne vedno bo zbledel. Če seštejete verjetnost, da bodo vsi koraki izumrli do neskončnosti, je rezultat manjši od 1. Z drugimi besedami, obstaja različna od nič verjetnost, da se bo okužba nadaljevala večno. To pomeni, da je omrežje superkritično.

SISa: spontana aktivacija

Do te točke so se vse naše simulacije začele z majhnim delom vnaprej okuženih vozlišč v središču.

Kaj pa, če začnete iz nič? Nato modeliramo spontano aktivacijo – proces, pri katerem se dovzetno vozlišče po naključju okuži (ne od enega od svojih sosedov).

To imenovano model SISa. Črka "a" pomeni "avtomatski".

V simulaciji SISa se pojavi nov parameter - hitrost spontane aktivacije, ki spremeni pogostost spontane okužbe (prisoten je tudi parameter hitrosti prenosa, ki smo ga videli prej).

Kaj je potrebno, da se okužba razširi po omrežju?

Razprava

Morda ste v simulaciji opazili, da povečanje stopnje spontane aktivacije ne spremeni, ali okužba prevzame celotno omrežje ali ne. Samo hitrost prenosa določa, ali je omrežje sub- ali superkritično. In ko je omrežje podkritično (hitrost prenosa manjša ali enaka 22 %), se okužba ne more razširiti na celotno omrežje, ne glede na to, kako pogosto se začne.

To je kot zanetiti ogenj na mokrem polju. Lahko prižgete nekaj suhih listov, vendar bo plamen hitro ugasnil, ker ostala pokrajina ni dovolj vnetljiva (subkritična). Medtem ko je na zelo suhem terenu (superkritično), je ena iskra dovolj, da začne divjati požar.

Podobno je opaziti na področju idej in izumov. Pogosto svet ni pripravljen na neko idejo, v tem primeru jo je mogoče vedno znova izumljati, vendar ne pritegne množic. Po drugi strani pa je lahko svet že popolnoma pripravljen na izum (veliko latentno povpraševanje) in takoj ko se rodi, ga sprejmejo vsi. V sredini so ideje, ki so izumljene na več mestih in se širijo lokalno, vendar ne dovolj, da bi katera koli različica naenkrat pometala celotno omrežje. V tej zadnji kategoriji najdemo na primer poljedelstvo in pisavo, ki so ju različne človeške civilizacije neodvisno izumile približno deset oziroma trikrat.

Imuniteta

Recimo, da nekatera vozlišča naredimo popolnoma neranljiva, torej imuna na aktivacijo. Kot da so na začetku v oddaljenem stanju, model SIS(a) pa se zažene na preostalih vozliščih.

Drsnik odpornosti nadzira odstotek odstranjenih vozlišč. Poskusite spremeniti njegovo vrednost (medtem ko se model izvaja!) in preverite, kako vpliva na stanje omrežja, ali bo superkritično ali ne.

Razprava

Spreminjanje števila neodzivnih vozlišč popolnoma spremeni sliko o tem, ali bo omrežje sub- ali superkritično. In ni težko razumeti, zakaj. Pri velikem številu nedovzetnih gostiteljev ima okužba manj možnosti za širjenje na nove gostitelje.

Izkazalo se je, da ima to številne zelo pomembne praktične posledice.

Eden od njih je preprečevanje širjenja gozdnih požarov. Na lokalni ravni mora vsaka oseba upoštevati lastne varnostne ukrepe (na primer nikoli ne puščati odprtega ognja brez nadzora). Toda v velikem obsegu so izolirani izbruhi neizogibni. Drugi način zaščite je torej zagotoviti dovolj "prelomov" (v omrežju vnetljivih materialov), tako da izbruh ne zajame celotnega omrežja. Očistitve opravljajo to funkcijo:

Drug izbruh, ki ga je pomembno ustaviti, je nalezljiva bolezen. Tukaj je predstavljen koncept čredna imunost. To je ideja, da nekaterih ljudi ni mogoče cepiti (imajo na primer oslabljen imunski sistem), a če je dovolj ljudi imunih na okužbo, se bolezen ne more širiti v nedogled. Z drugimi besedami, morali bi se cepiti dovolj del populacije za prenos populacije iz superkritičnega v subkritično stanje. Ko se to zgodi, se en bolnik še vedno lahko okuži (na primer po potovanju v drugo regijo), vendar brez superkritične mreže, v kateri bi lahko rasla, bo bolezen okužila le majhno peščico ljudi.

Končno, koncept imunskih vozlov pojasnjuje, kaj se dogaja v jedrskem reaktorju. Pri verižni reakciji razpadajoči atom urana-235 sprosti približno tri nevtrone, ki (povprečno) povzročijo cepitev več kot enega atoma U-235. Novi nevtroni nato povzročijo nadaljnje cepitev atomov in tako naprej eksponentno:

Pri izdelavi bombe je bistvo zagotoviti, da se eksponentna rast nenadzorovano nadaljuje. Toda v elektrarni je cilj proizvajati energijo, ne da bi ubili vse okoli sebe. V ta namen se uporabljajo krmilne palice, narejen iz materiala, ki lahko absorbira nevtrone (na primer srebro ali bor). Ker absorbirajo in ne sproščajo nevtrone, delujejo kot imunski vozli v naši simulaciji in s tem preprečujejo, da bi radioaktivno jedro postalo superkritično.

Trik jedrskega reaktorja je torej v tem, da obdrži reakcijo blizu kritičnega praga s premikanjem krmilnih palic naprej in nazaj in zagotovi, da se palice, kadar koli gre kaj narobe, spustijo v sredico in jo ustavijo.

Stopnja

Stopnja vozlišča je število njegovih sosedov. Do te točke smo obravnavali omrežja stopnje 4. Toda kaj se zgodi, če spremenite ta parameter?

Na primer, vsako vozlišče lahko povežete ne samo s štirimi neposrednimi sosedi, temveč tudi s štirimi več diagonalno. V takem omrežju bo stopnja 8.

Rešetke s stopnjami 4 in 8 so dobro simetrične. Pri stopnji 5 (na primer) pa nastane problem: katerih pet sosedov naj izberemo? V tem primeru izberemo štiri najbližje sosede (S, V, J, Z), nato pa naključno izberemo enega soseda iz množice {SV, JV, JZ, SZ}. Izbira je narejena neodvisno za vsako vozlišče v vsakem časovnem koraku.

Razprava

Še enkrat, ni težko videti, kaj se tukaj dogaja. Ko ima vsako vozlišče več sosedov, se možnosti za širjenje okužbe povečajo – zato je bolj verjetno, da bo omrežje postalo kritično.

Vendar so lahko posledice nepričakovane, kot bomo videli v nadaljevanju.

Mesta in gostota omrežja

Do sedaj so bila naša omrežja povsem homogena. Vsako vozlišče je videti kot vsako drugo. Kaj pa, če spremenimo pogoje in dovolimo različna stanja vozlišč v celotnem omrežju?

Na primer, poskusimo modelirati mesta. Da bi to naredili, bomo povečali gostoto v nekaterih delih omrežja (višja stopnja vozlišč). To delamo na podlagi podatkov, ki jih državljani imamo širši socialni krog in več socialnih interakcijkot ljudje zunaj mest.

V našem modelu so dovzetna vozlišča obarvana glede na njihovo stopnjo. Vozlišča na "podeželskih območjih" imajo stopnjo 4 (in so obarvana svetlo sivo), vozlišča v "urbanih območjih" pa imajo višje stopnje (in so obarvana temneje), začenši s stopnjo 5 na obrobju in konča z 8 v središču mesta.

Poskusite izbrati takšno hitrost širjenja, da aktivacija pokrije mesta in nato ne preseže njihovih meja.

Ta simulacija se mi zdi očitna in presenetljiva. Seveda, mesta ohranjajo kulturno raven bolje kot podeželje - to vsi vedo. Kar me preseneča, je, da nekaj te kulturne raznolikosti nastane preprosto na podlagi topologije družbenega omrežja.

To je zanimiva točka, poskušal jo bom podrobneje razložiti.

Tu imamo opravka z oblikami kulture, ki se preprosto in neposredno prenašajo od osebe do osebe. na primer manire, salonske igre, modni trendi, jezikovni trendi, obredi v majhnih skupinah in izdelki, ki se širijo od ust do ust, ter celi paketi informacij, ki jih imenujemo ideje.

(Opomba: širjenje informacij med ljudmi izjemno otežujejo mediji. Lažje si je predstavljati neko tehnološko primitivno okolje, kot je stara Grčija, kjer se je skoraj vsaka iskra kulture prenašala z interakcijo v fizičnem prostoru.)

Iz zgornje simulacije sem izvedel, da obstajajo ideje in kulturne prakse, ki se lahko ukoreninijo in razširijo v mestu, vendar se preprosto ne morejo (matematično ne morejo) razširiti na podeželju. To so iste ideje in isti ljudje. Bistvo ni v tem, da so si prebivalci podeželja nekako »blizoma«: ko so v interakciji z isto idejo, popolnoma enake možnosti, da ga ujametekot meščani. Samo ideja sama po sebi ne more postati viralna na podeželju, ker ni veliko povezav, prek katerih bi se lahko širila.

To je morda najlažje opaziti na področju mode – oblačila, pričeske itd. V modnem omrežju lahko ujamemo rob mreže, ko dve osebi opazita obleki drug drugega. V urbanem središču lahko vsaka oseba vsak dan vidi več kot 1000 drugih ljudi – na ulici, v podzemni železnici, v nabito polni restavraciji itd. Na podeželju pa lahko vsaka oseba vidi le nekaj ducatov drugih. Temelji na samo ta razlika, mesto lahko podpira več modnih trendov. In samo najbolj prepričljivi trendi – tisti z najvišjo hitrostjo prenosa – se bodo lahko uveljavili zunaj mesta.

Nagnjeni smo k temu, da če je ideja dobra, bo sčasoma dosegla vse, če je ideja slaba, pa bo izginila. To seveda velja v skrajnih primerih, a vmes je ogromno idej in praks, ki lahko postanejo viralne le na določenih omrežjih. To je res neverjetno.

Ne samo mesta

Tu gledamo vpliv gostota omrežja. Definiran je za dani niz vozlišč kot število prava rebra, deljeno s številom potencialni robovi. To je odstotek možnih povezav, ki dejansko obstajajo.

Tako smo videli, da je gostota omrežja v urbanih središčih večja kot na podeželju. Toda mesta niso edino mesto, kjer najdemo gosta omrežja.

Zanimiv primer so srednje šole. Na primer, za določeno področje primerjamo mrežo, ki obstaja med šolarji, z mrežo, ki obstaja med njihovimi starši. Isto geografsko območje in isto prebivalstvo, vendar je eno omrežje mnogokrat gostejše od drugega. Zato ne preseneča, da se modni in jezikovni trendi veliko hitreje širijo med najstniki.

Podobno so elitna omrežja ponavadi veliko gostejša od neelitnih mrež - dejstvo, za katerega menim, da je premalo cenjeno (ljudje, ki so priljubljeni ali vplivni, preživijo več časa v mreženju in imajo zato več "sosedov" kot običajni ljudje). Na podlagi zgornjih simulacij pričakujemo, da bodo elitna omrežja podpirala nekatere kulturne oblike, ki jih mainstream ne more podpreti, preprosto na podlagi matematičnih zakonov povprečne stopnje omrežja. Prepuščam vam ugibanje o tem, katere bi lahko bile te kulturne oblike.

Končno lahko to idejo uporabimo v internetu tako, da ga modeliramo kot ogromnega in zelo gosto mesto. Ni presenetljivo, da na spletu uspeva veliko novih vrst kulture, ki jih preprosto ni mogoče podpreti v izključno prostorskih omrežjih: nišni hobiji, boljši standardi oblikovanja, večja zavest o nepravičnosti itd. In ne gre samo za lepe stvari. Tako kot so bila zgodnja mesta gojišče bolezni, ki se niso mogle širiti v nizki gostoti prebivalstva, je tudi internet gojišče malignih kulturnih oblik, kot so vaba za klikanje, lažne novice in podžiganje umetnega ogorčenja.

Знания

"Imeti pravega strokovnjaka ob pravem času je pogosto najdragocenejši vir za kreativno reševanje problemov." — Michael Nielsen, Inventing Discovery

O odkritju ali izumu pogosto razmišljamo kot o procesu, ki se zgodi v umu enega samega genija. Presene ga blisk navdiha in - Eureka! — nenadoma imamo nov način za merjenje prostornine. Ali enačba gravitacije. Ali pa žarnico.

Če pa zavzamemo stališče osamljenega izumitelja v trenutku odkritja, potem gledamo na pojav z vidika vozlišča. Čeprav bi bilo pravilneje izum razlagati kot omrežje pojav.

Omrežje je pomembno vsaj z dveh vidikov. Najprej morajo prodreti obstoječe ideje v zavest izumitelj. To so citati iz novega članka, bibliografskega dela nove knjige - velikani, na katerih ramenih je stal Newton. Drugič, mreža je kritična za vrnitev nove ideje nazaj v svet; izum, ki se ni razširil, je komaj vreden imenovati "izum". Tako je zaradi obeh teh razlogov smiselno modelirati invencijo – ali, širše, rast znanja – kot proces razširjanja.

Čez trenutek bom predstavil grobo simulacijo, kako se lahko znanje širi in raste v omrežju. Toda najprej moram razložiti.

Na začetku simulacije so v vsakem kvadrantu mreže štirje strokovnjaki, razporejeni na naslednji način:

Strokovnjak 1 ima prvo različico ideje – recimo ji Ideja 1.0. Strokovnjak 2 je oseba, ki zna Idejo 1.0 spremeniti v Idejo 2.0. Expert 3 ve, kako spremeniti Idejo 2.0 v Idejo 3.0. In končno, četrti strokovnjak ve, kako dati ideji 4.0 piko na i.

To je podobno tehniki, kot je origami, kjer se tehnike razvijajo in kombinirajo z drugimi tehnikami za ustvarjanje bolj zanimivih modelov. Lahko pa gre za področje znanja, kot je fizika, na katerem novejše delo gradi na temeljnem delu predhodnikov.

Bistvo te simulacije je, da potrebujemo vse štiri strokovnjake, ki prispevajo k končni različici ideje. In na vsaki stopnji je treba idejo predstaviti ustreznemu strokovnjaku.

Nekaj ​​opozoril. V simulaciji je zakodiranih veliko nerealnih predpostavk. Tukaj je le nekaj izmed njih:

1. Predpostavlja se, da idej ni mogoče shranjevati in prenašati razen od osebe do osebe (tj. brez knjig ali medijev).
2. Predpostavlja se, da so v populaciji stalni strokovnjaki, ki lahko ustvarjajo ideje, čeprav v resnici na pojav odkritja ali izuma vpliva veliko naključnih dejavnikov.
3. Vse štiri različice ideje uporabljajo isti niz parametrov SIS (hitrost prenosa, odstotek odpornosti itd.), čeprav je verjetno bolj realistično 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 krožita tako stara kot nova različica hkrati, brez jasnega zmagovalca.

… in mnogi drugi.

Razprava

To je smešno poenostavljen model, kako znanje dejansko raste. Veliko pomembnih podrobnosti je ostalo zunaj modela (glej zgoraj). Vendar pa zajame pomembno bistvo procesa. In tako lahko z zadržki govorimo o rasti znanja z uporabo našega znanja o difuziji.

Zlasti difuzijski model ponuja vpogled v to, kako pospeši postopek: Potreba po olajšanju izmenjave idej med strokovnimi vozlišči. To lahko pomeni čiščenje omrežja mrtvih vozlišč, ki ovirajo razširjanje. Lahko pa bi to pomenilo namestitev vseh strokovnjakov v mesto ali grozd z visoko gostoto omrežja, kjer se ideje hitro širijo. Ali pa jih preprosto zberite v eni sobi:

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

Imam pa še zadnjo misel, ki je zelo pomembna. Gre za rastin stagnacijo) znanja v znanstvenih skupnostih. Ta zamisel se po tonu in vsebini razlikuje od vsega zgoraj, vendar upam, da mi boste oprostili.

O znanstvenih omrežjih

Ilustracija prikazuje eno najpomembnejših pozitivnih povratnih zank na svetu (in tako je že kar nekaj časa):

Napredovanje cikla navzgor (K ⟶ T) je povsem preprosto: uporabljamo novo znanje za razvoj novih orodij. Na primer, razumevanje fizike polprevodnikov nam omogoča izdelavo računalnikov.

Vendar pa premik navzdol zahteva nekaj razlage. Kako razvoj tehnologije vodi k povečanju znanja?

En način – morda najbolj neposreden – je, ko nam nove tehnologije dajo nove načine dojemanja sveta. Na primer, najboljši mikroskopi vam omogočajo, da pogledate globlje v celico, kar zagotavlja vpogled v molekularno biologijo. GPS sledilniki prikazujejo, kako se živali premikajo. Sonar vam omogoča raziskovanje oceanov. In tako naprej.

To je nedvomno pomemben mehanizem, vendar obstajata še vsaj dve poti od tehnologije do znanja. Morda niso tako preprosti, a mislim, da so enako pomembni:

Prvič. Tehnologija vodi v ekonomsko obilje (tj. bogastvo), ki več ljudem omogoča, da se vključijo v proizvodnjo znanja.

Če se 90% prebivalstva vaše države ukvarja s kmetijstvom, preostalih 10% pa se ukvarja z neko obliko trgovine (ali vojne), potem imajo ljudje zelo malo prostega časa za razmišljanje o naravnih zakonih. Morda so zato v prejšnjih časih znanost spodbujali predvsem otroci iz bogatih družin.

Združene države vsako leto proizvedejo več kot 50 doktorjev znanosti. Namesto da bi oseba pri 000 letih (ali prej) šla delati v tovarno, je treba podiplomskega študenta financirati do 18. ali morda 30. leta – in tudi takrat ni jasno, ali bo imelo njegovo delo dejanski gospodarski učinek. Toda človek mora doseči ospredje svoje discipline, zlasti na kompleksnih področjih, kot sta fizika ali biologija.

Dejstvo je, da so s sistemskega vidika specialisti dragi. In končni vir javnega bogastva, ki financira te strokovnjake, je nova tehnologija: plug subvencionira pero.

Drugo. Nove tehnologije, predvsem na področju potovanj in komunikacij, spreminjajo strukturo socialnih omrežij, v katerih raste znanje. Zlasti omogoča strokovnjakom in strokovnjakom, da tesneje sodelujejo med seboj.

Pomembni izumi tukaj vključujejo tiskarski stroj, parnike in železnice (za olajšanje potovanja in/ali pošiljanje pošte na velike razdalje), telefone, letala in internet. Vse te tehnologije prispevajo k povečani gostoti omrežja, zlasti znotraj specializiranih skupnosti (kjer poteka skoraj vsa rast znanja). Na primer dopisne mreže, ki so se pojavile med evropskimi znanstveniki ob koncu srednjega veka, ali način, kako sodobni fiziki uporabljajo arXiv.

Navsezadnje sta si obe poti podobni. Oboje povečuje gostoto mreže strokovnjakov, kar posledično vodi v povečanje znanja:

Dolga leta sem bil do visokega šolstva precej odklonilen. Moje kratko bivanje v podiplomski šoli mi je pustilo slab okus v ustih. A zdaj, ko pogledam nazaj in pomislim (poleg vseh osebnih težav), moram ugotoviti, da je visoko šolstvo še vedno izredno pomembno.

Akademska socialna omrežja (npr. raziskovalne skupnosti) so ena najnaprednejših in dragocenih struktur, ki jih je ustvarila naša civilizacija. Nikjer nismo akumulirali večje koncentracije strokovnjakov, usmerjenih v proizvodnjo znanja. Nikjer ljudje niso razvili večje sposobnosti razumevanja in kritiziranja idej drug drugega. Je utripajoče srce napredka. Prav v teh omrežjih najmočneje gori ogenj razsvetljenja.

Toda napredka ne moremo jemati kot samoumevnega. če kriza neponovljivosti eksperimenta in če nas je česa naučil, je to, da ima znanost lahko sistemske težave. To je nekakšna degradacija omrežja.

Recimo, da razlikujemo med dvema načinoma delanja znanosti: prava znanost и karierizem. Prava znanost so prakse, ki zanesljivo ustvarjajo znanje. Motivira ga radovednost in zanj je značilna poštenost (Feynman: »Vidiš, samo razumeti moram svet«). Nasprotno, karierizem je motiviran s poklicnimi ambicijami, zanj pa je značilno igranje politike in znanstvenih bližnjic. Morda izgleda in deluje kot znanost, vendar ne proizvaja zanesljivo znanje.

(Da, to je pretirana dihotomija. Samo miselni poskus. Ne zamerite mi).

Dejstvo je, da ko karieristi zasedejo prostor v pravi raziskovalni skupnosti, uničijo delo. Prizadevajo si promovirati sebe, medtem ko preostali del skupnosti poskuša pridobiti in deliti novo znanje. Namesto da bi stremeli k jasnosti, karieristi vse zapletajo in zamenjujejo, da bi zveneli bolj impresivno. Ukvarjajo se z (kot bi rekel Harry Frankfurt) znanstvenimi neumnostmi. In zato bi jih lahko modelirali kot mrtva vozlišča, neprepustna za pošteno izmenjavo informacij, potrebnih za rast znanja:

Morda je najboljši model tisti, v katerem karieristična vozlišča niso le neprepustna za znanje, ampak aktivno razširjajo lažno znanje. Lažno znanje lahko vključuje nepomembne rezultate, katerih pomembnost je umetno napihnjena, ali resnično lažne rezultate, ki izhajajo iz manipulacije ali izmišljenih podatkov.

Ne glede na to, kako jih modeliramo, lahko karieristi zagotovo zadavijo naše znanstvene skupnosti.

To je kot jedrska verižna reakcija, ki jo nujno potrebujemo – potrebujemo eksplozijo znanja – le da ima naš obogateni U-235 preveč nereaktivnega izotopa U-238, ki zavira verižno reakcijo.

Jasne razlike med karieristi in pravimi znanstveniki seveda ni. Vsak od nas ima v sebi skrit kanček karierizma. Vprašanje je, kako dolgo lahko mreža traja, preden širjenje znanja zbledi.

Oh, si prebral do konca. Hvala za branje.

Licenca

CC0 Vse pravice niso pridržane. To delo lahko uporabite, kot se vam zdi primerno :).

Zahvala

• Kevin Kwok и Nicky Case za premišljene pripombe in predloge na različne različice osnutka.
• Nick Barr — za moralno podporo skozi celoten proces in za najbolj koristne povratne informacije o mojem delu.
• Keith A., ker me je opozoril na pojav perkolacije in perkolacijski prag.
• Geoff Lonsdale za povezavo do to je esej, ki je (kljub številnim pomanjkljivostim) bila glavna spodbuda za delo na tem delovnem mestu.

Vzorci interaktivnih esejev

• Vse delo Nickyja Casea, še posebej. "Prilika o poligonih" (z Vi Hart) in "Razvoj boljše glasovnice". To je visoka lestvica za interaktivni esej.
• destilirati.pub: Izjemno kakovostni interaktivni opisi strojnega učenja.
• Klasično delo Breta Victorja "Gor in dol po lestvici abstrakcije". Nisem bil ravno dober pri premikanju po stopnicah, a vedno obstaja še en poskus.

Vir: www.habr.com