Jika Anda menghabiskan waktu memikirkan sistem yang rumit, Anda mungkin memahami pentingnya jaringan. Jaringan menguasai dunia kita. Dari reaksi kimia di dalam sel, ke jaringan hubungan di ekosistem, ke jaringan perdagangan dan politik yang membentuk perjalanan sejarah.

Atau pertimbangkan artikel yang sedang Anda baca ini. Anda mungkin menemukannya di jejaring sosial , mengunduhnya dari jaringan komputer dan saat ini menguraikan artinya menggunakan jaringan saraf Anda.

Tetapi tidak peduli seberapa banyak saya memikirkan jaringan selama bertahun-tahun, sampai saat ini, saya tidak mengerti pentingnya difusi sederhana.

Ini adalah topik kita hari ini: bagaimana, bagaimana semua bergerak dan menyebar secara acak. Beberapa contoh untuk menghangatkan selera Anda:

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

Komentar singkat tentang formulir.

Tidak seperti semua karya saya sebelumnya, esai ini bersifat interaktif [ artikel asli berisi contoh-contoh interaktif dengan slider dan tombol yang mengontrol objek di layar - kira-kira. jalur].

Jadi mari kita mulai. Tugas pertama adalah mengembangkan kamus visual untuk distribusi di seluruh jaringan.

Model sederhana

Saya yakin Anda semua tahu dasar dari jaringan, yaitu node + edge. Untuk menyelidiki difusi, Anda hanya perlu menandai beberapa node sebagai aktif . Atau, seperti yang dikatakan ahli epidemiologi yang terinfeksi :



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

Jaringan nyata biasanya jauh lebih besar dari jaringan tujuh simpul yang sederhana ini. Mereka juga jauh lebih membingungkan. Tetapi untuk kesederhanaan, kami akan membangun model mainan di sini untuk mempelajari kisi, yaitu jaringan kisi.

(Fakta bahwa grid tidak memiliki realisme diimbangi oleh fakta bahwa mudah untuk menggambar;)

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



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

Karena kisi-kisi itu sangat teratur, Anda dapat menyederhanakannya menjadi piksel. Misalnya, dua gambar ini mewakili jaringan yang sama:



Dalam salah satu perilaku, simpul aktif selalu menularkan infeksi ke tetangganya (yang tidak terinfeksi). Tapi itu membosankan. Banyak hal yang lebih menarik terjadi ketika transmisi probabilistik .

SIR dan SIS

Dalam model SIR (Susceptible-Infected-Removed) , sebuah simpul bisa dalam tiga status:

• Rentan
  
• Terinfeksi
  
• Dihapus

Inilah cara kerja simulasi interaktif [dalam artikel asli, Anda dapat memilih tingkat penularan infeksi dari 0 hingga 1, lihat proses langkah demi langkah atau secara lengkap - kira - kira. trans.]:

• Node mulai rentan, dengan pengecualian beberapa node yang mulai terinfeksi.
  
• Pada setiap langkah waktu, simpul yang terinfeksi mendapat kesempatan untuk menularkan infeksi ke masing-masing tetangga yang rentan dengan probabilitas yang sama dengan laju penularan.
  
• Node yang terinfeksi kemudian pergi ke status "dihapus", yaitu, mereka tidak lagi dapat menginfeksi orang lain atau menjadi terinfeksi sendiri.

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

Bergantung pada apa yang kami coba modelkan, Anda mungkin memerlukan model yang berbeda dari SIR.

Jika kita mensimulasikan penyebaran campak atau wabah kebakaran hutan, SIR sempurna. Tetapi misalkan kita mensimulasikan penyebaran praktik budaya baru, seperti meditasi. Pada awalnya, simpul (orang) rentan karena belum pernah melakukannya sebelumnya. Kemudian, jika dia mulai bermeditasi (mungkin setelah mendengarnya dari seorang teman), kita akan menjadikannya model terinfeksi. Tetapi jika dia berhenti berlatih, dia tidak akan mati dan tidak akan jatuh dari simulasi, karena di masa depan dia dapat dengan mudah mengadopsi kebiasaan ini lagi. Jadi dia kembali ke keadaan rentan.

Ini adalah model SIS (Susceptible - Infected - Susceptible). Model klasik memiliki dua parameter: kecepatan transfer dan kecepatan pemulihan. Namun, dalam simulasi untuk artikel ini, saya memutuskan untuk menyederhanakannya dengan menurunkan parameter kecepatan pemulihan. Alih-alih, simpul yang terinfeksi secara otomatis kembali ke status rentan di langkah waktu berikutnya, kecuali jika terinfeksi oleh salah satu tetangganya. Selain itu, kami mengizinkan simpul yang terinfeksi pada langkah n untuk menginfeksi dirinya sendiri pada langkah n +1 dengan probabilitas yang sama dengan kecepatan transmisi.

Diskusi

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

Karena node tidak pernah dihapus, bahkan kisi yang sangat kecil dan terbatas dapat mendukung infeksi SIS untuk waktu yang lama. Infeksi hanya melompat dari node ke node dan kembali.

Terlepas dari perbedaannya, SIR dan SIS secara mengejutkan sepadan untuk tujuan kita. Oleh karena itu, untuk sisa artikel ini, kami akan fokus pada SIS - terutama karena lebih ulet dan, oleh karena itu, lebih menarik untuk bekerja dengannya.

Tingkat kritis

Setelah bermain dengan model SIR dan SIS, Anda mungkin melihat sesuatu tentang umur panjang infeksi. Pada tingkat penularan yang sangat rendah, seperti 10%, infeksi cenderung mati. Sementara pada nilai yang lebih tinggi seperti 50%, infeksi tetap hidup dan menangkap sebagian besar jaringan. Jika jaringan itu tidak terbatas, kita dapat membayangkan bahwa itu berlanjut dan menyebar selamanya.

Difusi tanpa batas semacam itu memiliki banyak nama: kritis "viral", "nuklir" atau (dalam judul artikel ini).

Ternyata ada titik balik tertentu yang memisahkan jaringan subkritis (ditakdirkan untuk punah) dari jaringan superkritis (mampu pertumbuhan tak terbatas). Titik kritis ini disebut ambang kritis , dan merupakan tanda proses difusi yang cukup umum di jaringan konvensional.

Nilai tepat dari ambang kritis bervariasi antara jaringan. Apa yang umum adalah adanya makna seperti itu.

[Dalam demo interaktif dari artikel asli, Anda dapat mencoba secara manual menemukan ambang kritis jaringan dengan mengubah nilai kecepatan transmisi. Itu adalah suatu tempat antara 22% dan 23% - sekitar. per.]

Pada 22% (dan lebih rendah), infeksi akhirnya mati. Pada 23% (dan lebih tinggi), infeksi awal kadang-kadang mati, tetapi dalam kebanyakan kasus ia berhasil bertahan hidup dan menyebar cukup lama untuk memastikan keberadaannya yang kekal.

(Ngomong-ngomong, ada seluruh bidang ilmiah yang dikhususkan untuk mencari ambang kritis ini untuk berbagai topologi jaringan. Untuk pengantar cepat, saya sarankan untuk menelusuri artikel Wikipedia dengan cepat pada ambang batas aliran ).

Secara umum, inilah cara kerjanya: di bawah ambang kritis, infeksi akhir apa pun dalam jaringan dijamin (dengan probabilitas 1) akhirnya mati. Tetapi di atas ambang kritis ada kemungkinan (p> 0) bahwa infeksi akan bertahan selamanya, dan pada saat yang sama menyebar secara sewenang-wenang jauh dari tempat semula.

Namun, perhatikan bahwa jaringan superkritis tidak menjamin bahwa infeksi akan berlangsung selamanya. Bahkan, seringkali memudar, terutama pada tahap awal pemodelan. Mari kita lihat bagaimana ini terjadi.

Misalkan kita mulai dengan satu simpul yang terinfeksi dan empat tetangga. Pada langkah pertama pemodelan, infeksi memiliki 5 peluang independen untuk menyebar (termasuk peluang untuk "menyebar" ke dirinya sendiri pada langkah berikutnya):



Sekarang anggaplah tingkat transmisi adalah 50%. Dalam hal ini, pada langkah pertama, kami melempar koin lima kali. Dan jika lima elang jatuh, infeksi akan dihancurkan. Ini terjadi pada sekitar 3% kasus - dan ini hanya langkah pertama. Infeksi yang selamat dari langkah pertama memiliki beberapa (biasanya kurang) kesempatan untuk mati pada langkah kedua, beberapa (bahkan kurang) kesempatan untuk mati pada langkah ketiga, dll.

Jadi, bahkan ketika jaringan superkritis - jika tingkat penularannya 99% - ada kemungkinan infeksi akan hilang.

Tetapi yang penting adalah bahwa itu tidak akan selalu pudar. Jika kita menjumlahkan probabilitas pelemahan semua langkah hingga tak terbatas, hasilnya kurang dari 1. Dengan kata lain, dengan probabilitas tidak nol, infeksi akan berlanjut selamanya. Inilah artinya bagi jaringan untuk menjadi superkritis.

SISa: aktivasi spontan

Hingga saat ini, semua simulasi kami mulai dengan sepotong kecil pra-infeksi di tengah.

Tetapi bagaimana jika Anda mulai dari awal? Kemudian kami mensimulasikan aktivasi spontan - proses di mana simpul yang rentan terinfeksi secara tidak sengaja (bukan dari salah satu tetangganya).

Ini disebut model SISa . Huruf "a" berarti "otomatis".

Parameter baru muncul dalam simulasi SISa - tingkat aktivasi spontan, yang mengubah frekuensi terjadinya infeksi spontan (parameter laju transmisi, yang kami lihat sebelumnya, juga ada).

Apa yang dibutuhkan oleh infeksi untuk menyebar ke seluruh jaringan?

Diskusi

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

Ini seperti menyalakan api di lahan basah. Anda dapat membakar beberapa daun kering, tetapi nyala api padam dengan cepat, karena sisa lanskap tidak mudah tersulut (subkritis). Sementara di bidang yang sangat kering (superkritis) satu percikan sudah cukup untuk menyalakan api yang mengamuk.

Hal serupa diamati di bidang ide dan penemuan. Seringkali dunia tidak siap untuk gagasan itu, dan dalam hal ini ia dapat ditemukan lagi dan lagi, tetapi ia tidak melekat pada massa. Di sisi lain, dunia dapat sepenuhnya siap untuk penemuan (permintaan tersembunyi besar), dan segera setelah ia lahir, ia diterima oleh semua orang. Di tengah adalah ide-ide yang ditemukan di beberapa tempat dan didistribusikan secara lokal, tetapi tidak cukup untuk versi tertentu untuk mencakup seluruh jaringan sekaligus. Dalam kategori terakhir ini kita menemukan, misalnya, pertanian dan tulisan, yang secara independen ditemukan oleh peradaban manusia yang berbeda sekitar sepuluh dan tiga kali, masing-masing.

Kekebalan

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



Slider imunitas mengontrol persentase node jarak jauh. Coba ubah nilainya (saat model sedang berjalan!) Dan lihat bagaimana pengaruhnya terhadap keadaan jaringan apakah akan superkritis atau tidak.

Diskusi

Mengubah jumlah node kekebalan sepenuhnya mengubah gambar, akan ada jaringan pra atau superkritis. Dan mudah dimengerti mengapa. Dengan sejumlah besar host imun, infeksi memiliki lebih sedikit peluang untuk menyebar ke host baru.

Ternyata ini memerlukan sejumlah konsekuensi praktis yang sangat penting.

Salah satunya adalah mencegah merebaknya kebakaran hutan. Di tingkat lokal, setiap orang harus mengambil tindakan pencegahan mereka sendiri (misalnya, jangan pernah meninggalkan api terbuka tanpa pengawasan). Tetapi dalam skala besar, wabah individual tidak bisa dihindari. Dengan demikian, metode perlindungan lain adalah untuk memastikan jumlah "celah" yang cukup (dalam jaringan material yang mudah terbakar) sehingga flash tidak mencakup seluruh jaringan. Fungsi seperti itu dilakukan oleh glades:



Wabah lain yang penting untuk dihentikan adalah penyakit menular. Ini memperkenalkan konsep kekebalan populasi . Ini adalah gagasan bahwa beberapa orang tidak dapat divaksinasi (misalnya, mereka memiliki sistem kekebalan tubuh yang lemah), tetapi jika cukup banyak orang yang kebal terhadap infeksi, penyakit tidak dapat menyebar tanpa batas. Dengan kata lain, sebagian populasi yang cukup harus divaksinasi untuk memindahkan populasi dari negara superkritis ke negara subkritis. Ketika ini terjadi, satu pasien masih dapat terinfeksi (misalnya, setelah bepergian ke daerah lain), tetapi tanpa jaringan superkritis di mana untuk tumbuh, penyakit ini hanya akan menginfeksi beberapa orang.

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



Saat membuat bom, intinya adalah memastikan kelanjutan pertumbuhan eksponensial yang tidak terhalang. Tetapi di pembangkit listrik, tujuannya adalah untuk menghasilkan energi tanpa membunuh semua orang di sekitarnya. Untuk melakukan ini, batang kendali digunakan , terbuat dari bahan yang mampu menyerap neutron (misalnya, perak atau boron). Karena mereka menyerap daripada melepaskan neutron, dalam simulasi kami mereka bertindak sebagai unit imun, sehingga mencegah reaktor memasuki keadaan superkritis.

Dengan demikian, trik reaktor nuklir adalah menjaga reaksi mendekati ambang kritis dengan menggerakkan batang kendali maju dan mundur, dan untuk memastikan bahwa setiap kali terjadi kesalahan, batang tersebut tenggelam ke dalam inti dan menghentikannya.

Tingkat

Tingkat suatu simpul adalah jumlah tetangganya. Hingga saat ini, kami telah mempertimbangkan jaringan tingkat 4. Tetapi apa yang terjadi jika Anda mengubah pengaturan ini?

Misalnya, Anda dapat menghubungkan setiap node tidak hanya dengan empat tetangga langsung, tetapi juga dengan empat diagonal. Dalam jaringan seperti itu, derajatnya akan 8.



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

Diskusi

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

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

Kota dan kepadatan jaringan

Sampai sekarang, jaringan kami benar-benar homogen. Setiap node terlihat seperti yang lain. Tetapi bagaimana jika kita mengubah kondisi dan memungkinkan status node yang berbeda di seluruh jaringan?

Misalnya, cobalah untuk mensimulasikan kota. Untuk melakukan ini, tingkatkan kepadatan di beberapa bagian jaringan (tingkat node yang lebih tinggi). Kami melakukan ini berdasarkan data bahwa warga memiliki lingkaran sosial yang lebih luas dan lebih banyak interaksi sosial daripada orang-orang di luar kota.

Dalam model kami, node yang rentan diwarnai berdasarkan tingkatannya. Simpul di "pedesaan" memiliki derajat 4 (dan berwarna abu-abu terang), sedangkan simpul di "kota" memiliki derajat lebih tinggi (dan lebih gelap), mulai dari derajat 5 di pinggiran dan berakhir dengan 8 di pusat kota .

Cobalah untuk memilih kecepatan distribusi yang aktivasi mencakup kota, dan kemudian tidak melampaui batas mereka.



Saya menemukan simulasi ini jelas dan menakjubkan. Tentu saja , kota mempertahankan tingkat budaya yang lebih baik daripada daerah pedesaan - semua orang tahu itu. Yang mengejutkan saya adalah bahwa bagian dari keanekaragaman budaya ini muncul hanya berdasarkan topologi jaringan sosial.

Ini adalah hal yang menarik, saya akan coba jelaskan lebih detail.

Di sini kita berhadapan dengan bentuk-bentuk budaya yang ditransmisikan secara sederhana dan langsung dari orang ke orang. Misalnya, tata krama , permainan salon, tren mode, tren linguistik, ritual kelompok kecil, dan produk yang disebarkan dari mulut ke mulut, ditambah paket informasi lengkap yang kami sebut ide.

(Catatan: penyebaran informasi antara orang-orang sangat rumit oleh media. Lebih mudah membayangkan sejenis lingkungan yang secara teknologi primitif, misalnya, Yunani Kuno, di mana hampir setiap percikan budaya ditransmisikan melalui interaksi di ruang fisik).

Dari simulasi di atas, saya belajar bahwa ada gagasan dan praktik budaya yang dapat berakar dan menyebar di kota, tetapi mereka tidak dapat menyebar di daerah pedesaan (secara matematis tidak bisa). Ini adalah ide yang sama dan orang yang sama. Bukannya penduduk desa agak "berpikiran dekat": ketika berinteraksi dengan ide yang sama, mereka memiliki peluang yang persis sama untuk mengambilnya seperti yang dimiliki penduduk kota. Hanya saja idenya sendiri tidak dapat menjadi viral di pedesaan, karena tidak banyak tautan yang dapat digunakan untuk menyebarkannya.

Ini mungkin yang paling mudah dilihat di bidang mode - pakaian, gaya rambut, dll. Dalam jaringan mode, kita dapat memperbaiki tepi kisi ketika dua orang memperhatikan pakaian masing-masing. Di pusat kota, setiap orang dapat melihat lebih dari 1000 orang lain setiap hari - di jalan, di kereta bawah tanah, di restoran yang ramai, dll. Di pedesaan, sebaliknya, setiap orang hanya dapat melihat beberapa lusin lainnya.Hanya berdasarkan pada perbedaan ini , kota ini dapat mendukung lebih banyak tren mode. Dan hanya tren yang paling menarik - dengan kecepatan transmisi tertinggi - akan mampu mendapatkan pijakan di luar kota.

Kita cenderung berpikir bahwa jika idenya bagus, maka akhirnya akan mencapai semua orang, dan jika idenya buruk, itu akan hilang. Tentu saja, ini benar dalam kasus-kasus ekstrem, tetapi di antara mereka ada banyak ide dan praktik yang hanya dapat menjadi viral di jaringan tertentu. Ini sangat mengagumkan.

Bukan hanya kota

Di sini kami mempertimbangkan efek kepadatan jaringan . Didefinisikan untuk set node tertentu sebagai jumlah tepi aktual dibagi dengan jumlah tepi potensial . Itu adalah persentase kemungkinan koneksi yang benar-benar ada.

Jadi, kita telah melihat bahwa kepadatan jaringan di pusat-pusat kota lebih tinggi daripada di daerah pedesaan. Tetapi kota bukan satu-satunya tempat kita menemukan jaringan yang padat.

Contoh yang menarik adalah sekolah menengah. Misalnya, untuk kabupaten tertentu, kami membandingkan jaringan yang ada di antara anak sekolah dengan jaringan yang ada di antara orang tua mereka. Area geografis yang sama dan populasi yang sama, tetapi satu jaringan jauh lebih padat dari yang lain. Oleh karena itu, tidak mengherankan bahwa tren fesyen dan linguistik menyebar jauh lebih cepat di kalangan remaja.

Demikian pula, jaringan elit biasanya jauh lebih padat daripada jaringan non-elit - menurut saya, fakta ini diremehkan (orang-orang yang populer atau berpengaruh menghabiskan lebih banyak waktu untuk membuat jaringan, dan oleh karena itu mereka memiliki lebih banyak "tetangga" daripada biasanya orang). Berdasarkan simulasi di atas, kami berharap bahwa jaringan elit akan mendukung beberapa bentuk budaya yang tidak dapat didukung oleh arus utama, hanya berdasarkan pada hukum matematika, sesuai dengan tingkat rata-rata jaringan. Saya meninggalkan Anda untuk merenungkan apa bentuk budaya ini.

Akhirnya, kita dapat menerapkan ide ini ke Internet, mensimulasikannya sebagai sangat besar dan sangat padatkota. Tidak mengherankan bahwa banyak jenis budaya baru berkembang di Internet, yang tidak dapat didukung pada jaringan spasial murni: hobi niche, standar desain yang lebih baik, kesadaran yang lebih besar terhadap ketidakadilan, dll. Dan ini bukan hanya hal-hal yang menyenangkan. Sama seperti kota-kota pertama adalah sarang penyakit yang tidak bisa menyebar dengan kepadatan populasi yang rendah, Internet juga merupakan tempat berkembang biaknya bentuk-bentuk budaya ganas seperti clickbait, berita palsu dan hasutan kemarahan buatan.

Pengetahuan

"Melibatkan pakar yang tepat pada waktu yang tepat sering kali merupakan sumber daya paling berharga untuk pemecahan masalah secara kreatif." - Michael Nielsen, “Menemukan Temuan”

Kita sering menganggap penemuan atau penemuan sebagai proses yang terjadi dalam benak seorang jenius tunggal. Dia dikejutkan oleh kilasan inspirasi dan - eureka! - tiba-tiba kita mendapatkan cara baru untuk mengukur volume. Atau persamaan gravitasi. Atau bola lampu.

Tetapi jika kita mengambil sudut pandang penemu tunggal pada saat penemuan, maka kita melihat fenomena dari sudut pandang simpul . Meskipun akan lebih tepat untuk menafsirkan penemuan ini sebagai fenomena jaringan .

Jaringan penting dalam setidaknya dua cara. Pertama, gagasan yang sudah ada harus menembus kesadaran.penemu. Ini adalah kutipan dari artikel baru, bagian bibliografi dari sebuah buku baru - raksasa, yang di pundaknya berdiri Newton. Kedua, jaringan sangat penting untuk membawa ide baru kembali ke dunia; sebuah penemuan yang belum menyebar sama sekali tidak layak disebut “penemuan” sama sekali. Jadi, untuk kedua alasan ini, masuk akal untuk memodelkan penemuan - atau, dalam arti luas, pertumbuhan pengetahuan - sebagai proses difusi.

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

Pada awal simulasi, ada empat ahli di setiap kuadran grid, yang terletak sebagai berikut:



Pakar 1 memiliki versi ide yang pertama - sebut saja Idea 1.0. Pakar 2 adalah orang yang tahu cara mengubah Idea 1.0 menjadi Idea 2.0. Pakar 3 tahu cara mengonversi Idea 2.0 ke Idea 3.0. Dan akhirnya, ahli keempat tahu bagaimana membawa sentuhan akhir untuk menciptakan Idea 4.0.



Ini mirip dengan teknik seperti origami, di mana metode dikembangkan dan dikombinasikan dengan metode lain untuk membuat desain yang lebih menarik. Atau mungkin bidang pengetahuan yang mirip dengan fisika, di mana karya selanjutnya didasarkan pada karya mendasar para pendahulu.

Inti dari simulasi ini adalah bahwa kita membutuhkan keempat ahli untuk berkontribusi pada versi final dari ide tersebut. Dan pada setiap tahap, ide harus dibawa ke ahli yang tepat.



Beberapa pemesanan. Simulasi menyandikan banyak asumsi yang tidak realistis. Berikut ini beberapa di antaranya:

1. Diasumsikan bahwa ide tidak dapat disimpan dan dikirim selain dari orang ke orang (mis. Tidak ada buku dan media).
   
2. Diasumsikan bahwa ada ahli konstan dalam populasi yang dapat menghasilkan ide, meskipun dalam kenyataannya banyak faktor acak mempengaruhi terjadinya suatu penemuan atau penemuan.
   
3. Untuk keempat versi ide, set parameter SIS yang sama digunakan (laju transfer, persentase imunitas, dll.), Meskipun mungkin lebih realistis untuk menggunakan parameter yang berbeda untuk setiap versi (1.0, 2.0, dll.)
   
4. Diasumsikan bahwa gagasan N +1 selalu sepenuhnya menggantikan gagasan N, meskipun dalam praktiknya sering kali versi lama dan baru beredar secara bersamaan, tanpa pemenang yang pasti.

... dan banyak lainnya.

Diskusi

Ini adalah model yang sangat disederhanakan tentang bagaimana sebenarnya pengetahuan tumbuh. Di luar ruang lingkup model ada banyak detail penting (lihat di atas). Namun, itu mencerminkan esensi penting dari proses tersebut. Sehingga kita dapat, dengan ragu-ragu, berbicara tentang pertumbuhan pengetahuan, menggunakan pengetahuan kita tentang difusi.

Secara khusus, model difusi memberikan pemahaman tentang bagaimana mempercepat proses : perlu untuk memfasilitasi pertukaran ide antara node ahli. Ini mungkin berarti membersihkan jaringan dari titik mati yang mengganggu difusi. Atau itu bisa berarti menempatkan semua ahli di kota atau cluster dengan kepadatan jaringan yang tinggi, di mana ide menyebar dengan cepat. Atau letakkan saja di satu ruangan:



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

Tapi saya punya satu pemikiran terakhir, dan ini sangat penting. Ini tentang pertumbuhan ( dan stagnasi ) pengetahuan dalam komunitas ilmiah. Gagasan ini berbeda dalam nada dan konten dari semua yang dikatakan di atas, tetapi saya harap Anda akan memaafkan saya.

Tentang jaringan ilmiah

Ilustrasi ini menunjukkan salah satu siklus umpan balik positif yang paling penting di dunia (dan sudah seperti ini selama beberapa waktu):



Siklus hulu (K ⟶ T) cukup sederhana: kami menggunakan pengetahuan baru untuk mengembangkan alat baru. Misalnya, pemahaman tentang fisika semikonduktor memungkinkan kita membuat komputer.

Namun, langkah ke bawah membutuhkan beberapa penjelasan. Bagaimana perkembangan teknologi mengarah pada peningkatan pengetahuan?

Salah satu cara - mungkin yang paling langsung - adalah ketika teknologi baru memberi kita cara baru untuk memahami dunia. Sebagai contoh, mikroskop terbaik memungkinkan Anda untuk melihat lebih dalam ke dalam sel, melempar ide untuk biologi molekuler. Pelacak GPS menunjukkan bagaimana hewan bergerak. Sonar memungkinkan Anda menjelajahi lautan. Dan sebagainya.

Tentu, ini adalah mekanisme penting, tetapi setidaknya ada dua cara lain dari teknologi ke pengetahuan. Mereka mungkin tidak begitu sederhana, tetapi saya pikir mereka sama pentingnya:

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

Jika 90% populasi negara Anda terlibat dalam pertanian, dan 10% sisanya terlibat dalam beberapa bentuk perdagangan (atau perang), maka orang memiliki sedikit waktu luang untuk memikirkan hukum alam. Mungkin itu sebabnya di masa lalu, sains dipromosikan terutama oleh anak-anak dari keluarga kaya.

Amerika Serikat setiap tahun meluluskan lebih dari 50.000 dokter sains. Alih-alih menyuruh seseorang pergi bekerja di pabrik pada usia 18 (atau lebih awal), mahasiswa pascasarjana harus dibiayai hingga 30 atau, mungkin, hingga 40 tahun - dan bahkan kemudian tidak jelas apakah pekerjaannya akan membawa dampak ekonomi nyata. Tetapi penting bagi seseorang untuk mencapai garis terdepan dalam disiplinnya, terutama dalam bidang yang kompleks seperti fisika atau biologi.

Faktanya adalah bahwa, dari sudut pandang sistem, spesialis mahal. Dan sumber utama kekayaan sosial yang membiayai para profesional ini adalah teknologi baru: bajak mensubsidi pena.

Kedua. Teknologi baru, terutama di bidang perjalanan dan komunikasi, sedang mengubah struktur jejaring sosial tempat pengetahuan tumbuh. Secara khusus, ini memungkinkan para ahli dan spesialis untuk berinteraksi lebih dekat satu sama lain.

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

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



Selama bertahun-tahun saya agak meremehkan pendidikan tinggi. Tinggal sebentar di sekolah pascasarjana meninggalkan rasa tidak enak di mulut. Tetapi sekarang, ketika saya melihat ke belakang dan berpikir (untuk mengabaikan semua masalah pribadi), saya harus menyimpulkan bahwa pendidikan tinggi masih sangat penting.

Jejaring sosial akademik (misalnya, komunitas penelitian) adalah salah satu struktur paling maju dan berharga yang diciptakan oleh peradaban kita. Tidak ada tempat kami mengumpulkan konsentrasi besar spesialis yang berfokus pada produksi pengetahuan. Tidak ada orang yang berkembang dalam diri mereka kemampuan yang lebih besar untuk memahami dan mengkritik ide masing-masing. Inilah detak jantung kemajuan. Di dalam jaringan inilah api pencerahan paling membakar.

Tapi kita tidak bisa menerima kemajuan begitu saja. Jika krisis dengan tidak dapat direproduksinya eksperimen telah mengajarkan kita sesuatu, sains dapat memiliki masalah sistemik. Ini adalah semacam degradasi jaringan.

Misalkan kita membedakan dua cara melakukan sains: sains nyata dan karirisme . Ilmu nyata adalah praktik yang menghasilkan pengetahuan secara andal. Dia termotivasi oleh rasa ingin tahu dan dicirikan oleh kejujuran (Feynman: "Anda tahu, saya hanya perlu memahami dunia"). Karirisme, sebaliknya, dimotivasi oleh ambisi profesional dan ditandai oleh permainan politik dan label ilmiah. Dia mungkin terlihat dan bertindak seperti sains, tetapi tidak menghasilkan pengetahuan yang dapat diandalkan.

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

Faktanya adalah bahwa ketika para karieris menempati tempat di komunitas penelitian nyata, mereka merusak pekerjaan. Mereka berusaha untuk mempromosikan diri mereka sendiri, sementara anggota masyarakat lainnya berusaha untuk mendapatkan pengetahuan baru dan membagikannya. Alih-alih berusaha mencari kejelasan, para karieris memperumit dan membingungkan segalanya agar terdengar lebih mengesankan. Mereka (seperti yang dikatakan Harry Frankfurt) omong kosong ilmiah. Dan, oleh karena itu, kita dapat memodelkan mereka sebagai titik mati, kebal terhadap pertukaran informasi yang diperlukan untuk pertumbuhan pengetahuan:



Mungkin model terbaik adalah model di mana simpul karier tidak hanya kebal terhadap pengetahuan, tetapi secara aktif menyebarkan pengetahuan palsu . Pengetahuan palsu dapat mencakup hasil yang tidak signifikan, pentingnya yang secara artifisial meningkat, atau hasil yang benar-benar salah yang muncul dari manipulasi atau data palsu.

Terlepas dari bagaimana kita memodelkan mereka, para karieris tentu saja dapat mencekik komunitas ilmiah kita.

Ini mirip dengan reaksi berantai nuklir yang sangat kita butuhkan - kita membutuhkan ledakan pengetahuan - hanya dalam U-235 kita yang diperkaya adakah terlalu banyak pencampuran isotop non-reaktif U-238 yang menekan reaksi berantai.

Tentu saja, tidak ada perbedaan yang jelas antara karier dan ilmuwan sungguhan. Kita masing-masing memiliki sedikit karirisme. Pertanyaannya adalah berapa lama jaringan dapat bertahan sebelum penyebaran pengetahuan memudar.

---

Oh, Anda membacanya sampai akhir. Terima kasih sudah membaca.

Lisensi

CC0 Semua Hak Dilindungi. Anda dapat menggunakan karya ini sesuai keinginan :).

Ucapan Terima Kasih

• Kevin Kwoku dan Nicky Case untuk komentar dan saran yang bijaksana tentang berbagai versi draft.
  
• Nick Barr - untuk dukungan moral selama proses berlangsung dan untuk umpan balik yang paling berguna tentang pekerjaan saya.
  
• Kita A. untuk mengarahkan saya ke fenomena perkolasi dan ambang perkolasi.
  
• Jeff Lonsdale untuk menghubungkan ke esai ini , yang (meskipun banyak kekurangannya) telah menjadi insentif utama untuk mengerjakan posting ini.

Sampel Esai Interaktif

• Semua karya Nicky Keyes, terutama "Perumpamaan tentang Poligon" (dengan Wi Hart) dan "Mengembangkan Pemungutan Suara Terbaik untuk Memilih" . Ini adalah standar tinggi untuk esai interaktif.
  
• Distill.pub : Deskripsi pembelajaran mesin interaktif berkualitas tinggi.
  
• Karya klasik Bret Victor "Naik turun tangga abstraksi . " Saya tidak melakukannya dengan baik dengan tangga, tetapi selalu ada satu upaya lagi.