Dein Forschungsportfolio als Punkt im Problemraum
Modelliere die Menge offener Probleme in einem Feld als einen Raum P. Jedes Problem p ∈ P hat zwei relevante Eigenschaften: Bedeutung I(p) (der nachgelagerte Wert seiner Lösung) und Schwierigkeit D(p) (der Aufwand, der erforderlich ist, um Fortschritt zu erzielen).
Dein Forschungsportfolio ist eine Wahrscheinlichkeitsverteilung über P: ein Maß μ auf P, das beschreibt, wo du deine Aufmerksamkeit konzentrierst. Wenn du nur an einem Problem arbeitest, ist μ = δ(p₀). Wenn du an vielen arbeitest, ist μ über P verteilt.
Die Technik der 10 wichtigen Probleme ist eine Abdeckungsstrategie: behalte Masse in der Region mit hoher Bedeutung in P, auch wenn du diese Probleme gerade nicht aktiv löst. Die Masse ermöglicht Erkennung, wenn eine neue Technik auftaucht.
Die Hebelwirkungsfunktion eines Problems: L(p) = I(p)/D(p). Hohe Bedeutung pro Einheit Schwierigkeit = hohe Hebelwirkung. Die meisten Forscher konzentrieren sich auf Probleme mit niedriger Hebelwirkung (niedrige Schwierigkeit, mittlere Bedeutung), auch wenn Probleme mit hoher Hebelwirkung existieren.
Warum Menschen die Region mit hoher Hebelwirkung vermeiden: Probleme mit hohem I(p) haben typischerweise hohes D(p). Versagen bei einem schwierigen wichtigen Problem ist sichtbar. Versagen bei einem einfachen unwichtigen Problem ist unsichtbar. Die Anreizstruktur treibt Forscher zur Region mit niedriger Hebelwirkung, selbst wenn sie rational wissen, dass Probleme mit hoher Hebelwirkung wichtiger sind.
Hebelwirkung berechnen
Forscher A wendet 100% seiner Anstrengung auf Problem 1 auf: I(p₁) = 10 (Bedeutung), D(p₁) = 2 (Schwierigkeit). Forscher B wendet 100% seiner Anstrengung auf Problem 2 auf: I(p₂) = 100 (Bedeutung), D(p₂) = 50 (Schwierigkeit).
Beide Forscher haben das gleiche Gesamtbudget für Aufwand. Nehmen Sie an, dass die Wahrscheinlichkeit, in einem Jahr bei einem Problem Fortschritt zu erzielen, proportional zu Aufwand/Schwierigkeit ist.
Wissen, das weiteres Lernen ermöglicht
Hammings Argument für Grundlagen: Wissen, das weiteres Lernen ermöglicht, setzt sich zusammen. Ein Forscher, der früh in seiner Karriere in Grundlagen investiert, kann spezialisiertes Wissen schneller erwerben, Verbindungen über Domänen hinweg leichter erkennen und neue Probleme effizienter lösen — weil die Grundlagen einen dichten Subgraph im Wissensgraph bilden.
Modell: Lass K(t) = deine gesamte Wissensmasse zum Zeitpunkt t sein. Wenn die Rate, mit der du neues Wissen erwirbst, proportional zu dem ist, was du bereits weißt: dK/dt = r · K(t), dann K(t) = K₀ · eʳᵗ. Dies ist exponentielles Wachstum.
Realistischer: dK/dt = r · K(t)^α, wobei 0 < α < 1 sub-exponentielles (aber immer noch super-lineares) Wachstum gibt. Der Schlüssel: K(t) ist eine konvexe Funktion von t für jeden α > 0. Eine spätere Investition produziert mehr zukünftiges Wissen als eine gleiche frühe Investition zur gleichen Zeit, aber eine frühe Investition produziert mehr zukünftiges Wissen als eine gleiche späte Investition beim gleichen absoluten Wissensniveau.
Grundlagen als hochhebelwirkende Investitionen: Wenn eine fundamentale Fähigkeit deine Fähigkeit erhöht, all dein zukünftiges Wissen zu erwerben (erhöht r), dann maximiert eine Investition in sie früh die zusammengesetzte Rückkehr. Den gleichen Aufwand auf peripheres Wissen zu verwenden, das nicht verallgemeinert, erhöht K₀ um einen festen Betrag, ohne r zu beeinflussen — eine lineare statt multiplikative Rückkehr.
Hamming über Shannon: Shannon bereitete sich Jahre vor der Zeit vor, als Informationstheorie "in der Luft lag", indem er früh Fragen zur Beziehung zwischen Information und Unsicherheit stellte. Als der Moment kam, war er positioniert, um zu sehen, was andere nicht konnten.
Zusammengesetztes versus lineares Wissensinvestition
Forscher A investiert 1 Jahr früh in seiner Karriere in das Lernen einer fundamentalen mathematischen Technik (lineare Algebra auf Forschungstiefe). Dies verdoppelt ihre Lernrate (r → 2r) für alle nachfolgenden Arbeiten. Forscher B verbringt dieses Jahr mit einer peripheren Fähigkeit, die K₀ → K₀ + C für eine feste Konstante C hinzufügt, ohne r zu beeinflussen.
Nach T weiteren Jahren jenseits des Investitionsjahres hat Forscher A K_A(T) = K₀ · e^(2rT). Forscher B hat K_B(T) = (K₀ + C) · e^(rT).
Die Kosten des Vermeidens schwieriger Probleme
Opportunitätskosten einer Entscheidung = (Wert der besten vergebenen Alternative) − (Wert der gewählten Option).
In Forschungsportfolio-Begriffen: Wenn du deinen Aufwand Problem B (niedrige Hebelwirkung) zuteilest, als Problem A (hohe Hebelwirkung) verfügbar war, sind die Opportunitätskosten pro Jahr = E[output_A] − E[output_B].
Über eine T-jährige Karriere: totale Opportunitätskosten = T × (E[output_A] − E[output_B]), unter der Annahme konstanter Hebelwirkung. In der Praxis setzen sich die Unterschiede zusammen: Während K(t) wächst, wächst auch deine Fähigkeit, bei A Fortschritt zu erzielen, sodass der vergebene Wert über die Zeit wächst.
Die Geometrie der Vermeidung: im Problemraum besetzen die hochhebelwirkenden Probleme eine Region in der Nähe der Grenzfläche. Die meisten Forscher bleiben gut innerhalb der Grenzfläche, in der Region mit niedriger Schwierigkeit und mittlerer Bedeutung. Die Opportunitätskosten sind der Unterschied im erwarteten Output zwischen der Grenzflächenregion und der Innenregion, aufsummiert über die Karriere.
Hammings Beobachtung: Die Forscher, die sich in der Innenregion konzentrierten (die Physik- und Chemie-Tabellen, die er verließ), waren nicht faul. Sie waren aktiv produktiv. Aber ihre Produktivität setzte sich mit einer niedrigeren Rate zusammen als sie es getan hätte, wenn sie auf die Grenzfläche gerichtet wäre. Die Opportunitätskosten sind unsichtbar — du siehst nur, was produziert wurde, nicht was hätte sein können.
Karriereopportunitätskosten berechnen
Ein Forscher hat zwei Optionen pro Jahr: Option A (Grenzflächenproblem, erwarteter Output E_A = 3 pro Jahr) und Option B (Innenprobleme, erwarteter Output E_B = 1 pro Jahr). Sie wählt Option B jedes Jahr für 30 Jahre.
Nehmen Sie an, dass Outputs aus verschiedenen Jahren nicht interagieren (kein Zusammensetzungseffekt der Einfachheit halber). Der Gesamtoutput unter B: O_B = 30. Der Gesamtoutput unter A: O_A = 90.