Tu Portafolio de Investigación como un Punto en el Espacio de Problemas
Modela el conjunto de problemas abiertos en un campo como un espacio P. Cada problema p ∈ P tiene dos propiedades relevantes: importancia I(p) (el valor descendente de resolverlo) y dificultad D(p) (el esfuerzo requerido para hacer progreso).
Tu portafolio de investigación es una distribución de probabilidad sobre P: una medida μ en P que describe dónde asignas tu atención. Si trabajas solo en un problema, μ = δ(p₀). Si trabajas en muchos, μ se distribuye en P.
La técnica de los 10 problemas importantes es una estrategia de cobertura: mantén masa en la región de alta importancia de P, incluso si no estás resolviendo activamente esos problemas en este momento. La masa permite el reconocimiento cuando llega una nueva técnica.
La función de palanca de un problema: L(p) = I(p)/D(p). Alta importancia por unidad de dificultad = alta palanca. La mayoría de los investigadores se agrupan en problemas de baja palanca (baja dificultad, importancia moderada) incluso cuando existen problemas de alta palanca.
Por qué las personas evitan la región de alta palanca: los problemas con alta I(p) típicamente tienen alta D(p). El fracaso en un problema importante y difícil es visible. El fracaso en un problema fácil e importante es invisible. La estructura de incentivos empuja a los investigadores hacia la región de baja palanca incluso cuando saben, racionalmente, que los problemas de alta palanca importan más.
Calculando la Palanca
El investigador A gasta el 100% de su esfuerzo en el Problema 1: I(p₁) = 10 (importancia), D(p₁) = 2 (dificultad). El investigador B gasta el 100% de su esfuerzo en el Problema 2: I(p₂) = 100 (importancia), D(p₂) = 50 (dificultad).
Ambos investigadores tienen el mismo presupuesto de esfuerzo total. Asume que la probabilidad de hacer progreso en un problema en un año es proporcional al esfuerzo/dificultad.
Conocimiento que Permite Más Conocimiento
El argumento de Hamming para los fundamentos: el conocimiento que permite más aprendizaje se compone. Un investigador que invierte en fundamentos temprano puede adquirir conocimiento especializado más rápido, reconocer conexiones entre dominios más fácilmente, & resolver nuevos problemas más eficientemente — porque los fundamentos proporcionan un subgrafo denso en el gráfico de conocimiento.
Modelo: sea K(t) = tu stock total de conocimiento en el tiempo t. Si la tasa de adquisición de nuevo conocimiento es proporcional a lo que ya sabes: dK/dt = r · K(t), entonces K(t) = K₀ · eʳᵗ. Este es el crecimiento exponencial.
Más realista: dK/dt = r · K(t)^α, donde 0 < α < 1 da crecimiento sub-exponencial (pero aún super-lineal). La clave: K(t) es una función convexa de t para cualquier α > 0. Una inversión posterior en el tiempo produce más conocimiento futuro que una inversión temprana igual en el mismo tiempo, pero una inversión temprana produce más conocimiento futuro que una inversión tardía igual en el mismo nivel absoluto de conocimiento.
Fundamentos como inversiones de alta palanca: si una habilidad fundamental aumenta tu capacidad de adquirir todo el conocimiento futuro (eleva r), entonces invertir en ella temprano maximiza el retorno compuesto. Gastar el mismo esfuerzo en conocimiento periférico que no se generaliza eleva K₀ en una cantidad fija sin afectar r — un retorno lineal en lugar de multiplicativo.
Hamming sobre Shannon: Shannon se preparó años antes de que la teoría de la información estuviera 'en el aire' al hacer preguntas tempranas sobre la relación entre información e incertidumbre. Cuando llegó el momento, estaba posicionado para ver lo que otros no podían.
Inversión de Conocimiento Compuesto vs Lineal
El investigador A invierte 1 año temprano en su carrera aprendiendo una técnica matemática fundamental (álgebra lineal en profundidad de investigación). Esto duplica su tasa de aprendizaje (r → 2r) para todo el trabajo subsecuente. El investigador B gasta ese año en una habilidad periférica que suma K₀ → K₀ + C para una constante fija C, sin afectar r.
Después de T años más allá del año de inversión, el investigador A tiene K_A(T) = K₀ · e^(2rT). El investigador B tiene K_B(T) = (K₀ + C) · e^(rT).
El Costo de Evitar Problemas Difíciles
Costo de oportunidad de una decisión = (valor de la mejor alternativa abandonada) − (valor de la opción elegida).
En términos del portafolio de investigación: si asignas tu esfuerzo al Problema B (baja palanca) cuando el Problema A (alta palanca) estaba disponible, el costo de oportunidad por año = E[output_A] − E[output_B].
Durante una carrera de T años: costo de oportunidad total = T × (E[output_A] − E[output_B]), asumiendo palanca constante. En la práctica, la diferencia se compone: a medida que K(t) crece, tu capacidad de hacer progreso en A también crece, así que el valor abandonado crece con el tiempo.
La geometría de la evitación: en el espacio de problemas, los problemas de alta palanca ocupan una región cerca de la frontera. La mayoría de los investigadores permanecen bien dentro de la frontera, en la región de baja dificultad, importancia moderada. El costo de oportunidad es la diferencia en el resultado esperado entre la región de frontera & la región interior, sumada durante la carrera.
La observación de Hamming: los investigadores que se agruparon en la región interior (las tablas de física & química que dejó) no eran perezosos. Eran activamente productivos. Pero su productividad se compuso a una tasa más baja que si se hubiera dirigido a la frontera. El costo de oportunidad es invisible — solo ves lo que se produjo, no lo que podría haber sido.
Calculando el Costo de Oportunidad de la Carrera
Un investigador tiene dos opciones cada año: Opción A (problema de frontera, resultado esperado E_A = 3 por año) & Opción B (problema interior, resultado esperado E_B = 1 por año). Elige la Opción B cada año durante 30 años.
Asume que los resultados de diferentes años no interactúan (sin efecto compuesto para simplificar). El resultado total bajo B: O_B = 30. El resultado total bajo A: O_A = 90.