Votre portfolio de recherche comme point dans l'espace des problèmes
Modélisez l'ensemble des problèmes ouverts dans un domaine comme un espace P. Chaque problème p ∈ P possède deux propriétés pertinentes : importance I(p) (la valeur aval de sa résolution) et difficulté D(p) (l'effort requis pour progresser).
Votre portfolio de recherche est une distribution de probabilité sur P : une mesure μ sur P décrivant où vous allouez votre attention. Si vous ne travaillez que sur un seul problème, μ = δ(p₀). Si vous en travaillez plusieurs, μ est répartie sur P.
La technique des 10 problèmes importants est une stratégie de couverture : maintenir une masse sur la région d'importance élevée de P, même si vous ne résolvez pas activement ces problèmes en ce moment. La masse permet la reconnaissance quand une nouvelle technique arrive.
La fonction de levier d'un problème : L(p) = I(p)/D(p). Importance élevée par unité de difficulté = levier élevé. La plupart des chercheurs se regroupent sur des problèmes à faible levier (difficulté faible, importance modérée) même quand des problèmes à fort levier existent.
Pourquoi les gens évitent la région à fort levier : les problèmes avec I(p) élevé ont généralement D(p) élevé. L'échec sur un problème important difficile est visible. L'échec sur un problème facile sans importance est invisible. La structure des incitations pousse les chercheurs vers la région à faible levier, même s'ils savent, rationnellement, que les problèmes à fort levier importent davantage.
Calcul du levier
Le chercheur A consacre 100 % de son effort au problème 1 : I(p₁) = 10 (importance), D(p₁) = 2 (difficulté). Le chercheur B consacre 100 % de son effort au problème 2 : I(p₂) = 100 (importance), D(p₂) = 50 (difficulté).
Les deux chercheurs ont le même budget d'effort total. Supposez que la probabilité de progresser sur un problème en un an est proportionnelle à effort/difficulté.
Les connaissances qui permettent plus de connaissances
L'argument de Hamming pour les fondamentaux : les connaissances qui permettent l'apprentissage ultérieur se composent. Un chercheur qui investit dans les fondamentaux tôt peut acquérir les connaissances spécialisées plus rapidement, reconnaître les connexions entre les domaines plus facilement, et résoudre les nouveaux problèmes plus efficacement — parce que les fondamentaux fournissent un sous-graphe dense dans le graphe des connaissances.
Modèle : soit K(t) = votre stock total de connaissances au temps t. Si le taux d'acquisition de nouvelles connaissances est proportionnel à ce que vous connaissez déjà : dK/dt = r · K(t), alors K(t) = K₀ · eʳᵗ. C'est une croissance exponentielle.
Plus réalistement : dK/dt = r · K(t)^α, où 0 < α < 1 donne une croissance sous-exponentielle (mais toujours super-linéaire). La clé : K(t) est une fonction convexe de t pour tout α > 0. Un investissement à un moment ultérieur produit plus de connaissances futures qu'un investissement précoce égal au même moment, mais un investissement précoce produit plus de connaissances futures qu'un investissement tardif égal au même niveau absolu de connaissance.
Les fondamentaux comme investissements à fort levier : si une compétence fondamentale augmente votre capacité à acquérir toutes les connaissances futures (augmente r), alors l'investir tôt maximise le rendement composé. Passer le même effort sur des connaissances périphériques qui ne se généralisent pas augmente K₀ d'un montant fixe sans affecter r — un rendement linéaire plutôt que multiplicatif.
Hamming sur Shannon : Shannon s'est préparé des années avant que la théorie de l'information soit « dans l'air » en posant des questions précoces sur la relation entre l'information et l'incertitude. Quand le moment est venu, il était positionné pour voir ce que les autres ne pouvaient pas voir.
Investissement en connaissances composées vs linéaires
Le chercheur A investit 1 an tôt dans sa carrière en apprenant une technique mathématique fondamentale (algèbre linéaire à la profondeur de la recherche). Cela double son taux d'apprentissage (r → 2r) pour tout travail ultérieur. Le chercheur B passe cette année sur une compétence périphérique qui ajoute K₀ → K₀ + C pour une constante fixe C, sans affecter r.
Après T années supplémentaires au-delà de l'année d'investissement, le chercheur A a K_A(T) = K₀ · e^(2rT). Le chercheur B a K_B(T) = (K₀ + C) · e^(rT).
Le coût d'éviter les problèmes difficiles
Coût d'opportunité d'une décision = (valeur de la meilleure alternative abandonnée) − (valeur de l'option choisie).
En termes de portfolio de recherche : si vous allouez votre effort au problème B (levier faible) quand le problème A (levier élevé) était disponible, le coût d'opportunité par an = E[output_A] − E[output_B].
Sur une carrière de T ans : coût d'opportunité total = T × (E[output_A] − E[output_B]), en supposant un levier constant. En pratique, la différence se compose : à mesure que K(t) augmente, votre capacité à progresser sur A augmente aussi, donc la valeur abandonnée augmente avec le temps.
La géométrie de l'évitement : dans l'espace des problèmes, les problèmes à fort levier occupent une région près de la frontière. La plupart des chercheurs restent bien à l'intérieur de la frontière, dans la région de difficulté faible et d'importance modérée. Le coût d'opportunité est la différence dans la production attendue entre la région de frontière et la région intérieure, additionnée sur la carrière.
L'observation de Hamming : les chercheurs qui se regroupaient à la région intérieure (les tableaux de physique et chimie qu'il a quitté) n'étaient pas paresseux. Ils étaient activement productifs. Mais leur productivité s'est composée à un taux inférieur à ce qu'elle aurait été si elle était dirigée vers la frontière. Le coût d'opportunité est invisible — vous ne voyez que ce qui a été produit, pas ce qui aurait pu l'être.
Calcul du coût d'opportunité de carrière
Un chercheur a deux options chaque année : option A (problème de frontière, production attendue E_A = 3 par an) et option B (problème intérieur, production attendue E_B = 1 par an). Il choisit l'option B chaque année pendant 30 ans.
Supposez que les productions de différentes années n'interagissent pas (pas d'effet composé pour la simplicité). La production totale sous B : O_B = 30. La production totale sous A : O_A = 90.