Il Tuo Portfolio di Ricerca Come Punto nello Spazio dei Problemi
Modella l'insieme dei problemi aperti in un campo come uno spazio P. Ogni problema p ∈ P ha due proprietà rilevanti: importanza I(p) (il valore a valle della sua soluzione) e difficoltà D(p) (lo sforzo richiesto per fare progressi).
Il tuo portfolio di ricerca è una distribuzione di probabilità su P: una misura μ su P che descrive dove allochi la tua attenzione. Se lavori solo su un problema, μ = δ(p₀). Se lavori su molti, μ è distribuito su P.
La tecnica dei 10 problemi importanti è una strategia di copertura: mantieni massa nella regione ad alta importanza di P, anche se non stai risolvendo attivamente quei problemi al momento. La massa abilita il riconoscimento quando arriva una nuova tecnica.
La funzione di leva di un problema: L(p) = I(p)/D(p). Alta importanza per unità di difficoltà = alta leva. La maggior parte dei ricercatori si raggruppa attorno a problemi a bassa leva (bassa difficoltà, importanza moderata) anche quando esistono problemi ad alta leva.
Perché le persone evitano la regione ad alta leva: i problemi con I(p) alto tipicamente hanno D(p) alto. Il fallimento su un problema difficile e importante è visibile. Il fallimento su un problema facile e senza importanza è invisibile. La struttura degli incentivi spinge i ricercatori verso la regione a bassa leva anche quando sanno, razionalmente, che i problemi ad alta leva contano di più.
Calcolo della Leva
Il ricercatore A spende il 100% del suo sforzo sul Problema 1: I(p₁) = 10 (importanza), D(p₁) = 2 (difficoltà). Il ricercatore B spende il 100% del suo sforzo sul Problema 2: I(p₂) = 100 (importanza), D(p₂) = 50 (difficoltà).
Entrambi i ricercatori hanno lo stesso budget totale di sforzo. Assumi che la probabilità di fare progressi su un problema in un anno sia proporzionale a sforzo/difficoltà.
Conoscenza Che Abilita Più Conoscenza
L'argomento di Hamming per i fondamenti: la conoscenza che abilita ulteriore apprendimento si compone. Un ricercatore che investe nei fondamenti all'inizio può acquisire conoscenza specializzata più velocemente, riconoscere connessioni tra domini più facilmente, e risolvere nuovi problemi più efficientemente — perché i fondamenti forniscono un sottografo denso nel grafo della conoscenza.
Modello: sia K(t) = il tuo stock di conoscenza totale al tempo t. Se il tasso di acquisizione di nuova conoscenza è proporzionale a ciò che già conosci: dK/dt = r · K(t), allora K(t) = K₀ · eʳᵗ. Questa è crescita esponenziale.
Più realisticamente: dK/dt = r · K(t)^α, dove 0 < α < 1 dà crescita sub-esponenziale (ma comunque super-lineare). La chiave: K(t) è una funzione convessa di t per qualsiasi α > 0. Un investimento in un momento successivo produce più conoscenza futura che un investimento uguale allo stesso momento, ma un investimento precoce produce più conoscenza futura che un investimento uguale a un livello di conoscenza assoluto successivo.
I fondamenti come investimenti ad alta leva: se una competenza fondamentale aumenta la tua capacità di acquisire tutta la conoscenza futura (aumenta r), allora investire in essa presto massimizza il rendimento composto. Spendere lo stesso sforzo su conoscenza periferica che non si generalizza aumenta K₀ di una quantità fissa senza influenzare r — un rendimento lineare piuttosto che moltiplicativo.
Hamming su Shannon: Shannon ha preparato se stesso anni prima che la teoria dell'informazione fosse 'nell'aria' facendo domande precoci sulla relazione tra informazione e incertezza. Quando il momento è arrivato, era posizionato per vedere ciò che altri non potevano.
Conoscenza Composta vs Investimento Lineare
Il ricercatore A investe 1 anno all'inizio della sua carriera nell'apprendimento di una tecnica matematica fondamentale (algebra lineare a profondità di ricerca). Questo raddoppia il suo tasso di apprendimento (r → 2r) per tutto il lavoro successivo. Il ricercatore B spende quell'anno su una competenza periferica che aggiunge K₀ → K₀ + C per una costante fissa C, senza influenzare r.
Dopo T più anni oltre l'anno di investimento, il Ricercatore A ha K_A(T) = K₀ · e^(2rT). Il Ricercatore B ha K_B(T) = (K₀ + C) · e^(rT).
Il Costo dell'Evitare Problemi Difficili
Il costo opportunità di una decisione = (valore della migliore alternativa sacrificata) − (valore dell'opzione scelta).
In termini di portfolio di ricerca: se allochi il tuo sforzo al Problema B (bassa leva) quando il Problema A (alta leva) era disponibile, il costo opportunità per anno = E[output_A] − E[output_B].
Su una carriera di T anni: costo opportunità totale = T × (E[output_A] − E[output_B]), assumendo leva costante. In pratica, la differenza si compone: mentre K(t) cresce, la tua capacità di fare progressi su A cresce anche, quindi il valore sacrificato cresce nel tempo.
La geometria dell'evitamento: nello spazio dei problemi, i problemi ad alta leva occupano una regione vicino alla frontiera. La maggior parte dei ricercatori rimane ben all'interno della frontiera, nella regione a bassa difficoltà, importanza moderata. Il costo opportunità è la differenza nell'output atteso tra la regione della frontiera e la regione interna, sommata sulla carriera.
L'osservazione di Hamming: i ricercatori che si raggruppavano nella regione interna (le tabelle di fisica e chimica che ha lasciato) non erano pigri. Erano attivamente produttivi. Ma la loro produttività si componeva a un tasso più basso di quanto avrebbe fatto se diretta alla frontiera. Il costo opportunità è invisibile — vedi solo ciò che è stato prodotto, non ciò che avrebbe potuto essere.
Calcolo del Costo Opportunità della Carriera
Un ricercatore ha due opzioni ogni anno: Opzione A (problema della frontiera, output atteso E_A = 3 per anno) e Opzione B (problema interno, output atteso E_B = 1 per anno). Sceglie l'Opzione B ogni anno per 30 anni.
Assumi che gli output da anni diversi non interagiscono (nessun effetto composto per semplicità). L'output totale sotto B: O_B = 30. L'output totale sotto A: O_A = 90.