Jouw onderzoeksportfolio als punt in probleemruimte
Model de verzameling van open problemen in een vakgebied als een ruimte P. Elk probleem p ∈ P heeft twee relevante eigenschappen: belang I(p) (de waarde stroomafwaarts van het oplossen ervan) en moeilijkheid D(p) (de inspanning die nodig is om vooruitgang te boeken).
Jouw onderzoeksportfolio is een waarschijnlijkheidsverdeling over P: een maat μ op P die beschrijft waar je je aandacht toewijst. Als je alleen aan één probleem werkt, is μ = δ(p₀). Als je aan veel problemen werkt, is μ verspreidt over P.
De 10 belangrijke problemen-techniek is een strategie voor grenscontrole: behoud massa in het gebied met hoog belang van P, ook al werk je op dit moment niet actief aan die problemen. De massa stelt je in staat om herkenning te doen wanneer een nieuwe techniek verschijnt.
De hefboomfunctie van een probleem: L(p) = I(p)/D(p). Hoog belang per eenheid moeilijkheid = hoge hefboom. De meeste onderzoekers clusteren rond laag-leverage problemen (lage moeilijkheid, gemiddeld belang), zelfs wanneer hoog-leverage problemen bestaan.
Waarom mensen het high-leverage gebied vermijden: problemen met hoog I(p) hebben meestal hoog D(p). Mislukking op een moeilijk belangrijk probleem is zichtbaar. Mislukking op een gemakkelijk onbelangrijk probleem is onzichtbaar. De prikkels duwen onderzoekers naar het laag-leverage gebied, zelfs als ze rationeel weten dat de high-leverage problemen ertoe doen.
Hefboomwerking berekenen
Onderzoeker A besteedt 100% van hun inspanning aan Probleem 1: I(p₁) = 10 (belang), D(p₁) = 2 (moeilijkheid). Onderzoeker B besteedt 100% van hun inspanning aan Probleem 2: I(p₂) = 100 (belang), D(p₂) = 50 (moeilijkheid).
Beide onderzoekers hebben dezelfde totale inspanningsbudget. Stel dat de waarschijnlijkheid van vooruitgang op een probleem in één jaar evenredig is aan inspanning/moeilijkheid.
Kennis die meer kennis mogelijk maakt
Hammings argument voor grondbeginselen: kennis die verder leren mogelijk maakt, compoundert. Een onderzoeker die vroeg in kennis van grondbeginselen investeert, kan gespecialiseerde kennis sneller verwerven, verbindingen tussen domeinen gemakkelijker herkennen, en nieuwe problemen efficiënter oplossen — omdat de grondbeginselen een dichte subgraaf in de kennisgraaf vormen.
Model: laat K(t) = uw totale kennisvoorraad op moment t. Als het tempo van het verwerven van nieuwe kennis evenredig is aan wat je al weet: dK/dt = r · K(t), dan K(t) = K₀ · eʳᵗ. Dit is exponentiële groei.
Meer realistisch: dK/dt = r · K(t)^α, waarbij 0 < α < 1 sub-exponentiële (maar nog steeds super-lineaire) groei oplevert. Het sleutelstuk: K(t) is een convexe functie van t voor elke α > 0. Een later-time investering levert meer toekomstige kennis op dan een gelijke vroege investering op hetzelfde moment, maar een vroege investering levert meer toekomstige kennis op dan een gelijke late investering op hetzelfde absolute kennissniveau.
Grondbeginselen als high-leverage investeringen: als een fundamentele vaardigheid je vermogen verhoogt om alle toekomstige kennis te verwerven (verhoogt r), dan maximaliseert investeren erin vroeg de samengestelde opbrengst. Het besteden van dezelfde inspanning aan randkennis die niet generaliseert, verhoogt K₀ met een vast bedrag zonder r te beïnvloeden — een lineair in plaats van multiplicatief rendement.
Hamming over Shannon: Shannon bereidde zichzelf jaren vooruit alvorens informatietheorie 'in de lucht was' door vroeg vragen te stellen over de relatie tussen informatie en onzekerheid. Toen het moment aanbrak, was hij gepositioneerd om te zien wat anderen niet konden.
Samengestelde versus lineaire kennissinvestering
Onderzoeker A investeert 1 jaar vroeg in hun carrière in het leren van een fundamentele wiskundige techniek (lineaire algebra op onderzoeksdiepte). Dit verdubbelt hun leersnelheid (r → 2r) voor al het volgende werk. Onderzoeker B besteedt dat jaar aan een randvaardigheid die K₀ → K₀ + C toevoegt voor een vaste constante C, zonder r te beïnvloeden.
Na nog T jaar na het investeringsjaar heeft Onderzoeker A K_A(T) = K₀ · e^(2rT). Onderzoeker B heeft K_B(T) = (K₀ + C) · e^(rT).
De kosten van het vermijden van moeilijke problemen
Alternatieve kosten van een beslissing = (waarde van beste opgeofferde alternatief) − (waarde van gekozen optie).
In onderzoeksportfoliotermen: als je je inspanning toewijst aan Probleem B (lage hefboom) toen Probleem A (hoge hefboom) beschikbaar was, zijn de alternatieve kosten per jaar = E[output_A] − E[output_B].
Over een T-jarige carrière: totale alternatieve kosten = T × (E[output_A] − E[output_B]), ervan uitgaande dat de hefboomwerking constant is. In de praktijk groeien de alternatieve kosten: naarmate K(t) groeit, groeit ook je vermogen om vooruitgang op A te bereiken, dus de opgeofferde waarde groeit ook in de loop van de tijd.
De meetkunde van vermijding: in probleemruimte, bezetten de high-leverage problemen een gebied dicht bij de grens. De meeste onderzoekers blijven goed in het binnenland, in het lage moeilijkheid, gemiddeld belang gebied. De alternatieve kosten zijn het verschil in verwachte output tussen het grensgebied en het binnenland, opgeteld over de carrière.
Hammings waarneming: de onderzoekers die rond het binnenland clusteren (de fysica- en cheminetabellen die hij verliet) waren niet lui. Ze waren actief productief. Maar hun productiviteit compoundde met een lager tempo dan het zou hebben als het was gericht op de grens. De alternatieve kosten zijn onzichtbaar — je ziet alleen wat werd geproduceerd, niet wat had kunnen zijn.
Berekening van carrière alternatieve kosten
Een onderzoeker heeft elk jaar twee opties: Optie A (grens probleem, verwachte output E_A = 3 per jaar) en Optie B (binnenlandproblem, verwachte output E_B = 1 per jaar). Ze kiezen elk jaar Optie B gedurende 30 jaar.
Stel dat de output van verschillende jaren niet op elkaar inwerken (geen samengesteld effect voor eenvoud). De totale output onder B: O_B = 30. De totale output onder A: O_A = 90.