Twoje Portfolio Badawcze jako Punkt w Przestrzeni Problemów
Modeluj zbiór otwartych problemów w polu jako przestrzeń P. Każdy problem p ∈ P ma dwie istotne właściwości: ważność I(p) (wartość rozwiązania) i trudność D(p) (wysiłek wymagany do postępu).
Twoje portfolio badawcze jest rozkładem prawdopodobieństwa nad P: miarą μ na P opisującą alokację uwagi. Jeśli pracujesz tylko nad jednym problemem, μ = δ(p₀). Jeśli pracujesz nad wieloma, μ jest rozproszona po P.
Technika 10 ważnych problemów to strategia pokrycia: utrzymuj masę w regionie wysokiej ważności P, nawet jeśli nie pracujesz aktywnie nad tymi problemami w tej chwili. Masa umożliwia rozpoznanie, gdy pojawi się nowa technika.
Funkcja dźwigni problemu: L(p) = I(p)/D(p). Wysoka ważność na jednostkę trudności = wysoka dźwignia. Większość badaczy skupia się na problemach o niskiej dźwigni (niska trudność, umiarkowana ważność), nawet gdy istnieją problemy o wysokiej dźwigni.
Dlaczego ludzie unikają regionu wysokiej dźwigni: problemy z wysokim I(p) zazwyczaj mają wysokie D(p). Porażka w trudnym ważnym problemie jest widoczna. Porażka w łatwym mało ważnym problemie jest niewidoczna. Struktura zachęt pcha badaczy w stronę regionu o niskiej dźwigni, nawet gdy wiedzą racjonalnie, że ważne problemy bardziej się liczą.
Obliczanie Dźwigni
Badacz A spędza 100% wysiłku na Problem 1: I(p₁) = 10 (ważność), D(p₁) = 2 (trudność). Badacz B spędza 100% wysiłku na Problem 2: I(p₂) = 100 (ważność), D(p₂) = 50 (trudność).
Obaj badacze mają ten sam całkowity budżet wysiłku. Załóż, że prawdopodobieństwo osiągnięcia postępu w problemie w ciągu jednego roku jest proporcjonalne do wysiłku/trudności.
Wiedza, Która Umożliwia Więcej Wiedzy
Argument Hamminga za fundamentami: wiedza, która umożliwia dalsze uczenie się, rośnie złożenie. Badacz, który inwestuje we fundamenty wcześnie, może nabyć wiedzę specjalistyczną szybciej, rozpoznawać połączenia między domenami łatwiej i rozwiązywać nowe problemy efektywniej — ponieważ fundamenty dostarczają gęstego podgrafu w grafie wiedzy.
Model: niech K(t) = całkowity zasób wiedzy w czasie t. Jeśli tempo nabycia nowej wiedzy jest proporcjonalne do tego, co już wiesz: dK/dt = r · K(t), wtedy K(t) = K₀ · eʳᵗ. To jest wzrost wykładniczy.
Bardziej realistycznie: dK/dt = r · K(t)^α, gdzie 0 < α < 1 daje wzrost subwykładniczy (ale nadal super-liniowy). Klucz: K(t) jest funkcją wypukłą t dla dowolnego α > 0. Inwestycja w późniejszym czasie daje więcej przyszłej wiedzy niż równa inwestycja w tym samym czasie, ale inwestycja wcześniejsza daje więcej przyszłej wiedzy niż równa inwestycja w późniejszym czasie na tym samym absolutnym poziomie wiedzy.
Fundamenty jako inwestycje o wysokiej dźwigni: jeśli umiejętność fundamentalna zwiększa twoją zdolność do nabycia wszystkich przyszłych wiadomości (podnosi r), to inwestowanie w nią wcześnie maksymalizuje złożony zwrot. Spędzanie tego samego wysiłku na wiedzy obwodowej, która się nie uogólnia, podnosi K₀ o stałą ilość bez wpływu na r — liniowy, a nie multiplikatywny zwrot.
Hamming o Shannie: Shannon przygotowywał się przez lata zanim teoria informacji 'była w powietrzu', zadając wcześnie pytania o związek między informacją a niepewnością. Gdy chwila nadeszła, był pozycjonowany, aby zobaczyć to, czego inni nie mogli.
Wiedza Złożona vs Liniowa Inwestycja
Badacz A inwestuje 1 rok wcześnie w karierze w naukę fundamentalnej techniki matematycznej (algebra liniowa na głębokości badawczej). To podwaja ich tempo uczenia się (r → 2r) dla całej późniejszej pracy. Badacz B spędza ten rok na umiejętności obwodowej, która dodaje K₀ → K₀ + C dla stałej C, bez wpływu na r.
Po T kolejnych latach poza rokiem inwestycji, Badacz A ma K_A(T) = K₀ · e^(2rT). Badacz B ma K_B(T) = (K₀ + C) · e^(rT).
Koszt Unikania Trudnych Problemów
Koszt alternatywny decyzji = (wartość najlepszej zarzuconej alternatywy) − (wartość wybranej opcji).
W kategoriach portfolio badawczego: jeśli alokujesz wysiłek do Problem B (niska dźwignia), gdy Problem A (wysoka dźwignia) był dostępny, koszt alternatywny na rok = E[wynik_A] − E[wynik_B].
Przez T-letnią karierę: całkowity koszt alternatywny = T × (E[wynik_A] − E[wynik_B]), jeśli założymy stałą dźwignię. W praktyce różnica łączy się: gdy K(t) rośnie, zdolność do osiągnięcia postępu na A również rośnie, więc zarzucona wartość rośnie w czasie.
Geometria unikania: w przestrzeni problemów problemy o wysokiej dźwigni zajmują region blisko granicy. Większość badaczy pozostaje głęboko wewnątrz granicy, w regionie niskiej trudności, umiarkowanej ważności. Koszt alternatywny to różnica w oczekiwanym wyniki między regionem granicy a regionem wnętrza, zsumowana na całą karierę.
Obserwacja Hamminga: badacze, którzy skupiali się w regionie wnętrza (tabele fizyki i chemii, które opuścił) nie byli leniwi. Byli aktywnie produktywni. Ale ich produktywność łączyła się z niższym tempem niż byłoby, gdyby była skierowana na granicę. Koszt alternatywny jest niewidoczny — widzisz tylko to, co zostało wyprodukowane, nie to, co mogło być.
Obliczanie Kosztu Alternatywnego Kariery
Badacz ma dwie opcje każdego roku: Opcja A (problem graniczny, oczekiwany wynik E_A = 3 na rok) i Opcja B (problem wewnętrzny, oczekiwany wynik E_B = 1 na rok). Wybiera Opcję B każdego roku przez 30 lat.
Załóż, że wyniki z różnych lat nie oddziałują (brak efektu złożonego dla uproszczenia). Całkowity wynik pod B: O_B = 30. Całkowity wynik pod A: O_A = 90.