Seu Portfólio de Pesquisa como Ponto no Espaço de Problemas
Modele o conjunto de problemas abertos em um campo como um espaço P. Cada problema p ∈ P tem duas propriedades relevantes: importância I(p) (o valor a jusante de resolvê-lo) e dificuldade D(p) (o esforço necessário para fazer progresso).
Seu portfólio de pesquisa é uma distribuição de probabilidade sobre P: uma medida μ em P descrevendo onde você aloca sua atenção. Se você trabalha apenas em um problema, μ = δ(p₀). Se você trabalha em muitos, μ está espalhada por P.
A técnica dos 10 problemas importantes é uma estratégia de cobertura: mantenha massa na região de alta importância de P, mesmo que não esteja resolvendo ativamente esses problemas no momento. A massa permite reconhecimento quando uma nova técnica chega.
A função de alavancagem de um problema: L(p) = I(p)/D(p). Alta importância por unidade de dificuldade = alta alavancagem. A maioria dos pesquisadores se agrupa em problemas de baixa alavancagem (baixa dificuldade, importância moderada) mesmo quando problemas de alta alavancagem existem.
Por que as pessoas evitam a região de alta alavancagem: problemas com alto I(p) normalmente têm alto D(p). Fracasso em um problema importante e difícil é visível. Fracasso em um problema fácil e sem importância é invisível. A estrutura de incentivos empurra os pesquisadores para a região de baixa alavancagem mesmo quando sabem racionalmente que os problemas de alta alavancagem importam mais.
Calculando Alavancagem
Pesquisador A gasta 100% do seu esforço no Problema 1: I(p₁) = 10 (importância), D(p₁) = 2 (dificuldade). Pesquisador B gasta 100% do seu esforço no Problema 2: I(p₂) = 100 (importância), D(p₂) = 50 (dificuldade).
Ambos os pesquisadores têm o mesmo orçamento total de esforço. Assuma que a probabilidade de fazer progresso em um problema em um ano é proporcional ao esforço/dificuldade.
Conhecimento Que Permite Mais Conhecimento
O argumento de Hamming para os fundamentos: conhecimento que permite aprendizado adicional composto. Um pesquisador que investe em fundamentos no início pode adquirir conhecimento especializado mais rapidamente, reconhecer conexões entre domínios mais prontamente, e resolver novos problemas mais eficientemente — porque os fundamentos fornecem um subgrafo denso no gráfico de conhecimento.
Modelo: seja K(t) = seu estoque total de conhecimento no tempo t. Se a taxa de aquisição de novo conhecimento é proporcional ao que você já sabe: dK/dt = r · K(t), então K(t) = K₀ · eʳᵗ. Este é um crescimento exponencial.
Mais realista: dK/dt = r · K(t)^α, onde 0 < α < 1 fornece crescimento sub-exponencial (mas ainda super-linear). A chave: K(t) é uma função convexa de t para qualquer α > 0. Um investimento em tempo posterior produz mais conhecimento futuro que um investimento igual no mesmo tempo, mas um investimento anterior produz mais conhecimento futuro que um investimento igual no mesmo nível absoluto de conhecimento.
Fundamentos como investimentos de alta alavancagem: se uma habilidade fundamental aumenta sua capacidade de adquirir todo conhecimento futuro (aumenta r), então investir nela no início maximiza o retorno composto. Gastar o mesmo esforço em conhecimento periférico que não generaliza aumenta K₀ por uma quantidade fixa sem afetar r — um retorno linear em vez de multiplicativo.
Hamming sobre Shannon: Shannon se preparou anos antes da teoria da informação estar 'no ar' fazendo perguntas iniciais sobre a relação entre informação e incerteza. Quando o momento chegou, ele estava posicionado para ver o que outros não podiam.
Investimento de Conhecimento Composto vs Linear
Pesquisador A investe 1 ano no início de sua carreira aprendendo uma técnica matemática fundamental (álgebra linear em profundidade de pesquisa). Isto dobra sua taxa de aprendizado (r → 2r) para todo trabalho subsequente. Pesquisador B gasta esse ano em uma habilidade periférica que adiciona K₀ → K₀ + C para uma constante fixa C, sem afetar r.
Depois de T mais anos além do ano de investimento, Pesquisador A tem K_A(T) = K₀ · e^(2rT). Pesquisador B tem K_B(T) = (K₀ + C) · e^(rT).
O Custo de Evitar Problemas Difíceis
Custo de oportunidade de uma decisão = (valor da melhor alternativa renunciada) − (valor da opção escolhida).
Em termos de portfólio de pesquisa: se você aloca seu esforço ao Problema B (baixa alavancagem) quando o Problema A (alta alavancagem) estava disponível, o custo de oportunidade por ano = E[output_A] − E[output_B].
Durante uma carreira de T anos: custo de oportunidade total = T × (E[output_A] − E[output_B]), assumindo alavancagem constante. Na prática, a diferença compõe: conforme K(t) cresce, sua capacidade de fazer progresso em A também cresce, então o valor renunciado cresce ao longo do tempo.
A geometria da evasão: no espaço de problemas, os problemas de alta alavancagem ocupam uma região perto da fronteira. A maioria dos pesquisadores fica bem dentro da fronteira, na região de baixa dificuldade, importância moderada. O custo de oportunidade é a diferença na saída esperada entre a região de fronteira e a região interior, somada ao longo da carreira.
Observação de Hamming: os pesquisadores que se agrupavam na região interior (as tabelas de física e química que ele deixou) não eram preguiçosos. Eram produtivos ativamente. Mas sua produtividade compunha a uma taxa menor do que teria se direcionada para a fronteira. O custo de oportunidade é invisível — você vê apenas o que foi produzido, não o que poderia ter sido.
Computando Custo de Oportunidade de Carreira
Um pesquisador tem duas opções a cada ano: Opção A (problema de fronteira, saída esperada E_A = 3 por ano) e Opção B (problema interior, saída esperada E_B = 1 por ano). Escolhe a Opção B a cada ano por 30 anos.
Assuma que as saídas de diferentes anos não interagem (sem efeito composto para simplificar). A saída total sob B: O_B = 30. A saída total sob A: O_A = 90.