Din Forskningsportfölj som en Punkt i Problemrummet
Modellera mängden av öppna problem i ett forskningsområde som ett rum P. Varje problem p ∈ P har två relevanta egenskaper: betydelse I(p) (det efterföljande värdet av att lösa det) och svårighet D(p) (ansträngningen som krävs för att göra framsteg).
Din forskningsportfölj är en sannolikhetsfördelning över P: ett mått μ på P som beskriver hur du fördelar din uppmärksamhet. Om du arbetar med endast ett problem, μ = δ(p₀). Om du arbetar med många, är μ spridd över P.
Tekniken med 10 viktiga problem är en täckningsstrategi: upprätthåll massa på området med hög betydelse i P, även om du inte aktivt löser dessa problem för tillfället. Massan möjliggör igenkänning när en ny teknik anländer.
Vinstfunktionen för ett problem: L(p) = I(p)/D(p). Hög betydelse per enhet svårighet = hög vinst. De flesta forskare klustrar vid låg-vinstproblem (låg svårighet, måttlig betydelse) även när höga-vinstproblem finns.
Varför människor undviker höga-vinstregionen: problem med hög I(p) har vanligtvis hög D(p). Misslyckande på ett hårt viktigt problem är synligt. Misslyckande på ett lätt oviktigt problem är osynligt. Incitamentstrukturen trycker på forskare mot låg-vinstregionen även när de rationellt vet att höga-vinstproblemen betyder mer.
Beräkna Vinst
Forskare A lägger 100% av sin ansträngning på Problem 1: I(p₁) = 10 (betydelse), D(p₁) = 2 (svårighet). Forskare B lägger 100% av sin ansträngning på Problem 2: I(p₂) = 100 (betydelse), D(p₂) = 50 (svårighet).
Båda forskarna har samma totala ansträngningsbudget. Antag att sannolikheten för att göra framsteg på ett problem på ett år är proportionell mot ansträngning/svårighet.
Kunskap som Möjliggör Mer Kunskap
Hammings argument för fundamentala kunskaper: kunskap som möjliggör vidare inlärning växer sammansatt. En forskare som investerar i grunderna tidigt kan förvärva specialiserad kunskap snabbare, igenkänna kopplingar över domäner mer lätt, och lösa nya problem mer effektivt — eftersom grunderna tillhandahåller ett tätt delgraf i kunskapsgrafen.
Modell: låt K(t) = din totala kunskapsstock vid tid t. Om takten att förvärva ny kunskap är proportionell mot vad du redan vet: dK/dt = r · K(t), då K(t) = K₀ · eʳᵗ. Detta är exponentiell tillväxt.
Mer realistiskt: dK/dt = r · K(t)^α, där 0 < α < 1 ger subexponentiell (men fortfarande superlinär) tillväxt. Nyckeln: K(t) är en konvex funktion av t för alla α > 0. En senare investeringen producerar mer framtida kunskap än en lika stor tidig investering på samma tid, men en tidig investering producerar mer framtida kunskap än en lika stor sen investering på samma absoluta kunskapsnivå.
Grundläggande kunskaper som höga-vinstinvesteringar: om en grundläggande färdighet ökar din förmåga att förvärva all framtida kunskap (höjer r), då maximeras avkastningen genom att investera i det tidigt. Att spendera samma ansträngning på perifer kunskap som inte generaliserar höjer K₀ med ett fast belopp utan att påverka r — en linjär snarare än multiplikativ avkastning.
Hamming om Shannon: Shannon förberedde sig själv år innan informationsteori var 'i luften' genom att ställa tidiga frågor om förhållandet mellan information och osäkerhet. När ögonblicket kom, var han positionerad att se vad andra inte kunde.
Sammansatt kontra Linjär Kunskapsinvestering
Forskare A investerar 1 år tidigt i sin karriär för att lära sig en grundläggande matematisk teknik (linjär algebra på forskningsnivå). Detta fördubblar deras inlärningshastighet (r → 2r) för allt senare arbete. Forskare B lägger det året på en perifer färdighet som adderar K₀ → K₀ + C för en konstant C, utan att påverka r.
Efter T fler år bortom investeringsåret har Forskare A K_A(T) = K₀ · e^(2rT). Forskare B har K_B(T) = (K₀ + C) · e^(rT).
Kostnaden för att Undvika Svåra Problem
Opportunitetskostnad för ett beslut = (värdet av bästa övergiven alternativ) − (värdet av valt alternativ).
I forskningsportföljtermer: om du fördelar din ansträngning till Problem B (låg vinst) när Problem A (höga vinst) var tillgängligt, opportunitetskostnaden per år = E[resultat_A] − E[resultat_B].
Under en T-årig karriär: total opportunitetskostnad = T × (E[resultat_A] − E[resultat_B]), förutsatt konstant vinst. I praktiken växer skillnaden sammansatt: när K(t) växer, ökar din förmåga att göra framsteg på A också, så det försummade värdet växer över tid.
Geometrin av undvikande: i problemrummet occuperar höga-vinstproblemen en region nära gränsen. De flesta forskare stannar väl innanför gränsen, i område med låg svårighet och måttlig betydelse. Opportunitetskostnaden är skillnaden i förväntat resultat mellan gränsregionen och inre regionen, summerad över karriären.
Hammings observation: forskarna som klustrade i inre regionen (fysik- och kemitabellerna han lämnade) var inte lata. De var aktivt produktiva. Men deras produktivitet växte sammansatt med en lägre takt än den skulle ha gjort om den riktades mot gränsen. Opportunitetskostnaden är osynlig — du ser bara det som producerades, inte det som kunde ha varit.
Beräkna Karriärens Opportunitetskostnad
En forskare har två alternativ varje år: Alternativ A (gränsproblem, förväntat resultat E_A = 3 per år) och Alternativ B (inre problem, förväntat resultat E_B = 1 per år). De väljer Alternativ B varje år i 30 år.
Antag att resultaten från olika år inte interagerar (ingen sammansatt effekt för enkelhets skull). Totalt resultat under B: O_B = 30. Totalt resultat under A: O_A = 90.