邏輯方程的推導
Hamming的S曲線有一個精確的數學推導。從關於技術採納的兩個觀察開始：
1. 採納速率隨著當前採納而加速（口碑、網絡效應）：dP/dt ∝ P
2. 隨著市場飽和，採納速率減速：dP/dt ∝ (1 − P)
結合：dP/dt = r · P · (1 − P)
這是邏輯微分方程。它是可分的：部分分數分解允許直接積分。
推導
分離變數：dP / [P(1−P)] = r dt
部分分數：1/[P(1−P)] = 1/P + 1/(1−P)
對兩邊積分：ln(P) − ln(1−P) = rt + C
ln[P/(1−P)] = rt + C
P/(1−P) = e^(rt+C) = e^C · e^(rt)
令K = e^C。解出P：P = K·e^(rt) / (1 + K·e^(rt))
等價地：P(t) = 1 / (1 + e^(−r(t − t₀)))
其中t₀ = (ln K)/r是拐點。
拐點
在t = t₀處：P = 0.5。二階導數d²P/dt² = 0：增長率最大。在t₀之前：凹向上（加速）。在t₀之後：凹向下（減速）。
將邏輯曲線擬合到數據
給定邏輯曲線上的兩個數據點，你可以解出r和t₀。
互聯網採納：P(1995) = 0.01（美國家庭的1%），P(2005) = 0.70（70%）。
作為幾何計數的網絡價值
Hamming指出，應用程序推動計算採納的程度遠超硬件或軟件。依賴網絡的應用程序遵循一個特定的增長模式：它們的價值增速快於成本。
梅特卡夫法則
具有n個用戶的網絡的價值與用戶之間可能的連接數成正比：
V(n) = k · n(n−1)/2 ≈ k · n²/2 （對於大型n）
其中k是一個連接的價值。網絡成本：C(n) ∝ n（粗略地說與用戶數成線性關係）。
價值成本比：V/C ∝ n²/n = n。當n增長時，比率呈線性增長。擁有10倍用戶的網絡提供約100倍的價值，但成本只有10倍。
幾何圖像
具有n個節點，完全圖K_n中的邊數是C(n,2) = n(n−1)/2。這是一個組合公式：從n個節點中選擇2個。對於n=10：C(10,2)=45。對於n=100：C(100,2)=4950。對於n=1000：C(1000,2)=499,500。
S曲線和梅特卡夫法則相互作用：在第2階段快速採納期間，n增長迅速，V(n)增長為n²。價值拐點出現早於採納拐點 — 價值在採納之前加速，形成正反饋循環，吸引更多採納。
不同採納水平的網絡價值
電子郵件採納：1985年（n=100,000個用戶），k = $0.01/連接年。1995年（n=30,000,000個用戶）。
作為幾何的最佳化
Hamming的Boeing膠帶故事用精確的幾何意義描述了一個最佳化失敗。函數f(x)在景觀上的最佳化需要：
1. 一個定義良好的函數f：目標（拖力、成本、上市時間）
2. 一個固定的景觀：每次評估f的相同狀態
3. 一個梯度：最陡峭改進的方向
當測量之間景觀改變時，你估計的梯度可能指向在你採取下一步時不再存在的方向。你計算著gradient(f₁)但在景觀f₂中行動。
梯度下降
標準梯度下降：x_{t+1} = x_t − α ∇f(x_t)
其中α = 步長（學習率），∇f = 梯度向量（偏導數）。
Boeing失敗：在時間t，團隊測量f(x_t)。在時間t+1，團隊將x改為x_t + Δx。但共享數據庫也改變了：f現在是f' ≠ f。觀察到的變化：f'(x_t + Δx) − f(x_t)。這不是f的梯度 — 它包括一個來自景觀轉移的項。
幻影梯度
測量變化 = [f'(x+Δx) − f(x)] = [f(x+Δx) − f(x)] + [f'(x+Δx) − f(x+Δx)]
= 真實梯度 × Δx + 景觀轉移
如果景觀轉移占主導：團隊朝著f'中的最小值移動，該最小值在f中是最大值。他們最佳化了錯誤的東西 — 可能在測量顯示改進時使他們的設計變得更糟。
量化幻影梯度誤差
一個團隊最佳化拖力f(θ, s)，其中θ = 機翼角，s = 翼展。真實梯度：∂f/∂θ = −0.5（拖力隨θ減少），∂f/∂s = +0.3（拖力隨s增加）。
另一個團隊同時減少機身重量，改變拖力函數：f' = f − 0.8。（更輕的機身在所有配置下拖力減少0.8單位。）
第一個團隊測量：f'(θ+Δθ, s) − f(θ, s) = [f(θ+Δθ, s) − 0.8] − f(θ, s) = −0.5·Δθ − 0.8。