逻辑方程的推导
哈明的S曲线有一个精确的数学推导。从对技术采用的两个观察开始：
1. 采用率随着当前采用加速（口口相传、网络效应）：dP/dt ∝ P
2. 随着市场饱和，采用率下降：dP/dt ∝ (1 − P)
结合：dP/dt = r · P · (1 − P)
这是逻辑微分方程。它是可分离的：部分分数分解允许直接积分。
推导
分离变量：dP / [P(1−P)] = r dt
部分分数：1/[P(1−P)] = 1/P + 1/(1−P)
两边积分：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。求解 P：P = K·e^(rt) / (1 + K·e^(rt))
等价地：P(t) = 1 / (1 + e^(−r(t − t₀)))
其中 t₀ = (ln K)/r 是拐点。
拐点
在 t = t₀：P = 0.5。二阶导数 d²P/dt² = 0：增长率最大。在 t₀ 之前：凹向上（加速）。在 t₀ 之后：凹向下（减速）。
将逻辑函数拟合到数据
给定逻辑曲线上的两个数据点，您可以求解 r 和 t₀。
互联网采用：P(1995) = 0.01（美国家庭的1%），P(2005) = 0.70（70%）。
网络价值作为几何计数
哈明指出，应用驱动了计算采用，比硬件或软件多。依赖网络的应用遵循特定的增长模型：它们的价值增长速度快于成本。
梅特卡夫定律
一个拥有 n 个用户的网络的价值与用户之间可能连接的数量成正比：
V(n) = k · n(n−1)/2 ≈ k · n²/2 (对于大的 n)
其中 k 是一个连接的价值。网络的成本：C(n) ∝ n（大致上与用户数量成线性）。
价值与成本的比率：V/C ∝ n²/n = n。随着 n 增长，比率线性增长。拥有10倍用户的网络以仅10倍成本提供大约100倍的价值。
几何图景
有 n 个节点，完全图 K_n 中的边数是 C(n,2) = n(n−1)/2。这是一个组合公式：从 n 中选择 2 个节点。对于 n=10：C(10,2)=45。对于 n=100：C(100,2)=4950。对于 n=1000：C(1000,2)=499,500。
S曲线与梅特卡夫定律相互作用：在第2阶段快速采用期间，n 快速增长，V(n) 增长为 n²。价值拐点出现在采用拐点之前 — 价值加速超过采用，在正反馈循环中拉动更多采用。
不同采用水平的网络价值
电子邮件采用：1985年（n=100,000个用户），k = $0.01 每连接年。1995年（n=30,000,000个用户）。
优化作为几何
哈明的波音磁带故事描述了一个具有精确几何意义的优化失败。优化景观上的函数 f(x) 需要：
1. 一个定义良好的函数 f：目标（阻力、成本、上市时间）
2. 一个固定的景观：每次评估 f 的状态相同
3. 一个梯度：最陡峭改进的方向
当在测量之间景观改变时，您估计的梯度可能指向一个当您采取下一步时不再存在的方向。您正在计算 gradient(f₁) 但在景观 f₂ 中行进。
梯度下降
标准梯度下降：x_{t+1} = x_t − α ∇f(x_t)
其中 α = 步长（学习率），∇f = 梯度向量（偏导数）。
波音失败：在时间 t，团队测量 f(x_t)。在时间 t+1，团队改变 x 为 x_t + Δx。但共享数据库也改变了：f 现在是 f' ≠ f。观察到的改变：f'(x_t + Δx) − f(x_t)。这不是 f 的梯度 — 它包含来自景观移位的项。
幻影梯度
测量改变 = [f'(x+Δx) − f(x)] = [f(x+Δx) − f(x)] + [f'(x+Δx) − f(x+Δx)]
= 真实梯度 × Δx + 景观移位
如果景观移位占主导：团队朝着 f' 中的最小值移动，这是 f 中的最大值。他们优化错误的东西 — 可能在测量显示改进时使设计更糟。
量化幻影梯度误差
一个团队优化阻力 f(θ, s)，其中 θ = 翼角，s = 跨度。真实梯度：∂f/∂θ = −0.5（阻力随θ减少），∂f/∂s = +0.3（阻力随s增加）。
另一个团队同时减少机身重量，这改变了阻力函数：f' = f − 0.8。（更轻的机身在所有配置上将阻力减少0.8单位。）
第一个团队测量：f'(θ+Δθ, s) − f(θ, s) = [f(θ+Δθ, s) − 0.8] − f(θ, s) = −0.5·Δθ − 0.8。