Tu Portafolio de Investigación como un Punto en el Espacio de Problemas
Modela el conjunto de problemas abiertos en un campo como un espacio P. Cada problema p ∈ P tiene dos propiedades relevantes: importancia I(p) (el valor downstream de resolverlo) y dificultad D(p) (el esfuerzo requerido para hacer progresos).
Tu portafolio de investigación es una distribución de probabilidades sobre P: una medida μ en P que describe en dónde asignas tu atención. Si trabajas solo en un problema, μ = δ(p₀). Si trabajas en muchos, μ se extiende por P.
La técnica de los 10 problemas importantes es una estrategia de cobertura: mantén la masa en la región de alta importancia de P, incluso si no estás resolviendo activamente esos problemas en ese momento. La masa permite la reconocimiento cuando llega una nueva técnica.
La función de impulso de un problema: L(p) = I(p)/D(p). Alta importancia por unidad de dificultad = alto impulso. La mayoría de los investigadores se agrupan en problemas de bajo impulso (baja dificultad, importancia moderada) incluso cuando existen problemas de alto impulso.
Por qué las personas evitan la región de alto impulso: los problemas con alta I(p) típicamente tienen alta D(p). El fracaso en un problema importante difícil es visible. El fracaso en un problema fácil sin importancia es invisible. La estructura de incentivos empuja a los investigadores hacia la región de bajo impulso incluso cuando saben, de manera racional, que los problemas de alto impulso importan más.
Cálculo de Impulso
Investigador A dedica el 100% de su esfuerzo a Problema 1: I(p₁) = 10 (importancia), D(p₁) = 2 (dificultad). Investigador B dedica el 100% de su esfuerzo a Problema 2: I(p₂) = 100 (importancia), D(p₂) = 50 (dificultad).
Ambos investigadores tienen el mismo presupuesto de esfuerzo total. Suponte que la probabilidad de hacer progresos en un problema en un año es proporcional al esfuerzo/dificultad.
Conocimiento Que Habilita Más Conocimiento
El argumento de Hamming a favor de los fundamentos: el conocimiento que permite aprender más compuesta. Un investigador que invierte en fundamentos temprano puede adquirir conocimiento especializado más rápido, reconocer conexiones entre dominios más fácilmente y resolver nuevos problemas más eficientemente - porque los fundamentos proporcionan una subgrafo denso en el grafo del conocimiento.
Modelo: dejemos K(t) = tu stock total de conocimiento en el tiempo t. Si la tasa de adquisición de nuevo conocimiento es proporcional a lo que ya sabes: dK/dt = r · K(t), entonces K(t) = K₀ · eʳᵗ. Esto es crecimiento exponencial.
Más realísticamente: dK/dt = r · K(t)^α, donde 0 < α < 1 da crecimiento sub-exponencial (pero aún super-lineal). La clave: K(t) es una función convexa de t para cualquier α > 0. Una inversión más tarde produce más conocimiento futuro que una inversión igual temprana en el mismo tiempo, pero una inversión temprana produce más conocimiento futuro que una inversión igual tardía en el mismo nivel absoluto de conocimiento.
Inversión en fundamentos como inversiones de alto rendimiento: si una habilidad fundamental aumenta tu capacidad para adquirir todo el conocimiento futuro (aumenta r), entonces invertir en ella maximiza el rendimiento compuesto. Gastar el mismo esfuerzo en conocimiento periférico que no se generaliza eleva a K₀ una cantidad fija sin afectar a r - un rendimiento lineal en lugar de multiplicativo.
Hamming en Shannon: Shannon se preparó durante años antes de que la teoría de la información estuviera 'en el aire' al plantear preguntas tempranas sobre la relación entre la información y la incertidumbre. Cuando llegó el momento, estaba en una posición para ver lo que otros no podían.
Inversión en conocimiento compuesto en lugar de lineal
El Investigador A invierte un año temprano en su carrera aprendiendo una técnica matemática fundamental (álgebra lineal a profundidad de investigación). Esto duplica su tasa de aprendizaje (r → 2r) para todo el trabajo posterior. El Investigador B dedica ese año a una habilidad secundaria que agrega K₀ → K₀ + C para una constante fija C, sin afectar r.
Después de T años más allá del año de inversión, el Investigador A tiene K_A(T) = K₀ · e^(2rT). El Investigador B tiene K_B(T) = (K₀ + C) · e^(rT).
El costo de evitar problemas difíciles
Costo de oportunidad de una decisión = (valor de la mejor alternativa descartada) - (valor de la opción elegida).
En términos de cartera de investigación: si asignas tu esfuerzo a Problema B (bajo rendimiento) cuando Problema A (alto rendimiento) estaba disponible, el costo de oportunidad por año = E[output_A] - E[output_B].
Durante un período de T años: el costo total de oportunidad = T × (E[output_A] - E[output_B]), suponiendo una rendimiento constante. En la práctica, la diferencia se compone: a medida que K(t) crece, tu capacidad para hacer progresos en A también crece, por lo que el valor perdido crece a lo largo del tiempo.
La geometría de la evitación: en el espacio de problemas, los problemas de alta influencia ocupan una región cerca de la frontera. La mayoría de los investigadores se mantienen a una distancia segura dentro de la frontera, en la región de baja dificultad e importancia moderada. El costo de oportunidad es la diferencia en la salida esperada entre la región de la frontera y la región interior, sumada a lo largo de la carrera.
La observación de Hamming: los investigadores que se agruparon en la región interior (las mesas de física y química que dejó) no eran perezosos. Estaban productivos de manera activa. Pero su productividad se compuso a una tasa más baja de lo que lo habría hecho si se habría dirigido a la frontera. El costo de oportunidad es invisible - solo ves lo que se produjo, no lo que podría haber sido.
Costo de Oportunidad de Carrera en Computación
Un investigador tiene dos opciones cada año: Opción A (problema de frontera, salida esperada E_A = 3 por año) y Opción B (problema de interior, salida esperada E_B = 1 por año). Elige Opción B todos los años durante 30 años.
Supongamos que los ingresos de diferentes años no interactúan (por simplicidad). La salida total bajo B: O_B = 30. La salida total bajo A: O_A = 90.