Seu Portfólio de Pesquisa como um Ponto no Espaço de Problemas
Modelar 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 downstream de resolver) 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 vários, μ é espalhado em P.
A técnica dos 10 problemas importantes é uma estratégia de cobertura: manter massa na região de alta importância de P, mesmo que você não esteja resolvendo esses problemas no momento. A massa habilita a 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 concentra em problemas de baixa alavancagem (baixa dificuldade, importância moderada) mesmo quando problemas de alta alavancagem existem.
Por que as pessoas evitam a alta região de alavancagem: problemas com alta I(p) geralmente têm alta D(p). Falha em um problema difícil importante é visível. Falha em um problema fácil sem importância é invisível. A estrutura de incentivos empurra os pesquisadores para a baixa região de alavancagem mesmo quando eles sabem, racionalmente, que os problemas de alta alavancagem importam mais.
Computando Alavancagem
Pesquisador A gasta 100% de seu esforço em Problema 1: I(p₁) = 10 (importância), D(p₁) = 2 (dificuldade). Pesquisador B gasta 100% de seu esforço em Problema 2: I(p₂) = 100 (importância), D(p₂) = 50 (dificuldade).
Ambos os pesquisadores têm orçamento de esforço total. Suponha que a probabilidade de fazer progresso em um problema em um ano seja proporcional a esforço/dificuldade.
Conhecimento Que Habilita Mais Conhecimento
A argumentação de Hamming sobre fundamentos: o conhecimento que permite mais aprendizado compõe-se. Um pesquisador que investe em fundamentos no início pode adquirir conhecimento especializado mais rapidamente, reconhecer conexões entre domínios com mais facilidade e resolver novos problemas com mais eficiência - porque os fundamentos fornecem uma subgrafo denso na rede de conhecimento.
Modelo: deixe 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. Isso é crescimento exponencial.
Mais realisticamente: dK/dt = r · K(t)ˣ, onde 0 < α < 1 dá crescimento sub-exponencial (mas ainda super-linear). A chave: K(t) é uma função convexa de t para qualquer α > 0. Um investimento feito mais tarde produz mais conhecimento futuro do que um investimento igual feito no início no mesmo tempo, mas um investimento feito no início produz mais conhecimento futuro do que um investimento igual feito mais tarde no mesmo nível absoluto de conhecimento.
Fundamentos como investimentos de alto alavancagem: se uma habilidade fundamental aumenta sua capacidade de adquirir todo o conhecimento futuro (aumenta r), então investir nela no início maximiza o retorno composto. Gasta o mesmo esforço no conhecimento periférico que não se generaliza, elevando K₀ em uma quantidade fixa sem afetar r - um retorno linear em vez de multiplicativo.
Hamming em Shannon: Shannon se preparou por anos antes que a teoria da informação ficasse 'no ar' ao fazer perguntas iniciais sobre a relação entre informação e incerteza. Quando chegou a hora, ele estava posicionado para ver o que os outros não podiam.
Investimento em Conhecimento Compósito vs Linear
O Pesquisador A investe um ano no início de sua carreira aprendendo uma técnica matemática fundamental (álgebra linear em profundidade de pesquisa). Isso duplica sua taxa de aprendizado (r → 2r) para todo trabalho subsequente. O Pesquisador B gasta esse ano em uma habilidade secundária que adiciona K₀ → K₀ + C para uma constante fixa C, sem afetar r.
Depois de T anos a mais além do ano de investimento, o Pesquisador A tem K_A(T) = K₀ · e^(2rT). O Pesquisador B tem K_B(T) = (K₀ + C) · e^(rT).
O Custo de Evitar Problemas Difíceis
Custo Oportuna de uma decisão = (valor da melhor alternativa abandonada) - (valor da opção escolhida).
Em termos de portfólio de pesquisa: se você alocar seu esforço para o Problema B (baixo ganho) quando o Problema A (alto ganho) estava disponível, o custo oportuna por ano = E[output_A] - E[output_B].
Ao longo de uma carreira de T anos: custo oportuna total = T × (E[output_A] - E[output_B]), assumindo ganho constante. Na prática, a diferença se compõe: à medida que K(t) cresce, sua capacidade de fazer progresso no A cresce também, então o valor abandonado cresce ao longo do tempo.
A geometria da evasão: no espaço de problemas, os problemas de alta influência ocupam uma região perto da fronteira. A maioria dos pesquisadores fica longe da fronteira, na região de baixa dificuldade e importância moderada. O custo de oportunidade é a diferença entre a saída esperada entre a região da fronteira e a região interna, somada ao longo da carreira.
A observação de Hamming: os pesquisadores que se aglomeraram na região interna (as mesas de física e química que ele deixou) não eram preguiçosos. Eram produtivos ativamente. Mas sua produtividade se acumulava em uma taxa mais baixa do que teria se dirigido à fronteira. O custo de oportunidade é invisível - você só vê o que foi produzido, não o que poderia ter sido.
Custo de Oportunidade de Carreira em Computação
Um pesquisador tem duas opções a cada ano: Opção A (problema da fronteira, saída esperada E_A = 3 por ano) e Opção B (problema interno, saída esperada E_B = 1 por ano). Ele escolhe a Opção B a cada ano durante 30 anos.
Suponha que as saídas dos anos diferentes não se interagem (por simplicidade). A saída total sob B: O_B = 30. A saída total sob A: O_A = 90.