📈 economics

A Quest for Knowledge

Dieses Papier präsentiert ein Modell, das demonstriert, dass die Vorteile von Forschungsneuheit nicht monoton verlaufen, wobei gezeigt wird, dass „Moonshots“ – die Untersuchung von Fragen, die neuartiger als myopisch optimal sind – die langfristige Entwicklung des Wissens dadurch fördern können, dass sie Forschungszyklen induzieren, die neue Entdeckungen mit bestehenden Fundamenten verbinden.

Ursprüngliche Autoren: Christoph Carnehl, Johannes Schneider

Veröffentlicht 2026-06-25

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Christoph Carnehl, Johannes Schneider

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Die „sichere Wette“ vs. der „Moonshot“

Stellen Sie sich eine weite, neblige Landschaft vor, die all das repräsentiert, was wir noch nicht wissen. Wissenschaftler sind Entdecker, die versuchen, dieses Gelände zu kartieren. Sie haben eine Karte von den Teilen, die sie bereits kennen (bestehendes Wissen), aber der Rest ist im Nebel verborgen.

Die Arbeit stellt eine einfache Frage: Sollten Wissenschaftler lieber die Ränder der bekannten Karte weiter erforschen (sichere Wetten), oder sollten sie riesige Risiken eingehen, um weit in den Nebel zu springen (Moonshots)?

Die Autoren bauen ein mathematisches Modell, um dies zu beantworten. Sie finden heraus, dass Wissenschaftler zwar von Natur aus sichere Wetten bevorzugen, dies aber den Fortschritt verlangsamt. Manchmal ist ein riskanter „Moonshot“, der anfangs nutzlos erscheint, tatsächlich der beste Weg, um den Fortschritt für alle Beteiligten später zu beschleunigen.

1. Wie Wissen funktioniert: Die Analogie der „nebligen Karte“

Die Autoren stellen sich vor, dass jede mögliche Frage (wie „Wie faltet sich dieses Protein?“ oder „Was verursacht diese Krankheit?“) ein Punkt auf einer Linie ist.

Bestehendes Wissen: Dies sind die Punkte, die wir bereits entdeckt haben. Sie sind wie Leuchttürme an der Küste.
Der Nebel: Je weiter man sich von einem Leuchtturm entfernt, desto schwieriger ist es, das Gelände vorherzusagen.
Das Ziel: Die Gesellschaft möchte die gesamte Karte kennen. Der Wert einer neuen Entdeckung liegt nicht nur in diesem einen spezifischen Punkt; es geht darum, wie viel Nebel sie für die Punkte zwischen den alten Leuchttürmen und dem neuen Punkt lichtet.

Die Erkenntnis:
Wenn man einen Punkt direkt neben einem Leuchtturm entdeckt, lichtet man nur ein winziges Stück Nebel.
Wenn man einen Punkt sehr weit entfernt entdeckt, lichtet man eine riesige Fläche Nebel, aber das Gebiet dazwischen ist immer noch sehr neblig.
Der „Sweet Spot“ besteht darin, einen Punkt in mittlerer Entfernung zu finden. Er lichtet viel Nebel, ohne eine massive Lücke in der Mitte zu hinterlassen.

2. Das Problem: Wissenschaftler spielen es zu sicher

In der realen Welt werden Wissenschaftler dafür belohnt, Antworten jetzt zu finden.

Die Kosten des Risikos: Es ist viel schwieriger (und teurer), eine Antwort im tiefen Nebel zu finden als in der Nähe des Leuchtturms.
Die Wahl des Wissenschaftlers: Da es schwierig ist, im tiefen Nebel erfolgreich zu sein, wählen Wissenschaftler natürlicherweise die Erkundung der Ränder der bekannten Karte. Sie suchen sich Fragen, die leicht zu beantworten sind.

Das Ergebnis:
Wissenschaftler erschaffen am Ende eine „Leiter“ des Wissens. Sie machen kleine, sichere Schritte und fügen eine Sprosse nach der anderen hinzu.

Der Fehler: Sie scheitern zu oft. Weil sie sich so nah an dem befinden, was sie bereits wissen, dehnen sie die Grenzen nicht genug aus, um den nächsten großen Sprung zu inspirieren. Sie „vertiefen“ das Wissen in kleinen Gebieten, anstatt es auf neue Grenzen zu „erweitern“.

3. Die Lösung: Der „Moonshot“ und der „Forschungszyklus“

Die Arbeit schlägt vor, dass ein Geldgeber (wie eine Regierung oder eine Förderagentur) einen Wissenschaftler manchmal dazu zwingen sollte, ein riesiges Risiko einzugehen. Dies wird als Moonshot bezeichnet.

Die Moonshot-Strategie:
Stellen Sie sich vor, ein Geldgeber bezahlt einen Wissenschaftler dafür, 10 Meilen weit in den Nebel zu springen, weit über das hinaus, wohin sonst jemand wagen würde.

Das unmittelbare Problem: Dieser Sprung ist riskant. Der Wissenschaftler könnte scheitern. Selbst wenn er Erfolg hat, ist die neue Entdeckung so weit entfernt, dass sie jetzt gerade nicht viel hilft. Es ist, als würde man eine Brücke zu einer Insel bauen, die noch niemand erreichen kann.
Der langfristige Gewinn: Sobald diese ferne Insel entdeckt ist, wird sie zu einem neuen Leuchtturm. Nun hat die nächste Generation von Wissenschaftlern einen neuen Ausgangspunkt. Sie können beginnen, den Raum zwischen dem alten Leuchtturm und dem neuen zu erforschen.

Der „Forschungszyklus“:

Schritt 1 (Der Moonshot): Ein riskanter Sprung schafft eine ferne Entdeckung.
Schritt 2 (Das Auffüllen): Die nächsten Wissenschaftler stürzen sich darauf, die Lücke zwischen dem alten Wissen und dem neuen Moonshot zu füllen. Da sie zwei Leuchttürme als Orientierung haben, können sie viel schneller und mit höheren Erfolgsraten arbeiten.
Das Ergebnis: Die gesamte Menge des geschaffenen Wissens ist viel höher, als wenn alle nur kleine, sichere Schritte gemacht hätten.

4. Wann funktioniert das?

Die Arbeit besagt, dass diese Strategie nur unter bestimmten Bedingungen funktioniert:

Die Kosten müssen „genau richtig“ sein: Wenn Forschung zu billig ist, werden Wissenschaftler von Natur aus Risiken eingehen. Wenn sie zu teuer ist, wird selbst ein Moonshot scheitern. Es muss in der Mitte liegen.
Der Geldgeber muss geduldig sein: Der Geldgeber muss bereit sein zu warten. Der Moonshot mag kurzfristig wie eine Verschwendung von Geld aussehen, aber er zahlt sich langfristig aus, indem er zukünftige Entdeckungen einfacher und häufiger macht.

Zusammenfassung der drei Hauptpunkte

Wissen ist vernetzt: Die Entdeckung einer Sache hilft uns, die Antworten auf viele andere, verwandte Dinge zu erraten. Der Wert einer Entdeckung hängt davon ab, wie viel „Nebel“ sie zwischen bekannten Punkten lichtet.
Wissenschaftler sind zu konservativ: Da es schwierig ist, Recht zu behalten, wenn man weit weg von dem ist, was wir wissen, bleiben Wissenschaftler natürlicherweise bei einfachen, sicheren Fragen. Dies führt zu langsamem Fortschritt und häufigen Misserfolgen.
Moonshots sind Infrastruktur: Ein „Moonshot“ (eine sehr ferne, riskante Entdeckung) wirkt wie der Bau einer neuen Brücke. Er mag nicht sofort nützlich sein, aber er bereitet die Bühne, damit zukünftige Wissenschaftler die Lücke überbrücken und Dinge viel schneller entdecken können, als sie es allein könnten.

Kurz gesagt: Um das Beste aus unseren Wissenschaftlern herauszuholen, sollten wir sie nicht nur bitten, die einfachsten Probleme zu lösen. Wir sollten gelegentlich die verrückten, riskanten, „unmöglichen“ Ideen finanzieren, denn das sind die, die die nächste Welle von Entdeckungen auslösen werden.

Technische Zusammenfassung: Eine Suche nach Wissen

Problemstellung
Die Arbeit befasst sich mit einem grundlegenden Spannungsverhältnis in der Ökonomie der Wissenschaft: ob mehr neuartige Forschung immer wünschenswert ist. Während Institutionen wie die National Science Foundation (NSF) die wissenschaftliche Freiheit und das Streben nach „Moonshots“ (hochgradig neuartiger, risikoreicher Forschung) unterstützen, hinterfragen die Autoren, ob Forscher, die in ihrem eigenen Selbstinteresse handeln, von Natur aus das optimale Maß an Neuartigkeit auswählen. Das Kernproblem besteht darin, dass sowohl der Wert einer Entdeckung als auch die Kosten für deren Auffindung endogen zum bestehenden Wissensstock sind. Die Autoren versuchen zu modellieren, wie sich Wissen über die Zeit entwickelt und ob ein gesellschaftlicher Planer (ein „Designer“) intervenieren sollte, um Forschung anzureichenzusetzen, die über das myopisch (kurzsichtig) optimale Niveau an Neuartigkeit hinausgeht, selbst wenn diese Forschung einen geringen unmittelbaren Ertrag bietet.

Methodik
Die Autoren entwickeln ein mikrofundiertes dynamisches Modell der Wissenserzeugung, das zwei Akteure umfasst: eine Gesellschaft, repräsentiert durch einen einzelnen Entscheidungsträger, und eine Sequenz kurzlebiger Forscher.

Wissensstruktur: Der Universum der Fragen wird als die reelle Gerade modelliert. Die „Wahrheit“ (die Antwort auf jede Frage $x$ ) ist die Realisierung einer Standard-Brownschen Bewegung. Bestehendes Wissen ( $F_k$ ) besteht aus einer endlichen Menge bekannter Frage-Antwort-Paare.
Vermutungen und Entscheidungsfindung: Da die Antworten einer Brownschen Bewegung folgen, bildet der Entscheidungsträger Vermutungen über unbekannte Fragen basierend auf der Distanz zu bekannten Antworten. Die Präzision dieser Vermutungen (Varianz) hängt von der Distanz zu den nächstgelegenen bekannten Punkten ab. Der Entscheidungsträger wendet Wissen nur an, wenn die Präzision hoch genug ist (die Unsicherheit liegt unter einem Schwellenwert $q$ ); andernfalls wählt er eine Alternativoption. Der Wert des Wissens ist das Integral des erwarteten Ertrags des Entscheidungsträgers über alle Fragen hinweg.
Forschungsprozess: Forscher wählen eine Frage $x$ und ein Anstrengungsniveau, das die Wahrscheinlichkeit $\rho$ der Entdeckung der Antwort bestimmt. Die Kosten der Forschung sind mikrofundiert: Das Finden einer Antwort mit einer Wahrscheinlichkeit $\rho$ ist kostspieliger, wenn die Vermutung über die Antwort unpräzise ist (hohe Varianz). Dies schafft eine endogene Verknüpfung zwischen Neuartigkeit (Distanz zum bestehenden Wissen) und der Erfolgswahrscheinlichkeit.
Dynamische Erweiterung: Das Modell erweitert dies auf einen sequenziellen Kontext, in dem Forscher im Laufe der Zeit eintreffen. Ein langfristig orientierter Designer kann intervenieren, indem er die Handlungen spezifischer Forscher steuert, um die Trajektorie der Wissensakkumulation zu verändern.

Zentrale Beiträge
Die Arbeit leistet drei primäre Beiträge zur Literatur über die Ökonomie der Wissenschaft und Innovation:

Mikrofundiertes Framework für den Wert von Wissen: Die Autoren quantifizieren den Wert einer Entdeckung, indem sie modellieren, wie diese die Entscheidungsfindung über ein Kontinuum verwandter Fragen verbessert. Sie unterscheiden zwischen der „Erweiterung des Wissens“ (Entdeckung von Antworten jenseits der aktuellen Grenze) und der „Vertiefung des Wissens“ (Schließen von Lücken zwischen bestehenden Punkten). Sie zeigen, dass die Vorteile einer Entdeckung nicht monoton in der Neuartigkeit sind; sie werden bei einer mittleren Distanz zum bestehenden Wissen maximiert.
Endogener Trade-off zwischen Neuartigkeit und Output: Im Gegensatz zur bisherigen Literatur, die Neuartigkeit und Output oft als exogen oder unabhängig behandelt, verknüpft dieses Modell sie durch eine Kostenfunktion. Die Autoren demonstrieren, dass Neuartigkeit und die Entdeckungswahrscheinlichkeit je nach Struktur des bestehenden Wissens Substitutions- oder Komplementärgüter sein können. Speziell in „Vertiefungsszenarien“ führt die Bewegung weg von einer Grenze zur Annäherung an die andere, was die Grenzkosten des Erfolgs verändert.
Politische Implikationen für Moonshots: Die Arbeit liefert eine theoretische Rechtfertigung für die Förderung von „Moonshots“ – also Forschungsfragen, die signifikant weiter von der Grenze entfernt liegen als das, was ein myopischer Forscher wählen würde. Sie identifiziert Bedingungen, unter denen solche Interventionen die langfristige Entwicklung des Wissens verbessern.

Ergebnisse

Optimaler Choice des Forschers: In Abwesenheit von Interventionen wählen Forscher Fragen, die zu eng gefasst sind und zu oft scheitern. Sie bevorzugen es, das Wissen in Bereichen mittlerer Länge zu „vertiefen“, statt die Grenze zu „erweitern“, da kleinere Bereiche eine höhere Präzision und geringere Kosten bieten. Folglich folgt die natürliche Evolution des Wissens einer „Leiterstruktur“ aus schrittweisen Erweiterungen mit kleinen Schrittweiten.
Der Moonshot-Mechanismus: Die Autoren zeigen, dass ein zukunftsorientierter Designer die Wissensevolution verbessern kann, indem er einen „Forschungszyklus“ induziert. Durch die Förderung eines Moonshots (einer Entdeckung weit jenseits der Grenze, z. B. in einer Distanz von $6q$ statt der optimalen $3q$ ) schafft der Designer eine große Wissenslücke.
Dynamische Externaliät: Obwohl der Moonshot selbst wenig unmittelbaren Wert bietet (da die Lücke für eine sofortige Vertiefung zu groß ist), schafft er ein großes Gebiet für zukünftige Forscher. Nachfolgende Forscher, die darauf abzielen, den Moonshot mit der ursprünglichen Grenze zu verbinden, werden dazu motiviert, an Fragen zu arbeiten, die neuartiger sind, als sie es andernfalls gewählt hätten. Dies erhöht ihre Erfolgswahrscheinlichkeit und den Gesamtwert des Wissensstocks.
Bedingungen für Intervention: Die Arbeit beweist, dass ein Designer einen Moonshot dann induziert, wenn und nur wenn:
1. Die Kosten der Forschung intermediär sind (wenn die Kosten zu hoch sind, scheitern zukünftige Forscher; wenn die Kosten Null sind, optimieren Forscher natürlich).
2. Der Designer ausreichend geduldig ist (hoher Diskontfaktor $\delta$ ).
3. Der Moonshot nicht zu weit entfernt ist (er muss nah genug sein, um den nächsten Forscher zu inspirieren).
Forschungszyklen: Sobald ein Moonshot erfolgt ist, „vertieft“ der nächste Forscher das Wissen, indem er die Lücke schließt. Dieser Zyklus führt zu einer Wissenslandschaft, die wertvoller ist als eine, die durch standardmäßige schrittweise Expansion entstanden ist.

Bedeutung und Ansprüche
Die Arbeit beansprucht, empirische Befunde zu versöhnen, die einen Mangel an Neuartigkeit in der Forschung aufzeigen (konservative Strategien), mit der Intuition, dass „Moonshots“ wertvoll sind. Sie argumentiert, dass der Mangel an Neuartigkeit nicht notwendigerweise ein Versagen der Forscher ist, sondern eine rationale Reaktion auf die Kostenstruktur und die Fehlstellung der Anreize zwischen kurzlebigen Forschern und langfristigen gesellschaftlichen Zielen.

Die Autoren behaupten, dass ihr Modell eine neue Begründung für Förderpolitiken bietet: Die Anreizsetzung für ferne Entdeckungen dient nicht nur dem unmittelbaren Wert der Entdeckung, sondern bereitet den Boden für das Gedeihen zukünftiger Forscher. Die Arbeit legt nahe, dass „Moonshots“ wie Infrastrukturinvestitionen funktionieren: Sie bieten isoliert betrachtet wenig Wert, ermöglichen aber nachfolgende, produktivere Forschungszyklen. Die Ergebnisse implizieren, dass Institutionen zukunftsorientierte Belohnungen (über die unmittelbare politische Relevanz hinaus) in Betracht ziehen sollten und dass ein Mix aus Anreizen – etwa durch Forschungsverbünde oder spezifische Stipendien für neuartige Richtungen – notwendig sein kann, um die Evolution des Wissens zu optimieren.

Die Autoren bleiben bescheiden und merken an, dass ihr Modell stilisiert ist und dass reale Reibungsverhältnisse (wie Publikationsbias oder Karriereinteressen) nicht explizit modelliert, aber in ihr flexibles Framework integriert werden könnten. Sie behaupten nicht, die optimale Gestaltung aller wissenschaftlichen Institutionen gelöst zu haben, sondern bieten eine handhabbare theoretische Basis zum Verständnis der Trade-offs zwischen Neuartigkeit, Output und der dynamischen Evolution von Wissen.