TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
Eric Berlow und Sean Gourley: Kartieren verbreitungswürdiger Ideen
Filmed:
Readability: 4.3
1,131,373 views
Wie sehen 24.000 Ideen aus? Der Ökologe Eric Berlow und der Physiker Sean Gourley wenden Algorithmen auf das ganze Archiv an TEDx-Talks an, nehmen uns mit auf eine anregende visuelle Reise und zeigen uns, wie Ideen weltweit vernetzt sind.
Eric Berlow - Ecologist
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
Double-click the English transcript below to play the video.
00:12
Eric Berlow: I'm an ecologist, and Sean's a physicist,
0
562
3061
Eric Berlow: Ich bin Ökologe
und Sean ist ein Physiker
und Sean ist ein Physiker
00:15
and we both study complex networks.
1
3623
2108
und wir erforschen beide komplexe Netzwerke.
00:17
And we met a couple years ago when we discovered
2
5731
1835
Vor ein paar Jahren trafen wir uns,
als wir herausfanden,
als wir herausfanden,
00:19
that we had both given a short TED Talk
3
7566
2000
dass wir beide einen kurzen TED-Talk
00:21
about the ecology of war,
4
9566
2303
über die Ökologie des Krieges gehalten hatten
00:23
and we realized that we were connected
5
11869
1447
und bemerkten, dass wir durch unsere
gemeinsamen Ideen verbunden waren,
gemeinsamen Ideen verbunden waren,
00:25
by the ideas we shared before we ever met.
6
13316
2818
bevor wir uns überhaupt getroffen hatten.
00:28
And then we thought, you know, there are thousands
7
16134
1556
Wir dachten uns, es gibt tausende
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
anderer Vorträge, besonders TEDx-Talks,
00:31
that are popping up all over the world.
9
19804
2211
die auf der ganzen Welt aus dem Boden sprießen.
00:34
How are they connected,
10
22015
923
Wie sind sie vernetzt
00:34
and what does that global conversation look like?
11
22938
2010
und wie schaut dieser globale Dialog aus?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
Sean wird Ihnen also etwas darüber erzählen,
wie wir das gemacht haben.
wie wir das gemacht haben.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
Sean Gourley: Genau.
Wir haben also 24.000 TEDx-Talks
Wir haben also 24.000 TEDx-Talks
00:43
from around the world, 147 different countries,
14
31525
3046
aus aller Welt genommen, 147 verschiedene Länder,
00:46
and we took these talks and we wanted to find
15
34571
2123
wir haben diese Vorträge genommen und wollten
00:48
the mathematical structures that underly
16
36694
2040
die mathematischen Strukturen herausfinden,
00:50
the ideas behind them.
17
38734
1722
die den dazugehörigen Ideen zugrunde liegen.
00:52
And we wanted to do that so we could see how
18
40456
1370
Wir wollten das tun, um zu erkennen,
00:53
they connected with each other.
19
41826
2053
wie sie miteinander verbunden sind.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
Wenn man solche Dinge machen möchte,
00:57
you need a lot of data.
21
45555
956
braucht man große Datenmengen.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
Die vorhanden Daten ist
dieses tolle Ding namens YouTube.
dieses tolle Ding namens YouTube.
01:02
and we can go down and basically pull
23
50197
1768
Wir können im Grunde in die Tiefe gehen und
01:03
all the open information from YouTube,
24
51965
2267
alle freien Inhalte aus YouTube beziehen,
01:06
all the comments, all the views, who's watching it,
25
54232
2349
alle Kommentare, alle Besuche,
wer sie ansieht,
wer sie ansieht,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
wo sie sie ansehen und was
in den Kommentaren gesagt wird.
in den Kommentaren gesagt wird.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
Mithilfe von Sprache-Text-Übertragung
01:14
we can pull the entire transcript,
28
62652
2128
können wir aber auch
die ganze Abschrift heranziehen,
die ganze Abschrift heranziehen,
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
und das funktioniert selbst bei Leuten
mit etwas komischem Akzent, wie mir.
mit etwas komischem Akzent, wie mir.
01:19
So we can take their transcript
30
67460
2106
Wir können also ihre Abschriften erfassen
01:21
and actually do some pretty cool things.
31
69566
2098
und einige ziemlich tolle Sachen damit machen.
01:23
We can take natural language processing algorithms
32
71664
2160
Durch Algorithmen zur Verarbeitung
von natürlicher Sprache
von natürlicher Sprache
01:25
to kind of read through with a computer, line by line,
33
73824
2629
können wir mit einem Computer
Zeile für Zeile durchlesen
Zeile für Zeile durchlesen
01:28
extracting key concepts from this.
34
76453
2359
und die wesentlichen Konzepte herausarbeiten.
01:30
And we take those key concepts and they sort of form
35
78812
2525
Diese Konzepte bilden gemeinsam
01:33
this mathematical structure of an idea.
36
81337
3565
diese mathematische Struktur einer Idee.
01:36
And we call that the meme-ome.
37
84902
1757
Und das nennen wir das Meme-Ome.
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
Das Meme-Ome ist ganz einfach
01:40
is the mathematics that underlies an idea,
39
88810
2426
die Mathematik, die einer Idee zugrunde liegt
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
und damit lassen sich ziemlich
interesante Analysen durchführen,
interesante Analysen durchführen,
01:45
which I want to share with you now.
41
93168
1981
die ich nun mit Ihnen teilen möchte.
01:47
So each idea has its own meme-ome,
42
95149
2190
Jede Idee hat also ihr Meme-Ome
01:49
and each idea is unique with that,
43
97339
1951
und damit ist jede Idee einzigartig,
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
aber natürlich leihen sie sich voneinander,
01:53
they kind of steal sometimes,
45
101778
1184
manchmal klauen sie gewissermaßen
01:54
and they certainly build on each other,
46
102962
1827
und sicherlich bauen sie aufeinander auf.
01:56
and we can go through mathematically
47
104789
1616
Wir können sie mathematisch durchlaufen
01:58
and take the meme-ome from one talk
48
106405
1840
und das Meme-One eines Vortrages
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
mit dem jedes anderen Vortrages vergleichen
02:02
and if there's a similarity between the two of them,
50
110699
1973
und wenn zwischen zweien eine Ähnlichkeit besteht,
02:04
we can create a link and represent that as a graph,
51
112672
3250
können wir einen Querverweis schaffen
und diesen als Graphen darstellen,
und diesen als Graphen darstellen,
02:07
just like Eric and I are connected.
52
115922
2394
genauso wie Eric und ich verbunden sind.
02:10
So that's theory, that's great.
53
118316
1394
Das ist also die Theorie, das ist großartig.
02:11
Let's see how it works in actual practice.
54
119710
2526
Lassen Sie uns betrachten,
wie das in der Praxis aussieht.
wie das in der Praxis aussieht.
02:14
So what we've got here now is the global footprint
55
122236
2788
Das hier ist der globale Fußabdruck
02:17
of all the TEDx Talks over the last four years
56
125024
2293
aller TEDx-Talks der letzten 4 Jahre,
02:19
exploding out around the world
57
127317
1550
die auf der ganzen Welt entstehen,
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
von New York bis zum kleinen Neuseeland
hier in der Ecke.
hier in der Ecke.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
Wir haben hier die oberen 25% analysiert
02:28
and we started to see where the connections occurred,
60
136031
2534
und begannen zu sehen,
wo die Verbindungen entstanden,
wo die Verbindungen entstanden,
02:30
where they connected with each other.
61
138565
1537
wo sie miteinander verbunden waren.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
Cameron Russell,
die über Image und Schönheit spricht,
die über Image und Schönheit spricht,
02:33
connected over into Europe.
63
141976
1575
verbindet nach Europa.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
Wie haben eine größere Unterhaltung
über Israel und Palästina,
über Israel und Palästina,
02:37
radiating outwards from the Middle East.
65
145963
2255
die von Mittleren Osten ausgeht.
02:40
And we've got something a little broader
66
148218
1298
Und wir haben etwas allgemeineres,
02:41
like big data with a truly global footprint
67
149516
2156
wie Big Data, mit einem wirklich
globalen Fußabdruck,
globalen Fußabdruck,
02:43
reminiscent of a conversation
68
151672
2179
der von einem Dialog zeugt,
02:45
that is happening everywhere.
69
153851
2016
der überall passiert.
02:47
So from this, we kind of run up against the limits
70
155867
2173
Damit stoßen wir irgendwie an die Grenzen dessen,
02:50
of what we can actually do with a geographic projection,
71
158040
2530
was wir mit einer geografischen Projektion schaffen.
02:52
but luckily, computer technology allows us to go out
72
160570
2052
Glücklicherweise aber, erlauben es uns
die Computerwissenschaften,
die Computerwissenschaften,
02:54
into multidimensional space.
73
162622
1546
uns in den multidimensionalen Raum zu begeben.
02:56
So we can take in our network projection
74
164168
1875
Wir können also unsere Projektion
des Netzwerks heranziehen
des Netzwerks heranziehen
02:58
and apply a physics engine to this,
75
166043
1750
und darauf eine Physik-Engine anwenden,
02:59
and the similar talks kind of smash together,
76
167793
1885
und die ähnlichen Vorträge kollidieren miteinander,
03:01
and the different ones fly apart,
77
169678
2004
die unterschiedlichen fliegen auseinander
03:03
and what we're left with is something quite beautiful.
78
171682
2072
und das Ergebnis ist etwas ziemlich Schönes.
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
EB: Ich möchte nur darauf hinweisen,
dass jeder Knotenpunkt ein Vortrag ist.
dass jeder Knotenpunkt ein Vortrag ist.
03:08
they're linked if they share similar ideas,
80
176711
2589
Sie sind verbunden, wenn sie
ähnliche Ideen miteinander teilen,
ähnliche Ideen miteinander teilen,
03:11
and that comes from a machine reading
81
179300
2084
das entsteht indem eine Maschine
03:13
of entire talk transcripts,
82
181384
2067
die gesamten Abschriften durchliest.
03:15
and then all these topics that pop out,
83
183451
2231
Und all diese Themen, die herausspringen,
03:17
they're not from tags and keywords.
84
185682
1790
kommen nicht von Tags oder Stichworten.
03:19
They come from the network structure
85
187472
1725
Sie kommen aus der Netzstruktur
03:21
of interconnected ideas. Keep going.
86
189197
2168
miteinander verbundener Ideen.
Macht bitte weiter so.
Macht bitte weiter so.
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
SG: Ganz genau.
Ich war ein bisschen schnell damit,
Ich war ein bisschen schnell damit,
03:25
but he's going to slow me down.
88
193387
1475
aber er bremst mich schon.
03:26
We've got education connected to storytelling
89
194862
2034
Bildung ist verbunden mit Geschichtenerzählen,
03:28
triangulated next to social media.
90
196896
1643
im Dreieck mit sozialen Medien
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
Natürlich haben wir das menschliche Gehirn
direkt neben der Gesundheitsversorgung,
direkt neben der Gesundheitsversorgung,
03:33
which you might expect,
92
201014
1386
was Sie vielleicht erwartet haben,
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
wir haben aber auch Videospiele in der Nähe,
03:36
as those two spaces interface with each other.
94
204795
2740
da die beiden Bereiche
sich miteinander kurzschließen.
sich miteinander kurzschließen.
03:39
But I want to take you into one cluster
95
207535
1535
Ich möchte Sie aber in einen Cluster mitnehmen,
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
der mir besonders wichtig ist
und das ist die Umwelt.
und das ist die Umwelt.
03:43
And I want to kind of zoom in on that
97
211938
1493
Und ich möchte näher heranzoomen
03:45
and see if we can get a little more resolution.
98
213431
2363
und schauen, ob wir noch
eine höhere Auflösung bekommen.
eine höhere Auflösung bekommen.
03:47
So as we go in here, what we start to see,
99
215794
2347
Wenn wir uns hier annähern, sehen wir,
03:50
apply the physics engine again,
100
218141
1504
– wir wenden wieder die Physik-Engine an –
03:51
we see what's one conversation
101
219645
1676
erkennen wir, dass eine Unterhaltung
03:53
is actually composed of many smaller ones.
102
221321
2560
eigentlich aus vielen kleineren besteht.
03:55
The structure starts to emerge
103
223881
1929
Ihre Struktur tritt in Erscheinung,
03:57
where we see a kind of fractal behavior
104
225810
2070
wodurch wir ein fraktales Verhalten
03:59
of the words and the language that we use
105
227880
1619
der Wörter und der Sprache beobachten,
die wir tagtäglich verwenden,
die wir tagtäglich verwenden,
04:01
to describe the things that are important to us
106
229499
1702
um die Dinge zu beschreiben,
die uns wichtig sind,
die uns wichtig sind,
04:03
all around this world.
107
231201
1433
auf der ganzen Welt.
04:04
So you've got food economy and local food at the top,
108
232634
2332
Oben haben wir also Lebensmittelwirtschaft
und regionale Lebensmittel,
und regionale Lebensmittel,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
Treibhausgase, Solarenergie und Atommüll.
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
Wir erhalten eine Reihe kleinerer Unterhaltungen,
04:12
each connected to each other through the ideas
111
240316
2301
die untereinander durch ihre gemeinsamen Ideen
04:14
and the language they share,
112
242617
1301
und ihre Sprache verbunden sind
04:15
creating a broader concept of the environment.
113
243918
2450
und so eine vielseitigere Auffassung
der Umwelt schaffen.
der Umwelt schaffen.
04:18
And of course, from here, we can go
114
246368
1532
Von hier aus, können wir natürlich
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
hineinzoomen und herausfinden,
wofür interessieren sich junge Leute.
wofür interessieren sich junge Leute.
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
Und Sie interessieren sich für
Energietechnologie und Kernfusion.
Energietechnologie und Kernfusion.
04:25
This is their kind of resonance
117
253779
1674
Das ist ihre eigene Resonanz
04:27
for the conversation around the environment.
118
255453
2406
zu der Unterhaltung rund um die Umwelt.
04:29
If we split along gender lines,
119
257859
1899
Wenn wir nach Geschlechtern trennen,
04:31
we can see females resonating heavily
120
259758
1987
sehen wir, dass Lebensmittelwirtschaft
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
bei Frauen starken Widerhall findet,
aber auch Hoffnung und Optimismus.
aber auch Hoffnung und Optimismus.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
Es gibt also eine Menge aufregender Dinge,
die wir hier machen können
die wir hier machen können
04:39
and I'll throw to Eric for the next part.
123
267872
1762
und ich übergebe für den nächsten Teil an Eric.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
EB: Ja, ich möchte nur darauf hinweisen,
04:43
you cannot get this kind of perspective
125
271236
1538
dass man diese Blickweise
04:44
from a simple tag search on YouTube.
126
272774
3360
nicht durch eine einfache Stichwortsuche
auf YouTube erhalten kann.
auf YouTube erhalten kann.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
Wir zoomen jetzt heraus
auf die gesamte globale Unterhaltung,
auf die gesamte globale Unterhaltung,
04:52
out of environment, and look at all the talks together.
128
280322
2534
aus der Umwelt heraus, und sehen uns
die Gesamtheit der Vorträge an.
die Gesamtheit der Vorträge an.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
Bei einer solchen Menge an Inhalten
04:57
we do a couple of things to simplify it.
130
285783
2431
tun wir meistens ein paar Dinge,
um es einfacher zu gestalten.
um es einfacher zu gestalten.
05:00
We might just say, well,
131
288214
1314
Man könnte auch einfach sagen,
05:01
what are the most popular talks out there?
132
289528
2829
welche sind die beliebtesten Vorträge?
05:04
And a few rise to the surface.
133
292357
1397
Und einige treten zutage.
05:05
There's a talk about gratitude.
134
293754
1828
Da gibt es einen Vortrag über Dankbarkeit.
05:07
There's another one about personal health and nutrition.
135
295582
3344
Ein anderer handelt von
individueller Gesundheit und Ernährung
individueller Gesundheit und Ernährung
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
Und selbstverständlich gehört einer
über Pornografie dazu, oder?
über Pornografie dazu, oder?
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
Dan könnten wir sagen,
Dankbarkeit, das war letztes Jahr.
Dankbarkeit, das war letztes Jahr.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
Was ist gerade im Trend?
Welcher Vortrag ist zurzeit beliebt?
Welcher Vortrag ist zurzeit beliebt?
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
Und wir können erkennen,
dass das neue, aufstrebende Thema
dass das neue, aufstrebende Thema
05:22
is about digital privacy.
140
310932
2666
die digitale Privatsphäre ist.
05:25
So this is great. It simplifies things.
141
313598
1693
Das ist großartig. Es vereinfacht die Dinge.
05:27
But there's so much creative content
142
315291
1827
Aber so viel kreativer Inhalt
05:29
that's just buried at the bottom.
143
317118
1921
ist einfach ganz unten vergraben.
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
Und ich hasse das. Wie bekommen wir
das Zeug an die Oberfläche,
das Zeug an die Oberfläche,
05:34
that's maybe really creative and interesting?
145
322357
2458
das möglicherweise echt kreativ und interessant ist?
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
Wir können zur Netzstruktur
der Ideen zurückgehen,
der Ideen zurückgehen,
05:39
to do that.
147
327746
1430
um das zu erreichen.
05:41
Remember, it's that network structure
148
329176
2114
Erinnern Sie sich, jene Netzstruktur
05:43
that is creating these emergent topics,
149
331290
2268
erzeugt diese aufstrebenden Themen
05:45
and let's say we could take two of them,
150
333558
1515
und angenommen wir könnten zwei davon nehmen,
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
z.B. Städte und Genetik, und schauen,
ob es irgendwelche Vorträge gibt,
ob es irgendwelche Vorträge gibt,
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
die zwischen diesen zwei sehr unterschiedlichen Disziplinen eine Brücke schlagen.
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
Im Wesentlichen
ist diese Art kreativer Remix
ist diese Art kreativer Remix
05:54
is one of the hallmarks of innovation.
154
342964
1840
ein Gütesiegel für Innovation.
05:56
Well here's one by Jessica Green
155
344804
1606
Hier ist einer von Jessica Green
05:58
about the microbial ecology of buildings.
156
346410
2379
über die mikrobielle Ökologie von Gebäuden.
06:00
It's literally defining a new field.
157
348789
2010
Er definiert buchstäblich ein neues Themenfeld.
06:02
And we could go back to those topics and say, well,
158
350799
2103
Und wir könnten zu jenen Themen
zurückgehen und fragen,
zurückgehen und fragen,
06:04
what talks are central to those conversations?
159
352902
2768
welche Vorträge sind wesentlich
für jene Unterhaltungen?
für jene Unterhaltungen?
06:07
In the cities cluster, one of the most central
160
355670
1690
Im Städte-Cluster ist einer von Mitch Joachim
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
über ökologische Städte einer der zentralsten.
06:13
and in the genetics cluster,
162
361312
1720
Und im Genetik-Cluster haben wir einen Vortrag
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
über synthetische Biologie von Craig Venter.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
Diese Vorträge koppeln viele andere
innerhalb ihrer Disziplin.
innerhalb ihrer Disziplin.
06:21
We could go the other direction and say, well,
165
369578
1843
Wir könnten es auch umdrehen und fragen,
06:23
what are talks that are broadly synthesizing
166
371421
2272
welche Vorträge verschmelzen weitgehend
06:25
a lot of different kinds of fields.
167
373693
1448
viele verschiedene Themenfelder.
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
Wir haben ein Maß für ökologische Vielfalt verwendet,
um das zu herauszufinden.
um das zu herauszufinden.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
Zum Beispiel ein Vortrag von Steven Pinker
über die Geschichte der Gewalt,
über die Geschichte der Gewalt,
06:32
very synthetic.
170
380410
1180
sehr künstlich.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
Dann gibt es natürlich Vorträge,
die so einzigartig sind,
die so einzigartig sind,
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
dass sie irgendwie oben in der Stratosphäre liegen,
an ihrem eigenen, besonderen Platz,
an ihrem eigenen, besonderen Platz,
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
und das nennen wir den Coolen-Flanagan-Index.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
Falls Sie Colleen nicht kennen,
sie ist eine Künstlerin,
sie ist eine Künstlerin,
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
und ich habe sie gefragt: "Wie ist es da draußen
06:45
in the stratosphere of our idea space?"
176
393849
1672
in der Stratosphäre unseres Ideenraums?"
06:47
And apparently it smells like bacon.
177
395521
3255
Und offenbar riecht es nach Speck.
06:50
I wouldn't know.
178
398776
1791
Keine Ahnung.
06:52
So we're using these network motifs
179
400567
2248
Wir verwenden also diese Netzwerkmotive,
06:54
to find talks that are unique,
180
402815
1186
um einzigartige Vorträge zu finden,
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
solche, die auf kreative Weise viele
verschiedene Felder miteinander verschmelzen,
verschiedene Felder miteinander verschmelzen,
06:58
ones that are central to their topic,
182
406711
1659
solche, die wesentlich für ihr Thema sind,
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
und solche, die wirklich kreativ zwischen grundverschiedenen Feldern Brücken schlagen.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
Okay? Ohne unsere Besessenheit davon,
was jetzt gerade im Trend liegt,
was jetzt gerade im Trend liegt,
07:05
with what's trending now.
185
413846
2313
hätten wir sie nie gefunden.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
Und das alles entsteht
aus der Architektur der Komplexität,
aus der Architektur der Komplexität,
07:11
or the patterns of how things are connected.
187
419045
2960
oder den Mustern, wie die Dinge verbunden sind.
07:14
SG: So that's exactly right.
188
422005
1625
SG: Das stimmt genau.
07:15
We've got ourselves in a world
189
423630
2479
Wir finden uns wieder in einer Welt,
07:18
that's massively complex,
190
426109
2044
die enorm komplex ist
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
und bisher haben wir Algorithmen verwendet,
um sie einigermaßen herunterzufiltern,
um sie einigermaßen herunterzufiltern,
07:23
so we can navigate through it.
192
431020
1786
damit wir uns in ihr zurechtfinden.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
Und obgleich diese Algorithmen nützlich sind,
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
sind sie auch sehr, sehr beschränkt,
und das können wir besser,
und das können wir besser,
07:30
because we can realize that their complexity is not random.
195
438620
2566
denn wir können uns dessen bewusst werden,
dass ihre Komplexität nicht beliebig ist.
dass ihre Komplexität nicht beliebig ist.
07:33
It has mathematical structure,
196
441186
1954
Sie hat eine mathematische Struktur
07:35
and we can use that mathematical structure
197
443140
1803
die wir verwenden können,
07:36
to go and explore things like the world of ideas
198
444943
2214
um Sachen, wie die Welt der Ideen, zu erkunden,
07:39
to see what's being said, to see what's not being said,
199
447157
3000
um zu sehen, was die Leute zu sagen haben,
und was sie nicht sagen
und was sie nicht sagen
07:42
and to be a little bit more human
200
450157
1407
und um ein wenig menschlicher zu sein
07:43
and, hopefully, a little smarter.
201
451564
1867
und hoffentlich ein bisschen klüger.
07:45
Thank you.
202
453431
966
Vielen Dank.
07:46
(Applause)
203
454397
4220
(Beifall)
ABOUT THE SPEAKERS
Eric Berlow - EcologistTED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more.
Why you should listen
Eric Berlow is an ecologist and network scientist who specializes in not specializing. A TED Senior Fellow, Berlow is recognized for his research on food webs and ecological networks and for creative approaches to complex problems. He was the founding director of the University of California's first environmental science center inside Yosemite National Park, where he continues to develop data-driven approaches to managing natural ecosystems.
In 2012 Berlow founded Vibrant Data Labs, which builds tools to use data for social good. Berlow's current projects range from helping spark an egalitarian personal data economy to protecting endangered amphibians in Yosemite to crowd-sourcing novel insights about human creativity. Berlow holds a Ph.D. from Oregon State University in marine ecology.
Eric Berlow | Speaker | TED.com
Sean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow.
Why you should listen
Sean Gourley's twin passions are physics (working on nanoscale blue-light lasers and self-assembled quantum nanowires) and politics (he once ran for a national elected office back home in New Zealand).
A Rhodes scholar, he's spent the past five years working at Oxford on complex adaptive systems and collective intelligent systems -- basically, using data to understand the nature of human conflict. As he puts it, "This research has taken me all over the world from the Pentagon, to the House of Lords, the United Nations and most recently to Iraq". Originally from New Zealand, he now lives in San Francisco, where he is the co-founder and CTO of Quid which is building a global intelligence platform. He's a 2009 TED Fellow.
In December 2009, Gourley and his team's research was published in the scientific journal Nature. He is co-founder and CTO of Quid.
Sean Gourley | Speaker | TED.com