TED2015
Jim Simons: The mathematician who cracked Wall Street
จิม ไซม่อนส์ (Jim Simons): การสัมภาษณ์ที่หาชมได้ยากกับนักคณิตศาสตร์ผู้ถอดรหัสวอล์ลสตรีทจิ
Filmed:
Readability: 4
2,981,452 views
จิม ไซม่อนส์ เป็นนักคณิตศาสตร์ และนักถอดรหัส ผู้รู้ว่า: คณิตศาสตร์ซับซ้อนที่เขาใช้ในการถอดรหัสอาจช่วยอธิบายรูปแบบของโลกทางการเงินได้
และอีกพันล้านสิ่งต่อมา เขาทำงานสนับสนุนครูคณิตศาสตร์และนักวิชาการรุ่นใหม่ คริส แอนเดอร์สัน แห่ง TED นั่งจับเข่าคุยกับไซม่อนส์ เกี่ยวกับชีวิตตัวเลขอันน่าทึ่งของเขา
Jim Simons - Philanthropist, mathematician
After astonishing success as a mathematician, code breaker and billionaire hedge fund manager, Jim Simons is mastering yet another field: philanthropy. Full bio
After astonishing success as a mathematician, code breaker and billionaire hedge fund manager, Jim Simons is mastering yet another field: philanthropy. Full bio
Double-click the English transcript below to play the video.
00:12
Chris Anderson: You were something
of a mathematical phenom.
of a mathematical phenom.
0
817
2834
คริส แอนเดอร์สัน: คุณเป็นปรากฏการณ์มหัศจรรย์
ทางคณิตศาสตร์ก็ว่าได้
ทางคณิตศาสตร์ก็ว่าได้
00:15
You had already taught at Harvard
and MIT at a young age.
and MIT at a young age.
1
3675
3064
คุณได้สอนที่ฮาร์วาด และ เอ็มไอที
ตอนอายุน้อย
ตอนอายุน้อย
00:18
And then the NSA came calling.
2
6763
2190
และจากนั้น เอนเอสเอ ก็เรียกตัว
00:21
What was that about?
3
9464
1204
มันเป็นอย่างไรบ้างครับ
00:23
Jim Simons: Well the NSA --
that's the National Security Agency --
that's the National Security Agency --
4
11207
3923
จิม ไซม่อนส์: เออ เอ็นเอสเอ --
นั่นคือ หน่วยความมั่นคงแห่งชาติ--
นั่นคือ หน่วยความมั่นคงแห่งชาติ--
00:27
they didn't exactly come calling.
5
15154
1969
พวกเขาไม่ได้เรียกมาจริงๆ หรอกครับ
00:29
They had an operation at Princeton,
where they hired mathematicians
where they hired mathematicians
6
17465
4474
พวกเขามีปฏิบัติการที่พรินส์ตัน
ที่ซึ่งพวกเขาจ้างนักคณิตศาสตร์
ที่ซึ่งพวกเขาจ้างนักคณิตศาสตร์
00:33
to attack secret codes
and stuff like that.
and stuff like that.
7
21963
2942
ให้โจมตีรหัสลับ และอะไรแบบนั้น
00:37
And I knew that existed.
8
25294
1672
และผมรู้ว่ามันมีอยู่จริง
00:39
And they had a very good policy,
9
27315
2180
และพวกเขาก็มีนโยบายที่ดีมากๆ
00:41
because you could do half your time
at your own mathematics,
at your own mathematics,
10
29519
3850
เพราะคุณสามารถทำงานครึ่งเวลา
กับคณิตศาสตร์ของคุณ
กับคณิตศาสตร์ของคุณ
00:45
and at least half your time
working on their stuff.
working on their stuff.
11
33393
3484
และทำงานให้พวกเขาอย่างน้อนครึ่งเวลา
00:49
And they paid a lot.
12
37559
1474
และพวกเขาก็จ่ายให้เยอะด้วย
00:51
So that was an irresistible pull.
13
39057
3051
ฉะนั้น นั่นเป็นการดึงตัวที่ยากที่จะยั้งได้
00:54
So, I went there.
14
42132
1912
ผมก็เลยไปที่นั่น
00:56
CA: You were a code-cracker.
15
44068
1338
คริส: คุณเคยเป็นคนถอดรหัส
00:57
JS: I was.
16
45430
1166
จิม: เคยครับ
00:58
CA: Until you got fired.
17
46620
1157
คริส: จนกระทั่งคุณโดนไล่ออก
00:59
JS: Well, I did get fired. Yes.
18
47801
1583
จิม: อืม ผมถูกไล่ออก ใช่ครับ
01:01
CA: How come?
19
49408
1245
คริส: เป็นไงมาไงครับ
01:03
JS: Well, how come?
20
51280
1333
จิม: อืม ยังไงน่ะหรอ
01:05
I got fired because,
well, the Vietnam War was on,
well, the Vietnam War was on,
21
53611
4956
ผมถูกไล่ออก เพราะว่า อืม
ตอนนั้นเกิดสงครามเวียดนาม
ตอนนั้นเกิดสงครามเวียดนาม
01:10
and the boss of bosses in my organization
was a big fan of the war
was a big fan of the war
22
58591
5738
และหัวหน้าของหัวหน้าทั้งหลายในองค์กรผม
เป็นแฟนพันธ์ุแท้สงคราม
เป็นแฟนพันธ์ุแท้สงคราม
01:16
and wrote a New York Times article,
a magazine section cover story,
a magazine section cover story,
23
64353
4395
และเขียนบทความในนิตยสารนิวยอร์คไทมส์
ในหัวเรื่องจากปก
ในหัวเรื่องจากปก
01:20
about how we would win in Vietnam.
24
68772
1770
เกี่ยวกับว่าเราจะชนะสงครามเวียดนามได้อย่างไร
01:22
And I didn't like that war,
I thought it was stupid.
I thought it was stupid.
25
70566
3129
และผมไม่ชอบสงคราม ผมคิดว่ามันโง่เง่า
01:25
And I wrote a letter to the Times,
which they published,
which they published,
26
73719
2665
ผมเลยเขียนจดหมายไปยังไทมส์
ซึ่งพวกเขาก็ตีพิมพ์
ซึ่งพวกเขาก็ตีพิมพ์
01:28
saying not everyone
who works for Maxwell Taylor,
who works for Maxwell Taylor,
27
76408
4014
ว่าไม่ใช่ทุกคนหรอกที่ทำงานให้กับ
แม็กซ์เวล เทเลอร์
แม็กซ์เวล เทเลอร์
01:32
if anyone remembers that name,
agrees with his views.
agrees with his views.
28
80446
4686
ถ้าใครสักคนจะจำชื่อนั้นได้
เห็นด้วยกับแนวคิดของเขา
เห็นด้วยกับแนวคิดของเขา
01:37
And I gave my own views ...
29
85553
1658
และผมก็ให้เหตุผลของผม ...
01:39
CA: Oh, OK. I can see that would --
30
87235
2164
คริส: โอ้ โอเค ผมเห็นได้ว่านั่นอาจจะ --
01:41
JS: ... which were different
from General Taylor's.
from General Taylor's.
31
89423
2555
จิม: ... ซึ่งมันต่างจากความคิดของ
นายพลเทเลอร์
นายพลเทเลอร์
01:44
But in the end, nobody said anything.
32
92002
1906
แต่สุดท้ายแล้ว ไม่มีใครยอมพูดอะไร
01:45
But then, I was 29 years old at this time,
and some kid came around
and some kid came around
33
93932
3701
แต่หลังจากนั้น ผมอายุ 29 ในตอนนั้น
และก็มีเด็กหนุ่มคนหนึ่งมาหาผม
และก็มีเด็กหนุ่มคนหนึ่งมาหาผม
01:49
and said he was a stringer
from Newsweek magazine
from Newsweek magazine
34
97657
3088
และพูดว่า เขาเป็นนักข่าว
จากนิตยสารนิวส์วีค
จากนิตยสารนิวส์วีค
01:52
and he wanted to interview me
and ask what I was doing about my views.
and ask what I was doing about my views.
35
100769
5367
และเขาอยากจะสัมภาษณ์ผม
และถามว่าผมทำอย่างไรกับความคิดของผม
และถามว่าผมทำอย่างไรกับความคิดของผม
01:58
And I told him, "I'm doing
mostly mathematics now,
mostly mathematics now,
36
106160
3899
และผมบอกเขาไปว่า "ส่วนใหญ่ผมกำลัง
ทำงานด้านคณิตศาสตร์ตอนนี้
ทำงานด้านคณิตศาสตร์ตอนนี้
02:02
and when the war is over,
then I'll do mostly their stuff."
then I'll do mostly their stuff."
37
110083
3373
และเมื่อสงครามจบ
จากนั้นผมจะทำงานส่วนใหญ่ให้พวกเขา"
จากนั้นผมจะทำงานส่วนใหญ่ให้พวกเขา"
02:06
Then I did the only
intelligent thing I'd done that day --
intelligent thing I'd done that day --
38
114123
2825
จากนั้น ผมทำแต่เรื่องต้องใช้สมอง
ที่ผมควรจะทำในตอนนั้น --
ที่ผมควรจะทำในตอนนั้น --
02:08
I told my local boss
that I gave that interview.
that I gave that interview.
39
116972
4157
ผมบอกเจ้านายที่ผมอยู่ในสังกัด
ว่าผมให้สัมภาษณ์
ว่าผมให้สัมภาษณ์
02:13
And he said, "What'd you say?"
40
121153
1459
เขาถามว่า "คุณพูดว่าอะไร"
02:14
And I told him what I said.
41
122636
1466
ผมก็บอกเขาไปว่าผมพูดอะไร
02:16
And then he said,
"I've got to call Taylor."
"I've got to call Taylor."
42
124126
2315
จากนั้น เขาบอกว่า "ผมต้องโทรหาเทเลอร์"
02:18
He called Taylor; that took 10 minutes.
43
126465
2377
เขาโทรหาเทเลอร์ ใช้เวลา 10 นาที
02:20
I was fired five minutes after that.
44
128866
2262
ผมถูกไล่ออกห้านาทีหลังจากนั้น
02:23
CA: OK.
45
131590
1222
คริส: โอเค
02:24
JS: But it wasn't bad.
46
132836
1151
จิม: แต่มันก็ไม่เลว
02:26
CA: It wasn't bad,
because you went on to Stony Brook
because you went on to Stony Brook
47
134011
2493
คริส: ก็ไม่เลวเลย
เพราะว่าคุณได้ไปที่สโตนี่ บรู๊ค
เพราะว่าคุณได้ไปที่สโตนี่ บรู๊ค
02:28
and stepped up your mathematical career.
48
136528
3133
และรับงานเป็นนักคณิตศาสตร์
02:31
You started working with this man here.
49
139685
2452
คุณเริ่มทำงานกับผู้ชายคนนี้
02:34
Who is this?
50
142161
1164
เขาเป็นใครครับ
02:36
JS: Oh, [Shiing-Shen] Chern.
51
144352
1412
จิม: โอ้ [ชิยิง-เชน] เฉิน
02:37
Chern was one of the great
mathematicians of the century.
mathematicians of the century.
52
145788
3104
เฉินเป็นนักคณิตศาสตร์ที่เจ๋งที่สุดในศตวรรษนี้
02:40
I had known him when
I was a graduate student at Berkeley.
I was a graduate student at Berkeley.
53
148916
5233
และผมรู้จักเขา
ตอนผมเป็นนักเรียนระดับปริญญาที่เบิร์กลีย์
ตอนผมเป็นนักเรียนระดับปริญญาที่เบิร์กลีย์
02:46
And I had some ideas,
54
154173
1871
และผมก็มีความคิดบางอย่าง
02:48
and I brought them to him
and he liked them.
and he liked them.
55
156068
2447
และไปนำไปเสนอเขา
และเขาก็ชอบพวกมัน
และเขาก็ชอบพวกมัน
02:50
Together, we did this work
which you can easily see up there.
which you can easily see up there.
56
158539
6626
เราทำงานนี้ด้วยกัน ซึ่งคุณคงเห็นได้
02:57
There it is.
57
165189
1150
นั่นแหละครับ
02:59
CA: It led to you publishing
a famous paper together.
a famous paper together.
58
167198
3606
คริส: มันนำคุณไปสู่การตีพิมพ์
ผลงานชื่อดังร่วมกัน
ผลงานชื่อดังร่วมกัน
03:02
Can you explain at all what that work was?
59
170828
3238
คุณอธิบายให้เราเข้าใจได้ไหมครับ
ว่ามันเป็นงานเกี่ยวกับอะไร
ว่ามันเป็นงานเกี่ยวกับอะไร
03:07
JS: No.
60
175028
1158
จิม: ไม่ได้ครับ
03:08
(Laughter)
61
176210
2274
(เสียงหัวเราะ)
03:10
JS: I mean, I could
explain it to somebody.
explain it to somebody.
62
178966
2064
จิม: ผมหมายถึง
ผมคงอธิบายให้บางคนเข้าใจได้
ผมคงอธิบายให้บางคนเข้าใจได้
03:13
(Laughter)
63
181054
2075
(เสียงหัวเราะ)
03:15
CA: How about explaining this?
64
183153
1864
คริส: แล้วถ้าอธิบายอันนี้ล่ะครับ
03:17
JS: But not many. Not many people.
65
185041
2729
จิม: คงได้กับไม่กี่คนหรอกครับ ไม่มากหรอก
03:21
CA: I think you told me
it had something to do with spheres,
it had something to do with spheres,
66
189144
2814
คริส: ผมคิดว่าคุณบอกผมว่า
มันมีอะไรเกี่ยวกับทรงกลม
มันมีอะไรเกี่ยวกับทรงกลม
03:23
so let's start here.
67
191982
1862
ลองเริ่มจากตรงนั้นไหมครับ
03:25
JS: Well, it did,
but I'll say about that work --
but I'll say about that work --
68
193868
3600
จิม: ครับ มันเกี่ยวครับ
แต่ผมขอพูดเกี่ยวกับงานนั้น --
แต่ผมขอพูดเกี่ยวกับงานนั้น --
03:29
it did have something to do with that,
but before we get to that --
but before we get to that --
69
197492
3200
มันเกี่ยวข้องกันนะครับ
แต่ก่อนที่ผมจะพูดถึงเรื่องนั้น --
แต่ก่อนที่ผมจะพูดถึงเรื่องนั้น --
03:32
that work was good mathematics.
70
200716
3540
งานนั้นมันเป็นคณิตศาสตร์ชั้นดี
03:36
I was very happy with it; so was Chern.
71
204280
2492
ผมรู้สึกชอบมันมาก เฉินก็เช่นกัน
03:39
It even started a little sub-field
that's now flourishing.
that's now flourishing.
72
207910
4176
มันเป็นจุดเริ่มต้นของสาขาย่อยเล็กๆ
ที่ตอนนี้กำลังเติบโต
ที่ตอนนี้กำลังเติบโต
03:44
But, more interestingly,
it happened to apply to physics,
it happened to apply to physics,
73
212638
5294
แต่ที่น่าสนใจยิ่งกว่านั้น
มันสามารถนำไปใช้กับฟิสิกส์ได้
มันสามารถนำไปใช้กับฟิสิกส์ได้
03:49
something we knew nothing about --
at least I knew nothing about physics,
at least I knew nothing about physics,
74
217956
4295
ซึ่งเป็นสิ่งที่เราไม่รู้จักมันเลย --
อย่างน้อยผมก็ไม่รู้อะไรเกี่ยวกับฟิสิกส์
อย่างน้อยผมก็ไม่รู้อะไรเกี่ยวกับฟิสิกส์
03:54
and I don't think Chern
knew a heck of a lot.
knew a heck of a lot.
75
222275
2282
และผมไม่คิดว่าเฉินก็ไม่ได้รู้มาก
03:56
And about 10 years
after the paper came out,
after the paper came out,
76
224581
3963
และประมาณ 10 ปีหลังจากงานตีพิมพ์ออกมา
04:00
a guy named Ed Witten in Princeton
started applying it to string theory
started applying it to string theory
77
228568
4480
ชายที่ชื่อว่า เอ็ด วิทเทน ในพรินสตัน
เริ่มที่จะใช้มันกับทฤษฎีสตริง
เริ่มที่จะใช้มันกับทฤษฎีสตริง
04:05
and people in Russia started applying it
to what's called "condensed matter."
to what's called "condensed matter."
78
233072
4852
และคนในรัสเซียก็เริ่มจะใช้มัน
กับสิ่งที่เรียกว่า "สสารควบแน่น"
กับสิ่งที่เรียกว่า "สสารควบแน่น"
04:09
Today, those things in there
called Chern-Simons invariants
called Chern-Simons invariants
79
237948
4893
ทุกวันนี้ สิ่งเหล่านั้นที่ถูกเรียกว่า
ค่าคงที่ เฉิน-ไซมอนส์
ค่าคงที่ เฉิน-ไซมอนส์
04:14
have spread through a lot of physics.
80
242865
1865
ได้กระจายออกมาทั่วทั้งวงการฟิสิกส์
04:16
And it was amazing.
81
244754
1174
และมันก็น่าทึ่ง
04:17
We didn't know any physics.
82
245952
1365
เราไม่รู้เรื่องอะไรเลยเกี่ยวกับฟิสิกส์
04:19
It never occurred to me
that it would be applied to physics.
that it would be applied to physics.
83
247714
2854
มันไม่เคยเกิดขึ้นกับผม
ที่จะรู้สึกว่ามันน่าจะใช้กับฟิสิกส์ได้
ที่จะรู้สึกว่ามันน่าจะใช้กับฟิสิกส์ได้
04:22
But that's the thing about mathematics --
you never know where it's going to go.
you never know where it's going to go.
84
250592
3788
แต่นั่นแหละคณิตศาสตร์ --
คุณไม่อาจรู้ได้ว่าจะเกิดอะไรขึ้น
คุณไม่อาจรู้ได้ว่าจะเกิดอะไรขึ้น
04:26
CA: This is so incredible.
85
254404
1492
คริส: มันเหลือเชื่อมากเลยครับ
04:27
So, we've been talking about
how evolution shapes human minds
how evolution shapes human minds
86
255920
4364
ฉะนั้น เรากำลังพูดถึงเรื่องการวิวัฒนาการ
ของความคิดมนุษย์
ของความคิดมนุษย์
04:32
that may or may not perceive the truth.
87
260308
2508
ที่อาจ หรืออาจจะไม่สัมผัสกับความจริง
04:34
Somehow, you come up
with a mathematical theory,
with a mathematical theory,
88
262840
3313
อย่างไรก็ดี คุณคิดทฤษฎีทางคณิตศาสตร์ได้
04:38
not knowing any physics,
89
266177
1848
โดยไม่รู้เรื่องฟิสิกส์
04:40
discover two decades later
that it's being applied
that it's being applied
90
268049
2498
แล้วค้นพบในอีกสองทศวรรษต่อมา
ว่ามันถูกนำไปปรับใช้ได้
ว่ามันถูกนำไปปรับใช้ได้
04:42
to profoundly describe
the actual physical world.
the actual physical world.
91
270571
3031
เพื่ออธิบายโลกทางฟิสิกส์อย่างลึกซึ้ง
04:45
How can that happen?
92
273626
1153
มันเกิดขึ้นได้อย่างไรครับ
04:46
JS: God knows.
93
274803
1157
จิม: พระเจ้าคงทราบครับ
04:47
(Laughter)
94
275984
2110
(เสียงหัวเราะ)
04:50
But there's a famous physicist
named [Eugene] Wigner,
named [Eugene] Wigner,
95
278849
3150
แต่มีนักฟิสิกส์ชื่อดังชื่อว่า [ยูจีน] วิกเนอร์
04:54
and he wrote an essay on the unreasonable
effectiveness of mathematics.
effectiveness of mathematics.
96
282023
5588
และเขาเขียนบทความเกี่ยวกับ
ประสิทธิภาพที่ไม่สมเหตุสมผลของคณิตศาสตร์
ประสิทธิภาพที่ไม่สมเหตุสมผลของคณิตศาสตร์
04:59
Somehow, this mathematics,
which is rooted in the real world
which is rooted in the real world
97
287635
3952
อย่างไรก็ดี คณิตศาสตร์นี้
ซึ่งหยั่งรากในโลกแห่งความจริง
ซึ่งหยั่งรากในโลกแห่งความจริง
05:03
in some sense -- we learn to count,
measure, everyone would do that --
measure, everyone would do that --
98
291611
4995
ในบางแง่มุม -- เราเรียนรู้ที่จะนับ จะวัด
ทุกๆ คนก็ทำกัน --
ทุกๆ คนก็ทำกัน --
05:08
and then it flourishes on its own.
99
296630
1830
และจากนั้นมันก็เติบโตด้วยตัวของมัน
05:10
But so often it comes
back to save the day.
back to save the day.
100
298976
2841
แต่บ่อยครั้ง
มันก็ย้อนกลับมาเพื่อกู้วิกฤติ
มันก็ย้อนกลับมาเพื่อกู้วิกฤติ
05:14
General relativity is an example.
101
302293
2178
ทฤษฎีสัมพันธภาพทั่วไปเป็นตัวอย่างหนึ่ง
05:16
[Hermann] Minkowski had this geometry,
and Einstein realized,
and Einstein realized,
102
304495
3117
[เฮอร์มัน] มินคอฟฟสกี มีเรขาคณิตนี้
และไอสไตน์ก็ตระหนักว่า
และไอสไตน์ก็ตระหนักว่า
05:19
"Hey! It's the very thing
in which I can cast general relativity."
in which I can cast general relativity."
103
307636
3847
"เฮ้ย นี่มันใช่เลย
ที่ฉันจะใช้คำนวณสัมพันธภาพทั่วไป"
ที่ฉันจะใช้คำนวณสัมพันธภาพทั่วไป"
05:23
So, you never know. It is a mystery.
104
311507
3112
ฉะนั้น คุณไม่อาจรู้เลย มันเป็นปริศนา
05:27
It is a mystery.
105
315056
1217
มันคือปริศนา
05:28
CA: So, here's a mathematical
piece of ingenuity.
piece of ingenuity.
106
316297
3296
คริส: งั้น นี่คืองานทางคณิตศาสตร์แห่งความคงที่
05:31
Tell us about this.
107
319617
1342
เล่าให้เราฟังหน่อยครับ
05:32
JS: Well, that's a ball -- it's a sphere,
and it has a lattice around it --
and it has a lattice around it --
108
320983
5924
จิม: ครับ นั่นกระดิ่ง -- มันเป็นทรงกลม
และมันก็มีโครงระแนงรอบๆ --
และมันก็มีโครงระแนงรอบๆ --
05:38
you know, those squares.
109
326931
1573
พวกตารางเหล่านั้น
05:42
What I'm going to show here was
originally observed by [Leonhard] Euler,
originally observed by [Leonhard] Euler,
110
330697
4906
ที่ผมกำลังจะแสดงให้เห็นตอนนี้
ถูกสำรวจไว้แต่แรกโดย [เลโอนาร์ด] ยูเลอร์
ถูกสำรวจไว้แต่แรกโดย [เลโอนาร์ด] ยูเลอร์
05:47
the great mathematician, in the 1700s.
111
335627
2254
นักคณิตศาสตร์ผู้ยิ่งใหญ่ ในยุค 1700
05:50
And it gradually grew to be
a very important field in mathematics:
a very important field in mathematics:
112
338223
5181
และมันก็ค่อยๆ เติบโต
เป็นสาขาในวิชาคณิตศาสตร์ที่สำคัญมากๆ
เป็นสาขาในวิชาคณิตศาสตร์ที่สำคัญมากๆ
05:55
algebraic topology, geometry.
113
343428
2334
โทโพโลยีเชิงพีชคณิต, เรขาคณิต
05:59
That paper up there had its roots in this.
114
347039
4364
เอกสารตรงนั้นมีที่มาจากสิ่งนี้
06:03
So, here's this thing:
115
351427
1834
ฉะนั้น มันเป็นอย่างนี้ครับ
06:05
it has eight vertices,
12 edges, six faces.
12 edges, six faces.
116
353285
4452
มันมีแปดจุดยอด
12 ขอบ, หกหน้า
12 ขอบ, หกหน้า
06:09
And if you look at the difference --
vertices minus edges plus faces --
vertices minus edges plus faces --
117
357761
3830
และถ้าคุณมองมันแบบต่าง --
จุดยอดหักออกด้วยขอบบวกด้วยหน้า --
จุดยอดหักออกด้วยขอบบวกด้วยหน้า --
06:13
you get two.
118
361615
1152
คุณจะได้สอง
06:14
OK, well, two. That's a good number.
119
362791
2219
โอเค ดี สอง นั่นเป็นเลขที่ดี
06:17
Here's a different way of doing it --
these are triangles covering --
these are triangles covering --
120
365034
4248
นี่คือวิธีการที่แตกต่างในการทำ --
นี่คือส่วนที่เป็นสามเหลี่ยมที่คลุมอยู่
นี่คือส่วนที่เป็นสามเหลี่ยมที่คลุมอยู่
06:21
this has 12 vertices and 30 edges
121
369306
4577
ที่มี 12 จุดยอด และ 30 มุม
06:25
and 20 faces, 20 tiles.
122
373907
4195
และ 20 หน้า, 20 ช่อง
06:30
And vertices minus edges
plus faces still equals two.
plus faces still equals two.
123
378576
4591
จุดยอดหักออกด้วยขอบบวกด้วยหน้า
ก็ยังคงเท่ากับสอง
ก็ยังคงเท่ากับสอง
06:35
And in fact, you could do this
any which way --
any which way --
124
383191
2847
อันที่จริง คุณสามารถทำแบบนี้
แบบไหนก็ได้ --
แบบไหนก็ได้ --
06:38
cover this thing with all kinds
of polygons and triangles
of polygons and triangles
125
386062
3398
คลุมสิ่งนี้ด้วยโพลีกอนและสามเหลี่ยม
แบบใดๆ ก็ตาม
แบบใดๆ ก็ตาม
06:41
and mix them up.
126
389484
1320
และผสมมันเข้าด้วยกัน
06:42
And you take vertices minus edges
plus faces -- you'll get two.
plus faces -- you'll get two.
127
390828
3279
และคุณเอาจุดยอดลบด้วยขอบ
บวกด้วยหน้า -- คุณจะได้สอง
บวกด้วยหน้า -- คุณจะได้สอง
06:46
Here's a different shape.
128
394131
1611
นี่คือรูปที่ต่างกัน
06:48
This is a torus, or the surface
of a doughnut: 16 vertices
of a doughnut: 16 vertices
129
396480
5250
นี่คือทรงห่วงยาง หรือพื้นผิวของโดนัท
16 จุดยอด
16 จุดยอด
06:53
covered by these rectangles,
32 edges, 16 faces.
32 edges, 16 faces.
130
401754
4244
ถูกปกคลุมโดยสี่เหลี่ยมผืนผ้าเหล่านี้
32 มุม 16 หน้า
32 มุม 16 หน้า
06:58
Vertices minus edges comes out to be zero.
131
406530
2684
จุดยอดหักออกด้วยขอบได้คำตอบเป็นศูนย์
07:01
It'll always come out to zero.
132
409238
1475
มันออกมาเป็นศูนย์เสมอ
07:02
Every time you cover a torus
with squares or triangles
with squares or triangles
133
410737
4310
ทุกครั้งทีคุณปกคลุมทรงห่วงยาง
ด้วยสี่เหลี่ยมหรือสามเหลี่ยม
ด้วยสี่เหลี่ยมหรือสามเหลี่ยม
07:07
or anything like that,
you're going to get zero.
you're going to get zero.
134
415071
3935
หรืออะไรแนวนั้น
คุณจะได้ศูนย์
คุณจะได้ศูนย์
07:12
So, this is called
the Euler characteristic.
the Euler characteristic.
135
420514
2390
ฉะนั้นมันจึงถูกเรียกว่า
ลักษณะ ยูเลอร์
ลักษณะ ยูเลอร์
07:14
And it's what's called
a topological invariant.
a topological invariant.
136
422928
3449
และมันเป็นสิ่งที่ถูกเรียกว่า
ค่าคงที่โทโพโลจี
ค่าคงที่โทโพโลจี
07:18
It's pretty amazing.
137
426849
1156
มันน่าอัศจรรย์ไม่น้อย
07:20
No matter how you do it,
you're always get the same answer.
you're always get the same answer.
138
428029
2791
ไม่ว่าคุณจะทำอย่างไรกับมัน
คุณจะได้ตำคอบเดิมเสมอ
คุณจะได้ตำคอบเดิมเสมอ
07:22
So that was the first sort of thrust,
from the mid-1700s,
from the mid-1700s,
139
430844
6299
ฉะนั้น นั่นเป็นแหล่งแรกของผลักดัน
จากกลางยุค 1700
จากกลางยุค 1700
07:29
into a subject which is now called
algebraic topology.
algebraic topology.
140
437167
3769
เข้าไปในเรื่องซึ่งตอนนี้เรียกว่า
โทโพโลจีเชิงเรขาคณิต
โทโพโลจีเชิงเรขาคณิต
07:32
CA: And your own work
took an idea like this and moved it
took an idea like this and moved it
141
440960
2983
คริส: และงานของคุณใช้แนวคิดแบบนี้
และขับเคลื่อนมัน
และขับเคลื่อนมัน
07:35
into higher-dimensional theory,
142
443967
2449
เข้าไปยังทฤษฎีที่มีมิติมากกว่านั้น
07:38
higher-dimensional objects,
and found new invariances?
and found new invariances?
143
446440
3088
วัสดุที่มีมิติมาก และค้นพบค่าคงที่ใหม่
07:41
JS: Yes. Well, there were already
higher-dimensional invariants:
higher-dimensional invariants:
144
449552
4643
จิม: ครับ มันมีค่าคงที่มิติมากอยู่แล้ว
07:46
Pontryagin classes --
actually, there were Chern classes.
actually, there were Chern classes.
145
454219
4457
คลาส พอนทริอจิน (Pontryagin) --
อันที่จริงมันมีคลาส เฉิน
อันที่จริงมันมีคลาส เฉิน
07:50
There were a bunch
of these types of invariants.
of these types of invariants.
146
458700
3548
มันมีสาขาของชนิดค่าคงที่เหล่านี้
07:54
I was struggling to work on one of them
147
462272
4135
ผมพยายามที่จะทำงานกับหนึ่งในนั้น
07:58
and model it sort of combinatorially,
148
466431
4203
และการจำลองมันค่อนข้างจะเกี่ยวกับการจัดการ
08:02
instead of the way it was typically done,
149
470658
3022
แทนที่จะเป็นในวิธีแบบที่เราทำกันทั่วไป
08:05
and that led to this work
and we uncovered some new things.
and we uncovered some new things.
150
473704
4359
และนั่นก็นำไปสู่งานนี้
และเราก็ได้เปิดเผยสิ่งใหม่บางอย่าง
และเราก็ได้เปิดเผยสิ่งใหม่บางอย่าง
08:10
But if it wasn't for Mr. Euler --
151
478087
3501
แต่ ถ้าไม่ใช่เป็นเพราะ คุณ ยูเลอร์ --
08:13
who wrote almost 70 volumes of mathematics
152
481612
3981
ผู้เขียนงานทางคณิตศาสตร์ไว้ถึง 70 ฉบับ
08:17
and had 13 children,
153
485617
1731
และมีลูกๆ 13 คน
08:19
who he apparently would dandle on his knee
while he was writing --
while he was writing --
154
487372
6442
ที่คงนั่งโยกขึ้นลงบนตักของเขา
ขณะที่เขาเขียนสิ่งเหล่านี้ --
ขณะที่เขาเขียนสิ่งเหล่านี้ --
08:25
if it wasn't for Mr. Euler, there wouldn't
perhaps be these invariants.
perhaps be these invariants.
155
493838
5774
ถ้ามันไม่ใช่เพราะคุณ ยูเลอร์
มันก็คงจะไม่มีค่าคงที่พวกนี้
มันก็คงจะไม่มีค่าคงที่พวกนี้
08:32
CA: OK, so that's at least given us
a flavor of that amazing mind in there.
a flavor of that amazing mind in there.
156
500157
4097
คริส: ครับ ฉะนั้น อย่างน้อย
นั่นก็ทำให้เราได้ผู้ที่มีความคิดเป็นเลิศ
นั่นก็ทำให้เราได้ผู้ที่มีความคิดเป็นเลิศ
08:36
Let's talk about Renaissance.
157
504804
1543
มาพูดถึงการฟื้นฟูใหม่กันดีกว่า
08:38
Because you took that amazing mind
and having been a code-cracker at the NSA,
and having been a code-cracker at the NSA,
158
506371
5856
เพราะว่าคุณเอาคิดที่เป็นเลิศ
และเคยเป็นคนถอดรหัสที่เอ็นเอสเอ
และเคยเป็นคนถอดรหัสที่เอ็นเอสเอ
08:44
you started to become a code-cracker
in the financial industry.
in the financial industry.
159
512251
3229
คุณเริ่มที่จะกลายเป็นคนถอดรหัส
ในอุตสาหกรรมการเงิน
ในอุตสาหกรรมการเงิน
08:47
I think you probably didn't buy
efficient market theory.
efficient market theory.
160
515504
2690
ผมคิดว่าคุณอาจไม่เชื่อ
ทฤษฎีที่มีประสิทธิภาพทางการตลาด
ทฤษฎีที่มีประสิทธิภาพทางการตลาด
08:50
Somehow you found a way of creating
astonishing returns over two decades.
astonishing returns over two decades.
161
518218
6387
อย่างไรก็ดี คุณพบหนทางที่จะสร้างเงินได้
ที่น่าทึ่งในรอบสองทศวรรษ
ที่น่าทึ่งในรอบสองทศวรรษ
08:56
The way it's been explained to me,
162
524629
1671
ผมได้รับทราบมาว่า
08:58
what's remarkable about what you did
wasn't just the size of the returns,
wasn't just the size of the returns,
163
526324
3499
สิ่งน่าทึ่งที่คุณได้ทำ ไม่ใช่เพียงแค่
ขนาดของผลตอบแทนทางการเงิน
ขนาดของผลตอบแทนทางการเงิน
09:01
it's that you took them
with surprisingly low volatility and risk,
with surprisingly low volatility and risk,
164
529847
3883
แต่เป็นการที่คุณได้พวกมันมา
ด้วยความไม่แน่นอนและความเสี่ยงที่น้อยเหลือเชื่อ
ด้วยความไม่แน่นอนและความเสี่ยงที่น้อยเหลือเชื่อ
09:05
compared with other hedge funds.
165
533754
1824
เมื่อเทียบกับ
อุตสาหกรรมกองทุนบริหารความเสี่ยงอื่นๆ
อุตสาหกรรมกองทุนบริหารความเสี่ยงอื่นๆ
09:07
So how on earth did you do this, Jim?
166
535602
1929
คุณทำอย่างนั้นได้อย่างไรครับ
09:10
JS: I did it by assembling
a wonderful group of people.
a wonderful group of people.
167
538071
4111
จิม: ผมทำมันโดยการรวมเข้ากลุ่มคนที่ยอดเยี่ยม
09:14
When I started doing trading, I had
gotten a little tired of mathematics.
gotten a little tired of mathematics.
168
542206
3956
และผมก็เริ่มทำการค้า
ผมเริ่มเบื่อคณิตศาสตร์นิดหน่อย
ผมเริ่มเบื่อคณิตศาสตร์นิดหน่อย
09:18
I was in my late 30s,
I had a little money.
I had a little money.
169
546186
3923
ผมอยู่ในวัย 30 ปลายๆ
มีเงินไม่มาก
มีเงินไม่มาก
09:22
I started trading and it went very well.
170
550133
2509
ผมเริ่มทำการค้า และมันก็ไปได้สวยมาก
09:25
I made quite a lot of money
with pure luck.
with pure luck.
171
553063
2748
ผมทำเงินได้ค่อนข้างมากเพราะโชคช่วย
09:27
I mean, I think it was pure luck.
172
555835
1666
คือผมหมายถึง ผมคิดว่ามันมาจากโชคล้วนๆ
09:29
It certainly wasn't mathematical modeling.
173
557525
2109
มันไม่ใช่เพราะแบบจำลองทางคณิตศาสตร์
09:31
But in looking at the data,
after a while I realized:
after a while I realized:
174
559658
3831
แต่เมื่อมองดูข้อมูลสักพัก ผมก็รู้ว่า
09:35
it looks like there's some structure here.
175
563513
2553
มันดูเหมือนมีโครงสร้างบางอย่างตรงนั้น
09:38
And I hired a few mathematicians,
and we started making some models --
and we started making some models --
176
566090
3697
และผมก็จ้างนักคณิตศาสตร์จำนวนหนึ่ง
และเริ่มสร้างแบบจำลอง --
และเริ่มสร้างแบบจำลอง --
09:41
just the kind of thing we did back
at IDA [Institute for Defense Analyses].
at IDA [Institute for Defense Analyses].
177
569811
4265
เป็นอะไรบางอย่างที่เราทำ
ตอนอยู่ที่ ไอดีเอ [สถาบันวิเคราะห์ความมั่นคง]
ตอนอยู่ที่ ไอดีเอ [สถาบันวิเคราะห์ความมั่นคง]
09:46
You design an algorithm,
you test it out on a computer.
you test it out on a computer.
178
574100
2833
คุณออกแบบอัลกอริธึม
คุณทดสอบมันในคอมพิวเตอร์
คุณทดสอบมันในคอมพิวเตอร์
09:48
Does it work? Doesn't it work? And so on.
179
576957
2166
มันได้ผมไหม หรือมันไม่ได้ผล อะไรแบบนั้น
09:51
CA: Can we take a look at this?
180
579443
1479
คริส: ขอผมดูได้ไหมครับ
09:52
Because here's a typical graph
of some commodity.
of some commodity.
181
580946
4541
เพราะว่านี่เป็นกราฟทั่วๆ ไปของโภคภัณฑ์
09:58
I look at that, and I say,
"That's just a random, up-and-down walk --
"That's just a random, up-and-down walk --
182
586487
4041
ผมมองดูแล้วผมก็บอกว่า
"นั่นมันก็แค่ขึ้นๆ ลงๆ แบบสุ่ม --
"นั่นมันก็แค่ขึ้นๆ ลงๆ แบบสุ่ม --
10:02
maybe a slight upward trend
over that whole period of time."
over that whole period of time."
183
590552
2862
บางทีแนวโน้มขึ้นนิดหน่อย
ตลอดช่วงเวลา"
ตลอดช่วงเวลา"
10:05
How on earth could you trade
looking at that,
looking at that,
184
593438
2113
เป็นไปได้อย่างไรที่คุณมองที่สิ่งนั้น
10:07
and see something that wasn't just random?
185
595575
2326
และเห็นอะไรบางอย่างที่ไม่ได้เป็นแค่อะไรอย่างสุ่ม
10:09
JS: In the old days -- this is
kind of a graph from the old days,
kind of a graph from the old days,
186
597925
3247
จิม: ในอดีต -- มันคือ
กราฟในแบบเก่าๆ
กราฟในแบบเก่าๆ
10:13
commodities or currencies
had a tendency to trend.
had a tendency to trend.
187
601196
4284
โภคภัณฑ์ หรือการแลกเปลี่ยนค่าเงิน
มีแนวโน้มทิศทาง
มีแนวโน้มทิศทาง
10:17
Not necessarily the very light trend
you see here, but trending in periods.
you see here, but trending in periods.
188
605504
6055
ไม่จำเป็นว่าต้องเป็นแนวโน้มที่อ่อนมาก
ที่คุณเห็นตรงนี้ แต่อาจเป็นแนวโน้มในช่วง
ที่คุณเห็นตรงนี้ แต่อาจเป็นแนวโน้มในช่วง
10:23
And if you decided, OK,
I'm going to predict today,
I'm going to predict today,
189
611583
4056
และถ้าคุณคิด โอเค
ผมกำลังจะคาดเดาวันนี้
ผมกำลังจะคาดเดาวันนี้
10:27
by the average move in the past 20 days --
190
615663
4968
โดยความเคลื่อนไหวเฉลี่ยใน 20 วันที่ผ่านมา --
10:32
maybe that would be a good prediction,
and I'd make some money.
and I'd make some money.
191
620655
3107
บางที นั่นอาจเป็นการคาดเดาที่ดี
10:35
And in fact, years ago,
such a system would work --
such a system would work --
192
623786
5608
และอันที่จริง หลายปีก่อน
ระบบที่ว่านี้น่าจะได้ผล --
ระบบที่ว่านี้น่าจะได้ผล --
10:41
not beautifully, but it would work.
193
629418
2391
ไม่ค่อยดีนัก แต่น่าจะได้ผล
10:43
You'd make money, you'd lose
money, you'd make money.
money, you'd make money.
194
631833
2509
คุณอาจทำเงิน คุณอาจเสียเงิน
คุณอาจได้เงิน
คุณอาจได้เงิน
10:46
But this is a year's worth of days,
195
634366
2198
แต่มันมีค่าเทียบเท่ากับทั้งปี
10:48
and you'd make a little money
during that period.
during that period.
196
636588
4241
และคุณอาจทำเงินได้นิดหน่อยระหว่างช่วงนั้น
10:53
It's a very vestigial system.
197
641884
1958
มันเป็นระบบที่เก่ามาก
10:56
CA: So you would test
a bunch of lengths of trends in time
a bunch of lengths of trends in time
198
644525
3529
คริส: ฉะนั้น คุณอาจะทดสอบหลายๆ แนวโน้ม
11:00
and see whether, for example,
199
648078
2436
และดูว่า ยกตัวอย่างเช่น
11:02
a 10-day trend or a 15-day trend
was predictive of what happened next.
was predictive of what happened next.
200
650538
3481
แนวโน้ม 10 วัน หรือ 15 วัน
ใช้คาดเดาสิ่งที่เกิดขึ้นต่อไปได้หรือไม่
ใช้คาดเดาสิ่งที่เกิดขึ้นต่อไปได้หรือไม่
11:06
JS: Sure, you would try all those things
and see what worked best.
and see what worked best.
201
654043
6762
จิม: แน่นอน คุณอาจลองทุกสิ่งทุกอย่างเหล่านั้น
และดูว่าอะไรที่ใช้การได้ดีที่สุด
และดูว่าอะไรที่ใช้การได้ดีที่สุด
11:13
Trend-following would
have been great in the '60s,
have been great in the '60s,
202
661515
3350
สิ่งที่เป็นไปตามแนวโน้มอาจดีในยุค 60
11:16
and it was sort of OK in the '70s.
203
664889
2132
และมันก็แบบว่าใช้ได้ในยุค 70
11:19
By the '80s, it wasn't.
204
667045
1873
แต่พอถึงยุค 80 มันก็ไม่ได้เรื่อง
11:20
CA: Because everyone could see that.
205
668942
2817
คริส: เพราะว่าใครๆ ก็คงเห็นมัน
11:23
So, how did you stay ahead of the pack?
206
671783
2782
แล้ว คุณนำหน้าคนอื่นๆ ได้อย่างไรครับ
11:27
JS: We stayed ahead of the pack
by finding other approaches --
by finding other approaches --
207
675046
6132
จิม: พวกเราล้ำหน้าคนอื่นๆ
โดยหาวิธีอื่น --
โดยหาวิธีอื่น --
11:33
shorter-term approaches to some extent.
208
681202
2741
วิธีระยะสั้นกว่า ในบางแง่มุม
11:37
The real thing was to gather
a tremendous amount of data --
a tremendous amount of data --
209
685107
3347
จริงๆ ก็คือการรวบรวม เอาข้อมูลปริมาณมาก
11:40
and we had to get it by hand
in the early days.
in the early days.
210
688478
3578
และเราต้องจัดการมันด้วยมือในอดีต
11:44
We went down to the Federal Reserve
and copied interest rate histories
and copied interest rate histories
211
692080
3466
พวกเราไปยังแหล่งสำรองกลาง และคัดลอก
ค่าการแลกเปลี่ยนที่น่าสนใจในประวัติศาสตร์
ค่าการแลกเปลี่ยนที่น่าสนใจในประวัติศาสตร์
11:47
and stuff like that,
because it didn't exist on computers.
because it didn't exist on computers.
212
695570
3265
และอะไรพวกนั้น
เพราะว่ามันไม่ปรากฏในคอมพิวเตอร์
เพราะว่ามันไม่ปรากฏในคอมพิวเตอร์
11:50
We got a lot of data.
213
698859
1643
พวกเราได้ข้อมูลมากมาย
11:52
And very smart people -- that was the key.
214
700526
4160
และคนที่ฉลาดมากๆ -- นั่นคือกุญแจสำคัญ
11:57
I didn't really know how to hire
people to do fundamental trading.
people to do fundamental trading.
215
705463
3776
ผมไม่รู้จริงๆ ว่าจะจ้างคนมาทำการค้าพื้นฐาน
ได้อย่างไร
ได้อย่างไร
12:01
I had hired a few -- some made money,
some didn't make money.
some didn't make money.
216
709749
2949
ผมเคยจ้างมาบ้าง -- บางคนก็ทำเงิน
บางคนก็ไม่ทำเงิน
บางคนก็ไม่ทำเงิน
12:04
I couldn't make a business out of that.
217
712722
1880
ผมไม่ได้สร้างธุรกิจจากสิ่งนั้น
12:06
But I did know how to hire scientists,
218
714626
2042
แต่ผมรู้ว่าจะจ้างนักวิทยาศาสตร์ได้อย่างไร
12:08
because I have some taste
in that department.
in that department.
219
716692
3389
เพราะว่า ผมมีประสบการณ์ในภาคส่วนนั้น
12:12
So, that's what we did.
220
720105
1838
ฉะนั้น นั่นคือสิ่งที่เราทำ
12:13
And gradually these models
got better and better,
got better and better,
221
721967
3231
และแบบจำลองเหล่านี้ก็ดีขึ้น และดีขึ้น
อย่างช้าๆ
อย่างช้าๆ
12:17
and better and better.
222
725222
1335
และดียิ่งๆ ขึ้น
12:18
CA: You're credited with doing
something remarkable at Renaissance,
something remarkable at Renaissance,
223
726581
3214
คริส: คุณได้รับการกล่าวอ้างว่า
ได้ทำสิ่งที่สำคัญในยุคการฟื้นฟู
ได้ทำสิ่งที่สำคัญในยุคการฟื้นฟู
12:21
which is building this culture,
this group of people,
this group of people,
224
729819
2601
ซึ่งคือการสร้างวัฒนธรรมนี้
สร้างคนกลุ่มนี้
สร้างคนกลุ่มนี้
12:24
who weren't just hired guns
who could be lured away by money.
who could be lured away by money.
225
732444
3142
ผู้ซึ่งไม่ได้เป็นแค่มือปืนรับจ้าง
ที่ใช้เงินหลอกล่อให้ทำงานได้
ที่ใช้เงินหลอกล่อให้ทำงานได้
12:27
Their motivation was doing
exciting mathematics and science.
exciting mathematics and science.
226
735610
3912
ความมุ่งมั่นของพวกเขา
คือการได้ทำงานกับคณิตศาสตร์และวิทยาศาสตร์
คือการได้ทำงานกับคณิตศาสตร์และวิทยาศาสตร์
12:31
JS: Well, I'd hoped that might be true.
227
739860
2399
จิม: เราหวังว่ามันควรจะจริง
12:34
But some of it was money.
228
742283
3580
แต่บางส่วนของมันก็คือเงิน
12:37
CA: They made a lot of money.
229
745887
1393
คริส: พวกเขาจะทำเงินมาก
12:39
JS: I can't say that no one came
because of the money.
because of the money.
230
747304
2537
จิม: ผมไม่อาจบอกได้ว่า ไม่มีใครมาที่นี่
เพราะว่าเงิน
เพราะว่าเงิน
12:41
I think a lot of them
came because of the money.
came because of the money.
231
749865
2253
ผมคิดว่าหลายๆ คนมาก็เพราะเงิน
12:44
But they also came
because it would be fun.
because it would be fun.
232
752142
2021
แต่พวกเขายังมา
เพราะว่ามันน่าจะสนุก
เพราะว่ามันน่าจะสนุก
12:46
CA: What role did machine learning
play in all this?
play in all this?
233
754187
2488
คริส: การเรียนรู้ของเครื่องคอมพิวเตอร์
มีบทบาทในเรื่องนี้อย่างไรครับ
มีบทบาทในเรื่องนี้อย่างไรครับ
12:48
JS: In a certain sense,
what we did was machine learning.
what we did was machine learning.
234
756699
3064
จิม: ในบางแง่มุม
สิ่งที่เราทำคือการเรียนรู้ของเครื่องคอมพิวเตอร์
สิ่งที่เราทำคือการเรียนรู้ของเครื่องคอมพิวเตอร์
12:52
You look at a lot of data, and you try
to simulate different predictive schemes,
to simulate different predictive schemes,
235
760879
6291
คุณมองที่ข้อมูลมากมาย และพยายามกระตุ้น
รูปแบบที่คาดเดาได้ต่างๆ
รูปแบบที่คาดเดาได้ต่างๆ
12:59
until you get better and better at it.
236
767194
2182
จนกระทั่งคุณทำได้ดีขึ้น และดีขึ้น
13:01
It doesn't necessarily feed back on itself
the way we did things.
the way we did things.
237
769400
3767
มันไม่จำเป็นที่มันจะต้องสนองตอบต่อตัวเอง
ในแบบที่เราทำ
ในแบบที่เราทำ
13:05
But it worked.
238
773191
2309
แต่มันก็ได้ผล
13:08
CA: So these different predictive schemes
can be really quite wild and unexpected.
can be really quite wild and unexpected.
239
776150
4059
คริส: รูปแบบที่คาดเดาได้ต่างๆ เหล่านี้
อาจแปลกประหลาด และเหนือการคาดเดา
อาจแปลกประหลาด และเหนือการคาดเดา
13:12
I mean, you looked at everything, right?
240
780233
1914
ผมหมายถึง คุณดูที่ทุกอย่าง ใช่ไหมครับ
13:14
You looked at the weather,
length of dresses, political opinion.
length of dresses, political opinion.
241
782171
3317
คุณดูสภาพดินฟ้าอากาศ
ความยาวของกระโปรง ความคิดเห็นทางการเมือง
ความยาวของกระโปรง ความคิดเห็นทางการเมือง
13:17
JS: Yes, length of dresses we didn't try.
242
785512
2837
จิม: ครับ ความยาวของกระโปรง เราไม่ได้ลอง
13:20
CA: What sort of things?
243
788373
2057
คริส: แล้วอะไรครับ
13:22
JS: Well, everything.
244
790454
1158
จิม: ก็ทุกอย่างล่ะครับ
13:23
Everything is grist for the mill --
except hem lengths.
except hem lengths.
245
791636
3264
ทุกอย่างที่วิเคราะห์ย่อยลงไปได้ --
ยกเว้นความยาวชายผ้า
ยกเว้นความยาวชายผ้า
13:28
Weather, annual reports,
246
796852
2300
อากาศ, รายงานประจำปี
13:31
quarterly reports, historic data itself,
volumes, you name it.
volumes, you name it.
247
799176
4732
รายงานไตรมาส, ประวัติของตัวข้อมูลเอง,
ปริมาณ ว่ามาได้เลย
ปริมาณ ว่ามาได้เลย
13:35
Whatever there is.
248
803932
1151
อะไรก็ตามที่มี
13:37
We take in terabytes of data a day.
249
805107
2621
พวกเรานำข้อมูลหลายเทระไบต์เข้ามาทุกวัน
13:39
And store it away and massage it
and get it ready for analysis.
and get it ready for analysis.
250
807752
4124
และเก็บมันและส่งมัน
และทำให้มันพร้อมสำหรับการวิเคราะห์
และทำให้มันพร้อมสำหรับการวิเคราะห์
13:45
You're looking for anomalies.
251
813446
1382
คุณมองหาความผิดปกติ
13:46
You're looking for -- like you said,
252
814852
2953
คุณกำลังมองหา -- อย่างที่คุณบอก
13:49
the efficient market
hypothesis is not correct.
hypothesis is not correct.
253
817829
2452
สมมติฐานตลาดที่มีประสิทธิภาพ
มันไม่ถูกต้อง
มันไม่ถูกต้อง
13:52
CA: But any one anomaly
might be just a random thing.
might be just a random thing.
254
820305
3467
คริส: แต่ความผิดปกติใดๆ
อาจเป็นแค่สิ่งบังเอิญ
อาจเป็นแค่สิ่งบังเอิญ
13:55
So, is the secret here to just look
at multiple strange anomalies,
at multiple strange anomalies,
255
823796
3658
แล้ว ความลับคือแค่มองที่ความผิดปกติต่างๆ
หลายๆ อย่าง
หลายๆ อย่าง
13:59
and see when they align?
256
827478
1328
และดูว่าเมื่อไรที่มันอยู่ในแนวเดียวกันใช่ไหมครับ
14:01
JS: Any one anomaly
might be a random thing;
might be a random thing;
257
829238
3213
จิม: ความผิดปกติใดๆ
อาจเป็นเรื่องอย่างสุ่ม
อาจเป็นเรื่องอย่างสุ่ม
14:04
however, if you have enough data
you can tell that it's not.
you can tell that it's not.
258
832475
3039
อย่างไรก็ดี ถ้าคุณมีข้อมูลเพียงพอ
คุณสามารถบอกว่ามันไม่ใช่
คุณสามารถบอกว่ามันไม่ใช่
14:07
You can see an anomaly that's persistent
for a sufficiently long time --
for a sufficiently long time --
259
835538
4950
คุณสามารถเห็นความผิดปกติที่ยังคงอยู่
เป็นเวลานานอย่างมีนัยสำคัญ
เป็นเวลานานอย่างมีนัยสำคัญ
14:12
the probability of it being
random is not high.
random is not high.
260
840512
4975
ความน่าจะเป็นของมันที่เป็นอย่างสุ่ม
ไม่ได้สูง
ไม่ได้สูง
14:17
But these things fade after a while;
anomalies can get washed out.
anomalies can get washed out.
261
845511
4858
แต่สิ่งเหล่านี้จางหายไปหลังจากช่วงหนึ่ง
ความผิดปกติอาจถูกทำให้หายไป
ความผิดปกติอาจถูกทำให้หายไป
14:22
So you have to keep on top
of the business.
of the business.
262
850393
2420
ฉะนั้น คุณจะต้องเป็นผู้นำของธุรกิจ
14:24
CA: A lot of people look
at the hedge fund industry now
at the hedge fund industry now
263
852837
2672
คริส: หลายคนตอนนี้มองที่
อุตสาหกรรมกองทุนบริหารความเสี่ยง
อุตสาหกรรมกองทุนบริหารความเสี่ยง
14:27
and are sort of ... shocked by it,
264
855533
4398
แล้วก็แบบว่า ... ตะลึงไปเลย
14:31
by how much wealth is created there,
265
859955
2172
ที่ว่ามันสร้างความมั่งคั่งมากมายเหลือเกิน
14:34
and how much talent is going into it.
266
862151
2245
และมีคนเก่งๆ มากมายไปยังที่นั่น
14:37
Do you have any worries
about that industry,
about that industry,
267
865523
4006
คุณกังวลบ้างไหมครับ
เกี่ยวกับอุตสาหกรรมนั่น
เกี่ยวกับอุตสาหกรรมนั่น
14:41
and perhaps the financial
industry in general?
industry in general?
268
869553
2414
แล้วก็อุตสาหกรรมการเงินในแบบทั่วไป
14:43
Kind of being on a runaway train that's --
269
871991
2704
แบบว่าเหมือนอยู่บนรถไฟที่วิ่งหนีออกไป ที่ --
14:46
I don't know --
helping increase inequality?
helping increase inequality?
270
874719
4030
ผมไม่รู้สิครับ --
ที่ช่วยเพิ่มความไม่เท่าเทียมกันหรือเปล่าครับ
ที่ช่วยเพิ่มความไม่เท่าเทียมกันหรือเปล่าครับ
14:50
How would you champion what's happening
in the hedge fund industry?
in the hedge fund industry?
271
878773
3831
คุณจะเอาชนะมันอย่างไรกับสิ่งที่เกิดขึ้น
ในอุตสาหกรรมกองทุนบริหารความเสี่ยง
ในอุตสาหกรรมกองทุนบริหารความเสี่ยง
14:54
JS: I think in the last
three or four years,
three or four years,
272
882628
2608
จิม: ผมคิดว่าในสามหรือสี่ปีที่ผ่านมา
14:57
hedge funds have not done especially well.
273
885260
2103
กองทุนบริหารความเสี่ยงไม่ได้เป็นไปอย่างดี
14:59
We've done dandy,
274
887387
1400
เราทำได้อย่างยอมเยี่ยมเลยล่ะ
15:00
but the hedge fund industry as a whole
has not done so wonderfully.
has not done so wonderfully.
275
888811
4001
แต่อุตสาหกรรมกองทุนบริหารความเสี่ยง
ในภาพรวม ไม่ได้เป็นไปอย่างสวยงาม
ในภาพรวม ไม่ได้เป็นไปอย่างสวยงาม
15:04
The stock market has been on a roll,
going up as everybody knows,
going up as everybody knows,
276
892836
4902
ตลาดหลักทรัพย์ประสบความสำเร็จอย่างต่อเนื่อง
อยู่ในขาขึ้นอย่างที่ทุกคนทราบ
อยู่ในขาขึ้นอย่างที่ทุกคนทราบ
15:09
and price-earnings ratios have grown.
277
897762
3445
และอัตราส่วนผลตอบแทนทางด้านราคาก็เติบโต
15:13
So an awful lot of the wealth
that's been created in the last --
that's been created in the last --
278
901231
3063
ฉะนั้นความมั่งคั่งมากมายที่ถูกสร้างขึ้นใน --
15:16
let's say, five or six years --
has not been created by hedge funds.
has not been created by hedge funds.
279
904318
3350
เอาเป็นว่า ห้าหรือหกปีให้หลัง --
ไม่ได้ถูกสร้างขึ้นโดยกองทุนบริหารความเสี่ยง
ไม่ได้ถูกสร้างขึ้นโดยกองทุนบริหารความเสี่ยง
15:20
People would ask me,
"What's a hedge fund?"
"What's a hedge fund?"
280
908458
3221
คนอาจถามผมว่า
"กองทุนบริหารความเสี่ยงเป็นอย่างไร"
"กองทุนบริหารความเสี่ยงเป็นอย่างไร"
15:23
And I'd say, "One and 20."
281
911703
2260
ผมจะบอกว่า "หนึ่ง และ 20 "
15:25
Which means -- now it's two and 20 --
282
913987
3566
ซึ่งหมายถึง -- ตอนนี้มันสอง และ 20 --
15:29
it's two percent fixed fee
and 20 percent of profits.
and 20 percent of profits.
283
917577
3353
ค่าธรรมเนียมคงที่สองเปอร์เซ็นต์
และกำไร 20 เปอร์เซ็นต์
และกำไร 20 เปอร์เซ็นต์
15:32
Hedge funds are all
different kinds of creatures.
different kinds of creatures.
284
920954
2352
กองทุนบริหารความเสี่ยงเป็นอะไรที่ต่างออกไป
15:35
CA: Rumor has it you charge
slightly higher fees than that.
slightly higher fees than that.
285
923330
3239
คริส: ว่ากันว่า คุณเก็บค่าธรรมเนียม
ให้สูงขึ้นกว่านั้นอีกนิด
ให้สูงขึ้นกว่านั้นอีกนิด
15:39
JS: We charged the highest fees
in the world at one time.
in the world at one time.
286
927339
3081
จิม: เราเก็บค่าธรรมเนียม
ที่สูงที่สุดในโลกครั้งหนึ่ง
ที่สูงที่สุดในโลกครั้งหนึ่ง
15:42
Five and 44, that's what we charge.
287
930444
3226
ห้า และ 44 นั่นคือสิ่งที่เราเก็บ
15:45
CA: Five and 44.
288
933694
1398
คริส: ห้า และ 44
15:47
So five percent flat,
44 percent of upside.
44 percent of upside.
289
935116
3234
งั้นก็ คงที่ห้าเปอร์เซ็นต์
และส่วนเพิ่ม 44 เปอร์เซ็นต์
และส่วนเพิ่ม 44 เปอร์เซ็นต์
15:50
You still made your investors
spectacular amounts of money.
spectacular amounts of money.
290
938374
2783
คุณยังเงินทำให้ผู้ลงทุนของคุณ
อย่างมากมายน่าทึ่ง
อย่างมากมายน่าทึ่ง
15:53
JS: We made good returns, yes.
291
941181
1452
จิม: เราได้ผลตอบแทนกับมาดี ใช่ครับ
15:54
People got very mad:
"How can you charge such high fees?"
"How can you charge such high fees?"
292
942657
3000
หลายคนหัวเสียเอามากๆ:
"คุณเก็บค่าธรรมเนียมซะสูงได้อย่างไร"
"คุณเก็บค่าธรรมเนียมซะสูงได้อย่างไร"
15:57
I said, "OK, you can withdraw."
293
945681
1627
ผมบอกว่า "โอเค คุณถอนออกไปก็ได้นะ"
15:59
But "How can I get more?"
was what people were --
was what people were --
294
947332
2818
แต่ "ผมจะได้มากกว่านี้ได้อย่างไรล่ะ"
นั่นแหละที่คนเป็น --
นั่นแหละที่คนเป็น --
16:02
(Laughter)
295
950174
1504
(เสียงหัวเราะ)
16:03
But at a certain point,
as I think I told you,
as I think I told you,
296
951702
2440
ณ จุดหนึ่ง อย่างที่ผมคิดว่าผมบอกคุณ
16:06
we bought out all the investors
because there's a capacity to the fund.
because there's a capacity to the fund.
297
954166
5175
เราซื้อจากนักลงทุนทั้งหมด
เพราะมันมีกำลังผลิตสำหรับกองทุน
เพราะมันมีกำลังผลิตสำหรับกองทุน
16:11
CA: But should we worry
about the hedge fund industry
about the hedge fund industry
298
959365
2704
คริส: แต่เราควรกังวลไหมเกี่ยวกับ
อุตสาหกรรมกองทุนบริหารความเสี่ยง
อุตสาหกรรมกองทุนบริหารความเสี่ยง
16:14
attracting too much of the world's
great mathematical and other talent
great mathematical and other talent
299
962093
5438
ที่จะดึงนักคณิตศาสตร์เยี่ยมๆ
และผู้มีพรสวรรค์อื่นๆของโลก มากเกินไป
และผู้มีพรสวรรค์อื่นๆของโลก มากเกินไป
16:19
to work on that, as opposed
to the many other problems in the world?
to the many other problems in the world?
300
967555
3238
เพื่อให้ทำงานกับสิ่งนั้น
แทนที่จะไปแก้ปัญหาอื่นๆ ในโลก
แทนที่จะไปแก้ปัญหาอื่นๆ ในโลก
16:22
JS: Well, it's not just mathematical.
301
970817
1929
จิม: ครับ มันไม่ใช่แค่คณิตศาสตร์
16:24
We hire astronomers and physicists
and things like that.
and things like that.
302
972770
2679
เราจ้างนักบินอวกาศ และนักฟิสิกส์
และอะไรแนวนั้น
และอะไรแนวนั้น
16:27
I don't think we should worry
about it too much.
about it too much.
303
975833
2431
ผมไม่คิดว่าเราจะต้องกังวลเกี่ยวกับมันมากนัก
16:30
It's still a pretty small industry.
304
978288
3142
มันยังคงเป็นอุตสาหกรรมขนาดเล็ก
16:33
And in fact, bringing science
into the investing world
into the investing world
305
981454
5997
และอันที่จริง การนำวิทยาศาสตร์
มาสู่โลกแห่งการลงทุน
มาสู่โลกแห่งการลงทุน
16:39
has improved that world.
306
987475
2159
ได้พัฒนาโลกดังกล่าว
16:41
It's reduced volatility.
It's increased liquidity.
It's increased liquidity.
307
989658
4070
มันลดความไม่แน่นอน
มันเพิ่มสภาพคล่อง
มันเพิ่มสภาพคล่อง
16:45
Spreads are narrower because
people are trading that kind of stuff.
people are trading that kind of stuff.
308
993752
3189
การกระจายตัวนั้นแคบลง
เพราะว่าคนค้าอะไรแนวๆ นั้น
เพราะว่าคนค้าอะไรแนวๆ นั้น
16:48
So I'm not too worried about Einstein
going off and starting a hedge fund.
going off and starting a hedge fund.
309
996965
5076
ฉะนั้น ผมไม่กังวลเท่าไร ถ้าไอสไตน์
ลุกขึ้นมาและเริ่มตั้งกองทุนบริหารความเสี่ยง
ลุกขึ้นมาและเริ่มตั้งกองทุนบริหารความเสี่ยง
16:54
CA: You're at a phase in your life now
where you're actually investing, though,
where you're actually investing, though,
310
1002478
4164
คริส: ตอนนี้ คุณอยู่ในช่วงหนึ่งในชีวิตของคุณ
ที่คุณจะลงทุนจริงๆ
ที่คุณจะลงทุนจริงๆ
16:58
at the other end of the supply chain --
311
1006666
3734
แม้ว่า สุดท้ายที่ปลายห่วงโซ่อุปทาน --
17:02
you're actually boosting
mathematics across America.
mathematics across America.
312
1010424
4104
ที่จริงคุณกำลังเร่งคณิตศาสตร์ไปทั่วอเมริกา
17:06
This is your wife, Marilyn.
313
1014552
1865
นี่คือภรรยาของคุณ มาริลิน
17:08
You're working on
philanthropic issues together.
philanthropic issues together.
314
1016441
4756
คุณกำลังทำงานเกี่ยวกับการกุศลด้วยกัน
17:13
Tell me about that.
315
1021221
1163
เล่าให้ผมฟังหน่อยสิครับ
17:14
JS: Well, Marilyn started --
316
1022408
3649
จิม: ครับ มาริลิน ก่อตั้ง --
17:18
there she is up there,
my beautiful wife --
my beautiful wife --
317
1026081
3447
นั่นครับ เธออยู่ตรงนั้น
ภรรยาคนสวยของผม --
ภรรยาคนสวยของผม --
17:21
she started the foundation
about 20 years ago.
about 20 years ago.
318
1029552
2972
เธอก่อตั้งมูลนิธิมาเกือบ 20 ปีแล้ว
17:24
I think '94.
319
1032548
1151
ผมคิดว่าตั้งแต่ยุคปี 94
17:25
I claim it was '93, she says it was '94,
320
1033723
2095
ผมบอกว่า 93 แต่เธอบอกว่ามันเป็น 94
17:27
but it was one of those two years.
321
1035842
2571
แต่มันก็สักปีในสองปีนั้นแหละครับ
17:30
(Laughter)
322
1038437
2135
(เสียงหัวเราะ)
17:32
We started the foundation,
just as a convenient way to give charity.
just as a convenient way to give charity.
323
1040596
6719
เราก่อตั้งมูลนิธิ
เป็นวิธีง่ายๆ ที่เราจะได้ทำการกุศล
เป็นวิธีง่ายๆ ที่เราจะได้ทำการกุศล
17:40
She kept the books, and so on.
324
1048346
2507
เราเก็บหนังสือ และทำสิ่งอื่นๆ
17:42
We did not have a vision at that time,
but gradually a vision emerged --
but gradually a vision emerged --
325
1050877
6714
เราไม่ได้มีวิสัยทัศน์ในเวลานั้น
แต่วิสัยทัศน์ก็ค่อยๆ เกิดขึ้นมา --
แต่วิสัยทัศน์ก็ค่อยๆ เกิดขึ้นมา --
17:49
which was to focus on math and science,
to focus on basic research.
to focus on basic research.
326
1057615
5504
ซึ่งคือการจะมุ่งความสนใจ
ไปยังคณิตศาสตร์และวิทยาศาสตร์
ไปยังคณิตศาสตร์และวิทยาศาสตร์
17:55
And that's what we've done.
327
1063569
2772
และนั่นคือสิ่งที่เราทำ
17:58
Six years ago or so, I left Renaissance
and went to work at the foundation.
and went to work at the foundation.
328
1066365
6355
ราวๆ หกปีก่อน ผมออกจากยุคเรืองอำนาจ
และผมไปทำงานที่มูลนิธิ
และผมไปทำงานที่มูลนิธิ
18:04
So that's what we do.
329
1072744
1571
และนั่นคือสิ่งที่เราทำ
18:06
CA: And so Math for America
is basically investing
is basically investing
330
1074339
2909
คริส: และคณิตศาสตร์สำหรับอเมริกา
โดยหลักแล้วก็คือ
โดยหลักแล้วก็คือ
18:09
in math teachers around the country,
331
1077272
2638
การลงทุนกับครูคณิตศาสตร์ทั่วทั้งประเทศ
18:11
giving them some extra income,
giving them support and coaching.
giving them support and coaching.
332
1079934
3802
จัดให้พวกเขามีรายได้เพิ่ม
ให้การสนับสนุนพวกเขา และให้การอบรม
ให้การสนับสนุนพวกเขา และให้การอบรม
18:15
And really trying
to make that more effective
to make that more effective
333
1083760
3051
และได้พยายามจริงๆ
ที่จะทำให้มันมีประสิทธิภาพมากขึ้น
ที่จะทำให้มันมีประสิทธิภาพมากขึ้น
18:18
and make that a calling
to which teachers can aspire.
to which teachers can aspire.
334
1086835
2601
และทำให้มันเป็นการเรียกร้อง
ที่บรรดาครูต่างปรารถนาให้มีขึ้น
ที่บรรดาครูต่างปรารถนาให้มีขึ้น
18:21
JS: Yeah -- instead of beating up
the bad teachers,
the bad teachers,
335
1089460
4790
จิม: ครับ -- แทนที่จะหวดครูแย่ๆ
18:26
which has created morale problems
all through the educational community,
all through the educational community,
336
1094274
4853
ซึ่งก่อปัญหาทางจรรยาบรรณ
ให้กับทั้งวงการการศึกษา
ให้กับทั้งวงการการศึกษา
18:31
in particular in math and science,
337
1099151
2441
โดยเฉพาะอย่างยิ่ง
กับคณิตศาสตร์และวิทยาศาสตร์
กับคณิตศาสตร์และวิทยาศาสตร์
18:33
we focus on celebrating the good ones
and giving them status.
and giving them status.
338
1101616
6130
เรามุ่งไปที่การเฉลิมฉลองให้กับคนดี
และให้การยกย่องพวกเขา
และให้การยกย่องพวกเขา
18:39
Yeah, we give them extra money,
15,000 dollars a year.
15,000 dollars a year.
339
1107770
2931
ครับ พวกเราให้เงินเพิ่มเติมกับพวกเขา
15,000 ดอลล่าร์ต่อปี
15,000 ดอลล่าร์ต่อปี
18:42
We have 800 math and science teachers
in New York City in public schools today,
in New York City in public schools today,
340
1110725
4467
เรามีครูคณิตศาสตร์และวิทยาศาสตร์ 800 คน
ในมหานครนิวยอร์ค ในโรงเรียนรัฐทุกๆ วันนี้
ในมหานครนิวยอร์ค ในโรงเรียนรัฐทุกๆ วันนี้
18:47
as part of a core.
341
1115216
1814
เป็นแกนหลัก
18:49
There's a great morale among them.
342
1117054
3686
พวกเขามีจรรยาบรรณที่ดี
18:52
They're staying in the field.
343
1120764
2506
พวกเขาคงอยู่ในวงการนี้
18:55
Next year, it'll be 1,000
and that'll be 10 percent
and that'll be 10 percent
344
1123294
2895
ปีถัดไป มันจะกลายเป็น 1,000 คน
และนั่นจะเป็น 10 เปอร์เซ็นต์
และนั่นจะเป็น 10 เปอร์เซ็นต์
18:58
of the math and science teachers
in New York [City] public schools.
in New York [City] public schools.
345
1126213
3544
ของครูคณิตศาสตร์และวิทยาศาสตร์
ในโรงเรียนรัฐใน [นคร] นิวยอร์ก
ในโรงเรียนรัฐใน [นคร] นิวยอร์ก
19:01
(Applause)
346
1129781
5905
(เสียงปรบมือ)
19:07
CA: Jim, here's another project
that you've supported philanthropically:
that you've supported philanthropically:
347
1135710
3410
คริส: จิม นี่คืออีกโครงการหนึ่ง
ที่คุณให้การสนับสนุนในเชิงการกุศล:
ที่คุณให้การสนับสนุนในเชิงการกุศล:
19:11
Research into origins of life, I guess.
348
1139144
2397
การทำวิจัยในเรื่องต้นกำเนิดชีวิต
ผมเดาว่าอย่างนั้น
ผมเดาว่าอย่างนั้น
19:13
What are we looking at here?
349
1141565
1447
ที่เรากำลังมองอยู่นี่คืออะไรครับ
19:15
JS: Well, I'll save that for a second.
350
1143536
1882
จิม: ผมจะเก็บไว้สักครู่
19:17
And then I'll tell you
what you're looking at.
what you're looking at.
351
1145442
2162
และจากนั้นผมจะบอกคุณ
ว่าคุณกำลังมองอะไรอยู่
ว่าคุณกำลังมองอะไรอยู่
19:19
Origins of life is a fascinating question.
352
1147628
3056
กำเนิดชีวิตเป็นคำถามที่น่าสนใจ
19:22
How did we get here?
353
1150708
1533
เรามาถึงที่นี่ได้อย่างไร
19:25
Well, there are two questions:
354
1153170
1771
ครับ มันมีสองคำถาม
19:26
One is, what is the route
from geology to biology --
from geology to biology --
355
1154965
5868
อย่างแรกคือ ทางนั้นคืออะไร
จากธรณีวิทยา ถึง ชีววิทยา --
จากธรณีวิทยา ถึง ชีววิทยา --
19:32
how did we get here?
356
1160857
1381
พวกเรามาถึงนี่ได้อย่างไร
19:34
And the other question is,
what did we start with?
what did we start with?
357
1162262
2364
และอีกคำถามคือ
เราเริ่มต้นด้วยอะไร
เราเริ่มต้นด้วยอะไร
19:36
What material, if any,
did we have to work with on this route?
did we have to work with on this route?
358
1164650
3102
วัสดุสารอะไร ถ้ามันจะมี
เราจะต้องทำตามหนทางนี้หรือ
เราจะต้องทำตามหนทางนี้หรือ
19:39
Those are two very,
very interesting questions.
very interesting questions.
359
1167776
3061
นั่นคือสองคำถามที่น่าสนใจอย่างมาก
19:43
The first question is a tortuous path
from geology up to RNA
from geology up to RNA
360
1171773
5834
คำถามแรกคือทางที่ซับซ้อน
จากธรณีวิทยาไปจนถึงอาร์เอ็นเอ
จากธรณีวิทยาไปจนถึงอาร์เอ็นเอ
19:49
or something like that --
how did that all work?
how did that all work?
361
1177631
2258
หรืออะไรบางอย่างเช่น --
พวกมันได้ทำงานได้อย่างไร
พวกมันได้ทำงานได้อย่างไร
19:51
And the other,
what do we have to work with?
what do we have to work with?
362
1179913
2388
และสิ่งอื่นๆ
เราต้องลงมือทำงานกับอะไร
เราต้องลงมือทำงานกับอะไร
19:54
Well, more than we think.
363
1182325
1771
ครับ มันมากกว่าที่เราคิด
19:56
So what's pictured there
is a star in formation.
is a star in formation.
364
1184120
4843
ภาพตรงนี้ คือดาวที่กำลังถูกสร้างขึ้น
20:01
Now, every year in our Milky Way,
which has 100 billion stars,
which has 100 billion stars,
365
1189836
3425
ตอนนี้ ทุกๆ ปี ในทางช้างเผือกของเรา
ซึ่งมีดาวแสนล้านดวง
ซึ่งมีดาวแสนล้านดวง
20:05
about two new stars are created.
366
1193285
2495
ดาวใหม่ประมาณสองดวงถูกสร้างขึ้น
20:07
Don't ask me how, but they're created.
367
1195804
2470
อย่าถามผมว่ามันถูกสร้างอย่างไร
แต่พวกมันถูกสร้างขึ้น
แต่พวกมันถูกสร้างขึ้น
20:10
And it takes them about a million
years to settle out.
years to settle out.
368
1198298
3080
และมันใช้เวลาประมาณล้านปี
เพื่อให้เข้าที่
เพื่อให้เข้าที่
20:14
So, in steady state,
369
1202132
2176
ฉะนั้น ในระยะที่คงที่
20:16
there are about two million stars
in formation at any time.
in formation at any time.
370
1204332
3848
มีดาวประมาณสองล้านดวง
ที่ถูกสร้างขึ้นได้ตลอดเวลา
ที่ถูกสร้างขึ้นได้ตลอดเวลา
20:20
That one is somewhere
along this settling-down period.
along this settling-down period.
371
1208204
3458
นั่นเป็นสักแห่งหนึ่ง
ในระยะที่จะเข้าที่
ในระยะที่จะเข้าที่
20:24
And there's all this crap
sort of circling around it,
sort of circling around it,
372
1212067
2936
และมันก็มีขยะเหล่านี้
วนเวียนอยู่รอบๆ
วนเวียนอยู่รอบๆ
20:27
dust and stuff.
373
1215027
1498
ฝุ่น และอะไรพวกนั้น
20:29
And it'll form probably a solar system,
or whatever it forms.
or whatever it forms.
374
1217479
3023
และมันอาจจะก่อตัวเป็นระบบสุริยจักรวาล
หรืออะไรก็ตามแต่
หรืออะไรก็ตามแต่
20:32
But here's the thing --
375
1220526
2176
แต่ที่สำคัญก็คือ --
20:34
in this dust that surrounds a forming star
376
1222726
6348
ในฝุ่นเหล่านี้ที่วนเวียน
อยู่รอบๆ ดาวที่กำลังก่อกำเนิด
อยู่รอบๆ ดาวที่กำลังก่อกำเนิด
20:41
have been found, now,
significant organic molecules.
significant organic molecules.
377
1229098
6035
ถูกพบว่ามีโมเลกุลอินทรีย์อย่างมีนัยสำคัญ
20:47
Molecules not just like methane,
but formaldehyde and cyanide --
but formaldehyde and cyanide --
378
1235958
6139
โมเลกุลไม่ใช่แค่ที่เหมือนมีเธน
แต่เป็นฟอร์มาดิไฮด์ และไซยาไนด์ --
แต่เป็นฟอร์มาดิไฮด์ และไซยาไนด์ --
20:54
things that are the building blocks --
the seeds, if you will -- of life.
the seeds, if you will -- of life.
379
1242121
6517
สิ่งที่เป็นโครงสร้างหลัก --
และเป็นต้นกำเนิดของชีวิต จะว่าอย่างนั้นก็ได้
และเป็นต้นกำเนิดของชีวิต จะว่าอย่างนั้นก็ได้
21:01
So, that may be typical.
380
1249136
2692
ฉะนั้น มันอาจเป็นอะไรที่คาดเดาได้
21:04
And it may be typical
that planets around the universe
that planets around the universe
381
1252395
6934
และมันอาจะเป็นอะไรที่เดาได้
ว่าดาวเคราะห์ทั่วไปในจักรวาล
ว่าดาวเคราะห์ทั่วไปในจักรวาล
21:11
start off with some of these
basic building blocks.
basic building blocks.
382
1259353
3612
เริ่มต้นจากบางโครงสร้างหลากพื้นฐานเหล่านี้
21:15
Now does that mean
there's going to be life all around?
there's going to be life all around?
383
1263830
2715
ทีนี้ นั่นมันหมายความว่า
มันจะมีสิ่งมีชีวิตอยู่ทั่วไปงั้นหรือ
มันจะมีสิ่งมีชีวิตอยู่ทั่วไปงั้นหรือ
21:18
Maybe.
384
1266569
1364
ก็บางที
21:19
But it's a question
of how tortuous this path is
of how tortuous this path is
385
1267957
4127
แต่มันเป็นคำถามที่ว่าหนทางนี้
มันซับซ้อนแค่ไหน
มันซับซ้อนแค่ไหน
21:24
from those frail beginnings,
those seeds, all the way to life.
those seeds, all the way to life.
386
1272108
4394
จากพวกนั้น ที่เริ่มต้นบอบบาง
เมล็ดเหล่านั้น เรื่อยมาจนเป็นชีวิต
เมล็ดเหล่านั้น เรื่อยมาจนเป็นชีวิต
21:28
And most of those seeds
will fall on fallow planets.
will fall on fallow planets.
387
1276526
5192
และเมล็ดส่วนใหญ่เหล่านี้
จะตกลงสู่โลกที่รกร้าง
จะตกลงสู่โลกที่รกร้าง
21:33
CA: So for you, personally,
388
1281742
1409
คริส: ฉะนั้นสำหรับคุณ โดยส่วนตัวเลย
21:35
finding an answer to this question
of where we came from,
of where we came from,
389
1283175
2722
การค้นหาคำตอบให้กับคำถามที่ว่า
เรามาจากไหน
เรามาจากไหน
21:37
of how did this thing happen,
that is something you would love to see.
that is something you would love to see.
390
1285921
3658
สิ่งนี้เกิดขึ้นได้อย่างไร
เป็นอะไรบางอย่างที่คุณอยากจะได้เห็น
เป็นอะไรบางอย่างที่คุณอยากจะได้เห็น
21:41
JS: Would love to see.
391
1289603
1786
จิม: อยากจะเห็นมากครับ
21:43
And like to know --
392
1291413
1490
และอยากที่จะรู้ --
21:44
if that path is tortuous enough,
and so improbable,
and so improbable,
393
1292927
5170
ถ้าหากหนทางนั้นซับซ้อนเหลือเกิน
และแทบจะเป็นไปไม่ได้
และแทบจะเป็นไปไม่ได้
21:50
that no matter what you start with,
we could be a singularity.
we could be a singularity.
394
1298121
4754
ไม่ว่าคุณจะเริ่มต้นด้วยอะไร
คุณก็อาจมีความโดดเด่นเป็นเอกภาพได้
คุณก็อาจมีความโดดเด่นเป็นเอกภาพได้
21:55
But on the other hand,
395
1303336
1152
แต่ในอีกแง่หนึ่ง
21:56
given all this organic dust
that's floating around,
that's floating around,
396
1304512
3478
เทียบได้เสมือนธุลีอินทรีย์นี้ทั้งหมด
ที่กำลังล่องลอยอยู่
ที่กำลังล่องลอยอยู่
22:00
we could have lots of friends out there.
397
1308014
3791
เราก็สามารถมีเพื่อนมากมายในโลกกว้าง
22:04
It'd be great to know.
398
1312947
1161
มันคงจะดีมากถ้าได้รู้
22:06
CA: Jim, a couple of years ago,
I got the chance to speak with Elon Musk,
I got the chance to speak with Elon Musk,
399
1314132
3480
คริส: จิม สองสามปีมานี้
ผมได้มีโอกาสพูดกับ อีลอน มัสค์
ผมได้มีโอกาสพูดกับ อีลอน มัสค์
22:09
and I asked him the secret of his success,
400
1317636
2837
และผมถามเขาถึงความลับความสำเร็จของเขา
22:12
and he said taking
physics seriously was it.
physics seriously was it.
401
1320497
3691
และเขาก็จริงจังกับฟิสิกส์ใช่ไหมครับ
22:16
Listening to you, what I hear you saying
is taking math seriously,
is taking math seriously,
402
1324696
4003
ฟังคุณแล้ว ที่ผมได้ยินจากคุณก็คือ
ให้จริงจังกับคณิตศาสตร์
ให้จริงจังกับคณิตศาสตร์
22:20
that has infused your whole life.
403
1328723
3003
ที่อบอวนอยู่กับคุณมาทั้งชีวิต
22:24
It's made you an absolute fortune,
and now it's allowing you to invest
and now it's allowing you to invest
404
1332123
4563
มันทำให้อนาคตที่ไม่มีขอบเขตกับคุณ
และตอนนี้ มันอนุญาตให้คุณตรวจสอบ
และตอนนี้ มันอนุญาตให้คุณตรวจสอบ
22:28
in the futures of thousands and thousands
of kids across America and elsewhere.
of kids across America and elsewhere.
405
1336710
4496
ในอนาคตของคนพันล้านและเด็กพันล้าน
ทั่วแอฟริกาและที่อื่นๆ
ทั่วแอฟริกาและที่อื่นๆ
22:33
Could it be that science actually works?
406
1341567
2858
มันจะเป็นวิทยาศาสตร์ได้ไหมที่ได้ผล
22:36
That math actually works?
407
1344449
2772
เป็นไปได้ไหมที่คณิตศาสตร์จะได้ผล
22:39
JS: Well, math certainly works.
Math certainly works.
Math certainly works.
408
1347245
4372
จิม: ครับ คณิตศาสตร์มันได้ผลแน่ๆ
คณิตศาสตร์ได้ผลอย่างแน่นอน
คณิตศาสตร์ได้ผลอย่างแน่นอน
22:43
But this has been fun.
409
1351641
1198
แต่มันก็สนุกดีครับ
22:44
Working with Marilyn and giving it away
has been very enjoyable.
has been very enjoyable.
410
1352863
4946
การที่ได้ทำงานกับมาริลิน และ
การได้มาปล่อยมันออกไปก็เป็นอะไรที่เพลินมากๆ
การได้มาปล่อยมันออกไปก็เป็นอะไรที่เพลินมากๆ
22:49
CA: I just find it --
it's an inspirational thought to me,
it's an inspirational thought to me,
411
1357833
2936
คริส: ผมเพิ่งรู้ว่า --
มันเป็นแนวคิดที่สร้างแรงบันดาลใจสำหรับผม
มันเป็นแนวคิดที่สร้างแรงบันดาลใจสำหรับผม
22:52
that by taking knowledge seriously,
so much more can come from it.
so much more can come from it.
412
1360793
4007
ที่ว่าการจริงจังกับความรู้
ให้อะไรมากกว่าที่คิด
ให้อะไรมากกว่าที่คิด
22:56
So thank you for your amazing life,
and for coming here to TED.
and for coming here to TED.
413
1364824
3018
ขอขอบคุณมากสำหรับชีวิตที่น่าทึ่งของคุณ
และขอบคุณที่มาที่ TED ครับ
และขอบคุณที่มาที่ TED ครับ
22:59
Thank you.
414
1367866
751
ขอบคุณครับ
23:00
Jim Simons!
415
1368651
1101
จิม ไซม่อนส์ ครับ
23:01
(Applause)
416
1369806
4380
(เสียงปรบมือ)
Translated by Kelwalin Dhanasarnsombut
ABOUT THE SPEAKER
Jim Simons - Philanthropist, mathematicianAfter astonishing success as a mathematician, code breaker and billionaire hedge fund manager, Jim Simons is mastering yet another field: philanthropy.
Why you should listen
As a mathematician who cracked codes for the National Security Agency on the side, Jim Simons had already revolutionized geometry -- and incidentally laid the foundation for string theory -- when he began to get restless. Along with a few hand-picked colleagues he started the investment firm that went on to become Renaissance, a hedge fund working with hitherto untapped algorithms, and became a billionaire in the process.
Now retired as Renaissance’s CEO, Simons devotes his time to mathematics and philanthropy. The Simons Foundation has committed more than a billion dollars to math and science education and to autism research.
Jim Simons | Speaker | TED.com