TED2010
Stephen Wolfram: Computing a theory of all knowledge
Stephen Wolfram: Computando hacia una teoría de todo
Filmed:
Readability: 4.4
1,811,819 views
Stephen Wolfram, el creador de Mathematica, habla de su búsqueda para lograr hacer del todo el conocimiento, algo computable; que pueda ser buscado, procesado y manipulado. Su nuevo motor de búsqueda, el Wolfram Alpha, tiene el inmenso objetivo de modelar y explicar la física que subyace al universo.
Stephen Wolfram - Scientist, inventor
Stephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research. Full bio
Stephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research. Full bio
Double-click the English transcript below to play the video.
00:16
So I want to talk today about an idea. It's a big idea.
0
1000
3000
Me gustaría hablar hoy sobre una idea. Es una gran idea.
00:19
Actually, I think it'll eventually
1
4000
2000
De hecho, creo que eventualmente
00:21
be seen as probably the single biggest idea
2
6000
2000
será vista probablemente como la idea más grande
00:23
that's emerged in the past century.
3
8000
2000
que haya surgido en el siglo pasado.
00:25
It's the idea of computation.
4
10000
2000
Es la idea de la computación.
00:27
Now, of course, that idea has brought us
5
12000
2000
Ahora bien, esta idea nos ha traído
00:29
all of the computer technology we have today and so on.
6
14000
3000
toda la tecnología computacional que tenemos hoy en día.
00:32
But there's actually a lot more to computation than that.
7
17000
3000
Pero hay más en la computación que todo eso.
00:35
It's really a very deep, very powerful, very fundamental idea,
8
20000
3000
Es una idea muy profunda, muy poderosa, muy fundamental,
00:38
whose effects we've only just begun to see.
9
23000
3000
cuyos efectos estamos justo empezando a vislumbrar
00:41
Well, I myself have spent the past 30 years of my life
10
26000
3000
Bueno, yo mismo he pasado 30 años de mi vida
00:44
working on three large projects
11
29000
2000
trabajando sobre tres grandes proyectos
00:46
that really try to take the idea of computation seriously.
12
31000
3000
que realmente intentan tomarse la idea de la computación en serio.
00:50
So I started off at a young age as a physicist
13
35000
3000
Así comencé desde una temprana edad como físico
00:53
using computers as tools.
14
38000
2000
utilizando computadoras como herramientas.
00:55
Then, I started drilling down,
15
40000
2000
Luego, comencé como a hilar más finamente
00:57
thinking about the computations I might want to do,
16
42000
2000
pensando acerca de los cálculos (computaciones) que me gustaría hacer,
00:59
trying to figure out what primitives they could be built up from
17
44000
3000
intentando descifrar sobre qué primitivas podrían construirse
01:02
and how they could be automated as much as possible.
18
47000
3000
y cómo se podrían automatizar al máximo.
01:05
Eventually, I created a whole structure
19
50000
2000
Finalmente, creé una estructura completa
01:07
based on symbolic programming and so on
20
52000
2000
basada en la programación simbólica, etcétera
01:09
that let me build Mathematica.
21
54000
2000
que me permitió construir Mathematica.
01:11
And for the past 23 years, at an increasing rate,
22
56000
2000
Y durante los últimos 23 años, cada vez más rápido,
01:13
we've been pouring more and more ideas
23
58000
2000
hemos estado volcando más y más ideas
01:15
and capabilities and so on into Mathematica,
24
60000
2000
y capacidades, etcétera, en Mathematica,
01:17
and I'm happy to say that that's led to many good things
25
62000
3000
y estoy contento de decir que ha llevado a muchas cosas buenas
01:20
in R & D and education,
26
65000
2000
en Investigación y Desarrollo y en educación,
01:22
lots of other areas.
27
67000
2000
y en muchas otras áreas.
01:24
Well, I have to admit, actually,
28
69000
2000
Bueno, debo admitir, de hecho,
01:26
that I also had a very selfish reason for building Mathematica:
29
71000
3000
que yo tenía una razón muy egoísta para construir Mathematica.
01:29
I wanted to use it myself,
30
74000
2000
Quería usarla yo mismo,
01:31
a bit like Galileo got to use his telescope
31
76000
2000
un poco como Galileo llegó a usar su telescopio
01:33
400 years ago.
32
78000
2000
hace 400 años.
01:35
But I wanted to look not at the astronomical universe,
33
80000
3000
Pero yo no quería ver el universo astronómico,
01:38
but at the computational universe.
34
83000
3000
sino el universo computacional.
01:41
So we normally think of programs as being
35
86000
2000
Habitualmente pensamos que los programas
01:43
complicated things that we build
36
88000
2000
son estas complicadas cosas que construimos
01:45
for very specific purposes.
37
90000
2000
para fines muy específicos.
01:47
But what about the space of all possible programs?
38
92000
3000
¿Pero qué ocurre con el espacio de todos los programas posibles?
01:50
Here's a representation of a really simple program.
39
95000
3000
Aquí vemos una representación de un programa simple.
01:53
So, if we run this program,
40
98000
2000
Así que si ejecutamos este programa,
01:55
this is what we get.
41
100000
2000
esto es lo que obtenemos.
01:57
Very simple.
42
102000
2000
Muy simple.
01:59
So let's try changing the rule
43
104000
2000
Así que intentemos cambiando las reglas
02:01
for this program a little bit.
44
106000
2000
de este programa un poco.
02:03
Now we get another result,
45
108000
2000
Ahora obtenemos otro resultado,
02:05
still very simple.
46
110000
2000
todavía muy sencillo.
02:07
Try changing it again.
47
112000
3000
Probemos cambiando de nuevo.
02:10
You get something a little bit more complicated.
48
115000
2000
Obtenemos algo un poco más complicado,
02:12
But if we keep running this for a while,
49
117000
2000
y si lo seguimos ejecutando durante un tiempo,
02:14
we find out that although the pattern we get is very intricate,
50
119000
3000
encontramos que, a pesar de que el patrón es intrincado,
02:17
it has a very regular structure.
51
122000
3000
tiene una estructura muy regular.
02:20
So the question is: Can anything else happen?
52
125000
3000
Entonces la pregunta es: ¿Puede ocurrir algo más?
02:23
Well, we can do a little experiment.
53
128000
2000
Bien, podemos hacer un pequeño experimento.
02:25
Let's just do a little mathematical experiment, try and find out.
54
130000
3000
Hagamos un experimento matemático, probemos y veremos.
02:29
Let's just run all possible programs
55
134000
3000
Simplemente ejecutemos todos los programas posibles
02:32
of the particular type that we're looking at.
56
137000
2000
del mismo tipo al que estamos viendo.
02:34
They're called cellular automata.
57
139000
2000
Se llaman autómatas celulares.
02:36
You can see a lot of diversity in the behavior here.
58
141000
2000
Se puede observar mucha diversidad de comportamiento aquí.
02:38
Most of them do very simple things,
59
143000
2000
La mayoría hace cosas muy simples.
02:40
but if you look along all these different pictures,
60
145000
2000
Pero si uno mira a lo largo de todos estos dibujos,
02:42
at rule number 30,
61
147000
2000
en la regla número 30,
02:44
you start to see something interesting going on.
62
149000
2000
uno comienza a ver que sucede algo interesante.
02:46
So let's take a closer look
63
151000
2000
Así que veamos más de cerca
02:48
at rule number 30 here.
64
153000
2000
a la regla 30 aquí.
02:50
So here it is.
65
155000
2000
Aquí está.
02:52
We're just following this very simple rule at the bottom here,
66
157000
3000
Tan solo estamos siguiendo esta regla aquí debajo,
02:55
but we're getting all this amazing stuff.
67
160000
2000
pero estamos generando todo este material asombroso.
02:57
It's not at all what we're used to,
68
162000
2000
No es nada parecido a lo que estamos habituados,
02:59
and I must say that, when I first saw this,
69
164000
2000
y debo decir que, cuando ví esto por primera vez,
03:01
it came as a huge shock to my intuition.
70
166000
3000
me impactó directamente sobre mi intuición,
03:04
And, in fact, to understand it,
71
169000
2000
y, de hecho, para comprenderlo,
03:06
I eventually had to create
72
171000
2000
en su momento tuve que crear
03:08
a whole new kind of science.
73
173000
2000
una ciencia totalmente nueva.
03:11
(Laughter)
74
176000
2000
(risas)
03:13
This science is different, more general,
75
178000
3000
Esta ciencia es distinta, más general,
03:16
than the mathematics-based science that we've had
76
181000
2000
que la ciencia basada en las matemáticas que hemos tenido
03:18
for the past 300 or so years.
77
183000
3000
en los últimos 300 años, apoximadamente.
03:21
You know, it's always seemed like a big mystery:
78
186000
2000
Uds saben, siempre fue como un gran misterio
03:23
how nature, seemingly so effortlessly,
79
188000
3000
cómo la naturaleza, aparentemente sin esfuerzo
03:26
manages to produce so much
80
191000
2000
logra producir tanto
03:28
that seems to us so complex.
81
193000
3000
que nos parece tan complejo.
03:31
Well, I think we've found its secret:
82
196000
3000
Bueno, me parece que encontramos su secreto.
03:34
It's just sampling what's out there in the computational universe
83
199000
3000
Está haciendo un muestreo de lo que está allí, en el universo computacional
03:37
and quite often getting things like Rule 30
84
202000
3000
y muy a menudo, logra resultados como la regla 30
03:40
or like this.
85
205000
3000
o como esto.
03:44
And knowing that starts to explain
86
209000
2000
Y saber esto, comienza a explicar
03:46
a lot of long-standing mysteries in science.
87
211000
3000
muchos de los viejos misterios de la ciencia.
03:49
It also brings up new issues, though,
88
214000
2000
También propone nuevos temas,
03:51
like computational irreducibility.
89
216000
3000
como la irreducibilidad computacional.
03:54
I mean, we're used to having science let us predict things,
90
219000
3000
Lo que digo es, estamos habituados a que la ciencia prediga cosas,
03:57
but something like this
91
222000
2000
pero algo como esto
03:59
is fundamentally irreducible.
92
224000
2000
es fundamentalmente irreducible.
04:01
The only way to find its outcome
93
226000
2000
La única forma de ver su resultado
04:03
is, effectively, just to watch it evolve.
94
228000
3000
es, efectivamente, tan solo verlo evolucionar.
04:06
It's connected to, what I call,
95
231000
2000
Está conectado a, lo que yo llamo
04:08
the principle of computational equivalence,
96
233000
2000
principio de la equivalencia computacional
04:10
which tells us that even incredibly simple systems
97
235000
3000
que nos dice que aún los sistemas más simples
04:13
can do computations as sophisticated as anything.
98
238000
3000
pueden realizar cómputos tan sofisticados como sea.
04:16
It doesn't take lots of technology or biological evolution
99
241000
3000
No se necesita mucha tecnología o evolución biológica
04:19
to be able to do arbitrary computation;
100
244000
2000
para poder realizar computación arbitraria,
04:21
just something that happens, naturally,
101
246000
2000
es tan sólo algo que ocurre, de forma natural
04:23
all over the place.
102
248000
2000
en todas partes.
04:25
Things with rules as simple as these can do it.
103
250000
3000
Cosas con reglas tan simples como éstas pueden hacerlo.
04:29
Well, this has deep implications
104
254000
2000
Bueno, esto tiene consecuencias profundas
04:31
about the limits of science,
105
256000
2000
sobre los límites de la ciencia,
04:33
about predictability and controllability
106
258000
2000
acerca de la predictibilidad y controlabilidad
04:35
of things like biological processes or economies,
107
260000
3000
de cosas como procesos biológicos o economías,
04:38
about intelligence in the universe,
108
263000
2000
acerca de la inteligencia del universo,
04:40
about questions like free will
109
265000
2000
acerca de preguntas como el libre albedrío
04:42
and about creating technology.
110
267000
3000
y acerca de crear tecnología.
04:45
You know, in working on this science for many years,
111
270000
2000
Uds saben, trabajando sobre esta ciencia por muchos años,
04:47
I kept wondering,
112
272000
2000
siempre me pregunté,
04:49
"What will be its first killer app?"
113
274000
2000
"Cuál va a ser su primera aplicación asesina (killer app)?"
04:51
Well, ever since I was a kid,
114
276000
2000
Bien, desde que era niño,
04:53
I'd been thinking about systematizing knowledge
115
278000
2000
he estado pensando acerca de sistematizar el conocimiento
04:55
and somehow making it computable.
116
280000
2000
y de alguna manera hacerlo computable.
04:57
People like Leibniz had wondered about that too
117
282000
2000
Gente como Leibniz se habían preguntado eso también
04:59
300 years earlier.
118
284000
2000
300 años antes.
05:01
But I'd always assumed that to make progress,
119
286000
2000
Pero siempre creí que para progresar,
05:03
I'd essentially have to replicate a whole brain.
120
288000
3000
tendría que, esencialmente, replicar un cerebro completo.
05:06
Well, then I got to thinking:
121
291000
2000
Bien, eso me hizo pensar:
05:08
This scientific paradigm of mine suggests something different --
122
293000
3000
Este paradigma científico mío sugiere algo distinto.
05:11
and, by the way, I've now got
123
296000
2000
Y, dicho sea de paso, ahora tengo
05:13
huge computation capabilities in Mathematica,
124
298000
3000
inmensas capacidades computacionales en Mathematica,
05:16
and I'm a CEO with some worldly resources
125
301000
3000
y soy un CEO con recursos en el mundo
05:19
to do large, seemingly crazy, projects --
126
304000
3000
para realizar proyectos aparentemente locos.
05:22
So I decided to just try to see
127
307000
2000
Así que decidí simplemente intentarlo y ver
05:24
how much of the systematic knowledge that's out there in the world
128
309000
3000
cuánto conocimiento sistemático que se encuentra en el mundo
05:27
we could make computable.
129
312000
2000
podemos hacer computable.
05:29
So, it's been a big, very complex project,
130
314000
2000
Ha sido un proyecto grande, muy complejo,
05:31
which I was not sure was going to work at all.
131
316000
3000
del que yo no estaba seguro si iba a funcionar.
05:34
But I'm happy to say it's actually going really well.
132
319000
3000
Pero estoy feliz de decir que de hecho está funcionando muy bien.
05:37
And last year we were able
133
322000
2000
Y el año pasado logramos
05:39
to release the first website version
134
324000
2000
lanzar la primera versión en website
05:41
of Wolfram Alpha.
135
326000
2000
de Wolfram Alpha.
05:43
Its purpose is to be a serious knowledge engine
136
328000
3000
Su propósito es ser un motor de búsqueda de conocimiento
05:46
that computes answers to questions.
137
331000
3000
realmente serio que compute las respuestas a preguntas.
05:49
So let's give it a try.
138
334000
2000
Así que démosle una oportunidad.
05:51
Let's start off with something really easy.
139
336000
2000
Comencemos con algo realmente fácil.
05:53
Hope for the best.
140
338000
2000
Esperemos lo mejor.
05:55
Very good. Okay.
141
340000
2000
Muy bien. OK.
05:57
So far so good.
142
342000
2000
Hasta aquí, todo bien.
05:59
(Laughter)
143
344000
3000
(risas)
06:02
Let's try something a little bit harder.
144
347000
3000
Probemos algo un poco más difícil.
06:05
Let's do
145
350000
2000
Digamos...
06:07
some mathy thing,
146
352000
3000
Hagamos algo matemático
06:10
and with luck it'll work out the answer
147
355000
3000
y con suerte, logrará la respuesta
06:13
and try and tell us some interesting things
148
358000
2000
e intentará decirnos algunas cosas interesantes,
06:15
things about related math.
149
360000
2000
cosas sobre la matemática relacionada.
06:17
We could ask it something about the real world.
150
362000
3000
Le podemos preguntar algo sobre el mundo real.
06:20
Let's say -- I don't know --
151
365000
2000
Digamos, no sé...
06:22
what's the GDP of Spain?
152
367000
3000
¿Cuál es es producto bruto interno de España?
06:25
And it should be able to tell us that.
153
370000
2000
Y debería poder decirnos eso.
06:27
Now we could compute something related to this,
154
372000
2000
Ahora podríamos computar algo relacionado con esto,
06:29
let's say ... the GDP of Spain
155
374000
2000
digamos el PBI de España
06:31
divided by, I don't know,
156
376000
2000
dividido por, no sé,
06:33
the -- hmmm ...
157
378000
2000
el... ehm...
06:35
let's say the revenue of Microsoft.
158
380000
2000
digamos las ganancias de Microsoft.
06:37
(Laughter)
159
382000
2000
(risas)
06:39
The idea is that we can just type this in,
160
384000
2000
la idea es que podamos tan solo escribir esto aquí
06:41
this kind of question in, however we think of it.
161
386000
3000
esta pregunta en la forma que la pensemos.
06:44
So let's try asking a question,
162
389000
2000
Así que intentemos una pregunta,
06:46
like a health related question.
163
391000
2000
como una pregunta relacionada con la salud.
06:48
So let's say we have a lab finding that ...
164
393000
3000
Digamos que tenemos un resultado de laboratorio que...
06:51
you know, we have an LDL level of 140
165
396000
2000
ustedes saben, tenemos un nivel de LDL de 140
06:53
for a male aged 50.
166
398000
3000
para un hombre de 50 años.
06:56
So let's type that in, and now Wolfram Alpha
167
401000
2000
Entonces escribamos esto, y ahora Wolfram Alpha
06:58
will go and use available public health data
168
403000
2000
irá y utilizará la información pública disponible
07:00
and try and figure out
169
405000
2000
e intentará resolver
07:02
what part of the population that corresponds to and so on.
170
407000
3000
a qué porción de la población corresponde esto y demás.
07:05
Or let's try asking about, I don't know,
171
410000
3000
O intentemos preguntar acerca de, no sé,
07:08
the International Space Station.
172
413000
2000
la estación espacial internacional.
07:10
And what's happening here is that
173
415000
2000
Y lo que ocurre aquí es que
07:12
Wolfram Alpha is not just looking up something;
174
417000
2000
Wolfram Alpha no está simplemente buscando algo;
07:14
it's computing, in real time,
175
419000
3000
está computando, en tiempo real,
07:17
where the International Space Station is right now at this moment,
176
422000
3000
dónde se encuentra la estación espacial internacional ahora,
07:20
how fast it's going, and so on.
177
425000
3000
en este momento, a qué velocidad va y demás datos.
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
429000
3000
Entonces Wolfram Alpha sabe acerca de muchos tipos de cosas.
07:27
It's got, by now,
179
432000
2000
A esta altura tiene,
07:29
pretty good coverage of everything you might find
180
434000
2000
una muy buena cobertura de cualquier cosa que uno encuentre
07:31
in a standard reference library.
181
436000
3000
en una biblioteca de referencia típica y demás.
07:34
But the goal is to go much further
182
439000
2000
Pero el objetivo es ir mucho más allá
07:36
and, very broadly, to democratize
183
441000
3000
y, a grandes rasgos, democratizar
07:39
all of this knowledge,
184
444000
3000
todo este tipo de conocimiento,
07:42
and to try and be an authoritative
185
447000
2000
e intentar ser una fuente de autoridad
07:44
source in all areas.
186
449000
2000
en todas las áreas,
07:46
To be able to compute answers to specific questions that people have,
187
451000
3000
de ser capaz de computar respuestas a preguntas específicas que la gente tenga,
07:49
not by searching what other people
188
454000
2000
no buscando lo que otra gente
07:51
may have written down before,
189
456000
2000
haya escrito antes,
07:53
but by using built in knowledge
190
458000
2000
sino utilizando el conocimiento interno
07:55
to compute fresh new answers to specific questions.
191
460000
3000
para computar respuestas nuevas y frescas a una pregunta específca.
07:58
Now, of course, Wolfram Alpha
192
463000
2000
Ahora, por supuesto, Wolfram Alpha
08:00
is a monumentally huge, long-term project
193
465000
2000
es un proyecto monumentalmente grande y a largo plazo
08:02
with lots and lots of challenges.
194
467000
2000
con muchos y muchos desafíos.
08:04
For a start, one has to curate a zillion
195
469000
3000
Para empezar, uno debe seleccionar de entre millones
08:07
different sources of facts and data,
196
472000
3000
de fuentes de datos y hechos,
08:10
and we built quite a pipeline of Mathematica automation
197
475000
3000
y construimos una gran vía de sistemas automáticos en Mathematica
08:13
and human domain experts for doing this.
198
478000
3000
y expertos humanos para lograr esto.
08:16
But that's just the beginning.
199
481000
2000
Pero eso es tan sólo el comienzo.
08:18
Given raw facts or data
200
483000
2000
Una vez proporcionados los datos en crudo
08:20
to actually answer questions,
201
485000
2000
para contestar realmente las preguntas
08:22
one has to compute:
202
487000
2000
uno debe computar,
08:24
one has to implement all those methods and models
203
489000
2000
uno debe implementar todos esos métodos y modelos
08:26
and algorithms and so on
204
491000
2000
y algoritmos y demás
08:28
that science and other areas have built up over the centuries.
205
493000
3000
que la ciencia y otras áreas han construido a través de los siglos.
08:31
Well, even starting from Mathematica,
206
496000
3000
Bueno, aún comenzando desde Mathematica,
08:34
this is still a huge amount of work.
207
499000
2000
esto representa una cantidad inmensa de trabajo.
08:36
So far, there are about 8 million lines
208
501000
2000
Hasta ahora, existen unas 8 millones de líneas
08:38
of Mathematica code in Wolfram Alpha
209
503000
2000
de código de Mathematica en Wolfram Alpha.
08:40
built by experts from many, many different fields.
210
505000
3000
elaboradas por expertos de muchos, muchos campos.
08:43
Well, a crucial idea of Wolfram Alpha
211
508000
3000
Bueno, una idea crucial de Wolfram Alpha
08:46
is that you can just ask it questions
212
511000
2000
es que uno le pueda simplemente hacer preguntas
08:48
using ordinary human language,
213
513000
3000
utilizando lenguaje humano común,
08:51
which means that we've got to be able to take
214
516000
2000
lo que significa que debemos ser capaces de tomar
08:53
all those strange utterances that people type into the input field
215
518000
3000
todas esas frases extrañas que la gente tipea en el campo de ingreso
08:56
and understand them.
216
521000
2000
y entenderlas.
08:58
And I must say that I thought that step
217
523000
2000
Y debo admitir que yo pensé que ese paso
09:00
might just be plain impossible.
218
525000
3000
podría ser directamente imposible.
09:04
Two big things happened:
219
529000
2000
Dos grandes cosas ocurrieron.
09:06
First, a bunch of new ideas about linguistics
220
531000
3000
Primero, un grupo de nuevas ideas sobre lingüística
09:09
that came from studying the computational universe;
221
534000
3000
que vinieron de estudiar el universo computacional.
09:12
and second, the realization that having actual computable knowledge
222
537000
3000
Y segundo, la noción de que tener conocimiento computable real
09:15
completely changes how one can
223
540000
2000
cambia completamente cómo uno puede
09:17
set about understanding language.
224
542000
3000
intentar comprender el lenguaje.
09:20
And, of course, now
225
545000
2000
Y, por supuesto, ahora
09:22
with Wolfram Alpha actually out in the wild,
226
547000
2000
con Wolfram Alpha suelto en el mundo,
09:24
we can learn from its actual usage.
227
549000
2000
podemos aprender de su uso real.
09:26
And, in fact, there's been
228
551000
2000
Y de hecho, ha sido
09:28
an interesting coevolution that's been going on
229
553000
2000
una co-evolución interesante la que ha estado ocurriendo
09:30
between Wolfram Alpha
230
555000
2000
entre Wolfram Alpha
09:32
and its human users,
231
557000
2000
y sus usuarios humanos.
09:34
and it's really encouraging.
232
559000
2000
Y es de veras alentador.
09:36
Right now, if we look at web queries,
233
561000
2000
Ahora mismo, si vemos estas búsquedas desde la web,
09:38
more than 80 percent of them get handled successfully the first time.
234
563000
3000
más del 80% logran ser respondidas en forma satisfactoria en el primer intento.
09:41
And if you look at things like the iPhone app,
235
566000
2000
Y si uno ve cosas como las aplicaciones para el iPhone,
09:43
the fraction is considerably larger.
236
568000
2000
la proporción es considerablemente mayor.
09:45
So, I'm pretty pleased with it all.
237
570000
2000
Por lo que estoy bastante satisfecho con todo esto.
09:47
But, in many ways,
238
572000
2000
Pero de varias maneras,
09:49
we're still at the very beginning with Wolfram Alpha.
239
574000
3000
estamos todavía en el inicio con Wolfram Alpha.
09:52
I mean, everything is scaling up very nicely
240
577000
2000
Quiero decir, todo parece estar creciendo muy bien
09:54
and we're getting more confident.
241
579000
2000
Estamos ganando confianza.
09:56
You can expect to see Wolfram Alpha technology
242
581000
2000
Ustedes pueden esperar ver más de la tecnología de Wolfram Alpha
09:58
showing up in more and more places,
243
583000
2000
apareciendo en más y más lugares,
10:00
working both with this kind of public data, like on the website,
244
585000
3000
trabajando tanto con este tipo de datos públicos, como en el sitio web,
10:03
and with private knowledge
245
588000
2000
y con datos privados
10:05
for people and companies and so on.
246
590000
3000
para clientes y compañías y demás.
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
593000
3000
Saben, me he dado cuenta que Wolfram Alpha le da a uno
10:11
a whole new kind of computing
248
596000
2000
un tipo totalmente nuevo de computación
10:13
that one can call knowledge-based computing,
249
598000
2000
que uno puede llamar computación basada en el conocimiento,
10:15
in which one's starting not just from raw computation,
250
600000
3000
en la que uno se inicia, no solo desde la computación neta,
10:18
but from a vast amount of built-in knowledge.
251
603000
3000
sino desde un vasto conocimiento ya construido.
10:21
And when one does that, one really changes
252
606000
2000
Y cuando uno hace eso, uno realmente cambia
10:23
the economics of delivering computational things,
253
608000
3000
la economía de la entrega de las cosas computables,
10:26
whether it's on the web or elsewhere.
254
611000
2000
ya sea en la web o en cualquier otro lugar.
10:28
You know, we have a fairly interesting situation right now.
255
613000
3000
Saben, tenemos una situación bastante interesante aquí, ahora.
10:31
On the one hand, we have Mathematica,
256
616000
2000
Por un lado, tenemos a Mathematica,
10:33
with its sort of precise, formal language
257
618000
3000
con su lenguaje un tanto preciso y formal
10:36
and a huge network
258
621000
2000
y una extensa red
10:38
of carefully designed capabilities
259
623000
2000
de capacidades cuidadosamente diseñadas
10:40
able to get a lot done in just a few lines.
260
625000
3000
capaz de lograr mucho en tan solo unas pocas líneas.
10:43
Let me show you a couple of examples here.
261
628000
3000
Déjenme mostrarles un par de ejemplos aquí.
10:47
So here's a trivial piece of Mathematica programming.
262
632000
3000
Aquí tenemos una pieza trivial de la programación de Mathematica.
10:51
Here's something where we're sort of
263
636000
2000
Aquí hay algo en lo que estamos
10:53
integrating a bunch of different capabilities here.
264
638000
3000
integrando un grupo de capacidades distintas si puede ser.
10:56
Here we'll just create, in this line,
265
641000
3000
Aquí, crearemos solo en esta línea
10:59
a little user interface that allows us to
266
644000
3000
una pequeña interfaz de usuario que nos permite
11:02
do something fun there.
267
647000
2000
hacer algo divertido aquí.
11:05
If you go on, that's a slightly more complicated program
268
650000
2000
Si uno sigue, ya se convierte en un programa más complicado
11:07
that's now doing all sorts of algorithmic things
269
652000
3000
que está haciendo todo tipo de cosas algorítmicas
11:10
and creating user interface and so on.
270
655000
2000
y creando la interfaz de usuario y demás.
11:12
But it's something that is very precise stuff.
271
657000
3000
Pero es algo que es material muy preciso.
11:15
It's a precise specification with a precise formal language
272
660000
3000
Es una indicación precisa con lenguaje preciso y formal
11:18
that causes Mathematica to know what to do here.
273
663000
3000
que logra que Mathematica sepa qué es lo que debe hacer aquí.
11:21
Then on the other hand, we have Wolfram Alpha,
274
666000
3000
Bien, por otro lado, tenemos a Wolfram Alpha,
11:24
with all the messiness of the world
275
669000
2000
con todo el revuelo del mundo
11:26
and human language and so on built into it.
276
671000
2000
y el lenguaje humano y demás ingresado en él.
11:28
So what happens when you put these things together?
277
673000
3000
Entonces ¿qué pasa si juntamos estas dos cosas?
11:31
I think it's actually rather wonderful.
278
676000
2000
Yo de hecho creo que es algo maravilloso.
11:33
With Wolfram Alpha inside Mathematica,
279
678000
2000
Con Wolfram Alpha dentro de Mathematica,
11:35
you can, for example, make precise programs
280
680000
2000
uno puede, por ejemplo, hacer programas precisos
11:37
that call on real world data.
281
682000
2000
que utilicen datos del mundo real.
11:39
Here's a real simple example.
282
684000
2000
Aquí tenemos un ejemplo realmente simple.
11:44
You can also just sort of give vague input
283
689000
3000
Uno también puede ingresar datos un tanto vagos
11:47
and then try and have Wolfram Alpha
284
692000
2000
y luego intentar que Wolfram Alpha
11:49
figure out what you're talking about.
285
694000
2000
intente deducir de qué estamos hablando.
11:51
Let's try this here.
286
696000
2000
Intentemos esto aquí.
11:53
But actually I think the most exciting thing about this
287
698000
3000
Pero de hecho creo que lo más interesante de esto
11:56
is that it really gives one the chance
288
701000
2000
es que le da a uno la posibilidad
11:58
to democratize programming.
289
703000
3000
de democratizar la programación.
12:01
I mean, anyone will be able to say what they want in plain language.
290
706000
3000
Quiero decir, cualquiera puede en lenguaje diario intentar decir qué quieren,
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
709000
3000
luego, la idea es que, Wolfram Alpha sea capaz de deducir
12:07
what precise pieces of code
292
712000
2000
las piezas precisas de código que
12:09
can do what they're asking for
293
714000
2000
puedan llevar a cabo lo que uno le está pidiendo
12:11
and then show them examples that will let them pick what they need
294
716000
3000
y luego mostrar ejemplos que permitan al usuario elegir lo que necesiten
12:14
to build up bigger and bigger, precise programs.
295
719000
3000
para construir programas cada vez más grandes y más precisos.
12:17
So, sometimes, Wolfram Alpha
296
722000
2000
Así que, a veces, Wolfram Alpha
12:19
will be able to do the whole thing immediately
297
724000
2000
podrá hacer todo de forma inmediata
12:21
and just give back a whole big program that you can then compute with.
298
726000
3000
y devolver el programa completo para que uno pueda computar.
12:24
Here's a big website
299
729000
2000
Entonces, aquí tenemos un gran sitio web
12:26
where we've been collecting lots of educational
300
731000
3000
en el cual hemos ido recolectando muchas demonstraciones
12:29
and other demonstrations about lots of kinds of things.
301
734000
3000
educativas y de muchas otras cosas.
12:32
I'll show you one example here.
302
737000
3000
Pues, no sé, les muestro un ejemplo, tal vez aquí.
12:36
This is just an example of one of these computable documents.
303
741000
3000
Este es tan solo un ejemplo de esos documentos computables.
12:39
This is probably a fairly small
304
744000
2000
Esto es posiblemente una pequeña porción
12:41
piece of Mathematica code
305
746000
2000
de código de Mathematica
12:43
that's able to be run here.
306
748000
2000
que puede ejecutarse aquí.
12:47
Okay. Let's zoom out again.
307
752000
3000
OK. Alejemos de nuevo el foco.
12:50
So, given our new kind of science,
308
755000
2000
Entonces, con nuestro nuevo tipo de ciencia,
12:52
is there a general way to use it to make technology?
309
757000
3000
¿existe una forma general de utilizarlo para hacer tecnología?
12:55
So, with physical materials,
310
760000
2000
Entonces, con materiales físicos,
12:57
we're used to going around the world
311
762000
2000
estamos habituados a andar por el mundo
12:59
and discovering that particular materials
312
764000
2000
y a descubrir que esos materiales en particular
13:01
are useful for particular
313
766000
2000
son útiles para propósitos
13:03
technological purposes.
314
768000
2000
tecnológicos en particular y demás.
13:05
Well, it turns out we can do very much the same kind of thing
315
770000
2000
Bueno, parece ser, que podemos hacer prácticamente lo mismo
13:07
in the computational universe.
316
772000
2000
en el universo computacional.
13:09
There's an inexhaustible supply of programs out there.
317
774000
3000
Existe una fuente inagotable de programas en el mundo.
13:12
The challenge is to see how to
318
777000
2000
El desafío es ver cómo
13:14
harness them for human purposes.
319
779000
2000
encauzarlos para propósitos humanos.
13:16
Something like Rule 30, for example,
320
781000
2000
Algo como la regla 30, por ejemplo,
13:18
turns out to be a really good randomness generator.
321
783000
2000
parece ser un muy buen generador de azar.
13:20
Other simple programs are good models
322
785000
2000
Otros programas simples son buenos modelos
13:22
for processes in the natural or social world.
323
787000
3000
de procesos en el mundo natural o en el mundo social.
13:25
And, for example, Wolfram Alpha and Mathematica
324
790000
2000
Y, por ejemplo, Wolfram Alpha y Mathematica
13:27
are actually now full of algorithms
325
792000
2000
están de hecho ahora llenos de algoritmos
13:29
that we discovered by searching the computational universe.
326
794000
3000
que decubrimos buscando en el universo computacional.
13:33
And, for example, this -- if we go back here --
327
798000
3000
Y, por ejemplo, esto - volvemos aquí-
13:37
this has become surprisingly popular
328
802000
2000
Esto es sorprendentemente popular
13:39
among composers
329
804000
2000
entre compositores
13:41
finding musical forms by searching the computational universe.
330
806000
3000
que buscan formas musicales en el universo computacional.
13:45
In a sense, we can use the computational universe
331
810000
2000
De alguna manera, podemos usar el universo computacional
13:47
to get mass customized creativity.
332
812000
3000
para lograr creatividad en masa personalizada.
13:50
I'm hoping we can, for example,
333
815000
2000
Estoy deseando poder, por ejemplo,
13:52
use that even to get Wolfram Alpha
334
817000
2000
utilizar Wolfram Alpha para que
13:54
to routinely do invention and discovery on the fly,
335
819000
3000
haga inventos y descubrimientos de forma rutinaria
13:57
and to find all sorts of wonderful stuff
336
822000
2000
y que logre hallar todo tipo de material fantástico
13:59
that no engineer
337
824000
2000
que ningún ingeniero
14:01
and no process of incremental evolution would ever come up with.
338
826000
3000
ni proceso de evolución gradual pueda lograr jamás.
14:05
Well, so, that leads to kind of an ultimate question:
339
830000
3000
Bien, eso nos lleva a la pregunta última.
14:08
Could it be that someplace out there in the computational universe
340
833000
3000
¿Puede que en algún lugar del universo computacional
14:11
we might find our physical universe?
341
836000
3000
encontremos nuestro universo físico?
14:14
Perhaps there's even some quite simple rule,
342
839000
2000
Tal vez exista una regla simple,
14:16
some simple program for our universe.
343
841000
3000
un programa simple para nuestro universo.
14:19
Well, the history of physics would have us believe
344
844000
2000
Bueno, la historia de la física nos hace creer que
14:21
that the rule for the universe must be pretty complicated.
345
846000
3000
la regla para el universo debe ser bastante complicada.
14:24
But in the computational universe,
346
849000
2000
Pero en el universo computacional
14:26
we've now seen how rules that are incredibly simple
347
851000
3000
ya hemos visto cuán simples son las reglas y
14:29
can produce incredibly rich and complex behavior.
348
854000
3000
cómo pueden producir comportamientos tan ricos y complejos.
14:32
So could that be what's going on with our whole universe?
349
857000
3000
Entonces, ¿puede ser que sea eso lo que ocurre con todo nuestro universo?
14:36
If the rules for the universe are simple,
350
861000
2000
Si las reglas para el universo son simples,
14:38
it's kind of inevitable that they have to be
351
863000
2000
es bastante inevitable que tengan que ser
14:40
very abstract and very low level;
352
865000
2000
muy abstractas y a niveles muy básicos,
14:42
operating, for example, far below
353
867000
2000
operando, por ejemplo, muy por debajo
14:44
the level of space or time,
354
869000
2000
del nivel del espacio o del tiempo,
14:46
which makes it hard to represent things.
355
871000
2000
lo que hace que la representación de las cosas sea difícil.
14:48
But in at least a large class of cases,
356
873000
2000
Pero en por lo menos una gran categoría de casos,
14:50
one can think of the universe as being
357
875000
2000
uno puede concebir el universo como
14:52
like some kind of network,
358
877000
2000
una especie de red,
14:54
which, when it gets big enough,
359
879000
2000
que, cuando llega a ser suficientemente grande
14:56
behaves like continuous space
360
881000
2000
se comporta como espacio continuo
14:58
in much the same way as having lots of molecules
361
883000
2000
de la misma manera que muchas moléculas
15:00
can behave like a continuous fluid.
362
885000
2000
pueden comportarse como un fluido continuo.
15:02
Well, then the universe has to evolve by applying
363
887000
3000
Bien, cuando el universo tiene que evolucionar aplica
15:05
little rules that progressively update this network.
364
890000
3000
pequeñas reglas que progresivamente actualizan su red.
15:08
And each possible rule, in a sense,
365
893000
2000
Y cada regla posible, de alguna manera,
15:10
corresponds to a candidate universe.
366
895000
2000
corresponde a un posible universo alternativo.
15:12
Actually, I haven't shown these before,
367
897000
3000
De hecho, nunca había mostrado esto antes,
15:16
but here are a few of the candidate universes
368
901000
3000
pero hay unos pocos universos alternativos
15:19
that I've looked at.
369
904000
2000
que he explorado.
15:21
Some of these are hopeless universes,
370
906000
2000
Algunos de ellos son universos sin futuro,
15:23
completely sterile,
371
908000
2000
completamente estériles,
15:25
with other kinds of pathologies like no notion of space,
372
910000
2000
con otras patologías como ausencia de espacio,
15:27
no notion of time, no matter,
373
912000
3000
ausencia de tiempo, sin materia,
15:30
other problems like that.
374
915000
2000
otros problemas como esos.
15:32
But the exciting thing that I've found in the last few years
375
917000
3000
Pero lo realmente asombroso que he hallado en los últimos años
15:35
is that you actually don't have to go very far
376
920000
2000
es que uno no tiene que ir de hecho muy lejos
15:37
in the computational universe
377
922000
2000
en el universo computacional
15:39
before you start finding candidate universes
378
924000
2000
para encontrar universos alternativos
15:41
that aren't obviously not our universe.
379
926000
3000
que obviamente no sean nuestro universo.
15:44
Here's the problem:
380
929000
2000
Aquí está el problema:
15:46
Any serious candidate for our universe
381
931000
3000
Cualquier candidato serio para nuestro universo,
15:49
is inevitably full of computational irreducibility.
382
934000
3000
está inevitablemente lleno de irreducibilidad computacional,
15:52
Which means that it is irreducibly difficult
383
937000
3000
lo que significa que es irreduciblemente difícil
15:55
to find out how it will really behave,
384
940000
2000
ver cómo se va a comportar realmente,
15:57
and whether it matches our physical universe.
385
942000
3000
y si de hecho coincide con nuestro universo físico.
16:01
A few years ago, I was pretty excited to discover
386
946000
3000
Algunos años atrás, me alegré mucho al descubrir
16:04
that there are candidate universes with incredibly simple rules
387
949000
3000
que hay universos alternativos con reglas increíblemente simples
16:07
that successfully reproduce special relativity,
388
952000
2000
que reproducen con éxito la relatividad especial
16:09
and even general relativity and gravitation,
389
954000
3000
también la relatividad general y la gravitación
16:12
and at least give hints of quantum mechanics.
390
957000
3000
y hasta nos dan indicios de mecánica cuántica.
16:15
So, will we find the whole of physics?
391
960000
2000
Entonces, ¿podremos encontrar el mundo de la física completo?
16:17
I don't know for sure,
392
962000
2000
No lo sé con seguridad.
16:19
but I think at this point it's sort of
393
964000
2000
Pero creo llegado este punto es casi
16:21
almost embarrassing not to at least try.
394
966000
2000
embarazoso no intentarlo.
16:23
Not an easy project.
395
968000
2000
No es un proyecto fácil.
16:25
One's got to build a lot of technology.
396
970000
2000
Uno debe construir mucha tecnología.
16:27
One's got to build a structure that's probably
397
972000
2000
Uno debe construir una estructura que sea posiblemente
16:29
at least as deep as existing physics.
398
974000
2000
tan profunda como la física ya existente.
16:31
And I'm not sure what the best way to organize the whole thing is.
399
976000
3000
Y no estoy seguro de cuál es la mejor manera de organizar todo eso.
16:34
Build a team, open it up, offer prizes and so on.
400
979000
3000
Crear un equipo, abrirlo al mundo, ofrecer premios y demás.
16:37
But I'll tell you, here today,
401
982000
2000
Pero les digo aquí ahora
16:39
that I'm committed to seeing this project done,
402
984000
2000
que me comprometo a ver este proyecto realizado,
16:41
to see if, within this decade,
403
986000
3000
para ver, si, dentro de esta década,
16:44
we can finally hold in our hands
404
989000
2000
podemos finalmente tener en nuestras manos
16:46
the rule for our universe
405
991000
2000
la regla de nuestro universo
16:48
and know where our universe lies
406
993000
2000
y saber dónde yace nuestro universo
16:50
in the space of all possible universes ...
407
995000
2000
en el espacio de todos los universos posibles
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
997000
3000
y podremos escribir en Wolfram Alpha "Teoría del universo",
16:55
and have it tell us.
409
1000000
2000
y que nos la cuente.
16:57
(Laughter)
410
1002000
2000
(risas)
17:00
So I've been working on the idea of computation
411
1005000
2000
Pues llevo trabajando en la idea de la computación
17:02
now for more than 30 years,
412
1007000
2000
durante más de 30 años,
17:04
building tools and methods and turning intellectual ideas
413
1009000
3000
creando herramientas y métodos y transformando ideas intelectuales
17:07
into millions of lines of code
414
1012000
2000
en millones de líneas de código
17:09
and grist for server farms and so on.
415
1014000
2000
y alimento para granjas de servidores y demás.
17:11
With every passing year,
416
1016000
2000
Con cada año que pasa,
17:13
I realize how much more powerful
417
1018000
2000
me doy cuenta cuánto más poderosa
17:15
the idea of computation really is.
418
1020000
2000
es la idea de la computación.
17:17
It's taken us a long way already,
419
1022000
2000
Nos ha llevado lejos ya,
17:19
but there's so much more to come.
420
1024000
2000
pero hay mucho más todavía por venir,
17:21
From the foundations of science
421
1026000
2000
desde las bases de la ciencia
17:23
to the limits of technology
422
1028000
2000
a los límites de la tecnología
17:25
to the very definition of the human condition,
423
1030000
2000
a la misma definición de la condición humana,
17:27
I think computation is destined to be
424
1032000
2000
yo creo la que computación está destinada a ser
17:29
the defining idea of our future.
425
1034000
2000
la idea que defina nuestro futuro.
17:31
Thank you.
426
1036000
2000
Gracias.
17:33
(Applause)
427
1038000
14000
(aplausos)
17:47
Chris Anderson: That was astonishing.
428
1052000
2000
Chris Anderson: Eso fue impresionante.
17:49
Stay here. I've got a question.
429
1054000
2000
Quédate aquí. Tengo una pregunta.
17:51
(Applause)
430
1056000
4000
(aplausos)
17:57
So, that was, fair to say, an astonishing talk.
431
1062000
3000
Es justo decir, que eso fue una charla asombrosa.
18:01
Are you able to say in a sentence or two
432
1066000
3000
¿Puedes decir en una o dos oraciones
18:04
how this type of thinking
433
1069000
3000
cómo este tipo de pensamiento
18:07
could integrate at some point
434
1072000
2000
pueda integrarse en elgún punto
18:09
to things like string theory or the kind of things that people think of
435
1074000
2000
con cosas como la teoría de cuerdas y el tipo de cosas que la gente cree
18:11
as the fundamental explanations of the universe?
436
1076000
3000
como los fundamentos de la explicación del universo?
18:14
Stephen Wolfram: Well, the parts of physics
437
1079000
2000
Stephen Wolfram: Bueno, las partes de la física
18:16
that we kind of know to be true,
438
1081000
2000
que tal vez sepamos que son ciertas,
18:18
things like the standard model of physics:
439
1083000
2000
cosas como el modelo estándar de física.
18:20
what I'm trying to do better reproduce the standard model of physics
440
1085000
3000
Lo que yo intento hacer más vale que reproduzca el modelo estándar de física
18:23
or it's simply wrong.
441
1088000
2000
o si no, simplemente está mal.
18:25
The things that people have tried to do in the last 25 years or so
442
1090000
2000
Las cosas que la gente ha intentado hacer en los últimos 25 años
18:27
with string theory and so on
443
1092000
2000
con la teoría de cuerdas y demás
18:29
have been an interesting exploration
444
1094000
2000
ha sido una exploración interesante
18:31
that has tried to get back to the standard model,
445
1096000
3000
que ha intentado volver al modelo estándar,
18:34
but hasn't quite gotten there.
446
1099000
2000
pero no han llegado del todo allí.
18:36
My guess is that some great simplifications of what I'm doing
447
1101000
3000
Mi idea es que algunas de las grandes simplificaciones que estoy haciendo
18:39
may actually have considerable resonance
448
1104000
3000
puedan de hecho tener una resonancia considerable
18:42
with what's been done in string theory,
449
1107000
2000
con lo que se ha hecho en la teoría de cuerdas,
18:44
but that's a complicated math thing
450
1109000
3000
pero es un tema matemático complejo
18:47
that I don't yet know how it's going to work out.
451
1112000
3000
que no sé todavía cómo va a funcionar.
18:50
CA: Benoit Mandelbrot is in the audience.
452
1115000
2000
CA: Benoit Mandlebrot está entre nuestro público.
18:52
He also has shown how complexity
453
1117000
2000
Él también ha demostrado cómo la complejidad
18:54
can arise out of a simple start.
454
1119000
2000
puede surgir de un inicio simple.
18:56
Does your work relate to his?
455
1121000
2000
¿Cómo se relaciona su trabajo al de él?
18:58
SW: I think so.
456
1123000
2000
SW: Ya lo creo.
19:00
I view Benoit Mandelbrot's work
457
1125000
2000
Yo veo el trabajo de Benoit Mandlebrot
19:02
as one of the founding contributions
458
1127000
3000
como una de las contribuciones fundacionales
19:05
to this kind of area.
459
1130000
3000
a este tipo de área.
19:08
Benoit has been particularly interested
460
1133000
2000
Benoit se ha interesado especialmente
19:10
in nested patterns, in fractals and so on,
461
1135000
2000
en clases anidadas, en fractales y demás,
19:12
where the structure is something
462
1137000
2000
en donde la estructura es algo
19:14
that's kind of tree-like,
463
1139000
2000
que es como un árbol,
19:16
and where there's sort of a big branch that makes little branches
464
1141000
2000
y donde hay una especie de rama grande que genera pequeñas ramas,
19:18
and even smaller branches and so on.
465
1143000
3000
y ramas más pequeñas y demás.
19:21
That's one of the ways
466
1146000
2000
Ese es como uno de los caminos
19:23
that you get towards true complexity.
467
1148000
3000
que uno recorre hacia la complejidad verdadera.
19:26
I think things like the Rule 30 cellular automaton
468
1151000
3000
Yo creo que cosas como el autómata celular de la regla 30
19:29
get us to a different level.
469
1154000
2000
nos llevan a un nivel diferente.
19:31
In fact, in a very precise way, they get us to a different level
470
1156000
3000
De hecho, de una manera muy precisa nos llevan a un nivel distinto
19:34
because they seem to be things that are
471
1159000
2000
porque parecen ser cosas que son
19:37
capable of complexity
472
1162000
3000
capaces de una complejidad
19:40
that's sort of as great as complexity can ever get ...
473
1165000
3000
que es como la mayor complejidad a la que se puede llegar...
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1169000
3000
Podría seguir y seguir con esto por mucho rato, pero no lo haré.
19:47
CA: Stephen Wolfram, thank you.
475
1172000
2000
CA: Stephen Wolfram, gracias.
19:49
(Applause)
476
1174000
2000
(aplausos)
ABOUT THE SPEAKER
Stephen Wolfram - Scientist, inventorStephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research.
Why you should listen
Stephen Wolfram published his first scientific paper at the age of 15, and received his PhD in theoretical physics from Caltech by the age of 20. Having started to use computers in 1973, Wolfram rapidly became a leader in the emerging field of scientific computing.
In 1981 Wolfram became the youngest recipient of a MacArthur Prize Fellowship. He then set out on an ambitious new direction in science aimed at understanding the origins of complexity in nature. Wolfram's first key idea was to use computer experiments to study the behavior of simple computer programs known as cellular automata. This allowed him to make a series of startling discoveries about the origins of complexity.
Wolfram founded the first research center and the first journal in the field, Complex Systems, and began the development of Mathematica. Wolfram Research soon became a world leader in the software industry -- widely recognized for excellence in both technology and business.
Following the release of Mathematica Version 2 in 1991, Wolfram began to divide his time between Mathematica development and scientific research. Building on his work from the mid-1980s, and now with Mathematica as a tool, Wolfram made a rapid succession of major new discoveries, which he described in his book, A New Kind of Science.
Building on Mathematica, A New Kind of Science, and the success of Wolfram Research, Wolfram recently launched Wolfram|Alpha -- an ambitious, long-term project to make as much of the world's knowledge as possible computable, and accessible to everyone.
Stephen Wolfram | Speaker | TED.com