TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
کوین سالوین: الگوریتم ها چگونه جهان ما را شکل داده اند؟
Filmed:
Readability: 3.5
4,199,898 views
کوین سلوین بحث میکند که ما در دنیایی زندگی می کنیم که مخصوص الگوریتم ها(روشی گام به گام برای حل مسئله ) ساخته شده است و بطور فزاینده ای توسط آنها کنترل می شود. در این سخنرانی جذاب از تدگلوبال ، او نشان می دهد که چگونه این برنامه های پیچیده کامپیوتری شیوه های جاسوسی، قیمت های بورس ، فیلمنامه ها و معماری را معین می کنند. و هشدار می دهد که ما کد هایی را می نویسیم که آنرا نمی فهمیم ، با پیامدهایی احتمالی که نمی توانیم کنترل شان کنیم.
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Double-click the English transcript below to play the video.
00:15
This is a photograph
0
0
2000
این یک عکس است
00:17
by the artist Michael Najjar,
1
2000
2000
از هنرمند مایکل نجار ،
00:19
and it's real,
2
4000
2000
و این واقعی است ،
00:21
in the sense that he went there to Argentina
3
6000
2000
از صحنه ای که او به آنجا در آرژانتین رفت
00:23
to take the photo.
4
8000
2000
تا این عکس را بگیرد.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
ولی همچنین این جعلی است. کارهای زیادی هست که بعدا بروی آن انجام شده است.
00:28
And what he's done
6
13000
2000
و کاری که او کرده است
00:30
is he's actually reshaped, digitally,
7
15000
2000
اینست که درواقع، به صورت دیجیتالی
00:32
all of the contours of the mountains
8
17000
2000
تمام محیط کوهستان را تغییر شکل داده است
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
تا بالا و پایین شدن شاخص بورس دَن جانز Dow Jones را دنبال کند.
00:37
So what you see,
10
22000
2000
بنابراین چیزی که می بینید،
00:39
that precipice, that high precipice with the valley,
11
24000
2000
آن سراشیبی تند، آن سراشیبی تند و دره
00:41
is the 2008 financial crisis.
12
26000
2000
بحران مالی سال ۲۰۰۸ هست.
00:43
The photo was made
13
28000
2000
عکس زمانی ساخته شده
00:45
when we were deep in the valley over there.
14
30000
2000
که ما در آن نقطۀ عمیق در دره بودیم.
00:47
I don't know where we are now.
15
32000
2000
نمی دانم الان کجا هستیم.
00:49
This is the Hang Seng index
16
34000
2000
این هم شاخص هِنگ سِنگ Hang Seng
00:51
for Hong Kong.
17
36000
2000
برای هنگ کنگ
00:53
And similar topography.
18
38000
2000
و توپو گرافی یکسان
00:55
I wonder why.
19
40000
2000
تعجب می کنم چرا.
00:57
And this is art. This is metaphor.
20
42000
3000
و البته این اثرهنری است. یک کنایه است.
01:00
But I think the point is
21
45000
2000
اما من فکر می کنم نکته این است
01:02
that this is metaphor with teeth,
22
47000
2000
که این کنایه ای از دندانه است!
01:04
and it's with those teeth that I want to propose today
23
49000
3000
و اشاره به دندانه هایست که می خواهم امروز ارائه کنم
01:07
that we rethink a little bit
24
52000
2000
که مقداری دوباره فکر کنیم
01:09
about the role of contemporary math --
25
54000
3000
درباره ی نقش ریاضیات معاصر--
01:12
not just financial math, but math in general.
26
57000
3000
نه فقط ریاضیات مربوط به امور مالی، بلکه ریاضیات عمومی.
01:15
That its transition
27
60000
2000
این گذاری است
01:17
from being something that we extract and derive from the world
28
62000
3000
از بودن چیزی که ما از جهان استخراج و استنباط می کنیم
01:20
to something that actually starts to shape it --
29
65000
3000
به چیزی که در واقع شکل دادنش را آغاز می کند --
01:23
the world around us and the world inside us.
30
68000
3000
جهان اطراف ما و جهان درون ما را.
01:26
And it's specifically algorithms,
31
71000
2000
و این بطور خاص الگوریتم ها هستند،
01:28
which are basically the math
32
73000
2000
که در اصل ریاضیاتی هستند
01:30
that computers use to decide stuff.
33
75000
3000
که رایانه ها برای تصمیم گیری چیزها آنرا بکار می برند.
01:33
They acquire the sensibility of truth
34
78000
2000
درکی از حقیقت را حاصل می شوند،
01:35
because they repeat over and over again,
35
80000
2000
برای اینکه آن ها بارها و بارها تکرار می کنند.
01:37
and they ossify and calcify,
36
82000
3000
و اسختوانی تر و سخت تر می شوند،
01:40
and they become real.
37
85000
2000
و حقیقی می شوند.
01:42
And I was thinking about this, of all places,
38
87000
3000
و من همه جا دراین مورد فکر می کردم،
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
دو سال پیش در یک پرواز بر فراز اقیانوس اطلس ،
01:48
because I happened to be seated
40
93000
2000
چون که اتفاق افتاده بود تا من کنار
01:50
next to a Hungarian physicist about my age
41
95000
2000
یک فیزیکدان مجارستانی تقریبا همسن خودم بنشینم
01:52
and we were talking
42
97000
2000
و با هم صحبت می کردیم
01:54
about what life was like during the Cold War
43
99000
2000
درباره ی اینکه زندگی در دوران جنگ سرد
01:56
for physicists in Hungary.
44
101000
2000
برای فیزیکدان در مجارستان چگونه بود.
01:58
And I said, "So what were you doing?"
45
103000
2000
و من گفتم : «خوب شما چه کار می کردید؟»
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
اون گفت: «ما عمدتا رادارگریز را می شکستیم.»
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
من گفتم: «خیلی خوبه، جالبه.
02:04
How does that work?"
48
109000
2000
چه طور کار می کند؟»
02:06
And to understand that,
49
111000
2000
وبرای درک آن،
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
باید اندکی درباره اینکه رادارگریز چگونه کار میکند را بفهمید.
02:11
And so -- this is an over-simplification --
51
116000
3000
و خب -- این بسیار ساد شده --
02:14
but basically, it's not like
52
119000
2000
اما در اصل، این شبیه این نیست
02:16
you can just pass a radar signal
53
121000
2000
که شما فقط بتوانید از امواج رادار
02:18
right through 156 tons of steel in the sky.
54
123000
3000
از طریق ۱۵۶ تن فولاد در آسمان از آن بگریزید.
02:21
It's not just going to disappear.
55
126000
3000
این تنها ناپدید شدن نیست.
02:24
But if you can take this big, massive thing,
56
129000
3000
اما اگر بتوانید این چیز بزرگ، این جسم سنگین، را ببرید،
02:27
and you could turn it into
57
132000
3000
و بتوانید آن را تبدیل به
02:30
a million little things --
58
135000
2000
یک میلیون چیزهای کوچک بکنید --
02:32
something like a flock of birds --
59
137000
2000
چیزی شبیه یک دسته از پرندگان --
02:34
well then the radar that's looking for that
60
139000
2000
خب پس راداری که آنرا جستجو می کند
02:36
has to be able to see
61
141000
2000
باید قادر باشد که
02:38
every flock of birds in the sky.
62
143000
2000
هر دسته ای از پرندگان را در هوا ببیند.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
و اگر شما رادار باشید، این شغل خیلی بدی است.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
و او گفت: " بله ". گفت ،" اما این درحالیست که اگر شما رادار باشید.
02:47
So we didn't use a radar;
65
152000
2000
پس ما از رادار استفاده نمی کردیم :
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
ما یک جعبه ی سیاه ساخته بودیم که امواج الکتریکی،
02:52
electronic communication.
67
157000
3000
مخابرات الکترونیکی ، را جستجو می کرد.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
و هر وقت ما یک دسته از پرندگان را می دیدیم که ارتباط الکترونیکی داشتند،
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
فکر می کردیم احتمالا یک ارتباطی با آمریکایی ها دارد."
03:01
And I said, "Yeah.
70
166000
2000
و من گفتم:« بله.
03:03
That's good.
71
168000
2000
بسیار خوب.
03:05
So you've effectively negated
72
170000
2000
پس شما به طور موثر
03:07
60 years of aeronautic research.
73
172000
2000
۶۰ سال تحقیقات هوایی را خنثی کردید.
03:09
What's your act two?
74
174000
2000
اقدام دوم شما چه بود؟
03:11
What do you do when you grow up?"
75
176000
2000
وقتی که رشد می کنید چه کار می کنید؟»
03:13
And he said,
76
178000
2000
و گفت،
03:15
"Well, financial services."
77
180000
2000
«خب، خدمات مالی.»
03:17
And I said, "Oh."
78
182000
2000
و من گفتم، «اوه.»
03:19
Because those had been in the news lately.
79
184000
3000
چرا که آنها به تازگی در خبرها بودند.
03:22
And I said, "How does that work?"
80
187000
2000
و گفتم: « این چگونه کار می کند؟»
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
و اون گفت: «خوب در حال حاضر ۲۰۰۰ فیزیکدان در وال استریت هستند
03:26
and I'm one of them."
82
191000
2000
من هم یکی از آنها هستم.»
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
گفتم: «جعبه ی سیاه برای وال استریت چیست؟»
03:31
And he said, "It's funny you ask that,
84
196000
2000
گفت: « جالب است که می پرسی،
03:33
because it's actually called black box trading.
85
198000
3000
برای اینکه درواقع آن تجارت با جعبه سیاه نامیده می شود.
03:36
And it's also sometimes called algo trading,
86
201000
2000
و همچنین بعضی اوقات الگو تجارت نامیده می شود،
03:38
algorithmic trading."
87
203000
3000
تجارت الگوریتمی.»
03:41
And algorithmic trading evolved in part
88
206000
3000
و تجارت الگوریتمی در بخشی نمو پیدا کرد
03:44
because institutional traders have the same problems
89
209000
3000
چون بنگاه های تجاری همان مشکل را دارند
03:47
that the United States Air Force had,
90
212000
3000
که نیروی هوایی آمریکا داشت،
03:50
which is that they're moving these positions --
91
215000
3000
که آنها از این مواضع جابجا می شوند --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
-- چه پراکتر و گمبل (P & G) باشه یا اکسنچر، یا هر چیز دیگر --
03:55
they're moving a million shares of something
93
220000
2000
آن ها دارند میلیون ها سهام را
03:57
through the market.
94
222000
2000
در بازار جابه جا می کنند.
03:59
And if they do that all at once,
95
224000
2000
و اگر همه آنرا در یک مرتبه انجام دهند،
04:01
it's like playing poker and going all in right away.
96
226000
2000
این به بازی پوکر شبیه هست و همه چیز در مسیر درست پیش می رود.
04:03
You just tip your hand.
97
228000
2000
شما فقط با نوک دست تان را می زنید.
04:05
And so they have to find a way --
98
230000
2000
و بنابراین آنها مجبورند راهی پیدا کنند --
04:07
and they use algorithms to do this --
99
232000
2000
-- و آنها از الگوریتم ها برای این کار استفاده می کنند --
04:09
to break up that big thing
100
234000
2000
تا چیزی بزرگ را
04:11
into a million little transactions.
101
236000
2000
به میلیون ها معامله کوچک تجزیه کنند.
04:13
And the magic and the horror of that
102
238000
2000
و چیز جالب و ترسناک آن
04:15
is that the same math
103
240000
2000
اینست که همان ریاضیاتی
04:17
that you use to break up the big thing
104
242000
2000
که شما برای شکستن چیز بزرگ
04:19
into a million little things
105
244000
2000
به یک میلیون چیزهای کوچک استفاده می کنید
04:21
can be used to find a million little things
106
246000
2000
می تواند برای پیدا کردن یک میلیون چیزهای کوچک بکار برود
04:23
and sew them back together
107
248000
2000
و آنها را دوباره به هم بدوزد.
04:25
and figure out what's actually happening in the market.
108
250000
2000
و دریابد که واقعا در بازار چه می گذرد.
04:27
So if you need to have some image
109
252000
2000
بنابراین اگر نیاز دارید که تصاویری داشته باشید
04:29
of what's happening in the stock market right now,
110
254000
3000
از آن چه که در همین لحظه در بازار سهام در حال وقوع است،
04:32
what you can picture is a bunch of algorithms
111
257000
2000
چیزی که شما می تونید مجسم کنید، مجموعه ای از الگوریتم هاست
04:34
that are basically programmed to hide,
112
259000
3000
که اساسا برنامه ریزی شدند تا مخفی باشند،
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
و مجموعه ای ازاگوریتم ها هستند که برنامه ریزی شده اند تا بروند و آنها را پیدا کنند و عمل کنند.
04:40
And all of that's great, and it's fine.
114
265000
3000
و همه آن کار بزرگی است ، خوب است.
04:43
And that's 70 percent
115
268000
2000
و 70 در صد
04:45
of the United States stock market,
116
270000
2000
از بازار سهام ایالات متحده است
04:47
70 percent of the operating system
117
272000
2000
70 درصد از سیستم های عملیاتی
04:49
formerly known as your pension,
118
274000
3000
سابقا بعنوان حقوق بازنشستگی شما شناخته می شد،
04:52
your mortgage.
119
277000
3000
قسط شما.
04:55
And what could go wrong?
120
280000
2000
و چه چیزمی تواند اشتباه شود؟
04:57
What could go wrong
121
282000
2000
چیزی که می تواند اشتباه باشد
04:59
is that a year ago,
122
284000
2000
اینست که یکسال پیش ،
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
نه درصد از کل بازار تنها در 5 دقیقه ناپدید می شود،
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
و آنرا سقوط ناگهانی 2:45 نامیدند.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
در یک آن ، نه درصد براحتی از بین میرود،
05:10
and nobody to this day
126
295000
2000
و هیچ کس تا به امروز
05:12
can even agree on what happened
127
297000
2000
نمی تواتد بپذیرد که چه اتفاقی افتاد،
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
چراکه هیچ کس سفارش آن را نداد ، هیچ کس آنرا درخواست نکرد.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
هیچ کس تسلطی بر آنچه که در واقع در حال رخ دادن بود ، نداشت .
05:20
All they had
130
305000
2000
همه آن چیزی که داشتند
05:22
was just a monitor in front of them
131
307000
2000
یک صفحه نمایشگر بود در برابرشان
05:24
that had the numbers on it
132
309000
2000
که اعداد برویش قرارداشت
05:26
and just a red button
133
311000
2000
و تنها یک دگمه قرمز
05:28
that said, "Stop."
134
313000
2000
که گفت ، " متوقف کنید. "
05:30
And that's the thing,
135
315000
2000
و این چیزی است ،
05:32
is that we're writing things,
136
317000
2000
که ما چیزهایی می نویسیم ،
05:34
we're writing these things that we can no longer read.
137
319000
3000
این چیزها را می نویسیم که چندان قادر به خواندن آنها نیستیم.
05:37
And we've rendered something
138
322000
2000
و ما چیزهایی ارائه کرده ایم
05:39
illegible,
139
324000
2000
ناخوانا.
05:41
and we've lost the sense
140
326000
3000
و مفهوم چیزهایی را که واقعا دارند اتفاق می افتند
05:44
of what's actually happening
141
329000
2000
را در این دنیایی خود که
05:46
in this world that we've made.
142
331000
2000
ساخته ایم ، گم کرده ایم.
05:48
And we're starting to make our way.
143
333000
2000
و ما بنا نهادن روش مان را آغازکردیم.
05:50
There's a company in Boston called Nanex,
144
335000
3000
شرکتی در بوستون هست که نانکس نام دارد،
05:53
and they use math and magic
145
338000
2000
و از ریاضی و جادو
05:55
and I don't know what,
146
340000
2000
و چیزهایی که من نمی دانم استفاده می کنند،
05:57
and they reach into all the market data
147
342000
2000
و به تمامی داده های بازاری دسترسی دارند
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
و برخی مواقع ، بعضی از این الگوریتم ها را پیدامی کنند.
06:02
And when they find them they pull them out
149
347000
3000
و آنها را پیدا می کنند و بیرون می کشند
06:05
and they pin them to the wall like butterflies.
150
350000
3000
و آنها را مثل پروانه ها به دیوار الصاق می کنند.
06:08
And they do what we've always done
151
353000
2000
و کارهایی را ما همیشه انجام داده ایم انجام می دهند
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
وقتی با حجم انبوهی از داده ها مواجه می شویم که آنها را نمی فهمیم --
06:13
which is that they give them a name
153
358000
2000
چیزی است که آنها نامی بر آنها می گذارند
06:15
and a story.
154
360000
2000
و شرح حالی .
06:17
So this is one that they found,
155
362000
2000
پس این چیزی است که آنها پیدا کردند،
06:19
they called the Knife,
156
364000
4000
به آن کارد می گویند،
06:23
the Carnival,
157
368000
2000
جشن ،
06:25
the Boston Shuffler,
158
370000
4000
به هم زننده بوستون
06:29
Twilight.
159
374000
2000
موهوم.
06:31
And the gag is
160
376000
2000
و مضحک اینکه
06:33
that, of course, these aren't just running through the market.
161
378000
3000
البته این تنها در بازار جاری نیست
06:36
You can find these kinds of things wherever you look,
162
381000
3000
میتوانید این جور چیزها را در هر کجا که نگاه کنید ، پیدا کنید.
06:39
once you learn how to look for them.
163
384000
2000
به محض اینکه یاد بگیرید چگونه دنبال آنها بگردید.
06:41
You can find it here: this book about flies
164
386000
3000
می توانید آنرا در اینجا هم بیابید : این کتاب راجع به مگس ها
06:44
that you may have been looking at on Amazon.
165
389000
2000
که ممکن است در سایت آمازون بدنبالش می گشتید.
06:46
You may have noticed it
166
391000
2000
ممکن است آنرا ملاحظه کرده باشید
06:48
when its price started at 1.7 million dollars.
167
393000
2000
وقتی قیمتش در مبلغ 1.7 میلیون دلار خیره کننده است.
06:50
It's out of print -- still ...
168
395000
2000
چاپش در معرض فروش نیست -- هنوز...
06:52
(Laughter)
169
397000
2000
(خنده حضار)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
اگر شما آنرا به قیمت 1.7 میلیون خریده بودید ، آن یک خرید ارزان می بوده است.
06:57
A few hours later, it had gone up
171
402000
2000
چند ساعت بعد ، قیمتش بالا رفته بود
06:59
to 23.6 million dollars,
172
404000
2000
به 23.6 میلیون دلار،
07:01
plus shipping and handling.
173
406000
2000
به اضافه جابجایی و تحویل.
07:03
And the question is:
174
408000
2000
و سئوال اینست:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
کسی چیزی را نه می خرد و نه می فروشد، چه اتفاقی افتاد؟
07:07
And you see this behavior on Amazon
176
412000
2000
و شما این رفتار را در آمازون می بینید
07:09
as surely as you see it on Wall Street.
177
414000
2000
به همان قطعیت که در وال استریت می بینید.
07:11
And when you see this kind of behavior,
178
416000
2000
و وقتی شما این قبیل رفتار را می بینید،
07:13
what you see is the evidence
179
418000
2000
چیزی که می بینید یک گواهیست
07:15
of algorithms in conflict,
180
420000
2000
از یک الگوریتم در تضاد
07:17
algorithms locked in loops with each other,
181
422000
2000
الگوریتم هایی که در درون حلقه های همدیگر قفل شده اند،
07:19
without any human oversight,
182
424000
2000
بدون هرگونه نظارت انسانی،
07:21
without any adult supervision
183
426000
3000
بدون هرگونه سرپرستی بزرگی
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
که بگوید ، " واقعا" 1.7 میلیون ، خیلی زیاد است ."
07:27
(Laughter)
185
432000
3000
(خنده حضار)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
و مشابه آمازون ، اکنون این با نتفلیکس( نوعی سهام) است.
07:33
And so Netflix has gone through
187
438000
2000
و نتفلیکس در طی سالها با چندین الگوریتم مختلف
07:35
several different algorithms over the years.
188
440000
2000
رفته است .
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
با سینمچ ( جایزه بهبود سهام) شروع کردند، و دسته های دیگری را هم امتحان کردند.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
داینسور پلانت ، گراویتی بودند.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
حالا از پراگماتیک کیاس(نوعی لگاریتم ) دارند استفاده می کنند.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
پراگماتیک کیاس ، مانند همه الگوریتم های نتفلیکس،
07:46
trying to do the same thing.
193
451000
2000
سعی دارد تا چیز مشابهی را انجام دهد.
07:48
It's trying to get a grasp on you,
194
453000
2000
سعی می کند تا فهمی از شما بدست بیاورد،
07:50
on the firmware inside the human skull,
195
455000
2000
از محفوظات درون مغز بشر ،
07:52
so that it can recommend what movie
196
457000
2000
بنابراین می تواند پیشنهاد کند که چه فیلمی
07:54
you might want to watch next --
197
459000
2000
شما ممکن است بخواهید در آینده ببینید --
07:56
which is a very, very difficult problem.
198
461000
3000
که مسئله خیلی خیلی دشواریست.
07:59
But the difficulty of the problem
199
464000
2000
اما مشکل مسئله
08:01
and the fact that we don't really quite have it down,
200
466000
3000
و این حقیقت که ما چندان در واقع تصور بدی از آن نداریم،
08:04
it doesn't take away
201
469000
2000
ما را از تاثیراتی که پراگماتیک کیاس دارد
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
دور نمی کند.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
پراگماتیک کیاس ، مانند همه الگوریتم های نتفلیکس،
08:11
determines, in the end,
204
476000
2000
در نهایت ، 60 درصد
08:13
60 percent
205
478000
2000
از فیلم هایی
08:15
of what movies end up being rented.
206
480000
2000
را که به اجاره رفتن منتهی می شوند ، معین می کند.
08:17
So one piece of code
207
482000
2000
بنابراین یک قطعه از رمز
08:19
with one idea about you
208
484000
3000
بهمراه نظری درباره شما
08:22
is responsible for 60 percent of those movies.
209
487000
3000
در خصوص 60 درصد از آن فیلم ها دخالت دارد.
08:25
But what if you could rate those movies
210
490000
2000
اما چطور اگر شما بتوانید آن فیلم ها را ارزش گذاری کنید
08:27
before they get made?
211
492000
2000
قبل از اینکه آنها ساخته شوند؟
08:29
Wouldn't that be handy?
212
494000
2000
این مفید نخواهد بود؟
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
خب ، چندین دانشمند اطلاعات از بریتانیا در هالی وود هستند،
08:34
and they have "story algorithms" --
214
499000
2000
و الگوریتم داستانی دارد --
08:36
a company called Epagogix.
215
501000
2000
شرکتی که اپاگوگیس نامیده می شود.
08:38
And you can run your script through there,
216
503000
3000
و شما می توانید فیلم نامه تان را از این طریق اجرا کنید،
08:41
and they can tell you, quantifiably,
217
506000
2000
و آنها می توانند به شما بگویند، بصورت عددی،
08:43
that that's a 30 million dollar movie
218
508000
2000
که این یک فیلم 30 میلیون دلاریست
08:45
or a 200 million dollar movie.
219
510000
2000
یا یک فیلم 200 میلیون دلاری.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
و واقعیت اینست که این یک جستجوگر (گوگل) نیست.
08:49
This isn't information.
221
514000
2000
اطلاعات نیست.
08:51
These aren't financial stats; this is culture.
222
516000
2000
اینها آمار های مالی نیستند : یک فرهنگ هست.
08:53
And what you see here,
223
518000
2000
و چیزی که اینجا می بینید،
08:55
or what you don't really see normally,
224
520000
2000
و چیزی که در واقع بطور عادی نمی بینید،
08:57
is that these are the physics of culture.
225
522000
4000
اینست که اینها فیزیک فرهنگ هستند.
09:01
And if these algorithms,
226
526000
2000
و اگر این الگوریتم ها ،
09:03
like the algorithms on Wall Street,
227
528000
2000
همانند الگوریتم های موجود در وال استریت
09:05
just crashed one day and went awry,
228
530000
3000
روزی فقط بهم ریخت و از کار خارج شد،
09:08
how would we know?
229
533000
2000
چگونه خواهیم دانست ،
09:10
What would it look like?
230
535000
2000
که چگونه خواهند بود؟
09:12
And they're in your house. They're in your house.
231
537000
3000
و آنها در خانه شما هستند.
09:15
These are two algorithms competing for your living room.
232
540000
2000
اینها دو الگوریتم هستند که دارند برای اتاق نشیمن شما رقابت می کنند.
09:17
These are two different cleaning robots
233
542000
2000
اینها دو ربات تمیزکننده مختلف هستند
09:19
that have very different ideas about what clean means.
234
544000
3000
که برداشت های کاملا متفاوتی راجع به اینکه تمیزی یعنی چه ، دارند.
09:22
And you can see it
235
547000
2000
و شما می توانید آنرا ببینید
09:24
if you slow it down and attach lights to them,
236
549000
3000
اگر سرعت آنرا کم کنید و یک چراغ به آنها وصل کنید.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
و آنها شبیه نوعی معماری سری در اتاق خواب شماست.
09:30
And the idea that architecture itself
238
555000
3000
و این نظریه که خود معماری
09:33
is somehow subject to algorithmic optimization
239
558000
2000
به نوعی موضوع بهینه سازی الگوریتمی است
09:35
is not far-fetched.
240
560000
2000
دور از ذهن نیست.
09:37
It's super-real and it's happening around you.
241
562000
3000
یک حقیقت مشهود است و در اطراف شما درحال رخ دادن است.
09:40
You feel it most
242
565000
2000
این را بیشتر احساس می کنید
09:42
when you're in a sealed metal box,
243
567000
2000
زمانیکه درون یک جعبه فلزی محکم شده هستید،
09:44
a new-style elevator;
244
569000
2000
یک بالابر سبک جدید ،
09:46
they're called destination-control elevators.
245
571000
2000
آنها بالابر های مقصد کنترل نامیده می شود.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
اینها از آنهایی هستند که شما باید فشار دهید که به کدام طبقه می خواهید بروید
09:51
before you get in the elevator.
247
576000
2000
قبل از اینکه به داخل بالابر بروید.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
و از الگوریتمی استفاده می کند که بسته بندی سطل زباله نام دارد.
09:55
So none of this mishegas
249
580000
2000
بنابراین هیچ یک از این چیزهای عجیب
09:57
of letting everybody go into whatever car they want.
250
582000
2000
اجازه نمی دهد هرکس داخل دستگاهی شود که آنها می خواهند.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
هرکسی که می خواهد که به طبقه 10 ام برود ، داخل دستگاه شماره دو می شود،
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
و هرکس که می خواهد به طبقه سوم برود ، داخل دستگاه شماره پنج می شود.
10:04
And the problem with that
253
589000
2000
و مشکل اینجاست که
10:06
is that people freak out.
254
591000
2000
افراد برخورد تندی دارند.
10:08
People panic.
255
593000
2000
آنها نگران می شوند.
10:10
And you see why. You see why.
256
595000
2000
و می بینید که چرا.
10:12
It's because the elevator
257
597000
2000
برای اینکه بالابر
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
چندین تجهیزات مهم مثل دگمه ، را از قلم انداخته است.
10:17
(Laughter)
259
602000
2000
( خنده حضار)
10:19
Like the things that people use.
260
604000
2000
مثل چیزهایی که مردم بکار می برند.
10:21
All it has
261
606000
2000
همه چیزی که دارد
10:23
is just the number that moves up or down
262
608000
3000
عدد می باشد که فقط بالا و پایین حرکت می کند
10:26
and that red button that says, "Stop."
263
611000
3000
و دگمه قرمز که می گوید " بایست ."
10:29
And this is what we're designing for.
264
614000
3000
و این چیزی است که ما طراحی می کنیم.
10:32
We're designing
265
617000
2000
ما بیان این دستگاه
10:34
for this machine dialect.
266
619000
2000
را طراحی می کنیم.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
و تا کجا می توانید آن را ببرید؟ تا کجا می توانید آنرا ببرید؟
10:39
You can take it really, really far.
268
624000
2000
می توانید آنرا خیلی واقعا دور ببرید.
10:41
So let me take it back to Wall Street.
269
626000
3000
خب ، بگذارید آنرا به وال استریت برگردانم.
10:45
Because the algorithms of Wall Street
270
630000
2000
چرا که الگوریتم های وال استریت
10:47
are dependent on one quality above all else,
271
632000
3000
به یک کیفیت فرای تمامی بقیه آنها وابسته هستند ،
10:50
which is speed.
272
635000
2000
که آن سرعت است.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
و آنها روی میلی ثانیه و میکرو ثانیه کار می کنند.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
و برای اینکه یک درکی بشما بدهم از اینکه میکروثانیه چیستند،
10:57
it takes you 500,000 microseconds
275
642000
2000
به اندازه 500000 میکروثانیه طول می کشد
10:59
just to click a mouse.
276
644000
2000
تا شما موس را کلیک کنید.
11:01
But if you're a Wall Street algorithm
277
646000
2000
اما اگر شما الگوریتم وال استریت هستید
11:03
and you're five microseconds behind,
278
648000
2000
و به اندازه 5 میکروثانیه عقب باشید ،
11:05
you're a loser.
279
650000
2000
یک بازنده هستید.
11:07
So if you were an algorithm,
280
652000
2000
خب اگر شما یک الگوریتم بودید ،
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
بدنبال یک معمار نظیر یکی که من در فرانکفورت آشنا شدم
11:12
who was hollowing out a skyscraper --
282
657000
2000
کسی که داشت یک آسمان خراش را خالی می کرد --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
همه اثاثیه ها و زیرساختهای مورد استفاده انسان را بیرون می ریخت ،
11:17
and just running steel on the floors
284
662000
3000
و فقط فولاد را روی طبقات نگه میداشت
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
تا آنرا برای داخل کردن دسته هایی از سرورها آماده کند --
11:23
all so an algorithm
286
668000
2000
تماما مانند یک الگوریتم
11:25
could get close to the Internet.
287
670000
3000
می توانست به اینترنت نزدیک باشد.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
و به اینترنت به عنوان چنین نوعی از مجموعه گسترده فکر کنید.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
و البته ، این چنین هست ، اما از چندین مکان توزیع شده است .
11:34
In New York, this is where it's distributed from:
290
679000
2000
در نیویورک ، این مکانی است که از آن توزیع شده است :
11:36
the Carrier Hotel
291
681000
2000
کرییر هتل
11:38
located on Hudson Street.
292
683000
2000
واقع در خیابان هادسون.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
و در واقع جایست که سیم ها درست تا درون شهر بالا می آیند.
11:43
And the reality is that the further away you are from that,
294
688000
4000
و حقیقت اینست که دورتر از که شما باشید ،
11:47
you're a few microseconds behind every time.
295
692000
2000
به اندازه چند میکرو ثانیه از هر زمانی عقب هستید.
11:49
These guys down on Wall Street,
296
694000
2000
این افراد پایین هستند در وال استریت ،
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
مارکوپولو و چروکی نیشن ،
11:53
they're eight microseconds
298
698000
2000
آنها هشت میکروثانیه
11:55
behind all these guys
299
700000
2000
از این افرادی عقب تر هستند
11:57
going into the empty buildings being hollowed out
300
702000
4000
که وارد ساختمانهای خالی که توخالی شده
12:01
up around the Carrier Hotel.
301
706000
2000
اطراف بالای هتل کارییر می شوند.
12:03
And that's going to keep happening.
302
708000
3000
واین اتفاقی است که دارد مدام رخ می دهد.
12:06
We're going to keep hollowing them out,
303
711000
2000
ما قصد داریم تا به توخالی کردن آنها ادامه دهیم ،
12:08
because you, inch for inch
304
713000
3000
چرا که شما ، اینچ به اینچ
12:11
and pound for pound and dollar for dollar,
305
716000
3000
و پوند به پوند و دلار به دلار ،
12:14
none of you could squeeze revenue out of that space
306
719000
3000
هیچکدام از شما نمی توانست سودی از این فضا بچلاند
12:17
like the Boston Shuffler could.
307
722000
3000
مثل آنچه که بوستون شافلر توانست .
12:20
But if you zoom out,
308
725000
2000
ولی اگر بازتر نگاه کنید ،
12:22
if you zoom out,
309
727000
2000
اگر بازتر نگاه کنید،
12:24
you would see an 825-mile trench
310
729000
4000
یک کانال 825 مایلی خواهید دید
12:28
between New York City and Chicago
311
733000
2000
بین شهر نیویورک و شیکاگو
12:30
that's been built over the last few years
312
735000
2000
که در خلال چند سال اخیر ساخته شده است
12:32
by a company called Spread Networks.
313
737000
3000
توسط یک شرکت به نام ( شبکه گستر) اسپرید نتورک .
12:35
This is a fiber optic cable
314
740000
2000
این یک کابل نوری است
12:37
that was laid between those two cities
315
742000
2000
که بین دو شهر خوابانده شده است
12:39
to just be able to traffic one signal
316
744000
3000
تا فقط قادر باشد تا یک سیگنال را انتقال دهد
12:42
37 times faster than you can click a mouse --
317
747000
3000
37 مرتبه سریعتر از آنکه شما بتوانید موس را کلیک کنید --
12:45
just for these algorithms,
318
750000
3000
تنها برای اینگونه الگوریتم ها،
12:48
just for the Carnival and the Knife.
319
753000
3000
تنها برای کارنوال و برای نایف .
12:51
And when you think about this,
320
756000
2000
و وقتی که شما به آن فکر می کنید ،
12:53
that we're running through the United States
321
758000
2000
که ما ایالات متحده را هدر می دادیم
12:55
with dynamite and rock saws
322
760000
3000
با دینامیت و اره سنگبری
12:58
so that an algorithm can close the deal
323
763000
2000
خب یک الگوریتم می تواند یک معامله را
13:00
three microseconds faster,
324
765000
3000
سه میکروثانیه سریعتر ببندد.
13:03
all for a communications framework
325
768000
2000
تماما بواسطه یک چهارچوب ارتباطی
13:05
that no human will ever know,
326
770000
4000
که هیچ بشری نخواهد دانست ،
13:09
that's a kind of manifest destiny;
327
774000
3000
این یک نوع سرنوشت بارز است
13:12
and we'll always look for a new frontier.
328
777000
3000
و همواره بدنبال یک پیشروی جدید می باشد.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
متاسفانه ، ما برای خودمان مشکل داریم.
13:18
This is just theoretical.
330
783000
2000
این تنها در تئوری است.
13:20
This is some mathematicians at MIT.
331
785000
2000
اینها چند ریاضیدان در ام آی تی هستند.
13:22
And the truth is I don't really understand
332
787000
2000
و حقیقت اینست که من در واقع بسیاری از چیزهاییکه
13:24
a lot of what they're talking about.
333
789000
2000
آنها در موردش صحبت می کنند را نمی فهمم.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
اینها راجع به هرم های سبک و پیچیدگی های کوانتومی هستند،
13:29
and I don't really understand any of that.
335
794000
2000
و من واقعا هیچکدام را نمی فهمم.
13:31
But I can read this map,
336
796000
2000
اما این نقشه را می توانم بخوانم.
13:33
and what this map says
337
798000
2000
و چیزی که این نقشه می گوید
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
اینستکه ، اگر شما در پی آن هستید تا در بازارهایی که در نقطه های قرمز هستند پول در بیاورید،
13:38
that's where people are, where the cities are,
339
803000
2000
جاییکه مردم هستند، شهرها هستند،
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
شما مجبور خواهید شد تا سرورهایتان را در نقاط آبی قراردهید
13:43
to do that most effectively.
341
808000
2000
تا آنرا با بالاترین بازده انجام رسانید.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
وچیزیکه شما شاید در خصوص آن نقاط آبی باید متوجه شده باشید
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
اینست که بسیاری از آن در میان اقیانوس هستند.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
بنابراین این کاریست که ما خواهیم کرد، ما جبابها یا چیزهایی یا بسترهایی،
13:54
or platforms.
345
819000
2000
خواهیم ساخت.
13:56
We'll actually part the water
346
821000
2000
ما در حقیقت آب را قسمت می کنیم
13:58
to pull money out of the air,
347
823000
2000
تا پول را از هوا بیرون بکشیم،
14:00
because it's a bright future
348
825000
2000
چراکه این یک آینده روشن است
14:02
if you're an algorithm.
349
827000
2000
اگر شما یک الگوریتم باشید.
14:04
(Laughter)
350
829000
2000
(خنده حضار)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
و این تنها پول نیست که در حقیقت جالب توجه است.
14:09
It's what the money motivates,
352
834000
2000
این چیزی است که پول می انگیزاند.
14:11
that we're actually terraforming
353
836000
2000
ما داریم در واقع خود زمین را تبدیل به
14:13
the Earth itself
354
838000
2000
سیاره قابل زیست می کنیم
14:15
with this kind of algorithmic efficiency.
355
840000
2000
با این مدل کارایی الگوریتمی .
14:17
And in that light,
356
842000
2000
و در این وضوح ،
14:19
you go back
357
844000
2000
به عقب بر می گردید
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
و به عکس های مایکل نجار نگاه می کنید،
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
و متوجه می شوید که آنها کنایه نیستند، آنها رسالت هستند.
14:26
They're prophecy
360
851000
2000
آنها رسالتند
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
برای نوعی از پدیده های ناپایدار زمینی
14:32
of the math that we're making.
362
857000
2000
از ریاضیاتی که ما درحال ساخت آن هستیم.
14:34
And the landscape was always made
363
859000
3000
و دورنما همواره توسط چنین چیزهای عجیب،
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
همکاری پریشان بین طبیعت و انسان
14:40
between nature and man.
365
865000
3000
ساخته شد.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
اما اکنون این سومین نیروی تکامل مشترک است : الگوریتم --
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
بوستون شافلر ، کارنوال .
14:49
And we will have to understand those as nature,
368
874000
3000
و ما باید آنها را بعنوان طبیعت درک کنیم.
14:52
and in a way, they are.
369
877000
2000
و از طریقی ، آنها هستند.
14:54
Thank you.
370
879000
2000
با تشکر.
14:56
(Applause)
371
881000
20000
(تشویق حضار)
ABOUT THE SPEAKER
Kevin Slavin - Algoworld expertKevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.
Why you should listen
Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.
All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.
He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."
Kevin Slavin | Speaker | TED.com