TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
اریک برلو و شان گورلی: ارتباط ایده های ارزشمند
Filmed:
Readability: 4.3
1,131,373 views
۲۴٫۰۰۰ ایده، چطور بنظر می آیند؟ "اریک برلو" اکولوژیست و "شان گورلی" فیزیکدان، با بکارگیری الگوریتم در کل آرشیو سخنرانی های TEDx، ما را به تماشای مهیج چگونگی ارتباط ایده ها در سرتاسر دنیا، دعوت می کنند.
Eric Berlow - Ecologist
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
Double-click the English transcript below to play the video.
00:12
Eric Berlow: I'm an ecologist, and Sean's a physicist,
0
562
3061
اریک برلو: من یک اکولوژیست (رابطه انسان با طبیعت) هستم، و شان یک فیزیکدانه
00:15
and we both study complex networks.
1
3623
2108
و هر دوی ما شبکه های پیچیده را مطالعه می کنیم.
00:17
And we met a couple years ago when we discovered
2
5731
1835
و ما چند سال پیش یکدیگر را ملاقات کردیم
00:19
that we had both given a short TED Talk
3
7566
2000
وقتی متوجه شدیم که هر دوی ما در تد سخنرانی کوچکی داشتیم
00:21
about the ecology of war,
4
9566
2303
دربارۀ اکولوژی جنگ،
00:23
and we realized that we were connected
5
11869
1447
و فهمیدیم که حتی قبل از ملاقاتمان،
00:25
by the ideas we shared before we ever met.
6
13316
2818
از نقطه نظر عقیده ای با هم ارتباط داشتیم.
00:28
And then we thought, you know, there are thousands
7
16134
1556
ومی دونید بعدش فکر کردیم، هزاران سخنرانی دیگر وجود داره
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
بخصوص سخنرانی های تد،
00:31
that are popping up all over the world.
9
19804
2211
که در سرتاسر جهان پخش می شه.
00:34
How are they connected,
10
22015
923
آنها چطور با هم در ارتباطند،
00:34
and what does that global conversation look like?
11
22938
2010
و یک سخنرانی جهانی چطور بنظر می آید؟
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
خُب شان کمی برایتان از اینکه چطور ما اینکار را انجام دادیم، می گوید.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
شان گورلی: همینطوره. خُب ما ۲۴٫۰۰۰ سخنرانی TEDx
00:43
from around the world, 147 different countries,
14
31525
3046
در سرتاسر جهان را انتخاب کردیم، از ۱۴۷ کشور متفاوت،
00:46
and we took these talks and we wanted to find
15
34571
2123
با انتخاب این سخنرانی ها می خواستیم
00:48
the mathematical structures that underly
16
36694
2040
ساختار بسیار دقیقی که زیربنای ایده هاست را بیابیم.
00:50
the ideas behind them.
17
38734
1722
ساختار بسیار دقیقی که زیربنای ایده هاست را بیابیم.
00:52
And we wanted to do that so we could see how
18
40456
1370
با انجام اینکار می خواستیم چگونگی
00:53
they connected with each other.
19
41826
2053
ارتباط آنها با یکدیگر را دریابیم.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
و البته، اگر بخواهید چنین کارهایی را انجام دهید،
00:57
you need a lot of data.
21
45555
956
کلی اطلاعات لازم دارید.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
خُب اطلاعی که در دست دارید، چیز فوق العاده ای بنام یوتیوب YouTube است،
01:02
and we can go down and basically pull
23
50197
1768
می تونیم وارد یوتیوب شده و اساسا"
01:03
all the open information from YouTube,
24
51965
2267
هر اطلاعی که برای عموم آزاد است را استخراج کنیم،
01:06
all the comments, all the views, who's watching it,
25
54232
2349
تمام نظرات، دیدگاهها، کسانیکه در حال دیدن آن هستند،
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
محلی که از آنجا مشغول دیدن آن هستند، چه چیزی در قسمت نظریات درج می کنند.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
ولی می تونیم از ترجمه گفتار به نوشتار نیز استفاده کنیم،
01:14
we can pull the entire transcript,
28
62652
2128
می تونیم تمام متن را داشته باشیم،
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
و این حتی برای افرادی مثل من که لهجه خنده داری دارند، بکار می یاد.
01:19
So we can take their transcript
30
67460
2106
بدین ترتیب ما با استفاده از متن گفتاری آنها
01:21
and actually do some pretty cool things.
31
69566
2098
می تونیم کارهای جالبی انجام دهیم.
01:23
We can take natural language processing algorithms
32
71664
2160
ما می تونیم با استفاده از الگوریتمهایی که زبان طبیعی را پردازش می کنند
01:25
to kind of read through with a computer, line by line,
33
73824
2629
همینطور خط به خط با کامپیوتر بخوانیم،
01:28
extracting key concepts from this.
34
76453
2359
و مفهوم اصلی را از آن برگیریم.
01:30
And we take those key concepts and they sort of form
35
78812
2525
و ما مفاهیم اصلی که یک جورایی ساختار دقیق یک ایده را می سازند را بدست می آوریم.
01:33
this mathematical structure of an idea.
36
81337
3565
و ما مفاهیم اصلی که یک جورایی ساختار دقیق یک ایده را می سازند را بدست می آوریم.
01:36
And we call that the meme-ome.
37
84902
1757
و آنرا "می اُم" (meme-ome) می نامیم.
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
و می دونید، "می اُم" (meme-ome) خیلی ساده
01:40
is the mathematics that underlies an idea,
39
88810
2426
ریاضیاتی است که در بطن یک ایده نهفته است،
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
و ما می تونیم یکسری تحلیل های بسیار جالبی با آن انجام دهیم،
01:45
which I want to share with you now.
41
93168
1981
که مایلم با شما در میان بگذارم.
01:47
So each idea has its own meme-ome,
42
95149
2190
بدین ترتیب هر ایده ای "می اُم" (meme-ome) خودشو
01:49
and each idea is unique with that,
43
97339
1951
که آنرا منحصر بفرد می کنه،
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
اما البته، ایده ها از هم ایده می گیرند،
01:53
they kind of steal sometimes,
45
101778
1184
گاهی یه جور دزدی است،
01:54
and they certainly build on each other,
46
102962
1827
و بطور قطع بر اساس یکدیگر بنا می شوند،
01:56
and we can go through mathematically
47
104789
1616
و ما از طریق محاسبه می تونیم پیش رفته
01:58
and take the meme-ome from one talk
48
106405
1840
و "می اُم" را از یک سخنرانی گرفته
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
و آنرا با "می اُم" تک تک سخنرانی های دیگر مقایسه کنیم،
02:02
and if there's a similarity between the two of them,
50
110699
1973
و اگر شباهتی بین دوتای آنها بود،
02:04
we can create a link and represent that as a graph,
51
112672
3250
می توانیم با ایجاد یک لینک ارتباطی آنرا بصورت نمودار نشان دهیم،
02:07
just like Eric and I are connected.
52
115922
2394
درست مثل اریک و من که بهم مرتبط هستیم.
02:10
So that's theory, that's great.
53
118316
1394
بدین ترتیب این یک تئوری است، عالیه.
02:11
Let's see how it works in actual practice.
54
119710
2526
بیایید ببینیم چطور در فضای واقعی کار می کند.
02:14
So what we've got here now is the global footprint
55
122236
2788
خُب چیزی که ما در حال حاضر اینجا داریم، ردپای کلی
02:17
of all the TEDx Talks over the last four years
56
125024
2293
کلیه سخنرانی های TEDx در طول چهار سال گذشته است
02:19
exploding out around the world
57
127317
1550
که در سراسر جهان فوران کرد
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
از نیویورک گرفته تا نیوزلند کوچک قدیمی در اون گوشه دنیا.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
و کاری که ما کردیم این بود که ۲۵ درصد از بهترین های آنرا تحلیل کردیم،
02:28
and we started to see where the connections occurred,
60
136031
2534
و شروع به یافتن محل برقراری ارتباط کردیم،
02:30
where they connected with each other.
61
138565
1537
جایی که آنها با یکدیگر مرتبط می شوند.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
سخنرانی "کمرون راسل" درمورد تصویر و زیبایی
02:33
connected over into Europe.
63
141976
1575
با اروپا ارتباط برقرار کرد.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
ما یک سخنرانی مفصل تر درمورد اسرائیل و فلسطین داریم
02:37
radiating outwards from the Middle East.
65
145963
2255
که از خاور میانه به اطراف اشاعه می یابد.
02:40
And we've got something a little broader
66
148218
1298
وچیزی کمی گسترده تر داریم
02:41
like big data with a truly global footprint
67
149516
2156
مثل داده های بزرگ با اثرات جهانی واقعی
02:43
reminiscent of a conversation
68
151672
2179
که حاکی از یک گفتگوست
02:45
that is happening everywhere.
69
153851
2016
که هرجایی در حال وقوع است.
02:47
So from this, we kind of run up against the limits
70
155867
2173
بنابراین از اینجا، ما یه جورایی با محدودیتهایی در رابطه با
02:50
of what we can actually do with a geographic projection,
71
158040
2530
آنچه در واقع قادریم با نقشه جغرافیایی انجام دهیم، مواجه می شویم،
02:52
but luckily, computer technology allows us to go out
72
160570
2052
اما خوشبختانه، تکنولوژی کامپیوتر ما را قادر می سازد تا
02:54
into multidimensional space.
73
162622
1546
وارد فضای چند بعدی بشویم.
02:56
So we can take in our network projection
74
164168
1875
بدین ترتیب می تونیم نقشه ارتباطی خود را گرفته
02:58
and apply a physics engine to this,
75
166043
1750
و یک ابزار فیزیک بکار بریم،
02:59
and the similar talks kind of smash together,
76
167793
1885
و سخنرانی های مشابه یه جورایی با هم ادغام می شوند،
03:01
and the different ones fly apart,
77
169678
2004
و آنهایی که متفاوتند از دور خارج می شوند،
03:03
and what we're left with is something quite beautiful.
78
171682
2072
و آنچه برایمان باقی می ماند، چیزی بسیار زیباست.
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
اریک: خُب فقط می خوام اینجا خاطر نشان کنم که هر گره، یک سخنرانی است،
03:08
they're linked if they share similar ideas,
80
176711
2589
که در صورت شباهت ایده ها با یکدیگر مرتبطند،
03:11
and that comes from a machine reading
81
179300
2084
و این نتیجۀ خواندن ماشینی است
03:13
of entire talk transcripts,
82
181384
2067
که تمام متن گفتارها را می خواند،
03:15
and then all these topics that pop out,
83
183451
2231
و در نتیجه تمام این عنوانهایی که نمایان می شوند،
03:17
they're not from tags and keywords.
84
185682
1790
از کلمات کلیدی یا لقب ها برگرفته نشدند.
03:19
They come from the network structure
85
187472
1725
آنها برگرفته از ساختار ارتباطی
03:21
of interconnected ideas. Keep going.
86
189197
2168
ایده های مرتبط هستند.
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
شان: کاملا". خُب من کمی سریع توضیح می دم،
03:25
but he's going to slow me down.
88
193387
1475
اما دوستم سرعت کلام منو کاهش می ده.
03:26
We've got education connected to storytelling
89
194862
2034
ما آموزشی را داریم که با داستان سرایی و
03:28
triangulated next to social media.
90
196896
1643
رسانه های اجتماعی یک مثلث تشکیل می دهد.
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
البته، مغز انسان را درست در کنار بهداشت و درمان دارید،
03:33
which you might expect,
92
201014
1386
که قابل انتظار است،
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
اما بازیهایی کامپیوتری را نیز به نوعی در کنار آنها ملاحظه می کنید،
03:36
as those two spaces interface with each other.
94
204795
2740
از آنجائیکه آن دو فضا در ارتباط با یکدیگر هستند.
03:39
But I want to take you into one cluster
95
207535
1535
اما مایلم شما را به مجموعه ای هدایت کنم
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
که اهمیت خاصی برای من داره، و اون محیط زیست است.
03:43
And I want to kind of zoom in on that
97
211938
1493
و می خواهم روی آن به نوعی تکیه کنم
03:45
and see if we can get a little more resolution.
98
213431
2363
و ببینم که آیا می توانیم کمی بیشتر راه حل بیابیم.
03:47
So as we go in here, what we start to see,
99
215794
2347
بدین ترتیب، همانطور که اینجا پیش می رویم، آنچه در ابتدا می بینیم،
03:50
apply the physics engine again,
100
218141
1504
با استفاده مجدد از ابزار فیزیک ،
03:51
we see what's one conversation
101
219645
1676
می بینیم که چطور یک سخنرانی
03:53
is actually composed of many smaller ones.
102
221321
2560
در واقع از بسیاری سخنرانی های کوچکتر ساخته شده است.
03:55
The structure starts to emerge
103
223881
1929
این ساختار جایی نمایان می شه
03:57
where we see a kind of fractal behavior
104
225810
2070
که می توانیم یه جور پراکندگی لغات را ببینیم
03:59
of the words and the language that we use
105
227880
1619
و زبانی گفتاری را مشاهده کنیم که از آن
04:01
to describe the things that are important to us
106
229499
1702
برای توصیف آنچه در سرتا سر دنیا برایمان اهمیت دارد استفاده می کنیم.
04:03
all around this world.
107
231201
1433
برای توصیف آنچه در سرتا سر دنیا برایمان اهمیت دارد استفاده می کنیم.
04:04
So you've got food economy and local food at the top,
108
232634
2332
بدین ترتیب شما اقتصاد غذایی و مواد غذایی محلی را در صدر جدول دارید،
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
گازهای گلخانه ای، زایعات خورشیدی و هسته ای دارید.
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
حاصل اینکار، یکسری گفتگوهای کوتاه است،
04:12
each connected to each other through the ideas
111
240316
2301
که هر یک بیکدیگر مرتبط اند
04:14
and the language they share,
112
242617
1301
از طریق ایده ها و زبان مشترک،
04:15
creating a broader concept of the environment.
113
243918
2450
که یک مفهوم گسترده تری از محیط زیست ایجاد می کنند.
04:18
And of course, from here, we can go
114
246368
1532
و البته ما از اینجا فراتر رفته
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
و دقیق تر شده تا نگاه افراد جوان را دریابیم.
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
و توجه آنها به تکنولوژی انرژی و ترکیبات هسته ای است.
04:25
This is their kind of resonance
117
253779
1674
این پژواک گفتگوی آنها پیرامون محیط زیست است.
04:27
for the conversation around the environment.
118
255453
2406
این پژواک گفتگوی آنها پیرامون محیط زیست است.
04:29
If we split along gender lines,
119
257859
1899
در صورت جدا کردن جنسیت ها،
04:31
we can see females resonating heavily
120
259758
1987
مشاهده می کنیم که فریاد زنان از اقتصاد غذایی پر طنین بوده،
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
ولی در عین حال امیدوار و خوش بین هستند.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
و کلی کارهای جالب در اینجا می توانیم انجام دهیم،
04:39
and I'll throw to Eric for the next part.
123
267872
1762
و بقیه را به اریک محول می کنیم.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
اریک: خُب منظورم از خاطر نشان کردن اینه که،
04:43
you cannot get this kind of perspective
125
271236
1538
شما نمی توانید با یک جستجوی سادۀ کلمه ای در یوتیوب،
04:44
from a simple tag search on YouTube.
126
272774
3360
چنین چشم اندازی داشته باشید.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
حالا بیاید نگاهی جامع به سخنرانی های پیرامون محیط زیست در سرتاسر جهان انداخته،
04:52
out of environment, and look at all the talks together.
128
280322
2534
و به مجموع آنها نگاهی بیندازیم.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
اغلب وقتی با این حجم مطلب روبرو می شویم،
04:57
we do a couple of things to simplify it.
130
285783
2431
چند کار برای ساده کردن آنها انجام می دهیم.
05:00
We might just say, well,
131
288214
1314
شاید بگوییم، خُب،
05:01
what are the most popular talks out there?
132
289528
2829
پرطرفدار ترین سخنرانی ها کدام هستند؟
05:04
And a few rise to the surface.
133
292357
1397
و چند تایی از آنها از بقیه جدا می شوند.
05:05
There's a talk about gratitude.
134
293754
1828
یک سخنرانی درمورد حق شناسی.
05:07
There's another one about personal health and nutrition.
135
295582
3344
یکی دیگر درمورد سلامت و تغذیه فردی است.
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
و البته، باید یکی هم درمورد پورنوگرافی باشد، اینطور نیست؟
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
و شاید اون موقع بگوییم، خُب، سپاسگزاری، اون در سال گذشته بود.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
الآن چه چیزی باب است؟ سخنرانی مورد علاقه چیست؟
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
و درمی یابیم که موضوع جدید و دسته اول که در حال شکوفایی است
05:22
is about digital privacy.
140
310932
2666
موضوع دنیای فردی دیجیتال است.
05:25
So this is great. It simplifies things.
141
313598
1693
خُب این عالیه. این کارو راحت می کنه.
05:27
But there's so much creative content
142
315291
1827
ولی کلی مطالب خلاقانه هنوز اون ته باقی است.
05:29
that's just buried at the bottom.
143
317118
1921
ولی کلی مطالب خلاقانه هنوز اون ته باقی است.
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
و من ازش متنفرم. چطور می توانیم مطالب را به سطح بیاوریم
05:34
that's maybe really creative and interesting?
145
322357
2458
که شاید کاری براستی خلاقانه و جالب باشد؟
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
خُب می توانیم برای انجام اینکار به شبکه ساختاری ایده ها برگردیم.
05:39
to do that.
147
327746
1430
خُب می توانیم برای انجام اینکار به شبکه ساختاری ایده ها برگردیم.
05:41
Remember, it's that network structure
148
329176
2114
یادتون باشه، شبکه ساختاری
05:43
that is creating these emergent topics,
149
331290
2268
باعث ایجاد موضوعات نوظهور می شود،
05:45
and let's say we could take two of them,
150
333558
1515
و بیایید دو تا از آنها را برگزینیم،
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
مثل شهرها و ژنتیک، و بگوییم، خُب، آیا سخنرانی ای هست
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
که بصورتی خلاقانه این دو مقوله متفاوت را بهم ربط بدهد؟
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
و این بطور قطع، این نوع تلفیق خلاقانه
05:54
is one of the hallmarks of innovation.
154
342964
1840
یکی از مشخصه های نوآوری است.
05:56
Well here's one by Jessica Green
155
344804
1606
خُب اینجا نمونه ای داریم که جسیکا گرین
05:58
about the microbial ecology of buildings.
156
346410
2379
دربارۀ اکولوژی میکروبی ساختمانها صحبت کرده.
06:00
It's literally defining a new field.
157
348789
2010
اون به معنای واقعی کلمه، به توصیف یک مقوله جدیدی می پردازد.
06:02
And we could go back to those topics and say, well,
158
350799
2103
و ما می توانیم به اون موضوعها برگشته و بگوییم، خُب،
06:04
what talks are central to those conversations?
159
352902
2768
چه سخنرانی هایی حول اون گفتگوها می چرخند؟
06:07
In the cities cluster, one of the most central
160
355670
1690
یکی از اصلی ترین سخنرانی در مجموعه شهرها،
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
اونی بود که "میچ جوچیم" دربارۀ شهرهای اکولوژیکی صحبت کرد،
06:13
and in the genetics cluster,
162
361312
1720
و در مجموعۀ ژنتیکی،
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
سخنرانی "کریگ ونتر" دربارۀ بیولوژی سنتزی را داریم.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
سخنرانی هایی وجود دارند که بیشمار سخنرانی را پیرامون قواعد خود بهم ربط می دهند.
06:21
We could go the other direction and say, well,
165
369578
1843
می توانیم در جهت دیگر رفته و بگوییم، خُب،
06:23
what are talks that are broadly synthesizing
166
371421
2272
سخنرانی هایی که بطور گسترده شاخه های گوناگون بیشماری را با هم تلفیق می کنند، به چه شکل هستند.
06:25
a lot of different kinds of fields.
167
373693
1448
سخنرانی هایی که بطور گسترده شاخه های گوناگون بیشماری را با هم تلفیق می کنند، به چه شکل هستند.
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
برای دستیابی به آن، مقیاس تنوع اکولوژیکی را بکار بردیم.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
مثلا"، سخنرانی "استیون پینکر" دربارۀ تارخ خشونت،
06:32
very synthetic.
170
380410
1180
بسیار ساختگی است.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
والبته در پی آن، سخنرانی های منحصر بفردی هم هستند
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
اونها یه جورایی در استراتوسفر، در فضای بخصوص خود، هستند،
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
و ما آنها را لیست "کالین فلاناگان" می نامیم.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
و اگر کالین را نمی شناسید، او یک نقاش است،
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
و ازش پرسیدم،" خُب، اون بیرون دراسترتوسفر فضای ایده ما، چه خبر است؟"
06:45
in the stratosphere of our idea space?"
176
393849
1672
و ازش پرسیدم،" خُب، اون بیرون دراسترتوسفر فضای ایده ما، چه خبر است؟"
06:47
And apparently it smells like bacon.
177
395521
3255
و ظاهرا" بوی گوشت خوک می دهد.
06:50
I wouldn't know.
178
398776
1791
نمی دونستم.
06:52
So we're using these network motifs
179
400567
2248
بدین ترتیب ما با استفاده از این طرحهای شبکه ای ،
06:54
to find talks that are unique,
180
402815
1186
سخنرانی های منحصر بفرد را پیدا می کنیم.
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
آنهایی که بطور خلاقانه ای، زمینه های مختلف بیشماری را با هم تلفیق کردند،
06:58
ones that are central to their topic,
182
406711
1659
آنهایی که بر اساس موضوع واحد خود بنا شدند،
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
و آنهایی که بطور واقعا" خلاقانه ای، زمینه های متفاوت را بهم ربط داده اند.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
درسته؟ ما هیچ موقع به این موارد دست نمی یافتیم اگر
07:05
with what's trending now.
185
413846
2313
روی مسائل باب امروزی حساسیت نشان نمی دادیم.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
و تمام اینها از ساختار معماری پیچیدگی
07:11
or the patterns of how things are connected.
187
419045
2960
یا روند چگونگی ارتباط مسائل با یکدیگر پدید می آیند.
07:14
SG: So that's exactly right.
188
422005
1625
شان: خُب این دقیقا" درسته.
07:15
We've got ourselves in a world
189
423630
2479
ما در دنیایی قرار داریم
07:18
that's massively complex,
190
426109
2044
که بطور گسترده ای پیچیده است،
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
و ما با استفاده از الگوریت سعی داریم تا یه جورایی آنرا ساده کرده
07:23
so we can navigate through it.
192
431020
1786
تا بتوانیم درون آن سیر کنیم.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
و آن الگوریتم ها، در عین مفید بودن،
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
خیلی خیلی محدود بوده و ما بهتر از آن می توانیم انجام دهیم،
07:30
because we can realize that their complexity is not random.
195
438620
2566
چون می دانیم که پیچیدگی آنها اتفاقی نیست.
07:33
It has mathematical structure,
196
441186
1954
آن ساختار بسیار دقیقی دارد،
07:35
and we can use that mathematical structure
197
443140
1803
و ما با استفاده از آن ساختار دقیق
07:36
to go and explore things like the world of ideas
198
444943
2214
می توانیم در چیزهایی مثل دنیای ایده ها سیاحت کرده
07:39
to see what's being said, to see what's not being said,
199
447157
3000
تا ببینیم چه چیزهایی گفته می شه، چه چیزهایی گفته نمی شه،
07:42
and to be a little bit more human
200
450157
1407
تا یک کم انسان بهتری شده
07:43
and, hopefully, a little smarter.
201
451564
1867
و اگر خدا بخواد کمی باهوش تر بشویم.
07:45
Thank you.
202
453431
966
سپاسگزارم.
07:46
(Applause)
203
454397
4220
(تشویق)
ABOUT THE SPEAKERS
Eric Berlow - EcologistTED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more.
Why you should listen
Eric Berlow is an ecologist and network scientist who specializes in not specializing. A TED Senior Fellow, Berlow is recognized for his research on food webs and ecological networks and for creative approaches to complex problems. He was the founding director of the University of California's first environmental science center inside Yosemite National Park, where he continues to develop data-driven approaches to managing natural ecosystems.
In 2012 Berlow founded Vibrant Data Labs, which builds tools to use data for social good. Berlow's current projects range from helping spark an egalitarian personal data economy to protecting endangered amphibians in Yosemite to crowd-sourcing novel insights about human creativity. Berlow holds a Ph.D. from Oregon State University in marine ecology.
Eric Berlow | Speaker | TED.com
Sean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow.
Why you should listen
Sean Gourley's twin passions are physics (working on nanoscale blue-light lasers and self-assembled quantum nanowires) and politics (he once ran for a national elected office back home in New Zealand).
A Rhodes scholar, he's spent the past five years working at Oxford on complex adaptive systems and collective intelligent systems -- basically, using data to understand the nature of human conflict. As he puts it, "This research has taken me all over the world from the Pentagon, to the House of Lords, the United Nations and most recently to Iraq". Originally from New Zealand, he now lives in San Francisco, where he is the co-founder and CTO of Quid which is building a global intelligence platform. He's a 2009 TED Fellow.
In December 2009, Gourley and his team's research was published in the scientific journal Nature. He is co-founder and CTO of Quid.
Sean Gourley | Speaker | TED.com