TED2010
Stephen Wolfram: Computing a theory of all knowledge
استفان ولفرام: محاسبه ی یک تئوری برای همه چیز
Filmed:
Readability: 4.4
1,811,819 views
استفان ولفرام، سازنده ی متمتیکا، درباره ی جستجویش برای محاسباتی کردن هر دانشی -- قابل جستجو، تجزیه تحلیل و دستکاری کردن -- می گوید. موتور جستجوی جدیدش، ولفرام آلفا، هدفی کمتر از مدل کردن و توضیح فیزیک زیربنای جهان ندارد.
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
من امروز می خواهم درباره ی یک ایده صحبت کنم. این ایده ی بزرگی است.
00:19
Actually, I think it'll eventually
1
4000
2000
در واقع، فکر می کنم نهایتا
00:21
be seen as probably the single biggest idea
2
6000
2000
به عنوان شاید بزرگترین ایده ای که
00:23
that's emerged in the past century.
3
8000
2000
در قرن گذشته بیرون آمده، دیده شود.
00:25
It's the idea of computation.
4
10000
2000
این ایده ی محاسبات است.
00:27
Now, of course, that idea has brought us
5
12000
2000
بدون شک، آن ایده تمامی تکنولوژی کامپیوتری
00:29
all of the computer technology we have today and so on.
6
14000
3000
که امروز داریم و خیلی چیزهای دیگر را برای ما به ارمغان آورده.
00:32
But there's actually a lot more to computation than that.
7
17000
3000
ولی در واقع محاسبات خیلی بیشتر از این حرف هاست.
00:35
It's really a very deep, very powerful, very fundamental idea,
8
20000
3000
این واقعا یک ایده ی بسیار عمیق، بسیار قدرتمند، بسیار بنیادی است،
00:38
whose effects we've only just begun to see.
9
23000
3000
که تازه شروع کرده ایم به دیدن اثرات آن.
00:41
Well, I myself have spent the past 30 years of my life
10
26000
3000
خوب، من خودم 30 سال گذشته ی زندگی ام را پرداخته ام به
00:44
working on three large projects
11
29000
2000
کار کردن روی سه پروژه ی بزرگ
00:46
that really try to take the idea of computation seriously.
12
31000
3000
که واقعا سعی دارند ایده ی محاسبات را جدی بگیرند.
00:50
So I started off at a young age as a physicist
13
35000
3000
من در یک سن کم به عنوان یک فیزیکدان
00:53
using computers as tools.
14
38000
2000
شروع کردم به استفاده از کامپیوتر به عنوان ابزار.
00:55
Then, I started drilling down,
15
40000
2000
بعد از آن، شروع کردم به یک جور کندوکاش کامپیوتر،
00:57
thinking about the computations I might want to do,
16
42000
2000
با فکر این که چه محاسباتی ممکن است بخواهم انجام دهم،
00:59
trying to figure out what primitives they could be built up from
17
44000
3000
و تلاش برای فهمیدن این که آن ها از چه عناصر اولیه ای می توانند ساخته شوند
01:02
and how they could be automated as much as possible.
18
47000
3000
و چه طوری می توانند تا جایی که ممکن است خودکار انجام شوند.
01:05
Eventually, I created a whole structure
19
50000
2000
نهایتا، براساس برنامه نویسی سمبولیک و
01:07
based on symbolic programming and so on
20
52000
2000
این جور چیزها یک ساختار کامل ایجاد کردم
01:09
that let me build Mathematica.
21
54000
2000
که به من کمک کرد متمتیکا را بسازم.
01:11
And for the past 23 years, at an increasing rate,
22
56000
2000
و ما در طول 23 سال گذشته، با سرعتی رو به رشد،
01:13
we've been pouring more and more ideas
23
58000
2000
ایده ها و قابلیت ها و به همین ترتیب چیزهای
01:15
and capabilities and so on into Mathematica,
24
60000
2000
بیشتر و بیشتری در متمتیکا ریخته ایم.
01:17
and I'm happy to say that that's led to many good things
25
62000
3000
و خوشحالم بگویم که آن منجر به اتفاقات خوب زیادی
01:20
in R & D and education,
26
65000
2000
در تحقیق و توسعه و تحصیل،
01:22
lots of other areas.
27
67000
2000
و بسیاری زمینه های دیگر شده است.
01:24
Well, I have to admit, actually,
28
69000
2000
خوب، باید اقرار کنم، در واقع، که من
01:26
that I also had a very selfish reason for building Mathematica:
29
71000
3000
دلیل بسیار خودخواهانه ای برای ساختن متمتیکا داشتم.
01:29
I wanted to use it myself,
30
74000
2000
می خواستم خودم از آن استفاده کنم،
01:31
a bit like Galileo got to use his telescope
31
76000
2000
یک کم مثل گالیله که 400 سال پیش
01:33
400 years ago.
32
78000
2000
فرصت این را پیدا کرد که از تلسکوپش استفاده کند.
01:35
But I wanted to look not at the astronomical universe,
33
80000
3000
ولی من می خواستم، نه به دنیای نجومی،
01:38
but at the computational universe.
34
83000
3000
بلکه به دنیای محاسبات نگاه کنم.
01:41
So we normally think of programs as being
35
86000
2000
ما معمولا به برنامه ها به صورت
01:43
complicated things that we build
36
88000
2000
چیزهای پیچیده ای که برای یک منظور
01:45
for very specific purposes.
37
90000
2000
خیلی خاص می سازیم، نگاه می کنیم.
01:47
But what about the space of all possible programs?
38
92000
3000
ولی نظرتان درباره ی فضای همه ی برنامه های ممکن چیست؟
01:50
Here's a representation of a really simple program.
39
95000
3000
این نمایشی از یک برنامه ی خیلی ساده است.
01:53
So, if we run this program,
40
98000
2000
خوب، اگر این برنامه را اجرا کنیم،
01:55
this is what we get.
41
100000
2000
این چیزی است که می گیریم.
01:57
Very simple.
42
102000
2000
خیلی ساده.
01:59
So let's try changing the rule
43
104000
2000
پس بیایید سعی کنیم قانون این برنامه را
02:01
for this program a little bit.
44
106000
2000
کمی تغییر دهیم.
02:03
Now we get another result,
45
108000
2000
حالا یک جواب دیگر می گیریم،
02:05
still very simple.
46
110000
2000
که باز هم خیلی ساده است.
02:07
Try changing it again.
47
112000
3000
سعی کنید دوباره تغییرش دهید.
02:10
You get something a little bit more complicated.
48
115000
2000
یک جواب کمی پیچیده تر می گیرید،
02:12
But if we keep running this for a while,
49
117000
2000
ولی اگر برای مدتی به اجرا کردن این ادامه دهیم،
02:14
we find out that although the pattern we get is very intricate,
50
119000
3000
متوجه می شویم که، اگرچه الگویی که به دست می آوریم کمی پیچیده است،
02:17
it has a very regular structure.
51
122000
3000
ساختار بسیار منظمی دارد.
02:20
So the question is: Can anything else happen?
52
125000
3000
پس سؤال این است: آیا چیز دیگری می تواند اتفاق بیفتد؟
02:23
Well, we can do a little experiment.
53
128000
2000
خوب، می توانیم یک آزمایش کوچک انجام دهیم.
02:25
Let's just do a little mathematical experiment, try and find out.
54
130000
3000
بیایید فقط یک آزمایش ریاضی کوچک انجام دهیم، امتحان کنیم و بفهمیم.
02:29
Let's just run all possible programs
55
134000
3000
بیایید همه ی برنامه های ممکن از نوع خاصی
02:32
of the particular type that we're looking at.
56
137000
2000
که داریم بررسی می کنیم را اجرا کنیم.
02:34
They're called cellular automata.
57
139000
2000
به این ها می گویند ماشین سلولی (cellular automata).
02:36
You can see a lot of diversity in the behavior here.
58
141000
2000
شما اینجا می توانید تنوع زیادی در رفتار مشاهده کنید.
02:38
Most of them do very simple things,
59
143000
2000
بیشتر آن ها کارهای خیلی ساده ای انجام می دهند.
02:40
but if you look along all these different pictures,
60
145000
2000
ولی اگر همه ی این تصاویر متفاوت را در امتداد نگاه کنید،
02:42
at rule number 30,
61
147000
2000
در قانون شماره 30،
02:44
you start to see something interesting going on.
62
149000
2000
شروع می کنید به دیدن چیز جالبی که دارد اتفاق می افتد.
02:46
So let's take a closer look
63
151000
2000
خوب بیایید اینجا با دقت بیشتری
02:48
at rule number 30 here.
64
153000
2000
به قانون 30 نگاه کنیم.
02:50
So here it is.
65
155000
2000
این جاست.
02:52
We're just following this very simple rule at the bottom here,
66
157000
3000
ما فقط داریم از این قانون خیلی ساده این پایین پیروی می کنیم،
02:55
but we're getting all this amazing stuff.
67
160000
2000
ولی داریم همه ی این چیزهای شگفت انگیز را می گیریم.
02:57
It's not at all what we're used to,
68
162000
2000
این به هیچ وجه چیزی نیست که به آن عادت داریم،
02:59
and I must say that, when I first saw this,
69
164000
2000
و باید بگویم که، اولین باری که این را دیدم،
03:01
it came as a huge shock to my intuition.
70
166000
3000
مثل شک بزرگی در درک شهودی من بود،
03:04
And, in fact, to understand it,
71
169000
2000
و در حقیقت، برای فهمیدن آن،
03:06
I eventually had to create
72
171000
2000
نهایتا مجبور شدم یک نوع علم
03:08
a whole new kind of science.
73
173000
2000
کاملا جدید به وجود آورم.
03:11
(Laughter)
74
176000
2000
(خنده ی حاضران)
03:13
This science is different, more general,
75
178000
3000
این علم با علم مبتنی بر ریاضیاتی که
03:16
than the mathematics-based science that we've had
76
181000
2000
در طول 300 سال گذشته داشته ایم،
03:18
for the past 300 or so years.
77
183000
3000
فرق دارد، کلی تر است.
03:21
You know, it's always seemed like a big mystery:
78
186000
2000
می دانید، اینکه طبیعت چگونه
03:23
how nature, seemingly so effortlessly,
79
188000
3000
به ظاهر اینطور بی دردسر، موفق می شود این همه گونه که
03:26
manages to produce so much
80
191000
2000
برای ما اینقدر پیچیده به نظر می آید،
03:28
that seems to us so complex.
81
193000
3000
را بسازد، همیشه مثل یک معمای بزرگ بوده.
03:31
Well, I think we've found its secret:
82
196000
3000
خوب، من فکر می کنم که ما رازش را پیدا کرده ایم.
03:34
It's just sampling what's out there in the computational universe
83
199000
3000
این فقط نمونه برداری از چیزهایی
03:37
and quite often getting things like Rule 30
84
202000
3000
در دنیای محاسبات و اغلب گرفتن جواب هایی مثل قانون 30
03:40
or like this.
85
205000
3000
یا مثل این است.
03:44
And knowing that starts to explain
86
209000
2000
و دانستن آن شروع می کند به توضیح تعداد زیادی
03:46
a lot of long-standing mysteries in science.
87
211000
3000
معماهای دور و دراز در علم.
03:49
It also brings up new issues, though,
88
214000
2000
با این حال، مسائل تازه ای را هم به وجود می آورد،
03:51
like computational irreducibility.
89
216000
3000
مثل ساده سازی ناپذیری محاسباتی. منظورم این است که،
03:54
I mean, we're used to having science let us predict things,
90
219000
3000
ما عادت کردیم به اینکه با در دست داشتن علم نتایج را پیش بینی کنیم،
03:57
but something like this
91
222000
2000
ولی چیزی مثل این
03:59
is fundamentally irreducible.
92
224000
2000
اساسا غیر قابل ساده کردن است.
04:01
The only way to find its outcome
93
226000
2000
تنها راه مؤثر برای به دست آوردن خروجی اش این است که،
04:03
is, effectively, just to watch it evolve.
94
228000
3000
تکامل پیدا کردنش را تماشا کنیم.
04:06
It's connected to, what I call,
95
231000
2000
این مربوط می شود به چیزی که من اسمش را می گذارم،
04:08
the principle of computational equivalence,
96
233000
2000
اصل هم ارزی محاسباتی (the principle of computational equivalence)،
04:10
which tells us that even incredibly simple systems
97
235000
3000
که به ما می گوید، حتی سیستم های فوق العاده ساده
04:13
can do computations as sophisticated as anything.
98
238000
3000
می توانند محاسباتی به هر پیچیدگی انجام دهند.
04:16
It doesn't take lots of technology or biological evolution
99
241000
3000
این که بتوانیم محاسبات اختیاری انجام دهیم،
04:19
to be able to do arbitrary computation;
100
244000
2000
تکنولوژی یا تکامل زیستی خاصی نمی خواهد،
04:21
just something that happens, naturally,
101
246000
2000
چیزی است که همه جا
04:23
all over the place.
102
248000
2000
به طور طبیعی اتفاق می افتد.
04:25
Things with rules as simple as these can do it.
103
250000
3000
چیزهایی با قوانینی به این سادگی می توانند این کار را بکنند.
04:29
Well, this has deep implications
104
254000
2000
خوب، این تأثیرات عمیقی
04:31
about the limits of science,
105
256000
2000
درباره ی حدود علم،
04:33
about predictability and controllability
106
258000
2000
درباره ی قابل پیش بینی و کنترل بودن
04:35
of things like biological processes or economies,
107
260000
3000
چیزهایی مثل فرآیندهای زیستی یا اقتصاد،
04:38
about intelligence in the universe,
108
263000
2000
درباره ی هوشمندی در جهان،
04:40
about questions like free will
109
265000
2000
درباره ی سؤال هایی مثل آزادی اراده
04:42
and about creating technology.
110
267000
3000
و درباره ی ایجاد تکنولوژی دارد.
04:45
You know, in working on this science for many years,
111
270000
2000
می دانید، بعد از این همه سال کار کردن روی این علم،
04:47
I kept wondering,
112
272000
2000
هنوز از خودم می پرسم،
04:49
"What will be its first killer app?"
113
274000
2000
"اولین کاربرد حیاتی اش چه خواهد بود؟"
04:51
Well, ever since I was a kid,
114
276000
2000
خوب، از وقتی بچه بودم،
04:53
I'd been thinking about systematizing knowledge
115
278000
2000
درباره ی قانونمند کردن علم و یک جورهایی
04:55
and somehow making it computable.
116
280000
2000
قابل محاسبه کردن آن فکر می کردم.
04:57
People like Leibniz had wondered about that too
117
282000
2000
آدم هایی مثل لایبنیز (Leibniz) هم 300 سال پیش
04:59
300 years earlier.
118
284000
2000
بهش فکر کرده بودند.
05:01
But I'd always assumed that to make progress,
119
286000
2000
ولی من همیشه فرض می کردم که برای جلو رفتن،
05:03
I'd essentially have to replicate a whole brain.
120
288000
3000
لزوما مجبورم یک مغز کامل را دوباره سازی کنم.
05:06
Well, then I got to thinking:
121
291000
2000
خوب، حالا باید فکر کنم:
05:08
This scientific paradigm of mine suggests something different --
122
293000
3000
این مدل علمی من چیز متفاوتی پیشنهاد می کند.
05:11
and, by the way, I've now got
123
296000
2000
و به هر حال، من قابلیت های محاسباتی عظیمی
05:13
huge computation capabilities in Mathematica,
124
298000
3000
در متمتیکا به دست آورده ام.
05:16
and I'm a CEO with some worldly resources
125
301000
3000
و من یک مدیرعامل هستم با منابعی کارکشته
05:19
to do large, seemingly crazy, projects --
126
304000
3000
تا پروژه های بزرگ و به ظاهر عجیب و غریب انجام دهم.
05:22
So I decided to just try to see
127
307000
2000
برای همین تصمیم گرفتم که سعی کنم ببینم
05:24
how much of the systematic knowledge that's out there in the world
128
309000
3000
چقدر از دانش سیستماتیکی که آن بیرون در دنیا است را
05:27
we could make computable.
129
312000
2000
می توانیم قابل محاسبه کنیم.
05:29
So, it's been a big, very complex project,
130
314000
2000
خوب، این یک پروژه ی بزرگ بسیار پیچیده است،
05:31
which I was not sure was going to work at all.
131
316000
3000
که اصلا مطمئن نبودم که کار کند.
05:34
But I'm happy to say it's actually going really well.
132
319000
3000
ولی خوشحالم که بگویم که در واقع دارد خیلی خوب پیش می رود.
05:37
And last year we were able
133
322000
2000
و سال گذشته موفق شدیم
05:39
to release the first website version
134
324000
2000
اولین نسخه ی وب سایت
05:41
of Wolfram Alpha.
135
326000
2000
ولفرام آلفا را منتشر کنیم.
05:43
Its purpose is to be a serious knowledge engine
136
328000
3000
هدفش این است که یک موتور دانش واقعی باشد که
05:46
that computes answers to questions.
137
331000
3000
جواب سؤال ها را محاسبه می کند.
05:49
So let's give it a try.
138
334000
2000
پس بیایید امتحانش کنیم.
05:51
Let's start off with something really easy.
139
336000
2000
بیایید با چیز خیلی ساده ای شروع کنیم.
05:53
Hope for the best.
140
338000
2000
امیدوارم جواب بدهد.
05:55
Very good. Okay.
141
340000
2000
خیلی خوب است. باشد.
05:57
So far so good.
142
342000
2000
تا اینجا خوب بوده.
05:59
(Laughter)
143
344000
3000
(خنده)
06:02
Let's try something a little bit harder.
144
347000
3000
بیایید یک چیز کمی سخت تر را امتحان کنیم.
06:05
Let's do
145
350000
2000
بیایید بگوییم ...
06:07
some mathy thing,
146
352000
3000
بیایید کمی کار ریاضی بکنیم
06:10
and with luck it'll work out the answer
147
355000
3000
و با کمی شانس، جواب می دهد
06:13
and try and tell us some interesting things
148
358000
2000
و تلاش می کند و چیزهای جالبی به ما می گوید،
06:15
things about related math.
149
360000
2000
چیزهایی درباره ی ریاضیات مربوط به آن.
06:17
We could ask it something about the real world.
150
362000
3000
می توانیم چیزی درمورد دنیای واقعی از آن بپرسیم.
06:20
Let's say -- I don't know --
151
365000
2000
بگذارید بگویم -- نمی دانم--
06:22
what's the GDP of Spain?
152
367000
3000
تولید ناخالص داخلی اسپانیا چقدر است؟
06:25
And it should be able to tell us that.
153
370000
2000
و این باید قادر باشد این را به ما بگوید.
06:27
Now we could compute something related to this,
154
372000
2000
می توانیم چیزی مرتبط با این را محاسبه کنیم،
06:29
let's say ... the GDP of Spain
155
374000
2000
بیایید بگوییم تولید ناخالص داخلی اسپانیا
06:31
divided by, I don't know,
156
376000
2000
تقسیم بر، نمی دانم،
06:33
the -- hmmm ...
157
378000
2000
امممممم...
06:35
let's say the revenue of Microsoft.
158
380000
2000
مثلا درآمد مایکروسافت.
06:37
(Laughter)
159
382000
2000
(خنده)
06:39
The idea is that we can just type this in,
160
384000
2000
ایده این است که می توانیم یک جورهایی فقط این را تایپ کنیم،
06:41
this kind of question in, however we think of it.
161
386000
3000
این جور سؤال ها را به هر شکلی که به آن فکر می کنیم.
06:44
So let's try asking a question,
162
389000
2000
پس بیایید سؤالی مثلا مربوط به سلامتی
06:46
like a health related question.
163
391000
2000
را امتحان کنیم.
06:48
So let's say we have a lab finding that ...
164
393000
3000
فرض کنیم نتیجه ی یک آزمایش را داریم که --
06:51
you know, we have an LDL level of 140
165
396000
2000
می دانید، سطح LDL یک مرد 50 ساله را
06:53
for a male aged 50.
166
398000
3000
140 داریم.
06:56
So let's type that in, and now Wolfram Alpha
167
401000
2000
خوب پس اجازه دهید این را تایپ کنیم، و حالا ولفرام آلفا
06:58
will go and use available public health data
168
403000
2000
می رود و از اطلاعات سلامت عمومی موجود استفاده می کند
07:00
and try and figure out
169
405000
2000
و سعی می کند بفهمد
07:02
what part of the population that corresponds to and so on.
170
407000
3000
این شبیه کدام قسمت از جمعیت است و و و.
07:05
Or let's try asking about, I don't know,
171
410000
3000
یا بگذارید پرسیدن درباره ی، نمی دانم،
07:08
the International Space Station.
172
413000
2000
ایستگاه فضایی بین المللی را امتحان کنیم.
07:10
And what's happening here is that
173
415000
2000
و چیزی که اینجا اتفاق می افتد این است که
07:12
Wolfram Alpha is not just looking up something;
174
417000
2000
ولفرام آلفا فقط یک کلمه را نگاه نمی کند؛
07:14
it's computing, in real time,
175
419000
3000
بلکه در لحظه محاسبه می کند که
07:17
where the International Space Station is right now at this moment,
176
422000
3000
ایستگاه فضایی بین المللی الآن، درست در همین لحظه، کجاست،
07:20
how fast it's going, and so on.
177
425000
3000
با چه سرعتی حرکت می کند و و و.
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
429000
3000
پس ولفرام آلفا درباره ی چیزهای بسیار بسیار زیادی اطلاعات دارد.
07:27
It's got, by now,
179
432000
2000
تا حالا پوشش خوبی از هر چیزی که
07:29
pretty good coverage of everything you might find
180
434000
2000
ممکن است در یک کتابخانه ی مرجع استاندارد و
07:31
in a standard reference library.
181
436000
3000
مثل آن پیدا کنید، به دست آورده.
07:34
But the goal is to go much further
182
439000
2000
اما هدف این است که خیلی فراتر برویم
07:36
and, very broadly, to democratize
183
441000
3000
و، به طور خیلی گسترده، همه ی این نوع دانش ها را
07:39
all of this knowledge,
184
444000
3000
دموکراتیک کنیم،
07:42
and to try and be an authoritative
185
447000
2000
و سعی کنیم که یک منبع معتبر
07:44
source in all areas.
186
449000
2000
در همه ی زمینه ها باشیم،
07:46
To be able to compute answers to specific questions that people have,
187
451000
3000
قادر باشیم جواب سؤال های خاصی که مردم دارند را محاسبه کنیم،
07:49
not by searching what other people
188
454000
2000
نه با جستجوی چیزی که ممکن است
07:51
may have written down before,
189
456000
2000
قبل از آن دیگران نوشته باشند،
07:53
but by using built in knowledge
190
458000
2000
بلکه با استفاده از دانش درونی که
07:55
to compute fresh new answers to specific questions.
191
460000
3000
برای محاسبه جواب های نو به پرسش های خاص تعبیه شده.
07:58
Now, of course, Wolfram Alpha
192
463000
2000
البته، ولفرام آلفا
08:00
is a monumentally huge, long-term project
193
465000
2000
یک پروژه ی طولانی مدت بسیار عظیم است
08:02
with lots and lots of challenges.
194
467000
2000
با چالش های بسیار بسیار زیاد.
08:04
For a start, one has to curate a zillion
195
469000
3000
برای شروع، آدم باید بی نهایت
08:07
different sources of facts and data,
196
472000
3000
منبع مختلف وقایع و اطلاعات را جمع کند،
08:10
and we built quite a pipeline of Mathematica automation
197
475000
3000
و ما برای انجام این کار تقریبا یک پایپ لاین
08:13
and human domain experts for doing this.
198
478000
3000
از ماشین متمتیکا و متخصصان حوزه ی انسانی ساخته ایم.
08:16
But that's just the beginning.
199
481000
2000
ولی این تازه اول کار است.
08:18
Given raw facts or data
200
483000
2000
با داشتن وقایع یا اطلاعات خام
08:20
to actually answer questions,
201
485000
2000
برای جواب دادن سؤال ها،
08:22
one has to compute:
202
487000
2000
باید بتوانی محاسبه کنی،
08:24
one has to implement all those methods and models
203
489000
2000
باید بتوانی همه ی آن روش ها و مدل ها و
08:26
and algorithms and so on
204
491000
2000
الگوریتم ها و غیره که علم و سایر رشته ها
08:28
that science and other areas have built up over the centuries.
205
493000
3000
در طول قرن ها ساخته اند را پیاده سازی کنی.
08:31
Well, even starting from Mathematica,
206
496000
3000
خوب، حتی با شروع از متمتیکا،
08:34
this is still a huge amount of work.
207
499000
2000
هنوز مقدار عظیمی کار وجود دارد.
08:36
So far, there are about 8 million lines
208
501000
2000
تا حالا، حدود 8 میلیون
08:38
of Mathematica code in Wolfram Alpha
209
503000
2000
خط کد متمتیکا توسط متخصصانی از تعداد بسیار زیادی
08:40
built by experts from many, many different fields.
210
505000
3000
رشته های مختلف، در ولفرام آلفا نوشته شده است.
08:43
Well, a crucial idea of Wolfram Alpha
211
508000
3000
خوب، یک ایده ی اصلی ولفرام آلفا این
08:46
is that you can just ask it questions
212
511000
2000
است که شما بتوانید با زبان معمولی انسانی
08:48
using ordinary human language,
213
513000
3000
از آن سؤال بپرسید، که یعنی ما
08:51
which means that we've got to be able to take
214
516000
2000
باید قادر باشیم همه ی آن حرف های عجیبی که
08:53
all those strange utterances that people type into the input field
215
518000
3000
مردم در فیلد ورودی تایپ می کنند را بگیریم
08:56
and understand them.
216
521000
2000
و آن ها را بفهمیم.
08:58
And I must say that I thought that step
217
523000
2000
و باید بگویم که فکر می کردم آن مرحله
09:00
might just be plain impossible.
218
525000
3000
ممکن است کاملا غیر ممکن باشد.
09:04
Two big things happened:
219
529000
2000
دو تا اتفاق بزرگ افتاد.
09:06
First, a bunch of new ideas about linguistics
220
531000
3000
اول، یک سری ایده های جدید در مورد زبان شناسی
09:09
that came from studying the computational universe;
221
534000
3000
که از مطالعه ی دنیای محاسباتی به دست آمد.
09:12
and second, the realization that having actual computable knowledge
222
537000
3000
و دوم، فهمیدن اینکه داشتن دانش واقعی قابل محاسبه،
09:15
completely changes how one can
223
540000
2000
به طور کامل روش فهمیدن یک زبان
09:17
set about understanding language.
224
542000
3000
توسط یک شخص را تغییر می دهد.
09:20
And, of course, now
225
545000
2000
و البته، حالا
09:22
with Wolfram Alpha actually out in the wild,
226
547000
2000
با ولفرام آلفا بیرون در دنیای طبیعی،
09:24
we can learn from its actual usage.
227
549000
2000
می توانیم از استفاده ی واقعی آن یاد بگیریم.
09:26
And, in fact, there's been
228
551000
2000
و در واقع،
09:28
an interesting coevolution that's been going on
229
553000
2000
یک تکامل دو طرفه ی جالب
09:30
between Wolfram Alpha
230
555000
2000
بین ولفرام آلفا و استفاده کنندگان آن
09:32
and its human users,
231
557000
2000
در جریان بوده است.
09:34
and it's really encouraging.
232
559000
2000
و این خیلی دلگرم کننده است.
09:36
Right now, if we look at web queries,
233
561000
2000
درست همین الآن، اگر به سؤالات اینترنتی نگاه کنیم،
09:38
more than 80 percent of them get handled successfully the first time.
234
563000
3000
بیش از 80 درصد آن ها بار اول جواب داده می شوند.
09:41
And if you look at things like the iPhone app,
235
566000
2000
و اگر به چیزهایی مثل برنامه های آی-فون (iPhone) نگاه کنید،
09:43
the fraction is considerably larger.
236
568000
2000
این نسبت به طور قابل ملاحظه ای بزرگتر است.
09:45
So, I'm pretty pleased with it all.
237
570000
2000
بنابراین، من خیلی از همه اش راضی ام.
09:47
But, in many ways,
238
572000
2000
ولی، از بسیاری جهات،
09:49
we're still at the very beginning with Wolfram Alpha.
239
574000
3000
ما هنوز اول کار ولفرام آلفا هستیم.
09:52
I mean, everything is scaling up very nicely
240
577000
2000
منظورم این است که، همه چیز دارد خیلی خوب جلو می رود.
09:54
and we're getting more confident.
241
579000
2000
ما داریم اطمینان بیشتری پیدا می کنیم.
09:56
You can expect to see Wolfram Alpha technology
242
581000
2000
می توانید انتظار داشته باشید تکنولوژی ولفرام آلفا
09:58
showing up in more and more places,
243
583000
2000
جاهای بیشتر و بیشتری خودنمایی کند،
10:00
working both with this kind of public data, like on the website,
244
585000
3000
و هم با این نوع اطلاعات عمومی، مثلا روی وب سایت،
10:03
and with private knowledge
245
588000
2000
و هم با دانش خصوصی
10:05
for people and companies and so on.
246
590000
3000
برای مردم و شرکت ها و غیره کار کند.
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
593000
3000
می دانید، من فهمیده ام که ولفرام آلفا در واقع
10:11
a whole new kind of computing
248
596000
2000
به آدم یک جور روش محاسباتی کاملا جدید می دهد
10:13
that one can call knowledge-based computing,
249
598000
2000
که می شود اسمش را گذاشت محاسبه ی مبتنی بر دانش،
10:15
in which one's starting not just from raw computation,
250
600000
3000
که در آن آدم، نه فقط از محاسبات خام،
10:18
but from a vast amount of built-in knowledge.
251
603000
3000
بلکه از مقدار عظیمی دانش از پیش ساخته شده، شروع می کند.
10:21
And when one does that, one really changes
252
606000
2000
و وقتی کسی این کار را می کند، اقتصاد منتقل کردن
10:23
the economics of delivering computational things,
253
608000
3000
چیزهای محاسباتی را، چه روی وب و چه هرجای دیگری،
10:26
whether it's on the web or elsewhere.
254
611000
2000
واقعا تغییر می دهد.
10:28
You know, we have a fairly interesting situation right now.
255
613000
3000
می دانید، ما الآن یک موقعیت نسبتا جالب داریم.
10:31
On the one hand, we have Mathematica,
256
616000
2000
از یک طرف، متمتیکا را داریم،
10:33
with its sort of precise, formal language
257
618000
3000
با همه دقت اش، زبان قراردادی اش،
10:36
and a huge network
258
621000
2000
و یک شبکه ی عظیم
10:38
of carefully designed capabilities
259
623000
2000
از قابلیت های به دقت طراحی شده،
10:40
able to get a lot done in just a few lines.
260
625000
3000
که می تواند در فقط چند خط، کارهای زیادی انجام دهد.
10:43
Let me show you a couple of examples here.
261
628000
3000
اجازه دهید اینجا چند مثال نشانتان بدهم.
10:47
So here's a trivial piece of Mathematica programming.
262
632000
3000
این یک بخش جزئی از برنامه نویسی متمتیکاست.
10:51
Here's something where we're sort of
263
636000
2000
اینجا جایی است که یک جورهایی یک سری
10:53
integrating a bunch of different capabilities here.
264
638000
3000
قابلیت های مختلف را با هم جمع می کنیم.
10:56
Here we'll just create, in this line,
265
641000
3000
اینجا در این خط فقط یک رابط کاربری
10:59
a little user interface that allows us to
266
644000
3000
کوچک می سازیم که به ما اجازه می دهد
11:02
do something fun there.
267
647000
2000
یک کار باحال بکنیم.
11:05
If you go on, that's a slightly more complicated program
268
650000
2000
اگر ادامه دهید، این یک برنامه ی کمی پیچیده تر است
11:07
that's now doing all sorts of algorithmic things
269
652000
3000
که حالا همه نوع کار الگوریتمی و
11:10
and creating user interface and so on.
270
655000
2000
ایجاد رابط کاربری و ... را انجام می دهد.
11:12
But it's something that is very precise stuff.
271
657000
3000
اما این چیز خیلی دقیقی است.
11:15
It's a precise specification with a precise formal language
272
660000
3000
این یک مشخصات دقیق با یک زبان قراردادی دقیق است که
11:18
that causes Mathematica to know what to do here.
273
663000
3000
باعث می شود متمتیکا بداند باید اینجا چه کار کند.
11:21
Then on the other hand, we have Wolfram Alpha,
274
666000
3000
خوب، از طرف دیگر، ولفرام آلفا را داریم،
11:24
with all the messiness of the world
275
669000
2000
به همراه همه جور شلختگی دنیا
11:26
and human language and so on built into it.
276
671000
2000
و زبان انسانی و غیره که در آن قرار دارد.
11:28
So what happens when you put these things together?
277
673000
3000
پس وقتی این چیزها را در کنار هم قرار می دهید چه می شود؟
11:31
I think it's actually rather wonderful.
278
676000
2000
من فکر می کنم در واقع تقریبا شگفت انگیز است.
11:33
With Wolfram Alpha inside Mathematica,
279
678000
2000
با ولفرام آلفا داخل متمتیکا،
11:35
you can, for example, make precise programs
280
680000
2000
می توانید، برای مثال، برنامه های دقیق بسازید
11:37
that call on real world data.
281
682000
2000
که اطلاعات واقعی دنیا را فراخوانی کنند.
11:39
Here's a real simple example.
282
684000
2000
این یک مثال واقعا ساده است.
11:44
You can also just sort of give vague input
283
689000
3000
به علاوه می توانید یک جور ورودی مبهم بدهید
11:47
and then try and have Wolfram Alpha
284
692000
2000
و بعد امتحان کنید و ببینید ولفرام آلفا
11:49
figure out what you're talking about.
285
694000
2000
می فهمد دارید درباره ی چی حرف می زنید.
11:51
Let's try this here.
286
696000
2000
بگذارید این را اینجا تست کنیم.
11:53
But actually I think the most exciting thing about this
287
698000
3000
ولی در واقع من فکر می کنم یک جورهایی هیجان انگیزترین
11:56
is that it really gives one the chance
288
701000
2000
چیز درباره ی این، آن است که واقعا به آدم شانس
11:58
to democratize programming.
289
703000
3000
این را می دهد که برنامه نویسی را دموکراتیک کند.
12:01
I mean, anyone will be able to say what they want in plain language.
290
706000
3000
منظورم این است که، هر کسی می تواند به زبان ساده چیزی که می خواهد
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
709000
3000
را بگوید، ایده این است، که ولفرام آلفا قادر خواهد بود بفهمد
12:07
what precise pieces of code
292
712000
2000
چه قطعه کدهای دقیقی
12:09
can do what they're asking for
293
714000
2000
می توانند چیزی که آنها می خواهند را انجام دهد
12:11
and then show them examples that will let them pick what they need
294
716000
3000
و بعد به آن ها مثال هایی نشان دهد که بهشان اجازه می دهد چیزی که نیاز دارند
12:14
to build up bigger and bigger, precise programs.
295
719000
3000
را انتخاب کنند تا برنامه های دقیق بزرگ و بزرگتری بسازند.
12:17
So, sometimes, Wolfram Alpha
296
722000
2000
گاهی اوقات، ولفرام آلفا
12:19
will be able to do the whole thing immediately
297
724000
2000
می تواند تمام کار را بلافاصله انجام دهد
12:21
and just give back a whole big program that you can then compute with.
298
726000
3000
و یک برنامه ی کامل بزرگ را برگرداند که می توانید بعد با آن محاسبه کنید.
12:24
Here's a big website
299
729000
2000
خوب، اینجا یک وب سایت بزرگ است
12:26
where we've been collecting lots of educational
300
731000
3000
جایی که مقدار زیادی مطالب آموزشی و غیره
12:29
and other demonstrations about lots of kinds of things.
301
734000
3000
درباره ی موضوعات خیلی زیادی جمع کرده ایم.
12:32
I'll show you one example here.
302
737000
3000
خوب، نمی دانم، یک مثال به شما نشان می دهم، شاید اینجا.
12:36
This is just an example of one of these computable documents.
303
741000
3000
این فقط یک مثال از یکی از این اسناد قابل محاسبه است.
12:39
This is probably a fairly small
304
744000
2000
این شاید یک قطعه ی نسبتا کوچک
12:41
piece of Mathematica code
305
746000
2000
از کد متمتیکاست
12:43
that's able to be run here.
306
748000
2000
که می تواند اینجا اجرا شود.
12:47
Okay. Let's zoom out again.
307
752000
3000
باشد. بگذارید دوباره آن را کوچک کنیم.
12:50
So, given our new kind of science,
308
755000
2000
پس، با داشتن علم جدیدمان،
12:52
is there a general way to use it to make technology?
309
757000
3000
آیا یک راه کلی وجود دارد که از آن برای ایجاد تکنولوژی استفاده کنیم؟
12:55
So, with physical materials,
310
760000
2000
خوب، با مواد فیزیکی،
12:57
we're used to going around the world
311
762000
2000
عادت کرده ایم به یک جورهایی رفتن دور دنیا
12:59
and discovering that particular materials
312
764000
2000
و کشف کردن مواد خاصی که
13:01
are useful for particular
313
766000
2000
برای هدف های تکنولوژیکی خاصی
13:03
technological purposes.
314
768000
2000
مفید هستند و و و.
13:05
Well, it turns out we can do very much the same kind of thing
315
770000
2000
خوب، معلوم می شود که ما می توانیم یک چیزی خیلی شبیه به این را
13:07
in the computational universe.
316
772000
2000
در دنیای محاسبات انجام دهیم.
13:09
There's an inexhaustible supply of programs out there.
317
774000
3000
یک منبع تمام نشدنی از برنامه آن بیرون است.
13:12
The challenge is to see how to
318
777000
2000
مسأله این است که ببینیم چه طوری
13:14
harness them for human purposes.
319
779000
2000
آن ها را برای اهداف بشر تحت کنترل در آوریم.
13:16
Something like Rule 30, for example,
320
781000
2000
یک چیزی مثل قانون 30، برای مثال، مشخص می شود که
13:18
turns out to be a really good randomness generator.
321
783000
2000
یک تولید کننده خوب اعداد تصادفی است.
13:20
Other simple programs are good models
322
785000
2000
برنامه های ساده ی دیگر مدل های خوبی
13:22
for processes in the natural or social world.
323
787000
3000
برای روندهای دنیای طبیعی یا اجتماعی هستند.
13:25
And, for example, Wolfram Alpha and Mathematica
324
790000
2000
و، برای مثال، ولفرام آلفا و متمتیکا
13:27
are actually now full of algorithms
325
792000
2000
در واقع الآن پر از الگوریتم هایی هستند که
13:29
that we discovered by searching the computational universe.
326
794000
3000
با جستجوی دنیای محاسباتی کشف کردیم.
13:33
And, for example, this -- if we go back here --
327
798000
3000
و، برای مثال، این، -- برمی گردیم به اینجا --
13:37
this has become surprisingly popular
328
802000
2000
این به طور شگفت آوری در بین آهنگسازانی
13:39
among composers
329
804000
2000
که دنبال پیدا کردن فرم های موسیقی
13:41
finding musical forms by searching the computational universe.
330
806000
3000
با گشتن در دنیای محاسبات هستند، معروف شده.
13:45
In a sense, we can use the computational universe
331
810000
2000
به یک معنا، ما می توانیم از دنیای محاسباتی استفاده کنیم
13:47
to get mass customized creativity.
332
812000
3000
تا انبوهی از خلاقیت شخصی سازی شده به دست آوریم.
13:50
I'm hoping we can, for example,
333
815000
2000
من امیدوارم که بتوانیم، برای مثال،
13:52
use that even to get Wolfram Alpha
334
817000
2000
حتی از آن استفاده کنیم تا ولفرام آلفا
13:54
to routinely do invention and discovery on the fly,
335
819000
3000
به طور مداوم یک جورهایی رو هوا اختراع و اکتشاف کند.
13:57
and to find all sorts of wonderful stuff
336
822000
2000
و همه جور چیزهای شگفت انگیزی را که
13:59
that no engineer
337
824000
2000
هیچ مهندسی
14:01
and no process of incremental evolution would ever come up with.
338
826000
3000
و هیچ روندی از تکامل تدریجی به ذهنش خطور نمی کند، انجام دهد.
14:05
Well, so, that leads to kind of an ultimate question:
339
830000
3000
خوب، پس این منتهی می شود به یک جور سؤال نهایی.
14:08
Could it be that someplace out there in the computational universe
340
833000
3000
امکان دارد که جایی آن بیرون در دنیای محاسباتی،
14:11
we might find our physical universe?
341
836000
3000
دنیای فیزیکی مان را پیدا کنیم؟
14:14
Perhaps there's even some quite simple rule,
342
839000
2000
شاید حتی چند قانون نسبتا ساده وجود دارد،
14:16
some simple program for our universe.
343
841000
3000
چند برنامه ی ساده برای دنیای ما.
14:19
Well, the history of physics would have us believe
344
844000
2000
تاریخ فیزیک باعث شده باور کنیم
14:21
that the rule for the universe must be pretty complicated.
345
846000
3000
که قانون دنیا باید خیلی پیچیده باشد.
14:24
But in the computational universe,
346
849000
2000
ولی در دنیای محاسبات
14:26
we've now seen how rules that are incredibly simple
347
851000
3000
دیده ایم که قانون های به طرز باورنکردنی ساده
14:29
can produce incredibly rich and complex behavior.
348
854000
3000
چگونه می توانند رفتار این طور غیر قابل باور پیچیده و غنی داشته باشند.
14:32
So could that be what's going on with our whole universe?
349
857000
3000
پس این می تواند همان چیزی باشد که دارد در همه ی دنیای ما اتفاق می افتد؟
14:36
If the rules for the universe are simple,
350
861000
2000
اگر قانون های جهان ساده هستند،
14:38
it's kind of inevitable that they have to be
351
863000
2000
یک جورهایی ناچارند که خیلی
14:40
very abstract and very low level;
352
865000
2000
انتزاعی و سطح پایین باشند،
14:42
operating, for example, far below
353
867000
2000
برای مثال، خیلی پایین تر از
14:44
the level of space or time,
354
869000
2000
سطح فضا یا زمان کار کنند،
14:46
which makes it hard to represent things.
355
871000
2000
که باعث می شود نشان دادن چیزها سخت شود.
14:48
But in at least a large class of cases,
356
873000
2000
ولی حداقل در یک دسته ی بزرگی از نمونه ها
14:50
one can think of the universe as being
357
875000
2000
آدم می تواند درباره ی جهان
14:52
like some kind of network,
358
877000
2000
مثل یک شبکه فکر کند،
14:54
which, when it gets big enough,
359
879000
2000
که، وقتی به اندازه ی کافی بزرگ شد،
14:56
behaves like continuous space
360
881000
2000
مثل فضای پیوسته رفتار می کند
14:58
in much the same way as having lots of molecules
361
883000
2000
خیلی شبیه به اینکه تعداد زیادی مولکول می توانند
15:00
can behave like a continuous fluid.
362
885000
2000
مثل یک ماده ی سیال رفتار کنند.
15:02
Well, then the universe has to evolve by applying
363
887000
3000
پس جهان باید با اعمال کردن قانون های کوچکی
15:05
little rules that progressively update this network.
364
890000
3000
که به طور پیشرونده ای این شبکه را به روز می کنند، تکامل پیدا کند.
15:08
And each possible rule, in a sense,
365
893000
2000
و هر قانون ممکن، از یک جهت،
15:10
corresponds to a candidate universe.
366
895000
2000
به یک دنیای خاص مربوط می شود.
15:12
Actually, I haven't shown these before,
367
897000
3000
راستش، من قبلا این ها را نشان نداده ام،
15:16
but here are a few of the candidate universes
368
901000
3000
ولی این ها تعداد کمی از دنیاهای نامزد هستند که
15:19
that I've looked at.
369
904000
2000
من بهشان نگاه کرده ام.
15:21
Some of these are hopeless universes,
370
906000
2000
بعضی از این ها دنیاهای بی فایده ای هستند،
15:23
completely sterile,
371
908000
2000
کاملا بی نتیجه،
15:25
with other kinds of pathologies like no notion of space,
372
910000
2000
با شکل های دیگر آسیب شناسی مثل نداشتن مفهوم فضا،
15:27
no notion of time, no matter,
373
912000
3000
زمان، ماده،
15:30
other problems like that.
374
915000
2000
مشکلات دیگری از این قبیل.
15:32
But the exciting thing that I've found in the last few years
375
917000
3000
ولی چیز هیجان انگیزی که طی چند سال گذشته فهمیده ام
15:35
is that you actually don't have to go very far
376
920000
2000
این است که لازم نیست در دنیای محاسباتی
15:37
in the computational universe
377
922000
2000
خیلی جای دوری بروید
15:39
before you start finding candidate universes
378
924000
2000
تا دنیاهای نامزد را پیدا کنید
15:41
that aren't obviously not our universe.
379
926000
3000
که به وضوح نامشابه دنیای ما نیستند.
15:44
Here's the problem:
380
929000
2000
مشکل این است:
15:46
Any serious candidate for our universe
381
931000
3000
هر کاندیدای جدی برای دنیای ما،
15:49
is inevitably full of computational irreducibility.
382
934000
3000
به ناچار پر است از ساده ناپذیری های محاسباتی،
15:52
Which means that it is irreducibly difficult
383
937000
3000
که یعنی فهمیدن این که واقعا چه طور رفتار می کند،
15:55
to find out how it will really behave,
384
940000
2000
و آیا با دنیای فیزیکی ما تطبیق دارد،
15:57
and whether it matches our physical universe.
385
942000
3000
از لحاظ محاسباتی به طور ساده ناپذیری سخت است.
16:01
A few years ago, I was pretty excited to discover
386
946000
3000
چند سال پیش، از اینکه کشف کرده بودم دنیاهای نامزدی
16:04
that there are candidate universes with incredibly simple rules
387
949000
3000
با قوانین بسیار ساده وجود دارند که
16:07
that successfully reproduce special relativity,
388
952000
2000
با موفقیت نسبیت خاص را، و حتی
16:09
and even general relativity and gravitation,
389
954000
3000
نسبیت عام و جاذبه و حداقل قسمت جزئی از مکانیک کوانتومی
16:12
and at least give hints of quantum mechanics.
390
957000
3000
را بازسازی می کنند، هیجانزده شدم.
16:15
So, will we find the whole of physics?
391
960000
2000
پس، ما کل فیزیک را پیدا خواهیم کرد؟
16:17
I don't know for sure,
392
962000
2000
من با اطمینان نمی دانم.
16:19
but I think at this point it's sort of
393
964000
2000
ولی فکر می کنم در این نقطه یک جورهایی
16:21
almost embarrassing not to at least try.
394
966000
2000
خجالت آور است که حداقل امتحانش نکنیم.
16:23
Not an easy project.
395
968000
2000
پروژه ی ساده ای نیست.
16:25
One's got to build a lot of technology.
396
970000
2000
آدم باید تکنولوژی زیادی بسازد.
16:27
One's got to build a structure that's probably
397
972000
2000
آدم باید ساختاری بسازد که شاید
16:29
at least as deep as existing physics.
398
974000
2000
حداقل به عمق فیزیک حال حاضر است.
16:31
And I'm not sure what the best way to organize the whole thing is.
399
976000
3000
و من مطمئن نیستم که بهترین راه سازماندهی کردن کل کار چیست.
16:34
Build a team, open it up, offer prizes and so on.
400
979000
3000
گروه تشکیل دهید، آن را باز کنید، جایزه بگذارید و و و.
16:37
But I'll tell you, here today,
401
982000
2000
ولی امروز به شما می گویم
16:39
that I'm committed to seeing this project done,
402
984000
2000
که من متعهد شده ام که پایان این پروژه را ببینم،
16:41
to see if, within this decade,
403
986000
3000
ببینیم آیا، در این دهه،
16:44
we can finally hold in our hands
404
989000
2000
می توانیم بالاخره قانون دنیایمان را
16:46
the rule for our universe
405
991000
2000
در دستانمان بگیریم
16:48
and know where our universe lies
406
993000
2000
و بفهمیم جهانمان در کجای فضای
16:50
in the space of all possible universes ...
407
995000
2000
همه ی جهان های ممکن قرار دارد --
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
997000
3000
و قادر شویم در ولفرام آلفا تایپ کنیم "تئوری جهان"
16:55
and have it tell us.
409
1000000
2000
و او به ما جواب بدهد.
16:57
(Laughter)
410
1002000
2000
(خنده)
17:00
So I've been working on the idea of computation
411
1005000
2000
من بیش از 30 سال است که دارم
17:02
now for more than 30 years,
412
1007000
2000
روی ایده ی محاسبات کار می کنم،
17:04
building tools and methods and turning intellectual ideas
413
1009000
3000
ابزار و روش می سازم و ایده های ذهنی را
17:07
into millions of lines of code
414
1012000
2000
تبدیل می کنم به میلیون ها خط کد
17:09
and grist for server farms and so on.
415
1014000
2000
و برای شبکه های سِرور گندم آسیاب می کنم (داده فراهم می کنم) و و و.
17:11
With every passing year,
416
1016000
2000
هر سال که می گذرد،
17:13
I realize how much more powerful
417
1018000
2000
می فهمم ایده ی محاسبات
17:15
the idea of computation really is.
418
1020000
2000
واقعا چقدر قوی تر است.
17:17
It's taken us a long way already,
419
1022000
2000
تا حالا ما را راه زیادی برده است،
17:19
but there's so much more to come.
420
1024000
2000
ولی هنوز چیزهای زیادی در راه است.
17:21
From the foundations of science
421
1026000
2000
از پایه های علم
17:23
to the limits of technology
422
1028000
2000
تا مرزهای تکنولوژی
17:25
to the very definition of the human condition,
423
1030000
2000
تا تعریف وضعیت بشر،
17:27
I think computation is destined to be
424
1032000
2000
من فکر می کنم محاسبات مقدر شده
17:29
the defining idea of our future.
425
1034000
2000
که ایده ی معلوم کننده ی زندگانی آینده ی ما باشد.
17:31
Thank you.
426
1036000
2000
متشکرم.
17:33
(Applause)
427
1038000
14000
(تشویق)
17:47
Chris Anderson: That was astonishing.
428
1052000
2000
کریس آندرسون: شگفت آور بود.
17:49
Stay here. I've got a question.
429
1054000
2000
بمانید. من یک سؤال دارم.
17:51
(Applause)
430
1056000
4000
(تشویق)
17:57
So, that was, fair to say, an astonishing talk.
431
1062000
3000
صادقانه بگویم، سخنرانی شگفت آوری بود.
18:01
Are you able to say in a sentence or two
432
1066000
3000
می توانید در یک یا دو جمله بگویید
18:04
how this type of thinking
433
1069000
3000
این مدل فکر کردن چگونه می تواند
18:07
could integrate at some point
434
1072000
2000
یک زمانی با چیزهایی مثل
18:09
to things like string theory or the kind of things that people think of
435
1074000
2000
تئوری رشته ها (string theory) یا انواع چیزهایی که مردم
18:11
as the fundamental explanations of the universe?
436
1076000
3000
درباره اشان به عنوان توضیحات بنیادی جهان فکر می کنند، جمع شوند؟
18:14
Stephen Wolfram: Well, the parts of physics
437
1079000
2000
استفان ولفرام: خوب، قسمت هایی از فیزیک
18:16
that we kind of know to be true,
438
1081000
2000
که ما یک جورهایی می دانیم درست هستند،
18:18
things like the standard model of physics:
439
1083000
2000
چیزهایی مثل مدل استاندارد فیزیک.
18:20
what I'm trying to do better reproduce the standard model of physics
440
1085000
3000
چیزی که من سعی دارم انجام دهم این است که مدل استاندارد فیزیک را بهتر بازسازی کنم
18:23
or it's simply wrong.
441
1088000
2000
یا به سادگی اشتباه است.
18:25
The things that people have tried to do in the last 25 years or so
442
1090000
2000
کارهایی که مردم سعی کرده اند در این 25 سال اخیر
18:27
with string theory and so on
443
1092000
2000
با تئوری رشته ها و غیره انجام دهند،
18:29
have been an interesting exploration
444
1094000
2000
جستجوی جالبی بوده که
18:31
that has tried to get back to the standard model,
445
1096000
3000
تلاش کرده به مدل استاندارد برگردد،
18:34
but hasn't quite gotten there.
446
1099000
2000
ولی هنوز به آنجا نرسیده.
18:36
My guess is that some great simplifications of what I'm doing
447
1101000
3000
حدس من این است که یک سری ساده سازی های عمده ای از کاری
18:39
may actually have considerable resonance
448
1104000
3000
که من دارم انجام می دهم ممکن است تشديد قابل توجهی
18:42
with what's been done in string theory,
449
1107000
2000
با چیزی که در تئوری رشته ها انجام شده، داشته باشد،
18:44
but that's a complicated math thing
450
1109000
3000
ولی این یک کار ریاضی پیچیده است
18:47
that I don't yet know how it's going to work out.
451
1112000
3000
که من نمی دانم چه طوری قرار است کار کند.
18:50
CA: Benoit Mandelbrot is in the audience.
452
1115000
2000
ک.ا.: بنوا مندلبرات (Benoit Mandlebrot) در میان حضار است.
18:52
He also has shown how complexity
453
1117000
2000
او هم اینکه چه طور پیچیدگی از سادگی
18:54
can arise out of a simple start.
454
1119000
2000
به وجود می آید را نشان داده است.
18:56
Does your work relate to his?
455
1121000
2000
کار شما به کار او ربطی دارد؟
18:58
SW: I think so.
456
1123000
2000
اس.و. این طور فکر می کنم.
19:00
I view Benoit Mandelbrot's work
457
1125000
2000
من به کار بنوا مندلبرات به عنوان
19:02
as one of the founding contributions
458
1127000
3000
یکی از مشارکت های آغازین
19:05
to this kind of area.
459
1130000
3000
به این نوع رشته، نگاه می کنم.
19:08
Benoit has been particularly interested
460
1133000
2000
بنوا به طور خاص به
19:10
in nested patterns, in fractals and so on,
461
1135000
2000
به الگوهای تو در تو، به فراکتال ها و غیره علاقه داشته است،
19:12
where the structure is something
462
1137000
2000
جایی که ساختار چیزی است
19:14
that's kind of tree-like,
463
1139000
2000
شبیه به درخت
19:16
and where there's sort of a big branch that makes little branches
464
1141000
2000
و جایی که یک جور شاخه ی بزرگ وجود دارد که شاخه های کوچک
19:18
and even smaller branches and so on.
465
1143000
3000
و حتی کوچکتر و و و را می سازد.
19:21
That's one of the ways
466
1146000
2000
این یک مدل از راه هایی است
19:23
that you get towards true complexity.
467
1148000
3000
که از آن به پیچیدگی واقعی می رسید.
19:26
I think things like the Rule 30 cellular automaton
468
1151000
3000
من فکر می کنم چیزهایی مثل قانون 30 ماشین سلولی
19:29
get us to a different level.
469
1154000
2000
ما را به یک مرحله ی متفاوت می برند.
19:31
In fact, in a very precise way, they get us to a different level
470
1156000
3000
در واقع، به طور خیلی دقیق ما را به یک مرحله ی دیگر می برند
19:34
because they seem to be things that are
471
1159000
2000
چون به نظر می رسد آن ها چیزهایی هستند که
19:37
capable of complexity
472
1162000
3000
قابلیت پیچیدگی دارند
19:40
that's sort of as great as complexity can ever get ...
473
1165000
3000
که یک جورهایی به بزرگی چیزی است که پیچیدگی می تواند برسد ...
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1169000
3000
من می توانم درباره ی این مدت زیادی حرف بزنم، ولی نمی کنم.
19:47
CA: Stephen Wolfram, thank you.
475
1172000
2000
ک. ا.: استفان ولفرام، متشکرم.
19:49
(Applause)
476
1174000
2000
(تشویق)
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