TED2010
Stephen Wolfram: Computing a theory of all knowledge
Stephen Wolfram: Calcolare una teoria del tutto
Filmed:
Readability: 4.4
1,811,819 views
Stephen Wolfram, creatore di Mathematica, parla della sua battaglia per far si che tutta la conoscenza diventi computazionale per poter essere ricercata, processata e manipolata. Il suo nuovo motore di ricerca, Wolfram Alpha, punta a niente meno che modellizzare e spiegare la fisica di fondo dell'universo.
Stephen Wolfram - Scientist, inventor
Stephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research. Full bio
Stephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research. Full bio
Double-click the English transcript below to play the video.
00:16
So I want to talk today about an idea. It's a big idea.
0
1000
3000
Oggi voglio parlavi di un'idea. È una grande idea.
00:19
Actually, I think it'll eventually
1
4000
2000
Effettivamente ritengo che
00:21
be seen as probably the single biggest idea
2
6000
2000
potrebbe un giorno essere considerata la più grande singola idea
00:23
that's emerged in the past century.
3
8000
2000
che è emersa nel secolo passato.
00:25
It's the idea of computation.
4
10000
2000
È l'idea del calcolo.
00:27
Now, of course, that idea has brought us
5
12000
2000
Certamente questa idea ci ha portato
00:29
all of the computer technology we have today and so on.
6
14000
3000
tutta la tecnologia dei computer che oggi abbiamo e così via.
00:32
But there's actually a lot more to computation than that.
7
17000
3000
Ma nel calcolo c'è molto più di questo.
00:35
It's really a very deep, very powerful, very fundamental idea,
8
20000
3000
È in realtà un'idea veramente basilare, profonda e potente
00:38
whose effects we've only just begun to see.
9
23000
3000
I cui effetti si cominciano appena a vedere
00:41
Well, I myself have spent the past 30 years of my life
10
26000
3000
Ebbene io stesso ho speso gli ultimi 30 anni
00:44
working on three large projects
11
29000
2000
lavorando su tre grandi progetti
00:46
that really try to take the idea of computation seriously.
12
31000
3000
che cercano di prendere l'idea del calcolo veramente sul serio.
00:50
So I started off at a young age as a physicist
13
35000
3000
Ho iniziato in giovane età come fisico
00:53
using computers as tools.
14
38000
2000
ad utilizzare i computer come strumenti.
00:55
Then, I started drilling down,
15
40000
2000
Poi ho iniziato ad approfondire il concetto
00:57
thinking about the computations I might want to do,
16
42000
2000
pensando ai tipi di calcoli che avrei voluto poter fare,
00:59
trying to figure out what primitives they could be built up from
17
44000
3000
provando ad immaginare da quali primitive questi sarebbero potuti essere costruiti
01:02
and how they could be automated as much as possible.
18
47000
3000
e come sarebbero potuti essere automatizzati il più possibile.
01:05
Eventually, I created a whole structure
19
50000
2000
Di conseguenza ho creato un'intera struttura
01:07
based on symbolic programming and so on
20
52000
2000
basata sulla programmazione simbolica
01:09
that let me build Mathematica.
21
54000
2000
che mi ha consentito di costruire “Mathematica”.
01:11
And for the past 23 years, at an increasing rate,
22
56000
2000
E per gli ultimi 23 anni, a tasso crescente,
01:13
we've been pouring more and more ideas
23
58000
2000
abbiamo continuato a instillare sempre più idee,
01:15
and capabilities and so on into Mathematica,
24
60000
2000
capacità e quant'altro in “Mathematica”.
01:17
and I'm happy to say that that's led to many good things
25
62000
3000
Sono soddisfatto di poter dire che questo ha portato molte cose buone
01:20
in R & D and education,
26
65000
2000
in campi come la ricerca e sviluppo, nella scuola
01:22
lots of other areas.
27
67000
2000
e in molte altre aree.
01:24
Well, I have to admit, actually,
28
69000
2000
Bene devo ammettere
01:26
that I also had a very selfish reason for building Mathematica:
29
71000
3000
che ho avuto anche una ragione del tutto personale per costruire “Mathematica”.
01:29
I wanted to use it myself,
30
74000
2000
Volevo usarla per me,
01:31
a bit like Galileo got to use his telescope
31
76000
2000
un po' come Galileo usò il suo telescopio
01:33
400 years ago.
32
78000
2000
400 anni fa.
01:35
But I wanted to look not at the astronomical universe,
33
80000
3000
Ma volevo guardare non verso l'universo astronomico
01:38
but at the computational universe.
34
83000
3000
ma verso l'universo computazionale.
01:41
So we normally think of programs as being
35
86000
2000
Di solito pensiamo ai programmi come
01:43
complicated things that we build
36
88000
2000
cose complesse che costruiamo
01:45
for very specific purposes.
37
90000
2000
per scopi molto specifici.
01:47
But what about the space of all possible programs?
38
92000
3000
Ma cosa dire dello spazio di tutti i possibili programmi?
01:50
Here's a representation of a really simple program.
39
95000
3000
Ecco qui la rappresentazione di un programma molto semplice.
01:53
So, if we run this program,
40
98000
2000
Ecco, se eseguiamo questo programma,
01:55
this is what we get.
41
100000
2000
ecco quello che otteniamo.
01:57
Very simple.
42
102000
2000
Molto semplice vero?
01:59
So let's try changing the rule
43
104000
2000
Allora proviamo a cambiare la regola
02:01
for this program a little bit.
44
106000
2000
di questo programma solo un po'.
02:03
Now we get another result,
45
108000
2000
Ora otteniamo un altro risultato,
02:05
still very simple.
46
110000
2000
comunque molto semplice.
02:07
Try changing it again.
47
112000
3000
Proviamo a cambiarla ancora.
02:10
You get something a little bit more complicated.
48
115000
2000
Ora si ottiene qualcosa di un po' più complicato
02:12
But if we keep running this for a while,
49
117000
2000
ma se continuiamo a farlo andare per un po'
02:14
we find out that although the pattern we get is very intricate,
50
119000
3000
troviamo che, sebbene il pattern che otteniamo sia molto intricato,
02:17
it has a very regular structure.
51
122000
3000
ha una struttura molto regolare.
02:20
So the question is: Can anything else happen?
52
125000
3000
Quindi la domanda è: può accadere qualcos'altro?
02:23
Well, we can do a little experiment.
53
128000
2000
Bene, possiamo fare un piccolo esperimento.
02:25
Let's just do a little mathematical experiment, try and find out.
54
130000
3000
Facciamo giusto un piccolo esperimento di matematica, proviamo a scoprirlo.
02:29
Let's just run all possible programs
55
134000
3000
Eseguiamo tutti i possibili programmi
02:32
of the particular type that we're looking at.
56
137000
2000
del particolare tipo che stiamo analizzando.
02:34
They're called cellular automata.
57
139000
2000
Sono chiamati "automi cellulari".
02:36
You can see a lot of diversity in the behavior here.
58
141000
2000
Si possono vedere un sacco di comportamenti differenti.
02:38
Most of them do very simple things,
59
143000
2000
Molti fanno cose molto semplici.
02:40
but if you look along all these different pictures,
60
145000
2000
Ma se si osservano tutte le varie immagini,
02:42
at rule number 30,
61
147000
2000
in corrispondenza della regola numero 30,
02:44
you start to see something interesting going on.
62
149000
2000
si inizia a notare che accade qualcosa di interessante.
02:46
So let's take a closer look
63
151000
2000
Dunque, diamo un'occhiata più da vicino
02:48
at rule number 30 here.
64
153000
2000
alla regola numero 30.
02:50
So here it is.
65
155000
2000
Eccola qua.
02:52
We're just following this very simple rule at the bottom here,
66
157000
3000
Stiamo semplicemente seguendo questa semplicissima regola descritta nella parte inferiore della figura.
02:55
but we're getting all this amazing stuff.
67
160000
2000
ma otteniamo tutte queste cose sorprendenti.
02:57
It's not at all what we're used to,
68
162000
2000
Non è affatto ciò a cui siamo abituati
02:59
and I must say that, when I first saw this,
69
164000
2000
e devo dire che quando vidi queste cose per la prima volta,
03:01
it came as a huge shock to my intuition.
70
166000
3000
colpirono molto il mio intuito
03:04
And, in fact, to understand it,
71
169000
2000
e, in effetti, per comprenderle,
03:06
I eventually had to create
72
171000
2000
ho successivamente dovuto creare
03:08
a whole new kind of science.
73
173000
2000
un tipo di scienza totalmente nuovo.
03:11
(Laughter)
74
176000
2000
(Risate)
03:13
This science is different, more general,
75
178000
3000
Questa scienza è differente, più generale
03:16
than the mathematics-based science that we've had
76
181000
2000
della scienza basata sulla matematica che abbiamo
03:18
for the past 300 or so years.
77
183000
3000
avuto per gli ultimi 300 anni circa.
03:21
You know, it's always seemed like a big mystery:
78
186000
2000
Sapete, è sempre sembrato una sorta di grande mistero
03:23
how nature, seemingly so effortlessly,
79
188000
3000
il modo in cui la natura, apparentemente senza nessuno sforzo,
03:26
manages to produce so much
80
191000
2000
sia in grado di produrre così tante cose
03:28
that seems to us so complex.
81
193000
3000
che ci sembrano complesse.
03:31
Well, I think we've found its secret:
82
196000
3000
Ebbene, io ritengo che abbiamo trovato il suo segreto.
03:34
It's just sampling what's out there in the computational universe
83
199000
3000
Sta solamente raccogliendo campioni da ciò che è li fuori nell'universo computazionale
03:37
and quite often getting things like Rule 30
84
202000
3000
ottenendo molto spesso cose come la regola 30
03:40
or like this.
85
205000
3000
o come questo.
03:44
And knowing that starts to explain
86
209000
2000
E sapendo queste cose, si inizia a dare una spiegazione
03:46
a lot of long-standing mysteries in science.
87
211000
3000
a numerosi misteri di lunga data nella scienza.
03:49
It also brings up new issues, though,
88
214000
2000
Ma evidenzia anche nuovi problemi
03:51
like computational irreducibility.
89
216000
3000
come l'irriducibilità computazionale.
03:54
I mean, we're used to having science let us predict things,
90
219000
3000
Siamo abituati al fatto che la scienza sia in grado di predire i fenomeni
03:57
but something like this
91
222000
2000
ma qualcosa come questo
03:59
is fundamentally irreducible.
92
224000
2000
è fondamentalmente irriducibile.
04:01
The only way to find its outcome
93
226000
2000
L'unico modo di trovare i suoi risultati
04:03
is, effectively, just to watch it evolve.
94
228000
3000
è, in pratica, proprio guardarlo mentre evolve.
04:06
It's connected to, what I call,
95
231000
2000
Questo è connesso a ciò che io chiamo
04:08
the principle of computational equivalence,
96
233000
2000
il principio di equivalenza computazionale,
04:10
which tells us that even incredibly simple systems
97
235000
3000
che ci dice che anche sistemi incredibilmente semplici
04:13
can do computations as sophisticated as anything.
98
238000
3000
possono fare calcoli sofisticatissimi.
04:16
It doesn't take lots of technology or biological evolution
99
241000
3000
Non serve tanta tecnologia o un elevato livello di evoluzione biologica
04:19
to be able to do arbitrary computation;
100
244000
2000
per essere in grado di fare calcoli di qualsiasi tipo,
04:21
just something that happens, naturally,
101
246000
2000
è solamente qualcosa che succede, naturalmente,
04:23
all over the place.
102
248000
2000
ovunque.
04:25
Things with rules as simple as these can do it.
103
250000
3000
Cose con regole semplici come queste lo possono fare.
04:29
Well, this has deep implications
104
254000
2000
Ebbene, questo ha implicazioni profonde
04:31
about the limits of science,
105
256000
2000
circa i limiti della scienza,
04:33
about predictability and controllability
106
258000
2000
riguardo alla predicibilità e alla regolazione
04:35
of things like biological processes or economies,
107
260000
3000
di cose come i processi biologici o le economie,
04:38
about intelligence in the universe,
108
263000
2000
riguardo all'intelligenza nell'universo
04:40
about questions like free will
109
265000
2000
riguardo questioni come il libero arbitrio
04:42
and about creating technology.
110
267000
3000
e riguardo al creare tecnologia.
04:45
You know, in working on this science for many years,
111
270000
2000
Lavorando a questa scienza per molti anni,
04:47
I kept wondering,
112
272000
2000
mi sono spesso domandato:
04:49
"What will be its first killer app?"
113
274000
2000
"Quale sarà la sua prima killer application?"
04:51
Well, ever since I was a kid,
114
276000
2000
Beh, già da quando ero un ragazzo,
04:53
I'd been thinking about systematizing knowledge
115
278000
2000
ho pensato sempre a come sistematizzare la conoscenza
04:55
and somehow making it computable.
116
280000
2000
per renderla in qualche modo calcolabile.
04:57
People like Leibniz had wondered about that too
117
282000
2000
Persone come Leibniz hanno ragionato su questo argomento già
04:59
300 years earlier.
118
284000
2000
300 anni prima.
05:01
But I'd always assumed that to make progress,
119
286000
2000
Ma ho sempre dato per scontato che per fare progressi,
05:03
I'd essentially have to replicate a whole brain.
120
288000
3000
avrei in sostanza dovuto replicare un intero cervello.
05:06
Well, then I got to thinking:
121
291000
2000
Ebbene sono arrivato a pensare:
05:08
This scientific paradigm of mine suggests something different --
122
293000
3000
questo mio paradigma scientifico suggerisce qualcosa di differente.
05:11
and, by the way, I've now got
123
296000
2000
E comunque ora ho enormi
05:13
huge computation capabilities in Mathematica,
124
298000
3000
capacità di calcolo in Mathematica,
05:16
and I'm a CEO with some worldly resources
125
301000
3000
e sono un CEO (Chief Executive Officier – Direttore) con discrete risorse a livello mondiale
05:19
to do large, seemingly crazy, projects --
126
304000
3000
per realizzare progetti vasti e apparentemente folli.
05:22
So I decided to just try to see
127
307000
2000
Cosi ho deciso di tentare di vedere
05:24
how much of the systematic knowledge that's out there in the world
128
309000
3000
quanto della conoscenza sistematica che è in giro nel mondo
05:27
we could make computable.
129
312000
2000
potesse essere resa calcolabile.
05:29
So, it's been a big, very complex project,
130
314000
2000
È stato un progetto veramente grande e complesso,
05:31
which I was not sure was going to work at all.
131
316000
3000
del quale non avevo idea se avesse mai potuto funzionare.
05:34
But I'm happy to say it's actually going really well.
132
319000
3000
Ma sono contento di dire che in effetti sta andando veramente bene.
05:37
And last year we were able
133
322000
2000
E l'anno scorso siamo stati in grado
05:39
to release the first website version
134
324000
2000
di rilasciare la prima versione
05:41
of Wolfram Alpha.
135
326000
2000
di Wolfram Alpha come sito web.
05:43
Its purpose is to be a serious knowledge engine
136
328000
3000
Il suo scopo è quello di essere un vero e proprio motore di ricerca per la conoscenza
05:46
that computes answers to questions.
137
331000
3000
in grado di calcolare le risposte alle domande.
05:49
So let's give it a try.
138
334000
2000
Proviamolo.
05:51
Let's start off with something really easy.
139
336000
2000
Iniziamo da qualcosa di veramente semplice.
05:53
Hope for the best.
140
338000
2000
Speriamo bene.
05:55
Very good. Okay.
141
340000
2000
Molto bene, Okay.
05:57
So far so good.
142
342000
2000
Fin qui tutto funziona.
05:59
(Laughter)
143
344000
3000
(Risate)
06:02
Let's try something a little bit harder.
144
347000
3000
Proviamo qualcosa di più tosto.
06:05
Let's do
145
350000
2000
Diciamo....
06:07
some mathy thing,
146
352000
3000
Proviamo a fare qualche cosa di matematico
06:10
and with luck it'll work out the answer
147
355000
3000
e con un po' di fortuna elaborerà la risposta
06:13
and try and tell us some interesting things
148
358000
2000
e proverà a dirci un po' di cose interessanti
06:15
things about related math.
149
360000
2000
riguardo ai relativi passaggi matematci.
06:17
We could ask it something about the real world.
150
362000
3000
Possiamo chiedergli qualcosa sul mondo reale.
06:20
Let's say -- I don't know --
151
365000
2000
Diciamo - non saprei -
06:22
what's the GDP of Spain?
152
367000
3000
qual'è il prodotto nazionale lordo della Spagna?
06:25
And it should be able to tell us that.
153
370000
2000
E dovrebbe essere in grado di dircelo.
06:27
Now we could compute something related to this,
154
372000
2000
Ora possiamo provare a calcolare qualcosa di correlato,
06:29
let's say ... the GDP of Spain
155
374000
2000
diciamo il prodotto interno lordo della Spagna
06:31
divided by, I don't know,
156
376000
2000
diviso, non saprei,
06:33
the -- hmmm ...
157
378000
2000
il....
06:35
let's say the revenue of Microsoft.
158
380000
2000
diciamo diviso i ricavi di Microsoft.
06:37
(Laughter)
159
382000
2000
(Risate)
06:39
The idea is that we can just type this in,
160
384000
2000
L'idea è che possiamo digitare
06:41
this kind of question in, however we think of it.
161
386000
3000
questo tipo di domande come ci pare.
06:44
So let's try asking a question,
162
389000
2000
Proviamo a fargli una domanda,
06:46
like a health related question.
163
391000
2000
relativa ad esempio alla sanità.
06:48
So let's say we have a lab finding that ...
164
393000
3000
Diciamo che abbiamo delle analisi di laboratorio
06:51
you know, we have an LDL level of 140
165
396000
2000
in cui abbiamo un livello LDL di 140
06:53
for a male aged 50.
166
398000
3000
per un maschio di 50 anni.
06:56
So let's type that in, and now Wolfram Alpha
167
401000
2000
Proviamo a scriverlo, ed ora Wolfram Alpha
06:58
will go and use available public health data
168
403000
2000
andrà ad usare i dati disponibili sulla salute pubblica
07:00
and try and figure out
169
405000
2000
e proverà ad indovinare
07:02
what part of the population that corresponds to and so on.
170
407000
3000
a quale parte della popolazione corrisponde e cosi via.
07:05
Or let's try asking about, I don't know,
171
410000
3000
Oppure proviamo a chiedergli, non saprei,
07:08
the International Space Station.
172
413000
2000
della Stazione Spaziale Internazionale (ISS).
07:10
And what's happening here is that
173
415000
2000
Quello che sta accadendo è che
07:12
Wolfram Alpha is not just looking up something;
174
417000
2000
Wolfram Alpha non sta solo cercando qualcosa;
07:14
it's computing, in real time,
175
419000
3000
sta calcolando, in tempo reale,
07:17
where the International Space Station is right now at this moment,
176
422000
3000
dove si trova la Stazione Spaziale Internazionale proprio in questo momento
07:20
how fast it's going, and so on.
177
425000
3000
a che velocità si sta spostando e cosi via.
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
429000
3000
Dunque, Wolfram Alpha conosce molte e molti tipi di cose.
07:27
It's got, by now,
179
432000
2000
Al momento ha
07:29
pretty good coverage of everything you might find
180
434000
2000
una buona copertura su qualsiasi cosa si possa trovare
07:31
in a standard reference library.
181
436000
3000
in un una tipica biblioteca di riferimento e cosi via.
07:34
But the goal is to go much further
182
439000
2000
Ma l'obiettivo è di spingersi molto più avanti
07:36
and, very broadly, to democratize
183
441000
3000
e, in senso lato, di rendere accessibile a tutti
07:39
all of this knowledge,
184
444000
3000
tutto questo tipo di conoscenza,
07:42
and to try and be an authoritative
185
447000
2000
E provare a diventare una fonte
07:44
source in all areas.
186
449000
2000
autorevole in tutti i campi,
07:46
To be able to compute answers to specific questions that people have,
187
451000
3000
essere in grado di calcolare risposte alle domande specifiche della gente,
07:49
not by searching what other people
188
454000
2000
Senza cercare quello che altre persone
07:51
may have written down before,
189
456000
2000
possano aver scritto precedentemente su quelle cose,
07:53
but by using built in knowledge
190
458000
2000
Ma utilizzando la conoscenza acquisita
07:55
to compute fresh new answers to specific questions.
191
460000
3000
per calcolare risposte nuove e fresche a domande specifiche.
07:58
Now, of course, Wolfram Alpha
192
463000
2000
Ora, certamente Wolfram Alpha
08:00
is a monumentally huge, long-term project
193
465000
2000
è un progetto a lungo termine e di dimensioni monumentali,
08:02
with lots and lots of challenges.
194
467000
2000
con molte e molte sfide.
08:04
For a start, one has to curate a zillion
195
469000
3000
Tanto per cominciare è necessario curare un'infinità
08:07
different sources of facts and data,
196
472000
3000
di fonti diverse di fatti e dati,
08:10
and we built quite a pipeline of Mathematica automation
197
475000
3000
E per fare questo abbiamo costruito una sorta di collegamento tra l'automazione di Mathematica
08:13
and human domain experts for doing this.
198
478000
3000
e gli esperti del dominio umano.
08:16
But that's just the beginning.
199
481000
2000
Ma questo è solo l'inizio.
08:18
Given raw facts or data
200
483000
2000
Dati i fatti o i dati grezzi
08:20
to actually answer questions,
201
485000
2000
per rispondere effettivamente alle domande,
08:22
one has to compute:
202
487000
2000
è necessario il calcolo,
08:24
one has to implement all those methods and models
203
489000
2000
è necessario implementare tutti quei metodi, i modelli,
08:26
and algorithms and so on
204
491000
2000
gli algoritmi e le altre cose
08:28
that science and other areas have built up over the centuries.
205
493000
3000
che la scienza e le altre aree hanno costruito nei secoli.
08:31
Well, even starting from Mathematica,
206
496000
3000
Bene, anche partendo da Mathematica,
08:34
this is still a huge amount of work.
207
499000
2000
è in ogni caso un'enorme quantità di lavoro.
08:36
So far, there are about 8 million lines
208
501000
2000
Finora, ci sono circa 8 milioni di linee
08:38
of Mathematica code in Wolfram Alpha
209
503000
2000
di codice di Mathematica in Wolfram Alpha
08:40
built by experts from many, many different fields.
210
505000
3000
costruite da esperti di moltissimi campi differenti.
08:43
Well, a crucial idea of Wolfram Alpha
211
508000
3000
Ebbene, un'idea centrale di Wolfram Alpha
08:46
is that you can just ask it questions
212
511000
2000
è che gli si possa direttamente porre le domande
08:48
using ordinary human language,
213
513000
3000
utilizzando un ordinario linguaggio umano,
08:51
which means that we've got to be able to take
214
516000
2000
che significa che dobbiamo essere in grado di prendere
08:53
all those strange utterances that people type into the input field
215
518000
3000
tutte quelle strane espressioni che la gente digita nella casella di input
08:56
and understand them.
216
521000
2000
e capirle.
08:58
And I must say that I thought that step
217
523000
2000
E devo dire che pensavo che questo ostacolo
09:00
might just be plain impossible.
218
525000
3000
sarebbe stato semplicemente insormontabile.
09:04
Two big things happened:
219
529000
2000
Ma poi sono successe due cose importanti.
09:06
First, a bunch of new ideas about linguistics
220
531000
3000
Dapprima un gruppo di idee nuove sulla linguistica
09:09
that came from studying the computational universe;
221
534000
3000
che sono arrivate dallo studio dell'universo computazionale.
09:12
and second, the realization that having actual computable knowledge
222
537000
3000
Successivamente, l'aver compreso che avere a disposizione della vera conoscenza calcolabile
09:15
completely changes how one can
223
540000
2000
cambia completamente il modo in cui si può
09:17
set about understanding language.
224
542000
3000
approcciare la compresione del linguaggio.
09:20
And, of course, now
225
545000
2000
E certamente, adesso
09:22
with Wolfram Alpha actually out in the wild,
226
547000
2000
con Wolfram Alpha lì fuori, disponibile a tutti,
09:24
we can learn from its actual usage.
227
549000
2000
possiamo imparare dal suo effettivo utilizzo.
09:26
And, in fact, there's been
228
551000
2000
E infatti c'è stata
09:28
an interesting coevolution that's been going on
229
553000
2000
una interessante co-evoluzione che è andata avanti
09:30
between Wolfram Alpha
230
555000
2000
tra Wolfram Alpha
09:32
and its human users,
231
557000
2000
ed i suoi utenti umani.
09:34
and it's really encouraging.
232
559000
2000
Questo è veramente incoraggiante.
09:36
Right now, if we look at web queries,
233
561000
2000
Proprio ora, se analizziamo le query web,
09:38
more than 80 percent of them get handled successfully the first time.
234
563000
3000
più dell'80 percento sono gestite correttamente al primo colpo.
09:41
And if you look at things like the iPhone app,
235
566000
2000
E se si analizzano cose come l'app per iPhone,
09:43
the fraction is considerably larger.
236
568000
2000
la percentuale è significativamente maggiore.
09:45
So, I'm pretty pleased with it all.
237
570000
2000
Sono piuttosto contento di tutto ciò.
09:47
But, in many ways,
238
572000
2000
Ma, per certi aspetti,
09:49
we're still at the very beginning with Wolfram Alpha.
239
574000
3000
siamo ancora ai primordi con Wolfram Alpha.
09:52
I mean, everything is scaling up very nicely
240
577000
2000
Voglio dire che ogni cosa sta crescendo bene.
09:54
and we're getting more confident.
241
579000
2000
Stiamo diventando più sicuri.
09:56
You can expect to see Wolfram Alpha technology
242
581000
2000
Potete aspettarvi di vedere che la tecnologia di Wolfram Alpha
09:58
showing up in more and more places,
243
583000
2000
salterà fuori in sempre più occasioni,
10:00
working both with this kind of public data, like on the website,
244
585000
3000
per essere utilizzata sia con questo tipo di dati pubblici, come sul sito web,
10:03
and with private knowledge
245
588000
2000
sia con conoscenza privata
10:05
for people and companies and so on.
246
590000
3000
di persone o di aziende.
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
593000
3000
Sapete, io mi sono reso conto che Wolfram Alpha mette effettivamente
10:11
a whole new kind of computing
248
596000
2000
a disposizione un tipo di calcolo del tutto nuovo
10:13
that one can call knowledge-based computing,
249
598000
2000
che si può chiamare calcolo basato sulla conoscenza,
10:15
in which one's starting not just from raw computation,
250
600000
3000
in cui si parte non dal mero calcolo,
10:18
but from a vast amount of built-in knowledge.
251
603000
3000
ma dalla enorme quantità di conoscenza integrata.
10:21
And when one does that, one really changes
252
606000
2000
E quando si fa questo, si cambia veramente
10:23
the economics of delivering computational things,
253
608000
3000
l'economia del fornire quelle cose che hanno a che fare con il calcolo,
10:26
whether it's on the web or elsewhere.
254
611000
2000
sia che siano sul web che altrove.
10:28
You know, we have a fairly interesting situation right now.
255
613000
3000
Sapete, al momento abbiamo una situazione piuttosto interessante.
10:31
On the one hand, we have Mathematica,
256
616000
2000
Da una parte abbiamo Mathematica,
10:33
with its sort of precise, formal language
257
618000
3000
con il suo linguaggio piuttosto preciso e formale
10:36
and a huge network
258
621000
2000
e con una enorme rete
10:38
of carefully designed capabilities
259
623000
2000
di funzionalità progettate con cura
10:40
able to get a lot done in just a few lines.
260
625000
3000
in grado di realizzare molto con pochissime linee di codice.
10:43
Let me show you a couple of examples here.
261
628000
3000
Lasciate che vi mostri un paio di esempi.
10:47
So here's a trivial piece of Mathematica programming.
262
632000
3000
Ecco un semplicissimo frammento di programmazione in Mathematica.
10:51
Here's something where we're sort of
263
636000
2000
Ecco qualcosa in cui abbiamo
10:53
integrating a bunch of different capabilities here.
264
638000
3000
integrato un bel po' di funzionalità differenti.
10:56
Here we'll just create, in this line,
265
641000
3000
Qui creiamo con questa linea di codice
10:59
a little user interface that allows us to
266
644000
3000
una piccola interfaccia utente che ci consente
11:02
do something fun there.
267
647000
2000
di fare queste cosette divertenti.
11:05
If you go on, that's a slightly more complicated program
268
650000
2000
Se vogliamo proseguire, questo è un programma leggermente più complicato
11:07
that's now doing all sorts of algorithmic things
269
652000
3000
che ora sta facendo varie cose a livello di algoritmi
11:10
and creating user interface and so on.
270
655000
2000
e crea un'interfaccia utente.
11:12
But it's something that is very precise stuff.
271
657000
3000
Ma è in ogni caso qualcosa che fa delle cose molto ben definite.
11:15
It's a precise specification with a precise formal language
272
660000
3000
è una definizione precisa con un preciso linguaggio formale
11:18
that causes Mathematica to know what to do here.
273
663000
3000
che fa si che Mathematica sappia cosa fare in questi casi.
11:21
Then on the other hand, we have Wolfram Alpha,
274
666000
3000
Ebbene, dall'altra parte abbiamo Wolfram Alpha,
11:24
with all the messiness of the world
275
669000
2000
con ogni tipo di confusione al mondo
11:26
and human language and so on built into it.
276
671000
2000
e che integra cose come il linguaggio umano.
11:28
So what happens when you put these things together?
277
673000
3000
E cosa accade quando si mettono insieme queste cose?
11:31
I think it's actually rather wonderful.
278
676000
2000
Penso sia in effetti piuttosto meraviglioso.
11:33
With Wolfram Alpha inside Mathematica,
279
678000
2000
Con Wolfram Alpha integrato all'interno di Mathematica,
11:35
you can, for example, make precise programs
280
680000
2000
è possibile, per esempio, fare un programma preciso
11:37
that call on real world data.
281
682000
2000
che fa riferimento a dati dal mondo reale.
11:39
Here's a real simple example.
282
684000
2000
Ecco un esempio molto semplice.
11:44
You can also just sort of give vague input
283
689000
3000
Si può anche provare a dare un input generico
11:47
and then try and have Wolfram Alpha
284
692000
2000
e poi provare a far si che Wolfram Alpha
11:49
figure out what you're talking about.
285
694000
2000
capisca di cosa si sta parlando.
11:51
Let's try this here.
286
696000
2000
Proviamo questa qui.
11:53
But actually I think the most exciting thing about this
287
698000
3000
Ma effettivamente penso che una delle conseguenze più eccitanti di tutto questo
11:56
is that it really gives one the chance
288
701000
2000
sia il fatto di poter avere veramente la possibilità
11:58
to democratize programming.
289
703000
3000
di rendere la programmazione accessibile a tutti.
12:01
I mean, anyone will be able to say what they want in plain language.
290
706000
3000
Voglio dire, chiunque sarà in grado di esprimere quello di cui ha bisogno per mezzo del semplice linguaggio,
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
709000
3000
quindi l'idea è che Wolfram Alpha sarà in grado di individuare
12:07
what precise pieces of code
292
712000
2000
quali sono i corretti pezzi di codice
12:09
can do what they're asking for
293
714000
2000
che possono realizzare ciò che viene richiesto
12:11
and then show them examples that will let them pick what they need
294
716000
3000
e che potrà mostrare degli esempi da cui si potrà prendere ciò di cui si ha bisogno
12:14
to build up bigger and bigger, precise programs.
295
719000
3000
per costruire programmi puntuali sempre più grandi.
12:17
So, sometimes, Wolfram Alpha
296
722000
2000
Così, talvolta, Wolfram Alpha
12:19
will be able to do the whole thing immediately
297
724000
2000
sarà in grado di completare tutto immediatamente
12:21
and just give back a whole big program that you can then compute with.
298
726000
3000
e restituire un intero programma da utilizzare per farci i calcoli.
12:24
Here's a big website
299
729000
2000
Ed ecco qui un gran sito web
12:26
where we've been collecting lots of educational
300
731000
3000
dove abbiamo raccolto un sacco di dimostrazioni
12:29
and other demonstrations about lots of kinds of things.
301
734000
3000
a scopo di dattico e non solo su molti tipi di cose.
12:32
I'll show you one example here.
302
737000
3000
Bene, non saprei, vi mostrò un esempio, forse questo.
12:36
This is just an example of one of these computable documents.
303
741000
3000
Questo è solo un esempio di uno di questi documenti calcolabili.
12:39
This is probably a fairly small
304
744000
2000
è probabilmente un piccolo
12:41
piece of Mathematica code
305
746000
2000
pezzo di codice di Mathematica
12:43
that's able to be run here.
306
748000
2000
che è in grado di girare qui.
12:47
Okay. Let's zoom out again.
307
752000
3000
Okay. Torniamo ad una vista d'insieme.
12:50
So, given our new kind of science,
308
755000
2000
Dunque, dato il nostro nuovo tipo di scienza,
12:52
is there a general way to use it to make technology?
309
757000
3000
esiste un modo in generale per utilizzarlo per costruire tecnologia?
12:55
So, with physical materials,
310
760000
2000
Per i materiali fisici,
12:57
we're used to going around the world
311
762000
2000
siamo abituati tipo ad andare in giro per il mondo
12:59
and discovering that particular materials
312
764000
2000
e scoprire che un particolare materiale
13:01
are useful for particular
313
766000
2000
è utile per un particolare
13:03
technological purposes.
314
768000
2000
fine tecnologico.
13:05
Well, it turns out we can do very much the same kind of thing
315
770000
2000
Ebbene, a quanto pare, possiamo fare proprio la stessa cosa
13:07
in the computational universe.
316
772000
2000
nell'universo computazionale.
13:09
There's an inexhaustible supply of programs out there.
317
774000
3000
Là fuori c'è una riserva inesauribile di programmi.
13:12
The challenge is to see how to
318
777000
2000
La sfida è di vedere come
13:14
harness them for human purposes.
319
779000
2000
sfruttarli per gli interessi umani.
13:16
Something like Rule 30, for example,
320
781000
2000
Qualcosa come la regola 30, per esempio,
13:18
turns out to be a really good randomness generator.
321
783000
2000
sembra essere un generatore di numeri casuali piuttosto buono.
13:20
Other simple programs are good models
322
785000
2000
Altri programmi molto semplici modellizzano bene
13:22
for processes in the natural or social world.
323
787000
3000
processi del mondo naturale o sociale.
13:25
And, for example, Wolfram Alpha and Mathematica
324
790000
2000
E, per esempio, Wolfram Alpha e Mathematica
13:27
are actually now full of algorithms
325
792000
2000
sono effettivamente già pieni di algoritmi
13:29
that we discovered by searching the computational universe.
326
794000
3000
che abbiamo scoperto perlustrando l'universo computazionale.
13:33
And, for example, this -- if we go back here --
327
798000
3000
E, per esempio, questo - siamo ritornati qui -
13:37
this has become surprisingly popular
328
802000
2000
questo è diventato sorprendentemente popolare
13:39
among composers
329
804000
2000
tra i compositori
13:41
finding musical forms by searching the computational universe.
330
806000
3000
potendo trovare forme musicali perlustrando l'universo computazionale.
13:45
In a sense, we can use the computational universe
331
810000
2000
In un certo senso, possiamo usare l'universo computazionale
13:47
to get mass customized creativity.
332
812000
3000
per ottenere creatività di massa per uno scopo specifico.
13:50
I'm hoping we can, for example,
333
815000
2000
Spero, per esempio, che possiamo
13:52
use that even to get Wolfram Alpha
334
817000
2000
utilizzarlo persino per far si che Wolfram Alpha
13:54
to routinely do invention and discovery on the fly,
335
819000
3000
possa automaticamente fare invenzioni e scoperte al volo
13:57
and to find all sorts of wonderful stuff
336
822000
2000
e che possa trovare ogni tipo di cose straordinarie
13:59
that no engineer
337
824000
2000
che nessun ingegnere
14:01
and no process of incremental evolution would ever come up with.
338
826000
3000
e che nessun processo di evoluzione incrementale potrebbe mai far saltar fuori.
14:05
Well, so, that leads to kind of an ultimate question:
339
830000
3000
Ebbene, questo ci porta a una domanda fondamentale.
14:08
Could it be that someplace out there in the computational universe
340
833000
3000
Che sia possibile che da qualche parte li fuori nell'universo computazionale
14:11
we might find our physical universe?
341
836000
3000
ci sia il nostro universo fisico?
14:14
Perhaps there's even some quite simple rule,
342
839000
2000
Forse c'è persino qualche regola piuttosto semplice,
14:16
some simple program for our universe.
343
841000
3000
qualche semplice programma per il nostro universo.
14:19
Well, the history of physics would have us believe
344
844000
2000
Ebbene, la storia della fisica ci porterebbe a credere
14:21
that the rule for the universe must be pretty complicated.
345
846000
3000
che la regola per l'universo dovrebbe essere piuttosto complicata.
14:24
But in the computational universe,
346
849000
2000
Ma nell'universo computazionale
14:26
we've now seen how rules that are incredibly simple
347
851000
3000
come abbiamo visto ora ci sono regole che sono incredibilmente semplici
14:29
can produce incredibly rich and complex behavior.
348
854000
3000
e che possono produrre comportamenti incredibilmente ricchi e complessi.
14:32
So could that be what's going on with our whole universe?
349
857000
3000
E quindi potrebbe essere proprio questo che sta succedendo con il nostro universo?
14:36
If the rules for the universe are simple,
350
861000
2000
Se le regole per l'universo sono semplici,
14:38
it's kind of inevitable that they have to be
351
863000
2000
è in qualche modo inevitabile che siano
14:40
very abstract and very low level;
352
865000
2000
molto astratte e veramente di basso livello,
14:42
operating, for example, far below
353
867000
2000
e che operino, per esempio, molto al di sotto
14:44
the level of space or time,
354
869000
2000
del livello dello spazio o del tempo,
14:46
which makes it hard to represent things.
355
871000
2000
che rende le cose difficili da rappresentare.
14:48
But in at least a large class of cases,
356
873000
2000
Ma, almeno in una larga classe di situazioni,
14:50
one can think of the universe as being
357
875000
2000
si può pensare che l'universo sia
14:52
like some kind of network,
358
877000
2000
come una specie di network,
14:54
which, when it gets big enough,
359
879000
2000
che, quando diventa abbastanza grande,
14:56
behaves like continuous space
360
881000
2000
si comporta come uno spazio continuo
14:58
in much the same way as having lots of molecules
361
883000
2000
nello stesso modo in cui quando si hanno molte molecole
15:00
can behave like a continuous fluid.
362
885000
2000
queste si comportano come un fluido continuo.
15:02
Well, then the universe has to evolve by applying
363
887000
3000
Bene, quindi l'universo si deve evolvere applicando
15:05
little rules that progressively update this network.
364
890000
3000
piccole regole che progressivamente aggiornano questo network.
15:08
And each possible rule, in a sense,
365
893000
2000
Ed ogni possibile regola, in un certo senso,
15:10
corresponds to a candidate universe.
366
895000
2000
corrisponde ad un universo candidato.
15:12
Actually, I haven't shown these before,
367
897000
3000
In effetti, non ho mostrato questi prima,
15:16
but here are a few of the candidate universes
368
901000
3000
ma ecco qui alcuni degli universi candidati
15:19
that I've looked at.
369
904000
2000
a cui ho dedicato la mia attenzione.
15:21
Some of these are hopeless universes,
370
906000
2000
Alcuni di questi universi sono senza speranza,
15:23
completely sterile,
371
908000
2000
completamente sterili,
15:25
with other kinds of pathologies like no notion of space,
372
910000
2000
con malattie come l'assenza di nozione dello spazio
15:27
no notion of time, no matter,
373
912000
3000
o del tempo, senza materia,
15:30
other problems like that.
374
915000
2000
o altri problemi del genere.
15:32
But the exciting thing that I've found in the last few years
375
917000
3000
Ma la cosa eccitante che ho trovato negli ultimi anni
15:35
is that you actually don't have to go very far
376
920000
2000
è che in effetti non c'è bisogno di andare troppo lontano
15:37
in the computational universe
377
922000
2000
nell'universo computazionale
15:39
before you start finding candidate universes
378
924000
2000
prima di trovare universi candidati
15:41
that aren't obviously not our universe.
379
926000
3000
che non si possa dare per scontato che non siano il nostro universo.
15:44
Here's the problem:
380
929000
2000
Ecco il problema:
15:46
Any serious candidate for our universe
381
931000
3000
Ogni serio candidato per il nostro universo,
15:49
is inevitably full of computational irreducibility.
382
934000
3000
è inevitabilmente pieno di irriducibilità computazionali,
15:52
Which means that it is irreducibly difficult
383
937000
3000
che significa che è irriducibilmente difficile
15:55
to find out how it will really behave,
384
940000
2000
trovare come si comporta veramente
15:57
and whether it matches our physical universe.
385
942000
3000
e se corrisponde al nostro universo fisico.
16:01
A few years ago, I was pretty excited to discover
386
946000
3000
Alcuni anni fa, sono stato piuttosto eccitato quando ho scoperto
16:04
that there are candidate universes with incredibly simple rules
387
949000
3000
che ci sono universi candidati con regole incredibilmente semplici
16:07
that successfully reproduce special relativity,
388
952000
2000
che riproducono con successo la relatività speciale
16:09
and even general relativity and gravitation,
389
954000
3000
e persino la relatività generale e la gravitazione
16:12
and at least give hints of quantum mechanics.
390
957000
3000
e per lo meno danno cenni di meccanica quantistica.
16:15
So, will we find the whole of physics?
391
960000
2000
Quindi, troveremo l'intera fisica?
16:17
I don't know for sure,
392
962000
2000
Non lo so per certo.
16:19
but I think at this point it's sort of
393
964000
2000
Ma ritengo che a questo punto
16:21
almost embarrassing not to at least try.
394
966000
2000
sarebbe piuttosto imbarazzante non fare almeno un tentativo.
16:23
Not an easy project.
395
968000
2000
Non è certo un progetto agevole.
16:25
One's got to build a lot of technology.
396
970000
2000
è necessario costruire un sacco di tecnologie.
16:27
One's got to build a structure that's probably
397
972000
2000
è necessario costruire una struttura che probabilmente
16:29
at least as deep as existing physics.
398
974000
2000
sarà almeno tanto profonda quanto la fisica corrente.
16:31
And I'm not sure what the best way to organize the whole thing is.
399
976000
3000
E non sono sicuro di quale sia il miglior modo per organizzare l'intera cosa.
16:34
Build a team, open it up, offer prizes and so on.
400
979000
3000
Costruire una squadra, renderla aperta, offrire premi e cosi via
16:37
But I'll tell you, here today,
401
982000
2000
Ma oggi vi dico
16:39
that I'm committed to seeing this project done,
402
984000
2000
che mi sto impegnando per vedere questo progetto completato,
16:41
to see if, within this decade,
403
986000
3000
per vedere se, entro questa decade,
16:44
we can finally hold in our hands
404
989000
2000
possiamo finalmente ottenere
16:46
the rule for our universe
405
991000
2000
la regola del nostro universo
16:48
and know where our universe lies
406
993000
2000
e sapere dove è posizionato il nostro universo
16:50
in the space of all possible universes ...
407
995000
2000
nello spazio di tutti i possibili universi
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
997000
3000
ed essere in grado di scrivere in Wolfram Alpha "la teoria dell'universo"
16:55
and have it tell us.
409
1000000
2000
e far si che ce la dica.
16:57
(Laughter)
410
1002000
2000
(Risate)
17:00
So I've been working on the idea of computation
411
1005000
2000
Quindi, ho lavorato all'idea del calcolo
17:02
now for more than 30 years,
412
1007000
2000
per più di 30 anni,
17:04
building tools and methods and turning intellectual ideas
413
1009000
3000
costruendo strumenti e metodi e trasformando idee astratte
17:07
into millions of lines of code
414
1012000
2000
in milioni di linee di codice
17:09
and grist for server farms and so on.
415
1014000
2000
da macinare in batterie di calcolatori.
17:11
With every passing year,
416
1016000
2000
Per ogni anno che passa,
17:13
I realize how much more powerful
417
1018000
2000
mi rendo conto di come sia sempre più potente
17:15
the idea of computation really is.
418
1020000
2000
l'idea del calcolo.
17:17
It's taken us a long way already,
419
1022000
2000
Ci ha già portato lontano,
17:19
but there's so much more to come.
420
1024000
2000
ma c'è ancora cosi tanto di più in arrivo.
17:21
From the foundations of science
421
1026000
2000
Dalle fondamenta della scienza
17:23
to the limits of technology
422
1028000
2000
ai limiti della tecnologia
17:25
to the very definition of the human condition,
423
1030000
2000
e persino alla definizione della condizione umana,
17:27
I think computation is destined to be
424
1032000
2000
penso che il calcolo sia destinato ad essere
17:29
the defining idea of our future.
425
1034000
2000
l'idea di fondo del nostro futuro.
17:31
Thank you.
426
1036000
2000
Grazie.
17:33
(Applause)
427
1038000
14000
(Applausi)
17:47
Chris Anderson: That was astonishing.
428
1052000
2000
Chris Anderson: è stato molto impressionante.
17:49
Stay here. I've got a question.
429
1054000
2000
Stia qui. Ho una domanda.
17:51
(Applause)
430
1056000
4000
(Applausi)
17:57
So, that was, fair to say, an astonishing talk.
431
1062000
3000
Dunque, questo è stato, mi sembra giusto dirlo, un discorso impressionante.
18:01
Are you able to say in a sentence or two
432
1066000
3000
Sarebbe in grado di dire in una frase o due
18:04
how this type of thinking
433
1069000
3000
come questo tipo di pensiero
18:07
could integrate at some point
434
1072000
2000
si potrebbe integrare ad un certo punto
18:09
to things like string theory or the kind of things that people think of
435
1074000
2000
con cose come la teoria delle stringhe o con quel tipo di cose che la gente ritiene
18:11
as the fundamental explanations of the universe?
436
1076000
3000
siano le fondamentali spiegazioni dell'universo?
18:14
Stephen Wolfram: Well, the parts of physics
437
1079000
2000
Stephen Wolfram: Beh, quelle parti della fisica
18:16
that we kind of know to be true,
438
1081000
2000
che in qualche modo sappiamo essere vere,
18:18
things like the standard model of physics:
439
1083000
2000
qualcosa come il Modello Standard.
18:20
what I'm trying to do better reproduce the standard model of physics
440
1085000
3000
Ciò che sto cercando di fare riproduce meglio il Modello Standard
18:23
or it's simply wrong.
441
1088000
2000
o è semplicemente sbagliato.
18:25
The things that people have tried to do in the last 25 years or so
442
1090000
2000
Le cose che la gente ha cercato di fare negli ultimi 25 anni circa
18:27
with string theory and so on
443
1092000
2000
con la teoria delle stringhe
18:29
have been an interesting exploration
444
1094000
2000
sono state una esplorazione interessante
18:31
that has tried to get back to the standard model,
445
1096000
3000
che ha cercato di ritornare fino al Modello Standard,
18:34
but hasn't quite gotten there.
446
1099000
2000
ma che non c'è ancora riuscita ad arrivare.
18:36
My guess is that some great simplifications of what I'm doing
447
1101000
3000
Suppongo che qualche semplificazione grossolana di ciò che sto facendo
18:39
may actually have considerable resonance
448
1104000
3000
potrebbe in effetti avere una risonanza considerevole
18:42
with what's been done in string theory,
449
1107000
2000
con ciò che è stato fatto nella teoria delle stringhe,
18:44
but that's a complicated math thing
450
1109000
3000
ma è una faccenda che ha complessi aspetti di matematica
18:47
that I don't yet know how it's going to work out.
451
1112000
3000
che ancora non so come andrà a finire.
18:50
CA: Benoit Mandelbrot is in the audience.
452
1115000
2000
CA: Benoit Mandelbrot è in sala.
18:52
He also has shown how complexity
453
1117000
2000
Anche lui ha mostrato come la complessità
18:54
can arise out of a simple start.
454
1119000
2000
possa nascere da un semplice inizio.
18:56
Does your work relate to his?
455
1121000
2000
Il vostro lavoro fa riferimento al suo?
18:58
SW: I think so.
456
1123000
2000
SW: Credo di si.
19:00
I view Benoit Mandelbrot's work
457
1125000
2000
Vedo il lavoro di Benoit Mandelbrot
19:02
as one of the founding contributions
458
1127000
3000
per certi aspetti come uno dei contributi fondamentali
19:05
to this kind of area.
459
1130000
3000
a quest'area.
19:08
Benoit has been particularly interested
460
1133000
2000
Benoit si è interessato in particolare
19:10
in nested patterns, in fractals and so on,
461
1135000
2000
ai pattern annidati, ai frattali e cosi via,
19:12
where the structure is something
462
1137000
2000
dove la struttura è qualcosa
19:14
that's kind of tree-like,
463
1139000
2000
che per certi versi è ramificata,
19:16
and where there's sort of a big branch that makes little branches
464
1141000
2000
e dove ci sono dei grandi rami che creano rami più piccoli.
19:18
and even smaller branches and so on.
465
1143000
3000
e lo stesso fanno i rami più piccoli e cosi via.
19:21
That's one of the ways
466
1146000
2000
Questa è una delle vie
19:23
that you get towards true complexity.
467
1148000
3000
che esistono verso la vera complessità.
19:26
I think things like the Rule 30 cellular automaton
468
1151000
3000
Io ritengo che cose come l'automa cellulare della Regola 30
19:29
get us to a different level.
469
1154000
2000
ci portino ad un livello differente.
19:31
In fact, in a very precise way, they get us to a different level
470
1156000
3000
In effetti ci portano ad un livello differente in un modo molto preciso
19:34
because they seem to be things that are
471
1159000
2000
perchè sembrano essere cose
19:37
capable of complexity
472
1162000
3000
capaci di una complessità
19:40
that's sort of as great as complexity can ever get ...
473
1165000
3000
che per certi aspetti è grande quanto deve...
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1169000
3000
Potrei continuare a lungo su questo ma non lo farò.
19:47
CA: Stephen Wolfram, thank you.
475
1172000
2000
CA: Stephen Wolfram, Grazie.
19:49
(Applause)
476
1174000
2000
(Applausi)
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