TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Kaip algoritmai formuoja mūsų pasaulį
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin teigia, kad mes gyvename pasaulyje, kuris sukurtas algoritmams ir yra vis labiau jų valdomas. Šioje jaudinančioje TEDGlobal konferencijos kalboje jis demonstruoja, kaip šios sudėtingos kompiuterinės programos nustatinėja šnipinėjimo taktikas, akcijų kainas, filmų scenarijus ir architektūrą. Jis įspėja, kad mes rašome kodą, kurio negalime suprasti, su pasekmėmis, kurių negalime kontroliuoti.
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Double-click the English transcript below to play the video.
00:15
This is a photograph
0
0
2000
Tai fotografo
00:17
by the artist Michael Najjar,
1
2000
2000
Michael Najjar nuotrauka.
00:19
and it's real,
2
4000
2000
Ji yra tikra
00:21
in the sense that he went there to Argentina
3
6000
2000
ta prasme, kad jis nuvyko į Argentiną,
00:23
to take the photo.
4
8000
2000
kad tai nufotografuotų.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Bet tai kartu ir fikcija. Su šia nuotrauka buvo nemažai padirbėta.
00:28
And what he's done
6
13000
2000
Iš tikrųjų jis
00:30
is he's actually reshaped, digitally,
7
15000
2000
skaitmeniniu būdu pertvarkė
00:32
all of the contours of the mountains
8
17000
2000
visus kalnų kontūrus,
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
kad šie atitiktų Dow Jones indekso pokyčius.
00:37
So what you see,
10
22000
2000
Tai, ką jūs matote,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
tas status skardis su slėniu,
00:41
is the 2008 financial crisis.
12
26000
2000
tai yra 2008-ųjų finansinė krizė.
00:43
The photo was made
13
28000
2000
Nuotrauka buvo padaryta,
00:45
when we were deep in the valley over there.
14
30000
2000
kai mes buvome žemiausiame taške.
00:47
I don't know where we are now.
15
32000
2000
Aš nežinau, kur mes esame dabar.
00:49
This is the Hang Seng index
16
34000
2000
Tai Hang Seng indeksas
00:51
for Hong Kong.
17
36000
2000
Honkongo akcijų biržoje.
00:53
And similar topography.
18
38000
2000
Panaši topografija.
00:55
I wonder why.
19
40000
2000
Įdomu, kodėl.
00:57
And this is art. This is metaphor.
20
42000
3000
Tai yra menas. Tai metafora.
01:00
But I think the point is
21
45000
2000
Esmė tame,
01:02
that this is metaphor with teeth,
22
47000
2000
kad ši metafora kandžiojasi.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
Būtent dėl to aš noriu šiandien pasiūlyti,
01:07
that we rethink a little bit
24
52000
2000
kad mes šiek tiek permąstytume
01:09
about the role of contemporary math --
25
54000
3000
šiuolaikinės matematikos vaidmenį --
01:12
not just financial math, but math in general.
26
57000
3000
ne tik finansinės, bet ir bendrosios matematikos.
01:15
That its transition
27
60000
2000
Tai tarpinė būsena
01:17
from being something that we extract and derive from the world
28
62000
3000
tarp to, ką mes paimame iš mus supančio pasaulio,
01:20
to something that actually starts to shape it --
29
65000
3000
ir to, kas iš tikro pradeda jį formuoti --
01:23
the world around us and the world inside us.
30
68000
3000
tiek išorinį tiek vidinį pasaulį.
01:26
And it's specifically algorithms,
31
71000
2000
Tiksliau tai yra algoritmai,
01:28
which are basically the math
32
73000
2000
kurie iš esmės yra matematika,
01:30
that computers use to decide stuff.
33
75000
3000
kurią naudoja kompiuteriai sprendimų priėmimui.
01:33
They acquire the sensibility of truth
34
78000
2000
Jie sukuria tiesos įspūdį,
01:35
because they repeat over and over again,
35
80000
2000
nes jie nuolatos kartojami.
01:37
and they ossify and calcify,
36
82000
3000
Jie sustabarėja ir užkalkėja
01:40
and they become real.
37
85000
2000
ir tampa realiais.
01:42
And I was thinking about this, of all places,
38
87000
3000
Aš apie visa tai mąsčiau skrisdamas
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
transatlantiniu reisu prieš pora metų,
01:48
because I happened to be seated
40
93000
2000
nes visai atsitiktinai sėdėjau
01:50
next to a Hungarian physicist about my age
41
95000
2000
šalia savo bendraamžio vengrų fiziko
01:52
and we were talking
42
97000
2000
ir kalbėjomės
01:54
about what life was like during the Cold War
43
99000
2000
apie tai, kaip fizikai gyveno Šaltojo karo
01:56
for physicists in Hungary.
44
101000
2000
metu Vengrijoje.
01:58
And I said, "So what were you doing?"
45
103000
2000
Aš paklausiau, "Kuo jūs užsiimdavote?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
Jis atsakė, "Na, daugiausia "nematomų" lėktuvų paieškomis."
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
Aš tariau, "Tai geras darbas. Tai įdomu.
02:04
How does that work?"
48
109000
2000
Kaip tai vyksta?"
02:06
And to understand that,
49
111000
2000
Tam suprasti reikia
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
suvokti, kaip veikia "nematomumas".
02:11
And so -- this is an over-simplification --
51
116000
3000
Nors tai ir labai supaprastinta,
02:14
but basically, it's not like
52
119000
2000
bet iš esmės negalite
02:16
you can just pass a radar signal
53
121000
2000
padaryti, kad radaro signalas eitų kiaurai
02:18
right through 156 tons of steel in the sky.
54
123000
3000
per 156 tonas plieno danguje.
02:21
It's not just going to disappear.
55
126000
3000
Lėktuvas tiesiog taip neišnyks.
02:24
But if you can take this big, massive thing,
56
129000
3000
Bet jei paverstumėte tą didžiulį, sunkų
02:27
and you could turn it into
57
132000
3000
objektą
02:30
a million little things --
58
135000
2000
milijonu mažų objektų --
02:32
something like a flock of birds --
59
137000
2000
tarsi į paukščių būrį --
02:34
well then the radar that's looking for that
60
139000
2000
tuomet ieškantis radaras
02:36
has to be able to see
61
141000
2000
turės sugebėti pastebėti
02:38
every flock of birds in the sky.
62
143000
2000
kiekvieną paukščių pulką danguje.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
Jei jūs radaras, tai tikrai nedėkinga užduotis.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
Jis atsakė, "Taip, bet taip yra, jei esi radaras.
02:47
So we didn't use a radar;
65
152000
2000
Tad mes nenaudojome radarų;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
mes sukūrėme juodą dėžę, ieškančią elektrinių signalų,
02:52
electronic communication.
67
157000
3000
elektroninių komunikacijų.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
Kai tik mes pastebėdavome paukščių pulką, perduodantį elektroninius signalus,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
darydavome išvadą, kad tai kažkaip susiję su amerikiečiais."
03:01
And I said, "Yeah.
70
166000
2000
Aš tariau, "Taip.
03:03
That's good.
71
168000
2000
Tai įdomu.
03:05
So you've effectively negated
72
170000
2000
Tai jūs iš esmės išmetėte į šiukšlyną
03:07
60 years of aeronautic research.
73
172000
2000
60 metų aeronautikos tyrimų.
03:09
What's your act two?
74
174000
2000
Koks buvo jūsų kitas žingsnis?
03:11
What do you do when you grow up?"
75
176000
2000
Ką veikėte, kai užaugote?"
03:13
And he said,
76
178000
2000
Jis atsakė,
03:15
"Well, financial services."
77
180000
2000
"Na, finansinės paslaugos."
03:17
And I said, "Oh."
78
182000
2000
Aš ištariau "O!".
03:19
Because those had been in the news lately.
79
184000
3000
Tuo metu tai buvo populiari tema.
03:22
And I said, "How does that work?"
80
187000
2000
Paklausiau, "Kaip tai vyksta?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
Jis atsakė, "Na, šiuo metu Volstryte dirba 2000 fizikų
03:26
and I'm one of them."
82
191000
2000
ir aš esu vienas iš jų."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
Pasidomėjau, "Kas yra Volstryto "juodoji dėžė"?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
Jis tarė, "Keista, kad taip klausi,
03:33
because it's actually called black box trading.
85
198000
3000
nes tai ir vadinama "juodosios dėžės prekyba".
03:36
And it's also sometimes called algo trading,
86
201000
2000
Kartais vadinama algoprekyba,
03:38
algorithmic trading."
87
203000
3000
algoritmine prekyba."
03:41
And algorithmic trading evolved in part
88
206000
3000
Algoritminė prekyba išsivystė iš dalies dėl to,
03:44
because institutional traders have the same problems
89
209000
3000
kad instituciniai prekeiviai susidūrė su tomis pačiomis problemomis,
03:47
that the United States Air Force had,
90
212000
3000
kaip ir Jungtinių Valstijų oro pajėgos.
03:50
which is that they're moving these positions --
91
215000
3000
Jie turėjo valdyti tas pozicijas --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
ar tai būtų Proctor & Gamble ar Accenture, nesvarbu --
03:55
they're moving a million shares of something
93
220000
2000
jie valdė milijonų akcijų srautus
03:57
through the market.
94
222000
2000
visoje rinkoje.
03:59
And if they do that all at once,
95
224000
2000
Jei jūs atliksite viską vienu metu,
04:01
it's like playing poker and going all in right away.
96
226000
2000
tai kaip žaidžiant pokerį eiti "all in".
04:03
You just tip your hand.
97
228000
2000
Jūs atskleidžiate savo kortas.
04:05
And so they have to find a way --
98
230000
2000
Jie turėjo rasti būdą --
04:07
and they use algorithms to do this --
99
232000
2000
tam jie naudoja algoritmus --
04:09
to break up that big thing
100
234000
2000
išskaidyti visą sandėrį
04:11
into a million little transactions.
101
236000
2000
į milijoną mažų transakcijų.
04:13
And the magic and the horror of that
102
238000
2000
Visas stebuklas ir siaubas yra tai,
04:15
is that the same math
103
240000
2000
kad ta pati matematika,
04:17
that you use to break up the big thing
104
242000
2000
naudojama viso reikalo skaidymui
04:19
into a million little things
105
244000
2000
į milijoną mažų veiksmų,
04:21
can be used to find a million little things
106
246000
2000
gali būti naudojama milijono mažų veiksmų radimui,
04:23
and sew them back together
107
248000
2000
jų sujungimui
04:25
and figure out what's actually happening in the market.
108
250000
2000
ir išsiaiškinimui, kas iš tikrųjų vyksta rinkoje.
04:27
So if you need to have some image
109
252000
2000
Jei norite suvokti,
04:29
of what's happening in the stock market right now,
110
254000
3000
kas šiuo metu vyksta akcijų rinkoje,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
įsivaizduokite krūvą algoritmų,
04:34
that are basically programmed to hide,
112
259000
3000
iš esmės sukurtų pasislėpti,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
ir krūvą algoritmų, sukurtų aniems surasti ir atlikti veiksmus.
04:40
And all of that's great, and it's fine.
114
265000
3000
Visa tai puiku ir gražu.
04:43
And that's 70 percent
115
268000
2000
Tai yra 70 procentų
04:45
of the United States stock market,
116
270000
2000
Jungtinių Valstijų akcijų rinkos,
04:47
70 percent of the operating system
117
272000
2000
70 procentų veikiančios sistemos,
04:49
formerly known as your pension,
118
274000
3000
dar žinomos, kaip jūsų pensija,
04:52
your mortgage.
119
277000
3000
jūsų hipoteka.
04:55
And what could go wrong?
120
280000
2000
Kas gali blogo nutikti?
04:57
What could go wrong
121
282000
2000
Gali nutikti taip,
04:59
is that a year ago,
122
284000
2000
kaip nutiko maždaug prieš metus,
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
kai per penkias minutes prapuolė devyni procentai visos rinkos.
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
Jie tai pavadino "2:45 staigia griūtimi".
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Visiškai netikėtai devyni procentai tiesiog dingsta
05:10
and nobody to this day
126
295000
2000
ir iki pat šios dienos niekas
05:12
can even agree on what happened
127
297000
2000
negali atsakyti, kas nutiko,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
nes niekas to neužsakė, niekas neprašė.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Niekas nekontroliavo to, kas vyksta.
05:20
All they had
130
305000
2000
Viskas, ką jie turėjo,
05:22
was just a monitor in front of them
131
307000
2000
tai monitorius prieš akis
05:24
that had the numbers on it
132
309000
2000
su skaitmenimis
05:26
and just a red button
133
311000
2000
ir elementariu raudonu mygtuku,
05:28
that said, "Stop."
134
313000
2000
ant kurio užrašyta "Stop".
05:30
And that's the thing,
135
315000
2000
Tame ir esmė,
05:32
is that we're writing things,
136
317000
2000
kad mes rašome dalykus,
05:34
we're writing these things that we can no longer read.
137
319000
3000
mes rašome dalykus, kurių nebegalime perskaityti.
05:37
And we've rendered something
138
322000
2000
Mes kažką pavaizdavome
05:39
illegible,
139
324000
2000
neįskaitomai.
05:41
and we've lost the sense
140
326000
3000
Mes praradome suvokimą,
05:44
of what's actually happening
141
329000
2000
kas iš tikrųjų vyksta
05:46
in this world that we've made.
142
331000
2000
šiame mūsų sukurtame pasaulyje.
05:48
And we're starting to make our way.
143
333000
2000
Ir mes pradedame judėti pirmyn.
05:50
There's a company in Boston called Nanex,
144
335000
3000
Bostone yra kompanija pavadinimu Nanex.
05:53
and they use math and magic
145
338000
2000
Jie naudoja matematiką, magiją
05:55
and I don't know what,
146
340000
2000
ir dar net nežinau ką.
05:57
and they reach into all the market data
147
342000
2000
Jie paima visus rinkos duomenis
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
ir kartais aptinka kai kuriuos iš šių algoritmų.
06:02
And when they find them they pull them out
149
347000
3000
Juos suradę jie juos ištraukia
06:05
and they pin them to the wall like butterflies.
150
350000
3000
ir prisega prie sienos tarsi drugelius.
06:08
And they do what we've always done
151
353000
2000
Jie daro tai, ką mes visuomet darydavome
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
susidūrę su dideliu kiekiu mums nesuprantamų duomenų --
06:13
which is that they give them a name
153
358000
2000
mes suteikiame jiems vardus
06:15
and a story.
154
360000
2000
ir istorijas.
06:17
So this is one that they found,
155
362000
2000
Tuos, kuriuos surado,
06:19
they called the Knife,
156
364000
4000
jie pavadino Peiliu,
06:23
the Carnival,
157
368000
2000
Karnavalu,
06:25
the Boston Shuffler,
158
370000
4000
Bostono Maišyklė,
06:29
Twilight.
159
374000
2000
Prieblanda.
06:31
And the gag is
160
376000
2000
Triukas tame,
06:33
that, of course, these aren't just running through the market.
161
378000
3000
kad tai gali rasti ne tik rinkoje.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Šitokius dalykus galite rasti bet kur,
06:39
once you learn how to look for them.
163
384000
2000
kai tik išmoksite juos atpažinti.
06:41
You can find it here: this book about flies
164
386000
3000
Galite rasti čia: knygą apie muses,
06:44
that you may have been looking at on Amazon.
165
389000
2000
kurią galėjote matyti Amazon parduotuvėje.
06:46
You may have noticed it
166
391000
2000
Galbūt pastebėjote,
06:48
when its price started at 1.7 million dollars.
167
393000
2000
kai jos kaina siekė 1.7 milijono dolerių.
06:50
It's out of print -- still ...
168
395000
2000
Ji išparduota -- vis dar...
06:52
(Laughter)
169
397000
2000
(Juokas)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Jei jūs nusipirkote ją už 1.7 milijono, tai buvo puikus sandėris.
06:57
A few hours later, it had gone up
171
402000
2000
Po kelių valandų kaina pakilo
06:59
to 23.6 million dollars,
172
404000
2000
iki 23.6 milijono dolerių
07:01
plus shipping and handling.
173
406000
2000
be siuntimo ir pristatymo išlaidų.
07:03
And the question is:
174
408000
2000
Tad kyla klausimas:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Niekas nieko nepirko ir nepardavė; kas gi vyko?
07:07
And you see this behavior on Amazon
176
412000
2000
Tokį elgesį galite matyti Amazon taip pat dažnai,
07:09
as surely as you see it on Wall Street.
177
414000
2000
kaip ir Volstryte.
07:11
And when you see this kind of behavior,
178
416000
2000
Kai pastebite tokį elgesį,
07:13
what you see is the evidence
179
418000
2000
tai yra konfliktuojančių
07:15
of algorithms in conflict,
180
420000
2000
algoritmų įrodymas.
07:17
algorithms locked in loops with each other,
181
422000
2000
Algoritmai užstringa uždarame cikle
07:19
without any human oversight,
182
424000
2000
be jokios žmogaus priežiūros.
07:21
without any adult supervision
183
426000
3000
Be jokios brandžios priežiūros,
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
kuri pasakytų, "Iš tikrųjų 1.7 milijono yra gana daug."
07:27
(Laughter)
185
432000
3000
(Juokas)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
Netflix viskas taip pat, kaip ir Amazon.
07:33
And so Netflix has gone through
187
438000
2000
Per visus veiklos metus
07:35
several different algorithms over the years.
188
440000
2000
Netflix naudojo keletą skirtingų algoritmų.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Jie pradėjo su Cinematch ir bandė daugybę kitų.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
Buvo Dinozaurų Planeta, buvo Gravitacija.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Dabar jie naudoja Praktišką Chaosą.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Praktiškas Chaosas, kaip ir visi Netflix algoritmai,
07:46
trying to do the same thing.
193
451000
2000
bando daryti tą patį.
07:48
It's trying to get a grasp on you,
194
453000
2000
Jis bando jus perprasti,
07:50
on the firmware inside the human skull,
195
455000
2000
perprasti programinę įrangą, esančią žmogaus kaukolėje tam,
07:52
so that it can recommend what movie
196
457000
2000
kad galėtų rekomenduoti filmą, kurį
07:54
you might want to watch next --
197
459000
2000
norėtumėte pažiūrėti netrukus --
07:56
which is a very, very difficult problem.
198
461000
3000
tai yra labai labai sunki užduotis.
07:59
But the difficulty of the problem
199
464000
2000
Bet užduoties sunkumas
08:01
and the fact that we don't really quite have it down,
200
466000
3000
ir faktas, kad ji nėra pilnai įvykdyta,
08:04
it doesn't take away
201
469000
2000
nepanaikina
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
Praktiško Chaoso pasekmių.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Praktiškas Chaosas, kaip ir visi Netflix algoritmai,
08:11
determines, in the end,
204
476000
2000
galų gale nustato
08:13
60 percent
205
478000
2000
60 procentų
08:15
of what movies end up being rented.
206
480000
2000
filmų nuomos apimčių.
08:17
So one piece of code
207
482000
2000
Vienas kodo gabalėlis
08:19
with one idea about you
208
484000
3000
su supratimu apie jus
08:22
is responsible for 60 percent of those movies.
209
487000
3000
yra atsakingas už 60 procentų tų filmų.
08:25
But what if you could rate those movies
210
490000
2000
Bet jeigu jūs galėtumėte reitinguoti filmus
08:27
before they get made?
211
492000
2000
dar prieš juos pastatant?
08:29
Wouldn't that be handy?
212
494000
2000
Ar tai nebūtų patogu?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Na, Holivude yra duomenų specialistų iš Jungtinės Karalystės,
08:34
and they have "story algorithms" --
214
499000
2000
turinčių istorijų algoritmus --
08:36
a company called Epagogix.
215
501000
2000
Epagogix kompanija.
08:38
And you can run your script through there,
216
503000
3000
Galite duoti savo scenarijų
08:41
and they can tell you, quantifiably,
217
506000
2000
ir jie jį įvertins kiekybiškai,
08:43
that that's a 30 million dollar movie
218
508000
2000
ar tai 30-ies milijonų dolerių filmas,
08:45
or a 200 million dollar movie.
219
510000
2000
ar 200 milijonų dolerių filmas.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
Esmė tame, kad tai ne Google.
08:49
This isn't information.
221
514000
2000
Tai ne informacija.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Tai ne finansinė statistika; tai kultūra.
08:53
And what you see here,
223
518000
2000
Ką jūs čia matote,
08:55
or what you don't really see normally,
224
520000
2000
ar ko čia paprastai nematote,
08:57
is that these are the physics of culture.
225
522000
4000
yra kultūros fizika.
09:01
And if these algorithms,
226
526000
2000
Ir jei šie algoritmai,
09:03
like the algorithms on Wall Street,
227
528000
2000
kaip ir Volstryto algoritmai,
09:05
just crashed one day and went awry,
228
530000
3000
tiesiog vieną dieną suges ir išsikreips,
09:08
how would we know?
229
533000
2000
kaip mes tai sužinosime,
09:10
What would it look like?
230
535000
2000
kaip tai atrodys?
09:12
And they're in your house. They're in your house.
231
537000
3000
Ir jie jūsų namuose. Jie jūsų namuose.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Tai du algoritmai besivaržantys dėl jūsų svetainės.
09:17
These are two different cleaning robots
233
542000
2000
Tai tu skirtingi valymo robotai,
09:19
that have very different ideas about what clean means.
234
544000
3000
turintys labai skirtingą supratimą, kas yra švaru.
09:22
And you can see it
235
547000
2000
Jūs galite tai pamatyti
09:24
if you slow it down and attach lights to them,
236
549000
3000
juos sulėtinę ir pritvirtinę šviesos šaltinį.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Jie tarsi slapti jūsų svetainės architektai.
09:30
And the idea that architecture itself
238
555000
3000
Ir idėja, kad pati architektūra
09:33
is somehow subject to algorithmic optimization
239
558000
2000
yra susijusi su algoritmine optimizacija,
09:35
is not far-fetched.
240
560000
2000
nėra tokia neįtikima.
09:37
It's super-real and it's happening around you.
241
562000
3000
Tai visiškai realu ir tai vyksta šalia jūsų.
09:40
You feel it most
242
565000
2000
Labiausiai tai juntama
09:42
when you're in a sealed metal box,
243
567000
2000
būnant uždaroje metalinėje dėžėje,
09:44
a new-style elevator;
244
569000
2000
naujo tipo lifte,
09:46
they're called destination-control elevators.
245
571000
2000
kurį vadina tikslo kontrolės liftu.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Čia tie, prieš į kuriuos įlipdamas turi pasirinkti,
09:51
before you get in the elevator.
247
576000
2000
į kurį aukštą nori patekti.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Jis naudoja vadinamąjį dėžės pakavimo algoritmą.
09:55
So none of this mishegas
249
580000
2000
Daugiau jokių kvailysčių
09:57
of letting everybody go into whatever car they want.
250
582000
2000
leidžiant visiems lipti į bet kurią kabiną.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Visi norintys patekti į dešimtą aukštą lipa į antrą kabiną,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
o visi vykstantys į trečią aukštą lipa į penktą kabiną.
10:04
And the problem with that
253
589000
2000
Problema ta,
10:06
is that people freak out.
254
591000
2000
kad žmonės išsigąsta.
10:08
People panic.
255
593000
2000
Žmonės supanikuoja.
10:10
And you see why. You see why.
256
595000
2000
Ir jūs suprantate, kodėl. Suprantate, kodėl.
10:12
It's because the elevator
257
597000
2000
Nes lifte
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
trūksta kai kurių svarbių įtaisų, pavyzdžiui, mygtukų.
10:17
(Laughter)
259
602000
2000
(Juokas)
10:19
Like the things that people use.
260
604000
2000
Dalykų, kuriuos naudoja žmonės.
10:21
All it has
261
606000
2000
Jame tėra
10:23
is just the number that moves up or down
262
608000
3000
skaitmuo, kuris didėja ar mažėja,
10:26
and that red button that says, "Stop."
263
611000
3000
ir raudonas mygtukas su užrašu "Stop."
10:29
And this is what we're designing for.
264
614000
3000
Ir tam mes kuriame dizainą.
10:32
We're designing
265
617000
2000
Mes kuriame dizainą, skirtą
10:34
for this machine dialect.
266
619000
2000
mašinų tarpusavio bendravimui.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Ir kaip toli mes galime nueiti? Kaip toli galime nueiti?
10:39
You can take it really, really far.
268
624000
2000
Galime nueiti labai labai toli.
10:41
So let me take it back to Wall Street.
269
626000
3000
Grįžkime į Volstrytą.
10:45
Because the algorithms of Wall Street
270
630000
2000
Nes Volstryto algoritmams
10:47
are dependent on one quality above all else,
271
632000
3000
svarbiausia yra viena savybė --
10:50
which is speed.
272
635000
2000
greitis.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Jie veikia milisekundžių ir mikrosekundžių ribose.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Kad suvoktumėte, kas yra mikrosekundė,
10:57
it takes you 500,000 microseconds
275
642000
2000
pelės mygtuko paspaudimas užtrunka
10:59
just to click a mouse.
276
644000
2000
500,000 mikrosekundžių.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Bet jei esate Volstryto algoritmas
11:03
and you're five microseconds behind,
278
648000
2000
ir atsiliekate penkiomis mikrosekundėmis,
11:05
you're a loser.
279
650000
2000
jūs pralaimėtojas.
11:07
So if you were an algorithm,
280
652000
2000
Jei būtumėte algoritmas,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
ieškotumėte architekto, kokį sutikau Frankfurte.
11:12
who was hollowing out a skyscraper --
282
657000
2000
Jis ištuštino dangoraižį --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
išmetė visus baldus, visą žmonėms reikalingą infrastruktūrą,
11:17
and just running steel on the floors
284
662000
3000
paliko tik stovinčias plienines konstrukcijas,
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
skirtas sudėti serveriams --
11:23
all so an algorithm
286
668000
2000
viskas tam, kad algoritmas
11:25
could get close to the Internet.
287
670000
3000
priartėtų prie interneto.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Jūs galvojate, kad internetas yra tam tikra išskirstyta sistema.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
Taip ir yra, bet ji skirstoma iš konkrečių vietų.
11:34
In New York, this is where it's distributed from:
290
679000
2000
Štai iš kur ji skirstoma Niujorke:
11:36
the Carrier Hotel
291
681000
2000
Carrier viešbutis,
11:38
located on Hudson Street.
292
683000
2000
esantis Hadsono gatvėje.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
Būtent iš ten laidai išeina į miestą.
11:43
And the reality is that the further away you are from that,
294
688000
4000
Realybė tokia, kad kuo toliau esi nuo tos vietos,
11:47
you're a few microseconds behind every time.
295
692000
2000
kaskart atsilieki keliomis mikrosekundėmis.
11:49
These guys down on Wall Street,
296
694000
2000
Tie algoritmai Volstryte,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo ir Čerokių Tauta,
11:53
they're eight microseconds
298
698000
2000
jie atsilieka
11:55
behind all these guys
299
700000
2000
aštuoniomis mikrosekundėmis nuo tų,
11:57
going into the empty buildings being hollowed out
300
702000
4000
kurie užima ištuštintus pastatus
12:01
up around the Carrier Hotel.
301
706000
2000
aplink Carrier viešbutį.
12:03
And that's going to keep happening.
302
708000
3000
Taip tęsis ir toliau.
12:06
We're going to keep hollowing them out,
303
711000
2000
Mes ir toliau juos tuštinsime,
12:08
because you, inch for inch
304
713000
3000
nes nei vienas iš mūsų, colis po colio,
12:11
and pound for pound and dollar for dollar,
305
716000
3000
svaras po svaro ir doleris po dolerio
12:14
none of you could squeeze revenue out of that space
306
719000
3000
negalime išspausti tiek pajamų iš tos vietos,
12:17
like the Boston Shuffler could.
307
722000
3000
kiek sugeba Bostono Maišyklė.
12:20
But if you zoom out,
308
725000
2000
Bet jei pažvelgtumėte iš toliau,
12:22
if you zoom out,
309
727000
2000
jei pažvelgtumėte iš toliau,
12:24
you would see an 825-mile trench
310
729000
4000
pamatytumėte 825 mylių ilgio tranšėją
12:28
between New York City and Chicago
311
733000
2000
tarp Niujorko ir Čikagos,
12:30
that's been built over the last few years
312
735000
2000
kurią paskutinius kelerius metus kasė
12:32
by a company called Spread Networks.
313
737000
3000
kompanija Spread Networks.
12:35
This is a fiber optic cable
314
740000
2000
Tai optinis kabelis,
12:37
that was laid between those two cities
315
742000
2000
nutiestas tarp tų dviejų miestų tam,
12:39
to just be able to traffic one signal
316
744000
3000
kad perduoti vieną signalą
12:42
37 times faster than you can click a mouse --
317
747000
3000
37 kartus greičiau, nei galite spustelėti pelės mygtuką --
12:45
just for these algorithms,
318
750000
3000
vien šiems algoritmams,
12:48
just for the Carnival and the Knife.
319
753000
3000
vien Karnavalui ir Peiliui.
12:51
And when you think about this,
320
756000
2000
Kai apie tai pagalvoji,
12:53
that we're running through the United States
321
758000
2000
kad mes braunamės per Jungtines Valstijas
12:55
with dynamite and rock saws
322
760000
3000
su dinamitu ir akmens skaldikliais tam,
12:58
so that an algorithm can close the deal
323
763000
2000
kad algoritmas galėtų atlikti sandėrį
13:00
three microseconds faster,
324
765000
3000
trimis mikrosekundėmis greičiau,
13:03
all for a communications framework
325
768000
2000
viskas dėl tos komunikacijų sistemos,
13:05
that no human will ever know,
326
770000
4000
kurios joks žmogus niekad nesupras,
13:09
that's a kind of manifest destiny;
327
774000
3000
tai tarsi parodo mūsų likimą
13:12
and we'll always look for a new frontier.
328
777000
3000
ir tam niekada nebus ribų.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Nelaimei, mums reikia atlikti daug sunkaus darbo.
13:18
This is just theoretical.
330
783000
2000
Tai kol kas tik teorija.
13:20
This is some mathematicians at MIT.
331
785000
2000
Tai keli MIT matematikai.
13:22
And the truth is I don't really understand
332
787000
2000
Teisybės dėlei, aš nesuprantu daugumos dalykų,
13:24
a lot of what they're talking about.
333
789000
2000
apie kuriuos jie kalba.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Tai susiję su šviesos kūgiais ir kvantinėmis jungtimis.
13:29
and I don't really understand any of that.
335
794000
2000
Aš tikrai nieko apie tai nenutuokiu.
13:31
But I can read this map,
336
796000
2000
Bet aš suprantu šį žemėlapį.
13:33
and what this map says
337
798000
2000
Šis žemėlapis rodo,
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
jei nori uždirbti pinigų raudonų taškų rinkose,
13:38
that's where people are, where the cities are,
339
803000
2000
kur gyvena žmonės, kur stovi miestai,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
tai reikia įrengti serverius mėlynuosiuose taškuose,
13:43
to do that most effectively.
341
808000
2000
kad pasiektum didžiausią efektyvumą.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
Turbūt pastebėjote, kad dauguma tų mėlynų taškų
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
yra viduryje vandenyno.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
Taip mes ir padarysime -- įrengsime plūdurus
13:54
or platforms.
345
819000
2000
ar platformas.
13:56
We'll actually part the water
346
821000
2000
Mes praskirsime vandenį
13:58
to pull money out of the air,
347
823000
2000
tam, kad ištrauktume pinigus iš oro,
14:00
because it's a bright future
348
825000
2000
nes tai ir yra šviesi ateitis,
14:02
if you're an algorithm.
349
827000
2000
jei esate algoritmas.
14:04
(Laughter)
350
829000
2000
(Juokas)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
Įdomiausia ne patys pinigai.
14:09
It's what the money motivates,
352
834000
2000
Įdomiausia, ką tie pinigai skatina.
14:11
that we're actually terraforming
353
836000
2000
Mes formuojame pačią
14:13
the Earth itself
354
838000
2000
Žemės planetą
14:15
with this kind of algorithmic efficiency.
355
840000
2000
šiuo algoritminiu efektyvumu.
14:17
And in that light,
356
842000
2000
Tai suvokęs
14:19
you go back
357
844000
2000
vėl pažvelgi
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
į Michael Najjar nuotraukas
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
ir supranti, kad tai ne metafora - tai pranašystė.
14:26
They're prophecy
360
851000
2000
Tai mūsų sukurtos
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
matematikos seisminių, globalinių
14:32
of the math that we're making.
362
857000
2000
pasekmių pranašystė.
14:34
And the landscape was always made
363
859000
3000
Kraštovaizdis visada formavosi
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
dėl to keisto, sunkaus gamtos
14:40
between nature and man.
365
865000
3000
ir žmogaus bendradarbiavimo.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Bet dabar atsirado trečioji bendros evoliucijos jėga: algoritmai --
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
Bostono Maišyklė, Karnavalas.
14:49
And we will have to understand those as nature,
368
874000
3000
Mes juos turime suvokti, kaip gamtą.
14:52
and in a way, they are.
369
877000
2000
Nes iš dalies, jie tokie ir yra.
14:54
Thank you.
370
879000
2000
Ačiū jums.
14:56
(Applause)
371
881000
20000
(Plojimai)
ABOUT THE SPEAKER
Kevin Slavin - Algoworld expertKevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.
Why you should listen
Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.
All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.
He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."
Kevin Slavin | Speaker | TED.com