TED2010
Stephen Wolfram: Computing a theory of all knowledge
Stephen Wolfram: Obliczając teorię wszystkiego
Filmed:
Readability: 4.4
1,811,819 views
Stephen Wolfram, stwórca oprogramowania Mathematica, mówi o poszukiwaniu drogi by uczynić wiedzę obliczeniową - podatną na wyszukiwanie, przetwarzanie oraz operowanie. Jego nowa wyszukiwarka "Wofram Alpha" ma zaszczytny cel opisania i wyjaśnienia praw fizycznych rządzących Wszechświatem.
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
Chciałbym opowiedzieć dzisiaj o idei. Jest to wielka idea.
00:19
Actually, I think it'll eventually
1
4000
2000
W sumie myślę, że w końcu będzie ona
00:21
be seen as probably the single biggest idea
2
6000
2000
uznana za prawdopodobnie największą swoistą ideę
00:23
that's emerged in the past century.
3
8000
2000
która powstała w poprzednim stuleciu.
00:25
It's the idea of computation.
4
10000
2000
To idea obliczalności.
00:27
Now, of course, that idea has brought us
5
12000
2000
Idea ta udostępniła z kolei rzeczy
00:29
all of the computer technology we have today and so on.
6
14000
3000
całą technologię komputerową, którą dzisiaj dysponujemy i tak dalej.
00:32
But there's actually a lot more to computation than that.
7
17000
3000
Natomiast obliczalność to coś więcej niż technologia komputerowa.
00:35
It's really a very deep, very powerful, very fundamental idea,
8
20000
3000
Tak naprawdę jest to bardzo głęboka, potężna i fundamentalna idea,
00:38
whose effects we've only just begun to see.
9
23000
3000
której efekty dopiero zaczeliśmy poznawać.
00:41
Well, I myself have spent the past 30 years of my life
10
26000
3000
Cóż, ja osobiście poświęciłem ostatnie 30 lat mojego życia
00:44
working on three large projects
11
29000
2000
pracując nad trzema dużymi projektami,
00:46
that really try to take the idea of computation seriously.
12
31000
3000
które naprawdę starają się traktować ideę obliczalności serio.
00:50
So I started off at a young age as a physicist
13
35000
3000
Zacząłem młodo jako fizyk
00:53
using computers as tools.
14
38000
2000
używając komputerów jako narzędzi.
00:55
Then, I started drilling down,
15
40000
2000
Następnie, zacząłem drążyć temat,
00:57
thinking about the computations I might want to do,
16
42000
2000
myśląc o obliczeniach które mógłbym chcieć kiedyś wykonać,
00:59
trying to figure out what primitives they could be built up from
17
44000
3000
domyślać się z jakich wielkości pierwotnych mogły by one być budowane
01:02
and how they could be automated as much as possible.
18
47000
3000
oraz w jakim stopniu mogły by one być z automatyzowane.
01:05
Eventually, I created a whole structure
19
50000
2000
Wynikiem końcowym była cała struktura
01:07
based on symbolic programming and so on
20
52000
2000
bazująca na programowaniu symbolicznym,
01:09
that let me build Mathematica.
21
54000
2000
która pozwoliła mi na stworzenie oprogramowania Mathematica
01:11
And for the past 23 years, at an increasing rate,
22
56000
2000
A przez ostatnie 23 lata, coraz szybciej,
01:13
we've been pouring more and more ideas
23
58000
2000
przelewaliśmy nasze idee
01:15
and capabilities and so on into Mathematica,
24
60000
2000
i możliwości w oprogramowanie Mathematica.
01:17
and I'm happy to say that that's led to many good things
25
62000
3000
I cieszę się, że mogę powiedzieć, że doprowadziło to do wielu osiągnięć
01:20
in R & D and education,
26
65000
2000
w obszarze badań naukowych, edukacji
01:22
lots of other areas.
27
67000
2000
i wielu innych dziedzinach.
01:24
Well, I have to admit, actually,
28
69000
2000
Muszę się jednak przyznać, że
01:26
that I also had a very selfish reason for building Mathematica:
29
71000
3000
miałem bardzo egoistyczny powód by zrobić program Mathematica.
01:29
I wanted to use it myself,
30
74000
2000
Chciałem używać tego oprogramowania do własnych celów,
01:31
a bit like Galileo got to use his telescope
31
76000
2000
trochę jak Galileusz używał własnego teleskopu
01:33
400 years ago.
32
78000
2000
400 lat temu.
01:35
But I wanted to look not at the astronomical universe,
33
80000
3000
Ja jednak chciałem spoglądać nie na astronomiczny wszechświat,
01:38
but at the computational universe.
34
83000
3000
lecz na wszechświat obliczeniowy.
01:41
So we normally think of programs as being
35
86000
2000
Przeważnie myślimy o programach jako
01:43
complicated things that we build
36
88000
2000
skomplikowanych bytach, które tworzymy
01:45
for very specific purposes.
37
90000
2000
do bardzo specyficznych celów.
01:47
But what about the space of all possible programs?
38
92000
3000
Cóż jednak z obszarem obliczeniowym wszystkich możliwych programów?
01:50
Here's a representation of a really simple program.
39
95000
3000
Tutaj widzimy przykład bardzo prostego programu.
01:53
So, if we run this program,
40
98000
2000
Gdy odpalimy ten program,
01:55
this is what we get.
41
100000
2000
oto wynik wyjściowy.
01:57
Very simple.
42
102000
2000
Bardzo prosty.
01:59
So let's try changing the rule
43
104000
2000
Spróbujmy więc zmienić regułę
02:01
for this program a little bit.
44
106000
2000
tego programu o drobinę.
02:03
Now we get another result,
45
108000
2000
Teraz otrzymamy inny wynik,
02:05
still very simple.
46
110000
2000
nadal bardzo prosty.
02:07
Try changing it again.
47
112000
3000
Zmieńmy regułę jeszcze raz.
02:10
You get something a little bit more complicated.
48
115000
2000
Otrzymujemy coś bardziej skomplikowanego,
02:12
But if we keep running this for a while,
49
117000
2000
nadal manipulując regułami,
02:14
we find out that although the pattern we get is very intricate,
50
119000
3000
dowiadujemy się, że mimo tego iż rezultat jest wielce skomplikowany,
02:17
it has a very regular structure.
51
122000
3000
nadal jest bardzo regularną strukturą.
02:20
So the question is: Can anything else happen?
52
125000
3000
Nasuwa się więc pytanie: Czy coś jeszcze może się zdarzyć?
02:23
Well, we can do a little experiment.
53
128000
2000
Cóż, można przeprowadzić mały eksperyment.
02:25
Let's just do a little mathematical experiment, try and find out.
54
130000
3000
Przeprowadźmy mały matematyczny eksperyment i dowiedzmy się.
02:29
Let's just run all possible programs
55
134000
3000
Wykonajmy wszystkie możliwe programy
02:32
of the particular type that we're looking at.
56
137000
2000
poszczególnych typów na które patrzymy.
02:34
They're called cellular automata.
57
139000
2000
Nazywane są automatami komórkowymi.
02:36
You can see a lot of diversity in the behavior here.
58
141000
2000
Widać tutaj dużo różnorodności w zachowaniu.
02:38
Most of them do very simple things,
59
143000
2000
Większość z nich robi bardzo proste rzeczy.
02:40
but if you look along all these different pictures,
60
145000
2000
Jeśli zaczniemy oglądać te obrazki po kolei,
02:42
at rule number 30,
61
147000
2000
reguła o numerze 30,
02:44
you start to see something interesting going on.
62
149000
2000
pokazuje coś interesującego.
02:46
So let's take a closer look
63
151000
2000
Przyjrzyjmy się jej bliżej
02:48
at rule number 30 here.
64
153000
2000
numer 30.
02:50
So here it is.
65
155000
2000
Oto ona.
02:52
We're just following this very simple rule at the bottom here,
66
157000
3000
Wykonujemy tylko proste instrukcje reguły tutaj na dole,
02:55
but we're getting all this amazing stuff.
67
160000
2000
a otrzymujemy tą niesamowitą treść.
02:57
It's not at all what we're used to,
68
162000
2000
To zupełnie nie to czego oczekiwaliśmy,
02:59
and I must say that, when I first saw this,
69
164000
2000
I muszę przyznać, że kiedy pierwszy raz to zobaczyłem,
03:01
it came as a huge shock to my intuition.
70
166000
3000
moja intuicja doznała wielkiego szoku,
03:04
And, in fact, to understand it,
71
169000
2000
a właściwie, żeby to zrozumieć,
03:06
I eventually had to create
72
171000
2000
musiałem w końcu stworzyć
03:08
a whole new kind of science.
73
173000
2000
zupełnie nowy rodzaj nauki.
03:11
(Laughter)
74
176000
2000
Śmiech
03:13
This science is different, more general,
75
178000
3000
Ta nauka jest inna, bardziej ogólna,
03:16
than the mathematics-based science that we've had
76
181000
2000
niż nauka bazująca na matematyce, którą mamy
03:18
for the past 300 or so years.
77
183000
3000
od ostatnich 300 lat.
03:21
You know, it's always seemed like a big mystery:
78
186000
2000
Zawsze wydawało się to wielką niewiadomą
03:23
how nature, seemingly so effortlessly,
79
188000
3000
w jaki sposób natura, niemal że bez wysiłku,
03:26
manages to produce so much
80
191000
2000
produkuje tak wiele bytów,
03:28
that seems to us so complex.
81
193000
3000
które wydają się tak skomplikowane.
03:31
Well, I think we've found its secret:
82
196000
3000
Cóż, myślę, że znalazłem jej sekret.
03:34
It's just sampling what's out there in the computational universe
83
199000
3000
Polega to na pobieraniu próbek z obliczeniowego wszechświata
03:37
and quite often getting things like Rule 30
84
202000
3000
a często otrzymuje się wyniki podobne to reguły 30
03:40
or like this.
85
205000
3000
lub tego.
03:44
And knowing that starts to explain
86
209000
2000
A wiedząc to, zaczyna się wyjaśniać
03:46
a lot of long-standing mysteries in science.
87
211000
3000
wiele istniejących od dawna zagadek w nauce.
03:49
It also brings up new issues, though,
88
214000
2000
Rodzi to też wiele nowych problemów,
03:51
like computational irreducibility.
89
216000
3000
na przykład, najbardziej podstawowa obliczalność.
03:54
I mean, we're used to having science let us predict things,
90
219000
3000
Mam na myśli to, że nauka zawsze pozwalała nam przewidywać,
03:57
but something like this
91
222000
2000
tyle że coś takiego jak tu
03:59
is fundamentally irreducible.
92
224000
2000
zasadniczo jest nieredukowalne.
04:01
The only way to find its outcome
93
226000
2000
Jedynym sposobem aby otrzymać ostateczny wynik
04:03
is, effectively, just to watch it evolve.
94
228000
3000
jest, obserwacja jak ten wynik się rozwija.
04:06
It's connected to, what I call,
95
231000
2000
Jest to połączone z czymś co nazywam
04:08
the principle of computational equivalence,
96
233000
2000
zasadą równości obliczeniowej,
04:10
which tells us that even incredibly simple systems
97
235000
3000
która mówi nam, że nawet niewiarygodnie proste systemy
04:13
can do computations as sophisticated as anything.
98
238000
3000
mogą przeprowadzać obliczenia tak złożone jak tylko to możliwe.
04:16
It doesn't take lots of technology or biological evolution
99
241000
3000
Nie trzeba zaawansowanej technologii lub biologicznej ewolucji
04:19
to be able to do arbitrary computation;
100
244000
2000
by robić przypadkowe obliczenia,
04:21
just something that happens, naturally,
101
246000
2000
to po prostu się zdarza samo, naturalnie,
04:23
all over the place.
102
248000
2000
wszędzie.
04:25
Things with rules as simple as these can do it.
103
250000
3000
Byty z regułami takie jak te mogą to robić.
04:29
Well, this has deep implications
104
254000
2000
Ma to więc głębokie implikacje
04:31
about the limits of science,
105
256000
2000
w stosunku do granic nauki,
04:33
about predictability and controllability
106
258000
2000
o przewidywalności i kontroli
04:35
of things like biological processes or economies,
107
260000
3000
zjawisk takich jak biologiczne procesy czy ekonomie,
04:38
about intelligence in the universe,
108
263000
2000
inteligencji we wszechświecie,
04:40
about questions like free will
109
265000
2000
kwestiach takich jak wolna wola
04:42
and about creating technology.
110
267000
3000
oraz tworzeniu technologii.
04:45
You know, in working on this science for many years,
111
270000
2000
Pracując nad tą nauką przez wiele lat,
04:47
I kept wondering,
112
272000
2000
zastanawiałem się,
04:49
"What will be its first killer app?"
113
274000
2000
"Co może być jej zabójczą aplikacją?"
04:51
Well, ever since I was a kid,
114
276000
2000
Od kiedy byłem dzieckiem,
04:53
I'd been thinking about systematizing knowledge
115
278000
2000
myślałem nad usystematyzowaniem wiedzy
04:55
and somehow making it computable.
116
280000
2000
i poddania jej możliwości obliczeń.
04:57
People like Leibniz had wondered about that too
117
282000
2000
Leibniz także się nad tym zastanawiał
04:59
300 years earlier.
118
284000
2000
300 lat temu.
05:01
But I'd always assumed that to make progress,
119
286000
2000
Ja jednak zawsze zakładałem, że jeżeli mam dokonać postępu,
05:03
I'd essentially have to replicate a whole brain.
120
288000
3000
musiałbym w sumie odtworzyć cały mózg.
05:06
Well, then I got to thinking:
121
291000
2000
Więc pomyślałem sobie:
05:08
This scientific paradigm of mine suggests something different --
122
293000
3000
Ten mój naukowy paradygmat sugeruje coś innego.
05:11
and, by the way, I've now got
123
296000
2000
A teraz mam jeszcze
05:13
huge computation capabilities in Mathematica,
124
298000
3000
wielkie możliwości obliczeniowe w Mathematica,
05:16
and I'm a CEO with some worldly resources
125
301000
3000
i jestem prezesem z zasobami światowymi
05:19
to do large, seemingly crazy, projects --
126
304000
3000
by móc robić, częściowo zwariowane, projekty.
05:22
So I decided to just try to see
127
307000
2000
Więc zdecydowałem się spróbować
05:24
how much of the systematic knowledge that's out there in the world
128
309000
3000
ile usystematyzowanej wiedzy, która nas już otacza
05:27
we could make computable.
129
312000
2000
mógłbym uczynić obliczeniową.
05:29
So, it's been a big, very complex project,
130
314000
2000
Jest to więc wielki i bardzo skomplikowany projekt,
05:31
which I was not sure was going to work at all.
131
316000
3000
którego wyniku nie byłem pewien.
05:34
But I'm happy to say it's actually going really well.
132
319000
3000
Ale ze szczęściem oznajmiam, że w sumie całkiem nieźle się on rozwija.
05:37
And last year we were able
133
322000
2000
I tak zeszłego roku byliśmy w stanie
05:39
to release the first website version
134
324000
2000
wypuścić pierwszą wersję sieciową
05:41
of Wolfram Alpha.
135
326000
2000
Wolfram Alpha.
05:43
Its purpose is to be a serious knowledge engine
136
328000
3000
Jego celem jest bycie poważną wyszukiwarką wiedzy,
05:46
that computes answers to questions.
137
331000
3000
która oblicza odpowiedzi do zadanych pytań.
05:49
So let's give it a try.
138
334000
2000
Spróbujmy więc go użyć.
05:51
Let's start off with something really easy.
139
336000
2000
Na początek zadajmy jakieś łatwe pytanie.
05:53
Hope for the best.
140
338000
2000
Trzymajcie kciuki.
05:55
Very good. Okay.
141
340000
2000
Bardzo dobrze.
05:57
So far so good.
142
342000
2000
Jak na razie całkiem nieźle.
05:59
(Laughter)
143
344000
3000
(Śmiech)
06:02
Let's try something a little bit harder.
144
347000
3000
A może teraz coś trochę trudniejszego.
06:05
Let's do
145
350000
2000
Powiedzmy...
06:07
some mathy thing,
146
352000
3000
Może trochę matematyki
06:10
and with luck it'll work out the answer
147
355000
3000
i przy odrobinie szczęścia obliczy nam odpowiedz
06:13
and try and tell us some interesting things
148
358000
2000
i spróbuje opowiedzieć interesujące rzeczy,
06:15
things about related math.
149
360000
2000
oraz matematykę związaną z tym problemem.
06:17
We could ask it something about the real world.
150
362000
3000
Moglibyśmy też zapytać się o coś w otaczającym nas świecie.
06:20
Let's say -- I don't know --
151
365000
2000
Powiedzmy ...
06:22
what's the GDP of Spain?
152
367000
3000
Jaki jest produkt krajowy brutto Hiszpanii?
06:25
And it should be able to tell us that.
153
370000
2000
I powinien nam odpowiedzieć.
06:27
Now we could compute something related to this,
154
372000
2000
Teraz można obliczyć coś z tym związanego,
06:29
let's say ... the GDP of Spain
155
374000
2000
na przykład produkt krajowy brutto Hiszpanii
06:31
divided by, I don't know,
156
376000
2000
podzielony przez ...
06:33
the -- hmmm ...
157
378000
2000
hmm ...
06:35
let's say the revenue of Microsoft.
158
380000
2000
powiedzmy zyski Microsoft'u.
06:37
(Laughter)
159
382000
2000
(Śmiech)
06:39
The idea is that we can just type this in,
160
384000
2000
Chodzi o to, że możemy po prostu takie pytanie wpisać
06:41
this kind of question in, however we think of it.
161
386000
3000
jakkolwiek je sformułujemy.
06:44
So let's try asking a question,
162
389000
2000
Spróbujmy więc zadać pytanie,
06:46
like a health related question.
163
391000
2000
związane ze zdrowiem.
06:48
So let's say we have a lab finding that ...
164
393000
3000
Powiedzmy, że w laboratorium zbadano,
06:51
you know, we have an LDL level of 140
165
396000
2000
że mamy poziom cholesterolu 140
06:53
for a male aged 50.
166
398000
3000
dla pięćdziesięciolatka.
06:56
So let's type that in, and now Wolfram Alpha
167
401000
2000
Wpiszmy więc ten wynik w Wolfram Alpha,
06:58
will go and use available public health data
168
403000
2000
który użyje publicznie udostępnionych danych z badań klinicznych
07:00
and try and figure out
169
405000
2000
i spróbuje określić
07:02
what part of the population that corresponds to and so on.
170
407000
3000
jaka część populacji zamyka się w tym przedziale itp.
07:05
Or let's try asking about, I don't know,
171
410000
3000
Albo spróbujmy zapytać się, nie wiem,
07:08
the International Space Station.
172
413000
2000
np. o międzynarodową stację kosmiczną.
07:10
And what's happening here is that
173
415000
2000
Jak widzimy
07:12
Wolfram Alpha is not just looking up something;
174
417000
2000
Wolfram Alpha nie tylko coś wyszukuje
07:14
it's computing, in real time,
175
419000
3000
ale także oblicza w czasie rzeczywistym,
07:17
where the International Space Station is right now at this moment,
176
422000
3000
gdzie w tym momencie ta stacja się znajduje,
07:20
how fast it's going, and so on.
177
425000
3000
jak szybko się porusza i tak dalej.
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
429000
3000
Tak więc Wolfram Alpha wie o wielu różnych rzeczach.
07:27
It's got, by now,
179
432000
2000
Aktualnie zawiera on wiedzę, która
07:29
pretty good coverage of everything you might find
180
434000
2000
dosyć dobrze pokrywa się ze wszystkim, co można znaleźć
07:31
in a standard reference library.
181
436000
3000
w przeciętnej bibliotece.
07:34
But the goal is to go much further
182
439000
2000
Cel jednak jest o wiele wyższy
07:36
and, very broadly, to democratize
183
441000
3000
mówiąc bardzo ogólnie, chodzi o zdemokratyzowanie
07:39
all of this knowledge,
184
444000
3000
całej tej wiedzy,
07:42
and to try and be an authoritative
185
447000
2000
i spróbowanie uczynienia jej autorytatywnym
07:44
source in all areas.
186
449000
2000
źródłem we wszystkich dziedzinach,
07:46
To be able to compute answers to specific questions that people have,
187
451000
3000
by móc obliczać odpowiedzi na specyficzne pytania jakie ludzie mogą zadawać,
07:49
not by searching what other people
188
454000
2000
nie poprzez wyszukiwanie tego czego inni
07:51
may have written down before,
189
456000
2000
już dowiedli i napisali,
07:53
but by using built in knowledge
190
458000
2000
lecz poprzez użycie "wbudowanej", istniejącej już wiedzy
07:55
to compute fresh new answers to specific questions.
191
460000
3000
by obliczyć nową odpowiedź na specyficzne pytanie.
07:58
Now, of course, Wolfram Alpha
192
463000
2000
Oczywiście Wolfram Alpha
08:00
is a monumentally huge, long-term project
193
465000
2000
jest monumentalnie wielkim i długim projektem
08:02
with lots and lots of challenges.
194
467000
2000
z wieloma wyzwaniami.
08:04
For a start, one has to curate a zillion
195
469000
3000
Na początek, trzeba przecież nadzorować nieokreśloną liczbę
08:07
different sources of facts and data,
196
472000
3000
różnych źródeł faktów i danych,
08:10
and we built quite a pipeline of Mathematica automation
197
475000
3000
stworzyliśmy więc automatyczne rozwiązania za pomocą Mathematica
08:13
and human domain experts for doing this.
198
478000
3000
oraz ludzkich zasobów i zarazem ekspertów w tych dziedzinach.
08:16
But that's just the beginning.
199
481000
2000
Ale to tylko początek.
08:18
Given raw facts or data
200
483000
2000
Jeżeli użyjemy surowych faktów i danych
08:20
to actually answer questions,
201
485000
2000
by odpowiedzieć na pytania,
08:22
one has to compute:
202
487000
2000
trzeba by obliczyć
08:24
one has to implement all those methods and models
203
489000
2000
oraz zaimplementować te wszystkie metody, modele
08:26
and algorithms and so on
204
491000
2000
algorytmy i tym podobne,
08:28
that science and other areas have built up over the centuries.
205
493000
3000
które nauka wraz z innymi dziedzinami stworzyła w przeciągu stuleci.
08:31
Well, even starting from Mathematica,
206
496000
3000
Nawet jeżeli chodzi o Mathematica,
08:34
this is still a huge amount of work.
207
499000
2000
to jest to ogromne przedsięwzięcie.
08:36
So far, there are about 8 million lines
208
501000
2000
Na chwilę obecną mamy 8 milionów
08:38
of Mathematica code in Wolfram Alpha
209
503000
2000
linii kodu w języku Mathematica w naszej wyszukiwarce Wolfram Alpha
08:40
built by experts from many, many different fields.
210
505000
3000
napisanych przez ekspertów w wielu dziedzin.
08:43
Well, a crucial idea of Wolfram Alpha
211
508000
3000
Kluczową ideą Wolfram Alpha
08:46
is that you can just ask it questions
212
511000
2000
jest to, że można go po prostu zapytać o coś
08:48
using ordinary human language,
213
513000
3000
używając ludzkiego języka,
08:51
which means that we've got to be able to take
214
516000
2000
co z kolei znaczy, że powinniśmy móc zebrać
08:53
all those strange utterances that people type into the input field
215
518000
3000
te wszystkie wypowiedzi, które ludzie wpisują w okienko
08:56
and understand them.
216
521000
2000
i je zrozumieć.
08:58
And I must say that I thought that step
217
523000
2000
I muszę powiedzieć, że myślałem iż ten krok
09:00
might just be plain impossible.
218
525000
3000
będzie po prostu niemożliwy.
09:04
Two big things happened:
219
529000
2000
Zdarzyły się dwie ważne rzeczy.
09:06
First, a bunch of new ideas about linguistics
220
531000
3000
Najpierw, wiele nowych odkryć w dziedzinie lingwistyki,
09:09
that came from studying the computational universe;
221
534000
3000
które były rezultatem studiowania obliczeniowego wszechświata.
09:12
and second, the realization that having actual computable knowledge
222
537000
3000
A druga rzecz to uświadomienie sobie, że posiadanie wiedzy obliczeniowej
09:15
completely changes how one can
223
540000
2000
kompletnie zmienia sposób w jaki
09:17
set about understanding language.
224
542000
3000
można rozumieć język.
09:20
And, of course, now
225
545000
2000
Tak więc teraz
09:22
with Wolfram Alpha actually out in the wild,
226
547000
2000
przy pomocy Wolfram Alpha otwartym dla ogółu,
09:24
we can learn from its actual usage.
227
549000
2000
możemy studiować jego używalność.
09:26
And, in fact, there's been
228
551000
2000
I w sumie istnieje
09:28
an interesting coevolution that's been going on
229
553000
2000
ciekawie rozwijające się współzawodnictwo
09:30
between Wolfram Alpha
230
555000
2000
pomiędzy Wolfram Alpha
09:32
and its human users,
231
557000
2000
i jego użytkownikami.
09:34
and it's really encouraging.
232
559000
2000
I jest ono naprawdę zachęcające.
09:36
Right now, if we look at web queries,
233
561000
2000
Już teraz, kiedy spojrzymy na zadawane pytania,
09:38
more than 80 percent of them get handled successfully the first time.
234
563000
3000
więcej niż 80 procent jest trafnie interpretowanych za pierwszym razem.
09:41
And if you look at things like the iPhone app,
235
566000
2000
A jeżeli spojrzeć na pochodne aplikacji np. w iPhonie,
09:43
the fraction is considerably larger.
236
568000
2000
to nawet trochę więcej.
09:45
So, I'm pretty pleased with it all.
237
570000
2000
Jestem więc dość zadowolony z tego wszystkiego.
09:47
But, in many ways,
238
572000
2000
Niemniej jednak, w wielu dziedzinach,
09:49
we're still at the very beginning with Wolfram Alpha.
239
574000
3000
nadal jesteśmy w pierwszej fazie Wolfram Alpha.
09:52
I mean, everything is scaling up very nicely
240
577000
2000
Mam na myśli to, że wszystko jak dotąd jest wydajne.
09:54
and we're getting more confident.
241
579000
2000
Pozyskujemy coraz to większe zaufanie.
09:56
You can expect to see Wolfram Alpha technology
242
581000
2000
Możecie się spodziewać, że technologia Wolfram Alpha
09:58
showing up in more and more places,
243
583000
2000
będzie się pojawiała w coraz to nowych miejscach,
10:00
working both with this kind of public data, like on the website,
244
585000
3000
wykorzystując dane publiczne, dostępne w sieci
10:03
and with private knowledge
245
588000
2000
oraz prywatną wiedzę
10:05
for people and companies and so on.
246
590000
3000
dostępną dla ludzi i firm i tak dalej.
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
593000
3000
Uświadomiłem sobie, że Wolfram Alpha dostarcza nam
10:11
a whole new kind of computing
248
596000
2000
w jakimś sensie nowego rodzaju obliczeń,
10:13
that one can call knowledge-based computing,
249
598000
2000
które można nazwać obliczeniami bazującymi na wiedzy,
10:15
in which one's starting not just from raw computation,
250
600000
3000
gdzie zaczyna się od obliczeń na surowych danych,
10:18
but from a vast amount of built-in knowledge.
251
603000
3000
lecz od rozległych zasobów dostępnej wiedzy.
10:21
And when one does that, one really changes
252
606000
2000
A prowadząc takie obliczenia, zmienia się
10:23
the economics of delivering computational things,
253
608000
3000
ekonomię dostarczania obliczeniowych bytów,
10:26
whether it's on the web or elsewhere.
254
611000
2000
nie zważając na to czy jest to w sieci czy gdziekolwiek.
10:28
You know, we have a fairly interesting situation right now.
255
613000
3000
Mamy właśnie dosyć interesującą sytuacje.
10:31
On the one hand, we have Mathematica,
256
616000
2000
Z jednej strony mamy Mathematica,
10:33
with its sort of precise, formal language
257
618000
3000
z jej precyzyjnie sformalizowanym językiem
10:36
and a huge network
258
621000
2000
oraz obszerną sieć
10:38
of carefully designed capabilities
259
623000
2000
starannie zaprojektowanych możliwości,
10:40
able to get a lot done in just a few lines.
260
625000
3000
które pozwalają jej na wykonanie wielu obliczeń przy pomocy paru linii kodu.
10:43
Let me show you a couple of examples here.
261
628000
3000
Pozwólcie państwo, że przedstawię tu kilka przykładów.
10:47
So here's a trivial piece of Mathematica programming.
262
632000
3000
Oto trywialny kawałek programu w Mathematica.
10:51
Here's something where we're sort of
263
636000
2000
Tutaj na przykład
10:53
integrating a bunch of different capabilities here.
264
638000
3000
łączymy wiele różnych możliwości.
10:56
Here we'll just create, in this line,
265
641000
3000
Tutaj stworzymy w tej linijce
10:59
a little user interface that allows us to
266
644000
3000
mały interfejs użytkownika pozwalający
11:02
do something fun there.
267
647000
2000
na zabawę.
11:05
If you go on, that's a slightly more complicated program
268
650000
2000
Idąc dalej, nagle tworzymy bardziej skomplikowany program,
11:07
that's now doing all sorts of algorithmic things
269
652000
3000
który nagle robi wiele algorytmicznych obliczeń,
11:10
and creating user interface and so on.
270
655000
2000
wraz z tworzeniem interfejsu użytkownika itp.
11:12
But it's something that is very precise stuff.
271
657000
3000
Jest to jednak bardzo sprecyzowana treść.
11:15
It's a precise specification with a precise formal language
272
660000
3000
To właśnie jej precyzyjna specyfikacja precyzyjnym językiem formalnym
11:18
that causes Mathematica to know what to do here.
273
663000
3000
pozwala Mathematice wiedzieć co z tym zrobić.
11:21
Then on the other hand, we have Wolfram Alpha,
274
666000
3000
A z drugiej strony mamy Wolfram Alpha
11:24
with all the messiness of the world
275
669000
2000
zawierający ten nasz światowy bałagan
11:26
and human language and so on built into it.
276
671000
2000
i ludzki język wbudowany w niego.
11:28
So what happens when you put these things together?
277
673000
3000
Co się więc stanie jeżeli połączymy te dwie rzeczy?
11:31
I think it's actually rather wonderful.
278
676000
2000
Myślę, że coś bardzo niezwykłego.
11:33
With Wolfram Alpha inside Mathematica,
279
678000
2000
Z Wolfram Alpha w Mathematice,
11:35
you can, for example, make precise programs
280
680000
2000
można na przykład tworzyć precyzyjne programy
11:37
that call on real world data.
281
682000
2000
korzystające z otaczających nas danych.
11:39
Here's a real simple example.
282
684000
2000
Oto bardzo prosty przykład.
11:44
You can also just sort of give vague input
283
689000
3000
Można nawet podać nie dokładne zapytanie
11:47
and then try and have Wolfram Alpha
284
692000
2000
i zobaczyć czy Wolfram Alpha
11:49
figure out what you're talking about.
285
694000
2000
zrozumie o co nam chodzi.
11:51
Let's try this here.
286
696000
2000
Spróbujmy to teraz zrobić.
11:53
But actually I think the most exciting thing about this
287
698000
3000
Myślę jednak, że najbardziej ekscytujące w tym
11:56
is that it really gives one the chance
288
701000
2000
jest to że każdy dostaje szansę
11:58
to democratize programming.
289
703000
3000
by zdemokratyzować programowanie.
12:01
I mean, anyone will be able to say what they want in plain language.
290
706000
3000
To znaczy, każdy będzie mógł po prostu powiedzieć zwykłym językiem co chciałby zaprogramować,
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
709000
3000
a Wolfram Alpha domyśli się,
12:07
what precise pieces of code
292
712000
2000
które precyzyjne kawałki kodu
12:09
can do what they're asking for
293
714000
2000
dostarczą odpowiedzi
12:11
and then show them examples that will let them pick what they need
294
716000
3000
a później pokaże przykłady i pozwoli wybrać rzeczy potrzebne
12:14
to build up bigger and bigger, precise programs.
295
719000
3000
do budowy większych, bardziej precyzyjnych programów.
12:17
So, sometimes, Wolfram Alpha
296
722000
2000
Czasami Wolfram Alpha
12:19
will be able to do the whole thing immediately
297
724000
2000
będzie mógł wykonać to wszystko natychmiastowo
12:21
and just give back a whole big program that you can then compute with.
298
726000
3000
i zwrócić jeden wielki program, którym można będzie obliczać.
12:24
Here's a big website
299
729000
2000
Oto obszerna strona internetowa
12:26
where we've been collecting lots of educational
300
731000
3000
gdzie kolekcjonujemy wiedzę
12:29
and other demonstrations about lots of kinds of things.
301
734000
3000
z różnych dziedzin.
12:32
I'll show you one example here.
302
737000
3000
Pokażę więc na przykład, może to.
12:36
This is just an example of one of these computable documents.
303
741000
3000
To jest tylko przykład takiego obliczeniowego dokumentu.
12:39
This is probably a fairly small
304
744000
2000
Jest to w sumie bardzo mały wycinek
12:41
piece of Mathematica code
305
746000
2000
kodu Mathematica,
12:43
that's able to be run here.
306
748000
2000
który może być wykorzystany do użytku właśnie tu.
12:47
Okay. Let's zoom out again.
307
752000
3000
Dobrze. Spójrzmy znowu z daleka.
12:50
So, given our new kind of science,
308
755000
2000
Mając nasz "nowy rodzaj nauki", zapytajmy
12:52
is there a general way to use it to make technology?
309
757000
3000
czy istnieje ogólna metoda by używać jej do tworzenia technologii?
12:55
So, with physical materials,
310
760000
2000
Jeżeli chodzi o rzeczy materialne,
12:57
we're used to going around the world
311
762000
2000
to jesteśmy przyzwyczajeni objeżdżać świat
12:59
and discovering that particular materials
312
764000
2000
odkrywając, że poszczególne materiały
13:01
are useful for particular
313
766000
2000
mogą być użyte w poszczególnych
13:03
technological purposes.
314
768000
2000
technologicznych celach i tak dalej.
13:05
Well, it turns out we can do very much the same kind of thing
315
770000
2000
Okazuje się, że takie samo podejście można wykorzystać
13:07
in the computational universe.
316
772000
2000
we wszechświecie obliczeniowym.
13:09
There's an inexhaustible supply of programs out there.
317
774000
3000
Jest tu nieskończona liczba programów.
13:12
The challenge is to see how to
318
777000
2000
Wyzwaniem jest znalezienie metody
13:14
harness them for human purposes.
319
779000
2000
jak wykorzystać je by były użyteczne dla ludzkości.
13:16
Something like Rule 30, for example,
320
781000
2000
Takie coś jak reguła 30, na przykład,
13:18
turns out to be a really good randomness generator.
321
783000
2000
okazuje się być bardzo dobrym generatorem liczb losowych.
13:20
Other simple programs are good models
322
785000
2000
Inne proste programy są dobrymi modelami
13:22
for processes in the natural or social world.
323
787000
3000
procesów zachodzących w naturalnym lub społecznym świecie.
13:25
And, for example, Wolfram Alpha and Mathematica
324
790000
2000
Na przykład, Wolfram Alpha i Mathematica
13:27
are actually now full of algorithms
325
792000
2000
użytkują teraz wiele algorytmów
13:29
that we discovered by searching the computational universe.
326
794000
3000
odkrytych właśnie przez przeszukiwanie obliczeniowego wszechświata.
13:33
And, for example, this -- if we go back here --
327
798000
3000
I to na przykład ...
13:37
this has become surprisingly popular
328
802000
2000
stało się niewiarygodnie popularne
13:39
among composers
329
804000
2000
wśród kompozytorów,
13:41
finding musical forms by searching the computational universe.
330
806000
3000
którzy znajdują formy muzyczne poprzez przeszukiwanie obliczeniowego wszechświata.
13:45
In a sense, we can use the computational universe
331
810000
2000
W pewnym sensie możemy użyć obliczeniowego wszechświata
13:47
to get mass customized creativity.
332
812000
3000
by otrzymać dostosowaną do naszych potrzeb kreatywność.
13:50
I'm hoping we can, for example,
333
815000
2000
Mam nadzieję, że na przykład,
13:52
use that even to get Wolfram Alpha
334
817000
2000
użyjemy tego w Wolfram Alpha
13:54
to routinely do invention and discovery on the fly,
335
819000
3000
by rutynowo otrzymywać inwencje i odkrycia w locie
13:57
and to find all sorts of wonderful stuff
336
822000
2000
i odnajdywać wiele niesamowitych rzeczy,
13:59
that no engineer
337
824000
2000
których żaden inżynier
14:01
and no process of incremental evolution would ever come up with.
338
826000
3000
i żaden proces stopniowej ewolucji nigdy by nie stworzył.
14:05
Well, so, that leads to kind of an ultimate question:
339
830000
3000
Prowadzi to więc do zadania ostatecznego pytania.
14:08
Could it be that someplace out there in the computational universe
340
833000
3000
Czy jest możliwe, że gdzieś tam w obliczeniowym wszechświecie
14:11
we might find our physical universe?
341
836000
3000
moglibyśmy znaleźć nasz fizyczny wszechświat?
14:14
Perhaps there's even some quite simple rule,
342
839000
2000
Może istnieje nawet dosyć prosta reguła,
14:16
some simple program for our universe.
343
841000
3000
jakiś prosty program dla naszego wszechświata.
14:19
Well, the history of physics would have us believe
344
844000
2000
Historia fizyki mówi nam,
14:21
that the rule for the universe must be pretty complicated.
345
846000
3000
że reguła na nasz wszechświat powinna być dość skomplikowana.
14:24
But in the computational universe,
346
849000
2000
Jednak w obliczeniowym wszechświecie
14:26
we've now seen how rules that are incredibly simple
347
851000
3000
widzimy, że niesamowicie proste reguły
14:29
can produce incredibly rich and complex behavior.
348
854000
3000
mogą produkować niewiarygodnie bogate i złożone zachowania.
14:32
So could that be what's going on with our whole universe?
349
857000
3000
Czy to samo dzieje się więc w naszym wszechświecie?
14:36
If the rules for the universe are simple,
350
861000
2000
Jeżeli reguły wszechświata są proste
14:38
it's kind of inevitable that they have to be
351
863000
2000
to jest to nieuniknione, że muszą być
14:40
very abstract and very low level;
352
865000
2000
bardzo abstrakcyjne i nisko poziomowe,
14:42
operating, for example, far below
353
867000
2000
operujące na przykład na znacznie niższym
14:44
the level of space or time,
354
869000
2000
poziomie niż przestrzeń czy czas,
14:46
which makes it hard to represent things.
355
871000
2000
co z kolei utrudnia reprezentacje wszystkiego.
14:48
But in at least a large class of cases,
356
873000
2000
Ale w znacznej klasie przypadków
14:50
one can think of the universe as being
357
875000
2000
można widzieć wszechświat jako
14:52
like some kind of network,
358
877000
2000
coś w rodzaju sieci,
14:54
which, when it gets big enough,
359
879000
2000
która, kiedy dojdzie do wystarczająco dużych rozmiarów,
14:56
behaves like continuous space
360
881000
2000
zaczyna zachowywać się jak ciągła przestrzeń
14:58
in much the same way as having lots of molecules
361
883000
2000
na takiej samej zasadzie jak wiele molekuł
15:00
can behave like a continuous fluid.
362
885000
2000
zachowuje się jak ciecz.
15:02
Well, then the universe has to evolve by applying
363
887000
3000
Dlatego też, wszechświat powinien ewoluować poprzez aplikowanie
15:05
little rules that progressively update this network.
364
890000
3000
małych reguł, które stopniowo uaktualniają tą siatkę.
15:08
And each possible rule, in a sense,
365
893000
2000
I każda możliwa reguła, w pewnym sensie,
15:10
corresponds to a candidate universe.
366
895000
2000
odpowiada jakiemuś kandydatowi na wszechświat.
15:12
Actually, I haven't shown these before,
367
897000
3000
Nigdy tego nie pokazywałem aż do teraz,
15:16
but here are a few of the candidate universes
368
901000
3000
widzimy tu kilka kandydatów na wszechświaty,
15:19
that I've looked at.
369
904000
2000
które przejrzałem.
15:21
Some of these are hopeless universes,
370
906000
2000
Niektóre z nich to beznadziejne wszechświaty,
15:23
completely sterile,
371
908000
2000
całkowicie sterylne,
15:25
with other kinds of pathologies like no notion of space,
372
910000
2000
zawierające inne patologie takie jak brak przestrzeni,
15:27
no notion of time, no matter,
373
912000
3000
brak pojęcia czasu, brak materii,
15:30
other problems like that.
374
915000
2000
oraz podobne problemy.
15:32
But the exciting thing that I've found in the last few years
375
917000
3000
Ekscytującą rzeczą, którą odkryłem w ostatnich latach
15:35
is that you actually don't have to go very far
376
920000
2000
jest to, że wcale nie trzeba zagłębiać się daleko
15:37
in the computational universe
377
922000
2000
w obliczeniowym wszechświecie
15:39
before you start finding candidate universes
378
924000
2000
zanim zacznie się znajdywać kandydatów na wszechświaty
15:41
that aren't obviously not our universe.
379
926000
3000
które nie są naturalnie naszym wszechświatem.
15:44
Here's the problem:
380
929000
2000
Problem leży w tym:
15:46
Any serious candidate for our universe
381
931000
3000
Każdy poważny kandydat na nasz wszechświat,
15:49
is inevitably full of computational irreducibility.
382
934000
3000
jest w nieunikniony sposób pełen obliczeniowej nieredukowalności,
15:52
Which means that it is irreducibly difficult
383
937000
3000
co znaczy, że jest nieskracalnie trudnym
15:55
to find out how it will really behave,
384
940000
2000
by dowiedzieć się jak naprawdę będzie się on zachowywał,
15:57
and whether it matches our physical universe.
385
942000
3000
oraz czy pasuje on do naszego fizycznego wszechświata.
16:01
A few years ago, I was pretty excited to discover
386
946000
3000
Parę lat temu, podekscytowało mnie odkrycie,
16:04
that there are candidate universes with incredibly simple rules
387
949000
3000
że są kandydaci na wszechświaty o niewiarygodnie prostych regułach,
16:07
that successfully reproduce special relativity,
388
952000
2000
które skutecznie odtwarzają szczególną teorie względności
16:09
and even general relativity and gravitation,
389
954000
3000
a nawet ogólną teorie względności i grawitacje
16:12
and at least give hints of quantum mechanics.
390
957000
3000
i jeszcze do tego wykazują poszlaki mechaniki kwantowej.
16:15
So, will we find the whole of physics?
391
960000
2000
Czy dowiemy się wszystkiego o fizyce?
16:17
I don't know for sure,
392
962000
2000
Nie jestem pewien.
16:19
but I think at this point it's sort of
393
964000
2000
Ale myślę, że w tej sytuacji
16:21
almost embarrassing not to at least try.
394
966000
2000
żenadą byłoby przynajmniej nie podjęcie takiej próby.
16:23
Not an easy project.
395
968000
2000
To wcale nie jest łatwy projekt.
16:25
One's got to build a lot of technology.
396
970000
2000
Trzeba stworzyć wiele technologii.
16:27
One's got to build a structure that's probably
397
972000
2000
Trzeba stworzyć strukturę, która zapewne jest
16:29
at least as deep as existing physics.
398
974000
2000
tak głęboka jak dzisiejsza fizyka.
16:31
And I'm not sure what the best way to organize the whole thing is.
399
976000
3000
I nie jestem pewien w jaki sposób to najlepiej zorganizować.
16:34
Build a team, open it up, offer prizes and so on.
400
979000
3000
Stworzyć drużynę, stworzyć konkurs otwarty, oferować nagrody i tak dalej.
16:37
But I'll tell you, here today,
401
982000
2000
Ale powiem państwu teraz,
16:39
that I'm committed to seeing this project done,
402
984000
2000
że jestem zobowiązany by doprowadzić ten projekt do końca,
16:41
to see if, within this decade,
403
986000
3000
żeby zobaczyć czy w tym dziesięcioleciu
16:44
we can finally hold in our hands
404
989000
2000
będziemy w końcu mogli trzymać w ręku
16:46
the rule for our universe
405
991000
2000
receptę na nasz wszechświat
16:48
and know where our universe lies
406
993000
2000
wiedząc jednocześnie, w którym miejscu znajduje się on
16:50
in the space of all possible universes ...
407
995000
2000
w stosunku do wszystkich możliwych wszechświatów
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
997000
3000
oraz możliwości wpisania w Wolfram Alpha "teoria wszechświata"
16:55
and have it tell us.
409
1000000
2000
i otrzymania odpowiedzi.
16:57
(Laughter)
410
1002000
2000
(Śmiech)
17:00
So I've been working on the idea of computation
411
1005000
2000
Pracuję już nad pojęciem obliczalności
17:02
now for more than 30 years,
412
1007000
2000
od ponad trzydziestu lat,
17:04
building tools and methods and turning intellectual ideas
413
1009000
3000
tworząc narzędzia, metody i przetwarzając intelektualne pomysły
17:07
into millions of lines of code
414
1012000
2000
w miliony linii kodu
17:09
and grist for server farms and so on.
415
1014000
2000
oraz "nawozu dla farm serwerów" i tak dalej.
17:11
With every passing year,
416
1016000
2000
Z każdym przemijającym rokiem,
17:13
I realize how much more powerful
417
1018000
2000
uświadamiam sobie o ile bardziej potężniejsze
17:15
the idea of computation really is.
418
1020000
2000
jest pojęcie obliczalności.
17:17
It's taken us a long way already,
419
1022000
2000
Odkryliśmy już znacznie dużo
17:19
but there's so much more to come.
420
1024000
2000
ale to dopiero szczyt góry lodowej.
17:21
From the foundations of science
421
1026000
2000
Od założeń naukowych
17:23
to the limits of technology
422
1028000
2000
do krańców możliwości technologicznych
17:25
to the very definition of the human condition,
423
1030000
2000
aż po definicję podstawy ludzkości,
17:27
I think computation is destined to be
424
1032000
2000
myślę, że przeznaczeniem obliczeniowości
17:29
the defining idea of our future.
425
1034000
2000
jest wyznaczanie naszej przyszłości.
17:31
Thank you.
426
1036000
2000
Dziękuję.
17:33
(Applause)
427
1038000
14000
(Brawa)
17:47
Chris Anderson: That was astonishing.
428
1052000
2000
Chris Anderson: To było zadziwiające.
17:49
Stay here. I've got a question.
429
1054000
2000
Zostań proszę tu bo mam pytanie.
17:51
(Applause)
430
1056000
4000
(Brawa)
17:57
So, that was, fair to say, an astonishing talk.
431
1062000
3000
Myślę, że można śmiało powiedzieć, że był to niesamowity wykład.
18:01
Are you able to say in a sentence or two
432
1066000
3000
Czy mógłbyś powiedzieć w jednym lub dwóch zdaniach
18:04
how this type of thinking
433
1069000
3000
jak takie myślenie
18:07
could integrate at some point
434
1072000
2000
mogłoby dołączyć w którymś punkcie
18:09
to things like string theory or the kind of things that people think of
435
1074000
2000
do teorii strun lub teorii nad którymi pracujemy
18:11
as the fundamental explanations of the universe?
436
1076000
3000
by wyjaśnić istotę pochodzenia wszechświata?
18:14
Stephen Wolfram: Well, the parts of physics
437
1079000
2000
Stephen Wolfram: Obszary fizyki
18:16
that we kind of know to be true,
438
1081000
2000
o których wiemy, że najprawdopodobniej są prawdziwe,
18:18
things like the standard model of physics:
439
1083000
2000
teorie takie jak standardowy model fizyki.
18:20
what I'm trying to do better reproduce the standard model of physics
440
1085000
3000
Próbuję lepiej odtworzyć standardowy model fizyki
18:23
or it's simply wrong.
441
1088000
2000
lub stwierdzić, że jest po prostu zły.
18:25
The things that people have tried to do in the last 25 years or so
442
1090000
2000
Teorie ostatnich 25-u lat
18:27
with string theory and so on
443
1092000
2000
takich jak teoria strun
18:29
have been an interesting exploration
444
1094000
2000
są interesującymi badaniami,
18:31
that has tried to get back to the standard model,
445
1096000
3000
które próbowały wrócić do wyjścia standardowego modelu,
18:34
but hasn't quite gotten there.
446
1099000
2000
jednak wciąż tam nie dotarły.
18:36
My guess is that some great simplifications of what I'm doing
447
1101000
3000
Moim zdaniem, jakieś wielkie uproszczenie tego co robię
18:39
may actually have considerable resonance
448
1104000
3000
może wywołać znaczny rezonans
18:42
with what's been done in string theory,
449
1107000
2000
z badaniami w dziedzinie teorii strun,
18:44
but that's a complicated math thing
450
1109000
3000
ale to wszystko skomplikowana matematyka
18:47
that I don't yet know how it's going to work out.
451
1112000
3000
i nie wiem jaki będzie to miało wynik końcowy.
18:50
CA: Benoit Mandelbrot is in the audience.
452
1115000
2000
CA: Benoit Mandelbrot jest gdzieś na widowni.
18:52
He also has shown how complexity
453
1117000
2000
On także pokazał jak złożoność
18:54
can arise out of a simple start.
454
1119000
2000
może powstać z prostego zalążka.
18:56
Does your work relate to his?
455
1121000
2000
Czy Twoja praca nawiązuje do tego?
18:58
SW: I think so.
456
1123000
2000
SW: Myślę, że tak.
19:00
I view Benoit Mandelbrot's work
457
1125000
2000
Uważam prace Benoit Mandelbrot'a
19:02
as one of the founding contributions
458
1127000
3000
za główny wkład
19:05
to this kind of area.
459
1130000
3000
w tą dziedzinę.
19:08
Benoit has been particularly interested
460
1133000
2000
Benoit szczególnie interesował się
19:10
in nested patterns, in fractals and so on,
461
1135000
2000
samo odzwierciedleniem, fraktalami
19:12
where the structure is something
462
1137000
2000
strukturą przypominających
19:14
that's kind of tree-like,
463
1139000
2000
drzewa,
19:16
and where there's sort of a big branch that makes little branches
464
1141000
2000
gdzie zaczynamy od gałęzi, która tworzy mniejsze gałęzie,
19:18
and even smaller branches and so on.
465
1143000
3000
a później jeszcze mniejsze i tak dalej.
19:21
That's one of the ways
466
1146000
2000
To jeden ze sposobów,
19:23
that you get towards true complexity.
467
1148000
3000
którym można otrzymać prawdziwą złożoność.
19:26
I think things like the Rule 30 cellular automaton
468
1151000
3000
Myślę, że zjawiska takie jak reguła 30-ta automatu komórkowego
19:29
get us to a different level.
469
1154000
2000
wprowadzają nas na inny poziom.
19:31
In fact, in a very precise way, they get us to a different level
470
1156000
3000
W sumie, precyzując, wprowadzają nas na inny poziom
19:34
because they seem to be things that are
471
1159000
2000
ponieważ wydają się być czymś
19:37
capable of complexity
472
1162000
3000
zdolnym do złożoności
19:40
that's sort of as great as complexity can ever get ...
473
1165000
3000
a to już samo w sobie jest chyba najbardziej złożone ...
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1169000
3000
Mógłbym o tym dyskutować godzinami.
19:47
CA: Stephen Wolfram, thank you.
475
1172000
2000
CA: Stephen Wolfram, dziękuję panu.
19:49
(Applause)
476
1174000
2000
(Brawa)
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