TED2010
Stephen Wolfram: Computing a theory of all knowledge
Stephen Wolfram: Computação e a teoria do tudo
Filmed:
Readability: 4.4
1,811,819 views
Stephen Wolfram, criador de Mathematica, fala sobre sua luta para tornar computacional todo o conhecimento - possibilitando ser buscado, processado e manipulado. Seu recente motor de busca, Wolfram Alpha, tem o objetivo não menos importante que o de modelar e explicar a Física subjacente ao 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
Então quero compartilhar uma ideia. Uma grande ideia.
00:19
Actually, I think it'll eventually
1
4000
2000
Na verdade, penso que cedo ou tarde
00:21
be seen as probably the single biggest idea
2
6000
2000
essa poderá ser a maior singular ideia
00:23
that's emerged in the past century.
3
8000
2000
que emergiu no último século.
00:25
It's the idea of computation.
4
10000
2000
É a ideia da computação.
00:27
Now, of course, that idea has brought us
5
12000
2000
Agora, é claro, essa ideia nos trouxe
00:29
all of the computer technology we have today and so on.
6
14000
3000
toda a tecnologia do computador que temos hoje e mais.
00:32
But there's actually a lot more to computation than that.
7
17000
3000
No entanto, há de fato muito mais de computação do que isso.
00:35
It's really a very deep, very powerful, very fundamental idea,
8
20000
3000
É realmente uma profunda, muito poderosa, uma ideia bem fundamental,
00:38
whose effects we've only just begun to see.
9
23000
3000
cujos efeitos nós estamos tão somente começando a ver.
00:41
Well, I myself have spent the past 30 years of my life
10
26000
3000
Bem, eu mesmo já gastei os últimos 30 anos de minha vida
00:44
working on three large projects
11
29000
2000
trabalhando em três grandes projetos
00:46
that really try to take the idea of computation seriously.
12
31000
3000
que realmente objetivam levar a ideia da computação seriamente.
00:50
So I started off at a young age as a physicist
13
35000
3000
E para isso eu iniciei quando era um jovem Físico
00:53
using computers as tools.
14
38000
2000
usando os computadores como ferramentas.
00:55
Then, I started drilling down,
15
40000
2000
E em seguida, fui testando
00:57
thinking about the computations I might want to do,
16
42000
2000
pensando no processo computacional que eu iria querer aplicar,
00:59
trying to figure out what primitives they could be built up from
17
44000
3000
tentando entender quais os primitivos que poderiam basear as construções
01:02
and how they could be automated as much as possible.
18
47000
3000
e como no máximo da possibilidade eles poderiam se tornar automatizados.
01:05
Eventually, I created a whole structure
19
50000
2000
Eu finalmente criei uma estrutura completa
01:07
based on symbolic programming and so on
20
52000
2000
baseada na programação simbólica e daí para a frente
01:09
that let me build Mathematica.
21
54000
2000
que me levaram a criar Mathematica.
01:11
And for the past 23 years, at an increasing rate,
22
56000
2000
E nos últimos 23 anos, numa velocidade crescente,
01:13
we've been pouring more and more ideas
23
58000
2000
temos incluído mais e mais ideias
01:15
and capabilities and so on into Mathematica,
24
60000
2000
e capacidades e assim por diante dentro da Mathematica,
01:17
and I'm happy to say that that's led to many good things
25
62000
3000
e estou feliz em dizer isso levou a muita coisa boa
01:20
in R & D and education,
26
65000
2000
em P (pesquisa) e D (Desenvolvimento) e educação,
01:22
lots of other areas.
27
67000
2000
e muitas outras áreas.
01:24
Well, I have to admit, actually,
28
69000
2000
Bem, eu devo admitir, na verdade,
01:26
that I also had a very selfish reason for building Mathematica:
29
71000
3000
que havia uma motivação bem egoísta para criar Mathematica.
01:29
I wanted to use it myself,
30
74000
2000
Eu mesmo queria usá-la,
01:31
a bit like Galileo got to use his telescope
31
76000
2000
um pouco como Galileo ao querer usar seu telescópio
01:33
400 years ago.
32
78000
2000
400 anos atrás.
01:35
But I wanted to look not at the astronomical universe,
33
80000
3000
Mas eu queria olhar, não no universo astronômico,
01:38
but at the computational universe.
34
83000
3000
mas no universo computacional.
01:41
So we normally think of programs as being
35
86000
2000
Normalmente pensamos em programas que são
01:43
complicated things that we build
36
88000
2000
coisas complicadas para se criar
01:45
for very specific purposes.
37
90000
2000
para propósitos bem específicos.
01:47
But what about the space of all possible programs?
38
92000
3000
Mas e sobre o espaço de todos os programas possíveis?
01:50
Here's a representation of a really simple program.
39
95000
3000
Aqui está uma representação de um programa realmente simples.
01:53
So, if we run this program,
40
98000
2000
Se então rodarmos esse programa,
01:55
this is what we get.
41
100000
2000
é isso que temos.
01:57
Very simple.
42
102000
2000
Muito simples.
01:59
So let's try changing the rule
43
104000
2000
Então vamos mudar as regras
02:01
for this program a little bit.
44
106000
2000
para esse programa só um pouquinho.
02:03
Now we get another result,
45
108000
2000
E agora temos um outro resultado,
02:05
still very simple.
46
110000
2000
ainda muito simples.
02:07
Try changing it again.
47
112000
3000
Tente mudar novamente.
02:10
You get something a little bit more complicated.
48
115000
2000
Você pode obter algo um pouco mais complicado,
02:12
But if we keep running this for a while,
49
117000
2000
mas se continuarmos rodando por um certo tempo,
02:14
we find out that although the pattern we get is very intricate,
50
119000
3000
descubriremos, apesar do padrão que vemos seja um tanto intrincado,
02:17
it has a very regular structure.
51
122000
3000
é uma estrutura bem regular.
02:20
So the question is: Can anything else happen?
52
125000
3000
Então a pergunta é: Algo a mais pode acontecer?
02:23
Well, we can do a little experiment.
53
128000
2000
Bem, podemos fazer um pequeno experimento.
02:25
Let's just do a little mathematical experiment, try and find out.
54
130000
3000
Vamos fazer um pequeno experimento matemático, testar e descobrir.
02:29
Let's just run all possible programs
55
134000
3000
Vamos rodar todos os programas possíveis
02:32
of the particular type that we're looking at.
56
137000
2000
do tipo específico que estamos procurando.
02:34
They're called cellular automata.
57
139000
2000
Eles são chamados de autômato celular.
02:36
You can see a lot of diversity in the behavior here.
58
141000
2000
Você pode ver muita diversidade de comportamento aqui.
02:38
Most of them do very simple things,
59
143000
2000
A maioria faz coisas muito simples.
02:40
but if you look along all these different pictures,
60
145000
2000
Mas se você passar os olhos em todas essas diferentes imagens,
02:42
at rule number 30,
61
147000
2000
na regra número 30,
02:44
you start to see something interesting going on.
62
149000
2000
você começa a ver algo interessante acontecendo.
02:46
So let's take a closer look
63
151000
2000
Então vamos olhar mais de perto
02:48
at rule number 30 here.
64
153000
2000
na regra número 30 aqui.
02:50
So here it is.
65
155000
2000
Aqui está ela.
02:52
We're just following this very simple rule at the bottom here,
66
157000
3000
Estamos tão somente seguindo essa regra bem simples aqui na parte de baixo,
02:55
but we're getting all this amazing stuff.
67
160000
2000
mas estamos obtendo algo incrível aqui.
02:57
It's not at all what we're used to,
68
162000
2000
Não é nem um pouco o que estamos acostumados,
02:59
and I must say that, when I first saw this,
69
164000
2000
e devo dizer que logo de cara quando vi isto,
03:01
it came as a huge shock to my intuition.
70
166000
3000
foi um grande choque para a minha intuição,
03:04
And, in fact, to understand it,
71
169000
2000
e de fato, para entendê-lo,
03:06
I eventually had to create
72
171000
2000
eu cheguei a criar
03:08
a whole new kind of science.
73
173000
2000
um tipo todo novo de ciência.
03:11
(Laughter)
74
176000
2000
(Risos)
03:13
This science is different, more general,
75
178000
3000
Essa ciência é diferente, mais abrangente,
03:16
than the mathematics-based science that we've had
76
181000
2000
do que a matemática baseada na ciência que tivemos
03:18
for the past 300 or so years.
77
183000
3000
nos últimos 300 anos ou mais.
03:21
You know, it's always seemed like a big mystery:
78
186000
2000
Vocês sabem, sempre nos pareceu um grande mistério
03:23
how nature, seemingly so effortlessly,
79
188000
3000
como a natureza, aparentemente sem qualquer esforço próprio
03:26
manages to produce so much
80
191000
2000
consegue produzir muito
03:28
that seems to us so complex.
81
193000
3000
que para nós parece tão complexo.
03:31
Well, I think we've found its secret:
82
196000
3000
Bem, creio que descobrimos o seu segredo.
03:34
It's just sampling what's out there in the computational universe
83
199000
3000
São amostras do que está lá no universo computacional
03:37
and quite often getting things like Rule 30
84
202000
3000
e normalmente se obtém como na Regra 30
03:40
or like this.
85
205000
3000
ou algo assim.
03:44
And knowing that starts to explain
86
209000
2000
E por sabermos isso, temos a explicação
03:46
a lot of long-standing mysteries in science.
87
211000
3000
para uma série de mistérios mantidos na ciência.
03:49
It also brings up new issues, though,
88
214000
2000
E também traz novos temas,
03:51
like computational irreducibility.
89
216000
3000
como a irredutibilidade computacional.
03:54
I mean, we're used to having science let us predict things,
90
219000
3000
Quero dizer com isso que estamos acostumados a deixar a ciência nos predizer coisas
03:57
but something like this
91
222000
2000
mas algo como isso
03:59
is fundamentally irreducible.
92
224000
2000
é fundamentalmente irredutível.
04:01
The only way to find its outcome
93
226000
2000
A única forma de descobrir os resultados
04:03
is, effectively, just to watch it evolve.
94
228000
3000
é, efetivamente, observar como se evolui.
04:06
It's connected to, what I call,
95
231000
2000
Está conectado ao que chamamos de
04:08
the principle of computational equivalence,
96
233000
2000
o princípio da equivalência computacional,
04:10
which tells us that even incredibly simple systems
97
235000
3000
que nos diz que até os sistemas incrivelmente simples
04:13
can do computations as sophisticated as anything.
98
238000
3000
podem fazer a computação tão sofisticada como qualquer coisa.
04:16
It doesn't take lots of technology or biological evolution
99
241000
3000
Não demanda muita tecnologia da evolução biológica
04:19
to be able to do arbitrary computation;
100
244000
2000
para ser capaz de realizar a computação arbitral,
04:21
just something that happens, naturally,
101
246000
2000
algo que acontece, naturalmente,
04:23
all over the place.
102
248000
2000
em todos os lugares.
04:25
Things with rules as simple as these can do it.
103
250000
3000
Coisas com regras tão simples como essas podem fazer isso.
04:29
Well, this has deep implications
104
254000
2000
Bem, isso tem implicações profundas
04:31
about the limits of science,
105
256000
2000
sobre os limites da ciência,
04:33
about predictability and controllability
106
258000
2000
sobre a previsibilidade e o que é controlável
04:35
of things like biological processes or economies,
107
260000
3000
de coisas como processos biológicos ou economias,
04:38
about intelligence in the universe,
108
263000
2000
sobre inteligência no universo,
04:40
about questions like free will
109
265000
2000
sobre questões como livre arbítrio
04:42
and about creating technology.
110
267000
3000
e sobre criar tecnologia.
04:45
You know, in working on this science for many years,
111
270000
2000
Vocês sabem, trabalhando nessa ciência por muitos anos,
04:47
I kept wondering,
112
272000
2000
me fez questionar,
04:49
"What will be its first killer app?"
113
274000
2000
"Qual será o primeiro aplicativo matador?"
04:51
Well, ever since I was a kid,
114
276000
2000
Bem, desde quando era garoto,
04:53
I'd been thinking about systematizing knowledge
115
278000
2000
eu ficava pensando sobre sistematizar o conhecimento
04:55
and somehow making it computable.
116
280000
2000
e de alguma maneira torná-lo passível de computação.
04:57
People like Leibniz had wondered about that too
117
282000
2000
Pessoas como Leibniz também pensaram nisso
04:59
300 years earlier.
118
284000
2000
há 300 anos.
05:01
But I'd always assumed that to make progress,
119
286000
2000
Mas sempre pensei que para se fazer progresso,
05:03
I'd essentially have to replicate a whole brain.
120
288000
3000
eu teria que essencialmente replicar o cérebro todo.
05:06
Well, then I got to thinking:
121
291000
2000
Bem, agora eu penso:
05:08
This scientific paradigm of mine suggests something different --
122
293000
3000
Esse meu paradigma científico sugere algo diferente.
05:11
and, by the way, I've now got
123
296000
2000
E, por falar nisso, agora tenho
05:13
huge computation capabilities in Mathematica,
124
298000
3000
alta capacidade computacional em Mathematica,
05:16
and I'm a CEO with some worldly resources
125
301000
3000
e sou o CEO com alguns recursos mundanos
05:19
to do large, seemingly crazy, projects --
126
304000
3000
para realizar projetos que sejam grandes e aparentemente loucos.
05:22
So I decided to just try to see
127
307000
2000
Então eu decidi tentar só para ver
05:24
how much of the systematic knowledge that's out there in the world
128
309000
3000
o quanto do conhecimento sistemático que está aí no mundo
05:27
we could make computable.
129
312000
2000
nós podemos torná-lo passivo de computação.
05:29
So, it's been a big, very complex project,
130
314000
2000
Então, tem sido um grande projeto muito complexo,
05:31
which I was not sure was going to work at all.
131
316000
3000
sobre o qual eu não tinha certeza se daria certo.
05:34
But I'm happy to say it's actually going really well.
132
319000
3000
Mas estou feliz em dizer que realmente a coisa está indo bem.
05:37
And last year we were able
133
322000
2000
E no ano passado fomos capazes
05:39
to release the first website version
134
324000
2000
de lançar a primeira versão do site na web
05:41
of Wolfram Alpha.
135
326000
2000
do Wolfram Alpha.
05:43
Its purpose is to be a serious knowledge engine
136
328000
3000
O propósito é que seja um motor de conhecimento sério
05:46
that computes answers to questions.
137
331000
3000
que compute as respostas para perguntas.
05:49
So let's give it a try.
138
334000
2000
Então vamos dar uma tentada.
05:51
Let's start off with something really easy.
139
336000
2000
Comecemos com algo que seja realmente fácil.
05:53
Hope for the best.
140
338000
2000
Esperemos pelo melhor.
05:55
Very good. Okay.
141
340000
2000
Muito bem. Ok!
05:57
So far so good.
142
342000
2000
Até aqui tudo bem.
05:59
(Laughter)
143
344000
3000
(Risos)
06:02
Let's try something a little bit harder.
144
347000
3000
Vamos tentar algo um pouco mais difícil.
06:05
Let's do
145
350000
2000
Digamos ...
06:07
some mathy thing,
146
352000
3000
Vamos fazer algo de matemática
06:10
and with luck it'll work out the answer
147
355000
3000
e com sorte o resultado virá
06:13
and try and tell us some interesting things
148
358000
2000
e quem sabe nos dirá algumas coisas interessantes
06:15
things about related math.
149
360000
2000
coisas relacionadas com matemática.
06:17
We could ask it something about the real world.
150
362000
3000
Podemos perguntar-lhe algo sobre o mundo real.
06:20
Let's say -- I don't know --
151
365000
2000
Vamos ver -- eu não sei --
06:22
what's the GDP of Spain?
152
367000
3000
Qual o PIB da Espanha?
06:25
And it should be able to tell us that.
153
370000
2000
E ele deverá ser capaz de nos responder isso.
06:27
Now we could compute something related to this,
154
372000
2000
Agora poderíamos computar algo relacionado a isso,
06:29
let's say ... the GDP of Spain
155
374000
2000
digamos o PIB da Espanha
06:31
divided by, I don't know,
156
376000
2000
dividido por, eu não sei,
06:33
the -- hmmm ...
157
378000
2000
o -- hummm ...
06:35
let's say the revenue of Microsoft.
158
380000
2000
vamos dizer as receitas da Microsoft.
06:37
(Laughter)
159
382000
2000
(Risos)
06:39
The idea is that we can just type this in,
160
384000
2000
A ideia é que possamos pensar e daí digitar,
06:41
this kind of question in, however we think of it.
161
386000
3000
esse tipo de pergunta do jeito que quisermos.
06:44
So let's try asking a question,
162
389000
2000
Então vamos tentar perguntar,
06:46
like a health related question.
163
391000
2000
como uma questão relacionada com saúde.
06:48
So let's say we have a lab finding that ...
164
393000
3000
Vamos dizer que tenhamos um resultado do laboratório que --
06:51
you know, we have an LDL level of 140
165
396000
2000
você sabe, temos um LDL nível 140
06:53
for a male aged 50.
166
398000
3000
para um homem de 50 anos.
06:56
So let's type that in, and now Wolfram Alpha
167
401000
2000
Então vamos digitar isso, e agora o Wolfram Alpha
06:58
will go and use available public health data
168
403000
2000
vai buscar e usar os dados públicos de saúde
07:00
and try and figure out
169
405000
2000
e vai calcular
07:02
what part of the population that corresponds to and so on.
170
407000
3000
que parte da população corresponde à busca e assim por diante.
07:05
Or let's try asking about, I don't know,
171
410000
3000
Ou vamos buscar, bem eu não sei,
07:08
the International Space Station.
172
413000
2000
a estação espacial internacional.
07:10
And what's happening here is that
173
415000
2000
E o que acontece aqui é que
07:12
Wolfram Alpha is not just looking up something;
174
417000
2000
Wolfram Alpha não apenas faz a busca;
07:14
it's computing, in real time,
175
419000
3000
é processamento em tempo real,
07:17
where the International Space Station is right now at this moment,
176
422000
3000
onde a estação espacial internacional está agora, neste momento,
07:20
how fast it's going, and so on.
177
425000
3000
a que velocidade viaja e assim por diante.
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
429000
3000
Então Wolfram Alpha sabe acerca de inúmeros tipos de coisas.
07:27
It's got, by now,
179
432000
2000
Deveria nesta fase nos dar,
07:29
pretty good coverage of everything you might find
180
434000
2000
uma boa cobertura de tudo que você pode encontrar
07:31
in a standard reference library.
181
436000
3000
numa biblioteca padrão e assim por diante.
07:34
But the goal is to go much further
182
439000
2000
Mas o alvo é o de ir além
07:36
and, very broadly, to democratize
183
441000
3000
e, de maneira abrangente, democratizar
07:39
all of this knowledge,
184
444000
3000
todo esse tipo de conhecimento,
07:42
and to try and be an authoritative
185
447000
2000
e tentar e ser uma fonte de autoridade
07:44
source in all areas.
186
449000
2000
em todas as áreas,
07:46
To be able to compute answers to specific questions that people have,
187
451000
3000
e ser capaz de processar respostas para perguntas específicas das pessoas,
07:49
not by searching what other people
188
454000
2000
não através da busca do que outras pessoas
07:51
may have written down before,
189
456000
2000
tenham escrito antes,
07:53
but by using built in knowledge
190
458000
2000
mas ao usar o conhecimento construído
07:55
to compute fresh new answers to specific questions.
191
460000
3000
para processar novas e originais respostas para perguntas específicas.
07:58
Now, of course, Wolfram Alpha
192
463000
2000
Agora, é claro, Wolfram Alpha
08:00
is a monumentally huge, long-term project
193
465000
2000
é um projeto monumentalmente grande e de longo prazo
08:02
with lots and lots of challenges.
194
467000
2000
com muitos e muitos desafios.
08:04
For a start, one has to curate a zillion
195
469000
3000
Para começar, temos que supervisionar um zilhão
08:07
different sources of facts and data,
196
472000
3000
de diferentes fontes com fatos e dados,
08:10
and we built quite a pipeline of Mathematica automation
197
475000
3000
e construímos um bom funil de processamento na automação de Mathematica
08:13
and human domain experts for doing this.
198
478000
3000
e experts de domínios humanos para se chegar nisso.
08:16
But that's just the beginning.
199
481000
2000
Mas isso é só o princípio.
08:18
Given raw facts or data
200
483000
2000
Com os fatos brutos e dados
08:20
to actually answer questions,
201
485000
2000
para verdadeiramente responder perguntas,
08:22
one has to compute:
202
487000
2000
temos que processar,
08:24
one has to implement all those methods and models
203
489000
2000
temos que implementar todos esses métodos e modelos
08:26
and algorithms and so on
204
491000
2000
e algorítimos e assim por diante
08:28
that science and other areas have built up over the centuries.
205
493000
3000
que a ciência e outras disciplinas já construiram a séculos.
08:31
Well, even starting from Mathematica,
206
496000
3000
Bem, só de pensar na Mathematica,
08:34
this is still a huge amount of work.
207
499000
2000
ainda há muita carga de trabalho.
08:36
So far, there are about 8 million lines
208
501000
2000
Até hoje, há cerca de 8 milhões de linhas
08:38
of Mathematica code in Wolfram Alpha
209
503000
2000
do código da Mathematica no Wolfram Alpha
08:40
built by experts from many, many different fields.
210
505000
3000
desenvolvido por especialistas, muitos dos quais de diferentes campos.
08:43
Well, a crucial idea of Wolfram Alpha
211
508000
3000
Bem, a ideia crucial do Wolfram Alpha
08:46
is that you can just ask it questions
212
511000
2000
é que você pode simplesmente perguntá-lo
08:48
using ordinary human language,
213
513000
3000
usando a linguagem humana corriqueira,
08:51
which means that we've got to be able to take
214
516000
2000
que significa que devemos ser capazes de pegar
08:53
all those strange utterances that people type into the input field
215
518000
3000
os estranhos grunhidos que as pessoas digitam na janelinha
08:56
and understand them.
216
521000
2000
e assim entendê-los.
08:58
And I must say that I thought that step
217
523000
2000
E eu devo dizer que pensei que esse passo
09:00
might just be plain impossible.
218
525000
3000
poderia ser basicamente impossível.
09:04
Two big things happened:
219
529000
2000
Duas grandes coisas aconteceram.
09:06
First, a bunch of new ideas about linguistics
220
531000
3000
Primeiro, um monte de novas ideias sobre linguística
09:09
that came from studying the computational universe;
221
534000
3000
que chegaram do estudo do universo computacional.
09:12
and second, the realization that having actual computable knowledge
222
537000
3000
E segundo, a conclusão de que ao se ter um efetivo conhecimento computacional
09:15
completely changes how one can
223
540000
2000
isso muda completamente como
09:17
set about understanding language.
224
542000
3000
se aborda a compreensão da linguagem.
09:20
And, of course, now
225
545000
2000
E, é claro, agora
09:22
with Wolfram Alpha actually out in the wild,
226
547000
2000
com o Wolfram Alpha definitivamente lançado,
09:24
we can learn from its actual usage.
227
549000
2000
podemos aprender pelo seu uso real.
09:26
And, in fact, there's been
228
551000
2000
E na verdade, tem havido
09:28
an interesting coevolution that's been going on
229
553000
2000
uma interessante coevolução acontecendo
09:30
between Wolfram Alpha
230
555000
2000
entre o Wolfram Alpha
09:32
and its human users,
231
557000
2000
e os usuários humanos.
09:34
and it's really encouraging.
232
559000
2000
E é de fato encorajador.
09:36
Right now, if we look at web queries,
233
561000
2000
Bem agora, se olharmos para os 'queries' da web,
09:38
more than 80 percent of them get handled successfully the first time.
234
563000
3000
mais de 80% deles são resolvidos com sucesso na primeira tentativa.
09:41
And if you look at things like the iPhone app,
235
566000
2000
E se você olhar nas coisas, como os aplicativos do iPhone,
09:43
the fraction is considerably larger.
236
568000
2000
uma fração é considerada muito grande.
09:45
So, I'm pretty pleased with it all.
237
570000
2000
Então, eu estou bastante satisfeito com tudo.
09:47
But, in many ways,
238
572000
2000
Mas, de muitas maneiras,
09:49
we're still at the very beginning with Wolfram Alpha.
239
574000
3000
ainda estamos bem no princípio do Wolfram Alplha.
09:52
I mean, everything is scaling up very nicely
240
577000
2000
Quero dizer, tudo está escalando muito bem.
09:54
and we're getting more confident.
241
579000
2000
Estamos ficando mais confiantes.
09:56
You can expect to see Wolfram Alpha technology
242
581000
2000
Vocês podem ficar atentos com a tecnologia Wolfram Alpha
09:58
showing up in more and more places,
243
583000
2000
aparencendo em mais e mais lugares,
10:00
working both with this kind of public data, like on the website,
244
585000
3000
operando tanto com esse tipo de dados públicos, como no site,
10:03
and with private knowledge
245
588000
2000
e com o conhecimento privado
10:05
for people and companies and so on.
246
590000
3000
para as pessoas e empresas, e assim por diante.
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
593000
3000
Vocês sabem, eu cheguei à conclusão que Wolfram Alpham na verdade nos dá
10:11
a whole new kind of computing
248
596000
2000
um tipo totalmente novo de computação
10:13
that one can call knowledge-based computing,
249
598000
2000
que se pode chamar de computação baseada em conhecimento,
10:15
in which one's starting not just from raw computation,
250
600000
3000
em que ao se principiar, não simplesmente da computação bruta,
10:18
but from a vast amount of built-in knowledge.
251
603000
3000
mas de uma vasta quantidade de conhecimento construído.
10:21
And when one does that, one really changes
252
606000
2000
E quando se faz isso, vai se obter
10:23
the economics of delivering computational things,
253
608000
3000
as economias da entrega de coisas computacionais,
10:26
whether it's on the web or elsewhere.
254
611000
2000
quer na web ou em outra localidade.
10:28
You know, we have a fairly interesting situation right now.
255
613000
3000
Vocês sabem, nós temos uma situação bem interessante agora.
10:31
On the one hand, we have Mathematica,
256
616000
2000
Por um lado, temos a Mathematica,
10:33
with its sort of precise, formal language
257
618000
3000
com todo o tipo de linguagem precisa, formal
10:36
and a huge network
258
621000
2000
e uma extensa rede
10:38
of carefully designed capabilities
259
623000
2000
de habilidades desenhadas cuidadosamente
10:40
able to get a lot done in just a few lines.
260
625000
3000
capazes de fazer muito acontecer bastando poucas linhas.
10:43
Let me show you a couple of examples here.
261
628000
3000
Deixe-me mostrar alguns exemplos aqui.
10:47
So here's a trivial piece of Mathematica programming.
262
632000
3000
Aqui tem uma peça comum de programação da Mathematica.
10:51
Here's something where we're sort of
263
636000
2000
Aqui tem algo que podemos de certa maneira
10:53
integrating a bunch of different capabilities here.
264
638000
3000
integrar aqui com um monte de diferentes habilidades.
10:56
Here we'll just create, in this line,
265
641000
3000
Aqui nós acabamos de criar essa linha
10:59
a little user interface that allows us to
266
644000
3000
uma pequena interface de usuário que nos permite
11:02
do something fun there.
267
647000
2000
fazer algo divertido aqui.
11:05
If you go on, that's a slightly more complicated program
268
650000
2000
Se você for adiante, há um programa um pouco mais complicado
11:07
that's now doing all sorts of algorithmic things
269
652000
3000
que agora faz todo o tipo de coisas algorítimicas
11:10
and creating user interface and so on.
270
655000
2000
enquanto cria a interface do usuário e assim por diante.
11:12
But it's something that is very precise stuff.
271
657000
3000
Mas é algo que tem uma alta precisão.
11:15
It's a precise specification with a precise formal language
272
660000
3000
É uma especificação precisa com uma linguagem formal precisa
11:18
that causes Mathematica to know what to do here.
273
663000
3000
que faz Mathematica saber o que fazer nesses casos.
11:21
Then on the other hand, we have Wolfram Alpha,
274
666000
3000
Bem, por outro lado, temos o Wolfram Alpha,
11:24
with all the messiness of the world
275
669000
2000
com todo o tipo de confusão do mundo
11:26
and human language and so on built into it.
276
671000
2000
e linguagem humana e mais, construído nele.
11:28
So what happens when you put these things together?
277
673000
3000
Então o que acontece quando voce coloca essas coisas juntas?
11:31
I think it's actually rather wonderful.
278
676000
2000
Eu creio que é na verdade maravilhoso.
11:33
With Wolfram Alpha inside Mathematica,
279
678000
2000
Com o Wolfram Alpha dentro da Mathematica,
11:35
you can, for example, make precise programs
280
680000
2000
você pode, por exempo, fazer programas precisos
11:37
that call on real world data.
281
682000
2000
que busca nos dados do mundo real.
11:39
Here's a real simple example.
282
684000
2000
Aqui está um exemplo bem simples.
11:44
You can also just sort of give vague input
283
689000
3000
Você pode se quiser dar um input vago
11:47
and then try and have Wolfram Alpha
284
692000
2000
e daí tentar ver se Wolfram Alpha
11:49
figure out what you're talking about.
285
694000
2000
consegue captar do que você está se referindo.
11:51
Let's try this here.
286
696000
2000
Vamos tentar este aqui.
11:53
But actually I think the most exciting thing about this
287
698000
3000
Mas na verdade eu penso que talvez a coisa mais empolgante sobre isso
11:56
is that it really gives one the chance
288
701000
2000
é que realmente nos dá a chance
11:58
to democratize programming.
289
703000
3000
de democratizar a programação.
12:01
I mean, anyone will be able to say what they want in plain language.
290
706000
3000
Eu quero dizer, qualquer um poderá se virar ao dizer em linguagem comum,
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
709000
3000
e em seguida a ideia, isso é, que Wolfram Alpha seja capaz de se virar
12:07
what precise pieces of code
292
712000
2000
nas peças precisas de código
12:09
can do what they're asking for
293
714000
2000
que serão necessária para fazer o que se pede
12:11
and then show them examples that will let them pick what they need
294
716000
3000
e daí mostrar em exemplos, que permitirá a eles escolherem o que se quer
12:14
to build up bigger and bigger, precise programs.
295
719000
3000
para construir maiores e maiores, programas precisos.
12:17
So, sometimes, Wolfram Alpha
296
722000
2000
Então, às vezes, Wolfram Alpha
12:19
will be able to do the whole thing immediately
297
724000
2000
será capaz de fazer a coisa toda imediatamente
12:21
and just give back a whole big program that you can then compute with.
298
726000
3000
e simplesmente devolver um grande programa que você possa processar.
12:24
Here's a big website
299
729000
2000
Então aqui tem um grande site
12:26
where we've been collecting lots of educational
300
731000
3000
onde temos colecionado muitas coisas da educação
12:29
and other demonstrations about lots of kinds of things.
301
734000
3000
e outras demonstrações sobre muitos tipos de coisas.
12:32
I'll show you one example here.
302
737000
3000
Então, eu não sei, eu vou mostrar um exemplo, talvez aqui.
12:36
This is just an example of one of these computable documents.
303
741000
3000
Este é só um exemplo de um desses documentos computáveis.
12:39
This is probably a fairly small
304
744000
2000
Este é provavelmente um pedaço relativamente
12:41
piece of Mathematica code
305
746000
2000
pequeno do código da Mathematica
12:43
that's able to be run here.
306
748000
2000
que consegue rodar aqui.
12:47
Okay. Let's zoom out again.
307
752000
3000
Ok. Vamos distanciar, novamente.
12:50
So, given our new kind of science,
308
755000
2000
Então, por causa do nosso novo tipo de ciência,
12:52
is there a general way to use it to make technology?
309
757000
3000
será que há uma maneira genérica de usá-la para criar tecnologia?
12:55
So, with physical materials,
310
760000
2000
Então, com materiais físicos,
12:57
we're used to going around the world
311
762000
2000
estamos acostumados, meio que ir ao redor do mundo
12:59
and discovering that particular materials
312
764000
2000
e descobrir que os materiais em particular
13:01
are useful for particular
313
766000
2000
são úteis para propósitos
13:03
technological purposes.
314
768000
2000
tecnológicos específicos e assim por diante.
13:05
Well, it turns out we can do very much the same kind of thing
315
770000
2000
Bem, acontece que, nós podemos fazer algo bem semelhante
13:07
in the computational universe.
316
772000
2000
no universo computacional.
13:09
There's an inexhaustible supply of programs out there.
317
774000
3000
Há um suprimento inesgotável de programas disponível.
13:12
The challenge is to see how to
318
777000
2000
O desafio é vermos na prática
13:14
harness them for human purposes.
319
779000
2000
sua adaptação para os propósitos humanos.
13:16
Something like Rule 30, for example,
320
781000
2000
Algo como na Regra 30, por exemplo,
13:18
turns out to be a really good randomness generator.
321
783000
2000
que acaba sendo um realmente bom gerador de aleatoriedade.
13:20
Other simple programs are good models
322
785000
2000
Outros programas simples são bons modelos
13:22
for processes in the natural or social world.
323
787000
3000
para processar no mundo natural ou social.
13:25
And, for example, Wolfram Alpha and Mathematica
324
790000
2000
E por exemplo, Wolfram Alpha e Mathematica
13:27
are actually now full of algorithms
325
792000
2000
estão agora lotados de algorítimos
13:29
that we discovered by searching the computational universe.
326
794000
3000
que nós descobrimos ao fazer buscas no universo computacional.
13:33
And, for example, this -- if we go back here --
327
798000
3000
E por exemplo, este -- podemos voltar aqui --
13:37
this has become surprisingly popular
328
802000
2000
este tem se tornado surpreendemente popular
13:39
among composers
329
804000
2000
entre compositores
13:41
finding musical forms by searching the computational universe.
330
806000
3000
ao encontrar formas musicais quando se faz buscas no universo computacional.
13:45
In a sense, we can use the computational universe
331
810000
2000
De uma certa forma, podemos usar o universo computacional
13:47
to get mass customized creativity.
332
812000
3000
para obter customização criativa em massa.
13:50
I'm hoping we can, for example,
333
815000
2000
Espero que possamos, por exemplo,
13:52
use that even to get Wolfram Alpha
334
817000
2000
usar isso até para fazer o Wolfram Alpha
13:54
to routinely do invention and discovery on the fly,
335
819000
3000
meio que inventar continuamente e descobrir de imediato
13:57
and to find all sorts of wonderful stuff
336
822000
2000
e achar todo o tipo de coisa maravilhosa
13:59
that no engineer
337
824000
2000
que nenhum engenheiro
14:01
and no process of incremental evolution would ever come up with.
338
826000
3000
e nenhum processo de evolução incremental obteria por si.
14:05
Well, so, that leads to kind of an ultimate question:
339
830000
3000
Bem, isso nos leva a um tipo de questão final.
14:08
Could it be that someplace out there in the computational universe
340
833000
3000
Será que em algum lugar lá no universo computacional
14:11
we might find our physical universe?
341
836000
3000
podemos encontrar nosso universo físico?
14:14
Perhaps there's even some quite simple rule,
342
839000
2000
Talvez exista até uma regra bem simples,
14:16
some simple program for our universe.
343
841000
3000
algum programa simples de nosso universo.
14:19
Well, the history of physics would have us believe
344
844000
2000
Bem a história da física nos fez crer
14:21
that the rule for the universe must be pretty complicated.
345
846000
3000
que a regra do universo deve ser muito complicada.
14:24
But in the computational universe,
346
849000
2000
Mas no universo computacional
14:26
we've now seen how rules that are incredibly simple
347
851000
3000
nós vimos como regras que são extremamente simples
14:29
can produce incredibly rich and complex behavior.
348
854000
3000
podem produzir comportamentos extremamente ricos e complexos.
14:32
So could that be what's going on with our whole universe?
349
857000
3000
Seria então isso que estaria ocorrendo na totalidade do universo?
14:36
If the rules for the universe are simple,
350
861000
2000
Se as regras para o universo são simples,
14:38
it's kind of inevitable that they have to be
351
863000
2000
é meio que inevitável que elas devam ser
14:40
very abstract and very low level;
352
865000
2000
muito abstratas e de um nível muito baixo,
14:42
operating, for example, far below
353
867000
2000
operando, por exemplo, bem abaixo
14:44
the level of space or time,
354
869000
2000
do nível do espaço ou tempo,
14:46
which makes it hard to represent things.
355
871000
2000
o que torna difícil de representar coisas.
14:48
But in at least a large class of cases,
356
873000
2000
Mas pelo menos numa boa classificação de casos,
14:50
one can think of the universe as being
357
875000
2000
podemos pensar do universo como sendo
14:52
like some kind of network,
358
877000
2000
algum tipo de rede,
14:54
which, when it gets big enough,
359
879000
2000
a qual, quando se torna grande o suficiente,
14:56
behaves like continuous space
360
881000
2000
se comporta como um espaço continuado
14:58
in much the same way as having lots of molecules
361
883000
2000
muito do mesmo jeito como se tem muitas moléculas
15:00
can behave like a continuous fluid.
362
885000
2000
se comportando como um fluido contínuo.
15:02
Well, then the universe has to evolve by applying
363
887000
3000
Bem, então o universo terá que evoluir ao aplicar
15:05
little rules that progressively update this network.
364
890000
3000
pequenas regras que progressivamente atualizam essa rede.
15:08
And each possible rule, in a sense,
365
893000
2000
E cada possível regra, de um jeito,
15:10
corresponds to a candidate universe.
366
895000
2000
corresponde a um universo candidato.
15:12
Actually, I haven't shown these before,
367
897000
3000
Na verdade, eu ainda não mostrei esses antes,
15:16
but here are a few of the candidate universes
368
901000
3000
mas aqui tem alguns universos candidatos
15:19
that I've looked at.
369
904000
2000
que eu dei uma olhada.
15:21
Some of these are hopeless universes,
370
906000
2000
Alguns são universos perdidos,
15:23
completely sterile,
371
908000
2000
completamente estéreis,
15:25
with other kinds of pathologies like no notion of space,
372
910000
2000
com outros tipos de patologias como sem noção de espaço,
15:27
no notion of time, no matter,
373
912000
3000
sem noção de tempo, sem matéria,
15:30
other problems like that.
374
915000
2000
outros problemas dessa ordem.
15:32
But the exciting thing that I've found in the last few years
375
917000
3000
Mas a coisa excitante que eu descobri nos anos mais recentes
15:35
is that you actually don't have to go very far
376
920000
2000
é que você de fato não tem que ir muito longe
15:37
in the computational universe
377
922000
2000
no universo computacional
15:39
before you start finding candidate universes
378
924000
2000
antes de iniciar a busca por universos candidatos
15:41
that aren't obviously not our universe.
379
926000
3000
que obviamente não estão no nosso universo.
15:44
Here's the problem:
380
929000
2000
Aqui está o problema:
15:46
Any serious candidate for our universe
381
931000
3000
Qualquer candidato sério para nosso universo,
15:49
is inevitably full of computational irreducibility.
382
934000
3000
é inevitavelmente cheio de irredutibilidade computacional,
15:52
Which means that it is irreducibly difficult
383
937000
3000
o que quer dizer que é irredutivelmente difícil
15:55
to find out how it will really behave,
384
940000
2000
saber como ele vai na verdade se comportar,
15:57
and whether it matches our physical universe.
385
942000
3000
e se casaria com o nosso universo físico.
16:01
A few years ago, I was pretty excited to discover
386
946000
3000
Uns anos atrás, eu fiquei muito empolgado ao descobrir
16:04
that there are candidate universes with incredibly simple rules
387
949000
3000
que existem universos candidatos com regras extremamente simples
16:07
that successfully reproduce special relativity,
388
952000
2000
que reproduzem com sucesso relatividade especial
16:09
and even general relativity and gravitation,
389
954000
3000
e até relatividade genérica e gravitação
16:12
and at least give hints of quantum mechanics.
390
957000
3000
pelo menos nos dão percepções da mecânica quantum.
16:15
So, will we find the whole of physics?
391
960000
2000
Então encontraremos o todo da física?
16:17
I don't know for sure,
392
962000
2000
Eu não sei ao certo.
16:19
but I think at this point it's sort of
393
964000
2000
Mas eu penso que nesse ponto é meio que
16:21
almost embarrassing not to at least try.
394
966000
2000
quase vergonhoso, ao menos não se tentar.
16:23
Not an easy project.
395
968000
2000
Não é um projeto fácil.
16:25
One's got to build a lot of technology.
396
970000
2000
Temos que construir com muita tecnologia
16:27
One's got to build a structure that's probably
397
972000
2000
Temos que construir uma estrutura que provavelmente
16:29
at least as deep as existing physics.
398
974000
2000
seja pelo menos tão profunda como a física existente.
16:31
And I'm not sure what the best way to organize the whole thing is.
399
976000
3000
E não estou certo qual seria a melhor forma de organizar a coisa toda.
16:34
Build a team, open it up, offer prizes and so on.
400
979000
3000
Formar um time, abrir, ofertar premiações e assim por diante.
16:37
But I'll tell you, here today,
401
982000
2000
Mas eu lhes direi aqui hoje
16:39
that I'm committed to seeing this project done,
402
984000
2000
que estou comprometido a ver esse projeto realizado,
16:41
to see if, within this decade,
403
986000
3000
a ver se, dentro desta década,
16:44
we can finally hold in our hands
404
989000
2000
podemos finalmente segurar em nossas mãos
16:46
the rule for our universe
405
991000
2000
a regra do nosso universo
16:48
and know where our universe lies
406
993000
2000
e saber onde reside nosso universo
16:50
in the space of all possible universes ...
407
995000
2000
no espaço de todos os possíveis universos
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
997000
3000
e sermos capazes de digitar no Wolfram Alpha a teoria do universo,
16:55
and have it tell us.
409
1000000
2000
e deixá-lo nos dizer.
16:57
(Laughter)
410
1002000
2000
(Risos)
17:00
So I've been working on the idea of computation
411
1005000
2000
Então eu tenho trabalhado nessa ideia da computação
17:02
now for more than 30 years,
412
1007000
2000
já por mais de 30 anos,
17:04
building tools and methods and turning intellectual ideas
413
1009000
3000
construindo ferramentas e métodos e transformando algo como ideias intelectuais
17:07
into millions of lines of code
414
1012000
2000
em milhões de linhas de código
17:09
and grist for server farms and so on.
415
1014000
2000
e tirando proveito do aglomerado de servidores, e assim por diante.
17:11
With every passing year,
416
1016000
2000
À medida que cada ano passa,
17:13
I realize how much more powerful
417
1018000
2000
eu percebo o quanto mais poderosa
17:15
the idea of computation really is.
418
1020000
2000
a ideia da computação verdadeiramente é.
17:17
It's taken us a long way already,
419
1022000
2000
Foi necessário percorrer um longo caminho,
17:19
but there's so much more to come.
420
1024000
2000
mas há muita coisa ainda a vir,
17:21
From the foundations of science
421
1026000
2000
desde os fundamentos da ciência
17:23
to the limits of technology
422
1028000
2000
aos limites da tecnologia
17:25
to the very definition of the human condition,
423
1030000
2000
até a própria definição da condição humana,
17:27
I think computation is destined to be
424
1032000
2000
eu penso que a computação está destinada a ser
17:29
the defining idea of our future.
425
1034000
2000
a ideia definidora do nosso futuro.
17:31
Thank you.
426
1036000
2000
Obrigado a todos.
17:33
(Applause)
427
1038000
14000
(Aplausos)
17:47
Chris Anderson: That was astonishing.
428
1052000
2000
Chris Anderson: Isso foi fora de série.
17:49
Stay here. I've got a question.
429
1054000
2000
Permaneça aqui. Eu tenho uma pergunta.
17:51
(Applause)
430
1056000
4000
(Aplausos)
17:57
So, that was, fair to say, an astonishing talk.
431
1062000
3000
Creio que foi, e é justo dizer, uma fala fora de série.
18:01
Are you able to say in a sentence or two
432
1066000
3000
Você consegue dizer em uma sentença ou duas
18:04
how this type of thinking
433
1069000
3000
como que esse tipo de pensamento
18:07
could integrate at some point
434
1072000
2000
pode integrar em certo ponto
18:09
to things like string theory or the kind of things that people think of
435
1074000
2000
com as coisas como teoria das cordas ou o tipo de coisas que pessoas pensam
18:11
as the fundamental explanations of the universe?
436
1076000
3000
como as explicações fundamentais do universo?
18:14
Stephen Wolfram: Well, the parts of physics
437
1079000
2000
Stephen Wolfram: Bem, as partes da física
18:16
that we kind of know to be true,
438
1081000
2000
que de certa forma sabemos ser verdadeira,
18:18
things like the standard model of physics:
439
1083000
2000
coisas como os modelos padrão da física.
18:20
what I'm trying to do better reproduce the standard model of physics
440
1085000
3000
O que estou tentando fazer melhor é reproduzir o padrão do modelo da física
18:23
or it's simply wrong.
441
1088000
2000
ou a coisa está simplesmente errada.
18:25
The things that people have tried to do in the last 25 years or so
442
1090000
2000
As coisas que pessoas tem tentado fazer nos cerca de últimos 25 anos
18:27
with string theory and so on
443
1092000
2000
com a teoria das cordas e assim por diante
18:29
have been an interesting exploration
444
1094000
2000
tem sido uma exploração interessante
18:31
that has tried to get back to the standard model,
445
1096000
3000
que tem tentado voltar ao modelo padrão,
18:34
but hasn't quite gotten there.
446
1099000
2000
mas ainda não conseguiu chegar lá ainda.
18:36
My guess is that some great simplifications of what I'm doing
447
1101000
3000
Meu palpite é que algumas grandes simplificações do que estou fazendo
18:39
may actually have considerable resonance
448
1104000
3000
deverão no fundo ter considerável ressonância
18:42
with what's been done in string theory,
449
1107000
2000
com o que se está fazendo na teoria das cordas,
18:44
but that's a complicated math thing
450
1109000
3000
mas é uma matemática complicada
18:47
that I don't yet know how it's going to work out.
451
1112000
3000
que eu mesmo não sei como ela vai funcionar.
18:50
CA: Benoit Mandelbrot is in the audience.
452
1115000
2000
CA: Benoit Mandlebrot está no auditório.
18:52
He also has shown how complexity
453
1117000
2000
Ele também apresentou como a complexidade
18:54
can arise out of a simple start.
454
1119000
2000
pode nascer de um começo simples.
18:56
Does your work relate to his?
455
1121000
2000
O seu trabalho tem relação com o dele?
18:58
SW: I think so.
456
1123000
2000
SW: Eu creio que sim.
19:00
I view Benoit Mandelbrot's work
457
1125000
2000
Eu vejo o trabalho de Benoit Mandlebrot
19:02
as one of the founding contributions
458
1127000
3000
como uma das contribuições fundamentais
19:05
to this kind of area.
459
1130000
3000
para esse tipo de área.
19:08
Benoit has been particularly interested
460
1133000
2000
Benoit tem se interessado em particular
19:10
in nested patterns, in fractals and so on,
461
1135000
2000
em padrões aninhados, em fractais e assim por diante,
19:12
where the structure is something
462
1137000
2000
onde a estrutura de algo
19:14
that's kind of tree-like,
463
1139000
2000
que seria como uma árvore,
19:16
and where there's sort of a big branch that makes little branches
464
1141000
2000
e onde há uma espécie de um grande galho que tem pequenas ramificações,
19:18
and even smaller branches and so on.
465
1143000
3000
e até ramificações ainda menores e assim por diante.
19:21
That's one of the ways
466
1146000
2000
Esse é uma das maneiras
19:23
that you get towards true complexity.
467
1148000
3000
que você chega na verdadeira complexidade.
19:26
I think things like the Rule 30 cellular automaton
468
1151000
3000
Eu penso que coisas como a Regra 30 do autômato celular
19:29
get us to a different level.
469
1154000
2000
nos leva a um diferente nível.
19:31
In fact, in a very precise way, they get us to a different level
470
1156000
3000
Na verdade, de uma maneira muito precisa ela nos leva a um nível diferente
19:34
because they seem to be things that are
471
1159000
2000
porque elas parecem ser coisas que são
19:37
capable of complexity
472
1162000
3000
capazes de complexidade
19:40
that's sort of as great as complexity can ever get ...
473
1165000
3000
que são de certa forma, tão grande quanto a complexidade pode chegar ...
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1169000
3000
Eu poderia continuar a falar sobre isso sem parar, mas não farei.
19:47
CA: Stephen Wolfram, thank you.
475
1172000
2000
CA: Stephen Wolfram, muito obrigado.
19:49
(Applause)
476
1174000
2000
(Aplausos)
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