TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
เควิน สลาวิน : อัลกอริทึมเปลี่ยนโลก
Filmed:
Readability: 3.5
4,199,898 views
เควิน สลาวิน (Kevin Slavin) ถกประเด็นว่า เราอยู่ในโลกที่ออกแบบมาและถูกควบคุมมากขึ้นโดยอัลกอริทึม ในการบรรยายที่ประเทืองปัญญาจากงาน TEDGlobal นี้ เขามานำเสนอว่า ทำอย่างไรโปรแกรมคอมพิวเตอร์ที่สลับซับซ้อนบ่งชี้ถึงสิ่งต่างๆเหล่านี้ อันได้แก่ ชั้นเชิงในการจารกรรม ราคาหุ้น บทภาพยนต์ และสถาปัตยกรรม และเขาได้เตือนว่า เรากำลังเขียนรหัสที่เราไม่อาจเข้าใจได้และมีผลที่จะตามมาที่เราไม่อาจจะควบคุมได้
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Double-click the English transcript below to play the video.
00:15
This is a photograph
0
0
2000
ภาพถ่ายภาพนี้
00:17
by the artist Michael Najjar,
1
2000
2000
บันทึกไว้โดยศิลปิน ไมเคิล นัจจาร์
00:19
and it's real,
2
4000
2000
และเป็นของจริงครับ
00:21
in the sense that he went there to Argentina
3
6000
2000
ในแง่ที่ว่าเขาได้เดินทางไปอาร์เจนตินาจริงๆ
00:23
to take the photo.
4
8000
2000
เพื่อถ่ายภาพนี้
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
แต่อีกแง่ก็เป็นจินตภาพ มีการตกแต่งภาพอีกพอควรหลังจากถ่ายภาพจริง
00:28
And what he's done
6
13000
2000
และสิ่งที่เขาได้ทำ
00:30
is he's actually reshaped, digitally,
7
15000
2000
ก็คือเขาได้ปรับเปลี่ยนรูปทรงในทางดิจิตอล
00:32
all of the contours of the mountains
8
17000
2000
โครงร่างทั้งหมดของภูเขานั่น
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
ให้ล้อไปตามการผันผวนของดัชนีดาวโจนส์
00:37
So what you see,
10
22000
2000
สิ่งที่คุณเห็น
00:39
that precipice, that high precipice with the valley,
11
24000
2000
เงื้อมผานั่น เงื้อมผาสูงตรงหุบเขานั่น
00:41
is the 2008 financial crisis.
12
26000
2000
คือวิกฤตการเงินปี ค.ศ.2008 ครับ
00:43
The photo was made
13
28000
2000
ภาพถ่ายภาพนี้ทำขึ้น
00:45
when we were deep in the valley over there.
14
30000
2000
ในตอนที่เราจมดิ่งลึกที่สุดในหุบเขาตรงนั้น
00:47
I don't know where we are now.
15
32000
2000
ผมไม่รู้ว่าตอนนี้เราอยู่ ณ ตำแหน่งไหน
00:49
This is the Hang Seng index
16
34000
2000
อันนี้เป็นดัชนีฮั่งเส็ง (Hang Seng index)
00:51
for Hong Kong.
17
36000
2000
ของฮ่องกง
00:53
And similar topography.
18
38000
2000
และมีภูมิลักษณ์คล้ายกัน
00:55
I wonder why.
19
40000
2000
ผมสงสัยว่าเพราะเหตุใด
00:57
And this is art. This is metaphor.
20
42000
3000
และนี่คือศิลปะ คือการอุปมา
01:00
But I think the point is
21
45000
2000
แต่ผมคิดว่าประเด็นก็คือ
01:02
that this is metaphor with teeth,
22
47000
2000
นี่เป็นการอุปมาเปรียบเทียบกับฟัน
01:04
and it's with those teeth that I want to propose today
23
49000
3000
และก็ด้วยฟันพวกนั้นที่ผมอยากจะเสนอให้วันนี้
01:07
that we rethink a little bit
24
52000
2000
ว่าเราต้องมาย้อนคิดกันนิดหนึ่ง
01:09
about the role of contemporary math --
25
54000
3000
ถึงบทบาทของคณิตศาสตร์ร่วมสมัย
01:12
not just financial math, but math in general.
26
57000
3000
ไม่ใช่แค่คณิตศาสตร์การเงิน แต่เป็นคณิตศาสตร์ในภาพรวม
01:15
That its transition
27
60000
2000
นั่นก็คือ การแปร
01:17
from being something that we extract and derive from the world
28
62000
3000
จากสิ่งที่เรากลั่นกรองและถอดความมาจากสิ่งที่เกิดขึ้นจริงในโลก
01:20
to something that actually starts to shape it --
29
65000
3000
ไปเป็นสิ่งที่ย้อนกลับมามีอิทธิพลกับ
01:23
the world around us and the world inside us.
30
68000
3000
โลกรอบตัวเราและโลกในมโนภาพของเรา
01:26
And it's specifically algorithms,
31
71000
2000
โดยเฉพาะอัลกอริทึม
01:28
which are basically the math
32
73000
2000
ซึ่งโดยพื้นฐานแล้วก็คือคณิตศาสตร์
01:30
that computers use to decide stuff.
33
75000
3000
ที่คอมพิวเตอร์ใช้ในการตัดสินใจ
01:33
They acquire the sensibility of truth
34
78000
2000
อัลกอริทึมเข้าใกล้ความเป็นจริงไปเรื่อยๆ
01:35
because they repeat over and over again,
35
80000
2000
เพราะว่ามันถูกใช้ซ้ำแล้วซ้ำอีก
01:37
and they ossify and calcify,
36
82000
3000
และมันก็เป็นรูปเป็นร่างเหมือนแปรเป็นหินเป็นแคลเซียม
01:40
and they become real.
37
85000
2000
แล้วมันก็กลายเป็นของจริง
01:42
And I was thinking about this, of all places,
38
87000
3000
และผมก็คิดเกี่ยวกับอะไรพวกนี้ทั่วทุกที่ครับ
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
บนเที่ยวบินข้ามมหาสมุทรแอตแลนติกเมื่อปีสองปีก่อน
01:48
because I happened to be seated
40
93000
2000
เพราะว่าผมได้นั่ง
01:50
next to a Hungarian physicist about my age
41
95000
2000
ถัดจากนักฟิสิกส์ชาวฮังการีที่อายุไล่เลี่ยกับผม
01:52
and we were talking
42
97000
2000
แล้วเราก็คุยกัน
01:54
about what life was like during the Cold War
43
99000
2000
ถึงสภาพชีวิตความเป็นอยู่ในช่วงสงครามเย็น
01:56
for physicists in Hungary.
44
101000
2000
ของนักฟิสิกส์ในฮังการี
01:58
And I said, "So what were you doing?"
45
103000
2000
และผมว่า "งั้น ตอนนั้นคุณทำอะไรครับ?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
เขาตอบ "อืม พวกเราเป็นนักทำลายการล่องหน"
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
ผมว่า "เยี่ยมมากเลย น่าสนใจมากครับ
02:04
How does that work?"
48
109000
2000
มันเป็นยังไงครับ?"
02:06
And to understand that,
49
111000
2000
และเพื่อที่จะเข้าใจเรื่องนี้
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
เราต้องเข้าใจสักนิดเสียก่อนว่าการล่องหนมีลักษณะการทำงานอย่างไร
02:11
And so -- this is an over-simplification --
51
116000
3000
ดังนั้น -- อันนี้เป็นแบบย่นย่อให้เข้าใจง่ายๆ นะครับ --
02:14
but basically, it's not like
52
119000
2000
แต่โดยทั่วๆไปแล้วมันไม่ใช่ว่าแค่
02:16
you can just pass a radar signal
53
121000
2000
เราจะฉายสัญญาณเรดาร์
02:18
right through 156 tons of steel in the sky.
54
123000
3000
ตัดผ่านทะลุเข้าไปในเหล็กกล้าหนักร่วม 156 ตันในอากาศ
02:21
It's not just going to disappear.
55
126000
3000
มันคงไม่หายแว่บไปหรอกครับ
02:24
But if you can take this big, massive thing,
56
129000
3000
แต่ถ้าเราเอาเจ้ายักษ์ใหญ่นี่
02:27
and you could turn it into
57
132000
3000
แล้วเปลี่ยนมันให้กลายเป็น
02:30
a million little things --
58
135000
2000
สิ่งละอันพันละน้อยเป็นล้านๆชิ้น
02:32
something like a flock of birds --
59
137000
2000
เหมือนกับฝูงนกงั้นแหละครับ
02:34
well then the radar that's looking for that
60
139000
2000
พอเป็นแบบนั้น เรดาร์ก็ต้องจับให้ได้
02:36
has to be able to see
61
141000
2000
ต้องสามารถจับ
02:38
every flock of birds in the sky.
62
143000
2000
ฝูงนกบนฟ้าทุกฝูง
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
และถ้าเราเป็นเรดาร์ นั่นเป็นงานที่ไม่เข้าท่าเอาเลย
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
แล้วเขาก็ว่า "ใช่ครับ" เขาบอก "แต่นั่นถ้าเราเป็นเรดาร์
02:47
So we didn't use a radar;
65
152000
2000
ดังนั้น พวกผมจึงไม่ใช้เรดาร์
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
พวกผมสร้างกล่องดำที่ทำหน้าที่จับสัญญาณไฟฟ้า
02:52
electronic communication.
67
157000
3000
สัญญาณสื่อสารอิเล็กทรอนิกส์
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
และเมื่อใดก็ตามที่พวกผมเห็นฝูงนกที่มีการสื่อสารด้วยสัญญาณอิเล็กทรอนิกส์
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
พวกผมจะคิดว่า มันมีส่วนเกี่ยวข้องกับพวกอเมริกันแน่ๆ"
03:01
And I said, "Yeah.
70
166000
2000
ผมบอก "ใช่แล้ว
03:03
That's good.
71
168000
2000
เยี่ยมครับ
03:05
So you've effectively negated
72
170000
2000
งั้น พวกคุณก็ได้ล้มล้างงานวิจัยด้านการบิน
03:07
60 years of aeronautic research.
73
172000
2000
ที่มีมายาวนาน 60 ปีได้อย่างมีประสิทธิผล
03:09
What's your act two?
74
174000
2000
แล้วช่วงถัดมาหละครับ?
03:11
What do you do when you grow up?"
75
176000
2000
พวกคุณทำอะไรตอนโต?"
03:13
And he said,
76
178000
2000
เขาตอบ
03:15
"Well, financial services."
77
180000
2000
"อ้อ ทำงานในภาคการเงินครับ"
03:17
And I said, "Oh."
78
182000
2000
ผมว่า "โอ้"
03:19
Because those had been in the news lately.
79
184000
3000
เพราะภาคการเงินมักเป็นข่าวอยู่เมื่อเร็วๆนี้เอง
03:22
And I said, "How does that work?"
80
187000
2000
ผมว่า "แล้วไปไงมาไงหละครับ?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
เขาตอบ "มีนักฟิสิกส์กว่า 2,000 คนทำงานที่วอลล์สตรีทในขณะนี้
03:26
and I'm one of them."
82
191000
2000
และผมก็เป็นแค่หนึ่งในนั้นครับ"
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
ผมก็ถามว่า "อะไรเป็นกล่องดำสำหรับวอลล์สตรีทครับ?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
เขาตอบ "คุณถามอะไรได้ขำจริงๆครับ
03:33
because it's actually called black box trading.
85
198000
3000
เพราะ เขาเรียกมันว่า "การซื้อขายแบบกล่องดำ (black box trading)"
03:36
And it's also sometimes called algo trading,
86
201000
2000
บางทีก็เรียกว่า "การซื้อขายแบบอัลกอ"
03:38
algorithmic trading."
87
203000
3000
การซื้อขายแบบอัลกอริทึมครับ"
03:41
And algorithmic trading evolved in part
88
206000
3000
การซื้อขายแบบอัลกอริทึมมีส่วนเกี่ยวข้อง
03:44
because institutional traders have the same problems
89
209000
3000
เพราะว่าการซื้อขายของสถาบันต้องเจอกับคำถามแบบเดียว
03:47
that the United States Air Force had,
90
212000
3000
กับที่กองทัพอากาศสหรัฐอเมริกาเจอ
03:50
which is that they're moving these positions --
91
215000
3000
ก็คือ หากเขาเปลี่ยนตำแหน่งหรือจุดยืน
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
ไม่ว่าจะเป็น พรอคเตอร์แอนด์แกมเบิล หรือ แอคเซนเชอร์ อะไรก็ตามแต่
03:55
they're moving a million shares of something
93
220000
2000
พวกเขากำลังเคลื่อนย้ายหุ้นเป็นล้านหุ้น
03:57
through the market.
94
222000
2000
ผ่านระบบตลาด
03:59
And if they do that all at once,
95
224000
2000
และถ้าพวกเขาทำแบบนั้นภายในครั้งเดียว
04:01
it's like playing poker and going all in right away.
96
226000
2000
ก็จะเหมือนกับการเล่นไพ่โป๊กเกอร์แบบทุ่มไปเลยหนเดียว
04:03
You just tip your hand.
97
228000
2000
เราก็แค่เปิดไพ่ให้คนอื่นเห็น
04:05
And so they have to find a way --
98
230000
2000
เพราะงั้น พวกเขาจึงต้องค้นหาวิธีการ
04:07
and they use algorithms to do this --
99
232000
2000
และพวกเขาก็ใช้อัลกอริทึม
04:09
to break up that big thing
100
234000
2000
ให้การแยกของชิ้นใหญ่
04:11
into a million little transactions.
101
236000
2000
ให้กลายเป็นรายการย่อยๆนับล้าน
04:13
And the magic and the horror of that
102
238000
2000
ความมหัศจรรย์และความน่าพรั่นสะพรึงก็คือ
04:15
is that the same math
103
240000
2000
คณิตศาสตร์อย่างเดียวกัน
04:17
that you use to break up the big thing
104
242000
2000
ที่เราใช้ในการแยกส่วนของของชิ้นใหญ่
04:19
into a million little things
105
244000
2000
ให้เป็นชิ้นเล็กๆนับล้านชิ้น
04:21
can be used to find a million little things
106
246000
2000
สามารถใช้ในการค้นหาสิ่งเล็กๆนับล้านชิ้น
04:23
and sew them back together
107
248000
2000
แล้วเอามาเย็บติดรวมคืนเข้าด้วยกัน
04:25
and figure out what's actually happening in the market.
108
250000
2000
เพื่อค้นหาว่าอะไรกันแน่ที่เกิดขึ้นในระบบตลาดซื้อขาย
04:27
So if you need to have some image
109
252000
2000
ดังนั้น ถ้าเราต้องการจะได้ภาพ
04:29
of what's happening in the stock market right now,
110
254000
3000
ว่าเกิดอะไรขึ้นในตลาดหลักทรัพย์ในขณะนี้
04:32
what you can picture is a bunch of algorithms
111
257000
2000
สิ่งที่เราอาจนึกภาพออกก็คืออัลกอริทึมกลุ่มหนึ่ง
04:34
that are basically programmed to hide,
112
259000
3000
ซึ่งถูกเขียนโปรแกรมซ่อนไว้
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
และก็อัลกอริทึมอีกกลุ่มหนึ่งที่ถูกเขียนโปรแกรมไว้ให้หากลุ่มที่ซ่อนแล้วเริ่มปฏิบัติการ
04:40
And all of that's great, and it's fine.
114
265000
3000
ทั้งหมดนี้ยอดเยี่ยมครับและก็ใช้การได้ดีด้วย
04:43
And that's 70 percent
115
268000
2000
นับแล้วร้อยละ 70
04:45
of the United States stock market,
116
270000
2000
ของตลาดหลักทรัพย์ในสหรัฐอเมริกา
04:47
70 percent of the operating system
117
272000
2000
ร้อยละ 70 ของระบบ
04:49
formerly known as your pension,
118
274000
3000
ที่เป็นที่รู้จักก่อนหน้านี้ในฐานะเงินบำนาญของคุณ
04:52
your mortgage.
119
277000
3000
การจำนองอสังหาริมทรัพย์ของคุณ
04:55
And what could go wrong?
120
280000
2000
แล้วจะเกิดความผิดพลาดอะไรงั้นหรือ?
04:57
What could go wrong
121
282000
2000
ความผิดพลาดที่อาจเกิดขึ้น
04:59
is that a year ago,
122
284000
2000
ก็คือ หนึ่งปีที่ผ่านมา
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
ร้อยละ 9 ของทั้งตลาดหายแว่บไปกับตาภายใน 5 นาที
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
พวกเขาเรียกมันว่า 'เหตุล้มครืน ณ บ่ายสองสี่สิบห้า'
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
ทันทีทันควัน ร้อยละ 9 ของตลาดก็หายวับไป
05:10
and nobody to this day
126
295000
2000
และไม่มีใครเลยจนกระทั่งวันนี้
05:12
can even agree on what happened
127
297000
2000
ที่จะปักใจอธิบายได้ว่าเกิดอะไรขึ้นในวันนั้น
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
เพราะไม่มีใครสั่งให้มันเกิดขึ้น ไม่มีขอให้มันเกิดขึ้น
05:17
Nobody had any control over what was actually happening.
129
302000
3000
ไม่มีใครมีอำนาจควบคุมในสิ่งที่ได้เกิดขึ้น
05:20
All they had
130
305000
2000
ทั้งหมดที่พวกเขามี
05:22
was just a monitor in front of them
131
307000
2000
ก็แค่จอคอมพิวเตอร์ตรงหน้า
05:24
that had the numbers on it
132
309000
2000
ที่มีแต่ตัวเลขเต็มไปหมด
05:26
and just a red button
133
311000
2000
แล้วก็ปุ่มสีแดง
05:28
that said, "Stop."
134
313000
2000
ที่เขียนว่า "หยุด"
05:30
And that's the thing,
135
315000
2000
นั่นแหละครับคือประเด็นหละ
05:32
is that we're writing things,
136
317000
2000
ก็คือ เราเขียนโปรแกรมนั่นนี่ขึ้นมา
05:34
we're writing these things that we can no longer read.
137
319000
3000
เรากำลังเขียนโปรแกรมในสิ่งที่เราไม่สามารถอ่านมันออกอีกต่อไป
05:37
And we've rendered something
138
322000
2000
และเราถอดความบางอย่าง
05:39
illegible,
139
324000
2000
ที่อ่านไม่ออก
05:41
and we've lost the sense
140
326000
3000
และเราสูญเสียสามัญสำนึก
05:44
of what's actually happening
141
329000
2000
ว่ากำลังเกิดอะไรขึ้น
05:46
in this world that we've made.
142
331000
2000
ในโลกที่เราสร้างขึ้นมา
05:48
And we're starting to make our way.
143
333000
2000
และเราเริ่มสร้างหนทางของเราขึ้นมา
05:50
There's a company in Boston called Nanex,
144
335000
3000
มีบริษัทหนึ่งในเมืองบอสตัน ชื่อ นาเน็กซ์ (Nanex)
05:53
and they use math and magic
145
338000
2000
เขาใช้คณิตศาสตร์และมายากล
05:55
and I don't know what,
146
340000
2000
และก็ไม่รู้ว่าใช้อะไรอีก
05:57
and they reach into all the market data
147
342000
2000
พวกเขาเข้าถึงข้อมูลทั้งหมดของตลาด
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
บางครั้ง พวกเขาค้นพบบางส่วนของอัลกอริทึมพวกนี้
06:02
And when they find them they pull them out
149
347000
3000
พอพบมัน พวกเขาก็จัดการดึงมันออกมา
06:05
and they pin them to the wall like butterflies.
150
350000
3000
แล้วก็ปักหมุดตรึงมันไว้กับผนังเหมือนพวกผีเสื้อ
06:08
And they do what we've always done
151
353000
2000
พวกเขาทำในสิ่งที่พวกเรามักทำเสมอ
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
เมื่อเผชิญกับข้อมูลปริมาณมหาศาลที่พวกเราไม่มีความเข้าใจ
06:13
which is that they give them a name
153
358000
2000
นั่นก็คือ การตั้งชื่อให้พวกมัน
06:15
and a story.
154
360000
2000
และสร้างเรื่องราวขึ้นมา
06:17
So this is one that they found,
155
362000
2000
อันนี้เป็นหนึ่งในที่พวกเขาค้นพบ
06:19
they called the Knife,
156
364000
4000
พวกเขาเรียก "มีด (the Knife)"
06:23
the Carnival,
157
368000
2000
"เทศกาลฉลอง (the Carnival)"
06:25
the Boston Shuffler,
158
370000
4000
"ไพ่สับแบบบอสตัน (the Boston Shuffler)"
06:29
Twilight.
159
374000
2000
"แสงอัสดง (Twilight)"
06:31
And the gag is
160
376000
2000
และมุขก็คือว่า
06:33
that, of course, these aren't just running through the market.
161
378000
3000
แน่ๆ อัลกอริทึมพวกนี้ไม่ได้ทำงานแค่ในตลาดหลักทรัพย์เท่านั้น
06:36
You can find these kinds of things wherever you look,
162
381000
3000
เราอาจไปเจอมันที่ไหนก็ได้ถ้าเรามองหา
06:39
once you learn how to look for them.
163
384000
2000
พอเราเรียนรู้ที่จะมองหามันเป็น
06:41
You can find it here: this book about flies
164
386000
3000
คุณอาจเจอมันในนี้ ในหนังสือเล่มนี้ซึ่งเกี่ยวกับแมลง
06:44
that you may have been looking at on Amazon.
165
389000
2000
ที่คุณอาจจะมองหาจากร้านหนังสืออะเมซอน (Amazon)
06:46
You may have noticed it
166
391000
2000
คุณอาจสังเกตเห็นนะครับ
06:48
when its price started at 1.7 million dollars.
167
393000
2000
ว่าเมื่อราคาหนังสือไปอยู่ที่เล่มละ 1.7 ล้านดอลลาร์
06:50
It's out of print -- still ...
168
395000
2000
หนังสือก็ยังขาดตลาดอยู่ดังเดิม
06:52
(Laughter)
169
397000
2000
(เสียงหัวเราะ)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
ถ้าคุณซื้อมันมาในราคานั้น ถือได้ว่าคุณได้มันมาในราคาลด
06:57
A few hours later, it had gone up
171
402000
2000
สองสามชั่วโมงต่อมา ราคาพุ่งขึ้นไป
06:59
to 23.6 million dollars,
172
404000
2000
เป็น 23.6 ล้านดอลลาร์
07:01
plus shipping and handling.
173
406000
2000
บวกค่าจัดส่ง
07:03
And the question is:
174
408000
2000
และคำถามก็คือ:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
ไม่มีใครกำลังจะซื้อหรือขายอะไรทั้งสิ้น เกิดอะไรขึ้นกันแน่ครับ?
07:07
And you see this behavior on Amazon
176
412000
2000
และคุณเห็นพฤติกรรมแบบนี้ในร้านหนังสืออะเมซอน
07:09
as surely as you see it on Wall Street.
177
414000
2000
แน่นอนเช่นเดียวกันกับที่คุณเห็นในวอลล์สตรีท
07:11
And when you see this kind of behavior,
178
416000
2000
และเมื่อคุณเห็นพฤติกรรมประเภทนี้
07:13
what you see is the evidence
179
418000
2000
สิ่งที่คุณเห็นก็คือหลักฐานว่า
07:15
of algorithms in conflict,
180
420000
2000
อัลกอริทึมทำงานขัดแย้งกัน
07:17
algorithms locked in loops with each other,
181
422000
2000
อัลกอริทึมถูกดึงให้มาทำงานด้วยกันเป็นวงวน
07:19
without any human oversight,
182
424000
2000
โดยไม่มีใครมาคอยดู
07:21
without any adult supervision
183
426000
3000
ไม่มีผู้ใหญ่มาคอยกำกับดูแล
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
ที่จะบอกว่า "เฮ้ 1.7 ล้านดอลลาร์นี่มันเยอะอยู่นะ"
07:27
(Laughter)
185
432000
3000
(เสียงหัวเราะ)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
และก็เหมือนกับกรณีร้านหนังสืออะเมซอน กรณีของร้านเช่าวิดีโอเน็ตฟลิคซ์ (Netflix) ก็เช่นกัน
07:33
And so Netflix has gone through
187
438000
2000
ดังนั้น เน็ตฟลิคซ์จึงต้องเปลี่ยน
07:35
several different algorithms over the years.
188
440000
2000
อัลกอริทึมหลายแบบมากตลอดหลายปีที่ผ่านมา
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
พวกเขาเริ่มต้นด้วย ซินเนแมตช์ (Cinematch) และก็ลองใช้อย่างอื่นอีกเป็นตั้ง
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
มี 'โลกไดโนเสาร์ (Dinosaur Planet)', 'แรงดึงดูด (Gravity)'
07:42
They're using Pragmatic Chaos now.
191
447000
2000
ตอนนี้ พวกเขาใช้ 'ความยุ่งเหยิงเชิงปฏิบัติ (Pragmatic Chaos)'
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
'ความยุ่งเหยิงเชิงปฏิบัติ' นี้ก็เหมือนกับอัลกอริทึมของเน็ตฟริคซ์อื่นๆ
07:46
trying to do the same thing.
193
451000
2000
ที่พยายามทำในสิ่งเดิม
07:48
It's trying to get a grasp on you,
194
453000
2000
มันพยายามที่จะควบคุมคุณไว้
07:50
on the firmware inside the human skull,
195
455000
2000
ควบคุมโปรแกรมที่อยู่ในกระโหลกของมนุษย์
07:52
so that it can recommend what movie
196
457000
2000
เพื่อที่มันจะสามารถแนะนำหนัง
07:54
you might want to watch next --
197
459000
2000
เรื่องต่อไปที่คุณอาจจะอยากดู
07:56
which is a very, very difficult problem.
198
461000
3000
ซึ่งเป็นปัญหาที่ยากมากเหลือเกินครับ
07:59
But the difficulty of the problem
199
464000
2000
แต่ความยากของปัญหานี้
08:01
and the fact that we don't really quite have it down,
200
466000
3000
และความจริงที่ว่า เราเองก็ไม่ค่อยจะรู้หรอกว่าอยากดูอะไรจริงๆ
08:04
it doesn't take away
201
469000
2000
มันไม่ได้ทำให้ผลกระทบ
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
จากอัลกอริทึมความยุ่งเหยิงเชิงปฏิบัติหายไปไหนเลย
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
'ความยุ่งเหยิงเชิงปฏิบัติ' ก็เหมือนกับอัลกอริทึมของเน็ตฟลิคซ์อื่นๆ
08:11
determines, in the end,
204
476000
2000
ที่ในตอนท้ายสุดเป็นตัวบ่งว่า
08:13
60 percent
205
478000
2000
ร้อยละ 60
08:15
of what movies end up being rented.
206
480000
2000
ของหนังที่ถูกเช่าไปคืออะไร
08:17
So one piece of code
207
482000
2000
โปรแกรมคอมพิวเตอร์ชิ้นหนึ่ง
08:19
with one idea about you
208
484000
3000
กับไอเดียเกี่ยวกับคุณเพียงข้อเดียว
08:22
is responsible for 60 percent of those movies.
209
487000
3000
ที่มีส่วนรับผิดชอบถึงร้อยละ 60 ของหนังที่ถูกเช่าไป
08:25
But what if you could rate those movies
210
490000
2000
แต่ว่าถ้าคุณสามารถให้คะแนนหนังพวกนั้นได้ล่ะ
08:27
before they get made?
211
492000
2000
ก่อนที่เขาจะสร้างหนังนะครับ?
08:29
Wouldn't that be handy?
212
494000
2000
มันจะไม่ช่วยมากกว่าอีกหรือ?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
อืม มีนักวิทยาศาสตร์ด้านข้อมูลสองสามคนจากอังกฤษที่อยู่ในฮอลลีวูดตอนนี้
08:34
and they have "story algorithms" --
214
499000
2000
พวกเขามีอัลกอริทึมบทหนังครับ
08:36
a company called Epagogix.
215
501000
2000
บริษัทนี้ชื่อ เอพากอกิคซ์ (Epagogix)
08:38
And you can run your script through there,
216
503000
3000
และคุณสามารถส่งบทหนังไปให้พวกเขาใช้อัลกอริทึมเช็คดู
08:41
and they can tell you, quantifiably,
217
506000
2000
เขาจะบอกคุณได้เป็นปริมาณ
08:43
that that's a 30 million dollar movie
218
508000
2000
ว่านั่นเป็นหนังงบสร้าง 30 ล้านดอลลาร์
08:45
or a 200 million dollar movie.
219
510000
2000
หรือว่าหนังงบสร้าง 200 ล้านดอลลาร์
08:47
And the thing is, is that this isn't Google.
220
512000
2000
และแง่มุมของมันก็คือมันไม่ใช่กูเกิ้ล
08:49
This isn't information.
221
514000
2000
มันไม่ใช่ข้อมูล
08:51
These aren't financial stats; this is culture.
222
516000
2000
มันไม่ใช่สถิติทางการเงิน แต่มันเป็นวัฒนธรรม
08:53
And what you see here,
223
518000
2000
สิ่งที่คุณเห็นที่นี่
08:55
or what you don't really see normally,
224
520000
2000
หรือที่คุณไม่อาจเห็นได้ในแบบทั่วไป
08:57
is that these are the physics of culture.
225
522000
4000
ก็คือ มีฟิสิกส์ของวัฒนธรรม
09:01
And if these algorithms,
226
526000
2000
และถ้าอัลกอริทึมพวกนี้
09:03
like the algorithms on Wall Street,
227
528000
2000
เช่นเดียวกับอัลกอริทึมในวอลล์สตรีท
09:05
just crashed one day and went awry,
228
530000
3000
พังครืนลงมาวันใดวันหนึ่งแล้วก็ทำงานผิดเพี้ยน
09:08
how would we know?
229
533000
2000
เราจะรู้ได้อย่างไร?
09:10
What would it look like?
230
535000
2000
มันจะมีลักษณะยังไง?
09:12
And they're in your house. They're in your house.
231
537000
3000
และมันอยู่ในบ้านของคุณอีกด้วย อยู่ในบ้านของคุณครับ
09:15
These are two algorithms competing for your living room.
232
540000
2000
มีอัลกอริทึมสองตัวที่แข่งกันอยู่ในห้องนั่งเล่นของคุณ
09:17
These are two different cleaning robots
233
542000
2000
มีหุ่นยนต์ทำความสะอาดที่แตกต่างกันสองตัว
09:19
that have very different ideas about what clean means.
234
544000
3000
ที่มีแนวคิดแตกต่างกันมากในการตีความหมายของคำว่า สะอาด
09:22
And you can see it
235
547000
2000
และคุณพบว่า
09:24
if you slow it down and attach lights to them,
236
549000
3000
ถ้าคุณปรับมันทำงานช้าลงและติดไฟเข้าไป
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
มันจะคล้ายกับสถาปนิกลับในห้องนอนของคุณ
09:30
And the idea that architecture itself
238
555000
3000
และแนวคิดเกี่ยวกับสถาปัตยกรรมในตัวมันเอง
09:33
is somehow subject to algorithmic optimization
239
558000
2000
บางขณะก็ขึ้นอยู่กับการหาค่าที่เหมาะที่สุดของอัลกอริทึม
09:35
is not far-fetched.
240
560000
2000
ที่ดูแล้วมีความเป็นไปได้
09:37
It's super-real and it's happening around you.
241
562000
3000
มันเป็นของจริงแท้ที่เกิดขึ้นรอบตัวคุณ
09:40
You feel it most
242
565000
2000
คุณรู้สึกถึงมันได้มากที่สุด
09:42
when you're in a sealed metal box,
243
567000
2000
เมื่อคุณอยู่ในกล่องเหล็กที่ปิดผนึก
09:44
a new-style elevator;
244
569000
2000
ลิฟต์แบบใหม่ครับ
09:46
they're called destination-control elevators.
245
571000
2000
เรียกว่า ลิฟต์แบบควบคุมจุดหมายปลายทาง
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
มีแบบที่คุณเลือกกดปุ่มชั้นที่คุณต้องการจะให้มันหยุด
09:51
before you get in the elevator.
247
576000
2000
ก่อนที่คุณจะเข้าไปในลิฟต์
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
มันใช้สิ่งที่เรียนกว่า อัลกอริทึมแบบบรรจุถัง (bin packing algorithm)
09:55
So none of this mishegas
249
580000
2000
ดังนั้นจะไม่มีทางเลย
09:57
of letting everybody go into whatever car they want.
250
582000
2000
ที่จะปล่อยให้ต่างคนต่างใช้ลิฟต์ตัวที่ตนต้องการ
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
ใครที่อยากไปชั้น 10 ต้องไปใช้ลิฟต์ตัวที่ 2
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
และใครอยากไปชั้น 3 ต้องไปกับลิฟต์ตัวที่ 5
10:04
And the problem with that
253
589000
2000
ปัญหาก็คือ
10:06
is that people freak out.
254
591000
2000
มันสร้างความสะพรึงกลัวแก่ผู้คน
10:08
People panic.
255
593000
2000
ผู้คนตื่นตระหนก
10:10
And you see why. You see why.
256
595000
2000
และคุณก็รู้ว่าทำไม คุณรู้
10:12
It's because the elevator
257
597000
2000
ก็เพราะว่าลิฟต์
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
ไม่มีเครื่องมือที่สำคัญ อย่างเช่น ปุ่ม ไงหละครับ
10:17
(Laughter)
259
602000
2000
(เสียงหัวเราะ)
10:19
Like the things that people use.
260
604000
2000
เหมือนอะไรๆที่ผู้คนคุ้นเคยในการใช้
10:21
All it has
261
606000
2000
แต่สิ่งที่มันมี
10:23
is just the number that moves up or down
262
608000
3000
ก็แค่ตัวเลขที่วิ่งขึ้นลง
10:26
and that red button that says, "Stop."
263
611000
3000
และปุ่มสีแดงที่เขียนว่า "หยุด"
10:29
And this is what we're designing for.
264
614000
3000
และนี่เป็นสิ่งที่เรากำลังออกแบบสร้าง
10:32
We're designing
265
617000
2000
เรากำลังออกแบบ
10:34
for this machine dialect.
266
619000
2000
ภาษาเฉพาะให้แก่กลไกพวกนี้
10:36
And how far can you take that? How far can you take it?
267
621000
3000
เราจะพัฒนามันไปถึงแค่ไหนกัน จะพัฒนาไปได้อีกมากเท่าไหร่กันครับ
10:39
You can take it really, really far.
268
624000
2000
เราสามารถพัฒนามันไปได้อีกไกลมากๆ ครับ
10:41
So let me take it back to Wall Street.
269
626000
3000
ดังนั้น ขอผมย้อนกลับไปที่วอลล์สตรีท
10:45
Because the algorithms of Wall Street
270
630000
2000
เนื่องจากอัลกอริทึมของวอลล์สตรีท
10:47
are dependent on one quality above all else,
271
632000
3000
ขึ้นอยู่กับคุณลักษณะหนึ่งเป็นพิเศษ
10:50
which is speed.
272
635000
2000
นั่นก็คือ ความเร็ว
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
มันทำงานในเศษเสี้ยววินาที แค่เสี้ยวหนึ่งในล้านวินาทีครับ
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
และเพื่อให้คุณรู้ว่าเสี้ยวหนึ่งในล้านวินาที (ไมโครวินาที) เร็วแค่ไหน
10:57
it takes you 500,000 microseconds
275
642000
2000
คุณใช้เวลา 500,000 ไมโครวินาที
10:59
just to click a mouse.
276
644000
2000
ในการคลิ๊กเมาส์
11:01
But if you're a Wall Street algorithm
277
646000
2000
แต่ถ้าคุณเป็นอัลกอริทึมของวอลล์สตรีทละก็
11:03
and you're five microseconds behind,
278
648000
2000
คุณช้าไปแล้ว 5 ไมโครวินาทีครับ
11:05
you're a loser.
279
650000
2000
คุณแพ้ราบคาบ
11:07
So if you were an algorithm,
280
652000
2000
ดังนั้นถ้าคุณเป็นอัลกอริทึม
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
คุณก็จะค้นหาสถาปนิกแบบคนที่ผมไปพบที่เมืองแฟรงค์เฟิร์ต
11:12
who was hollowing out a skyscraper --
282
657000
2000
เป็นคนที่ออกแบบให้ตึกระฟ้ามีโพรงครับ
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
โยนเฟอร์นิเจอร์และโครงสร้างพื้นฐานที่มนุษย์ใช้ออกไปให้หมด
11:17
and just running steel on the floors
284
662000
3000
แล้วก็ก่อเหล็กขึ้นมาในแต่ละชั้น
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
เพื่อให้พร้อมสำหรับการใส่อุปกรณ์คอมพิวเตอร์เซิร์ฟเวอร์เข้าไป
11:23
all so an algorithm
286
668000
2000
เพื่อให้อัลกอริทึม
11:25
could get close to the Internet.
287
670000
3000
สามารถอยู่ใกล้กับอินเตอร์เน็ต
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
แล้วเราก็คิดเสียว่าอินเตอร์เน็ตเป็นระบบแพร่กระจายประเภทหนึ่ง
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
และมันก็เป็นแบบนั้นจริงๆ แต่ว่ามันกระจายจากที่หนึ่งไปที่หนึ่ง
11:34
In New York, this is where it's distributed from:
290
679000
2000
ในนครนิวยอร์ก นี่คือจุดศูนย์กลางของการแพร่กระจาย
11:36
the Carrier Hotel
291
681000
2000
โรงแรมแคร์ริเออร์ (Carrier Hotel)
11:38
located on Hudson Street.
292
683000
2000
ตั้งอยู่บนถนนฮัดสัน (Hudson)
11:40
And this is really where the wires come right up into the city.
293
685000
3000
และนี่เป็นสถานที่ซึ่งส่งกระจายสายเชื่อมสู่เมือง
11:43
And the reality is that the further away you are from that,
294
688000
4000
ความจริงก็คือ ยิ่งเราอยู่ไกลจากโรงแรมนี้ไปเท่าไหร่
11:47
you're a few microseconds behind every time.
295
692000
2000
เราก็จะทำอะไรช้าไป 2-3 ไมโครวินาที ทุกๆครั้ง
11:49
These guys down on Wall Street,
296
694000
2000
พวกที่อยู่บนวอลล์สตรีท
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
มาร์โค โปโล (Marco Polo) และ เชอโรกีเนชั่น (Cherokee Nation)
11:53
they're eight microseconds
298
698000
2000
พวกเขาทำอะไรช้าไป 8 ไมโครวินาที
11:55
behind all these guys
299
700000
2000
กว่าพวกที่
11:57
going into the empty buildings being hollowed out
300
702000
4000
จะเข้าไปอยู่ในตึกเปล่าที่ถูกเจาะโพรงไว้
12:01
up around the Carrier Hotel.
301
706000
2000
รอบๆ โรงแรมแคร์ริเออร์
12:03
And that's going to keep happening.
302
708000
3000
และมันก็จะเกิดแบบนี้ไปเรื่อยๆ
12:06
We're going to keep hollowing them out,
303
711000
2000
เราก็จะเจาะตึกเป็นโพรง
12:08
because you, inch for inch
304
713000
3000
เพราะคุณ นิ้วต่อนิ้ว
12:11
and pound for pound and dollar for dollar,
305
716000
3000
ปอนด์ต่อปอนด์ ดอลลาร์ต่อดอลลาร์
12:14
none of you could squeeze revenue out of that space
306
719000
3000
ไม่มีใครคนใดเลยที่จะสามารถดึงเม็ดเงินออกมาจากที่นั่นได้
12:17
like the Boston Shuffler could.
307
722000
3000
เหมือนที่อัลกอริทึม 'ไพ่สับแบบบอสตัน" ทำได้
12:20
But if you zoom out,
308
725000
2000
แต่ถ้าคุณขยับออกมาดู
12:22
if you zoom out,
309
727000
2000
ถ้าคุณย่อภาพลง
12:24
you would see an 825-mile trench
310
729000
4000
คุณจะเห็นสนามเพลาะยาว 825 ไมล์
12:28
between New York City and Chicago
311
733000
2000
ระหว่างนครนิวยอร์กกับชิคาโก
12:30
that's been built over the last few years
312
735000
2000
ที่ถูกสร้างขึ้นมาในช่วง 2-3 ปีที่ผ่านมา
12:32
by a company called Spread Networks.
313
737000
3000
โดยบริษัทสะเปรดเน็ตเวิร์คส์ (Spread Networks)
12:35
This is a fiber optic cable
314
740000
2000
อันนี้ สายใยแก้วนำแสง
12:37
that was laid between those two cities
315
742000
2000
ที่ใช้ฝังเดินสายไว้ระหว่างสองเมืองนี้
12:39
to just be able to traffic one signal
316
744000
3000
เพื่อที่จะส่งสัญญาณ
12:42
37 times faster than you can click a mouse --
317
747000
3000
ให้เร็วกว่าเมื่อคุณคลิ๊กเม้าส์ไป 37 เท่า
12:45
just for these algorithms,
318
750000
3000
เพื่ออัลกอริทึมพวกนี้
12:48
just for the Carnival and the Knife.
319
753000
3000
เพื่ออัลกอริทึม "เทศกาลฉลอง" กับ "มีด"
12:51
And when you think about this,
320
756000
2000
ลองคิดดูนะครับ
12:53
that we're running through the United States
321
758000
2000
ว่าเราเจาะระเบิดผืนดินสหรัฐอเมริกา
12:55
with dynamite and rock saws
322
760000
3000
ด้วยระเบิดไดนาไมท์และเลื่อยตัดหิน
12:58
so that an algorithm can close the deal
323
763000
2000
เพื่อให้อัลกอริทึมสามารถปิดการซื้อขาย
13:00
three microseconds faster,
324
765000
3000
ได้เร็วขึ้นอีก 3 ไมโครวินาที
13:03
all for a communications framework
325
768000
2000
ทั้งหมดนี้ก็เพื่อกรอบแนวคิดด้านการสื่อสาร
13:05
that no human will ever know,
326
770000
4000
ที่ไม่มีมนุษย์คนไหนจะได้รู้จักหรือใช้งาน
13:09
that's a kind of manifest destiny;
327
774000
3000
นี่เป็นชะตากรรมที่ปรากฏชัดอันหนึ่ง
13:12
and we'll always look for a new frontier.
328
777000
3000
และก็จะขยายพรมแดนความรู้ใหม่ๆ เสมอ
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
โชคร้ายก็คือ เรามีงานที่ถูกคัดสรรไว้ให้แล้ว
13:18
This is just theoretical.
330
783000
2000
นี่เป็นแค่ทฤษฎีครับ
13:20
This is some mathematicians at MIT.
331
785000
2000
นี่ก็แค่นักคณิตศาสตร์ที่สถาบันเทคโนโลยีแมสซาชูเสตต์ (MIT)
13:22
And the truth is I don't really understand
332
787000
2000
ความจริงก็คือ จริงๆแล้ว ผมไม่เข้าใจ
13:24
a lot of what they're talking about.
333
789000
2000
หลายสิ่งหลายอย่างที่พวกเขาพูดกัน
13:26
It involves light cones and quantum entanglement,
334
791000
3000
มันเกี่ยวข้องกับกรวยแสงและความทับซ้อนเชิงควอนตัม
13:29
and I don't really understand any of that.
335
794000
2000
ผมไม่เข้าใจอะไรพวกนี้เอาเสียเลย
13:31
But I can read this map,
336
796000
2000
แต่ผมอ่านแผนที่นี้ได้
13:33
and what this map says
337
798000
2000
แผนที่นี้บอกว่า
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
ถ้าเราพยายามที่จะทำเงินในตลาดหลักทรัพย์ที่มีจุดสีแดงนี้
13:38
that's where people are, where the cities are,
339
803000
2000
ตรงนั้นเป็นตำแหน่งที่มีผู้คนอาศัย เป็นตำแหน่งที่มีเมือง
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
เราจะต้องไปติดตั้งอุปกรณ์คอมพิวเตอร์เซิร์ฟเวอร์ตรงจุดสีน้ำเงินพวกนี้
13:43
to do that most effectively.
341
808000
2000
เพื่อที่จะทำให้ได้ประสิทธิภาพสูงที่สุด
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
และสิ่งที่คุณอาจสังเกตออกเกี่ยวกับจุดสีน้ำเงินพวกนี้
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
ก็คือ จำนวนมากเลยที่อยู่กลางมหาสมุทร
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
ดังนั้นสิ่งที่เราจะทำก็คือ เราจะสร้างฟองอากาศหรืออะไรแบบนั้น
13:54
or platforms.
345
819000
2000
หรือไม่ก็ แท่นปฏิบัติการ
13:56
We'll actually part the water
346
821000
2000
จริงๆแล้ว เราจะแยกน้ำ
13:58
to pull money out of the air,
347
823000
2000
เพื่อดึงเงินออกมาจากอากาศ
14:00
because it's a bright future
348
825000
2000
เพราะว่ามันเป็นอนาคตอันสดใส
14:02
if you're an algorithm.
349
827000
2000
ถ้าคุณคืออัลกอริทึม
14:04
(Laughter)
350
829000
2000
(เสียงหัวเราะ)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
และจริงๆแล้ว ก็ไม่ใช่เงินที่น่าสนใจ
14:09
It's what the money motivates,
352
834000
2000
มันเป็นสิ่งที่ได้รับการกระตุ้นด้วยเงิน
14:11
that we're actually terraforming
353
836000
2000
จริงๆแล้ว เรากำลังแปลงรูปผืนแผ่นดิน
14:13
the Earth itself
354
838000
2000
ให้กับโลกของเรา
14:15
with this kind of algorithmic efficiency.
355
840000
2000
ด้วยประสิทธิภาพเชิงอัลกอริทึมชนิดดังกล่าว
14:17
And in that light,
356
842000
2000
และในประเด็นนี้
14:19
you go back
357
844000
2000
เราต้องย้อนกลับ
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
ไปดูภาพถ่ายของไมเคิล นัจจาร์
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
แล้วคุณก็จะพบว่า มันไม่ใช่การอุปมาเปรียบเทียบ แต่มันเป็นการชี้ชะตา
14:26
They're prophecy
360
851000
2000
มันเป็นการชี้ชะตา
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
ของผลกระทบต่อการไหวสะเทือนของผืนแผ่นดินโลก
14:32
of the math that we're making.
362
857000
2000
ที่จะมาจากคณิตศาสตร์ที่เราสรรสร้างขึ้น
14:34
And the landscape was always made
363
859000
3000
ภูมิทัศน์มักจะถูกสร้าง
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
จากการประสานร่วมแรงแบบอึดอัดพิลึกพิลั่นแบบนี้
14:40
between nature and man.
365
865000
3000
ระหว่างธรรมชาติกับมนุษย์อยู่เสมอ
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
แต่ตอนนี้ มีแรงขับเคลื่อนทางวิวัฒนาการร่วมอย่างที่สาม ก็ อัลกอริทึมไงล่ะครับ
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
อัลกอริทึม "ไพ่สับแบบบอสตัน", "เทศกาลฉลอง"
14:49
And we will have to understand those as nature,
368
874000
3000
และเราจะต้องทำความเข้าใจกับสิ่งพวกนี้ว่าเป็นธรรมชาติแบบหนึ่ง
14:52
and in a way, they are.
369
877000
2000
ในทางหนึ่ง พวกมันก็ใช่อย่างนั้นจริงๆ
14:54
Thank you.
370
879000
2000
ขอบคุณครับ
14:56
(Applause)
371
881000
20000
(เสียงปรบมือ)
ABOUT THE SPEAKER
Kevin Slavin - Algoworld expertKevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.
Why you should listen
Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.
All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.
He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."
Kevin Slavin | Speaker | TED.com