TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Кевин Славин. Как алгоритмите оформят света ни.
Filmed:
Readability: 3.5
4,199,898 views
Кевин Славин твърди, че живеем в свят оформен и нарастващо контролиран от алгоритми. В тази вълнуваща лекция от TEDGlobal, той показва как тези сложни компютърни програми определят неща като: шпионски тактики, цените на борсите, сценарии на филми и архитекура. Той предупреждава, че ние пишем код, който не разбираме, с последици, които не можем да контролираме.
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
Това е снимка
00:17
by the artist Michael Najjar,
1
2000
2000
от фотографа Майкъл Нажар
00:19
and it's real,
2
4000
2000
и тя е истинска
00:21
in the sense that he went there to Argentina
3
6000
2000
в смисъл, че той отишъл до Аржентина
00:23
to take the photo.
4
8000
2000
за да направи снимката.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Но тя също така е и фикция. Много работа е била вложена в нея след това.
00:28
And what he's done
6
13000
2000
И това, което той е направил е
00:30
is he's actually reshaped, digitally,
7
15000
2000
да я промени дигитално,
00:32
all of the contours of the mountains
8
17000
2000
така че контурите на планините
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
да следват промените на индекса Dow Jones.
00:37
So what you see,
10
22000
2000
Това което виждате
00:39
that precipice, that high precipice with the valley,
11
24000
2000
стръмния скат и долината,
00:41
is the 2008 financial crisis.
12
26000
2000
е финансовата криза от 2008.
00:43
The photo was made
13
28000
2000
Снимката е била направена,
00:45
when we were deep in the valley over there.
14
30000
2000
когато ние сме били дълбоко в "долината".
00:47
I don't know where we are now.
15
32000
2000
Не знам къде сме сега.
00:49
This is the Hang Seng index
16
34000
2000
Това е Hang Seng индекса
00:51
for Hong Kong.
17
36000
2000
за Хонг Конг.
00:53
And similar topography.
18
38000
2000
И топографията е сходна.
00:55
I wonder why.
19
40000
2000
Чудя се защо.
00:57
And this is art. This is metaphor.
20
42000
3000
И това е изкуство. Това е метафора.
01:00
But I think the point is
21
45000
2000
Но мисля, че смисълът е,
01:02
that this is metaphor with teeth,
22
47000
2000
че това е силна метафора.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
И със силата на тази метафора искам да предложа
01:07
that we rethink a little bit
24
52000
2000
да преосмислим
01:09
about the role of contemporary math --
25
54000
3000
ролята на съвременната математика --
01:12
not just financial math, but math in general.
26
57000
3000
не само финансовата математика, но математиката изцяло.
01:15
That its transition
27
60000
2000
Това е трансформация
01:17
from being something that we extract and derive from the world
28
62000
3000
от нещо което ние извличаме от света
01:20
to something that actually starts to shape it --
29
65000
3000
към нещо което започва да го оформя.
01:23
the world around us and the world inside us.
30
68000
3000
от нещо, което е в нас и нещо, което е извън нас.
01:26
And it's specifically algorithms,
31
71000
2000
И това са специфични алгоритми,
01:28
which are basically the math
32
73000
2000
които са в основата си математиката,
01:30
that computers use to decide stuff.
33
75000
3000
която компютрите използват, за да взимат решения.
01:33
They acquire the sensibility of truth
34
78000
2000
Те придобиват чувствителност за истината,
01:35
because they repeat over and over again,
35
80000
2000
защото повтарят отново и отново нещата.
01:37
and they ossify and calcify,
36
82000
3000
Превръщат нещата в кокали, калцифицират ги
01:40
and they become real.
37
85000
2000
и така те се превръщат в истински.
01:42
And I was thinking about this, of all places,
38
87000
3000
Така се случи, че мислех за всичко това
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
по време на презокеански полет преди няколко години,
01:48
because I happened to be seated
40
93000
2000
защото се оказа че седях
01:50
next to a Hungarian physicist about my age
41
95000
2000
до унгарски физик на моята възраст
01:52
and we were talking
42
97000
2000
и разговаряхме
01:54
about what life was like during the Cold War
43
99000
2000
за това как е бил животът по време на Студената война
01:56
for physicists in Hungary.
44
101000
2000
за физиците в Унгария.
01:58
And I said, "So what were you doing?"
45
103000
2000
И така аз го попитах "И с какво се занимавахте ?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
И той отговори, че основно е разкривал невидимите самолети (стелт).
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
И аз отбелязах: " Това е интересна работа.
02:04
How does that work?"
48
109000
2000
Как функционира?"
02:06
And to understand that,
49
111000
2000
За да разберете това,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
трябва да научите малко повече как работи стелт технологията.
02:11
And so -- this is an over-simplification --
51
116000
3000
И така този пример е прекалено опростен,
02:14
but basically, it's not like
52
119000
2000
но принципно не е така,
02:16
you can just pass a radar signal
53
121000
2000
че просто може да пуснете радарен сигнал
02:18
right through 156 tons of steel in the sky.
54
123000
3000
през 156 тона стомана в небето.
02:21
It's not just going to disappear.
55
126000
3000
Той няма просто да изчезне.
02:24
But if you can take this big, massive thing,
56
129000
3000
Но ако вземете това голямо, масивно нещо
02:27
and you could turn it into
57
132000
3000
и го превърнете в
02:30
a million little things --
58
135000
2000
милиони малки неща
02:32
something like a flock of birds --
59
137000
2000
- нещо като ято птици -
02:34
well then the radar that's looking for that
60
139000
2000
тогава радарът, който го търси,
02:36
has to be able to see
61
141000
2000
ще бъде в състояние да открие
02:38
every flock of birds in the sky.
62
143000
2000
всяко ято птици в небето.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
И ако сте радар, това е наистина гадна работа.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
И той отговори: "Да. Но това е само ако си радар.
02:47
So we didn't use a radar;
65
152000
2000
Ние не използвахме радар;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
ние направихме черна кутия, която търсеше електрични сигнали,
02:52
electronic communication.
67
157000
3000
електронна комуникация.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
И където и да видехме ято птици, които имаха електронна комуникация,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
мислехме, че те имат някаква връзка с американците.
03:01
And I said, "Yeah.
70
166000
2000
"Да." казах аз.
03:03
That's good.
71
168000
2000
"Това е добре.
03:05
So you've effectively negated
72
170000
2000
Така вие сте неутрализирали
03:07
60 years of aeronautic research.
73
172000
2000
60 години астронавски изследвания.
03:09
What's your act two?
74
174000
2000
И какво стана след това?
03:11
What do you do when you grow up?"
75
176000
2000
Какво направихте, когато порастнахте?"
03:13
And he said,
76
178000
2000
И той каза:
03:15
"Well, financial services."
77
180000
2000
" Ами заех се с финансови услуги."
03:17
And I said, "Oh."
78
182000
2000
Аз възкликнах.
03:19
Because those had been in the news lately.
79
184000
3000
Защото това беше в новините в последно време.
03:22
And I said, "How does that work?"
80
187000
2000
И го попитах как функционира това?
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
Той отговори: " В момента има около 2.000 физика на Wall Street
03:26
and I'm one of them."
82
191000
2000
и аз съм един от тях."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
Попитах го каква е черната кутия на Wall Street.
03:31
And he said, "It's funny you ask that,
84
196000
2000
Доста е забавно, че задавате този въпрос,
03:33
because it's actually called black box trading.
85
198000
3000
защото това се нарича точно търговията на черната кутия.
03:36
And it's also sometimes called algo trading,
86
201000
2000
Нарича се също и алго търговия -
03:38
algorithmic trading."
87
203000
3000
идва от алгоритмична търговия."
03:41
And algorithmic trading evolved in part
88
206000
3000
И тази алгоритмична търговия се развива отчасти,
03:44
because institutional traders have the same problems
89
209000
3000
защото брокерите имат същите проблеми,
03:47
that the United States Air Force had,
90
212000
3000
които са имали американски военновъздушни сили,
03:50
which is that they're moving these positions --
91
215000
3000
те движат тези позиции -
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
все едно е дали ще бъдат Proctor & Gamble или Accenture -
03:55
they're moving a million shares of something
93
220000
2000
те движат милиони акции от нещо
03:57
through the market.
94
222000
2000
през пазара.
03:59
And if they do that all at once,
95
224000
2000
И ако го правят едновременно,
04:01
it's like playing poker and going all in right away.
96
226000
2000
това е като да влезеш с всичко вътре.
04:03
You just tip your hand.
97
228000
2000
Просто играеш "ръка".
04:05
And so they have to find a way --
98
230000
2000
И така брокерите трябва да намерят начин -
04:07
and they use algorithms to do this --
99
232000
2000
и те използват алгоритми, за да го направят -
04:09
to break up that big thing
100
234000
2000
за да разчупят това голямо нещо
04:11
into a million little transactions.
101
236000
2000
на милиони малки транзакции.
04:13
And the magic and the horror of that
102
238000
2000
И магията и кошмарът тук е, че
04:15
is that the same math
103
240000
2000
това е същата математика,
04:17
that you use to break up the big thing
104
242000
2000
която използваш, за да разбиеш голямото нещо
04:19
into a million little things
105
244000
2000
на милиони малки неща,
04:21
can be used to find a million little things
106
246000
2000
може да бъде използвана, за да намериш милиони малки неща
04:23
and sew them back together
107
248000
2000
и да ги зашие едно за друго
04:25
and figure out what's actually happening in the market.
108
250000
2000
и така да разбере какво всъщност се случва на пазара.
04:27
So if you need to have some image
109
252000
2000
И така ако трябва да придобиете картина
04:29
of what's happening in the stock market right now,
110
254000
3000
какво се случва в момента на борсата,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
може да изобразите купчина алгоритми,
04:34
that are basically programmed to hide,
112
259000
3000
които са програмирани да крият
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
и друга купчина алгоритми, които имат задачата да ги открият и да действат.
04:40
And all of that's great, and it's fine.
114
265000
3000
И всичко това е страхотно и е добре.
04:43
And that's 70 percent
115
268000
2000
И това са 70 процента
04:45
of the United States stock market,
116
270000
2000
от борсата на Съединените Щати,
04:47
70 percent of the operating system
117
272000
2000
70 процента от оперативната система
04:49
formerly known as your pension,
118
274000
3000
формално наречена твоята пенсия,
04:52
your mortgage.
119
277000
3000
твоята ипотека.
04:55
And what could go wrong?
120
280000
2000
И какво може да се обърка тук?
04:57
What could go wrong
121
282000
2000
Хм, ами това което може да се обърка
04:59
is that a year ago,
122
284000
2000
е че преди година
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
9 процента от целия пазар просто изчезнаха в рамките на 5 минути
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
и това се нарича светкавичния краш от 2:45.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Изведнъж 9 процента от пазарната стойност просто изчезна
05:10
and nobody to this day
126
295000
2000
и никой до ден днешен
05:12
can even agree on what happened
127
297000
2000
не може да постигне консенсус какво точно се е случило,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
защото никой не го е поръчвал, никой не е питал за него.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Никой нямаше реален контрол над това, което се случва.
05:20
All they had
130
305000
2000
Всичко, което те имаха
05:22
was just a monitor in front of them
131
307000
2000
беше просто монитор,
05:24
that had the numbers on it
132
309000
2000
който имаше числа по него
05:26
and just a red button
133
311000
2000
и един червен бутон,
05:28
that said, "Stop."
134
313000
2000
който казваше "Стоп".
05:30
And that's the thing,
135
315000
2000
И точно това е проблемът,
05:32
is that we're writing things,
136
317000
2000
пишем неща,
05:34
we're writing these things that we can no longer read.
137
319000
3000
пишем неща, които вече не можем да прочетем.
05:37
And we've rendered something
138
322000
2000
И изоставяме нещо, което
05:39
illegible,
139
324000
2000
е нечетливо.
05:41
and we've lost the sense
140
326000
3000
Вече сме загубили чувството
05:44
of what's actually happening
141
329000
2000
какво се случва вдействителност
05:46
in this world that we've made.
142
331000
2000
в света, който самите ние сме създали.
05:48
And we're starting to make our way.
143
333000
2000
И започваме да създаваме нашия начин за тълкуването на нещата.
05:50
There's a company in Boston called Nanex,
144
335000
3000
Има една компания в Бостън наречена Nanex
05:53
and they use math and magic
145
338000
2000
и те използват точно математика и магия
05:55
and I don't know what,
146
340000
2000
и аз не знам точно какво
05:57
and they reach into all the market data
147
342000
2000
и те достигат до всички пазарни данни
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
и намират понякога някои от онези алгоритми.
06:02
And when they find them they pull them out
149
347000
3000
И когато ги откриват, ги "издърпват от системата"
06:05
and they pin them to the wall like butterflies.
150
350000
3000
и ги забождат на стената като пеперуди.
06:08
And they do what we've always done
151
353000
2000
И те правят това, което ние винаги правим,
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
когато се конфронтираме с голям брой данни, които не разбираме -
06:13
which is that they give them a name
153
358000
2000
дават им имена
06:15
and a story.
154
360000
2000
и история.
06:17
So this is one that they found,
155
362000
2000
И така това е един от алгоритмите, които те са открили,
06:19
they called the Knife,
156
364000
4000
наричат го Нож,
06:23
the Carnival,
157
368000
2000
Карнавал,
06:25
the Boston Shuffler,
158
370000
4000
Бостънският Картоиграч,
06:29
Twilight.
159
374000
2000
Сумрач.
06:31
And the gag is
160
376000
2000
И номерът е,
06:33
that, of course, these aren't just running through the market.
161
378000
3000
че те разбира се не тичат просто през пазара.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Вие можете да откриете това навсякъде, където и да погледнете
06:39
once you learn how to look for them.
163
384000
2000
само трябва да се научите къде да гледате за тях.
06:41
You can find it here: this book about flies
164
386000
3000
Ето ви един пример: тази книга за мухи,
06:44
that you may have been looking at on Amazon.
165
389000
2000
която може би сте търсили в Амазон.
06:46
You may have noticed it
166
391000
2000
Може би сте я забелязали,
06:48
when its price started at 1.7 million dollars.
167
393000
2000
когато цената и доближи 1,7 милиона долара.
06:50
It's out of print -- still ...
168
395000
2000
Тогава тиражът и е изчерпан.
06:52
(Laughter)
169
397000
2000
Смях в залата
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Ако си я бяхте купили по това време, щеше да бъде изгодно.
06:57
A few hours later, it had gone up
171
402000
2000
След няколко часа цената се качи и
06:59
to 23.6 million dollars,
172
404000
2000
стигна 23,6 милиона долара
07:01
plus shipping and handling.
173
406000
2000
плюс транспорт и комисионна.
07:03
And the question is:
174
408000
2000
И така въпросът е:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Никой не купуваше или продаваше - и така какво се случи?
07:07
And you see this behavior on Amazon
176
412000
2000
И така вие може да видите това поведение в Amazon
07:09
as surely as you see it on Wall Street.
177
414000
2000
по същия начин, по който може да го видите на Wall Street.
07:11
And when you see this kind of behavior,
178
416000
2000
И когато видите това поведени,
07:13
what you see is the evidence
179
418000
2000
това което виждате е доказателство
07:15
of algorithms in conflict,
180
420000
2000
на алгоритми в конфликт,
07:17
algorithms locked in loops with each other,
181
422000
2000
алгоритми свързани взаимно в цикъл,
07:19
without any human oversight,
182
424000
2000
без човешка намеса,
07:21
without any adult supervision
183
426000
3000
без наблюдение на възръстен,
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
който да каже " Всъщност 1.7 милиона са много."
07:27
(Laughter)
185
432000
3000
Смях в залата.
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
Както е с Amazon, така е и с Netflix.
07:33
And so Netflix has gone through
187
438000
2000
И така Netflix преминава през
07:35
several different algorithms over the years.
188
440000
2000
няколко различни алгоритма през годините.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Започнаха със Cinematch и след това опитаха още няколко.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
Използваха Планетата на Динозаврите, след това Гравитация.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Сега използват Парагматичен хаос.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Прагматичен хаос е като всички други алгоритми на Netflix,
07:46
trying to do the same thing.
193
451000
2000
опитващи се да правят едно и също нещо.
07:48
It's trying to get a grasp on you,
194
453000
2000
Опитва се да те сграбчи,
07:50
on the firmware inside the human skull,
195
455000
2000
да сграбчи фините части в мозъка ти,
07:52
so that it can recommend what movie
196
457000
2000
така че да ти препоръча филм,
07:54
you might want to watch next --
197
459000
2000
който може би ще ти се прииска да гледаш следващия път -
07:56
which is a very, very difficult problem.
198
461000
3000
което от своя страна е много труден проблем.
07:59
But the difficulty of the problem
199
464000
2000
Но трудността на проблема
08:01
and the fact that we don't really quite have it down,
200
466000
3000
и фактът, че ние не винаги го разбираме
08:04
it doesn't take away
201
469000
2000
не променя
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
ефекта на Прагматичния Хаос.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Прагматичният хаос, подобно на всички алгоритми на Netflix
08:11
determines, in the end,
204
476000
2000
решава накрая, че
08:13
60 percent
205
478000
2000
60 процента
08:15
of what movies end up being rented.
206
480000
2000
от всички филми в края на краищата ще бъдат взети под наем.
08:17
So one piece of code
207
482000
2000
И така едно парче код
08:19
with one idea about you
208
484000
3000
с една идея относно теб
08:22
is responsible for 60 percent of those movies.
209
487000
3000
е отговорно за 60 процента от тези филми.
08:25
But what if you could rate those movies
210
490000
2000
Но какво ще стане, ако можете да давате оценка на тези филми,
08:27
before they get made?
211
492000
2000
още преди да бъдат направени?
08:29
Wouldn't that be handy?
212
494000
2000
Това няма ли да бъде доста удобно?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
И така, няколко учени, занимаващи се с оценка на данни от Великобритания са в Холивуд
08:34
and they have "story algorithms" --
214
499000
2000
и те са развили тези алгоритми -
08:36
a company called Epagogix.
215
501000
2000
компанията им се казва Epagogix.
08:38
And you can run your script through there,
216
503000
3000
Можете да пуснеш сценария си през техните алгоритми,
08:41
and they can tell you, quantifiably,
217
506000
2000
и те ще ви дадат количествен отговор,
08:43
that that's a 30 million dollar movie
218
508000
2000
дали това е филм, който ще ти донесе 30
08:45
or a 200 million dollar movie.
219
510000
2000
или 200 милиона.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
И работата е в това, че това не е Google.
08:49
This isn't information.
221
514000
2000
Не е информация.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Това не е и финансова статистика, това е култура.
08:53
And what you see here,
223
518000
2000
И това, което виждате тук
08:55
or what you don't really see normally,
224
520000
2000
или по-скоро това, което не виждате обикновено
08:57
is that these are the physics of culture.
225
522000
4000
е че това е физиката на културата.
09:01
And if these algorithms,
226
526000
2000
И така ако тези алгоритми,
09:03
like the algorithms on Wall Street,
227
528000
2000
подобно на алгоритмите на Wall Street,
09:05
just crashed one day and went awry,
228
530000
3000
един ден просто се сринат и увредят
09:08
how would we know?
229
533000
2000
как ще разберем
09:10
What would it look like?
230
535000
2000
как би изглеждало?
09:12
And they're in your house. They're in your house.
231
537000
3000
И така те са в твоята къща. Те са в къщата ти.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Това са два алгоритма борещи се за хола ви.
09:17
These are two different cleaning robots
233
542000
2000
Това са два почистващи робота,
09:19
that have very different ideas about what clean means.
234
544000
3000
имащи различна идея какво значи чистота.
09:22
And you can see it
235
547000
2000
И можете да го видите,
09:24
if you slow it down and attach lights to them,
236
549000
3000
ако ги забавите или им монтирате светлини.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
И те са нещо като тайни архитекти в спалнята ви.
09:30
And the idea that architecture itself
238
555000
3000
И така идеята, че архитектурата сама по себе си
09:33
is somehow subject to algorithmic optimization
239
558000
2000
е обект на оптимизиране на алгоритми
09:35
is not far-fetched.
240
560000
2000
не е толкова нереална.
09:37
It's super-real and it's happening around you.
241
562000
3000
Всъщност тя е супер реална и тя се случва около вас.
09:40
You feel it most
242
565000
2000
Най-ясно я чувствате,
09:42
when you're in a sealed metal box,
243
567000
2000
когато се намирате в запечатана метална кутия,
09:44
a new-style elevator;
244
569000
2000
тези модерни асансьори,
09:46
they're called destination-control elevators.
245
571000
2000
които се наричат асансьори контролиращи посоката.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Това са тези асансьори, в които трябва да натиснеш етажа,
09:51
before you get in the elevator.
247
576000
2000
преди да се качиш на асансьора.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
И те използват алгоритъм за сортиране на контейнери.
09:55
So none of this mishegas
249
580000
2000
Това не са онези безумия
09:57
of letting everybody go into whatever car they want.
250
582000
2000
да позволиш на всеки да се качи, в която кола би му се приискало.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Всеки, който иска да се качи на 10 етаж се качва на втората кола
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
и всеки, който иска да се качи на третия етаж отива в кола пет.
10:04
And the problem with that
253
589000
2000
И проблемът с това е,
10:06
is that people freak out.
254
591000
2000
че хората се побъркват.
10:08
People panic.
255
593000
2000
Хората се паникьосват.
10:10
And you see why. You see why.
256
595000
2000
И вие разбирате защо.
10:12
It's because the elevator
257
597000
2000
Защото в асансьора
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
липсва нещо важно като копчетата.
10:17
(Laughter)
259
602000
2000
Смях в залата.
10:19
Like the things that people use.
260
604000
2000
Това са нещата, които хората използват.
10:21
All it has
261
606000
2000
Всичко, което има такъв асансьор
10:23
is just the number that moves up or down
262
608000
3000
е просто номерът, който показва дали асансьорът се качва или слиза
10:26
and that red button that says, "Stop."
263
611000
3000
и червеният бутон, на който пише "Стоп".
10:29
And this is what we're designing for.
264
614000
3000
И затова сме създали дизайна.
10:32
We're designing
265
617000
2000
Направили сме дизайна
10:34
for this machine dialect.
266
619000
2000
за диалекта на тази машина.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
И колко далече можете да стигнете така?
10:39
You can take it really, really far.
268
624000
2000
Можете да стигнете наистина много далече.
10:41
So let me take it back to Wall Street.
269
626000
3000
И така нека се върнем към Wall Street.
10:45
Because the algorithms of Wall Street
270
630000
2000
Защото алгоритмите на Wall Street
10:47
are dependent on one quality above all else,
271
632000
3000
зависят от едно много важно условие,
10:50
which is speed.
272
635000
2000
което е скоростта.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
И те работят в рамките на мили и микросекунди.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Тук просто искам да ви дам усещането какво са микросекунди,
10:57
it takes you 500,000 microseconds
275
642000
2000
отнема 500,000 микоросекунди,
10:59
just to click a mouse.
276
644000
2000
само за да натиснете мишката.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Но ако си алгоритъм на Wall Street
11:03
and you're five microseconds behind,
278
648000
2000
и имаш 5 микросекунди закъснение,
11:05
you're a loser.
279
650000
2000
то ти си загубеняк.
11:07
So if you were an algorithm,
280
652000
2000
И така ако си алгоритъм,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
ще се оглеждате за архитект, като онзи, когото срещнах във Франкфурт.
11:12
who was hollowing out a skyscraper --
282
657000
2000
Той изпразваше небостъргачите -
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
всички мебели, цялата инфраструктура важна за човешките нужди
11:17
and just running steel on the floors
284
662000
3000
и просто полагаше стомана на пода,
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
за да приготви небостъргача за сървърите, които трябваше да бъдат положени там -
11:23
all so an algorithm
286
668000
2000
също и алгоритъм,
11:25
could get close to the Internet.
287
670000
3000
с който може да се стигне по-близо до интернет.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
И вие възприематe интернет като вид дистрибуторска система.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
И разбира се това е така, но дистрибуцията става отнякъде.
11:34
In New York, this is where it's distributed from:
290
679000
2000
В Ню Йорк това става от това място:
11:36
the Carrier Hotel
291
681000
2000
Carrier Hotel
11:38
located on Hudson Street.
292
683000
2000
намиращ се на Hudson Street.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
И това е мястото, от което кабелите идват в града.
11:43
And the reality is that the further away you are from that,
294
688000
4000
И реалността е, че колкото по-далече сте от това място,
11:47
you're a few microseconds behind every time.
295
692000
2000
толкова по-далече сте от времето.
11:49
These guys down on Wall Street,
296
694000
2000
Момчетата на Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo и Cherokee Nation,
11:53
they're eight microseconds
298
698000
2000
те са осем микросекунди
11:55
behind all these guys
299
700000
2000
след другите момчета,
11:57
going into the empty buildings being hollowed out
300
702000
4000
които влизат в онази изпразнена сграда
12:01
up around the Carrier Hotel.
301
706000
2000
на Carrier Hotel.
12:03
And that's going to keep happening.
302
708000
3000
И това ще продължи да се случва.
12:06
We're going to keep hollowing them out,
303
711000
2000
И ние ще продължим да ги изпразваме,
12:08
because you, inch for inch
304
713000
3000
защото инч по инч
12:11
and pound for pound and dollar for dollar,
305
716000
3000
и паунд по паунд и долар по долар,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
никой няма да може да изстиска печалба от това място
12:17
like the Boston Shuffler could.
307
722000
3000
по начина , по който Бостънския картоиграч би успял.
12:20
But if you zoom out,
308
725000
2000
Но ако намалите мащаба,
12:22
if you zoom out,
309
727000
2000
ако намалите мащаба,
12:24
you would see an 825-mile trench
310
729000
4000
вие ще видите 825 мили канавка
12:28
between New York City and Chicago
311
733000
2000
между Ню Йорк и Чикаго,
12:30
that's been built over the last few years
312
735000
2000
която беше построена през последните няколко години
12:32
by a company called Spread Networks.
313
737000
3000
от компания наречена Spread Networks.
12:35
This is a fiber optic cable
314
740000
2000
Това е оптичен кабел,
12:37
that was laid between those two cities
315
742000
2000
който е поставен между тези два града,
12:39
to just be able to traffic one signal
316
744000
3000
просто за да бъде в състояние да предаде един сигнал
12:42
37 times faster than you can click a mouse --
317
747000
3000
37 пъти по-бързо от скоростта, с която можете да кликнете мишката -
12:45
just for these algorithms,
318
750000
3000
просто заради тези алгоритми,
12:48
just for the Carnival and the Knife.
319
753000
3000
само заради Карнавала и Ножа.
12:51
And when you think about this,
320
756000
2000
И когато се замислите,
12:53
that we're running through the United States
321
758000
2000
че ние тичаме през Съединените Щати
12:55
with dynamite and rock saws
322
760000
3000
с динамит и трион за скали,
12:58
so that an algorithm can close the deal
323
763000
2000
така че един алгоритъм да може да затвори сделката
13:00
three microseconds faster,
324
765000
3000
три милисекунди по-бързо,
13:03
all for a communications framework
325
768000
2000
и всичко това заради някаква комуникационна рамка,
13:05
that no human will ever know,
326
770000
4000
която никой човек няма никога да разбере,
13:09
that's a kind of manifest destiny;
327
774000
3000
това е нещо като демонстративна съдба
13:12
and we'll always look for a new frontier.
328
777000
3000
и винаги ще търси нови граници.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
За нещастие ние си имаме нашата работа вече подготвена за нас.
13:18
This is just theoretical.
330
783000
2000
Това е просто теория.
13:20
This is some mathematicians at MIT.
331
785000
2000
Това е просто математици от MIT.
13:22
And the truth is I don't really understand
332
787000
2000
И истината е, че аз не разбирам наистина
13:24
a lot of what they're talking about.
333
789000
2000
много от нещата, за които те говорят.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Тя включва снопове светлина и квантови оплитания,
13:29
and I don't really understand any of that.
335
794000
2000
и аз не разбирам нито един от тях.
13:31
But I can read this map,
336
796000
2000
Но аз мога да чета тази карта.
13:33
and what this map says
337
798000
2000
И това, което тя казва
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
е че, ако се опитваш да правиш пари на пазарите, отбелязани с червени точки,
13:38
that's where people are, where the cities are,
339
803000
2000
това са където са хората, където са градовете,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
тоест трябва да поставиш сървърите на местата със сините точки,
13:43
to do that most effectively.
341
808000
2000
за да изпълниш плана си по-ефективно.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
И може би забелязвате,
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
че повечето точки са насред океана.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
И така това е нещото, което ще направим - ще направим балончета или нещо друго,
13:54
or platforms.
345
819000
2000
или платформи,
13:56
We'll actually part the water
346
821000
2000
които всъщност ще са част от водата
13:58
to pull money out of the air,
347
823000
2000
и ще дърпат пари от въздуха,
14:00
because it's a bright future
348
825000
2000
защото бъдещето е светло,
14:02
if you're an algorithm.
349
827000
2000
ако си алгоритъм.
14:04
(Laughter)
350
829000
2000
Смях в залата.
14:06
And it's not the money that's so interesting actually.
351
831000
3000
И всъщност не са парите, нещото, което е толкова интересно.
14:09
It's what the money motivates,
352
834000
2000
Става въпрос за това, което парите мотивират.
14:11
that we're actually terraforming
353
836000
2000
Това, че ние всъщност оформяме
14:13
the Earth itself
354
838000
2000
самата Земя
14:15
with this kind of algorithmic efficiency.
355
840000
2000
с нещо като алгоритмична ефективност.
14:17
And in that light,
356
842000
2000
И в тази светлина
14:19
you go back
357
844000
2000
ви се връщате назад
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
и поглеждате фотографиите на Мишел Нажар
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
и осъзнавате, че те не са просто метафора, а че те са пророчество.
14:26
They're prophecy
360
851000
2000
Те са пророчество
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
за вида на сеизмичните, земни ефекти
14:32
of the math that we're making.
362
857000
2000
на математиката, която правим.
14:34
And the landscape was always made
363
859000
3000
И пейзажът беше винаги оформян
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
от онзи вид странно, неудобно сътрудничество
14:40
between nature and man.
365
865000
3000
между природата и хората.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Но вече имаме онази трета ко-еволюционна сила: алгоритмите -
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
Бостънския картоиграч, Карнавала.
14:49
And we will have to understand those as nature,
368
874000
3000
И ще се наложи да ги разберем като природата.
14:52
and in a way, they are.
369
877000
2000
И по някакъв начин те са.
14:54
Thank you.
370
879000
2000
Благодаря ви.
14:56
(Applause)
371
881000
20000
(Аплодисменти)
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