TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Jak algoritmy přetvářejí náš svět
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin tvrdí, že žijeme ve světě utvořeném a čím dál více i ovládaném algoritmy. V této velmi zajímavé přednášce z TEDGlobal ukazuje, jakým způsobem tyto komplexní počítačové programy určují špionážní taktiky, ceny akcií, scénáře a architekturu. A také varuje, že často tvoříme kód, kterému nerozumíme a v rámci interakcí s jinými kódy může vytvářet události, které nedokážeme kontrolovat.
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
Tohle je fotka
00:17
by the artist Michael Najjar,
1
2000
2000
vytvořená umělcem, který se jmenuje Michael Najjar,
00:19
and it's real,
2
4000
2000
a je reálná
00:21
in the sense that he went there to Argentina
3
6000
2000
protože jel do Argentiny,
00:23
to take the photo.
4
8000
2000
aby to vyfotil.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Ale je to taky fikce. Hodně na té fotce pracoval i potom.
00:28
And what he's done
6
13000
2000
A tady je co udělal:
00:30
is he's actually reshaped, digitally,
7
15000
2000
digitálně upravil
00:32
all of the contours of the mountains
8
17000
2000
všechny obrysy a vrcholky hor,
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
aby vypadaly jako vývoj Dow Jones indexu.
00:37
So what you see,
10
22000
2000
Takže to, co vidíte,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
ten sráz, ta stěna s údolím,
00:41
is the 2008 financial crisis.
12
26000
2000
je finanční krize v roce 2008.
00:43
The photo was made
13
28000
2000
Ta fotka byla vytvořená,
00:45
when we were deep in the valley over there.
14
30000
2000
když jsme byli hluboko v tamtom údolí.
00:47
I don't know where we are now.
15
32000
2000
Netuším, kde jsme teď.
00:49
This is the Hang Seng index
16
34000
2000
Tohle je Hang Seng index
00:51
for Hong Kong.
17
36000
2000
pro Hong Kong.
00:53
And similar topography.
18
38000
2000
A podobný tvar.
00:55
I wonder why.
19
40000
2000
Přemýšlím proč.
00:57
And this is art. This is metaphor.
20
42000
3000
A tohle je umění. Tohle je metafora.
01:00
But I think the point is
21
45000
2000
Ale myslím, že je důležité,
01:02
that this is metaphor with teeth,
22
47000
2000
že je to břitká metafora.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
A stejně ostře bych rád dnes navrhl,
01:07
that we rethink a little bit
24
52000
2000
abychom se trochu zamysleli
01:09
about the role of contemporary math --
25
54000
3000
nad rolí matematiky,
01:12
not just financial math, but math in general.
26
57000
3000
nejenom finanční matematiky, ale matematiky obecně.
01:15
That its transition
27
60000
2000
A její přerod
01:17
from being something that we extract and derive from the world
28
62000
3000
z něčeho, co jsme dostávali a odvozovali ze světa
01:20
to something that actually starts to shape it --
29
65000
3000
v něco, co začíná svět, kolem nás
01:23
the world around us and the world inside us.
30
68000
3000
a v nás, utvářet.
01:26
And it's specifically algorithms,
31
71000
2000
A jsou to především algoritmy,
01:28
which are basically the math
32
73000
2000
které jsou vlastně matematika,
01:30
that computers use to decide stuff.
33
75000
3000
kterou používají počítače, aby rozhodovali věci.
01:33
They acquire the sensibility of truth
34
78000
2000
Učí se být citlivé vůči podstatě,
01:35
because they repeat over and over again,
35
80000
2000
protože se opakují pořád dokola.
01:37
and they ossify and calcify,
36
82000
3000
A tak kostnatí
01:40
and they become real.
37
85000
2000
a stávají se reálnými.
01:42
And I was thinking about this, of all places,
38
87000
3000
A přemýšlel jsem o tom hlavně,
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
když jsem letěl před několika lety přes Atlantik,
01:48
because I happened to be seated
40
93000
2000
protože jsem se náhodou ocitl
01:50
next to a Hungarian physicist about my age
41
95000
2000
vedle maďarského fyzika, zhruba stejně starého.
01:52
and we were talking
42
97000
2000
A tak jsme si povídali
01:54
about what life was like during the Cold War
43
99000
2000
o tom, jaký byl život během studené války
01:56
for physicists in Hungary.
44
101000
2000
pro fyziky v Maďarsku.
01:58
And I said, "So what were you doing?"
45
103000
2000
A tak mu říkám: "Co jste tenkrát dělali?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
On na to: "Tak, hlavně jsme se snažili prolomit maskovací technologie."
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
"To je dobrá práce, to je zajímavé.
02:04
How does that work?"
48
109000
2000
Jak to fungovalo?"
02:06
And to understand that,
49
111000
2000
A abyste tomu porozuměli,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
musíte trochu vědět, jak fungují maskovací technologie.
02:11
And so -- this is an over-simplification --
51
116000
3000
No, hodně to zjednodušuji,
02:14
but basically, it's not like
52
119000
2000
ale vlastně… nemůžete
02:16
you can just pass a radar signal
53
121000
2000
jen tak dostat radarový signál
02:18
right through 156 tons of steel in the sky.
54
123000
3000
skrz 156 tun železa, co je ve vzduchu.
02:21
It's not just going to disappear.
55
126000
3000
Jen tak to nezmizí.
02:24
But if you can take this big, massive thing,
56
129000
3000
Ale když dokážete vzít tuhle obrovskou masivní věc
02:27
and you could turn it into
57
132000
3000
a změnit ji v
02:30
a million little things --
58
135000
2000
milion malých věcí,
02:32
something like a flock of birds --
59
137000
2000
něco jako hejno ptáků,
02:34
well then the radar that's looking for that
60
139000
2000
tak radar, který to hledá,
02:36
has to be able to see
61
141000
2000
musí vidět
02:38
every flock of birds in the sky.
62
143000
2000
každé hejno ptáků na obloze.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
A pokud jste radar, tak je to fakt blbej úkol.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
A on mi na to povídá: "Jasně, pokud jsi radar.
02:47
So we didn't use a radar;
65
152000
2000
Takže jsme nepoužili radar.
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
Postavili jsme černou skříňku, která hledá elektronické signály,
02:52
electronic communication.
67
157000
3000
elektronickou komunikaci.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
A když jsme viděli hejno ptáků, ve kterém byla nějaká elektronická komunikace,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
řekli jsme si, že to asi bude mít co dělat s Američany."
03:01
And I said, "Yeah.
70
166000
2000
A já mu povídám: "Jo,
03:03
That's good.
71
168000
2000
to je dobrý.
03:05
So you've effectively negated
72
170000
2000
Takže jste v podstatě zničili
03:07
60 years of aeronautic research.
73
172000
2000
60 let leteckého výzkumu.
03:09
What's your act two?
74
174000
2000
Co je druhé dějství?
03:11
What do you do when you grow up?"
75
176000
2000
Co děláš, když jsi vyrostl?"
03:13
And he said,
76
178000
2000
On na to:
03:15
"Well, financial services."
77
180000
2000
"To víš, finanční služby."
03:17
And I said, "Oh."
78
182000
2000
Já mu povídám: "Hmm."
03:19
Because those had been in the news lately.
79
184000
3000
Protože zrovna nedávno byly ve zprávách.
03:22
And I said, "How does that work?"
80
187000
2000
Tak se ho ptám: "Jak to funguje?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
A on na to: "Na Wall Street je teď 2000 fyziků
03:26
and I'm one of them."
82
191000
2000
a já jsem jeden z nich."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
"A jaká je černá skříňka pro Wall Street?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
A on povídá: "To je vtipný, že se ptáš zrovna takhle,
03:33
because it's actually called black box trading.
85
198000
3000
protože se tomu říká obchodování přes černou skříňku.
03:36
And it's also sometimes called algo trading,
86
201000
2000
Nebo taky občas algo obchodování,
03:38
algorithmic trading."
87
203000
3000
algoritmické obchodování."
03:41
And algorithmic trading evolved in part
88
206000
3000
A algoritmické obchodování se rozvinulo zčásti proto,
03:44
because institutional traders have the same problems
89
209000
3000
že institucionální obchodníci měli stejné problémy,
03:47
that the United States Air Force had,
90
212000
3000
jako mělo letectvo Spojených států,
03:50
which is that they're moving these positions --
91
215000
3000
protože přetvářeli své finanční pozice,
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
ať to byl Proctor & Gamble nebo Accenture, to je jedno,
03:55
they're moving a million shares of something
93
220000
2000
přesouvali miliony akcií něčeho
03:57
through the market.
94
222000
2000
skrz trh.
03:59
And if they do that all at once,
95
224000
2000
A pokud by to udělali všechno najednou,
04:01
it's like playing poker and going all in right away.
96
226000
2000
bylo by to jako hrát poker a hned vsadit všechno.
04:03
You just tip your hand.
97
228000
2000
Všichni by věděli, co plánují.
04:05
And so they have to find a way --
98
230000
2000
A tak potřebovali najít způsob,
04:07
and they use algorithms to do this --
99
232000
2000
jak rozdělit jednu velkou věc
04:09
to break up that big thing
100
234000
2000
na milion malých transakcí –
04:11
into a million little transactions.
101
236000
2000
a k tomu použili algoritmy.
04:13
And the magic and the horror of that
102
238000
2000
A to kouzlo a děs je v tom,
04:15
is that the same math
103
240000
2000
že ta stejná matematika,
04:17
that you use to break up the big thing
104
242000
2000
kterou používáme, abychom rozdělili jednu velkou věc
04:19
into a million little things
105
244000
2000
na milion malých,
04:21
can be used to find a million little things
106
246000
2000
se dá použít, abychom našli milion malých věcí
04:23
and sew them back together
107
248000
2000
a dali je zpátky dohromady
04:25
and figure out what's actually happening in the market.
108
250000
2000
a přišli na to, co se vlastně na trhu děje.
04:27
So if you need to have some image
109
252000
2000
Takže abyste si trochu představili,
04:29
of what's happening in the stock market right now,
110
254000
3000
co se vlastně dneska děje na akciových trzích,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
představte si spoustu algoritmů,
04:34
that are basically programmed to hide,
112
259000
3000
které jsou naprogramovány, aby se schovávaly,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
a spoustu algoritmů, které jsou naprogramovány, aby našly ty, co se schovávají.
04:40
And all of that's great, and it's fine.
114
265000
3000
A všechno to je super a je to v pohodě.
04:43
And that's 70 percent
115
268000
2000
A je to 70 %
04:45
of the United States stock market,
116
270000
2000
amerického akciového trhu,
04:47
70 percent of the operating system
117
272000
2000
70 % operačního systému,
04:49
formerly known as your pension,
118
274000
3000
kterému se dřív říkalo penze
04:52
your mortgage.
119
277000
3000
nebo půjčka.
04:55
And what could go wrong?
120
280000
2000
A co by se mohlo porouchat?
04:57
What could go wrong
121
282000
2000
Co se mohlo stát je,
04:59
is that a year ago,
122
284000
2000
že před rokem
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
devět procent celého trhu jen tak zmizelo během pěti minut.
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
A dneska se tomu říká propad ve 2:45.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Z ničeho nic, devět procent zmizelo
05:10
and nobody to this day
126
295000
2000
a dodneška
05:12
can even agree on what happened
127
297000
2000
se nedokážeme shodnout, co se stalo,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
protože to nikdo nezpůsobil, nikdo o to nepožádal.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Nikdo neměl kontrolu nad tím, co se tenkrát dělo.
05:20
All they had
130
305000
2000
Všechno co měli
05:22
was just a monitor in front of them
131
307000
2000
byl monitor,
05:24
that had the numbers on it
132
309000
2000
čísla na něm
05:26
and just a red button
133
311000
2000
a jedno červené tlačítko,
05:28
that said, "Stop."
134
313000
2000
na kterém bylo napsáno "Stop."
05:30
And that's the thing,
135
315000
2000
A to je ono,
05:32
is that we're writing things,
136
317000
2000
píšeme věci,
05:34
we're writing these things that we can no longer read.
137
319000
3000
píšeme věci, které už nedokážeme přečíst.
05:37
And we've rendered something
138
322000
2000
A vytvořili jsme něco
05:39
illegible,
139
324000
2000
nečitelného.
05:41
and we've lost the sense
140
326000
3000
A ztratili jsme ponětí o tom,
05:44
of what's actually happening
141
329000
2000
co se vlastně děje
05:46
in this world that we've made.
142
331000
2000
ve světě, který jsme stvořili.
05:48
And we're starting to make our way.
143
333000
2000
A postupně se k tomu dostáváme.
05:50
There's a company in Boston called Nanex,
144
335000
3000
V Bostonu je firma, která se jmenuje Nanex,
05:53
and they use math and magic
145
338000
2000
a tam používají matematiku a magii
05:55
and I don't know what,
146
340000
2000
a ještě nevím co,
05:57
and they reach into all the market data
147
342000
2000
aby koukali do tržních dat
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
a občas tam nacházeli některé tyhle algoritmy.
06:02
And when they find them they pull them out
149
347000
3000
A když je najdou, tak je vytáhnou
06:05
and they pin them to the wall like butterflies.
150
350000
3000
a připíchnou je na zeď jako motýly.
06:08
And they do what we've always done
151
353000
2000
A taky dělají, co jsme vždycky dělali,
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
když jsme čelili obrovskému množství dat, kterým nerozumíme.
06:13
which is that they give them a name
153
358000
2000
Pojmenovávají je
06:15
and a story.
154
360000
2000
a vyprávějí jejich příběh.
06:17
So this is one that they found,
155
362000
2000
Tohle je jeden, který našli,
06:19
they called the Knife,
156
364000
4000
nazvali ho Nůž,
06:23
the Carnival,
157
368000
2000
Karneval,
06:25
the Boston Shuffler,
158
370000
4000
Žonglér,
06:29
Twilight.
159
374000
2000
Soumrak.
06:31
And the gag is
160
376000
2000
A vtip je v tom,
06:33
that, of course, these aren't just running through the market.
161
378000
3000
že tyhle nejsou jenom na trzích.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Tyhle věci najdete, kam se podíváte,
06:39
once you learn how to look for them.
163
384000
2000
pokud víte, jak se koukat.
06:41
You can find it here: this book about flies
164
386000
3000
Najdete ji tady. Tahle kniha o mouchách,
06:44
that you may have been looking at on Amazon.
165
389000
2000
kterou jste možná hledali na Amazonu.
06:46
You may have noticed it
166
391000
2000
Možná jste si všimli,
06:48
when its price started at 1.7 million dollars.
167
393000
2000
že její cena byla 1.7 miliónu dolarů.
06:50
It's out of print -- still ...
168
395000
2000
Sice už se netiskne, ale stejně...
06:52
(Laughter)
169
397000
2000
(Smích)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Pokud jste to koupili za 1.7, bylo to nakonec za babku.
06:57
A few hours later, it had gone up
171
402000
2000
Za pár hodin cena vyskočila
06:59
to 23.6 million dollars,
172
404000
2000
na 23.6 miliónu dolarů
07:01
plus shipping and handling.
173
406000
2000
plus poštovné a balné.
07:03
And the question is:
174
408000
2000
A otázka je,
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
nikdo nic neprodával ani nekupoval, tak co se vlastně dělo?
07:07
And you see this behavior on Amazon
176
412000
2000
A můžete vidět tenhle druh chování na Amazonu
07:09
as surely as you see it on Wall Street.
177
414000
2000
stejně jistě jako ho uvidíte na Wall Streetu.
07:11
And when you see this kind of behavior,
178
416000
2000
A když něco takového uvidíte,
07:13
what you see is the evidence
179
418000
2000
to co vidíte je důkaz
07:15
of algorithms in conflict,
180
420000
2000
algoritmů v konfliktu,
07:17
algorithms locked in loops with each other,
181
422000
2000
algoritmů, které jsou vzájemně uvězněny ve smyčce,
07:19
without any human oversight,
182
424000
2000
bez jakéhokoliv lidského dohledu,
07:21
without any adult supervision
183
426000
3000
bez dohledu dospělých,
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
kteří by řekli: "Hmm, 1.7 milionu je dost."
07:27
(Laughter)
185
432000
3000
(Smích)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
A jako s Amazonem, stejné je to na Netflixu.
07:33
And so Netflix has gone through
187
438000
2000
A tak Netflix prošel
07:35
several different algorithms over the years.
188
440000
2000
za několik let různé algoritmy.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Začali s Cinematch a vyzkoušeli několik dalších.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
Tady je Dinosauří planeta, tady Přitažlivost.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Teď používají Pragmatický chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Pragmatický chaos, stejně jako všechny algoritmy Netflixu,
07:46
trying to do the same thing.
193
451000
2000
se snaží o stejnou věc.
07:48
It's trying to get a grasp on you,
194
453000
2000
Snaží se vám přijít na kloub,
07:50
on the firmware inside the human skull,
195
455000
2000
na to, jaký je firmware uvnitř lidské lebky,
07:52
so that it can recommend what movie
196
457000
2000
aby vám mohl doporučit film,
07:54
you might want to watch next --
197
459000
2000
na který se budete chtít podívat příště.
07:56
which is a very, very difficult problem.
198
461000
3000
A to je opravdu, opravdu složitý problém.
07:59
But the difficulty of the problem
199
464000
2000
Ale složitost toho problému
08:01
and the fact that we don't really quite have it down,
200
466000
3000
a fakt, že se jim to zatím nepovedlo,
08:04
it doesn't take away
201
469000
2000
nic neubírá
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
na efektech, které Pragmatický chaos má.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Pragmatický chaos, jako ostatní algoritmy Netflixu,
08:11
determines, in the end,
204
476000
2000
nakonec určí
08:13
60 percent
205
478000
2000
60 procent
08:15
of what movies end up being rented.
206
480000
2000
filmů, které si nakonec vypůjčíte.
08:17
So one piece of code
207
482000
2000
Takže jeden kousek kódu
08:19
with one idea about you
208
484000
3000
s jednou představou o vás
08:22
is responsible for 60 percent of those movies.
209
487000
3000
je zodpovědný za 60 procent filmů, které si půjčíte.
08:25
But what if you could rate those movies
210
490000
2000
Ale co kdybyste mohli ty filmy ohodnotit
08:27
before they get made?
211
492000
2000
před tím, než se natočí?
08:29
Wouldn't that be handy?
212
494000
2000
Nebylo by to praktické?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
No, pár statistiků z UK v Hollywoodu je
08:34
and they have "story algorithms" --
214
499000
2000
a mají algoritmy na příběh.
08:36
a company called Epagogix.
215
501000
2000
Společnost, která se jmenuje Epagogix.
08:38
And you can run your script through there,
216
503000
3000
Můžete jim dát scénář, aby ho projeli,
08:41
and they can tell you, quantifiably,
217
506000
2000
a oni vám řeknou, kvantifikovatelně,
08:43
that that's a 30 million dollar movie
218
508000
2000
že film vydělá 30 milionů dolarů
08:45
or a 200 million dollar movie.
219
510000
2000
nebo 200 milionů.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
A průšvih je, že tohle není Google.
08:49
This isn't information.
221
514000
2000
Tohle nejsou informace.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Nebo finanční ukazatele. To je kultura.
08:53
And what you see here,
223
518000
2000
A co tady vidíte
08:55
or what you don't really see normally,
224
520000
2000
nebo co tu normálně nevidíte je,
08:57
is that these are the physics of culture.
225
522000
4000
že tohle je fyzika kultury.
09:01
And if these algorithms,
226
526000
2000
A pokud by tyhle algoritmy,
09:03
like the algorithms on Wall Street,
227
528000
2000
jako algoritmy na Wall Streetu,
09:05
just crashed one day and went awry,
228
530000
3000
jednoho dne zkolabovaly a nevyšlo by to,
09:08
how would we know?
229
533000
2000
jak máme vědět,
09:10
What would it look like?
230
535000
2000
jak to bude vypadat?
09:12
And they're in your house. They're in your house.
231
537000
3000
A jsou ve vašem domě. Ve vašem domě.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Tyhle dva algoritmy soupeří o váš obývák.
09:17
These are two different cleaning robots
233
542000
2000
To jsou dva automatické vysavače,
09:19
that have very different ideas about what clean means.
234
544000
3000
každý má úplně jinou představu o uklízení.
09:22
And you can see it
235
547000
2000
A vy to vidíte,
09:24
if you slow it down and attach lights to them,
236
549000
3000
když to zpomalíte a připnete k nim světlo.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
A jsou trochu jako architekti ve vaší ložnici.
09:30
And the idea that architecture itself
238
555000
3000
A myšlenka, že sama architektura
09:33
is somehow subject to algorithmic optimization
239
558000
2000
jaksi podléhá algoritmické optimalizaci,
09:35
is not far-fetched.
240
560000
2000
není úplně přehnaná.
09:37
It's super-real and it's happening around you.
241
562000
3000
Je to sakra reálné a děje se to kolem vás.
09:40
You feel it most
242
565000
2000
Nejvíc to cítíte,
09:42
when you're in a sealed metal box,
243
567000
2000
když jste zavření v železné krabici,
09:44
a new-style elevator;
244
569000
2000
moderním výtahu.
09:46
they're called destination-control elevators.
245
571000
2000
Říkají jim výtahy, které kontrolují destinaci.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
To jsou ty, u kterých musíte zmáčknout patro, kam jedete,
09:51
before you get in the elevator.
247
576000
2000
před tím než nastoupíte.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Používají bin-packing algoritmus.
09:55
So none of this mishegas
249
580000
2000
Takže žádné bláznovství,
09:57
of letting everybody go into whatever car they want.
250
582000
2000
že si každý může jít, do kterého výtahu chce.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Každý kdo jede do 10. patra, jde do dvojky,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
a každý kdo jede do třetího, jde do výtahu číslo 5.
10:04
And the problem with that
253
589000
2000
Ale problém je,
10:06
is that people freak out.
254
591000
2000
že lidé z toho šílí.
10:08
People panic.
255
593000
2000
Propadají panice.
10:10
And you see why. You see why.
256
595000
2000
A vidíte proč.
10:12
It's because the elevator
257
597000
2000
Je to kvůli tomu,
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
že výtah nemá jednu důležitou součást. Tlačítka.
10:17
(Laughter)
259
602000
2000
(Smích)
10:19
Like the things that people use.
260
604000
2000
Jako ty věci, které lidé používají.
10:21
All it has
261
606000
2000
Všechno, co má,
10:23
is just the number that moves up or down
262
608000
3000
je číslo, které se hýbe buď nahoru nebo dolů
10:26
and that red button that says, "Stop."
263
611000
3000
a červené tlačítko, na kterém je napsáno: "Stop."
10:29
And this is what we're designing for.
264
614000
3000
A tímhle způsobem designujeme.
10:32
We're designing
265
617000
2000
Designujeme
10:34
for this machine dialect.
266
619000
2000
v jazyku strojů.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
A kam se to až může vyvinout? Kam?
10:39
You can take it really, really far.
268
624000
2000
Může se to hodně přehnat.
10:41
So let me take it back to Wall Street.
269
626000
3000
Vraťme se na Wall Street.
10:45
Because the algorithms of Wall Street
270
630000
2000
Protože algoritmy na Wall Streetu
10:47
are dependent on one quality above all else,
271
632000
3000
jsou závislé především na jedné věci
10:50
which is speed.
272
635000
2000
a tou je rychlost.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Pracují v milisekundách a mikrosekundách.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Abyste pochopili, co jsou mikrosekundy:
10:57
it takes you 500,000 microseconds
275
642000
2000
zabere vám 500 000 mikrosekund
10:59
just to click a mouse.
276
644000
2000
jen abyste klikli myší.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Ale když jste algoritmus na Wall Streetu
11:03
and you're five microseconds behind,
278
648000
2000
a jste pozadu o pět mikrosekund,
11:05
you're a loser.
279
650000
2000
jste nula.
11:07
So if you were an algorithm,
280
652000
2000
Takže pokud jste algoritmus,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
hledali byste architekta jako jsem já potkal ve Frankfurtu.
11:12
who was hollowing out a skyscraper --
282
657000
2000
Vyklízel mrakodrap,
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
vyhazoval všechen nábytek, zařízení pro lidi,
11:17
and just running steel on the floors
284
662000
3000
a dával na zem železo,
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
aby se připravil na skříně serverů.
11:23
all so an algorithm
286
668000
2000
Všechno to jen kvůli tomu,
11:25
could get close to the Internet.
287
670000
3000
aby se algoritmus dostal blíž k Internetu.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
A čekali byste, že Internet bude distribuovaný systém.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
Jasně, je, ale přece jen odněkud.
11:34
In New York, this is where it's distributed from:
290
679000
2000
V New Yorku je distribuovaný z
11:36
the Carrier Hotel
291
681000
2000
Carrier Hotelu,
11:38
located on Hudson Street.
292
683000
2000
který je na Hudson Street.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
A to je místo, kde dráty přichází přímo do města.
11:43
And the reality is that the further away you are from that,
294
688000
4000
A čím dál odtamtud jste,
11:47
you're a few microseconds behind every time.
295
692000
2000
pokaždé budete mít několik mikrosekund zpoždění.
11:49
These guys down on Wall Street,
296
694000
2000
Tihle fešáci na Wall Streetu,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo a Cherokee Nation,
11:53
they're eight microseconds
298
698000
2000
jsou osm mikrosekund
11:55
behind all these guys
299
700000
2000
pozadu oproti všem těmhle krasavcům,
11:57
going into the empty buildings being hollowed out
300
702000
4000
kteří jsou v prázdných vyklízených budovách
12:01
up around the Carrier Hotel.
301
706000
2000
kolem Carrier Hotelu.
12:03
And that's going to keep happening.
302
708000
3000
To se děje,
12:06
We're going to keep hollowing them out,
303
711000
2000
vyklízíme je,
12:08
because you, inch for inch
304
713000
3000
protože vy, milimetr po milimetru,
12:11
and pound for pound and dollar for dollar,
305
716000
3000
gram po gramu, dolar po dolaru,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
nikdo z vás nedokáže z toho prostoru vymáčknout takový zisk,
12:17
like the Boston Shuffler could.
307
722000
3000
jako algoritmus Žonglér.
12:20
But if you zoom out,
308
725000
2000
Ale pokud to oddálíte,
12:22
if you zoom out,
309
727000
2000
pokud to oddálíte,
12:24
you would see an 825-mile trench
310
729000
4000
uviděli byste 825 mil dlouhý příkop
12:28
between New York City and Chicago
311
733000
2000
mezi New Yorkem a Chicagem,
12:30
that's been built over the last few years
312
735000
2000
který byl vybudován během posledních let
12:32
by a company called Spread Networks.
313
737000
3000
společností Spread Networks.
12:35
This is a fiber optic cable
314
740000
2000
Je to optický kabel,
12:37
that was laid between those two cities
315
742000
2000
který byl položený mezi tahle dvě města,
12:39
to just be able to traffic one signal
316
744000
3000
jen kvůli tomu, aby přenášel jeden signál
12:42
37 times faster than you can click a mouse --
317
747000
3000
37krát rychleji, než dokážete kliknout na myš,
12:45
just for these algorithms,
318
750000
3000
jen pro tyhle algoritmy,
12:48
just for the Carnival and the Knife.
319
753000
3000
jen pro Karneval a Nůž.
12:51
And when you think about this,
320
756000
2000
A když o tom přemýšlíte,
12:53
that we're running through the United States
321
758000
2000
že přerýváme Spojené státy
12:55
with dynamite and rock saws
322
760000
3000
dynamitem a řezáním skal
12:58
so that an algorithm can close the deal
323
763000
2000
jen kvůli tomu, aby algoritmus mohl obchodovat
13:00
three microseconds faster,
324
765000
3000
o tři mikrosekundy rychleji,
13:03
all for a communications framework
325
768000
2000
všechno kvůli komunikačnímu rámci,
13:05
that no human will ever know,
326
770000
4000
o kterém nebude člověk ani vědět,
13:09
that's a kind of manifest destiny;
327
774000
3000
to je trochu projev osudu,
13:12
and we'll always look for a new frontier.
328
777000
3000
který bude vždycky hledat další hranice.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Naneštěstí už teď víme, co máme dělat.
13:18
This is just theoretical.
330
783000
2000
Tohle je jen teoretické.
13:20
This is some mathematicians at MIT.
331
785000
2000
Nějaký matematik z MIT.
13:22
And the truth is I don't really understand
332
787000
2000
A popravdě moc nerozumím tomu
13:24
a lot of what they're talking about.
333
789000
2000
o čem mluví.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Zahrnuje to světelné kužely a nějaké kvantové věci
13:29
and I don't really understand any of that.
335
794000
2000
a opravdu nerozumím ani jednomu.
13:31
But I can read this map,
336
796000
2000
Ale umím si přečíst tuhle mapu.
13:33
and what this map says
337
798000
2000
A co ta mapa říká je,
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
že pokud se snažíte vydělávat peníze na trzích, kde jsou červené tečky –
13:38
that's where people are, where the cities are,
339
803000
2000
to je kde jsou lidé a kde jsou města –
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
budete muset dát servery do míst, kde jsou modré tečky,
13:43
to do that most effectively.
341
808000
2000
abyste to dělali efektivně.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
A čeho jste si už mohli všimnout,
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
spousta modrých teček je uprostřed oceánů.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
To je to co budeme dělat, budeme budovat bubliny
13:54
or platforms.
345
819000
2000
nebo plošiny.
13:56
We'll actually part the water
346
821000
2000
Půjdeme na vodu,
13:58
to pull money out of the air,
347
823000
2000
abychom vydělali peníze z čistého nebe,
14:00
because it's a bright future
348
825000
2000
protože to je přece dobrá budoucnost,
14:02
if you're an algorithm.
349
827000
2000
pokud jste algoritmus.
14:04
(Laughter)
350
829000
2000
(Smích)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
A nejsou to ani tak peníze, co je na tom zajímavé.
14:09
It's what the money motivates,
352
834000
2000
Je to to, co peníze motivují.
14:11
that we're actually terraforming
353
836000
2000
Že přetváříme
14:13
the Earth itself
354
838000
2000
samotnou Zemi
14:15
with this kind of algorithmic efficiency.
355
840000
2000
s nějakou algoritmickou efektivností.
14:17
And in that light,
356
842000
2000
A teď když to víme
14:19
you go back
357
844000
2000
a vrátíme se
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
a podíváme se na fotky Michaela Najjara,
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
zjistíme, že vůbec nejsou metaforou, ale proroctvím.
14:26
They're prophecy
360
851000
2000
Jsou proroctvím
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
seismických a pozemních manifestací
14:32
of the math that we're making.
362
857000
2000
matematiky, kterou vytváříme.
14:34
And the landscape was always made
363
859000
3000
A krajina byla vždycky utvářena
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
tou podivnou a složitou spoluprací
14:40
between nature and man.
365
865000
3000
člověka a přírody.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Ale teď tu máme třetí evoluční sílu: algoritmy –
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
Žongléra, Karneval.
14:49
And we will have to understand those as nature,
368
874000
3000
A budeme je muset chápat jako přírodu.
14:52
and in a way, they are.
369
877000
2000
A svým způsobem přírodní jsou.
14:54
Thank you.
370
879000
2000
Děkuji.
14:56
(Applause)
371
881000
20000
(Potlesk)
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