TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
Eric Berlow a Sean Gourley: Myšlenky hodné šíření zobrazené v grafech
Filmed:
Readability: 4.3
1,131,373 views
Jak lze zobrazit 24 000 myšlenek? Ekolog Eric Berlow a fyzik Sean Gourley aplikovali výpočty na celý archív přednášek TEDx Talks a provedou nás podnětnou obrazovou cestou, aby nám ukázali, jak jsou myšlenky globálně propojené.
Eric Berlow - Ecologist
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
Double-click the English transcript below to play the video.
00:12
Eric Berlow: I'm an ecologist, and Sean's a physicist,
0
562
3061
Eric Berlow: Já jsem ekolog a Sean je fyzik,
00:15
and we both study complex networks.
1
3623
2108
a oba zkoumáme komplexní sítě.
00:17
And we met a couple years ago when we discovered
2
5731
1835
Potkali jsme se před pár lety, kdy jsme zjistili,
00:19
that we had both given a short TED Talk
3
7566
2000
že jsme už oba měli krátkou přednášku na TEDu
00:21
about the ecology of war,
4
9566
2303
na téma ekologie války
00:23
and we realized that we were connected
5
11869
1447
a uvědomili jsme si, že jsme byli spjati
00:25
by the ideas we shared before we ever met.
6
13316
2818
společnými myšlenkami dávno před tím, než jsme se potkali.
00:28
And then we thought, you know, there are thousands
7
16134
1556
Víte, přemýšleli jsme pak nad tím, že existují tisíce
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
dalších přednášek, hlavně na TEDx Talks,
00:31
that are popping up all over the world.
9
19804
2211
které se objevují po celém světě.
00:34
How are they connected,
10
22015
923
Jak jsou propojeny
00:34
and what does that global conversation look like?
11
22938
2010
a jak taková celosvětová konverzace vypadá?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
Sean vám teď řekne něco málo o tom, jak jsme to udělali.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
Sean Gourley: Přesně. Vzali jsme 24 000 TEDx přednášek
00:43
from around the world, 147 different countries,
14
31525
3046
z celého světa, ze 147 různých zemí,
00:46
and we took these talks and we wanted to find
15
34571
2123
vzali jsme je a chtěli jsme najít
00:48
the mathematical structures that underly
16
36694
2040
matematickou konstrukci, která tvoří základ
00:50
the ideas behind them.
17
38734
1722
myšlenek na jejich pozadí.
00:52
And we wanted to do that so we could see how
18
40456
1370
Chtěli jsme to udělat, abychom mohli usoudit,
00:53
they connected with each other.
19
41826
2053
jak jsou mezi sebou propojené.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
Pochopitelně, když se chystáte něco takového provést,
00:57
you need a lot of data.
21
45555
956
potřebujete spoustu dat.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
Zdrojem těch dat, která máme, je úžasná věc nazývaná YouTube
01:02
and we can go down and basically pull
23
50197
1768
a my tam můžeme vstoupit a v podstatě odtud vytahat
01:03
all the open information from YouTube,
24
51965
2267
všechny volně dostupné informace,
01:06
all the comments, all the views, who's watching it,
25
54232
2349
všechny ty komentáře, názory, kdo co sleduje,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
kde to sleduje, k čemu se lidé zrovna vyjadřují.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
Za pomoci strojového překladu řeči do textu jsme také schopni
01:14
we can pull the entire transcript,
28
62652
2128
získat kompletní přepis přednášky
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
a funguje to i u lidí s komickým přízvukem jako mám já.
01:19
So we can take their transcript
30
67460
2106
Můžeme vzít přepis přednášky
01:21
and actually do some pretty cool things.
31
69566
2098
a vlastně s ním udělat dost senzační věci.
01:23
We can take natural language processing algorithms
32
71664
2160
Pomocí algoritmů na rozpoznávání lidské řeči ho můžeme
01:25
to kind of read through with a computer, line by line,
33
73824
2629
nechat přečíst počítačem, řádek po řádku
01:28
extracting key concepts from this.
34
76453
2359
a získat z něho klíčové pojmy.
01:30
And we take those key concepts and they sort of form
35
78812
2525
Klíčové pojmy vezmeme a zformujeme z nich
01:33
this mathematical structure of an idea.
36
81337
3565
matematickou konstrukci myšlenky.
01:36
And we call that the meme-ome.
37
84902
1757
Říkáme tomu meme-ome.
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
A meme-ome, víte, je prostě
01:40
is the mathematics that underlies an idea,
39
88810
2426
matematika, která tvoří základ myšlenky.
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
S ní pak můžeme provádět docela zajímavé analýzy
01:45
which I want to share with you now.
41
93168
1981
a o ty bych se s vámi teď chtěl podělit.
01:47
So each idea has its own meme-ome,
42
95149
2190
Každá myšlenka má tedy svůj meme-ome,
01:49
and each idea is unique with that,
43
97339
1951
a ten určuje její jedinečnost,
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
ale samozřejmě, nápady si vzájemně půjčujeme,
01:53
they kind of steal sometimes,
45
101778
1184
někdy se svým způsobem kradou,
01:54
and they certainly build on each other,
46
102962
1827
a ovšem i staví jeden na druhém.
01:56
and we can go through mathematically
47
104789
1616
Můžeme se nimi matematicky probírat,
01:58
and take the meme-ome from one talk
48
106405
1840
vzít meme-one z jedné přednášky
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
porovnat ho s meme-ome kterékoliv jiné přednášky
02:02
and if there's a similarity between the two of them,
50
110699
1973
a pokud je mezi nimi nějaká podobnost,
02:04
we can create a link and represent that as a graph,
51
112672
3250
můžeme je propojit a spojení vyjádřit grafem,
02:07
just like Eric and I are connected.
52
115922
2394
zrovna tak jako jsme propojeni já a Eric.
02:10
So that's theory, that's great.
53
118316
1394
Tak to je teorie, to je skvělé.
02:11
Let's see how it works in actual practice.
54
119710
2526
Podívejme se, jak to funguje v běžné praxi.
02:14
So what we've got here now is the global footprint
55
122236
2788
Tady jsme zachytili celkovou podobu
02:17
of all the TEDx Talks over the last four years
56
125024
2293
všech TEDx Talks za poslední 4 roky,
02:19
exploding out around the world
57
127317
1550
jak explodují po celém světě
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
cestou od New Yorku až po trochu starý Nový Zéland v rohu.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
A pak jsme analyzovali nejaktivnějších 25 procent,
02:28
and we started to see where the connections occurred,
60
136031
2534
a začali jsme sledovat, ve kterém místě propojení vznikají
02:30
where they connected with each other.
61
138565
1537
a kde se na sebe napojují.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
Cameron Russell, hovořící o obrazu a kráse,
02:33
connected over into Europe.
63
141976
1575
se propojil do Evropy.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
Máme velké téma o Izraeli a Palestině
02:37
radiating outwards from the Middle East.
65
145963
2255
paprskovitě vycházející ze Středního východu.
02:40
And we've got something a little broader
66
148218
1298
A máme i něco trochu širšího,
02:41
like big data with a truly global footprint
67
149516
2156
něco jako velká data se skutečně globálním vlivem,
02:43
reminiscent of a conversation
68
151672
2179
upomínající na téma,
02:45
that is happening everywhere.
69
153851
2016
které se probíralo všude.
02:47
So from this, we kind of run up against the limits
70
155867
2173
Tady jakýmsi způsobem narážíme na hranice toho,
02:50
of what we can actually do with a geographic projection,
71
158040
2530
co lze vlastně zeměpisnou projekcí vyjádřit.
02:52
but luckily, computer technology allows us to go out
72
160570
2052
Naštěstí nám ale počítačová technologie umožňuje přejít
02:54
into multidimensional space.
73
162622
1546
do vícerozměrného prostoru.
02:56
So we can take in our network projection
74
164168
1875
A tak můžeme vzít naší síťovou projekci
02:58
and apply a physics engine to this,
75
166043
1750
a aplikovat na ni fyzikální model.
02:59
and the similar talks kind of smash together,
76
167793
1885
Přednášky s podobnými tématy se zbortí k sobě,
03:01
and the different ones fly apart,
77
169678
2004
ty s odlišnými se oddálí
03:03
and what we're left with is something quite beautiful.
78
171682
2072
a to co z toho zůstane, je něco velmi krásného.
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
EB: Jen bych tu chtěl zdůraznit, že každý z uzlů je přednáška,
03:08
they're linked if they share similar ideas,
80
176711
2589
které jsou propojené, pokud sdílí společnou myšlenku.
03:11
and that comes from a machine reading
81
179300
2084
Text je získaný strojovým čtením
03:13
of entire talk transcripts,
82
181384
2067
všech přepisů přednášek
03:15
and then all these topics that pop out,
83
183451
2231
a potom se všechna témata, která vyplují na povrch,
03:17
they're not from tags and keywords.
84
185682
1790
nesestávají jen ze štítků a klíčových slov.
03:19
They come from the network structure
85
187472
1725
Pocházejí z propojených myšlenek
03:21
of interconnected ideas. Keep going.
86
189197
2168
celé struktury sítě. Pokračuj.
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
SG: Přesně tak, Já jsem to trochu urychlil,
03:25
but he's going to slow me down.
88
193387
1475
ale on mě zpomalí.
03:26
We've got education connected to storytelling
89
194862
2034
Máme tady vzdělání spojené s řečnictvím
03:28
triangulated next to social media.
90
196896
1643
v trojúhelníku se sociálními médii.
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
Samozřejmě, lidský mozek je hned vedle zdravotní péče,
03:33
which you might expect,
92
201014
1386
což se snad dá očekávat,
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
ale poblíž jsou také video hry,
03:36
as those two spaces interface with each other.
94
204795
2740
protože tyto obory spolu mají styčné body.
03:39
But I want to take you into one cluster
95
207535
1535
Ale já bych vám chtěl ukázat jedno seskupení,
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
které je pro mě obzvlášť důležité, a to se týká životního prostředí.
03:43
And I want to kind of zoom in on that
97
211938
1493
Rád bych si ho trochu zvětšil
03:45
and see if we can get a little more resolution.
98
213431
2363
a podíval se na něho pod drobnohledem.
03:47
So as we go in here, what we start to see,
99
215794
2347
Jak se přibližujeme, vidíme,
03:50
apply the physics engine again,
100
218141
1504
opět po aplikaci fyzikálního modelu,
03:51
we see what's one conversation
101
219645
1676
že jedna konverzace
03:53
is actually composed of many smaller ones.
102
221321
2560
se vlastně skládá z mnoha menších.
03:55
The structure starts to emerge
103
223881
1929
Začne se vynořovat struktura,
03:57
where we see a kind of fractal behavior
104
225810
2070
kde vidíme jakési fraktálové křivky
03:59
of the words and the language that we use
105
227880
1619
ze slov a jazyka, který používáme
04:01
to describe the things that are important to us
106
229499
1702
k popisu věcí, které jsou pro nás důležité
04:03
all around this world.
107
231201
1433
na celém světě.
04:04
So you've got food economy and local food at the top,
108
232634
2332
Hospodaření s potravinami a místní kuchyně jsou na vrcholu,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
skleníkové plyny, odpad z výroby solárních panelů a jaderných elektráren.
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
Dostáváme řadu menších konverzací,
04:12
each connected to each other through the ideas
111
240316
2301
které jsou propojené společnou myšlenkou
04:14
and the language they share,
112
242617
1301
a společným jazykem
04:15
creating a broader concept of the environment.
113
243918
2450
a vyvářejí tak širší pojetí životního prostředí.
04:18
And of course, from here, we can go
114
246368
1532
A samozřejmě, odtud můžeme pokračovat,
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
zaměřovat se a sledovat, no, třeba o co se teď zajímají mladí lidé?
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
Zajímají se o technologie bezpečné výroby energií a jadernou fúzi.
04:25
This is their kind of resonance
117
253779
1674
Je to jejich způsob souznění
04:27
for the conversation around the environment.
118
255453
2406
s tématem životního prostředí.
04:29
If we split along gender lines,
119
257859
1899
Když je rozdělíme podle pohlaví,
04:31
we can see females resonating heavily
120
259758
1987
můžeme vidět, že ženy se hodně zajímají
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
o hospodaření s potravinami, ale mimo to také o naději a optimizmus.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
Je spousta vzrušujících věcí, které se tady dají dělat,
04:39
and I'll throw to Eric for the next part.
123
267872
1762
a tím nahrávám do další části Ericovi.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
EB: Ano, jen bych rád podotkl,
04:43
you cannot get this kind of perspective
125
271236
1538
že není možné pořídit takto ucelený obraz
04:44
from a simple tag search on YouTube.
126
272774
3360
jen z jednoduchého hledání štítků na YouTube.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
Pojďme teď znova vyzoomovat ze životního prostředí na celou
04:52
out of environment, and look at all the talks together.
128
280322
2534
globální konverzaci a podívejme se na všechny přednášky dohromady.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
Často, když se probíráme takovým množstvím dat,
04:57
we do a couple of things to simplify it.
130
285783
2431
uděláme pár kroků pro zjednodušení.
05:00
We might just say, well,
131
288214
1314
Můžeme říct, no,
05:01
what are the most popular talks out there?
132
289528
2829
jaké tam máme nejoblíbenější přednášky?
05:04
And a few rise to the surface.
133
292357
1397
A pár jich vypluje na povrch.
05:05
There's a talk about gratitude.
134
293754
1828
Máme tu přednášku o vděčnosti.
05:07
There's another one about personal health and nutrition.
135
295582
3344
Jinou o osobní hygieně a výživě.
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
A samozřejmě, musí tu být také nějaká o pornu, že?
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
A pak můžeme říct, no, vděčnost vládla minulý rok.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
Co je v módě dnes? Která přednáška je oblíbená teď?
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
Vidíme, že nové, rostoucí, módní téma,
05:22
is about digital privacy.
140
310932
2666
je digitální soukromí.
05:25
So this is great. It simplifies things.
141
313598
1693
Je to skvělé. Ulehčuje nám to práci.
05:27
But there's so much creative content
142
315291
1827
Ale je tu také sposta tvůrčího obsahu,
05:29
that's just buried at the bottom.
143
317118
1921
který je ukrytý u dna.
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
A to nesnáším. Jak vybublají na povrch věci,
05:34
that's maybe really creative and interesting?
145
322357
2458
které mohou být opravdu tvůrčí a zajímavé?
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
No, můžeme se vrátit zpátky k síťové struktuře myšlenek,
05:39
to do that.
147
327746
1430
abychom je našli.
05:41
Remember, it's that network structure
148
329176
2114
Vzpomeňte si, že právě ona síťová struktura
05:43
that is creating these emergent topics,
149
331290
2268
vytváří tato nenadálá témata
05:45
and let's say we could take two of them,
150
333558
1515
a řekněme, že vezmeme dvě z nich,
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
třeba města a genetiku, a zkusíme se podívat, jestli existují přednášky,
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
které tvůrčím způsobem přemosťují tyto dva obory.
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
A toto - v podstatě takový druh tvůrčího remixu,
05:54
is one of the hallmarks of innovation.
154
342964
1840
je jeden z charakteristických znaků inovace.
05:56
Well here's one by Jessica Green
155
344804
1606
Tady je jedna od Jessicy Greenové
05:58
about the microbial ecology of buildings.
156
346410
2379
o mikrobiální ekologii budov.
06:00
It's literally defining a new field.
157
348789
2010
Doslova definuje nový obor.
06:02
And we could go back to those topics and say, well,
158
350799
2103
A tak bychom se mohli vracet k tématům a ptát se,
06:04
what talks are central to those conversations?
159
352902
2768
které z přednášek hrají v konverzacích ústřední roli?
06:07
In the cities cluster, one of the most central
160
355670
1690
Ve skupině o městech byla jedna z nejdůležitějších
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
ta od Mitche Joachima o ekologických městech
06:13
and in the genetics cluster,
162
361312
1720
a ve skupině o genetice
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
máme přednášku o syntetické biologii od Craiga Ventera.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
Toto jsou přednášky, které v rámci oboru odkazují na mnoho dalších.
06:21
We could go the other direction and say, well,
165
369578
1843
Mohli bychom se vydat jiným směrem a ptát se,
06:23
what are talks that are broadly synthesizing
166
371421
2272
které z těch přednášek úplně uměle vytvářejí
06:25
a lot of different kinds of fields.
167
373693
1448
mnohá různorodá odvětví?
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
K nalezení odpovědi jsme použili míru ekologické různorodosti.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
Třeba přednáška Stevena Pinkera o historii násilí
06:32
very synthetic.
170
380410
1180
odvětví hodně slučuje.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
A pak jsou samozřejmě přednášky, které jsou tak unikátní,
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
jakoby někde ve stratosféře, ve svém vlastním zvláštním světě,
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
které jsme pojmenovali index Colleen Flanaganové.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
A pokud Colleen neznáte, je to umělkyně,
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
které jsem se zeptal: "Jaké je to tam
06:45
in the stratosphere of our idea space?"
176
393849
1672
ve stratosféře našeho vesmíru nápadů?"
06:47
And apparently it smells like bacon.
177
395521
3255
Údajně to voní jako slanina.
06:50
I wouldn't know.
178
398776
1791
To jsem netušil.
06:52
So we're using these network motifs
179
400567
2248
Takže my používáme tyto síťové motivy
06:54
to find talks that are unique,
180
402815
1186
k nalezení přednášek, které jsou jedinečné,
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
těch, které tvůrčím způsobem uměle vytváří mnoho různorodých odvětví,
06:58
ones that are central to their topic,
182
406711
1659
těch, které jsou nejdůležitější k danému tématu
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
a těch, které opravdu tvůrčím způsobem překlenují různá odvětví.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
Dobrá? Nikdy bychom je nenašli bez posedlosti vědět,
07:05
with what's trending now.
185
413846
2313
jaké jsou dnes trendy.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
A to vše pochází ze skladby složitosti
07:11
or the patterns of how things are connected.
187
419045
2960
nebo z obrazců, které tvoří propojené věci.
07:14
SG: So that's exactly right.
188
422005
1625
SG: Je to přesně tak.
07:15
We've got ourselves in a world
189
423630
2479
Dostali jsme se do světa,
07:18
that's massively complex,
190
426109
2044
který je hrozně složitý
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
a my jsme použili algoritmy pro jakýsi druh odfiltrovávání,
07:23
so we can navigate through it.
192
431020
1786
abychom v něm mohli navigovat.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
A tyto algoritmy, i když vlastně užitečné,
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
jsou zároveň velmi, velmi omezené a dá se na to jít lépe,
07:30
because we can realize that their complexity is not random.
195
438620
2566
protože si uvědomujeme, že jejich složitost není náhodná.
07:33
It has mathematical structure,
196
441186
1954
Je to matematická konstrukce
07:35
and we can use that mathematical structure
197
443140
1803
a my ji můžeme využít
07:36
to go and explore things like the world of ideas
198
444943
2214
k prozkoumání světa nápadů
07:39
to see what's being said, to see what's not being said,
199
447157
3000
a najít, co bylo i nebylo řečeno
07:42
and to be a little bit more human
200
450157
1407
a být trochu lidštější
07:43
and, hopefully, a little smarter.
201
451564
1867
a snad i chytřejší.
07:45
Thank you.
202
453431
966
Děkuji.
07:46
(Applause)
203
454397
4220
(Potlesk)
ABOUT THE SPEAKERS
Eric Berlow - EcologistTED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more.
Why you should listen
Eric Berlow is an ecologist and network scientist who specializes in not specializing. A TED Senior Fellow, Berlow is recognized for his research on food webs and ecological networks and for creative approaches to complex problems. He was the founding director of the University of California's first environmental science center inside Yosemite National Park, where he continues to develop data-driven approaches to managing natural ecosystems.
In 2012 Berlow founded Vibrant Data Labs, which builds tools to use data for social good. Berlow's current projects range from helping spark an egalitarian personal data economy to protecting endangered amphibians in Yosemite to crowd-sourcing novel insights about human creativity. Berlow holds a Ph.D. from Oregon State University in marine ecology.
Eric Berlow | Speaker | TED.com
Sean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow.
Why you should listen
Sean Gourley's twin passions are physics (working on nanoscale blue-light lasers and self-assembled quantum nanowires) and politics (he once ran for a national elected office back home in New Zealand).
A Rhodes scholar, he's spent the past five years working at Oxford on complex adaptive systems and collective intelligent systems -- basically, using data to understand the nature of human conflict. As he puts it, "This research has taken me all over the world from the Pentagon, to the House of Lords, the United Nations and most recently to Iraq". Originally from New Zealand, he now lives in San Francisco, where he is the co-founder and CTO of Quid which is building a global intelligence platform. He's a 2009 TED Fellow.
In December 2009, Gourley and his team's research was published in the scientific journal Nature. He is co-founder and CTO of Quid.
Sean Gourley | Speaker | TED.com