TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Wie Algorithmen unsere Welt prägen
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin behauptet, dass wir in einer Welt leben, die zunehmend von Algorithmen bestimmt wird. In diesem fesselnden TEDGlobal-Vortrag zeigt er uns, was diese komplexen Computerprogramme steuern: Spionagetaktiken, Aktienkurse, Drehbücher und Architektur. Und er warnt uns davor, Programmcode zu schreiben, dessen Auswirkungen wir nicht verstehen und nicht kontrollieren können.
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
Das ist eine Fotografie
00:17
by the artist Michael Najjar,
1
2000
2000
vom Künstler Michael Najjar,
00:19
and it's real,
2
4000
2000
und sie ist echt,
00:21
in the sense that he went there to Argentina
3
6000
2000
im Sinne, dass er nach Argentinien ging
00:23
to take the photo.
4
8000
2000
um ein Bild zu schießen.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Aber es ist auch erfunden, denn danach wurde eine Menge Arbeit hineingesteckt.
00:28
And what he's done
6
13000
2000
Und was er gemacht hat ist,
00:30
is he's actually reshaped, digitally,
7
15000
2000
dass er tatsächlich am Computer
00:32
all of the contours of the mountains
8
17000
2000
das Profil der Berge umgeformt hat,
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
so dass es den Launen des Dow-Jones-Index folgt.
00:37
So what you see,
10
22000
2000
Was man also sieht,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
dieser Steilhang, dieser hohe Steilhang mit dem Tal
00:41
is the 2008 financial crisis.
12
26000
2000
ist die Finanzkrise von 2008.
00:43
The photo was made
13
28000
2000
Dieses Photo wurde gemacht,
00:45
when we were deep in the valley over there.
14
30000
2000
als wir tief in diesem Tal hier drüben steckten.
00:47
I don't know where we are now.
15
32000
2000
Ich weiß nicht, wo wir jetzt sind.
00:49
This is the Hang Seng index
16
34000
2000
Das ist der Hang-Seng-Index
00:51
for Hong Kong.
17
36000
2000
von Hong Kong.
00:53
And similar topography.
18
38000
2000
Mit einer ähnlichen Topographie.
00:55
I wonder why.
19
40000
2000
Ich frage mich warum.
00:57
And this is art. This is metaphor.
20
42000
3000
Und das ist Kunst. Es sind Metaphern.
01:00
But I think the point is
21
45000
2000
Aber ich denke, der Punkt ist,
01:02
that this is metaphor with teeth,
22
47000
2000
es sind Metaphern mit Biss.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
Und mit solch einem Biss möchte ich heute vorschlagen,
01:07
that we rethink a little bit
24
52000
2000
dass wir die Rolle von zeitgenössischer
01:09
about the role of contemporary math --
25
54000
3000
Mathematik ein bisschen überdenken –
01:12
not just financial math, but math in general.
26
57000
3000
nicht nur Finanzmathematik, sondern Mathematik im Allgemeinen.
01:15
That its transition
27
60000
2000
Ihr Übergang von etwas
01:17
from being something that we extract and derive from the world
28
62000
3000
das wir von der Welt abgeleitet haben
01:20
to something that actually starts to shape it --
29
65000
3000
zu etwas, das diese tatsächlich zu formen beginnt –
01:23
the world around us and the world inside us.
30
68000
3000
die Welt um uns herum und die Welt in uns.
01:26
And it's specifically algorithms,
31
71000
2000
Und es sind im Besonderen Algorithmen,
01:28
which are basically the math
32
73000
2000
die Im Grunde genommen die Mathemathik sind
01:30
that computers use to decide stuff.
33
75000
3000
die Computer benutzen, um irgendwas zu entscheiden.
01:33
They acquire the sensibility of truth
34
78000
2000
Sie erlangen ein Wahrheitsvermögen,
01:35
because they repeat over and over again,
35
80000
2000
weil sie sich immer und immer wiederholen.
01:37
and they ossify and calcify,
36
82000
3000
Und sie verkalken und verknöchern,
01:40
and they become real.
37
85000
2000
und werden wirklich.
01:42
And I was thinking about this, of all places,
38
87000
3000
Und ich habe über das nachgedacht, neben allen anderen Orten,
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
in einem transatlantischen Flug vor ein paar Jahren,
01:48
because I happened to be seated
40
93000
2000
weil ich zufällig neben
01:50
next to a Hungarian physicist about my age
41
95000
2000
einem ungarischen Physiker in meinem Alter saß
01:52
and we were talking
42
97000
2000
und wir unterhielten uns darüber,
01:54
about what life was like during the Cold War
43
99000
2000
wie das Leben während des Kalten Kriegs war
01:56
for physicists in Hungary.
44
101000
2000
für Physiker in Ungarn.
01:58
And I said, "So what were you doing?"
45
103000
2000
Ich sagte: „Was habt Ihr also gemacht?“
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
Und er meinte: „Nun, wir haben hauptsächlich versucht, die Tarnkappentechnik zu knacken.“
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
Und ich sagte: „Das ist gute Arbeit. Das ist interessant.
02:04
How does that work?"
48
109000
2000
Wie funktioniert das?“
02:06
And to understand that,
49
111000
2000
Um das zu verstehen,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
muss man ein bisschen wissen, wie die Tarnkappentechnik funktioniert.
02:11
And so -- this is an over-simplification --
51
116000
3000
Und – das ist eine starke Vereinfachung –
02:14
but basically, it's not like
52
119000
2000
aber im Grunde ist es nicht so,
02:16
you can just pass a radar signal
53
121000
2000
dass man ein Radarsignal einfach durch
02:18
right through 156 tons of steel in the sky.
54
123000
3000
156 Tonnen Stahl im Himmel hindurch schicken kann.
02:21
It's not just going to disappear.
55
126000
3000
Es wird nicht einfach verschwinden.
02:24
But if you can take this big, massive thing,
56
129000
3000
Aber wenn man dieses riesige, massive Ding nimmt
02:27
and you could turn it into
57
132000
3000
und es in eine Million
02:30
a million little things --
58
135000
2000
kleiner Dinge verwandelt –
02:32
something like a flock of birds --
59
137000
2000
sowas wie ein Vogelschwarm –
02:34
well then the radar that's looking for that
60
139000
2000
dann muss der Radar, der danach sucht
02:36
has to be able to see
61
141000
2000
in der Lage sein,
02:38
every flock of birds in the sky.
62
143000
2000
jeden Vogelschwarm am Himmel zu sehen.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
Und wenn man ein Radar ist, ist das ein echt mieser Job.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
Er sagte: „Ja, aber so ist das, wenn man ein Radar ist.
02:47
So we didn't use a radar;
65
152000
2000
Also haben wir keinen Radar benutzt;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
wir haben eine Blackbox gebastelt, die nach elektrischen Signalen sucht,
02:52
electronic communication.
67
157000
3000
elektronischer Kommunikation.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
Und jedesmal, wenn wir einen Vogelschwarm mit elektronischer Kommunikation sahen,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
dachten wir, dass es wahrscheinlich etwas mit den Amerikanern zu tun hat.“
03:01
And I said, "Yeah.
70
166000
2000
Ich sagte: „Ja.
03:03
That's good.
71
168000
2000
Das ist gut.
03:05
So you've effectively negated
72
170000
2000
Ihr habt gewissermaßen
03:07
60 years of aeronautic research.
73
172000
2000
60 Jahre Luftfahrtforschung zunichte gemacht.
03:09
What's your act two?
74
174000
2000
Was ist der zweite Akt?
03:11
What do you do when you grow up?"
75
176000
2000
Was machst du jetzt, wo du groß bist?“
03:13
And he said,
76
178000
2000
Und er meinte:
03:15
"Well, financial services."
77
180000
2000
„Nun ja, Finanzdienstleistungen.“
03:17
And I said, "Oh."
78
182000
2000
Und ich sagte: „Oh.“
03:19
Because those had been in the news lately.
79
184000
3000
Denn die waren damals in den Nachrichten.
03:22
And I said, "How does that work?"
80
187000
2000
Ich fragte: „Wie funktioniert das?“
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
Und er sagte: „Nun, es gibt heute 2.000 Physiker an der Wall Street
03:26
and I'm one of them."
82
191000
2000
und ich bin einer von ihnen“
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
Und ich fragte: „Was ist die Blackbox für die Wall Street?“
03:31
And he said, "It's funny you ask that,
84
196000
2000
Er antwortete: „Witzig, dass du danach fragst,
03:33
because it's actually called black box trading.
85
198000
3000
denn man nennt das tatsächlich Blackbox-Handel.
03:36
And it's also sometimes called algo trading,
86
201000
2000
Manchmal wird es auch Algo-Handel genannt,
03:38
algorithmic trading."
87
203000
3000
algorithmischer Handel.“
03:41
And algorithmic trading evolved in part
88
206000
3000
Algorithmischer Handel entwickelte sich einerseits,
03:44
because institutional traders have the same problems
89
209000
3000
weil institutionelle Händler die gleichen Probleme hatten
03:47
that the United States Air Force had,
90
212000
3000
wie die United State Air Force,
03:50
which is that they're moving these positions --
91
215000
3000
nämlich dass sie Positionen verschieben –
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
sei es Proctor & Gamble oder Accenture, was auch immer –
03:55
they're moving a million shares of something
93
220000
2000
sie verschieben eine Million Aktien von irgendwas
03:57
through the market.
94
222000
2000
durch den Markt.
03:59
And if they do that all at once,
95
224000
2000
Und wenn sie das alles auf einmal machen,
04:01
it's like playing poker and going all in right away.
96
226000
2000
ist es wie Poker spielen und sofort alles zu setzen.
04:03
You just tip your hand.
97
228000
2000
Nur ein Wink mit der Hand.
04:05
And so they have to find a way --
98
230000
2000
Deshalb mussten sie einen Weg finden –
04:07
and they use algorithms to do this --
99
232000
2000
dafür benutzen sie Algorithmen –
04:09
to break up that big thing
100
234000
2000
dieses große Ding in eine Million
04:11
into a million little transactions.
101
236000
2000
kleiner Transaktionen aufzuspalten.
04:13
And the magic and the horror of that
102
238000
2000
Der Zauber und der Schrecken davon ist,
04:15
is that the same math
103
240000
2000
dass die gleiche Mathemathik,
04:17
that you use to break up the big thing
104
242000
2000
die man verwendet, um das große Ding
04:19
into a million little things
105
244000
2000
in eine Million kleiner Dinge aufzuspalten,
04:21
can be used to find a million little things
106
246000
2000
auch dafür benutzt werden kann, eine Million kleiner Dinge zu finden,
04:23
and sew them back together
107
248000
2000
diese wieder zusammenzunähen
04:25
and figure out what's actually happening in the market.
108
250000
2000
und herauszufinden, was eigentlich im Markt vor sich geht.
04:27
So if you need to have some image
109
252000
2000
Also, wenn Sie irgendein Bild brauchen davon,
04:29
of what's happening in the stock market right now,
110
254000
3000
was gerade auf dem Aktienmarkt passiert,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
können Sie sich einen Haufen Algorithmen vorstellen,
04:34
that are basically programmed to hide,
112
259000
3000
die im Grunde dazu programmiert sind, Dinge zu verstecken
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
und ein Haufen Algorithmen, die dafür programmiert, sind diese zu finden und zu handeln.
04:40
And all of that's great, and it's fine.
114
265000
3000
Das ist alles großartig und es ist gut so.
04:43
And that's 70 percent
115
268000
2000
Und das sind 70 Prozent
04:45
of the United States stock market,
116
270000
2000
des Aktienmarkts in den Vereinigten Staaten,
04:47
70 percent of the operating system
117
272000
2000
70 Prozent des Betriebssystems,
04:49
formerly known as your pension,
118
274000
3000
das einmal bekannt war als Ihre Pension
04:52
your mortgage.
119
277000
3000
und Ihre Hypothek.
04:55
And what could go wrong?
120
280000
2000
Was könnte schon schief gehen?
04:57
What could go wrong
121
282000
2000
Was schief gehen kann ist,
04:59
is that a year ago,
122
284000
2000
dass vor einem Jahr
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
neun Prozent des ganzen Markts in nur fünf Minuten verschwunden sind,
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
sie nannten es den Flash-Crash von 2:45 Uhr.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Ganz plötzlich waren neun Prozent einfach dahin
05:10
and nobody to this day
126
295000
2000
und bis heute kann niemand
05:12
can even agree on what happened
127
297000
2000
sich darauf einigen, warum das passiert ist,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
weil niemand es bestellt oder darum gebeten hat.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Niemand hatte Kontrolle darüber, was eigentlich vor sich geht.
05:20
All they had
130
305000
2000
Alles was sie hatten,
05:22
was just a monitor in front of them
131
307000
2000
war ein Bildschirm vor sich
05:24
that had the numbers on it
132
309000
2000
mit Zahlen darauf
05:26
and just a red button
133
311000
2000
und einem roten Knopf
05:28
that said, "Stop."
134
313000
2000
auf dem „Stop“ steht.
05:30
And that's the thing,
135
315000
2000
Und das ist der Punkt,
05:32
is that we're writing things,
136
317000
2000
wir schreiben diese Dinger,
05:34
we're writing these things that we can no longer read.
137
319000
3000
wir schreiben diese Dinger, die wir nicht mehr lesen können.
05:37
And we've rendered something
138
322000
2000
Wir haben etwas erschaffen,
05:39
illegible,
139
324000
2000
das unlesbar ist.
05:41
and we've lost the sense
140
326000
3000
Wir haben das Gefühl dafür verloren,
05:44
of what's actually happening
141
329000
2000
was eigentlich vor sich geht
05:46
in this world that we've made.
142
331000
2000
in der Welt, die wir erschaffen haben.
05:48
And we're starting to make our way.
143
333000
2000
Wir beginnen jetzt unseren Weg dahin.
05:50
There's a company in Boston called Nanex,
144
335000
3000
Es gibt eine Firma in Boston namens Nanex,
05:53
and they use math and magic
145
338000
2000
sie benutzen Mathematik und Magie
05:55
and I don't know what,
146
340000
2000
und was weiß ich noch,
05:57
and they reach into all the market data
147
342000
2000
sie greifen nach all diesen Marktdaten
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
und sie finden tatsächlich manchmal einige dieser Algorithmen.
06:02
And when they find them they pull them out
149
347000
3000
Und wenn sie sie finden, ziehen sie sie raus
06:05
and they pin them to the wall like butterflies.
150
350000
3000
und heften sie an die Wand wie Schmetterlinge.
06:08
And they do what we've always done
151
353000
2000
Sie machen das, was wir stets gemacht haben,
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
wenn wir mit riesigen Datenmengen konfrontiert sind, die wir nicht verstehen –
06:13
which is that they give them a name
153
358000
2000
nämlich ihnen einen Namen zu geben
06:15
and a story.
154
360000
2000
und eine Geschichte.
06:17
So this is one that they found,
155
362000
2000
Und das ist einer, den sie gefunden haben,
06:19
they called the Knife,
156
364000
4000
sie nennen ihn das Messer
06:23
the Carnival,
157
368000
2000
der Karneval,
06:25
the Boston Shuffler,
158
370000
4000
der „Boston Shuffler“
06:29
Twilight.
159
374000
2000
Dämmerung.
06:31
And the gag is
160
376000
2000
Und der Witz ist,
06:33
that, of course, these aren't just running through the market.
161
378000
3000
dass die natürlich nicht nur im Markt laufen.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Man kann diese Art von Dingen überall finden,
06:39
once you learn how to look for them.
163
384000
2000
sobald man verstanden hat wie man danach suchen muss.
06:41
You can find it here: this book about flies
164
386000
3000
Man kann sie hier finden: Das ist ein Buch über Fliegen,
06:44
that you may have been looking at on Amazon.
165
389000
2000
das ihr vielleicht auf Amazon nachgeschlagen habt.
06:46
You may have noticed it
166
391000
2000
Ihr habt es vielleicht bemerkt,
06:48
when its price started at 1.7 million dollars.
167
393000
2000
als sein Preis bei 1,7 Millionen gipfelte.
06:50
It's out of print -- still ...
168
395000
2000
Es ist vergriffen – immer noch...
06:52
(Laughter)
169
397000
2000
(Gelächter)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Wenn man es bei 1,7 Millionen gekauft hätte, wäre es ein Schnäppchen gewesen.
06:57
A few hours later, it had gone up
171
402000
2000
Ein paar Stunden später war der Preis bei
06:59
to 23.6 million dollars,
172
404000
2000
23,6 Millionen Dollar angekommen,
07:01
plus shipping and handling.
173
406000
2000
plus Versand und Bearbeitung.
07:03
And the question is:
174
408000
2000
Und man fragt sich:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Niemand hat etwas gekauft oder verkauft; was ist geschehen?
07:07
And you see this behavior on Amazon
176
412000
2000
Man findet dieses Verhalten auf Amazon
07:09
as surely as you see it on Wall Street.
177
414000
2000
so sicher, wie man es an der Wall Street findet.
07:11
And when you see this kind of behavior,
178
416000
2000
Und wenn man diese Art von Verhalten sieht,
07:13
what you see is the evidence
179
418000
2000
sieht man tatsächlich die Anzeichen
07:15
of algorithms in conflict,
180
420000
2000
von Algorithmen im Konflikt,
07:17
algorithms locked in loops with each other,
181
422000
2000
Algorithmen, die sich gegenseitig in Schleifen fangen
07:19
without any human oversight,
182
424000
2000
ohne menschliche Übersicht,
07:21
without any adult supervision
183
426000
3000
ohne irgendeine erwachsene Kontrolle,
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
die sagt: „Eigentlich sind 1,7 Millionen viel.“
07:27
(Laughter)
185
432000
3000
(Gelächter)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
Mit Netflix ist es genauso wie mit Amazon.
07:33
And so Netflix has gone through
187
438000
2000
Also hat auch Netflix über die Jahre
07:35
several different algorithms over the years.
188
440000
2000
mehrere verschiedene Algorithmen benutzt.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Sie begannen mit Cinematch und probierten einige andere aus.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
Es gibt Dinosaur Planet oder Gravity.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Jetzt benutzen sie Pragmatic Chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Pragmatic Chaos versucht wie alle Netflix Algorithmen,
07:46
trying to do the same thing.
193
451000
2000
die gleiche Sache zu tun.
07:48
It's trying to get a grasp on you,
194
453000
2000
Er versucht zu verstehen,
07:50
on the firmware inside the human skull,
195
455000
2000
was in deinem menschlichen Schädel tickt,
07:52
so that it can recommend what movie
196
457000
2000
damit er einen Vorschlag machen kann
07:54
you might want to watch next --
197
459000
2000
welchen Film du als nächstes schauen möchtest –
07:56
which is a very, very difficult problem.
198
461000
3000
was ein sehr, sehr schwieriges Problem ist.
07:59
But the difficulty of the problem
199
464000
2000
Aber die Schwierigkeit des Problems
08:01
and the fact that we don't really quite have it down,
200
466000
3000
und die Tatsache, dass wir es nicht wirklich durchblicken,
08:04
it doesn't take away
201
469000
2000
kann nicht verhindern,
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
welche Auswirkungen Pragmatic Chaos hat.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Wie alle anderen Netflix Algorithmen bestimmt Netflix
08:11
determines, in the end,
204
476000
2000
letztendlich
08:13
60 percent
205
478000
2000
60 Prozent aller Filme
08:15
of what movies end up being rented.
206
480000
2000
die ausgeliehen werden.
08:17
So one piece of code
207
482000
2000
Ein Stück Programmcode
08:19
with one idea about you
208
484000
3000
mit einer Vorstellung über dich
08:22
is responsible for 60 percent of those movies.
209
487000
3000
ist also für 60 Prozent dieser Filme verantwortlich.
08:25
But what if you could rate those movies
210
490000
2000
Aber was wäre, wenn du diese Filme bewerten könntest
08:27
before they get made?
211
492000
2000
bevor sie gedreht sind?
08:29
Wouldn't that be handy?
212
494000
2000
Wäre das nicht praktisch?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Nun, ein paar Wissenschaftler aus Großbritannien sind in Hollywood
08:34
and they have "story algorithms" --
214
499000
2000
und sie haben Storyalgorithmen –
08:36
a company called Epagogix.
215
501000
2000
ein Unternehmen namens Epagogix.
08:38
And you can run your script through there,
216
503000
3000
Man kann sein Skript dort durchlaufen lassen,
08:41
and they can tell you, quantifiably,
217
506000
2000
und sie können einem sagen und quantifizieren,
08:43
that that's a 30 million dollar movie
218
508000
2000
dass es ist ein 30-Millionen-Dollar-Film ist
08:45
or a 200 million dollar movie.
219
510000
2000
oder ein 200-Millionen-Dollar-Film.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
Das Ding ist, das hier ist nicht Google.
08:49
This isn't information.
221
514000
2000
Das sind nicht Informationen.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Das sind nicht Finanzdaten; das ist Kultur.
08:53
And what you see here,
223
518000
2000
Und was man hier sieht,
08:55
or what you don't really see normally,
224
520000
2000
oder was man hier eigentlich normalerweise nicht sieht,
08:57
is that these are the physics of culture.
225
522000
4000
ist sowas wie die Physik der Kultur.
09:01
And if these algorithms,
226
526000
2000
Wenn diese Algorithmen,
09:03
like the algorithms on Wall Street,
227
528000
2000
wie die Algorithmen der Wall Street,
09:05
just crashed one day and went awry,
228
530000
3000
eines Tages schief oder krumm laufen,
09:08
how would we know?
229
533000
2000
wie wüssten wir dann,
09:10
What would it look like?
230
535000
2000
wie sowas aussehen würde?
09:12
And they're in your house. They're in your house.
231
537000
3000
Und sie sind in Ihrem Haus. Sie sind in Ihrem Haus.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Hier sind zwei Algorithmen, die um Ihr Wohnzimmer kämpfen.
09:17
These are two different cleaning robots
233
542000
2000
Es sind zwei verschiedene Putzroboter,
09:19
that have very different ideas about what clean means.
234
544000
3000
die zwei sehr verschiedene Vorstellungen von Sauberkeit haben.
09:22
And you can see it
235
547000
2000
Man kann es sehen,
09:24
if you slow it down and attach lights to them,
236
549000
3000
wenn man es verlangsamt und Lichter befestigt.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Sie sind eine Art geheime Architekten in Ihrem Schlafzimmer.
09:30
And the idea that architecture itself
238
555000
3000
Die Vorstellung, dass selbst Architektur
09:33
is somehow subject to algorithmic optimization
239
558000
2000
sich der Optimierung von Algorithmen unterwirft,
09:35
is not far-fetched.
240
560000
2000
ist nicht so weit hergeholt.
09:37
It's super-real and it's happening around you.
241
562000
3000
Es ist sehr real und es passiert um uns herum.
09:40
You feel it most
242
565000
2000
Man kann es am meisten fühlen,
09:42
when you're in a sealed metal box,
243
567000
2000
wenn man sich in einer geschlossenen Metallbox befindet,
09:44
a new-style elevator;
244
569000
2000
eine neue Art von Aufzug,
09:46
they're called destination-control elevators.
245
571000
2000
die „ankunftsbestimmte“ Aufzüge genannt werden.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Es sind diejenigen, bei denen man den Knopf vom Zielstockwerk drückt,
09:51
before you get in the elevator.
247
576000
2000
bevor man in den Aufzug einsteigt.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Und die benutzen einen sogenannten Bin-Packing-Algorithmus.
09:55
So none of this mishegas
249
580000
2000
Also nichts von diesem Blabla,
09:57
of letting everybody go into whatever car they want.
250
582000
2000
dass man jeden in die Kabine lässt, die er gerne hätte.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Jeder der zum 10. Stock will, muss in den zweite Kabine,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
und jeder der zum dritten Stock will, muss in die fünfte Kabine.
10:04
And the problem with that
253
589000
2000
Das Problem dabei ist,
10:06
is that people freak out.
254
591000
2000
dass die Leute ausflippen.
10:08
People panic.
255
593000
2000
Die Leute kriegen Panik.
10:10
And you see why. You see why.
256
595000
2000
Und man sieht warum. Sie sehen warum.
10:12
It's because the elevator
257
597000
2000
Es kommt daher, dass dem Aufzug
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
ein paar wichtige Steuerungsmerkmale fehlen, zum Beispiel Knöpfe.
10:17
(Laughter)
259
602000
2000
(Gelächter)
10:19
Like the things that people use.
260
604000
2000
Dinge, an die Menschen gewöhnt sind.
10:21
All it has
261
606000
2000
Alles was dieser hier hat,
10:23
is just the number that moves up or down
262
608000
3000
ist eine Nummer, die sich rauf oder runter bewegt
10:26
and that red button that says, "Stop."
263
611000
3000
und ein roter Knopf auf dem „Stop“ steht.
10:29
And this is what we're designing for.
264
614000
3000
Dahin bewegt sich unser Design.
10:32
We're designing
265
617000
2000
Unser Design ist gemacht
10:34
for this machine dialect.
266
619000
2000
für die Sprache einer Maschine.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Wie weit kann man das treiben? Wie weit geht es?
10:39
You can take it really, really far.
268
624000
2000
Man kann es sehr, sehr weit treiben.
10:41
So let me take it back to Wall Street.
269
626000
3000
Lassen Sie mich zur Wall Street zurückkehren.
10:45
Because the algorithms of Wall Street
270
630000
2000
Denn die Algorithmen der Wall Street
10:47
are dependent on one quality above all else,
271
632000
3000
hängen alle von einer besonderen Qualität ab,
10:50
which is speed.
272
635000
2000
nämlich Geschwindigkeit.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Und die bewegt sich in Millisekunden und Mikrosekunden.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Und nur um ein Gefühl zu vermitteln, was eine Mikrosekunde ist,
10:57
it takes you 500,000 microseconds
275
642000
2000
es braucht 500.000 Mikrosekunden
10:59
just to click a mouse.
276
644000
2000
für einen einzelnen Mausklick.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Aber wenn man ein Wall-Street-Algorithmus ist
11:03
and you're five microseconds behind,
278
648000
2000
und man ist fünf Mikrosekunden hinterher,
11:05
you're a loser.
279
650000
2000
dann ist man ein Verlierer.
11:07
So if you were an algorithm,
280
652000
2000
Wenn Sie also ein Algorithmus wären,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
würden Sie nach einem Architekten suchen wie dem, den ich in Frankfurt traf,
11:12
who was hollowing out a skyscraper --
282
657000
2000
der einen Wolkenkratzer ausräumte –
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
alle Möbel raus, alle Infrastruktur mit menschlichem Nutzen raus,
11:17
and just running steel on the floors
284
662000
3000
und die Stockwerke mit Stahl auslegen,
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
um für den Einzug einer Masse an Servern bereit zu sein –
11:23
all so an algorithm
286
668000
2000
nur damit der Algorithmus
11:25
could get close to the Internet.
287
670000
3000
näher zum Internet gelangt.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Man stellt sich das Internet als ein verteiltes System vor.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
Und das ist es natürlich, aber verteilt von bestimmten Orten aus.
11:34
In New York, this is where it's distributed from:
290
679000
2000
In New York wird es von hier verteilt:
11:36
the Carrier Hotel
291
681000
2000
vom Carrier Hotel
11:38
located on Hudson Street.
292
683000
2000
das sich in der Hudson Street befindet.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
Genau da gelangen die Kabel in die Stadt.
11:43
And the reality is that the further away you are from that,
294
688000
4000
Und die Realität ist, je weiter entfernt man davon ist,
11:47
you're a few microseconds behind every time.
295
692000
2000
verliert man jedes Mal einige Mikrosekunden.
11:49
These guys down on Wall Street,
296
694000
2000
Diese Typen an der Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo und Cherokee Nation,
11:53
they're eight microseconds
298
698000
2000
die sind acht Mikrosekunden
11:55
behind all these guys
299
700000
2000
hinter all den anderen,
11:57
going into the empty buildings being hollowed out
300
702000
4000
die in das leere Gebäude ziehen,
12:01
up around the Carrier Hotel.
301
706000
2000
das nur um die Ecke vom Carrier Hotel steht.
12:03
And that's going to keep happening.
302
708000
3000
Und das wird weiter so geschehen.
12:06
We're going to keep hollowing them out,
303
711000
2000
Wir werden weiterhin Gebäude ausräumen
12:08
because you, inch for inch
304
713000
3000
Weil Sie, Inch für Inch
12:11
and pound for pound and dollar for dollar,
305
716000
3000
und Pfund für Pfund und Dollar für Dollar,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
niemand von Ihnen könnte soviel Gewinn aus diesem Raum quetschen
12:17
like the Boston Shuffler could.
307
722000
3000
wie es ein Boston Shuffler Algorithmus kann.
12:20
But if you zoom out,
308
725000
2000
Aber wenn man rauszoomt,
12:22
if you zoom out,
309
727000
2000
wenn man herauszoomt,
12:24
you would see an 825-mile trench
310
729000
4000
kann man einen Graben von 825 Meilen sehen
12:28
between New York City and Chicago
311
733000
2000
zwischen New York City und Chicago,
12:30
that's been built over the last few years
312
735000
2000
der während der letzten Jahre gebaut wurde
12:32
by a company called Spread Networks.
313
737000
3000
von einer Firma, die sich Spread Networks nennt.
12:35
This is a fiber optic cable
314
740000
2000
Das ist ein Glasfaserkabel,
12:37
that was laid between those two cities
315
742000
2000
das zwischen diesen zwei Städten verlegt wurde
12:39
to just be able to traffic one signal
316
744000
3000
nur um ein Signal zu senden,
12:42
37 times faster than you can click a mouse --
317
747000
3000
das 37 Mal schneller ist, als Sie eine Maus klicken können –
12:45
just for these algorithms,
318
750000
3000
nur für diese Algorithmen,
12:48
just for the Carnival and the Knife.
319
753000
3000
nur für den Karneval und das Messer.
12:51
And when you think about this,
320
756000
2000
Und wenn man darüber nachdenkt,
12:53
that we're running through the United States
321
758000
2000
dass wir uns durch die Vereinigten Staaten bohren,
12:55
with dynamite and rock saws
322
760000
3000
mit Dynamit und Steinsägen,
12:58
so that an algorithm can close the deal
323
763000
2000
damit ein Algorithmus einen Deal
13:00
three microseconds faster,
324
765000
3000
drei Mikrosekunden schneller abschließen kann,
13:03
all for a communications framework
325
768000
2000
alles für ein Kommunikationsnetzwerk,
13:05
that no human will ever know,
326
770000
4000
das kein Mensch kennen wird,
13:09
that's a kind of manifest destiny;
327
774000
3000
da manifestiert sich das Schicksal
13:12
and we'll always look for a new frontier.
328
777000
3000
und es wird immer nach einer neuen Grenze streben.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Leider wird unsere Arbeit auf der Strecke bleiben.
13:18
This is just theoretical.
330
783000
2000
Das ist nur theoretisch.
13:20
This is some mathematicians at MIT.
331
785000
2000
Das sind einige Mathematiker vom MIT.
13:22
And the truth is I don't really understand
332
787000
2000
Aber um ehrlich zu sein, verstehe ich nicht
13:24
a lot of what they're talking about.
333
789000
2000
wirklich viel von dem, was sie sagen.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Es kommen Lichtkegel vor und Quantenverwicklungen
13:29
and I don't really understand any of that.
335
794000
2000
und ich verstehe nicht wirklich etwas davon.
13:31
But I can read this map,
336
796000
2000
Aber ich kann diese Karte lesen.
13:33
and what this map says
337
798000
2000
Und diese Karte sagt, dass
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
wenn man versucht Geld zu verdienen in den Märkten, wo die roten Punkte sind,
13:38
that's where people are, where the cities are,
339
803000
2000
das ist dort wo die Menschen leben, wo die Städte sind,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
dann muss man die Server dorthin stellen, wo die blauen Punkte sind,
13:43
to do that most effectively.
341
808000
2000
um das am Effizientesten zu tun.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
Und die Sache, die Ihnen vielleicht bei den blauen Punkten auffällt ist,
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
dass viele davon mitten im Ozean sind.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
Also das werden wir dann tun, Blasen oder irgendwas dorthin stellen
13:54
or platforms.
345
819000
2000
oder Plattformen.
13:56
We'll actually part the water
346
821000
2000
Oder wir teilen das Wasser
13:58
to pull money out of the air,
347
823000
2000
und holen uns das Geld aus der Luft,
14:00
because it's a bright future
348
825000
2000
denn es ist eine rosige Zukunft
14:02
if you're an algorithm.
349
827000
2000
wenn man ein Algorithmus ist.
14:04
(Laughter)
350
829000
2000
(Gelächter)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
Und es ist nicht das Geld, das tatsächlich so interessant ist.
14:09
It's what the money motivates,
352
834000
2000
Es ist das, wozu uns das Geld bewegt.
14:11
that we're actually terraforming
353
836000
2000
Das wir tatsächlich die Erde
14:13
the Earth itself
354
838000
2000
umbauen
14:15
with this kind of algorithmic efficiency.
355
840000
2000
mit dieser Art von Algorithmeneffizienz.
14:17
And in that light,
356
842000
2000
Und in diesem Licht,
14:19
you go back
357
844000
2000
kehrt man zurück,
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
betrachtet die Bilder von Michael Najjar
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
und versteht, das diese keine Metapher sind, sondern eine Prophezeiung.
14:26
They're prophecy
360
851000
2000
Sie sind eine Prophezeiung
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
für die Art von seismischen und irdischen Effekten
14:32
of the math that we're making.
362
857000
2000
der Mathematik, die wir schaffen.
14:34
And the landscape was always made
363
859000
3000
Die Landschaft wurde stets von dieser Art
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
seltsamer, unbehaglicher Zusammenarbeit
14:40
between nature and man.
365
865000
3000
zwischen Mensch und Natur gestaltet.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Aber jetzt gibt es eine dritte koevolutionäre Kraft: Algorithmen –
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
den Bosten Shuffler, den Karneval.
14:49
And we will have to understand those as nature,
368
874000
3000
Wir werden diese als Natur verstehen müssen.
14:52
and in a way, they are.
369
877000
2000
In gewisser Weise sind sie das auch.
14:54
Thank you.
370
879000
2000
Vielen Dank.
14:56
(Applause)
371
881000
20000
(Applaus)
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