TED2010
Stephen Wolfram: Computing a theory of all knowledge
Stephen Wolfram: Die Berechnung einer Weltformel
Filmed:
Readability: 4.4
1,811,819 views
Stephen Wolfram, der Gründer von Mathematica spricht über die Herausforderung, alle Wissensbestände errechenbar -- suchfähig, verarbeitbar und manipulierbar zu machen. Sein neuer Internetdienst Wolfram Alpha hat kein geringeres Ziel, als die Modellierung und Erklärung der Physik, welche unserem Universum zu Grunde liegt.
Stephen Wolfram - Scientist, inventor
Stephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research. Full bio
Stephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research. Full bio
Double-click the English transcript below to play the video.
00:16
So I want to talk today about an idea. It's a big idea.
0
1000
3000
Ich möchte heute über ein Konzept sprechen. Es ist ein großes Konzept.
00:19
Actually, I think it'll eventually
1
4000
2000
Eigentlich glaube ich, dass es möglicherweise
00:21
be seen as probably the single biggest idea
2
6000
2000
als das bedeutendste Konzept angesehen werden kann,
00:23
that's emerged in the past century.
3
8000
2000
das sich im letzten Jahrhundert entwickelt hat.
00:25
It's the idea of computation.
4
10000
2000
Es ist die Idee der Berechnung.
00:27
Now, of course, that idea has brought us
5
12000
2000
Nun, natürlich brachte uns dieses Konzept
00:29
all of the computer technology we have today and so on.
6
14000
3000
alles an Computertechnologie, was wir heute haben und so weiter.
00:32
But there's actually a lot more to computation than that.
7
17000
3000
Aber da gibt es eigentlich viel mehr zu berechnen als das.
00:35
It's really a very deep, very powerful, very fundamental idea,
8
20000
3000
Es ist ein sehr tiefes, sehr starkes, sehr elementares Konzept.
00:38
whose effects we've only just begun to see.
9
23000
3000
dessen Auswirkungen wir gerade erst beginnen zu erkennen.
00:41
Well, I myself have spent the past 30 years of my life
10
26000
3000
Nun, ich selbst habe die letzten 30 Jahre meines Lebens
00:44
working on three large projects
11
29000
2000
an drei großen Projekten gearbeitet,
00:46
that really try to take the idea of computation seriously.
12
31000
3000
die wirklich versuchen, das Konzept der Berechnung ernst zu nehmen.
00:50
So I started off at a young age as a physicist
13
35000
3000
Ich begann also im Jugendalter als Physiker
00:53
using computers as tools.
14
38000
2000
der Computer als Arbeitshilfe nutzte.
00:55
Then, I started drilling down,
15
40000
2000
Dann fing ich an, das irgendwie aufzureißen,
00:57
thinking about the computations I might want to do,
16
42000
2000
über die Berechnungen nachzudenken, die ich durchführen könnte.
00:59
trying to figure out what primitives they could be built up from
17
44000
3000
um herauszufinden, auf welchen Grundlagen sie aufgebaut werden könnten
01:02
and how they could be automated as much as possible.
18
47000
3000
und wie sie, so gut wie möglich, automatisiert werden könnten.
01:05
Eventually, I created a whole structure
19
50000
2000
Letztendlich erschaffte ich eine Struktur,
01:07
based on symbolic programming and so on
20
52000
2000
basierend auf symbolischer Programmierung und so weiter,
01:09
that let me build Mathematica.
21
54000
2000
die mich die Mathematica erstellen ließ.
01:11
And for the past 23 years, at an increasing rate,
22
56000
2000
Und während der letzten 23 Jahre ließen wir
01:13
we've been pouring more and more ideas
23
58000
2000
in zunehmendem Maße mehr und mehr Ideen
01:15
and capabilities and so on into Mathematica,
24
60000
2000
und Kapazitäten und so weiter in Mathematica einfließen
01:17
and I'm happy to say that that's led to many good things
25
62000
3000
und ich bin froh sagen zu können, dass dies zu vielen guten Dingen
01:20
in R & D and education,
26
65000
2000
in Forschung & Entwicklung und Bildung
01:22
lots of other areas.
27
67000
2000
sowie in vielen anderen Bereichen geführt hat.
01:24
Well, I have to admit, actually,
28
69000
2000
Nun, ich muss zugeben, eigentlich
01:26
that I also had a very selfish reason for building Mathematica:
29
71000
3000
hatte ich einen sehr egoistischen Grund, um Mathematica zu erschaffen.
01:29
I wanted to use it myself,
30
74000
2000
Ich wollte es für mich selbst nutzen,
01:31
a bit like Galileo got to use his telescope
31
76000
2000
etwa so, wie Galileo sein Teleskop nutzte,
01:33
400 years ago.
32
78000
2000
vor 400 Jahren.
01:35
But I wanted to look not at the astronomical universe,
33
80000
3000
Aber ich wollte nicht auf das astronomische Universum blicken,
01:38
but at the computational universe.
34
83000
3000
sondern auf das rechnerische Universum.
01:41
So we normally think of programs as being
35
86000
2000
Üblicherweise denken wir bei Programmen an
01:43
complicated things that we build
36
88000
2000
komplizierte Dinge, die wir für einen
01:45
for very specific purposes.
37
90000
2000
spezifischen Zweck erstellen.
01:47
But what about the space of all possible programs?
38
92000
3000
Aber was ist mit dem Raum all dieser möglichen Programme?
01:50
Here's a representation of a really simple program.
39
95000
3000
Hier ist eine Darstellung eines sehr einfachen Programms.
01:53
So, if we run this program,
40
98000
2000
Wenn wir dieses Programm laufen lassen,
01:55
this is what we get.
41
100000
2000
bekommen wir das.
01:57
Very simple.
42
102000
2000
Ganz einfach.
01:59
So let's try changing the rule
43
104000
2000
Lassen Sie uns also mal versuchen die Regel
02:01
for this program a little bit.
44
106000
2000
für das Programm ein wenig zu ändern.
02:03
Now we get another result,
45
108000
2000
Jetzt bekommen wir ein anderes Ergebnis,
02:05
still very simple.
46
110000
2000
dennoch ganz einfach.
02:07
Try changing it again.
47
112000
3000
Versuchen wir es nochmal zu ändern.
02:10
You get something a little bit more complicated.
48
115000
2000
Sie bekommen etwas leicht komplizierteres,
02:12
But if we keep running this for a while,
49
117000
2000
aber wenn wir es für eine Weile laufen lassen,
02:14
we find out that although the pattern we get is very intricate,
50
119000
3000
finden wir heraus, dass das Muster, was wir bekommen, sehr aufwändig ist,
02:17
it has a very regular structure.
51
122000
3000
es hat eine sehr geregelte Struktur.
02:20
So the question is: Can anything else happen?
52
125000
3000
Die Frage lautet also: Kann irgend etwas anderes passieren?
02:23
Well, we can do a little experiment.
53
128000
2000
Nun, wir können ein kleines Experiment machen.
02:25
Let's just do a little mathematical experiment, try and find out.
54
130000
3000
Machen wir ein kleines mathematisches Experiment, versuchen wir etwas herauszufinden.
02:29
Let's just run all possible programs
55
134000
3000
Lassen wir einfach alle möglichen Programme
02:32
of the particular type that we're looking at.
56
137000
2000
des speziellen Falls, den wir betrachten, laufen.
02:34
They're called cellular automata.
57
139000
2000
Sie werden zellulare Automaten genannt.
02:36
You can see a lot of diversity in the behavior here.
58
141000
2000
Hier können Sie eine hohe Vielfältigkeit im Verhalten erkennen.
02:38
Most of them do very simple things,
59
143000
2000
Die meisten davon machen sehr einfache Dinge.
02:40
but if you look along all these different pictures,
60
145000
2000
Aber wenn Sie weiter auf all diese verschiedenen Bilder schauen,
02:42
at rule number 30,
61
147000
2000
bei Regel Nummer 30,
02:44
you start to see something interesting going on.
62
149000
2000
erkennen Sie, dass sich da etwas interessantes abzeichnet.
02:46
So let's take a closer look
63
151000
2000
Gucken wir also mal genauer
02:48
at rule number 30 here.
64
153000
2000
auf Regel Nummer 30 hier.
02:50
So here it is.
65
155000
2000
Hier ist es also.
02:52
We're just following this very simple rule at the bottom here,
66
157000
3000
Wir folgen einfach dieser simplen Regeln hier unten,
02:55
but we're getting all this amazing stuff.
67
160000
2000
bekommen jedoch all diese erstaunlichen Dinge.
02:57
It's not at all what we're used to,
68
162000
2000
Es ist gar nicht das, was wir gewohnt sind,
02:59
and I must say that, when I first saw this,
69
164000
2000
und ich muss sagen, als ich es das erste mal sah,
03:01
it came as a huge shock to my intuition.
70
166000
3000
kam es zu einer riesen Erschütterung meiner Intuition
03:04
And, in fact, to understand it,
71
169000
2000
und, in der Tat, um es zu verstehen,
03:06
I eventually had to create
72
171000
2000
musste ich letztendlich
03:08
a whole new kind of science.
73
173000
2000
eine ganz neue Art der Wissenschaft entwerfen.
03:11
(Laughter)
74
176000
2000
(Lachen)
03:13
This science is different, more general,
75
178000
3000
Diese Wissenschaft ist anders, allgemeiner,
03:16
than the mathematics-based science that we've had
76
181000
2000
als die mathematisch basierte Wissenschaft, die wir
03:18
for the past 300 or so years.
77
183000
3000
in den letzten 300 Jahren oder so hatten.
03:21
You know, it's always seemed like a big mystery:
78
186000
2000
Wissen Sie, es schien immer wie ein großes Rätsel,
03:23
how nature, seemingly so effortlessly,
79
188000
3000
wie es die Natur anscheind so spielend
03:26
manages to produce so much
80
191000
2000
schafft, so viel zu produzieren,
03:28
that seems to us so complex.
81
193000
3000
das uns so komplex erscheint.
03:31
Well, I think we've found its secret:
82
196000
3000
Nun ich denke wir fanden das Geheimnis.
03:34
It's just sampling what's out there in the computational universe
83
199000
3000
Es ist einfach eine Stichprobe von dem da draußen im rechnerischen Universum
03:37
and quite often getting things like Rule 30
84
202000
3000
und recht häufig kommt es zu Dingen wie Regel 30
03:40
or like this.
85
205000
3000
oder so etwas.
03:44
And knowing that starts to explain
86
209000
2000
Und dieses Wissen erklärt
03:46
a lot of long-standing mysteries in science.
87
211000
3000
eine Menge von jahrelangen Mysterien in der Wissenschaft.
03:49
It also brings up new issues, though,
88
214000
2000
Es schafft jedoch auch neue Probleme,
03:51
like computational irreducibility.
89
216000
3000
wie die rechnerische Nichtreduzierbarkeit.
03:54
I mean, we're used to having science let us predict things,
90
219000
3000
Ich meine, wir sind es gewohnt, die Wissenschaft dafür zu nutzen, um uns Dinge voraussagen zu lassen,
03:57
but something like this
91
222000
2000
aber so etwas wie das
03:59
is fundamentally irreducible.
92
224000
2000
ist im Grunde unzerlegbar.
04:01
The only way to find its outcome
93
226000
2000
Der einzige Weg das Ergebnis herauszufinden
04:03
is, effectively, just to watch it evolve.
94
228000
3000
ist quasi, eben zu schauen, wie es sich entwickelt.
04:06
It's connected to, what I call,
95
231000
2000
Es ist verbunden mit, wie ich es nenne,
04:08
the principle of computational equivalence,
96
233000
2000
den Prinzipien der rechnerischen Äquivalenz,
04:10
which tells us that even incredibly simple systems
97
235000
3000
die uns sagen, dass unheimlich einfache Systeme
04:13
can do computations as sophisticated as anything.
98
238000
3000
völlig mühelos hochkomplexe Berechnungen machen können.
04:16
It doesn't take lots of technology or biological evolution
99
241000
3000
Es braucht nicht viel Technologie der biologischen Evolution,
04:19
to be able to do arbitrary computation;
100
244000
2000
um willkürliche Berechnungen zu machen.
04:21
just something that happens, naturally,
101
246000
2000
Es passiert einfach, natürlich,
04:23
all over the place.
102
248000
2000
überall.
04:25
Things with rules as simple as these can do it.
103
250000
3000
Dinge mit Regeln die so einfach wie diese sein können.
04:29
Well, this has deep implications
104
254000
2000
Nun, das hat große Auswirkungen
04:31
about the limits of science,
105
256000
2000
auf die Grenzen der Wissenschaft,
04:33
about predictability and controllability
106
258000
2000
auf Berechenbarkeit und Steuerbarkeit
04:35
of things like biological processes or economies,
107
260000
3000
von Dingen wie biologischen Prozessen oder Einsparungen,
04:38
about intelligence in the universe,
108
263000
2000
auf Intelligenz im Universum,
04:40
about questions like free will
109
265000
2000
auf Fragen, wie die Willensfreiheit
04:42
and about creating technology.
110
267000
3000
und auf das Erschaffen von Technologien.
04:45
You know, in working on this science for many years,
111
270000
2000
Wissen Sie, während ich soviele Jahre an dieser Wissenschaft arbeitete,
04:47
I kept wondering,
112
272000
2000
fragte ich mich:
04:49
"What will be its first killer app?"
113
274000
2000
"Was wird ihre Killerapplikation sein?"
04:51
Well, ever since I was a kid,
114
276000
2000
Nun, seitdem ich ein Kind war,
04:53
I'd been thinking about systematizing knowledge
115
278000
2000
dachte ich darüber nach, wie man Wissen systematisieren
04:55
and somehow making it computable.
116
280000
2000
und irgendwie berechenbar machen könnte.
04:57
People like Leibniz had wondered about that too
117
282000
2000
Leute wie Leibniz machten sich ebenfalls Gedanken darüber,
04:59
300 years earlier.
118
284000
2000
300 Jahre früher.
05:01
But I'd always assumed that to make progress,
119
286000
2000
Aber ich nahm immer an, dass ich, um voranzukommen,
05:03
I'd essentially have to replicate a whole brain.
120
288000
3000
im Wesentlichen ein komplettes Gehirn replizieren müsste.
05:06
Well, then I got to thinking:
121
291000
2000
Also, überlegte ich mir:
05:08
This scientific paradigm of mine suggests something different --
122
293000
3000
Das mein wissenschaftliches Paradigma etwas anderes vorschlägt.
05:11
and, by the way, I've now got
123
296000
2000
Und, übrigens, habe ich nun
05:13
huge computation capabilities in Mathematica,
124
298000
3000
gewaltige Rechenkapazitäten in Mathematica
05:16
and I'm a CEO with some worldly resources
125
301000
3000
und ich bin ein Geschäftsführer mit einigen weltlichen Ressourcen,
05:19
to do large, seemingly crazy, projects --
126
304000
3000
um große, scheinbar verrückte Projekte zu machen.
05:22
So I decided to just try to see
127
307000
2000
Also entschied ich mich einfach zu versuchen, zu erkennen
05:24
how much of the systematic knowledge that's out there in the world
128
309000
3000
wieviel von dem systematischen Wissen da draussen in der Welt
05:27
we could make computable.
129
312000
2000
wir berechnen können.
05:29
So, it's been a big, very complex project,
130
314000
2000
Es war also ein großes, sehr komplexes Projekt ,
05:31
which I was not sure was going to work at all.
131
316000
3000
von dem ich nicht mal sicher war, ob es überhaupt funktioniert.
05:34
But I'm happy to say it's actually going really well.
132
319000
3000
Aber ich bin froh zu sagen, dass es eigentlich sehr gut ging.
05:37
And last year we were able
133
322000
2000
Und letztes Jahr waren wir in der Lage,
05:39
to release the first website version
134
324000
2000
die erste Version der Website von
05:41
of Wolfram Alpha.
135
326000
2000
Wolfram Alpha zu veröffentlichen.
05:43
Its purpose is to be a serious knowledge engine
136
328000
3000
Ihr Bestimmung ist, eine seriöse Wissensmaschine zu sein,
05:46
that computes answers to questions.
137
331000
3000
die Antworten auf Fragen errechnet.
05:49
So let's give it a try.
138
334000
2000
Probieren wir es also einmal.
05:51
Let's start off with something really easy.
139
336000
2000
Beginnen wir mit etwas sehr Einfachem.
05:53
Hope for the best.
140
338000
2000
Auf das Beste hoffen.
05:55
Very good. Okay.
141
340000
2000
Sehr gut. Okay.
05:57
So far so good.
142
342000
2000
Soweit so gut.
05:59
(Laughter)
143
344000
3000
(Lachen)
06:02
Let's try something a little bit harder.
144
347000
3000
Probieren wir etwas, was ein wenig schwerer ist.
06:05
Let's do
145
350000
2000
Sagen wir...
06:07
some mathy thing,
146
352000
3000
Lassen Sie uns etwas Mathematisches machen.
06:10
and with luck it'll work out the answer
147
355000
3000
und mit etwas Glück findet es die Antwort
06:13
and try and tell us some interesting things
148
358000
2000
und versucht uns einige interessante Dinge zu sagen,
06:15
things about related math.
149
360000
2000
Dinge über ähnliche Mathematik.
06:17
We could ask it something about the real world.
150
362000
3000
Wir könnten es etwas über die reale Welt fragen.
06:20
Let's say -- I don't know --
151
365000
2000
Sagen wir -- Ich weiß nicht --
06:22
what's the GDP of Spain?
152
367000
3000
Wie ist das Bruttoinlandsprodukt von Spanien?
06:25
And it should be able to tell us that.
153
370000
2000
Und es sollte in der Lage sein, uns das zu sagen.
06:27
Now we could compute something related to this,
154
372000
2000
Nun können wir etwas in Relation dazu berechnen.
06:29
let's say ... the GDP of Spain
155
374000
2000
Sagen wir das Bruttoinlandsprodukt von Spanien
06:31
divided by, I don't know,
156
376000
2000
geteilt durch, Ich weiß nicht.
06:33
the -- hmmm ...
157
378000
2000
das -- hmmm ...
06:35
let's say the revenue of Microsoft.
158
380000
2000
sagen wir das Einkommen von Microsoft.
06:37
(Laughter)
159
382000
2000
(Lachen)
06:39
The idea is that we can just type this in,
160
384000
2000
Die Idee ist, dass wir es sozusagen einfach eintippen,
06:41
this kind of question in, however we think of it.
161
386000
3000
eine Frage, die wir uns gerade stellen.
06:44
So let's try asking a question,
162
389000
2000
Probieren wir also eine Frage zu stellen,
06:46
like a health related question.
163
391000
2000
die sich mit der Gesundheit beschäftigt.
06:48
So let's say we have a lab finding that ...
164
393000
3000
Also sagen wir, wir haben ein Labor, dass meint --
06:51
you know, we have an LDL level of 140
165
396000
2000
Sie wissen schon, wir haben einen Cholesterinspiegel von 140
06:53
for a male aged 50.
166
398000
3000
für einen Mann im Alter von 50.
06:56
So let's type that in, and now Wolfram Alpha
167
401000
2000
Also lassen Sie uns das eintippen und nun wird Wolfram Alpha
06:58
will go and use available public health data
168
403000
2000
losgehen und verfügbare öffentliche Gesundheitsinformationen nutzen
07:00
and try and figure out
169
405000
2000
und versuchen herauszufinden,
07:02
what part of the population that corresponds to and so on.
170
407000
3000
welchem Teil der Bevölkerung das entspricht und so weiter.
07:05
Or let's try asking about, I don't know,
171
410000
3000
Oder lassen Sie uns fragen, ich weiß nicht,
07:08
the International Space Station.
172
413000
2000
die Internationale Raumstation.
07:10
And what's happening here is that
173
415000
2000
Und was hier jetzt passiert ist, dass
07:12
Wolfram Alpha is not just looking up something;
174
417000
2000
Wolfram Alpha nicht nur etwas nachschaut;
07:14
it's computing, in real time,
175
419000
3000
Es berechnet in Echtzeit,
07:17
where the International Space Station is right now at this moment,
176
422000
3000
wo die Internationale Raumstation gerade ist, in diesem Moment,
07:20
how fast it's going, and so on.
177
425000
3000
wie schnell sie ist und so weiter.
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
429000
3000
Wolfram Alpha weiß also über viele und viele Dinge Bescheid.
07:27
It's got, by now,
179
432000
2000
Es deckt inzwischen vieles
07:29
pretty good coverage of everything you might find
180
434000
2000
von dem ab, was Sie
07:31
in a standard reference library.
181
436000
3000
in einer normalen Präsenzbibliothek finden können.
07:34
But the goal is to go much further
182
439000
2000
Aber das Ziel ist es viel weiter zu gehen
07:36
and, very broadly, to democratize
183
441000
3000
und, sehr umfassend, all diese Arten
07:39
all of this knowledge,
184
444000
3000
des Wissens zu demokratisieren
07:42
and to try and be an authoritative
185
447000
2000
und zu versuchen eine zuverlässige
07:44
source in all areas.
186
449000
2000
Quelle in allen Bereichen zu werden,
07:46
To be able to compute answers to specific questions that people have,
187
451000
3000
um fähig zu sein, Antworten zu spezifischen Fragen, die Leute haben, zu errechnen,
07:49
not by searching what other people
188
454000
2000
nicht indem das durchsucht wird, was andere Leute
07:51
may have written down before,
189
456000
2000
vorher geschrieben haben,
07:53
but by using built in knowledge
190
458000
2000
sondern indem man vorhandenes Wissen nutzt,
07:55
to compute fresh new answers to specific questions.
191
460000
3000
um neue Antworten auf spezifische Fragen zu geben.
07:58
Now, of course, Wolfram Alpha
192
463000
2000
Nun Wolfram Alpha ist selbstverständlich
08:00
is a monumentally huge, long-term project
193
465000
2000
ein monumental großes, langfristiges Projekt,
08:02
with lots and lots of challenges.
194
467000
2000
mit vielen, vielen Herausforderungen.
08:04
For a start, one has to curate a zillion
195
469000
3000
Zunächst einmal muss man zigtausend
08:07
different sources of facts and data,
196
472000
3000
unterschiedliche Quellen von Fakten und Daten generieren,
08:10
and we built quite a pipeline of Mathematica automation
197
475000
3000
und wir schafften quasi eine Pipeline zwischen mathematischen Berechnungen
08:13
and human domain experts for doing this.
198
478000
3000
und Experten sozialer Bereiche, um dies zu tun.
08:16
But that's just the beginning.
199
481000
2000
Aber das ist nur der Anfang.
08:18
Given raw facts or data
200
483000
2000
Um mit rohen Fakten und Daten
08:20
to actually answer questions,
201
485000
2000
tatsächlich auf Fragen zu antworten,
08:22
one has to compute:
202
487000
2000
muss man Berechnungen anstellen,
08:24
one has to implement all those methods and models
203
489000
2000
muss man all diese Methoden und Modelle implementieren
08:26
and algorithms and so on
204
491000
2000
und Algorithmen und so weiter,
08:28
that science and other areas have built up over the centuries.
205
493000
3000
die die Wissenschaft und andere Gebiete über Jahrzehnte aufgebaut haben.
08:31
Well, even starting from Mathematica,
206
496000
3000
Nun, selbst ausgehend von Mathematica,
08:34
this is still a huge amount of work.
207
499000
2000
ist es immer noch eine unheimliche Menge Arbeit.
08:36
So far, there are about 8 million lines
208
501000
2000
Bisher sind es über 8 Millionen Zeilen
08:38
of Mathematica code in Wolfram Alpha
209
503000
2000
mathematischen Codes in Wolfram Alpha,
08:40
built by experts from many, many different fields.
210
505000
3000
erstellt von Experten aus vielen, vielen unterschiedlichen Bereichen.
08:43
Well, a crucial idea of Wolfram Alpha
211
508000
3000
Nun, eine essentielle Idee von Wolfram Alpha
08:46
is that you can just ask it questions
212
511000
2000
ist es, dass Sie einfach Fragen
08:48
using ordinary human language,
213
513000
3000
in normaler menschlicher Sprache stellen können,
08:51
which means that we've got to be able to take
214
516000
2000
was bedeutet, dass wir in der Lage sein müssen,
08:53
all those strange utterances that people type into the input field
215
518000
3000
all die seltsamen Äußerungen, die Leute in das Eingabefeld tippen, aufzunehmen
08:56
and understand them.
216
521000
2000
und sie zu verstehen.
08:58
And I must say that I thought that step
217
523000
2000
Und ich muss sagen, dass ich glaubte, dieser Schritt
09:00
might just be plain impossible.
218
525000
3000
sei schlicht unmöglich.
09:04
Two big things happened:
219
529000
2000
Zwei wesentliche Dinge passierten.
09:06
First, a bunch of new ideas about linguistics
220
531000
3000
Erstens, ein Haufen neuer Ideen über die Sprachwissenschaft
09:09
that came from studying the computational universe;
221
534000
3000
gingen aus den Studien des rechnerischen Universums hervor.
09:12
and second, the realization that having actual computable knowledge
222
537000
3000
Und zweitens, die Realisierung, tatsächlich erechenbares Wissen zu haben,
09:15
completely changes how one can
223
540000
2000
kann sich vollständig ändern, wenn man
09:17
set about understanding language.
224
542000
3000
über das Verständnis von Sprache herangeht.
09:20
And, of course, now
225
545000
2000
Und, natürlich jetzt,
09:22
with Wolfram Alpha actually out in the wild,
226
547000
2000
mit Wolfram Alpha eigentlich in freier Wildbahn,
09:24
we can learn from its actual usage.
227
549000
2000
können wir von dessen aktueller Nutzung lernen.
09:26
And, in fact, there's been
228
551000
2000
Und es gab sogar
09:28
an interesting coevolution that's been going on
229
553000
2000
eine interessante Koevolution die stattfand
09:30
between Wolfram Alpha
230
555000
2000
zwischen Wolfram Alpha
09:32
and its human users,
231
557000
2000
und dessen Nutzer.
09:34
and it's really encouraging.
232
559000
2000
Und das ist wahrlich vielversprechend.
09:36
Right now, if we look at web queries,
233
561000
2000
Im Augenblick, wenn wir einen Blick auf die Webanfragen werfen,
09:38
more than 80 percent of them get handled successfully the first time.
234
563000
3000
werden mehr als 80 Prozent beim ersten Mal erfolgreich bearbeitet.
09:41
And if you look at things like the iPhone app,
235
566000
2000
Und wenn Sie einen Blick auf Dinge wie die iPhone Applikation werfen,
09:43
the fraction is considerably larger.
236
568000
2000
ist der Anteil erheblich höher.
09:45
So, I'm pretty pleased with it all.
237
570000
2000
Ich bin also ziemlich zufrieden mit all dem.
09:47
But, in many ways,
238
572000
2000
Aber in vielen Fällen
09:49
we're still at the very beginning with Wolfram Alpha.
239
574000
3000
sind wir mit Wolfram Alpha immernoch ganz am Anfang.
09:52
I mean, everything is scaling up very nicely
240
577000
2000
Ich meine, alles entwickelt sich sehr schön.
09:54
and we're getting more confident.
241
579000
2000
Wir werden selbstbewusster.
09:56
You can expect to see Wolfram Alpha technology
242
581000
2000
Sie können davon ausgehen, dass die Wolfram Alpha Technologie
09:58
showing up in more and more places,
243
583000
2000
an mehr und mehr Orten auftaucht,
10:00
working both with this kind of public data, like on the website,
244
585000
3000
arbeitend mit Beiden, dieser Art der öffentlichen Daten, wie auf der Website
10:03
and with private knowledge
245
588000
2000
und mit privatem Wissen
10:05
for people and companies and so on.
246
590000
3000
für Personen und Firmen und so weiter.
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
593000
3000
Wissen Sie, Ich habe erkannt das Wolfram Alpha einem eigentlich
10:11
a whole new kind of computing
248
596000
2000
eine ganze neue Art der Berechnung gibt,
10:13
that one can call knowledge-based computing,
249
598000
2000
die man wissensbasiertes Berechnen nennen könnte,
10:15
in which one's starting not just from raw computation,
250
600000
3000
bei welcher man, nicht mit einer rohen Berechnung beginnt,
10:18
but from a vast amount of built-in knowledge.
251
603000
3000
sondern mit einer gewaltigen Menge von integriertem Wissen.
10:21
And when one does that, one really changes
252
606000
2000
Und wenn man das tut, ändert man tatsächlich
10:23
the economics of delivering computational things,
253
608000
3000
die Ökonomie rechnerische Dingen zu liefern,
10:26
whether it's on the web or elsewhere.
254
611000
2000
ob es nun im Web ist oder anderswo.
10:28
You know, we have a fairly interesting situation right now.
255
613000
3000
Wissen Sie, wir haben gerade eine ziemlich interessante Situation.
10:31
On the one hand, we have Mathematica,
256
616000
2000
Auf der einen Seite haben wir Mathematica,
10:33
with its sort of precise, formal language
257
618000
3000
mit dessen Art von präziser, formaler Sprache
10:36
and a huge network
258
621000
2000
und einem großen Netzwerk
10:38
of carefully designed capabilities
259
623000
2000
von sorgfälltig entwickelten Kapazitäten,
10:40
able to get a lot done in just a few lines.
260
625000
3000
fähig, eine Menge mit nur ein paar Zeilen zu erledigen.
10:43
Let me show you a couple of examples here.
261
628000
3000
Lassen Sie mich hier einige Beispiele zeigen.
10:47
So here's a trivial piece of Mathematica programming.
262
632000
3000
Also hier haben wir ein gewöhnliches Stück der Mathematica Programmierung.
10:51
Here's something where we're sort of
263
636000
2000
Hier ist etwas, wo wir irgendwie
10:53
integrating a bunch of different capabilities here.
264
638000
3000
eine Menge unterschiedlicher Möglichkeiten integrieren.
10:56
Here we'll just create, in this line,
265
641000
3000
Hier in dieser Zeile erstellen wir gerade
10:59
a little user interface that allows us to
266
644000
3000
eine kleine Bedienoberfläche, die es uns erlaubt,
11:02
do something fun there.
267
647000
2000
dort etwas lustiges zu machen.
11:05
If you go on, that's a slightly more complicated program
268
650000
2000
Wenn wir weitergehen, ist das ein etwas komplizierteres Programm
11:07
that's now doing all sorts of algorithmic things
269
652000
3000
das hier erledigt Allerlei algorithmische Dinge
11:10
and creating user interface and so on.
270
655000
2000
und erstellt Benutzeroberflächen und so.
11:12
But it's something that is very precise stuff.
271
657000
3000
Aber es ist sehr präzise.
11:15
It's a precise specification with a precise formal language
272
660000
3000
Es ist eine präzise Spezifikation mit präziser formaler Sprache,
11:18
that causes Mathematica to know what to do here.
273
663000
3000
die Mathematica wissen lässt, was hier zu tun ist.
11:21
Then on the other hand, we have Wolfram Alpha,
274
666000
3000
Nun, auf der anderen Seite haben wir Wolfram Alpha,
11:24
with all the messiness of the world
275
669000
2000
mit allen Arten von Unordnung der Welt
11:26
and human language and so on built into it.
276
671000
2000
und menschlicher Sprache und so weiter implementiert.
11:28
So what happens when you put these things together?
277
673000
3000
Was passiert , wenn man diese beiden Dinge kombiniert?
11:31
I think it's actually rather wonderful.
278
676000
2000
Ich glaube, es ist ziemlich erstaunlich.
11:33
With Wolfram Alpha inside Mathematica,
279
678000
2000
Mit Wolfram Alpha innerhalb Mathematica,
11:35
you can, for example, make precise programs
280
680000
2000
können Sie zum Beispiel präzise Programme erstellen,
11:37
that call on real world data.
281
682000
2000
die Daten aus der echten Welt abrufen.
11:39
Here's a real simple example.
282
684000
2000
Hier ist ein einfaches Beispiel.
11:44
You can also just sort of give vague input
283
689000
3000
Sie können auch einfach nur eine ungenaue Eingabe machen
11:47
and then try and have Wolfram Alpha
284
692000
2000
und dann versuchen, Wolfram Alpha
11:49
figure out what you're talking about.
285
694000
2000
herauszufinden zu lassen wovon Sie sprechen.
11:51
Let's try this here.
286
696000
2000
Lassen Sie uns das hier probieren.
11:53
But actually I think the most exciting thing about this
287
698000
3000
Aber eigentlich glaube ich, dass wohl aufregendste daran ist,
11:56
is that it really gives one the chance
288
701000
2000
dass es einem wirklich die Möglichkeit gibt,
11:58
to democratize programming.
289
703000
3000
Programmierung zu demokratiiseren.
12:01
I mean, anyone will be able to say what they want in plain language.
290
706000
3000
Ich meine, jeder wird in der Lage sein, dass was er wissen will in einfacher Sprache zu formulieren,
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
709000
3000
die Idee ist es dann, dass Wolfram Alpha imstande ist, herauszufinden
12:07
what precise pieces of code
292
712000
2000
welche präzisen Teile von Code
12:09
can do what they're asking for
293
714000
2000
das machen kann, wonach gefragt wird
12:11
and then show them examples that will let them pick what they need
294
716000
3000
und dann Beispiele zeigt, aus welchen dann gewählt werden kann,
12:14
to build up bigger and bigger, precise programs.
295
719000
3000
um größere und größere, präzisere Programme zu erstellen.
12:17
So, sometimes, Wolfram Alpha
296
722000
2000
Also manchmal wird Wolfram Alpha
12:19
will be able to do the whole thing immediately
297
724000
2000
in der Lage sein, dass Ganze sofort zu erledigen
12:21
and just give back a whole big program that you can then compute with.
298
726000
3000
und es gibt dann einfach ein großes Programm zurück, mit dem Sie dann rechnen können.
12:24
Here's a big website
299
729000
2000
Hier ist eine große Website,
12:26
where we've been collecting lots of educational
300
731000
3000
auf der wir eine Menge bildungsrelevanter Informationen
12:29
and other demonstrations about lots of kinds of things.
301
734000
3000
und andere Demonstrationen über eine Menge von Dingen gesammelt haben.
12:32
I'll show you one example here.
302
737000
3000
Also, Ich weiß nicht, Ich zeige Ihnen hier vielleicht ein Beispiel.
12:36
This is just an example of one of these computable documents.
303
741000
3000
Das ist einfach ein Beispiel eines dieser errechneten Dokumente.
12:39
This is probably a fairly small
304
744000
2000
Das ist vermutlich ein ziemlich kleiner
12:41
piece of Mathematica code
305
746000
2000
Teil Mathematica Code
12:43
that's able to be run here.
306
748000
2000
was imstande ist, das hier laufen zu lassen.
12:47
Okay. Let's zoom out again.
307
752000
3000
Okay. Gehen wir nochmal einen Schritt zurück.
12:50
So, given our new kind of science,
308
755000
2000
Also, gibt es in Anbetracht unserer neuen Art der Wissenschaft
12:52
is there a general way to use it to make technology?
309
757000
3000
einen allgemeinen Weg sie zu nutzen, um Technologie zu schaffen?
12:55
So, with physical materials,
310
760000
2000
Also, mit physikalischen Materialuntersuchungen,
12:57
we're used to going around the world
311
762000
2000
sind wir es quasi gewohnt, um die Welt zu gehen
12:59
and discovering that particular materials
312
764000
2000
und zu erkennen, dass bestimmte Stoffe
13:01
are useful for particular
313
766000
2000
sinnvoll für bestimmte
13:03
technological purposes.
314
768000
2000
technologische Zwecke und so weiter sind.
13:05
Well, it turns out we can do very much the same kind of thing
315
770000
2000
Nun, es hat sich gezeigt, dass wir sehr viel davon auch
13:07
in the computational universe.
316
772000
2000
im rechnerischen Universum tun können.
13:09
There's an inexhaustible supply of programs out there.
317
774000
3000
Es ist ein unerschöpflicher Vorrat von Programmen da draussen.
13:12
The challenge is to see how to
318
777000
2000
Die Herausforderung ist es, zu verstehen, wie man
13:14
harness them for human purposes.
319
779000
2000
sie für menschliche Zwecke nutzbar machen kann.
13:16
Something like Rule 30, for example,
320
781000
2000
Etwas wie Regel 30 zum Beispiel,
13:18
turns out to be a really good randomness generator.
321
783000
2000
scheint ein ziemlich guter Zufallsgenerator zu sein.
13:20
Other simple programs are good models
322
785000
2000
Andere einfache Programme sind gute Modelle
13:22
for processes in the natural or social world.
323
787000
3000
für Vorgänge in der Natur oder sozialen Welt.
13:25
And, for example, Wolfram Alpha and Mathematica
324
790000
2000
Und, zum Beispiel, Wolfram Alpha und Mathematica
13:27
are actually now full of algorithms
325
792000
2000
sind nun vollgestopft mit Algorithmen
13:29
that we discovered by searching the computational universe.
326
794000
3000
die wir auf der Suche nach dem rechnerischen Universum entdeckt haben.
13:33
And, for example, this -- if we go back here --
327
798000
3000
Und, zum Beispiel, dieses -- gehen wir hierhin zurück --
13:37
this has become surprisingly popular
328
802000
2000
Dieses wurde überraschenderweise bekannt
13:39
among composers
329
804000
2000
unter Komponisten
13:41
finding musical forms by searching the computational universe.
330
806000
3000
um musikalische Formen zu finden während man das rechnerische Universum durchsucht.
13:45
In a sense, we can use the computational universe
331
810000
2000
In gewisser Hinsicht können wir das rechnerische Universum nutzen,
13:47
to get mass customized creativity.
332
812000
3000
für massenhafte individuelle Kreativität.
13:50
I'm hoping we can, for example,
333
815000
2000
Ich hoffe wir können es, zum Beispiel,
13:52
use that even to get Wolfram Alpha
334
817000
2000
auch nutzen, um auch Wolfram Alpha
13:54
to routinely do invention and discovery on the fly,
335
819000
3000
routinemäßig irgendwie spontan erfinden und entdecken zu lassen
13:57
and to find all sorts of wonderful stuff
336
822000
2000
und um all die Arten von wundervollen Dingen zu finden,
13:59
that no engineer
337
824000
2000
die keine Manipulation
14:01
and no process of incremental evolution would ever come up with.
338
826000
3000
und kein Prozess inkrementeller Evolution jemals hervorbringen würde.
14:05
Well, so, that leads to kind of an ultimate question:
339
830000
3000
Nun, das führt also zu einer Art ultimativer Frage.
14:08
Could it be that someplace out there in the computational universe
340
833000
3000
Könnte es sein, das wir irgendwo da draussen im rechnerischen Universum
14:11
we might find our physical universe?
341
836000
3000
unser physisches Universum finden können?
14:14
Perhaps there's even some quite simple rule,
342
839000
2000
Vielleicht existiert eine recht simple Regel,
14:16
some simple program for our universe.
343
841000
3000
ein einfaches Programm für unser Universum.
14:19
Well, the history of physics would have us believe
344
844000
2000
Nun, die Geschichte der Physik wollte uns Glauben machen
14:21
that the rule for the universe must be pretty complicated.
345
846000
3000
dass die Regel für unser Univserum ziemlich kompliziert sein muss.
14:24
But in the computational universe,
346
849000
2000
Aber im rechnerischen Universum
14:26
we've now seen how rules that are incredibly simple
347
851000
3000
haben wir nun gesehen, wie Regeln, die so unglaublich einfach sind,
14:29
can produce incredibly rich and complex behavior.
348
854000
3000
so unfassbar reichhaltiges und komplexes Verhalten produzieren können.
14:32
So could that be what's going on with our whole universe?
349
857000
3000
Könnte es also sein, dass das mit unserem gesamten Universum passiert?
14:36
If the rules for the universe are simple,
350
861000
2000
Wenn die Regeln für die Gesamtheit einfach sind,
14:38
it's kind of inevitable that they have to be
351
863000
2000
ist irgendwie unausweichlich, dass sie
14:40
very abstract and very low level;
352
865000
2000
sehr abstrakt und auf niedriger Ebene
14:42
operating, for example, far below
353
867000
2000
arbeiten, zum Beispiel, weit unter
14:44
the level of space or time,
354
869000
2000
der Ebene von Raum oder Zeit,
14:46
which makes it hard to represent things.
355
871000
2000
was es schwer macht, Dinge zu repräsentieren.
14:48
But in at least a large class of cases,
356
873000
2000
Aber in zumindest einer große Klasse von Fällen,
14:50
one can think of the universe as being
357
875000
2000
kann man davon ausgehen, dass das Universum,
14:52
like some kind of network,
358
877000
2000
eine Art Netzwerk ist,
14:54
which, when it gets big enough,
359
879000
2000
welches sich, wenn es groß genug ist,
14:56
behaves like continuous space
360
881000
2000
wie ein unendlicher Raum verhält,
14:58
in much the same way as having lots of molecules
361
883000
2000
ziemlich genau so als würde man eine Menge Moleküle haben,
15:00
can behave like a continuous fluid.
362
885000
2000
die sich wie eine Flüssigkeit verhalten.
15:02
Well, then the universe has to evolve by applying
363
887000
3000
Nun, dann muss sich das Universum, durch die Anwendung
15:05
little rules that progressively update this network.
364
890000
3000
kleiner Regeln die das Netzwerk zunehmend aktualisieren, entwickeln.
15:08
And each possible rule, in a sense,
365
893000
2000
Und jede mögliche Regel, gewissermaßen,
15:10
corresponds to a candidate universe.
366
895000
2000
entspricht einem Kandidaten im Universum,
15:12
Actually, I haven't shown these before,
367
897000
3000
Eigentlich habe ich das vorher nicht gezeigt,
15:16
but here are a few of the candidate universes
368
901000
3000
aber hier sind einige der Universums Kandidaten
15:19
that I've looked at.
369
904000
2000
die ich betrachtet habe.
15:21
Some of these are hopeless universes,
370
906000
2000
Einige davon sind hoffnungslose Universen,
15:23
completely sterile,
371
908000
2000
komplett steril,
15:25
with other kinds of pathologies like no notion of space,
372
910000
2000
mit anderen Arten von Pathologien wie, keine Vorstellung von Raum,
15:27
no notion of time, no matter,
373
912000
3000
keine Vorstellung von Zeit, ohne Bedeutung,
15:30
other problems like that.
374
915000
2000
andere Probleme wie diese.
15:32
But the exciting thing that I've found in the last few years
375
917000
3000
Aber das Aufregende, dass ich in den letzten Jahren entdeckte
15:35
is that you actually don't have to go very far
376
920000
2000
ist, dass Sie eigentlich nicht weit gehen müssen
15:37
in the computational universe
377
922000
2000
im rechnerischen Universum
15:39
before you start finding candidate universes
378
924000
2000
um Kandidaten Universen zu finden,
15:41
that aren't obviously not our universe.
379
926000
3000
die offensichtlich nicht unser Universum sind.
15:44
Here's the problem:
380
929000
2000
Hier ist das Problem:
15:46
Any serious candidate for our universe
381
931000
3000
Irgend ein ernsthafter Kandidat für unser Universum
15:49
is inevitably full of computational irreducibility.
382
934000
3000
ist zwangsläufig voll mit rechnerischer Nichtreduzierbarkeit,
15:52
Which means that it is irreducibly difficult
383
937000
3000
was bedeutet, dass es minimal kompliziert ist
15:55
to find out how it will really behave,
384
940000
2000
herauszufinden wie es sich wirklich verhalten wird
15:57
and whether it matches our physical universe.
385
942000
3000
und ob es zu unserem physischen Universum passt.
16:01
A few years ago, I was pretty excited to discover
386
946000
3000
Vor einigen Jahren war ich ziemlich aufgeregt bei der Entdeckung,
16:04
that there are candidate universes with incredibly simple rules
387
949000
3000
dass es Kandidaten Universen mit unglaublich einfachen Regeln gibt,
16:07
that successfully reproduce special relativity,
388
952000
2000
die eine spezielle Relativitätstheorie erfolgreich reproduzieren
16:09
and even general relativity and gravitation,
389
954000
3000
und auch die allgemeine Relativitätstheorie und Gravitation
16:12
and at least give hints of quantum mechanics.
390
957000
3000
und zumindest Hinweise auf die Quantenmechanik geben.
16:15
So, will we find the whole of physics?
391
960000
2000
Werden wir also die ganze Physik entdecken?
16:17
I don't know for sure,
392
962000
2000
Ich bin mir nicht sicher.
16:19
but I think at this point it's sort of
393
964000
2000
Aber ich denke, an dieser Stelle ist es irgendwie
16:21
almost embarrassing not to at least try.
394
966000
2000
fast beschämend, es nicht wenigstens zu versuchen.
16:23
Not an easy project.
395
968000
2000
Kein einfaches Projekt.
16:25
One's got to build a lot of technology.
396
970000
2000
Man hat eine Menge Technologie zu erschaffen.
16:27
One's got to build a structure that's probably
397
972000
2000
Man hat eine Struktur zu erschaffen, die wahrscheinlich
16:29
at least as deep as existing physics.
398
974000
2000
mindestens so tief ist, wie die schon existierende Physik.
16:31
And I'm not sure what the best way to organize the whole thing is.
399
976000
3000
Und ich bin mir nicht sicher, was der beste Weg ist, um das ganze Ding zu organisieren.
16:34
Build a team, open it up, offer prizes and so on.
400
979000
3000
Erschaffe ein Team, motiviere es, biete Preise und so weiter.
16:37
But I'll tell you, here today,
401
982000
2000
Aber ich sage Ihnen heute,
16:39
that I'm committed to seeing this project done,
402
984000
2000
dass ich engagiert bin, dass Projekt zu erledigen,
16:41
to see if, within this decade,
403
986000
3000
um zu sehen, ob wir innerhalb dieser Dekade,
16:44
we can finally hold in our hands
404
989000
2000
endlich die Gesetzmäßigkeit für unser Universum
16:46
the rule for our universe
405
991000
2000
in den Händen halten
16:48
and know where our universe lies
406
993000
2000
und wissen wo unser Universum liegt,
16:50
in the space of all possible universes ...
407
995000
2000
im Raum aller möglichen Universen
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
997000
3000
und in der Lage sind, die Theorie des Universum in Wolfram Alpha einzugeben
16:55
and have it tell us.
409
1000000
2000
und sie uns von ihm sagen zu lassen.
16:57
(Laughter)
410
1002000
2000
(Lachen)
17:00
So I've been working on the idea of computation
411
1005000
2000
Ich arbeite nun am Konzept der Berechnung
17:02
now for more than 30 years,
412
1007000
2000
seit über 30 Jahren,
17:04
building tools and methods and turning intellectual ideas
413
1009000
3000
entwickle Werkzeuge und Methoden und verwandle intellektuelle Ideen
17:07
into millions of lines of code
414
1012000
2000
in Millionen Zeilen von Code
17:09
and grist for server farms and so on.
415
1014000
2000
als Stoff für Großserver.
17:11
With every passing year,
416
1016000
2000
Mit jedem vorübergehenden Jahr,
17:13
I realize how much more powerful
417
1018000
2000
begreife ich, wieviel mächtiger
17:15
the idea of computation really is.
418
1020000
2000
das Konzept der Berechnung wirklich ist.
17:17
It's taken us a long way already,
419
1022000
2000
Wir sind nun schon einen langen Weg gegangen,
17:19
but there's so much more to come.
420
1024000
2000
aber es wird noch sehr viel kommen,
17:21
From the foundations of science
421
1026000
2000
von den Grundlagen der Wissenschaft
17:23
to the limits of technology
422
1028000
2000
hin zu den Grenzen der Technologie
17:25
to the very definition of the human condition,
423
1030000
2000
gar bis zu den Bedingungen des Menschseins,
17:27
I think computation is destined to be
424
1032000
2000
Ich denke Berechnung ist bestimmt dazu,
17:29
the defining idea of our future.
425
1034000
2000
die Anschauung unserer Zukunft zu prägen.
17:31
Thank you.
426
1036000
2000
Vielen Dank.
17:33
(Applause)
427
1038000
14000
(Applaus)
17:47
Chris Anderson: That was astonishing.
428
1052000
2000
Chris Anderson: Das war beeindruckend.
17:49
Stay here. I've got a question.
429
1054000
2000
Bleib noch hier, wir haben eine Frage.
17:51
(Applause)
430
1056000
4000
(Applaus)
17:57
So, that was, fair to say, an astonishing talk.
431
1062000
3000
Das war ein überaus eindrucksvoller Vortrag.
18:01
Are you able to say in a sentence or two
432
1066000
3000
Kannst du uns in ein zwei Sätzen sagen
18:04
how this type of thinking
433
1069000
3000
wie diese Art des Denkens
18:07
could integrate at some point
434
1072000
2000
sich irgendwann integrieren könnte
18:09
to things like string theory or the kind of things that people think of
435
1074000
2000
in Bereiche wie die Stringtheorie oder die Art von Sachverhalten, die die Menschen für
18:11
as the fundamental explanations of the universe?
436
1076000
3000
die fundamentale Erklärung des Universums halten?
18:14
Stephen Wolfram: Well, the parts of physics
437
1079000
2000
Stephen Wolfram: Nun, die Teile der Physik
18:16
that we kind of know to be true,
438
1081000
2000
die wir für wahr halten,
18:18
things like the standard model of physics:
439
1083000
2000
Dinge, wie das Standardmodell der Physik.
18:20
what I'm trying to do better reproduce the standard model of physics
440
1085000
3000
Ich versuche die Reproduktion des Standardmodells der Physik besser hinzubkommen
18:23
or it's simply wrong.
441
1088000
2000
sie ist einfach falsch.
18:25
The things that people have tried to do in the last 25 years or so
442
1090000
2000
Diese Sachen, die die Leute in den letzten 25 Jahren oder so versucht haben,
18:27
with string theory and so on
443
1092000
2000
mit der Stringtheorie und so
18:29
have been an interesting exploration
444
1094000
2000
sind interessante Erforschungen gewesen
18:31
that has tried to get back to the standard model,
445
1096000
3000
die versucht haben zurück zum Standardmodell zu führen,
18:34
but hasn't quite gotten there.
446
1099000
2000
aber es nicht wirklich hinbekommen haben.
18:36
My guess is that some great simplifications of what I'm doing
447
1101000
3000
Meine Annahme ist, dass einige große Vereinfachungen bei dem was ich tue,
18:39
may actually have considerable resonance
448
1104000
3000
tatsächlich erhebliche Resonanz auf das haben könnte,
18:42
with what's been done in string theory,
449
1107000
2000
was mit der Stringtheorie getan wurde,
18:44
but that's a complicated math thing
450
1109000
3000
aber das ist ein kompliziertes mathematisches Ding,
18:47
that I don't yet know how it's going to work out.
451
1112000
3000
was ich bislang noch nicht herausgefunden habe.
18:50
CA: Benoit Mandelbrot is in the audience.
452
1115000
2000
CA: Benoit Mandlebrot sitzt im Publikum.
18:52
He also has shown how complexity
453
1117000
2000
Er hat ebenso gezeigt, wie Komplexität
18:54
can arise out of a simple start.
454
1119000
2000
sich von einem einfachen Anfang entwickeln kann.
18:56
Does your work relate to his?
455
1121000
2000
Bezieht sich deine Arbeit darauf?
18:58
SW: I think so.
456
1123000
2000
SW: Ich denke schon.
19:00
I view Benoit Mandelbrot's work
457
1125000
2000
Ich sehe Benoit Mandlebrots Arbeit
19:02
as one of the founding contributions
458
1127000
3000
als eine Art grundlegenden Beitrag
19:05
to this kind of area.
459
1130000
3000
auf diesem Gebiet.
19:08
Benoit has been particularly interested
460
1133000
2000
Benoit interessierte sich besonders
19:10
in nested patterns, in fractals and so on,
461
1135000
2000
für verschachtelte Muster, Fraktale und so weiter,
19:12
where the structure is something
462
1137000
2000
wo die Struktur irgendwie
19:14
that's kind of tree-like,
463
1139000
2000
wie ein Baum ist,
19:16
and where there's sort of a big branch that makes little branches
464
1141000
2000
bei dem jeder große Zweig weitere kleine Zweige hervorbringt
19:18
and even smaller branches and so on.
465
1143000
3000
und diese wieder kleinere Zweige und so weiter.
19:21
That's one of the ways
466
1146000
2000
Das ist eine Möglichkeit von vielen,
19:23
that you get towards true complexity.
467
1148000
3000
um zu wahrer Komplexität zu kommen.
19:26
I think things like the Rule 30 cellular automaton
468
1151000
3000
Ich denke, Dinge wie Regel 30 der zellulären Automaten
19:29
get us to a different level.
469
1154000
2000
bringen uns auf eine andere Ebene.
19:31
In fact, in a very precise way, they get us to a different level
470
1156000
3000
Genau genommen bringen sie uns auf einem sehr präzisen Weg auf eine andere Ebene,
19:34
because they seem to be things that are
471
1159000
2000
weil sie vermutlich Dinge sind,
19:37
capable of complexity
472
1162000
3000
die Komplexität ermöglichen,
19:40
that's sort of as great as complexity can ever get ...
473
1165000
3000
eine Art von größtmöglicher Komplexität ...
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1169000
3000
Ich könnte das noch sehr ausführlich besprechen, werde es aber nicht tun.
19:47
CA: Stephen Wolfram, thank you.
475
1172000
2000
CA: Stephen Wolfram, Vielen Dank.
19:49
(Applause)
476
1174000
2000
(Applaus)
ABOUT THE SPEAKER
Stephen Wolfram - Scientist, inventorStephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research.
Why you should listen
Stephen Wolfram published his first scientific paper at the age of 15, and received his PhD in theoretical physics from Caltech by the age of 20. Having started to use computers in 1973, Wolfram rapidly became a leader in the emerging field of scientific computing.
In 1981 Wolfram became the youngest recipient of a MacArthur Prize Fellowship. He then set out on an ambitious new direction in science aimed at understanding the origins of complexity in nature. Wolfram's first key idea was to use computer experiments to study the behavior of simple computer programs known as cellular automata. This allowed him to make a series of startling discoveries about the origins of complexity.
Wolfram founded the first research center and the first journal in the field, Complex Systems, and began the development of Mathematica. Wolfram Research soon became a world leader in the software industry -- widely recognized for excellence in both technology and business.
Following the release of Mathematica Version 2 in 1991, Wolfram began to divide his time between Mathematica development and scientific research. Building on his work from the mid-1980s, and now with Mathematica as a tool, Wolfram made a rapid succession of major new discoveries, which he described in his book, A New Kind of Science.
Building on Mathematica, A New Kind of Science, and the success of Wolfram Research, Wolfram recently launched Wolfram|Alpha -- an ambitious, long-term project to make as much of the world's knowledge as possible computable, and accessible to everyone.
Stephen Wolfram | Speaker | TED.com