TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
Eric Berlow y Sean Gourley: Cartografiando las ideas que vale la pena difundir
Filmed:
Readability: 4.3
1,131,373 views
¿Cómo son las 24.000 ideas? El ecologista Eric Berlow y el físico Sean Gourley aplican algoritmos para todo el archivo de TEDx para transportarnos a un viaje visual estimulante y mostrarnos cómo las ideas se conectan a nivel mundial.
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: yo soy ecologista y Sean es físico
00:15
and we both study complex networks.
1
3623
2108
y los dos estudiamos sistemas complejos.
00:17
And we met a couple years ago when we discovered
2
5731
1835
Nos conocimos hace un par de años
al darnos cuenta
al darnos cuenta
00:19
that we had both given a short TED Talk
3
7566
2000
de que ambos habíamos presentado
una charla corta para TED
una charla corta para TED
00:21
about the ecology of war,
4
9566
2303
sobre la ecología de la guerra,
00:23
and we realized that we were connected
5
11869
1447
y nos dimos cuenta de que estábamos conectados
00:25
by the ideas we shared before we ever met.
6
13316
2818
a través de las ideas que compartíamos
antes de conocernos.
antes de conocernos.
00:28
And then we thought, you know, there are thousands
7
16134
1556
Y después pensamos, ya saben, hay miles
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
de ponencias dando vueltas,
especialmente tipo TEDx Talks,
especialmente tipo TEDx Talks,
00:31
that are popping up all over the world.
9
19804
2211
que surgen en todo el mundo.
00:34
How are they connected,
10
22015
923
¿Cómo se conectan esas charlas
00:34
and what does that global conversation look like?
11
22938
2010
y a qué es esa conversación mundial?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
Ahora Sean les contará un poco cómo logramos eso.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
Sean Gourley: Exacto.
Tomamos 24 000 TEDx Talks
Tomamos 24 000 TEDx Talks
00:43
from around the world, 147 different countries,
14
31525
3046
de 147 países diferentes...
00:46
and we took these talks and we wanted to find
15
34571
2123
las tomamos e intentamos encontrar
00:48
the mathematical structures that underly
16
36694
2040
las estructuras matemáticas que subyacen
00:50
the ideas behind them.
17
38734
1722
a las ideas detrás de ellas.
00:52
And we wanted to do that so we could see how
18
40456
1370
Queríamos hacer eso
para poder ver cómo
para poder ver cómo
00:53
they connected with each other.
19
41826
2053
están conectadas unas con otras.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
Y claro, para hacer algo de esta naturaleza,
00:57
you need a lot of data.
21
45555
956
se necesita mucha información.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
La información que tienen está en algo grande
llamado YouTube
llamado YouTube
01:02
and we can go down and basically pull
23
50197
1768
Allí podemos buscar y fundamentalmente extraer
01:03
all the open information from YouTube,
24
51965
2267
toda la información libre que aparece en YouTube:
01:06
all the comments, all the views, who's watching it,
25
54232
2349
los comentarios, las visitas, quiénes mira,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
dónde miran, qué dicen sus comentarios.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
Pero también podemos obtener,
a través de la traducción del texto oral al escrito,
a través de la traducción del texto oral al escrito,
01:14
we can pull the entire transcript,
28
62652
2128
podemos obtener las transcripciones completas,
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
y funciona, incluso con personas
con acentos extraños como el mío.
con acentos extraños como el mío.
01:19
So we can take their transcript
30
67460
2106
Podemos obtener las transcripciones
01:21
and actually do some pretty cool things.
31
69566
2098
y en efecto, podemos hacer
cosas bastante ingeniosas con ellas.
cosas bastante ingeniosas con ellas.
01:23
We can take natural language processing algorithms
32
71664
2160
Podemos tomar los procesos algorítmicos
de una lengua natural
de una lengua natural
01:25
to kind of read through with a computer, line by line,
33
73824
2629
e intentar leer con una computadora,
renglón por renglón,
renglón por renglón,
01:28
extracting key concepts from this.
34
76453
2359
y extraer conceptos clave a partir de esto.
01:30
And we take those key concepts and they sort of form
35
78812
2525
Entonces tomamos esos conceptos clave
y, en cierto modo, forman
y, en cierto modo, forman
01:33
this mathematical structure of an idea.
36
81337
3565
esta estructura matemática de una idea.
01:36
And we call that the meme-ome.
37
84902
1757
Llamamos a eso meme-ome.
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
El meme-ome es muy simple,
01:40
is the mathematics that underlies an idea,
39
88810
2426
es la matemática que sustenta a una idea.
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
Se pueden hacer análisis
bastante interesantes con esto,
bastante interesantes con esto,
01:45
which I want to share with you now.
41
93168
1981
y los quiero compartir con Uds. ahora.
01:47
So each idea has its own meme-ome,
42
95149
2190
Cada idea tiene su propio meme-ome,
01:49
and each idea is unique with that,
43
97339
1951
y cada idea es única en eso.
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
Pero claro, las ideas se retroalimentan entre sí,
01:53
they kind of steal sometimes,
45
101778
1184
es como si, a veces, se robaran entre ellas,
01:54
and they certainly build on each other,
46
102962
1827
y, por supuesto, se construyen unas a otras.
01:56
and we can go through mathematically
47
104789
1616
Y podemos atravesarlas matemáticamente
01:58
and take the meme-ome from one talk
48
106405
1840
y sacar el meme-ome de una conferencia
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
y compararlo con el meme-ome
de cualquier otra conferencia;
de cualquier otra conferencia;
02:02
and if there's a similarity between the two of them,
50
110699
1973
y si hay un parecido entre ellas,
02:04
we can create a link and represent that as a graph,
51
112672
3250
podemos crear una conexión
y representarla en un gráfico.
y representarla en un gráfico.
De la misma forma en que Eric y yo
estamos conectados
estamos conectados
02:07
just like Eric and I are connected.
52
115922
2394
Esa es la teoría, genial.
02:10
So that's theory, that's great.
53
118316
1394
Veamos cómo funciona con un ejemplo.
02:11
Let's see how it works in actual practice.
54
119710
2526
Lo que tenemos acá es el diagrama global
02:14
So what we've got here now is the global footprint
55
122236
2788
de todas las TEDx Talks de los últimos cuatro años
02:17
of all the TEDx Talks over the last four years
56
125024
2293
expandiéndose por el mundo,
02:19
exploding out around the world
57
127317
1550
desde Nueva York hacia abajo hasta llegar a la pequeña
y antigua Nueva Zelanda en el otro extremo.
y antigua Nueva Zelanda en el otro extremo.
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
Lo que hicimos fue analizar el 25% más repetido
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
y observamos cómo sucedían las conexiones,
02:28
and we started to see where the connections occurred,
60
136031
2534
dónde las ideas se conectaban entre ellas.
Cameron Rusell que hablaba de la imagen y la belleza
02:30
where they connected with each other.
61
138565
1537
conectó con Europa.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
02:33
connected over into Europe.
63
141976
1575
Encontramos más conversación sobre Israel y Palestina
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
emitida desde Medio Oriente.
02:37
radiating outwards from the Middle East.
65
145963
2255
Y tenemos algo más amplio,
02:40
And we've got something a little broader
66
148218
1298
mucha información con un verdadero diagrama global
02:41
like big data with a truly global footprint
67
149516
2156
que alude a una conversación
02:43
reminiscent of a conversation
68
151672
2179
que se da en todas partes.
02:45
that is happening everywhere.
69
153851
2016
Partiendo de esto, sobrepasamos los límites
02:47
So from this, we kind of run up against the limits
70
155867
2173
de lo que podemos hacer
con una proyección geográfica,
con una proyección geográfica,
02:50
of what we can actually do with a geographic projection,
71
158040
2530
pero por suerte, la tecnología informática nos permite
02:52
but luckily, computer technology allows us to go out
72
160570
2052
ir hacia un espacio multidimensional.
02:54
into multidimensional space.
73
162622
1546
Podemos tomar la proyección de nuestra red
02:56
So we can take in our network projection
74
164168
1875
y aplicarle conceptos físicos
02:58
and apply a physics engine to this,
75
166043
1750
para que las conferencias similares se agrupen
02:59
and the similar talks kind of smash together,
76
167793
1885
y las que son diferentes se separen,
03:01
and the different ones fly apart,
77
169678
2004
y el resultado es algo bastante lindo.
03:03
and what we're left with is something quite beautiful.
78
171682
2072
EB: Bueno, quiero destacar que
cada núcleo es una conferencia,
cada núcleo es una conferencia,
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
están unidas si comparten ideas similares;
03:08
they're linked if they share similar ideas,
80
176711
2589
eso está hecho con una máquina que leyó
03:11
and that comes from a machine reading
81
179300
2084
las transcripciones de todas las conferencias
03:13
of entire talk transcripts,
82
181384
2067
y extrajo todos estos temas.
03:15
and then all these topics that pop out,
83
183451
2231
No son de tags o de palabras claves.
03:17
they're not from tags and keywords.
84
185682
1790
Vienen del sistema de estructuras
03:19
They come from the network structure
85
187472
1725
de ideas que están interconectadas.
03:21
of interconnected ideas. Keep going.
86
189197
2168
SG: Exactamente.
Expliqué eso demasiado rápido
Expliqué eso demasiado rápido
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
pero él me ayudará a ir más despacio.
03:25
but he's going to slow me down.
88
193387
1475
Tenemos la educación conectada
con la narración
con la narración
03:26
We've got education connected to storytelling
89
194862
2034
trianguladas a la comunicación social.
03:28
triangulated next to social media.
90
196896
1643
Y tenemos, por supuesto, el cerebro
junto al cuidado de la salud,
junto al cuidado de la salud,
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
lo que es predecible,
03:33
which you might expect,
92
201014
1386
pero también tenemos juegos allí,
que serían adyacentes
que serían adyacentes
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
ya que esos dos espacios
están interconectados.
están interconectados.
03:36
as those two spaces interface with each other.
94
204795
2740
Pero quiero que vean un conjunto
03:39
But I want to take you into one cluster
95
207535
1535
que es especialmente importante para mí,
ese conjunto es el medio ambiente.
ese conjunto es el medio ambiente.
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
Y ahora me quiero concentrar en ese conjunto
03:43
And I want to kind of zoom in on that
97
211938
1493
y ver si podemos darle más resolución.
03:45
and see if we can get a little more resolution.
98
213431
2363
Mientras analizamos, lo que vemos,
03:47
So as we go in here, what we start to see,
99
215794
2347
aplicando otra vez conceptos físicos,
03:50
apply the physics engine again,
100
218141
1504
observamos que la conferencia
03:51
we see what's one conversation
101
219645
1676
está compuesta por otras
muchas conferencias más cortas.
muchas conferencias más cortas.
03:53
is actually composed of many smaller ones.
102
221321
2560
La estructura comienza a aparecer
03:55
The structure starts to emerge
103
223881
1929
donde vemos
un comportamiento fractal
un comportamiento fractal
03:57
where we see a kind of fractal behavior
104
225810
2070
de las palabras y
el lenguaje que usamos
el lenguaje que usamos
03:59
of the words and the language that we use
105
227880
1619
para describir las cosas
del mundo que nos rodea,
del mundo que nos rodea,
04:01
to describe the things that are important to us
106
229499
1702
que son importantes para nosotros.
04:03
all around this world.
107
231201
1433
Tenemos la economía de los alimentos
y los alimentos locales entre las principales,
y los alimentos locales entre las principales,
04:04
So you've got food economy and local food at the top,
108
232634
2332
y tenemos gases de efecto invernadero
y residuos nucleares.
y residuos nucleares.
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
Lo que están viendo es una variedad de pequeñas charlas
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
conectadas entre sí a través de las ideas
04:12
each connected to each other through the ideas
111
240316
2301
y el lenguaje que comparten
04:14
and the language they share,
112
242617
1301
creando así un concepto de medio ambiente más amplio.
04:15
creating a broader concept of the environment.
113
243918
2450
Y por supuesto, partimos de aquí
04:18
And of course, from here, we can go
114
246368
1532
y nos acercamos y vemos,
lo que miran esos jóvenes.
lo que miran esos jóvenes.
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
Ven energía tecnológica
y fusión nuclear.
y fusión nuclear.
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
Y esto es lo importante
04:25
This is their kind of resonance
117
253779
1674
de las conferencias sobre medio ambiente.
04:27
for the conversation around the environment.
118
255453
2406
Si dividimos la información de acuerdo a los géneros,
04:29
If we split along gender lines,
119
257859
1899
podemos observar que
las mujeres están muy preocupadas
las mujeres están muy preocupadas
04:31
we can see females resonating heavily
120
259758
1987
por la economía alimenticia,
pero también hay esperanza y optimismo.
pero también hay esperanza y optimismo.
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
Bueno, hay muchas cosas interesante
que podemos hacer con esto.
que podemos hacer con esto.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
Y ahora dejo que Eric siga con el resto.
04:39
and I'll throw to Eric for the next part.
123
267872
1762
EB: Si, lo que quiero decir,
lo que quiero destacar
lo que quiero destacar
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
es que no se puede obtener esta perspectiva
04:43
you cannot get this kind of perspective
125
271236
1538
de un simple tag de YouTube.
04:44
from a simple tag search on YouTube.
126
272774
3360
Veamos ahora la conversación global en su totalidad,
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
dejemos el medio ambiente
y observemos todas las charlas juntas.
y observemos todas las charlas juntas.
04:52
out of environment, and look at all the talks together.
128
280322
2534
En general, cuando nos encontramos
con esta cantidad de contenidos,
con esta cantidad de contenidos,
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
hacemos ciertas cosas para simplificarlos.
04:57
we do a couple of things to simplify it.
130
285783
2431
Tal vez pensamos "bien,
05:00
We might just say, well,
131
288214
1314
¿cuáles son las charlas más importantes que hay?"
05:01
what are the most popular talks out there?
132
289528
2829
Y algunas salen a la luz.
05:04
And a few rise to the surface.
133
292357
1397
Hay una charla sobre la gratitud.
05:05
There's a talk about gratitude.
134
293754
1828
Hay otra sobre cuidado personal y nutrición.
05:07
There's another one about personal health and nutrition.
135
295582
3344
Y por supuesto, tiene que haber una sobre pornografía ¿no?
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
Y entonces pensamos... a ver... gratitud...
esa fue el año pasado.
esa fue el año pasado.
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
¿Y ahora que está de moda?
¿Qué charla es la más popular?
¿Qué charla es la más popular?
05:17
What's trending now? What's the popular talk now?
138
305089
2522
Y observamos que el tema de moda,
de acuerdo a las tendencias,
de acuerdo a las tendencias,
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
es la privacidad digital.
05:22
is about digital privacy.
140
310932
2666
Esto es genial.
Simplifica las cosas.
Simplifica las cosas.
05:25
So this is great. It simplifies things.
141
313598
1693
Pero hay muchísimo contenido creativo
05:27
But there's so much creative content
142
315291
1827
que está enterrado en el fondo.
05:29
that's just buried at the bottom.
143
317118
1921
Y eso lo odio.
¿Cómo hacer para que este contenido que puede ser
¿Cómo hacer para que este contenido que puede ser
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
creativo e interesante salga a la superficie?
05:34
that's maybe really creative and interesting?
145
322357
2458
Bueno, podemos utilizar
el sistema de estructura de ideas
el sistema de estructura de ideas
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
para lograrlo.
05:39
to do that.
147
327746
1430
Recuerden que este sistema de estructuras
05:41
Remember, it's that network structure
148
329176
2114
crea estos temas emergentes,
05:43
that is creating these emergent topics,
149
331290
2268
y supongamos que toma dos
05:45
and let's say we could take two of them,
150
333558
1515
como por ejemplo ciudades y genética...
y digamos ... bueno... ¿ hay alguna charla
y digamos ... bueno... ¿ hay alguna charla
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
que de manera creativa fusiona
estas dos disciplinas tan diferentes?
estas dos disciplinas tan diferentes?
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
Y eso es... Básicamente, este tipo de remix creativo
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
es una de las características
distintivas de la innovación.
distintivas de la innovación.
05:54
is one of the hallmarks of innovation.
154
342964
1840
Hay una charla de Jessica Green
05:56
Well here's one by Jessica Green
155
344804
1606
sobre la ecología de la microbiología de los edificios.
05:58
about the microbial ecology of buildings.
156
346410
2379
Esto define literalmente un nuevo campo.
06:00
It's literally defining a new field.
157
348789
2010
Y podemos volver sobre esos temas y pensar, ok,
06:02
And we could go back to those topics and say, well,
158
350799
2103
¿qué charlas son las más importantes
para esas conferencias?
para esas conferencias?
06:04
what talks are central to those conversations?
159
352902
2768
En la categoría ciudades, una de las más importantes
06:07
In the cities cluster, one of the most central
160
355670
1690
era la de Mitch Joachim sobre ciudades ecológicas.
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
En la categoría genética,
06:13
and in the genetics cluster,
162
361312
1720
encontramos una charla sobre biología sintética de Craig Venter.
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
Todas estas charlas conectan
muchas charlas diferentes dentro de su disciplina.
muchas charlas diferentes dentro de su disciplina.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
Podemos tomar la dirección opuesta y pensar
06:21
We could go the other direction and say, well,
165
369578
1843
¿cuáles son las charlas que sintetizan
06:23
what are talks that are broadly synthesizing
166
371421
2272
muchos campos diferentes?
06:25
a lot of different kinds of fields.
167
373693
1448
Usamos un medidor de diversidad ecológica
para responder esa pregunta.
para responder esa pregunta.
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
Como la charla de Steven Pinker
sobre la historia de la violencia...
sobre la historia de la violencia...
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
muy sintética.
06:32
very synthetic.
170
380410
1180
Y también existen charlas que son muy originales.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
Parecen flotar en el espacio,
en sus propios lugares especiales,
en sus propios lugares especiales,
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
las llamamos el Índice de Colleen Flanagan.
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
Por si no conocen a Colleen, ella es una artista.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
Le pregunté, "bien ¿a qué se parece
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
la estratosfera del espacio de nuestras ideas?"
06:45
in the stratosphere of our idea space?"
176
393849
1672
Y se supone que se parece al tocino.
06:47
And apparently it smells like bacon.
177
395521
3255
Yo no podría saberlo.
06:50
I wouldn't know.
178
398776
1791
Por eso utilizamos sistemas de diseños
06:52
So we're using these network motifs
179
400567
2248
para encontrar charlas que son originales,
06:54
to find talks that are unique,
180
402815
1186
charlas que de manera creativa simplifican
muchos campos diferentes.
muchos campos diferentes.
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
Algunos son centrales para el tema,
06:58
ones that are central to their topic,
182
406711
1659
otros son muy creativos
y conectan campos dispares.
y conectan campos dispares.
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
¿Se entiende?
Nunca habríamos encontrado esas charlas con nuestra obsesión
Nunca habríamos encontrado esas charlas con nuestra obsesión
07:03
Okay? We never would have found those with our obsession
184
411744
2102
por saber qué está de moda en la actualidad.
07:05
with what's trending now.
185
413846
2313
Todo esto proviene de la arquitectura de la complejidad
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
o de los modelos de cómo se conectan las cosas.
07:11
or the patterns of how things are connected.
187
419045
2960
SG: Exactamente.
07:14
SG: So that's exactly right.
188
422005
1625
Estamos en un mundo
07:15
We've got ourselves in a world
189
423630
2479
que es extremadamente complejo
07:18
that's massively complex,
190
426109
2044
y hemos utilizado algoritmos para depurarlo
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
y navegar a través de él.
07:23
so we can navigate through it.
192
431020
1786
Y esos algoritmos,
aparte de ser bastante útiles,
aparte de ser bastante útiles,
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
son muy, muy estrechos y podemos mejorarlos
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
porque nos damos cuenta de que
su complejidad no se da al azar.
su complejidad no se da al azar.
07:30
because we can realize that their complexity is not random.
195
438620
2566
Tienen estructura matemática
07:33
It has mathematical structure,
196
441186
1954
y la podemos utilizar
07:35
and we can use that mathematical structure
197
443140
1803
para explorar cosas como el mundo de las ideas
07:36
to go and explore things like the world of ideas
198
444943
2214
y saber sobre lo que se habla
y sobre lo que no se habla,
y sobre lo que no se habla,
07:39
to see what's being said, to see what's not being said,
199
447157
3000
y para ser más humanos
07:42
and to be a little bit more human
200
450157
1407
y, con suerte, ser un poquito más inteligentes.
07:43
and, hopefully, a little smarter.
201
451564
1867
Gracias.
07:45
Thank you.
202
453431
966
(Aplausos)
07:46
(Applause)
203
454397
4220
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