TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
אריק ברלו ושון גורלי: מיפוי רעיונות ראויים להפצה
Filmed:
Readability: 4.3
1,131,373 views
איך נראים 24,000 רעיונות? האקולוג אריק ברלו והפיזיקאי שון גורלי מיישים אלגוריתמים על הארכיון המלא של הרצאות TEDx, לוקחים אותנו למסע ויזואלי מגרה להראות איך רעיונות מתחברים גלוגלית.
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
אריק ברלו: אני אקולוג, ושון פיזיקאי,
00:15
and we both study complex networks.
1
3623
2108
ושנינו חוקרים רשתות מורכבות.
00:17
And we met a couple years ago when we discovered
2
5731
1835
ונפגשנו לפני שנים כאשר גילינו
00:19
that we had both given a short TED Talk
3
7566
2000
ששנינו העברנו הרצאת טד קצרה
00:21
about the ecology of war,
4
9566
2303
בנושא האקולוגיה של המלחמה,
00:23
and we realized that we were connected
5
11869
1447
והבנו שאנחנו מחוברים
00:25
by the ideas we shared before we ever met.
6
13316
2818
על ידי הרעיונות ששיתפנו עוד לפני שנפגשנו.
00:28
And then we thought, you know, there are thousands
7
16134
1556
ואז חשבנו, אתם יודעים, ישנן אלפי
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
הרצאות אחרות, במיוחד הרצאות TEDx,
00:31
that are popping up all over the world.
9
19804
2211
שצצות בכל רחבי העולם.
00:34
How are they connected,
10
22015
923
איך הן מתחברות,
00:34
and what does that global conversation look like?
11
22938
2010
ואיך השיחה הגלובאלית הזו נראית?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
אז שון יספר לכם קצת על איך עשינו את זה.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
שון גורלי: "בדיוק". אז אנחנו לקחנו 24,000 הרצאות TEDx
00:43
from around the world, 147 different countries,
14
31525
3046
מכל רחבי העולם, 147 מדינות שונות,
00:46
and we took these talks and we wanted to find
15
34571
2123
ולקחנו את ההרצאות האלו ורצינו למצוא
00:48
the mathematical structures that underly
16
36694
2040
את המבנים המתמטיים המהווים בסיס
00:50
the ideas behind them.
17
38734
1722
לרעיונות שמאחוריהם.
00:52
And we wanted to do that so we could see how
18
40456
1370
ורצינו לעשות זאת על מנת לראות איך
00:53
they connected with each other.
19
41826
2053
הן מתחברות ביניהן.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
ולכן, בוודאי, אם הולכים לעשות כזה דבר,
00:57
you need a lot of data.
21
45555
956
צריך הרבה נתונים.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
אז המידע שיש לך הוא הדבר הנפלא שנקרא יוטיוב,
01:02
and we can go down and basically pull
23
50197
1768
ואנחנו יכולים להיכנס ולמשוך
01:03
all the open information from YouTube,
24
51965
2267
את כל המידע הפתוח מיוטיוב,
01:06
all the comments, all the views, who's watching it,
25
54232
2349
כל התגובות, כל הצפיות, מי צופה בזה,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
איפה הם צופים בזה, מה הם אומרים בתגובות.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
אבל אנחנו גם יכולים למשוך, באמצעות תרגום של טקסט לדיבור,
01:14
we can pull the entire transcript,
28
62652
2128
אנחנו יכולים למשוך את כל התמליל,
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
וזה עובד גם עבור אנשים עם מבטא מוזר כמוני.
01:19
So we can take their transcript
30
67460
2106
אז אנחנו יכולים לקחת את התמליל שלהם
01:21
and actually do some pretty cool things.
31
69566
2098
ולמעשה לעשות דברים די מגניבים.
01:23
We can take natural language processing algorithms
32
71664
2160
אנחנו יכולים לקחת אלגוריתמים של עיבוד שפה טבעית
01:25
to kind of read through with a computer, line by line,
33
73824
2629
על מנת לקרוא באמצעות מחשב, שורה אחר שורה,
01:28
extracting key concepts from this.
34
76453
2359
תוך הוצאת רעיונות מרכזיים מתוך זה.
01:30
And we take those key concepts and they sort of form
35
78812
2525
ואנחנו לוקחים את הרעיונות המרכזיים האלו והם מרכיבים
01:33
this mathematical structure of an idea.
36
81337
3565
מבנה מתמטי של רעיון.
01:36
And we call that the meme-ome.
37
84902
1757
ואנחנו מכנים את זה מימ-אום.
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
והמימ-אום, אתם יודעים, למעשה,
01:40
is the mathematics that underlies an idea,
39
88810
2426
הוא המתמטיקה עליה מבוסס רעיון,
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
ואנחנו יכולים לעשות מחקר די מעניין עם זה,
01:45
which I want to share with you now.
41
93168
1981
שאני רוצה לשתף אתכם עכשיו.
01:47
So each idea has its own meme-ome,
42
95149
2190
אז לכל רעיון יש את המימ-אום שלו,
01:49
and each idea is unique with that,
43
97339
1951
וכל רעיון הוא ייחודי עם זה,
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
אבל כמובן, רעיונות, שואלים זה מזה,
01:53
they kind of steal sometimes,
45
101778
1184
הם באופן מסוים גונבים לפעמים,
01:54
and they certainly build on each other,
46
102962
1827
והם בוודאי נבנים אחד על השני,
01:56
and we can go through mathematically
47
104789
1616
ואנחנו יכולים לבחון זאת מתמטית
01:58
and take the meme-ome from one talk
48
106405
1840
ולקחת את המימ-אום משיחה אחת
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
ולהשוות אותו למימ-אום של שיחה אחרת,
02:02
and if there's a similarity between the two of them,
50
110699
1973
ואם יש דמיון בין השניים,
02:04
we can create a link and represent that as a graph,
51
112672
3250
אנחנו יכולים ליצור חיבור ולהציג זאת באמצעות גרף,
02:07
just like Eric and I are connected.
52
115922
2394
בדיוק כפי שאריק ואני מחוברים.
02:10
So that's theory, that's great.
53
118316
1394
אז, זו תיאוריה, זה מעולה.
02:11
Let's see how it works in actual practice.
54
119710
2526
בואו נראה איך זה עובד במציאות.
02:14
So what we've got here now is the global footprint
55
122236
2788
אז מה שיש לנו כאן עכשיו זה טביעת הרגל הגלובלית
02:17
of all the TEDx Talks over the last four years
56
125024
2293
של כל הרצאות TEDx מ-4 השנים האחרונות
02:19
exploding out around the world
57
127317
1550
מופצים לכל העולם
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
מניו-יורק כל הדרך למטה עד לניו זילנד הקטנה בפינה.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
ומה שעשינו עם זה הוא שניתחנו את 25% העליונים של זה,
02:28
and we started to see where the connections occurred,
60
136031
2534
והתחלנו לראות איפה החיבורים מתרחשים,
02:30
where they connected with each other.
61
138565
1537
איפה הם מתחברים אחד עם השני.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
קמרון ראסל מדבר על תמונה ויופי
02:33
connected over into Europe.
63
141976
1575
מתחבר לתוך אירופה.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
יש לנו שיחה גדולה יותר על ישראל ופלסטין
02:37
radiating outwards from the Middle East.
65
145963
2255
מופצת כלפי חוץ מהמזרח התיכון.
02:40
And we've got something a little broader
66
148218
1298
ויש לנו משהו קצת רחב יותר
02:41
like big data with a truly global footprint
67
149516
2156
כמו "מידע גדול" עם טביעת רגל באמת גלובאלית
02:43
reminiscent of a conversation
68
151672
2179
זכרון של שיחה
02:45
that is happening everywhere.
69
153851
2016
שמתרחשת בכל מקום.
02:47
So from this, we kind of run up against the limits
70
155867
2173
אז מזה, אנחנו די נתקלים בגבולות
02:50
of what we can actually do with a geographic projection,
71
158040
2530
של מה שאנחנו יכולים לעשות עם תחזיות גאוגרפיות,
02:52
but luckily, computer technology allows us to go out
72
160570
2052
אבל למרבה המזל, טכנולוגית המחשב מאפשרת לנו לצאת
02:54
into multidimensional space.
73
162622
1546
למרחב הרב-מימדי.
02:56
So we can take in our network projection
74
164168
1875
לכן אנחנו יכולים לקחת את התחזית הרשתית שלנו
02:58
and apply a physics engine to this,
75
166043
1750
וליישם מנוע פיזיקלי לזה,
02:59
and the similar talks kind of smash together,
76
167793
1885
והשיחות הדומות די מתאחדות יחדיו,
03:01
and the different ones fly apart,
77
169678
2004
והשונות מתפזרות להן,
03:03
and what we're left with is something quite beautiful.
78
171682
2072
ומה שאנחנו נשארים איתו זה דבר די יפה.
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
אריק: אז אני רק רוצה לציין כאן שכל נקודת קצה היא שיחה,
03:08
they're linked if they share similar ideas,
80
176711
2589
הן מחוברות אם הן חולקות רעיונות דומים,
03:11
and that comes from a machine reading
81
179300
2084
וזה מגיע מקריאה של מכונה
03:13
of entire talk transcripts,
82
181384
2067
של תמליל השיחה במלואה,
03:15
and then all these topics that pop out,
83
183451
2231
ואז כל הנושאים האלו שקופצים,
03:17
they're not from tags and keywords.
84
185682
1790
הם לא מתגיות ומילות מפתח.
03:19
They come from the network structure
85
187472
1725
הם נובעים ממבנה הרשת
03:21
of interconnected ideas. Keep going.
86
189197
2168
של רעיונות מחוברים. תמשיך.
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
שון: לחלוטין. אז אני הזדרזתי עם זה,
03:25
but he's going to slow me down.
88
193387
1475
אבל הוא עומד להאט אותי.
03:26
We've got education connected to storytelling
89
194862
2034
יש לנו את חינוך שמתחבר לסיפורת
03:28
triangulated next to social media.
90
196896
1643
ושניהם מתחברים למדיה חברתית.
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
יש לכם, כמובן, את המוח האנושי ממש ליד בריאות,
03:33
which you might expect,
92
201014
1386
מה שהייתם מצפים,
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
אבל גם יש לכם משחקי וידיאו, שהם די חופפים,
03:36
as those two spaces interface with each other.
94
204795
2740
כאשר שני מימדים אלו מתממשקים האחד לשני.
03:39
But I want to take you into one cluster
95
207535
1535
אבל אני רוצה לקחת אתכם לתוך אחד האשכולות
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
אשר למעשה חשוב לי, וזה הסביבה.
03:43
And I want to kind of zoom in on that
97
211938
1493
ואני רוצה לעשות זום לתוך זה
03:45
and see if we can get a little more resolution.
98
213431
2363
ולראות אם אנחנו יכולים לקבל רזולוציה טובה יותר.
03:47
So as we go in here, what we start to see,
99
215794
2347
אז איך שאנחנו נכנסים לכאן, מה שאנחנו מתחילים לראות,
03:50
apply the physics engine again,
100
218141
1504
מיישם את מנוע הפיזיקה שוב,
03:51
we see what's one conversation
101
219645
1676
אנחנו רואים ששיחה אחת
03:53
is actually composed of many smaller ones.
102
221321
2560
למעשה מורכבת מכמה שיחות קטנות.
03:55
The structure starts to emerge
103
223881
1929
המבנה מתחיל להתגלות
03:57
where we see a kind of fractal behavior
104
225810
2070
איפה שאנחנו רואים סוג של התנהגות פרקטלית
03:59
of the words and the language that we use
105
227880
1619
של המילים והשפה שאנחנו משתמשים
04:01
to describe the things that are important to us
106
229499
1702
לתאר את הדברים שחשובים לנו
04:03
all around this world.
107
231201
1433
בכל העולם.
04:04
So you've got food economy and local food at the top,
108
232634
2332
אז יש לנו כלכלת מזון ואוכל מקומי למעלה,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
יש גזי חממה, סולארי ופסולת גרעינית.
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
מה שמתקבל הוא מגוון של שיחות קטנות,
04:12
each connected to each other through the ideas
111
240316
2301
כל אחת מחוברות לשניה באמצעות הרעיונות
04:14
and the language they share,
112
242617
1301
והשפה שהם משתפים,
04:15
creating a broader concept of the environment.
113
243918
2450
יוצרים מושג רחב יותר של הסביבה.
04:18
And of course, from here, we can go
114
246368
1532
וכמובן, שמכאן, אנחנו יכולים ללכת
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
ולהתקרב ולראות, ובכן, על מה אנשים צעירים מסתכלים?
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
והם מסתכלים על טכנולוגית אנרגיה והיתוך גרעיני.
04:25
This is their kind of resonance
117
253779
1674
זו היא התעודה שלהם
04:27
for the conversation around the environment.
118
255453
2406
של השיחה בנוגע לסביבה.
04:29
If we split along gender lines,
119
257859
1899
אם אנחנו מפצלים לפי קווי מגדר,
04:31
we can see females resonating heavily
120
259758
1987
אנחנו יכולים לראות שהנשים מובילות בהרבה
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
עם כלכלת מזון, אבל גם אי שם בתקווה ואופטימיות.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
וכן יש הרבה דברים מרגשים שאנחנו יכולים לעשות כאן,
04:39
and I'll throw to Eric for the next part.
123
267872
1762
ואני אזרוק לאריק לחלק הבא.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
אריק: כן, אני מתכוון, רק להדגיש כאן,
04:43
you cannot get this kind of perspective
125
271236
1538
אתם לא יכולים לקבל פרספקטיבה שכזו
04:44
from a simple tag search on YouTube.
126
272774
3360
מחיפוש תגייות פשוט ביוטיוב.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
בואו נעשה עכשיו זום אחורה לשיחה הגלובלית
04:52
out of environment, and look at all the talks together.
128
280322
2534
מהסביבה, ונסתכל על כל השיחות ביחד.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
עכשיו לעיתים, כאשר אנחנו נצבים מול כמות כזו של תוכן,
04:57
we do a couple of things to simplify it.
130
285783
2431
אנחנו עושים מספר דברים לפשט זאת.
05:00
We might just say, well,
131
288214
1314
אנחנו יכולים פשוט לומר, ובכן,
05:01
what are the most popular talks out there?
132
289528
2829
מה הן השיחות הפופולאריות ביותר?
05:04
And a few rise to the surface.
133
292357
1397
ובודדות צפות לפני השטח.
05:05
There's a talk about gratitude.
134
293754
1828
ישנה שיחה בנוגע להכרת תודה.
05:07
There's another one about personal health and nutrition.
135
295582
3344
ישנה אחרת בנוגע לבריאות אישית ותזונה.
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
וכמובן, חייבת להיות אחת בנוגע לפורנו, נכון?
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
ואז אנחנו יכולים לומר, ובכן, הכרת תודה, זה היה שנה שעברה.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
מה הטרנד הנוכחי? מה השיחה הפופולארית עכשיו?
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
ואנחנו יכולים לראות שהנושא החדש, הטרנדי
05:22
is about digital privacy.
140
310932
2666
הוא בנוגע לפרטיות דיגיטלית.
05:25
So this is great. It simplifies things.
141
313598
1693
אז זה פשוט. זה מפשט דברים.
05:27
But there's so much creative content
142
315291
1827
אבל ישנו כל כך הרבה תוכן יצירתי
05:29
that's just buried at the bottom.
143
317118
1921
שפשוט קבור בתחתית.
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
ואני שונא את זה. איך אנחנו מעלים דברים לפני השטח
05:34
that's maybe really creative and interesting?
145
322357
2458
שאולי ממש יצירתיים ומעניינים?
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
ובכן, אנחנו יכולים לחזור למבנה הרשתי של הרעיונות
05:39
to do that.
147
327746
1430
ולעשות זאת.
05:41
Remember, it's that network structure
148
329176
2114
זכרו, זהו המבנה הרשתי
05:43
that is creating these emergent topics,
149
331290
2268
אשר יוצר את הנושאים המתהווים הללו,
05:45
and let's say we could take two of them,
150
333558
1515
ובואו נגיד שהיינו יכולים לקחת שניים מהם,
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
כמו ערים וגנטיקה, ולומר, ובכן, האם קיימות שיחות
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
שמגשרות באופן יצירתי את שתי הדיסיפלינות השונות הללו?
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
וזה -- למעשה, השילוב היצירתי מסוג זה
05:54
is one of the hallmarks of innovation.
154
342964
1840
הוא אחד הסימני ההיכר של חדשנות.
05:56
Well here's one by Jessica Green
155
344804
1606
ובכן הנה אחד של ג'סיקה גרין
05:58
about the microbial ecology of buildings.
156
346410
2379
בנוגע לאקולוגיה של חיידקים בבניינים.
06:00
It's literally defining a new field.
157
348789
2010
זה ממש מגדיר תחום חדש.
06:02
And we could go back to those topics and say, well,
158
350799
2103
ואנחנו יכולים לחזור לנושאים אלו ולומר, ובכן,
06:04
what talks are central to those conversations?
159
352902
2768
אילו שיחות ספציפיות מהוות את המרכז לשיחות אלו?
06:07
In the cities cluster, one of the most central
160
355670
1690
באשכול הערים, אחת המרכזיות ביותר
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
הייתה של מיטש ג'ואקים בנוגע לערים אקולוגיות,
06:13
and in the genetics cluster,
162
361312
1720
ובאשכול הגנטיקה,
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
אנחנו מוצאים שיחה בנוגע לביולוגיה סינטטית של קרייג ונטר.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
אלו שיחות שמחברות שיחות רבות בתוך הדיסיפלינה שלהם.
06:21
We could go the other direction and say, well,
165
369578
1843
אנחנו יכולים ללכת לכיוון השני ולומר, ובכן,
06:23
what are talks that are broadly synthesizing
166
371421
2272
אלו שיחות מחברות באופן רחב
06:25
a lot of different kinds of fields.
167
373693
1448
סוגים רבים ושונים של תחומים.
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
אנחנו השתמשנו במידה של שונות אקולוגית על מנת לקבל זאת.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
כגון, שיחה של סטיבן פינקר אודות ההיסטוריה של האלימות,
06:32
very synthetic.
170
380410
1180
סינטטי מאוד.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
ואז, כמובן, ישנן שיחות שהן מאוד ייחודיות
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
כמו מעיין מחוץ לטווח, בחלל משלהם,
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
ואנחנו קוראים לזה אינדקס קולין פלנגן.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
ואם אתם לא מכירים את קולין, היא אמנית,
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
ואני שאלתי אותה, "ובכן, איך זה שם מחוץ
06:45
in the stratosphere of our idea space?"
176
393849
1672
לחלל הרעיונות שלנו?"
06:47
And apparently it smells like bacon.
177
395521
3255
וככל הנראה זה מריח כמו בייקון.
06:50
I wouldn't know.
178
398776
1791
אני לא הייתי יודע.
06:52
So we're using these network motifs
179
400567
2248
אז אנחנו משתמשים במוטיבים
06:54
to find talks that are unique,
180
402815
1186
למצוא שיחות שהן ייחודיות,
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
כאלו שבאופן יצירתי משלבות תחומים רבים,
06:58
ones that are central to their topic,
182
406711
1659
כאלו שהן מרכזיות לנושאים שלהן,
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
וכאלו שממש באופן יצירתי מגשרות בין תחומים נפרדים.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
אוקי? לעולם לא היינו מוצאים זאת עם האובססיה שלנו
07:05
with what's trending now.
185
413846
2313
למה שטרנדי עכשיו.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
וכל זה מגיע מהארכיטקטורה של המורכבות,
07:11
or the patterns of how things are connected.
187
419045
2960
של התבניות של איך דברים מחוברים.
07:14
SG: So that's exactly right.
188
422005
1625
שון: אז זה בדיוק נכון.
07:15
We've got ourselves in a world
189
423630
2479
אנחנו נמצאים בעולם
07:18
that's massively complex,
190
426109
2044
שמורכב באופן מסיבי,
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
ואנחנו משתמשים באלגוריתמים לסנן אותו
07:23
so we can navigate through it.
192
431020
1786
כך שנוכל לנווט בתוכו.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
ובאלגוריתמים האלו, עד כמה שהם שימושיים,
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
הם מאוד, מאוד צרים, ואנחנו יכולים לעשות טוב יותר מזה
07:30
because we can realize that their complexity is not random.
195
438620
2566
כי אנחנו יכולים להבין שהמורכבות שלהם היא לא אקראית.
07:33
It has mathematical structure,
196
441186
1954
יש לזה מבנה מתמטי,
07:35
and we can use that mathematical structure
197
443140
1803
ואנחנו יכולים להשתמש במבנה המתמטי הזה,
07:36
to go and explore things like the world of ideas
198
444943
2214
לגשת ולחקור דברים כמו עולם הרעיונות
07:39
to see what's being said, to see what's not being said,
199
447157
3000
לראות מה נאמר, לראות מה לא נאמר,
07:42
and to be a little bit more human
200
450157
1407
ולהיות קצת יותר אנושיים
07:43
and, hopefully, a little smarter.
201
451564
1867
וגם, בתקווה, קצת חכמים יותר.
07:45
Thank you.
202
453431
966
תודה לכם.
07:46
(Applause)
203
454397
4220
(מחיאות כפיים)
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