TED2010
Stephen Wolfram: Computing a theory of all knowledge
Stephen Wolfram: A mindenség elméletének kiszámítása
Filmed:
Readability: 4.4
1,811,819 views
Stephen Wolfram, a Mathematica programcsomag létrehozója beszél kutatásairól, arról a céljáról, hogy minden tudásunkat digitálisan elérhetővé tegyen, azaz minden tudásunk kereshető, feldolgozható és tovább alakítható legyen. A Wolfram Alpha névre hallgató új kereső motorjának célja nem kevesebb mint egyenesen a világegyetem fizikájának modellezése, magyarázata.
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
Amiről beszélni szeretnék ma, az egy ötlet. Egy nagy ötlet.
00:19
Actually, I think it'll eventually
1
4000
2000
Azt hiszem, végső soron ez bizonyul
00:21
be seen as probably the single biggest idea
2
6000
2000
majd a legnagyobb ötletnek az összes közül
00:23
that's emerged in the past century.
3
8000
2000
amely a múlt században felbukkant.
00:25
It's the idea of computation.
4
10000
2000
Ez a digitális számítás ötlete.
00:27
Now, of course, that idea has brought us
5
12000
2000
Na most, persze ennek az ötletnek az eredménye
00:29
all of the computer technology we have today and so on.
6
14000
3000
a mai egész számítógépes technológiánk is.
00:32
But there's actually a lot more to computation than that.
7
17000
3000
Valójában azonban a számítástudomány ennél sokkal több.
00:35
It's really a very deep, very powerful, very fundamental idea,
8
20000
3000
Egy igazán nagyon mély, nagy hatású, és nagyon alapvető gondolat,
00:38
whose effects we've only just begun to see.
9
23000
3000
hatásait még csak most kezdjük látni.
00:41
Well, I myself have spent the past 30 years of my life
10
26000
3000
Jómagam az életem legutóbbi 30 évében
00:44
working on three large projects
11
29000
2000
három nagy projekten dolgoztam
00:46
that really try to take the idea of computation seriously.
12
31000
3000
amelyek igazán komolyan vették a digitális számítás ötletét.
00:50
So I started off at a young age as a physicist
13
35000
3000
Amikor a pályámat fiatal fizikusként megkezdtem
00:53
using computers as tools.
14
38000
2000
a számítógépet eszközként használtam.
00:55
Then, I started drilling down,
15
40000
2000
Aztán egyre jobban belemélyedtem,
00:57
thinking about the computations I might want to do,
16
42000
2000
azon gondolkodtam, milyen számításokra lenne szükségem,
00:59
trying to figure out what primitives they could be built up from
17
44000
3000
és próbáltam megtalálni azokat az alapvető építőelemeket
01:02
and how they could be automated as much as possible.
18
47000
3000
amelyekből építkezve a számításokat a leginkább automatizálni lehetne.
01:05
Eventually, I created a whole structure
19
50000
2000
Végülis, felépítettem egy teljes rendszert
01:07
based on symbolic programming and so on
20
52000
2000
a szimbolikus programozásra alapozva
01:09
that let me build Mathematica.
21
54000
2000
amely a Mathematica létrehozásához vezetett.
01:11
And for the past 23 years, at an increasing rate,
22
56000
2000
Ami az elmúlt 23 évet illeti, egyre növekvő ütemben,
01:13
we've been pouring more and more ideas
23
58000
2000
egyre több ötlettel
01:15
and capabilities and so on into Mathematica,
24
60000
2000
funkcióval és egyebekkel gazdagítottuk a Mathematica-t,
01:17
and I'm happy to say that that's led to many good things
25
62000
3000
és örömmel mondhatom, hogy sok jó dolgot eredményezett
01:20
in R & D and education,
26
65000
2000
a kutatás és fejlesztés, az oktatás
01:22
lots of other areas.
27
67000
2000
és sok más területen.
01:24
Well, I have to admit, actually,
28
69000
2000
Nos, meg kell vallanom, hogy valójában
01:26
that I also had a very selfish reason for building Mathematica:
29
71000
3000
volt egy nagyon önző célom is a Mathematica megépítésével.
01:29
I wanted to use it myself,
30
74000
2000
Használni szerettem volna saját magam,
01:31
a bit like Galileo got to use his telescope
31
76000
2000
valahogy olyanféleképpen, amint azt Galileo tette a teleszkóppal
01:33
400 years ago.
32
78000
2000
400 évvel ezelőtt.
01:35
But I wanted to look not at the astronomical universe,
33
80000
3000
Én azonban nem a csillagászati univerzumot akartam megfigyelni
01:38
but at the computational universe.
34
83000
3000
hanem a digitálisan számítható mindenséget.
01:41
So we normally think of programs as being
35
86000
2000
Általában a programokat
01:43
complicated things that we build
36
88000
2000
olyan bonyolult dolgoknak tekintjük,
01:45
for very specific purposes.
37
90000
2000
amelyeket konkrét célra készítenek.
01:47
But what about the space of all possible programs?
38
92000
3000
De mi a helyzet az összes lehetséges program terével?
01:50
Here's a representation of a really simple program.
39
95000
3000
Itt van egy valóban nagyon egyszerű program.
01:53
So, if we run this program,
40
98000
2000
Ha futtatjuk ezt a programot,
01:55
this is what we get.
41
100000
2000
ezt kapjuk.
01:57
Very simple.
42
102000
2000
Nagyon egyszerű.
01:59
So let's try changing the rule
43
104000
2000
Most próbáljuk megváltoztatni
02:01
for this program a little bit.
44
106000
2000
a program szabályát egy kicsit.
02:03
Now we get another result,
45
108000
2000
Most más eredményt kapunk,
02:05
still very simple.
46
110000
2000
még mindig nagyon egyszerű.
02:07
Try changing it again.
47
112000
3000
Változtassunk rajta megint.
02:10
You get something a little bit more complicated.
48
115000
2000
Most egy kicsit bonyolultabb lett az eredmény,
02:12
But if we keep running this for a while,
49
117000
2000
de ha folytatjuk tovább még egy darabig,
02:14
we find out that although the pattern we get is very intricate,
50
119000
3000
akkor kiderül, hogy bár nagyon komplikált mintát kaptunk,
02:17
it has a very regular structure.
51
122000
3000
valójában nagyon is szabályos a szerkezete.
02:20
So the question is: Can anything else happen?
52
125000
3000
Felmerül a kérdés: Történhet egyáltalán másképp is?
02:23
Well, we can do a little experiment.
53
128000
2000
Hát, végezhetünk egy kis kísérletet.
02:25
Let's just do a little mathematical experiment, try and find out.
54
130000
3000
Csináljunk egy kis matematikai kísérletet, próbálkozzunk és derítsük ki.
02:29
Let's just run all possible programs
55
134000
3000
Futtassuk le az összes lehetséges programot
02:32
of the particular type that we're looking at.
56
137000
2000
amely a vizsgált konkrét típusra lehetséges.
02:34
They're called cellular automata.
57
139000
2000
Az elnevezésük elemi sejtautomata.
02:36
You can see a lot of diversity in the behavior here.
58
141000
2000
Itt nagyon sokféle viselkedést láthatunk.
02:38
Most of them do very simple things,
59
143000
2000
Legtöbbjük rendkívül egyszerű dolgot csinál.
02:40
but if you look along all these different pictures,
60
145000
2000
Ha azonban nézzük tovább a különféle képeket,
02:42
at rule number 30,
61
147000
2000
a 30-as számú szabálynál,
02:44
you start to see something interesting going on.
62
149000
2000
kezd érdekessé válni a dolog.
02:46
So let's take a closer look
63
151000
2000
Nézzük hát meg közelebbről
02:48
at rule number 30 here.
64
153000
2000
itt, a 30-as szabálynál.
02:50
So here it is.
65
155000
2000
Itt is van.
02:52
We're just following this very simple rule at the bottom here,
66
157000
3000
Mindössze ezt az egyszerű szabályt követjük végig, itt alul,
02:55
but we're getting all this amazing stuff.
67
160000
2000
és akkor ilyen hihetetlen dolgokat kapunk.
02:57
It's not at all what we're used to,
68
162000
2000
Ilyesmit egyáltalán nem várna az ember,
02:59
and I must say that, when I first saw this,
69
164000
2000
amikor először láttam, mondhatom,
03:01
it came as a huge shock to my intuition.
70
166000
3000
hatalmas megrázkódtatásként ért,
03:04
And, in fact, to understand it,
71
169000
2000
és, igazából, a megértéséhez,
03:06
I eventually had to create
72
171000
2000
végülis ki kellett dolgoznom
03:08
a whole new kind of science.
73
173000
2000
Egy új típusú tudományt.
03:11
(Laughter)
74
176000
2000
(Nevetés)
03:13
This science is different, more general,
75
178000
3000
Ez a tudomány másfajta, általánosabb érvényű,
03:16
than the mathematics-based science that we've had
76
181000
2000
mint a matematikai alapú tudományunk
03:18
for the past 300 or so years.
77
183000
3000
az utóbbi 300 év során.
03:21
You know, it's always seemed like a big mystery:
78
186000
2000
Tudják, mindig nagy rejtélynek tűnt, ahogy
03:23
how nature, seemingly so effortlessly,
79
188000
3000
a természet olyan könnyedén
03:26
manages to produce so much
80
191000
2000
hozza létre azt a sok, számunkra olyan
03:28
that seems to us so complex.
81
193000
3000
nagyon komplexnek látszó dolgot.
03:31
Well, I think we've found its secret:
82
196000
3000
Hát, úgy gondolom, most megtaláltuk a titkát.
03:34
It's just sampling what's out there in the computational universe
83
199000
3000
Ez csak egy kis minta, abból ami a számítási univerzumban van
03:37
and quite often getting things like Rule 30
84
202000
3000
és elég gyakran bukkannak fel a 30-as szabályhoz hasonlók
03:40
or like this.
85
205000
3000
vagy ilyenek.
03:44
And knowing that starts to explain
86
209000
2000
Ennek ismeretében, a tudomány sok régi
03:46
a lot of long-standing mysteries in science.
87
211000
3000
rejtélye kezd már érthetővé válni.
03:49
It also brings up new issues, though,
88
214000
2000
Ugyanakkor új kérdéseket is felvet,
03:51
like computational irreducibility.
89
216000
3000
mint a számítás egyszerűsíthetetlensége.
03:54
I mean, we're used to having science let us predict things,
90
219000
3000
Arra gondolok, hogy a tudománnyal előre tudtuk jelezni a dolgokat,
03:57
but something like this
91
222000
2000
ez viszont, egy ilyen dolog, ez
03:59
is fundamentally irreducible.
92
224000
2000
teljességgel egyszerűsíthetetlen.
04:01
The only way to find its outcome
93
226000
2000
Az eredmény megismerésének egyetlen módja,
04:03
is, effectively, just to watch it evolve.
94
228000
3000
lényegében, hogy megnézzük, hogyan alakul.
04:06
It's connected to, what I call,
95
231000
2000
Ez azzal van kapcsolatban, amit én a
04:08
the principle of computational equivalence,
96
233000
2000
számítási egyenértékűség elvének nevezek,
04:10
which tells us that even incredibly simple systems
97
235000
3000
amely szerint még a hihetetlenül egyszerű rendszerek is
04:13
can do computations as sophisticated as anything.
98
238000
3000
képesek bármilyen bonyolult számításra.
04:16
It doesn't take lots of technology or biological evolution
99
241000
3000
Nem szükséges fejlett technológia vagy biológiai evolúció
04:19
to be able to do arbitrary computation;
100
244000
2000
tetszőleges számítás elvégzéséhez,
04:21
just something that happens, naturally,
101
246000
2000
ez valami olyasmi, ami természetesen zajlik
04:23
all over the place.
102
248000
2000
mindenütt.
04:25
Things with rules as simple as these can do it.
103
250000
3000
Már egy ilyen dolog, ennyire egyszerű szabályokkal produkálni tudja.
04:29
Well, this has deep implications
104
254000
2000
Nos, ez messzemenő következményekkel jár
04:31
about the limits of science,
105
256000
2000
a tudomány határait illetően,
04:33
about predictability and controllability
106
258000
2000
az előrejelezhetőséget és a kezelhetőséget illetően
04:35
of things like biological processes or economies,
107
260000
3000
vagy olyan területeken, mint a biológiai folyamatok vagy gazdaságok,
04:38
about intelligence in the universe,
108
263000
2000
vagy az univerzumbeli értelmes életre vonatkozóan,
04:40
about questions like free will
109
265000
2000
a szabad akarat kérdéseit illetően
04:42
and about creating technology.
110
267000
3000
és a technikai újdonságok tekintetében.
04:45
You know, in working on this science for many years,
111
270000
2000
Tudják, miközben ezzel a tudománnyal foglalkoztam oly sok éven át
04:47
I kept wondering,
112
272000
2000
mindig kíváncsi voltam, hogy vajon
04:49
"What will be its first killer app?"
113
274000
2000
"Milyen szédületes dologra fogjuk először felhasználni?"
04:51
Well, ever since I was a kid,
114
276000
2000
Nos, engem gyermekkorom óta
04:53
I'd been thinking about systematizing knowledge
115
278000
2000
foglalkoztatott a tudás rendszerezésének lehetősége
04:55
and somehow making it computable.
116
280000
2000
és az, hogy valami módon számíthatóvá kellene tenni.
04:57
People like Leibniz had wondered about that too
117
282000
2000
A kérdéssel Leibniz is foglalkozott úgy
04:59
300 years earlier.
118
284000
2000
300 évvel ezelőtt.
05:01
But I'd always assumed that to make progress,
119
286000
2000
Azonban, én mindig abból indultam ki, hogy ehhez
05:03
I'd essentially have to replicate a whole brain.
120
288000
3000
lényegében le kellene másolnom egy egész agyat.
05:06
Well, then I got to thinking:
121
291000
2000
Most pedig, ezt mondtam magamnak:
05:08
This scientific paradigm of mine suggests something different --
122
293000
3000
Ez az én tudományos paradigmám valami mást sugall.
05:11
and, by the way, I've now got
123
296000
2000
És egyébként is, most
05:13
huge computation capabilities in Mathematica,
124
298000
3000
már itt van a Mathematica hatalmas számítási képessége
05:16
and I'm a CEO with some worldly resources
125
301000
3000
cégvezetőként vannak anyagi forrásaim is
05:19
to do large, seemingly crazy, projects --
126
304000
3000
nagy, őrültségnek tűnő projektekhez.
05:22
So I decided to just try to see
127
307000
2000
Így aztán úgy döntöttem, nekivágok és kiderítem,
05:24
how much of the systematic knowledge that's out there in the world
128
309000
3000
hogy a világban meglévő rendszerezett tudásból mennyit lehet
05:27
we could make computable.
129
312000
2000
kiszámíthatóvá tenni.
05:29
So, it's been a big, very complex project,
130
314000
2000
Szóval, ez egy nagy, igen összetett projektnek indult,
05:31
which I was not sure was going to work at all.
131
316000
3000
és egyáltalán nem lehetett tudni, hogy sikeres lesz-e.
05:34
But I'm happy to say it's actually going really well.
132
319000
3000
Örömmel mondhatom azonban, hogy valójában nagyon jól halad.
05:37
And last year we were able
133
322000
2000
A tavalyi évben már ki tudtuk adni
05:39
to release the first website version
134
324000
2000
az első webes változatát a
05:41
of Wolfram Alpha.
135
326000
2000
Wolfram Alpha-nak.
05:43
Its purpose is to be a serious knowledge engine
136
328000
3000
Rendeltetése szerint ez egy komoly tudásmotor,
05:46
that computes answers to questions.
137
331000
3000
amely kiszámítja a választ a feltett kérdésekre.
05:49
So let's give it a try.
138
334000
2000
Próbáljuk ki.
05:51
Let's start off with something really easy.
139
336000
2000
Kezdjük először valami nagyon könnyűvel.
05:53
Hope for the best.
140
338000
2000
És reméljük a legjobbakat.
05:55
Very good. Okay.
141
340000
2000
Nagyon jó. Rendben.
05:57
So far so good.
142
342000
2000
Eddig minden rendben.
05:59
(Laughter)
143
344000
3000
(Nevetés)
06:02
Let's try something a little bit harder.
144
347000
3000
Most próbálkozzunk egy kicsit nehezebbel.
06:05
Let's do
145
350000
2000
Mondjuk...
06:07
some mathy thing,
146
352000
3000
Valami matekos dolgot
06:10
and with luck it'll work out the answer
147
355000
3000
és egy kis szerencsével kidolgozza a választ
06:13
and try and tell us some interesting things
148
358000
2000
és érdekes dolgokat mondhat nekünk
06:15
things about related math.
149
360000
2000
valamit a kapcsolódó matematikáról.
06:17
We could ask it something about the real world.
150
362000
3000
Kérdezhetnénk tőle valamit a valódi világról.
06:20
Let's say -- I don't know --
151
365000
2000
Mondjuk -- nem is tudom --
06:22
what's the GDP of Spain?
152
367000
3000
Mennyi Spanyolország GDP-je?
06:25
And it should be able to tell us that.
153
370000
2000
Ezt meg kell tudnia mondani.
06:27
Now we could compute something related to this,
154
372000
2000
Most pedig kiszámíthatnánk valamit ezzel kapcsolatban,
06:29
let's say ... the GDP of Spain
155
374000
2000
mondjuk Spanyolország GDP-je
06:31
divided by, I don't know,
156
376000
2000
osztva, nézzük csak,
06:33
the -- hmmm ...
157
378000
2000
a -- hmmm ...
06:35
let's say the revenue of Microsoft.
158
380000
2000
mondjuk a Microsoft bevételével.
06:37
(Laughter)
159
382000
2000
(Nevetés)
06:39
The idea is that we can just type this in,
160
384000
2000
Nos az elképzelés az, hogy ezt csak úgy begépeljük,
06:41
this kind of question in, however we think of it.
161
386000
3000
ezt a fajta kérdést, akárhogyan is fogalmazzuk meg.
06:44
So let's try asking a question,
162
389000
2000
Tehát most próbáljuk meg, és tegyünk fel
06:46
like a health related question.
163
391000
2000
egy egészséghez kapcsolódó kérdést.
06:48
So let's say we have a lab finding that ...
164
393000
3000
Képzeljük el, hogy van egy laboratóriumi eredményünk --
06:51
you know, we have an LDL level of 140
165
396000
2000
és mondjuk az LDL szint értéke 140,
06:53
for a male aged 50.
166
398000
3000
és 50 éves férfiről szó.
06:56
So let's type that in, and now Wolfram Alpha
167
401000
2000
Most írjuk ezt be, és akkor a Wolfram Alpha
06:58
will go and use available public health data
168
403000
2000
a rendelkezésre álló közegészségügyi adatok alapján
07:00
and try and figure out
169
405000
2000
megpróbálja kideríteni,
07:02
what part of the population that corresponds to and so on.
170
407000
3000
hogy a népesség mely részének felel ez meg, és így tovább.
07:05
Or let's try asking about, I don't know,
171
410000
3000
Vagy kérdezzük, nézzük csak,
07:08
the International Space Station.
172
413000
2000
mondjuk a nemzetközi űrállomásról.
07:10
And what's happening here is that
173
415000
2000
És ami itt történik, az nem az, hogy
07:12
Wolfram Alpha is not just looking up something;
174
417000
2000
a Wolfram Alpha csak kikeres valamit;
07:14
it's computing, in real time,
175
419000
3000
kiszámolja, valós időben,
07:17
where the International Space Station is right now at this moment,
176
422000
3000
hol van a nemzetközi űrállomás éppen most, ebben a pillanatban,
07:20
how fast it's going, and so on.
177
425000
3000
milyen gyorsan halad és így tovább.
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
429000
3000
A Wolfram Alpha most már sok-sok mindenről tud.
07:27
It's got, by now,
179
432000
2000
Mostanra
07:29
pretty good coverage of everything you might find
180
434000
2000
elég jó anyaga van nagyjából mindenről, amit egy
07:31
in a standard reference library.
181
436000
3000
normál olvasótermi kézikönyvtárban megtalálhatunk.
07:34
But the goal is to go much further
182
439000
2000
A cél azonban ennél sokkal több,
07:36
and, very broadly, to democratize
183
441000
3000
és nagy vonalakban, demokratizálni
07:39
all of this knowledge,
184
444000
3000
ezt a teljes tudásanyagot,
07:42
and to try and be an authoritative
185
447000
2000
és szeretnénk, ha hiteles forrás lenne
07:44
source in all areas.
186
449000
2000
minden területen,
07:46
To be able to compute answers to specific questions that people have,
187
451000
3000
hogy képes legyen kiszámolni a válaszokat az emberek konkrét kérdéseire,
07:49
not by searching what other people
188
454000
2000
nem úgy, hogy keres abban, amit
07:51
may have written down before,
189
456000
2000
más emberek már leírtak,
07:53
but by using built in knowledge
190
458000
2000
hanem a beépített tudás segítségével
07:55
to compute fresh new answers to specific questions.
191
460000
3000
kiszámítaná a válaszokat az adott kérdésre.
07:58
Now, of course, Wolfram Alpha
192
463000
2000
Na mármost, a Wolfram Alpha természetesen
08:00
is a monumentally huge, long-term project
193
465000
2000
egy monumentálisan nagy, hosszú távú projekt
08:02
with lots and lots of challenges.
194
467000
2000
és sok-sok nehézséggel kell szembenéznünk.
08:04
For a start, one has to curate a zillion
195
469000
3000
Kezdetnek mindjárt gondoskodni kell iszonyú mennyiségű
08:07
different sources of facts and data,
196
472000
3000
különböző tényről és adatforrásról,
08:10
and we built quite a pipeline of Mathematica automation
197
475000
3000
létrehoztunk erre egy Mathematica automatizmusból
08:13
and human domain experts for doing this.
198
478000
3000
és emberi szakértőkből álló folyamatot.
08:16
But that's just the beginning.
199
481000
2000
Ez azonban még csak a kezdet.
08:18
Given raw facts or data
200
483000
2000
Ahhoz, hogy nyers tények és adatok alapján
08:20
to actually answer questions,
201
485000
2000
ténylegesen meg lehessen válaszolni a kérdéseket,
08:22
one has to compute:
202
487000
2000
számításokat kell végezni,
08:24
one has to implement all those methods and models
203
489000
2000
alkalmazni kell mindazokat a módszereket, modelleket,
08:26
and algorithms and so on
204
491000
2000
algoritmusokat, stb.
08:28
that science and other areas have built up over the centuries.
205
493000
3000
amelyeket a tudomány az évszázadok alatt felhalmozott.
08:31
Well, even starting from Mathematica,
206
496000
3000
Nos, igazából még ha a Mathematica-tól indulunk is,
08:34
this is still a huge amount of work.
207
499000
2000
ez még akkor is óriási mennyiségű munka.
08:36
So far, there are about 8 million lines
208
501000
2000
Ez idáig 8 millió sornyi
08:38
of Mathematica code in Wolfram Alpha
209
503000
2000
Mathematica kód van a Wolfram Alpha-ban,
08:40
built by experts from many, many different fields.
210
505000
3000
ezt sok-sok különböző terület szakértői készítették.
08:43
Well, a crucial idea of Wolfram Alpha
211
508000
3000
Nos, a Wolfram Alpha alapötlete, hogy
08:46
is that you can just ask it questions
212
511000
2000
a kérdéseket normál emberi nyelven
08:48
using ordinary human language,
213
513000
3000
lehessen feltennni,
08:51
which means that we've got to be able to take
214
516000
2000
ami azt jelenti, hogy képesnek kell lennünk
08:53
all those strange utterances that people type into the input field
215
518000
3000
mindazt a sok furcsaságot fogadni, amit az emberek a bemeneti mezőbe beírhatnak,
08:56
and understand them.
216
521000
2000
és meg is kell érteni.
08:58
And I must say that I thought that step
217
523000
2000
Be kell vallanom, jómagam azt gondoltam, hogy
09:00
might just be plain impossible.
218
525000
3000
lehet, hogy ez egész egyszerűen képtelenség lesz.
09:04
Two big things happened:
219
529000
2000
Történt azonban két fontos lépés.
09:06
First, a bunch of new ideas about linguistics
220
531000
3000
Először, egy csomó új gondolat született a nyelvészetben,
09:09
that came from studying the computational universe;
221
534000
3000
a digitális számítási univerzum vizsgálatából fakadóan.
09:12
and second, the realization that having actual computable knowledge
222
537000
3000
A második pedig az a felismerés, hogy ha konkrét kiszámítható tudásunk van,
09:15
completely changes how one can
223
540000
2000
az teljességgel megváltoztatja, hogyan
09:17
set about understanding language.
224
542000
3000
fogunk hozzá a nyelv megértéséhez.
09:20
And, of course, now
225
545000
2000
És, természetesen, most
09:22
with Wolfram Alpha actually out in the wild,
226
547000
2000
hogy a Wolfram Alpha kilépett a színtérre,
09:24
we can learn from its actual usage.
227
549000
2000
a konkrét használatából is tanulhatunk.
09:26
And, in fact, there's been
228
551000
2000
És, valójában, tapasztalható is volt
09:28
an interesting coevolution that's been going on
229
553000
2000
egy érdekes együttes fejlődés
09:30
between Wolfram Alpha
230
555000
2000
a Wolfram Alpha és
09:32
and its human users,
231
557000
2000
emberi felhasználói között.
09:34
and it's really encouraging.
232
559000
2000
És ez igazán biztató.
09:36
Right now, if we look at web queries,
233
561000
2000
Ha most megnézzük a webes kéréseket,
09:38
more than 80 percent of them get handled successfully the first time.
234
563000
3000
azt látjuk, hogy az elsőre helyes értelmezések aránya több mint 80%.
09:41
And if you look at things like the iPhone app,
235
566000
2000
Ha pedig az olyan dolgokat tekintjük, mint az iPhone alkalmazások,
09:43
the fraction is considerably larger.
236
568000
2000
az arány még magasabb.
09:45
So, I'm pretty pleased with it all.
237
570000
2000
Így hát, ezzel nagyon meg vagyok elégedve.
09:47
But, in many ways,
238
572000
2000
Sok mindenben azonban,
09:49
we're still at the very beginning with Wolfram Alpha.
239
574000
3000
még nagyon az elején tart a Wolfram Alpha.
09:52
I mean, everything is scaling up very nicely
240
577000
2000
Úgy értem, minden nagyon szépen alakul.
09:54
and we're getting more confident.
241
579000
2000
Egyre magabiztosabbak vagyunk.
09:56
You can expect to see Wolfram Alpha technology
242
581000
2000
Arra számítunk, hogy a Wolfram Alpha technológia
09:58
showing up in more and more places,
243
583000
2000
egyre több és több helyen jelenik majd meg,
10:00
working both with this kind of public data, like on the website,
244
585000
3000
és dolgozni fog ilyen jellegű adatokkal, mint itt a webhelyen,
10:03
and with private knowledge
245
588000
2000
és magán jellegű adatokkal is
10:05
for people and companies and so on.
246
590000
3000
embereknek, cégeknek és így tovább.
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
593000
3000
A Wolfram Alpha valójában egy teljesen
10:11
a whole new kind of computing
248
596000
2000
újfajta számítási rendszert ad a kezünkbe, amit
10:13
that one can call knowledge-based computing,
249
598000
2000
nevezhetünk tudásalapú számítástechnikának,
10:15
in which one's starting not just from raw computation,
250
600000
3000
ebben nem csak a puszta számításból indulunk ki,
10:18
but from a vast amount of built-in knowledge.
251
603000
3000
hanem rendelkezésünkre áll a bőséges mennyiségű beépített ismeret is.
10:21
And when one does that, one really changes
252
606000
2000
Ha így közelítjük meg a dolgot, egészen más lesz a
10:23
the economics of delivering computational things,
253
608000
3000
számítástechnikai szolgáltatások gazdaságossága is,
10:26
whether it's on the web or elsewhere.
254
611000
2000
akár webes, akár másmilyen alapúról van szó.
10:28
You know, we have a fairly interesting situation right now.
255
613000
3000
Meglehetősen érdekes helyzetben vagyunk éppen.
10:31
On the one hand, we have Mathematica,
256
616000
2000
Az egyik oldalon ott van nekünk a Mathematica,
10:33
with its sort of precise, formal language
257
618000
3000
a saját precíz, formális nyelvével és a
10:36
and a huge network
258
621000
2000
hatalmas mennyiségű
10:38
of carefully designed capabilities
259
623000
2000
gondosan tervezett funkcióival,
10:40
able to get a lot done in just a few lines.
260
625000
3000
ami mindössze néhány sorban képes sokmindent elvégezni.
10:43
Let me show you a couple of examples here.
261
628000
3000
Hadd mutassak erre itt egy pár példát.
10:47
So here's a trivial piece of Mathematica programming.
262
632000
3000
Ez itt egy triviális Mathematica programocska.
10:51
Here's something where we're sort of
263
636000
2000
Ami itt van, ez itt mintegy
10:53
integrating a bunch of different capabilities here.
264
638000
3000
beágyaz egy csokor különböző funkciót.
10:56
Here we'll just create, in this line,
265
641000
3000
Itt, ebben a sorban hozzuk létre azt a
10:59
a little user interface that allows us to
266
644000
3000
kis felhasználói felületet, amellyel aztán
11:02
do something fun there.
267
647000
2000
érdekes dolgokat csinálhatunk amott.
11:05
If you go on, that's a slightly more complicated program
268
650000
2000
Ha továbbmegyünk, ez a program egy kissé bonyolultabb,
11:07
that's now doing all sorts of algorithmic things
269
652000
3000
amely itt most mindenféle algoritmikus dolgot végez,
11:10
and creating user interface and so on.
270
655000
2000
felhasználói felületet hoz létre és így tovább.
11:12
But it's something that is very precise stuff.
271
657000
3000
Ez egy jól meghatározott, nagyon precíz dolog.
11:15
It's a precise specification with a precise formal language
272
660000
3000
Precíz specifikáció precíz formális nyelven,
11:18
that causes Mathematica to know what to do here.
273
663000
3000
ami alapján a Mathematica tudja, hogy mit kell itt tennie.
11:21
Then on the other hand, we have Wolfram Alpha,
274
666000
3000
A másik oldalon viszont ott van nekünk a Wolfram Alpha,
11:24
with all the messiness of the world
275
669000
2000
amibe belevettük a világ minden kuszaságát
11:26
and human language and so on built into it.
276
671000
2000
az emberi nyelvet és így tovább.
11:28
So what happens when you put these things together?
277
673000
3000
Na most, mi történik, ha a kettőt összehozzuk?
11:31
I think it's actually rather wonderful.
278
676000
2000
Szerintem ez nagyon csodálatos.
11:33
With Wolfram Alpha inside Mathematica,
279
678000
2000
Ha a Wolfram Alpha a Mathematica belsejébe kerül,
11:35
you can, for example, make precise programs
280
680000
2000
készíthetünk olyan precíz programot, amely
11:37
that call on real world data.
281
682000
2000
valós világból vett adatokra támaszkodik.
11:39
Here's a real simple example.
282
684000
2000
Itt van egy igazán egyszerű példa.
11:44
You can also just sort of give vague input
283
689000
3000
Azt is megtehetjük, hogy határozatlan bemenetet adunk meg,
11:47
and then try and have Wolfram Alpha
284
692000
2000
és engedjük, hogy a Wolfram Alpha megpróbálja
11:49
figure out what you're talking about.
285
694000
2000
kitalálni, miről van szó.
11:51
Let's try this here.
286
696000
2000
Próbáljuk ezt ki itt.
11:53
But actually I think the most exciting thing about this
287
698000
3000
Szerintem ennek a legizgalmasabb aspektusa az lehet, hogy
11:56
is that it really gives one the chance
288
701000
2000
ténylegesen lehetőséget ad a
11:58
to democratize programming.
289
703000
3000
programozás demokratizálására.
12:01
I mean, anyone will be able to say what they want in plain language.
290
706000
3000
Arra gondolok, hogy bárkinek lehetősége lesz, hogy csak úgy, szimpla nyelven elmondja amit akar,
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
709000
3000
és a cél, hogy a Wolfram Alpha képes legyen ebből kitalálni, hogy
12:07
what precise pieces of code
292
712000
2000
milyen precíz kódrészlet
12:09
can do what they're asking for
293
714000
2000
tudja az eredményt megadni,
12:11
and then show them examples that will let them pick what they need
294
716000
3000
és akkor a mutatott példákból kiválaszthatják a nekik szükségeset,
12:14
to build up bigger and bigger, precise programs.
295
719000
3000
amelyből nagyobb és nagyobb, precíz programok készülhetnek.
12:17
So, sometimes, Wolfram Alpha
296
722000
2000
Néha a Wolfram Alpha képes lesz arra is, hogy
12:19
will be able to do the whole thing immediately
297
724000
2000
az egész dolgot azonnal meg is csinálja
12:21
and just give back a whole big program that you can then compute with.
298
726000
3000
és csak a kész, teljes programot adja eredményül, amelyet aztán használhatunk.
12:24
Here's a big website
299
729000
2000
Ez itt egy nagy webhely,
12:26
where we've been collecting lots of educational
300
731000
3000
itt oktatási és más jellegű bemutatókat
12:29
and other demonstrations about lots of kinds of things.
301
734000
3000
gyűjtünk sokféle témában.
12:32
I'll show you one example here.
302
737000
3000
Talán mutatok egy példát, mondjuk itt.
12:36
This is just an example of one of these computable documents.
303
741000
3000
Ez egy példa ezekre a számítható dokumentumokra.
12:39
This is probably a fairly small
304
744000
2000
Ez valószínűleg egy meglehetősen
12:41
piece of Mathematica code
305
746000
2000
kicsi Mathematica kód,
12:43
that's able to be run here.
306
748000
2000
amely le tud itt futni.
12:47
Okay. Let's zoom out again.
307
752000
3000
Ok. Most távolítsuk ki újra.
12:50
So, given our new kind of science,
308
755000
2000
Így, most adva van ez az új típusú tudomány,
12:52
is there a general way to use it to make technology?
309
757000
3000
általánosságban felhasználhatjuk-e technológiai fejlesztésre?
12:55
So, with physical materials,
310
760000
2000
A fizikai anyagok tekintetében
12:57
we're used to going around the world
311
762000
2000
megszoktuk, hogy amint járunk szerte a világban
12:59
and discovering that particular materials
312
764000
2000
különféle anyagokat fedezünk fel, amelyeket
13:01
are useful for particular
313
766000
2000
fel tudunk használni valamilyen konkrét
13:03
technological purposes.
314
768000
2000
műszaki feladathoz és így tovább.
13:05
Well, it turns out we can do very much the same kind of thing
315
770000
2000
Nos, úgy tűnik, hogy ez csaknem ugyanígy van a
13:07
in the computational universe.
316
772000
2000
számítási univerzumban is.
13:09
There's an inexhaustible supply of programs out there.
317
774000
3000
Kimeríthetetlen mennyiségű programot találunk benne.
13:12
The challenge is to see how to
318
777000
2000
A feladat az, hogy rájöjjünk, hogyan lehet
13:14
harness them for human purposes.
319
779000
2000
hasznosítani őket az ember céljaira.
13:16
Something like Rule 30, for example,
320
781000
2000
A 30-as számú szabály például,
13:18
turns out to be a really good randomness generator.
321
783000
2000
kiváló véletlenszám-generátornak bizonyul.
13:20
Other simple programs are good models
322
785000
2000
Más egyszerűbb programokkal jól lehet modellezni
13:22
for processes in the natural or social world.
323
787000
3000
természeti vagy társadalmi folyamatokat.
13:25
And, for example, Wolfram Alpha and Mathematica
324
790000
2000
És, például, a Wolfram Alpha és a Mathematica
13:27
are actually now full of algorithms
325
792000
2000
valójában tele van olyan algoritmusokkal
13:29
that we discovered by searching the computational universe.
326
794000
3000
amelyeket a számítási univerzum keresése közben fedeztünk fel.
13:33
And, for example, this -- if we go back here --
327
798000
3000
És, például ez -- visszamegyek ide --
13:37
this has become surprisingly popular
328
802000
2000
Ez meglepően népszerűvé vált a
13:39
among composers
329
804000
2000
zeneszerzők körében, akik
13:41
finding musical forms by searching the computational universe.
330
806000
3000
a számítási univerzumban keresnek és találnak zenei formákat.
13:45
In a sense, we can use the computational universe
331
810000
2000
Bizonyos értelemben a számítási univerzum
13:47
to get mass customized creativity.
332
812000
3000
tömegre szabott kreativitást adhat nekünk.
13:50
I'm hoping we can, for example,
333
815000
2000
Én azt is remélem, hogy például
13:52
use that even to get Wolfram Alpha
334
817000
2000
fel tudjuk használni arra, hogy a Wolfram Alpha
13:54
to routinely do invention and discovery on the fly,
335
819000
3000
úgymond rutinszerűen találmányokra, felfedezésekre bukkanjon munka közben
13:57
and to find all sorts of wonderful stuff
336
822000
2000
és mindenféle csodálatos dolgot találjon fel,
13:59
that no engineer
337
824000
2000
amelyet soha semmilyen mérnök nem talált volna ki és
14:01
and no process of incremental evolution would ever come up with.
338
826000
3000
semmilyen lépésenként haladó fejlődés soha nem eredményezett volna.
14:05
Well, so, that leads to kind of an ultimate question:
339
830000
3000
Nos, mindennek kapcsán felmerül egy végső kérdés.
14:08
Could it be that someplace out there in the computational universe
340
833000
3000
Lehetséges, hogy valahol, ebben a számítási univerzumban
14:11
we might find our physical universe?
341
836000
3000
rábukkanunk a saját fizikai világunkra?
14:14
Perhaps there's even some quite simple rule,
342
839000
2000
Lehet, hogy még néhány nagyon egyszerű szabály is van,
14:16
some simple program for our universe.
343
841000
3000
lehet, hogy van az univerzumunknak egy egyszerű programja.
14:19
Well, the history of physics would have us believe
344
844000
2000
Nos, a fizika története alapján arra gondolnánk,
14:21
that the rule for the universe must be pretty complicated.
345
846000
3000
hogy az univerzum szabálya ugyancsak bonyolult kell hogy legyen.
14:24
But in the computational universe,
346
849000
2000
A számítási univerzumban azonban
14:26
we've now seen how rules that are incredibly simple
347
851000
3000
láthattuk, hogy hihetetlenül egyszerű szabályok
14:29
can produce incredibly rich and complex behavior.
348
854000
3000
hihetetlenül gazdag és komplex viselkedést tudnak produkálni.
14:32
So could that be what's going on with our whole universe?
349
857000
3000
Lehet, hogy az univerzumunkkal is ez a helyzet?
14:36
If the rules for the universe are simple,
350
861000
2000
Ha az univerzum végső szabályai egyszerűek,
14:38
it's kind of inevitable that they have to be
351
863000
2000
akkor egyben elkerülhetetlen, hogy
14:40
very abstract and very low level;
352
865000
2000
nagyon absztrakt és alacsony szintűek is legyenek,
14:42
operating, for example, far below
353
867000
2000
például sokkal mélyebb szinten
14:44
the level of space or time,
354
869000
2000
működnének, mint a tér és idő,
14:46
which makes it hard to represent things.
355
871000
2000
így pedig nehezen lehet a dolgokról fogalmat alkotni.
14:48
But in at least a large class of cases,
356
873000
2000
Ugyanakkor az esetek egy nagy osztályára
14:50
one can think of the universe as being
357
875000
2000
elképzelhetjük az univerzumot
14:52
like some kind of network,
358
877000
2000
mint egyfajta hálózatot,
14:54
which, when it gets big enough,
359
879000
2000
amely, ha elég naggyá válik,
14:56
behaves like continuous space
360
881000
2000
úgy viselkedik, mint a folyamatos tér,
14:58
in much the same way as having lots of molecules
361
883000
2000
nagyon hasonlóan ahhoz, amint a sok-sok molekula
15:00
can behave like a continuous fluid.
362
885000
2000
folyamatos folyadékként képes viselkedni.
15:02
Well, then the universe has to evolve by applying
363
887000
3000
Nos, ekkor az univerzum fejlődése erre a hálózatra progresszíven
15:05
little rules that progressively update this network.
364
890000
3000
alkalmazott kis szabályokkal történne.
15:08
And each possible rule, in a sense,
365
893000
2000
Ilyen értelemben minden lehetséges szabály
15:10
corresponds to a candidate universe.
366
895000
2000
egy lehetséges univerzumnak felelne meg.
15:12
Actually, I haven't shown these before,
367
897000
3000
Igazából ezeket még soha sem mutattam be,
15:16
but here are a few of the candidate universes
368
901000
3000
de itt van néhány lehetséges univerzum
15:19
that I've looked at.
369
904000
2000
amelyet megvizsgáltam.
15:21
Some of these are hopeless universes,
370
906000
2000
Egyesek ezek között teljesen reménytelenek,
15:23
completely sterile,
371
908000
2000
teljesen sterilek,
15:25
with other kinds of pathologies like no notion of space,
372
910000
2000
egyéb kóros tüneteket mutatnak, nincs bennük meg a tér fogalma
15:27
no notion of time, no matter,
373
912000
3000
az idő fogalma, nincs benne anyag,
15:30
other problems like that.
374
915000
2000
és más ehhez hasonló gondok vannak velük.
15:32
But the exciting thing that I've found in the last few years
375
917000
3000
Az izgalmas dolog azonban, amit az utóbbi néhány évben találtam,
15:35
is that you actually don't have to go very far
376
920000
2000
az, hogy nem kell nagyon messzire menni
15:37
in the computational universe
377
922000
2000
a számítási univerzumban ahhoz,
15:39
before you start finding candidate universes
378
924000
2000
hogy esetleges univerzumokat találjunk,
15:41
that aren't obviously not our universe.
379
926000
3000
amelyekről már nem nyilvánvaló, hogy nem a mi univerzumunk.
15:44
Here's the problem:
380
929000
2000
A gond a következő:
15:46
Any serious candidate for our universe
381
931000
3000
Az univerzumunk esetében csakis olyan jelöltek jöhetnek szóba,
15:49
is inevitably full of computational irreducibility.
382
934000
3000
amelyekben nagyfokú a számítási irreducibilitás,
15:52
Which means that it is irreducibly difficult
383
937000
3000
ami egyben azt is jelenti, hogy tényleges
15:55
to find out how it will really behave,
384
940000
2000
viselkedésének kiderítése és annak eldöntése
15:57
and whether it matches our physical universe.
385
942000
3000
hogy megfelel-e fizikai világunknak nem egyszerűsíthető.
16:01
A few years ago, I was pretty excited to discover
386
946000
3000
Néhány évvel ezelőtt, nagy izgalommal fedeztem fel olyan
16:04
that there are candidate universes with incredibly simple rules
387
949000
3000
potenciális univerzumokat, amelyek hihetetlen egyszerű szabályai
16:07
that successfully reproduce special relativity,
388
952000
2000
sikeresen reprodukálták a speciális relativitást,
16:09
and even general relativity and gravitation,
389
954000
3000
sőt, még az általános relativitást és a gravitációt is,
16:12
and at least give hints of quantum mechanics.
390
957000
3000
és legalábbis sejtetni engedték a kvantummechanikát.
16:15
So, will we find the whole of physics?
391
960000
2000
Lehet, hogy megtaláljuk a teljes fizikát?
16:17
I don't know for sure,
392
962000
2000
Nem tudhatom biztosan.
16:19
but I think at this point it's sort of
393
964000
2000
Azt gondolom azonban, hogy ennél a pontnál
16:21
almost embarrassing not to at least try.
394
966000
2000
még csak meg sem próbálni majdnem szégyen volna.
16:23
Not an easy project.
395
968000
2000
Nem könnyű feladat.
16:25
One's got to build a lot of technology.
396
970000
2000
Rengeteg technikára van szükség hozzá.
16:27
One's got to build a structure that's probably
397
972000
2000
Valószínűleg legalább olyan mélységű szerkezet
16:29
at least as deep as existing physics.
398
974000
2000
megépítésére van szükség, mint maga a létező fizika.
16:31
And I'm not sure what the best way to organize the whole thing is.
399
976000
3000
Abban sem vagyok biztos, milyen módon kellene az egészet megszervezni.
16:34
Build a team, open it up, offer prizes and so on.
400
979000
3000
Hogyan kellene a csapatot kialakítani, díjakat kitűzni, és a többi.
16:37
But I'll tell you, here today,
401
982000
2000
Annyit azonban mondhatok, hogy
16:39
that I'm committed to seeing this project done,
402
984000
2000
nem nyugszom, amíg ez a munka el nem készül,
16:41
to see if, within this decade,
403
986000
3000
látni akarom, hogy ebben az évtizedben
16:44
we can finally hold in our hands
404
989000
2000
végre kezünkben tarthatjuk-e
16:46
the rule for our universe
405
991000
2000
univerzumunk szabályát,
16:48
and know where our universe lies
406
993000
2000
és megtudjuk, hogy univerzumunk
16:50
in the space of all possible universes ...
407
995000
2000
hol található az összes lehetséges univerzumok terében --
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
997000
3000
és be lehessen gépelni a Wolfram Alpha-ba, hogy "az univerzum elmélete",
16:55
and have it tell us.
409
1000000
2000
és megmondja nekünk.
16:57
(Laughter)
410
1002000
2000
(Nevetés)
17:00
So I've been working on the idea of computation
411
1005000
2000
A számítógépes rendszerek elvén dolgoztam az
17:02
now for more than 30 years,
412
1007000
2000
elmúlt több mint 30 évben,
17:04
building tools and methods and turning intellectual ideas
413
1009000
3000
eszközöket és módszereket dolgoztam ki, úgymond értelmes gondolatokat
17:07
into millions of lines of code
414
1012000
2000
fordítottam le sok milliónyi sor kódra,
17:09
and grist for server farms and so on.
415
1014000
2000
ültettem szerverfarmokra és így tovább.
17:11
With every passing year,
416
1016000
2000
Minden eltelt évvel,
17:13
I realize how much more powerful
417
1018000
2000
egyre világosabban látom, mennyire
17:15
the idea of computation really is.
418
1020000
2000
nagyon hatalmas gondolat volt a számítástudományé.
17:17
It's taken us a long way already,
419
1022000
2000
Messzire jutottunk már eddig is vele,
17:19
but there's so much more to come.
420
1024000
2000
de a legnagyobb része még hátra van.
17:21
From the foundations of science
421
1026000
2000
A tudomány alapjaitól kezdve
17:23
to the limits of technology
422
1028000
2000
a technikai lehetőségek határáig
17:25
to the very definition of the human condition,
423
1030000
2000
magának az emberi létnek a definiálásáig...
17:27
I think computation is destined to be
424
1032000
2000
Úgy gondolom, a számítástudomány lesz a
17:29
the defining idea of our future.
425
1034000
2000
jövőnk meghatározó gondolata.
17:31
Thank you.
426
1036000
2000
Köszönöm.
17:33
(Applause)
427
1038000
14000
(Taps)
17:47
Chris Anderson: That was astonishing.
428
1052000
2000
Chris Anderson: Ez bámulatos volt.
17:49
Stay here. I've got a question.
429
1054000
2000
Maradjon még. Kérdezni szeretnék.
17:51
(Applause)
430
1056000
4000
(Taps)
17:57
So, that was, fair to say, an astonishing talk.
431
1062000
3000
Nos, nyugodtan mondhatjuk, hogy bámulatos előadást hallottunk.
18:01
Are you able to say in a sentence or two
432
1066000
3000
Tudna mondani egy-két mondatot arról, hogy
18:04
how this type of thinking
433
1069000
3000
ezek a fajta gondolatok
18:07
could integrate at some point
434
1072000
2000
hogyan kapcsolódhatnak
18:09
to things like string theory or the kind of things that people think of
435
1074000
2000
olyan dolgokkal, mint a húrelmélet vagy az olyan elképzelésekkel
18:11
as the fundamental explanations of the universe?
436
1076000
3000
amelyeket az univerzum legalapvetőbb magyarázatának tekintenek?
18:14
Stephen Wolfram: Well, the parts of physics
437
1079000
2000
Stephen Wolfram: Nos, a fizika azon részei
18:16
that we kind of know to be true,
438
1081000
2000
amelyekről tudjuk, hogy megfelelnek a valóságnak,
18:18
things like the standard model of physics:
439
1083000
2000
mint a fizika standard modellje.
18:20
what I'm trying to do better reproduce the standard model of physics
440
1085000
3000
Amit én csinálni próbálok, az inkább reprodukálja a fizika standard modelljét
18:23
or it's simply wrong.
441
1088000
2000
vagy pedig egyszerűen tévedés.
18:25
The things that people have tried to do in the last 25 years or so
442
1090000
2000
Amivel az utóbbi nagyjából 25 évben próbálkoztak
18:27
with string theory and so on
443
1092000
2000
a húrelmélettel és hasonlókkal
18:29
have been an interesting exploration
444
1094000
2000
az egy érdekes kísérlet
18:31
that has tried to get back to the standard model,
445
1096000
3000
amellyel megpróbáltak visszajutni a standard modellhez,
18:34
but hasn't quite gotten there.
446
1099000
2000
de nem egészen sikerült.
18:36
My guess is that some great simplifications of what I'm doing
447
1101000
3000
Úgy vélem, hogy valami nagyszerű leegyszerűsítése annak amit csinálok
18:39
may actually have considerable resonance
448
1104000
3000
valójában figyelemre méltóan visszatükrözi
18:42
with what's been done in string theory,
449
1107000
2000
amit a húrelméletben csináltak,
18:44
but that's a complicated math thing
450
1109000
3000
de ez egy bonyolult matematikai alapokon nyugvó dolog
18:47
that I don't yet know how it's going to work out.
451
1112000
3000
és egyelőre még nem tudom mi lesz az eredménye.
18:50
CA: Benoit Mandelbrot is in the audience.
452
1115000
2000
CA: Benoit Mandlebrot is a közönség soraiban ül.
18:52
He also has shown how complexity
453
1117000
2000
Ő is foglalkozott azzal, hogyan alakulhat ki komplexitás
18:54
can arise out of a simple start.
454
1119000
2000
egyszerű dolgokból kiindulva.
18:56
Does your work relate to his?
455
1121000
2000
Kapcsolódik az Ön munkája ehhez?
18:58
SW: I think so.
456
1123000
2000
SW: Igen.
19:00
I view Benoit Mandelbrot's work
457
1125000
2000
Benoit Mandelbrot munkásságát
19:02
as one of the founding contributions
458
1127000
3000
mintegy a terület egyik megalapozásának
19:05
to this kind of area.
459
1130000
3000
tekintem.
19:08
Benoit has been particularly interested
460
1133000
2000
Benoitot különösen a beágyazott minták,
19:10
in nested patterns, in fractals and so on,
461
1135000
2000
fraktálok és hasonlók érdekelték,
19:12
where the structure is something
462
1137000
2000
amelyeknek szerkezete fához
19:14
that's kind of tree-like,
463
1139000
2000
hasonló felépítésű,
19:16
and where there's sort of a big branch that makes little branches
464
1141000
2000
olyan, hogy van egy nagy ág, amely kisebb ágakra válik szét,
19:18
and even smaller branches and so on.
465
1143000
3000
majd még kisebb ágakká és így tovább.
19:21
That's one of the ways
466
1146000
2000
Ez is egy módja, ahogy a valódi
19:23
that you get towards true complexity.
467
1148000
3000
komplexitást megközelíthetjük.
19:26
I think things like the Rule 30 cellular automaton
468
1151000
3000
Úgy gondolom, az elemi sejtautomata 30-as szabályával
19:29
get us to a different level.
469
1154000
2000
egy másik szintre jutunk.
19:31
In fact, in a very precise way, they get us to a different level
470
1156000
3000
Valójában egész pontosan azért jelentenek másik szintet,
19:34
because they seem to be things that are
471
1159000
2000
mert olyan dolgoknak tűnnnek, amelyek
19:37
capable of complexity
472
1162000
3000
komplexitásra képesek
19:40
that's sort of as great as complexity can ever get ...
473
1165000
3000
ez olyasmi, aminél nagyobb kompexitás aligha lehet ...
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1169000
3000
Még nagyon sokat beszélhetnék erről, de most befejezem.
19:47
CA: Stephen Wolfram, thank you.
475
1172000
2000
CA: Stephen Wolfram, köszönjük!
19:49
(Applause)
476
1174000
2000
(Taps)
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