TED2010
Stephen Wolfram: Computing a theory of all knowledge
Stephen Wolfram: Menghitung teori dari semuanya.
Filmed:
Readability: 4.4
1,811,819 views
Stephen Wolfram, pencipta Mathematica, berbicara tentang usahanya untuk membuat semua jenis pengetahuan komputasional -- yang dapat dicari, diproses dan dimanipulasi. Mesin pencari terbarunya, Wolfram Alpha, memiliki tujuan untuk memodelkan dan menjelaskan ilmu fisika yang merupakan dasar dari alam semesta.
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
Jadi hari ini saya ingin berbicara tentang sebuah ide. Ini sebuah ide yang besar.
00:19
Actually, I think it'll eventually
1
4000
2000
Sebenarnya, saya pikir hal ini lambat laun
00:21
be seen as probably the single biggest idea
2
6000
2000
mungkin akan dipandang sebagai salah satu ide terbesar
00:23
that's emerged in the past century.
3
8000
2000
yang muncul di abad lalu.
00:25
It's the idea of computation.
4
10000
2000
Hal ini adalah ide tentang komputasi.
00:27
Now, of course, that idea has brought us
5
12000
2000
Sekarang, tentunya, ide tersebut telah membawakan kita
00:29
all of the computer technology we have today and so on.
6
14000
3000
semua teknologi komputer yang kita punya sekarang dan sebagainya.
00:32
But there's actually a lot more to computation than that.
7
17000
3000
Tetapi sebenarnya, masih banyak lagi perhitungan daripada itu semua.
00:35
It's really a very deep, very powerful, very fundamental idea,
8
20000
3000
Ini merupakan sebuah ide yang sangat dalam, sangat kuat, sangat mendasar
00:38
whose effects we've only just begun to see.
9
23000
3000
di mana efek-efeknya baru kita lihat.
00:41
Well, I myself have spent the past 30 years of my life
10
26000
3000
Saya telah menghabiskan 30 tahun terakhir dari hidup saya
00:44
working on three large projects
11
29000
2000
mengerjakan tiga proyek yang besar
00:46
that really try to take the idea of computation seriously.
12
31000
3000
yang benar-benar mencoba untuk menggunakan ide tentang komputasi secara serius.
00:50
So I started off at a young age as a physicist
13
35000
3000
Jadi saya mulai dari usia dini sebagai seorang fisikawan
00:53
using computers as tools.
14
38000
2000
yang menggunakan komputer sebagai alat.
00:55
Then, I started drilling down,
15
40000
2000
Lalu, saya kemudian mendalaminya,
00:57
thinking about the computations I might want to do,
16
42000
2000
berpikir tentang komputasi-komputasi yang mungkin ingin saya lakukan,
00:59
trying to figure out what primitives they could be built up from
17
44000
3000
mencoba mencari primitif-primitif apa yang dapat membangun mereka
01:02
and how they could be automated as much as possible.
18
47000
3000
dan bagaimana mereka dapat diotomatisasikan sebanyak mungkin.
01:05
Eventually, I created a whole structure
19
50000
2000
Akhirnya, saya menciptakan sebuah struktur yang utuh
01:07
based on symbolic programming and so on
20
52000
2000
berdasarkan pemrograman simbolik dan sebagainya
01:09
that let me build Mathematica.
21
54000
2000
yang memungkinkan saya menciptakan Mathematica.
01:11
And for the past 23 years, at an increasing rate,
22
56000
2000
Dan selama 23 tahun terakhir ini, dengan kelajuan yang meningkat,
01:13
we've been pouring more and more ideas
23
58000
2000
kita telah mencurahkan makin banyak ide
01:15
and capabilities and so on into Mathematica,
24
60000
2000
dan kemampuan dan sebagainya ke dalam Mathematica,
01:17
and I'm happy to say that that's led to many good things
25
62000
3000
dan saya senang mengatakan bahwa hal ini berujung baik
01:20
in R & D and education,
26
65000
2000
dalam litbang dan pendidikan,
01:22
lots of other areas.
27
67000
2000
dan banyak bidang-bidang lainnya.
01:24
Well, I have to admit, actually,
28
69000
2000
Saya harus akui, sebenarnya,
01:26
that I also had a very selfish reason for building Mathematica:
29
71000
3000
bahwa saya juga mempunyai alasan yang sangat egois dalam membangun Mathematica.
01:29
I wanted to use it myself,
30
74000
2000
Saya ingin menggunakannya untuk diri saya sendiri,
01:31
a bit like Galileo got to use his telescope
31
76000
2000
sedikit seperti Galileo waktu dia menggunakan teleskopnya
01:33
400 years ago.
32
78000
2000
400 tahun yang lalu.
01:35
But I wanted to look not at the astronomical universe,
33
80000
3000
Tapi saya mau melihat, bukan ke dalam dunia astronomi,
01:38
but at the computational universe.
34
83000
3000
tetapi ke dalam dunia komputasional.
01:41
So we normally think of programs as being
35
86000
2000
Jadi kita biasanya mempunyai pikiran bahwa program adalah
01:43
complicated things that we build
36
88000
2000
barang-barang rumit yang kita ciptakan
01:45
for very specific purposes.
37
90000
2000
untuk tujuan yang sangat spesifik.
01:47
But what about the space of all possible programs?
38
92000
3000
Tapi bagaimana dengan ruang dari semua program yang mungkin diciptakan?
01:50
Here's a representation of a really simple program.
39
95000
3000
Ini adalah seburah representasi dari sebuah program yang sangat sederhana.
01:53
So, if we run this program,
40
98000
2000
Jadi, jika kita jalankan program ini,
01:55
this is what we get.
41
100000
2000
inilah yang kita dapatkan.
01:57
Very simple.
42
102000
2000
Sangat sederhana.
01:59
So let's try changing the rule
43
104000
2000
Jadi mari kita coba mengganti aturan
02:01
for this program a little bit.
44
106000
2000
untuk program ini sedikit saja.
02:03
Now we get another result,
45
108000
2000
Sekarang kita dapatkan hasil yang berbeda,
02:05
still very simple.
46
110000
2000
masih sangat sederhana.
02:07
Try changing it again.
47
112000
3000
Ganti sekali lagi.
02:10
You get something a little bit more complicated.
48
115000
2000
Dan Anda dapatkan sesuatu yang sedikit lebih rumit,
02:12
But if we keep running this for a while,
49
117000
2000
tetapi apabila kita terus menjalankan ini selama beberapa saat,
02:14
we find out that although the pattern we get is very intricate,
50
119000
3000
kita lihat bahwa, meskipun pola yang kita dapat sangatlah rumit,
02:17
it has a very regular structure.
51
122000
3000
ia masih mempunyai sebuah struktur yang sangat beraturan.
02:20
So the question is: Can anything else happen?
52
125000
3000
Jadi pertanyaannya: Dapatkah hal yang lain terjadi?
02:23
Well, we can do a little experiment.
53
128000
2000
Kita dapat mencoba melakukan sebuah eksperimen kecil.
02:25
Let's just do a little mathematical experiment, try and find out.
54
130000
3000
Mari kita kerjakan sebuah eksperimen matematika kecil, coba dan cari tahu.
02:29
Let's just run all possible programs
55
134000
3000
Mari kita jalankan semua program yang mungkin
02:32
of the particular type that we're looking at.
56
137000
2000
dari tipe spesifik yang kita amati.
02:34
They're called cellular automata.
57
139000
2000
Mereka disebut sebagai otomata selular.
02:36
You can see a lot of diversity in the behavior here.
58
141000
2000
Anda dapat melihat beragam jenis kelakuan di sini.
02:38
Most of them do very simple things,
59
143000
2000
Kebanyakan dari mereka hanya mengerjakan kegiatan-kegiatan yang sederhana.
02:40
but if you look along all these different pictures,
60
145000
2000
Tetapi jika Anda amati secara seksama semua gambar-gambar yang berbeda ini,
02:42
at rule number 30,
61
147000
2000
di aturan nomor 30,
02:44
you start to see something interesting going on.
62
149000
2000
Anda mulai melihat sesuatu yang menarik sedang terjadi.
02:46
So let's take a closer look
63
151000
2000
Jadi marilah kita amati lebih dekat
02:48
at rule number 30 here.
64
153000
2000
di aturan nomor 30 di sini.
02:50
So here it is.
65
155000
2000
Jadi inilah dia.
02:52
We're just following this very simple rule at the bottom here,
66
157000
3000
Kita hanya mengikuti aturan yang sangat sederhana di bawah ini,
02:55
but we're getting all this amazing stuff.
67
160000
2000
tetapi kita mendapatkan semua hal yang menarik ini.
02:57
It's not at all what we're used to,
68
162000
2000
Ini sama sekali bukanlah sesuatu yang kita biasa hadapi,
02:59
and I must say that, when I first saw this,
69
164000
2000
dan saya harus mengatakan bahwa, ketika pertama kali saya melihat ini,
03:01
it came as a huge shock to my intuition.
70
166000
3000
saya merasakan sebuah pukulan yang sangat besar terhadap nalar saya,
03:04
And, in fact, to understand it,
71
169000
2000
dan, sebenarnya, untuk mengerti tentang hal ini,
03:06
I eventually had to create
72
171000
2000
saya akhirnya harus menciptakan
03:08
a whole new kind of science.
73
173000
2000
sebuah sains yang sama sekali baru.
03:11
(Laughter)
74
176000
2000
(Laughter)
03:13
This science is different, more general,
75
178000
3000
Sains ini berbeda, lebih umum,
03:16
than the mathematics-based science that we've had
76
181000
2000
daripada sains berdasarkan matematika yang kita punyai
03:18
for the past 300 or so years.
77
183000
3000
selama 3 abad terakhir ini.
03:21
You know, it's always seemed like a big mystery:
78
186000
2000
Anda tahu, semua ini selalu terlihat sebagai sebuah misteri yang besar
03:23
how nature, seemingly so effortlessly,
79
188000
3000
bagaimana alam, sepertinya gampang sekali
03:26
manages to produce so much
80
191000
2000
dapat menciptakan banyak sekali hal-hal
03:28
that seems to us so complex.
81
193000
3000
yang bagi kita kelihatannya rumit sekali.
03:31
Well, I think we've found its secret:
82
196000
3000
Saya rasa kita telah menemukan rahasianya.
03:34
It's just sampling what's out there in the computational universe
83
199000
3000
Kita hanya perlu mengambil contoh dari dunia komputasional
03:37
and quite often getting things like Rule 30
84
202000
3000
dan seringkali kita mendapatkan hal-hal seperti Aturan 30
03:40
or like this.
85
205000
3000
atau seperti ini.
03:44
And knowing that starts to explain
86
209000
2000
Dan setelah kita tahu hal ini, ia dapat menjelaskan
03:46
a lot of long-standing mysteries in science.
87
211000
3000
banyak misteri-misteri yang telah lama dihadapi di sains.
03:49
It also brings up new issues, though,
88
214000
2000
Akan tetapi hal ini juga menimbulkan masalah-masalah baru
03:51
like computational irreducibility.
89
216000
3000
seperti perhitungan yang tidak dapat disederhanakan lagi.
03:54
I mean, we're used to having science let us predict things,
90
219000
3000
Maksud saya, kita sudah terbiasa menggunakan sains untuk memperkirakan sesuatu,
03:57
but something like this
91
222000
2000
tapi hal seperti yang satu ini
03:59
is fundamentally irreducible.
92
224000
2000
secara mendasar, sudah tidak dapat lagi disederhanakan.
04:01
The only way to find its outcome
93
226000
2000
Satu-satunya cara untuk mengetahui hasilnya
04:03
is, effectively, just to watch it evolve.
94
228000
3000
adalah, secara efektif, dengan cara melihatnya berevolusi.
04:06
It's connected to, what I call,
95
231000
2000
Hal ini terkait dengan, yang saya sebut,
04:08
the principle of computational equivalence,
96
233000
2000
Aturan Perhitungan Ekuivalen,
04:10
which tells us that even incredibly simple systems
97
235000
3000
yang menunjukkan kita bahwa bahkan sistem-sistem yang teramat sederhana
04:13
can do computations as sophisticated as anything.
98
238000
3000
dapat melakukan perhitungan yang sangat sulit sekalipun.
04:16
It doesn't take lots of technology or biological evolution
99
241000
3000
Hal ini tidak memerlukan banyak teknologi ataupun evolusi biologis
04:19
to be able to do arbitrary computation;
100
244000
2000
untuk dapat melakukan perhitungan macam apapun,
04:21
just something that happens, naturally,
101
246000
2000
hanya perlu sesuatu yang terjadi, secara alamiah,
04:23
all over the place.
102
248000
2000
di manapun hal ini berada.
04:25
Things with rules as simple as these can do it.
103
250000
3000
Hal-hal dengan aturan sesederhana ini dapat melakukannya.
04:29
Well, this has deep implications
104
254000
2000
Hal ini mempunyai dampak yang sangat besar
04:31
about the limits of science,
105
256000
2000
terhadap batasan sains,
04:33
about predictability and controllability
106
258000
2000
mengenai kemampuan untuk memperkirakan dan mengontrol
04:35
of things like biological processes or economies,
107
260000
3000
hal-hal seperti proses-proses biologi atau ekonomi,
04:38
about intelligence in the universe,
108
263000
2000
tentang kepintaran di alam semesta,
04:40
about questions like free will
109
265000
2000
tentang pertanyaan-pertanyaan seperti kehendak bebas,
04:42
and about creating technology.
110
267000
3000
dan tentang menciptakan teknologi.
04:45
You know, in working on this science for many years,
111
270000
2000
Anda tahu, setelah bekerja di bidang sains ini bertahun-tahun,
04:47
I kept wondering,
112
272000
2000
saya kerap bertanya-tanya,
04:49
"What will be its first killer app?"
113
274000
2000
"Apa yang dapat menjadi aplikasi penting (killer app) yang pertama?"
04:51
Well, ever since I was a kid,
114
276000
2000
Sejak saya masih kecil,
04:53
I'd been thinking about systematizing knowledge
115
278000
2000
saya telah berpikir tentang bagaimana cara membuat ilmu pengetahuan sistematis
04:55
and somehow making it computable.
116
280000
2000
dan entah bagaimana membuatnya dapat dihitung.
04:57
People like Leibniz had wondered about that too
117
282000
2000
Orang-orang seperti Leibniz telah mempertanyakan hal yang sama juga
04:59
300 years earlier.
118
284000
2000
300 tahun yang lalu.
05:01
But I'd always assumed that to make progress,
119
286000
2000
Tetapi saya selalu berasumsi bahwa untuk dapat membuat kemajuan,
05:03
I'd essentially have to replicate a whole brain.
120
288000
3000
saya harus mereplikasi sebuah otak yang utuh.
05:06
Well, then I got to thinking:
121
291000
2000
Jadi, saya akhirnya berpikir:
05:08
This scientific paradigm of mine suggests something different --
122
293000
3000
Pola pikir sains saya ini mengajukan hal yang berbeda.
05:11
and, by the way, I've now got
123
296000
2000
Dan, omong-omong, sekarang saya mempunyai
05:13
huge computation capabilities in Mathematica,
124
298000
3000
kemampuan berhitung yang sangat besar dengan Mathematica,
05:16
and I'm a CEO with some worldly resources
125
301000
3000
dan saya seorang CEO dengan banyak dana
05:19
to do large, seemingly crazy, projects --
126
304000
3000
untuk mengerjakan proyek-proyek besar, yang kelihatannya mustahil.
05:22
So I decided to just try to see
127
307000
2000
Jadi saya memutuskan untuk mencoba melihat
05:24
how much of the systematic knowledge that's out there in the world
128
309000
3000
berapa banyak pengetahuan sistematis yang ada di dunia ini
05:27
we could make computable.
129
312000
2000
yang dapat kita buat menjadi dapat dihitung.
05:29
So, it's been a big, very complex project,
130
314000
2000
Jadi, ini adalah sebuah proyek yang besar, dan sangat rumit
05:31
which I was not sure was going to work at all.
131
316000
3000
yang saya tidak yakin dapat bekerja.
05:34
But I'm happy to say it's actually going really well.
132
319000
3000
Tetapi saya senang untuk mengatakan bahwa semuanya berjalan dengan lancar.
05:37
And last year we were able
133
322000
2000
Dan tahun lalu, kita dapat
05:39
to release the first website version
134
324000
2000
mempertunjukkan versi pertama dari website
05:41
of Wolfram Alpha.
135
326000
2000
Wolfram Alpha.
05:43
Its purpose is to be a serious knowledge engine
136
328000
3000
Tujuan hal ini adalah untuk menjadi sebuah sarana pengetahuan yang serius
05:46
that computes answers to questions.
137
331000
3000
yang menghitung jawaban dari pertanyaan.
05:49
So let's give it a try.
138
334000
2000
Jadi marilah kita mencobanya.
05:51
Let's start off with something really easy.
139
336000
2000
Mari kita mulai dengan sesuatu yang sangat mudah.
05:53
Hope for the best.
140
338000
2000
Dan berharap untuk yang terbaik.
05:55
Very good. Okay.
141
340000
2000
Sangat bagus. Oke.
05:57
So far so good.
142
342000
2000
Sejauh ini baik-baik saja.
05:59
(Laughter)
143
344000
3000
(Tertawa)
06:02
Let's try something a little bit harder.
144
347000
3000
Mari kita coba sesuatu yang lebih sulit.
06:05
Let's do
145
350000
2000
Seperti misalnya...
06:07
some mathy thing,
146
352000
3000
Mari kita kerjakan sesuatu yang lebih matematis
06:10
and with luck it'll work out the answer
147
355000
3000
dan kalau kita beruntung, ia akan memberikan jawabannya
06:13
and try and tell us some interesting things
148
358000
2000
dan mencoba memberitahu kita beberapa hal yang menarik
06:15
things about related math.
149
360000
2000
hal-hal yang berhubungan dengan matematika.
06:17
We could ask it something about the real world.
150
362000
3000
Kita juga dapat menanyakannya sesuatu tentang dunia nyata.
06:20
Let's say -- I don't know --
151
365000
2000
Seperti misalnya -- saya tidak tahu --
06:22
what's the GDP of Spain?
152
367000
3000
Berapakah PDB dari Spanyol?
06:25
And it should be able to tell us that.
153
370000
2000
Dan ia seharusnya dapat memberi tahu kita hal itu.
06:27
Now we could compute something related to this,
154
372000
2000
Sekarang kita dapat menghitung sesuatu yang berkaitan dengan ini,
06:29
let's say ... the GDP of Spain
155
374000
2000
mari kita ambil PDB dari Spanyol
06:31
divided by, I don't know,
156
376000
2000
dibagi dengan, saya tidak tahu,
06:33
the -- hmmm ...
157
378000
2000
dengan -- hmmm..
06:35
let's say the revenue of Microsoft.
158
380000
2000
mari kita ambil laba dari Microsoft.
06:37
(Laughter)
159
382000
2000
(Tertawa)
06:39
The idea is that we can just type this in,
160
384000
2000
Idenya adalah kita tinggal mengetikkan hal ini,
06:41
this kind of question in, however we think of it.
161
386000
3000
pertanyaan seperti ini, bagaimanapun kita memikirkannya.
06:44
So let's try asking a question,
162
389000
2000
Jadi mari kita coba menanyakan sebuah pertanyaan,
06:46
like a health related question.
163
391000
2000
seperti pertanyaan yang berhubungan dengan kesehatan.
06:48
So let's say we have a lab finding that ...
164
393000
3000
Jadi mari kita asumsi kita mempunyai hasil riset lab yang --
06:51
you know, we have an LDL level of 140
165
396000
2000
anda tahu, kita mempunyai level LDL setinggi 140
06:53
for a male aged 50.
166
398000
3000
untuk lelaki berusia 50.
06:56
So let's type that in, and now Wolfram Alpha
167
401000
2000
Jadi marilah kita mengetikknya, dan sekarang Wolfram Alpha
06:58
will go and use available public health data
168
403000
2000
akan pergi mengambil dan menggunakan data kesehatan publik
07:00
and try and figure out
169
405000
2000
dan mencoba mengartikan
07:02
what part of the population that corresponds to and so on.
170
407000
3000
mana bagian populasi yang menjelaskan bagian mana dan sebagainya.
07:05
Or let's try asking about, I don't know,
171
410000
3000
Atau mari kita tanya tentang, saya tidak tahu,
07:08
the International Space Station.
172
413000
2000
stasiun luar angkasa internasional.
07:10
And what's happening here is that
173
415000
2000
Dan apa yang terjadi di sini adalah
07:12
Wolfram Alpha is not just looking up something;
174
417000
2000
Wolfram Alpha tidak hanya mencari sesuatu;
07:14
it's computing, in real time,
175
419000
3000
ia menghitung, dalam real time,
07:17
where the International Space Station is right now at this moment,
176
422000
3000
di mana stasiun luar angkasa internatsional berada sekarang, di waktu ini
07:20
how fast it's going, and so on.
177
425000
3000
berapa kecepatannya dan sebagainya.
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
429000
3000
Jadi Wolfram Alpha tahu tentang banyak hal-hal yang beragam.
07:27
It's got, by now,
179
432000
2000
Sekarang ia mempunyai,
07:29
pretty good coverage of everything you might find
180
434000
2000
cakupan yang cukup baik tentang hal-hal
07:31
in a standard reference library.
181
436000
3000
yang dapat anda temukan di perpustakaan-perpustakaan standar dan sebagainya.
07:34
But the goal is to go much further
182
439000
2000
Tetapi tujuannya adalah untuk maju lebih banyak lagi
07:36
and, very broadly, to democratize
183
441000
3000
dan, secara luas, untuk mendemokratisasikan
07:39
all of this knowledge,
184
444000
3000
semua bentuk pengetahuan seperti ini,
07:42
and to try and be an authoritative
185
447000
2000
dan untuk mencoba menjadi sebuah
07:44
source in all areas.
186
449000
2000
sumber otoritatif di semua area,
07:46
To be able to compute answers to specific questions that people have,
187
451000
3000
untuk dapat menghitung jawaban ke pertanyaan-pertanyaan spesifik yang dipunyai orang-orang,
07:49
not by searching what other people
188
454000
2000
bukan dengan mencari apa yang orang lain
07:51
may have written down before,
189
456000
2000
sudah pernah tulis sebelumnya,
07:53
but by using built in knowledge
190
458000
2000
tetapi dengan menggunakan pengetahuan yang dibangun ke dalamnya
07:55
to compute fresh new answers to specific questions.
191
460000
3000
untuk menghitung jawaban yang baru ke pertanyaan yang spesifik.
07:58
Now, of course, Wolfram Alpha
192
463000
2000
Sekarang, tentunya, Wolfram Alpha
08:00
is a monumentally huge, long-term project
193
465000
2000
adalah sebuah proyek yang besar, jangka panjang
08:02
with lots and lots of challenges.
194
467000
2000
dengan banyak tantangan.
08:04
For a start, one has to curate a zillion
195
469000
3000
Awalnya, kita harus mengumpulkan banyak
08:07
different sources of facts and data,
196
472000
3000
dan berbagai macam fakta dan data,
08:10
and we built quite a pipeline of Mathematica automation
197
475000
3000
dan kita membangun sebuah struktur untuk otomatisasi Mathematica
08:13
and human domain experts for doing this.
198
478000
3000
dan keahlian manusia untuk mengerjakan ini.
08:16
But that's just the beginning.
199
481000
2000
Tetapi hal ini hanyalah awalnya.
08:18
Given raw facts or data
200
483000
2000
Dengan fakta-fakta atau data mentah
08:20
to actually answer questions,
201
485000
2000
untuk menjawab pertanyaan-pertanyaan,
08:22
one has to compute:
202
487000
2000
seseorang harus menghitung,
08:24
one has to implement all those methods and models
203
489000
2000
seseorang harus menerapkan semua metode dan model
08:26
and algorithms and so on
204
491000
2000
dan algoritma dan seterusnya
08:28
that science and other areas have built up over the centuries.
205
493000
3000
yang telah dibangun oleh sains dan area-area lainnya selama berabad-abad.
08:31
Well, even starting from Mathematica,
206
496000
3000
Bahkan jika kita memulai dari Mathematica,
08:34
this is still a huge amount of work.
207
499000
2000
ini masih sebuah tugas yang sangat besar.
08:36
So far, there are about 8 million lines
208
501000
2000
Sejauh ini, ada sekitar 8 juta baris
08:38
of Mathematica code in Wolfram Alpha
209
503000
2000
dari kode Mathematica di dalam Wolfram Alpha
08:40
built by experts from many, many different fields.
210
505000
3000
yang dibangun oleh ahli-ahli dari beragam bidang.
08:43
Well, a crucial idea of Wolfram Alpha
211
508000
3000
Ide yang penting dari Wolfram Alpha
08:46
is that you can just ask it questions
212
511000
2000
adalah Anda dapat mengajukan pertanyaan kepadanya
08:48
using ordinary human language,
213
513000
3000
dalam bahasa manusia sehari-hari,
08:51
which means that we've got to be able to take
214
516000
2000
dengan kata lain kita harus dapat mengambil
08:53
all those strange utterances that people type into the input field
215
518000
3000
semua hal aneh yang diketikkan orang ke kolom masukan
08:56
and understand them.
216
521000
2000
dan mengartikannya.
08:58
And I must say that I thought that step
217
523000
2000
Dan saya harus bilang bahwa saya pikir langkah itu
09:00
might just be plain impossible.
218
525000
3000
mungkin saja mustahil.
09:04
Two big things happened:
219
529000
2000
Dua hal yang sangat besar terjadi.
09:06
First, a bunch of new ideas about linguistics
220
531000
3000
Pertama, sekelompok ide baru tentang linguistik
09:09
that came from studying the computational universe;
221
534000
3000
yang muncul waktu kita mempelajari dunia komputasional.
09:12
and second, the realization that having actual computable knowledge
222
537000
3000
Dan kedua, penyadaran bahwa mempunyai pengetahuan komputasional yang nyata
09:15
completely changes how one can
223
540000
2000
mengubah bagaimana kita dapat
09:17
set about understanding language.
224
542000
3000
memahami bahasa.
09:20
And, of course, now
225
545000
2000
Dan, tentunya, sekarang
09:22
with Wolfram Alpha actually out in the wild,
226
547000
2000
dengan beredarnya Wolfram Alpha,
09:24
we can learn from its actual usage.
227
549000
2000
kita dapat belajar dari pemakaian sebenarnya.
09:26
And, in fact, there's been
228
551000
2000
Dan, sebenarnya, ada
09:28
an interesting coevolution that's been going on
229
553000
2000
ko-evolusi yang menarik yang sedang terjadi
09:30
between Wolfram Alpha
230
555000
2000
antara Wolfram Alpha
09:32
and its human users,
231
557000
2000
dan manusia-manusia yang menggunakannya.
09:34
and it's really encouraging.
232
559000
2000
Dan hal ini sangatlah meyakinkan.
09:36
Right now, if we look at web queries,
233
561000
2000
Sekarang ini, jika kita lihat pencarian-pencarian di Internet,
09:38
more than 80 percent of them get handled successfully the first time.
234
563000
3000
lebih dari 80% nya sukses diatasi pada pencarian pertamanya.
09:41
And if you look at things like the iPhone app,
235
566000
2000
Dan jika Anda melihat hal-hal seperti aplikasi iPhone,
09:43
the fraction is considerably larger.
236
568000
2000
jumlah yang berhasil lebih besar lagi.
09:45
So, I'm pretty pleased with it all.
237
570000
2000
Jadi, saya cukup senang dengan semua ini.
09:47
But, in many ways,
238
572000
2000
Tetapi, dalam berbagai hal,
09:49
we're still at the very beginning with Wolfram Alpha.
239
574000
3000
kita baru saja memulai dengan Wolfram Alpha.
09:52
I mean, everything is scaling up very nicely
240
577000
2000
Maksud saya, semuanya sedang berjalan secara lancar.
09:54
and we're getting more confident.
241
579000
2000
Kita semakin percaya diri.
09:56
You can expect to see Wolfram Alpha technology
242
581000
2000
Anda dapat berharap untuk melihat teknologi Wolfram Alpha
09:58
showing up in more and more places,
243
583000
2000
muncul di bidang-bidang yang lebih banyak lagi,
10:00
working both with this kind of public data, like on the website,
244
585000
3000
bekerja dengan data-data umum, seperti di halaman ini,
10:03
and with private knowledge
245
588000
2000
dan dengan pengetahuan yang lebih privat
10:05
for people and companies and so on.
246
590000
3000
untuk orang-orang dan perusahaan dan sebagainya.
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
593000
3000
Anda tahu, saya telah menyadari bahwa Wolfram Alpha sebenarnya memberikan
10:11
a whole new kind of computing
248
596000
2000
sebuah konsep yang sangat baru tentang komputasi
10:13
that one can call knowledge-based computing,
249
598000
2000
yang dapat kita sebut sebagai komputasi berbasis pengetahuan,
10:15
in which one's starting not just from raw computation,
250
600000
3000
di mana seseorang memulai, bukan hanya dari komputasi mentah,
10:18
but from a vast amount of built-in knowledge.
251
603000
3000
tetapi juga dengan pengetahuan yang sangat banyak yang sudah tersedia.
10:21
And when one does that, one really changes
252
606000
2000
Dan ketika kita melakukan hal tersebut, kita telah mengubah
10:23
the economics of delivering computational things,
253
608000
3000
ekonomi dari pengantaran hal-hal komputasional,
10:26
whether it's on the web or elsewhere.
254
611000
2000
baik itu ada di web atau di mana pun.
10:28
You know, we have a fairly interesting situation right now.
255
613000
3000
Anda tahu, kita mempunyai sebuah situasi yang lumayan menarik sekarang ini.
10:31
On the one hand, we have Mathematica,
256
616000
2000
Di satu sisi, kita punya Mathematica,
10:33
with its sort of precise, formal language
257
618000
3000
dengan bahasanya yang tepat, formal
10:36
and a huge network
258
621000
2000
dan sebuah kumpulan yang sangat besar
10:38
of carefully designed capabilities
259
623000
2000
dari kemampuan-kemampuan yang dirancang secara seksama
10:40
able to get a lot done in just a few lines.
260
625000
3000
yang dapat melakukan banyak hal hanya dengan beberapa baris saja.
10:43
Let me show you a couple of examples here.
261
628000
3000
Mari saya tunjukkan Anda beberapa contoh di sini.
10:47
So here's a trivial piece of Mathematica programming.
262
632000
3000
Jadi ini adalah sesuatu yang sangat sederhana dalam pemrograman Mathematica.
10:51
Here's something where we're sort of
263
636000
2000
Jadi di sini kita mempunyai sesuatu di mana kita lebih kurang
10:53
integrating a bunch of different capabilities here.
264
638000
3000
memadukan sejumlah kemampuan yang berbeda di sini.
10:56
Here we'll just create, in this line,
265
641000
3000
Kita hanya perlu menciptakan, di baris ini,
10:59
a little user interface that allows us to
266
644000
3000
sebuah antarmuka pengguna yang memperbolehkan kita untuk
11:02
do something fun there.
267
647000
2000
melakukan sesuatu yang keren.
11:05
If you go on, that's a slightly more complicated program
268
650000
2000
Jika Anda melanjutkannya, masih ada sebuah program yang sedikit lebih rumit
11:07
that's now doing all sorts of algorithmic things
269
652000
3000
yang sekarang sedang melakukan segala macam algoritma
11:10
and creating user interface and so on.
270
655000
2000
dan menciptakan antarmuka pengguna dan sebagainya.
11:12
But it's something that is very precise stuff.
271
657000
3000
Tetapi itu semua sebuah hal yang sangatlah spesifik.
11:15
It's a precise specification with a precise formal language
272
660000
3000
Ini adalah spesifikasi yang tepat dengan bahasa formal yang tepat juga
11:18
that causes Mathematica to know what to do here.
273
663000
3000
yang membuat Mathematica tahu apa yang perlu dilakukan di sini.
11:21
Then on the other hand, we have Wolfram Alpha,
274
666000
3000
Di sisi yang lain, kita punya Wolfram Alpha,
11:24
with all the messiness of the world
275
669000
2000
dengan semua kekacauan yang ada di dunia
11:26
and human language and so on built into it.
276
671000
2000
dan bahasa manusia dan sebagainya, dibangun di dalamnya.
11:28
So what happens when you put these things together?
277
673000
3000
Jadi apa yang terjadi ketika kita menggabungkan semua ini?
11:31
I think it's actually rather wonderful.
278
676000
2000
Saya rasa ini adalah sesuatu yang sangat indah.
11:33
With Wolfram Alpha inside Mathematica,
279
678000
2000
Dengan Wolfram Alpha di dalam Mathematica,
11:35
you can, for example, make precise programs
280
680000
2000
Anda dapat, contohnya, membuat program-program
11:37
that call on real world data.
281
682000
2000
yang memanggil dan menggunakan data dunia nyata.
11:39
Here's a real simple example.
282
684000
2000
Ini sebuah contoh yang sangat sederhana.
11:44
You can also just sort of give vague input
283
689000
3000
Anda juga dapat memberikan masukan yang kurang jelas
11:47
and then try and have Wolfram Alpha
284
692000
2000
dan membiarkan Wolfram Alpha untuk mencoba
11:49
figure out what you're talking about.
285
694000
2000
mengerti apa yang sedang Anda maksudkan.
11:51
Let's try this here.
286
696000
2000
Mari kita coba ini di sini.
11:53
But actually I think the most exciting thing about this
287
698000
3000
Tetapi sebenarnya, saya pikir hal yang paling menarik dari semua ini
11:56
is that it really gives one the chance
288
701000
2000
adalah bahwa hal ini memberikan seseorang kesempatan
11:58
to democratize programming.
289
703000
3000
untuk membuat pemrograman menjadi demokratis.
12:01
I mean, anyone will be able to say what they want in plain language.
290
706000
3000
Maksud saya, semua orang hanya perlu mengatakan apa yang mereka mau dalam bahasa sehari-hari
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
709000
3000
lalu, idenya adalah, Wolfram Alpha akan dapat mengerti
12:07
what precise pieces of code
292
712000
2000
apa yang kode-kode spesifik
12:09
can do what they're asking for
293
714000
2000
dapat kerjakan untuk apa yang mereka minta
12:11
and then show them examples that will let them pick what they need
294
716000
3000
lalu menunjukkan mereka contoh-contoh yang akan membiarkan mereka memilih apa yang mereka perlukan
12:14
to build up bigger and bigger, precise programs.
295
719000
3000
untuk membangun program-program yang semakin besar dan tepat.
12:17
So, sometimes, Wolfram Alpha
296
722000
2000
Jadi, kadang-kadang, Wolfram Alpha
12:19
will be able to do the whole thing immediately
297
724000
2000
akan dapat mengerjakan semuanya secara langsung
12:21
and just give back a whole big program that you can then compute with.
298
726000
3000
dan akhirnya memberikan sebuah program besar yang dapat Anda hitung.
12:24
Here's a big website
299
729000
2000
Jadi ini website yang sangat besar
12:26
where we've been collecting lots of educational
300
731000
3000
di mana kita sedang mengumpulkan berbagai macam pendidikan
12:29
and other demonstrations about lots of kinds of things.
301
734000
3000
demonstrasi tentang berbagai macam hal.
12:32
I'll show you one example here.
302
737000
3000
Jadi, saya tidak tahu, saya akan memberikan satu contoh kepada Anda, mungkin ini.
12:36
This is just an example of one of these computable documents.
303
741000
3000
Ini hanyalah sebuah contoh dari salah satu dokumen di sini.
12:39
This is probably a fairly small
304
744000
2000
Ini mungkin hanya sebagian kecil
12:41
piece of Mathematica code
305
746000
2000
dari kode Mathematica
12:43
that's able to be run here.
306
748000
2000
yang dapat dijalankan di sini.
12:47
Okay. Let's zoom out again.
307
752000
3000
Ok. Mari kita mundur sedikit lagi.
12:50
So, given our new kind of science,
308
755000
2000
Jadi, dengan sains kita yang baru,
12:52
is there a general way to use it to make technology?
309
757000
3000
apakah ada sebuah cara yang lebih umum untuk menciptakan teknologi?
12:55
So, with physical materials,
310
760000
2000
Jadi, dengan bahan-bahan fisikal,
12:57
we're used to going around the world
311
762000
2000
kita terbiasa untuk menjelajahi dunia
12:59
and discovering that particular materials
312
764000
2000
dan menemukan bahwa bahan-bahan tertentu
13:01
are useful for particular
313
766000
2000
sangat berguna untuk tujuan
13:03
technological purposes.
314
768000
2000
teknologi tertentu dan seterusnya.
13:05
Well, it turns out we can do very much the same kind of thing
315
770000
2000
Jadi, ternyata, kita dapat melakukan hal yang mirip
13:07
in the computational universe.
316
772000
2000
di alam semesta komputasional.
13:09
There's an inexhaustible supply of programs out there.
317
774000
3000
Program-program yang ada di dalamnya tidak mungkin habis.
13:12
The challenge is to see how to
318
777000
2000
Tantangannya adalah bagaimana kita
13:14
harness them for human purposes.
319
779000
2000
dapat menggunakannya untuk tujuan-tujuan manusia.
13:16
Something like Rule 30, for example,
320
781000
2000
Sesuatu seperti Aturan 30, sebagai contoh,
13:18
turns out to be a really good randomness generator.
321
783000
2000
ternyata dapat digunakan untuk menghasilkan keacakan dengan baik.
13:20
Other simple programs are good models
322
785000
2000
Program-program sederhana lainnya adalah model yang baik
13:22
for processes in the natural or social world.
323
787000
3000
untuk proses di alam atau dunia sosial.
13:25
And, for example, Wolfram Alpha and Mathematica
324
790000
2000
Dan, contohnya, Wolfram Alpha dan Mathematica
13:27
are actually now full of algorithms
325
792000
2000
sekarang sebenarnya sangat penuh dengan algoritma-algoritma
13:29
that we discovered by searching the computational universe.
326
794000
3000
yang kita temukan waktu kita mencari-cari di alam semesta komputasional.
13:33
And, for example, this -- if we go back here --
327
798000
3000
Dan, contohnya, ini -- kita balik lagi ke sini --
13:37
this has become surprisingly popular
328
802000
2000
Ini telah menjadi sesuatu yang populer
13:39
among composers
329
804000
2000
di antara para penggubah lagu
13:41
finding musical forms by searching the computational universe.
330
806000
3000
untuk menemukan bentuk musikal dengan mencarinya di alam semesta komputasional.
13:45
In a sense, we can use the computational universe
331
810000
2000
Dengan kata lain, kita dapat menggunakan alam semesta komputasional
13:47
to get mass customized creativity.
332
812000
3000
untuk mendapatkan kreativitas yang dibentuk massa.
13:50
I'm hoping we can, for example,
333
815000
2000
Saya berharap kita dapat, contohnya,
13:52
use that even to get Wolfram Alpha
334
817000
2000
menggunakan Wolfram Alpha
13:54
to routinely do invention and discovery on the fly,
335
819000
3000
secara rutin untuk menciptakan dan menemukan hal-hal baru
13:57
and to find all sorts of wonderful stuff
336
822000
2000
dan untuk menemukan berbagai macam hal-hal yang indah
13:59
that no engineer
337
824000
2000
yang tidak ada insinyur
14:01
and no process of incremental evolution would ever come up with.
338
826000
3000
dan tidak ada proses evolusi bertahap dapat ciptakan.
14:05
Well, so, that leads to kind of an ultimate question:
339
830000
3000
Jadi akhirnya ini semua berujung ke pertanyaan akhir.
14:08
Could it be that someplace out there in the computational universe
340
833000
3000
Apakah ada sebuah tempat di alam semesta komputasional ini
14:11
we might find our physical universe?
341
836000
3000
di mana kita dapat temukan alam semesta fisikal kita?
14:14
Perhaps there's even some quite simple rule,
342
839000
2000
Bahkan mungkin ada beberapa aturan-aturan yang sederhana,
14:16
some simple program for our universe.
343
841000
3000
sebuah program sederhana untuk alam semesta kita.
14:19
Well, the history of physics would have us believe
344
844000
2000
Sejarah fisika membuat kita percaya
14:21
that the rule for the universe must be pretty complicated.
345
846000
3000
bahwa aturan alam semesta kita ini pasti rumit.
14:24
But in the computational universe,
346
849000
2000
Tetapi di alam semesta komputasional
14:26
we've now seen how rules that are incredibly simple
347
851000
3000
kita sekarang telah melihat bagaimana aturan-aturan yang sangat sederhana
14:29
can produce incredibly rich and complex behavior.
348
854000
3000
dapat menghasilkan perilaku yang beragam dan rumit.
14:32
So could that be what's going on with our whole universe?
349
857000
3000
Jadi mungkinkah hal yang sama terjadi dengan alam semesta kita?
14:36
If the rules for the universe are simple,
350
861000
2000
Jika aturan-aturan untuk alam semesta sangatlah sederhana,
14:38
it's kind of inevitable that they have to be
351
863000
2000
tidak dapat dihindari bahwa mereka haruslah
14:40
very abstract and very low level;
352
865000
2000
sangat abstrak dan sangat-sangat mendasar,
14:42
operating, for example, far below
353
867000
2000
yang bekerja, seperti contoh, jauh di bawah
14:44
the level of space or time,
354
869000
2000
tingkatan ruang dan waktu,
14:46
which makes it hard to represent things.
355
871000
2000
yang membuatnya sulit untuk merepresentasikan benda-benda.
14:48
But in at least a large class of cases,
356
873000
2000
Tetapi setidaknya di dalam sebuah kumpulan kasus-kasus yang besar,
14:50
one can think of the universe as being
357
875000
2000
kita dapat memikirkan alam semesta seperti
14:52
like some kind of network,
358
877000
2000
semacam jaringan,
14:54
which, when it gets big enough,
359
879000
2000
yang, ketika jaringan ini menjadi cukup besar,
14:56
behaves like continuous space
360
881000
2000
bertingkah laku seperti ruang yang kontinu
14:58
in much the same way as having lots of molecules
361
883000
2000
mirip dengan kasus di mana molekul-molekul dengan jumlah yang banyak
15:00
can behave like a continuous fluid.
362
885000
2000
dapat bertindak seperti sebuah cairan yang kontinu.
15:02
Well, then the universe has to evolve by applying
363
887000
3000
Jadi kalau begitu alam semesta harus berevolusi untuk menerapkan
15:05
little rules that progressively update this network.
364
890000
3000
aturan-aturan kecil yang terus meningkatkan kinerja jaringan ini.
15:08
And each possible rule, in a sense,
365
893000
2000
Dan setiap aturan yang mungkin,
15:10
corresponds to a candidate universe.
366
895000
2000
terkait dengan sebuah kandidat alam semesta.
15:12
Actually, I haven't shown these before,
367
897000
3000
Sebenarnya, saya belum pernah menunjukkan ini sebelumnya,
15:16
but here are a few of the candidate universes
368
901000
3000
tapi ini beberapa dari kandidat alam semesta
15:19
that I've looked at.
369
904000
2000
yang sudah saya teliti.
15:21
Some of these are hopeless universes,
370
906000
2000
Beberapa dari ini adalah alam semesta yang tidak mempunyai harapan,
15:23
completely sterile,
371
908000
2000
sama sekali steril,
15:25
with other kinds of pathologies like no notion of space,
372
910000
2000
dan hal-hal lain yang merusak seperti tidak ada gagasan ruang.
15:27
no notion of time, no matter,
373
912000
3000
tidak ada gagasan waktu, tidak ada
15:30
other problems like that.
374
915000
2000
masalah seperti itu.
15:32
But the exciting thing that I've found in the last few years
375
917000
3000
Tetapi hal yang menarik yang telah saya temukan dalam beberapa tahun terakhir ini
15:35
is that you actually don't have to go very far
376
920000
2000
adalah bahwa Anda sebenarnya tidak harus merantau jauh
15:37
in the computational universe
377
922000
2000
di dalam alam semesta komputasional
15:39
before you start finding candidate universes
378
924000
2000
sebelum Anda menemukan kandidat alam semesta
15:41
that aren't obviously not our universe.
379
926000
3000
yang tentunya bukan alam semesta kita.
15:44
Here's the problem:
380
929000
2000
Jadi masalahnya ini:
15:46
Any serious candidate for our universe
381
931000
3000
Kandidat alam semesta yang serius untuk alam semesta kita.
15:49
is inevitably full of computational irreducibility.
382
934000
3000
tidak dapat luput dari komputasi yang tidak dapat dijabarkan,
15:52
Which means that it is irreducibly difficult
383
937000
3000
artinya sangatlah sulit bagi kita
15:55
to find out how it will really behave,
384
940000
2000
untuk menentukan perilaku kandidat itu sebenarnya,
15:57
and whether it matches our physical universe.
385
942000
3000
dan apakah ia cocok dengan alam semesta fisikal kita.
16:01
A few years ago, I was pretty excited to discover
386
946000
3000
Beberapa tahun yang lalu, saya cukup senang untuk menemukan
16:04
that there are candidate universes with incredibly simple rules
387
949000
3000
bahwa ada beberapa kandidat alam semesta dengan aturan-aturan yang benar-benar sederhana
16:07
that successfully reproduce special relativity,
388
952000
2000
yang dapat menghasilkan relativitas spesial secara sukses
16:09
and even general relativity and gravitation,
389
954000
3000
dan bahkan relativitas umum dan gravitasi
16:12
and at least give hints of quantum mechanics.
390
957000
3000
dan setidaknya memberikan tanda-tanda adanya mekanika kuantum.
16:15
So, will we find the whole of physics?
391
960000
2000
Jadi, akankah kita menemukan semua fisika?
16:17
I don't know for sure,
392
962000
2000
Saya tidak tahu secara pasti.
16:19
but I think at this point it's sort of
393
964000
2000
Tetapi saya pikir, di saat ini, sepertinya
16:21
almost embarrassing not to at least try.
394
966000
2000
cukup memalukan jika kita tidak mecobanya.
16:23
Not an easy project.
395
968000
2000
Bukan sebuah projek yang gampang.
16:25
One's got to build a lot of technology.
396
970000
2000
Kita harus merancang banyak teknologi.
16:27
One's got to build a structure that's probably
397
972000
2000
Kita harus membangun sebuah struktur yang mungkin saja
16:29
at least as deep as existing physics.
398
974000
2000
sekurang-kurangnya sedalam fisika sekarang ini.
16:31
And I'm not sure what the best way to organize the whole thing is.
399
976000
3000
Dan saya tidak yakin apa cara terbaik untuk mengatur semua ini.
16:34
Build a team, open it up, offer prizes and so on.
400
979000
3000
Membangun sebuah tim, mengedarkannya, menawarkan hadiah-hadiah dan sebagainya.
16:37
But I'll tell you, here today,
401
982000
2000
Tetapi saya mengatakan hal ini kepada Anda sekalian hari ini
16:39
that I'm committed to seeing this project done,
402
984000
2000
bahwa saya bertekad untuk melihat proyek ini selesai dilaksanakan,
16:41
to see if, within this decade,
403
986000
3000
untuk melihat bahwa, di dalam dasawarsa ini,
16:44
we can finally hold in our hands
404
989000
2000
kita akhirnya dapat menggenggam
16:46
the rule for our universe
405
991000
2000
aturan dari alam semesta kita ini
16:48
and know where our universe lies
406
993000
2000
dan tahu di mana alam semesta kita berada
16:50
in the space of all possible universes ...
407
995000
2000
di dalam himpunan dari semua alam semesta yang mungkin --
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
997000
3000
dan juga dapat mengetik ke dalam Wolfram Alpha "teori alam semesta,"
16:55
and have it tell us.
409
1000000
2000
dan mendapat jawaban darinya.
16:57
(Laughter)
410
1002000
2000
(Tertawa)
17:00
So I've been working on the idea of computation
411
1005000
2000
Jadi saya telah bekerja dengan ide tentang komputasi ini
17:02
now for more than 30 years,
412
1007000
2000
sekarang selama lebih dari 30 tahun,
17:04
building tools and methods and turning intellectual ideas
413
1009000
3000
membuat perkakas-perkakas dan metode-metode dan mengubah ide-ide
17:07
into millions of lines of code
414
1012000
2000
ke dalam jutaan baris kode
17:09
and grist for server farms and so on.
415
1014000
2000
dan banyak server dan sebagainya.
17:11
With every passing year,
416
1016000
2000
Dengan setiap tahun yang berlalu,
17:13
I realize how much more powerful
417
1018000
2000
saya menyadari bagaimana begitu kuatnya
17:15
the idea of computation really is.
418
1020000
2000
ide tentang komputasi yang sebenarnya.
17:17
It's taken us a long way already,
419
1022000
2000
Kita telah berjalan sangat jauh,
17:19
but there's so much more to come.
420
1024000
2000
tetapi masih banyak lagi hal-hal yang akan datang.
17:21
From the foundations of science
421
1026000
2000
Dari dasar-dasar sains
17:23
to the limits of technology
422
1028000
2000
ke batas-batas teknologi
17:25
to the very definition of the human condition,
423
1030000
2000
ke definisi asli kondisi manusia,
17:27
I think computation is destined to be
424
1032000
2000
saya rasa komputasi ditakdirkan untuk menjadi
17:29
the defining idea of our future.
425
1034000
2000
ide yang mendefinisikan masa depan kita.
17:31
Thank you.
426
1036000
2000
Terima kasih.
17:33
(Applause)
427
1038000
14000
(Tepuk tangan)
17:47
Chris Anderson: That was astonishing.
428
1052000
2000
Chris Anderson: Itu sangat mengagumkan.
17:49
Stay here. I've got a question.
429
1054000
2000
Tetaplah di sini. Saya ada pertanyaan.
17:51
(Applause)
430
1056000
4000
(Tepuk tangan)
17:57
So, that was, fair to say, an astonishing talk.
431
1062000
3000
Jadi, itu sebuah ceramah yang sangat mengagumkan.
18:01
Are you able to say in a sentence or two
432
1066000
3000
Apakah Anda dapat mengatakan dalam satu atau dua kalimat
18:04
how this type of thinking
433
1069000
3000
bagaimana pemikiran seperti ini
18:07
could integrate at some point
434
1072000
2000
dapat berintegrasi di suatu titik
18:09
to things like string theory or the kind of things that people think of
435
1074000
2000
dengan hal-hal seperti teori string ataupun hal-hal yang orang-orang pikir
18:11
as the fundamental explanations of the universe?
436
1076000
3000
sebagai penjelasan mendasar dari alam semesta?
18:14
Stephen Wolfram: Well, the parts of physics
437
1079000
2000
Stephen Wolfram: Bagian-bagian dari fisika
18:16
that we kind of know to be true,
438
1081000
2000
yang kita tahu benar,
18:18
things like the standard model of physics:
439
1083000
2000
ialah hal-hal seperti model standar fisika.
18:20
what I'm trying to do better reproduce the standard model of physics
440
1085000
3000
Apa yang saya coba adalah untuk menghasilkan model standar dari fisika yang lebih baik
18:23
or it's simply wrong.
441
1088000
2000
atau membuktikan bahwa itu semua salah.
18:25
The things that people have tried to do in the last 25 years or so
442
1090000
2000
Hal-hal yang sedang orang-orang coba di dalam 25 tahun terakhir ini
18:27
with string theory and so on
443
1092000
2000
dengan teori string dan lain sebagainya
18:29
have been an interesting exploration
444
1094000
2000
adalah sebuah penjelajahan yang menarik
18:31
that has tried to get back to the standard model,
445
1096000
3000
yang mencoba untuk kembali ke model standar,
18:34
but hasn't quite gotten there.
446
1099000
2000
tetapi belum sampai di sana.
18:36
My guess is that some great simplifications of what I'm doing
447
1101000
3000
Dugaan saya adalah beberapa penyederhanaan yang saya buat
18:39
may actually have considerable resonance
448
1104000
3000
mungkin sebenarnya mempunyai kemiripan
18:42
with what's been done in string theory,
449
1107000
2000
dengan apa yang sedang dikerjakan di teori string,
18:44
but that's a complicated math thing
450
1109000
3000
tetapi itu merupakan persoalan matematika yang sangat rumit
18:47
that I don't yet know how it's going to work out.
451
1112000
3000
yang saya belum tahu bagaimana semuanya dapat bekerja dengan lancar.
18:50
CA: Benoit Mandelbrot is in the audience.
452
1115000
2000
CA: Benoit Mandlebrot juga salah satu penonton.
18:52
He also has shown how complexity
453
1117000
2000
Dia telah membuktikan bagaimana kompleksitas
18:54
can arise out of a simple start.
454
1119000
2000
dapat timbul dari sebuah awal yang sederhana.
18:56
Does your work relate to his?
455
1121000
2000
Apakah yang Anda lakukan berhubungan dengan hasil kerjanya?
18:58
SW: I think so.
456
1123000
2000
SW: Saya rasa demikian.
19:00
I view Benoit Mandelbrot's work
457
1125000
2000
Saya menganggap hasil kerja Benoit Mandlebrot
19:02
as one of the founding contributions
458
1127000
3000
sebagai salah satu faktor penunjang awal
19:05
to this kind of area.
459
1130000
3000
di area seperti ini.
19:08
Benoit has been particularly interested
460
1133000
2000
Benoit tertarik
19:10
in nested patterns, in fractals and so on,
461
1135000
2000
pada pola-pola yang tersarang, fraktal dan sebagainya,
19:12
where the structure is something
462
1137000
2000
di mana strukturnya seperti sesuatu
19:14
that's kind of tree-like,
463
1139000
2000
yang menyerupai pohon,
19:16
and where there's sort of a big branch that makes little branches
464
1141000
2000
dan di mana ada sebuah cabang besar yang membuat cabang-cabang yang kecil,
19:18
and even smaller branches and so on.
465
1143000
3000
dan bahkan cabang yang lebih kecil dan seterusnya.
19:21
That's one of the ways
466
1146000
2000
Itu merupakan salah satu cara
19:23
that you get towards true complexity.
467
1148000
3000
untuk mendapatkan kompleksitas yang sesungguhnya.
19:26
I think things like the Rule 30 cellular automaton
468
1151000
3000
Saya rasa hal seperti otomata seluar Aturan 30
19:29
get us to a different level.
469
1154000
2000
membawa kita ke tahapan yang berbeda.
19:31
In fact, in a very precise way, they get us to a different level
470
1156000
3000
Bahkan, mereka membawa kita ke tahapan yang berbeda secara spesifik
19:34
because they seem to be things that are
471
1159000
2000
karena kelihatannya mereka adalah benda-benda yang
19:37
capable of complexity
472
1162000
3000
mempunyai kapasitas kompleksitas
19:40
that's sort of as great as complexity can ever get ...
473
1165000
3000
yang sangat rumit sekali.
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1169000
3000
Saya tidak akan membahas hal ini lebih dalam lagi.
19:47
CA: Stephen Wolfram, thank you.
475
1172000
2000
CA: Stephen Wolfram, terima kasih.
19:49
(Applause)
476
1174000
2000
(Tepuk tangan)
Reviewed by Anggriawan Sugianto
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