TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Come gli algoritmi danno forma al nostro mondo
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin sostiene che viviamo in un mondo progettato -- e sempre più controllato -- da algoritmi. In questo avvincente discorso a TEDGlobal, egli mostra come questi complessi programmi determinino le tattiche di spionaggio, il corso delle azioni, i dialoghi dei film e l'architettura. E ci fa notare come stiamo scrivendo codici che non riusciamo a capire, con implicazioni che non riusciamo a controllare.
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Double-click the English transcript below to play the video.
00:15
This is a photograph
0
0
2000
Questa è una fotografia
00:17
by the artist Michael Najjar,
1
2000
2000
scattata dall'artista Michael Najjar,
00:19
and it's real,
2
4000
2000
ed è reale,
00:21
in the sense that he went there to Argentina
3
6000
2000
nel senso che Najjar è andato veramente in Argentina
00:23
to take the photo.
4
8000
2000
a scattare la fotografia.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Ma è anche finzione. C'è voluto un sacco di lavoro per farla.
00:28
And what he's done
6
13000
2000
Quello che lui ha fatto
00:30
is he's actually reshaped, digitally,
7
15000
2000
è stato ridare forma, digitalmente,
00:32
all of the contours of the mountains
8
17000
2000
a tutti i contorni delle montagne
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
per seguire le vicissitudini dell'indice Dow Jones.
00:37
So what you see,
10
22000
2000
Quindi quello che vedete,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
quel precipizio, quel precipizio con quella vallata,
00:41
is the 2008 financial crisis.
12
26000
2000
è la crisi finanziaria del 2008.
00:43
The photo was made
13
28000
2000
La foto è stata fatta
00:45
when we were deep in the valley over there.
14
30000
2000
quand'eravamo nel più profondo di quella valle.
00:47
I don't know where we are now.
15
32000
2000
Non so dove siamo oggi.
00:49
This is the Hang Seng index
16
34000
2000
Questo è l'indice Hang Seng
00:51
for Hong Kong.
17
36000
2000
alla borsa di Hong Kong.
00:53
And similar topography.
18
38000
2000
E topografie simili.
00:55
I wonder why.
19
40000
2000
Mi chiedo perché.
00:57
And this is art. This is metaphor.
20
42000
3000
E questa è arte. È una metafora.
01:00
But I think the point is
21
45000
2000
Ma credo che il punto sia
01:02
that this is metaphor with teeth,
22
47000
2000
che è una metafora convincente.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
Ed è con questa convinzione che voglio proporre oggi
01:07
that we rethink a little bit
24
52000
2000
di ripensare un pochino
01:09
about the role of contemporary math --
25
54000
3000
il ruolo della matematica contemporanea --
01:12
not just financial math, but math in general.
26
57000
3000
non solo la matematica finanziaria, ma la matematica in generale.
01:15
That its transition
27
60000
2000
E che la sua transizione,
01:17
from being something that we extract and derive from the world
28
62000
3000
dall'essere qualcosa che estraiamo e deriviamo dal mondo
01:20
to something that actually starts to shape it --
29
65000
3000
a qualcosa che di fatto comincia a dare forma al mondo,
01:23
the world around us and the world inside us.
30
68000
3000
il mondo intorno a noi e il mondo dentro di noi.
01:26
And it's specifically algorithms,
31
71000
2000
E sono in particolare gli algoritmi,
01:28
which are basically the math
32
73000
2000
che sostanzialmente sono la matematica
01:30
that computers use to decide stuff.
33
75000
3000
che i computer utilizzano per decidere.
01:33
They acquire the sensibility of truth
34
78000
2000
Acquisiscono sensibilità nei confronti della verità,
01:35
because they repeat over and over again,
35
80000
2000
perché la ripetono continuamente.
01:37
and they ossify and calcify,
36
82000
3000
Si induriscono, si calcificano,
01:40
and they become real.
37
85000
2000
e diventano realtà.
01:42
And I was thinking about this, of all places,
38
87000
3000
E ci stavo riflettendo in un luogo improbabile,
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
su un volo transtlantico un paio di anni fa,
01:48
because I happened to be seated
40
93000
2000
perché mi è capitato di sedermi
01:50
next to a Hungarian physicist about my age
41
95000
2000
vicino a un fisico ungherese che aveva più o meno la mia età
01:52
and we were talking
42
97000
2000
e abbiamo parlato
01:54
about what life was like during the Cold War
43
99000
2000
di com'era la vita durante la guerra fredda
01:56
for physicists in Hungary.
44
101000
2000
per i fisici in Ungheria.
01:58
And I said, "So what were you doing?"
45
103000
2000
Gli ho chiesto: "Allora cosa faceva?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
E mi ha risposto: "La maggior parte del tempo distruggevamo gli stealth.
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
E ho detto, "Bel lavoro. Interessante.
02:04
How does that work?"
48
109000
2000
Come funziona?"
02:06
And to understand that,
49
111000
2000
E per capirlo,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
dovete capire come funziona lo stealth.
02:11
And so -- this is an over-simplification --
51
116000
3000
E così -- sto semplificando molto --
02:14
but basically, it's not like
52
119000
2000
ma sostanzialmente, non è come
02:16
you can just pass a radar signal
53
121000
2000
far passare un segnale radar
02:18
right through 156 tons of steel in the sky.
54
123000
3000
attraverso 156 tonnellate di acciaio nel cielo.
02:21
It's not just going to disappear.
55
126000
3000
Non sparisce.
02:24
But if you can take this big, massive thing,
56
129000
3000
Ma se riuscite a prendere questa cosa enorme
02:27
and you could turn it into
57
132000
3000
e trasformarla
02:30
a million little things --
58
135000
2000
in un milione di cose più piccole --
02:32
something like a flock of birds --
59
137000
2000
qualcosa come uno stormo di uccelli --
02:34
well then the radar that's looking for that
60
139000
2000
allora quando un radar lo cerca
02:36
has to be able to see
61
141000
2000
è in grado di vedere
02:38
every flock of birds in the sky.
62
143000
2000
ogni stormo di uccello nel cielo.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
E se siete un radar, è un lavoro pesante.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
E mi ha detto: "Certo. Ma questo vale se sei un radar.
02:47
So we didn't use a radar;
65
152000
2000
Noi non utilizzavamo i radar;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
abbiamo costruito una scatola nera che cercava segnali elettrici,
02:52
electronic communication.
67
157000
3000
comunicazioni elettroniche.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
E ogni volta che vedevamo uno stormo di uccelli con comunicazioni elettroniche,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
pensavamo che probabilmente aveva a che fare con gli Americani."
03:01
And I said, "Yeah.
70
166000
2000
E ho detto, "Certo.
03:03
That's good.
71
168000
2000
Ottimo.
03:05
So you've effectively negated
72
170000
2000
Quindi avete efficacemente cancellato
03:07
60 years of aeronautic research.
73
172000
2000
60 anni di ricerche aeronautiche.
03:09
What's your act two?
74
174000
2000
Qual è il secondo atto?
03:11
What do you do when you grow up?"
75
176000
2000
Cosa farete da grandi?"
03:13
And he said,
76
178000
2000
E mi ha detto:
03:15
"Well, financial services."
77
180000
2000
"Beh, servizi finanziari,"
03:17
And I said, "Oh."
78
182000
2000
E io: "Oh."
03:19
Because those had been in the news lately.
79
184000
3000
Perché se ne era parlato nei notiziari di recente.
03:22
And I said, "How does that work?"
80
187000
2000
E ho detto: "Come funziona?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
E mi ha detto: "Beh, oggi ci sono 2000 fisici a Wall Street,
03:26
and I'm one of them."
82
191000
2000
e io sono uno di loro."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
E ho detto: "Qual è la scatola nera per Wall Street?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
E mi dice: "È strano che tu lo chieda,
03:33
because it's actually called black box trading.
85
198000
3000
perché di fatto si chiama scatola nera delle transazioni.
03:36
And it's also sometimes called algo trading,
86
201000
2000
Qualche volta lo chiamiamo algo trading,
03:38
algorithmic trading."
87
203000
3000
trading algoritmico."
03:41
And algorithmic trading evolved in part
88
206000
3000
E il trading algoritmico si è evoluto in parte
03:44
because institutional traders have the same problems
89
209000
3000
perché gli operatori istituzionali hanno gli stessi problemi
03:47
that the United States Air Force had,
90
212000
3000
che aveva l'aviazione degli Stati Uniti:
03:50
which is that they're moving these positions --
91
215000
3000
spostano le loro posizioni --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
che sia Procter & Gamble o Accenture, o chiunque altro --
03:55
they're moving a million shares of something
93
220000
2000
spostano milioni di azioni di qualcosa
03:57
through the market.
94
222000
2000
all'interno del mercato.
03:59
And if they do that all at once,
95
224000
2000
E se lo fanno tutto d'un tratto,
04:01
it's like playing poker and going all in right away.
96
226000
2000
è come giocare a poker e puntare tutto subito.
04:03
You just tip your hand.
97
228000
2000
È come scoprire le carte.
04:05
And so they have to find a way --
98
230000
2000
Devono quindi trovare un altro modo --
04:07
and they use algorithms to do this --
99
232000
2000
e usano gli algoritmi per farlo --
04:09
to break up that big thing
100
234000
2000
per spezzare quella cosa enorme
04:11
into a million little transactions.
101
236000
2000
in milioni di piccole transazioni.
04:13
And the magic and the horror of that
102
238000
2000
E la magia e l'orrore di tutto questo
04:15
is that the same math
103
240000
2000
è che la stessa matematica
04:17
that you use to break up the big thing
104
242000
2000
che si utilizza per spezzare questa cosa
04:19
into a million little things
105
244000
2000
in un milione di cose più piccole
04:21
can be used to find a million little things
106
246000
2000
può essere utilizzata per trovare un milione di piccole cose
04:23
and sew them back together
107
248000
2000
e rimetterle tutte insieme
04:25
and figure out what's actually happening in the market.
108
250000
2000
e rendersi conto di quello che sta succedendo sul mercato.
04:27
So if you need to have some image
109
252000
2000
Quindi se volete farvi un'idea
04:29
of what's happening in the stock market right now,
110
254000
3000
di quello che sta succedendo sul mercato azionario proprio adesso,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
quello che potete visualizzare è una serie di algoritmi
04:34
that are basically programmed to hide,
112
259000
3000
che sostanzialmente sono programmati per nascondersi,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
e una serie di algoritmi che sono programmati per trovarli e agire.
04:40
And all of that's great, and it's fine.
114
265000
3000
Tutto questo è fantastico, e va bene.
04:43
And that's 70 percent
115
268000
2000
E rappresenta il 70%
04:45
of the United States stock market,
116
270000
2000
del mercato azionario degli Stati Uniti,
04:47
70 percent of the operating system
117
272000
2000
il 70% del sistema operativo
04:49
formerly known as your pension,
118
274000
3000
che prima rappresentava la vostra pensione,
04:52
your mortgage.
119
277000
3000
la vostra ipoteca.
04:55
And what could go wrong?
120
280000
2000
E cosa potrebbe andare storto?
04:57
What could go wrong
121
282000
2000
Quello che potrebbe andare storto
04:59
is that a year ago,
122
284000
2000
è che un anno fa,
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
il 9% del mercato è scomparso in cinque minuti,
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
e l'hanno chiamato il crash lampo delle 2:45.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Improvvisamente, il 9% sparisce,
05:10
and nobody to this day
126
295000
2000
e nessuno, ancora oggi,
05:12
can even agree on what happened
127
297000
2000
riesce a mettersi d'accordo su quello che è successo,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
perché nessuno ha dato l'ordine, nessuno l'ha chiesto.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Nessuno aveva il controllo di quello che stava succedendo.
05:20
All they had
130
305000
2000
Tutto quello che avevano
05:22
was just a monitor in front of them
131
307000
2000
era uno schermo davanti a se'
05:24
that had the numbers on it
132
309000
2000
con tutti i numeri
05:26
and just a red button
133
311000
2000
e un bottone rosso
05:28
that said, "Stop."
134
313000
2000
con scritto: "Stop."
05:30
And that's the thing,
135
315000
2000
Ed è questo il punto,
05:32
is that we're writing things,
136
317000
2000
che stiamo scrivendo cose,
05:34
we're writing these things that we can no longer read.
137
319000
3000
stiamo scrivendo cose che non riusciamo più a leggere.
05:37
And we've rendered something
138
322000
2000
Abbiamo reso questa cosa
05:39
illegible,
139
324000
2000
indecifrabile.
05:41
and we've lost the sense
140
326000
3000
E abbiamo perso il senso
05:44
of what's actually happening
141
329000
2000
di quello che sta realmente accadendo
05:46
in this world that we've made.
142
331000
2000
in questo mondo che abbiamo costruito.
05:48
And we're starting to make our way.
143
333000
2000
E stiamo cominciando a farci strada.
05:50
There's a company in Boston called Nanex,
144
335000
3000
C'è un'azienda a Boston, la Nanex,
05:53
and they use math and magic
145
338000
2000
che utilizza la matematica e la magia
05:55
and I don't know what,
146
340000
2000
e non so cos'altro,
05:57
and they reach into all the market data
147
342000
2000
e raccoglie tutti i dati di mercato
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
e trova, almeno qualche volta, qualcuno di questi algoritmi.
06:02
And when they find them they pull them out
149
347000
3000
E quando li trova, li tira fuori
06:05
and they pin them to the wall like butterflies.
150
350000
3000
e li appunta sul muro come farfalle.
06:08
And they do what we've always done
151
353000
2000
E fan quello che abbiamo sempre fatto
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
quando siamo davanti a enormi quantità di dati che non capiamo:
06:13
which is that they give them a name
153
358000
2000
gli da' un nome
06:15
and a story.
154
360000
2000
e una storia.
06:17
So this is one that they found,
155
362000
2000
Questo è uno di quelli che hanno trovato,
06:19
they called the Knife,
156
364000
4000
l'hanno chiamato il Coltello,
06:23
the Carnival,
157
368000
2000
il Carnevale,
06:25
the Boston Shuffler,
158
370000
4000
il miscelatore di Boston,
06:29
Twilight.
159
374000
2000
Crepuscolo
06:31
And the gag is
160
376000
2000
E la cosa divertente è che,
06:33
that, of course, these aren't just running through the market.
161
378000
3000
ovviamente, non percorrono solo il mercato.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Potete trovare questo tipo di cose ovunque guardiate,
06:39
once you learn how to look for them.
163
384000
2000
una volta che sapete dove cercare.
06:41
You can find it here: this book about flies
164
386000
3000
Le potete trovare qui: questo libro sulle mosche
06:44
that you may have been looking at on Amazon.
165
389000
2000
che potreste aver cercato su Amazon.
06:46
You may have noticed it
166
391000
2000
Potreste averlo notato
06:48
when its price started at 1.7 million dollars.
167
393000
2000
quando il suo prezzo era a 1,7 milioni di dollari.
06:50
It's out of print -- still ...
168
395000
2000
È fuori catalogo -- nonostante questo ...
06:52
(Laughter)
169
397000
2000
(Risate)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Se lo aveste comprato a 1,7 milioni, avreste fatto un affare.
06:57
A few hours later, it had gone up
171
402000
2000
Qualche ora dopo, era salito
06:59
to 23.6 million dollars,
172
404000
2000
a 23,6 milioni di dollari,
07:01
plus shipping and handling.
173
406000
2000
più imballo e consegna.
07:03
And the question is:
174
408000
2000
E la domanda è:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Nessuno comprava o vendeva niente; cosa stava succedendo?
07:07
And you see this behavior on Amazon
176
412000
2000
E vedete questo comportamento su Amazon
07:09
as surely as you see it on Wall Street.
177
414000
2000
così come lo vedete a Wall Street.
07:11
And when you see this kind of behavior,
178
416000
2000
E quando vedete questo genere di comportamento,
07:13
what you see is the evidence
179
418000
2000
quello che vedete è la prova
07:15
of algorithms in conflict,
180
420000
2000
di algoritmi che entrano in conflitto,
07:17
algorithms locked in loops with each other,
181
422000
2000
algoritmi racchiusi tra di loro in un ciclo senza fine,
07:19
without any human oversight,
182
424000
2000
senza nessuna svista umana,
07:21
without any adult supervision
183
426000
3000
senza nessuna supervisione di un adulto
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
che dica: "1,7 milioni sono già tanti."
07:27
(Laughter)
185
432000
3000
(Risate)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
E come con Amazon, per Netflix è uguale.
07:33
And so Netflix has gone through
187
438000
2000
Netflix ha utilizzato
07:35
several different algorithms over the years.
188
440000
2000
diversi algoritmi negli anni.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Hanno cominciato con Cinematch, e ne hanno provata tutta una serie.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
C'è Dinosaur Planet, c'è Gravity.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Ora usano Pragmatic Chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Pragmatic Chaos, come tutti gli algoritmi Netflix,
07:46
trying to do the same thing.
193
451000
2000
sta cercando di fare la stessa cosa.
07:48
It's trying to get a grasp on you,
194
453000
2000
Sta cercando di acchiapparvi,
07:50
on the firmware inside the human skull,
195
455000
2000
o di prendere il firmware all'interno del vostro cranio,
07:52
so that it can recommend what movie
196
457000
2000
così da suggerirvi che film
07:54
you might want to watch next --
197
459000
2000
potreste voler guardare --
07:56
which is a very, very difficult problem.
198
461000
3000
ed è un problema molto, molto difficile.
07:59
But the difficulty of the problem
199
464000
2000
Ma la difficoltà del problema
08:01
and the fact that we don't really quite have it down,
200
466000
3000
e il fatto che ancora non ne siamo venuti a capo,
08:04
it doesn't take away
201
469000
2000
è che non toglie niente
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
agli effetti che ha Caos Pragmatico.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Caos Pragmatico, come tutti gli algoritmi Netflix,
08:11
determines, in the end,
204
476000
2000
determina, in fin dei conti,
08:13
60 percent
205
478000
2000
il 60%
08:15
of what movies end up being rented.
206
480000
2000
dei film che verranno effettivamente noleggiati.
08:17
So one piece of code
207
482000
2000
Quindi un singolo codice
08:19
with one idea about you
208
484000
3000
con un'idea su di voi
08:22
is responsible for 60 percent of those movies.
209
487000
3000
è responsabile del 60% di tutti quei film.
08:25
But what if you could rate those movies
210
490000
2000
E se invece poteste dare un voto a quei film
08:27
before they get made?
211
492000
2000
ancora prima che vengano girati?
08:29
Wouldn't that be handy?
212
494000
2000
Non sarebbe utile?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Beh, un paio di Inglesi specialisti dei dati sono a Hollywood,
08:34
and they have "story algorithms" --
214
499000
2000
e hanno algoritmi per le storie --
08:36
a company called Epagogix.
215
501000
2000
un'azienda di nome Epagogix.
08:38
And you can run your script through there,
216
503000
3000
Voi sottoponete la vostra sceneggiatura,
08:41
and they can tell you, quantifiably,
217
506000
2000
e sono in grado di dirvi, quantitativamente,
08:43
that that's a 30 million dollar movie
218
508000
2000
se è un film da 30 milioni di dollari
08:45
or a 200 million dollar movie.
219
510000
2000
o un film da 200 milioni di dollari.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
E il fatto è che non si tratta di Google.
08:49
This isn't information.
221
514000
2000
Non è un'informazione.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Non sono statistiche informatiche; è cultura.
08:53
And what you see here,
223
518000
2000
E quello che vedete qui,
08:55
or what you don't really see normally,
224
520000
2000
o quello che normalmente non vedete,
08:57
is that these are the physics of culture.
225
522000
4000
è che questa è la fisica della cultura.
09:01
And if these algorithms,
226
526000
2000
E se questi algoritmi,
09:03
like the algorithms on Wall Street,
227
528000
2000
come gli algoritmi di Wall Street,
09:05
just crashed one day and went awry,
228
530000
3000
si schiantassero un giorno e qualcosa andasse storto,
09:08
how would we know?
229
533000
2000
come potremmo saperlo,
09:10
What would it look like?
230
535000
2000
cosa verrebbe fuori?
09:12
And they're in your house. They're in your house.
231
537000
3000
E sono nelle vostre case. Sono nelle vostre case.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Questi sono due algoritmi che competono nel vostro salotto.
09:17
These are two different cleaning robots
233
542000
2000
Questi sono due aspirapolvere robot
09:19
that have very different ideas about what clean means.
234
544000
3000
che hanno due idee diverse su cosa vuol dire pulire.
09:22
And you can see it
235
547000
2000
E potete vederlo
09:24
if you slow it down and attach lights to them,
236
549000
3000
se li rallentate e gli applicate delle luci.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Sono delle specie di architetti segreti nella vostra camera da letto.
09:30
And the idea that architecture itself
238
555000
3000
E l'idea che l'architettura stessa
09:33
is somehow subject to algorithmic optimization
239
558000
2000
sia soggetta in qualche modo a un'ottimizzazione algoritmica
09:35
is not far-fetched.
240
560000
2000
non è poi così inverosimile.
09:37
It's super-real and it's happening around you.
241
562000
3000
È reale e succede intorno a voi.
09:40
You feel it most
242
565000
2000
Lo sentite di più
09:42
when you're in a sealed metal box,
243
567000
2000
quando siete in una scatola di metallo sigillata,
09:44
a new-style elevator;
244
569000
2000
un nuovo stile di ascensore,
09:46
they're called destination-control elevators.
245
571000
2000
che si chiama ascensore a destinazione controllata.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Sono quelli in cui premete il tasto del piano dove volete andare
09:51
before you get in the elevator.
247
576000
2000
prima di entrare nell'ascensore.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
E utilizza quello che si chiama algoritmo di raggruppamento delle cabine.
09:55
So none of this mishegas
249
580000
2000
Quindi niente di insensato,
09:57
of letting everybody go into whatever car they want.
250
582000
2000
tipo lasciare che tutti vadano nella cabina che vogliono.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Tutti quelli che vogliono andare al 10° piano vanno nella cabina numero 2,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
e tutti quelli che vogliono andare al 3°piano vanno nella cabina 5.
10:04
And the problem with that
253
589000
2000
E il problema
10:06
is that people freak out.
254
591000
2000
è che la gente si spaventa.
10:08
People panic.
255
593000
2000
La gente va in panico.
10:10
And you see why. You see why.
256
595000
2000
Ed è chiaro il perché. È chiaro.
10:12
It's because the elevator
257
597000
2000
È perché l'ascensore
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
è priva di strumenti importanti, come i pulsanti.
10:17
(Laughter)
259
602000
2000
(Risate)
10:19
Like the things that people use.
260
604000
2000
Cioè le cose che la gente usa.
10:21
All it has
261
606000
2000
Tutto quello che ha
10:23
is just the number that moves up or down
262
608000
3000
è il numero che va su e giù
10:26
and that red button that says, "Stop."
263
611000
3000
e il bottone rosso con la scritta, "Stop."
10:29
And this is what we're designing for.
264
614000
3000
Ed è questo che stiamo progettando.
10:32
We're designing
265
617000
2000
Stiamo progettando
10:34
for this machine dialect.
266
619000
2000
questo dialetto da macchina.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Fin dove possiamo andare? Fin dove possiamo spingerci?
10:39
You can take it really, really far.
268
624000
2000
Si può andare molto, molto lontano.
10:41
So let me take it back to Wall Street.
269
626000
3000
Torniamo ora a Wall Street.
10:45
Because the algorithms of Wall Street
270
630000
2000
Perché gli algoritmi di Wall Street
10:47
are dependent on one quality above all else,
271
632000
3000
dipendono da una capacità fondamentale
10:50
which is speed.
272
635000
2000
che è la velocità.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Lavorano su millisecondi e microsecondi.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Solo per darvi l'idea di quanto sia un microsecondo,
10:57
it takes you 500,000 microseconds
275
642000
2000
ci vogliono 500.000 microsecondi
10:59
just to click a mouse.
276
644000
2000
per cliccare con il mouse.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Ma se siete un algoritmo di Wall Street
11:03
and you're five microseconds behind,
278
648000
2000
e siete cinque microsecondi in ritardo,
11:05
you're a loser.
279
650000
2000
siete dei perdenti.
11:07
So if you were an algorithm,
280
652000
2000
Se foste quindi un algoritmo,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
cerchereste un architetto come quello che ho incontrato a Francoforte
11:12
who was hollowing out a skyscraper --
282
657000
2000
che stava svuotando un grattacielo --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
buttava fuori tutti i mobili, tutte le infrastrutture ad uso umano,
11:17
and just running steel on the floors
284
662000
3000
e metteva solo acciaio ai piani
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
per prepararlo ad accogliere la pila di server da installare --
11:23
all so an algorithm
286
668000
2000
tutto perché un algoritmo
11:25
could get close to the Internet.
287
670000
3000
possa avvicinarsi a Internet.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
E pensate a Internet come a un sistema distribuito.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
E ovviamente, lo è, ma è decentralizzato in luoghi precisi.
11:34
In New York, this is where it's distributed from:
290
679000
2000
A New York, è decentralizzato
11:36
the Carrier Hotel
291
681000
2000
al Carrier Hotel
11:38
located on Hudson Street.
292
683000
2000
in Hudson Street.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
E questo è da dove partono realmente i cavi per la città.
11:43
And the reality is that the further away you are from that,
294
688000
4000
E la realtà è che più lontani siete,
11:47
you're a few microseconds behind every time.
295
692000
2000
più accumulate microsecondi di ritardo.
11:49
These guys down on Wall Street,
296
694000
2000
Questi ragazzi a Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo e Cherokee Nation,
11:53
they're eight microseconds
298
698000
2000
hanno 8 microsecondi di ritardo
11:55
behind all these guys
299
700000
2000
rispetto a questi altri
11:57
going into the empty buildings being hollowed out
300
702000
4000
che vanno in edifici che si svuotano
12:01
up around the Carrier Hotel.
301
706000
2000
intorno al Carrier Hotel.
12:03
And that's going to keep happening.
302
708000
3000
E continuerà così.
12:06
We're going to keep hollowing them out,
303
711000
2000
Continueremo a svuotarli,
12:08
because you, inch for inch
304
713000
3000
perché voi, centimetro per centrimetro
12:11
and pound for pound and dollar for dollar,
305
716000
3000
sterlina per sterlina, dollaro per dollaro,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
nessuno di voi può tirare fuori un profitto da quello spazio
12:17
like the Boston Shuffler could.
307
722000
3000
come il miscelatore di Boston.
12:20
But if you zoom out,
308
725000
2000
Ma se guardate da lontano,
12:22
if you zoom out,
309
727000
2000
guardate da lontano,
12:24
you would see an 825-mile trench
310
729000
4000
vedrete un fossato lungo 1300 chilometri
12:28
between New York City and Chicago
311
733000
2000
tra New York City e Chicago
12:30
that's been built over the last few years
312
735000
2000
che è stato costruito negli ultimi anni
12:32
by a company called Spread Networks.
313
737000
3000
da una società di nome Spread Networks.
12:35
This is a fiber optic cable
314
740000
2000
È un cavo in fibra ottica
12:37
that was laid between those two cities
315
742000
2000
posato tra le due città
12:39
to just be able to traffic one signal
316
744000
3000
solo per far passare un segnale
12:42
37 times faster than you can click a mouse --
317
747000
3000
37 volte più veloce di un clic del mouse,
12:45
just for these algorithms,
318
750000
3000
solo per questi algoritmi,
12:48
just for the Carnival and the Knife.
319
753000
3000
solo per il Carnival o per il Knife.
12:51
And when you think about this,
320
756000
2000
E se ci pensate,
12:53
that we're running through the United States
321
758000
2000
che stiamo percorrendo gli Stati Uniti
12:55
with dynamite and rock saws
322
760000
3000
con la dinamite e i bulldozer
12:58
so that an algorithm can close the deal
323
763000
2000
così che un algoritmo possa concludere l'affare
13:00
three microseconds faster,
324
765000
3000
tre microsecondi più velocemente.
13:03
all for a communications framework
325
768000
2000
tutto per una infrastruttura delle comunicazioni
13:05
that no human will ever know,
326
770000
4000
di cui nessun essere umano sarà mai a conoscenza,
13:09
that's a kind of manifest destiny;
327
774000
3000
è una specie di destino evidente
13:12
and we'll always look for a new frontier.
328
777000
3000
sempre alla ricerca di nuove frontiere.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Sfortunatamente, c'è da lavorare.
13:18
This is just theoretical.
330
783000
2000
Tutto questo è solo teorico.
13:20
This is some mathematicians at MIT.
331
785000
2000
Questi sono alcuni matematici al MIT.
13:22
And the truth is I don't really understand
332
787000
2000
E la verità è che gran parte di quello che dicono
13:24
a lot of what they're talking about.
333
789000
2000
è per me incomprensibile.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Ha a che fare con coni di luce e entanglement quantistico,
13:29
and I don't really understand any of that.
335
794000
2000
e io non ci capisco niente.
13:31
But I can read this map,
336
796000
2000
Ma so leggere questa mappa.
13:33
and what this map says
337
798000
2000
E quello che dice questa mappa
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
è che, se state cercando di fare soldi sui mercati dove ci sono i puntini rossi,
13:38
that's where people are, where the cities are,
339
803000
2000
dove ci sono le persone, dove ci sono le città,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
dovete mettere i server dove ci sono i puntini blu
13:43
to do that most effectively.
341
808000
2000
per farlo in maniera efficace.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
E quello che avrete potuto notare sui puntini blu
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
è che molti sono nel bel mezzo dell'oceano.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
Quindi questo è quello che faremo, costruiremo bolle o cose simili,
13:54
or platforms.
345
819000
2000
o piattaforme.
13:56
We'll actually part the water
346
821000
2000
Di fatto divideremo le acque
13:58
to pull money out of the air,
347
823000
2000
per fare soldi dall'aria,
14:00
because it's a bright future
348
825000
2000
perché è un futuro brillante
14:02
if you're an algorithm.
349
827000
2000
se siete un algoritmo.
14:04
(Laughter)
350
829000
2000
(Risate)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
E non sono i soldi che sono così interessanti.
14:09
It's what the money motivates,
352
834000
2000
È la motivazione che danno i soldi.
14:11
that we're actually terraforming
353
836000
2000
Stiamo di fatto terraformando
14:13
the Earth itself
354
838000
2000
la terra stessa
14:15
with this kind of algorithmic efficiency.
355
840000
2000
con questa specie di efficacia algoritmica.
14:17
And in that light,
356
842000
2000
E sotto questa luce,
14:19
you go back
357
844000
2000
tornate indietro
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
alle fotografie di Michael Najjar,
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
e vi rendete conto che non sono metafore, sono profezia.
14:26
They're prophecy
360
851000
2000
Sono la profezia
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
di quegli effetti sismici
14:32
of the math that we're making.
362
857000
2000
della matematica che stiamo facendo.
14:34
And the landscape was always made
363
859000
3000
E il panorama è sempre stato modellato
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
da questa strana, scomoda collaborazione
14:40
between nature and man.
365
865000
3000
tra la natura e l'uomo.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Ma ora c'è questa terza forza di evoluzione: gli algoritmi --
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
il miscelatore di Boston, il Carnival.
14:49
And we will have to understand those as nature,
368
874000
3000
E dovremo capire queste cose come fosse la natura.
14:52
and in a way, they are.
369
877000
2000
E in un certo modo, lo sono.
14:54
Thank you.
370
879000
2000
Grazie.
14:56
(Applause)
371
881000
20000
(Applausi)
ABOUT THE SPEAKER
Kevin Slavin - Algoworld expertKevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.
Why you should listen
Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.
All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.
He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."
Kevin Slavin | Speaker | TED.com