TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
Eric Berlow e Sean Gourley: Mappare idee che meritano di essere divulgate
Filmed:
Readability: 4.3
1,131,373 views
Che aspetto hanno 24 000 idee? L'ecologista Eric Berlow e il fisico Sean Gourley applicano degli algoritmi all'intero archivio delle conferenze TEDx, accompagnandoci in una stimolante visita virtuale per mostrarci come le idee siano collegate in tutto il mondo.
Eric Berlow - Ecologist
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
Double-click the English transcript below to play the video.
00:12
Eric Berlow: I'm an ecologist, and Sean's a physicist,
0
562
3061
Eric Berlow: Sono un ecologista, e Sean un fisico,
00:15
and we both study complex networks.
1
3623
2108
e tutti e due studiamo sistemi complessi.
00:17
And we met a couple years ago when we discovered
2
5731
1835
Ci siamo incontrati un paio di anni fa,
quando abbiamo scoperto
quando abbiamo scoperto
00:19
that we had both given a short TED Talk
3
7566
2000
che tutti e due avevamo tenuto
una breve conferenza TED
una breve conferenza TED
00:21
about the ecology of war,
4
9566
2303
sull'ecologia della guerra,
00:23
and we realized that we were connected
5
11869
1447
e ci siamo resi conto che eravamo uniti
00:25
by the ideas we shared before we ever met.
6
13316
2818
dalle idee che condividevamo
prima ancora di incontrarci.
prima ancora di incontrarci.
00:28
And then we thought, you know, there are thousands
7
16134
1556
E poi abbiamo pensato,
ehi, ci sono migliaia
ehi, ci sono migliaia
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
di altre conferenze là fuori, soprattutto TEDx,
00:31
that are popping up all over the world.
9
19804
2211
che spuntano da un capo all'altro del mondo.
00:34
How are they connected,
10
22015
923
Come sono collegate,
00:34
and what does that global conversation look like?
11
22938
2010
e che aspetto ha questa
conversazione globale?
conversazione globale?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
Ora Sean vi racconterà
un po' come abbiamo fatto.
un po' come abbiamo fatto.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
Sean Gourley: Esatto. Quindi abbiamo
preso 24 000 conferenze
preso 24 000 conferenze
00:43
from around the world, 147 different countries,
14
31525
3046
di tutto il mondo, 147 paesi,
00:46
and we took these talks and we wanted to find
15
34571
2123
le abbiamo prese e volevamo scoprire
00:48
the mathematical structures that underly
16
36694
2040
le strutture matematiche soggiacenti
00:50
the ideas behind them.
17
38734
1722
le idee che vi sono dietro le conferenze.
00:52
And we wanted to do that so we could see how
18
40456
1370
E volevamo farlo per capire come
00:53
they connected with each other.
19
41826
2053
entravano in connessione l'una con l'altra.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
E così, ovvio, per fare
questo genere di cosa,
questo genere di cosa,
00:57
you need a lot of data.
21
45555
956
servono moltissimi dati.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
E i dati che avevamo sono una cosa grandiosa
che si chiama YouTube,
che si chiama YouTube,
01:02
and we can go down and basically pull
23
50197
1768
possiamo collegarci e in pratica
01:03
all the open information from YouTube,
24
51965
2267
prendere tutte le informazioni libere da YouTube,
01:06
all the comments, all the views, who's watching it,
25
54232
2349
tutti i commenti, tutti i punti di vista,
chi li sta guardando,
chi li sta guardando,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
dove li sta guardando,
cosa dicono nei commenti.
cosa dicono nei commenti.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
Ma possiamo anche estrarre,
usando i sottotitoli automatici,
usando i sottotitoli automatici,
01:14
we can pull the entire transcript,
28
62652
2128
la trascrizione intera,
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
e funziona persino con gente
dall'accento buffo come me.
dall'accento buffo come me.
01:19
So we can take their transcript
30
67460
2106
Così possiamo prendere la trascrizione
01:21
and actually do some pretty cool things.
31
69566
2098
e fare delle cose davvero interessanti.
01:23
We can take natural language processing algorithms
32
71664
2160
Possiamo prendere degli algoritmi
che processano le lingue naturali
che processano le lingue naturali
01:25
to kind of read through with a computer, line by line,
33
73824
2629
per provare a leggere con un computer, riga per riga,
01:28
extracting key concepts from this.
34
76453
2359
estraendo i concetti chiave.
01:30
And we take those key concepts and they sort of form
35
78812
2525
E prendiamo i concetti chiavi, che formano una specie
01:33
this mathematical structure of an idea.
36
81337
3565
di struttura matematica di un'idea.
01:36
And we call that the meme-ome.
37
84902
1757
Noi la chiamiamo meme-ome.
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
E la meme-ome, sapete,
è piuttosto semplice,
è piuttosto semplice,
01:40
is the mathematics that underlies an idea,
39
88810
2426
è la matematica alla base di un'idea,
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
e possiamo farci delle analisi molto interessanti,
01:45
which I want to share with you now.
41
93168
1981
che voglio condividere con voi adesso.
01:47
So each idea has its own meme-ome,
42
95149
2190
Ogni idea ha la sua meme-ome,
01:49
and each idea is unique with that,
43
97339
1951
e ogni idea è unica,
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
ma, ovvio, le idee prendono
a prestito qualcosa le une dalle altre,
a prestito qualcosa le une dalle altre,
01:53
they kind of steal sometimes,
45
101778
1184
a volte quasi rubano,
01:54
and they certainly build on each other,
46
102962
1827
e di sicuro costruiscono l'una sull'altra.
01:56
and we can go through mathematically
47
104789
1616
Possiamo esaminarle matematicamente,
01:58
and take the meme-ome from one talk
48
106405
1840
prendere la meme-ome di una conferenza
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
e paragonarla alla meme-ome di ogni altra,
02:02
and if there's a similarity between the two of them,
50
110699
1973
e se c'è qualche somiglianza tra le due,
02:04
we can create a link and represent that as a graph,
51
112672
3250
possiamo creare un collegamento
e rappresentarlo con un grafico,
e rappresentarlo con un grafico,
02:07
just like Eric and I are connected.
52
115922
2394
proprio come siamo collegati Eric e io.
02:10
So that's theory, that's great.
53
118316
1394
Questa è la teoria,
ed è grandiosa.
ed è grandiosa.
02:11
Let's see how it works in actual practice.
54
119710
2526
Vediamo come funziona all'atto pratico.
02:14
So what we've got here now is the global footprint
55
122236
2788
Quindi adesso abbiamo
l'impronta globale
l'impronta globale
02:17
of all the TEDx Talks over the last four years
56
125024
2293
di tutte i Discorsi TEDx degli ultimi quattro anni
02:19
exploding out around the world
57
127317
1550
distribuiti in tutto il mondo
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
da New York giù giù fino alla piccola
vecchia Nuova Zelanda lì nell'angolo.
vecchia Nuova Zelanda lì nell'angolo.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
Quel che facciamo è analizzare il primo 25%,
02:28
and we started to see where the connections occurred,
60
136031
2534
e abbiamo iniziato a vedere
dove si trovavano le connessioni,
dove si trovavano le connessioni,
02:30
where they connected with each other.
61
138565
1537
dove si collegavano l'una all'altra.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
Cameron Russell che parla d'immagine e bellezza
02:33
connected over into Europe.
63
141976
1575
si collega a tutta Europa.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
Abbiamo una conversazione
più ampia su Israele e Palestina
più ampia su Israele e Palestina
02:37
radiating outwards from the Middle East.
65
145963
2255
che si irradia dal Medio Oriente.
02:40
And we've got something a little broader
66
148218
1298
E abbiamo qualcosa di un po' più generico
02:41
like big data with a truly global footprint
67
149516
2156
come i grandi dati
con un'impronta davvero globale
con un'impronta davvero globale
02:43
reminiscent of a conversation
68
151672
2179
che richiama una conversazione
02:45
that is happening everywhere.
69
153851
2016
che sta accadendo ovunque.
02:47
So from this, we kind of run up against the limits
70
155867
2173
A partire da qui,
ci ritroviamo in qualche modo davanti ai limiti
ci ritroviamo in qualche modo davanti ai limiti
02:50
of what we can actually do with a geographic projection,
71
158040
2530
di quel che possiamo fare
con una proiezione geografica,
con una proiezione geografica,
02:52
but luckily, computer technology allows us to go out
72
160570
2052
ma per fortuna la tecnologia
informatica ci permette di uscire
informatica ci permette di uscire
02:54
into multidimensional space.
73
162622
1546
nello spazio multidimensionale.
02:56
So we can take in our network projection
74
164168
1875
Quindi possiamo prendere la proiezione di sistema
02:58
and apply a physics engine to this,
75
166043
1750
e applicare un motore fisico,
02:59
and the similar talks kind of smash together,
76
167793
1885
e le conferenze simili è come si fondessero assieme di colpo
03:01
and the different ones fly apart,
77
169678
2004
e quelle diverse si allontanassero.
03:03
and what we're left with is something quite beautiful.
78
171682
2072
Quel che rimane è qualcosa di bellissimo.
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
EB: Volevo precisare che ogni nodo è una conferenza,
03:08
they're linked if they share similar ideas,
80
176711
2589
solo collegate se condividono idee simili,
03:11
and that comes from a machine reading
81
179300
2084
e viene dalla lettura meccanica
03:13
of entire talk transcripts,
82
181384
2067
delle trascrizioni complete,
03:15
and then all these topics that pop out,
83
183451
2231
e poi tutti gli argomenti che emergono,
03:17
they're not from tags and keywords.
84
185682
1790
non vengono da etichette e parole chiave.
03:19
They come from the network structure
85
187472
1725
Vengono dalla struttura di rete
03:21
of interconnected ideas. Keep going.
86
189197
2168
di idee interconnesse. Continua.
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
SG: Certo. Avevo spiegato la cosa un po' di corsa,
03:25
but he's going to slow me down.
88
193387
1475
ma lui mi fa scalare le marce.
03:26
We've got education connected to storytelling
89
194862
2034
Abbiamo l'istruzione connessa alla narrazione
03:28
triangulated next to social media.
90
196896
1643
in triangolo con i social media.
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
Avete, ovviamente, il cervello umano accanto alla sanità,
03:33
which you might expect,
92
201014
1386
cosa prevedibile,
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
ma anche i videogiochi, che stanno lì vicino,
03:36
as those two spaces interface with each other.
94
204795
2740
e questi due spazi si parlano l'un l'altro.
03:39
But I want to take you into one cluster
95
207535
1535
Ma voglio portarvi a un cluster
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
particolarmente importante per me,
ed è l'ambiente.
ed è l'ambiente.
03:43
And I want to kind of zoom in on that
97
211938
1493
E voglio zoommare
03:45
and see if we can get a little more resolution.
98
213431
2363
e vedere se riusciamo ad avere
una risoluzione migliore.
una risoluzione migliore.
03:47
So as we go in here, what we start to see,
99
215794
2347
Entrando, quel che cominciamo a vedere,
03:50
apply the physics engine again,
100
218141
1504
di nuovo si riferisce al motore fisico,
03:51
we see what's one conversation
101
219645
1676
vediamo che una conversazione
03:53
is actually composed of many smaller ones.
102
221321
2560
in realtà è composta di tante più piccole.
03:55
The structure starts to emerge
103
223881
1929
La struttura comincia a emergere
03:57
where we see a kind of fractal behavior
104
225810
2070
in cui vediamo una specie di comportamento frattale
03:59
of the words and the language that we use
105
227880
1619
delle parole e del linguaggio che usiamo
04:01
to describe the things that are important to us
106
229499
1702
per descrivere le cose importanti per noi
04:03
all around this world.
107
231201
1433
in tutto il mondo.
04:04
So you've got food economy and local food at the top,
108
232634
2332
Vedete l'economia alimentare
e i prodotti locali in cima,
e i prodotti locali in cima,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
gas serra, inquinamento solare e nucleare.
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
Quel che avete è una serie di conversazioni più piccole,
04:12
each connected to each other through the ideas
111
240316
2301
ciascuna collegata alle altre attraverso le idee
04:14
and the language they share,
112
242617
1301
e il linguaggio che hanno in comune,
04:15
creating a broader concept of the environment.
113
243918
2450
creando un concetto più ampio di ambiente.
04:18
And of course, from here, we can go
114
246368
1532
E naturalmente, da qui, possiamo andare avanti
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
e zoommare e guardate, beh,
di cosa si occupano i giovani?
di cosa si occupano i giovani?
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
Si occupano di tecnologie energetiche
e fusione nucleare.
e fusione nucleare.
04:25
This is their kind of resonance
117
253779
1674
Questa è la loro risonanza particolare
04:27
for the conversation around the environment.
118
255453
2406
della conversazione sull'ambiente.
04:29
If we split along gender lines,
119
257859
1899
Se dividiamo le linee di genere,
04:31
we can see females resonating heavily
120
259758
1987
vediamo il femminile che risuona molto forte
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
con l'economia alimentare,
ma anche là fuori con speranza e ottimismo.
ma anche là fuori con speranza e ottimismo.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
Possiamo fare un sacco di cose pazzesche,
04:39
and I'll throw to Eric for the next part.
123
267872
1762
e passo la palla a Eric per il seguito.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
EB: Sì, tanto per precisare,
04:43
you cannot get this kind of perspective
125
271236
1538
non ottenete questo genere di prospettiva
04:44
from a simple tag search on YouTube.
126
272774
3360
con una semplice ricerca su YouTube.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
Torniamo a guardare tutta la conversazione globale
04:52
out of environment, and look at all the talks together.
128
280322
2534
al di là dell'ambiente,
e consideriamo le conferenze nel loro insieme.
e consideriamo le conferenze nel loro insieme.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
Spesso, quando ci troviamo con così tanti contenuti,
04:57
we do a couple of things to simplify it.
130
285783
2431
facciamo un paio di cose per semplificare.
05:00
We might just say, well,
131
288214
1314
Potremmo dire,
05:01
what are the most popular talks out there?
132
289528
2829
quali sono le conferenze più popolari?
05:04
And a few rise to the surface.
133
292357
1397
E ne ermegono un paio.
05:05
There's a talk about gratitude.
134
293754
1828
C'è una conferenza sulla gratitudine.
05:07
There's another one about personal health and nutrition.
135
295582
3344
Ce n'è un'altra sulla salute e alimentazione.
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
E naturalmente, ce n'è di sicuro una sul porno, giusto?
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
E potremmo dire che la gratitudine era l'anno scorso.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
Cosa va adesso? Qual è la conversazione popolare ora?
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
E possiamo vedere che il nuovo argomento
di punta che si fa strada
di punta che si fa strada
05:22
is about digital privacy.
140
310932
2666
è la privacy digitale.
05:25
So this is great. It simplifies things.
141
313598
1693
Ed è fantastico. Semplifica le cose.
05:27
But there's so much creative content
142
315291
1827
Ma c'è ancora tanto contenuto creativo
05:29
that's just buried at the bottom.
143
317118
1921
che rimane sepolto sul fondo.
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
E io detesto questa cosa.
Come facciamo affiorare le cose in superficie
Come facciamo affiorare le cose in superficie
05:34
that's maybe really creative and interesting?
145
322357
2458
cose magari davvero creative e interessanti?
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
Possiamo tornare alla struttura
di sistema delle idee
di sistema delle idee
05:39
to do that.
147
327746
1430
per farlo.
05:41
Remember, it's that network structure
148
329176
2114
Ricordate, è quella struttura di sistema
05:43
that is creating these emergent topics,
149
331290
2268
che crea gli argomenti emergenti,
05:45
and let's say we could take two of them,
150
333558
1515
e mettiamo di poterne prendere due,
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
come città e genetica, e poi, mettiamo che ci siano conferenze
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
che collegano in modo creativo
queste due discipline diversissime.
queste due discipline diversissime.
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
Ed è --
In definitiva, questo genere di rimescolamento creativo
In definitiva, questo genere di rimescolamento creativo
05:54
is one of the hallmarks of innovation.
154
342964
1840
è uno dei marchi di fabbrica dell'innovazione.
05:56
Well here's one by Jessica Green
155
344804
1606
C'è n'è una qui di Jessica Green
05:58
about the microbial ecology of buildings.
156
346410
2379
sulla microbiologia delle costruzioni.
06:00
It's literally defining a new field.
157
348789
2010
Sta letteralmente definendo un campo nuovo.
06:02
And we could go back to those topics and say, well,
158
350799
2103
E possiamo tornare a quelle conferenze e dire
06:04
what talks are central to those conversations?
159
352902
2768
quali sono centrali per questa conversazione?
06:07
In the cities cluster, one of the most central
160
355670
1690
Nel cluster delle città,
una delle conferenze fondamentali
una delle conferenze fondamentali
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
è quella di Mitch Joachim sulle città ecologiche,
06:13
and in the genetics cluster,
162
361312
1720
e nel cluster genetico,
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
ne abbiamo una sulla biologia sintetica di Craig Venter.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
Sono conferenze che ne uniscono
molte altre all'interno della propria disciplina.
molte altre all'interno della propria disciplina.
06:21
We could go the other direction and say, well,
165
369578
1843
Possiamo cambiare direzione e chiederci
06:23
what are talks that are broadly synthesizing
166
371421
2272
quali conferenze sintetizzano in generale
06:25
a lot of different kinds of fields.
167
373693
1448
molti campi di tipo diverso.
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
Abbiamo usato un'unità di misura
dell'ecodiversità per questo.
dell'ecodiversità per questo.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
Tipo, una conferenza di Steven Pinker
sulla storia della violenza,
sulla storia della violenza,
06:32
very synthetic.
170
380410
1180
molto sintetica.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
E poi, ovviamente, ci sono conferenze così uniche
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
che sono perse nella stratosfera,
nel loro posto speciale,
nel loro posto speciale,
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
e le chiamiamo l'indice di Colleen Flanagan.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
E se non conoscete Colleen, è un'artista,
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
e le ho chiesto, "Be', come si sta lì fuori
06:45
in the stratosphere of our idea space?"
176
393849
1672
nella stratosfera del nostro spazio ideale?"
06:47
And apparently it smells like bacon.
177
395521
3255
E a quanto pare sa di bacon.
06:50
I wouldn't know.
178
398776
1791
Non l'avrei mai detto.
06:52
So we're using these network motifs
179
400567
2248
Quindi usiamo questi modelli di sistema
06:54
to find talks that are unique,
180
402815
1186
per trovare conferenze uniche,
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
quelle che sintetizzano in modo creativo
molti campi diversi,
molti campi diversi,
06:58
ones that are central to their topic,
182
406711
1659
quelle che sono fondamentali
per il loro argomento,
per il loro argomento,
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
e quelle che collegano in modo
molto creativo campi diversi.
molto creativo campi diversi.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
Ok? Non le avremmo mai trovate
con la nostra ossessione
con la nostra ossessione
07:05
with what's trending now.
185
413846
2313
per quello che va forte oggi.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
E tutto procede dall'architettura della complessità,
07:11
or the patterns of how things are connected.
187
419045
2960
o gli schemi che collegano le cose.
07:14
SG: So that's exactly right.
188
422005
1625
SG: È esattamente così.
07:15
We've got ourselves in a world
189
423630
2479
Ci siamo ritrovati in un mondo
07:18
that's massively complex,
190
426109
2044
che è decisamente complesso,
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
e abbiamo usato degli algoritmi
per cercare di filtrarlo
per cercare di filtrarlo
07:23
so we can navigate through it.
192
431020
1786
per poterci navigare attraverso.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
E questi algoritmi, pur essendo piuttosto utili,
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
sono anche molto, molto limitati,
e possiamo fare di meglio,
e possiamo fare di meglio,
07:30
because we can realize that their complexity is not random.
195
438620
2566
perché possiamo capire che la complessità non è casuale.
07:33
It has mathematical structure,
196
441186
1954
Ha una struttura matematica,
07:35
and we can use that mathematical structure
197
443140
1803
e possiamo usare quella struttura matematica
07:36
to go and explore things like the world of ideas
198
444943
2214
per esplorare cose come il mondo delle idee
07:39
to see what's being said, to see what's not being said,
199
447157
3000
per scoprire cosa viene detto,
cosa non viene detto,
cosa non viene detto,
07:42
and to be a little bit more human
200
450157
1407
e per diventare un po' più umani
07:43
and, hopefully, a little smarter.
201
451564
1867
e, si spera, un po' più intelligenti.
07:45
Thank you.
202
453431
966
Grazie.
07:46
(Applause)
203
454397
4220
(Applausi)
ABOUT THE SPEAKERS
Eric Berlow - EcologistTED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more.
Why you should listen
Eric Berlow is an ecologist and network scientist who specializes in not specializing. A TED Senior Fellow, Berlow is recognized for his research on food webs and ecological networks and for creative approaches to complex problems. He was the founding director of the University of California's first environmental science center inside Yosemite National Park, where he continues to develop data-driven approaches to managing natural ecosystems.
In 2012 Berlow founded Vibrant Data Labs, which builds tools to use data for social good. Berlow's current projects range from helping spark an egalitarian personal data economy to protecting endangered amphibians in Yosemite to crowd-sourcing novel insights about human creativity. Berlow holds a Ph.D. from Oregon State University in marine ecology.
Eric Berlow | Speaker | TED.com
Sean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow.
Why you should listen
Sean Gourley's twin passions are physics (working on nanoscale blue-light lasers and self-assembled quantum nanowires) and politics (he once ran for a national elected office back home in New Zealand).
A Rhodes scholar, he's spent the past five years working at Oxford on complex adaptive systems and collective intelligent systems -- basically, using data to understand the nature of human conflict. As he puts it, "This research has taken me all over the world from the Pentagon, to the House of Lords, the United Nations and most recently to Iraq". Originally from New Zealand, he now lives in San Francisco, where he is the co-founder and CTO of Quid which is building a global intelligence platform. He's a 2009 TED Fellow.
In December 2009, Gourley and his team's research was published in the scientific journal Nature. He is co-founder and CTO of Quid.
Sean Gourley | Speaker | TED.com