TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
케빈 슬레이븐: 알고리즘은 어떻게 우리의 세계를 변화시키는가
Filmed:
Readability: 3.5
4,199,898 views
슬레이븐은 우리가 알고리즘을 위해 디자인된 세상에 살고 있으며, 또한 우리는 점점 더 알고리즘에 의해 컨트롤 받고 있다고 주장한다. 그는 이 흥미있는 TEDGlobal 토크에서 그는 이러한 복잡한 컴퓨터 프로그램들이 어떻게 스파이 전략, 주식시가, 영화 스크립트, 그리고 건축양식을 결정하는지 말한다. 그는 또한 우리는 지금 우리 자신도 이해하지 못하는, 따라서 우리가 컨트롤 할 수없는 컴퓨터 코드를 쓰고 있다고 경고한다.
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
이것은 마이클 나자라는 예술가의
00:17
by the artist Michael Najjar,
1
2000
2000
작품인데 그가 실제로 아르헨티나에
00:19
and it's real,
2
4000
2000
가서 찍은 사진이니까
00:21
in the sense that he went there to Argentina
3
6000
2000
실제 사진이라고도
00:23
to take the photo.
4
8000
2000
말할 수 있죠.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
하지만, 이 사진은 많은 작업을 한 사진이기 때문에 가짜 사진이라고 말할 수도 있죠.
00:28
And what he's done
6
13000
2000
이것은 사실 디지털 작업을 통해
00:30
is he's actually reshaped, digitally,
7
15000
2000
다우존스 지수가 변동한
00:32
all of the contours of the mountains
8
17000
2000
모양에 따라 산의 등고선을
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
조작한 사진이지요.
00:37
So what you see,
10
22000
2000
여기에 보이는 계곡의
00:39
that precipice, that high precipice with the valley,
11
24000
2000
높은 절벽은
00:41
is the 2008 financial crisis.
12
26000
2000
2008년 금융위기를 나타내죠.
00:43
The photo was made
13
28000
2000
이 사진은 우리의 경제가 저 깊숙한
00:45
when we were deep in the valley over there.
14
30000
2000
계곡안에 있었을때 찍은것이지요.
00:47
I don't know where we are now.
15
32000
2000
요즘 요즘 다우존스는 어떤지 모르겠습니다.
00:49
This is the Hang Seng index
16
34000
2000
이 사진은 홍콩
00:51
for Hong Kong.
17
36000
2000
항생지수인데
00:53
And similar topography.
18
38000
2000
전체적 양상이 비슷하네요.
00:55
I wonder why.
19
40000
2000
왜 그럴까요?
00:57
And this is art. This is metaphor.
20
42000
3000
이것은 예술인 동시에 메타포죠.
01:00
But I think the point is
21
45000
2000
그런데 이 메타포에는 알고리즘 자체가
01:02
that this is metaphor with teeth,
22
47000
2000
실세계에 영향을 미친다는 의미가 있지요.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
알고리즘은 실세계에 영향을 미치기 때문에 저는
01:07
that we rethink a little bit
24
52000
2000
금융수학 같은 현대 수학 뿐만 아니라
01:09
about the role of contemporary math --
25
54000
3000
일반적인 수학의 역할도
01:12
not just financial math, but math in general.
26
57000
3000
재고할 것을 저는 여러분께 건의합니다.
01:15
That its transition
27
60000
2000
저는 또한 우리가 세계로 부터 추출하고
01:17
from being something that we extract and derive from the world
28
62000
3000
유도해 내는 데이터가 우리의 생활과
01:20
to something that actually starts to shape it --
29
65000
3000
우리를 둘러싸는 세계를
01:23
the world around us and the world inside us.
30
68000
3000
실지로 만드는 전이 과정, 그리고
01:26
And it's specifically algorithms,
31
71000
2000
컴퓨터가 결정을 내릴 때 사용되는 수학,
01:28
which are basically the math
32
73000
2000
특히 알고리즘에 대해
01:30
that computers use to decide stuff.
33
75000
3000
말씀드리고자 합니다.
01:33
They acquire the sensibility of truth
34
78000
2000
컴퓨터의 알고리즘은 계속 반복적으로
01:35
because they repeat over and over again,
35
80000
2000
사용되기 때문에 그들이 옳다는 인상을 주며
01:37
and they ossify and calcify,
36
82000
3000
시간이 흐름에 따라 그들에 대한
01:40
and they become real.
37
85000
2000
신뢰도가 더 증가하고 결국에는 진실이 되죠.
01:42
And I was thinking about this, of all places,
38
87000
3000
저는 한 2년전에 대서양을 건너는 비행기 안에서
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
바로 이런 생각을 하고있었는데
01:48
because I happened to be seated
40
93000
2000
마침 제 옆에 제 나이 정도되는
01:50
next to a Hungarian physicist about my age
41
95000
2000
헝가리인 물리학자가 앉았었지요.
01:52
and we were talking
42
97000
2000
우리는 냉전 당시 헝가리에서
01:54
about what life was like during the Cold War
43
99000
2000
물리학자로 일하는게
01:56
for physicists in Hungary.
44
101000
2000
어땠는가 하는 대화를 나눴는데
01:58
And I said, "So what were you doing?"
45
103000
2000
그사람에게 무슨일을 했냐고 물었더니
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
주로 스텔스를 잡는 일을 했다고 하더군요.
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
그래서 저는 흥미있는 직업같다고 말했죠.
02:04
How does that work?"
48
109000
2000
그런데 그건 어떤 기술인가요?
02:06
And to understand that,
49
111000
2000
그 기술을 이해하려면
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
스텔스의 작동원리를 좀 알아야 하죠.
02:11
And so -- this is an over-simplification --
51
116000
3000
아주 간단히 말하자면 레이더 신호가
02:14
but basically, it's not like
52
119000
2000
하늘에 뜬 156톤의 철 덩어리를
02:16
you can just pass a radar signal
53
121000
2000
뚫고 나가거나
02:18
right through 156 tons of steel in the sky.
54
123000
3000
또는 그냥 사라지게
02:21
It's not just going to disappear.
55
126000
3000
만들 수는 없죠.
02:24
But if you can take this big, massive thing,
56
129000
3000
그렇지만 이렇게 큰 비행기를 수만개의
02:27
and you could turn it into
57
132000
3000
작은 조각으로 쪼갤 수 있다면
02:30
a million little things --
58
135000
2000
- 예를들면 새 떼 같은 것으로요 -
02:32
something like a flock of birds --
59
137000
2000
이런 비행기를 추적하는
02:34
well then the radar that's looking for that
60
139000
2000
레이다는 날라다니는
02:36
has to be able to see
61
141000
2000
모든 새 떼들을
02:38
every flock of birds in the sky.
62
143000
2000
다 볼 수 있어야 겠지요.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
레이더로 그런 일을 하는것은 참 어렵죠.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
그리고 그 헝가리 물리학자가 말했죠,
02:47
So we didn't use a radar;
65
152000
2000
"그래서 우리는 레이더를 만들지 않고
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
전기통신이나 전기신호를 감지하는
02:52
electronic communication.
67
157000
3000
블랙박스를 만들었죠. 그리고는,
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
새 떼들이 전기통신을 할때 마다 미국인들과
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
무슨 연관이 있을지 모른다고 생각했죠".
03:01
And I said, "Yeah.
70
166000
2000
그래서 제가 그랬죠.
03:03
That's good.
71
168000
2000
"좋군요.
03:05
So you've effectively negated
72
170000
2000
당신네들이 60년간의 항공학
03:07
60 years of aeronautic research.
73
172000
2000
연구를 무효화한 셈이네요.
03:09
What's your act two?
74
174000
2000
그럼 당신의 제2장은 뭐죠?
03:11
What do you do when you grow up?"
75
176000
2000
그럼 지금은 무슨일을 하세요?"
03:13
And he said,
76
178000
2000
그가 이렇게 답했죠,
03:15
"Well, financial services."
77
180000
2000
"금융서비스에서 일해요".
03:17
And I said, "Oh."
78
182000
2000
근데 그 당시에 그런 이야기들이
03:19
Because those had been in the news lately.
79
184000
3000
뉴스에 보도되고 있었기 때문에 제가 물었죠.
03:22
And I said, "How does that work?"
80
187000
2000
"그게 뭐하는거죠?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
그가 말하길, "월스트리트엔 저같은
03:26
and I'm one of them."
82
191000
2000
물리학자들이 약 2000명 일하고 있죠".
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
제가 물었죠. "월스트리트의 블랙박스가 뭡니까?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
그가 말하길, "말그대로 블랙박스예요.
03:33
because it's actually called black box trading.
85
198000
3000
사실 블랙박스 트레이딩이라고 말하죠.
03:36
And it's also sometimes called algo trading,
86
201000
2000
어떤 사람은 알고 트레이딩, 즉
03:38
algorithmic trading."
87
203000
3000
알고리즈믹 트레이딩이라고 하죠".
03:41
And algorithmic trading evolved in part
88
206000
3000
알고리즈믹 트레이딩이 발달되게 된 이유의 하나는
03:44
because institutional traders have the same problems
89
209000
3000
월스트리트의 기관투자자들이 미국 공군이 가졌던
03:47
that the United States Air Force had,
90
212000
3000
똑 같은 문제를 가지고 있기 때문이었는데 -
03:50
which is that they're moving these positions --
91
215000
3000
그들은, 예를들면 프록터 앤 갬블
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
또는 액센쳐 같은,
03:55
they're moving a million shares of something
93
220000
2000
회사들의 수많은
03:57
through the market.
94
222000
2000
주식을 사고 팔지요.
03:59
And if they do that all at once,
95
224000
2000
그런데 이들이 주식거래를 한꺼번에 한다면
04:01
it's like playing poker and going all in right away.
96
226000
2000
포커를 할때 올인하는거나 마찬가지죠.
04:03
You just tip your hand.
97
228000
2000
있는 돈을 한꺼번에 다 거는 거니까요.
04:05
And so they have to find a way --
98
230000
2000
그래서 그들은 큰 금액을
04:07
and they use algorithms to do this --
99
232000
2000
한꺼번에 거래하지 않고,
04:09
to break up that big thing
100
234000
2000
많은 수의 적은 금액으로 나눠서 거래를 하는데
04:11
into a million little transactions.
101
236000
2000
그럴때 알고리즘을 사용하죠.
04:13
And the magic and the horror of that
102
238000
2000
그런데 한가지 흥미있는 동시에 두려운 사실은
04:15
is that the same math
103
240000
2000
큰 금액의 거래를 많은 여러개의 작은 거래로 갈를때
04:17
that you use to break up the big thing
104
242000
2000
사용한 똑같은 수학방식을 사용하면
04:19
into a million little things
105
244000
2000
수많은 작은 금액의 거래들을 원래의
04:21
can be used to find a million little things
106
246000
2000
큰 금액으로 다시 조립시켜서
04:23
and sew them back together
107
248000
2000
주식 시장에서 실지로 무슨일이 벌어지고 있는지
04:25
and figure out what's actually happening in the market.
108
250000
2000
알아낼 수 있다는 것입니다.
04:27
So if you need to have some image
109
252000
2000
즉, 지금 주식시장이 어떻게 돌아가는지 이해하려면
04:29
of what's happening in the stock market right now,
110
254000
3000
주식거래를 숨기는 목적의 알고리즘이 있는가 하면,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
그와는 정반대로 숨겨진 거래들을 찾아내서
04:34
that are basically programmed to hide,
112
259000
3000
적절한 조치를 취하는 것을 목적으로 프로그램된
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
여러개의 알고리즘이 있다는 사실을 알아야 합니다.
04:40
And all of that's great, and it's fine.
114
265000
3000
자, 여기까지는 뭐 큰 문제가 없죠.
04:43
And that's 70 percent
115
268000
2000
그렇지만, 이런 기관투자자들의
04:45
of the United States stock market,
116
270000
2000
거래액이 총 증시거래액의
04:47
70 percent of the operating system
117
272000
2000
70%에 달하는데
04:49
formerly known as your pension,
118
274000
3000
이게 다 여러분의
04:52
your mortgage.
119
277000
3000
연금이고 모게지죠.
04:55
And what could go wrong?
120
280000
2000
이것처럼 안전한게 있겠어요?
04:57
What could go wrong
121
282000
2000
그런데 1년 전에 전 증시 거래액의
04:59
is that a year ago,
122
284000
2000
9%가 5분 동안에 갑자기
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
사라지는 사태가 벌어졌었는데
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
그들은 그 사건을 '2:45 플래시 크래쉬'라고 부르죠.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
그런 사태가 벌어질 만한 주식거래를
05:10
and nobody to this day
126
295000
2000
했던 사람도 없고 요청한 사람도 없었는데
05:12
can even agree on what happened
127
297000
2000
왜 그런 사태가 발생했었는지 아직까지도 전문가들 끼리
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
그 사건의 발생 원인에 대해 동의조차 못하고 있죠.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
실제로 벌어지는 상황을 아무도 컨트롤 할 수 없었죠.
05:20
All they had
130
305000
2000
기관투자자들이 가졌던 컨트롤이라고는
05:22
was just a monitor in front of them
131
307000
2000
모니터에 표시되는 숫자들과
05:24
that had the numbers on it
132
309000
2000
'스톱'이라는 글이 적힌
05:26
and just a red button
133
311000
2000
빨간 버튼 밖에
05:28
that said, "Stop."
134
313000
2000
없었으니까요.
05:30
And that's the thing,
135
315000
2000
그러니까 우리는 우리가
05:32
is that we're writing things,
136
317000
2000
더 이상 읽을 수 없게
05:34
we're writing these things that we can no longer read.
137
319000
3000
된 것 들을 쓰고 있었다는 거죠.
05:37
And we've rendered something
138
322000
2000
우리가 그 무엇인가를 더 이상
05:39
illegible,
139
324000
2000
읽을 수 없게 만들었다는 것이죠.
05:41
and we've lost the sense
140
326000
3000
그래서 우리는 우리가 만든
05:44
of what's actually happening
141
329000
2000
이 세계에서 실지로 무슨일이 발생하고 있는지를
05:46
in this world that we've made.
142
331000
2000
모르게 됐지요.
05:48
And we're starting to make our way.
143
333000
2000
그러나 인젠 형편이 나아지기 시작했죠.
05:50
There's a company in Boston called Nanex,
144
335000
3000
보스턴에 나넥스라는 회사가 있는데,
05:53
and they use math and magic
145
338000
2000
그 회사는 수학과 제가 모르는 어떤 마술을 사용해서
05:55
and I don't know what,
146
340000
2000
증권시장의 모든 데이터를 읽고
05:57
and they reach into all the market data
147
342000
2000
항상 그런것은 아니지만
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
가끔 이런 알고리즘들의 일부를 찾아내지요.
06:02
And when they find them they pull them out
149
347000
3000
그들은 그런 알고리즘을 하나 찾으면
06:05
and they pin them to the wall like butterflies.
150
350000
3000
그걸 종이에 적어서 나비처럼 벽에 붙이지요.
06:08
And they do what we've always done
151
353000
2000
우리는 이해하지 못하는 엄청난 량의
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
데이터를 이해해야 할때는 언제나
06:13
which is that they give them a name
153
358000
2000
그래왔듯이 이런식으로 그런것에
06:15
and a story.
154
360000
2000
이름과 스토리를 붙이죠.
06:17
So this is one that they found,
155
362000
2000
그들이 찾아낸 것들은 다음과 같죠.
06:19
they called the Knife,
156
364000
4000
이것은 나이프,
06:23
the Carnival,
157
368000
2000
카니발,
06:25
the Boston Shuffler,
158
370000
4000
보스턴 셔플러,
06:29
Twilight.
159
374000
2000
트와일라이트.
06:31
And the gag is
160
376000
2000
그런데 웃기는건 일단 이런 알고리즘이
06:33
that, of course, these aren't just running through the market.
161
378000
3000
있는가를 알아내는 방법을 터득하면
06:36
You can find these kinds of things wherever you look,
162
381000
3000
증시 뿐만아니라 모든 곳에서 알고리즘이
06:39
once you learn how to look for them.
163
384000
2000
사용되고 있다는걸 알 수 있다는 거죠.
06:41
You can find it here: this book about flies
164
386000
3000
이 책도 그런 예의 하나죠:
06:44
that you may have been looking at on Amazon.
165
389000
2000
이건 아마존에서 팔았던 건데
06:46
You may have noticed it
166
391000
2000
시작가가
06:48
when its price started at 1.7 million dollars.
167
393000
2000
170만 달러였지요.
06:50
It's out of print -- still ...
168
395000
2000
절판이었는데도 말이예요.
06:52
(Laughter)
169
397000
2000
(웃음)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
그런데 만약 170 만달러에 샀다면, 잘 투자한거죠.
06:57
A few hours later, it had gone up
171
402000
2000
왜냐하면 불과 몇 시간 뒤에,
06:59
to 23.6 million dollars,
172
404000
2000
2천360만 달러로 가격이 뛰었으니까요.
07:01
plus shipping and handling.
173
406000
2000
운송비와 포장비는 별도였죠.
07:03
And the question is:
174
408000
2000
그런데, 아무도 사거나 팔지 않았는데
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
어떻게 그런일이 생겼을까요?
07:07
And you see this behavior on Amazon
176
412000
2000
즉, 월스트리트와 똑같은 현상을
07:09
as surely as you see it on Wall Street.
177
414000
2000
아마존에서도 볼 수 있다는 말이죠.
07:11
And when you see this kind of behavior,
178
416000
2000
이런 사건이 생긴다는 것은
07:13
what you see is the evidence
179
418000
2000
알고리즘들이 서로 충돌하고 있다는 것을
07:15
of algorithms in conflict,
180
420000
2000
증명해 주는데 간단히 말하면
07:17
algorithms locked in loops with each other,
181
422000
2000
인간의 아무런 개입이나 감독이 없이
07:19
without any human oversight,
182
424000
2000
알고리즘들이 서로 맞물고
07:21
without any adult supervision
183
426000
3000
루프에서 맴돌다가
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
"흠..170만 달러 정도면 됐어" 한거죠.
07:27
(Laughter)
185
432000
3000
(웃음)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
네트플릭스도 아마존과 같은 형편에 있죠.
07:33
And so Netflix has gone through
187
438000
2000
그래서 네트플릭스는 지난 수년간
07:35
several different algorithms over the years.
188
440000
2000
여러가지 다른 알고리즘을 써봤지요.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
처음에는 Cinematch를 사용하다가
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
그후에 Dinasaur Planet, 그리고 Gravity를 사용했는데
07:42
They're using Pragmatic Chaos now.
191
447000
2000
지금은 Pragmatic Chaos를 사용하죠.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Pragmatic Chaos도 네트플릭스가 사용했던
07:46
trying to do the same thing.
193
451000
2000
다른 알고리즘과 똑같은 일을 하려고 하지요.
07:48
It's trying to get a grasp on you,
194
453000
2000
이 알고리즘은 고객의 마음안으로
07:50
on the firmware inside the human skull,
195
455000
2000
파고 들어가서 어떤것을 좋아하는가를
07:52
so that it can recommend what movie
196
457000
2000
파악한 후에 다음번에 어떤 영화를
07:54
you might want to watch next --
197
459000
2000
보고 싶어할지를 추측하려고 하는데
07:56
which is a very, very difficult problem.
198
461000
3000
이건 엄청나게 어려운 문제지요.
07:59
But the difficulty of the problem
199
464000
2000
이것이 매우 힘든 일이고
08:01
and the fact that we don't really quite have it down,
200
466000
3000
또 우리들 자체가 사실 이런 알고리즘을 아직 정확히
08:04
it doesn't take away
201
469000
2000
이해하지 못하지만 Pragmatic Chaos는
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
그래도 우리에게 영향을 미치고 있지요.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
과거의 모든 네트플릭스 알고리즘들이 그랬듯이,
08:11
determines, in the end,
204
476000
2000
우리는 Pragmatic Chaos가
08:13
60 percent
205
478000
2000
추천하는 영화의 약
08:15
of what movies end up being rented.
206
480000
2000
60%를 실제로 빌려서 보니까요.
08:17
So one piece of code
207
482000
2000
이말은 즉, 여러분에 대해 지극히 단편적인
08:19
with one idea about you
208
484000
3000
아이디어만 가지고 있는 컴퓨터 코드가
08:22
is responsible for 60 percent of those movies.
209
487000
3000
여러분이 선택하는 영화의 60%를 결정한다는 거죠.
08:25
But what if you could rate those movies
210
490000
2000
그런데 영화를 만들기도 전에 그 영화에 대한
08:27
before they get made?
211
492000
2000
평가를 내릴 수 있다면 어떨까요?
08:29
Wouldn't that be handy?
212
494000
2000
그럼 아주 유용하지 않을까요?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
영국 데이터 과학자들이 몇명이
08:34
and they have "story algorithms" --
214
499000
2000
홀리우드에 이파고긱스라는회사를 차리고
08:36
a company called Epagogix.
215
501000
2000
스토리 알고리즘을 만들었죠.
08:38
And you can run your script through there,
216
503000
3000
그 알고리즘은
08:41
and they can tell you, quantifiably,
217
506000
2000
영화 스크립트를 읽고
08:43
that that's a 30 million dollar movie
218
508000
2000
그게 3천만불 짜리 인지
08:45
or a 200 million dollar movie.
219
510000
2000
2억불짜리 영화인지 말해 주죠.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
이건 구글같이 정보를 찾는것도 아니고,
08:49
This isn't information.
221
514000
2000
금융상태를 파악하는 것도 아니고,
08:51
These aren't financial stats; this is culture.
222
516000
2000
문화를 판단한다는 이야기죠.
08:53
And what you see here,
223
518000
2000
여러분이 지금 보시는 이 그림은,
08:55
or what you don't really see normally,
224
520000
2000
사실 여러분이 흔히 보는 그림은 아니지만,
08:57
is that these are the physics of culture.
225
522000
4000
문명의 기본 원칙을 보여주는 그림이죠.
09:01
And if these algorithms,
226
526000
2000
그런데 이런 알고리즘들이
09:03
like the algorithms on Wall Street,
227
528000
2000
월스트리트에 있는 알고리즘처럼
09:05
just crashed one day and went awry,
228
530000
3000
어느날 갑자기 크래쉬 한다면
09:08
how would we know?
229
533000
2000
그걸 우리가 어떻게 알까요?
09:10
What would it look like?
230
535000
2000
또 어떤 일이 생길까요?
09:12
And they're in your house. They're in your house.
231
537000
3000
여러분들 집에 있는 이런 청소기의 알고리즘들은
09:15
These are two algorithms competing for your living room.
232
540000
2000
거실을 차지하려고 서로 경쟁하고 있죠.
09:17
These are two different cleaning robots
233
542000
2000
그런데 이들은 깨끗하다는
09:19
that have very different ideas about what clean means.
234
544000
3000
것을 판단하는 기준이 서로 다르죠.
09:22
And you can see it
235
547000
2000
청소기의 속도를 줄이고
09:24
if you slow it down and attach lights to them,
236
549000
3000
라이트를 달면 그 차이를 볼 수 있죠.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
이들은 여러분의 침실에 있는
09:30
And the idea that architecture itself
238
555000
3000
일종의 숨어있는 건축가와 비슷하다고 볼 수 있겠는데,
09:33
is somehow subject to algorithmic optimization
239
558000
2000
사실은 건축 자체가 산술연산을
09:35
is not far-fetched.
240
560000
2000
최적화 한 결과라고 해도 과언은 아니지요.
09:37
It's super-real and it's happening around you.
241
562000
3000
이건 우리 주위에서 실제로 일어나고 있는 엄연한 사실이죠.
09:40
You feel it most
242
565000
2000
우리가 신형 '목적층선택 엘리베이터'의
09:42
when you're in a sealed metal box,
243
567000
2000
철판 박스 안에
09:44
a new-style elevator;
244
569000
2000
같혀 있을때는
09:46
they're called destination-control elevators.
245
571000
2000
그런 생각이 더 나지요.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
타기 전에 승객이 밖에서
09:51
before you get in the elevator.
247
576000
2000
미리 목적층을 선택하는 이런 신형 엘리베이터는
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
'빈 패킹'이라는 알고리즘을 사용하죠.
09:55
So none of this mishegas
249
580000
2000
승객들이 자기가 타고 싶은 승강기를
09:57
of letting everybody go into whatever car they want.
250
582000
2000
마음대로 고르는 것은 옛말이죠.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
10층으로 갈 사람들은 2번 승강기로,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
3층에 갈 사람들은 5번 승강기로...이런 식이죠.
10:04
And the problem with that
253
589000
2000
그런데 문제는
10:06
is that people freak out.
254
591000
2000
사람들이 당황해서
10:08
People panic.
255
593000
2000
어쩔지 모른다는 것이죠.
10:10
And you see why. You see why.
256
595000
2000
그런데 당황해 하는게 당연하죠.
10:12
It's because the elevator
257
597000
2000
그 엘레베이터에는
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
층수가 적힌 버튼 같은게 없으니까요.
10:17
(Laughter)
259
602000
2000
(웃음)
10:19
Like the things that people use.
260
604000
2000
일반 엘레베이터와는 아주 다르죠.
10:21
All it has
261
606000
2000
그저 윗쪽이나 아랫쪽으로
10:23
is just the number that moves up or down
262
608000
3000
올라갔다 내려갔다 하는 번호와
10:26
and that red button that says, "Stop."
263
611000
3000
'스톱' 이라고 적힌 빨간 버튼만 있죠.
10:29
And this is what we're designing for.
264
614000
3000
요즘 우리가 디자인하는 것들이 다들 이런식이죠.
10:32
We're designing
265
617000
2000
우리는 이런식의 인간기계
10:34
for this machine dialect.
266
619000
2000
대화를 디자인 하고 있죠.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
우리는 이런식으로 얼마나 더 나갈 수 있을까요?
10:39
You can take it really, really far.
268
624000
2000
아마 거의 무한정 갈께에요.
10:41
So let me take it back to Wall Street.
269
626000
3000
월스트리트 이야기로 다시 돌아가죠.
10:45
Because the algorithms of Wall Street
270
630000
2000
월스트리트의 알고리즘에게
10:47
are dependent on one quality above all else,
271
632000
3000
그 무엇보다도 더
10:50
which is speed.
272
635000
2000
중요한 것은 속도죠.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
그들은 밀리세컨드와 마이크로세컨드를 따지죠.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
마우스를 한번 클릭하는데
10:57
it takes you 500,000 microseconds
275
642000
2000
걸리는 시간은
10:59
just to click a mouse.
276
644000
2000
50만 마이크로세컨드죠.
11:01
But if you're a Wall Street algorithm
277
646000
2000
월스트리트 알고리즘의 입장에서 볼때는
11:03
and you're five microseconds behind,
278
648000
2000
단 5 마이크로세컨드만 뒤져도
11:05
you're a loser.
279
650000
2000
패자가 되는 것이죠.
11:07
So if you were an algorithm,
280
652000
2000
여러분이 알고리즘이라면 아마도
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
제가 프랑크프루트에서 만난 건축가 같은 사람들을 찾겠지요.
11:12
who was hollowing out a skyscraper --
282
657000
2000
그 건축가는 알고리즘이
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
인터넷 케이블에 좀 더 가깝게 자리잡을 수 있게
11:17
and just running steel on the floors
284
662000
3000
다수의 컴퓨터 서버들을 들어갈 장소를 만들려고
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
콘크리트 바닥만 남기고
11:23
all so an algorithm
286
668000
2000
사람들에게 필요한 모든 기반 설비와
11:25
could get close to the Internet.
287
670000
3000
가구들을 전부 다 뜯어내는 일을 했지요.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
인터넷은 일종의 분산 시스템이지만 그것은
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
일정한 장소들로 부터 분산되는 시스템이죠.
11:34
In New York, this is where it's distributed from:
290
679000
2000
뉴욕의 인터넷은
11:36
the Carrier Hotel
291
681000
2000
허드슨 스트리트에 있는
11:38
located on Hudson Street.
292
683000
2000
캐리어 호텔에서 부터 분배되지요.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
뉴욕시로 오는 모든 인터넷 케이블이 실제로 들어오는 곳이죠
11:43
And the reality is that the further away you are from that,
294
688000
4000
그래서 그곳에서 멀면 멀수록 모든 거래가
11:47
you're a few microseconds behind every time.
295
692000
2000
몇 마이크로세컨드씩 늦어지지요.
11:49
These guys down on Wall Street,
296
694000
2000
마코폴로나, 치로키 네이션 같은
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
월스트리트 부근의 빌딩에 있는 사람들은
11:53
they're eight microseconds
298
698000
2000
캐리어 호텔 부근에 빌딩 내부를 허물어내고
11:55
behind all these guys
299
700000
2000
새로 인터넷 장비를 까는
11:57
going into the empty buildings being hollowed out
300
702000
4000
사람들보다 8 마이크로세컨드
12:01
up around the Carrier Hotel.
301
706000
2000
더 늦게 되죠.
12:03
And that's going to keep happening.
302
708000
3000
이런 일은 앞으로도 계속 생길겁니다.
12:06
We're going to keep hollowing them out,
303
711000
2000
그렇지 않고는 증시에서 거래를 할 때
12:08
because you, inch for inch
304
713000
3000
보스톤 셔플러처럼
12:11
and pound for pound and dollar for dollar,
305
716000
3000
마지막 한방울 까지의
12:14
none of you could squeeze revenue out of that space
306
719000
3000
이익을
12:17
like the Boston Shuffler could.
307
722000
3000
짜낼 수 없기 때문이죠.
12:20
But if you zoom out,
308
725000
2000
이제 줌아웃을 해보지요.
12:22
if you zoom out,
309
727000
2000
줌아웃을 해보면,
12:24
you would see an 825-mile trench
310
729000
4000
뉴욕시와 시카고를 연결하기 위해
12:28
between New York City and Chicago
311
733000
2000
스프레드 네트워크라는 회사가
12:30
that's been built over the last few years
312
735000
2000
지난 몇년에 걸쳐 공사하고 있는
12:32
by a company called Spread Networks.
313
737000
3000
825 마일 길이의 기반시설 공사 전경을 볼 수 있지요.
12:35
This is a fiber optic cable
314
740000
2000
이것은 카니발이나 나이프 알고리즘 전용으로
12:37
that was laid between those two cities
315
742000
2000
두 도시간에 깔린 광케이블 루트인데
12:39
to just be able to traffic one signal
316
744000
3000
마우스를 클릭하는 것보다
12:42
37 times faster than you can click a mouse --
317
747000
3000
37배 더 빠른 속도로
12:45
just for these algorithms,
318
750000
3000
신호를 전송하는
12:48
just for the Carnival and the Knife.
319
753000
3000
단 한가지의 목적을 위해 건설된 것이죠.
12:51
And when you think about this,
320
756000
2000
우리는 아무도 알지 못할
12:53
that we're running through the United States
321
758000
2000
통신 프레임워크를 구축해서
12:55
with dynamite and rock saws
322
760000
3000
주식거래를 3 마이크로세컨드
12:58
so that an algorithm can close the deal
323
763000
2000
더 빨리 체결할 수 있게
13:00
three microseconds faster,
324
765000
3000
미국의 곳곳을
13:03
all for a communications framework
325
768000
2000
다이나마이트와 암석톱으로
13:05
that no human will ever know,
326
770000
4000
폭발시키고 자르고하는데
13:09
that's a kind of manifest destiny;
327
774000
3000
이것은 서부로 팽창하자는 우리의 '명백한 운명'이겠고,
13:12
and we'll always look for a new frontier.
328
777000
3000
우리는 또한 앞으로도 계속 미개척지를 찾아 다니겠지요.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
앞으로 우리가 할일이 태산같지요.
13:18
This is just theoretical.
330
783000
2000
이건 MIT의 수학자들이
13:20
This is some mathematicians at MIT.
331
785000
2000
작성한 단순히 이론적인 그림인데
13:22
And the truth is I don't really understand
332
787000
2000
솔직히 말하면
13:24
a lot of what they're talking about.
333
789000
2000
전 그들이 무슨 말을 하는지 몰라요.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
'빛원뿔', '양자얽힘' 뭐 그런 말을하는데
13:29
and I don't really understand any of that.
335
794000
2000
전 한마디도 이해를 못하죠.
13:31
But I can read this map,
336
796000
2000
그렇지만 이 지도는 제가 이해하죠.
13:33
and what this map says
337
798000
2000
이 지도가 보여주는 것은
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
도시가 있는 증권시장이 있는
13:38
that's where people are, where the cities are,
339
803000
2000
빨간 점들에서 돈을 벌려면
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
푸른 점들에 서버를 설치하는 것이
13:43
to do that most effectively.
341
808000
2000
가장 효율적이라는 것입니다.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
그런데 이 지도에는
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
대양에도 푸른 점들이 많이 있죠.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
그럼 이건 어떨까요?
13:54
or platforms.
345
819000
2000
우리가 알고리즘이 되면
13:56
We'll actually part the water
346
821000
2000
바다 한가운데 큰 공같은 구조물이나
13:58
to pull money out of the air,
347
823000
2000
플랫폼을 만들고 거기서 바다를
14:00
because it's a bright future
348
825000
2000
가르는 기적처럼 대기로 부터
14:02
if you're an algorithm.
349
827000
2000
돈을 무진장 만들 수 있겠지요.
14:04
(Laughter)
350
829000
2000
(웃음)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
사실은 돈 자체가 흥미있는게 아니죠.
14:09
It's what the money motivates,
352
834000
2000
돈이 어떤 의욕을 주는가가 중요하죠.
14:11
that we're actually terraforming
353
836000
2000
우리는 알고리즘 같은 효율로
14:13
the Earth itself
354
838000
2000
지구 자체를
14:15
with this kind of algorithmic efficiency.
355
840000
2000
실제로 바꾸고 있지요.
14:17
And in that light,
356
842000
2000
우리가 이런 생각을 염두에 두고
14:19
you go back
357
844000
2000
마이클 나자의 사진들을 다시 한번 본다면
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
그것은 사실 메타포가 아닌
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
예언이라는 것을 깨달을 수 있지요.
14:26
They're prophecy
360
851000
2000
그의 사진들은 우리가 만드는 수학이
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
지구의 지형에 얼마나
14:32
of the math that we're making.
362
857000
2000
거대한 변화를 줄것이라는 것을 예언해 줍니다.
14:34
And the landscape was always made
363
859000
3000
풍경이란 원래
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
자연과 인간의 괴상하고
14:40
between nature and man.
365
865000
3000
거북한 협동으로 만들어 지죠.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
그러나 이제는 풍경을 바꾸는 제3의 요소가 생겼는데
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
그것은 즉 보스턴 셔플러, 카니발 같은 알고리즘이죠.
14:49
And we will have to understand those as nature,
368
874000
3000
우리는 이제 알고리즘을 자연이라고 생각해야 하는데 어떻게 보면
14:52
and in a way, they are.
369
877000
2000
사실 그말이 맞습니다.
14:54
Thank you.
370
879000
2000
감사합니다.
14:56
(Applause)
371
881000
20000
(박수)
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