TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Jak algorytmy kształtują nasz świat
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin uważa, że żyjemy w świecie zaprojektowanym i coraz bardziej kontrolowanym przez algorytmy. W tym fascynującym wykładzie z TEDGlobal, Slavin pokazuje w jakim stopniu te złożone programy komputerowe decydują o: szpiegostwie, kursie aukcji, scenariuszach filmowych i architekturze. Ostrzega też, że sami tworzymy kod, którego nie umiemy zrozumieć, wraz z następstwami, których nie możemy kontrolować.
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
To jest zdjęcie
00:17
by the artist Michael Najjar,
1
2000
2000
autorstwa Michaela Najjara
00:19
and it's real,
2
4000
2000
i jest prawdziwe
00:21
in the sense that he went there to Argentina
3
6000
2000
dlatego, że pojechał tam, do Argentyny
00:23
to take the photo.
4
8000
2000
żeby je zrobić.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Jednak jest to również fikcja. Zaraz po sesji, w to zdjęcie został włożony duży nakład pracy.
00:28
And what he's done
6
13000
2000
On tak właściwie
00:30
is he's actually reshaped, digitally,
7
15000
2000
przekształcił, cyfrowo,
00:32
all of the contours of the mountains
8
17000
2000
wszystkie zarysy gór,
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
by trzymać się zmiennych ze wskaźnika Dow Jonesa.
00:37
So what you see,
10
22000
2000
Tak więc to, co widzicie,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
to urwisko, to kolosalne urwisko z doliną
00:41
is the 2008 financial crisis.
12
26000
2000
to kryzys finansowy 2008 roku.
00:43
The photo was made
13
28000
2000
Zdjęcie zrobiono,
00:45
when we were deep in the valley over there.
14
30000
2000
kiedy byliśmy głęboko tam, w tej dolinie.
00:47
I don't know where we are now.
15
32000
2000
Nie wiem, gdzie jesteśmy teraz.
00:49
This is the Hang Seng index
16
34000
2000
To jest indeks Hang Senga
00:51
for Hong Kong.
17
36000
2000
dla Hong Kongu.
00:53
And similar topography.
18
38000
2000
Topografia jest podobna.
00:55
I wonder why.
19
40000
2000
Zastanawiam się, dlaczego.
00:57
And this is art. This is metaphor.
20
42000
3000
I to jest sztuka. To jest metafora.
01:00
But I think the point is
21
45000
2000
Uważam jednak, że
01:02
that this is metaphor with teeth,
22
47000
2000
jest to metafora z pazurem.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
W związku z tym chciałbym zaproponować dzisiaj
01:07
that we rethink a little bit
24
52000
2000
żebyśmy choć trochę przemyśleli
01:09
about the role of contemporary math --
25
54000
3000
rolę współczesnej matematyki -
01:12
not just financial math, but math in general.
26
57000
3000
nie tylko tej finansowej, ale matematyki w ogóle.
01:15
That its transition
27
60000
2000
To jest przejście
01:17
from being something that we extract and derive from the world
28
62000
3000
od bycia czymś, co wyciągamy i czerpiemy ze świata
01:20
to something that actually starts to shape it --
29
65000
3000
do czegoś, co tak właściwie go kształtuje -
01:23
the world around us and the world inside us.
30
68000
3000
ten świat wokół nas i ten wewnątrz nas.
01:26
And it's specifically algorithms,
31
71000
2000
I to właśnie algorytmy,
01:28
which are basically the math
32
73000
2000
które są w zasadzie matematyką,
01:30
that computers use to decide stuff.
33
75000
3000
używaną przez komputery do różnych rzeczy.
01:33
They acquire the sensibility of truth
34
78000
2000
Zdobywają możliwość wykrycia prawdy,
01:35
because they repeat over and over again,
35
80000
2000
bo powtarzają te czynności bezustannie.
01:37
and they ossify and calcify,
36
82000
3000
W końcu zastygają i wapnieją
01:40
and they become real.
37
85000
2000
i stają się prawdziwe.
01:42
And I was thinking about this, of all places,
38
87000
3000
Myślałem o tym akurat
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
parę lat temu podczas lotu przez Atlantyk,
01:48
because I happened to be seated
40
93000
2000
ponieważ miałem okazję wtedy siedzieć
01:50
next to a Hungarian physicist about my age
41
95000
2000
obok węgierskiego fizyka mniej więcej w moim wieku;
01:52
and we were talking
42
97000
2000
i rozmawialiśmy o tym,
01:54
about what life was like during the Cold War
43
99000
2000
jak podczas Zimnej Wojny wyglądało życie
01:56
for physicists in Hungary.
44
101000
2000
dla fizyków z Węgier.
01:58
And I said, "So what were you doing?"
45
103000
2000
No i spytałem: "Co wtedy robiłeś?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
A on odpowiedział: "Cóż, głównie łamaliśmy technikę stealth."
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
Odrzekłem: "To dobra praca. Interesująca.
02:04
How does that work?"
48
109000
2000
Jak to działa?"
02:06
And to understand that,
49
111000
2000
I żeby to zrozumieć,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
najpierw trzeba pojąć, jak działa ta technika.
02:11
And so -- this is an over-simplification --
51
116000
3000
Tak więc, to jest znaczne uproszczenie,
02:14
but basically, it's not like
52
119000
2000
ale generalnie: to nie jest tak,
02:16
you can just pass a radar signal
53
121000
2000
że sygnał radaru zostaje przepuszczony
02:18
right through 156 tons of steel in the sky.
54
123000
3000
przez 156 ton latającej stali.
02:21
It's not just going to disappear.
55
126000
3000
Nie może zniknąć od tak.
02:24
But if you can take this big, massive thing,
56
129000
3000
Ale jeśliby wziąć ten wielki, masywny obiekt
02:27
and you could turn it into
57
132000
3000
i zamienić go w
02:30
a million little things --
58
135000
2000
tysiące małych obiektów,
02:32
something like a flock of birds --
59
137000
2000
w coś na kształt stada ptaków,
02:34
well then the radar that's looking for that
60
139000
2000
to wtedy ten radar, szukający dużego obiektu
02:36
has to be able to see
61
141000
2000
musiałby posiadać zdolność wykrycia
02:38
every flock of birds in the sky.
62
143000
2000
każdego wędrującego stada ptaków.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
I jeśli jesteś radarem, to bardzo niefortunne zajęcie,.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
On na to: "Tak." Po czym dodał: "Ale tylko jeśli jesteś radarem.
02:47
So we didn't use a radar;
65
152000
2000
Tak więc nie użyliśmy radaru;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
skonstruowaliśmy czarną skrzynkę, która miała wyszukiwać sygnały elektryczne,
02:52
electronic communication.
67
157000
3000
elektroniczną komunikację.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
I za każdym razem, kiedy widzieliśmy stado ptaków, które posługiwało się taką komunikacją,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
myśleliśmy, że ma to coś wspólnego z Amerykanami."
03:01
And I said, "Yeah.
70
166000
2000
Odpowiedziałem: "Tak.
03:03
That's good.
71
168000
2000
To dobrze.
03:05
So you've effectively negated
72
170000
2000
Udało się wam skutecznie podważyć
03:07
60 years of aeronautic research.
73
172000
2000
60 lat spędzonych na badaniach aeronautycznych.
03:09
What's your act two?
74
174000
2000
A co dalej?
03:11
What do you do when you grow up?"
75
176000
2000
Co robisz teraz?"
03:13
And he said,
76
178000
2000
Odpowiedział:
03:15
"Well, financial services."
77
180000
2000
"Pracuję w usługach finansowych."
03:17
And I said, "Oh."
78
182000
2000
A ja na to: 'O!"
03:19
Because those had been in the news lately.
79
184000
3000
Ostatnio w mediach było o nich głośno.
03:22
And I said, "How does that work?"
80
187000
2000
Spytałem więc: "A jak to działa?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
Odpowiedział: "No więc, na Wall Street jest teraz 2000 fizyków,
03:26
and I'm one of them."
82
191000
2000
i ja jestem jednym z nich."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
Spytałem: "Po co czarna skrzynka na Wall Street?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
A on odpowiedział: "Zabawne, że o to pytasz,
03:33
because it's actually called black box trading.
85
198000
3000
bo tak właściwie to się nazywa "handel czarnymi skrzynkami".
03:36
And it's also sometimes called algo trading,
86
201000
2000
Czasem mówi się na to "handel algo"
03:38
algorithmic trading."
87
203000
3000
lub "handel algorytmiczny".
03:41
And algorithmic trading evolved in part
88
206000
3000
Handel algorytmiczny rozwinął się tylko po części,
03:44
because institutional traders have the same problems
89
209000
3000
ponieważ inwestorzy instytucjonalni borykają się z tymi samymi problemami,
03:47
that the United States Air Force had,
90
212000
3000
z którymi kiedyś borykały się Siły Powietrze Stanów Zjednoczonych,
03:50
which is that they're moving these positions --
91
215000
3000
czyli - przesuwają one swoje pozycje,
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
bez znaczenia, czy dotyczy to przedsiębiorstwa P&G czy Accenture,
03:55
they're moving a million shares of something
93
220000
2000
wprowadzają oni tysiące części czegoś
03:57
through the market.
94
222000
2000
poprzez rynek.
03:59
And if they do that all at once,
95
224000
2000
I jeśli robią to wszystko naraz,
04:01
it's like playing poker and going all in right away.
96
226000
2000
to tak jakby już na samym początku gry w pokera szli na całość.
04:03
You just tip your hand.
97
228000
2000
Jakby dokładnie pokazywali, co zamierzają.
04:05
And so they have to find a way --
98
230000
2000
Tak więc muszą znaleźć jakiś sposób --
04:07
and they use algorithms to do this --
99
232000
2000
używają do tego algorytmów --
04:09
to break up that big thing
100
234000
2000
do tego, by tą jedną, wielką rzecz
04:11
into a million little transactions.
101
236000
2000
rozbić na tysiące małych transakcji.
04:13
And the magic and the horror of that
102
238000
2000
Przeraża i fascynuje jednak fakt, że
04:15
is that the same math
103
240000
2000
to ta sama matematyka, która
04:17
that you use to break up the big thing
104
242000
2000
może rozbić jedną wielką rzecz
04:19
into a million little things
105
244000
2000
na tysiące małych rzeczy,
04:21
can be used to find a million little things
106
246000
2000
może być wykorzystana do odnalezienia tych małych rzeczy
04:23
and sew them back together
107
248000
2000
i poskładania ich z powrotem
04:25
and figure out what's actually happening in the market.
108
250000
2000
w celu odkrycia tego, co tak właściwie dzieje się na rynku.
04:27
So if you need to have some image
109
252000
2000
Więc jeśliby zobrazować to,
04:29
of what's happening in the stock market right now,
110
254000
3000
co właśnie dzieje się na giełdzie papierów wartościowych,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
to zobaczy się grupę algorytmów,
04:34
that are basically programmed to hide,
112
259000
3000
które tak właściwie zaprogramowano do tego, by się chowały
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
oraz grupę algorytmów zaprogramowanych do znalezienia tamtych i do podjęcia działań.
04:40
And all of that's great, and it's fine.
114
265000
3000
I wszystko jest fajne i super.
04:43
And that's 70 percent
115
268000
2000
To jest właśnie 70 procent
04:45
of the United States stock market,
116
270000
2000
giełdy Stanów Zjednoczonych,
04:47
70 percent of the operating system
117
272000
2000
70 procent system operacyjnego,
04:49
formerly known as your pension,
118
274000
3000
wcześniej znanego jako wasza renta,
04:52
your mortgage.
119
277000
3000
wasza emerytura.
04:55
And what could go wrong?
120
280000
2000
I co mogło pójść źle?
04:57
What could go wrong
121
282000
2000
A to, że
04:59
is that a year ago,
122
284000
2000
rok temu
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
dziewięć procent całego rynku po prostu zniknęło w ciągu pięciu minut,
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
i to pięć minut przeszło do historii jako flash crash 14.45.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Ni stąd, ni zowąd, dziewięć procent po prostu sobie znika
05:10
and nobody to this day
126
295000
2000
i nikt po dziś dzień
05:12
can even agree on what happened
127
297000
2000
nie może ustalić, co się stało,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
ponieważ nikt tego nie zlecił, nikt o to nie prosił.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Nikt nie miał kontroli nad tym, co się działo.
05:20
All they had
130
305000
2000
Jedyne, co było do dyspozycji
05:22
was just a monitor in front of them
131
307000
2000
to monitor,
05:24
that had the numbers on it
132
309000
2000
pełen cyfr
05:26
and just a red button
133
311000
2000
i do tego czerwony guzik
05:28
that said, "Stop."
134
313000
2000
z napisem "Stop".
05:30
And that's the thing,
135
315000
2000
I o to chodzi;
05:32
is that we're writing things,
136
317000
2000
piszemy różne rzeczy,
05:34
we're writing these things that we can no longer read.
137
319000
3000
rzeczy, których nie jesteśmy w stanie odczytać.
05:37
And we've rendered something
138
322000
2000
Stworzyliśmy coś
05:39
illegible,
139
324000
2000
niezrozumiałego.
05:41
and we've lost the sense
140
326000
3000
I straciliśmy poczucie,
05:44
of what's actually happening
141
329000
2000
co się dzieje
05:46
in this world that we've made.
142
331000
2000
w świecie, który sami stworzyliśmy.
05:48
And we're starting to make our way.
143
333000
2000
Ale zaczynamy odnosić sukces.
05:50
There's a company in Boston called Nanex,
144
335000
3000
W Bostonie jest taka firma, Nanex,
05:53
and they use math and magic
145
338000
2000
w której, przy użyciu matematyki i magii,
05:55
and I don't know what,
146
340000
2000
i nie wiem, czego jeszcze,
05:57
and they reach into all the market data
147
342000
2000
można dostać się do wszystkich danych rynkowych
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
i czasem nawet znaleźć część tych algorytmów.
06:02
And when they find them they pull them out
149
347000
3000
Po ich znalezieniu, są one wyciągane
06:05
and they pin them to the wall like butterflies.
150
350000
3000
i przypinane do ściany, zupełnie jak motyle.
06:08
And they do what we've always done
151
353000
2000
I robi się z nimi to, co my zawsze robiliśmy,
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
kiedy natykaliśmy się na ogromne ilości danych, których nie rozumieliśmy --
06:13
which is that they give them a name
153
358000
2000
czyli nadaje się im imiona
06:15
and a story.
154
360000
2000
i tworzy historię.
06:17
So this is one that they found,
155
362000
2000
Tak więc tego tutaj
06:19
they called the Knife,
156
364000
4000
nazwali "Nożem",
06:23
the Carnival,
157
368000
2000
"Maskaradą",
06:25
the Boston Shuffler,
158
370000
4000
"Żonglerem Bostońskim",
06:29
Twilight.
159
374000
2000
"Zmierzchem".
06:31
And the gag is
160
376000
2000
I najlepsze jest to, że
06:33
that, of course, these aren't just running through the market.
161
378000
3000
one od tak nie śmigają sobie po rynku.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Można je znaleźć wszędzie, gdzie się spojrzy,
06:39
once you learn how to look for them.
163
384000
2000
jeśli tylko wie się, w jaki sposób ich szukać.
06:41
You can find it here: this book about flies
164
386000
3000
Na przykład tutaj: w tej książce o muchach,
06:44
that you may have been looking at on Amazon.
165
389000
2000
którą mogliście przeglądać na Amazonie.
06:46
You may have noticed it
166
391000
2000
Może i zauważyliście,
06:48
when its price started at 1.7 million dollars.
167
393000
2000
że jej cena wynosiła około 1,7 miliona dolarów.
06:50
It's out of print -- still ...
168
395000
2000
Nakład się wyczerpał, jednak wciąż…
06:52
(Laughter)
169
397000
2000
(Śmiech)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
Jeśli kupilibyście ją, kiedy kosztowała 1,7, to byłby to niezły utarg.
06:57
A few hours later, it had gone up
171
402000
2000
Parę godzin później, jej cena wzrosła
06:59
to 23.6 million dollars,
172
404000
2000
do 23,6 milionów dolarów,
07:01
plus shipping and handling.
173
406000
2000
łącznie z dostawami.
07:03
And the question is:
174
408000
2000
I pytanie jest takie:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Nikt niczego nie sprzedawał ani nie kupował; więc co się stało?
07:07
And you see this behavior on Amazon
176
412000
2000
Z takimi sytuacjami można się spotkać na Amazonie,
07:09
as surely as you see it on Wall Street.
177
414000
2000
jak i również na Wall Street.
07:11
And when you see this kind of behavior,
178
416000
2000
A kiedy spotykamy się z taką sytuacją,
07:13
what you see is the evidence
179
418000
2000
kiedy spotykamy się z dowodem
07:15
of algorithms in conflict,
180
420000
2000
na walkę algorytmów,
07:17
algorithms locked in loops with each other,
181
422000
2000
uwięzionych i splątanych ze sobą,
07:19
without any human oversight,
182
424000
2000
pozbawionych jakiegokolwiek nadzoru człowieka,
07:21
without any adult supervision
183
426000
3000
bez jakiejkolwiek kontroli dorosłych,
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
którzy mogliby stwierdzić: "Właściwie, 1.7 wystarczy".
07:27
(Laughter)
185
432000
3000
(Śmiech)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
Podobnie jak z Amazonem, było i z Netflixem.
07:33
And so Netflix has gone through
187
438000
2000
Netflix przeczesał
07:35
several different algorithms over the years.
188
440000
2000
kilka różnych algorytmów w ciągu paru lat.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Zaczęło się od Cinematch'u, potem przyszła kolej na resztę.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
Jest przecież Dinosaur Planet i Gravity.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Teraz używają Pragmatic Chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Pragmatic Chaos, tak jak wszystkie algorytmy Netflixu,
07:46
trying to do the same thing.
193
451000
2000
stara się zrobić to samo.
07:48
It's trying to get a grasp on you,
194
453000
2000
Chce wami zawładnąć
07:50
on the firmware inside the human skull,
195
455000
2000
objąć panowanie nad oprogramowaniem sterującym człowiekiem,
07:52
so that it can recommend what movie
196
457000
2000
by w ten sposób polecić jaki film
07:54
you might want to watch next --
197
459000
2000
chcielibyście znów obejrzeć--
07:56
which is a very, very difficult problem.
198
461000
3000
co stanowi naprawdę, naprawdę poważny problem.
07:59
But the difficulty of the problem
199
464000
2000
Jednak powaga problemu
08:01
and the fact that we don't really quite have it down,
200
466000
3000
i fakt, że jeszcze go nie rozgryźliśmy,
08:04
it doesn't take away
201
469000
2000
nie może zmienić
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
skutków, jakie Pragmatic Chaos powoduje.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Pragmatic Chaos, tak jak wszystkie algorytmy Netflixu
08:11
determines, in the end,
204
476000
2000
w końcu określa
08:13
60 percent
205
478000
2000
60 procent
08:15
of what movies end up being rented.
206
480000
2000
filmów, które mają zostać wypożyczone.
08:17
So one piece of code
207
482000
2000
Tak więc jedna część kodu
08:19
with one idea about you
208
484000
3000
połączona z jedną informacją na temat was,
08:22
is responsible for 60 percent of those movies.
209
487000
3000
jest odpowiedzialna za 60 procent tych filmów.
08:25
But what if you could rate those movies
210
490000
2000
Jednak co by było, gdyby można było ocenić te filmy,
08:27
before they get made?
211
492000
2000
przed ich realizacją?
08:29
Wouldn't that be handy?
212
494000
2000
Nie byłoby to na rękę?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Cóż, kilka naukowców z Wielkiej Brytanii, którzy są teraz w Hollywood
08:34
and they have "story algorithms" --
214
499000
2000
ma swoje bajkowe algorytmy -
08:36
a company called Epagogix.
215
501000
2000
firmę nazwaną Epagogix.
08:38
And you can run your script through there,
216
503000
3000
Można tam posłać skrypt filmu,
08:41
and they can tell you, quantifiably,
217
506000
2000
i dowiedzieć się, czy
08:43
that that's a 30 million dollar movie
218
508000
2000
czy będzie to film wart 30 milionów dolarów
08:45
or a 200 million dollar movie.
219
510000
2000
czy 200 milionów.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
A chodzi o to, że to nie Google.
08:49
This isn't information.
221
514000
2000
To nie informacje.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Nie są to też statystyki finansowe; to jest kultura.
08:53
And what you see here,
223
518000
2000
Tym, co można tu zauważyć,
08:55
or what you don't really see normally,
224
520000
2000
albo to, czego normalnie nie można,
08:57
is that these are the physics of culture.
225
522000
4000
to fakt że jest to fizyka kultury.
09:01
And if these algorithms,
226
526000
2000
A jeśli te algorytmy,
09:03
like the algorithms on Wall Street,
227
528000
2000
tak jak algorytmy na Wall Street
09:05
just crashed one day and went awry,
228
530000
3000
pewnego dnia po prostu zderzą się ze sobą i oszaleją,
09:08
how would we know?
229
533000
2000
skąd będziemy wiedzieć,
09:10
What would it look like?
230
535000
2000
jak to będzie wyglądało?
09:12
And they're in your house. They're in your house.
231
537000
3000
A one są w waszych domach. Są w waszych domach.
09:15
These are two algorithms competing for your living room.
232
540000
2000
To są dwa algorytmy, które biją się o miejsce w waszych salonach.
09:17
These are two different cleaning robots
233
542000
2000
To są dwa różne roboty sprzątające,
09:19
that have very different ideas about what clean means.
234
544000
3000
które mają zupełnie odmienne pojęcia czystości.
09:22
And you can see it
235
547000
2000
Można to zaobserwować,
09:24
if you slow it down and attach lights to them,
236
549000
3000
jeśli się je zwolni i przyczepi się do nich światło.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Są czymś w rodzaju ukrytych architektów w waszych sypialniach.
09:30
And the idea that architecture itself
238
555000
3000
A pomysł, że sama architektura
09:33
is somehow subject to algorithmic optimization
239
558000
2000
w jakimś stopniu podlega algorytmicznej optymalizacji
09:35
is not far-fetched.
240
560000
2000
nie jest naciągany.
09:37
It's super-real and it's happening around you.
241
562000
3000
Jest bardzo realny i do tego jest wokół was.
09:40
You feel it most
242
565000
2000
Czujecie to najmocniej,
09:42
when you're in a sealed metal box,
243
567000
2000
kiedy znajdujecie się w zapieczętowanym metalowym pudle,
09:44
a new-style elevator;
244
569000
2000
czyli w nowoczesnej windzie,
09:46
they're called destination-control elevators.
245
571000
2000
którą nazywa się windami docelowymi.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
To taki typ windy, w którym trzeba wybrać piętro, na które się wybiera
09:51
before you get in the elevator.
247
576000
2000
jeszcze zanim wsiądzie się do windy.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
System używa algorytmu pakowania.
09:55
So none of this mishegas
249
580000
2000
Tak więc nie ma wariactw
09:57
of letting everybody go into whatever car they want.
250
582000
2000
z wchodzeniem pasażerów do jakiejkolwiek windy by chcieli.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Wszyscy, którzy chcą dojechać na 10. piętro korzystają z windy nr 2,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
a wszyscy, którzy chcą się dostać na piętro 3. jadą windą nr 5.
10:04
And the problem with that
253
589000
2000
Problem w tym,
10:06
is that people freak out.
254
591000
2000
że ludzie wariują.
10:08
People panic.
255
593000
2000
Ludzie panikują.
10:10
And you see why. You see why.
256
595000
2000
I widzicie dlaczego. Widzicie dlaczego.
10:12
It's because the elevator
257
597000
2000
To dlatego, że w windzie
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
brakuje pewnych ważnych instrumentów, na przykład przycisków.
10:17
(Laughter)
259
602000
2000
(Śmiech)
10:19
Like the things that people use.
260
604000
2000
Czyli rzeczy, których ludzie używają.
10:21
All it has
261
606000
2000
Jest tu jedynie
10:23
is just the number that moves up or down
262
608000
3000
liczba, która przesuwa się w górę lub w dół
10:26
and that red button that says, "Stop."
263
611000
3000
i czerwony guzik z napisem “Stop”.
10:29
And this is what we're designing for.
264
614000
3000
My projektujemy właśnie w tym celu.
10:32
We're designing
265
617000
2000
Projektujemy
10:34
for this machine dialect.
266
619000
2000
zgodnie z językiem maszyny.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
I jak daleko można z tym dojść? Jak daleko?
10:39
You can take it really, really far.
268
624000
2000
Można dojść bardzo, bardzo daleko.
10:41
So let me take it back to Wall Street.
269
626000
3000
Wróćmy więc na Wall Street.
10:45
Because the algorithms of Wall Street
270
630000
2000
Z tego względu, że algorytmy na Wall Street
10:47
are dependent on one quality above all else,
271
632000
3000
podlegają przede wszystkim jednej właściwości -
10:50
which is speed.
272
635000
2000
czyli szybkości.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Działają w ciągu milisekund i mikrosekund.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
A żeby przybliżyć pojęcie mikrosekundy,
10:57
it takes you 500,000 microseconds
275
642000
2000
500 tysięcy mikrosekund
10:59
just to click a mouse.
276
644000
2000
równa się jednemu kliknięciu myszą.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Jednak jeśli jest się algorytmem na Wall Street
11:03
and you're five microseconds behind,
278
648000
2000
który jest pięć mikrosekund w tyle,
11:05
you're a loser.
279
650000
2000
to znaczy, że jest się przegranym.
11:07
So if you were an algorithm,
280
652000
2000
Więc jeśli bylibyście algorytmem,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
to szukalibyście takiego architekta, jakiego miałem okazję spotkać we Frankfurcie,
11:12
who was hollowing out a skyscraper --
282
657000
2000
który opróżniał cały wieżowiec ---
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
wyrzucał wszystkie meble, całe zaplecze rzeczy używanych przez człowieka
11:17
and just running steel on the floors
284
662000
3000
i, biegając szalenie po piętrach,
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
przygotowywał masę serwerów do wejścia -
11:23
all so an algorithm
286
668000
2000
a wszystko po to, żeby algorytm
11:25
could get close to the Internet.
287
670000
3000
mógł zbliżyć się do internetu.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Mówi się, że internet jest czymś w rodzaju podzielonego systemu.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
I oczywiście jest on podzielony, ale w różnych miejscach.
11:34
In New York, this is where it's distributed from:
290
679000
2000
W Nowym Jorku pochodzi on
11:36
the Carrier Hotel
291
681000
2000
z kolokacji serwerów,
11:38
located on Hudson Street.
292
683000
2000
położonej na Hudson Street.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
I to właśnie stamtąd wszystkie kable łączą się z miastem.
11:43
And the reality is that the further away you are from that,
294
688000
4000
W rzeczywistości, im dalej jest się od tego miejsca,
11:47
you're a few microseconds behind every time.
295
692000
2000
tym mniej mikrosekund jest się w tyle za każdym razem.
11:49
These guys down on Wall Street,
296
694000
2000
Ci z Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo i Cherokee Nation,
11:53
they're eight microseconds
298
698000
2000
są osiem mikrosekund
11:55
behind all these guys
299
700000
2000
w tyle za tymi,
11:57
going into the empty buildings being hollowed out
300
702000
4000
którzy znajdują się w pustych, opróżnianych budynkach
12:01
up around the Carrier Hotel.
301
706000
2000
wokół kolokacji serwerów.
12:03
And that's going to keep happening.
302
708000
3000
I tak będzie w kółko.
12:06
We're going to keep hollowing them out,
303
711000
2000
Nieustannie będziemy je opróżniać,
12:08
because you, inch for inch
304
713000
3000
dlatego że nikt z was, cal za calem,
12:11
and pound for pound and dollar for dollar,
305
716000
3000
funt za funtem, dolar za dolarem,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
nikt z was nie mógłby zgarnąć zysków z tej przestrzeni
12:17
like the Boston Shuffler could.
307
722000
3000
tak jak mógł to zrobić "Żongler Bostoński".
12:20
But if you zoom out,
308
725000
2000
Ale jeśli oddalimy obraz,
12:22
if you zoom out,
309
727000
2000
jeśli go oddalimy,
12:24
you would see an 825-mile trench
310
729000
4000
to zobaczymy okop o długości 825. mil
12:28
between New York City and Chicago
311
733000
2000
pomiędzy Nowym Jorkiem i Chicago,
12:30
that's been built over the last few years
312
735000
2000
który został wzniesiony podczas ostatnich lat
12:32
by a company called Spread Networks.
313
737000
3000
przez firmę Spread Networks.
12:35
This is a fiber optic cable
314
740000
2000
To jest światłowód,
12:37
that was laid between those two cities
315
742000
2000
który przeciągnięto pomiędzy tymi dwoma miastami,
12:39
to just be able to traffic one signal
316
744000
3000
by móc zmieniać światła drogowe
12:42
37 times faster than you can click a mouse --
317
747000
3000
37 razy szybciej niż raz kliknąć myszą --
12:45
just for these algorithms,
318
750000
3000
tylko dla tych algorytmów,
12:48
just for the Carnival and the Knife.
319
753000
3000
tylko dla "Karnawału" i dla “Noża”.
12:51
And when you think about this,
320
756000
2000
I jeśliby tak o tym pomyśleć,
12:53
that we're running through the United States
321
758000
2000
o tym, że biegamy po Stanach Zjednoczonych
12:55
with dynamite and rock saws
322
760000
3000
z dynamitem i piłami mechanicznymi,
12:58
so that an algorithm can close the deal
323
763000
2000
żeby algorytm mógł skończyć sprawę
13:00
three microseconds faster,
324
765000
3000
trzy mikrosekundy wcześniej,
13:03
all for a communications framework
325
768000
2000
dla zarysowania kształtu komunikacji
13:05
that no human will ever know,
326
770000
4000
którego żaden człowiek nigdy nie pozna,
13:09
that's a kind of manifest destiny;
327
774000
3000
to rodzaj ewidentnego przeznaczenia,
13:12
and we'll always look for a new frontier.
328
777000
3000
który ciągle będzie szukał nowej granicy.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Niestety, jesteśmy wprost stworzeni do naszej pracy.
13:18
This is just theoretical.
330
783000
2000
To tylko teoria.
13:20
This is some mathematicians at MIT.
331
785000
2000
To jacyś tam matematycy z MIT.
13:22
And the truth is I don't really understand
332
787000
2000
A prawda jest taka, że nie rozumiem
13:24
a lot of what they're talking about.
333
789000
2000
większości, o której ci panowie mówią.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
To się łączy ze stożkami czasoprzestrzennymi i ze stanem splątanym,
13:29
and I don't really understand any of that.
335
794000
2000
a ja naprawdę nic z tego nie rozumiem.
13:31
But I can read this map,
336
796000
2000
Ale tę mapę potrafię odczytać.
13:33
and what this map says
337
798000
2000
Ta mapa mówi, że
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
jeśli ktoś próbuje zarobić pieniądze na rynkach oznaczonych czerwonym punktem,
13:38
that's where people are, where the cities are,
339
803000
2000
czyli tam gdzie są ludzie i miasta,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
to musi postawić serwery w miejscach oznaczonych kropką niebieską,
13:43
to do that most effectively.
341
808000
2000
żeby efekt był jak najlepszy.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
A jeśli chodzi o te niebieskie kropki, to może i dostrzegliście, że
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
wiele z nich znajduje się pośrodku oceanu.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
No więc to jest to, co zrobimy - zbudujemy bańki czy coś,
13:54
or platforms.
345
819000
2000
a może platformy.
13:56
We'll actually part the water
346
821000
2000
Podzielimy wodę,
13:58
to pull money out of the air,
347
823000
2000
żeby z powietrza wyciagnąć pieniądze
14:00
because it's a bright future
348
825000
2000
bo to świetlana przyszłość,
14:02
if you're an algorithm.
349
827000
2000
jeśli tylko jesteś algorytmem.
14:04
(Laughter)
350
829000
2000
(Śmiech)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
I tak właściwie, to nie pieniądze są intrygujące.
14:09
It's what the money motivates,
352
834000
2000
Intrygujące jest to, co one pobudzają.
14:11
that we're actually terraforming
353
836000
2000
To, że my właściwie tworzymy kolonię
14:13
the Earth itself
354
838000
2000
na samej Ziemi
14:15
with this kind of algorithmic efficiency.
355
840000
2000
przy pomocy algorytmicznej wydajności.
14:17
And in that light,
356
842000
2000
Z tą myślą
14:19
you go back
357
844000
2000
można się cofnąć
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
do fotografii Michaela Najjara
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
po to, żeby zdać sobie sprawę, że nie one są metaforą, tylko zapowiedzią.
14:26
They're prophecy
360
851000
2000
Są zapowiedzią
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
pewnych sejsmicznych, lądowych efektów
14:32
of the math that we're making.
362
857000
2000
matematyki, którą tworzymy.
14:34
And the landscape was always made
363
859000
3000
Krajobraz zawsze składał się
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
z takiej dziwnej, niestabilnej współpracy
14:40
between nature and man.
365
865000
3000
pomiędzy naturą a człowiekiem.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Jednak teraz jest ta trzecia siła współzależnej koewolucji: algorytmy -
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
"Żongler Bostoński", "Maskarada".
14:49
And we will have to understand those as nature,
368
874000
3000
A my będziemy musieli pojąć je jako naturę.
14:52
and in a way, they are.
369
877000
2000
W swojej osobliwej postaci.
14:54
Thank you.
370
879000
2000
Dziękuję.
14:56
(Applause)
371
881000
20000
(Aplauz)
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