TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
Eric Berlow i Sean Gourley: Mapa idei wartych szerzenia
Filmed:
Readability: 4.3
1,131,373 views
Jak wyglądają 24 tysiące idei? Ekolog Eric Berlow i fizyk Sean Gourley wykorzystują algorytmy do analizy pochodzących z całego archiwum prelekcji TEDx i zabierają nas na wizualną wycieczkę, aby pokazać, jak idee łączą się ze sobą w skali globalnej.
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: Jestem ekologiem,
a Sean fizykiem.
a Sean fizykiem.
00:15
and we both study complex networks.
1
3623
2108
Badamy złożone sieci.
00:17
And we met a couple years ago when we discovered
2
5731
1835
Poznaliśmy się kilka lat temu,
gdy okazało się,
gdy okazało się,
00:19
that we had both given a short TED Talk
3
7566
2000
że obaj wygłosiliśmy
krótkie prelekcje TED
krótkie prelekcje TED
00:21
about the ecology of war,
4
9566
2303
o ekologii wojny.
00:23
and we realized that we were connected
5
11869
1447
Zrozumieliśmy, że łączą nas poglądy
00:25
by the ideas we shared before we ever met.
6
13316
2818
które podzielaliśmy,
nigdy się nie spotkawszy.
nigdy się nie spotkawszy.
00:28
And then we thought, you know, there are thousands
7
16134
1556
Stwierdziliśmy, że istnieją tysiące
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
innych prelekcji, zwłaszcza TEDx,
00:31
that are popping up all over the world.
9
19804
2211
pojawiających się na całym świecie.
00:34
How are they connected,
10
22015
923
Jak się łączą?
00:34
and what does that global conversation look like?
11
22938
2010
Jak wygląda globalna rozmowa?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
Sean opowie, jak do tego doszliśmy.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
Sean Gourley: Zebraliśmy
24 tys. prelekcji TEDx
24 tys. prelekcji TEDx
00:43
from around the world, 147 different countries,
14
31525
3046
ze 147 krajów całego świata,
00:46
and we took these talks and we wanted to find
15
34571
2123
chcąc poznać struktury matematyczne
00:48
the mathematical structures that underly
16
36694
2040
leżące u podstaw
00:50
the ideas behind them.
17
38734
1722
kryjących się za nimi idei.
00:52
And we wanted to do that so we could see how
18
40456
1370
Chcieliśmy sprawdzić,
00:53
they connected with each other.
19
41826
2053
jak są ze sobą połączone.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
Aby to zrobić,
00:57
you need a lot of data.
21
45555
956
potrzeba wielu danych.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
Mamy wspaniałe narzędzie: YouTube,
01:02
and we can go down and basically pull
23
50197
1768
skąd możemy wydobyć
01:03
all the open information from YouTube,
24
51965
2267
wszystkie dostępne informacje,
01:06
all the comments, all the views, who's watching it,
25
54232
2349
komentarze, wyświetlenia,
kto i gdzie je ogląda,
kto i gdzie je ogląda,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
co ludzie piszą w komentarzach.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
Dzięki tłumaczeniu mowy na tekst
01:14
we can pull the entire transcript,
28
62652
2128
możemy uzyskać transkrypcję.
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
Działa nawet w przypadku
śmiesznych akcentów, jak mój.
śmiesznych akcentów, jak mój.
01:19
So we can take their transcript
30
67460
2106
Możemy wziąć transkrypcję
01:21
and actually do some pretty cool things.
31
69566
2098
i zrobić fajne rzeczy.
01:23
We can take natural language processing algorithms
32
71664
2160
Można skorzystać z algorytmów
przetwarzania języka naturalnego,
przetwarzania języka naturalnego,
01:25
to kind of read through with a computer, line by line,
33
73824
2629
analizować tekst komputerowo,
linijka po linijce,
linijka po linijce,
01:28
extracting key concepts from this.
34
76453
2359
wydobywając kluczowe pojęcia.
01:30
And we take those key concepts and they sort of form
35
78812
2525
Te kluczowe pojęcia tworzą
01:33
this mathematical structure of an idea.
36
81337
3565
matematyczną strukturę idei,
01:36
And we call that the meme-ome.
37
84902
1757
którą nazywamy "memom".
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
Memom to po prostu
01:40
is the mathematics that underlies an idea,
39
88810
2426
matematyka będąca podstawą idei,
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
Pozwala przeprowadzić ciekawą analizę,
01:45
which I want to share with you now.
41
93168
1981
którą teraz przedstawię.
01:47
So each idea has its own meme-ome,
42
95149
2190
Każda idea ma swój memom,
01:49
and each idea is unique with that,
43
97339
1951
każdy memom jest niepowtarzalny,
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
ale idee zapożyczają od siebie,
01:53
they kind of steal sometimes,
45
101778
1184
czasami wręcz kradną,
01:54
and they certainly build on each other,
46
102962
1827
a z pewnością bazują na sobie.
01:56
and we can go through mathematically
47
104789
1616
Możemy je przejrzeć matematycznie,
01:58
and take the meme-ome from one talk
48
106405
1840
wybrać memom z jednej prelekcji
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
i porównać z memomami z innych prelekcji.
02:02
and if there's a similarity between the two of them,
50
110699
1973
Jeśli dwa z nich są podobne,
02:04
we can create a link and represent that as a graph,
51
112672
3250
możemy je połączyć i pokazać to graficznie.
02:07
just like Eric and I are connected.
52
115922
2394
Ja i Eric jesteśmy połączeni.
02:10
So that's theory, that's great.
53
118316
1394
Oto teoria.
02:11
Let's see how it works in actual practice.
54
119710
2526
Spójrzmy, jak działa w praktyce.
02:14
So what we've got here now is the global footprint
55
122236
2788
Oto globalny schemat
02:17
of all the TEDx Talks over the last four years
56
125024
2293
prelekcji TEDx z ostatnich 4 lat,
02:19
exploding out around the world
57
127317
1550
wygłaszanych na całym świecie
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
od Nowego Jorku po Nową Zelandię.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
Przeanalizowaliśmy jedną czwartą
02:28
and we started to see where the connections occurred,
60
136031
2534
i zaczęliśmy dostrzegać powiązania,
02:30
where they connected with each other.
61
138565
1537
miejsca połączeń.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
Cameron Russell mówiąca o urodzie
02:33
connected over into Europe.
63
141976
1575
zaprowadziła nas do Europy.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
Dialog na temat Izraela i Palestyny
02:37
radiating outwards from the Middle East.
65
145963
2255
promieniuje z Bliskiego Wschodu.
02:40
And we've got something a little broader
66
148218
1298
Mamy też coś szerszego
02:41
like big data with a truly global footprint
67
149516
2156
jak "big data" o globalnym zasięgu,
02:43
reminiscent of a conversation
68
151672
2179
co przypomina rozmowę
02:45
that is happening everywhere.
69
153851
2016
prowadzoną na całym świecie.
02:47
So from this, we kind of run up against the limits
70
155867
2173
Napotkaliśmy ograniczenia
02:50
of what we can actually do with a geographic projection,
71
158040
2530
odwzorowania kartograficznego,
02:52
but luckily, computer technology allows us to go out
72
160570
2052
ale komputery pozwalają nam wkroczyć
02:54
into multidimensional space.
73
162622
1546
w przestrzeń wielowymiarową.
02:56
So we can take in our network projection
74
164168
1875
Odwzorowanie sieci
02:58
and apply a physics engine to this,
75
166043
1750
poddajemy prawom fizyki
02:59
and the similar talks kind of smash together,
76
167793
1885
i podobne prelekcje zbliżają się do siebie,
03:01
and the different ones fly apart,
77
169678
2004
a odmienne oddalają się.
03:03
and what we're left with is something quite beautiful.
78
171682
2072
Powstaje coś pięknego.
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
EB: Każdy węzeł to prelekcja.
03:08
they're linked if they share similar ideas,
80
176711
2589
Łączą się, jeśli komunikują podobne idee.
03:11
and that comes from a machine reading
81
179300
2084
To pochodzi z odczytu komputerowego
03:13
of entire talk transcripts,
82
181384
2067
transkrypcji całych prelekcji.
03:15
and then all these topics that pop out,
83
183451
2231
Wszystkie pojawiające się tematy
03:17
they're not from tags and keywords.
84
185682
1790
nie pochodzą z tagów czy słów kluczowych.
03:19
They come from the network structure
85
187472
1725
Pochodzą ze struktury sieciowej
03:21
of interconnected ideas. Keep going.
86
189197
2168
połączonych ze sobą idei.
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
SG: Trochę się zapędziłem,
03:25
but he's going to slow me down.
88
193387
1475
ale on mnie przyhamuje.
03:26
We've got education connected to storytelling
89
194862
2034
Wykształcenie łączy się
z opowiadaniem historii,
z opowiadaniem historii,
03:28
triangulated next to social media.
90
196896
1643
a to z mediami społecznościowymi.
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
Mózg ludzki łączy się z opieką zdrowotną,
03:33
which you might expect,
92
201014
1386
co dość oczywiste,
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
ale też z grami komputerowymi,
03:36
as those two spaces interface with each other.
94
204795
2740
te dwie sfery łączą się ze sobą.
03:39
But I want to take you into one cluster
95
207535
1535
Pokażę teraz skupisko
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
szczególnie dla mnie ważne: środowisko.
03:43
And I want to kind of zoom in on that
97
211938
1493
Powiększę trochę obraz
03:45
and see if we can get a little more resolution.
98
213431
2363
i zwiększę rozdzielczość.
03:47
So as we go in here, what we start to see,
99
215794
2347
Znów poddam je prawom fizyki.
03:50
apply the physics engine again,
100
218141
1504
Znów poddam je prawom fizyki.
03:51
we see what's one conversation
101
219645
1676
Widać, że jedna rozmowa
03:53
is actually composed of many smaller ones.
102
221321
2560
składa się z wielu mniejszych.
03:55
The structure starts to emerge
103
223881
1929
Wyłania się struktura,
03:57
where we see a kind of fractal behavior
104
225810
2070
w której widać fraktalne zachowanie
03:59
of the words and the language that we use
105
227880
1619
słów i języka używanych
04:01
to describe the things that are important to us
106
229499
1702
do opisania kwestii ważnych
04:03
all around this world.
107
231201
1433
na całym świecie.
04:04
So you've got food economy and local food at the top,
108
232634
2332
Na górze gospodarka żywnościowa
i lokalna żywność,
i lokalna żywność,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
gazy cieplarniane, odpady energetyczne i jądrowe.
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
Otrzymujemy szereg mniejszych rozmów,
04:12
each connected to each other through the ideas
111
240316
2301
każdą łączą z innymi wspólne idee
04:14
and the language they share,
112
242617
1301
wspólny język,
04:15
creating a broader concept of the environment.
113
243918
2450
tworząc szersze pojęcie środowiska.
04:18
And of course, from here, we can go
114
246368
1532
Powiększamy obraz
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
i sprawdzamy, co oglądają młodzi ludzie.
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
Interesuje ich energetyka i reakcja termojądrowa.
04:25
This is their kind of resonance
117
253779
1674
To ich odpowiedź
04:27
for the conversation around the environment.
118
255453
2406
na rozmowę o środowisku.
04:29
If we split along gender lines,
119
257859
1899
Jeśli podzielimy to według płci,
04:31
we can see females resonating heavily
120
259758
1987
widać, że kobiety silnie reagują
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
na temat gospodarki żywnościowej,
ale z nadzieją i optymizmem.
ale z nadzieją i optymizmem.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
Możemy zrobić wiele ciekawych rzeczy.
04:39
and I'll throw to Eric for the next part.
123
267872
1762
Przekazuję pałeczkę Ericowi.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
EB: Chcę zauważyć,
04:43
you cannot get this kind of perspective
125
271236
1538
że nie można uzyskać takiej perspektywy
04:44
from a simple tag search on YouTube.
126
272774
3360
przeglądając tagi na YouTube.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
Spójrzmy na rozmowę globalną,
04:52
out of environment, and look at all the talks together.
128
280322
2534
nie tylko środowisko,
ale wszystkie prelekcje jednocześnie.
ale wszystkie prelekcje jednocześnie.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
Gdy mamy przed sobą tyle treści,
04:57
we do a couple of things to simplify it.
130
285783
2431
staramy się je uprościć.
05:00
We might just say, well,
131
288214
1314
Zobaczmy na przykład,
05:01
what are the most popular talks out there?
132
289528
2829
które prelekcje są najpopularniejsze?
05:04
And a few rise to the surface.
133
292357
1397
Kilka wypłynie do góry.
05:05
There's a talk about gratitude.
134
293754
1828
Prelekcja o wdzięczności.
05:07
There's another one about personal health and nutrition.
135
295582
3344
O zdrowiu osobistym i odżywianiu.
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
Oczywiście, jedna o pornografii.
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
Można stwierdzić,
że wdzięczność wyszła z mody.
że wdzięczność wyszła z mody.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
Co jest modne teraz?
Jaka prelekcja jest popularna?
Jaka prelekcja jest popularna?
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
Gorącym obecnie tematem
05:22
is about digital privacy.
140
310932
2666
jest prywatność cyfrowa.
05:25
So this is great. It simplifies things.
141
313598
1693
To ułatwia sprawę.
05:27
But there's so much creative content
142
315291
1827
Sporo treści pogrzebanych jest na dnie.
05:29
that's just buried at the bottom.
143
317118
1921
Sporo treści pogrzebanych jest na dnie.
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
Fatalnie. Jak przesunąć do góry treści,
05:34
that's maybe really creative and interesting?
145
322357
2458
które są twórcze i ciekawe?
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
Możemy wrócić do struktury sieciowej idei.
05:39
to do that.
147
327746
1430
Możemy wrócić do struktury sieciowej idei.
05:41
Remember, it's that network structure
148
329176
2114
To struktura sieciowa
05:43
that is creating these emergent topics,
149
331290
2268
tworzy nowe tematy.
05:45
and let's say we could take two of them,
150
333558
1515
Weźmy miasta i genetykę,
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
zobaczmy, czy istnieją prelekcje,
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
które twórczo łączą te dwie dyscypliny.
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
Taki kreatywny remiks
05:54
is one of the hallmarks of innovation.
154
342964
1840
jest jedną z oznak innowacji.
05:56
Well here's one by Jessica Green
155
344804
1606
Oto prelekcja Jessiki Green
05:58
about the microbial ecology of buildings.
156
346410
2379
o drobnoustrojach w budynkach.
06:00
It's literally defining a new field.
157
348789
2010
Tworzy to nową dziedzinę badań.
06:02
And we could go back to those topics and say, well,
158
350799
2103
Wróćmy do tych tematów i sprawdźmy,
06:04
what talks are central to those conversations?
159
352902
2768
które prelekcje są osią rozmów?
06:07
In the cities cluster, one of the most central
160
355670
1690
W grupie miast jedną z najważniejszych
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
jest prelekcja Mitcha Joachima
o ekologicznych miastach,
o ekologicznych miastach,
06:13
and in the genetics cluster,
162
361312
1720
a w grupie genetyki
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
prelekcja Craiga Ventera
o biologii syntetycznej.
o biologii syntetycznej.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
Te prelekcje są łącznikiem dla wielu prelekcji
w danych dyscyplinach.
w danych dyscyplinach.
06:21
We could go the other direction and say, well,
165
369578
1843
Możemy pójść w drugą stronę i sprawdzić,
06:23
what are talks that are broadly synthesizing
166
371421
2272
które prelekcje syntetyzują
06:25
a lot of different kinds of fields.
167
373693
1448
wiedzę z różnych dziedzin.
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
Wykorzystaliśmy miarę zróżnicowania ekologicznego.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
Prelekcja Stevena Pinkera o historii przemocy,
06:32
very synthetic.
170
380410
1180
bardzo syntetyczna.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
Są prelekcje tak wyjątkowe,
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
że zajmują wyjątkowe miejsce w stratosferze idei.
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
Nazywamy to wskaźnikiem Colleen Flanagan.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
Colleen jest artystką.
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
Spytałem ją: "Jak to jest, być w stratosferze idei?".
06:45
in the stratosphere of our idea space?"
176
393849
1672
Spytałem ją: "Jak to jest, być w stratosferze idei?".
06:47
And apparently it smells like bacon.
177
395521
3255
Podobno pachnie bekonem.
06:50
I wouldn't know.
178
398776
1791
Nie wiem.
06:52
So we're using these network motifs
179
400567
2248
Korzystamy z tych wzorów sieciowych,
06:54
to find talks that are unique,
180
402815
1186
aby znaleźć wyjątkowe prelekcje,
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
które kreatywnie syntetyzują wiele dziedzin.
06:58
ones that are central to their topic,
182
406711
1659
Najważniejsze w swoim temacie.
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
i takie, które twórczo łączą odmienne dziedziny.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
Nie znaleźlibyśmy ich szukając tylko tego,
07:05
with what's trending now.
185
413846
2313
co jest modne dzisiaj.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
Wszystko to jest efektem architektury złożoności
07:11
or the patterns of how things are connected.
187
419045
2960
lub wzorów połączeń.
07:14
SG: So that's exactly right.
188
422005
1625
SG: Masz rację.
07:15
We've got ourselves in a world
189
423630
2479
Żyjemy w niesamowicie złożonym świecie,
07:18
that's massively complex,
190
426109
2044
Żyjemy w niesamowicie złożonym świecie,
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
Wykorzystujemy algorytmy,
aby go trochę przefiltrować,
aby go trochę przefiltrować,
07:23
so we can navigate through it.
192
431020
1786
by móc się po nim poruszać.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
Algorytmy są przydatne,
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
ale są także bardzo wąskie,
a możemy stworzyć lepsze.
a możemy stworzyć lepsze.
07:30
because we can realize that their complexity is not random.
195
438620
2566
Ich złożoność nie jest przypadkowa.
07:33
It has mathematical structure,
196
441186
1954
Ma strukturę matematyczną,
07:35
and we can use that mathematical structure
197
443140
1803
którą możemy wykorzystać,
07:36
to go and explore things like the world of ideas
198
444943
2214
by odkrywać choćby świat idei,
07:39
to see what's being said, to see what's not being said,
199
447157
3000
by sprawdzić, o czym się mówi,
a o czym nie,
a o czym nie,
07:42
and to be a little bit more human
200
450157
1407
by być trochę bardziej ludzkim
07:43
and, hopefully, a little smarter.
201
451564
1867
i mądrzejszym, miejmy nadzieję.
07:45
Thank you.
202
453431
966
Dziękuję.
07:46
(Applause)
203
454397
4220
(Brawa)
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