TED2007
Jonathan Harris: The Web's secret stories
Jonathan Harris e as histórias secretas da Web
Filmed:
Readability: 3.9
1,153,906 views
Jonathan Harris busca dar sentido ao mundo emocional da Web. Com grande compaixão pela condição humana, seus projetos varrem a Internet para descobrir que todos nós estamos sentindo e procurando.
Jonathan Harris - Artist, storyteller, Internet anthropologist
Artist and computer scientist Jonathan Harris makes online art that captures the world's expression -- and gives us a glimpse of the soul of the Internet. Full bio
Artist and computer scientist Jonathan Harris makes online art that captures the world's expression -- and gives us a glimpse of the soul of the Internet. Full bio
Double-click the English transcript below to play the video.
00:25
So I really consider myself a storyteller.
0
0
4000
Eu realmente me considero um contador de histórias.
00:29
But I don't really tell stories in the usual way,
1
4000
4000
Mas na verdade eu não conto histórias da maneira convencional,
00:33
in the sense that I don't usually tell my own stories.
2
8000
3000
pois geralmente não são minhas as histórias que conto.
00:37
Instead, I'm really interested in building tools that allow
3
12000
2000
Em vez disso, interesso-me, na verdade, em desenvolver ferramentas que permitam
00:39
large numbers of other people to tell their stories,
4
14000
4000
a um grande número de outras pessoas contar suas histórias,
00:43
people all around the world.
5
18000
1000
pessoas ao redor do mundo.
00:45
I do this because I think that people actually have a lot in common.
6
20000
4000
Faço isso porque acho que as pessoas têm muito em comum.
00:49
I think people are very similar,
7
24000
1000
Acho que as pessoas são muito parecidas,
00:51
but I also think that we have trouble seeing that.
8
26000
2000
mas também acho que temos dificuldade em ver isso.
00:54
You know, as I look around the world I see a lot of gaps,
9
29000
3000
Sabe, quando olho para o mundo à nossa volta vejo muitas diferenças,
00:57
and I think we all see a lot of gaps.
10
32000
1000
acho que todos nós vemos muitas diferenças.
00:59
And we define ourselves by our gaps.
11
34000
2000
E definimos a nós mesmos pelas nossas diferenças.
01:02
There's language gaps,
12
37000
1000
Há diferenças linguísticas,
01:04
there's ethnicity and racial gaps, there's age gaps,
13
39000
4000
diferenças étnicas e raciais, diferenças etárias,
01:08
there's gender gaps, there's sexuality gaps,
14
43000
5000
diferenças de gênero, diferenças de sexualidade,
01:13
there's wealth and money gaps, there's education gaps,
15
48000
4000
diferenças de riqueza, diferenças de educação,
01:18
there's also religious gaps.
16
53000
2000
há também diferenças religiosas.
01:20
You know, we have all these gaps and I think we like our gaps
17
55000
2000
Sabe, temos todas essas diferenças e acho que gostamos delas
01:22
because they make us feel like we identify with something,
18
57000
3000
porque elas nos fazem sentir como se nos identificássemos com algo,
01:25
some smaller community.
19
60000
1000
uma comunidade menor.
01:26
But I think that actually, despite our gaps,
20
61000
2000
Mas acho que, na verdade, apesar de nossas diferenças,
01:29
we really have a lot in common.
21
64000
1000
temos muito em comum.
01:30
And I think one thing we have in common is a very deep need
22
65000
4000
E acho que algo que temos em comum é uma necessidade muito grande
01:35
to express ourselves.
23
70000
1000
de nos expressarmos.
01:36
I think this is a very old human desire. It's nothing new.
24
71000
5000
Acho que isso é um desejo humano muito antigo. Não há nada de novo nisso.
01:42
But the thing about self-expression
25
77000
1000
Mas o que acontece com a auto-expressão
01:43
is that there's traditionally been this imbalance
26
78000
2000
é que tradicionalmente há um desequilíbrio
01:45
between the desire that we have to express ourselves
27
80000
3000
entre o desejo que temos de nos expressar
01:48
and the number of sympathetic friends
28
83000
2000
e o número de amigos compreensivos
01:50
who are willing to stand around and listen.
29
85000
2000
dispostos a nos ouvir.
01:52
(Laughter)
30
87000
1000
(Risos)
01:54
This, also, is nothing new.
31
89000
2000
Isso também não é nada novo.
01:56
Since the dawn of human history, we've tried to rectify this imbalance
32
91000
3000
Desde a aurora da história humana, tentamos retificar esse desequilíbrio
01:59
by making art, writing poems, singing songs,
33
94000
4000
fazendo arte, compondo poemas, cantando canções,
02:03
scripting editorials and sending them in to a newspaper,
34
98000
3000
escrevendo editoriais e enviando-os a um jornal,
02:06
gossiping with friends. This is nothing new.
35
101000
2000
fofocando com os amigos. Não há nada de novo nisso.
02:08
What's new is that in the last several years
36
103000
2000
A novidade é que nesses últimos vários anos
02:10
a lot of these very traditional physical human activities,
37
105000
3000
muitas dessas atividades físicas e tradicionalmente humanas,
02:13
these acts of self-expression, have been moving onto the Internet.
38
108000
2000
esses atos de auto-expressão, tem migrado para a Internet.
02:16
And as that's happened, people have been leaving behind footprints,
39
111000
3000
E à medida que isso acontece, as pessoas deixam pegadas,
02:20
footprints that tell stories of their moments of self-expression.
40
115000
3000
pegadas que contam histórias de seus momentos de auto-expressão.
02:24
And so what I do is, I write computer programs
41
119000
3000
E então o que eu faço é, eu desenvolvo programas de computador
02:27
that study very large sets of these footprints,
42
122000
3000
que estudam grandes grupos dessas pegadas,
02:30
and then try to draw conclusions about the people who left them --
43
125000
3000
e então tentam chegar a conclusões acerca das pessoas que as deixaram –
02:34
what they feel, what they think,
44
129000
1000
o que sentem, o que pensam,
02:36
what's different in the world today than usual,
45
131000
2000
o que há de diferente e fora do comum no mundo de hoje.
02:39
these sorts of questions.
46
134000
1000
Esse tipo de questionamento.
02:41
One project that explores these ideas,
47
136000
1000
Um projeto que explora essas ideias,
02:43
which was made about a year ago,
48
138000
1000
feito há cerca de um ano,
02:44
is a piece called We Feel Fine.
49
139000
1000
é a ferramenta We Feel Fine.
02:45
This is a piece that every two or three minutes
50
140000
3000
Trata-se de um site que a cada dois ou três minutos
02:48
scans the world's newly-posted blog entries
51
143000
2000
varre postagens recém-publicadas em blogs do mundo inteiro
02:50
for occurrences of the phrases "I feel" or "I am feeling."
52
145000
5000
à procura de ocorrências das locuções “Eu sinto” ou “Eu estou sentindo”.
02:55
And when it finds one of those phrases,
53
150000
1000
E quando ele encontra uma dessas locuções,
02:56
it grabs the sentence up to the period,
54
151000
2000
ele captura a frase até o ponto final,
02:58
and then automatically tries to deduce the age, gender
55
153000
3000
e então automaticamente tenta deduzir a idade, sexo
03:01
and geographical location of the person that wrote that sentence.
56
156000
3000
e localização geográfica da pessoa que a escreveu.
03:05
Then, knowing the geographical location and the time,
57
160000
2000
Em seguida, sabendo a localização geográfica e o horário,
03:07
we can also then figure out the weather
58
162000
1000
também podemos descobrir o tempo que fazia
03:08
when that person wrote the sentence.
59
163000
2000
quando a pessoa escreveu a frase.
03:11
All of this information is saved in a database
60
166000
2000
Todas essas informações são salvas em um banco de dados
03:13
that collects about 20,000 feelings a day.
61
168000
2000
que coleta cerca de 20.000 sentimentos por dia.
03:15
It's been running for about a year and a half.
62
170000
2000
Está no ar há aproximadamente um ano e meio.
03:17
It's reached about seven-and-a-half million human feelings now.
63
172000
3000
Já alcançou cerca de sete e meio milhões de sentimentos humanos,
03:20
And I'll show you a glimpse
64
175000
1000
e darei a vocês uma amostra
03:21
of how this information is then visualized. So this is We Feel Fine.
65
176000
5000
de como toda essa informação é visualizada. Então, este é o We Feel Fine.
03:27
What you see here is a madly swarming mass of particles,
66
182000
4000
O que vocês veem aqui é uma massa de partículas enxameando desordenadamente,
03:31
each of which represents a single human feeling
67
186000
2000
cada uma delas representa um único sentimento humano
03:33
that was stated in the last few hours.
68
188000
2000
que foi declarado nas últimas horas.
03:36
The color of each particle corresponds to the type of feeling inside --
69
191000
3000
A cor de cada partícula corresponde ao tipo de sentimento que ela carrega –
03:39
so that happy, positive feelings are brightly colored.
70
194000
2000
de modo que sentimentos felizes e positivos têm cores fortes e brilhantes.
03:42
And sad, negative feelings are darkly colored.
71
197000
2000
E sentimentos tristes e negativos têm cores escuras.
03:44
The diameter of each dot
72
199000
2000
O diâmetro de cada ponto
03:46
represents the length of the sentence inside,
73
201000
2000
representa o tamanho da frase dentro dele,
03:48
so that the large dots contain large sentences,
74
203000
2000
de modo que os pontos grandes contêm frases longas,
03:50
and the small dots contain small sentences.
75
205000
2000
e pontos pequenos, frases curtas.
03:52
Any dot can be clicked and expanded. And we see here,
76
207000
3000
Qualquer ponto pode ser clicado e expandido. E temos aqui,
03:56
"I would just feel so much better
77
211000
1000
“Me sentiria tão melhor
03:57
if I could curl up in his arms right now and feel his affection for me
78
212000
3000
se pudesse acolher-me nos braços dele agora e sentir a afeição que ele tem por mim
04:00
in the embrace of his body and the tenderness of his lips."
79
215000
3000
no abraço de seu corpo e na ternura de seus lábios”.
04:03
So it gets pretty hot and steamy sometimes
80
218000
2000
Então, às vezes as coisas ficam bem quentes e fogosas
04:05
in the world of human emotions.
81
220000
2000
no mundo das emoções humanas.
04:07
And all of these are stated by people:
82
222000
3000
E tudo isso é declarado pelas pessoas:
04:10
"I know that objectively it really doesn't mean much,
83
225000
2000
“Sei que objetivamente isto não significa muito,
04:12
but after spending so many years as a small fish in a big pond,
84
227000
3000
mas depois de tantos anos como um peixinho em um grande lago,
04:15
it's nice to feel bigger again."
85
230000
2000
é bom sentir-me grande novamente.”
04:17
The dots exhibit human qualities. They kind of have their own physics,
86
232000
3000
Os pontos exibem qualidades humanas. Eles meio que têm sua própria física,
04:20
and they swarm wildly around, kind of exploring the world of life.
87
235000
4000
e enxameiam desordenadamente, meio que explorando o mundo da vida.
04:25
And then they also exhibit curiosity.
88
240000
1000
Sendo assim, também manifestam curiosidade.
04:26
You can see a few of them are swarming around the cursor right now.
89
241000
3000
Vocês podem ver que alguns deles estão enxameando ao redor do cursor agora.
04:29
You can see some other ones
90
244000
1000
Alguns outros
04:31
are swarming around the bottom left corner of the screen
91
246000
1000
estão enxameando na extremidade inferior esquerda da tela,
04:33
around six words. Those six words represent the six movements
92
248000
3000
ao redor de seis palavras. Aquelas seis palavras representam os seis modos de exibição
04:36
of We Feel Fine. We're currently seeing Madness.
93
251000
3000
do We Feel Fine. Neste momento estamos em Madness (Loucura).
04:39
There's also Murmurs, Montage, Mobs, Metrics and Mounds.
94
254000
4000
Também há Murmurs (Murmúrios), Montage (Montagem), Mobs (Multidão), Metrics (Métrica) e Mounds (Colinas).
04:43
And I'll walk you through a few of those now.
95
258000
2000
Vou guiá-los através de alguns agora.
04:45
Murmurs causes all of the feelings to fly to the ceiling.
96
260000
3000
Murmurs (Murmúrios) faz com que todos os sentimentos voem para o teto.
04:49
And then, one by one, in reverse chronological order,
97
264000
2000
E então, um por um, em ordem cronológica inversa,
04:51
they excuse themselves, entering the scrolling list of feelings.
98
266000
3000
eles pedem licença e entram na lista de sentimentos.
04:56
"I feel a bit better now."
99
271000
1000
“Sinto-me um pouco melhor agora.”
04:57
(Laughter)
100
272000
2000
(Risos)
05:00
"I feel confused and unsure of what the hell I want to do."
101
275000
2000
“Sinto-me confuso e inseguro acerca do que diabos quero fazer.”
05:03
"I feel gypped out of something awesome here."
102
278000
2000
“Sinto-me lesado devido a algo terrível aqui.”
05:06
"I feel so free; I feel so good."
103
281000
1000
“Sinto-me tão livre; Sinto-me tão bem.”
05:08
"I feel like I'm in this fog of depression that I can't get out of."
104
283000
3000
“Sinto-me como se estivesse em uma onda de depressão da qual não consigo sair.”
05:11
And you can click any of these to go out and visit the blog
105
286000
2000
E você pode clicar em qualquer uma dessas frases para visitar o blog
05:13
from which it was collected. And in that way,
106
288000
2000
de onde ela foi retirada. Assim
05:15
you can connect with the authors of these statements
107
290000
2000
vocês podem ter contato com os autores das frases,
05:18
if you feel some degree of empathy.
108
293000
1000
se sentirem algum grau de empatia.
05:20
The next movement is called Montage.
109
295000
2000
O próximo modo chama-se Montage (Montagem).
05:22
Montage causes all of the feelings that contain photographs
110
297000
3000
Montage (Montagem) faz com que todos os sentimentos acompanhados de fotografias
05:25
to become extracted and display themselves in a grid.
111
300000
3000
se expandam e sejam exibidos em uma grade.
05:29
This grid is then said to represent the picture of the world's feelings
112
304000
4000
Diz-se então que essa grade é uma representação dos sentimentos do mundo
05:33
in the last few hours, if you will.
113
308000
1000
declarados nas últimas horas, se assim podemos considerá-la.
05:34
Each of these can be clicked and we can blow it up.
114
309000
3000
Podemos então clicar em cada uma delas para então ampliá-las.
05:37
We see, "I just feel like I'm not going to have fun
115
312000
3000
Vejamos, “Apenas sinto que não vou me divertir
05:40
if it's not the both of us." That was from someone in Michigan.
116
315000
4000
se não estivermos juntos.” Essa foi de alguém em Michigan.
05:46
We see, "I feel like I have been at a computer all day."
117
321000
4000
Vejamos, “Sinto-me como alguém que esteve no computador o dia inteiro”.
05:50
(Laughter)
118
325000
1000
(Risos)
05:53
These are automatically constructed using the found objects:
119
328000
3000
Isto é feito automaticamente a partir dos objetos encontrados:
05:56
"I think I feel a little full."
120
331000
2000
“Acho que me sinto um pouco cheio”.
06:00
The next movement is called mobs.
121
335000
1000
O próximo modo chama-se Mobs (Multidão).
06:01
Mobs provides different statistical breakdowns
122
336000
2000
Mobs (Multidão) fornece dados estatísticos
06:03
of the population of the world's feelings in the last few hours.
123
338000
3000
da população de sentimentos do mundo declarados nas últimas horas.
06:06
We see that "better" is the most frequent feeling right now,
124
341000
2000
Vemos aqui que “melhor” é o sentimento mais frequente no momento,
06:08
followed by "good," "bad," "guilty," "right," "down," "sick" and so on.
125
343000
4000
seguido de bem, mal, culpado, certo, para baixo, doente e por aí vai.
06:13
We can also get a gender breakdown.
126
348000
1000
Também podemos acessar dados referentes ao gênero.
06:14
And we see that women are slightly more prolific
127
349000
2000
E podemos ver que as mulheres são um pouco mais prolíficas
06:16
talking about their emotions in the last few hours than men.
128
351000
2000
conversando sobre suas emoções nas últimas horas que os homens.
06:20
We can do an age breakdown, which gives us a histogram
129
355000
2000
Podemos acessar dados etários, que nos dão um histograma
06:22
of the world's emotional distribution by age.
130
357000
2000
da distribuição de emoções no mundo por idade.
06:25
We see people in their twenties are the most prolific,
131
360000
3000
Vemos que pessoas na casa dos vinte anos são as mais prolíficas,
06:28
followed by teenagers, and then people in their thirties,
132
363000
2000
seguidos dos adolescentes, e por aqueles na casa dos trinta,
06:30
and it dies out very quickly from there.
133
365000
1000
até se extinguir bem rápido a partir daí.
06:32
In weather, the feelings assume the physical characteristics
134
367000
4000
Em tempo, os sentimentos assumem as características físicas
06:36
of the weather that they represent,
135
371000
1000
do clima que representam,
06:37
so that the ones collected on a sunny day
136
372000
2000
de modo que os que foram coletados num dia ensolarado
06:39
swirl around as if they're part of the sun.
137
374000
2000
giram como se fossem parte do sol.
06:41
The cloudy ones float along as if they're on a breeze.
138
376000
2000
Os de tempo nublado flutuam como se estivessem sendo levados pela brisa.
06:44
The rainy ones fall down as if they're in a rainstorm,
139
379000
2000
Os de tempo chuvoso caem como numa tempestade,
06:46
and the snowy ones kind of flutter to the ground.
140
381000
2000
e os coletados enquanto estava nevando meio que caem se estremecendo até atingirem o chão.
06:49
Finally, location causes the feelings to move to their positions
141
384000
3000
Por fim, location (localização) faz com que os sentimentos movam-se para suas posições
06:52
on a world map showing the geographical distribution of feelings.
142
387000
3000
no mapa-múndi, mostrando a distribuição geográfica dos sentimentos.
06:57
Metrics provides more numerical views on the data.
143
392000
2000
Metrics (Métrica) fornece visualizações mais numéricas dos dados.
06:59
We see that the world is feeling "used"
144
394000
1000
Vemos que o mundo está se sentindo usado
07:00
at 3.3 times the normal level right now.
145
395000
3000
3.3 vezes mais que o normal agora.
07:03
(Laughter)
146
398000
3000
(Risos)
07:06
They're feeling "warm" at 2.9 times the normal level, and so on.
147
401000
4000
Eles estão se sentindo aquecidos 2.9 vezes mais que o normal, e por aí vai.
07:10
Other views are also available.
148
405000
1000
Outras visualizações também são possíveis.
07:11
Here are gender, age, weather, location.
149
406000
2000
Aqui temos sexo, idade, clima, localização.
07:13
The final movement is called Mounds.
150
408000
2000
O modo final chama-se Mounds (Colinas).
07:15
It's a bit different from the others.
151
410000
1000
É um pouco diferente dos outros.
07:16
Mounds visualizes the entire dataset as large, gelatinous blobs
152
411000
4000
Mounds (Colinas) agrupa todo o conjunto de dados sob a forma de grandes bolhas gelatinosas
07:20
which kind of jiggle.
153
415000
1000
que meio que se sacodem. pessoas que se sentem “escorregadias”, “nauseadas”, “responsáveis.”
07:22
And if I hold down my cursor, they do a little dance.
154
417000
2000
E se desço o cursor, elas fazem uma espécie de dancinha.
07:25
We see "better" is the most frequent feeling, followed by "bad."
155
420000
3000
Vemos que “melhor” é o sentimento mais frequente, seguido de “mal”.
07:28
And then if I go over here, the list begins to scroll,
156
423000
3000
E se você for aqui, a lista começa a rolar,
07:31
and there are actually thousands of feelings that have been collected.
157
426000
2000
e há na verdade milhares de sentimentos que foram coletados.
07:33
You can see the little pink cursor moving along,
158
428000
2000
Vejam que o pequeno cursor rosa se movendo
07:35
representing our position.
159
430000
1000
representa a posição onde estamos.
07:37
Here we see people that feel "slipping," "nauseous," "responsible."
160
432000
4000
Aqui temos pessoas que se sentem “escorregadias”, “nauseadas”, “responsáveis.”
07:41
There's also a search capability,
161
436000
1000
Também há uma ferramenta de pesquisa,
07:42
if you're interested in finding out about a certain population.
162
437000
2000
se você estiver interessado em saber mais sobre uma dada população.
07:45
For instance, you could find women who feel "addicted"
163
440000
2000
Por exemplo, você pode encontrar mulheres na casa dos vinte que se sentem “viciadas”,
07:47
in their 20s when it was cloudy in Bangladesh.
164
442000
4000
em Bangladesh, enquanto estava nublado.
07:51
(Laughter)
165
446000
4000
(Risos)
07:55
But I'll spare you that.
166
450000
1000
Mas vou poupá-los disso.
07:56
So here are some of my favorite montages that have been collected:
167
451000
3000
Então aqui estão algumas de minhas montagens favoritas:
08:00
"I feel so much of my dad alive in me that there isn't even room for me."
168
455000
3000
“Sinto tanto do meu pai vivo em mim que não há sequer espaço para mim mesmo.”
08:05
"I feel very lonely."
169
460000
2000
“Sinto-me muito só.”
08:09
"I need to be in some backwoods redneck town
170
464000
2000
“Preciso estar em uma cidade afastada, no interior,
08:11
so that I can feel beautiful."
171
466000
2000
para sentir-me bonita.”
08:16
"I feel invisible to you."
172
471000
1000
“Sinto-me invisível para você.”
08:19
"I wouldn't hide it if society didn't make me feel like I needed to."
173
474000
3000
“Eu não esconderia se a sociedade não me fizesse sentir como se eu devesse esconder.”
08:25
"I feel in love with Carolyn." "I feel so naughty."
174
480000
4000
“Sinto-me apaixonado por Carolyn.” “Sinto-me tão levada.”
08:32
"I feel these weirdoes are actually an asset to college life."
175
487000
3000
“Sinto que esses tipos esquisitos são, na verdade, essenciais para a vida na universidade.”
08:35
(Laughter)
176
490000
4000
(Risos)
08:39
"I love how I feel today."
177
494000
1000
“Amo a maneira como estou me sentindo hoje”
08:42
So as you can see, We Feel Fine uses a technique
178
497000
2000
Então como vocês podem ver, We Feel Fine utiliza uma técnica
08:44
that I call "passive observation."
179
499000
1000
que chamo de “observação passiva.”
08:45
What I mean by that is that it passively observes people
180
500000
3000
O que quero dizer com isso é que ele observa passivamente as pessoas
08:48
as they live their lives. It scans the world's blogs
181
503000
4000
enquanto elas vivem suas vidas. Ele varre os blogs do mundo
08:52
and looks at what people are writing,
182
507000
1000
e observa o que as pessoas estão escrevendo,
08:53
and these people don't know they're being watched or interviewed.
183
508000
3000
e essas pessoas não sabem que estão sendo vigiadas ou entrevistadas.
08:56
And because of that,
184
511000
1000
E assim,
08:57
you end up getting very honest, candid, sincere responses
185
512000
3000
você acaba tendo acesso a reações muito honestas, francas e sinceras
09:00
that are often very moving.
186
515000
1000
que, com frequência, são muito tocantes.
09:02
And this is a technique that I usually prefer in my work
187
517000
2000
E essa é uma técnica a que geralmente dou preferência em meu trabalho,
09:04
because people don't know they're being interviewed.
188
519000
2000
pois as pessoas não sabem que estão sendo entrevistadas.
09:06
They're just living life, and they end up just acting like that.
189
521000
3000
Estão apenas vivendo a vida – e acabam apenas agindo dessa forma.
09:10
Another technique is directly questioning people.
190
525000
2000
Outra técnica é simplesmente fazer perguntas às pessoas.
09:12
And this is a technique that I explored in a different project,
191
527000
2000
E essa é uma técnica que exploro em um projeto diferente,
09:14
the Yahoo! Time Capsule,
192
529000
1000
a Cápsula do Tempo Yahoo!,
09:15
which was designed to take a fingerprint of the world in 2006.
193
530000
4000
que foi desenvolvida para tirar uma impressão digital do mundo no ano de 2006.
09:20
It was divided into ten very simple themes --
194
535000
2000
Foi dividia em dez temas muito simples –
09:22
love, anger, sadness and so on --
195
537000
2000
amor, raiva, tristeza e assim por diante –
09:24
each of which contained a single, very open-ended question
196
539000
2000
cada tema continha uma única pergunta bastante ampla:
09:26
put to the world: What do you love? What makes you angry?
197
541000
3000
O que você ama? O que te faz ter raiva?
09:29
What makes you sad? What do you believe in? And so on.
198
544000
2000
O que te deixa triste? Em quê você acredita? E assim por diante.
09:31
The time capsule was available for one month online,
199
546000
2000
A cápsula do tempo ficou disponível on-line por um mês,
09:33
translated into 10 languages, and this is what it looked like.
200
548000
5000
traduzida em dez línguas, ela era assim.
09:38
It's a spinning globe,
201
553000
1000
É um globo em rotação,
09:39
the surface of which is entirely composed of the pictures
202
554000
3000
cuja superfície é inteiramente composta de figuras,
09:42
and words and drawings of people
203
557000
2000
palavras e desenhos de pessoas
09:44
that submitted to the time capsule.
204
559000
1000
que colaboraram com a cápsula do tempo.
09:46
The ten themes radiate out and orbit the time capsule.
205
561000
2000
Os dez temas se irradiam e giram na órbita da cápsula.
09:48
You can sift through this data and see what people have submitted.
206
563000
4000
Você pode analisar esses dados e averiguar o que as pessoas responderam.
09:52
This is in response to, What's beautiful? "Miss World."
207
567000
2000
Aqui temos uma resposta a “O que é bonito?” “A Miss Mundo”.
09:54
There are two modes to the time capsule.
208
569000
2000
Há duas modalidades para a cápsula do tempo.
09:56
There's One World, which presents the spinning globe,
209
571000
2000
Há One World (Um Mundo), que representa o globo em rotação,
09:58
and Many Voices, which splits the data out into film strips
210
573000
3000
e Many Voices (Muitas Vozes), que divide os dados em tiras de película
10:02
and lets you sift through them one by one.
211
577000
1000
e permite que você os analise um a um.
10:05
So this project was punctuated by a really amazing event,
212
580000
4000
Então, este projeto foi pontuado por um evento realmente incrível
10:09
which was held in the desert outside Albuquerque in New Mexico
213
584000
5000
que aconteceu no deserto, nas cercanias de Albuquerque no Novo México,
10:14
at the Jemez Pueblo, where for three consecutive nights,
214
589000
2000
no Jemez Pueblo, onde, por três noites consecutivas,
10:16
the contents of the capsule were projected onto the sides
215
591000
3000
o conteúdo da cápsula foi projetado nas paredes
10:19
of the ancient Red Rock Canyon walls,
216
594000
1000
do Red Rock Canyon,
10:21
which stand about 200 feet tall. It was really incredible.
217
596000
2000
que tem cerca de 70 metros de altura. Foi realmente incrível.
10:23
And we also projected the contents of the time capsule
218
598000
3000
Também projetamos o conteúdo da cápsula
10:26
as binary code using a 35-watt laser into outer space.
219
601000
3000
em forma de código binário em direção ao espaço, usando um laser de 35 watts.
10:29
You can see the orange line leaving the desert floor
220
604000
3000
Dá para ver a linha laranja saindo do solo do deserto
10:32
at about a 45 degree angle there. This was amazing
221
607000
2000
num ângulo de uns 45 graus bem ali. Isso foi fantástico,
10:34
because the first night I looked at all this information
222
609000
4000
pois na primeira noite, olhei para toda essa informação
10:38
and really started seeing the gaps that I talked about earlier --
223
613000
3000
e comecei a ver as diferenças de que falei anteriormente –
10:41
the differences in age, gender and wealth and so on.
224
616000
2000
diferenças de idade, sexo, riqueza e assim por diante.
10:44
But, you know, as I looked at this more and more and more,
225
619000
2000
Mas, sabe, enquanto olhava para tudo isso mais e mais e mais,
10:46
and saw these images go across the rocks,
226
621000
2000
e via essas imagens serem projetadas na face das rochas,
10:48
I realized I was seeing the same archetypal events
227
623000
2000
percebi que estava vendo os mesmos eventos arquetípicos
10:50
depicted again and again and again.
228
625000
2000
representados de novo e de novo e de novo.
10:52
You know: weddings, births, funerals, the first car, the first kiss,
229
627000
5000
Sabe: casamentos, nascimentos, funerais, o primeiro carro, o primeiro beijo,
10:57
the first camel or horse -- depending on the culture.
230
632000
3000
o primeiro camelo ou cavalo – dependendo da cultura.
11:00
And it was really moving. And this picture here was taken
231
635000
4000
Foi realmente tocante. Esta foto aqui foi tirada
11:04
the final night from a distant cliff about two miles away,
232
639000
3000
na última noite, de uma montanha a cerca de 3 quilômetros de distância,
11:07
where the contents of the capsule were being beamed into space.
233
642000
3000
quando o conteúdo da cápsula estava sendo projetado ao espaço.
11:10
And there was something very moving
234
645000
2000
E havia algo de muito tocante
11:12
about all of this human expression being shot off into the night sky.
235
647000
3000
em toda essa expressão humana atravessando o céu noturno.
11:15
And it started to make me think a lot about the night sky,
236
650000
3000
E tudo isso me fez pensar muito sobre o céu noturno,
11:18
and how humans have always used the night sky
237
653000
1000
e sobre como os humanos sempre utilizaram o céu noturno
11:19
to project their great stories.
238
654000
2000
para projetar suas grandes histórias.
11:21
You know, as a child in Vermont, on a farm where I grew up,
239
656000
3000
Sabe, quando criança em Vermont, na fazenda em que cresci,
11:24
I would often look up into the dark sky
240
659000
2000
eu costumava olhar para o céu escuro
11:26
and see the three star belt of Orion, the Hunter.
241
661000
2000
e ver as “Três Marias” do cinturão de Órion, o Caçador.
11:29
And as an adult, I've been more aware
242
664000
2000
E quando adulto, já compreendia mais
11:31
of the great Greek myths playing out in the sky overhead every night.
243
666000
3000
os grandes mitos gregos que são encenados no céu sobre nossas cabeças toda noite.
11:35
You know, Orion facing the roaring bull.
244
670000
2000
Sabe, Órion enfrentando o touro feroz.
11:37
Perseus flying to the rescue of Andromeda.
245
672000
2000
Perseu voando para salvar Andrômeda.
11:39
Zeus battling Chronos for control of Mount Olympus.
246
674000
3000
Zeus duelando com Chronos pelo domínio do Olimpo.
11:42
I mean, these are the great tales of the Greeks.
247
677000
2000
Enfim, essas são as grandes histórias dos gregos.
11:44
And it caused me to wonder about our world today.
248
679000
2000
E isso me fez pensar sobre o nosso mundo de hoje.
11:47
And it caused me to wonder specifically,
249
682000
2000
E me fez pensar especificamente,
11:49
if we could make new constellations today,
250
684000
2000
se pudéssemos fazer novas constelações hoje,
11:52
what would those look like? What would those be?
251
687000
2000
como elas seriam? O quê elas seriam?
11:54
If we could make new pictures in the sky, what would we draw?
252
689000
3000
Se pudéssemos fazer novas figuras no céu, o que desenharíamos?
11:57
What are the great stories of today?
253
692000
1000
Quais são as grandes histórias de hoje?
11:58
And those are the questions that inspired my new project,
254
693000
4000
E essas são as questões que inspiraram meu novo projeto,
12:02
which is debuting here today at TED.
255
697000
2000
que está estreando aqui hoje no TED.
12:04
Nobody's seen this yet, publicly.
256
699000
1000
Ninguém viu isso ainda, não publicamente.
12:06
It's called Universe: Revealing Our Modern Mythology.
257
701000
3000
Chama-se Universe, revela nossa mitologia moderna.
12:10
And it uses this metaphor of an interactive night sky.
258
705000
3000
E utiliza a metáfora de um céu noturno interativo.
12:13
So, it's my great pleasure now to show this to you.
259
708000
3000
Então, é um grande prazer mostrar-lhes isso agora.
12:16
So, Universe will open here.
260
711000
1000
Então, o Universe vai abrir aqui.
12:17
And you'll see that it leads with a shifting star field,
261
712000
4000
E vocês vão ver que ele começa com um campo estelar que se modifica constantemente,
12:22
and there's an Aurora Borealis in the background,
262
717000
2000
e há uma aurora boreal ao fundo,
12:24
kind of morphing with color. The color of the Aurora Borealis
263
719000
3000
meio que fazendo um efeito de morfagem com a cor. A cor da aurora boreal
12:27
can be controlled using this single bar of color at the bottom,
264
722000
3000
pode ser controlada a partir desta barra de cores no pé da página,
12:31
and we'll put it down here to red.
265
726000
2000
e vamos fazê-la ficar vermelha.
12:33
So you see this kind of -- these stars moving along.
266
728000
2000
Então, vejam aqui esta espécie de – estas estrelas se movimentando.
12:36
Now, these aren't just little points of light, little pixels.
267
731000
3000
Agora, estes não são apenas pequenos pontos de luz, pequenos pixels.
12:39
Each of those stars actually represents
268
734000
2000
Cada uma destas estrelas representa na verdade
12:41
a specific event in the real world --
269
736000
2000
um evento específico do mundo real –
12:44
a quote that was stated by somebody, an image,
270
739000
2000
uma citação feita por alguém, uma imagem,
12:47
a news story, a person, a company. You know,
271
742000
3000
uma história do noticiário, uma pessoa, uma empresa. Sabe,
12:50
some kind of heroic personality.
272
745000
2000
meio que uma personalidade heróica.
12:53
And you might notice that as the cursor begins
273
748000
2000
E vocês podem notar que, à medida que o cursor
12:55
to touch some of these stars, that shapes begin to emerge.
274
750000
4000
toca algumas destas estrelas, formas começam a emergir.
12:59
We see here there's a little man walking along, or maybe a woman.
275
754000
3000
Vemos aqui que há um homem baixo caminhando, ou talvez uma mulher.
13:02
And we see here a photograph with a head.
276
757000
4000
E vemos aqui, uma fotografia com uma cabeça.
13:07
You can start to see words emerging here.
277
762000
2000
Você começa a ver palavras emergindo aqui.
13:10
And those are
278
765000
1000
Essas são as constelações;
13:12
the constellations of today.
279
767000
1000
essas são as constelações de hoje.
13:14
And I can turn them all on,
280
769000
1000
E podemos fazer com que todas apareçam,
13:15
and you can see them moving across the sky now.
281
770000
2000
e você pode vê-las movimentando-se pelo céu agora.
13:18
This is the universe of 2007, the last two months.
282
773000
2000
Este é o universo de 2007, os últimos dois meses.
13:21
The data from this is global news coverage
283
776000
2000
Os dados vêm de coberturas jornalísticas
13:23
from thousands of news sources around the world.
284
778000
2000
de diversas fontes de notícias ao redor do mundo.
13:25
It's using the API of a really great company that I work with
285
780000
4000
A API utilizada é de uma grande empresa com a qual trabalho
13:29
in New York, actually, called Daylife.
286
784000
1000
em Nova York, a Daylife.
13:31
And it's kind of the zeitgeist view at this level
287
786000
3000
Trata-se meio que da visão do espírito de uma época focada
13:34
of the world's current mythology over the last couple of months.
288
789000
4000
no estágio atual da mitologia do mundo no que diz respeito aos últimos dois meses.
13:38
So we can see where it's emerging here, like President Ford,
289
793000
3000
Então podemos ver onde está emergindo aqui, como Presidente Ford,
13:42
Iraq, Bush. And we can actually isolate just the words --
290
797000
3000
Iraque, Bush. Podemos isolar as palavras –
13:45
I call them secrets -- and we can cause them to form
291
800000
2000
as chamo de “segredos” – podemos fazer com que formem
13:47
an alphabetical list. And we see Anna Nicole Smith
292
802000
3000
uma lista em ordem alfabética. E vemos Anna Nicole Smith
13:51
playing a big role recently.
293
806000
2000
desempenhando um grande papel recentemente.
13:53
President Ford -- this is Gerald Ford's funeral.
294
808000
3000
Presidente Ford – este é o funeral de Gerald Ford.
13:56
We can actually click anything in Universe
295
811000
3000
Podemos clicar em qualquer coisa no Universe
13:59
and have it become the center of the universe,
296
814000
1000
e fazer com que esta coisa se torne o centro do universo,
14:00
and everything else will enter its orbit.
297
815000
2000
e todo o resto vai entrar em sua órbita.
14:02
So, we'll click Ford, and now that becomes the center.
298
817000
3000
Então, clicamos em Ford, e agora ele vira o centro.
14:05
And the things that relate to Ford enter its orbit
299
820000
3000
E as coisas relacionadas a Ford entram em sua órbita
14:08
and swirl around it.
300
823000
1000
e giram ao redor dele.
14:10
We can isolate just the photographs, and we now see those.
301
825000
2000
Podemos separar apenas as fotografias, e agora as vemos aqui.
14:13
We can click on one of those
302
828000
1000
Podemos clicar em alguma delas
14:14
and have the photograph be the center of the universe.
303
829000
2000
e fazer com que a fotografia vire o centro do universo.
14:17
Now the things that relate to it are swirling around.
304
832000
3000
Agora as coisas relacionadas a ela estão girando ao seu redor.
14:20
We can click on this and we see this iconic image
305
835000
3000
Clicamos aqui e vemos essa imagem icônica
14:23
of Betty Ford kissing her husband's coffin.
306
838000
3000
de Betty Ford beijando o caixão de seu marido.
14:26
In Universe, there's kind of no end. It just goes infinitely,
307
841000
5000
Meio que não há fim no Universe. Ele segue infinitamente,
14:32
and you can just kind of click on stuff.
308
847000
1000
e você pode simplesmente sair clicando nas coisas.
14:34
This is a photographic representation, called Snapshots.
309
849000
4000
Este é um modo de exibição de fotografias, chamado Snapshots.
14:38
But we can actually be more specific in defining our universe.
310
853000
4000
Mas na verdade podemos ser mais específicos ao definir nosso universo.
14:42
So, if we want to,
311
857000
1000
Então, se quisermos,
14:43
let's check out what Bill Clinton's universe looks like.
312
858000
3000
podemos ver como é o universo do Bill Clinton.
14:46
And let's see, in the past week, what he's been up to.
313
861000
4000
E vejamos o que ele tem feito nesta última semana.
14:50
So now, we have a new universe, which is just constrained
314
865000
3000
Então, agora temos um novo universo, que se restringe
14:53
to all things Bill Clinton.
315
868000
1000
a coisas relacionadas ao Bill Cliton.
14:55
We can have his constellations emerge here.
316
870000
2000
Podemos fazer suas constelações emergirem aqui.
14:58
We can pull out his secrets,
317
873000
1000
Podemos acionar os segredos,
14:59
and we see that it has a lot to do with candidates,
318
874000
3000
e vemos que está tudo relacionado a candidatos,
15:02
Hillary, presidential, Barack Obama.
319
877000
3000
Hillary, presidencial, Barack Obama.
15:06
We can see the stories
320
881000
1000
Podemos ver as histórias
15:07
that Bill Clinton is taking part in right now.
321
882000
3000
que envolvem Bill Clinton neste momento.
15:10
Any of those can be opened up.
322
885000
2000
Qualquer uma delas pode ser aberta.
15:12
So we see Obama and the Clintons meet in Alabama.
323
887000
2000
Então vemos Obama e os Cliton encontram-se no Alabama.
15:15
You can see that this is an important story;
324
890000
1000
Vocês podem ver que esta é uma história importante;
15:16
there are a lot of things in its orbit. If we open this up,
325
891000
4000
há várias coisas em sua órbita. Se abrirmos isto,
15:20
we get different perspectives on this story.
326
895000
3000
chegamos a perspectivas diferentes sobre esta mesma história.
15:23
You can click any of those to go out and read the article
327
898000
2000
Você pode clicar em qualquer uma delas para ir à fonte e ler o artigo.
15:25
at the source. This one's from Al Jazeera.
328
900000
2000
Esta aqui é da Al Jazeera.
15:28
We can also see the superstars. These would be the people
329
903000
4000
Também podemos ver as superstars. Estas seriam as pessoas
15:32
that are kind of the looming heroes and heroines
330
907000
3000
que são meio que heróis e heroínas secundários
15:35
in the universe of Bill Clinton. So there's Bill Clinton, Hillary,
331
910000
3000
no universo de Bill Clinton. Então temos Bill Clinton, Hillary,
15:38
Iraq, George Bush, Barack Obama, Scooter Libby --
332
913000
4000
Iraque, George Bush, Barack Obama, Scooter Libby –
15:42
these are kind of the people of Bill Clinton.
333
917000
2000
estas são meio que as pessoas do Bill Clinton.
15:45
We can also see a world map, so this shows us the geographic reach
334
920000
4000
Também podemos ver um mapa-múndi, então isto nos mostra o alcance geográfico
15:49
of Bill Clinton in the last week or so.
335
924000
1000
do Bill Clinton na última semana, aproximadamente.
15:50
We can see he's been focused in America
336
925000
2000
Vemos que ele está concentrado nos Estados Unidos,
15:52
because he's been campaigning, probably,
337
927000
2000
provavelmente por estar fazendo campanha,
15:54
but a little bit of action over here in the Middle East.
338
929000
2000
mas há um pouquinho de atividade aqui no Oriente Médio.
15:56
And then we can also see a timeline.
339
931000
2000
E então também podemos ver uma linha do tempo.
15:58
So we see that he was a bit quiet on Saturday,
340
933000
3000
Então vemos que ele esteve um pouco quieto no sábado,
16:01
but he was back to work on Sunday morning,
341
936000
2000
mas voltou ao trabalho no domingo pela manhã,
16:03
and actually been tapering off since then this week.
342
938000
3000
e na verdade vem diminuindo o volume de trabalho desde então nesta semana.
16:06
And it's not limited to just people or dates,
343
941000
2000
Não se restringe a pessoas ou datas,
16:08
but we can actually put in concepts also.
344
943000
2000
mas podemos digitar conceitos também.
16:10
So if I put in climate change for all of 2006,
345
945000
3000
Então se eu colocar mudança climática para todo o ano de 2006,
16:14
we'll see what that universe looks like.
346
949000
2000
vamos ver como é esse universo.
16:16
Here we have our star field. Here we have our shapes.
347
951000
3000
Aqui temos nosso campo estelar, aqui temos as formas,
16:19
Here we have our secrets.
348
954000
2000
aqui temos os segredos.
16:22
So we see again, climate change is large:
349
957000
2000
Então vemos novamente, mudança climática é grande.
16:24
Nairobi, global conference, environmental.
350
959000
3000
Nairobi, conferência global, ambiental.
16:27
And there are also quotes that you can see,
351
962000
2000
E também há citações,
16:29
if you're interested in reading about quotes on climate change.
352
964000
2000
se você se interessar em ler citações sobre mudança climática.
16:31
You know, this is really an infinite thing.
353
966000
1000
É realmente algo infinito.
16:33
The superstars of climate change in 2006:
354
968000
2000
As superstars da mudança climática em 2006:
16:35
United States, Britain, China. You know,
355
970000
3000
Estados Unidos, Grã-Bretanha, China. Sabe,
16:38
these are the towering countries that kind of define this concept.
356
973000
3000
esses são os grandes países que meio que definem esse conceito.
16:41
So this is a piece that demands exploration.
357
976000
3000
Então é um programa que demanda ser explorado.
16:44
This will be online in several days, probably next Tuesday.
358
979000
4000
Isto vai estar on-line dentro de alguns dias, provavelmente na próxima terça-feira.
16:49
And you'll all be able to use it and kind of explore
359
984000
4000
E vocês poderão utilizá-lo e meio que explorar
16:53
what your own personal mythology might be.
360
988000
2000
o que devem ser suas próprias mitologias pessoais.
16:55
You'll notice that in Daylife -- rather, in Universe --
361
990000
3000
Vocês vão notar que a Daylife – melhor, o Universe,
16:58
it supports both the notion of a global mythology,
362
993000
2000
sustenta tanto a noção de uma mitologia global,
17:00
which is represented by something as broad as, say, 2007,
363
995000
3000
que é representada por algo tão vasto quanto, digamos, 2007,
17:03
and also a personal mythology.
364
998000
2000
quanto uma mitologia pessoal.
17:05
As you search for the things that are important to you in your world,
365
1000000
4000
À medida que procurarem por aquilo que é importante para vocês no mundo de vocês,
17:09
and then see what the constellations of those might look like.
366
1004000
3000
e então vão ver como as constelações dessas coisas devem ser.
17:13
So it's been a pleasure. Thank you very much.
367
1008000
3000
Foi um prazer. Muito obrigado. Obrigado
17:16
(Applause)
368
1011000
3000
(Aplausos)
ABOUT THE SPEAKER
Jonathan Harris - Artist, storyteller, Internet anthropologistArtist and computer scientist Jonathan Harris makes online art that captures the world's expression -- and gives us a glimpse of the soul of the Internet.
Why you should listen
Brooklyn-based artist Jonathan Harris' work celebrates the world's diversity even as it illustrates the universal concerns of its occupants. His computer programs scour the Internet for unfiltered content, which his beautiful interfaces then organize to create coherence from the chaos.
His projects are both intensely personal (the "We Feel Fine" project, made with Sep Kanvar, which scans the world's blogs to collect snapshots of the writers' feelings) and entirely global (the new "Universe," which turns current events into constellations of words). But their effect is the same -- to show off a world that resonates with shared emotions, concerns, problems, triumphs and troubles.
Jonathan Harris | Speaker | TED.com