ABOUT THE SPEAKERS
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.

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.

 

 

More profile about the speaker
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.

More profile about the speaker
Sean Gourley | Speaker | TED.com
TED2013

Eric Berlow and Sean Gourley: Mapping ideas worth spreading

Eric Berlow and Sean Gourley: Mapeando ideias que merecem ser divulgadas

Filmed:
1,131,373 views

Com o que se parecem 24 mil ideias? O ecólogo Eric Berlow e o físico Sean Gourley aplicam algoritmos para todo o arquivo de palestras TEDx, levando-nos em um estimulante tour visual para mostrar como as ideias conectam-se globalmente.
- Ecologist
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bio - 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: Eu sou ecólogo
e Sean é físico,
e nós dois estudamos redes complexas.
00:15
and we both study complex networks.
1
3623
2108
Nós nos conhecemos há alguns
anos quando descobrimos
00:17
And we met a couple years ago when we discovered
2
5731
1835
00:19
that we had both given a short TED Talk
3
7566
2000
que nós dois tínhamos
dado uma palestra curta no TED
00:21
about the ecology of war,
4
9566
2303
sobre a ecologia da guerra,
00:23
and we realized that we were connected
5
11869
1447
e percebemos que estávamos conectados
00:25
by the ideas we shared before we ever met.
6
13316
2818
pelas ideias que tínhamos
antes de nos conhecermos.
00:28
And then we thought, you know, there are thousands
7
16134
1556
E então pensamos, sabe, há milhares
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
de outras palestras por aí,
especialmente palestras TEDx,
00:31
that are popping up all over the world.
9
19804
2211
que estão surgindo por todo o mundo.
Como elas se conectam
00:34
How are they connected,
10
22015
923
00:34
and what does that global conversation look like?
11
22938
2010
e com o que se parece
essa conversa global?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
Então Sean vai lhes contar um pouco
sobre como nós fizemos isso.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
Sean Gourley: Exatamente. Nós pegamos
24 mil palestras TEDx
00:43
from around the world, 147 different countries,
14
31525
3046
de todo o mundo, 147 países diferentes,
00:46
and we took these talks and we wanted to find
15
34571
2123
e nós pegamos essas palestras
e nós queríamos achar
00:48
the mathematical structures that underly
16
36694
2040
as estruturas matemáticas que sustentavam
00:50
the ideas behind them.
17
38734
1722
as ideias por trás delas.
E queríamos fazer isso para ver
00:52
And we wanted to do that so we could see how
18
40456
1370
00:53
they connected with each other.
19
41826
2053
como elas se conectam entre si.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
E assim, claro, se você
vai fazer esse tipo de coisa,
00:57
you need a lot of data.
21
45555
956
você precisa de muitos dados.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
Então os dados que temos são
uma coisa enorme chamada YouTube,
01:02
and we can go down and basically pull
23
50197
1768
e nós podemos ir lá e basicamente extrair
01:03
all the open information from YouTube,
24
51965
2267
todas as informações livres do YouTube,
01:06
all the comments, all the views, who's watching it,
25
54232
2349
todos os comentários, visualizações,
quem está assistindo,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
de onde estão assistindo, o que
dizem nos comentários.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
Mas nós também podemos tirar,
usando tradução de voz para texto,
01:14
we can pull the entire transcript,
28
62652
2128
podemos tirar a transcrição integral,
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
e isso funciona mesmo com pessoas
com sotaques engraçados como eu.
01:19
So we can take their transcript
30
67460
2106
Então nós pegamos as transcrições
01:21
and actually do some pretty cool things.
31
69566
2098
e na realidade fizemos coisas bem legais.
01:23
We can take natural language processing algorithms
32
71664
2160
Podemos usar algoritmos
de processamento de linguagem natural
01:25
to kind of read through with a computer, line by line,
33
73824
2629
para meio que ler por meio
de um computador, linha por linha,
01:28
extracting key concepts from this.
34
76453
2359
extraindo conceitos chave do texto.
01:30
And we take those key concepts and they sort of form
35
78812
2525
E pegamos esses conceitos chave
e eles meio que formam
01:33
this mathematical structure of an idea.
36
81337
3565
essa estrutura matemática de uma ideia,
01:36
And we call that the meme-ome.
37
84902
1757
E nós o chamados de "meme-ome".
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
E o meme-ome, sabem, basicamente,
01:40
is the mathematics that underlies an idea,
39
88810
2426
é a matemática que fundamenta uma ideia,
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
e nós podemos fazer análises
muito interessantes com ela,
01:45
which I want to share with you now.
41
93168
1981
que é o que queremos
partilhar com vocês agora.
01:47
So each idea has its own meme-ome,
42
95149
2190
Então cada ideia tem sua própria meme-ome,
01:49
and each idea is unique with that,
43
97339
1951
e cada ideia é única em relação a ela,
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
mas é claro, ideias,
elas apropriam-se umas das outras,
elas roubam às vezes,
01:53
they kind of steal sometimes,
45
101778
1184
01:54
and they certainly build on each other,
46
102962
1827
e certamente dependem umas das outras,
01:56
and we can go through mathematically
47
104789
1616
e nós podemos analisar matematicamente
01:58
and take the meme-ome from one talk
48
106405
1840
e pegar o meme-ome de uma palestra
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
e compará-lo com o meme-ome
de todas as outras palestras,
02:02
and if there's a similarity between the two of them,
50
110699
1973
e se houver uma similaridade
entre duas delas,
02:04
we can create a link and represent that as a graph,
51
112672
3250
nós podemos criar uma conexão
e representá-la como um diagrama,
02:07
just like Eric and I are connected.
52
115922
2394
assim como Eric e eu estamos conectados.
02:10
So that's theory, that's great.
53
118316
1394
Essa é a teoria, ótimo.
02:11
Let's see how it works in actual practice.
54
119710
2526
Vamos ver como ela funciona na prática.
02:14
So what we've got here now is the global footprint
55
122236
2788
O que nós temos aqui é a cobertura global
02:17
of all the TEDx Talks over the last four years
56
125024
2293
de todas as palestras TEDx
ao longo dos últimos quatro anos
02:19
exploding out around the world
57
127317
1550
explodindo em todo o mundo
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
desde Nova Iorque até a parte
de baixo na Nova Zelândia no canto.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
E o que fizemos com isso
foi analisar os primeiros 25% delas,
02:28
and we started to see where the connections occurred,
60
136031
2534
e começamos a ver
onde as conexões aconteciam,
02:30
where they connected with each other.
61
138565
1537
onde elas se conectavam entre si.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
A palestra de Cameron Russell
sobre imagem e beleza
02:33
connected over into Europe.
63
141976
1575
conectou-se com a Europa.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
Nós temos uma discussão
maior sobre Israel e Palestina
02:37
radiating outwards from the Middle East.
65
145963
2255
irradiando para fora do Oriente Médio.
02:40
And we've got something a little broader
66
148218
1298
E temos algo um pouco mais amplo,
02:41
like big data with a truly global footprint
67
149516
2156
como "big data" com uma cobertura
realmente global
02:43
reminiscent of a conversation
68
151672
2179
relacionado a uma conversa
02:45
that is happening everywhere.
69
153851
2016
que está acontecendo em todos os lugares.
02:47
So from this, we kind of run up against the limits
70
155867
2173
Então a partir disso, nós chegamos nos limites
02:50
of what we can actually do with a geographic projection,
71
158040
2530
daquilo que podemos realmente
fazer com a projeção geográfica,
02:52
but luckily, computer technology allows us to go out
72
160570
2052
mas felizmente a tecnologia
computacional nos permite sair
02:54
into multidimensional space.
73
162622
1546
para o espaço multidimensional.
02:56
So we can take in our network projection
74
164168
1875
Assim nós podemos
pegar nossa projeção de rede
02:58
and apply a physics engine to this,
75
166043
1750
e aplicar um mecanismo de física a ela,
02:59
and the similar talks kind of smash together,
76
167793
1885
e as palestras similares
tipo que se fragmentam juntas,
03:01
and the different ones fly apart,
77
169678
2004
e as diferentes se separam,
03:03
and what we're left with is something quite beautiful.
78
171682
2072
e o que nos resta é algo muito bonito.
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
EB: Eu quero só ressaltar
que cada nó é uma palestra,
03:08
they're linked if they share similar ideas,
80
176711
2589
eles estão ligados
se partilham ideias similares,
03:11
and that comes from a machine reading
81
179300
2084
e isso é feito com uma máquina de leitura
03:13
of entire talk transcripts,
82
181384
2067
de transcrições integrais de palestras,
03:15
and then all these topics that pop out,
83
183451
2231
e então todos os temas que surgem,
03:17
they're not from tags and keywords.
84
185682
1790
eles não se referem
a "tags" e palavras-chave.
03:19
They come from the network structure
85
187472
1725
Eles vem da estrutura de rede
03:21
of interconnected ideas. Keep going.
86
189197
2168
de ideias interconectadas. Continue.
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
SG: Absolutamente.
Eu passei um pouco rápido por isso,
03:25
but he's going to slow me down.
88
193387
1475
mas ele vai me desacelerar.
03:26
We've got education connected to storytelling
89
194862
2034
Nós temos educação conectada
com narrativas de história
03:28
triangulated next to social media.
90
196896
1643
trianguladas com mídia social.
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
Temos, claro, o cérebro humano
bem próximo de assistência médica,
03:33
which you might expect,
92
201014
1386
o que se poderia esperar,
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
mas também temos vídeo games,
que é meio que vizinho,
03:36
as those two spaces interface with each other.
94
204795
2740
enquanto aqueles
dois espaços interagem entre si.
Mas quero levá-los para um grupo
03:39
But I want to take you into one cluster
95
207535
1535
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
que é particularmente importante
para mim, e é o do meio ambiente.
03:43
And I want to kind of zoom in on that
97
211938
1493
E eu quero aproximá-lo um pouco
03:45
and see if we can get a little more resolution.
98
213431
2363
e ver se nós podemos ter
um pouco mais de resolução.
03:47
So as we go in here, what we start to see,
99
215794
2347
Então à medida que nos aproximamos,
começamos a ver,
03:50
apply the physics engine again,
100
218141
1504
aplicando o mecanismo de física de novo,
03:51
we see what's one conversation
101
219645
1676
nós percebemos que uma conversa
03:53
is actually composed of many smaller ones.
102
221321
2560
é na verdade composta
por muitas discussões menores.
03:55
The structure starts to emerge
103
223881
1929
A estrutura começa a emergir
03:57
where we see a kind of fractal behavior
104
225810
2070
onde vemos um tipo
de comportamento fractal
03:59
of the words and the language that we use
105
227880
1619
das palavras e da língua que nós usamos
04:01
to describe the things that are important to us
106
229499
1702
para descrever as coisas
que são importantes para nós
04:03
all around this world.
107
231201
1433
em todo o mundo.
04:04
So you've got food economy and local food at the top,
108
232634
2332
Então temos economia alimentar
e alimentação local no topo,
temos gases de efeito estufa,
energia solar e resíduos nucleares.
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
O que temos é um conjunto
de discussões menores,
04:12
each connected to each other through the ideas
111
240316
2301
cada uma conectada
com as outras pelas ideias
04:14
and the language they share,
112
242617
1301
e pela língua em comum,
04:15
creating a broader concept of the environment.
113
243918
2450
criando um conceito
mais amplo de meio ambiente.
04:18
And of course, from here, we can go
114
246368
1532
E é claro, a partir daí, nós podemos avançar
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
e aproximá-los e ver, bem,
o que os jovens estão assistindo?
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
E eles estão assistindo tecnologia
energética e fusão nuclear.
04:25
This is their kind of resonance
117
253779
1674
Essa é meio que a ressonância deles
04:27
for the conversation around the environment.
118
255453
2406
para a discussão sobre meio ambiente.
04:29
If we split along gender lines,
119
257859
1899
Se nós dividirmos por linhas de gênero,
04:31
we can see females resonating heavily
120
259758
1987
podemos ver entre mulheres
repercutindo fortemente
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
a economia alimentar, mas também
ali fora em esperança e otimismo.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
E assim há muita coisa interessante
que podemos fazer aqui,
04:39
and I'll throw to Eric for the next part.
123
267872
1762
e eu vou passar para o Eric
para próxima parte.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
EB: Sim, quero dizer, apenas para ressaltar,
04:43
you cannot get this kind of perspective
125
271236
1538
não se pode pegar esse tipo de perspectiva
04:44
from a simple tag search on YouTube.
126
272774
3360
de uma procura simples por "tag" no YouTube.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
Vamos agora voltar para
toda a discussão global
04:52
out of environment, and look at all the talks together.
128
280322
2534
além de meio ambiente, e observar
todas as palestras juntas.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
Muitas vezes, quando nos deparamos
com essa quantidade de conteúdo,
04:57
we do a couple of things to simplify it.
130
285783
2431
nós fazemos algumas coisas
para simplificá-lo.
05:00
We might just say, well,
131
288214
1314
Podemos apenas dizer, bem,
05:01
what are the most popular talks out there?
132
289528
2829
quais são as palestras mais populares?
05:04
And a few rise to the surface.
133
292357
1397
E algumas sobem para a superfície.
05:05
There's a talk about gratitude.
134
293754
1828
Tem uma palestra sobre gratidão.
05:07
There's another one about personal health and nutrition.
135
295582
3344
Tem outra sobre saúde pessoal e nutrição.
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
E é claro, tem que ter uma
sobre pornografia, certo?
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
E então nós podemos dizer, bem,
gratidão, essa foi no ano passado.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
O que é tendência agora?
Qual é a palestra popular agora?
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
E nós podemos ver que o tema novo,
emergente, a tendência principal
05:22
is about digital privacy.
140
310932
2666
é a privacidade digital.
Então isso é ótimo. Simplifica as coisas.
05:25
So this is great. It simplifies things.
141
313598
1693
05:27
But there's so much creative content
142
315291
1827
Mas tem tanto conteúdo criativo
05:29
that's just buried at the bottom.
143
317118
1921
que acabou escondido no fundo.
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
E eu odeio isso. Como nós
trazemos à tona as coisas
05:34
that's maybe really creative and interesting?
145
322357
2458
que talvez sejam realmente
criativas e interessantes?
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
Bem, nós podemos voltar
para a estrutura de rede de ideias
05:39
to do that.
147
327746
1430
para fazer isso.
05:41
Remember, it's that network structure
148
329176
2114
Lembrem-se, é essa estrutura de rede
05:43
that is creating these emergent topics,
149
331290
2268
que está criando esses temas emergentes,
e digamos que pudéssemos pegar dois deles,
05:45
and let's say we could take two of them,
150
333558
1515
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
como cidades e genética, e dizer,
bem, tem algumas palestras
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
que criativamente interligam
essas duas disciplinas realmente diferentes.
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
E isso -- Essencialmente,
esse tipo de "remix" criativo
05:54
is one of the hallmarks of innovation.
154
342964
1840
é um das marcas da inovação.
05:56
Well here's one by Jessica Green
155
344804
1606
Bem, aqui tem uma palestra de Jessica Green
05:58
about the microbial ecology of buildings.
156
346410
2379
sobre a ecologia microbiana de edifícios.
06:00
It's literally defining a new field.
157
348789
2010
Ela está literalmente
definindo um novo campo.
06:02
And we could go back to those topics and say, well,
158
350799
2103
E nós poderíamos voltar
para aqueles temas e dizer, bem,
06:04
what talks are central to those conversations?
159
352902
2768
quais palestras são centrais
para aquelas discussões?
06:07
In the cities cluster, one of the most central
160
355670
1690
No grupo das cidades, uma das principais
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
foi uma de Mitch Joachim
sobre cidades ecológicas,
06:13
and in the genetics cluster,
162
361312
1720
e no grupo da genética,
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
nós temos uma palestra
sobre biologia sintética de Craig Venter.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
São palestras que estão conectando
muitas palestras dentro da sua disciplina.
06:21
We could go the other direction and say, well,
165
369578
1843
Nós poderíamos ir
na outra direção e dizer, bem,
06:23
what are talks that are broadly synthesizing
166
371421
2272
quais são as palestras que estão
sintetizando amplamente
06:25
a lot of different kinds of fields.
167
373693
1448
muitos tipos diferentes de campos?
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
Nós usamos uma medida
de diversidade ecológica para saber disso.
06:29
Like, a talk by Steven Pinker on the history of violence,
169
377674
2736
Por exemplo, uma palestra de Steven Pinker
sobre a história da violência,
06:32
very synthetic.
170
380410
1180
muito sintética.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
E assim, claro, tem palestras
que são tão únicas
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
que estão meio que na estratosfera,
em seu lugar especial próprio,
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
e nós chamamos isso
de índice Colleen Flanagan.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
E se você não conhece Colleen,
ela é uma artista,
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
eu perguntei a ela, "Bom, como é lá fora
06:45
in the stratosphere of our idea space?"
176
393849
1672
na estratosfera
do nosso espaço de ideias?"
06:47
And apparently it smells like bacon.
177
395521
3255
E aparentemente lá cheira a bacon.
06:50
I wouldn't know.
178
398776
1791
Eu não saberia.
Então nós estamos usando
essas figuras de redes
06:52
So we're using these network motifs
179
400567
2248
para encontrar palestras que são únicas,
06:54
to find talks that are unique,
180
402815
1186
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
aquelas que criativamente
sintetizam campos diferentes,
06:58
ones that are central to their topic,
182
406711
1659
que são centrais para o seu tema,
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
e que estão realmente interligando
criativamente campos separados.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
Certo? Nós nunca as teríamos
encontrado com a nossa obsessão
07:05
with what's trending now.
185
413846
2313
com o que é tendência agora.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
E tudo isso vem da arquitetura
da complexidade,
07:11
or the patterns of how things are connected.
187
419045
2960
ou dos padrões de como
as coisas estão conectadas.
07:14
SG: So that's exactly right.
188
422005
1625
SG: Então, é exatamente isso.
07:15
We've got ourselves in a world
189
423630
2479
Nós nos encontramos em um mundo
07:18
that's massively complex,
190
426109
2044
que é extremamente complexo,
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
e nós estivemos usando
algoritmos para filtrá-lo
07:23
so we can navigate through it.
192
431020
1786
para poder navegar por ele.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
E esses algoritmos,
embora sendo um pouco úteis,
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
também são muito, muito limitados,
e podemos fazer mais do que isso,
07:30
because we can realize that their complexity is not random.
195
438620
2566
porque podemos perceber
que a sua complexidade não é aleatória.
07:33
It has mathematical structure,
196
441186
1954
Ela tem uma estrutura matemática,
07:35
and we can use that mathematical structure
197
443140
1803
e podemos usar a estrutura matemática
07:36
to go and explore things like the world of ideas
198
444943
2214
para avançar e explorar coisas
como o mundo das ideias
07:39
to see what's being said, to see what's not being said,
199
447157
3000
para ver o que tem sido dito,
o que não tem sido dito,
e para ser um pouco mais humano
07:42
and to be a little bit more human
200
450157
1407
e, esperamos que,
um pouco mais inteligente.
07:43
and, hopefully, a little smarter.
201
451564
1867
07:45
Thank you.
202
453431
966
Obrigado.
07:46
(Applause)
203
454397
4220
(Aplausos)
Translated by André de Holanda
Reviewed by Gustavo Rocha

▲Back to top

ABOUT THE SPEAKERS
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.

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.

 

 

More profile about the speaker
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.

More profile about the speaker
Sean Gourley | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee