TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Kevin Slavin: Como os algoritmos modelam o nosso mundo
Filmed:
Readability: 3.5
4,199,898 views
Kevin Slavin defende que vivemos num mundo construído para os algoritmos — e cada vez mais controlado por eles. Nesta palestra cativante do TEDGlobal, ele mostra como estes complexos programas de computador determinam táticas de espionagem, preços das ações, guiões de filmes e arquitetura. E faz um alerta quanto ao facto de escrevermos códigos que não entendemos, com consequências que não podemos controlar.
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Double-click the English transcript below to play the video.
00:15
This is a photograph
0
0
2000
Esta é uma fotografia
tirada pelo artista Michael Najjar,
tirada pelo artista Michael Najjar,
00:17
by the artist Michael Najjar,
1
2000
2000
00:19
and it's real,
2
4000
2000
e é verdadeira,
00:21
in the sense that he went there to Argentina
3
6000
2000
no sentido em que ele foi à Argentina
00:23
to take the photo.
4
8000
2000
para tirar esta foto.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Mas também é uma ficção.
Houve muito trabalho depois de tirá-la.
00:28
And what he's done
6
13000
2000
Ele remodelou, digitalmente,
00:30
is he's actually reshaped, digitally,
7
15000
2000
00:32
all of the contours of the mountains
8
17000
2000
todos os contornos das montanhas
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
para que seguissem
as vicissitudes do índice Dow Jones.
as vicissitudes do índice Dow Jones.
00:37
So what you see,
10
22000
2000
Então o que aqui veem,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
este grande precipício com um vale,
00:41
is the 2008 financial crisis.
12
26000
2000
é a crise financeira de 2008.
00:43
The photo was made
13
28000
2000
A foto foi tirada quando
estávamos ali em baixo, no vale.
estávamos ali em baixo, no vale.
00:45
when we were deep in the valley over there.
14
30000
2000
00:47
I don't know where we are now.
15
32000
2000
Não sei onde estamos agora.
00:49
This is the Hang Seng index
16
34000
2000
Este é o índice Hang Seng, de Hong Kong.
00:51
for Hong Kong.
17
36000
2000
00:53
And similar topography.
18
38000
2000
E uma topografia similar.
00:55
I wonder why.
19
40000
2000
Pergunto-me porquê.
00:57
And this is art. This is metaphor.
20
42000
3000
Isto é arte. Isto é uma metáfora.
01:00
But I think the point is
21
45000
2000
Mas eu acho que a questão
é que isto é uma metáfora com dentes.
é que isto é uma metáfora com dentes.
01:02
that this is metaphor with teeth,
22
47000
2000
01:04
and it's with those teeth that I want to propose today
23
49000
3000
É com esses dentes
que eu quero propor, hoje,
que eu quero propor, hoje,
01:07
that we rethink a little bit
24
52000
2000
que repensemos um pouco
01:09
about the role of contemporary math --
25
54000
3000
no papel da matemática contemporânea
01:12
not just financial math, but math in general.
26
57000
3000
— não só na matemática financeira,
mas na matemática em geral.
mas na matemática em geral.
01:15
That its transition
27
60000
2000
Ou seja, na transição duma coisa
01:17
from being something that we extract and derive from the world
28
62000
3000
que extraímos e obtemos do mundo
01:20
to something that actually starts to shape it --
29
65000
3000
para uma coisa que lhe começa a dar forma,
01:23
the world around us and the world inside us.
30
68000
3000
ao mundo à nossa volta
e ao mundo dentro de nós.
e ao mundo dentro de nós.
01:26
And it's specifically algorithms,
31
71000
2000
São especificamente os algoritmos,
01:28
which are basically the math
32
73000
2000
que são basicamente a matemática
01:30
that computers use to decide stuff.
33
75000
3000
que os computadores usam
para tomar decisões.
para tomar decisões.
01:33
They acquire the sensibility of truth
34
78000
2000
Eles adquirem a sensibilidade da verdade,
01:35
because they repeat over and over again,
35
80000
2000
porque repetem e tornam a repetir,
vezes sem conta.
vezes sem conta.
01:37
and they ossify and calcify,
36
82000
3000
Ossificam-se, calcificam-se
e tornam-se reais.
e tornam-se reais.
01:40
and they become real.
37
85000
2000
01:42
And I was thinking about this, of all places,
38
87000
3000
Eu estava a pensar nisto
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
num voo transatlântico há uns anos,
01:48
because I happened to be seated
40
93000
2000
porque aconteceu eu ir sentado
01:50
next to a Hungarian physicist about my age
41
95000
2000
ao lado de um físico húngaro
da minha idade.
da minha idade.
01:52
and we were talking
42
97000
2000
Falámos em como era a vida
durante a Guerra Fria,
durante a Guerra Fria,
01:54
about what life was like during the Cold War
43
99000
2000
para os físicos na Hungria.
01:56
for physicists in Hungary.
44
101000
2000
01:58
And I said, "So what were you doing?"
45
103000
2000
E eu disse: "O que é que vocês faziam?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
E ele: "Normalmente
destruíamos os escudos furtivos."
destruíamos os escudos furtivos."
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
E eu: "Esse é um bom trabalho.
Interessante.
Interessante.
02:04
How does that work?"
48
109000
2000
"Como é que funciona?"
02:06
And to understand that,
49
111000
2000
Para percebermos isto,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
temos de perceber um pouco
a tecnologia furtiva.
a tecnologia furtiva.
02:11
And so -- this is an over-simplification --
51
116000
3000
Assim — esta é uma extrema simplificação —
02:14
but basically, it's not like
52
119000
2000
mas basicamente, não é
como se pudéssemos simplesmente
passar um sinal de radar
passar um sinal de radar
02:16
you can just pass a radar signal
53
121000
2000
02:18
right through 156 tons of steel in the sky.
54
123000
3000
através de 156 toneladas de aço no céu.
02:21
It's not just going to disappear.
55
126000
3000
Não vai pura e simplesmente desaparecer.
02:24
But if you can take this big, massive thing,
56
129000
3000
Mas, se pudermos pegar
nessas coisas enormes
nessas coisas enormes
02:27
and you could turn it into
57
132000
3000
e transformá-las em milhões
de coisinhas pequenas
de coisinhas pequenas
02:30
a million little things --
58
135000
2000
02:32
something like a flock of birds --
59
137000
2000
— como um bando de pássaros —
02:34
well then the radar that's looking for that
60
139000
2000
o radar que estiver à procura delas
02:36
has to be able to see
61
141000
2000
tem de ser capaz de ver
todos os bandos de pássaros no céu.
todos os bandos de pássaros no céu.
02:38
every flock of birds in the sky.
62
143000
2000
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
Para um radar, isso é um trabalho péssimo.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
E ele disse:
"Sim. Mas isso é se for um radar.
"Sim. Mas isso é se for um radar.
02:47
So we didn't use a radar;
65
152000
2000
"Por isso, não usamos um radar;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
"construíamos uma caixa negra
que procurava sinais elétricos,
que procurava sinais elétricos,
02:52
electronic communication.
67
157000
3000
"comunicação eletrónica.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
"Sempre que víamos um bando de pássaros
dotado de comunicação eletrónica,
dotado de comunicação eletrónica,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
"pensávamos que devia ter
alguma coisa a ver com os americanos."
alguma coisa a ver com os americanos."
03:01
And I said, "Yeah.
70
166000
2000
Eu disse "Sim. Essa é boa.
03:03
That's good.
71
168000
2000
03:05
So you've effectively negated
72
170000
2000
"Então vocês efetivamente negaram
03:07
60 years of aeronautic research.
73
172000
2000
"60 anos de pesquisa aeronáutica.
03:09
What's your act two?
74
174000
2000
"Qual é o segundo ato?
03:11
What do you do when you grow up?"
75
176000
2000
"O que fazem quando crescerem?"
03:13
And he said,
76
178000
2000
E ele disse:
03:15
"Well, financial services."
77
180000
2000
"Serviços financeiros."
03:17
And I said, "Oh."
78
182000
2000
E eu disse: "Oh."
03:19
Because those had been in the news lately.
79
184000
3000
Porque isso tem estado
ultimamente nas notícias.
ultimamente nas notícias.
03:22
And I said, "How does that work?"
80
187000
2000
E eu disse: "Como é que isso funciona?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
E ele disse: "Há 2000 físicos
em Wall Street, agora,
em Wall Street, agora,
03:26
and I'm one of them."
82
191000
2000
"e eu sou um deles."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
E eu disse:
"Qual é a caixa preta de Wall Street?"
"Qual é a caixa preta de Wall Street?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
E ele disse:
"Tem piada que me pergunte,
"Tem piada que me pergunte,
03:33
because it's actually called black box trading.
85
198000
3000
"porque chamam-lhe
comércio de caixa preta.
comércio de caixa preta.
03:36
And it's also sometimes called algo trading,
86
201000
2000
"E às vezes também lhe chamam
comércio algorítmico."
comércio algorítmico."
03:38
algorithmic trading."
87
203000
3000
03:41
And algorithmic trading evolved in part
88
206000
3000
O comércio algorítmico evoluiu
03:44
because institutional traders have the same problems
89
209000
3000
porque os investidores institucionais
têm os mesmos problemas
têm os mesmos problemas
03:47
that the United States Air Force had,
90
212000
3000
que a Força Aérea dos EUA teve,
03:50
which is that they're moving these positions --
91
215000
3000
ou seja, movimentam as suas posições
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
— seja Proctor & Gamble
ou Accenture, tanto faz —
ou Accenture, tanto faz —
03:55
they're moving a million shares of something
93
220000
2000
movimentam milhões de ações
de qualquer coisa pelo mercado.
de qualquer coisa pelo mercado.
03:57
through the market.
94
222000
2000
03:59
And if they do that all at once,
95
224000
2000
Se fizerem isso tudo de uma vez só,
é como jogar póquer
e apostar tudo na primeira jogada.
e apostar tudo na primeira jogada.
04:01
it's like playing poker and going all in right away.
96
226000
2000
04:03
You just tip your hand.
97
228000
2000
Revelam o jogo todo.
04:05
And so they have to find a way --
98
230000
2000
Então, precisam de encontrar uma forma
04:07
and they use algorithms to do this --
99
232000
2000
e usam algoritmos para fazê-lo
04:09
to break up that big thing
100
234000
2000
— quebrar o todo em milhões
de pequenas transações.
de pequenas transações.
04:11
into a million little transactions.
101
236000
2000
04:13
And the magic and the horror of that
102
238000
2000
A magia e o horror disto
04:15
is that the same math
103
240000
2000
é que a mesma matemática
04:17
that you use to break up the big thing
104
242000
2000
que é usada para quebrar o todo
em milhões de pequenas coisas
em milhões de pequenas coisas
04:19
into a million little things
105
244000
2000
04:21
can be used to find a million little things
106
246000
2000
pode ser usada para encontrar
milhões de coisas pequenas,
milhões de coisas pequenas,
04:23
and sew them back together
107
248000
2000
uni-las novamente
04:25
and figure out what's actually happening in the market.
108
250000
2000
e descobrir o que está
a acontecer no mercado.
a acontecer no mercado.
04:27
So if you need to have some image
109
252000
2000
Se precisarem de uma imagem
04:29
of what's happening in the stock market right now,
110
254000
3000
do que está a acontecer agora
no mercado de ações,
no mercado de ações,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
o que podem imaginar
um conjunto de algoritmos
um conjunto de algoritmos
04:34
that are basically programmed to hide,
112
259000
3000
que são basicamente programados
para esconder,
para esconder,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
e um conjunto de algoritmos
programados para encontrá-los e agirem.
programados para encontrá-los e agirem.
04:40
And all of that's great, and it's fine.
114
265000
3000
Tudo isso é ótimo, é porreiro.
04:43
And that's 70 percent
115
268000
2000
E isso é 70% do mercado
de ações americano,
de ações americano,
04:45
of the United States stock market,
116
270000
2000
04:47
70 percent of the operating system
117
272000
2000
70% do sistema operacional,
04:49
formerly known as your pension,
118
274000
3000
antigamente conhecido
como as nossas reformas...
como as nossas reformas...
04:52
your mortgage.
119
277000
3000
(Risos)
...as nossas hipotecas.
04:55
And what could go wrong?
120
280000
2000
O que é que pode correr mal?
04:57
What could go wrong
121
282000
2000
O que pode correr mal
04:59
is that a year ago,
122
284000
2000
é que há um ano, 9% de todo o mercado
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
desapareceu no espaço de cinco minutos.
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
Chamaram-lhe o "Flash Crash
das 2 horas e 45".
das 2 horas e 45".
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
De repente, desapareceram 9%,
05:10
and nobody to this day
126
295000
2000
e ainda ninguém até hoje
05:12
can even agree on what happened
127
297000
2000
consegue chegar a acordo
sobre o que aconteceu,
sobre o que aconteceu,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
porque ninguém o ordenou,
ninguém o pediu.
ninguém o pediu.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Ninguém tinha controlo
sobre o que estava a acontecer.
sobre o que estava a acontecer.
05:20
All they had
130
305000
2000
Tudo que eles tinham
05:22
was just a monitor in front of them
131
307000
2000
era um monitor à frente que tinha números
05:24
that had the numbers on it
132
309000
2000
05:26
and just a red button
133
311000
2000
e um botão vermelho que dizia: "Parar."
05:28
that said, "Stop."
134
313000
2000
05:30
And that's the thing,
135
315000
2000
A questão é essa.
05:32
is that we're writing things,
136
317000
2000
Escrevemos coisas,
05:34
we're writing these things that we can no longer read.
137
319000
3000
escrevemos coisas
que já não conseguimos ler.
que já não conseguimos ler.
05:37
And we've rendered something
138
322000
2000
Demos origem a uma coisa ilegível.
05:39
illegible,
139
324000
2000
05:41
and we've lost the sense
140
326000
3000
Perdemos a noção
05:44
of what's actually happening
141
329000
2000
do que realmente está a acontecer
05:46
in this world that we've made.
142
331000
2000
neste mundo que construímos.
05:48
And we're starting to make our way.
143
333000
2000
Estamos a começar
a fazer o nosso percurso.
a fazer o nosso percurso.
05:50
There's a company in Boston called Nanex,
144
335000
3000
Há uma empresa em Boston chamada Nanex.
05:53
and they use math and magic
145
338000
2000
Usam matemática e magia
e não sei mais o quê.
e não sei mais o quê.
05:55
and I don't know what,
146
340000
2000
05:57
and they reach into all the market data
147
342000
2000
Têm acesso a todos os dados do mercado
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
e encontram, às vezes,
alguns desses algoritmos.
alguns desses algoritmos.
06:02
And when they find them they pull them out
149
347000
3000
Quando os encontram, extraem-nos
06:05
and they pin them to the wall like butterflies.
150
350000
3000
e pregam-nos à parede como borboletas.
06:08
And they do what we've always done
151
353000
2000
Fazem o que sempre fizemos
quando confrontados
quando confrontados
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
com grandes quantidades
de dados que não entendemos
de dados que não entendemos
06:13
which is that they give them a name
153
358000
2000
— dão-lhe um nome e uma história.
06:15
and a story.
154
360000
2000
06:17
So this is one that they found,
155
362000
2000
Este é um dos que eles encontraram,
06:19
they called the Knife,
156
364000
4000
a que chamaram a Faca,
06:23
the Carnival,
157
368000
2000
o Carnaval,
06:25
the Boston Shuffler,
158
370000
4000
o Emplastro de Boston,
06:29
Twilight.
159
374000
2000
o Crepúsculo.
06:31
And the gag is
160
376000
2000
A piada é que eles
não andam apenas no mercado.
não andam apenas no mercado.
06:33
that, of course, these aren't just running through the market.
161
378000
3000
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Podemos encontrar este tipo de coisas
para onde quer que olhemos,
para onde quer que olhemos,
06:39
once you learn how to look for them.
163
384000
2000
depois de aprendermos a procurá-los.
06:41
You can find it here: this book about flies
164
386000
3000
Podemos encontrá-los aqui:
neste livro sobre moscas
neste livro sobre moscas
06:44
that you may have been looking at on Amazon.
165
389000
2000
de que andámos à procura no Amazon.
06:46
You may have noticed it
166
391000
2000
Podemos ter reparado nele
06:48
when its price started at 1.7 million dollars.
167
393000
2000
quando o preço começou
em 1,7 milhões de dólares.
em 1,7 milhões de dólares.
06:50
It's out of print -- still ...
168
395000
2000
Está fora de impressão, mas...
06:52
(Laughter)
169
397000
2000
(Risos)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
se o tivéssemos comprado por 1,7 milhões,
teria sido uma pechincha.
teria sido uma pechincha.
06:57
A few hours later, it had gone up
171
402000
2000
Poucas horas depois, tinha aumentado
06:59
to 23.6 million dollars,
172
404000
2000
para 23,6 milhões de dólares,
07:01
plus shipping and handling.
173
406000
2000
mais os portes de envio.
07:03
And the question is:
174
408000
2000
A questão é esta:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Ninguém estava a comprar ou a vender;
o que é que aconteceu?
o que é que aconteceu?
07:07
And you see this behavior on Amazon
176
412000
2000
Este comportamento é visível na Amazon
07:09
as surely as you see it on Wall Street.
177
414000
2000
tal como se vê em Wall Street.
07:11
And when you see this kind of behavior,
178
416000
2000
Quando vemos este comportamento,
07:13
what you see is the evidence
179
418000
2000
estamos a ver a prova
de algoritmos em conflito,
de algoritmos em conflito,
07:15
of algorithms in conflict,
180
420000
2000
07:17
algorithms locked in loops with each other,
181
422000
2000
algoritmos presos em círculos
com outros algoritmos,
com outros algoritmos,
07:19
without any human oversight,
182
424000
2000
sem vigilância humana,
07:21
without any adult supervision
183
426000
3000
sem supervisão de um adulto que diga:
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
"Na verdade, 1,7 milhões é muito."
07:27
(Laughter)
185
432000
3000
(Risos)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
Assim como acontece na Amazon,
acontece na Netflix.
acontece na Netflix.
07:33
And so Netflix has gone through
187
438000
2000
A Netflix tem utilizado
vários algoritmos ao longo dos anos.
vários algoritmos ao longo dos anos.
07:35
several different algorithms over the years.
188
440000
2000
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Começaram com o Cinemath,
e tentaram vários outros
e tentaram vários outros
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
— há o Dinosaur Planet; há o Gravity.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Agora estão a usar o Pragmatic Chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
O Pragmatic Chaos está,
como todos os algoritmos da Netflix,
como todos os algoritmos da Netflix,
07:46
trying to do the same thing.
193
451000
2000
a tentar fazer a mesma coisa.
07:48
It's trying to get a grasp on you,
194
453000
2000
Está a tentar compreender
07:50
on the firmware inside the human skull,
195
455000
2000
a programação do" hardware
do crânio humano,
do crânio humano,
07:52
so that it can recommend what movie
196
457000
2000
para poder recomendar que filme
07:54
you might want to watch next --
197
459000
2000
podemos querer ver em seguida
07:56
which is a very, very difficult problem.
198
461000
3000
— o que é um problema muito difícil.
07:59
But the difficulty of the problem
199
464000
2000
Mas a dificuldade do problema
08:01
and the fact that we don't really quite have it down,
200
466000
3000
e o facto que ainda não entendemos,
08:04
it doesn't take away
201
469000
2000
não elimina os efeitos
que o Pragmatic Chaos tem.
que o Pragmatic Chaos tem.
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
O Pragmatic Chaos, tal como todos
os algoritmos da Netflix,
os algoritmos da Netflix,
08:11
determines, in the end,
204
476000
2000
acaba por determinar
08:13
60 percent
205
478000
2000
uns 60% dos filmes
que acabam por ser alugados.
que acabam por ser alugados.
08:15
of what movies end up being rented.
206
480000
2000
08:17
So one piece of code
207
482000
2000
Assim, um pedaço de código
08:19
with one idea about you
208
484000
3000
com uma ideia sobre cada um de nós,
08:22
is responsible for 60 percent of those movies.
209
487000
3000
é responsável por 60% desses filmes.
08:25
But what if you could rate those movies
210
490000
2000
E se nós pudéssemos avaliar esses filmes
antes de serem feitos?
antes de serem feitos?
08:27
before they get made?
211
492000
2000
08:29
Wouldn't that be handy?
212
494000
2000
Não seria útil?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Há alguns cientistas de dados
no Reino Unido, ou em Hollywood
no Reino Unido, ou em Hollywood
08:34
and they have "story algorithms" --
214
499000
2000
que têm "algoritmos de história"
08:36
a company called Epagogix.
215
501000
2000
— é uma empresa chamada Epagogix.
08:38
And you can run your script through there,
216
503000
3000
Podemos apresentar-lhes o nosso guião
08:41
and they can tell you, quantifiably,
217
506000
2000
e eles podem dizer, quantitativamente,
08:43
that that's a 30 million dollar movie
218
508000
2000
se é um filme de 30 milhões de dólares
ou de 200 milhões de dólares.
ou de 200 milhões de dólares.
08:45
or a 200 million dollar movie.
219
510000
2000
08:47
And the thing is, is that this isn't Google.
220
512000
2000
O facto é que isto não é o Google.
08:49
This isn't information.
221
514000
2000
Isto não são informações.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Não são estatísticas financeiras;
isto é cultura.
isto é cultura.
08:53
And what you see here,
223
518000
2000
O que vemos aqui, ou o que
normalmente não vemos,
normalmente não vemos,
08:55
or what you don't really see normally,
224
520000
2000
08:57
is that these are the physics of culture.
225
522000
4000
é que isto é a física da cultura.
09:01
And if these algorithms,
226
526000
2000
Se estes algoritmos
09:03
like the algorithms on Wall Street,
227
528000
2000
— como os algoritmos em Wall Street —
09:05
just crashed one day and went awry,
228
530000
3000
um dia falhassem e dessem para o torto,
09:08
how would we know?
229
533000
2000
como é que saberíamos?
09:10
What would it look like?
230
535000
2000
Qual seria o aspeto?
09:12
And they're in your house. They're in your house.
231
537000
3000
Eles estão em nossa casa.
Estão na nossa casa.
Estão na nossa casa.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Há dois algoritmos que competem
pela nossa sala de estar.
pela nossa sala de estar.
09:17
These are two different cleaning robots
233
542000
2000
São dois tipos de robôs de limpeza
09:19
that have very different ideas about what clean means.
234
544000
3000
que têm ideias distintas
quanto ao significado de limpeza.
quanto ao significado de limpeza.
09:22
And you can see it
235
547000
2000
E podemos vê-lo
09:24
if you slow it down and attach lights to them,
236
549000
3000
se lhes reduzirmos a velocidade
e os iluminarmos.
e os iluminarmos.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
São como arquitetos secretos
no nosso quarto.
no nosso quarto.
09:30
And the idea that architecture itself
238
555000
3000
A ideia de que a arquitetura em si
09:33
is somehow subject to algorithmic optimization
239
558000
2000
está de certa forma sujeita
à otimização algorítmica
à otimização algorítmica
09:35
is not far-fetched.
240
560000
2000
não é impossível.
09:37
It's super-real and it's happening around you.
241
562000
3000
É muito real e está
a acontecer à nossa volta.
a acontecer à nossa volta.
09:40
You feel it most
242
565000
2000
Sentimos mais isso
09:42
when you're in a sealed metal box,
243
567000
2000
quando estamos dentro
duma caixa de metal fechada,
duma caixa de metal fechada,
09:44
a new-style elevator;
244
569000
2000
dum elevador novo
09:46
they're called destination-control elevators.
245
571000
2000
— são os elevadores
de destino controlado,
de destino controlado,
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
em que temos que escolher
o andar para onde vamos
o andar para onde vamos
09:51
before you get in the elevator.
247
576000
2000
antes de entrar no elevador.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Usam um algoritmo 'bin-packing'.
09:55
So none of this mishegas
249
580000
2000
Portanto, nada daqueles disparates
09:57
of letting everybody go into whatever car they want.
250
582000
2000
de deixar cada um entrar
no elevador que quiser.
no elevador que quiser.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Os que querem ir para o 10º andar
vão para a cabina 2,
vão para a cabina 2,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
e os que querem ir para o 3º andar
vão para a cabina 5.
vão para a cabina 5.
10:04
And the problem with that
253
589000
2000
O problema com isso é que
as pessoas passam-se.
as pessoas passam-se.
10:06
is that people freak out.
254
591000
2000
10:08
People panic.
255
593000
2000
As pessoas entram em pânico.
10:10
And you see why. You see why.
256
595000
2000
E vemos porquê.
10:12
It's because the elevator
257
597000
2000
É porque o elevador
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
não tem componentes importantes,
como os botões.
como os botões.
10:17
(Laughter)
259
602000
2000
(Risos)
10:19
Like the things that people use.
260
604000
2000
Como as coisas que as pessoas usam.
10:21
All it has
261
606000
2000
Só tem o número que vai
para cima ou para baixo
para cima ou para baixo
10:23
is just the number that moves up or down
262
608000
3000
10:26
and that red button that says, "Stop."
263
611000
3000
e o botão vermelho que diz "Parar".
10:29
And this is what we're designing for.
264
614000
3000
É para isso que estamos a trabalhar.
10:32
We're designing
265
617000
2000
Estamos a trabalhar
para esse dialeto de máquinas.
para esse dialeto de máquinas.
10:34
for this machine dialect.
266
619000
2000
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Até onde é que isso pode levar? Até onde?
10:39
You can take it really, really far.
268
624000
2000
Podemos levar isso muito longe.
10:41
So let me take it back to Wall Street.
269
626000
3000
Então, vou voltar a Wall Street,
10:45
Because the algorithms of Wall Street
270
630000
2000
porque os algoritmos de Wall Street
10:47
are dependent on one quality above all else,
271
632000
3000
dependem sobretudo de um atributo,
10:50
which is speed.
272
635000
2000
que é a velocidade.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Funcionam em milissegundos
e microssegundos.
e microssegundos.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Só para vos dar uma ideia
do que são microssegundos,
do que são microssegundos,
10:57
it takes you 500,000 microseconds
275
642000
2000
levamos 500 000 microssegundos
só para clicar no rato.
só para clicar no rato.
10:59
just to click a mouse.
276
644000
2000
11:01
But if you're a Wall Street algorithm
277
646000
2000
Mas se um algoritmo de Wall Street
11:03
and you're five microseconds behind,
278
648000
2000
estiver atrasado cinco microssegundos,
11:05
you're a loser.
279
650000
2000
é um perdedor.
11:07
So if you were an algorithm,
280
652000
2000
Se fôssemos um algoritmo
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
procuraríamos um arquiteto como
aquele que conheci em Frankfurt
aquele que conheci em Frankfurt
11:12
who was hollowing out a skyscraper --
282
657000
2000
que estava a esvaziar um arranha-céus,
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
a deitar fora toda a mobília,
todas as infraestruturas para uso humano,
todas as infraestruturas para uso humano,
11:17
and just running steel on the floors
284
662000
3000
sobrando apenas aço nos pisos
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
preparados para receber
as pilhas de servidores,
as pilhas de servidores,
11:23
all so an algorithm
286
668000
2000
tudo para que um algoritmo
11:25
could get close to the Internet.
287
670000
3000
possa estar mais perto da Internet.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Pensamos na Internet como
um tipo de sistema distribuído.
um tipo de sistema distribuído.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
Claro que é, mas é distribuído
a partir de locais diferentes.
a partir de locais diferentes.
11:34
In New York, this is where it's distributed from:
290
679000
2000
Em Nova Iorque, é distribuído daqui:
11:36
the Carrier Hotel
291
681000
2000
o Carrier Hotel,
localizado na Hudson Street.
localizado na Hudson Street.
11:38
located on Hudson Street.
292
683000
2000
11:40
And this is really where the wires come right up into the city.
293
685000
3000
É daqui que saem os cabos pela cidade.
11:43
And the reality is that the further away you are from that,
294
688000
4000
Na verdade, se estivermos
longe deste local,
longe deste local,
11:47
you're a few microseconds behind every time.
295
692000
2000
estaremos sempre atrasados
uns microssegundos.
uns microssegundos.
11:49
These guys down on Wall Street,
296
694000
2000
Aqueles tipos em Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Marco Polo e Cherokee Nation,
11:53
they're eight microseconds
298
698000
2000
estão oito microssegundos atrasados
11:55
behind all these guys
299
700000
2000
em relação a estes tipos
11:57
going into the empty buildings being hollowed out
300
702000
4000
que andam pelos edifícios
que estão a ser esvaziados
que estão a ser esvaziados
12:01
up around the Carrier Hotel.
301
706000
2000
em volta do Carrier Hotel.
12:03
And that's going to keep happening.
302
708000
3000
Isso continuará a acontecer.
12:06
We're going to keep hollowing them out,
303
711000
2000
Vamos continuar a esvaziar edifícios,
12:08
because you, inch for inch
304
713000
3000
porque nenhum de nós,
centímetro a centímetro
centímetro a centímetro
12:11
and pound for pound and dollar for dollar,
305
716000
3000
libra a libra, e dólar a dólar,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
nenhum de nós conseguiria
extrair lucro daquele espaço
extrair lucro daquele espaço
12:17
like the Boston Shuffler could.
307
722000
3000
como o Emplastro de Boston consegue.
12:20
But if you zoom out,
308
725000
2000
Mas se vocês se afastarem
12:22
if you zoom out,
309
727000
2000
12:24
you would see an 825-mile trench
310
729000
4000
veriam um fosso com 1.3 km
12:28
between New York City and Chicago
311
733000
2000
entre Nova Iorque e Chicago
12:30
that's been built over the last few years
312
735000
2000
que foi construído nos últimos anos
12:32
by a company called Spread Networks.
313
737000
3000
por uma empresa chamada "Spread Networks".
12:35
This is a fiber optic cable
314
740000
2000
Isto é um cabo de fibra ótica.
12:37
that was laid between those two cities
315
742000
2000
que foi estendido entre as duas cidades
12:39
to just be able to traffic one signal
316
744000
3000
para poder enviar um sinal
12:42
37 times faster than you can click a mouse --
317
747000
3000
37 vezes mais rápido
do que clicar no rato,
do que clicar no rato,
12:45
just for these algorithms,
318
750000
3000
só para estes algoritmos,
12:48
just for the Carnival and the Knife.
319
753000
3000
só para o Carnaval e a Faca.
12:51
And when you think about this,
320
756000
2000
Se pensarem nisto,
12:53
that we're running through the United States
321
758000
2000
que estamos a percorrer os Estados Unidos
12:55
with dynamite and rock saws
322
760000
3000
com dinamite e serras
12:58
so that an algorithm can close the deal
323
763000
2000
para que um algoritmo
possa fechar um negócio
possa fechar um negócio
13:00
three microseconds faster,
324
765000
3000
três microssegundos mais depressa,
13:03
all for a communications framework
325
768000
2000
tudo para uma estrutura de comunicações
13:05
that no human will ever know,
326
770000
4000
que nenhum humano alguma vez conhecerá,
13:09
that's a kind of manifest destiny;
327
774000
3000
isto é um tipo de destino manifesto;
13:12
and we'll always look for a new frontier.
328
777000
3000
estaremos sempre à procura
duma nova fronteira.
duma nova fronteira.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
Infelizmente, teremos muitas dificuldades.
13:18
This is just theoretical.
330
783000
2000
Isto é apenas teórico.
13:20
This is some mathematicians at MIT.
331
785000
2000
Isto são alguns matemáticos no MIT.
13:22
And the truth is I don't really understand
332
787000
2000
A verdade é que não compreendo bem
13:24
a lot of what they're talking about.
333
789000
2000
grande parte do que falam.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Envolve cones de luz
e emaranhamento quântico,
e emaranhamento quântico,
13:29
and I don't really understand any of that.
335
794000
2000
e eu não percebo muito sobre isso.
13:31
But I can read this map,
336
796000
2000
Mas consigo ler este mapa.
13:33
and what this map says
337
798000
2000
Este mapa diz que, se estivermos
a tentar fazer dinheiro no mercado
a tentar fazer dinheiro no mercado
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
onde estão os pontos vermelhos,
13:38
that's where people are, where the cities are,
339
803000
2000
onde estão as pessoas e as cidades,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
temos que colocar os servidores
onde estiverem os pontos azuis
onde estiverem os pontos azuis
13:43
to do that most effectively.
341
808000
2000
para fazer isso de forma mais eficaz.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
Podem reparar que muitos dos pontos azuis
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
estão no meio do oceano.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
É isso que faremos:
vamos construir bolhas,
vamos construir bolhas,
13:54
or platforms.
345
819000
2000
ou plataformas.
13:56
We'll actually part the water
346
821000
2000
Vamos separar a água
13:58
to pull money out of the air,
347
823000
2000
para extrair dinheiro do ar,
14:00
because it's a bright future
348
825000
2000
porque é um futuro risonho
para um algoritmo.
para um algoritmo.
14:02
if you're an algorithm.
349
827000
2000
14:04
(Laughter)
350
829000
2000
(Risos)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
Mas não é o dinheiro que é interessante.
14:09
It's what the money motivates,
352
834000
2000
É aquilo que o dinheiro motiva,
14:11
that we're actually terraforming
353
836000
2000
que nos leva a transformer o planeta Terra
14:13
the Earth itself
354
838000
2000
14:15
with this kind of algorithmic efficiency.
355
840000
2000
com este tipo de eficácia algorítmica.
14:17
And in that light,
356
842000
2000
A essa luz, voltamos
14:19
you go back
357
844000
2000
e olhamos para as fotografias
de Michael Najjar.
de Michael Najjar.
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
Percebemos que não são uma metáfora,
são uma profecia.
são uma profecia.
São uma profecia
14:26
They're prophecy
360
851000
2000
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
para o tipo de efeitos
sísmicos e terrestres
sísmicos e terrestres
14:32
of the math that we're making.
362
857000
2000
da matemática que andamos a fazer.
14:34
And the landscape was always made
363
859000
3000
A paisagem foi sempre feita
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
através desta estranha
e inquietante colaboração
e inquietante colaboração
14:40
between nature and man.
365
865000
3000
entre a natureza e o homem.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Mas agora há esta terceira força
co-evolucionária: os algoritmos
co-evolucionária: os algoritmos
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
— o Emplastro de Boston, o Carnaval.
14:49
And we will have to understand those as nature,
368
874000
3000
Teremos que os compreender como natureza.
14:52
and in a way, they are.
369
877000
2000
De certa forma, é o que eles são.
14:54
Thank you.
370
879000
2000
Obrigado.
14:56
(Applause)
371
881000
20000
(Aplausos)
ABOUT THE SPEAKER
Kevin Slavin - Algoworld expertKevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.
Why you should listen
Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.
All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.
He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."
Kevin Slavin | Speaker | TED.com