TED2013
Eric Berlow and Sean Gourley: Mapping ideas worth spreading
Eric Berlow e Sean Gourley: Mapas de Grandes Ideias
Filmed:
Readability: 4.3
1,131,373 views
Qual será a aparência de 24 000 ideias? O ecologista Eric Berlow e o físico Sean Gourley aplicam algoritmos a todo o arquivo das palestras TEDx, conduzindo-nos através de uma viagem visual estimulante que nos mostra como as ideias se interligam a um nível global.
Eric Berlow - Ecologist
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
TED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more. Full bioSean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow. Full bio
Double-click the English transcript below to play the video.
00:12
Eric Berlow: I'm an ecologist, and Sean's a physicist,
0
562
3061
Eric Berlow: Sou ecologista, e o Sean é físico,
00:15
and we both study complex networks.
1
3623
2108
e dedicamo-nos ambos ao estudo de sistemas complexos.
00:17
And we met a couple years ago when we discovered
2
5731
1835
Encontrámo-nos há uns anos e descobrimos
00:19
that we had both given a short TED Talk
3
7566
2000
que ambos tínhamos dado uma palestra 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 ligados
00:25
by the ideas we shared before we ever met.
6
13316
2818
pelas ideias que já partilhávamos antes de nos conhecermos.
00:28
And then we thought, you know, there are thousands
7
16134
1556
E depois pensámos nos milhares
00:29
of other talks out there, especially TEDx Talks,
8
17690
2114
de outras palestras, especialmente as TED,
00:31
that are popping up all over the world.
9
19804
2211
que vão aparecendo em todo o mundo.
00:34
How are they connected,
10
22015
923
Que ligações existirão entre elas,
00:34
and what does that global conversation look like?
11
22938
2010
como será essa conversa global?
00:36
So Sean's going to tell you a little bit about how we did that.
12
24948
2810
O Sean vai contar-vos um pouco do que fizemos.
00:39
Sean Gourley: Exactly. So we took 24,000 TEDx Talks
13
27758
3767
Sean Gourley: Exato.
Portanto, pegámos em 24 000 palestras TED
Portanto, pegámos em 24 000 palestras TED
00:43
from around the world, 147 different countries,
14
31525
3046
de todo o mundo, de 147 países,
00:46
and we took these talks and we wanted to find
15
34571
2123
e o que queríamos era descobrir
00:48
the mathematical structures that underly
16
36694
2040
as estruturas matemáticas subjacentes
00:50
the ideas behind them.
17
38734
1722
às ideias nelas contidas.
00:52
And we wanted to do that so we could see how
18
40456
1370
O que queríamos era ver de que forma
00:53
they connected with each other.
19
41826
2053
elas se relacionavam entre si.
00:55
And so, of course, if you're going to do this kind of stuff,
20
43879
1676
Claro que, para fazer isso,
00:57
you need a lot of data.
21
45555
956
são necessários imensos dados.
00:58
So the data that you've got is a great thing called YouTube,
22
46511
3686
Ora os dados estão numa coisa fantástica
chamada YouTube,
chamada YouTube,
01:02
and we can go down and basically pull
23
50197
1768
e basicamente pode ir-se lá e
01:03
all the open information from YouTube,
24
51965
2267
tirar toda essa informação aberta,
01:06
all the comments, all the views, who's watching it,
25
54232
2349
todos os comentários, os visitantes, quem vê o quê,
01:08
where are they watching it, what are they saying in the comments.
26
56581
2779
onde se encontra e o que diz nos comentários.
01:11
But we can also pull up, using speech-to-text translation,
27
59360
3292
Mas também podemos usar tradução direta
do discurso oral para texto
do discurso oral para texto
01:14
we can pull the entire transcript,
28
62652
2128
e obter a transcrição integral,
01:16
and that works even for people with kind of funny accents like myself.
29
64780
2680
o que resulta bem até para pessoas com sotaques
meio esquisitos como eu.
meio esquisitos como eu.
01:19
So we can take their transcript
30
67460
2106
Portanto, podemos pegar nas transcrições
01:21
and actually do some pretty cool things.
31
69566
2098
e fazer uma série de coisas giras.
01:23
We can take natural language processing algorithms
32
71664
2160
Podemos usar algoritmos de processamento
de linguagem
de linguagem
01:25
to kind of read through with a computer, line by line,
33
73824
2629
para fazer uma espécie de leitura por computador,
linha a linha,
linha a linha,
01:28
extracting key concepts from this.
34
76453
2359
e extrair conceitos-chave.
01:30
And we take those key concepts and they sort of form
35
78812
2525
E depois pegamos nesses conceitos,
e eles formam uma espécie
e eles formam uma espécie
01:33
this mathematical structure of an idea.
36
81337
3565
de estrutura matemática de uma ideia.
01:36
And we call that the meme-ome.
37
84902
1757
A isso chamamos um meme-ome.
01:38
And the meme-ome, you know, quite simply,
38
86659
2151
E sabem, o meme-ome não passa
01:40
is the mathematics that underlies an idea,
39
88810
2426
da matemática subjacente a uma ideia,
01:43
and we can do some pretty interesting analysis with it,
40
91236
1932
e com ele podemos fazer algumas análises
bastante interessantes,
bastante interessantes,
01:45
which I want to share with you now.
41
93168
1981
e é isso que vou partilhar convosco agora.
01:47
So each idea has its own meme-ome,
42
95149
2190
Então, cada ideia tem o seu meme-ome
01:49
and each idea is unique with that,
43
97339
1951
e nisso cada ideia é única,
01:51
but of course, ideas, they borrow from each other,
44
99290
2488
mas claro que as ideias pedem emprestado
umas às outras,
umas às outras,
01:53
they kind of steal sometimes,
45
101778
1184
às vezes como que roubam umas às outras
01:54
and they certainly build on each other,
46
102962
1827
e sem dúvida que se constroem
umas a partir das outras.
umas a partir das outras.
01:56
and we can go through mathematically
47
104789
1616
Assim, podemos extrair o meme-ome
matematicamente
matematicamente
01:58
and take the meme-ome from one talk
48
106405
1840
de uma palestra
02:00
and compare it to the meme-ome from every other talk,
49
108245
2454
e compará-lo com os meme-omes de todas as outras
02:02
and if there's a similarity between the two of them,
50
110699
1973
e, se houver similaridades entre eles,
02:04
we can create a link and represent that as a graph,
51
112672
3250
podemos criar uma ligação e representá-la
num gráfico,
num gráfico,
02:07
just like Eric and I are connected.
52
115922
2394
tal como eu e o Eric estamos interligados.
02:10
So that's theory, that's great.
53
118316
1394
Isto é a teoria, ótimo.
02:11
Let's see how it works in actual practice.
54
119710
2526
Agora vamos ver como funciona na prática.
02:14
So what we've got here now is the global footprint
55
122236
2788
Portanto, o que temos aqui é a pegada global
02:17
of all the TEDx Talks over the last four years
56
125024
2293
de todas as palestras TED dos útimos quatro anos
02:19
exploding out around the world
57
127317
1550
a explodirem por todo o mundo
02:20
from New York all the way down to little old New Zealand in the corner.
58
128867
3329
de Nova Iorque à pequena Nova Zelândia
ali no canto.
ali no canto.
02:24
And what we did on this is we analyzed the top 25 percent of these,
59
132196
3835
O que fizemos foi analisar 25%
das palestras de topo
das palestras de topo
02:28
and we started to see where the connections occurred,
60
136031
2534
e começámos a verificar onde ocorriam as ligações,
02:30
where they connected with each other.
61
138565
1537
onde é que se ligavam umas às outras.
02:32
Cameron Russell talking about image and beauty
62
140102
1874
A palestra de Cameron Russell sobre
a imagem e a beleza
a imagem e a beleza
02:33
connected over into Europe.
63
141976
1575
tinha ligações em toda a Europa.
02:35
We've got a bigger conversation about Israel and Palestine
64
143551
2412
Depois, havia uma outra conversa bem maior
acerca de Israel e da Palestina
acerca de Israel e da Palestina
02:37
radiating outwards from the Middle East.
65
145963
2255
que irradiava desde o Médio Oriente.
02:40
And we've got something a little broader
66
148218
1298
E obtivemos algo mais lato,
02:41
like big data with a truly global footprint
67
149516
2156
uma espécie de grande conjunto de dados com uma verdadeira pegada global,
02:43
reminiscent of a conversation
68
151672
2179
evocando uma conversa
02:45
that is happening everywhere.
69
153851
2016
que se está a estabelecer em todo o lado.
02:47
So from this, we kind of run up against the limits
70
155867
2173
A partir daí, debatemo-nos com
02:50
of what we can actually do with a geographic projection,
71
158040
2530
o que podemos realmente fazer com
uma projeção geográfica,
uma projeção geográfica,
02:52
but luckily, computer technology allows us to go out
72
160570
2052
mas, felizmente, a tecnologia informática permite-nos
02:54
into multidimensional space.
73
162622
1546
chegar ao espaço multidimensional.
02:56
So we can take in our network projection
74
164168
1875
Assim, pegámos na nossa projeção em rede
02:58
and apply a physics engine to this,
75
166043
1750
e aplicámos-lhe um sistema de física,
02:59
and the similar talks kind of smash together,
76
167793
1885
e as palestras semelhantes agruparam-se
como que em colisão,
como que em colisão,
03:01
and the different ones fly apart,
77
169678
2004
enquanto as diferentes se afastaram,
03:03
and what we're left with is something quite beautiful.
78
171682
2072
e chegámos a isto, que é algo bastante bonito.
03:05
EB: So I want to just point out here that every node is a talk,
79
173754
2957
EB: Só quero salientar que cada um dos nós
é uma palestra,
é uma palestra,
03:08
they're linked if they share similar ideas,
80
176711
2589
que estão interligados se partilharem
ideias semelhantes
ideias semelhantes
03:11
and that comes from a machine reading
81
179300
2084
e que isto decorre da leitura mecânica
03:13
of entire talk transcripts,
82
181384
2067
das transcrições integrais de palestras;
03:15
and then all these topics that pop out,
83
183451
2231
e que os tópicos que saltam à vista
03:17
they're not from tags and keywords.
84
185682
1790
não são nem "tags" nem palavras-chaves.
03:19
They come from the network structure
85
187472
1725
Eles decorrem da estrutura em rede
03:21
of interconnected ideas. Keep going.
86
189197
2168
de ideias interligadas. Continua.
03:23
SG: Absolutely. So I got a little quick on that,
87
191365
2022
SG: Claro. Apressei-me um bocado,
03:25
but he's going to slow me down.
88
193387
1475
mas ele faz-me abrandar.
03:26
We've got education connected to storytelling
89
194862
2034
Temos a educação ligada à narração de histórias
03:28
triangulated next to social media.
90
196896
1643
em triangulação junto dos "media" sociais.
03:30
You've got, of course, the human brain right next to healthcare,
91
198539
2475
Temos, como é óbvio, o cérebro humano
mesmo ao lado dos cuidados de saúde,
mesmo ao lado dos cuidados de saúde,
03:33
which you might expect,
92
201014
1386
o que seria de esperar,
03:34
but also you've got video games, which is sort of adjacent,
93
202400
2395
mas também temos os jogos vídeo,
que são adjacentes,
que são adjacentes,
03:36
as those two spaces interface with each other.
94
204795
2740
dado que os dois espaços comunicam entre si.
03:39
But I want to take you into one cluster
95
207535
1535
Mas quero mostrar-vos um conjunto
03:41
that's particularly important to me, and that's the environment.
96
209070
2868
que me é particularmente caro, que é o do ambiente.
03:43
And I want to kind of zoom in on that
97
211938
1493
E quero fazer uma ampliação
03:45
and see if we can get a little more resolution.
98
213431
2363
e ver se conseguimos maior resolução.
03:47
So as we go in here, what we start to see,
99
215794
2347
À medida que nos aproximamos,
o que começamos a ver,
o que começamos a ver,
03:50
apply the physics engine again,
100
218141
1504
aplicamos de novo o sistema de física,
03:51
we see what's one conversation
101
219645
1676
vemos que há uma conversa
03:53
is actually composed of many smaller ones.
102
221321
2560
que é composta de muitas outras
de menor dimensão.
de menor dimensão.
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
e vemos como que um comportamento fractal
03:59
of the words and the language that we use
105
227880
1619
das palavras e da linguagem que usamos
04:01
to describe the things that are important to us
106
229499
1702
para descrever aquilo que achamos importantes
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
Assim, no topo, temos economia alimentar
e alimentação local,
e alimentação local,
04:06
you've got greenhouse gases, solar and nuclear waste.
109
234966
2719
temos gases de efeito de estufa, energia solar
e resíduos nucleares.
e resíduos nucleares.
04:09
What you're getting is a range of smaller conversations,
110
237685
2631
O que encontramos é uma variedade de
conversas de menor dimensão,
conversas de menor dimensão,
04:12
each connected to each other through the ideas
111
240316
2301
ligadas umas às outras através das ideias
04:14
and the language they share,
112
242617
1301
e da linguagem que partilham entre si
04:15
creating a broader concept of the environment.
113
243918
2450
e assim criando um conceito mais abrangente
de ambiente.
de ambiente.
04:18
And of course, from here, we can go
114
246368
1532
E a partir daqui, claro que podemos
04:19
and zoom in and see, well, what are young people looking at?
115
247900
3534
ampliar para ver o que é que preocupa os jovens.
04:23
And they're looking at energy technology and nuclear fusion.
116
251434
2345
E ver que eles falam de tecnologia energética
e de fusão nuclear.
e de fusão nuclear.
04:25
This is their kind of resonance
117
253779
1674
É esta a sua relevância
04:27
for the conversation around the environment.
118
255453
2406
no que diz respeito à conversa sobre o ambiente.
04:29
If we split along gender lines,
119
257859
1899
Se fizermos a divisão por sexos,
04:31
we can see females resonating heavily
120
259758
1987
vemos que as mulheres dão grande importância
04:33
with food economy, but also out there in hope and optimism.
121
261745
3645
à economia alimentar, mas de uma forma
otimista e esperançosa.
otimista e esperançosa.
04:37
And so there's a lot of exciting stuff we can do here,
122
265390
2482
Portanto, podemos fazer muitas coisas espantosas,
04:39
and I'll throw to Eric for the next part.
123
267872
1762
e agora passo a palavra ao Eric.
04:41
EB: Yeah, I mean, just to point out here,
124
269634
1602
EB: Bom, quero salientar que
04:43
you cannot get this kind of perspective
125
271236
1538
não podemos chegar a este tipo de perspetiva
04:44
from a simple tag search on YouTube.
126
272774
3360
a partir de uma simples busca das "tags"
do YouTube.
do YouTube.
04:48
Let's now zoom back out to the entire global conversation
127
276134
4188
Regressemos à visão anterior da conversa global
04:52
out of environment, and look at all the talks together.
128
280322
2534
e olhemos para todas as palestras.
04:54
Now often, when we're faced with this amount of content,
129
282856
2927
Bom, quando confrontados com conteúdos
tão vastos, muitas vezes
tão vastos, muitas vezes
04:57
we do a couple of things to simplify it.
130
285783
2431
tentamos simplificá-los.
05:00
We might just say, well,
131
288214
1314
Podemos, por exemplo, perguntarmo-nos
05:01
what are the most popular talks out there?
132
289528
2829
quais são as palestras com maior popularidade.
05:04
And a few rise to the surface.
133
292357
1397
E assim emergem algumas delas.
05:05
There's a talk about gratitude.
134
293754
1828
Há uma sobre gratidão.
05:07
There's another one about personal health and nutrition.
135
295582
3344
Há uma outra sobre nutrição e saúde pessoal.
05:10
And of course, there's got to be one about porn, right?
136
298926
2929
E claro que tinha de haver uma sobre
a pornografia, não é?
a pornografia, não é?
05:13
And so then we might say, well, gratitude, that was last year.
137
301855
3234
E podíamos dizer, bom, gratidão foi no ano passado.
05:17
What's trending now? What's the popular talk now?
138
305089
2522
E agora? O que é que está mais na berra?
05:19
And we can see that the new, emerging, top trending topic
139
307611
3321
E assim chegamos à conclusão de que
o tema mais popular agora
o tema mais popular agora
05:22
is about digital privacy.
140
310932
2666
tem a ver com a privacidade digital.
05:25
So this is great. It simplifies things.
141
313598
1693
É ótimo. Simplifica as coisas.
05:27
But there's so much creative content
142
315291
1827
Mas há tanto material criativo
05:29
that's just buried at the bottom.
143
317118
1921
enterrado no fundo.
05:31
And I hate that. How do we bubble stuff up to the surface
144
319039
3318
O que eu detesto.
Como é que podemos trazer à superfície
Como é que podemos trazer à superfície
05:34
that's maybe really creative and interesting?
145
322357
2458
aquilo que talvez seja realmente
criativo e interessante?
criativo e interessante?
05:36
Well, we can go back to the network structure of ideas
146
324815
2931
Bom, podemos voltar à estrutura em rede das ideias
05:39
to do that.
147
327746
1430
para o fazermos.
05:41
Remember, it's that network structure
148
329176
2114
Lembrem-se, é essa estrutura em rede
05:43
that is creating these emergent topics,
149
331290
2268
que cria estes tópicos emergentes.
05:45
and let's say we could take two of them,
150
333558
1515
Digamos que pegamos em dois deles,
05:47
like cities and genetics, and say, well, are there any talks
151
335073
3047
por exemplo cidades e genética,
e vemos se existem palestras
e vemos se existem palestras
05:50
that creatively bridge these two really different disciplines.
152
338120
2569
que façam, de uma forma criativa, a ponte entre
estas duas disciplinas tão diferentes.
estas duas disciplinas tão diferentes.
05:52
And that's -- Essentially, this kind of creative remix
153
340689
2275
Bom — essencialmente este tipo de "remix" criativo
05:54
is one of the hallmarks of innovation.
154
342964
1840
é uma das marcas da inovação.
05:56
Well here's one by Jessica Green
155
344804
1606
Aqui está uma palestra de Jessica Green
05:58
about the microbial ecology of buildings.
156
346410
2379
acerca da ecologia microbiana dos edifícios,
06:00
It's literally defining a new field.
157
348789
2010
que define literalmente um novo campo.
06:02
And we could go back to those topics and say, well,
158
350799
2103
E podíamos voltar àqueles tópicos e,
por exemplo, ver
por exemplo, ver
06:04
what talks are central to those conversations?
159
352902
2768
quais são as palestras que são essenciais
para aquelas conversas.
para aquelas conversas.
06:07
In the cities cluster, one of the most central
160
355670
1690
No grupo das cidades, uma das mais importantes
06:09
was one by Mitch Joachim about ecological cities,
161
357360
3952
foi a de Mitch Joachim acerca das cidades ecológicas
06:13
and in the genetics cluster,
162
361312
1720
e, no grupo sobre genética,
06:15
we have a talk about synthetic biology by Craig Venter.
163
363032
3193
temos uma palestra sobre biologia sintética
de Craig Venter.
de Craig Venter.
06:18
These are talks that are linking many talks within their discipline.
164
366225
3353
Ambas são palestras que ligam muitas outras
dentro da sua área disciplinar.
dentro da sua área disciplinar.
06:21
We could go the other direction and say, well,
165
369578
1843
Podíamos ir noutra direção e, por exemplo, ver
06:23
what are talks that are broadly synthesizing
166
371421
2272
quais são as palestras que sintetizam,
de uma forma geral,
de uma forma geral,
06:25
a lot of different kinds of fields.
167
373693
1448
muitos tipos diferentes de áreas.
06:27
We used a measure of ecological diversity to get this.
168
375141
2533
Para isto usámos uma medida de
diversidade ecológica.
diversidade ecológica.
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,
sobre a história da violência,
06:32
very synthetic.
170
380410
1180
muito sucinta.
06:33
And then, of course, there are talks that are so unique
171
381590
2078
E, claro, depois há umas que são tão
únicas e especiais
únicas e especiais
06:35
they're kind of out in the stratosphere, in their own special place,
172
383668
3090
que estão numa espécie de estratosfera,
num local especial que lhes é próprio,
num local especial que lhes é próprio,
06:38
and we call that the Colleen Flanagan index.
173
386758
2514
a que chamamos o índice Colleen Flanagan.
06:41
And if you don't know Colleen, she's an artist,
174
389272
3034
E para quem não sabe quem ela é,
a Colleen é uma artista.
a Colleen é uma artista.
06:44
and I asked her, "Well, what's it like out there
175
392306
1543
Perguntei-lhe: "Como é que é estares
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, cheira a bacon.
06:50
I wouldn't know.
178
398776
1791
Não faço ideia.
06:52
So we're using these network motifs
179
400567
2248
Portanto, usamos estes temas centrais em rede
06:54
to find talks that are unique,
180
402815
1186
para descobrirmos palestras únicas,
06:56
ones that are creatively synthesizing a lot of different fields,
181
404001
2710
as que sintetizam criativamente
muitos campos diferentes,
muitos campos diferentes,
06:58
ones that are central to their topic,
182
406711
1659
as que são essencias para o seu tema,
07:00
and ones that are really creatively bridging disparate fields.
183
408370
3374
e as que são realmente criativas a fazer a ponte
entre campos díspares.
entre campos díspares.
07:03
Okay? We never would have found those with our obsession
184
411744
2102
Ok? Nunca as teríamos encontrado
com a nossa obsessão
com a nossa obsessão
07:05
with what's trending now.
185
413846
2313
com o que está mais na berra.
07:08
And all of this comes from the architecture of complexity,
186
416159
2886
E tudo isto advém da arquitetura da complexidade
07:11
or the patterns of how things are connected.
187
419045
2960
ou dos modelos de como as coisas se ligam entre si.
07:14
SG: So that's exactly right.
188
422005
1625
SG: É isso mesmo.
07:15
We've got ourselves in a world
189
423630
2479
Encontramo-nos num mundo
07:18
that's massively complex,
190
426109
2044
que é de uma complexidade monumental
07:20
and we've been using algorithms to kind of filter it down
191
428153
2867
e temos estado a usar algoritmos para o filtrar
07:23
so we can navigate through it.
192
431020
1786
e assim podermos navegar através dele.
07:24
And those algorithms, whilst being kind of useful,
193
432806
2338
E esses algoritmos, se bem que úteis,
07:27
are also very, very narrow, and we can do better than that,
194
435144
3476
são também muito, muito estreitos,
e podemos fazer melhor,
e podemos fazer melhor,
07:30
because we can realize that their complexity is not random.
195
438620
2566
porque nos apercebemos de que
a sua complexidade não é aleatória.
a sua complexidade não é aleatória.
07:33
It has mathematical structure,
196
441186
1954
Tem uma estrutura matemática,
07:35
and we can use that mathematical structure
197
443140
1803
e podemos utilizar essa estrutura
07:36
to go and explore things like the world of ideas
198
444943
2214
para explorarmos 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 anda a ser dito,
o que não anda a ser dito,
o que não anda a ser dito,
07:42
and to be a little bit more human
200
450157
1407
e a sermos um pouco mais humanos
07:43
and, hopefully, a little smarter.
201
451564
1867
e, com sorte, um pouco mais inteligentes.
07:45
Thank you.
202
453431
966
Muito obrigado.
07:46
(Applause)
203
454397
4220
(Aplausos)
ABOUT THE SPEAKERS
Eric Berlow - EcologistTED Senior Fellow Eric Berlow studies ecology and networks, exposing the interconnectedness of our ecosystems with climate change, government, corporations and more.
Why you should listen
Eric Berlow is an ecologist and network scientist who specializes in not specializing. A TED Senior Fellow, Berlow is recognized for his research on food webs and ecological networks and for creative approaches to complex problems. He was the founding director of the University of California's first environmental science center inside Yosemite National Park, where he continues to develop data-driven approaches to managing natural ecosystems.
In 2012 Berlow founded Vibrant Data Labs, which builds tools to use data for social good. Berlow's current projects range from helping spark an egalitarian personal data economy to protecting endangered amphibians in Yosemite to crowd-sourcing novel insights about human creativity. Berlow holds a Ph.D. from Oregon State University in marine ecology.
Eric Berlow | Speaker | TED.com
Sean Gourley - Physicist and military theorist
Sean Gourley, trained as a physicist, has turned his scientific mind to analyzing data about a messier topic: modern war and conflict. He is a TED Fellow.
Why you should listen
Sean Gourley's twin passions are physics (working on nanoscale blue-light lasers and self-assembled quantum nanowires) and politics (he once ran for a national elected office back home in New Zealand).
A Rhodes scholar, he's spent the past five years working at Oxford on complex adaptive systems and collective intelligent systems -- basically, using data to understand the nature of human conflict. As he puts it, "This research has taken me all over the world from the Pentagon, to the House of Lords, the United Nations and most recently to Iraq". Originally from New Zealand, he now lives in San Francisco, where he is the co-founder and CTO of Quid which is building a global intelligence platform. He's a 2009 TED Fellow.
In December 2009, Gourley and his team's research was published in the scientific journal Nature. He is co-founder and CTO of Quid.
Sean Gourley | Speaker | TED.com