TED2010
Stephen Wolfram: Computing a theory of all knowledge
สตีเฟน วูลเฟรม : การคำนวณทฤษฎีของสิ่งทั้งมวล
Filmed:
Readability: 4.4
1,811,819 views
สตีเฟน วูลเฟรม ผู้สร้างโปรแกรม Mathematica มาพูดคุยเกี่ยวกับการนำความรู้ทั้งหมดมาคำนวณ ให้สามารถค้นหา ประมวณผล และการจัดการ เครื่องมือค้นหาชิ้นใหม่ที่เรียกว่า Wolfram Alpha นั้น มีเป้าหมายไม่ยิ่งหย่อนไปกว่าการจำลองและอธิบายฟิสิกส์พื้นฐานจักรวาล
Stephen Wolfram - Scientist, inventor
Stephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research. Full bio
Stephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research. Full bio
Double-click the English transcript below to play the video.
00:16
So I want to talk today about an idea. It's a big idea.
0
1000
3000
สิ่งที่ผมอยากกล่าวในวันนี้นั้นเป็นแนวคิด เป็นแนวคิดที่สำคัญ
00:19
Actually, I think it'll eventually
1
4000
2000
ซึ่งผมคิดว่า ในที่สุด
00:21
be seen as probably the single biggest idea
2
6000
2000
แล้วมันจะเป็นแนวคิดเดียวที่ยิ่งใหญ่ที่สุด
00:23
that's emerged in the past century.
3
8000
2000
ซึ่งเกิดขึ้นในศตวรรษที่ผ่านมา
00:25
It's the idea of computation.
4
10000
2000
แนวคิดของการคำนวณ
00:27
Now, of course, that idea has brought us
5
12000
2000
แน่นอนว่าแนวคิดนี้ได้นำเราไปสู่
00:29
all of the computer technology we have today and so on.
6
14000
3000
เทคโนโลยีคอมพิวเตอร์ทั้งหลายที่มีอยู่ในตอนนี้และต่อไป
00:32
But there's actually a lot more to computation than that.
7
17000
3000
แต่แท้จริงแล้วเรื่องของการคำนวณยังมีมากมายกว่านั้น
00:35
It's really a very deep, very powerful, very fundamental idea,
8
20000
3000
มันเป็นแนวคิดที่ลึกซึ้ง ทรงพลัง และเป็นพื้นฐานหลัก
00:38
whose effects we've only just begun to see.
9
23000
3000
ซึ่งพวกเราเพียงแค่ได้เริ่มสัมผัสกับมันเท่านั้น
00:41
Well, I myself have spent the past 30 years of my life
10
26000
3000
ผมก็ใช้เวลา 30 ปีที่ผ่านมา
00:44
working on three large projects
11
29000
2000
ทำโครงการใหญ่ 3 โครงการ
00:46
that really try to take the idea of computation seriously.
12
31000
3000
ซึ่งเน้นให้ความสำคัญกับแนวคิดการคำนวณอย่างจริงจัง
00:50
So I started off at a young age as a physicist
13
35000
3000
ตอนสมัยหนุ่มๆ ผมเริ่มต้นจากการเป็นนักฟิสิกส์
00:53
using computers as tools.
14
38000
2000
ที่ใช้งานคอมพิวเตอร์เป็นเครื่องมือ
00:55
Then, I started drilling down,
15
40000
2000
ต่อจากนั้นผมเริ่มศึกษาลึกลงไป
00:57
thinking about the computations I might want to do,
16
42000
2000
เกี่ยวกับการคำนวณในแบบที่ผมอาจจะต้องการ
00:59
trying to figure out what primitives they could be built up from
17
44000
3000
และค้นหาว่ามันควรจะมีส่วนประกอบพื้นฐานตรงไหนบ้าง
01:02
and how they could be automated as much as possible.
18
47000
3000
และทำอย่างไรจึงจะทำได้อัตโนมัติ
01:05
Eventually, I created a whole structure
19
50000
2000
ในที่สุด ผมก็ได้สร้างโครงสร้างทั้งหมดขึ้นมา
01:07
based on symbolic programming and so on
20
52000
2000
โดยใช้พื้นฐานการโปรแกรมแบบสัญลักษณ์
01:09
that let me build Mathematica.
21
54000
2000
และนั่นจึงนำไปสู่การสร้าง Mathematica
01:11
And for the past 23 years, at an increasing rate,
22
56000
2000
และใช้เวลาอีก 23 ปี
01:13
we've been pouring more and more ideas
23
58000
2000
พวกเราใส่ไอเดียลงไปมากมาย
01:15
and capabilities and so on into Mathematica,
24
60000
2000
พร้อมทั้งความสามารถต่างๆ และสิ่งอื่นๆ ลงไปใน Mathematica
01:17
and I'm happy to say that that's led to many good things
25
62000
3000
ผมดีใจที่จะกล่าวว่านั่นทำให้เกิดประโยชน์ขึ้นมากมาย
01:20
in R & D and education,
26
65000
2000
ทั้งในด้านการวิจัยและพัฒนา และด้านการศึกษา
01:22
lots of other areas.
27
67000
2000
และในด้านอื่นๆอีก
01:24
Well, I have to admit, actually,
28
69000
2000
ผมยอมรับว่าความจริงแล้ว
01:26
that I also had a very selfish reason for building Mathematica:
29
71000
3000
ผมค่อนข้างเห็นแก่ตัวที่สร้าง Mathematica ขึ้นมา
01:29
I wanted to use it myself,
30
74000
2000
เพียงเพราะผมต้องการใช้มันเพียงคนเดียว
01:31
a bit like Galileo got to use his telescope
31
76000
2000
เหมือนกับกาลิเลโอ ที่สร้างและใช้งานกล้องดูดาว
01:33
400 years ago.
32
78000
2000
เมื่อ 400 ปีก่อน
01:35
But I wanted to look not at the astronomical universe,
33
80000
3000
แต่ผมสิ่งที่ผมต้องการเห็น ไม่ใช่จักรวาลดาราศาสตร์
01:38
but at the computational universe.
34
83000
3000
แต่เป็นจักรวาลการคำนวณ
01:41
So we normally think of programs as being
35
86000
2000
เมื่อพวกเรามักคิดว่าโปรแกรม
01:43
complicated things that we build
36
88000
2000
ที่สร้างขึ้นจะต้องซับซ้อน
01:45
for very specific purposes.
37
90000
2000
เพื่อจุดประสงค์เฉพาะ
01:47
But what about the space of all possible programs?
38
92000
3000
แล้วสำหรับโปรแกรมอื่นๆที่สร้างได้อีกหละ ?
01:50
Here's a representation of a really simple program.
39
95000
3000
นี่คือโปรแกรมง่ายๆ
01:53
So, if we run this program,
40
98000
2000
ถ้าพวกเรารันโปรแกรมนี้
01:55
this is what we get.
41
100000
2000
นี่คือการแสดงผล
01:57
Very simple.
42
102000
2000
ง่ายมากครับ
01:59
So let's try changing the rule
43
104000
2000
แล้วลองเปลี่ยนกฎ
02:01
for this program a little bit.
44
106000
2000
ในโปรแกรมนี้นิดหน่อย
02:03
Now we get another result,
45
108000
2000
ผลลัพธ์ที่ได้ก็จะแตกต่างออกไป
02:05
still very simple.
46
110000
2000
แต่นี่ก็ยังง่ายอยู่
02:07
Try changing it again.
47
112000
3000
ลองเปลี่ยนอีกครั้ง
02:10
You get something a little bit more complicated.
48
115000
2000
ตอนนี้เราได้เห็นบางอย่างที่ซับซ้อนขึ้นบ้างแล้ว
02:12
But if we keep running this for a while,
49
117000
2000
แต่ถ้าเรายังคงรันต่อไปเรื่อยๆ
02:14
we find out that although the pattern we get is very intricate,
50
119000
3000
เราก็จะพบว่าแม้ว่าจะได้ผลลัพธ์ที่สลับซับซ้อนมากขึ้น
02:17
it has a very regular structure.
51
122000
3000
มันก็ยังคงมีโครงสร้างที่ธรรมดามากๆ
02:20
So the question is: Can anything else happen?
52
125000
3000
ดังนั้นจึงมีคำถามที่ว่า : แล้วจะมีอย่างอื่นเกิดขึ้นได้อีกไหม?
02:23
Well, we can do a little experiment.
53
128000
2000
ถ้าเช่นนั้น เราจึงทำการทดลองนิดหน่อย
02:25
Let's just do a little mathematical experiment, try and find out.
54
130000
3000
ลองทำการทดลองทางคณิตศาสตร์ชิ้นเล็กๆ แล้วหาคำตอบ
02:29
Let's just run all possible programs
55
134000
3000
เพียงเริ่มรันโปรแกรมทั้งหมดที่เกิดขึ้นได้
02:32
of the particular type that we're looking at.
56
137000
2000
ของสิ่งที่เราสนใจศึกษา
02:34
They're called cellular automata.
57
139000
2000
เรียกว่า Cellular automata
02:36
You can see a lot of diversity in the behavior here.
58
141000
2000
คุณจะเห็นลักษณะที่หลากหลายเกิดขึ้น
02:38
Most of them do very simple things,
59
143000
2000
ส่วนใหญ่แล้วทำออกมาได้ง่ายมาก
02:40
but if you look along all these different pictures,
60
145000
2000
แต่ถ้าคุณสังเกตรูปภาพที่แตกต่างกันนี้
02:42
at rule number 30,
61
147000
2000
ตรงกฎที่ 30
02:44
you start to see something interesting going on.
62
149000
2000
คุณจะเริ่มเห็นสิ่งที่น่าสนใจ
02:46
So let's take a closer look
63
151000
2000
ลองมองใกล้เข้าไปอีก
02:48
at rule number 30 here.
64
153000
2000
ที่กฎ 30
02:50
So here it is.
65
155000
2000
อย่างที่เห็นนี้
02:52
We're just following this very simple rule at the bottom here,
66
157000
3000
เราเพียงแค่เริ่มจากกฎง่ายๆที่อยู่ด้านล่างนี้
02:55
but we're getting all this amazing stuff.
67
160000
2000
แต่เรากลับได้พบกับสิ่งที่น่ามหัศจรรย์
02:57
It's not at all what we're used to,
68
162000
2000
นี่ไม่ใช่สิ่งที่พวกเราคุ้นเคย
02:59
and I must say that, when I first saw this,
69
164000
2000
และผมเองก็ต้องยอมรับ ว่าเมื่อผมได้เห็นสิ่งนี้
03:01
it came as a huge shock to my intuition.
70
166000
3000
มันทำให้ผมรู้สึกประหลาดใจอย่างมาก
03:04
And, in fact, to understand it,
71
169000
2000
และในความจริงแล้ว การที่จะเข้าใจมัน
03:06
I eventually had to create
72
171000
2000
ทำให้ผมจำเป็นต้องสร้าง
03:08
a whole new kind of science.
73
173000
2000
วิทยาศาสตร์รูปแบบใหม่ทั้งหมด
03:11
(Laughter)
74
176000
2000
(เสียงหัวเราะ)
03:13
This science is different, more general,
75
178000
3000
วิทยาศาสตร์นี้แตกต่างออกไป มีลักษณะทั่วไปกว่า
03:16
than the mathematics-based science that we've had
76
181000
2000
วิทยาศาสตร์ที่ใช้คณิตศาสตร์เป็นพื้นฐาน ในแบบที่เรามีอยู่
03:18
for the past 300 or so years.
77
183000
3000
เป็นเวลากว่า 300 ปี
03:21
You know, it's always seemed like a big mystery:
78
186000
2000
คุณทราบไหมว่า มันเหมือนเป็นปริศนาลึกลับอยู่ตลอดเวลา
03:23
how nature, seemingly so effortlessly,
79
188000
3000
เหตุใดธรรมชาติ ซึ่งดูเหมือนจะไม่ได้พยายามทำอะไรเลย
03:26
manages to produce so much
80
191000
2000
กลับสร้างสรรค์สิ่งต่างๆมากมาย
03:28
that seems to us so complex.
81
193000
3000
แต่สำหรับพวกเราแล้วมันเป็นสิ่งที่ซับซ้อน
03:31
Well, I think we've found its secret:
82
196000
3000
ผมคิดว่าเราได้ค้นพบความลับนั้นแล้ว
03:34
It's just sampling what's out there in the computational universe
83
199000
3000
มันเป็นการเลือกสุ่มสิ่งต่างๆที่มีอยู่รอบจักรวาลของการคำนวณ
03:37
and quite often getting things like Rule 30
84
202000
3000
และบ่อยครั้งที่ได้ผลลัพธ์เหมือนกับกฎที่ 30
03:40
or like this.
85
205000
3000
หรือคล้ายกันนี้
03:44
And knowing that starts to explain
86
209000
2000
และการที่ได้ค้นพบสิ่งนี้ ทำให้อธิบาย
03:46
a lot of long-standing mysteries in science.
87
211000
3000
สิ่งต่างๆมากมายที่เคยเป็นปริศนาอันยาวนานในวิทยาศาสตร์
03:49
It also brings up new issues, though,
88
214000
2000
อีกทั้งยังนำไปสู่ประเด็นใหม่ๆ
03:51
like computational irreducibility.
89
216000
3000
เช่นการคำนวณที่ไม่สามารถลดรูปได้
03:54
I mean, we're used to having science let us predict things,
90
219000
3000
ผมหมายถึง เรามักใช้วิทยาศาสตร์ในการคาดการณ์สิ่งต่างๆ
03:57
but something like this
91
222000
2000
แต่สิ่งนี้
03:59
is fundamentally irreducible.
92
224000
2000
เป็นเพียงความไม่สามารถลดรูปได้เบื้องต้น
04:01
The only way to find its outcome
93
226000
2000
หนทางเดียวที่จะนำไปสู่คำตอบ
04:03
is, effectively, just to watch it evolve.
94
228000
3000
คือเฝ้ามองการพัฒนา
04:06
It's connected to, what I call,
95
231000
2000
มันเชื่อมโยงกับ สิ่งที่ผมเรียกว่า
04:08
the principle of computational equivalence,
96
233000
2000
หลักสมดุลการคำนวณ
04:10
which tells us that even incredibly simple systems
97
235000
3000
ซึ่งทำให้เรารู้ว่า แม้กระทั่งระบบที่ง่ายๆ
04:13
can do computations as sophisticated as anything.
98
238000
3000
ก็สามารถทำการคำนวณได้เช่นเดียวกับแบบที่ยาก
04:16
It doesn't take lots of technology or biological evolution
99
241000
3000
มันไม่จำเป็นต้องใช้เทคโนโลยีหรือวิวัฒนาการทางชีวภาพ
04:19
to be able to do arbitrary computation;
100
244000
2000
ในการที่จะทำการคำนวณได้เอง
04:21
just something that happens, naturally,
101
246000
2000
เป็นสิ่งที่เกิดขึ้นเองตามธรรมชาติ
04:23
all over the place.
102
248000
2000
ในทุกหนทุกแห่ง
04:25
Things with rules as simple as these can do it.
103
250000
3000
กฎง่ายๆเช่นนี้สามารถตอบได้
04:29
Well, this has deep implications
104
254000
2000
มันมีนัยยะที่ลึกลงไปอีก
04:31
about the limits of science,
105
256000
2000
ซึ่งเกี่ยวกับข้อจำกัดทางวิทยาศาสตร์
04:33
about predictability and controllability
106
258000
2000
เกี่ยวกับความสามารถในการคาดการณ์ และการควบคุม
04:35
of things like biological processes or economies,
107
260000
3000
สิ่งต่างๆเช่น กระบวนการของชีวภาพหรือเศรษฐกิจ
04:38
about intelligence in the universe,
108
263000
2000
เกี่ยวกับปัญญาในจักรวาล
04:40
about questions like free will
109
265000
2000
เกี่ยวกับเจตจำนงเสรี
04:42
and about creating technology.
110
267000
3000
และที่เกี่ยวกับการสร้างสรรเทคโนโลยี
04:45
You know, in working on this science for many years,
111
270000
2000
คุณทราบไหมว่า การทำงานในวิทยาศาสตร์มาตลอดหลายปี
04:47
I kept wondering,
112
272000
2000
ผมมักสงสัยอยู่เสมอ
04:49
"What will be its first killer app?"
113
274000
2000
ว่าอะไรจะเป็นแอพพลิเคชันทยอดเยี่ยมที่สุด
04:51
Well, ever since I was a kid,
114
276000
2000
ก็... ตั้งแต่ผมยังเป็นเด็ก
04:53
I'd been thinking about systematizing knowledge
115
278000
2000
ผมมักคิดอยู่เสมอเกี่ยวกับการจัดการความรู้อย่างเป็นระบบ
04:55
and somehow making it computable.
116
280000
2000
และบางครั้งก็ทำให้มันสามารถนำมาคำนวณได้ด้วย
04:57
People like Leibniz had wondered about that too
117
282000
2000
Leibniz ก็ได้คิดเช่นเดียวกัน
04:59
300 years earlier.
118
284000
2000
เมื่อ 300 ปีก่อน
05:01
But I'd always assumed that to make progress,
119
286000
2000
แต่ผมก็มักคิดเสมอว่าถ้าต้องการให้มันก้าวหน้า
05:03
I'd essentially have to replicate a whole brain.
120
288000
3000
ผมจำเป็นที่จะต้องลอกแบบสมองออกมาทั้งหมด
05:06
Well, then I got to thinking:
121
291000
2000
ตอนนี้ผมก็คิดว่า
05:08
This scientific paradigm of mine suggests something different --
122
293000
3000
รูปแบบทางวิทยาศาสตร์ที่ผมเสนอ มีบางสิ่งบางอย่างที่แตกต่าง
05:11
and, by the way, I've now got
123
296000
2000
และผมก็พบกับ
05:13
huge computation capabilities in Mathematica,
124
298000
3000
ความสามารถในการคำนวณอันยิ่งใหญ่ใน Mathematica
05:16
and I'm a CEO with some worldly resources
125
301000
3000
และผมก็เป็นเจ้าของร่วมกับทรัพยากรทั้งโลก
05:19
to do large, seemingly crazy, projects --
126
304000
3000
เพื่อทำโครงการใหญ่ที่เพี้ยนนี้
05:22
So I decided to just try to see
127
307000
2000
ดังนั้นผมจึงได้ตัดสินใจที่จะลองเพื่อให้เห็นว่า
05:24
how much of the systematic knowledge that's out there in the world
128
309000
3000
มีความรู้ที่เป็นระบบใดบ้างในโลกใบนี้
05:27
we could make computable.
129
312000
2000
ที่พวกเราสามารถนำมาคำนวณได้
05:29
So, it's been a big, very complex project,
130
314000
2000
ดังนั้นมันจึงเป็นโครงการที่ใหญ่และซับซ้อนอย่างยิ่ง
05:31
which I was not sure was going to work at all.
131
316000
3000
ซึ่งผมก็ยังไม่มั่นใจว่ามันจะเป็นไปได้
05:34
But I'm happy to say it's actually going really well.
132
319000
3000
แต่ผมก็พอใจที่จะกล่าวว่ามันกำลังไปได้สวย
05:37
And last year we were able
133
322000
2000
และเมื่อปีที่แล้วพวกเราสามารถ
05:39
to release the first website version
134
324000
2000
เผยแพร่เวปไซต์เวอร์ชันแรก
05:41
of Wolfram Alpha.
135
326000
2000
ของ Wolfram Alpha
05:43
Its purpose is to be a serious knowledge engine
136
328000
3000
โดยมีวัตถุประสงค์เพื่อให้เป็นเครื่องมือค้นหาความรู้ที่ใช้งานได้จริง
05:46
that computes answers to questions.
137
331000
3000
ที่สามารถตอบทุกคำถามโดยใช้การคำนวณ
05:49
So let's give it a try.
138
334000
2000
งั้น มาลองดูกันเถอะครับ
05:51
Let's start off with something really easy.
139
336000
2000
มาเริ่มต้นที่บางสิ่งที่ง่ายมากๆ
05:53
Hope for the best.
140
338000
2000
หวังว่าจะออกมาดีนะครับ
05:55
Very good. Okay.
141
340000
2000
ดีมาก
05:57
So far so good.
142
342000
2000
ยังทำงานได้ดีอยู่
05:59
(Laughter)
143
344000
3000
(เสียงหัวเราะ)
06:02
Let's try something a little bit harder.
144
347000
3000
นั้นเราลองทำสิ่งที่ยากขึ้นนิดหน่อย
06:05
Let's do
145
350000
2000
เช่นว่า ...
06:07
some mathy thing,
146
352000
3000
ลองมาทำเกี่ยวกับตัวเลขดูบ้าง
06:10
and with luck it'll work out the answer
147
355000
3000
และถ้าโชคดี มันจะคำนวณออกมาให้เรา
06:13
and try and tell us some interesting things
148
358000
2000
และให้ผลลัพธ์ที่น่าสนใจ
06:15
things about related math.
149
360000
2000
สิ่งที่เกี่ยวข้องกับคณิตศาสตร์
06:17
We could ask it something about the real world.
150
362000
3000
เราสามารถถามมันได้ในบางเรื่องบนโลกใบนี้
06:20
Let's say -- I don't know --
151
365000
2000
บางอย่างเช่น ... ไม่รู้สิ ...
06:22
what's the GDP of Spain?
152
367000
3000
GDP ของสเปน เป็นเท่าไร ?
06:25
And it should be able to tell us that.
153
370000
2000
และมันก็ควรสามารถบอกเราได้
06:27
Now we could compute something related to this,
154
372000
2000
ต่อไปเราก็จะนำข้อมูลนี้มาคำนวณ
06:29
let's say ... the GDP of Spain
155
374000
2000
เช่นว่า GDP ของสเปน
06:31
divided by, I don't know,
156
376000
2000
หารด้วย ผมก็นึกไม่ออก
06:33
the -- hmmm ...
157
378000
2000
อืม..
06:35
let's say the revenue of Microsoft.
158
380000
2000
เอาเช่นว่า ผลประกอบการของไมโครซอฟต์
06:37
(Laughter)
159
382000
2000
(เสียงหัวเราะ)
06:39
The idea is that we can just type this in,
160
384000
2000
วิธีใช้งานก็คือเราเพียงแค่พิมพ์ลงไป
06:41
this kind of question in, however we think of it.
161
386000
3000
คำถามแบบนี้ในแบบที่เราคิดขึ้นเอง
06:44
So let's try asking a question,
162
389000
2000
เราลองมาตั้งคำถาม
06:46
like a health related question.
163
391000
2000
อย่างเช่นคำถามเกี่ยวกับสุขภาพ
06:48
So let's say we have a lab finding that ...
164
393000
3000
เช่นว่า เรามีผลการทดลองจากห้องแลป
06:51
you know, we have an LDL level of 140
165
396000
2000
คุณรู้ว่า หากมีระดับไขมันแบบ LDL อยู่ที่ 140
06:53
for a male aged 50.
166
398000
3000
สำหรับผู้ชายอายุสัก 50
06:56
So let's type that in, and now Wolfram Alpha
167
401000
2000
ลองพิมพ์มันลงไป และตอนนี้โปรแกรม Wolfram Alpha
06:58
will go and use available public health data
168
403000
2000
ก็จะใช้ข้อมูลทางสุขภาพที่เป็นสาธารณะต่างๆ
07:00
and try and figure out
169
405000
2000
แล้วนำมาวิเคราะห์
07:02
what part of the population that corresponds to and so on.
170
407000
3000
ในส่วนของฐานข้อมูลใหญ่ที่สัมพันธ์กับข้อมูลนี้
07:05
Or let's try asking about, I don't know,
171
410000
3000
หรือ หากเราลองตั้งคำถามเกี่ยวกับ อะไรดีหละ
07:08
the International Space Station.
172
413000
2000
สถานีอวกาศนานาชาติ
07:10
And what's happening here is that
173
415000
2000
และนี่คือสิ่งที่แสดงผลออกมาก
07:12
Wolfram Alpha is not just looking up something;
174
417000
2000
Wolfram Alpha ไม่เพียงแต่ค้นหาเท่านั้น
07:14
it's computing, in real time,
175
419000
3000
มันยังสามารถคำนวณ ณ เวลานั้น
07:17
where the International Space Station is right now at this moment,
176
422000
3000
ที่ตั้งของสถานีอวกาศนานาชาติในตอนนี้
07:20
how fast it's going, and so on.
177
425000
3000
มันทำงานได้รวดเร็วมากและทำไปเรื่อยๆ
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
429000
3000
ดังนั้น Wolfram Alpha จึงรู้เกี่ยวกับสิ่งต่างๆมากมายมหาศาล
07:27
It's got, by now,
179
432000
2000
ขณะนี้มันมีข้อมูล
07:29
pretty good coverage of everything you might find
180
434000
2000
ค่อนข้างครอบคลุมในทุกๆเรื่องที่คุณเสาะหา
07:31
in a standard reference library.
181
436000
3000
เปรียบได้กับห้องสมุดมาตรฐานที่นำมาอ้างอิงได้ ทำนองนั้น
07:34
But the goal is to go much further
182
439000
2000
แต่เป้าหมายที่ผมตั้งใจไว้มันไกลกว่านั้น
07:36
and, very broadly, to democratize
183
441000
3000
และค่อนข้างกว้าง และมีความเท่าเทียมกัน
07:39
all of this knowledge,
184
444000
3000
ของความรู้ในทุกด้าน
07:42
and to try and be an authoritative
185
447000
2000
และยังพยายาม ที่จะใช้มันเป็นแหล่งข้อมูล
07:44
source in all areas.
186
449000
2000
ที่เชื่อถือได้ในทุกศาสตร์
07:46
To be able to compute answers to specific questions that people have,
187
451000
3000
ให้มันสามารถคำนวณหาคำตอบ เพื่อตอบคำถามที่มนุษย์ตั้งขึ้น
07:49
not by searching what other people
188
454000
2000
ไม่ใช่เป็นการค้นหาสิ่งที่เคยมีคน
07:51
may have written down before,
189
456000
2000
ได้เคยบันทึกไว้แล้วก่อนหน้า
07:53
but by using built in knowledge
190
458000
2000
แต่เป็นการสร้างฐานข้อมูลความรู้
07:55
to compute fresh new answers to specific questions.
191
460000
3000
เพื่อคำนวณหาคำตอบใหม่ๆให้กับคำถามที่เฉพาะเจาะจงลงไปอีก
07:58
Now, of course, Wolfram Alpha
192
463000
2000
ขณะนี้ Wolfram Alpha
08:00
is a monumentally huge, long-term project
193
465000
2000
เป็นโครงการที่ยิ่งใหญ่ ระยะยาว
08:02
with lots and lots of challenges.
194
467000
2000
ที่ต้องใช้ความพยายามอย่างมาก
08:04
For a start, one has to curate a zillion
195
469000
3000
เมื่อเริ่มต้น ทุกคนต้องเก็บรวบรวมข้อมูล
08:07
different sources of facts and data,
196
472000
3000
จำนวนมหาศาลจากแหล่งต่างๆ
08:10
and we built quite a pipeline of Mathematica automation
197
475000
3000
และเราได้สร้างระบบที่มีทั้ง ส่วนที่อัตโนมัตของ Mathematica
08:13
and human domain experts for doing this.
198
478000
3000
และผู้เชี่ยวชาญด้านต่างๆ เพื่อสร้างมันขึ้นมา
08:16
But that's just the beginning.
199
481000
2000
แต่นั่นก็เป็นเพียงแค่จุดเริ่มต้น
08:18
Given raw facts or data
200
483000
2000
เมื่อได้ข้อมูลดิบมา
08:20
to actually answer questions,
201
485000
2000
เพื่อให้สามารถตอบคำถามได้จริง
08:22
one has to compute:
202
487000
2000
จะต้องมีคนคำนวณ
08:24
one has to implement all those methods and models
203
489000
2000
และนำเอาวิธีการและรูปแบบทั้งหมดมาใช้
08:26
and algorithms and so on
204
491000
2000
รวมถึงทำการแก้ปัญหา
08:28
that science and other areas have built up over the centuries.
205
493000
3000
อันได้จากวิทยาศาสตร์และศาสตร์ในสาขาอื่นที่พัฒนาขึ้น ตลอดศตวรรษที่ผ่านมา
08:31
Well, even starting from Mathematica,
206
496000
3000
แม้จะเริ่มจาก Mathematica
08:34
this is still a huge amount of work.
207
499000
2000
แต่ก็ยังเป็นงานที่ต้องทำต่อไปอีกมาก
08:36
So far, there are about 8 million lines
208
501000
2000
ตอนนี้มีในโปรแกรม Wolfram Alpha
08:38
of Mathematica code in Wolfram Alpha
209
503000
2000
ประกอบไปด้วยโค้ตประมาณ 8 ล้านบรรทัด
08:40
built by experts from many, many different fields.
210
505000
3000
ที่เขียนขึ้นจากผู้เชี่ยวชาญในหลายๆสาขา
08:43
Well, a crucial idea of Wolfram Alpha
211
508000
3000
แนวคิดหลักของ Wolfram Alpha
08:46
is that you can just ask it questions
212
511000
2000
คือการที่คุณสามารถตั้งคำถาม
08:48
using ordinary human language,
213
513000
3000
โดยใช้ภาษาที่เราใช้กันอยู่ทั่วๆไป
08:51
which means that we've got to be able to take
214
516000
2000
ซึ่งหมายความว่าถ้าพวกเราสามารถที่จะ
08:53
all those strange utterances that people type into the input field
215
518000
3000
เอาทุกสิ่งทุกอย่างพิมพ์ลงไป
08:56
and understand them.
216
521000
2000
และเข้าใจสิ่งนั้นได้
08:58
And I must say that I thought that step
217
523000
2000
และผมก็อยากบอกว่านึ่คือขั้นที่ผม
09:00
might just be plain impossible.
218
525000
3000
คิดว่าอาจเป็นไปไม่ได้
09:04
Two big things happened:
219
529000
2000
มีสิ่งสองสิ่งที่เกิดขึ้น
09:06
First, a bunch of new ideas about linguistics
220
531000
3000
สิ่งแรกก็คือ ความคิดก้อนหนึ่งเกี่ยวกับภาษาศาสตร์
09:09
that came from studying the computational universe;
221
534000
3000
ที่เกิดขึ้นจากการศึกษาจักรวาลการคำนวณ
09:12
and second, the realization that having actual computable knowledge
222
537000
3000
และอย่างที่สอง คือการตระหนักว่าความรู้ที่สามารถคำนวณได้นั้น
09:15
completely changes how one can
223
540000
2000
จะเปลี่ยนแปลง
09:17
set about understanding language.
224
542000
3000
การใช้ภาษาที่เราเข้าใจกัน
09:20
And, of course, now
225
545000
2000
และอย่างแน่นอน ในตอนนี้
09:22
with Wolfram Alpha actually out in the wild,
226
547000
2000
Wolfram Alpha แสดงผลค่อนข้างแปลก
09:24
we can learn from its actual usage.
227
549000
2000
พวกเราสามารถเรียนรู้จากการใช้งานจริง
09:26
And, in fact, there's been
228
551000
2000
และความจริงแล้ว
09:28
an interesting coevolution that's been going on
229
553000
2000
มันเป็นการเปลี่ยนแปลงร่วมกันที่น่าสนใจ
09:30
between Wolfram Alpha
230
555000
2000
ระหว่าง Wolfram Alpha
09:32
and its human users,
231
557000
2000
กับมนุษย์ผู้ใช้งานมัน
09:34
and it's really encouraging.
232
559000
2000
และเป็นสิ่งที่น่าผลักดัน
09:36
Right now, if we look at web queries,
233
561000
2000
ตอนนี้ ถ้าเราดูแบบสอบถามบนเวป
09:38
more than 80 percent of them get handled successfully the first time.
234
563000
3000
มากกว่า 80 เปอร์เซ็นต์เห็นว่าโปรแกรมสามารถตอบคำถามในครั้งแรก ได้อย่างสมบูรณ์
09:41
And if you look at things like the iPhone app,
235
566000
2000
และถ้าคุณเทียบกับ แอพลิเคชันบนไอโฟน
09:43
the fraction is considerably larger.
236
568000
2000
ความแตกต่างนั้นต่างกันมาก
09:45
So, I'm pretty pleased with it all.
237
570000
2000
ซึ่งผมค่อนข้างพอใจกับผลที่ออกมา
09:47
But, in many ways,
238
572000
2000
แต่ในหลายๆด้าน
09:49
we're still at the very beginning with Wolfram Alpha.
239
574000
3000
เรายังคงอยู่ในช่วงเริ่มต้นของ Wolfram Alpha
09:52
I mean, everything is scaling up very nicely
240
577000
2000
ผมหมายถึงว่า ทุกอย่างเริ่มก้าวหน้าขึ้นได้ดีทีเดียว
09:54
and we're getting more confident.
241
579000
2000
พวกเราเริ่มมีความเชื่อมั่น
09:56
You can expect to see Wolfram Alpha technology
242
581000
2000
คุณสามารถคาดได้ว่าจะได้เห็นเทคโนโลยี Wolfram Alpha
09:58
showing up in more and more places,
243
583000
2000
ปรากฎอยู่ในหลายแห่งเพิ่มมากขึ้น
10:00
working both with this kind of public data, like on the website,
244
585000
3000
ทั้งการทำงานเกี่ยวกับข้อมูลที่ทุกคนเข้าถึงได้เช่นเวปไซต์
10:03
and with private knowledge
245
588000
2000
และความรู้ส่วนบุคคล
10:05
for people and companies and so on.
246
590000
3000
สำหรับคนหรือองค์กร หรืออื่นๆ
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
593000
3000
คุณรู้ไหมว่า ผมตระหนักว่า Wolfram Alpha แท้จริงแล้วได้ทำให้
10:11
a whole new kind of computing
248
596000
2000
เกิดการคำนวณรูปแบบใหม่ทั้งหมด
10:13
that one can call knowledge-based computing,
249
598000
2000
ที่เรียกว่า การคำนวณบนฐานของความรู้
10:15
in which one's starting not just from raw computation,
250
600000
3000
ซึ่งจุดเริ่มต้น ไม่ได้มาจากเพียงการคำนวณดิบๆิ
10:18
but from a vast amount of built-in knowledge.
251
603000
3000
แต่มาจากฐานความรู้ขนาดมหาศาล
10:21
And when one does that, one really changes
252
606000
2000
และเมื่อคนถาม ก็ทำให้เกิดการเปลี่ยนแปลง
10:23
the economics of delivering computational things,
253
608000
3000
ทางเศรษฐศาสตร์ของการส่งผ่านการคำนวณ
10:26
whether it's on the web or elsewhere.
254
611000
2000
ไม่ว่าจะเป็นบนเวปหรือที่อื่นๆ
10:28
You know, we have a fairly interesting situation right now.
255
613000
3000
คุณทราบไหมว่า พวกเราอยู่ในห้วงเวลาที่น่าติดตาม
10:31
On the one hand, we have Mathematica,
256
616000
2000
ในอีกด้านก็คือ เรามี Mathematica
10:33
with its sort of precise, formal language
257
618000
3000
ซึ่งเป็นภาษาที่มีโครงสร้างชัดเจน
10:36
and a huge network
258
621000
2000
และเครือข่ายขนาดใหญ่
10:38
of carefully designed capabilities
259
623000
2000
ของความสามารถที่ถูกออกแบบอย่างพิถีพิถัน
10:40
able to get a lot done in just a few lines.
260
625000
3000
สามารถทำให้ได้คำตอบมาโดยใช้เพียงแค่ไม่กี่บรรทัด
10:43
Let me show you a couple of examples here.
261
628000
3000
ผมอยากแสดงให้คุณดูสัก 2-3 ตัวอย่าง
10:47
So here's a trivial piece of Mathematica programming.
262
632000
3000
นี่คือการแสดงคำถามของโปรแกรม Mathematica
10:51
Here's something where we're sort of
263
636000
2000
นี่คือสิ่งที่พวกเราได้
10:53
integrating a bunch of different capabilities here.
264
638000
3000
แยกย่อยความสามารถที่แตกต่างกันนี้
10:56
Here we'll just create, in this line,
265
641000
3000
นี่คือสิ่งที่พวกเราเพิ่งสร้างขึ้นจากบรรทัดนี้
10:59
a little user interface that allows us to
266
644000
3000
โดยใช้การติดต่อกับผู้ใช้งาน ทำให้เราได้
11:02
do something fun there.
267
647000
2000
บางอย่างที่น่าสนุกขึ้น
11:05
If you go on, that's a slightly more complicated program
268
650000
2000
ถ้าคุณทำต่อไป ก็จะเกิดโปรแกรมที่ซับซ้อนมากขึ้น
11:07
that's now doing all sorts of algorithmic things
269
652000
3000
ซึ่งตอนนี้กำลังทำการประมวลผลอยู่
11:10
and creating user interface and so on.
270
655000
2000
และสร้างการติดต่อกับผู้ใช้ และอื่นๆ
11:12
But it's something that is very precise stuff.
271
657000
3000
แต่บางอย่างที่ต้องการความแม่นยำสูง
11:15
It's a precise specification with a precise formal language
272
660000
3000
จำเป็นต้องเฉพาะเจาะจงด้วยภาษาที่เป็นทางการ
11:18
that causes Mathematica to know what to do here.
273
663000
3000
นั่นจะทำให้ Mathematica รู้ว่าต้องทำอะไรต่อไป
11:21
Then on the other hand, we have Wolfram Alpha,
274
666000
3000
ในอีกด้านหนึ่งเรามี Wolfram Alpha
11:24
with all the messiness of the world
275
669000
2000
พร้อมทั้งการจัดระเบียบในโลกที่วุ่นวาย
11:26
and human language and so on built into it.
276
671000
2000
และภาษาของมนุษย์และอื่นๆที่สร้างมันขึ้นมา
11:28
So what happens when you put these things together?
277
673000
3000
และจะเกิดอะไรขึ้นเมื่อเอามารวมกัน
11:31
I think it's actually rather wonderful.
278
676000
2000
ผมคิดว่ามันค่อนข้างยอดเยี่ยม
11:33
With Wolfram Alpha inside Mathematica,
279
678000
2000
ด้วยการที่มี Wolfram Alpha อยู่ภายใน Mathematica
11:35
you can, for example, make precise programs
280
680000
2000
ยกตัวอย่างเช่น คุณสามารถที่จะทำโปรแกรมที่มีความแม่นยำ
11:37
that call on real world data.
281
682000
2000
ที่เรียกว่าข้อมูลจริง
11:39
Here's a real simple example.
282
684000
2000
นี่คือตัวอย่างง่ายๆที่เกิดขึ้น
11:44
You can also just sort of give vague input
283
689000
3000
คุณสามารถเพียงใส่ข้อมูลคร่าวๆ
11:47
and then try and have Wolfram Alpha
284
692000
2000
แล้วใช้ Wolfram Alpha
11:49
figure out what you're talking about.
285
694000
2000
ตอบคำตอบที่คุณคิดอยู่
11:51
Let's try this here.
286
696000
2000
และลองอันนี้
11:53
But actually I think the most exciting thing about this
287
698000
3000
แต่ผมคิดว่าสิ่งที่น่าตื่นเต้นที่สุดคือ
11:56
is that it really gives one the chance
288
701000
2000
มันเปิดโอกาสให้
11:58
to democratize programming.
289
703000
3000
ใช้งานโปรแกรมได้อย่างเท่าเทียมกัน
12:01
I mean, anyone will be able to say what they want in plain language.
290
706000
3000
ผมหมายถึงว่าไม่ว่าใครสามารถที่จะค้นหาสิ่งที่ต้องการโดยใช้ภาษาที่เรียบง่าย
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
709000
3000
ตามแนวคิดที่ว่า Wolfram Alpha สามารถเข้าใจคำถามที่ถาม
12:07
what precise pieces of code
292
712000
2000
โดยใช้โค้ตที่แม่นยำ
12:09
can do what they're asking for
293
714000
2000
สามารถตอบคำถามได้
12:11
and then show them examples that will let them pick what they need
294
716000
3000
และแสดงผลทั้งหมดออกมาให้เลือก
12:14
to build up bigger and bigger, precise programs.
295
719000
3000
เพื่อการสร้างโปรแกรมที่มีความแม่นยำมากยิ่งขึ้น
12:17
So, sometimes, Wolfram Alpha
296
722000
2000
ในบางครั้ง Wolfram Alpha
12:19
will be able to do the whole thing immediately
297
724000
2000
จะทำการทั้งหมดในทันที
12:21
and just give back a whole big program that you can then compute with.
298
726000
3000
แล้วกลับมาที่โปรแกรมที่คำนวณได้
12:24
Here's a big website
299
729000
2000
นี่คือเวปไซต์ขนาดใหญ่
12:26
where we've been collecting lots of educational
300
731000
3000
ซึ่งพวกเราได้ทำการรวบรวมความรู้
12:29
and other demonstrations about lots of kinds of things.
301
734000
3000
และการสาธิตที่เกี่ยวกับสิ่งต่างๆ
12:32
I'll show you one example here.
302
737000
3000
ดังนั้น ผมจะแสดงให้อีกตัวอย่าง
12:36
This is just an example of one of these computable documents.
303
741000
3000
นี่คือตัวอย่างการแสดงการคำนวณ
12:39
This is probably a fairly small
304
744000
2000
มันค่อนข้างสั้น
12:41
piece of Mathematica code
305
746000
2000
เป็นส่วนหนี่งของโค้ตใน Mathematica
12:43
that's able to be run here.
306
748000
2000
ที่รันบนนี้ได้
12:47
Okay. Let's zoom out again.
307
752000
3000
ถ้าพูดถึงภาพกว้างอีกครั้ง
12:50
So, given our new kind of science,
308
755000
2000
นี่เป็นวิทยาศาสตร์แบบใหม่
12:52
is there a general way to use it to make technology?
309
757000
3000
มีวิธีอื่นอีกไหมที่ใช้มันเพื่อสร้างเทคโนโลยี
12:55
So, with physical materials,
310
760000
2000
ร่วมกับอุปกรณ์อื่นๆ
12:57
we're used to going around the world
311
762000
2000
พวกเราเคยชินกับการไปรอบโลก
12:59
and discovering that particular materials
312
764000
2000
เพื่อค้นหาทรัพยากร
13:01
are useful for particular
313
766000
2000
เพื่อใช้ในงานเฉพาะทาง
13:03
technological purposes.
314
768000
2000
ด้านเทคโนโลยี และอื่นๆ
13:05
Well, it turns out we can do very much the same kind of thing
315
770000
2000
ทำให้พวกเราสามารถทำสิ่งต่างๆที่คล้ายกันได้
13:07
in the computational universe.
316
772000
2000
ในจักรวาลของการคำนวณ
13:09
There's an inexhaustible supply of programs out there.
317
774000
3000
ยังมีโปรแกรมอีกเยอะมากไม่สิ้นสุด
13:12
The challenge is to see how to
318
777000
2000
ความท้าทายนี้ทำให้เห็นว่า
13:14
harness them for human purposes.
319
779000
2000
จะให้มันทำงานตามความต้องการของมนุษย์ได้อย่างไร
13:16
Something like Rule 30, for example,
320
781000
2000
บางสิ่งเช่นกฎที่ 30 เป็นตัวอย่าง
13:18
turns out to be a really good randomness generator.
321
783000
2000
กลายเป็นว่ามันสุ่มเลขได้ค่อนข้างดี
13:20
Other simple programs are good models
322
785000
2000
มีโปรแกรมอื่นๆอีกก็เป็นแบบจำลองที่ดี
13:22
for processes in the natural or social world.
323
787000
3000
สำหรับกระบวนการในธรรมชาติและสังคม
13:25
And, for example, Wolfram Alpha and Mathematica
324
790000
2000
ดังตัวอย่างของ Wolfram Alpha และ Mathematica
13:27
are actually now full of algorithms
325
792000
2000
นั้นเต็มไปด้วยอัลกอริทึมที่ใช้ในการแก้ปัญหา
13:29
that we discovered by searching the computational universe.
326
794000
3000
ที่เราค้นพบโดยการใช้จักรวาลของการคำนวณ
13:33
And, for example, this -- if we go back here --
327
798000
3000
และตัวอย่างนี้ เรากลับมาดูที่นี่
13:37
this has become surprisingly popular
328
802000
2000
นี่เป็นสิ่งที่ได้รับการตอบรับอย่างน่าทึ่ง
13:39
among composers
329
804000
2000
เปรียบได้กับนักแต่งเพลง
13:41
finding musical forms by searching the computational universe.
330
806000
3000
ที่หารูปแบบดนตรีโดยใช้จักรวาลของการคำนวณ
13:45
In a sense, we can use the computational universe
331
810000
2000
หมายความว่า เราสามารถใช้จักรวาลการคำนวณ
13:47
to get mass customized creativity.
332
812000
3000
เพื่อทำงานที่สร้างสรรค์ได้จำนวนมาก
13:50
I'm hoping we can, for example,
333
815000
2000
ผมหวังว่าเราสามารถทำได้
13:52
use that even to get Wolfram Alpha
334
817000
2000
โดยใช้ Wolfram Alpha
13:54
to routinely do invention and discovery on the fly,
335
819000
3000
ให้มันทำงานการประดิษฐ์และค้นคว้างานที่ซ้ำๆ
13:57
and to find all sorts of wonderful stuff
336
822000
2000
และเพื่อให้เกิดงานที่ยอดเยี่ยม
13:59
that no engineer
337
824000
2000
โดยี่ไม่ต้องใช้วิศวกรเลย
14:01
and no process of incremental evolution would ever come up with.
338
826000
3000
หรือกระบวนการวิวัฒนาการใดๆเลย
14:05
Well, so, that leads to kind of an ultimate question:
339
830000
3000
เพื่อนำไปสู่การค้นหาคำตอบที่ดีที่สุด
14:08
Could it be that someplace out there in the computational universe
340
833000
3000
เป็นไปได้หรือไม่ที่ยังมีสิ่งอื่นที่อยู่นอกเหนือจักรวาลการคำนวณ
14:11
we might find our physical universe?
341
836000
3000
ที่ซึ่งเราอาจพบเจอบนจักรวาลนี้
14:14
Perhaps there's even some quite simple rule,
342
839000
2000
บางทีสิ่งนี้อาจเป็นเพียงแค่กฎที่ไม่ยุ่งยาก
14:16
some simple program for our universe.
343
841000
3000
เป็นโปรแกรมง่ายสำหรับจักรวาลของเรา
14:19
Well, the history of physics would have us believe
344
844000
2000
จากอดีดทำให้เราเชื่อว่า
14:21
that the rule for the universe must be pretty complicated.
345
846000
3000
กฎของจักรวาลต้องเป็นเรื่องที่ยากซับซ้อน
14:24
But in the computational universe,
346
849000
2000
แต่ในจักรวาลของการคำนวณ
14:26
we've now seen how rules that are incredibly simple
347
851000
3000
เราได้เห็นแล้วว่ากฎต่างๆนั้นเรียบง่ายอย่างไม่น่าเชื่อ
14:29
can produce incredibly rich and complex behavior.
348
854000
3000
ซึ่งทำให้เกิดลักษณะที่ซับซ้อนมากมาย
14:32
So could that be what's going on with our whole universe?
349
857000
3000
นั่นเป็นอาจเป็นสิ่งที่เกิดขึ้นในจักรวาลใช่ไหม?
14:36
If the rules for the universe are simple,
350
861000
2000
ถ้ากฏของจักรวาลเป็นเรื่องง่าย
14:38
it's kind of inevitable that they have to be
351
863000
2000
ก็เป็นสิ่งที่หลีกเลี่ยงไม่ได้ที่จะ
14:40
very abstract and very low level;
352
865000
2000
ใช้กระบวนการจากทฤษฎี
14:42
operating, for example, far below
353
867000
2000
ที่ไม่ซับซ้อนมาก ต่ำกว่า
14:44
the level of space or time,
354
869000
2000
ระดับของช่วง หรือเวลา
14:46
which makes it hard to represent things.
355
871000
2000
ซึ่งเป็นการยากที่จะแสดงออกมา
14:48
But in at least a large class of cases,
356
873000
2000
นับเป็นงานขนาดใหญ่
14:50
one can think of the universe as being
357
875000
2000
บางคนอาจคิดว่าจักรวาลเหมือนกับ
14:52
like some kind of network,
358
877000
2000
โครงข่าย
14:54
which, when it gets big enough,
359
879000
2000
ซึ่งใหญ่พอแล้ว
14:56
behaves like continuous space
360
881000
2000
เหมือนกับพื้นที่ที่ต่อเนื่อง
14:58
in much the same way as having lots of molecules
361
883000
2000
เช่นเดียวกับการมีโมเลกุลอยู่เป็นจำนวนมาก
15:00
can behave like a continuous fluid.
362
885000
2000
ซึ่งมีลักษณะราวกับเป็นของเหลวที่เคลื่อนไหว
15:02
Well, then the universe has to evolve by applying
363
887000
3000
ต่อมาจักรวาลจึงวิวัฒนาการโดย
15:05
little rules that progressively update this network.
364
890000
3000
ใช้กฎให้ค่อยๆพัฒนาจนกลายเป็นโครงข่าย
15:08
And each possible rule, in a sense,
365
893000
2000
และในแต่ละกฏ
15:10
corresponds to a candidate universe.
366
895000
2000
ก็จะเข้ากับกับจักรวาลที่ได้รับเลือก
15:12
Actually, I haven't shown these before,
367
897000
3000
ความจริงผมเองก็ยังไม่เคยนำเสนอสิ่งนี้มาก่อน
15:16
but here are a few of the candidate universes
368
901000
3000
แต่นี่คือจักรวาลที่ได้รับการเลือกเป็นบางส่วน
15:19
that I've looked at.
369
904000
2000
เมื่อผมได้ดู
15:21
Some of these are hopeless universes,
370
906000
2000
จักรวาลบางอันก็ถูกปล่อยทิ้งร้าง
15:23
completely sterile,
371
908000
2000
อย่างไร้ค่า
15:25
with other kinds of pathologies like no notion of space,
372
910000
2000
ไม่มีสภาวะใดๆ
15:27
no notion of time, no matter,
373
912000
3000
ไม่มีกาลเวลา ไม่มีอะไรเลย
15:30
other problems like that.
374
915000
2000
จึงเป็นปัญหาเช่นนี้
15:32
But the exciting thing that I've found in the last few years
375
917000
3000
แต่ก็มีสิ่งที่น่าสนใจ ที่ผมเพิ่งค้นพบเมื่อไม่กี่ปีมานี้
15:35
is that you actually don't have to go very far
376
920000
2000
ว่าคุณไม่จำเป็นต้องคาดการณ์ไปไกล
15:37
in the computational universe
377
922000
2000
ในจักรวาลของการคำนวณ
15:39
before you start finding candidate universes
378
924000
2000
ก่อนที่จะเริ่มต้นค้นหาจักรวาลที่เลือกมา
15:41
that aren't obviously not our universe.
379
926000
3000
และนั่นไม่แน่ว่าเป็นจักรวาลที่พวกเราอยู่
15:44
Here's the problem:
380
929000
2000
นี่แหละคือปัญหา
15:46
Any serious candidate for our universe
381
931000
3000
การเลือกตัวแทนสำหรับจักรวาลของเราขึ้นมานั้น
15:49
is inevitably full of computational irreducibility.
382
934000
3000
หลีกเลี่ยงไม่ได้ที่จะต้องทำการคำนวณแบบที่ลดรูปไม่ได้
15:52
Which means that it is irreducibly difficult
383
937000
3000
ซึ่งหมายถึง ในแบบที่ซับซ้อนยุ่งยาก
15:55
to find out how it will really behave,
384
940000
2000
เพื่อค้นหาว่ามันจะแสดงลักษณะออกมาอย่างไร
15:57
and whether it matches our physical universe.
385
942000
3000
และมันเข้าได้กับจักรวาลของเราในทางกายภาพหรือไม่
16:01
A few years ago, I was pretty excited to discover
386
946000
3000
เมื่อหลายปีก่อน ผมค่อนข้างตื่นเต้นกับการค้นพบ
16:04
that there are candidate universes with incredibly simple rules
387
949000
3000
จักรวาลที่เลือกมา เพื่อใช้กับกฎที่ไม่ซับซ้อน
16:07
that successfully reproduce special relativity,
388
952000
2000
ซึ่งอธิบายทฤษฏีสัมพัทธภาพพิเศษได้สำเร็จ
16:09
and even general relativity and gravitation,
389
954000
3000
และรวมถึงทฤษฎีสัมพัทธภาพทั่วไปและแรงโน้มถ่วง
16:12
and at least give hints of quantum mechanics.
390
957000
3000
และแนะแนวถึงควอนตั้มเมคานิกส์ด้วย
16:15
So, will we find the whole of physics?
391
960000
2000
ดังนั้นเราจะหาค้นฟิสิกส์ทั้งหมดได้หรือยัง ?
16:17
I don't know for sure,
392
962000
2000
นี่คือสิ่งที่ผมเองก็ไม่รู้
16:19
but I think at this point it's sort of
393
964000
2000
แต่ผมคิดว่านี่คือประเด็นของการค้นหา
16:21
almost embarrassing not to at least try.
394
966000
2000
อาจทำไม่ได้ แต่ก็น่าศึกษาดู
16:23
Not an easy project.
395
968000
2000
ไม่ใช่โครงการที่ง่ายเลย
16:25
One's got to build a lot of technology.
396
970000
2000
จำเป็นต้องสร้างเทคโนโลยีจำนวนมาก
16:27
One's got to build a structure that's probably
397
972000
2000
ต้องสร้างโครงสร้างที่
16:29
at least as deep as existing physics.
398
974000
2000
ลึกลงไปกว่าฟิสิกส์ที่ใช้กันอยู่
16:31
And I'm not sure what the best way to organize the whole thing is.
399
976000
3000
และผมก็ไม่มั่นใจว่าอะไรคือสิ่งที่ดีที่สุดที่จะจัดระเบียบของสิ่งทั้งมวล
16:34
Build a team, open it up, offer prizes and so on.
400
979000
3000
สร้างทีมงาน เปิดโอกาสให้มีการพัฒนา เสนอรางวัลและอื่นๆ
16:37
But I'll tell you, here today,
401
982000
2000
แต่สิ่งที่ผมจะบอกในวันนี้
16:39
that I'm committed to seeing this project done,
402
984000
2000
ผมยอมรับว่าจะได้เห็นโครงการนี้เสร็จสมบูรณ์แน่นอน
16:41
to see if, within this decade,
403
986000
3000
ภายในอีกสิบปี
16:44
we can finally hold in our hands
404
989000
2000
เราสามารถที่จะค้นพบ
16:46
the rule for our universe
405
991000
2000
กฏของจักรวาล
16:48
and know where our universe lies
406
993000
2000
และรู้เกี่ยวกับที่ตั้งของจักรวาล
16:50
in the space of all possible universes ...
407
995000
2000
ในปริภูมิที่มีจักรวาลอันมากมาย
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
997000
3000
และสามารถที่จะพิมพ์ลงใน Wolfram Alpha "ทฤษฎีของจักรวาล"
16:55
and have it tell us.
409
1000000
2000
และให้มันแสดงผล
16:57
(Laughter)
410
1002000
2000
(เสียงหัวเราะ)
17:00
So I've been working on the idea of computation
411
1005000
2000
ด้งนั้นผมจึงทำงานบนแนวคิดของการคำนวณ
17:02
now for more than 30 years,
412
1007000
2000
มาตลอดกว่า 30 ปี
17:04
building tools and methods and turning intellectual ideas
413
1009000
3000
การสร้างเครื่องมือและวิธีการอย่างอัจฉริยะ
17:07
into millions of lines of code
414
1012000
2000
ลงไปบนโค้ตกว่าล้านบรรทัด
17:09
and grist for server farms and so on.
415
1014000
2000
และทำการประมวลผลด้วยเครื่องเซิร์ฟเวอร์จำนวนมาก
17:11
With every passing year,
416
1016000
2000
ตลอดหลายปีที่ผ่านมา
17:13
I realize how much more powerful
417
1018000
2000
ผมตระหนักถึงความทรงพลัง
17:15
the idea of computation really is.
418
1020000
2000
ของแนวคิดในการคำนวณ
17:17
It's taken us a long way already,
419
1022000
2000
มันได้ใช้เวลาไปมากแล้ว
17:19
but there's so much more to come.
420
1024000
2000
แต่ก็ยังต้องใช้เวลาอีกมาก
17:21
From the foundations of science
421
1026000
2000
จากพื้นฐานของวิทยาศาสตร์
17:23
to the limits of technology
422
1028000
2000
จนถึงข้อจำกัดของเทคโนโลยี
17:25
to the very definition of the human condition,
423
1030000
2000
ไปจนถึงข้อจำกัดของมนุษย์
17:27
I think computation is destined to be
424
1032000
2000
ผมคิดว่าการคำนวณนี้ได้ถูกกำหนดไว้แล้ว
17:29
the defining idea of our future.
425
1034000
2000
ถึงแนวคิดเกี่ยวกับอนาคต
17:31
Thank you.
426
1036000
2000
ขอบคุณ
17:33
(Applause)
427
1038000
14000
(เสียงปรบมือ)
17:47
Chris Anderson: That was astonishing.
428
1052000
2000
คริส แอนเดอร์สัน : น่าทึ่งมาก
17:49
Stay here. I've got a question.
429
1054000
2000
อยู่ตรงนี้ก่อนครับ ผมมีคำถาม
17:51
(Applause)
430
1056000
4000
(เสียงปรบมือ)
17:57
So, that was, fair to say, an astonishing talk.
431
1062000
3000
เป็นการบรรยายที่น่าทึ่งมาก
18:01
Are you able to say in a sentence or two
432
1066000
3000
ผมอยากให้คุณลองบอกว่า
18:04
how this type of thinking
433
1069000
3000
ทำอย่างไรความคิดนี้
18:07
could integrate at some point
434
1072000
2000
สามารถรวมกันได้ ณ จุดหนึ่ง
18:09
to things like string theory or the kind of things that people think of
435
1074000
2000
ที่จะเป็นทฤษฎีสตริง หรือสิ่งที่ผู้คนกันคิดอยู่
18:11
as the fundamental explanations of the universe?
436
1076000
3000
ที่จะอธิบายฐานของจักรวาล?
18:14
Stephen Wolfram: Well, the parts of physics
437
1079000
2000
สตีเฟน วูลเฟรม : ในส่วนของฟิสิกส์
18:16
that we kind of know to be true,
438
1081000
2000
ที่พวกเรารู้ว่าเป็นจริง
18:18
things like the standard model of physics:
439
1083000
2000
สิ่งที่เป็นฟิสิกส์มาตรฐาน
18:20
what I'm trying to do better reproduce the standard model of physics
440
1085000
3000
คือ ผมพยายามสร้างรูปแบบฟิสิกส์ที่เป็นมาตรฐานให้ดียิ่งขึ้น
18:23
or it's simply wrong.
441
1088000
2000
หรืออาจผิดก็ได้
18:25
The things that people have tried to do in the last 25 years or so
442
1090000
2000
มีคนพยายามศึกษาแล้วอย่างน้อย 25 ปี
18:27
with string theory and so on
443
1092000
2000
ด้วยทฤษฎีสตริง
18:29
have been an interesting exploration
444
1094000
2000
เป็นการค้นหาที่น่าสนใจ
18:31
that has tried to get back to the standard model,
445
1096000
3000
ที่จะกลับไปสู่รูปแบบมาตรฐาน
18:34
but hasn't quite gotten there.
446
1099000
2000
แต่ก็ยังไม่ถึงขั้นนั้น
18:36
My guess is that some great simplifications of what I'm doing
447
1101000
3000
ผมคาดว่าสิ่งผมสร้างขึ้นอย่างดีเยี่ยมนี้
18:39
may actually have considerable resonance
448
1104000
3000
อาจนำมาใช้เข้ากับ
18:42
with what's been done in string theory,
449
1107000
2000
สิ่งที่เกิดขึ้นในทฤษฎีสตริง
18:44
but that's a complicated math thing
450
1109000
3000
แต่นั่นต้องใช้คณิตศาสตร์ที่ซับซ้อนทีเดียว
18:47
that I don't yet know how it's going to work out.
451
1112000
3000
ซึ่งผมเองก็ยังไม่รู้แน่ชัดว่าผลจะเป็นอย่างไร
18:50
CA: Benoit Mandelbrot is in the audience.
452
1115000
2000
CA : Benoit Mandlebrot เขามาเป็นผู้ฟังในวันนี้ด้วย
18:52
He also has shown how complexity
453
1117000
2000
เขาได้แสดงให้เห็นว่ามันซับซ้อนอย่างไร
18:54
can arise out of a simple start.
454
1119000
2000
โดยเริ่มจากสิ่งที่ง่ายๆ
18:56
Does your work relate to his?
455
1121000
2000
งานคุณเกี่ยวข้องกับเขาหรือเปล่า ?
18:58
SW: I think so.
456
1123000
2000
SW : ผมก็คิดว่าอย่างนั้น
19:00
I view Benoit Mandelbrot's work
457
1125000
2000
ผมได้ลองดูงานของ Benoit Mandlebrot
19:02
as one of the founding contributions
458
1127000
3000
เป็นแบบอย่างที่เริ่มต้น
19:05
to this kind of area.
459
1130000
3000
ของงานด้านนี้เช่นกัน
19:08
Benoit has been particularly interested
460
1133000
2000
Benoit สนใจด้านนี้เป็นพิเศษ
19:10
in nested patterns, in fractals and so on,
461
1135000
2000
ในรูปแบบ แบ่งเป็นส่วนๆ
19:12
where the structure is something
462
1137000
2000
ในขณะที่โครงสร้างเป็นบางสิ่ง
19:14
that's kind of tree-like,
463
1139000
2000
ที่เหมือนกับต้นไม้
19:16
and where there's sort of a big branch that makes little branches
464
1141000
2000
เป็นต้นไม้ต้นใหญ่ที่แผ่กิ่งให้เกิดกิ่งเล็กๆ
19:18
and even smaller branches and so on.
465
1143000
3000
และแตกแขนงออกไป
19:21
That's one of the ways
466
1146000
2000
นั่นก็เป็นวิธีอีกแบบ
19:23
that you get towards true complexity.
467
1148000
3000
ที่คุณจะไปสู่ความจริงที่ซับซ้อน
19:26
I think things like the Rule 30 cellular automaton
468
1151000
3000
ผมคิดเช่นเดียวกับกฏที่ 30 Cellular automaton
19:29
get us to a different level.
469
1154000
2000
นำไปสู่ระดับที่ต่างออกไป
19:31
In fact, in a very precise way, they get us to a different level
470
1156000
3000
ในความจริง ยังมีวิธีที่แม่นยำในระดับต่างๆ
19:34
because they seem to be things that are
471
1159000
2000
เพราะว่ามีบางสิ่งที่
19:37
capable of complexity
472
1162000
3000
สามารถจัดการกับความซับซ้อน
19:40
that's sort of as great as complexity can ever get ...
473
1165000
3000
การไขความซับซ้อนที่ยิ่งใหญ่สามารถทำได้
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1169000
3000
ผมสามารถคุยต่อไปได้เรื่อยๆ แต่ผมว่าไม่ดีกว่า
19:47
CA: Stephen Wolfram, thank you.
475
1172000
2000
CA : สตีเฟน วูลเฟรม ขอบคุณมากครับ
19:49
(Applause)
476
1174000
2000
(เสียงปรบมือ)
ABOUT THE SPEAKER
Stephen Wolfram - Scientist, inventorStephen Wolfram is the creator of Mathematica and Wolfram|Alpha, the author of A New Kind of Science, and the founder and CEO of Wolfram Research.
Why you should listen
Stephen Wolfram published his first scientific paper at the age of 15, and received his PhD in theoretical physics from Caltech by the age of 20. Having started to use computers in 1973, Wolfram rapidly became a leader in the emerging field of scientific computing.
In 1981 Wolfram became the youngest recipient of a MacArthur Prize Fellowship. He then set out on an ambitious new direction in science aimed at understanding the origins of complexity in nature. Wolfram's first key idea was to use computer experiments to study the behavior of simple computer programs known as cellular automata. This allowed him to make a series of startling discoveries about the origins of complexity.
Wolfram founded the first research center and the first journal in the field, Complex Systems, and began the development of Mathematica. Wolfram Research soon became a world leader in the software industry -- widely recognized for excellence in both technology and business.
Following the release of Mathematica Version 2 in 1991, Wolfram began to divide his time between Mathematica development and scientific research. Building on his work from the mid-1980s, and now with Mathematica as a tool, Wolfram made a rapid succession of major new discoveries, which he described in his book, A New Kind of Science.
Building on Mathematica, A New Kind of Science, and the success of Wolfram Research, Wolfram recently launched Wolfram|Alpha -- an ambitious, long-term project to make as much of the world's knowledge as possible computable, and accessible to everyone.
Stephen Wolfram | Speaker | TED.com