Jean-Baptiste Michel: The mathematics of history

93,319 views ・ 2012-05-15

TED


Please double-click on the English subtitles below to play the video.

00:00
Translator: Timothy Covell Reviewer: Morton Bast
0
0
7000
Translator: Tsering Tashi Yusea Reviewer: choegyal kyab
00:15
So it turns out that mathematics is a very powerful language.
1
15260
3671
གྲངས་རིག་དེ་ཤིན་ཏུ་ནུས་པ་ཆེ་བའི་སྐད་བརྡ་ཞིག་ཡིན།
00:18
It has generated considerable insight in physics,
2
18931
2312
དངོས་ལུགས་དང་སྐྱེ་དངོས། དཔལ་འབྱོར་རིག་པའི་ཕྱོགས་འགྲེལ་པའི་ཚེ།
00:21
in biology and economics,
3
21243
2100
དེ་ལ་རང་ཆས་སུ་གྲུབ་པའི་མཐུ་ཁྱད་པར་བ་ཞིག་ཡོད།
00:23
but not that much in the humanities and in history.
4
23343
2817
འོན་ཀྱང་ལོ་རྒྱུས་སོགས་མི་ཆོས་རིག་ཚན་དག་ལ་འགྲེལ་ཁག་པོ་ཡོད་པ་རེད།
00:26
I think there's a belief that it's just impossible,
5
26160
2283
མི་ཁ་ཤས་ཀྱིས་མི་ཆོས་རིག་ཚན་ཁག་ལ་གྲངས་རིག་གིས་འགྲེལ་རྒྱག་མི་ཐུབ་སྙམ་ཡོད་དེ།
00:28
that you cannot quantify the doings of mankind,
6
28443
2646
དེས་མིའི་བྱ་བྱེད་དང་
00:31
that you cannot measure history.
7
31089
2519
ལོ་རྒྱུས་ལ་ཚད་གཞལ་ཐབས་མེད་པར་འདོད་ཡོད།
00:33
But I don't think that's right.
8
33608
1527
ཡིན་ཡང་། ཁོ་བོས་དེ་འདྲ་བསམ་གྱི་མེད།
00:35
I want to show you a couple of examples why.
9
35135
2042
ངས་ཚང་མར་ལྡོག་ཕྱོགས་ཀྱི་དཔེ་འགའ་འདྲེན།
00:37
So my collaborator Erez and I were considering the following fact:
10
37177
2958
ངའི་མཉམ་ལས་རོཊ་པErezདང་ངེད་གཉིས་ཀྱིས་གཤམ་གྱི་དོན་དག་ལ་བསམ་བློ་བཏང་པ་ཡིན།
00:40
that two kings separated by centuries
11
40135
2729
དོན་དག་གང་ཡིན་ཟེར་ན། དུས་རབས་མི་གཅིག་པའི་རྒྱལ་པོ་གཉིས་ཀྱིས་
00:42
will speak a very different language.
12
42864
1767
སྐད་རིགས་མི་འདྲ་བའི་ལམ་ནས་ཁ་བརྡ་བྱེད་ཅིང་།
00:44
That's a powerful historical force.
13
44631
2304
འདི་ལ་ལོ་རྒྱུས་ཀྱི་ནུས་མཐུ་ཤིན་ཏུ་ཆེན་པོ་ཞིག་ཡོད།
00:46
So the king of England, Alfred the Great,
14
46935
1773
བྱས་ཙང་། ཨིན་ཇིའི་རྒྱལ་པོ་ཨལ་ཧྥོ་ཌིར་ཡིས་
00:48
will use a vocabulary and grammar
15
48708
1640
བརྡ་སྤྲོད་དང་ཐ་སྙད་རིགས་ཤིག་སྤྱོད་སྲིད་ཅིང་།
00:50
that is quite different from the king of hip hop, Jay-Z.
16
50348
3700
དེ་ནིhip hopཡི་རྒྱལ་པོJay-Zཡིས་སྤྱོད་པའི་བརྡ་སྤྲོད་དང་ཐ་སྙད་དང་རྦད་དེ་འདྲ་གི་མ་རེད།
00:54
(Laughter)
17
54048
1666
༼དགོད་སྒྲ༽
00:55
Now it's just the way it is.
18
55714
2171
ངོ་མ་དེ་དེ་འདྲ་ཞིག་རེད།
00:57
Language changes over time, and it's a powerful force.
19
57885
2292
སྐད་ཆ་ནི་དུས་དང་བསྟུན་ནས་འགྱུར་ཅིང་། བྱེད་ནུས་ཤིན་ཏུ་ཆེན་པོ་ཡོད།
01:00
So Erez and I wanted to know more about that.
20
60177
2287
དེ་བསErezདང་ངེད་གཉིས་ཀྱིས་སྐད་ཆའི་ལོ་རྒྱུས་སྐོར་མང་ཙམ་ཤེས་འདོད་བྱུང་།
01:02
So we paid attention to a particular grammatical rule, past-tense conjugation.
21
62464
3657
ངེད་གཉིས་ཀྱིས་བྱ་ཚིག་ལས་དུས་འདས་པའི་སྲོལ་དེ་ལ་ཞིབ་འཇུག་བྱས་པ་ཡིན།
01:06
So you just add "ed" to a verb at the end to signify the past.
22
66121
3264
མི་ཚོས་བྱ་ཚིག་གི་གི་རྗེས་ལ“ed”སྦྱར་ནས་དུས་འདས་པ་མཚོན་གྱི་ཡོད་པ་རེད།
01:09
"Today I walk. Yesterday I walked."
23
69385
1927
ཆགས་བཞག་ན། “Today i walk”དེ་རིང་ང་ལམ་ལ་བགྲོད།“Yesterday I walked”ཁ་སང་ང་ལམ་ལ་ཕྱིན།
01:11
But some verbs are irregular.
24
71312
1344
བྱ་ཚིག་ལ་ཤས་ཀྱི་གཟུགས་འགྱུར་བ་ལ་ཆོས་ཉིད་མེད་པ་ཡིན།
01:12
"Yesterday I thought."
25
72656
1396
དཔེར་ན། “Yesterday I thought”ཁ་སང་ངས་བསམས།
01:14
Now what's interesting about that
26
74052
1666
འདི་ལས་མཐོང་ཐུབ་པའི་སྣང་ཚུལ་མཚར་བོ་ཞིག་ནི།
01:15
is irregular verbs between Alfred and Jay-Z have become more regular.
27
75718
3830
AlfredདངJay-Zརྣམ་གཉིས་ཀྱི་བར་སྐབས་སུ་གཟུགས་འགྱུར་བའི་བྱ་ཚིག་དག་གཟུགས་མི་འགྱུར་བར་གྱུར་ཡོད།
01:19
Like the verb "to wed" that you see here has become regular.
28
79548
2735
དཔེར་ན། འདིར་བཀོད་ཡོད་པའི་་"to wed"༼གཉེན་བསྒྲིག༽་ལྟ་བུ་གཟུགས་མི་འགྱུར་བར་གྱུར་ཡོད།
01:22
So Erez and I followed the fate of over 100 irregular verbs
29
82283
4022
དེ་བསErezདང་ངེད་གཉིས་ཀྱིས་དུས་རབས12རིང་གི་ཨིན་སྐད་ནང་གི་
01:26
through 12 centuries of English language,
30
86305
1919
གཟུཊ་འགྱུར་བྱ་ཚིག100ལྷག་གི་འགྱུར་བར་ཉམས་ཞིབ་བྱས་པ་ཡིན།
01:28
and we saw that there's actually a very simple mathematical pattern
31
88224
2911
ངེད་གཉིས་ཀྱིས་འགྱུར་བ་དེ་དག་གི་ཁྲོད་ཆེས་སྟབས་བདེ་བའི་གྲངས་རིག་གི་ཆོས་ཉིད་ཅིག་གིས་
01:31
that captures this complex historical change,
32
91135
2542
ཆེས་རྙོག་འཛིང་གི་ལོ་རྒྱུས་ཀྱི་འགྱུར་བ་མངོན་ཡོད་པ་རྟོགས།
01:33
namely, if a verb is 100 times more frequent than another,
33
93677
3660
ཆོས་ཉིད་དེ་ནི། བྱ་ཚིག་ཅིག་བྱ་ཚིག་གཞན་ལས་ལྡབ100ཡིས་སྤྱོད་སྒོ་ཆེ་ན།
01:37
it regularizes 10 times slower.
34
97337
2665
དེ་ཉིད་གཟུགས་མི་འགྱུར་བའི་བྱ་ཚིག་ཏུ་འགྱུར་བའི་འགྲོས་ལྡབ10ཡིས་ཇེ་དལ་དུ་འགྲོ
01:40
That's a piece of history, but it comes in a mathematical wrapping.
35
100002
3935
དེ་ནི་ལོ་རྒྱུས་ཀྱི་དོན་དག་ཞིག་རེད། འོན་ཀྱང་གྲངས་རིག་གི་རྣམ་པ་ལྟར་མངོན་འོངས།
01:43
Now in some cases math can even help explain,
36
103937
3654
སྐབས་ལ་ལར། གྲངས་རིག་གིས་གནད་ཅིག་འགྲེལ་བཤད་ལ་ལྷག་པར་རོགས་རམ་ཐུབ།
01:47
or propose explanations for, historical forces.
37
107591
2879
ཡང་ན། ལོ་རྒྱུས་ཀྱི་སྒུལ་ཤུགས་ཤིག་ལ་སྔར་བས་གསལ་བཤད་རྒྱག་ཐུབ།
01:50
So here Steve Pinker and I
38
110470
1832
དེ་བས་Steve Pinkerདང་ངེད་གཉིས་ཀྱིས་
01:52
were considering the magnitude of wars during the last two centuries.
39
112302
3852
འདས་ཟིན་པའི་དུས་རབས་གཉིས་རིང་གི་དམག་འཁྲུག་གི་ཡ་ང་བའི་ཚད་ལ་བསམ་གཞིགས་བྱས་པ་ཡིན།
01:56
There's actually a well-known regularity to them
40
116154
2495
དོན་དངོས་སུ། དེ་ལའང་ཚང་མས་ཤེས་པའི་ཆོས་ཉིད་ཅིག་ཡོད།
01:58
where the number of wars that are 100 times deadlier
41
118649
3422
དེ་ནི་བསད་རྨས་ཐེབས་པ་ལྡབ་100ཡིས་མང་བའི་དམག་འཁྲུག་དེ་
02:02
is 10 times smaller.
42
122071
1952
བསད་རྨས་ཐེབས་པ་དེ་ལས་ཉུང་བའི་དམག་འཁྲུག་ལས་བཅུ་ཆ་གཅིག་རེད།
02:04
So there are 30 wars that are about as deadly as the Six Days War,
43
124023
3344
དེས་ན་༼ཨ་རབ་དང་ཨི་སི་རེལ་གྱི་ཉིན་དྲུག་གི་དམག་འཁྲུག༽ཁྲོད་བསད་རྨས་ཐེབས་པའི་གྲངས་་དེ་དམག་འཁྲུག་གཞན་30དང་འདྲ་བོ་ཡོད།
02:07
but there's only four wars that are 100 times deadlier --
44
127367
2820
འོན་ཀྱང་བསད་རྨས་ཐེབས་པ་ལྡབ100ལས་མང་བའི་དམག་འཁྲུག་ཐེངས་བཞི་མ་གཏོགས་བྱུང་མྱོང་མེད།
02:10
like World War I.
45
130187
1977
དཔེར་ན། འཛམ་གླིང་འཁྲུག་ཆེན་དང་པོ་རེད།
02:12
So what kind of historical mechanism can produce that?
46
132164
2923
འཁྲུག་ཆེན་འདི་དག་གནས་ཚུལ་ཇི་འདྲ་ཞིག་ལ་རྐྱེན་བྱས་ནས་བྱུང་བ་ཡིན་ནམ།
02:15
What's the origin of this?
47
135087
2000
དེའི་གདོད་མའི་འབྱུང་རྐྱེན་དེ་ཅི་ཞིག་རེད།
02:17
So Steve and I, through mathematical analysis,
48
137087
2265
གྲོགསSteveདང་ངེད་གཉིས་ནས་གྲངས་རིག་གི་དབྱེ་ཞིབ་བྱས་པ་བརྒྱུད།
02:19
propose that there's actually a very simple phenomenon at the root of this,
49
139352
4241
དོན་དམ་པར་དེ་དག་བྱུང་བར་ཆེས་སླ་བའི་སྣང་ཚུལ་ཞིག་གིས་རྐྱེན་བྱས་འདུག་ཏེ།
02:23
which lies in our brains.
50
143593
1690
སྣང་ཚུལ་དེ་ནི་ང་ཚོའི་བསམ་པར་རག་ལས་འདུག
02:25
This is a very well-known feature
51
145283
2019
འདི་ནི་ཀུན་གྱིས་ཤེས་པའི་ཁྱད་ཆོས་ཤིག་རེད།
02:27
in which we perceive quantities in relative ways --
52
147302
2975
གྲངས་འབོར་དག་ནི་ལྟོས་བཅས་སུ་གྲུབ་པ་སྟེ།
02:30
quantities like the intensity of light or the loudness of a sound.
53
150277
3716
འོད་ཀྱི་བཀྲག་ཚད་དང་སྒྲ་ཡི་མཐོ་དམའ་ལྟར་ལྟོས་བཅས་རེད།
02:33
For instance, committing 10,000 soldiers to the next battle sounds like a lot.
54
153993
5309
དཔེར་ན། དམག་མི་ཁྲི་གཅིག་གཡུལ་འཁྲུག་ཞིག་ཏུ་གཏོང་བ་ནི་ཤིན་ཏུ་མང་བར་བསམ།
02:39
It's relatively enormous if you've already committed 1,000 soldiers previously.
55
159302
3444
ལྷག་པར་ཐེངས་སྔོན་མར་དམག་མི་སྟོང་གཅིག་ལས་མངགས་མེད་པ་ཡིན་ན།
02:42
But it doesn't sound so much,
56
162746
1827
འོན་ཀྱང་། གྲངས་འབོར་དེ་ཡང་མང་པོ་ཞིག་ཏུ་སྙམ་པར་མི་བྱེད་པར།
02:44
it's not relatively enough, it won't make a difference
57
164573
3020
དེས་མི་འདང་བ་དང་འགྱུར་བ་ཞིག་ཐོན་མི་སྲིད་པར་སྙམ་སྲིད།
02:47
if you've already committed 100,000 soldiers previously.
58
167593
2952
གལ་ཏེ། དམག་མི་ཁྲི་བཅུ་སྔོན་མ་ནས་གཡུལ་སར་མངགས་ཡོད་པ་ཡིན་ན།
02:50
So you see that because of the way we perceive quantities,
59
170545
3613
ལྟོས་དང་། ང་ཚོས་གྲངས་འབོར་མཚུངས་པ་ཞིག་ལ་བལྟ་སྟངས་འདྲ་ཡི་མི་འདུག
02:54
as the war drags on,
60
174158
1767
གཡུལ་འཁྲུག་རྒྱུན་བསྐྱངས་པ་དང་དུས་མཚུངས་སུ་
02:55
the number of soldiers committed to it and the casualties
61
175925
3085
དམག་མི་གཡུལ་ལ་ཞུགས་པ་དང་ཤི་རྨས་ཐེབས་གྲངས་དེ་
02:59
will increase not linearly --
62
179010
1683
དལ་འགྲོས་ཀྱིས་ཇེ་མཐོར་འགྲོ་བ་མིན་པར།
03:00
like 10,000, 11,000, 12,000 --
63
180693
1888
དཔེར་ན། 10000ནས11000དང་། དེ་ནས12000ལྟར་འགྲོ་བ་མིན་པར།
03:02
but exponentially -- 10,000, later 20,000, later 40,000.
64
182581
4275
མྱུར་འགྲོས་ཀྱིས10000ནས20000དང་། དེ་ནས་ཡང་40000ལྟར་སྟོད་པར་བྱེད།
03:06
And so that explains this pattern that we've seen before.
65
186856
3085
འདིས་ཏག་ཏག་ང་ཚོས་ད་སྔོན་མཐོང་བའི་ཆོས་ཉིད་དེ་འགྲེལ་བཤད་བྱས་ཡོད།
03:09
So here mathematics is able to link a well-known feature of the individual mind
66
189941
5498
དེས་ན་གྲངས་རིག་གིས་སྒེར་གྱི་རང་རིག་གི་ཁྱད་ཆོས་ཀུན་གྱིས་རྟོགས་པ་གང་དེ་
03:15
with a long-term historical pattern
67
195439
2989
རྒྱུན་རིང་བའི་ལོ་རྒྱུས་ཀྱི་ཆོས་ཉིད་
03:18
that unfolds over centuries and across continents.
68
198428
2857
དུས་རབས་འགའ་དང་གླིང་ཆེན་དག་གི་ཁྲོད་མ་ཤེས་པ་གང་ཞིག་དང་སྦྲེལ་བར་བྱེད།
03:21
So these types of examples, today there are just a few of them,
69
201285
4017
མིག་སྔར། དཔེར་བརྗོད་འདི་དག་ལས་མེད་ན་ཡང་།(གྲངས་རྩིས་ཀྱི་ལོ་རྒྱུས་འགྲེལ་བའི)
03:25
but I think in the next decade they will become commonplace.
70
205302
2689
ཁོ་བོས་བསམ་ན། མ་འོངས་པའི་བགྲང་བྱ་བཅུ་ལྷག་རིང་འདི་དག་འཐུས་ཚང་བར་འགྱུར་ངེས།
03:27
The reason for that is that the historical record
71
207991
2392
འདིའི་རྒྱུ་མཚན་ནི། ལོ་རྒྱུས་ཀྱི་བྱུང་བ་བཀོད་པ་དག་
03:30
is becoming digitized at a very fast pace.
72
210383
2460
ད་ནི་ཆེས་མྱུར་མོས་ངང་གྲངས་རྩིས་ཅན་ཏུ་འགྱུར་གྱིན་ཡོད།
03:32
So there's about 130 million books
73
212843
2610
སྔ་མོ་དཔལ་ཡོན་དར་བ་ནས་བཟུང་སྟེ་ཡི་གེ་བྲིས་པ་ལ་
03:35
that have been written since the dawn of time.
74
215453
2311
ད་ལྟ་མིའི་རིགས་ཀྱིས་དེབ་ཐེར་དུང་ཕྱུར་13ཙམ་ཞིག་བྲིས་ཚར་ཡོད་ཅིང་།
03:37
Companies like Google have digitized many of them --
75
217764
2454
དེ་ལས་མང་པོ་ཞིགGoogleལྟ་བུའི་བཟོ་གྲྭས་གྲངས་རྩིས་ཅན་ཏུ་བསྒྱུར་ཚར་ཡོད་པ་ལྟ་བུ་རེད།
03:40
above 20 million actually.
76
220218
1584
ཧ་ལམ་དུང་ཕྱུར2ཙམ་བསྒྱུར་ཚར་ཡོད་པ་རེད།
03:41
And when the stuff of history is available in digital form,
77
221802
3578
དེས་ན་ལོ་རྒྱུས་ཀྱི་བྱུང་བ་མཐའ་དག་གྲངས་རྩིས་ཀྱི་རྣམ་པས་བཀོད་ཚར་ཡོད་དུས་སུ།
03:45
it makes it possible for a mathematical analysis
78
225380
2380
གྲངས་རིག་གིས་དབྱེ་ཞིབ་བྱེད་པར་མཐུན་རྐྱེན་བཟོས་ཡོད་པ་ཡིན།
03:47
to very quickly and very conveniently
79
227760
2375
ཆེས་མྱུར་མོ་དང་སྟབས་བདེ་མོས་ངང་
03:50
review trends in our history and our culture.
80
230135
2725
ང་ཚོའི་ལོ་རྒྱུས་དང་རིག་གནས་ཁྲོད་ཀྱི་འཕེལ་རིམ་ལ་བལྟས་ཆོག་པ་ཡིན།
03:52
So I think in the next decade,
81
232860
2721
དེ་བས་ཁོ་བོའི་བསམ་པར། མ་འོངས་པའི་ལོ་བཅུ་ལྷག་གི་ནང་།
03:55
the sciences and the humanities will come closer together
82
235581
2750
ཚན་རིག་དང་མིའི་རིགས་སྔར་བས་དམ་ཟབ་ཏུ་ཕྱིན་ཏེ།
03:58
to be able to answer deep questions about mankind.
83
238331
3329
འགྲོ་བ་མིའི་སྐོར་གྱི་ཟབ་ཅིང་དཀའ་བའི་དྲི་བ་དག་ལ་ལན་གདབ་ཐུབ་པར་བསམ་ཞིང་
04:01
And I think that mathematics will be a very powerful language to do that.
84
241660
4121
དེ་ལྟར་འགྲེལ་རྒྱག་པར་ཨང་རྩིས་ནི་ཆེས་ཤིན་ཏུ་ནུས་པ་ལྡན་པའི་སྐད་རིགས་ཤིག་རེད་འདོད།
04:05
It will be able to reveal new trends in our history,
85
245781
3146
དེས་ང་ཚོའི་ལོ་རྒྱུས་ཁྲོད་ཀྱི་འཕེལ་རིམ་གསར་བ་སྟོན་པར་བྱེད་སྲིད་ལ།
04:08
sometimes to explain them,
86
248927
1750
ལན་རེར་དེ་དག་ལ་འགྲེལ་བཤད་དང་།
04:10
and maybe even in the future to predict what's going to happen.
87
250677
3306
ཐ་ན་མ་འོངས་པར་ཅི་ཞིག་འབྱུང་སྲིད་པའི་སྔོན་དཔག་ཀྱང་བྱེད་ཐུབ་སྲིད།
04:13
Thank you very much.
88
253983
1491
ཐུགས་རྗེ་ཆེ།།
04:15
(Applause)
89
255474
3678
༼ཐལ་མོ་རྡེབ་སྒྲ༽
About this website

This site will introduce you to YouTube videos that are useful for learning English. You will see English lessons taught by top-notch teachers from around the world. Double-click on the English subtitles displayed on each video page to play the video from there. The subtitles scroll in sync with the video playback. If you have any comments or requests, please contact us using this contact form.

https://forms.gle/WvT1wiN1qDtmnspy7