How algorithms shape our world | Kevin Slavin

484,372 views ・ 2011-07-21

TED


Pro přehrání videa dvakrát klikněte na anglické titulky níže.

Překladatel: Tomáš Křehlík Korektor: Jan Kadlec
00:15
This is a photograph
0
15260
2000
Tohle je fotka
00:17
by the artist Michael Najjar,
1
17260
2000
vytvořená umělcem, který se jmenuje Michael Najjar,
00:19
and it's real,
2
19260
2000
a je reálná
00:21
in the sense that he went there to Argentina
3
21260
2000
protože jel do Argentiny,
00:23
to take the photo.
4
23260
2000
aby to vyfotil.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
25260
3000
Ale je to taky fikce. Hodně na té fotce pracoval i potom.
00:28
And what he's done
6
28260
2000
A tady je co udělal:
00:30
is he's actually reshaped, digitally,
7
30260
2000
digitálně upravil
00:32
all of the contours of the mountains
8
32260
2000
všechny obrysy a vrcholky hor,
00:34
to follow the vicissitudes of the Dow Jones index.
9
34260
3000
aby vypadaly jako vývoj Dow Jones indexu.
00:37
So what you see,
10
37260
2000
Takže to, co vidíte,
00:39
that precipice, that high precipice with the valley,
11
39260
2000
ten sráz, ta stěna s údolím,
00:41
is the 2008 financial crisis.
12
41260
2000
je finanční krize v roce 2008.
00:43
The photo was made
13
43260
2000
Ta fotka byla vytvořená,
00:45
when we were deep in the valley over there.
14
45260
2000
když jsme byli hluboko v tamtom údolí.
00:47
I don't know where we are now.
15
47260
2000
Netuším, kde jsme teď.
00:49
This is the Hang Seng index
16
49260
2000
Tohle je Hang Seng index
00:51
for Hong Kong.
17
51260
2000
pro Hong Kong.
00:53
And similar topography.
18
53260
2000
A podobný tvar.
00:55
I wonder why.
19
55260
2000
Přemýšlím proč.
00:57
And this is art. This is metaphor.
20
57260
3000
A tohle je umění. Tohle je metafora.
01:00
But I think the point is
21
60260
2000
Ale myslím, že je důležité,
01:02
that this is metaphor with teeth,
22
62260
2000
že je to břitká metafora.
01:04
and it's with those teeth that I want to propose today
23
64260
3000
A stejně ostře bych rád dnes navrhl,
01:07
that we rethink a little bit
24
67260
2000
abychom se trochu zamysleli
01:09
about the role of contemporary math --
25
69260
3000
nad rolí matematiky,
01:12
not just financial math, but math in general.
26
72260
3000
nejenom finanční matematiky, ale matematiky obecně.
01:15
That its transition
27
75260
2000
A její přerod
01:17
from being something that we extract and derive from the world
28
77260
3000
z něčeho, co jsme dostávali a odvozovali ze světa
01:20
to something that actually starts to shape it --
29
80260
3000
v něco, co začíná svět, kolem nás
01:23
the world around us and the world inside us.
30
83260
3000
a v nás, utvářet.
01:26
And it's specifically algorithms,
31
86260
2000
A jsou to především algoritmy,
01:28
which are basically the math
32
88260
2000
které jsou vlastně matematika,
01:30
that computers use to decide stuff.
33
90260
3000
kterou používají počítače, aby rozhodovali věci.
01:33
They acquire the sensibility of truth
34
93260
2000
Učí se být citlivé vůči podstatě,
01:35
because they repeat over and over again,
35
95260
2000
protože se opakují pořád dokola.
01:37
and they ossify and calcify,
36
97260
3000
A tak kostnatí
01:40
and they become real.
37
100260
2000
a stávají se reálnými.
01:42
And I was thinking about this, of all places,
38
102260
3000
A přemýšlel jsem o tom hlavně,
01:45
on a transatlantic flight a couple of years ago,
39
105260
3000
když jsem letěl před několika lety přes Atlantik,
01:48
because I happened to be seated
40
108260
2000
protože jsem se náhodou ocitl
01:50
next to a Hungarian physicist about my age
41
110260
2000
vedle maďarského fyzika, zhruba stejně starého.
01:52
and we were talking
42
112260
2000
A tak jsme si povídali
01:54
about what life was like during the Cold War
43
114260
2000
o tom, jaký byl život během studené války
01:56
for physicists in Hungary.
44
116260
2000
pro fyziky v Maďarsku.
01:58
And I said, "So what were you doing?"
45
118260
2000
A tak mu říkám: "Co jste tenkrát dělali?"
02:00
And he said, "Well we were mostly breaking stealth."
46
120260
2000
On na to: "Tak, hlavně jsme se snažili prolomit maskovací technologie."
02:02
And I said, "That's a good job. That's interesting.
47
122260
2000
"To je dobrá práce, to je zajímavé.
02:04
How does that work?"
48
124260
2000
Jak to fungovalo?"
02:06
And to understand that,
49
126260
2000
A abyste tomu porozuměli,
02:08
you have to understand a little bit about how stealth works.
50
128260
3000
musíte trochu vědět, jak fungují maskovací technologie.
02:11
And so -- this is an over-simplification --
51
131260
3000
No, hodně to zjednodušuji,
02:14
but basically, it's not like
52
134260
2000
ale vlastně… nemůžete
02:16
you can just pass a radar signal
53
136260
2000
jen tak dostat radarový signál
02:18
right through 156 tons of steel in the sky.
54
138260
3000
skrz 156 tun železa, co je ve vzduchu.
02:21
It's not just going to disappear.
55
141260
3000
Jen tak to nezmizí.
02:24
But if you can take this big, massive thing,
56
144260
3000
Ale když dokážete vzít tuhle obrovskou masivní věc
02:27
and you could turn it into
57
147260
3000
a změnit ji v
02:30
a million little things --
58
150260
2000
milion malých věcí,
02:32
something like a flock of birds --
59
152260
2000
něco jako hejno ptáků,
02:34
well then the radar that's looking for that
60
154260
2000
tak radar, který to hledá,
02:36
has to be able to see
61
156260
2000
musí vidět
02:38
every flock of birds in the sky.
62
158260
2000
každé hejno ptáků na obloze.
02:40
And if you're a radar, that's a really bad job.
63
160260
4000
A pokud jste radar, tak je to fakt blbej úkol.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
164260
3000
A on mi na to povídá: "Jasně, pokud jsi radar.
02:47
So we didn't use a radar;
65
167260
2000
Takže jsme nepoužili radar.
02:49
we built a black box that was looking for electrical signals,
66
169260
3000
Postavili jsme černou skříňku, která hledá elektronické signály,
02:52
electronic communication.
67
172260
3000
elektronickou komunikaci.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
175260
3000
A když jsme viděli hejno ptáků, ve kterém byla nějaká elektronická komunikace,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
178260
3000
řekli jsme si, že to asi bude mít co dělat s Američany."
03:01
And I said, "Yeah.
70
181260
2000
A já mu povídám: "Jo,
03:03
That's good.
71
183260
2000
to je dobrý.
03:05
So you've effectively negated
72
185260
2000
Takže jste v podstatě zničili
03:07
60 years of aeronautic research.
73
187260
2000
60 let leteckého výzkumu.
03:09
What's your act two?
74
189260
2000
Co je druhé dějství?
03:11
What do you do when you grow up?"
75
191260
2000
Co děláš, když jsi vyrostl?"
03:13
And he said,
76
193260
2000
On na to:
03:15
"Well, financial services."
77
195260
2000
"To víš, finanční služby."
03:17
And I said, "Oh."
78
197260
2000
Já mu povídám: "Hmm."
03:19
Because those had been in the news lately.
79
199260
3000
Protože zrovna nedávno byly ve zprávách.
03:22
And I said, "How does that work?"
80
202260
2000
Tak se ho ptám: "Jak to funguje?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
204260
2000
A on na to: "Na Wall Street je teď 2000 fyziků
03:26
and I'm one of them."
82
206260
2000
a já jsem jeden z nich."
03:28
And I said, "What's the black box for Wall Street?"
83
208260
3000
"A jaká je černá skříňka pro Wall Street?"
03:31
And he said, "It's funny you ask that,
84
211260
2000
A on povídá: "To je vtipný, že se ptáš zrovna takhle,
03:33
because it's actually called black box trading.
85
213260
3000
protože se tomu říká obchodování přes černou skříňku.
03:36
And it's also sometimes called algo trading,
86
216260
2000
Nebo taky občas algo obchodování,
03:38
algorithmic trading."
87
218260
3000
algoritmické obchodování."
03:41
And algorithmic trading evolved in part
88
221260
3000
A algoritmické obchodování se rozvinulo zčásti proto,
03:44
because institutional traders have the same problems
89
224260
3000
že institucionální obchodníci měli stejné problémy,
03:47
that the United States Air Force had,
90
227260
3000
jako mělo letectvo Spojených států,
03:50
which is that they're moving these positions --
91
230260
3000
protože přetvářeli své finanční pozice,
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
233260
2000
ať to byl Proctor & Gamble nebo Accenture, to je jedno,
03:55
they're moving a million shares of something
93
235260
2000
přesouvali miliony akcií něčeho
03:57
through the market.
94
237260
2000
skrz trh.
03:59
And if they do that all at once,
95
239260
2000
A pokud by to udělali všechno najednou,
04:01
it's like playing poker and going all in right away.
96
241260
2000
bylo by to jako hrát poker a hned vsadit všechno.
04:03
You just tip your hand.
97
243260
2000
Všichni by věděli, co plánují.
04:05
And so they have to find a way --
98
245260
2000
A tak potřebovali najít způsob,
04:07
and they use algorithms to do this --
99
247260
2000
jak rozdělit jednu velkou věc
04:09
to break up that big thing
100
249260
2000
na milion malých transakcí –
04:11
into a million little transactions.
101
251260
2000
a k tomu použili algoritmy.
04:13
And the magic and the horror of that
102
253260
2000
A to kouzlo a děs je v tom,
04:15
is that the same math
103
255260
2000
že ta stejná matematika,
04:17
that you use to break up the big thing
104
257260
2000
kterou používáme, abychom rozdělili jednu velkou věc
04:19
into a million little things
105
259260
2000
na milion malých,
04:21
can be used to find a million little things
106
261260
2000
se dá použít, abychom našli milion malých věcí
04:23
and sew them back together
107
263260
2000
a dali je zpátky dohromady
04:25
and figure out what's actually happening in the market.
108
265260
2000
a přišli na to, co se vlastně na trhu děje.
04:27
So if you need to have some image
109
267260
2000
Takže abyste si trochu představili,
04:29
of what's happening in the stock market right now,
110
269260
3000
co se vlastně dneska děje na akciových trzích,
04:32
what you can picture is a bunch of algorithms
111
272260
2000
představte si spoustu algoritmů,
04:34
that are basically programmed to hide,
112
274260
3000
které jsou naprogramovány, aby se schovávaly,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
277260
3000
a spoustu algoritmů, které jsou naprogramovány, aby našly ty, co se schovávají.
04:40
And all of that's great, and it's fine.
114
280260
3000
A všechno to je super a je to v pohodě.
04:43
And that's 70 percent
115
283260
2000
A je to 70 %
04:45
of the United States stock market,
116
285260
2000
amerického akciového trhu,
04:47
70 percent of the operating system
117
287260
2000
70 % operačního systému,
04:49
formerly known as your pension,
118
289260
3000
kterému se dřív říkalo penze
04:52
your mortgage.
119
292260
3000
nebo půjčka.
04:55
And what could go wrong?
120
295260
2000
A co by se mohlo porouchat?
04:57
What could go wrong
121
297260
2000
Co se mohlo stát je,
04:59
is that a year ago,
122
299260
2000
že před rokem
05:01
nine percent of the entire market just disappears in five minutes,
123
301260
3000
devět procent celého trhu jen tak zmizelo během pěti minut.
05:04
and they called it the Flash Crash of 2:45.
124
304260
3000
A dneska se tomu říká propad ve 2:45.
05:07
All of a sudden, nine percent just goes away,
125
307260
3000
Z ničeho nic, devět procent zmizelo
05:10
and nobody to this day
126
310260
2000
a dodneška
05:12
can even agree on what happened
127
312260
2000
se nedokážeme shodnout, co se stalo,
05:14
because nobody ordered it, nobody asked for it.
128
314260
3000
protože to nikdo nezpůsobil, nikdo o to nepožádal.
05:17
Nobody had any control over what was actually happening.
129
317260
3000
Nikdo neměl kontrolu nad tím, co se tenkrát dělo.
05:20
All they had
130
320260
2000
Všechno co měli
05:22
was just a monitor in front of them
131
322260
2000
byl monitor,
05:24
that had the numbers on it
132
324260
2000
čísla na něm
05:26
and just a red button
133
326260
2000
a jedno červené tlačítko,
05:28
that said, "Stop."
134
328260
2000
na kterém bylo napsáno "Stop."
05:30
And that's the thing,
135
330260
2000
A to je ono,
05:32
is that we're writing things,
136
332260
2000
píšeme věci,
05:34
we're writing these things that we can no longer read.
137
334260
3000
píšeme věci, které už nedokážeme přečíst.
05:37
And we've rendered something
138
337260
2000
A vytvořili jsme něco
05:39
illegible,
139
339260
2000
nečitelného.
05:41
and we've lost the sense
140
341260
3000
A ztratili jsme ponětí o tom,
05:44
of what's actually happening
141
344260
2000
co se vlastně děje
05:46
in this world that we've made.
142
346260
2000
ve světě, který jsme stvořili.
05:48
And we're starting to make our way.
143
348260
2000
A postupně se k tomu dostáváme.
05:50
There's a company in Boston called Nanex,
144
350260
3000
V Bostonu je firma, která se jmenuje Nanex,
05:53
and they use math and magic
145
353260
2000
a tam používají matematiku a magii
05:55
and I don't know what,
146
355260
2000
a ještě nevím co,
05:57
and they reach into all the market data
147
357260
2000
aby koukali do tržních dat
05:59
and they find, actually sometimes, some of these algorithms.
148
359260
3000
a občas tam nacházeli některé tyhle algoritmy.
06:02
And when they find them they pull them out
149
362260
3000
A když je najdou, tak je vytáhnou
06:05
and they pin them to the wall like butterflies.
150
365260
3000
a připíchnou je na zeď jako motýly.
06:08
And they do what we've always done
151
368260
2000
A taky dělají, co jsme vždycky dělali,
06:10
when confronted with huge amounts of data that we don't understand --
152
370260
3000
když jsme čelili obrovskému množství dat, kterým nerozumíme.
06:13
which is that they give them a name
153
373260
2000
Pojmenovávají je
06:15
and a story.
154
375260
2000
a vyprávějí jejich příběh.
06:17
So this is one that they found,
155
377260
2000
Tohle je jeden, který našli,
06:19
they called the Knife,
156
379260
4000
nazvali ho Nůž,
06:23
the Carnival,
157
383260
2000
Karneval,
06:25
the Boston Shuffler,
158
385260
4000
Žonglér,
06:29
Twilight.
159
389260
2000
Soumrak.
06:31
And the gag is
160
391260
2000
A vtip je v tom,
06:33
that, of course, these aren't just running through the market.
161
393260
3000
že tyhle nejsou jenom na trzích.
06:36
You can find these kinds of things wherever you look,
162
396260
3000
Tyhle věci najdete, kam se podíváte,
06:39
once you learn how to look for them.
163
399260
2000
pokud víte, jak se koukat.
06:41
You can find it here: this book about flies
164
401260
3000
Najdete ji tady. Tahle kniha o mouchách,
06:44
that you may have been looking at on Amazon.
165
404260
2000
kterou jste možná hledali na Amazonu.
06:46
You may have noticed it
166
406260
2000
Možná jste si všimli,
06:48
when its price started at 1.7 million dollars.
167
408260
2000
že její cena byla 1.7 miliónu dolarů.
06:50
It's out of print -- still ...
168
410260
2000
Sice už se netiskne, ale stejně...
06:52
(Laughter)
169
412260
2000
(Smích)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
414260
3000
Pokud jste to koupili za 1.7, bylo to nakonec za babku.
06:57
A few hours later, it had gone up
171
417260
2000
Za pár hodin cena vyskočila
06:59
to 23.6 million dollars,
172
419260
2000
na 23.6 miliónu dolarů
07:01
plus shipping and handling.
173
421260
2000
plus poštovné a balné.
07:03
And the question is:
174
423260
2000
A otázka je,
07:05
Nobody was buying or selling anything; what was happening?
175
425260
2000
nikdo nic neprodával ani nekupoval, tak co se vlastně dělo?
07:07
And you see this behavior on Amazon
176
427260
2000
A můžete vidět tenhle druh chování na Amazonu
07:09
as surely as you see it on Wall Street.
177
429260
2000
stejně jistě jako ho uvidíte na Wall Streetu.
07:11
And when you see this kind of behavior,
178
431260
2000
A když něco takového uvidíte,
07:13
what you see is the evidence
179
433260
2000
to co vidíte je důkaz
07:15
of algorithms in conflict,
180
435260
2000
algoritmů v konfliktu,
07:17
algorithms locked in loops with each other,
181
437260
2000
algoritmů, které jsou vzájemně uvězněny ve smyčce,
07:19
without any human oversight,
182
439260
2000
bez jakéhokoliv lidského dohledu,
07:21
without any adult supervision
183
441260
3000
bez dohledu dospělých,
07:24
to say, "Actually, 1.7 million is plenty."
184
444260
3000
kteří by řekli: "Hmm, 1.7 milionu je dost."
07:27
(Laughter)
185
447260
3000
(Smích)
07:30
And as with Amazon, so it is with Netflix.
186
450260
3000
A jako s Amazonem, stejné je to na Netflixu.
07:33
And so Netflix has gone through
187
453260
2000
A tak Netflix prošel
07:35
several different algorithms over the years.
188
455260
2000
za několik let různé algoritmy.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
457260
3000
Začali s Cinematch a vyzkoušeli několik dalších.
07:40
there's Dinosaur Planet; there's Gravity.
190
460260
2000
Tady je Dinosauří planeta, tady Přitažlivost.
07:42
They're using Pragmatic Chaos now.
191
462260
2000
Teď používají Pragmatický chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
464260
2000
Pragmatický chaos, stejně jako všechny algoritmy Netflixu,
07:46
trying to do the same thing.
193
466260
2000
se snaží o stejnou věc.
07:48
It's trying to get a grasp on you,
194
468260
2000
Snaží se vám přijít na kloub,
07:50
on the firmware inside the human skull,
195
470260
2000
na to, jaký je firmware uvnitř lidské lebky,
07:52
so that it can recommend what movie
196
472260
2000
aby vám mohl doporučit film,
07:54
you might want to watch next --
197
474260
2000
na který se budete chtít podívat příště.
07:56
which is a very, very difficult problem.
198
476260
3000
A to je opravdu, opravdu složitý problém.
07:59
But the difficulty of the problem
199
479260
2000
Ale složitost toho problému
08:01
and the fact that we don't really quite have it down,
200
481260
3000
a fakt, že se jim to zatím nepovedlo,
08:04
it doesn't take away
201
484260
2000
nic neubírá
08:06
from the effects Pragmatic Chaos has.
202
486260
2000
na efektech, které Pragmatický chaos má.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
488260
3000
Pragmatický chaos, jako ostatní algoritmy Netflixu,
08:11
determines, in the end,
204
491260
2000
nakonec určí
08:13
60 percent
205
493260
2000
60 procent
08:15
of what movies end up being rented.
206
495260
2000
filmů, které si nakonec vypůjčíte.
08:17
So one piece of code
207
497260
2000
Takže jeden kousek kódu
08:19
with one idea about you
208
499260
3000
s jednou představou o vás
08:22
is responsible for 60 percent of those movies.
209
502260
3000
je zodpovědný za 60 procent filmů, které si půjčíte.
08:25
But what if you could rate those movies
210
505260
2000
Ale co kdybyste mohli ty filmy ohodnotit
08:27
before they get made?
211
507260
2000
před tím, než se natočí?
08:29
Wouldn't that be handy?
212
509260
2000
Nebylo by to praktické?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
511260
3000
No, pár statistiků z UK v Hollywoodu je
08:34
and they have "story algorithms" --
214
514260
2000
a mají algoritmy na příběh.
08:36
a company called Epagogix.
215
516260
2000
Společnost, která se jmenuje Epagogix.
08:38
And you can run your script through there,
216
518260
3000
Můžete jim dát scénář, aby ho projeli,
08:41
and they can tell you, quantifiably,
217
521260
2000
a oni vám řeknou, kvantifikovatelně,
08:43
that that's a 30 million dollar movie
218
523260
2000
že film vydělá 30 milionů dolarů
08:45
or a 200 million dollar movie.
219
525260
2000
nebo 200 milionů.
08:47
And the thing is, is that this isn't Google.
220
527260
2000
A průšvih je, že tohle není Google.
08:49
This isn't information.
221
529260
2000
Tohle nejsou informace.
08:51
These aren't financial stats; this is culture.
222
531260
2000
Nebo finanční ukazatele. To je kultura.
08:53
And what you see here,
223
533260
2000
A co tady vidíte
08:55
or what you don't really see normally,
224
535260
2000
nebo co tu normálně nevidíte je,
08:57
is that these are the physics of culture.
225
537260
4000
že tohle je fyzika kultury.
09:01
And if these algorithms,
226
541260
2000
A pokud by tyhle algoritmy,
09:03
like the algorithms on Wall Street,
227
543260
2000
jako algoritmy na Wall Streetu,
09:05
just crashed one day and went awry,
228
545260
3000
jednoho dne zkolabovaly a nevyšlo by to,
09:08
how would we know?
229
548260
2000
jak máme vědět,
09:10
What would it look like?
230
550260
2000
jak to bude vypadat?
09:12
And they're in your house. They're in your house.
231
552260
3000
A jsou ve vašem domě. Ve vašem domě.
09:15
These are two algorithms competing for your living room.
232
555260
2000
Tyhle dva algoritmy soupeří o váš obývák.
09:17
These are two different cleaning robots
233
557260
2000
To jsou dva automatické vysavače,
09:19
that have very different ideas about what clean means.
234
559260
3000
každý má úplně jinou představu o uklízení.
09:22
And you can see it
235
562260
2000
A vy to vidíte,
09:24
if you slow it down and attach lights to them,
236
564260
3000
když to zpomalíte a připnete k nim světlo.
09:27
and they're sort of like secret architects in your bedroom.
237
567260
3000
A jsou trochu jako architekti ve vaší ložnici.
09:30
And the idea that architecture itself
238
570260
3000
A myšlenka, že sama architektura
09:33
is somehow subject to algorithmic optimization
239
573260
2000
jaksi podléhá algoritmické optimalizaci,
09:35
is not far-fetched.
240
575260
2000
není úplně přehnaná.
09:37
It's super-real and it's happening around you.
241
577260
3000
Je to sakra reálné a děje se to kolem vás.
09:40
You feel it most
242
580260
2000
Nejvíc to cítíte,
09:42
when you're in a sealed metal box,
243
582260
2000
když jste zavření v železné krabici,
09:44
a new-style elevator;
244
584260
2000
moderním výtahu.
09:46
they're called destination-control elevators.
245
586260
2000
Říkají jim výtahy, které kontrolují destinaci.
09:48
These are the ones where you have to press what floor you're going to go to
246
588260
3000
To jsou ty, u kterých musíte zmáčknout patro, kam jedete,
09:51
before you get in the elevator.
247
591260
2000
před tím než nastoupíte.
09:53
And it uses what's called a bin-packing algorithm.
248
593260
2000
Používají bin-packing algoritmus.
09:55
So none of this mishegas
249
595260
2000
Takže žádné bláznovství,
09:57
of letting everybody go into whatever car they want.
250
597260
2000
že si každý může jít, do kterého výtahu chce.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
599260
2000
Každý kdo jede do 10. patra, jde do dvojky,
10:01
and everybody who wants to go to the third floor goes into car five.
252
601260
3000
a každý kdo jede do třetího, jde do výtahu číslo 5.
10:04
And the problem with that
253
604260
2000
Ale problém je,
10:06
is that people freak out.
254
606260
2000
že lidé z toho šílí.
10:08
People panic.
255
608260
2000
Propadají panice.
10:10
And you see why. You see why.
256
610260
2000
A vidíte proč.
10:12
It's because the elevator
257
612260
2000
Je to kvůli tomu,
10:14
is missing some important instrumentation, like the buttons.
258
614260
3000
že výtah nemá jednu důležitou součást. Tlačítka.
10:17
(Laughter)
259
617260
2000
(Smích)
10:19
Like the things that people use.
260
619260
2000
Jako ty věci, které lidé používají.
10:21
All it has
261
621260
2000
Všechno, co má,
10:23
is just the number that moves up or down
262
623260
3000
je číslo, které se hýbe buď nahoru nebo dolů
10:26
and that red button that says, "Stop."
263
626260
3000
a červené tlačítko, na kterém je napsáno: "Stop."
10:29
And this is what we're designing for.
264
629260
3000
A tímhle způsobem designujeme.
10:32
We're designing
265
632260
2000
Designujeme
10:34
for this machine dialect.
266
634260
2000
v jazyku strojů.
10:36
And how far can you take that? How far can you take it?
267
636260
3000
A kam se to až může vyvinout? Kam?
10:39
You can take it really, really far.
268
639260
2000
Může se to hodně přehnat.
10:41
So let me take it back to Wall Street.
269
641260
3000
Vraťme se na Wall Street.
10:45
Because the algorithms of Wall Street
270
645260
2000
Protože algoritmy na Wall Streetu
10:47
are dependent on one quality above all else,
271
647260
3000
jsou závislé především na jedné věci
10:50
which is speed.
272
650260
2000
a tou je rychlost.
10:52
And they operate on milliseconds and microseconds.
273
652260
3000
Pracují v milisekundách a mikrosekundách.
10:55
And just to give you a sense of what microseconds are,
274
655260
2000
Abyste pochopili, co jsou mikrosekundy:
10:57
it takes you 500,000 microseconds
275
657260
2000
zabere vám 500 000 mikrosekund
10:59
just to click a mouse.
276
659260
2000
jen abyste klikli myší.
11:01
But if you're a Wall Street algorithm
277
661260
2000
Ale když jste algoritmus na Wall Streetu
11:03
and you're five microseconds behind,
278
663260
2000
a jste pozadu o pět mikrosekund,
11:05
you're a loser.
279
665260
2000
jste nula.
11:07
So if you were an algorithm,
280
667260
2000
Takže pokud jste algoritmus,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
669260
3000
hledali byste architekta jako jsem já potkal ve Frankfurtu.
11:12
who was hollowing out a skyscraper --
282
672260
2000
Vyklízel mrakodrap,
11:14
throwing out all the furniture, all the infrastructure for human use,
283
674260
3000
vyhazoval všechen nábytek, zařízení pro lidi,
11:17
and just running steel on the floors
284
677260
3000
a dával na zem železo,
11:20
to get ready for the stacks of servers to go in --
285
680260
3000
aby se připravil na skříně serverů.
11:23
all so an algorithm
286
683260
2000
Všechno to jen kvůli tomu,
11:25
could get close to the Internet.
287
685260
3000
aby se algoritmus dostal blíž k Internetu.
11:28
And you think of the Internet as this kind of distributed system.
288
688260
3000
A čekali byste, že Internet bude distribuovaný systém.
11:31
And of course, it is, but it's distributed from places.
289
691260
3000
Jasně, je, ale přece jen odněkud.
11:34
In New York, this is where it's distributed from:
290
694260
2000
V New Yorku je distribuovaný z
11:36
the Carrier Hotel
291
696260
2000
Carrier Hotelu,
11:38
located on Hudson Street.
292
698260
2000
který je na Hudson Street.
11:40
And this is really where the wires come right up into the city.
293
700260
3000
A to je místo, kde dráty přichází přímo do města.
11:43
And the reality is that the further away you are from that,
294
703260
4000
A čím dál odtamtud jste,
11:47
you're a few microseconds behind every time.
295
707260
2000
pokaždé budete mít několik mikrosekund zpoždění.
11:49
These guys down on Wall Street,
296
709260
2000
Tihle fešáci na Wall Streetu,
11:51
Marco Polo and Cherokee Nation,
297
711260
2000
Marco Polo a Cherokee Nation,
11:53
they're eight microseconds
298
713260
2000
jsou osm mikrosekund
11:55
behind all these guys
299
715260
2000
pozadu oproti všem těmhle krasavcům,
11:57
going into the empty buildings being hollowed out
300
717260
4000
kteří jsou v prázdných vyklízených budovách
12:01
up around the Carrier Hotel.
301
721260
2000
kolem Carrier Hotelu.
12:03
And that's going to keep happening.
302
723260
3000
To se děje,
12:06
We're going to keep hollowing them out,
303
726260
2000
vyklízíme je,
12:08
because you, inch for inch
304
728260
3000
protože vy, milimetr po milimetru,
12:11
and pound for pound and dollar for dollar,
305
731260
3000
gram po gramu, dolar po dolaru,
12:14
none of you could squeeze revenue out of that space
306
734260
3000
nikdo z vás nedokáže z toho prostoru vymáčknout takový zisk,
12:17
like the Boston Shuffler could.
307
737260
3000
jako algoritmus Žonglér.
12:20
But if you zoom out,
308
740260
2000
Ale pokud to oddálíte,
12:22
if you zoom out,
309
742260
2000
pokud to oddálíte,
12:24
you would see an 825-mile trench
310
744260
4000
uviděli byste 825 mil dlouhý příkop
12:28
between New York City and Chicago
311
748260
2000
mezi New Yorkem a Chicagem,
12:30
that's been built over the last few years
312
750260
2000
který byl vybudován během posledních let
12:32
by a company called Spread Networks.
313
752260
3000
společností Spread Networks.
12:35
This is a fiber optic cable
314
755260
2000
Je to optický kabel,
12:37
that was laid between those two cities
315
757260
2000
který byl položený mezi tahle dvě města,
12:39
to just be able to traffic one signal
316
759260
3000
jen kvůli tomu, aby přenášel jeden signál
12:42
37 times faster than you can click a mouse --
317
762260
3000
37krát rychleji, než dokážete kliknout na myš,
12:45
just for these algorithms,
318
765260
3000
jen pro tyhle algoritmy,
12:48
just for the Carnival and the Knife.
319
768260
3000
jen pro Karneval a Nůž.
12:51
And when you think about this,
320
771260
2000
A když o tom přemýšlíte,
12:53
that we're running through the United States
321
773260
2000
že přerýváme Spojené státy
12:55
with dynamite and rock saws
322
775260
3000
dynamitem a řezáním skal
12:58
so that an algorithm can close the deal
323
778260
2000
jen kvůli tomu, aby algoritmus mohl obchodovat
13:00
three microseconds faster,
324
780260
3000
o tři mikrosekundy rychleji,
13:03
all for a communications framework
325
783260
2000
všechno kvůli komunikačnímu rámci,
13:05
that no human will ever know,
326
785260
4000
o kterém nebude člověk ani vědět,
13:09
that's a kind of manifest destiny;
327
789260
3000
to je trochu projev osudu,
13:12
and we'll always look for a new frontier.
328
792260
3000
který bude vždycky hledat další hranice.
13:15
Unfortunately, we have our work cut out for us.
329
795260
3000
Naneštěstí už teď víme, co máme dělat.
13:18
This is just theoretical.
330
798260
2000
Tohle je jen teoretické.
13:20
This is some mathematicians at MIT.
331
800260
2000
Nějaký matematik z MIT.
13:22
And the truth is I don't really understand
332
802260
2000
A popravdě moc nerozumím tomu
13:24
a lot of what they're talking about.
333
804260
2000
o čem mluví.
13:26
It involves light cones and quantum entanglement,
334
806260
3000
Zahrnuje to světelné kužely a nějaké kvantové věci
13:29
and I don't really understand any of that.
335
809260
2000
a opravdu nerozumím ani jednomu.
13:31
But I can read this map,
336
811260
2000
Ale umím si přečíst tuhle mapu.
13:33
and what this map says
337
813260
2000
A co ta mapa říká je,
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
815260
3000
že pokud se snažíte vydělávat peníze na trzích, kde jsou červené tečky –
13:38
that's where people are, where the cities are,
339
818260
2000
to je kde jsou lidé a kde jsou města –
13:40
you're going to have to put the servers where the blue dots are
340
820260
3000
budete muset dát servery do míst, kde jsou modré tečky,
13:43
to do that most effectively.
341
823260
2000
abyste to dělali efektivně.
13:45
And the thing that you might have noticed about those blue dots
342
825260
3000
A čeho jste si už mohli všimnout,
13:48
is that a lot of them are in the middle of the ocean.
343
828260
3000
spousta modrých teček je uprostřed oceánů.
13:51
So that's what we'll do: we'll build bubbles or something,
344
831260
3000
To je to co budeme dělat, budeme budovat bubliny
13:54
or platforms.
345
834260
2000
nebo plošiny.
13:56
We'll actually part the water
346
836260
2000
Půjdeme na vodu,
13:58
to pull money out of the air,
347
838260
2000
abychom vydělali peníze z čistého nebe,
14:00
because it's a bright future
348
840260
2000
protože to je přece dobrá budoucnost,
14:02
if you're an algorithm.
349
842260
2000
pokud jste algoritmus.
14:04
(Laughter)
350
844260
2000
(Smích)
14:06
And it's not the money that's so interesting actually.
351
846260
3000
A nejsou to ani tak peníze, co je na tom zajímavé.
14:09
It's what the money motivates,
352
849260
2000
Je to to, co peníze motivují.
14:11
that we're actually terraforming
353
851260
2000
Že přetváříme
14:13
the Earth itself
354
853260
2000
samotnou Zemi
14:15
with this kind of algorithmic efficiency.
355
855260
2000
s nějakou algoritmickou efektivností.
14:17
And in that light,
356
857260
2000
A teď když to víme
14:19
you go back
357
859260
2000
a vrátíme se
14:21
and you look at Michael Najjar's photographs,
358
861260
2000
a podíváme se na fotky Michaela Najjara,
14:23
and you realize that they're not metaphor, they're prophecy.
359
863260
3000
zjistíme, že vůbec nejsou metaforou, ale proroctvím.
14:26
They're prophecy
360
866260
2000
Jsou proroctvím
14:28
for the kind of seismic, terrestrial effects
361
868260
4000
seismických a pozemních manifestací
14:32
of the math that we're making.
362
872260
2000
matematiky, kterou vytváříme.
14:34
And the landscape was always made
363
874260
3000
A krajina byla vždycky utvářena
14:37
by this sort of weird, uneasy collaboration
364
877260
3000
tou podivnou a složitou spoluprací
14:40
between nature and man.
365
880260
3000
člověka a přírody.
14:43
But now there's this third co-evolutionary force: algorithms --
366
883260
3000
Ale teď tu máme třetí evoluční sílu: algoritmy –
14:46
the Boston Shuffler, the Carnival.
367
886260
3000
Žongléra, Karneval.
14:49
And we will have to understand those as nature,
368
889260
3000
A budeme je muset chápat jako přírodu.
14:52
and in a way, they are.
369
892260
2000
A svým způsobem přírodní jsou.
14:54
Thank you.
370
894260
2000
Děkuji.
14:56
(Applause)
371
896260
20000
(Potlesk)
O tomto webu

Tato stránka vám představí videa na YouTube, která jsou užitečná pro výuku angličtiny. Uvidíte lekce angličtiny vedené špičkovými učiteli z celého světa. Dvojklikem na anglické titulky zobrazené na každé stránce s videem si video přehrajete přímo odtud. Titulky se posouvají synchronizovaně s přehráváním videa. Pokud máte nějaké připomínky nebo požadavky, kontaktujte nás prosím pomocí tohoto kontaktního formuláře.

https://forms.gle/WvT1wiN1qDtmnspy7