How algorithms shape our world | Kevin Slavin

Kevin Slavin: Wie Algorithmen unsere Welt prägen

484,251 views

2011-07-21 ・ TED


New videos

How algorithms shape our world | Kevin Slavin

Kevin Slavin: Wie Algorithmen unsere Welt prägen

484,251 views ・ 2011-07-21

TED


Bitte doppelklicken Sie auf die englischen Untertitel unten, um das Video abzuspielen.

Übersetzung: Ulrich Atz Lektorat: Karin Friedli
00:15
This is a photograph
0
15260
2000
Das ist eine Fotografie
00:17
by the artist Michael Najjar,
1
17260
2000
vom Künstler Michael Najjar,
00:19
and it's real,
2
19260
2000
und sie ist echt,
00:21
in the sense that he went there to Argentina
3
21260
2000
im Sinne, dass er nach Argentinien ging
00:23
to take the photo.
4
23260
2000
um ein Bild zu schießen.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
25260
3000
Aber es ist auch erfunden, denn danach wurde eine Menge Arbeit hineingesteckt.
00:28
And what he's done
6
28260
2000
Und was er gemacht hat ist,
00:30
is he's actually reshaped, digitally,
7
30260
2000
dass er tatsächlich am Computer
00:32
all of the contours of the mountains
8
32260
2000
das Profil der Berge umgeformt hat,
00:34
to follow the vicissitudes of the Dow Jones index.
9
34260
3000
so dass es den Launen des Dow-Jones-Index folgt.
00:37
So what you see,
10
37260
2000
Was man also sieht,
00:39
that precipice, that high precipice with the valley,
11
39260
2000
dieser Steilhang, dieser hohe Steilhang mit dem Tal
00:41
is the 2008 financial crisis.
12
41260
2000
ist die Finanzkrise von 2008.
00:43
The photo was made
13
43260
2000
Dieses Photo wurde gemacht,
00:45
when we were deep in the valley over there.
14
45260
2000
als wir tief in diesem Tal hier drüben steckten.
00:47
I don't know where we are now.
15
47260
2000
Ich weiß nicht, wo wir jetzt sind.
00:49
This is the Hang Seng index
16
49260
2000
Das ist der Hang-Seng-Index
00:51
for Hong Kong.
17
51260
2000
von Hong Kong.
00:53
And similar topography.
18
53260
2000
Mit einer ähnlichen Topographie.
00:55
I wonder why.
19
55260
2000
Ich frage mich warum.
00:57
And this is art. This is metaphor.
20
57260
3000
Und das ist Kunst. Es sind Metaphern.
01:00
But I think the point is
21
60260
2000
Aber ich denke, der Punkt ist,
01:02
that this is metaphor with teeth,
22
62260
2000
es sind Metaphern mit Biss.
01:04
and it's with those teeth that I want to propose today
23
64260
3000
Und mit solch einem Biss möchte ich heute vorschlagen,
01:07
that we rethink a little bit
24
67260
2000
dass wir die Rolle von zeitgenössischer
01:09
about the role of contemporary math --
25
69260
3000
Mathematik ein bisschen überdenken –
01:12
not just financial math, but math in general.
26
72260
3000
nicht nur Finanzmathematik, sondern Mathematik im Allgemeinen.
01:15
That its transition
27
75260
2000
Ihr Übergang von etwas
01:17
from being something that we extract and derive from the world
28
77260
3000
das wir von der Welt abgeleitet haben
01:20
to something that actually starts to shape it --
29
80260
3000
zu etwas, das diese tatsächlich zu formen beginnt –
01:23
the world around us and the world inside us.
30
83260
3000
die Welt um uns herum und die Welt in uns.
01:26
And it's specifically algorithms,
31
86260
2000
Und es sind im Besonderen Algorithmen,
01:28
which are basically the math
32
88260
2000
die Im Grunde genommen die Mathemathik sind
01:30
that computers use to decide stuff.
33
90260
3000
die Computer benutzen, um irgendwas zu entscheiden.
01:33
They acquire the sensibility of truth
34
93260
2000
Sie erlangen ein Wahrheitsvermögen,
01:35
because they repeat over and over again,
35
95260
2000
weil sie sich immer und immer wiederholen.
01:37
and they ossify and calcify,
36
97260
3000
Und sie verkalken und verknöchern,
01:40
and they become real.
37
100260
2000
und werden wirklich.
01:42
And I was thinking about this, of all places,
38
102260
3000
Und ich habe über das nachgedacht, neben allen anderen Orten,
01:45
on a transatlantic flight a couple of years ago,
39
105260
3000
in einem transatlantischen Flug vor ein paar Jahren,
01:48
because I happened to be seated
40
108260
2000
weil ich zufällig neben
01:50
next to a Hungarian physicist about my age
41
110260
2000
einem ungarischen Physiker in meinem Alter saß
01:52
and we were talking
42
112260
2000
und wir unterhielten uns darüber,
01:54
about what life was like during the Cold War
43
114260
2000
wie das Leben während des Kalten Kriegs war
01:56
for physicists in Hungary.
44
116260
2000
für Physiker in Ungarn.
01:58
And I said, "So what were you doing?"
45
118260
2000
Ich sagte: „Was habt Ihr also gemacht?“
02:00
And he said, "Well we were mostly breaking stealth."
46
120260
2000
Und er meinte: „Nun, wir haben hauptsächlich versucht, die Tarnkappentechnik zu knacken.“
02:02
And I said, "That's a good job. That's interesting.
47
122260
2000
Und ich sagte: „Das ist gute Arbeit. Das ist interessant.
02:04
How does that work?"
48
124260
2000
Wie funktioniert das?“
02:06
And to understand that,
49
126260
2000
Um das zu verstehen,
02:08
you have to understand a little bit about how stealth works.
50
128260
3000
muss man ein bisschen wissen, wie die Tarnkappentechnik funktioniert.
02:11
And so -- this is an over-simplification --
51
131260
3000
Und – das ist eine starke Vereinfachung –
02:14
but basically, it's not like
52
134260
2000
aber im Grunde ist es nicht so,
02:16
you can just pass a radar signal
53
136260
2000
dass man ein Radarsignal einfach durch
02:18
right through 156 tons of steel in the sky.
54
138260
3000
156 Tonnen Stahl im Himmel hindurch schicken kann.
02:21
It's not just going to disappear.
55
141260
3000
Es wird nicht einfach verschwinden.
02:24
But if you can take this big, massive thing,
56
144260
3000
Aber wenn man dieses riesige, massive Ding nimmt
02:27
and you could turn it into
57
147260
3000
und es in eine Million
02:30
a million little things --
58
150260
2000
kleiner Dinge verwandelt –
02:32
something like a flock of birds --
59
152260
2000
sowas wie ein Vogelschwarm –
02:34
well then the radar that's looking for that
60
154260
2000
dann muss der Radar, der danach sucht
02:36
has to be able to see
61
156260
2000
in der Lage sein,
02:38
every flock of birds in the sky.
62
158260
2000
jeden Vogelschwarm am Himmel zu sehen.
02:40
And if you're a radar, that's a really bad job.
63
160260
4000
Und wenn man ein Radar ist, ist das ein echt mieser Job.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
164260
3000
Er sagte: „Ja, aber so ist das, wenn man ein Radar ist.
02:47
So we didn't use a radar;
65
167260
2000
Also haben wir keinen Radar benutzt;
02:49
we built a black box that was looking for electrical signals,
66
169260
3000
wir haben eine Blackbox gebastelt, die nach elektrischen Signalen sucht,
02:52
electronic communication.
67
172260
3000
elektronischer Kommunikation.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
175260
3000
Und jedesmal, wenn wir einen Vogelschwarm mit elektronischer Kommunikation sahen,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
178260
3000
dachten wir, dass es wahrscheinlich etwas mit den Amerikanern zu tun hat.“
03:01
And I said, "Yeah.
70
181260
2000
Ich sagte: „Ja.
03:03
That's good.
71
183260
2000
Das ist gut.
03:05
So you've effectively negated
72
185260
2000
Ihr habt gewissermaßen
03:07
60 years of aeronautic research.
73
187260
2000
60 Jahre Luftfahrtforschung zunichte gemacht.
03:09
What's your act two?
74
189260
2000
Was ist der zweite Akt?
03:11
What do you do when you grow up?"
75
191260
2000
Was machst du jetzt, wo du groß bist?“
03:13
And he said,
76
193260
2000
Und er meinte:
03:15
"Well, financial services."
77
195260
2000
„Nun ja, Finanzdienstleistungen.“
03:17
And I said, "Oh."
78
197260
2000
Und ich sagte: „Oh.“
03:19
Because those had been in the news lately.
79
199260
3000
Denn die waren damals in den Nachrichten.
03:22
And I said, "How does that work?"
80
202260
2000
Ich fragte: „Wie funktioniert das?“
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
204260
2000
Und er sagte: „Nun, es gibt heute 2.000 Physiker an der Wall Street
03:26
and I'm one of them."
82
206260
2000
und ich bin einer von ihnen“
03:28
And I said, "What's the black box for Wall Street?"
83
208260
3000
Und ich fragte: „Was ist die Blackbox für die Wall Street?“
03:31
And he said, "It's funny you ask that,
84
211260
2000
Er antwortete: „Witzig, dass du danach fragst,
03:33
because it's actually called black box trading.
85
213260
3000
denn man nennt das tatsächlich Blackbox-Handel.
03:36
And it's also sometimes called algo trading,
86
216260
2000
Manchmal wird es auch Algo-Handel genannt,
03:38
algorithmic trading."
87
218260
3000
algorithmischer Handel.“
03:41
And algorithmic trading evolved in part
88
221260
3000
Algorithmischer Handel entwickelte sich einerseits,
03:44
because institutional traders have the same problems
89
224260
3000
weil institutionelle Händler die gleichen Probleme hatten
03:47
that the United States Air Force had,
90
227260
3000
wie die United State Air Force,
03:50
which is that they're moving these positions --
91
230260
3000
nämlich dass sie Positionen verschieben –
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
233260
2000
sei es Proctor & Gamble oder Accenture, was auch immer –
03:55
they're moving a million shares of something
93
235260
2000
sie verschieben eine Million Aktien von irgendwas
03:57
through the market.
94
237260
2000
durch den Markt.
03:59
And if they do that all at once,
95
239260
2000
Und wenn sie das alles auf einmal machen,
04:01
it's like playing poker and going all in right away.
96
241260
2000
ist es wie Poker spielen und sofort alles zu setzen.
04:03
You just tip your hand.
97
243260
2000
Nur ein Wink mit der Hand.
04:05
And so they have to find a way --
98
245260
2000
Deshalb mussten sie einen Weg finden –
04:07
and they use algorithms to do this --
99
247260
2000
dafür benutzen sie Algorithmen –
04:09
to break up that big thing
100
249260
2000
dieses große Ding in eine Million
04:11
into a million little transactions.
101
251260
2000
kleiner Transaktionen aufzuspalten.
04:13
And the magic and the horror of that
102
253260
2000
Der Zauber und der Schrecken davon ist,
04:15
is that the same math
103
255260
2000
dass die gleiche Mathemathik,
04:17
that you use to break up the big thing
104
257260
2000
die man verwendet, um das große Ding
04:19
into a million little things
105
259260
2000
in eine Million kleiner Dinge aufzuspalten,
04:21
can be used to find a million little things
106
261260
2000
auch dafür benutzt werden kann, eine Million kleiner Dinge zu finden,
04:23
and sew them back together
107
263260
2000
diese wieder zusammenzunähen
04:25
and figure out what's actually happening in the market.
108
265260
2000
und herauszufinden, was eigentlich im Markt vor sich geht.
04:27
So if you need to have some image
109
267260
2000
Also, wenn Sie irgendein Bild brauchen davon,
04:29
of what's happening in the stock market right now,
110
269260
3000
was gerade auf dem Aktienmarkt passiert,
04:32
what you can picture is a bunch of algorithms
111
272260
2000
können Sie sich einen Haufen Algorithmen vorstellen,
04:34
that are basically programmed to hide,
112
274260
3000
die im Grunde dazu programmiert sind, Dinge zu verstecken
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
277260
3000
und ein Haufen Algorithmen, die dafür programmiert, sind diese zu finden und zu handeln.
04:40
And all of that's great, and it's fine.
114
280260
3000
Das ist alles großartig und es ist gut so.
04:43
And that's 70 percent
115
283260
2000
Und das sind 70 Prozent
04:45
of the United States stock market,
116
285260
2000
des Aktienmarkts in den Vereinigten Staaten,
04:47
70 percent of the operating system
117
287260
2000
70 Prozent des Betriebssystems,
04:49
formerly known as your pension,
118
289260
3000
das einmal bekannt war als Ihre Pension
04:52
your mortgage.
119
292260
3000
und Ihre Hypothek.
04:55
And what could go wrong?
120
295260
2000
Was könnte schon schief gehen?
04:57
What could go wrong
121
297260
2000
Was schief gehen kann ist,
04:59
is that a year ago,
122
299260
2000
dass vor einem Jahr
05:01
nine percent of the entire market just disappears in five minutes,
123
301260
3000
neun Prozent des ganzen Markts in nur fünf Minuten verschwunden sind,
05:04
and they called it the Flash Crash of 2:45.
124
304260
3000
sie nannten es den Flash-Crash von 2:45 Uhr.
05:07
All of a sudden, nine percent just goes away,
125
307260
3000
Ganz plötzlich waren neun Prozent einfach dahin
05:10
and nobody to this day
126
310260
2000
und bis heute kann niemand
05:12
can even agree on what happened
127
312260
2000
sich darauf einigen, warum das passiert ist,
05:14
because nobody ordered it, nobody asked for it.
128
314260
3000
weil niemand es bestellt oder darum gebeten hat.
05:17
Nobody had any control over what was actually happening.
129
317260
3000
Niemand hatte Kontrolle darüber, was eigentlich vor sich geht.
05:20
All they had
130
320260
2000
Alles was sie hatten,
05:22
was just a monitor in front of them
131
322260
2000
war ein Bildschirm vor sich
05:24
that had the numbers on it
132
324260
2000
mit Zahlen darauf
05:26
and just a red button
133
326260
2000
und einem roten Knopf
05:28
that said, "Stop."
134
328260
2000
auf dem „Stop“ steht.
05:30
And that's the thing,
135
330260
2000
Und das ist der Punkt,
05:32
is that we're writing things,
136
332260
2000
wir schreiben diese Dinger,
05:34
we're writing these things that we can no longer read.
137
334260
3000
wir schreiben diese Dinger, die wir nicht mehr lesen können.
05:37
And we've rendered something
138
337260
2000
Wir haben etwas erschaffen,
05:39
illegible,
139
339260
2000
das unlesbar ist.
05:41
and we've lost the sense
140
341260
3000
Wir haben das Gefühl dafür verloren,
05:44
of what's actually happening
141
344260
2000
was eigentlich vor sich geht
05:46
in this world that we've made.
142
346260
2000
in der Welt, die wir erschaffen haben.
05:48
And we're starting to make our way.
143
348260
2000
Wir beginnen jetzt unseren Weg dahin.
05:50
There's a company in Boston called Nanex,
144
350260
3000
Es gibt eine Firma in Boston namens Nanex,
05:53
and they use math and magic
145
353260
2000
sie benutzen Mathematik und Magie
05:55
and I don't know what,
146
355260
2000
und was weiß ich noch,
05:57
and they reach into all the market data
147
357260
2000
sie greifen nach all diesen Marktdaten
05:59
and they find, actually sometimes, some of these algorithms.
148
359260
3000
und sie finden tatsächlich manchmal einige dieser Algorithmen.
06:02
And when they find them they pull them out
149
362260
3000
Und wenn sie sie finden, ziehen sie sie raus
06:05
and they pin them to the wall like butterflies.
150
365260
3000
und heften sie an die Wand wie Schmetterlinge.
06:08
And they do what we've always done
151
368260
2000
Sie machen das, was wir stets gemacht haben,
06:10
when confronted with huge amounts of data that we don't understand --
152
370260
3000
wenn wir mit riesigen Datenmengen konfrontiert sind, die wir nicht verstehen –
06:13
which is that they give them a name
153
373260
2000
nämlich ihnen einen Namen zu geben
06:15
and a story.
154
375260
2000
und eine Geschichte.
06:17
So this is one that they found,
155
377260
2000
Und das ist einer, den sie gefunden haben,
06:19
they called the Knife,
156
379260
4000
sie nennen ihn das Messer
06:23
the Carnival,
157
383260
2000
der Karneval,
06:25
the Boston Shuffler,
158
385260
4000
der „Boston Shuffler“
06:29
Twilight.
159
389260
2000
Dämmerung.
06:31
And the gag is
160
391260
2000
Und der Witz ist,
06:33
that, of course, these aren't just running through the market.
161
393260
3000
dass die natürlich nicht nur im Markt laufen.
06:36
You can find these kinds of things wherever you look,
162
396260
3000
Man kann diese Art von Dingen überall finden,
06:39
once you learn how to look for them.
163
399260
2000
sobald man verstanden hat wie man danach suchen muss.
06:41
You can find it here: this book about flies
164
401260
3000
Man kann sie hier finden: Das ist ein Buch über Fliegen,
06:44
that you may have been looking at on Amazon.
165
404260
2000
das ihr vielleicht auf Amazon nachgeschlagen habt.
06:46
You may have noticed it
166
406260
2000
Ihr habt es vielleicht bemerkt,
06:48
when its price started at 1.7 million dollars.
167
408260
2000
als sein Preis bei 1,7 Millionen gipfelte.
06:50
It's out of print -- still ...
168
410260
2000
Es ist vergriffen – immer noch...
06:52
(Laughter)
169
412260
2000
(Gelächter)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
414260
3000
Wenn man es bei 1,7 Millionen gekauft hätte, wäre es ein Schnäppchen gewesen.
06:57
A few hours later, it had gone up
171
417260
2000
Ein paar Stunden später war der Preis bei
06:59
to 23.6 million dollars,
172
419260
2000
23,6 Millionen Dollar angekommen,
07:01
plus shipping and handling.
173
421260
2000
plus Versand und Bearbeitung.
07:03
And the question is:
174
423260
2000
Und man fragt sich:
07:05
Nobody was buying or selling anything; what was happening?
175
425260
2000
Niemand hat etwas gekauft oder verkauft; was ist geschehen?
07:07
And you see this behavior on Amazon
176
427260
2000
Man findet dieses Verhalten auf Amazon
07:09
as surely as you see it on Wall Street.
177
429260
2000
so sicher, wie man es an der Wall Street findet.
07:11
And when you see this kind of behavior,
178
431260
2000
Und wenn man diese Art von Verhalten sieht,
07:13
what you see is the evidence
179
433260
2000
sieht man tatsächlich die Anzeichen
07:15
of algorithms in conflict,
180
435260
2000
von Algorithmen im Konflikt,
07:17
algorithms locked in loops with each other,
181
437260
2000
Algorithmen, die sich gegenseitig in Schleifen fangen
07:19
without any human oversight,
182
439260
2000
ohne menschliche Übersicht,
07:21
without any adult supervision
183
441260
3000
ohne irgendeine erwachsene Kontrolle,
07:24
to say, "Actually, 1.7 million is plenty."
184
444260
3000
die sagt: „Eigentlich sind 1,7 Millionen viel.“
07:27
(Laughter)
185
447260
3000
(Gelächter)
07:30
And as with Amazon, so it is with Netflix.
186
450260
3000
Mit Netflix ist es genauso wie mit Amazon.
07:33
And so Netflix has gone through
187
453260
2000
Also hat auch Netflix über die Jahre
07:35
several different algorithms over the years.
188
455260
2000
mehrere verschiedene Algorithmen benutzt.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
457260
3000
Sie begannen mit Cinematch und probierten einige andere aus.
07:40
there's Dinosaur Planet; there's Gravity.
190
460260
2000
Es gibt Dinosaur Planet oder Gravity.
07:42
They're using Pragmatic Chaos now.
191
462260
2000
Jetzt benutzen sie Pragmatic Chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
464260
2000
Pragmatic Chaos versucht wie alle Netflix Algorithmen,
07:46
trying to do the same thing.
193
466260
2000
die gleiche Sache zu tun.
07:48
It's trying to get a grasp on you,
194
468260
2000
Er versucht zu verstehen,
07:50
on the firmware inside the human skull,
195
470260
2000
was in deinem menschlichen Schädel tickt,
07:52
so that it can recommend what movie
196
472260
2000
damit er einen Vorschlag machen kann
07:54
you might want to watch next --
197
474260
2000
welchen Film du als nächstes schauen möchtest –
07:56
which is a very, very difficult problem.
198
476260
3000
was ein sehr, sehr schwieriges Problem ist.
07:59
But the difficulty of the problem
199
479260
2000
Aber die Schwierigkeit des Problems
08:01
and the fact that we don't really quite have it down,
200
481260
3000
und die Tatsache, dass wir es nicht wirklich durchblicken,
08:04
it doesn't take away
201
484260
2000
kann nicht verhindern,
08:06
from the effects Pragmatic Chaos has.
202
486260
2000
welche Auswirkungen Pragmatic Chaos hat.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
488260
3000
Wie alle anderen Netflix Algorithmen bestimmt Netflix
08:11
determines, in the end,
204
491260
2000
letztendlich
08:13
60 percent
205
493260
2000
60 Prozent aller Filme
08:15
of what movies end up being rented.
206
495260
2000
die ausgeliehen werden.
08:17
So one piece of code
207
497260
2000
Ein Stück Programmcode
08:19
with one idea about you
208
499260
3000
mit einer Vorstellung über dich
08:22
is responsible for 60 percent of those movies.
209
502260
3000
ist also für 60 Prozent dieser Filme verantwortlich.
08:25
But what if you could rate those movies
210
505260
2000
Aber was wäre, wenn du diese Filme bewerten könntest
08:27
before they get made?
211
507260
2000
bevor sie gedreht sind?
08:29
Wouldn't that be handy?
212
509260
2000
Wäre das nicht praktisch?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
511260
3000
Nun, ein paar Wissenschaftler aus Großbritannien sind in Hollywood
08:34
and they have "story algorithms" --
214
514260
2000
und sie haben Storyalgorithmen –
08:36
a company called Epagogix.
215
516260
2000
ein Unternehmen namens Epagogix.
08:38
And you can run your script through there,
216
518260
3000
Man kann sein Skript dort durchlaufen lassen,
08:41
and they can tell you, quantifiably,
217
521260
2000
und sie können einem sagen und quantifizieren,
08:43
that that's a 30 million dollar movie
218
523260
2000
dass es ist ein 30-Millionen-Dollar-Film ist
08:45
or a 200 million dollar movie.
219
525260
2000
oder ein 200-Millionen-Dollar-Film.
08:47
And the thing is, is that this isn't Google.
220
527260
2000
Das Ding ist, das hier ist nicht Google.
08:49
This isn't information.
221
529260
2000
Das sind nicht Informationen.
08:51
These aren't financial stats; this is culture.
222
531260
2000
Das sind nicht Finanzdaten; das ist Kultur.
08:53
And what you see here,
223
533260
2000
Und was man hier sieht,
08:55
or what you don't really see normally,
224
535260
2000
oder was man hier eigentlich normalerweise nicht sieht,
08:57
is that these are the physics of culture.
225
537260
4000
ist sowas wie die Physik der Kultur.
09:01
And if these algorithms,
226
541260
2000
Wenn diese Algorithmen,
09:03
like the algorithms on Wall Street,
227
543260
2000
wie die Algorithmen der Wall Street,
09:05
just crashed one day and went awry,
228
545260
3000
eines Tages schief oder krumm laufen,
09:08
how would we know?
229
548260
2000
wie wüssten wir dann,
09:10
What would it look like?
230
550260
2000
wie sowas aussehen würde?
09:12
And they're in your house. They're in your house.
231
552260
3000
Und sie sind in Ihrem Haus. Sie sind in Ihrem Haus.
09:15
These are two algorithms competing for your living room.
232
555260
2000
Hier sind zwei Algorithmen, die um Ihr Wohnzimmer kämpfen.
09:17
These are two different cleaning robots
233
557260
2000
Es sind zwei verschiedene Putzroboter,
09:19
that have very different ideas about what clean means.
234
559260
3000
die zwei sehr verschiedene Vorstellungen von Sauberkeit haben.
09:22
And you can see it
235
562260
2000
Man kann es sehen,
09:24
if you slow it down and attach lights to them,
236
564260
3000
wenn man es verlangsamt und Lichter befestigt.
09:27
and they're sort of like secret architects in your bedroom.
237
567260
3000
Sie sind eine Art geheime Architekten in Ihrem Schlafzimmer.
09:30
And the idea that architecture itself
238
570260
3000
Die Vorstellung, dass selbst Architektur
09:33
is somehow subject to algorithmic optimization
239
573260
2000
sich der Optimierung von Algorithmen unterwirft,
09:35
is not far-fetched.
240
575260
2000
ist nicht so weit hergeholt.
09:37
It's super-real and it's happening around you.
241
577260
3000
Es ist sehr real und es passiert um uns herum.
09:40
You feel it most
242
580260
2000
Man kann es am meisten fühlen,
09:42
when you're in a sealed metal box,
243
582260
2000
wenn man sich in einer geschlossenen Metallbox befindet,
09:44
a new-style elevator;
244
584260
2000
eine neue Art von Aufzug,
09:46
they're called destination-control elevators.
245
586260
2000
die „ankunftsbestimmte“ Aufzüge genannt werden.
09:48
These are the ones where you have to press what floor you're going to go to
246
588260
3000
Es sind diejenigen, bei denen man den Knopf vom Zielstockwerk drückt,
09:51
before you get in the elevator.
247
591260
2000
bevor man in den Aufzug einsteigt.
09:53
And it uses what's called a bin-packing algorithm.
248
593260
2000
Und die benutzen einen sogenannten Bin-Packing-Algorithmus.
09:55
So none of this mishegas
249
595260
2000
Also nichts von diesem Blabla,
09:57
of letting everybody go into whatever car they want.
250
597260
2000
dass man jeden in die Kabine lässt, die er gerne hätte.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
599260
2000
Jeder der zum 10. Stock will, muss in den zweite Kabine,
10:01
and everybody who wants to go to the third floor goes into car five.
252
601260
3000
und jeder der zum dritten Stock will, muss in die fünfte Kabine.
10:04
And the problem with that
253
604260
2000
Das Problem dabei ist,
10:06
is that people freak out.
254
606260
2000
dass die Leute ausflippen.
10:08
People panic.
255
608260
2000
Die Leute kriegen Panik.
10:10
And you see why. You see why.
256
610260
2000
Und man sieht warum. Sie sehen warum.
10:12
It's because the elevator
257
612260
2000
Es kommt daher, dass dem Aufzug
10:14
is missing some important instrumentation, like the buttons.
258
614260
3000
ein paar wichtige Steuerungsmerkmale fehlen, zum Beispiel Knöpfe.
10:17
(Laughter)
259
617260
2000
(Gelächter)
10:19
Like the things that people use.
260
619260
2000
Dinge, an die Menschen gewöhnt sind.
10:21
All it has
261
621260
2000
Alles was dieser hier hat,
10:23
is just the number that moves up or down
262
623260
3000
ist eine Nummer, die sich rauf oder runter bewegt
10:26
and that red button that says, "Stop."
263
626260
3000
und ein roter Knopf auf dem „Stop“ steht.
10:29
And this is what we're designing for.
264
629260
3000
Dahin bewegt sich unser Design.
10:32
We're designing
265
632260
2000
Unser Design ist gemacht
10:34
for this machine dialect.
266
634260
2000
für die Sprache einer Maschine.
10:36
And how far can you take that? How far can you take it?
267
636260
3000
Wie weit kann man das treiben? Wie weit geht es?
10:39
You can take it really, really far.
268
639260
2000
Man kann es sehr, sehr weit treiben.
10:41
So let me take it back to Wall Street.
269
641260
3000
Lassen Sie mich zur Wall Street zurückkehren.
10:45
Because the algorithms of Wall Street
270
645260
2000
Denn die Algorithmen der Wall Street
10:47
are dependent on one quality above all else,
271
647260
3000
hängen alle von einer besonderen Qualität ab,
10:50
which is speed.
272
650260
2000
nämlich Geschwindigkeit.
10:52
And they operate on milliseconds and microseconds.
273
652260
3000
Und die bewegt sich in Millisekunden und Mikrosekunden.
10:55
And just to give you a sense of what microseconds are,
274
655260
2000
Und nur um ein Gefühl zu vermitteln, was eine Mikrosekunde ist,
10:57
it takes you 500,000 microseconds
275
657260
2000
es braucht 500.000 Mikrosekunden
10:59
just to click a mouse.
276
659260
2000
für einen einzelnen Mausklick.
11:01
But if you're a Wall Street algorithm
277
661260
2000
Aber wenn man ein Wall-Street-Algorithmus ist
11:03
and you're five microseconds behind,
278
663260
2000
und man ist fünf Mikrosekunden hinterher,
11:05
you're a loser.
279
665260
2000
dann ist man ein Verlierer.
11:07
So if you were an algorithm,
280
667260
2000
Wenn Sie also ein Algorithmus wären,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
669260
3000
würden Sie nach einem Architekten suchen wie dem, den ich in Frankfurt traf,
11:12
who was hollowing out a skyscraper --
282
672260
2000
der einen Wolkenkratzer ausräumte –
11:14
throwing out all the furniture, all the infrastructure for human use,
283
674260
3000
alle Möbel raus, alle Infrastruktur mit menschlichem Nutzen raus,
11:17
and just running steel on the floors
284
677260
3000
und die Stockwerke mit Stahl auslegen,
11:20
to get ready for the stacks of servers to go in --
285
680260
3000
um für den Einzug einer Masse an Servern bereit zu sein –
11:23
all so an algorithm
286
683260
2000
nur damit der Algorithmus
11:25
could get close to the Internet.
287
685260
3000
näher zum Internet gelangt.
11:28
And you think of the Internet as this kind of distributed system.
288
688260
3000
Man stellt sich das Internet als ein verteiltes System vor.
11:31
And of course, it is, but it's distributed from places.
289
691260
3000
Und das ist es natürlich, aber verteilt von bestimmten Orten aus.
11:34
In New York, this is where it's distributed from:
290
694260
2000
In New York wird es von hier verteilt:
11:36
the Carrier Hotel
291
696260
2000
vom Carrier Hotel
11:38
located on Hudson Street.
292
698260
2000
das sich in der Hudson Street befindet.
11:40
And this is really where the wires come right up into the city.
293
700260
3000
Genau da gelangen die Kabel in die Stadt.
11:43
And the reality is that the further away you are from that,
294
703260
4000
Und die Realität ist, je weiter entfernt man davon ist,
11:47
you're a few microseconds behind every time.
295
707260
2000
verliert man jedes Mal einige Mikrosekunden.
11:49
These guys down on Wall Street,
296
709260
2000
Diese Typen an der Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
711260
2000
Marco Polo und Cherokee Nation,
11:53
they're eight microseconds
298
713260
2000
die sind acht Mikrosekunden
11:55
behind all these guys
299
715260
2000
hinter all den anderen,
11:57
going into the empty buildings being hollowed out
300
717260
4000
die in das leere Gebäude ziehen,
12:01
up around the Carrier Hotel.
301
721260
2000
das nur um die Ecke vom Carrier Hotel steht.
12:03
And that's going to keep happening.
302
723260
3000
Und das wird weiter so geschehen.
12:06
We're going to keep hollowing them out,
303
726260
2000
Wir werden weiterhin Gebäude ausräumen
12:08
because you, inch for inch
304
728260
3000
Weil Sie, Inch für Inch
12:11
and pound for pound and dollar for dollar,
305
731260
3000
und Pfund für Pfund und Dollar für Dollar,
12:14
none of you could squeeze revenue out of that space
306
734260
3000
niemand von Ihnen könnte soviel Gewinn aus diesem Raum quetschen
12:17
like the Boston Shuffler could.
307
737260
3000
wie es ein Boston Shuffler Algorithmus kann.
12:20
But if you zoom out,
308
740260
2000
Aber wenn man rauszoomt,
12:22
if you zoom out,
309
742260
2000
wenn man herauszoomt,
12:24
you would see an 825-mile trench
310
744260
4000
kann man einen Graben von 825 Meilen sehen
12:28
between New York City and Chicago
311
748260
2000
zwischen New York City und Chicago,
12:30
that's been built over the last few years
312
750260
2000
der während der letzten Jahre gebaut wurde
12:32
by a company called Spread Networks.
313
752260
3000
von einer Firma, die sich Spread Networks nennt.
12:35
This is a fiber optic cable
314
755260
2000
Das ist ein Glasfaserkabel,
12:37
that was laid between those two cities
315
757260
2000
das zwischen diesen zwei Städten verlegt wurde
12:39
to just be able to traffic one signal
316
759260
3000
nur um ein Signal zu senden,
12:42
37 times faster than you can click a mouse --
317
762260
3000
das 37 Mal schneller ist, als Sie eine Maus klicken können –
12:45
just for these algorithms,
318
765260
3000
nur für diese Algorithmen,
12:48
just for the Carnival and the Knife.
319
768260
3000
nur für den Karneval und das Messer.
12:51
And when you think about this,
320
771260
2000
Und wenn man darüber nachdenkt,
12:53
that we're running through the United States
321
773260
2000
dass wir uns durch die Vereinigten Staaten bohren,
12:55
with dynamite and rock saws
322
775260
3000
mit Dynamit und Steinsägen,
12:58
so that an algorithm can close the deal
323
778260
2000
damit ein Algorithmus einen Deal
13:00
three microseconds faster,
324
780260
3000
drei Mikrosekunden schneller abschließen kann,
13:03
all for a communications framework
325
783260
2000
alles für ein Kommunikationsnetzwerk,
13:05
that no human will ever know,
326
785260
4000
das kein Mensch kennen wird,
13:09
that's a kind of manifest destiny;
327
789260
3000
da manifestiert sich das Schicksal
13:12
and we'll always look for a new frontier.
328
792260
3000
und es wird immer nach einer neuen Grenze streben.
13:15
Unfortunately, we have our work cut out for us.
329
795260
3000
Leider wird unsere Arbeit auf der Strecke bleiben.
13:18
This is just theoretical.
330
798260
2000
Das ist nur theoretisch.
13:20
This is some mathematicians at MIT.
331
800260
2000
Das sind einige Mathematiker vom MIT.
13:22
And the truth is I don't really understand
332
802260
2000
Aber um ehrlich zu sein, verstehe ich nicht
13:24
a lot of what they're talking about.
333
804260
2000
wirklich viel von dem, was sie sagen.
13:26
It involves light cones and quantum entanglement,
334
806260
3000
Es kommen Lichtkegel vor und Quantenverwicklungen
13:29
and I don't really understand any of that.
335
809260
2000
und ich verstehe nicht wirklich etwas davon.
13:31
But I can read this map,
336
811260
2000
Aber ich kann diese Karte lesen.
13:33
and what this map says
337
813260
2000
Und diese Karte sagt, dass
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
815260
3000
wenn man versucht Geld zu verdienen in den Märkten, wo die roten Punkte sind,
13:38
that's where people are, where the cities are,
339
818260
2000
das ist dort wo die Menschen leben, wo die Städte sind,
13:40
you're going to have to put the servers where the blue dots are
340
820260
3000
dann muss man die Server dorthin stellen, wo die blauen Punkte sind,
13:43
to do that most effectively.
341
823260
2000
um das am Effizientesten zu tun.
13:45
And the thing that you might have noticed about those blue dots
342
825260
3000
Und die Sache, die Ihnen vielleicht bei den blauen Punkten auffällt ist,
13:48
is that a lot of them are in the middle of the ocean.
343
828260
3000
dass viele davon mitten im Ozean sind.
13:51
So that's what we'll do: we'll build bubbles or something,
344
831260
3000
Also das werden wir dann tun, Blasen oder irgendwas dorthin stellen
13:54
or platforms.
345
834260
2000
oder Plattformen.
13:56
We'll actually part the water
346
836260
2000
Oder wir teilen das Wasser
13:58
to pull money out of the air,
347
838260
2000
und holen uns das Geld aus der Luft,
14:00
because it's a bright future
348
840260
2000
denn es ist eine rosige Zukunft
14:02
if you're an algorithm.
349
842260
2000
wenn man ein Algorithmus ist.
14:04
(Laughter)
350
844260
2000
(Gelächter)
14:06
And it's not the money that's so interesting actually.
351
846260
3000
Und es ist nicht das Geld, das tatsächlich so interessant ist.
14:09
It's what the money motivates,
352
849260
2000
Es ist das, wozu uns das Geld bewegt.
14:11
that we're actually terraforming
353
851260
2000
Das wir tatsächlich die Erde
14:13
the Earth itself
354
853260
2000
umbauen
14:15
with this kind of algorithmic efficiency.
355
855260
2000
mit dieser Art von Algorithmeneffizienz.
14:17
And in that light,
356
857260
2000
Und in diesem Licht,
14:19
you go back
357
859260
2000
kehrt man zurück,
14:21
and you look at Michael Najjar's photographs,
358
861260
2000
betrachtet die Bilder von Michael Najjar
14:23
and you realize that they're not metaphor, they're prophecy.
359
863260
3000
und versteht, das diese keine Metapher sind, sondern eine Prophezeiung.
14:26
They're prophecy
360
866260
2000
Sie sind eine Prophezeiung
14:28
for the kind of seismic, terrestrial effects
361
868260
4000
für die Art von seismischen und irdischen Effekten
14:32
of the math that we're making.
362
872260
2000
der Mathematik, die wir schaffen.
14:34
And the landscape was always made
363
874260
3000
Die Landschaft wurde stets von dieser Art
14:37
by this sort of weird, uneasy collaboration
364
877260
3000
seltsamer, unbehaglicher Zusammenarbeit
14:40
between nature and man.
365
880260
3000
zwischen Mensch und Natur gestaltet.
14:43
But now there's this third co-evolutionary force: algorithms --
366
883260
3000
Aber jetzt gibt es eine dritte koevolutionäre Kraft: Algorithmen –
14:46
the Boston Shuffler, the Carnival.
367
886260
3000
den Bosten Shuffler, den Karneval.
14:49
And we will have to understand those as nature,
368
889260
3000
Wir werden diese als Natur verstehen müssen.
14:52
and in a way, they are.
369
892260
2000
In gewisser Weise sind sie das auch.
14:54
Thank you.
370
894260
2000
Vielen Dank.
14:56
(Applause)
371
896260
20000
(Applaus)
Über diese Website

Auf dieser Seite finden Sie YouTube-Videos, die zum Englischlernen nützlich sind. Sie sehen Englischlektionen, die von hochkarätigen Lehrern aus der ganzen Welt unterrichtet werden. Doppelklicken Sie auf die englischen Untertitel, die auf jeder Videoseite angezeigt werden, um das Video von dort aus abzuspielen. Die Untertitel laufen synchron mit der Videowiedergabe. Wenn Sie irgendwelche Kommentare oder Wünsche haben, kontaktieren Sie uns bitte über dieses Kontaktformular.

https://forms.gle/WvT1wiN1qDtmnspy7