Computing a theory of everything | Stephen Wolfram

استفان ولفرام: محاسبه ی یک تئوری برای همه چیز

Translator: Shadi Toghi Eshghi Reviewer: Iraj Hosseini

So I want to talk today about an idea. It's a big idea.

من امروز می خواهم درباره ی یک ایده صحبت کنم. این ایده ی بزرگی است.

Actually, I think it'll eventually

در واقع، فکر می کنم نهایتا

be seen as probably the single biggest idea

به عنوان شاید بزرگترین ایده ای که

that's emerged in the past century.

در قرن گذشته بیرون آمده، دیده شود.

It's the idea of computation.

این ایده ی محاسبات است.

Now, of course, that idea has brought us

بدون شک، آن ایده تمامی تکنولوژی کامپیوتری

all of the computer technology we have today and so on.

که امروز داریم و خیلی چیزهای دیگر را برای ما به ارمغان آورده.

But there's actually a lot more to computation than that.

ولی در واقع محاسبات خیلی بیشتر از این حرف هاست.

It's really a very deep, very powerful, very fundamental idea,

این واقعا یک ایده ی بسیار عمیق، بسیار قدرتمند، بسیار بنیادی است،

whose effects we've only just begun to see.

که تازه شروع کرده ایم به دیدن اثرات آن.

Well, I myself have spent the past 30 years of my life

خوب، من خودم 30 سال گذشته ی زندگی ام را پرداخته ام به

working on three large projects

کار کردن روی سه پروژه ی بزرگ

that really try to take the idea of computation seriously.

که واقعا سعی دارند ایده ی محاسبات را جدی بگیرند.

So I started off at a young age as a physicist

من در یک سن کم به عنوان یک فیزیکدان

using computers as tools.

شروع کردم به استفاده از کامپیوتر به عنوان ابزار.

Then, I started drilling down,

بعد از آن، شروع کردم به یک جور کندوکاش کامپیوتر،

thinking about the computations I might want to do,

با فکر این که چه محاسباتی ممکن است بخواهم انجام دهم،

trying to figure out what primitives they could be built up from

و تلاش برای فهمیدن این که آن ها از چه عناصر اولیه ای می توانند ساخته شوند

and how they could be automated as much as possible.

و چه طوری می توانند تا جایی که ممکن است خودکار انجام شوند.

Eventually, I created a whole structure

نهایتا، براساس برنامه نویسی سمبولیک و

based on symbolic programming and so on

این جور چیزها یک ساختار کامل ایجاد کردم

that let me build Mathematica.

که به من کمک کرد متمتیکا را بسازم.

And for the past 23 years, at an increasing rate,

و ما در طول 23 سال گذشته، با سرعتی رو به رشد،

we've been pouring more and more ideas

ایده ها و قابلیت ها و به همین ترتیب چیزهای

and capabilities and so on into Mathematica,

بیشتر و بیشتری در متمتیکا ریخته ایم.

and I'm happy to say that that's led to many good things

و خوشحالم بگویم که آن منجر به اتفاقات خوب زیادی

in R & D and education,

در تحقیق و توسعه و تحصیل،

lots of other areas.

و بسیاری زمینه های دیگر شده است.

Well, I have to admit, actually,

خوب، باید اقرار کنم، در واقع، که من

that I also had a very selfish reason for building Mathematica:

دلیل بسیار خودخواهانه ای برای ساختن متمتیکا داشتم.

I wanted to use it myself,

می خواستم خودم از آن استفاده کنم،

a bit like Galileo got to use his telescope

یک کم مثل گالیله که 400 سال پیش

400 years ago.

فرصت این را پیدا کرد که از تلسکوپش استفاده کند.

But I wanted to look not at the astronomical universe,

ولی من می خواستم، نه به دنیای نجومی،

but at the computational universe.

بلکه به دنیای محاسبات نگاه کنم.

So we normally think of programs as being

ما معمولا به برنامه ها به صورت

complicated things that we build

چیزهای پیچیده ای که برای یک منظور

for very specific purposes.

خیلی خاص می سازیم، نگاه می کنیم.

But what about the space of all possible programs?

ولی نظرتان درباره ی فضای همه ی برنامه های ممکن چیست؟

Here's a representation of a really simple program.

این نمایشی از یک برنامه ی خیلی ساده است.

So, if we run this program,

خوب، اگر این برنامه را اجرا کنیم،

this is what we get.

این چیزی است که می گیریم.

Very simple.

خیلی ساده.

So let's try changing the rule

پس بیایید سعی کنیم قانون این برنامه را

for this program a little bit.

کمی تغییر دهیم.

Now we get another result,

حالا یک جواب دیگر می گیریم،

still very simple.

که باز هم خیلی ساده است.

Try changing it again.

سعی کنید دوباره تغییرش دهید.

You get something a little bit more complicated.

یک جواب کمی پیچیده تر می گیرید،

But if we keep running this for a while,

ولی اگر برای مدتی به اجرا کردن این ادامه دهیم،

we find out that although the pattern we get is very intricate,

متوجه می شویم که، اگرچه الگویی که به دست می آوریم کمی پیچیده است،

it has a very regular structure.

ساختار بسیار منظمی دارد.

So the question is: Can anything else happen?

پس سؤال این است: آیا چیز دیگری می تواند اتفاق بیفتد؟

Well, we can do a little experiment.

خوب، می توانیم یک آزمایش کوچک انجام دهیم.

Let's just do a little mathematical experiment, try and find out.

بیایید فقط یک آزمایش ریاضی کوچک انجام دهیم، امتحان کنیم و بفهمیم.

Let's just run all possible programs

بیایید همه ی برنامه های ممکن از نوع خاصی

of the particular type that we're looking at.

که داریم بررسی می کنیم را اجرا کنیم.

They're called cellular automata.

به این ها می گویند ماشین سلولی (cellular automata).

You can see a lot of diversity in the behavior here.

شما اینجا می توانید تنوع زیادی در رفتار مشاهده کنید.

Most of them do very simple things,

بیشتر آن ها کارهای خیلی ساده ای انجام می دهند.

but if you look along all these different pictures,

ولی اگر همه ی این تصاویر متفاوت را در امتداد نگاه کنید،

at rule number 30,

در قانون شماره 30،

you start to see something interesting going on.

شروع می کنید به دیدن چیز جالبی که دارد اتفاق می افتد.

So let's take a closer look

خوب بیایید اینجا با دقت بیشتری

at rule number 30 here.

به قانون 30 نگاه کنیم.

So here it is.

این جاست.

We're just following this very simple rule at the bottom here,

ما فقط داریم از این قانون خیلی ساده این پایین پیروی می کنیم،

but we're getting all this amazing stuff.

ولی داریم همه ی این چیزهای شگفت انگیز را می گیریم.

It's not at all what we're used to,

این به هیچ وجه چیزی نیست که به آن عادت داریم،

and I must say that, when I first saw this,

و باید بگویم که، اولین باری که این را دیدم،

it came as a huge shock to my intuition.

مثل شک بزرگی در درک شهودی من بود،

And, in fact, to understand it,

و در حقیقت، برای فهمیدن آن،

I eventually had to create

نهایتا مجبور شدم یک نوع علم

a whole new kind of science.

کاملا جدید به وجود آورم.

(Laughter)

(خنده ی حاضران)

This science is different, more general,

این علم با علم مبتنی بر ریاضیاتی که

than the mathematics-based science that we've had

در طول 300 سال گذشته داشته ایم،

for the past 300 or so years.

فرق دارد، کلی تر است.

You know, it's always seemed like a big mystery:

می دانید، اینکه طبیعت چگونه

how nature, seemingly so effortlessly,

به ظاهر اینطور بی دردسر، موفق می شود این همه گونه که

manages to produce so much

برای ما اینقدر پیچیده به نظر می آید،

that seems to us so complex.

را بسازد، همیشه مثل یک معمای بزرگ بوده.

Well, I think we've found its secret:

خوب، من فکر می کنم که ما رازش را پیدا کرده ایم.

It's just sampling what's out there in the computational universe

این فقط نمونه برداری از چیزهایی

and quite often getting things like Rule 30

در دنیای محاسبات و اغلب گرفتن جواب هایی مثل قانون 30

or like this.

یا مثل این است.

And knowing that starts to explain

و دانستن آن شروع می کند به توضیح تعداد زیادی

a lot of long-standing mysteries in science.

معماهای دور و دراز در علم.

It also brings up new issues, though,

با این حال، مسائل تازه ای را هم به وجود می آورد،

like computational irreducibility.

مثل ساده سازی ناپذیری محاسباتی. منظورم این است که،

I mean, we're used to having science let us predict things,

ما عادت کردیم به اینکه با در دست داشتن علم نتایج را پیش بینی کنیم،

but something like this

ولی چیزی مثل این

is fundamentally irreducible.

اساسا غیر قابل ساده کردن است.

The only way to find its outcome

تنها راه مؤثر برای به دست آوردن خروجی اش این است که،

is, effectively, just to watch it evolve.

تکامل پیدا کردنش را تماشا کنیم.

It's connected to, what I call,

این مربوط می شود به چیزی که من اسمش را می گذارم،

the principle of computational equivalence,

اصل هم ارزی محاسباتی (the principle of computational equivalence)،

which tells us that even incredibly simple systems

که به ما می گوید، حتی سیستم های فوق العاده ساده

can do computations as sophisticated as anything.

می توانند محاسباتی به هر پیچیدگی انجام دهند.

It doesn't take lots of technology or biological evolution

این که بتوانیم محاسبات اختیاری انجام دهیم،

to be able to do arbitrary computation;

تکنولوژی یا تکامل زیستی خاصی نمی خواهد،

just something that happens, naturally,

چیزی است که همه جا

all over the place.

به طور طبیعی اتفاق می افتد.

Things with rules as simple as these can do it.

چیزهایی با قوانینی به این سادگی می توانند این کار را بکنند.

Well, this has deep implications

خوب، این تأثیرات عمیقی

about the limits of science,

درباره ی حدود علم،

about predictability and controllability

درباره ی قابل پیش بینی و کنترل بودن

of things like biological processes or economies,

چیزهایی مثل فرآیندهای زیستی یا اقتصاد،

about intelligence in the universe,

درباره ی هوشمندی در جهان،

about questions like free will

درباره ی سؤال هایی مثل آزادی اراده

and about creating technology.

و درباره ی ایجاد تکنولوژی دارد.

You know, in working on this science for many years,

می دانید، بعد از این همه سال کار کردن روی این علم،

I kept wondering,

هنوز از خودم می پرسم،

"What will be its first killer app?"

"اولین کاربرد حیاتی اش چه خواهد بود؟"

Well, ever since I was a kid,

خوب، از وقتی بچه بودم،

I'd been thinking about systematizing knowledge

درباره ی قانونمند کردن علم و یک جورهایی

and somehow making it computable.

قابل محاسبه کردن آن فکر می کردم.

People like Leibniz had wondered about that too

آدم هایی مثل لایبنیز (Leibniz) هم 300 سال پیش

300 years earlier.

بهش فکر کرده بودند.

But I'd always assumed that to make progress,

ولی من همیشه فرض می کردم که برای جلو رفتن،

I'd essentially have to replicate a whole brain.

لزوما مجبورم یک مغز کامل را دوباره سازی کنم.

Well, then I got to thinking:

خوب، حالا باید فکر کنم:

This scientific paradigm of mine suggests something different --

این مدل علمی من چیز متفاوتی پیشنهاد می کند.

and, by the way, I've now got

و به هر حال، من قابلیت های محاسباتی عظیمی

huge computation capabilities in Mathematica,

در متمتیکا به دست آورده ام.

and I'm a CEO with some worldly resources

و من یک مدیرعامل هستم با منابعی کارکشته

to do large, seemingly crazy, projects --

تا پروژه های بزرگ و به ظاهر عجیب و غریب انجام دهم.

So I decided to just try to see

برای همین تصمیم گرفتم که سعی کنم ببینم

how much of the systematic knowledge that's out there in the world

چقدر از دانش سیستماتیکی که آن بیرون در دنیا است را

we could make computable.

می توانیم قابل محاسبه کنیم.

So, it's been a big, very complex project,

خوب، این یک پروژه ی بزرگ بسیار پیچیده است،

which I was not sure was going to work at all.

که اصلا مطمئن نبودم که کار کند.

But I'm happy to say it's actually going really well.

ولی خوشحالم که بگویم که در واقع دارد خیلی خوب پیش می رود.

And last year we were able

و سال گذشته موفق شدیم

to release the first website version

اولین نسخه ی وب سایت

of Wolfram Alpha.

ولفرام آلفا را منتشر کنیم.

Its purpose is to be a serious knowledge engine

هدفش این است که یک موتور دانش واقعی باشد که

that computes answers to questions.

جواب سؤال ها را محاسبه می کند.

So let's give it a try.

پس بیایید امتحانش کنیم.

Let's start off with something really easy.

بیایید با چیز خیلی ساده ای شروع کنیم.

Hope for the best.

امیدوارم جواب بدهد.

Very good. Okay.

خیلی خوب است. باشد.

So far so good.

تا اینجا خوب بوده.

(Laughter)

(خنده)

Let's try something a little bit harder.

بیایید یک چیز کمی سخت تر را امتحان کنیم.

Let's do

بیایید بگوییم ...

some mathy thing,

بیایید کمی کار ریاضی بکنیم

and with luck it'll work out the answer

و با کمی شانس، جواب می دهد

and try and tell us some interesting things

و تلاش می کند و چیزهای جالبی به ما می گوید،

things about related math.

چیزهایی درباره ی ریاضیات مربوط به آن.

We could ask it something about the real world.

می توانیم چیزی درمورد دنیای واقعی از آن بپرسیم.

Let's say -- I don't know --

بگذارید بگویم -- نمی دانم--

what's the GDP of Spain?

تولید ناخالص داخلی اسپانیا چقدر است؟

And it should be able to tell us that.

و این باید قادر باشد این را به ما بگوید.

Now we could compute something related to this,

می توانیم چیزی مرتبط با این را محاسبه کنیم،

let's say ... the GDP of Spain

بیایید بگوییم تولید ناخالص داخلی اسپانیا

divided by, I don't know,

تقسیم بر، نمی دانم،

the -- hmmm ...

امممممم...

let's say the revenue of Microsoft.

مثلا درآمد مایکروسافت.

(Laughter)

(خنده)

The idea is that we can just type this in,

ایده این است که می توانیم یک جورهایی فقط این را تایپ کنیم،

this kind of question in, however we think of it.

این جور سؤال ها را به هر شکلی که به آن فکر می کنیم.

So let's try asking a question,

پس بیایید سؤالی مثلا مربوط به سلامتی

like a health related question.

را امتحان کنیم.

So let's say we have a lab finding that ...

فرض کنیم نتیجه ی یک آزمایش را داریم که --

you know, we have an LDL level of 140

می دانید، سطح LDL یک مرد 50 ساله را

for a male aged 50.

140 داریم.

So let's type that in, and now Wolfram Alpha

خوب پس اجازه دهید این را تایپ کنیم، و حالا ولفرام آلفا

will go and use available public health data

می رود و از اطلاعات سلامت عمومی موجود استفاده می کند

and try and figure out

و سعی می کند بفهمد

what part of the population that corresponds to and so on.

این شبیه کدام قسمت از جمعیت است و و و.

Or let's try asking about, I don't know,

یا بگذارید پرسیدن درباره ی، نمی دانم،

the International Space Station.

ایستگاه فضایی بین المللی را امتحان کنیم.

And what's happening here is that

و چیزی که اینجا اتفاق می افتد این است که

Wolfram Alpha is not just looking up something;

ولفرام آلفا فقط یک کلمه را نگاه نمی کند؛

it's computing, in real time,

بلکه در لحظه محاسبه می کند که

where the International Space Station is right now at this moment,

ایستگاه فضایی بین المللی الآن، درست در همین لحظه، کجاست،

how fast it's going, and so on.

با چه سرعتی حرکت می کند و و و.

So Wolfram Alpha knows about lots and lots of kinds of things.

پس ولفرام آلفا درباره ی چیزهای بسیار بسیار زیادی اطلاعات دارد.

It's got, by now,

تا حالا پوشش خوبی از هر چیزی که

pretty good coverage of everything you might find

ممکن است در یک کتابخانه ی مرجع استاندارد و

in a standard reference library.

مثل آن پیدا کنید، به دست آورده.

But the goal is to go much further

اما هدف این است که خیلی فراتر برویم

and, very broadly, to democratize

و، به طور خیلی گسترده، همه ی این نوع دانش ها را

all of this knowledge,

دموکراتیک کنیم،

and to try and be an authoritative

و سعی کنیم که یک منبع معتبر

source in all areas.

در همه ی زمینه ها باشیم،

To be able to compute answers to specific questions that people have,

قادر باشیم جواب سؤال های خاصی که مردم دارند را محاسبه کنیم،

not by searching what other people

نه با جستجوی چیزی که ممکن است

may have written down before,

قبل از آن دیگران نوشته باشند،

but by using built in knowledge

بلکه با استفاده از دانش درونی که

to compute fresh new answers to specific questions.

برای محاسبه جواب های نو به پرسش های خاص تعبیه شده.

Now, of course, Wolfram Alpha

البته، ولفرام آلفا

is a monumentally huge, long-term project

یک پروژه ی طولانی مدت بسیار عظیم است

with lots and lots of challenges.

با چالش های بسیار بسیار زیاد.

For a start, one has to curate a zillion

برای شروع، آدم باید بی نهایت

different sources of facts and data,

منبع مختلف وقایع و اطلاعات را جمع کند،

and we built quite a pipeline of Mathematica automation

و ما برای انجام این کار تقریبا یک پایپ لاین

and human domain experts for doing this.

از ماشین متمتیکا و متخصصان حوزه ی انسانی ساخته ایم.

But that's just the beginning.

ولی این تازه اول کار است.

Given raw facts or data

با داشتن وقایع یا اطلاعات خام

to actually answer questions,

برای جواب دادن سؤال ها،

one has to compute:

باید بتوانی محاسبه کنی،

one has to implement all those methods and models

باید بتوانی همه ی آن روش ها و مدل ها و

and algorithms and so on

الگوریتم ها و غیره که علم و سایر رشته ها

that science and other areas have built up over the centuries.

در طول قرن ها ساخته اند را پیاده سازی کنی.

Well, even starting from Mathematica,

خوب، حتی با شروع از متمتیکا،

this is still a huge amount of work.

هنوز مقدار عظیمی کار وجود دارد.

So far, there are about 8 million lines

تا حالا، حدود 8 میلیون

of Mathematica code in Wolfram Alpha

خط کد متمتیکا توسط متخصصانی از تعداد بسیار زیادی

built by experts from many, many different fields.

رشته های مختلف، در ولفرام آلفا نوشته شده است.

Well, a crucial idea of Wolfram Alpha

خوب، یک ایده ی اصلی ولفرام آلفا این

is that you can just ask it questions

است که شما بتوانید با زبان معمولی انسانی

using ordinary human language,

از آن سؤال بپرسید، که یعنی ما

which means that we've got to be able to take

باید قادر باشیم همه ی آن حرف های عجیبی که

all those strange utterances that people type into the input field

مردم در فیلد ورودی تایپ می کنند را بگیریم

and understand them.

و آن ها را بفهمیم.

And I must say that I thought that step

و باید بگویم که فکر می کردم آن مرحله

might just be plain impossible.

ممکن است کاملا غیر ممکن باشد.

Two big things happened:

دو تا اتفاق بزرگ افتاد.

First, a bunch of new ideas about linguistics

اول، یک سری ایده های جدید در مورد زبان شناسی

that came from studying the computational universe;

که از مطالعه ی دنیای محاسباتی به دست آمد.

and second, the realization that having actual computable knowledge

و دوم، فهمیدن اینکه داشتن دانش واقعی قابل محاسبه،

completely changes how one can

به طور کامل روش فهمیدن یک زبان

set about understanding language.

توسط یک شخص را تغییر می دهد.

And, of course, now

و البته، حالا

with Wolfram Alpha actually out in the wild,

با ولفرام آلفا بیرون در دنیای طبیعی،

we can learn from its actual usage.

می توانیم از استفاده ی واقعی آن یاد بگیریم.

And, in fact, there's been

و در واقع،

an interesting coevolution that's been going on

یک تکامل دو طرفه ی جالب

between Wolfram Alpha

بین ولفرام آلفا و استفاده کنندگان آن

and its human users,

در جریان بوده است.

and it's really encouraging.

و این خیلی دلگرم کننده است.

Right now, if we look at web queries,

درست همین الآن، اگر به سؤالات اینترنتی نگاه کنیم،

more than 80 percent of them get handled successfully the first time.

بیش از 80 درصد آن ها بار اول جواب داده می شوند.

And if you look at things like the iPhone app,

و اگر به چیزهایی مثل برنامه های آی-فون (iPhone) نگاه کنید،

the fraction is considerably larger.

این نسبت به طور قابل ملاحظه ای بزرگتر است.

So, I'm pretty pleased with it all.

بنابراین، من خیلی از همه اش راضی ام.

But, in many ways,

ولی، از بسیاری جهات،

we're still at the very beginning with Wolfram Alpha.

ما هنوز اول کار ولفرام آلفا هستیم.

I mean, everything is scaling up very nicely

منظورم این است که، همه چیز دارد خیلی خوب جلو می رود.

and we're getting more confident.

ما داریم اطمینان بیشتری پیدا می کنیم.

You can expect to see Wolfram Alpha technology

می توانید انتظار داشته باشید تکنولوژی ولفرام آلفا

showing up in more and more places,

جاهای بیشتر و بیشتری خودنمایی کند،

working both with this kind of public data, like on the website,

و هم با این نوع اطلاعات عمومی، مثلا روی وب سایت،

and with private knowledge

و هم با دانش خصوصی

for people and companies and so on.

برای مردم و شرکت ها و غیره کار کند.

You know, I've realized that Wolfram Alpha actually gives one

می دانید، من فهمیده ام که ولفرام آلفا در واقع

a whole new kind of computing

به آدم یک جور روش محاسباتی کاملا جدید می دهد

that one can call knowledge-based computing,

که می شود اسمش را گذاشت محاسبه ی مبتنی بر دانش،

in which one's starting not just from raw computation,

که در آن آدم، نه فقط از محاسبات خام،

but from a vast amount of built-in knowledge.

بلکه از مقدار عظیمی دانش از پیش ساخته شده، شروع می کند.

And when one does that, one really changes

و وقتی کسی این کار را می کند، اقتصاد منتقل کردن

the economics of delivering computational things,

چیزهای محاسباتی را، چه روی وب و چه هرجای دیگری،

whether it's on the web or elsewhere.

واقعا تغییر می دهد.

You know, we have a fairly interesting situation right now.

می دانید، ما الآن یک موقعیت نسبتا جالب داریم.

On the one hand, we have Mathematica,

از یک طرف، متمتیکا را داریم،

with its sort of precise, formal language

با همه دقت اش، زبان قراردادی اش،

and a huge network

و یک شبکه ی عظیم

of carefully designed capabilities

از قابلیت های به دقت طراحی شده،

able to get a lot done in just a few lines.

که می تواند در فقط چند خط، کارهای زیادی انجام دهد.

Let me show you a couple of examples here.

اجازه دهید اینجا چند مثال نشانتان بدهم.

So here's a trivial piece of Mathematica programming.

این یک بخش جزئی از برنامه نویسی متمتیکاست.

Here's something where we're sort of

اینجا جایی است که یک جورهایی یک سری

integrating a bunch of different capabilities here.

قابلیت های مختلف را با هم جمع می کنیم.

Here we'll just create, in this line,

اینجا در این خط فقط یک رابط کاربری

a little user interface that allows us to

کوچک می سازیم که به ما اجازه می دهد

do something fun there.

یک کار باحال بکنیم.

If you go on, that's a slightly more complicated program

اگر ادامه دهید، این یک برنامه ی کمی پیچیده تر است

that's now doing all sorts of algorithmic things

که حالا همه نوع کار الگوریتمی و

and creating user interface and so on.

ایجاد رابط کاربری و ... را انجام می دهد.

But it's something that is very precise stuff.

اما این چیز خیلی دقیقی است.

It's a precise specification with a precise formal language

این یک مشخصات دقیق با یک زبان قراردادی دقیق است که

that causes Mathematica to know what to do here.

باعث می شود متمتیکا بداند باید اینجا چه کار کند.

Then on the other hand, we have Wolfram Alpha,

خوب، از طرف دیگر، ولفرام آلفا را داریم،

with all the messiness of the world

به همراه همه جور شلختگی دنیا

and human language and so on built into it.

و زبان انسانی و غیره که در آن قرار دارد.

So what happens when you put these things together?

پس وقتی این چیزها را در کنار هم قرار می دهید چه می شود؟

I think it's actually rather wonderful.

من فکر می کنم در واقع تقریبا شگفت انگیز است.

With Wolfram Alpha inside Mathematica,

با ولفرام آلفا داخل متمتیکا،

you can, for example, make precise programs

می توانید، برای مثال، برنامه های دقیق بسازید

that call on real world data.

که اطلاعات واقعی دنیا را فراخوانی کنند.

Here's a real simple example.

این یک مثال واقعا ساده است.

You can also just sort of give vague input

به علاوه می توانید یک جور ورودی مبهم بدهید

and then try and have Wolfram Alpha

و بعد امتحان کنید و ببینید ولفرام آلفا

figure out what you're talking about.

می فهمد دارید درباره ی چی حرف می زنید.

Let's try this here.

بگذارید این را اینجا تست کنیم.

But actually I think the most exciting thing about this

ولی در واقع من فکر می کنم یک جورهایی هیجان انگیزترین

is that it really gives one the chance

چیز درباره ی این، آن است که واقعا به آدم شانس

to democratize programming.

این را می دهد که برنامه نویسی را دموکراتیک کند.

I mean, anyone will be able to say what they want in plain language.

منظورم این است که، هر کسی می تواند به زبان ساده چیزی که می خواهد

Then, the idea is that Wolfram Alpha will be able to figure out

را بگوید، ایده این است، که ولفرام آلفا قادر خواهد بود بفهمد

what precise pieces of code

چه قطعه کدهای دقیقی

can do what they're asking for

می توانند چیزی که آنها می خواهند را انجام دهد

and then show them examples that will let them pick what they need

و بعد به آن ها مثال هایی نشان دهد که بهشان اجازه می دهد چیزی که نیاز دارند

to build up bigger and bigger, precise programs.

را انتخاب کنند تا برنامه های دقیق بزرگ و بزرگتری بسازند.

So, sometimes, Wolfram Alpha

گاهی اوقات، ولفرام آلفا

will be able to do the whole thing immediately

می تواند تمام کار را بلافاصله انجام دهد

and just give back a whole big program that you can then compute with.

و یک برنامه ی کامل بزرگ را برگرداند که می توانید بعد با آن محاسبه کنید.

Here's a big website

خوب، اینجا یک وب سایت بزرگ است

where we've been collecting lots of educational

جایی که مقدار زیادی مطالب آموزشی و غیره

and other demonstrations about lots of kinds of things.

درباره ی موضوعات خیلی زیادی جمع کرده ایم.

I'll show you one example here.

خوب، نمی دانم، یک مثال به شما نشان می دهم، شاید اینجا.

This is just an example of one of these computable documents.

این فقط یک مثال از یکی از این اسناد قابل محاسبه است.

This is probably a fairly small

این شاید یک قطعه ی نسبتا کوچک

piece of Mathematica code

از کد متمتیکاست

that's able to be run here.

که می تواند اینجا اجرا شود.

Okay. Let's zoom out again.

باشد. بگذارید دوباره آن را کوچک کنیم.

So, given our new kind of science,

پس، با داشتن علم جدیدمان،

is there a general way to use it to make technology?

آیا یک راه کلی وجود دارد که از آن برای ایجاد تکنولوژی استفاده کنیم؟

So, with physical materials,

خوب، با مواد فیزیکی،

we're used to going around the world

عادت کرده ایم به یک جورهایی رفتن دور دنیا

and discovering that particular materials

و کشف کردن مواد خاصی که

are useful for particular

برای هدف های تکنولوژیکی خاصی

technological purposes.

مفید هستند و و و.

Well, it turns out we can do very much the same kind of thing

خوب، معلوم می شود که ما می توانیم یک چیزی خیلی شبیه به این را

in the computational universe.

در دنیای محاسبات انجام دهیم.

There's an inexhaustible supply of programs out there.

یک منبع تمام نشدنی از برنامه آن بیرون است.

The challenge is to see how to

مسأله این است که ببینیم چه طوری

harness them for human purposes.

آن ها را برای اهداف بشر تحت کنترل در آوریم.

Something like Rule 30, for example,

یک چیزی مثل قانون 30، برای مثال، مشخص می شود که

turns out to be a really good randomness generator.

یک تولید کننده خوب اعداد تصادفی است.

Other simple programs are good models

برنامه های ساده ی دیگر مدل های خوبی

for processes in the natural or social world.

برای روندهای دنیای طبیعی یا اجتماعی هستند.

And, for example, Wolfram Alpha and Mathematica

و، برای مثال، ولفرام آلفا و متمتیکا

are actually now full of algorithms

در واقع الآن پر از الگوریتم هایی هستند که

that we discovered by searching the computational universe.

با جستجوی دنیای محاسباتی کشف کردیم.

And, for example, this -- if we go back here --

و، برای مثال، این، -- برمی گردیم به اینجا --

this has become surprisingly popular

این به طور شگفت آوری در بین آهنگسازانی

among composers

که دنبال پیدا کردن فرم های موسیقی

finding musical forms by searching the computational universe.

با گشتن در دنیای محاسبات هستند، معروف شده.

In a sense, we can use the computational universe

به یک معنا، ما می توانیم از دنیای محاسباتی استفاده کنیم

to get mass customized creativity.

تا انبوهی از خلاقیت شخصی سازی شده به دست آوریم.

I'm hoping we can, for example,

من امیدوارم که بتوانیم، برای مثال،

use that even to get Wolfram Alpha

حتی از آن استفاده کنیم تا ولفرام آلفا

to routinely do invention and discovery on the fly,

به طور مداوم یک جورهایی رو هوا اختراع و اکتشاف کند.

and to find all sorts of wonderful stuff

و همه جور چیزهای شگفت انگیزی را که

that no engineer

هیچ مهندسی

and no process of incremental evolution would ever come up with.

و هیچ روندی از تکامل تدریجی به ذهنش خطور نمی کند، انجام دهد.

Well, so, that leads to kind of an ultimate question:

خوب، پس این منتهی می شود به یک جور سؤال نهایی.

Could it be that someplace out there in the computational universe

امکان دارد که جایی آن بیرون در دنیای محاسباتی،

we might find our physical universe?

دنیای فیزیکی مان را پیدا کنیم؟

Perhaps there's even some quite simple rule,

شاید حتی چند قانون نسبتا ساده وجود دارد،

some simple program for our universe.

چند برنامه ی ساده برای دنیای ما.

Well, the history of physics would have us believe

تاریخ فیزیک باعث شده باور کنیم

that the rule for the universe must be pretty complicated.

که قانون دنیا باید خیلی پیچیده باشد.

But in the computational universe,

ولی در دنیای محاسبات

we've now seen how rules that are incredibly simple

دیده ایم که قانون های به طرز باورنکردنی ساده

can produce incredibly rich and complex behavior.

چگونه می توانند رفتار این طور غیر قابل باور پیچیده و غنی داشته باشند.

So could that be what's going on with our whole universe?

پس این می تواند همان چیزی باشد که دارد در همه ی دنیای ما اتفاق می افتد؟

If the rules for the universe are simple,

اگر قانون های جهان ساده هستند،

it's kind of inevitable that they have to be

یک جورهایی ناچارند که خیلی

very abstract and very low level;

انتزاعی و سطح پایین باشند،

operating, for example, far below

برای مثال، خیلی پایین تر از

the level of space or time,

سطح فضا یا زمان کار کنند،

which makes it hard to represent things.

که باعث می شود نشان دادن چیزها سخت شود.

But in at least a large class of cases,

ولی حداقل در یک دسته ی بزرگی از نمونه ها

one can think of the universe as being

آدم می تواند درباره ی جهان

like some kind of network,

مثل یک شبکه فکر کند،

which, when it gets big enough,

که، وقتی به اندازه ی کافی بزرگ شد،

behaves like continuous space

مثل فضای پیوسته رفتار می کند

in much the same way as having lots of molecules

خیلی شبیه به اینکه تعداد زیادی مولکول می توانند

can behave like a continuous fluid.

مثل یک ماده ی سیال رفتار کنند.

Well, then the universe has to evolve by applying

پس جهان باید با اعمال کردن قانون های کوچکی

little rules that progressively update this network.

که به طور پیشرونده ای این شبکه را به روز می کنند، تکامل پیدا کند.

And each possible rule, in a sense,

و هر قانون ممکن، از یک جهت،

corresponds to a candidate universe.

به یک دنیای خاص مربوط می شود.

Actually, I haven't shown these before,

راستش، من قبلا این ها را نشان نداده ام،

but here are a few of the candidate universes

ولی این ها تعداد کمی از دنیاهای نامزد هستند که

that I've looked at.

من بهشان نگاه کرده ام.

Some of these are hopeless universes,

بعضی از این ها دنیاهای بی فایده ای هستند،

completely sterile,

کاملا بی نتیجه،

with other kinds of pathologies like no notion of space,

با شکل های دیگر آسیب شناسی مثل نداشتن مفهوم فضا،

no notion of time, no matter,

زمان، ماده،

other problems like that.

مشکلات دیگری از این قبیل.

But the exciting thing that I've found in the last few years

ولی چیز هیجان انگیزی که طی چند سال گذشته فهمیده ام

is that you actually don't have to go very far

این است که لازم نیست در دنیای محاسباتی

in the computational universe

خیلی جای دوری بروید

before you start finding candidate universes

تا دنیاهای نامزد را پیدا کنید

that aren't obviously not our universe.

که به وضوح نامشابه دنیای ما نیستند.

Here's the problem:

مشکل این است:

Any serious candidate for our universe

هر کاندیدای جدی برای دنیای ما،

is inevitably full of computational irreducibility.

به ناچار پر است از ساده ناپذیری های محاسباتی،

Which means that it is irreducibly difficult

که یعنی فهمیدن این که واقعا چه طور رفتار می کند،

to find out how it will really behave,

و آیا با دنیای فیزیکی ما تطبیق دارد،

and whether it matches our physical universe.

از لحاظ محاسباتی به طور ساده ناپذیری سخت است.

A few years ago, I was pretty excited to discover

چند سال پیش، از اینکه کشف کرده بودم دنیاهای نامزدی

that there are candidate universes with incredibly simple rules

با قوانین بسیار ساده وجود دارند که

that successfully reproduce special relativity,

با موفقیت نسبیت خاص را، و حتی

and even general relativity and gravitation,

نسبیت عام و جاذبه و حداقل قسمت جزئی از مکانیک کوانتومی

and at least give hints of quantum mechanics.

را بازسازی می کنند، هیجانزده شدم.

So, will we find the whole of physics?

پس، ما کل فیزیک را پیدا خواهیم کرد؟

I don't know for sure,

من با اطمینان نمی دانم.

but I think at this point it's sort of

ولی فکر می کنم در این نقطه یک جورهایی

almost embarrassing not to at least try.

خجالت آور است که حداقل امتحانش نکنیم.

Not an easy project.

پروژه ی ساده ای نیست.

One's got to build a lot of technology.

آدم باید تکنولوژی زیادی بسازد.

One's got to build a structure that's probably

آدم باید ساختاری بسازد که شاید

at least as deep as existing physics.

حداقل به عمق فیزیک حال حاضر است.

And I'm not sure what the best way to organize the whole thing is.

و من مطمئن نیستم که بهترین راه سازماندهی کردن کل کار چیست.

Build a team, open it up, offer prizes and so on.

گروه تشکیل دهید، آن را باز کنید، جایزه بگذارید و و و.

But I'll tell you, here today,

ولی امروز به شما می گویم

that I'm committed to seeing this project done,

که من متعهد شده ام که پایان این پروژه را ببینم،

to see if, within this decade,

ببینیم آیا، در این دهه،

we can finally hold in our hands

می توانیم بالاخره قانون دنیایمان را

the rule for our universe

در دستانمان بگیریم

and know where our universe lies

و بفهمیم جهانمان در کجای فضای

in the space of all possible universes ...

همه ی جهان های ممکن قرار دارد --

and be able to type into Wolfram Alpha, "the theory of the universe,"

و قادر شویم در ولفرام آلفا تایپ کنیم "تئوری جهان"

and have it tell us.

و او به ما جواب بدهد.

(Laughter)

(خنده)

So I've been working on the idea of computation

من بیش از 30 سال است که دارم

now for more than 30 years,

روی ایده ی محاسبات کار می کنم،

building tools and methods and turning intellectual ideas

ابزار و روش می سازم و ایده های ذهنی را

into millions of lines of code

تبدیل می کنم به میلیون ها خط کد

and grist for server farms and so on.

و برای شبکه های سِرور گندم آسیاب می کنم (داده فراهم می کنم) و و و.

With every passing year,

هر سال که می گذرد،

I realize how much more powerful

می فهمم ایده ی محاسبات

the idea of computation really is.

واقعا چقدر قوی تر است.

It's taken us a long way already,

تا حالا ما را راه زیادی برده است،

but there's so much more to come.

ولی هنوز چیزهای زیادی در راه است.

From the foundations of science

از پایه های علم

to the limits of technology

تا مرزهای تکنولوژی

to the very definition of the human condition,

تا تعریف وضعیت بشر،

I think computation is destined to be

من فکر می کنم محاسبات مقدر شده

the defining idea of our future.

که ایده ی معلوم کننده ی زندگانی آینده ی ما باشد.

Thank you.

متشکرم.

(Applause)

(تشویق)

Chris Anderson: That was astonishing.

کریس آندرسون: شگفت آور بود.

Stay here. I've got a question.

بمانید. من یک سؤال دارم.

(Applause)

(تشویق)

So, that was, fair to say, an astonishing talk.

صادقانه بگویم، سخنرانی شگفت آوری بود.

Are you able to say in a sentence or two

می توانید در یک یا دو جمله بگویید

how this type of thinking

این مدل فکر کردن چگونه می تواند

could integrate at some point

یک زمانی با چیزهایی مثل

to things like string theory or the kind of things that people think of

تئوری رشته ها (string theory) یا انواع چیزهایی که مردم

as the fundamental explanations of the universe?

درباره اشان به عنوان توضیحات بنیادی جهان فکر می کنند، جمع شوند؟

Stephen Wolfram: Well, the parts of physics

استفان ولفرام: خوب، قسمت هایی از فیزیک

that we kind of know to be true,

که ما یک جورهایی می دانیم درست هستند،

things like the standard model of physics:

چیزهایی مثل مدل استاندارد فیزیک.

what I'm trying to do better reproduce the standard model of physics

چیزی که من سعی دارم انجام دهم این است که مدل استاندارد فیزیک را بهتر بازسازی کنم

or it's simply wrong.

یا به سادگی اشتباه است.

The things that people have tried to do in the last 25 years or so

کارهایی که مردم سعی کرده اند در این 25 سال اخیر

with string theory and so on

با تئوری رشته ها و غیره انجام دهند،

have been an interesting exploration

جستجوی جالبی بوده که

that has tried to get back to the standard model,

تلاش کرده به مدل استاندارد برگردد،

but hasn't quite gotten there.

ولی هنوز به آنجا نرسیده.

My guess is that some great simplifications of what I'm doing

حدس من این است که یک سری ساده سازی های عمده ای از کاری

may actually have considerable resonance

که من دارم انجام می دهم ممکن است تشديد قابل توجهی

with what's been done in string theory,

با چیزی که در تئوری رشته ها انجام شده، داشته باشد،

but that's a complicated math thing

ولی این یک کار ریاضی پیچیده است

that I don't yet know how it's going to work out.

که من نمی دانم چه طوری قرار است کار کند.

CA: Benoit Mandelbrot is in the audience.

ک.ا.: بنوا مندلبرات (Benoit Mandlebrot) در میان حضار است.

He also has shown how complexity

او هم اینکه چه طور پیچیدگی از سادگی

can arise out of a simple start.

به وجود می آید را نشان داده است.

Does your work relate to his?

کار شما به کار او ربطی دارد؟

SW: I think so.

اس.و. این طور فکر می کنم.

I view Benoit Mandelbrot's work

من به کار بنوا مندلبرات به عنوان

as one of the founding contributions

یکی از مشارکت های آغازین

to this kind of area.

به این نوع رشته، نگاه می کنم.

Benoit has been particularly interested

بنوا به طور خاص به

in nested patterns, in fractals and so on,

به الگوهای تو در تو، به فراکتال ها و غیره علاقه داشته است،

where the structure is something

جایی که ساختار چیزی است

that's kind of tree-like,

شبیه به درخت

and where there's sort of a big branch that makes little branches

و جایی که یک جور شاخه ی بزرگ وجود دارد که شاخه های کوچک

and even smaller branches and so on.

و حتی کوچکتر و و و را می سازد.

That's one of the ways

این یک مدل از راه هایی است

that you get towards true complexity.

که از آن به پیچیدگی واقعی می رسید.

I think things like the Rule 30 cellular automaton

من فکر می کنم چیزهایی مثل قانون 30 ماشین سلولی

get us to a different level.

ما را به یک مرحله ی متفاوت می برند.

In fact, in a very precise way, they get us to a different level

در واقع، به طور خیلی دقیق ما را به یک مرحله ی دیگر می برند

because they seem to be things that are

چون به نظر می رسد آن ها چیزهایی هستند که

capable of complexity

قابلیت پیچیدگی دارند

that's sort of as great as complexity can ever get ...

که یک جورهایی به بزرگی چیزی است که پیچیدگی می تواند برسد ...

I could go on about this at great length, but I won't. (Laughter) (Applause)

من می توانم درباره ی این مدت زیادی حرف بزنم، ولی نمی کنم.

CA: Stephen Wolfram, thank you.

ک. ا.: استفان ولفرام، متشکرم.

(Applause)

(تشویق)