How algorithms shape our world | Kevin Slavin

کوین سالوین: الگوریتم ها چگونه جهان ما را شکل داده اند؟

484,372 views

2011-07-21 ・ TED


New videos

How algorithms shape our world | Kevin Slavin

کوین سالوین: الگوریتم ها چگونه جهان ما را شکل داده اند؟

484,372 views ・ 2011-07-21

TED


لطفا برای پخش فیلم روی زیرنویس انگلیسی زیر دوبار کلیک کنید.

Translator: eagle sky Reviewer: soheila Jafari
00:15
This is a photograph
0
15260
2000
این یک عکس است
00:17
by the artist Michael Najjar,
1
17260
2000
از هنرمند مایکل نجار ،
00:19
and it's real,
2
19260
2000
و این واقعی است ،
00:21
in the sense that he went there to Argentina
3
21260
2000
از صحنه ای که او به آنجا در آرژانتین رفت
00:23
to take the photo.
4
23260
2000
تا این عکس را بگیرد.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
25260
3000
ولی همچنین این جعلی است. کارهای زیادی هست که بعدا بروی آن انجام شده است.
00:28
And what he's done
6
28260
2000
و کاری که او کرده است
00:30
is he's actually reshaped, digitally,
7
30260
2000
اینست که درواقع، به صورت دیجیتالی
00:32
all of the contours of the mountains
8
32260
2000
تمام محیط کوهستان را تغییر شکل داده است
00:34
to follow the vicissitudes of the Dow Jones index.
9
34260
3000
تا بالا و پایین شدن شاخص بورس دَن جانز Dow Jones را دنبال کند.
00:37
So what you see,
10
37260
2000
بنابراین چیزی که می بینید،
00:39
that precipice, that high precipice with the valley,
11
39260
2000
آن سراشیبی تند، آن سراشیبی تند و دره
00:41
is the 2008 financial crisis.
12
41260
2000
بحران مالی سال ۲۰۰۸ هست.
00:43
The photo was made
13
43260
2000
عکس زمانی ساخته شده
00:45
when we were deep in the valley over there.
14
45260
2000
که ما در آن نقطۀ عمیق در دره بودیم.
00:47
I don't know where we are now.
15
47260
2000
نمی دانم الان کجا هستیم.
00:49
This is the Hang Seng index
16
49260
2000
این هم شاخص هِنگ سِنگ Hang Seng
00:51
for Hong Kong.
17
51260
2000
برای هنگ کنگ
00:53
And similar topography.
18
53260
2000
و توپو گرافی یکسان
00:55
I wonder why.
19
55260
2000
تعجب می کنم چرا.
00:57
And this is art. This is metaphor.
20
57260
3000
و البته این اثرهنری است. یک کنایه است.
01:00
But I think the point is
21
60260
2000
اما من فکر می کنم نکته این است
01:02
that this is metaphor with teeth,
22
62260
2000
که این کنایه ای از دندانه است!
01:04
and it's with those teeth that I want to propose today
23
64260
3000
و اشاره به دندانه هایست که می خواهم امروز ارائه کنم
01:07
that we rethink a little bit
24
67260
2000
که مقداری دوباره فکر کنیم
01:09
about the role of contemporary math --
25
69260
3000
درباره ی نقش ریاضیات معاصر--
01:12
not just financial math, but math in general.
26
72260
3000
نه فقط ریاضیات مربوط به امور مالی، بلکه ریاضیات عمومی.
01:15
That its transition
27
75260
2000
این گذاری است
01:17
from being something that we extract and derive from the world
28
77260
3000
از بودن چیزی که ما از جهان استخراج و استنباط می کنیم
01:20
to something that actually starts to shape it --
29
80260
3000
به چیزی که در واقع شکل دادنش را آغاز می کند --
01:23
the world around us and the world inside us.
30
83260
3000
جهان اطراف ما و جهان درون ما را.
01:26
And it's specifically algorithms,
31
86260
2000
و این بطور خاص الگوریتم ها هستند،
01:28
which are basically the math
32
88260
2000
که در اصل ریاضیاتی هستند
01:30
that computers use to decide stuff.
33
90260
3000
که رایانه ها برای تصمیم گیری چیزها آنرا بکار می برند.
01:33
They acquire the sensibility of truth
34
93260
2000
درکی از حقیقت را حاصل می شوند،
01:35
because they repeat over and over again,
35
95260
2000
برای اینکه آن ها بارها و بارها تکرار می کنند.
01:37
and they ossify and calcify,
36
97260
3000
و اسختوانی تر و سخت تر می شوند،
01:40
and they become real.
37
100260
2000
و حقیقی می شوند.
01:42
And I was thinking about this, of all places,
38
102260
3000
و من همه جا دراین مورد فکر می کردم،
01:45
on a transatlantic flight a couple of years ago,
39
105260
3000
دو سال پیش در یک پرواز بر فراز اقیانوس اطلس ،
01:48
because I happened to be seated
40
108260
2000
چون که اتفاق افتاده بود تا من کنار
01:50
next to a Hungarian physicist about my age
41
110260
2000
یک فیزیکدان مجارستانی تقریبا همسن خودم بنشینم
01:52
and we were talking
42
112260
2000
و با هم صحبت می کردیم
01:54
about what life was like during the Cold War
43
114260
2000
درباره ی اینکه زندگی در دوران جنگ سرد
01:56
for physicists in Hungary.
44
116260
2000
برای فیزیکدان در مجارستان چگونه بود.
01:58
And I said, "So what were you doing?"
45
118260
2000
و من گفتم : «خوب شما چه کار می کردید؟»
02:00
And he said, "Well we were mostly breaking stealth."
46
120260
2000
اون گفت: «ما عمدتا رادارگریز را می شکستیم.»
02:02
And I said, "That's a good job. That's interesting.
47
122260
2000
من گفتم: «خیلی خوبه، جالبه.
02:04
How does that work?"
48
124260
2000
چه طور کار می کند؟»
02:06
And to understand that,
49
126260
2000
وبرای درک آن،
02:08
you have to understand a little bit about how stealth works.
50
128260
3000
باید اندکی درباره اینکه رادارگریز چگونه کار میکند را بفهمید.
02:11
And so -- this is an over-simplification --
51
131260
3000
و خب -- این بسیار ساد شده --
02:14
but basically, it's not like
52
134260
2000
اما در اصل، این شبیه این نیست
02:16
you can just pass a radar signal
53
136260
2000
که شما فقط بتوانید از امواج رادار
02:18
right through 156 tons of steel in the sky.
54
138260
3000
از طریق ۱۵۶ تن فولاد در آسمان از آن بگریزید.
02:21
It's not just going to disappear.
55
141260
3000
این تنها ناپدید شدن نیست.
02:24
But if you can take this big, massive thing,
56
144260
3000
اما اگر بتوانید این چیز بزرگ، این جسم سنگین، را ببرید،
02:27
and you could turn it into
57
147260
3000
و بتوانید آن را تبدیل به
02:30
a million little things --
58
150260
2000
یک میلیون چیزهای کوچک بکنید --
02:32
something like a flock of birds --
59
152260
2000
چیزی شبیه یک دسته از پرندگان --
02:34
well then the radar that's looking for that
60
154260
2000
خب پس راداری که آنرا جستجو می کند
02:36
has to be able to see
61
156260
2000
باید قادر باشد که
02:38
every flock of birds in the sky.
62
158260
2000
هر دسته ای از پرندگان را در هوا ببیند.
02:40
And if you're a radar, that's a really bad job.
63
160260
4000
و اگر شما رادار باشید، این شغل خیلی بدی است.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
164260
3000
و او گفت: " بله ". گفت ،" اما این درحالیست که اگر شما رادار باشید.
02:47
So we didn't use a radar;
65
167260
2000
پس ما از رادار استفاده نمی کردیم :
02:49
we built a black box that was looking for electrical signals,
66
169260
3000
ما یک جعبه ی سیاه ساخته بودیم که امواج الکتریکی،
02:52
electronic communication.
67
172260
3000
مخابرات الکترونیکی ، را جستجو می کرد.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
175260
3000
و هر وقت ما یک دسته از پرندگان را می دیدیم که ارتباط الکترونیکی داشتند،
02:58
we thought, 'Probably has something to do with the Americans.'"
69
178260
3000
فکر می کردیم احتمالا یک ارتباطی با آمریکایی ها دارد."
03:01
And I said, "Yeah.
70
181260
2000
و من گفتم:« بله.
03:03
That's good.
71
183260
2000
بسیار خوب.
03:05
So you've effectively negated
72
185260
2000
پس شما به طور موثر
03:07
60 years of aeronautic research.
73
187260
2000
۶۰ سال تحقیقات هوایی را خنثی کردید.
03:09
What's your act two?
74
189260
2000
اقدام دوم شما چه بود؟
03:11
What do you do when you grow up?"
75
191260
2000
وقتی که رشد می کنید چه کار می کنید؟»
03:13
And he said,
76
193260
2000
و گفت،
03:15
"Well, financial services."
77
195260
2000
«خب، خدمات مالی.»
03:17
And I said, "Oh."
78
197260
2000
و من گفتم، «اوه.»
03:19
Because those had been in the news lately.
79
199260
3000
چرا که آنها به تازگی در خبرها بودند.
03:22
And I said, "How does that work?"
80
202260
2000
و گفتم: « این چگونه کار می کند؟»
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
204260
2000
و اون گفت: «خوب در حال حاضر ۲۰۰۰ فیزیکدان در وال استریت هستند
03:26
and I'm one of them."
82
206260
2000
من هم یکی از آنها هستم.»
03:28
And I said, "What's the black box for Wall Street?"
83
208260
3000
گفتم: «جعبه ی سیاه برای وال استریت چیست؟»
03:31
And he said, "It's funny you ask that,
84
211260
2000
گفت: « جالب است که می پرسی،
03:33
because it's actually called black box trading.
85
213260
3000
برای اینکه درواقع آن تجارت با جعبه سیاه نامیده می شود.
03:36
And it's also sometimes called algo trading,
86
216260
2000
و همچنین بعضی اوقات الگو تجارت نامیده می شود،
03:38
algorithmic trading."
87
218260
3000
تجارت الگوریتمی.»
03:41
And algorithmic trading evolved in part
88
221260
3000
و تجارت الگوریتمی در بخشی نمو پیدا کرد
03:44
because institutional traders have the same problems
89
224260
3000
چون بنگاه های تجاری همان مشکل را دارند
03:47
that the United States Air Force had,
90
227260
3000
که نیروی هوایی آمریکا داشت،
03:50
which is that they're moving these positions --
91
230260
3000
که آنها از این مواضع جابجا می شوند --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
233260
2000
-- چه پراکتر و گمبل (P & G) باشه یا اکسنچر، یا هر چیز دیگر --
03:55
they're moving a million shares of something
93
235260
2000
آن ها دارند میلیون ها سهام را
03:57
through the market.
94
237260
2000
در بازار جابه جا می کنند.
03:59
And if they do that all at once,
95
239260
2000
و اگر همه آنرا در یک مرتبه انجام دهند،
04:01
it's like playing poker and going all in right away.
96
241260
2000
این به بازی پوکر شبیه هست و همه چیز در مسیر درست پیش می رود.
04:03
You just tip your hand.
97
243260
2000
شما فقط با نوک دست تان را می زنید.
04:05
And so they have to find a way --
98
245260
2000
و بنابراین آنها مجبورند راهی پیدا کنند --
04:07
and they use algorithms to do this --
99
247260
2000
-- و آنها از الگوریتم ها برای این کار استفاده می کنند --
04:09
to break up that big thing
100
249260
2000
تا چیزی بزرگ را
04:11
into a million little transactions.
101
251260
2000
به میلیون ها معامله کوچک تجزیه کنند.
04:13
And the magic and the horror of that
102
253260
2000
و چیز جالب و ترسناک آن
04:15
is that the same math
103
255260
2000
اینست که همان ریاضیاتی
04:17
that you use to break up the big thing
104
257260
2000
که شما برای شکستن چیز بزرگ
04:19
into a million little things
105
259260
2000
به یک میلیون چیزهای کوچک استفاده می کنید
04:21
can be used to find a million little things
106
261260
2000
می تواند برای پیدا کردن یک میلیون چیزهای کوچک بکار برود
04:23
and sew them back together
107
263260
2000
و آنها را دوباره به هم بدوزد.
04:25
and figure out what's actually happening in the market.
108
265260
2000
و دریابد که واقعا در بازار چه می گذرد.
04:27
So if you need to have some image
109
267260
2000
بنابراین اگر نیاز دارید که تصاویری داشته باشید
04:29
of what's happening in the stock market right now,
110
269260
3000
از آن چه که در همین لحظه در بازار سهام در حال وقوع است،
04:32
what you can picture is a bunch of algorithms
111
272260
2000
چیزی که شما می تونید مجسم کنید، مجموعه ای از الگوریتم هاست
04:34
that are basically programmed to hide,
112
274260
3000
که اساسا برنامه ریزی شدند تا مخفی باشند،
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
277260
3000
و مجموعه ای ازاگوریتم ها هستند که برنامه ریزی شده اند تا بروند و آنها را پیدا کنند و عمل کنند.
04:40
And all of that's great, and it's fine.
114
280260
3000
و همه آن کار بزرگی است ، خوب است.
04:43
And that's 70 percent
115
283260
2000
و 70 در صد
04:45
of the United States stock market,
116
285260
2000
از بازار سهام ایالات متحده است
04:47
70 percent of the operating system
117
287260
2000
70 درصد از سیستم های عملیاتی
04:49
formerly known as your pension,
118
289260
3000
سابقا بعنوان حقوق بازنشستگی شما شناخته می شد،
04:52
your mortgage.
119
292260
3000
قسط شما.
04:55
And what could go wrong?
120
295260
2000
و چه چیزمی تواند اشتباه شود؟
04:57
What could go wrong
121
297260
2000
چیزی که می تواند اشتباه باشد
04:59
is that a year ago,
122
299260
2000
اینست که یکسال پیش ،
05:01
nine percent of the entire market just disappears in five minutes,
123
301260
3000
نه درصد از کل بازار تنها در 5 دقیقه ناپدید می شود،
05:04
and they called it the Flash Crash of 2:45.
124
304260
3000
و آنرا سقوط ناگهانی 2:45 نامیدند.
05:07
All of a sudden, nine percent just goes away,
125
307260
3000
در یک آن ، نه درصد براحتی از بین میرود،
05:10
and nobody to this day
126
310260
2000
و هیچ کس تا به امروز
05:12
can even agree on what happened
127
312260
2000
نمی تواتد بپذیرد که چه اتفاقی افتاد،
05:14
because nobody ordered it, nobody asked for it.
128
314260
3000
چراکه هیچ کس سفارش آن را نداد ، هیچ کس آنرا درخواست نکرد.
05:17
Nobody had any control over what was actually happening.
129
317260
3000
هیچ کس تسلطی بر آنچه که در واقع در حال رخ دادن بود ، نداشت .
05:20
All they had
130
320260
2000
همه آن چیزی که داشتند
05:22
was just a monitor in front of them
131
322260
2000
یک صفحه نمایشگر بود در برابرشان
05:24
that had the numbers on it
132
324260
2000
که اعداد برویش قرارداشت
05:26
and just a red button
133
326260
2000
و تنها یک دگمه قرمز
05:28
that said, "Stop."
134
328260
2000
که گفت ، " متوقف کنید. "
05:30
And that's the thing,
135
330260
2000
و این چیزی است ،
05:32
is that we're writing things,
136
332260
2000
که ما چیزهایی می نویسیم ،
05:34
we're writing these things that we can no longer read.
137
334260
3000
این چیزها را می نویسیم که چندان قادر به خواندن آنها نیستیم.
05:37
And we've rendered something
138
337260
2000
و ما چیزهایی ارائه کرده ایم
05:39
illegible,
139
339260
2000
ناخوانا.
05:41
and we've lost the sense
140
341260
3000
و مفهوم چیزهایی را که واقعا دارند اتفاق می افتند
05:44
of what's actually happening
141
344260
2000
را در این دنیایی خود که
05:46
in this world that we've made.
142
346260
2000
ساخته ایم ، گم کرده ایم.
05:48
And we're starting to make our way.
143
348260
2000
و ما بنا نهادن روش مان را آغازکردیم.
05:50
There's a company in Boston called Nanex,
144
350260
3000
شرکتی در بوستون هست که نانکس نام دارد،
05:53
and they use math and magic
145
353260
2000
و از ریاضی و جادو
05:55
and I don't know what,
146
355260
2000
و چیزهایی که من نمی دانم استفاده می کنند،
05:57
and they reach into all the market data
147
357260
2000
و به تمامی داده های بازاری دسترسی دارند
05:59
and they find, actually sometimes, some of these algorithms.
148
359260
3000
و برخی مواقع ، بعضی از این الگوریتم ها را پیدامی کنند.
06:02
And when they find them they pull them out
149
362260
3000
و آنها را پیدا می کنند و بیرون می کشند
06:05
and they pin them to the wall like butterflies.
150
365260
3000
و آنها را مثل پروانه ها به دیوار الصاق می کنند.
06:08
And they do what we've always done
151
368260
2000
و کارهایی را ما همیشه انجام داده ایم انجام می دهند
06:10
when confronted with huge amounts of data that we don't understand --
152
370260
3000
وقتی با حجم انبوهی از داده ها مواجه می شویم که آنها را نمی فهمیم --
06:13
which is that they give them a name
153
373260
2000
چیزی است که آنها نامی بر آنها می گذارند
06:15
and a story.
154
375260
2000
و شرح حالی .
06:17
So this is one that they found,
155
377260
2000
پس این چیزی است که آنها پیدا کردند،
06:19
they called the Knife,
156
379260
4000
به آن کارد می گویند،
06:23
the Carnival,
157
383260
2000
جشن ،
06:25
the Boston Shuffler,
158
385260
4000
به هم زننده بوستون
06:29
Twilight.
159
389260
2000
موهوم.
06:31
And the gag is
160
391260
2000
و مضحک اینکه
06:33
that, of course, these aren't just running through the market.
161
393260
3000
البته این تنها در بازار جاری نیست
06:36
You can find these kinds of things wherever you look,
162
396260
3000
میتوانید این جور چیزها را در هر کجا که نگاه کنید ، پیدا کنید.
06:39
once you learn how to look for them.
163
399260
2000
به محض اینکه یاد بگیرید چگونه دنبال آنها بگردید.
06:41
You can find it here: this book about flies
164
401260
3000
می توانید آنرا در اینجا هم بیابید : این کتاب راجع به مگس ها
06:44
that you may have been looking at on Amazon.
165
404260
2000
که ممکن است در سایت آمازون بدنبالش می گشتید.
06:46
You may have noticed it
166
406260
2000
ممکن است آنرا ملاحظه کرده باشید
06:48
when its price started at 1.7 million dollars.
167
408260
2000
وقتی قیمتش در مبلغ 1.7 میلیون دلار خیره کننده است.
06:50
It's out of print -- still ...
168
410260
2000
چاپش در معرض فروش نیست -- هنوز...
06:52
(Laughter)
169
412260
2000
(خنده حضار)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
414260
3000
اگر شما آنرا به قیمت 1.7 میلیون خریده بودید ، آن یک خرید ارزان می بوده است.
06:57
A few hours later, it had gone up
171
417260
2000
چند ساعت بعد ، قیمتش بالا رفته بود
06:59
to 23.6 million dollars,
172
419260
2000
به 23.6 میلیون دلار،
07:01
plus shipping and handling.
173
421260
2000
به اضافه جابجایی و تحویل.
07:03
And the question is:
174
423260
2000
و سئوال اینست:
07:05
Nobody was buying or selling anything; what was happening?
175
425260
2000
کسی چیزی را نه می خرد و نه می فروشد، چه اتفاقی افتاد؟
07:07
And you see this behavior on Amazon
176
427260
2000
و شما این رفتار را در آمازون می بینید
07:09
as surely as you see it on Wall Street.
177
429260
2000
به همان قطعیت که در وال استریت می بینید.
07:11
And when you see this kind of behavior,
178
431260
2000
و وقتی شما این قبیل رفتار را می بینید،
07:13
what you see is the evidence
179
433260
2000
چیزی که می بینید یک گواهیست
07:15
of algorithms in conflict,
180
435260
2000
از یک الگوریتم در تضاد
07:17
algorithms locked in loops with each other,
181
437260
2000
الگوریتم هایی که در درون حلقه های همدیگر قفل شده اند،
07:19
without any human oversight,
182
439260
2000
بدون هرگونه نظارت انسانی،
07:21
without any adult supervision
183
441260
3000
بدون هرگونه سرپرستی بزرگی
07:24
to say, "Actually, 1.7 million is plenty."
184
444260
3000
که بگوید ، " واقعا" 1.7 میلیون ، خیلی زیاد است ."
07:27
(Laughter)
185
447260
3000
(خنده حضار)
07:30
And as with Amazon, so it is with Netflix.
186
450260
3000
و مشابه آمازون ، اکنون این با نتفلیکس( نوعی سهام) است.
07:33
And so Netflix has gone through
187
453260
2000
و نتفلیکس در طی سالها با چندین الگوریتم مختلف
07:35
several different algorithms over the years.
188
455260
2000
رفته است .
07:37
They started with Cinematch, and they've tried a bunch of others --
189
457260
3000
با سینمچ ( جایزه بهبود سهام) شروع کردند، و دسته های دیگری را هم امتحان کردند.
07:40
there's Dinosaur Planet; there's Gravity.
190
460260
2000
داینسور پلانت ، گراویتی بودند.
07:42
They're using Pragmatic Chaos now.
191
462260
2000
حالا از پراگماتیک کیاس(نوعی لگاریتم ) دارند استفاده می کنند.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
464260
2000
پراگماتیک کیاس ، مانند همه الگوریتم های نتفلیکس،
07:46
trying to do the same thing.
193
466260
2000
سعی دارد تا چیز مشابهی را انجام دهد.
07:48
It's trying to get a grasp on you,
194
468260
2000
سعی می کند تا فهمی از شما بدست بیاورد،
07:50
on the firmware inside the human skull,
195
470260
2000
از محفوظات درون مغز بشر ،
07:52
so that it can recommend what movie
196
472260
2000
بنابراین می تواند پیشنهاد کند که چه فیلمی
07:54
you might want to watch next --
197
474260
2000
شما ممکن است بخواهید در آینده ببینید --
07:56
which is a very, very difficult problem.
198
476260
3000
که مسئله خیلی خیلی دشواریست.
07:59
But the difficulty of the problem
199
479260
2000
اما مشکل مسئله
08:01
and the fact that we don't really quite have it down,
200
481260
3000
و این حقیقت که ما چندان در واقع تصور بدی از آن نداریم،
08:04
it doesn't take away
201
484260
2000
ما را از تاثیراتی که پراگماتیک کیاس دارد
08:06
from the effects Pragmatic Chaos has.
202
486260
2000
دور نمی کند.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
488260
3000
پراگماتیک کیاس ، مانند همه الگوریتم های نتفلیکس،
08:11
determines, in the end,
204
491260
2000
در نهایت ، 60 درصد
08:13
60 percent
205
493260
2000
از فیلم هایی
08:15
of what movies end up being rented.
206
495260
2000
را که به اجاره رفتن منتهی می شوند ، معین می کند.
08:17
So one piece of code
207
497260
2000
بنابراین یک قطعه از رمز
08:19
with one idea about you
208
499260
3000
بهمراه نظری درباره شما
08:22
is responsible for 60 percent of those movies.
209
502260
3000
در خصوص 60 درصد از آن فیلم ها دخالت دارد.
08:25
But what if you could rate those movies
210
505260
2000
اما چطور اگر شما بتوانید آن فیلم ها را ارزش گذاری کنید
08:27
before they get made?
211
507260
2000
قبل از اینکه آنها ساخته شوند؟
08:29
Wouldn't that be handy?
212
509260
2000
این مفید نخواهد بود؟
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
511260
3000
خب ، چندین دانشمند اطلاعات از بریتانیا در هالی وود هستند،
08:34
and they have "story algorithms" --
214
514260
2000
و الگوریتم داستانی دارد --
08:36
a company called Epagogix.
215
516260
2000
شرکتی که اپاگوگیس نامیده می شود.
08:38
And you can run your script through there,
216
518260
3000
و شما می توانید فیلم نامه تان را از این طریق اجرا کنید،
08:41
and they can tell you, quantifiably,
217
521260
2000
و آنها می توانند به شما بگویند، بصورت عددی،
08:43
that that's a 30 million dollar movie
218
523260
2000
که این یک فیلم 30 میلیون دلاریست
08:45
or a 200 million dollar movie.
219
525260
2000
یا یک فیلم 200 میلیون دلاری.
08:47
And the thing is, is that this isn't Google.
220
527260
2000
و واقعیت اینست که این یک جستجوگر (گوگل) نیست.
08:49
This isn't information.
221
529260
2000
اطلاعات نیست.
08:51
These aren't financial stats; this is culture.
222
531260
2000
اینها آمار های مالی نیستند : یک فرهنگ هست.
08:53
And what you see here,
223
533260
2000
و چیزی که اینجا می بینید،
08:55
or what you don't really see normally,
224
535260
2000
و چیزی که در واقع بطور عادی نمی بینید،
08:57
is that these are the physics of culture.
225
537260
4000
اینست که اینها فیزیک فرهنگ هستند.
09:01
And if these algorithms,
226
541260
2000
و اگر این الگوریتم ها ،
09:03
like the algorithms on Wall Street,
227
543260
2000
همانند الگوریتم های موجود در وال استریت
09:05
just crashed one day and went awry,
228
545260
3000
روزی فقط بهم ریخت و از کار خارج شد،
09:08
how would we know?
229
548260
2000
چگونه خواهیم دانست ،
09:10
What would it look like?
230
550260
2000
که چگونه خواهند بود؟
09:12
And they're in your house. They're in your house.
231
552260
3000
و آنها در خانه شما هستند.
09:15
These are two algorithms competing for your living room.
232
555260
2000
اینها دو الگوریتم هستند که دارند برای اتاق نشیمن شما رقابت می کنند.
09:17
These are two different cleaning robots
233
557260
2000
اینها دو ربات تمیزکننده مختلف هستند
09:19
that have very different ideas about what clean means.
234
559260
3000
که برداشت های کاملا متفاوتی راجع به اینکه تمیزی یعنی چه ، دارند.
09:22
And you can see it
235
562260
2000
و شما می توانید آنرا ببینید
09:24
if you slow it down and attach lights to them,
236
564260
3000
اگر سرعت آنرا کم کنید و یک چراغ به آنها وصل کنید.
09:27
and they're sort of like secret architects in your bedroom.
237
567260
3000
و آنها شبیه نوعی معماری سری در اتاق خواب شماست.
09:30
And the idea that architecture itself
238
570260
3000
و این نظریه که خود معماری
09:33
is somehow subject to algorithmic optimization
239
573260
2000
به نوعی موضوع بهینه سازی الگوریتمی است
09:35
is not far-fetched.
240
575260
2000
دور از ذهن نیست.
09:37
It's super-real and it's happening around you.
241
577260
3000
یک حقیقت مشهود است و در اطراف شما درحال رخ دادن است.
09:40
You feel it most
242
580260
2000
این را بیشتر احساس می کنید
09:42
when you're in a sealed metal box,
243
582260
2000
زمانیکه درون یک جعبه فلزی محکم شده هستید،
09:44
a new-style elevator;
244
584260
2000
یک بالابر سبک جدید ،
09:46
they're called destination-control elevators.
245
586260
2000
آنها بالابر های مقصد کنترل نامیده می شود.
09:48
These are the ones where you have to press what floor you're going to go to
246
588260
3000
اینها از آنهایی هستند که شما باید فشار دهید که به کدام طبقه می خواهید بروید
09:51
before you get in the elevator.
247
591260
2000
قبل از اینکه به داخل بالابر بروید.
09:53
And it uses what's called a bin-packing algorithm.
248
593260
2000
و از الگوریتمی استفاده می کند که بسته بندی سطل زباله نام دارد.
09:55
So none of this mishegas
249
595260
2000
بنابراین هیچ یک از این چیزهای عجیب
09:57
of letting everybody go into whatever car they want.
250
597260
2000
اجازه نمی دهد هرکس داخل دستگاهی شود که آنها می خواهند.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
599260
2000
هرکسی که می خواهد که به طبقه 10 ام برود ، داخل دستگاه شماره دو می شود،
10:01
and everybody who wants to go to the third floor goes into car five.
252
601260
3000
و هرکس که می خواهد به طبقه سوم برود ، داخل دستگاه شماره پنج می شود.
10:04
And the problem with that
253
604260
2000
و مشکل اینجاست که
10:06
is that people freak out.
254
606260
2000
افراد برخورد تندی دارند.
10:08
People panic.
255
608260
2000
آنها نگران می شوند.
10:10
And you see why. You see why.
256
610260
2000
و می بینید که چرا.
10:12
It's because the elevator
257
612260
2000
برای اینکه بالابر
10:14
is missing some important instrumentation, like the buttons.
258
614260
3000
چندین تجهیزات مهم مثل دگمه ، را از قلم انداخته است.
10:17
(Laughter)
259
617260
2000
( خنده حضار)
10:19
Like the things that people use.
260
619260
2000
مثل چیزهایی که مردم بکار می برند.
10:21
All it has
261
621260
2000
همه چیزی که دارد
10:23
is just the number that moves up or down
262
623260
3000
عدد می باشد که فقط بالا و پایین حرکت می کند
10:26
and that red button that says, "Stop."
263
626260
3000
و دگمه قرمز که می گوید " بایست ."
10:29
And this is what we're designing for.
264
629260
3000
و این چیزی است که ما طراحی می کنیم.
10:32
We're designing
265
632260
2000
ما بیان این دستگاه
10:34
for this machine dialect.
266
634260
2000
را طراحی می کنیم.
10:36
And how far can you take that? How far can you take it?
267
636260
3000
و تا کجا می توانید آن را ببرید؟ تا کجا می توانید آنرا ببرید؟
10:39
You can take it really, really far.
268
639260
2000
می توانید آنرا خیلی واقعا دور ببرید.
10:41
So let me take it back to Wall Street.
269
641260
3000
خب ، بگذارید آنرا به وال استریت برگردانم.
10:45
Because the algorithms of Wall Street
270
645260
2000
چرا که الگوریتم های وال استریت
10:47
are dependent on one quality above all else,
271
647260
3000
به یک کیفیت فرای تمامی بقیه آنها وابسته هستند ،
10:50
which is speed.
272
650260
2000
که آن سرعت است.
10:52
And they operate on milliseconds and microseconds.
273
652260
3000
و آنها روی میلی ثانیه و میکرو ثانیه کار می کنند.
10:55
And just to give you a sense of what microseconds are,
274
655260
2000
و برای اینکه یک درکی بشما بدهم از اینکه میکروثانیه چیستند،
10:57
it takes you 500,000 microseconds
275
657260
2000
به اندازه 500000 میکروثانیه طول می کشد
10:59
just to click a mouse.
276
659260
2000
تا شما موس را کلیک کنید.
11:01
But if you're a Wall Street algorithm
277
661260
2000
اما اگر شما الگوریتم وال استریت هستید
11:03
and you're five microseconds behind,
278
663260
2000
و به اندازه 5 میکروثانیه عقب باشید ،
11:05
you're a loser.
279
665260
2000
یک بازنده هستید.
11:07
So if you were an algorithm,
280
667260
2000
خب اگر شما یک الگوریتم بودید ،
11:09
you'd look for an architect like the one that I met in Frankfurt
281
669260
3000
بدنبال یک معمار نظیر یکی که من در فرانکفورت آشنا شدم
11:12
who was hollowing out a skyscraper --
282
672260
2000
کسی که داشت یک آسمان خراش را خالی می کرد --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
674260
3000
همه اثاثیه ها و زیرساختهای مورد استفاده انسان را بیرون می ریخت ،
11:17
and just running steel on the floors
284
677260
3000
و فقط فولاد را روی طبقات نگه میداشت
11:20
to get ready for the stacks of servers to go in --
285
680260
3000
تا آنرا برای داخل کردن دسته هایی از سرورها آماده کند --
11:23
all so an algorithm
286
683260
2000
تماما مانند یک الگوریتم
11:25
could get close to the Internet.
287
685260
3000
می توانست به اینترنت نزدیک باشد.
11:28
And you think of the Internet as this kind of distributed system.
288
688260
3000
و به اینترنت به عنوان چنین نوعی از مجموعه گسترده فکر کنید.
11:31
And of course, it is, but it's distributed from places.
289
691260
3000
و البته ، این چنین هست ، اما از چندین مکان توزیع شده است .
11:34
In New York, this is where it's distributed from:
290
694260
2000
در نیویورک ، این مکانی است که از آن توزیع شده است :
11:36
the Carrier Hotel
291
696260
2000
کرییر هتل
11:38
located on Hudson Street.
292
698260
2000
واقع در خیابان هادسون.
11:40
And this is really where the wires come right up into the city.
293
700260
3000
و در واقع جایست که سیم ها درست تا درون شهر بالا می آیند.
11:43
And the reality is that the further away you are from that,
294
703260
4000
و حقیقت اینست که دورتر از که شما باشید ،
11:47
you're a few microseconds behind every time.
295
707260
2000
به اندازه چند میکرو ثانیه از هر زمانی عقب هستید.
11:49
These guys down on Wall Street,
296
709260
2000
این افراد پایین هستند در وال استریت ،
11:51
Marco Polo and Cherokee Nation,
297
711260
2000
مارکوپولو و چروکی نیشن ،
11:53
they're eight microseconds
298
713260
2000
آنها هشت میکروثانیه
11:55
behind all these guys
299
715260
2000
از این افرادی عقب تر هستند
11:57
going into the empty buildings being hollowed out
300
717260
4000
که وارد ساختمانهای خالی که توخالی شده
12:01
up around the Carrier Hotel.
301
721260
2000
اطراف بالای هتل کارییر می شوند.
12:03
And that's going to keep happening.
302
723260
3000
واین اتفاقی است که دارد مدام رخ می دهد.
12:06
We're going to keep hollowing them out,
303
726260
2000
ما قصد داریم تا به توخالی کردن آنها ادامه دهیم ،
12:08
because you, inch for inch
304
728260
3000
چرا که شما ، اینچ به اینچ
12:11
and pound for pound and dollar for dollar,
305
731260
3000
و پوند به پوند و دلار به دلار ،
12:14
none of you could squeeze revenue out of that space
306
734260
3000
هیچکدام از شما نمی توانست سودی از این فضا بچلاند
12:17
like the Boston Shuffler could.
307
737260
3000
مثل آنچه که بوستون شافلر توانست .
12:20
But if you zoom out,
308
740260
2000
ولی اگر بازتر نگاه کنید ،
12:22
if you zoom out,
309
742260
2000
اگر بازتر نگاه کنید،
12:24
you would see an 825-mile trench
310
744260
4000
یک کانال 825 مایلی خواهید دید
12:28
between New York City and Chicago
311
748260
2000
بین شهر نیویورک و شیکاگو
12:30
that's been built over the last few years
312
750260
2000
که در خلال چند سال اخیر ساخته شده است
12:32
by a company called Spread Networks.
313
752260
3000
توسط یک شرکت به نام ( شبکه گستر) اسپرید نتورک .
12:35
This is a fiber optic cable
314
755260
2000
این یک کابل نوری است
12:37
that was laid between those two cities
315
757260
2000
که بین دو شهر خوابانده شده است
12:39
to just be able to traffic one signal
316
759260
3000
تا فقط قادر باشد تا یک سیگنال را انتقال دهد
12:42
37 times faster than you can click a mouse --
317
762260
3000
37 مرتبه سریعتر از آنکه شما بتوانید موس را کلیک کنید --
12:45
just for these algorithms,
318
765260
3000
تنها برای اینگونه الگوریتم ها،
12:48
just for the Carnival and the Knife.
319
768260
3000
تنها برای کارنوال و برای نایف .
12:51
And when you think about this,
320
771260
2000
و وقتی که شما به آن فکر می کنید ،
12:53
that we're running through the United States
321
773260
2000
که ما ایالات متحده را هدر می دادیم
12:55
with dynamite and rock saws
322
775260
3000
با دینامیت و اره سنگبری
12:58
so that an algorithm can close the deal
323
778260
2000
خب یک الگوریتم می تواند یک معامله را
13:00
three microseconds faster,
324
780260
3000
سه میکروثانیه سریعتر ببندد.
13:03
all for a communications framework
325
783260
2000
تماما بواسطه یک چهارچوب ارتباطی
13:05
that no human will ever know,
326
785260
4000
که هیچ بشری نخواهد دانست ،
13:09
that's a kind of manifest destiny;
327
789260
3000
این یک نوع سرنوشت بارز است
13:12
and we'll always look for a new frontier.
328
792260
3000
و همواره بدنبال یک پیشروی جدید می باشد.
13:15
Unfortunately, we have our work cut out for us.
329
795260
3000
متاسفانه ، ما برای خودمان مشکل داریم.
13:18
This is just theoretical.
330
798260
2000
این تنها در تئوری است.
13:20
This is some mathematicians at MIT.
331
800260
2000
اینها چند ریاضیدان در ام آی تی هستند.
13:22
And the truth is I don't really understand
332
802260
2000
و حقیقت اینست که من در واقع بسیاری از چیزهاییکه
13:24
a lot of what they're talking about.
333
804260
2000
آنها در موردش صحبت می کنند را نمی فهمم.
13:26
It involves light cones and quantum entanglement,
334
806260
3000
اینها راجع به هرم های سبک و پیچیدگی های کوانتومی هستند،
13:29
and I don't really understand any of that.
335
809260
2000
و من واقعا هیچکدام را نمی فهمم.
13:31
But I can read this map,
336
811260
2000
اما این نقشه را می توانم بخوانم.
13:33
and what this map says
337
813260
2000
و چیزی که این نقشه می گوید
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
815260
3000
اینستکه ، اگر شما در پی آن هستید تا در بازارهایی که در نقطه های قرمز هستند پول در بیاورید،
13:38
that's where people are, where the cities are,
339
818260
2000
جاییکه مردم هستند، شهرها هستند،
13:40
you're going to have to put the servers where the blue dots are
340
820260
3000
شما مجبور خواهید شد تا سرورهایتان را در نقاط آبی قراردهید
13:43
to do that most effectively.
341
823260
2000
تا آنرا با بالاترین بازده انجام رسانید.
13:45
And the thing that you might have noticed about those blue dots
342
825260
3000
وچیزیکه شما شاید در خصوص آن نقاط آبی باید متوجه شده باشید
13:48
is that a lot of them are in the middle of the ocean.
343
828260
3000
اینست که بسیاری از آن در میان اقیانوس هستند.
13:51
So that's what we'll do: we'll build bubbles or something,
344
831260
3000
بنابراین این کاریست که ما خواهیم کرد، ما جبابها یا چیزهایی یا بسترهایی،
13:54
or platforms.
345
834260
2000
خواهیم ساخت.
13:56
We'll actually part the water
346
836260
2000
ما در حقیقت آب را قسمت می کنیم
13:58
to pull money out of the air,
347
838260
2000
تا پول را از هوا بیرون بکشیم،
14:00
because it's a bright future
348
840260
2000
چراکه این یک آینده روشن است
14:02
if you're an algorithm.
349
842260
2000
اگر شما یک الگوریتم باشید.
14:04
(Laughter)
350
844260
2000
(خنده حضار)
14:06
And it's not the money that's so interesting actually.
351
846260
3000
و این تنها پول نیست که در حقیقت جالب توجه است.
14:09
It's what the money motivates,
352
849260
2000
این چیزی است که پول می انگیزاند.
14:11
that we're actually terraforming
353
851260
2000
ما داریم در واقع خود زمین را تبدیل به
14:13
the Earth itself
354
853260
2000
سیاره قابل زیست می کنیم
14:15
with this kind of algorithmic efficiency.
355
855260
2000
با این مدل کارایی الگوریتمی .
14:17
And in that light,
356
857260
2000
و در این وضوح ،
14:19
you go back
357
859260
2000
به عقب بر می گردید
14:21
and you look at Michael Najjar's photographs,
358
861260
2000
و به عکس های مایکل نجار نگاه می کنید،
14:23
and you realize that they're not metaphor, they're prophecy.
359
863260
3000
و متوجه می شوید که آنها کنایه نیستند، آنها رسالت هستند.
14:26
They're prophecy
360
866260
2000
آنها رسالتند
14:28
for the kind of seismic, terrestrial effects
361
868260
4000
برای نوعی از پدیده های ناپایدار زمینی
14:32
of the math that we're making.
362
872260
2000
از ریاضیاتی که ما درحال ساخت آن هستیم.
14:34
And the landscape was always made
363
874260
3000
و دورنما همواره توسط چنین چیزهای عجیب،
14:37
by this sort of weird, uneasy collaboration
364
877260
3000
همکاری پریشان بین طبیعت و انسان
14:40
between nature and man.
365
880260
3000
ساخته شد.
14:43
But now there's this third co-evolutionary force: algorithms --
366
883260
3000
اما اکنون این سومین نیروی تکامل مشترک است : الگوریتم --
14:46
the Boston Shuffler, the Carnival.
367
886260
3000
بوستون شافلر ، کارنوال .
14:49
And we will have to understand those as nature,
368
889260
3000
و ما باید آنها را بعنوان طبیعت درک کنیم.
14:52
and in a way, they are.
369
892260
2000
و از طریقی ، آنها هستند.
14:54
Thank you.
370
894260
2000
با تشکر.
14:56
(Applause)
371
896260
20000
(تشویق حضار)
درباره این وب سایت

این سایت ویدیوهای یوتیوب را به شما معرفی می کند که برای یادگیری زبان انگلیسی مفید هستند. دروس انگلیسی را خواهید دید که توسط معلمان درجه یک از سراسر جهان تدریس می شود. روی زیرنویس انگلیسی نمایش داده شده در هر صفحه ویدیو دوبار کلیک کنید تا ویدیو از آنجا پخش شود. زیرنویس‌ها با پخش ویدیو همگام می‌شوند. اگر نظر یا درخواستی دارید، لطفا با استفاده از این فرم تماس با ما تماس بگیرید.

https://forms.gle/WvT1wiN1qDtmnspy7