Computing a theory of everything | Stephen Wolfram

603,078 views ・ 2010-04-27

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Lívia Bürgermeister Lektor: Laszlo Kereszturi
00:16
So I want to talk today about an idea. It's a big idea.
0
16260
3000
Amiről beszélni szeretnék ma, az egy ötlet. Egy nagy ötlet.
00:19
Actually, I think it'll eventually
1
19260
2000
Azt hiszem, végső soron ez bizonyul
00:21
be seen as probably the single biggest idea
2
21260
2000
majd a legnagyobb ötletnek az összes közül
00:23
that's emerged in the past century.
3
23260
2000
amely a múlt században felbukkant.
00:25
It's the idea of computation.
4
25260
2000
Ez a digitális számítás ötlete.
00:27
Now, of course, that idea has brought us
5
27260
2000
Na most, persze ennek az ötletnek az eredménye
00:29
all of the computer technology we have today and so on.
6
29260
3000
a mai egész számítógépes technológiánk is.
00:32
But there's actually a lot more to computation than that.
7
32260
3000
Valójában azonban a számítástudomány ennél sokkal több.
00:35
It's really a very deep, very powerful, very fundamental idea,
8
35260
3000
Egy igazán nagyon mély, nagy hatású, és nagyon alapvető gondolat,
00:38
whose effects we've only just begun to see.
9
38260
3000
hatásait még csak most kezdjük látni.
00:41
Well, I myself have spent the past 30 years of my life
10
41260
3000
Jómagam az életem legutóbbi 30 évében
00:44
working on three large projects
11
44260
2000
három nagy projekten dolgoztam
00:46
that really try to take the idea of computation seriously.
12
46260
3000
amelyek igazán komolyan vették a digitális számítás ötletét.
00:50
So I started off at a young age as a physicist
13
50260
3000
Amikor a pályámat fiatal fizikusként megkezdtem
00:53
using computers as tools.
14
53260
2000
a számítógépet eszközként használtam.
00:55
Then, I started drilling down,
15
55260
2000
Aztán egyre jobban belemélyedtem,
00:57
thinking about the computations I might want to do,
16
57260
2000
azon gondolkodtam, milyen számításokra lenne szükségem,
00:59
trying to figure out what primitives they could be built up from
17
59260
3000
és próbáltam megtalálni azokat az alapvető építőelemeket
01:02
and how they could be automated as much as possible.
18
62260
3000
amelyekből építkezve a számításokat a leginkább automatizálni lehetne.
01:05
Eventually, I created a whole structure
19
65260
2000
Végülis, felépítettem egy teljes rendszert
01:07
based on symbolic programming and so on
20
67260
2000
a szimbolikus programozásra alapozva
01:09
that let me build Mathematica.
21
69260
2000
amely a Mathematica létrehozásához vezetett.
01:11
And for the past 23 years, at an increasing rate,
22
71260
2000
Ami az elmúlt 23 évet illeti, egyre növekvő ütemben,
01:13
we've been pouring more and more ideas
23
73260
2000
egyre több ötlettel
01:15
and capabilities and so on into Mathematica,
24
75260
2000
funkcióval és egyebekkel gazdagítottuk a Mathematica-t,
01:17
and I'm happy to say that that's led to many good things
25
77260
3000
és örömmel mondhatom, hogy sok jó dolgot eredményezett
01:20
in R & D and education,
26
80260
2000
a kutatás és fejlesztés, az oktatás
01:22
lots of other areas.
27
82260
2000
és sok más területen.
01:24
Well, I have to admit, actually,
28
84260
2000
Nos, meg kell vallanom, hogy valójában
01:26
that I also had a very selfish reason for building Mathematica:
29
86260
3000
volt egy nagyon önző célom is a Mathematica megépítésével.
01:29
I wanted to use it myself,
30
89260
2000
Használni szerettem volna saját magam,
01:31
a bit like Galileo got to use his telescope
31
91260
2000
valahogy olyanféleképpen, amint azt Galileo tette a teleszkóppal
01:33
400 years ago.
32
93260
2000
400 évvel ezelőtt.
01:35
But I wanted to look not at the astronomical universe,
33
95260
3000
Én azonban nem a csillagászati univerzumot akartam megfigyelni
01:38
but at the computational universe.
34
98260
3000
hanem a digitálisan számítható mindenséget.
01:41
So we normally think of programs as being
35
101260
2000
Általában a programokat
01:43
complicated things that we build
36
103260
2000
olyan bonyolult dolgoknak tekintjük,
01:45
for very specific purposes.
37
105260
2000
amelyeket konkrét célra készítenek.
01:47
But what about the space of all possible programs?
38
107260
3000
De mi a helyzet az összes lehetséges program terével?
01:50
Here's a representation of a really simple program.
39
110260
3000
Itt van egy valóban nagyon egyszerű program.
01:53
So, if we run this program,
40
113260
2000
Ha futtatjuk ezt a programot,
01:55
this is what we get.
41
115260
2000
ezt kapjuk.
01:57
Very simple.
42
117260
2000
Nagyon egyszerű.
01:59
So let's try changing the rule
43
119260
2000
Most próbáljuk megváltoztatni
02:01
for this program a little bit.
44
121260
2000
a program szabályát egy kicsit.
02:03
Now we get another result,
45
123260
2000
Most más eredményt kapunk,
02:05
still very simple.
46
125260
2000
még mindig nagyon egyszerű.
02:07
Try changing it again.
47
127260
3000
Változtassunk rajta megint.
02:10
You get something a little bit more complicated.
48
130260
2000
Most egy kicsit bonyolultabb lett az eredmény,
02:12
But if we keep running this for a while,
49
132260
2000
de ha folytatjuk tovább még egy darabig,
02:14
we find out that although the pattern we get is very intricate,
50
134260
3000
akkor kiderül, hogy bár nagyon komplikált mintát kaptunk,
02:17
it has a very regular structure.
51
137260
3000
valójában nagyon is szabályos a szerkezete.
02:20
So the question is: Can anything else happen?
52
140260
3000
Felmerül a kérdés: Történhet egyáltalán másképp is?
02:23
Well, we can do a little experiment.
53
143260
2000
Hát, végezhetünk egy kis kísérletet.
02:25
Let's just do a little mathematical experiment, try and find out.
54
145260
3000
Csináljunk egy kis matematikai kísérletet, próbálkozzunk és derítsük ki.
02:29
Let's just run all possible programs
55
149260
3000
Futtassuk le az összes lehetséges programot
02:32
of the particular type that we're looking at.
56
152260
2000
amely a vizsgált konkrét típusra lehetséges.
02:34
They're called cellular automata.
57
154260
2000
Az elnevezésük elemi sejtautomata.
02:36
You can see a lot of diversity in the behavior here.
58
156260
2000
Itt nagyon sokféle viselkedést láthatunk.
02:38
Most of them do very simple things,
59
158260
2000
Legtöbbjük rendkívül egyszerű dolgot csinál.
02:40
but if you look along all these different pictures,
60
160260
2000
Ha azonban nézzük tovább a különféle képeket,
02:42
at rule number 30,
61
162260
2000
a 30-as számú szabálynál,
02:44
you start to see something interesting going on.
62
164260
2000
kezd érdekessé válni a dolog.
02:46
So let's take a closer look
63
166260
2000
Nézzük hát meg közelebbről
02:48
at rule number 30 here.
64
168260
2000
itt, a 30-as szabálynál.
02:50
So here it is.
65
170260
2000
Itt is van.
02:52
We're just following this very simple rule at the bottom here,
66
172260
3000
Mindössze ezt az egyszerű szabályt követjük végig, itt alul,
02:55
but we're getting all this amazing stuff.
67
175260
2000
és akkor ilyen hihetetlen dolgokat kapunk.
02:57
It's not at all what we're used to,
68
177260
2000
Ilyesmit egyáltalán nem várna az ember,
02:59
and I must say that, when I first saw this,
69
179260
2000
amikor először láttam, mondhatom,
03:01
it came as a huge shock to my intuition.
70
181260
3000
hatalmas megrázkódtatásként ért,
03:04
And, in fact, to understand it,
71
184260
2000
és, igazából, a megértéséhez,
03:06
I eventually had to create
72
186260
2000
végülis ki kellett dolgoznom
03:08
a whole new kind of science.
73
188260
2000
Egy új típusú tudományt.
03:11
(Laughter)
74
191260
2000
(Nevetés)
03:13
This science is different, more general,
75
193260
3000
Ez a tudomány másfajta, általánosabb érvényű,
03:16
than the mathematics-based science that we've had
76
196260
2000
mint a matematikai alapú tudományunk
03:18
for the past 300 or so years.
77
198260
3000
az utóbbi 300 év során.
03:21
You know, it's always seemed like a big mystery:
78
201260
2000
Tudják, mindig nagy rejtélynek tűnt, ahogy
03:23
how nature, seemingly so effortlessly,
79
203260
3000
a természet olyan könnyedén
03:26
manages to produce so much
80
206260
2000
hozza létre azt a sok, számunkra olyan
03:28
that seems to us so complex.
81
208260
3000
nagyon komplexnek látszó dolgot.
03:31
Well, I think we've found its secret:
82
211260
3000
Hát, úgy gondolom, most megtaláltuk a titkát.
03:34
It's just sampling what's out there in the computational universe
83
214260
3000
Ez csak egy kis minta, abból ami a számítási univerzumban van
03:37
and quite often getting things like Rule 30
84
217260
3000
és elég gyakran bukkannak fel a 30-as szabályhoz hasonlók
03:40
or like this.
85
220260
3000
vagy ilyenek.
03:44
And knowing that starts to explain
86
224260
2000
Ennek ismeretében, a tudomány sok régi
03:46
a lot of long-standing mysteries in science.
87
226260
3000
rejtélye kezd már érthetővé válni.
03:49
It also brings up new issues, though,
88
229260
2000
Ugyanakkor új kérdéseket is felvet,
03:51
like computational irreducibility.
89
231260
3000
mint a számítás egyszerűsíthetetlensége.
03:54
I mean, we're used to having science let us predict things,
90
234260
3000
Arra gondolok, hogy a tudománnyal előre tudtuk jelezni a dolgokat,
03:57
but something like this
91
237260
2000
ez viszont, egy ilyen dolog, ez
03:59
is fundamentally irreducible.
92
239260
2000
teljességgel egyszerűsíthetetlen.
04:01
The only way to find its outcome
93
241260
2000
Az eredmény megismerésének egyetlen módja,
04:03
is, effectively, just to watch it evolve.
94
243260
3000
lényegében, hogy megnézzük, hogyan alakul.
04:06
It's connected to, what I call,
95
246260
2000
Ez azzal van kapcsolatban, amit én a
04:08
the principle of computational equivalence,
96
248260
2000
számítási egyenértékűség elvének nevezek,
04:10
which tells us that even incredibly simple systems
97
250260
3000
amely szerint még a hihetetlenül egyszerű rendszerek is
04:13
can do computations as sophisticated as anything.
98
253260
3000
képesek bármilyen bonyolult számításra.
04:16
It doesn't take lots of technology or biological evolution
99
256260
3000
Nem szükséges fejlett technológia vagy biológiai evolúció
04:19
to be able to do arbitrary computation;
100
259260
2000
tetszőleges számítás elvégzéséhez,
04:21
just something that happens, naturally,
101
261260
2000
ez valami olyasmi, ami természetesen zajlik
04:23
all over the place.
102
263260
2000
mindenütt.
04:25
Things with rules as simple as these can do it.
103
265260
3000
Már egy ilyen dolog, ennyire egyszerű szabályokkal produkálni tudja.
04:29
Well, this has deep implications
104
269260
2000
Nos, ez messzemenő következményekkel jár
04:31
about the limits of science,
105
271260
2000
a tudomány határait illetően,
04:33
about predictability and controllability
106
273260
2000
az előrejelezhetőséget és a kezelhetőséget illetően
04:35
of things like biological processes or economies,
107
275260
3000
vagy olyan területeken, mint a biológiai folyamatok vagy gazdaságok,
04:38
about intelligence in the universe,
108
278260
2000
vagy az univerzumbeli értelmes életre vonatkozóan,
04:40
about questions like free will
109
280260
2000
a szabad akarat kérdéseit illetően
04:42
and about creating technology.
110
282260
3000
és a technikai újdonságok tekintetében.
04:45
You know, in working on this science for many years,
111
285260
2000
Tudják, miközben ezzel a tudománnyal foglalkoztam oly sok éven át
04:47
I kept wondering,
112
287260
2000
mindig kíváncsi voltam, hogy vajon
04:49
"What will be its first killer app?"
113
289260
2000
"Milyen szédületes dologra fogjuk először felhasználni?"
04:51
Well, ever since I was a kid,
114
291260
2000
Nos, engem gyermekkorom óta
04:53
I'd been thinking about systematizing knowledge
115
293260
2000
foglalkoztatott a tudás rendszerezésének lehetősége
04:55
and somehow making it computable.
116
295260
2000
és az, hogy valami módon számíthatóvá kellene tenni.
04:57
People like Leibniz had wondered about that too
117
297260
2000
A kérdéssel Leibniz is foglalkozott úgy
04:59
300 years earlier.
118
299260
2000
300 évvel ezelőtt.
05:01
But I'd always assumed that to make progress,
119
301260
2000
Azonban, én mindig abból indultam ki, hogy ehhez
05:03
I'd essentially have to replicate a whole brain.
120
303260
3000
lényegében le kellene másolnom egy egész agyat.
05:06
Well, then I got to thinking:
121
306260
2000
Most pedig, ezt mondtam magamnak:
05:08
This scientific paradigm of mine suggests something different --
122
308260
3000
Ez az én tudományos paradigmám valami mást sugall.
05:11
and, by the way, I've now got
123
311260
2000
És egyébként is, most
05:13
huge computation capabilities in Mathematica,
124
313260
3000
már itt van a Mathematica hatalmas számítási képessége
05:16
and I'm a CEO with some worldly resources
125
316260
3000
cégvezetőként vannak anyagi forrásaim is
05:19
to do large, seemingly crazy, projects --
126
319260
3000
nagy, őrültségnek tűnő projektekhez.
05:22
So I decided to just try to see
127
322260
2000
Így aztán úgy döntöttem, nekivágok és kiderítem,
05:24
how much of the systematic knowledge that's out there in the world
128
324260
3000
hogy a világban meglévő rendszerezett tudásból mennyit lehet
05:27
we could make computable.
129
327260
2000
kiszámíthatóvá tenni.
05:29
So, it's been a big, very complex project,
130
329260
2000
Szóval, ez egy nagy, igen összetett projektnek indult,
05:31
which I was not sure was going to work at all.
131
331260
3000
és egyáltalán nem lehetett tudni, hogy sikeres lesz-e.
05:34
But I'm happy to say it's actually going really well.
132
334260
3000
Örömmel mondhatom azonban, hogy valójában nagyon jól halad.
05:37
And last year we were able
133
337260
2000
A tavalyi évben már ki tudtuk adni
05:39
to release the first website version
134
339260
2000
az első webes változatát a
05:41
of Wolfram Alpha.
135
341260
2000
Wolfram Alpha-nak.
05:43
Its purpose is to be a serious knowledge engine
136
343260
3000
Rendeltetése szerint ez egy komoly tudásmotor,
05:46
that computes answers to questions.
137
346260
3000
amely kiszámítja a választ a feltett kérdésekre.
05:49
So let's give it a try.
138
349260
2000
Próbáljuk ki.
05:51
Let's start off with something really easy.
139
351260
2000
Kezdjük először valami nagyon könnyűvel.
05:53
Hope for the best.
140
353260
2000
És reméljük a legjobbakat.
05:55
Very good. Okay.
141
355260
2000
Nagyon jó. Rendben.
05:57
So far so good.
142
357260
2000
Eddig minden rendben.
05:59
(Laughter)
143
359260
3000
(Nevetés)
06:02
Let's try something a little bit harder.
144
362260
3000
Most próbálkozzunk egy kicsit nehezebbel.
06:05
Let's do
145
365260
2000
Mondjuk...
06:07
some mathy thing,
146
367260
3000
Valami matekos dolgot
06:10
and with luck it'll work out the answer
147
370260
3000
és egy kis szerencsével kidolgozza a választ
06:13
and try and tell us some interesting things
148
373260
2000
és érdekes dolgokat mondhat nekünk
06:15
things about related math.
149
375260
2000
valamit a kapcsolódó matematikáról.
06:17
We could ask it something about the real world.
150
377260
3000
Kérdezhetnénk tőle valamit a valódi világról.
06:20
Let's say -- I don't know --
151
380260
2000
Mondjuk -- nem is tudom --
06:22
what's the GDP of Spain?
152
382260
3000
Mennyi Spanyolország GDP-je?
06:25
And it should be able to tell us that.
153
385260
2000
Ezt meg kell tudnia mondani.
06:27
Now we could compute something related to this,
154
387260
2000
Most pedig kiszámíthatnánk valamit ezzel kapcsolatban,
06:29
let's say ... the GDP of Spain
155
389260
2000
mondjuk Spanyolország GDP-je
06:31
divided by, I don't know,
156
391260
2000
osztva, nézzük csak,
06:33
the -- hmmm ...
157
393260
2000
a -- hmmm ...
06:35
let's say the revenue of Microsoft.
158
395260
2000
mondjuk a Microsoft bevételével.
06:37
(Laughter)
159
397260
2000
(Nevetés)
06:39
The idea is that we can just type this in,
160
399260
2000
Nos az elképzelés az, hogy ezt csak úgy begépeljük,
06:41
this kind of question in, however we think of it.
161
401260
3000
ezt a fajta kérdést, akárhogyan is fogalmazzuk meg.
06:44
So let's try asking a question,
162
404260
2000
Tehát most próbáljuk meg, és tegyünk fel
06:46
like a health related question.
163
406260
2000
egy egészséghez kapcsolódó kérdést.
06:48
So let's say we have a lab finding that ...
164
408260
3000
Képzeljük el, hogy van egy laboratóriumi eredményünk --
06:51
you know, we have an LDL level of 140
165
411260
2000
és mondjuk az LDL szint értéke 140,
06:53
for a male aged 50.
166
413260
3000
és 50 éves férfiről szó.
06:56
So let's type that in, and now Wolfram Alpha
167
416260
2000
Most írjuk ezt be, és akkor a Wolfram Alpha
06:58
will go and use available public health data
168
418260
2000
a rendelkezésre álló közegészségügyi adatok alapján
07:00
and try and figure out
169
420260
2000
megpróbálja kideríteni,
07:02
what part of the population that corresponds to and so on.
170
422260
3000
hogy a népesség mely részének felel ez meg, és így tovább.
07:05
Or let's try asking about, I don't know,
171
425260
3000
Vagy kérdezzük, nézzük csak,
07:08
the International Space Station.
172
428260
2000
mondjuk a nemzetközi űrállomásról.
07:10
And what's happening here is that
173
430260
2000
És ami itt történik, az nem az, hogy
07:12
Wolfram Alpha is not just looking up something;
174
432260
2000
a Wolfram Alpha csak kikeres valamit;
07:14
it's computing, in real time,
175
434260
3000
kiszámolja, valós időben,
07:17
where the International Space Station is right now at this moment,
176
437260
3000
hol van a nemzetközi űrállomás éppen most, ebben a pillanatban,
07:20
how fast it's going, and so on.
177
440260
3000
milyen gyorsan halad és így tovább.
07:24
So Wolfram Alpha knows about lots and lots of kinds of things.
178
444260
3000
A Wolfram Alpha most már sok-sok mindenről tud.
07:27
It's got, by now,
179
447260
2000
Mostanra
07:29
pretty good coverage of everything you might find
180
449260
2000
elég jó anyaga van nagyjából mindenről, amit egy
07:31
in a standard reference library.
181
451260
3000
normál olvasótermi kézikönyvtárban megtalálhatunk.
07:34
But the goal is to go much further
182
454260
2000
A cél azonban ennél sokkal több,
07:36
and, very broadly, to democratize
183
456260
3000
és nagy vonalakban, demokratizálni
07:39
all of this knowledge,
184
459260
3000
ezt a teljes tudásanyagot,
07:42
and to try and be an authoritative
185
462260
2000
és szeretnénk, ha hiteles forrás lenne
07:44
source in all areas.
186
464260
2000
minden területen,
07:46
To be able to compute answers to specific questions that people have,
187
466260
3000
hogy képes legyen kiszámolni a válaszokat az emberek konkrét kérdéseire,
07:49
not by searching what other people
188
469260
2000
nem úgy, hogy keres abban, amit
07:51
may have written down before,
189
471260
2000
más emberek már leírtak,
07:53
but by using built in knowledge
190
473260
2000
hanem a beépített tudás segítségével
07:55
to compute fresh new answers to specific questions.
191
475260
3000
kiszámítaná a válaszokat az adott kérdésre.
07:58
Now, of course, Wolfram Alpha
192
478260
2000
Na mármost, a Wolfram Alpha természetesen
08:00
is a monumentally huge, long-term project
193
480260
2000
egy monumentálisan nagy, hosszú távú projekt
08:02
with lots and lots of challenges.
194
482260
2000
és sok-sok nehézséggel kell szembenéznünk.
08:04
For a start, one has to curate a zillion
195
484260
3000
Kezdetnek mindjárt gondoskodni kell iszonyú mennyiségű
08:07
different sources of facts and data,
196
487260
3000
különböző tényről és adatforrásról,
08:10
and we built quite a pipeline of Mathematica automation
197
490260
3000
létrehoztunk erre egy Mathematica automatizmusból
08:13
and human domain experts for doing this.
198
493260
3000
és emberi szakértőkből álló folyamatot.
08:16
But that's just the beginning.
199
496260
2000
Ez azonban még csak a kezdet.
08:18
Given raw facts or data
200
498260
2000
Ahhoz, hogy nyers tények és adatok alapján
08:20
to actually answer questions,
201
500260
2000
ténylegesen meg lehessen válaszolni a kérdéseket,
08:22
one has to compute:
202
502260
2000
számításokat kell végezni,
08:24
one has to implement all those methods and models
203
504260
2000
alkalmazni kell mindazokat a módszereket, modelleket,
08:26
and algorithms and so on
204
506260
2000
algoritmusokat, stb.
08:28
that science and other areas have built up over the centuries.
205
508260
3000
amelyeket a tudomány az évszázadok alatt felhalmozott.
08:31
Well, even starting from Mathematica,
206
511260
3000
Nos, igazából még ha a Mathematica-tól indulunk is,
08:34
this is still a huge amount of work.
207
514260
2000
ez még akkor is óriási mennyiségű munka.
08:36
So far, there are about 8 million lines
208
516260
2000
Ez idáig 8 millió sornyi
08:38
of Mathematica code in Wolfram Alpha
209
518260
2000
Mathematica kód van a Wolfram Alpha-ban,
08:40
built by experts from many, many different fields.
210
520260
3000
ezt sok-sok különböző terület szakértői készítették.
08:43
Well, a crucial idea of Wolfram Alpha
211
523260
3000
Nos, a Wolfram Alpha alapötlete, hogy
08:46
is that you can just ask it questions
212
526260
2000
a kérdéseket normál emberi nyelven
08:48
using ordinary human language,
213
528260
3000
lehessen feltennni,
08:51
which means that we've got to be able to take
214
531260
2000
ami azt jelenti, hogy képesnek kell lennünk
08:53
all those strange utterances that people type into the input field
215
533260
3000
mindazt a sok furcsaságot fogadni, amit az emberek a bemeneti mezőbe beírhatnak,
08:56
and understand them.
216
536260
2000
és meg is kell érteni.
08:58
And I must say that I thought that step
217
538260
2000
Be kell vallanom, jómagam azt gondoltam, hogy
09:00
might just be plain impossible.
218
540260
3000
lehet, hogy ez egész egyszerűen képtelenség lesz.
09:04
Two big things happened:
219
544260
2000
Történt azonban két fontos lépés.
09:06
First, a bunch of new ideas about linguistics
220
546260
3000
Először, egy csomó új gondolat született a nyelvészetben,
09:09
that came from studying the computational universe;
221
549260
3000
a digitális számítási univerzum vizsgálatából fakadóan.
09:12
and second, the realization that having actual computable knowledge
222
552260
3000
A második pedig az a felismerés, hogy ha konkrét kiszámítható tudásunk van,
09:15
completely changes how one can
223
555260
2000
az teljességgel megváltoztatja, hogyan
09:17
set about understanding language.
224
557260
3000
fogunk hozzá a nyelv megértéséhez.
09:20
And, of course, now
225
560260
2000
És, természetesen, most
09:22
with Wolfram Alpha actually out in the wild,
226
562260
2000
hogy a Wolfram Alpha kilépett a színtérre,
09:24
we can learn from its actual usage.
227
564260
2000
a konkrét használatából is tanulhatunk.
09:26
And, in fact, there's been
228
566260
2000
És, valójában, tapasztalható is volt
09:28
an interesting coevolution that's been going on
229
568260
2000
egy érdekes együttes fejlődés
09:30
between Wolfram Alpha
230
570260
2000
a Wolfram Alpha és
09:32
and its human users,
231
572260
2000
emberi felhasználói között.
09:34
and it's really encouraging.
232
574260
2000
És ez igazán biztató.
09:36
Right now, if we look at web queries,
233
576260
2000
Ha most megnézzük a webes kéréseket,
09:38
more than 80 percent of them get handled successfully the first time.
234
578260
3000
azt látjuk, hogy az elsőre helyes értelmezések aránya több mint 80%.
09:41
And if you look at things like the iPhone app,
235
581260
2000
Ha pedig az olyan dolgokat tekintjük, mint az iPhone alkalmazások,
09:43
the fraction is considerably larger.
236
583260
2000
az arány még magasabb.
09:45
So, I'm pretty pleased with it all.
237
585260
2000
Így hát, ezzel nagyon meg vagyok elégedve.
09:47
But, in many ways,
238
587260
2000
Sok mindenben azonban,
09:49
we're still at the very beginning with Wolfram Alpha.
239
589260
3000
még nagyon az elején tart a Wolfram Alpha.
09:52
I mean, everything is scaling up very nicely
240
592260
2000
Úgy értem, minden nagyon szépen alakul.
09:54
and we're getting more confident.
241
594260
2000
Egyre magabiztosabbak vagyunk.
09:56
You can expect to see Wolfram Alpha technology
242
596260
2000
Arra számítunk, hogy a Wolfram Alpha technológia
09:58
showing up in more and more places,
243
598260
2000
egyre több és több helyen jelenik majd meg,
10:00
working both with this kind of public data, like on the website,
244
600260
3000
és dolgozni fog ilyen jellegű adatokkal, mint itt a webhelyen,
10:03
and with private knowledge
245
603260
2000
és magán jellegű adatokkal is
10:05
for people and companies and so on.
246
605260
3000
embereknek, cégeknek és így tovább.
10:08
You know, I've realized that Wolfram Alpha actually gives one
247
608260
3000
A Wolfram Alpha valójában egy teljesen
10:11
a whole new kind of computing
248
611260
2000
újfajta számítási rendszert ad a kezünkbe, amit
10:13
that one can call knowledge-based computing,
249
613260
2000
nevezhetünk tudásalapú számítástechnikának,
10:15
in which one's starting not just from raw computation,
250
615260
3000
ebben nem csak a puszta számításból indulunk ki,
10:18
but from a vast amount of built-in knowledge.
251
618260
3000
hanem rendelkezésünkre áll a bőséges mennyiségű beépített ismeret is.
10:21
And when one does that, one really changes
252
621260
2000
Ha így közelítjük meg a dolgot, egészen más lesz a
10:23
the economics of delivering computational things,
253
623260
3000
számítástechnikai szolgáltatások gazdaságossága is,
10:26
whether it's on the web or elsewhere.
254
626260
2000
akár webes, akár másmilyen alapúról van szó.
10:28
You know, we have a fairly interesting situation right now.
255
628260
3000
Meglehetősen érdekes helyzetben vagyunk éppen.
10:31
On the one hand, we have Mathematica,
256
631260
2000
Az egyik oldalon ott van nekünk a Mathematica,
10:33
with its sort of precise, formal language
257
633260
3000
a saját precíz, formális nyelvével és a
10:36
and a huge network
258
636260
2000
hatalmas mennyiségű
10:38
of carefully designed capabilities
259
638260
2000
gondosan tervezett funkcióival,
10:40
able to get a lot done in just a few lines.
260
640260
3000
ami mindössze néhány sorban képes sokmindent elvégezni.
10:43
Let me show you a couple of examples here.
261
643260
3000
Hadd mutassak erre itt egy pár példát.
10:47
So here's a trivial piece of Mathematica programming.
262
647260
3000
Ez itt egy triviális Mathematica programocska.
10:51
Here's something where we're sort of
263
651260
2000
Ami itt van, ez itt mintegy
10:53
integrating a bunch of different capabilities here.
264
653260
3000
beágyaz egy csokor különböző funkciót.
10:56
Here we'll just create, in this line,
265
656260
3000
Itt, ebben a sorban hozzuk létre azt a
10:59
a little user interface that allows us to
266
659260
3000
kis felhasználói felületet, amellyel aztán
11:02
do something fun there.
267
662260
2000
érdekes dolgokat csinálhatunk amott.
11:05
If you go on, that's a slightly more complicated program
268
665260
2000
Ha továbbmegyünk, ez a program egy kissé bonyolultabb,
11:07
that's now doing all sorts of algorithmic things
269
667260
3000
amely itt most mindenféle algoritmikus dolgot végez,
11:10
and creating user interface and so on.
270
670260
2000
felhasználói felületet hoz létre és így tovább.
11:12
But it's something that is very precise stuff.
271
672260
3000
Ez egy jól meghatározott, nagyon precíz dolog.
11:15
It's a precise specification with a precise formal language
272
675260
3000
Precíz specifikáció precíz formális nyelven,
11:18
that causes Mathematica to know what to do here.
273
678260
3000
ami alapján a Mathematica tudja, hogy mit kell itt tennie.
11:21
Then on the other hand, we have Wolfram Alpha,
274
681260
3000
A másik oldalon viszont ott van nekünk a Wolfram Alpha,
11:24
with all the messiness of the world
275
684260
2000
amibe belevettük a világ minden kuszaságát
11:26
and human language and so on built into it.
276
686260
2000
az emberi nyelvet és így tovább.
11:28
So what happens when you put these things together?
277
688260
3000
Na most, mi történik, ha a kettőt összehozzuk?
11:31
I think it's actually rather wonderful.
278
691260
2000
Szerintem ez nagyon csodálatos.
11:33
With Wolfram Alpha inside Mathematica,
279
693260
2000
Ha a Wolfram Alpha a Mathematica belsejébe kerül,
11:35
you can, for example, make precise programs
280
695260
2000
készíthetünk olyan precíz programot, amely
11:37
that call on real world data.
281
697260
2000
valós világból vett adatokra támaszkodik.
11:39
Here's a real simple example.
282
699260
2000
Itt van egy igazán egyszerű példa.
11:44
You can also just sort of give vague input
283
704260
3000
Azt is megtehetjük, hogy határozatlan bemenetet adunk meg,
11:47
and then try and have Wolfram Alpha
284
707260
2000
és engedjük, hogy a Wolfram Alpha megpróbálja
11:49
figure out what you're talking about.
285
709260
2000
kitalálni, miről van szó.
11:51
Let's try this here.
286
711260
2000
Próbáljuk ezt ki itt.
11:53
But actually I think the most exciting thing about this
287
713260
3000
Szerintem ennek a legizgalmasabb aspektusa az lehet, hogy
11:56
is that it really gives one the chance
288
716260
2000
ténylegesen lehetőséget ad a
11:58
to democratize programming.
289
718260
3000
programozás demokratizálására.
12:01
I mean, anyone will be able to say what they want in plain language.
290
721260
3000
Arra gondolok, hogy bárkinek lehetősége lesz, hogy csak úgy, szimpla nyelven elmondja amit akar,
12:04
Then, the idea is that Wolfram Alpha will be able to figure out
291
724260
3000
és a cél, hogy a Wolfram Alpha képes legyen ebből kitalálni, hogy
12:07
what precise pieces of code
292
727260
2000
milyen precíz kódrészlet
12:09
can do what they're asking for
293
729260
2000
tudja az eredményt megadni,
12:11
and then show them examples that will let them pick what they need
294
731260
3000
és akkor a mutatott példákból kiválaszthatják a nekik szükségeset,
12:14
to build up bigger and bigger, precise programs.
295
734260
3000
amelyből nagyobb és nagyobb, precíz programok készülhetnek.
12:17
So, sometimes, Wolfram Alpha
296
737260
2000
Néha a Wolfram Alpha képes lesz arra is, hogy
12:19
will be able to do the whole thing immediately
297
739260
2000
az egész dolgot azonnal meg is csinálja
12:21
and just give back a whole big program that you can then compute with.
298
741260
3000
és csak a kész, teljes programot adja eredményül, amelyet aztán használhatunk.
12:24
Here's a big website
299
744260
2000
Ez itt egy nagy webhely,
12:26
where we've been collecting lots of educational
300
746260
3000
itt oktatási és más jellegű bemutatókat
12:29
and other demonstrations about lots of kinds of things.
301
749260
3000
gyűjtünk sokféle témában.
12:32
I'll show you one example here.
302
752260
3000
Talán mutatok egy példát, mondjuk itt.
12:36
This is just an example of one of these computable documents.
303
756260
3000
Ez egy példa ezekre a számítható dokumentumokra.
12:39
This is probably a fairly small
304
759260
2000
Ez valószínűleg egy meglehetősen
12:41
piece of Mathematica code
305
761260
2000
kicsi Mathematica kód,
12:43
that's able to be run here.
306
763260
2000
amely le tud itt futni.
12:47
Okay. Let's zoom out again.
307
767260
3000
Ok. Most távolítsuk ki újra.
12:50
So, given our new kind of science,
308
770260
2000
Így, most adva van ez az új típusú tudomány,
12:52
is there a general way to use it to make technology?
309
772260
3000
általánosságban felhasználhatjuk-e technológiai fejlesztésre?
12:55
So, with physical materials,
310
775260
2000
A fizikai anyagok tekintetében
12:57
we're used to going around the world
311
777260
2000
megszoktuk, hogy amint járunk szerte a világban
12:59
and discovering that particular materials
312
779260
2000
különféle anyagokat fedezünk fel, amelyeket
13:01
are useful for particular
313
781260
2000
fel tudunk használni valamilyen konkrét
13:03
technological purposes.
314
783260
2000
műszaki feladathoz és így tovább.
13:05
Well, it turns out we can do very much the same kind of thing
315
785260
2000
Nos, úgy tűnik, hogy ez csaknem ugyanígy van a
13:07
in the computational universe.
316
787260
2000
számítási univerzumban is.
13:09
There's an inexhaustible supply of programs out there.
317
789260
3000
Kimeríthetetlen mennyiségű programot találunk benne.
13:12
The challenge is to see how to
318
792260
2000
A feladat az, hogy rájöjjünk, hogyan lehet
13:14
harness them for human purposes.
319
794260
2000
hasznosítani őket az ember céljaira.
13:16
Something like Rule 30, for example,
320
796260
2000
A 30-as számú szabály például,
13:18
turns out to be a really good randomness generator.
321
798260
2000
kiváló véletlenszám-generátornak bizonyul.
13:20
Other simple programs are good models
322
800260
2000
Más egyszerűbb programokkal jól lehet modellezni
13:22
for processes in the natural or social world.
323
802260
3000
természeti vagy társadalmi folyamatokat.
13:25
And, for example, Wolfram Alpha and Mathematica
324
805260
2000
És, például, a Wolfram Alpha és a Mathematica
13:27
are actually now full of algorithms
325
807260
2000
valójában tele van olyan algoritmusokkal
13:29
that we discovered by searching the computational universe.
326
809260
3000
amelyeket a számítási univerzum keresése közben fedeztünk fel.
13:33
And, for example, this -- if we go back here --
327
813260
3000
És, például ez -- visszamegyek ide --
13:37
this has become surprisingly popular
328
817260
2000
Ez meglepően népszerűvé vált a
13:39
among composers
329
819260
2000
zeneszerzők körében, akik
13:41
finding musical forms by searching the computational universe.
330
821260
3000
a számítási univerzumban keresnek és találnak zenei formákat.
13:45
In a sense, we can use the computational universe
331
825260
2000
Bizonyos értelemben a számítási univerzum
13:47
to get mass customized creativity.
332
827260
3000
tömegre szabott kreativitást adhat nekünk.
13:50
I'm hoping we can, for example,
333
830260
2000
Én azt is remélem, hogy például
13:52
use that even to get Wolfram Alpha
334
832260
2000
fel tudjuk használni arra, hogy a Wolfram Alpha
13:54
to routinely do invention and discovery on the fly,
335
834260
3000
úgymond rutinszerűen találmányokra, felfedezésekre bukkanjon munka közben
13:57
and to find all sorts of wonderful stuff
336
837260
2000
és mindenféle csodálatos dolgot találjon fel,
13:59
that no engineer
337
839260
2000
amelyet soha semmilyen mérnök nem talált volna ki és
14:01
and no process of incremental evolution would ever come up with.
338
841260
3000
semmilyen lépésenként haladó fejlődés soha nem eredményezett volna.
14:05
Well, so, that leads to kind of an ultimate question:
339
845260
3000
Nos, mindennek kapcsán felmerül egy végső kérdés.
14:08
Could it be that someplace out there in the computational universe
340
848260
3000
Lehetséges, hogy valahol, ebben a számítási univerzumban
14:11
we might find our physical universe?
341
851260
3000
rábukkanunk a saját fizikai világunkra?
14:14
Perhaps there's even some quite simple rule,
342
854260
2000
Lehet, hogy még néhány nagyon egyszerű szabály is van,
14:16
some simple program for our universe.
343
856260
3000
lehet, hogy van az univerzumunknak egy egyszerű programja.
14:19
Well, the history of physics would have us believe
344
859260
2000
Nos, a fizika története alapján arra gondolnánk,
14:21
that the rule for the universe must be pretty complicated.
345
861260
3000
hogy az univerzum szabálya ugyancsak bonyolult kell hogy legyen.
14:24
But in the computational universe,
346
864260
2000
A számítási univerzumban azonban
14:26
we've now seen how rules that are incredibly simple
347
866260
3000
láthattuk, hogy hihetetlenül egyszerű szabályok
14:29
can produce incredibly rich and complex behavior.
348
869260
3000
hihetetlenül gazdag és komplex viselkedést tudnak produkálni.
14:32
So could that be what's going on with our whole universe?
349
872260
3000
Lehet, hogy az univerzumunkkal is ez a helyzet?
14:36
If the rules for the universe are simple,
350
876260
2000
Ha az univerzum végső szabályai egyszerűek,
14:38
it's kind of inevitable that they have to be
351
878260
2000
akkor egyben elkerülhetetlen, hogy
14:40
very abstract and very low level;
352
880260
2000
nagyon absztrakt és alacsony szintűek is legyenek,
14:42
operating, for example, far below
353
882260
2000
például sokkal mélyebb szinten
14:44
the level of space or time,
354
884260
2000
működnének, mint a tér és idő,
14:46
which makes it hard to represent things.
355
886260
2000
így pedig nehezen lehet a dolgokról fogalmat alkotni.
14:48
But in at least a large class of cases,
356
888260
2000
Ugyanakkor az esetek egy nagy osztályára
14:50
one can think of the universe as being
357
890260
2000
elképzelhetjük az univerzumot
14:52
like some kind of network,
358
892260
2000
mint egyfajta hálózatot,
14:54
which, when it gets big enough,
359
894260
2000
amely, ha elég naggyá válik,
14:56
behaves like continuous space
360
896260
2000
úgy viselkedik, mint a folyamatos tér,
14:58
in much the same way as having lots of molecules
361
898260
2000
nagyon hasonlóan ahhoz, amint a sok-sok molekula
15:00
can behave like a continuous fluid.
362
900260
2000
folyamatos folyadékként képes viselkedni.
15:02
Well, then the universe has to evolve by applying
363
902260
3000
Nos, ekkor az univerzum fejlődése erre a hálózatra progresszíven
15:05
little rules that progressively update this network.
364
905260
3000
alkalmazott kis szabályokkal történne.
15:08
And each possible rule, in a sense,
365
908260
2000
Ilyen értelemben minden lehetséges szabály
15:10
corresponds to a candidate universe.
366
910260
2000
egy lehetséges univerzumnak felelne meg.
15:12
Actually, I haven't shown these before,
367
912260
3000
Igazából ezeket még soha sem mutattam be,
15:16
but here are a few of the candidate universes
368
916260
3000
de itt van néhány lehetséges univerzum
15:19
that I've looked at.
369
919260
2000
amelyet megvizsgáltam.
15:21
Some of these are hopeless universes,
370
921260
2000
Egyesek ezek között teljesen reménytelenek,
15:23
completely sterile,
371
923260
2000
teljesen sterilek,
15:25
with other kinds of pathologies like no notion of space,
372
925260
2000
egyéb kóros tüneteket mutatnak, nincs bennük meg a tér fogalma
15:27
no notion of time, no matter,
373
927260
3000
az idő fogalma, nincs benne anyag,
15:30
other problems like that.
374
930260
2000
és más ehhez hasonló gondok vannak velük.
15:32
But the exciting thing that I've found in the last few years
375
932260
3000
Az izgalmas dolog azonban, amit az utóbbi néhány évben találtam,
15:35
is that you actually don't have to go very far
376
935260
2000
az, hogy nem kell nagyon messzire menni
15:37
in the computational universe
377
937260
2000
a számítási univerzumban ahhoz,
15:39
before you start finding candidate universes
378
939260
2000
hogy esetleges univerzumokat találjunk,
15:41
that aren't obviously not our universe.
379
941260
3000
amelyekről már nem nyilvánvaló, hogy nem a mi univerzumunk.
15:44
Here's the problem:
380
944260
2000
A gond a következő:
15:46
Any serious candidate for our universe
381
946260
3000
Az univerzumunk esetében csakis olyan jelöltek jöhetnek szóba,
15:49
is inevitably full of computational irreducibility.
382
949260
3000
amelyekben nagyfokú a számítási irreducibilitás,
15:52
Which means that it is irreducibly difficult
383
952260
3000
ami egyben azt is jelenti, hogy tényleges
15:55
to find out how it will really behave,
384
955260
2000
viselkedésének kiderítése és annak eldöntése
15:57
and whether it matches our physical universe.
385
957260
3000
hogy megfelel-e fizikai világunknak nem egyszerűsíthető.
16:01
A few years ago, I was pretty excited to discover
386
961260
3000
Néhány évvel ezelőtt, nagy izgalommal fedeztem fel olyan
16:04
that there are candidate universes with incredibly simple rules
387
964260
3000
potenciális univerzumokat, amelyek hihetetlen egyszerű szabályai
16:07
that successfully reproduce special relativity,
388
967260
2000
sikeresen reprodukálták a speciális relativitást,
16:09
and even general relativity and gravitation,
389
969260
3000
sőt, még az általános relativitást és a gravitációt is,
16:12
and at least give hints of quantum mechanics.
390
972260
3000
és legalábbis sejtetni engedték a kvantummechanikát.
16:15
So, will we find the whole of physics?
391
975260
2000
Lehet, hogy megtaláljuk a teljes fizikát?
16:17
I don't know for sure,
392
977260
2000
Nem tudhatom biztosan.
16:19
but I think at this point it's sort of
393
979260
2000
Azt gondolom azonban, hogy ennél a pontnál
16:21
almost embarrassing not to at least try.
394
981260
2000
még csak meg sem próbálni majdnem szégyen volna.
16:23
Not an easy project.
395
983260
2000
Nem könnyű feladat.
16:25
One's got to build a lot of technology.
396
985260
2000
Rengeteg technikára van szükség hozzá.
16:27
One's got to build a structure that's probably
397
987260
2000
Valószínűleg legalább olyan mélységű szerkezet
16:29
at least as deep as existing physics.
398
989260
2000
megépítésére van szükség, mint maga a létező fizika.
16:31
And I'm not sure what the best way to organize the whole thing is.
399
991260
3000
Abban sem vagyok biztos, milyen módon kellene az egészet megszervezni.
16:34
Build a team, open it up, offer prizes and so on.
400
994260
3000
Hogyan kellene a csapatot kialakítani, díjakat kitűzni, és a többi.
16:37
But I'll tell you, here today,
401
997260
2000
Annyit azonban mondhatok, hogy
16:39
that I'm committed to seeing this project done,
402
999260
2000
nem nyugszom, amíg ez a munka el nem készül,
16:41
to see if, within this decade,
403
1001260
3000
látni akarom, hogy ebben az évtizedben
16:44
we can finally hold in our hands
404
1004260
2000
végre kezünkben tarthatjuk-e
16:46
the rule for our universe
405
1006260
2000
univerzumunk szabályát,
16:48
and know where our universe lies
406
1008260
2000
és megtudjuk, hogy univerzumunk
16:50
in the space of all possible universes ...
407
1010260
2000
hol található az összes lehetséges univerzumok terében --
16:52
and be able to type into Wolfram Alpha, "the theory of the universe,"
408
1012260
3000
és be lehessen gépelni a Wolfram Alpha-ba, hogy "az univerzum elmélete",
16:55
and have it tell us.
409
1015260
2000
és megmondja nekünk.
16:57
(Laughter)
410
1017260
2000
(Nevetés)
17:00
So I've been working on the idea of computation
411
1020260
2000
A számítógépes rendszerek elvén dolgoztam az
17:02
now for more than 30 years,
412
1022260
2000
elmúlt több mint 30 évben,
17:04
building tools and methods and turning intellectual ideas
413
1024260
3000
eszközöket és módszereket dolgoztam ki, úgymond értelmes gondolatokat
17:07
into millions of lines of code
414
1027260
2000
fordítottam le sok milliónyi sor kódra,
17:09
and grist for server farms and so on.
415
1029260
2000
ültettem szerverfarmokra és így tovább.
17:11
With every passing year,
416
1031260
2000
Minden eltelt évvel,
17:13
I realize how much more powerful
417
1033260
2000
egyre világosabban látom, mennyire
17:15
the idea of computation really is.
418
1035260
2000
nagyon hatalmas gondolat volt a számítástudományé.
17:17
It's taken us a long way already,
419
1037260
2000
Messzire jutottunk már eddig is vele,
17:19
but there's so much more to come.
420
1039260
2000
de a legnagyobb része még hátra van.
17:21
From the foundations of science
421
1041260
2000
A tudomány alapjaitól kezdve
17:23
to the limits of technology
422
1043260
2000
a technikai lehetőségek határáig
17:25
to the very definition of the human condition,
423
1045260
2000
magának az emberi létnek a definiálásáig...
17:27
I think computation is destined to be
424
1047260
2000
Úgy gondolom, a számítástudomány lesz a
17:29
the defining idea of our future.
425
1049260
2000
jövőnk meghatározó gondolata.
17:31
Thank you.
426
1051260
2000
Köszönöm.
17:33
(Applause)
427
1053260
14000
(Taps)
17:47
Chris Anderson: That was astonishing.
428
1067260
2000
Chris Anderson: Ez bámulatos volt.
17:49
Stay here. I've got a question.
429
1069260
2000
Maradjon még. Kérdezni szeretnék.
17:51
(Applause)
430
1071260
4000
(Taps)
17:57
So, that was, fair to say, an astonishing talk.
431
1077260
3000
Nos, nyugodtan mondhatjuk, hogy bámulatos előadást hallottunk.
18:01
Are you able to say in a sentence or two
432
1081260
3000
Tudna mondani egy-két mondatot arról, hogy
18:04
how this type of thinking
433
1084260
3000
ezek a fajta gondolatok
18:07
could integrate at some point
434
1087260
2000
hogyan kapcsolódhatnak
18:09
to things like string theory or the kind of things that people think of
435
1089260
2000
olyan dolgokkal, mint a húrelmélet vagy az olyan elképzelésekkel
18:11
as the fundamental explanations of the universe?
436
1091260
3000
amelyeket az univerzum legalapvetőbb magyarázatának tekintenek?
18:14
Stephen Wolfram: Well, the parts of physics
437
1094260
2000
Stephen Wolfram: Nos, a fizika azon részei
18:16
that we kind of know to be true,
438
1096260
2000
amelyekről tudjuk, hogy megfelelnek a valóságnak,
18:18
things like the standard model of physics:
439
1098260
2000
mint a fizika standard modellje.
18:20
what I'm trying to do better reproduce the standard model of physics
440
1100260
3000
Amit én csinálni próbálok, az inkább reprodukálja a fizika standard modelljét
18:23
or it's simply wrong.
441
1103260
2000
vagy pedig egyszerűen tévedés.
18:25
The things that people have tried to do in the last 25 years or so
442
1105260
2000
Amivel az utóbbi nagyjából 25 évben próbálkoztak
18:27
with string theory and so on
443
1107260
2000
a húrelmélettel és hasonlókkal
18:29
have been an interesting exploration
444
1109260
2000
az egy érdekes kísérlet
18:31
that has tried to get back to the standard model,
445
1111260
3000
amellyel megpróbáltak visszajutni a standard modellhez,
18:34
but hasn't quite gotten there.
446
1114260
2000
de nem egészen sikerült.
18:36
My guess is that some great simplifications of what I'm doing
447
1116260
3000
Úgy vélem, hogy valami nagyszerű leegyszerűsítése annak amit csinálok
18:39
may actually have considerable resonance
448
1119260
3000
valójában figyelemre méltóan visszatükrözi
18:42
with what's been done in string theory,
449
1122260
2000
amit a húrelméletben csináltak,
18:44
but that's a complicated math thing
450
1124260
3000
de ez egy bonyolult matematikai alapokon nyugvó dolog
18:47
that I don't yet know how it's going to work out.
451
1127260
3000
és egyelőre még nem tudom mi lesz az eredménye.
18:50
CA: Benoit Mandelbrot is in the audience.
452
1130260
2000
CA: Benoit Mandlebrot is a közönség soraiban ül.
18:52
He also has shown how complexity
453
1132260
2000
Ő is foglalkozott azzal, hogyan alakulhat ki komplexitás
18:54
can arise out of a simple start.
454
1134260
2000
egyszerű dolgokból kiindulva.
18:56
Does your work relate to his?
455
1136260
2000
Kapcsolódik az Ön munkája ehhez?
18:58
SW: I think so.
456
1138260
2000
SW: Igen.
19:00
I view Benoit Mandelbrot's work
457
1140260
2000
Benoit Mandelbrot munkásságát
19:02
as one of the founding contributions
458
1142260
3000
mintegy a terület egyik megalapozásának
19:05
to this kind of area.
459
1145260
3000
tekintem.
19:08
Benoit has been particularly interested
460
1148260
2000
Benoitot különösen a beágyazott minták,
19:10
in nested patterns, in fractals and so on,
461
1150260
2000
fraktálok és hasonlók érdekelték,
19:12
where the structure is something
462
1152260
2000
amelyeknek szerkezete fához
19:14
that's kind of tree-like,
463
1154260
2000
hasonló felépítésű,
19:16
and where there's sort of a big branch that makes little branches
464
1156260
2000
olyan, hogy van egy nagy ág, amely kisebb ágakra válik szét,
19:18
and even smaller branches and so on.
465
1158260
3000
majd még kisebb ágakká és így tovább.
19:21
That's one of the ways
466
1161260
2000
Ez is egy módja, ahogy a valódi
19:23
that you get towards true complexity.
467
1163260
3000
komplexitást megközelíthetjük.
19:26
I think things like the Rule 30 cellular automaton
468
1166260
3000
Úgy gondolom, az elemi sejtautomata 30-as szabályával
19:29
get us to a different level.
469
1169260
2000
egy másik szintre jutunk.
19:31
In fact, in a very precise way, they get us to a different level
470
1171260
3000
Valójában egész pontosan azért jelentenek másik szintet,
19:34
because they seem to be things that are
471
1174260
2000
mert olyan dolgoknak tűnnnek, amelyek
19:37
capable of complexity
472
1177260
3000
komplexitásra képesek
19:40
that's sort of as great as complexity can ever get ...
473
1180260
3000
ez olyasmi, aminél nagyobb kompexitás aligha lehet ...
19:44
I could go on about this at great length, but I won't. (Laughter) (Applause)
474
1184260
3000
Még nagyon sokat beszélhetnék erről, de most befejezem.
19:47
CA: Stephen Wolfram, thank you.
475
1187260
2000
CA: Stephen Wolfram, köszönjük!
19:49
(Applause)
476
1189260
2000
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7