How algorithms shape our world | Kevin Slavin

484,251 views ・ 2011-07-21

TED


Fare doppio clic sui sottotitoli in inglese per riprodurre il video.

Traduttore: Anna Cristiana Minoli Revisore: Elena Montrasio
00:15
This is a photograph
0
15260
2000
Questa è una fotografia
00:17
by the artist Michael Najjar,
1
17260
2000
scattata dall'artista Michael Najjar,
00:19
and it's real,
2
19260
2000
ed è reale,
00:21
in the sense that he went there to Argentina
3
21260
2000
nel senso che Najjar è andato veramente in Argentina
00:23
to take the photo.
4
23260
2000
a scattare la fotografia.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
25260
3000
Ma è anche finzione. C'è voluto un sacco di lavoro per farla.
00:28
And what he's done
6
28260
2000
Quello che lui ha fatto
00:30
is he's actually reshaped, digitally,
7
30260
2000
è stato ridare forma, digitalmente,
00:32
all of the contours of the mountains
8
32260
2000
a tutti i contorni delle montagne
00:34
to follow the vicissitudes of the Dow Jones index.
9
34260
3000
per seguire le vicissitudini dell'indice Dow Jones.
00:37
So what you see,
10
37260
2000
Quindi quello che vedete,
00:39
that precipice, that high precipice with the valley,
11
39260
2000
quel precipizio, quel precipizio con quella vallata,
00:41
is the 2008 financial crisis.
12
41260
2000
è la crisi finanziaria del 2008.
00:43
The photo was made
13
43260
2000
La foto è stata fatta
00:45
when we were deep in the valley over there.
14
45260
2000
quand'eravamo nel più profondo di quella valle.
00:47
I don't know where we are now.
15
47260
2000
Non so dove siamo oggi.
00:49
This is the Hang Seng index
16
49260
2000
Questo è l'indice Hang Seng
00:51
for Hong Kong.
17
51260
2000
alla borsa di Hong Kong.
00:53
And similar topography.
18
53260
2000
E topografie simili.
00:55
I wonder why.
19
55260
2000
Mi chiedo perché.
00:57
And this is art. This is metaphor.
20
57260
3000
E questa è arte. È una metafora.
01:00
But I think the point is
21
60260
2000
Ma credo che il punto sia
01:02
that this is metaphor with teeth,
22
62260
2000
che è una metafora convincente.
01:04
and it's with those teeth that I want to propose today
23
64260
3000
Ed è con questa convinzione che voglio proporre oggi
01:07
that we rethink a little bit
24
67260
2000
di ripensare un pochino
01:09
about the role of contemporary math --
25
69260
3000
il ruolo della matematica contemporanea --
01:12
not just financial math, but math in general.
26
72260
3000
non solo la matematica finanziaria, ma la matematica in generale.
01:15
That its transition
27
75260
2000
E che la sua transizione,
01:17
from being something that we extract and derive from the world
28
77260
3000
dall'essere qualcosa che estraiamo e deriviamo dal mondo
01:20
to something that actually starts to shape it --
29
80260
3000
a qualcosa che di fatto comincia a dare forma al mondo,
01:23
the world around us and the world inside us.
30
83260
3000
il mondo intorno a noi e il mondo dentro di noi.
01:26
And it's specifically algorithms,
31
86260
2000
E sono in particolare gli algoritmi,
01:28
which are basically the math
32
88260
2000
che sostanzialmente sono la matematica
01:30
that computers use to decide stuff.
33
90260
3000
che i computer utilizzano per decidere.
01:33
They acquire the sensibility of truth
34
93260
2000
Acquisiscono sensibilità nei confronti della verità,
01:35
because they repeat over and over again,
35
95260
2000
perché la ripetono continuamente.
01:37
and they ossify and calcify,
36
97260
3000
Si induriscono, si calcificano,
01:40
and they become real.
37
100260
2000
e diventano realtà.
01:42
And I was thinking about this, of all places,
38
102260
3000
E ci stavo riflettendo in un luogo improbabile,
01:45
on a transatlantic flight a couple of years ago,
39
105260
3000
su un volo transtlantico un paio di anni fa,
01:48
because I happened to be seated
40
108260
2000
perché mi è capitato di sedermi
01:50
next to a Hungarian physicist about my age
41
110260
2000
vicino a un fisico ungherese che aveva più o meno la mia età
01:52
and we were talking
42
112260
2000
e abbiamo parlato
01:54
about what life was like during the Cold War
43
114260
2000
di com'era la vita durante la guerra fredda
01:56
for physicists in Hungary.
44
116260
2000
per i fisici in Ungheria.
01:58
And I said, "So what were you doing?"
45
118260
2000
Gli ho chiesto: "Allora cosa faceva?"
02:00
And he said, "Well we were mostly breaking stealth."
46
120260
2000
E mi ha risposto: "La maggior parte del tempo distruggevamo gli stealth.
02:02
And I said, "That's a good job. That's interesting.
47
122260
2000
E ho detto, "Bel lavoro. Interessante.
02:04
How does that work?"
48
124260
2000
Come funziona?"
02:06
And to understand that,
49
126260
2000
E per capirlo,
02:08
you have to understand a little bit about how stealth works.
50
128260
3000
dovete capire come funziona lo stealth.
02:11
And so -- this is an over-simplification --
51
131260
3000
E così -- sto semplificando molto --
02:14
but basically, it's not like
52
134260
2000
ma sostanzialmente, non è come
02:16
you can just pass a radar signal
53
136260
2000
far passare un segnale radar
02:18
right through 156 tons of steel in the sky.
54
138260
3000
attraverso 156 tonnellate di acciaio nel cielo.
02:21
It's not just going to disappear.
55
141260
3000
Non sparisce.
02:24
But if you can take this big, massive thing,
56
144260
3000
Ma se riuscite a prendere questa cosa enorme
02:27
and you could turn it into
57
147260
3000
e trasformarla
02:30
a million little things --
58
150260
2000
in un milione di cose più piccole --
02:32
something like a flock of birds --
59
152260
2000
qualcosa come uno stormo di uccelli --
02:34
well then the radar that's looking for that
60
154260
2000
allora quando un radar lo cerca
02:36
has to be able to see
61
156260
2000
è in grado di vedere
02:38
every flock of birds in the sky.
62
158260
2000
ogni stormo di uccello nel cielo.
02:40
And if you're a radar, that's a really bad job.
63
160260
4000
E se siete un radar, è un lavoro pesante.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
164260
3000
E mi ha detto: "Certo. Ma questo vale se sei un radar.
02:47
So we didn't use a radar;
65
167260
2000
Noi non utilizzavamo i radar;
02:49
we built a black box that was looking for electrical signals,
66
169260
3000
abbiamo costruito una scatola nera che cercava segnali elettrici,
02:52
electronic communication.
67
172260
3000
comunicazioni elettroniche.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
175260
3000
E ogni volta che vedevamo uno stormo di uccelli con comunicazioni elettroniche,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
178260
3000
pensavamo che probabilmente aveva a che fare con gli Americani."
03:01
And I said, "Yeah.
70
181260
2000
E ho detto, "Certo.
03:03
That's good.
71
183260
2000
Ottimo.
03:05
So you've effectively negated
72
185260
2000
Quindi avete efficacemente cancellato
03:07
60 years of aeronautic research.
73
187260
2000
60 anni di ricerche aeronautiche.
03:09
What's your act two?
74
189260
2000
Qual è il secondo atto?
03:11
What do you do when you grow up?"
75
191260
2000
Cosa farete da grandi?"
03:13
And he said,
76
193260
2000
E mi ha detto:
03:15
"Well, financial services."
77
195260
2000
"Beh, servizi finanziari,"
03:17
And I said, "Oh."
78
197260
2000
E io: "Oh."
03:19
Because those had been in the news lately.
79
199260
3000
Perché se ne era parlato nei notiziari di recente.
03:22
And I said, "How does that work?"
80
202260
2000
E ho detto: "Come funziona?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
204260
2000
E mi ha detto: "Beh, oggi ci sono 2000 fisici a Wall Street,
03:26
and I'm one of them."
82
206260
2000
e io sono uno di loro."
03:28
And I said, "What's the black box for Wall Street?"
83
208260
3000
E ho detto: "Qual è la scatola nera per Wall Street?"
03:31
And he said, "It's funny you ask that,
84
211260
2000
E mi dice: "È strano che tu lo chieda,
03:33
because it's actually called black box trading.
85
213260
3000
perché di fatto si chiama scatola nera delle transazioni.
03:36
And it's also sometimes called algo trading,
86
216260
2000
Qualche volta lo chiamiamo algo trading,
03:38
algorithmic trading."
87
218260
3000
trading algoritmico."
03:41
And algorithmic trading evolved in part
88
221260
3000
E il trading algoritmico si è evoluto in parte
03:44
because institutional traders have the same problems
89
224260
3000
perché gli operatori istituzionali hanno gli stessi problemi
03:47
that the United States Air Force had,
90
227260
3000
che aveva l'aviazione degli Stati Uniti:
03:50
which is that they're moving these positions --
91
230260
3000
spostano le loro posizioni --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
233260
2000
che sia Procter & Gamble o Accenture, o chiunque altro --
03:55
they're moving a million shares of something
93
235260
2000
spostano milioni di azioni di qualcosa
03:57
through the market.
94
237260
2000
all'interno del mercato.
03:59
And if they do that all at once,
95
239260
2000
E se lo fanno tutto d'un tratto,
04:01
it's like playing poker and going all in right away.
96
241260
2000
è come giocare a poker e puntare tutto subito.
04:03
You just tip your hand.
97
243260
2000
È come scoprire le carte.
04:05
And so they have to find a way --
98
245260
2000
Devono quindi trovare un altro modo --
04:07
and they use algorithms to do this --
99
247260
2000
e usano gli algoritmi per farlo --
04:09
to break up that big thing
100
249260
2000
per spezzare quella cosa enorme
04:11
into a million little transactions.
101
251260
2000
in milioni di piccole transazioni.
04:13
And the magic and the horror of that
102
253260
2000
E la magia e l'orrore di tutto questo
04:15
is that the same math
103
255260
2000
è che la stessa matematica
04:17
that you use to break up the big thing
104
257260
2000
che si utilizza per spezzare questa cosa
04:19
into a million little things
105
259260
2000
in un milione di cose più piccole
04:21
can be used to find a million little things
106
261260
2000
può essere utilizzata per trovare un milione di piccole cose
04:23
and sew them back together
107
263260
2000
e rimetterle tutte insieme
04:25
and figure out what's actually happening in the market.
108
265260
2000
e rendersi conto di quello che sta succedendo sul mercato.
04:27
So if you need to have some image
109
267260
2000
Quindi se volete farvi un'idea
04:29
of what's happening in the stock market right now,
110
269260
3000
di quello che sta succedendo sul mercato azionario proprio adesso,
04:32
what you can picture is a bunch of algorithms
111
272260
2000
quello che potete visualizzare è una serie di algoritmi
04:34
that are basically programmed to hide,
112
274260
3000
che sostanzialmente sono programmati per nascondersi,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
277260
3000
e una serie di algoritmi che sono programmati per trovarli e agire.
04:40
And all of that's great, and it's fine.
114
280260
3000
Tutto questo è fantastico, e va bene.
04:43
And that's 70 percent
115
283260
2000
E rappresenta il 70%
04:45
of the United States stock market,
116
285260
2000
del mercato azionario degli Stati Uniti,
04:47
70 percent of the operating system
117
287260
2000
il 70% del sistema operativo
04:49
formerly known as your pension,
118
289260
3000
che prima rappresentava la vostra pensione,
04:52
your mortgage.
119
292260
3000
la vostra ipoteca.
04:55
And what could go wrong?
120
295260
2000
E cosa potrebbe andare storto?
04:57
What could go wrong
121
297260
2000
Quello che potrebbe andare storto
04:59
is that a year ago,
122
299260
2000
è che un anno fa,
05:01
nine percent of the entire market just disappears in five minutes,
123
301260
3000
il 9% del mercato è scomparso in cinque minuti,
05:04
and they called it the Flash Crash of 2:45.
124
304260
3000
e l'hanno chiamato il crash lampo delle 2:45.
05:07
All of a sudden, nine percent just goes away,
125
307260
3000
Improvvisamente, il 9% sparisce,
05:10
and nobody to this day
126
310260
2000
e nessuno, ancora oggi,
05:12
can even agree on what happened
127
312260
2000
riesce a mettersi d'accordo su quello che è successo,
05:14
because nobody ordered it, nobody asked for it.
128
314260
3000
perché nessuno ha dato l'ordine, nessuno l'ha chiesto.
05:17
Nobody had any control over what was actually happening.
129
317260
3000
Nessuno aveva il controllo di quello che stava succedendo.
05:20
All they had
130
320260
2000
Tutto quello che avevano
05:22
was just a monitor in front of them
131
322260
2000
era uno schermo davanti a se'
05:24
that had the numbers on it
132
324260
2000
con tutti i numeri
05:26
and just a red button
133
326260
2000
e un bottone rosso
05:28
that said, "Stop."
134
328260
2000
con scritto: "Stop."
05:30
And that's the thing,
135
330260
2000
Ed è questo il punto,
05:32
is that we're writing things,
136
332260
2000
che stiamo scrivendo cose,
05:34
we're writing these things that we can no longer read.
137
334260
3000
stiamo scrivendo cose che non riusciamo più a leggere.
05:37
And we've rendered something
138
337260
2000
Abbiamo reso questa cosa
05:39
illegible,
139
339260
2000
indecifrabile.
05:41
and we've lost the sense
140
341260
3000
E abbiamo perso il senso
05:44
of what's actually happening
141
344260
2000
di quello che sta realmente accadendo
05:46
in this world that we've made.
142
346260
2000
in questo mondo che abbiamo costruito.
05:48
And we're starting to make our way.
143
348260
2000
E stiamo cominciando a farci strada.
05:50
There's a company in Boston called Nanex,
144
350260
3000
C'è un'azienda a Boston, la Nanex,
05:53
and they use math and magic
145
353260
2000
che utilizza la matematica e la magia
05:55
and I don't know what,
146
355260
2000
e non so cos'altro,
05:57
and they reach into all the market data
147
357260
2000
e raccoglie tutti i dati di mercato
05:59
and they find, actually sometimes, some of these algorithms.
148
359260
3000
e trova, almeno qualche volta, qualcuno di questi algoritmi.
06:02
And when they find them they pull them out
149
362260
3000
E quando li trova, li tira fuori
06:05
and they pin them to the wall like butterflies.
150
365260
3000
e li appunta sul muro come farfalle.
06:08
And they do what we've always done
151
368260
2000
E fan quello che abbiamo sempre fatto
06:10
when confronted with huge amounts of data that we don't understand --
152
370260
3000
quando siamo davanti a enormi quantità di dati che non capiamo:
06:13
which is that they give them a name
153
373260
2000
gli da' un nome
06:15
and a story.
154
375260
2000
e una storia.
06:17
So this is one that they found,
155
377260
2000
Questo è uno di quelli che hanno trovato,
06:19
they called the Knife,
156
379260
4000
l'hanno chiamato il Coltello,
06:23
the Carnival,
157
383260
2000
il Carnevale,
06:25
the Boston Shuffler,
158
385260
4000
il miscelatore di Boston,
06:29
Twilight.
159
389260
2000
Crepuscolo
06:31
And the gag is
160
391260
2000
E la cosa divertente è che,
06:33
that, of course, these aren't just running through the market.
161
393260
3000
ovviamente, non percorrono solo il mercato.
06:36
You can find these kinds of things wherever you look,
162
396260
3000
Potete trovare questo tipo di cose ovunque guardiate,
06:39
once you learn how to look for them.
163
399260
2000
una volta che sapete dove cercare.
06:41
You can find it here: this book about flies
164
401260
3000
Le potete trovare qui: questo libro sulle mosche
06:44
that you may have been looking at on Amazon.
165
404260
2000
che potreste aver cercato su Amazon.
06:46
You may have noticed it
166
406260
2000
Potreste averlo notato
06:48
when its price started at 1.7 million dollars.
167
408260
2000
quando il suo prezzo era a 1,7 milioni di dollari.
06:50
It's out of print -- still ...
168
410260
2000
È fuori catalogo -- nonostante questo ...
06:52
(Laughter)
169
412260
2000
(Risate)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
414260
3000
Se lo aveste comprato a 1,7 milioni, avreste fatto un affare.
06:57
A few hours later, it had gone up
171
417260
2000
Qualche ora dopo, era salito
06:59
to 23.6 million dollars,
172
419260
2000
a 23,6 milioni di dollari,
07:01
plus shipping and handling.
173
421260
2000
più imballo e consegna.
07:03
And the question is:
174
423260
2000
E la domanda è:
07:05
Nobody was buying or selling anything; what was happening?
175
425260
2000
Nessuno comprava o vendeva niente; cosa stava succedendo?
07:07
And you see this behavior on Amazon
176
427260
2000
E vedete questo comportamento su Amazon
07:09
as surely as you see it on Wall Street.
177
429260
2000
così come lo vedete a Wall Street.
07:11
And when you see this kind of behavior,
178
431260
2000
E quando vedete questo genere di comportamento,
07:13
what you see is the evidence
179
433260
2000
quello che vedete è la prova
07:15
of algorithms in conflict,
180
435260
2000
di algoritmi che entrano in conflitto,
07:17
algorithms locked in loops with each other,
181
437260
2000
algoritmi racchiusi tra di loro in un ciclo senza fine,
07:19
without any human oversight,
182
439260
2000
senza nessuna svista umana,
07:21
without any adult supervision
183
441260
3000
senza nessuna supervisione di un adulto
07:24
to say, "Actually, 1.7 million is plenty."
184
444260
3000
che dica: "1,7 milioni sono già tanti."
07:27
(Laughter)
185
447260
3000
(Risate)
07:30
And as with Amazon, so it is with Netflix.
186
450260
3000
E come con Amazon, per Netflix è uguale.
07:33
And so Netflix has gone through
187
453260
2000
Netflix ha utilizzato
07:35
several different algorithms over the years.
188
455260
2000
diversi algoritmi negli anni.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
457260
3000
Hanno cominciato con Cinematch, e ne hanno provata tutta una serie.
07:40
there's Dinosaur Planet; there's Gravity.
190
460260
2000
C'è Dinosaur Planet, c'è Gravity.
07:42
They're using Pragmatic Chaos now.
191
462260
2000
Ora usano Pragmatic Chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
464260
2000
Pragmatic Chaos, come tutti gli algoritmi Netflix,
07:46
trying to do the same thing.
193
466260
2000
sta cercando di fare la stessa cosa.
07:48
It's trying to get a grasp on you,
194
468260
2000
Sta cercando di acchiapparvi,
07:50
on the firmware inside the human skull,
195
470260
2000
o di prendere il firmware all'interno del vostro cranio,
07:52
so that it can recommend what movie
196
472260
2000
così da suggerirvi che film
07:54
you might want to watch next --
197
474260
2000
potreste voler guardare --
07:56
which is a very, very difficult problem.
198
476260
3000
ed è un problema molto, molto difficile.
07:59
But the difficulty of the problem
199
479260
2000
Ma la difficoltà del problema
08:01
and the fact that we don't really quite have it down,
200
481260
3000
e il fatto che ancora non ne siamo venuti a capo,
08:04
it doesn't take away
201
484260
2000
è che non toglie niente
08:06
from the effects Pragmatic Chaos has.
202
486260
2000
agli effetti che ha Caos Pragmatico.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
488260
3000
Caos Pragmatico, come tutti gli algoritmi Netflix,
08:11
determines, in the end,
204
491260
2000
determina, in fin dei conti,
08:13
60 percent
205
493260
2000
il 60%
08:15
of what movies end up being rented.
206
495260
2000
dei film che verranno effettivamente noleggiati.
08:17
So one piece of code
207
497260
2000
Quindi un singolo codice
08:19
with one idea about you
208
499260
3000
con un'idea su di voi
08:22
is responsible for 60 percent of those movies.
209
502260
3000
è responsabile del 60% di tutti quei film.
08:25
But what if you could rate those movies
210
505260
2000
E se invece poteste dare un voto a quei film
08:27
before they get made?
211
507260
2000
ancora prima che vengano girati?
08:29
Wouldn't that be handy?
212
509260
2000
Non sarebbe utile?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
511260
3000
Beh, un paio di Inglesi specialisti dei dati sono a Hollywood,
08:34
and they have "story algorithms" --
214
514260
2000
e hanno algoritmi per le storie --
08:36
a company called Epagogix.
215
516260
2000
un'azienda di nome Epagogix.
08:38
And you can run your script through there,
216
518260
3000
Voi sottoponete la vostra sceneggiatura,
08:41
and they can tell you, quantifiably,
217
521260
2000
e sono in grado di dirvi, quantitativamente,
08:43
that that's a 30 million dollar movie
218
523260
2000
se è un film da 30 milioni di dollari
08:45
or a 200 million dollar movie.
219
525260
2000
o un film da 200 milioni di dollari.
08:47
And the thing is, is that this isn't Google.
220
527260
2000
E il fatto è che non si tratta di Google.
08:49
This isn't information.
221
529260
2000
Non è un'informazione.
08:51
These aren't financial stats; this is culture.
222
531260
2000
Non sono statistiche informatiche; è cultura.
08:53
And what you see here,
223
533260
2000
E quello che vedete qui,
08:55
or what you don't really see normally,
224
535260
2000
o quello che normalmente non vedete,
08:57
is that these are the physics of culture.
225
537260
4000
è che questa è la fisica della cultura.
09:01
And if these algorithms,
226
541260
2000
E se questi algoritmi,
09:03
like the algorithms on Wall Street,
227
543260
2000
come gli algoritmi di Wall Street,
09:05
just crashed one day and went awry,
228
545260
3000
si schiantassero un giorno e qualcosa andasse storto,
09:08
how would we know?
229
548260
2000
come potremmo saperlo,
09:10
What would it look like?
230
550260
2000
cosa verrebbe fuori?
09:12
And they're in your house. They're in your house.
231
552260
3000
E sono nelle vostre case. Sono nelle vostre case.
09:15
These are two algorithms competing for your living room.
232
555260
2000
Questi sono due algoritmi che competono nel vostro salotto.
09:17
These are two different cleaning robots
233
557260
2000
Questi sono due aspirapolvere robot
09:19
that have very different ideas about what clean means.
234
559260
3000
che hanno due idee diverse su cosa vuol dire pulire.
09:22
And you can see it
235
562260
2000
E potete vederlo
09:24
if you slow it down and attach lights to them,
236
564260
3000
se li rallentate e gli applicate delle luci.
09:27
and they're sort of like secret architects in your bedroom.
237
567260
3000
Sono delle specie di architetti segreti nella vostra camera da letto.
09:30
And the idea that architecture itself
238
570260
3000
E l'idea che l'architettura stessa
09:33
is somehow subject to algorithmic optimization
239
573260
2000
sia soggetta in qualche modo a un'ottimizzazione algoritmica
09:35
is not far-fetched.
240
575260
2000
non è poi così inverosimile.
09:37
It's super-real and it's happening around you.
241
577260
3000
È reale e succede intorno a voi.
09:40
You feel it most
242
580260
2000
Lo sentite di più
09:42
when you're in a sealed metal box,
243
582260
2000
quando siete in una scatola di metallo sigillata,
09:44
a new-style elevator;
244
584260
2000
un nuovo stile di ascensore,
09:46
they're called destination-control elevators.
245
586260
2000
che si chiama ascensore a destinazione controllata.
09:48
These are the ones where you have to press what floor you're going to go to
246
588260
3000
Sono quelli in cui premete il tasto del piano dove volete andare
09:51
before you get in the elevator.
247
591260
2000
prima di entrare nell'ascensore.
09:53
And it uses what's called a bin-packing algorithm.
248
593260
2000
E utilizza quello che si chiama algoritmo di raggruppamento delle cabine.
09:55
So none of this mishegas
249
595260
2000
Quindi niente di insensato,
09:57
of letting everybody go into whatever car they want.
250
597260
2000
tipo lasciare che tutti vadano nella cabina che vogliono.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
599260
2000
Tutti quelli che vogliono andare al 10° piano vanno nella cabina numero 2,
10:01
and everybody who wants to go to the third floor goes into car five.
252
601260
3000
e tutti quelli che vogliono andare al 3°piano vanno nella cabina 5.
10:04
And the problem with that
253
604260
2000
E il problema
10:06
is that people freak out.
254
606260
2000
è che la gente si spaventa.
10:08
People panic.
255
608260
2000
La gente va in panico.
10:10
And you see why. You see why.
256
610260
2000
Ed è chiaro il perché. È chiaro.
10:12
It's because the elevator
257
612260
2000
È perché l'ascensore
10:14
is missing some important instrumentation, like the buttons.
258
614260
3000
è priva di strumenti importanti, come i pulsanti.
10:17
(Laughter)
259
617260
2000
(Risate)
10:19
Like the things that people use.
260
619260
2000
Cioè le cose che la gente usa.
10:21
All it has
261
621260
2000
Tutto quello che ha
10:23
is just the number that moves up or down
262
623260
3000
è il numero che va su e giù
10:26
and that red button that says, "Stop."
263
626260
3000
e il bottone rosso con la scritta, "Stop."
10:29
And this is what we're designing for.
264
629260
3000
Ed è questo che stiamo progettando.
10:32
We're designing
265
632260
2000
Stiamo progettando
10:34
for this machine dialect.
266
634260
2000
questo dialetto da macchina.
10:36
And how far can you take that? How far can you take it?
267
636260
3000
Fin dove possiamo andare? Fin dove possiamo spingerci?
10:39
You can take it really, really far.
268
639260
2000
Si può andare molto, molto lontano.
10:41
So let me take it back to Wall Street.
269
641260
3000
Torniamo ora a Wall Street.
10:45
Because the algorithms of Wall Street
270
645260
2000
Perché gli algoritmi di Wall Street
10:47
are dependent on one quality above all else,
271
647260
3000
dipendono da una capacità fondamentale
10:50
which is speed.
272
650260
2000
che è la velocità.
10:52
And they operate on milliseconds and microseconds.
273
652260
3000
Lavorano su millisecondi e microsecondi.
10:55
And just to give you a sense of what microseconds are,
274
655260
2000
Solo per darvi l'idea di quanto sia un microsecondo,
10:57
it takes you 500,000 microseconds
275
657260
2000
ci vogliono 500.000 microsecondi
10:59
just to click a mouse.
276
659260
2000
per cliccare con il mouse.
11:01
But if you're a Wall Street algorithm
277
661260
2000
Ma se siete un algoritmo di Wall Street
11:03
and you're five microseconds behind,
278
663260
2000
e siete cinque microsecondi in ritardo,
11:05
you're a loser.
279
665260
2000
siete dei perdenti.
11:07
So if you were an algorithm,
280
667260
2000
Se foste quindi un algoritmo,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
669260
3000
cerchereste un architetto come quello che ho incontrato a Francoforte
11:12
who was hollowing out a skyscraper --
282
672260
2000
che stava svuotando un grattacielo --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
674260
3000
buttava fuori tutti i mobili, tutte le infrastrutture ad uso umano,
11:17
and just running steel on the floors
284
677260
3000
e metteva solo acciaio ai piani
11:20
to get ready for the stacks of servers to go in --
285
680260
3000
per prepararlo ad accogliere la pila di server da installare --
11:23
all so an algorithm
286
683260
2000
tutto perché un algoritmo
11:25
could get close to the Internet.
287
685260
3000
possa avvicinarsi a Internet.
11:28
And you think of the Internet as this kind of distributed system.
288
688260
3000
E pensate a Internet come a un sistema distribuito.
11:31
And of course, it is, but it's distributed from places.
289
691260
3000
E ovviamente, lo è, ma è decentralizzato in luoghi precisi.
11:34
In New York, this is where it's distributed from:
290
694260
2000
A New York, è decentralizzato
11:36
the Carrier Hotel
291
696260
2000
al Carrier Hotel
11:38
located on Hudson Street.
292
698260
2000
in Hudson Street.
11:40
And this is really where the wires come right up into the city.
293
700260
3000
E questo è da dove partono realmente i cavi per la città.
11:43
And the reality is that the further away you are from that,
294
703260
4000
E la realtà è che più lontani siete,
11:47
you're a few microseconds behind every time.
295
707260
2000
più accumulate microsecondi di ritardo.
11:49
These guys down on Wall Street,
296
709260
2000
Questi ragazzi a Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
711260
2000
Marco Polo e Cherokee Nation,
11:53
they're eight microseconds
298
713260
2000
hanno 8 microsecondi di ritardo
11:55
behind all these guys
299
715260
2000
rispetto a questi altri
11:57
going into the empty buildings being hollowed out
300
717260
4000
che vanno in edifici che si svuotano
12:01
up around the Carrier Hotel.
301
721260
2000
intorno al Carrier Hotel.
12:03
And that's going to keep happening.
302
723260
3000
E continuerà così.
12:06
We're going to keep hollowing them out,
303
726260
2000
Continueremo a svuotarli,
12:08
because you, inch for inch
304
728260
3000
perché voi, centimetro per centrimetro
12:11
and pound for pound and dollar for dollar,
305
731260
3000
sterlina per sterlina, dollaro per dollaro,
12:14
none of you could squeeze revenue out of that space
306
734260
3000
nessuno di voi può tirare fuori un profitto da quello spazio
12:17
like the Boston Shuffler could.
307
737260
3000
come il miscelatore di Boston.
12:20
But if you zoom out,
308
740260
2000
Ma se guardate da lontano,
12:22
if you zoom out,
309
742260
2000
guardate da lontano,
12:24
you would see an 825-mile trench
310
744260
4000
vedrete un fossato lungo 1300 chilometri
12:28
between New York City and Chicago
311
748260
2000
tra New York City e Chicago
12:30
that's been built over the last few years
312
750260
2000
che è stato costruito negli ultimi anni
12:32
by a company called Spread Networks.
313
752260
3000
da una società di nome Spread Networks.
12:35
This is a fiber optic cable
314
755260
2000
È un cavo in fibra ottica
12:37
that was laid between those two cities
315
757260
2000
posato tra le due città
12:39
to just be able to traffic one signal
316
759260
3000
solo per far passare un segnale
12:42
37 times faster than you can click a mouse --
317
762260
3000
37 volte più veloce di un clic del mouse,
12:45
just for these algorithms,
318
765260
3000
solo per questi algoritmi,
12:48
just for the Carnival and the Knife.
319
768260
3000
solo per il Carnival o per il Knife.
12:51
And when you think about this,
320
771260
2000
E se ci pensate,
12:53
that we're running through the United States
321
773260
2000
che stiamo percorrendo gli Stati Uniti
12:55
with dynamite and rock saws
322
775260
3000
con la dinamite e i bulldozer
12:58
so that an algorithm can close the deal
323
778260
2000
così che un algoritmo possa concludere l'affare
13:00
three microseconds faster,
324
780260
3000
tre microsecondi più velocemente.
13:03
all for a communications framework
325
783260
2000
tutto per una infrastruttura delle comunicazioni
13:05
that no human will ever know,
326
785260
4000
di cui nessun essere umano sarà mai a conoscenza,
13:09
that's a kind of manifest destiny;
327
789260
3000
è una specie di destino evidente
13:12
and we'll always look for a new frontier.
328
792260
3000
sempre alla ricerca di nuove frontiere.
13:15
Unfortunately, we have our work cut out for us.
329
795260
3000
Sfortunatamente, c'è da lavorare.
13:18
This is just theoretical.
330
798260
2000
Tutto questo è solo teorico.
13:20
This is some mathematicians at MIT.
331
800260
2000
Questi sono alcuni matematici al MIT.
13:22
And the truth is I don't really understand
332
802260
2000
E la verità è che gran parte di quello che dicono
13:24
a lot of what they're talking about.
333
804260
2000
è per me incomprensibile.
13:26
It involves light cones and quantum entanglement,
334
806260
3000
Ha a che fare con coni di luce e entanglement quantistico,
13:29
and I don't really understand any of that.
335
809260
2000
e io non ci capisco niente.
13:31
But I can read this map,
336
811260
2000
Ma so leggere questa mappa.
13:33
and what this map says
337
813260
2000
E quello che dice questa mappa
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
815260
3000
è che, se state cercando di fare soldi sui mercati dove ci sono i puntini rossi,
13:38
that's where people are, where the cities are,
339
818260
2000
dove ci sono le persone, dove ci sono le città,
13:40
you're going to have to put the servers where the blue dots are
340
820260
3000
dovete mettere i server dove ci sono i puntini blu
13:43
to do that most effectively.
341
823260
2000
per farlo in maniera efficace.
13:45
And the thing that you might have noticed about those blue dots
342
825260
3000
E quello che avrete potuto notare sui puntini blu
13:48
is that a lot of them are in the middle of the ocean.
343
828260
3000
è che molti sono nel bel mezzo dell'oceano.
13:51
So that's what we'll do: we'll build bubbles or something,
344
831260
3000
Quindi questo è quello che faremo, costruiremo bolle o cose simili,
13:54
or platforms.
345
834260
2000
o piattaforme.
13:56
We'll actually part the water
346
836260
2000
Di fatto divideremo le acque
13:58
to pull money out of the air,
347
838260
2000
per fare soldi dall'aria,
14:00
because it's a bright future
348
840260
2000
perché è un futuro brillante
14:02
if you're an algorithm.
349
842260
2000
se siete un algoritmo.
14:04
(Laughter)
350
844260
2000
(Risate)
14:06
And it's not the money that's so interesting actually.
351
846260
3000
E non sono i soldi che sono così interessanti.
14:09
It's what the money motivates,
352
849260
2000
È la motivazione che danno i soldi.
14:11
that we're actually terraforming
353
851260
2000
Stiamo di fatto terraformando
14:13
the Earth itself
354
853260
2000
la terra stessa
14:15
with this kind of algorithmic efficiency.
355
855260
2000
con questa specie di efficacia algoritmica.
14:17
And in that light,
356
857260
2000
E sotto questa luce,
14:19
you go back
357
859260
2000
tornate indietro
14:21
and you look at Michael Najjar's photographs,
358
861260
2000
alle fotografie di Michael Najjar,
14:23
and you realize that they're not metaphor, they're prophecy.
359
863260
3000
e vi rendete conto che non sono metafore, sono profezia.
14:26
They're prophecy
360
866260
2000
Sono la profezia
14:28
for the kind of seismic, terrestrial effects
361
868260
4000
di quegli effetti sismici
14:32
of the math that we're making.
362
872260
2000
della matematica che stiamo facendo.
14:34
And the landscape was always made
363
874260
3000
E il panorama è sempre stato modellato
14:37
by this sort of weird, uneasy collaboration
364
877260
3000
da questa strana, scomoda collaborazione
14:40
between nature and man.
365
880260
3000
tra la natura e l'uomo.
14:43
But now there's this third co-evolutionary force: algorithms --
366
883260
3000
Ma ora c'è questa terza forza di evoluzione: gli algoritmi --
14:46
the Boston Shuffler, the Carnival.
367
886260
3000
il miscelatore di Boston, il Carnival.
14:49
And we will have to understand those as nature,
368
889260
3000
E dovremo capire queste cose come fosse la natura.
14:52
and in a way, they are.
369
892260
2000
E in un certo modo, lo sono.
14:54
Thank you.
370
894260
2000
Grazie.
14:56
(Applause)
371
896260
20000
(Applausi)
A proposito di questo sito web

Questo sito vi presenterà i video di YouTube utili per l'apprendimento dell'inglese. Vedrete lezioni di inglese tenute da insegnanti di alto livello provenienti da tutto il mondo. Fate doppio clic sui sottotitoli in inglese visualizzati su ogni pagina video per riprodurre il video da lì. I sottotitoli scorrono in sincronia con la riproduzione del video. Se avete commenti o richieste, contattateci tramite questo modulo di contatto.

https://forms.gle/WvT1wiN1qDtmnspy7