Computing a theory of everything | Stephen Wolfram

번역: Sanghoon Lee 검토: Wonchan Lee

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

오늘 아이디어 한 가지에 대해 말하려 합니다. 아주 큰 아이디어죠.

Actually, I think it'll eventually

실제로, 제 생각에는

be seen as probably the single biggest idea

이 아이디어가 궁극적으로 지난 세기 중에

that's emerged in the past century.

나온 가장 큰 아이디어가 될 것입니다.

It's the idea of computation.

계산에 관한 생각입니다.

Now, of course, that idea has brought us

물론 현재 이런 생각에는

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

오늘날 우리가 가진 컴퓨터 기술이 포함됩니다.

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

하지만, 그것을 능가하는 훨씬 더 많은 계산이 필요합니다.

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

이것은 아주 심도 있고, 아주 강력하고, 매우 근본적인 아이디어로서

whose effects we've only just begun to see.

그 효과를 이제 겨우 보기 시작하고 있죠.

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

저는 지난 30 평생 동안

working on three large projects

세 가지 큰 프로젝트를 추진해 왔죠.

that really try to take the idea of computation seriously.

계산이라는 아이디어를 심각하게 적용한 것들이죠.

So I started off at a young age as a physicist

저는 젊은 시절 물리학자로서

using computers as tools.

컴퓨터를 도구로 사용하기 시작했죠.

Then, I started drilling down,

그리고 좀 더 파고 들어가서,

thinking about the computations I might want to do,

제가 하고 싶은 계산에 대해서 생각했고,

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

기본적으로 어떻게 만들어질 수 있는가 찾으려 했으며

and how they could be automated as much as possible.

가능한 많이 자동화할 수 있는가 알아보았죠.

Eventually, I created a whole structure

결국, 기호 프로그래밍을 기반으로 한

based on symbolic programming and so on

전체적인 구조를 만들 수 있었고

that let me build Mathematica.

그것이 매스매티카를 가능케 했죠.

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

그리고 지난 23년 동안 꾸준히 증가한 것은

we've been pouring more and more ideas

매스매티카에 아이디어와 기능 등을

and capabilities and so on into Mathematica,

더욱 더 많이 추가해 왔다는 것이죠.

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

기쁘게 말할 수 있는 것은 이것을 통해

in R & D and education,

연구, 개발, 교육을 비롯한

lots of other areas.

여려 분야에서 많은 성과가 있었다는 것입니다.

Well, I have to admit, actually,

사실, 고백해야 할 것은

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

매스매티카를 만든 건 매우 이기적인 이유도 있었다는 것이죠.

I wanted to use it myself,

마치 400년 전에 갈릴레오가 자신의

a bit like Galileo got to use his telescope

망원경을 제작한 것처럼 그것도 제가 쓰기 위한

400 years ago.

도구였어요.

But I wanted to look not at the astronomical universe,

하지만 저는 천문학적 우주만이 아니라,

but at the computational universe.

계산적 우주도 보고 싶었죠.

So we normally think of programs as being

일반적으로 우리는 프로그램을

complicated things that we build

매우 특정한 목적을 위해 만든

for very specific purposes.

복잡한 것이라고 생각합니다.

But what about the space of all possible programs?

하지만 모든 것이 가능한 프로그램의 영역은 어떨까요?

Here's a representation of a really simple program.

여기 정말 단순한 프로그램을 보여주는 것이 있습니다.

So, if we run this program,

이 프로그램을 실행하면,

this is what we get.

이런 결과가 나옵니다.

Very simple.

매우 간단하죠.

So let's try changing the rule

자, 이 프로그램의 규칙을

for this program a little bit.

조금 바꿔 보도록 하죠.

Now we get another result,

이제 다른 결과가 나왔는데,

still very simple.

여전히 매우 단순하죠.

Try changing it again.

다시 한 번 바꿔보죠.

You get something a little bit more complicated.

조그은 더 복잡한 것을 얻게 됩니다.

But if we keep running this for a while,

하지만 얼마간 이 프로그램을 계속 수행하면,

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

아주 복잡한 패턴을 얻게 되더라도

it has a very regular structure.

매우 규칙적인 구조를 가지고 있음을 발견할 수 있죠.

So the question is: Can anything else happen?

질문은 이것입니다. 무엇이든지 발생할 수 있을까요?

Well, we can do a little experiment.

작은 실험을 해볼 수 있죠.

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

간단한 수학적 실험을 통해서 찾아보도록 하죠.

Let's just run all possible programs

단지 우리가 보고 있는 형태에 대한

of the particular type that we're looking at.

모든 가능한 프로그램을 수행하는 겁니다.

They're called cellular automata.

이걸 세포 자동자(cellular automata)라고 부르죠.

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

여기 행동 중에서 많은 다양성을 볼 수 있죠.

Most of them do very simple things,

대부분의 경우 매우 단순한 일을 수행합니다.

but if you look along all these different pictures,

하지만 서로 다른 모든 그림 중에서,

at rule number 30,

규칙 30 번에서,

you start to see something interesting going on.

흥미로운 일이 진행되는 것을 볼 수 있습니다.

So let's take a closer look

좀 더 자세히 살펴보죠.

at rule number 30 here.

여기 규칙 30 번,

So here it is.

바로 여기죠.

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

여기 아래에 있는 매우 간단한 규칙을 따랐을 뿐이지만,

but we're getting all this amazing stuff.

이 모든 놀라운 것들을 얻었습니다.

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

이미 익숙해진 우리에겐 별것이 아니지만,

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

꼭 말해야 할 것은 이걸 처음 봤을 때,

it came as a huge shock to my intuition.

직관적으로 엄청난 경악으로 다가 왔고,

And, in fact, to understand it,

사실 그것을 이해한 후에는

I eventually had to create

궁극적으로 완전히 새로운 종류의

a whole new kind of science.

과학을 창조해야만 했죠.

(Laughter)

(웃음)

This science is different, more general,

이 과학에 다른 점이 있다면,

than the mathematics-based science that we've had

과거 300년 이상 연구했던 수학에 기반을 둔

for the past 300 or so years.

과학보다 더 일반적이라는 것이죠.

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

알다시피, 자연이 별로 노력을 들이지 않고

how nature, seemingly so effortlessly,

우리에게 그토록 복잡해 보이는 것들을

manages to produce so much

만들어 낼 수 있는 것처럼 보이는 것은

that seems to us so complex.

언제나 큰 미스터리죠.

Well, I think we've found its secret:

제 생각에 우리는 그 비밀을 찾은 것 같아요.

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

계산적 우주 안에 있는 것들의 표본을 추출하는 것만으로도

and quite often getting things like Rule 30

규칙 30 번이나 이런 것들을 매우 자주

or like this.

얻을 수 있다는 것이죠.

And knowing that starts to explain

또 이것을 밝힘으로써 과학에서 오랫동안

a lot of long-standing mysteries in science.

미스터리였던 많은 것들이 설명되기 시작했죠.

It also brings up new issues, though,

하지만 새로운 이슈도 제기하고 있는데,

like computational irreducibility.

계산적 기약성(irreducibility) 같은 것들이죠. 역) 기약성: 더 이상 줄일 수 없는 성질

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

제 말은 우리가 과학을 통해 사물을 예측해오곤 했지만,

but something like this

이러한 것들이 바로

is fundamentally irreducible.

근본적으로 필요한 계산량을 더 줄일 수 없는 것들에 속합니다.

The only way to find its outcome

그 결과를 찾는 유일한 방법은

is, effectively, just to watch it evolve.

사실상 어떻게 발달해 나가는지 지켜보는 것뿐입니다.

It's connected to, what I call,

이건 제가 계산적 등가 원칙이라고

the principle of computational equivalence,

부르는 것과 연결되어 있는데,

which tells us that even incredibly simple systems

믿기 힘들 정도로 단순한 시스템들도

can do computations as sophisticated as anything.

다른 것과 마찬가지로 복잡한 계산을 수행할 수 있다는 것이죠.

It doesn't take lots of technology or biological evolution

임의적인 계산을 수행하기 위해서

to be able to do arbitrary computation;

많은 기술이나 생물학전 진화가 요구되는 것이 아니며,

just something that happens, naturally,

모든 곳에서 자연적으로 어떤 것이

all over the place.

일어난 것뿐이죠.

Things with rules as simple as these can do it.

이처럼 단순한 규칙들이 그것을 해내는 것이죠.

Well, this has deep implications

이것은 과학의 한계와

about the limits of science,

생물학적 과정이나 경제의

about predictability and controllability

예측 가능성 및 통제 가능성,

of things like biological processes or economies,

우주에 존재하는 지적 생명체,

about intelligence in the universe,

자유 의지에 대한 질문과

about questions like free will

기술을 창조하는 것에 대해

and about creating technology.

깊은 영향을 미칩니다.

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

이 과학 분야에 대해 수년 간 연구한 저는

I kept wondering,

항상 궁금한 점이 있죠.

"What will be its first killer app?"

"이것을 통한 첫 대박 응용은 뭘까?"

Well, ever since I was a kid,

제가 아이였을 때부터

I'd been thinking about systematizing knowledge

생각해 온 것은 지식을 체계화하고 어느정도

and somehow making it computable.

계산 가능하게 만드는 것이었죠.

People like Leibniz had wondered about that too

라이프니츠와 같은 사람은 이미 300년 전에

300 years earlier.

같은 고민을 했었죠.

But I'd always assumed that to make progress,

하지만 저는 항상 진전을 이루기 위해서는

I'd essentially have to replicate a whole brain.

전체 두뇌를 복제하는 것이 필수라고 가정했었죠.

Well, then I got to thinking:

이제 제가 생각하고 있는 것은

This scientific paradigm of mine suggests something different --

제 과학적 패러다임은 뭔가 다른 것을 제시한다는 것입니다.

and, by the way, I've now got

그리고, 한편 지금 저는

huge computation capabilities in Mathematica,

매스매티카라는 막대한 계산 능력을 가지고 있고

and I'm a CEO with some worldly resources

거대하고 미친 것처럼 보이는 프로젝트를

to do large, seemingly crazy, projects --

추진할 수 있는 실제 자원을 가진 CEO죠.

So I decided to just try to see

그 결과 이 세상에 얼마나 많은

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

계산할 수 있는 체계적인 정보가 있는가를 살펴보기로

we could make computable.

결정했습니다.

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

이건 거대하고 매우 복잡한 프로젝트였으며,

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

잘 될 것인지 확실하지도 않았죠.

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

하지만 다행스럽게도 이건 잘 수행되고 있죠.

And last year we were able

그리고 지난해 우리는

to release the first website version

최초의 웹사이트 버전을 출시했는데,

of Wolfram Alpha.

바로 울프램 알파(Wolfram Alpha)죠.

Its purpose is to be a serious knowledge engine

이 사이트의 목적은 질문에 대한 계산을 수행하는

that computes answers to questions.

진정한 지식 엔진이 되는 것입니다.

So let's give it a try.

한 번 시험해보죠.

Let's start off with something really easy.

매우 쉬운 것부터 시작해봅시다.

Hope for the best.

잘 되길 바랍니다.

Very good. Okay.

아주 좋아요.

So far so good.

지금까진 잘 되고 있네요.

(Laughter)

(웃음)

Let's try something a little bit harder.

조금 더 어려운 걸 시도해보죠.

Let's do

자...

some mathy thing,

조금 수학적인 것과

and with luck it'll work out the answer

운을 포함해서 우리에게

and try and tell us some interesting things

어떤 흥미로운 것과 수학에 관련된

things about related math.

결과를 주도록 해보죠.

We could ask it something about the real world.

실세계에 관한 것을 물어볼 수도 있죠.

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

자... 잘 생각은 안나지만...

what's the GDP of Spain?

스페인의 GDP는 얼마일까요?

And it should be able to tell us that.

그것을 알려줄 수 있을 것입니다.

Now we could compute something related to this,

자 이제 이와 관련된 것들을 계산할 수도 있죠.

let's say ... the GDP of Spain

스페인의 GDP를 어떤 것으로

divided by, I don't know,

나눈다고 해보죠. 마땅한 것이

the -- hmmm ...

잘 떠오르지 않네요...

let's say the revenue of Microsoft.

마이크로소프트의 이익이라고 해봅시다.

(Laughter)

(웃음)

The idea is that we can just type this in,

우리는 입력과 생각할 수 있는 질문의

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

종류를 정렬할 수 있습니다.

So let's try asking a question,

질문을 한 번 해보죠.

like a health related question.

건강관련 질문입니다.

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

검사결과, 50세 남성의

you know, we have an LDL level of 140

저밀도지질단백질(LDL) 수치가 140이

for a male aged 50.

나왔다고 해보죠.

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

입력해보죠. 울프램 알파가

will go and use available public health data

가용한 공공 보건 자료를 사용해서

and try and figure out

어떤 부분의 인구가

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

이에 해당하는지를 포함한 정보를 밝혀줄 것입니다.

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

다른 질문도 해보죠. 뭐가 좋을까요?

the International Space Station.

국제 우주정거장.

And what's happening here is that

여기서 일어나는 것은

Wolfram Alpha is not just looking up something;

울프램 알파가 단순히 어떤 걸 찾는 것만 아니라

it's computing, in real time,

실시간으로 수행되는 계산이죠.

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

바로 이순간 국제 우주정거장(ISS)이 어디에 있으며,

how fast it's going, and so on.

얼마나 빠르게 움직이고 있나 하는 것들입니다.

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

울프램 알파는 이런 종류의 정보를 아주 많이 알고 있죠.

It's got, by now,

현재 여러분이

pretty good coverage of everything you might find

표준 문헌 도서관에서 찾을 수 있는

in a standard reference library.

거의 대부분의 정보를 망라하고 있습니다.

But the goal is to go much further

하지만 그 목표는 훨씬 더 나아가

and, very broadly, to democratize

매우 광범위하게 민주화된

all of this knowledge,

모든 종류의 지식을 포함하여,

and to try and be an authoritative

모든 분야에서 권위 있는

source in all areas.

정보원이 되어

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

사람들이 가진 특정 질문에 대한 계산된 답을 제공하는 것이죠.

not by searching what other people

다른 사람들이 이전이 작성했던

may have written down before,

정보를 검색해주는 것이 아니라,

but by using built in knowledge

내장된 지식을 이용하여

to compute fresh new answers to specific questions.

특정 질문에 대해 신선하고 새로운 답을 계산해주는 것이죠.

Now, of course, Wolfram Alpha

물론 울프램 알파는 현재

is a monumentally huge, long-term project

기념비적으로 거대하고 장기적인 프로젝트로

with lots and lots of challenges.

수 많은 도전과제를 안고 있습니다.

For a start, one has to curate a zillion

맨 처음, 수 많은 사실과 데이터 소스를

different sources of facts and data,

정리해야 했고,

and we built quite a pipeline of Mathematica automation

매스매티카 자동화와 이 일에 능숙한

and human domain experts for doing this.

각 분야의 전문가와 연계하는 작업을 했죠.

But that's just the beginning.

그건 시작에 불과했죠.

Given raw facts or data

주어진 원천 사실이나 자료를 통해

to actually answer questions,

실제 질문에 대한 답을 구하려면,

one has to compute:

계산을 수행해야 하고,

one has to implement all those methods and models

이 모든 방법과 모델을 비롯해

and algorithms and so on

알고리듬 등을 구현해야만 했죠.

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

이것들은 수 세기에 걸쳐 쌓아온 과학과 여러 영역에 대한 것입니다.

Well, even starting from Mathematica,

사실 매스매티카를 기반으로 시작하더라도

this is still a huge amount of work.

이것은 여전히 엄청난 양의 일이죠.

So far, there are about 8 million lines

지금까지 8백만 줄의 매스매티카 코드가

of Mathematica code in Wolfram Alpha

울프램 알파에 입력되었으며,

built by experts from many, many different fields.

아주 많은 서로 다른 분야의 전문가들이 작성에 참여했죠.

Well, a crucial idea of Wolfram Alpha

울프램 알파의 핵심적인 아이디어 하나는

is that you can just ask it questions

일반적인 인간의 언어를 통해

using ordinary human language,

질문을 할 수 있다는 것인데,

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

이것은 사람들이 검색창에 입력하는

all those strange utterances that people type into the input field

모든 이상한 말투를 받아들일 수 있어야 하고

and understand them.

이해해야 한다는 것이죠.

And I must say that I thought that step

분명히 말해야 하는 것은 제 생각에

might just be plain impossible.

그런 단계는 단순히 불가능할 수 있다는 거에요.

Two big things happened:

두 가지 큰 일이 발생했죠.

First, a bunch of new ideas about linguistics

첫째, 계산적 우주를 연구한 결과

that came from studying the computational universe;

언어학에 대한 새로운 많은 아이디어를 얻었죠.

and second, the realization that having actual computable knowledge

둘째, 실제 계산적 지식을 얻는 것은 언어를 이해하는 방식을

completely changes how one can

완전히 변화시킬 수 있다는 사실을

set about understanding language.

인지하게 된 것입니다.

And, of course, now

물론 지금은

with Wolfram Alpha actually out in the wild,

실제 세상에 선을 보인 울프램 알파를 통해

we can learn from its actual usage.

실제 사례로부터 배울 수 있죠.

And, in fact, there's been

사실상 흥미로운 상호진화가

an interesting coevolution that's been going on

울프램 알파와 인간 사용자들 사이에서

between Wolfram Alpha

일어나고 있는 것을

and its human users,

볼 수 있습니다.

and it's really encouraging.

매우 고무적인 일이죠.

Right now, if we look at web queries,

바로 지금 웹 검색어를 본다면,

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

80% 이상의 질문이 최초 시도에서 성공적인 답을 얻고 있습니다.

And if you look at things like the iPhone app,

아이폰 응용 프로그램을 보시면,

the fraction is considerably larger.

이게 상당히 큰 부분이라는 것을 알 수 있죠.

So, I'm pretty pleased with it all.

그래서 매우 기쁘게 생각합니다.

But, in many ways,

하지만, 많은 부분에 있어서

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

울프램 알파의 아주 시작 단계에 머물러 있죠.

I mean, everything is scaling up very nicely

모든 것이 아주 순조롭게 확대되는 중이죠.

and we're getting more confident.

더 많은 확신을 갖게 되었죠.

You can expect to see Wolfram Alpha technology

울프램 알파 기술을

showing up in more and more places,

더 많은 곳에서 보게 될 것입니다.

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

웹사이트의 공공 자료는 물론이고

and with private knowledge

개인, 기업 등 사적인 지식과도

for people and companies and so on.

연동하게 될 것입니다.

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

알다시피, 전 울프램 알파가 새로운 형태의

a whole new kind of computing

계산을 제공해줄 것을 인지하고 있습니다.

that one can call knowledge-based computing,

지식기반 계산이라고 부르는 것이죠.

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

단지 원천 계산에서 나오는 것이 아니라

but from a vast amount of built-in knowledge.

방대한 내장 지식에서 나오는 것이죠.

And when one does that, one really changes

이런 일이 가능해지면, 계산된 결과를

the economics of delivering computational things,

전달하는 경제에서 큰 변화를 가져올 것입니다.

whether it's on the web or elsewhere.

웹이나 그 밖의 영역 모두에 해당됩니다.

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

알다시피, 지금 매우 흥미로운 상황에 있습니다.

On the one hand, we have Mathematica,

한 손에는 매스매티카가 있습니다.

with its sort of precise, formal language

정확하고, 정형화된 언어이며

and a huge network

많은 일을 단 몇 줄안에 처리할 수 있도록

of carefully designed capabilities

잘 디자인된 기능들을 모은

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

거대한 네트워크입니다.

Let me show you a couple of examples here.

몇 가지 예를 보여드리겠습니다.

So here's a trivial piece of Mathematica programming.

이것은 매스매티카 프로그램의 일부에 불과합니다.

Here's something where we're sort of

여기에 바로 여러 종류의 서로 다른

integrating a bunch of different capabilities here.

기능을 한데 모아 통합한 것이 자리하고 있죠.

Here we'll just create, in this line,

바로 여기에 조그만 유저 인터페이스를

a little user interface that allows us to

생성하는 라인을 추가하여

do something fun there.

재미있는 것을 할 수 있죠.

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

계속할 경우, 좀 더 복잡한 프로그램을 통해

that's now doing all sorts of algorithmic things

모든 종류의 알고리듬을 수행하고

and creating user interface and so on.

유저 인터페이스와 같은 것들을 만들 수 있죠.

But it's something that is very precise stuff.

하지만 이것들은 매우 정확한 것들입니다.

It's a precise specification with a precise formal language

정확한 정형 언어로 작성된 정확한 명세는

that causes Mathematica to know what to do here.

매스매티카로 하여금 무엇을 해야 하는지 알게 합니다.

Then on the other hand, we have Wolfram Alpha,

또 다른 손에는 울프램 알파가 있습니다.

with all the messiness of the world

지구상에 있는 모든 종류의 혼동과

and human language and so on built into it.

인간의 언어 등이 내장되어 있죠.

So what happens when you put these things together?

자 이 두 가지를 합치면 무슨 일이 생길까요?

I think it's actually rather wonderful.

저는 매우 멋진 것을 생각합니다.

With Wolfram Alpha inside Mathematica,

매스매티카가 내장된 울프램 알파로

you can, for example, make precise programs

실세계 데이터를 요구하는

that call on real world data.

정확한 프로그램을 만들 수 있는 거죠.

Here's a real simple example.

여기 간단한 실제 사례가 있습니다.

You can also just sort of give vague input

그냥 불명확한 것들을 입력한 후

and then try and have Wolfram Alpha

울프램 알파가 무엇을 의미한 것인지

figure out what you're talking about.

파악하도록 할 수도 있죠.

Let's try this here.

이걸 한 번 해보죠.

But actually I think the most exciting thing about this

저는 이에 관해 가장 흥미로운 것 중에 하나가 바로

is that it really gives one the chance

민주화된 프로그래밍의 기회를

to democratize programming.

실제로 제공해줄 것이란 생각입니다.

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

이 말은 누군가 원하는 것을 평범한 언어로 말하고 나면,

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

울프램 알파가 정확히 어떤 코드 조각이

what precise pieces of code

요구하는 것을 수행할 수 있는 지

can do what they're asking for

파악할 수 있을 것이라는 말입니다.

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

그런 다음에는 사용자에게 예시들을 보여줄 것이며 사용자는 이들을 골라

to build up bigger and bigger, precise programs.

더 큰 정확한 프로그램을 만들 것입니다.

So, sometimes, Wolfram Alpha

따라서 때로는 울프램 알파가

will be able to do the whole thing immediately

전체를 즉각적으로 수행할 수 있을 것이고

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

나중에 계산할 때 사용할 수 있는 커다란 프로그램을 단지 돌려줄 수도 있습니다.

Here's a big website

자 여기 대형 웹사이트가 있습니다.

where we've been collecting lots of educational

여러 교육적인 것들과 많은 것들에 대한

and other demonstrations about lots of kinds of things.

데모들을 수집해 오고 있습니다.

I'll show you one example here.

어떤 것을 보여드려야 할지 모르겠지만, 이것은 어떨까요.

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

이건 단순히 계산 가능한 문서의 한 예입니다.

This is probably a fairly small

여기서 작동되는

piece of Mathematica code

매스매티카 코드는

that's able to be run here.

아마도 매우 짧을 겁니다.

Okay. Let's zoom out again.

좋아요. 다시 논의를 넓혀보죠.

So, given our new kind of science,

우리의 새로운 종류의 과학이 있을 때,

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

기술을 만들기 위해 사용할 수 있는 일반적인 방법이 있을까요?

So, with physical materials,

물리 재료의 경우에는,

we're used to going around the world

우리는 세계를 돌면서

and discovering that particular materials

특정 물질이

are useful for particular

특정 목적에 유용하다는 사실을

technological purposes.

발견해오고는 했습니다.

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

바로 이것과 동일한 방식이 계산적 우주에서도

in the computational universe.

적용될 수 있다는 것이 발견된 것입니다.

There's an inexhaustible supply of programs out there.

끊임없는 프로그램의 공급이 존재합니다.

The challenge is to see how to

과제는 어떻게 이것들을

harness them for human purposes.

인간의 목적을 위해 사용할 것인가 하는 것이죠.

Something like Rule 30, for example,

예를 들어 규칙 30 번과 같은 것은

turns out to be a really good randomness generator.

임의성(randomness) 발생기로서 매우 훌륭하다는 것처럼 말입니다.

Other simple programs are good models

다른 간단한 프로그램들도 자연계나 사회에서

for processes in the natural or social world.

발생하는 과정에 대한 좋은 모델입니다.

And, for example, Wolfram Alpha and Mathematica

예를 들어, 울프램 알파와 매스매티카는

are actually now full of algorithms

실제로 계산적 우주를 찾으면서 발견한

that we discovered by searching the computational universe.

알고리듬으로 가득 차 있죠.

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

예를 들어, 여기로 돌아가 보죠.

this has become surprisingly popular

이건 작곡가들 사이에

among composers

상당한 인기를 끌고 있는 것으로

finding musical forms by searching the computational universe.

계산적 우주를 탐색하여 음악적 형태를 찾아줍니다.

In a sense, we can use the computational universe

어떤 의미에서, 우리는 계산적 우주를 이용하여

to get mass customized creativity.

대량 맞춤형 창조성을 얻을 수 있죠.

I'm hoping we can, for example,

저는 우리가 울프램 알파를

use that even to get Wolfram Alpha

이용하여 발명과 발견을

to routinely do invention and discovery on the fly,

사용 도중 정기적으로 이뤄내고

and to find all sorts of wonderful stuff

엔지니어와 점진적 진화를 통해서는

that no engineer

여지껏 찾아낼 수 없었던

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

모든 멋진 것들을 찾을 수 있기를 희망합니다.

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

자 이것들은 궁극적인 질문에 다다르게 하죠.

Could it be that someplace out there in the computational universe

계산적 우주 어딘가에 우리의 물리적 우주를

we might find our physical universe?

찾을 수 있는 영역이 있을까요?

Perhaps there's even some quite simple rule,

아마도 심지어 어딘가에 우리 우주를 만든

some simple program for our universe.

훨씬 더 간단한 규칙과 간단한 프로그램이 있을 것입니다.

Well, the history of physics would have us believe

물리학의 역사는 우주를 만든 규칙이

that the rule for the universe must be pretty complicated.

매우 복잡해야만 한다는 것을 믿도록 했죠.

But in the computational universe,

하지만 계산적 우주에서는

we've now seen how rules that are incredibly simple

믿을 수 없을 정도로 간단한 규칙이 어떻게

can produce incredibly rich and complex behavior.

상상할 수 없을 정도로 풍부하고 복잡한 행동을 하는지 볼 수 있습니다.

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

그것이 전체 우주가 어떻게 돌아가는지 보여줄 수 있지 않을까요?

If the rules for the universe are simple,

우주의 규칙이 간단하다면,

it's kind of inevitable that they have to be

그것들은 필연적으로 매우 추상적이고

very abstract and very low level;

매우 낮은 수준이어야 합니다.

operating, for example, far below

예를 들어 사물을 표현하는 것을

the level of space or time,

어렵게 만드는 시간이나 공간 수준보다

which makes it hard to represent things.

훨씬 낮은 수준에서 일어나는 연산이라는 거죠.

But in at least a large class of cases,

하지만 적어도 규모가 클 경우에는

one can think of the universe as being

우주가 일종의 네트워크처럼

like some kind of network,

생겼다고 생각할 수 있는데,

which, when it gets big enough,

충분히 커질 경우엔

behaves like continuous space

연속 우주처럼 행동한다는 거죠.

in much the same way as having lots of molecules

연속 유체에서 다수의 분자가

can behave like a continuous fluid.

행동하는 것과 매우 유사합니다.

Well, then the universe has to evolve by applying

그 이후엔 우주가 이 네트워크에 작은 규칙을

little rules that progressively update this network.

점진적으로 적용하면서 진화해야 하죠.

And each possible rule, in a sense,

어떤 의미에서는 각각 가능한 규칙이

corresponds to a candidate universe.

각 우주 모델 후보와 관련되는 거죠.

Actually, I haven't shown these before,

사실 전에는 이것들을 보여드리지 않았지만,

but here are a few of the candidate universes

여기에 제가 고려해왔던 몇 가지 우주 모델의 후보가

that I've looked at.

있습니다.

Some of these are hopeless universes,

이것들 중 일부는 전혀 가망이 없고,

completely sterile,

완전히 의미가 없는 것들로서

with other kinds of pathologies like no notion of space,

공간의 개념이 없다거나, 시간의 개념이 없다거나 등등

no notion of time, no matter,

아무튼 문제를 지닌

other problems like that.

비정상을 포함하고 있죠.

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

하지만 신나는 것은 지난 몇 년 동안

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

완전히 우리의 우주가 아니라고

in the computational universe

할 수 없는 수준의 후보를

before you start finding candidate universes

찾는 것은 그렇게 오래 걸리지

that aren't obviously not our universe.

않는다는 것을 발견한 사실입니다.

Here's the problem:

그러나 문제가 한 가지 있습니다:

Any serious candidate for our universe

우리 우주에 대한 어떠한 그럴듯한 후보도

is inevitably full of computational irreducibility.

필연적으로 필요한 계산량을 더 줄일 수 없는 것으로 가득차 있는데,

Which means that it is irreducibly difficult

이는 그것이 실제로 어떻게 동작할 지,

to find out how it will really behave,

우리의 물리 우주와는 일치하는지 알아내는데

and whether it matches our physical universe.

필요한 계산을 끝까지 해보지 않으면 알 수 없을 정도로 어렵다는 것을 의미합니다.

A few years ago, I was pretty excited to discover

몇 년 전에 매우 흥미로운 발견을 했는데,

that there are candidate universes with incredibly simple rules

극도로 간단한 규칙을 가진 이 후보 우주들이

that successfully reproduce special relativity,

특수 상대성, 일반 상대성, 중력을 비롯하여

and even general relativity and gravitation,

약간의 양자역학에 대한 실마리를

and at least give hints of quantum mechanics.

성공적으로 재현한 사실입니다.

So, will we find the whole of physics?

그럼 우리가 물리학 전체를 찾을 수 있을까요?

I don't know for sure,

확실하게는 모르겠어요.

but I think at this point it's sort of

하지만 현재로서는 시도조차 안 하는 것은

almost embarrassing not to at least try.

부끄러운 일이라 생각합니다.

Not an easy project.

쉬운 프로젝트가 아니죠.

One's got to build a lot of technology.

많은 기술을 쌓아야만 합니다.

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

그 기술의 정도는 현존하는 물리학 만큼의

at least as deep as existing physics.

깊이를 가지고 있을 수 있죠.

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

그리고 그 전체를 조직화하기 위한 최선의 방법이 무엇인지도 확신할 수 없습니다.

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

팀을 만들고, 개방하고, 상을 수여하는 것 등을 시도하고 있죠.

But I'll tell you, here today,

하지만 오늘 이 자리에서 드릴 말씀은

that I'm committed to seeing this project done,

이 프로젝트를 종료시키는데 전력을 투구하고 있고,

to see if, within this decade,

가능하다면, 이번 십년 안에

we can finally hold in our hands

우리는 우주의 법칙을

the rule for our universe

손에 쥐게 될 것이며,

and know where our universe lies

모든 가능한 우주 중에

in the space of all possible universes ...

우리의 우주가 어디에 위치하는지와

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

울프램 알파가 우주의 이론을 검색할 수 있게 되어,

and have it tell us.

그것을 우리에게 알려줄 것입니다.

(Laughter)

(웃음)

So I've been working on the idea of computation

저는 계산이라는 아이디어에 대해

now for more than 30 years,

30년 이상 연구해 왔으며,

building tools and methods and turning intellectual ideas

도구와 방법을 만들어 지적 아이디어들을

into millions of lines of code

수백만 줄짜리 코드로 만들었고,

and grist for server farms and so on.

방대한 서버 팜도 운영하고 있죠.

With every passing year,

세월이 지나면서

I realize how much more powerful

깨달은 것은 계산이라는 아이디어가

the idea of computation really is.

진정 얼마나 강력한 것인가하는 것입니다.

It's taken us a long way already,

이미 우리를 이 멀리 데려왔지만,

but there's so much more to come.

아직도 더 가야할 길이 훨씬 많아요.

From the foundations of science

과학의 기본부터

to the limits of technology

기술의 한계에 이르기까지,

to the very definition of the human condition,

인간의 조건에 대한 정확한 정의에 도달할 때까지,

I think computation is destined to be

저는 계산이야 말로 우리 미래에 대한 생각을

the defining idea of our future.

정의하도록 되어 있는 것이라고 생각합니다.

Thank you.

감사합니다.

(Applause)

(박수)

Chris Anderson: That was astonishing.

크리스 앤더슨: 와 멋지네요.

Stay here. I've got a question.

가만 계세요. 질문이 있어요.

(Applause)

(박수)

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

정말 놀라운 강연이었습니다.

Are you able to say in a sentence or two

한 두 문장으로 요약해서

how this type of thinking

이러한 생각의 형태가

could integrate at some point

어떤 점에서 끈 이론이나

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

이와 유사한 우주의 기본을 설명할 수 있는 이론을 통합할 수 있을 지

as the fundamental explanations of the universe?

설명해주실 수 있습니까?

Stephen Wolfram: Well, the parts of physics

스티븐 울프램: 글쎄요, 물리학의 일부 중에

that we kind of know to be true,

우리가 진실이라고 알고 있는 것들은

things like the standard model of physics:

물리학의 표준 모델과 같은 것들이 있죠.

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

제가 하려는 것은 이 물리학의 표준 모델을 더 잘 재현하는 것이거나

or it's simply wrong.

혹은 단순히 잘못된 것입니다.

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

사람들이 지난 25년 간 하려고 한 것은

with string theory and so on

끈 이론이나 기타 이론들을 통해

have been an interesting exploration

바로 이 표준 모델로 회귀하려는

that has tried to get back to the standard model,

흥미로운 탐험이었죠.

but hasn't quite gotten there.

하지만, 그 목표에 전혀 도달하지 못하고 있어요.

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

제 추측은 제가 하고 있는 것을 아주 단순화한 것이

may actually have considerable resonance

실제로 끈 이론에서 해오고 있던 것과

with what's been done in string theory,

큰 관련이 있을지 모른다는 것입니다.

but that's a complicated math thing

하지만 매우 복잡한 수학이 요구되고

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

어떻게 해결이 날지 아직도 모르겠어요.

CA: Benoit Mandelbrot is in the audience.

CA: 여기 베누아 만델브로(Benoit Mandlebrot)가 청중으로 와 있습니다만.

He also has shown how complexity

그도 단순한 시작에 얼마나 복잡한 것이

can arise out of a simple start.

나올 수 있는가를 보여준 바 있어요.

Does your work relate to his?

당신의 일이 그와 관련이 있나요?

SW: I think so.

SW: 그럴것입니다.

I view Benoit Mandelbrot's work

전 베누아 만델브로의 성과를

as one of the founding contributions

이런 종류의 분야에 있어서

to this kind of area.

근본적인 공헌 중에 하나로 봅니다.

Benoit has been particularly interested

베누아는 특히 프랙탈(fractal)과 같은 것들에서 볼 수 있는

in nested patterns, in fractals and so on,

중첩된(nested) 패턴에 관심이 있었죠.

where the structure is something

이 경우 구조물은

that's kind of tree-like,

나무와 같은 모양을 가지고 있고

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

일종의 큰 가지가 작은 가지들을 만들고

and even smaller branches and so on.

더욱 작은 가지들을 만드는 식이죠.

That's one of the ways

이것은 진정한 복잡성을

that you get towards true complexity.

향하는 방법 중에 하나죠.

I think things like the Rule 30 cellular automaton

저는 규칙 30번과 같은 세포 자동자들(cellular automaton)이

get us to a different level.

또 다른 수준의 복잡성을 만든다고 봅니다.

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

사실상, 매우 정확하게 말해서 다른 수준에 도달하는 거죠.

because they seem to be things that are

왜냐면 그것들은 복잡성을 발휘할 수 있는

capable of complexity

것처럼 보이는데,

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

이러한 종류의 복잡성은 여태 본 적이 없는 것이죠...

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

엄청 길게 설명할 수도 있지만, 하지 않도록 하겠습니다.

CA: Stephen Wolfram, thank you.

CA: 스티븐 울프램, 감사합니다.

(Applause)

(박수)