How algorithms shape our world | Kevin Slavin

484,372 views ・ 2011-07-21

TED


Dubbelklik op de Engelse ondertitels hieronder om de video af te spelen.

Vertaald door: Axel Saffran Nagekeken door: Els De Keyser
00:15
This is a photograph
0
15260
2000
Dit is een foto
00:17
by the artist Michael Najjar,
1
17260
2000
van de kunstenaar Michael Najjar,
00:19
and it's real,
2
19260
2000
en het is echt,
00:21
in the sense that he went there to Argentina
3
21260
2000
in de zin dat hij naar Argentinië gereisd is
00:23
to take the photo.
4
23260
2000
om de foto te nemen.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
25260
3000
Maar het is ook fictie. Er is nadien veel werk in gestopt.
00:28
And what he's done
6
28260
2000
Wat hij gedaan heeft,
00:30
is he's actually reshaped, digitally,
7
30260
2000
is digitaal de contouren
00:32
all of the contours of the mountains
8
32260
2000
van de bergen veranderen
00:34
to follow the vicissitudes of the Dow Jones index.
9
34260
3000
in het verloop van de Dow-Jonesindex.
00:37
So what you see,
10
37260
2000
Dus wat je ziet,
00:39
that precipice, that high precipice with the valley,
11
39260
2000
die hoge top, gevolgd door dat dal,
00:41
is the 2008 financial crisis.
12
41260
2000
is de financiële crisis van 2008.
00:43
The photo was made
13
43260
2000
De foto werd gemaakt
00:45
when we were deep in the valley over there.
14
45260
2000
toen we diep in dat dal zaten.
00:47
I don't know where we are now.
15
47260
2000
Ik weet niet waar we nu zitten.
00:49
This is the Hang Seng index
16
49260
2000
Dit is de Hang-Sengindex
00:51
for Hong Kong.
17
51260
2000
van Hong Kong.
00:53
And similar topography.
18
53260
2000
Gelijkaardige topografie.
00:55
I wonder why.
19
55260
2000
Hoe zou dat kunnen.
00:57
And this is art. This is metaphor.
20
57260
3000
Dit is kunst. Het is beeldspraak.
01:00
But I think the point is
21
60260
2000
Maar ik denk dat
01:02
that this is metaphor with teeth,
22
62260
2000
dit beeldspraak is met tanden.
01:04
and it's with those teeth that I want to propose today
23
64260
3000
Het is met deze tanden dat ik wil voorstellen
01:07
that we rethink a little bit
24
67260
2000
dat we eens nadenken over
01:09
about the role of contemporary math --
25
69260
3000
de rol van wiskunde tegenwoordig --
01:12
not just financial math, but math in general.
26
72260
3000
niet slechts financiële wiskunde, maar wiskunde in het algemeen.
01:15
That its transition
27
75260
2000
Haar verandering
01:17
from being something that we extract and derive from the world
28
77260
3000
van iets dat we onttrekken aan en afleiden uit de wereld
01:20
to something that actually starts to shape it --
29
80260
3000
naar iets dat de wereld begint te vormen --
01:23
the world around us and the world inside us.
30
83260
3000
de wereld rondom ons en de wereld in ons.
01:26
And it's specifically algorithms,
31
86260
2000
Het gaat specifiek over algoritmes,
01:28
which are basically the math
32
88260
2000
hetgeen de wiskunde is
01:30
that computers use to decide stuff.
33
90260
3000
die computers gebruiken om beslissingen te nemen.
01:33
They acquire the sensibility of truth
34
93260
2000
Ze verwerven de logica van waarheid
01:35
because they repeat over and over again,
35
95260
2000
want ze herhalen zich keer op keer.
01:37
and they ossify and calcify,
36
97260
3000
Ze verstenen en verkalken,
01:40
and they become real.
37
100260
2000
en ze worden werkelijk.
01:42
And I was thinking about this, of all places,
38
102260
3000
Ik dacht hierover na tijdens
01:45
on a transatlantic flight a couple of years ago,
39
105260
3000
een transatlantische vlucht, enkele jaren geleden,
01:48
because I happened to be seated
40
108260
2000
want ik werd geplaatst naast
01:50
next to a Hungarian physicist about my age
41
110260
2000
een Hongaarse natuurkundige van mijn leeftijd
01:52
and we were talking
42
112260
2000
en we spraken over
01:54
about what life was like during the Cold War
43
114260
2000
hoe het leven tijdens de koude oorlog er uitzag
01:56
for physicists in Hungary.
44
116260
2000
voor natuurkundigen in Hongarije.
01:58
And I said, "So what were you doing?"
45
118260
2000
Ik vroeg: "Wat deed je zoal?"
02:00
And he said, "Well we were mostly breaking stealth."
46
120260
2000
Hij zei: "We waren voornamelijk stealth aan het breken".
02:02
And I said, "That's a good job. That's interesting.
47
122260
2000
Ik zei: "Da's een goeie baan. Dat is interessant.
02:04
How does that work?"
48
124260
2000
Hoe werkt zoiets?"
02:06
And to understand that,
49
126260
2000
Om dit te begrijpen,
02:08
you have to understand a little bit about how stealth works.
50
128260
3000
moet je enigszins begrijpen hoe stealth werkt.
02:11
And so -- this is an over-simplification --
51
131260
3000
Dus -- dit is een oversimplificatie --
02:14
but basically, it's not like
52
134260
2000
maar waar het op neerkomt is:
02:16
you can just pass a radar signal
53
136260
2000
je kunt geen radarsignaal dwars door
02:18
right through 156 tons of steel in the sky.
54
138260
3000
156 ton staal laten gaan.
02:21
It's not just going to disappear.
55
141260
3000
Het zal niet zomaar verdwijnen.
02:24
But if you can take this big, massive thing,
56
144260
3000
Maar wanneer je dat grote, solide ding
02:27
and you could turn it into
57
147260
3000
zou kunnen veranderen in
02:30
a million little things --
58
150260
2000
een miljoen kleine dingen --
02:32
something like a flock of birds --
59
152260
2000
iets als een zwerm vogels --
02:34
well then the radar that's looking for that
60
154260
2000
dan zal de radar die ernaar speurt
02:36
has to be able to see
61
156260
2000
in staat moeten zijn om
02:38
every flock of birds in the sky.
62
158260
2000
elke zwerm vogels te zien in de lucht.
02:40
And if you're a radar, that's a really bad job.
63
160260
4000
Als je een radar bent, is dat een hondenbaan.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
164260
3000
Hij zei: "Dat klopt... maar dat is als je een radar bent.
02:47
So we didn't use a radar;
65
167260
2000
Dus we gebruikten geen radar;
02:49
we built a black box that was looking for electrical signals,
66
169260
3000
we bouwden een zwarte doos die naar elektrische signalen speurde,
02:52
electronic communication.
67
172260
3000
elektronische communicatie.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
175260
3000
Telkens als we een zwerm vogels zagen met elektronische communicatie,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
178260
3000
dachten we: heeft waarschijnlijk iets met de Amerikanen te maken".
03:01
And I said, "Yeah.
70
181260
2000
Ik zei: "Jaah,
03:03
That's good.
71
183260
2000
Da's niet mis.
03:05
So you've effectively negated
72
185260
2000
Dus je hebt feitelijk 60 jaar
03:07
60 years of aeronautic research.
73
187260
2000
aeronautisch onderzoek tenietgedaan.
03:09
What's your act two?
74
189260
2000
Wat is je tweede akte?
03:11
What do you do when you grow up?"
75
191260
2000
Wat ga je doen als je groot bent?"
03:13
And he said,
76
193260
2000
Hij zei:
03:15
"Well, financial services."
77
195260
2000
"Nou, financiële diensten."
03:17
And I said, "Oh."
78
197260
2000
Ik zei: "Oh."
03:19
Because those had been in the news lately.
79
199260
3000
Want die waren de laatste tijd in het nieuws geweest.
03:22
And I said, "How does that work?"
80
202260
2000
Ik zei: "Hoe werkt dat?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
204260
2000
Hij zei: "Nou, er werken tegenwoordig 2000 natuurkundigen op Wall Street;
03:26
and I'm one of them."
82
206260
2000
ik ben er eentje van".
03:28
And I said, "What's the black box for Wall Street?"
83
208260
3000
Ik zei: "Wat is de Zwarte Doos voor Wall Street?"
03:31
And he said, "It's funny you ask that,
84
211260
2000
Hij zei: "Dat is ook toevallig...
03:33
because it's actually called black box trading.
85
213260
3000
Het heet namelijk "black box-handel".
03:36
And it's also sometimes called algo trading,
86
216260
2000
Het wordt ook wel algohandel genoemd,
03:38
algorithmic trading."
87
218260
3000
algoritmische handel".
03:41
And algorithmic trading evolved in part
88
221260
3000
Algoritmische handel werd ontwikkeld, deels
03:44
because institutional traders have the same problems
89
224260
3000
omdat institutionele handelaren dezelfde problemen hebben
03:47
that the United States Air Force had,
90
227260
3000
als de Amerikaanse luchtmacht had,
03:50
which is that they're moving these positions --
91
230260
3000
namelijk dat ze posities verplaatsen --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
233260
2000
hetzij Proctor and Gamble of Accenture, wat dan ook --
03:55
they're moving a million shares of something
93
235260
2000
ze sturen een miljoen aandelen van iets
03:57
through the market.
94
237260
2000
door de markt.
03:59
And if they do that all at once,
95
239260
2000
Als ze dat in één keer doen,
04:01
it's like playing poker and going all in right away.
96
241260
2000
lijkt het op een pokerspel waarbij je meteen alles inzet.
04:03
You just tip your hand.
97
243260
2000
Je gooit de boel volledig open.
04:05
And so they have to find a way --
98
245260
2000
Dus moeten ze een manier vinden --
04:07
and they use algorithms to do this --
99
247260
2000
en daar gebruiken ze algoritmes voor --
04:09
to break up that big thing
100
249260
2000
om dat grote ding te splitsen
04:11
into a million little transactions.
101
251260
2000
in een miljoen kleine transacties.
04:13
And the magic and the horror of that
102
253260
2000
De magie en de horror daarvan
04:15
is that the same math
103
255260
2000
is dat dezelfde wiskunde
04:17
that you use to break up the big thing
104
257260
2000
die je gebruikt om het grote te splitsen
04:19
into a million little things
105
259260
2000
in een miljoen kleine dingen,
04:21
can be used to find a million little things
106
261260
2000
gebruikt kan worden om een miljoen kleine dingen
04:23
and sew them back together
107
263260
2000
op te sporen en weer samen te voegen
04:25
and figure out what's actually happening in the market.
108
265260
2000
en uit dokteren wat er nu eigenlijk gebeurt in de markt.
04:27
So if you need to have some image
109
267260
2000
Dus als je een idee wilt hebben van
04:29
of what's happening in the stock market right now,
110
269260
3000
wat er momenteel gebeurt in de aandelenmarkt,
04:32
what you can picture is a bunch of algorithms
111
272260
2000
kun je je een hoop algoritmes voorstellen
04:34
that are basically programmed to hide,
112
274260
3000
die geprogrammeerd zijn om zich te verstoppen,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
277260
3000
en een hoop algoritmes, geprogrammeerd om ze te vinden en te handelen.
04:40
And all of that's great, and it's fine.
114
280260
3000
Dat is allemaal mooi en goed.
04:43
And that's 70 percent
115
283260
2000
Het is goed voor 70 procent
04:45
of the United States stock market,
116
285260
2000
van de Amerikaanse aandelenmarkt,
04:47
70 percent of the operating system
117
287260
2000
70 procent van het besturingssysteem
04:49
formerly known as your pension,
118
289260
3000
voorheen bekend als je pensioen,
04:52
your mortgage.
119
292260
3000
je hypotheek.
04:55
And what could go wrong?
120
295260
2000
Wat zou er mis kunnen gaan?
04:57
What could go wrong
121
297260
2000
Wat er mis kon gaan,
04:59
is that a year ago,
122
299260
2000
is dat een jaar geleden
05:01
nine percent of the entire market just disappears in five minutes,
123
301260
3000
9 procent van de totale markt zomaar verdwijnt binnen vijf minuten.
05:04
and they called it the Flash Crash of 2:45.
124
304260
3000
Ze noemen het de flash crash van 2u45.
05:07
All of a sudden, nine percent just goes away,
125
307260
3000
Opeens is 9 procent weg,
05:10
and nobody to this day
126
310260
2000
en tot op heden is niemand
05:12
can even agree on what happened
127
312260
2000
het er zelfs maar over eens wat er gebeurde,
05:14
because nobody ordered it, nobody asked for it.
128
314260
3000
want niemand had de opdracht gegeven, niemand vroeg erom.
05:17
Nobody had any control over what was actually happening.
129
317260
3000
Niemand had enige controle over wat er gebeurde.
05:20
All they had
130
320260
2000
Alles wat ze hadden,
05:22
was just a monitor in front of them
131
322260
2000
was een monitor voor zich
05:24
that had the numbers on it
132
324260
2000
met daarop de cijfers
05:26
and just a red button
133
326260
2000
en een rode knop
05:28
that said, "Stop."
134
328260
2000
met daarop "Stop".
05:30
And that's the thing,
135
330260
2000
En dat is het punt.
05:32
is that we're writing things,
136
332260
2000
We schrijven dingen
05:34
we're writing these things that we can no longer read.
137
334260
3000
die we niet langer kunnen lezen.
05:37
And we've rendered something
138
337260
2000
We hebben iets gemaakt
05:39
illegible,
139
339260
2000
dat onleesbaar is.
05:41
and we've lost the sense
140
341260
3000
We hebben alle zicht verloren
05:44
of what's actually happening
141
344260
2000
op wat er werkelijk gebeurt
05:46
in this world that we've made.
142
346260
2000
in die wereld die we gemaakt hebben.
05:48
And we're starting to make our way.
143
348260
2000
We beginnen nu hier een begin te maken.
05:50
There's a company in Boston called Nanex,
144
350260
3000
Er is een bedrijf in Boston genaamd Nanex,
05:53
and they use math and magic
145
353260
2000
en zij gebruiken wiskunde en magie
05:55
and I don't know what,
146
355260
2000
en weet ik wat niet allemaal,
05:57
and they reach into all the market data
147
357260
2000
en ze graaien in de handelsgegevens
05:59
and they find, actually sometimes, some of these algorithms.
148
359260
3000
en vinden soms daadwerkelijk deze algoritmes.
06:02
And when they find them they pull them out
149
362260
3000
Dan trekken ze die eruit
06:05
and they pin them to the wall like butterflies.
150
365260
3000
en prikken ze aan de muur als een vlinder.
06:08
And they do what we've always done
151
368260
2000
Ze doen wat we altijd gedaan hebben
06:10
when confronted with huge amounts of data that we don't understand --
152
370260
3000
als we voor massa's gegevens staan die we niet snappen --
06:13
which is that they give them a name
153
373260
2000
ze geven ze een naam
06:15
and a story.
154
375260
2000
en een verhaal.
06:17
So this is one that they found,
155
377260
2000
Dit is er een dat ze vonden,
06:19
they called the Knife,
156
379260
4000
genaamd het Mes,
06:23
the Carnival,
157
383260
2000
het Carnaval,
06:25
the Boston Shuffler,
158
385260
4000
de Boston Shuffler,
06:29
Twilight.
159
389260
2000
Schemering.
06:31
And the gag is
160
391260
2000
De grap is
06:33
that, of course, these aren't just running through the market.
161
393260
3000
dat deze zich uiteraard niet slechts door de markt bewegen.
06:36
You can find these kinds of things wherever you look,
162
396260
3000
Je kunt deze dingen vinden waar je maar kijkt,
06:39
once you learn how to look for them.
163
399260
2000
als je weet waarop je moet letten.
06:41
You can find it here: this book about flies
164
401260
3000
Je kunt het hier zien: dit boek over vliegen
06:44
that you may have been looking at on Amazon.
165
404260
2000
waarnaar je misschien gekeken hebt op Amazon.
06:46
You may have noticed it
166
406260
2000
Het is je misschien opgevallen
06:48
when its price started at 1.7 million dollars.
167
408260
2000
toen de prijs begon bij 1,7 miljoen dollar.
06:50
It's out of print -- still ...
168
410260
2000
Van een uitverkochte editie -- dan nog...
06:52
(Laughter)
169
412260
2000
(Gelach)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
414260
3000
Als je het had gekocht voor 1,7 was dat een koopje geweest.
06:57
A few hours later, it had gone up
171
417260
2000
Een paar uur later was de prijs gestegen
06:59
to 23.6 million dollars,
172
419260
2000
tot 23,6 miljoen dollar,
07:01
plus shipping and handling.
173
421260
2000
plus verzendkosten.
07:03
And the question is:
174
423260
2000
Het probleem is:
07:05
Nobody was buying or selling anything; what was happening?
175
425260
2000
Niemand kocht of verkocht iets; wat gebeurde er?
07:07
And you see this behavior on Amazon
176
427260
2000
Je ziet dit soort gedrag net zo makkelijk
07:09
as surely as you see it on Wall Street.
177
429260
2000
op Amazon als op Wall Street.
07:11
And when you see this kind of behavior,
178
431260
2000
Wanneer je dit ziet,
07:13
what you see is the evidence
179
433260
2000
aanschouw je het bewijs
07:15
of algorithms in conflict,
180
435260
2000
van algoritmes in conflict,
07:17
algorithms locked in loops with each other,
181
437260
2000
algoritmes die in rondjes met elkaar draaien
07:19
without any human oversight,
182
439260
2000
zonder enig menselijk toezicht,
07:21
without any adult supervision
183
441260
3000
zonder ouderlijk toezicht
07:24
to say, "Actually, 1.7 million is plenty."
184
444260
3000
dat zegt: "Weet je, 1,7 miljoen is wel genoeg".
07:27
(Laughter)
185
447260
3000
(Gelach)
07:30
And as with Amazon, so it is with Netflix.
186
450260
3000
Zoals het bij Amazon is, is het ook met Netflix.
07:33
And so Netflix has gone through
187
453260
2000
Netflix heeft verscheidene algoritmes
07:35
several different algorithms over the years.
188
455260
2000
versleten de afgelopen jaren.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
457260
3000
Ze begonnen met Cinematch, en ze hebben er nog een paar geprobeerd.
07:40
there's Dinosaur Planet; there's Gravity.
190
460260
2000
Er was Dinosaur Planet, er was Gravity.
07:42
They're using Pragmatic Chaos now.
191
462260
2000
Nu gebruiken ze Pragmatic Chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
464260
2000
Pragmatic Chaos heeft, net als alle Netflix-algoritmes,
07:46
trying to do the same thing.
193
466260
2000
hetzelfde doel.
07:48
It's trying to get a grasp on you,
194
468260
2000
Het probeert grip te krijgen op jou,
07:50
on the firmware inside the human skull,
195
470260
2000
op de firmware in de menselijke schedel,
07:52
so that it can recommend what movie
196
472260
2000
zodat het kan aanraden welke film
07:54
you might want to watch next --
197
474260
2000
je vervolgens zou kunnen bekijken --
07:56
which is a very, very difficult problem.
198
476260
3000
hetgeen een zeer moeilijk probleem is.
07:59
But the difficulty of the problem
199
479260
2000
Maar de moeilijkheid van het probleem
08:01
and the fact that we don't really quite have it down,
200
481260
3000
en het feit dat we het nog niet echt beheersen,
08:04
it doesn't take away
201
484260
2000
doet niets af aan het effect
08:06
from the effects Pragmatic Chaos has.
202
486260
2000
dat Pragmatic Chaos heeft.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
488260
3000
Pragmatic Chaos bepaalt, net als de andere
08:11
determines, in the end,
204
491260
2000
Netflix-algoritmes, uiteindelijk
08:13
60 percent
205
493260
2000
voor 60 procent
08:15
of what movies end up being rented.
206
495260
2000
welke films er gehuurd worden.
08:17
So one piece of code
207
497260
2000
Dus één stukje code
08:19
with one idea about you
208
499260
3000
met één idee over jou
08:22
is responsible for 60 percent of those movies.
209
502260
3000
is verantwoordelijk voor 60 procent van al die films.
08:25
But what if you could rate those movies
210
505260
2000
Maar wat als je die films zou kunnen beoordelen
08:27
before they get made?
211
507260
2000
voordat ze gemaakt worden?
08:29
Wouldn't that be handy?
212
509260
2000
Zou dat niet handig zijn?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
511260
3000
Welnu, een paar datawetenschappers uit Engeland zijn in Hollywood,
08:34
and they have "story algorithms" --
214
514260
2000
en ze hebben verhaal-algoritmes.
08:36
a company called Epagogix.
215
516260
2000
Het is een bedrijf genaamd Epagogix.
08:38
And you can run your script through there,
216
518260
3000
Je kunt je script er doorheen halen,
08:41
and they can tell you, quantifiably,
217
521260
2000
en dan vertellen zij je
08:43
that that's a 30 million dollar movie
218
523260
2000
of dat een 30-miljoen-dollarfilm
08:45
or a 200 million dollar movie.
219
525260
2000
of een 200-miljoen-dollarfilm is.
08:47
And the thing is, is that this isn't Google.
220
527260
2000
Het punt is: dit is niet Google.
08:49
This isn't information.
221
529260
2000
Dit is geen informatie.
08:51
These aren't financial stats; this is culture.
222
531260
2000
Dit zij geen financiële statistieken; dit is cultuur.
08:53
And what you see here,
223
533260
2000
Wat je hier ziet,
08:55
or what you don't really see normally,
224
535260
2000
of wat je niet ziet, normaal gesproken,
08:57
is that these are the physics of culture.
225
537260
4000
is dat dit de natuurkunde van de cultuur is.
09:01
And if these algorithms,
226
541260
2000
Als deze algoritmes,
09:03
like the algorithms on Wall Street,
227
543260
2000
net als die van Wall Street,
09:05
just crashed one day and went awry,
228
545260
3000
op een dag zouden crashen en doordraaien,
09:08
how would we know?
229
548260
2000
hoe zouden we dat dan kunnen weten?
09:10
What would it look like?
230
550260
2000
Hoe zou het er uitzien?
09:12
And they're in your house. They're in your house.
231
552260
3000
Ze zitten in je huis. In je huis.
09:15
These are two algorithms competing for your living room.
232
555260
2000
Dit zijn twee algoritmes die wedijveren om je woonkamer.
09:17
These are two different cleaning robots
233
557260
2000
Dit zijn twee verschillende schoonmaakrobots
09:19
that have very different ideas about what clean means.
234
559260
3000
met heel verschillende ideeën over wat schoon betekent.
09:22
And you can see it
235
562260
2000
Dat kun je zien
09:24
if you slow it down and attach lights to them,
236
564260
3000
als je er lampjes op monteert.
09:27
and they're sort of like secret architects in your bedroom.
237
567260
3000
Ze lijken op geheime architectjes in je slaapkamer.
09:30
And the idea that architecture itself
238
570260
3000
Het idee dat architectuur zelf
09:33
is somehow subject to algorithmic optimization
239
573260
2000
doelwit is van algoritmische optimalisatie
09:35
is not far-fetched.
240
575260
2000
is niet vergezocht.
09:37
It's super-real and it's happening around you.
241
577260
3000
Het is de realiteit en het gebeurt om je heen.
09:40
You feel it most
242
580260
2000
Je voelt het vooral
09:42
when you're in a sealed metal box,
243
582260
2000
wanneer je in een gesloten metalen doos zit,
09:44
a new-style elevator;
244
584260
2000
een lift-nieuwe-stijl,
09:46
they're called destination-control elevators.
245
586260
2000
zogenaamde 'destination control'-liften.
09:48
These are the ones where you have to press what floor you're going to go to
246
588260
3000
Dat zijn degene waarbij je moet aangeven naar welke verdieping je wilt,
09:51
before you get in the elevator.
247
591260
2000
vóórdat je de lift binnenstapt.
09:53
And it uses what's called a bin-packing algorithm.
248
593260
2000
Het gebruikt een zogenaamd bin packing algoritme.
09:55
So none of this mishegas
249
595260
2000
Dus niet de gebruikelijke chaos
09:57
of letting everybody go into whatever car they want.
250
597260
2000
waarbij iedereen maar lukraak een lift binnenstapt.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
599260
2000
Iedereen die naar de 10de etage wil, stapt in lift twee,
10:01
and everybody who wants to go to the third floor goes into car five.
252
601260
3000
en iedereen die naar de derde verdieping wil, stapt in lift vijf.
10:04
And the problem with that
253
604260
2000
Het probleem hiermee
10:06
is that people freak out.
254
606260
2000
is dat mensen op tilt slaan.
10:08
People panic.
255
608260
2000
Mensen raken in paniek.
10:10
And you see why. You see why.
256
610260
2000
En je ziet waarom. Je ziet waarom.
10:12
It's because the elevator
257
612260
2000
Dat is omdat de lift
10:14
is missing some important instrumentation, like the buttons.
258
614260
3000
belangrijke instrumenten mist, zoals de knoppen.
10:17
(Laughter)
259
617260
2000
(Gelach)
10:19
Like the things that people use.
260
619260
2000
De dingen die mensen gebruiken.
10:21
All it has
261
621260
2000
Wat er wel is,
10:23
is just the number that moves up or down
262
623260
3000
is enkel een getal dat hoger of lager wordt
10:26
and that red button that says, "Stop."
263
626260
3000
en die rode knop waarop "Stop" staat.
10:29
And this is what we're designing for.
264
629260
3000
Dat is waarvoor we ontwerpen.
10:32
We're designing
265
632260
2000
We ontwerpen
10:34
for this machine dialect.
266
634260
2000
voor dit machinedialect.
10:36
And how far can you take that? How far can you take it?
267
636260
3000
Hoe ver kun je dat doordrijven? Hoe ver ?
10:39
You can take it really, really far.
268
639260
2000
Je kunt het heel, heel ver doordrijven.
10:41
So let me take it back to Wall Street.
269
641260
3000
Laten we even teruggaan naar Wall Street.
10:45
Because the algorithms of Wall Street
270
645260
2000
Want de algoritmes van Wall Street
10:47
are dependent on one quality above all else,
271
647260
3000
zijn boven alles afhankelijk van één factor,
10:50
which is speed.
272
650260
2000
en dat is snelheid.
10:52
And they operate on milliseconds and microseconds.
273
652260
3000
Ze opereren op millisecondes en microsecondes.
10:55
And just to give you a sense of what microseconds are,
274
655260
2000
Om je een idee te geven wat een microseconde is,
10:57
it takes you 500,000 microseconds
275
657260
2000
het kost jou 500.000 microseconden
10:59
just to click a mouse.
276
659260
2000
om met een muis te klikken.
11:01
But if you're a Wall Street algorithm
277
661260
2000
Maar als je een Wall-Streetalgoritme bent,
11:03
and you're five microseconds behind,
278
663260
2000
en je bent 5 microseconden te laat,
11:05
you're a loser.
279
665260
2000
ben je een loser.
11:07
So if you were an algorithm,
280
667260
2000
Dus als je een algoritme was,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
669260
3000
zou je op zoek gaan naar de architect die ik in Frankfurt ontmoette,
11:12
who was hollowing out a skyscraper --
282
672260
2000
die een wolkenkrabber aan het uithollen was --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
674260
3000
alle meubilair eruit, alle infrastructuur voor menselijk gebruik,
11:17
and just running steel on the floors
284
677260
3000
en enkel staal op de vloeren
11:20
to get ready for the stacks of servers to go in --
285
680260
3000
als voorbereiding op de komst van de servertorens --
11:23
all so an algorithm
286
683260
2000
allemaal zodat een algoritme
11:25
could get close to the Internet.
287
685260
3000
dichtbij het internet komt te zitten.
11:28
And you think of the Internet as this kind of distributed system.
288
688260
3000
Je denkt aan het internet als een verspreid systeem.
11:31
And of course, it is, but it's distributed from places.
289
691260
3000
Dat is het ook, maar het wordt verspreid vanaf bepaalde plekken.
11:34
In New York, this is where it's distributed from:
290
694260
2000
In New York is dit de bron van de verspreiding:
11:36
the Carrier Hotel
291
696260
2000
het Carrier Hotel
11:38
located on Hudson Street.
292
698260
2000
gelegen in Hudson Street.
11:40
And this is really where the wires come right up into the city.
293
700260
3000
Dit is werkelijk waar de kabels de stad binnen komen.
11:43
And the reality is that the further away you are from that,
294
703260
4000
De realiteit is dat hoe verder je daar vandaan zit,
11:47
you're a few microseconds behind every time.
295
707260
2000
hoe meer microseconden je elke keer later bent.
11:49
These guys down on Wall Street,
296
709260
2000
Deze jongens in Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
711260
2000
Marco Polo en Cherokee Nation,
11:53
they're eight microseconds
298
713260
2000
zijn 8 microseconden later
11:55
behind all these guys
299
715260
2000
dan al die lui die in
11:57
going into the empty buildings being hollowed out
300
717260
4000
die lege gebouwen trekken, die uitgehold worden
12:01
up around the Carrier Hotel.
301
721260
2000
rondom het Carrier Hotel.
12:03
And that's going to keep happening.
302
723260
3000
Dat zal blijven gebeuren.
12:06
We're going to keep hollowing them out,
303
726260
2000
We gaan ze blijven uithollen,
12:08
because you, inch for inch
304
728260
3000
want centimeter voor centimeter
12:11
and pound for pound and dollar for dollar,
305
731260
3000
en pond voor pond en dollar voor dollar --
12:14
none of you could squeeze revenue out of that space
306
734260
3000
niemand van jullie zou omzet uit die ruimte kunnen persen
12:17
like the Boston Shuffler could.
307
737260
3000
zoals de Boston Shuffler dat kan.
12:20
But if you zoom out,
308
740260
2000
Maar als je uitzoomt,
12:22
if you zoom out,
309
742260
2000
als je uitzoomt,
12:24
you would see an 825-mile trench
310
744260
4000
zou je een 1300 km lange geul zien
12:28
between New York City and Chicago
311
748260
2000
tussen New York City en Chicago
12:30
that's been built over the last few years
312
750260
2000
die gegraven is in de afgelopen jaren
12:32
by a company called Spread Networks.
313
752260
3000
door een bedrijf genaamd Spread Networks.
12:35
This is a fiber optic cable
314
755260
2000
Dit is een glasvezelkabel
12:37
that was laid between those two cities
315
757260
2000
die gelegd werd tussen die twee steden,
12:39
to just be able to traffic one signal
316
759260
3000
enkel om één signaal te vervoeren,
12:42
37 times faster than you can click a mouse --
317
762260
3000
dat 37x sneller gaat dan jij met een muis kunt klikken --
12:45
just for these algorithms,
318
765260
3000
enkel voor deze algoritmes,
12:48
just for the Carnival and the Knife.
319
768260
3000
enkel voor het Carnaval en het Mes.
12:51
And when you think about this,
320
771260
2000
Als je bedenkt
12:53
that we're running through the United States
321
773260
2000
dat we door de Verenigde Staten trekken
12:55
with dynamite and rock saws
322
775260
3000
met dynamiet en steenzagen
12:58
so that an algorithm can close the deal
323
778260
2000
opdat een algoritme een zakenbeslissing
13:00
three microseconds faster,
324
780260
3000
3 microseconden sneller kan nemen,
13:03
all for a communications framework
325
783260
2000
binnen een communicatie-omgeving
13:05
that no human will ever know,
326
785260
4000
die geen mens ooit zal kennen,
13:09
that's a kind of manifest destiny;
327
789260
3000
is dat een soort manifeste lotsbestemming
13:12
and we'll always look for a new frontier.
328
792260
3000
die altijd zal uitzien naar een volgende grens.
13:15
Unfortunately, we have our work cut out for us.
329
795260
3000
Helaas, ons werk staat op ons lijf geschreven.
13:18
This is just theoretical.
330
798260
2000
Dit is slechts theoretisch.
13:20
This is some mathematicians at MIT.
331
800260
2000
Dit zijn enkele wiskundigen van MIT.
13:22
And the truth is I don't really understand
332
802260
2000
De waarheid is dat ik niet echt begrijp
13:24
a lot of what they're talking about.
333
804260
2000
waar ze het soms over hebben.
13:26
It involves light cones and quantum entanglement,
334
806260
3000
Dan gaat het over kegels en kwantumverstrengelingen,
13:29
and I don't really understand any of that.
335
809260
2000
en die dingen begrijp ik niet echt.
13:31
But I can read this map,
336
811260
2000
Maar ik kan deze kaart lezen.
13:33
and what this map says
337
813260
2000
Wat deze kaart zegt,
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
815260
3000
is dat, als je geld probeert te verdienen waar de rode stippen zijn,
13:38
that's where people are, where the cities are,
339
818260
2000
dat is waar de mensen zijn, waar de steden zijn,
13:40
you're going to have to put the servers where the blue dots are
340
820260
3000
dan zul je de servers moeten neerzetten op de blauwe stippen
13:43
to do that most effectively.
341
823260
2000
voor een maximale effectiviteit.
13:45
And the thing that you might have noticed about those blue dots
342
825260
3000
En wat je misschien is opgevallen aan die blauwe stippen
13:48
is that a lot of them are in the middle of the ocean.
343
828260
3000
is dat veel daarvan midden in de oceaan liggen.
13:51
So that's what we'll do: we'll build bubbles or something,
344
831260
3000
Dus dat gaan we doen, we bouwen luchtbellen of zoiets,
13:54
or platforms.
345
834260
2000
of platforms.
13:56
We'll actually part the water
346
836260
2000
We gaan het water scheiden
13:58
to pull money out of the air,
347
838260
2000
om geld uit de lucht te trekken,
14:00
because it's a bright future
348
840260
2000
want de toekomst lacht je toe
14:02
if you're an algorithm.
349
842260
2000
als je een algoritme bent.
14:04
(Laughter)
350
844260
2000
(Gelach)
14:06
And it's not the money that's so interesting actually.
351
846260
3000
Eigenlijk is het niet het geld dat zo interessant is.
14:09
It's what the money motivates,
352
849260
2000
Het is waartoe dat geld aanzet.
14:11
that we're actually terraforming
353
851260
2000
Dat we de aarde aan het
14:13
the Earth itself
354
853260
2000
omvormen zijn
14:15
with this kind of algorithmic efficiency.
355
855260
2000
met dit soort algoritmische efficiëntie.
14:17
And in that light,
356
857260
2000
In dat licht
14:19
you go back
357
859260
2000
ga je terug
14:21
and you look at Michael Najjar's photographs,
358
861260
2000
en je kijkt naar Michael Najjar's foto's,
14:23
and you realize that they're not metaphor, they're prophecy.
359
863260
3000
en je beseft dat ze geen beeldspraak zijn, maar voorspellingen.
14:26
They're prophecy
360
866260
2000
Ze voorspellen
14:28
for the kind of seismic, terrestrial effects
361
868260
4000
de soort seismische, aardse effecten
14:32
of the math that we're making.
362
872260
2000
van de wiskunde die we scheppen.
14:34
And the landscape was always made
363
874260
3000
Het landschap werd altijd bepaald
14:37
by this sort of weird, uneasy collaboration
364
877260
3000
door een soort vreemde, ongemakkelijke samenwerking
14:40
between nature and man.
365
880260
3000
tussen natuur en mens.
14:43
But now there's this third co-evolutionary force: algorithms --
366
883260
3000
Maar nu is er een derde co-evolutionaire kracht: algoritmes --
14:46
the Boston Shuffler, the Carnival.
367
886260
3000
de Boston Shuffler, het Carnaval.
14:49
And we will have to understand those as nature,
368
889260
3000
Die zullen we als natuur moeten gaan zien.
14:52
and in a way, they are.
369
892260
2000
Op een bepaalde manier zijn ze dat ook.
14:54
Thank you.
370
894260
2000
Dank je wel.
14:56
(Applause)
371
896260
20000
(Applaus)
Over deze website

Deze site laat u kennismaken met YouTube-video's die nuttig zijn om Engels te leren. U ziet Engelse lessen gegeven door topdocenten uit de hele wereld. Dubbelklik op de Engelse ondertitels op elke videopagina om de video af te spelen. De ondertitels scrollen synchroon met het afspelen van de video. Heeft u opmerkingen of verzoeken, neem dan contact met ons op via dit contactformulier.

https://forms.gle/WvT1wiN1qDtmnspy7