How algorithms shape our world | Kevin Slavin

484,482 views ・ 2011-07-21

TED


Proszę kliknąć dwukrotnie na poniższe angielskie napisy, aby odtworzyć film.

Tłumaczenie: Paulina Brańka Korekta: Anna Gaidzik
00:15
This is a photograph
0
15260
2000
To jest zdjęcie
00:17
by the artist Michael Najjar,
1
17260
2000
autorstwa Michaela Najjara
00:19
and it's real,
2
19260
2000
i jest prawdziwe
00:21
in the sense that he went there to Argentina
3
21260
2000
dlatego, że pojechał tam, do Argentyny
00:23
to take the photo.
4
23260
2000
żeby je zrobić.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
25260
3000
Jednak jest to również fikcja. Zaraz po sesji, w to zdjęcie został włożony duży nakład pracy.
00:28
And what he's done
6
28260
2000
On tak właściwie
00:30
is he's actually reshaped, digitally,
7
30260
2000
przekształcił, cyfrowo,
00:32
all of the contours of the mountains
8
32260
2000
wszystkie zarysy gór,
00:34
to follow the vicissitudes of the Dow Jones index.
9
34260
3000
by trzymać się zmiennych ze wskaźnika Dow Jonesa.
00:37
So what you see,
10
37260
2000
Tak więc to, co widzicie,
00:39
that precipice, that high precipice with the valley,
11
39260
2000
to urwisko, to kolosalne urwisko z doliną
00:41
is the 2008 financial crisis.
12
41260
2000
to kryzys finansowy 2008 roku.
00:43
The photo was made
13
43260
2000
Zdjęcie zrobiono,
00:45
when we were deep in the valley over there.
14
45260
2000
kiedy byliśmy głęboko tam, w tej dolinie.
00:47
I don't know where we are now.
15
47260
2000
Nie wiem, gdzie jesteśmy teraz.
00:49
This is the Hang Seng index
16
49260
2000
To jest indeks Hang Senga
00:51
for Hong Kong.
17
51260
2000
dla Hong Kongu.
00:53
And similar topography.
18
53260
2000
Topografia jest podobna.
00:55
I wonder why.
19
55260
2000
Zastanawiam się, dlaczego.
00:57
And this is art. This is metaphor.
20
57260
3000
I to jest sztuka. To jest metafora.
01:00
But I think the point is
21
60260
2000
Uważam jednak, że
01:02
that this is metaphor with teeth,
22
62260
2000
jest to metafora z pazurem.
01:04
and it's with those teeth that I want to propose today
23
64260
3000
W związku z tym chciałbym zaproponować dzisiaj
01:07
that we rethink a little bit
24
67260
2000
żebyśmy choć trochę przemyśleli
01:09
about the role of contemporary math --
25
69260
3000
rolę współczesnej matematyki -
01:12
not just financial math, but math in general.
26
72260
3000
nie tylko tej finansowej, ale matematyki w ogóle.
01:15
That its transition
27
75260
2000
To jest przejście
01:17
from being something that we extract and derive from the world
28
77260
3000
od bycia czymś, co wyciągamy i czerpiemy ze świata
01:20
to something that actually starts to shape it --
29
80260
3000
do czegoś, co tak właściwie go kształtuje -
01:23
the world around us and the world inside us.
30
83260
3000
ten świat wokół nas i ten wewnątrz nas.
01:26
And it's specifically algorithms,
31
86260
2000
I to właśnie algorytmy,
01:28
which are basically the math
32
88260
2000
które są w zasadzie matematyką,
01:30
that computers use to decide stuff.
33
90260
3000
używaną przez komputery do różnych rzeczy.
01:33
They acquire the sensibility of truth
34
93260
2000
Zdobywają możliwość wykrycia prawdy,
01:35
because they repeat over and over again,
35
95260
2000
bo powtarzają te czynności bezustannie.
01:37
and they ossify and calcify,
36
97260
3000
W końcu zastygają i wapnieją
01:40
and they become real.
37
100260
2000
i stają się prawdziwe.
01:42
And I was thinking about this, of all places,
38
102260
3000
Myślałem o tym akurat
01:45
on a transatlantic flight a couple of years ago,
39
105260
3000
parę lat temu podczas lotu przez Atlantyk,
01:48
because I happened to be seated
40
108260
2000
ponieważ miałem okazję wtedy siedzieć
01:50
next to a Hungarian physicist about my age
41
110260
2000
obok węgierskiego fizyka mniej więcej w moim wieku;
01:52
and we were talking
42
112260
2000
i rozmawialiśmy o tym,
01:54
about what life was like during the Cold War
43
114260
2000
jak podczas Zimnej Wojny wyglądało życie
01:56
for physicists in Hungary.
44
116260
2000
dla fizyków z Węgier.
01:58
And I said, "So what were you doing?"
45
118260
2000
No i spytałem: "Co wtedy robiłeś?"
02:00
And he said, "Well we were mostly breaking stealth."
46
120260
2000
A on odpowiedział: "Cóż, głównie łamaliśmy technikę stealth."
02:02
And I said, "That's a good job. That's interesting.
47
122260
2000
Odrzekłem: "To dobra praca. Interesująca.
02:04
How does that work?"
48
124260
2000
Jak to działa?"
02:06
And to understand that,
49
126260
2000
I żeby to zrozumieć,
02:08
you have to understand a little bit about how stealth works.
50
128260
3000
najpierw trzeba pojąć, jak działa ta technika.
02:11
And so -- this is an over-simplification --
51
131260
3000
Tak więc, to jest znaczne uproszczenie,
02:14
but basically, it's not like
52
134260
2000
ale generalnie: to nie jest tak,
02:16
you can just pass a radar signal
53
136260
2000
że sygnał radaru zostaje przepuszczony
02:18
right through 156 tons of steel in the sky.
54
138260
3000
przez 156 ton latającej stali.
02:21
It's not just going to disappear.
55
141260
3000
Nie może zniknąć od tak.
02:24
But if you can take this big, massive thing,
56
144260
3000
Ale jeśliby wziąć ten wielki, masywny obiekt
02:27
and you could turn it into
57
147260
3000
i zamienić go w
02:30
a million little things --
58
150260
2000
tysiące małych obiektów,
02:32
something like a flock of birds --
59
152260
2000
w coś na kształt stada ptaków,
02:34
well then the radar that's looking for that
60
154260
2000
to wtedy ten radar, szukający dużego obiektu
02:36
has to be able to see
61
156260
2000
musiałby posiadać zdolność wykrycia
02:38
every flock of birds in the sky.
62
158260
2000
każdego wędrującego stada ptaków.
02:40
And if you're a radar, that's a really bad job.
63
160260
4000
I jeśli jesteś radarem, to bardzo niefortunne zajęcie,.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
164260
3000
On na to: "Tak." Po czym dodał: "Ale tylko jeśli jesteś radarem.
02:47
So we didn't use a radar;
65
167260
2000
Tak więc nie użyliśmy radaru;
02:49
we built a black box that was looking for electrical signals,
66
169260
3000
skonstruowaliśmy czarną skrzynkę, która miała wyszukiwać sygnały elektryczne,
02:52
electronic communication.
67
172260
3000
elektroniczną komunikację.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
175260
3000
I za każdym razem, kiedy widzieliśmy stado ptaków, które posługiwało się taką komunikacją,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
178260
3000
myśleliśmy, że ma to coś wspólnego z Amerykanami."
03:01
And I said, "Yeah.
70
181260
2000
Odpowiedziałem: "Tak.
03:03
That's good.
71
183260
2000
To dobrze.
03:05
So you've effectively negated
72
185260
2000
Udało się wam skutecznie podważyć
03:07
60 years of aeronautic research.
73
187260
2000
60 lat spędzonych na badaniach aeronautycznych.
03:09
What's your act two?
74
189260
2000
A co dalej?
03:11
What do you do when you grow up?"
75
191260
2000
Co robisz teraz?"
03:13
And he said,
76
193260
2000
Odpowiedział:
03:15
"Well, financial services."
77
195260
2000
"Pracuję w usługach finansowych."
03:17
And I said, "Oh."
78
197260
2000
A ja na to: 'O!"
03:19
Because those had been in the news lately.
79
199260
3000
Ostatnio w mediach było o nich głośno.
03:22
And I said, "How does that work?"
80
202260
2000
Spytałem więc: "A jak to działa?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
204260
2000
Odpowiedział: "No więc, na Wall Street jest teraz 2000 fizyków,
03:26
and I'm one of them."
82
206260
2000
i ja jestem jednym z nich."
03:28
And I said, "What's the black box for Wall Street?"
83
208260
3000
Spytałem: "Po co czarna skrzynka na Wall Street?"
03:31
And he said, "It's funny you ask that,
84
211260
2000
A on odpowiedział: "Zabawne, że o to pytasz,
03:33
because it's actually called black box trading.
85
213260
3000
bo tak właściwie to się nazywa "handel czarnymi skrzynkami".
03:36
And it's also sometimes called algo trading,
86
216260
2000
Czasem mówi się na to "handel algo"
03:38
algorithmic trading."
87
218260
3000
lub "handel algorytmiczny".
03:41
And algorithmic trading evolved in part
88
221260
3000
Handel algorytmiczny rozwinął się tylko po części,
03:44
because institutional traders have the same problems
89
224260
3000
ponieważ inwestorzy instytucjonalni borykają się z tymi samymi problemami,
03:47
that the United States Air Force had,
90
227260
3000
z którymi kiedyś borykały się Siły Powietrze Stanów Zjednoczonych,
03:50
which is that they're moving these positions --
91
230260
3000
czyli - przesuwają one swoje pozycje,
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
233260
2000
bez znaczenia, czy dotyczy to przedsiębiorstwa P&G czy Accenture,
03:55
they're moving a million shares of something
93
235260
2000
wprowadzają oni tysiące części czegoś
03:57
through the market.
94
237260
2000
poprzez rynek.
03:59
And if they do that all at once,
95
239260
2000
I jeśli robią to wszystko naraz,
04:01
it's like playing poker and going all in right away.
96
241260
2000
to tak jakby już na samym początku gry w pokera szli na całość.
04:03
You just tip your hand.
97
243260
2000
Jakby dokładnie pokazywali, co zamierzają.
04:05
And so they have to find a way --
98
245260
2000
Tak więc muszą znaleźć jakiś sposób --
04:07
and they use algorithms to do this --
99
247260
2000
używają do tego algorytmów --
04:09
to break up that big thing
100
249260
2000
do tego, by tą jedną, wielką rzecz
04:11
into a million little transactions.
101
251260
2000
rozbić na tysiące małych transakcji.
04:13
And the magic and the horror of that
102
253260
2000
Przeraża i fascynuje jednak fakt, że
04:15
is that the same math
103
255260
2000
to ta sama matematyka, która
04:17
that you use to break up the big thing
104
257260
2000
może rozbić jedną wielką rzecz
04:19
into a million little things
105
259260
2000
na tysiące małych rzeczy,
04:21
can be used to find a million little things
106
261260
2000
może być wykorzystana do odnalezienia tych małych rzeczy
04:23
and sew them back together
107
263260
2000
i poskładania ich z powrotem
04:25
and figure out what's actually happening in the market.
108
265260
2000
w celu odkrycia tego, co tak właściwie dzieje się na rynku.
04:27
So if you need to have some image
109
267260
2000
Więc jeśliby zobrazować to,
04:29
of what's happening in the stock market right now,
110
269260
3000
co właśnie dzieje się na giełdzie papierów wartościowych,
04:32
what you can picture is a bunch of algorithms
111
272260
2000
to zobaczy się grupę algorytmów,
04:34
that are basically programmed to hide,
112
274260
3000
które tak właściwie zaprogramowano do tego, by się chowały
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
277260
3000
oraz grupę algorytmów zaprogramowanych do znalezienia tamtych i do podjęcia działań.
04:40
And all of that's great, and it's fine.
114
280260
3000
I wszystko jest fajne i super.
04:43
And that's 70 percent
115
283260
2000
To jest właśnie 70 procent
04:45
of the United States stock market,
116
285260
2000
giełdy Stanów Zjednoczonych,
04:47
70 percent of the operating system
117
287260
2000
70 procent system operacyjnego,
04:49
formerly known as your pension,
118
289260
3000
wcześniej znanego jako wasza renta,
04:52
your mortgage.
119
292260
3000
wasza emerytura.
04:55
And what could go wrong?
120
295260
2000
I co mogło pójść źle?
04:57
What could go wrong
121
297260
2000
A to, że
04:59
is that a year ago,
122
299260
2000
rok temu
05:01
nine percent of the entire market just disappears in five minutes,
123
301260
3000
dziewięć procent całego rynku po prostu zniknęło w ciągu pięciu minut,
05:04
and they called it the Flash Crash of 2:45.
124
304260
3000
i to pięć minut przeszło do historii jako flash crash 14.45.
05:07
All of a sudden, nine percent just goes away,
125
307260
3000
Ni stąd, ni zowąd, dziewięć procent po prostu sobie znika
05:10
and nobody to this day
126
310260
2000
i nikt po dziś dzień
05:12
can even agree on what happened
127
312260
2000
nie może ustalić, co się stało,
05:14
because nobody ordered it, nobody asked for it.
128
314260
3000
ponieważ nikt tego nie zlecił, nikt o to nie prosił.
05:17
Nobody had any control over what was actually happening.
129
317260
3000
Nikt nie miał kontroli nad tym, co się działo.
05:20
All they had
130
320260
2000
Jedyne, co było do dyspozycji
05:22
was just a monitor in front of them
131
322260
2000
to monitor,
05:24
that had the numbers on it
132
324260
2000
pełen cyfr
05:26
and just a red button
133
326260
2000
i do tego czerwony guzik
05:28
that said, "Stop."
134
328260
2000
z napisem "Stop".
05:30
And that's the thing,
135
330260
2000
I o to chodzi;
05:32
is that we're writing things,
136
332260
2000
piszemy różne rzeczy,
05:34
we're writing these things that we can no longer read.
137
334260
3000
rzeczy, których nie jesteśmy w stanie odczytać.
05:37
And we've rendered something
138
337260
2000
Stworzyliśmy coś
05:39
illegible,
139
339260
2000
niezrozumiałego.
05:41
and we've lost the sense
140
341260
3000
I straciliśmy poczucie,
05:44
of what's actually happening
141
344260
2000
co się dzieje
05:46
in this world that we've made.
142
346260
2000
w świecie, który sami stworzyliśmy.
05:48
And we're starting to make our way.
143
348260
2000
Ale zaczynamy odnosić sukces.
05:50
There's a company in Boston called Nanex,
144
350260
3000
W Bostonie jest taka firma, Nanex,
05:53
and they use math and magic
145
353260
2000
w której, przy użyciu matematyki i magii,
05:55
and I don't know what,
146
355260
2000
i nie wiem, czego jeszcze,
05:57
and they reach into all the market data
147
357260
2000
można dostać się do wszystkich danych rynkowych
05:59
and they find, actually sometimes, some of these algorithms.
148
359260
3000
i czasem nawet znaleźć część tych algorytmów.
06:02
And when they find them they pull them out
149
362260
3000
Po ich znalezieniu, są one wyciągane
06:05
and they pin them to the wall like butterflies.
150
365260
3000
i przypinane do ściany, zupełnie jak motyle.
06:08
And they do what we've always done
151
368260
2000
I robi się z nimi to, co my zawsze robiliśmy,
06:10
when confronted with huge amounts of data that we don't understand --
152
370260
3000
kiedy natykaliśmy się na ogromne ilości danych, których nie rozumieliśmy --
06:13
which is that they give them a name
153
373260
2000
czyli nadaje się im imiona
06:15
and a story.
154
375260
2000
i tworzy historię.
06:17
So this is one that they found,
155
377260
2000
Tak więc tego tutaj
06:19
they called the Knife,
156
379260
4000
nazwali "Nożem",
06:23
the Carnival,
157
383260
2000
"Maskaradą",
06:25
the Boston Shuffler,
158
385260
4000
"Żonglerem Bostońskim",
06:29
Twilight.
159
389260
2000
"Zmierzchem".
06:31
And the gag is
160
391260
2000
I najlepsze jest to, że
06:33
that, of course, these aren't just running through the market.
161
393260
3000
one od tak nie śmigają sobie po rynku.
06:36
You can find these kinds of things wherever you look,
162
396260
3000
Można je znaleźć wszędzie, gdzie się spojrzy,
06:39
once you learn how to look for them.
163
399260
2000
jeśli tylko wie się, w jaki sposób ich szukać.
06:41
You can find it here: this book about flies
164
401260
3000
Na przykład tutaj: w tej książce o muchach,
06:44
that you may have been looking at on Amazon.
165
404260
2000
którą mogliście przeglądać na Amazonie.
06:46
You may have noticed it
166
406260
2000
Może i zauważyliście,
06:48
when its price started at 1.7 million dollars.
167
408260
2000
że jej cena wynosiła około 1,7 miliona dolarów.
06:50
It's out of print -- still ...
168
410260
2000
Nakład się wyczerpał, jednak wciąż…
06:52
(Laughter)
169
412260
2000
(Śmiech)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
414260
3000
Jeśli kupilibyście ją, kiedy kosztowała 1,7, to byłby to niezły utarg.
06:57
A few hours later, it had gone up
171
417260
2000
Parę godzin później, jej cena wzrosła
06:59
to 23.6 million dollars,
172
419260
2000
do 23,6 milionów dolarów,
07:01
plus shipping and handling.
173
421260
2000
łącznie z dostawami.
07:03
And the question is:
174
423260
2000
I pytanie jest takie:
07:05
Nobody was buying or selling anything; what was happening?
175
425260
2000
Nikt niczego nie sprzedawał ani nie kupował; więc co się stało?
07:07
And you see this behavior on Amazon
176
427260
2000
Z takimi sytuacjami można się spotkać na Amazonie,
07:09
as surely as you see it on Wall Street.
177
429260
2000
jak i również na Wall Street.
07:11
And when you see this kind of behavior,
178
431260
2000
A kiedy spotykamy się z taką sytuacją,
07:13
what you see is the evidence
179
433260
2000
kiedy spotykamy się z dowodem
07:15
of algorithms in conflict,
180
435260
2000
na walkę algorytmów,
07:17
algorithms locked in loops with each other,
181
437260
2000
uwięzionych i splątanych ze sobą,
07:19
without any human oversight,
182
439260
2000
pozbawionych jakiegokolwiek nadzoru człowieka,
07:21
without any adult supervision
183
441260
3000
bez jakiejkolwiek kontroli dorosłych,
07:24
to say, "Actually, 1.7 million is plenty."
184
444260
3000
którzy mogliby stwierdzić: "Właściwie, 1.7 wystarczy".
07:27
(Laughter)
185
447260
3000
(Śmiech)
07:30
And as with Amazon, so it is with Netflix.
186
450260
3000
Podobnie jak z Amazonem, było i z Netflixem.
07:33
And so Netflix has gone through
187
453260
2000
Netflix przeczesał
07:35
several different algorithms over the years.
188
455260
2000
kilka różnych algorytmów w ciągu paru lat.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
457260
3000
Zaczęło się od Cinematch'u, potem przyszła kolej na resztę.
07:40
there's Dinosaur Planet; there's Gravity.
190
460260
2000
Jest przecież Dinosaur Planet i Gravity.
07:42
They're using Pragmatic Chaos now.
191
462260
2000
Teraz używają Pragmatic Chaos.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
464260
2000
Pragmatic Chaos, tak jak wszystkie algorytmy Netflixu,
07:46
trying to do the same thing.
193
466260
2000
stara się zrobić to samo.
07:48
It's trying to get a grasp on you,
194
468260
2000
Chce wami zawładnąć
07:50
on the firmware inside the human skull,
195
470260
2000
objąć panowanie nad oprogramowaniem sterującym człowiekiem,
07:52
so that it can recommend what movie
196
472260
2000
by w ten sposób polecić jaki film
07:54
you might want to watch next --
197
474260
2000
chcielibyście znów obejrzeć--
07:56
which is a very, very difficult problem.
198
476260
3000
co stanowi naprawdę, naprawdę poważny problem.
07:59
But the difficulty of the problem
199
479260
2000
Jednak powaga problemu
08:01
and the fact that we don't really quite have it down,
200
481260
3000
i fakt, że jeszcze go nie rozgryźliśmy,
08:04
it doesn't take away
201
484260
2000
nie może zmienić
08:06
from the effects Pragmatic Chaos has.
202
486260
2000
skutków, jakie Pragmatic Chaos powoduje.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
488260
3000
Pragmatic Chaos, tak jak wszystkie algorytmy Netflixu
08:11
determines, in the end,
204
491260
2000
w końcu określa
08:13
60 percent
205
493260
2000
60 procent
08:15
of what movies end up being rented.
206
495260
2000
filmów, które mają zostać wypożyczone.
08:17
So one piece of code
207
497260
2000
Tak więc jedna część kodu
08:19
with one idea about you
208
499260
3000
połączona z jedną informacją na temat was,
08:22
is responsible for 60 percent of those movies.
209
502260
3000
jest odpowiedzialna za 60 procent tych filmów.
08:25
But what if you could rate those movies
210
505260
2000
Jednak co by było, gdyby można było ocenić te filmy,
08:27
before they get made?
211
507260
2000
przed ich realizacją?
08:29
Wouldn't that be handy?
212
509260
2000
Nie byłoby to na rękę?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
511260
3000
Cóż, kilka naukowców z Wielkiej Brytanii, którzy są teraz w Hollywood
08:34
and they have "story algorithms" --
214
514260
2000
ma swoje bajkowe algorytmy -
08:36
a company called Epagogix.
215
516260
2000
firmę nazwaną Epagogix.
08:38
And you can run your script through there,
216
518260
3000
Można tam posłać skrypt filmu,
08:41
and they can tell you, quantifiably,
217
521260
2000
i dowiedzieć się, czy
08:43
that that's a 30 million dollar movie
218
523260
2000
czy będzie to film wart 30 milionów dolarów
08:45
or a 200 million dollar movie.
219
525260
2000
czy 200 milionów.
08:47
And the thing is, is that this isn't Google.
220
527260
2000
A chodzi o to, że to nie Google.
08:49
This isn't information.
221
529260
2000
To nie informacje.
08:51
These aren't financial stats; this is culture.
222
531260
2000
Nie są to też statystyki finansowe; to jest kultura.
08:53
And what you see here,
223
533260
2000
Tym, co można tu zauważyć,
08:55
or what you don't really see normally,
224
535260
2000
albo to, czego normalnie nie można,
08:57
is that these are the physics of culture.
225
537260
4000
to fakt że jest to fizyka kultury.
09:01
And if these algorithms,
226
541260
2000
A jeśli te algorytmy,
09:03
like the algorithms on Wall Street,
227
543260
2000
tak jak algorytmy na Wall Street
09:05
just crashed one day and went awry,
228
545260
3000
pewnego dnia po prostu zderzą się ze sobą i oszaleją,
09:08
how would we know?
229
548260
2000
skąd będziemy wiedzieć,
09:10
What would it look like?
230
550260
2000
jak to będzie wyglądało?
09:12
And they're in your house. They're in your house.
231
552260
3000
A one są w waszych domach. Są w waszych domach.
09:15
These are two algorithms competing for your living room.
232
555260
2000
To są dwa algorytmy, które biją się o miejsce w waszych salonach.
09:17
These are two different cleaning robots
233
557260
2000
To są dwa różne roboty sprzątające,
09:19
that have very different ideas about what clean means.
234
559260
3000
które mają zupełnie odmienne pojęcia czystości.
09:22
And you can see it
235
562260
2000
Można to zaobserwować,
09:24
if you slow it down and attach lights to them,
236
564260
3000
jeśli się je zwolni i przyczepi się do nich światło.
09:27
and they're sort of like secret architects in your bedroom.
237
567260
3000
Są czymś w rodzaju ukrytych architektów w waszych sypialniach.
09:30
And the idea that architecture itself
238
570260
3000
A pomysł, że sama architektura
09:33
is somehow subject to algorithmic optimization
239
573260
2000
w jakimś stopniu podlega algorytmicznej optymalizacji
09:35
is not far-fetched.
240
575260
2000
nie jest naciągany.
09:37
It's super-real and it's happening around you.
241
577260
3000
Jest bardzo realny i do tego jest wokół was.
09:40
You feel it most
242
580260
2000
Czujecie to najmocniej,
09:42
when you're in a sealed metal box,
243
582260
2000
kiedy znajdujecie się w zapieczętowanym metalowym pudle,
09:44
a new-style elevator;
244
584260
2000
czyli w nowoczesnej windzie,
09:46
they're called destination-control elevators.
245
586260
2000
którą nazywa się windami docelowymi.
09:48
These are the ones where you have to press what floor you're going to go to
246
588260
3000
To taki typ windy, w którym trzeba wybrać piętro, na które się wybiera
09:51
before you get in the elevator.
247
591260
2000
jeszcze zanim wsiądzie się do windy.
09:53
And it uses what's called a bin-packing algorithm.
248
593260
2000
System używa algorytmu pakowania.
09:55
So none of this mishegas
249
595260
2000
Tak więc nie ma wariactw
09:57
of letting everybody go into whatever car they want.
250
597260
2000
z wchodzeniem pasażerów do jakiejkolwiek windy by chcieli.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
599260
2000
Wszyscy, którzy chcą dojechać na 10. piętro korzystają z windy nr 2,
10:01
and everybody who wants to go to the third floor goes into car five.
252
601260
3000
a wszyscy, którzy chcą się dostać na piętro 3. jadą windą nr 5.
10:04
And the problem with that
253
604260
2000
Problem w tym,
10:06
is that people freak out.
254
606260
2000
że ludzie wariują.
10:08
People panic.
255
608260
2000
Ludzie panikują.
10:10
And you see why. You see why.
256
610260
2000
I widzicie dlaczego. Widzicie dlaczego.
10:12
It's because the elevator
257
612260
2000
To dlatego, że w windzie
10:14
is missing some important instrumentation, like the buttons.
258
614260
3000
brakuje pewnych ważnych instrumentów, na przykład przycisków.
10:17
(Laughter)
259
617260
2000
(Śmiech)
10:19
Like the things that people use.
260
619260
2000
Czyli rzeczy, których ludzie używają.
10:21
All it has
261
621260
2000
Jest tu jedynie
10:23
is just the number that moves up or down
262
623260
3000
liczba, która przesuwa się w górę lub w dół
10:26
and that red button that says, "Stop."
263
626260
3000
i czerwony guzik z napisem “Stop”.
10:29
And this is what we're designing for.
264
629260
3000
My projektujemy właśnie w tym celu.
10:32
We're designing
265
632260
2000
Projektujemy
10:34
for this machine dialect.
266
634260
2000
zgodnie z językiem maszyny.
10:36
And how far can you take that? How far can you take it?
267
636260
3000
I jak daleko można z tym dojść? Jak daleko?
10:39
You can take it really, really far.
268
639260
2000
Można dojść bardzo, bardzo daleko.
10:41
So let me take it back to Wall Street.
269
641260
3000
Wróćmy więc na Wall Street.
10:45
Because the algorithms of Wall Street
270
645260
2000
Z tego względu, że algorytmy na Wall Street
10:47
are dependent on one quality above all else,
271
647260
3000
podlegają przede wszystkim jednej właściwości -
10:50
which is speed.
272
650260
2000
czyli szybkości.
10:52
And they operate on milliseconds and microseconds.
273
652260
3000
Działają w ciągu milisekund i mikrosekund.
10:55
And just to give you a sense of what microseconds are,
274
655260
2000
A żeby przybliżyć pojęcie mikrosekundy,
10:57
it takes you 500,000 microseconds
275
657260
2000
500 tysięcy mikrosekund
10:59
just to click a mouse.
276
659260
2000
równa się jednemu kliknięciu myszą.
11:01
But if you're a Wall Street algorithm
277
661260
2000
Jednak jeśli jest się algorytmem na Wall Street
11:03
and you're five microseconds behind,
278
663260
2000
który jest pięć mikrosekund w tyle,
11:05
you're a loser.
279
665260
2000
to znaczy, że jest się przegranym.
11:07
So if you were an algorithm,
280
667260
2000
Więc jeśli bylibyście algorytmem,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
669260
3000
to szukalibyście takiego architekta, jakiego miałem okazję spotkać we Frankfurcie,
11:12
who was hollowing out a skyscraper --
282
672260
2000
który opróżniał cały wieżowiec ---
11:14
throwing out all the furniture, all the infrastructure for human use,
283
674260
3000
wyrzucał wszystkie meble, całe zaplecze rzeczy używanych przez człowieka
11:17
and just running steel on the floors
284
677260
3000
i, biegając szalenie po piętrach,
11:20
to get ready for the stacks of servers to go in --
285
680260
3000
przygotowywał masę serwerów do wejścia -
11:23
all so an algorithm
286
683260
2000
a wszystko po to, żeby algorytm
11:25
could get close to the Internet.
287
685260
3000
mógł zbliżyć się do internetu.
11:28
And you think of the Internet as this kind of distributed system.
288
688260
3000
Mówi się, że internet jest czymś w rodzaju podzielonego systemu.
11:31
And of course, it is, but it's distributed from places.
289
691260
3000
I oczywiście jest on podzielony, ale w różnych miejscach.
11:34
In New York, this is where it's distributed from:
290
694260
2000
W Nowym Jorku pochodzi on
11:36
the Carrier Hotel
291
696260
2000
z kolokacji serwerów,
11:38
located on Hudson Street.
292
698260
2000
położonej na Hudson Street.
11:40
And this is really where the wires come right up into the city.
293
700260
3000
I to właśnie stamtąd wszystkie kable łączą się z miastem.
11:43
And the reality is that the further away you are from that,
294
703260
4000
W rzeczywistości, im dalej jest się od tego miejsca,
11:47
you're a few microseconds behind every time.
295
707260
2000
tym mniej mikrosekund jest się w tyle za każdym razem.
11:49
These guys down on Wall Street,
296
709260
2000
Ci z Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
711260
2000
Marco Polo i Cherokee Nation,
11:53
they're eight microseconds
298
713260
2000
są osiem mikrosekund
11:55
behind all these guys
299
715260
2000
w tyle za tymi,
11:57
going into the empty buildings being hollowed out
300
717260
4000
którzy znajdują się w pustych, opróżnianych budynkach
12:01
up around the Carrier Hotel.
301
721260
2000
wokół kolokacji serwerów.
12:03
And that's going to keep happening.
302
723260
3000
I tak będzie w kółko.
12:06
We're going to keep hollowing them out,
303
726260
2000
Nieustannie będziemy je opróżniać,
12:08
because you, inch for inch
304
728260
3000
dlatego że nikt z was, cal za calem,
12:11
and pound for pound and dollar for dollar,
305
731260
3000
funt za funtem, dolar za dolarem,
12:14
none of you could squeeze revenue out of that space
306
734260
3000
nikt z was nie mógłby zgarnąć zysków z tej przestrzeni
12:17
like the Boston Shuffler could.
307
737260
3000
tak jak mógł to zrobić "Żongler Bostoński".
12:20
But if you zoom out,
308
740260
2000
Ale jeśli oddalimy obraz,
12:22
if you zoom out,
309
742260
2000
jeśli go oddalimy,
12:24
you would see an 825-mile trench
310
744260
4000
to zobaczymy okop o długości 825. mil
12:28
between New York City and Chicago
311
748260
2000
pomiędzy Nowym Jorkiem i Chicago,
12:30
that's been built over the last few years
312
750260
2000
który został wzniesiony podczas ostatnich lat
12:32
by a company called Spread Networks.
313
752260
3000
przez firmę Spread Networks.
12:35
This is a fiber optic cable
314
755260
2000
To jest światłowód,
12:37
that was laid between those two cities
315
757260
2000
który przeciągnięto pomiędzy tymi dwoma miastami,
12:39
to just be able to traffic one signal
316
759260
3000
by móc zmieniać światła drogowe
12:42
37 times faster than you can click a mouse --
317
762260
3000
37 razy szybciej niż raz kliknąć myszą --
12:45
just for these algorithms,
318
765260
3000
tylko dla tych algorytmów,
12:48
just for the Carnival and the Knife.
319
768260
3000
tylko dla "Karnawału" i dla “Noża”.
12:51
And when you think about this,
320
771260
2000
I jeśliby tak o tym pomyśleć,
12:53
that we're running through the United States
321
773260
2000
o tym, że biegamy po Stanach Zjednoczonych
12:55
with dynamite and rock saws
322
775260
3000
z dynamitem i piłami mechanicznymi,
12:58
so that an algorithm can close the deal
323
778260
2000
żeby algorytm mógł skończyć sprawę
13:00
three microseconds faster,
324
780260
3000
trzy mikrosekundy wcześniej,
13:03
all for a communications framework
325
783260
2000
dla zarysowania kształtu komunikacji
13:05
that no human will ever know,
326
785260
4000
którego żaden człowiek nigdy nie pozna,
13:09
that's a kind of manifest destiny;
327
789260
3000
to rodzaj ewidentnego przeznaczenia,
13:12
and we'll always look for a new frontier.
328
792260
3000
który ciągle będzie szukał nowej granicy.
13:15
Unfortunately, we have our work cut out for us.
329
795260
3000
Niestety, jesteśmy wprost stworzeni do naszej pracy.
13:18
This is just theoretical.
330
798260
2000
To tylko teoria.
13:20
This is some mathematicians at MIT.
331
800260
2000
To jacyś tam matematycy z MIT.
13:22
And the truth is I don't really understand
332
802260
2000
A prawda jest taka, że nie rozumiem
13:24
a lot of what they're talking about.
333
804260
2000
większości, o której ci panowie mówią.
13:26
It involves light cones and quantum entanglement,
334
806260
3000
To się łączy ze stożkami czasoprzestrzennymi i ze stanem splątanym,
13:29
and I don't really understand any of that.
335
809260
2000
a ja naprawdę nic z tego nie rozumiem.
13:31
But I can read this map,
336
811260
2000
Ale tę mapę potrafię odczytać.
13:33
and what this map says
337
813260
2000
Ta mapa mówi, że
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
815260
3000
jeśli ktoś próbuje zarobić pieniądze na rynkach oznaczonych czerwonym punktem,
13:38
that's where people are, where the cities are,
339
818260
2000
czyli tam gdzie są ludzie i miasta,
13:40
you're going to have to put the servers where the blue dots are
340
820260
3000
to musi postawić serwery w miejscach oznaczonych kropką niebieską,
13:43
to do that most effectively.
341
823260
2000
żeby efekt był jak najlepszy.
13:45
And the thing that you might have noticed about those blue dots
342
825260
3000
A jeśli chodzi o te niebieskie kropki, to może i dostrzegliście, że
13:48
is that a lot of them are in the middle of the ocean.
343
828260
3000
wiele z nich znajduje się pośrodku oceanu.
13:51
So that's what we'll do: we'll build bubbles or something,
344
831260
3000
No więc to jest to, co zrobimy - zbudujemy bańki czy coś,
13:54
or platforms.
345
834260
2000
a może platformy.
13:56
We'll actually part the water
346
836260
2000
Podzielimy wodę,
13:58
to pull money out of the air,
347
838260
2000
żeby z powietrza wyciagnąć pieniądze
14:00
because it's a bright future
348
840260
2000
bo to świetlana przyszłość,
14:02
if you're an algorithm.
349
842260
2000
jeśli tylko jesteś algorytmem.
14:04
(Laughter)
350
844260
2000
(Śmiech)
14:06
And it's not the money that's so interesting actually.
351
846260
3000
I tak właściwie, to nie pieniądze są intrygujące.
14:09
It's what the money motivates,
352
849260
2000
Intrygujące jest to, co one pobudzają.
14:11
that we're actually terraforming
353
851260
2000
To, że my właściwie tworzymy kolonię
14:13
the Earth itself
354
853260
2000
na samej Ziemi
14:15
with this kind of algorithmic efficiency.
355
855260
2000
przy pomocy algorytmicznej wydajności.
14:17
And in that light,
356
857260
2000
Z tą myślą
14:19
you go back
357
859260
2000
można się cofnąć
14:21
and you look at Michael Najjar's photographs,
358
861260
2000
do fotografii Michaela Najjara
14:23
and you realize that they're not metaphor, they're prophecy.
359
863260
3000
po to, żeby zdać sobie sprawę, że nie one są metaforą, tylko zapowiedzią.
14:26
They're prophecy
360
866260
2000
Są zapowiedzią
14:28
for the kind of seismic, terrestrial effects
361
868260
4000
pewnych sejsmicznych, lądowych efektów
14:32
of the math that we're making.
362
872260
2000
matematyki, którą tworzymy.
14:34
And the landscape was always made
363
874260
3000
Krajobraz zawsze składał się
14:37
by this sort of weird, uneasy collaboration
364
877260
3000
z takiej dziwnej, niestabilnej współpracy
14:40
between nature and man.
365
880260
3000
pomiędzy naturą a człowiekiem.
14:43
But now there's this third co-evolutionary force: algorithms --
366
883260
3000
Jednak teraz jest ta trzecia siła współzależnej koewolucji: algorytmy -
14:46
the Boston Shuffler, the Carnival.
367
886260
3000
"Żongler Bostoński", "Maskarada".
14:49
And we will have to understand those as nature,
368
889260
3000
A my będziemy musieli pojąć je jako naturę.
14:52
and in a way, they are.
369
892260
2000
W swojej osobliwej postaci.
14:54
Thank you.
370
894260
2000
Dziękuję.
14:56
(Applause)
371
896260
20000
(Aplauz)
O tej stronie

Na tej stronie poznasz filmy z YouTube, które są przydatne do nauki języka angielskiego. Zobaczysz lekcje angielskiego prowadzone przez najlepszych nauczycieli z całego świata. Kliknij dwukrotnie na angielskie napisy wyświetlane na stronie każdego filmu, aby odtworzyć film od tego miejsca. Napisy przewijają się synchronicznie z odtwarzaniem filmu. Jeśli masz jakieś uwagi lub prośby, skontaktuj się z nami za pomocą formularza kontaktowego.

https://forms.gle/WvT1wiN1qDtmnspy7