How algorithms shape our world | Kevin Slavin

Kevin Slavin: Como algoritmos moldam nosso mundo

484,251 views ・ 2011-07-21

TED


Por favor, clique duas vezes nas legendas em inglês abaixo para reproduzir o vídeo.

Tradutor: Nadja Nathan Revisor: Isabel Villan
00:15
This is a photograph
0
15260
2000
Esta é uma fotografia
00:17
by the artist Michael Najjar,
1
17260
2000
do artista Michael Najjar,
00:19
and it's real,
2
19260
2000
e é real,
00:21
in the sense that he went there to Argentina
3
21260
2000
no sentido de que ele foi à Argentina
00:23
to take the photo.
4
23260
2000
para tirar esta foto.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
25260
3000
Mas isso também é ficção. Muito foi feito nesta foto depois disso.
00:28
And what he's done
6
28260
2000
E o que ele fez
00:30
is he's actually reshaped, digitally,
7
30260
2000
foi realmente reformar, digitalmente,
00:32
all of the contours of the mountains
8
32260
2000
todos os contornos das montanhas
00:34
to follow the vicissitudes of the Dow Jones index.
9
34260
3000
para acompanhar as vicissitudes do índice Dow Jones.
00:37
So what you see,
10
37260
2000
Então o que vemos,
00:39
that precipice, that high precipice with the valley,
11
39260
2000
aquele precipício, aquele profundo precipício e o vale,
00:41
is the 2008 financial crisis.
12
41260
2000
é a crise financeira de 2008.
00:43
The photo was made
13
43260
2000
A foto foi feita
00:45
when we were deep in the valley over there.
14
45260
2000
quando estávamos no fundo do vale, ali.
00:47
I don't know where we are now.
15
47260
2000
Não sei onde estamos atualmente.
00:49
This is the Hang Seng index
16
49260
2000
Este é o índice Hang Seng
00:51
for Hong Kong.
17
51260
2000
de Hong Kong.
00:53
And similar topography.
18
53260
2000
E semelhante topografia.
00:55
I wonder why.
19
55260
2000
Eu me pergunto por quê.
00:57
And this is art. This is metaphor.
20
57260
3000
E isto é arte. Isto é metáfora.
01:00
But I think the point is
21
60260
2000
Mas eu acho que o detalhe é
01:02
that this is metaphor with teeth,
22
62260
2000
que esta é uma metáfora convincente.
01:04
and it's with those teeth that I want to propose today
23
64260
3000
E é com esta convicção que quero propor hoje
01:07
that we rethink a little bit
24
67260
2000
que repensemos um pouco
01:09
about the role of contemporary math --
25
69260
3000
na função da matemática contemporânea –
01:12
not just financial math, but math in general.
26
72260
3000
não somente matemática financeira, mas matemática em geral.
01:15
That its transition
27
75260
2000
Que a sua transição
01:17
from being something that we extract and derive from the world
28
77260
3000
de ser algo que extraímos e derivamos do mundo
01:20
to something that actually starts to shape it --
29
80260
3000
para algo que realmente começa a dar forma a ele –
01:23
the world around us and the world inside us.
30
83260
3000
o mundo à nossa volta e nosso mundo interno.
01:26
And it's specifically algorithms,
31
86260
2000
E são especificamente os algoritmos,
01:28
which are basically the math
32
88260
2000
que são, fundamentalmente, a matemática
01:30
that computers use to decide stuff.
33
90260
3000
que computadores usam para decidir coisas.
01:33
They acquire the sensibility of truth
34
93260
2000
Eles adquirem a sensibilidade da verdade,
01:35
because they repeat over and over again,
35
95260
2000
porque se repetem muitas vezes.
01:37
and they ossify and calcify,
36
97260
3000
E eles se ossificam e se calcificam,
01:40
and they become real.
37
100260
2000
e tornam-se reais.
01:42
And I was thinking about this, of all places,
38
102260
3000
E eu pensei sobre isso, por incrível que pareça,
01:45
on a transatlantic flight a couple of years ago,
39
105260
3000
em um vôo transatlântico uns anos atrás,
01:48
because I happened to be seated
40
108260
2000
porque eu, por acaso, estava sentado
01:50
next to a Hungarian physicist about my age
41
110260
2000
ao lado de um físico húngaro da minha idade
01:52
and we were talking
42
112260
2000
e estávamos conversando
01:54
about what life was like during the Cold War
43
114260
2000
sobre como era a vida na época da Guerra Fria
01:56
for physicists in Hungary.
44
116260
2000
para os físicos na Hungria.
01:58
And I said, "So what were you doing?"
45
118260
2000
E eu disse: “Então, o que você fazia?”
02:00
And he said, "Well we were mostly breaking stealth."
46
120260
2000
Ele disse: “Bem, normalmente nós quebrávamos sigilo.”
02:02
And I said, "That's a good job. That's interesting.
47
122260
2000
Eu disse: “Um bom emprego. É interessante.
02:04
How does that work?"
48
124260
2000
Como isso funciona?”
02:06
And to understand that,
49
126260
2000
E para compreendermos isso,
02:08
you have to understand a little bit about how stealth works.
50
128260
3000
precisamos compreender um pouco como o sigilo funciona.
02:11
And so -- this is an over-simplification --
51
131260
3000
E, então – isto é uma simplificação excessiva –
02:14
but basically, it's not like
52
134260
2000
basicamente, não é como
02:16
you can just pass a radar signal
53
136260
2000
se você pudesse passar um sinal de radar
02:18
right through 156 tons of steel in the sky.
54
138260
3000
através de 156 toneladas de aço no céu.
02:21
It's not just going to disappear.
55
141260
3000
Não vai simplesmente desaparecer.
02:24
But if you can take this big, massive thing,
56
144260
3000
Mas se você pode pegar esta coisa grande, enorme,
02:27
and you could turn it into
57
147260
3000
e a converter em
02:30
a million little things --
58
150260
2000
um milhão de coisinhas –
02:32
something like a flock of birds --
59
152260
2000
algo como um bando de pássaros –
02:34
well then the radar that's looking for that
60
154260
2000
bem, aí o radar que está à procura daquilo
02:36
has to be able to see
61
156260
2000
tem que ter capacidade de ver
02:38
every flock of birds in the sky.
62
158260
2000
todos os bandos de pássaros no céu.
02:40
And if you're a radar, that's a really bad job.
63
160260
4000
E se você é um radar, realmente este é um emprego ruim.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
164260
3000
Ele disse: “Sim.” Disse: ‘Mas isto se você for um radar.
02:47
So we didn't use a radar;
65
167260
2000
Nós não usávamos um radar;
02:49
we built a black box that was looking for electrical signals,
66
169260
3000
nós construímos uma caixa-preta que procurava por sinais elétricos,
02:52
electronic communication.
67
172260
3000
comunicação eletrônica.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
175260
3000
E toda vez que víamos um bando de pássaros com comunicação eletrônica,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
178260
3000
pensávamos que provavelmente tinha algo a haver com os americanos.”
03:01
And I said, "Yeah.
70
181260
2000
Eu disse: “Sim.
03:03
That's good.
71
183260
2000
É bom.
03:05
So you've effectively negated
72
185260
2000
Então, efetivamente, negaram-lhe
03:07
60 years of aeronautic research.
73
187260
2000
60 anos de pesquisa aeronáutica.
03:09
What's your act two?
74
189260
2000
Qual é o seu segundo ato?
03:11
What do you do when you grow up?"
75
191260
2000
O que você faz quando você cresce?”
03:13
And he said,
76
193260
2000
Ele disse,
03:15
"Well, financial services."
77
195260
2000
“Bem, serviços de finanças.”
03:17
And I said, "Oh."
78
197260
2000
Eu disse: “Ah.”
03:19
Because those had been in the news lately.
79
199260
3000
Porque esses tinham sido notícia recentemente.
03:22
And I said, "How does that work?"
80
202260
2000
Eu disse: “Como isto funciona?
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
204260
2000
Ele disse: “Bem, atualmente há 2.000 físicos em Wall Street,
03:26
and I'm one of them."
82
206260
2000
e eu sou um deles.”
03:28
And I said, "What's the black box for Wall Street?"
83
208260
3000
Eu disse: “O que é a caixa preta para Wall Street?”
03:31
And he said, "It's funny you ask that,
84
211260
2000
Ele disse, “É engraçado você me fazer esta pergunta,
03:33
because it's actually called black box trading.
85
213260
3000
porque ela, na verdade, se chama caixa preta das negociações
03:36
And it's also sometimes called algo trading,
86
216260
2000
E é também, às vezes, chamada de negociações algo,
03:38
algorithmic trading."
87
218260
3000
negociações algorítmicas.”
03:41
And algorithmic trading evolved in part
88
221260
3000
E as negociações algorítmicas evoluíram em parte
03:44
because institutional traders have the same problems
89
224260
3000
porque os negociadores institucionais têm os mesmos problemas
03:47
that the United States Air Force had,
90
227260
3000
que a Força Aérea dos EUA teve,
03:50
which is that they're moving these positions --
91
230260
3000
que é o fato de estarem movimentando essas posições –
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
233260
2000
seja a Proctor & Gamble ou a Accenture –
03:55
they're moving a million shares of something
93
235260
2000
estão movimentando um milhão de ações de algo
03:57
through the market.
94
237260
2000
através do mercado.
03:59
And if they do that all at once,
95
239260
2000
E se eles fazem isto tudo ao mesmo tempo,
04:01
it's like playing poker and going all in right away.
96
241260
2000
é como jogar pôquer e apostar tudo de uma vez só.
04:03
You just tip your hand.
97
243260
2000
Você apenas mostra sua mão.
04:05
And so they have to find a way --
98
245260
2000
E então eles têm que encontrar uma forma –
04:07
and they use algorithms to do this --
99
247260
2000
e o que fazem é usar algoritmos –
04:09
to break up that big thing
100
249260
2000
para partir aquela coisa grande
04:11
into a million little transactions.
101
251260
2000
em um milhão de pequenas transações.
04:13
And the magic and the horror of that
102
253260
2000
E a mágica e o horror disso
04:15
is that the same math
103
255260
2000
é que a mesma matemática
04:17
that you use to break up the big thing
104
257260
2000
que se usa para partir a coisa grande
04:19
into a million little things
105
259260
2000
em milhões de coisinhas
04:21
can be used to find a million little things
106
261260
2000
pode ser usada para encontrar um milhão de coisinhas
04:23
and sew them back together
107
263260
2000
e as emendar, todas juntas novamente
04:25
and figure out what's actually happening in the market.
108
265260
2000
e entender o que realmente está acontecendo no mercado.
04:27
So if you need to have some image
109
267260
2000
Então, se você precisa de uma imagem
04:29
of what's happening in the stock market right now,
110
269260
3000
do que está acontecendo no mercado de ações neste momento,
04:32
what you can picture is a bunch of algorithms
111
272260
2000
o que você pode visualizar é um monte de algoritmos
04:34
that are basically programmed to hide,
112
274260
3000
que basicamente são programados para esconder,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
277260
3000
e um monte de algoritmos que são programados para ir, achar e agir.
04:40
And all of that's great, and it's fine.
114
280260
3000
E tudo isto é ótimo e está tudo bem.
04:43
And that's 70 percent
115
283260
2000
E isso é 70 por cento
04:45
of the United States stock market,
116
285260
2000
do mercado de ações dos Estados Unidos,
04:47
70 percent of the operating system
117
287260
2000
70 por cento do sistema operacional
04:49
formerly known as your pension,
118
289260
3000
antigamente conhecido como sua pensão,
04:52
your mortgage.
119
292260
3000
sua hipoteca.
04:55
And what could go wrong?
120
295260
2000
E o que poderia dar errado?
04:57
What could go wrong
121
297260
2000
O que poderia dar errado
04:59
is that a year ago,
122
299260
2000
é que um ano atrás,
05:01
nine percent of the entire market just disappears in five minutes,
123
301260
3000
9 por cento do mercado inteiro simplesmente desapareceu por 5 minutos,
05:04
and they called it the Flash Crash of 2:45.
124
304260
3000
chamaram isto de 'flash crash' (quebra relâmpago) das 2:45.
05:07
All of a sudden, nine percent just goes away,
125
307260
3000
De repente, 9 por cento simplesmente desaparecem,
05:10
and nobody to this day
126
310260
2000
e ninguém até hoje
05:12
can even agree on what happened
127
312260
2000
pode concordar sobre o que aconteceu,
05:14
because nobody ordered it, nobody asked for it.
128
314260
3000
porque ninguém encomendou, pediu isto.
05:17
Nobody had any control over what was actually happening.
129
317260
3000
Ninguém tinha nenhum controle sobre o que realmente estava acontecendo.
05:20
All they had
130
320260
2000
Tudo que tinham
05:22
was just a monitor in front of them
131
322260
2000
era um monitor à frente deles
05:24
that had the numbers on it
132
324260
2000
com números
05:26
and just a red button
133
326260
2000
e somente um botão vermelho
05:28
that said, "Stop."
134
328260
2000
que dizia, “Pare”.
05:30
And that's the thing,
135
330260
2000
E é isso,
05:32
is that we're writing things,
136
332260
2000
nós estamos escrevendo coisas,
05:34
we're writing these things that we can no longer read.
137
334260
3000
estamos escrevendo estas coisas que não mais podemos ler.
05:37
And we've rendered something
138
337260
2000
E apresentamos algo
05:39
illegible,
139
339260
2000
ilegível
05:41
and we've lost the sense
140
341260
3000
E perdemos a noção
05:44
of what's actually happening
141
344260
2000
do que realmente está acontecendo
05:46
in this world that we've made.
142
346260
2000
nesse mundo que criamos
05:48
And we're starting to make our way.
143
348260
2000
E estamos começando a avançar.
05:50
There's a company in Boston called Nanex,
144
350260
3000
Há uma empresa em Boston, a Nanex,
05:53
and they use math and magic
145
353260
2000
onde usam matemática e mágica
05:55
and I don't know what,
146
355260
2000
e sei lá o que,
05:57
and they reach into all the market data
147
357260
2000
e eles entram em todos os dados de mercado
05:59
and they find, actually sometimes, some of these algorithms.
148
359260
3000
e, às vezes, encontram alguns desses algoritmos.
06:02
And when they find them they pull them out
149
362260
3000
E quando os encontram eles os levantam
06:05
and they pin them to the wall like butterflies.
150
365260
3000
e os prendem na parede como borboletas.
06:08
And they do what we've always done
151
368260
2000
E eles fazem o que sempre fizeram
06:10
when confronted with huge amounts of data that we don't understand --
152
370260
3000
quando confrontados com enormes quantidades de dados que não entendemos –
06:13
which is that they give them a name
153
373260
2000
eles lhes dão um nome
06:15
and a story.
154
375260
2000
e uma história.
06:17
So this is one that they found,
155
377260
2000
Então, este é um que encontraram,
06:19
they called the Knife,
156
379260
4000
e o chamaram de ‘Knife’,
06:23
the Carnival,
157
383260
2000
o ‘Carnival’,
06:25
the Boston Shuffler,
158
385260
4000
o ‘Boston Shuffler’,
06:29
Twilight.
159
389260
2000
‘Twilight’.
06:31
And the gag is
160
391260
2000
E a piada é
06:33
that, of course, these aren't just running through the market.
161
393260
3000
que, claro, eles não estão somente passando pelo mercado.
06:36
You can find these kinds of things wherever you look,
162
396260
3000
Encontramos esses tipos de coisas em toda parte,
06:39
once you learn how to look for them.
163
399260
2000
uma vez que aprendemos como buscá-los.
06:41
You can find it here: this book about flies
164
401260
3000
Você pode ver isso aqui: este livro sobre moscas
06:44
that you may have been looking at on Amazon.
165
404260
2000
que talvez você esteja procurando na Amazon.
06:46
You may have noticed it
166
406260
2000
Você talvez tenha notado,
06:48
when its price started at 1.7 million dollars.
167
408260
2000
quando o preço dele era 1,7 milhões de dólares.
06:50
It's out of print -- still ...
168
410260
2000
Está esgotado – mesmo assim ...
06:52
(Laughter)
169
412260
2000
(Risos)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
414260
3000
Se você o tivesse comprado por 1,7, teria sido uma pechincha.
06:57
A few hours later, it had gone up
171
417260
2000
Algumas horas mais tarde, aumentou
06:59
to 23.6 million dollars,
172
419260
2000
para 23,6 milhões de dólares,
07:01
plus shipping and handling.
173
421260
2000
mais transporte e manuseio.
07:03
And the question is:
174
423260
2000
E a questão é:
07:05
Nobody was buying or selling anything; what was happening?
175
425260
2000
ninguém estava comprando ou vendendo nada; o que acontecia?
07:07
And you see this behavior on Amazon
176
427260
2000
E vemos este comportamento na Amazon
07:09
as surely as you see it on Wall Street.
177
429260
2000
tão certo quanto o vemos na Wall Street.
07:11
And when you see this kind of behavior,
178
431260
2000
E quando se observa este tipo de comportamento,
07:13
what you see is the evidence
179
433260
2000
o que se vê é a evidência
07:15
of algorithms in conflict,
180
435260
2000
dos algoritmos em conflito,
07:17
algorithms locked in loops with each other,
181
437260
2000
algoritmos trancados em 'loops' um com o outro,
07:19
without any human oversight,
182
439260
2000
sem nenhum erro humano,
07:21
without any adult supervision
183
441260
3000
sem nenhuma supervisão adulta
07:24
to say, "Actually, 1.7 million is plenty."
184
444260
3000
dizendo: “Na verdade, 1,7 milhões é muito dinheiro.”
07:27
(Laughter)
185
447260
3000
(Risos)
07:30
And as with Amazon, so it is with Netflix.
186
450260
3000
E como na Amazon, a empresa Netflix faz o mesmo.
07:33
And so Netflix has gone through
187
453260
2000
A Netflix analisou,
07:35
several different algorithms over the years.
188
455260
2000
ao longo dos anos, vários algoritmos diferentes.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
457260
3000
Eles começaram com o 'Cinematch' e tentaram muitos outros.
07:40
there's Dinosaur Planet; there's Gravity.
190
460260
2000
Há o ‘Dinosaur Planet’, o ‘Gravity’.
07:42
They're using Pragmatic Chaos now.
191
462260
2000
Eles agora usam ‘Pragmatic Chaos’.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
464260
2000
‘Pragmatic Chaos’ está, como todos os algoritmos da Netflix,
07:46
trying to do the same thing.
193
466260
2000
tentando fazer a mesma coisa.
07:48
It's trying to get a grasp on you,
194
468260
2000
Tenta ter uma idéia a seu respeito,
07:50
on the firmware inside the human skull,
195
470260
2000
sobre o 'firmware' dentro do crânio humano,
07:52
so that it can recommend what movie
196
472260
2000
assim pode recomendar qual o filme
07:54
you might want to watch next --
197
474260
2000
que você possa querer assistir na próxima vez –
07:56
which is a very, very difficult problem.
198
476260
3000
o que é um problema muito, muito difícil.
07:59
But the difficulty of the problem
199
479260
2000
Mas a dificuldade do problema
08:01
and the fact that we don't really quite have it down,
200
481260
3000
e o fato que realmente nós não o resolvemos completamente,
08:04
it doesn't take away
201
484260
2000
não eliminam
08:06
from the effects Pragmatic Chaos has.
202
486260
2000
os efeitos que o 'Pragmatic Chaos' tem.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
488260
3000
O 'Pragmatic Chaos', como todos os algoritmos da Netflix,
08:11
determines, in the end,
204
491260
2000
determina, no final,
08:13
60 percent
205
493260
2000
60 por cento
08:15
of what movies end up being rented.
206
495260
2000
dos filmes que acabam sendo alugados.
08:17
So one piece of code
207
497260
2000
Então, uma parte do código
08:19
with one idea about you
208
499260
3000
com uma ideia a seu respeito
08:22
is responsible for 60 percent of those movies.
209
502260
3000
é responsável por 60 por cento desses filmes.
08:25
But what if you could rate those movies
210
505260
2000
Mas, e se você pudesse classificar esses filmes
08:27
before they get made?
211
507260
2000
antes de serem filmados?
08:29
Wouldn't that be handy?
212
509260
2000
Não seria conveniente?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
511260
3000
Bem, alguns cientistas de dados do Reino Unido estão em Hollywood,
08:34
and they have "story algorithms" --
214
514260
2000
e eles tem história de algoritmos –
08:36
a company called Epagogix.
215
516260
2000
com a empresa Epagogix.
08:38
And you can run your script through there,
216
518260
3000
Você pode executar o seu roteiro através dela,
08:41
and they can tell you, quantifiably,
217
521260
2000
e eles podem lhe informar, quantitativamente,
08:43
that that's a 30 million dollar movie
218
523260
2000
que esse é um filme de 30 milhões de dólares
08:45
or a 200 million dollar movie.
219
525260
2000
ou de 200 milhões de dólares.
08:47
And the thing is, is that this isn't Google.
220
527260
2000
E o negócio é que isto não é Google.
08:49
This isn't information.
221
529260
2000
Isto não é informação.
08:51
These aren't financial stats; this is culture.
222
531260
2000
Não são estatísticas financeiras. Isto é cultura.
08:53
And what you see here,
223
533260
2000
E o que vemos aqui,
08:55
or what you don't really see normally,
224
535260
2000
ou o que realmente não vemos normalmente,
08:57
is that these are the physics of culture.
225
537260
4000
é que estes são a física da cultura.
09:01
And if these algorithms,
226
541260
2000
E, se esses algoritmos,
09:03
like the algorithms on Wall Street,
227
543260
2000
como os algoritmos na Wall Street,
09:05
just crashed one day and went awry,
228
545260
3000
que um dia erraram e deixaram de funcionar,
09:08
how would we know?
229
548260
2000
como saberíamos,
09:10
What would it look like?
230
550260
2000
como eles se pareceriam?
09:12
And they're in your house. They're in your house.
231
552260
3000
E eles estão em sua casa.
09:15
These are two algorithms competing for your living room.
232
555260
2000
Aqui estão dois algoritmos competindo na sua sala.
09:17
These are two different cleaning robots
233
557260
2000
Aqui estão dois robôs de limpeza diferentes,
09:19
that have very different ideas about what clean means.
234
559260
3000
com conceitos bem diferentes de limpeza.
09:22
And you can see it
235
562260
2000
E podemos ver isto
09:24
if you slow it down and attach lights to them,
236
564260
3000
se baixarmos a velocidade e afixarmos luzes à eles.
09:27
and they're sort of like secret architects in your bedroom.
237
567260
3000
Eles são um tipo de arquitetos secretos no seu quarto.
09:30
And the idea that architecture itself
238
570260
3000
E a ideia de que arquitetura em si
09:33
is somehow subject to algorithmic optimization
239
573260
2000
é, de certa maneira, sujeita à otimização algorítmica
09:35
is not far-fetched.
240
575260
2000
não é exagero.
09:37
It's super-real and it's happening around you.
241
577260
3000
É super real e está acontecendo à sua volta.
09:40
You feel it most
242
580260
2000
Sentimos isto mais
09:42
when you're in a sealed metal box,
243
582260
2000
quando estamos em uma caixa de metal lacrada,
09:44
a new-style elevator;
244
584260
2000
um elevador novo estilo,
09:46
they're called destination-control elevators.
245
586260
2000
chamados de elevadores com controle de destino.
09:48
These are the ones where you have to press what floor you're going to go to
246
588260
3000
Estes são aqueles que você precisa apertar o botão do andar a que quer ir
09:51
before you get in the elevator.
247
591260
2000
antes de entrar no elevador.
09:53
And it uses what's called a bin-packing algorithm.
248
593260
2000
Ele usa aquilo que chamamos de algoritmo de embalagem.
09:55
So none of this mishegas
249
595260
2000
Então, nada dessas loucuras
09:57
of letting everybody go into whatever car they want.
250
597260
2000
de deixar todo mundo entrar em qualquer elevador.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
599260
2000
Os que querem ir para o 10º andar dirigem-se ao elevador 2,
10:01
and everybody who wants to go to the third floor goes into car five.
252
601260
3000
e os que queiram ir para o 3º andar dirigem-se ao elevador 5,
10:04
And the problem with that
253
604260
2000
E o problema disso
10:06
is that people freak out.
254
606260
2000
é que a pessoas ficam perturbadas.
10:08
People panic.
255
608260
2000
Entram em pânico.
10:10
And you see why. You see why.
256
610260
2000
E você vê o porquê.
10:12
It's because the elevator
257
612260
2000
É porque no elevador está
10:14
is missing some important instrumentation, like the buttons.
258
614260
3000
faltando uma instrumentação importante, como os botões.
10:17
(Laughter)
259
617260
2000
(Risos)
10:19
Like the things that people use.
260
619260
2000
Como as coisas que as pessoas usam.
10:21
All it has
261
621260
2000
Tudo que tem
10:23
is just the number that moves up or down
262
623260
3000
é um número indo para cima e para baixo
10:26
and that red button that says, "Stop."
263
626260
3000
e aquele botão vermelho que diz: “Pare”.
10:29
And this is what we're designing for.
264
629260
3000
E é para isso que é o design.
10:32
We're designing
265
632260
2000
Estamos projetando
10:34
for this machine dialect.
266
634260
2000
para o dialeto desta máquina.
10:36
And how far can you take that? How far can you take it?
267
636260
3000
E até que ponto você pode aguentar isso?
10:39
You can take it really, really far.
268
639260
2000
Você pode realmente aguentar, muito.
10:41
So let me take it back to Wall Street.
269
641260
3000
Voltando à Wall Street.
10:45
Because the algorithms of Wall Street
270
645260
2000
Porque os algoritmos da Wall Street
10:47
are dependent on one quality above all else,
271
647260
3000
dependem de uma qualidade acima de tudo,
10:50
which is speed.
272
650260
2000
que é a rapidez.
10:52
And they operate on milliseconds and microseconds.
273
652260
3000
Eles operam em milissegundos e microssegundos.
10:55
And just to give you a sense of what microseconds are,
274
655260
2000
E só para lhe dar uma noção do que são microssegundos,
10:57
it takes you 500,000 microseconds
275
657260
2000
você leva 500.000 microssegundos
10:59
just to click a mouse.
276
659260
2000
para clicar um mouse.
11:01
But if you're a Wall Street algorithm
277
661260
2000
Mas, se você é um algoritmo da Wall Street
11:03
and you're five microseconds behind,
278
663260
2000
e está 5 microssegundos atrasado,
11:05
you're a loser.
279
665260
2000
você é um fracassado.
11:07
So if you were an algorithm,
280
667260
2000
Então, se você fosse um algoritmo,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
669260
3000
você iria procurar um arquiteto como o que conheci em Frankfurt
11:12
who was hollowing out a skyscraper --
282
672260
2000
que esvaziou um arranha-céu –
11:14
throwing out all the furniture, all the infrastructure for human use,
283
674260
3000
jogou fora todos os móveis, toda a infraestrutura para uso humano,
11:17
and just running steel on the floors
284
677260
3000
e deixou somente laminados de aço no piso
11:20
to get ready for the stacks of servers to go in --
285
680260
3000
para se preparar para as pilhas de servidores –
11:23
all so an algorithm
286
683260
2000
tudo para que um algoritmo
11:25
could get close to the Internet.
287
685260
3000
pudesse ficar próximo da Internet.
11:28
And you think of the Internet as this kind of distributed system.
288
688260
3000
E você pensa na Internet como esse tipo de sistema distribuído.
11:31
And of course, it is, but it's distributed from places.
289
691260
3000
E é claro que é, mas é distribuído de lugares.
11:34
In New York, this is where it's distributed from:
290
694260
2000
Em Nova York, é distribuído do
11:36
the Carrier Hotel
291
696260
2000
Hotel Carrier
11:38
located on Hudson Street.
292
698260
2000
na Rua Hudson.
11:40
And this is really where the wires come right up into the city.
293
700260
3000
E é realmente dali que os cabos vão até a cidade.
11:43
And the reality is that the further away you are from that,
294
703260
4000
A realidade é que quanto mais distantes dali estamos,
11:47
you're a few microseconds behind every time.
295
707260
2000
ficamos atrasados alguns microssegundos todas as vezes.
11:49
These guys down on Wall Street,
296
709260
2000
Esses caras na Wall Street,
11:51
Marco Polo and Cherokee Nation,
297
711260
2000
Marco Polo e Cherokee Nation,
11:53
they're eight microseconds
298
713260
2000
estão 8 microssegundos
11:55
behind all these guys
299
715260
2000
mais atrasados do que todos esses caras
11:57
going into the empty buildings being hollowed out
300
717260
4000
que vão para prédios desocupados, sendo esvaziados
12:01
up around the Carrier Hotel.
301
721260
2000
no entorno do Hotel Carrier.
12:03
And that's going to keep happening.
302
723260
3000
O que vai continuar acontecendo.
12:06
We're going to keep hollowing them out,
303
726260
2000
Continuaremos esvaziando.
12:08
because you, inch for inch
304
728260
3000
porque, centímetro por centímetro,
12:11
and pound for pound and dollar for dollar,
305
731260
3000
quilo por quilo e dólar por dólar,
12:14
none of you could squeeze revenue out of that space
306
734260
3000
nenhum de vocês poderia extrair rendimento daquele espaço,
12:17
like the Boston Shuffler could.
307
737260
3000
como pode o 'Boston Shuffler'.
12:20
But if you zoom out,
308
740260
2000
Mas se você diminuísse o zum,
12:22
if you zoom out,
309
742260
2000
se você diminuísse o zum,
12:24
you would see an 825-mile trench
310
744260
4000
veria uma trincheira de 1,330 quilômetros
12:28
between New York City and Chicago
311
748260
2000
entre Nova York e Chicago
12:30
that's been built over the last few years
312
750260
2000
que foi construída nos últimos anos
12:32
by a company called Spread Networks.
313
752260
3000
pela empresa Spread Networks.
12:35
This is a fiber optic cable
314
755260
2000
Isto é um cabo de fibra óptica
12:37
that was laid between those two cities
315
757260
2000
que foi colocado entre estas duas cidades
12:39
to just be able to traffic one signal
316
759260
3000
para apenas um sinal poder trafegar
12:42
37 times faster than you can click a mouse --
317
762260
3000
37 vezes mais rápido do que um clique de mouse –
12:45
just for these algorithms,
318
765260
3000
só para esses algoritmos,
12:48
just for the Carnival and the Knife.
319
768260
3000
só para o 'Carnival' e o 'Knife'.
12:51
And when you think about this,
320
771260
2000
E quando pensamos nisso,
12:53
that we're running through the United States
321
773260
2000
que estamos correndo pelos EUA
12:55
with dynamite and rock saws
322
775260
3000
com dinamite e serras para cortar pedras
12:58
so that an algorithm can close the deal
323
778260
2000
para que um algoritmo possa fechar o negócio
13:00
three microseconds faster,
324
780260
3000
três microssegundos mais rápido,
13:03
all for a communications framework
325
783260
2000
tudo para uma estrutura de comunicações
13:05
that no human will ever know,
326
785260
4000
que nenhum humano jamais saberá,
13:09
that's a kind of manifest destiny;
327
789260
3000
este é o tipo de Destino Manifesto
13:12
and we'll always look for a new frontier.
328
792260
3000
e estará sempre à procura de uma nova fronteira.
13:15
Unfortunately, we have our work cut out for us.
329
795260
3000
Infelizmente, temos nosso trabalho retirado de nós.
13:18
This is just theoretical.
330
798260
2000
Isto é apenas teórico.
13:20
This is some mathematicians at MIT.
331
800260
2000
Estes são alguns matemáticos do MIT.
13:22
And the truth is I don't really understand
332
802260
2000
E a verdade é que não entendo realmente
13:24
a lot of what they're talking about.
333
804260
2000
muito sobre o que estão falando.
13:26
It involves light cones and quantum entanglement,
334
806260
3000
Trata-se de cones de luz e entrelaçamento quântico,
13:29
and I don't really understand any of that.
335
809260
2000
e eu realmente não entendo nada disso.
13:31
But I can read this map,
336
811260
2000
Mas, eu posso ler esse mapa.
13:33
and what this map says
337
813260
2000
E o que ele diz
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
815260
3000
é que, se você está tentando ganhar dinheiro nos mercados nos pontos vermelhos,
13:38
that's where people are, where the cities are,
339
818260
2000
é lá que estão as pessoas, onde estão as cidades,
13:40
you're going to have to put the servers where the blue dots are
340
820260
3000
você terá que colocar os servidores nos pontos azuis
13:43
to do that most effectively.
341
823260
2000
para ser mais eficaz.
13:45
And the thing that you might have noticed about those blue dots
342
825260
3000
E algo que talvez tenham notado sobre estes pontos azuis
13:48
is that a lot of them are in the middle of the ocean.
343
828260
3000
é que muitos deles estão no meio do oceano.
13:51
So that's what we'll do: we'll build bubbles or something,
344
831260
3000
Então, é isso que faremos, construiremos bolhas ou algo assim,
13:54
or platforms.
345
834260
2000
ou plataformas.
13:56
We'll actually part the water
346
836260
2000
Vamos partir as águas
13:58
to pull money out of the air,
347
838260
2000
para extrair dinheiro do ar,
14:00
because it's a bright future
348
840260
2000
porque é um futuro promissor
14:02
if you're an algorithm.
349
842260
2000
se você é um algoritmo.
14:04
(Laughter)
350
844260
2000
(Risos)
14:06
And it's not the money that's so interesting actually.
351
846260
3000
E, realmente, não é o dinheiro que é tão interessante.
14:09
It's what the money motivates,
352
849260
2000
É o que o dinheiro motiva.
14:11
that we're actually terraforming
353
851260
2000
É que estamos realmente terraformando
14:13
the Earth itself
354
853260
2000
a própria Terra
14:15
with this kind of algorithmic efficiency.
355
855260
2000
com esse tipo de eficiência algorítmica.
14:17
And in that light,
356
857260
2000
E neste contexto,
14:19
you go back
357
859260
2000
você volta
14:21
and you look at Michael Najjar's photographs,
358
861260
2000
e observa as fotografias de Michael Najjar,
14:23
and you realize that they're not metaphor, they're prophecy.
359
863260
3000
e percebe que elas não são metáforas, mas profecias.
14:26
They're prophecy
360
866260
2000
Elas são profecias
14:28
for the kind of seismic, terrestrial effects
361
868260
4000
para o tipo de efeitos sísmicos, terrestres,
14:32
of the math that we're making.
362
872260
2000
da matemática que estamos usando.
14:34
And the landscape was always made
363
874260
3000
E a paisagem foi sempre feita
14:37
by this sort of weird, uneasy collaboration
364
877260
3000
com esse tipo de colaboração esquisita, inquieta
14:40
between nature and man.
365
880260
3000
entre a natureza e o homem.
14:43
But now there's this third co-evolutionary force: algorithms --
366
883260
3000
Mas agora existe essa terceira força coevolucionária: os algoritmos –
14:46
the Boston Shuffler, the Carnival.
367
886260
3000
o 'Boston Shuffler', o 'Carnival'.
14:49
And we will have to understand those as nature,
368
889260
3000
E teremos que entendê-los como sendo natureza.
14:52
and in a way, they are.
369
892260
2000
E, de certo modo, eles são.
14:54
Thank you.
370
894260
2000
Obrigado.
14:56
(Applause)
371
896260
20000
(Aplausos)
Sobre este site

Este site apresentará a você vídeos do YouTube que são úteis para o aprendizado do inglês. Você verá aulas de inglês ministradas por professores de primeira linha de todo o mundo. Clique duas vezes nas legendas em inglês exibidas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas rolarão em sincronia com a reprodução do vídeo. Se você tiver algum comentário ou solicitação, por favor, entre em contato conosco usando este formulário de contato.

https://forms.gle/WvT1wiN1qDtmnspy7