Computing a theory of everything | Stephen Wolfram

Translator: uraiwan chai Reviewer: palakon kotchapansompote

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

สิ่งที่ผมอยากกล่าวในวันนี้นั้นเป็นแนวคิด เป็นแนวคิดที่สำคัญ

Actually, I think it'll eventually

ซึ่งผมคิดว่า ในที่สุด

be seen as probably the single biggest idea

แล้วมันจะเป็นแนวคิดเดียวที่ยิ่งใหญ่ที่สุด

that's emerged in the past century.

ซึ่งเกิดขึ้นในศตวรรษที่ผ่านมา

It's the idea of computation.

แนวคิดของการคำนวณ

Now, of course, that idea has brought us

แน่นอนว่าแนวคิดนี้ได้นำเราไปสู่

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

เทคโนโลยีคอมพิวเตอร์ทั้งหลายที่มีอยู่ในตอนนี้และต่อไป

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

แต่แท้จริงแล้วเรื่องของการคำนวณยังมีมากมายกว่านั้น

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

มันเป็นแนวคิดที่ลึกซึ้ง ทรงพลัง และเป็นพื้นฐานหลัก

whose effects we've only just begun to see.

ซึ่งพวกเราเพียงแค่ได้เริ่มสัมผัสกับมันเท่านั้น

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

ผมก็ใช้เวลา 30 ปีที่ผ่านมา

working on three large projects

ทำโครงการใหญ่ 3 โครงการ

that really try to take the idea of computation seriously.

ซึ่งเน้นให้ความสำคัญกับแนวคิดการคำนวณอย่างจริงจัง

So I started off at a young age as a physicist

ตอนสมัยหนุ่มๆ ผมเริ่มต้นจากการเป็นนักฟิสิกส์

using computers as tools.

ที่ใช้งานคอมพิวเตอร์เป็นเครื่องมือ

Then, I started drilling down,

ต่อจากนั้นผมเริ่มศึกษาลึกลงไป

thinking about the computations I might want to do,

เกี่ยวกับการคำนวณในแบบที่ผมอาจจะต้องการ

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

และค้นหาว่ามันควรจะมีส่วนประกอบพื้นฐานตรงไหนบ้าง

and how they could be automated as much as possible.

และทำอย่างไรจึงจะทำได้อัตโนมัติ

Eventually, I created a whole structure

ในที่สุด ผมก็ได้สร้างโครงสร้างทั้งหมดขึ้นมา

based on symbolic programming and so on

โดยใช้พื้นฐานการโปรแกรมแบบสัญลักษณ์

that let me build Mathematica.

และนั่นจึงนำไปสู่การสร้าง Mathematica

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

และใช้เวลาอีก 23 ปี

we've been pouring more and more ideas

พวกเราใส่ไอเดียลงไปมากมาย

and capabilities and so on into Mathematica,

พร้อมทั้งความสามารถต่างๆ และสิ่งอื่นๆ ลงไปใน Mathematica

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

ผมดีใจที่จะกล่าวว่านั่นทำให้เกิดประโยชน์ขึ้นมากมาย

in R & D and education,

ทั้งในด้านการวิจัยและพัฒนา และด้านการศึกษา

lots of other areas.

และในด้านอื่นๆอีก

Well, I have to admit, actually,

ผมยอมรับว่าความจริงแล้ว

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

ผมค่อนข้างเห็นแก่ตัวที่สร้าง Mathematica ขึ้นมา

I wanted to use it myself,

เพียงเพราะผมต้องการใช้มันเพียงคนเดียว

a bit like Galileo got to use his telescope

เหมือนกับกาลิเลโอ ที่สร้างและใช้งานกล้องดูดาว

400 years ago.

เมื่อ 400 ปีก่อน

But I wanted to look not at the astronomical universe,

แต่ผมสิ่งที่ผมต้องการเห็น ไม่ใช่จักรวาลดาราศาสตร์

but at the computational universe.

แต่เป็นจักรวาลการคำนวณ

So we normally think of programs as being

เมื่อพวกเรามักคิดว่าโปรแกรม

complicated things that we build

ที่สร้างขึ้นจะต้องซับซ้อน

for very specific purposes.

เพื่อจุดประสงค์เฉพาะ

But what about the space of all possible programs?

แล้วสำหรับโปรแกรมอื่นๆที่สร้างได้อีกหละ ?

Here's a representation of a really simple program.

นี่คือโปรแกรมง่ายๆ

So, if we run this program,

ถ้าพวกเรารันโปรแกรมนี้

this is what we get.

นี่คือการแสดงผล

Very simple.

ง่ายมากครับ

So let's try changing the rule

แล้วลองเปลี่ยนกฎ

for this program a little bit.

ในโปรแกรมนี้นิดหน่อย

Now we get another result,

ผลลัพธ์ที่ได้ก็จะแตกต่างออกไป

still very simple.

แต่นี่ก็ยังง่ายอยู่

Try changing it again.

ลองเปลี่ยนอีกครั้ง

You get something a little bit more complicated.

ตอนนี้เราได้เห็นบางอย่างที่ซับซ้อนขึ้นบ้างแล้ว

But if we keep running this for a while,

แต่ถ้าเรายังคงรันต่อไปเรื่อยๆ

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

เราก็จะพบว่าแม้ว่าจะได้ผลลัพธ์ที่สลับซับซ้อนมากขึ้น

it has a very regular structure.

มันก็ยังคงมีโครงสร้างที่ธรรมดามากๆ

So the question is: Can anything else happen?

ดังนั้นจึงมีคำถามที่ว่า : แล้วจะมีอย่างอื่นเกิดขึ้นได้อีกไหม?

Well, we can do a little experiment.

ถ้าเช่นนั้น เราจึงทำการทดลองนิดหน่อย

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

ลองทำการทดลองทางคณิตศาสตร์ชิ้นเล็กๆ แล้วหาคำตอบ

Let's just run all possible programs

เพียงเริ่มรันโปรแกรมทั้งหมดที่เกิดขึ้นได้

of the particular type that we're looking at.

ของสิ่งที่เราสนใจศึกษา

They're called cellular automata.

เรียกว่า Cellular automata

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

คุณจะเห็นลักษณะที่หลากหลายเกิดขึ้น

Most of them do very simple things,

ส่วนใหญ่แล้วทำออกมาได้ง่ายมาก

but if you look along all these different pictures,

แต่ถ้าคุณสังเกตรูปภาพที่แตกต่างกันนี้

at rule number 30,

ตรงกฎที่ 30

you start to see something interesting going on.

คุณจะเริ่มเห็นสิ่งที่น่าสนใจ

So let's take a closer look

ลองมองใกล้เข้าไปอีก

at rule number 30 here.

ที่กฎ 30

So here it is.

อย่างที่เห็นนี้

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

เราเพียงแค่เริ่มจากกฎง่ายๆที่อยู่ด้านล่างนี้

but we're getting all this amazing stuff.

แต่เรากลับได้พบกับสิ่งที่น่ามหัศจรรย์

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

นี่ไม่ใช่สิ่งที่พวกเราคุ้นเคย

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

และผมเองก็ต้องยอมรับ ว่าเมื่อผมได้เห็นสิ่งนี้

it came as a huge shock to my intuition.

มันทำให้ผมรู้สึกประหลาดใจอย่างมาก

And, in fact, to understand it,

และในความจริงแล้ว การที่จะเข้าใจมัน

I eventually had to create

ทำให้ผมจำเป็นต้องสร้าง

a whole new kind of science.

วิทยาศาสตร์รูปแบบใหม่ทั้งหมด

(Laughter)

(เสียงหัวเราะ)

This science is different, more general,

วิทยาศาสตร์นี้แตกต่างออกไป มีลักษณะทั่วไปกว่า

than the mathematics-based science that we've had

วิทยาศาสตร์ที่ใช้คณิตศาสตร์เป็นพื้นฐาน ในแบบที่เรามีอยู่

for the past 300 or so years.

เป็นเวลากว่า 300 ปี

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

คุณทราบไหมว่า มันเหมือนเป็นปริศนาลึกลับอยู่ตลอดเวลา

how nature, seemingly so effortlessly,

เหตุใดธรรมชาติ ซึ่งดูเหมือนจะไม่ได้พยายามทำอะไรเลย

manages to produce so much

กลับสร้างสรรค์สิ่งต่างๆมากมาย

that seems to us so complex.

แต่สำหรับพวกเราแล้วมันเป็นสิ่งที่ซับซ้อน

Well, I think we've found its secret:

ผมคิดว่าเราได้ค้นพบความลับนั้นแล้ว

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

มันเป็นการเลือกสุ่มสิ่งต่างๆที่มีอยู่รอบจักรวาลของการคำนวณ

and quite often getting things like Rule 30

และบ่อยครั้งที่ได้ผลลัพธ์เหมือนกับกฎที่ 30

or like this.

หรือคล้ายกันนี้

And knowing that starts to explain

และการที่ได้ค้นพบสิ่งนี้ ทำให้อธิบาย

a lot of long-standing mysteries in science.

สิ่งต่างๆมากมายที่เคยเป็นปริศนาอันยาวนานในวิทยาศาสตร์

It also brings up new issues, though,

อีกทั้งยังนำไปสู่ประเด็นใหม่ๆ

like computational irreducibility.

เช่นการคำนวณที่ไม่สามารถลดรูปได้

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

ผมหมายถึง เรามักใช้วิทยาศาสตร์ในการคาดการณ์สิ่งต่างๆ

but something like this

แต่สิ่งนี้

is fundamentally irreducible.

เป็นเพียงความไม่สามารถลดรูปได้เบื้องต้น

The only way to find its outcome

หนทางเดียวที่จะนำไปสู่คำตอบ

is, effectively, just to watch it evolve.

คือเฝ้ามองการพัฒนา

It's connected to, what I call,

มันเชื่อมโยงกับ สิ่งที่ผมเรียกว่า

the principle of computational equivalence,

หลักสมดุลการคำนวณ

which tells us that even incredibly simple systems

ซึ่งทำให้เรารู้ว่า แม้กระทั่งระบบที่ง่ายๆ

can do computations as sophisticated as anything.

ก็สามารถทำการคำนวณได้เช่นเดียวกับแบบที่ยาก

It doesn't take lots of technology or biological evolution

มันไม่จำเป็นต้องใช้เทคโนโลยีหรือวิวัฒนาการทางชีวภาพ

to be able to do arbitrary computation;

ในการที่จะทำการคำนวณได้เอง

just something that happens, naturally,

เป็นสิ่งที่เกิดขึ้นเองตามธรรมชาติ

all over the place.

ในทุกหนทุกแห่ง

Things with rules as simple as these can do it.

กฎง่ายๆเช่นนี้สามารถตอบได้

Well, this has deep implications

มันมีนัยยะที่ลึกลงไปอีก

about the limits of science,

ซึ่งเกี่ยวกับข้อจำกัดทางวิทยาศาสตร์

about predictability and controllability

เกี่ยวกับความสามารถในการคาดการณ์ และการควบคุม

of things like biological processes or economies,

สิ่งต่างๆเช่น กระบวนการของชีวภาพหรือเศรษฐกิจ

about intelligence in the universe,

เกี่ยวกับปัญญาในจักรวาล

about questions like free will

เกี่ยวกับเจตจำนงเสรี

and about creating technology.

และที่เกี่ยวกับการสร้างสรรเทคโนโลยี

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

คุณทราบไหมว่า การทำงานในวิทยาศาสตร์มาตลอดหลายปี

I kept wondering,

ผมมักสงสัยอยู่เสมอ

"What will be its first killer app?"

ว่าอะไรจะเป็นแอพพลิเคชันทยอดเยี่ยมที่สุด

Well, ever since I was a kid,

ก็... ตั้งแต่ผมยังเป็นเด็ก

I'd been thinking about systematizing knowledge

ผมมักคิดอยู่เสมอเกี่ยวกับการจัดการความรู้อย่างเป็นระบบ

and somehow making it computable.

และบางครั้งก็ทำให้มันสามารถนำมาคำนวณได้ด้วย

People like Leibniz had wondered about that too

Leibniz ก็ได้คิดเช่นเดียวกัน

300 years earlier.

เมื่อ 300 ปีก่อน

But I'd always assumed that to make progress,

แต่ผมก็มักคิดเสมอว่าถ้าต้องการให้มันก้าวหน้า

I'd essentially have to replicate a whole brain.

ผมจำเป็นที่จะต้องลอกแบบสมองออกมาทั้งหมด

Well, then I got to thinking:

ตอนนี้ผมก็คิดว่า

This scientific paradigm of mine suggests something different --

รูปแบบทางวิทยาศาสตร์ที่ผมเสนอ มีบางสิ่งบางอย่างที่แตกต่าง

and, by the way, I've now got

และผมก็พบกับ

huge computation capabilities in Mathematica,

ความสามารถในการคำนวณอันยิ่งใหญ่ใน Mathematica

and I'm a CEO with some worldly resources

และผมก็เป็นเจ้าของร่วมกับทรัพยากรทั้งโลก

to do large, seemingly crazy, projects --

เพื่อทำโครงการใหญ่ที่เพี้ยนนี้

So I decided to just try to see

ดังนั้นผมจึงได้ตัดสินใจที่จะลองเพื่อให้เห็นว่า

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

มีความรู้ที่เป็นระบบใดบ้างในโลกใบนี้

we could make computable.

ที่พวกเราสามารถนำมาคำนวณได้

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

ดังนั้นมันจึงเป็นโครงการที่ใหญ่และซับซ้อนอย่างยิ่ง

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

ซึ่งผมก็ยังไม่มั่นใจว่ามันจะเป็นไปได้

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

แต่ผมก็พอใจที่จะกล่าวว่ามันกำลังไปได้สวย

And last year we were able

และเมื่อปีที่แล้วพวกเราสามารถ

to release the first website version

เผยแพร่เวปไซต์เวอร์ชันแรก

of Wolfram Alpha.

ของ Wolfram Alpha

Its purpose is to be a serious knowledge engine

โดยมีวัตถุประสงค์เพื่อให้เป็นเครื่องมือค้นหาความรู้ที่ใช้งานได้จริง

that computes answers to questions.

ที่สามารถตอบทุกคำถามโดยใช้การคำนวณ

So let's give it a try.

งั้น มาลองดูกันเถอะครับ

Let's start off with something really easy.

มาเริ่มต้นที่บางสิ่งที่ง่ายมากๆ

Hope for the best.

หวังว่าจะออกมาดีนะครับ

Very good. Okay.

ดีมาก

So far so good.

ยังทำงานได้ดีอยู่

(Laughter)

(เสียงหัวเราะ)

Let's try something a little bit harder.

นั้นเราลองทำสิ่งที่ยากขึ้นนิดหน่อย

Let's do

เช่นว่า ...

some mathy thing,

ลองมาทำเกี่ยวกับตัวเลขดูบ้าง

and with luck it'll work out the answer

และถ้าโชคดี มันจะคำนวณออกมาให้เรา

and try and tell us some interesting things

และให้ผลลัพธ์ที่น่าสนใจ

things about related math.

สิ่งที่เกี่ยวข้องกับคณิตศาสตร์

We could ask it something about the real world.

เราสามารถถามมันได้ในบางเรื่องบนโลกใบนี้

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

บางอย่างเช่น ... ไม่รู้สิ ...

what's the GDP of Spain?

GDP ของสเปน เป็นเท่าไร ?

And it should be able to tell us that.

และมันก็ควรสามารถบอกเราได้

Now we could compute something related to this,

ต่อไปเราก็จะนำข้อมูลนี้มาคำนวณ

let's say ... the GDP of Spain

เช่นว่า GDP ของสเปน

divided by, I don't know,

หารด้วย ผมก็นึกไม่ออก

the -- hmmm ...

อืม..

let's say the revenue of Microsoft.

เอาเช่นว่า ผลประกอบการของไมโครซอฟต์

(Laughter)

(เสียงหัวเราะ)

The idea is that we can just type this in,

วิธีใช้งานก็คือเราเพียงแค่พิมพ์ลงไป

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

คำถามแบบนี้ในแบบที่เราคิดขึ้นเอง

So let's try asking a question,

เราลองมาตั้งคำถาม

like a health related question.

อย่างเช่นคำถามเกี่ยวกับสุขภาพ

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

เช่นว่า เรามีผลการทดลองจากห้องแลป

you know, we have an LDL level of 140

คุณรู้ว่า หากมีระดับไขมันแบบ LDL อยู่ที่ 140

for a male aged 50.

สำหรับผู้ชายอายุสัก 50

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

ลองพิมพ์มันลงไป และตอนนี้โปรแกรม Wolfram Alpha

will go and use available public health data

ก็จะใช้ข้อมูลทางสุขภาพที่เป็นสาธารณะต่างๆ

and try and figure out

แล้วนำมาวิเคราะห์

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

ในส่วนของฐานข้อมูลใหญ่ที่สัมพันธ์กับข้อมูลนี้

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

หรือ หากเราลองตั้งคำถามเกี่ยวกับ อะไรดีหละ

the International Space Station.

สถานีอวกาศนานาชาติ

And what's happening here is that

และนี่คือสิ่งที่แสดงผลออกมาก

Wolfram Alpha is not just looking up something;

Wolfram Alpha ไม่เพียงแต่ค้นหาเท่านั้น

it's computing, in real time,

มันยังสามารถคำนวณ ณ เวลานั้น

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

ที่ตั้งของสถานีอวกาศนานาชาติในตอนนี้

how fast it's going, and so on.

มันทำงานได้รวดเร็วมากและทำไปเรื่อยๆ

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

ดังนั้น Wolfram Alpha จึงรู้เกี่ยวกับสิ่งต่างๆมากมายมหาศาล

It's got, by now,

ขณะนี้มันมีข้อมูล

pretty good coverage of everything you might find

ค่อนข้างครอบคลุมในทุกๆเรื่องที่คุณเสาะหา

in a standard reference library.

เปรียบได้กับห้องสมุดมาตรฐานที่นำมาอ้างอิงได้ ทำนองนั้น

But the goal is to go much further

แต่เป้าหมายที่ผมตั้งใจไว้มันไกลกว่านั้น

and, very broadly, to democratize

และค่อนข้างกว้าง และมีความเท่าเทียมกัน

all of this knowledge,

ของความรู้ในทุกด้าน

and to try and be an authoritative

และยังพยายาม ที่จะใช้มันเป็นแหล่งข้อมูล

source in all areas.

ที่เชื่อถือได้ในทุกศาสตร์

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

ให้มันสามารถคำนวณหาคำตอบ เพื่อตอบคำถามที่มนุษย์ตั้งขึ้น

not by searching what other people

ไม่ใช่เป็นการค้นหาสิ่งที่เคยมีคน

may have written down before,

ได้เคยบันทึกไว้แล้วก่อนหน้า

but by using built in knowledge

แต่เป็นการสร้างฐานข้อมูลความรู้

to compute fresh new answers to specific questions.

เพื่อคำนวณหาคำตอบใหม่ๆให้กับคำถามที่เฉพาะเจาะจงลงไปอีก

Now, of course, Wolfram Alpha

ขณะนี้ Wolfram Alpha

is a monumentally huge, long-term project

เป็นโครงการที่ยิ่งใหญ่ ระยะยาว

with lots and lots of challenges.

ที่ต้องใช้ความพยายามอย่างมาก

For a start, one has to curate a zillion

เมื่อเริ่มต้น ทุกคนต้องเก็บรวบรวมข้อมูล

different sources of facts and data,

จำนวนมหาศาลจากแหล่งต่างๆ

and we built quite a pipeline of Mathematica automation

และเราได้สร้างระบบที่มีทั้ง ส่วนที่อัตโนมัตของ Mathematica

and human domain experts for doing this.

และผู้เชี่ยวชาญด้านต่างๆ เพื่อสร้างมันขึ้นมา

But that's just the beginning.

แต่นั่นก็เป็นเพียงแค่จุดเริ่มต้น

Given raw facts or data

เมื่อได้ข้อมูลดิบมา

to actually answer questions,

เพื่อให้สามารถตอบคำถามได้จริง

one has to compute:

จะต้องมีคนคำนวณ

one has to implement all those methods and models

และนำเอาวิธีการและรูปแบบทั้งหมดมาใช้

and algorithms and so on

รวมถึงทำการแก้ปัญหา

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

อันได้จากวิทยาศาสตร์และศาสตร์ในสาขาอื่นที่พัฒนาขึ้น ตลอดศตวรรษที่ผ่านมา

Well, even starting from Mathematica,

แม้จะเริ่มจาก Mathematica

this is still a huge amount of work.

แต่ก็ยังเป็นงานที่ต้องทำต่อไปอีกมาก

So far, there are about 8 million lines

ตอนนี้มีในโปรแกรม Wolfram Alpha

of Mathematica code in Wolfram Alpha

ประกอบไปด้วยโค้ตประมาณ 8 ล้านบรรทัด

built by experts from many, many different fields.

ที่เขียนขึ้นจากผู้เชี่ยวชาญในหลายๆสาขา

Well, a crucial idea of Wolfram Alpha

แนวคิดหลักของ Wolfram Alpha

is that you can just ask it questions

คือการที่คุณสามารถตั้งคำถาม

using ordinary human language,

โดยใช้ภาษาที่เราใช้กันอยู่ทั่วๆไป

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

ซึ่งหมายความว่าถ้าพวกเราสามารถที่จะ

all those strange utterances that people type into the input field

เอาทุกสิ่งทุกอย่างพิมพ์ลงไป

and understand them.

และเข้าใจสิ่งนั้นได้

And I must say that I thought that step

และผมก็อยากบอกว่านึ่คือขั้นที่ผม

might just be plain impossible.

คิดว่าอาจเป็นไปไม่ได้

Two big things happened:

มีสิ่งสองสิ่งที่เกิดขึ้น

First, a bunch of new ideas about linguistics

สิ่งแรกก็คือ ความคิดก้อนหนึ่งเกี่ยวกับภาษาศาสตร์

that came from studying the computational universe;

ที่เกิดขึ้นจากการศึกษาจักรวาลการคำนวณ

and second, the realization that having actual computable knowledge

และอย่างที่สอง คือการตระหนักว่าความรู้ที่สามารถคำนวณได้นั้น

completely changes how one can

จะเปลี่ยนแปลง

set about understanding language.

การใช้ภาษาที่เราเข้าใจกัน

And, of course, now

และอย่างแน่นอน ในตอนนี้

with Wolfram Alpha actually out in the wild,

Wolfram Alpha แสดงผลค่อนข้างแปลก

we can learn from its actual usage.

พวกเราสามารถเรียนรู้จากการใช้งานจริง

And, in fact, there's been

และความจริงแล้ว

an interesting coevolution that's been going on

มันเป็นการเปลี่ยนแปลงร่วมกันที่น่าสนใจ

between Wolfram Alpha

ระหว่าง Wolfram Alpha

and its human users,

กับมนุษย์ผู้ใช้งานมัน

and it's really encouraging.

และเป็นสิ่งที่น่าผลักดัน

Right now, if we look at web queries,

ตอนนี้ ถ้าเราดูแบบสอบถามบนเวป

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

มากกว่า 80 เปอร์เซ็นต์เห็นว่าโปรแกรมสามารถตอบคำถามในครั้งแรก ได้อย่างสมบูรณ์

And if you look at things like the iPhone app,

และถ้าคุณเทียบกับ แอพลิเคชันบนไอโฟน

the fraction is considerably larger.

ความแตกต่างนั้นต่างกันมาก

So, I'm pretty pleased with it all.

ซึ่งผมค่อนข้างพอใจกับผลที่ออกมา

But, in many ways,

แต่ในหลายๆด้าน

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

เรายังคงอยู่ในช่วงเริ่มต้นของ Wolfram Alpha

I mean, everything is scaling up very nicely

ผมหมายถึงว่า ทุกอย่างเริ่มก้าวหน้าขึ้นได้ดีทีเดียว

and we're getting more confident.

พวกเราเริ่มมีความเชื่อมั่น

You can expect to see Wolfram Alpha technology

คุณสามารถคาดได้ว่าจะได้เห็นเทคโนโลยี Wolfram Alpha

showing up in more and more places,

ปรากฎอยู่ในหลายแห่งเพิ่มมากขึ้น

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

ทั้งการทำงานเกี่ยวกับข้อมูลที่ทุกคนเข้าถึงได้เช่นเวปไซต์

and with private knowledge

และความรู้ส่วนบุคคล

for people and companies and so on.

สำหรับคนหรือองค์กร หรืออื่นๆ

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

คุณรู้ไหมว่า ผมตระหนักว่า Wolfram Alpha แท้จริงแล้วได้ทำให้

a whole new kind of computing

เกิดการคำนวณรูปแบบใหม่ทั้งหมด

that one can call knowledge-based computing,

ที่เรียกว่า การคำนวณบนฐานของความรู้

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

ซึ่งจุดเริ่มต้น ไม่ได้มาจากเพียงการคำนวณดิบๆิ

but from a vast amount of built-in knowledge.

แต่มาจากฐานความรู้ขนาดมหาศาล

And when one does that, one really changes

และเมื่อคนถาม ก็ทำให้เกิดการเปลี่ยนแปลง

the economics of delivering computational things,

ทางเศรษฐศาสตร์ของการส่งผ่านการคำนวณ

whether it's on the web or elsewhere.

ไม่ว่าจะเป็นบนเวปหรือที่อื่นๆ

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

คุณทราบไหมว่า พวกเราอยู่ในห้วงเวลาที่น่าติดตาม

On the one hand, we have Mathematica,

ในอีกด้านก็คือ เรามี Mathematica

with its sort of precise, formal language

ซึ่งเป็นภาษาที่มีโครงสร้างชัดเจน

and a huge network

และเครือข่ายขนาดใหญ่

of carefully designed capabilities

ของความสามารถที่ถูกออกแบบอย่างพิถีพิถัน

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

สามารถทำให้ได้คำตอบมาโดยใช้เพียงแค่ไม่กี่บรรทัด

Let me show you a couple of examples here.

ผมอยากแสดงให้คุณดูสัก 2-3 ตัวอย่าง

So here's a trivial piece of Mathematica programming.

นี่คือการแสดงคำถามของโปรแกรม Mathematica

Here's something where we're sort of

นี่คือสิ่งที่พวกเราได้

integrating a bunch of different capabilities here.

แยกย่อยความสามารถที่แตกต่างกันนี้

Here we'll just create, in this line,

นี่คือสิ่งที่พวกเราเพิ่งสร้างขึ้นจากบรรทัดนี้

a little user interface that allows us to

โดยใช้การติดต่อกับผู้ใช้งาน ทำให้เราได้

do something fun there.

บางอย่างที่น่าสนุกขึ้น

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

ถ้าคุณทำต่อไป ก็จะเกิดโปรแกรมที่ซับซ้อนมากขึ้น

that's now doing all sorts of algorithmic things

ซึ่งตอนนี้กำลังทำการประมวลผลอยู่

and creating user interface and so on.

และสร้างการติดต่อกับผู้ใช้ และอื่นๆ

But it's something that is very precise stuff.

แต่บางอย่างที่ต้องการความแม่นยำสูง

It's a precise specification with a precise formal language

จำเป็นต้องเฉพาะเจาะจงด้วยภาษาที่เป็นทางการ

that causes Mathematica to know what to do here.

นั่นจะทำให้ Mathematica รู้ว่าต้องทำอะไรต่อไป

Then on the other hand, we have Wolfram Alpha,

ในอีกด้านหนึ่งเรามี Wolfram Alpha

with all the messiness of the world

พร้อมทั้งการจัดระเบียบในโลกที่วุ่นวาย

and human language and so on built into it.

และภาษาของมนุษย์และอื่นๆที่สร้างมันขึ้นมา

So what happens when you put these things together?

และจะเกิดอะไรขึ้นเมื่อเอามารวมกัน

I think it's actually rather wonderful.

ผมคิดว่ามันค่อนข้างยอดเยี่ยม

With Wolfram Alpha inside Mathematica,

ด้วยการที่มี Wolfram Alpha อยู่ภายใน Mathematica

you can, for example, make precise programs

ยกตัวอย่างเช่น คุณสามารถที่จะทำโปรแกรมที่มีความแม่นยำ

that call on real world data.

ที่เรียกว่าข้อมูลจริง

Here's a real simple example.

นี่คือตัวอย่างง่ายๆที่เกิดขึ้น

You can also just sort of give vague input

คุณสามารถเพียงใส่ข้อมูลคร่าวๆ

and then try and have Wolfram Alpha

แล้วใช้ Wolfram Alpha

figure out what you're talking about.

ตอบคำตอบที่คุณคิดอยู่

Let's try this here.

และลองอันนี้

But actually I think the most exciting thing about this

แต่ผมคิดว่าสิ่งที่น่าตื่นเต้นที่สุดคือ

is that it really gives one the chance

มันเปิดโอกาสให้

to democratize programming.

ใช้งานโปรแกรมได้อย่างเท่าเทียมกัน

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

ผมหมายถึงว่าไม่ว่าใครสามารถที่จะค้นหาสิ่งที่ต้องการโดยใช้ภาษาที่เรียบง่าย

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

ตามแนวคิดที่ว่า Wolfram Alpha สามารถเข้าใจคำถามที่ถาม

what precise pieces of code

โดยใช้โค้ตที่แม่นยำ

can do what they're asking for

สามารถตอบคำถามได้

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

และแสดงผลทั้งหมดออกมาให้เลือก

to build up bigger and bigger, precise programs.

เพื่อการสร้างโปรแกรมที่มีความแม่นยำมากยิ่งขึ้น

So, sometimes, Wolfram Alpha

ในบางครั้ง Wolfram Alpha

will be able to do the whole thing immediately

จะทำการทั้งหมดในทันที

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

แล้วกลับมาที่โปรแกรมที่คำนวณได้

Here's a big website

นี่คือเวปไซต์ขนาดใหญ่

where we've been collecting lots of educational

ซึ่งพวกเราได้ทำการรวบรวมความรู้

and other demonstrations about lots of kinds of things.

และการสาธิตที่เกี่ยวกับสิ่งต่างๆ

I'll show you one example here.

ดังนั้น ผมจะแสดงให้อีกตัวอย่าง

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

นี่คือตัวอย่างการแสดงการคำนวณ

This is probably a fairly small

มันค่อนข้างสั้น

piece of Mathematica code

เป็นส่วนหนี่งของโค้ตใน Mathematica

that's able to be run here.

ที่รันบนนี้ได้

Okay. Let's zoom out again.

ถ้าพูดถึงภาพกว้างอีกครั้ง

So, given our new kind of science,

นี่เป็นวิทยาศาสตร์แบบใหม่

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

มีวิธีอื่นอีกไหมที่ใช้มันเพื่อสร้างเทคโนโลยี

So, with physical materials,

ร่วมกับอุปกรณ์อื่นๆ

we're used to going around the world

พวกเราเคยชินกับการไปรอบโลก

and discovering that particular materials

เพื่อค้นหาทรัพยากร

are useful for particular

เพื่อใช้ในงานเฉพาะทาง

technological purposes.

ด้านเทคโนโลยี และอื่นๆ

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

ทำให้พวกเราสามารถทำสิ่งต่างๆที่คล้ายกันได้

in the computational universe.

ในจักรวาลของการคำนวณ

There's an inexhaustible supply of programs out there.

ยังมีโปรแกรมอีกเยอะมากไม่สิ้นสุด

The challenge is to see how to

ความท้าทายนี้ทำให้เห็นว่า

harness them for human purposes.

จะให้มันทำงานตามความต้องการของมนุษย์ได้อย่างไร

Something like Rule 30, for example,

บางสิ่งเช่นกฎที่ 30 เป็นตัวอย่าง

turns out to be a really good randomness generator.

กลายเป็นว่ามันสุ่มเลขได้ค่อนข้างดี

Other simple programs are good models

มีโปรแกรมอื่นๆอีกก็เป็นแบบจำลองที่ดี

for processes in the natural or social world.

สำหรับกระบวนการในธรรมชาติและสังคม

And, for example, Wolfram Alpha and Mathematica

ดังตัวอย่างของ Wolfram Alpha และ Mathematica

are actually now full of algorithms

นั้นเต็มไปด้วยอัลกอริทึมที่ใช้ในการแก้ปัญหา

that we discovered by searching the computational universe.

ที่เราค้นพบโดยการใช้จักรวาลของการคำนวณ

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

และตัวอย่างนี้ เรากลับมาดูที่นี่

this has become surprisingly popular

นี่เป็นสิ่งที่ได้รับการตอบรับอย่างน่าทึ่ง

among composers

เปรียบได้กับนักแต่งเพลง

finding musical forms by searching the computational universe.

ที่หารูปแบบดนตรีโดยใช้จักรวาลของการคำนวณ

In a sense, we can use the computational universe

หมายความว่า เราสามารถใช้จักรวาลการคำนวณ

to get mass customized creativity.

เพื่อทำงานที่สร้างสรรค์ได้จำนวนมาก

I'm hoping we can, for example,

ผมหวังว่าเราสามารถทำได้

use that even to get Wolfram Alpha

โดยใช้ Wolfram Alpha

to routinely do invention and discovery on the fly,

ให้มันทำงานการประดิษฐ์และค้นคว้างานที่ซ้ำๆ

and to find all sorts of wonderful stuff

และเพื่อให้เกิดงานที่ยอดเยี่ยม

that no engineer

โดยี่ไม่ต้องใช้วิศวกรเลย

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

หรือกระบวนการวิวัฒนาการใดๆเลย

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

เพื่อนำไปสู่การค้นหาคำตอบที่ดีที่สุด

Could it be that someplace out there in the computational universe

เป็นไปได้หรือไม่ที่ยังมีสิ่งอื่นที่อยู่นอกเหนือจักรวาลการคำนวณ

we might find our physical universe?

ที่ซึ่งเราอาจพบเจอบนจักรวาลนี้

Perhaps there's even some quite simple rule,

บางทีสิ่งนี้อาจเป็นเพียงแค่กฎที่ไม่ยุ่งยาก

some simple program for our universe.

เป็นโปรแกรมง่ายสำหรับจักรวาลของเรา

Well, the history of physics would have us believe

จากอดีดทำให้เราเชื่อว่า

that the rule for the universe must be pretty complicated.

กฎของจักรวาลต้องเป็นเรื่องที่ยากซับซ้อน

But in the computational universe,

แต่ในจักรวาลของการคำนวณ

we've now seen how rules that are incredibly simple

เราได้เห็นแล้วว่ากฎต่างๆนั้นเรียบง่ายอย่างไม่น่าเชื่อ

can produce incredibly rich and complex behavior.

ซึ่งทำให้เกิดลักษณะที่ซับซ้อนมากมาย

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

นั่นเป็นอาจเป็นสิ่งที่เกิดขึ้นในจักรวาลใช่ไหม?

If the rules for the universe are simple,

ถ้ากฏของจักรวาลเป็นเรื่องง่าย

it's kind of inevitable that they have to be

ก็เป็นสิ่งที่หลีกเลี่ยงไม่ได้ที่จะ

very abstract and very low level;

ใช้กระบวนการจากทฤษฎี

operating, for example, far below

ที่ไม่ซับซ้อนมาก ต่ำกว่า

the level of space or time,

ระดับของช่วง หรือเวลา

which makes it hard to represent things.

ซึ่งเป็นการยากที่จะแสดงออกมา

But in at least a large class of cases,

นับเป็นงานขนาดใหญ่

one can think of the universe as being

บางคนอาจคิดว่าจักรวาลเหมือนกับ

like some kind of network,

โครงข่าย

which, when it gets big enough,

ซึ่งใหญ่พอแล้ว

behaves like continuous space

เหมือนกับพื้นที่ที่ต่อเนื่อง

in much the same way as having lots of molecules

เช่นเดียวกับการมีโมเลกุลอยู่เป็นจำนวนมาก

can behave like a continuous fluid.

ซึ่งมีลักษณะราวกับเป็นของเหลวที่เคลื่อนไหว

Well, then the universe has to evolve by applying

ต่อมาจักรวาลจึงวิวัฒนาการโดย

little rules that progressively update this network.

ใช้กฎให้ค่อยๆพัฒนาจนกลายเป็นโครงข่าย

And each possible rule, in a sense,

และในแต่ละกฏ

corresponds to a candidate universe.

ก็จะเข้ากับกับจักรวาลที่ได้รับเลือก

Actually, I haven't shown these before,

ความจริงผมเองก็ยังไม่เคยนำเสนอสิ่งนี้มาก่อน

but here are a few of the candidate universes

แต่นี่คือจักรวาลที่ได้รับการเลือกเป็นบางส่วน

that I've looked at.

เมื่อผมได้ดู

Some of these are hopeless universes,

จักรวาลบางอันก็ถูกปล่อยทิ้งร้าง

completely sterile,

อย่างไร้ค่า

with other kinds of pathologies like no notion of space,

ไม่มีสภาวะใดๆ

no notion of time, no matter,

ไม่มีกาลเวลา ไม่มีอะไรเลย

other problems like that.

จึงเป็นปัญหาเช่นนี้

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

แต่ก็มีสิ่งที่น่าสนใจ ที่ผมเพิ่งค้นพบเมื่อไม่กี่ปีมานี้

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

ว่าคุณไม่จำเป็นต้องคาดการณ์ไปไกล

in the computational universe

ในจักรวาลของการคำนวณ

before you start finding candidate universes

ก่อนที่จะเริ่มต้นค้นหาจักรวาลที่เลือกมา

that aren't obviously not our universe.

และนั่นไม่แน่ว่าเป็นจักรวาลที่พวกเราอยู่

Here's the problem:

นี่แหละคือปัญหา

Any serious candidate for our universe

การเลือกตัวแทนสำหรับจักรวาลของเราขึ้นมานั้น

is inevitably full of computational irreducibility.

หลีกเลี่ยงไม่ได้ที่จะต้องทำการคำนวณแบบที่ลดรูปไม่ได้

Which means that it is irreducibly difficult

ซึ่งหมายถึง ในแบบที่ซับซ้อนยุ่งยาก

to find out how it will really behave,

เพื่อค้นหาว่ามันจะแสดงลักษณะออกมาอย่างไร

and whether it matches our physical universe.

และมันเข้าได้กับจักรวาลของเราในทางกายภาพหรือไม่

A few years ago, I was pretty excited to discover

เมื่อหลายปีก่อน ผมค่อนข้างตื่นเต้นกับการค้นพบ

that there are candidate universes with incredibly simple rules

จักรวาลที่เลือกมา เพื่อใช้กับกฎที่ไม่ซับซ้อน

that successfully reproduce special relativity,

ซึ่งอธิบายทฤษฏีสัมพัทธภาพพิเศษได้สำเร็จ

and even general relativity and gravitation,

และรวมถึงทฤษฎีสัมพัทธภาพทั่วไปและแรงโน้มถ่วง

and at least give hints of quantum mechanics.

และแนะแนวถึงควอนตั้มเมคานิกส์ด้วย

So, will we find the whole of physics?

ดังนั้นเราจะหาค้นฟิสิกส์ทั้งหมดได้หรือยัง ?

I don't know for sure,

นี่คือสิ่งที่ผมเองก็ไม่รู้

but I think at this point it's sort of

แต่ผมคิดว่านี่คือประเด็นของการค้นหา

almost embarrassing not to at least try.

อาจทำไม่ได้ แต่ก็น่าศึกษาดู

Not an easy project.

ไม่ใช่โครงการที่ง่ายเลย

One's got to build a lot of technology.

จำเป็นต้องสร้างเทคโนโลยีจำนวนมาก

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

ต้องสร้างโครงสร้างที่

at least as deep as existing physics.

ลึกลงไปกว่าฟิสิกส์ที่ใช้กันอยู่

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

และผมก็ไม่มั่นใจว่าอะไรคือสิ่งที่ดีที่สุดที่จะจัดระเบียบของสิ่งทั้งมวล

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

สร้างทีมงาน เปิดโอกาสให้มีการพัฒนา เสนอรางวัลและอื่นๆ

But I'll tell you, here today,

แต่สิ่งที่ผมจะบอกในวันนี้

that I'm committed to seeing this project done,

ผมยอมรับว่าจะได้เห็นโครงการนี้เสร็จสมบูรณ์แน่นอน

to see if, within this decade,

ภายในอีกสิบปี

we can finally hold in our hands

เราสามารถที่จะค้นพบ

the rule for our universe

กฏของจักรวาล

and know where our universe lies

และรู้เกี่ยวกับที่ตั้งของจักรวาล

in the space of all possible universes ...

ในปริภูมิที่มีจักรวาลอันมากมาย

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

และสามารถที่จะพิมพ์ลงใน Wolfram Alpha "ทฤษฎีของจักรวาล"

and have it tell us.

และให้มันแสดงผล

(Laughter)

(เสียงหัวเราะ)

So I've been working on the idea of computation

ด้งนั้นผมจึงทำงานบนแนวคิดของการคำนวณ

now for more than 30 years,

มาตลอดกว่า 30 ปี

building tools and methods and turning intellectual ideas

การสร้างเครื่องมือและวิธีการอย่างอัจฉริยะ

into millions of lines of code

ลงไปบนโค้ตกว่าล้านบรรทัด

and grist for server farms and so on.

และทำการประมวลผลด้วยเครื่องเซิร์ฟเวอร์จำนวนมาก

With every passing year,

ตลอดหลายปีที่ผ่านมา

I realize how much more powerful

ผมตระหนักถึงความทรงพลัง

the idea of computation really is.

ของแนวคิดในการคำนวณ

It's taken us a long way already,

มันได้ใช้เวลาไปมากแล้ว

but there's so much more to come.

แต่ก็ยังต้องใช้เวลาอีกมาก

From the foundations of science

จากพื้นฐานของวิทยาศาสตร์

to the limits of technology

จนถึงข้อจำกัดของเทคโนโลยี

to the very definition of the human condition,

ไปจนถึงข้อจำกัดของมนุษย์

I think computation is destined to be

ผมคิดว่าการคำนวณนี้ได้ถูกกำหนดไว้แล้ว

the defining idea of our future.

ถึงแนวคิดเกี่ยวกับอนาคต

Thank you.

ขอบคุณ

(Applause)

(เสียงปรบมือ)

Chris Anderson: That was astonishing.

คริส แอนเดอร์สัน : น่าทึ่งมาก

Stay here. I've got a question.

อยู่ตรงนี้ก่อนครับ ผมมีคำถาม

(Applause)

(เสียงปรบมือ)

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

เป็นการบรรยายที่น่าทึ่งมาก

Are you able to say in a sentence or two

ผมอยากให้คุณลองบอกว่า

how this type of thinking

ทำอย่างไรความคิดนี้

could integrate at some point

สามารถรวมกันได้ ณ จุดหนึ่ง

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

ที่จะเป็นทฤษฎีสตริง หรือสิ่งที่ผู้คนกันคิดอยู่

as the fundamental explanations of the universe?

ที่จะอธิบายฐานของจักรวาล?

Stephen Wolfram: Well, the parts of physics

สตีเฟน วูลเฟรม : ในส่วนของฟิสิกส์

that we kind of know to be true,

ที่พวกเรารู้ว่าเป็นจริง

things like the standard model of physics:

สิ่งที่เป็นฟิสิกส์มาตรฐาน

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

คือ ผมพยายามสร้างรูปแบบฟิสิกส์ที่เป็นมาตรฐานให้ดียิ่งขึ้น

or it's simply wrong.

หรืออาจผิดก็ได้

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

มีคนพยายามศึกษาแล้วอย่างน้อย 25 ปี

with string theory and so on

ด้วยทฤษฎีสตริง

have been an interesting exploration

เป็นการค้นหาที่น่าสนใจ

that has tried to get back to the standard model,

ที่จะกลับไปสู่รูปแบบมาตรฐาน

but hasn't quite gotten there.

แต่ก็ยังไม่ถึงขั้นนั้น

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

ผมคาดว่าสิ่งผมสร้างขึ้นอย่างดีเยี่ยมนี้

may actually have considerable resonance

อาจนำมาใช้เข้ากับ

with what's been done in string theory,

สิ่งที่เกิดขึ้นในทฤษฎีสตริง

but that's a complicated math thing

แต่นั่นต้องใช้คณิตศาสตร์ที่ซับซ้อนทีเดียว

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

ซึ่งผมเองก็ยังไม่รู้แน่ชัดว่าผลจะเป็นอย่างไร

CA: Benoit Mandelbrot is in the audience.

CA : Benoit Mandlebrot เขามาเป็นผู้ฟังในวันนี้ด้วย

He also has shown how complexity

เขาได้แสดงให้เห็นว่ามันซับซ้อนอย่างไร

can arise out of a simple start.

โดยเริ่มจากสิ่งที่ง่ายๆ

Does your work relate to his?

งานคุณเกี่ยวข้องกับเขาหรือเปล่า ?

SW: I think so.

SW : ผมก็คิดว่าอย่างนั้น

I view Benoit Mandelbrot's work

ผมได้ลองดูงานของ Benoit Mandlebrot

as one of the founding contributions

เป็นแบบอย่างที่เริ่มต้น

to this kind of area.

ของงานด้านนี้เช่นกัน

Benoit has been particularly interested

Benoit สนใจด้านนี้เป็นพิเศษ

in nested patterns, in fractals and so on,

ในรูปแบบ แบ่งเป็นส่วนๆ

where the structure is something

ในขณะที่โครงสร้างเป็นบางสิ่ง

that's kind of tree-like,

ที่เหมือนกับต้นไม้

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

เป็นต้นไม้ต้นใหญ่ที่แผ่กิ่งให้เกิดกิ่งเล็กๆ

and even smaller branches and so on.

และแตกแขนงออกไป

That's one of the ways

นั่นก็เป็นวิธีอีกแบบ

that you get towards true complexity.

ที่คุณจะไปสู่ความจริงที่ซับซ้อน

I think things like the Rule 30 cellular automaton

ผมคิดเช่นเดียวกับกฏที่ 30 Cellular automaton

get us to a different level.

นำไปสู่ระดับที่ต่างออกไป

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

ในความจริง ยังมีวิธีที่แม่นยำในระดับต่างๆ

because they seem to be things that are

เพราะว่ามีบางสิ่งที่

capable of complexity

สามารถจัดการกับความซับซ้อน

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

การไขความซับซ้อนที่ยิ่งใหญ่สามารถทำได้

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

ผมสามารถคุยต่อไปได้เรื่อยๆ แต่ผมว่าไม่ดีกว่า

CA: Stephen Wolfram, thank you.

CA : สตีเฟน วูลเฟรม ขอบคุณมากครับ

(Applause)

(เสียงปรบมือ)