How algorithms shape our world | Kevin Slavin

484,251 views ・ 2011-07-21

TED


โปรดดับเบิลคลิกที่คำบรรยายภาษาอังกฤษด้านล่างเพื่อเล่นวิดีโอ

Translator: Heartfelt Grace Reviewer: Unnawut Leepaisalsuwanna
00:15
This is a photograph
0
15260
2000
ภาพถ่ายภาพนี้
00:17
by the artist Michael Najjar,
1
17260
2000
บันทึกไว้โดยศิลปิน ไมเคิล นัจจาร์
00:19
and it's real,
2
19260
2000
และเป็นของจริงครับ
00:21
in the sense that he went there to Argentina
3
21260
2000
ในแง่ที่ว่าเขาได้เดินทางไปอาร์เจนตินาจริงๆ
00:23
to take the photo.
4
23260
2000
เพื่อถ่ายภาพนี้
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
25260
3000
แต่อีกแง่ก็เป็นจินตภาพ มีการตกแต่งภาพอีกพอควรหลังจากถ่ายภาพจริง
00:28
And what he's done
6
28260
2000
และสิ่งที่เขาได้ทำ
00:30
is he's actually reshaped, digitally,
7
30260
2000
ก็คือเขาได้ปรับเปลี่ยนรูปทรงในทางดิจิตอล
00:32
all of the contours of the mountains
8
32260
2000
โครงร่างทั้งหมดของภูเขานั่น
00:34
to follow the vicissitudes of the Dow Jones index.
9
34260
3000
ให้ล้อไปตามการผันผวนของดัชนีดาวโจนส์
00:37
So what you see,
10
37260
2000
สิ่งที่คุณเห็น
00:39
that precipice, that high precipice with the valley,
11
39260
2000
เงื้อมผานั่น เงื้อมผาสูงตรงหุบเขานั่น
00:41
is the 2008 financial crisis.
12
41260
2000
คือวิกฤตการเงินปี ค.ศ.2008 ครับ
00:43
The photo was made
13
43260
2000
ภาพถ่ายภาพนี้ทำขึ้น
00:45
when we were deep in the valley over there.
14
45260
2000
ในตอนที่เราจมดิ่งลึกที่สุดในหุบเขาตรงนั้น
00:47
I don't know where we are now.
15
47260
2000
ผมไม่รู้ว่าตอนนี้เราอยู่ ณ ตำแหน่งไหน
00:49
This is the Hang Seng index
16
49260
2000
อันนี้เป็นดัชนีฮั่งเส็ง (Hang Seng index)
00:51
for Hong Kong.
17
51260
2000
ของฮ่องกง
00:53
And similar topography.
18
53260
2000
และมีภูมิลักษณ์คล้ายกัน
00:55
I wonder why.
19
55260
2000
ผมสงสัยว่าเพราะเหตุใด
00:57
And this is art. This is metaphor.
20
57260
3000
และนี่คือศิลปะ คือการอุปมา
01:00
But I think the point is
21
60260
2000
แต่ผมคิดว่าประเด็นก็คือ
01:02
that this is metaphor with teeth,
22
62260
2000
นี่เป็นการอุปมาเปรียบเทียบกับฟัน
01:04
and it's with those teeth that I want to propose today
23
64260
3000
และก็ด้วยฟันพวกนั้นที่ผมอยากจะเสนอให้วันนี้
01:07
that we rethink a little bit
24
67260
2000
ว่าเราต้องมาย้อนคิดกันนิดหนึ่ง
01:09
about the role of contemporary math --
25
69260
3000
ถึงบทบาทของคณิตศาสตร์ร่วมสมัย
01:12
not just financial math, but math in general.
26
72260
3000
ไม่ใช่แค่คณิตศาสตร์การเงิน แต่เป็นคณิตศาสตร์ในภาพรวม
01:15
That its transition
27
75260
2000
นั่นก็คือ การแปร
01:17
from being something that we extract and derive from the world
28
77260
3000
จากสิ่งที่เรากลั่นกรองและถอดความมาจากสิ่งที่เกิดขึ้นจริงในโลก
01:20
to something that actually starts to shape it --
29
80260
3000
ไปเป็นสิ่งที่ย้อนกลับมามีอิทธิพลกับ
01:23
the world around us and the world inside us.
30
83260
3000
โลกรอบตัวเราและโลกในมโนภาพของเรา
01:26
And it's specifically algorithms,
31
86260
2000
โดยเฉพาะอัลกอริทึม
01:28
which are basically the math
32
88260
2000
ซึ่งโดยพื้นฐานแล้วก็คือคณิตศาสตร์
01:30
that computers use to decide stuff.
33
90260
3000
ที่คอมพิวเตอร์ใช้ในการตัดสินใจ
01:33
They acquire the sensibility of truth
34
93260
2000
อัลกอริทึมเข้าใกล้ความเป็นจริงไปเรื่อยๆ
01:35
because they repeat over and over again,
35
95260
2000
เพราะว่ามันถูกใช้ซ้ำแล้วซ้ำอีก
01:37
and they ossify and calcify,
36
97260
3000
และมันก็เป็นรูปเป็นร่างเหมือนแปรเป็นหินเป็นแคลเซียม
01:40
and they become real.
37
100260
2000
แล้วมันก็กลายเป็นของจริง
01:42
And I was thinking about this, of all places,
38
102260
3000
และผมก็คิดเกี่ยวกับอะไรพวกนี้ทั่วทุกที่ครับ
01:45
on a transatlantic flight a couple of years ago,
39
105260
3000
บนเที่ยวบินข้ามมหาสมุทรแอตแลนติกเมื่อปีสองปีก่อน
01:48
because I happened to be seated
40
108260
2000
เพราะว่าผมได้นั่ง
01:50
next to a Hungarian physicist about my age
41
110260
2000
ถัดจากนักฟิสิกส์ชาวฮังการีที่อายุไล่เลี่ยกับผม
01:52
and we were talking
42
112260
2000
แล้วเราก็คุยกัน
01:54
about what life was like during the Cold War
43
114260
2000
ถึงสภาพชีวิตความเป็นอยู่ในช่วงสงครามเย็น
01:56
for physicists in Hungary.
44
116260
2000
ของนักฟิสิกส์ในฮังการี
01:58
And I said, "So what were you doing?"
45
118260
2000
และผมว่า "งั้น ตอนนั้นคุณทำอะไรครับ?"
02:00
And he said, "Well we were mostly breaking stealth."
46
120260
2000
เขาตอบ "อืม พวกเราเป็นนักทำลายการล่องหน"
02:02
And I said, "That's a good job. That's interesting.
47
122260
2000
ผมว่า "เยี่ยมมากเลย น่าสนใจมากครับ
02:04
How does that work?"
48
124260
2000
มันเป็นยังไงครับ?"
02:06
And to understand that,
49
126260
2000
และเพื่อที่จะเข้าใจเรื่องนี้
02:08
you have to understand a little bit about how stealth works.
50
128260
3000
เราต้องเข้าใจสักนิดเสียก่อนว่าการล่องหนมีลักษณะการทำงานอย่างไร
02:11
And so -- this is an over-simplification --
51
131260
3000
ดังนั้น -- อันนี้เป็นแบบย่นย่อให้เข้าใจง่ายๆ นะครับ --
02:14
but basically, it's not like
52
134260
2000
แต่โดยทั่วๆไปแล้วมันไม่ใช่ว่าแค่
02:16
you can just pass a radar signal
53
136260
2000
เราจะฉายสัญญาณเรดาร์
02:18
right through 156 tons of steel in the sky.
54
138260
3000
ตัดผ่านทะลุเข้าไปในเหล็กกล้าหนักร่วม 156 ตันในอากาศ
02:21
It's not just going to disappear.
55
141260
3000
มันคงไม่หายแว่บไปหรอกครับ
02:24
But if you can take this big, massive thing,
56
144260
3000
แต่ถ้าเราเอาเจ้ายักษ์ใหญ่นี่
02:27
and you could turn it into
57
147260
3000
แล้วเปลี่ยนมันให้กลายเป็น
02:30
a million little things --
58
150260
2000
สิ่งละอันพันละน้อยเป็นล้านๆชิ้น
02:32
something like a flock of birds --
59
152260
2000
เหมือนกับฝูงนกงั้นแหละครับ
02:34
well then the radar that's looking for that
60
154260
2000
พอเป็นแบบนั้น เรดาร์ก็ต้องจับให้ได้
02:36
has to be able to see
61
156260
2000
ต้องสามารถจับ
02:38
every flock of birds in the sky.
62
158260
2000
ฝูงนกบนฟ้าทุกฝูง
02:40
And if you're a radar, that's a really bad job.
63
160260
4000
และถ้าเราเป็นเรดาร์ นั่นเป็นงานที่ไม่เข้าท่าเอาเลย
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
164260
3000
แล้วเขาก็ว่า "ใช่ครับ" เขาบอก "แต่นั่นถ้าเราเป็นเรดาร์
02:47
So we didn't use a radar;
65
167260
2000
ดังนั้น พวกผมจึงไม่ใช้เรดาร์
02:49
we built a black box that was looking for electrical signals,
66
169260
3000
พวกผมสร้างกล่องดำที่ทำหน้าที่จับสัญญาณไฟฟ้า
02:52
electronic communication.
67
172260
3000
สัญญาณสื่อสารอิเล็กทรอนิกส์
02:55
And whenever we saw a flock of birds that had electronic communication,
68
175260
3000
และเมื่อใดก็ตามที่พวกผมเห็นฝูงนกที่มีการสื่อสารด้วยสัญญาณอิเล็กทรอนิกส์
02:58
we thought, 'Probably has something to do with the Americans.'"
69
178260
3000
พวกผมจะคิดว่า มันมีส่วนเกี่ยวข้องกับพวกอเมริกันแน่ๆ"
03:01
And I said, "Yeah.
70
181260
2000
ผมบอก "ใช่แล้ว
03:03
That's good.
71
183260
2000
เยี่ยมครับ
03:05
So you've effectively negated
72
185260
2000
งั้น พวกคุณก็ได้ล้มล้างงานวิจัยด้านการบิน
03:07
60 years of aeronautic research.
73
187260
2000
ที่มีมายาวนาน 60 ปีได้อย่างมีประสิทธิผล
03:09
What's your act two?
74
189260
2000
แล้วช่วงถัดมาหละครับ?
03:11
What do you do when you grow up?"
75
191260
2000
พวกคุณทำอะไรตอนโต?"
03:13
And he said,
76
193260
2000
เขาตอบ
03:15
"Well, financial services."
77
195260
2000
"อ้อ ทำงานในภาคการเงินครับ"
03:17
And I said, "Oh."
78
197260
2000
ผมว่า "โอ้"
03:19
Because those had been in the news lately.
79
199260
3000
เพราะภาคการเงินมักเป็นข่าวอยู่เมื่อเร็วๆนี้เอง
03:22
And I said, "How does that work?"
80
202260
2000
ผมว่า "แล้วไปไงมาไงหละครับ?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
204260
2000
เขาตอบ "มีนักฟิสิกส์กว่า 2,000 คนทำงานที่วอลล์สตรีทในขณะนี้
03:26
and I'm one of them."
82
206260
2000
และผมก็เป็นแค่หนึ่งในนั้นครับ"
03:28
And I said, "What's the black box for Wall Street?"
83
208260
3000
ผมก็ถามว่า "อะไรเป็นกล่องดำสำหรับวอลล์สตรีทครับ?"
03:31
And he said, "It's funny you ask that,
84
211260
2000
เขาตอบ "คุณถามอะไรได้ขำจริงๆครับ
03:33
because it's actually called black box trading.
85
213260
3000
เพราะ เขาเรียกมันว่า "การซื้อขายแบบกล่องดำ (black box trading)"
03:36
And it's also sometimes called algo trading,
86
216260
2000
บางทีก็เรียกว่า "การซื้อขายแบบอัลกอ"
03:38
algorithmic trading."
87
218260
3000
การซื้อขายแบบอัลกอริทึมครับ"
03:41
And algorithmic trading evolved in part
88
221260
3000
การซื้อขายแบบอัลกอริทึมมีส่วนเกี่ยวข้อง
03:44
because institutional traders have the same problems
89
224260
3000
เพราะว่าการซื้อขายของสถาบันต้องเจอกับคำถามแบบเดียว
03:47
that the United States Air Force had,
90
227260
3000
กับที่กองทัพอากาศสหรัฐอเมริกาเจอ
03:50
which is that they're moving these positions --
91
230260
3000
ก็คือ หากเขาเปลี่ยนตำแหน่งหรือจุดยืน
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
233260
2000
ไม่ว่าจะเป็น พรอคเตอร์แอนด์แกมเบิล หรือ แอคเซนเชอร์ อะไรก็ตามแต่
03:55
they're moving a million shares of something
93
235260
2000
พวกเขากำลังเคลื่อนย้ายหุ้นเป็นล้านหุ้น
03:57
through the market.
94
237260
2000
ผ่านระบบตลาด
03:59
And if they do that all at once,
95
239260
2000
และถ้าพวกเขาทำแบบนั้นภายในครั้งเดียว
04:01
it's like playing poker and going all in right away.
96
241260
2000
ก็จะเหมือนกับการเล่นไพ่โป๊กเกอร์แบบทุ่มไปเลยหนเดียว
04:03
You just tip your hand.
97
243260
2000
เราก็แค่เปิดไพ่ให้คนอื่นเห็น
04:05
And so they have to find a way --
98
245260
2000
เพราะงั้น พวกเขาจึงต้องค้นหาวิธีการ
04:07
and they use algorithms to do this --
99
247260
2000
และพวกเขาก็ใช้อัลกอริทึม
04:09
to break up that big thing
100
249260
2000
ให้การแยกของชิ้นใหญ่
04:11
into a million little transactions.
101
251260
2000
ให้กลายเป็นรายการย่อยๆนับล้าน
04:13
And the magic and the horror of that
102
253260
2000
ความมหัศจรรย์และความน่าพรั่นสะพรึงก็คือ
04:15
is that the same math
103
255260
2000
คณิตศาสตร์อย่างเดียวกัน
04:17
that you use to break up the big thing
104
257260
2000
ที่เราใช้ในการแยกส่วนของของชิ้นใหญ่
04:19
into a million little things
105
259260
2000
ให้เป็นชิ้นเล็กๆนับล้านชิ้น
04:21
can be used to find a million little things
106
261260
2000
สามารถใช้ในการค้นหาสิ่งเล็กๆนับล้านชิ้น
04:23
and sew them back together
107
263260
2000
แล้วเอามาเย็บติดรวมคืนเข้าด้วยกัน
04:25
and figure out what's actually happening in the market.
108
265260
2000
เพื่อค้นหาว่าอะไรกันแน่ที่เกิดขึ้นในระบบตลาดซื้อขาย
04:27
So if you need to have some image
109
267260
2000
ดังนั้น ถ้าเราต้องการจะได้ภาพ
04:29
of what's happening in the stock market right now,
110
269260
3000
ว่าเกิดอะไรขึ้นในตลาดหลักทรัพย์ในขณะนี้
04:32
what you can picture is a bunch of algorithms
111
272260
2000
สิ่งที่เราอาจนึกภาพออกก็คืออัลกอริทึมกลุ่มหนึ่ง
04:34
that are basically programmed to hide,
112
274260
3000
ซึ่งถูกเขียนโปรแกรมซ่อนไว้
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
277260
3000
และก็อัลกอริทึมอีกกลุ่มหนึ่งที่ถูกเขียนโปรแกรมไว้ให้หากลุ่มที่ซ่อนแล้วเริ่มปฏิบัติการ
04:40
And all of that's great, and it's fine.
114
280260
3000
ทั้งหมดนี้ยอดเยี่ยมครับและก็ใช้การได้ดีด้วย
04:43
And that's 70 percent
115
283260
2000
นับแล้วร้อยละ 70
04:45
of the United States stock market,
116
285260
2000
ของตลาดหลักทรัพย์ในสหรัฐอเมริกา
04:47
70 percent of the operating system
117
287260
2000
ร้อยละ 70 ของระบบ
04:49
formerly known as your pension,
118
289260
3000
ที่เป็นที่รู้จักก่อนหน้านี้ในฐานะเงินบำนาญของคุณ
04:52
your mortgage.
119
292260
3000
การจำนองอสังหาริมทรัพย์ของคุณ
04:55
And what could go wrong?
120
295260
2000
แล้วจะเกิดความผิดพลาดอะไรงั้นหรือ?
04:57
What could go wrong
121
297260
2000
ความผิดพลาดที่อาจเกิดขึ้น
04:59
is that a year ago,
122
299260
2000
ก็คือ หนึ่งปีที่ผ่านมา
05:01
nine percent of the entire market just disappears in five minutes,
123
301260
3000
ร้อยละ 9 ของทั้งตลาดหายแว่บไปกับตาภายใน 5 นาที
05:04
and they called it the Flash Crash of 2:45.
124
304260
3000
พวกเขาเรียกมันว่า 'เหตุล้มครืน ณ บ่ายสองสี่สิบห้า'
05:07
All of a sudden, nine percent just goes away,
125
307260
3000
ทันทีทันควัน ร้อยละ 9 ของตลาดก็หายวับไป
05:10
and nobody to this day
126
310260
2000
และไม่มีใครเลยจนกระทั่งวันนี้
05:12
can even agree on what happened
127
312260
2000
ที่จะปักใจอธิบายได้ว่าเกิดอะไรขึ้นในวันนั้น
05:14
because nobody ordered it, nobody asked for it.
128
314260
3000
เพราะไม่มีใครสั่งให้มันเกิดขึ้น ไม่มีขอให้มันเกิดขึ้น
05:17
Nobody had any control over what was actually happening.
129
317260
3000
ไม่มีใครมีอำนาจควบคุมในสิ่งที่ได้เกิดขึ้น
05:20
All they had
130
320260
2000
ทั้งหมดที่พวกเขามี
05:22
was just a monitor in front of them
131
322260
2000
ก็แค่จอคอมพิวเตอร์ตรงหน้า
05:24
that had the numbers on it
132
324260
2000
ที่มีแต่ตัวเลขเต็มไปหมด
05:26
and just a red button
133
326260
2000
แล้วก็ปุ่มสีแดง
05:28
that said, "Stop."
134
328260
2000
ที่เขียนว่า "หยุด"
05:30
And that's the thing,
135
330260
2000
นั่นแหละครับคือประเด็นหละ
05:32
is that we're writing things,
136
332260
2000
ก็คือ เราเขียนโปรแกรมนั่นนี่ขึ้นมา
05:34
we're writing these things that we can no longer read.
137
334260
3000
เรากำลังเขียนโปรแกรมในสิ่งที่เราไม่สามารถอ่านมันออกอีกต่อไป
05:37
And we've rendered something
138
337260
2000
และเราถอดความบางอย่าง
05:39
illegible,
139
339260
2000
ที่อ่านไม่ออก
05:41
and we've lost the sense
140
341260
3000
และเราสูญเสียสามัญสำนึก
05:44
of what's actually happening
141
344260
2000
ว่ากำลังเกิดอะไรขึ้น
05:46
in this world that we've made.
142
346260
2000
ในโลกที่เราสร้างขึ้นมา
05:48
And we're starting to make our way.
143
348260
2000
และเราเริ่มสร้างหนทางของเราขึ้นมา
05:50
There's a company in Boston called Nanex,
144
350260
3000
มีบริษัทหนึ่งในเมืองบอสตัน ชื่อ นาเน็กซ์ (Nanex)
05:53
and they use math and magic
145
353260
2000
เขาใช้คณิตศาสตร์และมายากล
05:55
and I don't know what,
146
355260
2000
และก็ไม่รู้ว่าใช้อะไรอีก
05:57
and they reach into all the market data
147
357260
2000
พวกเขาเข้าถึงข้อมูลทั้งหมดของตลาด
05:59
and they find, actually sometimes, some of these algorithms.
148
359260
3000
บางครั้ง พวกเขาค้นพบบางส่วนของอัลกอริทึมพวกนี้
06:02
And when they find them they pull them out
149
362260
3000
พอพบมัน พวกเขาก็จัดการดึงมันออกมา
06:05
and they pin them to the wall like butterflies.
150
365260
3000
แล้วก็ปักหมุดตรึงมันไว้กับผนังเหมือนพวกผีเสื้อ
06:08
And they do what we've always done
151
368260
2000
พวกเขาทำในสิ่งที่พวกเรามักทำเสมอ
06:10
when confronted with huge amounts of data that we don't understand --
152
370260
3000
เมื่อเผชิญกับข้อมูลปริมาณมหาศาลที่พวกเราไม่มีความเข้าใจ
06:13
which is that they give them a name
153
373260
2000
นั่นก็คือ การตั้งชื่อให้พวกมัน
06:15
and a story.
154
375260
2000
และสร้างเรื่องราวขึ้นมา
06:17
So this is one that they found,
155
377260
2000
อันนี้เป็นหนึ่งในที่พวกเขาค้นพบ
06:19
they called the Knife,
156
379260
4000
พวกเขาเรียก "มีด (the Knife)"
06:23
the Carnival,
157
383260
2000
"เทศกาลฉลอง (the Carnival)"
06:25
the Boston Shuffler,
158
385260
4000
"ไพ่สับแบบบอสตัน (the Boston Shuffler)"
06:29
Twilight.
159
389260
2000
"แสงอัสดง (Twilight)"
06:31
And the gag is
160
391260
2000
และมุขก็คือว่า
06:33
that, of course, these aren't just running through the market.
161
393260
3000
แน่ๆ อัลกอริทึมพวกนี้ไม่ได้ทำงานแค่ในตลาดหลักทรัพย์เท่านั้น
06:36
You can find these kinds of things wherever you look,
162
396260
3000
เราอาจไปเจอมันที่ไหนก็ได้ถ้าเรามองหา
06:39
once you learn how to look for them.
163
399260
2000
พอเราเรียนรู้ที่จะมองหามันเป็น
06:41
You can find it here: this book about flies
164
401260
3000
คุณอาจเจอมันในนี้ ในหนังสือเล่มนี้ซึ่งเกี่ยวกับแมลง
06:44
that you may have been looking at on Amazon.
165
404260
2000
ที่คุณอาจจะมองหาจากร้านหนังสืออะเมซอน (Amazon)
06:46
You may have noticed it
166
406260
2000
คุณอาจสังเกตเห็นนะครับ
06:48
when its price started at 1.7 million dollars.
167
408260
2000
ว่าเมื่อราคาหนังสือไปอยู่ที่เล่มละ 1.7 ล้านดอลลาร์
06:50
It's out of print -- still ...
168
410260
2000
หนังสือก็ยังขาดตลาดอยู่ดังเดิม
06:52
(Laughter)
169
412260
2000
(เสียงหัวเราะ)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
414260
3000
ถ้าคุณซื้อมันมาในราคานั้น ถือได้ว่าคุณได้มันมาในราคาลด
06:57
A few hours later, it had gone up
171
417260
2000
สองสามชั่วโมงต่อมา ราคาพุ่งขึ้นไป
06:59
to 23.6 million dollars,
172
419260
2000
เป็น 23.6 ล้านดอลลาร์
07:01
plus shipping and handling.
173
421260
2000
บวกค่าจัดส่ง
07:03
And the question is:
174
423260
2000
และคำถามก็คือ:
07:05
Nobody was buying or selling anything; what was happening?
175
425260
2000
ไม่มีใครกำลังจะซื้อหรือขายอะไรทั้งสิ้น เกิดอะไรขึ้นกันแน่ครับ?
07:07
And you see this behavior on Amazon
176
427260
2000
และคุณเห็นพฤติกรรมแบบนี้ในร้านหนังสืออะเมซอน
07:09
as surely as you see it on Wall Street.
177
429260
2000
แน่นอนเช่นเดียวกันกับที่คุณเห็นในวอลล์สตรีท
07:11
And when you see this kind of behavior,
178
431260
2000
และเมื่อคุณเห็นพฤติกรรมประเภทนี้
07:13
what you see is the evidence
179
433260
2000
สิ่งที่คุณเห็นก็คือหลักฐานว่า
07:15
of algorithms in conflict,
180
435260
2000
อัลกอริทึมทำงานขัดแย้งกัน
07:17
algorithms locked in loops with each other,
181
437260
2000
อัลกอริทึมถูกดึงให้มาทำงานด้วยกันเป็นวงวน
07:19
without any human oversight,
182
439260
2000
โดยไม่มีใครมาคอยดู
07:21
without any adult supervision
183
441260
3000
ไม่มีผู้ใหญ่มาคอยกำกับดูแล
07:24
to say, "Actually, 1.7 million is plenty."
184
444260
3000
ที่จะบอกว่า "เฮ้ 1.7 ล้านดอลลาร์นี่มันเยอะอยู่นะ"
07:27
(Laughter)
185
447260
3000
(เสียงหัวเราะ)
07:30
And as with Amazon, so it is with Netflix.
186
450260
3000
และก็เหมือนกับกรณีร้านหนังสืออะเมซอน กรณีของร้านเช่าวิดีโอเน็ตฟลิคซ์ (Netflix) ก็เช่นกัน
07:33
And so Netflix has gone through
187
453260
2000
ดังนั้น เน็ตฟลิคซ์จึงต้องเปลี่ยน
07:35
several different algorithms over the years.
188
455260
2000
อัลกอริทึมหลายแบบมากตลอดหลายปีที่ผ่านมา
07:37
They started with Cinematch, and they've tried a bunch of others --
189
457260
3000
พวกเขาเริ่มต้นด้วย ซินเนแมตช์ (Cinematch) และก็ลองใช้อย่างอื่นอีกเป็นตั้ง
07:40
there's Dinosaur Planet; there's Gravity.
190
460260
2000
มี 'โลกไดโนเสาร์ (Dinosaur Planet)', 'แรงดึงดูด (Gravity)'
07:42
They're using Pragmatic Chaos now.
191
462260
2000
ตอนนี้ พวกเขาใช้ 'ความยุ่งเหยิงเชิงปฏิบัติ (Pragmatic Chaos)'
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
464260
2000
'ความยุ่งเหยิงเชิงปฏิบัติ' นี้ก็เหมือนกับอัลกอริทึมของเน็ตฟริคซ์อื่นๆ
07:46
trying to do the same thing.
193
466260
2000
ที่พยายามทำในสิ่งเดิม
07:48
It's trying to get a grasp on you,
194
468260
2000
มันพยายามที่จะควบคุมคุณไว้
07:50
on the firmware inside the human skull,
195
470260
2000
ควบคุมโปรแกรมที่อยู่ในกระโหลกของมนุษย์
07:52
so that it can recommend what movie
196
472260
2000
เพื่อที่มันจะสามารถแนะนำหนัง
07:54
you might want to watch next --
197
474260
2000
เรื่องต่อไปที่คุณอาจจะอยากดู
07:56
which is a very, very difficult problem.
198
476260
3000
ซึ่งเป็นปัญหาที่ยากมากเหลือเกินครับ
07:59
But the difficulty of the problem
199
479260
2000
แต่ความยากของปัญหานี้
08:01
and the fact that we don't really quite have it down,
200
481260
3000
และความจริงที่ว่า เราเองก็ไม่ค่อยจะรู้หรอกว่าอยากดูอะไรจริงๆ
08:04
it doesn't take away
201
484260
2000
มันไม่ได้ทำให้ผลกระทบ
08:06
from the effects Pragmatic Chaos has.
202
486260
2000
จากอัลกอริทึมความยุ่งเหยิงเชิงปฏิบัติหายไปไหนเลย
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
488260
3000
'ความยุ่งเหยิงเชิงปฏิบัติ' ก็เหมือนกับอัลกอริทึมของเน็ตฟลิคซ์อื่นๆ
08:11
determines, in the end,
204
491260
2000
ที่ในตอนท้ายสุดเป็นตัวบ่งว่า
08:13
60 percent
205
493260
2000
ร้อยละ 60
08:15
of what movies end up being rented.
206
495260
2000
ของหนังที่ถูกเช่าไปคืออะไร
08:17
So one piece of code
207
497260
2000
โปรแกรมคอมพิวเตอร์ชิ้นหนึ่ง
08:19
with one idea about you
208
499260
3000
กับไอเดียเกี่ยวกับคุณเพียงข้อเดียว
08:22
is responsible for 60 percent of those movies.
209
502260
3000
ที่มีส่วนรับผิดชอบถึงร้อยละ 60 ของหนังที่ถูกเช่าไป
08:25
But what if you could rate those movies
210
505260
2000
แต่ว่าถ้าคุณสามารถให้คะแนนหนังพวกนั้นได้ล่ะ
08:27
before they get made?
211
507260
2000
ก่อนที่เขาจะสร้างหนังนะครับ?
08:29
Wouldn't that be handy?
212
509260
2000
มันจะไม่ช่วยมากกว่าอีกหรือ?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
511260
3000
อืม มีนักวิทยาศาสตร์ด้านข้อมูลสองสามคนจากอังกฤษที่อยู่ในฮอลลีวูดตอนนี้
08:34
and they have "story algorithms" --
214
514260
2000
พวกเขามีอัลกอริทึมบทหนังครับ
08:36
a company called Epagogix.
215
516260
2000
บริษัทนี้ชื่อ เอพากอกิคซ์ (Epagogix)
08:38
And you can run your script through there,
216
518260
3000
และคุณสามารถส่งบทหนังไปให้พวกเขาใช้อัลกอริทึมเช็คดู
08:41
and they can tell you, quantifiably,
217
521260
2000
เขาจะบอกคุณได้เป็นปริมาณ
08:43
that that's a 30 million dollar movie
218
523260
2000
ว่านั่นเป็นหนังงบสร้าง 30 ล้านดอลลาร์
08:45
or a 200 million dollar movie.
219
525260
2000
หรือว่าหนังงบสร้าง 200 ล้านดอลลาร์
08:47
And the thing is, is that this isn't Google.
220
527260
2000
และแง่มุมของมันก็คือมันไม่ใช่กูเกิ้ล
08:49
This isn't information.
221
529260
2000
มันไม่ใช่ข้อมูล
08:51
These aren't financial stats; this is culture.
222
531260
2000
มันไม่ใช่สถิติทางการเงิน แต่มันเป็นวัฒนธรรม
08:53
And what you see here,
223
533260
2000
สิ่งที่คุณเห็นที่นี่
08:55
or what you don't really see normally,
224
535260
2000
หรือที่คุณไม่อาจเห็นได้ในแบบทั่วไป
08:57
is that these are the physics of culture.
225
537260
4000
ก็คือ มีฟิสิกส์ของวัฒนธรรม
09:01
And if these algorithms,
226
541260
2000
และถ้าอัลกอริทึมพวกนี้
09:03
like the algorithms on Wall Street,
227
543260
2000
เช่นเดียวกับอัลกอริทึมในวอลล์สตรีท
09:05
just crashed one day and went awry,
228
545260
3000
พังครืนลงมาวันใดวันหนึ่งแล้วก็ทำงานผิดเพี้ยน
09:08
how would we know?
229
548260
2000
เราจะรู้ได้อย่างไร?
09:10
What would it look like?
230
550260
2000
มันจะมีลักษณะยังไง?
09:12
And they're in your house. They're in your house.
231
552260
3000
และมันอยู่ในบ้านของคุณอีกด้วย อยู่ในบ้านของคุณครับ
09:15
These are two algorithms competing for your living room.
232
555260
2000
มีอัลกอริทึมสองตัวที่แข่งกันอยู่ในห้องนั่งเล่นของคุณ
09:17
These are two different cleaning robots
233
557260
2000
มีหุ่นยนต์ทำความสะอาดที่แตกต่างกันสองตัว
09:19
that have very different ideas about what clean means.
234
559260
3000
ที่มีแนวคิดแตกต่างกันมากในการตีความหมายของคำว่า สะอาด
09:22
And you can see it
235
562260
2000
และคุณพบว่า
09:24
if you slow it down and attach lights to them,
236
564260
3000
ถ้าคุณปรับมันทำงานช้าลงและติดไฟเข้าไป
09:27
and they're sort of like secret architects in your bedroom.
237
567260
3000
มันจะคล้ายกับสถาปนิกลับในห้องนอนของคุณ
09:30
And the idea that architecture itself
238
570260
3000
และแนวคิดเกี่ยวกับสถาปัตยกรรมในตัวมันเอง
09:33
is somehow subject to algorithmic optimization
239
573260
2000
บางขณะก็ขึ้นอยู่กับการหาค่าที่เหมาะที่สุดของอัลกอริทึม
09:35
is not far-fetched.
240
575260
2000
ที่ดูแล้วมีความเป็นไปได้
09:37
It's super-real and it's happening around you.
241
577260
3000
มันเป็นของจริงแท้ที่เกิดขึ้นรอบตัวคุณ
09:40
You feel it most
242
580260
2000
คุณรู้สึกถึงมันได้มากที่สุด
09:42
when you're in a sealed metal box,
243
582260
2000
เมื่อคุณอยู่ในกล่องเหล็กที่ปิดผนึก
09:44
a new-style elevator;
244
584260
2000
ลิฟต์แบบใหม่ครับ
09:46
they're called destination-control elevators.
245
586260
2000
เรียกว่า ลิฟต์แบบควบคุมจุดหมายปลายทาง
09:48
These are the ones where you have to press what floor you're going to go to
246
588260
3000
มีแบบที่คุณเลือกกดปุ่มชั้นที่คุณต้องการจะให้มันหยุด
09:51
before you get in the elevator.
247
591260
2000
ก่อนที่คุณจะเข้าไปในลิฟต์
09:53
And it uses what's called a bin-packing algorithm.
248
593260
2000
มันใช้สิ่งที่เรียนกว่า อัลกอริทึมแบบบรรจุถัง (bin packing algorithm)
09:55
So none of this mishegas
249
595260
2000
ดังนั้นจะไม่มีทางเลย
09:57
of letting everybody go into whatever car they want.
250
597260
2000
ที่จะปล่อยให้ต่างคนต่างใช้ลิฟต์ตัวที่ตนต้องการ
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
599260
2000
ใครที่อยากไปชั้น 10 ต้องไปใช้ลิฟต์ตัวที่ 2
10:01
and everybody who wants to go to the third floor goes into car five.
252
601260
3000
และใครอยากไปชั้น 3 ต้องไปกับลิฟต์ตัวที่ 5
10:04
And the problem with that
253
604260
2000
ปัญหาก็คือ
10:06
is that people freak out.
254
606260
2000
มันสร้างความสะพรึงกลัวแก่ผู้คน
10:08
People panic.
255
608260
2000
ผู้คนตื่นตระหนก
10:10
And you see why. You see why.
256
610260
2000
และคุณก็รู้ว่าทำไม คุณรู้
10:12
It's because the elevator
257
612260
2000
ก็เพราะว่าลิฟต์
10:14
is missing some important instrumentation, like the buttons.
258
614260
3000
ไม่มีเครื่องมือที่สำคัญ อย่างเช่น ปุ่ม ไงหละครับ
10:17
(Laughter)
259
617260
2000
(เสียงหัวเราะ)
10:19
Like the things that people use.
260
619260
2000
เหมือนอะไรๆที่ผู้คนคุ้นเคยในการใช้
10:21
All it has
261
621260
2000
แต่สิ่งที่มันมี
10:23
is just the number that moves up or down
262
623260
3000
ก็แค่ตัวเลขที่วิ่งขึ้นลง
10:26
and that red button that says, "Stop."
263
626260
3000
และปุ่มสีแดงที่เขียนว่า "หยุด"
10:29
And this is what we're designing for.
264
629260
3000
และนี่เป็นสิ่งที่เรากำลังออกแบบสร้าง
10:32
We're designing
265
632260
2000
เรากำลังออกแบบ
10:34
for this machine dialect.
266
634260
2000
ภาษาเฉพาะให้แก่กลไกพวกนี้
10:36
And how far can you take that? How far can you take it?
267
636260
3000
เราจะพัฒนามันไปถึงแค่ไหนกัน จะพัฒนาไปได้อีกมากเท่าไหร่กันครับ
10:39
You can take it really, really far.
268
639260
2000
เราสามารถพัฒนามันไปได้อีกไกลมากๆ ครับ
10:41
So let me take it back to Wall Street.
269
641260
3000
ดังนั้น ขอผมย้อนกลับไปที่วอลล์สตรีท
10:45
Because the algorithms of Wall Street
270
645260
2000
เนื่องจากอัลกอริทึมของวอลล์สตรีท
10:47
are dependent on one quality above all else,
271
647260
3000
ขึ้นอยู่กับคุณลักษณะหนึ่งเป็นพิเศษ
10:50
which is speed.
272
650260
2000
นั่นก็คือ ความเร็ว
10:52
And they operate on milliseconds and microseconds.
273
652260
3000
มันทำงานในเศษเสี้ยววินาที แค่เสี้ยวหนึ่งในล้านวินาทีครับ
10:55
And just to give you a sense of what microseconds are,
274
655260
2000
และเพื่อให้คุณรู้ว่าเสี้ยวหนึ่งในล้านวินาที (ไมโครวินาที) เร็วแค่ไหน
10:57
it takes you 500,000 microseconds
275
657260
2000
คุณใช้เวลา 500,000 ไมโครวินาที
10:59
just to click a mouse.
276
659260
2000
ในการคลิ๊กเมาส์
11:01
But if you're a Wall Street algorithm
277
661260
2000
แต่ถ้าคุณเป็นอัลกอริทึมของวอลล์สตรีทละก็
11:03
and you're five microseconds behind,
278
663260
2000
คุณช้าไปแล้ว 5 ไมโครวินาทีครับ
11:05
you're a loser.
279
665260
2000
คุณแพ้ราบคาบ
11:07
So if you were an algorithm,
280
667260
2000
ดังนั้นถ้าคุณเป็นอัลกอริทึม
11:09
you'd look for an architect like the one that I met in Frankfurt
281
669260
3000
คุณก็จะค้นหาสถาปนิกแบบคนที่ผมไปพบที่เมืองแฟรงค์เฟิร์ต
11:12
who was hollowing out a skyscraper --
282
672260
2000
เป็นคนที่ออกแบบให้ตึกระฟ้ามีโพรงครับ
11:14
throwing out all the furniture, all the infrastructure for human use,
283
674260
3000
โยนเฟอร์นิเจอร์และโครงสร้างพื้นฐานที่มนุษย์ใช้ออกไปให้หมด
11:17
and just running steel on the floors
284
677260
3000
แล้วก็ก่อเหล็กขึ้นมาในแต่ละชั้น
11:20
to get ready for the stacks of servers to go in --
285
680260
3000
เพื่อให้พร้อมสำหรับการใส่อุปกรณ์คอมพิวเตอร์เซิร์ฟเวอร์เข้าไป
11:23
all so an algorithm
286
683260
2000
เพื่อให้อัลกอริทึม
11:25
could get close to the Internet.
287
685260
3000
สามารถอยู่ใกล้กับอินเตอร์เน็ต
11:28
And you think of the Internet as this kind of distributed system.
288
688260
3000
แล้วเราก็คิดเสียว่าอินเตอร์เน็ตเป็นระบบแพร่กระจายประเภทหนึ่ง
11:31
And of course, it is, but it's distributed from places.
289
691260
3000
และมันก็เป็นแบบนั้นจริงๆ แต่ว่ามันกระจายจากที่หนึ่งไปที่หนึ่ง
11:34
In New York, this is where it's distributed from:
290
694260
2000
ในนครนิวยอร์ก นี่คือจุดศูนย์กลางของการแพร่กระจาย
11:36
the Carrier Hotel
291
696260
2000
โรงแรมแคร์ริเออร์ (Carrier Hotel)
11:38
located on Hudson Street.
292
698260
2000
ตั้งอยู่บนถนนฮัดสัน (Hudson)
11:40
And this is really where the wires come right up into the city.
293
700260
3000
และนี่เป็นสถานที่ซึ่งส่งกระจายสายเชื่อมสู่เมือง
11:43
And the reality is that the further away you are from that,
294
703260
4000
ความจริงก็คือ ยิ่งเราอยู่ไกลจากโรงแรมนี้ไปเท่าไหร่
11:47
you're a few microseconds behind every time.
295
707260
2000
เราก็จะทำอะไรช้าไป 2-3 ไมโครวินาที ทุกๆครั้ง
11:49
These guys down on Wall Street,
296
709260
2000
พวกที่อยู่บนวอลล์สตรีท
11:51
Marco Polo and Cherokee Nation,
297
711260
2000
มาร์โค โปโล (Marco Polo) และ เชอโรกีเนชั่น (Cherokee Nation)
11:53
they're eight microseconds
298
713260
2000
พวกเขาทำอะไรช้าไป 8 ไมโครวินาที
11:55
behind all these guys
299
715260
2000
กว่าพวกที่
11:57
going into the empty buildings being hollowed out
300
717260
4000
จะเข้าไปอยู่ในตึกเปล่าที่ถูกเจาะโพรงไว้
12:01
up around the Carrier Hotel.
301
721260
2000
รอบๆ โรงแรมแคร์ริเออร์
12:03
And that's going to keep happening.
302
723260
3000
และมันก็จะเกิดแบบนี้ไปเรื่อยๆ
12:06
We're going to keep hollowing them out,
303
726260
2000
เราก็จะเจาะตึกเป็นโพรง
12:08
because you, inch for inch
304
728260
3000
เพราะคุณ นิ้วต่อนิ้ว
12:11
and pound for pound and dollar for dollar,
305
731260
3000
ปอนด์ต่อปอนด์ ดอลลาร์ต่อดอลลาร์
12:14
none of you could squeeze revenue out of that space
306
734260
3000
ไม่มีใครคนใดเลยที่จะสามารถดึงเม็ดเงินออกมาจากที่นั่นได้
12:17
like the Boston Shuffler could.
307
737260
3000
เหมือนที่อัลกอริทึม 'ไพ่สับแบบบอสตัน" ทำได้
12:20
But if you zoom out,
308
740260
2000
แต่ถ้าคุณขยับออกมาดู
12:22
if you zoom out,
309
742260
2000
ถ้าคุณย่อภาพลง
12:24
you would see an 825-mile trench
310
744260
4000
คุณจะเห็นสนามเพลาะยาว 825 ไมล์
12:28
between New York City and Chicago
311
748260
2000
ระหว่างนครนิวยอร์กกับชิคาโก
12:30
that's been built over the last few years
312
750260
2000
ที่ถูกสร้างขึ้นมาในช่วง 2-3 ปีที่ผ่านมา
12:32
by a company called Spread Networks.
313
752260
3000
โดยบริษัทสะเปรดเน็ตเวิร์คส์ (Spread Networks)
12:35
This is a fiber optic cable
314
755260
2000
อันนี้ สายใยแก้วนำแสง
12:37
that was laid between those two cities
315
757260
2000
ที่ใช้ฝังเดินสายไว้ระหว่างสองเมืองนี้
12:39
to just be able to traffic one signal
316
759260
3000
เพื่อที่จะส่งสัญญาณ
12:42
37 times faster than you can click a mouse --
317
762260
3000
ให้เร็วกว่าเมื่อคุณคลิ๊กเม้าส์ไป 37 เท่า
12:45
just for these algorithms,
318
765260
3000
เพื่ออัลกอริทึมพวกนี้
12:48
just for the Carnival and the Knife.
319
768260
3000
เพื่ออัลกอริทึม "เทศกาลฉลอง" กับ "มีด"
12:51
And when you think about this,
320
771260
2000
ลองคิดดูนะครับ
12:53
that we're running through the United States
321
773260
2000
ว่าเราเจาะระเบิดผืนดินสหรัฐอเมริกา
12:55
with dynamite and rock saws
322
775260
3000
ด้วยระเบิดไดนาไมท์และเลื่อยตัดหิน
12:58
so that an algorithm can close the deal
323
778260
2000
เพื่อให้อัลกอริทึมสามารถปิดการซื้อขาย
13:00
three microseconds faster,
324
780260
3000
ได้เร็วขึ้นอีก 3 ไมโครวินาที
13:03
all for a communications framework
325
783260
2000
ทั้งหมดนี้ก็เพื่อกรอบแนวคิดด้านการสื่อสาร
13:05
that no human will ever know,
326
785260
4000
ที่ไม่มีมนุษย์คนไหนจะได้รู้จักหรือใช้งาน
13:09
that's a kind of manifest destiny;
327
789260
3000
นี่เป็นชะตากรรมที่ปรากฏชัดอันหนึ่ง
13:12
and we'll always look for a new frontier.
328
792260
3000
และก็จะขยายพรมแดนความรู้ใหม่ๆ เสมอ
13:15
Unfortunately, we have our work cut out for us.
329
795260
3000
โชคร้ายก็คือ เรามีงานที่ถูกคัดสรรไว้ให้แล้ว
13:18
This is just theoretical.
330
798260
2000
นี่เป็นแค่ทฤษฎีครับ
13:20
This is some mathematicians at MIT.
331
800260
2000
นี่ก็แค่นักคณิตศาสตร์ที่สถาบันเทคโนโลยีแมสซาชูเสตต์ (MIT)
13:22
And the truth is I don't really understand
332
802260
2000
ความจริงก็คือ จริงๆแล้ว ผมไม่เข้าใจ
13:24
a lot of what they're talking about.
333
804260
2000
หลายสิ่งหลายอย่างที่พวกเขาพูดกัน
13:26
It involves light cones and quantum entanglement,
334
806260
3000
มันเกี่ยวข้องกับกรวยแสงและความทับซ้อนเชิงควอนตัม
13:29
and I don't really understand any of that.
335
809260
2000
ผมไม่เข้าใจอะไรพวกนี้เอาเสียเลย
13:31
But I can read this map,
336
811260
2000
แต่ผมอ่านแผนที่นี้ได้
13:33
and what this map says
337
813260
2000
แผนที่นี้บอกว่า
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
815260
3000
ถ้าเราพยายามที่จะทำเงินในตลาดหลักทรัพย์ที่มีจุดสีแดงนี้
13:38
that's where people are, where the cities are,
339
818260
2000
ตรงนั้นเป็นตำแหน่งที่มีผู้คนอาศัย เป็นตำแหน่งที่มีเมือง
13:40
you're going to have to put the servers where the blue dots are
340
820260
3000
เราจะต้องไปติดตั้งอุปกรณ์คอมพิวเตอร์เซิร์ฟเวอร์ตรงจุดสีน้ำเงินพวกนี้
13:43
to do that most effectively.
341
823260
2000
เพื่อที่จะทำให้ได้ประสิทธิภาพสูงที่สุด
13:45
And the thing that you might have noticed about those blue dots
342
825260
3000
และสิ่งที่คุณอาจสังเกตออกเกี่ยวกับจุดสีน้ำเงินพวกนี้
13:48
is that a lot of them are in the middle of the ocean.
343
828260
3000
ก็คือ จำนวนมากเลยที่อยู่กลางมหาสมุทร
13:51
So that's what we'll do: we'll build bubbles or something,
344
831260
3000
ดังนั้นสิ่งที่เราจะทำก็คือ เราจะสร้างฟองอากาศหรืออะไรแบบนั้น
13:54
or platforms.
345
834260
2000
หรือไม่ก็ แท่นปฏิบัติการ
13:56
We'll actually part the water
346
836260
2000
จริงๆแล้ว เราจะแยกน้ำ
13:58
to pull money out of the air,
347
838260
2000
เพื่อดึงเงินออกมาจากอากาศ
14:00
because it's a bright future
348
840260
2000
เพราะว่ามันเป็นอนาคตอันสดใส
14:02
if you're an algorithm.
349
842260
2000
ถ้าคุณคืออัลกอริทึม
14:04
(Laughter)
350
844260
2000
(เสียงหัวเราะ)
14:06
And it's not the money that's so interesting actually.
351
846260
3000
และจริงๆแล้ว ก็ไม่ใช่เงินที่น่าสนใจ
14:09
It's what the money motivates,
352
849260
2000
มันเป็นสิ่งที่ได้รับการกระตุ้นด้วยเงิน
14:11
that we're actually terraforming
353
851260
2000
จริงๆแล้ว เรากำลังแปลงรูปผืนแผ่นดิน
14:13
the Earth itself
354
853260
2000
ให้กับโลกของเรา
14:15
with this kind of algorithmic efficiency.
355
855260
2000
ด้วยประสิทธิภาพเชิงอัลกอริทึมชนิดดังกล่าว
14:17
And in that light,
356
857260
2000
และในประเด็นนี้
14:19
you go back
357
859260
2000
เราต้องย้อนกลับ
14:21
and you look at Michael Najjar's photographs,
358
861260
2000
ไปดูภาพถ่ายของไมเคิล นัจจาร์
14:23
and you realize that they're not metaphor, they're prophecy.
359
863260
3000
แล้วคุณก็จะพบว่า มันไม่ใช่การอุปมาเปรียบเทียบ แต่มันเป็นการชี้ชะตา
14:26
They're prophecy
360
866260
2000
มันเป็นการชี้ชะตา
14:28
for the kind of seismic, terrestrial effects
361
868260
4000
ของผลกระทบต่อการไหวสะเทือนของผืนแผ่นดินโลก
14:32
of the math that we're making.
362
872260
2000
ที่จะมาจากคณิตศาสตร์ที่เราสรรสร้างขึ้น
14:34
And the landscape was always made
363
874260
3000
ภูมิทัศน์มักจะถูกสร้าง
14:37
by this sort of weird, uneasy collaboration
364
877260
3000
จากการประสานร่วมแรงแบบอึดอัดพิลึกพิลั่นแบบนี้
14:40
between nature and man.
365
880260
3000
ระหว่างธรรมชาติกับมนุษย์อยู่เสมอ
14:43
But now there's this third co-evolutionary force: algorithms --
366
883260
3000
แต่ตอนนี้ มีแรงขับเคลื่อนทางวิวัฒนาการร่วมอย่างที่สาม ก็ อัลกอริทึมไงล่ะครับ
14:46
the Boston Shuffler, the Carnival.
367
886260
3000
อัลกอริทึม "ไพ่สับแบบบอสตัน", "เทศกาลฉลอง"
14:49
And we will have to understand those as nature,
368
889260
3000
และเราจะต้องทำความเข้าใจกับสิ่งพวกนี้ว่าเป็นธรรมชาติแบบหนึ่ง
14:52
and in a way, they are.
369
892260
2000
ในทางหนึ่ง พวกมันก็ใช่อย่างนั้นจริงๆ
14:54
Thank you.
370
894260
2000
ขอบคุณครับ
14:56
(Applause)
371
896260
20000
(เสียงปรบมือ)
เกี่ยวกับเว็บไซต์นี้

ไซต์นี้จะแนะนำคุณเกี่ยวกับวิดีโอ YouTube ที่เป็นประโยชน์สำหรับการเรียนรู้ภาษาอังกฤษ คุณจะได้เห็นบทเรียนภาษาอังกฤษที่สอนโดยอาจารย์ชั้นนำจากทั่วโลก ดับเบิลคลิกที่คำบรรยายภาษาอังกฤษที่แสดงในแต่ละหน้าของวิดีโอเพื่อเล่นวิดีโอจากที่นั่น คำบรรยายเลื่อนซิงค์กับการเล่นวิดีโอ หากคุณมีความคิดเห็นหรือคำขอใด ๆ โปรดติดต่อเราโดยใช้แบบฟอร์มการติดต่อนี้

https://forms.gle/WvT1wiN1qDtmnspy7