TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
קווין סלאווין: כיצד אלגוריתמים מעצבים את עולמנו
Filmed:
Readability: 3.5
4,199,898 views
קווין סלאווין טוען שאנו חיים בעולם שנועד עבור -- ובמידה הולכת וגוברת נשלט על-ידי -- אלגוריתמים. בשיחה מרתקת זו, הוא מציג כיצד תוכניות מחשב מורכבות אלו קובעות: מחירי מניות, עלילות סרטים וארכיטקטורה. הוא מזהיר שאנו כותבים שורות של תוכניות מחשב שאיננו מסוגלים להבין, בעלות השלכות שאין ביכולתנו לשלוט עליהן.
Kevin Slavin - Algoworld expert
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Kevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms. Full bio
Double-click the English transcript below to play the video.
00:15
This is a photograph
0
0
2000
זוהי תמונה
00:17
by the artist Michael Najjar,
1
2000
2000
שצילם האמן מייקל נאג'אר,
00:19
and it's real,
2
4000
2000
והיא אמיתית,
00:21
in the sense that he went there to Argentina
3
6000
2000
במובן זה שהוא נסע עד לארגנטינה
00:23
to take the photo.
4
8000
2000
כדי לצלם אותה.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
אבל היא גם בדייה. הרבה עבודה הושקעה בה לאחר צילומה.
00:28
And what he's done
6
13000
2000
ומה שהוא עשה
00:30
is he's actually reshaped, digitally,
7
15000
2000
הוא עיצב מחדש, באופן דיגיטלי,
00:32
all of the contours of the mountains
8
17000
2000
את כל קווי-המיתאר של ההרים
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
כך שיתאימו לעליות וירידות של מדד הדאו-ג'ונס.
00:37
So what you see,
10
22000
2000
כך שמה שאתם רואים,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
הצוק הגבוה עם העמק,
00:41
is the 2008 financial crisis.
12
26000
2000
הוא המשבר הפיננסי של 2008.
00:43
The photo was made
13
28000
2000
התמונה צולמה
00:45
when we were deep in the valley over there.
14
30000
2000
כאשר היינו עמוק בתוך העמק שם.
00:47
I don't know where we are now.
15
32000
2000
איני יודע היכן אנו עכשיו.
00:49
This is the Hang Seng index
16
34000
2000
זהו מדד ההנג-סנג.
00:51
for Hong Kong.
17
36000
2000
של הונג-קונג.
00:53
And similar topography.
18
38000
2000
וטופוגרפיה דומה.
00:55
I wonder why.
19
40000
2000
אני תוהה למה.
00:57
And this is art. This is metaphor.
20
42000
3000
וזוהי אומנות. זוהי מטפורה.
01:00
But I think the point is
21
45000
2000
אבל אני סבור שהנקודה היא
01:02
that this is metaphor with teeth,
22
47000
2000
שזוהי מטפורה עוקצנית.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
ועם העוקץ הזה אני רוצה להעלות היום
01:07
that we rethink a little bit
24
52000
2000
את הרעיון שעלינו לחשוב מחדש
01:09
about the role of contemporary math --
25
54000
3000
על תפקידה של המתמטיקה בת-זמננו --
01:12
not just financial math, but math in general.
26
57000
3000
לא רק מתמטיקה פיננסית, אלא מתמטיקה בכללותה.
01:15
That its transition
27
60000
2000
על המעבר שלה
01:17
from being something that we extract and derive from the world
28
62000
3000
ממשהו שאנו מסיקים וגוזרים מהעולם
01:20
to something that actually starts to shape it --
29
65000
3000
למשהו שבעצם מתחיל לעצב את העולם --
01:23
the world around us and the world inside us.
30
68000
3000
את העולם סביבנו ואת העולם בתוכנו.
01:26
And it's specifically algorithms,
31
71000
2000
ובאופן ספציפי אלה האלגורתמים,
01:28
which are basically the math
32
73000
2000
שהם בעצם המתמטיקה
01:30
that computers use to decide stuff.
33
75000
3000
שמשמשת את המחשבים כדי לקבל החלטות.
01:33
They acquire the sensibility of truth
34
78000
2000
הם רוכשים יכולת הבחנה לגבי האמת,
01:35
because they repeat over and over again,
35
80000
2000
מכיוון שהם חוזרים על עצמם שוב ושוב.
01:37
and they ossify and calcify,
36
82000
3000
הם מתאבנים ומסתיידים,
01:40
and they become real.
37
85000
2000
והם הופכים לממשיים.
01:42
And I was thinking about this, of all places,
38
87000
3000
חשבתי על כל זה
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
בטיסה טרנסאטלנטית לפני כמה שנים,
01:48
because I happened to be seated
40
93000
2000
מכיוון שבמקרה ישבתי
01:50
next to a Hungarian physicist about my age
41
95000
2000
ליד פיזיקאי הונגרי שהיה בערך בגילי
01:52
and we were talking
42
97000
2000
ודיברנו על איך היו החיים
01:54
about what life was like during the Cold War
43
99000
2000
בתקופת המלחמה הקרה
01:56
for physicists in Hungary.
44
101000
2000
עבור פיזיקאי בהונגריה.
01:58
And I said, "So what were you doing?"
45
103000
2000
שאלתי אותו, "מה עשית אז?"
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
והוא ענה, "בעיקר ניסינו לגלות מטוסי חמקן."
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
אני אמרתי, "זו עבודה מעניינת.
02:04
How does that work?"
48
109000
2000
איך זה בדיוק עובד?"
02:06
And to understand that,
49
111000
2000
כדי להבין זאת,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
צריך להבין קצת איך החמקן פועל.
02:11
And so -- this is an over-simplification --
51
116000
3000
זה באופן פשטני --
02:14
but basically, it's not like
52
119000
2000
אבל עקרונית,
02:16
you can just pass a radar signal
53
121000
2000
אי-אפשר סתם להעביר אות מכ"מ
02:18
right through 156 tons of steel in the sky.
54
123000
3000
דרך 156 טון פלדה הנמצאת בשמיים.
02:21
It's not just going to disappear.
55
126000
3000
זה לא יכול להיעלם סתם ככה.
02:24
But if you can take this big, massive thing,
56
129000
3000
אבל אם לוקחים את הדבר הענק הזה,
02:27
and you could turn it into
57
132000
3000
והופכים אותו
02:30
a million little things --
58
135000
2000
למיליוני דברים קטנים --
02:32
something like a flock of birds --
59
137000
2000
משהו כמו להקת ציפורים --
02:34
well then the radar that's looking for that
60
139000
2000
אז המכ"מ שמחפש אותו
02:36
has to be able to see
61
141000
2000
צריך להיות מסוגל להבחין
02:38
every flock of birds in the sky.
62
143000
2000
בכל להקת ציפורים שבשמיים.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
ואם אתה מכ"מ, זו באמת משימה קשה.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
והוא אמר, "נכון, אבל זה אם אתה מכ"מ.
02:47
So we didn't use a radar;
65
152000
2000
לכן לא השתמשנו במכ"מ;
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
בנינו קופסה שחורה שחיפשה אותות חשמליים,
02:52
electronic communication.
67
157000
3000
תקשורת אלקטרונית.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
בכל פעם שראינו להקת ציפורים שהיתה אצלה תקשורת אלקטרונית,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
חשבנו שקרוב לוודאי שזה קשור לאמריקאים."
03:01
And I said, "Yeah.
70
166000
2000
ואני אמרתי, "נכון.
03:03
That's good.
71
168000
2000
זה טוב.
03:05
So you've effectively negated
72
170000
2000
אתה בעצם ביטלת ביעילות
03:07
60 years of aeronautic research.
73
172000
2000
60 שנה של מחקר אווירונאוטי.
03:09
What's your act two?
74
174000
2000
מה הצעד הבא שלך?
03:11
What do you do when you grow up?"
75
176000
2000
מה אתה עושה לאחר שגדלת?"
03:13
And he said,
76
178000
2000
הוא ענה,
03:15
"Well, financial services."
77
180000
2000
"שירותים פיננסיים."
03:17
And I said, "Oh."
78
182000
2000
אמרתי, "או."
03:19
Because those had been in the news lately.
79
184000
3000
כי אלה היו בחדשות לאחרונה.
03:22
And I said, "How does that work?"
80
187000
2000
שאלתי, "כיצד זה עובד?"
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
הוא ענה, "כיום ישנם 2,000 פיזיקאים בוול-סטריט,
03:26
and I'm one of them."
82
191000
2000
ואני אחד מהם."
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
שאלתי, "מהי הקופסה השחורה של וול-סטריט?"
03:31
And he said, "It's funny you ask that,
84
196000
2000
והוא ענה, "מעניין שאתה שואל את זה,
03:33
because it's actually called black box trading.
85
198000
3000
כי בעצם זה נקרא מסחר קופסה שחורה.
03:36
And it's also sometimes called algo trading,
86
201000
2000
ולפעמים הוא נקרא גם מסחר אלגו,
03:38
algorithmic trading."
87
203000
3000
מסחר אלגורתמי."
03:41
And algorithmic trading evolved in part
88
206000
3000
מסחר אלגוריתמי התפתח, בחלקו,
03:44
because institutional traders have the same problems
89
209000
3000
בגלל שלסוחרים ממוסדים יש את אותן הבעיות
03:47
that the United States Air Force had,
90
212000
3000
שיש לחיל-האויר האמריקאי,
03:50
which is that they're moving these positions --
91
215000
3000
והיא שהם מעבירים פוזיציות --
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
בין אם זה "פרוקטור את גמבל" או "אקנטיור" וכו' --
03:55
they're moving a million shares of something
93
220000
2000
הם מעבירים משהו כמו מיליון מניות
03:57
through the market.
94
222000
2000
דרך השוק.
03:59
And if they do that all at once,
95
224000
2000
ואם הם עושים זאת בבת-אחת,
04:01
it's like playing poker and going all in right away.
96
226000
2000
זה כמו לשחק פוקר ולהמר על הכל.
04:03
You just tip your hand.
97
228000
2000
זה כמו לגלות את הקלפים שלך.
04:05
And so they have to find a way --
98
230000
2000
ולכן עליהם למצוא דרך --
04:07
and they use algorithms to do this --
99
232000
2000
הם משתמשים באלגוריתמים כדי לבצע זאת --
04:09
to break up that big thing
100
234000
2000
לשבור דבר אחד גדול
04:11
into a million little transactions.
101
236000
2000
למיליון העברות קטנות.
04:13
And the magic and the horror of that
102
238000
2000
והקסם והפחד בזה הם
04:15
is that the same math
103
240000
2000
שאותה מתמטיקה
04:17
that you use to break up the big thing
104
242000
2000
שמשמשת לשבירת הדבר הגדול
04:19
into a million little things
105
244000
2000
למיליון חלקים קטנים,
04:21
can be used to find a million little things
106
246000
2000
ניתן להשתמש בה למציאת מיליון
04:23
and sew them back together
107
248000
2000
דברים קטנים ולחברם ביחד
04:25
and figure out what's actually happening in the market.
108
250000
2000
ולגלות מה באמת מתרחש בשוק.
04:27
So if you need to have some image
109
252000
2000
אז אם ברצונכם לקבל תמונה
04:29
of what's happening in the stock market right now,
110
254000
3000
על מה שמתרחש בבורסה ממש עכשיו,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
אפשר לדמות קבוצת אלגוריתמים
04:34
that are basically programmed to hide,
112
259000
3000
המתוכנתים להסתתר,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
וקבוצה אחרת של כאלה המתוכנתים למצוא אותם ולפעול.
04:40
And all of that's great, and it's fine.
114
265000
3000
כל זה נפלא והכל בסדר.
04:43
And that's 70 percent
115
268000
2000
וזה 70 אחוז
04:45
of the United States stock market,
116
270000
2000
מבורסת ארה"ב,
04:47
70 percent of the operating system
117
272000
2000
70 אחוז ממערכת מתפקדת
04:49
formerly known as your pension,
118
274000
3000
שהיתה ידועה בעבר כפנסיה שלכם,
04:52
your mortgage.
119
277000
3000
משכנתא שלכם.
04:55
And what could go wrong?
120
280000
2000
ומה יכול היה להשתבש?
04:57
What could go wrong
121
282000
2000
מה שהשתבש
04:59
is that a year ago,
122
284000
2000
הוא שלפני שנה,
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
9 אחוזים מס"ה שוק המניות נעלמו תוך 5 דקות,
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
והם קראו לזה התרסקות בהינד-עפעף של 2:45.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
ככה פתאום, 9 אחוזים פשוט נעלמו,
05:10
and nobody to this day
126
295000
2000
ואף אחד עד היום
05:12
can even agree on what happened
127
297000
2000
אפילו לא יודע מה קרה,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
מאחר ואף אחד לא הזמין או ביקש לעשות זאת.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
לאיש לא היתה שליטה על מה שקורה בפועל.
05:20
All they had
130
305000
2000
כל מה שהיה להם
05:22
was just a monitor in front of them
131
307000
2000
זה רק צג מול עיניהם
05:24
that had the numbers on it
132
309000
2000
שעליו רצים מספרים
05:26
and just a red button
133
311000
2000
וכפתור אדום
05:28
that said, "Stop."
134
313000
2000
האומר "עצור".
05:30
And that's the thing,
135
315000
2000
וזה העניין,
05:32
is that we're writing things,
136
317000
2000
שאנו כותבים דברים,
05:34
we're writing these things that we can no longer read.
137
319000
3000
שאנו כבר לא מסוגלים יותר לקרוא.
05:37
And we've rendered something
138
322000
2000
יצרנו משהו
05:39
illegible,
139
324000
2000
בלתי-קריא.
05:41
and we've lost the sense
140
326000
3000
ואיבדנו את התחושה
05:44
of what's actually happening
141
329000
2000
לגבי מה שבעצם קורה
05:46
in this world that we've made.
142
331000
2000
בעולם הזה שיצרנו.
05:48
And we're starting to make our way.
143
333000
2000
ואנחנו מתחילים להתקדם.
05:50
There's a company in Boston called Nanex,
144
335000
3000
יש חברה בבוסטון בשם נאנקס,
05:53
and they use math and magic
145
338000
2000
הם משתמשים במתמטיקה וקסם
05:55
and I don't know what,
146
340000
2000
והשד יודע מה,
05:57
and they reach into all the market data
147
342000
2000
והם מגיעים לכל נתוני השוק
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
והם מוצאים לפעמים חלק מהאלגוריתמים הללו.
06:02
And when they find them they pull them out
149
347000
3000
כאשר הם מוצאים אותם, הם מוציאים אותם החוצה
06:05
and they pin them to the wall like butterflies.
150
350000
3000
ומצמידים אותם לקיר כאילו היו פרפרים.
06:08
And they do what we've always done
151
353000
2000
הם עושים מה שתמיד עשינו
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
כאשר עמדנו מול כמויות אדירות של נתונים שאיננו מבינים --
06:13
which is that they give them a name
153
358000
2000
הם נותנים לזה שם
06:15
and a story.
154
360000
2000
ויוצרים סיפור.
06:17
So this is one that they found,
155
362000
2000
הנה אחד שהם מצאו,
06:19
they called the Knife,
156
364000
4000
הם כינו אותו ה"סכין",
06:23
the Carnival,
157
368000
2000
ה"קרנבל",
06:25
the Boston Shuffler,
158
370000
4000
ה"מערבל הבוסטוני",
06:29
Twilight.
159
374000
2000
"דמדומים".
06:31
And the gag is
160
376000
2000
והקטע הוא שאלגורתמים
06:33
that, of course, these aren't just running through the market.
161
378000
3000
כאלה אינם מאכלסים רק את שוק המניות.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
ניתן למצוא כאלה בכל מקום שמחפשים אותם,
06:39
once you learn how to look for them.
163
384000
2000
ברגע שלומדים כיצד לאתרם.
06:41
You can find it here: this book about flies
164
386000
3000
ניתן למצוא כאלה כאן: ספר הזבובים
06:44
that you may have been looking at on Amazon.
165
389000
2000
שאולי חיפשתם באמאזון.
06:46
You may have noticed it
166
391000
2000
אולי הבחנתם בזה
06:48
when its price started at 1.7 million dollars.
167
393000
2000
כאשר מחירו התחיל ב-1.7 מיליון דולר.
06:50
It's out of print -- still ...
168
395000
2000
הוא אזל -- אבל בכל זאת ....
06:52
(Laughter)
169
397000
2000
(צחוק)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
אם רכשתם אותו תמורת 1.7, זכיתם במציאה.
06:57
A few hours later, it had gone up
171
402000
2000
כמה שעות אחר-כך, מחירו עלה
06:59
to 23.6 million dollars,
172
404000
2000
ל-23.6 מיליון דולר,
07:01
plus shipping and handling.
173
406000
2000
לא כולל דמי משלוח.
07:03
And the question is:
174
408000
2000
והשאלה היא: אם אף אחד לא קנה
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
או מכר משהו, אז מה קרה כאן?
07:07
And you see this behavior on Amazon
176
412000
2000
ורואים התנהגות כזו באמאזון
07:09
as surely as you see it on Wall Street.
177
414000
2000
באותה וודאות שרואים אותה בוול-סטריט.
07:11
And when you see this kind of behavior,
178
416000
2000
כאשר רואים התנהגות כזו,
07:13
what you see is the evidence
179
418000
2000
זו העדות
07:15
of algorithms in conflict,
180
420000
2000
לסתירות בין אלגוריתמים,
07:17
algorithms locked in loops with each other,
181
422000
2000
אלגוריתמים הנעולים בלולאות של האחד בשני,
07:19
without any human oversight,
182
424000
2000
ללא השגחת אדם,
07:21
without any adult supervision
183
426000
3000
ללא בוגר אחראי
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
שיאמר, "1.7 מיליון זה יותר מדי."
07:27
(Laughter)
185
432000
3000
(צחוק)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
וכמו באמאזון, ככה גם בנטפליקס.
07:33
And so Netflix has gone through
187
438000
2000
נטפליקס השתמשה בכמה
07:35
several different algorithms over the years.
188
440000
2000
אלגוריתמים שונים במשך השנים.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
הם החלו עם סיינמאצ', וניסו עוד כמה.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
יש את "כוכב הדינוזאורים", יש "כבידה".
07:42
They're using Pragmatic Chaos now.
191
447000
2000
כעת הם משתמשים ב"כאוס פרגמטי".
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
"כאוס פרגמטי", כמו כל האלגוריתמים של נטפליקס,
07:46
trying to do the same thing.
193
451000
2000
מנסה לעשות אותו הדבר.
07:48
It's trying to get a grasp on you,
194
453000
2000
הוא מנסה להשיג עלינו אחיזה,
07:50
on the firmware inside the human skull,
195
455000
2000
על התוכנה הצרובה שבגולגלתנו,
07:52
so that it can recommend what movie
196
457000
2000
כדי שיוכל להמליץ על הסרט
07:54
you might want to watch next --
197
459000
2000
שאולי נרצה לצפות בו כעת --
07:56
which is a very, very difficult problem.
198
461000
3000
שהיא בעיה מאוד, מאוד קשה.
07:59
But the difficulty of the problem
199
464000
2000
אבל הקושי של הבעיה
08:01
and the fact that we don't really quite have it down,
200
466000
3000
והעובדה שלא הצלחנו להשתלט עליה,
08:04
it doesn't take away
201
469000
2000
אינם מונעים מאיתנו
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
את ההשפעות שיש ל"כאוס פרגמטי".
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
"כאוס פרגמטי", כמו כל האלגוריתמים של נטפליקס,
08:11
determines, in the end,
204
476000
2000
קובע, בסופו של דבר,
08:13
60 percent
205
478000
2000
60 אחוז
08:15
of what movies end up being rented.
206
480000
2000
של איזה סרטים יושכרו.
08:17
So one piece of code
207
482000
2000
כך שחלק אחד של התוכנית
08:19
with one idea about you
208
484000
3000
המחזיק בדימוי אחד מסויים עלינו,
08:22
is responsible for 60 percent of those movies.
209
487000
3000
אחראי ל-60 אחוז מהסרטים הללו.
08:25
But what if you could rate those movies
210
490000
2000
אבל מה אם היינו יכולים לדרג את הסרטים
08:27
before they get made?
211
492000
2000
לפני שיוצרים אותם?
08:29
Wouldn't that be handy?
212
494000
2000
האם זה לא יהיה יותר שימושי?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
כמה מדעני נתונים מבריטניה נמצאים בהוליווד,
08:34
and they have "story algorithms" --
214
499000
2000
ויש להם אלגוריתמי עלילות --
08:36
a company called Epagogix.
215
501000
2000
חברה הנקראת אפאגוגיקס.
08:38
And you can run your script through there,
216
503000
3000
וניתן להריץ את תסריט הסרט שם,
08:41
and they can tell you, quantifiably,
217
506000
2000
והם יכולים להגיד באופן כמותי,
08:43
that that's a 30 million dollar movie
218
508000
2000
שזה סרט של 30 מיליון דולר
08:45
or a 200 million dollar movie.
219
510000
2000
או סרט של 200 מיליון דולר.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
אבל העניין כאן הוא שזה לא גוגל.
08:49
This isn't information.
221
514000
2000
זה לא מידע.
08:51
These aren't financial stats; this is culture.
222
516000
2000
אלה אינן סטטיסקות פיננסיות; זוהי אומנות.
08:53
And what you see here,
223
518000
2000
ומה שרואים כאן,
08:55
or what you don't really see normally,
224
520000
2000
או מה שלא רואים באופן רגיל,
08:57
is that these are the physics of culture.
225
522000
4000
זה שאלה הם הפיזיקה של אומנות.
09:01
And if these algorithms,
226
526000
2000
ואם אלגוריתמים הללו,
09:03
like the algorithms on Wall Street,
227
528000
2000
כמו האלגוריתמים בוול-סטריט,
09:05
just crashed one day and went awry,
228
530000
3000
יתרסקו יום אחד וישתבשו,
09:08
how would we know?
229
533000
2000
כיצד נדע על זה,
09:10
What would it look like?
230
535000
2000
כיצד זה אמור להיראות?
09:12
And they're in your house. They're in your house.
231
537000
3000
והם נמצאים בביתינו.
09:15
These are two algorithms competing for your living room.
232
540000
2000
אלה הם שני אלגוריתמים המתחרים על סלון.
09:17
These are two different cleaning robots
233
542000
2000
אלה הם שני רובוטי-ניקוי שונים
09:19
that have very different ideas about what clean means.
234
544000
3000
הנושאים עימם שתי תפיסות שונות לחלוטין על מה זה ניקוי.
09:22
And you can see it
235
547000
2000
וניתן לראות זאת,
09:24
if you slow it down and attach lights to them,
236
549000
3000
בהילוך איטי כאשר מצמידים להם פנסים.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
והם מהווים מין ארכיטקטים חשאיים בחדר-השינה שלנו.
09:30
And the idea that architecture itself
238
555000
3000
והרעיון שהארכיטקט עצמו
09:33
is somehow subject to algorithmic optimization
239
558000
2000
כפוף לאופטימיזציה אלגוריתמית
09:35
is not far-fetched.
240
560000
2000
כבר אינו דמיוני.
09:37
It's super-real and it's happening around you.
241
562000
3000
הוא ממשי ביותר ומתקיים סביבנו.
09:40
You feel it most
242
565000
2000
חשים אותו הכי הרבה
09:42
when you're in a sealed metal box,
243
567000
2000
כאשר אנו נעולים בתא-מתכת,
09:44
a new-style elevator;
244
569000
2000
מעלית מסוג חדש,
09:46
they're called destination-control elevators.
245
571000
2000
הנקראת מעלית שליטה-על-יעד.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
אלו מעליות בהן צריך ללחוץ על הקומה שרוצים להגיע אליה
09:51
before you get in the elevator.
247
576000
2000
לפני שנכנסים למעלית.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
והיא משתמשת באלגוריתם הנקרא אלגוריתמם אריזת תיבה.
09:55
So none of this mishegas
249
580000
2000
נגמרו השטויות האלה של לתת
09:57
of letting everybody go into whatever car they want.
250
582000
2000
לכל אחד להיכנס לכל מעלית שבא לו.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
כל מי שרוצה להגיע לקומה העשירית, ייכנס למעלית 2,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
וכל מי שרוצה להגיע לקומה השלישית, ייכנס למעלית 5.
10:04
And the problem with that
253
589000
2000
אבל הבעיה עם זה
10:06
is that people freak out.
254
591000
2000
היא שאנשים חוששים.
10:08
People panic.
255
593000
2000
אנשים נכנסים לחרדה.
10:10
And you see why. You see why.
256
595000
2000
ורואים מדוע.
10:12
It's because the elevator
257
597000
2000
זה בגלל שהמעלית
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
חסרה אמצעים מאוד חשובים, כמו הכפתורים.
10:17
(Laughter)
259
602000
2000
(צחוק)
10:19
Like the things that people use.
260
604000
2000
כמו אלה שאנשים משתמשים.
10:21
All it has
261
606000
2000
כל מה שיש עכשיו
10:23
is just the number that moves up or down
262
608000
3000
זה המספר שנע מעלה מטה
10:26
and that red button that says, "Stop."
263
611000
3000
והכפתור האדום הנותן פקודה לעצור.
10:29
And this is what we're designing for.
264
614000
3000
וזה מה שאנו בונים.
10:32
We're designing
265
617000
2000
אנו בונים
10:34
for this machine dialect.
266
619000
2000
ניב של מכונות.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
כמה רחוק אפשר לקחת את זה?
10:39
You can take it really, really far.
268
624000
2000
ניתן לקחת זאת ממש, ממש רחוק.
10:41
So let me take it back to Wall Street.
269
626000
3000
אחזור ברשותכם לוול-סטריט.
10:45
Because the algorithms of Wall Street
270
630000
2000
מאחר והאלגוריתמים בוול-סטריט
10:47
are dependent on one quality above all else,
271
632000
3000
תלויים בתכונה אחת המעפילה על השאר,
10:50
which is speed.
272
635000
2000
שזו מהירות.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
והם פועלים במילישניות או מיקרושניות.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
ורק כדי לתת לכם מושג מה זה מיקרושניה,
10:57
it takes you 500,000 microseconds
275
642000
2000
לוקח לנו 500,000 מיקרושניות
10:59
just to click a mouse.
276
644000
2000
רק כדי להקליק על עכבר.
11:01
But if you're a Wall Street algorithm
277
646000
2000
אבל אם אתה אלגוריתם בוול-סטריט
11:03
and you're five microseconds behind,
278
648000
2000
ואתה מפגר ב-5 מיקרושניות מאחור,
11:05
you're a loser.
279
650000
2000
אתה נחשב למפסידן.
11:07
So if you were an algorithm,
280
652000
2000
לכן אם הייתם אלגוריתם,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
הייתם מחפשים ארכיטקט כמו זה שפגשתי בפרנקפורט
11:12
who was hollowing out a skyscraper --
282
657000
2000
שרוקן גורד-שחקים --
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
זורק את כל הריהוט, את כל האביזרים לשימוש אדם,
11:17
and just running steel on the floors
284
662000
3000
ורק משאיר פלדות בריצפה
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
כדי להתכונן למדפי שרתים העומדים להיכנס --
11:23
all so an algorithm
286
668000
2000
כל זה כדי שאלגוריתמים
11:25
could get close to the Internet.
287
670000
3000
יוכלו להתקרב עוד לאינטרנט.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
אתם חושבים על אינטרנט כמערכת מבוזרת.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
כמובן שהיא כן, אבל היא מבוזרת ממקומות מסויימים.
11:34
In New York, this is where it's distributed from:
290
679000
2000
בניו-יורק, זה המקום ממנו היא מבוזרת:
11:36
the Carrier Hotel
291
681000
2000
מלון קארייר
11:38
located on Hudson Street.
292
683000
2000
הממוקם ברחוב הדסן.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
וזה המקום ממנו יוצאים הכבלים אל תוך העיר.
11:43
And the reality is that the further away you are from that,
294
688000
4000
והמציאות היא שככל שמישהו יותר רחוק ממנו,
11:47
you're a few microseconds behind every time.
295
692000
2000
הוא נשאר מפגר מאחור בכמה מיקרושניות.
11:49
These guys down on Wall Street,
296
694000
2000
האדונים האלה בוול-סטריט,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
מרקו פולו וצ'רוקי ניישן,
11:53
they're eight microseconds
298
698000
2000
הם 8 מיקרושניות
11:55
behind all these guys
299
700000
2000
מאחורי האדונים האלה
11:57
going into the empty buildings being hollowed out
300
702000
4000
העומדים להיכנס לבניינים הריקים המרוקנים כעת
12:01
up around the Carrier Hotel.
301
706000
2000
בסביבת מלון קארייר.
12:03
And that's going to keep happening.
302
708000
3000
וזה ימשיך לקרות שוב ושוב.
12:06
We're going to keep hollowing them out,
303
711000
2000
אנו עומדים להמשיך ולרוקן אותם,
12:08
because you, inch for inch
304
713000
3000
מאחר ואתם, אינטש אחר אינטש
12:11
and pound for pound and dollar for dollar,
305
716000
3000
ופאונד אחר פאונד דולר אחר דולר,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
אף אחד מכם אינו מסוגל לסחוט כסף מהמרחב הזה
12:17
like the Boston Shuffler could.
307
722000
3000
כמו שה"מערבל הבוסטוני" יכול.
12:20
But if you zoom out,
308
725000
2000
אבל אם תתרחקו,
12:22
if you zoom out,
309
727000
2000
אם תתרחקו,
12:24
you would see an 825-mile trench
310
729000
4000
תראו תעלה באורך 1300 ק"מ
12:28
between New York City and Chicago
311
733000
2000
בין ניו-יורק לשיקגו
12:30
that's been built over the last few years
312
735000
2000
הנבנית בשנים האחרונות
12:32
by a company called Spread Networks.
313
737000
3000
על-ידי חברה הנקראת ספרייד נטוורקס.
12:35
This is a fiber optic cable
314
740000
2000
זהו כבל סיב אופטי
12:37
that was laid between those two cities
315
742000
2000
שהונח בין שתי הערים הללו
12:39
to just be able to traffic one signal
316
744000
3000
פשוט כדי להיות מסוגלים להעביר אות אחד
12:42
37 times faster than you can click a mouse --
317
747000
3000
מהר יותר פי-37 ממה שאתם יכולים להקליק על עכבר --
12:45
just for these algorithms,
318
750000
3000
אך ורק בשביל אלגוריתמים הללו,
12:48
just for the Carnival and the Knife.
319
753000
3000
אך ורק בשביל ה"קרנבל" וה"סכין".
12:51
And when you think about this,
320
756000
2000
כאשר חושבים על כך,
12:53
that we're running through the United States
321
758000
2000
שאנו עוברים על ארה"ב
12:55
with dynamite and rock saws
322
760000
3000
עם מסורי דינמיט וסלעים
12:58
so that an algorithm can close the deal
323
763000
2000
כדי שאלגוריתם יוכל לסגור עיסקה
13:00
three microseconds faster,
324
765000
3000
3 מיקרושניות יותר מהר,
13:03
all for a communications framework
325
768000
2000
הכל בשביל מערכת תקשורת
13:05
that no human will ever know,
326
770000
4000
שאף אדם לא יכירה אי-פעם,
13:09
that's a kind of manifest destiny;
327
774000
3000
זהו מין מינשר של גורל ידוע מראש,
13:12
and we'll always look for a new frontier.
328
777000
3000
שתמיד יחפש חזיתות חדשות.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
לרוע המזל, העבודה כבר נעשתה בשבילנו.
13:18
This is just theoretical.
330
783000
2000
זה רק תאורטי.
13:20
This is some mathematicians at MIT.
331
785000
2000
אלה כמה מתמטיקאים ב-MIT.
13:22
And the truth is I don't really understand
332
787000
2000
והאמת היא שאיני מבין
13:24
a lot of what they're talking about.
333
789000
2000
הרבה ממה שהם מדברים עליו.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
זה קשור לקונוסי אור ותסבוכת קוונטית,
13:29
and I don't really understand any of that.
335
794000
2000
והאמת היא שאני לא מבין שום דבר מזה.
13:31
But I can read this map,
336
796000
2000
אבל אני יכול להבין את המפה.
13:33
and what this map says
337
798000
2000
ומה שהמפה הזו אומרת
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
הוא שאם אתם מנסים לעשות כסף בשווקים היכן שהנקודות האדומות מופיעות,
13:38
that's where people are, where the cities are,
339
803000
2000
ששם נמצאים האנשים, היכן שהערים הגדולות,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
תצטרכו להניח את השרתים היכן שנמצאות הנקודות הכחולות
13:43
to do that most effectively.
341
808000
2000
כדי לבצע זאת בצורה היעילה ביותר.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
ואולי כבר הבחנתם משהו בנוגע לנקודות הכחולות,
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
שרבות מהן נמצאות בתוך האוקיינוס.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
אז זה מה שנעשה. נבנה מין שלפוחיות או משהו,
13:54
or platforms.
345
819000
2000
או רציפים.
13:56
We'll actually part the water
346
821000
2000
אנו בעצם נחצה את המים
13:58
to pull money out of the air,
347
823000
2000
כדי לסחוט כסף מהאויר,
14:00
because it's a bright future
348
825000
2000
מכיוון שהעתיד ורוד
14:02
if you're an algorithm.
349
827000
2000
אם אתה אלגוריתם.
14:04
(Laughter)
350
829000
2000
(צחוק)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
וזה לא הכסף עצמו שמעניין כל-כך,
14:09
It's what the money motivates,
352
834000
2000
אלא מה שהכסף גורם לנו לעשות.
14:11
that we're actually terraforming
353
836000
2000
אנו למעשה מעצבים מחדש
14:13
the Earth itself
354
838000
2000
את פני-השטח של כדור-הארץ עצמו
14:15
with this kind of algorithmic efficiency.
355
840000
2000
עם סוג כזה של יעילות אלגוריתמית.
14:17
And in that light,
356
842000
2000
לאור כל זאת,
14:19
you go back
357
844000
2000
נחזור ונסתכל
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
בצילומיו של מייקל נאג'אר,
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
ונגלה שהן לא מטפורה, אלא נבואה.
14:26
They're prophecy
360
851000
2000
הן נבואה
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
על ההשפעות הססמיות, הקרקעיות
14:32
of the math that we're making.
362
857000
2000
שיש למתמטיקה שאנו יוצרים.
14:34
And the landscape was always made
363
859000
3000
ותוואי הקרקע תמיד נוצר בעבר
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
על-ידי סוג כזה של שיתוף-פעולה מוזר ומדאיג
14:40
between nature and man.
365
865000
3000
בין הטבע והאדם.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
אבל כעת ישנו כח אבולוציוני-שיתופי שלישי: האלגוריתמים --
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
ה"מערבל הבוסטוני", ה"קרנבל".
14:49
And we will have to understand those as nature,
368
874000
3000
ועלינו יהיה להביט עליהם בתור טבע.
14:52
and in a way, they are.
369
877000
2000
ובמובן מסויים, הם באמת כאלה.
14:54
Thank you.
370
879000
2000
תודה.
14:56
(Applause)
371
881000
20000
(מחיאות כפיים)
ABOUT THE SPEAKER
Kevin Slavin - Algoworld expertKevin Slavin navigates in the algoworld, the expanding space in our lives that’s determined and run by algorithms.
Why you should listen
Are you addicted to the dead-simple numbers game Drop 7 or Facebook’s Parking Wars? Blame Kevin Slavin and the game development company he co-founded in 2005, Area/Code, which makes clever game entertainments that enter the fabric of reality.
All this fun is powered by algorithms -- as, increasingly, is our daily life. From the Google algorithms to the algos that give you “recommendations” online to those that automatically play the stock markets (and sometimes crash them): we may not realize it, but we live in the algoworld.
He says: "The quickest way to find out what the boundaries of reality are is to figure where they break."
Kevin Slavin | Speaker | TED.com