TED2015
Jim Simons: The mathematician who cracked Wall Street
Jim Simons: Matematyk, który rozgryzł Wall Street
Filmed:
Readability: 4
2,981,452 views
Jim Simons, matematyk i kryptograf, zauważył, że złożona matematyka używana do łamana kodów może pomóc wytłumaczyć wzorce ze świata finansów. Miliardy później działa, żeby wesprzeć następne pokolenie nauczycieli matematyki i uczonych. Chris Anderson z TED rozmawia z Simonsem o jego niezwykłym życiu w liczbach.
Jim Simons - Philanthropist, mathematician
After astonishing success as a mathematician, code breaker and billionaire hedge fund manager, Jim Simons is mastering yet another field: philanthropy. Full bio
After astonishing success as a mathematician, code breaker and billionaire hedge fund manager, Jim Simons is mastering yet another field: philanthropy. Full bio
Double-click the English transcript below to play the video.
00:12
Chris Anderson: You were something
of a mathematical phenom.
of a mathematical phenom.
0
817
2834
Chris Anderson: Jesteś rodzajem
fenomenu matematycznego.
fenomenu matematycznego.
00:15
You had already taught at Harvard
and MIT at a young age.
and MIT at a young age.
1
3675
3064
Za młodu uczyłeś na MIT i Harvardzie.
00:18
And then the NSA came calling.
2
6763
2190
Następnie skontaktowała się z tobą NSA.
00:21
What was that about?
3
9464
1204
O co chodziło?
00:23
Jim Simons: Well the NSA --
that's the National Security Agency --
that's the National Security Agency --
4
11207
3923
Jim Simons: NSA,
Agencja Bezpieczeństwa Narodowego,
Agencja Bezpieczeństwa Narodowego,
00:27
they didn't exactly come calling.
5
15154
1969
nie do końca się skontaktowała.
00:29
They had an operation at Princeton,
where they hired mathematicians
where they hired mathematicians
6
17465
4474
Prowadzili operację na Princeton,
do której zatrudniali matematyków
do której zatrudniali matematyków
00:33
to attack secret codes
and stuff like that.
and stuff like that.
7
21963
2942
łamiących tajne kody i takie tam.
00:37
And I knew that existed.
8
25294
1672
Wiedziałem, że to istnieje.
00:39
And they had a very good policy,
9
27315
2180
Dawali bardzo dobre warunki,
00:41
because you could do half your time
at your own mathematics,
at your own mathematics,
10
29519
3850
bo połowę czasu można było
wykorzystać na własną pracę,
wykorzystać na własną pracę,
00:45
and at least half your time
working on their stuff.
working on their stuff.
11
33393
3484
ale przez co najmniej połowę
musiałeś pracować nad ich sprawami.
musiałeś pracować nad ich sprawami.
00:49
And they paid a lot.
12
37559
1474
Sporo też płacili.
00:51
So that was an irresistible pull.
13
39057
3051
To nieodparcie przyciągało.
00:54
So, I went there.
14
42132
1912
Zgłosiłem się.
00:56
CA: You were a code-cracker.
15
44068
1338
CA: Byłeś łamaczem kodów.
00:57
JS: I was.
16
45430
1166
JS: Byłem.
00:58
CA: Until you got fired.
17
46620
1157
CA: Ale cię zwolnili.
00:59
JS: Well, I did get fired. Yes.
18
47801
1583
JS: Prawda, zwolnili mnie.
01:01
CA: How come?
19
49408
1245
CA: Dlaczego?
01:03
JS: Well, how come?
20
51280
1333
JS: Dlaczego?
01:05
I got fired because,
well, the Vietnam War was on,
well, the Vietnam War was on,
21
53611
4956
Zwolnili mnie, bo była wojna w Wietnamie.
01:10
and the boss of bosses in my organization
was a big fan of the war
was a big fan of the war
22
58591
5738
Szef szefów mojej organizacji
był wielkim fanem wojen.
był wielkim fanem wojen.
01:16
and wrote a New York Times article,
a magazine section cover story,
a magazine section cover story,
23
64353
4395
Napisał duży artykuł w New York Timesie,
01:20
about how we would win in Vietnam.
24
68772
1770
jak to zwyciężymy w Wietnamie.
01:22
And I didn't like that war,
I thought it was stupid.
I thought it was stupid.
25
70566
3129
Nie lubiłem tej wojny,
uważałem, że jest głupia.
uważałem, że jest głupia.
01:25
And I wrote a letter to the Times,
which they published,
which they published,
26
73719
2665
Napisałem list do Timesa,
który został opublikowany.
który został opublikowany.
01:28
saying not everyone
who works for Maxwell Taylor,
who works for Maxwell Taylor,
27
76408
4014
Napisałem, że nie każdy,
kto pracuje dla Maxwella Taylora,
kto pracuje dla Maxwella Taylora,
01:32
if anyone remembers that name,
agrees with his views.
agrees with his views.
28
80446
4686
jeśli ktokolwiek pamięta to nazwisko,
zgadza się z jego poglądami.
zgadza się z jego poglądami.
01:37
And I gave my own views ...
29
85553
1658
Potem opisałem własne.
01:39
CA: Oh, OK. I can see that would --
30
87235
2164
CA: Widzę, jak to szło.
01:41
JS: ... which were different
from General Taylor's.
from General Taylor's.
31
89423
2555
JS: Różniły się poglądów generała Taylora.
01:44
But in the end, nobody said anything.
32
92002
1906
Ale w końcu nikt nic nie powiedział.
01:45
But then, I was 29 years old at this time,
and some kid came around
and some kid came around
33
93932
3701
Wtedy miałem 29 lat
i przyszedł do mnie jakiś chłopak.
i przyszedł do mnie jakiś chłopak.
01:49
and said he was a stringer
from Newsweek magazine
from Newsweek magazine
34
97657
3088
Powiedział, że jest niezależnym
dziennikarzem z Newsweeka
dziennikarzem z Newsweeka
01:52
and he wanted to interview me
and ask what I was doing about my views.
and ask what I was doing about my views.
35
100769
5367
i chce zrobić ze mną wywiad,
jak wprowadzam swoje poglądy w czyn.
jak wprowadzam swoje poglądy w czyn.
01:58
And I told him, "I'm doing
mostly mathematics now,
mostly mathematics now,
36
106160
3899
Powiedziałem: "Teraz
zajmuję się głównie matematyką,
zajmuję się głównie matematyką,
02:02
and when the war is over,
then I'll do mostly their stuff."
then I'll do mostly their stuff."
37
110083
3373
a kiedy wojna się skończy,
zajmę się głównie ich sprawami".
zajmę się głównie ich sprawami".
02:06
Then I did the only
intelligent thing I'd done that day --
intelligent thing I'd done that day --
38
114123
2825
Następnie zrobiłem jedyną
inteligentną rzecz tego dnia.
inteligentną rzecz tego dnia.
02:08
I told my local boss
that I gave that interview.
that I gave that interview.
39
116972
4157
Powiedziałem szefowi,
że dałem komuś wywiad.
że dałem komuś wywiad.
02:13
And he said, "What'd you say?"
40
121153
1459
Zapytał: "Co powiedziałeś?".
02:14
And I told him what I said.
41
122636
1466
Powtórzyłem, co powiedziałem.
02:16
And then he said,
"I've got to call Taylor."
"I've got to call Taylor."
42
124126
2315
Wtedy powiedział:
"Muszę zadzwonić do Taylora".
"Muszę zadzwonić do Taylora".
02:18
He called Taylor; that took 10 minutes.
43
126465
2377
Zadzwonił do Taylora,
zajęło mu to dziesięć minut.
zajęło mu to dziesięć minut.
02:20
I was fired five minutes after that.
44
128866
2262
Po następnych pięciu mnie wywalił.
02:23
CA: OK.
45
131590
1222
CA: OK.
02:24
JS: But it wasn't bad.
46
132836
1151
JS: Jednak nie było źle.
02:26
CA: It wasn't bad,
because you went on to Stony Brook
because you went on to Stony Brook
47
134011
2493
CA: Nie było źle, trafiłeś do Stony Brook
02:28
and stepped up your mathematical career.
48
136528
3133
i rozwinąłeś karierę matematyczną.
02:31
You started working with this man here.
49
139685
2452
Zacząłeś pracować z tym człowiekiem.
02:34
Who is this?
50
142161
1164
Kto to jest?
02:36
JS: Oh, [Shiing-Shen] Chern.
51
144352
1412
JS: [Shiing-Shen] Chern.
02:37
Chern was one of the great
mathematicians of the century.
mathematicians of the century.
52
145788
3104
Chern był jednym z największych
matematyków tamtego wieku.
matematyków tamtego wieku.
02:40
I had known him when
I was a graduate student at Berkeley.
I was a graduate student at Berkeley.
53
148916
5233
Poznałem go na studiach w Berkeley.
02:46
And I had some ideas,
54
154173
1871
Miałem parę pomysłów,
02:48
and I brought them to him
and he liked them.
and he liked them.
55
156068
2447
pokazałem mu je i się spodobały.
02:50
Together, we did this work
which you can easily see up there.
which you can easily see up there.
56
158539
6626
Wspólnie zrobiliśmy coś,
co możecie zobaczyć tutaj.
co możecie zobaczyć tutaj.
02:57
There it is.
57
165189
1150
Tak to wyglądało.
02:59
CA: It led to you publishing
a famous paper together.
a famous paper together.
58
167198
3606
CA: Ta współpraca zaprowadziła
do publikacji słynnego artykułu.
do publikacji słynnego artykułu.
03:02
Can you explain at all what that work was?
59
170828
3238
Możesz nam wyjaśnić,
o co w ogóle chodziło?
o co w ogóle chodziło?
03:07
JS: No.
60
175028
1158
JS: Nie.
03:08
(Laughter)
61
176210
2274
(Śmiech)
03:10
JS: I mean, I could
explain it to somebody.
explain it to somebody.
62
178966
2064
JS: Mogę wytłumaczyć to komuś.
03:13
(Laughter)
63
181054
2075
(Śmiech)
03:15
CA: How about explaining this?
64
183153
1864
CA: Jak to wyjaśnisz?
03:17
JS: But not many. Not many people.
65
185041
2729
JS: Ale niewielu. Niewielu osobom.
03:21
CA: I think you told me
it had something to do with spheres,
it had something to do with spheres,
66
189144
2814
CA: Chyba mówiłeś, że to
ma coś wspólnego z kulami,
ma coś wspólnego z kulami,
03:23
so let's start here.
67
191982
1862
więc zacznijmy tutaj.
03:25
JS: Well, it did,
but I'll say about that work --
but I'll say about that work --
68
193868
3600
JS: Tak, miało,
ale zanim do tego dojdziemy,
ale zanim do tego dojdziemy,
03:29
it did have something to do with that,
but before we get to that --
but before we get to that --
69
197492
3200
powiem, że ta praca
03:32
that work was good mathematics.
70
200716
3540
to dobra matematyka.
03:36
I was very happy with it; so was Chern.
71
204280
2492
Obaj byliśmy bardzo szczęśliwi.
03:39
It even started a little sub-field
that's now flourishing.
that's now flourishing.
72
207910
4176
Ta praca rozpoczęła nawet rozwój
poddziedziny, która teraz święci sukcesy.
poddziedziny, która teraz święci sukcesy.
03:44
But, more interestingly,
it happened to apply to physics,
it happened to apply to physics,
73
212638
5294
Ale, co interesujące,
dało się to zastosować w fizyce,
dało się to zastosować w fizyce,
03:49
something we knew nothing about --
at least I knew nothing about physics,
at least I knew nothing about physics,
74
217956
4295
o której nic nie wiedzieliśmy,
przynajmniej ja nic nie wiedziałem
przynajmniej ja nic nie wiedziałem
03:54
and I don't think Chern
knew a heck of a lot.
knew a heck of a lot.
75
222275
2282
i nie sądzę, że Chern wiedział więcej.
03:56
And about 10 years
after the paper came out,
after the paper came out,
76
224581
3963
Jakieś 10 lat po tym,
jak wyszedł ten artykuł,
jak wyszedł ten artykuł,
04:00
a guy named Ed Witten in Princeton
started applying it to string theory
started applying it to string theory
77
228568
4480
Ed Witten z Princeton
zastosował go w teorii strun,
zastosował go w teorii strun,
04:05
and people in Russia started applying it
to what's called "condensed matter."
to what's called "condensed matter."
78
233072
4852
a w Rosji zaczęto stosować go
do czegoś zwanego "skondensowaną materią".
do czegoś zwanego "skondensowaną materią".
04:09
Today, those things in there
called Chern-Simons invariants
called Chern-Simons invariants
79
237948
4893
Dzisiaj te elementy nazwane
niezmiennikami Cherna-Simonsa
niezmiennikami Cherna-Simonsa
04:14
have spread through a lot of physics.
80
242865
1865
często wykorzystuje się w fizyce.
04:16
And it was amazing.
81
244754
1174
To było zdumiewające.
04:17
We didn't know any physics.
82
245952
1365
Nie znaliśmy fizyki.
04:19
It never occurred to me
that it would be applied to physics.
that it would be applied to physics.
83
247714
2854
Nie przyszło mi do głowy,
że można to wykorzystać w fizyce.
że można to wykorzystać w fizyce.
04:22
But that's the thing about mathematics --
you never know where it's going to go.
you never know where it's going to go.
84
250592
3788
Ale to jest ważne w matematyce
- nigdy nie wiadomo, dokąd dojdziesz.
- nigdy nie wiadomo, dokąd dojdziesz.
04:26
CA: This is so incredible.
85
254404
1492
CA: To niesamowite.
04:27
So, we've been talking about
how evolution shapes human minds
how evolution shapes human minds
86
255920
4364
Mówiliśmy o tym, jak ewolucja
kształtuje ludzkie umysły,
kształtuje ludzkie umysły,
04:32
that may or may not perceive the truth.
87
260308
2508
które mogą dostrzegać prawdę lub nie.
04:34
Somehow, you come up
with a mathematical theory,
with a mathematical theory,
88
262840
3313
Jakoś wymyśliłeś teorię matematyczną,
04:38
not knowing any physics,
89
266177
1848
nie znając w ogóle fizyki
04:40
discover two decades later
that it's being applied
that it's being applied
90
268049
2498
i dwie dekady później
odkryłeś, że użyto jej,
odkryłeś, że użyto jej,
04:42
to profoundly describe
the actual physical world.
the actual physical world.
91
270571
3031
aby dogłębnie opisać
aktualny świat fizyczny.
aktualny świat fizyczny.
04:45
How can that happen?
92
273626
1153
Jak to się mogło stać?
04:46
JS: God knows.
93
274803
1157
JS: Bóg jeden wie.
04:47
(Laughter)
94
275984
2110
(Śmiech)
04:50
But there's a famous physicist
named [Eugene] Wigner,
named [Eugene] Wigner,
95
278849
3150
Jest jednak słynny fizyk,
nazywa się [Eugene] Wigner.
nazywa się [Eugene] Wigner.
04:54
and he wrote an essay on the unreasonable
effectiveness of mathematics.
effectiveness of mathematics.
96
282023
5588
Napisał esej o nieuzasadnionej
skuteczności matematyki.
skuteczności matematyki.
04:59
Somehow, this mathematics,
which is rooted in the real world
which is rooted in the real world
97
287635
3952
W jakiś sposób matematyka
zakorzeniona jest w prawdziwym świecie.
zakorzeniona jest w prawdziwym świecie.
05:03
in some sense -- we learn to count,
measure, everyone would do that --
measure, everyone would do that --
98
291611
4995
Uczymy się liczyć, mierzyć, każdy to robi,
05:08
and then it flourishes on its own.
99
296630
1830
ale potem rozwija się sama.
05:10
But so often it comes
back to save the day.
back to save the day.
100
298976
2841
Często jednak wraca,
by uratować nam skórę.
by uratować nam skórę.
05:14
General relativity is an example.
101
302293
2178
Przykładem jest teoria względności.
05:16
[Hermann] Minkowski had this geometry,
and Einstein realized,
and Einstein realized,
102
304495
3117
[Hermann] Mikowski stworzył
geometrię, a Einstein zauważył:
geometrię, a Einstein zauważył:
05:19
"Hey! It's the very thing
in which I can cast general relativity."
in which I can cast general relativity."
103
307636
3847
"Właśnie na tym mogę
osadzić teorię względności".
osadzić teorię względności".
05:23
So, you never know. It is a mystery.
104
311507
3112
Nigdy nic nie wiadomo. To tajemnica.
05:27
It is a mystery.
105
315056
1217
To tajemnica.
05:28
CA: So, here's a mathematical
piece of ingenuity.
piece of ingenuity.
106
316297
3296
CA: To jest więc efekt
matematycznej pomysłowości.
matematycznej pomysłowości.
05:31
Tell us about this.
107
319617
1342
Opowiedz nam o tym.
05:32
JS: Well, that's a ball -- it's a sphere,
and it has a lattice around it --
and it has a lattice around it --
108
320983
5924
JS: Mamy piłkę - to kula,
która ma wokół siatkę,
która ma wokół siatkę,
05:38
you know, those squares.
109
326931
1573
takie kwadraty.
05:42
What I'm going to show here was
originally observed by [Leonhard] Euler,
originally observed by [Leonhard] Euler,
110
330697
4906
To, co chcę pokazać,
zaobserwował [Leonhard] Euler,
zaobserwował [Leonhard] Euler,
05:47
the great mathematician, in the 1700s.
111
335627
2254
świetny matematyk z XVIII wieku.
05:50
And it gradually grew to be
a very important field in mathematics:
a very important field in mathematics:
112
338223
5181
Stopniowo stało się to
bardzo ważną częścią matematyki:
bardzo ważną częścią matematyki:
05:55
algebraic topology, geometry.
113
343428
2334
topologią algebraiczną, geometrią.
05:59
That paper up there had its roots in this.
114
347039
4364
Ta praca naukowa ma w tym swoje korzenie.
06:03
So, here's this thing:
115
351427
1834
Chodzi o to,
06:05
it has eight vertices,
12 edges, six faces.
12 edges, six faces.
116
353285
4452
że ten obiekt ma osiem wierzchołków,
dwanaście krawędzi i sześć ścianek.
dwanaście krawędzi i sześć ścianek.
06:09
And if you look at the difference --
vertices minus edges plus faces --
vertices minus edges plus faces --
117
357761
3830
Kiedy obliczysz różnicę,
wierzchołki minus krawędzie plus ścianki,
wierzchołki minus krawędzie plus ścianki,
06:13
you get two.
118
361615
1152
otrzymujesz dwa.
06:14
OK, well, two. That's a good number.
119
362791
2219
Dwa. To dobra cyfra.
06:17
Here's a different way of doing it --
these are triangles covering --
these are triangles covering --
120
365034
4248
Jest też inny sposób,
wykorzystujący trójkąty.
wykorzystujący trójkąty.
06:21
this has 12 vertices and 30 edges
121
369306
4577
Mamy 12 wierzchołków, 30 krawędzi
06:25
and 20 faces, 20 tiles.
122
373907
4195
oraz dwadzieścia ścianek, płytek.
06:30
And vertices minus edges
plus faces still equals two.
plus faces still equals two.
123
378576
4591
Wierzchołki minus krawędzie
plus ścianki - wciąż wychodzi dwa.
plus ścianki - wciąż wychodzi dwa.
06:35
And in fact, you could do this
any which way --
any which way --
124
383191
2847
W rzeczywistości można tak
zrobić w dowolny sposób,
zrobić w dowolny sposób,
06:38
cover this thing with all kinds
of polygons and triangles
of polygons and triangles
125
386062
3398
pokrywając to wszelkimi
wielokątami i trójkątami,
wielokątami i trójkątami,
06:41
and mix them up.
126
389484
1320
mieszając je.
06:42
And you take vertices minus edges
plus faces -- you'll get two.
plus faces -- you'll get two.
127
390828
3279
Wierzchołki minus krawędzie
plus ścianki - wciąż daje dwa.
plus ścianki - wciąż daje dwa.
06:46
Here's a different shape.
128
394131
1611
Oto inny kształt.
06:48
This is a torus, or the surface
of a doughnut: 16 vertices
of a doughnut: 16 vertices
129
396480
5250
To torus, podobny do pączka
z dziurką - szesnaście wierzchołków
z dziurką - szesnaście wierzchołków
06:53
covered by these rectangles,
32 edges, 16 faces.
32 edges, 16 faces.
130
401754
4244
stworzonych z prostokątów,
32 krawędzie i 16 ścianek.
32 krawędzie i 16 ścianek.
06:58
Vertices minus edges comes out to be zero.
131
406530
2684
Ścianki minus krawędzie dają zero.
07:01
It'll always come out to zero.
132
409238
1475
Tutaj zawsze wyjdzie zero.
07:02
Every time you cover a torus
with squares or triangles
with squares or triangles
133
410737
4310
Zawsze, gdy pokryjesz torus
różnymi kwadratami, trójkątami
różnymi kwadratami, trójkątami
07:07
or anything like that,
you're going to get zero.
you're going to get zero.
134
415071
3935
lub czymkolwiek innym, wyjdzie zero.
07:12
So, this is called
the Euler characteristic.
the Euler characteristic.
135
420514
2390
Nazywa się to charakterystyką Eulera.
07:14
And it's what's called
a topological invariant.
a topological invariant.
136
422928
3449
Czasem też niezmiennością topologiczną.
07:18
It's pretty amazing.
137
426849
1156
To zdumiewające.
07:20
No matter how you do it,
you're always get the same answer.
you're always get the same answer.
138
428029
2791
Nieważne, jak to zrobisz,
wyjdzie tyle samo.
wyjdzie tyle samo.
07:22
So that was the first sort of thrust,
from the mid-1700s,
from the mid-1700s,
139
430844
6299
To pierwsze pchnięcie
w połowie XVIII wieku
w połowie XVIII wieku
07:29
into a subject which is now called
algebraic topology.
algebraic topology.
140
437167
3769
popchnęło do przodu temat
zwany dziś niezmiennością topologiczną.
zwany dziś niezmiennością topologiczną.
07:32
CA: And your own work
took an idea like this and moved it
took an idea like this and moved it
141
440960
2983
CA: A twoja własna praca
użyła tej idei i przeniosła ją
użyła tej idei i przeniosła ją
07:35
into higher-dimensional theory,
142
443967
2449
w teorię wyższych wymiarów,
07:38
higher-dimensional objects,
and found new invariances?
and found new invariances?
143
446440
3088
obiektów wielowymiarowych
i znalazła nowe stałe elementy?
i znalazła nowe stałe elementy?
07:41
JS: Yes. Well, there were already
higher-dimensional invariants:
higher-dimensional invariants:
144
449552
4643
JS: Tak. Wcześniej znano
stałe elementy wyższych wymiarów:
stałe elementy wyższych wymiarów:
07:46
Pontryagin classes --
actually, there were Chern classes.
actually, there were Chern classes.
145
454219
4457
klasy Pontryagina,
tak naprawdę to klasy Cherna.
tak naprawdę to klasy Cherna.
07:50
There were a bunch
of these types of invariants.
of these types of invariants.
146
458700
3548
Było kilka rodzajów takich stałych.
07:54
I was struggling to work on one of them
147
462272
4135
Miałem problemy z jedną z nich
07:58
and model it sort of combinatorially,
148
466431
4203
i modelowałem je raczej kombinatorycznie,
08:02
instead of the way it was typically done,
149
470658
3022
czyli nie w sposób,
w jaki odbywa się to zazwyczaj.
w jaki odbywa się to zazwyczaj.
08:05
and that led to this work
and we uncovered some new things.
and we uncovered some new things.
150
473704
4359
To zaprowadziło do naszej pracy,
odkryliśmy trochę nowych rzeczy.
odkryliśmy trochę nowych rzeczy.
08:10
But if it wasn't for Mr. Euler --
151
478087
3501
Ale gdyby nie było Eulera,
08:13
who wrote almost 70 volumes of mathematics
152
481612
3981
który napisał prawie 70 tomów o matematyce
08:17
and had 13 children,
153
485617
1731
i miał 13 dzieci,
08:19
who he apparently would dandle on his knee
while he was writing --
while he was writing --
154
487372
6442
które najwyraźniej niańczył
na swoim kolanie podczas pisania,
na swoim kolanie podczas pisania,
08:25
if it wasn't for Mr. Euler, there wouldn't
perhaps be these invariants.
perhaps be these invariants.
155
493838
5774
gdyby nie było Eulera,
prawdopodobnie nie byłoby tych stałych.
prawdopodobnie nie byłoby tych stałych.
08:32
CA: OK, so that's at least given us
a flavor of that amazing mind in there.
a flavor of that amazing mind in there.
156
500157
4097
CA: To daje nam chociaż
mały wgląd w ten wspaniały umysł.
mały wgląd w ten wspaniały umysł.
08:36
Let's talk about Renaissance.
157
504804
1543
Porozmawiajmy o Renaissance.
08:38
Because you took that amazing mind
and having been a code-cracker at the NSA,
and having been a code-cracker at the NSA,
158
506371
5856
Ponieważ miałeś niesamowity umysł
i byłeś łamaczem kodów w NSA,
i byłeś łamaczem kodów w NSA,
08:44
you started to become a code-cracker
in the financial industry.
in the financial industry.
159
512251
3229
zacząłeś pracować jako łamacz
kodów w przemyśle finansowym.
kodów w przemyśle finansowym.
08:47
I think you probably didn't buy
efficient market theory.
efficient market theory.
160
515504
2690
Prawdopodobnie nie kupiłeś
teorii efektywnego rynku,
teorii efektywnego rynku,
08:50
Somehow you found a way of creating
astonishing returns over two decades.
astonishing returns over two decades.
161
518218
6387
ale jakoś znalazłeś sposób na osiąganie
ogromnych zysków przez dwadzieścia lat.
ogromnych zysków przez dwadzieścia lat.
08:56
The way it's been explained to me,
162
524629
1671
Wyjaśniono mi,
08:58
what's remarkable about what you did
wasn't just the size of the returns,
wasn't just the size of the returns,
163
526324
3499
że niezwykła w twojej pracy
jest nie tylko wielkość zysków,
jest nie tylko wielkość zysków,
09:01
it's that you took them
with surprisingly low volatility and risk,
with surprisingly low volatility and risk,
164
529847
3883
ale to, że wytworzyłeś je
z bardzo niskim ryzykiem i zmiennością
z bardzo niskim ryzykiem i zmiennością
09:05
compared with other hedge funds.
165
533754
1824
w porównaniu do funduszy hedgingowych.
09:07
So how on earth did you do this, Jim?
166
535602
1929
W jaki sposób to zrobiłeś, Jim?
09:10
JS: I did it by assembling
a wonderful group of people.
a wonderful group of people.
167
538071
4111
JS: Zrobiłem to,
łącząc wspaniałą grupę ludzi.
łącząc wspaniałą grupę ludzi.
09:14
When I started doing trading, I had
gotten a little tired of mathematics.
gotten a little tired of mathematics.
168
542206
3956
Kiedy zaczynałem handlować,
byłem trochę zmęczony matematyką.
byłem trochę zmęczony matematyką.
09:18
I was in my late 30s,
I had a little money.
I had a little money.
169
546186
3923
Miałem trzydzieści kilka lat
i bardzo mało pieniędzy.
i bardzo mało pieniędzy.
09:22
I started trading and it went very well.
170
550133
2509
Zacząłem grać i wyszło nieźle.
09:25
I made quite a lot of money
with pure luck.
with pure luck.
171
553063
2748
Zarobiłem sporo pieniędzy
dzięki czystemu szczęściu.
dzięki czystemu szczęściu.
09:27
I mean, I think it was pure luck.
172
555835
1666
Sądzę, że to było tylko szczęście.
09:29
It certainly wasn't mathematical modeling.
173
557525
2109
Nie modelowałem tego matematycznie.
09:31
But in looking at the data,
after a while I realized:
after a while I realized:
174
559658
3831
Patrząc na dane,
po chwili zdałem sobie sprawę:
po chwili zdałem sobie sprawę:
09:35
it looks like there's some structure here.
175
563513
2553
to wygląda na jakąś strukturę.
09:38
And I hired a few mathematicians,
and we started making some models --
and we started making some models --
176
566090
3697
Zatrudniłem kilku matematyków,
zaczęliśmy tworzyć modele,
zaczęliśmy tworzyć modele,
09:41
just the kind of thing we did back
at IDA [Institute for Defense Analyses].
at IDA [Institute for Defense Analyses].
177
569811
4265
takie same, jak w IDA,
Instytucie Analiz Obronnych.
Instytucie Analiz Obronnych.
09:46
You design an algorithm,
you test it out on a computer.
you test it out on a computer.
178
574100
2833
Tworzysz algorytm
i przepuszczasz przez komputer.
i przepuszczasz przez komputer.
09:48
Does it work? Doesn't it work? And so on.
179
576957
2166
Działa? Nie działa? I tak dalej.
09:51
CA: Can we take a look at this?
180
579443
1479
CA: Czy możemy na to spojrzeć?
09:52
Because here's a typical graph
of some commodity.
of some commodity.
181
580946
4541
Oto typowy wykres jakiegoś towaru.
09:58
I look at that, and I say,
"That's just a random, up-and-down walk --
"That's just a random, up-and-down walk --
182
586487
4041
Patrzę na to i stwierdzam:
"To jest losowe, idzie w górę lub dół,
"To jest losowe, idzie w górę lub dół,
10:02
maybe a slight upward trend
over that whole period of time."
over that whole period of time."
183
590552
2862
może przez cały okres
ma niewielką tendencję wzrostową".
ma niewielką tendencję wzrostową".
10:05
How on earth could you trade
looking at that,
looking at that,
184
593438
2113
Jak można handlować za pomocą tego
10:07
and see something that wasn't just random?
185
595575
2326
i zobaczyć coś, co nie jest przypadkowe?
10:09
JS: In the old days -- this is
kind of a graph from the old days,
kind of a graph from the old days,
186
597925
3247
JS: W dawnych czasach
- to rodzaj wykresu z dawnych lat -
- to rodzaj wykresu z dawnych lat -
10:13
commodities or currencies
had a tendency to trend.
had a tendency to trend.
187
601196
4284
towary lub waluty
miały tendencję do trendów.
miały tendencję do trendów.
10:17
Not necessarily the very light trend
you see here, but trending in periods.
you see here, but trending in periods.
188
605504
6055
Niekoniecznie do bardzo słabych tendencji
takich jak ta, ale trendów okresowych.
takich jak ta, ale trendów okresowych.
10:23
And if you decided, OK,
I'm going to predict today,
I'm going to predict today,
189
611583
4056
Jeśli zdecydowałeś:
"Dzisiaj będę przewidywał
"Dzisiaj będę przewidywał
10:27
by the average move in the past 20 days --
190
615663
4968
na podstawie zmian z ostatnich 20 dni",
10:32
maybe that would be a good prediction,
and I'd make some money.
and I'd make some money.
191
620655
3107
być może będzie to dobra prognoza,
a ja zarobię trochę pieniędzy.
a ja zarobię trochę pieniędzy.
10:35
And in fact, years ago,
such a system would work --
such a system would work --
192
623786
5608
Tak naprawdę lata temu
taki system by zadziałał,
taki system by zadziałał,
10:41
not beautifully, but it would work.
193
629418
2391
nie idealnie, ale by działał.
10:43
You'd make money, you'd lose
money, you'd make money.
money, you'd make money.
194
631833
2509
Zarabiasz kasę, tracisz i znowu zarabiasz.
10:46
But this is a year's worth of days,
195
634366
2198
Ale jeśli podsumować wszystkie dni w roku,
10:48
and you'd make a little money
during that period.
during that period.
196
636588
4241
zarobek wyjdzie bardzo mały.
10:53
It's a very vestigial system.
197
641884
1958
To bardzo szczątkowy system.
10:56
CA: So you would test
a bunch of lengths of trends in time
a bunch of lengths of trends in time
198
644525
3529
CA: Przetestowałbyś więc
kilka odcinków trendów czasowych,
kilka odcinków trendów czasowych,
11:00
and see whether, for example,
199
648078
2436
aby zobaczyć na przykład,
11:02
a 10-day trend or a 15-day trend
was predictive of what happened next.
was predictive of what happened next.
200
650538
3481
co się stanie dalej - trend będzie
dziesięcio-, czy piętnastodniowy?
dziesięcio-, czy piętnastodniowy?
11:06
JS: Sure, you would try all those things
and see what worked best.
and see what worked best.
201
654043
6762
JS: Przetestowałbym to wszystko
i odkrył, co działa najlepiej.
i odkrył, co działa najlepiej.
11:13
Trend-following would
have been great in the '60s,
have been great in the '60s,
202
661515
3350
Śledzenie trendów
działało świetnie w latach 60.
działało świetnie w latach 60.
11:16
and it was sort of OK in the '70s.
203
664889
2132
Było w porządku w latach 70.,
11:19
By the '80s, it wasn't.
204
667045
1873
ale w 80. już nie.
11:20
CA: Because everyone could see that.
205
668942
2817
CA: Ponieważ każdy to widział.
11:23
So, how did you stay ahead of the pack?
206
671783
2782
Jak więc pozostałeś na czele?
11:27
JS: We stayed ahead of the pack
by finding other approaches --
by finding other approaches --
207
675046
6132
JS: Zostaliśmy na czele,
znajdując inne podejścia,
znajdując inne podejścia,
11:33
shorter-term approaches to some extent.
208
681202
2741
do jakiegoś stopnia krótkoterminowe.
11:37
The real thing was to gather
a tremendous amount of data --
a tremendous amount of data --
209
685107
3347
Chodziło o to, by zebrać
ogromną ilość danych
ogromną ilość danych
11:40
and we had to get it by hand
in the early days.
in the early days.
210
688478
3578
i na początku musieliśmy robić to ręcznie.
11:44
We went down to the Federal Reserve
and copied interest rate histories
and copied interest rate histories
211
692080
3466
Poszliśmy do Rezerw Federalnych,
kopiowaliśmy historie stóp procentowych
kopiowaliśmy historie stóp procentowych
11:47
and stuff like that,
because it didn't exist on computers.
because it didn't exist on computers.
212
695570
3265
i tego typu rzeczy,
bo tego nie było w komputerze.
bo tego nie było w komputerze.
11:50
We got a lot of data.
213
698859
1643
Mieliśmy dużo danych
11:52
And very smart people -- that was the key.
214
700526
4160
I bardzo mądrych ludzi - to był klucz.
11:57
I didn't really know how to hire
people to do fundamental trading.
people to do fundamental trading.
215
705463
3776
Tak naprawdę nie wiedziałem,
jak zatrudnić ludzi do głównej pracy.
jak zatrudnić ludzi do głównej pracy.
12:01
I had hired a few -- some made money,
some didn't make money.
some didn't make money.
216
709749
2949
Zatrudniłem paru,
niektórzy zarabiali, inni nie.
niektórzy zarabiali, inni nie.
12:04
I couldn't make a business out of that.
217
712722
1880
Z tego nie da się zrobić biznesu.
12:06
But I did know how to hire scientists,
218
714626
2042
Wiedziałem jednak,
jak zatrudnić naukowców,
jak zatrudnić naukowców,
12:08
because I have some taste
in that department.
in that department.
219
716692
3389
miałem wyczucie w tej dziedzinie.
12:12
So, that's what we did.
220
720105
1838
To właśnie zrobiliśmy.
12:13
And gradually these models
got better and better,
got better and better,
221
721967
3231
Stopniowo te modele
stawały się coraz lepsze,
stawały się coraz lepsze,
12:17
and better and better.
222
725222
1335
lepsze i lepsze.
12:18
CA: You're credited with doing
something remarkable at Renaissance,
something remarkable at Renaissance,
223
726581
3214
CA: Przypisuje ci się stworzenie
w Renaissance czegoś znaczącego,
w Renaissance czegoś znaczącego,
12:21
which is building this culture,
this group of people,
this group of people,
224
729819
2601
stworzenia kultury - grupy ludzi,
12:24
who weren't just hired guns
who could be lured away by money.
who could be lured away by money.
225
732444
3142
którzy nie byli tylko najemnikami
skuszonymi pieniędzmi.
skuszonymi pieniędzmi.
12:27
Their motivation was doing
exciting mathematics and science.
exciting mathematics and science.
226
735610
3912
Ich motywacją było wykorzystywanie
ekscytującej matematyki oraz nauki.
ekscytującej matematyki oraz nauki.
12:31
JS: Well, I'd hoped that might be true.
227
739860
2399
JS: Miałem nadzieję, że to prawda.
12:34
But some of it was money.
228
742283
3580
Pieniądze jednak też grały rolę.
12:37
CA: They made a lot of money.
229
745887
1393
CA: Zarobili dużo pieniędzy.
12:39
JS: I can't say that no one came
because of the money.
because of the money.
230
747304
2537
JS: Nie twierdzę,
że nikt nie przyszedł dla kasy.
że nikt nie przyszedł dla kasy.
12:41
I think a lot of them
came because of the money.
came because of the money.
231
749865
2253
Myślę, że wielu przyszło z tego powodu,
12:44
But they also came
because it would be fun.
because it would be fun.
232
752142
2021
ale też dlatego, że to była zabawa.
12:46
CA: What role did machine learning
play in all this?
play in all this?
233
754187
2488
CA: Jaką rolę w tym odegrało
uczenie maszynowe?
uczenie maszynowe?
12:48
JS: In a certain sense,
what we did was machine learning.
what we did was machine learning.
234
756699
3064
JS: W pewnym sensie to,
co zrobiliśmy, to uczenie maszynowe.
co zrobiliśmy, to uczenie maszynowe.
12:52
You look at a lot of data, and you try
to simulate different predictive schemes,
to simulate different predictive schemes,
235
760879
6291
Patrzysz na dane, symulujesz
różne przewidywalne schematy,
różne przewidywalne schematy,
12:59
until you get better and better at it.
236
767194
2182
aż będziesz w tym coraz lepszy.
13:01
It doesn't necessarily feed back on itself
the way we did things.
the way we did things.
237
769400
3767
Ta metoda niekoniecznie
uczy się na swoich błędach.
uczy się na swoich błędach.
13:05
But it worked.
238
773191
2309
Ale działała.
13:08
CA: So these different predictive schemes
can be really quite wild and unexpected.
can be really quite wild and unexpected.
239
776150
4059
CA: Różne przewidywalne schematy
mogą być naprawdę nieprzewidywalne.
mogą być naprawdę nieprzewidywalne.
13:12
I mean, you looked at everything, right?
240
780233
1914
Mierzyliście wszystko, prawda?
13:14
You looked at the weather,
length of dresses, political opinion.
length of dresses, political opinion.
241
782171
3317
Patrzyliście na pogodę,
długość sukienek i nastroje polityczne.
długość sukienek i nastroje polityczne.
13:17
JS: Yes, length of dresses we didn't try.
242
785512
2837
JS: Długości sukienek nie próbowaliśmy.
13:20
CA: What sort of things?
243
788373
2057
CA: Jakiego rodzaju rzeczy mierzyliście?
13:22
JS: Well, everything.
244
790454
1158
JS: Właściwie wszystko.
13:23
Everything is grist for the mill --
except hem lengths.
except hem lengths.
245
791636
3264
Wszystko to woda na młyn,
za wyjątkiem spódnic.
za wyjątkiem spódnic.
13:28
Weather, annual reports,
246
796852
2300
Pogoda, raporty roczne,
13:31
quarterly reports, historic data itself,
volumes, you name it.
volumes, you name it.
247
799176
4732
kwartalne, dane historyczne,
różne woluminy, co tylko chcesz.
różne woluminy, co tylko chcesz.
13:35
Whatever there is.
248
803932
1151
Co się da.
13:37
We take in terabytes of data a day.
249
805107
2621
Zbieramy terabajty danych dziennie.
13:39
And store it away and massage it
and get it ready for analysis.
and get it ready for analysis.
250
807752
4124
Magazynujemy je, porządkujemy
i przygotowujemy do analizy,
i przygotowujemy do analizy,
13:45
You're looking for anomalies.
251
813446
1382
Szukamy anomalii.
13:46
You're looking for -- like you said,
252
814852
2953
Jak powiedziałeś,
13:49
the efficient market
hypothesis is not correct.
hypothesis is not correct.
253
817829
2452
hipoteza efektywnego rynku jest błędna.
13:52
CA: But any one anomaly
might be just a random thing.
might be just a random thing.
254
820305
3467
CA: Każda anomalia jednak
może być tylko losową sprawą.
może być tylko losową sprawą.
13:55
So, is the secret here to just look
at multiple strange anomalies,
at multiple strange anomalies,
255
823796
3658
Sekret tkwi więc wyłącznie
w szukaniu zwielokrotnionej anomalii
w szukaniu zwielokrotnionej anomalii
13:59
and see when they align?
256
827478
1328
i czekaniu na wyrównanie?
14:01
JS: Any one anomaly
might be a random thing;
might be a random thing;
257
829238
3213
JS: Każda anomalia może być przypadkowa,
14:04
however, if you have enough data
you can tell that it's not.
you can tell that it's not.
258
832475
3039
ale jeśli masz wystarczająco
dużo danych, można to sprawdzić.
dużo danych, można to sprawdzić.
14:07
You can see an anomaly that's persistent
for a sufficiently long time --
for a sufficiently long time --
259
835538
4950
Można szukać anomalii,
które trwają dostatecznie długo.
które trwają dostatecznie długo.
14:12
the probability of it being
random is not high.
random is not high.
260
840512
4975
Prawdopodobieństwo ich
przypadkowości nie jest duże.
przypadkowości nie jest duże.
14:17
But these things fade after a while;
anomalies can get washed out.
anomalies can get washed out.
261
845511
4858
Jednak po pewnym czasie znikają,
anomalie mogą zniknąć.
anomalie mogą zniknąć.
14:22
So you have to keep on top
of the business.
of the business.
262
850393
2420
Trzeba pilnować interesu.
14:24
CA: A lot of people look
at the hedge fund industry now
at the hedge fund industry now
263
852837
2672
CA: Wielu ludzi patrzy
na rynek funduszy hedgingowych
na rynek funduszy hedgingowych
14:27
and are sort of ... shocked by it,
264
855533
4398
i są w pewien sposób... zszokowani tym,
14:31
by how much wealth is created there,
265
859955
2172
jak wiele bogactwa tam się tworzy
14:34
and how much talent is going into it.
266
862151
2245
i ile talentu jest w to włożone.
14:37
Do you have any worries
about that industry,
about that industry,
267
865523
4006
Czy masz jakieś obawy dotyczące branży,
14:41
and perhaps the financial
industry in general?
industry in general?
268
869553
2414
być może całego przemysłu finansowego?
14:43
Kind of being on a runaway train that's --
269
871991
2704
Czy to nie pociąg-widmo,
14:46
I don't know --
helping increase inequality?
helping increase inequality?
270
874719
4030
który zwiększa nierówności?
14:50
How would you champion what's happening
in the hedge fund industry?
in the hedge fund industry?
271
878773
3831
Co masz na obronę tego, co dzieje się
w przemyśle funduszy hedgingowych?
w przemyśle funduszy hedgingowych?
14:54
JS: I think in the last
three or four years,
three or four years,
272
882628
2608
JS: Sądzę, że przez ostatnie 3 - 4 lata
14:57
hedge funds have not done especially well.
273
885260
2103
fundusze nie radziły sobie najlepiej.
14:59
We've done dandy,
274
887387
1400
Nam poszło świetnie,
15:00
but the hedge fund industry as a whole
has not done so wonderfully.
has not done so wonderfully.
275
888811
4001
ale cała branża hedgingowa
nie radzi sobie tak dobrze.
nie radzi sobie tak dobrze.
15:04
The stock market has been on a roll,
going up as everybody knows,
going up as everybody knows,
276
892836
4902
Giełda była na fali,
każdy widział, jak wzrastała,
każdy widział, jak wzrastała,
15:09
and price-earnings ratios have grown.
277
897762
3445
a wskaźnik ceny do zysku rósł.
15:13
So an awful lot of the wealth
that's been created in the last --
that's been created in the last --
278
901231
3063
Strasznie dużo bogactwa
powstałego przez ostatnie 5 - 6 lat
powstałego przez ostatnie 5 - 6 lat
15:16
let's say, five or six years --
has not been created by hedge funds.
has not been created by hedge funds.
279
904318
3350
nie powstało dzięki takim funduszom.
15:20
People would ask me,
"What's a hedge fund?"
"What's a hedge fund?"
280
908458
3221
Ludzie pytają mnie:
"Co to jest fundusz hedgingowy?".
"Co to jest fundusz hedgingowy?".
15:23
And I'd say, "One and 20."
281
911703
2260
Odpowiadam: "Jeden i 20".
15:25
Which means -- now it's two and 20 --
282
913987
3566
Dziś to "dwa i 20":
15:29
it's two percent fixed fee
and 20 percent of profits.
and 20 percent of profits.
283
917577
3353
2% opłaty stałej i 20% zysków.
15:32
Hedge funds are all
different kinds of creatures.
different kinds of creatures.
284
920954
2352
Każdy fundusz jest inny.
15:35
CA: Rumor has it you charge
slightly higher fees than that.
slightly higher fees than that.
285
923330
3239
CA: Plotka głosi, że pobierasz
troszkę większe opłaty.
troszkę większe opłaty.
15:39
JS: We charged the highest fees
in the world at one time.
in the world at one time.
286
927339
3081
JS: W tamtym czasie pobieraliśmy
najwyższe opłaty na świecie.
najwyższe opłaty na świecie.
15:42
Five and 44, that's what we charge.
287
930444
3226
Pobieraliśmy pięć i 44.
15:45
CA: Five and 44.
288
933694
1398
CA: Pięć i 44.
15:47
So five percent flat,
44 percent of upside.
44 percent of upside.
289
935116
3234
5% opłaty stałej i 44% zysków.
15:50
You still made your investors
spectacular amounts of money.
spectacular amounts of money.
290
938374
2783
Inwestorzy wciąż spektakularnie zarabiają.
15:53
JS: We made good returns, yes.
291
941181
1452
JS: Mamy dobre wyniki, to prawda.
15:54
People got very mad:
"How can you charge such high fees?"
"How can you charge such high fees?"
292
942657
3000
Ludzie wściekają się
na tak wysokie opłaty.
na tak wysokie opłaty.
15:57
I said, "OK, you can withdraw."
293
945681
1627
"Zawsze możecie się wycofać".
15:59
But "How can I get more?"
was what people were --
was what people were --
294
947332
2818
Na co oni: "Jak mogę kupić więcej?".
16:02
(Laughter)
295
950174
1504
(Śmiech)
16:03
But at a certain point,
as I think I told you,
as I think I told you,
296
951702
2440
Chyba mówiłem, że w pewnym momencie
16:06
we bought out all the investors
because there's a capacity to the fund.
because there's a capacity to the fund.
297
954166
5175
wykupiliśmy wszystkich inwestorów,
bo było nas na to stać.
bo było nas na to stać.
16:11
CA: But should we worry
about the hedge fund industry
about the hedge fund industry
298
959365
2704
CA: Czy należy bać się o rynek
funduszy hedgingowych,
funduszy hedgingowych,
16:14
attracting too much of the world's
great mathematical and other talent
great mathematical and other talent
299
962093
5438
który przyciąga wielu utalentowanych ludzi
i najlepszych światowych matematyków
i najlepszych światowych matematyków
16:19
to work on that, as opposed
to the many other problems in the world?
to the many other problems in the world?
300
967555
3238
do pracy nad tym, zamiast na rzecz
innych światowych problemów?
innych światowych problemów?
16:22
JS: Well, it's not just mathematical.
301
970817
1929
JS: To nie tylko matematycy.
16:24
We hire astronomers and physicists
and things like that.
and things like that.
302
972770
2679
Zatrudniamy astronomów,
fizyków i różnych takich.
fizyków i różnych takich.
16:27
I don't think we should worry
about it too much.
about it too much.
303
975833
2431
Nie sądzę, że trzeba się tym przejmować.
16:30
It's still a pretty small industry.
304
978288
3142
To cały czas mała branża.
16:33
And in fact, bringing science
into the investing world
into the investing world
305
981454
5997
Tak naprawdę włączenie
nauki w świat inwestycji
nauki w świat inwestycji
16:39
has improved that world.
306
987475
2159
ulepszyło nasz świat.
16:41
It's reduced volatility.
It's increased liquidity.
It's increased liquidity.
307
989658
4070
Ograniczyło niestabilność
i zwiększyło płynność.
i zwiększyło płynność.
16:45
Spreads are narrower because
people are trading that kind of stuff.
people are trading that kind of stuff.
308
993752
3189
Spready są mniejsze, bo ludzie
zaczęli kupować tego typu rzeczy.
zaczęli kupować tego typu rzeczy.
16:48
So I'm not too worried about Einstein
going off and starting a hedge fund.
going off and starting a hedge fund.
309
996965
5076
Nie boję się,
że jakiś Einstein założy fundusz.
że jakiś Einstein założy fundusz.
16:54
CA: You're at a phase in your life now
where you're actually investing, though,
where you're actually investing, though,
310
1002478
4164
CA: Na obecnym etapie życia
zajmujesz się głównie inwestowaniem,
zajmujesz się głównie inwestowaniem,
16:58
at the other end of the supply chain --
311
1006666
3734
ale na drugim końcu łańcucha dostaw
17:02
you're actually boosting
mathematics across America.
mathematics across America.
312
1010424
4104
wspierasz matematyków w całej Ameryce.
17:06
This is your wife, Marilyn.
313
1014552
1865
To twoja żona, Marilyn.
17:08
You're working on
philanthropic issues together.
philanthropic issues together.
314
1016441
4756
Pracujecie razem w filantropii.
17:13
Tell me about that.
315
1021221
1163
Odpowiedz mi o tym.
17:14
JS: Well, Marilyn started --
316
1022408
3649
JS: Marilyn stworzyła...
17:18
there she is up there,
my beautiful wife --
my beautiful wife --
317
1026081
3447
Tu widać ją na górze, to moja piękna żona.
17:21
she started the foundation
about 20 years ago.
about 20 years ago.
318
1029552
2972
Stworzyła fundację jakieś 20 lat temu.
17:24
I think '94.
319
1032548
1151
Sądzę, że w 1994 roku.
17:25
I claim it was '93, she says it was '94,
320
1033723
2095
Obstawiam rok 1993, ona 1994.
17:27
but it was one of those two years.
321
1035842
2571
W każdym razie w którymś z tych dwóch.
17:30
(Laughter)
322
1038437
2135
(Śmiech)
17:32
We started the foundation,
just as a convenient way to give charity.
just as a convenient way to give charity.
323
1040596
6719
Uruchomiliśmy fundację jako wygodny sposób
na przekazywanie funduszy charytatywnych.
na przekazywanie funduszy charytatywnych.
17:40
She kept the books, and so on.
324
1048346
2507
Żona robiła buchalterię.
17:42
We did not have a vision at that time,
but gradually a vision emerged --
but gradually a vision emerged --
325
1050877
6714
Z początku nie mieliśmy pomysłu,
ale stopniowo się pojawił:
ale stopniowo się pojawił:
17:49
which was to focus on math and science,
to focus on basic research.
to focus on basic research.
326
1057615
5504
skupiliśmy się na matematyce i fizyce,
na badaniach podstawowych.
na badaniach podstawowych.
17:55
And that's what we've done.
327
1063569
2772
To robiliśmy.
17:58
Six years ago or so, I left Renaissance
and went to work at the foundation.
and went to work at the foundation.
328
1066365
6355
Sześć lat temu opuściłem Renaissance
i rozpocząłem pracę w fundacji.
i rozpocząłem pracę w fundacji.
18:04
So that's what we do.
329
1072744
1571
Tym się zajmujemy.
18:06
CA: And so Math for America
is basically investing
is basically investing
330
1074339
2909
CA: "Matematyka dla Ameryki"
zasadniczo inwestuje
zasadniczo inwestuje
18:09
in math teachers around the country,
331
1077272
2638
w nauczycieli matematyki z całego kraju,
18:11
giving them some extra income,
giving them support and coaching.
giving them support and coaching.
332
1079934
3802
dając im dodatkowe dochody,
wsparcie i trening.
wsparcie i trening.
18:15
And really trying
to make that more effective
to make that more effective
333
1083760
3051
Próbuje stworzyć skuteczniejsze nauczanie
18:18
and make that a calling
to which teachers can aspire.
to which teachers can aspire.
334
1086835
2601
stworzyć powołanie,
do którego warto aspirować.
do którego warto aspirować.
18:21
JS: Yeah -- instead of beating up
the bad teachers,
the bad teachers,
335
1089460
4790
JS: Zamiast wytykać złych nauczycieli,
18:26
which has created morale problems
all through the educational community,
all through the educational community,
336
1094274
4853
co powoduje problemy moralne
w całej społeczności pedagogicznej,
w całej społeczności pedagogicznej,
18:31
in particular in math and science,
337
1099151
2441
szczególnie w naukach ścisłych,
18:33
we focus on celebrating the good ones
and giving them status.
and giving them status.
338
1101616
6130
skupiamy się na wspieraniu dobrych
i nadawaniu im statusu.
i nadawaniu im statusu.
18:39
Yeah, we give them extra money,
15,000 dollars a year.
15,000 dollars a year.
339
1107770
2931
Tak, dajemy im pieniądze,
15 000 dolarów rocznie.
15 000 dolarów rocznie.
18:42
We have 800 math and science teachers
in New York City in public schools today,
in New York City in public schools today,
340
1110725
4467
Mamy 800 nauczycieli nauk ścisłych
w publicznych szkołach Nowego Jorku,
w publicznych szkołach Nowego Jorku,
18:47
as part of a core.
341
1115216
1814
którzy są częścią programu.
18:49
There's a great morale among them.
342
1117054
3686
Morale jest wspaniałe.
18:52
They're staying in the field.
343
1120764
2506
Zostają w szkołach.
18:55
Next year, it'll be 1,000
and that'll be 10 percent
and that'll be 10 percent
344
1123294
2895
Za rok będzie ich tysiąc, czyli 10%
18:58
of the math and science teachers
in New York [City] public schools.
in New York [City] public schools.
345
1126213
3544
wszystkich nauczycieli nauk ścisłych
w publicznych szkołach Nowego Jorku.
w publicznych szkołach Nowego Jorku.
19:01
(Applause)
346
1129781
5905
(Brawa)
19:07
CA: Jim, here's another project
that you've supported philanthropically:
that you've supported philanthropically:
347
1135710
3410
CA: Jim, oto inny projekt,
który wspierasz jako filantrop,
który wspierasz jako filantrop,
19:11
Research into origins of life, I guess.
348
1139144
2397
badanie początków życia.
19:13
What are we looking at here?
349
1141565
1447
Co tu widzimy?
19:15
JS: Well, I'll save that for a second.
350
1143536
1882
JS: Odpowiem za chwilę.
19:17
And then I'll tell you
what you're looking at.
what you're looking at.
351
1145442
2162
Wtedy powiem ci, co widzimy.
19:19
Origins of life is a fascinating question.
352
1147628
3056
Początki życia to fascynujące zagadnienie.
19:22
How did we get here?
353
1150708
1533
Skąd się wzięliśmy.
19:25
Well, there are two questions:
354
1153170
1771
Mamy dwa pytania.
19:26
One is, what is the route
from geology to biology --
from geology to biology --
355
1154965
5868
Pierwsze to droga od geologii do biologii,
19:32
how did we get here?
356
1160857
1381
jak tu doszliśmy?
19:34
And the other question is,
what did we start with?
what did we start with?
357
1162262
2364
Kolejne brzmi: od czego zaczynaliśmy?
19:36
What material, if any,
did we have to work with on this route?
did we have to work with on this route?
358
1164650
3102
Czy z czymś po drodze pracowaliśmy?
19:39
Those are two very,
very interesting questions.
very interesting questions.
359
1167776
3061
To są dwa bardzo interesujące pytania.
19:43
The first question is a tortuous path
from geology up to RNA
from geology up to RNA
360
1171773
5834
Pierwsze pytanie to kręta ścieżka
od geologii do RNA
od geologii do RNA
19:49
or something like that --
how did that all work?
how did that all work?
361
1177631
2258
lub czegoś podobnego
- jak to wszystko działa.
- jak to wszystko działa.
19:51
And the other,
what do we have to work with?
what do we have to work with?
362
1179913
2388
I drugie, jaki był materiał wyjściowy.
19:54
Well, more than we think.
363
1182325
1771
Było tego więcej, niż nam się wydaje.
19:56
So what's pictured there
is a star in formation.
is a star in formation.
364
1184120
4843
Na tym zdjęciu widać
formowanie się gwiazdy.
formowanie się gwiazdy.
20:01
Now, every year in our Milky Way,
which has 100 billion stars,
which has 100 billion stars,
365
1189836
3425
Każdego roku na Drodze Mlecznej,
która zawiera 100 miliardów gwiazd,
która zawiera 100 miliardów gwiazd,
20:05
about two new stars are created.
366
1193285
2495
tworzą się dwie nowe.
20:07
Don't ask me how, but they're created.
367
1195804
2470
Nie wiem jak, ale się tworzą.
20:10
And it takes them about a million
years to settle out.
years to settle out.
368
1198298
3080
Osadzenie zajmuje im około miliona lat.
20:14
So, in steady state,
369
1202132
2176
W stanie ustalonym
20:16
there are about two million stars
in formation at any time.
in formation at any time.
370
1204332
3848
mamy około dwa miliona gwiazd,
które cały czas się formują.
które cały czas się formują.
20:20
That one is somewhere
along this settling-down period.
along this settling-down period.
371
1208204
3458
Ta jeszcze się osadza.
20:24
And there's all this crap
sort of circling around it,
sort of circling around it,
372
1212067
2936
Wokół niej krążą te śmiecie,
20:27
dust and stuff.
373
1215027
1498
kurz i reszta.
20:29
And it'll form probably a solar system,
or whatever it forms.
or whatever it forms.
374
1217479
3023
To prawdopodobnie stworzy
system słoneczny.
system słoneczny.
20:32
But here's the thing --
375
1220526
2176
Chodzi o to,
20:34
in this dust that surrounds a forming star
376
1222726
6348
że w kurzu okalającym
formującą się gwiazdę
formującą się gwiazdę
20:41
have been found, now,
significant organic molecules.
significant organic molecules.
377
1229098
6035
znaleziono niedawno
znaczące cząstki organiczne.
znaczące cząstki organiczne.
20:47
Molecules not just like methane,
but formaldehyde and cyanide --
but formaldehyde and cyanide --
378
1235958
6139
Molekuły nie tylko takie jak metan,
ale i formaldehyd, i cyjanek
ale i formaldehyd, i cyjanek
20:54
things that are the building blocks --
the seeds, if you will -- of life.
the seeds, if you will -- of life.
379
1242121
6517
- elementy będące cegiełkami,
czy nasionami życia.
czy nasionami życia.
21:01
So, that may be typical.
380
1249136
2692
To może być typowe.
21:04
And it may be typical
that planets around the universe
that planets around the universe
381
1252395
6934
To może być typowe,
że planety w całym Wszechświecie
że planety w całym Wszechświecie
21:11
start off with some of these
basic building blocks.
basic building blocks.
382
1259353
3612
zaczynają z paroma
podstawowymi cegiełkami.
podstawowymi cegiełkami.
21:15
Now does that mean
there's going to be life all around?
there's going to be life all around?
383
1263830
2715
Czy to oznacza,
że tam wszędzie będzie życie?
że tam wszędzie będzie życie?
21:18
Maybe.
384
1266569
1364
Być może.
21:19
But it's a question
of how tortuous this path is
of how tortuous this path is
385
1267957
4127
Pytanie brzmi jednak,
ja kręta jest ścieżka
ja kręta jest ścieżka
21:24
from those frail beginnings,
those seeds, all the way to life.
those seeds, all the way to life.
386
1272108
4394
od delikatnych nasion do życia.
21:28
And most of those seeds
will fall on fallow planets.
will fall on fallow planets.
387
1276526
5192
Większość z tych nasion
spadnie na planety-nieużytki.
spadnie na planety-nieużytki.
21:33
CA: So for you, personally,
388
1281742
1409
CA: Dla ciebie, osobiście,
21:35
finding an answer to this question
of where we came from,
of where we came from,
389
1283175
2722
znalezienie odpowiedzi
na pytanie, skąd pochodzimy
na pytanie, skąd pochodzimy
21:37
of how did this thing happen,
that is something you would love to see.
that is something you would love to see.
390
1285921
3658
i jak to wszystko się stało
- coś takiego chciałbyś zobaczyć.
- coś takiego chciałbyś zobaczyć.
21:41
JS: Would love to see.
391
1289603
1786
JS: Chciałbym to zobaczyć.
21:43
And like to know --
392
1291413
1490
Chciałbym wiedzieć,
21:44
if that path is tortuous enough,
and so improbable,
and so improbable,
393
1292927
5170
czy ta ścieżka jest
na tyle kręta i nieprawdopodobna,
na tyle kręta i nieprawdopodobna,
21:50
that no matter what you start with,
we could be a singularity.
we could be a singularity.
394
1298121
4754
że niezależnie od miejsca startu,
możemy być osobliwością.
możemy być osobliwością.
21:55
But on the other hand,
395
1303336
1152
Ale z drugiej strony,
21:56
given all this organic dust
that's floating around,
that's floating around,
396
1304512
3478
biorąc pod uwagę organiczy kurz,
który lata sobie wokół,
który lata sobie wokół,
22:00
we could have lots of friends out there.
397
1308014
3791
możemy mieć tam gdzieś wielu przyjaciół.
22:04
It'd be great to know.
398
1312947
1161
Dobrze byłoby wiedzieć.
22:06
CA: Jim, a couple of years ago,
I got the chance to speak with Elon Musk,
I got the chance to speak with Elon Musk,
399
1314132
3480
CA: Kilka lat temu rozmawiałem
z Elonem Muskiem.
z Elonem Muskiem.
22:09
and I asked him the secret of his success,
400
1317636
2837
Zapytałem go o sekret sukcesu,
22:12
and he said taking
physics seriously was it.
physics seriously was it.
401
1320497
3691
a on odparł, że było to
branie fizyki na poważnie.
branie fizyki na poważnie.
22:16
Listening to you, what I hear you saying
is taking math seriously,
is taking math seriously,
402
1324696
4003
Słuchając ciebie, widzę,
że wziąłeś matematykę na poważnie,
że wziąłeś matematykę na poważnie,
22:20
that has infused your whole life.
403
1328723
3003
wpłynęła ona na całe twoje życie.
22:24
It's made you an absolute fortune,
and now it's allowing you to invest
and now it's allowing you to invest
404
1332123
4563
Dała ci ogromny majątek
i pozwala ci aktualnie inwestować
i pozwala ci aktualnie inwestować
22:28
in the futures of thousands and thousands
of kids across America and elsewhere.
of kids across America and elsewhere.
405
1336710
4496
w przyszłość tysięcy dzieci
w całej Ameryce i poza nią.
w całej Ameryce i poza nią.
22:33
Could it be that science actually works?
406
1341567
2858
Czy to możliwe, że nauka naprawdę działa?
22:36
That math actually works?
407
1344449
2772
Czy matematyka naprawdę działa?
22:39
JS: Well, math certainly works.
Math certainly works.
Math certainly works.
408
1347245
4372
JS: Matematyka na pewno działa.
22:43
But this has been fun.
409
1351641
1198
Ale to była zabawa.
22:44
Working with Marilyn and giving it away
has been very enjoyable.
has been very enjoyable.
410
1352863
4946
Praca z Marilyn i rozdawanie
było bardzo przyjemne.
było bardzo przyjemne.
22:49
CA: I just find it --
it's an inspirational thought to me,
it's an inspirational thought to me,
411
1357833
2936
CA: To dla mnie inspirująca myśl,
22:52
that by taking knowledge seriously,
so much more can come from it.
so much more can come from it.
412
1360793
4007
branie wiedzy na poważnie
może przynieść zdecydowanie więcej.
może przynieść zdecydowanie więcej.
22:56
So thank you for your amazing life,
and for coming here to TED.
and for coming here to TED.
413
1364824
3018
Dziękuję więc za twoje życie
i przyjście tutaj, na scenę TED.
i przyjście tutaj, na scenę TED.
22:59
Thank you.
414
1367866
751
Dziękuję.
23:00
Jim Simons!
415
1368651
1101
Jim Simons!
23:01
(Applause)
416
1369806
4380
(Brawa)
ABOUT THE SPEAKER
Jim Simons - Philanthropist, mathematicianAfter astonishing success as a mathematician, code breaker and billionaire hedge fund manager, Jim Simons is mastering yet another field: philanthropy.
Why you should listen
As a mathematician who cracked codes for the National Security Agency on the side, Jim Simons had already revolutionized geometry -- and incidentally laid the foundation for string theory -- when he began to get restless. Along with a few hand-picked colleagues he started the investment firm that went on to become Renaissance, a hedge fund working with hitherto untapped algorithms, and became a billionaire in the process.
Now retired as Renaissance’s CEO, Simons devotes his time to mathematics and philanthropy. The Simons Foundation has committed more than a billion dollars to math and science education and to autism research.
Jim Simons | Speaker | TED.com