TEDGlobal 2011
Kevin Slavin: How algorithms shape our world
Кевин Славин: Как алгоритмы формируют наш мир
Filmed:
Readability: 3.5
4,199,898 views
Кевин Славин утверждает, что мы живём в мире, построенном и во всё большей степени управляемым алгоритмами. В этом захватывающем выступлении на TEDGlobal, он демонстрирует, как сложные компьютерные программы определяют тактики шпионажа, цены акций, сценарии фильмов, и архитектуру. Он предупреждает, что мы пишем код, который не можем понять, с последствиями, которые не можем контролировать.
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
Это — фотография
00:17
by the artist Michael Najjar,
1
2000
2000
Майкла Найджара,
00:19
and it's real,
2
4000
2000
и она настоящая,
00:21
in the sense that he went there to Argentina
3
6000
2000
в том смысле, что он поехал в Аргентину,
00:23
to take the photo.
4
8000
2000
чтобы сделать фотографию.
00:25
But it's also a fiction. There's a lot of work that went into it after that.
5
10000
3000
Но она также и выдумка. После этого
в неё было вложено много работы.
в неё было вложено много работы.
00:28
And what he's done
6
13000
2000
Он взял и переделал её
00:30
is he's actually reshaped, digitally,
7
15000
2000
на компьютере так,
00:32
all of the contours of the mountains
8
17000
2000
чтобы все очертания гор
00:34
to follow the vicissitudes of the Dow Jones index.
9
19000
3000
следовали превратностям
индекса Доу-Джонса.
индекса Доу-Джонса.
00:37
So what you see,
10
22000
2000
Что вы видите,
00:39
that precipice, that high precipice with the valley,
11
24000
2000
вот тот обрыв, высокий обрыв с долиной,
00:41
is the 2008 financial crisis.
12
26000
2000
это финансовый кризис 2008-го года.
00:43
The photo was made
13
28000
2000
Эта фотография была сделана,
00:45
when we were deep in the valley over there.
14
30000
2000
когда мы были глубоко вот там в долине.
00:47
I don't know where we are now.
15
32000
2000
Я не знаю, где мы находимся сейчас.
00:49
This is the Hang Seng index
16
34000
2000
Это индекс Хан-Сенга,
00:51
for Hong Kong.
17
36000
2000
из Гонконга.
00:53
And similar topography.
18
38000
2000
Схожая топография.
00:55
I wonder why.
19
40000
2000
Я в догадках, почему.
00:57
And this is art. This is metaphor.
20
42000
3000
Это искусство. Это метафора.
01:00
But I think the point is
21
45000
2000
Я думаю, дело в том,
01:02
that this is metaphor with teeth,
22
47000
2000
что это зубастая метафора.
01:04
and it's with those teeth that I want to propose today
23
49000
3000
С мыслями об этих зубах
я хочу предложить, чтобы мы сегодня
я хочу предложить, чтобы мы сегодня
01:07
that we rethink a little bit
24
52000
2000
немного переосмыслили
01:09
about the role of contemporary math --
25
54000
3000
роль современной математики —
01:12
not just financial math, but math in general.
26
57000
3000
не только финансовой математики,
а математики в общем.
а математики в общем.
01:15
That its transition
27
60000
2000
Её переход от того,
01:17
from being something that we extract and derive from the world
28
62000
3000
что мы извлекаем и выводим
из наблюдений за миром,
из наблюдений за миром,
01:20
to something that actually starts to shape it --
29
65000
3000
к тому, что начинает формировать —
01:23
the world around us and the world inside us.
30
68000
3000
мир вокруг нас и наш внутренний мир.
01:26
And it's specifically algorithms,
31
71000
2000
Именно алгоритмы,
01:28
which are basically the math
32
73000
2000
та самая математика,
01:30
that computers use to decide stuff.
33
75000
3000
которую компьютеры
используют для принятия решений.
используют для принятия решений.
01:33
They acquire the sensibility of truth
34
78000
2000
Они становятся правдоподобными,
01:35
because they repeat over and over again,
35
80000
2000
из-за многократного повторения.
01:37
and they ossify and calcify,
36
82000
3000
Они костенеют и твердеют
01:40
and they become real.
37
85000
2000
и становятся реальностью.
01:42
And I was thinking about this, of all places,
38
87000
3000
Я думал об этом, подумать только,
01:45
on a transatlantic flight a couple of years ago,
39
90000
3000
во время трансатлантического
перелёта много лет назад,
перелёта много лет назад,
01:48
because I happened to be seated
40
93000
2000
потому что по случайности меня посадили
01:50
next to a Hungarian physicist about my age
41
95000
2000
с венгерским физиком примерно моего возраста,
01:52
and we were talking
42
97000
2000
и мы разговаривали о том,
01:54
about what life was like during the Cold War
43
99000
2000
какой была жизнь физиков
01:56
for physicists in Hungary.
44
101000
2000
во время холодной войны в Венгрии.
01:58
And I said, "So what were you doing?"
45
103000
2000
Я спросил: «Так чем же вы занимались?»
02:00
And he said, "Well we were mostly breaking stealth."
46
105000
2000
Он ответил: «По большей части,
ломали защиту самолётов-невидимок».
ломали защиту самолётов-невидимок».
02:02
And I said, "That's a good job. That's interesting.
47
107000
2000
«Хорошая работа, — сказал я, —
интересная тема.
интересная тема.
02:04
How does that work?"
48
109000
2000
А как это работает?»
02:06
And to understand that,
49
111000
2000
Чтобы это понять, нужно понимать,
02:08
you have to understand a little bit about how stealth works.
50
113000
3000
как работают самолёты-невидимки.
02:11
And so -- this is an over-simplification --
51
116000
3000
Вот — и это сильное упрощение —
02:14
but basically, it's not like
52
119000
2000
по-простому, нельзя
02:16
you can just pass a radar signal
53
121000
2000
взять и пропустить сигнал радара
02:18
right through 156 tons of steel in the sky.
54
123000
3000
сквозь 156 тонн стали в небесах.
02:21
It's not just going to disappear.
55
126000
3000
Никуда они не денутся.
02:24
But if you can take this big, massive thing,
56
129000
3000
Но если взять эту огромную,
массивную штуку,
массивную штуку,
02:27
and you could turn it into
57
132000
3000
и если сделать из неё
02:30
a million little things --
58
135000
2000
миллион маленьких —
02:32
something like a flock of birds --
59
137000
2000
примерно как стая птиц —
02:34
well then the radar that's looking for that
60
139000
2000
тогда наблюдающий радар
02:36
has to be able to see
61
141000
2000
должен уметь видеть
02:38
every flock of birds in the sky.
62
143000
2000
каждую стаю птиц в небе.
02:40
And if you're a radar, that's a really bad job.
63
145000
4000
И для радара это не самая лёгкая работа.
02:44
And he said, "Yeah." He said, "But that's if you're a radar.
64
149000
3000
«Да, — сказал он, — это так,
если использовать радар.
если использовать радар.
02:47
So we didn't use a radar;
65
152000
2000
Поэтому радар мы не использовали.
02:49
we built a black box that was looking for electrical signals,
66
154000
3000
Мы сделали чёрный ящик,
который искал электронные сигналы,
который искал электронные сигналы,
02:52
electronic communication.
67
157000
3000
электронные сообщения.
02:55
And whenever we saw a flock of birds that had electronic communication,
68
160000
3000
И каждый раз, когда была замечена
стая птиц, ведущая электронные разговоры,
стая птиц, ведущая электронные разговоры,
02:58
we thought, 'Probably has something to do with the Americans.'"
69
163000
3000
мы знали, что, наверное,
это что-то американское».
это что-то американское».
03:01
And I said, "Yeah.
70
166000
2000
«Да, — ответил я, —
03:03
That's good.
71
168000
2000
неплохо.
03:05
So you've effectively negated
72
170000
2000
Вы практически взяли
03:07
60 years of aeronautic research.
73
172000
2000
и перечеркнули 60 лет
аэронавигационных исследований.
аэронавигационных исследований.
03:09
What's your act two?
74
174000
2000
А чем вы сейчас занимаетесь?
03:11
What do you do when you grow up?"
75
176000
2000
Чем вы занимаетесь во взрослой жизни?»
03:13
And he said,
76
178000
2000
Он ответил:
03:15
"Well, financial services."
77
180000
2000
«Финансовые услуги».
03:17
And I said, "Oh."
78
182000
2000
«Ого» — удивился я.
03:19
Because those had been in the news lately.
79
184000
3000
Потому что про них недавно
говорили в новостях.
говорили в новостях.
03:22
And I said, "How does that work?"
80
187000
2000
«А это как работает?» — спросил я.
03:24
And he said, "Well there's 2,000 physicists on Wall Street now,
81
189000
2000
Он ответил: «На Уолл-стрит
сейчас работает две тысячи физиков,
сейчас работает две тысячи физиков,
03:26
and I'm one of them."
82
191000
2000
и я один из них».
03:28
And I said, "What's the black box for Wall Street?"
83
193000
3000
Я спросил: «И каков же
чёрный ящик для Уолл-стрит?»
чёрный ящик для Уолл-стрит?»
03:31
And he said, "It's funny you ask that,
84
196000
2000
Он удивился: «Надо же, как вы спросили,
03:33
because it's actually called black box trading.
85
198000
3000
потому что он действительно называется
торговля чёрными ящиками.
торговля чёрными ящиками.
03:36
And it's also sometimes called algo trading,
86
201000
2000
Иногда это называется алготорговля,
03:38
algorithmic trading."
87
203000
3000
алгоритмическая торговля».
03:41
And algorithmic trading evolved in part
88
206000
3000
Алгоритмическая торговля
развилась отчасти
развилась отчасти
03:44
because institutional traders have the same problems
89
209000
3000
потому что у профессиональных торговцев
были те же проблемы,
были те же проблемы,
03:47
that the United States Air Force had,
90
212000
3000
что и у Военно-воздушных сил США,
03:50
which is that they're moving these positions --
91
215000
3000
а именно, когда они торгуют акциями —
03:53
whether it's Proctor & Gamble or Accenture, whatever --
92
218000
2000
будь то Proctor & Gamble
или Accenture, что угодно —
или Accenture, что угодно —
03:55
they're moving a million shares of something
93
220000
2000
они проводят миллионы акций
03:57
through the market.
94
222000
2000
сквозь рынок.
03:59
And if they do that all at once,
95
224000
2000
Если сделать это одним махом,
04:01
it's like playing poker and going all in right away.
96
226000
2000
то это, как в покере, поставить всё сразу.
04:03
You just tip your hand.
97
228000
2000
Все поймут, что у вас на руках.
04:05
And so they have to find a way --
98
230000
2000
Итак, им нужно найти способ —
04:07
and they use algorithms to do this --
99
232000
2000
и для этого они используют алгоритмы —
04:09
to break up that big thing
100
234000
2000
разбить эту огромную штуку
04:11
into a million little transactions.
101
236000
2000
на миллион маленьких транзакций.
04:13
And the magic and the horror of that
102
238000
2000
Магия и ужас в том,
04:15
is that the same math
103
240000
2000
что та самая математика,
04:17
that you use to break up the big thing
104
242000
2000
использованная для разбивки большой вещи
04:19
into a million little things
105
244000
2000
на миллион маленьких вещей,
04:21
can be used to find a million little things
106
246000
2000
может быть использована
для поиска миллиона маленьких вещей,
для поиска миллиона маленьких вещей,
04:23
and sew them back together
107
248000
2000
сборки их обратно, и выяснения,
04:25
and figure out what's actually happening in the market.
108
250000
2000
что же действительно происходит на рынке.
04:27
So if you need to have some image
109
252000
2000
В качестве представления,
04:29
of what's happening in the stock market right now,
110
254000
3000
что сейчас происходит
на рынке акций прямо сейчас,
на рынке акций прямо сейчас,
04:32
what you can picture is a bunch of algorithms
111
257000
2000
можете представить группу алгоритмов,
04:34
that are basically programmed to hide,
112
259000
3000
которые запрограммированы прятать,
04:37
and a bunch of algorithms that are programmed to go find them and act.
113
262000
3000
и группу алгоритмов, которые
запрограммированы искать и действовать.
запрограммированы искать и действовать.
04:40
And all of that's great, and it's fine.
114
265000
3000
Конечно, всё это классно.
04:43
And that's 70 percent
115
268000
2000
И это составляет 70%
04:45
of the United States stock market,
116
270000
2000
рынка акций США,
04:47
70 percent of the operating system
117
272000
2000
70% того,
04:49
formerly known as your pension,
118
274000
3000
что раньше было известно как ваша пенсия,
04:52
your mortgage.
119
277000
3000
как ваша ипотека.
04:55
And what could go wrong?
120
280000
2000
Что же плохого может случиться?
04:57
What could go wrong
121
282000
2000
А то,
04:59
is that a year ago,
122
284000
2000
что год назад,
05:01
nine percent of the entire market just disappears in five minutes,
123
286000
3000
9% рынка просто исчезло за пять минут,
05:04
and they called it the Flash Crash of 2:45.
124
289000
3000
и это было названо
мгновенное падение 2:45.
мгновенное падение 2:45.
05:07
All of a sudden, nine percent just goes away,
125
292000
3000
Вдруг, 9% просто исчезает,
05:10
and nobody to this day
126
295000
2000
и по сей день,
05:12
can even agree on what happened
127
297000
2000
никто не может понять, что случилось,
05:14
because nobody ordered it, nobody asked for it.
128
299000
3000
потому что никто это не заказывал,
никто об этом не просил.
никто об этом не просил.
05:17
Nobody had any control over what was actually happening.
129
302000
3000
Никто не контролировал происходящее.
05:20
All they had
130
305000
2000
Всё, что было доступно —
05:22
was just a monitor in front of them
131
307000
2000
монитор перед глазами,
05:24
that had the numbers on it
132
309000
2000
с цифрами на нём,
05:26
and just a red button
133
311000
2000
и красная кнопка
05:28
that said, "Stop."
134
313000
2000
с надписью «Стоп».
05:30
And that's the thing,
135
315000
2000
Дело в том,
05:32
is that we're writing things,
136
317000
2000
что мы пишем вещи,
05:34
we're writing these things that we can no longer read.
137
319000
3000
мы пишем такие вещи,
которые сами не в состоянии прочесть.
которые сами не в состоянии прочесть.
05:37
And we've rendered something
138
322000
2000
Мы сделали что-то
05:39
illegible,
139
324000
2000
нечитаемое.
05:41
and we've lost the sense
140
326000
3000
Мы потеряли ощущение того,
05:44
of what's actually happening
141
329000
2000
что происходит в мире,
05:46
in this world that we've made.
142
331000
2000
который мы построили.
05:48
And we're starting to make our way.
143
333000
2000
Но мы начинаем понимать.
05:50
There's a company in Boston called Nanex,
144
335000
3000
В Бостоне есть компания Nanex,
05:53
and they use math and magic
145
338000
2000
они используют математику и магию
05:55
and I don't know what,
146
340000
2000
и что-то ещё,
05:57
and they reach into all the market data
147
342000
2000
получают доступ к данным рынка,
05:59
and they find, actually sometimes, some of these algorithms.
148
344000
3000
и находят, иногда,
некоторые из этих алгоритмов.
некоторые из этих алгоритмов.
06:02
And when they find them they pull them out
149
347000
3000
Когда они их находят,
они их вытаскивают,
они их вытаскивают,
06:05
and they pin them to the wall like butterflies.
150
350000
3000
и прикалывают на стену как бабочек.
06:08
And they do what we've always done
151
353000
2000
Они делают то, что мы всегда делали,
06:10
when confronted with huge amounts of data that we don't understand --
152
355000
3000
сталкиваясь с огромным количеством
данных, которые мы не понимаем —
данных, которые мы не понимаем —
06:13
which is that they give them a name
153
358000
2000
они дают им
06:15
and a story.
154
360000
2000
имя и историю.
06:17
So this is one that they found,
155
362000
2000
Вот кое-что из найденного,
06:19
they called the Knife,
156
364000
4000
названное Нож,
06:23
the Carnival,
157
368000
2000
Карнавал,
06:25
the Boston Shuffler,
158
370000
4000
Бостонский пройдоха,
06:29
Twilight.
159
374000
2000
Сумерки.
06:31
And the gag is
160
376000
2000
Прикол в том,
06:33
that, of course, these aren't just running through the market.
161
378000
3000
что это не только на рынке.
06:36
You can find these kinds of things wherever you look,
162
381000
3000
Эти вещи можно найти везде,
где ни посмотри,
где ни посмотри,
06:39
once you learn how to look for them.
163
384000
2000
как только научишься их искать.
06:41
You can find it here: this book about flies
164
386000
3000
Их можно найти здесь: это книга о мухах,
06:44
that you may have been looking at on Amazon.
165
389000
2000
которую можно было заметить на Amazon.
06:46
You may have noticed it
166
391000
2000
На неё можно было обратить внимание,
06:48
when its price started at 1.7 million dollars.
167
393000
2000
когда она стоила 1,7 миллиона долларов.
06:50
It's out of print -- still ...
168
395000
2000
Она больше не издается — но всё же...
06:52
(Laughter)
169
397000
2000
(Смех)
06:54
If you had bought it at 1.7, it would have been a bargain.
170
399000
3000
И если бы вы купили её за 1,7,
это была бы выгодная сделка.
это была бы выгодная сделка.
06:57
A few hours later, it had gone up
171
402000
2000
Несколько часов позже,
она выросла в цене
она выросла в цене
06:59
to 23.6 million dollars,
172
404000
2000
до 23,6 миллиона долларов,
07:01
plus shipping and handling.
173
406000
2000
плюс доставка и упаковка.
07:03
And the question is:
174
408000
2000
Вопрос:
07:05
Nobody was buying or selling anything; what was happening?
175
410000
2000
Никто ничего не продавал
и не покупал, что происходило?
и не покупал, что происходило?
07:07
And you see this behavior on Amazon
176
412000
2000
Такое поведение можно заметить на Amazon
07:09
as surely as you see it on Wall Street.
177
414000
2000
точно так же, как и на Уолл-стрит.
07:11
And when you see this kind of behavior,
178
416000
2000
При наблюдении такого поведения,
07:13
what you see is the evidence
179
418000
2000
вы видите свидетельство
07:15
of algorithms in conflict,
180
420000
2000
конфликтующих алгоритмов,
07:17
algorithms locked in loops with each other,
181
422000
2000
алгоритмов, зажавших друг друга
мёртвой хваткой,
мёртвой хваткой,
07:19
without any human oversight,
182
424000
2000
без человеческого контроля,
07:21
without any adult supervision
183
426000
3000
без надзора взрослых,
07:24
to say, "Actually, 1.7 million is plenty."
184
429000
3000
которые бы сказали: «Ну, хватит,
1,7 миллиона вполне достаточно».
1,7 миллиона вполне достаточно».
07:27
(Laughter)
185
432000
3000
(Смех)
07:30
And as with Amazon, so it is with Netflix.
186
435000
3000
Это не только на Amazon, но и на Netflix.
07:33
And so Netflix has gone through
187
438000
2000
За годы, Netflix поменял
07:35
several different algorithms over the years.
188
440000
2000
несколько разных алгоритмов.
07:37
They started with Cinematch, and they've tried a bunch of others --
189
442000
3000
Они начали с Cinematch,
и попробовали группу других.
и попробовали группу других.
07:40
there's Dinosaur Planet; there's Gravity.
190
445000
2000
Планета Динозавров, Гравитация.
07:42
They're using Pragmatic Chaos now.
191
447000
2000
Сейчас они используют
Прагматический Хаос.
Прагматический Хаос.
07:44
Pragmatic Chaos is, like all of Netflix algorithms,
192
449000
2000
Прагматический Хаос,
как и все другие алгоритмы Netflix,
как и все другие алгоритмы Netflix,
07:46
trying to do the same thing.
193
451000
2000
пытается решить ту же задачу.
07:48
It's trying to get a grasp on you,
194
453000
2000
Он пытается разобраться в вас,
07:50
on the firmware inside the human skull,
195
455000
2000
в прошивке внутри черепа,
07:52
so that it can recommend what movie
196
457000
2000
для того чтобы рекомендовать фильм,
07:54
you might want to watch next --
197
459000
2000
который вы можете захотеть
посмотреть следующим —
посмотреть следующим —
07:56
which is a very, very difficult problem.
198
461000
3000
а это очень, очень трудная проблема.
07:59
But the difficulty of the problem
199
464000
2000
Трудность проблемы,
08:01
and the fact that we don't really quite have it down,
200
466000
3000
и факт того, что она до сих пор не решена,
08:04
it doesn't take away
201
469000
2000
не отменяет последствий,
08:06
from the effects Pragmatic Chaos has.
202
471000
2000
создаваемых Прагматическим Хаосом.
08:08
Pragmatic Chaos, like all Netflix algorithms,
203
473000
3000
Прагматический Хаос,
как и все алгоритмы Netflix,
как и все алгоритмы Netflix,
08:11
determines, in the end,
204
476000
2000
в итоге определяет
08:13
60 percent
205
478000
2000
60%
08:15
of what movies end up being rented.
206
480000
2000
всех взятых напрокат фильмов.
08:17
So one piece of code
207
482000
2000
Единственный участок кода,
08:19
with one idea about you
208
484000
3000
с единственным представлением о вас,
08:22
is responsible for 60 percent of those movies.
209
487000
3000
отвечает за 60% фильмов.
08:25
But what if you could rate those movies
210
490000
2000
А как насчёт оценки фильмов
08:27
before they get made?
211
492000
2000
ещё до того, как они сделаны?
08:29
Wouldn't that be handy?
212
494000
2000
Было бы это здорово?
08:31
Well, a few data scientists from the U.K. are in Hollywood,
213
496000
3000
Некоторые учёные из Великобритании
сейчас в Голливуде,
сейчас в Голливуде,
08:34
and they have "story algorithms" --
214
499000
2000
и у них есть сценарные алгоритмы —
08:36
a company called Epagogix.
215
501000
2000
компания называется Epagogix.
08:38
And you can run your script through there,
216
503000
3000
Она может обработать ваш сценарий,
08:41
and they can tell you, quantifiably,
217
506000
2000
и сказать, количественно,
08:43
that that's a 30 million dollar movie
218
508000
2000
что это кино на 30 миллионов долларов,
08:45
or a 200 million dollar movie.
219
510000
2000
или на 200 миллионов долларов.
08:47
And the thing is, is that this isn't Google.
220
512000
2000
Суть в том, что это не Google.
08:49
This isn't information.
221
514000
2000
Это не информация.
08:51
These aren't financial stats; this is culture.
222
516000
2000
Это не финансовая статистика,
это культура.
это культура.
08:53
And what you see here,
223
518000
2000
То, что вы здесь видите,
08:55
or what you don't really see normally,
224
520000
2000
или же то, что обычно не видно,
08:57
is that these are the physics of culture.
225
522000
4000
это физика культуры.
09:01
And if these algorithms,
226
526000
2000
Если эти алгоритмы,
09:03
like the algorithms on Wall Street,
227
528000
2000
как алгоритмы на Уолл-стрит,
09:05
just crashed one day and went awry,
228
530000
3000
в один прекрасный день
просто сломаются и сойдут с ума,
просто сломаются и сойдут с ума,
09:08
how would we know?
229
533000
2000
как мы об этом узнаем,
09:10
What would it look like?
230
535000
2000
как это будет выглядеть?
09:12
And they're in your house. They're in your house.
231
537000
3000
А они уже в доме.
В вашем доме.
В вашем доме.
09:15
These are two algorithms competing for your living room.
232
540000
2000
Это два алгоритма,
сражающиеся за вашу гостиную.
сражающиеся за вашу гостиную.
09:17
These are two different cleaning robots
233
542000
2000
Это два разных робота-уборщика,
09:19
that have very different ideas about what clean means.
234
544000
3000
с совершенно разными
представлениями о чистоте.
представлениями о чистоте.
09:22
And you can see it
235
547000
2000
Это можно увидеть,
09:24
if you slow it down and attach lights to them,
236
549000
3000
если замедлить
и прикрепить к ним огоньки.
и прикрепить к ним огоньки.
09:27
and they're sort of like secret architects in your bedroom.
237
552000
3000
Они как тайные архитекторы
в вашей спальне.
в вашей спальне.
09:30
And the idea that architecture itself
238
555000
3000
Идея о том, что сама архитектура
09:33
is somehow subject to algorithmic optimization
239
558000
2000
является объектом
алгоритмической оптимизации
алгоритмической оптимизации
09:35
is not far-fetched.
240
560000
2000
не притянута за уши.
09:37
It's super-real and it's happening around you.
241
562000
3000
Это абсолютно реально
и уже происходит вокруг нас.
и уже происходит вокруг нас.
09:40
You feel it most
242
565000
2000
Больше всего это ощущается
09:42
when you're in a sealed metal box,
243
567000
2000
в закрытом металлическом ящике,
09:44
a new-style elevator;
244
569000
2000
лифте нового поколения,
09:46
they're called destination-control elevators.
245
571000
2000
который называется лифтом
с регистрацией места назначения.
с регистрацией места назначения.
09:48
These are the ones where you have to press what floor you're going to go to
246
573000
3000
Это те самые,
где нужно нажать кнопку этажа
где нужно нажать кнопку этажа
09:51
before you get in the elevator.
247
576000
2000
ещё до входа в лифт.
09:53
And it uses what's called a bin-packing algorithm.
248
578000
2000
Он использует так называемый
алгоритм об упаковке в контейнеры.
алгоритм об упаковке в контейнеры.
09:55
So none of this mishegas
249
580000
2000
И никакого вольнодумства,
09:57
of letting everybody go into whatever car they want.
250
582000
2000
чтобы каждый выбирал лифт сам.
09:59
Everybody who wants to go to the 10th floor goes into car two,
251
584000
2000
Все, кто едут на десятый этаж,
идут в лифт номер два,
идут в лифт номер два,
10:01
and everybody who wants to go to the third floor goes into car five.
252
586000
3000
и все, кто едут на третий этаж, идут в лифт номер пять.
10:04
And the problem with that
253
589000
2000
Проблема в том,
10:06
is that people freak out.
254
591000
2000
что люди волнуются.
10:08
People panic.
255
593000
2000
Люди паникуют.
10:10
And you see why. You see why.
256
595000
2000
И понятно почему.
10:12
It's because the elevator
257
597000
2000
Потому что в лифте нет
10:14
is missing some important instrumentation, like the buttons.
258
599000
3000
очень важных деталей, таких как кнопки.
10:17
(Laughter)
259
602000
2000
(Смех)
10:19
Like the things that people use.
260
604000
2000
Детали, которые люди используют.
10:21
All it has
261
606000
2000
Всё, что есть,
10:23
is just the number that moves up or down
262
608000
3000
это номер, который двигается вверх и вниз,
10:26
and that red button that says, "Stop."
263
611000
3000
и та самая красная кнопка
с надписью «Стоп».
с надписью «Стоп».
10:29
And this is what we're designing for.
264
614000
3000
Вот для чего мы это делаем.
10:32
We're designing
265
617000
2000
Мы это делаем
10:34
for this machine dialect.
266
619000
2000
удобным для машин.
10:36
And how far can you take that? How far can you take it?
267
621000
3000
Сколько это можно терпеть?
Как далеко можно зайти?
Как далеко можно зайти?
10:39
You can take it really, really far.
268
624000
2000
Очень, очень далеко.
10:41
So let me take it back to Wall Street.
269
626000
3000
Давайте вернёмся на Уолл-стрит.
10:45
Because the algorithms of Wall Street
270
630000
2000
Алгоритмы Уолл-стрит зависят,
10:47
are dependent on one quality above all else,
271
632000
3000
прежде всего, от одной вещи,
10:50
which is speed.
272
635000
2000
и это скорость.
10:52
And they operate on milliseconds and microseconds.
273
637000
3000
Они работают с милли- и микросекундами.
10:55
And just to give you a sense of what microseconds are,
274
640000
2000
Чтобы дать понять,
что такое микросекунда —
что такое микросекунда —
10:57
it takes you 500,000 microseconds
275
642000
2000
щелчок мышью
10:59
just to click a mouse.
276
644000
2000
занимает полмиллиона микросекунд.
11:01
But if you're a Wall Street algorithm
277
646000
2000
Но, если алгоритм с Уолл-стрит
11:03
and you're five microseconds behind,
278
648000
2000
опоздал на пять микросекунд,
11:05
you're a loser.
279
650000
2000
он проиграл.
11:07
So if you were an algorithm,
280
652000
2000
Так что если вы — алгоритм,
11:09
you'd look for an architect like the one that I met in Frankfurt
281
654000
3000
вы бы искали такого архитектора,
какого я встретил во Франкфурте.
какого я встретил во Франкфурте.
11:12
who was hollowing out a skyscraper --
282
657000
2000
Он опустошал небоскрёб —
11:14
throwing out all the furniture, all the infrastructure for human use,
283
659000
3000
выкидывал всю мебель,
всю инфраструктуру для людей,
всю инфраструктуру для людей,
11:17
and just running steel on the floors
284
662000
3000
покрывал полы сталью,
11:20
to get ready for the stacks of servers to go in --
285
665000
3000
подготавливая их для серверных стоек —
11:23
all so an algorithm
286
668000
2000
всё для того,
11:25
could get close to the Internet.
287
670000
3000
чтобы алгоритм мог подобраться
поближе к интернету.
поближе к интернету.
11:28
And you think of the Internet as this kind of distributed system.
288
673000
3000
Вы думаете, что интернет —
это такая распределённая система.
это такая распределённая система.
11:31
And of course, it is, but it's distributed from places.
289
676000
3000
Конечно, так и есть,
но она откуда-то начинается.
но она откуда-то начинается.
11:34
In New York, this is where it's distributed from:
290
679000
2000
В Нью-Йорке, она начинается отсюда:
11:36
the Carrier Hotel
291
681000
2000
Carrier Hotel,
11:38
located on Hudson Street.
292
683000
2000
расположенный на Гудзон-стрит.
11:40
And this is really where the wires come right up into the city.
293
685000
3000
Вот, где провода приходят в город.
11:43
And the reality is that the further away you are from that,
294
688000
4000
Дело в том, что с каждым удалением отсюда
11:47
you're a few microseconds behind every time.
295
692000
2000
теряются несколько микросекунд.
11:49
These guys down on Wall Street,
296
694000
2000
Вот эти парни на Уолл-стрит,
11:51
Marco Polo and Cherokee Nation,
297
696000
2000
Марко Поло и Чероки Нэйшн,
11:53
they're eight microseconds
298
698000
2000
они восемь микросекунд
11:55
behind all these guys
299
700000
2000
позади всех парней,
11:57
going into the empty buildings being hollowed out
300
702000
4000
заселяющихся в здания,
12:01
up around the Carrier Hotel.
301
706000
2000
опустошаемые вокруг Carrier Hotel.
12:03
And that's going to keep happening.
302
708000
3000
И это будет продолжаться.
12:06
We're going to keep hollowing them out,
303
711000
2000
Здания будут опустошаться,
12:08
because you, inch for inch
304
713000
3000
потому никто из вас,
12:11
and pound for pound and dollar for dollar,
305
716000
3000
сантиметр за сантиметром,
доллар за долларом,
доллар за долларом,
12:14
none of you could squeeze revenue out of that space
306
719000
3000
вы никогда не сможете
выжать столько прибыли
выжать столько прибыли
12:17
like the Boston Shuffler could.
307
722000
3000
из этого пространства,
сколько смог выжать Бостонский пройдоха.
сколько смог выжать Бостонский пройдоха.
12:20
But if you zoom out,
308
725000
2000
Но если подняться,
12:22
if you zoom out,
309
727000
2000
подняться высоко,
12:24
you would see an 825-mile trench
310
729000
4000
можно увидеть ров
длиной 1300 километров
длиной 1300 километров
12:28
between New York City and Chicago
311
733000
2000
между Нью-Йорком и Чикаго,
12:30
that's been built over the last few years
312
735000
2000
построенный за последние несколько лет
12:32
by a company called Spread Networks.
313
737000
3000
компанией Spread Networks.
12:35
This is a fiber optic cable
314
740000
2000
Это оптоволоконный кабель,
12:37
that was laid between those two cities
315
742000
2000
проложенный между двумя городами
12:39
to just be able to traffic one signal
316
744000
3000
для передачи одного сигнала
12:42
37 times faster than you can click a mouse --
317
747000
3000
в 37 раз быстрее, чем щелчок мышью —
12:45
just for these algorithms,
318
750000
3000
только для этих алгоритмов,
12:48
just for the Carnival and the Knife.
319
753000
3000
только для Карнавала и для Ножа.
12:51
And when you think about this,
320
756000
2000
Подумать только,
12:53
that we're running through the United States
321
758000
2000
мы прогрызаем США насквозь,
12:55
with dynamite and rock saws
322
760000
3000
динамитом и землеройками,
12:58
so that an algorithm can close the deal
323
763000
2000
чтобы алгоритм смог закрыть сделку
13:00
three microseconds faster,
324
765000
3000
микросекундой раньше,
13:03
all for a communications framework
325
768000
2000
всё ради каналов связи,
13:05
that no human will ever know,
326
770000
4000
которые никогда не использует человек.
13:09
that's a kind of manifest destiny;
327
774000
3000
Это предсказание судьбы,
13:12
and we'll always look for a new frontier.
328
777000
3000
всегда продвигаться дальше.
13:15
Unfortunately, we have our work cut out for us.
329
780000
3000
К сожалению,
наша работа уже предопределена.
наша работа уже предопределена.
13:18
This is just theoretical.
330
783000
2000
Всё это только теория.
13:20
This is some mathematicians at MIT.
331
785000
2000
Это математики из MIT.
13:22
And the truth is I don't really understand
332
787000
2000
Правда в том, что я не понимаю
13:24
a lot of what they're talking about.
333
789000
2000
практически ничего, о чём они говорят.
13:26
It involves light cones and quantum entanglement,
334
791000
3000
Это что-то о световых конусах
и квантовом связывании,
и квантовом связывании,
13:29
and I don't really understand any of that.
335
794000
2000
и я в этом не разбираюсь.
13:31
But I can read this map,
336
796000
2000
Но я понимаю эту карту.
13:33
and what this map says
337
798000
2000
Она говорит,
13:35
is that, if you're trying to make money on the markets where the red dots are,
338
800000
3000
что, если вы пытаетесь зарабатывать
на рынках, обозначенных красными точками,
на рынках, обозначенных красными точками,
13:38
that's where people are, where the cities are,
339
803000
2000
это где люди и города,
13:40
you're going to have to put the servers where the blue dots are
340
805000
3000
нужно помещать сервера в места,
обозначенные голубыми точками,
обозначенные голубыми точками,
13:43
to do that most effectively.
341
808000
2000
для наибольшей эффективности.
13:45
And the thing that you might have noticed about those blue dots
342
810000
3000
Как можно заметить, большая часть
13:48
is that a lot of them are in the middle of the ocean.
343
813000
3000
этих голубых точек
находится посреди океана.
находится посреди океана.
13:51
So that's what we'll do: we'll build bubbles or something,
344
816000
3000
Вот этим и займёмся,
постройкой пузырей,
постройкой пузырей,
13:54
or platforms.
345
819000
2000
или платформ.
13:56
We'll actually part the water
346
821000
2000
Чтобы делать деньги из воздуха,
13:58
to pull money out of the air,
347
823000
2000
надо лезть в воду,
14:00
because it's a bright future
348
825000
2000
потому что это мудрое решение,
14:02
if you're an algorithm.
349
827000
2000
если ты — алгоритм.
14:04
(Laughter)
350
829000
2000
(Смех)
14:06
And it's not the money that's so interesting actually.
351
831000
3000
Деньги сами по себе не так интересны.
14:09
It's what the money motivates,
352
834000
2000
Интересно, что деньги мотивируют.
14:11
that we're actually terraforming
353
836000
2000
Мы изменяем
14:13
the Earth itself
354
838000
2000
саму Землю
14:15
with this kind of algorithmic efficiency.
355
840000
2000
вот такой алгоритмической оптимизацией.
14:17
And in that light,
356
842000
2000
Если вернуться,
14:19
you go back
357
844000
2000
и посмотреть на фото Майкла Найджара
14:21
and you look at Michael Najjar's photographs,
358
846000
2000
в этом свете, можно понять,
14:23
and you realize that they're not metaphor, they're prophecy.
359
848000
3000
что они не метафора, а пророчество.
14:26
They're prophecy
360
851000
2000
Они — пророчество
14:28
for the kind of seismic, terrestrial effects
361
853000
4000
эффектов сейсмического, земного масштаба,
14:32
of the math that we're making.
362
857000
2000
которые имеет наша математика.
14:34
And the landscape was always made
363
859000
3000
Ландшафт всегда формировался
14:37
by this sort of weird, uneasy collaboration
364
862000
3000
подобным образом,
нелёгким сотрудничеством
нелёгким сотрудничеством
14:40
between nature and man.
365
865000
3000
человека и природы.
14:43
But now there's this third co-evolutionary force: algorithms --
366
868000
3000
Но сейчас появилась
третья эволюционная сила: алгоритмы —
третья эволюционная сила: алгоритмы —
14:46
the Boston Shuffler, the Carnival.
367
871000
3000
Бостонский пройдоха, Карнавал.
14:49
And we will have to understand those as nature,
368
874000
3000
И нам нужно их понять, как и природу.
14:52
and in a way, they are.
369
877000
2000
В каком-то смысле, они и есть природа.
14:54
Thank you.
370
879000
2000
Спасибо.
14:56
(Applause)
371
881000
20000
(Аплодисменты)
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