Ευχαριστώ πολύ. Είμαι η Χάνα Φράι, κακός μπελάς. Και σήμερα κάνω την εξής ερώτηση: Είναι η ζωή πράγματι τόσο περίπλοκη; Έχω μόνο εννέα λεπτά για να σας δώσω μια απάντηση, και έτσι χώρισα την ομιλία μου σε δύο μέρη. Μέρος πρώτο: ναι, και αργότερα, στο μέρος δεύτερο: όχι. Ή για να είμαι πιο ακριβής: όχι;
Thanks very much. I am Hannah Fry, the badass. And today I'm asking the question: Is life really that complex? Now, I've only got nine minutes to try and provide you with an answer, so what I've done is split this neatly into two parts: part one: yes; and later on, part two: no. Or, to be more accurate: no?
(Γέλια)
(Laughter)
Αρχικά, θα προσπαθήσω να ορίσω τι εννοώ λέγοντας «περίπλοκη». Θα μπορούσα να σας δώσω ένα σωρό επίσημους ορισμούς, αλλά με απλούς όρους είναι ό,τι ο Αϊνστάιν και οι σύγχρονοί του δεν μπορούν να λύσουν. Ας φανταστούμε -- αν δουλέψει αυτό το κουμπί -- έτοιμο. Ο Αϊνστάιν παίζει μπιλιάρδο. Είναι έξυπνος τύπος και ξέρει πως όταν χτυπήσει τη λευκή μπάλα, μπορεί να φτιάξει μια εξίσωση και να σας πει πού ακριβώς θα χτυπήσει η κόκκινη μπάλα, με τι ταχύτητα και πού θα καταλήξει. Αν μεγεθύνετε τις μπάλες στην κλίμακα του ηλιακού συστήματος, ο Αϊνστάιν μπορεί και πάλι να βοηθήσει. Βέβαια, η θεωρία διαφέρει, αλλά αν ήθελες να μάθεις για την πορεία της Γης γύρω από τον ήλιο, ο Αϊνστάιν θα σου έγραφε μια εξίσωση για να σου πει πού βρίσκονται και τα δύο κάθε στιγμή. Αν θέλαμε μια σημαντική αύξηση της δυσκολίας, ο Αϊνστάιν θα πρόσθετε και τη Σελήνη. Αλλά προσθέτοντας πλανήτες, όπως π.χ. τον Άρη και τον Δία, ο Αϊνστάιν δυσκολεύεται να λύσει το πρόβλημα με χαρτί και μολύβι. Αν, όμως, κι εδώ είναι το περίεργο, αντί για λίγους πλανήτες είχαμε εκατομμύρια ή και δισεκατομμύρια αντικείμενα, τότε το πρόβλημα γίνεται πιο απλό, και ο Αϊνστάιν ξαναμπαίνει στο παιχνίδι. Θα σας εξηγήσω τι εννοώ, μειώνοντας το μέγεθός τους στο επίπεδο του μορίου.
So first of all, let me try and define what I mean by "complex." Now, I could give you a host of formal definitions, but in the simplest terms, any problem in complexity is something that Einstein and his peers can't do. So, let's imagine -- if the clicker works ... there we go. Einstein is playing a game of snooker. He's a clever chap, so he knows that when he hits the cue ball, he could write you an equation and tell you exactly where the red ball is going to hit the sides, how fast it's going and where it's going to end up. Now, if you scale these snooker balls up to the size of the solar system, Einstein can still help you. Sure, the physics changes, but if you wanted to know about the path of the Earth around the Sun, Einstein could write you an equation telling you where both objects are at any point in time. Now, with a surprising increase in difficulty, Einstein could include the Moon in his calculations. But as you add more and more planets, Mars and Jupiter, say, the problem gets too tough for Einstein to solve with a pen and paper. Now, strangely, if instead of having a handful of planets, you had millions of objects or even billions, the problem actually becomes much simpler, and Einstein is back in the game. Let me explain what I mean by this, by scaling these objects back down to a molecular level.
Αν θέλατε να βρείτε τη χαοτική πορεία ενός μόνο μορίου του αέρα, δεν θα τα καταφέρνατε. Όταν, όμως, έχεις εκατομμύρια μόρια αέρα μαζί, αρχίζουν να αντιδρούν μ' έναν τρόπο μετρήσιμο, προβλέψιμο και συνετό. Και δόξα τω Θεώ, ο αέρας είναι συνετός, γιατί αν δεν ήταν, τ' αεροπλάνα θα έπεφταν από τον ουρανό. Σε μεγαλύτερη κλίμακα, σε όλον τον κόσμο η ιδέα είναι ακριβώς η ίδια με αυτή των μορίων του αέρα. Δεν μπορείτε να έχετε μια σταγονίτσα νερό και να προσδιορίσετε από πού ήρθε και πού θα καταλήξει. Αλλά μπορείτε να πείτε με μεγάλη βεβαιότητα αν θα έχει συννεφιά αύριο. Αυτό είναι, λοιπόν. Την εποχή του Αϊνστάιν, η επιστήμη έφτανε ως εκεί. Λύναμε πολύ μικρά προβλήματα σε σχέση με λίγα αντικείμενα, με απλές αλληλεπιδράσεις, ή μεγάλα προβλήματα σε σχέση με εκατομμύρια αντικείμενα και απλές αλληλεπιδράσεις. Τι γίνεται, όμως, με τα ενδιάμεσα;
If you wanted to trace the erratic path of an individual air molecule, you'd have absolutely no hope. But when you have millions of air molecules all together, they start to act in a way which is quantifiable, predictable and well-behaved. And thank goodness air is well-behaved, because if it wasn't, planes would fall out of the sky. Now, on an even bigger scale, across the whole of the world, the idea is exactly the same with all of these air molecules. It's true that you can't take an individual rain droplet and say where it's come from or where it's going to end up. But you can say with pretty good certainty whether it will be cloudy tomorrow. So that's it. In Einstein's time, this is how far science had got. We could do really small problems with a few objects with simple interactions, or we could do huge problems with millions of objects and simple interactions. But what about everything in the middle?
Μόλις 7 χρόνια πριν τον θάνατο του Αϊνστάιν, ο Αμερικανός επιστήμονας Ουόρεν Ουίβερ έκανε την ίδια ερώτηση. Είπε ότι η επιστημονική μεθοδολογία πήγε από το ένα άκρο στο άλλο, αφήνοντας ανέγγιχτο ένα μεγάλο πεδίο στο ενδιάμεσο. Αυτό είναι ο χώρος της επιστήμης της πολυπλοκότητας. Και αυτό εννοώ με τον όρο πολύπλοκο. Δυστυχώς σχεδόν όλα τα προβλήματα σχετικά με τη συμπεριφορά μας βρίσκονται σ' αυτήν την ενδιάμεση περιοχή. Ο Αϊνστάιν δεν γνωρίζει κάποιο πρότυπο για την κίνηση του πλήθους. Οι άνθρωποι είναι πάρα πολλοί για να τους δει ως άτομα και λίγοι για να τους δει ως αέριο. Επίσης, οι άνθρωποι κάνουν ανοησίες όπως το να παίρνουν αποφάσεις και να μην θέλουν τυχαίες συναντήσεις, κάνοντας, έτσι, το πρόβλημα πιο περίπλοκο. Ο Αϊνστάιν δεν θα μπορούσε να πει πότε θα καταρρεύσει το χρηματιστήριο. Δεν θα μπορούσε να σας πει πώς θα μειωθεί η ανεργία. Ο Αϊνστάιν δεν μπορεί να πει αν το επόμενο iPhone θα έχει επιτυχία ή θα πατώσει. Ολοκληρώνοντας το πρώτο μέρος: την έχουμε βάψει.
Well, just seven years before Einstein's death, an American scientist called Warren Weaver made exactly this point. He said that scientific methodology has gone from one extreme to another, leaving out an untouched great middle region. Now, this middle region is where complexity science lies, and this is what I mean by complex. Now, unfortunately, almost every single problem you can think of to do with human behavior lies in this middle region. Einstein's got absolutely no idea how to model the movement of a crowd. There are too many people to look at them all individually and too few to treat them as a gas. Similarly, people are prone to annoying things like decisions and not wanting to walk into each other, which makes the problem all the more complicated. Einstein also couldn't tell you when the next stock market crash is going to be. Einstein couldn't tell you how to improve unemployment. Einstein can't even tell you whether the next iPhone is going to be a hit or a flop. So to conclude part one: we're completely screwed.
Δεν έχουμε τα μέσα για αυτό και η ζωή είναι πολύ πολύπλοκη.
We've got no tools to deal with this, and life is way too complex.
Ίσως, όμως, υπάρχει ελπίδα, γιατί τα τελευταία χρόνια βλέπουμε την απαρχή ενός νέου επιστημονικού πεδίου που μέσα από τα μαθηματικά απεικονίζει κοινωνικά συστήματα. Δεν αναφέρομαι στην στατιστική και την προσομοίωση με υπολογιστές. Αλλά στη δημιουργία εξισώσεων για την κοινωνία μας που θα βοηθήσουν να γνωρίσουμε τι συμβαίνει όπως γίνεται με τις μπάλες του μπιλιάρδου ή τον καιρό. Και αυτό μπορεί να γίνει τώρα γιατί οι άνθρωποι κατάλαβαν ότι μπορούμε να χρησιμοποιήσουμε αναλογίες μεταξύ των ανθρώπινων συστημάτων και όσων υπάρχουν στον φυσικό κόσμο.
But maybe there's hope, because in the last few years, we've begun to see the beginnings of a new area of science using mathematics to model our social systems. And I'm not just talking here about statistics and computer simulations. I'm talking about writing down equations about our society that will help us understand what's going on in the same way as with the snooker balls or the weather prediction. And this has come about because people have begun to realize that we can use and exploit analogies between our human systems and those of the physical world around us.
Θα σας δώσω ένα παράδειγμα: το απίστευτα περίπλοκο μεταναστευτικό πρόβλημα στην Ευρώπη. Βασικά, αν δούμε τους ανθρώπους ως μια ομάδα, συλλογικά, η συμπεριφορά τους ακολουθεί τους νόμους της βαρύτητας. Αλλά, αντί να έχουμε πλανήτες που έλκουν ο ένας τον άλλον, έχουμε ανθρώπους που έλκονται προς χώρες με πιο πολλές θέσεις εργασίας, μεγαλύτερους μισθούς, καλύτερη ζωή και χαμηλότερη ανεργία. Και παρόμοια όπως οι άνθρωποι επιλέγουν μια καλύτερη τύχη κοντά στο μέρος που ήδη ζουν -- από το Λονδίνο στο Κεντ, π.χ. και όχι από το Λονδίνο στη Μελβούρνη -- έτσι και η βαρύτητα είναι λιγότερο αισθητή σε μακρινούς πλανήτες.
Now, to give you an example: the incredibly complex problem of migration across Europe. Actually, as it turns out, when you view all of the people together, collectively, they behave as though they're following the laws of gravity. But instead of planets being attracted to one another, it's people who are attracted to areas with better job opportunities, higher pay, better quality of life and lower unemployment. And in the same way as people are more likely to go for opportunities close to where they live already -- London to Kent, for example, as opposed to London to Melbourne -- the gravitational effect of planets far away is felt much less.
Λοιπόν, ένα ακόμη παράδειγμα: Το 2008 μια ομάδα του Πανεπιστημίου της Καλιφόρνια ερευνούσε τα μοτίβα περιοχών με πολλές διαρρήξεις. Υπάρχει η θεωρία για την κατ' εξακολούθηση θυματοποίηση. Αν οι διαρρήκτες διαπράξουν επιτυχημένες ληστείες σε μια περιοχή, τείνουν να επιστρέφουν στην ίδια περιοχή για νέες ληστείες. Έτσι μαθαίνουν τη διάταξη των σπιτιών, τις διόδους διαφυγής και τα μέτρα προφύλαξης που υπάρχουν εκεί. Και αυτό θα συνεχίσει να συμβαίνει μέχρι οι κάτοικοι και η αστυνομία να αυξήσουν τα μέτρα ασφαλείας. Και τότε οι διαρρήκτες θα μετακινηθούν σε άλλη περιοχή. Αυτή η ισορροπία διαρρηκτών και μέσων ασφαλείας δημιουργεί αυτές τις δυναμικές εστίες στις πόλεις. Έχει αποδειχθεί ότι με την ίδια διαδικασία αποκτά μια λεοπάρδαλη τις κηλίδες της. Όμως, εδώ δεν πρόκειται για διαρρήκτες και ασφάλεια, αλλά για μια χημική διαδικασία που δημιουργεί αυτά τα μοτίβα και κάτι που ονομάζεται «μορφογένεση». Ξέρουμε πολλά για τη μορφογένεση των κηλίδων της λεοπάρδαλης. Ίσως μας βοηθήσουν να βρούμε προειδοποιητικά σημάδια για διαρρήξεις και να βρούμε καλύτερες στρατηγικές αποτροπής του εγκλήματος. Υπάρχει μια ομάδα εδώ στο UCL που συνεργάζονται με την αστυνομία στα Δυτικά Μίντλαντς πάνω σε αυτή τη θεωρία. Θα μπορούσα να σας δώσω πολλά παραδείγματα πάνω σ' αυτό, αλλά θα ήθελα να τελειώσω με ένα από τη δική μου έρευνα για το Λονδίνο.
So, to give you another example: in 2008, a group in UCLA were looking into the patterns of burglary hot spots in the city. Now, one thing about burglaries is this idea of repeat victimization. So if you have a group of burglars who manage to successfully rob an area, they'll tend to return to that area and carry on burgling it. So they learn the layout of the houses, the escape routes and the local security measures that are in place. And this will continue to happen until local residents and police ramp up the security, at which point, the burglars will move off elsewhere. And it's that balance between burglars and security which creates these dynamic hot spots of the city. As it turns out, this is exactly the same process as how a leopard gets its spots, except in the leopard example, it's not burglars and security, it's the chemical process that creates these patterns and something called "morphogenesis." We actually know an awful lot about the morphogenesis of leopard spots. Maybe we can use this to try and spot some of the warning signs with burglaries and perhaps, also to create better crime strategies to prevent crime. There's a group here at UCL who are working with the West Midlands police right now on this very question. I could give you plenty of examples like this, but I wanted to leave you with one from my own research on the London riots.
Πιθανόν δεν χρειάζεται να σας πω για τα γεγονότα του καλοκαιριού όταν το Λονδίνο και η χώρα βίωσαν τη χειρότερη περίοδο βίαιων λεηλασιών και εμπρησμών τα τελευταία 20 χρόνια. Είναι θεμιτό ότι, ως κοινωνία, θέλουμε να κατανοήσουμε τι ακριβώς προκάλεσε τις αναταραχές, αλλά και, ίσως, να εξοπλίσουμε την αστυνομία με καλύτερες στρατηγικές που θα οδηγήσουν σε πιο γρήγορες λύσεις στο μέλλον. Δεν θέλω να στενοχωρήσω τους κοινωνιολόγους γι' αυτό δεν μπορώ να μιλήσω για τα ξεχωριστά κίνητρα των ταραξιών, αλλά όταν τους αντιμετωπίσουμε ως ομάδα, μαθηματικά μπορούμε να δούμε τρία στάδια και τις αντίστοιχες αναλογίες.
Now, you probably don't need me to tell you about the events of last summer, where London and the UK saw the worst sustained period of violent looting and arson for over twenty years. It's understandable that, as a society, we want to try and understand exactly what caused these riots, but also, perhaps, to equip our police with better strategies to lead to a swifter resolution in the future. Now, I don't want to upset the sociologists here, so I absolutely cannot talk about the individual motivations for a rioter, but when you look at the rioters all together, mathematically, you can separate it into a three-stage process and draw analogies accordingly.
Στάδιο πρώτο: φανταστείτε μια παρέα φίλων. Δεν συμμετέχουν στις αναταραχές αλλά ένας τους περνάει έξω από ένα μαγαζί με αθλητικά του λεηλατείται, μπαίνει μέσα και αρπάζει ένα ζευγάρι αθλητικά. Στέλνει σ' έναν φίλο το μήνυμα: «Έλα εκεί που γίνονται οι αναταραχές». Ο φίλος του πηγαίνει εκεί και οι δυο τους ειδοποιούν και άλλους φίλους που τους συναντούν, και αυτοί ειδοποιούν και άλλους, και αυτοί και άλλους, και πάει έτσι. Είναι η ίδια διαδικασία με την οποία εξαπλώνεται στον πληθυσμό ένας ιός. Αν θυμάστε την επιδημία των πτηνών πριν λίγα χρόνια, όσο πιο πολλοί μολύνονταν, τόσο πιο πολύ μεταδιδόταν, και με μεγάλη ταχύτητα πριν οι αρχές καταλάβουν τι συνέβαινε. Ακριβώς την ίδια διαδικασία έχουμε και εδώ.
So, step one: let's say you've got a group of friends. None of them are involved in the riots, but one of them walks past a Foot Locker which is being raided, and goes in and bags himself a new pair of trainers. He texts one of his friends and says, "Come on down to the riots." So his friend joins him, and then the two of them text more of their friends, who join them, and text more of their friends and more and more, and so it continues. This process is identical to the way that a virus spreads through a population. If you think about the bird flu epidemic of a couple of years ago, the more people that were infected, the more people that got infected, and the faster the virus spread before the authorities managed to get a handle on events. And it's exactly the same process here.
Ας υποθέσουμε ότι ένας ταραξίας έχει αποφασίσει να συμμετέχει. Το επόμενο βήμα είναι να διαλέξει το πού θα πάει. Οι ταραξίες δεν είναι διατεθειμένοι... Πρόβλημα με το τηλεχειριστήριο. Οι ταραξίες δεν είναι διατεθειμένοι να πάνε μακριά από εκεί που μένουν, εκτός κι αν είναι καλή φάση.
So let's say you've got a rioter, he's decided he's going to riot. The next thing he has to do is pick a riot site. Now, what you should know about rioters is that, um ... Oops, clicker's gone. There we go. What you should know about rioters is, they're not prepared to travel that far from where they live, unless it's a really juicy riot site.
(Γέλια)
(Laughter)
Το βλέπετε στο γράφημα. Οι περισσότεροι έχουν ταξιδέψει μέχρι ένα χιλιόμετρο ως την περιοχή προορισμού. Τέτοια μοτίβα βλέπουμε σε καταναλωτικές συμπεριφορές, δηλ. στο πού κάνουμε τις αγορές μας. Οι άνθρωποι, βέβαια, ψωνίζουν στα τοπικά καταστήματα, αλλά πηγαίνουν και λίγο πιο μακριά αν υπάρχει κάποιο καλό κατάστημα. Αυτή την αναλογία χρησιμοποίησαν κάποιες εφημερίδες, και κάποιες σκανδαλοθηρικές αναφέρθηκαν σε «Ψώνια με βία», που, μάλλον, συνοψίζει και τα αποτελέσματα της έρευνάς μας. Ωχ, γυρίζει πίσω.
So you can see that here from this graph, with an awful lot of rioters having traveled less than a kilometer to the site that they went to. Now, this pattern is seen in consumer models of retail spending, i.e., where we choose to go shopping. So, of course, people like to go to local shops, but you'd be prepared to go a little bit further if it was a really good retail site. And this analogy, actually, was already picked up by some of the papers, with some tabloid press calling the events "Shopping with violence," which probably sums it up in terms of our research. Oh! -- we're going backwards.
Εντάξει. Βήμα τρίτο. Ο ταραξίας φτάνει, τελικά, στον χώρο, και θέλει ν' αποφύγει τη σύλληψη. Οι ταραξίες θα αποφεύγουν συνεχώς την αστυνομία αλλά το πλήθος τους τούς παρέχει ασφάλεια. Από την άλλη, η αστυνομία, με τις περιορισμένες δυνάμεις της, προσπαθεί να προσφέρει τη μεγαλύτερη δυνατή προστασία, να κάνει συλλήψεις, όπου είναι δυνατό, και να δράσει αποτρεπτικά. Και αποδεικνύεται, τελικά, ότι ο μηχανισμός μεταξύ των δύο αυτών «ειδών», ταραξιών και αστυνομίας, είναι ο ίδιος με αυτόν μεταξύ θηράματος και θηρευτή. Σκεφτείτε τα κουνέλια και τις αλεπούδες. Τα κουνέλια προσπαθούν να τις αποφύγουν με κάθε τρόπο, ενώ αυτές περιπολούν ψάχνοντας κουνέλια. Γνωρίζουμε πάρα πολλά για τις σχέσεις θηρευτών και θηραμάτων. Και για τις αγοραστικές συνήθειες των καταναλωτών. Και, επίσης, για το πώς μεταδίδονται οι ιοί στους πληθυσμούς.
OK, step three. Finally, the rioter is at his site, and he wants to avoid getting caught by the police. The rioters will avoid the police at all times, but there is some safety in numbers. And on the flip side, the police, with their limited resources, are trying to protect as much of the city as possible, arrest rioters wherever possible and to create a deterrent effect. And actually, as it turns out, this mechanism between the two species, so to speak, of rioters and police, is identical to predators and prey in the wild. So if you can imagine rabbits and foxes, rabbits are trying to avoid foxes at all costs, while foxes are patrolling the space, trying to look for rabbits. We actually know an awful lot about the dynamics of predators and prey. We also know a lot about consumer spending flows. And we know a lot about how viruses spread through a population.
Αν χρησιμοποιήσουμε αυτές τις τρεις αναλογίες, καταλήγουμε σ' έναν μαθηματικό τύπο για το τι συνέβη, ο οποίος αναπαράγει το ευρύτερο μοτίβο των εξεγέρσεων. Τότε μπορούμε να τον χρησιμοποιήσουμε ως τρυβλίο Petri και να αρχίσουμε μια συζήτηση για το ποιες περιοχές της πόλης ήταν πιο ευάλωτες, και τι θα μπορούσε να κάνει η αστυνομία αν αυτό συνέβαινε ξανά. Μόλις 20 χρόνια πριν κάτι τέτοιο ήταν ανήκουστο. Νομίζω, όμως, ότι αυτές οι αναλογίες είναι απίστευτα σημαντικό εργαλείο στην αντιμετώπιση κοινωνικών προβλημάτων, και, ίσως, τελικά βελτιώσουν την κοινωνία μας γενικά.
So if you take these three analogies together and exploit them, you can come up with a mathematical model of what actually happened, that's capable of replicating the general patterns of the riots themselves. Now, once we've got this, we can almost use this as a petri dish and start having conversations about which areas of the city were more susceptible than others and what police tactics could be used if this were ever to happen again in the future. Even twenty years ago, modeling of this sort was completely unheard of. But I think that these analogies are an incredibly important tool in tackling problems with our society, and perhaps, ultimately improving our society overall.
Λοιπόν, συνοψίζω: η ζωή είναι περίπλοκη, αλλά η κατανόησή της δεν είναι απαραίτητα τόσο πολύπλοκη.
So, to conclude: life is complex, but perhaps understanding it need not necessarily be that complicated.
Σας ευχαριστώ.
Thank you.
(Χειροκρότημα)
(Applause)