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?
매우 감사합니다. 제가 바로 그 한나 프라이입니다. 오늘 질문을 하나 드리겠습니다. 삶이 정말로 그렇게나 복잡할까요? 여러분께 답을 알려 드릴 시간이 9분 정도밖에 없어요. 그래서 이걸 두 부분으로 나눴습니다. 1부, 네 복잡합니다. 그리고 2부, 아닙니다. 조금 더 정확하게 말하면, 아닌가요?
(Laughter)
(웃음)
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.
첫째로, 제가 어떻게 "복잡함"을 정의했을까요. 저는 몇 가지의 전형적인 정의를 말할 수도 있어요. 하지만 가장 간단한 용어로 복잡함의 문제는 가령 아인슈타인이나 그의 동료들이라도 다룰 수 없는 거죠. 그럼 생각해봅시다. 이 리모콘이 되면요.. 아 되었네요 아인슈타인이 당구를 하고 있어요. 그는 매우 똑똑하니까 이미 다 알면서 당구 공을 칠 거예요. 아마 그는 여러분에게 방정식을 써줄 수도 있을 걸요. 빨간공이 정확히 어디에 부딪힐지 얼마나 빠르고 어디에서 멈출지 정확히 말해줄 수도 있을 거예요. 만약 여러분이 이 당구 공들을 태양계의 크기만큼 키운다고 해도 아인슈타인은 여러분을 계속 도와줄 수 있겠죠. 물론 물리학은 변하지만 만약 여러분이 태양을 도는 지구의 궤도를 알고 싶다면 아인슈타인은 방정식을 적어줄 수 있을 거예요. 어떤 순간에 태양과 지구가 어디 있는지 말이죠. 이제, 놀랄만큼 어렵게 만들어볼까요. 아인슈타인은 이 계산에 달을 포함할 수도 있겠죠. 하지만 화성이나 목성 같은 더 많은 행성을 추가하면 이 문제는 아인슈타인이 펜과 종이만 가지고 풀기엔 어려워지죠. 이상하게도 소수의 행성들이 아니라 수백 만 개 혹은 수 십억 개체들을 가지고 본다면 문제는 사실 더 간단해지고, 아인슈타인은 이 게임에 돌아오죠. 제 말이 무슨 뜻인지 설명해드리죠. 이러한 개체를 분자 수준까지 축소하는 거예요.
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?
만약 여러분이 각각의 공기 분자들의 불규칙한 경로를 추적하고 싶다면 풀 수 있는 실마리가 하나도 없죠. 하지만 수백만 개의 공기 분자를 모두 합치면 그것들은 수량화할 수 있고, 예측 가능하며 제대로 행동하기 시작합니다. 그리고 우리는 이것에 감사해야 해요. 만약 이렇게 행동하지 않는다면, 비행기들이 하늘에서 추락했을 테니까요. 더 큰 규모로 보았을 때, 전 세계에 걸쳐서 이 아이디어는 모든 공기 분자들과 정확히 일치합니다. 한 방울의 빗방울을 가지고 어디서 온 것인지 또는 어디로 갈 건지 말할 수 없죠. 그러나 여러분은 꽤나 확신을 가지고 내일 날씨가 흐릴지는 이야기할 수 있겠죠. 바로 이겁니다. 아인슈타인의 시대에, 과학은 이렇게 발전했습니다. 몇 개의 물체와 단순한 상호작용으로 정말 작은 문제를 해결할 수 있고 아니면 수백 만 개의 물체와 간단한 상호작용으로 큰 문제를 해결할 수도 있죠. 하지만 그 중간에 있는 모든 것들은 어떻게 할 건가요?
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. We've got no tools to deal with this, and life is way too complex.
아인슈타인이 죽기 7년 전, 미국 과학자인 워렌 위버가 정확히 이 점을 지적했습니다. 그는 과학적 방법론이 극단적인 것에서 극단적인 것으로 변해 가면서 손대지 않은 거대한 중간 지역은 제외되었다고 말했습니다. 이 중간 지역은 복잡성 과학이 있는 곳입니다. 그리고 이게 제가 말하는 복잡함입니다. 불행하게도, 인간의 행동에 대해 여러분이 생각할 수 있는 거의 모든 문제들은 이 중간 지역에 있습니다. 아인슈타인은 군중의 움직임을 어떻게 모델링 하는지 전혀 몰랐습니다. 사람들을 모두 개별적으로 보기에는 그들이 너무 많고 그렇다고 가스처럼 취급하기에는 사람들이 너무 적어요. 마찬가지로, 사람들은 의사 결정 같은 것들을 성가셔하고 서로에게 다가가기를 원하지 않기 때문에 문제는 점점 더 복잡해집니다. 아인슈타인은 또 여러분에게 말해 줄 수 없어요. 다음 주가 폭락이 언제일지 말이죠. 아인슈타인은 실업률을 어떻게 개선하는지도 말해 줄 수 없습니다. 아인슈타인은 심지어 다음 아이폰이 성공적일지 망할지도 알지 못합니다. 그러므로 1부를 정리하자면, 우린 완전히 망했어요. 우리에겐 이 문제를 다룰 도구가 없습니다.
But maybe there's hope,
그리고 삶은 너무 복잡하죠.
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.
하지만 어쩌면 희망이 있을 지도 몰라요. 왜냐하면 지난 몇 년 간, 우리는 사회 시스템을 모델링 하기 위해 수학을 사용하는 새로운 과학 영역의 시작을 보게 되었기 때문입니다. 저는 통계 자료와 컴퓨터 시뮬레이션에 대해서만 이야기하는 것이 아닙니다. 저는 우리 사회에 대한 방정식을 쓰는 것에 관해 이야기하고 있습니다 지금 무슨 일이 일어나고 있는 건지 이해하는데 도움이 될 테니까요. 당구 공이나 날씨 예보와 같은 방식으로 말이죠. 그리고 이것은 사람들이 인간 시스템과 우리 주변 물리적 세계 사이의 유사점들을 이용할 수 있다는 것을 깨닫기 시작했기 때문입니다.
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.
예를 하나 들어보겠습니다: 유럽을 가로지르는 이주라는 굉장히 복잡한 문제입니다. 사실, 모든 사람들을 함께 볼 때 그들은 마치 그들이 중력의 법칙을 따르는 것처럼 행동합니다. 행성들이 서로에게 끌리는 대신에 사람들은 더 나은 일자리가 있는 지역이나 더 높은 급여, 더 나은 삶의 질 더 낮은 실업률을 지닌 지역에 끌리는 것이죠. 그리고 같은 방식으로 사람들은 그들이 이미 살고 있는 곳과 가까운 기회를 찾기 쉽습니다. 런던에서 켄트로 가는 것처럼요. 런던에서 멜버른으로 가는 것과 반대죠. 멀리 떨어져 있는 행성들의 중력은 훨씬 더 적게 느껴집니다.
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.
다른 예시를 들자면 2008년에 UCLA의 한 단체는 도둑질 하기 좋은 곳의 패턴을 찾아보고 있었어요. 강도 사건에 대한 한 견해는 바로 반복적인 피해에 관한 것입니다. 만약 한 지역을 성공적으로 강탈한 강도 집단이 있다면 그들은 그 지역으로 돌아가서 또 도둑질하는 경향이 있을 거예요. 그러니 그들은 집들의 배치와 도망치는 경로 그 지역의 보안 조치들도 알고 있습니다. 그리고 이것은 지역 주민과 경찰이 보안을 강화할 때까지 계속 될 것이며 이 시점에서 강도는 다른 곳으로 이동할 것입니다. 강도와 보안 사이의 균형이 도시 내의 역동적인 반점을 만들어 냅니다 밝혀진 바와 같이, 이것은 표범이 반점을 얻는 과정과 정확히 같은 과정입니다. 표범의 예에서, 도둑질이나 안전이 아니라, 이런 패턴을 만드는 화학적 과정입니다. 그리고 이것은 형태 생성이라고 불리죠. 우리는 사실 표범 반점의 형태 형성에 대해 엄청나게 많은 것을 압니다. 아마도 우리는 이것을 강도 사건에 대한 경고 신호와 범죄 예방을 위한 더 나은 전략을 만들기 위해 사용할 수 있을 것입니다. 여기 UCL에 있는 한 단체가 지금 웨스트 미들랜드 경찰과 함께 이 문제를 다루고 있습니다. 저는 여러분께 이와 같은 많은 예시들을 드릴 수 있습니다. 하지만 저는 런던 폭동에 관련된 제 연구에서 나온 한 가지를 이야기하고 싶습니다.
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.
아마 지난 여름에 일어난 일들에 대해 말씀드릴 필요는 없을 겁니다. 그곳에서 런던과 영국은 20년 넘게 폭력적인 약탈과 방화가 지속되는 최악의 시기를 보았습니다. 사회적으로, 우리는 이러한 폭동의 원인을 정확히 이해하려고 노력할 것이지만 앞으로 경찰이 보다 나은 전략을 강구하여 장래에는 보다 신속하게 해결할 수 있으리라 이해할 수 있습니다. 저는 이 곳의 사회학자들을 화나게 하고 싶지는 않습니다. 그래서 저는 절대로 폭도들의 개인적인 동기에 대해 말할 수 없습니다. 하지만 폭도들을 집단화해보면 수학적으로 그것을 3단계 과정으로 나누고 그에 따라 유사점을 도출할 수 있습니다.
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.
첫째, 여러분에게 친구들이 있습니다. 그들 중 누구도 이 폭동에 연루되지 않았지만, 그들 중 한 명이 급습 당하고 있는 사물함을 지나쳐 들어가 새로운 운동화 한 쌍을 보관했습니다. 그는 자신의 친구 중 한 명에게 문자로 "시위에 참여하자"라고 말했습니다. 그래서 그의 친구가 그에게 동참하고 그 두 사람이 더 많은 친구들에게 문자를 보내서 그들이 동참하고 더 많은 친구들에게 문자를 보내고 이 과정이 반복되면서 계속되어 갑니다. 이 과정은 바이러스가 집단을 통해 퍼지는 방법과 동일합니다. 만약 2년 전 조류 독감의 유행을 생각해본다면 감염된 사람들이 많을수록 더 많은 사람들이 감염될 것이고 더 빨리 바이러스는 퍼질 것입니다. 당국이 사건을 관리하고 수습하기 전에 말이죠. 그리고 이것은 정확히 같은 과정입니다.
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.
폭도가 있다고 가정해봅시다. 그는 폭동을 일으키기로 결정했습니다. 다음으로 그가 해야 할 일은 폭동 현장을 고르는 것입니다. 여러분이 폭도들에 대해 알아야 할 것은.. 앗, 클릭이 안 되네요. 다시 가죠. 폭도들에 대해 아셔야 할 것은, 그들은 자신들이 사는 곳에서 먼 곳으로 여행할 준비가 안 되어있다는 겁니다. 정말 매력적인 폭동 장소가 아니라면요.
(Laughter)
(웃음)
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.
이 그래프에서 볼 수 있듯이 수많은 폭도들이 1km도 안 되는 거리를 이동한 겁니다. 그들이 갔던 곳까지요. 이런 패턴은 소비자들이 소비하는 소매 지출 모델에서 볼 수 있습니다. 즉, 우리가 쇼핑을 선택하는 곳이죠. 물론, 사람들은 지역 상점에 가고 싶어 합니다. 하지만 만약 정말 좋은 소매 사이트라면 좀 더 갈 준비가 되어 있겠죠. 사실 이 비유는 이미 몇몇 신문들에 의해 알려진 것입니다. 몇몇 타블로이드 신문들은 그 사건을 폭력으로 쇼핑하는 것이라고 부릅니다. 이것은 아마도 우리 연구의 결과라고 요약해볼 수 있겠죠. 다시 돌아가고 있군요.
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.
그래요, 세 번째. 마침내, 그 폭도는 도착했고 그는 경찰에 잡히는 것을 피하고 싶어 합니다. 폭도들은 항상 경찰을 피해 다닐 것이지만 수적으로는 약간의 안전성이 있습니다. 반면에, 경찰은 제한된 자원으로 도시의 최대한 많은 부분을 보호하고 폭도들을 가능한 한 체포하고 제지 효과를 만들기 위해 노력하고 있습니다. 그리고 사실 알고 보니 이 두 종 사이의 메커니즘은, 그러니까 폭도들과 경찰은 야생의 포식자들과 먹이와 같습니다. 만약 여러분이 토끼와 여우를 상상해본다면 토끼는 항상 여우를 피하고 싶어할 것입니다. 그 때 여우는 토끼를 찾기 위해 공간을 살펴보고 있죠. 우린 사실 포식자와 먹이의 역학에 대해 아주 많이 알고 있습니다. 우리는 또한 소비자 지출 흐름에 대해서도 많은 것을 알죠. 우리는 바이러스가 어떻게 집단 전체로 퍼지는 지 많이 알고 있습니다.
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.
그래서 이 세가지 비유들을 하나로 묶어서 활용한다면, 실제로 일어난 일들에 대한 수학적 모델을 생각해낼 수 있습니다. 폭동의 일반적인 패턴을 직접 복제할 수 있는 것입니다. 일단 우리가 그 패턴을 얻게 되면, 이를 페트리 접시로 사용할 수 있고 도시의 어떤 지역이 다른 지역보다 더 취약하고 이런 일이 미래에 또 일어났을 때, 어떤 경찰 전략을 사용할 지 논의해볼 수 있습니다. 심지어 20년 전만 해도 이런 종류의 모델은 전혀 없었습니다. 하지만 저는 이러한 유추가 우리 사회의 문제를 해결하고 궁극적으로 우리 사회 전체를 개선하는 데 있어서 매우 중요한 도구라고 생각합니다.
So, to conclude: life is complex, but perhaps understanding it need not necessarily be that complicated.
결론적으로, 인생은 복잡합니다. 그러나 인생을 이해하는 것이 그렇게 복잡할 필요는 없습니다.
Thank you.
감사합니다.
(Applause)
(박수)