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?
Hartelijk bedankt. Ik ben Hannah Fry, de stoere. Vandaag stel ik de vraag: is het leven echt zo complex? Ik heb slechts negen minuten de tijd om te proberen jullie een antwoord te geven, dus ik heb dit netjes in twee delen gesplitst: deel één: ja; en verderop, deel twee: nee. Of, om nauwkeuriger te zijn: nee?
(Laughter)
(Gelach)
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.
Laat ik eerst proberen te definiëren wat ik bedoel met "complex." Ik zou jullie veel formele definities kunnen geven, maar in de meest eenvoudige termen, elk probleem in complexiteit is iets dat Einstein en zijn gelijken niet kunnen. Dus, laten we ons inbeelden -- als de aanwijzer werkt ... Einstein speelt een potje snooker. Hij is een slimme kerel, dus hij weet dat wanneer hij de speelbal raakt, hij een vergelijking zou kunnen schrijven en exact zou kunnen zeggen waar de rode bal de kanten zal raken, hoe snel hij zal gaan en waar hij zal belanden. Nu, als je deze ballen vergroot tot de grootte van het zonnestelsel, kan Einstein je nog altijd helpen. Oké, de fysica verandert, maar als je meer zou willen weten over de weg van de aarde rond de zon, zou Einstein een vergelijking kunnen schrijven die vertelt waar de objecten zich bevinden op elk moment. Met een opmerkelijke toename in moeilijkheid, zou Einstein de maan in zijn berekeningen kunnen introduceren. Maar wanneer je meer planeten toevoegt, bijvoorbeeld Mars en Jupiter, wordt het probleem te lastig voor Einstein om op te lossen met pen en papier. Nu, vreemd genoeg, als je in plaats van een handvol planeten miljoenen of zelfs miljarden objecten had, dan wordt het probleem eigenlijk veel makkelijker, en is Einstein terug in het spel. Laat ik uitleggen wat ik hiermee bedoel, door deze objecten terug te schalen tot een moleculair niveau.
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?
De grillige weg traceren van een individuele luchtmolecule kun je wel vergeten. Maar wanneer je miljoenen luchtmoleculen bij elkaar hebt, beginnen deze zich te gedragen op een manier die kwantificeerbaar, voorspelbaar en braaf is. En dank de hemel dat lucht braaf is, want als ze dat niet was, zouden vliegtuigen eruit vallen. Op een nog grotere schaal, over de hele wereld, is het idee exact hetzelfde met al die luchtmoleculen. Het is waar dat je niet van een individuele regendruppel kan zeggen waar hij vandaan komt of waar hij heen gaat. Maar je kunt wel met redelijke zekerheid zeggen of het morgen bewolkt wordt. Dus dat is het. In Einsteins tijd was dit hoe ver de wetenschap was gekomen. We kunnen kleine problemen oplossen met een aantal objecten met simpele interacties. Of we kunnen grote problemen oplossen met miljoenen objecten en simpele interacties. Maar wat doen we met alles daartussen?
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.
Slechts zeven jaar voor de dood van Einstein, maakte de Amerikaanse wetenschapper Warren Weaver precies dit punt. Hij zei dat de wetenschappelijke methodiek van de ene extreme naar de andere ging waarbij een groot middengebied onaangeraakt bleef. Deze middelste regio is waar complexiteitswetenschap zit en dit is wat ik bedoel met complex. Helaas ligt bijna elk probleem dat je kunt bedenken op het gebied van menselijk gedrag in die middelste regio. Einstein had geen idee hoe hij de beweging van een groep mensen kon modelleren. Er zijn te veel mensen om naar hen als individu te kijken en te weinig om hen als een gas te behandelen. Ook zijn mensen geneigd tot ergerlijke dingen als beslissingen nemen en niet tegen elkaar willen botsen, wat het probleem alleen maar moeilijker maakt. Einstein kon je ook niet vertellen wanneer de volgende beurscrash gaat zijn. Einstein kon je niet vertellen hoe je werkloosheid kon terugbrengen. Hij kan je niet eens vertellen of de nieuwe iPhone een succes of een flop wordt. Dus om deel één af te sluiten: we staan er bekaaid voor. We hebben geen gerei om hiermee om te gaan en het leven is veel te complex.
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.
Maar misschien is er hoop, want de laatste paar jaar beginnen we een nieuw vakgebied in de wetenschap te zien waarbij we wiskunde gebruiken om onze sociale systemen te modelleren. Ik heb het nu niet alleen over statistieken en computersimulaties, maar over het opschrijven van vergelijkingen die onze maatschappij begrijpelijk helpen maken, net als met de snookerballen of de weersvoorspellingen. Dit is ontstaan doordat mensen zich zijn gaan realiseren dat we analogieën kunnen gebruiken tussen onze menselijke systemen en die in de fysieke wereld om ons heen.
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.
Om je een voorbeeld te geven: het ongelofelijk complexe probleem van migratie in Europa. Het blijkt dat als je alle mensen samen bekijkt, ze zich gedragen alsof ze de regels van zwaartekracht volgen. Maar in plaats van planeten die tot elkaar aangetrokken worden, zijn het mensen die aangetrokken worden tot betere baankansen, hogere salarissen, een betere levenskwaliteit en minder werkloosheid. En net als dat mensen eerder kansen aangrijpen die dichter bij huis liggen -- Londen naar Kent, bijvoorbeeld in plaats van Londen naar Melbourne -- zo voel je de aantrekkingskracht van verre planeten veel minder sterk.
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.
Om nog een voorbeeld te geven: in 2008 was een groep in UCLA op zoek naar de patronen tussen plekken waar vaak werd ingebroken. Bij inbraken heb je het fenomeen van herhaald slachtofferschap. Als er een groep inbrekers is die succesvol een gebied berooft, zijn ze geneigd terug te keren naar dat gebied en het vaker te beroven. Zo leren ze de ligging van de huizen kennen, de onsnappingsroutes en de lokale beveiligingsmaatregelen. Dit zal zo doorgaan tot buurtbewoners en politie de beveiliging verbeteren. Dan verplaatsen de inbrekers zich naar een andere plek. Het is die balans tussen inbrekers en beveiliging die de dynamische zwaartepunten van de stad creëert. Dit blijkt exact hetzelfde proces te zijn als hoe een luipaard zijn vlekken krijgt, behalve dat het bij luipaarden niet gaat om inbrekers en beveiliging. Het is het chemische proces dat deze patronen creëert, en iets genaamd 'morfogenese'. In feite weten we enorm veel over de morfogenese van luipaardvlekken. Misschien kunnen we dit gebruiken om inbraakgevoelige plekken te vinden en misschien zelfs nieuwe strategieën te bedenken om criminaliteit te voorkomen. Een groep hier aan het UCL werkt op dit moment met de politie van West Midlands aan precies deze vraag. Ik zou je talloze voorbeelden zoals deze kunnen geven, maar ik geef er nog een uit mijn eigen onderzoek naar de Londense rellen.
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.
Ik hoef waarschijnlijk niet te vertellen wat afgelopen zomer gebeurde. Londen en het VK doorstonden de heftigste aaneengesloten periode van plunderingen en brandstichting in meer dan twintig jaar. Het is logisch dat we, als samenleving, willen snappen wat deze rellen veroorzaakte. Maar ook, misschien, om onze politie met beter strategieën uit te rusten en een spoediger oplossing te vinden in de toekomst. Ik wil de sociologen hier niet te ongerust maken, Dus ik kan absoluut niet praten over de beweegredenen van een opstandeling, maar als je naar alle opstandelingen samen kijkt, kun je dit, wiskundig gezien, scheiden in een driedelig proces, en zo analogieën trekken.
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.
Dus, stap één: laten we zeggen dat er een groep vrienden is. Geen van hen is betrokken bij de opstanden maar een van hen loopt langs een Foot Locker die geplunderd wordt. Hij loopt naar binnen, en zorgt voor een paar nieuwe schoenen. Hij stuurt een bericht naar een vriend en zegt: "kom naar de rel." Zijn vriend voegt zich bij hem, de twee jongens nodigen meer vrienden uit, die nog meer vrienden uitnodigen, en meer, en meer, en dit gaat zo door. Dit proces is identiek aan hoe een virus zich door een populatie verspreidt. Als je denkt aan de vogelgriepepidemie van een aantal jaar terug, hoe meer mensen besmet waren, hoe meer mensen besmet werden, hoe sneller het virus zich verspreidde voordat de overheid het onder controle kon krijgen. Dit is precies hetzelfde proces hier.
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.
Laten we zeggen dat een relschopper heeft besloten mee te doen met een rel. Vervolgens moet hij op zoek naar een opstand. Wat je moet weten over relschoppers is dat, um ... Oeps, de clicker werkt niet meer. Oké. Wat je moet weten over relschoppers is dat ze niet bereid zijn om ver te reizen van waar ze wonen, tenzij het een hele sappige rel is.
(Laughter)
[Gelach]
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.
Dat zie je op deze grafiek, met een hele hoop opstandelingen die minder dan een kilometer reisden naar de lokatie van hun rel. Dit patroon is te zien in consumentenmodellen van detailhandel, oftewel, waar we besluiten spullen de kopen. Natuurlijk houden mensen ervan om naar lokale winkels te gaan maar je zou bereid zijn wat verder te gaan als het een hele goede winkelplek is. Deze analogie was al opgepakt door een aantal kranten waaronder een roddelblad die de ontdekking "winkelen met geweld" noemde, wat ons onderzoek eigenlijk goed samenvat. Oh! --- we gaan terug.
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.
Oké, stap drie. Eindelijk, de relschopper is ter plaatse, en hij wil voorkomen dat hij wordt opgepakt door de politie. De relschoppers zullen altijd de politie vermijden, maar de groep biedt enige veiligheid. Aan de ander kant, de politie, met hun beperkte middelen proberen zoveel mogelijk van de stad te beschermen, relschoppers waar mogelijk te arresteren, en een afschrikwekkend effect te creëren. In feite, zo blijkt, is dit mechanisme tussen de twee soorten, bij wijze van spreken, de politie en de opstandelingen, identiek aan roofdieren en prooien in het wild. Denk aan konijnen en vossen: konijnen proberen koste wat kost vossen te vermijden, terwijl vossen de ruimte afstruinen, op zoek naar konijnen. In feite weten we enorm veel over de dynamiek tussen roofdier en prooi. We weten ook veel over het koopgedrag van consumenten. En we weten veel over hoe virussen zich verspreiden door een populatie.
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.
Dus als je die drie analogieën samen beschouwt en uitbuit, kun je komen tot een wiskundig model van wat werkelijk plaatsvond, dat in staat is de algemene patronen te repliceren van de rellen zelf. Nu we dit weten, kunnen we het bijna gebruiken als een petrischaaltje en een gesprek aangaan over welke delen van de stad meer vatbaar zijn dan anderen, en welke tactieken de politie zou kunnen gebruiken als dit ooit nog eens gebeurt. Twintig jaar geleden nog, was dit soort modelleren totaal onbekend. Maar ik denk dat deze analogieën een heel erg belangrijk hulpmiddel zijn bij het aanpakken van problemen in onze samenleving, en misschien uiteindelijk het verbeteren van de samenleving als geheel.
So, to conclude: life is complex, but perhaps understanding it need not necessarily be that complicated.
Dus, samengevat: het leven is complex, maar misschien is het begrijpen ervan niet noodzakelijk zo moeilijk.
Thank you.
Bedankt.
(Applause)
[Applaus]