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?
Çok teşekkürler. Ben Hannah Fry, başbelası. Bugün soracağım soru: Hayat gerçekten de o kadar karmaşık mı? Şimdi, uğraşıp size bir cevap bulmak için dokuz dakikam var, öyleyse şöyle yapayım, cevabı güzelce ikiye böleyim: Birinci kısım: Evet. Sonra ikinci kısım: Hayır. Veya daha kesin olursak: Hayır mı?
(Laughter)
(Kahkahalar)
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.
Öncelikle, "karmaşık"tan ne kastediyorum tanımlayayım. Size bir sürü resmi tanım yapabilirim fakat en basit anlamıyla Einstein ve arkadaşlarının çözemeyeceği karmaşıklıktaki her problem karmaşıktır. Yani şöyle bir düşünelim- tabii kumanda çalışırsa... tamam. Einstein bilardo oynuyor. Zeki bir arkadaş, yani biliyor ki beyaz topa vurduğunda, size bir denklem yazıp kırmızı topun tam tamına nerede banda çarpacağını, ne kadar hızlı gideceğini ve nerede duracağını söyleyebilir. Şimdi, bu bilardo toplarını güneş sistemi ölçeğine büyütseniz Einstein yine size yardımcı olur. Tabii ki fizik değişir ama Dünya'nın güneş etrafındaki yörüngesini öğrenmek isterseniz Einstein size her ikisinin de belirli bir andaki konumunu söyleyen bir denklem yazabilir. Şimdi, zorluğun şaşırtıcı biçimde artmasıyla Einstein, Ay'ı da hesaplamaya dâhil edebilir. Ama Mars ve Jupiter gibi gittikçe daha çok gezegeni işe katarsanız problem, Einstein ve arkadaşlarının kâğıt kalemle çözemeyeceği kadar zorlaşır. Şimdi, bu garip ama birkaç gezegen değil de elinizde milyonlarca hatta milyarlarca cisim olduğunda problem aslında çok daha basitleşiyor ve Einstein tekrar sahneye çıkıyor. Ne kastettiğimi size şöyle açıklayayım; bunu nesneleri moleküler ölçeğe küçülterek yapar.
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?
Eğer tek bir hava molekülünün dengesiz rotasını bulmak istiyorsanız kesinlikle hiç şansınız yoktur. Ama elinizde bir arada milyonlarca hava molekülü varsa ölçülebilir, öngörülebilir ve terbiyeli bir biçimde davranmaya başlarlar. Şükürler olsun ki hava terbiyeli, çünkü öyle olmasa uçaklar gökten düşerdi. Daha büyük ölçekte bile, bütün dünyada bile, bütün bu hava moleküllerinin davranışı tamamen aynıdır. Tek bir yağmur damlasını alıp nereden geldiği ve nereye düşeceğini söyleyemeyeceğiniz doğrudur. Ancak yarın havanın bulutlu olup olmayacağını oldukça yüksek kesinlikte söyleyebilirsiniz. Yani hepsi bu. Einstein'ın zamanındaki bilim oraya kadar gelmişti. Birkaç cisimli ve basit etkileşimli küçük problemleri veya milyonlarca cisimli ve basit etkileşimli devasa problemleri çözebiliyorduk. Peki ya ikisi arasında kalan şeyler?
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.
Einstein'ın ölümünden yedi yıl önce, Warren Weaver adında Amerikalı bir bilim insanı tam da buna değindi. Bilimsel metodolojinin bir aşırı uçtan diğer aşırı uca gittiğini ve ortadaki geniş alana dokunmadığını söyledi. Şimdi, bu ortadaki alan karmaşıklık biliminin alanıdır ve "karmaşık"tan kastettiğim budur. Şimdi, insan davranışlarıyla ilgili aklınıza gelebilecek problemlerin neredeyse tümü maalesef bu ortadaki alandadır. Einstein'ın bir kalabalığın davranışını modelleme konusunda hiçbir fikri yoktu. İnsanların sayısı, tek tek ele almak için çok fazla, bir gaz gibi ele almak içinse çok azdır. Benzer biçimde, insanlar kararlar gibi şeyleri bozmaya ve birbirleriyle karşılaşmayı istememeye eğilimlidir ve bu problemi daha da karmaşıklaştırır. Einstein size borsadaki bir sonraki çöküşün zamanını da söyleyemezdi. Einstein size işsizliğin nasıl azalacağını da söyleyemezdi. Hatta Einstein size bir sonraki iPhone'un tutup tutmayacağını da söyleyemez. Öyleyse birinci bölüm sonuç: Tamamen batırmış durumdayız. Bunu çözecek bir yöntemimiz yok ve yaşam da çok fazla karmaşık.
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.
Ama bir umut olabilir. Çünkü son birkaç yıldır, toplumsal sistemlerimizi modellemede matematiği kullanan yeni bir bilim alanının ortaya çıktığını görüyoruz. İstatistikten ve bilgisayar simulasyonlarından bahsetmiyorum. Bahsettiğim şey, tıpkı bilardo topları ve hava tahminindeki gibi toplumla ilgili neler olup bittiğini anlamamıza yardım edecek denklemler yazılması. Bu bilimin ortaya çıkma nedeni, bizim insan sistemlerimiz ile etrafımızdaki fiziksel dünya arasındaki benzerliklerin kullanılabileceğinin, yararlanılabileceğinin farkına varılması.
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.
Şimdi, size bir örnek vereyim: Tüm Avrupadaki inanılmaz karmaşıklıktaki göç problemi. Aslında şu ortaya çıkıyor, bu insanlara bir bütün olarak bakarsanız kolektif olarak sanki yer çekimi yasalarına uyuyor gibi davranıyorlar. Fakat birbirini çeken gezegenler yerine insanlar daha iyi iş olanakları olan bölgelere doğru çekiliyor, daha yüksek ücret, yüksek yaşam kalitesi ve işsizliğin düşük olduğu bölgelere. Ve aynı zamanda, insanlar çoğunlukla yaşadıkları yerlere yakın yerlerdeki fırsatlara bakıyor örneğin Londra'dan Melbourne değil Londra'dan Kent'e göçüyor, yani uzaktaki bir gezegenin çekim etkisi çok az oluyor.
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.
Size bir başka örnek vereyim: 2008 yılında UCLA'daki bir grup araştırmacı, şehirde hırsızlığın yoğun olduğu bölgelerde örüntü arıyordu. Şimdi, hırsızlığın bir özelliği yinelenen bir suç olmasıdır. Yani elinizde bir bölgeyi başarıyla soymuş bir hırsız grubu varsa bu hırsızlar oraya dönüp soyguna devam etme eğilimi gösterecektir. Yani, evlerin yayılma düzenini kaçış yollarını ve yerel güvenlik önlemlerinin yerlerini öğrenmişlerdir. Ve bu durum, semt sakinleri ve polisin güvenlik önlemlerini artırıp hırsızların başka bir yere gitmesini sağlayacak noktaya çekmesine kadar sürecektir. Hırsızlarla güvenlik önlemleri arasındaki bu denge şehirde dinamik hırsız yoğun bölgeler yaratan dengedir. Öyle görünüyor ki bu süreç leoparların beneklenme süreciyle tıpatıp aynı, sadece, leopar örneğinde hırsızlar ve güvenlik önlemi yok ve lepoarın desenlerini biçimlendiren şey "morfojenez" denen kimyasal bir süreç. Morfojenez ve leopar benekleri konusunda dehşet miktarda şey biliyoruz. Belki bunu hırsızlığın uyarı işaretlerinin bazılarını saptamada kullanabilir ve belki de suçu önlemek için daha etkin suç stratejileri de yaratabiliriz. Burada UCL'de bir grup var ve West Midland polisi ile bu aynı sorun üzerinde birlikte çalışıyorlar. Size bunun gibi pek çok örnek verebilirim ancak sizden, Londra ayaklanmalarını incelediğim kendi çalışmamı paylaşarak ayrılmak istiyorum.
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.
Şimdi, muhtemelen size geçen yaz olan olayları anlatmama gerek yok. İngiltere ve Londra'nın son yirmi yılda gördüğü en kötü ve aralıksız şiddet, yağma ve kundaklama olaylarıydı. Toplum olarak bu ayaklanmaya tam olarak neyin sebep olduğunu anlamak istememiz anlaşılır bir durum ama ayrıca, belki polisimizi de gelecekte daha hızlı çözüm alacağı daha iyi stratejilerle donatmayı da istemeliyiz. Şimdi, burada sosyologları kızdırmak istemiyorum yani bir isyancının bireysel gerekçeleri hakkında kesinlikle konuşamam ancak isyancılara bütünsel olarak bakarsanız matematik gözünden bunu üç aşamalı bir sürece bölebilirsiniz ve dolayısıyla benzerlikler çıkarabilirsiniz.
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.
Birinci aşama: Diyelim ki bir grup arkadaşınız var ve hiçbiri ayaklanmaya katılmıyor ama içlerinden biri Foot Locker mağazası yağmalanırken geçiyordur ve girip kendine bir çift spor ayakkabısı araklar ve bir arkadaşına mesaj atıp "Haydi ayaklanmaya gel" der ve arkadaşı ona katılır ve sonra ikisi, daha fazla arkadaşa mesaj atar, onlar da katılır, daha fazla arkadaşa mesaj atılır, çoğalırlar, çoğalırlar ve devam eder. Bu süreç, bir virüsün popülasyon içindeki yayılım biçimiyle birebir aynı. Birkaç yıl önceki kuş gribi salgınını düşünürseniz virüs bulaşan insan sayısı arttıkça virüs kapan insan sayısı arttı ve virüs daha da hızlı yayıldı ve yetkililer olayla başa çıkana kadar da bu sürdü. Burada da birebir aynı süreç işledi.
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.
Diyelim ki bir isyancınız var ve isyan etmeye karar verdi. Yapması gereken sıradaki şey bir isyan bölgesi seçmektir. Şimdi isyancılar hakkında bilmeniz gereken şey, ah... Eyvah, kumanda gitti. Tamam. İsyancılar hakkında bilmeniz gereken şey; çok cazip başka bir isyan bölgesi olmadıkça yaşadıkları yerden uzağa gitmezler.
(Laughter)
(Kahkahalar)
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.
Yani bunu şu grafikte görebilirsiniz isyancıların çok büyük bir kısmı ayaklanma bölgesine bir kilometreden daha yakın bir yerden geldi. Şimdi bu örüntü, tüketici modellemeleri ve perakende alışverişte de görülüyor, yani alışveriş yapmayı seçtiğimiz yerler. İnsanlar tabii ki semtindeki dükkanlara gitmeyi sever ama çok iyi bir alışveriş bölgesi olursa azıcık uzağa gitmeye de hazırsınızdır. Ve bu benzerlik aslında bazı gazeteler tarafından da zaten fark edildi, bazı tabloid gazeteler bu olaylara "Vahşi alışveriş" dedi, belki de bizim araştırmamız bakımından özet bu. Ah! - geriye gidiyoruz.
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.
Peki, üçüncü adım. Sonunda, isyancı kendi bölgesindedir ve polise yakalanmak da istemez. İsyancılar polisten daima uzak durur ama birlikten de biraz güç doğar. Madalyonun diğer yüzü polisler ise, sınırlı imkânlarıyla şehri mümkün olduğunca iyi korumaya çabalamakta isyancıları elinden gelen her yerde tutuklamakta ve caydırıcı bir etki yaratmaktadırlar. Ve aslına bakarsak öyle görünüyor ki bu iki tür, yani polisler ve isyancılar arasındaki bu mekanizma vahşi doğadaki avcı ve av düzeniyle birebir aynı. Yani tilkilerle tavşanları düşünün, tavşan, tilkiden uzak durmak için her yolu denerken tilki de etrafta devriye gezerek tavşan arar. Avcı ve av arasındaki dinamiklerle ilgili dehşet miktarda çok şey biliyoruz. Biz ayrıca tüketici harcamaları akışı konusunda da çok şey biliyoruz. Ve biz virüslerin popülasyona nasıl yayıldığına dair çok şey biliyoruz.
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.
Yani eğer bu üç benzerliği bir arada alır ve kullanırsanız gerçekten ne olduğununa ilişkin bir matematik model bulabilir ve bununla ayaklanmanın kendisinin genel örüntülerini yineleyebilirsiniz. Bu noktaya ulaştığımız anda, bunu bir petri kabı gibi kullanıp şehrin hangi bölgelerinin buna diğerlerinden daha yatkın olduğu ve gelecekte tekrarı hâlinde polisin hangi taktikleri kullanabileceğini konuşmaya başlayabiliriz. Daha yirmi yıl önce bile, bu türden bir modelleme hiç duyulmamış bir şeydi. Fakat bence bu benzerlikler toplumumuzdaki sorunları çözmede inanılmaz önemdeki araçlardır ve kim bilir, belki sonunda toplumumuzu ilerletmede de.
So, to conclude: life is complex, but perhaps understanding it need not necessarily be that complicated.
Yani sonuç şu: Hayat karmaşıktır ama belki de onu anlamanın bu kadar karmaşık olması gerekmiyor.
Thank you.
Teşekkür ederim.
(Applause)
(Alkışlar)