Erez Lieberman Aiden: Everyone knows that a picture is worth a thousand words. But we at Harvard were wondering if this was really true. (Laughter) So we assembled a team of experts, spanning Harvard, MIT, The American Heritage Dictionary, The Encyclopedia Britannica and even our proud sponsors, the Google. And we cogitated about this for about four years. And we came to a startling conclusion. Ladies and gentlemen, a picture is not worth a thousand words. In fact, we found some pictures that are worth 500 billion words.
Эрез Либерман Айден: Все знают, что картинка стоит тысячи слов. Но мы в Гарварде сомневались, правда ли это. (Смех) Поэтому мы собрали команду экспертов из Гарварда, МТИ, Словаря Американского Наследия, Энциклопедии Британника, и даже нашего гордого спонсора — Google. Мы обдумывали это примерно четыре года. И пришли к поразительному умозаключению. Дамы и господа, картинка не стоит тысячи слов. Мы нашли некоторые картинки, которые стоят 500 миллиардов слов.
Jean-Baptiste Michel: So how did we get to this conclusion? So Erez and I were thinking about ways to get a big picture of human culture and human history: change over time. So many books actually have been written over the years. So we were thinking, well the best way to learn from them is to read all of these millions of books. Now of course, if there's a scale for how awesome that is, that has to rank extremely, extremely high. Now the problem is there's an X-axis for that, which is the practical axis. This is very, very low.
Жан-Баптист Мишель: Как мы пришли к этому заключению? Эрез и я размышляли о том, как получить общий план человеческой культуры и истории: изменения с течением времени. За годы были написаны многие книги. И мы подумали, что лучшим способом их изучить будет прочитать все эти миллионы книг. Если бы была шкала, насколько круто бы это было, то это было бы очень, очень круто. Итак, для этого есть ось X, практическая ось. Это очень, очень низко.
(Applause)
(Аплодисменты)
Now people tend to use an alternative approach, which is to take a few sources and read them very carefully. This is extremely practical, but not so awesome. What you really want to do is to get to the awesome yet practical part of this space. So it turns out there was a company across the river called Google who had started a digitization project a few years back that might just enable this approach. They have digitized millions of books. So what that means is, one could use computational methods to read all of the books in a click of a button. That's very practical and extremely awesome.
Сейчас люди предпочитают другой подход, состоящий в том, чтобы взять несколько источников, и прочитать их очень внимательно. Это очень практично, но не так круто. На самом деле хочется добраться до практичной, но крутой части этого пространства. Оказывается, напротив, через реку, есть компания Google, которая несколько лет назад начала проект оцифровки, который может позволить это сделать. Они оцифровали миллионы книг. Это означает, что можно использовать вычислительные методы для прочтения всех этих книжек за один щелчок мыши. Это очень практично и невероятно круто.
ELA: Let me tell you a little bit about where books come from. Since time immemorial, there have been authors. These authors have been striving to write books. And this became considerably easier with the development of the printing press some centuries ago. Since then, the authors have won on 129 million distinct occasions, publishing books. Now if those books are not lost to history, then they are somewhere in a library, and many of those books have been getting retrieved from the libraries and digitized by Google, which has scanned 15 million books to date.
ЭЛА: Давайте я расскажу о происхождении книг. С незапамятных времён, были авторы. Авторы изо всех сил стремились писать книги. С изобретением печатного станка несколько веков назад это стало заметно легче. С тех пор авторы победили в 129 миллионах случаев публикации книг. Если эти книги не затерялись в истории, они хранятся где-то в какой-то библиотеке, и многие из этих книг были извлечены из библиотек и оцифрованы компанией Google, которая на сегодня просканировала 15 миллионов книг.
Now when Google digitizes a book, they put it into a really nice format. Now we've got the data, plus we have metadata. We have information about things like where was it published, who was the author, when was it published. And what we do is go through all of those records and exclude everything that's not the highest quality data. What we're left with is a collection of five million books, 500 billion words, a string of characters a thousand times longer than the human genome -- a text which, when written out, would stretch from here to the Moon and back 10 times over -- a veritable shard of our cultural genome. Of course what we did when faced with such outrageous hyperbole ... (Laughter) was what any self-respecting researchers would have done. We took a page out of XKCD, and we said, "Stand back. We're going to try science."
Когда компания Google оцифровывает книгу, они сохраняют её в очень удобном формате. У нас есть данные и есть метаданные. У нас есть сведения о том, где книга была опубликована, кто её автор, когда она была опубликована. Мы прошлись по всем этим записям, и исключили всё, кроме данных наивысшего качества. Таким образом, осталась коллекция из 5 миллионов книг, 500 миллиардов слов, строка символов в тысячу раз длиннее, чем геном человека — если написать этот текст, то он протянется до Луны и обратно 10 раз — настоящий осколок культурного генома. Естественно, мы сделали перед лицом такой вопиющей гиперболы... (Смех) то, что сделал бы любой уважающий себя ученый. Мы взяли страницу из XKDC и сказали: «Разойдись, мы займёмся наукой».
(Laughter)
(Смех)
JM: Now of course, we were thinking, well let's just first put the data out there for people to do science to it. Now we're thinking, what data can we release? Well of course, you want to take the books and release the full text of these five million books. Now Google, and Jon Orwant in particular, told us a little equation that we should learn. So you have five million, that is, five million authors and five million plaintiffs is a massive lawsuit. So, although that would be really, really awesome, again, that's extremely, extremely impractical. (Laughter)
ЖМ: Конечно, мы подумали, давайте сначала сделаем данные доступными для людей, которые применят к ним науку. И мы подумали, какие данные мы может опубликовать? Конечно, хотелось взять и опубликовать полные тексты всех этих пяти миллионов книг. Google, и Джон Орвант в частности, научили нас небольшому уравнению. Итак, есть пять миллионов, значит пять миллионов авторов и пять миллионов истцов равняется огромная судебная тяжба. И, хотя это было бы очень, просто нереально круто, опять же, это очень, просто нереально непрактично. (Смех)
Now again, we kind of caved in, and we did the very practical approach, which was a bit less awesome. We said, well instead of releasing the full text, we're going to release statistics about the books. So take for instance "A gleam of happiness." It's four words; we call that a four-gram. We're going to tell you how many times a particular four-gram appeared in books in 1801, 1802, 1803, all the way up to 2008. That gives us a time series of how frequently this particular sentence was used over time. We do that for all the words and phrases that appear in those books, and that gives us a big table of two billion lines that tell us about the way culture has been changing.
Что ж, мы вроде как поддались, и подошли к делу очень практично, хоть и не так круто. Мы сказали, что вместо публикации полных текстов, мы опубликуем статистику о книгах. Возьмём, например, «A gleam of happiness » Это четыре слова, мы называем это 4-грамма. Мы скажем, как часто именно эта 4-грамма появлялась в книгах в 1801-м, 1802-м, 1803-м, и так далее вплоть до 2008-го. Это даст временной ряд частоты использования именно этой фразы с течением времени. Мы проделываем это для всех слов и фраз, появляющихся в этих книгах, и это даёт большую таблицу в два миллиарда строк, которые говорят нам, каким образом изменялась культура.
ELA: So those two billion lines, we call them two billion n-grams. What do they tell us? Well the individual n-grams measure cultural trends. Let me give you an example. Let's suppose that I am thriving, then tomorrow I want to tell you about how well I did. And so I might say, "Yesterday, I throve." Alternatively, I could say, "Yesterday, I thrived." Well which one should I use? How to know?
ЭЛА: Эти два миллиарда строк, мы называем их два миллиарда N-грамм. Что они нам говорят? Отдельные N-граммы измеряют культурные тенденции. Позвольте привести пример. Предположим, я процветаю сегодня, и завтра хочу рассказать вам, как мне было хорошо. Я могу сказать: «Вчера я процветал [throve]». По-другому, я могу сказать: «Вчера я процветал [thrived]». Какой вариант мне использовать? Как узнать?
As of about six months ago, the state of the art in this field is that you would, for instance, go up to the following psychologist with fabulous hair, and you'd say, "Steve, you're an expert on the irregular verbs. What should I do?" And he'd tell you, "Well most people say thrived, but some people say throve." And you also knew, more or less, that if you were to go back in time 200 years and ask the following statesman with equally fabulous hair, (Laughter) "Tom, what should I say?" He'd say, "Well, in my day, most people throve, but some thrived." So now what I'm just going to show you is raw data. Two rows from this table of two billion entries. What you're seeing is year by year frequency of "thrived" and "throve" over time. Now this is just two out of two billion rows. So the entire data set is a billion times more awesome than this slide.
Примерно шесть месяцев назад, положение дел в этой области было таким, что можно было, например, подойти к психологу с поразительной стрижкой и спросить: «Стив, ты эксперт по неправильным глаголам. Как мне быть?» А он бы ответил: «Большая часть людей сказала бы процветал [thrive], но некоторые скажут процветал [throve]». Как известно, более или менее, если вернуться на 200 лет назад, и спросить вот этого политика, с не менее поразительной стрижкой, (Смех) «Том, как нужно говорить?» Он бы ответил: «В мои дни большая часть людей процветала [throve], но некоторые процветали [thrived]». Я вам покажу необработанные данные. Две строки из таблицы в два миллиарда строк. Здесь показана, год за годом, частота слов «процветал [thrived]» и «процветал [throve]». И это всего лишь два из двух миллиардов строк. Весь набор данных в миллиард раз круче, чем этот слайд.
(Laughter)
(Смех)
(Applause)
(Аплодисменты)
JM: Now there are many other pictures that are worth 500 billion words. For instance, this one. If you just take influenza, you will see peaks at the time where you knew big flu epidemics were killing people around the globe.
ЖМ: Есть много других картинок, которые стоят 500 миллиардов слов. Например, вот эта. Если взять грипп, можно видеть пики в то время, когда эпидемии гриппа убивали людей по всему миру.
ELA: If you were not yet convinced, sea levels are rising, so is atmospheric CO2 and global temperature.
ЭЛА: Если это вас не убеждает, уровень моря поднимается, а также содержание углекислого газа в атмосфере и мировая температура.
JM: You might also want to have a look at this particular n-gram, and that's to tell Nietzsche that God is not dead, although you might agree that he might need a better publicist.
ЖМ: А также можно посмотреть на вот эту N-грамму, и сказать Ницше, что Бог не мёртв, хотя можно согласиться, что ему нужен лучший публицист.
(Laughter)
(Смех)
ELA: You can get at some pretty abstract concepts with this sort of thing. For instance, let me tell you the history of the year 1950. Pretty much for the vast majority of history, no one gave a damn about 1950. In 1700, in 1800, in 1900, no one cared. Through the 30s and 40s, no one cared. Suddenly, in the mid-40s, there started to be a buzz. People realized that 1950 was going to happen, and it could be big. (Laughter) But nothing got people interested in 1950 like the year 1950. (Laughter) People were walking around obsessed. They couldn't stop talking about all the things they did in 1950, all the things they were planning to do in 1950, all the dreams of what they wanted to accomplish in 1950. In fact, 1950 was so fascinating that for years thereafter, people just kept talking about all the amazing things that happened, in '51, '52, '53. Finally in 1954, someone woke up and realized that 1950 had gotten somewhat passé. (Laughter) And just like that, the bubble burst.
ЭЛА: С помощью этого инструмента можно добраться до довольно таки абстрактных концепций. Например, позвольте рассказать историю 1950-го года. На протяжении большей части истории 1950-й вообще никого не волновал. В 1700-х, 1800-х, 1900-х никто им не интересовался. В течение 30-х и 40-х никто им не интересовался. Внезапно, в середине 40-х, началось обсуждение. Люди поняли, что скоро наступит 1950-й, и это будет событие. (Смех) Но ничто не интересовало людей сильнее в 1950-м, чем сам 1950-й. (Смех) Люди помешались. Они не могли прекратить рассказывать обо всём, что они делали в 1950-м, обо всём, что они планировали сделать в 1950-м, обо всех мечтах, которые они хотели осуществить в 1950-м. На самом деле, 1950-й был настолько восхитительным, что годы спустя, люди продолжали говорить обо всех удивительных событиях, которые случились в 1951-м, 1952-м, 1953-м. Наконец, в 1954-м, кто-то осознал, что 1950-й стал старомодным. (Смех) Вот так пузырь и лопнул.
(Laughter)
(Смех)
And the story of 1950 is the story of every year that we have on record, with a little twist, because now we've got these nice charts. And because we have these nice charts, we can measure things. We can say, "Well how fast does the bubble burst?" And it turns out that we can measure that very precisely. Equations were derived, graphs were produced, and the net result is that we find that the bubble bursts faster and faster with each passing year. We are losing interest in the past more rapidly.
История 1950-го повторяется для каждого года, о котором у нас есть данные, с небольшим изменением, потому что теперь у нас есть вот эти графики. Благодаря этим графикам, мы можем измерить. Можно сказать: «Как быстро лопаются пузыри?» Оказывается, это можно очень точно измерить. Уравнения были выведены, графики были построены, и конечным результатом стало то, что пузыри лопаются быстрее и быстрее с каждым прошедшим годом. Мы всё быстрее теряем интерес к прошлому.
JM: Now a little piece of career advice. So for those of you who seek to be famous, we can learn from the 25 most famous political figures, authors, actors and so on. So if you want to become famous early on, you should be an actor, because then fame starts rising by the end of your 20s -- you're still young, it's really great. Now if you can wait a little bit, you should be an author, because then you rise to very great heights, like Mark Twain, for instance: extremely famous. But if you want to reach the very top, you should delay gratification and, of course, become a politician. So here you will become famous by the end of your 50s, and become very, very famous afterward. So scientists also tend to get famous when they're much older. Like for instance, biologists and physics tend to be almost as famous as actors. One mistake you should not do is become a mathematician. (Laughter) If you do that, you might think, "Oh great. I'm going to do my best work when I'm in my 20s." But guess what, nobody will really care.
ЖМ: Небольшой карьерный совет. Для тех из вас, кто стремится к славе, можно научиться у 25-ти самых известных политиков, авторов, актёров, и т.д. Если вы хотите стать известным рано, вам нужно быть актёром, потому что слава начинается к концу их третьего десятка — вы всё ещё молоды, это здорово. Если вы согласны подождать, вам нужно стать автором, потому что это позволит подняться на большие высоты, как Марк Твен, например, очень знаменит. Но если вы хотите подняться на самую вершину, нужно отложить удовольствие и конечно, стать политиком. Вы станете известны под конец шестого десятка, и станете очень, очень знаменитым после. Учёные тоже становятся знаменитыми, когда они становятся старее. Например, биологи и физики становятся примерно такими же знаменитыми, как и актёры. Ошибкой, которую делать не стоит — становиться математиком. (Смех) В этом случае, можно подумать: «Отлично, свои лучшие работы я сделаю на третьем десятке». Но знаете что? Никому это не интересно.
(Laughter)
(Смех)
ELA: There are more sobering notes among the n-grams. For instance, here's the trajectory of Marc Chagall, an artist born in 1887. And this looks like the normal trajectory of a famous person. He gets more and more and more famous, except if you look in German. If you look in German, you see something completely bizarre, something you pretty much never see, which is he becomes extremely famous and then all of a sudden plummets, going through a nadir between 1933 and 1945, before rebounding afterward. And of course, what we're seeing is the fact Marc Chagall was a Jewish artist in Nazi Germany.
ЭЛА: В N-граммах есть ещё более отрезвляющие вещи. Например, вот траектория Марка Шагала, художника, родившегося в 1887-м. Выглядит как нормальная траектория знаменитого человека. Он становится всё более и более знаменитым, за исключением знаменитости среди немецкоговорящих. Если посмотреть на немецкий язык, то можно увидеть что совершенно невообразимое, что-то, что видишь не часто — он становится чрезвычайно знаменитым, а затем внезапно падает, проходя надир между 1933-м и 1945-м годами, прежде чем вернуться позже. Конечно, здесь мы наблюдаем тот факт, что Марк Шагал был еврейским художником в нацистской Германии.
Now these signals are actually so strong that we don't need to know that someone was censored. We can actually figure it out using really basic signal processing. Here's a simple way to do it. Well, a reasonable expectation is that somebody's fame in a given period of time should be roughly the average of their fame before and their fame after. So that's sort of what we expect. And we compare that to the fame that we observe. And we just divide one by the other to produce something we call a suppression index. If the suppression index is very, very, very small, then you very well might be being suppressed. If it's very large, maybe you're benefiting from propaganda.
Эти сигналы настолько сильны, что нам не нужно знать, что кто-то подвергался цензуре. Мы можем это понять, используя простейший анализ сигналов. Вот простой способ это сделать. Разумно предположить, что чья-то слава в данный период времени должны быть примерно равна среднему славы до и славы после. Это то, что мы ожидаем. И мы сравним это с тем, что мы наблюдаем. Затем делим одно на второе, чтобы получить что-то, называемое индекс подавления. Если индекс подавления очень, очень, очень маленький, вероятно, что вас действительно подавляют. Если он очень велик, наверное, вас пропагандируют.
JM: Now you can actually look at the distribution of suppression indexes over whole populations. So for instance, here -- this suppression index is for 5,000 people picked in English books where there's no known suppression -- it would be like this, basically tightly centered on one. What you expect is basically what you observe. This is distribution as seen in Germany -- very different, it's shifted to the left. People talked about it twice less as it should have been. But much more importantly, the distribution is much wider. There are many people who end up on the far left on this distribution who are talked about 10 times fewer than they should have been. But then also many people on the far right who seem to benefit from propaganda. This picture is the hallmark of censorship in the book record.
ЖМ: Теперь можно посмотреть на распределение индексов подавления по всёму населению. Например, здесь: это индекс подавления для 5 тысяч людей, взятых из английских книг, где известно про отсутствие цензуры, он примерно вот такой, сконцентрированный возле единицы. Ожидаемое совпадает с наблюдаемым. Это распределение наблюдалось в Германии — оно совершенно другое, смещено влево. Люди говорили об этом в два раза реже, чем должны были. Однако, что более важно, распределение намного шире. О многих людях, которые оказываются на левом краю этого распределения, говорят в 10 раз меньше, чем должны. Однако многие люди на правом краю пожинают плоды пропаганды. Эта картинка — клеймо цензуры на книжной истории.
ELA: So culturomics is what we call this method. It's kind of like genomics. Except genomics is a lens on biology through the window of the sequence of bases in the human genome. Culturomics is similar. It's the application of massive-scale data collection analysis to the study of human culture. Here, instead of through the lens of a genome, through the lens of digitized pieces of the historical record. The great thing about culturomics is that everyone can do it. Why can everyone do it? Everyone can do it because three guys, Jon Orwant, Matt Gray and Will Brockman over at Google, saw the prototype of the Ngram Viewer, and they said, "This is so fun. We have to make this available for people." So in two weeks flat -- the two weeks before our paper came out -- they coded up a version of the Ngram Viewer for the general public. And so you too can type in any word or phrase that you're interested in and see its n-gram immediately -- also browse examples of all the various books in which your n-gram appears.
ЭЛА: Мы называем этот метод культуромикой. Это как геномика. Разве что геномика это линза для биологии, взгляд сквозь окно последовательностей оснований генома человека. Культуромика сходна. Это применение анализа наборов данных огромного масштаба к изучению человеческой культуры. Но взамен линзы генома, мы смотрим сквозь линзу оцифрованных частиц истории. Замечательным аспектом культуромики является то, что любой может ею заняться. Почему же любой может ею заняться? Потому что эти парни, Джон Орвант, Мэтт Грей и Уилл Брокман из Google, увидев прототип средства просмотра N-грамм, сказали: «Это очень весёлая вещь. Давайте это опубликуем». Ровно за две недели — за две недели до публикации нашей статьи — они запрограммировали публичную версию средства просмотра N-грамм. Теперь и вы можете напечатать любое слово или предложение, которое вас интересует, и сразу посмотреть его N-граммы, включая просмотр примеров из всех тех разных книг, в которых встречается ваша N-грамма.
JM: Now this was used over a million times on the first day, and this is really the best of all the queries. So people want to be their best, put their best foot forward. But it turns out in the 18th century, people didn't really care about that at all. They didn't want to be their best, they wanted to be their beft. So what happened is, of course, this is just a mistake. It's not that strove for mediocrity, it's just that the S used to be written differently, kind of like an F. Now of course, Google didn't pick this up at the time, so we reported this in the science article that we wrote. But it turns out this is just a reminder that, although this is a lot of fun, when you interpret these graphs, you have to be very careful, and you have to adopt the base standards in the sciences.
ЖМ: В первый же день этим воспользовались более миллиона раз, и это — лучшие из всех запросов. Люди хотят показать себя с наилучшей стороны. Однако оказывается, что в 18-м веке людей это совсем не интересовало. Они не хотели показать себя с лучшей стороны [best], они хотели показать себя с лучшей штороны [beft]. Как обычно, это была просто ошибка. Это не стремление к посредственности, просто буква S писалась по-другому, похоже на F. Конечно, Google тогда это не отследил, поэтому мы отметили это в написанной нами статье. Однако оказывается, что это просто напоминание о том, что, несмотря на всё веселье, при объяснении этих графиков нужно быть очень осторожным, и нужно применять лучшие научные стандарты.
ELA: People have been using this for all kinds of fun purposes. (Laughter) Actually, we're not going to have to talk, we're just going to show you all the slides and remain silent. This person was interested in the history of frustration. There's various types of frustration. If you stub your toe, that's a one A "argh." If the planet Earth is annihilated by the Vogons to make room for an interstellar bypass, that's an eight A "aaaaaaaargh." This person studies all the "arghs," from one through eight A's. And it turns out that the less-frequent "arghs" are, of course, the ones that correspond to things that are more frustrating -- except, oddly, in the early 80s. We think that might have something to do with Reagan.
ЭЛА: Как только люди этим не пользовались. (Смех) На самом деле, говорить ничего не нужно, мы просто покажем вам слайды, молча. Этого человека интересовала история расстройств. Есть разные типы расстройств. Если вы ударились большим пальцем, это «ах» с одним А. Если планету Земля аннигилировали вогоны, чтобы освободить место для межгалактического туннеля, это «аааааааах» с восемью А. Этот человек изучил все «ахи», содержащие от одного до восьми А. Оказывается, наиболее редкими «ахами» являются те, которые относятся к наиболее пугающим вещам, кроме, как ни странно, начала 80-х. Наверное, Рейган имеет к этому отношение.
(Laughter)
(Смех)
JM: There are many usages of this data, but the bottom line is that the historical record is being digitized. Google has started to digitize 15 million books. That's 12 percent of all the books that have ever been published. It's a sizable chunk of human culture. There's much more in culture: there's manuscripts, there newspapers, there's things that are not text, like art and paintings. These all happen to be on our computers, on computers across the world. And when that happens, that will transform the way we have to understand our past, our present and human culture.
ЖМ: Эти данные можно использовать по-разному, но суть в том, что история оцифровывается. Google начал оцифровывать 15 миллионов книг. Это 12 процентов всех когда-либо напечатанных книг. Это заметная часть человеческой культуры. Но в культуре намного больше вещей: рукописи, газеты, нетекстовые вещи, например искусство и картины. Всё это оказывается на наших компьютерах, на компьютерах по всему миру. И когда это случится, это изменит то, как мы понимаем прошлое, настоящее и человеческую культуру.
Thank you very much.
Спасибо большое.
(Applause)
(Аплодисменты)