Chris Anderson: You were something of a mathematical phenom. You had already taught at Harvard and MIT at a young age. And then the NSA came calling. What was that about?
Chris Anderson: Jesteś rodzajem fenomenu matematycznego. Za młodu uczyłeś na MIT i Harvardzie. Następnie skontaktowała się z tobą NSA. O co chodziło?
Jim Simons: Well the NSA -- that's the National Security Agency -- they didn't exactly come calling. They had an operation at Princeton, where they hired mathematicians to attack secret codes and stuff like that. And I knew that existed. And they had a very good policy, because you could do half your time at your own mathematics, and at least half your time working on their stuff. And they paid a lot. So that was an irresistible pull. So, I went there.
Jim Simons: NSA, Agencja Bezpieczeństwa Narodowego, nie do końca się skontaktowała. Prowadzili operację na Princeton, do której zatrudniali matematyków łamiących tajne kody i takie tam. Wiedziałem, że to istnieje. Dawali bardzo dobre warunki, bo połowę czasu można było wykorzystać na własną pracę, ale przez co najmniej połowę musiałeś pracować nad ich sprawami. Sporo też płacili. To nieodparcie przyciągało. Zgłosiłem się.
CA: You were a code-cracker.
CA: Byłeś łamaczem kodów.
JS: I was.
JS: Byłem.
CA: Until you got fired.
CA: Ale cię zwolnili.
JS: Well, I did get fired. Yes.
JS: Prawda, zwolnili mnie.
CA: How come?
CA: Dlaczego?
JS: Well, how come? I got fired because, well, the Vietnam War was on, and the boss of bosses in my organization was a big fan of the war and wrote a New York Times article, a magazine section cover story, about how we would win in Vietnam. And I didn't like that war, I thought it was stupid. And I wrote a letter to the Times, which they published, saying not everyone who works for Maxwell Taylor, if anyone remembers that name, agrees with his views. And I gave my own views ...
JS: Dlaczego? Zwolnili mnie, bo była wojna w Wietnamie. Szef szefów mojej organizacji był wielkim fanem wojen. Napisał duży artykuł w New York Timesie, jak to zwyciężymy w Wietnamie. Nie lubiłem tej wojny, uważałem, że jest głupia. Napisałem list do Timesa, który został opublikowany. Napisałem, że nie każdy, kto pracuje dla Maxwella Taylora, jeśli ktokolwiek pamięta to nazwisko, zgadza się z jego poglądami. Potem opisałem własne.
CA: Oh, OK. I can see that would --
CA: Widzę, jak to szło.
JS: ... which were different from General Taylor's. But in the end, nobody said anything. But then, I was 29 years old at this time, and some kid came around and said he was a stringer from Newsweek magazine and he wanted to interview me and ask what I was doing about my views. And I told him, "I'm doing mostly mathematics now, and when the war is over, then I'll do mostly their stuff." Then I did the only intelligent thing I'd done that day -- I told my local boss that I gave that interview. And he said, "What'd you say?" And I told him what I said. And then he said, "I've got to call Taylor." He called Taylor; that took 10 minutes. I was fired five minutes after that.
JS: Różniły się poglądów generała Taylora. Ale w końcu nikt nic nie powiedział. Wtedy miałem 29 lat i przyszedł do mnie jakiś chłopak. Powiedział, że jest niezależnym dziennikarzem z Newsweeka i chce zrobić ze mną wywiad, jak wprowadzam swoje poglądy w czyn. Powiedziałem: "Teraz zajmuję się głównie matematyką, a kiedy wojna się skończy, zajmę się głównie ich sprawami". Następnie zrobiłem jedyną inteligentną rzecz tego dnia. Powiedziałem szefowi, że dałem komuś wywiad. Zapytał: "Co powiedziałeś?". Powtórzyłem, co powiedziałem. Wtedy powiedział: "Muszę zadzwonić do Taylora". Zadzwonił do Taylora, zajęło mu to dziesięć minut. Po następnych pięciu mnie wywalił.
CA: OK.
CA: OK.
JS: But it wasn't bad.
JS: Jednak nie było źle.
CA: It wasn't bad, because you went on to Stony Brook and stepped up your mathematical career. You started working with this man here. Who is this?
CA: Nie było źle, trafiłeś do Stony Brook i rozwinąłeś karierę matematyczną. Zacząłeś pracować z tym człowiekiem. Kto to jest?
JS: Oh, [Shiing-Shen] Chern. Chern was one of the great mathematicians of the century. I had known him when I was a graduate student at Berkeley. And I had some ideas, and I brought them to him and he liked them. Together, we did this work which you can easily see up there. There it is.
JS: [Shiing-Shen] Chern. Chern był jednym z największych matematyków tamtego wieku. Poznałem go na studiach w Berkeley. Miałem parę pomysłów, pokazałem mu je i się spodobały. Wspólnie zrobiliśmy coś, co możecie zobaczyć tutaj. Tak to wyglądało.
CA: It led to you publishing a famous paper together. Can you explain at all what that work was?
CA: Ta współpraca zaprowadziła do publikacji słynnego artykułu. Możesz nam wyjaśnić, o co w ogóle chodziło?
JS: No.
JS: Nie.
(Laughter)
(Śmiech)
JS: I mean, I could explain it to somebody.
JS: Mogę wytłumaczyć to komuś.
(Laughter)
(Śmiech)
CA: How about explaining this?
CA: Jak to wyjaśnisz?
JS: But not many. Not many people.
JS: Ale niewielu. Niewielu osobom.
CA: I think you told me it had something to do with spheres, so let's start here.
CA: Chyba mówiłeś, że to ma coś wspólnego z kulami, więc zacznijmy tutaj.
JS: Well, it did, but I'll say about that work -- it did have something to do with that, but before we get to that -- that work was good mathematics. I was very happy with it; so was Chern. It even started a little sub-field that's now flourishing. But, more interestingly, it happened to apply to physics, something we knew nothing about -- at least I knew nothing about physics, and I don't think Chern knew a heck of a lot. And about 10 years after the paper came out, a guy named Ed Witten in Princeton started applying it to string theory and people in Russia started applying it to what's called "condensed matter." Today, those things in there called Chern-Simons invariants have spread through a lot of physics. And it was amazing. We didn't know any physics. It never occurred to me that it would be applied to physics. But that's the thing about mathematics -- you never know where it's going to go.
JS: Tak, miało, ale zanim do tego dojdziemy, powiem, że ta praca to dobra matematyka. Obaj byliśmy bardzo szczęśliwi. Ta praca rozpoczęła nawet rozwój poddziedziny, która teraz święci sukcesy. Ale, co interesujące, dało się to zastosować w fizyce, o której nic nie wiedzieliśmy, przynajmniej ja nic nie wiedziałem i nie sądzę, że Chern wiedział więcej. Jakieś 10 lat po tym, jak wyszedł ten artykuł, Ed Witten z Princeton zastosował go w teorii strun, a w Rosji zaczęto stosować go do czegoś zwanego "skondensowaną materią". Dzisiaj te elementy nazwane niezmiennikami Cherna-Simonsa często wykorzystuje się w fizyce. To było zdumiewające. Nie znaliśmy fizyki. Nie przyszło mi do głowy, że można to wykorzystać w fizyce. Ale to jest ważne w matematyce - nigdy nie wiadomo, dokąd dojdziesz.
CA: This is so incredible. So, we've been talking about how evolution shapes human minds that may or may not perceive the truth. Somehow, you come up with a mathematical theory, not knowing any physics, discover two decades later that it's being applied to profoundly describe the actual physical world. How can that happen?
CA: To niesamowite. Mówiliśmy o tym, jak ewolucja kształtuje ludzkie umysły, które mogą dostrzegać prawdę lub nie. Jakoś wymyśliłeś teorię matematyczną, nie znając w ogóle fizyki i dwie dekady później odkryłeś, że użyto jej, aby dogłębnie opisać aktualny świat fizyczny. Jak to się mogło stać?
JS: God knows.
JS: Bóg jeden wie.
(Laughter)
(Śmiech)
But there's a famous physicist named [Eugene] Wigner, and he wrote an essay on the unreasonable effectiveness of mathematics. Somehow, this mathematics, which is rooted in the real world in some sense -- we learn to count, measure, everyone would do that -- and then it flourishes on its own. But so often it comes back to save the day. General relativity is an example. [Hermann] Minkowski had this geometry, and Einstein realized, "Hey! It's the very thing in which I can cast general relativity." So, you never know. It is a mystery. It is a mystery.
Jest jednak słynny fizyk, nazywa się [Eugene] Wigner. Napisał esej o nieuzasadnionej skuteczności matematyki. W jakiś sposób matematyka zakorzeniona jest w prawdziwym świecie. Uczymy się liczyć, mierzyć, każdy to robi, ale potem rozwija się sama. Często jednak wraca, by uratować nam skórę. Przykładem jest teoria względności. [Hermann] Mikowski stworzył geometrię, a Einstein zauważył: "Właśnie na tym mogę osadzić teorię względności". Nigdy nic nie wiadomo. To tajemnica. To tajemnica.
CA: So, here's a mathematical piece of ingenuity. Tell us about this.
CA: To jest więc efekt matematycznej pomysłowości. Opowiedz nam o tym.
JS: Well, that's a ball -- it's a sphere, and it has a lattice around it -- you know, those squares. What I'm going to show here was originally observed by [Leonhard] Euler, the great mathematician, in the 1700s. And it gradually grew to be a very important field in mathematics: algebraic topology, geometry. That paper up there had its roots in this. So, here's this thing: it has eight vertices, 12 edges, six faces. And if you look at the difference -- vertices minus edges plus faces -- you get two. OK, well, two. That's a good number. Here's a different way of doing it -- these are triangles covering -- this has 12 vertices and 30 edges and 20 faces, 20 tiles. And vertices minus edges plus faces still equals two. And in fact, you could do this any which way -- cover this thing with all kinds of polygons and triangles and mix them up. And you take vertices minus edges plus faces -- you'll get two. Here's a different shape. This is a torus, or the surface of a doughnut: 16 vertices covered by these rectangles, 32 edges, 16 faces. Vertices minus edges comes out to be zero. It'll always come out to zero. Every time you cover a torus with squares or triangles or anything like that, you're going to get zero. So, this is called the Euler characteristic. And it's what's called a topological invariant. It's pretty amazing. No matter how you do it, you're always get the same answer. So that was the first sort of thrust, from the mid-1700s, into a subject which is now called algebraic topology.
JS: Mamy piłkę - to kula, która ma wokół siatkę, takie kwadraty. To, co chcę pokazać, zaobserwował [Leonhard] Euler, świetny matematyk z XVIII wieku. Stopniowo stało się to bardzo ważną częścią matematyki: topologią algebraiczną, geometrią. Ta praca naukowa ma w tym swoje korzenie. Chodzi o to, że ten obiekt ma osiem wierzchołków, dwanaście krawędzi i sześć ścianek. Kiedy obliczysz różnicę, wierzchołki minus krawędzie plus ścianki, otrzymujesz dwa. Dwa. To dobra cyfra. Jest też inny sposób, wykorzystujący trójkąty. Mamy 12 wierzchołków, 30 krawędzi oraz dwadzieścia ścianek, płytek. Wierzchołki minus krawędzie plus ścianki - wciąż wychodzi dwa. W rzeczywistości można tak zrobić w dowolny sposób, pokrywając to wszelkimi wielokątami i trójkątami, mieszając je. Wierzchołki minus krawędzie plus ścianki - wciąż daje dwa. Oto inny kształt. To torus, podobny do pączka z dziurką - szesnaście wierzchołków stworzonych z prostokątów, 32 krawędzie i 16 ścianek. Ścianki minus krawędzie dają zero. Tutaj zawsze wyjdzie zero. Zawsze, gdy pokryjesz torus różnymi kwadratami, trójkątami lub czymkolwiek innym, wyjdzie zero. Nazywa się to charakterystyką Eulera. Czasem też niezmiennością topologiczną. To zdumiewające. Nieważne, jak to zrobisz, wyjdzie tyle samo. To pierwsze pchnięcie w połowie XVIII wieku popchnęło do przodu temat zwany dziś niezmiennością topologiczną.
CA: And your own work took an idea like this and moved it into higher-dimensional theory, higher-dimensional objects, and found new invariances?
CA: A twoja własna praca użyła tej idei i przeniosła ją w teorię wyższych wymiarów, obiektów wielowymiarowych i znalazła nowe stałe elementy?
JS: Yes. Well, there were already higher-dimensional invariants: Pontryagin classes -- actually, there were Chern classes. There were a bunch of these types of invariants. I was struggling to work on one of them and model it sort of combinatorially, instead of the way it was typically done, and that led to this work and we uncovered some new things. But if it wasn't for Mr. Euler -- who wrote almost 70 volumes of mathematics and had 13 children, who he apparently would dandle on his knee while he was writing -- if it wasn't for Mr. Euler, there wouldn't perhaps be these invariants.
JS: Tak. Wcześniej znano stałe elementy wyższych wymiarów: klasy Pontryagina, tak naprawdę to klasy Cherna. Było kilka rodzajów takich stałych. Miałem problemy z jedną z nich i modelowałem je raczej kombinatorycznie, czyli nie w sposób, w jaki odbywa się to zazwyczaj. To zaprowadziło do naszej pracy, odkryliśmy trochę nowych rzeczy. Ale gdyby nie było Eulera, który napisał prawie 70 tomów o matematyce i miał 13 dzieci, które najwyraźniej niańczył na swoim kolanie podczas pisania, gdyby nie było Eulera, prawdopodobnie nie byłoby tych stałych.
CA: OK, so that's at least given us a flavor of that amazing mind in there. Let's talk about Renaissance. Because you took that amazing mind and having been a code-cracker at the NSA, you started to become a code-cracker in the financial industry. I think you probably didn't buy efficient market theory. Somehow you found a way of creating astonishing returns over two decades. The way it's been explained to me, what's remarkable about what you did wasn't just the size of the returns, it's that you took them with surprisingly low volatility and risk, compared with other hedge funds. So how on earth did you do this, Jim?
CA: To daje nam chociaż mały wgląd w ten wspaniały umysł. Porozmawiajmy o Renaissance. Ponieważ miałeś niesamowity umysł i byłeś łamaczem kodów w NSA, zacząłeś pracować jako łamacz kodów w przemyśle finansowym. Prawdopodobnie nie kupiłeś teorii efektywnego rynku, ale jakoś znalazłeś sposób na osiąganie ogromnych zysków przez dwadzieścia lat. Wyjaśniono mi, że niezwykła w twojej pracy jest nie tylko wielkość zysków, ale to, że wytworzyłeś je z bardzo niskim ryzykiem i zmiennością w porównaniu do funduszy hedgingowych. W jaki sposób to zrobiłeś, Jim?
JS: I did it by assembling a wonderful group of people. When I started doing trading, I had gotten a little tired of mathematics. I was in my late 30s, I had a little money. I started trading and it went very well. I made quite a lot of money with pure luck. I mean, I think it was pure luck. It certainly wasn't mathematical modeling. But in looking at the data, after a while I realized: it looks like there's some structure here. And I hired a few mathematicians, and we started making some models -- just the kind of thing we did back at IDA [Institute for Defense Analyses]. You design an algorithm, you test it out on a computer. Does it work? Doesn't it work? And so on.
JS: Zrobiłem to, łącząc wspaniałą grupę ludzi. Kiedy zaczynałem handlować, byłem trochę zmęczony matematyką. Miałem trzydzieści kilka lat i bardzo mało pieniędzy. Zacząłem grać i wyszło nieźle. Zarobiłem sporo pieniędzy dzięki czystemu szczęściu. Sądzę, że to było tylko szczęście. Nie modelowałem tego matematycznie. Patrząc na dane, po chwili zdałem sobie sprawę: to wygląda na jakąś strukturę. Zatrudniłem kilku matematyków, zaczęliśmy tworzyć modele, takie same, jak w IDA, Instytucie Analiz Obronnych. Tworzysz algorytm i przepuszczasz przez komputer. Działa? Nie działa? I tak dalej.
CA: Can we take a look at this? Because here's a typical graph of some commodity. I look at that, and I say, "That's just a random, up-and-down walk -- maybe a slight upward trend over that whole period of time." How on earth could you trade looking at that, and see something that wasn't just random?
CA: Czy możemy na to spojrzeć? Oto typowy wykres jakiegoś towaru. Patrzę na to i stwierdzam: "To jest losowe, idzie w górę lub dół, może przez cały okres ma niewielką tendencję wzrostową". Jak można handlować za pomocą tego i zobaczyć coś, co nie jest przypadkowe?
JS: In the old days -- this is kind of a graph from the old days, commodities or currencies had a tendency to trend. Not necessarily the very light trend you see here, but trending in periods. And if you decided, OK, I'm going to predict today, by the average move in the past 20 days -- maybe that would be a good prediction, and I'd make some money. And in fact, years ago, such a system would work -- not beautifully, but it would work. You'd make money, you'd lose money, you'd make money. But this is a year's worth of days, and you'd make a little money during that period. It's a very vestigial system.
JS: W dawnych czasach - to rodzaj wykresu z dawnych lat - towary lub waluty miały tendencję do trendów. Niekoniecznie do bardzo słabych tendencji takich jak ta, ale trendów okresowych. Jeśli zdecydowałeś: "Dzisiaj będę przewidywał na podstawie zmian z ostatnich 20 dni", być może będzie to dobra prognoza, a ja zarobię trochę pieniędzy. Tak naprawdę lata temu taki system by zadziałał, nie idealnie, ale by działał. Zarabiasz kasę, tracisz i znowu zarabiasz. Ale jeśli podsumować wszystkie dni w roku, zarobek wyjdzie bardzo mały. To bardzo szczątkowy system.
CA: So you would test a bunch of lengths of trends in time and see whether, for example, a 10-day trend or a 15-day trend was predictive of what happened next.
CA: Przetestowałbyś więc kilka odcinków trendów czasowych, aby zobaczyć na przykład, co się stanie dalej - trend będzie dziesięcio-, czy piętnastodniowy?
JS: Sure, you would try all those things and see what worked best. Trend-following would have been great in the '60s, and it was sort of OK in the '70s. By the '80s, it wasn't.
JS: Przetestowałbym to wszystko i odkrył, co działa najlepiej. Śledzenie trendów działało świetnie w latach 60. Było w porządku w latach 70., ale w 80. już nie.
CA: Because everyone could see that. So, how did you stay ahead of the pack?
CA: Ponieważ każdy to widział. Jak więc pozostałeś na czele?
JS: We stayed ahead of the pack by finding other approaches -- shorter-term approaches to some extent. The real thing was to gather a tremendous amount of data -- and we had to get it by hand in the early days. We went down to the Federal Reserve and copied interest rate histories and stuff like that, because it didn't exist on computers. We got a lot of data. And very smart people -- that was the key. I didn't really know how to hire people to do fundamental trading. I had hired a few -- some made money, some didn't make money. I couldn't make a business out of that. But I did know how to hire scientists, because I have some taste in that department. So, that's what we did. And gradually these models got better and better, and better and better.
JS: Zostaliśmy na czele, znajdując inne podejścia, do jakiegoś stopnia krótkoterminowe. Chodziło o to, by zebrać ogromną ilość danych i na początku musieliśmy robić to ręcznie. Poszliśmy do Rezerw Federalnych, kopiowaliśmy historie stóp procentowych i tego typu rzeczy, bo tego nie było w komputerze. Mieliśmy dużo danych I bardzo mądrych ludzi - to był klucz. Tak naprawdę nie wiedziałem, jak zatrudnić ludzi do głównej pracy. Zatrudniłem paru, niektórzy zarabiali, inni nie. Z tego nie da się zrobić biznesu. Wiedziałem jednak, jak zatrudnić naukowców, miałem wyczucie w tej dziedzinie. To właśnie zrobiliśmy. Stopniowo te modele stawały się coraz lepsze, lepsze i lepsze.
CA: You're credited with doing something remarkable at Renaissance, which is building this culture, this group of people, who weren't just hired guns who could be lured away by money. Their motivation was doing exciting mathematics and science.
CA: Przypisuje ci się stworzenie w Renaissance czegoś znaczącego, stworzenia kultury - grupy ludzi, którzy nie byli tylko najemnikami skuszonymi pieniędzmi. Ich motywacją było wykorzystywanie ekscytującej matematyki oraz nauki.
JS: Well, I'd hoped that might be true. But some of it was money.
JS: Miałem nadzieję, że to prawda. Pieniądze jednak też grały rolę.
CA: They made a lot of money.
CA: Zarobili dużo pieniędzy.
JS: I can't say that no one came because of the money. I think a lot of them came because of the money. But they also came because it would be fun.
JS: Nie twierdzę, że nikt nie przyszedł dla kasy. Myślę, że wielu przyszło z tego powodu, ale też dlatego, że to była zabawa.
CA: What role did machine learning play in all this?
CA: Jaką rolę w tym odegrało uczenie maszynowe?
JS: In a certain sense, what we did was machine learning. You look at a lot of data, and you try to simulate different predictive schemes, until you get better and better at it. It doesn't necessarily feed back on itself the way we did things. But it worked.
JS: W pewnym sensie to, co zrobiliśmy, to uczenie maszynowe. Patrzysz na dane, symulujesz różne przewidywalne schematy, aż będziesz w tym coraz lepszy. Ta metoda niekoniecznie uczy się na swoich błędach. Ale działała.
CA: So these different predictive schemes can be really quite wild and unexpected. I mean, you looked at everything, right? You looked at the weather, length of dresses, political opinion.
CA: Różne przewidywalne schematy mogą być naprawdę nieprzewidywalne. Mierzyliście wszystko, prawda? Patrzyliście na pogodę, długość sukienek i nastroje polityczne.
JS: Yes, length of dresses we didn't try.
JS: Długości sukienek nie próbowaliśmy.
CA: What sort of things?
CA: Jakiego rodzaju rzeczy mierzyliście?
JS: Well, everything. Everything is grist for the mill -- except hem lengths. Weather, annual reports, quarterly reports, historic data itself, volumes, you name it. Whatever there is. We take in terabytes of data a day. And store it away and massage it and get it ready for analysis. You're looking for anomalies. You're looking for -- like you said, the efficient market hypothesis is not correct.
JS: Właściwie wszystko. Wszystko to woda na młyn, za wyjątkiem spódnic. Pogoda, raporty roczne, kwartalne, dane historyczne, różne woluminy, co tylko chcesz. Co się da. Zbieramy terabajty danych dziennie. Magazynujemy je, porządkujemy i przygotowujemy do analizy, Szukamy anomalii. Jak powiedziałeś, hipoteza efektywnego rynku jest błędna.
CA: But any one anomaly might be just a random thing. So, is the secret here to just look at multiple strange anomalies, and see when they align?
CA: Każda anomalia jednak może być tylko losową sprawą. Sekret tkwi więc wyłącznie w szukaniu zwielokrotnionej anomalii i czekaniu na wyrównanie?
JS: Any one anomaly might be a random thing; however, if you have enough data you can tell that it's not. You can see an anomaly that's persistent for a sufficiently long time -- the probability of it being random is not high. But these things fade after a while; anomalies can get washed out. So you have to keep on top of the business.
JS: Każda anomalia może być przypadkowa, ale jeśli masz wystarczająco dużo danych, można to sprawdzić. Można szukać anomalii, które trwają dostatecznie długo. Prawdopodobieństwo ich przypadkowości nie jest duże. Jednak po pewnym czasie znikają, anomalie mogą zniknąć. Trzeba pilnować interesu.
CA: A lot of people look at the hedge fund industry now and are sort of ... shocked by it, by how much wealth is created there, and how much talent is going into it. Do you have any worries about that industry, and perhaps the financial industry in general? Kind of being on a runaway train that's -- I don't know -- helping increase inequality? How would you champion what's happening in the hedge fund industry?
CA: Wielu ludzi patrzy na rynek funduszy hedgingowych i są w pewien sposób... zszokowani tym, jak wiele bogactwa tam się tworzy i ile talentu jest w to włożone. Czy masz jakieś obawy dotyczące branży, być może całego przemysłu finansowego? Czy to nie pociąg-widmo, który zwiększa nierówności? Co masz na obronę tego, co dzieje się w przemyśle funduszy hedgingowych?
JS: I think in the last three or four years, hedge funds have not done especially well. We've done dandy, but the hedge fund industry as a whole has not done so wonderfully. The stock market has been on a roll, going up as everybody knows, and price-earnings ratios have grown. So an awful lot of the wealth that's been created in the last -- let's say, five or six years -- has not been created by hedge funds. People would ask me, "What's a hedge fund?" And I'd say, "One and 20." Which means -- now it's two and 20 -- it's two percent fixed fee and 20 percent of profits. Hedge funds are all different kinds of creatures.
JS: Sądzę, że przez ostatnie 3 - 4 lata fundusze nie radziły sobie najlepiej. Nam poszło świetnie, ale cała branża hedgingowa nie radzi sobie tak dobrze. Giełda była na fali, każdy widział, jak wzrastała, a wskaźnik ceny do zysku rósł. Strasznie dużo bogactwa powstałego przez ostatnie 5 - 6 lat nie powstało dzięki takim funduszom. Ludzie pytają mnie: "Co to jest fundusz hedgingowy?". Odpowiadam: "Jeden i 20". Dziś to "dwa i 20": 2% opłaty stałej i 20% zysków. Każdy fundusz jest inny.
CA: Rumor has it you charge slightly higher fees than that.
CA: Plotka głosi, że pobierasz troszkę większe opłaty.
JS: We charged the highest fees in the world at one time. Five and 44, that's what we charge.
JS: W tamtym czasie pobieraliśmy najwyższe opłaty na świecie. Pobieraliśmy pięć i 44.
CA: Five and 44. So five percent flat, 44 percent of upside. You still made your investors spectacular amounts of money.
CA: Pięć i 44. 5% opłaty stałej i 44% zysków. Inwestorzy wciąż spektakularnie zarabiają.
JS: We made good returns, yes. People got very mad: "How can you charge such high fees?" I said, "OK, you can withdraw." But "How can I get more?" was what people were --
JS: Mamy dobre wyniki, to prawda. Ludzie wściekają się na tak wysokie opłaty. "Zawsze możecie się wycofać". Na co oni: "Jak mogę kupić więcej?".
(Laughter)
(Śmiech)
But at a certain point, as I think I told you, we bought out all the investors because there's a capacity to the fund.
Chyba mówiłem, że w pewnym momencie wykupiliśmy wszystkich inwestorów, bo było nas na to stać.
CA: But should we worry about the hedge fund industry attracting too much of the world's great mathematical and other talent to work on that, as opposed to the many other problems in the world?
CA: Czy należy bać się o rynek funduszy hedgingowych, który przyciąga wielu utalentowanych ludzi i najlepszych światowych matematyków do pracy nad tym, zamiast na rzecz innych światowych problemów?
JS: Well, it's not just mathematical. We hire astronomers and physicists and things like that. I don't think we should worry about it too much. It's still a pretty small industry. And in fact, bringing science into the investing world has improved that world. It's reduced volatility. It's increased liquidity. Spreads are narrower because people are trading that kind of stuff. So I'm not too worried about Einstein going off and starting a hedge fund.
JS: To nie tylko matematycy. Zatrudniamy astronomów, fizyków i różnych takich. Nie sądzę, że trzeba się tym przejmować. To cały czas mała branża. Tak naprawdę włączenie nauki w świat inwestycji ulepszyło nasz świat. Ograniczyło niestabilność i zwiększyło płynność. Spready są mniejsze, bo ludzie zaczęli kupować tego typu rzeczy. Nie boję się, że jakiś Einstein założy fundusz.
CA: You're at a phase in your life now where you're actually investing, though, at the other end of the supply chain -- you're actually boosting mathematics across America. This is your wife, Marilyn. You're working on philanthropic issues together. Tell me about that.
CA: Na obecnym etapie życia zajmujesz się głównie inwestowaniem, ale na drugim końcu łańcucha dostaw wspierasz matematyków w całej Ameryce. To twoja żona, Marilyn. Pracujecie razem w filantropii. Odpowiedz mi o tym.
JS: Well, Marilyn started -- there she is up there, my beautiful wife -- she started the foundation about 20 years ago. I think '94. I claim it was '93, she says it was '94, but it was one of those two years.
JS: Marilyn stworzyła... Tu widać ją na górze, to moja piękna żona. Stworzyła fundację jakieś 20 lat temu. Sądzę, że w 1994 roku. Obstawiam rok 1993, ona 1994. W każdym razie w którymś z tych dwóch.
(Laughter)
(Śmiech)
We started the foundation, just as a convenient way to give charity. She kept the books, and so on. We did not have a vision at that time, but gradually a vision emerged -- which was to focus on math and science, to focus on basic research. And that's what we've done. Six years ago or so, I left Renaissance and went to work at the foundation. So that's what we do.
Uruchomiliśmy fundację jako wygodny sposób na przekazywanie funduszy charytatywnych. Żona robiła buchalterię. Z początku nie mieliśmy pomysłu, ale stopniowo się pojawił: skupiliśmy się na matematyce i fizyce, na badaniach podstawowych. To robiliśmy. Sześć lat temu opuściłem Renaissance i rozpocząłem pracę w fundacji. Tym się zajmujemy.
CA: And so Math for America is basically investing in math teachers around the country, giving them some extra income, giving them support and coaching. And really trying to make that more effective and make that a calling to which teachers can aspire.
CA: "Matematyka dla Ameryki" zasadniczo inwestuje w nauczycieli matematyki z całego kraju, dając im dodatkowe dochody, wsparcie i trening. Próbuje stworzyć skuteczniejsze nauczanie stworzyć powołanie, do którego warto aspirować.
JS: Yeah -- instead of beating up the bad teachers, which has created morale problems all through the educational community, in particular in math and science, we focus on celebrating the good ones and giving them status. Yeah, we give them extra money, 15,000 dollars a year. We have 800 math and science teachers in New York City in public schools today, as part of a core. There's a great morale among them. They're staying in the field. Next year, it'll be 1,000 and that'll be 10 percent of the math and science teachers in New York [City] public schools.
JS: Zamiast wytykać złych nauczycieli, co powoduje problemy moralne w całej społeczności pedagogicznej, szczególnie w naukach ścisłych, skupiamy się na wspieraniu dobrych i nadawaniu im statusu. Tak, dajemy im pieniądze, 15 000 dolarów rocznie. Mamy 800 nauczycieli nauk ścisłych w publicznych szkołach Nowego Jorku, którzy są częścią programu. Morale jest wspaniałe. Zostają w szkołach. Za rok będzie ich tysiąc, czyli 10% wszystkich nauczycieli nauk ścisłych w publicznych szkołach Nowego Jorku.
(Applause)
(Brawa)
CA: Jim, here's another project that you've supported philanthropically: Research into origins of life, I guess. What are we looking at here? JS: Well, I'll save that for a second. And then I'll tell you what you're looking at. Origins of life is a fascinating question. How did we get here? Well, there are two questions: One is, what is the route from geology to biology -- how did we get here? And the other question is, what did we start with? What material, if any, did we have to work with on this route? Those are two very, very interesting questions. The first question is a tortuous path from geology up to RNA or something like that -- how did that all work? And the other, what do we have to work with? Well, more than we think. So what's pictured there is a star in formation. Now, every year in our Milky Way, which has 100 billion stars, about two new stars are created. Don't ask me how, but they're created. And it takes them about a million years to settle out. So, in steady state, there are about two million stars in formation at any time. That one is somewhere along this settling-down period. And there's all this crap sort of circling around it, dust and stuff. And it'll form probably a solar system, or whatever it forms. But here's the thing -- in this dust that surrounds a forming star have been found, now, significant organic molecules. Molecules not just like methane, but formaldehyde and cyanide -- things that are the building blocks -- the seeds, if you will -- of life. So, that may be typical. And it may be typical that planets around the universe start off with some of these basic building blocks. Now does that mean there's going to be life all around? Maybe. But it's a question of how tortuous this path is from those frail beginnings, those seeds, all the way to life. And most of those seeds will fall on fallow planets.
CA: Jim, oto inny projekt, który wspierasz jako filantrop, badanie początków życia. Co tu widzimy? JS: Odpowiem za chwilę. Wtedy powiem ci, co widzimy. Początki życia to fascynujące zagadnienie. Skąd się wzięliśmy. Mamy dwa pytania. Pierwsze to droga od geologii do biologii, jak tu doszliśmy? Kolejne brzmi: od czego zaczynaliśmy? Czy z czymś po drodze pracowaliśmy? To są dwa bardzo interesujące pytania. Pierwsze pytanie to kręta ścieżka od geologii do RNA lub czegoś podobnego - jak to wszystko działa. I drugie, jaki był materiał wyjściowy. Było tego więcej, niż nam się wydaje. Na tym zdjęciu widać formowanie się gwiazdy. Każdego roku na Drodze Mlecznej, która zawiera 100 miliardów gwiazd, tworzą się dwie nowe. Nie wiem jak, ale się tworzą. Osadzenie zajmuje im około miliona lat. W stanie ustalonym mamy około dwa miliona gwiazd, które cały czas się formują. Ta jeszcze się osadza. Wokół niej krążą te śmiecie, kurz i reszta. To prawdopodobnie stworzy system słoneczny. Chodzi o to, że w kurzu okalającym formującą się gwiazdę znaleziono niedawno znaczące cząstki organiczne. Molekuły nie tylko takie jak metan, ale i formaldehyd, i cyjanek - elementy będące cegiełkami, czy nasionami życia. To może być typowe. To może być typowe, że planety w całym Wszechświecie zaczynają z paroma podstawowymi cegiełkami. Czy to oznacza, że tam wszędzie będzie życie? Być może. Pytanie brzmi jednak, ja kręta jest ścieżka od delikatnych nasion do życia. Większość z tych nasion spadnie na planety-nieużytki.
CA: So for you, personally, finding an answer to this question of where we came from, of how did this thing happen, that is something you would love to see.
CA: Dla ciebie, osobiście, znalezienie odpowiedzi na pytanie, skąd pochodzimy i jak to wszystko się stało - coś takiego chciałbyś zobaczyć.
JS: Would love to see. And like to know -- if that path is tortuous enough, and so improbable, that no matter what you start with, we could be a singularity. But on the other hand, given all this organic dust that's floating around, we could have lots of friends out there. It'd be great to know.
JS: Chciałbym to zobaczyć. Chciałbym wiedzieć, czy ta ścieżka jest na tyle kręta i nieprawdopodobna, że niezależnie od miejsca startu, możemy być osobliwością. Ale z drugiej strony, biorąc pod uwagę organiczy kurz, który lata sobie wokół, możemy mieć tam gdzieś wielu przyjaciół. Dobrze byłoby wiedzieć.
CA: Jim, a couple of years ago, I got the chance to speak with Elon Musk, and I asked him the secret of his success, and he said taking physics seriously was it. Listening to you, what I hear you saying is taking math seriously, that has infused your whole life. It's made you an absolute fortune, and now it's allowing you to invest in the futures of thousands and thousands of kids across America and elsewhere. Could it be that science actually works? That math actually works?
CA: Kilka lat temu rozmawiałem z Elonem Muskiem. Zapytałem go o sekret sukcesu, a on odparł, że było to branie fizyki na poważnie. Słuchając ciebie, widzę, że wziąłeś matematykę na poważnie, wpłynęła ona na całe twoje życie. Dała ci ogromny majątek i pozwala ci aktualnie inwestować w przyszłość tysięcy dzieci w całej Ameryce i poza nią. Czy to możliwe, że nauka naprawdę działa? Czy matematyka naprawdę działa?
JS: Well, math certainly works. Math certainly works. But this has been fun. Working with Marilyn and giving it away has been very enjoyable.
JS: Matematyka na pewno działa. Ale to była zabawa. Praca z Marilyn i rozdawanie było bardzo przyjemne.
CA: I just find it -- it's an inspirational thought to me, that by taking knowledge seriously, so much more can come from it. So thank you for your amazing life, and for coming here to TED.
CA: To dla mnie inspirująca myśl, branie wiedzy na poważnie może przynieść zdecydowanie więcej. Dziękuję więc za twoje życie i przyjście tutaj, na scenę TED.
Thank you.
Dziękuję.
Jim Simons!
Jim Simons!
(Applause)
(Brawa)