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: O senhor é um fenómeno da matemática. Era muito novo, quando ensinou em Harvard e no MIT. Depois foi chamado pela NSA. Como é que foi isso?
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: Bem a NSA, a National Security Agency, não me chamou, propriamente. Tinham uma operação em Princeton, onde contratavam matemáticos para atacar códigos secretos e coisas como essas. Eu sabia que eles existiam. Tinham uma política muito boa porque dispúnhamos de metade do tempo para a nossa matemática e, pelo menos, metade do nosso tempo a trabalhar nessas coisas. E pagavam muito bem. Era uma oportunidade irresistível. Portanto, fui para lá.
CA: You were a code-cracker.
- O senhor era um decifrador de códigos. - Pois era.
JS: I was.
- Até ser despedido. - Pois, fui despedido, sim.
CA: Until you got fired.
JS: Well, I did get fired. Yes.
CA: How come?
- Como é que isso aconteceu? - Como é que aconteceu?
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 ...
Fui despedido porque estava a decorrer a Guerra do Vietname e o chefão dos chefes da minha organização era um grande adepto da guerra e escreveu um artigo no New York Times, na primeira página da revista sobre como podíamos ganhar no Vietname. Eu não gostava daquela guerra. Achava que era uma guerra estúpida. Escrevi uma carta ao Times, que eles publicaram, dizendo que nem toda a gente que trabalhava para Maxwell Taylor, — se é que alguém se lembra do nome dele — concordava com a opinião dele. E dava a minha opinião...
CA: Oh, OK. I can see that would --
CA: Oh, ok. Calculo que isso...
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: ... que era diferente da do general Taylor. Mas, afinal, ninguém comentou nada. Depois, eu tinha 29 anos nessa altura, apareceu-me um miúdo que disse que era "freelancer" da revista Newsweek, queria entrevistar-me e perguntou-me o que é que eu estava a fazer quanto à minha opinião. Eu disse-lhe: "Agora, faço sobretudo matemática, "e, quando a guerra acabar, vou continuar a fazer isso". Depois, fiz a única coisa inteligente naquele dia. Disse ao meu chefe local que tinha dado aquela entrevista e ele disse: "O que é que disseste?" E eu disse-lhe o que tinha dito. E ele disse: "Tenho que falar com Taylor". Ligou para Taylor e demorou 10 minutos. Fui despedido cinco minutos depois.
CA: OK.
CA: Ok.
JS: But it wasn't bad.
JS: Mas não foi mau de todo.
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: Não foi mau, porque o senhor foi para Stony Brook e avançou na sua carreira de matemático. Começou a trabalhar com este homem. Quem é ele?
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: Oh, é Chern. Chern foi um dos grandes matemáticos do século. Conheci-o quando eu estava a fazer a licenciatura em Berkeley. Eu tinha umas ideias, mostrei-lhas e ele gostou delas. Em conjunto, fizemos esse trabalho como podemos ver ali em cima. Lá está ele.
CA: It led to you publishing a famous paper together. Can you explain at all what that work was?
CA: Levou-os a publicarem em conjunto um documento famoso. Pode explicar-nos que trabalho foi esse?
JS: No.
JS: Não.
(Laughter)
(Risos)
JS: I mean, I could explain it to somebody.
JS: Quer dizer, posso explicá-lo a algumas pessoas...
(Laughter)
(Risos)
CA: How about explaining this?
CA: Que tal explicá-lo aqui?
JS: But not many. Not many people.
JS: ... mas não a muitas pessoas, não.
CA: I think you told me it had something to do with spheres, so let's start here.
CA: O senhor disse-me que tinha a ver com esferas por isso, podemos começar por aí.
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: Pois disse, em relação a esse trabalho, disse que tinha a ver com isso mas, antes de lá chegarmos, aquele trabalho era boa matemática. Senti-me muito satisfeito com isso e Chern também. Até deu início a um subcampo que está agora florescente. Mas, o mais interessante, é que aplicou-se à física, uma coisa de que nem suspeitávamos, pelo menos eu não sabia nada de física, e penso que Chern também tinha muita dificuldade. Cerca de 10 anos depois de ter sido publicado o documento, um tipo chamado Ed Witten, em Princeton, começou a aplicá-lo à teoria das cordas e os russos começaram a aplicá-lo ao que se chama a "matéria condensada". Atualmente, essas coisas chamadas invariantes Chern-Simons espalharam-se pela física. Foi assombroso. Nós não sabíamos física. Nunca me passou pela cabeça que ia ser aplicado na física. Mas a matemática é assim, nunca se sabe onde vai parar.
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: Isso é incrível. Temos estado a falar de como a evolução modela o espírito humano que pode aperceber-se ou não da verdade. O senhor aparece com uma teoria matemática, sem saber nada de física, e descobre, 20 anos depois, que ela está a ser aplicada para descrever com profundidade o mundo físico. - Como é que isso pode acontecer? - Sabe-se lá.
JS: God knows.
(Laughter)
(Risos)
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.
Mas há um físico famoso, chamado Wigner, que escreveu um ensaio sobre a absurda eficácia da matemática. Não se sabe como, esta matemática, que está enraizada no mundo real, — aprendemos a contar, a medir, toda a gente faz isso — floresce por si mesma. E, com frequência, produz resultados inesperados. A relatividade geral é um exemplo desses. Minkowski tinha aquela geometria e Einstein percebeu: "Ei! É mesmo a coisa em que posso encaixar a relatividade geral". Portanto, nunca se sabe. É um mistério. É um mistério.
CA: So, here's a mathematical piece of ingenuity. Tell us about this.
CA: Isto é uma peça matemática muito engenhosa. Fale-nos dela.
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: Bem, é uma bola, é uma esfera, e tem uma rede em volta dela, está a ver, aqueles quadrados. O que vou mostrar aqui foi observado inicialmente por Euler, o grande matemático, no século XVIII. A pouco e pouco, foi-se tornando num importante campo da matemática: a topologia algébrica, a geometria. Aquele documento ali em cima assenta nisto. Portanto, a coisa é esta: tem 8 vértices, 12 arestas, 6 faces. Se olharmos para as diferenças — os vértices menos as arestas, mais as faces — obtemos dois. Ok, dois. É um número bonito. Esta é outra maneira de fazer o mesmo. Estes são triângulos que a cobrem. Há 12 vértices e 30 arestas, 20 faces — 20 triângulos. Os vértices, menos as arestas, mais as faces também é igual a dois. Na realidade, podemos fazer isto, seja como for, cobrir esta coisa com todo o tipo de polígonos e triângulos e misturá-los. Calculamos os vértices menos as arestas, mais as faces, obtemos sempre dois. Esta é uma configuração diferente. Isto é um toro, parece a superfície de um "donut": 16 vértices, cobertos por estes retângulos, 32 arestas, 16 faces. [V - A + F = 0] Dá sempre o resultado zero, vértices, menos arestas, mais faces Sempre que cobrimos um toro com quadrados ou triângulos ou qualquer coisa dessas, vamos obter zero. Isto chama-se a característica de Euler. É aquilo a que se chama uma invariante topológica. É espantosa. Façamos o que fizermos, obtemos sempre a mesma resposta. Portanto, este foi o primeiro impulso, em meados do século XVIII, num assunto que agora se chama topologia algébrica.
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: O seu trabalho foi agarrar numa ideia dessas e transformá-la numa teoria de dimensão mais elevada, em objetos de maior dimensão e descobrir novas invariantes?
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: Foi. Já havia invariantes de maior dimensão: as classes de Pontryagin, as classes de Chern. Havia um punhado desses tipos de invariantes. Eu tentei trabalhar num deles e criar um modelo envolvendo uma combinação de elementos, em vez da forma como era feito habitualmente. Isso levou a este trabalho e descobrimos coisas novas. Mas se não fosse o Sr. Euler — que escreveu quase 70 volumes de matemática, teve 13 filhos que, segundo parece, brincavam nos joelhos dele, enquanto ele escrevia — se não fosse o Sr. Euler, talvez não houvesse estas invariantes.
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: Bem, isso, pelo menos, deu-nos um pequeno perfume desse espírito notável. Falemos da Renaissance. Com o seu espírito espantoso e, dado ter sido decifrador de códigos na NSA, o senhor começou a decifrar códigos na indústria financeira. Penso que o senhor não deve ter acreditado numa teoria de mercado eficaz. De certo modo, o senhor descobriu uma forma de criar lucros espantosos durante 20 anos. Segundo me explicaram, o espantoso é que o senhor não se limitou à dimensão dos lucros, o senhor assumiu-os com uma volatilidade e um risco surpreendentemente baixos, em comparação com outros fundos de cobertura. Como é que conseguiu isso, 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: Consegui-o, reunindo um grupo espantoso de pessoas. Quando comecei a negociar, eu estava a ficar um pouco cansado da matemática. Estava a aproximar-me dos 40 anos, tinha pouco dinheiro. Comecei a negociar e saí-me muito bem. Ganhei muito dinheiro, puramente à sorte. Acho que foi puramente à sorte. De certeza que não foi com nenhum modelo matemático. Mas, ao olhar para os dados, ao fim de um tempo, percebi: parece que há aqui qualquer estrutura. Contratei matemáticos e começámos a fazer modelos. o tipo de coisas que tínhamos feito no Instituto para Análise da Defesa, o IDA Concebemos um algoritmo, testamo-lo num computador. Funciona? Não funciona? Etc.
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: Podemos dar uma vista de olhos nisso? Porque temos aqui um gráfico vulgar de um bem qualquer Olho para ele e digo: "Isto é aleatório, sobe e desce, "talvez uma leve tendência para cima, ao longo daquele período de tempo". Como é possível negociar, a olhar para aquilo e ver qualquer coisa que não seja apenas aleatório?
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: Antigamente — este é o tipo de gráfico de antigamente — os bens ou as divisas tinham uma evolução tendencial. Não propriamente a tendência muito ténue que aqui vemos, mas uma tendência por períodos. Se eu decidir que vou prever hoje segundo o movimento médio dos últimos 20 dias, talvez seja uma boa previsão, e eu ganhe dinheiro. Na realidade, há uns anos, esse sistema podia funcionar, não de forma impecável, mas funcionava. Ganhava-se dinheiro, perdia-se dinheiro, ganhava-se dinheiro. Mas era uma questão de dias num ano e ganhávamos algum dinheiro, durante esse período. É um sistema muito baseado em indícios.
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: Portanto, o senhor testava uma série de tendências ao longo do tempo e via se, por exemplo, a tendência de 10 dias, ou de 15 dias, era prenúncio do que aconteceria a seguir.
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: Claro, nós tentávamos tudo isso e víamos qual funcionava melhor. O acompanhamento das tendências funcionou otimamente nos anos 60 e esteve mais ou menos bem nos anos 70. Nos anos 80, já não resultava.
CA: Because everyone could see that. So, how did you stay ahead of the pack?
CA: Porque já toda a gente sabia disso. Como é que conseguiu passar à frente da multidão?
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: Passámos à frente da multidão, descobrindo outras abordagens, abordagens de prazo mais curto, em certa medida. A coisa era reunir uma tremenda quantidade de dados — e, naquela altura, era tudo feito à mão. Íamos ao Federal Reserve e copiávamos histórias de taxas de juros e coisas dessas, porque não existiam computadores. Tínhamos montes de dados e pessoas muito inteligentes, a chave era essa. Eu não sabia como contratar pessoas para as negociações fundamentais. Contratei algumas — umas faziam dinheiro, outras não faziam dinheiro. Não podia negociar assim. Mas sabia como contratar cientistas, porque tenho algum faro nesse campo. Foi o que fizemos. A pouco e pouco, os modelos foram ficando cada vez melhores, cada vez melhores.
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: Tem o mérito de ter feito uma coisa espantosa na Renaissance, criar essa cultura, esse grupo de pessoas, que não eram só "mercenários" que se iriam embora só por dinheiro. A motivação delas era fazer matemática e ciência excitantes.
JS: Well, I'd hoped that might be true. But some of it was money.
JS: Eu tinha esperança que isso acontecesse. Mas também era por dinheiro.
CA: They made a lot of money.
CA: Elas ganharam muito dinheiro.
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: Não posso dizer que ninguém veio por dinheiro. Acho que muitos deles vieram por dinheiro. Mas também vieram porque ia ser divertido.
CA: What role did machine learning play in all this?
CA: Que papel desempenhou a aprendizagem de máquinas em tudo isso?
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: Em certo sentido, o que fizemos foi aprendizagem de máquinas. Olhamos para uma data de dados e tentamos simular diferentes esquemas de previsão, até sermos cada vez melhores nisso. Não havia propriamente um "feedback" na forma como fazíamos, mas funcionava.
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: Então, esses diferentes esquemas de previsão podem ser inesperados. Ou seja, vocês olhavam para tudo, não era? Olhavam para o tempo, para o comprimento das saias, para a opinião pública.
JS: Yes, length of dresses we didn't try.
JS: Bem, essa do comprimento das saias não experimentámos.
CA: What sort of things?
CA: Que tipo de coisas?
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: Tudo. Tudo servia para alimentar a máquina, exceto o comprimento das bainhas. O tempo, os relatórios anuais, os relatórios trimestrais, os dados históricos, os volumes, etc. Tudo e mais alguma coisa. Obtínhamos "terabytes" de dados todos os dias. Não os púnhamos de lado, manipulávamo-los e preparávamo-los para análise. Procurávamos anomalias. Conforme você disse, víamos se a hipótese do mercado eficaz não estava correta.
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: Mas qualquer anomalia podia ser apenas uma coisa aleatória. O segredo é procurar apenas múltiplas anomalias estranhas e ver como elas se alinham?
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: Qualquer anomalia pode ser uma coisa aleatória. Mas, se tivermos dados suficientes, podemos dizer se não é. Se encontrarmos uma anomalia persistente durante tempo suficiente, a probabilidade de ser aleatória é muito baixa. Mas se essas coisas desaparecem após algum tempo, as anomalias são postas de lado.
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?
Temos que nos manter sempre atentos aos negócios. CA: Muita gente olha agora para a indústria dos fundos de cobertura e sente-se chocada pela quantidade de riqueza que gera e quanto talento consome. Sente-se preocupado com esta indústria e com a indústria financeira, em geral? Por estar numa espécie de corrida desenfreada que, sei lá, ajuda a aumentar a desigualdade? Como defenderia o que está a acontecer?
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: Penso que, nos últimos três ou quatro anos, os fundos de cobertura não têm estado especialmente bem. Nós temos estado bem, mas a indústria dos fundos de cobertura, no seu conjunto, não tem estado muito bem. O mercado de ações tem andado sobre rodas, como toda a gente sabe, e os rácios preços-rendimentos têm aumentado. Portanto, uma grande parte da riqueza que tem sido criada nos últimos cinco ou seis anos, não foi criada pelos fundos de cobertura. As pessoas perguntam-me: "A como está o fundo de cobertura?" E eu dizia: "Está a 1,20". Ou seja — agora está a 2,20 — é 2% de taxa fixa, com 20% de lucros. Os fundos de cobertura são um tipo de criaturas diferentes.
CA: Rumor has it you charge slightly higher fees than that.
CA: Consta que o senhor cobra taxas um pouco mais altas do que isso.
JS: We charged the highest fees in the world at one time. Five and 44, that's what we charge.
JS: Nós cobrámos as taxas mais altas do mundo, em determinada altura. A 5,44, foi quanto cobrámos.
CA: Five and 44. So five percent flat, 44 percent of upside. You still made your investors spectacular amounts of money.
CA: A 5, 44. Portanto, 5% fixos e 44% de ganhos. Mesmo assim, os vossos investidores ganharam imenso dinheiro.
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: Sim, fizemos bons lucros. As pessoas ficavam loucas: "Como é que podem cobrar taxas tão altas?" Eu dizia: "Ok, podem ir-se embora". Mas as pessoas diziam: "Como é que posso ganhar mais?"
(Laughter)
(Risos)
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.
Mas, a certa altura — acho que já lhe disse isso — comprámos tudo aos investidores porque há uma capacidade para o fundo.
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: Mas devemos preocupar-nos que a indústria dos fundos de cobertura atraia demasiados matemáticos mundiais e outros talentos para trabalharem nela, em oposição a muitos outros prolemas no mundo?
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: Bem, não são só os matemáticos. Contratámos astrónomos e físicos e coisas dessas. Penso que não nos devemos preocupar demasiado. É uma indústria muito reduzida. Na verdade, a introdução da ciência no mundo do investimento melhorou esse mundo. Reduziu a volatilidade. Aumentou a liquidez. Os "spreads" são mais apertados porque as pessoas negoceiam nesse tipo de coisas. Portanto, não me preocupa muito se Einstein resolver iniciar um fundo de cobertura.
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: O senhor está numa fase da sua vida em que está a investir no extremo oposto da cadeia da oferta. Está a espalhar a matemática por todos os EUA. Esta é a sua mulher, Marilyn. Estão a trabalhar em conjunto em questões filantrópicas. Fale-me disso.
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: Bem, foi Marilyn que começou — lá está ela ali, a minha bonita mulher — começou com a fundação, há uns 20 anos. Penso que em 1994. Eu digo que foi em 1993, ela diz que foi em 1994, mas foi num desses anos.
(Laughter)
(Risos)
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.
Iniciámos a fundação como uma forma conveniente de fazer caridade. Ela faz a contabilidade e coisas dessas. Naquela altura, não tínhamos uma visão, mas a pouco e pouco essa visão surgiu. Foi concentrarmo-nos na matemática e na ciência, concentrarmo-nos na investigação básica. Foi isso que fizemos. Há seis anos, saí da Renaissance e fui trabalhar para a fundação. Foi isso que fizemos.
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: Então, Math for America é, sobretudo, investir em professores de matemática por todo o país, dar-lhes um rendimento extra, dar-lhes apoio e orientação. Tentar torná-la mais eficaz e torná-la numa vocação a que os professores podem aspirar.
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: Sim, em vez de deitarmos abaixo os maus professores — o que criou problemas morais em toda a comunidade do ensino, em especial na matemática e na ciência — nós damos destaque aos bons professores e oferecemos-lhes estatuto. Também lhes damos dinheiro extra, 15 000 dólares por ano. Temos hoje 800 professores de matemática e de ciência em Nova Iorque, em escolas públicas, constituindo um núcleo. Têm uma moral muito elevada. Mantêm-se no terreno. No próximo ano, serão 1000, mas são apenas 10% dos professores de matemática e ciência
(Applause)
nas escolas públicas de Nova Iorque.
(Aplausos)
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, há um outro projeto que o senhor apoia filantropicamente. Suponho que é a investigação sobre a origem da vida. O que é que procura nisso? JS: Vou guardar essa pergunta e depois digo-lhe o que ando à procura. A origem da vida é uma questão fascinante. Como é que lá chegámos? Há duas questões. Uma é o caminho da geologia para a biologia, como é que lá chegámos? A outra questão é, com que é que iniciámos? Que material tivemos para entrarmos nessa via? São duas questões muito interessantes. A primeira questão é um caminho tortuoso, da geologia para o ARN ou qualquer coisa assim. Como é que isso funcionou? A outra, o que é que temos para trabalhar? Temos mais do que pensamos. O que se mostra ali é uma estrela em formação. Todos os anos, na nossa Via Láctea, que tem 100 mil milhões de estrelas, criam-se duas novas estrelas. Não me pergunte como, mas são duas novas estrelas. Levam cerca de um milhão de anos a estabilizar. Num determinado momento, há sempre cerca de dois milhões de estrelas em formação. Aquela ali está algures no período de estabilização. E há toda aquela tralha a circular à volta dela, poeira e outras coisas. Provavelmente vai formar um sistema solar, ou qualquer outra coisa. Mas o importante é que na poeira que rodeia uma estrela em formação encontraram-se agora moléculas orgânicas significativas. Moléculas, para além das de metano, moléculas de formaldeído e cianido, coisas que são os blocos de construção, as sementes da vida. Isto pode ser característico. Pode ser característico que os planetas, por todo o universo, se iniciem com alguns destes blocos básicos de construção. Isso significa que vai haver vida por toda a parte? Talvez. Mas é uma questão que mostra como este caminho é tortuoso, desde o frágil começo, dessas sementes, até à vida. A maior parte dessas sementes cairão em planetas inativos.
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: Então, para si, pessoalmente, o senhor adoraria encontrar uma resposta para essa questão de onde é que nós viemos, de como isso aconteceu.
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: Adoraria. E gostaria de saber, já que este caminho é tão tortuoso e tão improvável, se seremos os únicos, por onde quer que tenhamos começado. Mas, por outro lado, dada toda aquela poeira orgânica, que flutua ali à roda, podemos ter montes de amigos lá em cima. Seria ótimo sabermos isso.
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: Jim, há uns anos, tive a oportunidade de falar com Elon Musk e perguntar-lhe qual o segredo do seu êxito. Ele disse-me que tinha sido levar a sério a física. Ouvindo-o a si, o senhor diz que o que impregnou toda a sua vida. foi levar a sério a matemática. Permitiu-lhe fazer uma grande fortuna e agora está a permitir-lhe investir no futuro de milhares e milhares de miúdos por todos os EUA e não só. Será que a ciência funciona realmente?
JS: Well, math certainly works. Math certainly works.
Essa matemática funciona realmente?
But this has been fun. Working with Marilyn and giving it away has been very enjoyable.
JS: Claro que a matemática funciona. A matemática funciona. Mas tem sido divertido trabalhar com Marylin e desistir dela tem sido agradável.
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: Descobri, e é um pensamento inspirador, que, se levarmos a sério o conhecimento, podem surgir muito mais coisas daí. Obrigado pela sua vida espantosa e por ter vindo aqui à TED.
Thank you.
Obrigado.
Jim Simons!
Jim Simons!
(Applause)
(Aplausos)