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: Você foi um fenômeno da matemática. Você lecionou em Harvard e no MIT ainda muito jovem. E aí a NSA te procurou. Como 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, Agência de Segurança Nacional americana, não me procurou exatamente. Eles tinham um projeto em Princeton, no qual contratavam matemáticos para decifrar códigos secretos e coisas do gênero. Eu sabia da existência deles. Eles tinham uma política de trabalho muito boa, podíamos trabalhar metade do tempo nas nossas pesquisas, e metade nas coisas deles. E pagavam muito bem, então foi difícil resistir. Então, eu fui para lá.
CA: You were a code-cracker.
CA: Você era um hacker.
JS: I was.
JS: Eu era.
CA: Until you got fired.
CA: Até ser demitido.
JS: Well, I did get fired. Yes.
JS: Sim, fui demitido.
CA: How come?
CA: Por quê?
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: Bem, por quê? Fui demitido porque a guerra do Vietnã acontecia, e o chefe dos chefes da minha organização era um grande entusiasta da guerra e escreveu uma reportagem de capa para a revista New York Times, sobre como venceríamos no Vietnã. Eu não gostava daquela guerra, eu a achava estúpida. E escrevi uma carta para o Times, que foi publicada, dizendo que nem todos que trabalhavam para Maxwell Taylor, se alguém se lembra desse nome, concordava com as opiniões dele. E dei minhas próprias opiniões,
CA: Oh, OK. I can see that would --
CA: Ah, certo, percebo que eram...
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: ...diferentes das opiniões do general Taylor. Mas no final, ninguém falou nada. Na época eu tinha 29 anos, e um rapaz apareceu dizendo que era correspondente da revista Newsweek, que queria me entrevistar e saber o que eu estava fazendo a respeito das minhas opiniões. Eu respondi: "Agora, estou trabalhando principalmente na matemática e, quando a guerra acabar, vou trabalhar principalmente nas coisas deles". Então fiz a única coisa inteligente daquele dia: contei para meu chefe que eu tinha dado aquela entrevista. Ele disse: "O que você falou?" E eu contei a ele. E ele disse: "Vou ter que ligar para o Taylor". Ele ligou para o Taylor, isso levou dez minutos. Fui demitido cinco minutos depois.
CA: OK.
CA: Certo.
JS: But it wasn't bad.
JS: Mas não foi ruim.
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 ruim porque você foi para a "Stony Book" e alavancou sua carreira matemática. Você 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: Ah, Shiing-Shen Chern. O Chern foi um dos maiores matemáticos do século. Conheci ele quando eu fazia pós-graduação em Berkeley. Eu tinha algumas ideias e apresentei-as a ele, e ele gostou. Juntos, fizemos este trabalho que você pode facilmente ver aqui. Aqui está ele.
CA: It led to you publishing a famous paper together. Can you explain at all what that work was?
CA: Através desse trabalho vocês publicaram um artigo famoso juntos. Pode nos explicar em que consistia esse trabalho?
JS: No.
JS: Não.
(Laughter)
(Risos)
JS: I mean, I could explain it to somebody.
JS: Bem, eu posso explicar isso a alguém.
(Laughter)
(Risos)
CA: How about explaining this?
CA: Que tal explicar isso?
JS: But not many. Not many people.
JS: Mas não para muitas pessoas.
CA: I think you told me it had something to do with spheres, so let's start here.
CA: Acho que você me disse que tinha algo a ver com esferas, então vamos começar por isso.
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: Bem, tinha; mas sobre aquele trabalho, tinha algo a ver com isso, mas antes, esse trabalho era matemática pura. Eu estava feliz com o trabalho, e o Chern também. Ele até começou como um assunto que hoje está crescendo. Mas, o que é mais interessante é que ele se aplica à fisica, algo que não conhecíamos, pelo menos eu não sabia nada de física, e não acho que o Chern soubesse muita coisa. E uns dez anos depois que o artigo foi publicado, um cara chamado Ed Witten, em Princeton, começou a aplicá-lo na teoria das cordas e pessoas na Rússia começaram a aplicá-lo no que foi chamado "matéria condensada". Hoje em dia, as chamadas constantes de Chern-Simons espalharam-se por trabalhos de física. E isso é fantástico. Não sabíamos nada de física. Nunca pensei que isso seria aplicado à fisica. Mas esse é o interessante da matemática: você nunca sabe aonde ela vai.
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. Então, estávamos falando sobre como a evolução influencia a mente humana, que pode ou não perceber a verdade. De alguma forma, você produziu uma teoria matemática, sem saber nada de física, e duas décadas depois descobriu que ela é aplicada para descrever profundamente o mundo físico real. Como isso é possível?
JS: God knows.
JS: Só Deus sabe.
(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 famoso físico chamado Eugene Wigner que escreveu um ensaio sobre a eficácia irracional da matemática. De alguma forma, a matemática está enraizada no mundo real: aprendemos a contar, a medir, todo mundo pode fazer isso, e aí, ela floresce por conta própria. Mas várias vezes ela volta para salvar o dia. A relatividade geral é um exemplo. Hermann Minkowski tinha essa geometria, e Einstein percebeu: "Ei! É com isso que eu posso lançar a relatividade geral." Nunca se sabe, é um mistério. É um mistério.
CA: So, here's a mathematical piece of ingenuity. Tell us about this.
CA: Aqui temos uma engenhosa obra matemática. Conte-nos sobre isto.
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, isto é uma bola, uma esfera, que tem uma estrutura em torno dela, esses quadrados. O que mostrarei aqui foi originalmente observado por Leonhard Euler, o grande matemático, em 1700. Isso cresceu progressivamente até ser um campo muito importante em matemática: topologia algébrica, geometria, e aquele ensaio tinha as suas raízes nela. Então, sobre esta coisa: ela tem 8 vértices, 12 arestas e 6 faces. E se você calcular a diferença: vértices menos bordas, mais faces, dá dois. Certo, dois. É um bom número. Aqui, uma outra forma de fazer isso, esta é coberta com triângulos, ela tem 12 vértices e 30 bordas, e 20 faces, 20 peças. E, vértices menos arestas, mais faces, ainda é igual a dois. E você poderia fazer isso de qualquer outra forma, cobri-la com todos os tipos de polígonos e triângulos, e misturá-los, e vértices menos arestas, mais faces, continuará dando dois. Aqui está uma forma diferente. Este é um toro, a superfície de uma rosca, tem 16 vértices cobertos por estes retângulos, 32 arestas, 16 faces, e vértices, menos arestas, mais faces dá zero. Sempre dará zero. Toda vez que você cobrir toros com quadrados ou triângulos ou qualquer coisa do tipo, vai dar zero. Isso chama-se "Característica de Euler", é o que chamamos de invariante topológico. É incrível. Não importa como você faça, sempre obterá a mesma resposta. Esse foi o primeiro impulso, em meados de 1700, em um assunto que agora é chamado de 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: E seu próprio trabalho tomou uma ideia como esta e a levou para a teoria das dimensões superiores, objetos das dimensões superiores, e encontrou novas invariâncias?
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: Sim. Bem, já havia invariantes de dimensão superior: as classes de Pontryagin, as classes de Chern. Havia um monte dessas invariantes. Eu estava lutando para trabalhar em uma delas e modelá-la combinatoriamente, em vez da maneira usual, o que levou a esse trabalho, e nós descobrimos algumas coisas novas. Mas, se não fosse pelo Sr. Euler, que escreveu quase 70 volumes de matemática e tinha 13 filhos, que aparentemente ele balançava no joelho enquanto escrevia, se não fosse por ele, talvez não existissem 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: Pelo menos isso nos deu uma amostra dessa mente incrível. Vamos falar da "Renaissance". Como você usou essa mente incrível, e tendo sido um hacker na NSA, você começou a se tornar hacker na indústria financeira. Acho que você não aceitou a teoria de mercado eficiente. De alguma forma, você conseguiu rendimentos surpreendentes ao longo de duas décadas. Da forma como me foi explicado, o que é notável sobre o que você fez não foi só o tamanho dos rendimentos, mas que você os conseguiu com volatilidade e risco surpreendentemente baixos, comparado a outros fundos de cobertura. Como você fez 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: Eu fiz isso juntando um grupo maravilhoso de pessoas. Quando comecei a fazer negociações, eu estava um pouco cansado da matemática. Eu já estava no final dos 30 anos e com pouco de dinheiro. Eu comecei a negociar, e me dei muito bem. Eu fiz um bom dinheiro, por pura sorte. Eu acho que foi pura sorte. Certamente não foi a modelagem matemática. Mas, olhando os dados, depois de um tempo, eu percebi: parece que há alguma estrutura aqui. Eu contratei alguns matemáticos, e começamos a fazer uns modelos, exatamente o tipo de coisa que fazíamos no IAD, o Instituto de Análises de Defesa. Você escreve um algoritmo e o testa em um computador. Funciona? Não funciona? E por aí vai.
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: Vamos dar uma olhada nisso? Porque, aqui tem um gráfico típico de uma commodity, ou algo assim. Eu olho para isso e vejo apenas um caminho aleatório, de altos e baixos, talvez uma tendência ascendente durante esse tempo. Como você negocia olhando para isso, e como vê algo que não é 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: Nos velhos tempos, este é o tipo de gráfico dos velhos tempos, commodities ou moedas seguiam uma tendência. Não necessariamente a tendência leve que vemos aqui, mas tendendo em períodos. E se você decidisse: "Certo, hoje vou prever baseado na mudança média dos últimos 20 dias". Talvez fosse uma boa previsão, e você ganhasse algum dinheiro. De fato, anos atrás, tal sistema funcionaria, não de forma bonita, mas funcionaria. Você ganharia dinheiro, perderia, ganharia. Mas isso vale a pena em alguns dias de um ano, e você faria pouco dinheiro naquele período. É um sistema muito baseado em vestígios.
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: Então você testaria um monte de comprimentos de tendências no tempo e veria se, por exemplo, uma tendência de 10 ou 15 dias predizia o que aconteceu em seguida.
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, você tentaria tudo isso e veria o que funciona melhor. Na década de 60, teria sido ótimo seguir as tendências, talvez na década de 70 também. Mas não na década de 80.
CA: Because everyone could see that. So, how did you stay ahead of the pack?
CA: Porque todos podiam vê-la. Então, como vocês se mantêm à frente da maioria?
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: Nós nos mantemos à frente, encontrando outras abordagens, abordagem de curto prazo, até certo ponto. O desafio foi juntar uma quantidade enorme de dados, e no começo, tivemos que fazer isso à mão. Copiamos históricos de taxas de juro do banco Federal Reserve e coisas desse tipo, pois não havia dados eletrônicos. Conseguimos muitos dados e pessoas muito inteligentes, isso foi a chave! Eu não sabia como contratar pessoas para fazer negociação fundamental. Eu havia contratado algumas, umas fizeram dinheiro, outras não. Eu não conseguia ganhar com aquilo. Mas eu sabia como contratar cientistas, porque nesse departamento eu levo jeito. Então, foi isso o que fizemos. E, gradualmente, esses modelos foram melhorando e melhorando cada vez mais.
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: Você leva crédito de ter feito algo notável na Renaissance: construir uma cultura, formar esse grupo de pessoas que não eram apenas mercenários atraídos por dinheiro, mas sim, motivados por fazer matemática e ciência emocionantes.
JS: Well, I'd hoped that might be true. But some of it was money.
JS: Bem, eu queria que isso fosse verdade, mas, em parte, era pelo dinheiro.
CA: They made a lot of money.
CA: Eles ganharam 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 pelo dinheiro. Acho que muitos vieram pelo dinheiro, mas também porque seria divertido.
CA: What role did machine learning play in all this?
CA: E qual o papel do aprendizado de máquina nisso?
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 era aprendizado de máquina. Você olha para um monte de dados, e tenta simular diferentes modelos preditivos, até você ficar cada vez melhor no que faz. Da forma como fizemos, por si só, ele não dava um feedback, 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 modelos de previsão podem ser desordenados e inesperados. Você tem que analisar tudo, certo? O tempo, o comprimento dos vestidos, a opinião política.
JS: Yes, length of dresses we didn't try.
JS: Sim, comprimento de vestidos não testamos.
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: Bem, tudo. O que caía na rede, era peixe - exceto a altura das bainhas. Tempo, relatórios anuais, relatórios trimestrais, volumes, dados históricos em si, você escolhe. O que quer que exista. Pegávamos terabytes de dados por dia, e armazenávamos, manipulávamos e os deixávamos prontos para análise. Você procura anomalias, você procura, como disse... sabe, a hipótese do mercado eficiente não é 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 uma anomalia qualquer pode ser apenas uma coisa aleatória. Então, o segredo aqui seria olhar para várias anomalias estranhas, e ver quando 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: Uma anomalia qualquer pode ser uma coisa aleatória; mas, se você tem dados suficientes você pode dizer que não é. Uma anomalia que persiste por um tempo suficientemente longo, a probabilidade de ser aleatória não é alta. Mas essas coisas desaparecem depois de um tempo; anomalias podem desaparecer. Então você tem que se manter no topo do negócio.
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: Muitos olham para a indústria de fundos de cobertura e ficam meio que... chocados, com quanta riqueza é criada lá, e quanto talento está indo para lá. Você tem preocupações com essa indústria, e talvez com a indústria financeira em geral? De ela estar em um trem desgovernado, que, não sei, ajuda a aumentar a desigualdade? Como você defende o que está acontecendo na indústria de fundos de cobertura?
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: Eu acho que, nos últimos três ou quatro anos, os fundos de cobertura não foram muito bem. Foi bom para nós, mas a indústria de fundos de cobertura, como um todo, não se deu tão bem. O mercado de ações tem estado ótimo, subindo, como todos sabem, e o índice Preço/Lucro tem crescido. Então, uma enorme quantidade de riqueza que foi criada nos últimos, digamos, cinco ou seis anos, não foi criada pelos fundos de cobertura. As pessoas me perguntavam: "O que é um fundo de cobertura?" E eu diria: "Um e vinte". Que significa, bem, agora são 2 e 20, são 2% de taxa fixa e 20% de lucros. Os fundos de cobertura são de outra espécie.
CA: Rumor has it you charge slightly higher fees than that.
CA: Dizem que você cobra taxas ligeiramente mais elevada do que eles.
JS: We charged the highest fees in the world at one time. Five and 44, that's what we charge.
JS: Uma vez, cobramos as mais altas taxas do mundo. Nós cobramos 5 e 44.
CA: Five and 44. So five percent flat, 44 percent of upside. You still made your investors spectacular amounts of money.
CA: Cobram 5 e 44. Então, 5% de taxa fixa e 44% de ganhos. Você conseguiu ótimos rendimentos para seus investidores.
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, conseguimos. Eles reclamavam: "Como você pode cobrar taxas tão elevadas?" Eu dizia: "Você pode sair". Mas "como posso ganhar mais?" era o que eles queriam.
(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 eu te disse isso, nós negociamos todos os 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: Devemos nos preocupar com o fato de a indústria de fundos de cobertura atrair muitos dos grandes matemáticos e outros talentos do mundo, em vez de eles trabalharem pelos muitos outros problemas 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 matemáticos, nós contratamos astrônomos, físicos, e coisas assim. Eu não acho que devamos nos preocupar com isso. Ainda é uma indústria muito pequena. E, de fato, trazer a ciência para o mundo do investimento melhorou esse mundo. É volatilidade reduzida. É a liquidez aumentada. Os "spreads" estão limitados, pois muitas pessoas os estão negociando. Então não me preocupa muito se o Einstein está começando 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: No entanto, agora você está em uma fase onde está investindo na outra ponta da cadeia de fornecimento, você está investindo na matemática em toda a América. Esta é a sua esposa, Marilyn. Vocês trabalham juntos, com filantropia. Conte-me sobre isso.
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, a Marilyn começou, lá está ela, minha linda esposa, ela começou uma fundação, há cerca de 20 anos. Acho que foi em 94. Eu insisto que foi em 93, ela diz que foi 94, mas foi um desses dois 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.
Começamos uma fundação como uma forma conveniente de fazer caridade. Ela cuidava do balancete, e coisas do tipo. Naquele tempo, não tínhamos uma visão, mas gradualmente uma visão emergiu, que era: focar em matemática e ciências, para se concentrar em pesquisa básica. E isso é o que temos feito. Há cerca de seis anos, saí da Renaissance e fui trabalhar na fundação. Então é isso que nós fazemos.
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 o objetivo da "Math for America" é investir em professores de matemática em todo o país, dando-lhes alguma renda extra, apoio e assistência. E realmente tentando fazer isso de forma mais eficaz, que seja um chamado a que os professores possam 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, ao invés de penalizar os professores ruins, que só criou mais desânimo em toda a comunidade educativa, particularmente, em matemática e ciências, nos concentramos em comemorar os bons, e dar-lhes status. Sim, damos-lhes dinheiro extra, US$ 15 mil por ano. Temos 800 professores de matemática e ciências nas escolas públicas de Nova York, como parte de um núcleo. Há um grande entusiasmo entre eles. Eles estão permanecendo na área. Ano que vem serão mil, o que vai ser 10% dos professores de matemática e ciências em escolas públicas da cidade de Nova York.
(Applause)
(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: Aqui tem outro projeto que você apoiou com a filantropia: acho que, investigação sobre as origens da vida. O que estamos vendo aqui? JS: Bem, vou guardar essa para depois, e então vou lhe dizer o que estamos vendo. Origens da vida é uma questão fascinante. Como chegamos aqui? Bem, há duas perguntas: uma delas é, qual é o caminho da geologia para a biologia, como chegamos aqui? E a outra é: com o que começamos? Com que material, se existe algum, devemos trabalhar nessa rota? Essas são duas questões muito interessantes. A primeira é um caminho tortuoso, desde a geologia até o ácido ribonucleico, ou algo do tipo, como funcionou tudo isso? E a outra, o que temos para trabalhar? Bem, mais do que pensamos. Então, aquela foto é uma estrela em formação. Todos os anos em nossa Via Láctea, que tem 100 bilhões de estrelas, cerca de duas novas estrelas são criadas. Não me pergunte como, mas elas são. E elas levam cerca de 1 milhão de anos para se estabelecerem. Assim, em estado estacionário, há cerca de 2 milhões de estrelas em formação em qualquer momento. Aquela está em algum lugar ao longo deste período de estabelecimento. E há todo esse tipo de coisa circulando ao redor dela, poeira e outras coisas. E provavelmente ela vai formar um sistema solar ou outra coisa. Mas, veja bem, nesta poeira que circunda uma estrela em formação foram encontrados, agora, moléculas orgânicas significativas. Moléculas não apenas como o metano, mas formaldeído e cianeto, coisas que são os blocos de construção, as sementes, se me permitem, da vida. Talvez isso seja típico. E pode ser típico que planetas em torno do universo comecem com alguns desses blocos básicos de construção. Agora, isso significa que vai ter vida por todo canto? Talvez. Essa é uma questão de quão tortuoso é esse caminho desde esses começos frágeis, as sementes, por todo o caminho até a vida. E a maioria dessas sementes cairão em planetas inférteis.
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: Para você, pessoalmente, encontrar uma resposta a esta pergunta, de onde viemos, de como essa coisa acontece, é algo que você gostaria de ver.
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: Eu adoraria ver. Eu gostaria de saber: se esse caminho é tão tortuoso e tão improvável que não importa com o que começou, poderíamos ser uma singularidade. Mas, por outro lado, dada toda essa poeira orgânica circulando, poderíamos ter muitos amigos lá fora. Eu adoraria saber disso.
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 alguns anos, tive a chance de falar com o Elon Musk, e perguntei-lhe o segredo de seu sucesso, e ele disse que era levar a física a sério. Ouvindo você, eu te ouço dizer que está levando a matemática a sério, que infundiu toda a sua vida. Ela lhe deu uma fortuna e agora está lhe permitindo investir no futuro de milhares de crianças em toda a América e em outros lugares. Então, a ciência realmente funciona? Matemática realmente funciona?
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: Bem, matemática certamente funciona. Mas tem sido divertido. Trabalhar com a Marilyn e fazer doações tem sido muito 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: É um pensamento inspirador para mim que, ao tomar o conhecimento a sério, muito mais pode vir a partir disso. Então, obrigado por sua vida incrível, e por ter vindo ao TED.
Thank you.
Obrigado.
Jim Simons!
Jim Simons!
(Applause)
(Aplausos)