This is a photograph by the artist Michael Najjar, and it's real, in the sense that he went there to Argentina to take the photo. But it's also a fiction. There's a lot of work that went into it after that. And what he's done is he's actually reshaped, digitally, all of the contours of the mountains to follow the vicissitudes of the Dow Jones index. So what you see, that precipice, that high precipice with the valley, is the 2008 financial crisis. The photo was made when we were deep in the valley over there. I don't know where we are now. This is the Hang Seng index for Hong Kong. And similar topography. I wonder why.
Սա մի լուսանկար է ստեղծված արվեստագետ Մայքլ Նաջարի կողմից, և այն իրական է, այն իմաստով, որ նա ուղևորվեց Արգենտինա որպեսզի լուսանկարի այն: Բայց այն նաև հորինված է: Շատ աշխատանք է տարվել դրա վրա լուսանկարելուց հետո: Նա իրականում թվայնորեն վերաձևավորել է բոլոր լեռների կոնտուրները որպեսզի դրանք նմանվեն Դոու Ջոնսի ինդեքսին: Այսպիսով, դուք տեսնում եք, որ այն անդունդը, հովտի այն խորը անդունդը 2008թ. ֆինանսական ճգնաժամն է: Լուսանկարը արվել է այն ժամանակ, երբ մենք ուղիղ այն հովտում էինք: Չգիտեմ, որտեղ ենք մենք հիմա: Սա Հոնգ Կոնգի Հանգ Սենգ ինդեքսն է: Եվ համանման տոպոգրաֆիան: Ես զարմանում եմ, ինչու՞:
And this is art. This is metaphor. But I think the point is that this is metaphor with teeth, and it's with those teeth that I want to propose today that we rethink a little bit about the role of contemporary math -- not just financial math, but math in general. That its transition from being something that we extract and derive from the world to something that actually starts to shape it -- the world around us and the world inside us. And it's specifically algorithms, which are basically the math that computers use to decide stuff. They acquire the sensibility of truth because they repeat over and over again, and they ossify and calcify, and they become real.
Սա արվեստ է: Սա փոխաբերական իմաստ է կրում: Բայց, կարծում եմ այս փոխաբերությունն ատամներ ունի: Եվ այդ ատամներն են պատճառը, որ այսօր ես առաջարկում եմ մի փոքր մտածել ժամանակակից մաթեմատիկայի դերի մասին -- ոչ միայն ֆինանսական մաթեմատիկայի, այլ ընդհանուր մաթեմատիկայի: Այն վերափոխվել է մի բանից, որ մենք ստանում ու ածանցում էինք մեր շրջակա աշխարհից մի բանի, որն իրականում սկսում է ձևավորել մեզ շրջապատող աշխարհն ու մեր բոլորիս ներքին աշխարհները: Եվ հատկապես ալգորիթմներն են հիմնականում այն մաթեմատիկան, որով համակարգիչները որոշում են ինչպես աշխատել: Նրանք ձեռք են բերում ճիշտը ճանաչելու զգացողությունը, որովհետև անընդհատ ու անընդհատ կրկնվում են: Նրանք փայտանում ու կարծրանում են, և ի վերջո դառնում իրականություն:
And I was thinking about this, of all places, on a transatlantic flight a couple of years ago, because I happened to be seated next to a Hungarian physicist about my age and we were talking about what life was like during the Cold War for physicists in Hungary. And I said, "So what were you doing?"
Ես այս մասին սկսեցի մտածել, հատկապես երբ տրանսատլանտիկ չվերթի էի մեկնել մի քանի տարի առաջ, պարզվեց, որ նստած եմ իմ հասակակից, մի հունգարացի ֆիզիկոսի հարևանությամբ և մենք քննարկում էինք, թե ինչպիսին էր կյանքը Հունգարիայի ֆիզիկոսների համար Սառը պատերազմի տարիներին: Եվ ես նրան հարցրեցի. «Ինչո՞վ էիք դուք զբաղվում»:
And he said, "Well we were mostly breaking stealth."
Նա ասաց. «Հիմնականում մենք գաղտնազերծում էինք անտեսանելի ինքնաթիռները»:
And I said, "That's a good job. That's interesting. How does that work?" And to understand that, you have to understand a little bit about how stealth works. And so -- this is an over-simplification -- but basically, it's not like you can just pass a radar signal right through 156 tons of steel in the sky. It's not just going to disappear. But if you can take this big, massive thing, and you could turn it into a million little things -- something like a flock of birds -- well then the radar that's looking for that has to be able to see every flock of birds in the sky. And if you're a radar, that's a really bad job.
Իսկ ես ասացի. «Լավ աշխատանք է: Հետաքրքիր է: Ինչպե՞ս էիք դա անում»: Որպեսզի դա հասկանաք, պետք է մի փոքր պատկերացում ունենաք, թե ինչպես են աշխատում անտեսանելի ինքնաթոռները: Այսպիսով -- սա պարզեցված բացատրություն է -- կարճ ասած, դու չես կարող պարզապես անցկացնել ռադարի սիգնալը օդում սավառնող 156 տոննա պողպատի միջով: Այն չի անհետանալու: Բայց եթե վերցնենք այս մեծ, ծանր ինքնաթիռը, և վերածենք այն միլիոնավոր մանր բաների -- ինչպես օրինակ թռչունների երամը -- այդ դեպքում դրան նայող ռադարը պետք է կարողանա օդում տեսնել թռչունների ամեն մի երամ: Եվ եթե դու ռադար ես, դա շատ դժվար աշխատանք է:
And he said, "Yeah." He said, "But that's if you're a radar. So we didn't use a radar; we built a black box that was looking for electrical signals, electronic communication. And whenever we saw a flock of birds that had electronic communication, we thought, 'Probably has something to do with the Americans.'"
Եվ նա ասաց. «Այո, բայց միայն եթե դու ռադար ես: Մենք չենք օգտագործել ռադարը, փոխարենը կառուցեցինք մի «սև արկղ», որը որսում էր էլեկտրական սիգնալները, էլեկտրոնային հաղորդակցությունը: Եվ երբ տեսնում էինք թռչունների երամ, որը էլեկտրոնային հաղորդակցություն էր վարում, մենք ենթադրում էինք, որ ամերիկացիների մատը խառն է»:
And I said, "Yeah. That's good. So you've effectively negated 60 years of aeronautic research. What's your act two? What do you do when you grow up?" And he said, "Well, financial services." And I said, "Oh." Because those had been in the news lately. And I said, "How does that work?" And he said, "Well there's 2,000 physicists on Wall Street now, and I'm one of them." And I said, "What's the black box for Wall Street?"
Եվ ես ասացի. «Այո: Լավ միտք է: Այսպիսով դուք «ջուրը գցեցիք» օդագնացության 60 տարվա ուսումնասիրությունները: Իսկ հիմա ի՞նչի վրա եք աշխատում: Ինչո՞վ սկսեցիք զբաղվել տարիներ անց»: Եվ նա ասաց, «Ֆինանսական ծառայություններով»: Ես ասացի. «Օ՜»: Վերջերս կարդացել էի այս մասին նորություններում: Եվ ես ասացի, «Ավելի կոնկրե՞տ»: Նա ասաց. «Ուոլ Սթրիթում այժմ 2000 ֆիզիկոս է աշխատում, և ես նրանցից մեկն եմ»: Եվ ես հարցրեցի. «Իսկ ո՞րն է Ուոլ Սթրիթի «սև արկղ»-ը»:
And he said, "It's funny you ask that, because it's actually called black box trading. And it's also sometimes called algo trading, algorithmic trading." And algorithmic trading evolved in part because institutional traders have the same problems that the United States Air Force had, which is that they're moving these positions -- whether it's Proctor & Gamble or Accenture, whatever -- they're moving a million shares of something through the market. And if they do that all at once, it's like playing poker and going all in right away. You just tip your hand. And so they have to find a way -- and they use algorithms to do this -- to break up that big thing into a million little transactions. And the magic and the horror of that is that the same math that you use to break up the big thing into a million little things can be used to find a million little things and sew them back together and figure out what's actually happening in the market.
Նա ինձ ասաց. «Հետաքրքիր է, որ հարցնում ես, որովհետև իրականում այն կոչվում է սև արկղով առևտուր: Ավելի հազվադեպ՝ ալգո առևտուր, ալգորիթմային առևտուր»: Եվ ալգորիթմային առևտուրը զարգացում է ապրել, մասամբ քանզի ինստիտուցիոնալ առևտրականները ունեն նույն խնդիրը, ինչն ունեին Միացյալ Նահանգների օդային ուժերը, այն է. երբ նրանք վերադիրքավորվում են -- անկախ նրանից թե խոսքը գնում է Պրոկտեր ընդ Գեմբլի մասին թե Աքսենչրի, -- նրանք տեղափոխում են ինչ-որ բանի միլիոնավոր բաժնետոմսեր շուկայի միջով: Եվ եթե նրանք դա անեն միանգամից, դա նման կլինի պոկերում բոլոր քարտերը բացելուն: Բոլորը տեսնում են ձեր քարտերը։ Այսպիսով, նրանք պետք է դա անելու եղանակ գտնեն -- և նրանք օգտագործում են ալգորիթմներ սա անելու համար -- որպեսզի բաժանեն այդ մեծ բանը միլիոնավոր փոքր գործարքների: Սրանում թաքնված հմայքը և միաժամանակ ահավորն այն է, որ նույն մաթեմատիկան, որն օգտագործվում է մեծ կտորը միլիոնավոր մասերի բաժանելու համար, կարելի է օգտագործել միլիոնավոր մանր կտորները գտնելու և դրանք կրկին իրար կարելու համար, և դա օգնում է հասկանալ, թե ինչ է կատարվում շուկայում:
So if you need to have some image of what's happening in the stock market right now, what you can picture is a bunch of algorithms that are basically programmed to hide, and a bunch of algorithms that are programmed to go find them and act. And all of that's great, and it's fine. And that's 70 percent of the United States stock market, 70 percent of the operating system formerly known as your pension, your mortgage.
Այսպիսով, եթե ցանկանում եք պատկերացում կազմել, թե ինչ է տվյալ պահին կատարվում ֆոնդային շուկայում, պետք է նկարագրեք ալգորիթմների մի խումբ, որոնք պարզապես ծրագրավորած են թաքցնելու, և մի այլ ալգորիթմների խումբ, որոնք ծրագրավորած են դրանք գտնելու և մշակելու: Եվ այս ամենը հրաշալի է։ Այսպես է աշխատում Միացյալ Նահանգների ֆոնդային շուկայի 70 տոկոսը: Օպերացիոն համակարգի 70 տոկոսը, որը նախկինում հայնտի էր որպես ձեր թոշակը կամ գրավ դրած գումարը:
And what could go wrong? What could go wrong is that a year ago, nine percent of the entire market just disappears in five minutes, and they called it the Flash Crash of 2:45. All of a sudden, nine percent just goes away, and nobody to this day can even agree on what happened because nobody ordered it, nobody asked for it. Nobody had any control over what was actually happening. All they had was just a monitor in front of them that had the numbers on it and just a red button that said, "Stop."
Եվ ինչը՞ կարող է սխալ ուղղությամբ գնալ: Սխալ ընթացավ այն, որ մի տարի առաջ, ամբողջ շուկայի ինը տոկոսը հինգ րոպեում չքացավ, նրանք դա անվանեցին 2:45-ի ակնթարթային խափանում: Հանկարծակի, ինը տոկոսը պարզապես կորում է, և մինչ օրս ոչ ոք չի կարող հասկանալ, թե ինչ է պատահել, որովհետև ոչ ոք դա չէր սպասում, ոչ ոք չէր պատվիրել դա: Ոչ ոք որևէ կերպ չէր կառավարում գործընթացը: Այն ամենը, ինչ նրանք ունեին պարզապես իրենց առջև դրված մոնիտորն էր, որը ցույց էր տալիս թվեր և պարզապես մի կարմիր կոճակ, վրան գրված. «Կասեցնել»:
And that's the thing, is that we're writing things, we're writing these things that we can no longer read. And we've rendered something illegible, and we've lost the sense of what's actually happening in this world that we've made. And we're starting to make our way. There's a company in Boston called Nanex, and they use math and magic and I don't know what, and they reach into all the market data and they find, actually sometimes, some of these algorithms. And when they find them they pull them out and they pin them to the wall like butterflies. And they do what we've always done when confronted with huge amounts of data that we don't understand -- which is that they give them a name and a story. So this is one that they found, they called the Knife, the Carnival, the Boston Shuffler, Twilight.
Ահա թե ինչումն է բանը, մենք գրում ենք ծրագրեր, գրում ենք ծրագրեր, որոնք այլևս չենք կարող կարդալ: Եվ մենք վերարտադրում ենք մի բան, որն ընթեռնելի չէ: Եվ մենք այլևս չենք կարողանում հասկանալ, թե ինչ է տեղի ունենում մեր կառուցած աշխարհում: Մենք սկսում ենք ճանապարհ հարթել: Բոստոնում կա մի ընկերություն Nanex անունով, նրանք օգտագործում են մաթեմատիկա, կախարդանքներ և չգիտեմ էլ ինչեր, և նրանք հասնում են շուկայական բոլոր տվյալներին և նրանք գտնում են, երբեմն, ալգորիթմներից մի քանիսը: Եվ երբ նրանք գտնում են դրանք, դուրս են հանում, փակցնում են պատին, թիթեռների պես: Եվ նրանք անում են այն, ինչ միշտ մարդիկ անում են. երբ հանդիպում են տվյալների հսկայական կտորի, որն անհնար է հասկանալ -- նրանք դրան անուն են վերագրում և պատմություն: Ահա դրանցից մեկը, որն անվանվել է «Դանակ», «Պարահանդես», «Բոստոնցի խաղամոլ», «Մթնշաղ»:
And the gag is that, of course, these aren't just running through the market. You can find these kinds of things wherever you look, once you learn how to look for them. You can find it here: this book about flies that you may have been looking at on Amazon. You may have noticed it when its price started at 1.7 million dollars. It's out of print -- still ... (Laughter) If you had bought it at 1.7, it would have been a bargain. A few hours later, it had gone up to 23.6 million dollars, plus shipping and handling. And the question is: Nobody was buying or selling anything; what was happening? And you see this behavior on Amazon as surely as you see it on Wall Street. And when you see this kind of behavior, what you see is the evidence of algorithms in conflict, algorithms locked in loops with each other, without any human oversight, without any adult supervision to say, "Actually, 1.7 million is plenty."
Հետաքրքիրն այն է, որ, իհարկե, սրանք միայն շուկայով չէ, որ անցնում են: Կարող եք գտնել նման բաներ ամենուր, բավական է իմանալ, ինչպես փնտրել դրանք: Կարող ես գտնել այն այստեղ. այս ճանճերի մասին գիրքը, որը դուք որոնել և դիտել եք Amazon-ում: Հնարավոր է նկատած լինեք, որ դրա գինը սկսվում է 1.7 միլիոն դոլարից: Այն չի տպագրվում -- համենայն դեպս... (Ծիծաղ) Եթե դուք գնեիք այն 1,7 միլիոնով, շահավետ գնում կլիներ: Մի քանի ժամ անց, գինը կբարձրանար մինչև 23,6 միլիոն դոլար, գումարած փոխադրման գինը: Հարցը հետևյալն է: Ոչ ոք ոչինչ չի գնել կամ վաճառել. ի՞նչ է տեղի ունենում: Դուք կարող եք տեսնել նման պահվածքը Amazon-ում, համոզված եղեք, որ նույնը կարող եք տեսնել և Ուոլ Սթրիթում: Եվ երբ տեսնում եք նման պահվածք, իրականում ականատես եք լինում կոնֆլիկտի մեջ գտնվող ալգորիթմների, ալգորիթմների, որոնք կողպված են ցիկլերում մեկը մյուսի հետ, առանց որևէ մարդկային միջամտության, առանց մեծահասակների հսկողության, մեկը չկա, որ ասի. «Իրականում, 1,7 միլիոնը շատ է»:
(Laughter)
(Ծիծաղ)
And as with Amazon, so it is with Netflix. And so Netflix has gone through several different algorithms over the years. They started with Cinematch, and they've tried a bunch of others -- there's Dinosaur Planet; there's Gravity. They're using Pragmatic Chaos now. Pragmatic Chaos is, like all of Netflix algorithms, trying to do the same thing. It's trying to get a grasp on you, on the firmware inside the human skull, so that it can recommend what movie you might want to watch next -- which is a very, very difficult problem. But the difficulty of the problem and the fact that we don't really quite have it down, it doesn't take away from the effects Pragmatic Chaos has. Pragmatic Chaos, like all Netflix algorithms, determines, in the end, 60 percent of what movies end up being rented. So one piece of code with one idea about you is responsible for 60 percent of those movies.
Եվ ինչպես Amazon-ում, նույնը տեղի է ունենում Netflix-ում: Netflix-ը կիրառել է մի քանի տարբեր ալգորիթմներ տարիների ընթացքում: Նրանք սկսեցին Cinematch-ից, և ապա փորձեցին մի շարք այլ ալգորիթմներ: Փորձեցին «Դինոզավրերի մոլորակը», ապա «Ձգողությունը»: Այժմ նրանք օգտագործում են «Պրագմատիկ քաոսը»: Պրագմատիկ քաոսը նման է Netflix-ի բոլոր ալգորիթմներին, այն փորձում է անել նույն բանը: Այն փորձում է հասկանալ քեզ, վերահսկել մարդու գանգի մեջ տեղադրված սարքավորումները, այնպես, որ կարողանա խորհուրդ տալ, թե ինչ ֆիլմ կուզենաս դիտել հաջորդ անգամ -- ինչը շատ, շատ դժվար խնդիր է: Բայց խնդրի բարդությունը և փաստը, որ մենք դեռ չունենք դրա ճշգրիտ լուծումը, չեն վերացնում «Պրագմատիկ քաոս»-ի ազդեցությունը: «Պրագմատիկ քաոսը», ինչպես մնացած Netflix-ի ալգորիթմները, ի վերջո, գուշակում է վարձվող ֆիլմերի 60 տոկոսը: Այսպիսով, կոդի մի կտորը որի կենտրոնում քո մասին գաղափարն է, պատասխանատու է այդ ֆիլմերի 60 տոկոսի համար:
But what if you could rate those movies before they get made? Wouldn't that be handy? Well, a few data scientists from the U.K. are in Hollywood, and they have "story algorithms" -- a company called Epagogix. And you can run your script through there, and they can tell you, quantifiably, that that's a 30 million dollar movie or a 200 million dollar movie. And the thing is, is that this isn't Google. This isn't information. These aren't financial stats; this is culture. And what you see here, or what you don't really see normally, is that these are the physics of culture. And if these algorithms, like the algorithms on Wall Street, just crashed one day and went awry, how would we know? What would it look like?
Բայց ի՞նչ կլիներ, եթե հնարավոր լիներ գնահատել այդ ֆիլմերը նույնիսկ նախքան նրանց նկարահանելը: Դա հարմար կլիներ, այդպես չէ՞: Միացյալ Թագավորությունից Հոլիվուդ են եկել որոշ գիտնականներ և նրանք ունեն պատմվածքներ հորինող ալգորիթմներ -- Epagogix անունով ընկերությունում: Եվ դու կարող ես քո սցենարը անցկացնել նրանց ծրագրի մեջ և տեսնել, ինչ արժե քո ֆիլմը՝ այն 30 միլիոն դոլարի ծախս է պահանջում, թե 200 միլիոնի: Եվ բանը նրանում է, որ սա Google-ը չէ: Սա տեղեկատվություն չէ: Սրանք ֆինանսական վիճակագրություններ չեն. սա մշակույթ է: Եվ այն, ինչ դուք այստեղ տեսնում եք, կամ այն ինչ սովորաբար չեք տեսնում, դա այն է, որ սրանք մշակույթի ֆիզիկան են: Եվ եթե այս ալգորիթմները, ինչպես Ուոլ Սթրիթի ալգորիթմները, մի գեղեցիկ օր խափանվեն ու շեղումներ տան, ինչպե՞ս կարող ենք իմանալ, թե դա ինչի նման կլինի:
And they're in your house. They're in your house. These are two algorithms competing for your living room. These are two different cleaning robots that have very different ideas about what clean means. And you can see it if you slow it down and attach lights to them, and they're sort of like secret architects in your bedroom. And the idea that architecture itself is somehow subject to algorithmic optimization is not far-fetched. It's super-real and it's happening around you.
Եվ դրանք նաև ձեր տանն են: Դրանք ձեր տանն են: Ահա երկու ալգորիթմ, որոնք մրցակցում են ձեր հյուրասենյակի համար: Սրանք երկու տարբեր մաքրող ռոբոտներ են, որոնք բոլորովին տարբեր կերպ են ընկալում «մաքրել» գաղափարը: Կարելի է համոզվել դրանում, եթե դանդաղեցնել դրանց և լույսեր փակցնել դրանց վրա: Եվ նրանք ասես քո ննջասենյակի գաղտնի ճարտարապետները լինեն: Իսկ այն գաղափարը, որ ճարտարապետությունն ինքնին ինչ-որ ձևով ենթակա է ալգորիթմային պարզեցման այնքան էլ չափազանցված չէ: Դա լիովին իրական է և տեղի է ունենում ձեր շուրջը:
You feel it most when you're in a sealed metal box, a new-style elevator; they're called destination-control elevators. These are the ones where you have to press what floor you're going to go to before you get in the elevator. And it uses what's called a bin-packing algorithm. So none of this mishegas of letting everybody go into whatever car they want. Everybody who wants to go to the 10th floor goes into car two, and everybody who wants to go to the third floor goes into car five. And the problem with that is that people freak out. People panic. And you see why. You see why. It's because the elevator is missing some important instrumentation, like the buttons. (Laughter) Like the things that people use. All it has is just the number that moves up or down and that red button that says, "Stop." And this is what we're designing for. We're designing for this machine dialect. And how far can you take that? How far can you take it? You can take it really, really far.
Դու զգում ես դա, երբ փակված ես մետաղյա տուփի մեջ, նորաձև վերելակի, դրանց անվանում են նշանակակետի ղեկավարումով վերելակներ: Դրանք այն վերելակներն են, որտեղ դու պետք է սեղմես այն հարկի կոճակը, որն ուզում ես գնալ, նախքան վերելակ նստելը: Այն օգտագործում է ալգորիթմ, որին անվանում են տուփը փաթեթավորող ալգորիթմ: Այսպիսով, սա թույլ չի տալիս, որ ով ուր ասես կարողանա գնալ: Բոլոր նրանք, ովքեր բարձրանում են 10-րդ հարկ, պետք է նստեն երկրորդ մեքենան, իսկ նրանք, ովքեր երրորդ հարկ են գնում, պետք է նստեն հինգերորդ մեքենան: Եվ խնդիրն այն է, որ մարդիկ վախենում են: Մարդիկ խուճապի են մատնվում: Եվ կարելի է հասկանալ, թե ինչու: Որովհետև վերելակը չունի մի շարք կարևոր մասեր, ինչպես օրինակ կոճակներ: (Ծիծաղ) Մարդիկ սովոր են դրանք օգտագործել: Այն միայն ունի մեկ թիվ, որը բարձրանում կամ իջնում է և մի կարմիր կոճակ, վրան գրված. «Կասեցնել»: Ահա թե ինչի համար ենք մենք դա անում։ Մենք դա անում ենք մեքենայի դիալեկտի համար: Ինչքա՞ն հեռու կարելի է գնալ։ Կարող ենք շատ ու շատ հեռու գնալ:
So let me take it back to Wall Street. Because the algorithms of Wall Street are dependent on one quality above all else, which is speed. And they operate on milliseconds and microseconds. And just to give you a sense of what microseconds are, it takes you 500,000 microseconds just to click a mouse. But if you're a Wall Street algorithm and you're five microseconds behind, you're a loser. So if you were an algorithm, you'd look for an architect like the one that I met in Frankfurt who was hollowing out a skyscraper -- throwing out all the furniture, all the infrastructure for human use, and just running steel on the floors to get ready for the stacks of servers to go in -- all so an algorithm could get close to the Internet.
Եկեք վերադառնանք Ուոլ Սթրիթ: Որովհետև Ուոլ Սթրիթի ալգորիթմները, առավել, քան մնացած բոլորը, կախված են մի որակական հատկանիշից. այն է՝ արագությունը: Եվ նրանք աշխատում են միլիվայրկյաններով և միկրովայրկյաններով: Իսկ եթե ուզում եք պատկերացնել, թե ինչ է միկրովայրկյանը. ձեզանից պահանջվում է 500,000 միկրովայրկյան, որպեսզի միայն մկնիկի կոճակը սեղմեք: Բայց եթե դուք Ուոլ Սթրիթի ալգորիթմ եք և հետ եք մնում հինգ միկրովայրկյանով, դուք ձախողակ եք: Այսպիսով, եթե դուք լինեիք ալգորիթմ, դուք կփնտրեիք ճարտարապետի, ում ես հանդիպեցի Ֆրանկֆուրտում, ով դատարկում էր մի երկնաքեր -- դուրս էր նետում ամբողջ կահույքը, մարդկային օգտագործման ինֆրակառուցվածքը, թողնելով միայն հատակի պողպատը, որ տեղ ազատի տեղադրվելիք սերվերների համար -- և այս ամենը նրա համար, որ ալգորիթմը կարողանա ինտերնետին ավելի մոտ լինել:
And you think of the Internet as this kind of distributed system. And of course, it is, but it's distributed from places. In New York, this is where it's distributed from: the Carrier Hotel located on Hudson Street. And this is really where the wires come right up into the city. And the reality is that the further away you are from that, you're a few microseconds behind every time. These guys down on Wall Street, Marco Polo and Cherokee Nation, they're eight microseconds behind all these guys going into the empty buildings being hollowed out up around the Carrier Hotel. And that's going to keep happening. We're going to keep hollowing them out, because you, inch for inch and pound for pound and dollar for dollar, none of you could squeeze revenue out of that space like the Boston Shuffler could.
Եվ կարելի է մտածել ինտերնետի մասին, որպես մի բաշխված համակարգի: Եվ, իհարկե, այդպես էլ կա, բայց այն բաշխվում է ինչ-որ վայրերից: Ահա թե որտեղից է բաշխվում այն Նյու Յորքում՝ Կարիեր հյուրանոցից, որը տեղակայված է Հադսոն փողոցում: Ահա թե իրականում որտեղից են լարերը տարածվում դեպի քաղաք: Ինչքան հեռու լինես դրանից, ամեն անգամ մի քանի միկրովայրկյան ժամանակ ես կորցնելու: Ուոլ Սթրիթի այս տղերքը՝ Մարկո Պոլոն և Չերոկի Նեյշնը, հետ են մնում ութ միկրովայրկյանով բոլոր այն տղերքից, ովքեր տեղափոխվում են Կարիեր հյուրանոցի մոտակայքում տեղավորված դատարկվող շենքերը: Եվ սա անընդհատ տեղի է ունենալու: Անընդհատ մենք դատարկելու ենք դրանք, քանզի դուք, սանտիմետր առ սանտիմետր կիլոգրամ առ կիլոգրամ և դոլար առ դոլար, ձեզանից ոչ ոք այդքան շահույթ չի կարող ստանալ այդ տարածքից, որքան «Բոստոնցի խաղամոլը» կարողացավ անել:
But if you zoom out, if you zoom out, you would see an 825-mile trench between New York City and Chicago that's been built over the last few years by a company called Spread Networks. This is a fiber optic cable that was laid between those two cities to just be able to traffic one signal 37 times faster than you can click a mouse -- just for these algorithms, just for the Carnival and the Knife. And when you think about this, that we're running through the United States with dynamite and rock saws so that an algorithm can close the deal three microseconds faster, all for a communications framework that no human will ever know, that's a kind of manifest destiny; and we'll always look for a new frontier.
Բայց եթե տեսադաշտը հեռացնենք, եթե հեռացնենք պատկերը, կարող ենք տեսնել 1,300 կիլոմետրանոց խրամատ Նյու Յորքի և Չիկագոյի միջև, այն արվել է վերջին մի քանի տարիների ընթացքում, Spread Networks կոչվող ընկերության կողմից: Սա օպտիկամանրաթելային մալուխ է անցկացված այս երկու քաղաքների միջև որպեսզի կարելի լինի տրաֆիկի սիգնալը 37 անգամ ավելի արագ տեղափոխել, քան մկնիկի սեղմումը -- այս ամենը հանուն ալգորիթմների է, հանուն «Պարահանդեսի» և «Դանակի»: Եվ երբ մտածում ես սրա մասին, թե ինչպես ենք քար-կտրիչով ու դինամիտով ընկել Միացյալ Նահանգներով, որպեսզի ալգորիթմը կարողանա ավարտել գործարքը երեք միկրովայրկյան ավելի արագ, ամենը հաղորդակցական հենքի համար, որի մասին մարդիկ երբեք չեն իմանա, սա ասես ճակատագրի կանչ է, անընդհատ նորանոր հորիզոններ փնտրել:
Unfortunately, we have our work cut out for us. This is just theoretical. This is some mathematicians at MIT. And the truth is I don't really understand a lot of what they're talking about. It involves light cones and quantum entanglement, and I don't really understand any of that. But I can read this map, and what this map says is that, if you're trying to make money on the markets where the red dots are, that's where people are, where the cities are, you're going to have to put the servers where the blue dots are to do that most effectively. And the thing that you might have noticed about those blue dots is that a lot of them are in the middle of the ocean. So that's what we'll do: we'll build bubbles or something, or platforms. We'll actually part the water to pull money out of the air, because it's a bright future if you're an algorithm.
Ցավոք, մեր գործը կանխորոշված է: Սա լոկ տեսականորեն... Սրանք որոշ մաթեմատիկոսներ են Մասաչուսեթսի տեխնոլոգիայի ինստիտուտից: Ճիշտն ասած ես գրեթե չեմ հասկանում, թե ինչ են նրանք խոսում: Խոսում են լուսային կոների և քվանտային խճճվածության մասին, և իրականում ես դրանից ընդհանրապես գլուխ չեմ հանում: Բայց ես կարող եմ կարդալ այս քարտեզը: Եվ այս քարտեզը մեզ ասում է, որ եթե փորձում եք շահույթ ստանալ շուկայում, որտեղ կարմիր կետերն են, դրանք քաղաքներ են, որտեղ կան մարդիկ, դուք պետք է տեղադրեք սերվերները այնտեղ, որտեղ կապույտ կետերն են, որպեսզի առավել արդյունավետ աշխատեք: Եվ բանն այն է, որ, նկատած կլինեք, կապույտ կետերի մեծ մասը տեղադրված է ուղիղ օվկիանոսի կենտրոնում: Ուրեմն ահա թե ինչ պետք է անենք, պետք է կառուցենք փուչիկ, կամ հենահարթակի նման բան: Մենք կառանձնացնենք ջուրը, որպեսզի օդից գումար ստեղծենք, որովհետև դա տանում է դեպի պայծառ ապագա, եթե դու ալգորիթմ ես:
(Laughter)
(Ծիծաղ)
And it's not the money that's so interesting actually. It's what the money motivates, that we're actually terraforming the Earth itself with this kind of algorithmic efficiency. And in that light, you go back and you look at Michael Najjar's photographs, and you realize that they're not metaphor, they're prophecy. They're prophecy for the kind of seismic, terrestrial effects of the math that we're making. And the landscape was always made by this sort of weird, uneasy collaboration between nature and man. But now there's this third co-evolutionary force: algorithms -- the Boston Shuffler, the Carnival. And we will have to understand those as nature, and in a way, they are.
Եվ գումարը չէ, որ առավել հետաքրքում է մեզ այստեղ: Դա այն է, ինչը գումարը թելադրում է: Այն, որ մենք փաստորեն ձևափոխում ենք Երկիր մոլորակը որպեսզի հասնենք ալգորիթմի արդյունավետությանը: Եվ այս լույսի ներքո, դուք հետ եք գնում և նայում եք Մայքլ Նաջարի լուսանկարներին, և հասկանում ես, որ դրանք փոխաբերական իմաստ չունեն, դրանք գուշակություններ են: Դրանք գուշակություններ են սեյսմիկ, ցամաքային փոփոխության մասին, որի պատճառը մաթեմատիկան է, որով մենք զբաղվում ենք: Լանդշաֆտը միշտ էլ ձևավորվել է մարդու և բնության միջև նման տարօրինակ, դժվար համագործակցության արդյունքում: Բայց հիմա ունենք այս երրորդ համա-էվոլյուցիոն ուժը՝ ալգորիթմները -- «Բոստոնցի խաղամոլը», «Պարահանդեսը»: Ժամանակ է պետք, որ ընդունենք դրանց որպես բնություն: Եվ ինչ որ իմաստով, դրանք իրոք բնություն են:
Thank you.
Շնորհակալ եմ:
(Applause)
(Ծափահարություններ)