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.
Ini adalah foto karya seniman Michael Najjar, dan ini sungguhan, dalam arti dia benar-benar pergi ke Argentina dan mengambil foto ini. Tapi ini juga fiksi. Ada banyak hal yang dilakukan pada foto ini sesudahnya. Yang dia lakukan sebenarnya adalah mengubah secara digital semua kontur pegunungan itu mengikuti variasi ketinggian indeks Dow Jones. Jadi yang kita lihat, tebing curam itu, tebing curam dengan lembah itu, adalah krisis ekonomi 2008. Foto itu dibuat saat kita tenggelam di lembah itu. Saya tidak tahu di mana kita sekarang. Ini adalah indeks Hang Seng untuk Hong Kong. Topografis yang serupa. Entah kenapa.
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.
Ini seni, metafora. Tapi menurut saya intinya adalah ini adalah metafora bertaring. Dan karena taring itulah saya ingin mengajak Anda pada hari ini untuk memikirkan kembali peranan matematika kontemporer -- bukan hanya matematika finansial, tapi matematika secara umum. Tentang peralihannya dari sesuatu yang kita ambil dan hasilkan dari dunia menjadi sesuatu yang mulai membentuk dunia -- dunia di sekitar kita dan dunia di dalam diri kita. Terutama algoritma, yang pada intinya adalah matematika yang digunakan komputer untuk mengambil keputusan. Algoritma dekat dengan kebenaran, karena terus berulang dan berulang. Lalu mengering dan mengerak, dan menjadi nyata.
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?"
Saya memikirkan tentang semua ini, justru ketika berada di atas penerbangan transatlantik beberapa tahun lalu, kebetulan saya duduk di samping seorang fisikawan Hungaria seumuran saya dan kami berbicara tentang seperti apa hidup saat Perang Dingin bagi fisikawan di Hungaria. Saya bertanya, "Jadi apa pekerjaan Anda?"
And he said, "Well we were mostly breaking stealth."
Dan dia menjawab, "Kami membuat penangkal teknologi siluman."
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.
Saya jawab, "Pekerjaan yang bagus. Menarik. Bagaimana cara kerjanya?" Untuk memahami hal ini, kita harus memahami sedikit tentang cara kerja teknologi siluman. Dan -- penyederhanaan ini agak berlebihan -- tapi pada dasarnya, kita tidak bisa begitu saja menghilang dari sinyal radar menghilangkan 156 ton besi baja di angkasa. Tidak akan begitu saja menghilang. Tapi kalau kita bisa membuat benda besar ini, mengubahnya menjadi jutaan benda kecil -- seperti kawanan burung -- radar yang tetap bisa melihatnya berarti juga akan bisa melihat setiap kawanan burung di angkasa. Untuk radar, itu sangat sulit
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.'"
Dan dia mengatakan, "Ya, tapi itu hanya untuk radar. Jadi kami tidak menggunakan radar; kami membuat kotak hitam yang mencari sinyal elektronik, komunikasi elektronik. Jadi kapan saja kami melihat sekawanan burung melakukan komunikasi elektronik, kami boleh curiga kalau itu ada hubungannya dengan Amerika."
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?"
Dan saya jawab, "Wah. Itu keren. Jadi Anda telah menghancurkan hasil riset aeronautis selama 60 tahun. Apa kegiatan Anda yang lain? Apa yang Anda lakukan sebelumnya?" Dan dia menjawab, "Jasa finansial." Dan saya berkata, "Oh." Karena saya sering mendengarnya di berita. Saya bertanya, "Bagaimana cara kerjanya?" Dia menjawab, "Ada 2.000 fisikawan di Wall Street sekarang, saya salah satunya." Dan saya mengatakan, "Jadi untuk Wall Street, apa kotak hitamnya?"
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.
Dan jawabnya, "Kebetulan sekali Anda bertanya, karena namanya memang perdagangan kotak hitam. Kadang juga disebut perdagangan algo, perdagangan algoritma." Perdagangan algoritma sebagian berkembang karena pialang perusahaan punya masalah yang sama dengan Angkatan Bersenjata Amerika, yaitu mereka memindahkan posisi-posisi ini -- baik itu Proctor & Gamble atau Accenture, apa pun itu -- mereka memindahkan jutaan saham dari suatu perusahaan melalui pasar. Dan kalau mereka melakukannya sekaligus, itu akan seperti main poker dan mempertaruhkan semuanya sekaligus. Anda membuka rahasia Anda sendiri. Jadi mereka pun harus menemukan cara -- dan mereka menggunakan algoritma -- untuk memecahkan sesuatu yang besar menjadi jutaan transaksi kecil. Yang ajaib atau menakutkan dari hal itu adalah perhitungan yang sama yang Anda gunakan untuk memecah benda besar menjadi jutaan benda kecil bisa digunakan untuk menemukan jutaan benda kecil itu dan merekatkannya kembali dan mencari tahu apa yang sebenarnya terjadi di pasar.
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.
Jadi kalau kita memerlukan gambaran tentang apa yang terjadi di pasar modal sekarang, Anda bisa membayangkan setumpuk algoritma yang diprogram untuk menyembunyikan, dan setumpuk algoritma yang diprogram untuk menemukan dan bertindak. Dan itu memang hebat, tidak masalah. Dan itulah 70 persen dari pasar saham Amerika Serikat, 70 persen sistem operasi yang sebelumnya dikenal sebagai pensiun Anda, pinjaman Anda.
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."
Apa yang mungkin terjadi? Yang mungkin terjadi adalah yang terjadi tahun lalu, sembilan persen dari seluruh pasar tiba-tiba menghilang selama 5 menit, mereka menyebutnya "flash crash of 2:45." Tiba-tiba, 9 persen hilang begitu saja, dan tidak ada satu pun hingga hari ini yang sepakat tentang apa yang telah terjadi, karena tidak ada yang memesannya, tidak ada yang memintanya. Tidak ada yang bisa mengendalikan hal yang sebenarnya terjadi. Yang mereka tahu hanya sebuah monitor di depan mereka yang bertuliskan angka dan sebuah tombol merah yang bertuliskan, "Stop."
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.
Dan itulah masalahnya, kita terus menulis hal-hal ini, kita terus menulis hal-hal yang tidak lagi bisa kita baca. Kita menghasilkan sesuatu yang tidak bisa dibaca. Dan kita kehilangan pengertian atas apa yang sebenarnya terjadi di dunia yang telah kita buat ini. Kita mulai membuka jalan kita sendiri. Ada sebuah perusahaan di Boston yang bernama Nanex, dan mereka menggunakan matematika dan sulap dan saya tidak tahu apa lagi, mereka mengumpulkan semua data pasar dan menemukan, terkadang, beberapa algoritma ini. Kalau mereka menemukannya, mereka akan menariknya dan menempelkannya ke dinding seperti kupu-kupu Mereka melakukan yang selalu kita lakukan jika dihadapkan pada sejumlah besar data yang tidak kita mengerti -- yaitu memberinya nama dan cerita. Inilah salah satu yang mereka temukan, mereka menyebutnya "Knife" (Pisau), "Carnival" (Karnaval), "Boston Shuffler" (Bandar Boston), "Twilight" (Senja).
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."
Dan yang lucu adalah ini tidak hanya ada di pasar modal. Anda bisa menemukan hal seperti ini di mana saja, jika Anda tahu di mana harus mencarinya. Anda bisa menemukannya di sini: sebuah buku tentang lalat yang mungkin sedang Anda cari di Amazon. Anda mungkin menyadari harganya bertuliskan 1.7 juta dolar. Tapi tetap saja habis -- tetap ... (Suara tawa) Jadi kalau Anda membelinya seharga 1,7 juta dolar, itu sudah murah. Beberapa jam kemudian, harganya pernah naik menjadi 23,6 juta dolar, ditambah pengepakan dan pengiriman. Pertanyaannya adalah: Tidak ada yang membeli atau menjual apa pun; apa yang terjadi? Kita melihat perilaku ini di Amazon mungkin juga kita melihatnya di Wall Street. Ketika kita melihat perilaku seperti ini, yang kita lihat adalah bukti konflik algoritma, algoritma terkunci dalam lingkaran dengan yang lain, tanpa ada manusia yang mengawasi, tanpa pengawasan orang dewasa yang berkata, "1.7 juta itu jumlah yang besar."
(Laughter)
(Suara tawa)
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.
Sama seperti Amazon, Netflix juga mempunyainya. Netflix sudah menggunakan beberapa algoritma yang berbeda beberapa tahun ini. Dimulai dengan "Cinematch" (Bioskop), dan beberapa yang lain. Ada yang bernama "Dinosaur Planet" (Planet Dinosaurus), "Gravity" (Gravitasi), Mereka menggunakan "Pragmatic Chaos" (Kekacauan Pragmatis) sekarang. "Pragmatic Chaos" itu, seperti algoritma Netflix lainnya, mencoba melakukan hal yang sama. Mencoba memahami Anda, memahami perangkat yang ada di dalam otak manusia, supaya bisa merekomendasikan film apa yang mungkin ingin Anda tonton selanjutnya -- yang dalam hal ini menjadi masalah yang sangat sulit. Tapi tingkat kesulitan masalah ini dan kenyataan bahwa kita tidak benar-benar mengetahuinya, ini juga tidak jauh dari efek "Pragmatic Chaos". Pragmatic Chaos, seperti algoritma Netflix lainnya, pada akhirnya menentukan 60 persen film yang akhirnya disewa. Jadi sebuah kode yang berisi satu ide tentang diri Anda bertanggung jawab atas 60 persen film tersebut.
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?
Bagaimana jika kita bisa menilai film-film itu sebelum dibuat? Bukankan itu akan bermanfaat? Beberapa ilmuwan data dari Inggris sedang berada di Hollywood, dan mereka punya algoritma naskah -- sebuah perusahaan bernama Epagogix. Anda bisa memasukkan naskah Anda ke dalamnya, dan mereka bisa memberitahu Anda, secara kuantitas, apakah itu film bernilai 30 juta dolar atau film bernilai 200 juta dolar. Masalahnya ini bukanlah Google. Ini bukan informasi. Ini bukan statistik finansial; ini adalah budaya. Dan yang Anda lihat di sini, atau yang biasanya tidak Anda lihat, ini adalah ilmu fisika budaya. Dan jika algoritma ini, seperti algoritma Wall Street, suatu hari tiba-tiba gagal dan menjadi kacau, bagaimana kita tahu akan seperti apa?
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.
Algoritma ini ada di rumah Anda, di rumah kita. Ini adalah dua algoritma yang memperebutkan ruang tamu Anda. Ini adalah dua robot pembersih berbeda yang punya definisi berbeda tentang kata bersih. Kita bisa melihatnya kalau kita memperlambat dan memasang lampu. Mereka seperti arsitek rahasia di kamar tidur Anda. Dan ide untuk menjadikan arsitektur sebagai subjek optimalisasi algoritma juga sudah ada. Ini sangat nyata dan terjadi di sekitar Anda.
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.
Anda paling merasakannya saat berada di kotak logam tertutup, lift gaya baru, mereka menyebutnya lift kontrol tujuan. Inilah yang harus Anda tekan, lantai yang ingin Anda kunjungi sebelum masuk ke lift. Dan ini menggunakan apa yang disebut algoritma "bin-packing". Tidak perlu lagi ada kekacauan ini membiarkan orang masuk ke lift yang mereka mau. Siapa saja yang ingin ke lantai 10 silakan masuk ke lift yang kedua, dan semua yang ingin ke lantai 3 silakan masuk ke nomor lima. Masalahnya adalah orang suka panik. Orang panik. Dan lihatlah sebabnya. Itu karena lift tersebut tidak memiliki instrumen yang penting, seperti tombol. (Suara tawa) Seperti yang biasa digunakan oleh orang-orang itu. Yang ada hanya nomor yang bergerak naik dan turun dan tombol merah yang bertuliskan, "Stop." Dan inilah yang sekarang kami rancang. Kami merancang untuk dialek mesin ini. Seberapa jauh Anda bisa mengembangkannya? Anda bisa mengembangkannya sangat jauh.
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.
Mari kita kembali ke Wall Street. Karena algoritma Wall Street tergantung pada satu kualitas utama, yaitu kecepatan. Mereka beroperasi dalam milidetik dan mikrodetik. Dan sebagai gambaran berapa lama mikrodetik itu, perlu waktu 500.000 mikrodetik untuk mengklik sebuah mouse. Tapi kalau Anda adalah algoritma Wall Street dan Anda terlambat lima mikrodetik, Anda kalah. Jadi kalau Anda adalah algoritma, Anda harusnya mencari arsitek seperti yang saya temui di Frankfurt yang mengosongkan sebuah gedung pencakar langit -- membuang semua perabot, semua prasarana untuk manusia, dan hanya menyiapkan besi di lantai bersiap menyambut tumpukan server -- selain itu, algoritma juga bisa dekat dengan Internet.
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.
Anda mungkin mengira Internet itu sejenis sistem distribusi. Memang benar, tapi distribusi itu berasal dari berbagai tempat. Di New York, inilah asal pendistribusiannya: Hotel Carrier berada di Hudson Street. Ini benar-benar asal dari kabel-kabel yang ada di kota itu. Faktanya, semakin jauh Anda dari sana, semakin besar jarak mikrodetik Anda darinya. Orang-orang ini di Wall Street, Marco Polo dan Cherokee Nation, berada 8 mikrodetik di belakang orang-orang ini yang berada di gedung kosong tadi di sekitar Hotel Carrier. Dan hal ini akan terus terjadi. Kita akan terus mengosongkan gedung-gedung, karena kita, inci demi inci dan dolar demi dolar, tidak ada yang bisa menghasilkan uang dari sana seperti yang dilakukan Boston Shuffler.
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.
Tapi kalau kita perbesar, kalau kita perbesar, kita akan melihat kanal sepanjang 825 mil antara New York dan Chicago yang sudah dibangun selama beberapa tahun belakangan oleh perusahaan yang bernama Spread Networks. Ini adalah kabel serat optik yang ditanamkan di antara kedua kota itu agar bisa mengirimkan sinyal 37 kali lebih cepat daripada kita mengklik sebuah mouse -- hanya untuk algoritma ini, hanya untuk "Carnival" dan "Knife." Dan kalau kita memikirkan bahwa kita berkeliling Amerika Serikat dengan dinamit dan gergaji batu agar sebuah algoritma bisa menutup sebuah transaksi tiga mikrodetik lebih cepat, semua demi kerangka komunikasi yang tidak akan pernah diketahui manusia, itu semacam perwujudan takdir bahwa kita selalu mencari daerah baru.
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.
Sayangnya, kita punya masalah besar. Ini hanya teori. Ini beberapa matematikawan di MIT. Jujur, saya tidak begitu mengerti apa yang mereka bicarakan. Ini melibatkan kerucut cahaya dan keterkaitan kuantum, saya tidak begitu mengerti tentang semua itu. Tapi saya bisa membaca peta ini. Dan peta ini berkata kalau Anda mencoba menghasilkan uang di pasar yang bertitik merah, itulah tempat orang-orang dan kota berada, kita harus menempatkan server di semua titik biru untuk bisa melakukannya paling efektif. Dan Anda mungkin memperhatikan titik biru itu ada banyak yang berada di tengah lautan. Jadi itulah yang akan kita lakukan, membuat balon atau semacamnya, atau landasan. kita akan membelah air menghasilkan uang dari udara, karena itu masa depan yang cerah kalau Anda adalah algoritma.
(Laughter)
(Suara tawa)
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.
Yang menarik sebenarnya bukan masalah uang. Tapi apa yang dimotivasi oleh uang itu. Bahwa kita benar-benar membentuk bumi ini dengan efisiensi algoritma seperti ini. Dan dari sini, kita bisa kembali dan melihat foto Michael Najjar, dan menyadari bahwa itu bukanlah metafora, tapi ramalan. Foto-foto itu ramalan akan sejenis efek seismik, terestrial dari matematika yang sedang kita tulis. Bumi selalu dibentuk oleh kolaborasi yang aneh dan rumit antara alam dan manusia. Namun sekarang ada kekuatan evolusioner ketiga ini: algoritma -- Boston Shuffler, Carnival. Dan kita harus memandangnya sebagai alam. Karena memang demikian.
Thank you.
Terima kasih.
(Applause)
(Tepuk tangan)