Ich möchte heute über ein Konzept sprechen. Es ist ein großes Konzept. Eigentlich glaube ich, dass es möglicherweise als das bedeutendste Konzept angesehen werden kann, das sich im letzten Jahrhundert entwickelt hat. Es ist die Idee der Berechnung. Nun, natürlich brachte uns dieses Konzept alles an Computertechnologie, was wir heute haben und so weiter. Aber da gibt es eigentlich viel mehr zu berechnen als das. Es ist ein sehr tiefes, sehr starkes, sehr elementares Konzept. dessen Auswirkungen wir gerade erst beginnen zu erkennen.
So I want to talk today about an idea. It's a big idea. Actually, I think it'll eventually be seen as probably the single biggest idea that's emerged in the past century. It's the idea of computation. Now, of course, that idea has brought us all of the computer technology we have today and so on. But there's actually a lot more to computation than that. It's really a very deep, very powerful, very fundamental idea, whose effects we've only just begun to see.
Nun, ich selbst habe die letzten 30 Jahre meines Lebens an drei großen Projekten gearbeitet, die wirklich versuchen, das Konzept der Berechnung ernst zu nehmen. Ich begann also im Jugendalter als Physiker der Computer als Arbeitshilfe nutzte. Dann fing ich an, das irgendwie aufzureißen, über die Berechnungen nachzudenken, die ich durchführen könnte. um herauszufinden, auf welchen Grundlagen sie aufgebaut werden könnten und wie sie, so gut wie möglich, automatisiert werden könnten. Letztendlich erschaffte ich eine Struktur, basierend auf symbolischer Programmierung und so weiter, die mich die Mathematica erstellen ließ. Und während der letzten 23 Jahre ließen wir in zunehmendem Maße mehr und mehr Ideen und Kapazitäten und so weiter in Mathematica einfließen und ich bin froh sagen zu können, dass dies zu vielen guten Dingen in Forschung & Entwicklung und Bildung sowie in vielen anderen Bereichen geführt hat. Nun, ich muss zugeben, eigentlich hatte ich einen sehr egoistischen Grund, um Mathematica zu erschaffen. Ich wollte es für mich selbst nutzen, etwa so, wie Galileo sein Teleskop nutzte, vor 400 Jahren. Aber ich wollte nicht auf das astronomische Universum blicken, sondern auf das rechnerische Universum.
Well, I myself have spent the past 30 years of my life working on three large projects that really try to take the idea of computation seriously. So I started off at a young age as a physicist using computers as tools. Then, I started drilling down, thinking about the computations I might want to do, trying to figure out what primitives they could be built up from and how they could be automated as much as possible. Eventually, I created a whole structure based on symbolic programming and so on that let me build Mathematica. And for the past 23 years, at an increasing rate, we've been pouring more and more ideas and capabilities and so on into Mathematica, and I'm happy to say that that's led to many good things in R & D and education, lots of other areas. Well, I have to admit, actually, that I also had a very selfish reason for building Mathematica: I wanted to use it myself, a bit like Galileo got to use his telescope 400 years ago. But I wanted to look not at the astronomical universe, but at the computational universe.
Üblicherweise denken wir bei Programmen an komplizierte Dinge, die wir für einen spezifischen Zweck erstellen. Aber was ist mit dem Raum all dieser möglichen Programme? Hier ist eine Darstellung eines sehr einfachen Programms. Wenn wir dieses Programm laufen lassen, bekommen wir das. Ganz einfach. Lassen Sie uns also mal versuchen die Regel für das Programm ein wenig zu ändern. Jetzt bekommen wir ein anderes Ergebnis, dennoch ganz einfach. Versuchen wir es nochmal zu ändern. Sie bekommen etwas leicht komplizierteres, aber wenn wir es für eine Weile laufen lassen, finden wir heraus, dass das Muster, was wir bekommen, sehr aufwändig ist, es hat eine sehr geregelte Struktur. Die Frage lautet also: Kann irgend etwas anderes passieren? Nun, wir können ein kleines Experiment machen. Machen wir ein kleines mathematisches Experiment, versuchen wir etwas herauszufinden.
So we normally think of programs as being complicated things that we build for very specific purposes. But what about the space of all possible programs? Here's a representation of a really simple program. So, if we run this program, this is what we get. Very simple. So let's try changing the rule for this program a little bit. Now we get another result, still very simple. Try changing it again. You get something a little bit more complicated. But if we keep running this for a while, we find out that although the pattern we get is very intricate, it has a very regular structure. So the question is: Can anything else happen? Well, we can do a little experiment. Let's just do a little mathematical experiment, try and find out.
Lassen wir einfach alle möglichen Programme des speziellen Falls, den wir betrachten, laufen. Sie werden zellulare Automaten genannt. Hier können Sie eine hohe Vielfältigkeit im Verhalten erkennen. Die meisten davon machen sehr einfache Dinge. Aber wenn Sie weiter auf all diese verschiedenen Bilder schauen, bei Regel Nummer 30, erkennen Sie, dass sich da etwas interessantes abzeichnet. Gucken wir also mal genauer auf Regel Nummer 30 hier. Hier ist es also. Wir folgen einfach dieser simplen Regeln hier unten, bekommen jedoch all diese erstaunlichen Dinge. Es ist gar nicht das, was wir gewohnt sind, und ich muss sagen, als ich es das erste mal sah, kam es zu einer riesen Erschütterung meiner Intuition und, in der Tat, um es zu verstehen, musste ich letztendlich eine ganz neue Art der Wissenschaft entwerfen.
Let's just run all possible programs of the particular type that we're looking at. They're called cellular automata. You can see a lot of diversity in the behavior here. Most of them do very simple things, but if you look along all these different pictures, at rule number 30, you start to see something interesting going on. So let's take a closer look at rule number 30 here. So here it is. We're just following this very simple rule at the bottom here, but we're getting all this amazing stuff. It's not at all what we're used to, and I must say that, when I first saw this, it came as a huge shock to my intuition. And, in fact, to understand it, I eventually had to create a whole new kind of science.
(Lachen)
(Laughter)
Diese Wissenschaft ist anders, allgemeiner, als die mathematisch basierte Wissenschaft, die wir in den letzten 300 Jahren oder so hatten. Wissen Sie, es schien immer wie ein großes Rätsel, wie es die Natur anscheind so spielend schafft, so viel zu produzieren, das uns so komplex erscheint. Nun ich denke wir fanden das Geheimnis. Es ist einfach eine Stichprobe von dem da draußen im rechnerischen Universum und recht häufig kommt es zu Dingen wie Regel 30 oder so etwas. Und dieses Wissen erklärt eine Menge von jahrelangen Mysterien in der Wissenschaft. Es schafft jedoch auch neue Probleme, wie die rechnerische Nichtreduzierbarkeit. Ich meine, wir sind es gewohnt, die Wissenschaft dafür zu nutzen, um uns Dinge voraussagen zu lassen, aber so etwas wie das ist im Grunde unzerlegbar. Der einzige Weg das Ergebnis herauszufinden ist quasi, eben zu schauen, wie es sich entwickelt. Es ist verbunden mit, wie ich es nenne, den Prinzipien der rechnerischen Äquivalenz, die uns sagen, dass unheimlich einfache Systeme völlig mühelos hochkomplexe Berechnungen machen können. Es braucht nicht viel Technologie der biologischen Evolution, um willkürliche Berechnungen zu machen. Es passiert einfach, natürlich, überall. Dinge mit Regeln die so einfach wie diese sein können. Nun, das hat große Auswirkungen auf die Grenzen der Wissenschaft, auf Berechenbarkeit und Steuerbarkeit von Dingen wie biologischen Prozessen oder Einsparungen, auf Intelligenz im Universum, auf Fragen, wie die Willensfreiheit und auf das Erschaffen von Technologien.
This science is different, more general, than the mathematics-based science that we've had for the past 300 or so years. You know, it's always seemed like a big mystery: how nature, seemingly so effortlessly, manages to produce so much that seems to us so complex. Well, I think we've found its secret: It's just sampling what's out there in the computational universe and quite often getting things like Rule 30 or like this. And knowing that starts to explain a lot of long-standing mysteries in science. It also brings up new issues, though, like computational irreducibility. I mean, we're used to having science let us predict things, but something like this is fundamentally irreducible. The only way to find its outcome is, effectively, just to watch it evolve. It's connected to, what I call, the principle of computational equivalence, which tells us that even incredibly simple systems can do computations as sophisticated as anything. It doesn't take lots of technology or biological evolution to be able to do arbitrary computation; just something that happens, naturally, all over the place. Things with rules as simple as these can do it. Well, this has deep implications about the limits of science, about predictability and controllability of things like biological processes or economies, about intelligence in the universe, about questions like free will and about creating technology.
Wissen Sie, während ich soviele Jahre an dieser Wissenschaft arbeitete, fragte ich mich: "Was wird ihre Killerapplikation sein?" Nun, seitdem ich ein Kind war, dachte ich darüber nach, wie man Wissen systematisieren und irgendwie berechenbar machen könnte. Leute wie Leibniz machten sich ebenfalls Gedanken darüber, 300 Jahre früher. Aber ich nahm immer an, dass ich, um voranzukommen, im Wesentlichen ein komplettes Gehirn replizieren müsste. Also, überlegte ich mir: Das mein wissenschaftliches Paradigma etwas anderes vorschlägt. Und, übrigens, habe ich nun gewaltige Rechenkapazitäten in Mathematica und ich bin ein Geschäftsführer mit einigen weltlichen Ressourcen, um große, scheinbar verrückte Projekte zu machen. Also entschied ich mich einfach zu versuchen, zu erkennen wieviel von dem systematischen Wissen da draussen in der Welt wir berechnen können.
You know, in working on this science for many years, I kept wondering, "What will be its first killer app?" Well, ever since I was a kid, I'd been thinking about systematizing knowledge and somehow making it computable. People like Leibniz had wondered about that too 300 years earlier. But I'd always assumed that to make progress, I'd essentially have to replicate a whole brain. Well, then I got to thinking: This scientific paradigm of mine suggests something different -- and, by the way, I've now got huge computation capabilities in Mathematica, and I'm a CEO with some worldly resources to do large, seemingly crazy, projects -- So I decided to just try to see how much of the systematic knowledge that's out there in the world we could make computable.
Es war also ein großes, sehr komplexes Projekt , von dem ich nicht mal sicher war, ob es überhaupt funktioniert. Aber ich bin froh zu sagen, dass es eigentlich sehr gut ging. Und letztes Jahr waren wir in der Lage, die erste Version der Website von Wolfram Alpha zu veröffentlichen. Ihr Bestimmung ist, eine seriöse Wissensmaschine zu sein, die Antworten auf Fragen errechnet. Probieren wir es also einmal. Beginnen wir mit etwas sehr Einfachem. Auf das Beste hoffen. Sehr gut. Okay. Soweit so gut. (Lachen) Probieren wir etwas, was ein wenig schwerer ist. Sagen wir... Lassen Sie uns etwas Mathematisches machen. und mit etwas Glück findet es die Antwort und versucht uns einige interessante Dinge zu sagen, Dinge über ähnliche Mathematik. Wir könnten es etwas über die reale Welt fragen. Sagen wir -- Ich weiß nicht -- Wie ist das Bruttoinlandsprodukt von Spanien? Und es sollte in der Lage sein, uns das zu sagen. Nun können wir etwas in Relation dazu berechnen. Sagen wir das Bruttoinlandsprodukt von Spanien geteilt durch, Ich weiß nicht. das -- hmmm ... sagen wir das Einkommen von Microsoft.
So, it's been a big, very complex project, which I was not sure was going to work at all. But I'm happy to say it's actually going really well. And last year we were able to release the first website version of Wolfram Alpha. Its purpose is to be a serious knowledge engine that computes answers to questions. So let's give it a try. Let's start off with something really easy. Hope for the best. Very good. Okay. So far so good. (Laughter) Let's try something a little bit harder. Let's do some mathy thing, and with luck it'll work out the answer and try and tell us some interesting things things about related math. We could ask it something about the real world. Let's say -- I don't know -- what's the GDP of Spain? And it should be able to tell us that. Now we could compute something related to this, let's say ... the GDP of Spain divided by, I don't know, the -- hmmm ... let's say the revenue of Microsoft.
(Lachen)
(Laughter)
Die Idee ist, dass wir es sozusagen einfach eintippen, eine Frage, die wir uns gerade stellen. Probieren wir also eine Frage zu stellen, die sich mit der Gesundheit beschäftigt. Also sagen wir, wir haben ein Labor, dass meint -- Sie wissen schon, wir haben einen Cholesterinspiegel von 140 für einen Mann im Alter von 50. Also lassen Sie uns das eintippen und nun wird Wolfram Alpha losgehen und verfügbare öffentliche Gesundheitsinformationen nutzen und versuchen herauszufinden, welchem Teil der Bevölkerung das entspricht und so weiter. Oder lassen Sie uns fragen, ich weiß nicht, die Internationale Raumstation.
The idea is that we can just type this in, this kind of question in, however we think of it. So let's try asking a question, like a health related question. So let's say we have a lab finding that ... you know, we have an LDL level of 140 for a male aged 50. So let's type that in, and now Wolfram Alpha will go and use available public health data and try and figure out what part of the population that corresponds to and so on. Or let's try asking about, I don't know, the International Space Station.
Und was hier jetzt passiert ist, dass Wolfram Alpha nicht nur etwas nachschaut; Es berechnet in Echtzeit, wo die Internationale Raumstation gerade ist, in diesem Moment, wie schnell sie ist und so weiter. Wolfram Alpha weiß also über viele und viele Dinge Bescheid. Es deckt inzwischen vieles von dem ab, was Sie in einer normalen Präsenzbibliothek finden können. Aber das Ziel ist es viel weiter zu gehen und, sehr umfassend, all diese Arten des Wissens zu demokratisieren und zu versuchen eine zuverlässige Quelle in allen Bereichen zu werden, um fähig zu sein, Antworten zu spezifischen Fragen, die Leute haben, zu errechnen, nicht indem das durchsucht wird, was andere Leute vorher geschrieben haben, sondern indem man vorhandenes Wissen nutzt, um neue Antworten auf spezifische Fragen zu geben.
And what's happening here is that Wolfram Alpha is not just looking up something; it's computing, in real time, where the International Space Station is right now at this moment, how fast it's going, and so on. So Wolfram Alpha knows about lots and lots of kinds of things. It's got, by now, pretty good coverage of everything you might find in a standard reference library. But the goal is to go much further and, very broadly, to democratize all of this knowledge, and to try and be an authoritative source in all areas. To be able to compute answers to specific questions that people have, not by searching what other people may have written down before, but by using built in knowledge to compute fresh new answers to specific questions.
Nun Wolfram Alpha ist selbstverständlich ein monumental großes, langfristiges Projekt, mit vielen, vielen Herausforderungen. Zunächst einmal muss man zigtausend unterschiedliche Quellen von Fakten und Daten generieren, und wir schafften quasi eine Pipeline zwischen mathematischen Berechnungen und Experten sozialer Bereiche, um dies zu tun. Aber das ist nur der Anfang. Um mit rohen Fakten und Daten tatsächlich auf Fragen zu antworten, muss man Berechnungen anstellen, muss man all diese Methoden und Modelle implementieren und Algorithmen und so weiter, die die Wissenschaft und andere Gebiete über Jahrzehnte aufgebaut haben. Nun, selbst ausgehend von Mathematica, ist es immer noch eine unheimliche Menge Arbeit. Bisher sind es über 8 Millionen Zeilen mathematischen Codes in Wolfram Alpha, erstellt von Experten aus vielen, vielen unterschiedlichen Bereichen.
Now, of course, Wolfram Alpha is a monumentally huge, long-term project with lots and lots of challenges. For a start, one has to curate a zillion different sources of facts and data, and we built quite a pipeline of Mathematica automation and human domain experts for doing this. But that's just the beginning. Given raw facts or data to actually answer questions, one has to compute: one has to implement all those methods and models and algorithms and so on that science and other areas have built up over the centuries. Well, even starting from Mathematica, this is still a huge amount of work. So far, there are about 8 million lines of Mathematica code in Wolfram Alpha built by experts from many, many different fields.
Nun, eine essentielle Idee von Wolfram Alpha ist es, dass Sie einfach Fragen in normaler menschlicher Sprache stellen können, was bedeutet, dass wir in der Lage sein müssen, all die seltsamen Äußerungen, die Leute in das Eingabefeld tippen, aufzunehmen und sie zu verstehen. Und ich muss sagen, dass ich glaubte, dieser Schritt sei schlicht unmöglich. Zwei wesentliche Dinge passierten. Erstens, ein Haufen neuer Ideen über die Sprachwissenschaft gingen aus den Studien des rechnerischen Universums hervor. Und zweitens, die Realisierung, tatsächlich erechenbares Wissen zu haben, kann sich vollständig ändern, wenn man über das Verständnis von Sprache herangeht. Und, natürlich jetzt, mit Wolfram Alpha eigentlich in freier Wildbahn, können wir von dessen aktueller Nutzung lernen. Und es gab sogar eine interessante Koevolution die stattfand zwischen Wolfram Alpha und dessen Nutzer. Und das ist wahrlich vielversprechend. Im Augenblick, wenn wir einen Blick auf die Webanfragen werfen, werden mehr als 80 Prozent beim ersten Mal erfolgreich bearbeitet. Und wenn Sie einen Blick auf Dinge wie die iPhone Applikation werfen, ist der Anteil erheblich höher. Ich bin also ziemlich zufrieden mit all dem.
Well, a crucial idea of Wolfram Alpha is that you can just ask it questions using ordinary human language, which means that we've got to be able to take all those strange utterances that people type into the input field and understand them. And I must say that I thought that step might just be plain impossible. Two big things happened: First, a bunch of new ideas about linguistics that came from studying the computational universe; and second, the realization that having actual computable knowledge completely changes how one can set about understanding language. And, of course, now with Wolfram Alpha actually out in the wild, we can learn from its actual usage. And, in fact, there's been an interesting coevolution that's been going on between Wolfram Alpha and its human users, and it's really encouraging. Right now, if we look at web queries, more than 80 percent of them get handled successfully the first time. And if you look at things like the iPhone app, the fraction is considerably larger. So, I'm pretty pleased with it all.
Aber in vielen Fällen sind wir mit Wolfram Alpha immernoch ganz am Anfang. Ich meine, alles entwickelt sich sehr schön. Wir werden selbstbewusster. Sie können davon ausgehen, dass die Wolfram Alpha Technologie an mehr und mehr Orten auftaucht, arbeitend mit Beiden, dieser Art der öffentlichen Daten, wie auf der Website und mit privatem Wissen für Personen und Firmen und so weiter. Wissen Sie, Ich habe erkannt das Wolfram Alpha einem eigentlich eine ganze neue Art der Berechnung gibt, die man wissensbasiertes Berechnen nennen könnte, bei welcher man, nicht mit einer rohen Berechnung beginnt, sondern mit einer gewaltigen Menge von integriertem Wissen. Und wenn man das tut, ändert man tatsächlich die Ökonomie rechnerische Dingen zu liefern, ob es nun im Web ist oder anderswo.
But, in many ways, we're still at the very beginning with Wolfram Alpha. I mean, everything is scaling up very nicely and we're getting more confident. You can expect to see Wolfram Alpha technology showing up in more and more places, working both with this kind of public data, like on the website, and with private knowledge for people and companies and so on. You know, I've realized that Wolfram Alpha actually gives one a whole new kind of computing that one can call knowledge-based computing, in which one's starting not just from raw computation, but from a vast amount of built-in knowledge. And when one does that, one really changes the economics of delivering computational things, whether it's on the web or elsewhere.
Wissen Sie, wir haben gerade eine ziemlich interessante Situation. Auf der einen Seite haben wir Mathematica, mit dessen Art von präziser, formaler Sprache und einem großen Netzwerk von sorgfälltig entwickelten Kapazitäten, fähig, eine Menge mit nur ein paar Zeilen zu erledigen. Lassen Sie mich hier einige Beispiele zeigen. Also hier haben wir ein gewöhnliches Stück der Mathematica Programmierung. Hier ist etwas, wo wir irgendwie eine Menge unterschiedlicher Möglichkeiten integrieren. Hier in dieser Zeile erstellen wir gerade eine kleine Bedienoberfläche, die es uns erlaubt, dort etwas lustiges zu machen. Wenn wir weitergehen, ist das ein etwas komplizierteres Programm das hier erledigt Allerlei algorithmische Dinge und erstellt Benutzeroberflächen und so. Aber es ist sehr präzise. Es ist eine präzise Spezifikation mit präziser formaler Sprache, die Mathematica wissen lässt, was hier zu tun ist.
You know, we have a fairly interesting situation right now. On the one hand, we have Mathematica, with its sort of precise, formal language and a huge network of carefully designed capabilities able to get a lot done in just a few lines. Let me show you a couple of examples here. So here's a trivial piece of Mathematica programming. Here's something where we're sort of integrating a bunch of different capabilities here. Here we'll just create, in this line, a little user interface that allows us to do something fun there. If you go on, that's a slightly more complicated program that's now doing all sorts of algorithmic things and creating user interface and so on. But it's something that is very precise stuff. It's a precise specification with a precise formal language that causes Mathematica to know what to do here.
Nun, auf der anderen Seite haben wir Wolfram Alpha, mit allen Arten von Unordnung der Welt und menschlicher Sprache und so weiter implementiert. Was passiert , wenn man diese beiden Dinge kombiniert? Ich glaube, es ist ziemlich erstaunlich. Mit Wolfram Alpha innerhalb Mathematica, können Sie zum Beispiel präzise Programme erstellen, die Daten aus der echten Welt abrufen. Hier ist ein einfaches Beispiel. Sie können auch einfach nur eine ungenaue Eingabe machen und dann versuchen, Wolfram Alpha herauszufinden zu lassen wovon Sie sprechen. Lassen Sie uns das hier probieren. Aber eigentlich glaube ich, dass wohl aufregendste daran ist, dass es einem wirklich die Möglichkeit gibt, Programmierung zu demokratiiseren. Ich meine, jeder wird in der Lage sein, dass was er wissen will in einfacher Sprache zu formulieren, die Idee ist es dann, dass Wolfram Alpha imstande ist, herauszufinden welche präzisen Teile von Code das machen kann, wonach gefragt wird und dann Beispiele zeigt, aus welchen dann gewählt werden kann, um größere und größere, präzisere Programme zu erstellen. Also manchmal wird Wolfram Alpha in der Lage sein, dass Ganze sofort zu erledigen und es gibt dann einfach ein großes Programm zurück, mit dem Sie dann rechnen können. Hier ist eine große Website, auf der wir eine Menge bildungsrelevanter Informationen und andere Demonstrationen über eine Menge von Dingen gesammelt haben. Also, Ich weiß nicht, Ich zeige Ihnen hier vielleicht ein Beispiel. Das ist einfach ein Beispiel eines dieser errechneten Dokumente. Das ist vermutlich ein ziemlich kleiner Teil Mathematica Code was imstande ist, das hier laufen zu lassen.
Then on the other hand, we have Wolfram Alpha, with all the messiness of the world and human language and so on built into it. So what happens when you put these things together? I think it's actually rather wonderful. With Wolfram Alpha inside Mathematica, you can, for example, make precise programs that call on real world data. Here's a real simple example. You can also just sort of give vague input and then try and have Wolfram Alpha figure out what you're talking about. Let's try this here. But actually I think the most exciting thing about this is that it really gives one the chance to democratize programming. I mean, anyone will be able to say what they want in plain language. Then, the idea is that Wolfram Alpha will be able to figure out what precise pieces of code can do what they're asking for and then show them examples that will let them pick what they need to build up bigger and bigger, precise programs. So, sometimes, Wolfram Alpha will be able to do the whole thing immediately and just give back a whole big program that you can then compute with. Here's a big website where we've been collecting lots of educational and other demonstrations about lots of kinds of things. I'll show you one example here. This is just an example of one of these computable documents. This is probably a fairly small piece of Mathematica code that's able to be run here.
Okay. Gehen wir nochmal einen Schritt zurück. Also, gibt es in Anbetracht unserer neuen Art der Wissenschaft einen allgemeinen Weg sie zu nutzen, um Technologie zu schaffen? Also, mit physikalischen Materialuntersuchungen, sind wir es quasi gewohnt, um die Welt zu gehen und zu erkennen, dass bestimmte Stoffe sinnvoll für bestimmte technologische Zwecke und so weiter sind. Nun, es hat sich gezeigt, dass wir sehr viel davon auch im rechnerischen Universum tun können. Es ist ein unerschöpflicher Vorrat von Programmen da draussen. Die Herausforderung ist es, zu verstehen, wie man sie für menschliche Zwecke nutzbar machen kann. Etwas wie Regel 30 zum Beispiel, scheint ein ziemlich guter Zufallsgenerator zu sein. Andere einfache Programme sind gute Modelle für Vorgänge in der Natur oder sozialen Welt. Und, zum Beispiel, Wolfram Alpha und Mathematica sind nun vollgestopft mit Algorithmen die wir auf der Suche nach dem rechnerischen Universum entdeckt haben. Und, zum Beispiel, dieses -- gehen wir hierhin zurück -- Dieses wurde überraschenderweise bekannt unter Komponisten um musikalische Formen zu finden während man das rechnerische Universum durchsucht. In gewisser Hinsicht können wir das rechnerische Universum nutzen, für massenhafte individuelle Kreativität. Ich hoffe wir können es, zum Beispiel, auch nutzen, um auch Wolfram Alpha routinemäßig irgendwie spontan erfinden und entdecken zu lassen und um all die Arten von wundervollen Dingen zu finden, die keine Manipulation und kein Prozess inkrementeller Evolution jemals hervorbringen würde.
Okay. Let's zoom out again. So, given our new kind of science, is there a general way to use it to make technology? So, with physical materials, we're used to going around the world and discovering that particular materials are useful for particular technological purposes. Well, it turns out we can do very much the same kind of thing in the computational universe. There's an inexhaustible supply of programs out there. The challenge is to see how to harness them for human purposes. Something like Rule 30, for example, turns out to be a really good randomness generator. Other simple programs are good models for processes in the natural or social world. And, for example, Wolfram Alpha and Mathematica are actually now full of algorithms that we discovered by searching the computational universe. And, for example, this -- if we go back here -- this has become surprisingly popular among composers finding musical forms by searching the computational universe. In a sense, we can use the computational universe to get mass customized creativity. I'm hoping we can, for example, use that even to get Wolfram Alpha to routinely do invention and discovery on the fly, and to find all sorts of wonderful stuff that no engineer and no process of incremental evolution would ever come up with.
Nun, das führt also zu einer Art ultimativer Frage. Könnte es sein, das wir irgendwo da draussen im rechnerischen Universum unser physisches Universum finden können? Vielleicht existiert eine recht simple Regel, ein einfaches Programm für unser Universum. Nun, die Geschichte der Physik wollte uns Glauben machen dass die Regel für unser Univserum ziemlich kompliziert sein muss. Aber im rechnerischen Universum haben wir nun gesehen, wie Regeln, die so unglaublich einfach sind, so unfassbar reichhaltiges und komplexes Verhalten produzieren können. Könnte es also sein, dass das mit unserem gesamten Universum passiert? Wenn die Regeln für die Gesamtheit einfach sind, ist irgendwie unausweichlich, dass sie sehr abstrakt und auf niedriger Ebene arbeiten, zum Beispiel, weit unter der Ebene von Raum oder Zeit, was es schwer macht, Dinge zu repräsentieren. Aber in zumindest einer große Klasse von Fällen, kann man davon ausgehen, dass das Universum, eine Art Netzwerk ist, welches sich, wenn es groß genug ist, wie ein unendlicher Raum verhält, ziemlich genau so als würde man eine Menge Moleküle haben, die sich wie eine Flüssigkeit verhalten. Nun, dann muss sich das Universum, durch die Anwendung kleiner Regeln die das Netzwerk zunehmend aktualisieren, entwickeln. Und jede mögliche Regel, gewissermaßen, entspricht einem Kandidaten im Universum,
Well, so, that leads to kind of an ultimate question: Could it be that someplace out there in the computational universe we might find our physical universe? Perhaps there's even some quite simple rule, some simple program for our universe. Well, the history of physics would have us believe that the rule for the universe must be pretty complicated. But in the computational universe, we've now seen how rules that are incredibly simple can produce incredibly rich and complex behavior. So could that be what's going on with our whole universe? If the rules for the universe are simple, it's kind of inevitable that they have to be very abstract and very low level; operating, for example, far below the level of space or time, which makes it hard to represent things. But in at least a large class of cases, one can think of the universe as being like some kind of network, which, when it gets big enough, behaves like continuous space in much the same way as having lots of molecules can behave like a continuous fluid. Well, then the universe has to evolve by applying little rules that progressively update this network. And each possible rule, in a sense, corresponds to a candidate universe.
Eigentlich habe ich das vorher nicht gezeigt, aber hier sind einige der Universums Kandidaten die ich betrachtet habe. Einige davon sind hoffnungslose Universen, komplett steril, mit anderen Arten von Pathologien wie, keine Vorstellung von Raum, keine Vorstellung von Zeit, ohne Bedeutung, andere Probleme wie diese. Aber das Aufregende, dass ich in den letzten Jahren entdeckte ist, dass Sie eigentlich nicht weit gehen müssen im rechnerischen Universum um Kandidaten Universen zu finden, die offensichtlich nicht unser Universum sind. Hier ist das Problem: Irgend ein ernsthafter Kandidat für unser Universum ist zwangsläufig voll mit rechnerischer Nichtreduzierbarkeit, was bedeutet, dass es minimal kompliziert ist herauszufinden wie es sich wirklich verhalten wird und ob es zu unserem physischen Universum passt. Vor einigen Jahren war ich ziemlich aufgeregt bei der Entdeckung, dass es Kandidaten Universen mit unglaublich einfachen Regeln gibt, die eine spezielle Relativitätstheorie erfolgreich reproduzieren und auch die allgemeine Relativitätstheorie und Gravitation und zumindest Hinweise auf die Quantenmechanik geben. Werden wir also die ganze Physik entdecken? Ich bin mir nicht sicher. Aber ich denke, an dieser Stelle ist es irgendwie fast beschämend, es nicht wenigstens zu versuchen.
Actually, I haven't shown these before, but here are a few of the candidate universes that I've looked at. Some of these are hopeless universes, completely sterile, with other kinds of pathologies like no notion of space, no notion of time, no matter, other problems like that. But the exciting thing that I've found in the last few years is that you actually don't have to go very far in the computational universe before you start finding candidate universes that aren't obviously not our universe. Here's the problem: Any serious candidate for our universe is inevitably full of computational irreducibility. Which means that it is irreducibly difficult to find out how it will really behave, and whether it matches our physical universe. A few years ago, I was pretty excited to discover that there are candidate universes with incredibly simple rules that successfully reproduce special relativity, and even general relativity and gravitation, and at least give hints of quantum mechanics. So, will we find the whole of physics? I don't know for sure, but I think at this point it's sort of almost embarrassing not to at least try.
Kein einfaches Projekt. Man hat eine Menge Technologie zu erschaffen. Man hat eine Struktur zu erschaffen, die wahrscheinlich mindestens so tief ist, wie die schon existierende Physik. Und ich bin mir nicht sicher, was der beste Weg ist, um das ganze Ding zu organisieren. Erschaffe ein Team, motiviere es, biete Preise und so weiter. Aber ich sage Ihnen heute, dass ich engagiert bin, dass Projekt zu erledigen, um zu sehen, ob wir innerhalb dieser Dekade, endlich die Gesetzmäßigkeit für unser Universum in den Händen halten und wissen wo unser Universum liegt, im Raum aller möglichen Universen und in der Lage sind, die Theorie des Universum in Wolfram Alpha einzugeben und sie uns von ihm sagen zu lassen.
Not an easy project. One's got to build a lot of technology. One's got to build a structure that's probably at least as deep as existing physics. And I'm not sure what the best way to organize the whole thing is. Build a team, open it up, offer prizes and so on. But I'll tell you, here today, that I'm committed to seeing this project done, to see if, within this decade, we can finally hold in our hands the rule for our universe and know where our universe lies in the space of all possible universes ... and be able to type into Wolfram Alpha, "the theory of the universe," and have it tell us.
(Lachen)
(Laughter)
Ich arbeite nun am Konzept der Berechnung seit über 30 Jahren, entwickle Werkzeuge und Methoden und verwandle intellektuelle Ideen in Millionen Zeilen von Code als Stoff für Großserver. Mit jedem vorübergehenden Jahr, begreife ich, wieviel mächtiger das Konzept der Berechnung wirklich ist. Wir sind nun schon einen langen Weg gegangen, aber es wird noch sehr viel kommen, von den Grundlagen der Wissenschaft hin zu den Grenzen der Technologie gar bis zu den Bedingungen des Menschseins, Ich denke Berechnung ist bestimmt dazu, die Anschauung unserer Zukunft zu prägen.
So I've been working on the idea of computation now for more than 30 years, building tools and methods and turning intellectual ideas into millions of lines of code and grist for server farms and so on. With every passing year, I realize how much more powerful the idea of computation really is. It's taken us a long way already, but there's so much more to come. From the foundations of science to the limits of technology to the very definition of the human condition, I think computation is destined to be the defining idea of our future.
Vielen Dank.
Thank you.
(Applaus)
(Applause)
Chris Anderson: Das war beeindruckend. Bleib noch hier, wir haben eine Frage.
Chris Anderson: That was astonishing. Stay here. I've got a question.
(Applaus)
(Applause)
Das war ein überaus eindrucksvoller Vortrag. Kannst du uns in ein zwei Sätzen sagen wie diese Art des Denkens sich irgendwann integrieren könnte in Bereiche wie die Stringtheorie oder die Art von Sachverhalten, die die Menschen für die fundamentale Erklärung des Universums halten?
So, that was, fair to say, an astonishing talk. Are you able to say in a sentence or two how this type of thinking could integrate at some point to things like string theory or the kind of things that people think of as the fundamental explanations of the universe?
Stephen Wolfram: Nun, die Teile der Physik die wir für wahr halten, Dinge, wie das Standardmodell der Physik. Ich versuche die Reproduktion des Standardmodells der Physik besser hinzubkommen sie ist einfach falsch. Diese Sachen, die die Leute in den letzten 25 Jahren oder so versucht haben, mit der Stringtheorie und so sind interessante Erforschungen gewesen die versucht haben zurück zum Standardmodell zu führen, aber es nicht wirklich hinbekommen haben. Meine Annahme ist, dass einige große Vereinfachungen bei dem was ich tue, tatsächlich erhebliche Resonanz auf das haben könnte, was mit der Stringtheorie getan wurde, aber das ist ein kompliziertes mathematisches Ding, was ich bislang noch nicht herausgefunden habe.
Stephen Wolfram: Well, the parts of physics that we kind of know to be true, things like the standard model of physics: what I'm trying to do better reproduce the standard model of physics or it's simply wrong. The things that people have tried to do in the last 25 years or so with string theory and so on have been an interesting exploration that has tried to get back to the standard model, but hasn't quite gotten there. My guess is that some great simplifications of what I'm doing may actually have considerable resonance with what's been done in string theory, but that's a complicated math thing that I don't yet know how it's going to work out.
CA: Benoit Mandlebrot sitzt im Publikum. Er hat ebenso gezeigt, wie Komplexität sich von einem einfachen Anfang entwickeln kann. Bezieht sich deine Arbeit darauf?
CA: Benoit Mandelbrot is in the audience. He also has shown how complexity can arise out of a simple start. Does your work relate to his?
SW: Ich denke schon. Ich sehe Benoit Mandlebrots Arbeit als eine Art grundlegenden Beitrag auf diesem Gebiet. Benoit interessierte sich besonders für verschachtelte Muster, Fraktale und so weiter, wo die Struktur irgendwie wie ein Baum ist, bei dem jeder große Zweig weitere kleine Zweige hervorbringt und diese wieder kleinere Zweige und so weiter. Das ist eine Möglichkeit von vielen, um zu wahrer Komplexität zu kommen. Ich denke, Dinge wie Regel 30 der zellulären Automaten bringen uns auf eine andere Ebene. Genau genommen bringen sie uns auf einem sehr präzisen Weg auf eine andere Ebene, weil sie vermutlich Dinge sind, die Komplexität ermöglichen, eine Art von größtmöglicher Komplexität ...
SW: I think so. I view Benoit Mandelbrot's work as one of the founding contributions to this kind of area. Benoit has been particularly interested in nested patterns, in fractals and so on, where the structure is something that's kind of tree-like, and where there's sort of a big branch that makes little branches and even smaller branches and so on. That's one of the ways that you get towards true complexity. I think things like the Rule 30 cellular automaton get us to a different level. In fact, in a very precise way, they get us to a different level because they seem to be things that are capable of complexity that's sort of as great as complexity can ever get ...
Ich könnte das noch sehr ausführlich besprechen, werde es aber nicht tun.
I could go on about this at great length, but I won't. (Laughter) (Applause)
CA: Stephen Wolfram, Vielen Dank.
CA: Stephen Wolfram, thank you.
(Applaus)
(Applause)