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.
من امروز می خواهم درباره ی یک ایده صحبت کنم. این ایده ی بزرگی است. در واقع، فکر می کنم نهایتا به عنوان شاید بزرگترین ایده ای که در قرن گذشته بیرون آمده، دیده شود. این ایده ی محاسبات است. بدون شک، آن ایده تمامی تکنولوژی کامپیوتری که امروز داریم و خیلی چیزهای دیگر را برای ما به ارمغان آورده. ولی در واقع محاسبات خیلی بیشتر از این حرف هاست. این واقعا یک ایده ی بسیار عمیق، بسیار قدرتمند، بسیار بنیادی است، که تازه شروع کرده ایم به دیدن اثرات آن.
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.
خوب، من خودم 30 سال گذشته ی زندگی ام را پرداخته ام به کار کردن روی سه پروژه ی بزرگ که واقعا سعی دارند ایده ی محاسبات را جدی بگیرند. من در یک سن کم به عنوان یک فیزیکدان شروع کردم به استفاده از کامپیوتر به عنوان ابزار. بعد از آن، شروع کردم به یک جور کندوکاش کامپیوتر، با فکر این که چه محاسباتی ممکن است بخواهم انجام دهم، و تلاش برای فهمیدن این که آن ها از چه عناصر اولیه ای می توانند ساخته شوند و چه طوری می توانند تا جایی که ممکن است خودکار انجام شوند. نهایتا، براساس برنامه نویسی سمبولیک و این جور چیزها یک ساختار کامل ایجاد کردم که به من کمک کرد متمتیکا را بسازم. و ما در طول 23 سال گذشته، با سرعتی رو به رشد، ایده ها و قابلیت ها و به همین ترتیب چیزهای بیشتر و بیشتری در متمتیکا ریخته ایم. و خوشحالم بگویم که آن منجر به اتفاقات خوب زیادی در تحقیق و توسعه و تحصیل، و بسیاری زمینه های دیگر شده است. خوب، باید اقرار کنم، در واقع، که من دلیل بسیار خودخواهانه ای برای ساختن متمتیکا داشتم. می خواستم خودم از آن استفاده کنم، یک کم مثل گالیله که 400 سال پیش فرصت این را پیدا کرد که از تلسکوپش استفاده کند. ولی من می خواستم، نه به دنیای نجومی، بلکه به دنیای محاسبات نگاه کنم.
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.
ما معمولا به برنامه ها به صورت چیزهای پیچیده ای که برای یک منظور خیلی خاص می سازیم، نگاه می کنیم. ولی نظرتان درباره ی فضای همه ی برنامه های ممکن چیست؟ این نمایشی از یک برنامه ی خیلی ساده است. خوب، اگر این برنامه را اجرا کنیم، این چیزی است که می گیریم. خیلی ساده. پس بیایید سعی کنیم قانون این برنامه را کمی تغییر دهیم. حالا یک جواب دیگر می گیریم، که باز هم خیلی ساده است. سعی کنید دوباره تغییرش دهید. یک جواب کمی پیچیده تر می گیرید، ولی اگر برای مدتی به اجرا کردن این ادامه دهیم، متوجه می شویم که، اگرچه الگویی که به دست می آوریم کمی پیچیده است، ساختار بسیار منظمی دارد. پس سؤال این است: آیا چیز دیگری می تواند اتفاق بیفتد؟ خوب، می توانیم یک آزمایش کوچک انجام دهیم. بیایید فقط یک آزمایش ریاضی کوچک انجام دهیم، امتحان کنیم و بفهمیم.
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.
بیایید همه ی برنامه های ممکن از نوع خاصی که داریم بررسی می کنیم را اجرا کنیم. به این ها می گویند ماشین سلولی (cellular automata). شما اینجا می توانید تنوع زیادی در رفتار مشاهده کنید. بیشتر آن ها کارهای خیلی ساده ای انجام می دهند. ولی اگر همه ی این تصاویر متفاوت را در امتداد نگاه کنید، در قانون شماره 30، شروع می کنید به دیدن چیز جالبی که دارد اتفاق می افتد. خوب بیایید اینجا با دقت بیشتری به قانون 30 نگاه کنیم. این جاست. ما فقط داریم از این قانون خیلی ساده این پایین پیروی می کنیم، ولی داریم همه ی این چیزهای شگفت انگیز را می گیریم. این به هیچ وجه چیزی نیست که به آن عادت داریم، و باید بگویم که، اولین باری که این را دیدم، مثل شک بزرگی در درک شهودی من بود، و در حقیقت، برای فهمیدن آن، نهایتا مجبور شدم یک نوع علم کاملا جدید به وجود آورم.
(Laughter)
(خنده ی حاضران)
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.
این علم با علم مبتنی بر ریاضیاتی که در طول 300 سال گذشته داشته ایم، فرق دارد، کلی تر است. می دانید، اینکه طبیعت چگونه به ظاهر اینطور بی دردسر، موفق می شود این همه گونه که برای ما اینقدر پیچیده به نظر می آید، را بسازد، همیشه مثل یک معمای بزرگ بوده. خوب، من فکر می کنم که ما رازش را پیدا کرده ایم. این فقط نمونه برداری از چیزهایی در دنیای محاسبات و اغلب گرفتن جواب هایی مثل قانون 30 یا مثل این است. و دانستن آن شروع می کند به توضیح تعداد زیادی معماهای دور و دراز در علم. با این حال، مسائل تازه ای را هم به وجود می آورد، مثل ساده سازی ناپذیری محاسباتی. منظورم این است که، ما عادت کردیم به اینکه با در دست داشتن علم نتایج را پیش بینی کنیم، ولی چیزی مثل این اساسا غیر قابل ساده کردن است. تنها راه مؤثر برای به دست آوردن خروجی اش این است که، تکامل پیدا کردنش را تماشا کنیم. این مربوط می شود به چیزی که من اسمش را می گذارم، اصل هم ارزی محاسباتی (the principle of computational equivalence)، که به ما می گوید، حتی سیستم های فوق العاده ساده می توانند محاسباتی به هر پیچیدگی انجام دهند. این که بتوانیم محاسبات اختیاری انجام دهیم، تکنولوژی یا تکامل زیستی خاصی نمی خواهد، چیزی است که همه جا به طور طبیعی اتفاق می افتد. چیزهایی با قوانینی به این سادگی می توانند این کار را بکنند. خوب، این تأثیرات عمیقی درباره ی حدود علم، درباره ی قابل پیش بینی و کنترل بودن چیزهایی مثل فرآیندهای زیستی یا اقتصاد، درباره ی هوشمندی در جهان، درباره ی سؤال هایی مثل آزادی اراده و درباره ی ایجاد تکنولوژی دارد.
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.
می دانید، بعد از این همه سال کار کردن روی این علم، هنوز از خودم می پرسم، "اولین کاربرد حیاتی اش چه خواهد بود؟" خوب، از وقتی بچه بودم، درباره ی قانونمند کردن علم و یک جورهایی قابل محاسبه کردن آن فکر می کردم. آدم هایی مثل لایبنیز (Leibniz) هم 300 سال پیش بهش فکر کرده بودند. ولی من همیشه فرض می کردم که برای جلو رفتن، لزوما مجبورم یک مغز کامل را دوباره سازی کنم. خوب، حالا باید فکر کنم: این مدل علمی من چیز متفاوتی پیشنهاد می کند. و به هر حال، من قابلیت های محاسباتی عظیمی در متمتیکا به دست آورده ام. و من یک مدیرعامل هستم با منابعی کارکشته تا پروژه های بزرگ و به ظاهر عجیب و غریب انجام دهم. برای همین تصمیم گرفتم که سعی کنم ببینم چقدر از دانش سیستماتیکی که آن بیرون در دنیا است را می توانیم قابل محاسبه کنیم.
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.
خوب، این یک پروژه ی بزرگ بسیار پیچیده است، که اصلا مطمئن نبودم که کار کند. ولی خوشحالم که بگویم که در واقع دارد خیلی خوب پیش می رود. و سال گذشته موفق شدیم اولین نسخه ی وب سایت ولفرام آلفا را منتشر کنیم. هدفش این است که یک موتور دانش واقعی باشد که جواب سؤال ها را محاسبه می کند. پس بیایید امتحانش کنیم. بیایید با چیز خیلی ساده ای شروع کنیم. امیدوارم جواب بدهد. خیلی خوب است. باشد. تا اینجا خوب بوده. (خنده) بیایید یک چیز کمی سخت تر را امتحان کنیم. بیایید بگوییم ... بیایید کمی کار ریاضی بکنیم و با کمی شانس، جواب می دهد و تلاش می کند و چیزهای جالبی به ما می گوید، چیزهایی درباره ی ریاضیات مربوط به آن. می توانیم چیزی درمورد دنیای واقعی از آن بپرسیم. بگذارید بگویم -- نمی دانم-- تولید ناخالص داخلی اسپانیا چقدر است؟ و این باید قادر باشد این را به ما بگوید. می توانیم چیزی مرتبط با این را محاسبه کنیم، بیایید بگوییم تولید ناخالص داخلی اسپانیا تقسیم بر، نمی دانم، امممممم... مثلا درآمد مایکروسافت.
(Laughter)
(خنده)
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.
ایده این است که می توانیم یک جورهایی فقط این را تایپ کنیم، این جور سؤال ها را به هر شکلی که به آن فکر می کنیم. پس بیایید سؤالی مثلا مربوط به سلامتی را امتحان کنیم. فرض کنیم نتیجه ی یک آزمایش را داریم که -- می دانید، سطح LDL یک مرد 50 ساله را 140 داریم. خوب پس اجازه دهید این را تایپ کنیم، و حالا ولفرام آلفا می رود و از اطلاعات سلامت عمومی موجود استفاده می کند و سعی می کند بفهمد این شبیه کدام قسمت از جمعیت است و و و. یا بگذارید پرسیدن درباره ی، نمی دانم، ایستگاه فضایی بین المللی را امتحان کنیم.
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.
و چیزی که اینجا اتفاق می افتد این است که ولفرام آلفا فقط یک کلمه را نگاه نمی کند؛ بلکه در لحظه محاسبه می کند که ایستگاه فضایی بین المللی الآن، درست در همین لحظه، کجاست، با چه سرعتی حرکت می کند و و و. پس ولفرام آلفا درباره ی چیزهای بسیار بسیار زیادی اطلاعات دارد. تا حالا پوشش خوبی از هر چیزی که ممکن است در یک کتابخانه ی مرجع استاندارد و مثل آن پیدا کنید، به دست آورده. اما هدف این است که خیلی فراتر برویم و، به طور خیلی گسترده، همه ی این نوع دانش ها را دموکراتیک کنیم، و سعی کنیم که یک منبع معتبر در همه ی زمینه ها باشیم، قادر باشیم جواب سؤال های خاصی که مردم دارند را محاسبه کنیم، نه با جستجوی چیزی که ممکن است قبل از آن دیگران نوشته باشند، بلکه با استفاده از دانش درونی که برای محاسبه جواب های نو به پرسش های خاص تعبیه شده.
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.
البته، ولفرام آلفا یک پروژه ی طولانی مدت بسیار عظیم است با چالش های بسیار بسیار زیاد. برای شروع، آدم باید بی نهایت منبع مختلف وقایع و اطلاعات را جمع کند، و ما برای انجام این کار تقریبا یک پایپ لاین از ماشین متمتیکا و متخصصان حوزه ی انسانی ساخته ایم. ولی این تازه اول کار است. با داشتن وقایع یا اطلاعات خام برای جواب دادن سؤال ها، باید بتوانی محاسبه کنی، باید بتوانی همه ی آن روش ها و مدل ها و الگوریتم ها و غیره که علم و سایر رشته ها در طول قرن ها ساخته اند را پیاده سازی کنی. خوب، حتی با شروع از متمتیکا، هنوز مقدار عظیمی کار وجود دارد. تا حالا، حدود 8 میلیون خط کد متمتیکا توسط متخصصانی از تعداد بسیار زیادی رشته های مختلف، در ولفرام آلفا نوشته شده است.
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.
خوب، یک ایده ی اصلی ولفرام آلفا این است که شما بتوانید با زبان معمولی انسانی از آن سؤال بپرسید، که یعنی ما باید قادر باشیم همه ی آن حرف های عجیبی که مردم در فیلد ورودی تایپ می کنند را بگیریم و آن ها را بفهمیم. و باید بگویم که فکر می کردم آن مرحله ممکن است کاملا غیر ممکن باشد. دو تا اتفاق بزرگ افتاد. اول، یک سری ایده های جدید در مورد زبان شناسی که از مطالعه ی دنیای محاسباتی به دست آمد. و دوم، فهمیدن اینکه داشتن دانش واقعی قابل محاسبه، به طور کامل روش فهمیدن یک زبان توسط یک شخص را تغییر می دهد. و البته، حالا با ولفرام آلفا بیرون در دنیای طبیعی، می توانیم از استفاده ی واقعی آن یاد بگیریم. و در واقع، یک تکامل دو طرفه ی جالب بین ولفرام آلفا و استفاده کنندگان آن در جریان بوده است. و این خیلی دلگرم کننده است. درست همین الآن، اگر به سؤالات اینترنتی نگاه کنیم، بیش از 80 درصد آن ها بار اول جواب داده می شوند. و اگر به چیزهایی مثل برنامه های آی-فون (iPhone) نگاه کنید، این نسبت به طور قابل ملاحظه ای بزرگتر است. بنابراین، من خیلی از همه اش راضی ام.
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.
ولی، از بسیاری جهات، ما هنوز اول کار ولفرام آلفا هستیم. منظورم این است که، همه چیز دارد خیلی خوب جلو می رود. ما داریم اطمینان بیشتری پیدا می کنیم. می توانید انتظار داشته باشید تکنولوژی ولفرام آلفا جاهای بیشتر و بیشتری خودنمایی کند، و هم با این نوع اطلاعات عمومی، مثلا روی وب سایت، و هم با دانش خصوصی برای مردم و شرکت ها و غیره کار کند. می دانید، من فهمیده ام که ولفرام آلفا در واقع به آدم یک جور روش محاسباتی کاملا جدید می دهد که می شود اسمش را گذاشت محاسبه ی مبتنی بر دانش، که در آن آدم، نه فقط از محاسبات خام، بلکه از مقدار عظیمی دانش از پیش ساخته شده، شروع می کند. و وقتی کسی این کار را می کند، اقتصاد منتقل کردن چیزهای محاسباتی را، چه روی وب و چه هرجای دیگری، واقعا تغییر می دهد.
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.
می دانید، ما الآن یک موقعیت نسبتا جالب داریم. از یک طرف، متمتیکا را داریم، با همه دقت اش، زبان قراردادی اش، و یک شبکه ی عظیم از قابلیت های به دقت طراحی شده، که می تواند در فقط چند خط، کارهای زیادی انجام دهد. اجازه دهید اینجا چند مثال نشانتان بدهم. این یک بخش جزئی از برنامه نویسی متمتیکاست. اینجا جایی است که یک جورهایی یک سری قابلیت های مختلف را با هم جمع می کنیم. اینجا در این خط فقط یک رابط کاربری کوچک می سازیم که به ما اجازه می دهد یک کار باحال بکنیم. اگر ادامه دهید، این یک برنامه ی کمی پیچیده تر است که حالا همه نوع کار الگوریتمی و ایجاد رابط کاربری و ... را انجام می دهد. اما این چیز خیلی دقیقی است. این یک مشخصات دقیق با یک زبان قراردادی دقیق است که باعث می شود متمتیکا بداند باید اینجا چه کار کند.
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.
خوب، از طرف دیگر، ولفرام آلفا را داریم، به همراه همه جور شلختگی دنیا و زبان انسانی و غیره که در آن قرار دارد. پس وقتی این چیزها را در کنار هم قرار می دهید چه می شود؟ من فکر می کنم در واقع تقریبا شگفت انگیز است. با ولفرام آلفا داخل متمتیکا، می توانید، برای مثال، برنامه های دقیق بسازید که اطلاعات واقعی دنیا را فراخوانی کنند. این یک مثال واقعا ساده است. به علاوه می توانید یک جور ورودی مبهم بدهید و بعد امتحان کنید و ببینید ولفرام آلفا می فهمد دارید درباره ی چی حرف می زنید. بگذارید این را اینجا تست کنیم. ولی در واقع من فکر می کنم یک جورهایی هیجان انگیزترین چیز درباره ی این، آن است که واقعا به آدم شانس این را می دهد که برنامه نویسی را دموکراتیک کند. منظورم این است که، هر کسی می تواند به زبان ساده چیزی که می خواهد را بگوید، ایده این است، که ولفرام آلفا قادر خواهد بود بفهمد چه قطعه کدهای دقیقی می توانند چیزی که آنها می خواهند را انجام دهد و بعد به آن ها مثال هایی نشان دهد که بهشان اجازه می دهد چیزی که نیاز دارند را انتخاب کنند تا برنامه های دقیق بزرگ و بزرگتری بسازند. گاهی اوقات، ولفرام آلفا می تواند تمام کار را بلافاصله انجام دهد و یک برنامه ی کامل بزرگ را برگرداند که می توانید بعد با آن محاسبه کنید. خوب، اینجا یک وب سایت بزرگ است جایی که مقدار زیادی مطالب آموزشی و غیره درباره ی موضوعات خیلی زیادی جمع کرده ایم. خوب، نمی دانم، یک مثال به شما نشان می دهم، شاید اینجا. این فقط یک مثال از یکی از این اسناد قابل محاسبه است. این شاید یک قطعه ی نسبتا کوچک از کد متمتیکاست که می تواند اینجا اجرا شود.
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.
باشد. بگذارید دوباره آن را کوچک کنیم. پس، با داشتن علم جدیدمان، آیا یک راه کلی وجود دارد که از آن برای ایجاد تکنولوژی استفاده کنیم؟ خوب، با مواد فیزیکی، عادت کرده ایم به یک جورهایی رفتن دور دنیا و کشف کردن مواد خاصی که برای هدف های تکنولوژیکی خاصی مفید هستند و و و. خوب، معلوم می شود که ما می توانیم یک چیزی خیلی شبیه به این را در دنیای محاسبات انجام دهیم. یک منبع تمام نشدنی از برنامه آن بیرون است. مسأله این است که ببینیم چه طوری آن ها را برای اهداف بشر تحت کنترل در آوریم. یک چیزی مثل قانون 30، برای مثال، مشخص می شود که یک تولید کننده خوب اعداد تصادفی است. برنامه های ساده ی دیگر مدل های خوبی برای روندهای دنیای طبیعی یا اجتماعی هستند. و، برای مثال، ولفرام آلفا و متمتیکا در واقع الآن پر از الگوریتم هایی هستند که با جستجوی دنیای محاسباتی کشف کردیم. و، برای مثال، این، -- برمی گردیم به اینجا -- این به طور شگفت آوری در بین آهنگسازانی که دنبال پیدا کردن فرم های موسیقی با گشتن در دنیای محاسبات هستند، معروف شده. به یک معنا، ما می توانیم از دنیای محاسباتی استفاده کنیم تا انبوهی از خلاقیت شخصی سازی شده به دست آوریم. من امیدوارم که بتوانیم، برای مثال، حتی از آن استفاده کنیم تا ولفرام آلفا به طور مداوم یک جورهایی رو هوا اختراع و اکتشاف کند. و همه جور چیزهای شگفت انگیزی را که هیچ مهندسی و هیچ روندی از تکامل تدریجی به ذهنش خطور نمی کند، انجام دهد.
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.
خوب، پس این منتهی می شود به یک جور سؤال نهایی. امکان دارد که جایی آن بیرون در دنیای محاسباتی، دنیای فیزیکی مان را پیدا کنیم؟ شاید حتی چند قانون نسبتا ساده وجود دارد، چند برنامه ی ساده برای دنیای ما. تاریخ فیزیک باعث شده باور کنیم که قانون دنیا باید خیلی پیچیده باشد. ولی در دنیای محاسبات دیده ایم که قانون های به طرز باورنکردنی ساده چگونه می توانند رفتار این طور غیر قابل باور پیچیده و غنی داشته باشند. پس این می تواند همان چیزی باشد که دارد در همه ی دنیای ما اتفاق می افتد؟ اگر قانون های جهان ساده هستند، یک جورهایی ناچارند که خیلی انتزاعی و سطح پایین باشند، برای مثال، خیلی پایین تر از سطح فضا یا زمان کار کنند، که باعث می شود نشان دادن چیزها سخت شود. ولی حداقل در یک دسته ی بزرگی از نمونه ها آدم می تواند درباره ی جهان مثل یک شبکه فکر کند، که، وقتی به اندازه ی کافی بزرگ شد، مثل فضای پیوسته رفتار می کند خیلی شبیه به اینکه تعداد زیادی مولکول می توانند مثل یک ماده ی سیال رفتار کنند. پس جهان باید با اعمال کردن قانون های کوچکی که به طور پیشرونده ای این شبکه را به روز می کنند، تکامل پیدا کند. و هر قانون ممکن، از یک جهت، به یک دنیای خاص مربوط می شود.
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.
راستش، من قبلا این ها را نشان نداده ام، ولی این ها تعداد کمی از دنیاهای نامزد هستند که من بهشان نگاه کرده ام. بعضی از این ها دنیاهای بی فایده ای هستند، کاملا بی نتیجه، با شکل های دیگر آسیب شناسی مثل نداشتن مفهوم فضا، زمان، ماده، مشکلات دیگری از این قبیل. ولی چیز هیجان انگیزی که طی چند سال گذشته فهمیده ام این است که لازم نیست در دنیای محاسباتی خیلی جای دوری بروید تا دنیاهای نامزد را پیدا کنید که به وضوح نامشابه دنیای ما نیستند. مشکل این است: هر کاندیدای جدی برای دنیای ما، به ناچار پر است از ساده ناپذیری های محاسباتی، که یعنی فهمیدن این که واقعا چه طور رفتار می کند، و آیا با دنیای فیزیکی ما تطبیق دارد، از لحاظ محاسباتی به طور ساده ناپذیری سخت است. چند سال پیش، از اینکه کشف کرده بودم دنیاهای نامزدی با قوانین بسیار ساده وجود دارند که با موفقیت نسبیت خاص را، و حتی نسبیت عام و جاذبه و حداقل قسمت جزئی از مکانیک کوانتومی را بازسازی می کنند، هیجانزده شدم. پس، ما کل فیزیک را پیدا خواهیم کرد؟ من با اطمینان نمی دانم. ولی فکر می کنم در این نقطه یک جورهایی خجالت آور است که حداقل امتحانش نکنیم.
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.
پروژه ی ساده ای نیست. آدم باید تکنولوژی زیادی بسازد. آدم باید ساختاری بسازد که شاید حداقل به عمق فیزیک حال حاضر است. و من مطمئن نیستم که بهترین راه سازماندهی کردن کل کار چیست. گروه تشکیل دهید، آن را باز کنید، جایزه بگذارید و و و. ولی امروز به شما می گویم که من متعهد شده ام که پایان این پروژه را ببینم، ببینیم آیا، در این دهه، می توانیم بالاخره قانون دنیایمان را در دستانمان بگیریم و بفهمیم جهانمان در کجای فضای همه ی جهان های ممکن قرار دارد -- و قادر شویم در ولفرام آلفا تایپ کنیم "تئوری جهان" و او به ما جواب بدهد.
(Laughter)
(خنده)
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.
من بیش از 30 سال است که دارم روی ایده ی محاسبات کار می کنم، ابزار و روش می سازم و ایده های ذهنی را تبدیل می کنم به میلیون ها خط کد و برای شبکه های سِرور گندم آسیاب می کنم (داده فراهم می کنم) و و و. هر سال که می گذرد، می فهمم ایده ی محاسبات واقعا چقدر قوی تر است. تا حالا ما را راه زیادی برده است، ولی هنوز چیزهای زیادی در راه است. از پایه های علم تا مرزهای تکنولوژی تا تعریف وضعیت بشر، من فکر می کنم محاسبات مقدر شده که ایده ی معلوم کننده ی زندگانی آینده ی ما باشد.
Thank you.
متشکرم.
(Applause)
(تشویق)
Chris Anderson: That was astonishing. Stay here. I've got a question.
کریس آندرسون: شگفت آور بود. بمانید. من یک سؤال دارم.
(Applause)
(تشویق)
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?
صادقانه بگویم، سخنرانی شگفت آوری بود. می توانید در یک یا دو جمله بگویید این مدل فکر کردن چگونه می تواند یک زمانی با چیزهایی مثل تئوری رشته ها (string theory) یا انواع چیزهایی که مردم درباره اشان به عنوان توضیحات بنیادی جهان فکر می کنند، جمع شوند؟
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.
استفان ولفرام: خوب، قسمت هایی از فیزیک که ما یک جورهایی می دانیم درست هستند، چیزهایی مثل مدل استاندارد فیزیک. چیزی که من سعی دارم انجام دهم این است که مدل استاندارد فیزیک را بهتر بازسازی کنم یا به سادگی اشتباه است. کارهایی که مردم سعی کرده اند در این 25 سال اخیر با تئوری رشته ها و غیره انجام دهند، جستجوی جالبی بوده که تلاش کرده به مدل استاندارد برگردد، ولی هنوز به آنجا نرسیده. حدس من این است که یک سری ساده سازی های عمده ای از کاری که من دارم انجام می دهم ممکن است تشديد قابل توجهی با چیزی که در تئوری رشته ها انجام شده، داشته باشد، ولی این یک کار ریاضی پیچیده است که من نمی دانم چه طوری قرار است کار کند.
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?
ک.ا.: بنوا مندلبرات (Benoit Mandlebrot) در میان حضار است. او هم اینکه چه طور پیچیدگی از سادگی به وجود می آید را نشان داده است. کار شما به کار او ربطی دارد؟
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 ...
اس.و. این طور فکر می کنم. من به کار بنوا مندلبرات به عنوان یکی از مشارکت های آغازین به این نوع رشته، نگاه می کنم. بنوا به طور خاص به به الگوهای تو در تو، به فراکتال ها و غیره علاقه داشته است، جایی که ساختار چیزی است شبیه به درخت و جایی که یک جور شاخه ی بزرگ وجود دارد که شاخه های کوچک و حتی کوچکتر و و و را می سازد. این یک مدل از راه هایی است که از آن به پیچیدگی واقعی می رسید. من فکر می کنم چیزهایی مثل قانون 30 ماشین سلولی ما را به یک مرحله ی متفاوت می برند. در واقع، به طور خیلی دقیق ما را به یک مرحله ی دیگر می برند چون به نظر می رسد آن ها چیزهایی هستند که قابلیت پیچیدگی دارند که یک جورهایی به بزرگی چیزی است که پیچیدگی می تواند برسد ...
I could go on about this at great length, but I won't. (Laughter) (Applause)
من می توانم درباره ی این مدت زیادی حرف بزنم، ولی نمی کنم.
CA: Stephen Wolfram, thank you.
ک. ا.: استفان ولفرام، متشکرم.
(Applause)
(تشویق)