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.
Je voudrais parler aujourd'hui d'une idée. C'est une grande idée. En fait, je pense qu'on finira par la considérer comme sans doute la plus grande idée qui ait émergé au cours du siècle passé. C'est l'idée de calcul. Bien sûr, cette idée nous a apporté toute la technologie computationnelle que nous avons aujourd'hui Mais il y a en fait beaucoup plus que ça dans le calcul. C'est vraiment une idée vraiment très profonde, très puissante, très fondamentale, dont nous avons à peine commencé à voir les effets.
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.
Eh bien, j'ai passé les 30 dernières années de ma vie à travailler sur trois grands projets qui essayent vraiment de prendre l'idée de calcul au sérieux. J'ai donc commencé jeune en tant que physicien à utiliser des ordinateurs comme des outils. Puis, j'ai commencé à creuser, à réfléchir sur les calculs que je pourrais vouloir faire, à essayer de comprendre à partir de quelles primitives on pouvait les construire et comment ils pourraient être aussi automatisés que possible. Finalement, j'ai créé toute une structure basée sur la programmation symbolique qui m'a permis de construire Mathematica. Et pendant ces 23 dernières années, à un rythme croissant, nous avons été verser de plus en plus d'idées et de capacités dans Mathematica, je suis heureux de dire que cela a conduit à beaucoup de bonnes choses en Recherche et Développement et en éducation, dans beaucoup d'autres domaines. Eh bien, je dois admettre que, en fait, que j'avais aussi une raison très égoïste pour construire Mathematica. Je voulais l'utiliser moi-même, un peu comme Galilée avait utilisé son télescope il y a 400 ans. Mais je voulais regarder, non pas l'univers astronomique, mais l'univers computationnel.
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.
Nous considérons habituellement les programmes comme des choses compliquées que nous construisons à des fins très spécifiques. Mais qu'en est-il de l'espace de tous les programmes possibles? Voici une représentation d'un programme très simple. Si nous exécutons ce programme, voici ce que nous obtenons. Très simple. Essayons donc de modifier un peu la règle pour ce programme . Nous obtenons maintenant un autre résultat, toujours très simple. Essayez de le changer à nouveau. Vous obtenez quelque chose d'un peu plus compliqué, mais si nous continuons à le faire tourner pendant un certain temps, nous constatons que, bien que le schéma que nous obtenons soit très complexe, il a une structure très régulière. La question est donc: est-ce que qu'autre chose peut se produire? Eh bien, nous pouvons faire une petite expérience. Faisons simplement une petite expérience mathématique, et essayons de savoir.
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.
Exécutons tous les programmes possibles du type particulier que nous étudions. On les appelle des automates cellulaires. Vous pouvez voir une grande diversité dans le comportement ici. La plupart d'entre eux font des choses très simples. Mais si vous regardez toutes ces images différentes, à la règle numéro 30, vous commencez à voir que quelque chose d'intéressant se passe. Regardons de plus près la règle numéro 30 ici. Voilà. Nous ne faisons que suivre cette règle très simple ici, en bas, mais nous obtenons toutes des choses incroyables. Ce n'est pas du tout ce à quoi nous sommes habitués, et je dois dire que, quand j'ai vu cela pour la première fois, ce fut un grand choc pour mon intuition, et, en fait, pour le comprendre, j'ai finalement dû créer un nouveau type de science.
(Laughter)
(Rires)
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.
Cette science est différente, plus générale, que la science basée sur les mathématiques de ces 300 dernières années. Il a toujours semblé très mystérieux comment la nature, apparemment sans effort parvient à produire tant de choses qui nous semblent si complexes. Eh bien, je pense que nous avons trouvé son secret. C'est juste qu'en échantillonnant ce qui existe dans l'univers computationnel, on obtient plutôt fréquemment des choses semblables à la règle 30 ou à cela. Sachant cela, on commence à expliquer beaucoup de mystères de longue date dans la science. Cependant, cela soulève aussi de nouveaux problèmes, comme l'irréductibilité computationnelle. Nous sommes habitués à ce que la science nous permette de prédire des choses, mais quelque chose comme ceci est fondamentalement irréductible. La seule façon d'en trouver le résultat est, en fait, de simplement le regarder évoluer. Il est connecté à ce que j'appelle le principe de l'équivalence de calcul, qui nous dit que même les systèmes incroyablement simples peuvent faire des calculs aussi complexes. Pas besoin de beaucoup d'évolution technologique ou biologique pour être capable de faire un calcul arbitraire, juste quelque chose qui se passe, naturellement, partout. Des choses avec des règles aussi simples que celles-ci peuvent le faire. Eh bien, cela a des implications profondes sur les limites de la science, sur la prévisibilité et la contrôlabilité des processus biologiques ou des économies, sur l'intelligence dans l'univers, sur des questions comme le libre-arbitre et sur la création de technologie.
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.
Travaillant sur cette science depuis de nombreuses années, je me demandais, «Quelle sera sa première application géniale?" Eh bien, depuis que je suis enfant, je réfléchis à la systématisation des connaissances et en quelque sorte à son informatisation. Des gens comme Leibniz s'étaient également interrogés là-dessus 300 ans auparavant. Mais j'avais toujours pensé que pour faire des progrès, je devrais principalement répliquer un cerveau entier. Eh bien, maintenant j'en suis arrivé à penser que mon paradigme scientifique suggère quelque chose de différent. Et, soit dit en passant, j'ai maintenant obtenu des capacités de calcul énormes dans Mathematica, et je suis PDG avec des ressources matérielles pour faire de grands projets, apparemment fous. Ainsi j'ai décidé de simplement essayer de voir quelle quantité de la connaissance systématique dans le monde nous pouvons informatiser.
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.
Donc, ça a été un grand projet très complexe, dont je n'étais pas du tout sûr qu'il allait aboutir. Mais je suis heureux de dire qu'il va vraiment très bien. L'année dernière, nous avons pu lancer la première version en ligne de Wolfram Alpha. Il a pour objectif d'être un moteur de connaissances sérieuses qui calcule les réponses aux questions. Faisons un essai. Commençons avec quelque chose de très simple. Espérons que tout aille bien. Très bien. Très bien. Jusqu'ici tout va bien. (Rires) Essayons quelque chose d'un peu plus difficile. Disons que... Faisons quelque chose de mathématique et avec de la chance il trouvera la réponse et essayera de nous dire des choses intéressantes sur les mathématiques en rapport. Nous pourrions lui demander quelque chose sur le monde réel. Disons que - je ne sais pas - Quel est le PIB de l'Espagne? Il devrait être en mesure de nous le dire. Maintenant, nous pourrions calculer quelque chose lié à cela, Disons le PIB de l'Espagne divisé par, je ne sais pas, le - hmmm ... Disons le chiffre d'affaires de Microsoft.
(Laughter)
(Rires)
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.
L'idée est que nous pouvons entrer ceci, ce genre de question sous quelque forme que nous la concevions. Essayons donc de poser une question, comme une question sur la santé. Alors disons que nous avons un laboratoire de recherche qui - vous savez, le taux de cholesterol d'un homme de 50 ans est de 140. Tapons cela, et maintenant Wolfram Alpha va utiliser les données de santé publique disponibles et essayer de trouver à quelle partie de la population cela correspond, etc. Ou essayons de poser une question sur, je ne sais pas, la station spatiale internationale.
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.
Ce qui se passe ici, c'est que Wolfram Alpha ne se contente pas de chercher quelque chose; il calcule, en temps réel, où la station spatiale internationale est maintenant, en ce moment, à quelle vitesse elle va, etc. Wolfram Alpha connaît donc beaucoup, beaucoup de choses. Il couvre assez bien à ce jour, tout ce que vous pourriez trouver dans une bibliothèque de référence standard. Mais l'objectif est d'aller beaucoup plus loin et, de façon très large, de démocratiser tout ce genre de connaissance, et d'essayer de constituer une source qualifiée dans tous les domaines, pour être en mesure de calculer les réponses aux questions spécifiques que les gens ont, pas en cherchant ce que les autres ont pu écrire avant, mais en utilisant la connaissance intégrée pour calculer de toutes nouvelles réponses à une question spécifique.
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.
Maintenant, bien sûr, Wolfram Alpha est un projet à long terme, monumentalement énorme, avec beaucoup, beaucoup de défis. Pour commencer, il faut organiser une quantité astronomique de sources différentes de faits et de données, nous avons construit tout un pipeline d'automatisation Mathematica et d'experts humains pour ce faire. Mais ce n'est que le début. Compte tenu des faits ou des données brutes pour répondre effectivement aux questions, on doit calculer, on doit mettre en œuvre toutes les méthodes, tous les modèles, tous les algorithmes, etc. que la science et d'autres domaines ont construits au fil des siècles. Eh bien, même à partir de Mathematica, c'est toujours une énorme quantité de travail. Jusqu'à présent, il y a environ 8 millions de lignes de code Mathematica dans Wolfram Alpha construit par des experts de très nombreux domaines différents.
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.
Eh bien, une idée essentielle de Wolfram Alpha est que vous pouvez juste lui poser des questions en utilisant le langage humain ordinaire, ce qui signifie que nous devons être en mesure de prendre tous ces énoncés étranges que les gens tapent dans le champ de saisie et de les comprendre. Je dois dire que je pensais que cette étape pourrait bien être tout bonnement impossible. Deux événements importants ont eu lieu. Tout d'abord, un tas de nouvelles idées sur la linguistique qui venaient de l'étude de l'univers computationnel. Ensuite, la réalisation que d'avoir une connaissance réelle calculable change complètement la façon dont on peut aborder la compréhension du langage. Et, bien sûr, maintenant avec Wolfram Alpha effectivement dans la nature, nous pouvons tirer des conclusions par son utilisation actuelle. Et, en effet, il y a une coévolution intéressante entre Wolfram Alpha et ses utilisateurs humains. C'est vraiment encourageant. À l'heure actuelle, si l'on regarde les requêtes web, plus de 80% sont traitées avec succès la première fois. Si vous regardez l'application iPhone, le pourcentage est beaucoup plus grand. Donc, je suis plutôt content de tout cela.
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.
Mais, à bien des égards, nous en sommes encore au tout début avec Wolfram Alpha. Tout cela progresse très bien Nous devenons plus confiants. Vous pouvez vous attendre à voir la technologie Wolfram Alpha apparaître à plus en plus d'endroits, travaillant à la fois avec ce genre de données publiques, comme sur le site, et avec la connaissance privée pour des personnes, des entreprises, etc. Je me suis rendu compte que Wolfram Alpha donne à chacun un tout nouveau type de calcul que l'on peut appeler le calcul fondé sur la connaissance, où l'on ne se base pas seulement sur le calcul brut, mais sur une grande quantité de connaissance intégrée. Quand on fait cela, on change vraiment l'économie de la prestation des choses computationnelles, que ce soit sur le web ou ailleurs.
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.
Nous vivons une situation assez intéressante en ce moment. D'une part, nous avons Mathematica, avec son genre de langage formel et précis et un vaste réseau de capacités conçues avec soin capables de faire beaucoup de choses en quelques lignes. Permettez-moi de vous montrer quelques exemples ici. Voici un morceau trivial de programmation Mathematica. Voici quelque chose où nous intégrons en quelque sorte un tas de capacités différentes. Ici, nous allons simplement créer dans cette ligne une petite interface utilisateur qui nous permet de faire quelque chose d'amusant. Si vous continuez, c'est un programme un peu plus compliqué qui est en train de faire toutes sortes de choses algorithmiques, et de créer l'interface utilisateur. Mais c'est quelque chose de très précis. Il s'agit d'une description précise d'un langage formel précis qui fait que Mathematica sait quoi faire ici.
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.
Eh bien, d'autre part, nous avons Wolfram Alpha, avec toutes les désordres du monde et le langage humain par-dessus. Alors, que se passe-t-il quand vous mettez ces choses ensemble? Je pense que c'est en fait assez merveilleux. Avec Wolfram Alpha à l'intérieur de Mathematica, vous pouvez, par exemple, faire des programmes précis qui font appel à des données du monde réel. Voici un exemple très simple. Vous pouvez aussi entrer quelque chose de vague puis essayer que Wolfram Alpha comprenne ce dont vous parlez. Essayons de voir ici. Mais en réalité, je crois que la chose la plus passionnante à ce sujet est que cela donne vraiment la possibilité de démocratiser la programmation. N'importe qui, capable de dire ce qu'il veut en langage naturel, eh bien, l'idée est que Wolfram Alpha sera capable de comprendre précisément quelles parties de code pourront faire ce qu'on lui demande, puis montrer les exemples qui permettront de choisir ce dont on a besoin pour construire des programmes précis de plus en plus importants. Alors, parfois, Wolfram Alpha sera en mesure de faire tout ça tout de suite et juste de redonner un seul programme avec lequel vous pouvez ensuite calculer. Voici un grand site web où nous avons recueilli beaucoup de démonstrations éducatives sur toutes sortes de choses. Au hasard, je vais vous montrer un exemple, peut-être ici. Ce n'est qu'un exemple d'un de ces documents informatisés. C'est probablement un assez petit morceau de code Mathematica qui est capable de fonctionner ici.
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.
Très bien. Effectuons un zoom arrière. Ainsi, compte tenu de notre nouvelle science, y a-t-il une manière générale de l'utiliser pour créer de la technologie? Ainsi, avec des matériaux physiques, nous sommes habitués à faire le tour du monde et découvrir que des matériaux particuliers sont utiles pour des objectifs technologiques particuliers. Eh bien, il s'avère que nous pouvons faire quasiment la même chose dans l'univers computationnel. Il existe une source inépuisable de programmes. Le défi consiste à voir comment les exploiter à des fins humaines. Quelque chose comme la règle 30, par exemple, s'avère être un vraiment bon générateur aléatoire. D'autres programmes simples sont de bons modèles pour les processus dans le monde naturel ou social. Et, par exemple, Wolfram Alpha et Mathematica sont en fait maintenant chargés d'algorithmes que nous avons découverts en fouillant l'univers computationnel. Et, par exemple, - retournons sur - ceci est devenu étonnamment populaire parmi les compositeurs qui trouvent des formes musicales en explorant l'univers computationnel. En un sens, nous pouvons utiliser l'univers computationnel pour obtenir une créativité de masse sur mesure. J'espère que nous pourrons, par exemple, utiliser cela même pour que Wolfram Alpha fasse systématiquement des inventions et des découvertes à la volée et trouve toutes sortes de choses merveilleuses qu'aucun ingénieur et aucun processus d'évolution progressive n'auraient jamais trouvé.
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.
Cela mène à une sorte de question ultime. Est-ce que quelque part dans l'univers computationnel nous pourrions trouver notre univers physique? Peut-être qu'il y a même une règle très simple, un programme simple pour notre univers. Eh bien, l'histoire de la physique voudrait nous faire croire que la règle de l'univers doit être assez compliquée. Mais dans l'univers computationnel nous avons vu comment les règles qui sont incroyablement simples peuvent produire des comportements incroyablement riches et complexes. Se pourrait-il qu'il en aille de même pour notre univers tout entier? Si les règles de l'univers sont simples, il est en quelque sorte inévitable qu'elles soient très abstraites et de très faible niveau, opérant, par exemple, bien au-dessous du niveau de l'espace ou du temps, ce qui rend difficile leur représentation. Mais dans une grande variété de cas, on peut penser à l'univers comme étant une sorte de réseau, qui, quand il est assez grand, se comporte comme un espace continu un peu comme si plein de molécules se comportaient comme un fluide continu. Eh bien, l'univers doit évoluer en appliquant des petites règles qui, progressivement, mettent à jour de ce réseau. Et chaque règle possible, en un sens, correspond à un univers candidat.
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.
En fait, je n'ai encore jamais montré ceci, mais voici quelques-uns des univers candidats que j'ai observés. Certains de ces univers sont sans espoir, complètement stériles, avec d'autres types de pathologies comme aucune notion de l'espace, aucune notion du temps, pas de matière, d'autres problèmes comme ça. Mais la chose passionnante que j'ai trouvée ces dernières années est que vous n'avez pas besoin d'aller très loin dans l'univers computationnel avant de commencer à trouver des univers candidats qui ne sont pas évidemment pas notre univers. Voici le problème: tout candidat sérieux pour notre univers, est inévitablement plein d'irréductibilité de calcul, ce qui signifie qu'il est irréductiblement difficile de savoir comment il va vraiment se comporter, et s'il correspond à notre univers physique. Il y a quelques années, j'étais plutôt enthousiaste à l'idée de découvrir s'il y avait des univers candidats avec des règles extrêmement simples qui réussissent à reproduire la relativité restreinte et même la relativité générale et la gravitation, et qui au moins donnent des indications de mécanique quantique. Alors, allons-nous trouver l'ensemble de la physique? Je n'en suis pas sûr. Mais je pense qu'à ce stade c'est presque gênant de ne pas au moins essayer.
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.
Pas un projet facile. On doit construire beaucoup de technologie. On doit construire une structure qui est probablement au moins aussi profonde que la physique actuelle. Et je ne suis pas sûr de savoir quel est le meilleur moyen d'organiser tout cela. Constituer une équipe, l'ouvrir, offrir des prix, etc. Mais je vous dis ici aujourd'hui que je suis déterminé à voir ce projet se réaliser, pour voir si, dans cette décennie, nous pouvons enfin tenir dans nos mains la règle de notre univers et savoir où se trouve notre univers dans l'espace de tous les univers possibles - et être capable de taper dans Wolfram Alpha "la théorie de l'univers", et qu'il nous le dise.
(Laughter)
(Rires)
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.
J'ai donc travaillé sur l'idée de calcul depuis plus de 30 ans, en construisant des outils et des méthodes et en transformant des idées intellectuelles en millions de lignes de code et en grain à moudre pour les parcs de serveurs. Année après année, je me rends compte à quel point l'idée de calcul est vraiment plus puissante. Nous avons déjà parcouru un long chemin, mais il y a tellement plus à faire. Des fondations de la science aux limites de la technologie à la définition même de la condition humaine, je pense que le calcul est destiné à être l'idée déterminante de notre avenir.
Thank you.
Merci.
(Applause)
(Applaudissements)
Chris Anderson: That was astonishing. Stay here. I've got a question.
Chris Anderson: C'était vraiment éblouissant. Restez ici. J'ai une question.
(Applause)
(Applaudissements)
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?
Alors, c'était, pour être honnête, un exposé éblouissant. Êtes-vous capable de dire en une phrase ou deux comment ce type de réflexion pourrait s'intégrer à un moment donné à des choses comme la théorie des cordes ou le genre de choses que les gens considèrent comme les explications fondamentales de l'univers?
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.
Stephen Wolfram: Eh bien, les parties de la physique que nous tenons pour vraies, des choses comme le modèle standard de la physique. Ce que j'essaie de faire reproduit mieux le modèle standard de la physique ou c'est tout simplement faux. Les choses que les gens ont essayé de faire au cours des 25 dernières années avec la théorie des cordes, ont été une exploration intéressante qui a essayé de revenir au modèle standard, mais ils n'y sont pas tout à fait parvenus. Je pense que certaines simplifications de choses que je fais peuvent en fait avoir une résonance considérable avec ce qui a été fait dans la théorie des cordes, mais c'est une chose mathématique compliquée dont je ne sais pas encore comment elle va tourner.
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?
CA: Benoit Mandelbrot est dans le public. Il a également montré comment la complexité peut découler d'un début simple. Votre travail a-t-il un rapport avec le sien?
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 ...
SW: Je pense que oui. Je considère le travail de Benoit Mandelbrot comme en quelque sorte une des contributions fondatrices dans ce genre de domaine. Benoit a été particulièrement intéressé par les modèles imbriqués, les fractales, etc, où la structure est quelque chose qui a un peu la forme d'un arbre, et où il y a une grosse branche qui fait des petites branches, et des branches encore plus petites, etc. C'est l'un des moyens de s'approcher de la véritable complexité. Je pense que des choses comme l'automate cellulaire de la règle 30 nous amène à un niveau différent. En fait, d'une manière très précise, ils nous amènent à un niveau différent parce qu'ils semblent être des choses qui sont capables de complexité qui est presque aussi grande que la complexité puisse jamais être...
I could go on about this at great length, but I won't. (Laughter) (Applause)
Je pourrais continuer sur ce sujet indéfiniment, mais je ne le ferai pas.
CA: Stephen Wolfram, thank you.
CA: Stephen Wolfram, merci.
(Applause)
(Applaudissements)