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.
Jadi hari ini saya ingin berbicara tentang sebuah ide. Ini sebuah ide yang besar. Sebenarnya, saya pikir hal ini lambat laun mungkin akan dipandang sebagai salah satu ide terbesar yang muncul di abad lalu. Hal ini adalah ide tentang komputasi. Sekarang, tentunya, ide tersebut telah membawakan kita semua teknologi komputer yang kita punya sekarang dan sebagainya. Tetapi sebenarnya, masih banyak lagi perhitungan daripada itu semua. Ini merupakan sebuah ide yang sangat dalam, sangat kuat, sangat mendasar di mana efek-efeknya baru kita lihat.
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.
Saya telah menghabiskan 30 tahun terakhir dari hidup saya mengerjakan tiga proyek yang besar yang benar-benar mencoba untuk menggunakan ide tentang komputasi secara serius. Jadi saya mulai dari usia dini sebagai seorang fisikawan yang menggunakan komputer sebagai alat. Lalu, saya kemudian mendalaminya, berpikir tentang komputasi-komputasi yang mungkin ingin saya lakukan, mencoba mencari primitif-primitif apa yang dapat membangun mereka dan bagaimana mereka dapat diotomatisasikan sebanyak mungkin. Akhirnya, saya menciptakan sebuah struktur yang utuh berdasarkan pemrograman simbolik dan sebagainya yang memungkinkan saya menciptakan Mathematica. Dan selama 23 tahun terakhir ini, dengan kelajuan yang meningkat, kita telah mencurahkan makin banyak ide dan kemampuan dan sebagainya ke dalam Mathematica, dan saya senang mengatakan bahwa hal ini berujung baik dalam litbang dan pendidikan, dan banyak bidang-bidang lainnya. Saya harus akui, sebenarnya, bahwa saya juga mempunyai alasan yang sangat egois dalam membangun Mathematica. Saya ingin menggunakannya untuk diri saya sendiri, sedikit seperti Galileo waktu dia menggunakan teleskopnya 400 tahun yang lalu. Tapi saya mau melihat, bukan ke dalam dunia astronomi, tetapi ke dalam dunia komputasional.
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.
Jadi kita biasanya mempunyai pikiran bahwa program adalah barang-barang rumit yang kita ciptakan untuk tujuan yang sangat spesifik. Tapi bagaimana dengan ruang dari semua program yang mungkin diciptakan? Ini adalah seburah representasi dari sebuah program yang sangat sederhana. Jadi, jika kita jalankan program ini, inilah yang kita dapatkan. Sangat sederhana. Jadi mari kita coba mengganti aturan untuk program ini sedikit saja. Sekarang kita dapatkan hasil yang berbeda, masih sangat sederhana. Ganti sekali lagi. Dan Anda dapatkan sesuatu yang sedikit lebih rumit, tetapi apabila kita terus menjalankan ini selama beberapa saat, kita lihat bahwa, meskipun pola yang kita dapat sangatlah rumit, ia masih mempunyai sebuah struktur yang sangat beraturan. Jadi pertanyaannya: Dapatkah hal yang lain terjadi? Kita dapat mencoba melakukan sebuah eksperimen kecil. Mari kita kerjakan sebuah eksperimen matematika kecil, coba dan cari tahu.
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.
Mari kita jalankan semua program yang mungkin dari tipe spesifik yang kita amati. Mereka disebut sebagai otomata selular. Anda dapat melihat beragam jenis kelakuan di sini. Kebanyakan dari mereka hanya mengerjakan kegiatan-kegiatan yang sederhana. Tetapi jika Anda amati secara seksama semua gambar-gambar yang berbeda ini, di aturan nomor 30, Anda mulai melihat sesuatu yang menarik sedang terjadi. Jadi marilah kita amati lebih dekat di aturan nomor 30 di sini. Jadi inilah dia. Kita hanya mengikuti aturan yang sangat sederhana di bawah ini, tetapi kita mendapatkan semua hal yang menarik ini. Ini sama sekali bukanlah sesuatu yang kita biasa hadapi, dan saya harus mengatakan bahwa, ketika pertama kali saya melihat ini, saya merasakan sebuah pukulan yang sangat besar terhadap nalar saya, dan, sebenarnya, untuk mengerti tentang hal ini, saya akhirnya harus menciptakan sebuah sains yang sama sekali baru.
(Laughter)
(Laughter)
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.
Sains ini berbeda, lebih umum, daripada sains berdasarkan matematika yang kita punyai selama 3 abad terakhir ini. Anda tahu, semua ini selalu terlihat sebagai sebuah misteri yang besar bagaimana alam, sepertinya gampang sekali dapat menciptakan banyak sekali hal-hal yang bagi kita kelihatannya rumit sekali. Saya rasa kita telah menemukan rahasianya. Kita hanya perlu mengambil contoh dari dunia komputasional dan seringkali kita mendapatkan hal-hal seperti Aturan 30 atau seperti ini. Dan setelah kita tahu hal ini, ia dapat menjelaskan banyak misteri-misteri yang telah lama dihadapi di sains. Akan tetapi hal ini juga menimbulkan masalah-masalah baru seperti perhitungan yang tidak dapat disederhanakan lagi. Maksud saya, kita sudah terbiasa menggunakan sains untuk memperkirakan sesuatu, tapi hal seperti yang satu ini secara mendasar, sudah tidak dapat lagi disederhanakan. Satu-satunya cara untuk mengetahui hasilnya adalah, secara efektif, dengan cara melihatnya berevolusi. Hal ini terkait dengan, yang saya sebut, Aturan Perhitungan Ekuivalen, yang menunjukkan kita bahwa bahkan sistem-sistem yang teramat sederhana dapat melakukan perhitungan yang sangat sulit sekalipun. Hal ini tidak memerlukan banyak teknologi ataupun evolusi biologis untuk dapat melakukan perhitungan macam apapun, hanya perlu sesuatu yang terjadi, secara alamiah, di manapun hal ini berada. Hal-hal dengan aturan sesederhana ini dapat melakukannya. Hal ini mempunyai dampak yang sangat besar terhadap batasan sains, mengenai kemampuan untuk memperkirakan dan mengontrol hal-hal seperti proses-proses biologi atau ekonomi, tentang kepintaran di alam semesta, tentang pertanyaan-pertanyaan seperti kehendak bebas, dan tentang menciptakan teknologi.
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.
Anda tahu, setelah bekerja di bidang sains ini bertahun-tahun, saya kerap bertanya-tanya, "Apa yang dapat menjadi aplikasi penting (killer app) yang pertama?" Sejak saya masih kecil, saya telah berpikir tentang bagaimana cara membuat ilmu pengetahuan sistematis dan entah bagaimana membuatnya dapat dihitung. Orang-orang seperti Leibniz telah mempertanyakan hal yang sama juga 300 tahun yang lalu. Tetapi saya selalu berasumsi bahwa untuk dapat membuat kemajuan, saya harus mereplikasi sebuah otak yang utuh. Jadi, saya akhirnya berpikir: Pola pikir sains saya ini mengajukan hal yang berbeda. Dan, omong-omong, sekarang saya mempunyai kemampuan berhitung yang sangat besar dengan Mathematica, dan saya seorang CEO dengan banyak dana untuk mengerjakan proyek-proyek besar, yang kelihatannya mustahil. Jadi saya memutuskan untuk mencoba melihat berapa banyak pengetahuan sistematis yang ada di dunia ini yang dapat kita buat menjadi dapat dihitung.
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.
Jadi, ini adalah sebuah proyek yang besar, dan sangat rumit yang saya tidak yakin dapat bekerja. Tetapi saya senang untuk mengatakan bahwa semuanya berjalan dengan lancar. Dan tahun lalu, kita dapat mempertunjukkan versi pertama dari website Wolfram Alpha. Tujuan hal ini adalah untuk menjadi sebuah sarana pengetahuan yang serius yang menghitung jawaban dari pertanyaan. Jadi marilah kita mencobanya. Mari kita mulai dengan sesuatu yang sangat mudah. Dan berharap untuk yang terbaik. Sangat bagus. Oke. Sejauh ini baik-baik saja. (Tertawa) Mari kita coba sesuatu yang lebih sulit. Seperti misalnya... Mari kita kerjakan sesuatu yang lebih matematis dan kalau kita beruntung, ia akan memberikan jawabannya dan mencoba memberitahu kita beberapa hal yang menarik hal-hal yang berhubungan dengan matematika. Kita juga dapat menanyakannya sesuatu tentang dunia nyata. Seperti misalnya -- saya tidak tahu -- Berapakah PDB dari Spanyol? Dan ia seharusnya dapat memberi tahu kita hal itu. Sekarang kita dapat menghitung sesuatu yang berkaitan dengan ini, mari kita ambil PDB dari Spanyol dibagi dengan, saya tidak tahu, dengan -- hmmm.. mari kita ambil laba dari Microsoft.
(Laughter)
(Tertawa)
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.
Idenya adalah kita tinggal mengetikkan hal ini, pertanyaan seperti ini, bagaimanapun kita memikirkannya. Jadi mari kita coba menanyakan sebuah pertanyaan, seperti pertanyaan yang berhubungan dengan kesehatan. Jadi mari kita asumsi kita mempunyai hasil riset lab yang -- anda tahu, kita mempunyai level LDL setinggi 140 untuk lelaki berusia 50. Jadi marilah kita mengetikknya, dan sekarang Wolfram Alpha akan pergi mengambil dan menggunakan data kesehatan publik dan mencoba mengartikan mana bagian populasi yang menjelaskan bagian mana dan sebagainya. Atau mari kita tanya tentang, saya tidak tahu, stasiun luar angkasa internasional.
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.
Dan apa yang terjadi di sini adalah Wolfram Alpha tidak hanya mencari sesuatu; ia menghitung, dalam real time, di mana stasiun luar angkasa internatsional berada sekarang, di waktu ini berapa kecepatannya dan sebagainya. Jadi Wolfram Alpha tahu tentang banyak hal-hal yang beragam. Sekarang ia mempunyai, cakupan yang cukup baik tentang hal-hal yang dapat anda temukan di perpustakaan-perpustakaan standar dan sebagainya. Tetapi tujuannya adalah untuk maju lebih banyak lagi dan, secara luas, untuk mendemokratisasikan semua bentuk pengetahuan seperti ini, dan untuk mencoba menjadi sebuah sumber otoritatif di semua area, untuk dapat menghitung jawaban ke pertanyaan-pertanyaan spesifik yang dipunyai orang-orang, bukan dengan mencari apa yang orang lain sudah pernah tulis sebelumnya, tetapi dengan menggunakan pengetahuan yang dibangun ke dalamnya untuk menghitung jawaban yang baru ke pertanyaan yang spesifik.
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.
Sekarang, tentunya, Wolfram Alpha adalah sebuah proyek yang besar, jangka panjang dengan banyak tantangan. Awalnya, kita harus mengumpulkan banyak dan berbagai macam fakta dan data, dan kita membangun sebuah struktur untuk otomatisasi Mathematica dan keahlian manusia untuk mengerjakan ini. Tetapi hal ini hanyalah awalnya. Dengan fakta-fakta atau data mentah untuk menjawab pertanyaan-pertanyaan, seseorang harus menghitung, seseorang harus menerapkan semua metode dan model dan algoritma dan seterusnya yang telah dibangun oleh sains dan area-area lainnya selama berabad-abad. Bahkan jika kita memulai dari Mathematica, ini masih sebuah tugas yang sangat besar. Sejauh ini, ada sekitar 8 juta baris dari kode Mathematica di dalam Wolfram Alpha yang dibangun oleh ahli-ahli dari beragam bidang.
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.
Ide yang penting dari Wolfram Alpha adalah Anda dapat mengajukan pertanyaan kepadanya dalam bahasa manusia sehari-hari, dengan kata lain kita harus dapat mengambil semua hal aneh yang diketikkan orang ke kolom masukan dan mengartikannya. Dan saya harus bilang bahwa saya pikir langkah itu mungkin saja mustahil. Dua hal yang sangat besar terjadi. Pertama, sekelompok ide baru tentang linguistik yang muncul waktu kita mempelajari dunia komputasional. Dan kedua, penyadaran bahwa mempunyai pengetahuan komputasional yang nyata mengubah bagaimana kita dapat memahami bahasa. Dan, tentunya, sekarang dengan beredarnya Wolfram Alpha, kita dapat belajar dari pemakaian sebenarnya. Dan, sebenarnya, ada ko-evolusi yang menarik yang sedang terjadi antara Wolfram Alpha dan manusia-manusia yang menggunakannya. Dan hal ini sangatlah meyakinkan. Sekarang ini, jika kita lihat pencarian-pencarian di Internet, lebih dari 80% nya sukses diatasi pada pencarian pertamanya. Dan jika Anda melihat hal-hal seperti aplikasi iPhone, jumlah yang berhasil lebih besar lagi. Jadi, saya cukup senang dengan semua ini.
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.
Tetapi, dalam berbagai hal, kita baru saja memulai dengan Wolfram Alpha. Maksud saya, semuanya sedang berjalan secara lancar. Kita semakin percaya diri. Anda dapat berharap untuk melihat teknologi Wolfram Alpha muncul di bidang-bidang yang lebih banyak lagi, bekerja dengan data-data umum, seperti di halaman ini, dan dengan pengetahuan yang lebih privat untuk orang-orang dan perusahaan dan sebagainya. Anda tahu, saya telah menyadari bahwa Wolfram Alpha sebenarnya memberikan sebuah konsep yang sangat baru tentang komputasi yang dapat kita sebut sebagai komputasi berbasis pengetahuan, di mana seseorang memulai, bukan hanya dari komputasi mentah, tetapi juga dengan pengetahuan yang sangat banyak yang sudah tersedia. Dan ketika kita melakukan hal tersebut, kita telah mengubah ekonomi dari pengantaran hal-hal komputasional, baik itu ada di web atau di mana pun.
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.
Anda tahu, kita mempunyai sebuah situasi yang lumayan menarik sekarang ini. Di satu sisi, kita punya Mathematica, dengan bahasanya yang tepat, formal dan sebuah kumpulan yang sangat besar dari kemampuan-kemampuan yang dirancang secara seksama yang dapat melakukan banyak hal hanya dengan beberapa baris saja. Mari saya tunjukkan Anda beberapa contoh di sini. Jadi ini adalah sesuatu yang sangat sederhana dalam pemrograman Mathematica. Jadi di sini kita mempunyai sesuatu di mana kita lebih kurang memadukan sejumlah kemampuan yang berbeda di sini. Kita hanya perlu menciptakan, di baris ini, sebuah antarmuka pengguna yang memperbolehkan kita untuk melakukan sesuatu yang keren. Jika Anda melanjutkannya, masih ada sebuah program yang sedikit lebih rumit yang sekarang sedang melakukan segala macam algoritma dan menciptakan antarmuka pengguna dan sebagainya. Tetapi itu semua sebuah hal yang sangatlah spesifik. Ini adalah spesifikasi yang tepat dengan bahasa formal yang tepat juga yang membuat Mathematica tahu apa yang perlu dilakukan di sini.
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.
Di sisi yang lain, kita punya Wolfram Alpha, dengan semua kekacauan yang ada di dunia dan bahasa manusia dan sebagainya, dibangun di dalamnya. Jadi apa yang terjadi ketika kita menggabungkan semua ini? Saya rasa ini adalah sesuatu yang sangat indah. Dengan Wolfram Alpha di dalam Mathematica, Anda dapat, contohnya, membuat program-program yang memanggil dan menggunakan data dunia nyata. Ini sebuah contoh yang sangat sederhana. Anda juga dapat memberikan masukan yang kurang jelas dan membiarkan Wolfram Alpha untuk mencoba mengerti apa yang sedang Anda maksudkan. Mari kita coba ini di sini. Tetapi sebenarnya, saya pikir hal yang paling menarik dari semua ini adalah bahwa hal ini memberikan seseorang kesempatan untuk membuat pemrograman menjadi demokratis. Maksud saya, semua orang hanya perlu mengatakan apa yang mereka mau dalam bahasa sehari-hari lalu, idenya adalah, Wolfram Alpha akan dapat mengerti apa yang kode-kode spesifik dapat kerjakan untuk apa yang mereka minta lalu menunjukkan mereka contoh-contoh yang akan membiarkan mereka memilih apa yang mereka perlukan untuk membangun program-program yang semakin besar dan tepat. Jadi, kadang-kadang, Wolfram Alpha akan dapat mengerjakan semuanya secara langsung dan akhirnya memberikan sebuah program besar yang dapat Anda hitung. Jadi ini website yang sangat besar di mana kita sedang mengumpulkan berbagai macam pendidikan demonstrasi tentang berbagai macam hal. Jadi, saya tidak tahu, saya akan memberikan satu contoh kepada Anda, mungkin ini. Ini hanyalah sebuah contoh dari salah satu dokumen di sini. Ini mungkin hanya sebagian kecil dari kode Mathematica yang dapat dijalankan di sini.
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.
Ok. Mari kita mundur sedikit lagi. Jadi, dengan sains kita yang baru, apakah ada sebuah cara yang lebih umum untuk menciptakan teknologi? Jadi, dengan bahan-bahan fisikal, kita terbiasa untuk menjelajahi dunia dan menemukan bahwa bahan-bahan tertentu sangat berguna untuk tujuan teknologi tertentu dan seterusnya. Jadi, ternyata, kita dapat melakukan hal yang mirip di alam semesta komputasional. Program-program yang ada di dalamnya tidak mungkin habis. Tantangannya adalah bagaimana kita dapat menggunakannya untuk tujuan-tujuan manusia. Sesuatu seperti Aturan 30, sebagai contoh, ternyata dapat digunakan untuk menghasilkan keacakan dengan baik. Program-program sederhana lainnya adalah model yang baik untuk proses di alam atau dunia sosial. Dan, contohnya, Wolfram Alpha dan Mathematica sekarang sebenarnya sangat penuh dengan algoritma-algoritma yang kita temukan waktu kita mencari-cari di alam semesta komputasional. Dan, contohnya, ini -- kita balik lagi ke sini -- Ini telah menjadi sesuatu yang populer di antara para penggubah lagu untuk menemukan bentuk musikal dengan mencarinya di alam semesta komputasional. Dengan kata lain, kita dapat menggunakan alam semesta komputasional untuk mendapatkan kreativitas yang dibentuk massa. Saya berharap kita dapat, contohnya, menggunakan Wolfram Alpha secara rutin untuk menciptakan dan menemukan hal-hal baru dan untuk menemukan berbagai macam hal-hal yang indah yang tidak ada insinyur dan tidak ada proses evolusi bertahap dapat ciptakan.
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.
Jadi akhirnya ini semua berujung ke pertanyaan akhir. Apakah ada sebuah tempat di alam semesta komputasional ini di mana kita dapat temukan alam semesta fisikal kita? Bahkan mungkin ada beberapa aturan-aturan yang sederhana, sebuah program sederhana untuk alam semesta kita. Sejarah fisika membuat kita percaya bahwa aturan alam semesta kita ini pasti rumit. Tetapi di alam semesta komputasional kita sekarang telah melihat bagaimana aturan-aturan yang sangat sederhana dapat menghasilkan perilaku yang beragam dan rumit. Jadi mungkinkah hal yang sama terjadi dengan alam semesta kita? Jika aturan-aturan untuk alam semesta sangatlah sederhana, tidak dapat dihindari bahwa mereka haruslah sangat abstrak dan sangat-sangat mendasar, yang bekerja, seperti contoh, jauh di bawah tingkatan ruang dan waktu, yang membuatnya sulit untuk merepresentasikan benda-benda. Tetapi setidaknya di dalam sebuah kumpulan kasus-kasus yang besar, kita dapat memikirkan alam semesta seperti semacam jaringan, yang, ketika jaringan ini menjadi cukup besar, bertingkah laku seperti ruang yang kontinu mirip dengan kasus di mana molekul-molekul dengan jumlah yang banyak dapat bertindak seperti sebuah cairan yang kontinu. Jadi kalau begitu alam semesta harus berevolusi untuk menerapkan aturan-aturan kecil yang terus meningkatkan kinerja jaringan ini. Dan setiap aturan yang mungkin, terkait dengan sebuah kandidat alam semesta.
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.
Sebenarnya, saya belum pernah menunjukkan ini sebelumnya, tapi ini beberapa dari kandidat alam semesta yang sudah saya teliti. Beberapa dari ini adalah alam semesta yang tidak mempunyai harapan, sama sekali steril, dan hal-hal lain yang merusak seperti tidak ada gagasan ruang. tidak ada gagasan waktu, tidak ada masalah seperti itu. Tetapi hal yang menarik yang telah saya temukan dalam beberapa tahun terakhir ini adalah bahwa Anda sebenarnya tidak harus merantau jauh di dalam alam semesta komputasional sebelum Anda menemukan kandidat alam semesta yang tentunya bukan alam semesta kita. Jadi masalahnya ini: Kandidat alam semesta yang serius untuk alam semesta kita. tidak dapat luput dari komputasi yang tidak dapat dijabarkan, artinya sangatlah sulit bagi kita untuk menentukan perilaku kandidat itu sebenarnya, dan apakah ia cocok dengan alam semesta fisikal kita. Beberapa tahun yang lalu, saya cukup senang untuk menemukan bahwa ada beberapa kandidat alam semesta dengan aturan-aturan yang benar-benar sederhana yang dapat menghasilkan relativitas spesial secara sukses dan bahkan relativitas umum dan gravitasi dan setidaknya memberikan tanda-tanda adanya mekanika kuantum. Jadi, akankah kita menemukan semua fisika? Saya tidak tahu secara pasti. Tetapi saya pikir, di saat ini, sepertinya cukup memalukan jika kita tidak mecobanya.
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.
Bukan sebuah projek yang gampang. Kita harus merancang banyak teknologi. Kita harus membangun sebuah struktur yang mungkin saja sekurang-kurangnya sedalam fisika sekarang ini. Dan saya tidak yakin apa cara terbaik untuk mengatur semua ini. Membangun sebuah tim, mengedarkannya, menawarkan hadiah-hadiah dan sebagainya. Tetapi saya mengatakan hal ini kepada Anda sekalian hari ini bahwa saya bertekad untuk melihat proyek ini selesai dilaksanakan, untuk melihat bahwa, di dalam dasawarsa ini, kita akhirnya dapat menggenggam aturan dari alam semesta kita ini dan tahu di mana alam semesta kita berada di dalam himpunan dari semua alam semesta yang mungkin -- dan juga dapat mengetik ke dalam Wolfram Alpha "teori alam semesta," dan mendapat jawaban darinya.
(Laughter)
(Tertawa)
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.
Jadi saya telah bekerja dengan ide tentang komputasi ini sekarang selama lebih dari 30 tahun, membuat perkakas-perkakas dan metode-metode dan mengubah ide-ide ke dalam jutaan baris kode dan banyak server dan sebagainya. Dengan setiap tahun yang berlalu, saya menyadari bagaimana begitu kuatnya ide tentang komputasi yang sebenarnya. Kita telah berjalan sangat jauh, tetapi masih banyak lagi hal-hal yang akan datang. Dari dasar-dasar sains ke batas-batas teknologi ke definisi asli kondisi manusia, saya rasa komputasi ditakdirkan untuk menjadi ide yang mendefinisikan masa depan kita.
Thank you.
Terima kasih.
(Applause)
(Tepuk tangan)
Chris Anderson: That was astonishing. Stay here. I've got a question.
Chris Anderson: Itu sangat mengagumkan. Tetaplah di sini. Saya ada pertanyaan.
(Applause)
(Tepuk tangan)
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?
Jadi, itu sebuah ceramah yang sangat mengagumkan. Apakah Anda dapat mengatakan dalam satu atau dua kalimat bagaimana pemikiran seperti ini dapat berintegrasi di suatu titik dengan hal-hal seperti teori string ataupun hal-hal yang orang-orang pikir sebagai penjelasan mendasar dari alam semesta?
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: Bagian-bagian dari fisika yang kita tahu benar, ialah hal-hal seperti model standar fisika. Apa yang saya coba adalah untuk menghasilkan model standar dari fisika yang lebih baik atau membuktikan bahwa itu semua salah. Hal-hal yang sedang orang-orang coba di dalam 25 tahun terakhir ini dengan teori string dan lain sebagainya adalah sebuah penjelajahan yang menarik yang mencoba untuk kembali ke model standar, tetapi belum sampai di sana. Dugaan saya adalah beberapa penyederhanaan yang saya buat mungkin sebenarnya mempunyai kemiripan dengan apa yang sedang dikerjakan di teori string, tetapi itu merupakan persoalan matematika yang sangat rumit yang saya belum tahu bagaimana semuanya dapat bekerja dengan lancar.
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 Mandlebrot juga salah satu penonton. Dia telah membuktikan bagaimana kompleksitas dapat timbul dari sebuah awal yang sederhana. Apakah yang Anda lakukan berhubungan dengan hasil kerjanya?
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: Saya rasa demikian. Saya menganggap hasil kerja Benoit Mandlebrot sebagai salah satu faktor penunjang awal di area seperti ini. Benoit tertarik pada pola-pola yang tersarang, fraktal dan sebagainya, di mana strukturnya seperti sesuatu yang menyerupai pohon, dan di mana ada sebuah cabang besar yang membuat cabang-cabang yang kecil, dan bahkan cabang yang lebih kecil dan seterusnya. Itu merupakan salah satu cara untuk mendapatkan kompleksitas yang sesungguhnya. Saya rasa hal seperti otomata seluar Aturan 30 membawa kita ke tahapan yang berbeda. Bahkan, mereka membawa kita ke tahapan yang berbeda secara spesifik karena kelihatannya mereka adalah benda-benda yang mempunyai kapasitas kompleksitas yang sangat rumit sekali.
I could go on about this at great length, but I won't. (Laughter) (Applause)
Saya tidak akan membahas hal ini lebih dalam lagi.
CA: Stephen Wolfram, thank you.
CA: Stephen Wolfram, terima kasih.
(Applause)
(Tepuk tangan)