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.
Ik wil het hebben over een groots idee. Ik denk dat het uiteindelijk zal worden gezien als het allergrootste idee dat de afgelopen eeuw heeft voortgebracht. Het is het idee van de berekening. Dat idee heeft ons heel onze huidige computertechnologie gebracht. Maar berekening heeft veel te betekenen dan dat. Het is een erg diep, erg krachtig, erg fundamenteel idee, waarvan we het effect pas nu beginnen te zien.
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.
Ik heb de voorbije 30 jaar van mijn leven besteed aan drie grote projecten die het idee van berekening ernstig proberen te nemen. Ik begon op jonge leeftijd als natuurkundige die computers als gereedschap gebruikte. Daarna begon ik in te zoomen. Ik dacht na over de berekeningen die ik wilde doen, uit welke primitieven ze opgebouwd konden worden en hoe ze zoveel mogelijk geautomatiseerd konden worden. Uiteindelijk creëerde ik een structuur gebaseerd op symbolisch programmeren, waardoor ik Mathematica kon bouwen. De afgelopen 23 jaar hebben we meer en meer ideeën en functionaliteiten in Mathematica gestopt. Dat heeft tot veel goede dingen geleid in onderzoek en ontwikkeling en onderwijs, en in andere gebieden. Ik moet toegeven dat ik Mathematica ook uit eigenbelang heb gemaakt. Ik wilde het zelf gebruiken, een beetje zoals Galileo zijn telescoop gebruikte 400 jaar geleden. Maar ik wilde niet n aar het astronomische universum kijken, maar naar het universum van de berekeningen.
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.
Gewoonlijk zien we programma's als moeilijke dingen die we bouwen voor erg specifieke doeleinden. Maar wat met ruimte van alle mogelijke programma's? Hier is een voorbeeld van een echt simpel programma. Als we dit programma uitvoeren, dan krijgen we dit. Erg eenvoudig. Laten we dus de regel voor dit programma een beetje veranderen. Nu krijgen we een ander resultaat, nog steeds erg eenvoudig. Probeer het nog een keer te veranderen. Het wordt wat ingewikkelder, maar als we dit een tijdje laten draaien ontdekken we dat het patroon hoewel erg complex, toch een regelmatige structuur heeft. De vraag is dus: kan er nog iets anders gebeuren? We kunnen een experimentje doen. Laten we een wiskundig experimentje doen, proberen en ontdekken.
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.
Laten we alle mogelijke programma's uitvoeren van het bijzondere type waar we naar kijken. Ze worden cellulaire automata genoemd. Je ziet heel verscheiden gedrag. De meeste doen eenvoudige dingen. Maar als je lang genoeg kijkt naar de plaatjes, op regel nummer 30, dan zie je dat er iets interessants aan de hand is. Laten we dus nader kijken naar regel nummer 30 hier. Hier is het. We volgen alleen deze eenvoudige regel hier beneden, maar we krijgen al die verbazingwekkende dingen. Dit is helemaal niet wat we gewend zijn, en ik moet zeggen, toen ik dit voor het eerst zag, was het een grote schok voor mijn intuïtie. Om het te begrijpen, moest ik uiteindelijk een hele nieuw soort wetenschap creëren.
(Laughter)
(Gelach)
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.
Deze wetenschap is anders, algemener dan de op wiskunde gebaseerde wetenschap van de afgelopen 300 jaar. Het leek altijd een groot mysterie hoe de natuur, ogenschijnlijk zo moeiteloos in staat is zoveel te produceren dat voor ons zo complex lijkt. Ik denk dat we het geheim hebben gevonden. In het universum van de berekeningen is er alleen sampling. Vaak krijgen we dingen zoals Regel 30 of zoals dit. Dat weten, verklaart veel lang bestaande mysteries in de wetenschap. Het zorgt ook voor nieuwe kwesties, zoals de onherleidbaarheid van berekeningen. We zijn gewend dat wetenschap ons dingen laat voorspellen, maar zoiets als dit is fundamenteel onherleidbaar. De enige mogelijke weg om de uitkomst te vinden is gewoon kijken hoe het evolueert. Het is gelinkt aan het 'principe van equivalentie van berekeningen', dat ons leert dat zelfs zeer eenvoudige systemen zeer gesofisticeerde berekeningen kunnen doen. Er is niet veel technologie of biologische evolutie voor nodig om arbitraire berekeningen te doen. Het gebeurt gewoon, natuurlijk, overal. Dingen met zulke simpele regels als dit kunnen het. Dit heeft vérstrekkende gevolgen voor de grenzen van de wetenschap, voor de voorspelbaarheid en controleerbaarheid van dingen zoals biologische processen of economieën, voor intelligentie in het heelal, voor vraagstukken als de vrije wil en voor het maken van 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.
Terwijl ik jaren gewerkt hebt aan deze wetenschap, bleef ik me afvragen: "Wat zal de eerste 'killer app' zijn?" Sinds mijn kindertijd heb ik aan het systematiseren van kennis gedacht om die berekenbaar te maken. Mensen zoals Leibniz vroegen zich dat ook af, 300 jaar geleden. Maar ik nam altijd aan dat ik om vooruitgang te boeken, het hele brein zou moeten kopiëren. Maar nu denk ik: mijn wetenschappelijke paradigma suggereert iets anders. Ik heb nu ook enorme rekenmogelijkheden in Mathematica, en ik ben een CEO met de wereldlijke middelen om grote, ogenschijnlijk waanzinnige projecten te doen. Dus besloot ik na te gaan hoeveel van de bestaande systematische kennis we berekenbaar kunnen maken.
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.
Het was een groot en complex project, waarvan ik niet zeker was dat het zou werken. Maar ik ben blij om te zeggen dat het heel goed gaat. Vorig jaar hebben we de eerste website-versie van Wolfram Alpha gelanceerd. Ze heeft tot doel om een serieuze kennismachine te zijn die antwoorden op vragen berekent. Laten we het dus proberen. Laten we met iets heel simpels beginnen. Laten we het beste hopen. Erg goed. OK. Tot nu toe gaat alles goed. (Gelach) Laten we iets moeilijkers proberen. Laten we zeggen... Laten we iets wiskundigs doen. Met een beetje geluk zal het een antwoord geven en ons interessante dingen proberen te vertellen dingen over verwante wiskunde. We zouden het iets kunnen vragen over de echte wereld. Laten we zeggen -- Wat is het bnp van Spanje? Het zou ons moeten kunnen vertellen wat dat is. Nu berekenen we iets dat eraan gerelateerd is, laten we zeggen het bnp van Spanje gedeeld door, weet niet, de -- hmm.. laten we zeggen de inkomsten van Microsoft.
(Laughter)
(Gelach)
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.
Het idee is dat we dit gewoon kunnen intikken, zo'n soort vraag, op de manier die ons invalt. Laten we dus een vraag stellen, bijvoorbeeld een vraag over gezondheid. Laten we zeggen dat er een lab is dat vaststelt -- weet je, we hebben een LDL-niveau van 140 voor een man van 50. We tikken dat in en nu zal Wolfram Alpha met openbare gezondheidsdata proberen uit te zoeken welk deel van de bevolking daarmee overeenkomt. Of laten we proberen vragen te stellen over het internationale ruimtestation.
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.
Wat hier gebeurt, is dat Wolfram Alpha niet zomaar iets opzoekt; het berekent, in real time, waar het internationale ruimtestation op dit moment precies is, hoe snel het gaat etc. Wolfram Alpha weet een heleboel over een heleboel dingen. Het heeft nu een heel goede dekking over alles wat je maar kunt vinden in een standaard naslagwerk etc. Het doel is om veel verder te gaan en in ruime zin alle kennis van dit type te democratiseren, en om te proberen om een gezaghebbende bron te zijn op elk gebied, om antwoorden te berekenen op specifieke vragen van mensen, niet door te zoeken wat andere mensen eerder hebben geschreven, maar door ingebouwde kennis te gebruiken om frisse nieuwe antwoorden op specifieke vragen te berekenen.
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.
Wolfram Alpha is een monumentaal groot langetermijnproject met heel veel uitdagingen. Het vergt een eindeloze verzameling van verschillende bronnen van feiten en gegevens. We hebben een pipeline opgezet van Mathematica-automatisering en menselijke domeinexperts om dit te doen. Maar dat is slechts het begin. Met ruwe feiten of gegevens om vragen te beantwoorden berekenen we, implementeren we al deze methoden en modellen en algoritmes etc. die anderen door de eeuwen heen hebben opgebouwd. Zelfs als we starten vanuit Mathematica, is dit nog steeds een hele berg werk. Tot dusver zitten er zo'n 8 miljoen regels Mathematica-code in Wolfram Alpha gebouwd door experts in veel verschillende vakgebieden.
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.
Een cruciaal idee van Wolfram Alpha is dat je het vragen kunt stellen in gewone mensentaal. Alle vreemde uitingen die mensen in het invoerveld typen, kunnen we begrijpen. Ik moet zeggen dat ik dacht dat die stap gewoonweg onmogelijk zou zijn. Er gebeurden twee grote dingen. Ten eerste, een aantal nieuwe ideeën over linguïstiek die voortkwamen uit de studie van het universum van de berekeningen. Ten tweede, het besef dat het hebben van reële berekenbare kennis diepe impact heeft op de manier waarop we taal kunnen begrijpen. Nu Wolfram Alpha effectief gelanceerd is, Nu Wolfram Alpha effectief gelanceerd is, kunnen we leren van het eigenlijk gebruik ervan. Er is een interessante parallelle evolutie aan de gang Er is een interessante parallelle evolutie aan de gang tussen Wolfram Alpha en zijn mensenlijke gebruikers. Het is erg bemoedigend. Als we nu naar web queries kijken, dan wordt meer dan 80 procent al bij de eerste keer succesvol afgehandeld. Bij de iPhone-app is het percentage aanzienlijk groter. Dus ik ben er erg tevreden mee.
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.
Maar in vele opzichten staan we nog helemaal aan het begin van Wolfram Alpha. We worden groter. We worden zelfverzekerder. Je zal Wolfram Alpha-technologie zien verschijnen op steeds meer plekken, terwijl het zowel werkt met openbare data, zoals op de website, en ook met private kennis van mensen en bedrijven etc. Wolfram Alpha geeft een heel nieuwe soort van berekening die je 'kennisgebaseerd' zou kunnen noemen. Je begint niet gewoon vanaf een ruwe berekening maar vanaf een grote hoeveelheid ingebouwde kennis. Daarbij verandert je de economie van het aanleveren van berekeningen, of het nu op het web is of ergens anders.
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.
De huidige situatie is erg interessant. Aan de ene kant hebben we Mathematica, met zijn heel precieze, formele taal en een gigantisch netwerk van zorgvuldig ontworpen mogelijkheden die veel kan doen in weinig regels. Laat me jullie een paar voorbeelden laten zien. Hier is een klein stukje Mathematica-programmatie. We proberen hier enkele verschillende mogelijkheden te integreren. In deze regel hier makenwe een kleine user interface waardoor we daar iets leuks doen. Dat is een iets gecompliceerder programma dat wat algoritmische dingen doet en een user interface aan het maken is etc. Maar het is een echt precisiewerkje. Het is een precieze specificatie met een precieze formele taal die ervoor zorgt dat Mathematica weet wat het hier moet doen.
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.
Aan de andere kant hebben we Wolfram Alpha, met al de slordigheden van de wereld en van de menselijke taal erin gebouwd. Wat gebeurt er als je die samenvoegt? Ik vind het prachtig. Met Wolfram Alpha in Mathematica kun je precieze programma's maken die gebruik maken van echte data. Hier is een eenvoudig voorbeeld. Je kan ook van vage input geven en dan proberen om Wolfram Alpha te laten uitzoeken waarover je het hebt. Laten we dit hier proberen. Volgens mij is het spannendste dat het je de kans geeft om het programmeren te democratiseren. Ieder zegt wat hij wil in gewone taal, en Wolfram Alpha zoekt uit welke precieze stukjes code kunnen doen wat ze vragen, en toont dan voorbeelden om uit te kiezen, om steeds grotere precieze programma's te bouwen. Dus soms zal Wolfram Alpha alles in een keer doen en het hele programma opleveren waarmee je kunt berekenen. Hier is een grote website waar we heel veel educatieve en andere demo's over een heleboel dingen hebben verzameld. Ik geef jullie een voorbeeld. Dit is een van deze berekenbare documenten. Dit is een erg klein stuk Mathematica-code dat daar kan draaien.
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. Laten we weer uitzoomen. Kunnen we onze nieuwe soort wetenschap gebruiken om technologie te maken? Dus met fysieke materialen, gaan we meestal de wereld rond en ontdekken we dat specifieke materialen bruikbaar zijn voor speciale technologische doeleinden etc. Blijkt dat hetzelfde mogelijk is in het universum van de berekeningen. Er is een onuitputtelijke voorraad van programma's. De uitdaging is om te zien hoe we ze kunnen aanwenden voor menselijke doeleinden. Zoiets als Regel 30 bijvoorbeeld, dat blijkt een goede randomness generator te zijn. Andere simpele programma's zijn goede modellen voor processen in de natuurlijke of sociale wereld. Wolfram Alpha en Mathematica zitten vol met algoritmes die we ontdekt hebben in het universum van de berekeningen. We gaan hier terug-- Dit is onverwacht populair onder componisten om muzikale vormen te vinden in het universum van de berekeningen. We kunnen het universum van de berekeningen gebruiken om 'mass customized'-creativiteit te maken. Ik hoop dat we dat bijvoorbeeld kunnen gebruiken om Wolfram Alpha routinematig onderweg uitvindingen te laten doen en om allerlei wonderlijke dingen te vinden die geen technicus of geen proces van geleidelijke evolutie ooit zou ontdekken.
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.
Dat leidt tot een ultieme vraag. Zou het kunnen dat we ergens in het universum van de berekeningen ons fysieke universum kunnen vinden? Misschien is er wel een simpele regel, een simpel programma voor ons universum. De geschiedenis van de natuurkunde zegt ons dat de regel voor het universum erg moeilijk moet zijn. Maar in het berekenbare universum hebben we nu gezien hoe regels die erg eenvoudig zijn ongelooflijk rijk en complex gedrag kunnen produceren. Zou dat dus aan de hand kunnen zijn met ons hele universum? Als de regels voor het universum eenvoudig zijn, is het in zekere zin onvermijdelijk dat ze abstract en erg basic zijn, omdat ze, bij voorbeeld, ver onder het niveau van ruimte en tijd opereren, wat het moeilijk maakt om dingen voor te stellen. Maar in een grote groep gevallen kan men over het universum denken als een soort netwerk, dat, wanneer het groot genoeg wordt, zich gedraagt als een continue ruimte net zoals iets dat veel moleculen heeft zich kan gedragen als een continue vloeistof. Dan moet het universum zich ontwikkelen via kleine regels die progressief dit netwerk updaten. Elke mogelijke regel komt overeen met een kandidaat-universum.
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.
Ik heb dit nog niet eerder laten zien, maar hier zijn een aantal kandidaat-universums waarnaar ik heb gekeken. Sommige zijn hopeloze universums, compleet steriel, met andere problemen, zoals geen notie van ruimte, geen notie van tijd, geen materie, en andere soortgelijke problemen. Het spannende is dat ik heb ontdekt dat je eigenlijk niet zo ver hoeft te gaan in het universum van de berekeningen voordat je kandidaat-universums kunt vinden die overduidelijk niet ons universum zijn. Dit is het probleem: elke serieuze kandidaat voor ons universum, zit vol met onherleidbaarheid van berekeningen, wat betekent dat het onherleidbaar moeilijk is om uit te vinden hoe het zich werkelijk gedraagt, en of het met ons fysieke universum overeenstemt. Een paar jaar geleden ontdekte ik dat er kandidaat-universums waren met zeer eenvoudige regels die speciale relativiteit konden reproduceren en zelfs algemene relativiteit en zwaartekracht en die sporen van kwantummechanica vertoonden. Zullen we de hele natuurkunde vinden? Dat weet ik natuurlijk niet zeker. Maar ik denk dat het op dit punt bijna beschamend is om het niet minstens te proberen.
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.
Geen makkelijk project. Men moet heel veel technologie bouwen. Men moet een structuur bouwen die net zo diep is als de bestaande natuurkunde. Ik weet niet zeker hoe we dit best organiseren. Maak een team, stel het open, loof prijzen uit enz. Maar ik ben vastbesloten om dit project af te werken om te kijken of we nog deze eeuw, eindelijk de regel voor ons universum in handen kunnen hebben en weten waar ons universum zich bevindt in de ruimte van alle mogelijke universums -- Dan kunnen we intikken in Wolfram Alpha "de theorie van het universum" en krijgen we een antwoord.
(Laughter)
(Gelach)
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.
Ik heb aan dit idee van berekenen nu meer dan 30 jaar gewerkt, tools gemaakt, methodes en intellectuele ideeën omgezet in miljoenen regels code en grist voor server farms enz. Met elk jaar dat voorbijgaat, realiseer ik me hoe krachtig het idee van berekenen eigenlijk is. Het heeft ons al een heel eind gebracht, maar er is zo veel meer dat nog komt. Van de grondslagen van de wetenschap tot de grenzen van de technologie tot de definitie zelf van het menselijke bestaan, denk ik dat berekenen het idee is dat onze toekomst definieert.
Thank you.
Dank u.
(Applause)
(Applaus)
Chris Anderson: That was astonishing. Stay here. I've got a question.
Chris Anderson: Dat was verbazingwekkend. Blijf nog even. Ik heb een vraag.
(Applause)
(Applaus)
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?
Dat was een verbijsterende speech. Ben je in staat om in twee zinnen te zeggen hoe dit soort denken op een bepaald punt dingen zoals de snaartheorie zou kunnen omvatten of de fundamentele verklaring van het universum?
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: De onderdelen van de natuurkunde waarvan we weten dat ze waar zijn, zoals het standaardmodel van de natuurkunde. We kunnen maar beter het standaard model van de fysica reproduceren, anders is het gewoon verkeerd. Wat de mensen de afgelopen 25 jaar hebben geprobeerd met de snaartheorie enz. is een interessante verkenning geweest die geprobeerd heeft uit te komen bij het standaardmodel, maar daar niet in geslaagd is. Als je mijn werk heel erg vereenvoudigt, stemt het grotendeels overeen met de snaartheorie, maar dat is een complex wiskundig ding waarvan ik nog niet weet hoe het uitpakt.
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 is in het publiek. Hij heeft ook laten zien hoe complexiteit kan voortkomen uit een eenvoudig startpunt. Heeft je werk daarmee te maken?
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: Ik denk het wel. Ik zie Benoit Mandlebrot's werk als één van de fundamentele bijdragen aan dit soort van gebied. Benoit is specifiek geïnteresseerd in geneste patronen, in fractalen en zo waarvan de structuur een soort boomstructuur is, en waar er een grote tak is die kleine takken maakt, en nog veel kleinere takken enz. Dat is één van de manieren die je leidt naar echte complexiteit. Ik denk dat dingen zoals het Regel 30 cellulaire automaton ons naar een ander niveau brengen. Ze brengen ons op een ander niveau omdat ze dingen lijken te zijn die in staat zijn tot de grootst mogelijke complexiteit ...
I could go on about this at great length, but I won't. (Laughter) (Applause)
Ik zou er nog lang over kunnen doorbomen. (Gelach) (Applaus)
CA: Stephen Wolfram, thank you.
CA: Sephen Wolfram, dank u.
(Applause)
(Applaus)