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.
สิ่งที่ผมอยากกล่าวในวันนี้นั้นเป็นแนวคิด เป็นแนวคิดที่สำคัญ ซึ่งผมคิดว่า ในที่สุด แล้วมันจะเป็นแนวคิดเดียวที่ยิ่งใหญ่ที่สุด ซึ่งเกิดขึ้นในศตวรรษที่ผ่านมา แนวคิดของการคำนวณ แน่นอนว่าแนวคิดนี้ได้นำเราไปสู่ เทคโนโลยีคอมพิวเตอร์ทั้งหลายที่มีอยู่ในตอนนี้และต่อไป แต่แท้จริงแล้วเรื่องของการคำนวณยังมีมากมายกว่านั้น มันเป็นแนวคิดที่ลึกซึ้ง ทรงพลัง และเป็นพื้นฐานหลัก ซึ่งพวกเราเพียงแค่ได้เริ่มสัมผัสกับมันเท่านั้น
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.
ผมก็ใช้เวลา 30 ปีที่ผ่านมา ทำโครงการใหญ่ 3 โครงการ ซึ่งเน้นให้ความสำคัญกับแนวคิดการคำนวณอย่างจริงจัง ตอนสมัยหนุ่มๆ ผมเริ่มต้นจากการเป็นนักฟิสิกส์ ที่ใช้งานคอมพิวเตอร์เป็นเครื่องมือ ต่อจากนั้นผมเริ่มศึกษาลึกลงไป เกี่ยวกับการคำนวณในแบบที่ผมอาจจะต้องการ และค้นหาว่ามันควรจะมีส่วนประกอบพื้นฐานตรงไหนบ้าง และทำอย่างไรจึงจะทำได้อัตโนมัติ ในที่สุด ผมก็ได้สร้างโครงสร้างทั้งหมดขึ้นมา โดยใช้พื้นฐานการโปรแกรมแบบสัญลักษณ์ และนั่นจึงนำไปสู่การสร้าง Mathematica และใช้เวลาอีก 23 ปี พวกเราใส่ไอเดียลงไปมากมาย พร้อมทั้งความสามารถต่างๆ และสิ่งอื่นๆ ลงไปใน Mathematica ผมดีใจที่จะกล่าวว่านั่นทำให้เกิดประโยชน์ขึ้นมากมาย ทั้งในด้านการวิจัยและพัฒนา และด้านการศึกษา และในด้านอื่นๆอีก ผมยอมรับว่าความจริงแล้ว ผมค่อนข้างเห็นแก่ตัวที่สร้าง Mathematica ขึ้นมา เพียงเพราะผมต้องการใช้มันเพียงคนเดียว เหมือนกับกาลิเลโอ ที่สร้างและใช้งานกล้องดูดาว เมื่อ 400 ปีก่อน แต่ผมสิ่งที่ผมต้องการเห็น ไม่ใช่จักรวาลดาราศาสตร์ แต่เป็นจักรวาลการคำนวณ
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.
เมื่อพวกเรามักคิดว่าโปรแกรม ที่สร้างขึ้นจะต้องซับซ้อน เพื่อจุดประสงค์เฉพาะ แล้วสำหรับโปรแกรมอื่นๆที่สร้างได้อีกหละ ? นี่คือโปรแกรมง่ายๆ ถ้าพวกเรารันโปรแกรมนี้ นี่คือการแสดงผล ง่ายมากครับ แล้วลองเปลี่ยนกฎ ในโปรแกรมนี้นิดหน่อย ผลลัพธ์ที่ได้ก็จะแตกต่างออกไป แต่นี่ก็ยังง่ายอยู่ ลองเปลี่ยนอีกครั้ง ตอนนี้เราได้เห็นบางอย่างที่ซับซ้อนขึ้นบ้างแล้ว แต่ถ้าเรายังคงรันต่อไปเรื่อยๆ เราก็จะพบว่าแม้ว่าจะได้ผลลัพธ์ที่สลับซับซ้อนมากขึ้น มันก็ยังคงมีโครงสร้างที่ธรรมดามากๆ ดังนั้นจึงมีคำถามที่ว่า : แล้วจะมีอย่างอื่นเกิดขึ้นได้อีกไหม? ถ้าเช่นนั้น เราจึงทำการทดลองนิดหน่อย ลองทำการทดลองทางคณิตศาสตร์ชิ้นเล็กๆ แล้วหาคำตอบ
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.
เพียงเริ่มรันโปรแกรมทั้งหมดที่เกิดขึ้นได้ ของสิ่งที่เราสนใจศึกษา เรียกว่า Cellular automata คุณจะเห็นลักษณะที่หลากหลายเกิดขึ้น ส่วนใหญ่แล้วทำออกมาได้ง่ายมาก แต่ถ้าคุณสังเกตรูปภาพที่แตกต่างกันนี้ ตรงกฎที่ 30 คุณจะเริ่มเห็นสิ่งที่น่าสนใจ ลองมองใกล้เข้าไปอีก ที่กฎ 30 อย่างที่เห็นนี้ เราเพียงแค่เริ่มจากกฎง่ายๆที่อยู่ด้านล่างนี้ แต่เรากลับได้พบกับสิ่งที่น่ามหัศจรรย์ นี่ไม่ใช่สิ่งที่พวกเราคุ้นเคย และผมเองก็ต้องยอมรับ ว่าเมื่อผมได้เห็นสิ่งนี้ มันทำให้ผมรู้สึกประหลาดใจอย่างมาก และในความจริงแล้ว การที่จะเข้าใจมัน ทำให้ผมจำเป็นต้องสร้าง วิทยาศาสตร์รูปแบบใหม่ทั้งหมด
(Laughter)
(เสียงหัวเราะ)
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.
วิทยาศาสตร์นี้แตกต่างออกไป มีลักษณะทั่วไปกว่า วิทยาศาสตร์ที่ใช้คณิตศาสตร์เป็นพื้นฐาน ในแบบที่เรามีอยู่ เป็นเวลากว่า 300 ปี คุณทราบไหมว่า มันเหมือนเป็นปริศนาลึกลับอยู่ตลอดเวลา เหตุใดธรรมชาติ ซึ่งดูเหมือนจะไม่ได้พยายามทำอะไรเลย กลับสร้างสรรค์สิ่งต่างๆมากมาย แต่สำหรับพวกเราแล้วมันเป็นสิ่งที่ซับซ้อน ผมคิดว่าเราได้ค้นพบความลับนั้นแล้ว มันเป็นการเลือกสุ่มสิ่งต่างๆที่มีอยู่รอบจักรวาลของการคำนวณ และบ่อยครั้งที่ได้ผลลัพธ์เหมือนกับกฎที่ 30 หรือคล้ายกันนี้ และการที่ได้ค้นพบสิ่งนี้ ทำให้อธิบาย สิ่งต่างๆมากมายที่เคยเป็นปริศนาอันยาวนานในวิทยาศาสตร์ อีกทั้งยังนำไปสู่ประเด็นใหม่ๆ เช่นการคำนวณที่ไม่สามารถลดรูปได้ ผมหมายถึง เรามักใช้วิทยาศาสตร์ในการคาดการณ์สิ่งต่างๆ แต่สิ่งนี้ เป็นเพียงความไม่สามารถลดรูปได้เบื้องต้น หนทางเดียวที่จะนำไปสู่คำตอบ คือเฝ้ามองการพัฒนา มันเชื่อมโยงกับ สิ่งที่ผมเรียกว่า หลักสมดุลการคำนวณ ซึ่งทำให้เรารู้ว่า แม้กระทั่งระบบที่ง่ายๆ ก็สามารถทำการคำนวณได้เช่นเดียวกับแบบที่ยาก มันไม่จำเป็นต้องใช้เทคโนโลยีหรือวิวัฒนาการทางชีวภาพ ในการที่จะทำการคำนวณได้เอง เป็นสิ่งที่เกิดขึ้นเองตามธรรมชาติ ในทุกหนทุกแห่ง กฎง่ายๆเช่นนี้สามารถตอบได้ มันมีนัยยะที่ลึกลงไปอีก ซึ่งเกี่ยวกับข้อจำกัดทางวิทยาศาสตร์ เกี่ยวกับความสามารถในการคาดการณ์ และการควบคุม สิ่งต่างๆเช่น กระบวนการของชีวภาพหรือเศรษฐกิจ เกี่ยวกับปัญญาในจักรวาล เกี่ยวกับเจตจำนงเสรี และที่เกี่ยวกับการสร้างสรรเทคโนโลยี
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.
คุณทราบไหมว่า การทำงานในวิทยาศาสตร์มาตลอดหลายปี ผมมักสงสัยอยู่เสมอ ว่าอะไรจะเป็นแอพพลิเคชันทยอดเยี่ยมที่สุด ก็... ตั้งแต่ผมยังเป็นเด็ก ผมมักคิดอยู่เสมอเกี่ยวกับการจัดการความรู้อย่างเป็นระบบ และบางครั้งก็ทำให้มันสามารถนำมาคำนวณได้ด้วย Leibniz ก็ได้คิดเช่นเดียวกัน เมื่อ 300 ปีก่อน แต่ผมก็มักคิดเสมอว่าถ้าต้องการให้มันก้าวหน้า ผมจำเป็นที่จะต้องลอกแบบสมองออกมาทั้งหมด ตอนนี้ผมก็คิดว่า รูปแบบทางวิทยาศาสตร์ที่ผมเสนอ มีบางสิ่งบางอย่างที่แตกต่าง และผมก็พบกับ ความสามารถในการคำนวณอันยิ่งใหญ่ใน Mathematica และผมก็เป็นเจ้าของร่วมกับทรัพยากรทั้งโลก เพื่อทำโครงการใหญ่ที่เพี้ยนนี้ ดังนั้นผมจึงได้ตัดสินใจที่จะลองเพื่อให้เห็นว่า มีความรู้ที่เป็นระบบใดบ้างในโลกใบนี้ ที่พวกเราสามารถนำมาคำนวณได้
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.
ดังนั้นมันจึงเป็นโครงการที่ใหญ่และซับซ้อนอย่างยิ่ง ซึ่งผมก็ยังไม่มั่นใจว่ามันจะเป็นไปได้ แต่ผมก็พอใจที่จะกล่าวว่ามันกำลังไปได้สวย และเมื่อปีที่แล้วพวกเราสามารถ เผยแพร่เวปไซต์เวอร์ชันแรก ของ Wolfram Alpha โดยมีวัตถุประสงค์เพื่อให้เป็นเครื่องมือค้นหาความรู้ที่ใช้งานได้จริง ที่สามารถตอบทุกคำถามโดยใช้การคำนวณ งั้น มาลองดูกันเถอะครับ มาเริ่มต้นที่บางสิ่งที่ง่ายมากๆ หวังว่าจะออกมาดีนะครับ ดีมาก ยังทำงานได้ดีอยู่ (เสียงหัวเราะ) นั้นเราลองทำสิ่งที่ยากขึ้นนิดหน่อย เช่นว่า ... ลองมาทำเกี่ยวกับตัวเลขดูบ้าง และถ้าโชคดี มันจะคำนวณออกมาให้เรา และให้ผลลัพธ์ที่น่าสนใจ สิ่งที่เกี่ยวข้องกับคณิตศาสตร์ เราสามารถถามมันได้ในบางเรื่องบนโลกใบนี้ บางอย่างเช่น ... ไม่รู้สิ ... GDP ของสเปน เป็นเท่าไร ? และมันก็ควรสามารถบอกเราได้ ต่อไปเราก็จะนำข้อมูลนี้มาคำนวณ เช่นว่า GDP ของสเปน หารด้วย ผมก็นึกไม่ออก อืม.. เอาเช่นว่า ผลประกอบการของไมโครซอฟต์
(Laughter)
(เสียงหัวเราะ)
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.
วิธีใช้งานก็คือเราเพียงแค่พิมพ์ลงไป คำถามแบบนี้ในแบบที่เราคิดขึ้นเอง เราลองมาตั้งคำถาม อย่างเช่นคำถามเกี่ยวกับสุขภาพ เช่นว่า เรามีผลการทดลองจากห้องแลป คุณรู้ว่า หากมีระดับไขมันแบบ LDL อยู่ที่ 140 สำหรับผู้ชายอายุสัก 50 ลองพิมพ์มันลงไป และตอนนี้โปรแกรม Wolfram Alpha ก็จะใช้ข้อมูลทางสุขภาพที่เป็นสาธารณะต่างๆ แล้วนำมาวิเคราะห์ ในส่วนของฐานข้อมูลใหญ่ที่สัมพันธ์กับข้อมูลนี้ หรือ หากเราลองตั้งคำถามเกี่ยวกับ อะไรดีหละ สถานีอวกาศนานาชาติ
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.
และนี่คือสิ่งที่แสดงผลออกมาก Wolfram Alpha ไม่เพียงแต่ค้นหาเท่านั้น มันยังสามารถคำนวณ ณ เวลานั้น ที่ตั้งของสถานีอวกาศนานาชาติในตอนนี้ มันทำงานได้รวดเร็วมากและทำไปเรื่อยๆ ดังนั้น Wolfram Alpha จึงรู้เกี่ยวกับสิ่งต่างๆมากมายมหาศาล ขณะนี้มันมีข้อมูล ค่อนข้างครอบคลุมในทุกๆเรื่องที่คุณเสาะหา เปรียบได้กับห้องสมุดมาตรฐานที่นำมาอ้างอิงได้ ทำนองนั้น แต่เป้าหมายที่ผมตั้งใจไว้มันไกลกว่านั้น และค่อนข้างกว้าง และมีความเท่าเทียมกัน ของความรู้ในทุกด้าน และยังพยายาม ที่จะใช้มันเป็นแหล่งข้อมูล ที่เชื่อถือได้ในทุกศาสตร์ ให้มันสามารถคำนวณหาคำตอบ เพื่อตอบคำถามที่มนุษย์ตั้งขึ้น ไม่ใช่เป็นการค้นหาสิ่งที่เคยมีคน ได้เคยบันทึกไว้แล้วก่อนหน้า แต่เป็นการสร้างฐานข้อมูลความรู้ เพื่อคำนวณหาคำตอบใหม่ๆให้กับคำถามที่เฉพาะเจาะจงลงไปอีก
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.
ขณะนี้ Wolfram Alpha เป็นโครงการที่ยิ่งใหญ่ ระยะยาว ที่ต้องใช้ความพยายามอย่างมาก เมื่อเริ่มต้น ทุกคนต้องเก็บรวบรวมข้อมูล จำนวนมหาศาลจากแหล่งต่างๆ และเราได้สร้างระบบที่มีทั้ง ส่วนที่อัตโนมัตของ Mathematica และผู้เชี่ยวชาญด้านต่างๆ เพื่อสร้างมันขึ้นมา แต่นั่นก็เป็นเพียงแค่จุดเริ่มต้น เมื่อได้ข้อมูลดิบมา เพื่อให้สามารถตอบคำถามได้จริง จะต้องมีคนคำนวณ และนำเอาวิธีการและรูปแบบทั้งหมดมาใช้ รวมถึงทำการแก้ปัญหา อันได้จากวิทยาศาสตร์และศาสตร์ในสาขาอื่นที่พัฒนาขึ้น ตลอดศตวรรษที่ผ่านมา แม้จะเริ่มจาก Mathematica แต่ก็ยังเป็นงานที่ต้องทำต่อไปอีกมาก ตอนนี้มีในโปรแกรม Wolfram Alpha ประกอบไปด้วยโค้ตประมาณ 8 ล้านบรรทัด ที่เขียนขึ้นจากผู้เชี่ยวชาญในหลายๆสาขา
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.
แนวคิดหลักของ Wolfram Alpha คือการที่คุณสามารถตั้งคำถาม โดยใช้ภาษาที่เราใช้กันอยู่ทั่วๆไป ซึ่งหมายความว่าถ้าพวกเราสามารถที่จะ เอาทุกสิ่งทุกอย่างพิมพ์ลงไป และเข้าใจสิ่งนั้นได้ และผมก็อยากบอกว่านึ่คือขั้นที่ผม คิดว่าอาจเป็นไปไม่ได้ มีสิ่งสองสิ่งที่เกิดขึ้น สิ่งแรกก็คือ ความคิดก้อนหนึ่งเกี่ยวกับภาษาศาสตร์ ที่เกิดขึ้นจากการศึกษาจักรวาลการคำนวณ และอย่างที่สอง คือการตระหนักว่าความรู้ที่สามารถคำนวณได้นั้น จะเปลี่ยนแปลง การใช้ภาษาที่เราเข้าใจกัน และอย่างแน่นอน ในตอนนี้ Wolfram Alpha แสดงผลค่อนข้างแปลก พวกเราสามารถเรียนรู้จากการใช้งานจริง และความจริงแล้ว มันเป็นการเปลี่ยนแปลงร่วมกันที่น่าสนใจ ระหว่าง Wolfram Alpha กับมนุษย์ผู้ใช้งานมัน และเป็นสิ่งที่น่าผลักดัน ตอนนี้ ถ้าเราดูแบบสอบถามบนเวป มากกว่า 80 เปอร์เซ็นต์เห็นว่าโปรแกรมสามารถตอบคำถามในครั้งแรก ได้อย่างสมบูรณ์ และถ้าคุณเทียบกับ แอพลิเคชันบนไอโฟน ความแตกต่างนั้นต่างกันมาก ซึ่งผมค่อนข้างพอใจกับผลที่ออกมา
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.
แต่ในหลายๆด้าน เรายังคงอยู่ในช่วงเริ่มต้นของ Wolfram Alpha ผมหมายถึงว่า ทุกอย่างเริ่มก้าวหน้าขึ้นได้ดีทีเดียว พวกเราเริ่มมีความเชื่อมั่น คุณสามารถคาดได้ว่าจะได้เห็นเทคโนโลยี Wolfram Alpha ปรากฎอยู่ในหลายแห่งเพิ่มมากขึ้น ทั้งการทำงานเกี่ยวกับข้อมูลที่ทุกคนเข้าถึงได้เช่นเวปไซต์ และความรู้ส่วนบุคคล สำหรับคนหรือองค์กร หรืออื่นๆ คุณรู้ไหมว่า ผมตระหนักว่า Wolfram Alpha แท้จริงแล้วได้ทำให้ เกิดการคำนวณรูปแบบใหม่ทั้งหมด ที่เรียกว่า การคำนวณบนฐานของความรู้ ซึ่งจุดเริ่มต้น ไม่ได้มาจากเพียงการคำนวณดิบๆิ แต่มาจากฐานความรู้ขนาดมหาศาล และเมื่อคนถาม ก็ทำให้เกิดการเปลี่ยนแปลง ทางเศรษฐศาสตร์ของการส่งผ่านการคำนวณ ไม่ว่าจะเป็นบนเวปหรือที่อื่นๆ
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.
คุณทราบไหมว่า พวกเราอยู่ในห้วงเวลาที่น่าติดตาม ในอีกด้านก็คือ เรามี Mathematica ซึ่งเป็นภาษาที่มีโครงสร้างชัดเจน และเครือข่ายขนาดใหญ่ ของความสามารถที่ถูกออกแบบอย่างพิถีพิถัน สามารถทำให้ได้คำตอบมาโดยใช้เพียงแค่ไม่กี่บรรทัด ผมอยากแสดงให้คุณดูสัก 2-3 ตัวอย่าง นี่คือการแสดงคำถามของโปรแกรม Mathematica นี่คือสิ่งที่พวกเราได้ แยกย่อยความสามารถที่แตกต่างกันนี้ นี่คือสิ่งที่พวกเราเพิ่งสร้างขึ้นจากบรรทัดนี้ โดยใช้การติดต่อกับผู้ใช้งาน ทำให้เราได้ บางอย่างที่น่าสนุกขึ้น ถ้าคุณทำต่อไป ก็จะเกิดโปรแกรมที่ซับซ้อนมากขึ้น ซึ่งตอนนี้กำลังทำการประมวลผลอยู่ และสร้างการติดต่อกับผู้ใช้ และอื่นๆ แต่บางอย่างที่ต้องการความแม่นยำสูง จำเป็นต้องเฉพาะเจาะจงด้วยภาษาที่เป็นทางการ นั่นจะทำให้ Mathematica รู้ว่าต้องทำอะไรต่อไป
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.
ในอีกด้านหนึ่งเรามี Wolfram Alpha พร้อมทั้งการจัดระเบียบในโลกที่วุ่นวาย และภาษาของมนุษย์และอื่นๆที่สร้างมันขึ้นมา และจะเกิดอะไรขึ้นเมื่อเอามารวมกัน ผมคิดว่ามันค่อนข้างยอดเยี่ยม ด้วยการที่มี Wolfram Alpha อยู่ภายใน Mathematica ยกตัวอย่างเช่น คุณสามารถที่จะทำโปรแกรมที่มีความแม่นยำ ที่เรียกว่าข้อมูลจริง นี่คือตัวอย่างง่ายๆที่เกิดขึ้น คุณสามารถเพียงใส่ข้อมูลคร่าวๆ แล้วใช้ Wolfram Alpha ตอบคำตอบที่คุณคิดอยู่ และลองอันนี้ แต่ผมคิดว่าสิ่งที่น่าตื่นเต้นที่สุดคือ มันเปิดโอกาสให้ ใช้งานโปรแกรมได้อย่างเท่าเทียมกัน ผมหมายถึงว่าไม่ว่าใครสามารถที่จะค้นหาสิ่งที่ต้องการโดยใช้ภาษาที่เรียบง่าย ตามแนวคิดที่ว่า Wolfram Alpha สามารถเข้าใจคำถามที่ถาม โดยใช้โค้ตที่แม่นยำ สามารถตอบคำถามได้ และแสดงผลทั้งหมดออกมาให้เลือก เพื่อการสร้างโปรแกรมที่มีความแม่นยำมากยิ่งขึ้น ในบางครั้ง Wolfram Alpha จะทำการทั้งหมดในทันที แล้วกลับมาที่โปรแกรมที่คำนวณได้ นี่คือเวปไซต์ขนาดใหญ่ ซึ่งพวกเราได้ทำการรวบรวมความรู้ และการสาธิตที่เกี่ยวกับสิ่งต่างๆ ดังนั้น ผมจะแสดงให้อีกตัวอย่าง นี่คือตัวอย่างการแสดงการคำนวณ มันค่อนข้างสั้น เป็นส่วนหนี่งของโค้ตใน Mathematica ที่รันบนนี้ได้
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.
ถ้าพูดถึงภาพกว้างอีกครั้ง นี่เป็นวิทยาศาสตร์แบบใหม่ มีวิธีอื่นอีกไหมที่ใช้มันเพื่อสร้างเทคโนโลยี ร่วมกับอุปกรณ์อื่นๆ พวกเราเคยชินกับการไปรอบโลก เพื่อค้นหาทรัพยากร เพื่อใช้ในงานเฉพาะทาง ด้านเทคโนโลยี และอื่นๆ ทำให้พวกเราสามารถทำสิ่งต่างๆที่คล้ายกันได้ ในจักรวาลของการคำนวณ ยังมีโปรแกรมอีกเยอะมากไม่สิ้นสุด ความท้าทายนี้ทำให้เห็นว่า จะให้มันทำงานตามความต้องการของมนุษย์ได้อย่างไร บางสิ่งเช่นกฎที่ 30 เป็นตัวอย่าง กลายเป็นว่ามันสุ่มเลขได้ค่อนข้างดี มีโปรแกรมอื่นๆอีกก็เป็นแบบจำลองที่ดี สำหรับกระบวนการในธรรมชาติและสังคม ดังตัวอย่างของ Wolfram Alpha และ Mathematica นั้นเต็มไปด้วยอัลกอริทึมที่ใช้ในการแก้ปัญหา ที่เราค้นพบโดยการใช้จักรวาลของการคำนวณ และตัวอย่างนี้ เรากลับมาดูที่นี่ นี่เป็นสิ่งที่ได้รับการตอบรับอย่างน่าทึ่ง เปรียบได้กับนักแต่งเพลง ที่หารูปแบบดนตรีโดยใช้จักรวาลของการคำนวณ หมายความว่า เราสามารถใช้จักรวาลการคำนวณ เพื่อทำงานที่สร้างสรรค์ได้จำนวนมาก ผมหวังว่าเราสามารถทำได้ โดยใช้ Wolfram Alpha ให้มันทำงานการประดิษฐ์และค้นคว้างานที่ซ้ำๆ และเพื่อให้เกิดงานที่ยอดเยี่ยม โดยี่ไม่ต้องใช้วิศวกรเลย หรือกระบวนการวิวัฒนาการใดๆเลย
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.
เพื่อนำไปสู่การค้นหาคำตอบที่ดีที่สุด เป็นไปได้หรือไม่ที่ยังมีสิ่งอื่นที่อยู่นอกเหนือจักรวาลการคำนวณ ที่ซึ่งเราอาจพบเจอบนจักรวาลนี้ บางทีสิ่งนี้อาจเป็นเพียงแค่กฎที่ไม่ยุ่งยาก เป็นโปรแกรมง่ายสำหรับจักรวาลของเรา จากอดีดทำให้เราเชื่อว่า กฎของจักรวาลต้องเป็นเรื่องที่ยากซับซ้อน แต่ในจักรวาลของการคำนวณ เราได้เห็นแล้วว่ากฎต่างๆนั้นเรียบง่ายอย่างไม่น่าเชื่อ ซึ่งทำให้เกิดลักษณะที่ซับซ้อนมากมาย นั่นเป็นอาจเป็นสิ่งที่เกิดขึ้นในจักรวาลใช่ไหม? ถ้ากฏของจักรวาลเป็นเรื่องง่าย ก็เป็นสิ่งที่หลีกเลี่ยงไม่ได้ที่จะ ใช้กระบวนการจากทฤษฎี ที่ไม่ซับซ้อนมาก ต่ำกว่า ระดับของช่วง หรือเวลา ซึ่งเป็นการยากที่จะแสดงออกมา นับเป็นงานขนาดใหญ่ บางคนอาจคิดว่าจักรวาลเหมือนกับ โครงข่าย ซึ่งใหญ่พอแล้ว เหมือนกับพื้นที่ที่ต่อเนื่อง เช่นเดียวกับการมีโมเลกุลอยู่เป็นจำนวนมาก ซึ่งมีลักษณะราวกับเป็นของเหลวที่เคลื่อนไหว ต่อมาจักรวาลจึงวิวัฒนาการโดย ใช้กฎให้ค่อยๆพัฒนาจนกลายเป็นโครงข่าย และในแต่ละกฏ ก็จะเข้ากับกับจักรวาลที่ได้รับเลือก
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.
ความจริงผมเองก็ยังไม่เคยนำเสนอสิ่งนี้มาก่อน แต่นี่คือจักรวาลที่ได้รับการเลือกเป็นบางส่วน เมื่อผมได้ดู จักรวาลบางอันก็ถูกปล่อยทิ้งร้าง อย่างไร้ค่า ไม่มีสภาวะใดๆ ไม่มีกาลเวลา ไม่มีอะไรเลย จึงเป็นปัญหาเช่นนี้ แต่ก็มีสิ่งที่น่าสนใจ ที่ผมเพิ่งค้นพบเมื่อไม่กี่ปีมานี้ ว่าคุณไม่จำเป็นต้องคาดการณ์ไปไกล ในจักรวาลของการคำนวณ ก่อนที่จะเริ่มต้นค้นหาจักรวาลที่เลือกมา และนั่นไม่แน่ว่าเป็นจักรวาลที่พวกเราอยู่ นี่แหละคือปัญหา การเลือกตัวแทนสำหรับจักรวาลของเราขึ้นมานั้น หลีกเลี่ยงไม่ได้ที่จะต้องทำการคำนวณแบบที่ลดรูปไม่ได้ ซึ่งหมายถึง ในแบบที่ซับซ้อนยุ่งยาก เพื่อค้นหาว่ามันจะแสดงลักษณะออกมาอย่างไร และมันเข้าได้กับจักรวาลของเราในทางกายภาพหรือไม่ เมื่อหลายปีก่อน ผมค่อนข้างตื่นเต้นกับการค้นพบ จักรวาลที่เลือกมา เพื่อใช้กับกฎที่ไม่ซับซ้อน ซึ่งอธิบายทฤษฏีสัมพัทธภาพพิเศษได้สำเร็จ และรวมถึงทฤษฎีสัมพัทธภาพทั่วไปและแรงโน้มถ่วง และแนะแนวถึงควอนตั้มเมคานิกส์ด้วย ดังนั้นเราจะหาค้นฟิสิกส์ทั้งหมดได้หรือยัง ? นี่คือสิ่งที่ผมเองก็ไม่รู้ แต่ผมคิดว่านี่คือประเด็นของการค้นหา อาจทำไม่ได้ แต่ก็น่าศึกษาดู
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.
ไม่ใช่โครงการที่ง่ายเลย จำเป็นต้องสร้างเทคโนโลยีจำนวนมาก ต้องสร้างโครงสร้างที่ ลึกลงไปกว่าฟิสิกส์ที่ใช้กันอยู่ และผมก็ไม่มั่นใจว่าอะไรคือสิ่งที่ดีที่สุดที่จะจัดระเบียบของสิ่งทั้งมวล สร้างทีมงาน เปิดโอกาสให้มีการพัฒนา เสนอรางวัลและอื่นๆ แต่สิ่งที่ผมจะบอกในวันนี้ ผมยอมรับว่าจะได้เห็นโครงการนี้เสร็จสมบูรณ์แน่นอน ภายในอีกสิบปี เราสามารถที่จะค้นพบ กฏของจักรวาล และรู้เกี่ยวกับที่ตั้งของจักรวาล ในปริภูมิที่มีจักรวาลอันมากมาย และสามารถที่จะพิมพ์ลงใน Wolfram Alpha "ทฤษฎีของจักรวาล" และให้มันแสดงผล
(Laughter)
(เสียงหัวเราะ)
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.
ด้งนั้นผมจึงทำงานบนแนวคิดของการคำนวณ มาตลอดกว่า 30 ปี การสร้างเครื่องมือและวิธีการอย่างอัจฉริยะ ลงไปบนโค้ตกว่าล้านบรรทัด และทำการประมวลผลด้วยเครื่องเซิร์ฟเวอร์จำนวนมาก ตลอดหลายปีที่ผ่านมา ผมตระหนักถึงความทรงพลัง ของแนวคิดในการคำนวณ มันได้ใช้เวลาไปมากแล้ว แต่ก็ยังต้องใช้เวลาอีกมาก จากพื้นฐานของวิทยาศาสตร์ จนถึงข้อจำกัดของเทคโนโลยี ไปจนถึงข้อจำกัดของมนุษย์ ผมคิดว่าการคำนวณนี้ได้ถูกกำหนดไว้แล้ว ถึงแนวคิดเกี่ยวกับอนาคต
Thank you.
ขอบคุณ
(Applause)
(เสียงปรบมือ)
Chris Anderson: That was astonishing. Stay here. I've got a question.
คริส แอนเดอร์สัน : น่าทึ่งมาก อยู่ตรงนี้ก่อนครับ ผมมีคำถาม
(Applause)
(เสียงปรบมือ)
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?
เป็นการบรรยายที่น่าทึ่งมาก ผมอยากให้คุณลองบอกว่า ทำอย่างไรความคิดนี้ สามารถรวมกันได้ ณ จุดหนึ่ง ที่จะเป็นทฤษฎีสตริง หรือสิ่งที่ผู้คนกันคิดอยู่ ที่จะอธิบายฐานของจักรวาล?
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.
สตีเฟน วูลเฟรม : ในส่วนของฟิสิกส์ ที่พวกเรารู้ว่าเป็นจริง สิ่งที่เป็นฟิสิกส์มาตรฐาน คือ ผมพยายามสร้างรูปแบบฟิสิกส์ที่เป็นมาตรฐานให้ดียิ่งขึ้น หรืออาจผิดก็ได้ มีคนพยายามศึกษาแล้วอย่างน้อย 25 ปี ด้วยทฤษฎีสตริง เป็นการค้นหาที่น่าสนใจ ที่จะกลับไปสู่รูปแบบมาตรฐาน แต่ก็ยังไม่ถึงขั้นนั้น ผมคาดว่าสิ่งผมสร้างขึ้นอย่างดีเยี่ยมนี้ อาจนำมาใช้เข้ากับ สิ่งที่เกิดขึ้นในทฤษฎีสตริง แต่นั่นต้องใช้คณิตศาสตร์ที่ซับซ้อนทีเดียว ซึ่งผมเองก็ยังไม่รู้แน่ชัดว่าผลจะเป็นอย่างไร
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 เขามาเป็นผู้ฟังในวันนี้ด้วย เขาได้แสดงให้เห็นว่ามันซับซ้อนอย่างไร โดยเริ่มจากสิ่งที่ง่ายๆ งานคุณเกี่ยวข้องกับเขาหรือเปล่า ?
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 : ผมก็คิดว่าอย่างนั้น ผมได้ลองดูงานของ Benoit Mandlebrot เป็นแบบอย่างที่เริ่มต้น ของงานด้านนี้เช่นกัน Benoit สนใจด้านนี้เป็นพิเศษ ในรูปแบบ แบ่งเป็นส่วนๆ ในขณะที่โครงสร้างเป็นบางสิ่ง ที่เหมือนกับต้นไม้ เป็นต้นไม้ต้นใหญ่ที่แผ่กิ่งให้เกิดกิ่งเล็กๆ และแตกแขนงออกไป นั่นก็เป็นวิธีอีกแบบ ที่คุณจะไปสู่ความจริงที่ซับซ้อน ผมคิดเช่นเดียวกับกฏที่ 30 Cellular automaton นำไปสู่ระดับที่ต่างออกไป ในความจริง ยังมีวิธีที่แม่นยำในระดับต่างๆ เพราะว่ามีบางสิ่งที่ สามารถจัดการกับความซับซ้อน การไขความซับซ้อนที่ยิ่งใหญ่สามารถทำได้
I could go on about this at great length, but I won't. (Laughter) (Applause)
ผมสามารถคุยต่อไปได้เรื่อยๆ แต่ผมว่าไม่ดีกว่า
CA: Stephen Wolfram, thank you.
CA : สตีเฟน วูลเฟรม ขอบคุณมากครับ
(Applause)
(เสียงปรบมือ)