BOX SET: 6 Minute English - 'Technology 2' English mega-class! Thirty minutes of new vocabulary!

162,882 views ・ 2022-10-16

BBC Learning English


Haga doble clic en los subtítulos en inglés para reproducir el vídeo. Los subtítulos traducidos se traducen automáticamente.

00:05
Hello. This is 6 Minute English
0
5920
1760
Hola. Esto es 6 minutos de inglés
00:07
from BBC Learning English.
1
7680
1440
de BBC Learning English.
00:09
I’m Sam.
2
9120
720
00:09
And I’m Neil.
3
9840
880
Soy Sam.
Y yo soy Neil.
00:10
On Saturday mornings I love going
4
10720
2000
Los sábados por la mañana me encanta ir
00:12
to watch football in the park.
5
12720
1920
a ver fútbol al parque.
00:14
The problem is when it’s cold and
6
14640
1760
El problema es cuando hace frío y
00:16
rainy - I look out the bedroom window
7
16400
2160
llueve: ¡miro por la ventana del dormitorio
00:18
and go straight back to bed!
8
18560
1760
y vuelvo directamente a la cama!
00:20
Well, instead of going to the park, why
9
20320
2000
Bueno, en lugar de ir al parque, ¿por qué
00:22
not bring the park to you? Imagine
10
22320
2400
no llevarte el parque a ti? Imagina
00:24
watching a live version of the
11
24720
1760
ver una versión en vivo del
00:26
football match at home in the warm,
12
26480
1760
partido de fútbol en casa en el calor,
00:28
with friends. Sound good, Sam?
13
28240
2240
con amigos. ¿Suena bien, Sam?
00:30
Sounds great! – but how can I be in
14
30480
2160
¡Suena genial! – pero ¿cómo puedo estar en
00:32
two places at once? Is there some
15
32640
2000
dos lugares a la vez? ¿Hay algún
00:34
amazing invention to do that?
16
34640
1840
invento increíble para hacer eso?
00:36
There might be, Sam - and it could
17
36480
1600
Podría haberlo, Sam, y podría
00:38
be happening sooner than you think,
18
38080
2080
estar sucediendo antes de lo que piensas,
00:40
thanks to developments in VR, or
19
40160
2320
gracias a los desarrollos en VR o
00:42
virtual reality. According to Facebook
20
42480
2000
realidad virtual. Según el
00:44
boss, Mark Zuckerberg, in the future
21
44480
2240
jefe de Facebook, Mark Zuckerberg, en el futuro
00:46
we’ll all spend much of our time
22
46720
1840
todos pasaremos gran parte de nuestro tiempo
00:48
living and working in the ‘metaverse’ – a
23
48560
2880
viviendo y trabajando en el "metaverso", una
00:51
series of virtual worlds.
24
51440
2400
serie de mundos virtuales.
00:53
Virtual reality is a topic we’ve discussed
25
53840
2480
La realidad virtual es un tema del que ya hemos
00:56
before at 6 Minute English. But when
26
56320
2720
hablado en 6 Minute English. Pero cuando
00:59
Facebook announced that it was
27
59040
1280
Facebook anunció que
01:00
hiring ten thousand new workers
28
60320
2000
contrataría a diez mil nuevos trabajadores
01:02
to develop VR for the ‘metaverse’, we
29
62320
2720
para desarrollar la realidad virtual para el 'metaverso',
01:05
thought it was time for another look.
30
65040
1760
pensamos que era hora de echar otro vistazo.
01:06
Is this programme, we’ll be hearing two
31
66800
1760
En este programa, escucharemos dos
01:08
different opinions on the ‘metaverse’
32
68560
1760
opiniones diferentes sobre el 'metaverso'
01:10
and how it might shape the future.
33
70320
2000
y cómo podría dar forma al futuro.
01:12
But first I have a question for you, Neil.
34
72320
3040
Pero primero tengo una pregunta para ti, Neil.
01:15
According to a 2021 survey by
35
75360
2480
Según una encuesta de 2021 realizada por
01:17
gaming company, Thrive Analytics, what
36
77840
2880
la empresa de juegos Thrive Analytics, ¿qué
01:20
percentage of people who try virtual
37
80720
2240
porcentaje de personas que prueban la
01:22
reality once want to try it again? Is it:
38
82960
3920
realidad virtual una vez quieren volver a intentarlo? ¿Es:
01:26
a) 9 percent?
39
86880
1920
a) 9 por ciento?
01:28
b) 49 percent? or,
40
88800
2240
b) 49 por ciento? o,
01:31
c) 79 percent?
41
91040
2160
c) 79 por ciento?
01:33
I guess with VR you either love it
42
93200
1840
Supongo que con la realidad virtual o la amas
01:35
or hate it, so I’ll say b) 49 percent of
43
95040
3120
o la odias, así que diré que b) el 49 por ciento de las
01:38
people want to try it again.
44
98160
1840
personas quieren volver a intentarlo.
01:40
OK, I’ll reveal the correct answer
45
100000
1840
OK, revelaré la respuesta correcta
01:41
later in the programme. But what
46
101840
1760
más adelante en el programa. Pero lo que
01:43
Neil said is true: people tend to either
47
103600
2400
dijo Neil es cierto: la gente tiende a
01:46
love virtual reality or hate it.
48
106000
2720
amar la realidad virtual o a odiarla.
01:48
Somebody who loves it is
49
108720
1440
Alguien a quien le encanta es
01:50
Emma Ridderstad, CEO of Warpin’, a
50
110160
2800
Emma Ridderstad, directora ejecutiva de Warpin', una
01:52
company which develops
51
112960
1280
empresa que desarrolla
01:54
VR technology.
52
114240
1200
tecnología VR.
01:55
Here she is telling BBC World
53
115440
1760
Aquí le cuenta
01:57
Service programme, Tech Tent, her
54
117200
1920
al programa Tech Tent de BBC World Service, su
01:59
vision of the future:
55
119120
1520
visión del futuro:
02:00
In ten years, everything that you
56
120640
1760
En diez años, todo lo que
02:02
do on your phone today, you will
57
122400
2160
hagas hoy en tu teléfono, lo
02:04
do in 3-D, through your classes
58
124560
2000
harás en 3-D, por ejemplo, a través de tus clases
02:06
for example. You will be able to do
59
126560
2480
. Podrás hacer
02:09
your shopping, you will be able to
60
129040
1920
tus compras, podrás
02:10
meet your friends, you will be able
61
130960
1680
encontrarte con tus amigos,
02:12
to work remotely with whomever
62
132640
2400
podrás trabajar a distancia con quien
02:15
you want, you will be able to share
63
135040
2480
quieras, podrás compartir
02:17
digital spaces, share music, share
64
137520
3920
espacios digitales, compartir música, compartir
02:21
art, share projects in digital spaces
65
141440
3200
arte, compartir proyectos en espacios digitales
02:24
between each other. And you will also
66
144640
2080
entre sí. Y
02:26
be able to integrate the digital objects
67
146720
2160
también podrá integrar los objetos digitales
02:28
in your physical world, making the
68
148880
2720
en su mundo físico, haciendo que el
02:31
world much more phygital than
69
151600
1840
mundo sea mucho más ficticio de lo que
02:33
is it today.
70
153440
1399
es hoy.
02:35
Virtual reality creates 3-D, or
71
155040
2720
La realidad virtual crea
02:37
three-dimensional experiences where
72
157760
2080
experiencias tridimensionales o tridimensionales donde los
02:39
objects have the three dimensions of
73
159840
2400
objetos tienen las tres dimensiones de
02:42
length, width and height. This makes
74
162240
2640
largo, ancho y alto. Esto los
02:44
them look lifelike and solid, not
75
164880
2400
hace parecer reales y sólidos, no
02:47
two-dimensional and flat.
76
167280
2560
bidimensionales y planos.
02:49
Emma says that in the future VR will
77
169840
2160
Emma dice que en el futuro la realidad virtual
02:52
mix digital objects and physical
78
172000
2000
combinará objetos digitales y objetos físicos
02:54
objects to create exciting new
79
174000
1920
para crear nuevas y emocionantes
02:55
experiences – like staying home to
80
175920
2400
experiencias, como quedarse en casa para
02:58
watch the same football match
81
178320
1440
ver el mismo partido de fútbol
02:59
that is simultaneously happening in
82
179760
1840
que se está desarrollando simultáneamente en
03:01
the park. She blends the words
83
181600
2400
el parque. Combina las palabras
03:04
‘physical’ and ‘digital’ to make a new
84
184000
2240
"físico" y "digital" para crear una nueva
03:06
word describing this
85
186240
1040
palabra que describa esta
03:07
combination: phygital.
86
187280
2480
combinación: phygital.
03:09
But while a ‘phygital’ future sounds
87
189760
1920
Pero mientras que un futuro 'phygital' suena
03:11
like paradise to some, others are
88
191680
2080
como un paraíso para algunos, otros son
03:13
more sceptical – they doubt that
89
193760
2080
más escépticos: dudan de que la
03:15
VR will come true or be useful.
90
195840
2480
realidad virtual se haga realidad o sea útil.
03:18
One such sceptic is technology
91
198320
2080
Uno de esos escépticos es el
03:20
innovator, Dr Nicola Millard. For one
92
200400
2720
innovador tecnológico, el Dr. Nicola Millard. Por un
03:23
thing, she doesn’t like wearing a
93
203120
1440
lado, no le gusta usar un
03:24
VR headset – the heavy helmet and
94
204560
2320
visor de realidad virtual (el pesado casco y las
03:26
glasses that create virtual reality
95
206880
2160
gafas que crean una realidad virtual
03:29
for the wearer – something she
96
209040
1760
para el usuario), algo que
03:30
explained to BBC World Service’s,
97
210800
2160
explicó a
03:32
Tech Tent:
98
212960
1189
Tech Tent de BBC World Service:
03:34
There are some basic things to
99
214480
1680
Hay algunas cosas básicas en las que
03:36
think about. So, how do we
100
216160
1600
pensar. Entonces, ¿cómo
03:37
access it? So, the reason, sort of,
101
217760
2400
accedemos a él? Entonces, la razón por la que
03:40
social networks took off was, we’ve
102
220160
2240
las redes sociales despegaron fue que
03:42
got mobile technologies that let
103
222400
1840
tenemos tecnologías móviles que
03:44
us use it. Now, obviously one of
104
224240
1840
nos permiten usarlas. Ahora, obviamente, una de
03:46
the barriers can be that VR or AR
105
226080
2640
las barreras puede ser que los auriculares VR o AR
03:48
headsets - so VR, I’ve always been
106
228720
2320
, por lo que siempre he sido un
03:51
slightly sceptical about. I’ve called
107
231040
2480
poco escéptico. Lo he
03:53
it ‘vomity reality’ for a while because,
108
233520
2240
llamado 'realidad del vómito' por un tiempo porque,
03:55
frankly, I usually need a bucket
109
235760
2960
francamente, generalmente necesito un balde en
03:58
somewhere close if you’ve got a
110
238720
1360
algún lugar cercano si tienes un
04:00
headset on me… and also, do I want
111
240080
1840
auricular conmigo... y también, ¿
04:01
to spend vast amounts of time in
112
241920
2000
quiero pasar una gran cantidad de tiempo en
04:03
those rather unwieldy headsets?
113
243920
1440
esos auriculares bastante difíciles de manejar? ?
04:05
Now, I know they’re talking AR as
114
245360
1840
Ahora, sé que también están hablando de
04:07
well and obviously that does not
115
247200
1600
AR y, obviamente, eso no
04:08
necessarily need a headset, but I
116
248800
1680
necesariamente necesita un auricular, pero
04:10
think we’re seeing some quite
117
250480
1840
creo que también estamos viendo algunos
04:12
immersive environments coming
118
252320
1600
entornos bastante inmersivos
04:13
out at the moment as well.
119
253920
1600
en este momento.
04:15
Nicola called VR ‘vomity reality’
120
255520
3040
Nicola llamó a la realidad virtual "vomity reality"
04:18
because wearing a headset makes
121
258560
1600
porque usar un auricular la
04:20
her feel sick, maybe because it’s
122
260160
2320
hace sentir enferma, tal vez porque es
04:22
so unwieldy – difficult to move or
123
262480
2640
muy difícil de manejar, difícil de mover o
04:25
wear because it’s big and heavy.
124
265120
2080
usar porque es grande y pesado.
04:27
She also makes a difference
125
267200
1440
También hace una diferencia
04:28
between VR - virtual reality- and AR,
126
268640
3600
entre VR (realidad virtual) y AR,
04:32
which stands for augmented
127
272240
1600
que significa
04:33
reality – tech which adds to the
128
273840
2560
realidad aumentada, tecnología que se suma al
04:36
ordinary physical world by
129
276400
1440
mundo físico ordinario mediante la
04:37
projecting virtual words, pictures
130
277840
2400
proyección de palabras, imágenes
04:40
and characters, usually by wearing
131
280240
1840
y personajes virtuales, generalmente usando
04:42
glasses or with a mobile phone.
132
282080
2320
anteojos o con un teléfono móvil.
04:44
While virtual reality replaces what
133
284400
2000
Mientras que la realidad virtual reemplaza lo
04:46
you hear and see, augmented
134
286400
2000
que escuchas y ves, la realidad aumentada se
04:48
reality adds to it. Both VR and AR
135
288400
3920
suma. Tanto la realidad virtual como la
04:52
are immersive experiences – they
136
292320
2400
realidad aumentada son experiencias inmersivas:
04:54
stimulate your senses and surround
137
294720
1920
estimulan tus sentidos y
04:56
you so that you feel completely
138
296640
1600
te rodean para que te sientas completamente
04:58
involved in the experience.
139
298240
1680
involucrado en la experiencia.
04:59
In fact, the experience feels so real
140
299920
2480
De hecho, la experiencia se siente tan real
05:02
that people keep coming back
141
302400
1280
que la gente sigue regresando
05:03
for more.
142
303680
720
por más.
05:04
Right! In my question I asked
143
304400
2240
¡Derecha! En mi pregunta, le pregunté a
05:06
Neil how many people who try
144
306640
1600
Neil cuántas personas que prueban
05:08
VR for the first time want to try
145
308240
2000
la realidad virtual por primera vez quieren volver a
05:10
it again.
146
310240
800
intentarlo.
05:11
I guessed it was about half –
147
311040
1760
Supuse que era alrededor de la mitad, el
05:12
49 percent. Was I right?
148
312800
1840
49 por ciento. ¿Tenía razón?
05:14
You were… wrong, I’m afraid.
149
314640
2400
Estabas... equivocado, me temo.
05:17
The correct answer is much
150
317040
1440
La respuesta correcta es mucho
05:18
higher - 79 percent of people
151
318480
2560
más alta: el 79 por ciento de las personas
05:21
would give VR another try.
152
321040
2080
le daría otra oportunidad a la realidad virtual.
05:23
I suppose because the experience
153
323120
1680
Supongo que porque la experiencia
05:24
was so immersive – stimulating,
154
324800
2480
fue muy inmersiva: estimulante,
05:27
surrounding and realistic.
155
327280
2000
envolvente y realista.
05:29
Ok, A, let’s recap the other
156
329280
1680
Ok, A, recapitulemos el otro
05:30
vocabulary from this programme
157
330960
1600
vocabulario de este programa
05:32
on the ‘metaverse’, a kind of
158
332560
1840
sobre el 'metaverso', una especie de
05:34
augmented reality – reality which
159
334400
2720
realidad aumentada, una realidad que
05:37
is enhanced or added to
160
337120
1600
es mejorada o añadida
05:38
by technology.
161
338720
1280
por la tecnología.
05:40
3-D objects have three
162
340000
1280
Los objetos tridimensionales tienen tres
05:41
dimensions, making them
163
341280
1200
dimensiones, lo que los hace
05:42
appear real and solid.
164
342480
1840
parecer reales y sólidos.
05:44
Phygital is an invented word
165
344320
1760
Phygital es una palabra inventada
05:46
which combines the features of
166
346080
1680
que combina las características de
05:47
‘physical’ and ‘digital’ worlds.
167
347760
2240
los mundos 'físico' y 'digital'.
05:50
A sceptical person is doubtful
168
350000
2320
Una persona escéptica tiene dudas
05:52
about something.
169
352320
1040
sobre algo.
05:53
And finally, unwieldy means
170
353360
1760
Y finalmente, difícil de manejar significa
05:55
difficult to move or carry because
171
355120
1840
difícil de mover o transportar
05:56
it’s so big and heavy.
172
356960
1520
porque es muy grande y pesado.
05:58
That’s our six minutes up, in this
173
358480
2000
Esos son nuestros seis minutos arriba, en esta
06:00
reality anyway. See you in the
174
360480
2000
realidad de todos modos. ¡Nos vemos pronto en el
06:02
‘metaverse’ soon!
175
362480
1120
'metaverso'!
06:03
Goodbye!
176
363600
959
¡Adiós!
06:10
Hello. This is 6 Minute English
177
370320
1680
Hola. Esto es 6 minutos de inglés
06:12
from BBC Learning English.
178
372000
1680
de BBC Learning English.
06:13
I’m Neil.
179
373680
800
Soy Neil.
06:14
And I’m Sam.
180
374480
1040
Y yo soy Sam.
06:15
What do shopping with a credit
181
375520
1520
¿Qué tienen en común comprar con
06:17
card, finding love through
182
377040
1680
tarjeta de crédito, encontrar el amor a través de
06:18
internet dating and waiting for
183
378720
1920
citas por Internet y esperar
06:20
the traffic lights to change
184
380640
1520
a que cambie el semáforo
06:22
have in common?
185
382160
1040
?
06:23
Hmmm, they all involve
186
383200
1920
Hmmm, ¿todos involucran
06:25
computers?
187
385120
800
06:25
Good guess, Sam! But how
188
385920
1520
computadoras?
¡Buena suposición, Sam! Pero, ¿cómo funcionan
06:27
exactly do those computers work?
189
387440
2400
exactamente esas computadoras?
06:29
The answer is that they all use
190
389840
2400
La respuesta es que todos usan
06:32
algorithms – sets of mathematical
191
392240
2480
algoritmos: conjuntos de
06:34
instructions which find solutions
192
394720
1920
instrucciones matemáticas que encuentran soluciones
06:36
to problems.
193
396640
1120
a los problemas.
06:37
Although they are often hidden,
194
397760
2000
Aunque a menudo están ocultos, los
06:39
algorithms are all around us.
195
399760
2080
algoritmos nos rodean.
06:41
From mobile phone maps to
196
401840
1520
Desde mapas de teléfonos móviles hasta
06:43
home delivery pizza, they play a
197
403360
2160
pizza a domicilio, juegan
06:45
big part of modern life. And
198
405520
2000
un papel importante en la vida moderna.
06:47
they’re the topic of this programme.
199
407520
2080
Y son el tema de este programa.
06:49
A simple way to think of algorithms
200
409600
2000
Una forma sencilla de pensar en los algoritmos
06:51
is as recipes. To make pancakes
201
411600
2880
es como recetas. Para hacer
06:54
you mix flour, eggs and milk, then
202
414480
2320
panqueques, mezclas harina, huevos y leche, luego
06:56
melt butter in a frying pan and
203
416800
1920
derrites la mantequilla en una sartén y
06:58
so on. Computers do this in more
204
418720
2080
así sucesivamente. Las computadoras hacen esto de
07:00
a complicated way by repeating
205
420800
2000
una manera más complicada repitiendo
07:02
mathematical equations over
206
422800
1840
ecuaciones matemáticas una
07:04
and over again.
207
424640
1360
y otra vez.
07:06
Equations are mathematical
208
426000
1440
Las ecuaciones son oraciones matemáticas que
07:07
sentences showing how two
209
427440
1520
muestran cómo dos
07:08
things are equal. They’re similar
210
428960
2160
cosas son iguales. Son similares
07:11
to algorithms and the most famous
211
431120
2080
a los algoritmos y la
07:13
scientific equation of all, Einstein's
212
433200
2720
ecuación científica más famosa de todas, la
07:15
E=MC2, can be thought of as a
213
435920
3520
E=MC2 de Einstein, se puede considerar como un
07:19
three-part algorithm.
214
439440
1920
algoritmo de tres partes.
07:21
But before my brain gets squashed
215
441360
2000
Pero antes de que mi cerebro se aplaste
07:23
by all this maths, I have a quiz
216
443360
1760
con todas estas matemáticas, tengo una
07:25
question for you, Sam. As you know,
217
445120
2400
pregunta para ti, Sam. Como sabes,
07:27
Einstein’s famous equation is
218
447520
1760
la famosa ecuación de Einstein es
07:29
E=MC2 - but what does the
219
449280
2880
E=MC2, pero ¿qué significa la
07:32
‘E’ stand for? Is it:
220
452160
1680
'E'? ¿Es:
07:33
a) electricity?
221
453840
1840
a) electricidad?
07:35
b) energy? or
222
455680
1360
b) energía? o
07:37
c) everything?
223
457040
1600
c) todo?
07:38
I’m tempted to say ‘E’ is for
224
458640
1680
Estoy tentado a decir que 'E' es para
07:40
‘everything’ but I reckon I know
225
460320
1760
'todo', pero creo que sé
07:42
the answer: b – ‘E’ stands
226
462080
2320
la respuesta: b - 'E'
07:44
for ‘energy’.
227
464400
800
significa 'energía'.
07:45
OK, Sam, we’ll find out if you’re
228
465200
1600
Bien, Sam, averiguaremos si tienes
07:46
right later in the programme.
229
466800
2000
razón más adelante en el programa.
07:48
With all this talk of computers, you
230
468800
1680
Con toda esta charla sobre computadoras,
07:50
might think algorithms are a
231
470480
1440
podrías pensar que los algoritmos son una
07:51
new idea. In fact, they’ve been
232
471920
2320
idea nueva. De hecho, han
07:54
around since Babylonian times,
233
474240
2080
existido desde la época babilónica, hace
07:56
around 4,000 years ago.
234
476320
2000
unos 4000 años.
07:58
And their use today can be
235
478320
1520
Y su uso hoy en día puede ser
07:59
controversial. Some algorithms
236
479840
2080
controvertido. Algunos algoritmos
08:01
used in internet search engines
237
481920
1760
utilizados en los motores de búsqueda de Internet
08:03
have been accused of
238
483680
1040
han sido acusados ​​de
08:04
racial prejudice.
239
484720
1440
prejuicios raciales.
08:06
Ramesh Srinivasan is Professor
240
486160
2000
Ramesh Srinivasan es profesor
08:08
of Information Studies at the
241
488160
1600
de Estudios de la Información en la
08:09
University of California. Here’s what
242
489760
2400
Universidad de California. Esto es lo
08:12
he said when asked what the word
243
492160
1760
que dijo cuando se le preguntó qué
08:13
‘algorithm’ actually means by
244
493920
1760
significa realmente la palabra 'algoritmo' en el
08:15
BBC World Service’s programme,
245
495680
1840
programa de BBC World Service,
08:17
The Forum:
246
497520
1219
The Forum:
08:20
My understanding of the term
247
500560
2000
Mi entendimiento del término '
08:22
‘algorithm’ is that it’s not necessarily
248
502560
1840
algoritmo' es que no es necesariamente
08:24
the bogyman, or its not necessarily
249
504400
2640
el bogyman, o no es necesariamente
08:27
something that is, you know, inscrutable
250
507040
2800
algo que es, ya sabes, inescrutable
08:29
or mysterious to all people – it’s the
251
509840
2080
o misterioso para todas las personas: es el
08:31
set of instructions that you write in
252
511920
3760
conjunto de instrucciones que escribe en
08:35
some mathematical form or in
253
515680
1920
alguna forma matemática o en
08:37
some software code – so it’s the
254
517600
1680
algún código de software, por lo que es el
08:39
repeated set of instructions that
255
519280
2640
conjunto repetido de instrucciones que
08:41
are sequenced, that are used and
256
521920
2400
se secuencian, que se usan y
08:44
applied to answer a question or
257
524320
2080
aplican para responder una pregunta o
08:46
resolve a problem – it’s a simple
258
526400
1600
resolver un problema. es
08:48
as that, actually.
259
528000
1393
tan simple como eso, en realidad.
08:51
Some think that algorithms have
260
531200
1440
Algunos piensan que los algoritmos han
08:52
been controversial, but Professor
261
532640
1760
sido controvertidos, pero el profesor
08:54
Srinivasan says they are not
262
534400
2080
Srinivasan dice que no son
08:56
necessarily the bogyman. The
263
536480
2240
necesariamente el fantasma. El
08:58
bogyman refers to something
264
538720
1520
bogyman se refiere a algo que la
09:00
people call ‘bad’ or ‘evil’ to make
265
540240
2800
gente llama "malo" o "malvado" para asustar a
09:03
other people afraid.
266
543040
1520
otras personas.
09:04
Professor Srinivasan thinks
267
544560
1840
El profesor Srinivasan cree que los
09:06
algorithms are neither evil nor
268
546400
2320
algoritmos no son malvados ni
09:08
inscrutable – not showing emotions
269
548720
2640
inescrutables: no muestran emociones
09:11
or thoughts and therefore very
270
551360
1680
ni pensamientos y, por lo tanto, son muy
09:13
difficult to understand.
271
553040
1840
difíciles de entender.
09:14
Still, it can be difficult to understand
272
554880
1920
Aún así, puede ser difícil entender
09:16
exactly what algorithms are,
273
556800
1840
exactamente qué son los algoritmos,
09:18
especially when there are many
274
558640
1680
especialmente cuando hay muchos
09:20
different types of them. So, let’s
275
560320
2080
tipos diferentes de ellos. Entonces,
09:22
take an example.
276
562400
1200
tomemos un ejemplo.
09:23
It’s autumn and we want to
277
563600
1280
Es otoño y queremos
09:24
collect all the apples from our
278
564880
1680
recoger todas las manzanas de nuestro
09:26
orchard and divide them into
279
566560
1360
huerto y dividirlas en
09:27
three groups – big, medium
280
567920
2080
tres grupos: grandes, medianas
09:30
and small. One method is to
281
570000
2000
y pequeñas. Un método es
09:32
collect all the apples together
282
572000
1760
juntar todas las manzanas
09:33
and compare their sizes.
283
573760
1840
y comparar sus tamaños.
09:35
But doing this would take hours!
284
575600
1680
¡Pero hacer esto llevaría horas!
09:37
It’s much easier to first collect
285
577280
1840
Es mucho más fácil recolectar primero
09:39
the apples from only one tree -
286
579120
2240
las manzanas de un solo árbol,
09:41
divide those into big, medium
287
581360
2080
dividirlas en grandes, medianas
09:43
or small – and then repeat the
288
583440
2000
o pequeñas, y luego repetir el
09:45
process for the other trees,
289
585440
2000
proceso para los otros árboles,
09:47
one by one.
290
587440
1440
uno por uno.
09:48
That’s basically what algorithms
291
588880
1680
Eso es básicamente lo que
09:50
do – they find the most efficient
292
590560
1840
hacen los algoritmos: encuentran la forma más eficiente
09:52
way to get things done, or in other
293
592400
2080
de hacer las cosas o, en otras
09:54
words, get the best results in the
294
594480
1760
palabras, obtienen los mejores resultados en el
09:56
quickest time.
295
596240
1520
menor tiempo posible.
09:57
Mathematics professor Ian
296
597760
1520
El profesor de matemáticas Ian
09:59
Stewart agrees. Listen as he
297
599280
2080
Stewart está de acuerdo. Escuche mientras
10:01
explains how the algorithm called
298
601360
2240
explica cómo funciona el algoritmo llamado
10:03
‘bubble sort’ works to BBC World
299
603600
2480
'clasificación de burbujas' para el programa de BBC World
10:06
Service’s programme, The Forum:
300
606080
2266
Service, The Forum:
10:10
Think of when your computer is
301
610080
1440
Piense en cuando su computadora está
10:11
sorting emails by date and maybe
302
611520
2000
clasificando correos electrónicos por fecha y tal
10:13
you’ve got 500 emails and it sorts
303
613520
1760
vez tenga 500 correos electrónicos y los
10:15
them by date in a flash.
304
615280
1520
clasifique por fecha en un instante.
10:16
Now it doesn’t use bubble sort,
305
616800
1280
Ahora no usa la clasificación de burbujas,
10:18
but it does use a sorting method
306
618080
1920
pero sí usa un método de clasificación
10:20
and if you tried to do that by hand
307
620000
2320
y si intenta hacerlo a
10:22
it would take you a very long time,
308
622320
1520
mano, le llevará mucho tiempo,
10:23
whatever method you used.
309
623840
1982
independientemente del método que use.
10:27
Professor Stewart describes how
310
627520
1680
El profesor Stewart describe cómo los
10:29
algorithms sort emails. To sort is a
311
629200
2880
algoritmos clasifican los correos electrónicos. Ordenar es un
10:32
verb meaning to group together
312
632080
1520
verbo que significa agrupar
10:33
things which share similarities.
313
633600
2080
cosas que comparten similitudes.
10:35
Just like grouping the apples by
314
635680
1760
Al igual que agrupar las manzanas por
10:37
size, sorting hundreds of emails
315
637440
2320
tamaño, clasificar cientos de correos electrónicos
10:39
by hand would take a long time.
316
639760
2320
a mano llevaría mucho tiempo.
10:42
But using algorithms, computers
317
642080
2080
Pero al usar algoritmos, las computadoras lo
10:44
do it in a flash – very quickly or
318
644160
2720
hacen en un instante, muy rápido o
10:46
suddenly.
319
646880
880
repentinamente.
10:47
That phrase – in a flash – reminds
320
647760
1840
Esa frase, en un instante,
10:49
me of how Albert Einstein came up
321
649600
2160
me recuerda cómo Albert Einstein
10:51
with his famous equation, E=MC2.
322
651760
4080
ideó su famosa ecuación, E=MC2.
10:55
And that reminds me of your quiz
323
655840
2080
Y eso me recuerda a tu pregunta del
10:57
question. You asked about the ‘E’
324
657920
2720
cuestionario. Preguntaste sobre la 'E'
11:00
in E=MC2. I said it stands for ‘energy’.
325
660640
3840
en E=MC2. Dije que significa "energía".
11:04
So, was I right?
326
664480
1280
Entonces, ¿tenía razón?
11:05
‘Energy’ is the correct answer.
327
665760
2560
'Energía' es la respuesta correcta.
11:08
Energy equals ‘M’ for mass,
328
668320
2080
La energía es igual a 'M' para la masa,
11:10
multiplied by the Constant ‘C’ which
329
670400
2560
multiplicada por la constante 'C', que
11:12
is the speed of light, squared.
330
672960
2480
es la velocidad de la luz, al cuadrado.
11:15
OK, let’s recap the vocabulary from
331
675440
2240
Bien, recapitulemos el vocabulario de
11:17
this programme, starting with
332
677680
1520
este programa, comenzando con la
11:19
equation – a mathematical statement
333
679200
2640
ecuación: una declaración matemática que
11:21
using symbols to show two
334
681840
2000
usa símbolos para mostrar dos
11:23
equal things.
335
683840
1040
cosas iguales.
11:24
If something is called a bogyman,
336
684880
2000
Si algo se llama bogyman
11:26
it’s something considered bad
337
686880
1680
, es algo que se considera malo
11:28
and to be feared.
338
688560
1200
y temible.
11:29
Inscrutable people don’t show
339
689760
1760
Las personas inescrutables no muestran
11:31
their emotions so are very difficult
340
691520
2080
sus emociones, por lo que son muy difíciles
11:33
to get to know.
341
693600
1040
de conocer.
11:34
Efficient means working quickly
342
694640
1680
Eficiente significa trabajar con rapidez
11:36
and effectively in an
343
696320
1200
y eficacia de
11:37
organised way.
344
697520
1040
forma organizada.
11:38
The verb to sort means to group
345
698560
2080
El verbo ordenar significa
11:40
together things which
346
700640
1120
agrupar cosas que
11:41
share similarities.
347
701760
1360
comparten similitudes.
11:43
And finally, if something happens
348
703120
1840
Y finalmente, si algo sucede
11:44
in a flash, it happens quickly
349
704960
2080
en un instante, sucede rápidamente
11:47
or suddenly.
350
707040
960
o de repente.
11:48
That’s all the time we have to
351
708000
1360
Ese es todo el tiempo que tenemos para
11:49
discuss algorithms. And if
352
709360
1920
discutir algoritmos. Y si
11:51
you’re still not 100% sure about
353
711280
2240
todavía no estás 100% seguro de
11:53
exactly what they are, we hope
354
713520
1840
cuáles son exactamente, ¡esperamos que
11:55
at least you’ve learned some
355
715360
960
al menos hayas aprendido algo de
11:56
useful vocabulary!
356
716320
1200
vocabulario útil!
11:57
Join us again soon for more
357
717520
1360
Únase a nosotros nuevamente pronto para conocer más
11:58
trending topics, sensational
358
718880
1840
temas de actualidad,
12:00
science and useful vocabulary
359
720720
2080
ciencia sensacional y vocabulario útil
12:02
here at 6 Minute English from
360
722800
1440
aquí en 6 Minute English de
12:04
BBC Learning English.
361
724240
1520
BBC Learning English.
12:05
Bye for now!
362
725760
880
¡Adiós por ahora!
12:06
Goodbye!
363
726640
830
¡Adiós!
12:13
Hello. This is 6 Minute English
364
733200
1760
Hola. Esto es 6 minutos de inglés
12:14
from BBC Learning English.
365
734960
1680
de BBC Learning English.
12:16
I’m Neil.
366
736640
960
Soy Neil.
12:17
And I’m Sam.
367
737600
1520
Y yo soy Sam.
12:19
In recent years, many people
368
739120
1520
En los últimos años, muchas personas
12:20
have wanted to find out more
369
740640
1600
han querido saber más
12:22
about where they come from.
370
742240
1760
sobre su procedencia.
12:24
Millions have tried to trace
371
744000
1360
Millones han tratado de rastrear
12:25
their family history and discover
372
745360
1920
su historia familiar y descubrir
12:27
how their ancestors lived
373
747280
1360
cómo vivían sus antepasados ​​hace
12:28
hundreds of years ago.
374
748640
1840
cientos de años.
12:30
The internet has made it much
375
750480
1680
Internet ha hecho que sea mucho
12:32
easier to find historical
376
752160
1680
más fácil encontrar
12:33
documents and records about
377
753840
1760
documentos históricos y registros sobre
12:35
your family history - and one of
378
755600
2000
su historia familiar, y uno de
12:37
the most useful documents for
379
757600
1840
los documentos más útiles para
12:39
doing this is the census.
380
759440
3120
hacerlo es el censo.
12:42
A census is an official count of all
381
762560
2480
Un censo es un recuento oficial de todas
12:45
the people living in a country.
382
765040
1920
las personas que viven en un país.
12:46
It collects information about a
383
766960
1600
Recopila información sobre
12:48
country’s population and is usually
384
768560
2160
la población de un país y generalmente lo
12:50
carried out by the government.
385
770720
2080
lleva a cabo el gobierno.
12:52
In Britain, a census has been
386
772800
1760
En Gran Bretaña, se ha
12:54
carried out every ten years
387
774560
1840
llevado a cabo un censo cada diez años
12:56
since 1801. In 2002, when
388
776400
4000
desde 1801. En 2002, cuando los
13:00
census records from a hundred
389
780400
1600
registros del censo de cien
13:02
years before became available
390
782000
2080
años antes estuvieron disponibles en
13:04
online, so many people rushed
391
784080
2320
línea, tanta gente corrió
13:06
to their computers to access
392
786400
1520
a sus computadoras para acceder a
13:07
them that the website crashed!
393
787920
2640
ellos que el sitio web colapsó.
13:10
But before we find out more
394
790560
1600
Pero antes de que descubramos más
13:12
about the census and its related
395
792160
1760
sobre el censo y su
13:13
vocabulary it’s time for a quiz
396
793920
1920
vocabulario relacionado, es hora de una
13:15
question, Sam. Someone who
397
795840
2240
pregunta de prueba, Sam. Alguien que
13:18
knows a lot about his family
398
798080
1680
sabe mucho sobre la
13:19
history is British actor, Danny
399
799760
2000
historia de su familia es el actor británico Danny
13:21
Dyer. When BBC television
400
801760
2480
Dyer. Cuando el programa de televisión de la
13:24
programme, Who Do You
401
804240
1120
BBC, ¿Quién te
13:25
Think You Are? researched
402
805360
1280
crees que eres? Investigaron
13:26
his family history they discovered
403
806640
2240
su historia familiar y descubrieron
13:28
that the actor was related to
404
808880
1440
que el actor estaba relacionado con
13:30
someone very famous – but
405
810320
2000
alguien muy famoso, pero ¿
13:32
who was it?
406
812320
1360
quién era?
13:33
A) King Edward III,
407
813680
2080
A) el rey Eduardo III,
13:35
B) William Shakespeare, or,
408
815760
2080
B) William Shakespeare o
13:37
C) Winston Churchill?
409
817840
2080
C) Winston Churchill?
13:39
Well, I know Danny Dyer usually
410
819920
2320
Bueno, sé que Danny Dyer suele
13:42
plays tough-guy characters so
411
822240
2400
interpretar personajes duros, así que
13:44
maybe it’s
412
824640
640
tal vez sea
13:45
C), war hero Winston Churchill?
413
825280
3600
C), ¿el héroe de guerra Winston Churchill?
13:48
OK, Sam, we’ll find out later if
414
828880
1920
Bien, Sam, lo averiguaremos más tarde si
13:50
that’s correct. Now, although
415
830800
2160
eso es correcto. Ahora, aunque
13:52
the first British census took
416
832960
1520
el primer censo británico tuvo
13:54
place in 1801, other censuses
417
834480
2560
lugar en 1801, otros censos
13:57
have a much longer history.
418
837040
2480
tienen una historia mucho más larga.
13:59
In fact, the bible story of Mary
419
839520
2080
De hecho, la historia bíblica de María
14:01
and Joseph travelling to
420
841600
1200
y José viajando a
14:02
Bethlehem is linked to a
421
842800
1440
Belén está vinculada a un
14:04
Roman census.
422
844240
2022
censo romano.
14:06
So, what was the original
423
846262
2298
Entonces, ¿cuál fue la
14:08
reason for counting people
424
848560
1840
razón original para contar a las personas
14:10
and what did governments
425
850400
1200
y qué
14:11
hope to achieve by doing so?
426
851600
2320
esperaban lograr los gobiernos al hacerlo?
14:13
Here’s Dr Kathrin Levitan, author
427
853920
2640
Aquí está la Dra. Kathrin Levitan, autora
14:16
of a book on the cultural history
428
856560
1760
de un libro sobre la historia cultural
14:18
of the census, speaking to
429
858320
1840
del censo, hablando con el
14:20
BBC World Service programme,
430
860160
1760
programa del Servicio Mundial de la BBC,
14:21
The Forum:
431
861920
1299
The Forum:
14:24
I think there were probably
432
864480
960
Creo que probablemente hubo
14:25
two most common reasons.
433
865440
2080
dos razones más comunes.
14:27
One was in order to figure out
434
867520
2000
Uno era para averiguar
14:29
who could fight in wars, so basically
435
869520
1760
quién podía pelear en las guerras, básicamente
14:31
military conscription and in order
436
871280
2160
el reclutamiento militar y
14:33
to find out who could fight in wars
437
873440
1840
para averiguar quién podía pelear en las guerras,
14:35
ancient governments like the
438
875280
1040
los gobiernos antiguos como el
14:36
Roman Empire had to find out how
439
876320
2480
Imperio Romano tenían que averiguar
14:38
many men of a certain age there were.
440
878800
2560
cuántos hombres de cierta edad había.
14:41
And I would say that the other thing
441
881360
1760
Y diría que la otra cosa para la
14:43
that censuses were most commonly
442
883120
2080
que se usaban más comúnmente los censos
14:45
used for was for purposes of taxation.
443
885200
2800
era para propósitos de impuestos.
14:48
According to Kathrin Levitan, ancient
444
888880
2400
Según Kathrin Levitan, los
14:51
censuses were used to figure out – or
445
891280
2400
censos antiguos se usaban para averiguar, o
14:53
understand, how many men were
446
893680
2000
comprender, cuántos hombres estaban
14:55
available to fight wars.
447
895680
2000
disponibles para luchar en las guerras.
14:57
The Roman Empire needed a strong
448
897680
2400
El Imperio Romano necesitaba un
15:00
army, and this depended on
449
900080
1840
ejército fuerte, y esto dependía del
15:01
conscription – forcing people to
450
901920
2560
servicio militar obligatorio, obligando a las personas a
15:04
become soldiers and join the army.
451
904480
2320
convertirse en soldados y unirse al ejército.
15:06
The other main reason for taking
452
906800
1600
La otra razón principal para realizar
15:08
a census was taxation – the
453
908400
2080
un censo fue la tributación: el
15:10
system of taxing people a certain
454
910480
2000
sistema de gravar a las personas con una cierta
15:12
amount of money to be paid to
455
912480
1600
cantidad de dinero que se pagará
15:14
the government for public services.
456
914080
2640
al gobierno por los servicios públicos.
15:16
Ancient and early modern censuses
457
916720
2240
Los censos antiguos y modernos tempranos
15:18
were large and difficult-to-organise
458
918960
2320
eran proyectos grandes y difíciles de
15:21
projects. They often involved
459
921280
2160
organizar. A menudo involucraban a
15:23
government officials going from
460
923440
1600
funcionarios del gobierno que iban de
15:25
house to house, asking questions
461
925040
2640
casa en casa y hacían preguntas
15:27
about the people who lived there.
462
927680
2400
sobre las personas que vivían allí.
15:30
But over time governments’ desire
463
930080
2160
Pero con el tiempo, el deseo de los gobiernos
15:32
to know about, and control, its
464
932240
1840
de conocer y controlar a sus
15:34
citizens gave rise to new
465
934080
1680
ciudadanos dio lugar a nuevas
15:35
technologies for counting people.
466
935760
2320
tecnologías para contar personas.
15:38
Here’s statistician and economist
467
938080
2160
Aquí está el estadístico y economista
15:40
Andrew Whitby explaining how
468
940240
1920
Andrew Whitby explicando cómo
15:42
this happened in the US to BBC
469
942160
2400
sucedió esto en los EE. UU. al programa
15:44
World Service programme,
470
944560
1360
del Servicio Mundial de la BBC,
15:45
The Forum:
471
945920
2000
The Forum:
15:47
The 1890 census of the United
472
947920
1760
El censo de 1890 de los Estados
15:49
States was the first in which some
473
949680
1520
Unidos fue el primero en el que se usó algún
15:51
kind of electro-mechanical process
474
951200
1760
tipo de proceso electromecánico
15:52
was used to count people… so
475
952960
1680
para contar personas... así que en
15:54
instead of armies of clerks reading
476
954640
2880
lugar de ejércitos de empleados
15:57
off census schedules and tabulating
477
957520
2480
leyendo los horarios del censo y tabulando
16:00
these things by hand, for the first
478
960000
1520
estas cosas a mano, por primera
16:01
time an individual census record
479
961520
1760
vez se perforaría un registro individual del censo
16:03
would be punched onto a card… so
480
963280
2080
en una tarjeta... de modo
16:05
that there were holes in this card
481
965360
1520
que había agujeros en esta tarjeta que
16:06
representing different characteristics
482
966880
1280
representaban diferentes características
16:08
of the person and then those cards
483
968160
1120
de la persona y luego esas tarjetas
16:09
could be fed through a machine.
484
969280
1985
podrían ser alimentadas a través de una máquina.
16:12
Old-fashioned censuses were managed
485
972080
2000
Los censos a la antigua eran administrados
16:14
by clerks – office workers whose job
486
974080
2640
por oficinistas cuyo trabajo
16:16
involved keeping records.
487
976720
2160
consistía en mantener registros.
16:18
Thousands of clerks would record
488
978880
1680
Miles de empleados registrarían
16:20
the information gathered in the
489
980560
1520
la información recopilada en el
16:22
census and tabulate it, in other words,
490
982080
3360
censo y la tabularían, es decir,
16:25
show the information in the form of
491
985440
2080
mostrarían la información en forma
16:27
a table with rows and columns.
492
987520
3280
de tabla con filas y columnas.
16:30
The US census of 1890 was the first
493
990800
2800
El censo de EE. UU. de 1890 fue el primero
16:33
to use machines, and many censuses
494
993600
2400
en utilizar máquinas, y muchos censos de
16:36
today are electronically updated to
495
996000
2320
hoy en día se actualizan electrónicamente para
16:38
record new trends and shifts in
496
998320
2000
registrar nuevas tendencias y cambios en las
16:40
populations as they happen.
497
1000320
2400
poblaciones a medida que ocurren.
16:42
In fact, so much personal
498
1002720
1920
De hecho, tanta
16:44
information is now freely available
499
1004640
2320
información personal ahora está disponible gratuitamente a
16:46
through social media and the
500
1006960
1280
través de las redes sociales e
16:48
internet that some people have
501
1008240
1920
Internet que algunas personas han
16:50
questioned the need for having
502
1010160
1760
cuestionado la necesidad de tener
16:51
a census at all.
503
1011920
1680
un censo.
16:53
Yes, it isn’t hard to find out about
504
1013600
2080
Sí, no es difícil encontrar información sobre
16:55
someone famous, like a TV star.
505
1015680
2640
alguien famoso, como una estrella de televisión.
16:58
Someone like Danny Dyer, you mean?
506
1018320
2400
¿Alguien como Danny Dyer, quieres decir?
17:00
Right. In my quiz question I asked
507
1020720
2000
Derecha. En mi pregunta del cuestionario, le pregunté a
17:02
Sam which historical figure TV
508
1022720
2400
Sam con qué personaje histórico
17:05
actor, Danny Dyer, was related to.
509
1025120
2720
estaba relacionado el actor de televisión Danny Dyer.
17:07
And I said it was
510
1027840
1120
Y dije que era
17:08
C) Winston Churchill. Was I right?
511
1028960
3200
C) Winston Churchill. ¿Tenía razón?
17:12
It was a good guess, Sam, but
512
1032160
1440
Fue una buena suposición, Sam, pero
17:13
the actual answer was
513
1033600
1120
la respuesta real fue
17:14
A) King Edward III. And no-one
514
1034720
2640
A) El rey Eduardo III. ¡Y nadie
17:17
was more surprised that he was
515
1037360
1440
estaba más sorprendido de que estuviera
17:18
related to royalty than the
516
1038800
1600
relacionado con la realeza que el
17:20
EastEnders actor himself!
517
1040400
2400
propio actor de EastEnders!
17:22
OK, Neil, let’s recap the
518
1042800
1520
Bien, Neil, recapitulemos el
17:24
vocabulary from this programme
519
1044320
1760
vocabulario de este programa
17:26
about the census - the official
520
1046080
2240
sobre el censo: el
17:28
counting of a nation’s population.
521
1048320
2480
recuento oficial de la población de una nación.
17:30
To figure something out means
522
1050800
1600
Descifrar algo
17:32
to understand it.
523
1052400
1760
significa comprenderlo.
17:34
The Romans used conscription
524
1054160
2000
Los romanos usaban el servicio militar obligatorio
17:36
to force men to join the army by law.
525
1056160
2960
para obligar a los hombres a unirse al ejército por ley.
17:39
Taxation is the government’s
526
1059120
1520
La tributación es el
17:40
system of taxing people to pay
527
1060640
2080
sistema del gobierno de gravar a las personas para pagar
17:42
for public services.
528
1062720
2000
los servicios públicos.
17:44
A clerk is an office worker whose
529
1064720
2240
Un empleado es un oficinista cuyo
17:46
job involves keeping records.
530
1066960
3120
trabajo consiste en mantener registros.
17:50
And tabulate means show
531
1070080
1680
Y tabular significa mostrar
17:51
information in the form of a table
532
1071760
1920
información en forma de tabla
17:53
with rows and columns.
533
1073680
2217
con filas y columnas.
17:55
That’s all for our six-minute look
534
1075897
2023
Eso es todo por nuestra mirada de seis minutos
17:57
at the census, but if we’ve whetted
535
1077920
1920
al censo, pero si le hemos abierto
17:59
your appetite for more why not
536
1079840
2000
el apetito por más, ¿por qué no
18:01
check out the whole episode – it’s
537
1081840
2080
echa un vistazo al episodio completo? Está
18:03
available now on the website of
538
1083920
1920
disponible ahora en el sitio web del
18:05
BBC World Service programme,
539
1085840
1760
programa BBC World Service,
18:07
The Forum.
540
1087600
1440
The Forum.
18:09
Bye for now!
541
1089040
1280
¡Adiós por ahora!
18:10
Bye bye.
542
1090320
890
Adiós.
18:17
Hello. This is 6 Minute English
543
1097040
1520
Hola. Esto es 6 minutos de inglés
18:18
from BBC Learning English.
544
1098560
1440
de BBC Learning English.
18:20
I’m Neil.
545
1100000
720
18:20
And I’m Georgina.
546
1100720
1360
Soy Neil.
Y yo soy Georgina.
18:22
What do Homer, Ray Charles
547
1102080
1840
¿Qué tienen en común Homer, Ray Charles
18:23
and Jorge Borges all have in
548
1103920
1760
y Jorge Borges
18:25
common, Georgina?
549
1105680
1040
, Georgina?
18:26
Hmm, so that’s the ancient Greek
550
1106720
2400
Hmm, así que ese es el antiguo
18:29
poet, Homer; American singer,
551
1109120
2160
poeta griego, Homero; el cantante estadounidense
18:31
Ray Charles; and Argentine writer,
552
1111280
2400
Ray Charles; y el escritor argentino,
18:33
Jorge Luis Borges… I can’t see
553
1113680
2480
Jorge Luis Borges… No veo
18:36
much in common there, Neil.
554
1116160
1440
mucho en común ahí, Neil.
18:37
Well, the answer is that they
555
1117600
1360
Bueno, la respuesta es que
18:38
were all blind.
556
1118960
1280
todos estaban ciegos.
18:40
Ah! But that obviously didn’t hold
557
1120240
1760
¡Ay! Pero eso obviamente no
18:42
them back - I mean, they were
558
1122000
1280
los detuvo, quiero decir, ¡fueron
18:43
some of the greatest artists ever!
559
1123280
2160
algunos de los mejores artistas de todos los tiempos!
18:45
Right, but I wonder how easy they
560
1125440
1840
Cierto, pero me pregunto qué tan fácil
18:47
would find it living and working in
561
1127280
1600
les resultaría vivir y trabajar en
18:48
the modern world.
562
1128880
1040
el mundo moderno.
18:49
Blind people can use a guide dog
563
1129920
1680
Las personas ciegas pueden usar un perro guía
18:51
or a white cane to help them
564
1131600
1280
o un bastón blanco para ayudarlos a
18:52
move around.
565
1132880
1040
moverse.
18:53
Yes, but a white cane is hardly
566
1133920
2000
Sí, ¡pero un bastón blanco no es
18:55
advanced technology! Recently,
567
1135920
2240
tecnología avanzada! Recientemente,
18:58
smartphone apps have been
568
1138160
1440
se han inventado aplicaciones para teléfonos inteligentes
18:59
invented which dramatically
569
1139600
1520
que
19:01
improve the lives of blind people
570
1141120
1760
mejoran drásticamente la vida de las personas ciegas en
19:02
around the world.
571
1142880
1120
todo el mundo.
19:04
In this programme on blindness
572
1144000
1600
En este programa sobre la ceguera
19:05
in the digital age we’ll be looking
573
1145600
1920
en la era digital,
19:07
at some of these inventions, known
574
1147520
2080
veremos algunos de estos inventos, conocidos
19:09
collectively as assistive technology –
575
1149600
3040
colectivamente como tecnología de asistencia, es
19:12
that’s any software or equipment
576
1152640
2000
decir, cualquier software o equipo
19:14
that helps people work around their
577
1154640
1920
que ayude a las personas a solucionar sus
19:16
disabilities or challenges.
578
1156560
2080
discapacidades o desafíos.
19:18
But first it’s time for my quiz
579
1158640
1680
Pero primero es hora de mi
19:20
question, Georgina. In 1842 a
580
1160320
2960
pregunta de prueba, Georgina. En 1842 se inventó una
19:23
technique of using fingers to feel
581
1163280
2240
técnica de usar los dedos para sentir
19:25
printed raised dots was invented
582
1165520
2240
puntos impresos en relieve
19:27
which allowed blind people to read.
583
1167760
2080
que permitía leer a las personas ciegas.
19:29
But who invented it? Was it:
584
1169840
2000
¿Pero quién lo inventó? ¿Fue:
19:31
a) Margaret Walker?,
585
1171840
2000
a) Margaret Walker?,
19:33
b) Louis Braille?, or
586
1173840
1760
b) Louis Braille?, o
19:35
c) Samuel Morse?
587
1175600
1360
c) Samuel Morse?
19:36
Hmm, I’ve heard of Morse code but
588
1176960
2560
Hmm, he oído hablar del código Morse, pero
19:39
that wouldn’t help blind people
589
1179520
1440
eso no ayudaría a las personas ciegas a
19:40
read, so I think it’s, b) Louis Braille.
590
1180960
2880
leer, así que creo que es, b) Louis Braille.
19:43
OK, Georgina, we’ll find out the
591
1183840
1600
Bien, Georgina, encontraremos la
19:45
answer at the end of the programme.
592
1185440
2160
respuesta al final del programa.
19:47
One remarkable feature of the latest
593
1187600
2080
Una característica notable de la última
19:49
assistive technology is its practicality.
594
1189680
3200
tecnología de asistencia es su practicidad.
19:52
Smartphone apps like ‘BeMyEyes’
595
1192880
2400
Las aplicaciones para teléfonos inteligentes como 'BeMyEyes'
19:55
allow blind users to find lost keys,
596
1195280
2480
permiten a los usuarios ciegos encontrar llaves perdidas,
19:57
cross busy roads and even colour
597
1197760
2080
cruzar calles transitadas e incluso
19:59
match their clothes.
598
1199840
1200
combinar el color de su ropa.
20:01
Brian Mwenda is CEO of a Kenyan
599
1201040
2640
Brian Mwenda es el director ejecutivo de una
20:03
company developing this kind of
600
1203680
1760
empresa de Kenia que desarrolla este tipo de
20:05
technology. Here he explains to
601
1205440
2400
tecnología. Aquí explica al
20:07
BBC World Service programme,
602
1207840
2000
programa del Servicio Mundial de la BBC,
20:09
Digital Planet, how his devices seek
603
1209840
2560
Digital Planet, cómo sus dispositivos
20:12
to enhance, not replace, the
604
1212400
2160
buscan mejorar, no reemplazar, el
20:14
traditional white cane:
605
1214560
1829
bastón blanco tradicional:
20:16
The device is very compatible with
606
1216880
1840
El dispositivo es muy compatible con
20:18
any kind of white cane. So, once you
607
1218720
2000
cualquier tipo de bastón blanco. Entonces, una vez que lo
20:20
clip it on to any white cane it
608
1220720
2160
sujetas a cualquier bastón blanco,
20:22
works perfectly to detect the
609
1222880
1360
funciona perfectamente para detectar los
20:24
obstacles in front of you, and it
610
1224240
1920
obstáculos frente a ti y se
20:26
relies on echo-location. So,
611
1226160
2080
basa en la ubicación del eco. Entonces, la
20:28
echo-location is the same technology
612
1228240
1840
ecolocalización es la misma tecnología que
20:30
used by bats and dolphins to detect
613
1230080
3520
usan los murciélagos y los delfines para detectar
20:33
prey and obstacles and all that. You
614
1233600
2560
presas, obstáculos y todo eso.
20:36
send out a sound pulse and then
615
1236160
1840
Envía un pulso de sonido y luego,
20:38
once it bounces off an obstacle, you
616
1238000
2000
una vez que rebota en un obstáculo,
20:40
can tell how far the obstacle is.
617
1240000
2320
puede saber qué tan lejos está el obstáculo.
20:42
When attached to a white cane, the
618
1242320
1840
Cuando está conectado a un bastón blanco, el
20:44
digital device - called ‘Sixth Sense’ -
619
1244160
2560
dispositivo digital, llamado "Sixth Sense",
20:46
can detect obstacles – objects which
620
1246720
2640
puede detectar obstáculos: objetos que
20:49
block your way, making it difficult for
621
1249360
2160
bloquean su camino y le
20:51
you to move forward.
622
1251520
1360
dificultan avanzar.
20:52
‘Sixth Sense’ works using echo-location,
623
1252880
3040
'Sixth Sense' funciona mediante la ecolocalización,
20:55
a kind of ultrasound like that used by
624
1255920
2640
una especie de ultrasonido como el que utilizan los
20:58
bats who send out sound waves
625
1258560
2000
murciélagos que envían ondas de sonido
21:00
which bounce off surrounding objects.
626
1260560
2560
que rebotan en los objetos circundantes.
21:03
The returning echoes show where these
627
1263120
2320
Los ecos que regresan muestran dónde
21:05
objects are located.
628
1265440
1840
se encuentran estos objetos.
21:07
Some of the assistive apps are so
629
1267280
1840
Algunas de las aplicaciones de asistencia son tan
21:09
smart they can even tell what kind of
630
1269120
2000
inteligentes que incluso pueden decir qué tipo de
21:11
object is coming up ahead – be it a
631
1271120
2240
objeto se acerca, ya sea un
21:13
friend, a shop door or a speeding car.
632
1273360
3040
amigo, la puerta de una tienda o un automóvil a toda velocidad.
21:16
I guess being able to move around
633
1276400
1600
Supongo que ser capaz de moverse con
21:18
confidently really boosts people’s
634
1278000
2000
confianza realmente aumenta la
21:20
independence.
635
1280000
1200
independencia de las personas.
21:21
Absolutely. And it’s challenging
636
1281200
1760
Absolutamente. Y también está desafiando los
21:22
stereotypes around blindness too.
637
1282960
2480
estereotipos sobre la ceguera.
21:25
Blogger, Fern Lulham, who is blind
638
1285440
2160
La bloguera Fern Lulham, que también es
21:27
herself, uses assistive apps every day.
639
1287600
3280
ciega, usa aplicaciones de asistencia todos los días.
21:30
Here she is talking to
640
1290880
1120
Aquí ella está hablando con
21:32
BBC World Service’s, Digital Planet:
641
1292000
2979
Digital Planet de BBC World Service:
21:35
I think the more that society sees
642
1295680
2160
Creo que cuanto más la sociedad ve a
21:37
blind people in the community, at work,
643
1297840
2640
las personas ciegas en la comunidad, en el trabajo,
21:40
in relationships it does help to tackle
644
1300480
2800
en las relaciones, ayuda a abordar
21:43
all of these stereotypes, it helps
645
1303280
1440
todos estos estereotipos, ayuda a las
21:44
people to see blind and
646
1304720
1600
personas ciegas y con
21:46
visually-impaired people in a whole
647
1306320
1200
discapacidad visual a ver. a las personas de una manera completamente
21:47
new way and it just normalises
648
1307520
2240
nueva y simplemente normaliza la
21:49
disability – that’s what we need, we
649
1309760
1520
discapacidad: eso es lo que necesitamos,
21:51
need to see people just getting on
650
1311280
1840
necesitamos ver a las personas seguir
21:53
with their life and doing it and then
651
1313120
1600
con su vida y hacerlo y entonces la
21:54
people won’t see it as such a big
652
1314720
1760
gente ya no lo verá como un gran
21:56
deal anymore, it’ll just be the ordinary.
653
1316480
2979
problema, simplemente ser lo ordinario.
22:00
Fern distinguishes between people
654
1320320
1680
Fern distingue entre las
22:02
who are blind, or unable to see, and
655
1322000
2480
personas ciegas o incapaces de ver y
22:04
those who are visually impaired –
656
1324480
2080
las personas con discapacidad visual:
22:06
experience a decreased ability to see.
657
1326560
3120
experimentan una disminución de la capacidad de ver.
22:09
Assistive tech helps blind people
658
1329680
2080
La tecnología de asistencia ayuda a las personas ciegas a
22:11
lead normal, independent lives within
659
1331760
2400
llevar una vida normal e independiente dentro de
22:14
their local communities. Fern hopes
660
1334160
2640
sus comunidades locales. Fern espera
22:16
that this will help normalise disability –
661
1336800
2640
que esto ayude a normalizar la discapacidad:
22:19
treat something as normal which has
662
1339440
2000
tratar algo como normal que
22:21
not been accepted as normal before…
663
1341440
2480
no ha sido aceptado como normal antes...
22:23
…so being blind doesn’t have to be a
664
1343920
2160
...para que ser ciego no tenga que ser un
22:26
big deal – an informal way to say
665
1346080
2240
gran problema: una forma informal de decir que
22:28
something is not a serious problem.
666
1348320
2800
algo no es un problema grave.
22:31
Just keep your eyes closed for a
667
1351120
1280
Solo mantén los ojos cerrados por un
22:32
minute and try moving around the
668
1352400
1440
minuto e intenta moverte por la
22:33
room. You’ll soon see how difficult
669
1353840
2320
habitación. Pronto verá lo difícil
22:36
it is… and how life changing this
670
1356160
1680
que es... y cómo esta tecnología puede cambiarle la vida
22:37
technology can be.
671
1357840
1600
.
22:39
Being able to read books must also
672
1359440
2240
Ser capaz de leer libros también debe
22:41
open up a world of imagination.
673
1361680
2320
abrir un mundo de imaginación.
22:44
So what was the answer to your
674
1364000
1280
Entonces, ¿cuál fue la respuesta a tu
22:45
quiz question, Neil?
675
1365280
1600
pregunta del cuestionario, Neil?
22:46
Ah yes. I asked Georgina who
676
1366880
1600
Ah, sí. Le pregunté a Georgina quién
22:48
invented the system of reading
677
1368480
1760
inventó el sistema de lectura
22:50
where fingertips are used to feel
678
1370240
1840
donde se usan las yemas de los dedos para sentir
22:52
patterns of printed raised dots.
679
1372080
2160
patrones de puntos impresos en relieve.
22:54
What did you say, Georgina?
680
1374240
1600
¿Qué dijiste, Georgina?
22:55
I thought it was, b) Louis Braille.
681
1375840
2880
Pensé que era, b) Louis Braille.
22:58
Which was…of course the correct
682
1378720
1600
¡Cuál era… por supuesto la
23:00
answer! Well done, Georgina – Louise
683
1380320
2560
respuesta correcta! Bien hecho, Georgina: Louise
23:02
Braille the inventor of a reading
684
1382880
1600
Braille, la inventora de un
23:04
system which is known worldwide
685
1384480
1760
sistema de lectura conocido en todo el mundo
23:06
simply as braille.
686
1386240
1680
simplemente como braille.
23:07
I suppose braille is an early example
687
1387920
2160
Supongo que el braille es un ejemplo temprano
23:10
of assistive technology – systems
688
1390080
2480
de tecnología de asistencia: sistemas
23:12
and equipment that assist people
689
1392560
1600
y equipos que ayudan a las personas
23:14
with disabilities to perform everyday
690
1394160
2160
con discapacidad a realizar
23:16
functions. Let’s recap the rest of
691
1396320
2400
funciones cotidianas. Recapitulemos el resto
23:18
the vocabulary, Neil.
692
1398720
1760
del vocabulario, Neil.
23:20
OK. An obstacle is an object that
693
1400480
2240
ESTÁ BIEN. Un obstáculo es un objeto que
23:22
is in your way and blocks your
694
1402720
2000
se interpone en su camino y bloquea su
23:24
movement.
695
1404720
1120
movimiento.
23:25
Some assisted technology works
696
1405840
1680
Algunas tecnologías asistidas funcionan
23:27
using echo-location – a system of
697
1407520
2560
mediante ecolocalización, un sistema de
23:30
ultrasound detection used by bats.
698
1410080
3120
detección por ultrasonidos utilizado por los murciélagos.
23:33
Being blind is different from being
699
1413200
1760
Ser ciego es diferente de tener una
23:34
visually impaired - having a
700
1414960
1840
discapacidad visual: tener una
23:36
decreased ability to see, whether
701
1416800
1920
capacidad reducida para ver, ya sea que lo
23:38
disabling or not.
702
1418720
1626
incapacite o no.
23:40
And finally, the hope is that
703
1420346
1654
Y finalmente, la esperanza es que
23:42
assistive phone apps can help
704
1422000
1760
las aplicaciones de asistencia telefónica puedan ayudar a
23:43
normalise disability – change the
705
1423760
2160
normalizar la discapacidad: cambiar la
23:45
perception of something into
706
1425920
1440
percepción de algo para que
23:47
being accepted as normal…
707
1427360
2080
se acepte como normal...
23:49
..so that disability is no longer a
708
1429440
2080
para que la discapacidad ya no sea un
23:51
big deal – not a big problem.
709
1431520
2240
gran problema, no un gran problema.
23:53
That’s all for this programme but
710
1433760
1360
Eso es todo por este programa, pero
23:55
join us again soon at 6 Minute English…
711
1435120
2800
únase a nosotros pronto en 6 Minute English…
23:57
…and remember you can find many
712
1437920
1360
…y recuerde que puede encontrar muchos
23:59
more 6 Minute topics and useful
713
1439280
1920
más temas de 6 Minute y
24:01
vocabulary archived on
714
1441200
1440
vocabulario útil archivados en
24:02
bbclearningenglish.com.
715
1442640
2240
bbclearningenglish.com.
24:04
Don’t forget we also have an app
716
1444880
1680
No olvide que también tenemos una aplicación
24:06
you can download for free from
717
1446560
1600
que puede descargar de forma gratuita desde
24:08
the app stores. And of course we
718
1448160
2160
las tiendas de aplicaciones. Y, por supuesto,
24:10
are all over social media, so come
719
1450320
2240
estamos en todas las redes sociales, así que
24:12
on over and say hi.
720
1452560
1360
ven y saluda.
24:13
Bye for now!
721
1453920
800
¡Adiós por ahora!
24:14
Bye!
722
1454720
830
¡Adiós!
24:21
Welcome to 6 Minute English, where
723
1461280
1520
Bienvenido a 6 Minute English, donde
24:22
we bring you an intelligent topic
724
1462800
1600
te traemos un tema inteligente
24:24
and six related items of vocabulary.
725
1464400
2480
y seis elementos de vocabulario relacionados.
24:26
I’m Neil.
726
1466880
640
Soy Neil.
24:27
And I’m Tim. And today we’re talking
727
1467520
2560
Y yo soy Tim. Y hoy estamos hablando
24:30
about AI – or Artificial Intelligence.
728
1470080
3840
de IA, o Inteligencia Artificial.
24:33
Artificial Intelligence is the ability of
729
1473920
2480
La inteligencia artificial es la capacidad de las
24:36
machines to copy human intelligent
730
1476400
2560
máquinas para copiar el comportamiento inteligente humano
24:38
behaviour – for example, an
731
1478960
1920
; por ejemplo, una
24:40
intelligent machine can learn
732
1480880
1440
máquina inteligente puede aprender
24:42
from its own mistakes, and make
733
1482320
1600
de sus propios errores y tomar
24:43
decisions based on what’s happened
734
1483920
2000
decisiones basadas en lo que sucedió
24:45
in the past.
735
1485920
880
en el pasado.
24:46
There’s a lot of talk about AI these
736
1486800
2000
Se habla mucho sobre la IA en estos
24:48
days, Neil, but it’s still just science
737
1488800
2160
días, Neil, pero sigue siendo solo ciencia
24:50
fiction, isn’t it?
738
1490960
1360
ficción, ¿no es así?
24:52
That’s not true – AI is everywhere.
739
1492320
2640
Eso no es cierto: la IA está en todas partes.
24:54
Machine thinking is in our homes,
740
1494960
2160
El pensamiento automático está en nuestros hogares,
24:57
offices, schools and hospitals.
741
1497120
2480
oficinas, escuelas y hospitales.
24:59
Computer algorithms are helping
742
1499600
1680
Los algoritmos informáticos nos están ayudando
25:01
us drive our cars. They’re diagnosing
743
1501280
2560
a conducir nuestros automóviles. Están diagnosticando
25:03
what’s wrong with us in hospitals.
744
1503840
2160
lo que nos pasa en los hospitales.
25:06
They’re marking student essays…
745
1506000
1840
Están corrigiendo los ensayos de los estudiantes...
25:07
They’re telling us what to read on
746
1507840
1520
Nos están diciendo qué leer en
25:09
our smartphones…
747
1509360
960
nuestros teléfonos inteligentes...
25:10
Well, that really does sound like
748
1510320
1680
Bueno, eso realmente suena como
25:12
science fiction – but it’s
749
1512000
1760
ciencia ficción, pero ¿ya está
25:13
happening already, you say, Neil?
750
1513760
1840
sucediendo, dices, Neil?
25:15
It’s definitely happening, Tim.
751
1515600
2245
Definitivamente está sucediendo, Tim.
25:17
And an algorithm, by the way, is
752
1517845
1435
Y un algoritmo, dicho sea de paso, es
25:19
a set of steps a computer follows
753
1519280
2320
un conjunto de pasos que sigue una computadora
25:21
in order to solve a problem.
754
1521600
1680
para resolver un problema.
25:23
So can you tell me what was the
755
1523280
2080
Entonces, ¿puede decirme cuál era el
25:25
name of the computer which
756
1525360
1920
nombre de la computadora que
25:27
famously beat world chess
757
1527280
1600
derrotó al famoso campeón mundial de ajedrez
25:28
champion Garry Kasparov
758
1528880
1600
Garry Kasparov
25:30
using algorithms in 1997?
759
1530480
2800
usando algoritmos en 1997?
25:33
Was it…
760
1533280
400
25:33
a) Hal, b) Alpha 60,
761
1533680
3120
¿Fue...
a) Hal, b) Alpha 60
25:36
or, c) Deep Blue?
762
1536800
1840
o c) Deep Blue?
25:38
I’ll say Deep Blue.
763
1538640
2800
Diré Deep Blue.
25:41
Although I’m just guessing.
764
1541440
1200
Aunque solo estoy suponiendo.
25:42
Was it an educated guess, Tim?
765
1542640
1920
¿Fue una conjetura educada, Tim?
25:44
I know a bit about chess…
766
1544560
1520
Sé un poco de ajedrez...
25:46
An educated guess is based
767
1546080
1920
Una conjetura fundamentada se basa
25:48
on knowledge and experience
768
1548000
1600
en el conocimiento y la experiencia
25:49
and is therefore likely to be correct.
769
1549600
2080
y, por lo tanto, es probable que sea correcta.
25:51
Well, we’ll find out later on how
770
1551680
1760
¡Bueno, más adelante descubriremos cuán
25:53
educated your guess was in
771
1553440
1440
educada fue tu suposición en
25:54
this case, Tim!
772
1554880
880
este caso, Tim!
25:55
Indeed. But getting back to AI
773
1555760
2400
En efecto. Pero volviendo a la IA
25:58
and what machines can do – are
774
1558160
2480
y lo que pueden hacer las máquinas, ¿
26:00
they any good at solving real-life
775
1560640
2720
son buenas para resolver
26:03
problems? Computers think in zeros
776
1563360
2640
problemas de la vida real? Las computadoras piensan en ceros
26:06
and ones don’t they? That sounds
777
1566000
1760
y unos, ¿no? ¡Eso suena
26:07
like a pretty limited language when
778
1567760
1600
como un lenguaje bastante limitado cuando
26:09
it comes to life experience!
779
1569360
1760
se trata de experiencia de vida!
26:11
You would be surprised to what
780
1571120
1520
Te sorprendería lo
26:12
those zeroes and ones can do, Tim.
781
1572640
2240
que pueden hacer esos ceros y unos, Tim.
26:14
Although you’re right that AI does
782
1574880
1920
Aunque tienes razón en que la IA
26:16
have its limitations at the moment.
783
1576800
1920
tiene sus limitaciones en este momento.
26:18
And if something has limitations
784
1578720
1760
Y si algo tiene limitaciones,
26:20
there’s a limit on what it can do or
785
1580480
1920
hay un límite en lo que puede hacer o en
26:22
how good it can be.
786
1582400
1280
lo bueno que puede ser.
26:23
OK – well now might be a good time
787
1583680
2640
Bien, ahora podría ser un buen momento
26:26
to listen to Zoubin Bharhramani,
788
1586320
2160
para escuchar a Zoubin Bharhramani,
26:28
Professor of Information Engineering
789
1588480
1920
profesor de Ingeniería de la Información
26:30
at the University of Cambridge and
790
1590400
2240
en la Universidad de Cambridge y
26:32
deputy director of the Leverhulme Centre
791
1592640
2880
subdirector del Centro Leverhulme
26:35
for the Future of Intelligence.
792
1595520
2000
para el Futuro de la Inteligencia.
26:37
He’s talking about what limitations
793
1597520
2240
Está hablando de las limitaciones que
26:39
AI has at the moment.
794
1599760
2240
tiene la IA en este momento.
26:43
I think it’s very interesting how many
795
1603280
2880
Creo que es muy interesante cuántas
26:46
of the things that we take for granted –
796
1606160
2160
de las cosas que damos por sentado,
26:48
we humans take for granted – as being
797
1608320
2000
los humanos damos por sentado, como
26:50
sort of things we don’t even think about
798
1610320
1600
cosas en las que ni siquiera pensamos,
26:51
like how do we walk, how do we reach,
799
1611920
2320
como cómo caminamos, cómo alcanzamos,
26:54
how do we recognize our mother. You
800
1614240
3120
cómo reconocemos nuestro madre. Ya
26:57
know, all these things. When you start
801
1617360
2480
sabes, todas estas cosas. Cuando comienzas
26:59
to think how to implement them on a
802
1619840
1840
a pensar cómo implementarlos en una
27:01
computer, you realize that it’s those
803
1621680
3120
computadora, te das cuenta de que son esas
27:04
things that are incredibly difficult to get
804
1624800
4400
cosas que son increíblemente difíciles de lograr que las
27:09
computers to do, and that’s where the
805
1629200
2960
computadoras hagan, y ahí es donde se encuentra la
27:12
current cutting edge of research is.
806
1632160
2899
investigación de vanguardia actual.
27:16
If we take something for granted we
807
1636320
1440
Si damos algo por sentado,
27:17
don’t realise how important something is.
808
1637760
2400
no nos damos cuenta de lo importante que es algo.
27:20
You sometimes take me for granted, I
809
1640160
2080
A veces me das por sentado,
27:22
think, Neil.
810
1642240
1200
creo, Neil.
27:23
No – I never take you for granted, Tim!
811
1643440
1920
No, ¡nunca te doy por sentado, Tim!
27:25
You’re far too important for that!
812
1645360
2320
¡Eres demasiado importante para eso!
27:27
Good to hear! So things we take for
813
1647680
2800
¡Es bueno escuchar! Entonces, las cosas que damos por
27:30
granted are doing every day tasks like
814
1650480
3280
sentadas son hacer tareas cotidianas como
27:33
walking, picking something up, or
815
1653760
2160
caminar, recoger algo o
27:35
recognizing somebody. We implement –
816
1655920
3040
reconocer a alguien. Implementamos,
27:38
or perform – these things without
817
1658960
2240
o realizamos, estas cosas sin
27:41
thinking – Whereas it’s cutting edge
818
1661200
2640
pensar, mientras que es una
27:43
research to try and program a
819
1663840
1760
investigación de vanguardia intentar programar una
27:45
machine to do them.
820
1665600
1200
máquina para que las haga.
27:46
Cutting edge means very new and
821
1666800
2000
Vanguardia significa muy nuevo y
27:48
advanced. It’s interesting isn't it, that
822
1668800
2000
avanzado. Es interesante, ¿no?, que hace
27:50
over ten years ago a computer beat
823
1670800
2160
más de diez años una computadora venció a
27:52
a chess grand master – but the
824
1672960
1680
un gran maestro de ajedrez, pero a la
27:54
same computer would find it incredibly
825
1674640
2240
misma computadora le resultaría increíblemente
27:56
difficult to pick up a chess piece.
826
1676880
2000
difícil recoger una pieza de ajedrez.
27:58
I know. It’s very strange. But now
827
1678880
2400
Lo sé. Es muy extraño. Pero ahora
28:01
you’ve reminded me that we need
828
1681280
1520
me has recordado que necesitamos
28:02
the answer to today’s question.
829
1682800
2080
la respuesta a la pregunta de hoy.
28:04
Which was: What was the name
830
1684880
1840
Que era: ¿Cuál era el nombre
28:06
of the computer which famously
831
1686720
1600
de la computadora que
28:08
beat world chess champion
832
1688320
1760
derrotó al famoso campeón mundial de ajedrez
28:10
Garry Kasparov in 1997? Now, you
833
1690080
2800
Garry Kasparov en 1997? Ahora,
28:12
said Deep Blue, Tim, and … that was
834
1692880
2400
dijiste Deep Blue, Tim, y... ¡esa fue
28:15
the right answer!
835
1695280
1200
la respuesta correcta!
28:16
You see, my educated guess was
836
1696480
2320
¡Mira, mi suposición educada se
28:18
based on knowledge and experience!
837
1698800
2160
basó en el conocimiento y la experiencia!
28:20
Or maybe you were just lucky. So, the
838
1700960
3680
O tal vez solo tuviste suerte. Entonces, la
28:24
IBM supercomputer Deep Blue played
839
1704640
2320
supercomputadora de IBM Deep Blue jugó
28:26
against US world chess champion
840
1706960
2000
contra el campeón mundial de ajedrez estadounidense
28:28
Garry Kasparov in two chess matches.
841
1708960
2400
Garry Kasparov en dos partidas de ajedrez.
28:31
The first match was played in
842
1711360
1360
El primer partido se jugó en
28:32
Philadelphia in 1996 and was
843
1712720
2080
Filadelfia en 1996 y lo
28:34
won by Kasparov. The second was
844
1714800
2080
ganó Kasparov. El segundo se
28:36
played in New York City in 1997
845
1716880
2320
jugó en la ciudad de Nueva York en 1997
28:39
and won by Deep Blue. The 1997
846
1719200
3120
y lo ganó Deep Blue. El
28:42
match was the first defeat of a
847
1722320
1600
partido de 1997 fue la primera derrota de un
28:43
reigning world chess champion
848
1723920
1600
actual campeón mundial de ajedrez
28:45
by a computer under
849
1725520
1360
por una computadora en
28:46
tournament conditions.
850
1726880
1680
condiciones de torneo.
28:48
Let’s go through the words we
851
1728560
1520
Repasemos las palabras que
28:50
learned today. First up was
852
1730080
2320
aprendimos hoy. Primero fue la
28:52
‘artificial intelligence’ or AI – the
853
1732400
3200
"inteligencia artificial" o IA: la
28:55
ability of machines to copy human
854
1735600
2400
capacidad de las máquinas para copiar el
28:58
intelligent behaviour.
855
1738000
1200
comportamiento inteligente humano.
28:59
“There are AI programs that can
856
1739200
1840
“Hay programas de IA que pueden
29:01
write poetry.”
857
1741040
1280
escribir poesía”.
29:02
Do you have any examples you
858
1742320
1600
¿Tienes algún ejemplo que
29:03
can recite?
859
1743920
1040
puedas recitar?
29:04
Afraid I don’t! Number two – an
860
1744960
2080
¡Me temo que no! Número dos: un
29:07
algorithm is a set of steps a
861
1747040
1840
algoritmo es un conjunto de pasos
29:08
computer follows in order to
862
1748880
1520
que sigue una computadora para
29:10
solve a problem. For example,
863
1750400
1760
resolver un problema. Por ejemplo,
29:12
“Google changes its search
864
1752160
1680
"Google cambia su
29:13
algorithm hundreds of times
865
1753840
1760
algoritmo de búsqueda cientos de
29:15
every year.”
866
1755600
880
veces al año".
29:16
The adjective is algorithmic – for
867
1756480
2560
El adjetivo es algorítmico; por
29:19
example, “Google has made many
868
1759040
2240
ejemplo, "Google ha realizado muchos
29:21
algorithmic changes.”
869
1761280
1760
cambios algorítmicos".
29:23
Number three – if something has
870
1763040
2000
Número tres: si algo tiene
29:25
‘limitations’ – there’s a limit on
871
1765040
1680
"limitaciones", hay un límite en
29:26
what it can do or how good it
872
1766720
1520
lo que puede hacer o en lo bueno que
29:28
can be. “Our show has certain
873
1768240
2400
puede ser. “Nuestro programa tiene ciertas
29:30
limitations – for example, it’s only
874
1770640
2320
limitaciones; por ejemplo, ¡solo
29:32
six minutes long!”
875
1772960
1040
dura seis minutos!”.
29:34
That’s right – there’s only time to
876
1774000
1760
Así es, solo hay tiempo para
29:35
present six vocabulary items.
877
1775760
2400
presentar seis elementos de vocabulario.
29:38
Short but sweet!
878
1778160
1120
¡Corto pero dulce!
29:39
And very intelligent, too. OK, the
879
1779280
2640
Y muy inteligente, además. Bien, el
29:41
next item is ‘take something for
880
1781920
1760
siguiente elemento es "dar algo por
29:43
granted’ – which is when we don’t
881
1783680
1760
sentado", que es cuando no nos
29:45
realise how important something is.
882
1785440
1920
damos cuenta de lo importante que es algo.
29:47
“We take our smart phones for granted
883
1787360
2160
"Damos por sentado nuestros teléfonos inteligentes en
29:49
these days – but before 1995 hardly
884
1789520
3200
estos días, pero antes de 1995 casi
29:52
anyone owned one.”
885
1792720
1520
nadie tenía uno".
29:54
Number five – ‘to implement’ – means
886
1794240
2480
El número cinco, "implementar",
29:56
to perform a task, or take action.
887
1796720
2080
significa realizar una tarea o tomar medidas.
29:58
“Neil implemented some changes
888
1798800
1760
“Neil implementó algunos cambios
30:00
to the show.”
889
1800560
880
en el programa”.
30:01
The final item is ‘cutting edge’ – new
890
1801440
2480
El elemento final es "vanguardista", nuevo
30:03
and advanced – “This software is
891
1803920
2000
y avanzado: "Este software es
30:05
cutting edge.”
892
1805920
880
vanguardista".
30:06
“The software uses cutting edge
893
1806800
2000
“El software utiliza
30:08
technology.”
894
1808800
1280
tecnología de punta”.
30:10
OK – that’s all we have time for on
895
1810080
1840
OK, eso es todo para lo que tenemos tiempo en
30:11
today’s cutting edge show. But please
896
1811920
2640
el programa de vanguardia de hoy. Pero
30:14
check out our Instagram, Twitter,
897
1814560
1840
consulte nuestras páginas de Instagram, Twitter,
30:16
Facebook and YouTube pages.
898
1816400
1840
Facebook y YouTube.
30:18
Bye-bye!
899
1818240
560
30:18
Goodbye!
900
1818800
903
¡Adiós!
¡Adiós!
Acerca de este sitio web

Este sitio le presentará vídeos de YouTube útiles para aprender inglés. Verá lecciones de inglés impartidas por profesores de primera categoría de todo el mundo. Haz doble clic en los subtítulos en inglés que aparecen en cada página de vídeo para reproducir el vídeo desde allí. Los subtítulos se desplazan en sincronía con la reproducción del vídeo. Si tiene algún comentario o petición, póngase en contacto con nosotros mediante este formulario de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7