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

164,356 views ・ 2022-10-16

BBC Learning English


Fare doppio clic sui sottotitoli in inglese per riprodurre il video. I sottotitoli tradotti sono tradotti automaticamente.

00:05
Hello. This is 6 Minute English
0
5920
1760
Ciao. Questo è l'inglese di 6 minuti
00:07
from BBC Learning English.
1
7680
1440
dalla BBC Learning English.
00:09
I’m Sam.
2
9120
720
00:09
And I’m Neil.
3
9840
880
Sono Sam.
E io sono Neil.
00:10
On Saturday mornings I love going
4
10720
2000
Il sabato mattina adoro andare
00:12
to watch football in the park.
5
12720
1920
a vedere la partita di calcio al parco.
00:14
The problem is when it’s cold and
6
14640
1760
Il problema è quando fa freddo e
00:16
rainy - I look out the bedroom window
7
16400
2160
piove: guardo fuori dalla finestra della camera da letto
00:18
and go straight back to bed!
8
18560
1760
e torno subito a letto!
00:20
Well, instead of going to the park, why
9
20320
2000
Beh, invece di andare al parco, perché
00:22
not bring the park to you? Imagine
10
22320
2400
non portare il parco da te? Immagina di
00:24
watching a live version of the
11
24720
1760
guardare una versione live della
00:26
football match at home in the warm,
12
26480
1760
partita di calcio a casa al caldo,
00:28
with friends. Sound good, Sam?
13
28240
2240
con gli amici. Suona bene, Sam?
00:30
Sounds great! – but how can I be in
14
30480
2160
Sembra fantastico! – ma come posso essere in
00:32
two places at once? Is there some
15
32640
2000
due posti contemporaneamente? C'è qualche
00:34
amazing invention to do that?
16
34640
1840
straordinaria invenzione per farlo?
00:36
There might be, Sam - and it could
17
36480
1600
Potrebbe esserci, Sam - e potrebbe
00:38
be happening sooner than you think,
18
38080
2080
accadere prima di quanto pensi,
00:40
thanks to developments in VR, or
19
40160
2320
grazie agli sviluppi della VR o della
00:42
virtual reality. According to Facebook
20
42480
2000
realtà virtuale. Secondo il
00:44
boss, Mark Zuckerberg, in the future
21
44480
2240
capo di Facebook, Mark Zuckerberg, in futuro
00:46
we’ll all spend much of our time
22
46720
1840
passeremo tutti gran parte del nostro tempo
00:48
living and working in the ‘metaverse’ – a
23
48560
2880
vivendo e lavorando nel "metaverso", una
00:51
series of virtual worlds.
24
51440
2400
serie di mondi virtuali. La
00:53
Virtual reality is a topic we’ve discussed
25
53840
2480
realtà virtuale è un argomento che abbiamo
00:56
before at 6 Minute English. But when
26
56320
2720
già discusso a 6 Minute English. Ma quando
00:59
Facebook announced that it was
27
59040
1280
Facebook ha annunciato che avrebbe
01:00
hiring ten thousand new workers
28
60320
2000
assunto diecimila nuovi lavoratori
01:02
to develop VR for the ‘metaverse’, we
29
62320
2720
per sviluppare la realtà virtuale per il "metaverso", abbiamo
01:05
thought it was time for another look.
30
65040
1760
pensato che fosse giunto il momento di dare un'altra occhiata.
01:06
Is this programme, we’ll be hearing two
31
66800
1760
In questo programma, sentiremo due
01:08
different opinions on the ‘metaverse’
32
68560
1760
opinioni diverse sul "metaverso"
01:10
and how it might shape the future.
33
70320
2000
e su come potrebbe plasmare il futuro.
01:12
But first I have a question for you, Neil.
34
72320
3040
Ma prima ho una domanda per te, Neil.
01:15
According to a 2021 survey by
35
75360
2480
Secondo un sondaggio del 2021 condotto dalla
01:17
gaming company, Thrive Analytics, what
36
77840
2880
società di giochi, Thrive Analytics, quale
01:20
percentage of people who try virtual
37
80720
2240
percentuale di persone che provano la
01:22
reality once want to try it again? Is it:
38
82960
3920
realtà virtuale una volta vogliono riprovare? È:
01:26
a) 9 percent?
39
86880
1920
a) 9 percento?
01:28
b) 49 percent? or,
40
88800
2240
b) 49 percento? o,
01:31
c) 79 percent?
41
91040
2160
c) 79 percento?
01:33
I guess with VR you either love it
42
93200
1840
Immagino che con la realtà virtuale o la ami
01:35
or hate it, so I’ll say b) 49 percent of
43
95040
3120
o la odi, quindi dirò b) il 49 percento delle
01:38
people want to try it again.
44
98160
1840
persone vuole riprovare.
01:40
OK, I’ll reveal the correct answer
45
100000
1840
OK, rivelerò la risposta corretta
01:41
later in the programme. But what
46
101840
1760
più avanti nel programma. Ma quello che
01:43
Neil said is true: people tend to either
47
103600
2400
ha detto Neil è vero: le persone tendono ad
01:46
love virtual reality or hate it.
48
106000
2720
amare la realtà virtuale o ad odiarla.
01:48
Somebody who loves it is
49
108720
1440
Qualcuno che lo adora è
01:50
Emma Ridderstad, CEO of Warpin’, a
50
110160
2800
Emma Ridderstad, CEO di Warpin', una
01:52
company which develops
51
112960
1280
società che sviluppa
01:54
VR technology.
52
114240
1200
tecnologia VR.
01:55
Here she is telling BBC World
53
115440
1760
Qui sta raccontando al programma BBC World
01:57
Service programme, Tech Tent, her
54
117200
1920
Service, Tech Tent, la sua
01:59
vision of the future:
55
119120
1520
visione del futuro:
02:00
In ten years, everything that you
56
120640
1760
Tra dieci anni, tutto ciò che
02:02
do on your phone today, you will
57
122400
2160
fai oggi sul tuo telefono, lo
02:04
do in 3-D, through your classes
58
124560
2000
farai in 3-D, attraverso le tue lezioni
02:06
for example. You will be able to do
59
126560
2480
per esempio. Potrai fare i
02:09
your shopping, you will be able to
60
129040
1920
tuoi acquisti, potrai
02:10
meet your friends, you will be able
61
130960
1680
incontrare i tuoi amici, potrai
02:12
to work remotely with whomever
62
132640
2400
lavorare da remoto con chi
02:15
you want, you will be able to share
63
135040
2480
vuoi, potrai condividere
02:17
digital spaces, share music, share
64
137520
3920
spazi digitali, condividere musica, condividere
02:21
art, share projects in digital spaces
65
141440
3200
arte, condividere progetti in spazi digitali
02:24
between each other. And you will also
66
144640
2080
tra loro. E sarai anche in
02:26
be able to integrate the digital objects
67
146720
2160
grado di integrare gli oggetti digitali
02:28
in your physical world, making the
68
148880
2720
nel tuo mondo fisico, rendendo il
02:31
world much more phygital than
69
151600
1840
mondo molto più phygital di quanto non
02:33
is it today.
70
153440
1399
sia oggi. La
02:35
Virtual reality creates 3-D, or
71
155040
2720
realtà virtuale crea esperienze 3D o
02:37
three-dimensional experiences where
72
157760
2080
tridimensionali in cui gli
02:39
objects have the three dimensions of
73
159840
2400
oggetti hanno le tre dimensioni di
02:42
length, width and height. This makes
74
162240
2640
lunghezza, larghezza e altezza. Questo
02:44
them look lifelike and solid, not
75
164880
2400
li fa sembrare realistici e solidi, non
02:47
two-dimensional and flat.
76
167280
2560
bidimensionali e piatti.
02:49
Emma says that in the future VR will
77
169840
2160
Emma afferma che in futuro la realtà virtuale
02:52
mix digital objects and physical
78
172000
2000
mescolerà oggetti digitali e
02:54
objects to create exciting new
79
174000
1920
oggetti fisici per creare nuove entusiasmanti
02:55
experiences – like staying home to
80
175920
2400
esperienze, come stare a casa a
02:58
watch the same football match
81
178320
1440
guardare la stessa partita di calcio
02:59
that is simultaneously happening in
82
179760
1840
che si sta svolgendo contemporaneamente
03:01
the park. She blends the words
83
181600
2400
nel parco. Unisce le parole
03:04
‘physical’ and ‘digital’ to make a new
84
184000
2240
"fisico" e "digitale" per creare una nuova
03:06
word describing this
85
186240
1040
parola che descriva questa
03:07
combination: phygital.
86
187280
2480
combinazione: phygital.
03:09
But while a ‘phygital’ future sounds
87
189760
1920
Ma mentre un futuro "phygital" suona
03:11
like paradise to some, others are
88
191680
2080
come il paradiso per alcuni, altri sono
03:13
more sceptical – they doubt that
89
193760
2080
più scettici: dubitano che la
03:15
VR will come true or be useful.
90
195840
2480
realtà virtuale diventerà realtà o sarà utile.
03:18
One such sceptic is technology
91
198320
2080
Uno di questi scettici è l'
03:20
innovator, Dr Nicola Millard. For one
92
200400
2720
innovatore tecnologico, il dottor Nicola Millard. Per prima
03:23
thing, she doesn’t like wearing a
93
203120
1440
cosa, non le piace indossare un
03:24
VR headset – the heavy helmet and
94
204560
2320
visore VR - il casco pesante e gli
03:26
glasses that create virtual reality
95
206880
2160
occhiali che creano la realtà virtuale
03:29
for the wearer – something she
96
209040
1760
per chi lo indossa - qualcosa che ha
03:30
explained to BBC World Service’s,
97
210800
2160
spiegato a BBC World Service,
03:32
Tech Tent:
98
212960
1189
Tech Tent:
03:34
There are some basic things to
99
214480
1680
Ci sono alcune cose fondamentali a cui
03:36
think about. So, how do we
100
216160
1600
pensare. Quindi, come possiamo
03:37
access it? So, the reason, sort of,
101
217760
2400
accedervi? Quindi, la ragione per cui i
03:40
social networks took off was, we’ve
102
220160
2240
social network sono decollati è stata che
03:42
got mobile technologies that let
103
222400
1840
abbiamo tecnologie mobili che
03:44
us use it. Now, obviously one of
104
224240
1840
ci consentono di usarli. Ora, ovviamente uno
03:46
the barriers can be that VR or AR
105
226080
2640
degli ostacoli può essere il visore VR o AR,
03:48
headsets - so VR, I’ve always been
106
228720
2320
quindi VR, sono sempre stato un
03:51
slightly sceptical about. I’ve called
107
231040
2480
po' scettico. L'ho chiamato
03:53
it ‘vomity reality’ for a while because,
108
233520
2240
"realtà del vomito" per un po' perché,
03:55
frankly, I usually need a bucket
109
235760
2960
francamente, di solito ho bisogno di un secchio
03:58
somewhere close if you’ve got a
110
238720
1360
da qualche parte vicino se hai un
04:00
headset on me… and also, do I want
111
240080
1840
visore con me... e inoltre, voglio
04:01
to spend vast amounts of time in
112
241920
2000
passare molto tempo in
04:03
those rather unwieldy headsets?
113
243920
1440
quei visori piuttosto ingombranti? ?
04:05
Now, I know they’re talking AR as
114
245360
1840
Ora, so che stanno parlando anche di AR
04:07
well and obviously that does not
115
247200
1600
e ovviamente questo non
04:08
necessarily need a headset, but I
116
248800
1680
richiede necessariamente un visore, ma
04:10
think we’re seeing some quite
117
250480
1840
penso che al momento stiamo vedendo
04:12
immersive environments coming
118
252320
1600
uscire anche alcuni ambienti abbastanza coinvolgenti
04:13
out at the moment as well.
119
253920
1600
.
04:15
Nicola called VR ‘vomity reality’
120
255520
3040
Nicola ha chiamato la realtà virtuale "vomity reality"
04:18
because wearing a headset makes
121
258560
1600
perché indossare un visore la fa
04:20
her feel sick, maybe because it’s
122
260160
2320
sentire male, forse perché è
04:22
so unwieldy – difficult to move or
123
262480
2640
così ingombrante, difficile da spostare o da
04:25
wear because it’s big and heavy.
124
265120
2080
indossare perché è grande e pesante.
04:27
She also makes a difference
125
267200
1440
Fa anche la differenza
04:28
between VR - virtual reality- and AR,
126
268640
3600
tra VR - realtà virtuale - e AR,
04:32
which stands for augmented
127
272240
1600
che sta per
04:33
reality – tech which adds to the
128
273840
2560
realtà aumentata - tecnologia che si aggiunge al
04:36
ordinary physical world by
129
276400
1440
mondo fisico ordinario
04:37
projecting virtual words, pictures
130
277840
2400
proiettando parole, immagini
04:40
and characters, usually by wearing
131
280240
1840
e personaggi virtuali, di solito indossando
04:42
glasses or with a mobile phone.
132
282080
2320
occhiali o con un telefono cellulare.
04:44
While virtual reality replaces what
133
284400
2000
Mentre la realtà virtuale sostituisce ciò che
04:46
you hear and see, augmented
134
286400
2000
senti e vedi, la
04:48
reality adds to it. Both VR and AR
135
288400
3920
realtà aumentata lo aggiunge. Sia la realtà virtuale che la realtà aumentata
04:52
are immersive experiences – they
136
292320
2400
sono esperienze coinvolgenti:
04:54
stimulate your senses and surround
137
294720
1920
stimolano i tuoi sensi e
04:56
you so that you feel completely
138
296640
1600
ti circondano in modo che tu ti senta completamente
04:58
involved in the experience.
139
298240
1680
coinvolto nell'esperienza.
04:59
In fact, the experience feels so real
140
299920
2480
In effetti, l'esperienza sembra così reale
05:02
that people keep coming back
141
302400
1280
che le persone continuano a tornare
05:03
for more.
142
303680
720
per saperne di più.
05:04
Right! In my question I asked
143
304400
2240
Giusto! Nella mia domanda ho chiesto a
05:06
Neil how many people who try
144
306640
1600
Neil quante persone che provano la
05:08
VR for the first time want to try
145
308240
2000
realtà virtuale per la prima volta vogliono provarla
05:10
it again.
146
310240
800
di nuovo.
05:11
I guessed it was about half –
147
311040
1760
Ho immaginato che fosse circa la metà, il
05:12
49 percent. Was I right?
148
312800
1840
49 percento. Avevo ragione?
05:14
You were… wrong, I’m afraid.
149
314640
2400
Avevi... torto, temo.
05:17
The correct answer is much
150
317040
1440
La risposta corretta è molto
05:18
higher - 79 percent of people
151
318480
2560
più alta: il 79% delle persone
05:21
would give VR another try.
152
321040
2080
farebbe un altro tentativo con la realtà virtuale.
05:23
I suppose because the experience
153
323120
1680
Suppongo perché l'esperienza
05:24
was so immersive – stimulating,
154
324800
2480
è stata così coinvolgente: stimolante,
05:27
surrounding and realistic.
155
327280
2000
avvolgente e realistica.
05:29
Ok, A, let’s recap the other
156
329280
1680
Ok, A, ricapitoliamo l'altro
05:30
vocabulary from this programme
157
330960
1600
vocabolario di questo programma
05:32
on the ‘metaverse’, a kind of
158
332560
1840
sul "metaverso", una sorta di
05:34
augmented reality – reality which
159
334400
2720
realtà aumentata - realtà che
05:37
is enhanced or added to
160
337120
1600
viene migliorata o aggiunta
05:38
by technology.
161
338720
1280
dalla tecnologia. Gli
05:40
3-D objects have three
162
340000
1280
oggetti 3D hanno tre
05:41
dimensions, making them
163
341280
1200
dimensioni, che li fanno
05:42
appear real and solid.
164
342480
1840
apparire reali e solidi.
05:44
Phygital is an invented word
165
344320
1760
Phygital è una parola inventata
05:46
which combines the features of
166
346080
1680
che unisce le caratteristiche del
05:47
‘physical’ and ‘digital’ worlds.
167
347760
2240
mondo "fisico" e "digitale".
05:50
A sceptical person is doubtful
168
350000
2320
Una persona scettica è dubbiosa
05:52
about something.
169
352320
1040
su qualcosa.
05:53
And finally, unwieldy means
170
353360
1760
E infine, ingombrante significa
05:55
difficult to move or carry because
171
355120
1840
difficile da spostare o trasportare perché
05:56
it’s so big and heavy.
172
356960
1520
è così grande e pesante.
05:58
That’s our six minutes up, in this
173
358480
2000
Sono i nostri sei minuti in più, in questa
06:00
reality anyway. See you in the
174
360480
2000
realtà comunque. Ci vediamo
06:02
‘metaverse’ soon!
175
362480
1120
presto nel "metaverso"!
06:03
Goodbye!
176
363600
959
Arrivederci!
06:10
Hello. This is 6 Minute English
177
370320
1680
Ciao. Questo è l'inglese di 6 minuti
06:12
from BBC Learning English.
178
372000
1680
dalla BBC Learning English.
06:13
I’m Neil.
179
373680
800
Sono Neil.
06:14
And I’m Sam.
180
374480
1040
E io sono Sam.
06:15
What do shopping with a credit
181
375520
1520
Cosa hanno in comune lo shopping con una carta di credito
06:17
card, finding love through
182
377040
1680
, trovare l'amore attraverso gli
06:18
internet dating and waiting for
183
378720
1920
appuntamenti su Internet e aspettare che
06:20
the traffic lights to change
184
380640
1520
il semaforo cambi
06:22
have in common?
185
382160
1040
?
06:23
Hmmm, they all involve
186
383200
1920
Hmmm, coinvolgono tutti i
06:25
computers?
187
385120
800
06:25
Good guess, Sam! But how
188
385920
1520
computer?
Buona ipotesi, Sam! Ma come
06:27
exactly do those computers work?
189
387440
2400
funzionano esattamente quei computer?
06:29
The answer is that they all use
190
389840
2400
La risposta è che usano tutti
06:32
algorithms – sets of mathematical
191
392240
2480
algoritmi, insiemi di
06:34
instructions which find solutions
192
394720
1920
istruzioni matematiche che trovano soluzioni
06:36
to problems.
193
396640
1120
ai problemi.
06:37
Although they are often hidden,
194
397760
2000
Sebbene siano spesso nascosti, gli
06:39
algorithms are all around us.
195
399760
2080
algoritmi sono ovunque intorno a noi.
06:41
From mobile phone maps to
196
401840
1520
Dalle mappe dei telefoni cellulari alla
06:43
home delivery pizza, they play a
197
403360
2160
consegna a domicilio della pizza, svolgono un
06:45
big part of modern life. And
198
405520
2000
ruolo importante nella vita moderna. E
06:47
they’re the topic of this programme.
199
407520
2080
sono l'argomento di questo programma.
06:49
A simple way to think of algorithms
200
409600
2000
Un modo semplice di pensare agli algoritmi
06:51
is as recipes. To make pancakes
201
411600
2880
è come ricette. Per fare i pancakes
06:54
you mix flour, eggs and milk, then
202
414480
2320
mescolate farina, uova e latte, poi
06:56
melt butter in a frying pan and
203
416800
1920
fate sciogliere il burro in una padella e
06:58
so on. Computers do this in more
204
418720
2080
così via. I computer lo fanno in
07:00
a complicated way by repeating
205
420800
2000
un modo più complicato ripetendo
07:02
mathematical equations over
206
422800
1840
equazioni matematiche più
07:04
and over again.
207
424640
1360
e più volte. Le
07:06
Equations are mathematical
208
426000
1440
equazioni sono
07:07
sentences showing how two
209
427440
1520
frasi matematiche che mostrano come due
07:08
things are equal. They’re similar
210
428960
2160
cose sono uguali. Sono simili
07:11
to algorithms and the most famous
211
431120
2080
agli algoritmi e l'
07:13
scientific equation of all, Einstein's
212
433200
2720
equazione scientifica più famosa di tutte,
07:15
E=MC2, can be thought of as a
213
435920
3520
E=MC2 di Einstein, può essere pensata come un
07:19
three-part algorithm.
214
439440
1920
algoritmo in tre parti.
07:21
But before my brain gets squashed
215
441360
2000
Ma prima che il mio cervello venga schiacciato
07:23
by all this maths, I have a quiz
216
443360
1760
da tutta questa matematica, ho una
07:25
question for you, Sam. As you know,
217
445120
2400
domanda per te, Sam. Come sai, la
07:27
Einstein’s famous equation is
218
447520
1760
famosa equazione di Einstein è
07:29
E=MC2 - but what does the
219
449280
2880
E=MC2 - ma cosa significa la
07:32
‘E’ stand for? Is it:
220
452160
1680
"E"? È:
07:33
a) electricity?
221
453840
1840
a) elettricità?
07:35
b) energy? or
222
455680
1360
b) energia? oppure
07:37
c) everything?
223
457040
1600
c) tutto?
07:38
I’m tempted to say ‘E’ is for
224
458640
1680
Sono tentato di dire che "E" sta per "
07:40
‘everything’ but I reckon I know
225
460320
1760
tutto", ma credo di conoscere
07:42
the answer: b – ‘E’ stands
226
462080
2320
la risposta: b - "E" sta
07:44
for ‘energy’.
227
464400
800
per "energia".
07:45
OK, Sam, we’ll find out if you’re
228
465200
1600
OK, Sam, scopriremo se hai
07:46
right later in the programme.
229
466800
2000
ragione più avanti nel programma.
07:48
With all this talk of computers, you
230
468800
1680
Con tutto questo parlare di computer,
07:50
might think algorithms are a
231
470480
1440
potresti pensare che gli algoritmi siano
07:51
new idea. In fact, they’ve been
232
471920
2320
un'idea nuova. In effetti,
07:54
around since Babylonian times,
233
474240
2080
esistono fin dai tempi dei babilonesi,
07:56
around 4,000 years ago.
234
476320
2000
circa 4000 anni fa.
07:58
And their use today can be
235
478320
1520
E il loro uso oggi può essere
07:59
controversial. Some algorithms
236
479840
2080
controverso. Alcuni algoritmi
08:01
used in internet search engines
237
481920
1760
utilizzati nei motori di ricerca su Internet
08:03
have been accused of
238
483680
1040
sono stati accusati di
08:04
racial prejudice.
239
484720
1440
pregiudizio razziale.
08:06
Ramesh Srinivasan is Professor
240
486160
2000
Ramesh Srinivasan è professore
08:08
of Information Studies at the
241
488160
1600
di studi sull'informazione presso l'
08:09
University of California. Here’s what
242
489760
2400
Università della California. Ecco cosa ha
08:12
he said when asked what the word
243
492160
1760
detto quando gli è stato chiesto cosa
08:13
‘algorithm’ actually means by
244
493920
1760
significa effettivamente la parola "algoritmo" nel
08:15
BBC World Service’s programme,
245
495680
1840
programma della BBC World Service,
08:17
The Forum:
246
497520
1219
The Forum: La
08:20
My understanding of the term
247
500560
2000
mia comprensione del termine "
08:22
‘algorithm’ is that it’s not necessarily
248
502560
1840
algoritmo" è che non è necessariamente
08:24
the bogyman, or its not necessarily
249
504400
2640
l'uomo nero, o non è necessariamente
08:27
something that is, you know, inscrutable
250
507040
2800
qualcosa che è, sai, imperscrutabile
08:29
or mysterious to all people – it’s the
251
509840
2080
o misterioso per tutte le persone - è l'
08:31
set of instructions that you write in
252
511920
3760
insieme di istruzioni che scrivi in
08:35
some mathematical form or in
253
515680
1920
qualche forma matematica o in
08:37
some software code – so it’s the
254
517600
1680
qualche codice software - quindi è l'
08:39
repeated set of instructions that
255
519280
2640
insieme ripetuto di istruzioni che
08:41
are sequenced, that are used and
256
521920
2400
vengono messe in sequenza, che vengono utilizzate e
08:44
applied to answer a question or
257
524320
2080
applicate per rispondere a una domanda o
08:46
resolve a problem – it’s a simple
258
526400
1600
risolvere un problema - è
08:48
as that, actually.
259
528000
1393
così semplice, in realtà.
08:51
Some think that algorithms have
260
531200
1440
Alcuni pensano che gli algoritmi siano
08:52
been controversial, but Professor
261
532640
1760
stati controversi, ma il professor
08:54
Srinivasan says they are not
262
534400
2080
Srinivasan afferma che non sono
08:56
necessarily the bogyman. The
263
536480
2240
necessariamente l'uomo nero. Lo
08:58
bogyman refers to something
264
538720
1520
spauracchio si riferisce a qualcosa che la
09:00
people call ‘bad’ or ‘evil’ to make
265
540240
2800
gente chiama "cattivo" o "cattivo" per
09:03
other people afraid.
266
543040
1520
spaventare le altre persone.
09:04
Professor Srinivasan thinks
267
544560
1840
Il professor Srinivasan pensa che gli
09:06
algorithms are neither evil nor
268
546400
2320
algoritmi non siano né malvagi né
09:08
inscrutable – not showing emotions
269
548720
2640
imperscrutabili, non mostrando emozioni
09:11
or thoughts and therefore very
270
551360
1680
o pensieri e quindi molto
09:13
difficult to understand.
271
553040
1840
difficili da capire.
09:14
Still, it can be difficult to understand
272
554880
1920
Tuttavia, può essere difficile capire
09:16
exactly what algorithms are,
273
556800
1840
esattamente cosa siano gli algoritmi,
09:18
especially when there are many
274
558640
1680
soprattutto quando ne esistono di molti
09:20
different types of them. So, let’s
275
560320
2080
tipi diversi. Quindi,
09:22
take an example.
276
562400
1200
facciamo un esempio.
09:23
It’s autumn and we want to
277
563600
1280
È autunno e vogliamo
09:24
collect all the apples from our
278
564880
1680
raccogliere tutte le mele dal nostro
09:26
orchard and divide them into
279
566560
1360
frutteto e dividerle in
09:27
three groups – big, medium
280
567920
2080
tre gruppi: grandi, medie
09:30
and small. One method is to
281
570000
2000
e piccole. Un metodo consiste nel
09:32
collect all the apples together
282
572000
1760
raccogliere tutte le mele insieme
09:33
and compare their sizes.
283
573760
1840
e confrontarne le dimensioni.
09:35
But doing this would take hours!
284
575600
1680
Ma per farlo ci vorrebbero ore!
09:37
It’s much easier to first collect
285
577280
1840
È molto più semplice raccogliere prima
09:39
the apples from only one tree -
286
579120
2240
le mele da un solo albero -
09:41
divide those into big, medium
287
581360
2080
dividerle in grandi, medie
09:43
or small – and then repeat the
288
583440
2000
o piccole - e poi ripetere il
09:45
process for the other trees,
289
585440
2000
processo per gli altri alberi,
09:47
one by one.
290
587440
1440
uno per uno.
09:48
That’s basically what algorithms
291
588880
1680
Questo è fondamentalmente ciò che
09:50
do – they find the most efficient
292
590560
1840
fanno gli algoritmi: trovano il modo più efficiente
09:52
way to get things done, or in other
293
592400
2080
per fare le cose o, in altre
09:54
words, get the best results in the
294
594480
1760
parole, ottenere i migliori risultati nel
09:56
quickest time.
295
596240
1520
minor tempo possibile. Il
09:57
Mathematics professor Ian
296
597760
1520
professore di matematica Ian
09:59
Stewart agrees. Listen as he
297
599280
2080
Stewart è d'accordo. Ascolta mentre
10:01
explains how the algorithm called
298
601360
2240
spiega come funziona l'algoritmo chiamato
10:03
‘bubble sort’ works to BBC World
299
603600
2480
"bubble sort" per il
10:06
Service’s programme, The Forum:
300
606080
2266
programma della BBC World Service, The Forum:
10:10
Think of when your computer is
301
610080
1440
pensa a quando il tuo computer
10:11
sorting emails by date and maybe
302
611520
2000
ordina le e-mail per data e forse
10:13
you’ve got 500 emails and it sorts
303
613520
1760
hai 500 e-mail e le ordina
10:15
them by date in a flash.
304
615280
1520
per data in un lampo.
10:16
Now it doesn’t use bubble sort,
305
616800
1280
Ora non usa il bubble sort,
10:18
but it does use a sorting method
306
618080
1920
ma usa un metodo di ordinamento
10:20
and if you tried to do that by hand
307
620000
2320
e se provassi a farlo a mano
10:22
it would take you a very long time,
308
622320
1520
ti ci vorrebbe molto tempo,
10:23
whatever method you used.
309
623840
1982
qualunque metodo tu abbia usato. Il
10:27
Professor Stewart describes how
310
627520
1680
professor Stewart descrive come gli
10:29
algorithms sort emails. To sort is a
311
629200
2880
algoritmi ordinano le email. Ordinare è un
10:32
verb meaning to group together
312
632080
1520
verbo che significa raggruppare
10:33
things which share similarities.
313
633600
2080
cose che condividono somiglianze.
10:35
Just like grouping the apples by
314
635680
1760
Proprio come raggruppare le mele per
10:37
size, sorting hundreds of emails
315
637440
2320
dimensione, ordinare centinaia di email
10:39
by hand would take a long time.
316
639760
2320
a mano richiederebbe molto tempo.
10:42
But using algorithms, computers
317
642080
2080
Ma usando gli algoritmi, i computer
10:44
do it in a flash – very quickly or
318
644160
2720
lo fanno in un lampo, molto velocemente o
10:46
suddenly.
319
646880
880
all'improvviso.
10:47
That phrase – in a flash – reminds
320
647760
1840
Quella frase - in un lampo -
10:49
me of how Albert Einstein came up
321
649600
2160
mi ricorda come Albert Einstein ha inventato la
10:51
with his famous equation, E=MC2.
322
651760
4080
sua famosa equazione, E=MC2.
10:55
And that reminds me of your quiz
323
655840
2080
E questo mi ricorda la tua
10:57
question. You asked about the ‘E’
324
657920
2720
domanda del quiz. Hai chiesto della "E"
11:00
in E=MC2. I said it stands for ‘energy’.
325
660640
3840
in E=MC2. Ho detto che sta per "energia".
11:04
So, was I right?
326
664480
1280
Allora, avevo ragione?
11:05
‘Energy’ is the correct answer.
327
665760
2560
"Energia" è la risposta corretta.
11:08
Energy equals ‘M’ for mass,
328
668320
2080
L'energia è uguale a "M" per la massa,
11:10
multiplied by the Constant ‘C’ which
329
670400
2560
moltiplicata per la costante "C" che
11:12
is the speed of light, squared.
330
672960
2480
è la velocità della luce, al quadrato.
11:15
OK, let’s recap the vocabulary from
331
675440
2240
OK, ricapitoliamo il vocabolario di
11:17
this programme, starting with
332
677680
1520
questo programma, iniziando con l'
11:19
equation – a mathematical statement
333
679200
2640
equazione, un'affermazione matematica che
11:21
using symbols to show two
334
681840
2000
utilizza simboli per mostrare due
11:23
equal things.
335
683840
1040
cose uguali.
11:24
If something is called a bogyman,
336
684880
2000
Se qualcosa si chiama spauracchio,
11:26
it’s something considered bad
337
686880
1680
è qualcosa di considerato cattivo
11:28
and to be feared.
338
688560
1200
e da temere. Le
11:29
Inscrutable people don’t show
339
689760
1760
persone imperscrutabili non mostrano le
11:31
their emotions so are very difficult
340
691520
2080
loro emozioni, quindi è molto difficile
11:33
to get to know.
341
693600
1040
conoscerle.
11:34
Efficient means working quickly
342
694640
1680
Efficiente significa lavorare in modo rapido
11:36
and effectively in an
343
696320
1200
ed efficace in
11:37
organised way.
344
697520
1040
modo organizzato.
11:38
The verb to sort means to group
345
698560
2080
Il verbo ordinare significa
11:40
together things which
346
700640
1120
raggruppare cose che
11:41
share similarities.
347
701760
1360
condividono somiglianze.
11:43
And finally, if something happens
348
703120
1840
E infine, se qualcosa accade
11:44
in a flash, it happens quickly
349
704960
2080
in un lampo, accade rapidamente
11:47
or suddenly.
350
707040
960
o all'improvviso.
11:48
That’s all the time we have to
351
708000
1360
Questo è tutto il tempo che abbiamo per
11:49
discuss algorithms. And if
352
709360
1920
discutere di algoritmi. E se
11:51
you’re still not 100% sure about
353
711280
2240
non sei ancora sicuro al 100% di cosa
11:53
exactly what they are, we hope
354
713520
1840
siano esattamente, speriamo
11:55
at least you’ve learned some
355
715360
960
almeno che tu abbia imparato qualche
11:56
useful vocabulary!
356
716320
1200
vocabolario utile!
11:57
Join us again soon for more
357
717520
1360
Unisciti a noi di nuovo presto per altri
11:58
trending topics, sensational
358
718880
1840
argomenti di tendenza,
12:00
science and useful vocabulary
359
720720
2080
scienza sensazionale e vocabolario utile
12:02
here at 6 Minute English from
360
722800
1440
qui a 6 Minute English da
12:04
BBC Learning English.
361
724240
1520
BBC Learning English.
12:05
Bye for now!
362
725760
880
Arrivederci!
12:06
Goodbye!
363
726640
830
Arrivederci!
12:13
Hello. This is 6 Minute English
364
733200
1760
Ciao. Questo è l'inglese di 6 minuti
12:14
from BBC Learning English.
365
734960
1680
dalla BBC Learning English.
12:16
I’m Neil.
366
736640
960
Sono Neil.
12:17
And I’m Sam.
367
737600
1520
E io sono Sam.
12:19
In recent years, many people
368
739120
1520
Negli ultimi anni, molte persone
12:20
have wanted to find out more
369
740640
1600
hanno voluto saperne di più
12:22
about where they come from.
370
742240
1760
sulla loro provenienza.
12:24
Millions have tried to trace
371
744000
1360
Milioni di persone hanno cercato di tracciare
12:25
their family history and discover
372
745360
1920
la storia della loro famiglia e scoprire
12:27
how their ancestors lived
373
747280
1360
come vivevano i loro antenati
12:28
hundreds of years ago.
374
748640
1840
centinaia di anni fa.
12:30
The internet has made it much
375
750480
1680
Internet ha reso molto
12:32
easier to find historical
376
752160
1680
più facile trovare
12:33
documents and records about
377
753840
1760
documenti storici e documenti sulla
12:35
your family history - and one of
378
755600
2000
tua storia familiare - e uno dei
12:37
the most useful documents for
379
757600
1840
documenti più utili per
12:39
doing this is the census.
380
759440
3120
farlo è il censimento.
12:42
A census is an official count of all
381
762560
2480
Un censimento è un conteggio ufficiale di tutte
12:45
the people living in a country.
382
765040
1920
le persone che vivono in un paese.
12:46
It collects information about a
383
766960
1600
Raccoglie informazioni sulla
12:48
country’s population and is usually
384
768560
2160
popolazione di un paese e di solito è
12:50
carried out by the government.
385
770720
2080
svolto dal governo.
12:52
In Britain, a census has been
386
772800
1760
In Gran Bretagna, un censimento viene
12:54
carried out every ten years
387
774560
1840
effettuato ogni dieci anni
12:56
since 1801. In 2002, when
388
776400
4000
dal 1801. Nel 2002, quando i
13:00
census records from a hundred
389
780400
1600
record del censimento di cento
13:02
years before became available
390
782000
2080
anni prima sono diventati disponibili
13:04
online, so many people rushed
391
784080
2320
online, così tante persone si sono precipitate
13:06
to their computers to access
392
786400
1520
sui loro computer per
13:07
them that the website crashed!
393
787920
2640
accedervi che il sito web è andato in crash!
13:10
But before we find out more
394
790560
1600
Ma prima di scoprire di più
13:12
about the census and its related
395
792160
1760
sul censimento e sul relativo
13:13
vocabulary it’s time for a quiz
396
793920
1920
vocabolario, è tempo di una
13:15
question, Sam. Someone who
397
795840
2240
domanda a quiz, Sam. Qualcuno che
13:18
knows a lot about his family
398
798080
1680
sa molto della storia della sua famiglia
13:19
history is British actor, Danny
399
799760
2000
è l'attore britannico Danny
13:21
Dyer. When BBC television
400
801760
2480
Dyer. Quando
13:24
programme, Who Do You
401
804240
1120
il programma televisivo della BBC, Who Do You
13:25
Think You Are? researched
402
805360
1280
Think You Are? ricercato la
13:26
his family history they discovered
403
806640
2240
sua storia familiare hanno scoperto
13:28
that the actor was related to
404
808880
1440
che l'attore era imparentato con
13:30
someone very famous – but
405
810320
2000
qualcuno molto famoso - ma
13:32
who was it?
406
812320
1360
chi era?
13:33
A) King Edward III,
407
813680
2080
A) Re Edoardo 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
Beh, so che Danny Dyer di solito
13:42
plays tough-guy characters so
411
822240
2400
interpreta personaggi duri, quindi
13:44
maybe it’s
412
824640
640
forse è
13:45
C), war hero Winston Churchill?
413
825280
3600
C), l'eroe di guerra Winston Churchill?
13:48
OK, Sam, we’ll find out later if
414
828880
1920
OK, Sam, scopriremo più tardi se
13:50
that’s correct. Now, although
415
830800
2160
è corretto. Ora, sebbene
13:52
the first British census took
416
832960
1520
il primo censimento britannico abbia avuto
13:54
place in 1801, other censuses
417
834480
2560
luogo nel 1801, altri censimenti
13:57
have a much longer history.
418
837040
2480
hanno una storia molto più lunga.
13:59
In fact, the bible story of Mary
419
839520
2080
Infatti, la storia biblica di Maria
14:01
and Joseph travelling to
420
841600
1200
e Giuseppe in viaggio verso
14:02
Bethlehem is linked to a
421
842800
1440
Betlemme è legata a un
14:04
Roman census.
422
844240
2022
censimento romano.
14:06
So, what was the original
423
846262
2298
Quindi, qual era il
14:08
reason for counting people
424
848560
1840
motivo originale per contare le persone
14:10
and what did governments
425
850400
1200
e cosa
14:11
hope to achieve by doing so?
426
851600
2320
speravano di ottenere i governi in questo modo?
14:13
Here’s Dr Kathrin Levitan, author
427
853920
2640
Ecco la dottoressa Kathrin Levitan, autrice
14:16
of a book on the cultural history
428
856560
1760
di un libro sulla storia culturale
14:18
of the census, speaking to
429
858320
1840
del censimento, che parla al
14:20
BBC World Service programme,
430
860160
1760
programma della BBC World Service,
14:21
The Forum:
431
861920
1299
The Forum:
14:24
I think there were probably
432
864480
960
Penso che ci fossero probabilmente
14:25
two most common reasons.
433
865440
2080
due ragioni più comuni.
14:27
One was in order to figure out
434
867520
2000
Uno era per capire
14:29
who could fight in wars, so basically
435
869520
1760
chi poteva combattere nelle guerre, quindi fondamentalmente la
14:31
military conscription and in order
436
871280
2160
coscrizione militare e per
14:33
to find out who could fight in wars
437
873440
1840
scoprire chi poteva combattere nelle guerre i
14:35
ancient governments like the
438
875280
1040
governi antichi come l'
14:36
Roman Empire had to find out how
439
876320
2480
Impero Romano dovevano scoprire
14:38
many men of a certain age there were.
440
878800
2560
quanti uomini di una certa età c'erano.
14:41
And I would say that the other thing
441
881360
1760
E direi che l'altra cosa per
14:43
that censuses were most commonly
442
883120
2080
cui i censimenti erano più comunemente
14:45
used for was for purposes of taxation.
443
885200
2800
usati era ai fini della tassazione.
14:48
According to Kathrin Levitan, ancient
444
888880
2400
Secondo Kathrin Levitan, antichi
14:51
censuses were used to figure out – or
445
891280
2400
censimenti venivano usati per capire, o
14:53
understand, how many men were
446
893680
2000
capire, quanti uomini erano
14:55
available to fight wars.
447
895680
2000
disponibili per combattere le guerre.
14:57
The Roman Empire needed a strong
448
897680
2400
L'impero romano aveva bisogno di un
15:00
army, and this depended on
449
900080
1840
esercito forte, e questo dipendeva dalla
15:01
conscription – forcing people to
450
901920
2560
coscrizione, costringendo le persone a
15:04
become soldiers and join the army.
451
904480
2320
diventare soldati e arruolarsi nell'esercito.
15:06
The other main reason for taking
452
906800
1600
L'altro motivo principale per fare
15:08
a census was taxation – the
453
908400
2080
un censimento era la tassazione: il
15:10
system of taxing people a certain
454
910480
2000
sistema di tassare le persone per una certa
15:12
amount of money to be paid to
455
912480
1600
somma di denaro da pagare
15:14
the government for public services.
456
914080
2640
al governo per i servizi pubblici. I
15:16
Ancient and early modern censuses
457
916720
2240
censimenti antichi e della prima età moderna
15:18
were large and difficult-to-organise
458
918960
2320
erano progetti grandi e difficili da organizzare
15:21
projects. They often involved
459
921280
2160
. Spesso coinvolgevano
15:23
government officials going from
460
923440
1600
funzionari governativi che andavano di
15:25
house to house, asking questions
461
925040
2640
casa in casa, facendo domande
15:27
about the people who lived there.
462
927680
2400
sulle persone che vivevano lì.
15:30
But over time governments’ desire
463
930080
2160
Ma nel tempo il desiderio dei governi
15:32
to know about, and control, its
464
932240
1840
di conoscere e controllare i propri
15:34
citizens gave rise to new
465
934080
1680
cittadini ha dato origine a nuove
15:35
technologies for counting people.
466
935760
2320
tecnologie per contare le persone.
15:38
Here’s statistician and economist
467
938080
2160
Ecco lo statistico ed economista
15:40
Andrew Whitby explaining how
468
940240
1920
Andrew Whitby che spiega come
15:42
this happened in the US to BBC
469
942160
2400
ciò sia accaduto negli Stati Uniti al
15:44
World Service programme,
470
944560
1360
programma della BBC World Service,
15:45
The Forum:
471
945920
2000
The Forum:
15:47
The 1890 census of the United
472
947920
1760
Il censimento degli Stati Uniti del 1890
15:49
States was the first in which some
473
949680
1520
è stato il primo in cui è stato utilizzato un qualche
15:51
kind of electro-mechanical process
474
951200
1760
tipo di processo elettromeccanico
15:52
was used to count people… so
475
952960
1680
per contare le persone... quindi invece
15:54
instead of armies of clerks reading
476
954640
2880
di eserciti di impiegati che leggevano i
15:57
off census schedules and tabulating
477
957520
2480
programmi di censimento e tabulavano
16:00
these things by hand, for the first
478
960000
1520
queste cose a mano, per la prima
16:01
time an individual census record
479
961520
1760
volta un record di censimento individuale
16:03
would be punched onto a card… so
480
963280
2080
veniva punzonato su una scheda... in modo
16:05
that there were holes in this card
481
965360
1520
che ci fossero dei buchi in questa scheda che
16:06
representing different characteristics
482
966880
1280
rappresentavano le diverse caratteristiche
16:08
of the person and then those cards
483
968160
1120
della persona e poi quelle schede
16:09
could be fed through a machine.
484
969280
1985
potevano essere alimentate attraverso una macchina. I
16:12
Old-fashioned censuses were managed
485
972080
2000
censimenti antiquati erano gestiti
16:14
by clerks – office workers whose job
486
974080
2640
da impiegati, impiegati il ​​cui lavoro
16:16
involved keeping records.
487
976720
2160
prevedeva la tenuta di registri.
16:18
Thousands of clerks would record
488
978880
1680
Migliaia di impiegati registrerebbero
16:20
the information gathered in the
489
980560
1520
le informazioni raccolte nel
16:22
census and tabulate it, in other words,
490
982080
3360
censimento e le tabulerebbero, in altre parole,
16:25
show the information in the form of
491
985440
2080
mostrerebbero le informazioni sotto forma di
16:27
a table with rows and columns.
492
987520
3280
una tabella con righe e colonne.
16:30
The US census of 1890 was the first
493
990800
2800
Il censimento statunitense del 1890 è stato il primo
16:33
to use machines, and many censuses
494
993600
2400
a utilizzare le macchine e molti censimenti
16:36
today are electronically updated to
495
996000
2320
odierni vengono aggiornati elettronicamente per
16:38
record new trends and shifts in
496
998320
2000
registrare le nuove tendenze e i cambiamenti nelle
16:40
populations as they happen.
497
1000320
2400
popolazioni man mano che si verificano.
16:42
In fact, so much personal
498
1002720
1920
In effetti, così tante
16:44
information is now freely available
499
1004640
2320
informazioni personali sono ora disponibili gratuitamente
16:46
through social media and the
500
1006960
1280
attraverso i social media e
16:48
internet that some people have
501
1008240
1920
Internet che alcune persone hanno
16:50
questioned the need for having
502
1010160
1760
messo in dubbio la necessità di avere
16:51
a census at all.
503
1011920
1680
un censimento.
16:53
Yes, it isn’t hard to find out about
504
1013600
2080
Sì, non è difficile scoprire
16:55
someone famous, like a TV star.
505
1015680
2640
qualcuno di famoso, come una star della TV.
16:58
Someone like Danny Dyer, you mean?
506
1018320
2400
Qualcuno come Danny Dyer, vuoi dire?
17:00
Right. In my quiz question I asked
507
1020720
2000
Giusto. Nella mia domanda del quiz ho chiesto a
17:02
Sam which historical figure TV
508
1022720
2400
Sam a quale figura storica
17:05
actor, Danny Dyer, was related to.
509
1025120
2720
dell'attore televisivo, Danny Dyer, fosse imparentato.
17:07
And I said it was
510
1027840
1120
E ho detto che era
17:08
C) Winston Churchill. Was I right?
511
1028960
3200
C) Winston Churchill. Avevo ragione?
17:12
It was a good guess, Sam, but
512
1032160
1440
Era una buona supposizione, Sam, ma
17:13
the actual answer was
513
1033600
1120
la vera risposta era
17:14
A) King Edward III. And no-one
514
1034720
2640
A) Re Edoardo III. E nessuno
17:17
was more surprised that he was
515
1037360
1440
era più sorpreso dal fatto che fosse
17:18
related to royalty than the
516
1038800
1600
imparentato con la famiglia reale rispetto allo
17:20
EastEnders actor himself!
517
1040400
2400
stesso attore di EastEnders!
17:22
OK, Neil, let’s recap the
518
1042800
1520
OK, Neil, ricapitoliamo il
17:24
vocabulary from this programme
519
1044320
1760
vocabolario di questo programma
17:26
about the census - the official
520
1046080
2240
sul censimento, il
17:28
counting of a nation’s population.
521
1048320
2480
conteggio ufficiale della popolazione di una nazione.
17:30
To figure something out means
522
1050800
1600
Capire qualcosa significa
17:32
to understand it.
523
1052400
1760
capirlo.
17:34
The Romans used conscription
524
1054160
2000
I romani usavano la coscrizione
17:36
to force men to join the army by law.
525
1056160
2960
per costringere gli uomini ad arruolarsi nell'esercito per legge. La
17:39
Taxation is the government’s
526
1059120
1520
tassazione è il sistema del governo
17:40
system of taxing people to pay
527
1060640
2080
di tassare le persone per pagare i
17:42
for public services.
528
1062720
2000
servizi pubblici.
17:44
A clerk is an office worker whose
529
1064720
2240
Un impiegato è un impiegato il cui
17:46
job involves keeping records.
530
1066960
3120
lavoro prevede la tenuta dei registri.
17:50
And tabulate means show
531
1070080
1680
E tabulare significa mostrare le
17:51
information in the form of a table
532
1071760
1920
informazioni sotto forma di una tabella
17:53
with rows and columns.
533
1073680
2217
con righe e colonne.
17:55
That’s all for our six-minute look
534
1075897
2023
Questo è tutto per il nostro sguardo di sei minuti
17:57
at the census, but if we’ve whetted
535
1077920
1920
al censimento, ma se abbiamo stuzzicato il
17:59
your appetite for more why not
536
1079840
2000
tuo appetito per di più perché non dai
18:01
check out the whole episode – it’s
537
1081840
2080
un'occhiata all'intero episodio: è
18:03
available now on the website of
538
1083920
1920
ora disponibile sul sito web del
18:05
BBC World Service programme,
539
1085840
1760
programma BBC World Service,
18:07
The Forum.
540
1087600
1440
The Forum.
18:09
Bye for now!
541
1089040
1280
Arrivederci!
18:10
Bye bye.
542
1090320
890
Ciao ciao.
18:17
Hello. This is 6 Minute English
543
1097040
1520
Ciao. Questo è l'inglese di 6 minuti
18:18
from BBC Learning English.
544
1098560
1440
dalla BBC Learning English.
18:20
I’m Neil.
545
1100000
720
18:20
And I’m Georgina.
546
1100720
1360
Sono Neil.
E io sono Georgina.
18:22
What do Homer, Ray Charles
547
1102080
1840
Cos'hanno in comune Homer, Ray Charles
18:23
and Jorge Borges all have in
548
1103920
1760
e Jorge Borges
18:25
common, Georgina?
549
1105680
1040
, Georgina?
18:26
Hmm, so that’s the ancient Greek
550
1106720
2400
Hmm, quindi questo è l'antico
18:29
poet, Homer; American singer,
551
1109120
2160
poeta greco, Omero; cantante americano,
18:31
Ray Charles; and Argentine writer,
552
1111280
2400
Ray Charles; e lo scrittore argentino
18:33
Jorge Luis Borges… I can’t see
553
1113680
2480
Jorge Luis Borges... non vedo
18:36
much in common there, Neil.
554
1116160
1440
molto in comune, Neil.
18:37
Well, the answer is that they
555
1117600
1360
Ebbene, la risposta è che
18:38
were all blind.
556
1118960
1280
erano tutti ciechi.
18:40
Ah! But that obviously didn’t hold
557
1120240
1760
Ah! Ma questo ovviamente non
18:42
them back - I mean, they were
558
1122000
1280
li ha trattenuti - voglio dire, sono stati
18:43
some of the greatest artists ever!
559
1123280
2160
alcuni dei più grandi artisti di sempre!
18:45
Right, but I wonder how easy they
560
1125440
1840
Giusto, ma mi chiedo quanto sarebbe facile per loro
18:47
would find it living and working in
561
1127280
1600
vivere e lavorare nel
18:48
the modern world.
562
1128880
1040
mondo moderno. I
18:49
Blind people can use a guide dog
563
1129920
1680
non vedenti possono usare un cane guida
18:51
or a white cane to help them
564
1131600
1280
o un bastone bianco per aiutarli a
18:52
move around.
565
1132880
1040
muoversi.
18:53
Yes, but a white cane is hardly
566
1133920
2000
Sì, ma un bastone bianco non è certo una
18:55
advanced technology! Recently,
567
1135920
2240
tecnologia avanzata! Recentemente sono state inventate
18:58
smartphone apps have been
568
1138160
1440
app per smartphone
18:59
invented which dramatically
569
1139600
1520
che
19:01
improve the lives of blind people
570
1141120
1760
migliorano notevolmente la vita dei non vedenti
19:02
around the world.
571
1142880
1120
in tutto il mondo.
19:04
In this programme on blindness
572
1144000
1600
In questo programma sulla cecità
19:05
in the digital age we’ll be looking
573
1145600
1920
nell'era digitale esamineremo
19:07
at some of these inventions, known
574
1147520
2080
alcune di queste invenzioni, note
19:09
collectively as assistive technology –
575
1149600
3040
collettivamente come tecnologia assistiva,
19:12
that’s any software or equipment
576
1152640
2000
ovvero qualsiasi software o attrezzatura
19:14
that helps people work around their
577
1154640
1920
che aiuta le persone a superare le proprie
19:16
disabilities or challenges.
578
1156560
2080
disabilità o sfide.
19:18
But first it’s time for my quiz
579
1158640
1680
Ma prima è il momento della
19:20
question, Georgina. In 1842 a
580
1160320
2960
domanda del quiz, Georgina. Nel 1842 fu inventata una
19:23
technique of using fingers to feel
581
1163280
2240
tecnica per usare le dita per sentire i
19:25
printed raised dots was invented
582
1165520
2240
punti stampati in rilievo
19:27
which allowed blind people to read.
583
1167760
2080
che consentivano ai non vedenti di leggere.
19:29
But who invented it? Was it:
584
1169840
2000
Ma chi l'ha inventato? Era:
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, ho sentito parlare del codice Morse ma
19:39
that wouldn’t help blind people
589
1179520
1440
questo non aiuterebbe i non vedenti a
19:40
read, so I think it’s, b) Louis Braille.
590
1180960
2880
leggere, quindi penso che sia, b) Louis Braille.
19:43
OK, Georgina, we’ll find out the
591
1183840
1600
OK, Georgina, scopriremo la
19:45
answer at the end of the programme.
592
1185440
2160
risposta alla fine del programma.
19:47
One remarkable feature of the latest
593
1187600
2080
Una caratteristica notevole dell'ultima
19:49
assistive technology is its practicality.
594
1189680
3200
tecnologia assistiva è la sua praticità.
19:52
Smartphone apps like ‘BeMyEyes’
595
1192880
2400
Le app per smartphone come "BeMyEyes"
19:55
allow blind users to find lost keys,
596
1195280
2480
consentono agli utenti non vedenti di trovare le chiavi perse,
19:57
cross busy roads and even colour
597
1197760
2080
attraversare strade trafficate e persino
19:59
match their clothes.
598
1199840
1200
abbinare il colore dei loro vestiti.
20:01
Brian Mwenda is CEO of a Kenyan
599
1201040
2640
Brian Mwenda è l'amministratore delegato di
20:03
company developing this kind of
600
1203680
1760
un'azienda keniota che sviluppa questo tipo di
20:05
technology. Here he explains to
601
1205440
2400
tecnologia. Qui spiega al
20:07
BBC World Service programme,
602
1207840
2000
programma della BBC World Service,
20:09
Digital Planet, how his devices seek
603
1209840
2560
Digital Planet, come i suoi dispositivi cercano
20:12
to enhance, not replace, the
604
1212400
2160
di migliorare, non sostituire, il
20:14
traditional white cane:
605
1214560
1829
tradizionale bastone bianco:
20:16
The device is very compatible with
606
1216880
1840
Il dispositivo è molto compatibile con
20:18
any kind of white cane. So, once you
607
1218720
2000
qualsiasi tipo di bastone bianco. Quindi, una volta
20:20
clip it on to any white cane it
608
1220720
2160
agganciato a qualsiasi bastone bianco,
20:22
works perfectly to detect the
609
1222880
1360
funziona perfettamente per rilevare gli
20:24
obstacles in front of you, and it
610
1224240
1920
ostacoli davanti a te e si
20:26
relies on echo-location. So,
611
1226160
2080
basa sulla localizzazione dell'eco. Quindi, l'
20:28
echo-location is the same technology
612
1228240
1840
ecolocalizzazione è la stessa tecnologia
20:30
used by bats and dolphins to detect
613
1230080
3520
utilizzata da pipistrelli e delfini per rilevare
20:33
prey and obstacles and all that. You
614
1233600
2560
prede, ostacoli e tutto il resto.
20:36
send out a sound pulse and then
615
1236160
1840
Emetti un impulso sonoro e poi,
20:38
once it bounces off an obstacle, you
616
1238000
2000
una volta che rimbalza su un ostacolo,
20:40
can tell how far the obstacle is.
617
1240000
2320
puoi dire quanto è lontano l'ostacolo.
20:42
When attached to a white cane, the
618
1242320
1840
Quando è attaccato a un bastone bianco, il
20:44
digital device - called ‘Sixth Sense’ -
619
1244160
2560
dispositivo digitale, chiamato "Sesto Senso",
20:46
can detect obstacles – objects which
620
1246720
2640
è in grado di rilevare gli ostacoli, oggetti che ti
20:49
block your way, making it difficult for
621
1249360
2160
bloccano la strada, rendendoti difficile
20:51
you to move forward.
622
1251520
1360
andare avanti.
20:52
‘Sixth Sense’ works using echo-location,
623
1252880
3040
'Sixth Sense' funziona utilizzando l'eco-localizzazione,
20:55
a kind of ultrasound like that used by
624
1255920
2640
una sorta di ultrasuono come quello usato dai
20:58
bats who send out sound waves
625
1258560
2000
pipistrelli che emettono onde sonore
21:00
which bounce off surrounding objects.
626
1260560
2560
che rimbalzano sugli oggetti circostanti.
21:03
The returning echoes show where these
627
1263120
2320
Gli echi di ritorno mostrano dove
21:05
objects are located.
628
1265440
1840
si trovano questi oggetti.
21:07
Some of the assistive apps are so
629
1267280
1840
Alcune delle app assistive sono così
21:09
smart they can even tell what kind of
630
1269120
2000
intelligenti che possono persino dire che tipo di
21:11
object is coming up ahead – be it a
631
1271120
2240
oggetto si sta avvicinando, che si tratti di un
21:13
friend, a shop door or a speeding car.
632
1273360
3040
amico, della porta di un negozio o di un'auto in corsa.
21:16
I guess being able to move around
633
1276400
1600
Immagino che essere in grado di muoversi con
21:18
confidently really boosts people’s
634
1278000
2000
sicurezza aumenti davvero l'indipendenza delle persone
21:20
independence.
635
1280000
1200
.
21:21
Absolutely. And it’s challenging
636
1281200
1760
Assolutamente. Ed è
21:22
stereotypes around blindness too.
637
1282960
2480
anche una sfida agli stereotipi sulla cecità.
21:25
Blogger, Fern Lulham, who is blind
638
1285440
2160
La blogger Fern Lulham, lei
21:27
herself, uses assistive apps every day.
639
1287600
3280
stessa cieca, utilizza app assistive ogni giorno.
21:30
Here she is talking to
640
1290880
1120
Qui sta parlando con
21:32
BBC World Service’s, Digital Planet:
641
1292000
2979
Digital Planet della BBC World Service:
21:35
I think the more that society sees
642
1295680
2160
Penso che più la società vede i
21:37
blind people in the community, at work,
643
1297840
2640
ciechi nella comunità, al lavoro,
21:40
in relationships it does help to tackle
644
1300480
2800
nelle relazioni, aiuta ad affrontare
21:43
all of these stereotypes, it helps
645
1303280
1440
tutti questi stereotipi, aiuta le
21:44
people to see blind and
646
1304720
1600
persone a vedere i non vedenti e gli
21:46
visually-impaired people in a whole
647
1306320
1200
ipovedenti persone in un
21:47
new way and it just normalises
648
1307520
2240
modo completamente nuovo e normalizza semplicemente la
21:49
disability – that’s what we need, we
649
1309760
1520
disabilità - questo è ciò di cui abbiamo bisogno, abbiamo
21:51
need to see people just getting on
650
1311280
1840
bisogno di vedere le persone semplicemente andare avanti
21:53
with their life and doing it and then
651
1313120
1600
con la loro vita e farlo e poi
21:54
people won’t see it as such a big
652
1314720
1760
le persone non lo vedranno più come un grosso
21:56
deal anymore, it’ll just be the ordinary.
653
1316480
2979
problema, sarà solo essere l'ordinario.
22:00
Fern distinguishes between people
654
1320320
1680
Fern distingue tra persone
22:02
who are blind, or unable to see, and
655
1322000
2480
non vedenti o incapaci di vedere e
22:04
those who are visually impaired –
656
1324480
2080
coloro che sono ipovedenti -
22:06
experience a decreased ability to see.
657
1326560
3120
sperimentano una ridotta capacità di vedere. La
22:09
Assistive tech helps blind people
658
1329680
2080
tecnologia assistiva aiuta i non vedenti a
22:11
lead normal, independent lives within
659
1331760
2400
condurre una vita normale e indipendente all'interno delle
22:14
their local communities. Fern hopes
660
1334160
2640
loro comunità locali. Fern spera
22:16
that this will help normalise disability –
661
1336800
2640
che questo aiuti a normalizzare la disabilità -
22:19
treat something as normal which has
662
1339440
2000
trattare come normale qualcosa che
22:21
not been accepted as normal before…
663
1341440
2480
non è stato accettato come normale prima...
22:23
…so being blind doesn’t have to be a
664
1343920
2160
... quindi essere ciechi non deve essere un
22:26
big deal – an informal way to say
665
1346080
2240
grosso problema - un modo informale per dire
22:28
something is not a serious problem.
666
1348320
2800
qualcosa non è un problema serio.
22:31
Just keep your eyes closed for a
667
1351120
1280
Tieni gli occhi chiusi per un
22:32
minute and try moving around the
668
1352400
1440
minuto e prova a muoverti per la
22:33
room. You’ll soon see how difficult
669
1353840
2320
stanza. Vedrai presto quanto
22:36
it is… and how life changing this
670
1356160
1680
è difficile... e come può cambiare la vita questa
22:37
technology can be.
671
1357840
1600
tecnologia.
22:39
Being able to read books must also
672
1359440
2240
Essere in grado di leggere libri deve anche
22:41
open up a world of imagination.
673
1361680
2320
aprire un mondo di immaginazione.
22:44
So what was the answer to your
674
1364000
1280
Allora, qual è stata la risposta alla tua
22:45
quiz question, Neil?
675
1365280
1600
domanda del quiz, Neil?
22:46
Ah yes. I asked Georgina who
676
1366880
1600
Ah sì. Ho chiesto a Georgina chi ha
22:48
invented the system of reading
677
1368480
1760
inventato il sistema di lettura
22:50
where fingertips are used to feel
678
1370240
1840
in cui la punta delle dita viene usata per sentire
22:52
patterns of printed raised dots.
679
1372080
2160
motivi di punti stampati in rilievo.
22:54
What did you say, Georgina?
680
1374240
1600
Che cosa hai detto, Georgina? Ho
22:55
I thought it was, b) Louis Braille.
681
1375840
2880
pensato che fosse, b) Louis Braille.
22:58
Which was…of course the correct
682
1378720
1600
Che era... ovviamente la
23:00
answer! Well done, Georgina – Louise
683
1380320
2560
risposta corretta! Ben fatto, Georgina – Louise
23:02
Braille the inventor of a reading
684
1382880
1600
Braille l'inventore di un
23:04
system which is known worldwide
685
1384480
1760
sistema di lettura conosciuto in tutto il mondo
23:06
simply as braille.
686
1386240
1680
semplicemente come braille.
23:07
I suppose braille is an early example
687
1387920
2160
Suppongo che il braille sia un primo esempio
23:10
of assistive technology – systems
688
1390080
2480
di tecnologia assistiva: sistemi
23:12
and equipment that assist people
689
1392560
1600
e apparecchiature che aiutano le persone
23:14
with disabilities to perform everyday
690
1394160
2160
con disabilità a svolgere le
23:16
functions. Let’s recap the rest of
691
1396320
2400
funzioni quotidiane. Ricapitoliamo il resto del
23:18
the vocabulary, Neil.
692
1398720
1760
vocabolario, Neil.
23:20
OK. An obstacle is an object that
693
1400480
2240
OK. Un ostacolo è un oggetto che
23:22
is in your way and blocks your
694
1402720
2000
si trova sulla tua strada e blocca i tuoi
23:24
movement.
695
1404720
1120
movimenti.
23:25
Some assisted technology works
696
1405840
1680
Alcune tecnologie assistite funzionano
23:27
using echo-location – a system of
697
1407520
2560
utilizzando l'eco-localizzazione, un sistema di
23:30
ultrasound detection used by bats.
698
1410080
3120
rilevamento a ultrasuoni utilizzato dai pipistrelli.
23:33
Being blind is different from being
699
1413200
1760
Essere ciechi è diverso dall'essere
23:34
visually impaired - having a
700
1414960
1840
ipovedenti: avere una
23:36
decreased ability to see, whether
701
1416800
1920
ridotta capacità di vedere,
23:38
disabling or not.
702
1418720
1626
disabilitante o meno.
23:40
And finally, the hope is that
703
1420346
1654
E infine, la speranza è che le
23:42
assistive phone apps can help
704
1422000
1760
app telefoniche assistive possano aiutare a
23:43
normalise disability – change the
705
1423760
2160
normalizzare la disabilità - cambiare la
23:45
perception of something into
706
1425920
1440
percezione di qualcosa in modo che
23:47
being accepted as normal…
707
1427360
2080
venga accettata come normale...
23:49
..so that disability is no longer a
708
1429440
2080
..in modo che la disabilità non sia più un
23:51
big deal – not a big problem.
709
1431520
2240
grosso problema - non un grosso problema.
23:53
That’s all for this programme but
710
1433760
1360
Questo è tutto per questo programma, ma
23:55
join us again soon at 6 Minute English…
711
1435120
2800
unisciti di nuovo presto a 6 Minute English...
23:57
…and remember you can find many
712
1437920
1360
...e ricorda che puoi trovare molti
23:59
more 6 Minute topics and useful
713
1439280
1920
altri argomenti di 6 Minute e
24:01
vocabulary archived on
714
1441200
1440
vocabolario utile archiviati su
24:02
bbclearningenglish.com.
715
1442640
2240
bbclearningenglish.com.
24:04
Don’t forget we also have an app
716
1444880
1680
Non dimenticare che abbiamo anche un'app che
24:06
you can download for free from
717
1446560
1600
puoi scaricare gratuitamente
24:08
the app stores. And of course we
718
1448160
2160
dagli app store. E ovviamente
24:10
are all over social media, so come
719
1450320
2240
siamo dappertutto sui social media, quindi vieni a
24:12
on over and say hi.
720
1452560
1360
salutarci.
24:13
Bye for now!
721
1453920
800
Arrivederci!
24:14
Bye!
722
1454720
830
Ciao!
24:21
Welcome to 6 Minute English, where
723
1461280
1520
Benvenuto in 6 Minute English, dove
24:22
we bring you an intelligent topic
724
1462800
1600
ti presentiamo un argomento intelligente
24:24
and six related items of vocabulary.
725
1464400
2480
e sei voci di vocabolario correlate.
24:26
I’m Neil.
726
1466880
640
Sono Neil.
24:27
And I’m Tim. And today we’re talking
727
1467520
2560
E io sono Tim. E oggi parliamo
24:30
about AI – or Artificial Intelligence.
728
1470080
3840
di AI – o Intelligenza Artificiale. L'
24:33
Artificial Intelligence is the ability of
729
1473920
2480
intelligenza artificiale è la capacità delle
24:36
machines to copy human intelligent
730
1476400
2560
macchine di copiare il comportamento intelligente umano
24:38
behaviour – for example, an
731
1478960
1920
: ad esempio, una
24:40
intelligent machine can learn
732
1480880
1440
macchina intelligente può imparare
24:42
from its own mistakes, and make
733
1482320
1600
dai propri errori e prendere
24:43
decisions based on what’s happened
734
1483920
2000
decisioni in base a ciò che è accaduto
24:45
in the past.
735
1485920
880
in passato.
24:46
There’s a lot of talk about AI these
736
1486800
2000
Si parla molto di intelligenza artificiale in questi
24:48
days, Neil, but it’s still just science
737
1488800
2160
giorni, Neil, ma è ancora solo
24:50
fiction, isn’t it?
738
1490960
1360
fantascienza, no?
24:52
That’s not true – AI is everywhere.
739
1492320
2640
Non è vero: l'intelligenza artificiale è ovunque. Il
24:54
Machine thinking is in our homes,
740
1494960
2160
pensiero meccanico è nelle nostre case,
24:57
offices, schools and hospitals.
741
1497120
2480
uffici, scuole e ospedali. Gli
24:59
Computer algorithms are helping
742
1499600
1680
algoritmi informatici ci stanno aiutando a
25:01
us drive our cars. They’re diagnosing
743
1501280
2560
guidare le nostre auto. Stanno diagnosticando
25:03
what’s wrong with us in hospitals.
744
1503840
2160
cosa c'è che non va in noi negli ospedali.
25:06
They’re marking student essays…
745
1506000
1840
Stanno segnando i saggi degli studenti...
25:07
They’re telling us what to read on
746
1507840
1520
Ci dicono cosa leggere sui
25:09
our smartphones…
747
1509360
960
nostri smartphone...
25:10
Well, that really does sound like
748
1510320
1680
Beh, sembra davvero
25:12
science fiction – but it’s
749
1512000
1760
fantascienza, ma sta
25:13
happening already, you say, Neil?
750
1513760
1840
già accadendo, dici, Neil?
25:15
It’s definitely happening, Tim.
751
1515600
2245
Sta sicuramente accadendo, Tim.
25:17
And an algorithm, by the way, is
752
1517845
1435
E un algoritmo, a proposito, è
25:19
a set of steps a computer follows
753
1519280
2320
un insieme di passaggi che un computer segue
25:21
in order to solve a problem.
754
1521600
1680
per risolvere un problema.
25:23
So can you tell me what was the
755
1523280
2080
Allora, puoi dirmi qual era il
25:25
name of the computer which
756
1525360
1920
nome del computer che nel 1997
25:27
famously beat world chess
757
1527280
1600
batté notoriamente il campione del mondo di scacchi
25:28
champion Garry Kasparov
758
1528880
1600
Garry Kasparov
25:30
using algorithms in 1997?
759
1530480
2800
usando gli algoritmi?
25:33
Was it…
760
1533280
400
25:33
a) Hal, b) Alpha 60,
761
1533680
3120
Era...
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
Dirò Deep Blue.
25:41
Although I’m just guessing.
764
1541440
1200
Anche se sto solo indovinando.
25:42
Was it an educated guess, Tim?
765
1542640
1920
Era un'ipotesi plausibile, Tim?
25:44
I know a bit about chess…
766
1544560
1520
Conosco un po' gli scacchi...
25:46
An educated guess is based
767
1546080
1920
Un'ipotesi plausibile si basa
25:48
on knowledge and experience
768
1548000
1600
sulla conoscenza e sull'esperienza
25:49
and is therefore likely to be correct.
769
1549600
2080
ed è quindi probabile che sia corretta.
25:51
Well, we’ll find out later on how
770
1551680
1760
Bene, scopriremo in seguito quanto
25:53
educated your guess was in
771
1553440
1440
fosse plausibile la tua ipotesi in
25:54
this case, Tim!
772
1554880
880
questo caso, Tim!
25:55
Indeed. But getting back to AI
773
1555760
2400
Infatti. Ma tornando all'intelligenza artificiale
25:58
and what machines can do – are
774
1558160
2480
e a cosa possono fare le macchine, sono in
26:00
they any good at solving real-life
775
1560640
2720
grado di risolvere i problemi della vita reale
26:03
problems? Computers think in zeros
776
1563360
2640
? I computer pensano in zeri
26:06
and ones don’t they? That sounds
777
1566000
1760
e uno, no? Sembra
26:07
like a pretty limited language when
778
1567760
1600
un linguaggio piuttosto limitato quando si
26:09
it comes to life experience!
779
1569360
1760
tratta di esperienza di vita!
26:11
You would be surprised to what
780
1571120
1520
Saresti sorpreso di cosa
26:12
those zeroes and ones can do, Tim.
781
1572640
2240
possono fare quegli zero e uno, Tim.
26:14
Although you’re right that AI does
782
1574880
1920
Anche se hai ragione sul fatto che l'IA
26:16
have its limitations at the moment.
783
1576800
1920
ha i suoi limiti al momento.
26:18
And if something has limitations
784
1578720
1760
E se qualcosa ha dei limiti,
26:20
there’s a limit on what it can do or
785
1580480
1920
c'è un limite a ciò che può fare o
26:22
how good it can be.
786
1582400
1280
quanto può essere buono.
26:23
OK – well now might be a good time
787
1583680
2640
OK, ora potrebbe essere un buon momento
26:26
to listen to Zoubin Bharhramani,
788
1586320
2160
per ascoltare Zoubin Bharhramani,
26:28
Professor of Information Engineering
789
1588480
1920
professore di ingegneria dell'informazione
26:30
at the University of Cambridge and
790
1590400
2240
all'Università di Cambridge e
26:32
deputy director of the Leverhulme Centre
791
1592640
2880
vicedirettore del Leverhulme Center
26:35
for the Future of Intelligence.
792
1595520
2000
for the Future of Intelligence.
26:37
He’s talking about what limitations
793
1597520
2240
Sta parlando dei limiti che l'
26:39
AI has at the moment.
794
1599760
2240
IA ha al momento. Penso che
26:43
I think it’s very interesting how many
795
1603280
2880
sia molto interessante quante
26:46
of the things that we take for granted –
796
1606160
2160
delle cose che diamo per scontate -
26:48
we humans take for granted – as being
797
1608320
2000
noi umani diamo per scontate - come
26:50
sort of things we don’t even think about
798
1610320
1600
cose a cui non pensiamo nemmeno
26:51
like how do we walk, how do we reach,
799
1611920
2320
come camminiamo, come raggiungiamo,
26:54
how do we recognize our mother. You
800
1614240
3120
come riconosciamo il nostro madre.
26:57
know, all these things. When you start
801
1617360
2480
Sai, tutte queste cose. Quando inizi
26:59
to think how to implement them on a
802
1619840
1840
a pensare a come implementarli su un
27:01
computer, you realize that it’s those
803
1621680
3120
computer, ti rendi conto che sono quelle
27:04
things that are incredibly difficult to get
804
1624800
4400
cose che sono incredibilmente difficili da far
27:09
computers to do, and that’s where the
805
1629200
2960
fare ai computer, ed è qui che
27:12
current cutting edge of research is.
806
1632160
2899
si trova l'attuale avanguardia della ricerca.
27:16
If we take something for granted we
807
1636320
1440
Se diamo qualcosa per scontato
27:17
don’t realise how important something is.
808
1637760
2400
non ci rendiamo conto di quanto sia importante qualcosa.
27:20
You sometimes take me for granted, I
809
1640160
2080
A volte mi dai per scontato,
27:22
think, Neil.
810
1642240
1200
penso, Neil.
27:23
No – I never take you for granted, Tim!
811
1643440
1920
No, non ti do mai per scontato, Tim!
27:25
You’re far too important for that!
812
1645360
2320
Sei troppo importante per questo!
27:27
Good to hear! So things we take for
813
1647680
2800
Buono a sapersi! Quindi le cose che diamo per
27:30
granted are doing every day tasks like
814
1650480
3280
scontate sono svolgere attività quotidiane come
27:33
walking, picking something up, or
815
1653760
2160
camminare, raccogliere qualcosa o
27:35
recognizing somebody. We implement –
816
1655920
3040
riconoscere qualcuno. Implementiamo -
27:38
or perform – these things without
817
1658960
2240
o eseguiamo - queste cose senza
27:41
thinking – Whereas it’s cutting edge
818
1661200
2640
pensare - Mentre è una
27:43
research to try and program a
819
1663840
1760
ricerca all'avanguardia provare a programmare una
27:45
machine to do them.
820
1665600
1200
macchina per farle.
27:46
Cutting edge means very new and
821
1666800
2000
All'avanguardia significa molto nuovo e
27:48
advanced. It’s interesting isn't it, that
822
1668800
2000
avanzato. È interessante, non è vero, che
27:50
over ten years ago a computer beat
823
1670800
2160
più di dieci anni fa un computer abbia battuto
27:52
a chess grand master – but the
824
1672960
1680
un grande maestro di scacchi, ma lo
27:54
same computer would find it incredibly
825
1674640
2240
stesso computer avrebbe trovato incredibilmente
27:56
difficult to pick up a chess piece.
826
1676880
2000
difficile prendere un pezzo degli scacchi. Lo
27:58
I know. It’s very strange. But now
827
1678880
2400
so. È molto strano. Ma ora
28:01
you’ve reminded me that we need
828
1681280
1520
mi hai ricordato che abbiamo bisogno
28:02
the answer to today’s question.
829
1682800
2080
della risposta alla domanda di oggi.
28:04
Which was: What was the name
830
1684880
1840
Che era: qual era il nome
28:06
of the computer which famously
831
1686720
1600
del computer che ha notoriamente
28:08
beat world chess champion
832
1688320
1760
battuto il campione del mondo di scacchi
28:10
Garry Kasparov in 1997? Now, you
833
1690080
2800
Garry Kasparov nel 1997? Ora, hai
28:12
said Deep Blue, Tim, and … that was
834
1692880
2400
detto Deep Blue, Tim, e... quella era
28:15
the right answer!
835
1695280
1200
la risposta giusta!
28:16
You see, my educated guess was
836
1696480
2320
Vedi, la mia supposizione plausibile era
28:18
based on knowledge and experience!
837
1698800
2160
basata sulla conoscenza e sull'esperienza!
28:20
Or maybe you were just lucky. So, the
838
1700960
3680
O forse sei stato solo fortunato. Quindi, il
28:24
IBM supercomputer Deep Blue played
839
1704640
2320
supercomputer IBM Deep Blue ha giocato
28:26
against US world chess champion
840
1706960
2000
contro il campione del mondo di scacchi statunitense
28:28
Garry Kasparov in two chess matches.
841
1708960
2400
Garry Kasparov in due partite di scacchi.
28:31
The first match was played in
842
1711360
1360
La prima partita fu giocata a
28:32
Philadelphia in 1996 and was
843
1712720
2080
Filadelfia nel 1996 e fu
28:34
won by Kasparov. The second was
844
1714800
2080
vinta da Kasparov. Il secondo è stato
28:36
played in New York City in 1997
845
1716880
2320
giocato a New York City nel 1997
28:39
and won by Deep Blue. The 1997
846
1719200
3120
e vinto da Deep Blue. La
28:42
match was the first defeat of a
847
1722320
1600
partita del 1997 è stata la prima sconfitta di un
28:43
reigning world chess champion
848
1723920
1600
campione del mondo di scacchi in carica da
28:45
by a computer under
849
1725520
1360
parte di un computer in
28:46
tournament conditions.
850
1726880
1680
condizioni di torneo.
28:48
Let’s go through the words we
851
1728560
1520
Esaminiamo le parole che abbiamo
28:50
learned today. First up was
852
1730080
2320
imparato oggi. Il primo è stato
28:52
‘artificial intelligence’ or AI – the
853
1732400
3200
"l'intelligenza artificiale" o IA, la
28:55
ability of machines to copy human
854
1735600
2400
capacità delle macchine di copiare il
28:58
intelligent behaviour.
855
1738000
1200
comportamento intelligente umano.
28:59
“There are AI programs that can
856
1739200
1840
"Esistono programmi di intelligenza artificiale in grado di
29:01
write poetry.”
857
1741040
1280
scrivere poesie".
29:02
Do you have any examples you
858
1742320
1600
Hai qualche esempio
29:03
can recite?
859
1743920
1040
da recitare?
29:04
Afraid I don’t! Number two – an
860
1744960
2080
Temo di no! Numero due: un
29:07
algorithm is a set of steps a
861
1747040
1840
algoritmo è un insieme di passaggi che un
29:08
computer follows in order to
862
1748880
1520
computer segue per
29:10
solve a problem. For example,
863
1750400
1760
risolvere un problema. Ad esempio,
29:12
“Google changes its search
864
1752160
1680
"Google cambia il suo
29:13
algorithm hundreds of times
865
1753840
1760
algoritmo di ricerca centinaia di volte
29:15
every year.”
866
1755600
880
all'anno".
29:16
The adjective is algorithmic – for
867
1756480
2560
L'aggettivo è algoritmico, ad
29:19
example, “Google has made many
868
1759040
2240
esempio "Google ha apportato molte
29:21
algorithmic changes.”
869
1761280
1760
modifiche algoritmiche".
29:23
Number three – if something has
870
1763040
2000
Numero tre: se qualcosa ha dei
29:25
‘limitations’ – there’s a limit on
871
1765040
1680
"limiti", c'è un limite a
29:26
what it can do or how good it
872
1766720
1520
ciò che può fare o quanto
29:28
can be. “Our show has certain
873
1768240
2400
può essere buono. "Il nostro spettacolo ha alcune
29:30
limitations – for example, it’s only
874
1770640
2320
limitazioni, ad esempio
29:32
six minutes long!”
875
1772960
1040
dura solo sei minuti!"
29:34
That’s right – there’s only time to
876
1774000
1760
Esatto: c'è solo il tempo per
29:35
present six vocabulary items.
877
1775760
2400
presentare sei voci di vocabolario.
29:38
Short but sweet!
878
1778160
1120
Breve ma dolce!
29:39
And very intelligent, too. OK, the
879
1779280
2640
E anche molto intelligente. OK, l'
29:41
next item is ‘take something for
880
1781920
1760
elemento successivo è "dare qualcosa per
29:43
granted’ – which is when we don’t
881
1783680
1760
scontato", ovvero quando non ci rendiamo
29:45
realise how important something is.
882
1785440
1920
conto di quanto sia importante qualcosa.
29:47
“We take our smart phones for granted
883
1787360
2160
"Oggi diamo per scontati i nostri smartphone
29:49
these days – but before 1995 hardly
884
1789520
3200
, ma prima del 1995 quasi
29:52
anyone owned one.”
885
1792720
1520
nessuno ne possedeva uno".
29:54
Number five – ‘to implement’ – means
886
1794240
2480
Numero cinque - "implementare" - significa
29:56
to perform a task, or take action.
887
1796720
2080
eseguire un'attività o agire.
29:58
“Neil implemented some changes
888
1798800
1760
"Neil ha implementato alcune modifiche
30:00
to the show.”
889
1800560
880
allo spettacolo."
30:01
The final item is ‘cutting edge’ – new
890
1801440
2480
L'elemento finale è "all'avanguardia" - nuovo
30:03
and advanced – “This software is
891
1803920
2000
e avanzato - "Questo software è
30:05
cutting edge.”
892
1805920
880
all'avanguardia".
30:06
“The software uses cutting edge
893
1806800
2000
"Il software utilizza una
30:08
technology.”
894
1808800
1280
tecnologia all'avanguardia."
30:10
OK – that’s all we have time for on
895
1810080
1840
OK, questo è tutto ciò per cui abbiamo tempo per lo
30:11
today’s cutting edge show. But please
896
1811920
2640
spettacolo all'avanguardia di oggi. Ma dai
30:14
check out our Instagram, Twitter,
897
1814560
1840
un'occhiata alle nostre pagine Instagram, Twitter,
30:16
Facebook and YouTube pages.
898
1816400
1840
Facebook e YouTube.
30:18
Bye-bye!
899
1818240
560
30:18
Goodbye!
900
1818800
903
Ciao ciao!
Arrivederci!
A proposito di questo sito web

Questo sito vi presenterà i video di YouTube utili per l'apprendimento dell'inglese. Vedrete lezioni di inglese tenute da insegnanti di alto livello provenienti da tutto il mondo. Fate doppio clic sui sottotitoli in inglese visualizzati su ogni pagina video per riprodurre il video da lì. I sottotitoli scorrono in sincronia con la riproduzione del video. Se avete commenti o richieste, contattateci tramite questo modulo di contatto.

https://forms.gle/WvT1wiN1qDtmnspy7