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

151,943 views ・ 2022-10-16

BBC Learning English


Proszę kliknąć dwukrotnie na poniższe angielskie napisy, aby odtworzyć film. Przetłumaczone napisy są tłumaczone maszynowo.

00:05
Hello. This is 6 Minute English
0
5920
1760
Cześć. To jest 6-minutowy angielski
00:07
from BBC Learning English.
1
7680
1440
z BBC Learning English.
00:09
I’m Sam.
2
9120
720
00:09
And I’m Neil.
3
9840
880
Jestem Sam.
A ja jestem Neilem.
00:10
On Saturday mornings I love going
4
10720
2000
W sobotnie poranki uwielbiam
00:12
to watch football in the park.
5
12720
1920
oglądać piłkę nożną w parku.
00:14
The problem is when it’s cold and
6
14640
1760
Problem pojawia się, gdy jest zimno i
00:16
rainy - I look out the bedroom window
7
16400
2160
deszczowo – wyglądam przez okno sypialni
00:18
and go straight back to bed!
8
18560
1760
i od razu wracam do łóżka!
00:20
Well, instead of going to the park, why
9
20320
2000
Cóż, zamiast iść do parku, dlaczego
00:22
not bring the park to you? Imagine
10
22320
2400
nie zabrać parku do siebie? Wyobraź sobie
00:24
watching a live version of the
11
24720
1760
oglądanie
00:26
football match at home in the warm,
12
26480
1760
meczu piłki nożnej na żywo w domu w cieple,
00:28
with friends. Sound good, Sam?
13
28240
2240
z przyjaciółmi. Brzmi nieźle, Samie?
00:30
Sounds great! – but how can I be in
14
30480
2160
Brzmi wspaniale! – ale jak mogę być w
00:32
two places at once? Is there some
15
32640
2000
dwóch miejscach na raz? Czy jest
00:34
amazing invention to do that?
16
34640
1840
na to jakiś niesamowity wynalazek?
00:36
There might be, Sam - and it could
17
36480
1600
Może tak być, Sam – i może to
00:38
be happening sooner than you think,
18
38080
2080
nastąpić wcześniej, niż myślisz,
00:40
thanks to developments in VR, or
19
40160
2320
dzięki rozwojowi VR lub
00:42
virtual reality. According to Facebook
20
42480
2000
wirtualnej rzeczywistości. Według
00:44
boss, Mark Zuckerberg, in the future
21
44480
2240
szefa Facebooka, Marka Zuckerberga, w przyszłości
00:46
we’ll all spend much of our time
22
46720
1840
wszyscy będziemy spędzać większość czasu
00:48
living and working in the ‘metaverse’ – a
23
48560
2880
żyjąc i pracując w „metaverse” –
00:51
series of virtual worlds.
24
51440
2400
serii wirtualnych światów.
00:53
Virtual reality is a topic we’ve discussed
25
53840
2480
Rzeczywistość wirtualna to temat, który omawialiśmy już
00:56
before at 6 Minute English. But when
26
56320
2720
wcześniej w 6 Minute English. Ale kiedy
00:59
Facebook announced that it was
27
59040
1280
Facebook ogłosił, że
01:00
hiring ten thousand new workers
28
60320
2000
zatrudnia dziesięć tysięcy nowych pracowników
01:02
to develop VR for the ‘metaverse’, we
29
62320
2720
do tworzenia VR dla „metawersum”,
01:05
thought it was time for another look.
30
65040
1760
pomyśleliśmy, że nadszedł czas na inne spojrzenie.
01:06
Is this programme, we’ll be hearing two
31
66800
1760
Czy to ten program, usłyszymy dwie
01:08
different opinions on the ‘metaverse’
32
68560
1760
różne opinie na temat „metawszechświata”
01:10
and how it might shape the future.
33
70320
2000
i tego, jak może on kształtować przyszłość.
01:12
But first I have a question for you, Neil.
34
72320
3040
Ale najpierw mam do ciebie pytanie, Neil.
01:15
According to a 2021 survey by
35
75360
2480
Według ankiety przeprowadzonej w 2021 r. przez
01:17
gaming company, Thrive Analytics, what
36
77840
2880
firmę zajmującą się grami, Thrive Analytics, jaki
01:20
percentage of people who try virtual
37
80720
2240
procent osób, które raz spróbowały wirtualnej
01:22
reality once want to try it again? Is it:
38
82960
3920
rzeczywistości, chce spróbować ponownie? Czy to jest:
01:26
a) 9 percent?
39
86880
1920
a) 9 procent?
01:28
b) 49 percent? or,
40
88800
2240
b) 49 procent? lub
01:31
c) 79 percent?
41
91040
2160
c) 79 procent?
01:33
I guess with VR you either love it
42
93200
1840
Domyślam się, że VR albo to kochasz,
01:35
or hate it, so I’ll say b) 49 percent of
43
95040
3120
albo nienawidzisz, więc powiem b) 49 procent
01:38
people want to try it again.
44
98160
1840
ludzi chce spróbować ponownie.
01:40
OK, I’ll reveal the correct answer
45
100000
1840
OK, poprawną odpowiedź ujawnię
01:41
later in the programme. But what
46
101840
1760
w dalszej części programu. Ale to, co
01:43
Neil said is true: people tend to either
47
103600
2400
powiedział Neil, jest prawdą: ludzie albo
01:46
love virtual reality or hate it.
48
106000
2720
kochają rzeczywistość wirtualną, albo jej nienawidzą.
01:48
Somebody who loves it is
49
108720
1440
Ktoś, kto to uwielbia, to
01:50
Emma Ridderstad, CEO of Warpin’, a
50
110160
2800
Emma Ridderstad, CEO Warpin’,
01:52
company which develops
51
112960
1280
firmy rozwijającej
01:54
VR technology.
52
114240
1200
technologię VR.
01:55
Here she is telling BBC World
53
115440
1760
Tutaj opowiada programowi BBC World
01:57
Service programme, Tech Tent, her
54
117200
1920
Service, Tech Tent, swoją
01:59
vision of the future:
55
119120
1520
wizję przyszłości:
02:00
In ten years, everything that you
56
120640
1760
Za dziesięć lat wszystko, co
02:02
do on your phone today, you will
57
122400
2160
dziś robisz na telefonie, będziesz
02:04
do in 3-D, through your classes
58
124560
2000
robić w 3D,
02:06
for example. You will be able to do
59
126560
2480
na przykład podczas zajęć. Będziesz mógł robić
02:09
your shopping, you will be able to
60
129040
1920
zakupy, będziesz mógł
02:10
meet your friends, you will be able
61
130960
1680
spotykać się ze znajomymi, będziesz mógł
02:12
to work remotely with whomever
62
132640
2400
pracować zdalnie z kim
02:15
you want, you will be able to share
63
135040
2480
chcesz, będziesz mógł dzielić się
02:17
digital spaces, share music, share
64
137520
3920
cyfrowymi przestrzeniami, dzielić się muzyką, dzielić się
02:21
art, share projects in digital spaces
65
141440
3200
sztuką, dzielić się projektami w cyfrowych przestrzeniach
02:24
between each other. And you will also
66
144640
2080
między sobą. Będziesz także w
02:26
be able to integrate the digital objects
67
146720
2160
stanie zintegrować obiekty cyfrowe
02:28
in your physical world, making the
68
148880
2720
ze swoim fizycznym światem, czyniąc
02:31
world much more phygital than
69
151600
1840
świat znacznie bardziej fizycznym niż
02:33
is it today.
70
153440
1399
obecnie.
02:35
Virtual reality creates 3-D, or
71
155040
2720
Rzeczywistość wirtualna tworzy trójwymiarowe lub
02:37
three-dimensional experiences where
72
157760
2080
trójwymiarowe doświadczenia, w których
02:39
objects have the three dimensions of
73
159840
2400
obiekty mają trzy wymiary
02:42
length, width and height. This makes
74
162240
2640
długości, szerokości i wysokości. Dzięki temu
02:44
them look lifelike and solid, not
75
164880
2400
wyglądają realistycznie i solidnie, a nie
02:47
two-dimensional and flat.
76
167280
2560
dwuwymiarowo i płasko.
02:49
Emma says that in the future VR will
77
169840
2160
Emma mówi, że w przyszłości VR będzie
02:52
mix digital objects and physical
78
172000
2000
łączyć obiekty cyfrowe i fizyczne,
02:54
objects to create exciting new
79
174000
1920
aby tworzyć ekscytujące nowe
02:55
experiences – like staying home to
80
175920
2400
doświadczenia – na przykład zostawanie w domu i
02:58
watch the same football match
81
178320
1440
oglądanie tego samego meczu piłki nożnej,
02:59
that is simultaneously happening in
82
179760
1840
który jednocześnie odbywa się w
03:01
the park. She blends the words
83
181600
2400
parku. Łączy słowa
03:04
‘physical’ and ‘digital’ to make a new
84
184000
2240
„fizyczny” i „cyfrowy”, tworząc nowe
03:06
word describing this
85
186240
1040
słowo opisujące tę
03:07
combination: phygital.
86
187280
2480
kombinację: phygital.
03:09
But while a ‘phygital’ future sounds
87
189760
1920
Ale podczas gdy dla niektórych „figitalna” przyszłość brzmi
03:11
like paradise to some, others are
88
191680
2080
jak raj, inni są
03:13
more sceptical – they doubt that
89
193760
2080
bardziej sceptyczni – wątpią, czy
03:15
VR will come true or be useful.
90
195840
2480
VR się spełni i czy będzie użyteczna.
03:18
One such sceptic is technology
91
198320
2080
Jednym z takich sceptyków jest
03:20
innovator, Dr Nicola Millard. For one
92
200400
2720
innowator technologiczny, dr Nicola Millard. Po
03:23
thing, she doesn’t like wearing a
93
203120
1440
pierwsze, nie lubi nosić
03:24
VR headset – the heavy helmet and
94
204560
2320
zestawu VR – ciężkiego hełmu i
03:26
glasses that create virtual reality
95
206880
2160
okularów, które tworzą wirtualną rzeczywistość
03:29
for the wearer – something she
96
209040
1760
dla użytkownika – coś, co
03:30
explained to BBC World Service’s,
97
210800
2160
wyjaśniła BBC World Service,
03:32
Tech Tent:
98
212960
1189
Tech Tent:
03:34
There are some basic things to
99
214480
1680
Jest kilka podstawowych rzeczy do
03:36
think about. So, how do we
100
216160
1600
przemyślenia. Jak więc uzyskać do
03:37
access it? So, the reason, sort of,
101
217760
2400
niego dostęp? Tak więc powodem, dla którego
03:40
social networks took off was, we’ve
102
220160
2240
sieci społecznościowe wystartowały, było to, że
03:42
got mobile technologies that let
103
222400
1840
mamy technologie mobilne, które pozwalają
03:44
us use it. Now, obviously one of
104
224240
1840
nam z nich korzystać. Teraz oczywiście jedną z
03:46
the barriers can be that VR or AR
105
226080
2640
barier mogą być zestawy słuchawkowe VR lub AR
03:48
headsets - so VR, I’ve always been
106
228720
2320
– więc VR, zawsze byłem
03:51
slightly sceptical about. I’ve called
107
231040
2480
nieco sceptyczny. Od jakiegoś czasu nazywam
03:53
it ‘vomity reality’ for a while because,
108
233520
2240
to „rzeczywistością wymiocin”, ponieważ szczerze
03:55
frankly, I usually need a bucket
109
235760
2960
mówiąc, zwykle potrzebuję wiadra
03:58
somewhere close if you’ve got a
110
238720
1360
gdzieś blisko, jeśli masz
04:00
headset on me… and also, do I want
111
240080
1840
na sobie zestaw słuchawkowy… a także, czy chcę
04:01
to spend vast amounts of time in
112
241920
2000
spędzać dużo czasu w
04:03
those rather unwieldy headsets?
113
243920
1440
tych raczej nieporęcznych zestawach słuchawkowych ?
04:05
Now, I know they’re talking AR as
114
245360
1840
Teraz wiem, że mówią również o AR
04:07
well and obviously that does not
115
247200
1600
i oczywiście
04:08
necessarily need a headset, but I
116
248800
1680
niekoniecznie wymaga to zestawu słuchawkowego, ale myślę, że
04:10
think we’re seeing some quite
117
250480
1840
04:12
immersive environments coming
118
252320
1600
04:13
out at the moment as well.
119
253920
1600
w tej chwili pojawiają się również całkiem wciągające środowiska.
04:15
Nicola called VR ‘vomity reality’
120
255520
3040
Nicola nazwała VR „wymiocinową rzeczywistością”,
04:18
because wearing a headset makes
121
258560
1600
ponieważ noszenie zestawu słuchawkowego przyprawia
04:20
her feel sick, maybe because it’s
122
260160
2320
ją o mdłości, być może dlatego, że jest
04:22
so unwieldy – difficult to move or
123
262480
2640
tak nieporęczny – trudny do przenoszenia lub
04:25
wear because it’s big and heavy.
124
265120
2080
noszenia, ponieważ jest duży i ciężki.
04:27
She also makes a difference
125
267200
1440
Rozróżnia również
04:28
between VR - virtual reality- and AR,
126
268640
3600
VR – wirtualną rzeczywistość – i AR,
04:32
which stands for augmented
127
272240
1600
co oznacza rozszerzoną
04:33
reality – tech which adds to the
128
273840
2560
rzeczywistość – technologię, która dodaje do
04:36
ordinary physical world by
129
276400
1440
zwykłego świata fizycznego,
04:37
projecting virtual words, pictures
130
277840
2400
wyświetlając wirtualne słowa, obrazy
04:40
and characters, usually by wearing
131
280240
1840
i postacie, zwykle w
04:42
glasses or with a mobile phone.
132
282080
2320
okularach lub za pomocą telefonu komórkowego.
04:44
While virtual reality replaces what
133
284400
2000
Podczas gdy rzeczywistość wirtualna zastępuje to, co
04:46
you hear and see, augmented
134
286400
2000
słyszysz i widzisz,
04:48
reality adds to it. Both VR and AR
135
288400
3920
rzeczywistość rozszerzona dodaje do tego coś więcej. Zarówno VR, jak i AR
04:52
are immersive experiences – they
136
292320
2400
to immersyjne doświadczenia –
04:54
stimulate your senses and surround
137
294720
1920
stymulują zmysły i otaczają
04:56
you so that you feel completely
138
296640
1600
Cię, dzięki czemu czujesz się całkowicie
04:58
involved in the experience.
139
298240
1680
zaangażowany w to doświadczenie.
04:59
In fact, the experience feels so real
140
299920
2480
W rzeczywistości doświadczenie wydaje się tak realne,
05:02
that people keep coming back
141
302400
1280
że ludzie wracają
05:03
for more.
142
303680
720
po więcej.
05:04
Right! In my question I asked
143
304400
2240
Prawidłowy! W swoim pytaniu zapytałem
05:06
Neil how many people who try
144
306640
1600
Neila, ile osób, które
05:08
VR for the first time want to try
145
308240
2000
po raz pierwszy spróbowały VR, chce
05:10
it again.
146
310240
800
spróbować ponownie.
05:11
I guessed it was about half –
147
311040
1760
Domyśliłem się, że około połowy –
05:12
49 percent. Was I right?
148
312800
1840
49 proc. Czy miałem rację?
05:14
You were… wrong, I’m afraid.
149
314640
2400
Myliłeś się… obawiam się.
05:17
The correct answer is much
150
317040
1440
Prawidłowa odpowiedź jest znacznie
05:18
higher - 79 percent of people
151
318480
2560
wyższa – 79 procent osób
05:21
would give VR another try.
152
321040
2080
dałoby VR jeszcze jedną szansę.
05:23
I suppose because the experience
153
323120
1680
Przypuszczam, że dlatego, że doświadczenie
05:24
was so immersive – stimulating,
154
324800
2480
było tak wciągające – stymulujące,
05:27
surrounding and realistic.
155
327280
2000
otaczające i realistyczne.
05:29
Ok, A, let’s recap the other
156
329280
1680
Ok, A, podsumujmy inne
05:30
vocabulary from this programme
157
330960
1600
słownictwo z tego programu
05:32
on the ‘metaverse’, a kind of
158
332560
1840
dotyczące „metawersum”, rodzaju
05:34
augmented reality – reality which
159
334400
2720
rozszerzonej rzeczywistości – rzeczywistości, która
05:37
is enhanced or added to
160
337120
1600
jest ulepszana lub dodawana
05:38
by technology.
161
338720
1280
przez technologię.
05:40
3-D objects have three
162
340000
1280
Obiekty trójwymiarowe mają trzy
05:41
dimensions, making them
163
341280
1200
wymiary, dzięki czemu
05:42
appear real and solid.
164
342480
1840
wydają się rzeczywiste i solidne.
05:44
Phygital is an invented word
165
344320
1760
Phygital to wymyślone słowo,
05:46
which combines the features of
166
346080
1680
które łączy w sobie cechy
05:47
‘physical’ and ‘digital’ worlds.
167
347760
2240
świata „fizycznego” i „cyfrowego”.
05:50
A sceptical person is doubtful
168
350000
2320
Sceptyczny człowiek ma wątpliwości
05:52
about something.
169
352320
1040
co do czegoś.
05:53
And finally, unwieldy means
170
353360
1760
I wreszcie, nieporęczny oznacza
05:55
difficult to move or carry because
171
355120
1840
trudny do przenoszenia lub przenoszenia, ponieważ
05:56
it’s so big and heavy.
172
356960
1520
jest tak duży i ciężki.
05:58
That’s our six minutes up, in this
173
358480
2000
To nasze sześć minut do przodu, w
06:00
reality anyway. See you in the
174
360480
2000
każdym razie w tej rzeczywistości. Do zobaczenia
06:02
‘metaverse’ soon!
175
362480
1120
wkrótce w „metaverse”!
06:03
Goodbye!
176
363600
959
Do widzenia!
06:10
Hello. This is 6 Minute English
177
370320
1680
Cześć. To jest 6-minutowy angielski
06:12
from BBC Learning English.
178
372000
1680
z BBC Learning English.
06:13
I’m Neil.
179
373680
800
Jestem Neilem.
06:14
And I’m Sam.
180
374480
1040
A ja jestem Sam.
06:15
What do shopping with a credit
181
375520
1520
Co mają wspólnego zakupy z
06:17
card, finding love through
182
377040
1680
kartą kredytową, szukanie miłości przez
06:18
internet dating and waiting for
183
378720
1920
randki internetowe i czekanie na
06:20
the traffic lights to change
184
380640
1520
zmianę sygnalizacji świetlnej
06:22
have in common?
185
382160
1040
?
06:23
Hmmm, they all involve
186
383200
1920
Hmmm, wszystkie dotyczą
06:25
computers?
187
385120
800
06:25
Good guess, Sam! But how
188
385920
1520
komputerów?
Dobre przypuszczenie, Samie! Ale jak
06:27
exactly do those computers work?
189
387440
2400
dokładnie działają te komputery?
06:29
The answer is that they all use
190
389840
2400
Odpowiedź jest taka, że ​​wszystkie używają
06:32
algorithms – sets of mathematical
191
392240
2480
algorytmów – zestawów
06:34
instructions which find solutions
192
394720
1920
instrukcji matematycznych, które znajdują rozwiązania
06:36
to problems.
193
396640
1120
problemów.
06:37
Although they are often hidden,
194
397760
2000
Chociaż często są ukryte,
06:39
algorithms are all around us.
195
399760
2080
algorytmy są wszędzie wokół nas.
06:41
From mobile phone maps to
196
401840
1520
Od map do telefonów komórkowych po
06:43
home delivery pizza, they play a
197
403360
2160
pizzę z dostawą do domu — odgrywają one
06:45
big part of modern life. And
198
405520
2000
dużą rolę we współczesnym życiu. I to
06:47
they’re the topic of this programme.
199
407520
2080
one są tematem tego programu.
06:49
A simple way to think of algorithms
200
409600
2000
Prostym sposobem myślenia o algorytmach
06:51
is as recipes. To make pancakes
201
411600
2880
są przepisy. Aby zrobić naleśniki,
06:54
you mix flour, eggs and milk, then
202
414480
2320
mieszasz mąkę, jajka i mleko, a następnie
06:56
melt butter in a frying pan and
203
416800
1920
rozpuszczasz masło na patelni i
06:58
so on. Computers do this in more
204
418720
2080
tak dalej. Komputery robią to w bardziej
07:00
a complicated way by repeating
205
420800
2000
skomplikowany sposób, powtarzając w kółko
07:02
mathematical equations over
206
422800
1840
równania matematyczne
07:04
and over again.
207
424640
1360
.
07:06
Equations are mathematical
208
426000
1440
Równania to
07:07
sentences showing how two
209
427440
1520
zdania matematyczne pokazujące, jak dwie
07:08
things are equal. They’re similar
210
428960
2160
rzeczy są sobie równe. Są podobne
07:11
to algorithms and the most famous
211
431120
2080
do algorytmów, a najsłynniejsze
07:13
scientific equation of all, Einstein's
212
433200
2720
ze wszystkich równań naukowych,
07:15
E=MC2, can be thought of as a
213
435920
3520
E=MC2 Einsteina, można traktować jako
07:19
three-part algorithm.
214
439440
1920
algorytm składający się z trzech części.
07:21
But before my brain gets squashed
215
441360
2000
Ale zanim mój mózg zostanie zmiażdżony
07:23
by all this maths, I have a quiz
216
443360
1760
przez całą tę matematykę, mam
07:25
question for you, Sam. As you know,
217
445120
2400
dla ciebie pytanie quizowe, Sam. Jak wiesz,
07:27
Einstein’s famous equation is
218
447520
1760
słynne równanie Einsteina to
07:29
E=MC2 - but what does the
219
449280
2880
E=MC2 – ale co
07:32
‘E’ stand for? Is it:
220
452160
1680
oznacza „E”? Czy jest to:
07:33
a) electricity?
221
453840
1840
a) elektryczność?
07:35
b) energy? or
222
455680
1360
b) energia? lub
07:37
c) everything?
223
457040
1600
c) wszystko?
07:38
I’m tempted to say ‘E’ is for
224
458640
1680
Kusi mnie, by powiedzieć, że „E” oznacza
07:40
‘everything’ but I reckon I know
225
460320
1760
„wszystko”, ale wydaje mi się, że znam
07:42
the answer: b – ‘E’ stands
226
462080
2320
odpowiedź: b – „E”
07:44
for ‘energy’.
227
464400
800
oznacza „energię”.
07:45
OK, Sam, we’ll find out if you’re
228
465200
1600
OK, Sam, w dalszej części programu dowiemy się, czy masz
07:46
right later in the programme.
229
466800
2000
rację.
07:48
With all this talk of computers, you
230
468800
1680
Przy całej tej rozmowie o komputerach
07:50
might think algorithms are a
231
470480
1440
można by pomyśleć, że algorytmy to
07:51
new idea. In fact, they’ve been
232
471920
2320
nowy pomysł. W rzeczywistości
07:54
around since Babylonian times,
233
474240
2080
istnieją od czasów babilońskich,
07:56
around 4,000 years ago.
234
476320
2000
około 4000 lat temu.
07:58
And their use today can be
235
478320
1520
A ich użycie dzisiaj może budzić
07:59
controversial. Some algorithms
236
479840
2080
kontrowersje. Niektóre algorytmy
08:01
used in internet search engines
237
481920
1760
używane w wyszukiwarkach internetowych
08:03
have been accused of
238
483680
1040
zostały oskarżone o
08:04
racial prejudice.
239
484720
1440
uprzedzenia rasowe.
08:06
Ramesh Srinivasan is Professor
240
486160
2000
Ramesh Srinivasan jest profesorem
08:08
of Information Studies at the
241
488160
1600
studiów informacyjnych na
08:09
University of California. Here’s what
242
489760
2400
Uniwersytecie Kalifornijskim. Oto, co
08:12
he said when asked what the word
243
492160
1760
powiedział, gdy zapytano go, co
08:13
‘algorithm’ actually means by
244
493920
1760
właściwie oznacza słowo „algorytm” w
08:15
BBC World Service’s programme,
245
495680
1840
programie BBC World Service,
08:17
The Forum:
246
497520
1219
The Forum:
08:20
My understanding of the term
247
500560
2000
Moje rozumienie terminu „
08:22
‘algorithm’ is that it’s not necessarily
248
502560
1840
algorytm” jest takie, że niekoniecznie jest to
08:24
the bogyman, or its not necessarily
249
504400
2640
straszak lub niekoniecznie
08:27
something that is, you know, inscrutable
250
507040
2800
coś, co jest, wiesz, nieodgadniony
08:29
or mysterious to all people – it’s the
251
509840
2080
lub tajemniczy dla wszystkich ludzi – jest to
08:31
set of instructions that you write in
252
511920
3760
zestaw instrukcji, które piszesz w
08:35
some mathematical form or in
253
515680
1920
jakiejś formie matematycznej lub w
08:37
some software code – so it’s the
254
517600
1680
jakimś kodzie oprogramowania – więc jest to
08:39
repeated set of instructions that
255
519280
2640
powtarzający się zestaw instrukcji, które
08:41
are sequenced, that are used and
256
521920
2400
są sekwencjonowane, które są używane i
08:44
applied to answer a question or
257
524320
2080
stosowane, aby odpowiedzieć na pytanie lub
08:46
resolve a problem – it’s a simple
258
526400
1600
rozwiązać problem –
08:48
as that, actually.
259
528000
1393
właściwie to takie proste.
08:51
Some think that algorithms have
260
531200
1440
Niektórzy uważają, że algorytmy
08:52
been controversial, but Professor
261
532640
1760
były kontrowersyjne, ale profesor
08:54
Srinivasan says they are not
262
534400
2080
Srinivasan twierdzi, że niekoniecznie są
08:56
necessarily the bogyman. The
263
536480
2240
straszydłem.
08:58
bogyman refers to something
264
538720
1520
Bogyman odnosi się do czegoś, co
09:00
people call ‘bad’ or ‘evil’ to make
265
540240
2800
ludzie nazywają „złym” lub „złym”, aby
09:03
other people afraid.
266
543040
1520
przestraszyć innych ludzi.
09:04
Professor Srinivasan thinks
267
544560
1840
Profesor Srinivasan uważa, że
09:06
algorithms are neither evil nor
268
546400
2320
algorytmy nie są ani złe, ani
09:08
inscrutable – not showing emotions
269
548720
2640
nieprzeniknione – nie pokazują emocji
09:11
or thoughts and therefore very
270
551360
1680
ani myśli, przez co są bardzo
09:13
difficult to understand.
271
553040
1840
trudne do zrozumienia.
09:14
Still, it can be difficult to understand
272
554880
1920
Jednak dokładne zrozumienie,
09:16
exactly what algorithms are,
273
556800
1840
czym są algorytmy, może być trudne,
09:18
especially when there are many
274
558640
1680
zwłaszcza gdy istnieje wiele
09:20
different types of them. So, let’s
275
560320
2080
różnych ich typów. Weźmy więc
09:22
take an example.
276
562400
1200
przykład.
09:23
It’s autumn and we want to
277
563600
1280
Jest jesień i chcemy
09:24
collect all the apples from our
278
564880
1680
zebrać wszystkie jabłka z naszego
09:26
orchard and divide them into
279
566560
1360
sadu i podzielić je na
09:27
three groups – big, medium
280
567920
2080
trzy grupy – duże, średnie
09:30
and small. One method is to
281
570000
2000
i małe. Jedną z metod jest
09:32
collect all the apples together
282
572000
1760
zebranie wszystkich jabłek razem
09:33
and compare their sizes.
283
573760
1840
i porównanie ich rozmiarów.
09:35
But doing this would take hours!
284
575600
1680
Ale zrobienie tego zajęłoby godziny! O
09:37
It’s much easier to first collect
285
577280
1840
wiele łatwiej jest najpierw zebrać
09:39
the apples from only one tree -
286
579120
2240
jabłka tylko z jednego drzewa –
09:41
divide those into big, medium
287
581360
2080
podzielić je na duże, średnie
09:43
or small – and then repeat the
288
583440
2000
lub małe – a następnie powtórzyć
09:45
process for the other trees,
289
585440
2000
proces dla pozostałych drzew,
09:47
one by one.
290
587440
1440
jedno po drugim.
09:48
That’s basically what algorithms
291
588880
1680
Zasadniczo tym właśnie
09:50
do – they find the most efficient
292
590560
1840
zajmują się algorytmy – znajdują najskuteczniejszy
09:52
way to get things done, or in other
293
592400
2080
sposób wykonywania zadań, czyli innymi
09:54
words, get the best results in the
294
594480
1760
słowy, uzyskują najlepsze wyniki w jak
09:56
quickest time.
295
596240
1520
najkrótszym czasie.
09:57
Mathematics professor Ian
296
597760
1520
09:59
Stewart agrees. Listen as he
297
599280
2080
Zgadza się z tym profesor matematyki Ian Stewart. Posłuchaj, jak
10:01
explains how the algorithm called
298
601360
2240
wyjaśnia, jak algorytm zwany
10:03
‘bubble sort’ works to BBC World
299
603600
2480
„sortowaniem bąbelkowym” działa w programie 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
Pomyśl o tym, kiedy Twój komputer
10:11
sorting emails by date and maybe
302
611520
2000
sortuje e-maile według daty, a może
10:13
you’ve got 500 emails and it sorts
303
613520
1760
masz 500 e-maili i sortuje
10:15
them by date in a flash.
304
615280
1520
je według daty w mgnieniu oka.
10:16
Now it doesn’t use bubble sort,
305
616800
1280
Teraz nie używa sortowania bąbelkowego,
10:18
but it does use a sorting method
306
618080
1920
ale używa metody sortowania,
10:20
and if you tried to do that by hand
307
620000
2320
a gdybyś spróbował to zrobić ręcznie,
10:22
it would take you a very long time,
308
622320
1520
zajęłoby ci to bardzo dużo czasu,
10:23
whatever method you used.
309
623840
1982
niezależnie od użytej metody.
10:27
Professor Stewart describes how
310
627520
1680
Profesor Stewart opisuje, w jaki sposób
10:29
algorithms sort emails. To sort is a
311
629200
2880
algorytmy sortują e-maile. Sortować to
10:32
verb meaning to group together
312
632080
1520
czasownik oznaczający grupowanie
10:33
things which share similarities.
313
633600
2080
rzeczy, które mają wspólne podobieństwa.
10:35
Just like grouping the apples by
314
635680
1760
Podobnie jak grupowanie jabłek według
10:37
size, sorting hundreds of emails
315
637440
2320
wielkości, ręczne sortowanie setek e-maili
10:39
by hand would take a long time.
316
639760
2320
zajęłoby dużo czasu.
10:42
But using algorithms, computers
317
642080
2080
Ale za pomocą algorytmów komputery
10:44
do it in a flash – very quickly or
318
644160
2720
robią to błyskawicznie – bardzo szybko lub
10:46
suddenly.
319
646880
880
nagle.
10:47
That phrase – in a flash – reminds
320
647760
1840
To zdanie – w mgnieniu oka – przypomina
10:49
me of how Albert Einstein came up
321
649600
2160
mi, jak Albert Einstein wymyślił
10:51
with his famous equation, E=MC2.
322
651760
4080
swoje słynne równanie, E=MC2.
10:55
And that reminds me of your quiz
323
655840
2080
I to przypomina mi twoje
10:57
question. You asked about the ‘E’
324
657920
2720
pytanie z quizu. Pytałeś o „E”
11:00
in E=MC2. I said it stands for ‘energy’.
325
660640
3840
w E=MC2. Powiedziałem, że to oznacza „energię”.
11:04
So, was I right?
326
664480
1280
Więc, czy miałem rację?
11:05
‘Energy’ is the correct answer.
327
665760
2560
„Energia” to prawidłowa odpowiedź.
11:08
Energy equals ‘M’ for mass,
328
668320
2080
Energia równa się „M” dla masy
11:10
multiplied by the Constant ‘C’ which
329
670400
2560
pomnożonej przez stałą „C”, która
11:12
is the speed of light, squared.
330
672960
2480
jest prędkością światła podniesioną do kwadratu.
11:15
OK, let’s recap the vocabulary from
331
675440
2240
OK, podsumujmy słownictwo z
11:17
this programme, starting with
332
677680
1520
tego programu, zaczynając od
11:19
equation – a mathematical statement
333
679200
2640
równania – wyrażenia matematycznego
11:21
using symbols to show two
334
681840
2000
wykorzystującego symbole do pokazania dwóch
11:23
equal things.
335
683840
1040
równych rzeczy.
11:24
If something is called a bogyman,
336
684880
2000
Jeśli coś nazywa się straszydłem,
11:26
it’s something considered bad
337
686880
1680
jest to coś uważane za złe
11:28
and to be feared.
338
688560
1200
i należy się go bać.
11:29
Inscrutable people don’t show
339
689760
1760
Nieprzenikliwi ludzie nie okazują
11:31
their emotions so are very difficult
340
691520
2080
swoich emocji, więc bardzo trudno ich
11:33
to get to know.
341
693600
1040
poznać.
11:34
Efficient means working quickly
342
694640
1680
Wydajny oznacza szybką
11:36
and effectively in an
343
696320
1200
i efektywną pracę w
11:37
organised way.
344
697520
1040
zorganizowany sposób.
11:38
The verb to sort means to group
345
698560
2080
Czasownik sortować oznacza
11:40
together things which
346
700640
1120
grupować rzeczy, które
11:41
share similarities.
347
701760
1360
mają wspólne podobieństwa.
11:43
And finally, if something happens
348
703120
1840
I wreszcie, jeśli coś dzieje się
11:44
in a flash, it happens quickly
349
704960
2080
w mgnieniu oka, dzieje się to szybko
11:47
or suddenly.
350
707040
960
lub nagle.
11:48
That’s all the time we have to
351
708000
1360
To cały czas, jaki mamy na
11:49
discuss algorithms. And if
352
709360
1920
omawianie algorytmów. A jeśli
11:51
you’re still not 100% sure about
353
711280
2240
nadal nie jesteś w 100% pewien, czym
11:53
exactly what they are, we hope
354
713520
1840
one dokładnie są, mamy nadzieję, że
11:55
at least you’ve learned some
355
715360
960
przynajmniej nauczyłeś się
11:56
useful vocabulary!
356
716320
1200
przydatnego słownictwa!
11:57
Join us again soon for more
357
717520
1360
Dołącz do nas ponownie wkrótce, aby uzyskać dostęp do bardziej
11:58
trending topics, sensational
358
718880
1840
popularnych tematów, sensacyjnej
12:00
science and useful vocabulary
359
720720
2080
nauki i przydatnego słownictwa
12:02
here at 6 Minute English from
360
722800
1440
w 6 Minute English od
12:04
BBC Learning English.
361
724240
1520
BBC Learning English.
12:05
Bye for now!
362
725760
880
Na razie!
12:06
Goodbye!
363
726640
830
Do widzenia!
12:13
Hello. This is 6 Minute English
364
733200
1760
Cześć. To jest 6-minutowy angielski
12:14
from BBC Learning English.
365
734960
1680
z BBC Learning English.
12:16
I’m Neil.
366
736640
960
Jestem Neilem.
12:17
And I’m Sam.
367
737600
1520
A ja jestem Sam.
12:19
In recent years, many people
368
739120
1520
W ostatnich latach wiele osób
12:20
have wanted to find out more
369
740640
1600
chciało dowiedzieć się więcej
12:22
about where they come from.
370
742240
1760
o tym, skąd pochodzą.
12:24
Millions have tried to trace
371
744000
1360
Miliony próbowały prześledzić
12:25
their family history and discover
372
745360
1920
historię swojej rodziny i odkryć,
12:27
how their ancestors lived
373
747280
1360
jak żyli ich przodkowie
12:28
hundreds of years ago.
374
748640
1840
setki lat temu.
12:30
The internet has made it much
375
750480
1680
Internet znacznie
12:32
easier to find historical
376
752160
1680
ułatwił wyszukiwanie
12:33
documents and records about
377
753840
1760
dokumentów historycznych i zapisów dotyczących
12:35
your family history - and one of
378
755600
2000
historii Twojej rodziny – a jednym z
12:37
the most useful documents for
379
757600
1840
najbardziej przydatnych dokumentów
12:39
doing this is the census.
380
759440
3120
jest spis ludności.
12:42
A census is an official count of all
381
762560
2480
Spis ludności to oficjalne zliczenie wszystkich
12:45
the people living in a country.
382
765040
1920
osób mieszkających w danym kraju.
12:46
It collects information about a
383
766960
1600
Gromadzi informacje o
12:48
country’s population and is usually
384
768560
2160
populacji kraju i jest zwykle
12:50
carried out by the government.
385
770720
2080
przeprowadzany przez rząd.
12:52
In Britain, a census has been
386
772800
1760
W Wielkiej Brytanii spis ludności przeprowadza się
12:54
carried out every ten years
387
774560
1840
co dziesięć lat
12:56
since 1801. In 2002, when
388
776400
4000
od 1801 roku. W 2002 roku, kiedy
13:00
census records from a hundred
389
780400
1600
spisy ludności sprzed stu
13:02
years before became available
390
782000
2080
lat stały się dostępne
13:04
online, so many people rushed
391
784080
2320
online, tak wielu ludzi rzuciło się
13:06
to their computers to access
392
786400
1520
do swoich komputerów, aby uzyskać do
13:07
them that the website crashed!
393
787920
2640
nich dostęp, że strona uległa awarii!
13:10
But before we find out more
394
790560
1600
Ale zanim dowiemy się więcej
13:12
about the census and its related
395
792160
1760
o spisie ludności i związanym z nim
13:13
vocabulary it’s time for a quiz
396
793920
1920
słownictwie, czas na
13:15
question, Sam. Someone who
397
795840
2240
pytanie quizowe, Sam. Ktoś, kto
13:18
knows a lot about his family
398
798080
1680
dużo wie o historii swojej rodziny,
13:19
history is British actor, Danny
399
799760
2000
to brytyjski aktor Danny
13:21
Dyer. When BBC television
400
801760
2480
Dyer. Kiedy program telewizyjny BBC
13:24
programme, Who Do You
401
804240
1120
, Who Do You
13:25
Think You Are? researched
402
805360
1280
Think You Are? zbadali
13:26
his family history they discovered
403
806640
2240
historię jego rodziny, odkryli,
13:28
that the actor was related to
404
808880
1440
że aktor był spokrewniony z
13:30
someone very famous – but
405
810320
2000
kimś bardzo znanym – ale
13:32
who was it?
406
812320
1360
kto to był?
13:33
A) King Edward III,
407
813680
2080
A) króla Edwarda III,
13:35
B) William Shakespeare, or,
408
815760
2080
B) Williama Szekspira lub
13:37
C) Winston Churchill?
409
817840
2080
C) Winstona Churchilla?
13:39
Well, I know Danny Dyer usually
410
819920
2320
Cóż, wiem, że Danny Dyer zwykle
13:42
plays tough-guy characters so
411
822240
2400
gra twardzieli, więc
13:44
maybe it’s
412
824640
640
może to
13:45
C), war hero Winston Churchill?
413
825280
3600
C), bohater wojenny Winston Churchill?
13:48
OK, Sam, we’ll find out later if
414
828880
1920
OK, Sam, później dowiemy się, czy
13:50
that’s correct. Now, although
415
830800
2160
to prawda. Teraz, chociaż
13:52
the first British census took
416
832960
1520
pierwszy brytyjski spis ludności miał
13:54
place in 1801, other censuses
417
834480
2560
miejsce w 1801 roku, inne spisy
13:57
have a much longer history.
418
837040
2480
mają znacznie dłuższą historię.
13:59
In fact, the bible story of Mary
419
839520
2080
W rzeczywistości biblijna historia Maryi
14:01
and Joseph travelling to
420
841600
1200
i Józefa udających się do
14:02
Bethlehem is linked to a
421
842800
1440
Betlejem jest powiązana z
14:04
Roman census.
422
844240
2022
rzymskim spisem ludności.
14:06
So, what was the original
423
846262
2298
Jaki był więc pierwotny
14:08
reason for counting people
424
848560
1840
powód liczenia ludzi
14:10
and what did governments
425
850400
1200
i co rządy
14:11
hope to achieve by doing so?
426
851600
2320
chciały w ten sposób osiągnąć?
14:13
Here’s Dr Kathrin Levitan, author
427
853920
2640
Oto dr Kathrin Levitan, autorka
14:16
of a book on the cultural history
428
856560
1760
książki o kulturowej historii
14:18
of the census, speaking to
429
858320
1840
spisu, w rozmowie z
14:20
BBC World Service programme,
430
860160
1760
programem BBC World Service,
14:21
The Forum:
431
861920
1299
The Forum:
14:24
I think there were probably
432
864480
960
Myślę, że były prawdopodobnie
14:25
two most common reasons.
433
865440
2080
dwa najczęstsze powody.
14:27
One was in order to figure out
434
867520
2000
Jednym z nich było ustalenie,
14:29
who could fight in wars, so basically
435
869520
1760
kto może walczyć na wojnach, a więc w zasadzie
14:31
military conscription and in order
436
871280
2160
pobór do wojska, i aby
14:33
to find out who could fight in wars
437
873440
1840
dowiedzieć się, kto może walczyć na wojnach,
14:35
ancient governments like the
438
875280
1040
starożytne rządy, takie jak
14:36
Roman Empire had to find out how
439
876320
2480
Cesarstwo Rzymskie, musiały dowiedzieć się,
14:38
many men of a certain age there were.
440
878800
2560
ilu było mężczyzn w określonym wieku.
14:41
And I would say that the other thing
441
881360
1760
Powiedziałbym, że drugą rzeczą, do
14:43
that censuses were most commonly
442
883120
2080
której najczęściej
14:45
used for was for purposes of taxation.
443
885200
2800
używano spisów powszechnych, były cele podatkowe.
14:48
According to Kathrin Levitan, ancient
444
888880
2400
Według Kathrin Levitan starożytne
14:51
censuses were used to figure out – or
445
891280
2400
spisy ludności służyły do ​​ustalenia – lub
14:53
understand, how many men were
446
893680
2000
zrozumienia, ilu mężczyzn było
14:55
available to fight wars.
447
895680
2000
dostępnych do prowadzenia wojen.
14:57
The Roman Empire needed a strong
448
897680
2400
Cesarstwo Rzymskie potrzebowało silnej
15:00
army, and this depended on
449
900080
1840
armii, a to zależało od
15:01
conscription – forcing people to
450
901920
2560
poboru – zmuszania ludzi do
15:04
become soldiers and join the army.
451
904480
2320
zostania żołnierzami i wstępowania do wojska.
15:06
The other main reason for taking
452
906800
1600
Drugim głównym powodem przeprowadzenia
15:08
a census was taxation – the
453
908400
2080
spisu ludności były podatki –
15:10
system of taxing people a certain
454
910480
2000
system opodatkowania ludzi określoną
15:12
amount of money to be paid to
455
912480
1600
kwotą pieniędzy, które miały być wpłacane
15:14
the government for public services.
456
914080
2640
rządowi za usługi publiczne.
15:16
Ancient and early modern censuses
457
916720
2240
Starożytne i nowożytne spisy powszechne
15:18
were large and difficult-to-organise
458
918960
2320
były dużymi i trudnymi do zorganizowania
15:21
projects. They often involved
459
921280
2160
projektami. Często angażowali
15:23
government officials going from
460
923440
1600
urzędników państwowych, którzy chodzili od
15:25
house to house, asking questions
461
925040
2640
domu do domu i zadawali pytania na
15:27
about the people who lived there.
462
927680
2400
temat mieszkających tam ludzi.
15:30
But over time governments’ desire
463
930080
2160
Ale z biegiem czasu pragnienie rządów, aby
15:32
to know about, and control, its
464
932240
1840
wiedzieć o swoich obywatelach i kontrolować ich,
15:34
citizens gave rise to new
465
934080
1680
doprowadziło do powstania nowych
15:35
technologies for counting people.
466
935760
2320
technologii liczenia ludzi.
15:38
Here’s statistician and economist
467
938080
2160
Oto statystyk i ekonomista
15:40
Andrew Whitby explaining how
468
940240
1920
Andrew Whitby wyjaśnia, jak
15:42
this happened in the US to BBC
469
942160
2400
to się stało w USA,
15:44
World Service programme,
470
944560
1360
programowi BBC World Service,
15:45
The Forum:
471
945920
2000
The Forum:
15:47
The 1890 census of the United
472
947920
1760
Spis ludności Stanów Zjednoczonych z 1890 roku
15:49
States was the first in which some
473
949680
1520
był pierwszym, w którym do liczenia ludzi zastosowano jakiś
15:51
kind of electro-mechanical process
474
951200
1760
rodzaj procesu elektromechanicznego
15:52
was used to count people… so
475
952960
1680
… więc
15:54
instead of armies of clerks reading
476
954640
2880
zamiast armie urzędników
15:57
off census schedules and tabulating
477
957520
2480
odczytywały spisy ludności i spisywały je
16:00
these things by hand, for the first
478
960000
1520
ręcznie, po
16:01
time an individual census record
479
961520
1760
raz pierwszy indywidualny zapis spisu
16:03
would be punched onto a card… so
480
963280
2080
był dziurkowany na karcie… tak,
16:05
that there were holes in this card
481
965360
1520
że w tej karcie były dziury
16:06
representing different characteristics
482
966880
1280
reprezentujące różne cechy
16:08
of the person and then those cards
483
968160
1120
osoby, a następnie te karty
16:09
could be fed through a machine.
484
969280
1985
można było karmić przez maszynę.
16:12
Old-fashioned censuses were managed
485
972080
2000
Spisy staromodne były prowadzone
16:14
by clerks – office workers whose job
486
974080
2640
przez urzędników – pracowników biurowych, których praca
16:16
involved keeping records.
487
976720
2160
polegała na prowadzeniu ksiąg.
16:18
Thousands of clerks would record
488
978880
1680
Tysiące urzędników notowało
16:20
the information gathered in the
489
980560
1520
zebrane w
16:22
census and tabulate it, in other words,
490
982080
3360
spisie informacje i zestawiało je, czyli
16:25
show the information in the form of
491
985440
2080
pokazywało informacje w formie
16:27
a table with rows and columns.
492
987520
3280
tabeli z wierszami i kolumnami.
16:30
The US census of 1890 was the first
493
990800
2800
Spis powszechny Stanów Zjednoczonych z 1890 r. był pierwszym, w którym
16:33
to use machines, and many censuses
494
993600
2400
wykorzystano maszyny, a wiele
16:36
today are electronically updated to
495
996000
2320
dzisiejszych spisów jest aktualizowanych elektronicznie, aby
16:38
record new trends and shifts in
496
998320
2000
rejestrować nowe trendy i zmiany w
16:40
populations as they happen.
497
1000320
2400
populacjach w miarę ich pojawiania się.
16:42
In fact, so much personal
498
1002720
1920
W rzeczywistości tak wiele
16:44
information is now freely available
499
1004640
2320
danych osobowych jest teraz swobodnie dostępnych
16:46
through social media and the
500
1006960
1280
za pośrednictwem mediów społecznościowych i
16:48
internet that some people have
501
1008240
1920
Internetu, że niektórzy ludzie
16:50
questioned the need for having
502
1010160
1760
kwestionują potrzebę przeprowadzenia
16:51
a census at all.
503
1011920
1680
spisu w ogóle.
16:53
Yes, it isn’t hard to find out about
504
1013600
2080
Tak, nie jest trudno dowiedzieć się o
16:55
someone famous, like a TV star.
505
1015680
2640
kimś sławnym, takim jak gwiazda telewizyjna.
16:58
Someone like Danny Dyer, you mean?
506
1018320
2400
Masz na myśli kogoś takiego jak Danny Dyer?
17:00
Right. In my quiz question I asked
507
1020720
2000
Prawidłowy. W moim quizie zapytałem
17:02
Sam which historical figure TV
508
1022720
2400
Sama, z którą postacią historyczną
17:05
actor, Danny Dyer, was related to.
509
1025120
2720
aktor telewizyjny, Danny Dyer, był spokrewniony.
17:07
And I said it was
510
1027840
1120
I powiedziałem, że to był
17:08
C) Winston Churchill. Was I right?
511
1028960
3200
C) Winston Churchill. Czy miałem rację?
17:12
It was a good guess, Sam, but
512
1032160
1440
To było dobre przypuszczenie, Sam, ale
17:13
the actual answer was
513
1033600
1120
rzeczywista odpowiedź brzmiała:
17:14
A) King Edward III. And no-one
514
1034720
2640
A) Król Edward III. I nikt nie
17:17
was more surprised that he was
515
1037360
1440
był bardziej zaskoczony, że był
17:18
related to royalty than the
516
1038800
1600
spokrewniony z rodziną królewską niż
17:20
EastEnders actor himself!
517
1040400
2400
sam aktor EastEnders!
17:22
OK, Neil, let’s recap the
518
1042800
1520
OK, Neil, podsumujmy
17:24
vocabulary from this programme
519
1044320
1760
słownictwo z tego programu
17:26
about the census - the official
520
1046080
2240
dotyczące spisu — oficjalnego
17:28
counting of a nation’s population.
521
1048320
2480
liczenia ludności narodu.
17:30
To figure something out means
522
1050800
1600
Rozgryźć coś znaczy
17:32
to understand it.
523
1052400
1760
to zrozumieć.
17:34
The Romans used conscription
524
1054160
2000
Rzymianie używali poboru,
17:36
to force men to join the army by law.
525
1056160
2960
aby zgodnie z prawem zmusić mężczyzn do wstąpienia do armii.
17:39
Taxation is the government’s
526
1059120
1520
Opodatkowanie to rządowy
17:40
system of taxing people to pay
527
1060640
2080
system opodatkowania ludzi w celu płacenia
17:42
for public services.
528
1062720
2000
za usługi publiczne.
17:44
A clerk is an office worker whose
529
1064720
2240
Urzędnik to pracownik biurowy, którego
17:46
job involves keeping records.
530
1066960
3120
praca polega na prowadzeniu dokumentacji.
17:50
And tabulate means show
531
1070080
1680
Tabulacja oznacza pokazanie
17:51
information in the form of a table
532
1071760
1920
informacji w formie tabeli
17:53
with rows and columns.
533
1073680
2217
z wierszami i kolumnami.
17:55
That’s all for our six-minute look
534
1075897
2023
To wszystko w naszym sześciominutowym przeglądzie
17:57
at the census, but if we’ve whetted
535
1077920
1920
spisu ludności, ale jeśli zaostrzyliśmy
17:59
your appetite for more why not
536
1079840
2000
Twój apetyt na więcej,
18:01
check out the whole episode – it’s
537
1081840
2080
obejrzyj cały odcinek – jest on
18:03
available now on the website of
538
1083920
1920
już dostępny na stronie internetowej
18:05
BBC World Service programme,
539
1085840
1760
programu BBC World Service,
18:07
The Forum.
540
1087600
1440
The Forum.
18:09
Bye for now!
541
1089040
1280
Na razie! PA pa
18:10
Bye bye.
542
1090320
890
.
18:17
Hello. This is 6 Minute English
543
1097040
1520
Cześć. To jest 6-minutowy angielski
18:18
from BBC Learning English.
544
1098560
1440
z BBC Learning English.
18:20
I’m Neil.
545
1100000
720
18:20
And I’m Georgina.
546
1100720
1360
Jestem Neilem.
A ja jestem Georgina.
18:22
What do Homer, Ray Charles
547
1102080
1840
Co mają wspólnego Homer, Ray Charles
18:23
and Jorge Borges all have in
548
1103920
1760
i Jorge Borges
18:25
common, Georgina?
549
1105680
1040
, Georgino?
18:26
Hmm, so that’s the ancient Greek
550
1106720
2400
Hmm, więc to starożytny grecki
18:29
poet, Homer; American singer,
551
1109120
2160
poeta, Homer; amerykański piosenkarz
18:31
Ray Charles; and Argentine writer,
552
1111280
2400
Ray Charles; i argentyńskiego pisarza,
18:33
Jorge Luis Borges… I can’t see
553
1113680
2480
Jorge Luisa Borgesa… Nie widzę w
18:36
much in common there, Neil.
554
1116160
1440
tym wiele wspólnego, Neil.
18:37
Well, the answer is that they
555
1117600
1360
Cóż, odpowiedź jest taka, że
18:38
were all blind.
556
1118960
1280
wszyscy byli ślepi.
18:40
Ah! But that obviously didn’t hold
557
1120240
1760
Ach! Ale to oczywiście
18:42
them back - I mean, they were
558
1122000
1280
ich nie powstrzymało – to znaczy, byli
18:43
some of the greatest artists ever!
559
1123280
2160
jednymi z największych artystów wszechczasów!
18:45
Right, but I wonder how easy they
560
1125440
1840
Zgadza się, ale zastanawiam się, jak łatwo
18:47
would find it living and working in
561
1127280
1600
byłoby im żyć i pracować we
18:48
the modern world.
562
1128880
1040
współczesnym świecie.
18:49
Blind people can use a guide dog
563
1129920
1680
Osoby niewidome mogą korzystać z psa przewodnika
18:51
or a white cane to help them
564
1131600
1280
lub białej laski, aby pomóc im się
18:52
move around.
565
1132880
1040
poruszać.
18:53
Yes, but a white cane is hardly
566
1133920
2000
Tak, ale biała laska to mało
18:55
advanced technology! Recently,
567
1135920
2240
zaawansowana technologia! Niedawno
18:58
smartphone apps have been
568
1138160
1440
wynaleziono aplikacje na smartfony,
18:59
invented which dramatically
569
1139600
1520
które radykalnie
19:01
improve the lives of blind people
570
1141120
1760
poprawiają życie osób niewidomych na całym
19:02
around the world.
571
1142880
1120
świecie.
19:04
In this programme on blindness
572
1144000
1600
W tym programie poświęconym ślepocie
19:05
in the digital age we’ll be looking
573
1145600
1920
w epoce cyfrowej przyjrzymy się
19:07
at some of these inventions, known
574
1147520
2080
niektórym z tych wynalazków, znanych pod
19:09
collectively as assistive technology –
575
1149600
3040
wspólną nazwą technologii wspomagających – czyli
19:12
that’s any software or equipment
576
1152640
2000
oprogramowania lub sprzętu,
19:14
that helps people work around their
577
1154640
1920
które pomagają ludziom radzić sobie z
19:16
disabilities or challenges.
578
1156560
2080
niepełnosprawnością lub wyzwaniami.
19:18
But first it’s time for my quiz
579
1158640
1680
Ale najpierw czas na moje
19:20
question, Georgina. In 1842 a
580
1160320
2960
pytanie quizowe, Georgino. W 1842 roku wynaleziono
19:23
technique of using fingers to feel
581
1163280
2240
technikę dotykania palcami wydrukowanych
19:25
printed raised dots was invented
582
1165520
2240
wypukłych kropek,
19:27
which allowed blind people to read.
583
1167760
2080
która umożliwiła niewidomym czytanie.
19:29
But who invented it? Was it:
584
1169840
2000
Ale kto to wymyślił? Czy był to:
19:31
a) Margaret Walker?,
585
1171840
2000
a) Margaret Walker?,
19:33
b) Louis Braille?, or
586
1173840
1760
b) Louis Braille?, czy
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, słyszałem o alfabecie Morse'a, ale
19:39
that wouldn’t help blind people
589
1179520
1440
to nie pomogłoby niewidomym w
19:40
read, so I think it’s, b) Louis Braille.
590
1180960
2880
czytaniu, więc myślę, że to b) Louis Braille.
19:43
OK, Georgina, we’ll find out the
591
1183840
1600
OK, Georgina, odpowiedź poznamy
19:45
answer at the end of the programme.
592
1185440
2160
pod koniec programu.
19:47
One remarkable feature of the latest
593
1187600
2080
Jedną z niezwykłych cech najnowszej
19:49
assistive technology is its practicality.
594
1189680
3200
technologii wspomagającej jest jej praktyczność.
19:52
Smartphone apps like ‘BeMyEyes’
595
1192880
2400
Aplikacje na smartfony, takie jak „BeMyEyes”,
19:55
allow blind users to find lost keys,
596
1195280
2480
pozwalają niewidomym użytkownikom znajdować zagubione klucze,
19:57
cross busy roads and even colour
597
1197760
2080
przechodzić przez ruchliwe ulice, a nawet
19:59
match their clothes.
598
1199840
1200
dopasowywać kolorystycznie ubrania.
20:01
Brian Mwenda is CEO of a Kenyan
599
1201040
2640
Brian Mwenda jest dyrektorem generalnym kenijskiej
20:03
company developing this kind of
600
1203680
1760
firmy opracowującej tego rodzaju
20:05
technology. Here he explains to
601
1205440
2400
technologię. Tutaj wyjaśnia
20:07
BBC World Service programme,
602
1207840
2000
programowi BBC World Service,
20:09
Digital Planet, how his devices seek
603
1209840
2560
Digital Planet, w jaki sposób jego urządzenia mają na celu
20:12
to enhance, not replace, the
604
1212400
2160
ulepszenie, a nie zastąpienie
20:14
traditional white cane:
605
1214560
1829
tradycyjnej białej laski:
20:16
The device is very compatible with
606
1216880
1840
Urządzenie jest bardzo kompatybilne z
20:18
any kind of white cane. So, once you
607
1218720
2000
każdym rodzajem białej laski. Tak więc, po
20:20
clip it on to any white cane it
608
1220720
2160
przypięciu go do dowolnej białej laski,
20:22
works perfectly to detect the
609
1222880
1360
doskonale wykrywa
20:24
obstacles in front of you, and it
610
1224240
1920
przeszkody przed tobą i
20:26
relies on echo-location. So,
611
1226160
2080
opiera się na echolokacji. Tak więc
20:28
echo-location is the same technology
612
1228240
1840
echolokacja to ta sama technologia, której
20:30
used by bats and dolphins to detect
613
1230080
3520
używają nietoperze i delfiny do wykrywania
20:33
prey and obstacles and all that. You
614
1233600
2560
zdobyczy, przeszkód i tak dalej.
20:36
send out a sound pulse and then
615
1236160
1840
Wysyłasz impuls dźwiękowy, a po
20:38
once it bounces off an obstacle, you
616
1238000
2000
odbiciu się od przeszkody
20:40
can tell how far the obstacle is.
617
1240000
2320
możesz stwierdzić, jak daleko znajduje się przeszkoda.
20:42
When attached to a white cane, the
618
1242320
1840
Po przyczepieniu do białej laski
20:44
digital device - called ‘Sixth Sense’ -
619
1244160
2560
urządzenie cyfrowe – zwane „Szóstym zmysłem” –
20:46
can detect obstacles – objects which
620
1246720
2640
może wykrywać przeszkody – przedmioty, które
20:49
block your way, making it difficult for
621
1249360
2160
blokują drogę, utrudniając
20:51
you to move forward.
622
1251520
1360
poruszanie się do przodu.
20:52
‘Sixth Sense’ works using echo-location,
623
1252880
3040
„Szósty zmysł” wykorzystuje echolokację,
20:55
a kind of ultrasound like that used by
624
1255920
2640
rodzaj ultradźwięków, takich jak te używane przez
20:58
bats who send out sound waves
625
1258560
2000
nietoperze, które wysyłają fale dźwiękowe
21:00
which bounce off surrounding objects.
626
1260560
2560
odbijające się od otaczających obiektów.
21:03
The returning echoes show where these
627
1263120
2320
Powracające echa pokazują, gdzie
21:05
objects are located.
628
1265440
1840
znajdują się te obiekty.
21:07
Some of the assistive apps are so
629
1267280
1840
Niektóre aplikacje wspomagające są tak
21:09
smart they can even tell what kind of
630
1269120
2000
inteligentne, że mogą nawet powiedzieć, jaki
21:11
object is coming up ahead – be it a
631
1271120
2240
obiekt zbliża się do przodu – czy to
21:13
friend, a shop door or a speeding car.
632
1273360
3040
znajomy, drzwi sklepu czy pędzący samochód.
21:16
I guess being able to move around
633
1276400
1600
Myślę, że możliwość pewnego poruszania się
21:18
confidently really boosts people’s
634
1278000
2000
naprawdę zwiększa
21:20
independence.
635
1280000
1200
niezależność ludzi.
21:21
Absolutely. And it’s challenging
636
1281200
1760
Absolutnie. Jest to
21:22
stereotypes around blindness too.
637
1282960
2480
również wyzwanie dla stereotypów dotyczących ślepoty.
21:25
Blogger, Fern Lulham, who is blind
638
1285440
2160
Blogerka Fern Lulham, która sama jest niewidoma
21:27
herself, uses assistive apps every day.
639
1287600
3280
, codziennie korzysta z aplikacji wspomagających.
21:30
Here she is talking to
640
1290880
1120
Tutaj rozmawia z
21:32
BBC World Service’s, Digital Planet:
641
1292000
2979
BBC World Service, Digital Planet:
21:35
I think the more that society sees
642
1295680
2160
Myślę, że im bardziej społeczeństwo widzi
21:37
blind people in the community, at work,
643
1297840
2640
osoby niewidome w społeczności, w pracy,
21:40
in relationships it does help to tackle
644
1300480
2800
w związkach, to pomaga walczyć ze
21:43
all of these stereotypes, it helps
645
1303280
1440
wszystkimi tymi stereotypami, pomaga
21:44
people to see blind and
646
1304720
1600
ludziom widzieć niewidomych i
21:46
visually-impaired people in a whole
647
1306320
1200
niedowidzących ludzi w zupełnie
21:47
new way and it just normalises
648
1307520
2240
nowy sposób i to po prostu normalizuje
21:49
disability – that’s what we need, we
649
1309760
1520
niepełnosprawność – tego właśnie potrzebujemy,
21:51
need to see people just getting on
650
1311280
1840
musimy zobaczyć, jak ludzie po prostu radzą sobie
21:53
with their life and doing it and then
651
1313120
1600
ze swoim życiem i robią to, a wtedy
21:54
people won’t see it as such a big
652
1314720
1760
ludzie nie będą już postrzegać tego jako wielkiej
21:56
deal anymore, it’ll just be the ordinary.
653
1316480
2979
sprawy, to po prostu być zwykłym.
22:00
Fern distinguishes between people
654
1320320
1680
Fern rozróżnia osoby
22:02
who are blind, or unable to see, and
655
1322000
2480
niewidome lub niewidzące oraz
22:04
those who are visually impaired –
656
1324480
2080
osoby niedowidzące –
22:06
experience a decreased ability to see.
657
1326560
3120
doświadczają zmniejszonej zdolności widzenia.
22:09
Assistive tech helps blind people
658
1329680
2080
Technologie wspomagające pomagają osobom niewidomym
22:11
lead normal, independent lives within
659
1331760
2400
prowadzić normalne, niezależne życie w
22:14
their local communities. Fern hopes
660
1334160
2640
lokalnych społecznościach. Fern ma nadzieję,
22:16
that this will help normalise disability –
661
1336800
2640
że pomoże to znormalizować niepełnosprawność –
22:19
treat something as normal which has
662
1339440
2000
traktować jako normalne coś, co
22:21
not been accepted as normal before…
663
1341440
2480
wcześniej nie było akceptowane jako normalne… …
22:23
…so being blind doesn’t have to be a
664
1343920
2160
więc bycie niewidomym nie musi być
22:26
big deal – an informal way to say
665
1346080
2240
wielkim problemem – nieformalny sposób powiedzenia, że
22:28
something is not a serious problem.
666
1348320
2800
coś nie jest poważnym problemem.
22:31
Just keep your eyes closed for a
667
1351120
1280
Po prostu zamknij oczy na
22:32
minute and try moving around the
668
1352400
1440
minutę i spróbuj poruszać się po
22:33
room. You’ll soon see how difficult
669
1353840
2320
pokoju. Wkrótce przekonasz się, jakie
22:36
it is… and how life changing this
670
1356160
1680
to trudne… i jak bardzo może zmienić życie dzięki tej
22:37
technology can be.
671
1357840
1600
technologii.
22:39
Being able to read books must also
672
1359440
2240
Umiejętność czytania książek musi również
22:41
open up a world of imagination.
673
1361680
2320
otwierać świat wyobraźni.
22:44
So what was the answer to your
674
1364000
1280
Więc jaka była odpowiedź na twoje
22:45
quiz question, Neil?
675
1365280
1600
pytanie w quizie, Neil?
22:46
Ah yes. I asked Georgina who
676
1366880
1600
O tak. Zapytałem Georginę, kto
22:48
invented the system of reading
677
1368480
1760
wynalazł system czytania, w
22:50
where fingertips are used to feel
678
1370240
1840
którym opuszkami palców wyczuwa się
22:52
patterns of printed raised dots.
679
1372080
2160
wzory wypukłych kropek.
22:54
What did you say, Georgina?
680
1374240
1600
Co powiedziałaś, Georgino?
22:55
I thought it was, b) Louis Braille.
681
1375840
2880
Myślałem, że to b) Louis Braille.
22:58
Which was…of course the correct
682
1378720
1600
Co było… oczywiście poprawną
23:00
answer! Well done, Georgina – Louise
683
1380320
2560
odpowiedzią! Dobra robota, Georgina – Louise
23:02
Braille the inventor of a reading
684
1382880
1600
Braille, wynalazczyni
23:04
system which is known worldwide
685
1384480
1760
systemu czytania, który jest znany na całym świecie
23:06
simply as braille.
686
1386240
1680
po prostu jako Braille.
23:07
I suppose braille is an early example
687
1387920
2160
Przypuszczam, że Braille to wczesny przykład
23:10
of assistive technology – systems
688
1390080
2480
technologii wspomagającej – systemów
23:12
and equipment that assist people
689
1392560
1600
i urządzeń, które pomagają osobom
23:14
with disabilities to perform everyday
690
1394160
2160
niepełnosprawnym w wykonywaniu codziennych
23:16
functions. Let’s recap the rest of
691
1396320
2400
czynności. Podsumujmy resztę
23:18
the vocabulary, Neil.
692
1398720
1760
słownictwa, Neil.
23:20
OK. An obstacle is an object that
693
1400480
2240
OK. Przeszkoda to obiekt, który
23:22
is in your way and blocks your
694
1402720
2000
stoi na twojej drodze i blokuje twój
23:24
movement.
695
1404720
1120
ruch.
23:25
Some assisted technology works
696
1405840
1680
Niektóre technologie wspomagające działają
23:27
using echo-location – a system of
697
1407520
2560
z wykorzystaniem echolokacji – systemu
23:30
ultrasound detection used by bats.
698
1410080
3120
ultradźwiękowej detekcji wykorzystywanego przez nietoperze.
23:33
Being blind is different from being
699
1413200
1760
Bycie niewidomym różni się od bycia
23:34
visually impaired - having a
700
1414960
1840
niedowidzącym - posiadanie
23:36
decreased ability to see, whether
701
1416800
1920
zmniejszonej zdolności widzenia, niezależnie od tego, czy jest
23:38
disabling or not.
702
1418720
1626
niepełnosprawne, czy nie.
23:40
And finally, the hope is that
703
1420346
1654
I wreszcie, jest nadzieja, że
23:42
assistive phone apps can help
704
1422000
1760
aplikacje wspomagające telefon mogą pomóc
23:43
normalise disability – change the
705
1423760
2160
znormalizować niepełnosprawność – zmienić
23:45
perception of something into
706
1425920
1440
postrzeganie czegoś tak, aby
23:47
being accepted as normal…
707
1427360
2080
było akceptowane jako normalne…
23:49
..so that disability is no longer a
708
1429440
2080
..tak, aby niepełnosprawność nie była już
23:51
big deal – not a big problem.
709
1431520
2240
wielką sprawą – nie był to duży problem.
23:53
That’s all for this programme but
710
1433760
1360
To wszystko w tym programie, ale
23:55
join us again soon at 6 Minute English…
711
1435120
2800
wkrótce dołącz do nas ponownie w 6-minutowym angielskim… …
23:57
…and remember you can find many
712
1437920
1360
i pamiętaj, że możesz znaleźć o wiele
23:59
more 6 Minute topics and useful
713
1439280
1920
więcej 6-minutowych tematów i przydatnego
24:01
vocabulary archived on
714
1441200
1440
słownictwa zarchiwizowanych na stronie
24:02
bbclearningenglish.com.
715
1442640
2240
bbclearningenglish.com.
24:04
Don’t forget we also have an app
716
1444880
1680
Nie zapominaj, że mamy również aplikację, którą
24:06
you can download for free from
717
1446560
1600
możesz bezpłatnie pobrać ze
24:08
the app stores. And of course we
718
1448160
2160
sklepów z aplikacjami. I oczywiście
24:10
are all over social media, so come
719
1450320
2240
jesteśmy wszędzie w mediach społecznościowych, więc
24:12
on over and say hi.
720
1452560
1360
podejdź i przywitaj się.
24:13
Bye for now!
721
1453920
800
Na razie! Do
24:14
Bye!
722
1454720
830
widzenia!
24:21
Welcome to 6 Minute English, where
723
1461280
1520
Witamy w 6-minutowym angielskim, w którym
24:22
we bring you an intelligent topic
724
1462800
1600
przedstawiamy inteligentny temat
24:24
and six related items of vocabulary.
725
1464400
2480
i sześć powiązanych elementów słownictwa.
24:26
I’m Neil.
726
1466880
640
Jestem Neilem.
24:27
And I’m Tim. And today we’re talking
727
1467520
2560
A ja jestem Tymek. A dzisiaj mówimy
24:30
about AI – or Artificial Intelligence.
728
1470080
3840
o AI – czyli Sztucznej Inteligencji.
24:33
Artificial Intelligence is the ability of
729
1473920
2480
Sztuczna inteligencja to zdolność
24:36
machines to copy human intelligent
730
1476400
2560
maszyn do kopiowania ludzkich inteligentnych
24:38
behaviour – for example, an
731
1478960
1920
zachowań — na przykład
24:40
intelligent machine can learn
732
1480880
1440
inteligentna maszyna może uczyć się
24:42
from its own mistakes, and make
733
1482320
1600
na własnych błędach i podejmować
24:43
decisions based on what’s happened
734
1483920
2000
decyzje na podstawie tego, co wydarzyło się
24:45
in the past.
735
1485920
880
w przeszłości.
24:46
There’s a lot of talk about AI these
736
1486800
2000
Dużo się ostatnio mówi o sztucznej inteligencji
24:48
days, Neil, but it’s still just science
737
1488800
2160
, Neil, ale to wciąż tylko science
24:50
fiction, isn’t it?
738
1490960
1360
fiction, prawda?
24:52
That’s not true – AI is everywhere.
739
1492320
2640
To nieprawda – AI jest wszędzie.
24:54
Machine thinking is in our homes,
740
1494960
2160
Myślenie maszynowe jest obecne w naszych domach,
24:57
offices, schools and hospitals.
741
1497120
2480
biurach, szkołach i szpitalach.
24:59
Computer algorithms are helping
742
1499600
1680
Algorytmy komputerowe pomagają
25:01
us drive our cars. They’re diagnosing
743
1501280
2560
nam prowadzić nasze samochody.
25:03
what’s wrong with us in hospitals.
744
1503840
2160
W szpitalach diagnozują, co nam dolega.
25:06
They’re marking student essays…
745
1506000
1840
Oceniają wypracowania uczniów…
25:07
They’re telling us what to read on
746
1507840
1520
Mówią nam, co mamy czytać na
25:09
our smartphones…
747
1509360
960
naszych smartfonach…
25:10
Well, that really does sound like
748
1510320
1680
Cóż, to naprawdę brzmi jak
25:12
science fiction – but it’s
749
1512000
1760
science fiction – ale to
25:13
happening already, you say, Neil?
750
1513760
1840
już się dzieje, mówisz, Neil?
25:15
It’s definitely happening, Tim.
751
1515600
2245
To na pewno się dzieje, Tim.
25:17
And an algorithm, by the way, is
752
1517845
1435
Nawiasem mówiąc, algorytm to
25:19
a set of steps a computer follows
753
1519280
2320
zestaw kroków, które wykonuje komputer,
25:21
in order to solve a problem.
754
1521600
1680
aby rozwiązać problem.
25:23
So can you tell me what was the
755
1523280
2080
Czy możesz mi powiedzieć, jak
25:25
name of the computer which
756
1525360
1920
nazywał się komputer, który w 1997 roku
25:27
famously beat world chess
757
1527280
1600
słynnie pokonał mistrza świata w szachach
25:28
champion Garry Kasparov
758
1528880
1600
Garry'ego Kasparowa za
25:30
using algorithms in 1997?
759
1530480
2800
pomocą algorytmów? Czy to
25:33
Was it…
760
1533280
400
25:33
a) Hal, b) Alpha 60,
761
1533680
3120
było…
a) Hal, b) Alpha 60
25:36
or, c) Deep Blue?
762
1536800
1840
lub c) Deep Blue?
25:38
I’ll say Deep Blue.
763
1538640
2800
Powiem Deep Blue.
25:41
Although I’m just guessing.
764
1541440
1200
Chociaż tylko się domyślam. Czy
25:42
Was it an educated guess, Tim?
765
1542640
1920
to było rozsądne przypuszczenie, Tim?
25:44
I know a bit about chess…
766
1544560
1520
Znam się trochę na szachach…
25:46
An educated guess is based
767
1546080
1920
Uważne przypuszczenie opiera się
25:48
on knowledge and experience
768
1548000
1600
na wiedzy i doświadczeniu,
25:49
and is therefore likely to be correct.
769
1549600
2080
a zatem prawdopodobnie będzie poprawne.
25:51
Well, we’ll find out later on how
770
1551680
1760
Cóż, później dowiemy się, jak
25:53
educated your guess was in
771
1553440
1440
trafne było twoje przypuszczenie w
25:54
this case, Tim!
772
1554880
880
tym przypadku, Tim!
25:55
Indeed. But getting back to AI
773
1555760
2400
Rzeczywiście. Ale wracając do sztucznej inteligencji
25:58
and what machines can do – are
774
1558160
2480
i tego, co potrafią maszyny – czy są
26:00
they any good at solving real-life
775
1560640
2720
one dobre w rozwiązywaniu rzeczywistych
26:03
problems? Computers think in zeros
776
1563360
2640
problemów? Komputery myślą zerami
26:06
and ones don’t they? That sounds
777
1566000
1760
i jedynkami, prawda? To brzmi
26:07
like a pretty limited language when
778
1567760
1600
jak dość ograniczony język, jeśli
26:09
it comes to life experience!
779
1569360
1760
chodzi o doświadczenie życiowe!
26:11
You would be surprised to what
780
1571120
1520
Zdziwiłbyś się, co
26:12
those zeroes and ones can do, Tim.
781
1572640
2240
potrafią te zera i jedynki, Tim.
26:14
Although you’re right that AI does
782
1574880
1920
Chociaż masz rację, że sztuczna inteligencja
26:16
have its limitations at the moment.
783
1576800
1920
ma obecnie swoje ograniczenia.
26:18
And if something has limitations
784
1578720
1760
A jeśli coś ma ograniczenia,
26:20
there’s a limit on what it can do or
785
1580480
1920
istnieją ograniczenia co do tego, co może zrobić lub
26:22
how good it can be.
786
1582400
1280
jak dobre może być.
26:23
OK – well now might be a good time
787
1583680
2640
OK – to może być dobry moment,
26:26
to listen to Zoubin Bharhramani,
788
1586320
2160
aby posłuchać Zoubina Bharhramaniego,
26:28
Professor of Information Engineering
789
1588480
1920
profesora inżynierii informatycznej
26:30
at the University of Cambridge and
790
1590400
2240
na Uniwersytecie w Cambridge i
26:32
deputy director of the Leverhulme Centre
791
1592640
2880
zastępcy dyrektora 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
Mówi o tym, jakie ograniczenia
26:39
AI has at the moment.
794
1599760
2240
ma obecnie sztuczna inteligencja.
26:43
I think it’s very interesting how many
795
1603280
2880
Myślę, że to bardzo interesujące, jak wiele
26:46
of the things that we take for granted –
796
1606160
2160
rzeczy, które bierzemy za pewnik – my,
26:48
we humans take for granted – as being
797
1608320
2000
ludzie, przyjmujemy za pewnik – jako
26:50
sort of things we don’t even think about
798
1610320
1600
rzeczy, o których nawet nie myślimy,
26:51
like how do we walk, how do we reach,
799
1611920
2320
jak na przykład jak chodzimy, jak sięgamy,
26:54
how do we recognize our mother. You
800
1614240
3120
jak rozpoznajemy nasze matka.
26:57
know, all these things. When you start
801
1617360
2480
Wiesz, te wszystkie rzeczy. Kiedy zaczynasz
26:59
to think how to implement them on a
802
1619840
1840
zastanawiać się, jak zaimplementować je na
27:01
computer, you realize that it’s those
803
1621680
3120
komputerze, zdajesz sobie sprawę, że są to
27:04
things that are incredibly difficult to get
804
1624800
4400
rzeczy, które są niezwykle trudne do
27:09
computers to do, and that’s where the
805
1629200
2960
wykonania przez komputery, i właśnie tam
27:12
current cutting edge of research is.
806
1632160
2899
znajdują się najnowsze badania.
27:16
If we take something for granted we
807
1636320
1440
Jeśli bierzemy coś za pewnik,
27:17
don’t realise how important something is.
808
1637760
2400
nie zdajemy sobie sprawy, jak ważne jest coś.
27:20
You sometimes take me for granted, I
809
1640160
2080
Myślę, że czasami bierzesz mnie za pewnik,
27:22
think, Neil.
810
1642240
1200
Neil.
27:23
No – I never take you for granted, Tim!
811
1643440
1920
Nie – nigdy nie biorę cię za pewnik, Tim!
27:25
You’re far too important for that!
812
1645360
2320
Jesteś na to zbyt ważny!
27:27
Good to hear! So things we take for
813
1647680
2800
Miło słyszeć! Więc rzeczy, które bierzemy za
27:30
granted are doing every day tasks like
814
1650480
3280
pewnik, to wykonywanie codziennych zadań, takich jak
27:33
walking, picking something up, or
815
1653760
2160
chodzenie, podnoszenie czegoś lub
27:35
recognizing somebody. We implement –
816
1655920
3040
rozpoznawanie kogoś. Wdrażamy –
27:38
or perform – these things without
817
1658960
2240
lub wykonujemy – te rzeczy bez
27:41
thinking – Whereas it’s cutting edge
818
1661200
2640
zastanowienia – podczas gdy najnowocześniejszymi
27:43
research to try and program a
819
1663840
1760
badaniami są próby zaprogramowania
27:45
machine to do them.
820
1665600
1200
maszyny do ich wykonywania.
27:46
Cutting edge means very new and
821
1666800
2000
Najnowocześniejsze oznacza bardzo nowe i
27:48
advanced. It’s interesting isn't it, that
822
1668800
2000
zaawansowane. To ciekawe, prawda, że
27:50
over ten years ago a computer beat
823
1670800
2160
ponad dziesięć lat temu komputer pokonał
27:52
a chess grand master – but the
824
1672960
1680
wielkiego mistrza szachowego – ale ten
27:54
same computer would find it incredibly
825
1674640
2240
sam komputer miałby ogromne
27:56
difficult to pick up a chess piece.
826
1676880
2000
trudności z podniesieniem figury szachowej.
27:58
I know. It’s very strange. But now
827
1678880
2400
Ja wiem. To bardzo dziwne. Ale teraz
28:01
you’ve reminded me that we need
828
1681280
1520
przypomniałeś mi, że potrzebujemy
28:02
the answer to today’s question.
829
1682800
2080
odpowiedzi na dzisiejsze pytanie.
28:04
Which was: What was the name
830
1684880
1840
Które brzmiało: Jak nazywał się
28:06
of the computer which famously
831
1686720
1600
komputer, który słynnie
28:08
beat world chess champion
832
1688320
1760
pokonał szachowego mistrza świata
28:10
Garry Kasparov in 1997? Now, you
833
1690080
2800
Garriego Kasparowa w 1997 roku? Teraz
28:12
said Deep Blue, Tim, and … that was
834
1692880
2400
powiedziałeś Deep Blue, Tim, i… to była
28:15
the right answer!
835
1695280
1200
właściwa odpowiedź!
28:16
You see, my educated guess was
836
1696480
2320
Widzisz, moje wykształcone domysły
28:18
based on knowledge and experience!
837
1698800
2160
opierały się na wiedzy i doświadczeniu!
28:20
Or maybe you were just lucky. So, the
838
1700960
3680
A może po prostu miałeś szczęście. Tak więc
28:24
IBM supercomputer Deep Blue played
839
1704640
2320
superkomputer IBM Deep Blue grał
28:26
against US world chess champion
840
1706960
2000
przeciwko amerykańskiemu mistrzowi świata w szachach
28:28
Garry Kasparov in two chess matches.
841
1708960
2400
Garri Kasparowowi w dwóch meczach szachowych.
28:31
The first match was played in
842
1711360
1360
Pierwszy mecz rozegrano w
28:32
Philadelphia in 1996 and was
843
1712720
2080
Filadelfii w 1996 roku i
28:34
won by Kasparov. The second was
844
1714800
2080
wygrał Kasparow. Drugi
28:36
played in New York City in 1997
845
1716880
2320
rozegrano w Nowym Jorku w 1997 roku
28:39
and won by Deep Blue. The 1997
846
1719200
3120
i wygrał Deep Blue.
28:42
match was the first defeat of a
847
1722320
1600
Mecz z 1997 roku był pierwszą porażką
28:43
reigning world chess champion
848
1723920
1600
aktualnego mistrza świata w szachach
28:45
by a computer under
849
1725520
1360
przez komputer w
28:46
tournament conditions.
850
1726880
1680
warunkach turniejowych.
28:48
Let’s go through the words we
851
1728560
1520
Przeanalizujmy słowa, których się
28:50
learned today. First up was
852
1730080
2320
dzisiaj nauczyliśmy. Najpierw pojawiła się
28:52
‘artificial intelligence’ or AI – the
853
1732400
3200
„sztuczna inteligencja” lub sztuczna inteligencja –
28:55
ability of machines to copy human
854
1735600
2400
zdolność maszyn do kopiowania ludzkich
28:58
intelligent behaviour.
855
1738000
1200
inteligentnych zachowań.
28:59
“There are AI programs that can
856
1739200
1840
„Istnieją programy AI, które potrafią
29:01
write poetry.”
857
1741040
1280
pisać wiersze”.
29:02
Do you have any examples you
858
1742320
1600
Czy masz jakieś przykłady, które
29:03
can recite?
859
1743920
1040
możesz wyrecytować?
29:04
Afraid I don’t! Number two – an
860
1744960
2080
Obawiam się, że nie! Po drugie –
29:07
algorithm is a set of steps a
861
1747040
1840
algorytm to zestaw kroków, które
29:08
computer follows in order to
862
1748880
1520
wykonuje komputer, aby
29:10
solve a problem. For example,
863
1750400
1760
rozwiązać problem. Na przykład
29:12
“Google changes its search
864
1752160
1680
„Google zmienia swój
29:13
algorithm hundreds of times
865
1753840
1760
algorytm wyszukiwania setki razy
29:15
every year.”
866
1755600
880
w ciągu roku”.
29:16
The adjective is algorithmic – for
867
1756480
2560
Przymiotnik jest algorytmiczny – na
29:19
example, “Google has made many
868
1759040
2240
przykład „Google wprowadził wiele
29:21
algorithmic changes.”
869
1761280
1760
zmian algorytmicznych”.
29:23
Number three – if something has
870
1763040
2000
Po trzecie – jeśli coś ma
29:25
‘limitations’ – there’s a limit on
871
1765040
1680
„ograniczenia” – istnieją ograniczenia co do tego,
29:26
what it can do or how good it
872
1766720
1520
co może zrobić lub jak dobre
29:28
can be. “Our show has certain
873
1768240
2400
może być. „Nasz program ma pewne
29:30
limitations – for example, it’s only
874
1770640
2320
ograniczenia – na przykład
29:32
six minutes long!”
875
1772960
1040
trwa tylko sześć minut!”
29:34
That’s right – there’s only time to
876
1774000
1760
Zgadza się – jest tylko czas na
29:35
present six vocabulary items.
877
1775760
2400
przedstawienie sześciu elementów słownictwa.
29:38
Short but sweet!
878
1778160
1120
Krótkie, ale słodkie!
29:39
And very intelligent, too. OK, the
879
1779280
2640
A do tego bardzo inteligentny. OK,
29:41
next item is ‘take something for
880
1781920
1760
następną pozycją jest „branie czegoś za
29:43
granted’ – which is when we don’t
881
1783680
1760
pewnik” – czyli wtedy, gdy nie zdajemy sobie
29:45
realise how important something is.
882
1785440
1920
sprawy, jak ważne jest coś.
29:47
“We take our smart phones for granted
883
1787360
2160
„Obecnie smartfony traktujemy jak coś oczywistego,
29:49
these days – but before 1995 hardly
884
1789520
3200
ale przed 1995 rokiem prawie
29:52
anyone owned one.”
885
1792720
1520
nikt ich nie posiadał”.
29:54
Number five – ‘to implement’ – means
886
1794240
2480
Numer pięć – „wdrożyć” – oznacza
29:56
to perform a task, or take action.
887
1796720
2080
wykonać zadanie lub podjąć działanie.
29:58
“Neil implemented some changes
888
1798800
1760
„Neil wprowadził pewne zmiany
30:00
to the show.”
889
1800560
880
w serialu”.
30:01
The final item is ‘cutting edge’ – new
890
1801440
2480
Ostatnia pozycja to „najnowocześniejsze” – nowe
30:03
and advanced – “This software is
891
1803920
2000
i zaawansowane – „To oprogramowanie jest
30:05
cutting edge.”
892
1805920
880
najnowocześniejsze”.
30:06
“The software uses cutting edge
893
1806800
2000
„Oprogramowanie wykorzystuje najnowocześniejszą
30:08
technology.”
894
1808800
1280
technologię”.
30:10
OK – that’s all we have time for on
895
1810080
1840
OK – to wszystko, na co mamy czas w
30:11
today’s cutting edge show. But please
896
1811920
2640
dzisiejszym najnowszym programie. Ale
30:14
check out our Instagram, Twitter,
897
1814560
1840
sprawdź nasze strony na Instagramie, Twitterze,
30:16
Facebook and YouTube pages.
898
1816400
1840
Facebooku i YouTube.
30:18
Bye-bye!
899
1818240
560
30:18
Goodbye!
900
1818800
903
PA pa!
Do widzenia!
O tej stronie

Na tej stronie poznasz filmy z YouTube, które są przydatne do nauki języka angielskiego. Zobaczysz lekcje angielskiego prowadzone przez najlepszych nauczycieli z całego świata. Kliknij dwukrotnie na angielskie napisy wyświetlane na stronie każdego filmu, aby odtworzyć film od tego miejsca. Napisy przewijają się synchronicznie z odtwarzaniem filmu. Jeśli masz jakieś uwagi lub prośby, skontaktuj się z nami za pomocą formularza kontaktowego.

https://forms.gle/WvT1wiN1qDtmnspy7