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

162,882 views ・ 2022-10-16

BBC Learning English


Por favor, faça duplo clique nas legendas em inglês abaixo para reproduzir o vídeo. As legendas traduzidas são traduzidas automaticamente.

00:05
Hello. This is 6 Minute English
0
5920
1760
Olá. Este é o 6 Minute English
00:07
from BBC Learning English.
1
7680
1440
da BBC Learning English.
00:09
I’m Sam.
2
9120
720
00:09
And I’m Neil.
3
9840
880
Eu sou Sam.
E eu sou Neil.
00:10
On Saturday mornings I love going
4
10720
2000
Nas manhãs de sábado,
00:12
to watch football in the park.
5
12720
1920
adoro assistir futebol no parque.
00:14
The problem is when it’s cold and
6
14640
1760
O problema é quando está frio e
00:16
rainy - I look out the bedroom window
7
16400
2160
chuvoso - olho pela janela do quarto
00:18
and go straight back to bed!
8
18560
1760
e volto direto para a cama!
00:20
Well, instead of going to the park, why
9
20320
2000
Bem, ao invés de ir ao parque, por que
00:22
not bring the park to you? Imagine
10
22320
2400
não levar o parque até você? Imagine
00:24
watching a live version of the
11
24720
1760
assistir a uma versão ao vivo da
00:26
football match at home in the warm,
12
26480
1760
partida de futebol em casa, no calor,
00:28
with friends. Sound good, Sam?
13
28240
2240
com os amigos. Parece bom, Sam?
00:30
Sounds great! – but how can I be in
14
30480
2160
Parece bom! – mas como posso estar em
00:32
two places at once? Is there some
15
32640
2000
dois lugares ao mesmo tempo? Existe alguma
00:34
amazing invention to do that?
16
34640
1840
invenção incrível para fazer isso?
00:36
There might be, Sam - and it could
17
36480
1600
Pode haver, Sam - e pode
00:38
be happening sooner than you think,
18
38080
2080
estar acontecendo mais cedo do que você pensa,
00:40
thanks to developments in VR, or
19
40160
2320
graças aos desenvolvimentos em VR ou
00:42
virtual reality. According to Facebook
20
42480
2000
realidade virtual. De acordo com o
00:44
boss, Mark Zuckerberg, in the future
21
44480
2240
chefe do Facebook, Mark Zuckerberg, no
00:46
we’ll all spend much of our time
22
46720
1840
futuro todos passaremos muito do nosso tempo
00:48
living and working in the ‘metaverse’ – a
23
48560
2880
vivendo e trabalhando no “metaverso” – uma
00:51
series of virtual worlds.
24
51440
2400
série de mundos virtuais.
00:53
Virtual reality is a topic we’ve discussed
25
53840
2480
A realidade virtual é um tópico que discutimos
00:56
before at 6 Minute English. But when
26
56320
2720
antes no 6 Minute English. Mas quando o
00:59
Facebook announced that it was
27
59040
1280
Facebook anunciou que estava
01:00
hiring ten thousand new workers
28
60320
2000
contratando dez mil novos trabalhadores
01:02
to develop VR for the ‘metaverse’, we
29
62320
2720
para desenvolver VR para o ‘metaverso’,
01:05
thought it was time for another look.
30
65040
1760
pensamos que era hora de dar outra olhada.
01:06
Is this programme, we’ll be hearing two
31
66800
1760
Neste programa, ouviremos duas
01:08
different opinions on the ‘metaverse’
32
68560
1760
opiniões diferentes sobre o ‘metaverso’
01:10
and how it might shape the future.
33
70320
2000
e como ele pode moldar o futuro.
01:12
But first I have a question for you, Neil.
34
72320
3040
Mas primeiro tenho uma pergunta para você, Neil.
01:15
According to a 2021 survey by
35
75360
2480
De acordo com uma pesquisa de 2021 da
01:17
gaming company, Thrive Analytics, what
36
77840
2880
empresa de jogos Thrive Analytics, que
01:20
percentage of people who try virtual
37
80720
2240
porcentagem de pessoas que experimentam a
01:22
reality once want to try it again? Is it:
38
82960
3920
realidade virtual uma vez desejam experimentá-la novamente? É:
01:26
a) 9 percent?
39
86880
1920
a) 9 por cento?
01:28
b) 49 percent? or,
40
88800
2240
b) 49%? ou,
01:31
c) 79 percent?
41
91040
2160
c) 79 por cento?
01:33
I guess with VR you either love it
42
93200
1840
Acho que com VR você ama
01:35
or hate it, so I’ll say b) 49 percent of
43
95040
3120
ou odeia, então direi b) 49% das
01:38
people want to try it again.
44
98160
1840
pessoas querem tentar novamente.
01:40
OK, I’ll reveal the correct answer
45
100000
1840
OK, revelarei a resposta correta
01:41
later in the programme. But what
46
101840
1760
mais tarde no programa. Mas o que
01:43
Neil said is true: people tend to either
47
103600
2400
Neil disse é verdade: as pessoas tendem a
01:46
love virtual reality or hate it.
48
106000
2720
amar ou odiar a realidade virtual.
01:48
Somebody who loves it is
49
108720
1440
Alguém que adora é
01:50
Emma Ridderstad, CEO of Warpin’, a
50
110160
2800
Emma Ridderstad, CEO da Warpin ', uma
01:52
company which develops
51
112960
1280
empresa que desenvolve
01:54
VR technology.
52
114240
1200
tecnologia VR.
01:55
Here she is telling BBC World
53
115440
1760
Aqui ela está contando
01:57
Service programme, Tech Tent, her
54
117200
1920
ao programa Tech Tent, da BBC World Service, sua
01:59
vision of the future:
55
119120
1520
visão de futuro:
02:00
In ten years, everything that you
56
120640
1760
Em dez anos, tudo o que você
02:02
do on your phone today, you will
57
122400
2160
faz no seu telefone hoje, você
02:04
do in 3-D, through your classes
58
124560
2000
fará em 3-D, por meio de suas aulas,
02:06
for example. You will be able to do
59
126560
2480
por exemplo. Você poderá fazer
02:09
your shopping, you will be able to
60
129040
1920
suas compras, poderá
02:10
meet your friends, you will be able
61
130960
1680
encontrar seus amigos,
02:12
to work remotely with whomever
62
132640
2400
poderá trabalhar remotamente com
02:15
you want, you will be able to share
63
135040
2480
quem quiser, poderá compartilhar
02:17
digital spaces, share music, share
64
137520
3920
espaços digitais, compartilhar música, compartilhar
02:21
art, share projects in digital spaces
65
141440
3200
arte, compartilhar projetos em espaços digitais
02:24
between each other. And you will also
66
144640
2080
entre si. E você
02:26
be able to integrate the digital objects
67
146720
2160
também poderá integrar os objetos digitais
02:28
in your physical world, making the
68
148880
2720
em seu mundo físico, tornando o
02:31
world much more phygital than
69
151600
1840
mundo muito mais phygital do que
02:33
is it today.
70
153440
1399
é hoje.
02:35
Virtual reality creates 3-D, or
71
155040
2720
A realidade virtual cria
02:37
three-dimensional experiences where
72
157760
2080
experiências tridimensionais ou tridimensionais em que os
02:39
objects have the three dimensions of
73
159840
2400
objetos têm as três dimensões de
02:42
length, width and height. This makes
74
162240
2640
comprimento, largura e altura. Isso faz com
02:44
them look lifelike and solid, not
75
164880
2400
que pareçam realistas e sólidos, não
02:47
two-dimensional and flat.
76
167280
2560
bidimensionais e planos.
02:49
Emma says that in the future VR will
77
169840
2160
Emma diz que no futuro a RV vai
02:52
mix digital objects and physical
78
172000
2000
misturar objetos digitais e objetos físicos
02:54
objects to create exciting new
79
174000
1920
para criar novas
02:55
experiences – like staying home to
80
175920
2400
experiências emocionantes – como ficar em casa para
02:58
watch the same football match
81
178320
1440
assistir ao mesmo jogo de futebol
02:59
that is simultaneously happening in
82
179760
1840
que está acontecendo simultaneamente
03:01
the park. She blends the words
83
181600
2400
no parque. Ela mistura as palavras
03:04
‘physical’ and ‘digital’ to make a new
84
184000
2240
'físico' e 'digital' para criar uma nova
03:06
word describing this
85
186240
1040
palavra que descreve essa
03:07
combination: phygital.
86
187280
2480
combinação: phygital.
03:09
But while a ‘phygital’ future sounds
87
189760
1920
Mas enquanto um futuro ‘phygital’ soa
03:11
like paradise to some, others are
88
191680
2080
como o paraíso para alguns, outros são
03:13
more sceptical – they doubt that
89
193760
2080
mais céticos – eles duvidam que a
03:15
VR will come true or be useful.
90
195840
2480
RV se torne realidade ou seja útil.
03:18
One such sceptic is technology
91
198320
2080
Um desses céticos é o
03:20
innovator, Dr Nicola Millard. For one
92
200400
2720
inovador da tecnologia, Dr. Nicola Millard. Por um
03:23
thing, she doesn’t like wearing a
93
203120
1440
lado, ela não gosta de usar um
03:24
VR headset – the heavy helmet and
94
204560
2320
fone de ouvido VR - o capacete pesado e os
03:26
glasses that create virtual reality
95
206880
2160
óculos que criam realidade virtual
03:29
for the wearer – something she
96
209040
1760
para o usuário - algo que ela
03:30
explained to BBC World Service’s,
97
210800
2160
explicou ao BBC World Service,
03:32
Tech Tent:
98
212960
1189
Tech Tent:
03:34
There are some basic things to
99
214480
1680
Há algumas coisas básicas para se
03:36
think about. So, how do we
100
216160
1600
pensar. Então, como podemos
03:37
access it? So, the reason, sort of,
101
217760
2400
acessá-lo? Então, o motivo pelo qual
03:40
social networks took off was, we’ve
102
220160
2240
as redes sociais decolaram foi porque
03:42
got mobile technologies that let
103
222400
1840
temos tecnologias móveis que
03:44
us use it. Now, obviously one of
104
224240
1840
nos permitem usá-las. Agora, obviamente, uma
03:46
the barriers can be that VR or AR
105
226080
2640
das barreiras pode ser os
03:48
headsets - so VR, I’ve always been
106
228720
2320
fones de ouvido VR ou AR - então VR, sempre fui
03:51
slightly sceptical about. I’ve called
107
231040
2480
um pouco cético. Eu chamei
03:53
it ‘vomity reality’ for a while because,
108
233520
2240
isso de 'realidade do vômito' por um tempo porque,
03:55
frankly, I usually need a bucket
109
235760
2960
francamente, geralmente preciso de um balde em
03:58
somewhere close if you’ve got a
110
238720
1360
algum lugar próximo se você tiver um
04:00
headset on me… and also, do I want
111
240080
1840
fone de ouvido comigo ... e também,
04:01
to spend vast amounts of time in
112
241920
2000
quero gastar muito tempo
04:03
those rather unwieldy headsets?
113
243920
1440
nesses fones de ouvido bastante pesados ?
04:05
Now, I know they’re talking AR as
114
245360
1840
Agora, eu sei que eles estão falando de AR
04:07
well and obviously that does not
115
247200
1600
também e, obviamente, isso não
04:08
necessarily need a headset, but I
116
248800
1680
precisa necessariamente de um fone de ouvido, mas
04:10
think we’re seeing some quite
117
250480
1840
acho que estamos vendo alguns
04:12
immersive environments coming
118
252320
1600
ambientes bastante imersivos
04:13
out at the moment as well.
119
253920
1600
surgindo no momento também.
04:15
Nicola called VR ‘vomity reality’
120
255520
3040
Nicola chamou a RV de "realidade do vômito"
04:18
because wearing a headset makes
121
258560
1600
porque usar um fone de ouvido a
04:20
her feel sick, maybe because it’s
122
260160
2320
deixa enjoada, talvez porque seja
04:22
so unwieldy – difficult to move or
123
262480
2640
muito difícil de manejar - difícil de mover ou
04:25
wear because it’s big and heavy.
124
265120
2080
usar porque é grande e pesado.
04:27
She also makes a difference
125
267200
1440
Ela também faz a diferença
04:28
between VR - virtual reality- and AR,
126
268640
3600
entre VR - realidade virtual - e AR,
04:32
which stands for augmented
127
272240
1600
que significa
04:33
reality – tech which adds to the
128
273840
2560
realidade aumentada - tecnologia que se soma ao
04:36
ordinary physical world by
129
276400
1440
mundo físico comum ao
04:37
projecting virtual words, pictures
130
277840
2400
projetar palavras, imagens
04:40
and characters, usually by wearing
131
280240
1840
e personagens virtuais, geralmente usando
04:42
glasses or with a mobile phone.
132
282080
2320
óculos ou com um telefone celular.
04:44
While virtual reality replaces what
133
284400
2000
Enquanto a realidade virtual substitui o que
04:46
you hear and see, augmented
134
286400
2000
você ouve e vê, a
04:48
reality adds to it. Both VR and AR
135
288400
3920
realidade aumentada adiciona a ela. Tanto VR quanto AR
04:52
are immersive experiences – they
136
292320
2400
são experiências imersivas – elas
04:54
stimulate your senses and surround
137
294720
1920
estimulam seus sentidos e o cercam
04:56
you so that you feel completely
138
296640
1600
para que você se sinta completamente
04:58
involved in the experience.
139
298240
1680
envolvido na experiência.
04:59
In fact, the experience feels so real
140
299920
2480
Na verdade, a experiência parece tão real
05:02
that people keep coming back
141
302400
1280
que as pessoas continuam voltando
05:03
for more.
142
303680
720
para mais.
05:04
Right! In my question I asked
143
304400
2240
Certo! Na minha pergunta, perguntei a
05:06
Neil how many people who try
144
306640
1600
Neil quantas pessoas que experimentam
05:08
VR for the first time want to try
145
308240
2000
VR pela primeira vez querem
05:10
it again.
146
310240
800
tentar novamente.
05:11
I guessed it was about half –
147
311040
1760
Achei que era cerca de metade -
05:12
49 percent. Was I right?
148
312800
1840
49 por cento. Eu estava certo?
05:14
You were… wrong, I’m afraid.
149
314640
2400
Você estava... errado, receio.
05:17
The correct answer is much
150
317040
1440
A resposta correta é muito
05:18
higher - 79 percent of people
151
318480
2560
maior - 79% das pessoas
05:21
would give VR another try.
152
321040
2080
dariam outra chance à RV.
05:23
I suppose because the experience
153
323120
1680
Suponho que porque a experiência
05:24
was so immersive – stimulating,
154
324800
2480
foi tão envolvente – estimulante,
05:27
surrounding and realistic.
155
327280
2000
envolvente e realista.
05:29
Ok, A, let’s recap the other
156
329280
1680
Ok, A, vamos recapitular o outro
05:30
vocabulary from this programme
157
330960
1600
vocabulário deste programa
05:32
on the ‘metaverse’, a kind of
158
332560
1840
sobre o ‘metaverso’, uma espécie de
05:34
augmented reality – reality which
159
334400
2720
realidade aumentada – realidade que
05:37
is enhanced or added to
160
337120
1600
é aprimorada ou adicionada
05:38
by technology.
161
338720
1280
pela tecnologia.
05:40
3-D objects have three
162
340000
1280
Os objetos 3D têm três
05:41
dimensions, making them
163
341280
1200
dimensões, fazendo com que
05:42
appear real and solid.
164
342480
1840
pareçam reais e sólidos.
05:44
Phygital is an invented word
165
344320
1760
Phygital é uma palavra inventada
05:46
which combines the features of
166
346080
1680
que combina as características dos
05:47
‘physical’ and ‘digital’ worlds.
167
347760
2240
mundos "físico" e "digital".
05:50
A sceptical person is doubtful
168
350000
2320
Uma pessoa cética tem dúvidas
05:52
about something.
169
352320
1040
sobre algo.
05:53
And finally, unwieldy means
170
353360
1760
E, finalmente, difícil de manejar significa
05:55
difficult to move or carry because
171
355120
1840
difícil de mover ou carregar
05:56
it’s so big and heavy.
172
356960
1520
porque é muito grande e pesado.
05:58
That’s our six minutes up, in this
173
358480
2000
Esses são os nossos seis minutos, nesta
06:00
reality anyway. See you in the
174
360480
2000
realidade de qualquer maneira. Vejo você no
06:02
‘metaverse’ soon!
175
362480
1120
‘metaverso’ em breve!
06:03
Goodbye!
176
363600
959
Adeus!
06:10
Hello. This is 6 Minute English
177
370320
1680
Olá. Este é o 6 Minute English
06:12
from BBC Learning English.
178
372000
1680
da BBC Learning English.
06:13
I’m Neil.
179
373680
800
Eu sou Neil.
06:14
And I’m Sam.
180
374480
1040
E eu sou Sam.
06:15
What do shopping with a credit
181
375520
1520
O que fazer compras com
06:17
card, finding love through
182
377040
1680
cartão de crédito, encontrar o amor por meio de
06:18
internet dating and waiting for
183
378720
1920
encontros pela Internet e esperar que
06:20
the traffic lights to change
184
380640
1520
os semáforos mudem
06:22
have in common?
185
382160
1040
têm em comum?
06:23
Hmmm, they all involve
186
383200
1920
Hmmm, todos eles envolvem
06:25
computers?
187
385120
800
06:25
Good guess, Sam! But how
188
385920
1520
computadores?
Bom palpite, Sam! Mas como
06:27
exactly do those computers work?
189
387440
2400
exatamente esses computadores funcionam?
06:29
The answer is that they all use
190
389840
2400
A resposta é que todos eles usam
06:32
algorithms – sets of mathematical
191
392240
2480
algoritmos – conjuntos de
06:34
instructions which find solutions
192
394720
1920
instruções matemáticas que encontram soluções
06:36
to problems.
193
396640
1120
para problemas.
06:37
Although they are often hidden,
194
397760
2000
Embora muitas vezes estejam ocultos, os
06:39
algorithms are all around us.
195
399760
2080
algoritmos estão ao nosso redor.
06:41
From mobile phone maps to
196
401840
1520
De mapas de celular
06:43
home delivery pizza, they play a
197
403360
2160
a entrega de pizza em casa, eles desempenham
06:45
big part of modern life. And
198
405520
2000
um papel importante na vida moderna. E
06:47
they’re the topic of this programme.
199
407520
2080
eles são o tema deste programa.
06:49
A simple way to think of algorithms
200
409600
2000
Uma maneira simples de pensar em algoritmos
06:51
is as recipes. To make pancakes
201
411600
2880
é como receitas. Para fazer panquecas
06:54
you mix flour, eggs and milk, then
202
414480
2320
você mistura farinha, ovos e leite, depois
06:56
melt butter in a frying pan and
203
416800
1920
derreta a manteiga em uma frigideira e
06:58
so on. Computers do this in more
204
418720
2080
assim por diante. Os computadores fazem isso de
07:00
a complicated way by repeating
205
420800
2000
uma maneira mais complicada, repetindo
07:02
mathematical equations over
206
422800
1840
equações matemáticas continuamente
07:04
and over again.
207
424640
1360
.
07:06
Equations are mathematical
208
426000
1440
Equações são sentenças matemáticas que
07:07
sentences showing how two
209
427440
1520
mostram como duas
07:08
things are equal. They’re similar
210
428960
2160
coisas são iguais. Eles são semelhantes
07:11
to algorithms and the most famous
211
431120
2080
a algoritmos e a
07:13
scientific equation of all, Einstein's
212
433200
2720
equação científica mais famosa de todas,
07:15
E=MC2, can be thought of as a
213
435920
3520
E=MC2 de Einstein, pode ser considerada um
07:19
three-part algorithm.
214
439440
1920
algoritmo de três partes.
07:21
But before my brain gets squashed
215
441360
2000
Mas antes que meu cérebro seja esmagado
07:23
by all this maths, I have a quiz
216
443360
1760
por toda essa matemática, tenho uma
07:25
question for you, Sam. As you know,
217
445120
2400
pergunta para você, Sam. Como você sabe,
07:27
Einstein’s famous equation is
218
447520
1760
a famosa equação de Einstein é
07:29
E=MC2 - but what does the
219
449280
2880
E=MC2 - mas o que significa o
07:32
‘E’ stand for? Is it:
220
452160
1680
'E'? É:
07:33
a) electricity?
221
453840
1840
a) eletricidade?
07:35
b) energy? or
222
455680
1360
b) energia? ou
07:37
c) everything?
223
457040
1600
c) tudo?
07:38
I’m tempted to say ‘E’ is for
224
458640
1680
Fico tentado a dizer que ‘E’ é para
07:40
‘everything’ but I reckon I know
225
460320
1760
‘tudo’, mas acho que sei
07:42
the answer: b – ‘E’ stands
226
462080
2320
a resposta: b – ‘E’
07:44
for ‘energy’.
227
464400
800
significa ‘energia’.
07:45
OK, Sam, we’ll find out if you’re
228
465200
1600
OK, Sam, vamos descobrir se você está
07:46
right later in the programme.
229
466800
2000
certo mais tarde no programa.
07:48
With all this talk of computers, you
230
468800
1680
Com toda essa conversa sobre computadores, você
07:50
might think algorithms are a
231
470480
1440
pode pensar que os algoritmos são uma
07:51
new idea. In fact, they’ve been
232
471920
2320
ideia nova. Na verdade, eles
07:54
around since Babylonian times,
233
474240
2080
existem desde os tempos da Babilônia,
07:56
around 4,000 years ago.
234
476320
2000
cerca de 4.000 anos atrás.
07:58
And their use today can be
235
478320
1520
E seu uso hoje pode ser
07:59
controversial. Some algorithms
236
479840
2080
controverso. Alguns algoritmos
08:01
used in internet search engines
237
481920
1760
usados ​​em buscadores na internet
08:03
have been accused of
238
483680
1040
foram acusados ​​de
08:04
racial prejudice.
239
484720
1440
preconceito racial.
08:06
Ramesh Srinivasan is Professor
240
486160
2000
Ramesh Srinivasan é professor
08:08
of Information Studies at the
241
488160
1600
de Estudos da Informação na
08:09
University of California. Here’s what
242
489760
2400
Universidade da Califórnia. Aqui está o que
08:12
he said when asked what the word
243
492160
1760
ele disse quando perguntado o que a palavra '
08:13
‘algorithm’ actually means by
244
493920
1760
algoritmo' realmente significa pelo
08:15
BBC World Service’s programme,
245
495680
1840
programa da BBC World Service,
08:17
The Forum:
246
497520
1219
The Forum:
08:20
My understanding of the term
247
500560
2000
Meu entendimento do termo '
08:22
‘algorithm’ is that it’s not necessarily
248
502560
1840
algoritmo' é que não é necessariamente
08:24
the bogyman, or its not necessarily
249
504400
2640
o bicho-papão, ou não é necessariamente
08:27
something that is, you know, inscrutable
250
507040
2800
algo que é, você sabe, inescrutável
08:29
or mysterious to all people – it’s the
251
509840
2080
ou misterioso para todas as pessoas – é o
08:31
set of instructions that you write in
252
511920
3760
conjunto de instruções que você escreve em
08:35
some mathematical form or in
253
515680
1920
alguma forma matemática ou em
08:37
some software code – so it’s the
254
517600
1680
algum código de software – então é o
08:39
repeated set of instructions that
255
519280
2640
conjunto repetido de instruções que
08:41
are sequenced, that are used and
256
521920
2400
são sequenciadas, que são usadas e
08:44
applied to answer a question or
257
524320
2080
aplicadas para responder a uma pergunta ou
08:46
resolve a problem – it’s a simple
258
526400
1600
resolver um problema – é simples
08:48
as that, actually.
259
528000
1393
assim, na verdade.
08:51
Some think that algorithms have
260
531200
1440
Alguns pensam que os algoritmos têm
08:52
been controversial, but Professor
261
532640
1760
sido controversos, mas o professor
08:54
Srinivasan says they are not
262
534400
2080
Srinivasan diz que eles não são
08:56
necessarily the bogyman. The
263
536480
2240
necessariamente o bicho-papão. O
08:58
bogyman refers to something
264
538720
1520
bicho-papão refere-se a algo que as
09:00
people call ‘bad’ or ‘evil’ to make
265
540240
2800
pessoas chamam de 'ruim' ou 'mau' para deixar
09:03
other people afraid.
266
543040
1520
outras pessoas com medo.
09:04
Professor Srinivasan thinks
267
544560
1840
O professor Srinivasan acha que os
09:06
algorithms are neither evil nor
268
546400
2320
algoritmos não são maus nem
09:08
inscrutable – not showing emotions
269
548720
2640
inescrutáveis ​​– não mostram emoções
09:11
or thoughts and therefore very
270
551360
1680
ou pensamentos e, portanto, são muito
09:13
difficult to understand.
271
553040
1840
difíceis de entender.
09:14
Still, it can be difficult to understand
272
554880
1920
Ainda assim, pode ser difícil entender
09:16
exactly what algorithms are,
273
556800
1840
exatamente o que são algoritmos,
09:18
especially when there are many
274
558640
1680
especialmente quando existem muitos
09:20
different types of them. So, let’s
275
560320
2080
tipos diferentes deles. Então, vamos
09:22
take an example.
276
562400
1200
dar um exemplo.
09:23
It’s autumn and we want to
277
563600
1280
É outono e queremos
09:24
collect all the apples from our
278
564880
1680
recolher todas as maçãs do nosso
09:26
orchard and divide them into
279
566560
1360
pomar e dividi-las em
09:27
three groups – big, medium
280
567920
2080
três grupos – grandes, médias
09:30
and small. One method is to
281
570000
2000
e pequenas. Um método é
09:32
collect all the apples together
282
572000
1760
coletar todas as maçãs juntas
09:33
and compare their sizes.
283
573760
1840
e comparar seus tamanhos.
09:35
But doing this would take hours!
284
575600
1680
Mas fazer isso levaria horas!
09:37
It’s much easier to first collect
285
577280
1840
É muito mais fácil colher primeiro
09:39
the apples from only one tree -
286
579120
2240
as maçãs de apenas uma árvore –
09:41
divide those into big, medium
287
581360
2080
dividi-las em grandes, médias
09:43
or small – and then repeat the
288
583440
2000
ou pequenas – e depois repetir o
09:45
process for the other trees,
289
585440
2000
processo para as outras árvores,
09:47
one by one.
290
587440
1440
uma a uma.
09:48
That’s basically what algorithms
291
588880
1680
Isso é basicamente o que os algoritmos
09:50
do – they find the most efficient
292
590560
1840
fazem – eles encontram a maneira mais eficiente
09:52
way to get things done, or in other
293
592400
2080
de fazer as coisas ou, em outras
09:54
words, get the best results in the
294
594480
1760
palavras, obter os melhores resultados no
09:56
quickest time.
295
596240
1520
menor tempo possível.
09:57
Mathematics professor Ian
296
597760
1520
O professor de matemática Ian
09:59
Stewart agrees. Listen as he
297
599280
2080
Stewart concorda. Ouça enquanto ele
10:01
explains how the algorithm called
298
601360
2240
explica como o algoritmo chamado
10:03
‘bubble sort’ works to BBC World
299
603600
2480
'classificação por bolha' funciona para o programa da 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
Pense em quando seu computador está
10:11
sorting emails by date and maybe
302
611520
2000
classificando e-mails por data e talvez
10:13
you’ve got 500 emails and it sorts
303
613520
1760
você tenha 500 e-mails e os
10:15
them by date in a flash.
304
615280
1520
classifique por data em um piscar de olhos.
10:16
Now it doesn’t use bubble sort,
305
616800
1280
Agora ele não usa classificação de bolhas,
10:18
but it does use a sorting method
306
618080
1920
mas usa um método de classificação
10:20
and if you tried to do that by hand
307
620000
2320
e se você tentar fazer isso manualmente
10:22
it would take you a very long time,
308
622320
1520
, levará muito tempo,
10:23
whatever method you used.
309
623840
1982
seja qual for o método usado.
10:27
Professor Stewart describes how
310
627520
1680
O professor Stewart descreve como os
10:29
algorithms sort emails. To sort is a
311
629200
2880
algoritmos classificam os e-mails. Ordenar é um
10:32
verb meaning to group together
312
632080
1520
verbo que significa agrupar
10:33
things which share similarities.
313
633600
2080
coisas que compartilham semelhanças.
10:35
Just like grouping the apples by
314
635680
1760
Assim como agrupar as maçãs por
10:37
size, sorting hundreds of emails
315
637440
2320
tamanho, classificar centenas de e-
10:39
by hand would take a long time.
316
639760
2320
mails manualmente levaria muito tempo.
10:42
But using algorithms, computers
317
642080
2080
Mas, usando algoritmos, os computadores
10:44
do it in a flash – very quickly or
318
644160
2720
fazem isso em um piscar de olhos – muito rapidamente ou
10:46
suddenly.
319
646880
880
repentinamente.
10:47
That phrase – in a flash – reminds
320
647760
1840
Essa frase – em um piscar de olhos –
10:49
me of how Albert Einstein came up
321
649600
2160
me lembra como Albert Einstein
10:51
with his famous equation, E=MC2.
322
651760
4080
criou sua famosa equação, E=MC2.
10:55
And that reminds me of your quiz
323
655840
2080
E isso me lembra da sua
10:57
question. You asked about the ‘E’
324
657920
2720
pergunta do quiz. Você perguntou sobre o ‘E’
11:00
in E=MC2. I said it stands for ‘energy’.
325
660640
3840
em E=MC2. Eu disse que significa 'energia'.
11:04
So, was I right?
326
664480
1280
Então, eu estava certo?
11:05
‘Energy’ is the correct answer.
327
665760
2560
"Energia" é a resposta correta.
11:08
Energy equals ‘M’ for mass,
328
668320
2080
Energia é igual a 'M' para massa,
11:10
multiplied by the Constant ‘C’ which
329
670400
2560
multiplicada pela Constante 'C', que
11:12
is the speed of light, squared.
330
672960
2480
é a velocidade da luz, ao quadrado.
11:15
OK, let’s recap the vocabulary from
331
675440
2240
OK, vamos recapitular o vocabulário
11:17
this programme, starting with
332
677680
1520
deste programa, começando com a
11:19
equation – a mathematical statement
333
679200
2640
equação – uma declaração matemática que
11:21
using symbols to show two
334
681840
2000
usa símbolos para mostrar duas
11:23
equal things.
335
683840
1040
coisas iguais.
11:24
If something is called a bogyman,
336
684880
2000
Se algo é chamado de bicho-papão
11:26
it’s something considered bad
337
686880
1680
, é algo considerado ruim
11:28
and to be feared.
338
688560
1200
e deve ser temido.
11:29
Inscrutable people don’t show
339
689760
1760
Pessoas inescrutáveis ​​não mostram
11:31
their emotions so are very difficult
340
691520
2080
suas emoções, então são muito difíceis
11:33
to get to know.
341
693600
1040
de conhecer.
11:34
Efficient means working quickly
342
694640
1680
Eficiente significa trabalhar de forma rápida
11:36
and effectively in an
343
696320
1200
e eficaz de
11:37
organised way.
344
697520
1040
forma organizada.
11:38
The verb to sort means to group
345
698560
2080
O verbo classificar significa
11:40
together things which
346
700640
1120
agrupar coisas que
11:41
share similarities.
347
701760
1360
compartilham semelhanças.
11:43
And finally, if something happens
348
703120
1840
E, finalmente, se algo acontece
11:44
in a flash, it happens quickly
349
704960
2080
num piscar de olhos, acontece rapidamente
11:47
or suddenly.
350
707040
960
ou de repente.
11:48
That’s all the time we have to
351
708000
1360
Esse é todo o tempo que temos para
11:49
discuss algorithms. And if
352
709360
1920
discutir algoritmos. E se
11:51
you’re still not 100% sure about
353
711280
2240
você ainda não tem 100% de certeza sobre
11:53
exactly what they are, we hope
354
713520
1840
o que são exatamente, esperamos que
11:55
at least you’ve learned some
355
715360
960
pelo menos você tenha aprendido algum
11:56
useful vocabulary!
356
716320
1200
vocabulário útil!
11:57
Join us again soon for more
357
717520
1360
Junte-se a nós novamente em breve para mais
11:58
trending topics, sensational
358
718880
1840
tópicos de tendências,
12:00
science and useful vocabulary
359
720720
2080
ciência sensacional e vocabulário útil
12:02
here at 6 Minute English from
360
722800
1440
aqui no 6 Minute English da
12:04
BBC Learning English.
361
724240
1520
BBC Learning English.
12:05
Bye for now!
362
725760
880
Adeus por agora!
12:06
Goodbye!
363
726640
830
Adeus!
12:13
Hello. This is 6 Minute English
364
733200
1760
Olá. Este é o 6 Minute English
12:14
from BBC Learning English.
365
734960
1680
da BBC Learning English.
12:16
I’m Neil.
366
736640
960
Eu sou Neil.
12:17
And I’m Sam.
367
737600
1520
E eu sou Sam.
12:19
In recent years, many people
368
739120
1520
Nos últimos anos, muitas
12:20
have wanted to find out more
369
740640
1600
pessoas quiseram saber mais
12:22
about where they come from.
370
742240
1760
sobre de onde vêm.
12:24
Millions have tried to trace
371
744000
1360
Milhões tentaram rastrear
12:25
their family history and discover
372
745360
1920
sua história familiar e descobrir
12:27
how their ancestors lived
373
747280
1360
como seus ancestrais viveram
12:28
hundreds of years ago.
374
748640
1840
centenas de anos atrás.
12:30
The internet has made it much
375
750480
1680
A internet tornou muito
12:32
easier to find historical
376
752160
1680
mais fácil encontrar
12:33
documents and records about
377
753840
1760
documentos históricos e registros sobre
12:35
your family history - and one of
378
755600
2000
sua história familiar - e um
12:37
the most useful documents for
379
757600
1840
dos documentos mais úteis para
12:39
doing this is the census.
380
759440
3120
fazer isso é o censo.
12:42
A census is an official count of all
381
762560
2480
Um censo é uma contagem oficial de todas
12:45
the people living in a country.
382
765040
1920
as pessoas que vivem em um país.
12:46
It collects information about a
383
766960
1600
Ele coleta informações sobre
12:48
country’s population and is usually
384
768560
2160
a população de um país e geralmente é
12:50
carried out by the government.
385
770720
2080
realizado pelo governo.
12:52
In Britain, a census has been
386
772800
1760
Na Grã-Bretanha, um censo é
12:54
carried out every ten years
387
774560
1840
realizado a cada dez anos
12:56
since 1801. In 2002, when
388
776400
4000
desde 1801. Em 2002, quando os
13:00
census records from a hundred
389
780400
1600
registros do censo de cem
13:02
years before became available
390
782000
2080
anos atrás se tornaram disponíveis
13:04
online, so many people rushed
391
784080
2320
on-line, tantas pessoas correram
13:06
to their computers to access
392
786400
1520
para seus computadores para acessá-
13:07
them that the website crashed!
393
787920
2640
los que o site caiu!
13:10
But before we find out more
394
790560
1600
Mas antes de descobrirmos mais
13:12
about the census and its related
395
792160
1760
sobre o censo e seu
13:13
vocabulary it’s time for a quiz
396
793920
1920
vocabulário relacionado, é hora de fazer uma
13:15
question, Sam. Someone who
397
795840
2240
pergunta, Sam. Alguém que
13:18
knows a lot about his family
398
798080
1680
sabe muito sobre a
13:19
history is British actor, Danny
399
799760
2000
história de sua família é o ator britânico Danny
13:21
Dyer. When BBC television
400
801760
2480
Dyer. Quando o programa de televisão da
13:24
programme, Who Do You
401
804240
1120
BBC, Quem
13:25
Think You Are? researched
402
805360
1280
você pensa que é? pesquisaram
13:26
his family history they discovered
403
806640
2240
a história de sua família e descobriram
13:28
that the actor was related to
404
808880
1440
que o ator era parente de
13:30
someone very famous – but
405
810320
2000
alguém muito famoso – mas
13:32
who was it?
406
812320
1360
quem seria?
13:33
A) King Edward III,
407
813680
2080
A) Rei Edward III,
13:35
B) William Shakespeare, or,
408
815760
2080
B) William Shakespeare, ou,
13:37
C) Winston Churchill?
409
817840
2080
C) Winston Churchill?
13:39
Well, I know Danny Dyer usually
410
819920
2320
Bem, eu sei que Danny Dyer geralmente
13:42
plays tough-guy characters so
411
822240
2400
interpreta personagens durões, então
13:44
maybe it’s
412
824640
640
talvez seja
13:45
C), war hero Winston Churchill?
413
825280
3600
C), herói de guerra Winston Churchill?
13:48
OK, Sam, we’ll find out later if
414
828880
1920
OK, Sam, descobriremos mais tarde se
13:50
that’s correct. Now, although
415
830800
2160
isso está correto. Agora, embora
13:52
the first British census took
416
832960
1520
o primeiro censo britânico tenha
13:54
place in 1801, other censuses
417
834480
2560
ocorrido em 1801, outros censos
13:57
have a much longer history.
418
837040
2480
têm uma história muito mais longa.
13:59
In fact, the bible story of Mary
419
839520
2080
Na verdade, a história bíblica de Maria
14:01
and Joseph travelling to
420
841600
1200
e José viajando para
14:02
Bethlehem is linked to a
421
842800
1440
Belém está ligada a um
14:04
Roman census.
422
844240
2022
censo romano.
14:06
So, what was the original
423
846262
2298
Então, qual foi o
14:08
reason for counting people
424
848560
1840
motivo original para contar as pessoas
14:10
and what did governments
425
850400
1200
e o que os governos
14:11
hope to achieve by doing so?
426
851600
2320
esperavam alcançar ao fazê-lo?
14:13
Here’s Dr Kathrin Levitan, author
427
853920
2640
Aqui está a Dra. Kathrin Levitan, autora
14:16
of a book on the cultural history
428
856560
1760
de um livro sobre a história cultural
14:18
of the census, speaking to
429
858320
1840
do censo, falando ao
14:20
BBC World Service programme,
430
860160
1760
programa do Serviço Mundial da BBC,
14:21
The Forum:
431
861920
1299
The Forum:
14:24
I think there were probably
432
864480
960
Acho que provavelmente houve
14:25
two most common reasons.
433
865440
2080
dois motivos mais comuns.
14:27
One was in order to figure out
434
867520
2000
Uma era para descobrir
14:29
who could fight in wars, so basically
435
869520
1760
quem poderia lutar em guerras, então basicamente
14:31
military conscription and in order
436
871280
2160
o recrutamento militar e
14:33
to find out who could fight in wars
437
873440
1840
para descobrir quem poderia lutar em guerras,
14:35
ancient governments like the
438
875280
1040
governos antigos como o
14:36
Roman Empire had to find out how
439
876320
2480
Império Romano tinham que descobrir
14:38
many men of a certain age there were.
440
878800
2560
quantos homens de uma certa idade havia.
14:41
And I would say that the other thing
441
881360
1760
E eu diria que a outra coisa para a
14:43
that censuses were most commonly
442
883120
2080
qual os censos eram mais comumente
14:45
used for was for purposes of taxation.
443
885200
2800
usados ​​era para fins de tributação.
14:48
According to Kathrin Levitan, ancient
444
888880
2400
De acordo com Kathrin Levitan,
14:51
censuses were used to figure out – or
445
891280
2400
censos antigos foram usados ​​para descobrir – ou
14:53
understand, how many men were
446
893680
2000
entender, quantos homens estavam
14:55
available to fight wars.
447
895680
2000
disponíveis para lutar em guerras.
14:57
The Roman Empire needed a strong
448
897680
2400
O Império Romano precisava de um
15:00
army, and this depended on
449
900080
1840
exército forte, e isso dependia do
15:01
conscription – forcing people to
450
901920
2560
recrutamento – forçando as pessoas a
15:04
become soldiers and join the army.
451
904480
2320
se tornarem soldados e se juntarem ao exército.
15:06
The other main reason for taking
452
906800
1600
A outra razão principal para fazer
15:08
a census was taxation – the
453
908400
2080
um censo era a tributação – o
15:10
system of taxing people a certain
454
910480
2000
sistema de tributar as pessoas uma certa
15:12
amount of money to be paid to
455
912480
1600
quantia de dinheiro a ser paga
15:14
the government for public services.
456
914080
2640
ao governo por serviços públicos.
15:16
Ancient and early modern censuses
457
916720
2240
Os censos antigos e modernos
15:18
were large and difficult-to-organise
458
918960
2320
eram projetos grandes e difíceis de organizar
15:21
projects. They often involved
459
921280
2160
. Freqüentemente, envolviam
15:23
government officials going from
460
923440
1600
funcionários do governo indo de
15:25
house to house, asking questions
461
925040
2640
casa em casa, fazendo perguntas
15:27
about the people who lived there.
462
927680
2400
sobre as pessoas que moravam lá.
15:30
But over time governments’ desire
463
930080
2160
Mas, com o tempo, o desejo dos governos
15:32
to know about, and control, its
464
932240
1840
de conhecer e controlar seus
15:34
citizens gave rise to new
465
934080
1680
cidadãos deu origem a novas
15:35
technologies for counting people.
466
935760
2320
tecnologias para contar pessoas.
15:38
Here’s statistician and economist
467
938080
2160
Aqui está o estatístico e economista
15:40
Andrew Whitby explaining how
468
940240
1920
Andrew Whitby explicando como
15:42
this happened in the US to BBC
469
942160
2400
isso aconteceu nos EUA para o programa
15:44
World Service programme,
470
944560
1360
do Serviço Mundial da BBC,
15:45
The Forum:
471
945920
2000
The Forum:
15:47
The 1890 census of the United
472
947920
1760
O censo de 1890 dos Estados
15:49
States was the first in which some
473
949680
1520
Unidos foi o primeiro em que algum
15:51
kind of electro-mechanical process
474
951200
1760
tipo de processo eletromecânico
15:52
was used to count people… so
475
952960
1680
foi usado para contar pessoas...
15:54
instead of armies of clerks reading
476
954640
2880
exércitos de funcionários lendo
15:57
off census schedules and tabulating
477
957520
2480
os horários do censo e tabulando
16:00
these things by hand, for the first
478
960000
1520
essas coisas à mão, pela primeira
16:01
time an individual census record
479
961520
1760
vez um registro de censo individual
16:03
would be punched onto a card… so
480
963280
2080
seria perfurado em um cartão...
16:05
that there were holes in this card
481
965360
1520
16:06
representing different characteristics
482
966880
1280
16:08
of the person and then those cards
483
968160
1120
16:09
could be fed through a machine.
484
969280
1985
através de uma máquina.
16:12
Old-fashioned censuses were managed
485
972080
2000
Os censos antiquados eram gerenciados
16:14
by clerks – office workers whose job
486
974080
2640
por escrivães - funcionários de escritório cujo trabalho
16:16
involved keeping records.
487
976720
2160
envolvia manter registros.
16:18
Thousands of clerks would record
488
978880
1680
Milhares de escrivães registravam
16:20
the information gathered in the
489
980560
1520
as informações colhidas no
16:22
census and tabulate it, in other words,
490
982080
3360
censo e as tabulavam, ou seja,
16:25
show the information in the form of
491
985440
2080
mostravam as informações em forma
16:27
a table with rows and columns.
492
987520
3280
de tabela com linhas e colunas.
16:30
The US census of 1890 was the first
493
990800
2800
O censo dos Estados Unidos de 1890 foi o primeiro
16:33
to use machines, and many censuses
494
993600
2400
a usar máquinas, e muitos censos
16:36
today are electronically updated to
495
996000
2320
hoje são atualizados eletronicamente para
16:38
record new trends and shifts in
496
998320
2000
registrar novas tendências e mudanças nas
16:40
populations as they happen.
497
1000320
2400
populações à medida que ocorrem.
16:42
In fact, so much personal
498
1002720
1920
Na verdade, agora há tantas
16:44
information is now freely available
499
1004640
2320
informações pessoais disponíveis gratuitamente
16:46
through social media and the
500
1006960
1280
nas mídias sociais e na
16:48
internet that some people have
501
1008240
1920
Internet que algumas pessoas
16:50
questioned the need for having
502
1010160
1760
questionaram a necessidade de
16:51
a census at all.
503
1011920
1680
um censo.
16:53
Yes, it isn’t hard to find out about
504
1013600
2080
Sim, não é difícil saber de
16:55
someone famous, like a TV star.
505
1015680
2640
alguém famoso, como uma estrela de TV.
16:58
Someone like Danny Dyer, you mean?
506
1018320
2400
Alguém como Danny Dyer, você quer dizer?
17:00
Right. In my quiz question I asked
507
1020720
2000
Certo. Em minha pergunta do questionário, perguntei a
17:02
Sam which historical figure TV
508
1022720
2400
Sam com qual figura histórica o
17:05
actor, Danny Dyer, was related to.
509
1025120
2720
ator de TV, Danny Dyer, era parente.
17:07
And I said it was
510
1027840
1120
E eu disse que era
17:08
C) Winston Churchill. Was I right?
511
1028960
3200
C) Winston Churchill. Eu estava certo?
17:12
It was a good guess, Sam, but
512
1032160
1440
Foi um bom palpite, Sam, mas
17:13
the actual answer was
513
1033600
1120
a resposta real foi
17:14
A) King Edward III. And no-one
514
1034720
2640
A) Rei Eduardo III. E ninguém
17:17
was more surprised that he was
515
1037360
1440
ficou mais surpreso por ele ser
17:18
related to royalty than the
516
1038800
1600
parente da realeza do que o
17:20
EastEnders actor himself!
517
1040400
2400
próprio ator de EastEnders!
17:22
OK, Neil, let’s recap the
518
1042800
1520
OK, Neil, vamos recapitular o
17:24
vocabulary from this programme
519
1044320
1760
vocabulário deste programa
17:26
about the census - the official
520
1046080
2240
sobre o censo - a
17:28
counting of a nation’s population.
521
1048320
2480
contagem oficial da população de uma nação.
17:30
To figure something out means
522
1050800
1600
Descobrir algo
17:32
to understand it.
523
1052400
1760
significa entendê-lo.
17:34
The Romans used conscription
524
1054160
2000
Os romanos usavam o recrutamento
17:36
to force men to join the army by law.
525
1056160
2960
para forçar os homens a ingressar no exército por lei.
17:39
Taxation is the government’s
526
1059120
1520
A tributação é o sistema do governo
17:40
system of taxing people to pay
527
1060640
2080
de tributar as pessoas para pagar
17:42
for public services.
528
1062720
2000
pelos serviços públicos.
17:44
A clerk is an office worker whose
529
1064720
2240
Um funcionário é um trabalhador de escritório cujo
17:46
job involves keeping records.
530
1066960
3120
trabalho envolve manter registros.
17:50
And tabulate means show
531
1070080
1680
E tabular significa mostrar
17:51
information in the form of a table
532
1071760
1920
informações na forma de uma tabela
17:53
with rows and columns.
533
1073680
2217
com linhas e colunas.
17:55
That’s all for our six-minute look
534
1075897
2023
Isso é tudo para o nosso olhar de seis minutos sobre
17:57
at the census, but if we’ve whetted
535
1077920
1920
o censo, mas se abrimos
17:59
your appetite for more why not
536
1079840
2000
seu apetite por mais, por que não
18:01
check out the whole episode – it’s
537
1081840
2080
conferir o episódio inteiro - está
18:03
available now on the website of
538
1083920
1920
disponível agora no site do
18:05
BBC World Service programme,
539
1085840
1760
programa BBC World Service,
18:07
The Forum.
540
1087600
1440
The Forum.
18:09
Bye for now!
541
1089040
1280
Adeus por agora!
18:10
Bye bye.
542
1090320
890
Bye Bye.
18:17
Hello. This is 6 Minute English
543
1097040
1520
Olá. Este é o 6 Minute English
18:18
from BBC Learning English.
544
1098560
1440
da BBC Learning English.
18:20
I’m Neil.
545
1100000
720
18:20
And I’m Georgina.
546
1100720
1360
Eu sou Neil.
E eu sou a Georgina.
18:22
What do Homer, Ray Charles
547
1102080
1840
O que Homer, Ray Charles
18:23
and Jorge Borges all have in
548
1103920
1760
e Jorge Borges têm em
18:25
common, Georgina?
549
1105680
1040
comum, Georgina?
18:26
Hmm, so that’s the ancient Greek
550
1106720
2400
Hmm, então esse é o antigo
18:29
poet, Homer; American singer,
551
1109120
2160
poeta grego, Homero; cantor americano,
18:31
Ray Charles; and Argentine writer,
552
1111280
2400
Ray Charles; e o escritor argentino,
18:33
Jorge Luis Borges… I can’t see
553
1113680
2480
Jorge Luis Borges... Não vejo
18:36
much in common there, Neil.
554
1116160
1440
muita coisa em comum aí, Neil.
18:37
Well, the answer is that they
555
1117600
1360
Bem, a resposta é que
18:38
were all blind.
556
1118960
1280
todos eles eram cegos.
18:40
Ah! But that obviously didn’t hold
557
1120240
1760
Ah! Mas isso obviamente não
18:42
them back - I mean, they were
558
1122000
1280
os impediu - quero dizer, eles foram
18:43
some of the greatest artists ever!
559
1123280
2160
alguns dos maiores artistas de todos os tempos!
18:45
Right, but I wonder how easy they
560
1125440
1840
Certo, mas eu me pergunto o quão fácil eles
18:47
would find it living and working in
561
1127280
1600
achariam viver e trabalhar no
18:48
the modern world.
562
1128880
1040
mundo moderno.
18:49
Blind people can use a guide dog
563
1129920
1680
Pessoas cegas podem usar um cão-guia
18:51
or a white cane to help them
564
1131600
1280
ou uma bengala branca para ajudá-los a
18:52
move around.
565
1132880
1040
se locomover.
18:53
Yes, but a white cane is hardly
566
1133920
2000
Sim, mas uma bengala branca dificilmente é
18:55
advanced technology! Recently,
567
1135920
2240
uma tecnologia avançada! Recentemente,
18:58
smartphone apps have been
568
1138160
1440
foram inventados aplicativos para smartphones
18:59
invented which dramatically
569
1139600
1520
que
19:01
improve the lives of blind people
570
1141120
1760
melhoram drasticamente a vida de pessoas cegas em
19:02
around the world.
571
1142880
1120
todo o mundo.
19:04
In this programme on blindness
572
1144000
1600
Neste programa sobre cegueira
19:05
in the digital age we’ll be looking
573
1145600
1920
na era digital,
19:07
at some of these inventions, known
574
1147520
2080
veremos algumas dessas invenções, conhecidas
19:09
collectively as assistive technology –
575
1149600
3040
coletivamente como tecnologia assistiva –
19:12
that’s any software or equipment
576
1152640
2000
ou seja, qualquer software ou equipamento
19:14
that helps people work around their
577
1154640
1920
que ajude as pessoas a contornar suas
19:16
disabilities or challenges.
578
1156560
2080
deficiências ou desafios.
19:18
But first it’s time for my quiz
579
1158640
1680
Mas primeiro é hora da minha
19:20
question, Georgina. In 1842 a
580
1160320
2960
pergunta do teste, Georgina. Em 1842, foi inventada uma
19:23
technique of using fingers to feel
581
1163280
2240
técnica de usar os dedos para sentir os
19:25
printed raised dots was invented
582
1165520
2240
pontos em relevo impressos, o
19:27
which allowed blind people to read.
583
1167760
2080
que permitia que os cegos lessem.
19:29
But who invented it? Was it:
584
1169840
2000
Mas quem o inventou? Foi:
19:31
a) Margaret Walker?,
585
1171840
2000
a) Margaret Walker?,
19:33
b) Louis Braille?, or
586
1173840
1760
b) Louis Braille?, ou
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, já ouvi falar do código Morse, mas
19:39
that wouldn’t help blind people
589
1179520
1440
isso não ajudaria os cegos a
19:40
read, so I think it’s, b) Louis Braille.
590
1180960
2880
ler, então acho que é, b) Louis Braille.
19:43
OK, Georgina, we’ll find out the
591
1183840
1600
OK, Georgina, vamos descobrir a
19:45
answer at the end of the programme.
592
1185440
2160
resposta no final do programa.
19:47
One remarkable feature of the latest
593
1187600
2080
Uma característica notável da mais recente
19:49
assistive technology is its practicality.
594
1189680
3200
tecnologia assistiva é sua praticidade.
19:52
Smartphone apps like ‘BeMyEyes’
595
1192880
2400
Aplicativos de smartphone como ‘BeMyEyes’
19:55
allow blind users to find lost keys,
596
1195280
2480
permitem que usuários cegos encontrem chaves perdidas,
19:57
cross busy roads and even colour
597
1197760
2080
atravessem ruas movimentadas e até
19:59
match their clothes.
598
1199840
1200
combinem as cores de suas roupas.
20:01
Brian Mwenda is CEO of a Kenyan
599
1201040
2640
Brian Mwenda é CEO de uma
20:03
company developing this kind of
600
1203680
1760
empresa queniana que desenvolve esse tipo de
20:05
technology. Here he explains to
601
1205440
2400
tecnologia. Aqui ele explica ao
20:07
BBC World Service programme,
602
1207840
2000
programa do Serviço Mundial da BBC,
20:09
Digital Planet, how his devices seek
603
1209840
2560
Digital Planet, como seus dispositivos
20:12
to enhance, not replace, the
604
1212400
2160
buscam aprimorar, e não substituir, a
20:14
traditional white cane:
605
1214560
1829
tradicional bengala branca:
20:16
The device is very compatible with
606
1216880
1840
O dispositivo é muito compatível com
20:18
any kind of white cane. So, once you
607
1218720
2000
qualquer tipo de bengala branca. Então, uma vez que você o
20:20
clip it on to any white cane it
608
1220720
2160
prende em qualquer bengala branca, ele
20:22
works perfectly to detect the
609
1222880
1360
funciona perfeitamente para detectar os
20:24
obstacles in front of you, and it
610
1224240
1920
obstáculos à sua frente e
20:26
relies on echo-location. So,
611
1226160
2080
depende da localização por eco. Portanto, a
20:28
echo-location is the same technology
612
1228240
1840
ecolocalização é a mesma tecnologia
20:30
used by bats and dolphins to detect
613
1230080
3520
usada por morcegos e golfinhos para detectar
20:33
prey and obstacles and all that. You
614
1233600
2560
presas e obstáculos e tudo mais. Você
20:36
send out a sound pulse and then
615
1236160
1840
envia um pulso de som e,
20:38
once it bounces off an obstacle, you
616
1238000
2000
assim que ele ricocheteia em um obstáculo, você
20:40
can tell how far the obstacle is.
617
1240000
2320
pode dizer a que distância o obstáculo está.
20:42
When attached to a white cane, the
618
1242320
1840
Quando preso a uma bengala branca, o
20:44
digital device - called ‘Sixth Sense’ -
619
1244160
2560
dispositivo digital - chamado de 'Sexto Sentido' -
20:46
can detect obstacles – objects which
620
1246720
2640
pode detectar obstáculos - objetos que
20:49
block your way, making it difficult for
621
1249360
2160
bloqueiam seu caminho, dificultando
20:51
you to move forward.
622
1251520
1360
seu avanço.
20:52
‘Sixth Sense’ works using echo-location,
623
1252880
3040
O 'Sexto Sentido' funciona usando ecolocalização,
20:55
a kind of ultrasound like that used by
624
1255920
2640
uma espécie de ultrassom como o usado por
20:58
bats who send out sound waves
625
1258560
2000
morcegos que enviam ondas sonoras
21:00
which bounce off surrounding objects.
626
1260560
2560
que refletem nos objetos ao redor.
21:03
The returning echoes show where these
627
1263120
2320
Os ecos de retorno mostram onde esses
21:05
objects are located.
628
1265440
1840
objetos estão localizados.
21:07
Some of the assistive apps are so
629
1267280
1840
Alguns dos aplicativos assistivos são tão
21:09
smart they can even tell what kind of
630
1269120
2000
inteligentes que podem até dizer que tipo de
21:11
object is coming up ahead – be it a
631
1271120
2240
objeto está vindo à frente – seja um
21:13
friend, a shop door or a speeding car.
632
1273360
3040
amigo, a porta de uma loja ou um carro em alta velocidade.
21:16
I guess being able to move around
633
1276400
1600
Acho que ser capaz de se movimentar com
21:18
confidently really boosts people’s
634
1278000
2000
confiança realmente aumenta a independência das pessoas
21:20
independence.
635
1280000
1200
.
21:21
Absolutely. And it’s challenging
636
1281200
1760
Absolutamente. E também está desafiando os
21:22
stereotypes around blindness too.
637
1282960
2480
estereótipos em torno da cegueira.
21:25
Blogger, Fern Lulham, who is blind
638
1285440
2160
A blogueira Fern Lulham, que também é cega
21:27
herself, uses assistive apps every day.
639
1287600
3280
, usa aplicativos assistivos todos os dias.
21:30
Here she is talking to
640
1290880
1120
Aqui ela está conversando com o
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
Acho que quanto mais a sociedade vê
21:37
blind people in the community, at work,
643
1297840
2640
as pessoas cegas na comunidade, no trabalho,
21:40
in relationships it does help to tackle
644
1300480
2800
nos relacionamentos, isso ajuda a enfrentar
21:43
all of these stereotypes, it helps
645
1303280
1440
todos esses estereótipos, ajuda as
21:44
people to see blind and
646
1304720
1600
pessoas a enxergarem cegos e
21:46
visually-impaired people in a whole
647
1306320
1200
deficientes visuais pessoas de uma
21:47
new way and it just normalises
648
1307520
2240
maneira totalmente nova e isso apenas normaliza a
21:49
disability – that’s what we need, we
649
1309760
1520
deficiência - é disso que precisamos,
21:51
need to see people just getting on
650
1311280
1840
precisamos ver as pessoas apenas
21:53
with their life and doing it and then
651
1313120
1600
seguindo com suas vidas e fazendo isso e então as
21:54
people won’t see it as such a big
652
1314720
1760
pessoas não verão mais isso como um grande
21:56
deal anymore, it’ll just be the ordinary.
653
1316480
2979
problema, apenas seja o comum.
22:00
Fern distinguishes between people
654
1320320
1680
Fern distingue entre
22:02
who are blind, or unable to see, and
655
1322000
2480
pessoas cegas ou incapazes de ver e
22:04
those who are visually impaired –
656
1324480
2080
pessoas com deficiência visual –
22:06
experience a decreased ability to see.
657
1326560
3120
experimentam uma diminuição da capacidade de ver.
22:09
Assistive tech helps blind people
658
1329680
2080
A tecnologia assistiva ajuda as pessoas cegas a
22:11
lead normal, independent lives within
659
1331760
2400
levarem vidas normais e independentes em
22:14
their local communities. Fern hopes
660
1334160
2640
suas comunidades locais. Fern espera
22:16
that this will help normalise disability –
661
1336800
2640
que isso ajude a normalizar a deficiência –
22:19
treat something as normal which has
662
1339440
2000
trate algo como normal que
22:21
not been accepted as normal before…
663
1341440
2480
não foi aceito como normal antes…
22:23
…so being blind doesn’t have to be a
664
1343920
2160
…então ser cego não precisa ser um
22:26
big deal – an informal way to say
665
1346080
2240
grande problema – uma maneira informal de dizer
22:28
something is not a serious problem.
666
1348320
2800
algo não é um problema sério.
22:31
Just keep your eyes closed for a
667
1351120
1280
Apenas mantenha os olhos fechados por um
22:32
minute and try moving around the
668
1352400
1440
minuto e tente se mover pela
22:33
room. You’ll soon see how difficult
669
1353840
2320
sala. Em breve você verá como
22:36
it is… and how life changing this
670
1356160
1680
é difícil... e como essa tecnologia pode mudar a vida
22:37
technology can be.
671
1357840
1600
.
22:39
Being able to read books must also
672
1359440
2240
Ser capaz de ler livros também deve
22:41
open up a world of imagination.
673
1361680
2320
abrir um mundo de imaginação.
22:44
So what was the answer to your
674
1364000
1280
Qual foi a resposta para sua
22:45
quiz question, Neil?
675
1365280
1600
pergunta do quiz, Neil?
22:46
Ah yes. I asked Georgina who
676
1366880
1600
Ah sim. Perguntei a Georgina quem
22:48
invented the system of reading
677
1368480
1760
inventou o sistema de leitura
22:50
where fingertips are used to feel
678
1370240
1840
em que as pontas dos dedos são usadas para sentir
22:52
patterns of printed raised dots.
679
1372080
2160
padrões de pontos em relevo impressos.
22:54
What did you say, Georgina?
680
1374240
1600
O que você disse, Georgina?
22:55
I thought it was, b) Louis Braille.
681
1375840
2880
Eu pensei que era, b) Louis Braille.
22:58
Which was…of course the correct
682
1378720
1600
O que era... claro, a
23:00
answer! Well done, Georgina – Louise
683
1380320
2560
resposta correta! Muito bem, Georgina – Louise
23:02
Braille the inventor of a reading
684
1382880
1600
Braille, a inventora de um
23:04
system which is known worldwide
685
1384480
1760
sistema de leitura conhecido mundialmente
23:06
simply as braille.
686
1386240
1680
simplesmente como braille.
23:07
I suppose braille is an early example
687
1387920
2160
Suponho que o braille seja um dos primeiros exemplos
23:10
of assistive technology – systems
688
1390080
2480
de tecnologia assistiva – sistemas
23:12
and equipment that assist people
689
1392560
1600
e equipamentos que ajudam pessoas
23:14
with disabilities to perform everyday
690
1394160
2160
com deficiência a realizar
23:16
functions. Let’s recap the rest of
691
1396320
2400
funções cotidianas. Vamos recapitular o restante
23:18
the vocabulary, Neil.
692
1398720
1760
do vocabulário, Neil.
23:20
OK. An obstacle is an object that
693
1400480
2240
OK. Um obstáculo é um objeto que
23:22
is in your way and blocks your
694
1402720
2000
está em seu caminho e bloqueia seu
23:24
movement.
695
1404720
1120
movimento.
23:25
Some assisted technology works
696
1405840
1680
Algumas tecnologias assistidas funcionam
23:27
using echo-location – a system of
697
1407520
2560
usando ecolocalização – um sistema de
23:30
ultrasound detection used by bats.
698
1410080
3120
detecção de ultrassom usado por morcegos.
23:33
Being blind is different from being
699
1413200
1760
Ser cego é diferente de ser
23:34
visually impaired - having a
700
1414960
1840
deficiente visual - ter uma
23:36
decreased ability to see, whether
701
1416800
1920
capacidade diminuída de enxergar, seja
23:38
disabling or not.
702
1418720
1626
incapacitante ou não.
23:40
And finally, the hope is that
703
1420346
1654
E, finalmente, a esperança é que os
23:42
assistive phone apps can help
704
1422000
1760
aplicativos telefônicos assistivos possam ajudar a
23:43
normalise disability – change the
705
1423760
2160
normalizar a deficiência – mudar a
23:45
perception of something into
706
1425920
1440
percepção de algo para
23:47
being accepted as normal…
707
1427360
2080
ser aceito como normal…
23:49
..so that disability is no longer a
708
1429440
2080
..para que a deficiência não seja mais um
23:51
big deal – not a big problem.
709
1431520
2240
grande problema – não um grande problema.
23:53
That’s all for this programme but
710
1433760
1360
Isso é tudo para este programa, mas
23:55
join us again soon at 6 Minute English…
711
1435120
2800
junte-se a nós novamente em 6 Minute English…
23:57
…and remember you can find many
712
1437920
1360
…e lembre-se de que você pode encontrar muitos
23:59
more 6 Minute topics and useful
713
1439280
1920
outros tópicos de 6 minutos e
24:01
vocabulary archived on
714
1441200
1440
vocabulário útil arquivados em
24:02
bbclearningenglish.com.
715
1442640
2240
bbclearningenglish.com.
24:04
Don’t forget we also have an app
716
1444880
1680
Não se esqueça que também temos um aplicativo que
24:06
you can download for free from
717
1446560
1600
você pode baixar gratuitamente
24:08
the app stores. And of course we
718
1448160
2160
nas lojas de aplicativos. E é claro que
24:10
are all over social media, so come
719
1450320
2240
estamos em todas as mídias sociais, então
24:12
on over and say hi.
720
1452560
1360
venha e diga oi.
24:13
Bye for now!
721
1453920
800
Adeus por agora!
24:14
Bye!
722
1454720
830
Tchau!
24:21
Welcome to 6 Minute English, where
723
1461280
1520
Bem-vindo ao 6 Minute English, onde
24:22
we bring you an intelligent topic
724
1462800
1600
trazemos a você um tópico inteligente
24:24
and six related items of vocabulary.
725
1464400
2480
e seis itens de vocabulário relacionados.
24:26
I’m Neil.
726
1466880
640
Eu sou Neil.
24:27
And I’m Tim. And today we’re talking
727
1467520
2560
E eu sou Tim. E hoje falamos
24:30
about AI – or Artificial Intelligence.
728
1470080
3840
de IA – ou Inteligência Artificial.
24:33
Artificial Intelligence is the ability of
729
1473920
2480
A Inteligência Artificial é a capacidade das
24:36
machines to copy human intelligent
730
1476400
2560
máquinas de copiar o comportamento inteligente humano
24:38
behaviour – for example, an
731
1478960
1920
– por exemplo, uma
24:40
intelligent machine can learn
732
1480880
1440
máquina inteligente pode aprender
24:42
from its own mistakes, and make
733
1482320
1600
com seus próprios erros e tomar
24:43
decisions based on what’s happened
734
1483920
2000
decisões com base no que aconteceu
24:45
in the past.
735
1485920
880
no passado.
24:46
There’s a lot of talk about AI these
736
1486800
2000
Fala-se muito sobre IA hoje em
24:48
days, Neil, but it’s still just science
737
1488800
2160
dia, Neil, mas ainda é só ficção
24:50
fiction, isn’t it?
738
1490960
1360
científica, não é?
24:52
That’s not true – AI is everywhere.
739
1492320
2640
Isso não é verdade – a IA está em toda parte.
24:54
Machine thinking is in our homes,
740
1494960
2160
O pensamento de máquina está em nossas casas,
24:57
offices, schools and hospitals.
741
1497120
2480
escritórios, escolas e hospitais.
24:59
Computer algorithms are helping
742
1499600
1680
Algoritmos de computador estão
25:01
us drive our cars. They’re diagnosing
743
1501280
2560
nos ajudando a dirigir nossos carros. Eles estão diagnosticando o
25:03
what’s wrong with us in hospitals.
744
1503840
2160
que há de errado conosco nos hospitais.
25:06
They’re marking student essays…
745
1506000
1840
Eles estão corrigindo as redações dos alunos…
25:07
They’re telling us what to read on
746
1507840
1520
Eles estão nos dizendo o que ler em
25:09
our smartphones…
747
1509360
960
nossos smartphones…
25:10
Well, that really does sound like
748
1510320
1680
Bem, isso realmente soa como
25:12
science fiction – but it’s
749
1512000
1760
ficção científica – mas já está
25:13
happening already, you say, Neil?
750
1513760
1840
acontecendo, você diz, Neil?
25:15
It’s definitely happening, Tim.
751
1515600
2245
Está definitivamente acontecendo, Tim.
25:17
And an algorithm, by the way, is
752
1517845
1435
E um algoritmo, a propósito, é
25:19
a set of steps a computer follows
753
1519280
2320
um conjunto de passos que um computador segue
25:21
in order to solve a problem.
754
1521600
1680
para resolver um problema.
25:23
So can you tell me what was the
755
1523280
2080
Então, você pode me dizer qual era o
25:25
name of the computer which
756
1525360
1920
nome do computador que
25:27
famously beat world chess
757
1527280
1600
derrotou o famoso campeão mundial de xadrez
25:28
champion Garry Kasparov
758
1528880
1600
Garry Kasparov
25:30
using algorithms in 1997?
759
1530480
2800
usando algoritmos em 1997?
25:33
Was it…
760
1533280
400
25:33
a) Hal, b) Alpha 60,
761
1533680
3120
Foi…
a) Hal, b) Alpha 60,
25:36
or, c) Deep Blue?
762
1536800
1840
ou, c) Deep Blue?
25:38
I’ll say Deep Blue.
763
1538640
2800
Eu diria Deep Blue.
25:41
Although I’m just guessing.
764
1541440
1200
Embora eu esteja apenas supondo.
25:42
Was it an educated guess, Tim?
765
1542640
1920
Foi um palpite educado, Tim?
25:44
I know a bit about chess…
766
1544560
1520
Eu sei um pouco sobre xadrez...
25:46
An educated guess is based
767
1546080
1920
Um palpite fundamentado é baseado
25:48
on knowledge and experience
768
1548000
1600
em conhecimento e experiência
25:49
and is therefore likely to be correct.
769
1549600
2080
e, portanto, provavelmente estará correto.
25:51
Well, we’ll find out later on how
770
1551680
1760
Bem, descobriremos mais tarde o quão
25:53
educated your guess was in
771
1553440
1440
educado foi seu palpite
25:54
this case, Tim!
772
1554880
880
neste caso, Tim!
25:55
Indeed. But getting back to AI
773
1555760
2400
De fato. Mas voltando à IA
25:58
and what machines can do – are
774
1558160
2480
e ao que as máquinas podem fazer –
26:00
they any good at solving real-life
775
1560640
2720
elas são boas para resolver
26:03
problems? Computers think in zeros
776
1563360
2640
problemas da vida real? Computadores pensam em zeros
26:06
and ones don’t they? That sounds
777
1566000
1760
e uns, não é? Isso soa
26:07
like a pretty limited language when
778
1567760
1600
como uma linguagem bastante limitada quando
26:09
it comes to life experience!
779
1569360
1760
se trata de experiência de vida!
26:11
You would be surprised to what
780
1571120
1520
Você ficaria surpreso com o que
26:12
those zeroes and ones can do, Tim.
781
1572640
2240
esses zeros e uns podem fazer, Tim.
26:14
Although you’re right that AI does
782
1574880
1920
Embora você esteja certo de que a IA
26:16
have its limitations at the moment.
783
1576800
1920
tem suas limitações no momento.
26:18
And if something has limitations
784
1578720
1760
E se algo tem limitações,
26:20
there’s a limit on what it can do or
785
1580480
1920
há um limite para o que pode fazer ou
26:22
how good it can be.
786
1582400
1280
quão bom pode ser.
26:23
OK – well now might be a good time
787
1583680
2640
OK - bem, agora pode ser um bom momento
26:26
to listen to Zoubin Bharhramani,
788
1586320
2160
para ouvir Zoubin Bharhramani,
26:28
Professor of Information Engineering
789
1588480
1920
professor de Engenharia da Informação
26:30
at the University of Cambridge and
790
1590400
2240
na Universidade de Cambridge e
26:32
deputy director of the Leverhulme Centre
791
1592640
2880
vice-diretor do 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
Ele está falando sobre quais limitações a
26:39
AI has at the moment.
794
1599760
2240
IA tem no momento.
26:43
I think it’s very interesting how many
795
1603280
2880
Acho muito interessante quantas
26:46
of the things that we take for granted –
796
1606160
2160
das coisas que tomamos como certas -
26:48
we humans take for granted – as being
797
1608320
2000
nós, humanos, como certas - como sendo
26:50
sort of things we don’t even think about
798
1610320
1600
coisas sobre as quais nem pensamos,
26:51
like how do we walk, how do we reach,
799
1611920
2320
como andamos, como alcançamos,
26:54
how do we recognize our mother. You
800
1614240
3120
como reconhecemos nosso mãe. Você
26:57
know, all these things. When you start
801
1617360
2480
sabe, todas essas coisas. Quando você começa
26:59
to think how to implement them on a
802
1619840
1840
a pensar em como implementá-los em um
27:01
computer, you realize that it’s those
803
1621680
3120
computador, percebe que são essas
27:04
things that are incredibly difficult to get
804
1624800
4400
coisas que são incrivelmente difíceis de conseguir que os
27:09
computers to do, and that’s where the
805
1629200
2960
computadores façam, e é aí que está a
27:12
current cutting edge of research is.
806
1632160
2899
pesquisa atual de ponta.
27:16
If we take something for granted we
807
1636320
1440
Se tomamos algo como certo,
27:17
don’t realise how important something is.
808
1637760
2400
não percebemos o quão importante algo é.
27:20
You sometimes take me for granted, I
809
1640160
2080
Às vezes você me dá por certo, eu
27:22
think, Neil.
810
1642240
1200
acho, Neil.
27:23
No – I never take you for granted, Tim!
811
1643440
1920
Não - eu nunca considero você garantido, Tim!
27:25
You’re far too important for that!
812
1645360
2320
Você é importante demais para isso!
27:27
Good to hear! So things we take for
813
1647680
2800
Bom de se ouvir! Então, coisas que tomamos como
27:30
granted are doing every day tasks like
814
1650480
3280
certas são fazer tarefas diárias como
27:33
walking, picking something up, or
815
1653760
2160
caminhar, pegar algo ou
27:35
recognizing somebody. We implement –
816
1655920
3040
reconhecer alguém. Nós implementamos –
27:38
or perform – these things without
817
1658960
2240
ou executamos – essas coisas sem
27:41
thinking – Whereas it’s cutting edge
818
1661200
2640
pensar – Considerando que é uma
27:43
research to try and program a
819
1663840
1760
pesquisa de ponta tentar programar uma
27:45
machine to do them.
820
1665600
1200
máquina para fazê-las.
27:46
Cutting edge means very new and
821
1666800
2000
Vanguarda significa muito novo e
27:48
advanced. It’s interesting isn't it, that
822
1668800
2000
avançado. É interessante, não é, que há
27:50
over ten years ago a computer beat
823
1670800
2160
mais de dez anos um computador derrotou
27:52
a chess grand master – but the
824
1672960
1680
um grande mestre do xadrez – mas o
27:54
same computer would find it incredibly
825
1674640
2240
mesmo computador acharia incrivelmente
27:56
difficult to pick up a chess piece.
826
1676880
2000
difícil pegar uma peça de xadrez.
27:58
I know. It’s very strange. But now
827
1678880
2400
Eu sei. É muito estranho. Mas agora
28:01
you’ve reminded me that we need
828
1681280
1520
você me lembrou que precisamos
28:02
the answer to today’s question.
829
1682800
2080
da resposta para a pergunta de hoje.
28:04
Which was: What was the name
830
1684880
1840
Qual era: Qual era o nome
28:06
of the computer which famously
831
1686720
1600
do computador que
28:08
beat world chess champion
832
1688320
1760
venceu o famoso campeão mundial de xadrez
28:10
Garry Kasparov in 1997? Now, you
833
1690080
2800
Garry Kasparov em 1997? Agora, você
28:12
said Deep Blue, Tim, and … that was
834
1692880
2400
disse Deep Blue, Tim, e... essa foi
28:15
the right answer!
835
1695280
1200
a resposta certa!
28:16
You see, my educated guess was
836
1696480
2320
Veja, meu palpite educado foi
28:18
based on knowledge and experience!
837
1698800
2160
baseado em conhecimento e experiência!
28:20
Or maybe you were just lucky. So, the
838
1700960
3680
Ou talvez você tenha apenas sorte. Assim, o
28:24
IBM supercomputer Deep Blue played
839
1704640
2320
supercomputador Deep Blue da IBM jogou
28:26
against US world chess champion
840
1706960
2000
contra o campeão mundial de xadrez dos Estados Unidos
28:28
Garry Kasparov in two chess matches.
841
1708960
2400
Garry Kasparov em duas partidas de xadrez.
28:31
The first match was played in
842
1711360
1360
A primeira partida foi disputada na
28:32
Philadelphia in 1996 and was
843
1712720
2080
Filadélfia em 1996 e foi
28:34
won by Kasparov. The second was
844
1714800
2080
vencida por Kasparov. A segunda foi
28:36
played in New York City in 1997
845
1716880
2320
disputada em Nova York em 1997
28:39
and won by Deep Blue. The 1997
846
1719200
3120
e vencida pelo Deep Blue. A
28:42
match was the first defeat of a
847
1722320
1600
partida de 1997 foi a primeira derrota de um
28:43
reigning world chess champion
848
1723920
1600
atual campeão mundial de xadrez
28:45
by a computer under
849
1725520
1360
por um computador em
28:46
tournament conditions.
850
1726880
1680
condições de torneio.
28:48
Let’s go through the words we
851
1728560
1520
Vamos repassar as palavras que
28:50
learned today. First up was
852
1730080
2320
aprendemos hoje. O primeiro foi a
28:52
‘artificial intelligence’ or AI – the
853
1732400
3200
“inteligência artificial” ou IA – a
28:55
ability of machines to copy human
854
1735600
2400
capacidade das máquinas de copiar o
28:58
intelligent behaviour.
855
1738000
1200
comportamento inteligente humano.
28:59
“There are AI programs that can
856
1739200
1840
“Existem programas de IA que podem
29:01
write poetry.”
857
1741040
1280
escrever poesia.”
29:02
Do you have any examples you
858
1742320
1600
Você tem algum exemplo que
29:03
can recite?
859
1743920
1040
possa recitar?
29:04
Afraid I don’t! Number two – an
860
1744960
2080
Receio que não! Número dois – um
29:07
algorithm is a set of steps a
861
1747040
1840
algoritmo é um conjunto de etapas que um
29:08
computer follows in order to
862
1748880
1520
computador segue para
29:10
solve a problem. For example,
863
1750400
1760
resolver um problema. Por exemplo,
29:12
“Google changes its search
864
1752160
1680
“o Google muda seu
29:13
algorithm hundreds of times
865
1753840
1760
algoritmo de busca centenas de vezes
29:15
every year.”
866
1755600
880
todos os anos”.
29:16
The adjective is algorithmic – for
867
1756480
2560
O adjetivo é algorítmico – por
29:19
example, “Google has made many
868
1759040
2240
exemplo, “o Google fez muitas
29:21
algorithmic changes.”
869
1761280
1760
mudanças algorítmicas”.
29:23
Number three – if something has
870
1763040
2000
Número três – se algo tem
29:25
‘limitations’ – there’s a limit on
871
1765040
1680
‘limitações’ – há um limite para
29:26
what it can do or how good it
872
1766720
1520
o que pode fazer ou quão bom
29:28
can be. “Our show has certain
873
1768240
2400
pode ser. “Nosso show tem certas
29:30
limitations – for example, it’s only
874
1770640
2320
limitações – por exemplo, tem apenas
29:32
six minutes long!”
875
1772960
1040
seis minutos de duração!”
29:34
That’s right – there’s only time to
876
1774000
1760
Isso mesmo – só há tempo para
29:35
present six vocabulary items.
877
1775760
2400
apresentar seis itens de vocabulário.
29:38
Short but sweet!
878
1778160
1120
Curto, mas doce!
29:39
And very intelligent, too. OK, the
879
1779280
2640
E muito inteligente também. OK, o
29:41
next item is ‘take something for
880
1781920
1760
próximo item é ‘tomar algo como
29:43
granted’ – which is when we don’t
881
1783680
1760
certo’ – que é quando não
29:45
realise how important something is.
882
1785440
1920
percebemos o quão importante algo é.
29:47
“We take our smart phones for granted
883
1787360
2160
“Nós consideramos nossos smartphones como garantidos
29:49
these days – but before 1995 hardly
884
1789520
3200
hoje em dia – mas antes de 1995 quase
29:52
anyone owned one.”
885
1792720
1520
ninguém possuía um.”
29:54
Number five – ‘to implement’ – means
886
1794240
2480
Número cinco - 'implementar' -
29:56
to perform a task, or take action.
887
1796720
2080
significa executar uma tarefa ou agir.
29:58
“Neil implemented some changes
888
1798800
1760
“Neil implementou algumas mudanças
30:00
to the show.”
889
1800560
880
no show.”
30:01
The final item is ‘cutting edge’ – new
890
1801440
2480
O item final é 'de ponta' - novo
30:03
and advanced – “This software is
891
1803920
2000
e avançado - "Este software é de
30:05
cutting edge.”
892
1805920
880
ponta".
30:06
“The software uses cutting edge
893
1806800
2000
“O software utiliza
30:08
technology.”
894
1808800
1280
tecnologia de ponta.”
30:10
OK – that’s all we have time for on
895
1810080
1840
OK - é tudo o que temos tempo para fazer no
30:11
today’s cutting edge show. But please
896
1811920
2640
programa de ponta de hoje. Mas, por favor,
30:14
check out our Instagram, Twitter,
897
1814560
1840
confira nossas páginas no 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
Bye Bye!
Adeus!
Sobre este site

Este sítio irá apresentar-lhe vídeos do YouTube que são úteis para a aprendizagem do inglês. Verá lições de inglês ensinadas por professores de primeira linha de todo o mundo. Faça duplo clique nas legendas em inglês apresentadas em cada página de vídeo para reproduzir o vídeo a partir daí. As legendas deslocam-se em sincronia com a reprodução do vídeo. Se tiver quaisquer comentários ou pedidos, por favor contacte-nos utilizando este formulário de contacto.

https://forms.gle/WvT1wiN1qDtmnspy7