What AI is -- and isn't | Sebastian Thrun and Chris Anderson

260,110 views ・ 2017-12-21

TED


لطفا برای پخش فیلم روی زیرنویس انگلیسی زیر دوبار کلیک کنید.

Translator: Mobin Hatam Reviewer: Nima Pourreza
00:12
Chris Anderson: Help us understand what machine learning is,
0
12904
2886
کریس اندرسون: کمک کن بفهمیم که یادگیری ماشین چه هست،
00:15
because that seems to be the key driver
1
15814
2054
چون بنظر میرسه که عامل اصلی
00:17
of so much of the excitement and also of the concern
2
17892
2737
این همه هیجان و البته نگرانی
00:20
around artificial intelligence.
3
20653
1494
در مورد هوش مصنوعی باشه.
یادگیری ماشین چطور کار می‌کنه؟
00:22
How does machine learning work?
4
22171
1643
00:23
Sebastian Thrun: So, artificial intelligence and machine learning
5
23838
3896
سباستین تران: خوب، هوش مصنوعی و یادگیری ماشین
در حدود ۶۰ سال قدمت داره
00:27
is about 60 years old
6
27758
2002
00:29
and has not had a great day in its past until recently.
7
29784
4269
و تا همین اواخر، هرگز اینقدر بزرگ و مهم نبود،
00:34
And the reason is that today,
8
34077
2924
و دلیلش اینه که امروز،
ما به مقیاسی از محاسبات و مجموعه داده‌ها رسیدیم
00:37
we have reached a scale of computing and datasets
9
37025
3973
که لازم بود ماشین‌ها رو هوشمند کنیم.
00:41
that was necessary to make machines smart.
10
41022
2637
00:43
So here's how it works.
11
43683
1751
خوب، ببینیم چطور کار می‌کنه.
00:45
If you program a computer today, say, your phone,
12
45458
3497
اگر امروز یک کامپیوتر رو برنامه ریزی کنید، مثل تلفن شما،
00:48
then you hire software engineers
13
48979
2335
مهندس‌های نرم افزار رو استخدام می‌کنید
00:51
that write a very, very long kitchen recipe,
14
51338
3854
تا یک دستورالعمل خیلی خیلی طولانی رو بنویسند.
مثلا «اگر آب خیلی داغه، دما رو بیار پایین.
00:55
like, "If the water is too hot, turn down the temperature.
15
55216
3132
00:58
If it's too cold, turn up the temperature."
16
58372
2279
اگر خیلی سرده، دما رو ببر بالا».
01:00
The recipes are not just 10 lines long.
17
60675
2849
دستورها فقط ۱۰ خط نیستند،
01:03
They are millions of lines long.
18
63548
2603
بلکه میلیون‌ها خط هستند.
01:06
A modern cell phone has 12 million lines of code.
19
66175
4084
یک تلفن همراه امروزی ۱۲ میلیون خط برنامه داره.
یک مرورگر، پنج میلیون خط برنامه داره.
01:10
A browser has five million lines of code.
20
70283
2646
01:12
And each bug in this recipe can cause your computer to crash.
21
72953
4969
و هر نقصی در این برنامه، می‌تونه باعث بشه کامپیوتر شما از کار بیفته.
01:17
That's why a software engineer makes so much money.
22
77946
3075
به همین دلیل هست که یک مهندس نرم افزار پول خیلی زیادی درمیاره.
01:21
The new thing now is that computers can find their own rules.
23
81953
3660
امروزه، کامپیوترها می‌تونن قواعد خودشون رو پیدا کنند.
01:25
So instead of an expert deciphering, step by step,
24
85637
3606
پس بجای اینکه یک متخصص مرحله به مرحله یک برنامه و کد برای هر احتمالی بنویسه،
01:29
a rule for every contingency,
25
89267
2148
به کامپیوتر نمونه‌هایی می‌دید
01:31
what you do now is you give the computer examples
26
91439
3074
و می‌زارید برنامه خودش به قواعدش برسه.
01:34
and have it infer its own rules.
27
94537
1581
01:36
A really good example is AlphaGo, which recently was won by Google.
28
96142
4306
یک مثال واقعا خوب، بازی AlphaGo هست، که اخیراً گوگل در آن برنده شد.
01:40
Normally, in game playing, you would really write down all the rules,
29
100472
3687
معمولاً برای برنامه‌نویسی بازی، شما همه برنامه رو می‌نویسید،
ولی در مورد آلفاگو،
01:44
but in AlphaGo's case,
30
104183
1785
01:45
the system looked over a million games
31
105992
2066
سیستم به بیش از یک میلیون بازی نگاه کرد
و تونست دستورالعمل خودش رو استنتاج کنه
01:48
and was able to infer its own rules
32
108082
2192
01:50
and then beat the world's residing Go champion.
33
110298
2738
و سپس قهرمان Go در دنیا رو شکست بده.
01:53
That is exciting, because it relieves the software engineer
34
113853
3509
این هیجان انگیزه، چون دیگه نیازی نیست مهندس نرم افزار خیلی باهوش باشه،
01:57
of the need of being super smart,
35
117386
1819
01:59
and pushes the burden towards the data.
36
119229
2325
و مسئولیت را بر گردن اطلاعات می‌اندازد.
02:01
As I said, the inflection point where this has become really possible --
37
121578
4534
همونطور که گفتم، نقطه عطف یعنی جایی که این امر ممکن شد --
خیلی خجالت آوره، پایان نامه من در مورد یادگیری ماشین بود،
02:06
very embarrassing, my thesis was about machine learning.
38
126136
2746
خیلی به درد نخور بود، اون رو نخونید،
02:08
It was completely insignificant, don't read it,
39
128906
2205
چون ۲۰ سال قبل بود
02:11
because it was 20 years ago
40
131135
1350
و در اون زمان، کامپیوترها به اندازه مغز یک سوسک بودند.
02:12
and back then, the computers were as big as a cockroach brain.
41
132509
2907
الان کامپیوترها اونقدر قدرتمند هستند
02:15
Now they are powerful enough to really emulate
42
135440
2331
02:17
kind of specialized human thinking.
43
137795
2076
که بتوانند تفکر یک انسان متخصص را شبیه‌سازی بکنند.
02:19
And then the computers take advantage of the fact
44
139895
2313
و اینکه کامپیوترها این برتری رو دارند که
02:22
that they can look at much more data than people can.
45
142232
2500
نسبت به آدم‌ها، می‌تونن داده‌های بیشتری رو بررسی کنند.
02:24
So I'd say AlphaGo looked at more than a million games.
46
144756
3080
همونطور که گفتم، آلفاگو بیشتر از یک میلیون بازی رو بررسی کرد.
02:27
No human expert can ever study a million games.
47
147860
2839
هیچ انسان خبره ای نمی‌تونه یک میلیون بازی رو بررسی کنه.
02:30
Google has looked at over a hundred billion web pages.
48
150723
3182
گوگل بیش از صد میلیارد صفحه وب رو بررسی کرده.
02:33
No person can ever study a hundred billion web pages.
49
153929
2650
هرگز هیچ کسی نمی‌تونه صد میلیارد صفحه وب رو مطالعه کنه.
02:36
So as a result, the computer can find rules
50
156603
2714
بنابراین به عنوان یک نتیجه، کامپیوتر می‌تونه قواعدی رو پیدا کنه
02:39
that even people can't find.
51
159341
1755
که حتی آدم‌ها هم نمی‌تونن.
کریس: پس بجای اینکه پیش بینی کنیم «اگر او این را انجام دهد، من آن را انجام خواهم داد»
02:41
CA: So instead of looking ahead to, "If he does that, I will do that,"
52
161120
4312
02:45
it's more saying, "Here is what looks like a winning pattern,
53
165456
3072
بهتره بگیم: «چیزی شبیه به الگوی برنده شدن هست»،
این چیزی شبیه به الگوی برنده شدن هست.
02:48
here is what looks like a winning pattern."
54
168552
2079
سباستین: آره، مثلا به این فکر کنید که بچه‌ها رو چطور بزرگ می‌کنید.
02:50
ST: Yeah. I mean, think about how you raise children.
55
170655
2517
شما ۱۸ سال اول رو صرف این نمی‌کنید که به بچه‌ها برای هر احتمالی یک قانون بدید
02:53
You don't spend the first 18 years giving kids a rule for every contingency
56
173196
3644
و بعد اون‌ها رو با این برنامه بزرگ رها کنید.
02:56
and set them free and they have this big program.
57
176864
2347
اون‌ها تلو تلو میخورن، میافتن، بلند میشن، تنبیه میشن،
02:59
They stumble, fall, get up, they get slapped or spanked,
58
179235
2719
03:01
and they have a positive experience, a good grade in school,
59
181978
2884
و یک تجربه مثبت دارن، در مدرسه نمره خوب می‌گیرند،
03:04
and they figure it out on their own.
60
184886
1834
و خودشون اینو میفهمنن.
03:06
That's happening with computers now,
61
186744
1737
الان این داره برای کامپیوترها هم اتفاق میافته،
03:08
which makes computer programming so much easier all of a sudden.
62
188505
3029
که ناگهان، برنامه ریزی کردن کامپیوترها رو خیلی آسون تر می‌کنه.
03:11
Now we don't have to think anymore. We just give them lots of data.
63
191558
3175
الان دیگه نیازی نیست خیلی فکر کنیم، فقط بهشون داده‌های بسیار زیادی میدیم.
کریس: بنابراین، این کلیدِ پیشرفت چشمگیر
03:14
CA: And so, this has been key to the spectacular improvement
64
194757
3422
در توانایی ماشین‌های بدون سرنشین بوده.
03:18
in power of self-driving cars.
65
198203
3064
03:21
I think you gave me an example.
66
201291
1739
فکر کنم تو به من یک نمونه دادی،
میشه توضیح بدی اینجا چه اتفاقی داره میافته؟
03:23
Can you explain what's happening here?
67
203054
2685
03:25
ST: This is a drive of a self-driving car
68
205763
3564
سباستین: این رانندگی یک ماشین بدون سرنشین هست
03:29
that we happened to have at Udacity
69
209351
1957
که ما در یوداسیتی انجام دادیم،
و اخیرا محصولی به اسم وویج Voyage رو از روی اون ساختیم.
03:31
and recently made into a spin-off called Voyage.
70
211332
2398
03:33
We have used this thing called deep learning
71
213754
2574
ما از چیزی به اسم یادگیری عمیق استفاده کردیم
03:36
to train a car to drive itself,
72
216352
1623
تا به یک ماشین یاد بدیم خودش رو برونه،
03:37
and this is driving from Mountain View, California,
73
217999
2387
و این داره از مانتین ویو در کالیفرنیا
تا سانفرانسیسکو رانندگی می‌کنه.
03:40
to San Francisco
74
220410
1168
03:41
on El Camino Real on a rainy day,
75
221602
2259
در جاده ال کامینو رئال و در یک روز بارانی،
03:43
with bicyclists and pedestrians and 133 traffic lights.
76
223885
3524
با دوچرخه‌ها، عابرین پیاده و ۱۳۳ چراغ راهنمایی.
03:47
And the novel thing here is,
77
227433
2636
و چیزی که اینجا جدیده اینه که،
مدت‌ها پیش، من تیم ماشین بدون سرنشین گوگل رو راه انداختم.
03:50
many, many moons ago, I started the Google self-driving car team.
78
230093
3120
و اون روزها، بهترین مهندس‌های نرم افزار جهان رو استخدام کردم
03:53
And back in the day, I hired the world's best software engineers
79
233237
3181
تا بهترین الگوهای جهان رو براش بنویسند،
03:56
to find the world's best rules.
80
236442
1607
03:58
This is just trained.
81
238073
1754
این ماشین الان یاد گرفته.
03:59
We drive this road 20 times,
82
239851
3336
ما این راه رو ۲۰ بار رفتیم،
همه این داده‌ها رو در مغز کامپیوتر گذاشتیم،
04:03
we put all this data into the computer brain,
83
243211
2447
04:05
and after a few hours of processing,
84
245682
2082
و بعد از چند ساعت پردازش،
04:07
it comes up with behavior that often surpasses human agility.
85
247788
3926
رفتاری از خودش نشون داد که خیلی اوقات از مهارت انسان هم پیشی می‌گیره.
04:11
So it's become really easy to program it.
86
251738
2017
در واقع برنامه ریزی کردنش آسون شده.
04:13
This is 100 percent autonomous, about 33 miles, an hour and a half.
87
253779
3803
۱۰۰ درصد خودکار هست، تقریباً ۵۳ کیلومتر در یک ساعت و نیم.
04:17
CA: So, explain it -- on the big part of this program on the left,
88
257606
3630
کریس: خوب توضیح بده -- در اون قسمت بزرگ در سمت چپ برنامه،
04:21
you're seeing basically what the computer sees as trucks and cars
89
261260
3257
می‌بینید که اساسا کامپیوتر، کامیون‌ها و ماشین‌ها رو به چه صورت میبینه
04:24
and those dots overtaking it and so forth.
90
264541
2886
و اون نقطه‌ها که ازش سبقت می‌گیرن و غیره.
04:27
ST: On the right side, you see the camera image, which is the main input here,
91
267451
3762
سباستین: در سمت راست، تصویر دوربین رو می‌بینید که در اینجا ورودی اصلی هست،
و برای تشخیص خط کشی‌ها، ماشین‌های دیگه و چراغ‌های راهنمایی استفاده میشه.
04:31
and it's used to find lanes, other cars, traffic lights.
92
271237
2676
04:33
The vehicle has a radar to do distance estimation.
93
273937
2489
این وسیله، یک رادار داره که فاصله رو تخمین میزنه.
04:36
This is very commonly used in these kind of systems.
94
276450
2621
این رادار بطور رایج در این نوع سیستم‌ها استفاده میشه.
در سمت چپ، یک نمودار لیزری مشاهده می‌کنید،
04:39
On the left side you see a laser diagram,
95
279095
1992
موانعی مثل درخت‌ها و غیره که بوسیله لیزر ترسیم میشن رو می‌بینید.
04:41
where you see obstacles like trees and so on depicted by the laser.
96
281111
3200
ولی تقریبا جالب ترین قسمت کار، تمرکز روی تصویر دوربین هست.
04:44
But almost all the interesting work is centering on the camera image now.
97
284335
3436
در واقع ما داریم از حسگرهای دقیق مثل رادارها و لیزرها،
04:47
We're really shifting over from precision sensors like radars and lasers
98
287795
3476
میریم به سمت حسگرهای خیلی ارزون و مقرون به صرفه.
04:51
into very cheap, commoditized sensors.
99
291295
1842
یک دوربین کمتر از هشت دلار قیمت داره.
04:53
A camera costs less than eight dollars.
100
293161
1987
کریس: و اون نقطه سبز در سمت چپ، اون چیه؟
04:55
CA: And that green dot on the left thing, what is that?
101
295172
2793
04:57
Is that anything meaningful?
102
297989
1371
آیا چیز معناداری هست؟
سباستین: این یک نقطهٔ نگاه به جلو برای کنترل تطبیقی مسیر شماست،
04:59
ST: This is a look-ahead point for your adaptive cruise control,
103
299384
3668
به ما کمک می‌کنه که بفهمیم چطور سرعت رو تنظیم کنیم،
05:03
so it helps us understand how to regulate velocity
104
303076
2477
05:05
based on how far the cars in front of you are.
105
305577
2634
بر این اساس که ماشین‌های جلویی چقدر از شما فاصله دارند.
05:08
CA: And so, you've also got an example, I think,
106
308235
2716
کریس: همینطور یک نمونه دیگه دادی، فکر کنم
05:10
of how the actual learning part takes place.
107
310975
2381
در مورد اینکه قسمت یادگیری واقعی، چطور اتفاق میفته.
شاید بتونیم اون رو ببینیم. در مورد این صحبت کن.
05:13
Maybe we can see that. Talk about this.
108
313380
2458
05:15
ST: This is an example where we posed a challenge to Udacity students
109
315862
3643
سباستین: این مثالی از یک چالش هست که در مقابل دانشجوهای یوداسیتی قرار دادیم
05:19
to take what we call a self-driving car Nanodegree.
110
319529
3131
تا بتونن مدرکی که ما اسمش رو گواهی ماشین بدون سرنشین گذاشتیم، بگیرن.
05:22
We gave them this dataset
111
322684
1495
ما به اون‌ها این مجموعه داده‌ها رو دادیم
05:24
and said "Hey, can you guys figure out how to steer this car?"
112
324203
3054
و گفتیم: «هی بچه‌ها، می‌تونید بفهمید چطور باید این ماشین رو هدایت کرد؟»
05:27
And if you look at the images,
113
327281
1624
اگر به تصاویر نگاه کنید،
05:28
it's, even for humans, quite impossible to get the steering right.
114
328929
4073
حتی برای انسان هم غیر ممکنه که ماشین رو درست هدایت کنه.
و یک مسابقه گذاشتیم و گفتیم، « این یک مسابقه یادگیری عمیق هست،
05:33
And we ran a competition and said, "It's a deep learning competition,
115
333026
3591
05:36
AI competition,"
116
336641
1173
مسابقه هوش مصنوعی».
05:37
and we gave the students 48 hours.
117
337838
1887
و به دانشجوها ۴۸ ساعت فرصت دادیم.
05:39
So if you are a software house like Google or Facebook,
118
339749
4172
خوب اگر شما یک شرکت نرم افزاری مثل گوگل یا فیسبوک باشید،
05:43
something like this costs you at least six months of work.
119
343945
2717
انجام دادن کاری مثل این، برای شما حداقل شش ماه وقت میبره،
05:46
So we figured 48 hours is great.
120
346686
2202
بنابراین ما فکر کردیم ۴۸ ساعت خیلی خوبه.
05:48
And within 48 hours, we got about 100 submissions from students,
121
348912
3467
و در مدت ۴۸ ساعت، تقریبا ۱۰۰ جواب از دانشجوها دریافت کردیم.
05:52
and the top four got it perfectly right.
122
352403
3370
که چهارتای اولی کاملا درست انجامش دادند،
05:55
It drives better than I could drive on this imagery,
123
355797
2640
و در این تصاویر، می‌تونه بهتر از چیزی که من می‌تونستم رانندگی کنم،
با استفاده از یادگیری عمیق هدایتش کنه.
05:58
using deep learning.
124
358461
1189
05:59
And again, it's the same methodology.
125
359674
1799
و باز هم، همون اصول رو داره.
این چیز جادویی رو که
06:01
It's this magical thing.
126
361497
1164
06:02
When you give enough data to a computer now,
127
362685
2085
وقتی شما به یک کامپیوتر داده‌های لازم رو بدید
06:04
and give enough time to comprehend the data,
128
364794
2140
و زمان کافی داشته باشه تا داده‌ها رو فرا بگیره،
06:06
it finds its own rules.
129
366958
1445
برنامه خودش رو پیدا می‌کنه.
06:09
CA: And so that has led to the development of powerful applications
130
369339
4845
کریس: و همینطور منجر به توسعه کاربردهای قدرتمند دیگه‌ای در همه زمینه‌ها شد.
06:14
in all sorts of areas.
131
374208
1525
06:15
You were talking to me the other day about cancer.
132
375757
2668
یک روزی با من در مورد سرطان صحبت میکردی.
06:18
Can I show this video?
133
378449
1189
می‌تونم این ویدئو رو نشون بدم؟
06:19
ST: Yeah, absolutely, please. CA: This is cool.
134
379662
2354
سباستین: بله، حتما، خواهش می‌کنم. کریس: جالبه.
06:22
ST: This is kind of an insight into what's happening
135
382040
3534
سباستین: این نگاهی به درونِ چیزی هست که
06:25
in a completely different domain.
136
385598
2429
داره در حوزه ای کاملا متفاوت اتفاق میوفته.
06:28
This is augmenting, or competing --
137
388051
3752
این در حال تقویت کردن یا رقابت کردن با --
06:31
it's in the eye of the beholder --
138
391827
1749
بستگی داره چطور بهش نگاه کنید --
06:33
with people who are being paid 400,000 dollars a year,
139
393600
3454
افرادی هست که سالانه ۴۰۰,۰۰۰ دلار درآمد دارند،
06:37
dermatologists,
140
397078
1237
پزشکان متخصص پوست،
06:38
highly trained specialists.
141
398339
1983
متخصص‌هایی بسیار آموزش دیده.
06:40
It takes more than a decade of training to be a good dermatologist.
142
400346
3561
بیشتر از یک دهه آموزش نیازه که متخصص پوست خوبی بشید.
06:43
What you see here is the machine learning version of it.
143
403931
3196
چیزی که اینجا می‌بینید، نسخه یادگیری ماشین اون هست،
یک شبکه عصبی نام داره.
06:47
It's called a neural network.
144
407151
1841
06:49
"Neural networks" is the technical term for these machine learning algorithms.
145
409016
3742
«شبکه‌های عصبی» اصطلاح فنی این الگوریتم‌های یادگیری ماشین هست.
06:52
They've been around since the 1980s.
146
412782
1789
از دهه ۱۹۸۰ تجربه حضور دارند.
این یکی، در سال ۱۹۸۸ توسط یک همکار فیسبوک به نام یان لی کن، ابداع شد
06:54
This one was invented in 1988 by a Facebook Fellow called Yann LeCun,
147
414595
4640
06:59
and it propagates data stages
148
419259
3558
و مراحل داده رو از طریقی که شما می‌تونید به عنوان
07:02
through what you could think of as the human brain.
149
422841
2578
مغز یک انسان بهش فکر کنید، گسترش میده.
07:05
It's not quite the same thing, but it emulates the same thing.
150
425443
2966
دقیقا همون نیست، ولی با اون رقابت می‌کنه.
07:08
It goes stage after stage.
151
428433
1302
از مرحله ای به مرحله دیگه میره.
07:09
In the very first stage, it takes the visual input and extracts edges
152
429759
3637
در اولین مرحله، تصویر ورودی رو می‌گیره و لبه‌ها، میله‌ها و نقطه‌ها رو استخراج می‌کنه
07:13
and rods and dots.
153
433420
2612
07:16
And the next one becomes more complicated edges
154
436056
3037
و تصویر بعدی، دارای لبه‌های پیچیده تری میشه،
07:19
and shapes like little half-moons.
155
439117
3191
و به شکل نصف قرص ماه درمیاد.
07:22
And eventually, it's able to build really complicated concepts.
156
442332
4443
و در نتیجه، قادر هست مفاهیم واقعا پیچیده ای بسازه.
07:26
Andrew Ng has been able to show
157
446799
2048
اندرو ان گی تونست نشون بده
07:28
that it's able to find cat faces and dog faces
158
448871
3480
که می‌تونه صورت گربه‌ها و سگ‌ها رو
07:32
in vast amounts of images.
159
452375
1661
از بین تعداد بسیار زیادی تصویر تشخیص بده.
07:34
What my student team at Stanford has shown is that
160
454060
2724
چیزی که تیم دانشجوهای من در استنفورد نشون داده، این هست که
07:36
if you train it on 129,000 images of skin conditions,
161
456808
6073
اگر شما اون رو، روی ۱۲۹,۰۰۰ تصویر از وضعیت‌های پوست آموزش بدید،
07:42
including melanoma and carcinomas,
162
462905
2565
شامل ملانوما و کارسینوما،
07:45
you can do as good a job
163
465494
3301
شما می‌تونید به خوبیِ بهترین پزشک متخصص، این کار رو انجام بدید.
07:48
as the best human dermatologists.
164
468819
2197
و ما برای اینکه خودمون رو متقاعد کنیم که مورد درست تشخیص داده شده،
07:51
And to convince ourselves that this is the case,
165
471040
2549
07:53
we captured an independent dataset that we presented to our network
166
473613
3990
یک مجموعه داده مستقل بدست آوردیم و به شبکه خودمون
07:57
and to 25 board-certified Stanford-level dermatologists,
167
477627
4342
و به ۲۵ پوست شناس، دارای برد تخصصی و در سطح اسنفورد دادیم،
08:01
and compared those.
168
481993
1672
و اون‌ها رو مقایسه کردیم.
08:03
And in most cases,
169
483689
1504
و در بیشتر موارد،
08:05
they were either on par or above the performance classification accuracy
170
485217
3875
اون‌ها از نظر دقت طبقه بندی عملکرد، با پزشکان متخصص پوست برابر و یا از اون‌ها بالاتر بودند.
08:09
of human dermatologists.
171
489116
1467
08:10
CA: You were telling me an anecdote.
172
490607
1746
کریس: برای من یه داستانی تعریف کرده بودی.
08:12
I think about this image right here.
173
492377
1957
فکر کنم در مورد همین تصویر.
08:14
What happened here?
174
494358
1484
اینجا چی شد؟
08:15
ST: This was last Thursday. That's a moving piece.
175
495866
4008
سباستین: پنج شنبه گذشته بود. این یک نمونه در حال حرکت هست.
08:19
What we've shown before and we published in "Nature" earlier this year
176
499898
3600
چیزی که ما قبل تر نشون دادیم و اوایل امسال در مجله نِیچر(طبیعت) منتشر کردیم،
08:23
was this idea that we show dermatologists images
177
503522
2484
این ایده بود که تصاویر رو به متخصصین پوست
08:26
and our computer program images,
178
506030
1539
و به برنامه کامپیوتر نشون بدیم،
08:27
and count how often they're right.
179
507593
1627
و حساب کنیم چقدر درست هستند.
ولی همه این تصاویر، تصاویر قدیمی هستند.
08:29
But all these images are past images.
180
509244
1778
از همه اون‌ها بافت برداری شد تا مطمئن بشیم طبقه بندی درستی انجام دادیم.
08:31
They've all been biopsied to make sure we had the correct classification.
181
511046
3460
این یکی طبقه بندی نشده بود.
08:34
This one wasn't.
182
514530
1172
08:35
This one was actually done at Stanford by one of our collaborators.
183
515726
3179
در واقع این در استنفورد، توسط یکی از همکاران ما انجام شد.
08:38
The story goes that our collaborator,
184
518929
2314
داستان اینه که همکار ما،
08:41
who is a world-famous dermatologist, one of the three best, apparently,
185
521267
3391
متخصص پوستی که شهرت جهانی داره، ظاهرا یکی از سه تای برتر،
08:44
looked at this mole and said, "This is not skin cancer."
186
524682
2935
به این خال نگاه کرد و گفت: «این سرطان پوست نیست».
08:47
And then he had a second moment, where he said,
187
527641
2476
و بعد چند لحظه گفت:
«خوب، بزارید با نرم افزار بررسی کنم».
08:50
"Well, let me just check with the app."
188
530141
1866
گوشی آیفون خودش رو درآورد و نرم افزار ما رو اجرا کرد،
08:52
So he took out his iPhone and ran our piece of software,
189
532031
2699
یه جورایی «متخصص پوست جیبی» ما.
08:54
our "pocket dermatologist," so to speak,
190
534754
2121
08:56
and the iPhone said: cancer.
191
536899
2994
و آیفون گفت: سرطان.
08:59
It said melanoma.
192
539917
1306
گفت: ملانوما.
09:01
And then he was confused.
193
541849
1233
و دکتر بعدش گیج شد.
و گفت: «خوب، شاید من باید به آیفون بیشتر از خودم اعتماد کنم».
09:03
And he decided, "OK, maybe I trust the iPhone a little bit more than myself,"
194
543106
4551
09:07
and he sent it out to the lab to get it biopsied.
195
547681
2735
و نمونه رو فرستاد آزمایشگاه تا بافت برداری بشه.
09:10
And it came up as an aggressive melanoma.
196
550440
2469
و نتیجه، ملانومای بدخیم بود.
09:13
So I think this might be the first time that we actually found,
197
553545
3067
خوب در واقع من فکر می‌کنم این اولین باری هست که ما
09:16
in the practice of using deep learning,
198
556636
2487
کاربرد یادگیری ماشین رو در عمل دیدیم،
09:19
an actual person whose melanoma would have gone unclassified,
199
559147
3372
یک شخص حقیقی که ملانومای اون غیرطبقه بندی شده بود،
09:22
had it not been for deep learning.
200
562543
2115
و برای یادگیری عمیق وجود نداشت.
09:24
CA: I mean, that's incredible.
201
564682
1560
کریس: چطور بگم، فوق العاده است.
09:26
(Applause)
202
566266
1769
(دست زدن حضار)
09:28
It feels like there'd be an instant demand for an app like this right now,
203
568059
3600
احساس میشه الان یک تقاضای فوری برای نرم افزاری مثل این وجود داشته باشه،
09:31
that you might freak out a lot of people.
204
571683
1966
ممکنه شما مردم زیادی رو شگفت زده کنید.
09:33
Are you thinking of doing this, making an app that allows self-checking?
205
573673
3527
آیا به انجام این کار فکر می‌کنید؟ ساختن نرم افزاری که اجازه میده خودت رو چک کنی؟
سباستین: خوب، صندوق پستی من مملو از نامه‌هایی در مورد نرم افزار سرطان هست.
09:37
ST: So my in-box is flooded about cancer apps,
206
577224
4973
09:42
with heartbreaking stories of people.
207
582221
2303
با داستان‌هایی ناراحت کننده از مردم.
09:44
I mean, some people have had 10, 15, 20 melanomas removed,
208
584548
3204
چطور بگم، بعضی مردم ۱۰، ۱۵، ۲۰ ملانوما رو برداشتن
09:47
and are scared that one might be overlooked, like this one,
209
587776
3952
و میترسند که یکی مثل این ممکنه دوباره ظاهر بشه.
09:51
and also, about, I don't know,
210
591752
1741
و همچنین در مورد، نمی‌دونم،
09:53
flying cars and speaker inquiries these days, I guess.
211
593517
2732
ماشین‌های پرنده و حدس میزنم این روزها سوالاتی در مورد سخنرانی،
09:56
My take is, we need more testing.
212
596273
2738
برداشت من اینه که ما به آزمایشات بیشتری نیاز داریم.
09:59
I want to be very careful.
213
599449
1778
من میخوام خیلی مراقب باشم.
10:01
It's very easy to give a flashy result and impress a TED audience.
214
601251
3666
خیلی آسونه که یک نتیجه درخشان رو نشون بدی و مخاطبین TED رو تحت تاثیر قرار بدی،
10:04
It's much harder to put something out that's ethical.
215
604941
2627
ولی خیلی سخت تره که اخلاق رو در نظر نگیری
10:07
And if people were to use the app
216
607592
2394
و اگر مردم عادت کنند از این نرم افزار استفاده کنند
10:10
and choose not to consult the assistance of a doctor
217
610010
2797
و از مشورت یک پزشک کمک نگیرن،
10:12
because we get it wrong,
218
612831
1583
اونوقت اگر ما اشتباه کنیم،
10:14
I would feel really bad about it.
219
614438
1653
من واقعا احساس بدی خواهم دشت.
خوب ما الان داریم تست‌های کلینیکی رو انجام میدیم،
10:16
So we're currently doing clinical tests,
220
616115
1925
و اگر این تست‌های کلینیکی شروع بشن و داده‌های ما تداوم داشته باشه،
10:18
and if these clinical tests commence and our data holds up,
221
618064
2798
10:20
we might be able at some point to take this kind of technology
222
620886
2990
ممکن هست یک روزی بتونیم فناوری‌های مثل این رو
10:23
and take it out of the Stanford clinic
223
623900
1892
از آزمایشگاه استنفورد بیرون ببریم
10:25
and bring it to the entire world,
224
625816
1658
و به همه دنیا عرضه کنیم،
جاهایی که پزشکان استنفورد هرگز پای خودشون رو نخواهند گذاشت.
10:27
places where Stanford doctors never, ever set foot.
225
627498
2456
10:30
CA: And do I hear this right,
226
630617
2580
کریس: اینو درست فهمیدم؟
به نظر میرسه شبیه چیزی هست که داشتی میگفتی،
10:33
that it seemed like what you were saying,
227
633221
1966
چون تو داری با این گروه از دانشجوهای یوداسیتی کار می‌کنی،
10:35
because you are working with this army of Udacity students,
228
635211
4254
10:39
that in a way, you're applying a different form of machine learning
229
639489
3221
که در یک راستا، شکل متفاوتی از یادگیری ماشین رو اعمال می‌کنید
10:42
than might take place in a company,
230
642734
1735
که ممکنه در یک شرکت اتفاق بیوفته،
10:44
which is you're combining machine learning with a form of crowd wisdom.
231
644493
3484
اینکه شما دارید یادگیری ماشین رو با شکلی از خرد جمعی ترکیب می‌کنید.
آیا در واقع می‌گی گاهی اوقات فکر می‌کنی که می‌تونید بهتر از چیزی عمل کنید
10:48
Are you saying that sometimes you think that could actually outperform
232
648001
3384
که یک شرکت می‌تونه؟ اونم یک شرکت بزرگ؟
10:51
what a company can do, even a vast company?
233
651409
2050
سباستین: من معتقدم الان مثال‌هایی وجود داره که ذهن من رو تکون بده.
10:53
ST: I believe there's now instances that blow my mind,
234
653483
2940
و من هنوز تلاش می‌کنم که بفهمم.
10:56
and I'm still trying to understand.
235
656447
1758
چیزی که کریس به اون اشاره می‌کنه مسابقاتی هست که ما برگزار می‌کنیم.
10:58
What Chris is referring to is these competitions that we run.
236
658229
3937
11:02
We turn them around in 48 hours,
237
662190
2268
ما مسابقات رو در ۴۸ ساعت برگزار می‌کنیم،
11:04
and we've been able to build a self-driving car
238
664482
2252
و تونستیم یک ماشین بدون راننده بسازیم
11:06
that can drive from Mountain View to San Francisco on surface streets.
239
666758
3387
که می‌تونه در سطح خیابون، از مانتین ویو تا سانفرانسیسکو رانندگی کنه.
بعد از هفت سال کارِ گوگل، کاملا با مدل گوگل برابری نمی‌کنه،
11:10
It's not quite on par with Google after seven years of Google work,
240
670169
3584
11:13
but it's getting there.
241
673777
2528
ولی داره به اون میرسه.
11:16
And it took us only two engineers and three months to do this.
242
676329
3084
و فقط دو تا مهندس و سه ماه زمان لازم بود که انجام بشه.
11:19
And the reason is, we have an army of students
243
679437
2856
و دلیلش اینه که ما گروهی از دانشجوهایی داریم
11:22
who participate in competitions.
244
682317
1850
که در رقابت‌ها شرکت می‌کنند.
11:24
We're not the only ones who use crowdsourcing.
245
684191
2220
ما تنها کسانی نیستیم که از جمع سپاری استفاده می‌کنیم.
11:26
Uber and Didi use crowdsource for driving.
246
686435
2223
Uber و Didi برای رانندگی از جمع سپاری استفاده می‌کنند.
11:28
Airbnb uses crowdsourcing for hotels.
247
688682
2759
Airbnb برای هتل‌ها از جمع سپاری استفاده می‌کنه.
11:31
There's now many examples where people do bug-finding crowdsourcing
248
691465
4007
امروز، نمونه‌های زیادی وجود داره که مردم از جمع سپاریِ برای پیدا کردن باگ استفاده می‌کنند.
یا تا کردن پروتئین و هرچیز ممکن دیگه برای جمع سپاری.
11:35
or protein folding, of all things, in crowdsourcing.
249
695496
2804
11:38
But we've been able to build this car in three months,
250
698324
2915
ولی ما تونستیم این ماشین رو در سه ماه بسازیم،
11:41
so I am actually rethinking
251
701263
3655
پس من دارم دوباره به این فکر می‌کنم که
11:44
how we organize corporations.
252
704942
2238
چطور شرکت‌ها رو سازماندهی کنیم.
ما ۹,۰۰۰ نفر کارمند داریم که هیچوقت استخدام نمیشن،
11:47
We have a staff of 9,000 people who are never hired,
253
707204
4696
11:51
that I never fire.
254
711924
1308
و هیچوقت اخراج نمیشن.
اون‌ها برای کار حاضر میشن و من حتی خبر ندارم.
11:53
They show up to work and I don't even know.
255
713256
2362
11:55
Then they submit to me maybe 9,000 answers.
256
715642
3058
سپس اون‌ها شاید ۹,۰۰۰ جواب می‌فرستند.
11:58
I'm not obliged to use any of those.
257
718724
2176
من متعهد نیستم که از همه اون‌ها استفاده کنم.
12:00
I end up -- I pay only the winners,
258
720924
1991
ختم کلام -- من فقط به برنده‌ها پول میدم،
12:02
so I'm actually very cheapskate here, which is maybe not the best thing to do.
259
722939
3718
خوب اینجا من واقعا آدم خسیسی هستم، که شاید بهترین گزینه نباشه،
12:06
But they consider it part of their education, too, which is nice.
260
726681
3185
ولی اون‌ها این رو به عنوان بخشی از آموزش در نظر می‌گیرند، که همین هم خوبه.
12:09
But these students have been able to produce amazing deep learning results.
261
729890
4201
ولی همین دانشجوها تونستن نتایج جالبی در یادگیری عمیق بدست بیارن.
بنابراین بله، تلفیق افراد عالی و یادگیری ماشین خارق العاده است.
12:14
So yeah, the synthesis of great people and great machine learning is amazing.
262
734115
3861
کریس: در روز اول همایش [TED2017]، گری کاسپاروف گفت:
12:18
CA: I mean, Gary Kasparov said on the first day [of TED2017]
263
738000
2814
12:20
that the winners of chess, surprisingly, turned out to be two amateur chess players
264
740848
5412
برنده‌های مسابقه شطرنج، به طور شگفت آوری،
دو شطرنج باز مبتدی با سه تا نرم افزار متوسط یا متوسط به بالا بودند،
12:26
with three mediocre-ish, mediocre-to-good, computer programs,
265
746284
5371
12:31
that could outperform one grand master with one great chess player,
266
751679
3163
که تونستن بهتر از یک استاد بزرگ و یک شطرنج بازِ بسیار خوب، عمل کنند.
12:34
like it was all part of the process.
267
754866
1743
مثل اینکه همش بخشی از فرآیند بود.
12:36
And it almost seems like you're talking about a much richer version
268
756633
3335
تقریبا به نظر میرسه تو در مورد نسخه ای بسیار پربارتر
12:39
of that same idea.
269
759992
1200
از ایده مشابه صحبت می‌کنی.
12:41
ST: Yeah, I mean, as you followed the fantastic panels yesterday morning,
270
761216
3857
سباستین: بله، همونطور که شما میزگردهای بسیار خوب صبحِ دیروز رو دنبال کردید،
12:45
two sessions about AI,
271
765097
1994
دو جلسه در مورد هوش مصنوعی،
ارباب‌های رباتیک و پاسخ‌های انسانی،
12:47
robotic overlords and the human response,
272
767115
2167
چیزهای بسیار بسیار جالبی گفته شد.
12:49
many, many great things were said.
273
769306
1982
12:51
But one of the concerns is that we sometimes confuse
274
771312
2687
ولی یکی از نگرانی‌ها اینه که ما بعضی وقت‌ها
با چیزی که در واقع هوش مصنوعی با تهدید ارباب انجام میده، سردرگم میشیم.
12:54
what's actually been done with AI with this kind of overlord threat,
275
774023
4062
جایی که هوش مصنوعی شما، آگاهی رو توسعه میده. خوب؟
12:58
where your AI develops consciousness, right?
276
778109
3424
13:01
The last thing I want is for my AI to have consciousness.
277
781557
2971
آگاهی و فهم، آخرین چیزیه که من برای هوش مصنوعی خودم میخوام.
13:04
I don't want to come into my kitchen
278
784552
1716
من نمیخوام برم به آشپزخونه
13:06
and have the refrigerator fall in love with the dishwasher
279
786292
4193
و ببینم یخچال عاشق ماشین ظرف شویی شده
و به من میگه چون به اندازه کافی خوب نبودم،
13:10
and tell me, because I wasn't nice enough,
280
790509
2124
13:12
my food is now warm.
281
792657
1837
الان غذای من گرم هست. خوب؟
13:14
I wouldn't buy these products, and I don't want them.
282
794518
2891
من اینچنین محصولاتی رو نمیخرم و اون‌ها رو نمیخوام.
13:17
But the truth is, for me,
283
797825
1802
ولی حقیقت برای من اینه که،
13:19
AI has always been an augmentation of people.
284
799651
2720
هوش مصنوعی همیشه برای تکامل مردم بوده،
13:22
It's been an augmentation of us,
285
802893
1676
ابزاری برای تکامل ما بوده است،
13:24
to make us stronger.
286
804593
1457
تا ما رو قوی تر کنه.
13:26
And I think Kasparov was exactly correct.
287
806074
2831
و من فکر می‌کنم کاسپاروف کاملا درست میگه.
13:28
It's been the combination of human smarts and machine smarts
288
808929
3849
ترکیبی از نبوغ انسان و نبوغ ماشین بوده
13:32
that make us stronger.
289
812802
1464
که ما رو قوی تر می‌کنه.
این موضوع که ماشین‌ها ما رو قدرتمندتر می‌کنند، به اندازه خود ماشین‌ها قدمت داره.
13:34
The theme of machines making us stronger is as old as machines are.
290
814290
4587
13:39
The agricultural revolution took place because it made steam engines
291
819567
3758
انقلاب کشاورزی به این دلیل اتفاق افتاد که ماشین بخار
و تجهیزات زراعتی کماکان خودشون نمی‌تونستند مزرعه داری کنند،
13:43
and farming equipment that couldn't farm by itself,
292
823349
2666
اون هرگز جایگزین ما نشد، ما رو قوی‌تر کرد.
13:46
that never replaced us; it made us stronger.
293
826039
2122
و من اعتقاد دارم این موج جدید هوش مصنوعی هم،
13:48
And I believe this new wave of AI will make us much, much stronger
294
828185
3738
ما رو به عنوان نژاد بشر، بسیار بسیار قوی‌تر می‌کنه.
13:51
as a human race.
295
831947
1183
13:53
CA: We'll come on to that a bit more,
296
833765
1813
کریس: یه کم بیشتر به اون خواهیم پرداخت.
13:55
but just to continue with the scary part of this for some people,
297
835602
3671
ولی صرفا جهت ادامه قسمت ترسناک اون برای بعضی مردم،
13:59
like, what feels like it gets scary for people is when you have
298
839297
3558
مثلا چیزی که احساس میشه برای مردم ترسناک هست، اینه که
14:02
a computer that can, one, rewrite its own code,
299
842879
4618
وقتی یک کامپیوتر می‌تونه کدهای خودش رو دوباره بنویسه،
14:07
so, it can create multiple copies of itself,
300
847521
3584
پس می‌تونه چند نمونه مثل خودش رو ایجاد کنه،
یک سری از نسخه‌های مختلف برنامه رو امتحان کنه،
14:11
try a bunch of different code versions,
301
851129
1897
احتمالا حتی بصورت تصادفی،
14:13
possibly even at random,
302
853050
1775
14:14
and then check them out and see if a goal is achieved and improved.
303
854849
3632
و بعد اون‌ها رو چک کنه و ببینه آیا به هدف رسیده و بهتر شده.
14:18
So, say the goal is to do better on an intelligence test.
304
858505
3641
پس بهتره هدف روی یک تست هوش انجام بشه.
می‌دونی، کامپیوتری که نسبتا در انجام دادنش خوب هست،
14:22
You know, a computer that's moderately good at that,
305
862170
3894
تو می‌تونی میلیون‌ها نسخه از اون رو امتحان کنی.
14:26
you could try a million versions of that.
306
866088
2509
14:28
You might find one that was better,
307
868621
2090
ممکنه یکی رو پیدا کنی که از همه بهتر باشه،
14:30
and then, you know, repeat.
308
870735
2004
و بعد، می‌دونی، تکرار کنی.
14:32
And so the concern is that you get some sort of runaway effect
309
872763
3040
و بنابرین نگرانی این هست که یه جورایی کنترلش از دستت خارج بشه،
14:35
where everything is fine on Thursday evening,
310
875827
3008
وقتی که همه چیز در عصر پنج شنبه روبراهه،
14:38
and you come back into the lab on Friday morning,
311
878859
2336
و تو صبح جمعه برمیگردی آزمایشگاه
و به دلیل سرعت کامپیوترها و غیره،
14:41
and because of the speed of computers and so forth,
312
881219
2449
همه چیز قاطی کرده و ناگهان --
14:43
things have gone crazy, and suddenly --
313
883692
1903
سباستین: من میگم احتمال داره،
14:45
ST: I would say this is a possibility,
314
885619
2020
14:47
but it's a very remote possibility.
315
887663
1916
ولی یک احتمال خیلی بعیده.
14:49
So let me just translate what I heard you say.
316
889603
3337
خوب بزار من چیزی که الان شنیدم گفتی رو یک جور دیگه بگم.
14:52
In the AlphaGo case, we had exactly this thing:
317
892964
2704
در مورد آلفاگو، دقیقا این رو داشتیم:
14:55
the computer would play the game against itself
318
895692
2315
کامپیوتر با خودش بازی می‌کنه
و قواعد جدید رو فرا می‌گیرد.
14:58
and then learn new rules.
319
898031
1250
14:59
And what machine learning is is a rewriting of the rules.
320
899305
3235
و چیزی که یادگیری ماشین هست، دوباره نویسیِ دستوراته.
دوباره نویسیِ کد هست.
15:02
It's the rewriting of code.
321
902564
1769
ولی من فکر می‌کنم مطلقاً هیچ نگرانی وجود نداشت،
15:04
But I think there was absolutely no concern
322
904357
2845
که آلفاگو روی جهان تسلط پیدا کنه.
15:07
that AlphaGo would take over the world.
323
907226
2426
15:09
It can't even play chess.
324
909676
1464
اون حتی نمی‌تونه شطرنج بازی کنه.
15:11
CA: No, no, no, but now, these are all very single-domain things.
325
911164
5147
کریس: نه، نه، نه. ولی الان همه اینها، چیزهایی در یک حوزه هستند.
15:16
But it's possible to imagine.
326
916335
2879
ولی قابل تصوره.
منظورم اینه که ما همین الان کامپیوتری رو دیدیم که تقریبا قادره
15:19
I mean, we just saw a computer that seemed nearly capable
327
919238
3089
در آزمون ورودی دانشگاه قبول بشه،
15:22
of passing a university entrance test,
328
922351
2655
که یک جورایی می‌تونه -- اون نمی‌تونه بصورتی که ما می‌تونیم، بخونه و بنویسه،
15:25
that can kind of -- it can't read and understand in the sense that we can,
329
925030
3688
15:28
but it can certainly absorb all the text
330
928742
1987
ولی مطمئنا می‌تونه متن رو بگیره و تحلیل کنه
15:30
and maybe see increased patterns of meaning.
331
930753
2899
و شاید الگوهای بیشتری از معنا رو درک کنه.
15:33
Isn't there a chance that, as this broadens out,
332
933676
3694
آیا شانسی وجود نداره که همزمان که این توسعه پیدا می‌کنه،
15:37
there could be a different kind of runaway effect?
333
937394
2466
دیگه نتونی جلوش رو بگیری و کنترلش از دستت خارج بشه؟
15:39
ST: That's where I draw the line, honestly.
334
939884
2078
سباستین: صادقانه بگم، این جایی هست که من حد و حدود رو تعیین کردم.
15:41
And the chance exists -- I don't want to downplay it --
335
941986
2643
شانس وجود داره -- من نمی خوام این رو کم اهمیت جلوه بدم --
ولی فکر می‌کنم بعیده و چیزی نیست که این روزها بهش فکر کنم.
15:44
but I think it's remote, and it's not the thing that's on my mind these days,
336
944653
3672
چون من فکر می‌کنم تحول بزرگ، چیز دیگری هست.
15:48
because I think the big revolution is something else.
337
948349
2512
تا الان هرچیز موفقی در هوش مصنوعی،
15:50
Everything successful in AI to the present date
338
950885
2922
15:53
has been extremely specialized,
339
953831
2214
به شدت تخصصی شده،
و روی یک ایده واحد موفق بوده،
15:56
and it's been thriving on a single idea,
340
956069
2489
15:58
which is massive amounts of data.
341
958582
2739
که حجم بسیار عظیم از داده‌ها هست.
16:01
The reason AlphaGo works so well is because of massive numbers of Go plays,
342
961345
4147
دلیل اینکه آلفاگو خیلی خوب کار می‌کنه، بخاطر دفعات بسیار زیاد انجام بازی Go هست،
16:05
and AlphaGo can't drive a car or fly a plane.
343
965516
3255
آلفاگو نمی‌تونه یک ماشین رو برونه یا یک هواپیما رو هدایت کنه.
16:08
The Google self-driving car or the Udacity self-driving car
344
968795
3031
رانندگی ماشین بدون سرنشین گوگل یا ماشین بدون سرنشین یوداسیتی،
16:11
thrives on massive amounts of data, and it can't do anything else.
345
971850
3240
به لطف حجم بسیار زیاد داده‌ها هست، و نمی‌تونه کار دیگری انجام بده.
حتی نمی‌تونه یک موتور سیکلت رو کنترل کنه.
16:15
It can't even control a motorcycle.
346
975114
1727
16:16
It's a very specific, domain-specific function,
347
976865
2762
این یک کار خیلی خاص هست، کار در حوزه ای خاص،
16:19
and the same is true for our cancer app.
348
979651
1907
و همین موضوع برای نرم افزار سرطان هم صدق می‌کنه.
16:21
There has been almost no progress on this thing called "general AI,"
349
981582
3236
در موردی به نام «هوش مصنوعی عمومی»، تقریبا هیچ پیشرفتی بدست نیومده،
16:24
where you go to an AI and say, "Hey, invent for me special relativity
350
984842
4000
که شما برید به یک هوش مصنوعی بگید: «هی، نسبیت خاص رو برای من کشف کن،
16:28
or string theory."
351
988866
1666
یا نظریه ریسمان».
16:30
It's totally in the infancy.
352
990556
1931
کاملا در مرحله ابتدایی هست.
16:32
The reason I want to emphasize this,
353
992511
2127
دلیل اینکه من میخوام روی این تاکید کنم این هست که،
16:34
I see the concerns, and I want to acknowledge them.
354
994662
3838
نگرانی‌ها رو میبینم و میخوام اون‌ها رو تایید کنم،
16:38
But if I were to think about one thing,
355
998524
2886
ولی اگر قرار بود من به چیزی فکر کنم،
16:41
I would ask myself the question, "What if we can take anything repetitive
356
1001434
5563
این سوال رو از خودم میپرسیدم که، «چی میشه اگر هر چیز تکراری رو بگیریم
و خودمون رو ۱۰۰ برابر کارآمد تر کنیم».
16:47
and make ourselves 100 times as efficient?"
357
1007021
3473
16:51
It so turns out, 300 years ago, we all worked in agriculture
358
1011170
4249
۳۰۰ سال قبل، همه ما در کشاورزی مشغول بودیم
16:55
and did farming and did repetitive things.
359
1015443
2051
و زراعت و کارهای تکراری انجام می دادیم.
16:57
Today, 75 percent of us work in offices
360
1017518
2556
امروز، ۷۵ درصد از ما در اداره‌ها کار می‌کنیم،
و کارهای تکراری انجام میدیم.
17:00
and do repetitive things.
361
1020098
2124
ما هنوز از پس کارهای تکراری روزانه‌مان برنیامدیم.
17:02
We've become spreadsheet monkeys.
362
1022246
2183
17:04
And not just low-end labor.
363
1024453
2054
و نه فقط در کارهای سطح پایین.
17:06
We've become dermatologists doing repetitive things,
364
1026531
2754
ما با انجام کارهای تکراری، متخصص پوست شدیم،
با انجام کارهای تکراری وکیل شدیم،
17:09
lawyers doing repetitive things.
365
1029309
1749
من فکر می‌کنم ما در آستانه این هستیم که بتونیم یک هوش مصنوعی رو بگیریم
17:11
I think we are at the brink of being able to take an AI,
366
1031082
3823
17:14
look over our shoulders,
367
1034929
1718
[و بهش بگیم:] حواست به من باشه
17:16
and they make us maybe 10 or 50 times as effective in these repetitive things.
368
1036671
4058
و اون‌ها ما رو شاید ۱۰ یا ۱۵ برابر، در این کارهای تکراری کارآمدتر کنند.
17:20
That's what is on my mind.
369
1040753
1275
این چیزیه که در ذهن من هست.
کریس: فوق العاده جذاب بنظر میرسه.
17:22
CA: That sounds super exciting.
370
1042052
2450
17:24
The process of getting there seems a little terrifying to some people,
371
1044526
3530
روند به اونجا رسیدن برای بعضی مردم ترسناکه،
چون به محض اینکه یک کامپیوتر بتونه این کارهای تکراری رو
17:28
because once a computer can do this repetitive thing
372
1048080
3180
17:31
much better than the dermatologist
373
1051284
3434
می‌دونی، خیلی بهتر از متخصص پوست،
17:34
or than the driver, especially, is the thing that's talked about
374
1054742
3230
یا بهتر از راننده انجام بده،
چیزی که مخصوصا الان خیلی در موردش صحبت میشه،
17:37
so much now,
375
1057996
1290
ناگهان خیلی از شغل‌ها از بین میرن،
17:39
suddenly millions of jobs go,
376
1059310
1958
و می‌دونی، کشور وارد یک تحول میشه
17:41
and, you know, the country's in revolution
377
1061292
2695
قبل از اینکه ما اصلا به جنبه‌های با شکوه‌ترِ اون چیزی که ممکن هست، برسیم.
17:44
before we ever get to the more glorious aspects of what's possible.
378
1064011
4329
17:48
ST: Yeah, and that's an issue, and it's a big issue,
379
1068364
2517
سباستین: بله، و این خودش یک مسئله هست، یک مسئله بزرگ.
17:50
and it was pointed out yesterday morning by several guest speakers.
380
1070905
4196
و دیروز صبح توسط چند سخنران مهمان بهش اشاره شد.
17:55
Now, prior to me showing up onstage,
381
1075125
2754
الان، قبل از اینکه بیام روی صحنه،
17:57
I confessed I'm a positive, optimistic person,
382
1077903
3739
اعتراف کردم آدم مثبت و خوش بینی هستم.
18:01
so let me give you an optimistic pitch,
383
1081666
2389
خوب بزارید یک گام خوشبینانه برداریم،
18:04
which is, think of yourself back 300 years ago.
384
1084079
4795
اینکه، به خودتون در ۳۰۰ سال پیش فکر کنید.
18:08
Europe just survived 140 years of continuous war,
385
1088898
3996
اروپا از ۱۴۰ سال جنگ پی در پی نجات پیدا کرد،
18:12
none of you could read or write,
386
1092918
1711
هیچ کدوم از شما نمی‌تونست بخونه و بنویسه،
18:14
there were no jobs that you hold today,
387
1094653
2945
شغل‌هایی که الان وجود داره، در گذشته وجود نداشت،
18:17
like investment banker or software engineer or TV anchor.
388
1097622
4096
مثل سرمایه گذار بانک، مهندس نرم افزار یا خبرگزار تلویزیون.
18:21
We would all be in the fields and farming.
389
1101742
2414
همه ما در زمین‌ها و مزرعه‌ها بودیم.
حالا سباستین کوچولو با یک موتور بخار توی جیبش میاد،
18:24
Now here comes little Sebastian with a little steam engine in his pocket,
390
1104180
3573
18:27
saying, "Hey guys, look at this.
391
1107777
1548
و میگه: «هی بچه‌ها، به این نگاه کنید،
این قراره شما رو ۱۰۰ برابر قوی تر کنه، پس می‌تونید یه کار دیگه بکنید».
18:29
It's going to make you 100 times as strong, so you can do something else."
392
1109349
3595
18:32
And then back in the day, there was no real stage,
393
1112968
2470
و بعد برگردیم به امروز، هیچ صحنهٔ نمایشی نبود،
18:35
but Chris and I hang out with the cows in the stable,
394
1115462
2526
ولی کریس و من، در طویله با گاوها مشغول هستیم،
و اون میگه: «من واقعا نگرانم،
18:38
and he says, "I'm really concerned about it,
395
1118012
2100
چون هر روز گاوم رو می دوشم، و چی میشه اگه ماشین این رو برای من انجام بده؟».
18:40
because I milk my cow every day, and what if the machine does this for me?"
396
1120136
3652
دلیل اینکه من به این اشاره کردم اینه که،
18:43
The reason why I mention this is,
397
1123812
1702
18:46
we're always good in acknowledging past progress and the benefit of it,
398
1126360
3603
ما همیشه به پیشرفت در گذشته و مزایای اون به خوبی اذعان می‌کنیم،
18:49
like our iPhones or our planes or electricity or medical supply.
399
1129987
3354
مثل گوشی آیفون، هواپیماها، برق و یا تجهیزات پزشکی.
18:53
We all love to live to 80, which was impossible 300 years ago.
400
1133365
4245
همه ما دوست داریم تا ۸۰ سال زندگی کنیم، که ۳۰۰ سال پیش غیرممکن بود.
18:57
But we kind of don't apply the same rules to the future.
401
1137634
4156
ولی ما تا حدی این قاعده رو در مورد آینده اعمال نمی‌کنیم.
19:02
So if I look at my own job as a CEO,
402
1142621
3207
پس اگر من به کارم به عنوان یک مدیرعامل نگاه کنم،
19:05
I would say 90 percent of my work is repetitive,
403
1145852
3140
میگم ۹۰ درصد از کار من تکراریه،
ازش لذت نمیبرم،
19:09
I don't enjoy it,
404
1149016
1351
19:10
I spend about four hours per day on stupid, repetitive email.
405
1150391
3978
من چهار ساعت از وقتم رو در روز، صرف ایمیل‌های تکراری و مزخرف می‌کنم.
19:14
And I'm burning to have something that helps me get rid of this.
406
1154393
3641
و دارم به آب و آتش میزنم تا چیزی داشته باشم که من رو از شر این خلاص کنه.
چرا؟
19:18
Why?
407
1158058
1158
چون من معتقدم همه ما به طرز دیوانه واری خلاق هستیم؛
19:19
Because I believe all of us are insanely creative;
408
1159240
3003
19:22
I think the TED community more than anybody else.
409
1162731
3194
فکر می‌کنم جامعه TED بیشتر از هر کس دیگه ای.
19:25
But even blue-collar workers; I think you can go to your hotel maid
410
1165949
3559
ولی حتی کارگرها. فکر می‌کنم شما می‌تونید برید پیش مستخدم هتل خودتون
19:29
and have a drink with him or her,
411
1169532
2402
و یک نوشیدنی با اون بخورید،
19:31
and an hour later, you find a creative idea.
412
1171958
2717
و یک ساعت بعد، یک ایده خلاقانه پیدا می‌کنید.
19:34
What this will empower is to turn this creativity into action.
413
1174699
4140
چیزی که این توانمند می‌کنه، تبدیل خلاقیت به عمل هست.
19:39
Like, what if you could build Google in a day?
414
1179265
3442
مثلا، اگر بتونید گوگل رو در یک روز بسازید، چی؟
19:43
What if you could sit over beer and invent the next Snapchat,
415
1183221
3316
اگر بتونید راحت بنشینید و خیلی سریع اسنپ چت بعدی رو اختراع کنید، چی؟
19:46
whatever it is,
416
1186561
1165
هر چیزی که هست،
19:47
and tomorrow morning it's up and running?
417
1187750
2187
و فردا صبح سرپاست و هنوز کار می‌کنه.
19:49
And that is not science fiction.
418
1189961
1773
این علمی تخیلی نیست.
19:51
What's going to happen is,
419
1191758
1254
چیزی که قراره اتفاق بیوفته اینه که،
ما هنوز در تاریخ هستیم.
19:53
we are already in history.
420
1193036
1867
19:54
We've unleashed this amazing creativity
421
1194927
3228
ما این خلاقیت جالب رو بروز دادیم،
با آزاد کردن خودمون از کشاورزی
19:58
by de-slaving us from farming
422
1198179
1611
19:59
and later, of course, from factory work
423
1199814
3363
و البته بعدتر، از کار در کارخونه.
20:03
and have invented so many things.
424
1203201
3162
و چیزهای خیلی زیادی اختراع کردیم.
به نظر من، حتی بهتر هم میشه.
20:06
It's going to be even better, in my opinion.
425
1206387
2178
20:08
And there's going to be great side effects.
426
1208589
2072
و اثرات جانبی خیلی خوبی خواهد داشت.
20:10
One of the side effects will be
427
1210685
1489
یکی از اثرات جانبی
این خواهد بود که چیزهایی مثل تامین غذا و دارو، آموزش، سرپناه
20:12
that things like food and medical supply and education and shelter
428
1212198
4795
و حمل و نقل،
20:17
and transportation
429
1217017
1177
20:18
will all become much more affordable to all of us,
430
1218218
2441
برای همه ما، خیلی ارزان تر خواهد بود،
20:20
not just the rich people.
431
1220683
1322
نه فقط برای افراد ثروتمند.
کریس: اوهوم.
20:22
CA: Hmm.
432
1222029
1182
20:23
So when Martin Ford argued, you know, that this time it's different
433
1223235
4341
همینطور وقتی مارتین فورد استدلال کرد، می‌دونی، که این دفعه فرق می‌کنه،
20:27
because the intelligence that we've used in the past
434
1227600
3453
چون هوشی که ما در گذشته استفاده کردیم
تا راه‌های جدید پیدا کنیم
20:31
to find new ways to be
435
1231077
2483
20:33
will be matched at the same pace
436
1233584
2279
بر راستای مشابه منطبق خواهد شد،
20:35
by computers taking over those things,
437
1235887
2291
توسط کامپیوترهایی که بر اون‌ها مسلط میشن،
چیزی که من از صحبت تو میفهمم اینه که، نه کاملا،
20:38
what I hear you saying is that, not completely,
438
1238202
3078
20:41
because of human creativity.
439
1241304
2951
بخاطر خلاقیت انسان.
20:44
Do you think that that's fundamentally different from the kind of creativity
440
1244279
3785
آیا فکر می‌کنی که این تفاوت بنیادی با اون نوع خلاقیتی که
کامپیوترها می‌تونن انجام بدن داره؟
20:48
that computers can do?
441
1248088
2696
20:50
ST: So, that's my firm belief as an AI person --
442
1250808
4434
سباستین: خوب، این اعتقاد راسخ من هست، به عنوان یک فرد فعال در هوش مصنوعی --
20:55
that I haven't seen any real progress on creativity
443
1255266
3803
که من هیچ پیشرفت واقعی در خلاقیت ندیم،
20:59
and out-of-the-box thinking.
444
1259949
1407
در تفکر خلاق.
21:01
What I see right now -- and this is really important for people to realize,
445
1261380
3623
چیزی که الان میبینم اینه که -- و واقعا مهمه که مردم تشخیص بدن،
چون عبارت «هوش مصنوعی» خیلی تهدید آمیز هست،
21:05
because the word "artificial intelligence" is so threatening,
446
1265027
2903
و بعد ما استیو اسپیلبرگ رو داریم که فیلمی به این اسم میسازه که در اون
21:07
and then we have Steve Spielberg tossing a movie in,
447
1267954
2523
21:10
where all of a sudden the computer is our overlord,
448
1270501
2413
ناگهان، کامپیوتر تبدیل به ارباب ما میشه.
21:12
but it's really a technology.
449
1272938
1452
ولی در واقع این یک فناوری هست،
فناوری ای که به ما کمک می‌کنه کارهای تکراری رو انجام بدیم.
21:14
It's a technology that helps us do repetitive things.
450
1274414
2982
21:17
And the progress has been entirely on the repetitive end.
451
1277420
2913
و بطور کلی، پیشرفت همیشه در پایان تکراری بوده.
21:20
It's been in legal document discovery.
452
1280357
2228
کشف سند حقوقی بوده،
21:22
It's been contract drafting.
453
1282609
1680
تهیه پیش نویس قراداد بوده،
21:24
It's been screening X-rays of your chest.
454
1284313
4223
عکس برداری اشعه ایکس از قفسه سینه شما بوده.
21:28
And these things are so specialized,
455
1288560
1773
و این چیزها خیلی تخصصی شدند،
من تهدید بزرگی برای بشریت نمی بینم.
21:30
I don't see the big threat of humanity.
456
1290357
2391
21:32
In fact, we as people --
457
1292772
1794
در حقیقت، ما به عنوان مردم --
21:34
I mean, let's face it: we've become superhuman.
458
1294590
2385
منظورم اینه، رک و پوست کنده بگم: ما ابَرانسان شدیم.
21:36
We've made us superhuman.
459
1296999
1764
خودمون رو تبدیل به ابَرانسان کردیم.
21:38
We can swim across the Atlantic in 11 hours.
460
1298787
2632
ما می‌تونیم در طول اقیانوس اطلس، در ۱۱ ساعت شنا کنیم.
21:41
We can take a device out of our pocket
461
1301443
2074
می‌تونیم یک وسیله رو از جیبمون در بیاریم
21:43
and shout all the way to Australia,
462
1303541
2147
و از اینجا تا استرالیا صدامون رو برسونیم
21:45
and in real time, have that person shouting back to us.
463
1305712
2600
و هم زمان، اون هم با ما حرف بزنه.
از نظر فیزیک ممکن نیست، ما داریم قوانین فیزیک رو می‌شکنیم.
21:48
That's physically not possible. We're breaking the rules of physics.
464
1308336
3624
21:51
When this is said and done, we're going to remember everything
465
1311984
2943
وقتی این چیزها گفته و انجام میشه، قراره همه چیزهایی که دیدیم و شنیدیم رو به یاد بیاریم،
21:54
we've ever said and seen,
466
1314951
1213
شما هر فردی رو به یاد خواهید آورد،
21:56
you'll remember every person,
467
1316188
1496
21:57
which is good for me in my early stages of Alzheimer's.
468
1317708
2626
که برای من در مراحل اولیه آلزایمرم خوبه.
ببخشید، چی میگفتم؟ فراموش کردم!
22:00
Sorry, what was I saying? I forgot.
469
1320358
1677
22:02
CA: (Laughs)
470
1322059
1578
سباستین: ما احتمالا ضریب هوشی ۱,۰۰۰ یا بیشتر خواهیم داشت.
22:03
ST: We will probably have an IQ of 1,000 or more.
471
1323661
3077
22:06
There will be no more spelling classes for our kids,
472
1326762
3425
دیگه برای فرزاندانمون کلاس املایی وجود نخواهد داشت،
22:10
because there's no spelling issue anymore.
473
1330211
2086
چون دیگه مسئله املاء وجود نداره،
22:12
There's no math issue anymore.
474
1332321
1832
دیگه مسئله ریاضی وجود نداره،
22:14
And I think what really will happen is that we can be super creative.
475
1334177
3510
و فکر می‌کنم چیزی که واقعا اتفاق میوفته اینه که ما می‌تونیم فراتر از خلاق باشیم.
22:17
And we are. We are creative.
476
1337711
1857
و هستیم، ما خلاق هستیم.
22:19
That's our secret weapon.
477
1339592
1552
این سلاح مخفی ماست.
22:21
CA: So the jobs that are getting lost,
478
1341168
2153
کریس: خوب شغل‌هایی که داران ناپدید میشن،
22:23
in a way, even though it's going to be painful,
479
1343345
2494
به این طریق، با اینکه قراره ناراحت کننده باشه،
22:25
humans are capable of more than those jobs.
480
1345863
2047
انسان‌ها قادر به انجام کارهای بیشتر از این هستند.
22:27
This is the dream.
481
1347934
1218
رویا اینه.
22:29
The dream is that humans can rise to just a new level of empowerment
482
1349176
4247
رویا اینه که انسان‌ها می‌تونن دقیقا به سطحی جدید از توانمندسازی و کشف، ترقی کنند.
22:33
and discovery.
483
1353447
1657
22:35
That's the dream.
484
1355128
1452
این رویاست.
22:36
ST: And think about this:
485
1356604
1643
سباستین: و به این فکر کنید.
اگر به تاریخ بشریت نگاه کنید،
22:38
if you look at the history of humanity,
486
1358271
2021
22:40
that might be whatever -- 60-100,000 years old, give or take --
487
1360316
3328
که ممکنه هرچیزی باشه -- ۶۰ تا ۱۰۰ هزار سال، کم یا زیاد --
22:43
almost everything that you cherish in terms of invention,
488
1363668
3726
تقریبا هرچیزی که شما ارزشمند می‌دونید، از نظر اخترع،
22:47
of technology, of things we've built,
489
1367418
2151
فن آوری، از نظر چیزهایی که ساختیم،
22:49
has been invented in the last 150 years.
490
1369593
3099
در ۱۵۰ سال اخیر اختراع شدند.
22:53
If you toss in the book and the wheel, it's a little bit older.
491
1373756
3048
اگر کتاب و چرخ و یا تبر رو هم حساب کنید، این‌ها کمی تاریخی‌اند.
22:56
Or the axe.
492
1376828
1169
ولی تلفن شما، کفش ورزشی شما،
22:58
But your phone, your sneakers,
493
1378021
2790
23:00
these chairs, modern manufacturing, penicillin --
494
1380835
3551
این صندلی‌ها، تولید مدرن، پنیسیلین --
23:04
the things we cherish.
495
1384410
1714
چیزهایی که ما باارزش می‌دونیم.
برای من معنیش این هست که
23:06
Now, that to me means
496
1386148
3658
23:09
the next 150 years will find more things.
497
1389830
3041
در ۱۵۰ سال آینده، چیزهای بیشتری پیدا خواهیم کرد.
23:12
In fact, the pace of invention has gone up, not gone down, in my opinion.
498
1392895
4154
در واقع، به نظر من سرعت اختراع بالا رفته، نه پایین.
من اعتقاد دارم فقط یک درصد از چیزهای جالب تا الان اختراع شدند. درسته؟
23:17
I believe only one percent of interesting things have been invented yet. Right?
499
1397073
4905
ما سرطان رو معالجه نکردیم.
23:22
We haven't cured cancer.
500
1402002
1988
ما ماشین‌های پرنده نداریم -- هنوز. خوشبختانه من این یکی رو متحول می‌کنم.
23:24
We don't have flying cars -- yet. Hopefully, I'll change this.
501
1404014
3718
23:27
That used to be an example people laughed about. (Laughs)
502
1407756
3257
این مثالی هست که مردم بهش میخندن.
جالبه، اینطور نیست؟ مخفیانه کار کردن روی ماشین پرنده.
23:31
It's funny, isn't it? Working secretly on flying cars.
503
1411037
2992
ما هنوز دو بار زندگی نمی‌کنیم، خوب؟
23:34
We don't live twice as long yet. OK?
504
1414053
2683
23:36
We don't have this magic implant in our brain
505
1416760
2785
ما این چیز جادویی رو که اطلاعاتی
که می‌خوایم رو بهمون بده در مغزمون کار نگذاشتیم.
23:39
that gives us the information we want.
506
1419569
1832
ممکنه شما از این وحشت زده بشید،
23:41
And you might be appalled by it,
507
1421425
1526
23:42
but I promise you, once you have it, you'll love it.
508
1422975
2444
ولی من بهتون قول میدم،
همین که این رو داشته باشید، دوستش خواهید داشت.
23:45
I hope you will.
509
1425443
1166
امیدوارم دوستش داشته باشید.
23:46
It's a bit scary, I know.
510
1426633
1909
یکم ترسناکه، می‌دونم.
23:48
There are so many things we haven't invented yet
511
1428566
2254
چیزهای بسیار زیادی وجود داره که ما هنوز اختراع نکردیم،
که فکر می‌کنم بزودی می‌کنیم.
23:50
that I think we'll invent.
512
1430844
1268
ما هیچ سپر جاذبه ای نداریم.
23:52
We have no gravity shields.
513
1432136
1306
ما نمی‌تونیم با سرعت نور از مکانی به مکان دیگر بریم.
23:53
We can't beam ourselves from one location to another.
514
1433466
2553
خنده دار به نظر میرسه،
ولی تقریبا ۲۰۰ سال پیش،
23:56
That sounds ridiculous,
515
1436043
1151
23:57
but about 200 years ago,
516
1437218
1288
23:58
experts were of the opinion that flight wouldn't exist,
517
1438530
2667
کارشناس‌ها نظرشون این بود که امکان پرواز وجود نداره،
حتی ۱۲۰ سال پیش،
24:01
even 120 years ago,
518
1441221
1324
24:02
and if you moved faster than you could run,
519
1442569
2582
و اگر سریع تر از اونی که بتونید بدوید، حرکت کنید،
درجا خواهید مرد. درسته؟
24:05
you would instantly die.
520
1445175
1520
24:06
So who says we are correct today that you can't beam a person
521
1446719
3569
بنابرین کی میگه که ما امروز درست می‌گیم که شما نمی‌تونید یک شخص رو با سرعت نور
24:10
from here to Mars?
522
1450312
2249
از اینجا به به مریخ بفرستید؟
24:12
CA: Sebastian, thank you so much
523
1452585
1569
کریس: سباستین، خیلی ازت ممنونیم،
24:14
for your incredibly inspiring vision and your brilliance.
524
1454178
2682
بخاطر نگاه بسیار بسیار الهام بخش و هوش سرشارت.
24:16
Thank you, Sebastian Thrun.
525
1456884
1323
متشکریم سباستین.
کریس: فوق العاده بود.
24:18
That was fantastic. (Applause)
526
1458231
1895
درباره این وب سایت

این سایت ویدیوهای یوتیوب را به شما معرفی می کند که برای یادگیری زبان انگلیسی مفید هستند. دروس انگلیسی را خواهید دید که توسط معلمان درجه یک از سراسر جهان تدریس می شود. روی زیرنویس انگلیسی نمایش داده شده در هر صفحه ویدیو دوبار کلیک کنید تا ویدیو از آنجا پخش شود. زیرنویس‌ها با پخش ویدیو همگام می‌شوند. اگر نظر یا درخواستی دارید، لطفا با استفاده از این فرم تماس با ما تماس بگیرید.

https://forms.gle/WvT1wiN1qDtmnspy7