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

Translator: Mobin Hatam Reviewer: Nima Pourreza

Chris Anderson: Help us understand what machine learning is,

کریس اندرسون: کمک کن بفهمیم که یادگیری ماشین چه هست،

because that seems to be the key driver

چون بنظر میرسه که عامل اصلی

of so much of the excitement and also of the concern

این همه هیجان و البته نگرانی

around artificial intelligence.

در مورد هوش مصنوعی باشه.

یادگیری ماشین چطور کار می‌کنه؟

How does machine learning work?

Sebastian Thrun: So, artificial intelligence and machine learning

سباستین تران: خوب، هوش مصنوعی و یادگیری ماشین

در حدود ۶۰ سال قدمت داره

is about 60 years old

and has not had a great day in its past until recently.

و تا همین اواخر، هرگز اینقدر بزرگ و مهم نبود،

And the reason is that today,

و دلیلش اینه که امروز،

ما به مقیاسی از محاسبات و مجموعه داده‌ها رسیدیم

we have reached a scale of computing and datasets

که لازم بود ماشین‌ها رو هوشمند کنیم.

that was necessary to make machines smart.

So here's how it works.

خوب، ببینیم چطور کار می‌کنه.

If you program a computer today, say, your phone,

اگر امروز یک کامپیوتر رو برنامه ریزی کنید، مثل تلفن شما،

then you hire software engineers

مهندس‌های نرم افزار رو استخدام می‌کنید

that write a very, very long kitchen recipe,

تا یک دستورالعمل خیلی خیلی طولانی رو بنویسند.

مثلا «اگر آب خیلی داغه، دما رو بیار پایین.

like, "If the water is too hot, turn down the temperature.

If it's too cold, turn up the temperature."

اگر خیلی سرده، دما رو ببر بالا».

The recipes are not just 10 lines long.

دستورها فقط ۱۰ خط نیستند،

They are millions of lines long.

بلکه میلیون‌ها خط هستند.

A modern cell phone has 12 million lines of code.

یک تلفن همراه امروزی ۱۲ میلیون خط برنامه داره.

یک مرورگر، پنج میلیون خط برنامه داره.

A browser has five million lines of code.

And each bug in this recipe can cause your computer to crash.

و هر نقصی در این برنامه، می‌تونه باعث بشه کامپیوتر شما از کار بیفته.

That's why a software engineer makes so much money.

به همین دلیل هست که یک مهندس نرم افزار پول خیلی زیادی درمیاره.

The new thing now is that computers can find their own rules.

امروزه، کامپیوترها می‌تونن قواعد خودشون رو پیدا کنند.

So instead of an expert deciphering, step by step,

پس بجای اینکه یک متخصص مرحله به مرحله یک برنامه و کد برای هر احتمالی بنویسه،

a rule for every contingency,

به کامپیوتر نمونه‌هایی می‌دید

what you do now is you give the computer examples

و می‌زارید برنامه خودش به قواعدش برسه.

and have it infer its own rules.

A really good example is AlphaGo, which recently was won by Google.

یک مثال واقعا خوب، بازی AlphaGo هست، که اخیراً گوگل در آن برنده شد.

Normally, in game playing, you would really write down all the rules,

معمولاً برای برنامه‌نویسی بازی، شما همه برنامه رو می‌نویسید،

ولی در مورد آلفاگو،

but in AlphaGo's case,

the system looked over a million games

سیستم به بیش از یک میلیون بازی نگاه کرد

و تونست دستورالعمل خودش رو استنتاج کنه

and was able to infer its own rules

and then beat the world's residing Go champion.

و سپس قهرمان Go در دنیا رو شکست بده.

That is exciting, because it relieves the software engineer

این هیجان انگیزه، چون دیگه نیازی نیست مهندس نرم افزار خیلی باهوش باشه،

of the need of being super smart,

and pushes the burden towards the data.

و مسئولیت را بر گردن اطلاعات می‌اندازد.

As I said, the inflection point where this has become really possible --

همونطور که گفتم، نقطه عطف یعنی جایی که این امر ممکن شد --

خیلی خجالت آوره، پایان نامه من در مورد یادگیری ماشین بود،

very embarrassing, my thesis was about machine learning.

خیلی به درد نخور بود، اون رو نخونید،

It was completely insignificant, don't read it,

چون ۲۰ سال قبل بود

because it was 20 years ago

و در اون زمان، کامپیوترها به اندازه مغز یک سوسک بودند.

and back then, the computers were as big as a cockroach brain.

الان کامپیوترها اونقدر قدرتمند هستند

Now they are powerful enough to really emulate

kind of specialized human thinking.

که بتوانند تفکر یک انسان متخصص را شبیه‌سازی بکنند.

And then the computers take advantage of the fact

و اینکه کامپیوترها این برتری رو دارند که

that they can look at much more data than people can.

نسبت به آدم‌ها، می‌تونن داده‌های بیشتری رو بررسی کنند.

So I'd say AlphaGo looked at more than a million games.

همونطور که گفتم، آلفاگو بیشتر از یک میلیون بازی رو بررسی کرد.

No human expert can ever study a million games.

هیچ انسان خبره ای نمی‌تونه یک میلیون بازی رو بررسی کنه.

Google has looked at over a hundred billion web pages.

گوگل بیش از صد میلیارد صفحه وب رو بررسی کرده.

No person can ever study a hundred billion web pages.

هرگز هیچ کسی نمی‌تونه صد میلیارد صفحه وب رو مطالعه کنه.

So as a result, the computer can find rules

بنابراین به عنوان یک نتیجه، کامپیوتر می‌تونه قواعدی رو پیدا کنه

that even people can't find.

که حتی آدم‌ها هم نمی‌تونن.

کریس: پس بجای اینکه پیش بینی کنیم «اگر او این را انجام دهد، من آن را انجام خواهم داد»

CA: So instead of looking ahead to, "If he does that, I will do that,"

it's more saying, "Here is what looks like a winning pattern,

بهتره بگیم: «چیزی شبیه به الگوی برنده شدن هست»،

این چیزی شبیه به الگوی برنده شدن هست.

here is what looks like a winning pattern."

سباستین: آره، مثلا به این فکر کنید که بچه‌ها رو چطور بزرگ می‌کنید.

ST: Yeah. I mean, think about how you raise children.

شما ۱۸ سال اول رو صرف این نمی‌کنید که به بچه‌ها برای هر احتمالی یک قانون بدید

You don't spend the first 18 years giving kids a rule for every contingency

و بعد اون‌ها رو با این برنامه بزرگ رها کنید.

and set them free and they have this big program.

اون‌ها تلو تلو میخورن، میافتن، بلند میشن، تنبیه میشن،

They stumble, fall, get up, they get slapped or spanked,

and they have a positive experience, a good grade in school,

و یک تجربه مثبت دارن، در مدرسه نمره خوب می‌گیرند،

and they figure it out on their own.

و خودشون اینو میفهمنن.

That's happening with computers now,

الان این داره برای کامپیوترها هم اتفاق میافته،

which makes computer programming so much easier all of a sudden.

که ناگهان، برنامه ریزی کردن کامپیوترها رو خیلی آسون تر می‌کنه.

Now we don't have to think anymore. We just give them lots of data.

الان دیگه نیازی نیست خیلی فکر کنیم، فقط بهشون داده‌های بسیار زیادی میدیم.

کریس: بنابراین، این کلیدِ پیشرفت چشمگیر

CA: And so, this has been key to the spectacular improvement

در توانایی ماشین‌های بدون سرنشین بوده.

in power of self-driving cars.

I think you gave me an example.

فکر کنم تو به من یک نمونه دادی،

میشه توضیح بدی اینجا چه اتفاقی داره میافته؟

Can you explain what's happening here?

ST: This is a drive of a self-driving car

سباستین: این رانندگی یک ماشین بدون سرنشین هست

that we happened to have at Udacity

که ما در یوداسیتی انجام دادیم،

و اخیرا محصولی به اسم وویج Voyage رو از روی اون ساختیم.

and recently made into a spin-off called Voyage.

We have used this thing called deep learning

ما از چیزی به اسم یادگیری عمیق استفاده کردیم

to train a car to drive itself,

تا به یک ماشین یاد بدیم خودش رو برونه،

and this is driving from Mountain View, California,

و این داره از مانتین ویو در کالیفرنیا

تا سانفرانسیسکو رانندگی می‌کنه.

to San Francisco

on El Camino Real on a rainy day,

در جاده ال کامینو رئال و در یک روز بارانی،

with bicyclists and pedestrians and 133 traffic lights.

با دوچرخه‌ها، عابرین پیاده و ۱۳۳ چراغ راهنمایی.

And the novel thing here is,

و چیزی که اینجا جدیده اینه که،

مدت‌ها پیش، من تیم ماشین بدون سرنشین گوگل رو راه انداختم.

many, many moons ago, I started the Google self-driving car team.

و اون روزها، بهترین مهندس‌های نرم افزار جهان رو استخدام کردم

And back in the day, I hired the world's best software engineers

تا بهترین الگوهای جهان رو براش بنویسند،

to find the world's best rules.

This is just trained.

این ماشین الان یاد گرفته.

We drive this road 20 times,

ما این راه رو ۲۰ بار رفتیم،

همه این داده‌ها رو در مغز کامپیوتر گذاشتیم،

we put all this data into the computer brain,

and after a few hours of processing,

و بعد از چند ساعت پردازش،

it comes up with behavior that often surpasses human agility.

رفتاری از خودش نشون داد که خیلی اوقات از مهارت انسان هم پیشی می‌گیره.

So it's become really easy to program it.

در واقع برنامه ریزی کردنش آسون شده.

This is 100 percent autonomous, about 33 miles, an hour and a half.

۱۰۰ درصد خودکار هست، تقریباً ۵۳ کیلومتر در یک ساعت و نیم.

CA: So, explain it -- on the big part of this program on the left,

کریس: خوب توضیح بده -- در اون قسمت بزرگ در سمت چپ برنامه،

you're seeing basically what the computer sees as trucks and cars

می‌بینید که اساسا کامپیوتر، کامیون‌ها و ماشین‌ها رو به چه صورت میبینه

and those dots overtaking it and so forth.

و اون نقطه‌ها که ازش سبقت می‌گیرن و غیره.

ST: On the right side, you see the camera image, which is the main input here,

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.

and it's used to find lanes, other cars, traffic lights.

The vehicle has a radar to do distance estimation.

این وسیله، یک رادار داره که فاصله رو تخمین میزنه.

This is very commonly used in these kind of systems.

این رادار بطور رایج در این نوع سیستم‌ها استفاده میشه.

در سمت چپ، یک نمودار لیزری مشاهده می‌کنید،

On the left side you see a laser diagram,

موانعی مثل درخت‌ها و غیره که بوسیله لیزر ترسیم میشن رو می‌بینید.

where you see obstacles like trees and so on depicted by the laser.

ولی تقریبا جالب ترین قسمت کار، تمرکز روی تصویر دوربین هست.

But almost all the interesting work is centering on the camera image now.

در واقع ما داریم از حسگرهای دقیق مثل رادارها و لیزرها،

We're really shifting over from precision sensors like radars and lasers

میریم به سمت حسگرهای خیلی ارزون و مقرون به صرفه.

into very cheap, commoditized sensors.

یک دوربین کمتر از هشت دلار قیمت داره.

A camera costs less than eight dollars.

کریس: و اون نقطه سبز در سمت چپ، اون چیه؟

CA: And that green dot on the left thing, what is that?

Is that anything meaningful?

آیا چیز معناداری هست؟

سباستین: این یک نقطهٔ نگاه به جلو برای کنترل تطبیقی مسیر شماست،

ST: This is a look-ahead point for your adaptive cruise control,

به ما کمک می‌کنه که بفهمیم چطور سرعت رو تنظیم کنیم،

so it helps us understand how to regulate velocity

based on how far the cars in front of you are.

بر این اساس که ماشین‌های جلویی چقدر از شما فاصله دارند.

CA: And so, you've also got an example, I think,

کریس: همینطور یک نمونه دیگه دادی، فکر کنم

of how the actual learning part takes place.

در مورد اینکه قسمت یادگیری واقعی، چطور اتفاق میفته.

شاید بتونیم اون رو ببینیم. در مورد این صحبت کن.

Maybe we can see that. Talk about this.

ST: This is an example where we posed a challenge to Udacity students

سباستین: این مثالی از یک چالش هست که در مقابل دانشجوهای یوداسیتی قرار دادیم

to take what we call a self-driving car Nanodegree.

تا بتونن مدرکی که ما اسمش رو گواهی ماشین بدون سرنشین گذاشتیم، بگیرن.

We gave them this dataset

ما به اون‌ها این مجموعه داده‌ها رو دادیم

and said "Hey, can you guys figure out how to steer this car?"

و گفتیم: «هی بچه‌ها، می‌تونید بفهمید چطور باید این ماشین رو هدایت کرد؟»

And if you look at the images,

اگر به تصاویر نگاه کنید،

it's, even for humans, quite impossible to get the steering right.

حتی برای انسان هم غیر ممکنه که ماشین رو درست هدایت کنه.

و یک مسابقه گذاشتیم و گفتیم، « این یک مسابقه یادگیری عمیق هست،

And we ran a competition and said, "It's a deep learning competition,

AI competition,"

مسابقه هوش مصنوعی».

and we gave the students 48 hours.

و به دانشجوها ۴۸ ساعت فرصت دادیم.

So if you are a software house like Google or Facebook,

خوب اگر شما یک شرکت نرم افزاری مثل گوگل یا فیسبوک باشید،

something like this costs you at least six months of work.

انجام دادن کاری مثل این، برای شما حداقل شش ماه وقت میبره،

So we figured 48 hours is great.

بنابراین ما فکر کردیم ۴۸ ساعت خیلی خوبه.

And within 48 hours, we got about 100 submissions from students,

و در مدت ۴۸ ساعت، تقریبا ۱۰۰ جواب از دانشجوها دریافت کردیم.

and the top four got it perfectly right.

که چهارتای اولی کاملا درست انجامش دادند،

It drives better than I could drive on this imagery,

و در این تصاویر، می‌تونه بهتر از چیزی که من می‌تونستم رانندگی کنم،

با استفاده از یادگیری عمیق هدایتش کنه.

using deep learning.

And again, it's the same methodology.

و باز هم، همون اصول رو داره.

این چیز جادویی رو که

It's this magical thing.

When you give enough data to a computer now,

وقتی شما به یک کامپیوتر داده‌های لازم رو بدید

and give enough time to comprehend the data,

و زمان کافی داشته باشه تا داده‌ها رو فرا بگیره،

it finds its own rules.

برنامه خودش رو پیدا می‌کنه.

CA: And so that has led to the development of powerful applications

کریس: و همینطور منجر به توسعه کاربردهای قدرتمند دیگه‌ای در همه زمینه‌ها شد.

in all sorts of areas.

You were talking to me the other day about cancer.

یک روزی با من در مورد سرطان صحبت میکردی.

Can I show this video?

می‌تونم این ویدئو رو نشون بدم؟

ST: Yeah, absolutely, please. CA: This is cool.

سباستین: بله، حتما، خواهش می‌کنم. کریس: جالبه.

ST: This is kind of an insight into what's happening

سباستین: این نگاهی به درونِ چیزی هست که

in a completely different domain.

داره در حوزه ای کاملا متفاوت اتفاق میوفته.

This is augmenting, or competing --

این در حال تقویت کردن یا رقابت کردن با --

it's in the eye of the beholder --

بستگی داره چطور بهش نگاه کنید --

with people who are being paid 400,000 dollars a year,

افرادی هست که سالانه ۴۰۰,۰۰۰ دلار درآمد دارند،

dermatologists,

پزشکان متخصص پوست،

highly trained specialists.

متخصص‌هایی بسیار آموزش دیده.

It takes more than a decade of training to be a good dermatologist.

بیشتر از یک دهه آموزش نیازه که متخصص پوست خوبی بشید.

What you see here is the machine learning version of it.

چیزی که اینجا می‌بینید، نسخه یادگیری ماشین اون هست،

یک شبکه عصبی نام داره.

It's called a neural network.

"Neural networks" is the technical term for these machine learning algorithms.

«شبکه‌های عصبی» اصطلاح فنی این الگوریتم‌های یادگیری ماشین هست.

They've been around since the 1980s.

از دهه ۱۹۸۰ تجربه حضور دارند.

این یکی، در سال ۱۹۸۸ توسط یک همکار فیسبوک به نام یان لی کن، ابداع شد

This one was invented in 1988 by a Facebook Fellow called Yann LeCun,

and it propagates data stages

و مراحل داده رو از طریقی که شما می‌تونید به عنوان

through what you could think of as the human brain.

مغز یک انسان بهش فکر کنید، گسترش میده.

It's not quite the same thing, but it emulates the same thing.

دقیقا همون نیست، ولی با اون رقابت می‌کنه.

It goes stage after stage.

از مرحله ای به مرحله دیگه میره.

In the very first stage, it takes the visual input and extracts edges

در اولین مرحله، تصویر ورودی رو می‌گیره و لبه‌ها، میله‌ها و نقطه‌ها رو استخراج می‌کنه

and rods and dots.

And the next one becomes more complicated edges

و تصویر بعدی، دارای لبه‌های پیچیده تری میشه،

and shapes like little half-moons.

و به شکل نصف قرص ماه درمیاد.

And eventually, it's able to build really complicated concepts.

و در نتیجه، قادر هست مفاهیم واقعا پیچیده ای بسازه.

Andrew Ng has been able to show

اندرو ان گی تونست نشون بده

that it's able to find cat faces and dog faces

که می‌تونه صورت گربه‌ها و سگ‌ها رو

in vast amounts of images.

از بین تعداد بسیار زیادی تصویر تشخیص بده.

What my student team at Stanford has shown is that

چیزی که تیم دانشجوهای من در استنفورد نشون داده، این هست که

if you train it on 129,000 images of skin conditions,

اگر شما اون رو، روی ۱۲۹,۰۰۰ تصویر از وضعیت‌های پوست آموزش بدید،

including melanoma and carcinomas,

شامل ملانوما و کارسینوما،

you can do as good a job

شما می‌تونید به خوبیِ بهترین پزشک متخصص، این کار رو انجام بدید.

as the best human dermatologists.

و ما برای اینکه خودمون رو متقاعد کنیم که مورد درست تشخیص داده شده،

And to convince ourselves that this is the case,

we captured an independent dataset that we presented to our network

یک مجموعه داده مستقل بدست آوردیم و به شبکه خودمون

and to 25 board-certified Stanford-level dermatologists,

و به ۲۵ پوست شناس، دارای برد تخصصی و در سطح اسنفورد دادیم،

and compared those.

و اون‌ها رو مقایسه کردیم.

And in most cases,

و در بیشتر موارد،

they were either on par or above the performance classification accuracy

اون‌ها از نظر دقت طبقه بندی عملکرد، با پزشکان متخصص پوست برابر و یا از اون‌ها بالاتر بودند.

of human dermatologists.

CA: You were telling me an anecdote.

کریس: برای من یه داستانی تعریف کرده بودی.

I think about this image right here.

فکر کنم در مورد همین تصویر.

What happened here?

اینجا چی شد؟

ST: This was last Thursday. That's a moving piece.

سباستین: پنج شنبه گذشته بود. این یک نمونه در حال حرکت هست.

What we've shown before and we published in "Nature" earlier this year

چیزی که ما قبل تر نشون دادیم و اوایل امسال در مجله نِیچر(طبیعت) منتشر کردیم،

was this idea that we show dermatologists images

این ایده بود که تصاویر رو به متخصصین پوست

and our computer program images,

و به برنامه کامپیوتر نشون بدیم،

and count how often they're right.

و حساب کنیم چقدر درست هستند.

ولی همه این تصاویر، تصاویر قدیمی هستند.

But all these images are past images.

از همه اون‌ها بافت برداری شد تا مطمئن بشیم طبقه بندی درستی انجام دادیم.

They've all been biopsied to make sure we had the correct classification.

این یکی طبقه بندی نشده بود.

This one wasn't.

This one was actually done at Stanford by one of our collaborators.

در واقع این در استنفورد، توسط یکی از همکاران ما انجام شد.

The story goes that our collaborator,

داستان اینه که همکار ما،

who is a world-famous dermatologist, one of the three best, apparently,

متخصص پوستی که شهرت جهانی داره، ظاهرا یکی از سه تای برتر،

looked at this mole and said, "This is not skin cancer."

به این خال نگاه کرد و گفت: «این سرطان پوست نیست».

And then he had a second moment, where he said,

و بعد چند لحظه گفت:

«خوب، بزارید با نرم افزار بررسی کنم».

"Well, let me just check with the app."

گوشی آیفون خودش رو درآورد و نرم افزار ما رو اجرا کرد،

So he took out his iPhone and ran our piece of software,

یه جورایی «متخصص پوست جیبی» ما.

our "pocket dermatologist," so to speak,

and the iPhone said: cancer.

و آیفون گفت: سرطان.

It said melanoma.

گفت: ملانوما.

And then he was confused.

و دکتر بعدش گیج شد.

و گفت: «خوب، شاید من باید به آیفون بیشتر از خودم اعتماد کنم».

And he decided, "OK, maybe I trust the iPhone a little bit more than myself,"

and he sent it out to the lab to get it biopsied.

و نمونه رو فرستاد آزمایشگاه تا بافت برداری بشه.

And it came up as an aggressive melanoma.

و نتیجه، ملانومای بدخیم بود.

So I think this might be the first time that we actually found,

خوب در واقع من فکر می‌کنم این اولین باری هست که ما

in the practice of using deep learning,

کاربرد یادگیری ماشین رو در عمل دیدیم،

an actual person whose melanoma would have gone unclassified,

یک شخص حقیقی که ملانومای اون غیرطبقه بندی شده بود،

had it not been for deep learning.

و برای یادگیری عمیق وجود نداشت.

CA: I mean, that's incredible.

کریس: چطور بگم، فوق العاده است.

(Applause)

(دست زدن حضار)

It feels like there'd be an instant demand for an app like this right now,

احساس میشه الان یک تقاضای فوری برای نرم افزاری مثل این وجود داشته باشه،

that you might freak out a lot of people.

ممکنه شما مردم زیادی رو شگفت زده کنید.

Are you thinking of doing this, making an app that allows self-checking?

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.

ST: So my in-box is flooded about cancer apps,

with heartbreaking stories of people.

با داستان‌هایی ناراحت کننده از مردم.

I mean, some people have had 10, 15, 20 melanomas removed,

چطور بگم، بعضی مردم ۱۰، ۱۵، ۲۰ ملانوما رو برداشتن

and are scared that one might be overlooked, like this one,

و میترسند که یکی مثل این ممکنه دوباره ظاهر بشه.

and also, about, I don't know,

و همچنین در مورد، نمی‌دونم،

flying cars and speaker inquiries these days, I guess.

ماشین‌های پرنده و حدس میزنم این روزها سوالاتی در مورد سخنرانی،

My take is, we need more testing.

برداشت من اینه که ما به آزمایشات بیشتری نیاز داریم.

I want to be very careful.

من میخوام خیلی مراقب باشم.

It's very easy to give a flashy result and impress a TED audience.

خیلی آسونه که یک نتیجه درخشان رو نشون بدی و مخاطبین TED رو تحت تاثیر قرار بدی،

It's much harder to put something out that's ethical.

ولی خیلی سخت تره که اخلاق رو در نظر نگیری

And if people were to use the app

و اگر مردم عادت کنند از این نرم افزار استفاده کنند

and choose not to consult the assistance of a doctor

و از مشورت یک پزشک کمک نگیرن،

because we get it wrong,

اونوقت اگر ما اشتباه کنیم،

I would feel really bad about it.

من واقعا احساس بدی خواهم دشت.

خوب ما الان داریم تست‌های کلینیکی رو انجام میدیم،

So we're currently doing clinical tests,

و اگر این تست‌های کلینیکی شروع بشن و داده‌های ما تداوم داشته باشه،

and if these clinical tests commence and our data holds up,

we might be able at some point to take this kind of technology

ممکن هست یک روزی بتونیم فناوری‌های مثل این رو

and take it out of the Stanford clinic

از آزمایشگاه استنفورد بیرون ببریم

and bring it to the entire world,

و به همه دنیا عرضه کنیم،

جاهایی که پزشکان استنفورد هرگز پای خودشون رو نخواهند گذاشت.

places where Stanford doctors never, ever set foot.

CA: And do I hear this right,

کریس: اینو درست فهمیدم؟

به نظر میرسه شبیه چیزی هست که داشتی میگفتی،

that it seemed like what you were saying,

چون تو داری با این گروه از دانشجوهای یوداسیتی کار می‌کنی،

because you are working with this army of Udacity students,

that in a way, you're applying a different form of machine learning

که در یک راستا، شکل متفاوتی از یادگیری ماشین رو اعمال می‌کنید

than might take place in a company,

که ممکنه در یک شرکت اتفاق بیوفته،

which is you're combining machine learning with a form of crowd wisdom.

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

Are you saying that sometimes you think that could actually outperform

که یک شرکت می‌تونه؟ اونم یک شرکت بزرگ؟

what a company can do, even a vast company?

سباستین: من معتقدم الان مثال‌هایی وجود داره که ذهن من رو تکون بده.

ST: I believe there's now instances that blow my mind,

و من هنوز تلاش می‌کنم که بفهمم.

and I'm still trying to understand.

چیزی که کریس به اون اشاره می‌کنه مسابقاتی هست که ما برگزار می‌کنیم.

What Chris is referring to is these competitions that we run.

We turn them around in 48 hours,

ما مسابقات رو در ۴۸ ساعت برگزار می‌کنیم،

and we've been able to build a self-driving car

و تونستیم یک ماشین بدون راننده بسازیم

that can drive from Mountain View to San Francisco on surface streets.

که می‌تونه در سطح خیابون، از مانتین ویو تا سانفرانسیسکو رانندگی کنه.

بعد از هفت سال کارِ گوگل، کاملا با مدل گوگل برابری نمی‌کنه،

It's not quite on par with Google after seven years of Google work,

but it's getting there.

ولی داره به اون میرسه.

And it took us only two engineers and three months to do this.

و فقط دو تا مهندس و سه ماه زمان لازم بود که انجام بشه.

And the reason is, we have an army of students

و دلیلش اینه که ما گروهی از دانشجوهایی داریم

who participate in competitions.

که در رقابت‌ها شرکت می‌کنند.

We're not the only ones who use crowdsourcing.

ما تنها کسانی نیستیم که از جمع سپاری استفاده می‌کنیم.

Uber and Didi use crowdsource for driving.

Uber و Didi برای رانندگی از جمع سپاری استفاده می‌کنند.

Airbnb uses crowdsourcing for hotels.

Airbnb برای هتل‌ها از جمع سپاری استفاده می‌کنه.

There's now many examples where people do bug-finding crowdsourcing

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.

or protein folding, of all things, in crowdsourcing.

But we've been able to build this car in three months,

ولی ما تونستیم این ماشین رو در سه ماه بسازیم،

so I am actually rethinking

پس من دارم دوباره به این فکر می‌کنم که

how we organize corporations.

چطور شرکت‌ها رو سازماندهی کنیم.

ما ۹,۰۰۰ نفر کارمند داریم که هیچوقت استخدام نمیشن،

We have a staff of 9,000 people who are never hired,

that I never fire.

و هیچوقت اخراج نمیشن.

اون‌ها برای کار حاضر میشن و من حتی خبر ندارم.

They show up to work and I don't even know.

Then they submit to me maybe 9,000 answers.

سپس اون‌ها شاید ۹,۰۰۰ جواب می‌فرستند.

I'm not obliged to use any of those.

من متعهد نیستم که از همه اون‌ها استفاده کنم.

I end up -- I pay only the winners,

ختم کلام -- من فقط به برنده‌ها پول میدم،

so I'm actually very cheapskate here, which is maybe not the best thing to do.

خوب اینجا من واقعا آدم خسیسی هستم، که شاید بهترین گزینه نباشه،

But they consider it part of their education, too, which is nice.

ولی اون‌ها این رو به عنوان بخشی از آموزش در نظر می‌گیرند، که همین هم خوبه.

But these students have been able to produce amazing deep learning results.

ولی همین دانشجوها تونستن نتایج جالبی در یادگیری عمیق بدست بیارن.

بنابراین بله، تلفیق افراد عالی و یادگیری ماشین خارق العاده است.

So yeah, the synthesis of great people and great machine learning is amazing.

کریس: در روز اول همایش [TED2017]، گری کاسپاروف گفت:

CA: I mean, Gary Kasparov said on the first day [of TED2017]

that the winners of chess, surprisingly, turned out to be two amateur chess players

برنده‌های مسابقه شطرنج، به طور شگفت آوری،

دو شطرنج باز مبتدی با سه تا نرم افزار متوسط یا متوسط به بالا بودند،

with three mediocre-ish, mediocre-to-good, computer programs,

that could outperform one grand master with one great chess player,

که تونستن بهتر از یک استاد بزرگ و یک شطرنج بازِ بسیار خوب، عمل کنند.

like it was all part of the process.

مثل اینکه همش بخشی از فرآیند بود.

And it almost seems like you're talking about a much richer version

تقریبا به نظر میرسه تو در مورد نسخه ای بسیار پربارتر

of that same idea.

از ایده مشابه صحبت می‌کنی.

ST: Yeah, I mean, as you followed the fantastic panels yesterday morning,

سباستین: بله، همونطور که شما میزگردهای بسیار خوب صبحِ دیروز رو دنبال کردید،

two sessions about AI,

دو جلسه در مورد هوش مصنوعی،

ارباب‌های رباتیک و پاسخ‌های انسانی،

robotic overlords and the human response,

چیزهای بسیار بسیار جالبی گفته شد.

many, many great things were said.

But one of the concerns is that we sometimes confuse

ولی یکی از نگرانی‌ها اینه که ما بعضی وقت‌ها

با چیزی که در واقع هوش مصنوعی با تهدید ارباب انجام میده، سردرگم میشیم.

what's actually been done with AI with this kind of overlord threat,

جایی که هوش مصنوعی شما، آگاهی رو توسعه میده. خوب؟

where your AI develops consciousness, right?

The last thing I want is for my AI to have consciousness.

آگاهی و فهم، آخرین چیزیه که من برای هوش مصنوعی خودم میخوام.

I don't want to come into my kitchen

من نمیخوام برم به آشپزخونه

and have the refrigerator fall in love with the dishwasher

و ببینم یخچال عاشق ماشین ظرف شویی شده

و به من میگه چون به اندازه کافی خوب نبودم،

and tell me, because I wasn't nice enough,

my food is now warm.

الان غذای من گرم هست. خوب؟

I wouldn't buy these products, and I don't want them.

من اینچنین محصولاتی رو نمیخرم و اون‌ها رو نمیخوام.

But the truth is, for me,

ولی حقیقت برای من اینه که،

AI has always been an augmentation of people.

هوش مصنوعی همیشه برای تکامل مردم بوده،

It's been an augmentation of us,

ابزاری برای تکامل ما بوده است،

to make us stronger.

تا ما رو قوی تر کنه.

And I think Kasparov was exactly correct.

و من فکر می‌کنم کاسپاروف کاملا درست میگه.

It's been the combination of human smarts and machine smarts

ترکیبی از نبوغ انسان و نبوغ ماشین بوده

that make us stronger.

که ما رو قوی تر می‌کنه.

این موضوع که ماشین‌ها ما رو قدرتمندتر می‌کنند، به اندازه خود ماشین‌ها قدمت داره.

The theme of machines making us stronger is as old as machines are.

The agricultural revolution took place because it made steam engines

انقلاب کشاورزی به این دلیل اتفاق افتاد که ماشین بخار

و تجهیزات زراعتی کماکان خودشون نمی‌تونستند مزرعه داری کنند،

and farming equipment that couldn't farm by itself,

اون هرگز جایگزین ما نشد، ما رو قوی‌تر کرد.

that never replaced us; it made us stronger.

و من اعتقاد دارم این موج جدید هوش مصنوعی هم،

And I believe this new wave of AI will make us much, much stronger

ما رو به عنوان نژاد بشر، بسیار بسیار قوی‌تر می‌کنه.

as a human race.

CA: We'll come on to that a bit more,

کریس: یه کم بیشتر به اون خواهیم پرداخت.

but just to continue with the scary part of this for some people,

ولی صرفا جهت ادامه قسمت ترسناک اون برای بعضی مردم،

like, what feels like it gets scary for people is when you have

مثلا چیزی که احساس میشه برای مردم ترسناک هست، اینه که

a computer that can, one, rewrite its own code,

وقتی یک کامپیوتر می‌تونه کدهای خودش رو دوباره بنویسه،

so, it can create multiple copies of itself,

پس می‌تونه چند نمونه مثل خودش رو ایجاد کنه،

یک سری از نسخه‌های مختلف برنامه رو امتحان کنه،

try a bunch of different code versions,

احتمالا حتی بصورت تصادفی،

possibly even at random,

and then check them out and see if a goal is achieved and improved.

و بعد اون‌ها رو چک کنه و ببینه آیا به هدف رسیده و بهتر شده.

So, say the goal is to do better on an intelligence test.

پس بهتره هدف روی یک تست هوش انجام بشه.

می‌دونی، کامپیوتری که نسبتا در انجام دادنش خوب هست،

You know, a computer that's moderately good at that,

تو می‌تونی میلیون‌ها نسخه از اون رو امتحان کنی.

you could try a million versions of that.

You might find one that was better,

ممکنه یکی رو پیدا کنی که از همه بهتر باشه،

and then, you know, repeat.

و بعد، می‌دونی، تکرار کنی.

And so the concern is that you get some sort of runaway effect

و بنابرین نگرانی این هست که یه جورایی کنترلش از دستت خارج بشه،

where everything is fine on Thursday evening,

وقتی که همه چیز در عصر پنج شنبه روبراهه،

and you come back into the lab on Friday morning,

و تو صبح جمعه برمیگردی آزمایشگاه

و به دلیل سرعت کامپیوترها و غیره،

and because of the speed of computers and so forth,

همه چیز قاطی کرده و ناگهان --

things have gone crazy, and suddenly --

سباستین: من میگم احتمال داره،

ST: I would say this is a possibility,

but it's a very remote possibility.

ولی یک احتمال خیلی بعیده.

So let me just translate what I heard you say.

خوب بزار من چیزی که الان شنیدم گفتی رو یک جور دیگه بگم.

In the AlphaGo case, we had exactly this thing:

در مورد آلفاگو، دقیقا این رو داشتیم:

the computer would play the game against itself

کامپیوتر با خودش بازی می‌کنه

و قواعد جدید رو فرا می‌گیرد.

and then learn new rules.

And what machine learning is is a rewriting of the rules.

و چیزی که یادگیری ماشین هست، دوباره نویسیِ دستوراته.

دوباره نویسیِ کد هست.

It's the rewriting of code.

ولی من فکر می‌کنم مطلقاً هیچ نگرانی وجود نداشت،

But I think there was absolutely no concern

که آلفاگو روی جهان تسلط پیدا کنه.

that AlphaGo would take over the world.

It can't even play chess.

اون حتی نمی‌تونه شطرنج بازی کنه.

CA: No, no, no, but now, these are all very single-domain things.

کریس: نه، نه، نه. ولی الان همه اینها، چیزهایی در یک حوزه هستند.

But it's possible to imagine.

ولی قابل تصوره.

منظورم اینه که ما همین الان کامپیوتری رو دیدیم که تقریبا قادره

I mean, we just saw a computer that seemed nearly capable

در آزمون ورودی دانشگاه قبول بشه،

of passing a university entrance test,

که یک جورایی می‌تونه -- اون نمی‌تونه بصورتی که ما می‌تونیم، بخونه و بنویسه،

that can kind of -- it can't read and understand in the sense that we can,

but it can certainly absorb all the text

ولی مطمئنا می‌تونه متن رو بگیره و تحلیل کنه

and maybe see increased patterns of meaning.

و شاید الگوهای بیشتری از معنا رو درک کنه.

Isn't there a chance that, as this broadens out,

آیا شانسی وجود نداره که همزمان که این توسعه پیدا می‌کنه،

there could be a different kind of runaway effect?

دیگه نتونی جلوش رو بگیری و کنترلش از دستت خارج بشه؟

ST: That's where I draw the line, honestly.

سباستین: صادقانه بگم، این جایی هست که من حد و حدود رو تعیین کردم.

And the chance exists -- I don't want to downplay it --

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.

but I think it's remote, and it's not the thing that's on my mind these days,

چون من فکر می‌کنم تحول بزرگ، چیز دیگری هست.

because I think the big revolution is something else.

تا الان هرچیز موفقی در هوش مصنوعی،

Everything successful in AI to the present date

has been extremely specialized,

به شدت تخصصی شده،

و روی یک ایده واحد موفق بوده،

and it's been thriving on a single idea,

which is massive amounts of data.

که حجم بسیار عظیم از داده‌ها هست.

The reason AlphaGo works so well is because of massive numbers of Go plays,

دلیل اینکه آلفاگو خیلی خوب کار می‌کنه، بخاطر دفعات بسیار زیاد انجام بازی Go هست،

and AlphaGo can't drive a car or fly a plane.

آلفاگو نمی‌تونه یک ماشین رو برونه یا یک هواپیما رو هدایت کنه.

The Google self-driving car or the Udacity self-driving car

رانندگی ماشین بدون سرنشین گوگل یا ماشین بدون سرنشین یوداسیتی،

thrives on massive amounts of data, and it can't do anything else.

به لطف حجم بسیار زیاد داده‌ها هست، و نمی‌تونه کار دیگری انجام بده.

حتی نمی‌تونه یک موتور سیکلت رو کنترل کنه.

It can't even control a motorcycle.

It's a very specific, domain-specific function,

این یک کار خیلی خاص هست، کار در حوزه ای خاص،

and the same is true for our cancer app.

و همین موضوع برای نرم افزار سرطان هم صدق می‌کنه.

There has been almost no progress on this thing called "general AI,"

در موردی به نام «هوش مصنوعی عمومی»، تقریبا هیچ پیشرفتی بدست نیومده،

where you go to an AI and say, "Hey, invent for me special relativity

که شما برید به یک هوش مصنوعی بگید: «هی، نسبیت خاص رو برای من کشف کن،

or string theory."

یا نظریه ریسمان».

It's totally in the infancy.

کاملا در مرحله ابتدایی هست.

The reason I want to emphasize this,

دلیل اینکه من میخوام روی این تاکید کنم این هست که،

I see the concerns, and I want to acknowledge them.

نگرانی‌ها رو میبینم و میخوام اون‌ها رو تایید کنم،

But if I were to think about one thing,

ولی اگر قرار بود من به چیزی فکر کنم،

I would ask myself the question, "What if we can take anything repetitive

این سوال رو از خودم میپرسیدم که، «چی میشه اگر هر چیز تکراری رو بگیریم

و خودمون رو ۱۰۰ برابر کارآمد تر کنیم».

and make ourselves 100 times as efficient?"

It so turns out, 300 years ago, we all worked in agriculture

۳۰۰ سال قبل، همه ما در کشاورزی مشغول بودیم

and did farming and did repetitive things.

و زراعت و کارهای تکراری انجام می دادیم.

Today, 75 percent of us work in offices

امروز، ۷۵ درصد از ما در اداره‌ها کار می‌کنیم،

و کارهای تکراری انجام میدیم.

and do repetitive things.

ما هنوز از پس کارهای تکراری روزانه‌مان برنیامدیم.

We've become spreadsheet monkeys.

And not just low-end labor.

و نه فقط در کارهای سطح پایین.

We've become dermatologists doing repetitive things,

ما با انجام کارهای تکراری، متخصص پوست شدیم،

با انجام کارهای تکراری وکیل شدیم،

lawyers doing repetitive things.

من فکر می‌کنم ما در آستانه این هستیم که بتونیم یک هوش مصنوعی رو بگیریم

I think we are at the brink of being able to take an AI,

look over our shoulders,

[و بهش بگیم:] حواست به من باشه

and they make us maybe 10 or 50 times as effective in these repetitive things.

و اون‌ها ما رو شاید ۱۰ یا ۱۵ برابر، در این کارهای تکراری کارآمدتر کنند.

That's what is on my mind.

این چیزیه که در ذهن من هست.

کریس: فوق العاده جذاب بنظر میرسه.

CA: That sounds super exciting.

The process of getting there seems a little terrifying to some people,

روند به اونجا رسیدن برای بعضی مردم ترسناکه،

چون به محض اینکه یک کامپیوتر بتونه این کارهای تکراری رو

because once a computer can do this repetitive thing

much better than the dermatologist

می‌دونی، خیلی بهتر از متخصص پوست،

or than the driver, especially, is the thing that's talked about

یا بهتر از راننده انجام بده،

چیزی که مخصوصا الان خیلی در موردش صحبت میشه،

so much now,

ناگهان خیلی از شغل‌ها از بین میرن،

suddenly millions of jobs go,

و می‌دونی، کشور وارد یک تحول میشه

and, you know, the country's in revolution

قبل از اینکه ما اصلا به جنبه‌های با شکوه‌ترِ اون چیزی که ممکن هست، برسیم.

before we ever get to the more glorious aspects of what's possible.

ST: Yeah, and that's an issue, and it's a big issue,

سباستین: بله، و این خودش یک مسئله هست، یک مسئله بزرگ.

and it was pointed out yesterday morning by several guest speakers.

و دیروز صبح توسط چند سخنران مهمان بهش اشاره شد.

Now, prior to me showing up onstage,

الان، قبل از اینکه بیام روی صحنه،

I confessed I'm a positive, optimistic person,

اعتراف کردم آدم مثبت و خوش بینی هستم.

so let me give you an optimistic pitch,

خوب بزارید یک گام خوشبینانه برداریم،

which is, think of yourself back 300 years ago.

اینکه، به خودتون در ۳۰۰ سال پیش فکر کنید.

Europe just survived 140 years of continuous war,

اروپا از ۱۴۰ سال جنگ پی در پی نجات پیدا کرد،

none of you could read or write,

هیچ کدوم از شما نمی‌تونست بخونه و بنویسه،

there were no jobs that you hold today,

شغل‌هایی که الان وجود داره، در گذشته وجود نداشت،

like investment banker or software engineer or TV anchor.

مثل سرمایه گذار بانک، مهندس نرم افزار یا خبرگزار تلویزیون.

We would all be in the fields and farming.

همه ما در زمین‌ها و مزرعه‌ها بودیم.

حالا سباستین کوچولو با یک موتور بخار توی جیبش میاد،

Now here comes little Sebastian with a little steam engine in his pocket,

saying, "Hey guys, look at this.

و میگه: «هی بچه‌ها، به این نگاه کنید،

این قراره شما رو ۱۰۰ برابر قوی تر کنه، پس می‌تونید یه کار دیگه بکنید».

It's going to make you 100 times as strong, so you can do something else."

And then back in the day, there was no real stage,

و بعد برگردیم به امروز، هیچ صحنهٔ نمایشی نبود،

but Chris and I hang out with the cows in the stable,

ولی کریس و من، در طویله با گاوها مشغول هستیم،

و اون میگه: «من واقعا نگرانم،

and he says, "I'm really concerned about it,

چون هر روز گاوم رو می دوشم، و چی میشه اگه ماشین این رو برای من انجام بده؟».

because I milk my cow every day, and what if the machine does this for me?"

دلیل اینکه من به این اشاره کردم اینه که،

The reason why I mention this is,

we're always good in acknowledging past progress and the benefit of it,

ما همیشه به پیشرفت در گذشته و مزایای اون به خوبی اذعان می‌کنیم،

like our iPhones or our planes or electricity or medical supply.

مثل گوشی آیفون، هواپیماها، برق و یا تجهیزات پزشکی.

We all love to live to 80, which was impossible 300 years ago.

همه ما دوست داریم تا ۸۰ سال زندگی کنیم، که ۳۰۰ سال پیش غیرممکن بود.

But we kind of don't apply the same rules to the future.

ولی ما تا حدی این قاعده رو در مورد آینده اعمال نمی‌کنیم.

So if I look at my own job as a CEO,

پس اگر من به کارم به عنوان یک مدیرعامل نگاه کنم،

I would say 90 percent of my work is repetitive,

میگم ۹۰ درصد از کار من تکراریه،

ازش لذت نمیبرم،

I don't enjoy it,

I spend about four hours per day on stupid, repetitive email.

من چهار ساعت از وقتم رو در روز، صرف ایمیل‌های تکراری و مزخرف می‌کنم.

And I'm burning to have something that helps me get rid of this.

و دارم به آب و آتش میزنم تا چیزی داشته باشم که من رو از شر این خلاص کنه.

چرا؟

Why?

چون من معتقدم همه ما به طرز دیوانه واری خلاق هستیم؛

Because I believe all of us are insanely creative;

I think the TED community more than anybody else.

فکر می‌کنم جامعه TED بیشتر از هر کس دیگه ای.

But even blue-collar workers; I think you can go to your hotel maid

ولی حتی کارگرها. فکر می‌کنم شما می‌تونید برید پیش مستخدم هتل خودتون

and have a drink with him or her,

و یک نوشیدنی با اون بخورید،

and an hour later, you find a creative idea.

و یک ساعت بعد، یک ایده خلاقانه پیدا می‌کنید.

What this will empower is to turn this creativity into action.

چیزی که این توانمند می‌کنه، تبدیل خلاقیت به عمل هست.

Like, what if you could build Google in a day?

مثلا، اگر بتونید گوگل رو در یک روز بسازید، چی؟

What if you could sit over beer and invent the next Snapchat,

اگر بتونید راحت بنشینید و خیلی سریع اسنپ چت بعدی رو اختراع کنید، چی؟

whatever it is,

هر چیزی که هست،

and tomorrow morning it's up and running?

و فردا صبح سرپاست و هنوز کار می‌کنه.

And that is not science fiction.

این علمی تخیلی نیست.

What's going to happen is,

چیزی که قراره اتفاق بیوفته اینه که،

ما هنوز در تاریخ هستیم.

we are already in history.

We've unleashed this amazing creativity

ما این خلاقیت جالب رو بروز دادیم،

با آزاد کردن خودمون از کشاورزی

by de-slaving us from farming

and later, of course, from factory work

و البته بعدتر، از کار در کارخونه.

and have invented so many things.

و چیزهای خیلی زیادی اختراع کردیم.

به نظر من، حتی بهتر هم میشه.

It's going to be even better, in my opinion.

And there's going to be great side effects.

و اثرات جانبی خیلی خوبی خواهد داشت.

One of the side effects will be

یکی از اثرات جانبی

این خواهد بود که چیزهایی مثل تامین غذا و دارو، آموزش، سرپناه

that things like food and medical supply and education and shelter

و حمل و نقل،

and transportation

will all become much more affordable to all of us,

برای همه ما، خیلی ارزان تر خواهد بود،

not just the rich people.

نه فقط برای افراد ثروتمند.

کریس: اوهوم.

CA: Hmm.

So when Martin Ford argued, you know, that this time it's different

همینطور وقتی مارتین فورد استدلال کرد، می‌دونی، که این دفعه فرق می‌کنه،

because the intelligence that we've used in the past

چون هوشی که ما در گذشته استفاده کردیم

تا راه‌های جدید پیدا کنیم

to find new ways to be

will be matched at the same pace

بر راستای مشابه منطبق خواهد شد،

by computers taking over those things,

توسط کامپیوترهایی که بر اون‌ها مسلط میشن،

چیزی که من از صحبت تو میفهمم اینه که، نه کاملا،

what I hear you saying is that, not completely,

because of human creativity.

بخاطر خلاقیت انسان.

Do you think that that's fundamentally different from the kind of creativity

آیا فکر می‌کنی که این تفاوت بنیادی با اون نوع خلاقیتی که

کامپیوترها می‌تونن انجام بدن داره؟

that computers can do?

ST: So, that's my firm belief as an AI person --

سباستین: خوب، این اعتقاد راسخ من هست، به عنوان یک فرد فعال در هوش مصنوعی --

that I haven't seen any real progress on creativity

که من هیچ پیشرفت واقعی در خلاقیت ندیم،

and out-of-the-box thinking.

در تفکر خلاق.

What I see right now -- and this is really important for people to realize,

چیزی که الان میبینم اینه که -- و واقعا مهمه که مردم تشخیص بدن،

چون عبارت «هوش مصنوعی» خیلی تهدید آمیز هست،

because the word "artificial intelligence" is so threatening,

و بعد ما استیو اسپیلبرگ رو داریم که فیلمی به این اسم میسازه که در اون

and then we have Steve Spielberg tossing a movie in,

where all of a sudden the computer is our overlord,

ناگهان، کامپیوتر تبدیل به ارباب ما میشه.

but it's really a technology.

ولی در واقع این یک فناوری هست،

فناوری ای که به ما کمک می‌کنه کارهای تکراری رو انجام بدیم.

It's a technology that helps us do repetitive things.

And the progress has been entirely on the repetitive end.

و بطور کلی، پیشرفت همیشه در پایان تکراری بوده.

It's been in legal document discovery.

کشف سند حقوقی بوده،

It's been contract drafting.

تهیه پیش نویس قراداد بوده،

It's been screening X-rays of your chest.

عکس برداری اشعه ایکس از قفسه سینه شما بوده.

And these things are so specialized,

و این چیزها خیلی تخصصی شدند،

من تهدید بزرگی برای بشریت نمی بینم.

I don't see the big threat of humanity.

In fact, we as people --

در حقیقت، ما به عنوان مردم --

I mean, let's face it: we've become superhuman.

منظورم اینه، رک و پوست کنده بگم: ما ابَرانسان شدیم.

We've made us superhuman.

خودمون رو تبدیل به ابَرانسان کردیم.

We can swim across the Atlantic in 11 hours.

ما می‌تونیم در طول اقیانوس اطلس، در ۱۱ ساعت شنا کنیم.

We can take a device out of our pocket

می‌تونیم یک وسیله رو از جیبمون در بیاریم

and shout all the way to Australia,

و از اینجا تا استرالیا صدامون رو برسونیم

and in real time, have that person shouting back to us.

و هم زمان، اون هم با ما حرف بزنه.

از نظر فیزیک ممکن نیست، ما داریم قوانین فیزیک رو می‌شکنیم.

That's physically not possible. We're breaking the rules of physics.

When this is said and done, we're going to remember everything

وقتی این چیزها گفته و انجام میشه، قراره همه چیزهایی که دیدیم و شنیدیم رو به یاد بیاریم،

we've ever said and seen,

شما هر فردی رو به یاد خواهید آورد،

you'll remember every person,

which is good for me in my early stages of Alzheimer's.

که برای من در مراحل اولیه آلزایمرم خوبه.

ببخشید، چی میگفتم؟ فراموش کردم!

Sorry, what was I saying? I forgot.

CA: (Laughs)

سباستین: ما احتمالا ضریب هوشی ۱,۰۰۰ یا بیشتر خواهیم داشت.

ST: We will probably have an IQ of 1,000 or more.

There will be no more spelling classes for our kids,

دیگه برای فرزاندانمون کلاس املایی وجود نخواهد داشت،

because there's no spelling issue anymore.

چون دیگه مسئله املاء وجود نداره،

There's no math issue anymore.

دیگه مسئله ریاضی وجود نداره،

And I think what really will happen is that we can be super creative.

و فکر می‌کنم چیزی که واقعا اتفاق میوفته اینه که ما می‌تونیم فراتر از خلاق باشیم.

And we are. We are creative.

و هستیم، ما خلاق هستیم.

That's our secret weapon.

این سلاح مخفی ماست.

CA: So the jobs that are getting lost,

کریس: خوب شغل‌هایی که داران ناپدید میشن،

in a way, even though it's going to be painful,

به این طریق، با اینکه قراره ناراحت کننده باشه،

humans are capable of more than those jobs.

انسان‌ها قادر به انجام کارهای بیشتر از این هستند.

This is the dream.

رویا اینه.

The dream is that humans can rise to just a new level of empowerment

رویا اینه که انسان‌ها می‌تونن دقیقا به سطحی جدید از توانمندسازی و کشف، ترقی کنند.

and discovery.

That's the dream.

این رویاست.

ST: And think about this:

سباستین: و به این فکر کنید.

اگر به تاریخ بشریت نگاه کنید،

if you look at the history of humanity,

that might be whatever -- 60-100,000 years old, give or take --

که ممکنه هرچیزی باشه -- ۶۰ تا ۱۰۰ هزار سال، کم یا زیاد --

almost everything that you cherish in terms of invention,

تقریبا هرچیزی که شما ارزشمند می‌دونید، از نظر اخترع،

of technology, of things we've built,

فن آوری، از نظر چیزهایی که ساختیم،

has been invented in the last 150 years.

در ۱۵۰ سال اخیر اختراع شدند.

If you toss in the book and the wheel, it's a little bit older.

اگر کتاب و چرخ و یا تبر رو هم حساب کنید، این‌ها کمی تاریخی‌اند.

Or the axe.

ولی تلفن شما، کفش ورزشی شما،

But your phone, your sneakers,

these chairs, modern manufacturing, penicillin --

این صندلی‌ها، تولید مدرن، پنیسیلین --

the things we cherish.

چیزهایی که ما باارزش می‌دونیم.

برای من معنیش این هست که

Now, that to me means

the next 150 years will find more things.

در ۱۵۰ سال آینده، چیزهای بیشتری پیدا خواهیم کرد.

In fact, the pace of invention has gone up, not gone down, in my opinion.

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؟

I believe only one percent of interesting things have been invented yet. Right?

ما سرطان رو معالجه نکردیم.

We haven't cured cancer.

ما ماشین‌های پرنده نداریم -- هنوز. خوشبختانه من این یکی رو متحول می‌کنم.

We don't have flying cars -- yet. Hopefully, I'll change this.

That used to be an example people laughed about. (Laughs)

این مثالی هست که مردم بهش میخندن.

جالبه، اینطور نیست؟ مخفیانه کار کردن روی ماشین پرنده.

It's funny, isn't it? Working secretly on flying cars.

ما هنوز دو بار زندگی نمی‌کنیم، خوب؟

We don't live twice as long yet. OK?

We don't have this magic implant in our brain

ما این چیز جادویی رو که اطلاعاتی

که می‌خوایم رو بهمون بده در مغزمون کار نگذاشتیم.

that gives us the information we want.

ممکنه شما از این وحشت زده بشید،

And you might be appalled by it,

but I promise you, once you have it, you'll love it.

ولی من بهتون قول میدم،

همین که این رو داشته باشید، دوستش خواهید داشت.

I hope you will.

امیدوارم دوستش داشته باشید.

It's a bit scary, I know.

یکم ترسناکه، می‌دونم.

There are so many things we haven't invented yet

چیزهای بسیار زیادی وجود داره که ما هنوز اختراع نکردیم،

که فکر می‌کنم بزودی می‌کنیم.

that I think we'll invent.

ما هیچ سپر جاذبه ای نداریم.

We have no gravity shields.

ما نمی‌تونیم با سرعت نور از مکانی به مکان دیگر بریم.

We can't beam ourselves from one location to another.

خنده دار به نظر میرسه،

ولی تقریبا ۲۰۰ سال پیش،

That sounds ridiculous,

but about 200 years ago,

experts were of the opinion that flight wouldn't exist,

کارشناس‌ها نظرشون این بود که امکان پرواز وجود نداره،

حتی ۱۲۰ سال پیش،

even 120 years ago,

and if you moved faster than you could run,

و اگر سریع تر از اونی که بتونید بدوید، حرکت کنید،

درجا خواهید مرد. درسته؟

you would instantly die.

So who says we are correct today that you can't beam a person

بنابرین کی میگه که ما امروز درست می‌گیم که شما نمی‌تونید یک شخص رو با سرعت نور

from here to Mars?

از اینجا به به مریخ بفرستید؟

CA: Sebastian, thank you so much

کریس: سباستین، خیلی ازت ممنونیم،

for your incredibly inspiring vision and your brilliance.

بخاطر نگاه بسیار بسیار الهام بخش و هوش سرشارت.

Thank you, Sebastian Thrun.

متشکریم سباستین.

کریس: فوق العاده بود.

That was fantastic. (Applause)