3 myths about the future of work (and why they're not true) | Daniel Susskind

Translator: Amol P. Pachchhapurkar Reviewer: Arvind Patil

Automation anxiety has been spreading lately,

ऑटोमेशन (स्वचालित मशीनीकरण) आजकल चिंता का विषय बन गया है,

a fear that in the future,

एक डर फैला हुआ है कि, भविष्य में,

many jobs will be performed by machines

कई कार्य मशीनों द्वारा होंगे,

rather than human beings,

न कि मनुष्यों द्वारा,

given the remarkable advances that are unfolding

क्यूँकि AI (कृत्रिम बुद्धिमत्ता) और रोबोट विज्ञान

in artificial intelligence and robotics.

में अभूतपूर्व प्रगति हो रही है.

What's clear is that there will be significant change.

ये साफ़ है कि बड़े पैमाने पर बदलाव होंगे.

What's less clear is what that change will look like.

ये बदलाव कैसे असर करेंगे, ये साफ़ नहीं है.

My research suggests that the future is both troubling and exciting.

मेरी शोध संकेत देती है कि भविष्य, चिंताजनक और रोमांचक, दोनों ही होगा.

The threat of technological unemployment is real,

तकनीक की वजह से बेरोज़गारी का खतरा है,

and yet it's a good problem to have.

लेकिन फिर भी ये एक अच्छी समस्या है.

And to explain how I came to that conclusion,

मेरे इस निष्कर्ष को समझाने के लिए,

I want to confront three myths

मैं तीन मिथकों पर चर्चा करना चाहूँगा,

that I think are currently obscuring our vision of this automated future.

जो अभी इस स्वचालित भविष्य के बारे में, हमारी दृष्टी को धुंधला किए हुए है.

A picture that we see on our television screens,

हम जो तस्वीर TV में, किताबों में,

in books, in films, in everyday commentary

फिल्मों में, और रोजमर्रा की चर्चा

is one where an army of robots descends on the workplace

में देख रहे हैं, वह है रोबोट की सेना का कार्य-स्थल पर उतर आना,

with one goal in mind:

सिर्फ़ एक उद्देश्य लिए:

to displace human beings from their work.

मनुष्यों को उनकी नौकरियों से हटाना.

And I call this the Terminator myth.

ये "टर्मिनेटर मिथक" -

Yes, machines displace human beings from particular tasks,

मशीने मनुष्यों से कुछ कार्य छीनेंगी,

but they don't just substitute for human beings.

किन्तु मनुष्यों की जगह पूर्णतया नहीं ले सकती.

They also complement them in other tasks,

वे कई कार्यों में हमारी सहायक भी होती हैं,

making that work more valuable and more important.

उस कार्य को बेहतर और अहम बनाती हैं.

Sometimes they complement human beings directly,

कभी सीधे तौर पर मनुष्यों की पूरक बनती हैं,

making them more productive or more efficient at a particular task.

हमें कार्यकुशल और उत्पादक बनाती हैं.

So a taxi driver can use a satnav system to navigate on unfamiliar roads.

जैसे कि टैक्सी चालक, ऑनलाइन नक़्शे का इस्तेमाल कर अनजानी जगह पर जा सकता है.

An architect can use computer-assisted design software

एक वास्तुकार, डिजाईन सॉफ्टवेर का इस्तेमाल

to design bigger, more complicated buildings.

बड़ी और जटिल इमारतें बनाने के लिए कर सकता है.

But technological progress doesn't just complement human beings directly.

तकनीकी प्रगति मनुष्यों को सिर्फ़ सीधे तौर पर ही नहीं

It also complements them indirectly, and it does this in two ways.

बल्कि अप्रत्यक्ष रूप से भी असर करती है. इसके दो तरीके हैं -

The first is if we think of the economy as a pie,

अगर हम अर्थव्यवस्था को एक केक की तरह मानें,

technological progress makes the pie bigger.

तो तकनीकी प्रगति उसके आकार को बड़ा करती है.

As productivity increases, incomes rise and demand grows.

जैसे जैसे उत्पादकता बढती है, आय भी बढती है और खपत भी.

The British pie, for instance,

उदहारणतः, ब्रिटेन का केक,

is more than a hundred times the size it was 300 years ago.

३०० साल में १०० गुना बढा है.

And so people displaced from tasks in the old pie

पुराने केक में काम से विस्थापित लोगों

could find tasks to do in the new pie instead.

को नए केक में नए तरह के कार्य मिले.

But technological progress doesn't just make the pie bigger.

तकनीकी प्रगति केवल केक का आकर ही नहीं बढाती है.

It also changes the ingredients in the pie.

वह उसकी सामग्री को भी बदल देती है.

As time passes, people spend their income in different ways,

समय के साथ, लोगों की खर्च करने की पद्धति बदलती है,

changing how they spread it across existing goods,

मौजूदा सामान के अलावा,

and developing tastes for entirely new goods, too.

नए सामानों में भी रूचि बढती है.

New industries are created,

नए उद्योगों की संरचना होती है

नए कार्य पैदा होते हैं,

new tasks have to be done

and that means often new roles have to be filled.

और नए पद तैयार होते हैं.

So again, the British pie:

दोबारा ब्रिटेन के केक को देखते हैं:

300 years ago, most people worked on farms,

३०० साल पहले, ज्यादातर लोग खेतों में काम करते थे

150 years ago, in factories,

१५० साल पहले, कारखानों में,

and today, most people work in offices.

और आज, ज्यादातर दफ्तरों में.

And once again, people displaced from tasks in the old bit of pie

ऐसे ही, पुराने केक के कामों से विस्थापित लोग

could tumble into tasks in the new bit of pie instead.

नए केक में नए कामों में लग गए.

Economists call these effects complementarities,

अर्थशास्त्री इसे संपूरक प्रभाव कहते हैं,

but really that's just a fancy word to capture the different way

जो तकनीकी प्रगति से हुई मानवता की मदद

that technological progress helps human beings.

को दर्शाने वाला एक मनोहर शब्द है.

Resolving this Terminator myth

टर्मिनेटर मिथक दर्शाता है

shows us that there are two forces at play:

कि दो शाक्तियाँ काम कर रही हैं:

मशीन द्वारा विस्थापन, जो नुकसानदायक है,

one, machine substitution that harms workers,

but also these complementarities that do the opposite.

और संपूरक प्रभाव, जो फायदेमंद है.

Now the second myth,

अब दूसरा मिथक

what I call the intelligence myth.

जो है, बुद्धिमत्ता मिथक.

What do the tasks of driving a car, making a medical diagnosis

कार चलाने, रोग-निदान करने, और किसी चिड़िया

and identifying a bird at a fleeting glimpse have in common?

को पलक झपकते ही पहचान लेने में क्या समानता है?

Well, these are all tasks that until very recently,

अर्थशास्त्रियों के अनुसार, ये सब वह काम हैं जो कुछ समय

leading economists thought couldn't readily be automated.

पहले तक स्वचालित नहीं किये जा सकते थे.

And yet today, all of these tasks can be automated.

लेकिन आज किये जा सकते हैं.

You know, all major car manufacturers have driverless car programs.

बड़ी कार कंपनियां आज बिना ड्राईवर की कार को लाने पर काम कर रही हैं.

There's countless systems out there that can diagnose medical problems.

रोगों को समझकर निदान करने की कई प्रणालिया उपलब्ध हैं.

And there's even an app that can identify a bird

और एक एप भी है जो पलक झपकते ही

at a fleeting glimpse.

चिड़िया की प्रजाति पहचान लेता है.

Now, this wasn't simply a case of bad luck on the part of economists.

इसका मतलब ये नहीं है,

कि उन अर्थशास्त्रियों की किस्मत खराब थी. वे गलत थे.

They were wrong,

and the reason why they were wrong is very important.

गलती महत्त्वपूर्ण है.

They've fallen for the intelligence myth,

वे बुद्धिमत्ता मिथक के शिकार हुए,

the belief that machines have to copy the way

यह मानना कि मशीनें वैसे ही सोचेंगी

that human beings think and reason

और पता लगाएंगी, जैसे मनुष्य करते हैं.

in order to outperform them.

और तेज गति से बेहतर काम करेंगी.

When these economists were trying to figure out

जब ये लोग पता लगा रहे थे

what tasks machines could not do,

कि कौन से काम मशीनें नहीं कर सकती,

they imagined the only way to automate a task

उन्होंने सोचा कि कार्य को स्वचालित

was to sit down with a human being,

करने के लिए, मनुष्यों के तरीके को

get them to explain to you how it was they performed a task,

ठीक तरह से समझ कर,

and then try and capture that explanation

मशीनों के लिए निर्देशों की नियत श्रेणी

in a set of instructions for a machine to follow.

बनाकर दे दी जाए.

This view was popular in artificial intelligence at one point, too.

यह पद्धति कृत्रिम बुद्धिमत्ता में इस्तेमाल होती थी.

I know this because Richard Susskind,

मैं ये जानता हूँ क्यूँकि रिचर्ड सस्किंड,

who is my dad and my coauthor,

जो मेरे पिता और सहलेखक हैं,

wrote his doctorate in the 1980s on artificial intelligence and the law

ने १९८० के दशक में ऑक्सफ़ोर्ड यूनिवर्सिटी

at Oxford University,

में अपनी डॉक्टरेट में लिखा था,

and he was part of the vanguard.

वे इस क्षेत्र के पुरोगामी थे.

And with a professor called Phillip Capper

प्रोफेसर फिलिप कैपर और एक

and a legal publisher called Butterworths,

कानून के क्षेत्र के प्रकाशक, बटरवर्थ

they produced the world's first commercially available

के साथ क़ानून के क्षेत्र की, विश्व की पहली

artificial intelligence system in the law.

कृत्रिम बुद्धिमत्ता प्रणाली निर्मित की.

This was the home screen design.

इसकी होम स्क्रीन ऐसी थी.

He assures me this was a cool screen design at the time.

वे बताते हैं कि ये उस समय की शानदार होम स्क्रीन है.

(Laughter)

(हँसी)

I've never been entirely convinced.

मैं ये नहीं मानता.

He published it in the form of two floppy disks,

इसे २ फ्लॉपी में प्रकाशित किया,

at a time where floppy disks genuinely were floppy,

उन दिनों फ्लॉपी सच में कमज़ोर होती थी.

and his approach was the same as the economists':

उनकी पद्धति उन अर्थशास्त्रियों जैसी थी:

sit down with a lawyer,

एक वकील से समझिये कि वह कैसे एक कानूनी

get her to explain to you how it was she solved a legal problem,

समस्या को सुलझाती है, उस

and then try and capture that explanation in a set of rules for a machine to follow.

वर्णन से निर्देशों की श्रंखला तैयार की जाए, जिसका मशीन पालन करे.

In economics, if human beings could explain themselves in this way,

अर्थशास्त्र में ऐसे कार्य, जिनका वर्णन हो सकता है, नियमित कार्य कहलाते हैं,

the tasks are called routine, and they could be automated.

और इनको आसानी से स्वचालित किया जा सकता है.

But if human beings can't explain themselves,

अगर वर्णन नहीं हो सकता, तो वे अनियमित कार्य हैं,

the tasks are called non-routine, and they're thought to be out reach.

और उनको पहुँच के बाहर समझा जाता है.

Today, that routine-nonroutine distinction is widespread.

आज यह नियमित-अनियमित के बीच बहुत फासला है.

Think how often you hear people say to you

आपने कई बार लोगों को कहते सुना होगा

machines can only perform tasks that are predictable or repetitive,

मशीने वही कार्य कर सकती हैं जिनका अनुमान लग सके, जो पुनरावृत्तिय हो

rules-based or well-defined.

हों, नियमों और निश्चित सीमा में हों.

Those are all just different words for routine.

ये सब नियमित कामों की अलग-अलग परिभाषाएँ हैं.

And go back to those three cases that I mentioned at the start.

मैंने जो 3 उदाहरण पहले दिए,

Those are all classic cases of nonroutine tasks.

वे अनियमित कार्यों की श्रेणी में आते हैं.

Ask a doctor, for instance, how she makes a medical diagnosis,

किसी डॉक्टर से पूछा जाए कि वह रोग-निर्धारण कैसे करती है,

and she might be able to give you a few rules of thumb,

तो वह कुछ आंकलन के नियम बता पाएगी,

but ultimately she'd struggle.

लेकिन आगे बताने में संघर्ष होगा.

She'd say it requires things like creativity and judgment and intuition.

उसका कहना होगा कि इसमें रचनात्मकता और अनुमान की आवश्यकता होगी.

And these things are very difficult to articulate,

और इनको स्पष्ट बता पाना मुश्किल है.

and so it was thought these tasks would be very hard to automate.

इसलिए इन कार्यों को स्वचालित करना मुश्किल समझा जाता था.

If a human being can't explain themselves,

अगर मनुष्य वर्णन नहीं कर सकते,

where on earth do we begin in writing a set of instructions

तो मशीनों के लिए निर्देश

for a machine to follow?

कैसे लिखे जाएँ?

Thirty years ago, this view was right,

३० साल पहले ये सही था,

but today it's looking shaky,

किन्तु आज शायद नहीं,

and in the future it's simply going to be wrong.

और भविष्य में पूर्णरूप से असत्य होगा.

Advances in processing power, in data storage capability

कम्पुटर की कार्यशक्ति, संग्रह क्षमता,

and in algorithm design

अल्गोरिथम रचना में हुई प्रगति से

mean that this routine-nonroutine distinction

नियमित-अनियमित कार्यों में भेद करना

is diminishingly useful.

ज्यादा काम का नहीं रहा.

To see this, go back to the case of making a medical diagnosis.

इसे समझने के लिए, रोग-निर्धारण वाले उदहारण पर चलते हैं.

Earlier in the year,

इसी साल स्टेनफोर्ड के

a team of researchers at Stanford announced they'd developed a system

शोधकोंने सूचित किया कि उन्होंने ऐसी प्रणाली बना ली है

which can tell you whether or not a freckle is cancerous

जो बता सकती है कि कोई दाग या चकत्ता कैंसर है या नहीं,

उसी तरह जैसे कोई त्वचा का डॉक्टर बताता है.

as accurately as leading dermatologists.

How does it work?

ये कैसे काम करता है?

It's not trying to copy the judgment or the intuition of a doctor.

वह डॉक्टर के अनुमान या अनुभव की नक़ल नहीं उतार रहा.

It knows or understands nothing about medicine at all.

उसको चिकित्सा पद्धति के बारे में कुछ नहीं पता.

Instead, it's running a pattern recognition algorithm

वह तो केवल एक स्वरुप पहचान करने वाला अल्गोरिथम है

through 129,450 past cases,

जो पिछले १२९,४५० केस पढ़कर

hunting for similarities between those cases

उनके और अभी के केस के बीच की

and the particular lesion in question.

समानताएं खोज रहा है.

It's performing these tasks in an unhuman way,

यह अपना काम मनुष्यों के जैसे नहीं कर रहा,

based on the analysis of more possible cases

वह इतने सारे केस का अध्ययन कर रहा है,

than any doctor could hope to review in their lifetime.

जो एक डॉक्टर अपने जीवनकाल में नहीं कर सकता.

It didn't matter that that human being,

इस बात से कोई फरक नहीं पड़ता कि मनुष्य,

that doctor, couldn't explain how she'd performed the task.

या वह डॉक्टर अपनी कार्य पद्धति का वर्णन नहीं कर पाया.

Now, there are those who dwell upon that the fact

कुछ लोग कहते हैं कि

that these machines aren't built in our image.

यह मशीन हमारे जैसी नहीं बनी है.

As an example, take IBM's Watson,

उदाहरणतः, IBM का वाटसन सुपरकम्पुटर,

the supercomputer that went on the US quiz show "Jeopardy!" in 2011,

जिसने "जेओपरडी" नामक US का क्विज शो में भाग लिया,

and it beat the two human champions at "Jeopardy!"

और २ विजेताओं को हरा दिया.

The day after it won,

उसके जीतने के एक दिन पश्चात्,

The Wall Street Journal ran a piece by the philosopher John Searle

द वॉल स्ट्रीट जर्नल में जॉन सीरले ने लिखा,

with the title "Watson Doesn't Know It Won on 'Jeopardy!'"

"वाटसन को नहीं पता कि वह जीता !"

Right, and it's brilliant, and it's true.

ये बहुत बढ़िया है, और अचूक सत्य है.

You know, Watson didn't let out a cry of excitement.

वाटसन ने ख़ुशी से चिल्लाकर जीत जाहिर नहीं की.

It didn't call up its parents to say what a good job it had done.

उसने अपने माता पिता को फ़ोन करके अपने अच्छे कार्य की खबर नहीं दी.

It didn't go down to the pub for a drink.

या किसी बार में जाकर जश्न नहीं मनाया.

This system wasn't trying to copy the way that those human contestants played,

वह दूसरे प्रतियोगियों के तरीके की नक़ल नहीं उतार रहा था,

but it didn't matter.

लेकिन कोई फर्क नहीं पड़ा.

It still outperformed them.

वह फिर भी जीत गया.

Resolving the intelligence myth

बुद्धिमत्ता मिथक हमें बताता है कि

shows us that our limited understanding about human intelligence,

मानवीय बुद्धिमत्ता, और हमारी

about how we think and reason,

सोच विचार करने की समझ,

is far less of a constraint on automation than it was in the past.

स्वचलन के लिए रुकावट नहीं है.

What's more, as we've seen,

और तो और

when these machines perform tasks differently to human beings,

जब ये मशीने उसी काम को मनुष्य से अलग तरीके से करती हैं,

there's no reason to think

यह सोचना भी गलत होगा,

that what human beings are currently capable of doing

कि मनुष्य की क्षमता,

represents any sort of summit

सबसे बेहतरीन है,

in what these machines might be capable of doing in the future.

क्यूँकि ये मशीनें आगे और भी बहुत कुछ करने में सक्षम होंगी.

Now the third myth,

अब तीसरा मिथक,

what I call the superiority myth.

जिसे मैं उच्चता मिथक कहता हूँ.

It's often said that those who forget

अक्सर कहा जाता है कि जो लोग

about the helpful side of technological progress,

तकनीकी प्रगति का उपयोगी पहलू भूल जाते हैं,

those complementarities from before,

वे भुलावे में हैं जिसे हम

are committing something known as the lump of labor fallacy.

"श्रम के ढेले का भुलावा" कहते हैं.

Now, the problem is the lump of labor fallacy

यह भुलावा ही,

is itself a fallacy,

एक प्रकार से भुलावा है.

and I call this the lump of labor fallacy fallacy,

और मैं इसे "श्रम के ढेले के भुलावे का भुलावा" कहता हूँ.

or LOLFF, for short.

संक्षेप में - LOLFF. लम्प ऑफ़ लेबर फलास्यी ऑफ़ फ्यूचर

Let me explain.

मैं स्पष्ट करता हूँ.

The lump of labor fallacy is a very old idea.

श्रम के ढेले का भुलावा एक पुरानी धारणा है.

It was a British economist, David Schloss, who gave it this name in 1892.

डेविड श्लोस नामक एक अर्थशास्त्री ने १८९२ में इसे प्रचारित किया.

He was puzzled to come across a dock worker

उसने बंदरगाह के एक मजदूर

who had begun to use a machine to make washers,

को देखा, जो वॉशर बना रहा था,

the small metal discs that fasten on the end of screws.

वो गोलाकार चपटी वस्तुएँ जो स्क्रू में लगते हैं,

And this dock worker felt guilty for being more productive.

यह मजदूर अपनी अधिक उत्पादकता के लिए ग्लानी महसूस कर रहा था.

Now, most of the time, we expect the opposite,

अधिकतर, हमें इसका उल्टा अपेक्षित होता है,

that people feel guilty for being unproductive,

कि लोग कम उत्पादकता पर ग्लानी महसूस करते हैं,

you know, a little too much time on Facebook or Twitter at work.

जैसे काम के वक्त फेसबुक या ट्विटर पर ज्यादा समय व्यतीत करने पर.

But this worker felt guilty for being more productive,

लेकिन ये व्यक्ति अधिक उत्पादकता से परेशान था.

and asked why, he said, "I know I'm doing wrong.

पूछनेपर उसने कहा - "मैं गलत कर रहा हूँ."

I'm taking away the work of another man."

"मैं किसी और का रोजगार छीन रहा हूँ"

In his mind, there was some fixed lump of work

उसके अनुसार काम का एक ढेला है, जो

to be divided up between him and his pals,

उसके मित्रों और उसके बीच बांटा जाना है.

so that if he used this machine to do more,

और अगर वह मशीन से ज्यादा काम करेगा,

there'd be less left for his pals to do.

तो उसके मित्रों को कम काम मिलेगा.

Schloss saw the mistake.

श्लोस उसकी गलती समझ गया.

The lump of work wasn't fixed.

काम का वह ढेला स्थायी नहीं था.

As this worker used the machine and became more productive,

मशीन के इस्तेमाल से ज्यादा उत्पादन होने पर

the price of washers would fall, demand for washers would rise,

वॉशर का दाम गिरेगा, और उसकी खपत बढ़ेगी,

more washers would have to be made,

और ज्यादा वॉशर बनाने पड़ेंगे

and there'd be more work for his pals to do.

जिससे और ज्यादा लोगों को काम मिलेगा.

The lump of work would get bigger.

काम का वह ढेला बड़ा हो जाएगा.

Schloss called this "the lump of labor fallacy."

श्लोस ने इसे "श्रम के ढेले का भुलावा" कहा.

And today you hear people talk about the lump of labor fallacy

आज लोग इसके बारे में बात करते हैं, जब वे भविष्य में

to think about the future of all types of work.

काम के रूप के बारे में सोचते हैं

There's no fixed lump of work out there to be divided up

भविष्य में काम का कोई स्थायी ढेला नहीं है, जिसको मशीनों

between people and machines.

और इंसानों में बांटना है

Yes, machines substitute for human beings, making the original lump of work smaller,

हाँ, मशीने मनुष्यों की जगह ले लेंगी, जिससे काम का स्वरूप छोटा हो जायेगा,

but they also complement human beings,

लेकिन वे मनुष्यों के पूरक भी होंगे,

and the lump of work gets bigger and changes.

और काम का ढेला बड़ा हो जायेगा.

But LOLFF.

शायद नहीं!

Here's the mistake:

गलती यहाँ है:

it's right to think that technological progress

तकनीक के विकास से,

makes the lump of work to be done bigger.

काम के ढेले का आकार बढेगा.

Some tasks become more valuable. New tasks have to be done.

कुछ कार्य अहम हो जायेंगे, और कुछ नए कार्य पैदा हो जायेंगे.

But it's wrong to think that necessarily,

पर ये सोचना गलत है कि

human beings will be best placed to perform those tasks.

नए कार्य मनुष्यों के लिए होंगे.

And this is the superiority myth.

इसे मैं उच्चता मिथक कहता हूँ.

Yes, the lump of work might get bigger and change,

हाँ, काम का ढेला आकार और स्वरुप में बढेगा,

but as machines become more capable,

पर जैसे जैसे मशीनों की क्षमता बढ़ेगी,

it's likely that they'll take on the extra lump of work themselves.

वे ज्यादा कार्य खुद ही कर लेंगी.

Technological progress, rather than complement human beings,

तकनीकी विकास, मनुष्यों के बजाय, मशीनों का

complements machines instead.

पूरक सिद्ध होगा.

To see this, go back to the task of driving a car.

इसको गाडी चलाने के उदहारण से समझते हैं.

Today, satnav systems directly complement human beings.

GPS की तकनीक मनुष्यों की पूरक है,

They make some human beings better drivers.

क्यूँकि इससे हम कार को बेहतर चला सकते हैं.

But in the future,

किन्तु भविष्य में,

software is going to displace human beings from the driving seat,

सॉफ्टवेर मनुष्यों को चालक की सीट से हटा देगा.

and these satnav systems, rather than complement human beings,

और GPS, मनुष्यों का पूरक होने की जगह,

will simply make these driverless cars more efficient,

इस बिना ड्राईवर की गाडी को

helping the machines instead.

अधिक कुशल बनाएगा.

Or go to those indirect complementarities that I mentioned as well.

इसके अलावा तकनीक के संपूरक प्रभाव को देखिये जिनकी हमने बात की थी.

The economic pie may get larger,

आर्थिक रूप से केक का आकार बढेगा,

but as machines become more capable,

लेकिन मशीनों की क्षमता बढ़ने से,

it's possible that any new demand will fall on goods that machines,

हो सकता है कि जिन वस्तुओं की खपत बढ़ेगी,

rather than human beings, are best placed to produce.

उनको मनुष्यों से कहीं बेहतर मशीने ही बना पाएंगी.

The economic pie may change,

केक का स्वरुप बदल जायेगा,

but as machines become more capable,

लेकिन मशीनों की क्षमता बढ़ने से,

it's possible that they'll be best placed to do the new tasks that have to be done.

वे कई कार्य मनुष्यों से बेहतर ढंग से कर पाएंगी.

In short, demand for tasks isn't demand for human labor.

संक्षेप में, कार्यों के बढ़ने से, मानवीय श्रम की जरुरत नहीं बढ़ेगी.

Human beings only stand to benefit

मनुष्यों का फायदा तभी होगा जब

if they retain the upper hand in all these complemented tasks,

वे पूरक कार्यों में अपनी श्रेष्ठता बनाकर रखेंगे,

but as machines become more capable, that becomes less likely.

लेकिन मशीनों की क्षमता बढ़ने से, ये संभव नहीं हो पायेगा.

So what do these three myths tell us then?

तो ये 3 मिथक हमें क्या बताते हैं?

Well, resolving the Terminator myth

टर्मिनेटर मिथक से हमने जाना कि काम

shows us that the future of work depends upon this balance between two forces:

का भविष्य दो शक्तियों पर निर्भर करेगा

one, machine substitution that harms workers

एक, मनुष्यों का मशीनों द्वारा बदला जाना, जो हानिकारक है

but also those complementarities that do the opposite.

लेकिन कई नए कार्यों का पैदा होना, जिससे फायदा होगा.

And until now, this balance has fallen in favor of human beings.

अभी तक इस गतिविधि से मनुष्यों का फायदा ही हुआ है.

But resolving the intelligence myth

बुद्धिमत्ता मिथक दर्शाता है कि

shows us that that first force, machine substitution,

मशीनों का मनुष्यों की जगह लेना

is gathering strength.

सत्य होता जा रहा है.

Machines, of course, can't do everything,

मशीनें सब कुछ नहीं कर सकतीं,

but they can do far more,

लेकिन बहुत कुछ कर रही हैं,

encroaching ever deeper into the realm of tasks performed by human beings.

जिन्हें पहले मनुष्यों का ही कार्य समझा जाता था.

What's more, there's no reason to think

ऐसा सोचने का कोई कारण नहीं है

that what human beings are currently capable of

की मशीने, मनुष्यों की कार्यक्षमता

represents any sort of finishing line,

की सीमा रेखा तक ही जा सकती हैं,

that machines are going to draw to a polite stop

और मानव के सामान काबिल होकर

once they're as capable as us.

वहीं पर रुक जाएँगी.

Now, none of this matters

मशीने तब तक परेशान नहीं करेंगी,

so long as those helpful winds of complementarity

जब तक उनके इस्तेमाल से नए कार्य पैदा

blow firmly enough,

होते रहेंगे, जिन्हें मनुष्य करेंगे.

but resolving the superiority myth

लेकिन उच्चता मिथक बताता है कि

shows us that that process of task encroachment

नए कार्य भी मशीनों के इस्तेमाल को

not only strengthens the force of machine substitution,

बढ़ावा देंगे और मनुष्यों की पूरक क्षमता

but it wears down those helpful complementarities too.

को भी हानि पहुचाएंगे.

Bring these three myths together

इन तीनो मिथकों से हम भविष्य की

and I think we can capture a glimpse of that troubling future.

चिंताजनक झलक देख सकते हैं.

Machines continue to become more capable,

मशीनों की क्षमता बढती जाएगी,

encroaching ever deeper on tasks performed by human beings,

जो मनुष्यों के कार्यो को भी खुद कर पाएंगी,

strengthening the force of machine substitution,

जिससे मनुष्यों का मशीनों द्वारा बदला जाना और तेज होगा

weakening the force of machine complementarity.

और दोनों का पूरक होना कम होता जायेगा.

And at some point, that balance falls in favor of machines

और कभी न कभी, मशीनें मनुष्यों से

rather than human beings.

बेहतर कार्य कर पाएंगी.

This is the path we're currently on.

आज, हम उसी राह पर हैं.

I say "path" deliberately, because I don't think we're there yet,

"राह" इसलिए क्यूँकि हम अभी मंजिल पर नहीं पहुंचे हैं,

but it is hard to avoid the conclusion that this is our direction of travel.

लेकिन उसी दिशा में बढ़ रहे हैं.

That's the troubling part.

यही परेशानी है.

Let me say now why I think actually this is a good problem to have.

मेरा मानना है कि ये एक अच्छी समस्या है.

For most of human history, one economic problem has dominated:

मानवीय इतिहास में एक आर्थिक समस्या हावी रही है

how to make the economic pie large enough for everyone to live on.

कार्यों के केक को कैसे बढाया जाए, ताकि सबका गुजारा हो सके.

Go back to the turn of the first century AD,

पहली शताब्दी के

and if you took the global economic pie

वैश्विक आर्थिक केक को अगर

and divided it up into equal slices for everyone in the world,

सबके लिए बराबर बांटे तो सबके हिस्से में,

everyone would get a few hundred dollars.

कुछ सौ डॉलर आयेंगे.

Almost everyone lived on or around the poverty line.

लगभग सभी गरीबी रेखा के आस पास ही थे.

And if you roll forward a thousand years,

एक हज़ार साल बाद भी

roughly the same is true.

लगभग यही स्थिति थी.

But in the last few hundred years, economic growth has taken off.

किन्तु पिछले कुछ शतकों में बहुत आर्थिक प्रगति हुई है.

Those economic pies have exploded in size.

और केक का आकार कई गुणा बढ़ा है.

Global GDP per head,

विश्व का प्रतिव्यक्ति सकल उत्पाद,

the value of those individual slices of the pie today,

उन केक के प्रतिव्यक्ति हिस्से का मूल्य,

they're about 10,150 dollars.

लगभग 10,150 डौलर है.

If economic growth continues at two percent,

अगर आर्थिक वृद्धिदर 2% भी रहता है,

our children will be twice as rich as us.

तो हमारे बच्चे हमसे दुगुने अमीर होंगे.

If it continues at a more measly one percent,

अगर ये सिर्फ़ 1% भी रहता है,

our grandchildren will be twice as rich as us.

तो हमारे नाती-पोते हमसे दुगुने अमीर होंगे.

By and large, we've solved that traditional economic problem.

सामान्यतः, हमने मूल आर्थिक समस्या सुलझा ली है.

Now, technological unemployment, if it does happen,

अब, तकनीकी बेरोजगार, अगर ऐसा हुआ,

in a strange way will be a symptom of that success,

इस सफलता का अजीब लक्षण होगा.

will have solved one problem -- how to make the pie bigger --

एक समस्या सुलझाई - केक के आकार को बड़ा करना -

but replaced it with another --

पर उसकी जगह दूसरी खड़ी हो गयी -

how to make sure that everyone gets a slice.

कैसे हर किसी को उसका हिस्सा मिले.

As other economists have noted, solving this problem won't be easy.

कई अर्थशास्त्रियों के अनुसार, यह समस्या जटिल है.

Today, for most people,

आज, लोगों के लिए

their job is their seat at the economic dinner table,

उनकी नौकरी ही पेट भरने का मुख्य जरिया है,

and in a world with less work or even without work,

और ऐसी दुनिया में, जहाँ कम या बिलकुल भी काम न हो,

it won't be clear how they get their slice.

उन्हें उनका हिस्सा कैसे मिलेगा.

There's a great deal of discussion, for instance,

आजकल, सामान्य मूल आय के विषय पर

about various forms of universal basic income

बहुत चर्चा हो रही है,

as one possible approach,

यह एक उपाय हो सकता है,

and there's trials underway

और कई प्रयोग भी चल रहे हैं,

in the United States and in Finland and in Kenya.

USA, फ़िनलैंड और केन्या जैसे देशो में.

And this is the collective challenge that's right in front of us,

ये सामूहिक चुनौती हम सबके सामने है,

to figure out how this material prosperity generated by our economic system

कि कैसे हर कोई इस आर्थिक खुशहाली

का मजा उठा सके.

can be enjoyed by everyone

in a world in which our traditional mechanism

ऐसी दुनिया में जहाँ की पारंपरिक व्यवस्था,

for slicing up the pie,

केक के हिस्से काटना, अर्थात,

the work that people do,

लोगों का काम

withers away and perhaps disappears.

नष्ट हो रहा है, और शायद गायब भी हो जाए.

Solving this problem is going to require us to think in very different ways.

इस चुनौती का हल निकालने के लिए कई अलग तरीकों से सोचना होगा.

There's going to be a lot of disagreement about what ought to be done,

और सही कदम क्या होगा, इसपर बहुत मतभेद होगा

but it's important to remember that this is a far better problem to have

लेकिन ये याद रखना जरुरी है कि ये हमारे पूर्वजों की

than the one that haunted our ancestors for centuries:

समस्या - केक का आकार कैसे बढाया जाए -

how to make that pie big enough in the first place.

से बहुत अच्छी समस्या है.

Thank you very much.

बहुत बहुत धन्यवाद.

(Applause)

(तालियाँ)