Ray Kurzweil: A university for the coming singularity

87,328 views ・ 2009-06-02

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Gabor Szeleczki Lektor: Kardos Balint
00:13
Information technology grows in an exponential manner.
0
13160
3000
Az információtechnológia exponenciális mértékben fejlődik.
00:16
It's not linear. And our intuition is linear.
1
16160
4000
Nem lineárisan. Pedig az intuíciónk lineáris.
00:20
When we walked through the savanna a thousand years ago
2
20160
2000
Amikor még a szavannán sétálgattunk ezer évvel ezelőtt
00:22
we made linear predictions where that animal would be,
3
22160
2000
lineárisan jeleztük előre, hogy hol lesz az az állat,
00:24
and that worked fine. It's hardwired in our brains.
4
24160
3000
és ez jól működött. Be van huzalozva az agyunkba.
00:27
But the pace of exponential growth
5
27160
3000
De az exponenciális növekedés az
00:30
is really what describes information technologies.
6
30160
3000
ami igazán leírja az információtechnológiákat.
00:33
And it's not just computation.
7
33160
3000
És ez nem csak számolgatás.
00:36
There is a big difference between linear and exponential growth.
8
36160
2000
Óriási különbség van lineáris és exponenciális növekedés között.
00:38
If I take 30 steps linearly -- one, two, three, four, five --
9
38160
4000
Ha lineárisan teszek 30 lépést -- egy, kettő, három, négy, öt --
00:42
I get to 30.
10
42160
2000
harmincig jutok.
00:44
If I take 30 steps exponentially -- two, four, eight, 16 --
11
44160
3000
Ha harmincat lépek exponenciálisan -- kettő, négy, nyolc, tizenhat --
00:47
I get to a billion.
12
47160
2000
egymilliárdig jutok.
00:49
It makes a huge difference.
13
49160
2000
Óriási lesz a különbség.
00:51
And that really describes information technology.
14
51160
2000
És ez nagyon jellemző az információtechnológiára.
00:53
When I was a student at MIT,
15
53160
2000
Amikor az MIT-n voltam diák,
00:55
we all shared one computer that took up a whole building.
16
55160
2000
közösen használtunk egy számítógépet, aminek kellett egy egész épület.
00:57
The computer in your cellphone today is a million times cheaper,
17
57160
3000
A számítógép a mobiltelefonukban ma egymilliószor olcsóbb,
01:00
a million times smaller,
18
60160
2000
egymilliószor kisebb,
01:02
a thousand times more powerful.
19
62160
2000
ezerszer erősebb.
01:04
That's a billion-fold increase in capability per dollar
20
64160
3000
A teljesítmény és költség arányában ez egymilliárdszoros növekedés,
01:07
that we've actually experienced since I was a student.
21
67160
2000
amit megéltünk mióta diák voltam.
01:09
And we're going to do it again in the next 25 years.
22
69160
3000
És a következő huszonöt évben ezt ismét el fogjuk érni.
01:12
Information technology progresses
23
72160
2000
Az információtechnológia
01:14
through a series of S-curves
24
74160
2000
S-kanyarok sorozatán keresztül fejlődik,
01:16
where each one is a different paradigm.
25
76160
2000
ahol mindegyik S egy másik paradigma.
01:18
So people say, "What's going to happen when Moore's Law comes to an end?"
26
78160
3000
Azt szokták kérdezni: "Mi történik, ha Moore törvénye már nem lesz érvényes?"
01:21
Which will happen around 2020.
27
81160
2000
Ami olyan 2020 körül fog bekövetkezni.
01:23
We'll then go to the next paradigm.
28
83160
2000
Akkor attérünk a következő paradigmára.
01:25
And Moore's Law was not the first paradigm
29
85160
2000
És Moore törvénye nem az első paradigma volt
01:27
to bring exponential growth to computing.
30
87160
2000
ami exponenciális növekedést hozott a számítási teljesítmény terén.
01:29
The exponential growth of computing started
31
89160
2000
Az exponenciális növekedés a számítási teljesítményben
01:31
decades before Gordon Moore was even born.
32
91160
2000
már évtizedekkel Gordon Moore születése előtt fennállt.
01:33
And it doesn't just apply to computation.
33
93160
4000
És ez nem csak a számításra vonatkozik.
01:37
It's really any technology where we can measure
34
97160
2000
Minden technológiára igaz, ahol mérni tudjuk
01:39
the underlying information properties.
35
99160
3000
az alapvető információs jellemzőket.
01:42
Here we have 49 famous computers. I put them in a logarithmic graph.
36
102160
4000
Itt látható 49 híres számítógép. Elhelyeztem őket egy logaritmikus ábrán.
01:46
The logarithmic scale hides the scale of the increase,
37
106160
4000
A logaritmikus skála elrejti a növekedés skáláját,
01:50
because this represents trillions-fold increase
38
110160
2000
mert ez egy ezermilliárdos növekedést reprezentál
01:52
since the 1890 census.
39
112160
3000
az 1890-es népszámlálás óta.
01:55
In 1950s they were shrinking vacuum tubes,
40
115160
2000
Az 50-es években zsugorították a vákuumcsöveket,
01:57
making them smaller and smaller. They finally hit a wall;
41
117160
3000
egyre kisebbé és kisebbé téve őket. Végül egy falba ütköztek;
02:00
they couldn't shrink the vacuum tube any more and keep the vacuum.
42
120160
2000
nem tudták tovább zsugorítani a vákuumcsövet és fenntartani a vákuumot.
02:02
And that was the end of the shrinking of vacuum tubes,
43
122160
3000
Ez volt a vákuumcsövek zsugorításának vége,
02:05
but it was not the end of the exponential growth of computing.
44
125160
3000
de nem volt a számítási kapacitás exponenciális növekedésének vége.
02:08
We went to the fourth paradigm, transistors,
45
128160
2000
A negyedik paradigmához érkeztünk, tranzisztorokhoz,
02:10
and finally integrated circuits.
46
130160
2000
és végül az integrált áramkörökhöz.
02:12
When that comes to an end we'll go to the sixth paradigm;
47
132160
2000
Amikor ennek vége lesz eljutunk a hatodik paradigmához,
02:14
three-dimensional self-organizing molecular circuits.
48
134160
4000
a háromdimenziós, önszerveződő molekuláris áramkörökhöz.
02:18
But what's even more amazing, really, than this
49
138160
3000
De ami még lenyűgözőbb, tényleg, ez a
02:21
fantastic scale of progress,
50
141160
2000
fantasztikus skálája a fejlődésnek,
02:23
is that -- look at how predictable this is.
51
143160
2000
ami -- nézzék, milyen kiszámítható.
02:25
I mean this went through thick and thin,
52
145160
2000
Úgy értem, ez minden körülmények között fennállt,
02:27
through war and peace, through boom times and recessions.
53
147160
3000
háburúban és békében, virágzó gazdaságban és recesszióban.
02:30
The Great Depression made not a dent in this exponential progression.
54
150160
4000
A nagy világgazdasági válság sem okozott törést ebben az exponenciális fejlődésben.
02:34
We'll see the same thing in the economic recession we're having now.
55
154160
4000
Ugyanezt fogjuk látni a mostani gazdasági recesszióban is.
02:38
At least the exponential growth of information technology capability
56
158160
3000
Legalábbis az exponenciális növekedés az információtechnológia lehetőségeiben
02:41
will continue unabated.
57
161160
3000
továbbra sem fog csökkenni.
02:44
And I just updated these graphs.
58
164160
2000
Nemrég frissítettem ezeket az ábrákat.
02:46
Because I had them through 2002 in my book, "The Singularity is Near."
59
166160
3000
Mivel 2002-ig volt meg nekem a "Közel a szingularitás" című könyvemben.
02:49
So we updated them,
60
169160
2000
Tehát frissítettük,
02:51
so I could present it here, to 2007.
61
171160
3000
így meg tudom mutatni itt 2007-ig.
02:54
And I was asked, "Well aren't you nervous?
62
174160
2000
Megkérdezték tőlem: "Nem ideges?
02:56
Maybe it kind of didn't stay on this exponential progression."
63
176160
4000
Talán lekerültünk az exponenciális növekedés görbéjéről."
03:00
I was a little nervous
64
180160
2000
Kicsit ideges voltam
03:02
because maybe the data wouldn't be right,
65
182160
2000
mert talán nem voltak jók az adatok,
03:04
but I've done this now for 30 years,
66
184160
2000
de ezt csinálom már harminc éve,
03:06
and it has stayed on this exponential progression.
67
186160
3000
és eddig az exponenciális görbén maradtak.
03:09
Look at this graph here.You could buy one transistor for a dollar in 1968.
68
189160
3000
Nézzék ezt az ábrát. Egy dollárért egy tranzisztort vehettek 1968-ban.
03:12
You can buy half a billion today,
69
192160
2000
Ma félmilliárdot lehet,
03:14
and they are actually better, because they are faster.
70
194160
2000
és tulajdonképpen jobbak is, mivel gyorsabbak.
03:16
But look at how predictable this is.
71
196160
2000
De nézzék milyen kiszámítható is ez.
03:18
And I'd say this knowledge is over-fitting to past data.
72
198160
3000
És én azt mondanám, hogy ez túlilleszkedik a régi adatokra.
03:21
I've been making these forward-looking predictions for about 30 years.
73
201160
4000
Már harminc éve készítem ezeket az előrejelzéseket,
03:25
And the cost of a transistor cycle,
74
205160
2000
és egy tranzisztor-ciklus költsége,
03:27
which is a measure of the price performance of electronics,
75
207160
2000
ami a mértéke az elektronika ár-teljesítményének,
03:29
comes down about every year.
76
209160
2000
minden évben csökken.
03:31
That's a 50 percent deflation rate.
77
211160
2000
Ez egy 50%-os csökkenési ráta.
03:33
And it's also true of other examples,
78
213160
2000
És ez igaz más példákra is,
03:35
like DNA data or brain data.
79
215160
2000
mint a DNS-információra vagy agy-információra.
03:37
But we more than make up for that.
80
217160
2000
De ennél többet is teljesítünk.
03:39
We actually ship more than twice as much
81
219160
2000
Tulajdonképpen több, mint kétszeresére vagyunk képesek
03:41
of every form of information technology.
82
221160
2000
az információtechnológia minden formájában.
03:43
We've had 18 percent growth in constant dollars
83
223160
3000
18%-os növekedést produkáltunk konstans dollárban számolva
03:46
in every form of information technology for the last half-century,
84
226160
3000
az információtechnológia minden formájában az utolsó fél évszázadban,
03:49
despite the fact that you can get twice as much of it each year.
85
229160
4000
annak ellenére, hogy minden évben megduplázódik.
03:53
This is a completely different example.
86
233160
2000
Ez egy teljesen más példa.
03:55
This is not Moore's Law.
87
235160
2000
Ez nem Moore törvénye.
03:57
The amount of DNA data
88
237160
2000
A DNS-adataink mennyiségét
03:59
we've sequenced has doubled every year.
89
239160
2000
minden évben megdupláztuk.
04:01
The cost has come down by half every year.
90
241160
3000
A költsége minden évben felére csökkent.
04:04
And this has been a smooth progression
91
244160
2000
És ez egy egyenletes fejlődés volt
04:06
since the beginning of the genome project.
92
246160
2000
már a genom projekt kezdetétől.
04:08
And halfway through the project, skeptics said,
93
248160
2000
A projekt felénél a szkeptikusok azt mondták:
04:10
"Well, this is not working out. You're halfway through the genome project
94
250160
3000
"Nos, ez nem fog működni. A genom projekt felénél vagytok,
04:13
and you've finished one percent of the project."
95
253160
2000
de csak az 1%-át végeztétek el."
04:15
But that was really right on schedule.
96
255160
2000
De teljesen menetrend szerint haladtunk.
04:17
Because if you double one percent seven more times,
97
257160
2000
Mivel ha hétszer duplázzuk az egy százalékot,
04:19
which is exactly what happened,
98
259160
2000
és pontosan ez történt,
04:21
you get 100 percent. And the project was finished on time.
99
261160
3000
100%-ot kapunk. És a projekt időben befejeződött.
04:24
Communication technologies:
100
264160
2000
Kommunikációs technológiák:
04:26
50 different ways to measure this,
101
266160
2000
50 különböző módon lehet mérni ezeket,
04:28
the number of bits being moved around, the size of the Internet.
102
268160
3000
az átvitt bitek számával, az Internet nagyságával.
04:31
But this has progressed at an exponential pace.
103
271160
2000
De ez exponenciális mértékben fejlődött.
04:33
This is deeply democratizing.
104
273160
2000
Ez nagyon demokratizáló hatású.
04:35
I wrote, over 20 years ago in "The Age of Intelligent Machines,"
105
275160
3000
20 évvel ezelőtt azt írtam a "Az intelligens gépek kora"-ban,
04:38
when the Soviet Union was going strong, that it would be swept away
106
278160
3000
mikor a Szovjetúnió erős volt, hogy el lesz söpörve
04:41
by this growth of decentralized communication.
107
281160
4000
a decentralizált kommunikáció ilyen növekedésével.
04:45
And we will have plenty of computation as we go through the 21st century
108
285160
3000
És elég számítási kapacitásunk lesz a XXI. században
04:48
to do things like simulate regions of the human brain.
109
288160
4000
olyan feladatokhoz, mint agyterületek szimulálása.
04:52
But where will we get the software?
110
292160
2000
De honnan lesz szoftverünk?
04:54
Some critics say, "Oh, well software is stuck in the mud."
111
294160
3000
Egyek kritikusok azt mondják: "Ó, a szoftverek megakadtak."
04:57
But we are learning more and more about the human brain.
112
297160
2000
De egyre többet és többet tanulunk az emberi agyról.
04:59
Spatial resolution of brain scanning is doubling every year.
113
299160
3000
Az agyi képalkotó eljárások térbeli felbontása évente duplázódik.
05:02
The amount of data we're getting about the brain is doubling every year.
114
302160
3000
Az agyról szerzett információnk minden évben megduplázódik.
05:05
And we're showing that we can actually turn this data
115
305160
3000
És megmutatjuk, hogy át tudjuk alakítani ezt az információt
05:08
into working models and simulations of brain regions.
116
308160
3000
működő modellekké és agyterületek szimulációjává.
05:11
There is about 20 regions of the brain that have been modeled,
117
311160
2000
Nagyjából húsz olyan agyterület van, amit modelleztünk,
05:13
simulated and tested:
118
313160
2000
szimuláltunk és teszteltünk:
05:15
the auditory cortex, regions of the visual cortex;
119
315160
3000
a hallóközpontot, a látóközpont egyes részeit,
05:18
cerebellum, where we do our skill formation;
120
318160
2000
a kisagyat, ahol az tehetségünk rejtőzik,
05:20
slices of the cerebral cortex, where we do our rational thinking.
121
320160
4000
az agykéreg szeleteit, ahol pedig a racionális gondolkodásunk van.
05:24
And all of this has fueled
122
324160
2000
És mindezt egy
05:26
an increase, very smooth and predictable, of productivity.
123
326160
3000
növekvő, nagyon sima és kiszámítható eredményesség tette lehetővé.
05:29
We've gone from 30 dollars to 130 dollars
124
329160
2000
30 dollárról 130 dollárra nőtt
05:31
in constant dollars in the value of an average hour of human labor,
125
331160
4000
konstans dollárban számolva egy átlagos labor egy órás használatának értéke,
05:35
fueled by this information technology.
126
335160
3000
amit ez az információtechnológia tett lehetővé.
05:38
And we're all concerned about energy and the environment.
127
338160
3000
És mindannyian törődünk az energiával és a környezetünkkel.
05:41
Well this is a logarithmic graph.
128
341160
2000
Ez egy logaritmikus ábra.
05:43
This represents a smooth doubling,
129
343160
2000
Ez egy finom duplázást mutat,
05:45
every two years, of the amount of solar energy we're creating,
130
345160
4000
minden két évben, az általunk termelt napenergia mennyiségében,
05:49
particularly as we're now applying nanotechnology,
131
349160
2000
kiváltképpen most amikor nanotechnológiát alkalmazunk,
05:51
a form of information technology, to solar panels.
132
351160
3000
az információtechnológia egy formáját, napelemekre.
05:54
And we're only eight doublings away
133
354160
2000
És csak nyolc duplázásra vagyunk attól,
05:56
from it meeting 100 percent of our energy needs.
134
356160
2000
hogy ez elérje az energiaszükségletünk 100%-át.
05:58
And there is 10 thousand times more sunlight than we need.
135
358160
4000
És 10000-szer annyi napenergia van, mint amennyire szükségünk lenne.
06:02
We ultimately will merge with this technology. It's already very close to us.
136
362160
5000
Véglegesen össze fogunk fonódni ezzel a technológiával. Már most közel vagyunk hozzá.
06:07
When I was a student it was across campus, now it's in our pockets.
137
367160
3000
Amikor diák voltam az egész kampuszt elfoglalta, most elfér a zsebünkben.
06:10
What used to take up a building now fits in our pockets.
138
370160
3000
Amihez korábban egy épület kellett ma már elfér a zsebünkben.
06:13
What now fits in our pockets would fit in a blood cell in 25 years.
139
373160
3000
Ami ma elfér a zsebünkben az el fog férni egy vérsejtben 25 éven belül.
06:16
And we will begin to actually deeply influence
140
376160
4000
És egyre inkább kezdünk egyre mélyebb hatással lenni
06:20
our health and our intelligence,
141
380160
2000
az egészségünkre és az intelligenciánkra,
06:22
as we get closer and closer to this technology.
142
382160
4000
ahogy közelebb és közelebb kerülünk ehhez a technológiához.
06:26
Based on that we are announcing, here at TED,
143
386160
3000
Mindezekután bejelentjük, itt a TED-en,
06:29
in true TED tradition, Singularity University.
144
389160
3000
a TED hagyományaihoz híven, a Szingularitás Egyetemét.
06:32
It's a new university
145
392160
2000
Ez egy új egyetem,
06:34
that's founded by Peter Diamandis, who is here in the audience,
146
394160
2000
aminek az alapítói Peter Diamandis, aki itt van a közönség soraiban,
06:36
and myself.
147
396160
2000
és én.
06:38
It's backed by NASA and Google,
148
398160
2000
Támogatja a NASA és a Google,
06:40
and other leaders in the high-tech and science community.
149
400160
4000
valamint a high-tech és a tudományos világ más vezető közösségei.
06:44
And our goal was to assemble the leaders,
150
404160
3000
És a célunk az volt, hogy összegyűjtsük a vezetőket,
06:47
both teachers and students,
151
407160
2000
tanárokat és diákokat egyaránt,
06:49
in these exponentially growing information technologies,
152
409160
2000
ezekből az exponenciálisan növekedő információtechnológiákból,
06:51
and their application.
153
411160
2000
és az alkalmazásaikból.
06:53
But Larry Page made an impassioned speech
154
413160
2000
De Larry Page tartott egy szenvedélyes beszédet,
06:55
at our organizing meeting,
155
415160
2000
a szervezői megbeszélésen,
06:57
saying we should devote this study
156
417160
5000
ahol azt mondta, hogy ezt a tudást szenteljük
07:02
to actually addressing some of the major challenges facing humanity.
157
422160
4000
azoknak a nagy kihívásoknak, amikkel az emberiség szembesül.
07:06
And if we did that, then Google would back this.
158
426160
2000
Ha így tettünk volna, a Goggle is támogatott volna.
07:08
And so that's what we've done.
159
428160
2000
Így ezt tettük.
07:10
The last third of the nine-week intensive summer session
160
430160
4000
Az utolsó harmada a kilenchetes intenzív nyári periódusnak
07:14
will be devoted to a group project to address
161
434160
2000
olyan projekteknek lett szentelve,
07:16
some major challenge of humanity.
162
436160
2000
amelyek az emberiség néhány nagy kihívásával foglalkoznak.
07:18
Like for example, applying the Internet,
163
438160
2000
Tehát például, az Internetet használva,
07:20
which is now ubiquitous, in the rural areas of China or in Africa,
164
440160
5000
ami már mindenhol elterjedt, Kína és Afrika falusi területein is,
07:25
to bringing health information
165
445160
2000
küldjünk egészségügyi információkat
07:27
to developing areas of the world.
166
447160
3000
a világ fejlődő területeire.
07:30
And these projects will continue past these sessions,
167
450160
3000
És a projektek folytatódni fognak a periódus befejezte után,
07:33
using collaborative interactive communication.
168
453160
3000
együttműködő, interaktív kommunikációval.
07:36
All the intellectual property that is created and taught
169
456160
4000
Minden létrehozott vagy tanított szellemi tulajdon
07:40
will be online and available,
170
460160
2000
elérhető lesz online,
07:42
and developed online in a collaborative fashion.
171
462160
3000
és együttműködve, online lesz fejlesztve.
07:45
Here is our founding meeting.
172
465160
2000
Ez az alakuló ülésünk.
07:47
But this is being announced today.
173
467160
2000
De ez ma lett bejelentve.
07:49
It will be permanently headquartered in Silicon Valley,
174
469160
3000
A Szilícium-völgyben lesz a végleges központja,
07:52
at the NASA Ames research center.
175
472160
2000
a NASA Ames kutatóközpontjában.
07:54
There are different programs for graduate students,
176
474160
2000
Különböző programjaink lesznek a diákok,
07:56
for executives at different companies.
177
476160
3000
a különböző cégek vezetői számára.
07:59
The first six tracks here -- artificial intelligence,
178
479160
2000
Az első hat témakör -- mesterséges intelligencia,
08:01
advanced computing technologies, biotechnology, nanotechnology --
179
481160
3000
haladó számítástechnika, biotechnológia, nanotechnológia --
08:04
are the different core areas of information technology.
180
484160
4000
különböző központi területei az információtechnológiának.
08:08
Then we are going to apply them to the other areas,
181
488160
2000
Ezután más területekre kezdjük alkalmazni őket,
08:10
like energy, ecology,
182
490160
3000
mint energia, ökológia,
08:13
policy law and ethics, entrepreneurship,
183
493160
2000
jog és erkölcs, fejlesztő-vállalkozások,
08:15
so that people can bring these new technologies to the world.
184
495160
4000
így az emberek elhozhatják ezeket az új technológiákat a világnak.
08:19
So we're very appreciative of the support we've gotten
185
499160
5000
Tehát nagyon hálásak vagyunk a segítségért amit kaptunk,
08:24
from both the intellectual leaders, the high-tech leaders,
186
504160
2000
mind az intellektuális vezetőktől, mind a high-tech vezetőktől,
08:26
particularly Google and NASA.
187
506160
2000
különösen a Google-nak és a NASA-nak.
08:28
This is an exciting new venture.
188
508160
2000
Ez egy nagyszerű új kihívás.
08:30
And we invite you to participate. Thank you very much.
189
510160
3000
És meghívjuk Önöket, hogy vegyenek részt ebben. Köszönöm.
08:33
(Applause)
190
513160
3000
(Taps)
Erről a weboldalról

Ez az oldal olyan YouTube-videókat mutat be, amelyek hasznosak az angol nyelvtanuláshoz. A világ minden tájáról származó, kiváló tanárok által tartott angol leckéket láthatsz. Az egyes videók oldalán megjelenő angol feliratokra duplán kattintva onnan játszhatja le a videót. A feliratok a videó lejátszásával szinkronban gördülnek. Ha bármilyen észrevétele vagy kérése van, kérjük, lépjen kapcsolatba velünk ezen a kapcsolatfelvételi űrlapon.

https://forms.gle/WvT1wiN1qDtmnspy7