The accelerating power of technology | Ray Kurzweil

305,817 views ・ 2007-01-12

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Kardos Balint Lektor: David Bernhardt
00:25
Well, it's great to be here.
0
25000
1000
Nagyszerű itt lenni.
00:26
We've heard a lot about the promise of technology, and the peril.
1
26000
5000
Rengetegszer hallottunk a technika ígéretes fejlődéséről, ugyanakkor buktatóiról is.
00:31
I've been quite interested in both.
2
31000
2000
Engem mindkét lehetőség nagyon érdekel.
00:33
If we could convert 0.03 percent
3
33000
4000
Ha át tudnánk alakítani a Földet érő napfény
00:37
of the sunlight that falls on the earth into energy,
4
37000
2000
0.03 százalékát energiává,
00:39
we could meet all of our projected needs for 2030.
5
39000
5000
ki tudnánk elégíteni a 2030-ig jósolt teljes energia-igényünket.
00:44
We can't do that today because solar panels are heavy,
6
44000
3000
Ma ez még lehetetlen, mert a napelemek nehezek,
00:47
expensive and very inefficient.
7
47000
2000
drágák és nem valami hatékonyak.
00:49
There are nano-engineered designs,
8
49000
3000
De léteznek olyan nanotechnológián alapuló tervek
00:52
which at least have been analyzed theoretically,
9
52000
2000
amelyekkel – legalábbis elméletileg elemezve – lehetséges,
00:54
that show the potential to be very lightweight,
10
54000
2000
hogy nagyon könnyűvé,
00:56
very inexpensive, very efficient,
11
56000
2000
nagyon olcsóvá és nagyon hatékonnyá tudnak válni,
00:58
and we'd be able to actually provide all of our energy needs in this renewable way.
12
58000
4000
így képesek lennének az összes energiaszükségletünket megújuló módon biztosítani.
01:02
Nano-engineered fuel cells
13
62000
2000
A nano-tervezésű üzemanyag-cellák
01:04
could provide the energy where it's needed.
14
64000
3000
ott tudják szolgáltatni az energiát, ahol arra szükség van.
01:07
That's a key trend, which is decentralization,
15
67000
2000
Ez a fő trend, ami a decentralizáció,
01:09
moving from centralized nuclear power plants and
16
69000
3000
az elmozdulás a centralizált nukleáris erőművek és
01:12
liquid natural gas tankers
17
72000
2000
a folyékony földgáz tankerek irányából
01:14
to decentralized resources that are environmentally more friendly,
18
74000
4000
a decentralizált források felé, melyek környezetbarátabbak
01:18
a lot more efficient
19
78000
3000
és sokkal hatékonyabbak,
01:21
and capable and safe from disruption.
20
81000
4000
alkalmasabbak és hibatűrőbbek.
01:25
Bono spoke very eloquently,
21
85000
2000
Bono igazán ékesszólóan beszélt:
01:27
that we have the tools, for the first time,
22
87000
4000
megvannak végre az eszközeink, hogy a történelemben először
01:31
to address age-old problems of disease and poverty.
23
91000
4000
megoldjuk a betegség és a szegénység évszázados problémáit.
01:35
Most regions of the world are moving in that direction.
24
95000
4000
A világ legtöbb része ebbe az irányba tart.
01:39
In 1990, in East Asia and the Pacific region,
25
99000
4000
1990-ben, Kelet-Ázsiában és a csendes-óceáni régióban
01:43
there were 500 million people living in poverty --
26
103000
2000
500 millió ember élt szegénységben –
01:45
that number now is under 200 million.
27
105000
3000
ez a szám ma már 200 millió alá csökkent.
01:48
The World Bank projects by 2011, it will be under 20 million,
28
108000
3000
A Világbank előrejelzése szerint 2011-re ez a szám 20 millió lesz,
01:51
which is a reduction of 95 percent.
29
111000
3000
amely 95%-os csökkenést jelent.
01:54
I did enjoy Bono's comment
30
114000
3000
Tetszett Bono megjegyzése,
01:57
linking Haight-Ashbury to Silicon Valley.
31
117000
4000
amelyben Haight-Ashbury-t a Szilíciumvölgyhöz kapcsolta.
02:01
Being from the Massachusetts high-tech community myself,
32
121000
3000
Mivel magam a Massachusetts-i high-tech közösség tagja vagyok,
02:04
I'd point out that we were hippies also in the 1960s,
33
124000
4000
megjegyezném, hogy mi is hippik voltunk a 1960-as években,
02:09
although we hung around Harvard Square.
34
129000
3000
habár mi a Harvard tér környékén lógtunk.
02:12
But we do have the potential to overcome disease and poverty,
35
132000
5000
De megvan bennünk a potenciál, hogy felülkerekedjünk a betegségeken és a szegénységen,
02:17
and I'm going to talk about those issues, if we have the will.
36
137000
3000
, - s ezekről a kérdésekről fogok is beszélni – ha meg van bennünk az akarat.
02:20
Kevin Kelly talked about the acceleration of technology.
37
140000
3000
Kevin Kelly a technológia[i fejlődés] gyorsulásáról beszélt
02:23
That's been a strong interest of mine,
38
143000
3000
Ezt nagy érdeklődéssel követtem,
02:26
and a theme that I've developed for some 30 years.
39
146000
3000
s egy olyan téma, amivel én is foglalkozom úgy 30 éve.
02:29
I realized that my technologies had to make sense when I finished a project.
40
149000
5000
Felismertem, hogy a [felhasznált] technológiáimnak értelmet kell kapniuk, amikor befejezek egy projektet.
02:34
That invariably, the world was a different place
41
154000
3000
S állandóan [azt tapasztaltam], hogy a világ még más volt,
02:37
when I would introduce a technology.
42
157000
2000
amikor bevezettem a technológiát.
02:39
And, I noticed that most inventions fail,
43
159000
2000
Továbbá, úgy vettem észre, hogy a legtöbb találmány elbukik,
02:41
not because the R&D department can't get it to work --
44
161000
3000
, de nem azért, mert a K+F (kutatás-fejlesztés) részleg nem tudja működésre bírni –
02:44
if you look at most business plans, they will actually succeed
45
164000
3000
ha megnézzük a legtöbb üzleti tervet, tulajdonképpen sikerre tudják vinni,
02:47
if given the opportunity to build what they say they're going to build --
46
167000
4000
amennyiben megkapják a lehetőséget, hogy azt építsék meg, amit terveznek építeni --
02:51
and 90 percent of those projects or more will fail, because the timing is wrong --
47
171000
3000
s mégis 90 vagy még nagyobb százaléka ezeknek a projekteknek sikertelen lesz, mivel rossz az időzítés –
02:54
not all the enabling factors will be in place when they're needed.
48
174000
3000
nem fog az összes, a [fejlesztést] lehetővé tevő faktor rendelkezésre állni, amikor szükség lenne rá.
02:57
So I began to be an ardent student of technology trends,
49
177000
4000
Ezért a technológiai trendek lelkes tanulmányozójává váltam,
03:01
and track where technology would be at different points in time,
50
181000
3000
hogy nyomon kövessem hol fog a technológia tartani egy különböző időpontokban,
03:04
and began to build the mathematical models of that.
51
184000
3000
s ezekből matematikai modelleket kezdtem építeni.
03:07
It's kind of taken on a life of its own.
52
187000
2000
Ez később önálló életet kezdett élni.
03:09
I've got a group of 10 people that work with me to gather data
53
189000
3000
Egy 10 fős csoport dolgozik velem, hogy a különféle területen elért,
03:12
on key measures of technology in many different areas, and we build models.
54
192000
5000
kulcsfontosságú technológiai megoldásokról adatot gyűjtsünk, s modelleket építsünk.
03:17
And you'll hear people say, well, we can't predict the future.
55
197000
3000
Lehet olyan hangokat hallani, hogy nem tudjuk a jövőt megjósolni.
03:20
And if you ask me,
56
200000
2000
Ha engem kérdeznek,
03:22
will the price of Google be higher or lower than it is today three years from now,
57
202000
3000
hogy a Google [részvények] többet vagy kevesebbet fognak érni három év múlva, mint ma,
03:25
that's very hard to say.
58
205000
2000
ezt nehéz megmondani.
03:27
Will WiMax CDMA G3
59
207000
3000
A WiMax CDMA G3 lesz-e
03:30
be the wireless standard three years from now? That's hard to say.
60
210000
2000
a vezeték nélküli szabvány három év múlva? Ezt szintén nehéz megmondani.
03:32
But if you ask me, what will it cost
61
212000
2000
De ha azt kérdezik, mekkora lesz a költsége
03:34
for one MIPS of computing in 2010,
62
214000
3000
egy MIPS számítási teljesítménynek 2010-ben,
03:37
or the cost to sequence a base pair of DNA in 2012,
63
217000
3000
vagy egy DNS-bázispár szekvenszálásának 2012-ben,
03:40
or the cost of sending a megabyte of data wirelessly in 2014,
64
220000
4000
vagy egy megabyte adat elküldésének vezeték nélküli kapcsolaton 2014-ben,
03:44
it turns out that those are very predictable.
65
224000
3000
nos, ez esetben kiderül, hogy ezek nagyon is megjósolhatóak.
03:47
There are remarkably smooth exponential curves
66
227000
2000
Rendkívül egyenletes exponenciális görbék vannak,
03:49
that govern price performance, capacity, bandwidth.
67
229000
3000
amelyek az ár-érték arányt, kapacitást és a sávszélességet irányítják.
03:52
And I'm going to show you a small sample of this,
68
232000
2000
S meg is fogom mutatni egy kis mintáját ennek,
03:54
but there's really a theoretical reason
69
234000
2000
de ténylegesen egy elméleti ok van amögött,
03:56
why technology develops in an exponential fashion.
70
236000
5000
hogy a technológia exponenciális módon fejlődik.
04:01
And a lot of people, when they think about the future, think about it linearly.
71
241000
2000
Sokan, amikor a jövőről beszélnek, egy egyenesként gondolnak rá.
04:03
They think they're going to continue
72
243000
2000
Úgy gondolják, hogy a jelen eszközeivel,
04:05
to develop a problem
73
245000
2000
a jelen fejlődési ütemében
04:07
or address a problem using today's tools,
74
247000
3000
fogják a problémák felismerését
04:10
at today's pace of progress,
75
250000
2000
és azok megoldását is folytatni,
04:12
and fail to take into consideration this exponential growth.
76
252000
4000
s hibásan nem veszik figyelembe ezt az exponenciális növekedést.
04:16
The Genome Project was a controversial project in 1990.
77
256000
3000
A Genome Project (génállomány projekt) egy ellentmondásos vállalkozás volt 1990-ben.
04:19
We had our best Ph.D. students,
78
259000
2000
A legjobb Ph.D. hallgatók,
04:21
our most advanced equipment around the world,
79
261000
2000
a legfejlettebb eszközök álltak rendelkezésünkre szerte a világban,
04:23
we got 1/10,000th of the project done,
80
263000
2000
s csak a tízezredét sikerült a projektnek elvégezni,
04:25
so how're we going to get this done in 15 years?
81
265000
2000
tehát hogy fogjuk befejezni 15 év leforgása alatt?
04:27
And 10 years into the project,
82
267000
3000
10 évvel a projekt indulása után
04:31
the skeptics were still going strong -- says, "You're two-thirds through this project,
83
271000
2000
a szkeptikusok még mindig erősen kritikusok voltak – „a projekt kétharmadánál járnak,
04:33
and you've managed to only sequence
84
273000
2000
s még mindig csak egy nagyon kis százalékát sikerült
04:35
a very tiny percentage of the whole genome."
85
275000
3000
szekvenszálni az egész génállománynak”.
04:38
But it's the nature of exponential growth
86
278000
2000
De ez az exponenciális növekedés természete
04:40
that once it reaches the knee of the curve, it explodes.
87
280000
2000
– amint eléri a görbe „térdét”, kirobban.
04:42
Most of the project was done in the last
88
282000
2000
A projekt legnagyobb része
04:44
few years of the project.
89
284000
2000
az utolsó pár évben készült el.
04:46
It took us 15 years to sequence HIV --
90
286000
2000
15 évünkbe került a HIV-vírus szekvenszálása,
04:48
we sequenced SARS in 31 days.
91
288000
2000
a SARS vírusé csak 31 napig tartott.
04:50
So we are gaining the potential to overcome these problems.
92
290000
4000
Tehát megszereztük a potenciált, hogy felülkerekedjünk ezeken a problémákon.
04:54
I'm going to show you just a few examples
93
294000
2000
Mutatni fogok pár példát,
04:56
of how pervasive this phenomena is.
94
296000
3000
mennyire átható is valójában ez a jelenség.
04:59
The actual paradigm-shift rate, the rate of adopting new ideas,
95
299000
4000
A jelenlegi paradigmaváltás mértéke, az új ötletek elfogadásának mértéke
05:03
is doubling every decade, according to our models.
96
303000
3000
minden évtizedben megduplázódik a modelljeink szerint.
05:06
These are all logarithmic graphs,
97
306000
3000
Ezek mind logaritmikus grafikonok,
05:09
so as you go up the levels it represents, generally multiplying by factor of 10 or 100.
98
309000
3000
tehát ha felfele haladunk a szinteken amelyeket képviselnek, általában 10 vagy 100-szorosára sokszorozódnak.
05:12
It took us half a century to adopt the telephone,
99
312000
3000
Fél évszázadunkba telt, hogy hozzászokjunk a telefonhoz,
05:15
the first virtual-reality technology.
100
315000
3000
amely az első virtuális-valóság technológia volt.
05:18
Cell phones were adopted in about eight years.
101
318000
2000
A mobiltelefonokhoz már csak nyolc év kellett.
05:20
If you put different communication technologies
102
320000
3000
Ha a különböző kommunikációs technológiákat
05:23
on this logarithmic graph,
103
323000
2000
erre a logaritmusos grafikonra helyezzük,
05:25
television, radio, telephone
104
325000
2000
a televízió, rádió, a telefon
05:27
were adopted in decades.
105
327000
2000
mind több évtizedekig tartott, míg elfogadott lett.
05:29
Recent technologies -- like the PC, the web, cell phones --
106
329000
3000
A jelenlegi technológiák – mint a PC, a web, a mobil telefonok --
05:32
were under a decade.
107
332000
2000
mind kevesebb, mint egy évtized alatt.
05:34
Now this is an interesting chart,
108
334000
2000
Nos ezért érdekes ez az ábra,
05:36
and this really gets at the fundamental reason why
109
336000
2000
és ezzel válik érthetővé az az alapvető ok,
05:38
an evolutionary process -- and both biology and technology are evolutionary processes --
110
338000
4000
hogy egy evolúciós folyamat – a biológia, és a technológia is evolúciós folyamat –
05:42
accelerate.
111
342000
2000
miért gyorsul fel.
05:44
They work through interaction -- they create a capability,
112
344000
3000
Az interakción keresztül működnek – megteremtik a képességet,
05:47
and then it uses that capability to bring on the next stage.
113
347000
3000
majd felhasználják ezt a képességet, hogy előidézzék a következő fejlődési fokozatot.
05:50
So the first step in biological evolution,
114
350000
3000
Az első lépés a biológiai evolúcióban
05:53
the evolution of DNA -- actually it was RNA came first --
115
353000
2000
a DNS evolúciója volt – valójában az RNS volt előbb –
05:55
took billions of years,
116
355000
2000
évmilliárdokig tartott,
05:57
but then evolution used that information-processing backbone
117
357000
3000
de az evolúció ezt az információ-feldolgozási gerincet használta fel,
06:00
to bring on the next stage.
118
360000
2000
hogy a következő fejlődési fokozatba lépjen.
06:02
So the Cambrian Explosion, when all the body plans of the animals were evolved,
119
362000
3000
A kambriumi robbanás, amikor az összes állat testének „tervrajza” kifejlődött,
06:05
took only 10 million years. It was 200 times faster.
120
365000
4000
csak 10 millió évig tartott. 200-szor gyorsabb volt.
06:09
And then evolution used those body plans
121
369000
2000
Majd az evolúció ezeket a tervrajzokat használta,
06:11
to evolve higher cognitive functions,
122
371000
2000
hogy magasabb kognitív funkciókat fejlesszen ki,
06:13
and biological evolution kept accelerating.
123
373000
2000
és a biológiai evolúció tovább gyorsult.
06:15
It's an inherent nature of an evolutionary process.
124
375000
3000
. Ez az evolúciós folyamat vele járó természete.
06:18
So Homo sapiens, the first technology-creating species,
125
378000
3000
Úgyis, mint a Homo sapiensé, az első technológia-alkotó fajé,
06:21
the species that combined a cognitive function
126
381000
2000
azé a fajé, amely kombinálta a kognitív funkciót
06:23
with an opposable appendage --
127
383000
2000
egyik szembefordítható tartozékával –
06:25
and by the way, chimpanzees don't really have a very good opposable thumb --
128
385000
4000
apropó, a csimpánzoknak nem igazán van szembefordítható hüvelykujja –
06:29
so we could actually manipulate our environment with a power grip
129
389000
2000
tehát mi valóban manipulálni tudjuk a környezetünket erős fogással
06:31
and fine motor coordination,
130
391000
2000
és finom-motorikus koordinációval,
06:33
and use our mental models to actually change the world
131
393000
2000
a mentális modelljeinket tudjuk használni, hogy ténylegesen megváltoztassuk a világot,
06:35
and bring on technology.
132
395000
2000
s előidézzük a technológiát.
06:37
But anyway, the evolution of our species took hundreds of thousands of years,
133
397000
3000
Akárhogyis, fajunk evolúciója több százezer évig tartott,
06:40
and then working through interaction,
134
400000
2000
és az interakción keresztül
06:42
evolution used, essentially,
135
402000
2000
az evolúció alapvetően
06:44
the technology-creating species to bring on the next stage,
136
404000
3000
a technológia-alkotó fajt használta fel, hogy a következő szintre lépjen,
06:47
which were the first steps in technological evolution.
137
407000
3000
amelyek a technikai evolúció első lépései voltak.
06:50
And the first step took tens of thousands of years --
138
410000
3000
Az első lépés több tízezer évig tartott –
06:53
stone tools, fire, the wheel -- kept accelerating.
139
413000
3000
kőszerszámok, tűz, a kerék – s egyre csak gyorsult a folyamat.
06:56
We always used then the latest generation of technology
140
416000
2000
Mindig a legutolsó generációs technológiát használtuk fel,
06:58
to create the next generation.
141
418000
2000
hogy megteremtsük a következő generációt.
07:00
Printing press took a century to be adopted;
142
420000
2000
A nyomdagép adaptációja egy évszázad volt,
07:02
the first computers were designed pen-on-paper -- now we use computers.
143
422000
4000
az első számítógépeket papíron tervezték – most már számítógépeket használunk erre.
07:06
And we've had a continual acceleration of this process.
144
426000
3000
S ennek a folyamatnak a szakadatlan gyorsulását éljük.
07:09
Now by the way, if you look at this on a linear graph, it looks like everything has just happened,
145
429000
3000
Most pedig, ha ezt a folyamatot a lineáris grafikonon néznénk, úgy tűnne, hogy minden csak úgy megtörtént,
07:12
but some observer says, "Well, Kurzweil just put points on this graph
146
432000
6000
de pár szemlélő azt mondaná „nahát, Kurzweil csak pontokat rakott erre a grafikonra,
07:18
that fall on that straight line."
147
438000
2000
amelyek egy egyenest alkotnak”.
07:20
So, I took 15 different lists from key thinkers,
148
440000
3000
Ezért fogtam 15 különböző listát a fontos véleményformálóktól,
07:23
like the Encyclopedia Britannica, the Museum of Natural History, Carl Sagan's Cosmic Calendar
149
443000
4000
mint például az Encyclopedia Britannica, a Természet-történeti Múzeum, vagy Carl Sagan Kozmikus kalendáriuma –
07:27
on the same -- and these people were not trying to make my point;
150
447000
3000
s ezek a szerzők nem próbálták bizonyítani az állításomat;
07:30
these were just lists in reference works,
151
450000
2000
ezek csak felsorolások voltak referenciamunkákban,
07:32
and I think that's what they thought the key events were
152
452000
3000
s úgy gondolom ez volt, amit ők
07:35
in biological evolution and technological evolution.
153
455000
3000
a biológiai és technológiai fejlődés kulcs eseményeinek gondoltak.
07:38
And again, it forms the same straight line. You have a little bit of thickening in the line
154
458000
3000
S ismét, ez ugyanazt az egyenes vonalat adja. Egy kis sűrűsödés van a vonalban,
07:41
because people do have disagreements, what the key points are,
155
461000
3000
mivel az emberek között van némi vita, mik a kulcsesemények,
07:44
there's differences of opinion when agriculture started,
156
464000
2000
eltérnek a vélemények abban, hogy mikor kezdődött a mezőgazdaság,
07:46
or how long the Cambrian Explosion took.
157
466000
3000
vagy meddig tartott a kambriai robbanás.
07:49
But you see a very clear trend.
158
469000
2000
De látható egy nagyon tiszta trend:
07:51
There's a basic, profound acceleration of this evolutionary process.
159
471000
5000
jelen van egy alapvető, beható gyorsulása ennek az evolúciós folyamatnak.
07:56
Information technologies double their capacity, price performance, bandwidth,
160
476000
5000
Az információs technológiák megduplázzák a kapacitásukat, ár-érték arányukat, sávszélességüket
08:01
every year.
161
481000
2000
minden évben,
08:03
And that's a very profound explosion of exponential growth.
162
483000
4000
s ez egy igencsak beható robbanása az exponenciális növekedésnek.
08:07
A personal experience, when I was at MIT --
163
487000
2000
Személyes tapasztalatom, amikor az MIT-n voltam,
08:09
computer taking up about the size of this room,
164
489000
2000
az a számítógép, amely akkora helyet foglalt, mint ez az előadó,
08:11
less powerful than the computer in your cell phone.
165
491000
5000
sokkal kisebb teljesítményű, mint bárki mobiltelefonjában található számítógép.
08:16
But Moore's Law, which is very often identified with this exponential growth,
166
496000
4000
Moore törvénye, amelyet nagyon gyakran azonosítanak ezzel az exponenciális növekedéssel,
08:20
is just one example of many, because it's basically
167
500000
2000
csak egy példa a sok közül, mivel ez alapvetően
08:22
a property of the evolutionary process of technology.
168
502000
5000
csak egy tulajdonsága a technológia evolúciós folyamatának.
08:27
I put 49 famous computers on this logarithmic graph --
169
507000
3000
49 ismert számítógépet raktam erre a logaritmikus grafikonra –
08:30
by the way, a straight line on a logarithmic graph is exponential growth --
170
510000
4000
egyébként az egyenes vonal a logaritmikus grafikonon exponenciális növekedés –
08:34
that's another exponential.
171
514000
2000
ez egy másik exponenciális.
08:36
It took us three years to double our price performance of computing in 1900,
172
516000
3000
Három évünkbe került, hogy az megduplázzuk az informatikai ár-érték arányt 1900-ban,
08:39
two years in the middle; we're now doubling it every one year.
173
519000
3000
két évbe a század közepén, most pedig már évente duplázunk.
08:43
And that's exponential growth through five different paradigms.
174
523000
3000
S ez exponenciális növekedés öt különböző paradigmán keresztül.
08:46
Moore's Law was just the last part of that,
175
526000
2000
Moore törvénye csak ennek az utolsó része volt,
08:48
where we were shrinking transistors on an integrated circuit,
176
528000
3000
ahol is tranzisztorokat kicsinyítettünk integrált áramköri lapkán,
08:51
but we had electro-mechanical calculators,
177
531000
3000
de voltak elektro-mechanikus kalkulátoraink,
08:54
relay-based computers that cracked the German Enigma Code,
178
534000
2000
, relé-alapú számítógépek, amelyekkel feltörték a német Enigma-kódot,
08:56
vacuum tubes in the 1950s predicted the election of Eisenhower,
179
536000
4000
a vákuum csöves gépek az 1950-es években megjósolták Eisenhower megválasztását,
09:00
discreet transistors used in the first space flights
180
540000
3000
diszkrét tranzisztorokat használtak az első űrrepülések alkalmával,
09:03
and then Moore's Law.
181
543000
2000
s csak ezután jött Moore törvénye.
09:05
Every time one paradigm ran out of steam,
182
545000
2000
Minden alkalommal, amint egy paradigmából kifogyott a gőz,
09:07
another paradigm came out of left field to continue the exponential growth.
183
547000
3000
másik paradigma lépett a helyébe, hogy az exponenciális növekedés folytatódjon.
09:10
They were shrinking vacuum tubes, making them smaller and smaller.
184
550000
3000
Elkezdték kicsinyíteni a vákuumcsöveket, egyre kisebbek és kisebbek lettek.
09:13
That hit a wall. They couldn't shrink them and keep the vacuum.
185
553000
3000
Falba ütköztek, nem tudták tovább kicsinyíteni és megtartani a vákuumot.
09:16
Whole different paradigm -- transistors came out of the woodwork.
186
556000
2000
Egy teljesen különböző paradigma – a tranzisztorok érkeztek a laboratóriumból.
09:18
In fact, when we see the end of the line for a particular paradigm,
187
558000
3000
Tulajdonképpen, amikor látjuk a végét egy bizonyos paradigmának,
09:21
it creates research pressure to create the next paradigm.
188
561000
4000
az egy kutatási nyomást hoz létre, amely a következő paradigma megteremtésére vezet.
09:25
And because we've been predicting the end of Moore's Law
189
565000
3000
S mivel már jó ideje Moore törvényének végét jósoljuk
09:28
for quite a long time -- the first prediction said 2002, until now it says 2022.
190
568000
3000
– az első becslés 2002-re szólt, most ez már 2022 lett.
09:31
But by the teen years,
191
571000
3000
De a kétezer tízes évekre
09:34
the features of transistors will be a few atoms in width,
192
574000
3000
évekre a tranzisztorok kialakítása csak pár atomnyi széles lesz,
09:37
and we won't be able to shrink them any more.
193
577000
2000
s nem leszünk képesek tovább kicsinyíteni ezeket.
09:39
That'll be the end of Moore's Law, but it won't be the end of
194
579000
3000
Ez lesz az igazi vége a Moore törvénynek, de nem lesz egyben a végpontja
09:42
the exponential growth of computing, because chips are flat.
195
582000
2000
az informatika exponenciális növekedésének, csak azért mert a chipek laposak [síkban vannak].
09:44
We live in a three-dimensional world; we might as well use the third dimension.
196
584000
3000
Három-dimenziós világban élünk, ugyanúgy felhasználhatjuk a harmadik dimenziót.
09:47
We will go into the third dimension
197
587000
2000
. Be fogunk lépni a harmadik dimenzióba,
09:49
and there's been tremendous progress, just in the last few years,
198
589000
3000
s félelmetes növekedés látszik, az utóbbi pár évben
09:52
of getting three-dimensional, self-organizing molecular circuits to work.
199
592000
4000
amit a három-dimenzióssá válással, az önszervező molekuláris áramkörök készítésével töltöttünk.
09:56
We'll have those ready well before Moore's Law runs out of steam.
200
596000
7000
Hamarabb készen fognak állni, mielőtt Moore törvényéből kifogyna a szusz.
10:03
Supercomputers -- same thing.
201
603000
2000
A szuperszámítógépek – ugyanez.
10:06
Processor performance on Intel chips,
202
606000
3000
Az Intel chipekben a processzorok teljesítménye –
10:09
the average price of a transistor --
203
609000
3000
az átlagos ára egy tranzisztornak
10:12
1968, you could buy one transistor for a dollar.
204
612000
3000
1968-ban – egy dollár egy tranzisztort ért.
10:15
You could buy 10 million in 2002.
205
615000
3000
Ugyanennyiért 10 milliót kaphatunk 2002-ben.
10:18
It's pretty remarkable how smooth
206
618000
3000
Igencsak figyelemreméltó, mennyire egyenletes
10:21
an exponential process that is.
207
621000
2000
exponenciális folyamat ez.
10:23
I mean, you'd think this is the result of some tabletop experiment,
208
623000
3000
Úgy értem, gondolhatják, hogy ez csak egy íróasztal előtti kísérlet,
10:27
but this is the result of worldwide chaotic behavior --
209
627000
3000
ezzel szemben ez a világszintű kaotikus magatartás eredménye –
10:30
countries accusing each other of dumping products,
210
630000
2000
ilyen, mikor országok vádolják egymást termékdömpingekkel,
10:32
IPOs, bankruptcies, marketing programs.
211
632000
2000
ilyenek a tőzsdei bevezetések (IPO), a csődök és a marketing programok.
10:34
You would think it would be a very erratic process,
212
634000
3000
Úgy gondolnánk, hogy mindez egy igencsak egyenetlen folyamat,
10:37
and you have a very smooth
213
637000
2000
s mégis egy igen egyenletes
10:39
outcome of this chaotic process.
214
639000
2000
kimenetele van ennek a kaotikus folyamatnak.
10:41
Just as we can't predict
215
641000
2000
Csakúgy, minthogy nem tudjuk megjósolni,
10:43
what one molecule in a gas will do --
216
643000
2000
hogy egy bizonyos molekula egy gázban mit fog tenni –
10:45
it's hopeless to predict a single molecule --
217
645000
3000
teljesen reménytelen egy molekulát megjósolni –
10:48
yet we can predict the properties of the whole gas,
218
648000
2000
mégis tudjuk előre látni a teljes gáz tulajdonságait
10:50
using thermodynamics, very accurately.
219
650000
3000
a termodinamika használatával, egészen pontosan.
10:53
It's the same thing here. We can't predict any particular project,
220
653000
3000
Ugyanez a dolog működik itt is. Nem tudunk jóslatot adni egy adott projektre vonatkozóan,
10:56
but the result of this whole worldwide,
221
656000
2000
de az egész világszintű,
10:58
chaotic, unpredictable activity of competition
222
658000
5000
kaotikus, kiszámíthatatlan léte a versengésnek
11:03
and the evolutionary process of technology is very predictable.
223
663000
3000
és a technológiai haladás evolúciója nagyon is előre látható.
11:06
And we can predict these trends far into the future.
224
666000
3000
S előre láthatjuk ezeket a trendeket a távoli jövőre nézve is.
11:11
Unlike Gertrude Stein's roses,
225
671000
2000
Gertrude Stein rózsáival ellentétben,
11:13
it's not the case that a transistor is a transistor.
226
673000
2000
ez nem az „ez a tranzisztor ugyanaz a tranzisztor” esete.
11:15
As we make them smaller and less expensive,
227
675000
2000
Ahogy egyre kisebbé és kevésbé költségessé változtatjuk ezeket,
11:17
the electrons have less distance to travel.
228
677000
2000
az elektronoknak kevesebb utat kell megtenniük.
11:19
They're faster, so you've got exponential growth in the speed of transistors,
229
679000
4000
Gyorsabbak lesznek, tehát a tranzisztorok sebességében lesz exponenciális növekedés,
11:23
so the cost of a cycle of one transistor
230
683000
4000
, tehát egy tranzisztorciklus ára
11:27
has been coming down with a halving rate of 1.1 years.
231
687000
3000
ára fog megfeleződni 1.1 éves ütemben.
11:30
You add other forms of innovation and processor design,
232
690000
3000
Ha más innovációs formát vagy processzor-designt választunk,
11:33
you get a doubling of price performance of computing every one year.
233
693000
4000
, az ár-érték arány duplázódását kapjuk a számítási teljesítményben minden évben.
11:37
And that's basically deflation --
234
697000
3000
S ez alapvetően defláció –
11:40
50 percent deflation.
235
700000
2000
50 százalékos defláció.
11:42
And it's not just computers. I mean, it's true of DNA sequencing;
236
702000
3000
S nem csak a számítógépek tekintetében. Úgy értem ez igaz a DNS szekvenszálásra is;
11:45
it's true of brain scanning;
237
705000
2000
; igaz az agyi képalkotásra;
11:47
it's true of the World Wide Web. I mean, anything that we can quantify,
238
707000
2000
; igaz a World Wide Webre. Úgy értem, hogy minden, amit meg tudunk kvantálni,
11:49
we have hundreds of different measurements
239
709000
3000
s van több százféle különböző mérőszámunk,
11:52
of different, information-related measurements --
240
712000
3000
információtechológiai mérőszámok –
11:55
capacity, adoption rates --
241
715000
2000
kapacitás, adoptációs ráta –
11:57
and they basically double every 12, 13, 15 months,
242
717000
3000
s gyakorlatilag 12, 13, 15 havonta megduplázódnak,
12:00
depending on what you're looking at.
243
720000
2000
attól függően melyiket nézzük.
12:02
In terms of price performance, that's a 40 to 50 percent deflation rate.
244
722000
4000
Ár-érték arányban kifejezve ez 40-től 50 százalékos deflációs ráta,
12:07
And economists have actually started worrying about that.
245
727000
2000
s a közgazdászok máris aggódnak emiatt.
12:09
We had deflation during the Depression,
246
729000
2000
Deflációt tapasztaltunk a Világválság alatt,
12:11
but that was collapse of the money supply,
247
731000
2000
de az a pénz-ellátás összeomlása volt,
12:13
collapse of consumer confidence, a completely different phenomena.
248
733000
3000
a vásárlói bizalom összeomlása, egy teljesen különböző jelenség.
12:16
This is due to greater productivity,
249
736000
2000
A mi esetünkben ez a megnövekedett termelékenység miatt van,
12:19
but the economist says, "But there's no way you're going to be able to keep up with that.
250
739000
2000
de a közgazdászok válasza erre: „de nincs esély se rá, hogy ezt fent tudjuk tartani.
12:21
If you have 50 percent deflation, people may increase their volume
251
741000
3000
Ha 50 százalékos defláció van, akkor hiába növeljük a termelést
12:24
30, 40 percent, but they won't keep up with it."
252
744000
2000
30, 40 százalékkal, nem fognak tudni lépést tartani vele.”
12:26
But what we're actually seeing is that
253
746000
2000
Ezzel szemben, amit ténylegesen látunk az az,
12:28
we actually more than keep up with it.
254
748000
2000
, hogy igenis lépést tudunk tartani.
12:30
We've had 28 percent per year compounded growth in dollars
255
750000
3000
Dollárban számolva évente 28 százalékos konszolidált növekedés volt
12:33
in information technology over the last 50 years.
256
753000
3000
volt az információtechnológiában az elmúlt 50 évben.
12:36
I mean, people didn't build iPods for 10,000 dollars 10 years ago.
257
756000
4000
Persze az emberek nem vettek 10.000 dollárért iPodokat 10 évvel ezelőtt.
12:40
As the price performance makes new applications feasible,
258
760000
3000
. Amint az-érték arány az új alkalmazásokat megvalósíthatóvá teszi,
12:43
new applications come to the market.
259
763000
2000
az új alkalmazások megjelennek a piacon.
12:45
And this is a very widespread phenomena.
260
765000
3000
S ez egy eléggé elterjedt jelenség.
12:48
Magnetic data storage --
261
768000
2000
A mágneses adattárolás –
12:50
that's not Moore's Law, it's shrinking magnetic spots,
262
770000
3000
ez nem Moore törvénye szerint működik – csökkenő mágneses pontok,
12:53
different engineers, different companies, same exponential process.
263
773000
4000
más mérnökök, más gyártók, ugyanaz az exponenciális folyamat.
12:57
A key revolution is that we're understanding our own biology
264
777000
4000
A kulcsfordulat az, hogy ezeknek az informatikai feltételeknek
13:01
in these information terms.
265
781000
2000
a segítségével kezdjük megérteni a saját biológiánkat.
13:03
We're understanding the software programs
266
783000
2000
Megértjük azokat a szoftver-programokat,
13:05
that make our body run.
267
785000
2000
amelyek a testünket vezérlik.
13:07
These were evolved in very different times --
268
787000
2000
Ezek teljesen más korszakban fejlődtek ki –
13:09
we'd like to actually change those programs.
269
789000
2000
s mi képessé akarunk válni, hogy megváltoztassuk ezeket a programokat.
13:11
One little software program, called the fat insulin receptor gene,
270
791000
2000
Egy kis szoftver program, amelyet zsír-inzulin receptor génnek nevezünk,
13:13
basically says, "Hold onto every calorie,
271
793000
2000
, annyit mond: „ragaszkodj minden kalóriához,
13:15
because the next hunting season may not work out so well."
272
795000
4000
mert lehet a következő vadászszezon nem ilyen jól sül el”.
13:19
That was in the interests of the species tens of thousands of years ago.
273
799000
3000
Ez volt a fajunk érdeke több tízezer évvel ezelőtt.
13:22
We'd like to actually turn that program off.
274
802000
3000
Igazából ki szeretnénk ezt a programot kapcsolni.
13:25
They tried that in animals, and these mice ate ravenously
275
805000
3000
Állatkísérletekben már próbáltuk, a farkasétvágyú egerek
13:28
and remained slim and got the health benefits of being slim.
276
808000
2000
vékonyak maradtak, és a vékonyság összes egészségügyi előnyét bírták.
13:30
They didn't get diabetes; they didn't get heart disease;
277
810000
3000
Nem lettek cukorbetegek; nem voltak szívproblémáik,
13:33
they lived 20 percent longer; they got the health benefits of caloric restriction
278
813000
3000
20 százalékkal tovább éltek, a kalóriamegvonás összes egészségügyi előnyét élvezhették
13:36
without the restriction.
279
816000
2000
tényleges megvonás nélkül.
13:38
Four or five pharmaceutical companies have noticed this,
280
818000
3000
Négy vagy öt gyógyszergyártó vállalat figyelt fel erre,
13:41
felt that would be
281
821000
3000
s úgy gondolták
13:44
interesting drug for the human market,
282
824000
3000
érdekes gyógyszer lehet a humán piacra is –
13:47
and that's just one of the 30,000 genes
283
827000
2000
s ez csak egy a 30.000 génből,
13:49
that affect our biochemistry.
284
829000
3000
amely a biokémiánkra hatással van.
13:52
We were evolved in an era where it wasn't in the interests of people
285
832000
3000
Olyan érában fejlődtünk ki, amelyben a korombeli embereknek --
13:55
at the age of most people at this conference, like myself,
286
835000
3000
akik ezen a konferencián itt vannak, beleértve magamat is,
13:58
to live much longer, because we were using up the precious resources
287
838000
4000
nem állt érdekükben hogy sokáig éljenek, mivel értékes erőforrásokat használtak volna fel,
14:02
which were better deployed towards the children
288
842000
1000
amelyek hasznosabbak lettek volna a gyermekeknek
14:03
and those caring for them.
289
843000
2000
és a róluk gondoskodóknak.
14:05
So, life -- long lifespans --
290
845000
2000
Tehát a hosszú élettartamok,
14:07
like, that is to say, much more than 30 --
291
847000
2000
amelyek mondjuk 30 évnél hosszabbak,
14:09
weren't selected for,
292
849000
3000
nem voltak eleve [genetikailag] kiválasztottak,
14:12
but we are learning to actually manipulate
293
852000
3000
de most tanuljuk, hogyan tudjuk kezelni és ténylegesen megváltoztatni
14:15
and change these software programs
294
855000
2000
ezeket a szoftver programokat
14:17
through the biotechnology revolution.
295
857000
2000
a biotechnológiai forradalom keretei között.
14:19
For example, we can inhibit genes now with RNA interference.
296
859000
4000
Például, már tudunk géneket gátolni RNS beavatkozással.
14:23
There are exciting new forms of gene therapy
297
863000
2000
Izgalmas új formái jelentek meg a génterápiának,
14:25
that overcome the problem of placing the genetic material
298
865000
2000
, amelyek segítenek úrrá lenni a problémán, hogyan tudunk génanyagot elhelyezni
14:27
in the right place on the chromosome.
299
867000
2000
a megfelelő helyre a kromoszómán belül.
14:29
There's actually a -- for the first time now,
300
869000
3000
Van is éppen ilyen – először a történelemben,
14:32
something going to human trials, that actually cures pulmonary hypertension --
301
872000
3000
amely eljut az embereken végzett kísérletig – amely ténylegesen a tüdő-hipertóniát gyógyítja –
14:35
a fatal disease -- using gene therapy.
302
875000
3000
amely egy végzetes betegség – a génterápia használatával.
14:38
So we'll have not just designer babies, but designer baby boomers.
303
878000
3000
Tehát nem csak designer babáink lesznek, de designer baby-boomereink is.
14:41
And this technology is also accelerating.
304
881000
3000
S ez a technológia is gyorsul természetesen.
14:44
It cost 10 dollars per base pair in 1990,
305
884000
3000
10 dollárba került bázispáronként 1990-ben,
14:47
then a penny in 2000.
306
887000
2000
és egy penny-be 2000-ben.
14:49
It's now under a 10th of a cent.
307
889000
2000
Most már tized-cent alatt van.
14:51
The amount of genetic data --
308
891000
2000
A genetikai adat mennyisége –
14:53
basically this shows that smooth exponential growth
309
893000
3000
ténylegesen ez is azt az egyenletes exponenciális növekedésű
14:56
doubled every year,
310
896000
2000
duplázódást mutatja minden évben,
14:58
enabling the genome project to be completed.
311
898000
3000
teszi lehetővé a génállomány-projekt befejezését.
15:01
Another major revolution: the communications revolution.
312
901000
3000
Másik fő forradalmi irány: a kommunikáció forradalma.
15:04
The price performance, bandwidth, capacity of communications measured many different ways;
313
904000
5000
A kommunikáció ár-érték aránya, sávszélessége, kapacitása mind különféle módokon mérhető;
15:09
wired, wireless is growing exponentially.
314
909000
3000
vezetékes vagy vezeték nélküli – exponenciálisan nő.
15:12
The Internet has been doubling in power and continues to,
315
912000
3000
. Az Internet duplázódik erejében, s továbbra is ezt fogja tenni –
15:15
measured many different ways.
316
915000
2000
– több módszerrel mérve is.
15:17
This is based on the number of hosts.
317
917000
2000
A kiszolgálók száma szerint is igaz ez.
15:19
Miniaturization -- we're shrinking the size of technology
318
919000
2000
Miniatürizáció – a technológia befoglaló méretét
15:21
at an exponential rate,
319
921000
2000
méretét exponenciális rátával kicsinyítjük,
15:23
both wired and wireless.
320
923000
2000
mind a vezetékes, mind a vezeték nélküli [eszközök] esetében.
15:25
These are some designs from Eric Drexler's book --
321
925000
4000
Eric Drexler könyvéből ismerünk olyan terveket,
15:29
which we're now showing are feasible
322
929000
2000
– amelyek már megvalósíthatónak látszanak
15:31
with super-computing simulations,
323
931000
2000
szuper-számítógépes szimulációkkal,
15:33
where actually there are scientists building
324
933000
2000
ahol kutatók ténylegesen
15:35
molecule-scale robots.
325
935000
2000
molekula-méretű robotokat építenek.
15:37
One has one that actually walks with a surprisingly human-like gait,
326
937000
2000
Egyikük [robotjának] meghökkentően emberszerűen testtartása van
15:39
that's built out of molecules.
327
939000
3000
molekulákból felépítve.
15:42
There are little machines doing things in experimental bases.
328
942000
4000
Kis gépek végeznek feladatokat ezekben a kísérletekben.
15:46
The most exciting opportunity
329
946000
3000
A legizgalmasabb lehetőség lenne az,
15:49
is actually to go inside the human body
330
949000
2000
hogy az emberi testbe kerülhetnek,
15:51
and perform therapeutic and diagnostic functions.
331
951000
3000
s ott terápiás és diagnosztikus funkciókat láthatnak el.
15:54
And this is less futuristic than it may sound.
332
954000
2000
S ez sokkal kevésbé futurisztikus, mint amilyennek hallatszik
15:56
These things have already been done in animals.
333
956000
2000
– ezek már mind állatkísérletekben megvalósultak.
15:58
There's one nano-engineered device that cures type 1 diabetes. It's blood cell-sized.
334
958000
4000
Van egy nano-tervezésű eszköz, amely az 1. típusú cukorbetegséget gyógyítja, vérsejtre méretezve.
16:02
They put tens of thousands of these
335
962000
2000
Ezeknek a tízezreit
16:04
in the blood cell -- they tried this in rats --
336
964000
2000
a vérsejtekbe juttatva – mint patkányokon ezt tesztelték –
16:06
it lets insulin out in a controlled fashion,
337
966000
2000
kontrollált módon teszik lehetővé az inzulin-kiválasztást,
16:08
and actually cures type 1 diabetes.
338
968000
2000
amely ténylegesen gyógyítja az 1. típusú cukorbetegséget.
16:10
What you're watching is a design
339
970000
3000
Amit most látnak, az egy
16:13
of a robotic red blood cell,
340
973000
2000
vörös vértest robot designja,
16:15
and it does bring up the issue that our biology
341
975000
2000
, s ez felveti azt a kérdést, hogy a biológiánk
16:17
is actually very sub-optimal,
342
977000
2000
mennyire szuboptimális,
16:19
even though it's remarkable in its intricacy.
343
979000
3000
habár figyelemreméltó bonyolultságát tekintve.
16:22
Once we understand its principles of operation,
344
982000
3000
Amint megértjük a működésének szabályszerűségeit,
16:25
and the pace with which we are reverse-engineering biology is accelerating,
345
985000
3000
s az ütem, amellyel visszafejtjük biológiánkat – tovább gyorsul,
16:29
we can actually design these things to be
346
989000
2000
ténylegesen több ezerszeresen specifikusabbra
16:31
thousands of times more capable.
347
991000
2000
tudjuk tervezni ezeket az eszközöket.
16:33
An analysis of this respirocyte, designed by Rob Freitas,
348
993000
4000
Ennek a Rob Freitas által tervezett respirocitának (hipotetikus mű-vörösvértest) analízise azt mutatja,
16:38
indicates if you replace 10 percent of your red blood cells with these robotic versions,
349
998000
2000
ha vörös vértestjeink 10 százalékát ha azok robotpárjaira cserélnénk,
16:41
you could do an Olympic sprint for 15 minutes without taking a breath.
350
1001000
3000
15 perces futásban olimpiai rekordot tudnánk futni levegővétel nélkül.
16:44
You could sit at the bottom of your pool for four hours --
351
1004000
3000
Az úszómedencénk alján üldögélhetnénk órákig,
16:47
so, "Honey, I'm in the pool," will take on a whole new meaning.
352
1007000
4000
így a „szívem, a medencében vagyok” kijelentés teljesen új értelmet nyerne.
16:51
It will be interesting to see what we do in our Olympic trials.
353
1011000
2000
Érdekes lenne látni, hogy működne ez az olimpiai versenyeken.
16:53
Presumably we'll ban them,
354
1013000
2000
Feltehetőleg kitiltanák,
16:55
but then we'll have the specter of teenagers in their high schools gyms
355
1015000
2000
de akkor azt tapasztalnánk, hogy a versenyszellemű tinédzserek a középiskolai tornatermekben
16:57
routinely out-performing the Olympic athletes.
356
1017000
3000
rutinszerűen túlteljesítenék az Olimpiai atlétákat.
17:02
Freitas has a design for a robotic white blood cell.
357
1022000
3000
Freitas tervezett egy fehérvértest-robotot is.
17:05
These are 2020-circa scenarios,
358
1025000
4000
Ezek 2020-körüli forgatókönyvek,
17:09
but they're not as futuristic as it may sound.
359
1029000
2000
de nem olyan futurisztikusak, mint amilyennek látszanak.
17:11
There are four major conferences on building blood cell-sized devices;
360
1031000
4000
Négy fontosabb konferencia szól a vérsejt-méretű eszközök fejlesztéséről,
17:15
there are many experiments in animals.
361
1035000
2000
s rengeteg állatkísérlet zajlik.
17:17
There's actually one going into human trial,
362
1037000
2000
Egyik már ténylegesen emberi kísérleti szakaszba lép,
17:19
so this is feasible technology.
363
1039000
3000
tehát ez már elérhető technológia.
17:23
If we come back to our exponential growth of computing,
364
1043000
2000
Ha felidézzük a számítástechnika exponenciális fejlődését,
17:25
1,000 dollars of computing is now somewhere between an insect and a mouse brain.
365
1045000
3000
1000 dollár számítási teljesítmény most valahol egy rovar- és egy egéragy között van.
17:28
It will intersect human intelligence
366
1048000
3000
Keresztezni fogja az emberi intelligenciát
17:31
in terms of capacity in the 2020s,
367
1051000
3000
kapacitási értelemben a 2020-as években,
17:34
but that'll be the hardware side of the equation.
368
1054000
2000
de ez csak a hardver része lesz az egyenletnek.
17:36
Where will we get the software?
369
1056000
2000
Honnan lesz szoftverünk?
17:38
Well, it turns out we can see inside the human brain,
370
1058000
2000
Mint kiderült, meg tudjuk figyelni az emberi agy belső folyamatait,
17:40
and in fact not surprisingly,
371
1060000
2000
és nem meglepő módon,
17:42
the spatial and temporal resolution of brain scanning is doubling every year.
372
1062000
4000
a homloklebenyi és a halántéklebenyi agyi képalkotás felbontása is megduplázódik minden évben.
17:46
And with the new generation of scanning tools,
373
1066000
2000
A képalkotó eszközök új generációival,
17:48
for the first time we can actually see
374
1068000
2000
első alkalommal ténylegesen láthatóvá váltak
17:50
individual inter-neural fibers
375
1070000
2000
az idegrostok egyedi példányai,
17:52
and see them processing and signaling in real time --
376
1072000
3000
s a történelemben először láthatjuk ezeket [információt] feldolgozni és továbbítani valós időben –
17:55
but then the question is, OK, we can get this data now,
377
1075000
2000
– ez után viszont jogos a kérdés, miszerint: rendben, immár rendelkezünk az adattal,
17:57
but can we understand it?
378
1077000
2000
de hogy tudjuk értelmezni?
17:59
Doug Hofstadter wonders, well, maybe our intelligence
379
1079000
3000
Doug Hofstadter úgy véli, talán az intelligenciánk
18:02
just isn't great enough to understand our intelligence,
380
1082000
3000
intelligenciánk mégsem olyan nagy, hogy megérthessük a saját intelligenciánkat,
18:05
and if we were smarter, well, then our brains would be that much more complicated,
381
1085000
3000
, s ha még okosabbak lennénk, ezzel együtt az agyunk is sokkal bonyolultabb lenne,
18:08
and we'd never catch up to it.
382
1088000
2000
és soha nem érnénk utol.
18:11
It turns out that we can understand it.
383
1091000
3000
Mégis, úgy néz ki meg tudjuk érteni.
18:14
This is a block diagram of
384
1094000
3000
Ez az emberi hallókéreg
18:17
a model and simulation of the human auditory cortex
385
1097000
4000
modelljének és szimulációjának blokkdiagramja,
18:21
that actually works quite well --
386
1101000
2000
amely egészen jól működik –
18:23
in applying psychoacoustic tests, gets very similar results to human auditory perception.
387
1103000
2000
a pszicho-akusztikus tesztekre egész hasonló eredményeket ad, mint az emberi hallás-érzékelés.
18:27
There's another simulation of the cerebellum --
388
1107000
3000
A kisagy szimulációja –
18:30
that's more than half the neurons in the brain --
389
1110000
2000
ez több mint a fele az agyban található idegsejteknek –
18:32
again, works very similarly to human skill formation.
390
1112000
3000
szintén hasonlóan működik, mint az emberi képesség-alakítás.
18:36
This is at an early stage, but you can show
391
1116000
3000
Ez csak korai fázisban van,
18:39
with the exponential growth of the amount of information about the brain
392
1119000
3000
de az agyról rendelkezésre álló információnk exponenciális növekedését,
18:42
and the exponential improvement
393
1122000
2000
s az agyi képalkotás felbontásának
18:44
in the resolution of brain scanning,
394
1124000
2000
felbontásának exponenciális javulását figyelembe véve
18:46
we will succeed in reverse-engineering the human brain
395
1126000
3000
sikerrel fejthetjük vissza az emberi agy működését
18:49
by the 2020s.
396
1129000
2000
a 2020-as évekre.
18:51
We've already had very good models and simulation of about 15 regions
397
1131000
3000
. Már most is egész jó modellekkel és szimulációkkal rendelkezünk 15 régióról
18:54
out of the several hundred.
398
1134000
3000
a több százból.
18:57
All of this is driving
399
1137000
2000
Ez [a folyamat] hajtja az
18:59
exponentially growing economic progress.
400
1139000
2000
exponenciális gazdasági növekedési folyamatot.
19:01
We've had productivity go from 30 dollars to 150 dollars per hour
401
1141000
3000
A produktivitás 30 dollárról 150 dollárra növekedett munkaóránként
19:06
of labor in the last 50 years.
402
1146000
2000
az elmúlt 50 évben.
19:08
E-commerce has been growing exponentially. It's now a trillion dollars.
403
1148000
3000
Az elektronikus kereskedelem exponenciálisan növekszik. Már billió (trillion) dolláros piac.
19:11
You might wonder, well, wasn't there a boom and a bust?
404
1151000
2000
Joggal kérdezhetik: igen, de nem láttuk már ezt a felvirágzást és hanyatlást egyszer?
19:13
That was strictly a capital-markets phenomena.
405
1153000
2000
Szigorúan véve ez egy tőkepiaci jelenség volt.
19:15
Wall Street noticed that this was a revolutionary technology, which it was,
406
1155000
4000
A Wall Street észlelte, hogy ez egy forradalmi technológia, amely igaz is,
19:19
but then six months later, when it hadn't revolutionized all business models,
407
1159000
3000
de hat hónappal később, amikor nem forradalmasította az összes üzleti modellt,
19:22
they figured, well, that was wrong,
408
1162000
2000
akkor kiderült, hogy ez hibás volt –
19:24
and then we had this bust.
409
1164000
2000
és következett a hanyatlás.
19:27
All right, this is a technology
410
1167000
2000
Nos, ez egy olyan technológia,
19:29
that we put together using some of the technologies we're involved in.
411
1169000
3000
amelyet mi raktunk össze azoknak a technológiáknak a használatával, amelynek a fejlesztésében részt veszünk.
19:32
This will be a routine feature in a cell phone.
412
1172000
4000
Teljesen alap funkció lesz a mobiltelefonokban:
19:36
It would be able to translate from one language to another.
413
1176000
2000
képes lesz egyik nyelvről a másikra fordítani.
19:48
So let me just end with a couple of scenarios.
414
1188000
2000
Engedjék meg, hogy pár forgatókönyv felidézésével fejezzem be az előadást.
19:50
By 2010 computers will disappear.
415
1190000
3000
. 2010-re a számítógépek eltűnnek.
19:54
They'll be so small, they'll be embedded in our clothing, in our environment.
416
1194000
3000
Olyan kisméretűek lesznek, hogy a ruházatunkba és a környezetünkbe lesznek beillesztve.
19:57
Images will be written directly to our retina,
417
1197000
2000
A képeket közvetlenül a retinánkra vetítjük,
19:59
providing full-immersion virtual reality,
418
1199000
2000
teljesen átélhető virtuális valóságot teremtve,
20:01
augmented real reality. We'll be interacting with virtual personalities.
419
1201000
3000
kiterjesztett valóság (augmented reality) élménnyel. Virtuális személyiségekkel fogunk interakcióba lépni.
20:05
But if we go to 2029, we really have the full maturity of these trends,
420
1205000
4000
Ahogy elérjük 2029-et, teljes érettségében láthatjuk ezeket a trendeket,
20:09
and you have to appreciate how many turns of the screw
421
1209000
3000
s igazán értékelni fogjuk, hány technológiai-generációs fordulatot
20:12
in terms of generations of technology, which are getting faster and faster, we'll have at that point.
422
1212000
4000
tettünk meg a [képzeletbeli] csavarmeneten, amelyek egyre csak gyorsulnak eddig a pontig.
20:16
I mean, we will have two-to-the-25th-power
423
1216000
2000
Úgy értem eddigre a 2 ^25 mértékű lesz
20:18
greater price performance, capacity and bandwidth
424
1218000
3000
az ár-érték aránya, a kapacitása és a sávszélessége
20:21
of these technologies, which is pretty phenomenal.
425
1221000
2000
ezeknek a technológiáknak, ami egészen lenyűgöző.
20:23
It'll be millions of times more powerful than it is today.
426
1223000
2000
Milliószor erőteljesebb lesz, mint manapság.
20:25
We'll have completed the reverse-engineering of the human brain,
427
1225000
2000
Eddigre befejeztük a visszafejtését az emberi agy működésének –
20:28
1,000 dollars of computing will be far more powerful
428
1228000
3000
1000 dollár számítási kapacitás sokkal erősebb lesz
20:31
than the human brain in terms of basic raw capacity.
429
1231000
4000
mint az emberi agyé nyers kapacitás értelemben.
20:35
Computers will combine
430
1235000
2000
A számítógépek rendelkezni fognak
20:37
the subtle pan-recognition powers
431
1237000
2000
az emberi intelligencia olyan szub-rekogníciós képességeivel,
20:39
of human intelligence with ways in which machines are already superior,
432
1239000
3000
amelyekben a gépek már most is felsőbbrendűek,
20:42
in terms of doing analytic thinking,
433
1242000
2000
úgymint analitikai gondolkodás,
20:44
remembering billions of facts accurately.
434
1244000
2000
több milliárd tény pontos előhívása.
20:46
Machines can share their knowledge very quickly.
435
1246000
2000
A számítógépek képesek a tudásuk igen gyors megosztására.
20:48
But it's not just an alien invasion of intelligent machines.
436
1248000
5000
De ez nem csupán az intelligens gépek által vezérelt idegen megszállás lesz:
20:53
We are going to merge with our technology.
437
1253000
2000
össze fogunk olvadni a technológiánkkal.
20:55
These nano-bots I mentioned
438
1255000
2000
Az általam a korábbiakban említett nanobotok
20:57
will first be used for medical and health applications:
439
1257000
4000
orvosi és egészségügyi alkalmazásokban kerülnek először használatba:
21:01
cleaning up the environment, providing powerful fuel cells
440
1261000
3000
: a környezet megtisztítására, tartós energiacellaként,
21:04
and widely distributed decentralized solar panels and so on in the environment.
441
1264000
5000
és széles körben elosztott decentralizált napelemenként, stb. fognak megjelenni a környezetben.
21:09
But they'll also go inside our brain,
442
1269000
2000
. Emellett az agyunkba is behatolnak,
21:11
interact with our biological neurons.
443
1271000
2000
interakcióba lépnek a saját, biológiai neuronjainkkal.
21:13
We've demonstrated the key principles of being able to do this.
444
1273000
3000
Már demonstráltuk ez irányú képességeink alapelveit.
21:16
So, for example,
445
1276000
2000
Például:
21:18
full-immersion virtual reality from within the nervous system,
446
1278000
2000
az idegrendszerből induló teljes elmerülést a virtuális valóságban,
21:20
the nano-bots shut down the signals coming from your real senses,
447
1280000
3000
ahogy a nanobotok elfedik a saját valódi érzékeinkből érkező ingereket,
21:23
replace them with the signals that your brain would be receiving
448
1283000
3000
, s ezeket olyan ingerekre cserélik, mint amilyet a
21:26
if you were in the virtual environment,
449
1286000
2000
virtuális környezetünkből érzékelnénk az agyunkkal,
21:28
and then it'll feel like you're in that virtual environment.
450
1288000
2000
mintha a virtuális környezet lenne számunkra a valóság.
21:30
You can go there with other people, have any kind of experience
451
1290000
2000
Több emberrel közösen mehetünk ebbe a térbe,
21:32
with anyone involving all of the senses.
452
1292000
2000
s akár az összes érzékletet átfogó élményt élhetünk át bárkivel.
21:35
"Experience beamers," I call them, will put their whole flow of sensory experiences
453
1295000
3000
„Tapasztalati sugárzóállomásoknak” nevezem ezeket, az összes szenzorikus élményünket
21:38
in the neurological correlates of their emotions out on the Internet.
454
1298000
3000
s a hozzájuk a neurológiai korrelációkkal kapcsolódó érzelmeink áramlatát publikálhatjuk az Internetre.
21:41
You can plug in and experience what it's like to be someone else.
455
1301000
3000
Becsatlakozhatunk, és átélhetjük milyen másvalakinek lennünk.
21:44
But most importantly,
456
1304000
2000
De a legfontosabb mégis az,
21:46
it'll be a tremendous expansion
457
1306000
2000
hogy ez egy óriási kiterjesztése
21:48
of human intelligence through this direct merger with our technology,
458
1308000
4000
az emberi intelligenciának a technológiánkkal való direkt összeolvadás révén,
21:52
which in some sense we're doing already.
459
1312000
2000
amelyet bizonyos értelemben már ma is teszünk.
21:54
We routinely do intellectual feats
460
1314000
2000
Rendszeresen olyan intellektuális tetteket hajtunk végre,
21:56
that would be impossible without our technology.
461
1316000
2000
amelyre a technológiánk használata nélkül képtelenek lennénk.
21:58
Human life expectancy is expanding. It was 37 in 1800,
462
1318000
3000
A várható emberi élettartam tágul. 37 év volt 1800-ban,
22:01
and with this sort of biotechnology, nano-technology revolutions,
463
1321000
5000
s a biotechnológiai és nanotechnológiai forradalmak révén
22:06
this will move up very rapidly
464
1326000
2000
nagyon gyorsan fog emelkedni
22:08
in the years ahead.
465
1328000
2000
az elkövetkező években.
22:10
My main message is that progress in technology
466
1330000
4000
A fő üzenetem: a technológia fejlődése
22:14
is exponential, not linear.
467
1334000
3000
exponenciális, nem lineáris.
22:17
Many -- even scientists -- assume a linear model,
468
1337000
4000
Sokan – köztük tudósok is – a lineáris modellt valószínűsítik,
22:21
so they'll say, "Oh, it'll be hundreds of years
469
1341000
2000
, úgy vélik „ó, több száz év fog eltelni,
22:23
before we have self-replicating nano-technology assembly
470
1343000
3000
míg önreprodukáló nano-technológiával készült egységeink
22:26
or artificial intelligence."
471
1346000
2000
vagy mesterséges intelligenciánk lesz”.
22:28
If you really look at the power of exponential growth,
472
1348000
3000
Ha figyelmünket az exponenciális növekedésben rejlő erőre fordítjuk,
22:31
you'll see that these things are pretty soon at hand.
473
1351000
3000
, láthatjuk, hogy ezek az eszközök igen hamar a kezünkben lehetnek.
22:34
And information technology is increasingly encompassing
474
1354000
3000
Az informatika egyre jobban behálózza életünket,
22:37
all of our lives, from our music to our manufacturing
475
1357000
4000
a zenénktől az ipari gyártásunkon át a biológiánkig,
22:41
to our biology to our energy to materials.
476
1361000
4000
az energiánktól a nyersanyagainkig.
22:45
We'll be able to manufacture almost anything we need in the 2020s,
477
1365000
3000
Képesek leszünk gyakorlatilag bármit legyártani szükségleteink szerint a 2020-as években,
22:48
from information, in very inexpensive raw materials,
478
1368000
2000
az információtól az igen költséges nyersanyagokig,
22:50
using nano-technology.
479
1370000
3000
a nanotechnológia segítségével.
22:53
These are very powerful technologies.
480
1373000
2000
Ezek nagyon hatékony technológiák.
22:55
They both empower our promise and our peril.
481
1375000
4000
Egyszerre erősítik képességeinket és veszélyt is jelentenek.
22:59
So we have to have the will to apply them to the right problems.
482
1379000
3000
Ezért kell, hogy azzal a szándékkal rendelkezzünk, hogy a megfelelő problémákra fordíthassuk képességeinket.
23:02
Thank you very much.
483
1382000
1000
Köszönöm szépen.
23:03
(Applause)
484
1383000
1000
(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