How AI can bring on a second Industrial Revolution | Kevin Kelly

340,981 views ・ 2017-01-12

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

00:00
Translator: Leslie Gauthier Reviewer: Camille Martínez
0
0
7000
Fordító: Péter Pallós Lektor: Csaba Lóki
00:14
I'm going to talk a little bit about where technology's going.
1
14966
3817
Ma arról fogok beszélni, hogy merre tart a technológia.
00:19
And often technology comes to us,
2
19509
2671
Amikor új technológia jelenik meg,
00:22
we're surprised by what it brings.
3
22566
1865
elcsodálkozunk, mi mindenre képes.
00:24
But there's actually a large aspect of technology
4
24455
3683
De a technológiáknak hatalmas területe létezik,
amelyek sokkal inkább megjósolhatók,
00:28
that's much more predictable,
5
28162
1802
00:29
and that's because technological systems of all sorts have leanings,
6
29988
4088
mert a különböző rendszerek eltérő jellegűek,
megoldatlan témák
00:34
they have urgencies,
7
34100
1175
00:35
they have tendencies.
8
35299
1561
és lehetőségek állnak előttük.
00:36
And those tendencies are derived from the very nature of the physics,
9
36884
4932
E tendenciák a vezetékek, kapcsolók és elektronok
00:41
chemistry of wires and switches and electrons,
10
41840
3150
fizikai és kémiai természetéből adódnak,
00:45
and they will make reoccurring patterns again and again.
11
45659
3602
és ezek mind ismétlődő mintákat követnek.
00:49
And so those patterns produce these tendencies, these leanings.
12
49745
4874
E minták mentén alakulnak az irányvonalak.
00:54
You can almost think of it as sort of like gravity.
13
54643
2831
Olyan ez, mint a gravitáció.
00:57
Imagine raindrops falling into a valley.
14
57498
2319
Képzeljenek el egy völgybe hulló esőcseppet.
00:59
The actual path of a raindrop as it goes down the valley
15
59841
3088
A lehulló csepp pontos pályája
01:02
is unpredictable.
16
62953
1169
megjósolhatatlan.
01:04
We cannot see where it's going,
17
64651
1518
Nem tudjuk, hogy pont hová esik,
01:06
but the general direction is very inevitable:
18
66193
2277
de a fő iránya kétségtelen:
01:08
it's downward.
19
68494
1234
mindig lefelé tart.
01:10
And so these baked-in tendencies and urgencies
20
70377
4572
Ezek a technológiai rendszereket jellemző
01:14
in technological systems
21
74973
1476
belső tendenciákból érzékelhetjük,
hogy végső soron merre tartunk.
01:17
give us a sense of where things are going at the large form.
22
77051
3609
Tágabb értelemben véve mondhatjuk,
01:21
So in a large sense,
23
81149
1401
01:22
I would say that telephones were inevitable,
24
82574
3361
hogy a telefon szükségszerű volt,
ám az iPhone nem.
01:27
but the iPhone was not.
25
87005
1342
Az internet elkerülhetetlen volt,
01:29
The Internet was inevitable,
26
89094
1478
01:31
but Twitter was not.
27
91274
1286
de a Twitter nem.
Sok tendencia figyelhető meg manapság,
01:33
So we have many ongoing tendencies right now,
28
93036
3928
01:36
and I think one of the chief among them
29
96988
2720
s úgy vélem, közülük az egyik legfontosabb,
01:39
is this tendency to make things smarter and smarter.
30
99732
3722
hogy egyre okosabb dolgokat készítünk.
Ez, amit én "felokosítás"-nak hívok,
01:44
I call it cognifying -- cognification --
31
104041
2212
01:46
also known as artificial intelligence, or AI.
32
106783
2782
más néven a "mesterséges intelligencia", avagy MI.
Szerintem ez lesz társadalmunkban a legnagyobb hatású fejlemény,
01:50
And I think that's going to be one of the most influential developments
33
110025
3746
01:53
and trends and directions and drives in our society in the next 20 years.
34
113795
5575
tendencia, irány, hajtóerő a következő 20 évben.
Persze, ebben már benne is vagyunk.
02:00
So, of course, it's already here.
35
120021
1985
Már itt van;
02:02
We already have AI,
36
122030
2204
02:04
and often it works in the background,
37
124258
2398
gyakran a háttérben működik:
02:06
in the back offices of hospitals,
38
126680
1586
kórházak funkcionális részlegeiben,
02:08
where it's used to diagnose X-rays better than a human doctor.
39
128290
4686
ahol jobban diagnosztizálja a röntgenképeket, mint az orvos.
Jogászok irodáiban,
02:13
It's in legal offices,
40
133000
1726
02:14
where it's used to go through legal evidence
41
134750
2368
ahol ügyesebben dolgozza fel a bizonyítékokat,
mint egy ügyvédbojtár.
02:17
better than a human paralawyer.
42
137142
1855
02:19
It's used to fly the plane that you came here with.
43
139506
3656
Mesterséges intelligencia irányította a repülőt, amellyel idejöttek.
A pilóták csak 7-8 percig vezették,
02:24
Human pilots only flew it seven to eight minutes,
44
144165
2381
02:26
the rest of the time the AI was driving.
45
146570
1953
a fönnmaradó időben a MI irányított.
02:28
And of course, in Netflix and Amazon,
46
148547
2173
A Netflixen és az Amazonon
02:30
it's in the background, making those recommendations.
47
150744
2530
a háttérből ez ontja az ajánlatokat.
Ez a helyzet ma.
02:33
That's what we have today.
48
153298
1261
02:34
And we have an example, of course, in a more front-facing aspect of it,
49
154583
4801
Van azonban közismert példa is:
02:39
with the win of the AlphaGo, who beat the world's greatest Go champion.
50
159408
6629
az AlphaGo győzelme a go-világbajnok fölött.
02:46
But it's more than that.
51
166478
4053
És ez még nem minden.
02:50
If you play a video game, you're playing against an AI.
52
170555
2642
Videojátékot játszva a mesterséges értelem az ellenfél.
02:53
But recently, Google taught their AI
53
173221
4538
Nemrég a Google arra tanította a MI-t,
02:57
to actually learn how to play video games.
54
177783
2412
hogy tanuljon meg videojátékot játszani.
03:00
Again, teaching video games was already done,
55
180686
2709
Itt is az a helyzet, hogy a játékra már korábban megtanították,
03:03
but learning how to play a video game is another step.
56
183419
3897
de önállóan megtanulni a játékot egy következő fokozat.
03:07
That's artificial smartness.
57
187340
1678
Az már mesterséges értelem.
03:10
What we're doing is taking this artificial smartness
58
190571
4522
A módszer a következő: a mesterséges értelmet
egyre okosabbá és okosabbá tesszük.
03:15
and we're making it smarter and smarter.
59
195117
2423
03:18
There are three aspects to this general trend
60
198710
3895
Az általános tendencia három tényezőjét
03:22
that I think are underappreciated;
61
202629
1689
úgy vélem, egy kissé alulértékeljük.
03:24
I think we would understand AI a lot better
62
204342
2277
Jobban értenénk a mesterséges intelligenciát,
03:26
if we understood these three things.
63
206643
2301
ha e három tényezőt jobban értenénk,
03:28
I think these things also would help us embrace AI,
64
208968
3283
mert segítségükkel tudnánk megragadni a mesterséges értelmet,
03:32
because it's only by embracing it that we actually can steer it.
65
212275
3008
hogy képesek legyünk irányítani.
03:35
We can actually steer the specifics by embracing the larger trend.
66
215887
3157
A részleteket akkor irányíthatjuk, ha a tendenciát ragadjuk meg.
03:39
So let me talk about those three different aspects.
67
219467
2979
Lássuk, mik ezek a tényezők!
03:42
The first one is: our own intelligence has a very poor understanding
68
222470
3673
Az első: értelmünk kevéssé fogja föl,
miben áll az intelligencia lényege.
03:46
of what intelligence is.
69
226167
1490
Hajlamosak vagyunk az hinni, hogy az intelligencia egydimenziós,
03:48
We tend to think of intelligence as a single dimension,
70
228110
3653
03:51
that it's kind of like a note that gets louder and louder.
71
231787
2750
olyasmi, mint egy fokozatosan erősödő zenei hang.
03:54
It starts like with IQ measurement.
72
234561
2607
Kezdődik ez már az IQ mérésével.
03:57
It starts with maybe a simple low IQ in a rat or mouse,
73
237192
4092
Kezdődik egy alacsony IQ-val, pl. az egerek és patkányok esetében,
04:01
and maybe there's more in a chimpanzee,
74
241308
2134
majd jön egy magasabb a csimpánzoknál,
04:03
and then maybe there's more in a stupid person,
75
243887
2191
majd egy még magasabb érték a tökfilkóknál,
utána jönnek az átlagosak, mint én,
04:06
and then maybe an average person like myself,
76
246102
2096
04:08
and then maybe a genius.
77
248222
1290
végül a zsenik.
04:09
And this single IQ intelligence is getting greater and greater.
78
249536
4433
Úgyhogy az IQ egyetlen mérőszáma egyre nő.
04:14
That's completely wrong.
79
254516
1151
Ez gyökeresen hibás.
04:15
That's not what intelligence is -- not what human intelligence is, anyway.
80
255691
3608
Nem ez az emberi értelem lényege.
04:19
It's much more like a symphony of different notes,
81
259673
4506
Az inkább olyan, mint egy sokféle hangból álló szimfónia,
04:24
and each of these notes is played on a different instrument of cognition.
82
264203
3609
amelynek hangjait a megértés különféle hangszerein játsszák.
04:27
There are many types of intelligences in our own minds.
83
267836
3701
Elménkben sokféle értelem fér meg egymással.
04:31
We have deductive reasoning,
84
271561
3048
Megvan benne a deduktív logika,
04:34
we have emotional intelligence,
85
274633
2221
az érzelmi intelligencia,
04:36
we have spatial intelligence;
86
276878
1393
a térlátás;
04:38
we have maybe 100 different types that are all grouped together,
87
278295
4021
úgy százféle típus létezik, amelyek mind megvannak bennünk.
04:42
and they vary in different strengths with different people.
88
282340
3905
Persze, ezek egyénenként különböző erősségűek.
04:46
And of course, if we go to animals, they also have another basket --
89
286269
4526
Az állatoknál, persze, másféle készségeket találunk–,
04:50
another symphony of different kinds of intelligences,
90
290819
2541
másfajta intelligenciák másfajta szimfóniáját,
04:53
and sometimes those same instruments are the same that we have.
91
293384
3566
és néha ugyanazokat a hangszereket, amelyek bennünk is megvannak.
04:56
They can think in the same way, but they may have a different arrangement,
92
296974
3561
Képesek hozzánk hasonlóan gondolkodni, de mások a szempontjaik.
05:00
and maybe they're higher in some cases than humans,
93
300559
2467
Lehet, hogy néha fölülmúlják az embereket:
pl. a mókus hosszútávú memóriája egyenesen elképesztő.
05:03
like long-term memory in a squirrel is actually phenomenal,
94
303050
2837
05:05
so it can remember where it buried its nuts.
95
305911
2287
Emlékszik rá, hová ásta el a mogyoróit.
05:08
But in other cases they may be lower.
96
308222
1987
Más téren azonban elmarad tőlünk.
05:10
When we go to make machines,
97
310233
2730
Amikor gépeket építünk,
05:12
we're going to engineer them in the same way,
98
312987
2196
ugyanígy alakítjuk ki őket:
05:15
where we'll make some of those types of smartness much greater than ours,
99
315207
5010
bizonyos készségeikben fölülmúlnak bennünket,
05:20
and many of them won't be anywhere near ours,
100
320241
2571
másokban viszont meg se közelítenek,
05:22
because they're not needed.
101
322836
1544
mert nincs rá szükség.
05:24
So we're going to take these things,
102
324404
2203
Tehát vesszük
05:26
these artificial clusters,
103
326631
2081
ezeket a mesterséges szerkentyűket,
05:28
and we'll be adding more varieties of artificial cognition to our AIs.
104
328736
5362
és a mesterséges értelembe belerakunk valamiféle mesterséges megismerést.
05:34
We're going to make them very, very specific.
105
334507
4071
Adott feladatra specializáljuk őket.
05:38
So your calculator is smarter than you are in arithmetic already;
106
338602
6542
A zsebkalkulátor jobban számol nálunk.
A GPS jobban tájékozódik a térben, mint mi.
05:45
your GPS is smarter than you are in spatial navigation;
107
345168
3697
05:49
Google, Bing, are smarter than you are in long-term memory.
108
349337
4258
A Google és a Bing jobb nálunk a hosszútávú memóriát tekintve.
05:54
And we're going to take, again, these kinds of different types of thinking
109
354339
4530
Aztán fogjuk ezeket az eltérően gondolkodó szerkentyűket,
05:58
and we'll put them into, like, a car.
110
358893
1933
és berakjuk, mondjuk, egy autóba.
06:00
The reason why we want to put them in a car so the car drives,
111
360850
3057
Azért akarjuk, hogy ezek vezessék a kocsit,
06:03
is because it's not driving like a human.
112
363931
2302
mert nem emberi módon vezetnek.
06:06
It's not thinking like us.
113
366257
1396
Nem úgy gondolkodnak, ahogy mi.
06:07
That's the whole feature of it.
114
367677
1920
Ez a lényeg.
06:09
It's not being distracted,
115
369621
1535
Nem bambulnak el.
06:11
it's not worrying about whether it left the stove on,
116
371180
2754
Nem veri ki őket a víz, hogy bekapcsolva hagyták a sütőt,
06:13
or whether it should have majored in finance.
117
373958
2138
vagy hogy helyes volt-e a pénzügyi szakra menni.
06:16
It's just driving.
118
376120
1153
Csak vezetnek.
06:17
(Laughter)
119
377297
1142
(Nevetés)
06:18
Just driving, OK?
120
378463
1841
Csak vezetnek, ugye?
06:20
And we actually might even come to advertise these
121
380328
2937
Nevezhetjük őket
06:23
as "consciousness-free."
122
383289
1545
"érzéketlen"-nek.
06:24
They're without consciousness,
123
384858
1774
Nincsenek érzékeik,
06:26
they're not concerned about those things,
124
386656
2104
minden másra fittyet hánynak,
06:28
they're not distracted.
125
388784
1156
semmi sem zavarja őket.
06:29
So in general, what we're trying to do
126
389964
2966
Mindent egybevéve, igyekszünk annyi eltérő észjárást alkotni,
06:32
is make as many different types of thinking as we can.
127
392954
4500
amennyit csak tudunk.
06:37
We're going to populate the space
128
397804
2083
Majd benépesítjük az űrt mindenféle típusú
06:39
of all the different possible types, or species, of thinking.
129
399911
4159
és fajtájú észjárással.
De lehetnek olyan bonyolult üzleti
06:44
And there actually may be some problems
130
404094
2068
06:46
that are so difficult in business and science
131
406186
2800
és tudományos problémák,
amelyek kizárólag emberi ésszel nem oldhatók meg.
06:49
that our own type of human thinking may not be able to solve them alone.
132
409010
4042
Lehet, hogy kétlépéses program kell,
06:53
We may need a two-step program,
133
413076
1992
amelynek lényege valami újfajta gondolkodásmód kiötlése.
06:55
which is to invent new kinds of thinking
134
415092
4203
06:59
that we can work alongside of to solve these really large problems,
135
419692
3734
Azzal együttműködve oldhatjuk meg az igazán nehéz feladatokat,
07:03
say, like dark energy or quantum gravity.
136
423450
2918
pl. a sötét energia vagy a kvantumgravitáció rejtélyét.
07:08
What we're doing is making alien intelligences.
137
428496
2646
Idegenszerű értelmet hozunk létre.
Bizonyos értelemben ezek mesterséges idegen lényekként is
07:11
You might even think of this as, sort of, artificial aliens
138
431166
4069
07:15
in some senses.
139
435259
1207
fölfoghatók.
07:16
And they're going to help us think different,
140
436490
2300
Segítségünkre vannak, hogy másként gondolkozzunk,
07:18
because thinking different is the engine of creation
141
438814
3632
mert a másként gondolkodás az alkotás, a gazdagság
07:22
and wealth and new economy.
142
442470
1867
és az új gazdaság motorja.
07:25
The second aspect of this is that we are going to use AI
143
445835
4923
A másik tényező, hogy a mesterséges értelmet
07:30
to basically make a second Industrial Revolution.
144
450782
2950
a második ipari forradalom létrehozására használjuk.
Az első ipari forradalom
07:34
The first Industrial Revolution was based on the fact
145
454135
2773
07:36
that we invented something I would call artificial power.
146
456932
3462
az ún. mesterséges erő föltalálásán alapult.
07:40
Previous to that,
147
460879
1150
Előtte,
a mezőgazdasági forradalom idején,
07:42
during the Agricultural Revolution,
148
462053
2034
mindent emberi erővel
07:44
everything that was made had to be made with human muscle
149
464111
3702
07:47
or animal power.
150
467837
1307
vagy állati erővel végeztek.
07:49
That was the only way to get anything done.
151
469565
2063
Mindent csak így végezhettek.
07:51
The great innovation during the Industrial Revolution was,
152
471652
2945
Az ipari forradalom nagyszerű újítása abban állt,
07:54
we harnessed steam power, fossil fuels,
153
474621
3109
hogy igába fogtuk a gőzerőt, a fosszilis tüzelőanyagokat,
07:57
to make this artificial power that we could use
154
477754
3856
hogy a mesterséges energiát fölhasználhassuk,
08:01
to do anything we wanted to do.
155
481634
1669
amire csak kedvünk tartja.
08:03
So today when you drive down the highway,
156
483327
2772
Amikor ma végighajtunk a sztrádán,
08:06
you are, with a flick of the switch, commanding 250 horses --
157
486571
4525
egy kézmozdulattal 250 lovat,
250 lóerőt irányítunk.
08:11
250 horsepower --
158
491120
1572
08:12
which we can use to build skyscrapers, to build cities, to build roads,
159
492716
4692
Felhőkarcolókat, városokat, utakat építünk ezekkel az erőkkel,
08:17
to make factories that would churn out lines of chairs or refrigerators
160
497432
5789
gyárakat, amelyek ontják a székeket és a hűtőszekrényeket;
08:23
way beyond our own power.
161
503245
1654
ez messze meghaladja saját erőnket.
08:24
And that artificial power can also be distributed on wires on a grid
162
504923
6111
Ezt a mesterséges energiát vezetékhálózaton eljuttathatjuk
minden otthonba, gyárba, tanyára,
08:31
to every home, factory, farmstead,
163
511058
3199
08:34
and anybody could buy that artificial power,
164
514281
4191
s e mesterséges energiát bárki megvásárolhatja:
08:38
just by plugging something in.
165
518496
1472
csak rá kell csatlakoznia egy eszközzel.
08:39
So this was a source of innovation as well,
166
519992
2439
Ez egyúttal az újítás forrása is lett,
08:42
because a farmer could take a manual hand pump,
167
522455
3418
mert a gazda a kéziszivattyúhoz
08:45
and they could add this artificial power, this electricity,
168
525897
2916
a mesterséges energiát, az elektromosságot hozzáadva
08:48
and he'd have an electric pump.
169
528837
1497
elektromos szivattyúhoz jutott.
08:50
And you multiply that by thousands or tens of thousands of times,
170
530358
3318
S e képletet ezerszer-tízezerszer alkalmazva
08:53
and that formula was what brought us the Industrial Revolution.
171
533700
3159
jutottunk el az ipari forradalomba.
08:56
All the things that we see, all this progress that we now enjoy,
172
536883
3585
Minden látható dolog, az egész ma élvezett fejlődés,
09:00
has come from the fact that we've done that.
173
540492
2063
azért létezik, mert ezt megtettük.
09:02
We're going to do the same thing now with AI.
174
542579
2348
Most ugyanerre készülünk a mesterséges értelemmel.
09:04
We're going to distribute that on a grid,
175
544951
2075
Hálózaton szeretnénk továbbítani,
és az elektromos szivattyúhoz
09:07
and now you can take that electric pump.
176
547050
2374
09:09
You can add some artificial intelligence,
177
549448
2968
némi mesterséges értelmet hozzáadva
09:12
and now you have a smart pump.
178
552440
1481
okos-szivattyúhoz juthatunk.
09:13
And that, multiplied by a million times,
179
553945
1928
Ezt milliószorosan sokszorozva eljuthatunk
09:15
is going to be this second Industrial Revolution.
180
555897
2363
a második ipari forradalomba.
09:18
So now the car is going down the highway,
181
558284
2382
Tehát, autónk halad a sztrádán,
09:20
it's 250 horsepower, but in addition, it's 250 minds.
182
560690
4294
benne 250 lóerő és még 250 értelem.
Ez az önvezető autó.
09:25
That's the auto-driven car.
183
565008
1769
09:26
It's like a new commodity;
184
566801
1389
Olyan, mint egy új árucikk.
09:28
it's a new utility.
185
568214
1303
Egy újfajta közmű.
09:29
The AI is going to flow across the grid -- the cloud --
186
569541
3041
A mesterséges értelem hálózaton, – felhőben – terjed majd,
09:32
in the same way electricity did.
187
572606
1567
ugyanúgy, ahogy a villanyáram.
09:34
So everything that we had electrified,
188
574197
2380
Minden, amit villamosítottunk,
09:36
we're now going to cognify.
189
576601
1723
most majd értelemmel telik meg.
09:38
And I would suggest, then,
190
578693
1385
Nekem az a véleményem,
hogy a következő 10 000 startup receptje
09:40
that the formula for the next 10,000 start-ups
191
580102
3732
09:43
is very, very simple,
192
583858
1162
pofonegyszerű.
Végy egy x-et, és adj hozzá mesterséges értelmet.
09:45
which is to take x and add AI.
193
585044
3167
Ennyi a képlet, és csak ennyit fogunk tenni.
09:49
That is the formula, that's what we're going to be doing.
194
589100
2812
09:51
And that is the way in which we're going to make
195
591936
3306
Így fogjuk létrehozni
09:55
this second Industrial Revolution.
196
595266
1858
a második ipari forradalmat.
Egyébként, ha most
09:57
And by the way -- right now, this minute,
197
597148
2154
09:59
you can log on to Google
198
599326
1169
belépnek a Google-be,
10:00
and you can purchase AI for six cents, 100 hits.
199
600519
3882
6 centért vehetnek mesterséges értelmet, 100 találatot.
10:04
That's available right now.
200
604758
1604
Ez már most is lehetséges.
10:06
So the third aspect of this
201
606386
2286
A harmadik tényező:
10:09
is that when we take this AI and embody it,
202
609315
2678
amikor a mesterséges értelmet testtel ruházzuk föl,
robotokhoz jutunk.
10:12
we get robots.
203
612017
1173
10:13
And robots are going to be bots,
204
613214
1703
A robotok sok feladatot végeznek majd el abból,
10:14
they're going to be doing many of the tasks that we have already done.
205
614941
3328
amit eddig mi, emberek csináltunk.
10:20
A job is just a bunch of tasks,
206
620357
1528
A munka egy csomó feladat,
10:21
so they're going to redefine our jobs
207
621909
1762
melyeket a robotok újraértelmeznek,
10:23
because they're going to do some of those tasks.
208
623695
2259
mivel közülük bizonyosakat magukra vállalnak.
10:25
But they're also going to create whole new categories,
209
625978
3197
Ráadásul egy sor új kategóriát is alkotnak,
10:29
a whole new slew of tasks
210
629199
2247
egy sereg új feladatot is,
amikről korábban azt sem tudtuk, hogy végezni akarjuk.
10:31
that we didn't know we wanted to do before.
211
631470
2457
10:33
They're going to actually engender new kinds of jobs,
212
633951
3637
Új foglalkozásokat hoznak létre,
10:37
new kinds of tasks that we want done,
213
637612
2271
új feladatokat, amelyekre szükségünk lesz,
10:39
just as automation made up a whole bunch of new things
214
639907
3405
mint ahogy az automatizálás is egy sor új dolgot teremtett,
amelyek szükségességéről korábban sejtelmünk sem volt,
10:43
that we didn't know we needed before,
215
643336
1834
10:45
and now we can't live without them.
216
645194
1956
de ma már nem élhetünk nélkülük.
Több állást hoznak létre, mint amennyit megszüntetnek,
10:47
So they're going to produce even more jobs than they take away,
217
647174
3956
de fontos, hogy a nekik átadandó feladatok jó része
10:51
but it's important that a lot of the tasks that we're going to give them
218
651154
3434
10:54
are tasks that can be defined in terms of efficiency or productivity.
219
654612
4572
a hatékonyság és a termelékenység fogalma szempontjából,
10:59
If you can specify a task,
220
659676
1828
ha egyáltalán osztályozhatók,
11:01
either manual or conceptual,
221
661528
2235
vagy manuális vagy konceptuális jellegű,
11:03
that can be specified in terms of efficiency or productivity,
222
663787
4780
így a hatékonysággal vagy a termelékenységgel jellemezhető.
11:08
that goes to the bots.
223
668591
1777
Ezek átkerülnek a robotokhoz.
11:10
Productivity is for robots.
224
670758
2178
A hatékonyság a robotok terepe.
11:12
What we're really good at is basically wasting time.
225
672960
3070
Mi az idő pocsékolásában vagyunk a legjobbak.
(Nevetés)
11:16
(Laughter)
226
676054
1028
A nem hatékony dolgokban vagyunk igazán jók.
11:17
We're really good at things that are inefficient.
227
677106
2316
11:19
Science is inherently inefficient.
228
679446
3025
A tudomány jellemzően nem hatékony.
11:22
It runs on that fact that you have one failure after another.
229
682816
2906
A folyamatos kudarcok éltetik.
11:25
It runs on the fact that you make tests and experiments that don't work,
230
685746
3424
Azért működik, mert kudarcos kísérleteket végzünk,
11:29
otherwise you're not learning.
231
689194
1442
különben nem okulnánk.
11:30
It runs on the fact
232
690660
1162
Az élteti,
11:31
that there is not a lot of efficiency in it.
233
691846
2083
hogy nemigen hatékony.
11:33
Innovation by definition is inefficient,
234
693953
2779
Az újítási folyamat eleve nem hatékony,
11:36
because you make prototypes,
235
696756
1391
mert prototípusokat készítünk,
11:38
because you try stuff that fails, that doesn't work.
236
698171
2707
hiszen kipróbáljuk azt, ami nem működik.
11:40
Exploration is inherently inefficiency.
237
700902
3112
A kutatás természeténél fogva nem hatékony.
A művészet sem hatékony.
11:44
Art is not efficient.
238
704038
1531
11:45
Human relationships are not efficient.
239
705593
2127
Az emberi kapcsolatok nem hatékonyak.
11:47
These are all the kinds of things we're going to gravitate to,
240
707744
2940
Azért vonzódunk ezekhez a dolgokhoz,
11:50
because they're not efficient.
241
710708
1475
mert nem hatékonyak.
11:52
Efficiency is for robots.
242
712207
2315
A hatékonyság a robotok terepe.
11:55
We're also going to learn that we're going to work with these AIs
243
715338
4123
Meg kell tanulnunk majd együtt dolgozni a mesterséges értelemmel,
11:59
because they think differently than us.
244
719485
1997
mert másképp gondolkozik, mint mi.
Amikor a Deep Blue legyőzte a sakkvilágbajnokot,
12:02
When Deep Blue beat the world's best chess champion,
245
722005
4314
az emberek azt hitték, a sakknak befellegzett.
12:06
people thought it was the end of chess.
246
726343
1929
De kiderült, hogy a legjobb sakkvilágbajnok
12:08
But actually, it turns out that today, the best chess champion in the world
247
728296
4402
12:12
is not an AI.
248
732722
1557
nem egy mesterséges értelem,
12:14
And it's not a human.
249
734906
1181
és nem is egy sakkozó,
hanem a sakkozó és a mesterséges értelem együttese.
12:16
It's the team of a human and an AI.
250
736111
2715
12:18
The best medical diagnostician is not a doctor, it's not an AI,
251
738850
4000
A legjobb diagnoszta nem az orvos vagy a mesterséges értelem,
12:22
it's the team.
252
742874
1176
hanem a kettő együtt.
E mesterséges értelmekkel dolgozunk majd együtt,
12:24
We're going to be working with these AIs,
253
744074
2149
12:26
and I think you'll be paid in the future
254
746247
1995
és a jövőben aszerint fizetik majd önöket,
12:28
by how well you work with these bots.
255
748266
2391
hogy milyen jól tudnak együttműködni a robotokkal.
A harmadik dolog tehát, hogy ők mások,
12:31
So that's the third thing, is that they're different,
256
751026
4257
12:35
they're utility
257
755307
1165
ők valójában egy közmű:
12:36
and they are going to be something we work with rather than against.
258
756496
3816
velük kell dolgoznunk, nem pedig ellenük.
12:40
We're working with these rather than against them.
259
760336
2639
Együtt dolgozunk velük, nem ellenük.
12:42
So, the future:
260
762999
1477
Ezért a jövő:
12:44
Where does that take us?
261
764500
1420
Merre visz az utunk?
12:45
I think that 25 years from now, they'll look back
262
765944
3567
Ha utódaink 25 év múlva visszatekintenek
12:49
and look at our understanding of AI and say,
263
769535
3125
a mesterséges intelligenciára, majd azt mondják:
12:52
"You didn't have AI. In fact, you didn't even have the Internet yet,
264
772684
3300
"A ti időtökben nem volt sem MI, sem internetet ahhoz képest,
ami nekünk lesz 25 év múlva."
12:56
compared to what we're going to have 25 years from now."
265
776008
2741
12:59
There are no AI experts right now.
266
779849
3047
Most nincsenek mesterségesértelem-szakértők.
13:02
There's a lot of money going to it,
267
782920
1699
Rengeteg pénzt fektetnek ma ebbe,
13:04
there are billions of dollars being spent on it;
268
784643
2268
sok milliárd dollárt költenek rá;
13:06
it's a huge business,
269
786935
2164
ez hatalmas üzlet.
de nincs szakértője ahhoz képest, amit 20 év múlva tudunk majd róla.
13:09
but there are no experts, compared to what we'll know 20 years from now.
270
789123
4272
Még csak a kezdet kezdetén tartunk,
13:14
So we are just at the beginning of the beginning,
271
794064
2885
13:16
we're in the first hour of all this.
272
796973
2163
csak az első lépéseket tesszük meg.
Az internet hajnalán járunk.
13:19
We're in the first hour of the Internet.
273
799160
1935
Csak a jövő elején tartunk.
13:21
We're in the first hour of what's coming.
274
801119
2040
13:23
The most popular AI product in 20 years from now,
275
803183
4153
A MI 20 év múlva mindenki által használandó
13:27
that everybody uses,
276
807360
1444
legnépszerűbb termékét
13:29
has not been invented yet.
277
809499
1544
még föl sem találták.
13:32
That means that you're not late.
278
812464
2467
Eszerint nincsenek késésben.
13:35
Thank you.
279
815684
1151
Köszönöm.
13:36
(Laughter)
280
816859
1026
(Nevetés)
13:37
(Applause)
281
817909
2757
(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