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

Fordító: Péter Pallós Lektor: Ádám Kósa

Chris Anderson: Help us understand what machine learning is,

Chris Anderson: Segítsen megérteni, mi a gépi tanulás,

because that seems to be the key driver

mert az a fő hajtóereje

of so much of the excitement and also of the concern

a mesterséges intelligenciáért való nagy lelkesedésünknek,

around artificial intelligence.

de idegeskedésünknek is.

Hogy működik a gépi tanulás?

How does machine learning work?

Sebastian Thrun: So, artificial intelligence and machine learning

Sebastian Thrun: A mesterséges intelligencia és a gépi tanulás

is about 60 years old

kb. 60 éves,

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

de az utóbbi időkig nem jutott szerephez.

And the reason is that today,

Ennek oka, hogy mára a számítástechnika

we have reached a scale of computing and datasets

és az adattömeg olyan szintet ért el,

amely szükségessé tette okos gépek létrehozását.

that was necessary to make machines smart.

So here's how it works.

Így működik.

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

Ha ma számítógépet, pl. mobiltelefont kell programozni,

then you hire software engineers

programozókat fogadunk föl,

that write a very, very long kitchen recipe,

akik hosszú-hosszú ételreceptet írnak,

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

pl. "Ha a víz túl forró, hűtsd le.

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

Ha túl hideg, emeld a hőmérsékletét."

The recipes are not just 10 lines long.

A receptek nem tízsorosak.

They are millions of lines long.

Több millió sorból állnak.

A modern cell phone has 12 million lines of code.

Egy modern mobiltelefon programja 12 millió sorból áll.

A browser has five million lines of code.

Egy böngészőé ötmillió soros.

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

Ha hiba kerül a receptbe, összeomolhat a számítógépünk.

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

Azért keresnek olyan jól a szoftvermérnökök.

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

Az újdonság, hogy a számítógépek megtalálják maguknak a szabályaikat.

So instead of an expert deciphering, step by step,

Nem a szakember dolgozza ki minden előadódó esetre

a rule for every contingency,

lépésenként a szabályokat,

what you do now is you give the computer examples

hanem mi adunk példákat a számítógépnek,

s a szabályok kikövetkeztetését ráhagyjuk.

and have it infer its own rules.

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

Jó példa rá az AlphaGo, amelyet nemrég a Google fejlesztett ki.

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

Rendszerint játéknál a szabályokat lejegyezzük,

but in AlphaGo's case,

ám az AlphaGo esetében

the system looked over a million games

a rendszer nézett át milliónyi játszmát,

and was able to infer its own rules

s következtette ki a szabályait.

and then beat the world's residing Go champion.

Aztán legyőzte a go-világbajnokot.

That is exciting, because it relieves the software engineer

Ez lenyűgöző, mert szükségtelenné válik,

of the need of being super smart,

hogy a szoftveres szuper okos legyen;

and pushes the burden towards the data.

és a lényeg az adatokra tevődik át.

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

Mondottam, a fordulópont, ahol ez lehetségessé válik, zavarba ejtő;

disszertációtémám a gépi tanulás volt.

very embarrassing, my thesis was about machine learning.

It was completely insignificant, don't read it,

Teljesen felejtős volt, ne olvassák,

mert 20 éve írtam.

because it was 20 years ago

akkoriban a számítógépek annyit tudtak, mint a csótány agya.

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

Ma már elég nagy teljesítményűek,

Now they are powerful enough to really emulate

kind of specialized human thinking.

hogy versenyre keljenek az emberi gondolkozással.

And then the computers take advantage of the fact

A számítógép előnye,

hogy sokkal több adatot kezelhet, mint az ember.

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

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

Az AlphaGo több mint egymillió játszmát nézett át.

No human expert can ever study a million games.

Nincs az a szakember, aki ennyit áttanulmányozna.

Google has looked at over a hundred billion web pages.

A Google több mint százmilliárd weboldalt nézett át.

No person can ever study a hundred billion web pages.

Ember képtelen rá.

So as a result, the computer can find rules

Ennek eredményeként a gép találhat olyan szabályokat,

that even people can't find.

amelyeket még az ember sem.

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

CA: Tehát a "Ha ő ezt lépi, arra én ezt lépem" helyett

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

a gép inkább így fogja föl:

"Ez látszik nyerő kombinációnak."

here is what looks like a winning pattern."

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

ST: Gondoljunk a gyereknevelésre.

Nem azzal töltjük az első 18 évét, hogy szabályt adjunk minden esetre;

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

hagyjuk őt kibontakozni, s kialakítja a szabályait.

and set them free and they have this big program.

Botladozik, elesik, fölkel, megüti magát,

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

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

okul belőlük, járja az élet iskoláját,

and they figure it out on their own.

önmaga rájön sok mindenre.

That's happening with computers now,

Ez megy végbe ma a számítógépekkel,

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

amelyek a programozást hirtelen megkönnyítették.

Nem kell törnünk a fejünket. Csak rengeteg adatot adunk nekik.

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

CA: Ez magyarázza

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

az önvezető autó látványos fejlődését.

in power of self-driving cars.

I think you gave me an example.

Példát említett.

Elmagyarázná, mi történik ott?

Can you explain what's happening here?

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

ST: Ez az önvezető autó, történetesen

that we happened to have at Udacity

vele dolgoztunk az Udacitynél,

and recently made into a spin-off called Voyage.

s nemrég ezt fejlesztettük tovább Voyage néven.

We have used this thing called deep learning

Az ún. mély tanulással tanítottuk

to train a car to drive itself,

az autókat önmagukat vezetni,

and this is driving from Mountain View, California,

ez pedig autózás a kaliforniai Mountain Viewból

to San Francisco

San Franciscóba

on El Camino Real on a rainy day,

az El Camino Realon esős napon,

with bicyclists and pedestrians and 133 traffic lights.

bringások és gyalogosok között, az úton 133 közlekedési lámpával.

And the novel thing here is,

Az újdonság ebben,

hogy amikor sok hónapja élére álltam a Google önvezetőautó-csoportjának,

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

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

aznap fölvettem a világ legjobb szoftverfejlesztő mérnökeit,

to find the world's best rules.

hogy megtalálják a legjobb szabályokat.

This is just trained.

Ez már kitanulta.

We drive this road 20 times,

Hússzor megtettük vele ezt az utat,

we put all this data into the computer brain,

betápláltuk az adatokat a számítógépbe,

and after a few hours of processing,

s néhány órás földolgozás után

it comes up with behavior that often surpasses human agility.

a gép olyan viselkedést mutat, amely gyakran felülmúlja az emberét.

So it's become really easy to program it.

Nagyon könnyű lett programozni.

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

100%-osan önvezető, másfél óra alatt 53 km-t tesz meg.

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

CA: Magyarázza el, a bal oldali program nagy részében

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

azt látja, amit a számítógép: kamionokat, autókat,

and those dots overtaking it and so forth.

azok a pontok ott előzik stb.

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

ST: Jobb oldalon látható a kamerakép itt ez fő betáplált adat;

sávváltáshoz, más járművek s jelzőlámpák fölismerésére kell.

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

The vehicle has a radar to do distance estimation.

A járműben távolságérzékelésre szolgáló radar van.

This is very commonly used in these kind of systems.

Sűrűn használják az efféle rendszerekben.

Bal oldalon lézerdiagram látható,

On the left side you see a laser diagram,

amin akadályok jelennek meg, pl. fák, melyeket a lézer rajzol ki.

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

De a kamerakép körül forog a legtöbb figyelemreméltó dolog.

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

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

Egyre inkább áttérünk a pontos radar- és lézerérzékelőkről

a nagyon olcsó bolti érzékelőkre.

into very cheap, commoditized sensors.

A kamera nem kerül még nyolc dollárba sem.

A camera costs less than eight dollars.

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

CA: Mi az a zöld pötty?

Is that anything meaningful?

Van jelentősége?

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

ST: Ez az "Előre figyelő pont" az adaptív sebességtartó automatához.

so it helps us understand how to regulate velocity

A jármű sebességét választja meg

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

az előtte haladó kocsik távolságának függvényében.

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

CA: Nyilván van példája arra is,

of how the actual learning part takes place.

a valóságban hogy folyik a tanulás.

Maybe we can see that. Talk about this.

Megnézhetnénk? Beszéljünk róla.

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

ST: E példában feladatot tűztünk ki az Udacity-diákok elé:

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

használják az önvezető autó Nanodegree programját.

We gave them this dataset

Megkapták ezt az adathalmazt azzal:

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

"Fiúk, jöjjetek rá, hogyan kell ezt az autót vezetni!"

And if you look at the images,

Ha megnézzük a képeket,

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

még embereknek is kemény dió rájönni a helyes vezetési módra.

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

Versenyt rendeztünk, s azt mondtuk: "Ez mély tanulás verseny,

AI competition,"

MI-verseny",

and we gave the students 48 hours.

és 48 órát kaptak a diákok.

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

Olyan szoftverházakban, mint a Google vagy a Facebook,

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

erre legalább félévi munka rámegy.

So we figured 48 hours is great.

Mi úgy véltük, 48 óra tökéletes.

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

S ezalatt kb. 100 javaslat érkezett tőlük,

and the top four got it perfectly right.

és a négy legjobb diák tökéletesen rájött.

It drives better than I could drive on this imagery,

A jármű képanyag alapján nálam jobban vezeti magát

using deep learning.

mély tanulással.

And again, it's the same methodology.

Ismétlem, a módszertan azonos.

It's this magical thing.

Varázslatos!

When you give enough data to a computer now,

Amikor elég adatot kap a számítógép,

and give enough time to comprehend the data,

és megértésükre elég időt,

it finds its own rules.

rájön a szabályokra.

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

CA: Ez vezetett a minden téren

hatékony alkalmazások kifejlesztésére.

in all sorts of areas.

You were talking to me the other day about cancer.

A napokban a rákról beszélt nekem.

Can I show this video?

Levetíthetem ezt a videót?

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

ST: Csak tessék. CA: Elképesztő.

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

ST: Bepillantást nyerhetünk

in a completely different domain.

egy teljesen más területbe.

This is augmenting, or competing --

Hozzátesz azokhoz vagy versenyez velük –

it's in the eye of the beholder --

egyéni meglátás kérdése –,

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

akik évente 400 000 dollárt keresnek:

bőrgyógyászokról van szó,

dermatologists,

highly trained specialists.

kiváló képzettségű szakemberekről.

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

Hogy valaki jó bőrgyógyásszá váljék, ahhoz legalább tízéves képzés kell.

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

Itt a képzés gépi tanulási változatát látjuk,

It's called a neural network.

az ún. neurális hálózatot.

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

A neurális hálózat szakkifejezés a gépi tanulás algoritmusaira.

They've been around since the 1980s.

Az 1980-as évek óta ismeretesek.

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

Ezt 1988-ban találta fel Yann LeCun Facebook-munkatárs,

and it propagates data stages

és szakaszosan dolgozza föl az adatokat,

through what you could think of as the human brain.

mint az emberi agy.

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

Nem pont ugyanúgy, csak utánozza.

It goes stage after stage.

Szakaszról szakaszra.

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

Az elsőben megkapja a képi bemenőjelet, és kiválasztja a kontúrokat,

and rods and dots.

vonalakat és pontokat.

And the next one becomes more complicated edges

A következőben a bonyolultabb kontúrokat

and shapes like little half-moons.

és alakokat, pl. félholdakat.

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

Végül képes egészen bonyolult fogalmakat alkotni.

Andrew Ng has been able to show

Andrew Ng ki tudta mutatni,

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

hogy a rendszer rengeteg képből ki tudja választani

in vast amounts of images.

macskák és kutyák pofáját.

What my student team at Stanford has shown is that

Stanfordi diákcsoportom kimutatta,

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

hogy ha 129 000, bőrbetegséget ábrázoló fotón tanul,

including melanoma and carcinomas,

beleértve a melanomát és a karcinómát,

you can do as good a job

olyan jó eredményt ér el,

as the best human dermatologists.

mint a legjobb bőrgyógyász.

And to convince ourselves that this is the case,

Hogy meggyőződjünk róla,

we captured an independent dataset that we presented to our network

egy független adathalmazt tártunk rendszerünk elé

and to 25 board-certified Stanford-level dermatologists,

s Stanford-szakvizsgát tett 25 bőrgyógyász elé,

and compared those.

és összevetettük az eredményt.

And in most cases,

A legtöbb esetben

they were either on par or above the performance classification accuracy

az osztályozás pontossága egy szinten állt, vagy jobb volt,

mint a bőrgyógyászoké.

of human dermatologists.

CA: You were telling me an anecdote.

CA: Mesélt nekem egy történetet,

I think about this image right here.

azt hiszem, pont erről a képről.

What happened here?

Mi volt az?

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

ST: A múlt csütörtökön történt. Megrendítő példa.

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

Ezt az elképzelést mutattuk be és 2017-ben publikáltuk a Nature-ben:

was this idea that we show dermatologists images

a bőrgyógyászoknak fotókat mutatunk

s a program képeit,

and our computer program images,

and count how often they're right.

s figyeljük a jó diagnózis arányát.

But all these images are past images.

De ezek régi képek.

Azért végeztünk biopsziát, hogy meggyőződjünk a helyes diagnózisról.

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

This one wasn't.

De ez a fotó más.

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

Egyik partnerünk készítette a Stanfordon.

Partnerünk, aki világhírű bőrgyógyász,

The story goes that our collaborator,

kétségkívül a három legjobb egyike,

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

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

ránézett a bőrfoltra, s azt mondta: "Ez nem bőrrák."

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

Majd kisvártatva azt mondta:

"Ellenőrizzük az alkalmazással!"

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

Az iPhone-ján lefuttatta a szoftvert,

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

our "pocket dermatologist," so to speak,

a "zseb-bőrgyógyászunkat",

and the iPhone said: cancer.

és az iPhone azt mondta: rák,

It said melanoma.

melanoma.

And then he was confused.

A doki zavarba jött,

majd eldöntötte: "Jó, talán az iPhone-nak jobban hiszek, mint magamnak",

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

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

és a laborban elvégezték a biopsziát.

And it came up as an aggressive melanoma.

Kiderült, hogy agresszív melanoma.

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

Szerintem ez az első alkalom,

hogy mély tanulás alkalmazásával találtuk meg valaki melanomáját,

in the practice of using deep learning,

amelyet nem diagnosztizáltak volna,

an actual person whose melanoma would have gone unclassified,

ha nem lett volna a mély tanulás.

had it not been for deep learning.

CA: I mean, that's incredible.

CA: Elképesztő!

(Applause)

(Taps)

Úgy tűnik, azonnali igény lenne efféle alkalmazásokra,

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

that you might freak out a lot of people.

az emberek kezüket-lábukat törnék értük.

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

Terveznek önellenőrzés végzésére való alkalmazásokat?

ST: A bejövő fiókom teli van rákalkalmazásokról szóló ímélekkel,

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

with heartbreaking stories of people.

szívfacsaró történetekkel betegekről.

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

Egyes betegekről 10-15-20 melanomát távolítottak el,

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

és félnek, hogy egyet nem vettek észre,

mint ezt, és tudom is én,

and also, about, I don't know,

flying cars and speaker inquiries these days, I guess.

repülő autókról; fölkérések konferenciákra.

My take is, we need more testing.

Több tesztre van szükség.

I want to be very careful.

Óvatos szeretnék lenni.

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

Könnyű hivalkodó eredményekkel lenyűgözni a TED közönségét.

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

Sokkal nehezebb valami etikus dologhoz jutni.

And if people were to use the app

Ha a páciensek az alkalmazást használva úgy döntenek,

and choose not to consult the assistance of a doctor

hogy minek orvoshoz menni,

because we get it wrong,

és mi tévedünk,

szörnyen érezném magam.

I would feel really bad about it.

Jelenleg klinikai teszteket végzünk,

So we're currently doing clinical tests,

és ha megindulnak, s megerősítik adatainkat,

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

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

valamikor az ilyesfajta technológiát

and take it out of the Stanford clinic

bevezethetjük a Stanford klinikáján,

and bring it to the entire world,

majd az egész világon,

olyan helyeken, ahová a Stanford orvosai nem jutnak el.

places where Stanford doctors never, ever set foot.

CA: And do I hear this right,

CA: Jól hallottam,

that it seemed like what you were saying,

amit mondott,

mert egy sereg Udacity-diákkal dolgozik,

because you are working with this army of Udacity students,

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

a gépi tanulás más formáját alkalmazza,

than might take place in a company,

mint amit egy cégnél lehetne?

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

Kombinálja a gépi tanulást a csoportbölcsességgel.

Azt állítja, hogy ez néha fölülmúlhatja

Are you saying that sometimes you think that could actually outperform

egy cég, sőt egy nagy cég teljesítményét?

what a company can do, even a vast company?

ST: Vannak példák, amelyektől leesik az állam,

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

and I'm still trying to understand.

és épp csak próbálok felfogni.

A versenyek, amelyekre Chris hivatkozott.

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

48 órát rájuk szánva

We turn them around in 48 hours,

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

önvezető autót tudtunk létrehozni,

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

ami Mountain View-ból eljut utcákon haladva San Franciscóba.

Nem hasonlítható a Google hét évig fejlesztett autójához,

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

but it's getting there.

de afelé tart.

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

Nekünk csak két mérnök és háromhavi munka kellett hozzá.

And the reason is, we have an army of students

Az az oka, hogy seregnyi diák

who participate in competitions.

vesz részt a versenyekben.

We're not the only ones who use crowdsourcing.

Nem mi használunk egyedül crowdsourcingot.

Uber and Didi use crowdsource for driving.

Az Uber és a Didi is használja a vezetéshez.

Airbnb uses crowdsourcing for hotels.

Az Airbnb használja szállodákhoz.

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

Sok példa van hibakereső crowdsourcingra

vagy fehérjefelgombolyodásra crowdsourcingban.

or protein folding, of all things, in crowdsourcing.

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

De mi képesek voltunk három hónap alatt megépíteni az autót,

és most újragondolom

so I am actually rethinking

how we organize corporations.

a cégek szervezését.

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

9 000 fős gárdánk van, akiket nem toboroztunk,

that I never fire.

senkit nem rúgok ki.

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

Tudtom nélkül munkába állnak,

Then they submit to me maybe 9,000 answers.

aztán tesznek nekem vagy 9 000 javaslatot.

I'm not obliged to use any of those.

Nem muszáj mindet fölhasználnom.

I end up -- I pay only the winners,

Végül is csak a legjobbakért fizetek,

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

úgyhogy sóher alak vagyok, lehet, hogy ez nem jó.

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

De embereim ezt tanulásnak tekintik, ami viszont jó.

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

De a diákok ragyogó eredményt értek el a mély tanulással.

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

Igen, a ragyogó emberek s a ragyogó gépi tanulás szintézise elképesztő.

CA: Garry Kaszparov elmondta a TED2017 első napján,

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

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

hogy meglepetésre a sakkverseny győztese két amatőr sakkozó lett,

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

három közepesen jó számítógép-programmal,

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

melyek teljesítménye fölülmúlta egy nagymesterét s egy jó sakkozóét,

like it was all part of the process.

akik szintén részt vettek a versenyen.

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

Úgy tűnik, hogy ön ugyanazon gondolat

of that same idea.

sokkal szélesebb változatáról beszél.

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

ST: Igen, ahogy figyelte a tegnap reggeli előadásokat,

two sessions about AI,

az MI-ről szóló két ülésszakot:

robotic overlords and the human response,

a robot főurakról és a humán válaszokról,

many, many great things were said.

sok-sok érdekesség elhangzott.

But one of the concerns is that we sometimes confuse

De az egyik baj, hogy néha összekeverjük az MI-vel történteket

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

a főurak jelentette fenyegetéssel,

ahol MI-nk tudatot fejleszt ki.

where your AI develops consciousness, right?

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

A hátam közepére sem kívánom, hogy az MI-mnek tudata legyen.

I don't want to come into my kitchen

Nem akarok arra bemenni a konyhába,

and have the refrigerator fall in love with the dishwasher

hogy a hűtőm beleszeretett a mosogatógépbe,

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

és közölje: rosszul viselkedtem,

my food is now warm.

ezért nem hűti a kajámat.

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

Nem fogok ilyen cikkeket venni, nem akarok ilyeneket.

But the truth is, for me,

De az az igazság, hogy számomra

AI has always been an augmentation of people.

az MI mindig az ember kiterjesztése.

It's been an augmentation of us,

Azért a mi kiterjesztésünk,

to make us stronger.

hogy erősebbé tegyen bennünket.

And I think Kasparov was exactly correct.

Azt hiszem, Kaszparovnak igaza volt.

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

Az emberi okosság és a gépi okosság ötvözése

that make us stronger.

tesz bennünket erősebbé.

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

A minket erősebbé tevő gépek témája egyidős a gépekkel.

The agricultural revolution took place because it made steam engines

A mezőgazdasági forradalom a gőzgép föltalálásával kezdődött

s a gépekkel, amelyek nem tudtak önállóan földet művelni,

and farming equipment that couldn't farm by itself,

sosem helyettesítettek minket, de erősebbé tettek.

that never replaced us; it made us stronger.

Meggyőződésem, hogy az MI új hulláma minket mint emberi fajt

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

as a human race.

sokkal-sokkal erősebbé tesz.

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

CA: Erre még kitérünk.

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

Folytassuk azzal, ami sokaknak rémisztő,

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

nevezetesen, ha számítógépünk

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

át tudja írni a kódját,

so, it can create multiple copies of itself,

több példányban előállíthatja magát,

kipróbálhat egy csomó kódváltozatot,

try a bunch of different code versions,

possibly even at random,

tán még véletlenszerűen is,

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

majd kipróbálja őket, hogy célt értek-e és fejlődtek-e.

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

A cél, mondjuk, jobb eredmény az intelligenciatesztben.

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

A számítógép mérsékelten jó benne,

you could try a million versions of that.

kipróbálhatunk milliónyi változatot.

You might find one that was better,

Találhatunk egy jobbat,

and then, you know, repeat.

és aztán megismételjük.

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

A gondot az okozza, hogy elszabadulnak a dolgok:

where everything is fine on Thursday evening,

csütörtök este még minden rendben,

and you come back into the lab on Friday morning,

aztán péntek reggel bemegyünk a laborba,

és a számítógép sebessége meg miegymás miatt

and because of the speed of computers and so forth,

things have gone crazy, and suddenly --

a dolgok tótágast állnak, és hirtelen...

ST: I would say this is a possibility,

ST: Azt mondanám, hogy fönnáll a lehetősége,

but it's a very remote possibility.

de nagyon távoli.

So let me just translate what I heard you say.

Talán lefordítom, amit mondott.

In the AlphaGo case, we had exactly this thing:

Az AlphaGóval ez a helyzet:

the computer would play the game against itself

a számítógép önmagával játszik,

s így tanul új szabályokat.

and then learn new rules.

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

A gépi tanulás a szabályok újraírása,

It's the rewriting of code.

a kódok újraírása.

But I think there was absolutely no concern

De egyáltalán nem kell attól tartanunk,

that AlphaGo would take over the world.

hogy az AlphaGo átveszi a világhatalmat,

It can't even play chess.

hiszen még sakkozni sem tud.

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

CA: Nem, nem, de e dolgok most még nagyon korlátozott területről származnak.

But it's possible to imagine.

De elképzelhető...

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

Arra gondolok, hogy egy program kis híján

of passing a university entrance test,

letette az egyetemi felvételi vizsgát,

nem volt képes abban az értelemben olvasni és érteni, ahogy mi,

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

but it can certainly absorb all the text

de mégis fölfogta a szöveget,

and maybe see increased patterns of meaning.

s lehet, hogy a szöveg értelmének magasabb fokú mintázatát észlelte.

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

Nincs arra esély, hogy amint ez kiszélesedik,

there could be a different kind of runaway effect?

valahogy mégis elszabadulnak a dolgok?

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

ST: Itt meghúznám a határvonalat.

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

A lehetőség fönnáll, és nem akarom kisebbíteni,

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

de ez igen távoli, és ma nem ez aggaszt,

mert másban tör ki nagy forradalom.

because I think the big revolution is something else.

Az MI-ben máig elért eredmények

Everything successful in AI to the present date

igen egyedi téren születtek.

has been extremely specialized,

s ez pedig egyetlen ötleten alapszik,

and it's been thriving on a single idea,

which is massive amounts of data.

a hatalmas mennyiségű adatén.

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

Az AlphaGo az óriási mennyiségű gojátszma miatt működik olyan jól,

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

de sem autót, sem repülőt nem képes vezetni.

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

Google önvezető autója vagy az Udacity önvezető autója

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

az óriási mennyiségű adat miatt fejlődik, de semmi máshoz sem ért.

Még motorbiciklit sem vezet.

It can't even control a motorcycle.

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

Nagyon egyedi, szűk tárgykörű funkció,

and the same is true for our cancer app.

és ugyanez áll a rákalkalmazásra is.

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

Szinte egyáltalán nincs fejlődés az ún. generális MI terén,

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

ahol azt mondjuk az MI-nek: "Fedezd föl a speciális relativitáselméletet,

or string theory."

vagy a húrelméletet!"

It's totally in the infancy.

Gyerekcipőben jár.

The reason I want to emphasize this,

Ezt azért hangsúlyozom,

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

mert látom az aggodalmat, és tudomásul veszem.

But if I were to think about one thing,

De gondolkozzunk el valami máson.

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

Fölteszem a kérdést:

"Mi lenne, ha bármilyen monoton munkában százszor hatékonyabbak lennénk?"

and make ourselves 100 times as efficient?"

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

300 éve mind a mezőgazdaságban dolgoztunk,

földet műveltünk, monoton munkát végeztünk.

and did farming and did repetitive things.

Today, 75 percent of us work in offices

Ma 75%-unk irodai munkát végez,

eléggé monoton munkát.

and do repetitive things.

We've become spreadsheet monkeys.

Űrlapmajmokká váltunk.

And not just low-end labor.

Nemcsak az alantas munkáról van szó.

We've become dermatologists doing repetitive things,

Bőrgyógyászoknak is monoton a munkájuk,

lawyers doing repetitive things.

jogászoknak is monoton a munkájuk.

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

Közel járunk ahhoz, hogy elővigyázatosan

képesek leszünk egy MI-vel

look over our shoulders,

10-50-szer hatékonyabbnak bizonyulni valamely monoton tevékenységben.

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

That's what is on my mind.

Ez jár a fejemben.

CA: Ez igencsak lelkesítőn hangzik.

CA: That sounds super exciting.

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

Az oda vezető folyamat egyeseknek egy kissé rémisztő,

mert ha egyszer a monoton dolgokkal a gép sokkal jobban boldogul,

because once a computer can do this repetitive thing

much better than the dermatologist

mint a bőrgyógyász

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

vagy az autóvezető,

hiszen erről ma elég sokat beszéltünk,

so much now,

suddenly millions of jobs go,

hirtelen milliók vesztik el munkájukat,

and, you know, the country's in revolution

és az országban forradalom tör ki,

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

mielőtt még a lehetőségek fényesebb vonatkozásai föltárulhatnának.

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

ST: Igen, ez visszás helyzet, nagy gond,

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

tegnap reggel erre több előadó utalt.

Now, prior to me showing up onstage,

Színpadra lépésem előtt bevallottam,

I confessed I'm a positive, optimistic person,

hogy pozitív és optimista ember vagyok,

so let me give you an optimistic pitch,

ezért hadd hozzak optimista példát.

which is, think of yourself back 300 years ago.

Menjünk vissza úgy 300 évet!

Europe just survived 140 years of continuous war,

Európa épp túlélte a 140 éves háborús időszakot,

none of you could read or write,

teljes az írástudatlanság,

there were no jobs that you hold today,

nem töltöttek be mai munkaköröket,

like investment banker or software engineer or TV anchor.

nem volt pl. beruházási bankár, szoftvermérnök vagy tévébemondó.

We would all be in the fields and farming.

Mind a mezőgazdaságban dolgozunk.

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

Megjelenik a kis Sebastian, zsebében egy kis gőzgéppel, és azt mondja:

saying, "Hey guys, look at this.

"Ide figyeljenek, emberek!

Ez a szerkentyű százszor erősebbé teszi magukat, hogy mást csinálhassanak."

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

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

Akkoriban nem volt igazi színpad,

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

de Chris és én a tehénistállóban időzünk,

s Chris fölhorkan: "Nem lesz ez jó,

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

mert naponta fejem a tehenem, mi lesz, ha majd gép helyettesít?"

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

The reason why I mention this is,

Azért említem ezt, mert mindig készséggel elismerjük

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

a múltbéli fejlődést és a belőle származó előnyöket,

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

pl. az iPhone-t, repülőket, villamosságot, orvosi ellátást.

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

Tetszik, hogy 80 évig élhetünk, de 300 éve ez lehetetlen volt.

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

E szabályokat nem alkalmazzuk a jövőre.

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

Vezérigazgatói munkakörömet tekintve

I would say 90 percent of my work is repetitive,

munkám 90%-a monoton.

I don't enjoy it,

Nem élvezem.

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

Nap mint nap kb. négy órát töltök idétlen, rutin ímélek megválaszolásával.

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

Égek a vágytól, hogy valami segítsen megszabadulni tőlük.

Why?

Miért?

Because I believe all of us are insanely creative;

Mert hiszem, hogy mindnyájan őrülten kreatívak vagyunk;

I think the TED community more than anybody else.

különösen áll ez a TED-esekre.

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

De még a fizikai dolgozók is, ha a szállóban a szobalánnyal

and have a drink with him or her,

fölhajtanak egy italt,

and an hour later, you find a creative idea.

egy óra múlva eszükbe jut valami kreatív ötlet.

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

Ez képessé teszi a kreativitást, hogy tettekben öltsön testet.

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

Mi lenne, ha máról holnapra megcsinálhatnánk a Google-t?

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

Mi lenne, ha egy pohár sör mellett föltalálnánk egy új Snapchatot,

whatever it is,

bármi legyen is az,

and tomorrow morning it's up and running?

aztán holnap reggel már működne is?

And that is not science fiction.

Ez nem sci-fi.

What's going to happen is,

Ami szemünk előtt zajlik,

we are already in history.

már történelmünk része.

We've unleashed this amazing creativity

Azzal szabadítottuk föl az elképesztő kreativitást,

hogy ledobtuk magunkról a mezőgazdaság igáját,

by de-slaving us from farming

and later, of course, from factory work

persze később a gyári munkáét is,

and have invented so many things.

és rengeteg mindent fölfedeztünk.

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

Ez csak javul az idő előrehaladtával.

And there's going to be great side effects.

Nagy mellékhatásai is lesznek.

One of the side effects will be

Az egyik, hogy az élelmiszer,

that things like food and medical supply and education and shelter

az egészségügyi ellátás, az oktatás, a lakhatás

and transportation

és a közlekedés

will all become much more affordable to all of us,

sokkal inkább mindenkinek megfizethető lesz,

not just the rich people.

nemcsak a gazdagoknak.

CA: Hmm.

CA: Hmm.

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

Martin Ford jövőkutató azzal érvel, hogy kivételes időket élünk,

because the intelligence that we've used in the past

mert az új módszerek keresésére

to find new ways to be

a múltban használt intelligencia

will be matched at the same pace

versenyre kel a számítógépével,

by computers taking over those things,

amely átveszi a dolgok irányítását.

Ön szerint ez nincs teljesen így

what I hear you saying is that, not completely,

because of human creativity.

az emberi kreativitás miatt.

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

Úgy gondolja, hogy ez alapvetően más,

mint amilyen kreativitást a gép mutat?

that computers can do?

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

ST: MI-fejlesztőként szilárd meggyőződésem,

that I haven't seen any real progress on creativity

hogy semmiféle előrehaladást nem tapasztaltam kreativitásban

and out-of-the-box thinking.

s rendhagyó gondolkodásban.

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

Azt látom, és fontos, hogy ez mindenkiben tudatosuljon,

mert a "mesterséges intelligencia" kifejezés olyannyira fenyegető,

because the word "artificial intelligence" is so threatening,

and then we have Steve Spielberg tossing a movie in,

és Steve Spielberg filmjéből az árad,

where all of a sudden the computer is our overlord,

hogy a számítógép egyszer csak urunkká válik,

but it's really a technology.

de ez a technológia.

A technológia, amely segítségünkre van a monoton munkában.

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

And the progress has been entirely on the repetitive end.

A haladás teljesen a monoton oldalt jellemzi.

It's been in legal document discovery.

A jogi iratok kikeresését.

It's been contract drafting.

Szerződéstervezetek elkészítését.

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

Mellkasunk röntgenátvilágítását.

And these things are so specialized,

Ezek annyira egyedi területek.

I don't see the big threat of humanity.

Nem látok nagy veszélyt az emberiségre.

In fact, we as people --

Ami azt illeti, mi, emberek,

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

vegyük tudomásul: szuperemberek lettünk.

We've made us superhuman.

Azzá tettük magunkat.

We can swim across the Atlantic in 11 hours.

11 óra alatt átkelhetünk az Atlanti óceánon.

We can take a device out of our pocket

A zsebünkből előkapott készülékbe kiabálva

and shout all the way to Australia,

az elhallatszik Ausztráliáig,

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

és valós időben a másik fél visszaszól nekünk.

Ez fizikai képtelenség. Megsértjük a fizikai törvényeket.

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

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

Mindenre emlékezni fogunk,

amit valaha mondtunk vagy tettünk,

we've ever said and seen,

you'll remember every person,

mindenkire emlékezni fogunk,

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

ami jó nekem a korai Alzheimer-kórban.

Bocs, miről beszéltem? Elfelejtettem.

Sorry, what was I saying? I forgot.

CA: (Nevet)

CA: (Laughs)

ST: Legalább ezres IQ-nk lesz

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

There will be no more spelling classes for our kids,

A gyerekeknek nem lesz több helyesírás-órájuk,

because there's no spelling issue anymore.

mert a helyesírás nem lesz téma.

There's no math issue anymore.

Matektéma sem lesz.

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

A lényeg, hogy szuper kreatívak leszünk.

And we are. We are creative.

Azok vagyunk. Kreatívak vagyunk.

That's our secret weapon.

Ez a titkos fegyverünk.

CA: A munkaköröket lassacskán elveszítjük,

CA: So the jobs that are getting lost,

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

ráadásul fájdalmak közepette;

humans are capable of more than those jobs.

az ember többre képes azoknál a munkáknál.

This is the dream.

Ez az álom.

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

Az álom, hogy az ember fölnőhet

a képességek és fölfedezések új szintjére.

and discovery.

That's the dream.

Ez az álom.

ST: And think about this:

ST: De gondoljunk csak erre:

ha az emberiség

if you look at the history of humanity,

kb. 60–100 ezer éves történetét nézzük,

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

almost everything that you cherish in terms of invention,

majdnem minden, amit a fölfedezésekben,

technológiában létrehoztunk és becsben tartunk,

of technology, of things we've built,

has been invented in the last 150 years.

az utóbbi 150 év eredménye.

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

a könyv és a kerék egy kissé idősebb.

Or the axe.

Vagy a balta.

De a telefon, az edzőcipő,

But your phone, your sneakers,

these chairs, modern manufacturing, penicillin --

ezek a székek, a modern gyártás, penicillin,

the things we cherish.

a becsben tartott dolgok.

Now, that to me means

Ebből arra következtetek,

the next 150 years will find more things.

hogy a jövő 150 év több dolgot tartogat.

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

A fölfedezések üteme fölgyorsult, nem pedig lassult.

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

Azt hiszem, egyelőre az érdekes dolgok 1%-a van fölfedezve.

Még nem győztük le a rákot.

We haven't cured cancer.

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

Nincsenek repülő autóink – egyelőre. Remélem, ezen változtatok.

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

Korábban az emberek csak nevettek ezen. (Nevetés)

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

Bájos, nem? Titokban dolgozni a repülő autón.

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

Még mindig nem élünk kétszer annyi évig.

We don't have this magic implant in our brain

Még nincs meg agyunk csodás implantátuma,

amellyel hozzájutunk a kívánt infóhoz.

that gives us the information we want.

Lehet, hogy elborzasztja önöket,

And you might be appalled by it,

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

de ígérem, ha egyszer megkapják, tetszeni fog.

I hope you will.

Remélem, tetszeni fog.

It's a bit scary, I know.

Tudom, hogy egy kissé ijesztő.

There are so many things we haven't invented yet

Sok mindent még nem fedeztünk föl,

that I think we'll invent.

meglesz.

Nincs gravitációs pajzsunk.

We have no gravity shields.

Nem tudjuk még teleportálni magunkat.

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

Röhejesen hangzik,

de úgy 200 éve szakértők állították,

That sounds ridiculous,

but about 200 years ago,

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

hogy a repülés nem valósítható meg,

even 120 years ago,

csak 120 éve állították,

and if you moved faster than you could run,

hogy aki gyorsabban mozogna,

mint fut, az szörnyethal.

you would instantly die.

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

Ki mondja, hogy igazunk van abban,

hogy nem teleportálhatunk senkit a Marsra?

from here to Mars?

CA: Sebastian, thank you so much

CA: Sebastian, nagyon köszönöm

for your incredibly inspiring vision and your brilliance.

a hihetetlenül megihlető vízióját s ragyogó előadását.

Thank you, Sebastian Thrun.

Köszönöm, Sebastian Thrun.

Fantasztikus volt. (Taps)

That was fantastic. (Applause)