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

259,143 views ・ 2017-12-21

TED


A videó lejátszásához kattintson duplán az alábbi angol feliratokra.

Fordító: Péter Pallós Lektor: Ádám Kósa
00:12
Chris Anderson: Help us understand what machine learning is,
0
12904
2886
Chris Anderson: Segítsen megérteni, mi a gépi tanulás,
00:15
because that seems to be the key driver
1
15814
2054
mert az a fő hajtóereje
00:17
of so much of the excitement and also of the concern
2
17892
2737
a mesterséges intelligenciáért való nagy lelkesedésünknek,
00:20
around artificial intelligence.
3
20653
1494
de idegeskedésünknek is.
Hogy működik a gépi tanulás?
00:22
How does machine learning work?
4
22171
1643
00:23
Sebastian Thrun: So, artificial intelligence and machine learning
5
23838
3896
Sebastian Thrun: A mesterséges intelligencia és a gépi tanulás
00:27
is about 60 years old
6
27758
2002
kb. 60 éves,
00:29
and has not had a great day in its past until recently.
7
29784
4269
de az utóbbi időkig nem jutott szerephez.
00:34
And the reason is that today,
8
34077
2924
Ennek oka, hogy mára a számítástechnika
00:37
we have reached a scale of computing and datasets
9
37025
3973
és az adattömeg olyan szintet ért el,
amely szükségessé tette okos gépek létrehozását.
00:41
that was necessary to make machines smart.
10
41022
2637
00:43
So here's how it works.
11
43683
1751
Így működik.
00:45
If you program a computer today, say, your phone,
12
45458
3497
Ha ma számítógépet, pl. mobiltelefont kell programozni,
00:48
then you hire software engineers
13
48979
2335
programozókat fogadunk föl,
00:51
that write a very, very long kitchen recipe,
14
51338
3854
akik hosszú-hosszú ételreceptet írnak,
00:55
like, "If the water is too hot, turn down the temperature.
15
55216
3132
pl. "Ha a víz túl forró, hűtsd le.
00:58
If it's too cold, turn up the temperature."
16
58372
2279
Ha túl hideg, emeld a hőmérsékletét."
01:00
The recipes are not just 10 lines long.
17
60675
2849
A receptek nem tízsorosak.
01:03
They are millions of lines long.
18
63548
2603
Több millió sorból állnak.
01:06
A modern cell phone has 12 million lines of code.
19
66175
4084
Egy modern mobiltelefon programja 12 millió sorból áll.
01:10
A browser has five million lines of code.
20
70283
2646
Egy böngészőé ötmillió soros.
01:12
And each bug in this recipe can cause your computer to crash.
21
72953
4969
Ha hiba kerül a receptbe, összeomolhat a számítógépünk.
01:17
That's why a software engineer makes so much money.
22
77946
3075
Azért keresnek olyan jól a szoftvermérnökök.
01:21
The new thing now is that computers can find their own rules.
23
81953
3660
Az újdonság, hogy a számítógépek megtalálják maguknak a szabályaikat.
01:25
So instead of an expert deciphering, step by step,
24
85637
3606
Nem a szakember dolgozza ki minden előadódó esetre
01:29
a rule for every contingency,
25
89267
2148
lépésenként a szabályokat,
01:31
what you do now is you give the computer examples
26
91439
3074
hanem mi adunk példákat a számítógépnek,
s a szabályok kikövetkeztetését ráhagyjuk.
01:34
and have it infer its own rules.
27
94537
1581
01:36
A really good example is AlphaGo, which recently was won by Google.
28
96142
4306
Jó példa rá az AlphaGo, amelyet nemrég a Google fejlesztett ki.
01:40
Normally, in game playing, you would really write down all the rules,
29
100472
3687
Rendszerint játéknál a szabályokat lejegyezzük,
01:44
but in AlphaGo's case,
30
104183
1785
ám az AlphaGo esetében
01:45
the system looked over a million games
31
105992
2066
a rendszer nézett át milliónyi játszmát,
01:48
and was able to infer its own rules
32
108082
2192
s következtette ki a szabályait.
01:50
and then beat the world's residing Go champion.
33
110298
2738
Aztán legyőzte a go-világbajnokot.
01:53
That is exciting, because it relieves the software engineer
34
113853
3509
Ez lenyűgöző, mert szükségtelenné válik,
01:57
of the need of being super smart,
35
117386
1819
hogy a szoftveres szuper okos legyen;
01:59
and pushes the burden towards the data.
36
119229
2325
és a lényeg az adatokra tevődik át.
02:01
As I said, the inflection point where this has become really possible --
37
121578
4534
Mondottam, a fordulópont, ahol ez lehetségessé válik, zavarba ejtő;
disszertációtémám a gépi tanulás volt.
02:06
very embarrassing, my thesis was about machine learning.
38
126136
2746
02:08
It was completely insignificant, don't read it,
39
128906
2205
Teljesen felejtős volt, ne olvassák,
mert 20 éve írtam.
02:11
because it was 20 years ago
40
131135
1350
akkoriban a számítógépek annyit tudtak, mint a csótány agya.
02:12
and back then, the computers were as big as a cockroach brain.
41
132509
2907
Ma már elég nagy teljesítményűek,
02:15
Now they are powerful enough to really emulate
42
135440
2331
02:17
kind of specialized human thinking.
43
137795
2076
hogy versenyre keljenek az emberi gondolkozással.
02:19
And then the computers take advantage of the fact
44
139895
2313
A számítógép előnye,
hogy sokkal több adatot kezelhet, mint az ember.
02:22
that they can look at much more data than people can.
45
142232
2500
02:24
So I'd say AlphaGo looked at more than a million games.
46
144756
3080
Az AlphaGo több mint egymillió játszmát nézett át.
02:27
No human expert can ever study a million games.
47
147860
2839
Nincs az a szakember, aki ennyit áttanulmányozna.
02:30
Google has looked at over a hundred billion web pages.
48
150723
3182
A Google több mint százmilliárd weboldalt nézett át.
02:33
No person can ever study a hundred billion web pages.
49
153929
2650
Ember képtelen rá.
02:36
So as a result, the computer can find rules
50
156603
2714
Ennek eredményeként a gép találhat olyan szabályokat,
02:39
that even people can't find.
51
159341
1755
amelyeket még az ember sem.
02:41
CA: So instead of looking ahead to, "If he does that, I will do that,"
52
161120
4312
CA: Tehát a "Ha ő ezt lépi, arra én ezt lépem" helyett
02:45
it's more saying, "Here is what looks like a winning pattern,
53
165456
3072
a gép inkább így fogja föl:
"Ez látszik nyerő kombinációnak."
02:48
here is what looks like a winning pattern."
54
168552
2079
02:50
ST: Yeah. I mean, think about how you raise children.
55
170655
2517
ST: Gondoljunk a gyereknevelésre.
Nem azzal töltjük az első 18 évét, hogy szabályt adjunk minden esetre;
02:53
You don't spend the first 18 years giving kids a rule for every contingency
56
173196
3644
hagyjuk őt kibontakozni, s kialakítja a szabályait.
02:56
and set them free and they have this big program.
57
176864
2347
Botladozik, elesik, fölkel, megüti magát,
02:59
They stumble, fall, get up, they get slapped or spanked,
58
179235
2719
03:01
and they have a positive experience, a good grade in school,
59
181978
2884
okul belőlük, járja az élet iskoláját,
03:04
and they figure it out on their own.
60
184886
1834
önmaga rájön sok mindenre.
03:06
That's happening with computers now,
61
186744
1737
Ez megy végbe ma a számítógépekkel,
03:08
which makes computer programming so much easier all of a sudden.
62
188505
3029
amelyek a programozást hirtelen megkönnyítették.
Nem kell törnünk a fejünket. Csak rengeteg adatot adunk nekik.
03:11
Now we don't have to think anymore. We just give them lots of data.
63
191558
3175
CA: Ez magyarázza
03:14
CA: And so, this has been key to the spectacular improvement
64
194757
3422
az önvezető autó látványos fejlődését.
03:18
in power of self-driving cars.
65
198203
3064
03:21
I think you gave me an example.
66
201291
1739
Példát említett.
Elmagyarázná, mi történik ott?
03:23
Can you explain what's happening here?
67
203054
2685
03:25
ST: This is a drive of a self-driving car
68
205763
3564
ST: Ez az önvezető autó, történetesen
03:29
that we happened to have at Udacity
69
209351
1957
vele dolgoztunk az Udacitynél,
03:31
and recently made into a spin-off called Voyage.
70
211332
2398
s nemrég ezt fejlesztettük tovább Voyage néven.
03:33
We have used this thing called deep learning
71
213754
2574
Az ún. mély tanulással tanítottuk
03:36
to train a car to drive itself,
72
216352
1623
az autókat önmagukat vezetni,
03:37
and this is driving from Mountain View, California,
73
217999
2387
ez pedig autózás a kaliforniai Mountain Viewból
03:40
to San Francisco
74
220410
1168
San Franciscóba
03:41
on El Camino Real on a rainy day,
75
221602
2259
az El Camino Realon esős napon,
03:43
with bicyclists and pedestrians and 133 traffic lights.
76
223885
3524
bringások és gyalogosok között, az úton 133 közlekedési lámpával.
03:47
And the novel thing here is,
77
227433
2636
Az újdonság ebben,
hogy amikor sok hónapja élére álltam a Google önvezetőautó-csoportjának,
03:50
many, many moons ago, I started the Google self-driving car team.
78
230093
3120
03:53
And back in the day, I hired the world's best software engineers
79
233237
3181
aznap fölvettem a világ legjobb szoftverfejlesztő mérnökeit,
03:56
to find the world's best rules.
80
236442
1607
hogy megtalálják a legjobb szabályokat.
03:58
This is just trained.
81
238073
1754
Ez már kitanulta.
03:59
We drive this road 20 times,
82
239851
3336
Hússzor megtettük vele ezt az utat,
04:03
we put all this data into the computer brain,
83
243211
2447
betápláltuk az adatokat a számítógépbe,
04:05
and after a few hours of processing,
84
245682
2082
s néhány órás földolgozás után
04:07
it comes up with behavior that often surpasses human agility.
85
247788
3926
a gép olyan viselkedést mutat, amely gyakran felülmúlja az emberét.
04:11
So it's become really easy to program it.
86
251738
2017
Nagyon könnyű lett programozni.
04:13
This is 100 percent autonomous, about 33 miles, an hour and a half.
87
253779
3803
100%-osan önvezető, másfél óra alatt 53 km-t tesz meg.
04:17
CA: So, explain it -- on the big part of this program on the left,
88
257606
3630
CA: Magyarázza el, a bal oldali program nagy részében
04:21
you're seeing basically what the computer sees as trucks and cars
89
261260
3257
azt látja, amit a számítógép: kamionokat, autókat,
04:24
and those dots overtaking it and so forth.
90
264541
2886
azok a pontok ott előzik stb.
04:27
ST: On the right side, you see the camera image, which is the main input here,
91
267451
3762
ST: Jobb oldalon látható a kamerakép itt ez fő betáplált adat;
sávváltáshoz, más járművek s jelzőlámpák fölismerésére kell.
04:31
and it's used to find lanes, other cars, traffic lights.
92
271237
2676
04:33
The vehicle has a radar to do distance estimation.
93
273937
2489
A járműben távolságérzékelésre szolgáló radar van.
04:36
This is very commonly used in these kind of systems.
94
276450
2621
Sűrűn használják az efféle rendszerekben.
Bal oldalon lézerdiagram látható,
04:39
On the left side you see a laser diagram,
95
279095
1992
amin akadályok jelennek meg, pl. fák, melyeket a lézer rajzol ki.
04:41
where you see obstacles like trees and so on depicted by the laser.
96
281111
3200
De a kamerakép körül forog a legtöbb figyelemreméltó dolog.
04:44
But almost all the interesting work is centering on the camera image now.
97
284335
3436
04:47
We're really shifting over from precision sensors like radars and lasers
98
287795
3476
Egyre inkább áttérünk a pontos radar- és lézerérzékelőkről
a nagyon olcsó bolti érzékelőkre.
04:51
into very cheap, commoditized sensors.
99
291295
1842
A kamera nem kerül még nyolc dollárba sem.
04:53
A camera costs less than eight dollars.
100
293161
1987
04:55
CA: And that green dot on the left thing, what is that?
101
295172
2793
CA: Mi az a zöld pötty?
04:57
Is that anything meaningful?
102
297989
1371
Van jelentősége?
04:59
ST: This is a look-ahead point for your adaptive cruise control,
103
299384
3668
ST: Ez az "Előre figyelő pont" az adaptív sebességtartó automatához.
05:03
so it helps us understand how to regulate velocity
104
303076
2477
A jármű sebességét választja meg
05:05
based on how far the cars in front of you are.
105
305577
2634
az előtte haladó kocsik távolságának függvényében.
05:08
CA: And so, you've also got an example, I think,
106
308235
2716
CA: Nyilván van példája arra is,
05:10
of how the actual learning part takes place.
107
310975
2381
a valóságban hogy folyik a tanulás.
05:13
Maybe we can see that. Talk about this.
108
313380
2458
Megnézhetnénk? Beszéljünk róla.
05:15
ST: This is an example where we posed a challenge to Udacity students
109
315862
3643
ST: E példában feladatot tűztünk ki az Udacity-diákok elé:
05:19
to take what we call a self-driving car Nanodegree.
110
319529
3131
használják az önvezető autó Nanodegree programját.
05:22
We gave them this dataset
111
322684
1495
Megkapták ezt az adathalmazt azzal:
05:24
and said "Hey, can you guys figure out how to steer this car?"
112
324203
3054
"Fiúk, jöjjetek rá, hogyan kell ezt az autót vezetni!"
05:27
And if you look at the images,
113
327281
1624
Ha megnézzük a képeket,
05:28
it's, even for humans, quite impossible to get the steering right.
114
328929
4073
még embereknek is kemény dió rájönni a helyes vezetési módra.
05:33
And we ran a competition and said, "It's a deep learning competition,
115
333026
3591
Versenyt rendeztünk, s azt mondtuk: "Ez mély tanulás verseny,
05:36
AI competition,"
116
336641
1173
MI-verseny",
05:37
and we gave the students 48 hours.
117
337838
1887
és 48 órát kaptak a diákok.
05:39
So if you are a software house like Google or Facebook,
118
339749
4172
Olyan szoftverházakban, mint a Google vagy a Facebook,
05:43
something like this costs you at least six months of work.
119
343945
2717
erre legalább félévi munka rámegy.
05:46
So we figured 48 hours is great.
120
346686
2202
Mi úgy véltük, 48 óra tökéletes.
05:48
And within 48 hours, we got about 100 submissions from students,
121
348912
3467
S ezalatt kb. 100 javaslat érkezett tőlük,
05:52
and the top four got it perfectly right.
122
352403
3370
és a négy legjobb diák tökéletesen rájött.
05:55
It drives better than I could drive on this imagery,
123
355797
2640
A jármű képanyag alapján nálam jobban vezeti magát
05:58
using deep learning.
124
358461
1189
mély tanulással.
05:59
And again, it's the same methodology.
125
359674
1799
Ismétlem, a módszertan azonos.
06:01
It's this magical thing.
126
361497
1164
Varázslatos!
06:02
When you give enough data to a computer now,
127
362685
2085
Amikor elég adatot kap a számítógép,
06:04
and give enough time to comprehend the data,
128
364794
2140
és megértésükre elég időt,
06:06
it finds its own rules.
129
366958
1445
rájön a szabályokra.
06:09
CA: And so that has led to the development of powerful applications
130
369339
4845
CA: Ez vezetett a minden téren
hatékony alkalmazások kifejlesztésére.
06:14
in all sorts of areas.
131
374208
1525
06:15
You were talking to me the other day about cancer.
132
375757
2668
A napokban a rákról beszélt nekem.
06:18
Can I show this video?
133
378449
1189
Levetíthetem ezt a videót?
06:19
ST: Yeah, absolutely, please. CA: This is cool.
134
379662
2354
ST: Csak tessék. CA: Elképesztő.
06:22
ST: This is kind of an insight into what's happening
135
382040
3534
ST: Bepillantást nyerhetünk
06:25
in a completely different domain.
136
385598
2429
egy teljesen más területbe.
06:28
This is augmenting, or competing --
137
388051
3752
Hozzátesz azokhoz vagy versenyez velük –
06:31
it's in the eye of the beholder --
138
391827
1749
egyéni meglátás kérdése –,
06:33
with people who are being paid 400,000 dollars a year,
139
393600
3454
akik évente 400 000 dollárt keresnek:
bőrgyógyászokról van szó,
06:37
dermatologists,
140
397078
1237
06:38
highly trained specialists.
141
398339
1983
kiváló képzettségű szakemberekről.
06:40
It takes more than a decade of training to be a good dermatologist.
142
400346
3561
Hogy valaki jó bőrgyógyásszá váljék, ahhoz legalább tízéves képzés kell.
06:43
What you see here is the machine learning version of it.
143
403931
3196
Itt a képzés gépi tanulási változatát látjuk,
06:47
It's called a neural network.
144
407151
1841
az ún. neurális hálózatot.
06:49
"Neural networks" is the technical term for these machine learning algorithms.
145
409016
3742
A neurális hálózat szakkifejezés a gépi tanulás algoritmusaira.
06:52
They've been around since the 1980s.
146
412782
1789
Az 1980-as évek óta ismeretesek.
06:54
This one was invented in 1988 by a Facebook Fellow called Yann LeCun,
147
414595
4640
Ezt 1988-ban találta fel Yann LeCun Facebook-munkatárs,
06:59
and it propagates data stages
148
419259
3558
és szakaszosan dolgozza föl az adatokat,
07:02
through what you could think of as the human brain.
149
422841
2578
mint az emberi agy.
07:05
It's not quite the same thing, but it emulates the same thing.
150
425443
2966
Nem pont ugyanúgy, csak utánozza.
07:08
It goes stage after stage.
151
428433
1302
Szakaszról szakaszra.
07:09
In the very first stage, it takes the visual input and extracts edges
152
429759
3637
Az elsőben megkapja a képi bemenőjelet, és kiválasztja a kontúrokat,
07:13
and rods and dots.
153
433420
2612
vonalakat és pontokat.
07:16
And the next one becomes more complicated edges
154
436056
3037
A következőben a bonyolultabb kontúrokat
07:19
and shapes like little half-moons.
155
439117
3191
és alakokat, pl. félholdakat.
07:22
And eventually, it's able to build really complicated concepts.
156
442332
4443
Végül képes egészen bonyolult fogalmakat alkotni.
07:26
Andrew Ng has been able to show
157
446799
2048
Andrew Ng ki tudta mutatni,
07:28
that it's able to find cat faces and dog faces
158
448871
3480
hogy a rendszer rengeteg képből ki tudja választani
07:32
in vast amounts of images.
159
452375
1661
macskák és kutyák pofáját.
07:34
What my student team at Stanford has shown is that
160
454060
2724
Stanfordi diákcsoportom kimutatta,
07:36
if you train it on 129,000 images of skin conditions,
161
456808
6073
hogy ha 129 000, bőrbetegséget ábrázoló fotón tanul,
07:42
including melanoma and carcinomas,
162
462905
2565
beleértve a melanomát és a karcinómát,
07:45
you can do as good a job
163
465494
3301
olyan jó eredményt ér el,
07:48
as the best human dermatologists.
164
468819
2197
mint a legjobb bőrgyógyász.
07:51
And to convince ourselves that this is the case,
165
471040
2549
Hogy meggyőződjünk róla,
07:53
we captured an independent dataset that we presented to our network
166
473613
3990
egy független adathalmazt tártunk rendszerünk elé
07:57
and to 25 board-certified Stanford-level dermatologists,
167
477627
4342
s Stanford-szakvizsgát tett 25 bőrgyógyász elé,
08:01
and compared those.
168
481993
1672
és összevetettük az eredményt.
08:03
And in most cases,
169
483689
1504
A legtöbb esetben
08:05
they were either on par or above the performance classification accuracy
170
485217
3875
az osztályozás pontossága egy szinten állt, vagy jobb volt,
mint a bőrgyógyászoké.
08:09
of human dermatologists.
171
489116
1467
08:10
CA: You were telling me an anecdote.
172
490607
1746
CA: Mesélt nekem egy történetet,
08:12
I think about this image right here.
173
492377
1957
azt hiszem, pont erről a képről.
08:14
What happened here?
174
494358
1484
Mi volt az?
08:15
ST: This was last Thursday. That's a moving piece.
175
495866
4008
ST: A múlt csütörtökön történt. Megrendítő példa.
08:19
What we've shown before and we published in "Nature" earlier this year
176
499898
3600
Ezt az elképzelést mutattuk be és 2017-ben publikáltuk a Nature-ben:
08:23
was this idea that we show dermatologists images
177
503522
2484
a bőrgyógyászoknak fotókat mutatunk
s a program képeit,
08:26
and our computer program images,
178
506030
1539
08:27
and count how often they're right.
179
507593
1627
s figyeljük a jó diagnózis arányát.
08:29
But all these images are past images.
180
509244
1778
De ezek régi képek.
Azért végeztünk biopsziát, hogy meggyőződjünk a helyes diagnózisról.
08:31
They've all been biopsied to make sure we had the correct classification.
181
511046
3460
08:34
This one wasn't.
182
514530
1172
De ez a fotó más.
08:35
This one was actually done at Stanford by one of our collaborators.
183
515726
3179
Egyik partnerünk készítette a Stanfordon.
Partnerünk, aki világhírű bőrgyógyász,
08:38
The story goes that our collaborator,
184
518929
2314
kétségkívül a három legjobb egyike,
08:41
who is a world-famous dermatologist, one of the three best, apparently,
185
521267
3391
08:44
looked at this mole and said, "This is not skin cancer."
186
524682
2935
ránézett a bőrfoltra, s azt mondta: "Ez nem bőrrák."
08:47
And then he had a second moment, where he said,
187
527641
2476
Majd kisvártatva azt mondta:
"Ellenőrizzük az alkalmazással!"
08:50
"Well, let me just check with the app."
188
530141
1866
Az iPhone-ján lefuttatta a szoftvert,
08:52
So he took out his iPhone and ran our piece of software,
189
532031
2699
08:54
our "pocket dermatologist," so to speak,
190
534754
2121
a "zseb-bőrgyógyászunkat",
08:56
and the iPhone said: cancer.
191
536899
2994
és az iPhone azt mondta: rák,
08:59
It said melanoma.
192
539917
1306
melanoma.
09:01
And then he was confused.
193
541849
1233
A doki zavarba jött,
majd eldöntötte: "Jó, talán az iPhone-nak jobban hiszek, mint magamnak",
09:03
And he decided, "OK, maybe I trust the iPhone a little bit more than myself,"
194
543106
4551
09:07
and he sent it out to the lab to get it biopsied.
195
547681
2735
és a laborban elvégezték a biopsziát.
09:10
And it came up as an aggressive melanoma.
196
550440
2469
Kiderült, hogy agresszív melanoma.
09:13
So I think this might be the first time that we actually found,
197
553545
3067
Szerintem ez az első alkalom,
hogy mély tanulás alkalmazásával találtuk meg valaki melanomáját,
09:16
in the practice of using deep learning,
198
556636
2487
amelyet nem diagnosztizáltak volna,
09:19
an actual person whose melanoma would have gone unclassified,
199
559147
3372
ha nem lett volna a mély tanulás.
09:22
had it not been for deep learning.
200
562543
2115
09:24
CA: I mean, that's incredible.
201
564682
1560
CA: Elképesztő!
09:26
(Applause)
202
566266
1769
(Taps)
Úgy tűnik, azonnali igény lenne efféle alkalmazásokra,
09:28
It feels like there'd be an instant demand for an app like this right now,
203
568059
3600
09:31
that you might freak out a lot of people.
204
571683
1966
az emberek kezüket-lábukat törnék értük.
09:33
Are you thinking of doing this, making an app that allows self-checking?
205
573673
3527
Terveznek önellenőrzés végzésére való alkalmazásokat?
ST: A bejövő fiókom teli van rákalkalmazásokról szóló ímélekkel,
09:37
ST: So my in-box is flooded about cancer apps,
206
577224
4973
09:42
with heartbreaking stories of people.
207
582221
2303
szívfacsaró történetekkel betegekről.
09:44
I mean, some people have had 10, 15, 20 melanomas removed,
208
584548
3204
Egyes betegekről 10-15-20 melanomát távolítottak el,
09:47
and are scared that one might be overlooked, like this one,
209
587776
3952
és félnek, hogy egyet nem vettek észre,
mint ezt, és tudom is én,
09:51
and also, about, I don't know,
210
591752
1741
09:53
flying cars and speaker inquiries these days, I guess.
211
593517
2732
repülő autókról; fölkérések konferenciákra.
09:56
My take is, we need more testing.
212
596273
2738
Több tesztre van szükség.
09:59
I want to be very careful.
213
599449
1778
Óvatos szeretnék lenni.
10:01
It's very easy to give a flashy result and impress a TED audience.
214
601251
3666
Könnyű hivalkodó eredményekkel lenyűgözni a TED közönségét.
10:04
It's much harder to put something out that's ethical.
215
604941
2627
Sokkal nehezebb valami etikus dologhoz jutni.
10:07
And if people were to use the app
216
607592
2394
Ha a páciensek az alkalmazást használva úgy döntenek,
10:10
and choose not to consult the assistance of a doctor
217
610010
2797
hogy minek orvoshoz menni,
10:12
because we get it wrong,
218
612831
1583
és mi tévedünk,
szörnyen érezném magam.
10:14
I would feel really bad about it.
219
614438
1653
Jelenleg klinikai teszteket végzünk,
10:16
So we're currently doing clinical tests,
220
616115
1925
és ha megindulnak, s megerősítik adatainkat,
10:18
and if these clinical tests commence and our data holds up,
221
618064
2798
10:20
we might be able at some point to take this kind of technology
222
620886
2990
valamikor az ilyesfajta technológiát
10:23
and take it out of the Stanford clinic
223
623900
1892
bevezethetjük a Stanford klinikáján,
10:25
and bring it to the entire world,
224
625816
1658
majd az egész világon,
olyan helyeken, ahová a Stanford orvosai nem jutnak el.
10:27
places where Stanford doctors never, ever set foot.
225
627498
2456
10:30
CA: And do I hear this right,
226
630617
2580
CA: Jól hallottam,
10:33
that it seemed like what you were saying,
227
633221
1966
amit mondott,
mert egy sereg Udacity-diákkal dolgozik,
10:35
because you are working with this army of Udacity students,
228
635211
4254
10:39
that in a way, you're applying a different form of machine learning
229
639489
3221
a gépi tanulás más formáját alkalmazza,
10:42
than might take place in a company,
230
642734
1735
mint amit egy cégnél lehetne?
10:44
which is you're combining machine learning with a form of crowd wisdom.
231
644493
3484
Kombinálja a gépi tanulást a csoportbölcsességgel.
Azt állítja, hogy ez néha fölülmúlhatja
10:48
Are you saying that sometimes you think that could actually outperform
232
648001
3384
egy cég, sőt egy nagy cég teljesítményét?
10:51
what a company can do, even a vast company?
233
651409
2050
ST: Vannak példák, amelyektől leesik az állam,
10:53
ST: I believe there's now instances that blow my mind,
234
653483
2940
10:56
and I'm still trying to understand.
235
656447
1758
és épp csak próbálok felfogni.
A versenyek, amelyekre Chris hivatkozott.
10:58
What Chris is referring to is these competitions that we run.
236
658229
3937
48 órát rájuk szánva
11:02
We turn them around in 48 hours,
237
662190
2268
11:04
and we've been able to build a self-driving car
238
664482
2252
önvezető autót tudtunk létrehozni,
11:06
that can drive from Mountain View to San Francisco on surface streets.
239
666758
3387
ami Mountain View-ból eljut utcákon haladva San Franciscóba.
Nem hasonlítható a Google hét évig fejlesztett autójához,
11:10
It's not quite on par with Google after seven years of Google work,
240
670169
3584
11:13
but it's getting there.
241
673777
2528
de afelé tart.
11:16
And it took us only two engineers and three months to do this.
242
676329
3084
Nekünk csak két mérnök és háromhavi munka kellett hozzá.
11:19
And the reason is, we have an army of students
243
679437
2856
Az az oka, hogy seregnyi diák
11:22
who participate in competitions.
244
682317
1850
vesz részt a versenyekben.
11:24
We're not the only ones who use crowdsourcing.
245
684191
2220
Nem mi használunk egyedül crowdsourcingot.
11:26
Uber and Didi use crowdsource for driving.
246
686435
2223
Az Uber és a Didi is használja a vezetéshez.
11:28
Airbnb uses crowdsourcing for hotels.
247
688682
2759
Az Airbnb használja szállodákhoz.
11:31
There's now many examples where people do bug-finding crowdsourcing
248
691465
4007
Sok példa van hibakereső crowdsourcingra
vagy fehérjefelgombolyodásra crowdsourcingban.
11:35
or protein folding, of all things, in crowdsourcing.
249
695496
2804
11:38
But we've been able to build this car in three months,
250
698324
2915
De mi képesek voltunk három hónap alatt megépíteni az autót,
és most újragondolom
11:41
so I am actually rethinking
251
701263
3655
11:44
how we organize corporations.
252
704942
2238
a cégek szervezését.
11:47
We have a staff of 9,000 people who are never hired,
253
707204
4696
9 000 fős gárdánk van, akiket nem toboroztunk,
11:51
that I never fire.
254
711924
1308
senkit nem rúgok ki.
11:53
They show up to work and I don't even know.
255
713256
2362
Tudtom nélkül munkába állnak,
11:55
Then they submit to me maybe 9,000 answers.
256
715642
3058
aztán tesznek nekem vagy 9 000 javaslatot.
11:58
I'm not obliged to use any of those.
257
718724
2176
Nem muszáj mindet fölhasználnom.
12:00
I end up -- I pay only the winners,
258
720924
1991
Végül is csak a legjobbakért fizetek,
12:02
so I'm actually very cheapskate here, which is maybe not the best thing to do.
259
722939
3718
úgyhogy sóher alak vagyok, lehet, hogy ez nem jó.
12:06
But they consider it part of their education, too, which is nice.
260
726681
3185
De embereim ezt tanulásnak tekintik, ami viszont jó.
12:09
But these students have been able to produce amazing deep learning results.
261
729890
4201
De a diákok ragyogó eredményt értek el a mély tanulással.
12:14
So yeah, the synthesis of great people and great machine learning is amazing.
262
734115
3861
Igen, a ragyogó emberek s a ragyogó gépi tanulás szintézise elképesztő.
CA: Garry Kaszparov elmondta a TED2017 első napján,
12:18
CA: I mean, Gary Kasparov said on the first day [of TED2017]
263
738000
2814
12:20
that the winners of chess, surprisingly, turned out to be two amateur chess players
264
740848
5412
hogy meglepetésre a sakkverseny győztese két amatőr sakkozó lett,
12:26
with three mediocre-ish, mediocre-to-good, computer programs,
265
746284
5371
három közepesen jó számítógép-programmal,
12:31
that could outperform one grand master with one great chess player,
266
751679
3163
melyek teljesítménye fölülmúlta egy nagymesterét s egy jó sakkozóét,
12:34
like it was all part of the process.
267
754866
1743
akik szintén részt vettek a versenyen.
12:36
And it almost seems like you're talking about a much richer version
268
756633
3335
Úgy tűnik, hogy ön ugyanazon gondolat
12:39
of that same idea.
269
759992
1200
sokkal szélesebb változatáról beszél.
12:41
ST: Yeah, I mean, as you followed the fantastic panels yesterday morning,
270
761216
3857
ST: Igen, ahogy figyelte a tegnap reggeli előadásokat,
12:45
two sessions about AI,
271
765097
1994
az MI-ről szóló két ülésszakot:
12:47
robotic overlords and the human response,
272
767115
2167
a robot főurakról és a humán válaszokról,
12:49
many, many great things were said.
273
769306
1982
sok-sok érdekesség elhangzott.
12:51
But one of the concerns is that we sometimes confuse
274
771312
2687
De az egyik baj, hogy néha összekeverjük az MI-vel történteket
12:54
what's actually been done with AI with this kind of overlord threat,
275
774023
4062
a főurak jelentette fenyegetéssel,
ahol MI-nk tudatot fejleszt ki.
12:58
where your AI develops consciousness, right?
276
778109
3424
13:01
The last thing I want is for my AI to have consciousness.
277
781557
2971
A hátam közepére sem kívánom, hogy az MI-mnek tudata legyen.
13:04
I don't want to come into my kitchen
278
784552
1716
Nem akarok arra bemenni a konyhába,
13:06
and have the refrigerator fall in love with the dishwasher
279
786292
4193
hogy a hűtőm beleszeretett a mosogatógépbe,
13:10
and tell me, because I wasn't nice enough,
280
790509
2124
és közölje: rosszul viselkedtem,
13:12
my food is now warm.
281
792657
1837
ezért nem hűti a kajámat.
13:14
I wouldn't buy these products, and I don't want them.
282
794518
2891
Nem fogok ilyen cikkeket venni, nem akarok ilyeneket.
13:17
But the truth is, for me,
283
797825
1802
De az az igazság, hogy számomra
13:19
AI has always been an augmentation of people.
284
799651
2720
az MI mindig az ember kiterjesztése.
13:22
It's been an augmentation of us,
285
802893
1676
Azért a mi kiterjesztésünk,
13:24
to make us stronger.
286
804593
1457
hogy erősebbé tegyen bennünket.
13:26
And I think Kasparov was exactly correct.
287
806074
2831
Azt hiszem, Kaszparovnak igaza volt.
13:28
It's been the combination of human smarts and machine smarts
288
808929
3849
Az emberi okosság és a gépi okosság ötvözése
13:32
that make us stronger.
289
812802
1464
tesz bennünket erősebbé.
13:34
The theme of machines making us stronger is as old as machines are.
290
814290
4587
A minket erősebbé tevő gépek témája egyidős a gépekkel.
13:39
The agricultural revolution took place because it made steam engines
291
819567
3758
A mezőgazdasági forradalom a gőzgép föltalálásával kezdődött
s a gépekkel, amelyek nem tudtak önállóan földet művelni,
13:43
and farming equipment that couldn't farm by itself,
292
823349
2666
sosem helyettesítettek minket, de erősebbé tettek.
13:46
that never replaced us; it made us stronger.
293
826039
2122
Meggyőződésem, hogy az MI új hulláma minket mint emberi fajt
13:48
And I believe this new wave of AI will make us much, much stronger
294
828185
3738
13:51
as a human race.
295
831947
1183
sokkal-sokkal erősebbé tesz.
13:53
CA: We'll come on to that a bit more,
296
833765
1813
CA: Erre még kitérünk.
13:55
but just to continue with the scary part of this for some people,
297
835602
3671
Folytassuk azzal, ami sokaknak rémisztő,
13:59
like, what feels like it gets scary for people is when you have
298
839297
3558
nevezetesen, ha számítógépünk
14:02
a computer that can, one, rewrite its own code,
299
842879
4618
át tudja írni a kódját,
14:07
so, it can create multiple copies of itself,
300
847521
3584
több példányban előállíthatja magát,
kipróbálhat egy csomó kódváltozatot,
14:11
try a bunch of different code versions,
301
851129
1897
14:13
possibly even at random,
302
853050
1775
tán még véletlenszerűen is,
14:14
and then check them out and see if a goal is achieved and improved.
303
854849
3632
majd kipróbálja őket, hogy célt értek-e és fejlődtek-e.
14:18
So, say the goal is to do better on an intelligence test.
304
858505
3641
A cél, mondjuk, jobb eredmény az intelligenciatesztben.
14:22
You know, a computer that's moderately good at that,
305
862170
3894
A számítógép mérsékelten jó benne,
14:26
you could try a million versions of that.
306
866088
2509
kipróbálhatunk milliónyi változatot.
14:28
You might find one that was better,
307
868621
2090
Találhatunk egy jobbat,
14:30
and then, you know, repeat.
308
870735
2004
és aztán megismételjük.
14:32
And so the concern is that you get some sort of runaway effect
309
872763
3040
A gondot az okozza, hogy elszabadulnak a dolgok:
14:35
where everything is fine on Thursday evening,
310
875827
3008
csütörtök este még minden rendben,
14:38
and you come back into the lab on Friday morning,
311
878859
2336
aztán péntek reggel bemegyünk a laborba,
és a számítógép sebessége meg miegymás miatt
14:41
and because of the speed of computers and so forth,
312
881219
2449
14:43
things have gone crazy, and suddenly --
313
883692
1903
a dolgok tótágast állnak, és hirtelen...
14:45
ST: I would say this is a possibility,
314
885619
2020
ST: Azt mondanám, hogy fönnáll a lehetősége,
14:47
but it's a very remote possibility.
315
887663
1916
de nagyon távoli.
14:49
So let me just translate what I heard you say.
316
889603
3337
Talán lefordítom, amit mondott.
14:52
In the AlphaGo case, we had exactly this thing:
317
892964
2704
Az AlphaGóval ez a helyzet:
14:55
the computer would play the game against itself
318
895692
2315
a számítógép önmagával játszik,
s így tanul új szabályokat.
14:58
and then learn new rules.
319
898031
1250
14:59
And what machine learning is is a rewriting of the rules.
320
899305
3235
A gépi tanulás a szabályok újraírása,
15:02
It's the rewriting of code.
321
902564
1769
a kódok újraírása.
15:04
But I think there was absolutely no concern
322
904357
2845
De egyáltalán nem kell attól tartanunk,
15:07
that AlphaGo would take over the world.
323
907226
2426
hogy az AlphaGo átveszi a világhatalmat,
15:09
It can't even play chess.
324
909676
1464
hiszen még sakkozni sem tud.
15:11
CA: No, no, no, but now, these are all very single-domain things.
325
911164
5147
CA: Nem, nem, de e dolgok most még nagyon korlátozott területről származnak.
15:16
But it's possible to imagine.
326
916335
2879
De elképzelhető...
15:19
I mean, we just saw a computer that seemed nearly capable
327
919238
3089
Arra gondolok, hogy egy program kis híján
15:22
of passing a university entrance test,
328
922351
2655
letette az egyetemi felvételi vizsgát,
nem volt képes abban az értelemben olvasni és érteni, ahogy mi,
15:25
that can kind of -- it can't read and understand in the sense that we can,
329
925030
3688
15:28
but it can certainly absorb all the text
330
928742
1987
de mégis fölfogta a szöveget,
15:30
and maybe see increased patterns of meaning.
331
930753
2899
s lehet, hogy a szöveg értelmének magasabb fokú mintázatát észlelte.
15:33
Isn't there a chance that, as this broadens out,
332
933676
3694
Nincs arra esély, hogy amint ez kiszélesedik,
15:37
there could be a different kind of runaway effect?
333
937394
2466
valahogy mégis elszabadulnak a dolgok?
15:39
ST: That's where I draw the line, honestly.
334
939884
2078
ST: Itt meghúznám a határvonalat.
15:41
And the chance exists -- I don't want to downplay it --
335
941986
2643
A lehetőség fönnáll, és nem akarom kisebbíteni,
15:44
but I think it's remote, and it's not the thing that's on my mind these days,
336
944653
3672
de ez igen távoli, és ma nem ez aggaszt,
mert másban tör ki nagy forradalom.
15:48
because I think the big revolution is something else.
337
948349
2512
Az MI-ben máig elért eredmények
15:50
Everything successful in AI to the present date
338
950885
2922
igen egyedi téren születtek.
15:53
has been extremely specialized,
339
953831
2214
s ez pedig egyetlen ötleten alapszik,
15:56
and it's been thriving on a single idea,
340
956069
2489
15:58
which is massive amounts of data.
341
958582
2739
a hatalmas mennyiségű adatén.
16:01
The reason AlphaGo works so well is because of massive numbers of Go plays,
342
961345
4147
Az AlphaGo az óriási mennyiségű gojátszma miatt működik olyan jól,
16:05
and AlphaGo can't drive a car or fly a plane.
343
965516
3255
de sem autót, sem repülőt nem képes vezetni.
16:08
The Google self-driving car or the Udacity self-driving car
344
968795
3031
Google önvezető autója vagy az Udacity önvezető autója
16:11
thrives on massive amounts of data, and it can't do anything else.
345
971850
3240
az óriási mennyiségű adat miatt fejlődik, de semmi máshoz sem ért.
Még motorbiciklit sem vezet.
16:15
It can't even control a motorcycle.
346
975114
1727
16:16
It's a very specific, domain-specific function,
347
976865
2762
Nagyon egyedi, szűk tárgykörű funkció,
16:19
and the same is true for our cancer app.
348
979651
1907
és ugyanez áll a rákalkalmazásra is.
16:21
There has been almost no progress on this thing called "general AI,"
349
981582
3236
Szinte egyáltalán nincs fejlődés az ún. generális MI terén,
16:24
where you go to an AI and say, "Hey, invent for me special relativity
350
984842
4000
ahol azt mondjuk az MI-nek: "Fedezd föl a speciális relativitáselméletet,
16:28
or string theory."
351
988866
1666
vagy a húrelméletet!"
16:30
It's totally in the infancy.
352
990556
1931
Gyerekcipőben jár.
16:32
The reason I want to emphasize this,
353
992511
2127
Ezt azért hangsúlyozom,
16:34
I see the concerns, and I want to acknowledge them.
354
994662
3838
mert látom az aggodalmat, és tudomásul veszem.
16:38
But if I were to think about one thing,
355
998524
2886
De gondolkozzunk el valami máson.
16:41
I would ask myself the question, "What if we can take anything repetitive
356
1001434
5563
Fölteszem a kérdést:
"Mi lenne, ha bármilyen monoton munkában százszor hatékonyabbak lennénk?"
16:47
and make ourselves 100 times as efficient?"
357
1007021
3473
16:51
It so turns out, 300 years ago, we all worked in agriculture
358
1011170
4249
300 éve mind a mezőgazdaságban dolgoztunk,
földet műveltünk, monoton munkát végeztünk.
16:55
and did farming and did repetitive things.
359
1015443
2051
16:57
Today, 75 percent of us work in offices
360
1017518
2556
Ma 75%-unk irodai munkát végez,
eléggé monoton munkát.
17:00
and do repetitive things.
361
1020098
2124
17:02
We've become spreadsheet monkeys.
362
1022246
2183
Űrlapmajmokká váltunk.
17:04
And not just low-end labor.
363
1024453
2054
Nemcsak az alantas munkáról van szó.
17:06
We've become dermatologists doing repetitive things,
364
1026531
2754
Bőrgyógyászoknak is monoton a munkájuk,
17:09
lawyers doing repetitive things.
365
1029309
1749
jogászoknak is monoton a munkájuk.
17:11
I think we are at the brink of being able to take an AI,
366
1031082
3823
Közel járunk ahhoz, hogy elővigyázatosan
képesek leszünk egy MI-vel
17:14
look over our shoulders,
367
1034929
1718
10-50-szer hatékonyabbnak bizonyulni valamely monoton tevékenységben.
17:16
and they make us maybe 10 or 50 times as effective in these repetitive things.
368
1036671
4058
17:20
That's what is on my mind.
369
1040753
1275
Ez jár a fejemben.
CA: Ez igencsak lelkesítőn hangzik.
17:22
CA: That sounds super exciting.
370
1042052
2450
17:24
The process of getting there seems a little terrifying to some people,
371
1044526
3530
Az oda vezető folyamat egyeseknek egy kissé rémisztő,
mert ha egyszer a monoton dolgokkal a gép sokkal jobban boldogul,
17:28
because once a computer can do this repetitive thing
372
1048080
3180
17:31
much better than the dermatologist
373
1051284
3434
mint a bőrgyógyász
17:34
or than the driver, especially, is the thing that's talked about
374
1054742
3230
vagy az autóvezető,
hiszen erről ma elég sokat beszéltünk,
17:37
so much now,
375
1057996
1290
17:39
suddenly millions of jobs go,
376
1059310
1958
hirtelen milliók vesztik el munkájukat,
17:41
and, you know, the country's in revolution
377
1061292
2695
és az országban forradalom tör ki,
17:44
before we ever get to the more glorious aspects of what's possible.
378
1064011
4329
mielőtt még a lehetőségek fényesebb vonatkozásai föltárulhatnának.
17:48
ST: Yeah, and that's an issue, and it's a big issue,
379
1068364
2517
ST: Igen, ez visszás helyzet, nagy gond,
17:50
and it was pointed out yesterday morning by several guest speakers.
380
1070905
4196
tegnap reggel erre több előadó utalt.
17:55
Now, prior to me showing up onstage,
381
1075125
2754
Színpadra lépésem előtt bevallottam,
17:57
I confessed I'm a positive, optimistic person,
382
1077903
3739
hogy pozitív és optimista ember vagyok,
18:01
so let me give you an optimistic pitch,
383
1081666
2389
ezért hadd hozzak optimista példát.
18:04
which is, think of yourself back 300 years ago.
384
1084079
4795
Menjünk vissza úgy 300 évet!
18:08
Europe just survived 140 years of continuous war,
385
1088898
3996
Európa épp túlélte a 140 éves háborús időszakot,
18:12
none of you could read or write,
386
1092918
1711
teljes az írástudatlanság,
18:14
there were no jobs that you hold today,
387
1094653
2945
nem töltöttek be mai munkaköröket,
18:17
like investment banker or software engineer or TV anchor.
388
1097622
4096
nem volt pl. beruházási bankár, szoftvermérnök vagy tévébemondó.
18:21
We would all be in the fields and farming.
389
1101742
2414
Mind a mezőgazdaságban dolgozunk.
18:24
Now here comes little Sebastian with a little steam engine in his pocket,
390
1104180
3573
Megjelenik a kis Sebastian, zsebében egy kis gőzgéppel, és azt mondja:
18:27
saying, "Hey guys, look at this.
391
1107777
1548
"Ide figyeljenek, emberek!
Ez a szerkentyű százszor erősebbé teszi magukat, hogy mást csinálhassanak."
18:29
It's going to make you 100 times as strong, so you can do something else."
392
1109349
3595
18:32
And then back in the day, there was no real stage,
393
1112968
2470
Akkoriban nem volt igazi színpad,
18:35
but Chris and I hang out with the cows in the stable,
394
1115462
2526
de Chris és én a tehénistállóban időzünk,
s Chris fölhorkan: "Nem lesz ez jó,
18:38
and he says, "I'm really concerned about it,
395
1118012
2100
mert naponta fejem a tehenem, mi lesz, ha majd gép helyettesít?"
18:40
because I milk my cow every day, and what if the machine does this for me?"
396
1120136
3652
18:43
The reason why I mention this is,
397
1123812
1702
Azért említem ezt, mert mindig készséggel elismerjük
18:46
we're always good in acknowledging past progress and the benefit of it,
398
1126360
3603
a múltbéli fejlődést és a belőle származó előnyöket,
18:49
like our iPhones or our planes or electricity or medical supply.
399
1129987
3354
pl. az iPhone-t, repülőket, villamosságot, orvosi ellátást.
18:53
We all love to live to 80, which was impossible 300 years ago.
400
1133365
4245
Tetszik, hogy 80 évig élhetünk, de 300 éve ez lehetetlen volt.
18:57
But we kind of don't apply the same rules to the future.
401
1137634
4156
E szabályokat nem alkalmazzuk a jövőre.
19:02
So if I look at my own job as a CEO,
402
1142621
3207
Vezérigazgatói munkakörömet tekintve
19:05
I would say 90 percent of my work is repetitive,
403
1145852
3140
munkám 90%-a monoton.
19:09
I don't enjoy it,
404
1149016
1351
Nem élvezem.
19:10
I spend about four hours per day on stupid, repetitive email.
405
1150391
3978
Nap mint nap kb. négy órát töltök idétlen, rutin ímélek megválaszolásával.
19:14
And I'm burning to have something that helps me get rid of this.
406
1154393
3641
Égek a vágytól, hogy valami segítsen megszabadulni tőlük.
19:18
Why?
407
1158058
1158
Miért?
19:19
Because I believe all of us are insanely creative;
408
1159240
3003
Mert hiszem, hogy mindnyájan őrülten kreatívak vagyunk;
19:22
I think the TED community more than anybody else.
409
1162731
3194
különösen áll ez a TED-esekre.
19:25
But even blue-collar workers; I think you can go to your hotel maid
410
1165949
3559
De még a fizikai dolgozók is, ha a szállóban a szobalánnyal
19:29
and have a drink with him or her,
411
1169532
2402
fölhajtanak egy italt,
19:31
and an hour later, you find a creative idea.
412
1171958
2717
egy óra múlva eszükbe jut valami kreatív ötlet.
19:34
What this will empower is to turn this creativity into action.
413
1174699
4140
Ez képessé teszi a kreativitást, hogy tettekben öltsön testet.
19:39
Like, what if you could build Google in a day?
414
1179265
3442
Mi lenne, ha máról holnapra megcsinálhatnánk a Google-t?
19:43
What if you could sit over beer and invent the next Snapchat,
415
1183221
3316
Mi lenne, ha egy pohár sör mellett föltalálnánk egy új Snapchatot,
19:46
whatever it is,
416
1186561
1165
bármi legyen is az,
19:47
and tomorrow morning it's up and running?
417
1187750
2187
aztán holnap reggel már működne is?
19:49
And that is not science fiction.
418
1189961
1773
Ez nem sci-fi.
19:51
What's going to happen is,
419
1191758
1254
Ami szemünk előtt zajlik,
19:53
we are already in history.
420
1193036
1867
már történelmünk része.
19:54
We've unleashed this amazing creativity
421
1194927
3228
Azzal szabadítottuk föl az elképesztő kreativitást,
hogy ledobtuk magunkról a mezőgazdaság igáját,
19:58
by de-slaving us from farming
422
1198179
1611
19:59
and later, of course, from factory work
423
1199814
3363
persze később a gyári munkáét is,
20:03
and have invented so many things.
424
1203201
3162
és rengeteg mindent fölfedeztünk.
20:06
It's going to be even better, in my opinion.
425
1206387
2178
Ez csak javul az idő előrehaladtával.
20:08
And there's going to be great side effects.
426
1208589
2072
Nagy mellékhatásai is lesznek.
20:10
One of the side effects will be
427
1210685
1489
Az egyik, hogy az élelmiszer,
20:12
that things like food and medical supply and education and shelter
428
1212198
4795
az egészségügyi ellátás, az oktatás, a lakhatás
20:17
and transportation
429
1217017
1177
és a közlekedés
20:18
will all become much more affordable to all of us,
430
1218218
2441
sokkal inkább mindenkinek megfizethető lesz,
20:20
not just the rich people.
431
1220683
1322
nemcsak a gazdagoknak.
20:22
CA: Hmm.
432
1222029
1182
CA: Hmm.
20:23
So when Martin Ford argued, you know, that this time it's different
433
1223235
4341
Martin Ford jövőkutató azzal érvel, hogy kivételes időket élünk,
20:27
because the intelligence that we've used in the past
434
1227600
3453
mert az új módszerek keresésére
20:31
to find new ways to be
435
1231077
2483
a múltban használt intelligencia
20:33
will be matched at the same pace
436
1233584
2279
versenyre kel a számítógépével,
20:35
by computers taking over those things,
437
1235887
2291
amely átveszi a dolgok irányítását.
Ön szerint ez nincs teljesen így
20:38
what I hear you saying is that, not completely,
438
1238202
3078
20:41
because of human creativity.
439
1241304
2951
az emberi kreativitás miatt.
20:44
Do you think that that's fundamentally different from the kind of creativity
440
1244279
3785
Úgy gondolja, hogy ez alapvetően más,
mint amilyen kreativitást a gép mutat?
20:48
that computers can do?
441
1248088
2696
20:50
ST: So, that's my firm belief as an AI person --
442
1250808
4434
ST: MI-fejlesztőként szilárd meggyőződésem,
20:55
that I haven't seen any real progress on creativity
443
1255266
3803
hogy semmiféle előrehaladást nem tapasztaltam kreativitásban
20:59
and out-of-the-box thinking.
444
1259949
1407
s rendhagyó gondolkodásban.
21:01
What I see right now -- and this is really important for people to realize,
445
1261380
3623
Azt látom, és fontos, hogy ez mindenkiben tudatosuljon,
mert a "mesterséges intelligencia" kifejezés olyannyira fenyegető,
21:05
because the word "artificial intelligence" is so threatening,
446
1265027
2903
21:07
and then we have Steve Spielberg tossing a movie in,
447
1267954
2523
és Steve Spielberg filmjéből az árad,
21:10
where all of a sudden the computer is our overlord,
448
1270501
2413
hogy a számítógép egyszer csak urunkká válik,
21:12
but it's really a technology.
449
1272938
1452
de ez a technológia.
A technológia, amely segítségünkre van a monoton munkában.
21:14
It's a technology that helps us do repetitive things.
450
1274414
2982
21:17
And the progress has been entirely on the repetitive end.
451
1277420
2913
A haladás teljesen a monoton oldalt jellemzi.
21:20
It's been in legal document discovery.
452
1280357
2228
A jogi iratok kikeresését.
21:22
It's been contract drafting.
453
1282609
1680
Szerződéstervezetek elkészítését.
21:24
It's been screening X-rays of your chest.
454
1284313
4223
Mellkasunk röntgenátvilágítását.
21:28
And these things are so specialized,
455
1288560
1773
Ezek annyira egyedi területek.
21:30
I don't see the big threat of humanity.
456
1290357
2391
Nem látok nagy veszélyt az emberiségre.
21:32
In fact, we as people --
457
1292772
1794
Ami azt illeti, mi, emberek,
21:34
I mean, let's face it: we've become superhuman.
458
1294590
2385
vegyük tudomásul: szuperemberek lettünk.
21:36
We've made us superhuman.
459
1296999
1764
Azzá tettük magunkat.
21:38
We can swim across the Atlantic in 11 hours.
460
1298787
2632
11 óra alatt átkelhetünk az Atlanti óceánon.
21:41
We can take a device out of our pocket
461
1301443
2074
A zsebünkből előkapott készülékbe kiabálva
21:43
and shout all the way to Australia,
462
1303541
2147
az elhallatszik Ausztráliáig,
21:45
and in real time, have that person shouting back to us.
463
1305712
2600
és valós időben a másik fél visszaszól nekünk.
Ez fizikai képtelenség. Megsértjük a fizikai törvényeket.
21:48
That's physically not possible. We're breaking the rules of physics.
464
1308336
3624
21:51
When this is said and done, we're going to remember everything
465
1311984
2943
Mindenre emlékezni fogunk,
amit valaha mondtunk vagy tettünk,
21:54
we've ever said and seen,
466
1314951
1213
21:56
you'll remember every person,
467
1316188
1496
mindenkire emlékezni fogunk,
21:57
which is good for me in my early stages of Alzheimer's.
468
1317708
2626
ami jó nekem a korai Alzheimer-kórban.
Bocs, miről beszéltem? Elfelejtettem.
22:00
Sorry, what was I saying? I forgot.
469
1320358
1677
CA: (Nevet)
22:02
CA: (Laughs)
470
1322059
1578
ST: Legalább ezres IQ-nk lesz
22:03
ST: We will probably have an IQ of 1,000 or more.
471
1323661
3077
22:06
There will be no more spelling classes for our kids,
472
1326762
3425
A gyerekeknek nem lesz több helyesírás-órájuk,
22:10
because there's no spelling issue anymore.
473
1330211
2086
mert a helyesírás nem lesz téma.
22:12
There's no math issue anymore.
474
1332321
1832
Matektéma sem lesz.
22:14
And I think what really will happen is that we can be super creative.
475
1334177
3510
A lényeg, hogy szuper kreatívak leszünk.
22:17
And we are. We are creative.
476
1337711
1857
Azok vagyunk. Kreatívak vagyunk.
22:19
That's our secret weapon.
477
1339592
1552
Ez a titkos fegyverünk.
CA: A munkaköröket lassacskán elveszítjük,
22:21
CA: So the jobs that are getting lost,
478
1341168
2153
22:23
in a way, even though it's going to be painful,
479
1343345
2494
ráadásul fájdalmak közepette;
22:25
humans are capable of more than those jobs.
480
1345863
2047
az ember többre képes azoknál a munkáknál.
22:27
This is the dream.
481
1347934
1218
Ez az álom.
22:29
The dream is that humans can rise to just a new level of empowerment
482
1349176
4247
Az álom, hogy az ember fölnőhet
a képességek és fölfedezések új szintjére.
22:33
and discovery.
483
1353447
1657
22:35
That's the dream.
484
1355128
1452
Ez az álom.
22:36
ST: And think about this:
485
1356604
1643
ST: De gondoljunk csak erre:
ha az emberiség
22:38
if you look at the history of humanity,
486
1358271
2021
kb. 60–100 ezer éves történetét nézzük,
22:40
that might be whatever -- 60-100,000 years old, give or take --
487
1360316
3328
22:43
almost everything that you cherish in terms of invention,
488
1363668
3726
majdnem minden, amit a fölfedezésekben,
technológiában létrehoztunk és becsben tartunk,
22:47
of technology, of things we've built,
489
1367418
2151
22:49
has been invented in the last 150 years.
490
1369593
3099
az utóbbi 150 év eredménye.
22:53
If you toss in the book and the wheel, it's a little bit older.
491
1373756
3048
a könyv és a kerék egy kissé idősebb.
22:56
Or the axe.
492
1376828
1169
Vagy a balta.
De a telefon, az edzőcipő,
22:58
But your phone, your sneakers,
493
1378021
2790
23:00
these chairs, modern manufacturing, penicillin --
494
1380835
3551
ezek a székek, a modern gyártás, penicillin,
23:04
the things we cherish.
495
1384410
1714
a becsben tartott dolgok.
23:06
Now, that to me means
496
1386148
3658
Ebből arra következtetek,
23:09
the next 150 years will find more things.
497
1389830
3041
hogy a jövő 150 év több dolgot tartogat.
23:12
In fact, the pace of invention has gone up, not gone down, in my opinion.
498
1392895
4154
A fölfedezések üteme fölgyorsult, nem pedig lassult.
23:17
I believe only one percent of interesting things have been invented yet. Right?
499
1397073
4905
Azt hiszem, egyelőre az érdekes dolgok 1%-a van fölfedezve.
Még nem győztük le a rákot.
23:22
We haven't cured cancer.
500
1402002
1988
23:24
We don't have flying cars -- yet. Hopefully, I'll change this.
501
1404014
3718
Nincsenek repülő autóink – egyelőre. Remélem, ezen változtatok.
23:27
That used to be an example people laughed about. (Laughs)
502
1407756
3257
Korábban az emberek csak nevettek ezen. (Nevetés)
23:31
It's funny, isn't it? Working secretly on flying cars.
503
1411037
2992
Bájos, nem? Titokban dolgozni a repülő autón.
23:34
We don't live twice as long yet. OK?
504
1414053
2683
Még mindig nem élünk kétszer annyi évig.
23:36
We don't have this magic implant in our brain
505
1416760
2785
Még nincs meg agyunk csodás implantátuma,
amellyel hozzájutunk a kívánt infóhoz.
23:39
that gives us the information we want.
506
1419569
1832
Lehet, hogy elborzasztja önöket,
23:41
And you might be appalled by it,
507
1421425
1526
23:42
but I promise you, once you have it, you'll love it.
508
1422975
2444
de ígérem, ha egyszer megkapják, tetszeni fog.
23:45
I hope you will.
509
1425443
1166
Remélem, tetszeni fog.
23:46
It's a bit scary, I know.
510
1426633
1909
Tudom, hogy egy kissé ijesztő.
23:48
There are so many things we haven't invented yet
511
1428566
2254
Sok mindent még nem fedeztünk föl,
23:50
that I think we'll invent.
512
1430844
1268
meglesz.
Nincs gravitációs pajzsunk.
23:52
We have no gravity shields.
513
1432136
1306
Nem tudjuk még teleportálni magunkat.
23:53
We can't beam ourselves from one location to another.
514
1433466
2553
Röhejesen hangzik,
de úgy 200 éve szakértők állították,
23:56
That sounds ridiculous,
515
1436043
1151
23:57
but about 200 years ago,
516
1437218
1288
23:58
experts were of the opinion that flight wouldn't exist,
517
1438530
2667
hogy a repülés nem valósítható meg,
24:01
even 120 years ago,
518
1441221
1324
csak 120 éve állították,
24:02
and if you moved faster than you could run,
519
1442569
2582
hogy aki gyorsabban mozogna,
mint fut, az szörnyethal.
24:05
you would instantly die.
520
1445175
1520
24:06
So who says we are correct today that you can't beam a person
521
1446719
3569
Ki mondja, hogy igazunk van abban,
hogy nem teleportálhatunk senkit a Marsra?
24:10
from here to Mars?
522
1450312
2249
24:12
CA: Sebastian, thank you so much
523
1452585
1569
CA: Sebastian, nagyon köszönöm
24:14
for your incredibly inspiring vision and your brilliance.
524
1454178
2682
a hihetetlenül megihlető vízióját s ragyogó előadását.
24:16
Thank you, Sebastian Thrun.
525
1456884
1323
Köszönöm, Sebastian Thrun.
Fantasztikus volt. (Taps)
24:18
That was fantastic. (Applause)
526
1458231
1895
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