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

מתרגם: Shlomo Adam מבקר: Sigal Tifferet

Chris Anderson: Help us understand what machine learning is,

כריס אנדרסון: עזור לנו להבין מהי למידת מכונה,

because that seems to be the key driver

כי נראה שזהו גורם מרכזי

of so much of the excitement and also of the concern

בהתרגשות ובדאגה הרבות סביב הבינה המלאכותית.

around artificial intelligence.

איך פועלת למידת המכונה?

How does machine learning work?

Sebastian Thrun: So, artificial intelligence and machine learning

סבסטיאן ת'רן: הבינה המלאכותית ולמידת המכונה

הן בנות 60 שנה לערך,

is about 60 years old

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

ועד לאחרונה לא היה להן רגע חשוב.

והסיבה היא,

And the reason is that today,

שכיום הגענו להיקפי המיחשוב ומערכי הנתונים

we have reached a scale of computing and datasets

הנחוצים כדי להפוך את המכונות לחכמות.

that was necessary to make machines smart.

So here's how it works.

אז ככה זה עובד:

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

אם אתה מתכנת היום מחשב, למשל את הטלפון שלך,

then you hire software engineers

אתה בעצם מעסיק מהנדסי תוכנה

that write a very, very long kitchen recipe,

שיכתבו מתכון ארוך מאד

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

דומה ל"אם המים חמים מדי, הנמך את הטמפרטורה.

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

"אם הם קרים מדי, העלה את הטמפרטורה."

The recipes are not just 10 lines long.

המתכונים אינם בני עשר שורות בלבד,

They are millions of lines long.

אלא בני מיליון שורות.

A modern cell phone has 12 million lines of code.

טלפון סלולרי מודרני מכיל 12 מיליון שורות קוד.

A browser has five million lines of code.

דפדפן מכיל 5 מיליון שורות קוד.

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

וכל באג במתכון עלול לגרום למחשב לקרוס.

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

ולכן מהנדסי תוכנה משתכרים טוב כל-כך.

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

מה שחדש היום הוא שהמחשבים יכולים להגדיר כללים משלהם.

So instead of an expert deciphering, step by step,

אז במקום שמומחה יתכנת, שלב אחר שלב,

a rule for every contingency,

כלל לכל אפשרות,

what you do now is you give the computer examples

נותנים כעת למחשב דוגמאות

and have it infer its own rules.

ולפיהן הוא מפרש בעצמו את הכללים.

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

דוגמה טובה היא "אלפא-גו", ש"גוגל" רכשה לאחרונה.

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

בד"כ, במשחקים, כותבים את כל הכללים,

אבל במקרה של "אלפא-גו",

but in AlphaGo's case,

the system looked over a million games

המערכת בחנה מעל מיליון משחקים,

הצליחה להקיש מתוכם כללים משלה

and was able to infer its own rules

and then beat the world's residing Go champion.

ואז להביס את אלוף העולם ב"גו".

That is exciting, because it relieves the software engineer

זה מלהיב, כי זה משחרר את מהנדס התוכנה

מהצורך להיות גאון

of the need of being super smart,

and pushes the burden towards the data.

וזה מעביר את הנטל אל הנתונים.

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

כפי שאמרתי, נקודת המפנה שאיפשרה זאת -

מביך מאד: התזה שלי עסקה בלמידת מכונה.

very embarrassing, my thesis was about machine learning.

It was completely insignificant, don't read it,

היא ממש לא חשובה. אל תקראו אותה,

כי זה היה לפני 20 שנה

because it was 20 years ago

ואז, המחשבים היו בגודל מוח של מקק.

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

היום הם מספיק חזקים כדי לחקות

Now they are powerful enough to really emulate

kind of specialized human thinking.

מעין חשיבה אנושית ייחודית.

And then the computers take advantage of the fact

ואז המחשבים מנצלים את העובדה

שהם יכולים לבחון נותנים מהר בהרבה מבני אדם.

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

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

אז באומרי ש"אלפא-גו" בחנה מעל מיליון משחקים,

No human expert can ever study a million games.

אין מומחה אנושי שמסוגל לבחון מיליון משחקים.

Google has looked at over a hundred billion web pages.

"גוגל" בחנה מעל מאה מיליארד דפי אינטרנט.

No person can ever study a hundred billion web pages.

אין אדם שמסוגל לבחון מאה מיליארד דפי אינטרנט.

So as a result, the computer can find rules

ולכן, המחשבים מסוגלים להגדיר כללים

that even people can't find.

שבני-אדם לא מסוגלים להגדיר.

כ"א: אז במקום לצפות מהלכים בסגנון "אם הוא עושה כך, אעשה כך,"

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

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

זה יותר כמו "ככה נראה דפוס משחק מנצח."

here is what looks like a winning pattern."

ס"ת: כן. תחשוב למשל על גידול ילדים.

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

אינך מגדיר לילדים במשך 18 שנה כלל לכל אפשרות

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

ואז שולח אותם לעולם עם איזו תוכנה גדולה.

and set them free and they have this big program.

הם נכשלים, נופלים, קמים, חוטפים סטירות או מכות,

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

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

ורוכשים נסיון חיובי, ציונים טובים בביה"ס,

and they figure it out on their own.

ומוצאים בעצמם את דרכם.

That's happening with computers now,

זה מה שקורה היום עם מחשבים,

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

ובבת-אחת, תכנות המחשבים נעשה קל מאד.

כעת כבר איננו צריכים לחשוב, אלא רק לתת להם המון נתונים.

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

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

כ"א: וזה היה גורם מרכזי בשיפור המדהים

בתחום המכוניות האוטונומיות.

in power of self-driving cars.

I think you gave me an example.

הראית לי קודם דוגמה.

תוכל להסביר מה קורה בתחום זה?

Can you explain what's happening here?

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

ס"ת: זאת נהיגה במכונית אוטונומית

that we happened to have at Udacity

שיש לנו ב"יודסיטי",

and recently made into a spin-off called Voyage.

ולאחרונה פיתחנו למשהו בשם "וויאג'."

We have used this thing called deep learning

השתמשנו במה שקרוי "למידה עמוקה"

to train a car to drive itself,

כדי לאמן את המכונית לנהוג בעצמה,

and this is driving from Mountain View, California,

וכאן רואים נהיגה ממאונטן וויו שבקליפורניה

עד לסן-פרנסיסקו

to San Francisco

on El Camino Real on a rainy day,

בכביש אל-קמינו ריאל ביום גשום,

with bicyclists and pedestrians and 133 traffic lights.

עם רוכבי אופניים, הולכי רגל ו-133 רמזורים.

And the novel thing here is,

ומה שחדשני פה,

הוא שלפני ירחים רבים מאד ייסדתי את צוות המכונית האוטונומית של "גוגל".

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

ואז, שכרתי את מהנדסי התוכנה הכי טובים בעולם

כדי שיגדירו את הכללים הכי טובים בעולם.

to find the world's best rules.

כאן מדובר באימון בלבד.

This is just trained.

We drive this road 20 times,

נהגנו בכביש הזה 20 פעם,

הכנסנו את כל הנתונים למוח של המחשב,

we put all this data into the computer brain,

and after a few hours of processing,

ואחרי כמה שעות עיבוד,

it comes up with behavior that often surpasses human agility.

הוא הפיק התנהגות שלעתים קרובות עולה על הזריזות האנושית.

So it's become really easy to program it.

כך שנעשה קל מאד לתכנת את זה.

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

היא אוטונומית ב-100% לאורך כ-50 ק"מ במשך שעה וחצי.

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

כ"א: תסביר את זה - בחלק הגדול של התוכנה, משמאל,

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

רואים בעצם מה שהמחשב מזהה כמשאיות וכלי-רכב

and those dots overtaking it and so forth.

ועקיפות וכן הלאה.

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

ס"ת: מימין רואים את המצלמה, שזה הקלט העיקרי,

והיא משמשת לאיתור נתיבים, מכוניות אחרות, רמזורים.

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

The vehicle has a radar to do distance estimation.

הרכב מצויד במכ"ם שמבצע אומדן מרחקים.

This is very commonly used in these kind of systems.

זה נפוץ מאד במערכות כאלה.

משמאל רואים שרטוט לייזר,

On the left side you see a laser diagram,

ובו רואים מכשולים כמו עצים וכו' שהלייזר מזהה.

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

אבל כמעט כל העבודה המעניינת מתמקדת כעת בתמונת המצלמה.

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

אנו בעצם עוברים מחיישנים מדויקים כמו מכ"ם ולייזר

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

לחיישנים מסחריים וזולים מאד.

into very cheap, commoditized sensors.

מצלמה עולה פחות מ-8 דולר.

A camera costs less than eight dollars.

כ"א: ומהי הנקודה הירוקה משמאל?

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

Is that anything meaningful?

יש לה איזו משמעות?

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

ס"ת: זאת נקודת חיזוי עבור בקרת השיוט הסתגלנית,

והיא עוזרת לנו להבין איך לווסת את המהירות

so it helps us understand how to regulate velocity

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

לפי המרחק מהמכוניות שלפניך.

כ"א: יש לך גם דוגמה

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

of how the actual learning part takes place.

איך מתרחשת הלמידה העמוקה.

אולי נוכל לראות אותה. ספר על זה.

Maybe we can see that. Talk about this.

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

ס"ת: בדוגמה בזאת בה הצבנו אתגר לתלמידי "יודסיטי"

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

להיבחן במה שאנו מכנים "ננו-תואר בנהיגה אוטונומית."

We gave them this dataset

נתנו להם את בסיס הנתונים הזה

ושאלנו, "האם תוכלו למצוא איך לנהוג במכונית הזאת?"

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

ואם תביט בתמונות האלה,

And if you look at the images,

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

אז כמעט אפילו לבני אדם, בלתי-אפשרי להגדיר נהיגה נכונה.

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

ערכנו תחרות בשם "תחרות למידה עמוקה,

AI competition,"

"תחרות בינה מלאכותית,"

and we gave the students 48 hours.

והקצבנו לסטודנטים 48 שעות.

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

לבית-תוכנה כמו "גוגל" או" פייסבוק"

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

דבר כזה עולה לפחות בשישה חודשי עבודה.

So we figured 48 hours is great.

אז החלטנו שב-48 שעות זה מצוין.

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

וכעבור 48 שעות קיבלנו מהסטודנטים 100 הצעות,

and the top four got it perfectly right.

וארבע הטובות ביותר פתרו את זה באופן מושלם.

It drives better than I could drive on this imagery,

הנהיגה בעזרת למידה עמוקה טובה יותר

ממה שאני הצלחתי לבצע בהדמיה הזו.

using deep learning.

And again, it's the same methodology.

ושוב, זו אותה מתודולוגיה. זה כל הקסם:

It's this magical thing.

When you give enough data to a computer now,

היום, כשנותנים למחשב מספיק נתונים

and give enough time to comprehend the data,

ומספיק זמן כדי להבין את הנתונים,

it finds its own rules.

הוא מגדיר בעצמו את הכללים.

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

כ"א: וזה הוביל לפיתוח יישומים רבי-עוצמה

בכל מיני תחומים.

in all sorts of areas.

You were talking to me the other day about cancer.

דיברת איתי על סרטן.

Can I show this video?

אני יכול להקרין את הסרטון הזה?

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

ס"ת: כן, בהחלט. בבקשה. כ"א: זה מעולה.

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

ס"ת: זו הצצה למה שקורה

in a completely different domain.

בתחום שונה לגמרי.

זהו תגבור - או תחרות -

This is augmenting, or competing --

it's in the eye of the beholder --

זה נתון לפרשנות -

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

מול אנשים שמשתכרים 400,000 דולר בשנה,

רופאי-עור,

dermatologists,

highly trained specialists.

מומחים מיומנים מאד.

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

דרושות מעל 10 שנים התמחות כדי להיעשות לרופא-עור טוב.

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

כאן אתה רואה את גירסת למידת המכונה.

זה קרוי "רשת עצבית".

It's called a neural network.

"רשתות עצביות" הוא המונח הטכני לאלגוריתמים של למידת המכונה.

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

They've been around since the 1980s.

הן קיימות מאז שנות ה-80.

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

זו שכאן הומצאה ב-1988 ע"י בחור מ"פייסבוק" בשם יאן לה-קאן,

and it propagates data stages

והיא מפיצה שלבי נתונים

through what you could think of as the human brain.

דרך מה שאפשר לדמות למוח האנושי.

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

זה לא בדיוק אותו הדבר, אבל זה חיקוי של זה.

It goes stage after stage.

זה עובר שלב-שלב.

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

בשלב הראשון האלגוריתם לוקח קלט חזותי וממצה מתוכו שוליים,

and rods and dots.

קווים ונקודות.

בשלב הבא מדובר בשוליים המורכבים יותר

And the next one becomes more complicated edges

and shapes like little half-moons.

וצורות, כמו חצי-ירח,

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

בסופו של דבר, הוא מסוגל לבנות מושגים מורכבים מאד -

Andrew Ng has been able to show

אנדרו נג הצליח להוכיח

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

שהוא מסוגל לזהות פנים של כלבים וחתולים

in vast amounts of images.

בכמות עצומה של תמונות.

What my student team at Stanford has shown is that

הסטודנטים שלי בסטנפורד הוכיחו

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

שאם מאמנים אותו בעזרת 129,000 תמונות של מחלות עור,

including melanoma and carcinomas,

כולל מלנומות וקרצינומות,

you can do as good a job

הוא משיג תוצאות טובות

as the best human dermatologists.

כמו של רופאי העור האנושיים הכי טובים.

And to convince ourselves that this is the case,

וכדי להשתכנע שזה אכן כך,

we captured an independent dataset that we presented to our network

בודדנו בסיס נתונים עצמאי והגשנו אותו לרשת שלנו

and to 25 board-certified Stanford-level dermatologists,

ול-25 רופאי-עור מוסמכים בתקן של סטנפורד,

and compared those.

והשווינו ביניהם.

And in most cases,

וברוב המקרים

they were either on par or above the performance classification accuracy

הם היו בשוויון או ביתרון מבחינת ביצועי דיוק הסיווג

לעומת רופאי העור האנושיים.

of human dermatologists.

CA: You were telling me an anecdote.

כ"א: סיפרת לי אנקדוטה.

I think about this image right here.

נראה לי שזה היה קשור לתמונה הזאת.

What happened here?

מה קרה כאן?

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

ס"ת: זה היה ביום חמישי האחרון. זה קטע מרגש.

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

מה שהראינו קודם, שפרסמנו ב"נייצ'ר" בתחילת השנה,

was this idea that we show dermatologists images

היה הרעיון שאנו מראים תמונות לרופאי-עור ולמחשב שלנו,

and our computer program images,

and count how often they're right.

ומונים כמה פעמים הם צודקים.

אבל כל התמונות האלה הן מהעבר.

But all these images are past images.

כולן עברו ביופסיה כדי לוודא שהסיווג שלנו נכון.

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

זאת - לא.

This one wasn't.

זאת צולמה בסטנפורד ע"י שותף שלנו.

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

The story goes that our collaborator,

לפי הסיפור, השותף שלנו,

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

רופא-עור בעל פרסום עולמי, אחד משלושת הטובים ביותר, מסתבר,

הביט בשומה הזאת ואמר, "זה איננו סרטן עור."

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

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

ואז הוא חשב לרגע, ואמר, "אוודא זאת בעזרת יישומון."

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

הוא שלף את ה"אייפון" שלו והריץ את היישום שלנו,

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

את ה"רופא-עור-כיס" שלנו,

our "pocket dermatologist," so to speak,

and the iPhone said: cancer.

וה"אייפון" קבע: סרטן.

It said melanoma.

מלנומה.

And then he was confused.

הוא נבוך,

והחליט, "טוב, אולי אני סומך על ה'אייפון' קצת יותר מאשר על עצמי,"

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.

והוא שלח את זה לביופסיה במעבדה.

And it came up as an aggressive melanoma.

והממצא היה "מלנומה תוקפנית."

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

אז נראה לי שזו הפעם הראשונה שבה מצאנו,

in the practice of using deep learning,

באמצעות הלמידה העמוקה,

מצב שבו מלנומה אצל אדם היתה עלולה לא להתגלות

an actual person whose melanoma would have gone unclassified,

had it not been for deep learning.

אילולא הלמידה העמוקה.

CA: I mean, that's incredible.

כ"א: מדהים!

(Applause)

(מחיאות כפיים)

נראה לי שיהיה מיד ביקוש מיידי ליישומון כזה,

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.

וזה יכול להפחיד המון אנשים.

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

אתה חושב לעשות זאת, ליצור יישומון שמאפשר בדיקה עצמית?

ס"ת: הדואר הנכנס שלי מוצף בבקשות ליישומוני סרטן,

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

עם סיפורים קורעי-לב של אנשים.

with heartbreaking stories of people.

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

יש אנשים שהוסרו אצלם 10, 15, 20 מלנומות,

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

והם חוששים שיש כאלה שהוחמצו, כמו זה,

and also, about, I don't know,

ומגיעות גם בקשות, לא יודע, למכוניות מעופפות ופניות להרצות.

flying cars and speaker inquiries these days, I guess.

My take is, we need more testing.

המסקנה שלי היא שנחוצות לנו בדיקות נוספות.

I want to be very careful.

אני רוצה להיזהר מאד.

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

קל מאד לתת תוצאה מסנוורת ולהרשים את הקהל ב-TED.

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

קשה הרבה יותר לשחרר מוצר באופן אחראי.

And if people were to use the app

ואם אנשים ישתמשו ביישומון הזה

ויחליטו לא להתייעץ עם רופא בגלל טעות שלנו,

and choose not to consult the assistance of a doctor

because we get it wrong,

ארגיש רע מאד בגלל זה.

I would feel really bad about it.

אז כרגע אנו עורכים בדיקות קליניות,

So we're currently doing clinical tests,

ואם מהבדיקות יתברר שהנתונים שלנו מוצקים,

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

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

אולי נוכל מתישהו לקחת טכנולוגיה כזאת,

ולהביאה לקליניקה של סטנפורד

and take it out of the Stanford clinic

ולעולם כולו,

and bring it to the entire world,

למקומות שאליהם רופאים מסטנפורד לא מגיעים לעולם.

places where Stanford doctors never, ever set foot.

CA: And do I hear this right,

כ"א: אם אני שומע נכון נראה שמה שאתה אומר,

that it seemed like what you were saying,

משום שאתה עובד עם צבא של תלמידי "יודסיטי",

because you are working with this army of Udacity students,

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

שאתם משתמשים בלמידת מכונה בצורה שונה

than might take place in a company,

מזו שיכולה להתנהל בחברה,

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

שאתם משלבים בין למידת מכונה וחוכמת המונים.

האם אתה אומר שלפעמים נראה לך שזה יכול להתעלות על ביצועיה של חברה,

Are you saying that sometimes you think that could actually outperform

what a company can do, even a vast company?

אפילו חברה גדולה?

ס"ת: לדעתי יש כיום מקרים שמדהימים אותי,

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

and I'm still trying to understand.

ושאני עדיין מנסה להבין.

כריס מתייחס לתחרויות שאנו מנהלים.

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

We turn them around in 48 hours,

אנו מקציבים בהן 48 שעות,

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

והצלחנו לבנות מכונית אוטונומית

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

שיכולה לנהוג ממאונטן וויו ועד סן-פרנסיסקו על כביש סלול.

זה לא ממש שווה-ערך להישגי "גוגל" אחרי שבע שנות עבודה שלה,

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

but it's getting there.

אבל אנו מתקרבים לזה.

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

וזה דרש מאיתנו רק שני מהנדסים ושלושה חודשי עבודה.

And the reason is, we have an army of students

והסיבה היא שיש לנו צבא של סטודנטים

who participate in competitions.

שמשתתפים בתחרויות.

We're not the only ones who use crowdsourcing.

איננו היחידים שמשתמשים במיקור המונים.

Uber and Didi use crowdsource for driving.

"אובר" ו"דידי" משתמשות במיקור המונים עבור נהיגה.

Airbnb uses crowdsourcing for hotels.

"אייר בי-אן-בי" משתמשת במיקור המונים למקומות לינה.

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

יש היום הרבה דוגמאות למיקור המונים עבור איתור באגים

או קיפול חלבונים, כל מיני דברים בעזרת מיקור המונים.

or protein folding, of all things, in crowdsourcing.

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

אבל אנו הצלחנו לבנות את המכונית הזאת תוך 3 חודשים,

so I am actually rethinking

אז אני מעריך מחדש

how we organize corporations.

איך אנו מארגנים תאגידים.

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

יש לנו סגל בן 9,000 איש שאינם מועסקים

that I never fire.

ושאינני מפטר.

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

הם מגיעים לעבודה מבלי שאדע אפילו.

Then they submit to me maybe 9,000 answers.

והם מגישים לי 9,000 הצעות.

I'm not obliged to use any of those.

אני לא מחוייב לקבל אף אחת מהן.

I end up -- I pay only the winners,

בסופו של דבר - אני משלם רק לזוכים,

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

אז אני די קמצן פה, ואולי זה לא הכי טוב.

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

אבל מצד שני הם רואים בזה חלק מההשכלה שלהם, וזה נחמד.

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

אבל הסטודנטים האלה הצליחו לייצר תוצאות מדהימות של למידה עמוקה.

אז, כן. מדהים לשלב בין אנשים נפלאים ולמידה עמוקה מעולה.

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

כ"א: גארי קספרוב אמר ביום הראשון [ב-TED2017]

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

שהמנצחים בשחמט, במפתיע, הם שני שחקני שחמט חובבים

עם שלוש תוכנות מחשב בינוניות, בינוניות עד טובות,

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

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

שעולות בביצועיהן על רב-אמן מול שחקן מצטיין,

like it was all part of the process.

כאילו כל זה חלק מהתהליך.

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

ונראה שאתה מדבר על גירסה עשירה בהרבה של אותו הרעיון.

of that same idea.

ס"ת: כן, תראה, כשעקבת אחרי הפנלים הנפלאים של אתמול בבוקר,

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

שני מפגשים בנושא בינה מלאכותית,

two sessions about AI,

robotic overlords and the human response,

עליית הרובוטיקה והתגובה האנושית,

many, many great things were said.

נאמרו הרבה מאד דברים חשובים.

But one of the concerns is that we sometimes confuse

אבל אחת הדאגות היא שלפעמים אנו מבלבלים

בין מה שנעשה בפועל בתחום הבינה המלאכותית

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

לבין הפחד מהרובוטים,

where your AI develops consciousness, right?

ומכך שהבינה המלאכותית תפתח תודעה, נכון?

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

הדבר האחרון שאני רוצה הוא שהבינה המלאכותית שלי תהיה מודעת.

I don't want to come into my kitchen

אני לא רוצה להיכנס למטבח

and have the refrigerator fall in love with the dishwasher

ולגלות מהמקרר שלי התאהב במדיח

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

ואומר לי שבגלל שלא התנהגתי יפה,

my food is now warm.

הוא כבר לא מקרר לי את האוכל.

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

לא הייתי קונה מוצרים כאלה. אני לא רוצה בהם.

But the truth is, for me,

אבל האמת היא שמבחינתי,

AI has always been an augmentation of people.

הבינה המלאכותית תמיד נחשבה להגברה של האנושיות.

It's been an augmentation of us,

זו הגברה שלנו שנועדה להוסיף לנו עוצמה.

to make us stronger.

ואני חושב שקספרוב קלע למטרה.

And I think Kasparov was exactly correct.

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

השילוב בין החוכמה האנושית לחוכמה של המכונות

that make us stronger.

הוא שמעצים אותנו.

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

הרעיון של התעצמות בעזרת מכונות עתיק כמו המכונות עצמן.

The agricultural revolution took place because it made steam engines

המהפכה החקלאית התחוללה משום שיצרנו מנועי קיטור

and farming equipment that couldn't farm by itself,

וציוד חקלאי שלא היה מסוגל לפעול בעצמו,

המכונות מעולם לא החליפו אותנו; הן תגברו אותנו.

that never replaced us; it made us stronger.

ואני מאמין שהגל החדש הזה של בינה מלאכותית, יעצים אותנו בהרבה

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

as a human race.

כמין אנושי.

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

כ"א: מיד נגיע לזה,

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

אבל כהמשך לחלק שמפחיד אנשים מסוימים,

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

למשל, הפחד מכך שמחשב ישכתב את הקוד שלו,

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

so, it can create multiple copies of itself,

שיוכל ליצור עותקים של עצמו,

לנסות גירסאות קוד שונות,

try a bunch of different code versions,

אולי אפילו באופן אקראי,

possibly even at random,

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

ואז לבדוק לראות אם המטרה הושגה ויש שיפור.

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

נניח שהמטרה היא להשתפר במבחן אינטליגנציה.

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

מחשב שטוב בכך במידה בינונית,

יכול לנסות מיליון גירסאות.

you could try a million versions of that.

You might find one that was better,

למצוא אחת עדיפה,

ואז לחזור על זה.

and then, you know, repeat.

אז הדאגה היא שייווצר אפקט של יציאה משליטה,

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

where everything is fine on Thursday evening,

כשביום חמישי בערב הכל בסדר,

and you come back into the lab on Friday morning,

וכשחוזרים למעבדה ביום ששי בבוקר,

בגלל המהירות של המחשב וכן הלאה,

and because of the speed of computers and so forth,

הכל משתגע, ופתאום --

things have gone crazy, and suddenly --

ס"ת: הייתי אומר שזאת אפשרות,

ST: I would say this is a possibility,

but it's a very remote possibility.

אבל אפשרות דחוקה ביותר.

So let me just translate what I heard you say.

אנסה לתרגם את מה ששמעתי ממך.

In the AlphaGo case, we had exactly this thing:

במקרה של "אלפא-גו", היה לנו בדיוק דבר כזה:

the computer would play the game against itself

המחשב שיחק נגד עצמו

ולמד כללים חדשים.

and then learn new rules.

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

ולמידת המכונה היא אכן שכתוב של הכללים.

It's the rewriting of code.

זהו שכתוב של הקוד.

But I think there was absolutely no concern

אבל לדעתי לא היתה כל סיבה לדאגה

ש"אלפא-גו" ישתלט על העולם.

that AlphaGo would take over the world.

It can't even play chess.

הוא אפילו לא יודע לשחק שחמט.

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

כ"א: לא, לא, אבל כל אלה הם תחומים ייחודיים מאד.

אבל אפשר לדמיין...

But it's possible to imagine.

ראינו הרי זה עתה מחשב שכנראה מסוגל לעבור

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

of passing a university entrance test,

את בחינות הכניסה לאוניברסיטה,

שיכול -- הוא לא יודע לקרוא או להבין כמונו,

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

אבל הוא בהחלט מסוגל לקלוט את כל הטקסט

but it can certainly absorb all the text

and maybe see increased patterns of meaning.

ואולי למצוא דפוסי משמעות מוגברים.

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

האם אין סיכוי שכאשר כל זה יתרחב,

there could be a different kind of runaway effect?

ייווצר אפקט אחר של יציאה משליטה?

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

ס"ת: כאן אני מותח את הגבול, בכנות.

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

הסיכוי קיים -- אינני רוצה להמעיט בערך הדבר --

אבל לדעתי זה רחוק וזה לא מעסיק אותי בימים אלה,

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

כי לדעתי המהפכה הגדולה מתחוללת במקום אחר.

because I think the big revolution is something else.

כל מה שמוצלח בבינה המלאכותית עד היום

Everything successful in AI to the present date

has been extremely specialized,

היה מוגבל מאד לתחומו,

וזה מצליח על יסוד רעיון אחד ויחיד:

and it's been thriving on a single idea,

which is massive amounts of data.

כמויות עצומות של נתונים.

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

הסיבה ש"אלפא-גו" מוצלח כל-כך היא בגלל כמויות עתק של משחקי גו,

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

"אלפא-גו" לא מסוגל לנהוג במכונית או להטיס מטוס.

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

המכוניות האוטונומית של "גוגל" ושל "יודסיטי"

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

מצליחות בזכות כמויות עתק של נתונים, והן לא יודעות לעשות משהו אחר.

הן לא יודעות לשלוט באופנוע.

It can't even control a motorcycle.

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

זה מאד ספציפי, ומוגבל לתחום מסוים,

and the same is true for our cancer app.

וזה נכון גם לגבי יישומון הסרטן שלנו.

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

לא היתה כמעט שום התקדמות בדבר שקרוי "בינה מלאכותית כללית,"

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

כשניגשים לבינה מלאכותית ואומרים, "תמציאי לי תורת יחסות פרטית

or string theory."

"או את תורת המיתרים."

It's totally in the infancy.

היא לגמרי בחיתוליה.

The reason I want to emphasize this,

הסיבה שאני רוצה להדגיש זאת,

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

אני רואה את הדאגות ואני מכיר בהן,

But if I were to think about one thing,

אבל אם יש דבר אחד שכדאי לחשוב עליו,

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

הייתי שואל את עצמי,

"מה אם ניקח כל משימה שחוזרת על עצמה

and make ourselves 100 times as efficient?"

"ונתייעל פי מאה?"

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

מסתבר שלפני 300 שנה כולנו עבדנו בחקלאות

עבדנו במשק ועשינו מטלות שחוזרות על עצמן.

and did farming and did repetitive things.

היום, 75% מאיתנו עובדים במשרדים

Today, 75 percent of us work in offices

ועושים דברים שחוזרים על עצמם.

and do repetitive things.

נעשינו עבדים לגליון האלקטרוני.

We've become spreadsheet monkeys.

And not just low-end labor.

ולא מדובר רק בעובדי הצווארון הכחול.

We've become dermatologists doing repetitive things,

נעשינו לרופאי-עור שעושים דברים שחוזרים על עצמם,

עורכי-דין שעושים דברים שחוזרים על עצמם.

lawyers doing repetitive things.

לדעתי, בקרוב נוכל לקחת בינה מלאכותית כלשהי,

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

look over our shoulders,

להביט מעבר לכתף,

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

וזה יהפוך אותנו ליעילים פי 10 או 50 במשימות שחוזרות על עצמן.

That's what is on my mind.

זה מה שמעסיק אותי.

כ"א: זה נשמע מרתק מאד.

CA: That sounds super exciting.

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

הדרך לשם נראית קצת מפחידה לאנשים מסוימים,

כי ברגע שמחשב יוכל לעשות מטלות שחוזרות על עצמן

because once a computer can do this repetitive thing

טוב בהרבה מרופא העור

much better than the dermatologist

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

או מהנהג, שעל זה במיוחד מדברים הרבה היום,

so much now,

suddenly millions of jobs go,

לפתע ייעלמו מיליוני מקומות עבודה,

and, you know, the country's in revolution

והארץ תהיה במהפכה

עוד לפני שבכלל נגיע להיבטים הנהדרים שיתאפשרו.

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

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

ס"ת: כן, וזאת בעיה, בעיה רצינית.

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

ציינו אותה אתמול כמה מרצים-אורחים.

Now, prior to me showing up onstage,

לפני שעליתי לבמה,

I confessed I'm a positive, optimistic person,

הודיתי שאני אדם חיובי ואופטימי,

so let me give you an optimistic pitch,

אז בואו ואתן לכם נאום מכירות אופטימי,

which is, think of yourself back 300 years ago.

דמיינו את עצמכם לפני 300 שנה.

Europe just survived 140 years of continuous war,

אירופה שרדה זה עתה 140 שנות מלחמה מתמשכת,

none of you could read or write,

איש מכם אינו יודע קרוא וכתוב,

there were no jobs that you hold today,

המשרות שיש לכם היום בכלל לא היו,

like investment banker or software engineer or TV anchor.

כמו בנקאי השקעות, מהנדס תוכנה או מגיש חדשות.

We would all be in the fields and farming.

כולנו היינו בשדות, עובדים בחקלאות.

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

מופיע סבסטיאן קטן ובכיסו מנוע קיטור קטן,

ואומר, "חבר'ה, תראו את זה.

saying, "Hey guys, look at this.

"זה יכפיל את כוחכם פי 100 ואז תוכלו לעסוק במשהו אחר."

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,

ובאותם ימים לא היתה במה אמיתית,

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

כריס ואני הסתובבנו עם הפרות ברפת,

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

והוא אומר לי, "זה מדאיג אותי מאד,

"כי אני חולב את פרתי בכל יום. מה אם המכונה תעשה את זה במקומי?"

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

The reason why I mention this is,

אני מעלה את זה,

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

כי כולנו מכירים בקידמה שחלה בעבר ובתועלת שלה,

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

כמו ה"אייפון", המטוס, החשמל או התרופות.

אנו נהנים לחיות עד גיל 80, מה שלא היה אפשרי לפני 300 שנה.

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

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

אבל משום-מה איננו מתייחסים כך אל העתיד.

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

אם אני מסתכל על תפקידי כמנכ"ל,

I would say 90 percent of my work is repetitive,

הייתי אומר ש-90% מעבודתי הם דברים חוזרים ונשנים,

אני לא נהנה מזה,

I don't enjoy it,

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

אני מקדיש כארבע שעות ביום להתעסקות חוזרת ונשנית בדוא"ל מטופש.

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

ואני מת למשהו שיעזור לי להיפטר מזה.

מדוע?

Why?

כי אני מאמין שכולנו יצירתיים בטירוף,

Because I believe all of us are insanely creative;

I think the TED community more than anybody else.

וקהילת TED - יותר מכל.

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

אבל אפילו עובדי צווארון כחול - לדעתי, אם תיגש למשרתת או למשרת במלון

and have a drink with him or her,

תזמין אותם למשקה,

and an hour later, you find a creative idea.

בתוך שעה תקבל מהם רעיון יצירתי.

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

הדבר הזה יגרום ליצירתיות הזאת להתגשם.

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

למשל, מה אם נוכל לבנות "גוגל" תוך יום?

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

מה אם יכולנו להמציא על כוס בירה את ה"סנאפצ'ט" הבא,

whatever it is,

מה שזה לא יהיה,

and tomorrow morning it's up and running?

ולמחרת בבוקר זה כבר יפעל?

And that is not science fiction.

וזה איננו מדע בדיוני.

What's going to happen is,

מה שהולך לקרות הוא,

שאנו כבר חלק מההיסטוריה,

we are already in history.

We've unleashed this amazing creativity

שהוצאנו לאור את היצירתיות המדהימה הזאת

בכך שהשתחררנו מהשעבוד לחקלאות

by de-slaving us from farming

and later, of course, from factory work

ואח"כ, כמובן, מהעבודה במפעל

and have invented so many things.

והמצאנו כה הרבה דברים.

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

שזה עתיד ללכת ולהשתפר, לדעתי.

And there's going to be great side effects.

ותהיינה לזה תוצאות-לוואי נהדרות.

One of the side effects will be

אחת מתוצאות הלוואי תהיה

that things like food and medical supply and education and shelter

שדברים כמו מזון, אספקה רפואית, השכלה, מחסה ותחבורה

and transportation

ייעשו זולים בהרבה לכולנו,

will all become much more affordable to all of us,

not just the rich people.

ולא רק לעשירים.

CA: Hmm.

כ"א: המממ...

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

אז כשמרטין פורד טען שהפעם זה אחרת

because the intelligence that we've used in the past

משום שהבינה בה נעזרנו בעבר

כדי למצוא דרכים חדשות

to find new ways to be

will be matched at the same pace

תידחק החוצה באותו הקצב

by computers taking over those things,

ע"י מחשבים שישתלטו על הדברים האלה,

מה שאני שומע ממך זה שלא לגמרי

what I hear you saying is that, not completely,

because of human creativity.

הודות ליצירתיות האנושית...

האם לדעתך זה שונה מן היסוד מסוג היצירתיות

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

שהמחשבים מסוגלים לה?

that computers can do?

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

ס"ת: אני מאמין בתוקף כאיש בינה מלאכותית --

שלא ראיתי שום התקדמות אמיתית מבחינת יצירתיות

that I haven't seen any real progress on creativity

and out-of-the-box thinking.

וחשיבה לא-שגרתית.

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

מה שאני רואה כרגע -- וחשוב מאד שאנשים יבינו זאת,

כי המושג "בינה מלאכותית" כה מאיים,

because the word "artificial intelligence" is so threatening,

and then we have Steve Spielberg tossing a movie in,

וגם סטיבן ספילברג הוסיף כאן סרט למדורה,

where all of a sudden the computer is our overlord,

והמחשב נהיה לפתע אדון העולם,

but it's really a technology.

בעוד שזו רק טכנולוגיה.

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

טכנולוגיה שעוזרת לנו לבצע מטלות חוזרות ונשנות.

And the progress has been entirely on the repetitive end.

וההתקדמות היתה כולה בהיבט החזרתי:

It's been in legal document discovery.

בגילוי מסמכים חוקיים,

It's been contract drafting.

בניסוח טיוטות של חוזים,

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

בצילומי רנטגן של החזה,

And these things are so specialized,

ואלה דברים כל-כך מוגבלים וספציפיים,

I don't see the big threat of humanity.

שאני לא רואה איפה האיום הגדול על האנושות.

In fact, we as people --

למעשה, אנו כבני-אדם --

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

כי בואו ונודה בכך: נעשינו אדם-על

We've made us superhuman.

הפכנו את עצמנו לאדם-על.

We can swim across the Atlantic in 11 hours.

אנו יכולים לחצות את האוקיינוס האטלנטי בתוך 11 שעות.

We can take a device out of our pocket

אנו יכולים לשלוף מהכיס מכשיר

and shout all the way to Australia,

ולצעוק לתוכו כך שישמעו באוסטרליה,

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

ושהשומע יצעק אלינו בחזרה בזמן אמת.

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

פיזית, זה בלתי-אפשרי. אנו שוברים את כללי הפיזיקה.

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

בסופו של דבר אנו נזכור הכל,

we've ever said and seen,

את כל מה שאמרנו ועשינו,

אתם תזכרו כל אדם,

you'll remember every person,

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

וזה מצוין בשבילי, בשלבי השטיון המוקדמים שלי.

סליחה, מה אמרתי? שכחתי.

Sorry, what was I saying? I forgot.

כ"א: (צוחק)

CA: (Laughs)

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

ס"ת: מנת המשכל שלנו תהיה כנראה 1000 או יותר.

There will be no more spelling classes for our kids,

לילדים כבר לא יהיו שיעורי איות,

because there's no spelling issue anymore.

כי כבר לא תהיה בעיית איות.

There's no math issue anymore.

כבר לא תהיינה בעיות בחשבון.

ולדעתי מה שבאמת יקרה הוא שנוכל להיות סופר-יצירתיים.

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

And we are. We are creative.

ואנו כבר כאלה. אנו יצירתיים.

That's our secret weapon.

זהו הנשק הסודי שלנו.

כ"א: אז מקומות העבודה שנעלמים,

CA: So the jobs that are getting lost,

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

במובן מסוים, ככל שזה כואב,

humans are capable of more than those jobs.

בני-אדם מסוגלים ליותר מאשר לעסוק במשרות האלה.

This is the dream.

זהו החלום.

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

החלום הוא שבני האדם יוכלו להתעלות למישור חדש של העצמה

and discovery.

וגילויים.

That's the dream.

זהו החלום.

ST: And think about this:

ס"ת: וגם תחשוב על זה:

אם תסתכל על ההיסטוריה האנושית,

if you look at the history of humanity,

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

לא משנה מתי -- לפני 60,000 או 100,000 שנה, פלוס-מינוס --

almost everything that you cherish in terms of invention,

כמעט כל מה שיקר לנו מבחינת ההמצאות,

of technology, of things we've built,

הטכנולוגיה, הדברים שבנינו,

has been invented in the last 150 years.

כל אלה הומצאו ב-150 השנים האחרונות.

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

אם מוסיפים את הספר ואת הגלגל, זה קצת יותר זמן.

Or the axe.

או את הגרזן.

אבל הטלפון, נעלי הספורט,

But your phone, your sneakers,

these chairs, modern manufacturing, penicillin --

הכסאות האלה, הייצור המודרני, הפניצילין --

the things we cherish.

הדברים שיקרים לנו.

בעיני זה אומר

Now, that to me means

the next 150 years will find more things.

שב-150 השנים הבאות נגלה דברים נוספים.

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

למעשה, קצב ההמצאות התגבר ולא נחלש, לדעתי.

אני מאמין שרק אחוז אחד מהדברים המעניינים התגלה עד כה.

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

עוד לא ריפאנו את הסרטן.

We haven't cured cancer.

אין לנו מכוניות מעופפות -- עדיין. אני מקווה לשנות את זה.

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

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

זו דוגמה למשהו שאנשים לעגו לו.

מצחיק, לא? "עובדים בחשאי על מכוניות מעופפות."

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

עדיין איננו חיים פי 2 זמן, נכון?

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

We don't have this magic implant in our brain

אין לנו שתל קסום במוח

that gives us the information we want.

שמספק לנו מידע נחוץ.

אולי אתם מזועזעים מכך,

And you might be appalled by it,

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

אבל אני מבטיח לכם שכשזה יהיה, תמותו על זה.

I hope you will.

אני מקווה כך.

It's a bit scary, I know.

זה קצת מפחיד, אני יודע.

There are so many things we haven't invented yet

יש עוד המון דברים שטרם המצאנו ושעוד נמציא.

that I think we'll invent.

אין לנו מגיני כבידה.

We have no gravity shields.

איננו יכולים לשגר את עצמנו ממקום למקום.

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

זה נשמע מגוחך,

That sounds ridiculous,

אבל לפני כ-200 שנה

but about 200 years ago,

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

המומחים היו בדעה אחת שהתעופה לא תיתכן,

אפילו לפני 120 שנה,

even 120 years ago,

and if you moved faster than you could run,

ושאם ננוע מהר יותר מכפי יכולתנו לרוץ,

נמות מיד.

you would instantly die.

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

אז מי יאמר שהיום לא נכון לקבוע

שאי-אפשר לשגר אדם מכאן למאדים?

from here to Mars?

CA: Sebastian, thank you so much

כ"א: סבסטיאן, תודה רבה לך

for your incredibly inspiring vision and your brilliance.

על חוכמתך והחזון רב ההשראה שלך.

Thank you, Sebastian Thrun.

תודה רבה לסבסטיאן ת'רן. זה היה נהדר.

That was fantastic. (Applause)

(מחיאות כפיים)