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

번역: Yoonkeun Ji 검토: Jeeyong Park

Chris Anderson: Help us understand what machine learning is,

크리스 앤더슨: 머신러닝을 이해하는 데 도움을 주실 분을 모셨습니다.

because that seems to be the key driver

머신 러닝은 인공지능을 둘러싼

of so much of the excitement and also of the concern

세간의 걱정과 기대의

around artificial intelligence.

중심에 있기 때문입니다.

How does machine learning work?

머신 러닝은 어떻게 작동하나요?

Sebastian Thrun: So, artificial intelligence and machine learning

세바스찬: 인공지능과 머신 러닝은 사실

is about 60 years old

60년 정도 된 연구분야인데

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

최근까지는 큰 관심을 받지 못했습니다.

And the reason is that today,

최근에 들어서야

we have reached a scale of computing and datasets

기계를 똑똑하게 만들 수 있을 만큼

that was necessary to make machines smart.

컴퓨팅, 데이터 기술의 발전이 이루어졌기 때문이죠.

So here's how it works.

작동 원리를 살펴보죠.

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

스마트폰을 위한 프로그램을 만든다고 가정해봅시다.

then you hire software engineers

그러면 소프트웨어 개발자를 고용해서

that write a very, very long kitchen recipe,

아주, 아주 긴 음식 조리법을 적게 합니다.

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

"만약 물이 너무 뜨거우면, 온도를 내려라.

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

너무 차가우면, 온도를 올려라." 하는 식으로 말이죠.

The recipes are not just 10 lines long.

조리법은 열 줄 짜리가 아니죠.

They are millions of lines long.

수 백만 줄 정도는 되어야 할 겁니다.

A modern cell phone has 12 million lines of code.

최신 스마트폰은 1,200만 줄의 소스 코드로 되어 있습니다.

A browser has five million lines of code.

하나의 브라우저는 5백만 줄 정도로 구성됩니다.

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

조리법에 포함된 오류 하나 하나가 컴퓨터를 고장나게 할 수 있죠.

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

이러한 이유로 개발자가 돈을 많이 벌 수 밖에 없죠.

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

그런데 요즘은 컴퓨터가 스스로 규칙을 찾아냅니다.

So instead of an expert deciphering, step by step,

기존에는 모든 만일의 사태를 대비해

a rule for every contingency,

전문가가 규칙을 일일이 해독해야 했습니다.

what you do now is you give the computer examples

그러나 이제는 컴퓨터에게 예시만 던져주고

and have it infer its own rules.

스스로 규칙을 추론하게 합니다.

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

최근 승리를 거둔 구글의 알파고가 좋은 예시가 되겠네요.

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

보통 게임을 하려면 모든 규칙을 적어주어야 하겠죠.

but in AlphaGo's case,

그러나 알파고의 경우는 다릅니다.

the system looked over a million games

시스템이 백만 개도 넘는 기보를 공부해서

and was able to infer its own rules

스스로 규칙을 추론했고

and then beat the world's residing Go champion.

그렇게 세계 최고의 바둑 기사를 이겼죠.

That is exciting, because it relieves the software engineer

이 기술의 좋은 점은 소프트웨어를 개발하는 사람이

of the need of being super smart,

아주 똑똑해야 한다거나

and pushes the burden towards the data.

데이터를 잘 다루어야 한다는 부담을 덜어줍니다.

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

말씀드렸듯이, 이것이 가능하게 된 계기는 --

very embarrassing, my thesis was about machine learning.

부끄럽지만, 졸업 논문을 기계학습에 관해 썼습니다.

It was completely insignificant, don't read it,

정말 시시한 논문이니 읽지는 말아주세요.

because it was 20 years ago

20년 전이었기 때문에

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

그 때는 컴퓨터가 매우 컸지요.

Now they are powerful enough to really emulate

지금은 특정 사고를 사람과 거의 비슷하게

kind of specialized human thinking.

해낼 수 있을만큼 똑똑하고 강력해졌죠.

And then the computers take advantage of the fact

게다가 컴퓨터는 사람보다 더 많은 데이터를

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

처리할수 있다는 점에서 우위에 있습니다.

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

그래서 알파고가 백만 개 이상의 기보를 학습할 수 있었던 거죠.

No human expert can ever study a million games.

백만 개의 기보를 공부하는 건 사람에겐 불가능한 일이지요.

Google has looked at over a hundred billion web pages.

구글은 1천억 개가 넘는 웹 페이지를 살펴 봅니다.

No person can ever study a hundred billion web pages.

이 역시 사람에게는 무리지요.

So as a result, the computer can find rules

결과적으로 사람이 찾을 수 없던 규칙들을

that even people can't find.

컴퓨터는 찾아낼 수 있습니다.

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

크리스: "상대편이 이렇게 하면, 나는 저렇게 해야지" 라고

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

내다보고 생각 하는 게 아니라 "이런 식으로 하면 이기는구나."

here is what looks like a winning pattern."

"이런 식으로 하면 이기는구나." 라고 생각하는 거군요.

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

세바스찬: 그렇죠. 아이를 키울 때를 생각해보세요.

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

18살이 될 때까지 모든 돌발 상황에 일일이 지시를 내리지는 않죠.

and set them free and they have this big program.

그저 자연스럽게 두면 큰 프로그램을 갖게 되죠.

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

흔들리고, 넘어지고, 다시 일어서고, 또 혼나기도 합니다.

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

학교에서 좋은 성적을 받는 등 긍정적인 경험도 할 겁니다.

and they figure it out on their own.

나름대로 살아가는 법을 알아내죠.

That's happening with computers now,

지금 컴퓨터가 이렇게 하고 있어요.

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

덕분에 컴퓨터 프로그래밍이 갑자기 너무 쉬워졌죠.

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

그저 컴퓨터에게 많은 양의 정보를 넘겨주면 됩니다.

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

크리스: 자율주행 자동차가 혁신적으로 발전하게 된 데에

in power of self-driving cars.

그런 배경이 있었군요.

I think you gave me an example.

예시를 가지고 오셨는데

Can you explain what's happening here?

영상으로 설명 해 주시겠어요?

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

세바스찬: 유다시티의 자율주행 자동차가

that we happened to have at Udacity

주행 중인 모습입니다.

and recently made into a spin-off called Voyage.

최근에는 보야지(Voyage)라는 새 버전을 만들었죠.

We have used this thing called deep learning

딥러닝 이라는 기술을 이용해서

to train a car to drive itself,

차가 스스로 주행하도록 훈련시켰습니다.

and this is driving from Mountain View, California,

캘리포니아의 마운틴뷰에서 출발해서

to San Francisco

샌프란시스코까지

on El Camino Real on a rainy day,

비오는 날 '엘 카미노 리얼'을 따라 주행하며

with bicyclists and pedestrians and 133 traffic lights.

자전거 타는 사람들, 보행자들, 133개의 신호등을 지나쳤죠.

And the novel thing here is,

여기서 대단한 점은

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

아주 오래전 제가 구글의 자율주행 자동차 팀에서 일했을 때

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

저는 세계 최고의 개발자들을 고용해서

to find the world's best rules.

세계 최고의 규칙을 찾으려 했죠.

This is just trained.

그런데 이 자동차는 그냥 훈련을 받았습니다.

We drive this road 20 times,

도로 주행을 20번 한 후

we put all this data into the computer brain,

그 정보를 컴퓨터의 뇌에 건네주고

and after a few hours of processing,

몇 시간동안 처리하도록 했더니

it comes up with behavior that often surpasses human agility.

심지어 사람보다 더 능숙하게 운전하기도 하는 겁니다.

So it's become really easy to program it.

그러니까 프로그래밍하기가 쉬워졌죠.

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

실험에서는 53km를 한 시간 반 만에 사람의 도움없이 주행했습니다.

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

크리스: 이제 영상을 설명 해 주시죠. 왼쪽에는 컴퓨터가 지각하는 모습이죠?

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

트럭이나 차로 보이는 점들이

and those dots overtaking it and so forth.

자율주행차를 추월 하고 있는 것 같네요.

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

세바스찬: 오른편에 카메라로 촬영된 영상이 컴퓨터의 메인 입력이죠.

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

이 영상을 통해 차선이나 다른 차, 신호등을 인식합니다.

The vehicle has a radar to do distance estimation.

차량에는 거리를 추정하는 레이더도 달려있습니다.

This is very commonly used in these kind of systems.

이런 자율주행차에 흔히 쓰이는 장비입니다.

On the left side you see a laser diagram,

왼편에 보이는 것은 레이저 도표입니다.

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

나무 등의 장애물을 레이저로 그린 것을 보실 수 있습니다.

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

하지만 정말 재밌는 건 카메라 영상 쪽 입니다.

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

레이더나 레이저 같은 정밀 감지기를

into very cheap, commoditized sensors.

값싸고 상용화된 감지기로 바꾸는 중입니다.

A camera costs less than eight dollars.

이제 8달러도 안되는 카메라를 씁니다.

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

크리스: 그런데 왼쪽에 초록점은 뭔가요?

Is that anything meaningful?

뭔가 의미있는 건가요?

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

세바스찬: 앞 차와의 거리에 따라 속도를 조절하는 적응형 순항 장치가

so it helps us understand how to regulate velocity

어디를 앞 차라고 인식하고 있는지 표시한 겁니다.

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

우리가 보고 속도 조절 기재를 이해하도록 말이죠.

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

크리스: 제가 듣기로, 기계가 어떻게 학습을 하는지에 대한

of how the actual learning part takes place.

예시도 오늘 준비하셨죠?

Maybe we can see that. Talk about this.

거기에 대해 듣고 싶군요.

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

세바스찬: 유다시티에 자율주행 자동차 '나노디그리'라고 부르는

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

교육과정을 듣는 학생들이 있는데요.

We gave them this dataset

준비된 데이터셋을 주고

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

"이 차가 어떻게 방향을 조절하는지 알아낼 수 있겠니?" 라고 물었습니다.

And if you look at the images,

영상을 보시면 아시겠지만

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

사실 사람도 제대로 방향을 맞추기 힘듭니다.

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

작은 대회를 열고, "이건 딥러닝 대회이고, AI 대회야."

AI competition,"

라고 얘기하고

and we gave the students 48 hours.

학생들에게 48시간을 주었습니다.

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

구글이나 페이스북같은 기업에서 같은 작업을 했다면

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

최소한 여섯 달 정도는 걸렸을 겁니다.

So we figured 48 hours is great.

48시간이면 대단한거죠.

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

결국 48시간 안에 100명의 학생들이 답안을 제출하였습니다.

and the top four got it perfectly right.

그중 가장 우수한 4명의 답안은 거의 완벽에 가까웠습니다.

It drives better than I could drive on this imagery,

제가 운전한다고 해도

using deep learning.

딥러닝 보다 못할 겁니다.

And again, it's the same methodology.

다시 한 번 말씀드리지만 같은 방법론입니다.

It's this magical thing.

정말 마법같아요.

When you give enough data to a computer now,

이제 컴퓨터에게 충분한 데이터를 주고

and give enough time to comprehend the data,

데이터를 파악할 시간을 충분히 주면

it finds its own rules.

자신만의 규칙을 찾아냅니다.

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

크리스: 이 기술이 좋은 서비스들이 많이 개발되는 데에

in all sorts of areas.

동력원이 되고 있군요.

You were talking to me the other day about cancer.

암에 관련해서 얘기하실 게 있다고 하셨죠.

Can I show this video?

영상을 같이 볼까요?

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

세바스찬: 네, 그러죠. 크리스: 대단한 영상이에요.

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

세바스찬: 완전히 다른 분야에서는 어떻게 인공지능이 활용 되는지

in a completely different domain.

이해를 돕는 영상입니다.

This is augmenting, or competing --

증가하고 경합하는 것들이 보입니다.

it's in the eye of the beholder --

보는 사람의 눈에는

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

40만달러씩 연봉을 받는

dermatologists,

피부과 전문의의 작업처럼 보이죠.

highly trained specialists.

고도로 훈련받은 전문가들 말입니다.

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

제대로 된 피부과전문의가 되려면 10년이 넘게 걸립니다.

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

지금 보시는 것은 사실 머신러닝의 결과물 입니다.

It's called a neural network.

전문용어로 인공신경망이라고 하죠.

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

이런 기계학습 알고리즘을 부르는 말입니다.

They've been around since the 1980s.

이 개념은 1980년대부터 있었죠.

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

이 프로그램은 1988년도 얀 르쿤 이라는 페이스북 개발자의 작품입니다.

and it propagates data stages

여러 단계에 걸쳐 데이터를 전달합니다.

through what you could think of as the human brain.

마치 사람의 뇌가 하듯이 말이죠.

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

엄밀하게 말하면 다르지만, 비슷하게 모방한 것이죠.

It goes stage after stage.

여러 단계를 거칩니다.

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

맨 처음 단계에서는 시각 자료를 입력받은 후 그 안에서

and rods and dots.

모서리, 선, 점 등을 구분합니다.

And the next one becomes more complicated edges

다음 단계에서는 더 복잡한 모서리나

and shapes like little half-moons.

작은 반달 같은 모양이 되죠.

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

그리고 마침내 정말 복잡한 개념들을 다룰 수 있어요.

Andrew Ng has been able to show

앤드류 응은 인공신경망을 이용해

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

많은 사진 속에서 고양이와 개의 얼굴을

in vast amounts of images.

구별해 낼 수 있다는 것을 보여줬죠.

What my student team at Stanford has shown is that

스탠퍼드 대학교에 제가 데리고있는 학생들은

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

흑색종과 피부암을 포함한 12만 9천 장의 피부 사진을 가지고

including melanoma and carcinomas,

인공지능을 훈련시키면

you can do as good a job

현존하는 최고의 실력을 가진 피부과 전문의 만큼의

as the best human dermatologists.

실력을 갖추게 할 수 있다는 것을 보여줬습니다.

And to convince ourselves that this is the case,

이 프로그램 또한 그만큼 실력이 있다는 것을 증명하기 위해

we captured an independent dataset that we presented to our network

인공지능 프로그램에서 뽑아낸 독립적인 데이터셋과

and to 25 board-certified Stanford-level dermatologists,

스탠포드 수준으로 실력이 증명된 피부과 전문의들의 데이타셋을 모아서

and compared those.

결과를 비교 했습니다.

And in most cases,

대부분의 경우에

they were either on par or above the performance classification accuracy

인공지능의 결과가 피부과 전문의가 내린 결과와 비슷하거나 더 뛰어난

of human dermatologists.

분류 정확도를 보였습니다.

CA: You were telling me an anecdote.

크리스: 할 이야기가 있으시죠.

I think about this image right here.

여기 있는 사진에 관한건데

What happened here?

어떤 얘기 였죠?

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

세바스찬: 지난 목요일이었어요.

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

이전에 공개했고 올해 초 네이쳐 지에도 실린 내용인데요.

was this idea that we show dermatologists images

피부과 의사와 컴퓨터에게

and our computer program images,

이미지를 보여준 뒤

and count how often they're right.

둘 중 누가 더 정확도가 높았는지 측정해보았죠.

But all these images are past images.

이 사진들은 모두 분류가 끝난 것들입니다.

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

정확한 분류를 위해 이미 생체 검사가 끝난 것들만 모았죠.

This one wasn't.

이 한 장만 빼고요.

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

이 사진은 우리 중 한 명이 스탠포드에서 찍은 사진이에요.

The story goes that our collaborator,

어떻게 된거냐면 우리 팀원 중 한 명이 피부과 의사인데요.

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

전 세계에서 유명한, 세 손가락 중에 하나에 드는 사람이죠.

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

이 반점을 보고는 "피부암이 아니다"고 했어요.

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

하지만 잠시 뒤에 다시 이렇게 말했어요.

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

"잠깐, 어플로 확인해보고 싶은데"

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

그리고는 자기 아이폰을 꺼내서 우리가 만든 소프트웨어

our "pocket dermatologist," so to speak,

말하자면 "주머니 속 피부 전문의"죠.

and the iPhone said: cancer.

그것을 꺼내서 확인해보니 암이라고 진단했어요.

It said melanoma.

흑색종이라고 했죠.

And then he was confused.

친구는 망설이다가 이렇게 말했죠.

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

"좋아, 아이폰을 한 번 믿어봐야겠어."

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

그리고 조직검사를 하기 위해 사진을 연구소로 보냈습니다.

And it came up as an aggressive melanoma.

그 결과 악성 흑색종으로 판명되었죠.

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

이것이 우리가 딥러닝 기술을 적용해

in the practice of using deep learning,

흑색종이 발생했지만 놓칠 뻔했던 환자를

an actual person whose melanoma would have gone unclassified,

딥러닝을 통해 찾아낸

had it not been for deep learning.

첫 번째 사례입니다.

CA: I mean, that's incredible.

크리스: 정말 대단하네요.

(Applause)

(박수)

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

이 어플을 출시하자마자 어마어마한 숫자의 사람들이

that you might freak out a lot of people.

그 성능에 깜짝 놀라 이용하고 싶어할 것 같은데요.

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

자가 진단이 가능한 어플을 만들 계획을 갖고 있나요?

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

세바스찬: 지금 제 이메일은 가슴 아픈 사연을 가진 사람들이 보낸

with heartbreaking stories of people.

어플 관련 메일로 폭주하는 상황인데요.

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

어떤 사람들은 10개, 15개, 20개의 흑색종을 제거하고도

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

지금처럼 놓친 흑색종이 하나라도 있을까 두려워합니다.

and also, about, I don't know,

또 저도 잘 모르지만

flying cars and speaker inquiries these days, I guess.

날아다니는 자동차를 비롯해서

My take is, we need more testing.

아직 더 많은 시행착오가 필요합니다.

I want to be very careful.

신중하게 가고 싶어요.

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

놀라운 결과로 TED의 청중들에게 깊은 인상을 심어주는 일은 쉽지만

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

윤리적인 문제가 결부되어 있는만큼 섣불리 움직일 수 없습니다.

And if people were to use the app

만약 사람들이 의사와 상담하는 대신

and choose not to consult the assistance of a doctor

우리 어플을 이용하고

because we get it wrong,

그 때문에 나쁜 결과가 발생한다면

I would feel really bad about it.

저는 굉장히 불편해질 것 같아요.

So we're currently doing clinical tests,

현재 우리는 임상 실험을 진행중입니다.

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

임상 실험이 시작되고

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

언젠가는 이 기술을

and take it out of the Stanford clinic

스탠포드 병원 뿐만 아니라

and bring it to the entire world,

스탠포드의 의사들이 찾아갈 수 없는

places where Stanford doctors never, ever set foot.

전 세계에서 활용할 수 있게 되겠죠.

CA: And do I hear this right,

크리스: 제가 제대로 들은게 맞다면

that it seemed like what you were saying,

당신 말인즉슨,

because you are working with this army of Udacity students,

유다시티의 학생들과 함께 작업하기 때문에

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

당신은 기업이나 가능할 법한, 머신 러닝 기술과 집단 지성을

than might take place in a company,

결합해서 새로운 종류의 머신 러닝을

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

현실 분야에 적용하려고 한다는 말인가요?

Are you saying that sometimes you think that could actually outperform

당신 말대로라면 언젠가 머신 러닝이

일개 회사, 심지어는 거대 회사의 능력을 앞설 수 있다고 보십니까?

what a company can do, even a vast company?

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

세바스찬: 저 스스로도 감탄하는 순간들이 있죠.

and I'm still trying to understand.

아직도 이해하려고 노력해요.

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

크리스는 우리가 진행하는 경연대회를 말하는 거에요.

We turn them around in 48 hours,

제한 시간이 48시간이구요.

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

그 시간 내에 자율 주행 자동차를 만들 수 있습니다.

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

이 차는 평면 가로에서 마운틴 뷰부터 샌프란시스코까지 주행 가능합니다.

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

7년이나 연구한 구글과 비교할 바는 아니지만

but it's getting there.

꽤 성공적이에요.

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

연구원 두 명이 고작 세 달만에 완성했죠.

And the reason is, we have an army of students

그 이유인즉슨 우리에게는 대회에 참가한

who participate in competitions.

수 많은 학생들이 있거든요.

We're not the only ones who use crowdsourcing.

크라우드소싱을 활용하는 것은 우리뿐만이 아닙니다.

Uber and Didi use crowdsource for driving.

우버와 디디도 주행에 크라우드소싱을 활용하죠.

Airbnb uses crowdsourcing for hotels.

에어비앤비도 크라우드소싱을 호텔에 적용했습니다.

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

버그를 잡기 위해 크라우드소싱을 활용하는 예는 얼마든지 있습니다.

or protein folding, of all things, in crowdsourcing.

단백질 중첩이나 모든 분야에서 말이죠.

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

하지만 우리는 3달만에 차를 완성했고

so I am actually rethinking

저는 회사를 어떻게 구성해야 할지

how we organize corporations.

다시 구상중입니다.

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

지금 우리에게는 고용한 적도 없고 해고하지도 않는 직원이

that I never fire.

9천명 있습니다.

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

저도 모르는 새에 사람들은 일을 하고

Then they submit to me maybe 9,000 answers.

9천 개의 응답이 저에게 전달됩니다.

I'm not obliged to use any of those.

그 중 어느 것을 사용해야만 한다는 규정도 없습니다.

I end up -- I pay only the winners,

답변 중 가장 좋은 것을 골라 댓가를 지불하죠.

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

이 점에서는 꽤나 구두쇠처럼 행동하고 있습니다. 최선은 아니죠.

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

하지만 응답자들에게도 경험이 될 거라고 생각합니다.

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

학생들도 딥러닝을 이용해 놀라운 결과물을 만들 수 있죠.

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

훌륭한 사람들과 훌륭한 머신 러닝이 만난 결과는 정말 놀랍습니다.

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

크리스: 개리 카스파로프가 TED2017의 첫째날 한 말인데요.

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

체스 대회의 우승자가 사실은 두 명의 아마추어 체스 기사

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

세 가지의 중간, 혹은 중상급의 컴퓨터 프로그램을 이용하여

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

한 명의 그랜드 마스터, 한 명의 뛰어난 체스 기사를 이겼다는 거요.

like it was all part of the process.

이것도 역시 그 과정의 일부였던거죠.

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

당신이 말하는 버전은

of that same idea.

이보다 더 상위호환 버전 같은데요.

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

세바스찬: 어제 아침에 들으셨던 것처럼

two sessions about AI,

두 번의 세션을 통해 인공지능

robotic overlords and the human response,

로봇에 의한 인간 지배과 사람들의 반응 등

many, many great things were said.

아주 훌륭한 주제들에 관해 이야기했죠.

But one of the concerns is that we sometimes confuse

다만 사람들이 종종 우려를 표하는 부분은

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

우리가 만드는 AI가 갖는 자의식이 로봇의 인간 지배라는

where your AI develops consciousness, right?

관점에서 비춰볼 때 어느 정도 수준까지 도달했냐하는 거죠.

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

제 마지막 목표는 AI에 의식을 심어주는 것입니다.

I don't want to come into my kitchen

저는 부엌에 들어갔을 때

and have the refrigerator fall in love with the dishwasher

식기 세척기와 사랑에 빠진 냉장고가

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

제가 친절하게 굴지 않아서

my food is now warm.

음식들이 녹게 내버려뒀다고 말하는 상황을 원하지 않아요.

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

이런 제품들은 사고 싶지도 않고 원하지도 않아요.

But the truth is, for me,

하지만 제 생각에 한가지 확실한 것은

AI has always been an augmentation of people.

AI는 언제나 사람들을 돕기 위한 것이었습니다.

It's been an augmentation of us,

우리를 돕기 위한 것

to make us stronger.

더 나아지도록 도움을 주는 것이죠.

And I think Kasparov was exactly correct.

저는 카스파로프가 한 말이 정확했다고 생각해요.

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

인간의 지능과 기계의 지능이 만나서

that make us stronger.

더 큰 힘이 되는 것이죠.

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

기계가 탄생한 이후로 그 목적은 줄곧 인류를 위한 것이었습니다.

The agricultural revolution took place because it made steam engines

농업 혁명은 증기기관과

and farming equipment that couldn't farm by itself,

농작 기계들을 만들어 냈지만 이것들은 인간을 대체하지 않았고

that never replaced us; it made us stronger.

오히려 우리의 농업 활동을 좀 더 용이하게 해주었습니다.

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

따라서 저는 지금의 새로운 인공지능 바람도 인류를 더욱

as a human race.

편리하게 해줄 것이라 믿습니다.

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

크리스: 이 점에 대해 좀 더 이야기할 것이 있는데요.

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

이 점에 두려움을 갖고 계신 분들을 위해서 말이죠.

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

스스로 코드를 다시 만들 수 있는 컴퓨터를 만들고

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

이 컴퓨터가 자신과 동일한 컴퓨터를 재생산할 수 있는 능력은 물론

so, it can create multiple copies of itself,

다른 버전의 코드를 가진

try a bunch of different code versions,

컴퓨터를 여러 대 만들어 보는 거죠.

possibly even at random,

심지어 무작위로요.

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

그리고 목표가 달성되고 더 향상되었는지 확인하는 겁니다.

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

그 목표란 지능 시험에서 더 좋은 성적 을 내는 것이라고 치죠.

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

컴퓨터는 그런 분야에서는 꽤 훌륭하잖아요.

you could try a million versions of that.

백만 개의 다른 버전을 시험해볼 수 있고

You might find one that was better,

좋은 것을 찾아내서

and then, you know, repeat.

그것들을 모아서 다시 위 과정을 반복하는 거죠.

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

사람들의 우려란 컴퓨터를 통제하지 못하는 상황과 마주치지 않을까 하는

where everything is fine on Thursday evening,

건데요. 목요일 밤까지 모든 게 정상이었는데

and you come back into the lab on Friday morning,

금요일 아침에 연구소에 들어오자

and because of the speed of computers and so forth,

컴퓨터가 폭주하면서 문제를 일으키고

things have gone crazy, and suddenly --

상황이 통제불능으로 변해버리는

ST: I would say this is a possibility,

세바스찬: 가능성에 불과합니다.

but it's a very remote possibility.

하지만 아주 먼 미래에 일어날 가능성이죠.

So let me just translate what I heard you say.

제 식대로 한 번 말해보겠습니다.

In the AlphaGo case, we had exactly this thing:

알파고를 통해 우리는 다음 사실을 목격했습니다.

the computer would play the game against itself

컴퓨터가 자기 자신을 상대로 바둑을 둘 수 있고

and then learn new rules.

새로운 규칙을 배울 수 있죠.

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

하지만 머신 러닝은 이미 존재하는 규칙을 다시 사용하는 것입니다.

It's the rewriting of code.

원래 있던 코드를 다시 사용하는 거구요.

But I think there was absolutely no concern

저는 알파고가 지구를 지배할 거라는 걱정은

that AlphaGo would take over the world.

완전히 기우라고 생각합니다.

It can't even play chess.

알파고는 체스도 두지 못해요.

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

크리스: 하지만 우리는 지금 한 분야에 대해서만 이야기하고 있어요.

But it's possible to imagine.

가능할 법한 상황이라고 보는데요.

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

우리는 대학 입학 시험을 통과할 수 있을 정도의

of passing a university entrance test,

컴퓨터를 목격했습니다.

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

사람처럼 글을 읽고 이해할 수는 없지만

but it can certainly absorb all the text

대신 문장 자체를 통째로 흡수해버리죠.

and maybe see increased patterns of meaning.

그리고 이해의 폭을 넓힐지도 모릅니다.

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

그렇다면 그 영역을 점차 넓혀서

there could be a different kind of runaway effect?

언젠가 통제가 불가능한 상황이 생길 수 있지 않을까요?

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

세바스찬: 그렇지 않다고 생각합니다.

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

가능성은 있겠죠. 그것까지 부정하고 싶진 않아요.

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

하지만 현재로선 아주 먼 이야기이고 지금 염두에 두고 있는 문제는 아닙니다.

because I think the big revolution is something else.

저는 진짜 혁명은 다른 곳에서 일아나고 있다고 생각해요.

Everything successful in AI to the present date

지금까지 모든 성공적인 AI는

has been extremely specialized,

극도로 특수화, 전문화된 분야에 한정되어 있구요.

and it's been thriving on a single idea,

엄청난 양의 데이터를 기반으로 한다는 발상에 기대어

which is massive amounts of data.

지금까지 왔습니다.

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

알파고가 바둑을 잘 두는 이유는 엄청난 횟수의 대국을 두기 때문이죠.

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

알파고는 자동차를 운전하거나 비행기를 몰 수 없어요.

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

구글이나 유다시티의 자율주행차는

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

많은 양의 데이터를 활용할 뿐 그 이상의 것은 불가능합니다.

It can't even control a motorcycle.

오토바이도 운전할 수 없어요.

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

정말 특정 분야에 한정되어 활용 가능하고

and the same is true for our cancer app.

우리가 만든 암 진단 앱도 마찬가지입니다.

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

인공지능에게 "상대성 이론이나 끈 이론을 만들어 봐"라고

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

명령할 수 있는, 통칭 "일반 AI" 라고 하는 영역에서는

or string theory."

거의 진전이 없는 상태입니다.

It's totally in the infancy.

아직 유아기 단계죠.

The reason I want to emphasize this,

제가 이 점을 강조하는 이유는

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

사람들의 우려가 뭔지 알기에 제대로 확인시켜 주고 싶기 때문입니다.

But if I were to think about one thing,

저는 스스로에게 이런 질문을 던져봅니다.

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

"만약 우리가 어떤 반복 작업이든지

and make ourselves 100 times as efficient?"

지금보다 100배 더 효율적으로 일할 수 있다면 어떻게 될까?"

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

300년 전 인류는 모두 농사를 지으며

and did farming and did repetitive things.

반복적인 작업을 했죠.

Today, 75 percent of us work in offices

오늘날 우리 중 75%가 사무실에서 일하고

and do repetitive things.

역시 반복 작업을 합니다.

We've become spreadsheet monkeys.

스프레드시트만 만드는 원숭이처럼 되버렸어요.

And not just low-end labor.

단순히 저소득 직장 뿐만이 아니에요.

We've become dermatologists doing repetitive things,

피부과 전문의도 같은 일을 반복하고

lawyers doing repetitive things.

변호사도 같은 일을 반복하죠.

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

저는 우리가 AI를 이용해

look over our shoulders,

지금까지의 자신을 넘어

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

현재의 반복 작업에서 10배, 50배의 효율을 낼 수 있다고 생각합니다.

That's what is on my mind.

그게 요즘 제가 하는 생각입니다.

CA: That sounds super exciting.

크리스: 정말 멋진 이야기네요.

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

그 수준까지 가는 일이 어떤 이들에게는 두려움으로 다가올 것 같아요.

because once a computer can do this repetitive thing

컴퓨터가 피부과 의사보다

much better than the dermatologist

반복 작업을 더 잘 할 수 있게 된다면 말이죠.

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

아니면 운전 기사들도 그렇죠. 자율주행 자동차 등으로

so much now,

많이 언급했는데요.

suddenly millions of jobs go,

갑자기 수백만 개의 일자리가 사라지지 않을까요?

and, you know, the country's in revolution

우리가 AI를 통해 만날 수 있는 희망찬 미래에 도달하기 전에

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

이런 일이 일어날 거 같은데요.

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

세바스찬: 네 문제죠. 정말 큰 문제입니다.

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

어제 아침에도 여러 초청 연사들이 그 점을 지적했어요.

Now, prior to me showing up onstage,

제 의견을 말하기에 앞서

I confessed I'm a positive, optimistic person,

저는 긍정적이고 낙관적인 사람임을 고백합니다.

so let me give you an optimistic pitch,

자 그럼 낙관적인 이야기를 하기 위해

which is, think of yourself back 300 years ago.

300년 전으로 돌아가 보죠.

Europe just survived 140 years of continuous war,

유럽은 140년간 지속적으로 전쟁에 시달렸고

none of you could read or write,

누구도 읽거나 쓸 수 없었으며

there were no jobs that you hold today,

현재 여러분이 갖고 있는 직업 중 아무것도 존재하지 않았습니다.

like investment banker or software engineer or TV anchor.

은행 투자가나 소프트웨어 엔지니어, TV 앵커 같은 직업이요.

We would all be in the fields and farming.

모두 논과 밭에 나가서 일을 했었죠.

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

그 때 어린 세바스찬이 주머니 속에 있는 작은 증기 기관을 꺼내 보여주며

saying, "Hey guys, look at this.

"얘들아 이것 좀 봐. 이 증기기관을 사용하면

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

100배나 효율적으로 일해서 남은 시간을 활용할 수 있어."

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

다시 옛날로 돌아가서

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

크리스와 제가 외양간의 소들을 둘러보는 동안

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

크리스가 말하겠죠. "요즘 생각하고 있는 게 하나 있는데

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

만약 매일 우유 짜는 일을 기계가 대신해주면 어떨까?"

The reason why I mention this is,

제가 이 말을 하는 이유는

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

우리는 항상 과거를 돌아보며 좋은 점을 취할 줄 알았어요.

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

아이폰이나 비행기, 전기, 의료기기 같은 것들 말이에요.

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

우리는 모두 80세까지 살 수 있죠. 300년 전에는 불가능했던 일입니다.

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

하지만 미래에도 지금과 똑같으리라 가정할 수는 없겠죠.

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

CEO로서 제 일을 보면

I would say 90 percent of my work is repetitive,

일의 90%가 반복작업이고

I don't enjoy it,

별로 좋아하지 않습니다.

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

하루에 4시간을 바보같은, 똑같은 이메일 작성에 허비해요.

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

그리고 낭비하는 시간을 줄일 수 있다면 정말 좋겠다고 생각합니다.

Why?

왜냐구요?

Because I believe all of us are insanely creative;

저는 우리가 모두가 놀라울 정도로 창의적이라고 믿으니까요.

I think the TED community more than anybody else.

특히 TED 커뮤니티의 여러분은 그럴거라 생각합니다.

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

육체 노동자들도 마찬가지에요. 호텔의 종업원과 어울리며

and have a drink with him or her,

한 잔 할 수도 있겠죠.

and an hour later, you find a creative idea.

그리고 1시간 뒤에, 창의적인 생각이 떠오르는 겁니다.

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

AI의 도움으로 우리는 창의력을 실제 행동으로 옮길 수 있게 되는 겁니다.

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

구글같은 회사를 하루만에 만들 수 있다면 어떨까요?

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

맥주 한 잔을 마시며 또 다른 '스냅챗'을 발명하고

whatever it is,

그게 무엇이든 간에

and tomorrow morning it's up and running?

내일 아침은 또 다가오겠죠.

And that is not science fiction.

그런 일은 공상과학이 아닙니다.

What's going to happen is,

앞으로 일어날 일은

we are already in history.

우리가 이미 역사의 일부가 될 것이라는 점입니다.

We've unleashed this amazing creativity

우리는 농업에서 해방되면서

by de-slaving us from farming

그리고 후에는 공장 작업에서 해방되면서

and later, of course, from factory work

우리가 가진 놀라운 창의력을 해방시킬 수 있었고

and have invented so many things.

많은 것들을 발명했습니다.

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

저는 앞으로 더욱 나아질거라 생각합니다.

And there's going to be great side effects.

물론 부작용도 만만치 않겠죠.

One of the side effects will be

그 중 하나는

that things like food and medical supply and education and shelter

음식과 의료 서비스, 교육, 주거, 운송수단등이

and transportation

부자들뿐만 아니라

will all become much more affordable to all of us,

우리 모두에게 좀 더

not just the rich people.

공평하게 주어질 것이라는 점입니다.

CA: Hmm.

크리스: 으음...

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

마틴 포드가 이번엔 상황이 조금 다르다고 했던 것 기억하시나요?

because the intelligence that we've used in the past

지금까지 우리가 새로운 길을

to find new ways to be

찾기 위해 사용한 인공지능은

will be matched at the same pace

같은 속도로 컴퓨터에 의해

by computers taking over those things,

그 영역을 잃게 될 거라는 거였죠.

what I hear you saying is that, not completely,

당신은 인간이 가진 창조성 때문에

because of human creativity.

완전히 빼앗기지는 않을거라는 거죠?

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

당신은 인간의 창의성이 컴퓨터의 그것과

that computers can do?

근본적으로 다르다고 보십니까?

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

세바스찬: 네 그것이 인공지능을 개발 하는 사람으로서 제가 가진 신념입니다.

that I haven't seen any real progress on creativity

창의력과 틀을 벗어난 독창성에서

and out-of-the-box thinking.

AI는 아무런 진보도 이뤄내지 못했어요.

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

인공 지능이라는 단어가 주는 위협적인 느낌과

because the word "artificial intelligence" is so threatening,

스티븐 스필버그가 만든 영화 속에서

and then we have Steve Spielberg tossing a movie in,

갑자기 기계가 세계를 지배하는 등의 설정 때문에

where all of a sudden the computer is our overlord,

사람들이 불안해 하는 것을 알지만

but it's really a technology.

지금 제가 만드는 건 단순한 '기술'입니다.

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

반복 작업에 드는 수고를 덜어주는 기술적 진보죠.

And the progress has been entirely on the repetitive end.

AI의 진보는 반복 작업과 연관된 분야에서만 이뤄졌습니다.

It's been in legal document discovery.

법률 문서의 발견이나

It's been contract drafting.

계약서 작성

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

흉부 X-ray촬영 같은 분야요.

And these things are so specialized,

매우 전문화된 분야에 한정되어 있기 때문에

I don't see the big threat of humanity.

인류에게 큰 위협을 줄 정도는 아닐 것 같습니다.

In fact, we as people --

사실상 우리들은

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

솔직히 마주하죠. 우리는 이미 초인간입니다.

We've made us superhuman.

우리 스스로 그 발전을 이뤄냈죠.

We can swim across the Atlantic in 11 hours.

대서양을 11시간만에 가로지를 수 있습니다.

We can take a device out of our pocket

주머니에서 꺼낸 기기로

and shout all the way to Australia,

호주에 사는 누군가와 연락할 수 있고

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

그 사람에게서 실시간으로 연락을 받는 것 역시 가능합니다.

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

물리적으로는 불가능한 일이지만 우리는 물리법칙을 무너뜨리고 있어요.

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

제가 말한 것들이 이뤄질 때 여러분은 보고 들은

we've ever said and seen,

모든 것을 기억하게 될 것입니다.

you'll remember every person,

만났던 모든 사람을 기억하게 될 것이구요.

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

알츠하이머 초기인 저에게는 좋은 일이죠.

Sorry, what was I saying? I forgot.

제가 뭐라고 말했었죠? 기억이 안 나네요.

CA: (Laughs)

크리스: (웃음)

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

세바스찬: 우리의 아이큐는 1000이나 그 이상이 될 겁니다.

There will be no more spelling classes for our kids,

아이들은 더 이상 철자 수업을 듣지 않아도 됩니다.

because there's no spelling issue anymore.

앞으로 철자 때문에 문제 생길 일이 없어질 거니까요.

There's no math issue anymore.

수학 역시 마찬가지입니다.

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

대신 우리는 엄청나게 창의적인 인간이 될 수 있습니다.

And we are. We are creative.

우리는 이미 창의적이죠.

That's our secret weapon.

그것이 인간의 무기입니다.

CA: So the jobs that are getting lost,

크리스: 일자리의 상실은 어느 정도 발생할 것이고

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

그로인한 타격이 꽤 있겠지만

humans are capable of more than those jobs.

우리는 일자리의 상실보다 더 많은 것을 얻게 될 것이다.

This is the dream.

꿈과 같은 이야기네요.

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

인간에게 새로운 기회와 발견을 제공할 수 있는

and discovery.

꿈입니다.

That's the dream.

꿈이요.

ST: And think about this:

세바스찬: 한 번 생각해 보세요.

if you look at the history of humanity,

인류의 역사를 돌아보면

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

6만년에서 10만년까지 거슬러 올라가지만

almost everything that you cherish in terms of invention,

우리에게 도움이 되는 발명품들

of technology, of things we've built,

기술적 진보이든 건축이든간에

has been invented in the last 150 years.

거의 대부분이 지난 150년 사이에 나온 것들입니다.

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

책이나 바퀴, 도끼 같은 것들은

Or the axe.

좀 오래된 발명품들이죠.

But your phone, your sneakers,

하지만 전화나 스니커즈 같은 신발

these chairs, modern manufacturing, penicillin --

의자, 공산품, 페니실린

the things we cherish.

우리에게 꼭 필요한 것들은 전부 최근에 탄생한 것들입니다.

Now, that to me means

이는 곧 저에게

the next 150 years will find more things.

다음 150년간 인류는 더 많은 발명을 할 수 있다는 의미로 여겨집니다.

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

저는 발명의 속도가 계속 빨라지고 있다고 생각합니다.

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

훌륭한 물건의 발명은 아직 1%밖에 이뤄지지 않았다고 생각해요.

We haven't cured cancer.

우리는 아직 암을 치료할 수 없습니다.

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

하늘을 나는 자동차도 멀었죠. 하지만 저는 계속 도전할 겁니다.

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

사람들이 비웃던 발명의 전형적인 예죠. (웃음)

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

재밌는 발상 아닌가요? 남 몰래 하늘을 나는 자동차를 개발한다는 거요.

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

우리는 아직 평균 수명의 두 배만큼 살지도 못합니다.

We don't have this magic implant in our brain

우리가 원하는 정보를 바로 취득할 수 있도록

that gives us the information we want.

뇌 속에 칩을 이식하는 일도 아직 멀었죠.

And you might be appalled by it,

두려움을 가질 수도 있지요.

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

한 가지 약속할 수 있는 것은 여러분의 마음에 쏙 들게 될거라는 겁니다.

I hope you will.

그러길 바랍니다.

It's a bit scary, I know.

조금 무서운 일일수도 있지만요.

There are so many things we haven't invented yet

제 생각에 인류가 만들어낼 수 있다고 생각하는 것들 중에

that I think we'll invent.

수많은 것들이 아직 발명되지 않았어요.

We have no gravity shields.

예를들어 중력 쉴드 라던지,

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

레이저로 먼 거리를 순간이동 하는 장치 말입니다.

That sounds ridiculous,

지금으로서는 터무니없는 소리죠.

but about 200 years ago,

그러나 200여년 전에 전문가들은

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

사람을 태우는 비행기는 존재하지 못할거라 생각했고

even 120 years ago,

120년 전 만해도 우리는

and if you moved faster than you could run,

사람이 달리는 것 보다 더 빠르게 움직이면

you would instantly die.

즉사할 것이라고 믿었죠.

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

그래서 지구에서 화성까지 순간이동을 할 수 없다 라는게

from here to Mars?

사실이라고 누가 단정할 수 있죠?

CA: Sebastian, thank you so much

크리스: 오늘 영감을 주는 혜안과 재능을 공유해 주셔서

for your incredibly inspiring vision and your brilliance.

정말 감사드립니다.

Thank you, Sebastian Thrun.

세바스찬 쓰런님, 감사합니다.

That was fantastic. (Applause)

정말 좋은 대담이었습니다. (박수)