Ajit Narayanan: A word game to communicate in any language

114,911 views ・ 2014-03-10

TED


Proszę kliknąć dwukrotnie na poniższe angielskie napisy, aby odtworzyć film.

Tłumaczenie: Mateusz Radziwonowicz Korekta: Maciej Mackiewicz
00:12
I work with children with autism.
0
12721
2670
Pracuję z autystycznymi dziećmi.
00:15
Specifically, I make technologies
1
15391
1914
Dokładniej, tworzę techniki pomagające im w komunikacji.
00:17
to help them communicate.
2
17305
2171
00:19
Now, many of the problems that children
3
19476
1539
Wiele problemów dzieci zmagających się z autyzmem
00:21
with autism face, they have a common source,
4
21015
3763
ma wspólne źródło.
00:24
and that source is that they find it difficult
5
24778
2094
Mają one trudności
00:26
to understand abstraction, symbolism.
6
26872
5260
ze zrozumieniem abstrakcji i symbolizmu.
00:32
And because of this, they have a lot of difficulty with language.
7
32132
4652
Mają z tego powodu wiele problemów z posługiwaniem się językiem.
00:36
Let me tell you a little bit about why this is.
8
36784
3015
Opowiem pokrótce z czego to wynika.
00:39
You see that this is a picture of a bowl of soup.
9
39799
3934
Oto zdjęcie miski z zupą.
00:43
All of us can see it. All of us understand this.
10
43733
2485
Wszyscy to widzimy i rozumiemy.
00:46
These are two other pictures of soup,
11
46218
2312
Oto dwa inne zdjęcia zupy,
00:48
but you can see that these are more abstract
12
48530
2067
lecz są one bardziej abstrakcyjne.
00:50
These are not quite as concrete.
13
50597
1856
Mniej dokładne.
00:52
And when you get to language,
14
52453
2174
Jeśli chodzi o język,
00:54
you see that it becomes a word
15
54627
1868
widzimy, że zupa staje się słowem,
00:56
whose look, the way it looks and the way it sounds,
16
56495
3261
którego wygląd i brzmienie
00:59
has absolutely nothing to do with what it started with,
17
59756
2912
nie ma absolutnie nic wspólnego z tym, od czego zaczęliśmy,
01:02
or what it represents, which is the bowl of soup.
18
62668
2830
co reprezentuje, czyli miskę zupy.
01:05
So it's essentially a completely abstract,
19
65498
2900
Jest to czysto abstrakcyjna,
01:08
a completely arbitrary representation of something
20
68398
2576
arbitralna reprezentacja czegoś funkcjonującego w realnym świecie,
01:10
which is in the real world,
21
70974
1163
01:12
and this is something that children with autism
22
72137
1791
co dla dzieci z autyzmem stanowi niezwykłą trudność.
01:13
have an incredible amount of difficulty with.
23
73928
3164
01:17
Now that's why most of the people that work with children with autism --
24
77092
2751
Z tego powodu większość ludzi pracujących z takimi dziećmi,
01:19
speech therapists, educators --
25
79843
1878
terapeutów mowy, nauczycieli,
01:21
what they do is, they try to help children with autism
26
81721
2633
próbuje im pomóc komunikować się
01:24
communicate not with words, but with pictures.
27
84354
3229
nie za pomocą słów ale obrazów.
01:27
So if a child with autism wanted to say,
28
87583
1930
Jeśli autystyczne dziecko chciałoby powiedzieć: "Ja chcę zupę",
01:29
"I want soup," that child would pick
29
89513
2458
01:31
three different pictures, "I," "want," and "soup,"
30
91971
2260
wybrałoby trzy obrazki: "ja", "chcieć" i "zupa",
01:34
and they would put these together,
31
94231
1609
złożyłoby je razem, a terapeuta czy rodzic
01:35
and then the therapist or the parent would
32
95840
1867
01:37
understand that this is what the kid wants to say.
33
97707
1887
zrozumiałby, co dziecko chce powiedzieć.
01:39
And this has been incredibly effective;
34
99594
1778
Było to niezwykle efektywne w ostatnich 30, 40 latach,
01:41
for the last 30, 40 years
35
101372
2141
01:43
people have been doing this.
36
103513
1613
ludzie z tego korzystali.
01:45
In fact, a few years back,
37
105126
1349
Natomiast kilka lat temu opracowałem aplikację na iPada,
01:46
I developed an app for the iPad
38
106475
2675
01:49
which does exactly this. It's called Avaz,
39
109150
2255
która tak właśnie działa, o nazwie Avaz.
01:51
and the way it works is that kids select
40
111405
2279
Polega na możliwości wybrania różnych obrazków,
01:53
different pictures.
41
113684
1321
01:55
These pictures are sequenced together to form sentences,
42
115005
2570
które ułożone w kolejności tworzą zdania,
01:57
and these sentences are spoken out.
43
117575
1719
będące następnie wypowiedziane.
01:59
So Avaz is essentially converting pictures,
44
119294
3025
Avaz zasadniczo przetwarza obrazki,
02:02
it's a translator, it converts pictures into speech.
45
122319
3960
jest tłumaczem przetwarzającym obrazki na mowę.
02:06
Now, this was very effective.
46
126279
1718
Okazał się bardzo skuteczny,
02:07
There are thousands of children using this,
47
127997
1384
tysiące dzieci posługują się nim na całym świecie,
02:09
you know, all over the world,
48
129381
1430
02:10
and I started thinking about
49
130811
2175
więc zacząłem się zastanawiać
02:12
what it does and what it doesn't do.
50
132986
2654
co on robi, a czego nie robi.
02:15
And I realized something interesting:
51
135640
1684
Doszedłem do ciekawego wniosku,
02:17
Avaz helps children with autism learn words.
52
137324
4203
Avaz pomaga dzieciom z autyzmem uczyć się słów,
02:21
What it doesn't help them do is to learn
53
141527
2405
natomiast nie pomaga im
02:23
word patterns.
54
143932
2748
uczyć się składania słów.
02:26
Let me explain this in a little more detail.
55
146680
2472
Pozwólcie, że to wyjaśnię.
02:29
Take this sentence: "I want soup tonight."
56
149152
3057
Weźmy zdanie: "Chcę zupę dziś wieczorem".
02:32
Now it's not just the words here that convey the meaning.
57
152209
4080
Nie tylko słowa są nośnikiem znaczenia,
02:36
It's also the way in which these words are arranged,
58
156289
3140
ale także sposób ich ułożenia,
02:39
the way these words are modified and arranged.
59
159429
2515
sposób odmiany i ich kolejność.
02:41
And that's why a sentence like "I want soup tonight"
60
161959
2306
Dlatego zdanie: "Chcę zupę dziś wieczorem"
02:44
is different from a sentence like
61
164265
1984
różni się od zdania
02:46
"Soup want I tonight," which is completely meaningless.
62
166249
3312
"Zupa chce ja dziś wieczorem", które nie ma sensu.
02:49
So there is another hidden abstraction here
63
169561
2619
Mamy tu kolejną ukrytą abstrakcję,
02:52
which children with autism find a lot of difficulty coping with,
64
172180
3557
w obliczu której stają dzieci z autyzmem,
02:55
and that's the fact that you can modify words
65
175737
2840
polega ona na modyfikacji słów i ich ułożenia,
02:58
and you can arrange them to have
66
178577
2101
aby uzyskać inne znaczenie, przekazać inne myśli.
03:00
different meanings, to convey different ideas.
67
180678
2895
03:03
Now, this is what we call grammar.
68
183573
3459
Nazywamy to gramatyką.
03:07
And grammar is incredibly powerful,
69
187032
2036
Gramatyka ma niezwykłą moc,
03:09
because grammar is this one component of language
70
189068
3157
ponieważ jest komponentem języka,
03:12
which takes this finite vocabulary that all of us have
71
192225
3489
dzięki któremu ograniczona ilość słownictwa
03:15
and allows us to convey an infinite amount of information,
72
195714
4531
pozwala na przekazanie nieskończonej liczby informacji,
03:20
an infinite amount of ideas.
73
200245
2134
nieskończonej liczby myśli.
03:22
It's the way in which you can put things together
74
202379
2002
To możliwość poukładania słów,
03:24
in order to convey anything you want to.
75
204381
2168
by przekazać dowolny komunikat.
03:26
And so after I developed Avaz,
76
206549
2127
Zatem, gdy udoskonaliłem Avaza,
03:28
I worried for a very long time
77
208676
1568
martwiło mnie to, w jaki sposób
03:30
about how I could give grammar to children with autism.
78
210244
3910
nauczyć autystyczne dzieci gramatyki.
03:34
The solution came to me from a very interesting perspective.
79
214154
2275
Rozwiązanie przyszło niespodziewanie.
03:36
I happened to chance upon a child with autism
80
216429
3449
Miałem okazję spotkać dziecko z autyzmem
03:39
conversing with her mom,
81
219878
2109
podczas rozmowy z jego matką.
03:41
and this is what happened.
82
221987
2094
Oto co się stało.
03:44
Completely out of the blue, very spontaneously,
83
224081
2186
Ni stąd ni zowąd, spontanicznie,
03:46
the child got up and said, "Eat."
84
226267
2463
dziecko wstało i powiedziało: "Jeść".
03:48
Now what was interesting was
85
228730
1770
Ciekawy okazał się sposób,
03:50
the way in which the mom was trying to tease out
86
230500
4244
w jaki matka próbowała wydobyć znaczenie słów dziecka
03:54
the meaning of what the child wanted to say
87
234744
2213
03:56
by talking to her in questions.
88
236957
2260
zadając mu pytania.
03:59
So she asked, "Eat what? Do you want to eat ice cream?
89
239217
2593
Zapytała: "Jeść co? Chcesz zjeść lody?
04:01
You want to eat? Somebody else wants to eat?
90
241810
2112
Ty chcesz jeść? Ktoś inny chce jeść?
04:03
You want to eat cream now? You want to eat ice cream in the evening?"
91
243922
3313
Chcesz jeść lody teraz? Chcesz jeść lody wieczorem?".
04:07
And then it struck me that
92
247235
1514
Zorientowałem się wtedy, że jego matka zrobiła coś niesamowitego.
04:08
what the mother had done was something incredible.
93
248749
2028
04:10
She had been able to get that child to communicate
94
250777
1994
Udało jej się zachęcić dziecko do porozumiewania się z nią
04:12
an idea to her without grammar.
95
252771
4138
bez używania gramatyki.
04:16
And it struck me that maybe this is what
96
256909
2696
Zorientowałem się, że to jest właśnie to, czego szukam.
04:19
I was looking for.
97
259605
1385
04:20
Instead of arranging words in an order, in sequence,
98
260990
4142
Zamiast układać słowa
w odpowiedniej kolejności w zdaniu
04:25
as a sentence, you arrange them
99
265132
2172
można ułożyć je na mapie, gdzie wszystkie będą połączone
04:27
in this map, where they're all linked together
100
267304
3811
04:31
not by placing them one after the other
101
271115
2143
nie poprzez ułożenie jednego za drugim,
04:33
but in questions, in question-answer pairs.
102
273258
3284
ale poprzez pytania, w parach pytanie-odpowiedź.
04:36
And so if you do this, then what you're conveying
103
276542
2358
Gdy tak zrobimy, nie stworzą one zdania w danym języku,
04:38
is not a sentence in English,
104
278900
1986
04:40
but what you're conveying is really a meaning,
105
280886
2966
ale przekażą sens tego zdania.
04:43
the meaning of a sentence in English.
106
283852
1511
04:45
Now, meaning is really the underbelly, in some sense, of language.
107
285363
2932
Zatem sens stanowi tak naprawdę podłoże języka,
04:48
It's what comes after thought but before language.
108
288295
3821
pojawia się jako efekt myśli, ale przed użyciem języka.
04:52
And the idea was that this particular representation
109
292116
2503
Rzecz w tym, że ten schemat
04:54
might convey meaning in its raw form.
110
294619
3261
może przekazywać sens w surowej postaci.
04:57
So I was very excited by this, you know,
111
297880
1771
Zafascynowało mnie to,
04:59
hopping around all over the place,
112
299651
1493
chodziłem wkoło próbując wymyślić, jak mogę przetworzyć
05:01
trying to figure out if I can convert
113
301144
1771
05:02
all possible sentences that I hear into this.
114
302915
2524
wszelkie możliwe zdania, które słyszę, w ten sposób.
05:05
And I found that this is not enough.
115
305439
1773
Stwierdziłem, że to nie wystarczy. Dlaczego?
05:07
Why is this not enough?
116
307212
1385
05:08
This is not enough because if you wanted to convey
117
308597
1711
Ponieważ, gdy chce się przekazać sens zdania przeczącego,
05:10
something like negation,
118
310308
2250
05:12
you want to say, "I don't want soup,"
119
312558
1736
chce się powiedzieć: "Nie chcę zupy",
05:14
then you can't do that by asking a question.
120
314294
2220
nie osiągnie się tego poprzez pytanie, trzeba zastąpić czymś słowo "chcę".
05:16
You do that by changing the word "want."
121
316514
2285
05:18
Again, if you wanted to say,
122
318799
1637
A jeśli chce się powiedzieć: "Chciałem zupę wczoraj",
05:20
"I wanted soup yesterday,"
123
320436
1980
05:22
you do that by converting the word "want" into "wanted."
124
322416
2737
trzeba zmienić słowo "chcę" na "chciałem", czas przeszły.
05:25
It's a past tense.
125
325153
1666
05:26
So this is a flourish which I added
126
326819
2103
To było ulepszenie, które dodałem, by dopełnić system.
05:28
to make the system complete.
127
328922
1576
05:30
This is a map of words joined together
128
330498
1977
Oto mapa słów połączonych w pytania i odpowiedzi
05:32
as questions and answers,
129
332475
1656
05:34
and with these filters applied on top of them
130
334131
2264
z filtrami dodanymi ponad nimi
05:36
in order to modify them to represent
131
336395
1817
do ich modyfikacji, by wyrażały poszczególne niuanse.
05:38
certain nuances.
132
338212
1709
05:39
Let me show you this with a different example.
133
339921
1951
Zademonstruję to na innym przykładzie.
05:41
Let's take this sentence:
134
341872
1254
Weźmy zdanie: "Powiedziałem stolarzowi, że nie mogę mu zapłacić".
05:43
"I told the carpenter I could not pay him."
135
343126
1980
05:45
It's a fairly complicated sentence.
136
345106
1792
To dość skomplikowane zdanie.
05:46
The way that this particular system works,
137
346898
1893
System działa w ten sposób,
05:48
you can start with any part of this sentence.
138
348791
2578
że można zacząć od dowolnej części zdania.
05:51
I'm going to start with the word "tell."
139
351369
1698
Zacznę od słowa "mówić", oto ono.
05:53
So this is the word "tell."
140
353067
1462
05:54
Now this happened in the past,
141
354529
1600
Wydarzyło się to w przeszłości, więc zamienię je w "powiedziałem".
05:56
so I'm going to make that "told."
142
356129
2223
05:58
Now, what I'm going to do is,
143
358352
1708
Teraz zadam pytanie.
06:00
I'm going to ask questions.
144
360060
1756
06:01
So, who told? I told.
145
361816
2364
Kto powiedział? Ja powiedziałem.
06:04
I told whom? I told the carpenter.
146
364180
1927
Powiedziałem komu? Stolarzowi.
06:06
Now we start with a different part of the sentence.
147
366107
1751
Zacznijmy od innej części zdania, od słowa "płacić"
06:07
We start with the word "pay,"
148
367858
1867
06:09
and we add the ability filter to it to make it "can pay."
149
369725
4577
i dodajmy filtr do zmiany w "mogę zapłacić",
06:14
Then we make it "can't pay,"
150
374302
2101
następnie w "nie mogę zapłacić",
06:16
and we can make it "couldn't pay"
151
376403
1599
dalej "nie mogłem zapłacić" zmieniając na czas przeszły.
06:18
by making it the past tense.
152
378002
1663
06:19
So who couldn't pay? I couldn't pay.
153
379665
1923
Kto nie mógł zapłacić? Ja nie mogłem.
06:21
Couldn't pay whom? I couldn't pay the carpenter.
154
381588
2676
Komu nie mogłem zapłacić? Stolarzowi.
06:24
And then you join these two together
155
384264
1731
Potem łączymy te dwa elementy zadając pytanie.
06:25
by asking this question:
156
385995
1350
06:27
What did I tell the carpenter?
157
387345
1737
"Co ja powiedziałem stolarzowi?"
06:29
I told the carpenter I could not pay him.
158
389082
4049
"Ja powiedziałem stolarzowi, że nie mogę mu zapłacić".
06:33
Now think about this. This is
159
393131
1937
Pomyślcie o tym chwilę...
06:35
—(Applause)—
160
395068
3542
(Brawa)
06:38
this is a representation of this sentence
161
398610
3672
Jest to reprezentacja tego zdania
06:42
without language.
162
402282
2435
nie wykorzystująca języka.
06:44
And there are two or three interesting things about this.
163
404717
2192
Są tu jeszcze dwie czy trzy ciekawe rzeczy, po pierwsze,
06:46
First of all, I could have started anywhere.
164
406909
3131
mogłem zacząć gdziekolwiek.
06:50
I didn't have to start with the word "tell."
165
410040
2243
Nie musiałem zaczynać od słowa "mówić".
06:52
I could have started anywhere in the sentence,
166
412283
1416
Mogłem zacząć w dowolnym miejscu, a i tak by to wyszło.
06:53
and I could have made this entire thing.
167
413699
1507
06:55
The second thing is, if I wasn't an English speaker,
168
415206
2776
Kolejna sprawa, gdybym nie mówił po angielsku,
06:57
if I was speaking in some other language,
169
417982
2175
gdybym używał jakiegoś innego języka,
07:00
this map would actually hold true in any language.
170
420157
3156
mapa również by zadziałała.
07:03
So long as the questions are standardized,
171
423313
1990
Tak długo jak pytania są standaryzowane,
07:05
the map is actually independent of language.
172
425303
4287
mapa działa niezależnie od języka.
07:09
So I call this FreeSpeech,
173
429590
2115
Nazywam to FreeSpeech,
07:11
and I was playing with this for many, many months.
174
431705
2935
bawiłem się tym przez wiele miesięcy,
07:14
I was trying out so many different combinations of this.
175
434640
2726
próbowałem wielu różnych kombinacji.
07:17
And then I noticed something very interesting about FreeSpeech.
176
437366
2289
Wreszcie odkryłem coś ciekawego w tej kwestii.
07:19
I was trying to convert language,
177
439655
3243
Próbowałem przekształcić język,
07:22
convert sentences in English into sentences in FreeSpeech,
178
442898
2384
angielskie zdania na FreeSpeech
07:25
and vice versa, and back and forth.
179
445282
1752
i vice versa, w tę i z powrotem.
07:27
And I realized that this particular configuration,
180
447034
2255
Zrozumiałem, że ta szczególna konfiguracja,
07:29
this particular way of representing language,
181
449289
2026
ten sposób reprezentacji języka,
07:31
it allowed me to actually create very concise rules
182
451315
4395
pozwala mi stworzyć bardzo zwięzłe zasady
07:35
that go between FreeSpeech on one side
183
455710
2734
odnoszące się z jednej strony do FreeSpeech i z drugiej do angielskiego.
07:38
and English on the other.
184
458444
1488
07:39
So I could actually write this set of rules
185
459932
2180
Udało mi się spisać zestaw zasad
07:42
that translates from this particular representation into English.
186
462112
3395
pozwalających tłumaczyć tę reprezentację na angielski.
07:45
And so I developed this thing.
187
465507
1831
Udoskonaliłem to, stworzyłem system zwany silnikiem FreeSpeech,
07:47
I developed this thing called the FreeSpeech Engine
188
467338
2232
07:49
which takes any FreeSpeech sentence as the input
189
469570
2561
który bierze dowolne zdanie FreeSpeech jako dane wejściowe
07:52
and gives out perfectly grammatical English text.
190
472131
3930
i tworzy perfekcyjnie gramatyczny angielski tekst.
07:56
And by putting these two pieces together,
191
476061
1605
Łącząc te dwie rzeczy, reprezentację i silnik,
07:57
the representation and the engine,
192
477666
1881
07:59
I was able to create an app, a technology for children with autism,
193
479547
3796
mogłem stworzyć aplikację dla autystycznych dzieci,
08:03
that not only gives them words
194
483343
2499
dostarczającą im nie tylko słowa, ale również gramatykę.
08:05
but also gives them grammar.
195
485842
3941
08:09
So I tried this out with kids with autism,
196
489783
2360
Wypróbowałem to z autystycznymi dziećmi
08:12
and I found that there was an incredible amount of identification.
197
492143
5013
i odkryłem ogromną liczbę zgodności,
08:17
They were able to create sentences in FreeSpeech
198
497156
2720
udawało mi się stworzyć zdania we FreeSpeech,
08:19
which were much more complicated but much more effective
199
499876
2558
które były znacznie bardziej skomplikowane i efektywne
08:22
than equivalent sentences in English,
200
502434
2899
niż ich angielskie odpowiedniki.
08:25
and I started thinking about
201
505333
1682
Zacząłem myśleć,
08:27
why that might be the case.
202
507015
1969
o co może w tym chodzić.
08:28
And I had an idea, and I want to talk to you about this idea next.
203
508984
4287
Wpadłem na pomysł, o którym teraz opowiem.
08:33
In about 1997, about 15 years back,
204
513271
3142
Około 1997 roku, jakieś 15 lat temu,
08:36
there were a group of scientists that were trying
205
516413
2011
grupa naukowców próbowała zrozumieć
08:38
to understand how the brain processes language,
206
518424
2389
jak mózg przetwarza język.
08:40
and they found something very interesting.
207
520813
1779
Odkryli coś bardzo ciekawego, stwierdzili, że gdy uczy się języka
08:42
They found that when you learn a language
208
522592
1872
08:44
as a child, as a two-year-old,
209
524464
2912
jako dwuletnie dziecko,
08:47
you learn it with a certain part of your brain,
210
527376
2366
używa się określonej części mózgu,
08:49
and when you learn a language as an adult --
211
529742
1600
a gdy uczy się jako dorosły,
08:51
for example, if I wanted to learn Japanese right now —
212
531342
3911
gdybym chciał teraz nauczyć się japońskiego,
08:55
a completely different part of my brain is used.
213
535253
2707
używa się zupełnie innej części mózgu.
08:57
Now I don't know why that's the case,
214
537960
1831
Nie wiem czemu tak jest,
08:59
but my guess is that that's because
215
539791
1991
ale przypuszczam,
09:01
when you learn a language as an adult,
216
541782
2437
że gdy uczy się języka będąc dorosłym
09:04
you almost invariably learn it
217
544219
1616
zawsze robi się to
09:05
through your native language, or through your first language.
218
545835
4266
poprzez pryzmat języka ojczystego, pierwszego języka.
09:10
So what's interesting about FreeSpeech
219
550101
3252
Co jest ciekawe we FreeSpeech,
09:13
is that when you create a sentence
220
553353
1802
kiedy tworzy się zdanie, tworzy się język
09:15
or when you create language,
221
555155
1695
09:16
a child with autism creates language with FreeSpeech,
222
556850
3070
czy kiedy dziecko z autyzmem tworzy język we FreeSpeech,
09:19
they're not using this support language,
223
559920
1833
nie używa się języka wspomagającego, języka pomostowego.
09:21
they're not using this bridge language.
224
561753
2211
09:23
They're directly constructing the sentence.
225
563964
2657
Zdania są konstruowane bezpośrednio.
09:26
And so this gave me this idea.
226
566621
2193
Zatem przyszło mi do głowy,
09:28
Is it possible to use FreeSpeech
227
568814
2024
czy można użyć FreeSpeech
09:30
not for children with autism
228
570838
2510
nie tylko dla autystycznych dzieci,
09:33
but to teach language to people without disabilities?
229
573348
6262
ale by uczyć ludzi bez niepełnosprawności?
09:39
And so I tried a number of experiments.
230
579610
1978
Wykonałem kilka eksperymentów.
09:41
The first thing I did was I built a jigsaw puzzle
231
581588
2948
Po pierwsze stworzyłem układankę,
09:44
in which these questions and answers
232
584536
1970
w której pytania i odpowiedzi
09:46
are coded in the form of shapes,
233
586506
1835
były zakodowane w postaci kształtów i kolorów.
09:48
in the form of colors,
234
588341
1138
09:49
and you have people putting these together
235
589479
1849
Poprosiłem ludzi o ich ułożenie
09:51
and trying to understand how this works.
236
591328
1773
i próbę zrozumienia, jak to działa.
09:53
And I built an app out of it, a game out of it,
237
593101
2376
Potem na tej podstawie stworzyłem aplikację, grę,
09:55
in which children can play with words
238
595477
2661
w której dzieci bawią się słowami,
09:58
and with a reinforcement,
239
598138
1704
gdzie obiekty wizualne są wzmacniane za pomocą dźwięku,
09:59
a sound reinforcement of visual structures,
240
599842
2585
10:02
they're able to learn language.
241
602427
2013
by mogły nauczyć się języka.
10:04
And this, this has a lot of potential, a lot of promise,
242
604440
2736
Ma to duży potencjał i jest obiecujące.
10:07
and the government of India recently
243
607176
1975
Ostatnio rząd Indii
10:09
licensed this technology from us,
244
609151
1404
wykupił licencję na tę grę
10:10
and they're going to try it out with millions of different children
245
610555
2074
i zamierza wypróbować ją na milionach dzieci,
10:12
trying to teach them English.
246
612629
2605
by nauczyć je angielskiego.
10:15
And the dream, the hope, the vision, really,
247
615234
2614
Marzeniem, nadzieją, wizją
10:17
is that when they learn English this way,
248
617848
3082
jest to, że nauczą się angielskiego
10:20
they learn it with the same proficiency
249
620930
2643
na takim samym poziomie biegłości
10:23
as their mother tongue.
250
623573
3718
jak języka ojczystego.
10:27
All right, let's talk about something else.
251
627291
3816
Porozmawiajmy o czymś innym.
10:31
Let's talk about speech.
252
631107
1997
O mowie.
10:33
This is speech.
253
633104
1271
Oto mowa.
10:34
So speech is the primary mode of communication
254
634375
1962
Mowa jest podstawą komunikacji,
10:36
delivered between all of us.
255
636337
1613
przekazywaną przez każdego z nas.
10:37
Now what's interesting about speech is that
256
637950
1855
Ciekawe jest to, że mowa jest jednowymiarowa.
10:39
speech is one-dimensional.
257
639805
1245
10:41
Why is it one-dimensional?
258
641050
1359
Dlaczego? Ponieważ składa się z dźwięków.
10:42
It's one-dimensional because it's sound.
259
642409
1568
10:43
It's also one-dimensional because
260
643977
1539
Jest tak również z powodu budowy naszego aparatu artykulacyjnego,
10:45
our mouths are built that way.
261
645516
1205
10:46
Our mouths are built to create one-dimensional sound.
262
646721
3512
który jest stworzony do wydawania jednowymiarowego dźwięku.
10:50
But if you think about the brain,
263
650233
2866
Jeśli jednak pomyślimy o mózgu,
10:53
the thoughts that we have in our heads
264
653099
1764
to nasze myśli
10:54
are not one-dimensional.
265
654863
2102
nie okażą się jednowymiarowe.
10:56
I mean, we have these rich,
266
656965
1459
Posiadamy bogate,
10:58
complicated, multi-dimensional ideas.
267
658424
3028
złożone, wielowymiarowe myśli.
11:01
Now, it seems to me that language
268
661452
1690
Wydaje mi się, że język
11:03
is really the brain's invention
269
663142
2332
jest wynalazkiem mózgu
11:05
to convert this rich, multi-dimensional thought
270
665474
3096
służącym przekształceniu bogactwa wielowymiarowych myśli po jednej stronie
11:08
on one hand
271
668570
1587
11:10
into speech on the other hand.
272
670157
1923
w mowę po drugiej stronie.
11:12
Now what's interesting is that
273
672080
1762
Ciekawe jest to,
11:13
we do a lot of work in information nowadays,
274
673842
2568
że obecnie przetwarzamy masę informacji,
11:16
and almost all of that is done in the language domain.
275
676410
3079
niemal wszystkie za pomocą języka.
11:19
Take Google, for example.
276
679489
1939
Weźmy przykładowo Google.
11:21
Google trawls all these countless billions of websites,
277
681428
2677
Przeszukuje on niezliczone miliardy stron internetowych,
11:24
all of which are in English, and when you want to use Google,
278
684105
2725
wszystkie anglojęzyczne, a gdy chce się użyć Google'a,
11:26
you go into Google search, and you type in English,
279
686830
2450
wyszukuje się hasło w języku angielskim,
11:29
and it matches the English with the English.
280
689280
4163
a on zestawia angielski z angielskim.
11:33
What if we could do this in FreeSpeech instead?
281
693443
3583
Co by było, gdybyśmy użyli do tego FreeSpeech?
11:37
I have a suspicion that if we did this,
282
697026
2301
Podejrzewam, że gdyby tak zrobić,
11:39
we'd find that algorithms like searching,
283
699327
2068
okazałoby się, że algorytmy wyszukiwania,
11:41
like retrieval, all of these things,
284
701395
2325
wydobywania informacji,
11:43
are much simpler and also more effective,
285
703720
3075
stałyby się prostsze i bardziej efektywne,
11:46
because they don't process the data structure of speech.
286
706795
4417
ponieważ nie przetwarzałyby danych związanych ze strukturą języka.
11:51
Instead they're processing the data structure of thought.
287
711212
5976
W to miejsce przetwarzane byłyby dane struktur myślowych.
11:57
The data structure of thought.
288
717188
2808
Dane struktur myśli.
11:59
That's a provocative idea.
289
719996
2076
Pomysł brzmi prowokacyjnie.
12:02
But let's look at this in a little more detail.
290
722072
2142
Przyjrzyjmy się temu szczegółowo.
12:04
So this is the FreeSpeech ecosystem.
291
724214
2366
Oto ekosystem FreeSpeech.
12:06
We have the Free Speech representation on one side,
292
726580
2884
Z jednej strony dysponujemy reprezentacją FreeSpeech,
12:09
and we have the FreeSpeech Engine, which generates English.
293
729464
2228
mamy silnik FreeSpeech generujący angielski.
12:11
Now if you think about it,
294
731694
1725
Pomyślcie przez chwilę,
12:13
FreeSpeech, I told you, is completely language-independent.
295
733419
2544
FreeSpeech jest zupełnie niezależny od języka.
12:15
It doesn't have any specific information in it
296
735963
2087
Nie posiada żadnej szczególnej informacji dotyczącej angielskiego.
12:18
which is about English.
297
738050
1228
12:19
So everything that this system knows about English
298
739278
2800
Zatem wszystko, co system wie o angielskim
12:22
is actually encoded into the engine.
299
742078
4620
jest zakodowane w silniku graficznym.
12:26
That's a pretty interesting concept in itself.
300
746698
2237
To ciekawostka sama w sobie.
12:28
You've encoded an entire human language
301
748935
3604
Koduje się całą ludzką mowę
12:32
into a software program.
302
752539
2645
w oprogramowaniu.
12:35
But if you look at what's inside the engine,
303
755184
2531
Jeśli przyjrzeć się wnętrzu silnika,
12:37
it's actually not very complicated.
304
757715
2358
nie jest on skomplikowany.
12:40
It's not very complicated code.
305
760073
2105
Nie zawiera złożonego kodu.
12:42
And what's more interesting is the fact that
306
762178
2672
A co ciekawe,
12:44
the vast majority of the code in that engine
307
764850
2203
większa część kodu silnika
12:47
is not really English-specific.
308
767053
2412
nie jest nakierowana na angielski.
12:49
And that gives this interesting idea.
309
769465
1895
To nasuwa ciekawy pomysł,
12:51
It might be very easy for us to actually
310
771360
2038
mogłoby okazać się łatwe
12:53
create these engines in many, many different languages,
311
773398
3826
stworzenie silników w wielu językach,
12:57
in Hindi, in French, in German, in Swahili.
312
777224
6354
w hinduskim, francuskim, niemieckim, suahili.
13:03
And that gives another interesting idea.
313
783578
2799
Nasuwa to kolejną myśl.
13:06
For example, supposing I was a writer,
314
786377
2654
Załóżmy, że jestem dziennikarzem
13:09
say, for a newspaper or for a magazine.
315
789031
2122
piszącym dla gazety czy czasopisma.
13:11
I could create content in one language, FreeSpeech,
316
791153
5011
Mógłbym tworzyć tekst w jednym języku we FreeSpeech,
13:16
and the person who's consuming that content,
317
796164
2056
a osoba czytająca jej zawartość,
13:18
the person who's reading that particular information
318
798220
3061
tę szczególną informację
13:21
could choose any engine,
319
801281
2495
może wybrać dowolny silnik
13:23
and they could read it in their own mother tongue,
320
803776
2736
i odczytać ją w ojczystym języku,
13:26
in their native language.
321
806512
3939
we własnym języku.
13:30
I mean, this is an incredibly attractive idea,
322
810451
2722
Myślę, że to niezwykle ciekawy pomysł,
13:33
especially for India.
323
813173
1999
zwłaszcza w Indiach, używamy tak wielu różnych języków.
13:35
We have so many different languages.
324
815172
1690
13:36
There's a song about India, and there's a description
325
816862
2142
Istnieje piosenka, opisująca Indie jako kraj, który...
13:39
of the country as, it says,
326
819004
2344
13:41
(in Sanskrit).
327
821348
2360
(w sanskrycie).
13:43
That means "ever-smiling speaker
328
823708
2773
Oznacza to: "wiecznie uśmiechnięty użytkownik pięknych języków".
13:46
of beautiful languages."
329
826481
4519
13:51
Language is beautiful.
330
831000
1964
Język jest piękny.
13:52
I think it's the most beautiful of human creations.
331
832964
2454
To najpiękniejszy wytwór ludzkości.
13:55
I think it's the loveliest thing that our brains have invented.
332
835418
3978
To najcudowniejsza rzecz, jaką nasz mózg wymyślił.
13:59
It entertains, it educates, it enlightens,
333
839396
3584
Bawi, uczy, oświeca
14:02
but what I like the most about language
334
842980
2044
i to co lubię najbardziej: wyzwala.
14:05
is that it empowers.
335
845024
1500
14:06
I want to leave you with this.
336
846524
1838
Zostawię was z tą myślą.
14:08
This is a photograph of my collaborators,
337
848362
2385
Oto fotografia moich pierwszych współpracowników,
14:10
my earliest collaborators
338
850747
997
14:11
when I started working on language
339
851744
1462
z którymi zacząłem pracę nad językiem i autyzmem.
14:13
and autism and various other things.
340
853206
1502
14:14
The girl's name is Pavna,
341
854708
1417
Dziewczyna nazywa się Pavna, jest z matką, Kalpaną.
14:16
and that's her mother, Kalpana.
342
856125
1902
14:18
And Pavna's an entrepreneur,
343
858027
2138
Pavna jest przedsiębiorcą,
14:20
but her story is much more remarkable than mine,
344
860165
2371
lecz jej historia jest bardziej niezwykła niż moja.
14:22
because Pavna is about 23.
345
862536
2400
Pavna ma 23 lata,
14:24
She has quadriplegic cerebral palsy,
346
864936
2552
cierpi na mózgowe porażenie czterokończynowe,
14:27
so ever since she was born,
347
867488
1640
więc odkąd się urodziła,
14:29
she could neither move nor talk.
348
869128
3600
nie mogła ani chodzić ani mówić.
14:32
And everything that she's accomplished so far,
349
872728
2403
Wszystko czego dokonała dotychczas,
14:35
finishing school, going to college,
350
875131
2227
ukończenie szkoły, studiów,
14:37
starting a company,
351
877358
1416
założenie firmy,
14:38
collaborating with me to develop Avaz,
352
878774
2140
współpraca ze mną przy opracowaniu Avaza,
14:40
all of these things she's done
353
880914
1892
wszystkiego tego dokonała
14:42
with nothing more than moving her eyes.
354
882806
5523
jedynie za pomocą ruchów gałek ocznych.
14:48
Daniel Webster said this:
355
888329
2689
Daniel Webster powiedział:
14:51
He said, "If all of my possessions were taken
356
891018
2940
"Gdyby odebrano mi wszystko, co posiadam,
14:53
from me with one exception,
357
893958
2988
pozostawiając jedną rzecz,
14:56
I would choose to keep the power of communication,
358
896946
2981
wybrałbym dar komunikacji,
14:59
for with it, I would regain all the rest."
359
899927
3903
bo z jego pomocą mógłbym odzyskać resztę".
15:03
And that's why, of all of these incredible applications of FreeSpeech,
360
903830
5116
Dlatego spośród wszystkich niesamowitych zastosowań FreeSpeech,
15:08
the one that's closest to my heart
361
908946
2080
najbliższą mojemu sercu pozostaje możliwość
15:11
still remains the ability for this
362
911026
2068
15:13
to empower children with disabilities
363
913094
2380
wyposażenia niepełnosprawnych dzieci
15:15
to be able to communicate,
364
915474
1773
w narzędzie komunikacji,
15:17
the power of communication,
365
917247
1789
w moc komunikacji,
15:19
to get back all the rest.
366
919036
2240
by mogły odzyskać resztę.
15:21
Thank you.
367
921276
1397
Dziękuję.
15:22
(Applause)
368
922673
1332
(Brawa)
15:24
Thank you. (Applause)
369
924005
4199
Dziękuję. (Brawa)
15:28
Thank you. Thank you. Thank you. (Applause)
370
928204
5323
Dziękuję. Dziękuję. Dziękuję. (Brawa)
15:33
Thank you. Thank you. Thank you. (Applause)
371
933527
4000
Dziękuję. Dziękuję. Dziękuję. (Brawa)
O tej stronie

Na tej stronie poznasz filmy z YouTube, które są przydatne do nauki języka angielskiego. Zobaczysz lekcje angielskiego prowadzone przez najlepszych nauczycieli z całego świata. Kliknij dwukrotnie na angielskie napisy wyświetlane na stronie każdego filmu, aby odtworzyć film od tego miejsca. Napisy przewijają się synchronicznie z odtwarzaniem filmu. Jeśli masz jakieś uwagi lub prośby, skontaktuj się z nami za pomocą formularza kontaktowego.

https://forms.gle/WvT1wiN1qDtmnspy7