The accelerating power of technology | Ray Kurzweil

308,980 views ・ 2007-01-12

TED


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

Tłumaczenie: Bartlomiej Chomanski Korekta: Marcin Kasiak
00:25
Well, it's great to be here.
0
25000
1000
Wiele słyszy się
00:26
We've heard a lot about the promise of technology, and the peril.
1
26000
5000
o możliwościach jak i zagrożeniach płynących z postępu technologicznego.
00:31
I've been quite interested in both.
2
31000
2000
Obie te kwestie mnie interesują.
00:33
If we could convert 0.03 percent
3
33000
4000
Gdybyśmy mogli przekształcić w energię 0.03% światła słonecznego
00:37
of the sunlight that falls on the earth into energy,
4
37000
2000
które pada na ziemię
00:39
we could meet all of our projected needs for 2030.
5
39000
5000
bylibyśmy w stanie zaspokoić nasze potrzeby energetyczne do 2030 roku.
00:44
We can't do that today because solar panels are heavy,
6
44000
3000
Nie możemy zrobić tego dziś, ponieważ panele słoneczne są drogie
00:47
expensive and very inefficient.
7
47000
2000
ciężkie i mało wydajne.
00:49
There are nano-engineered designs,
8
49000
3000
Istnieją projekty z użyciem nanotechnologii
00:52
which at least have been analyzed theoretically,
9
52000
2000
które w teorii
00:54
that show the potential to be very lightweight,
10
54000
2000
mogą być bardzo lekkie
00:56
very inexpensive, very efficient,
11
56000
2000
tanie i bardzo wydajne
00:58
and we'd be able to actually provide all of our energy needs in this renewable way.
12
58000
4000
zapewniając zaspokojenie potrzeb energetycznych z odnawialnych źródeł.
01:02
Nano-engineered fuel cells
13
62000
2000
Ogniwa paliwowe
01:04
could provide the energy where it's needed.
14
64000
3000
mogą dostarczyć energię gdzie potrzeba.
01:07
That's a key trend, which is decentralization,
15
67000
2000
Decentralizacja to kluczowy trend
01:09
moving from centralized nuclear power plants and
16
69000
3000
odejście od scentralizowanych elektrowni jądrowych
01:12
liquid natural gas tankers
17
72000
2000
i kontenerów z gazem ciekłym
01:14
to decentralized resources that are environmentally more friendly,
18
74000
4000
w stronę bardziej przyjaznych dla środowiska,
01:18
a lot more efficient
19
78000
3000
bardziej efektywnych
01:21
and capable and safe from disruption.
20
81000
4000
i bezpiecznych surowców.
01:25
Bono spoke very eloquently,
21
85000
2000
Bono mówił bardzo obrazowo
01:27
that we have the tools, for the first time,
22
87000
4000
że pierwszy raz w historii mamy narzędzia
01:31
to address age-old problems of disease and poverty.
23
91000
4000
by skonfrontować odwieczne problemy: choroby i ubóstwo.
01:35
Most regions of the world are moving in that direction.
24
95000
4000
Większość regionów świata idzie w tym kierunku.
01:39
In 1990, in East Asia and the Pacific region,
25
99000
4000
W 1990 w dużej części Azji wschodniej
01:43
there were 500 million people living in poverty --
26
103000
2000
pół miliarda ludzi żyło w biedzie
01:45
that number now is under 200 million.
27
105000
3000
teraz jest ich 200 mln
01:48
The World Bank projects by 2011, it will be under 20 million,
28
108000
3000
Wg Banku Światowego w 2011
01:51
which is a reduction of 95 percent.
29
111000
3000
tylko 20 mln będzie żyć w biedzie.
01:54
I did enjoy Bono's comment
30
114000
3000
Bono stwierdził, że istnieje
01:57
linking Haight-Ashbury to Silicon Valley.
31
117000
4000
związek między rewolucją hipisowską i technologiczną.
02:01
Being from the Massachusetts high-tech community myself,
32
121000
3000
Samemu będąc członkiem społeczności komputerowców w Massachussetts
02:04
I'd point out that we were hippies also in the 1960s,
33
124000
4000
przypominam że w latach 60. także byliśmy hipisami
02:09
although we hung around Harvard Square.
34
129000
3000
Choć spotykaliśmy się na Harvard Square, nie Haight-Ashbury.
02:12
But we do have the potential to overcome disease and poverty,
35
132000
5000
W każdym razie mamy potencjał by przezwyciężyć choroby i biedę
02:17
and I'm going to talk about those issues, if we have the will.
36
137000
3000
jeśli naprawdę chcemy - i o tym opowiem.
02:20
Kevin Kelly talked about the acceleration of technology.
37
140000
3000
Kevin Kelly mówił o przyśpieszeniu technologicznym.
02:23
That's been a strong interest of mine,
38
143000
3000
A ja interesuję się tym
02:26
and a theme that I've developed for some 30 years.
39
146000
3000
od jakichś 30 lat.
02:29
I realized that my technologies had to make sense when I finished a project.
40
149000
5000
I zdałem sobie sprawę, że moje wynalazki muszą działać w nieustannie
02:34
That invariably, the world was a different place
41
154000
3000
zmieniającym się świecie do któego
02:37
when I would introduce a technology.
42
157000
2000
wprowadzałem te projekty.
02:39
And, I noticed that most inventions fail,
43
159000
2000
Większość z nich pada
02:41
not because the R&D department can't get it to work --
44
161000
3000
nie przez to, że po prostu nie działają,
02:44
if you look at most business plans, they will actually succeed
45
164000
3000
gdyby spojrzeć na plany biznesowe,
02:47
if given the opportunity to build what they say they're going to build --
46
167000
4000
zadziałałyby, gdyby dano im możliwośc zbudowania tego co założono
02:51
and 90 percent of those projects or more will fail, because the timing is wrong --
47
171000
3000
ale ponad 90% nie udaje się bo nie trafia w swój czas
02:54
not all the enabling factors will be in place when they're needed.
48
174000
3000
nie wszystkie czynniki sprawcze są zsynchronizowane.
02:57
So I began to be an ardent student of technology trends,
49
177000
4000
Więc przyjrzałem się uważnie trendom technologicznym
03:01
and track where technology would be at different points in time,
50
181000
3000
śledząc postęp technologiczny w czasie
03:04
and began to build the mathematical models of that.
51
184000
3000
i budując dla niego model matematyczny.
03:07
It's kind of taken on a life of its own.
52
187000
2000
Żyje to teraz własnym życiem
03:09
I've got a group of 10 people that work with me to gather data
53
189000
3000
Mam 10 osób od gromadzenia danych na temat
03:12
on key measures of technology in many different areas, and we build models.
54
192000
5000
zmian technologicznych w różnych dziedzinach i tworzymy modele.
03:17
And you'll hear people say, well, we can't predict the future.
55
197000
3000
Ludzie mówią, że nie można przewidzieć przyszłości
03:20
And if you ask me,
56
200000
2000
I gdyby mnie ktoś spytał
03:22
will the price of Google be higher or lower than it is today three years from now,
57
202000
3000
po ile będą stały akcje Google'a za 3 lata
03:25
that's very hard to say.
58
205000
2000
nie umiem powiedzieć.
03:27
Will WiMax CDMA G3
59
207000
3000
Czy WiMax CDMA G3
03:30
be the wireless standard three years from now? That's hard to say.
60
210000
2000
będzie standardem za 3 lata? Nie wiem.
03:32
But if you ask me, what will it cost
61
212000
2000
Ale gdyby spytali ile
03:34
for one MIPS of computing in 2010,
62
214000
3000
będzie kosztować 1 MIPS w 2010
03:37
or the cost to sequence a base pair of DNA in 2012,
63
217000
3000
albo ile zapłacimy za sekwencjonowanie jednej pary zasad DNA w 2012
03:40
or the cost of sending a megabyte of data wirelessly in 2014,
64
220000
4000
lub za przesłanie bezprzewodowo 1MB danych
03:44
it turns out that those are very predictable.
65
224000
3000
okazuje się, że można to przewidzieć.
03:47
There are remarkably smooth exponential curves
66
227000
2000
Wydajnośc i przepustowość
03:49
that govern price performance, capacity, bandwidth.
67
229000
3000
rosną geometrycznie.
03:52
And I'm going to show you a small sample of this,
68
232000
2000
Pokażę wam jak to działa.
03:54
but there's really a theoretical reason
69
234000
2000
Mamy też teorię
03:56
why technology develops in an exponential fashion.
70
236000
5000
wyjaśniającą czemu technologia rozwija się w ten właśnie sposób.
04:01
And a lot of people, when they think about the future, think about it linearly.
71
241000
2000
Wielu ludzi myśli o przyszłości liniowo
04:03
They think they're going to continue
72
243000
2000
Sądząc, że będą z biegiem czasu
04:05
to develop a problem
73
245000
2000
używać dzisiejszych narzędzi
04:07
or address a problem using today's tools,
74
247000
3000
do rozwiązania obecnych problemów
04:10
at today's pace of progress,
75
250000
2000
w obecnym tempie rozwoju
04:12
and fail to take into consideration this exponential growth.
76
252000
4000
nie biorąc pod uwagę geometryczego postępu w technologii.
04:16
The Genome Project was a controversial project in 1990.
77
256000
3000
Projekt poznania ludzkiego genomu był w 1990r. kontrowersyjny.
04:19
We had our best Ph.D. students,
78
259000
2000
Z najlepszymi studentami
04:21
our most advanced equipment around the world,
79
261000
2000
używając najlepiej rozwiniętego sprzętu
04:23
we got 1/10,000th of the project done,
80
263000
2000
ukończyliśmy 1/10 000 projektu.
04:25
so how're we going to get this done in 15 years?
81
265000
2000
Więc w jaki sposób zrobić to w 15 lat?
04:27
And 10 years into the project,
82
267000
3000
10 lat po rozpoczęciu badań
04:31
the skeptics were still going strong -- says, "You're two-thirds through this project,
83
271000
2000
sceptycy wciąż powtarzali
04:33
and you've managed to only sequence
84
273000
2000
"2/3 projektu za wami
04:35
a very tiny percentage of the whole genome."
85
275000
3000
a udało się opisać tylko niewielką część całego genomu.
04:38
But it's the nature of exponential growth
86
278000
2000
Ale w tym tkwi natura wzrostu geometrycznego
04:40
that once it reaches the knee of the curve, it explodes.
87
280000
2000
że po osiągnięciu odpowiedniego punktu, gwałtownie przyśpiesza.
04:42
Most of the project was done in the last
88
282000
2000
Większość projektu zrealizowaliśmy
04:44
few years of the project.
89
284000
2000
w ciągu kilku ostatnich lat jego trwania.
04:46
It took us 15 years to sequence HIV --
90
286000
2000
Sekwencjonowanie HIV zajęło nam 15 lat
04:48
we sequenced SARS in 31 days.
91
288000
2000
a SARSu - 31 dni.
04:50
So we are gaining the potential to overcome these problems.
92
290000
4000
Zyskujemy więc możliwości przezwyciężenie tych problemów.
04:54
I'm going to show you just a few examples
93
294000
2000
Pokażę wam teraz
04:56
of how pervasive this phenomena is.
94
296000
3000
na kilku przykładach, jak wszechobecne jest to zjawisko.
04:59
The actual paradigm-shift rate, the rate of adopting new ideas,
95
299000
4000
Wg naszych modeli, tempo przesunięć światopoglądowych tzn.
05:03
is doubling every decade, according to our models.
96
303000
3000
przyswajania nowych idei podwaja się co dekadę.
05:06
These are all logarithmic graphs,
97
306000
3000
Wszystkie grafy tutaj są logarytmiczne
05:09
so as you go up the levels it represents, generally multiplying by factor of 10 or 100.
98
309000
3000
czyli przejście na nowy poziom to przeskok 10- lub stukrotny.
05:12
It took us half a century to adopt the telephone,
99
312000
3000
50 lat zabrało nam przyswojenie telefonu
05:15
the first virtual-reality technology.
100
315000
3000
pierwszej technologii wykorzystującej rzeczywistość wirtualną.
05:18
Cell phones were adopted in about eight years.
101
318000
2000
Telefony komórkowe pryswoiliśmy w ok. 8 lat.
05:20
If you put different communication technologies
102
320000
3000
Rozmaite technologie komunikacyjne:
05:23
on this logarithmic graph,
103
323000
2000
telewizja, radio
05:25
television, radio, telephone
104
325000
2000
czy właśnie telefon
05:27
were adopted in decades.
105
327000
2000
przyswoiliśmy w ciągu kilku dekad.
05:29
Recent technologies -- like the PC, the web, cell phones --
106
329000
3000
Nowsze technologie, jak komputer osobisty, internet, komórki
05:32
were under a decade.
107
332000
2000
przyjęły się w mniej niż 10 lat.
05:34
Now this is an interesting chart,
108
334000
2000
Ten wykres jest ciekawy
05:36
and this really gets at the fundamental reason why
109
336000
2000
i pozwala dojrzeć kluczowy powód
05:38
an evolutionary process -- and both biology and technology are evolutionary processes --
110
338000
4000
dlaczego procesy ewolucyjne, tak biologiczne jak i technologiczne
05:42
accelerate.
111
342000
2000
przyśpieszają.
05:44
They work through interaction -- they create a capability,
112
344000
3000
Działają poprzez interakcje - stwarzają możliwości działania
05:47
and then it uses that capability to bring on the next stage.
113
347000
3000
którę są wykorzystywane w przejścu do dalszych stadiów rozwoju.
05:50
So the first step in biological evolution,
114
350000
3000
Pierwszy krok w ewolucji biologicznej
05:53
the evolution of DNA -- actually it was RNA came first --
115
353000
2000
- ewolucja DNA - czy raczej RNA
05:55
took billions of years,
116
355000
2000
zajęła miliardy lat.
05:57
but then evolution used that information-processing backbone
117
357000
3000
A potem ten sposób przetwarzania informacji został użyty
06:00
to bring on the next stage.
118
360000
2000
do wejścia na kolejny etap.
06:02
So the Cambrian Explosion, when all the body plans of the animals were evolved,
119
362000
3000
Tzw. eksplozja kambryjska, kiedy to wyewoluowały plany budowy ciała u zwierząt,
06:05
took only 10 million years. It was 200 times faster.
120
365000
4000
zajęła tylko 10mln lat. Czyli 200 razy szybciej.
06:09
And then evolution used those body plans
121
369000
2000
A potem ewolucja wykorzystała te plany
06:11
to evolve higher cognitive functions,
122
371000
2000
by wytworzyć wyższe funkcje poznawcze
06:13
and biological evolution kept accelerating.
123
373000
2000
i tak niezmiennie przyśpiesza.
06:15
It's an inherent nature of an evolutionary process.
124
375000
3000
Zgodnie ze swoją naturą.
06:18
So Homo sapiens, the first technology-creating species,
125
378000
3000
A Homo sapiens, pierwszy gatunek tworzący technologie
06:21
the species that combined a cognitive function
126
381000
2000
któremu udało się powiązać funkcje poznawcze
06:23
with an opposable appendage --
127
383000
2000
i chwytne kończyny
06:25
and by the way, chimpanzees don't really have a very good opposable thumb --
128
385000
4000
na marginesie, szympanse nie mają tak dobrze rozwiniętego kciuka
06:29
so we could actually manipulate our environment with a power grip
129
389000
2000
więc potrafiliśmy manipulować narzędziami dzięki
06:31
and fine motor coordination,
130
391000
2000
chwytności i koordynacji ruchowej
06:33
and use our mental models to actually change the world
131
393000
2000
wykorzystując też intelekt by zmieniać świat
06:35
and bring on technology.
132
395000
2000
i wprowadzać technologie.
06:37
But anyway, the evolution of our species took hundreds of thousands of years,
133
397000
3000
Ewolucja naszego gatunku trwała setki tysięcy lat
06:40
and then working through interaction,
134
400000
2000
a potem, przez proces współoddziaływania,
06:42
evolution used, essentially,
135
402000
2000
ewolucja wykorzystała
06:44
the technology-creating species to bring on the next stage,
136
404000
3000
naszą zdolność tworzenia technologii, by osiągnąć kolejny poziom
06:47
which were the first steps in technological evolution.
137
407000
3000
były to pierwsze etapy ewolucji technologicznej.
06:50
And the first step took tens of thousands of years --
138
410000
3000
Początkowe kroki zajęły dziesiątki tysięcy lat
06:53
stone tools, fire, the wheel -- kept accelerating.
139
413000
3000
narzędzia kamienne, ogień, koło - wciąż przyśpieszaliśmy.
06:56
We always used then the latest generation of technology
140
416000
2000
Używając ówcześnie najnowszych osiągnięć technologicznych by
06:58
to create the next generation.
141
418000
2000
rozpocząć nowy etap.
07:00
Printing press took a century to be adopted;
142
420000
2000
W 100 lat wprowadzono prasę drukarską,
07:02
the first computers were designed pen-on-paper -- now we use computers.
143
422000
4000
pierwsze projekty komputerów powstały na papierze - teraz projektujemy na komputerach.
07:06
And we've had a continual acceleration of this process.
144
426000
3000
I ten proces niezmiennie przyśpiesza.
07:09
Now by the way, if you look at this on a linear graph, it looks like everything has just happened,
145
429000
3000
Gdyby tak spojrzeć na ten wykres, zdaje się, że wszystko to wydarzyło się przed chwilą
07:12
but some observer says, "Well, Kurzweil just put points on this graph
146
432000
6000
ktoś może powiedzieć: "No tak, Kurzweil tylko umieścił na tym wykresie punkty,
07:18
that fall on that straight line."
147
438000
2000
akurat na tej prostej."
07:20
So, I took 15 different lists from key thinkers,
148
440000
3000
A ja wybrałem 15 różnych list, sporządzonych przez wybitnych myślicieli
07:23
like the Encyclopedia Britannica, the Museum of Natural History, Carl Sagan's Cosmic Calendar
149
443000
4000
z Encyclopedia Britannica, Muzeum Historii Naturalnej czy listę Carla Sagana,
07:27
on the same -- and these people were not trying to make my point;
150
447000
3000
i ich celem nie było udowodnienie moich tez, a jedynie wypunktowanie
07:30
these were just lists in reference works,
151
450000
2000
najważniejszych wydarzeń
07:32
and I think that's what they thought the key events were
152
452000
3000
które charakteryzowały ewolucję
07:35
in biological evolution and technological evolution.
153
455000
3000
biologiczną i technologiczną.
07:38
And again, it forms the same straight line. You have a little bit of thickening in the line
154
458000
3000
I ponownie wypadają one na tej samej prostej.
07:41
because people do have disagreements, what the key points are,
155
461000
3000
Istnieją spory co do tego, które wydarzenia były kluczowe
07:44
there's differences of opinion when agriculture started,
156
464000
2000
i kiedy nastąpiły,
07:46
or how long the Cambrian Explosion took.
157
466000
3000
np. początek Eksplozji Kambryjskiej czy rolnictwa.
07:49
But you see a very clear trend.
158
469000
2000
Ale da się łatwo zauważyć pewną tendencję.
07:51
There's a basic, profound acceleration of this evolutionary process.
159
471000
5000
Te procesy po prostu przyśpieszają.
07:56
Information technologies double their capacity, price performance, bandwidth,
160
476000
5000
Technologie komputerowe podwajają swoją przepustowość i stosunek cena-wydajność
08:01
every year.
161
481000
2000
każdego roku.
08:03
And that's a very profound explosion of exponential growth.
162
483000
4000
I to bardzo wyraźny wzrost geometryczny.
08:07
A personal experience, when I was at MIT --
163
487000
2000
Kiedy byłem na MIT
08:09
computer taking up about the size of this room,
164
489000
2000
komputer wielkości tej sali
08:11
less powerful than the computer in your cell phone.
165
491000
5000
miał mniejszą moc niż wasze telefony komórkowe.
08:16
But Moore's Law, which is very often identified with this exponential growth,
166
496000
4000
Ale prawo Moore'a, często utożsamiane z tym wzrostem
08:20
is just one example of many, because it's basically
167
500000
2000
to jedynie jeden z wielu przykładów jego działania
08:22
a property of the evolutionary process of technology.
168
502000
5000
w ewolucji biologicznej i technologicznej.
08:27
I put 49 famous computers on this logarithmic graph --
169
507000
3000
Na tym wykresie mamy 49 słynnych komputerów
08:30
by the way, a straight line on a logarithmic graph is exponential growth --
170
510000
4000
(linia prosta na grafie logarytmicznym odzwierciedla wzrost geometryczny)
08:34
that's another exponential.
171
514000
2000
jak właśnie tu.
08:36
It took us three years to double our price performance of computing in 1900,
172
516000
3000
W roku 1900, stosnek cena-wydajność maszyn liczących podwajał się co 3 lata
08:39
two years in the middle; we're now doubling it every one year.
173
519000
3000
w 1950 - co 2, a teraz podwaja się co roku.
08:43
And that's exponential growth through five different paradigms.
174
523000
3000
Wzrost geometryczny 5 różnych czynników,
08:46
Moore's Law was just the last part of that,
175
526000
2000
z czego prawo Moore'a opisuje tylko najpóźniejszy z nich
08:48
where we were shrinking transistors on an integrated circuit,
176
528000
3000
czyli zmniejszanie tranzystorów w układach scalonych
08:51
but we had electro-mechanical calculators,
177
531000
3000
ale wcześniej mieliśmy kalkulatory elektro-mechaniczne,
08:54
relay-based computers that cracked the German Enigma Code,
178
534000
2000
komputery przekaźnikowe, które pozwoliły złamać Enigmę
08:56
vacuum tubes in the 1950s predicted the election of Eisenhower,
179
536000
4000
lampy elektronowe które przwidziały prezydenturę Eisenhowera
09:00
discreet transistors used in the first space flights
180
540000
3000
tranzystory używane przy pierwszych lotach kosmicznych
09:03
and then Moore's Law.
181
543000
2000
i wreszcie prawo Moore'a.
09:05
Every time one paradigm ran out of steam,
182
545000
2000
Gdy wykorzystaliśmy którąś z idei do maksimum
09:07
another paradigm came out of left field to continue the exponential growth.
183
547000
3000
pojawiała się inna, która pozwalała na kontynuację wzrostu geometrycznego.
09:10
They were shrinking vacuum tubes, making them smaller and smaller.
184
550000
3000
Np., zmniejszano lampy elektronowe coraz bardziej, do momentu
09:13
That hit a wall. They couldn't shrink them and keep the vacuum.
185
553000
3000
gdy nie można było ich zmniejszyć ze względu na próżnię.
09:16
Whole different paradigm -- transistors came out of the woodwork.
186
556000
2000
Wtedy pojawił się zupełnie nowy pomysł: tranzystory
09:18
In fact, when we see the end of the line for a particular paradigm,
187
558000
3000
Kiedy widzimy, że zbliżamy się do wykorzystania jakiejś idei do maksimum,
09:21
it creates research pressure to create the next paradigm.
188
561000
4000
wytwarza się presja, by stworzyć coś zupełnie nowego.
09:25
And because we've been predicting the end of Moore's Law
189
565000
3000
Ponieważ przewidywaliśmy koniec prawa Moore'a
09:28
for quite a long time -- the first prediction said 2002, until now it says 2022.
190
568000
3000
najpierw na 2002, teraz mówi się o 2022.
09:31
But by the teen years,
191
571000
3000
Ale już po 2010 roku
09:34
the features of transistors will be a few atoms in width,
192
574000
3000
części tranzystorów będą długie na kilka atomów
09:37
and we won't be able to shrink them any more.
193
577000
2000
i nie będziemy mogli zmniejszać ich bardziej.
09:39
That'll be the end of Moore's Law, but it won't be the end of
194
579000
3000
Taki będzie koniec prawa Moore'a, ale nie będzie to oznaczać
09:42
the exponential growth of computing, because chips are flat.
195
582000
2000
końca wzrostu geometrycznego mocy przeliczeniowych.
09:44
We live in a three-dimensional world; we might as well use the third dimension.
196
584000
3000
Zaczniemy używać trójwymiarowych czipów.
09:47
We will go into the third dimension
197
587000
2000
Wejdziemy do trzeciego wymiaru
09:49
and there's been tremendous progress, just in the last few years,
198
589000
3000
i przez kilka ostatnich lat, postęp był ogromny
09:52
of getting three-dimensional, self-organizing molecular circuits to work.
199
592000
4000
w uzyskiwaniu trójwymiarowych, samoorganizujących się obwodów.
09:56
We'll have those ready well before Moore's Law runs out of steam.
200
596000
7000
Będą gotowe zanim prawo Moore'a się skończy,
10:03
Supercomputers -- same thing.
201
603000
2000
to samo z superkomputerami.
10:06
Processor performance on Intel chips,
202
606000
3000
Wydajność procesorów Intela,
10:09
the average price of a transistor --
203
609000
3000
średnio za jeden tranzystor
10:12
1968, you could buy one transistor for a dollar.
204
612000
3000
w 1968 roku płaciło się dolara.
10:15
You could buy 10 million in 2002.
205
615000
3000
W 2002 za dolara można ich kupić 10 milionów.
10:18
It's pretty remarkable how smooth
206
618000
3000
Dość niezwykła jest ta płynność
10:21
an exponential process that is.
207
621000
2000
z jaką dokonuje się postęp.
10:23
I mean, you'd think this is the result of some tabletop experiment,
208
623000
3000
Mogłoby się wydawać, że osiąga się go za pomocą eksperymentów,
10:27
but this is the result of worldwide chaotic behavior --
209
627000
3000
a naprawdę to wynik chaotycznych procesów na świecie:
10:30
countries accusing each other of dumping products,
210
630000
2000
krajów oskarżających się o zaniżanie cen
10:32
IPOs, bankruptcies, marketing programs.
211
632000
2000
prawa własności intelektualnej, programy marketingowe.
10:34
You would think it would be a very erratic process,
212
634000
3000
Zdawałoby się, że to bardzo nieregularny proces
10:37
and you have a very smooth
213
637000
2000
ale jego rezultaty
10:39
outcome of this chaotic process.
214
639000
2000
są niezwykle regularne.
10:41
Just as we can't predict
215
641000
2000
Tak jak nie przewidzimy
10:43
what one molecule in a gas will do --
216
643000
2000
co się stanie z jedną molekułą gazu
10:45
it's hopeless to predict a single molecule --
217
645000
3000
nie da się
10:48
yet we can predict the properties of the whole gas,
218
648000
2000
możemy przewidzieć, dzięki termodynamice,
10:50
using thermodynamics, very accurately.
219
650000
3000
cechy gazu jako całości.
10:53
It's the same thing here. We can't predict any particular project,
220
653000
3000
Tak samo tutaj: nie uda się przewidzieć wyników pojedynczego projektu
10:56
but the result of this whole worldwide,
221
656000
2000
ale rezultat globalnej, chaotycznej
10:58
chaotic, unpredictable activity of competition
222
658000
5000
konkurencji napędzającej
11:03
and the evolutionary process of technology is very predictable.
223
663000
3000
ewolucję technologiczną jest przewidywalny.
11:06
And we can predict these trends far into the future.
224
666000
3000
Możemy to przewidzieć daleko w przyszłość.
11:11
Unlike Gertrude Stein's roses,
225
671000
2000
W przeciwieństwie do róż Gertrude Stein
11:13
it's not the case that a transistor is a transistor.
226
673000
2000
tranzystor tranzystorowi nierówny:
11:15
As we make them smaller and less expensive,
227
675000
2000
Im one mniejsze,
11:17
the electrons have less distance to travel.
228
677000
2000
tym mniejszy dystans do pokonania dla elektornu.
11:19
They're faster, so you've got exponential growth in the speed of transistors,
229
679000
4000
Szybkość tranzystorów wzrasta geometrycznie
11:23
so the cost of a cycle of one transistor
230
683000
4000
a ich koszt zmniejsza się o połowę
11:27
has been coming down with a halving rate of 1.1 years.
231
687000
3000
co około 1.1 rok.
11:30
You add other forms of innovation and processor design,
232
690000
3000
Przy dodatkowych innowacjach w budowie procesorów
11:33
you get a doubling of price performance of computing every one year.
233
693000
4000
stosunek cena-wydajność podwaja się co roku.
11:37
And that's basically deflation --
234
697000
3000
To zwykła
11:40
50 percent deflation.
235
700000
2000
50% procentowa deflacja.
11:42
And it's not just computers. I mean, it's true of DNA sequencing;
236
702000
3000
Tyczy się to nie tylko komputerów, ale i prac nad DNA
11:45
it's true of brain scanning;
237
705000
2000
czy przy skanowaniu mózgu,
11:47
it's true of the World Wide Web. I mean, anything that we can quantify,
238
707000
2000
jak i Internetu. Wszystko co możemy ująć w liczbach.
11:49
we have hundreds of different measurements
239
709000
3000
mamy setki różnych mierzalnych czynników
11:52
of different, information-related measurements --
240
712000
3000
które odnoszą się do przesyłu informacji
11:55
capacity, adoption rates --
241
715000
2000
wydajność, prędkośc przyswajania
11:57
and they basically double every 12, 13, 15 months,
242
717000
3000
i podwajają się one co 12, 13, 15 miesięcy
12:00
depending on what you're looking at.
243
720000
2000
w zależności od punktu widzenia.
12:02
In terms of price performance, that's a 40 to 50 percent deflation rate.
244
722000
4000
Jeśli chodzi o stosunek cena-wydajność to 40-50% deflacja.
12:07
And economists have actually started worrying about that.
245
727000
2000
I ekonomistów zaczyna to martwić.
12:09
We had deflation during the Depression,
246
729000
2000
W czasie Wielkiego Kryzysu mieliśmy deflację
12:11
but that was collapse of the money supply,
247
731000
2000
ale wynikła ona z zapaści podaży pieniądza,
12:13
collapse of consumer confidence, a completely different phenomena.
248
733000
3000
oraz nastrojów konsumentów, zupełnie inne zjawiska.
12:16
This is due to greater productivity,
249
736000
2000
To o czym mówię wynika z większej produktywności.
12:19
but the economist says, "But there's no way you're going to be able to keep up with that.
250
739000
2000
Ekonomiści uważają, że nie ma sposobu by dotrzymać jej tempa.
12:21
If you have 50 percent deflation, people may increase their volume
251
741000
3000
Przy 50% deflacji, ludzie zwiększa swoje posiadanie
12:24
30, 40 percent, but they won't keep up with it."
252
744000
2000
o 30-40%, ale nie dotrzymają tempa wzrostowi produkcji.
12:26
But what we're actually seeing is that
253
746000
2000
Ale możemy zaobserwować
12:28
we actually more than keep up with it.
254
748000
2000
coś dokładnie odwrotnego,
12:30
We've had 28 percent per year compounded growth in dollars
255
750000
3000
W ciągu ostatnich 50 lat, obroty w technologii informatycznej
12:33
in information technology over the last 50 years.
256
753000
3000
wzrosły o 28%.
12:36
I mean, people didn't build iPods for 10,000 dollars 10 years ago.
257
756000
4000
Czyli, 10 lat temu nie tworzyło się iPodów za 10 tys. dolarów.
12:40
As the price performance makes new applications feasible,
258
760000
3000
Ale gdy stosunek cena-wydajność sprawia, że nowe produkty są osiągalne
12:43
new applications come to the market.
259
763000
2000
pojawią się na rynku.
12:45
And this is a very widespread phenomena.
260
765000
3000
Jest to bardzo rozpowszechnony proces.
12:48
Magnetic data storage --
261
768000
2000
Np. magnetyczne nośniki danych
12:50
that's not Moore's Law, it's shrinking magnetic spots,
262
770000
3000
coraz bardziej mikroskopijne,
12:53
different engineers, different companies, same exponential process.
263
773000
4000
ilustrują ten sam proces wzrostu co prawo Moore'a.
12:57
A key revolution is that we're understanding our own biology
264
777000
4000
Kluczowe w naszym rozumieniu naszej własnej biologii
13:01
in these information terms.
265
781000
2000
jest użycie terminologii informatycznej.
13:03
We're understanding the software programs
266
783000
2000
Mamy więc programy, które
13:05
that make our body run.
267
785000
2000
regulują nasze procesy biologiczne.
13:07
These were evolved in very different times --
268
787000
2000
Wyewoluowały one w odmiennych realiach
13:09
we'd like to actually change those programs.
269
789000
2000
i chcielibyśmy je trochę ulepszyć.
13:11
One little software program, called the fat insulin receptor gene,
270
791000
2000
Jednym z takich programów jest gen receptoru insulinowego
13:13
basically says, "Hold onto every calorie,
271
793000
2000
który każe nam magazynować każdą kalorię
13:15
because the next hunting season may not work out so well."
272
795000
4000
bo później może ich brakować.
13:19
That was in the interests of the species tens of thousands of years ago.
273
799000
3000
Jego działanie było pożyteczne dla nas dziesiątki tysięcy lat temu.
13:22
We'd like to actually turn that program off.
274
802000
3000
Dziś chcemy go jednak wyłączyć.
13:25
They tried that in animals, and these mice ate ravenously
275
805000
3000
Eksperymentowano z tym na myszach, które jedząc łapczywie
13:28
and remained slim and got the health benefits of being slim.
276
808000
2000
nie przybierały na wadze, nie miały problemów ze zdrowiem
13:30
They didn't get diabetes; they didn't get heart disease;
277
810000
3000
jak cukrzyca czy choroby serca,
13:33
they lived 20 percent longer; they got the health benefits of caloric restriction
278
813000
3000
żyły o 20% dłużej, z pożytkami płynącymi z ograniczenia kalorii
13:36
without the restriction.
279
816000
2000
bez ograniczenia.
13:38
Four or five pharmaceutical companies have noticed this,
280
818000
3000
Kilka firm farmaceutycznych się tym zainteresowało,
13:41
felt that would be
281
821000
3000
uważając, że byłby to
13:44
interesting drug for the human market,
282
824000
3000
ciekawy produkt do wporwadzenia na rynek;
13:47
and that's just one of the 30,000 genes
283
827000
2000
a to tylko 1 z 30 tys. genów
13:49
that affect our biochemistry.
284
829000
3000
mających wpływ na naszą biologię.
13:52
We were evolved in an era where it wasn't in the interests of people
285
832000
3000
Wyewoluowaliśmy w czasach gdy nie było to w interesie społeczności
13:55
at the age of most people at this conference, like myself,
286
835000
3000
by ludzie w wieku zbliżonym do mojego
13:58
to live much longer, because we were using up the precious resources
287
838000
4000
żyli dłużej, bo zabierali cenne surowce, które lepiej byłoby przeznaczyć na
14:02
which were better deployed towards the children
288
842000
1000
dzieci
14:03
and those caring for them.
289
843000
2000
i ich opiekunów.
14:05
So, life -- long lifespans --
290
845000
2000
Zatem ewolucja nie faworyzowała
14:07
like, that is to say, much more than 30 --
291
847000
2000
osobników żyjących dużo dłużej niż
14:09
weren't selected for,
292
849000
3000
30 lat
14:12
but we are learning to actually manipulate
293
852000
3000
ale powoli zaczynamy manipulować
14:15
and change these software programs
294
855000
2000
i zmieniać te programy
14:17
through the biotechnology revolution.
295
857000
2000
poprzez rewolucję biotechnologiczną.
14:19
For example, we can inhibit genes now with RNA interference.
296
859000
4000
Poprzez wpływ na RNA możemy zastopować działanie wybranych genów.
14:23
There are exciting new forms of gene therapy
297
863000
2000
Mamy nowe rodzaje terapii genowej
14:25
that overcome the problem of placing the genetic material
298
865000
2000
które rozwiązują problem umieszczenia materiału genetycznego
14:27
in the right place on the chromosome.
299
867000
2000
w odpowiednim miejscu na chromosomie.
14:29
There's actually a -- for the first time now,
300
869000
3000
Po raz pierwszy udaje się - są już testy na ludziach
14:32
something going to human trials, that actually cures pulmonary hypertension --
301
872000
3000
wyleczyć nadciśnienie płucne - śmiertelną chorobę
14:35
a fatal disease -- using gene therapy.
302
875000
3000
przez wykorzystanie terapii genowej.
14:38
So we'll have not just designer babies, but designer baby boomers.
303
878000
3000
Mamy więc nie tylko dzieci na zamówienie, ale i dorosłych.
14:41
And this technology is also accelerating.
304
881000
3000
I jest to także przyśpieszająca technologia.
14:44
It cost 10 dollars per base pair in 1990,
305
884000
3000
W 1990 jedna para zasad kosztowała 10 dolarów.
14:47
then a penny in 2000.
306
887000
2000
w 2000 roku - 1 centa.
14:49
It's now under a 10th of a cent.
307
889000
2000
Obecnie mniej niż 1/10 centa.
14:51
The amount of genetic data --
308
891000
2000
Ilość danych genetycznych
14:53
basically this shows that smooth exponential growth
309
893000
3000
wykazuje postęp geometryczny
14:56
doubled every year,
310
896000
2000
podwajając się co roku,
14:58
enabling the genome project to be completed.
311
898000
3000
co pozwoli nam na dokończenie projektu poznania ludzkiego genomu.
15:01
Another major revolution: the communications revolution.
312
901000
3000
Kolejna wielka rewolucja to rewoucja komunikacyjna.
15:04
The price performance, bandwidth, capacity of communications measured many different ways;
313
904000
5000
Stosunek cena-wydajność, przepustowość łącz - pojemność komunikacyjna mierzona na wiele sposobów
15:09
wired, wireless is growing exponentially.
314
909000
3000
przewodowa i bezprzewodowa wzrasta geometrycznie.
15:12
The Internet has been doubling in power and continues to,
315
912000
3000
Internet podwaja swą siłę nieprzerwanie
15:15
measured many different ways.
316
915000
2000
wg każdych pomiarów.
15:17
This is based on the number of hosts.
317
917000
2000
Ten np. dotyczy ilości komputerów w sieci.
15:19
Miniaturization -- we're shrinking the size of technology
318
919000
2000
Miniaturyzacja - zmienjszamy wielkość technologii
15:21
at an exponential rate,
319
921000
2000
przewodowej i bezprzewodowej
15:23
both wired and wireless.
320
923000
2000
w tempie geometrycznym.
15:25
These are some designs from Eric Drexler's book --
321
925000
4000
Tu mamy kilka projektów Erika Drexlera
15:29
which we're now showing are feasible
322
929000
2000
i udowadniamy, że są one wykonalne
15:31
with super-computing simulations,
323
931000
2000
przy użyciu super-komputerów
15:33
where actually there are scientists building
324
933000
2000
a inni naukowcy budują roboty
15:35
molecule-scale robots.
325
935000
2000
w skali cząsteczkowej.
15:37
One has one that actually walks with a surprisingly human-like gait,
326
937000
2000
Jest np. taki, który, choć zbudowany z molekuł, porusza się
15:39
that's built out of molecules.
327
939000
3000
zupełnie jak człowiek.
15:42
There are little machines doing things in experimental bases.
328
942000
4000
Istnieją malutkie maszyny używane do eksperymentów.
15:46
The most exciting opportunity
329
946000
3000
Najbardziej ekscytująca jest jednak możliwość
15:49
is actually to go inside the human body
330
949000
2000
wejścia do środka ludzkiego ciała,
15:51
and perform therapeutic and diagnostic functions.
331
951000
3000
w celach terapeutycznych i diagnostycznych.
15:54
And this is less futuristic than it may sound.
332
954000
2000
I choć brzmi to jak science-fiction,
15:56
These things have already been done in animals.
333
956000
2000
udało się zrobić coś podobnego u zwierząt.
15:58
There's one nano-engineered device that cures type 1 diabetes. It's blood cell-sized.
334
958000
4000
Jest urządzenie które leczy cukrzycę, a jest wielkości czerwonej krwinki.
16:02
They put tens of thousands of these
335
962000
2000
Wpuszcza się je do krwiobiegu
16:04
in the blood cell -- they tried this in rats --
336
964000
2000
zrobiono tak u szczurów
16:06
it lets insulin out in a controlled fashion,
337
966000
2000
i wypuszczają one insulinę w kontrolwany sposób
16:08
and actually cures type 1 diabetes.
338
968000
2000
lecząć tak cukrzycę.
16:10
What you're watching is a design
339
970000
3000
To co tu widzicie to projekt
16:13
of a robotic red blood cell,
340
973000
2000
mechanicznej czerwonej krwinki.
16:15
and it does bring up the issue that our biology
341
975000
2000
Co przypomina nam wyraźnie, że nasze organizmy
16:17
is actually very sub-optimal,
342
977000
2000
nie osiągają optymalnej wydajności
16:19
even though it's remarkable in its intricacy.
343
979000
3000
mimo swojej niezwykłej złożoności.
16:22
Once we understand its principles of operation,
344
982000
3000
Kiedy zrozumiemy zasady ich działania
16:25
and the pace with which we are reverse-engineering biology is accelerating,
345
985000
3000
przy przyśpieszającym postępie technologicznym
16:29
we can actually design these things to be
346
989000
2000
będziemy w stanie tworzyć maszyny
16:31
thousands of times more capable.
347
991000
2000
tysiące razy bardziej wydajne.
16:33
An analysis of this respirocyte, designed by Rob Freitas,
348
993000
4000
Analiza tego "Respirocytu" zaprojektowanego przez Roba Freitasa
16:38
indicates if you replace 10 percent of your red blood cells with these robotic versions,
349
998000
2000
wykazuje, że gdyby zamienić na niego 10% zwykłych czerwonych krwinek
16:41
you could do an Olympic sprint for 15 minutes without taking a breath.
350
1001000
3000
można by biec sprintem na poziomie olimpijskim przez 15min bez wdechu.
16:44
You could sit at the bottom of your pool for four hours --
351
1004000
3000
Lub przesiadywać godzinami na dnie basenu.
16:47
so, "Honey, I'm in the pool," will take on a whole new meaning.
352
1007000
4000
a słowa: "Kochanie, jestem w wodzie" nabrałyby nowego znaczenia.
16:51
It will be interesting to see what we do in our Olympic trials.
353
1011000
2000
Ciekawe jak by to wpłynęło na rywalizację sportową,
16:53
Presumably we'll ban them,
354
1013000
2000
pewnie byśmy ich zabronili,
16:55
but then we'll have the specter of teenagers in their high schools gyms
355
1015000
2000
ale wtedy każdy nastolatek w szkolnej sali gimnastycznej
16:57
routinely out-performing the Olympic athletes.
356
1017000
3000
mogłby bez problemu osiągać lepsze wyniki niż olimpijczycy.
17:02
Freitas has a design for a robotic white blood cell.
357
1022000
3000
Freitas zaprojektował też mechaniczne białe krwinki.
17:05
These are 2020-circa scenarios,
358
1025000
4000
Planowane na ok. 2020 rok,
17:09
but they're not as futuristic as it may sound.
359
1029000
2000
ale to na pewno nie science-ficiton.
17:11
There are four major conferences on building blood cell-sized devices;
360
1031000
4000
Mamy 4 konferencje poświęcone budowie urządzeń wielkości czerwonych krwinek,
17:15
there are many experiments in animals.
361
1035000
2000
robione są eksperymenty na zwierzętach,
17:17
There's actually one going into human trial,
362
1037000
2000
są też już testy na ludziach.
17:19
so this is feasible technology.
363
1039000
3000
W sumie, jest to wykonalne.
17:23
If we come back to our exponential growth of computing,
364
1043000
2000
Wracając do naszego wzrostu geometrycznego w technologii informatycznej.
17:25
1,000 dollars of computing is now somewhere between an insect and a mouse brain.
365
1045000
3000
Obecnie za 1000 dolarów dostaje się możliwości obliczeniowe na poziomie pomiędzy komarem a myszą.
17:28
It will intersect human intelligence
366
1048000
3000
Ludzkie możliwości osiągnie się
17:31
in terms of capacity in the 2020s,
367
1051000
3000
ok. lat 20. XXI wieku.
17:34
but that'll be the hardware side of the equation.
368
1054000
2000
Ale to tylko kwestia sprzętowa.
17:36
Where will we get the software?
369
1056000
2000
Skąd weźmiemy oprogramowanie?
17:38
Well, it turns out we can see inside the human brain,
370
1058000
2000
Okazuje się, że możemy zajrzeć do ludzkiego mózgu
17:40
and in fact not surprisingly,
371
1060000
2000
i zgodnie z oczekiwaniami
17:42
the spatial and temporal resolution of brain scanning is doubling every year.
372
1062000
4000
maksymalna rozdzielczość skanów mózgu pdowaja się co roku.
17:46
And with the new generation of scanning tools,
373
1066000
2000
Nowa generacja narzędzi skanujących
17:48
for the first time we can actually see
374
1068000
2000
pozwala nam zaobserwowć
17:50
individual inter-neural fibers
375
1070000
2000
pojedyncze połączenia neuronowe
17:52
and see them processing and signaling in real time --
376
1072000
3000
i zobaczyć jak działają w czasie rzeczywistym
17:55
but then the question is, OK, we can get this data now,
377
1075000
2000
ale podstawowe pytanie to czy jesteśmy w stanie
17:57
but can we understand it?
378
1077000
2000
zrozumieć te dane.
17:59
Doug Hofstadter wonders, well, maybe our intelligence
379
1079000
3000
Doug Hofstadter zapytał kiedyś czy być może nasza inteligencja to za mało
18:02
just isn't great enough to understand our intelligence,
380
1082000
3000
by zrozumieć naszą inteligencję
18:05
and if we were smarter, well, then our brains would be that much more complicated,
381
1085000
3000
gdybyśmy byli mądrzejsi, nasze mózgi byłyby bardziej skomplikowane
18:08
and we'd never catch up to it.
382
1088000
2000
i nigdy nie bylibyśmy w stanie ich zrozumieć.
18:11
It turns out that we can understand it.
383
1091000
3000
Ale okazuje się, że jesteśmy w stanie.
18:14
This is a block diagram of
384
1094000
3000
Tutaj mamy diagram
18:17
a model and simulation of the human auditory cortex
385
1097000
4000
symulujący ludzką korę słuchową
18:21
that actually works quite well --
386
1101000
2000
który w testach psychoakustycznych
18:23
in applying psychoacoustic tests, gets very similar results to human auditory perception.
387
1103000
2000
osiąga bardzo podobne wyniki do ludzkiego postrzegania dźwiękowego.
18:27
There's another simulation of the cerebellum --
388
1107000
3000
Istnieje też symulacja móżdżka, gdzie znajduje się
18:30
that's more than half the neurons in the brain --
389
1110000
2000
ponad połowa ludzkich neuronów
18:32
again, works very similarly to human skill formation.
390
1112000
3000
i ponownie, działa ona podobnie do ludzkiej.
18:36
This is at an early stage, but you can show
391
1116000
3000
To wciąż wstępne fazy, ale możemy tu dostrzec
18:39
with the exponential growth of the amount of information about the brain
392
1119000
3000
że przy geometrycznym wzroście wiedzy o ludzkim mózgu
18:42
and the exponential improvement
393
1122000
2000
i takim samym wzroście
18:44
in the resolution of brain scanning,
394
1124000
2000
rozdzielczości w skanach mózgu,
18:46
we will succeed in reverse-engineering the human brain
395
1126000
3000
że uda nam się dokonać inżynierii odwrotnej na mózgu ludzkim
18:49
by the 2020s.
396
1129000
2000
w latach 20. XXI wieku.
18:51
We've already had very good models and simulation of about 15 regions
397
1131000
3000
Mamy już modele i symulacje 15 regionów
18:54
out of the several hundred.
398
1134000
3000
z kilkuset.
18:57
All of this is driving
399
1137000
2000
Wszystko to napędza
18:59
exponentially growing economic progress.
400
1139000
2000
geometryczny postęp gospodarczy.
19:01
We've had productivity go from 30 dollars to 150 dollars per hour
401
1141000
3000
Produktywnośc wzrosła od 30 do 150 dolarów za
19:06
of labor in the last 50 years.
402
1146000
2000
godzinę pracy.
19:08
E-commerce has been growing exponentially. It's now a trillion dollars.
403
1148000
3000
Przemysł internetowy rośnie geometrycznie. To ok 1 trylion dolarów.
19:11
You might wonder, well, wasn't there a boom and a bust?
404
1151000
2000
Ale, zapytacie, co z hossą i bessą?
19:13
That was strictly a capital-markets phenomena.
405
1153000
2000
To określenia opisujące rynek wyłącznie kapitałowy.
19:15
Wall Street noticed that this was a revolutionary technology, which it was,
406
1155000
4000
Na Wall Street zuważyli co prawda, rewolucję technologiczną,
19:19
but then six months later, when it hadn't revolutionized all business models,
407
1159000
3000
ale kiedy po pół roku nie udało się dokonać rewoulcji biznesowej,
19:22
they figured, well, that was wrong,
408
1162000
2000
uznali, że to pomyłka
19:24
and then we had this bust.
409
1164000
2000
i mieliśmy kryzys.
19:27
All right, this is a technology
410
1167000
2000
Tu z kolei mamy technologię
19:29
that we put together using some of the technologies we're involved in.
411
1169000
3000
którą stworzyliśmy używając innych dostępnych technologii.
19:32
This will be a routine feature in a cell phone.
412
1172000
4000
To będzie zwykła funkcja telefonu:
19:36
It would be able to translate from one language to another.
413
1176000
2000
tłumaczenie z jednego języka na drugi.
19:48
So let me just end with a couple of scenarios.
414
1188000
2000
Zakończę więc kilkoma przepowiedniami.
19:50
By 2010 computers will disappear.
415
1190000
3000
Komputery znikną do 2010 roku.
19:54
They'll be so small, they'll be embedded in our clothing, in our environment.
416
1194000
3000
Będą tak małe, wszczepione w ubrania, w otoczenie.
19:57
Images will be written directly to our retina,
417
1197000
2000
Obrazy wyświetlać się będą bezpośrednio na rogówce,
19:59
providing full-immersion virtual reality,
418
1199000
2000
zanurzając nas zupełnie w rzeczywistości wirtualnej
20:01
augmented real reality. We'll be interacting with virtual personalities.
419
1201000
3000
Będziemy obcować z wirtualnymi osobami.
20:05
But if we go to 2029, we really have the full maturity of these trends,
420
1205000
4000
Ale w 2029 roku, trendy te osiągną pełną dojrzałość, i musicie zauważyć
20:09
and you have to appreciate how many turns of the screw
421
1209000
3000
z jak wielką prędkością te zmiany technologicznę będą nadchodzić
20:12
in terms of generations of technology, which are getting faster and faster, we'll have at that point.
422
1212000
4000
będzie to coraz szybciej i szybciej.
20:16
I mean, we will have two-to-the-25th-power
423
1216000
2000
Będziemy mieli wtedy 2 do potęgi 25 razy
20:18
greater price performance, capacity and bandwidth
424
1218000
3000
lepszy stosunek ceny-wydajności, większą przepustowość
20:21
of these technologies, which is pretty phenomenal.
425
1221000
2000
co jest zupełnie niesamowite.
20:23
It'll be millions of times more powerful than it is today.
426
1223000
2000
Będą to technologie miliony razy mocniejsze niż obecne.
20:25
We'll have completed the reverse-engineering of the human brain,
427
1225000
2000
Uda nam się dokonać inżynierii odwrotnej ludzkiego mózgu,
20:28
1,000 dollars of computing will be far more powerful
428
1228000
3000
za 1000 dolarów będzie można uzyskać moc obliczniową
20:31
than the human brain in terms of basic raw capacity.
429
1231000
4000
wyższą niż moc naszego mózgu.
20:35
Computers will combine
430
1235000
2000
Komputery połączą
20:37
the subtle pan-recognition powers
431
1237000
2000
możliwości poznawcze typowe dla ludzi
20:39
of human intelligence with ways in which machines are already superior,
432
1239000
3000
ze spsobami myślenia, w których już są lepsze od nas
20:42
in terms of doing analytic thinking,
433
1242000
2000
jak myślienie analityczne
20:44
remembering billions of facts accurately.
434
1244000
2000
zapamiętywanie miliardów faktów.
20:46
Machines can share their knowledge very quickly.
435
1246000
2000
Maszyny mogą dzielić się wiedzą bardzo szybko.
20:48
But it's not just an alien invasion of intelligent machines.
436
1248000
5000
Ale to nie będzie inwazja intligentnych maszyn.
20:53
We are going to merge with our technology.
437
1253000
2000
My sami się z nimi scalimy.
20:55
These nano-bots I mentioned
438
1255000
2000
Nano-boty o których wspomniałem
20:57
will first be used for medical and health applications:
439
1257000
4000
najpierw będą wykorzystane w celach medycznych,
21:01
cleaning up the environment, providing powerful fuel cells
440
1261000
3000
ale także do czyszczenia środowiska, budowania ogniw paliwowych,
21:04
and widely distributed decentralized solar panels and so on in the environment.
441
1264000
5000
ale także szeroko rozporwadzanych zdecentralizowanych paneli słoneznych.
21:09
But they'll also go inside our brain,
442
1269000
2000
Trafią też do naszego mózgu,
21:11
interact with our biological neurons.
443
1271000
2000
oddziałując wzajemnie na neurony.
21:13
We've demonstrated the key principles of being able to do this.
444
1273000
3000
Pokazaliśmy na jakich zasadach będzie to działać:
21:16
So, for example,
445
1276000
2000
np. pełne zanurzenie
21:18
full-immersion virtual reality from within the nervous system,
446
1278000
2000
w wirtualnej rzeczywistości tylko dzięki ukłądowi nerwowemu:
21:20
the nano-bots shut down the signals coming from your real senses,
447
1280000
3000
nano-boty odcinają bodźce płynące do mózgu z zewnątrz
21:23
replace them with the signals that your brain would be receiving
448
1283000
3000
i zastępują je bodźcami, które mózg otrzymywałby
21:26
if you were in the virtual environment,
449
1286000
2000
będąc w wirtualnym otoczeniu.
21:28
and then it'll feel like you're in that virtual environment.
450
1288000
2000
I wydawałoby nam się, że faktycznie jesteśmy tam.
21:30
You can go there with other people, have any kind of experience
451
1290000
2000
Można zaprosić tam innych, mieć najróżniejsze doznania
21:32
with anyone involving all of the senses.
452
1292000
2000
pochodzące ze wszystkich zmysłów.
21:35
"Experience beamers," I call them, will put their whole flow of sensory experiences
453
1295000
3000
"Projektory Doznań", jak bym je nazwał, podłączą strumień doświadczeń zmysłowych
21:38
in the neurological correlates of their emotions out on the Internet.
454
1298000
3000
pobranych z Internetu do ich mózgowych korelatów.
21:41
You can plug in and experience what it's like to be someone else.
455
1301000
3000
Będzie można podłączyć się i zobaczyć jak to jest być kimś innym.
21:44
But most importantly,
456
1304000
2000
Ale, co najważniejsze,
21:46
it'll be a tremendous expansion
457
1306000
2000
będzie to ogromne poszerzenie
21:48
of human intelligence through this direct merger with our technology,
458
1308000
4000
ludzkich możliwości intelektualnych przez bezpośrednie powiązanie ich z technologią
21:52
which in some sense we're doing already.
459
1312000
2000
w pewnym sensie już to robimy.
21:54
We routinely do intellectual feats
460
1314000
2000
Część naszych codziennych osiągnięć intelektualnych
21:56
that would be impossible without our technology.
461
1316000
2000
byłaby niemożliwe bez technologii.
21:58
Human life expectancy is expanding. It was 37 in 1800,
462
1318000
3000
Przewidywana długość życia się zwiększa. W 1800 roku było to 37 lat,
22:01
and with this sort of biotechnology, nano-technology revolutions,
463
1321000
5000
ale z nadchodzącymi rewolucjami bio- i nano-technologicznymi
22:06
this will move up very rapidly
464
1326000
2000
zwiększy się jeszcze bardziej
22:08
in the years ahead.
465
1328000
2000
w nadchodzących latach.
22:10
My main message is that progress in technology
466
1330000
4000
Moje główne przesłanie jest takie: postęp technologiczny
22:14
is exponential, not linear.
467
1334000
3000
jest postępem geometrycznym, nie linearnym.
22:17
Many -- even scientists -- assume a linear model,
468
1337000
4000
Wielu - także naukowców - zakłada, że tak nie jest.
22:21
so they'll say, "Oh, it'll be hundreds of years
469
1341000
2000
Uważają, że miną jeszcze setki lat
22:23
before we have self-replicating nano-technology assembly
470
1343000
3000
zanim uda się stowrzyć samo-replikujące się urządzenia
22:26
or artificial intelligence."
471
1346000
2000
czy sztuczną inteligencję,
22:28
If you really look at the power of exponential growth,
472
1348000
3000
Ale jeśli spojrzeć na siłę wzrostu geometrycznego,
22:31
you'll see that these things are pretty soon at hand.
473
1351000
3000
da się zauważyć, że wiele rzeczy jest już na wyciągnięcie ręki.
22:34
And information technology is increasingly encompassing
474
1354000
3000
A technologie informacyjne w coraz większym stopniu
22:37
all of our lives, from our music to our manufacturing
475
1357000
4000
przenikają nasze życie, od muzyki, przez linie produkcyjne
22:41
to our biology to our energy to materials.
476
1361000
4000
biologię, energię po tworzywa.
22:45
We'll be able to manufacture almost anything we need in the 2020s,
477
1365000
3000
Do roku 2020 będziemy w stanie wyprodukować prawie wszystko
22:48
from information, in very inexpensive raw materials,
478
1368000
2000
używając tylko informacji i bardzo tanich surowców,
22:50
using nano-technology.
479
1370000
3000
dzięki nano-technologii.
22:53
These are very powerful technologies.
480
1373000
2000
To bardzo potężne technologie.
22:55
They both empower our promise and our peril.
481
1375000
4000
Tak w obietnicach jak i zagrożeniach.
22:59
So we have to have the will to apply them to the right problems.
482
1379000
3000
Musimy więc wypracować wspólną wolę, by używać ich dobrze.
23:02
Thank you very much.
483
1382000
1000
Dziękuję bardzo,
23:03
(Applause)
484
1383000
1000
(Oklaski)
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