Ray Kurzweil: Get ready for hybrid thinking

529,292 views ・ 2014-06-02

TED


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

Tłumaczenie: Maciej Mackiewicz Korekta: Marcin Doszko
00:12
Let me tell you a story.
0
12988
2316
Opowiem wam historię,
00:15
It goes back 200 million years.
1
15304
1799
która ma miejsce 200 milionów lat temu.
00:17
It's a story of the neocortex,
2
17103
1984
To opowieść o neokorteksie,
00:19
which means "new rind."
3
19087
1974
co znaczy "kora nowa".
00:21
So in these early mammals,
4
21061
2431
U wczesnych ssaków,
00:23
because only mammals have a neocortex,
5
23492
2055
bo tylko one mają korę nową,
00:25
rodent-like creatures.
6
25547
1664
u stworzeń podobnych do szczurów,
00:27
It was the size of a postage stamp and just as thin,
7
27211
3579
miała rozmiar i grubość znaczka pocztowego
00:30
and was a thin covering around
8
30790
1439
i pokrywała ich mózgi wielkości orzecha włoskiego.
00:32
their walnut-sized brain,
9
32229
2264
00:34
but it was capable of a new type of thinking.
10
34493
3701
Ale była zdolna do nowego sposobu myślenia.
00:38
Rather than the fixed behaviors
11
38194
1567
Zamiast podążać za gotowymi wzorcami
00:39
that non-mammalian animals have,
12
39761
1992
jak u zwierząt niższych,
00:41
it could invent new behaviors.
13
41753
2692
mogła tworzyć nowe wzorce.
00:44
So a mouse is escaping a predator,
14
44445
2553
Mysz ucieka przed drapieżnikiem,
00:46
its path is blocked,
15
46998
1540
droga jest zablokowana,
00:48
it'll try to invent a new solution.
16
48538
2129
więc próbuje znaleźć nowe rozwiązanie.
00:50
That may work, it may not,
17
50667
1266
Może zadziałać lub nie.
00:51
but if it does, it will remember that
18
51933
1910
Jeśli się uda, zostanie zapamiętane
00:53
and have a new behavior,
19
53843
1292
jako nowy wzór zachowania,
00:55
and that can actually spread virally
20
55135
1457
który rozprzestrzeni się jak wirus
00:56
through the rest of the community.
21
56592
2195
w reszcie społeczności.
00:58
Another mouse watching this could say,
22
58787
1609
Inna mysz, patrząc na to, mogłaby powiedzieć -
01:00
"Hey, that was pretty clever, going around that rock,"
23
60396
2704
"Jakie to sprytne ominąć ten kamień"
01:03
and it could adopt a new behavior as well.
24
63100
3725
i sama przyjęłaby nowy wzór zachowania.
01:06
Non-mammalian animals
25
66825
1717
Żadne zwierzęta poza ssakami tego nie potrafią.
01:08
couldn't do any of those things.
26
68542
1713
01:10
They had fixed behaviors.
27
70255
1215
Mają ustalone zachowania.
01:11
Now they could learn a new behavior
28
71470
1331
Mogą się nauczyć nowego zachowania,
01:12
but not in the course of one lifetime.
29
72801
2576
ale nie w ciągu jednego pokolenia.
01:15
In the course of maybe a thousand lifetimes,
30
75377
1767
Być może w ciągu tysięcy pokoleń
01:17
it could evolve a new fixed behavior.
31
77144
3330
może wyewoluować u nich nowe ustalone zachowanie.
01:20
That was perfectly okay 200 million years ago.
32
80474
3377
200 mln lat temu to zupełnie wystarczało.
01:23
The environment changed very slowly.
33
83851
1981
Środowisko zmieniało się powoli.
01:25
It could take 10,000 years for there to be
34
85832
1554
Mogło to trwać 10 tysięcy lat,
01:27
a significant environmental change,
35
87386
2092
by w środowisku nastąpiła znacząca zmiana
01:29
and during that period of time
36
89478
1382
i w tym czasie mógł powstać nowy wzór zachowania.
01:30
it would evolve a new behavior.
37
90860
2929
01:33
Now that went along fine,
38
93789
1521
Szło to sprawnie do pewnego momentu.
01:35
but then something happened.
39
95310
1704
01:37
Sixty-five million years ago,
40
97014
2246
65 milionów lat temu
01:39
there was a sudden, violent change to the environment.
41
99260
2615
zaszła gwałtowna zmiana w środowisku.
01:41
We call it the Cretaceous extinction event.
42
101875
3505
Było to wymieranie kredowe.
01:45
That's when the dinosaurs went extinct,
43
105380
2293
Wtedy wyginęły dinozaury
01:47
that's when 75 percent of the
44
107673
3449
i wymarło 75% gatunków zwierząt i roślin.
01:51
animal and plant species went extinct,
45
111122
2746
01:53
and that's when mammals
46
113868
1745
Wtedy ssaki przejęły tę niszę ekologiczną.
01:55
overtook their ecological niche,
47
115613
2152
01:57
and to anthropomorphize, biological evolution said,
48
117765
3654
Antropomorfizując, ewolucja stwierdziła -
02:01
"Hmm, this neocortex is pretty good stuff,"
49
121419
2025
"Neokorteks to niezła rzecz"
02:03
and it began to grow it.
50
123444
1793
i zaczęła go ulepszać.
02:05
And mammals got bigger,
51
125237
1342
Ssaki stały się większe,
02:06
their brains got bigger at an even faster pace,
52
126579
2915
ich mózgi powiększały się szybciej,
02:09
and the neocortex got bigger even faster than that
53
129494
3807
a kora nowa jeszcze szybciej,
02:13
and developed these distinctive ridges and folds
54
133301
2929
tworząc typowe dla siebie fałdy,
02:16
basically to increase its surface area.
55
136230
2881
by zwiększyć swoją powierzchnię.
02:19
If you took the human neocortex
56
139111
1819
Gdyby rozprostować ludzką korę nową,
02:20
and stretched it out,
57
140930
1301
02:22
it's about the size of a table napkin,
58
142231
1713
miałaby rozmiar serwetki
02:23
and it's still a thin structure.
59
143944
1306
i byłaby tak samo cienka.
02:25
It's about the thickness of a table napkin.
60
145250
1980
02:27
But it has so many convolutions and ridges
61
147230
2497
Natomiast ma tak wiele zwojów i fałd,
02:29
it's now 80 percent of our brain,
62
149727
3075
że obecnie stanowi 80% naszego mózgu.
02:32
and that's where we do our thinking,
63
152802
2461
Tam właśnie odbywa się proces myślenia
i przekształcanie instynktów w coś wyższego.
02:35
and it's the great sublimator.
64
155263
1761
Wciąż mamy starą część mózgu,
02:37
We still have that old brain
65
157024
1114
02:38
that provides our basic drives and motivations,
66
158138
2764
która odpowiada za podstawowe instynkty,
02:40
but I may have a drive for conquest,
67
160902
2716
lecz mój instynkt podboju
02:43
and that'll be sublimated by the neocortex
68
163618
2715
może być przesublimowany przez korę nową
02:46
into writing a poem or inventing an app
69
166333
2909
w napisanie wiersza, wynalezienie aplikacji
02:49
or giving a TED Talk,
70
169242
1509
lub wystąpienie na TED.
02:50
and it's really the neocortex that's where
71
170751
3622
Wszystko odbywa się w korze nowej.
02:54
the action is.
72
174373
1968
50 lat temu napisałem artykuł
02:56
Fifty years ago, I wrote a paper
73
176341
1717
na temat mojego postrzegania pracy mózgu.
02:58
describing how I thought the brain worked,
74
178058
1918
02:59
and I described it as a series of modules.
75
179976
3199
Opisałem ją jako szereg modułów,
03:03
Each module could do things with a pattern.
76
183175
2128
każdy moduł działa według wzorców,
03:05
It could learn a pattern. It could remember a pattern.
77
185303
2746
może nauczyć się wzorca,
zapamiętać go i wdrożyć.
03:08
It could implement a pattern.
78
188049
1407
03:09
And these modules were organized in hierarchies,
79
189456
2679
Moduły są ułożone w hierarchii,
03:12
and we created that hierarchy with our own thinking.
80
192135
2954
którą tworzymy własnymi myślami.
03:15
And there was actually very little to go on
81
195089
3333
Niewiele się działo w tym temacie 50 lat temu.
03:18
50 years ago.
82
198422
1562
03:19
It led me to meet President Johnson.
83
199984
2115
W rezultacie spotkałem się z prezydentem Johnsonem.
03:22
I've been thinking about this for 50 years,
84
202099
2173
Myślałem o tym przez 50 lat
03:24
and a year and a half ago I came out with the book
85
204272
2828
i półtora roku temu opublikowałem książkę
"How to create a mind".
03:27
"How To Create A Mind,"
86
207100
1265
03:28
which has the same thesis,
87
208365
1613
Zawiera tę samą tezę,
03:29
but now there's a plethora of evidence.
88
209978
2812
lecz tym razem jest poparta masą dowodów.
03:32
The amount of data we're getting about the brain
89
212790
1814
Ilość danych naukowych dotyczących mózgu
03:34
from neuroscience is doubling every year.
90
214604
2203
dzięki neurologii podwaja się co roku.
03:36
Spatial resolution of brainscanning of all types
91
216807
2654
Rozdzielczość skanów mózgu
03:39
is doubling every year.
92
219461
2285
podwaja się co roku.
03:41
We can now see inside a living brain
93
221746
1717
Można teraz zajrzeć w żywy mózg
03:43
and see individual interneural connections
94
223463
2870
i zobaczyć poszczególne połączenia neuronów
03:46
connecting in real time, firing in real time.
95
226333
2703
i ich działanie w czasie rzeczywistym.
03:49
We can see your brain create your thoughts.
96
229036
2419
Można zobaczyć, jak mózg tworzy myśli
03:51
We can see your thoughts create your brain,
97
231455
1575
i jak myśli tworzą mózg,
03:53
which is really key to how it works.
98
233030
1999
co jest kluczem do jego działania.
03:55
So let me describe briefly how it works.
99
235029
2219
Wyjaśnię pokrótce jak to działa.
03:57
I've actually counted these modules.
100
237248
2275
Policzyłem te moduły,
03:59
We have about 300 million of them,
101
239523
2046
jest ich około 300 milionów
04:01
and we create them in these hierarchies.
102
241569
2229
i są ułożone hierarchicznie.
04:03
I'll give you a simple example.
103
243798
2082
Podam prosty przykład.
04:05
I've got a bunch of modules
104
245880
2805
Mam zestaw modułów,
04:08
that can recognize the crossbar to a capital A,
105
248685
3403
który umie rozpoznać poprzeczną linię dużej litery A,
04:12
and that's all they care about.
106
252088
1914
tylko tym się zajmują.
04:14
A beautiful song can play,
107
254002
1578
Może grać piosenka, przechodzić piękna dziewczyna,
04:15
a pretty girl could walk by,
108
255580
1434
04:17
they don't care, but they see a crossbar to a capital A,
109
257014
2846
nie zwrócą uwagi, ale gdy zobaczą linię poprzeczną litery A,
04:19
they get very excited and they say "crossbar,"
110
259860
3021
zareagują i stwierdzą: "linia poprzeczna"
04:22
and they put out a high probability
111
262881
2112
i wygenerują wysoki potencjał
04:24
on their output axon.
112
264993
1634
na aksonach wyjściowych.
04:26
That goes to the next level,
113
266627
1333
Prowadzi to na kolejny poziom,
04:27
and these layers are organized in conceptual levels.
114
267960
2750
gdzie warstwy ułożone są w poziomy pojęciowe.
04:30
Each is more abstract than the next one,
115
270710
1856
Każdy jest coraz bardziej abstrakcyjny,
04:32
so the next one might say "capital A."
116
272566
2418
więc kolejny może powie "duże A".
04:34
That goes up to a higher level that might say "Apple."
117
274984
2891
Jeszcze wyższy może powie "Apple".
04:37
Information flows down also.
118
277875
2167
Informacja idzie też w dół.
04:40
If the apple recognizer has seen A-P-P-L,
119
280042
2936
Jeśli struktura rozpoznająca widzi A-P-P-L,
04:42
it'll think to itself, "Hmm, I think an E is probably likely,"
120
282978
3219
może odgadnąć literę E,
04:46
and it'll send a signal down to all the E recognizers
121
286197
2564
i wysłać sygnał
04:48
saying, "Be on the lookout for an E,
122
288761
1619
do struktur na dole,
04:50
I think one might be coming."
123
290380
1556
aby wypatrywały litery E.
04:51
The E recognizers will lower their threshold
124
291936
2843
Obniżą one swój próg,
04:54
and they see some sloppy thing, could be an E.
125
294779
1945
aby łatwiej rozpoznać E.
04:56
Ordinarily you wouldn't think so,
126
296724
1490
Zwykle tak nie robią,
04:58
but we're expecting an E, it's good enough,
127
298214
2009
ale oczekują E,
05:00
and yeah, I've seen an E, and then apple says,
128
300223
1817
więc widzą E i tworzą "Apple".
05:02
"Yeah, I've seen an Apple."
129
302040
1728
05:03
Go up another five levels,
130
303768
1746
Idźmy wyżej o pięć poziomów
05:05
and you're now at a pretty high level
131
305514
1353
i będziemy dość wysoko w tej hierarchii,
05:06
of this hierarchy,
132
306867
1569
05:08
and stretch down into the different senses,
133
308436
2353
na poziomie obejmującym różne zmysły.
05:10
and you may have a module that sees a certain fabric,
134
310789
2655
Moduły mogą rozpoznawać określoną tkaninę,
05:13
hears a certain voice quality, smells a certain perfume,
135
313444
2844
słyszeć cechę głosu, czuć określone perfumy.
05:16
and will say, "My wife has entered the room."
136
316288
2513
Może powiedzą: "Moja żona weszła do pokoju".
05:18
Go up another 10 levels, and now you're at
137
318801
1895
Wznieśmy się o kolejne 10 poziomów i będziemy już bardzo wysoko,
05:20
a very high level.
138
320696
1160
05:21
You're probably in the frontal cortex,
139
321856
1937
możliwe że w korze czołowej,
05:23
and you'll have modules that say, "That was ironic.
140
323793
3767
gdzie są moduły mówiące: "To była ironia.
05:27
That's funny. She's pretty."
141
327560
2370
To zabawne. Ona jest ładna".
05:29
You might think that those are more sophisticated,
142
329930
2105
Mogą wydać się bardziej wyrafinowane,
05:32
but actually what's more complicated
143
332035
1506
ale bardziej złożona jest też hierarchia pod nimi.
05:33
is the hierarchy beneath them.
144
333541
2669
05:36
There was a 16-year-old girl, she had brain surgery,
145
336210
2620
Pewna 16-latka miała operację mózgu.
05:38
and she was conscious because the surgeons
146
338830
2051
Była przytomna, bo chirurdzy chcieli z nią rozmawiać.
05:40
wanted to talk to her.
147
340881
1537
05:42
You can do that because there's no pain receptors
148
342418
1822
To możliwe, bo w mózgu nie ma receptorów bólu.
05:44
in the brain.
149
344240
1038
05:45
And whenever they stimulated particular,
150
345278
1800
Za każdym razem, gdy pobudzali określone punkty jej kory nowej,
05:47
very small points on her neocortex,
151
347078
2463
05:49
shown here in red, she would laugh.
152
349541
2665
zaznaczone tu na czerwono, śmiała się.
05:52
So at first they thought they were triggering
153
352206
1440
Najpierw myśleli, że wyzwalają
05:53
some kind of laugh reflex,
154
353646
1720
jakiś odruch śmiechu,
05:55
but no, they quickly realized they had found
155
355366
2519
ale szybko zrozumieli, że odkryli
05:57
the points in her neocortex that detect humor,
156
357885
3044
punkty wykrywające humor.
06:00
and she just found everything hilarious
157
360929
1969
Gdy pobudzano ten obszar,
06:02
whenever they stimulated these points.
158
362898
2437
wszystko wydawało jej się prześmieszne.
06:05
"You guys are so funny just standing around,"
159
365335
1925
Jej typowy komentarz to:
06:07
was the typical comment,
160
367260
1738
"Ale jesteście śmieszni wszyscy wokoło".
06:08
and they weren't funny,
161
368998
2302
A oni nie byli śmieszni,
06:11
not while doing surgery.
162
371300
3247
nie podczas zabiegu.
06:14
So how are we doing today?
163
374547
4830
Jak wygląda to dzisiaj?
06:19
Well, computers are actually beginning to master
164
379377
3054
Komputery opanowują ludzki język
06:22
human language with techniques
165
382431
2001
dzięki metodom podobnym w działaniu do kory nowej.
06:24
that are similar to the neocortex.
166
384432
2867
06:27
I actually described the algorithm,
167
387299
1514
Opisałem algorytm podobny do tak zwanego
06:28
which is similar to something called
168
388813
2054
06:30
a hierarchical hidden Markov model,
169
390867
2233
hierarchicznego ukrytego modelu Markowa.
06:33
something I've worked on since the '90s.
170
393100
3241
Pracuję nad nim od lat 90.
06:36
"Jeopardy" is a very broad natural language game,
171
396341
3238
"Jeopardy!" to naturalna gra językowa
06:39
and Watson got a higher score
172
399579
1892
i Watson osiągnął wyższy wynik
06:41
than the best two players combined.
173
401471
2000
niż dwóch najlepszych graczy razem.
06:43
It got this query correct:
174
403471
2499
Poradził sobie z tym zadaniem:
06:45
"A long, tiresome speech
175
405970
2085
"Długa, nużąca przemowa
06:48
delivered by a frothy pie topping,"
176
408055
2152
wygłoszona przez piankową polewę ciasta"
06:50
and it quickly responded, "What is a meringue harangue?"
177
410207
2796
i odpowiedział: "Czym jest bezowa tyrada?"
06:53
And Jennings and the other guy didn't get that.
178
413003
2635
Jennings i ten drugi nie chwycili tego.
06:55
It's a pretty sophisticated example of
179
415638
1926
To wyszukany przykład tego,
06:57
computers actually understanding human language,
180
417564
1914
jak komputer rozumie ludzki język.
06:59
and it actually got its knowledge by reading
181
419478
1652
Cała jego wiedza pochodzi
07:01
Wikipedia and several other encyclopedias.
182
421130
3785
z czytania Wikipedii i innych encyklopedii.
07:04
Five to 10 years from now,
183
424915
2133
Za 5 lub 10 lat
07:07
search engines will actually be based on
184
427048
2184
wyszukiwarki nie będą oparte
07:09
not just looking for combinations of words and links
185
429232
2794
tylko na szukaniu kombinacji słów i linków,
07:12
but actually understanding,
186
432026
1914
lecz na czytaniu ze zrozumieniem
07:13
reading for understanding the billions of pages
187
433940
2411
miliardów stron w sieci i książkach.
07:16
on the web and in books.
188
436351
2733
07:19
So you'll be walking along, and Google will pop up
189
439084
2616
Będziesz na spacerze, Google poda ci wiadomość:
07:21
and say, "You know, Mary, you expressed concern
190
441700
3081
"Mary, martwiłaś się niedawno,
07:24
to me a month ago that your glutathione supplement
191
444781
3019
że twój suplement glutationu
07:27
wasn't getting past the blood-brain barrier.
192
447800
2231
nie pokonuje bariery krew-mózg.
07:30
Well, new research just came out 13 seconds ago
193
450031
2593
Nowe badania, które ukazały się 13 sekund temu
07:32
that shows a whole new approach to that
194
452624
1711
pokazują nowe sposoby przyswajania glutationu.
07:34
and a new way to take glutathione.
195
454335
1993
07:36
Let me summarize it for you."
196
456328
2562
"Pozwól, że ci to streszczę".
07:38
Twenty years from now, we'll have nanobots,
197
458890
3684
Za 20 lat będziemy mieć nanoboty,
07:42
because another exponential trend
198
462574
1627
bo kolejny trend
07:44
is the shrinking of technology.
199
464201
1615
to miniaturyzacja technologii.
07:45
They'll go into our brain
200
465816
2370
Wejdą do naszego mózgu
07:48
through the capillaries
201
468186
1703
przez naczynia włosowate
07:49
and basically connect our neocortex
202
469889
2477
i połączą nasz neokorteks
07:52
to a synthetic neocortex in the cloud
203
472366
3185
z syntetycznym neokorteksem w chmurze,
07:55
providing an extension of our neocortex.
204
475551
3591
powiększając nasz neokorteks.
07:59
Now today, I mean,
205
479142
1578
Dzisiaj mamy komputer w telefonie,
08:00
you have a computer in your phone,
206
480720
1530
08:02
but if you need 10,000 computers for a few seconds
207
482250
2754
ale jeśli potrzebujesz 10 000 komputerów tylko na chwilę
08:05
to do a complex search,
208
485004
1495
do złożonego wyszukiwania,
08:06
you can access that for a second or two in the cloud.
209
486499
3396
masz do nich dostęp w chmurze.
08:09
In the 2030s, if you need some extra neocortex,
210
489895
3095
Po 2030 jeśli będziesz potrzebać dodatkowy neokorteks,
08:12
you'll be able to connect to that in the cloud
211
492990
2273
możesz połączyć się z nim wprost ze swojego mózgu.
08:15
directly from your brain.
212
495263
1648
08:16
So I'm walking along and I say,
213
496911
1543
Więc idę sobie i mówię:
08:18
"Oh, there's Chris Anderson.
214
498454
1363
"To Chris Anderson.
08:19
He's coming my way.
215
499817
1525
Idzie w moją stronę.
08:21
I'd better think of something clever to say.
216
501342
2335
Co by tu bystrego powiedzieć?".
08:23
I've got three seconds.
217
503677
1524
Mam trzy sekundy.
08:25
My 300 million modules in my neocortex
218
505201
3097
300 milionów modułów w moim neokorteksie nic nie wymyśli.
08:28
isn't going to cut it.
219
508298
1240
08:29
I need a billion more."
220
509538
1246
Potrzebuję miliard więcej.
08:30
I'll be able to access that in the cloud.
221
510784
3323
Połączę się z chmurą.
08:34
And our thinking, then, will be a hybrid
222
514107
2812
Nasze myśli będą hybrydą
08:36
of biological and non-biological thinking,
223
516919
3522
biologicznego i niebiologicznego myślenia.
08:40
but the non-biological portion
224
520441
1898
Część niebiologiczna,
08:42
is subject to my law of accelerating returns.
225
522339
2682
zgodnie z moim prawem przyspieszonych zwrotów,
08:45
It will grow exponentially.
226
525021
2239
będzie rosła wykładniczo.
08:47
And remember what happens
227
527260
2016
Co się stało, kiedy ostatnio nasz neokorteks powiększył się?
08:49
the last time we expanded our neocortex?
228
529276
2645
08:51
That was two million years ago
229
531921
1426
To było 2 miliony lat temu, wtedy staliśmy się humanoidami
08:53
when we became humanoids
230
533347
1236
08:54
and developed these large foreheads.
231
534583
1594
i rozwinęliśmy duże czoła.
08:56
Other primates have a slanted brow.
232
536177
2583
Inne naczelne mają wydatne wały nadoczodołowe.
08:58
They don't have the frontal cortex.
233
538760
1745
Nie mają płata czołowego.
09:00
But the frontal cortex is not really qualitatively different.
234
540505
3685
Sam płat czołowy nie stanowi jakościowej różnicy.
09:04
It's a quantitative expansion of neocortex,
235
544190
2743
To poszerzenie kory nowej.
09:06
but that additional quantity of thinking
236
546933
2703
Za to ta dodatkowa ilość myślenia
09:09
was the enabling factor for us to take
237
549636
1779
pozwoliła nam na skok jakościowy i powstanie języka,
09:11
a qualitative leap and invent language
238
551415
3346
09:14
and art and science and technology
239
554761
1967
sztuki, nauki, technologii
09:16
and TED conferences.
240
556728
1454
i konferencji TED.
09:18
No other species has done that.
241
558182
2131
Żaden inny gatunek tego nie osiągnął.
09:20
And so, over the next few decades,
242
560313
2075
W ciągu kolejnych dziesięcioleci
09:22
we're going to do it again.
243
562388
1760
znów to zrobimy.
Znowu powiększymy korę nową,
09:24
We're going to again expand our neocortex,
244
564148
2274
09:26
only this time we won't be limited
245
566422
1756
ale tym razem nie będziemy ograniczeni
09:28
by a fixed architecture of enclosure.
246
568178
4280
przestrzenią fizyczną.
09:32
It'll be expanded without limit.
247
572458
3304
Poszerzymy ją bezgranicznie.
09:35
That additional quantity will again
248
575762
2243
Dodatkowa ilość pozwoli
09:38
be the enabling factor for another qualitative leap
249
578005
3005
na jakościowy skok
w rozwoju kultury i technologii.
09:41
in culture and technology.
250
581010
1635
09:42
Thank you very much.
251
582645
2054
Dziękuję bardzo.
09:44
(Applause)
252
584699
3086
(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