TEDxPortland
Maurice Conti: The incredible inventions of intuitive AI
Μόρις Κόντι: Οι απίστευτες εφευρέσεις της διαισθητικής τεχνητής νοημοσύνης
Filmed:
Readability: 4.6
6,173,221 views
Τι παίρνει κανείς όταν δίνει ένα ψηφιακό νευρικό σύστημα σε ένα σχεδιαστικό εργαλείο; Οι υπολογιστές μπορούν να βελτιώσουν την ικανότητά μας να σκεφτόμαστε και να φανταζόμαστε, ενώ τα ρομποτικά συστήματα μπορούν να συλλάβουν (και να κατασκευάσουν) ρηξικέλευθα καινούρια σχέδια για γέφυρες, αυτοκίνητα, ντρόουνς και πολλά περισσότερα, και μάλιστα εντελώς αυτόνομα. Ρίξτε μια ματιά στην Επαυξημένη Εποχή με τον φουτουριστή Μόρις Κόντι, μια ματιά σε ένα μέλλον όπου τα ρομπότ και οι άνθρωποι θα εργάζονται πλάι πλάι για να καταφέρουν πράγματα που κανείς τους δεν θα μπορούσε μόνος του.
Maurice Conti - Designer, futurist
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Double-click the English transcript below to play the video.
00:12
How many of you are creatives,
0
735
2289
Πόσοι από εσάς είστε δημιουργοί,
σχεδιαστές, μηχανικοί,
επιχειρηματίες, καλλιτέχνες,
επιχειρηματίες, καλλιτέχνες,
00:15
designers, engineers,
entrepreneurs, artists,
entrepreneurs, artists,
1
3048
3624
ή έχετε απλώς πολύ μεγάλη φαντασία;
00:18
or maybe you just have
a really big imagination?
a really big imagination?
2
6696
2387
Σηκώστε τα χέρια! (Επευφημίες)
00:21
Show of hands? (Cheers)
3
9107
1848
Οι περισσότεροι από σας.
00:22
That's most of you.
4
10979
1181
00:25
I have some news for us creatives.
5
13334
2294
Έχω νέα για εμάς τους δημιουργούς.
00:28
Over the course of the next 20 years,
6
16714
2573
Μέσα στα επόμενα 20 χρόνια
00:33
more will change around
the way we do our work
the way we do our work
7
21471
2973
ο τρόπος με τον οποίο δουλεύουμε
θα αλλάξει πολύ περισσότερο
θα αλλάξει πολύ περισσότερο
00:37
than has happened in the last 2,000.
8
25382
2157
απ' ό,τι άλλαξε
μέσα στα τελευταία 2.000 χρόνια.
μέσα στα τελευταία 2.000 χρόνια.
00:40
In fact, I think we're at the dawn
of a new age in human history.
of a new age in human history.
9
28511
4628
Πράγματι, νομίζω ότι ανατέλλει
μια νέα εποχή της ανθρώπινης ιστορίας.
μια νέα εποχή της ανθρώπινης ιστορίας.
00:45
Now, there have been four major historical
eras defined by the way we work.
eras defined by the way we work.
10
33645
4761
Ο τρόπος που δουλεύουμε ορίζεται
σε τέσσερις περιόδους.
σε τέσσερις περιόδους.
00:51
The Hunter-Gatherer Age
lasted several million years.
lasted several million years.
11
39404
3275
Η εποχή του Κυνηγού-Τροφοσυλλέκτη
διήρκεσε αρκετά εκατομμύρια χρόνια.
διήρκεσε αρκετά εκατομμύρια χρόνια.
00:55
And then the Agricultural Age
lasted several thousand years.
lasted several thousand years.
12
43163
3576
Και μετά η εποχή της Γεωργοκαλλιέργειας
διήρκεσε αρκετές χιλιάδες χρόνια.
διήρκεσε αρκετές χιλιάδες χρόνια.
00:59
The Industrial Age lasted
a couple of centuries.
a couple of centuries.
13
47195
3490
Η Βιομηχανική εποχή διήρκεσε
κάνα δυο αιώνες.
κάνα δυο αιώνες.
Τώρα πλέον, η εποχή της Πληροφορίας
έχει διάρκεια μόλις μερικών δεκαετιών.
έχει διάρκεια μόλις μερικών δεκαετιών.
01:02
And now the Information Age
has lasted just a few decades.
has lasted just a few decades.
14
50709
4287
Σήμερα, βρισκόμαστε στο μεταίχμιο
της επομένης εποχής μας ως είδος.
της επομένης εποχής μας ως είδος.
01:07
And now today, we're on the cusp
of our next great era as a species.
of our next great era as a species.
15
55020
5220
01:13
Welcome to the Augmented Age.
16
61296
2680
Καλωσορίσατε στην Επαυξημένη Εποχή.
Σε αυτή τη νέα εποχή, οι φυσικές σας
ανθρώπινες δεξιότητες θα ενισχυθούν
ανθρώπινες δεξιότητες θα ενισχυθούν
01:16
In this new era, your natural human
capabilities are going to be augmented
capabilities are going to be augmented
17
64000
3693
μέσω υπολογιστικών συστημάτων
που θα σας βοηθούν να σκέφτεστε,
που θα σας βοηθούν να σκέφτεστε,
01:19
by computational systems
that help you think,
that help you think,
18
67717
3068
ρομποτικά συστήματα
θα σας επιτρέπουν να κατασκευάζετε,
θα σας επιτρέπουν να κατασκευάζετε,
01:22
robotic systems that help you make,
19
70809
2186
01:25
and a digital nervous system
20
73019
1648
και ένα ψηφιακό νευρικό σύστημα
01:26
that connects you to the world
far beyond your natural senses.
far beyond your natural senses.
21
74691
3690
θα σας συνδέει με τον κόσμο
πολύ πέρα από τις φυσικές σας αισθήσεις.
πολύ πέρα από τις φυσικές σας αισθήσεις.
Ας ξεκινήσουμε με τη γνωστική ενίσχυση.
01:31
Let's start with cognitive augmentation.
22
79437
1942
Πόσοι από εσάς είστε επαυξημένα σάιμποργκ;
01:33
How many of you are augmented cyborgs?
23
81403
2200
01:36
(Laughter)
24
84133
2650
(Γέλια)
Θα έλεγα ότι στην πραγματικότητα
ήδη είμαστε επαυξημένοι.
ήδη είμαστε επαυξημένοι.
01:38
I would actually argue
that we're already augmented.
that we're already augmented.
25
86807
2821
Φανταστείτε ότι είστε σε ένα πάρτι
01:42
Imagine you're at a party,
26
90288
1504
και κάποιος σας κάνει μια ερώτηση
που δεν ξέρετε να απαντήσετε.
που δεν ξέρετε να απαντήσετε.
01:43
and somebody asks you a question
that you don't know the answer to.
that you don't know the answer to.
27
91816
3520
Αν έχετε ένα από αυτά, σε μερικά δεύτερα
θα γνωρίζετε την απάντηση.
θα γνωρίζετε την απάντηση.
01:47
If you have one of these,
in a few seconds, you can know the answer.
in a few seconds, you can know the answer.
28
95360
3760
01:51
But this is just a primitive beginning.
29
99869
2299
Αυτό είναι μόνο η αρχή.
01:54
Even Siri is just a passive tool.
30
102863
3331
Ακόμη και η Σίρι είναι απλώς
ένα παθητικό εργαλείο.
ένα παθητικό εργαλείο.
01:58
In fact, for the last
three-and-a-half million years,
three-and-a-half million years,
31
106660
3381
Στην πραγματικότητα, τα τελευταία
τρεισήμισι εκατομμύρια χρόνια
τρεισήμισι εκατομμύρια χρόνια
τα εργαλεία που είχαμε
ήταν εντελώς παθητικά.
ήταν εντελώς παθητικά.
02:02
the tools that we've had
have been completely passive.
have been completely passive.
32
110065
3109
02:06
They do exactly what we tell them
and nothing more.
and nothing more.
33
114203
3655
Κάνουν ακριβώς ό,τι τους λέμε
και τίποτα παραπάνω.
και τίποτα παραπάνω.
02:09
Our very first tool only cut
where we struck it.
where we struck it.
34
117882
3101
Το πρώτο πρώτο μας εργαλείο
απλώς έκοβε εκεί που το χτυπούσαμε.
απλώς έκοβε εκεί που το χτυπούσαμε.
02:13
The chisel only carves
where the artist points it.
where the artist points it.
35
121822
3040
Η σμίλη σμιλεύει
εκεί που την οδηγεί ο καλλιτέχνης.
εκεί που την οδηγεί ο καλλιτέχνης.
Ακόμη και τα πιο εξελιγμένα μας εργαλεία
02:17
And even our most advanced tools
do nothing without our explicit direction.
do nothing without our explicit direction.
36
125343
5641
δεν κάνουν τίποτα
χωρίς τις ακριβείς μας οδηγίες.
χωρίς τις ακριβείς μας οδηγίες.
Στην πραγματικότητα, ως σήμερα,
και αυτό είναι κάτι που με απελπίζει,
και αυτό είναι κάτι που με απελπίζει,
02:23
In fact, to date, and this
is something that frustrates me,
is something that frustrates me,
37
131008
3181
ήμασταν πάντα περιορισμένοι
02:26
we've always been limited
38
134213
1448
από αυτή την ανάγκη να επιβάλουμε
τη θέλησή μας στα εργαλεία μας
τη θέλησή μας στα εργαλεία μας
02:27
by this need to manually
push our wills into our tools --
push our wills into our tools --
39
135685
3501
χειρωνακτικά, κυριολεκτικά
με τα ίδια μας τα χέρια,
με τα ίδια μας τα χέρια,
02:31
like, manual,
literally using our hands,
literally using our hands,
40
139210
2297
ακόμη και με τους υπολογιστές.
02:33
even with computers.
41
141531
1428
02:36
But I'm more like Scotty in "Star Trek."
42
144072
2463
Εγώ είμαι όμως πιο πολύ
σαν τον Σκότι στο Σταρ Τρεκ.
σαν τον Σκότι στο Σταρ Τρεκ.
(Γέλια)
02:38
(Laughter)
43
146559
1850
02:40
I want to have a conversation
with a computer.
with a computer.
44
148433
2146
Θέλω να μπορώ να συζητάω
με έναν υπολογιστή.
με έναν υπολογιστή.
Να λέω: «Υπολογιστή,
ας σχεδιάσουμε ένα αυτοκίνητο»,
ας σχεδιάσουμε ένα αυτοκίνητο»,
02:42
I want to say, "Computer,
let's design a car,"
let's design a car,"
45
150603
2970
και ο υπολογιστής να μου το δείχνει.
02:45
and the computer shows me a car.
46
153597
1539
02:47
And I say, "No, more fast-looking,
and less German,"
and less German,"
47
155160
2608
Να λέω: «Όχι, να είναι πιο γρήγορο
και λιγότερο γερμανικό»
και λιγότερο γερμανικό»
02:49
and bang, the computer shows me an option.
48
157792
2163
και μπαμ, να μου δείχνει ένα τέτοιο.
02:51
(Laughter)
49
159979
1865
(Γέλια)
02:54
That conversation might be
a little ways off,
a little ways off,
50
162208
2306
Η συζήτηση μπορεί να είναι
λίγο παρατραβηγμένη,
λίγο παρατραβηγμένη,
πιθανόν λιγότερο απ' όσο πολλοί
από εμάς νομίζουμε,
από εμάς νομίζουμε,
02:56
probably less than many of us think,
51
164538
2665
αυτή τη στιγμή όμως
δουλεύουμε πάνω σ' αυτό.
δουλεύουμε πάνω σ' αυτό.
02:59
but right now,
52
167227
1763
03:01
we're working on it.
53
169014
1151
Τα εργαλεία μας θα κάνουν αυτό το άλμα
και από παθητικά θα γίνουν δημιουργικά.
και από παθητικά θα γίνουν δημιουργικά.
03:02
Tools are making this leap
from being passive to being generative.
from being passive to being generative.
54
170189
4033
03:06
Generative design tools
use a computer and algorithms
use a computer and algorithms
55
174831
3308
Τα δημιουργικά σχεδιαστικά εργαλεία,
με έναν υπολογιστή και αλγορίθμους
συνθέτουν γεωμετρία,
συνθέτουν γεωμετρία,
03:10
to synthesize geometry
56
178163
2608
και εφευρίσκουν νέα σχέδια
εντελώς από μόνα τους.
εντελώς από μόνα τους.
03:12
to come up with new designs
all by themselves.
all by themselves.
57
180795
2754
Το μόνο που μένει είναι να θέσετε
στόχους και περιορισμούς.
στόχους και περιορισμούς.
03:15
All it needs are your goals
and your constraints.
and your constraints.
58
183996
2748
03:18
I'll give you an example.
59
186768
1408
Θα σας δώσω ένα παράδειγμα.
03:20
In the case of this aerial drone chassis,
60
188200
2788
Για τον σκελετό αυτού
του ιπτάμενου τηλεκατευθυνόμενου
του ιπτάμενου τηλεκατευθυνόμενου
το μόνο που χρειάζεται είναι
να του πείτε κάτι όπως:
να του πείτε κάτι όπως:
03:23
all you would need to do
is tell it something like,
is tell it something like,
61
191012
2626
θέλω να έχει τέσσερις προπέλες,
να είναι όσο πιο ελαφρύ γίνεται
να είναι όσο πιο ελαφρύ γίνεται
03:25
it has four propellers,
62
193662
1273
03:26
you want it to be
as lightweight as possible,
as lightweight as possible,
63
194959
2131
και να είναι αεροδυναμικό.
03:29
and you need it to be
aerodynamically efficient.
aerodynamically efficient.
64
197114
2270
03:31
Then what the computer does
is it explores the entire solution space:
is it explores the entire solution space:
65
199408
4914
Στη συνέχεια ο υπολογιστής μελετά
όλο το φάσμα των πιθανών λύσεων:
όλο το φάσμα των πιθανών λύσεων:
όλες τις πιθανές παραλλαγές που επιλύουν
και ανταποκρίνονται στα κριτήρια,
και ανταποκρίνονται στα κριτήρια,
03:36
every single possibility that solves
and meets your criteria --
and meets your criteria --
66
204346
3927
δηλαδή εκατομμύρια επιλογές.
03:40
millions of them.
67
208297
1442
Χρειάζονται μεγάλοι υπολογιστές γι' αυτό.
03:41
It takes big computers to do this.
68
209763
1975
03:43
But it comes back to us with designs
69
211762
1955
Αλλά μας βγάζει σχέδια
03:45
that we, by ourselves,
never could've imagined.
never could've imagined.
70
213741
3143
που εμείς από μόνοι μας
ποτέ δεν θα είχαμε φανταστεί.
ποτέ δεν θα είχαμε φανταστεί.
Και ο υπολογιστής τα σκέφτεται
όλα αυτά από μόνος του,
όλα αυτά από μόνος του,
03:49
And the computer's coming up
with this stuff all by itself --
with this stuff all by itself --
71
217326
2912
κανένας δεν σχεδίασε τίποτα
και ξεκίνησε εντελώς από το μηδέν.
και ξεκίνησε εντελώς από το μηδέν.
03:52
no one ever drew anything,
72
220262
1678
03:53
and it started completely from scratch.
73
221964
2086
03:57
And by the way, it's no accident
74
225038
2387
Παρεμπιπτόντως, δεν είναι τυχαίο
ότι το σώμα του τηλεκατευθυνόμενου μοιάζει
με την πύελο ενός ιπτάμενου σκίουρου.
με την πύελο ενός ιπτάμενου σκίουρου.
03:59
that the drone body looks just like
the pelvis of a flying squirrel.
the pelvis of a flying squirrel.
75
227449
3481
04:03
(Laughter)
76
231287
2007
(Γέλια)
Είναι γιατί οι αλγόριθμοι σχεδιάστηκαν
για να λειτουργούν όπως η εξέλιξη.
για να λειτουργούν όπως η εξέλιξη.
04:06
It's because the algorithms
are designed to work
are designed to work
77
234040
2302
04:08
the same way evolution does.
78
236366
1637
04:10
What's exciting is we're starting
to see this technology
to see this technology
79
238715
2660
Το συναρπαστικό είναι
ότι αυτή η τεχνολογία υπάρχει,
ότι αυτή η τεχνολογία υπάρχει,
εκεί έξω στον πραγματικό κόσμο.
04:13
out in the real world.
80
241399
1159
04:14
We've been working with Airbus
for a couple of years
for a couple of years
81
242582
2452
Συνεργαζόμαστε με την Airbus
εδώ και λίγα χρόνια
εδώ και λίγα χρόνια
πάνω σε μια ιδέα
για ένα αεροπλάνο του μέλλοντος.
για ένα αεροπλάνο του μέλλοντος.
04:17
on this concept plane for the future.
82
245058
1909
04:18
It's a ways out still.
83
246991
2070
Έχουμε πολύ δρόμο ακόμα.
04:21
But just recently we used
a generative-design AI
a generative-design AI
84
249085
3780
Πρόσφατα όμως χρησιμοποιήσαμε
μια δημιουργική τεχνητή νοημοσύνη
μια δημιουργική τεχνητή νοημοσύνη
που σκέφτηκε αυτό.
04:24
to come up with this.
85
252889
1807
Αυτό είναι ένα διαχωριστικό καμπίνας
από τρισδιάστατο εκτυπωτή
από τρισδιάστατο εκτυπωτή
04:27
This is a 3D-printed cabin partition
that's been designed by a computer.
that's been designed by a computer.
86
255609
5153
το οποίο σχεδιάστηκε από έναν υπολογιστή.
04:32
It's stronger than the original
yet half the weight,
yet half the weight,
87
260786
2824
Είναι ανθεκτικότερο από το πρωτότυπο
αλλά με το μισό βάρος
αλλά με το μισό βάρος
και θα πετάει με το Airbus A320
αργότερα εντός του έτους.
αργότερα εντός του έτους.
04:35
and it will be flying
in the Airbus A320 later this year.
in the Airbus A320 later this year.
88
263634
3146
Οι υπολογιστές μπορούν πια να δημιουργούν,
04:39
So computers can now generate;
89
267405
1559
04:40
they can come up with their own solutions
to our well-defined problems.
to our well-defined problems.
90
268988
4595
να βρίσκουν τις δικές τους λύσεις
σε δικά μας σαφώς καθορισμένα προβλήματα.
σε δικά μας σαφώς καθορισμένα προβλήματα.
Αλλά δεν έχουν διαίσθηση.
04:46
But they're not intuitive.
91
274677
1310
04:48
They still have to start from scratch
every single time,
every single time,
92
276011
3086
Ακόμη πρέπει να αρχίζουν
κάθε φορά από το μηδέν,
κάθε φορά από το μηδέν,
επειδή ποτέ δεν μαθαίνουν.
04:51
and that's because they never learn.
93
279121
2565
04:54
Unlike Maggie.
94
282368
1766
Σε αντίθεση με τη Μάγκι.
(Γέλια)
04:56
(Laughter)
95
284158
1581
Η Μάγκι είναι πράγματι πιο έξυπνη από
τα πιο προχωρημένα σχεδιαστικά εργαλεία.
τα πιο προχωρημένα σχεδιαστικά εργαλεία.
04:57
Maggie's actually smarter
than our most advanced design tools.
than our most advanced design tools.
96
285763
3297
05:01
What do I mean by that?
97
289467
1440
Τι εννοώ με αυτό;
Αν ο ιδιοκτήτης πιάσει αυτό το λουρί,
05:02
If her owner picks up that leash,
98
290931
1590
05:04
Maggie knows with a fair
degree of certainty
degree of certainty
99
292545
2068
η Μάγκι ξέρει, με αρκετά μεγάλη
βεβαιότητα, ότι είναι ώρα για βόλτα.
βεβαιότητα, ότι είναι ώρα για βόλτα.
05:06
it's time to go for a walk.
100
294637
1404
Πώς το έμαθε αυτό;
05:08
And how did she learn?
101
296065
1185
Λοιπόν, κάθε φορά που ο ιδιοκτήτης
έπαιρνε το λουρί, πήγαιναν βόλτα.
έπαιρνε το λουρί, πήγαιναν βόλτα.
05:09
Well, every time the owner picked up
the leash, they went for a walk.
the leash, they went for a walk.
102
297274
3324
Η Μάγκι έκανε τρια πράγματα:
05:12
And Maggie did three things:
103
300622
1878
έδινε προσοχή, θυμόταν τι είχε γίνει
την προηγούμενη φορά,
την προηγούμενη φορά,
05:14
she had to pay attention,
104
302524
1869
05:16
she had to remember what happened
105
304417
2082
και δημιουργούσε και κράταγε
τη φόρμουλα στο μυαλό της.
τη φόρμουλα στο μυαλό της.
05:18
and she had to retain and create
a pattern in her mind.
a pattern in her mind.
106
306523
4017
05:23
Interestingly, that's exactly what
107
311429
2095
Το ενδιαφέρον είναι πως σε αυτό ακριβώς
προσπαθούν οι επιστήμονες
προσπαθούν οι επιστήμονες
05:25
computer scientists
have been trying to get AIs to do
have been trying to get AIs to do
108
313548
2523
να εκπαιδεύσουν την τεχνητή νοημοσύνη
για τα τελευταία 60 χρόνια.
για τα τελευταία 60 χρόνια.
05:28
for the last 60 or so years.
109
316095
1859
05:30
Back in 1952,
110
318683
1349
Το 1952 έφτιαξαν έναν υπολογιστή
που μπορούσε να παίζει τρίλιζα.
που μπορούσε να παίζει τρίλιζα.
05:32
they built this computer
that could play Tic-Tac-Toe.
that could play Tic-Tac-Toe.
111
320056
3801
05:37
Big deal.
112
325081
1160
Σιγά το πράγμα.
05:39
Then 45 years later, in 1997,
113
327029
3000
Έπειτα, 45 χρόνια αργότερα, το 1997,
ο Deep Blue νίκησε τον Κασπάροφ στο σκάκι.
05:42
Deep Blue beats Kasparov at chess.
114
330053
2472
05:46
2011, Watson beats these two
humans at Jeopardy,
humans at Jeopardy,
115
334046
4968
Το 2011 ο Γουάτσον κέρδισε δύο ανθρώπους
στο παιχνίδι ερωτήσεων Jeopardy,
στο παιχνίδι ερωτήσεων Jeopardy,
που είναι πολύ πιο δύσκολο από το σκάκι
για έναν υπολογιστή.
για έναν υπολογιστή.
05:51
which is much harder for a computer
to play than chess is.
to play than chess is.
116
339038
2928
Και αυτό γιατί, αντί να δουλεύει
με προκαθορισμένες απαντήσεις,
με προκαθορισμένες απαντήσεις,
05:53
In fact, rather than working
from predefined recipes,
from predefined recipes,
117
341990
3812
ο Γουάτσον έπρεπε να νικήσει με τη λογική
τους ανθρώπους αντιπάλους του.
τους ανθρώπους αντιπάλους του.
05:57
Watson had to use reasoning
to overcome his human opponents.
to overcome his human opponents.
118
345826
3323
06:02
And then a couple of weeks ago,
119
350393
2439
Λίγες εβδομάδες πριν,
ο AlphaGo της DeepMind
ο AlphaGo της DeepMind
06:04
DeepMind's AlphaGo beats
the world's best human at Go,
the world's best human at Go,
120
352856
4262
νίκησε τον καλύτερο παίκτη
στο παιχνίδι Go,
στο παιχνίδι Go,
το πιο δύσκολο παιχνίδι που υπάρχει.
06:09
which is the most difficult
game that we have.
game that we have.
121
357142
2212
Στο Go υπάρχουν περισσότερες
πιθανές κινήσεις
πιθανές κινήσεις
06:11
In fact, in Go, there are more
possible moves
possible moves
122
359378
2896
απ' ό,τι άτομα στο σύμπαν.
06:14
than there are atoms in the universe.
123
362298
2024
06:18
So in order to win,
124
366210
1826
Προκειμένου λοιπόν να νικήσει,
ο AlphaGo έπρεπε να αναπτύξει διαίσθηση.
06:20
what AlphaGo had to do
was develop intuition.
was develop intuition.
125
368060
2618
06:23
And in fact, at some points,
AlphaGo's programmers didn't understand
AlphaGo's programmers didn't understand
126
371098
4110
Και μάλιστα, σε κάποια σημεία,
οι προγραμματιστές του AlphaGo
οι προγραμματιστές του AlphaGo
δεν καταλάβαιναν καν γιατί ο AlphaGo
έκανε αυτό που έκανε.
έκανε αυτό που έκανε.
06:27
why AlphaGo was doing what it was doing.
127
375232
2286
Άρα όλα εξελίσσονται πολύ γρήγορα.
06:31
And things are moving really fast.
128
379451
1660
Σκεφτείτε ότι, στη διάρκεια
της ζωής ενός ανθρώπου,
της ζωής ενός ανθρώπου,
06:33
I mean, consider --
in the space of a human lifetime,
in the space of a human lifetime,
129
381135
3227
οι υπολογιστές εξελίχθηκαν
από παιδικό παιχνίδι
από παιδικό παιχνίδι
06:36
computers have gone from a child's game
130
384386
2233
σε αυτό που αναγνωρίζεται ως
το αποκορύφωμα της στρατηγικής σκέψης.
το αποκορύφωμα της στρατηγικής σκέψης.
06:39
to what's recognized as the pinnacle
of strategic thought.
of strategic thought.
131
387920
3048
06:43
What's basically happening
132
391999
2417
Αυτό που ουσιαστικά συμβαίνει
είναι ότι οι υπολογιστές
εξελίσσονται από Σποκ...
εξελίσσονται από Σποκ...
06:46
is computers are going
from being like Spock
from being like Spock
133
394440
3310
06:49
to being a lot more like Kirk.
134
397774
1949
σε Κάπτεν Κερκ.
06:51
(Laughter)
135
399747
3618
(Γέλια)
06:55
Right? From pure logic to intuition.
136
403389
3424
Έτσι; Από την καθαρή λογική στη διαίσθηση.
07:00
Would you cross this bridge?
137
408184
1743
Θα περνούσατε αυτή τη γέφυρα;
Οι περισσότεροι από σας
θα λέγατε: «Όχι βέβαια!»
θα λέγατε: «Όχι βέβαια!»
07:02
Most of you are saying, "Oh, hell no!"
138
410609
2323
(Γέλια)
07:04
(Laughter)
139
412956
1308
Χρειάστηκε ένα δευτερόλεπτο
για να πάρετε αυτή την απόφαση.
για να πάρετε αυτή την απόφαση.
07:06
And you arrived at that decision
in a split second.
in a split second.
140
414288
2657
Κατά κάποιο τρόπο ήδη ξέρατε
ότι η γέφυρα δεν ήταν ασφαλής.
ότι η γέφυρα δεν ήταν ασφαλής.
07:08
You just sort of knew
that bridge was unsafe.
that bridge was unsafe.
141
416969
2428
07:11
And that's exactly the kind of intuition
142
419421
1989
Αυτό ακριβώς το είδος της διαίσθησης
07:13
that our deep-learning systems
are starting to develop right now.
are starting to develop right now.
143
421434
3568
αναπτύσσουν αυτή τη στιγμή
τα συστήματά μας που μαθαίνουν.
τα συστήματά μας που μαθαίνουν.
Πολύ σύντομα θα μπορείτε
07:17
Very soon, you'll literally be able
144
425722
1707
να δείξετε σε έναν υπολογιστή
κάτι που φτιάξατε, που σχεδιάσατε,
κάτι που φτιάξατε, που σχεδιάσατε,
07:19
to show something you've made,
you've designed,
you've designed,
145
427453
2206
07:21
to a computer,
146
429683
1153
κι αυτός θα το κοιτάει και θα σας λέει:
07:22
and it will look at it and say,
147
430860
1489
«Λυπάμαι μάγκα, δεν θα λειτουργήσει,
πρέπει να προσπαθήσεις ξανά».
πρέπει να προσπαθήσεις ξανά».
07:24
"Sorry, homie, that'll never work.
You have to try again."
You have to try again."
148
432373
2823
Θα μπορείτε να ρωτήσετε αν θα αρέσει
στον κόσμο το νέο σας τραγούδι,
στον κόσμο το νέο σας τραγούδι,
07:27
Or you could ask it if people
are going to like your next song,
are going to like your next song,
149
435854
3070
07:31
or your next flavor of ice cream.
150
439773
2063
ή η καινούρια γεύση παγωτού που φτιάξατε.
07:35
Or, much more importantly,
151
443549
2579
Ακόμη πιο σημαντικό, θα μπορούσατε
να συνεργαστείτε με έναν υπολογιστή,
να συνεργαστείτε με έναν υπολογιστή,
07:38
you could work with a computer
to solve a problem
to solve a problem
152
446152
2364
για να επιλύσετε ένα εντελώς
καινούριο πρόβλημα.
καινούριο πρόβλημα.
07:40
that we've never faced before.
153
448540
1637
Για παράδειγμα, η κλιματική αλλαγή:
δεν τα καταφέρνουμε μόνοι μας,
δεν τα καταφέρνουμε μόνοι μας,
07:42
For instance, climate change.
154
450201
1401
07:43
We're not doing a very
good job on our own,
good job on our own,
155
451626
2020
όσο περισσότερη βοήθεια έχουμε,
τόσο το καλύτερο για μας.
τόσο το καλύτερο για μας.
07:45
we could certainly use
all the help we can get.
all the help we can get.
156
453670
2245
Γι' αυτό ακριβώς μιλάω,
07:47
That's what I'm talking about,
157
455939
1458
πώς η τεχνολογία ενισχύει
τις γνωστικές μας ικανότητες
τις γνωστικές μας ικανότητες
07:49
technology amplifying
our cognitive abilities
our cognitive abilities
158
457421
2555
ώστε να μπορούμε να φανταστούμε και
να σχεδιάσουμε πράγματα απλησίαστα ως τώρα
να σχεδιάσουμε πράγματα απλησίαστα ως τώρα
07:52
so we can imagine and design things
that were simply out of our reach
that were simply out of our reach
159
460000
3552
07:55
as plain old un-augmented humans.
160
463576
2559
σαν απλοί μη-επαυξημένοι άνθρωποι.
Γιατί να μη φτιάξουμε λοιπόν
όλα αυτά τα τρελά καινούρια πράγματα
όλα αυτά τα τρελά καινούρια πράγματα
07:59
So what about making
all of this crazy new stuff
all of this crazy new stuff
161
467984
2941
που πρόκειται να εφεύρουμε
και να σχεδιάσουμε;
και να σχεδιάσουμε;
08:02
that we're going to invent and design?
162
470949
2441
08:05
I think the era of human augmentation
is as much about the physical world
is as much about the physical world
163
473952
4093
Η εποχή της επαύξησης του ανθρώπου
τόσο για τον πραγματικό κόσμο
τόσο για τον πραγματικό κόσμο
όσο και για τον εικονικό
ανήκει στη σφαίρα της διανόησης.
ανήκει στη σφαίρα της διανόησης.
08:10
as it is about the virtual,
intellectual realm.
intellectual realm.
164
478069
3065
08:13
How will technology augment us?
165
481833
1921
Πώς θα μας επαυξήσει η τεχνολογία;
08:16
In the physical world, robotic systems.
166
484261
2473
Στον πραγματικό κόσμο,
ρομποτικά συστήματα.
ρομποτικά συστήματα.
08:19
OK, there's certainly a fear
167
487620
1736
Εντάξει, σίγουρα υπάρχει ένας φόβος
ότι τα ρομπότ θα πάρουν
τις δουλειές των ανθρώπων
τις δουλειές των ανθρώπων
08:21
that robots are going to take
jobs away from humans,
jobs away from humans,
168
489380
2488
και αυτό είναι αλήθεια
για ορισμένους τομείς.
για ορισμένους τομείς.
08:23
and that is true in certain sectors.
169
491892
1830
Εμένα όμως μου αρέσει
πολύ περισσότερο η ιδέα
πολύ περισσότερο η ιδέα
08:26
But I'm much more interested in this idea
170
494174
2878
08:29
that humans and robots working together
are going to augment each other,
are going to augment each other,
171
497076
5010
ότι άνθρωποι και ρομπότ σε συνεργασία
θα επαυξήσουν ο ένας τον άλλον
θα επαυξήσουν ο ένας τον άλλον
και θα βρεθούν σε ένα νέο πεδίο.
08:34
and start to inhabit a new space.
172
502110
2058
Αυτό είναι το εργαστήρι εφαρμοσμένης
έρευνας στο Σαν Φρανσίσκο.
έρευνας στο Σαν Φρανσίσκο.
08:36
This is our applied research lab
in San Francisco,
in San Francisco,
173
504192
2362
08:38
where one of our areas of focus
is advanced robotics,
is advanced robotics,
174
506578
3142
Ένα από τα πεδία της έρευνάς μας
είναι η εξελιγμένη ρομποτική
είναι η εξελιγμένη ρομποτική
08:41
specifically, human-robot collaboration.
175
509744
2511
και ειδικότερα η συνεργασία
ανθρώπων και ρομπότ.
ανθρώπων και ρομπότ.
08:45
And this is Bishop, one of our robots.
176
513034
2759
Αυτός είναι ο Μπίσοπ,
ένα από τα ρομπότ μας.
ένα από τα ρομπότ μας.
Σε ένα πείραμα τον βάλαμε
να βοηθήσει έναν άνθρωπο
να βοηθήσει έναν άνθρωπο
08:47
As an experiment, we set it up
177
515817
1789
08:49
to help a person working in construction
doing repetitive tasks --
doing repetitive tasks --
178
517630
3460
που δούλευε στις οικοδομές και
έκανε επαναλαμβανόμενες κινήσεις,
έκανε επαναλαμβανόμενες κινήσεις,
08:53
tasks like cutting out holes for outlets
or light switches in drywall.
or light switches in drywall.
179
521984
4194
κινήσεις όπως να ανοίγει τρύπες για πρίζες
ή διακόπτες πάνω σε γυψοσανίδες.
ή διακόπτες πάνω σε γυψοσανίδες.
(Γέλια)
08:58
(Laughter)
180
526202
2466
Ο άνθρωπος-συνεργάτης
του Μπίσοπ του λέει τι να κάνει
του Μπίσοπ του λέει τι να κάνει
09:01
So, Bishop's human partner
can tell what to do in plain English
can tell what to do in plain English
181
529877
3111
σε απλά Αγγλικά και με απλές χειρονομίες,
κάπως σαν να μιλά σε σκύλο,
κάπως σαν να μιλά σε σκύλο,
09:05
and with simple gestures,
182
533012
1305
09:06
kind of like talking to a dog,
183
534341
1447
και μετά ο Μπίσοπ εκτελεί
αυτές τις οδηγίες με απόλυτη ακρίβεια.
αυτές τις οδηγίες με απόλυτη ακρίβεια.
09:07
and then Bishop executes
on those instructions
on those instructions
184
535812
2143
09:09
with perfect precision.
185
537979
1892
09:11
We're using the human
for what the human is good at:
for what the human is good at:
186
539895
2989
Χρησιμοποιούμε τον άνθρωπο
σ' αυτό που ο άνθρωπος είναι καλός:
σ' αυτό που ο άνθρωπος είναι καλός:
επαγρύπνηση, αντίληψη και λήψη αποφάσεων.
09:14
awareness, perception and decision making.
187
542908
2333
Χρησιμοποιούμε το ρομπότ
εκεί που είναι καλό:
εκεί που είναι καλό:
09:17
And we're using the robot
for what it's good at:
for what it's good at:
188
545265
2240
ακρίβεια και επανάληψη.
09:19
precision and repetitiveness.
189
547529
1748
Να άλλο ένα άλλο ωραίο πρότζεκτ
στο οποίο δούλεψε ο Μπίσοπ.
στο οποίο δούλεψε ο Μπίσοπ.
09:22
Here's another cool project
that Bishop worked on.
that Bishop worked on.
190
550252
2367
Ο στόχος αυτού του πρότζεκτ
που το λέμε HIVE, κυψέλη,
που το λέμε HIVE, κυψέλη,
09:24
The goal of this project,
which we called the HIVE,
which we called the HIVE,
191
552643
3075
είναι να αναπαραστήσουμε την εμπειρία
ανθρώπων, υπολογιστών και ρομπότ
ανθρώπων, υπολογιστών και ρομπότ
09:27
was to prototype the experience
of humans, computers and robots
of humans, computers and robots
192
555742
3851
που δουλεύουν όλοι μαζί για να λύσουν ένα
ιδιαίτερα πολύπλοκο πρόβλημα σχεδιασμού.
ιδιαίτερα πολύπλοκο πρόβλημα σχεδιασμού.
09:31
all working together to solve
a highly complex design problem.
a highly complex design problem.
193
559617
3220
Ο άνθρωποι ενέργησαν ως εργάτες.
09:35
The humans acted as labor.
194
563793
1451
Κινήθηκαν στο εργοτάξιο,
επεξεργάστηκαν το μπαμπού,
επεξεργάστηκαν το μπαμπού,
09:37
They cruised around the construction site,
they manipulated the bamboo --
they manipulated the bamboo --
195
565268
3473
το οποίο, επειδή είναι ένα
μη-ισοφορμικό υλικό
μη-ισοφορμικό υλικό
09:40
which, by the way,
because it's a non-isomorphic material,
because it's a non-isomorphic material,
196
568765
2756
είναι πολύ δύσκολο για τα ρομπότ
να το χειριστούν.
να το χειριστούν.
09:43
is super hard for robots to deal with.
197
571545
1874
Αλλά μετά τα ρομπότ έκαναν αυτό
το δέσιμο με τις ίνες
το δέσιμο με τις ίνες
09:45
But then the robots
did this fiber winding,
did this fiber winding,
198
573443
2022
09:47
which was almost impossible
for a human to do.
for a human to do.
199
575489
2451
που ήταν σχεδόν αδύνατο
να το κάνει άνθρωπος.
να το κάνει άνθρωπος.
09:49
And then we had an AI
that was controlling everything.
that was controlling everything.
200
577964
3621
Είχαμε και μια τεχνητή νοημοσύνη
που έλεγχε τα πάντα.
που έλεγχε τα πάντα.
Έλεγε στους ανθρώπους τι να κάνουν,
έλεγε στα ρομπότ τι να κάνουν,
έλεγε στα ρομπότ τι να κάνουν,
09:53
It was telling the humans what to do,
telling the robots what to do
telling the robots what to do
201
581609
3290
και κρατούσε λογαριασμό
για χιλιάδες συστατικά στοιχεία.
για χιλιάδες συστατικά στοιχεία.
09:56
and keeping track of thousands
of individual components.
of individual components.
202
584923
2915
Το πιο ενδιαφέρον είναι
09:59
What's interesting is,
203
587862
1180
ότι το να χτίσουμε αυτό το περίπτερο
ήταν απλά αδύνατο
ήταν απλά αδύνατο
10:01
building this pavilion
was simply not possible
was simply not possible
204
589066
3141
χωρίς τους ανθρώπους, τα ρομπότ
και την τεχνητή νοημοσύνη
και την τεχνητή νοημοσύνη
10:04
without human, robot and AI
augmenting each other.
augmenting each other.
205
592231
4524
να επαυξάνουν το ένα το άλλο.
10:09
OK, I'll share one more project.
This one's a little bit crazy.
This one's a little bit crazy.
206
597890
3320
Εντάξει, θα μοιραστώ μαζί σας
ένα ακόμη πρότζεκτ, λίγο τρελό.
ένα ακόμη πρότζεκτ, λίγο τρελό.
Μαζί με έναν καλλιτέχνη στο Άμστερνταμ,
τον Γιόρις Λάρμαν και την ομάδα του MX3D
τον Γιόρις Λάρμαν και την ομάδα του MX3D
10:13
We're working with Amsterdam-based artist
Joris Laarman and his team at MX3D
Joris Laarman and his team at MX3D
207
601234
4468
για να σχεδιάσουμε
και να εκτυπώσουμε ρομποτικά
και να εκτυπώσουμε ρομποτικά
10:17
to generatively design
and robotically print
and robotically print
208
605726
2878
την πρώτη αυτοκατασκευαζόμενη
γέφυρα στον κόσμο.
γέφυρα στον κόσμο.
10:20
the world's first autonomously
manufactured bridge.
manufactured bridge.
209
608628
2995
10:24
So, Joris and an AI are designing
this thing right now, as we speak,
this thing right now, as we speak,
210
612315
3685
Έτσι, ο Γιόρις και μια τεχνητή νοημοσύνη
τη σχεδιάζουν τώρα στο Άμστερνταμ.
τη σχεδιάζουν τώρα στο Άμστερνταμ.
10:28
in Amsterdam.
211
616024
1172
Ακολούθως θα πατήσουμε το κουμπί
και τα ρομπότ θα αρχίσουν την εκτύπωση
και τα ρομπότ θα αρχίσουν την εκτύπωση
10:29
And when they're done,
we're going to hit "Go,"
we're going to hit "Go,"
212
617220
2321
10:31
and robots will start 3D printing
in stainless steel,
in stainless steel,
213
619565
3311
τρισδιάστατα, σε ανοξείδωτο ατσάλι,
και θα συνεχίσουν να εκτυπώνουν,
και θα συνεχίσουν να εκτυπώνουν,
10:34
and then they're going to keep printing,
without human intervention,
without human intervention,
214
622900
3283
χωρίς ανθρώπινη παρέμβαση,
μέχρι η γέφυρα να τελειώσει.
μέχρι η γέφυρα να τελειώσει.
10:38
until the bridge is finished.
215
626207
1558
Καθώς λοιπόν οι υπολογιστές
θα επαυξήσουν την ικανότητά μας
θα επαυξήσουν την ικανότητά μας
10:41
So, as computers are going
to augment our ability
to augment our ability
216
629099
2928
να φανταζόμαστε και να σχεδιάζουμε
καινούρια πράγματα,
καινούρια πράγματα,
10:44
to imagine and design new stuff,
217
632051
2150
τα ρομποτικά συστήματα θα μας βοηθήσουν
να κατασκευάσουμε πράγματα
να κατασκευάσουμε πράγματα
10:46
robotic systems are going to help us
build and make things
build and make things
218
634225
2895
10:49
that we've never been able to make before.
219
637144
2084
που δεν θα μπορούσαμε να κάνουμε πριν.
Τι θα γίνει όμως με την ικανότητά μας να
αισθανόμαστε και να τα ελέγχουμε αυτά;
αισθανόμαστε και να τα ελέγχουμε αυτά;
10:52
But what about our ability
to sense and control these things?
to sense and control these things?
220
640347
4160
Τι θα λέγατε για ένα νευρικό σύστημα
για τα πράγματα που θα φτιάξουμε;
για τα πράγματα που θα φτιάξουμε;
10:56
What about a nervous system
for the things that we make?
for the things that we make?
221
644531
4031
Το νευρικό μας σύστημα,
το ανθρώπινο νευρικό σύστημα,
το ανθρώπινο νευρικό σύστημα,
11:00
Our nervous system,
the human nervous system,
the human nervous system,
222
648586
2512
μας ενημερώνει για όλα
όσα συμβαίνουν γύρω μας.
όσα συμβαίνουν γύρω μας.
11:03
tells us everything
that's going on around us.
that's going on around us.
223
651122
2311
11:06
But the nervous system of the things
we make is rudimentary at best.
we make is rudimentary at best.
224
654186
3684
Αλλά το νευρικό σύστημα των πραγμάτων
που φτιάχνουμε είναι το πολύ υποτυπώδες.
που φτιάχνουμε είναι το πολύ υποτυπώδες.
Για παράδειγμα, ένα αυτοκίνητο δεν λέει
στο τμήμα δημοσίων έργων μιας πόλης
στο τμήμα δημοσίων έργων μιας πόλης
11:09
For instance, a car doesn't tell
the city's public works department
the city's public works department
225
657894
3563
ότι μόλις βρήκε μια λακκούβα
στη γωνία Μπροντγουέι και Μόρισον.
στη γωνία Μπροντγουέι και Μόρισον.
11:13
that it just hit a pothole at the corner
of Broadway and Morrison.
of Broadway and Morrison.
226
661481
3130
Ένα κτίριο δεν λέει στους σχεδιαστές του
11:16
A building doesn't tell its designers
227
664635
2032
αν αρέσει ή όχι στους ανθρώπους
να ζούνε μέσα του,
να ζούνε μέσα του,
11:18
whether or not the people inside
like being there,
like being there,
228
666691
2684
και ο κατασκευαστής παιχνιδιών
11:21
and the toy manufacturer doesn't know
229
669399
3010
δεν ξέρει αν πραγματικά
παίζουν με κάποιο παιχνίδι,
παίζουν με κάποιο παιχνίδι,
11:24
if a toy is actually being played with --
230
672433
2007
πώς και πού και αν είναι διασκεδαστικό.
11:26
how and where and whether
or not it's any fun.
or not it's any fun.
231
674464
2539
11:29
Look, I'm sure that the designers
imagined this lifestyle for Barbie
imagined this lifestyle for Barbie
232
677620
3814
Σίγουρα οι δημιουργοί της Μπάρμπι
ήξεραν πώς θα ήταν η ζωή της,
ήξεραν πώς θα ήταν η ζωή της,
11:33
when they designed her.
233
681458
1224
όταν την έφτιαξαν.
11:34
(Laughter)
234
682706
1447
(Γέλια)
11:36
But what if it turns out that Barbie's
actually really lonely?
actually really lonely?
235
684177
2906
Αλλά τι γίνεται αν τελικά
η Μπάρμπι νοιώθει μοναξιά;
η Μπάρμπι νοιώθει μοναξιά;
(Γέλια)
11:39
(Laughter)
236
687107
3147
Αν οι δημιουργοί της είχαν γνώσεις
για τον πραγματικό κόσμο των σχεδίων τους
για τον πραγματικό κόσμο των σχεδίων τους
11:43
If the designers had known
237
691266
1288
11:44
what was really happening
in the real world
in the real world
238
692578
2107
11:46
with their designs -- the road,
the building, Barbie --
the building, Barbie --
239
694709
2583
- τον δρόμο, το σπίτι, την Μπάρμπι -
θα μπορούσαν να τις χρησιμοποιήσουν
θα μπορούσαν να τις χρησιμοποιήσουν
11:49
they could've used that knowledge
to create an experience
to create an experience
240
697316
2694
για να δημιουργήσουν
μια καλύτερη εμπειρία για τον χρήστη.
μια καλύτερη εμπειρία για τον χρήστη.
11:52
that was better for the user.
241
700034
1400
Αυτό που λείπει είναι ένα νευρικό σύστημα
11:53
What's missing is a nervous system
242
701458
1791
που να μας ενώνει με όλα τα πράγματα που
σχεδιάζουμε, κάνουμε και χρησιμοποιούμε.
σχεδιάζουμε, κάνουμε και χρησιμοποιούμε.
11:55
connecting us to all of the things
that we design, make and use.
that we design, make and use.
243
703273
3709
11:59
What if all of you had that kind
of information flowing to you
of information flowing to you
244
707915
3555
Πώς θα ήταν αν όλοι εσείς είχατε αυτή
την πληροφορία να ρέει προς εσάς,
την πληροφορία να ρέει προς εσάς,
από τα πράγματα που δημιουργείτε
στον πραγματικό κόσμο;
στον πραγματικό κόσμο;
12:03
from the things you create
in the real world?
in the real world?
245
711494
2183
Για όλα τα πράγματα που φτιάχνουμε
ξοδεύουμε άπειρα χρήματα και ενέργεια,
ξοδεύουμε άπειρα χρήματα και ενέργεια,
12:07
With all of the stuff we make,
246
715432
1451
12:08
we spend a tremendous amount
of money and energy --
of money and energy --
247
716907
2435
πέρυσι δύο τρις δολάρια,
12:11
in fact, last year,
about two trillion dollars --
about two trillion dollars --
248
719366
2376
προσπαθώντας να πείσουμε τους ανθρώπους
να αγοράσουν τα πράγματα που φτιάξαμε.
να αγοράσουν τα πράγματα που φτιάξαμε.
12:13
convincing people to buy
the things we've made.
the things we've made.
249
721766
2854
12:16
But if you had this connection
to the things that you design and create
to the things that you design and create
250
724644
3388
Αν όμως είχαμε αυτή τη σύνδεση
με τα πράγματα που δημιουργούμε
με τα πράγματα που δημιουργούμε
αφότου βρεθούν έξω στον πραγματικό κόσμο,
αφότου πουληθούν ή κυκλοφορήσουν,
αφότου πουληθούν ή κυκλοφορήσουν,
12:20
after they're out in the real world,
251
728056
1727
12:21
after they've been sold
or launched or whatever,
or launched or whatever,
252
729807
3614
θα μπορούσαμε να το αλλάξουμε αυτό:
12:25
we could actually change that,
253
733445
1620
12:27
and go from making people want our stuff,
254
735089
3047
αντί να κάνουμε τους ανθρώπους
να θέλουν αυτά που φτιάχνουμε,
να θέλουν αυτά που φτιάχνουμε,
να φτιάχνουμε πράγματα που οι άνθρωποι
θα ήθελαν έτσι κι αλλιώς.
θα ήθελαν έτσι κι αλλιώς.
12:30
to just making stuff that people
want in the first place.
want in the first place.
255
738160
3434
Τα καλά νέα είναι ότι δουλεύουμε
σε ψηφιακά νευρικά συστήματα
σε ψηφιακά νευρικά συστήματα
12:33
The good news is, we're working
on digital nervous systems
on digital nervous systems
256
741618
2787
12:36
that connect us to the things we design.
257
744429
2801
που μας συνδέουν με τα πράγματα
που σχεδιάζουμε.
που σχεδιάζουμε.
12:40
We're working on one project
258
748365
1627
Δουλεύουμε σε ένα πρότζεκτ
με κάποιους εκεί στο Λος Άντζελες,
τους αδερφούς Μπαντίτο και την ομάδα τους.
τους αδερφούς Μπαντίτο και την ομάδα τους.
12:42
with a couple of guys down in Los Angeles
called the Bandito Brothers
called the Bandito Brothers
259
750016
3712
12:45
and their team.
260
753752
1407
Ένα από αυτά που κάνουν αυτοί οι τύποι
είναι να φτιάχνουν κάτι τρελά αυτοκίνητα
είναι να φτιάχνουν κάτι τρελά αυτοκίνητα
12:47
And one of the things these guys do
is build insane cars
is build insane cars
261
755183
3433
που κάνουν απολύτως τρελά πράγματα.
12:50
that do absolutely insane things.
262
758640
2873
12:54
These guys are crazy --
263
762905
1450
Είναι τρελοί αυτοί οι τύποι
12:56
(Laughter)
264
764379
1036
(Γέλια)
12:57
in the best way.
265
765439
1403
με την καλή την έννοια.
Αυτό που κάνουμε μαζί τους
13:00
And what we're doing with them
266
768993
1763
είναι να πάρουμε το κανονικό σασί
ενός αγωνιστικού αυτοκινήτου
ενός αγωνιστικού αυτοκινήτου
13:02
is taking a traditional race-car chassis
267
770780
2440
και να του βάζουμε ένα νευρικό σύστημα.
13:05
and giving it a nervous system.
268
773244
1585
13:06
So we instrumented it
with dozens of sensors,
with dozens of sensors,
269
774853
3058
Το κατασκευάσαμε λοιπόν
με ένα σωρό αισθητήρες,
με ένα σωρό αισθητήρες,
βάλαμε έναν οδηγό παγκοσμίου κλάσης
πίσω από το τιμόνι,
πίσω από το τιμόνι,
13:09
put a world-class driver behind the wheel,
270
777935
2635
το βγάλαμε στην έρημο και το οδηγήσαμε
όσο δεν παίρνει επί μία εβδομάδα.
όσο δεν παίρνει επί μία εβδομάδα.
13:12
took it out to the desert
and drove the hell out of it for a week.
and drove the hell out of it for a week.
271
780594
3357
Το νευρικό σύστημα του αυτοκινήτου
κατέγραψε τα πάντα,
κατέγραψε τα πάντα,
13:15
And the car's nervous system
captured everything
captured everything
272
783975
2491
όλα όσα συνέβαιναν στο αυτοκίνητο.
13:18
that was happening to the car.
273
786490
1482
13:19
We captured four billion data points;
274
787996
2621
Καταγράψαμε τέσσερα
δισεκατομμύρια στοιχεία δεδομένων
δισεκατομμύρια στοιχεία δεδομένων
13:22
all of the forces
that it was subjected to.
that it was subjected to.
275
790641
2310
και όλες τις δυνάμεις που υπέστη.
13:24
And then we did something crazy.
276
792975
1659
Μετά κάναμε κάτι τρελό.
13:27
We took all of that data,
277
795268
1500
Πήραμε όλα αυτά τα δεδομένα
και τα κατεβάσαμε σε μια τεχνητή νοημοσύνη
σχεδιασμού που τη λέμε Ονειροπαγίδα.
σχεδιασμού που τη λέμε Ονειροπαγίδα.
13:28
and plugged it into a generative-design AI
we call "Dreamcatcher."
we call "Dreamcatcher."
278
796792
3736
13:33
So what do get when you give
a design tool a nervous system,
a design tool a nervous system,
279
801270
3964
Τι παίρνει κανείς λοιπόν όταν δίνει σε ένα
σχεδιαστικό εργαλείο ένα νευρικό σύστημα,
σχεδιαστικό εργαλείο ένα νευρικό σύστημα,
και του ζητά να του φτιάξει
το τέλειο σασί αυτοκινήτου.
το τέλειο σασί αυτοκινήτου.
13:37
and you ask it to build you
the ultimate car chassis?
the ultimate car chassis?
280
805258
2882
13:40
You get this.
281
808723
1973
Παίρνει αυτό.
13:44
This is something that a human
could never have designed.
could never have designed.
282
812293
3713
Αυτό είναι κάτι που ο άνθρωπος
δεν θα μπορούσε ποτέ να σχεδιάσει.
δεν θα μπορούσε ποτέ να σχεδιάσει.
13:48
Except a human did design this,
283
816707
1888
Άνθρωπος όμως το σχεδίασε αυτό,
μόνο που ήταν ένας άνθρωπος επαυξημένος
από μια τεχνητή νοημοσύνη σχεδιασμού,
από μια τεχνητή νοημοσύνη σχεδιασμού,
13:50
but it was a human that was augmented
by a generative-design AI,
by a generative-design AI,
284
818619
4309
ένα ψηφιακό νευρικό σύστημα
13:54
a digital nervous system
285
822952
1231
και ρομπότ που μπορούν
να φτιάξουν κάτι τέτοιο.
να φτιάξουν κάτι τέτοιο.
13:56
and robots that can actually
fabricate something like this.
fabricate something like this.
286
824207
3005
13:59
So if this is the future,
the Augmented Age,
the Augmented Age,
287
827680
3595
Αν αυτό είναι το μέλλον,
η Επαυξημένη Εποχή,
η Επαυξημένη Εποχή,
και πρόκειται να επαυξηθούν οι γνώσεις,
οι φυσικές και διανοητικές μας ικανότητες,
οι φυσικές και διανοητικές μας ικανότητες,
14:03
and we're going to be augmented
cognitively, physically and perceptually,
cognitively, physically and perceptually,
288
831299
4261
πώς θα μοιάζει αυτό;
14:07
what will that look like?
289
835584
1408
14:09
What is this wonderland going to be like?
290
837576
3321
Πώς θα είναι αυτή η χώρα των θαυμάτων;
Νομίζω πως θα δούμε έναν κόσμο
14:12
I think we're going to see a world
291
840921
1709
όπου θα περάσουμε από τα πράγματα
που κατασκευάζονται
που κατασκευάζονται
14:14
where we're moving
from things that are fabricated
from things that are fabricated
292
842654
3068
στα πράγματα που καλλιεργούνται.
14:17
to things that are farmed.
293
845746
1445
14:20
Where we're moving from things
that are constructed
that are constructed
294
848159
3453
Περνάμε από τα πράγματα που χτίζονται
σε πράγματα που αναπτύσσονται.
14:23
to that which is grown.
295
851636
1704
14:26
We're going to move from being isolated
296
854134
2188
Περνάμε από την απομόνωση στη σύνδεση.
14:28
to being connected.
297
856346
1610
14:30
And we'll move away from extraction
298
858634
2411
Απομακρυνόμαστε από την εξαγωγή
και αποδεχόμαστε την ενσωμάτωση.
14:33
to embrace aggregation.
299
861069
1873
14:35
I also think we'll shift
from craving obedience from our things
from craving obedience from our things
300
863967
3767
Νομίζω επίσης ότι δεν θα απαιτούμε πια
υπακοή από τα πράγματά μας
υπακοή από τα πράγματά μας
αλλά θα εκτιμούμε την αυτονομία.
14:39
to valuing autonomy.
301
867758
1641
14:42
Thanks to our augmented capabilities,
302
870510
1905
Χάρη στις επαυξημένες μας δεξιότητες,
ο κόσμος μας θα αλλάξει δραματικά.
14:44
our world is going to change dramatically.
303
872439
2377
Θα έχουμε έναν κόσμο με μεγαλύτερη
ποικιλία, μεγαλύτερη συνδεσιμότητα,
ποικιλία, μεγαλύτερη συνδεσιμότητα,
14:47
We're going to have a world
with more variety, more connectedness,
with more variety, more connectedness,
304
875576
3246
πιο δυναμικό, πιο πολύπλοκο,
14:50
more dynamism, more complexity,
305
878846
2287
πιο προσαρμόσιμο, και φυσικά πιο όμορφο.
14:53
more adaptability and, of course,
306
881157
2318
14:55
more beauty.
307
883499
1217
Το μέλλον δε θα μοιάζει καθόλου
με αυτά που έχουμε δει μέχρι τώρα.
με αυτά που έχουμε δει μέχρι τώρα.
14:57
The shape of things to come
308
885231
1564
14:58
will be unlike anything
we've ever seen before.
we've ever seen before.
309
886819
2290
Γιατί; Γιατί αυτό
που θα διαμορφώσει όλα αυτά
που θα διαμορφώσει όλα αυτά
15:01
Why?
310
889133
1159
15:02
Because what will be shaping those things
is this new partnership
is this new partnership
311
890316
3755
είναι η νέα συνεργασία της τεχνολογίας
με τη φύση και τον άνθρωπο.
με τη φύση και τον άνθρωπο.
15:06
between technology, nature and humanity.
312
894095
3670
15:11
That, to me, is a future
well worth looking forward to.
well worth looking forward to.
313
899279
3804
Αυτό, κατά τη γνώμη μου, είναι ένα μέλλον
που αξίζει να το περιμένει κανείς.
που αξίζει να το περιμένει κανείς.
Σας ευχαριστώ όλους πάρα πολύ.
15:15
Thank you all so much.
314
903107
1271
15:16
(Applause)
315
904402
5669
(Χειροκρότημα)
ABOUT THE SPEAKER
Maurice Conti - Designer, futuristMaurice Conti explores new partnerships between technology, nature and humanity.
Why you should listen
Maurice Conti is a designer, futurist and innovator. He's worked with startups, government agencies, artists and corporations to explore the things that will matter to us in the future, and to design solutions to get us there.
Conti is currently Chief Innovation Officer at Alpha -- Europe's first moonshot factory, powered by Telefónica. Conti and his team are responsible for coming up with the ideas, prototypes and proofs of concepts that will go on to become full-blown moonshots at Alpha: projects that will affect 100 million people or more, be a force for good on the planet and grow into billion-euro businesses.
Previously, Conti was Director of Applied Research & Innovation at Autodesk where built and led Autodesk's Applied Research Lab. Conti's work focuses on applied machine learning, advanced robotics, augmented and virtual realities, and the future of work, cities and mobility.
Conti is also an explorer of geographies and cultures. He has circumnavigated the globe once and been half-way around twice. In 2009 he was awarded the Medal for Exceptional Bravery at Sea by the United Nations, the New Zealand Bravery Medal and a US Coast Guard Citation for Bravery for risking his own life to save three shipwrecked sailors.
Conti lives in Barcelona, Spain, and travels around the world speaking to groups about innovation, technology trends, the future, and high adventure.
Maurice Conti | Speaker | TED.com