TED2014
Ray Kurzweil: Get ready for hybrid thinking
Rejs Kurcveils: Gatavojieties hibrīddomāšanai!
Filmed:
Readability: 4.4
3,548,296 views
Pirms diviem miljoniem gadu mūsu zīdītāju senči attīstīja jaunu smadzeņu struktūru: smadzeņu garozu. Šis pastmarkas lieluma audu gabaliņš (aptīts ap valrieksta izmēra smadzenēm) ir mūsdienu cilvēces atslēga. Tagad futūrists Rejs Kurcveils ierosina gatavoties nākamajam lielajam lēcienam smadzeņu spēju attīstībā, mums piekļūstot "mākoņa" datu apstrādes jaudai.
Ray Kurzweil - Inventor, futurist
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Double-click the English transcript below to play the video.
00:12
Let me tell you a story.
0
988
2316
Ļaujiet man izstāstīt jums stāstu,
kas sniedzas
200 miljonus gadu senā pagātnē.
200 miljonus gadu senā pagātnē.
00:15
It goes back 200 million years.
1
3304
1799
00:17
It's a story of the neocortex,
2
5103
1984
Tas ir stāsts par smadzeņu garozu,
00:19
which means "new rind."
3
7087
1974
kas latīņu valodā nozīmē
"jaunā miza".
"jaunā miza".
00:21
So in these early mammals,
4
9061
2431
Agrīnajos zīdītājos,
00:23
because only mammals have a neocortex,
5
11492
2055
— jo tikai zīdītājiem ir smadzeņu garoza —
00:25
rodent-like creatures.
6
13547
1664
šajās grauzējiem līdzīgajās būtnēs
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
tā bija pastmarkas lielumā
un arī tikpat plāna.
un arī tikpat plāna.
00:30
and was a thin covering around
8
18790
1439
Tā bija plāns apvalks
00:32
their walnut-sized brain,
9
20229
2264
to valrieksta izmēra smadzenēm,
00:34
but it was capable of a new type of thinking.
10
22493
3701
taču tā spēja domāt jaunā veidā.
00:38
Rather than the fixed behaviors
11
26194
1567
Fiksētās uzvedības vietā,
00:39
that non-mammalian animals have,
12
27761
1992
kas piemīt ne-zīdītājiem,
00:41
it could invent new behaviors.
13
29753
2692
šī smadzeņu garoza spēja izgudrot
jaunus uzvedības modeļus.
jaunus uzvedības modeļus.
00:44
So a mouse is escaping a predator,
14
32445
2553
Teiksim, pele bēg no plēsēja,
tās ceļš ir aizsprostots.
00:46
its path is blocked,
15
34998
1540
Tā mēģinās izdomāt izeju no situācijas.
00:48
it'll try to invent a new solution.
16
36538
2129
Tas var nostrādāt, var nenostrādāt,
00:50
That may work, it may not,
17
38667
1266
00:51
but if it does, it will remember that
18
39933
1910
bet, ja nostrādās, pele to atcerēsies,
00:53
and have a new behavior,
19
41843
1292
un tai būs jauns rīcības veids,
00:55
and that can actually spread virally
20
43135
1457
un tas var patiesībā strauji izplatīties
visā peļu populācijā.
visā peļu populācijā.
00:56
through the rest of the community.
21
44592
2195
Cita pele, to redzot, teiktu:
00:58
Another mouse watching this could say,
22
46787
1609
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
"Hei, tas bija diezgan atjautīgi —
to akmeni apiet."
to akmeni apiet."
01:03
and it could adopt a new behavior as well.
24
51100
3725
Un arī šī pele var pārņemt
šādu uzvedības modeli.
šādu uzvedības modeli.
01:06
Non-mammalian animals
25
54825
1717
Dzīvnieki, kas nebija zīdītāji,
01:08
couldn't do any of those things.
26
56542
1713
nespēja veikt neko no minētā.
01:10
They had fixed behaviors.
27
58255
1215
To rīcība bija fiksēta.
01:11
Now they could learn a new behavior
28
59470
1331
Tie varētu iemācīties jaunu rīcības veidu,
01:12
but not in the course of one lifetime.
29
60801
2576
taču ne vienas paaudzes laikā.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
Iespējams, tūkstoš paaudžu laikā
01:17
it could evolve a new fixed behavior.
31
65144
3330
tie varētu attīstīt
jaunu fiksētu rīcības veidu.
jaunu fiksētu rīcības veidu.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
Tas bija pilnīgi pieņemami
pirms 200 miljons gadiem.
pirms 200 miljons gadiem.
01:23
The environment changed very slowly.
33
71851
1981
Apkārtējā vide mainījās ļoti lēni.
01:25
It could take 10,000 years for there to be
34
73832
1554
Varēja paiet 10 000 gadu
01:27
a significant environmental change,
35
75386
2092
pirms vide būtiski mainījās,
01:29
and during that period of time
36
77478
1382
un tajā laikā šīs radības
01:30
it would evolve a new behavior.
37
78860
2929
attīstīja jaunu uzvedības modeli.
01:33
Now that went along fine,
38
81789
1521
Viss gāja labi,
01:35
but then something happened.
39
83310
1704
bet tad kaut kas notika.
01:37
Sixty-five million years ago,
40
85014
2246
Pirms 65 miljoniem gadu
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
notika pēkšņas, drastiskas vides izmaiņas.
01:41
We call it the Cretaceous extinction event.
42
89875
3505
Mēs to saucam par
krīta-terciāra masveida izmiršanu.
krīta-terciāra masveida izmiršanu.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
Tajā laikā izmira dinozauri.
01:47
that's when 75 percent of the
44
95673
3449
Tajā laikā izmira
75% dzīvnieku un augu sugu,
75% dzīvnieku un augu sugu,
01:51
animal and plant species went extinct,
45
99122
2746
01:53
and that's when mammals
46
101868
1745
un tajā laikā zīdītāji ieņēma
savu ekoloģisko nišu.
savu ekoloģisko nišu.
01:55
overtook their ecological niche,
47
103613
2152
Antropomorfizējot
bioloģiskā evolūcija teica:
bioloģiskā evolūcija teica:
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
"Hm, šī smadzeņu garoza
ir diezgan laba lieta,"
ir diezgan laba lieta,"
02:03
and it began to grow it.
50
111444
1793
un sāka to palielināt.
02:05
And mammals got bigger,
51
113237
1342
Zīdītāji auga lielāki,
02:06
their brains got bigger at an even faster pace,
52
114579
2915
to smadzenes palielinājās vēl ātrāk.
02:09
and the neocortex got bigger even faster than that
53
117494
3807
Smadzeņu garoza palielinājās vēl ātrāk
02:13
and developed these distinctive ridges and folds
54
121301
2929
un attīstīja šīs īpatnējās
rievas un krokas,
rievas un krokas,
02:16
basically to increase its surface area.
55
124230
2881
lai palielinātu savas virsmas laukumu.
02:19
If you took the human neocortex
56
127111
1819
Ja jūs ņemtu cilvēka smadzeņu garozu
02:20
and stretched it out,
57
128930
1301
un izstieptu to,
02:22
it's about the size of a table napkin,
58
130231
1713
tā būtu galda salvetes lielumā
02:23
and it's still a thin structure.
59
131944
1306
un joprojām ļoti plāna.
02:25
It's about the thickness of a table napkin.
60
133250
1980
Tā ir galda salvetes biezumā,
02:27
But it has so many convolutions and ridges
61
135230
2497
bet tai ir tik daudz izlocījumu un rievu,
02:29
it's now 80 percent of our brain,
62
137727
3075
ka tā veido 80% mūsu smadzeņu,
02:32
and that's where we do our thinking,
63
140802
2461
un tajā norisinās mūsu domāšana.
02:35
and it's the great sublimator.
64
143263
1761
Tā ir lielisks pārveidotājs.
Mums joprojām ir vecās smadzenes,
02:37
We still have that old brain
65
145024
1114
02:38
that provides our basic drives and motivations,
66
146138
2764
kas nodrošina
primārās dziņas un motivāciju,
primārās dziņas un motivāciju,
02:40
but I may have a drive for conquest,
67
148902
2716
bet man var būt dzinulis iekarot,
02:43
and that'll be sublimated by the neocortex
68
151618
2715
un smadzeņu garozā tas tiks pārveidots
02:46
into writing a poem or inventing an app
69
154333
2909
vēlmē uzrakstīt dzejoli
vai izgudrot aplikāciju,
vai izgudrot aplikāciju,
02:49
or giving a TED Talk,
70
157242
1509
vai sniegt TED runu.
02:50
and it's really the neocortex that's where
71
158751
3622
Un tieši smadzeņu garozā notiek darbība.
02:54
the action is.
72
162373
1968
02:56
Fifty years ago, I wrote a paper
73
164341
1717
Pirms 50 gadiem es publikācijā aprakstīju,
02:58
describing how I thought the brain worked,
74
166058
1918
kā, pēc manām domām, darbojas smadzenes,
02:59
and I described it as a series of modules.
75
167976
3199
un es to raksturoju kā moduļu sēriju.
03:03
Each module could do things with a pattern.
76
171175
2128
Katrs modulis spēja rīkoties pēc parauga.
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
Tas varēja iemācīties paraugu.
Tas varēja atcerēties paraugu.
Tas varēja atcerēties paraugu.
03:08
It could implement a pattern.
78
176049
1407
Tas varēja ieviest paraugu.
03:09
And these modules were organized in hierarchies,
79
177456
2679
Šie moduļi bija sakārtoti hierarhijās,
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
un mēs izveidojām šo hierarhiju
paši ar savu domāšanu.
paši ar savu domāšanu.
03:15
And there was actually very little to go on
81
183089
3333
Patiesībā pirms 50 gadiem
tur nekā daudz nebija.
tur nekā daudz nebija.
03:18
50 years ago.
82
186422
1562
03:19
It led me to meet President Johnson.
83
187984
2115
Tas ļāva man satikt prezidentu Džonsonu.
03:22
I've been thinking about this for 50 years,
84
190099
2173
Es par šo esmu domājis 50 gadus,
03:24
and a year and a half ago I came out with the book
85
192272
2828
un pirms pusotra gada
es izdevu grāmatu "Kā radīt prātu",
03:27
"How To Create A Mind,"
86
195100
1265
03:28
which has the same thesis,
87
196365
1613
kas satur to pašu tēzi,
03:29
but now there's a plethora of evidence.
88
197978
2812
bet nu jau ar lērumu pierādījumu.
Datu apjoms, ko mēs iegūstam
par smadzenēm no neirozinātnes,
par smadzenēm no neirozinātnes,
03:32
The amount of data we're getting about the brain
89
200790
1814
03:34
from neuroscience is doubling every year.
90
202604
2203
divkāršojas katru gadu.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
Telpiskā izšķirtspēja
visu veidu smadzeņu skenēšanā
visu veidu smadzeņu skenēšanā
03:39
is doubling every year.
92
207461
2285
divkāršojas katru gadu.
Tagad mēs varam ieskatīties
dzīvās smadzenēs
dzīvās smadzenēs
03:41
We can now see inside a living brain
93
209746
1717
03:43
and see individual interneural connections
94
211463
2870
un redzēt atsevišķas starpnervu saites,
03:46
connecting in real time, firing in real time.
95
214333
2703
tām mijiedarbojoties
un pārraidot signālus reālajā laikā.
un pārraidot signālus reālajā laikā.
03:49
We can see your brain create your thoughts.
96
217036
2419
Mēs varam redzēt,
kā smadzenes veido domas.
kā smadzenes veido domas.
Mēs varam redzēt,
kā domas veido smadzenes,
kā domas veido smadzenes,
03:51
We can see your thoughts create your brain,
97
219455
1575
03:53
which is really key to how it works.
98
221030
1999
kas ir visa notiekošā atslēga.
03:55
So let me describe briefly how it works.
99
223029
2219
Ļaujiet man īsumā aprakstīt,
kā tas darbojas!
kā tas darbojas!
03:57
I've actually counted these modules.
100
225248
2275
Es esmu saskaitījis šos moduļus.
03:59
We have about 300 million of them,
101
227523
2046
Mums to ir aptuveni 300 miljoni,
04:01
and we create them in these hierarchies.
102
229569
2229
un mēs tos veidojam hierarhijās.
04:03
I'll give you a simple example.
103
231798
2082
Es minēšu vienkāršu piemēru.
04:05
I've got a bunch of modules
104
233880
2805
Man ir moduļi,
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
kas atpazīst šķērssvītru
lielajam A burtam,
lielajam A burtam,
04:12
and that's all they care about.
106
240088
1914
un tas ir viss, kas tos interesē.
04:14
A beautiful song can play,
107
242002
1578
Var skanēt skaista dziesma,
04:15
a pretty girl could walk by,
108
243580
1434
garām var iet glīta meitene —
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
viņus tas neinteresē.
Toties, ieraugot šķērssvītru lielajam A,
04:19
they get very excited and they say "crossbar,"
110
247860
3021
tie atdzīvojas un saka: "Šķērssvītra!"
04:22
and they put out a high probability
111
250881
2112
Viņi dod spēcīgu signālu izvades aksonam.
04:24
on their output axon.
112
252993
1634
Tas aiziet uz nākamo līmeni,
04:26
That goes to the next level,
113
254627
1333
04:27
and these layers are organized in conceptual levels.
114
255960
2750
un šīs kārtas ir organizētas
konceptuālos līmeņos.
konceptuālos līmeņos.
Katrs nākamais
ir abstraktāks par iepriekšējo,
ir abstraktāks par iepriekšējo,
04:30
Each is more abstract than the next one,
115
258710
1856
04:32
so the next one might say "capital A."
116
260566
2418
tādēļ nākamais varētu sacīt: "Lielais A."
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
Augstākā līmenī tas varētu teikt: "Ābols."
04:37
Information flows down also.
118
265875
2167
Informācija plūst arī atpakaļ.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
Ja ābola pazinējs ir redzējs
Ā-B-O-L, tas domās:
Ā-B-O-L, tas domās:
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
"Hm, man šķiet, ka varētu sekot S."
Un tas nosūtīs signālu lejup
visiem S pazinējiem, sakot:
visiem S pazinējiem, sakot:
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
04:48
saying, "Be on the lookout for an E,
122
276761
1619
"Pievērsiet uzmanību S!
04:50
I think one might be coming."
123
278380
1556
Tāds varētu parādīties."
04:51
The E recognizers will lower their threshold
124
279936
2843
S pazinēji samazinās
savu aktivizācijas slieksni,
savu aktivizācijas slieksni,
un viņi redzēs kādu neskaidru lietu,
kas varētu būt S.
kas varētu būt S.
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
04:56
Ordinarily you wouldn't think so,
126
284724
1490
Parasti jūs tā nedomātu,
04:58
but we're expecting an E, it's good enough,
127
286214
2009
taču, gaidot S, ar to pietiek.
"Jā, es esmu redzējis S."
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
Un ābolu pazinējs tad saka:
"Jā, es esmu redzējis ābolu."
"Jā, es esmu redzējis ābolu."
05:02
"Yeah, I've seen an Apple."
129
290040
1728
05:03
Go up another five levels,
130
291768
1746
Pakāpjoties vēl 5 līmeņus augstāk,
05:05
and you're now at a pretty high level
131
293514
1353
jūs nonākat diezgan augstā
hierarhijas līmenī,
hierarhijas līmenī,
05:06
of this hierarchy,
132
294867
1569
kas iestiepjas dažādās maņās.
05:08
and stretch down into the different senses,
133
296436
2353
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
Jums varētu būt modulis,
kas pazīst konkrētu materiālu,
kas pazīst konkrētu materiālu,
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
dzird konkrētu balss īpatnību,
saož konkrētu smaržu un saka:
saož konkrētu smaržu un saka:
05:16
and will say, "My wife has entered the room."
136
304288
2513
"Istabā ienākusi mana sieva."
05:18
Go up another 10 levels, and now you're at
137
306801
1895
Paejot vēl 10 līmeņus augstāk,
jūs nonākat ļoti augstā līmenī.
05:20
a very high level.
138
308696
1160
Visticamāk, jūs esat
smadzeņu pieres daivā,
smadzeņu pieres daivā,
05:21
You're probably in the frontal cortex,
139
309856
1937
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
un tur būs moduļi, kas teiks:
"Tas bija ironiski.
Tas ir smieklīgi. Viņa ir glīta."
Tas ir smieklīgi. Viņa ir glīta."
05:27
That's funny. She's pretty."
141
315560
2370
05:29
You might think that those are more sophisticated,
142
317930
2105
Varētu domāt, ka tie ir smalkāk attīstīti,
05:32
but actually what's more complicated
143
320035
1506
bet patiesībā sarežģītāka
ir hierarhija zem tiem.
ir hierarhija zem tiem.
05:33
is the hierarchy beneath them.
144
321541
2669
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
Kādai 16 gadus vecai meitenei
tika veikta smadzeņu operācija,
tika veikta smadzeņu operācija,
05:38
and she was conscious because the surgeons
146
326830
2051
un viņa bija pie samaņas,
jo ķirurgi vēlējās ar viņu sazināties.
05:40
wanted to talk to her.
147
328881
1537
05:42
You can do that because there's no pain receptors
148
330418
1822
To varat darīt, jo smadzenēs
nav sāpju receptoru.
nav sāpju receptoru.
05:44
in the brain.
149
332240
1038
05:45
And whenever they stimulated particular,
150
333278
1800
Kad viņi stimulēja atsevišķus
sīkus punktus viņas smadzeņu garozā,
sīkus punktus viņas smadzeņu garozā,
05:47
very small points on her neocortex,
151
335078
2463
kas te attēloti sarkanā krāsā,
05:49
shown here in red, she would laugh.
152
337541
2665
meitene smējās.
05:52
So at first they thought they were triggering
153
340206
1440
Pirmajā brīdī viņi domāja,
ka aktivizē kādu smieklu refleksu.
05:53
some kind of laugh reflex,
154
341646
1720
05:55
but no, they quickly realized they had found
155
343366
2519
Bet, nē, viņi ātri vien saprata,
ka ir atraduši
ka ir atraduši
05:57
the points in her neocortex that detect humor,
156
345885
3044
punktus meitenes smadzeņu garozā,
kas uztver humoru.
06:00
and she just found everything hilarious
157
348929
1969
Viņai likās smieklīgs viss ikreiz,
kad ārsti aizskāra šos punktus.
kad ārsti aizskāra šos punktus.
06:02
whenever they stimulated these points.
158
350898
2437
06:05
"You guys are so funny just standing around,"
159
353335
1925
"Jūs esat tik smieklīgi,
tā stāvēdami apkārt,"
tā stāvēdami apkārt,"
06:07
was the typical comment,
160
355260
1738
bija tipisks komentārs.
06:08
and they weren't funny,
161
356998
2302
Un viņi nebija smieklīgi,
06:11
not while doing surgery.
162
359300
3247
ne jau operācijas laikā.
06:14
So how are we doing today?
163
362547
4830
Tātad —
kā mums iet tagad?
06:19
Well, computers are actually beginning to master
164
367377
3054
Nu, datori sāk apgūt cilvēku valodu,
06:22
human language with techniques
165
370431
2001
izmantojot metodes,
06:24
that are similar to the neocortex.
166
372432
2867
kas līdzīgas smadzeņu garozai.
06:27
I actually described the algorithm,
167
375299
1514
Es aprakstīju algoritmu,
06:28
which is similar to something called
168
376813
2054
kas līdzinās tā sauktajam
hierarhijas slēptajam Markova modelim,
hierarhijas slēptajam Markova modelim,
06:30
a hierarchical hidden Markov model,
169
378867
2233
06:33
something I've worked on since the '90s.
170
381100
3241
pie kā es strādāju kopš 90. gadiem.
"Jeopardy!" ir plaša
dabiskās valodas TV spēle,
dabiskās valodas TV spēle,
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
un dators Vatsons ieguva labāku rezultātu
06:39
and Watson got a higher score
172
387579
1892
06:41
than the best two players combined.
173
389471
2000
nekā divi labākie spēlētāji kopā.
06:43
It got this query correct:
174
391471
2499
Tas spēja atbildēt uz šādu jautājumu:
06:45
"A long, tiresome speech
175
393970
2085
"Gara, nogurdinoša runa,
06:48
delivered by a frothy pie topping,"
176
396055
2152
kas pasniegta
ar putojošu pīrāga virskārtu."
ar putojošu pīrāga virskārtu."
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
Tas ātri atbildēja:
"Kas ir bezē spriedelējums?"
"Kas ir bezē spriedelējums?"
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
Dženings un otrs spēlētājs to nesaprata.
06:55
It's a pretty sophisticated example of
179
403638
1926
Tas ir diezgan smalks piemērs tam,
ka datori patiešām saprot cilvēku valodu,
06:57
computers actually understanding human language,
180
405564
1914
06:59
and it actually got its knowledge by reading
181
407478
1652
un tie savas zināšanas iegūst,
lasot Vikipēdiju un citas enciklopēdijas.
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
07:04
Five to 10 years from now,
183
412915
2133
Pēc pieciem, desmit gadiem
07:07
search engines will actually be based on
184
415048
2184
meklētāji būs balstīti
07:09
not just looking for combinations of words and links
185
417232
2794
nevis uz vārdu kombināciju
un saikņu meklēšanu,
un saikņu meklēšanu,
07:12
but actually understanding,
186
420026
1914
bet uz īstu izpratni,
07:13
reading for understanding the billions of pages
187
421940
2411
tie lasīs miljardiem lappušu
tīmeklī un grāmatās, lai saprastu.
tīmeklī un grāmatās, lai saprastu.
07:16
on the web and in books.
188
424351
2733
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
Jums pastaigājoties savā nodabā,
pēkšņi parādīsies "Google" logs un teiks:
pēkšņi parādīsies "Google" logs un teiks:
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
"Atceries, Mērij,
pirms mēneša Tu satraucies,
pirms mēneša Tu satraucies,
07:24
to me a month ago that your glutathione supplement
191
432781
3019
ka tavs glutationa uztura bagātinātājs
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
nespēj pārvarēt
asinsrites—smadzeņu barjeru.
asinsrites—smadzeņu barjeru.
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
Pirms 13 sekundēm
klajā nācis jauns pētījums,
klajā nācis jauns pētījums,
07:32
that shows a whole new approach to that
194
440624
1711
kas demonstrē pilnīgi jaunu pieeju
07:34
and a new way to take glutathione.
195
442335
1993
un jaunu veidu, kā uzņemt glutationu.
07:36
Let me summarize it for you."
196
444328
2562
Ļauj man to Tev apkopot."
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
Pēc 20 gadiem mums būs nanoboti,
07:42
because another exponential trend
198
450574
1627
jo vēl viena eksponenciāla tendence
ir tehnikas izmēru samazināšanās.
ir tehnikas izmēru samazināšanās.
07:44
is the shrinking of technology.
199
452201
1615
07:45
They'll go into our brain
200
453816
2370
Caur kapilāriem tie iekļūs mūsu smadzenēs
07:48
through the capillaries
201
456186
1703
un būtībā savienos mūsu smadzeņu garozu
07:49
and basically connect our neocortex
202
457889
2477
07:52
to a synthetic neocortex in the cloud
203
460366
3185
ar sintētisku smadzeņu garozu "mākonī",
07:55
providing an extension of our neocortex.
204
463551
3591
tādējādi paplašinot mūsu smadzeņu garozu.
07:59
Now today, I mean,
205
467142
1578
Šodien dators ir jūsu telefonā,
08:00
you have a computer in your phone,
206
468720
1530
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
bet, ja jums uz dažām sekundēm
vajag 10 000 datoru,
vajag 10 000 datoru,
08:05
to do a complex search,
208
473004
1495
lai veiktu sarežģītu meklēšanu,
08:06
you can access that for a second or two in the cloud.
209
474499
3396
jūs uz vienu vai divām sekundēm
varat tādiem piekļūt "mākonī".
varat tādiem piekļūt "mākonī".
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
2030. gados, ja jums vajadzēs
papildus smadzeņu garozu,
papildus smadzeņu garozu,
08:12
you'll be able to connect to that in the cloud
211
480990
2273
jūs varēsiet tai piekļūt "mākonī"
taisnā ceļā no savām smadzenēm.
taisnā ceļā no savām smadzenēm.
08:15
directly from your brain.
212
483263
1648
Teiksim, es pastaigājos un redzu:
08:16
So I'm walking along and I say,
213
484911
1543
08:18
"Oh, there's Chris Anderson.
214
486454
1363
"Skat, tur ir Kriss Andersons.
08:19
He's coming my way.
215
487817
1525
Viņš nāk uz manu pusi.
08:21
I'd better think of something clever to say.
216
489342
2335
Derētu izdomāt un pateikt kaut ko gudru.
08:23
I've got three seconds.
217
491677
1524
Man ir trīs sekundes laika.
08:25
My 300 million modules in my neocortex
218
493201
3097
300 miljoni moduļu manā smadzeņu garozā
to nespēs paveikt.
08:28
isn't going to cut it.
219
496298
1240
08:29
I need a billion more."
220
497538
1246
Man vajag par miljardu vairāk."
08:30
I'll be able to access that in the cloud.
221
498784
3323
Es tiem varēšu piekļūt "mākonī".
08:34
And our thinking, then, will be a hybrid
222
502107
2812
Un tad mūsu domāšana
būs bioloģiskas un nebioloģiskas
domāšanas hibrīds.
domāšanas hibrīds.
08:36
of biological and non-biological thinking,
223
504919
3522
08:40
but the non-biological portion
224
508441
1898
Nebioloģiskā domāšanas daļa
08:42
is subject to my law of accelerating returns.
225
510339
2682
atbilst manam pieaugošās atdeves likumam.
08:45
It will grow exponentially.
226
513021
2239
Tā augs eksponenciāli.
08:47
And remember what happens
227
515260
2016
Un vai atceraties,
kas notika iepriekšējā reizē,
kas notika iepriekšējā reizē,
08:49
the last time we expanded our neocortex?
228
517276
2645
kad paplašinājām savu smadzeņu garozu?
08:51
That was two million years ago
229
519921
1426
Tas bija pirms 2 miljoniem gadu,
08:53
when we became humanoids
230
521347
1236
kad mēs kļuvām par humanoīdiem
08:54
and developed these large foreheads.
231
522583
1594
un attīstījām šīs lielās pieres.
08:56
Other primates have a slanted brow.
232
524177
2583
Citiem primātiem ir slīpa piere.
08:58
They don't have the frontal cortex.
233
526760
1745
Viņiem nav pieres daivas.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
Bet kvalitatīvi pieres daiva
nemaz tik ļoti neatšķiras.
nemaz tik ļoti neatšķiras.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
Tā ir kvantitatīvs
smadzeņu garozas paplašinājums,
smadzeņu garozas paplašinājums,
09:06
but that additional quantity of thinking
236
534933
2703
bet šis papildus domāšanas apjoms
09:09
was the enabling factor for us to take
237
537636
1779
bija priekšnoteikums
mūsu kvalitatīvai attīstībai —
mūsu kvalitatīvai attīstībai —
09:11
a qualitative leap and invent language
238
539415
3346
valodas un mākslas,
un zinātnes, un tehnoloģijas,
un zinātnes, un tehnoloģijas,
09:14
and art and science and technology
239
542761
1967
09:16
and TED conferences.
240
544728
1454
un TED konferenču izgudrošanai.
09:18
No other species has done that.
241
546182
2131
Neviena cita suga to nav paveikusi.
09:20
And so, over the next few decades,
242
548313
2075
Un tuvāko desmitgažu laikā
09:22
we're going to do it again.
243
550388
1760
mēs to izdarīsim vēlreiz.
09:24
We're going to again expand our neocortex,
244
552148
2274
Mēs vēlreiz paplašināsim
savu smadzeņu garozu,
savu smadzeņu garozu,
09:26
only this time we won't be limited
245
554422
1756
tikai šoreiz mums nebūs
arhitektonisku ierobežojumu.
arhitektonisku ierobežojumu.
09:28
by a fixed architecture of enclosure.
246
556178
4280
09:32
It'll be expanded without limit.
247
560458
3304
Smadzeņu garoza neierobežoti izpletīsies.
09:35
That additional quantity will again
248
563762
2243
Tās papildus apjoms
atkal būs priekšnoteikums
atkal būs priekšnoteikums
09:38
be the enabling factor for another qualitative leap
249
566005
3005
vēl vienam kvalitatīvam lēcienam
09:41
in culture and technology.
250
569010
1635
kultūrā un tehnoloģijās.
09:42
Thank you very much.
251
570645
2054
Liels paldies!
(Aplausi)
09:44
(Applause)
252
572699
3086
ABOUT THE SPEAKER
Ray Kurzweil - Inventor, futuristRay Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species.
Why you should listen
Inventor, entrepreneur, visionary, Ray Kurzweil's accomplishments read as a startling series of firsts -- a litany of technological breakthroughs we've come to take for granted. Kurzweil invented the first optical character recognition (OCR) software for transforming the written word into data, the first print-to-speech software for the blind, the first text-to-speech synthesizer, and the first music synthesizer capable of recreating the grand piano and other orchestral instruments, and the first commercially marketed large-vocabulary speech recognition.
Yet his impact as a futurist and philosopher is no less significant. In his best-selling books, which include How to Create a Mind, The Age of Spiritual Machines, The Singularity Is Near: When Humans Transcend Biology, Kurzweil depicts in detail a portrait of the human condition over the next few decades, as accelerating technologies forever blur the line between human and machine.
In 2009, he unveiled Singularity University, an institution that aims to "assemble, educate and inspire leaders who strive to understand and facilitate the development of exponentially advancing technologies." He is a Director of Engineering at Google, where he heads up a team developing machine intelligence and natural language comprehension.
Ray Kurzweil | Speaker | TED.com