TED2013
Ajit Narayanan: A word game to communicate in any language
Ajit Narayanan: Um jogo de palavras para comunicar em qualquer língua
Filmed:
Readability: 3.4
1,391,245 views
Ao trabalhar com crianças que têm problemas em falar, Ajit Narayanan imaginou uma forma de pensar a linguagem através de imagens, de relacionar palavras e conceitos em "mapas". A ideia agora alimenta uma aplicação informática que ajuda pessoas não verbais a comunicar e a grande ideia por detrás disso, um conceito de linguagem chamado FreeSpeech ("Expressão Livre"), tem um potencial excitante.
Ajit Narayanan - Visual grammar engine inventor
Ajit Narayanan is the inventor of Avaz, an affordable, tablet-based communication device for people who are speech-impaired. Full bio
Ajit Narayanan is the inventor of Avaz, an affordable, tablet-based communication device for people who are speech-impaired. Full bio
Double-click the English transcript below to play the video.
00:12
I work with children with autism.
0
721
2670
Trabalho com crianças que sofrem de autismo.
00:15
Specifically, I make technologies
1
3391
1914
Especificamente, desenvolvo tecnologias
00:17
to help them communicate.
2
5305
2171
para as ajudar a comunicar.
00:19
Now, many of the problems that children
3
7476
1539
Muitos dos problemas que
as crianças autistas
as crianças autistas
00:21
with autism face, they have a common source,
4
9015
3763
enfrentam têm uma causa comum,
00:24
and that source is that they find it difficult
5
12778
2094
e essa causa é que elas têm dificuldade
00:26
to understand abstraction, symbolism.
6
14872
5260
em entender abstracções, simbolismos.
00:32
And because of this, they have
a lot of difficulty with language.
a lot of difficulty with language.
7
20132
4652
E por essa razão,
têm muita dificuldade com a linguagem.
têm muita dificuldade com a linguagem.
00:36
Let me tell you a little bit about why this is.
8
24784
3015
Vou falar um pouco sobre a razão
por que é que isso acontece.
por que é que isso acontece.
00:39
You see that this is a picture of a bowl of soup.
9
27799
3934
Como podem ver, esta é uma imagem
de uma tigela de sopa.
de uma tigela de sopa.
00:43
All of us can see it. All of us understand this.
10
31733
2485
Todos nós vemos isso.
Todos nós percebemos isso.
Todos nós percebemos isso.
00:46
These are two other pictures of soup,
11
34218
2312
Estas são duas outras imagens de sopa,
00:48
but you can see that these are more abstract
12
36530
2067
mas, como podemos ver,
estas imagens são mais abstractas.
estas imagens são mais abstractas.
00:50
These are not quite as concrete.
13
38597
1856
Não são tão concretas.
00:52
And when you get to language,
14
40453
2174
E quando passamos para a linguagem,
00:54
you see that it becomes a word
15
42627
1868
podemos ver que passa a ser uma palavra
00:56
whose look, the way it looks and the way it sounds,
16
44495
3261
cujo aspecto e modo como soa
00:59
has absolutely nothing to do
with what it started with,
with what it started with,
17
47756
2912
não tem nada a ver com a foto
com que começámos,
com que começámos,
01:02
or what it represents, which is the bowl of soup.
18
50668
2830
nem com o que ela representa,
ou seja, uma tigela de sopa.
ou seja, uma tigela de sopa.
01:05
So it's essentially a completely abstract,
19
53498
2900
A palavra é essencialmente
uma representação abstracta,
uma representação abstracta,
01:08
a completely arbitrary representation of something
20
56398
2576
uma representação totalmente arbitrária
01:10
which is in the real world,
21
58974
1163
duma coisa que existe no mundo real,
01:12
and this is something that children with autism
22
60137
1791
e isso é uma coisa que as crianças autistas
01:13
have an incredible amount of difficulty with.
23
61928
3164
têm uma dificuldade terrível em perceber.
01:17
Now that's why most of the people
that work with children with autism --
that work with children with autism --
24
65092
2751
É por isso que a maioria das pessoas
que trabalham com crianças autistas
que trabalham com crianças autistas
01:19
speech therapists, educators --
25
67843
1878
— terapeutas da fala, professores —
01:21
what they do is, they try to help children with autism
26
69721
2633
o que fazem,
é tentar ajudar crianças autistas
é tentar ajudar crianças autistas
01:24
communicate not with words, but with pictures.
27
72354
3229
a comunicar, não com palavras,
mas com imagens.
mas com imagens.
01:27
So if a child with autism wanted to say,
28
75583
1930
Se uma criança autista quiser dizer:
01:29
"I want soup," that child would pick
29
77513
2458
"Eu quero sopa", essa criança usará
01:31
three different pictures, "I," "want," and "soup,"
30
79971
2260
três imagens diferentes, "Eu", "quero" e "sopa",
01:34
and they would put these together,
31
82231
1609
e juntará essas imagens.
01:35
and then the therapist or the parent would
32
83840
1867
Então, o terapeuta ou os pais percebem
01:37
understand that this is what the kid wants to say.
33
85707
1887
o que é que a criança quer.
01:39
And this has been incredibly effective;
34
87594
1778
E isto tem sido muito eficaz.
01:41
for the last 30, 40 years
35
89372
2141
Nos últimos 30, 40 anos
01:43
people have been doing this.
36
91513
1613
é o que se tem feito.
01:45
In fact, a few years back,
37
93126
1349
Na verdade, há alguns anos,
01:46
I developed an app for the iPad
38
94475
2675
eu desenvolvi uma aplicação para o iPad
01:49
which does exactly this. It's called Avaz,
39
97150
2255
que faz exatamente a mesma coisa.
Chamei-lhe Avaz,
Chamei-lhe Avaz,
01:51
and the way it works is that kids select
40
99405
2279
e funciona com as crianças
01:53
different pictures.
41
101684
1321
a escolher diferentes imagens.
01:55
These pictures are sequenced
together to form sentences,
together to form sentences,
42
103005
2570
Essas imagens são agrupadas sequencialmente
para formar frases,
para formar frases,
01:57
and these sentences are spoken out.
43
105575
1719
e essas frases são pronunciadas
em voz alta.
em voz alta.
01:59
So Avaz is essentially converting pictures,
44
107294
3025
O Avaz, essencialmente, transforma imagens,
02:02
it's a translator, it converts pictures into speech.
45
110319
3960
é um tradutor, traduz imagens em fala.
Foi um grande êxito.
02:06
Now, this was very effective.
46
114279
1718
02:07
There are thousands of children using this,
47
115997
1384
Há milhares de crianças a usar o Avaz
02:09
you know, all over the world,
48
117381
1430
em todo o mundo.
02:10
and I started thinking about
49
118811
2175
Então, comecei a pensar
02:12
what it does and what it doesn't do.
50
120986
2654
sobre o que ele consegue fazer
e o que não consegue fazer.
e o que não consegue fazer.
02:15
And I realized something interesting:
51
123640
1684
E percebi uma coisa interessante:
02:17
Avaz helps children with autism learn words.
52
125324
4203
O Avaz ajuda crianças autistas
a aprender palavras.
a aprender palavras.
02:21
What it doesn't help them do is to learn
53
129527
2405
O que ele não faz é ajudá-las a aprender
02:23
word patterns.
54
131932
2748
os padrões das palavras.
02:26
Let me explain this in a little more detail.
55
134680
2472
Vou explicar isto com maior pormenor.
02:29
Take this sentence: "I want soup tonight."
56
137152
3057
Reparem nesta frase:
"Eu quero sopa esta noite".
"Eu quero sopa esta noite".
02:32
Now it's not just the words
here that convey the meaning.
here that convey the meaning.
57
140209
4080
Aqui, não são só as palavras
que transmitem um significado
que transmitem um significado
02:36
It's also the way in which these words are arranged,
58
144289
3140
É também a forma como
as palavras estão organizadas,
as palavras estão organizadas,
02:39
the way these words are modified and arranged.
59
147429
2515
a maneira como essas palavras
são modificadas e organizadas.
são modificadas e organizadas.
02:41
And that's why a sentence like "I want soup tonight"
60
149959
2306
E é por isso que uma frase como
"Eu quero sopa esta noite",
"Eu quero sopa esta noite",
02:44
is different from a sentence like
61
152265
1984
é diferente de uma frase como
02:46
"Soup want I tonight," which
is completely meaningless.
is completely meaningless.
62
154249
3312
"Sopa quero esta eu noite",
que não faz qualquer sentido.
que não faz qualquer sentido.
02:49
So there is another hidden abstraction here
63
157561
2619
Há, pois, aqui uma abstracção escondida
02:52
which children with autism find
a lot of difficulty coping with,
a lot of difficulty coping with,
64
160180
3557
que as crianças autistas
têm muita dificuldade em apreender
têm muita dificuldade em apreender
02:55
and that's the fact that you can modify words
65
163737
2840
ou seja, o facto de podermos
modificar palavras
modificar palavras
02:58
and you can arrange them to have
66
166577
2101
e reorganizá-las para terem
diferentes significados,
diferentes significados,
03:00
different meanings, to convey different ideas.
67
168678
2895
para transmitirmos ideias diferentes.
03:03
Now, this is what we call grammar.
68
171573
3459
É a isso que chamamos gramática.
03:07
And grammar is incredibly powerful,
69
175032
2036
E a gramática é extremamente poderosa,
03:09
because grammar is this one component of language
70
177068
3157
porque a gramática é
um componente da linguagem
um componente da linguagem
03:12
which takes this finite vocabulary that all of us have
71
180225
3489
que utiliza o vocabulário finito
que todos nós temos
que todos nós temos
03:15
and allows us to convey an
infinite amount of information,
infinite amount of information,
72
183714
4531
e nos permite transmitir
uma quantidade infinita de informações,
uma quantidade infinita de informações,
03:20
an infinite amount of ideas.
73
188245
2134
uma quantidade infinita de ideias.
03:22
It's the way in which you can put things together
74
190379
2002
É a maneira como podemos organizar
as palavras
as palavras
03:24
in order to convey anything you want to.
75
192381
2168
para transmitir as ideias que queremos.
03:26
And so after I developed Avaz,
76
194549
2127
Então, depois de ter criado o Avaz,
03:28
I worried for a very long time
77
196676
1568
andei preocupado durante muito tempo
03:30
about how I could give grammar
to children with autism.
to children with autism.
78
198244
3910
sobre como é que podia ensinar
gramática a crianças autistas.
gramática a crianças autistas.
03:34
The solution came to me from
a very interesting perspective.
a very interesting perspective.
79
202154
2275
A solução apareceu-me
numa situação muito interessante.
numa situação muito interessante.
03:36
I happened to chance upon a child with autism
80
204429
3449
Vi, por acaso, uma criança autista
03:39
conversing with her mom,
81
207878
2109
a conversar com a mãe,
03:41
and this is what happened.
82
209987
2094
e o que aconteceu foi isto:
03:44
Completely out of the blue, very spontaneously,
83
212081
2186
Inesperadamente, de modo muito espontâneo,
03:46
the child got up and said, "Eat."
84
214267
2463
a criança levantou-se e disse: "Comer".
03:48
Now what was interesting was
85
216730
1770
O que foi interessante
03:50
the way in which the mom was trying to tease out
86
218500
4244
foi a forma como a mãe tentou descobrir
03:54
the meaning of what the child wanted to say
87
222744
2213
o significado do que a criança queria dizer
03:56
by talking to her in questions.
88
224957
2260
fazendo-lhe perguntas.
03:59
So she asked, "Eat what? Do
you want to eat ice cream?
you want to eat ice cream?
89
227217
2593
Perguntou: "Comer o quê?
Queres comer um gelado?
Queres comer um gelado?
04:01
You want to eat? Somebody else wants to eat?
90
229810
2112
"Queres comer?
Há mais alguém que quer comer?
Há mais alguém que quer comer?
04:03
You want to eat cream now? You
want to eat ice cream in the evening?"
want to eat ice cream in the evening?"
91
231922
3313
"Queres comer um gelado agora?
Queres comer um gelado logo à noite?"
Queres comer um gelado logo à noite?"
04:07
And then it struck me that
92
235235
1514
E então eu percebi
04:08
what the mother had done was something incredible.
93
236749
2028
que o que a mãe tinha feito
fora uma coisa extraordinária.
fora uma coisa extraordinária.
04:10
She had been able to get that child to communicate
94
238777
1994
Tinha sido capaz de levar a criança
a comunicar-lhe
a comunicar-lhe
04:12
an idea to her without grammar.
95
240771
4138
uma ideia sem usar a gramática.
04:16
And it struck me that maybe this is what
96
244909
2696
E fiquei a pensar que talvez fosse isso
04:19
I was looking for.
97
247605
1385
de que andava à procura.
04:20
Instead of arranging words in an order, in sequence,
98
248990
4142
Em vez de pôr as palavras por ordem,
numa sequência,
numa sequência,
04:25
as a sentence, you arrange them
99
253132
2172
como uma frase, colocamo-las
04:27
in this map, where they're all linked together
100
255304
3811
neste mapa, onde elas ficam todas ligadas.
04:31
not by placing them one after the other
101
259115
2143
não por serem colocadas
umas a seguir às outras
umas a seguir às outras
04:33
but in questions, in question-answer pairs.
102
261258
3284
mas sob a forma de perguntas,
em pares de pergunta e resposta.
em pares de pergunta e resposta.
04:36
And so if you do this, then what you're conveying
103
264542
2358
E se assim fizéssemos,
o que estávamos a transmitir
o que estávamos a transmitir
04:38
is not a sentence in English,
104
266900
1986
não era uma frase em inglês
04:40
but what you're conveying is really a meaning,
105
268886
2966
mas o que estávamos realmente
a transmitir era um significado,
a transmitir era um significado,
04:43
the meaning of a sentence in English.
106
271852
1511
o significado de uma frase em inglês.
04:45
Now, meaning is really the underbelly,
in some sense, of language.
in some sense, of language.
107
273363
2932
O significado, em certo sentido,
é o ponto fraco da linguagem.
é o ponto fraco da linguagem.
04:48
It's what comes after thought but before language.
108
276295
3821
Aparece depois do pensamento
mas antes da linguagem.
mas antes da linguagem.
04:52
And the idea was that this particular representation
109
280116
2503
E a ideia era que esta representação
em particular
em particular
04:54
might convey meaning in its raw form.
110
282619
3261
transmitisse um sentido na sua
forma mais pura.
forma mais pura.
04:57
So I was very excited by this, you know,
111
285880
1771
Fiquei muito entusiasmado com isso,
04:59
hopping around all over the place,
112
287651
1493
e desatei a procurar por todos os lados
05:01
trying to figure out if I can convert
113
289144
1771
tentando descobrir se seria possível
05:02
all possible sentences that I hear into this.
114
290915
2524
transformar todas a frases possíveis
naquele modelo.
naquele modelo.
05:05
And I found that this is not enough.
115
293439
1773
E descobri que isso não chegava.
05:07
Why is this not enough?
116
295212
1385
Porque é que não chegava?
05:08
This is not enough because if you wanted to convey
117
296597
1711
Não chegava porque, se quisermos transmitir
05:10
something like negation,
118
298308
2250
a ideia de uma negação,
05:12
you want to say, "I don't want soup,"
119
300558
1736
se quisermos dizer:
"Eu não quero sopa",
"Eu não quero sopa",
05:14
then you can't do that by asking a question.
120
302294
2220
não podemos fazer isso com uma pergunta.
05:16
You do that by changing the word "want."
121
304514
2285
Temos que fazer isso
substituindo a palavra "querer".
substituindo a palavra "querer".
05:18
Again, if you wanted to say,
122
306799
1637
Outro exemplo, se quisermos dizer:
05:20
"I wanted soup yesterday,"
123
308436
1980
"Eu ontem quis sopa",
05:22
you do that by converting
the word "want" into "wanted."
the word "want" into "wanted."
124
310416
2737
estamos a substituir a palavra
"quero" por "quis".
"quero" por "quis".
05:25
It's a past tense.
125
313153
1666
É o pretérito perfeito simples.
05:26
So this is a flourish which I added
126
314819
2103
Por isso, acrescentei um floreado
05:28
to make the system complete.
127
316922
1576
para tornar o sistema mais completo.
05:30
This is a map of words joined together
128
318498
1977
Este é um mapa de palavras colocadas
05:32
as questions and answers,
129
320475
1656
no modelo pergunta–resposta,
05:34
and with these filters applied on top of them
130
322131
2264
com estes filtros colocados por cima delas
05:36
in order to modify them to represent
131
324395
1817
de modo a modificá-las
05:38
certain nuances.
132
326212
1709
para representarem certas nuances.
05:39
Let me show you this with a different example.
133
327921
1951
Vou mostrar isso com um exemplo diferente.
05:41
Let's take this sentence:
134
329872
1254
Peguemos nesta frase:
05:43
"I told the carpenter I could not pay him."
135
331126
1980
"Eu disse ao carpinteiro que
não lhe podia pagar".
não lhe podia pagar".
05:45
It's a fairly complicated sentence.
136
333106
1792
É uma frase muito complicada.
05:46
The way that this particular system works,
137
334898
1893
Pela forma como este sistema funciona
05:48
you can start with any part of this sentence.
138
336791
2578
podemos começar
com qualquer parte desta frase.
com qualquer parte desta frase.
05:51
I'm going to start with the word "tell."
139
339369
1698
Vou começar com a palavra "dizer".
05:53
So this is the word "tell."
140
341067
1462
Esta é a palavra "dizer".
05:54
Now this happened in the past,
141
342529
1600
Ora isto aconteceu no passado,
05:56
so I'm going to make that "told."
142
344129
2223
portanto, vou ter que a transformar em
"disse".
"disse".
05:58
Now, what I'm going to do is,
143
346352
1708
O que eu vou fazer agora
06:00
I'm going to ask questions.
144
348060
1756
é fazer perguntas.
06:01
So, who told? I told.
145
349816
2364
"Quem disse?"
"Eu disse."
"Eu disse."
06:04
I told whom? I told the carpenter.
146
352180
1927
"Eu disse a quem?"
"Eu disse ao carpinteiro."
"Eu disse ao carpinteiro."
06:06
Now we start with a different part of the sentence.
147
354107
1751
Agora pegamos
numa parte diferente da frase.
numa parte diferente da frase.
06:07
We start with the word "pay,"
148
355858
1867
Agora começamos com a palavra "pagar",
06:09
and we add the ability filter to it to make it "can pay."
149
357725
4577
e acrescentamos o filtro de capacidade
para a transformar em "poder pagar".
para a transformar em "poder pagar".
06:14
Then we make it "can't pay,"
150
362302
2101
Depois temos que a transformar em
"não pagar".
"não pagar".
06:16
and we can make it "couldn't pay"
151
364403
1599
E depois em "não podia pagar",
06:18
by making it the past tense.
152
366002
1663
introduzindo o passado.
06:19
So who couldn't pay? I couldn't pay.
153
367665
1923
E depois: "Quem não podia pagar?"
"Eu não podia pagar."
"Eu não podia pagar."
06:21
Couldn't pay whom? I couldn't pay the carpenter.
154
369588
2676
"Não podia pagar a quem?"
"Eu não podia pagar ao carpinteiro."
"Eu não podia pagar ao carpinteiro."
06:24
And then you join these two together
155
372264
1731
E depois juntamos as duas
06:25
by asking this question:
156
373995
1350
fazendo a pergunta:
06:27
What did I tell the carpenter?
157
375345
1737
"O que é que eu disse ao carpinteiro?"
06:29
I told the carpenter I could not pay him.
158
377082
4049
"Eu disse ao carpinteiro que
não lhe podia pagar."
não lhe podia pagar."
06:33
Now think about this. This is
159
381131
1937
Agora pensem nisto.
É...
É...
06:35
—(Applause)—
160
383068
3542
(Aplausos)
06:38
this is a representation of this sentence
161
386610
3672
É uma representação desta frase
06:42
without language.
162
390282
2435
sem linguagem.
06:44
And there are two or three
interesting things about this.
interesting things about this.
163
392717
2192
E há duas ou três coisas
interessantes nisto.
interessantes nisto.
06:46
First of all, I could have started anywhere.
164
394909
3131
Primeiro, eu podia ter começado
por qualquer lado.
por qualquer lado.
06:50
I didn't have to start with the word "tell."
165
398040
2243
Não tinha que começar pela palavra "dizer".
06:52
I could have started anywhere in the sentence,
166
400283
1416
Podia ter começado
em qualquer sítio da frase,
em qualquer sítio da frase,
06:53
and I could have made this entire thing.
167
401699
1507
e podia ter feito a mesma coisa.
06:55
The second thing is, if I wasn't an English speaker,
168
403206
2776
Em segundo lugar,
se eu não soubesse falar inglês,
se eu não soubesse falar inglês,
06:57
if I was speaking in some other language,
169
405982
2175
se estivesse a falar qualquer outra língua,
07:00
this map would actually hold true in any language.
170
408157
3156
este mapa continuaria válido
em qualquer língua.
em qualquer língua.
07:03
So long as the questions are standardized,
171
411313
1990
Desde que as perguntas sejam standardizadas,
07:05
the map is actually independent of language.
172
413303
4287
o mapa é independente da língua.
07:09
So I call this FreeSpeech,
173
417590
2115
Por isso chamo-lhe FreeSpeech
[ExpressãoLivre].
[ExpressãoLivre].
07:11
and I was playing with this for many, many months.
174
419705
2935
Andei muitos, muitos meses à volta disto.
07:14
I was trying out so many
different combinations of this.
different combinations of this.
175
422640
2726
Experimentei inúmeras combinações
diferentes.
diferentes.
07:17
And then I noticed something very
interesting about FreeSpeech.
interesting about FreeSpeech.
176
425366
2289
E então detectei uma coisa
muito interessante no FreeSpeech.
muito interessante no FreeSpeech.
07:19
I was trying to convert language,
177
427655
3243
Estava a tentar traduzir uma linguagem,
07:22
convert sentences in English
into sentences in FreeSpeech,
into sentences in FreeSpeech,
178
430898
2384
a traduzir frases em inglês
para frases em FreeSpeech.
para frases em FreeSpeech.
07:25
and vice versa, and back and forth.
179
433282
1752
e vice–versa, em ambos os sentidos.
07:27
And I realized that this particular configuration,
180
435034
2255
E percebi que esta configuração particular,
07:29
this particular way of representing language,
181
437289
2026
esta forma particular de representar
a linguagem,
a linguagem,
07:31
it allowed me to actually create very concise rules
182
439315
4395
me permitia criar regras muito concisas
07:35
that go between FreeSpeech on one side
183
443710
2734
que serviam o FreeSpeech por um lado
07:38
and English on the other.
184
446444
1488
e o inglês por outro.
07:39
So I could actually write this set of rules
185
447932
2180
Portanto, podia escrever
esse conjunto de regras
esse conjunto de regras
07:42
that translates from this particular
representation into English.
representation into English.
186
450112
3395
que traduzem essa representação
especial para o inglês,
especial para o inglês,
07:45
And so I developed this thing.
187
453507
1831
E desenvolvi uma coisa.
07:47
I developed this thing called
the FreeSpeech Engine
the FreeSpeech Engine
188
455338
2232
Desenvolvi aquilo a que chamei
FreeSpeech Engine
FreeSpeech Engine
07:49
which takes any FreeSpeech sentence as the input
189
457570
2561
que agarra em qualquer frase
do FreeSpeech, como dados,
do FreeSpeech, como dados,
07:52
and gives out perfectly grammatical English text.
190
460131
3930
e produz um texto inglês
perfeitamente gramatical.
perfeitamente gramatical.
07:56
And by putting these two pieces together,
191
464061
1605
E, ao juntar estas duas peças,
07:57
the representation and the engine,
192
465666
1881
a representação e o motor,
07:59
I was able to create an app, a
technology for children with autism,
technology for children with autism,
193
467547
3796
pude criar uma aplicação,
uma tecnologia para crianças autistas
uma tecnologia para crianças autistas
08:03
that not only gives them words
194
471343
2499
que não só lhes dá palavras,
08:05
but also gives them grammar.
195
473842
3941
mas também lhes dá uma gramática.
08:09
So I tried this out with kids with autism,
196
477783
2360
Então testei isto com crianças autistas,
08:12
and I found that there was an
incredible amount of identification.
incredible amount of identification.
197
480143
5013
e descobri que havia uma
quantidade incrível de identificação.
quantidade incrível de identificação.
08:17
They were able to create sentences in FreeSpeech
198
485156
2720
Foram capazes de criar frases em FreeSpeech
08:19
which were much more complicated
but much more effective
but much more effective
199
487876
2558
que eram muito mais complicadas
mas muito mais eficazes
mas muito mais eficazes
08:22
than equivalent sentences in English,
200
490434
2899
do que as frases equivalentes em inglês.
08:25
and I started thinking about
201
493333
1682
E comecei a pensar
08:27
why that might be the case.
202
495015
1969
porque é que isso acontecia.
08:28
And I had an idea, and I want to
talk to you about this idea next.
talk to you about this idea next.
203
496984
4287
E tive uma ideia.
Quero falar-vos dessa ideia.
Quero falar-vos dessa ideia.
08:33
In about 1997, about 15 years back,
204
501271
3142
Por volta de 1997, há cerca de 15 anos,
08:36
there were a group of scientists that were trying
205
504413
2011
havia um grupo de cientistas
que estavam a tentar
que estavam a tentar
08:38
to understand how the brain processes language,
206
506424
2389
perceber como é que o cérebro
processa a linguagem,
processa a linguagem,
08:40
and they found something very interesting.
207
508813
1779
e descobriram uma coisa muito interessante.
08:42
They found that when you learn a language
208
510592
1872
Descobriram que,
quando aprendemos uma língua
quando aprendemos uma língua
08:44
as a child, as a two-year-old,
209
512464
2912
enquanto crianças, por volta dos dois anos,
08:47
you learn it with a certain part of your brain,
210
515376
2366
aprendemo-la com uma certa parte
do nosso cérebro
do nosso cérebro
08:49
and when you learn a language as an adult --
211
517742
1600
e, quando aprendemos uma língua
enquanto adultos
enquanto adultos
08:51
for example, if I wanted to
learn Japanese right now —
learn Japanese right now —
212
519342
3911
— por exemplo, se eu quiser aprender
japonês agora —
japonês agora —
08:55
a completely different part of my brain is used.
213
523253
2707
vou usar uma parte totalmente
diferente do meu cérebro.
diferente do meu cérebro.
08:57
Now I don't know why that's the case,
214
525960
1831
Não sei porque é que isso acontece
08:59
but my guess is that that's because
215
527791
1991
mas suponho que será
09:01
when you learn a language as an adult,
216
529782
2437
porque, quando aprendemos
uma língua quando adultos,
uma língua quando adultos,
09:04
you almost invariably learn it
217
532219
1616
quase sempre, invariavelmente, aprendemo-la
09:05
through your native language, or
through your first language.
through your first language.
218
533835
4266
por intermédio da nossa língua nativa,
ou por intermédio da nossa primeira língua.
ou por intermédio da nossa primeira língua.
09:10
So what's interesting about FreeSpeech
219
538101
3252
Portanto, o que é interessante no FreeSpeech
09:13
is that when you create a sentence
220
541353
1802
é que, quando criamos uma frase,
09:15
or when you create language,
221
543155
1695
ou quando criamos uma linguagem,
09:16
a child with autism creates
language with FreeSpeech,
language with FreeSpeech,
222
544850
3070
uma criança autista que cria uma
linguagem com o FreeSpeech,
linguagem com o FreeSpeech,
09:19
they're not using this support language,
223
547920
1833
não está a usar essa língua de suporte,
09:21
they're not using this bridge language.
224
549753
2211
não está a usar essa língua–ponte.
09:23
They're directly constructing the sentence.
225
551964
2657
Está a construir a frase directamente
09:26
And so this gave me this idea.
226
554621
2193
e isso também me deu uma ideia.
09:28
Is it possible to use FreeSpeech
227
556814
2024
Será possível usar o FreeSpeech,
09:30
not for children with autism
228
558838
2510
não para crianças com autismo,
09:33
but to teach language to people without disabilities?
229
561348
6262
mas para ensinar uma língua
a pessoas sem deficiências?
a pessoas sem deficiências?
09:39
And so I tried a number of experiments.
230
567610
1978
E então tentei uma série de experiências.
09:41
The first thing I did was I built a jigsaw puzzle
231
569588
2948
A primeira coisa que fiz foi
construir um "puzzle".
construir um "puzzle".
09:44
in which these questions and answers
232
572536
1970
em que estas perguntas e respostas
09:46
are coded in the form of shapes,
233
574506
1835
estão codificadas através de formas,
09:48
in the form of colors,
234
576341
1138
sob a forma de cores,
09:49
and you have people putting these together
235
577479
1849
e pomos as pessoas a juntá-las
09:51
and trying to understand how this works.
236
579328
1773
e a tentar perceber
como é que aquilo funciona.
como é que aquilo funciona.
09:53
And I built an app out of it, a game out of it,
237
581101
2376
E a partir dele, construí uma aplicação,
um jogo,
um jogo,
09:55
in which children can play with words
238
583477
2661
em que as crianças podem brincar
com as palavras
com as palavras
09:58
and with a reinforcement,
239
586138
1704
e com um reforço
09:59
a sound reinforcement of visual structures,
240
587842
2585
um forte reforço de estruturas visuais
10:02
they're able to learn language.
241
590427
2013
conseguem aprender uma língua.
10:04
And this, this has a lot of potential, a lot of promise,
242
592440
2736
E isto tem muito potencial,
é uma boa promessa
é uma boa promessa
10:07
and the government of India recently
243
595176
1975
e o governo da Índia, há pouco tempo
10:09
licensed this technology from us,
244
597151
1404
adquiriu a licença desta nossa tecnologia.
10:10
and they're going to try it out
with millions of different children
with millions of different children
245
598555
2074
e vai tentar usá-la em
milhões de diversas crianças
milhões de diversas crianças
10:12
trying to teach them English.
246
600629
2605
tentando ensinar-lhes inglês.
10:15
And the dream, the hope, the vision, really,
247
603234
2614
E o sonho, a esperança, a visão
10:17
is that when they learn English this way,
248
605848
3082
é que, quando elas aprenderem inglês
desta maneira
desta maneira
10:20
they learn it with the same proficiency
249
608930
2643
o aprendam com a mesma eficácia
10:23
as their mother tongue.
250
611573
3718
que a sua língua materna.
10:27
All right, let's talk about something else.
251
615291
3816
Mas agora vou falar de outra coisa.
10:31
Let's talk about speech.
252
619107
1997
Vou falar da fala
10:33
This is speech.
253
621104
1271
Isto é a fala.
10:34
So speech is the primary mode of communication
254
622375
1962
A fala é o modo primário de comunicação
10:36
delivered between all of us.
255
624337
1613
usado entre todos nós.
10:37
Now what's interesting about speech is that
256
625950
1855
O que é interessante na fala é que
10:39
speech is one-dimensional.
257
627805
1245
a fala é unidimensional
10:41
Why is it one-dimensional?
258
629050
1359
Porque é que é unidimensional?
10:42
It's one-dimensional because it's sound.
259
630409
1568
É unidimensional porque é som.
10:43
It's also one-dimensional because
260
631977
1539
Também é unidimensional porque
10:45
our mouths are built that way.
261
633516
1205
as nossas bocas estão construídas
dessa forma.
dessa forma.
10:46
Our mouths are built to create
one-dimensional sound.
one-dimensional sound.
262
634721
3512
As nossas bocas estão construídas
para criar um som unidimensional
para criar um som unidimensional
10:50
But if you think about the brain,
263
638233
2866
Mas, se pensarmos no cérebro,
10:53
the thoughts that we have in our heads
264
641099
1764
nos pensamentos que temos
dentro da nossa cabeça
dentro da nossa cabeça
10:54
are not one-dimensional.
265
642863
2102
não são unidimensionais.
10:56
I mean, we have these rich,
266
644965
1459
Ou seja, temos ideias ricas,
10:58
complicated, multi-dimensional ideas.
267
646424
3028
complicadas, multidimensionais.
11:01
Now, it seems to me that language
268
649452
1690
Parece-me que a linguagem
11:03
is really the brain's invention
269
651142
2332
é na verdade uma invenção do cérebro
11:05
to convert this rich, multi-dimensional thought
270
653474
3096
para transformar esse pensamento,
rico e multidimensional,
rico e multidimensional,
11:08
on one hand
271
656570
1587
por um lado,
11:10
into speech on the other hand.
272
658157
1923
em fala, pelo outro lado.
11:12
Now what's interesting is that
273
660080
1762
O que é interessante
11:13
we do a lot of work in information nowadays,
274
661842
2568
é que fazemos hoje
imenso trabalho de informação
imenso trabalho de informação
11:16
and almost all of that is done
in the language domain.
in the language domain.
275
664410
3079
e quase todo ele é feito
no domínio da linguagem.
no domínio da linguagem.
11:19
Take Google, for example.
276
667489
1939
Observem o Google, por exemplo,
11:21
Google trawls all these
countless billions of websites,
countless billions of websites,
277
669428
2677
O Google pesquisa aqueles infindáveis
milhares de milhões de "sites"
milhares de milhões de "sites"
11:24
all of which are in English,
and when you want to use Google,
and when you want to use Google,
278
672105
2725
que são todos em inglês e,
quando queremos usar o Google,
quando queremos usar o Google,
11:26
you go into Google search, and you type in English,
279
674830
2450
vamos ao Google e escrevemos em inglês
11:29
and it matches the English with the English.
280
677280
4163
e ele combina o inglês com o inglês.
11:33
What if we could do this in FreeSpeech instead?
281
681443
3583
E se pudéssemos fazer isso com
o FreeSpeech?
o FreeSpeech?
11:37
I have a suspicion that if we did this,
282
685026
2301
Suspeito que, se fizéssemos isso,
11:39
we'd find that algorithms like searching,
283
687327
2068
descobriríamos que os algoritmos
como "pesquisa",
como "pesquisa",
11:41
like retrieval, all of these things,
284
689395
2325
"recuperação", todas essas coisas,
11:43
are much simpler and also more effective,
285
691720
3075
são muito mais simples e também
mais eficazes,
mais eficazes,
11:46
because they don't process
the data structure of speech.
the data structure of speech.
286
694795
4417
porque não processam
a estrutura de dados da fala
a estrutura de dados da fala
11:51
Instead they're processing
the data structure of thought.
the data structure of thought.
287
699212
5976
pelo contrário, processam
a estrutura de dados do pensamento.
a estrutura de dados do pensamento.
11:57
The data structure of thought.
288
705188
2808
A estrutura de dados do pensamento...
11:59
That's a provocative idea.
289
707996
2076
Isto é uma ideia provocadora.
12:02
But let's look at this in a little more detail.
290
710072
2142
Mas olhemos para ela
com um pouco mais de pormenor.
com um pouco mais de pormenor.
12:04
So this is the FreeSpeech ecosystem.
291
712214
2366
Este é o ecossistema FreeSpeech
12:06
We have the Free Speech
representation on one side,
representation on one side,
292
714580
2884
Temos de um lado a representação
do FreeSpeech
do FreeSpeech
12:09
and we have the FreeSpeech
Engine, which generates English.
Engine, which generates English.
293
717464
2228
e temos o FreeSpeech Engine,
que gera o inglês.
que gera o inglês.
12:11
Now if you think about it,
294
719694
1725
Se pensarmos nisto,
12:13
FreeSpeech, I told you, is completely
language-independent.
language-independent.
295
721419
2544
o FreeSpeech, tal como vos disse,
é completamente independente da língua,
é completamente independente da língua,
12:15
It doesn't have any specific information in it
296
723963
2087
não tem dentro dele
quaisquer informações específicas
quaisquer informações específicas
12:18
which is about English.
297
726050
1228
que se refiram ao inglês.
12:19
So everything that this system knows about English
298
727278
2800
Portanto, tudo o que este sistema sabe
sobre inglês
sobre inglês
12:22
is actually encoded into the engine.
299
730078
4620
está codificado no motor.
12:26
That's a pretty interesting concept in itself.
300
734698
2237
É um conceito muito interessante,
em si mesmo.
em si mesmo.
12:28
You've encoded an entire human language
301
736935
3604
Codificámos toda uma língua humana
12:32
into a software program.
302
740539
2645
num programa de "software".
12:35
But if you look at what's inside the engine,
303
743184
2531
Mas, se olharmos
para o que está dentro do motor
para o que está dentro do motor
12:37
it's actually not very complicated.
304
745715
2358
não é assim tão complicado.
12:40
It's not very complicated code.
305
748073
2105
Não é um código muito complicado.
12:42
And what's more interesting is the fact that
306
750178
2672
E o mais interessante é o facto
12:44
the vast majority of the code in that engine
307
752850
2203
de que a maior parte do código neste motor
12:47
is not really English-specific.
308
755053
2412
não é realmente específico do inglês.
12:49
And that gives this interesting idea.
309
757465
1895
E isso dá-nos uma ideia interessante.
12:51
It might be very easy for us to actually
310
759360
2038
Na verdade, pode ser-nos muito fácil
12:53
create these engines in many,
many different languages,
many different languages,
311
761398
3826
criar estes motores em muitas,
muitas línguas diferentes,
muitas línguas diferentes,
12:57
in Hindi, in French, in German, in Swahili.
312
765224
6354
em hindi, em francês, em alemão, em suaíli...
13:03
And that gives another interesting idea.
313
771578
2799
E isso dá-nos outra ideia interessante.
13:06
For example, supposing I was a writer,
314
774377
2654
Por exemplo, supondo que eu era um escritor
13:09
say, for a newspaper or for a magazine.
315
777031
2122
digamos, para um jornal ou uma revista.
13:11
I could create content in one language, FreeSpeech,
316
779153
5011
Podia criar um conteúdo
numa língua, o FreeSpeech,
numa língua, o FreeSpeech,
13:16
and the person who's consuming that content,
317
784164
2056
e a pessoa que consumisse esse conteúdo,
13:18
the person who's reading that particular information
318
786220
3061
a pessoa que estivesse a ler
essa informação especial
essa informação especial
13:21
could choose any engine,
319
789281
2495
podia escolher qualquer motor
13:23
and they could read it in their own mother tongue,
320
791776
2736
e podia lê-lo na sua língua materna,
13:26
in their native language.
321
794512
3939
na sua língua nativa.
13:30
I mean, this is an incredibly attractive idea,
322
798451
2722
Ou seja, esta é uma ideia
incrivelmente atractiva
incrivelmente atractiva
13:33
especially for India.
323
801173
1999
principalmente para a Índia.
13:35
We have so many different languages.
324
803172
1690
Temos tantas línguas diferentes.
13:36
There's a song about India, and there's a description
325
804862
2142
Há uma canção sobre a Índia
13:39
of the country as, it says,
326
807004
2344
e há uma descrição do país, que diz:
13:41
(in Sanskrit).
327
809348
2360
(fala em sânscrito)
13:43
That means "ever-smiling speaker
328
811708
2773
Isto significa:
13:46
of beautiful languages."
329
814481
4519
"Tu que falas, sempre sorridente,
em belas linguagens".
em belas linguagens".
13:51
Language is beautiful.
330
819000
1964
A linguagem é bela.
13:52
I think it's the most beautiful of human creations.
331
820964
2454
Penso que é a mais bela das
criações humanas.
criações humanas.
13:55
I think it's the loveliest thing
that our brains have invented.
that our brains have invented.
332
823418
3978
Penso que é a coisa mais maravilhosa
que o nosso cérebro inventou
que o nosso cérebro inventou
13:59
It entertains, it educates, it enlightens,
333
827396
3584
Entretém, educa, ilumina
14:02
but what I like the most about language
334
830980
2044
mas, aquilo de que mais gosto na linguagem
14:05
is that it empowers.
335
833024
1500
é que nos dá poder.
14:06
I want to leave you with this.
336
834524
1838
Quero deixar-vos isto:
14:08
This is a photograph of my collaborators,
337
836362
2385
isto é uma fotografia das
minhas colaboradoras
minhas colaboradoras
14:10
my earliest collaborators
338
838747
997
das minhas primeiras colaboradoras
14:11
when I started working on language
339
839744
1462
quando comecei a trabalhar
sobre a linguagem
sobre a linguagem
14:13
and autism and various other things.
340
841206
1502
e o autismo e várias outras coisas.
14:14
The girl's name is Pavna,
341
842708
1417
A rapariga chama-se Pavna,
14:16
and that's her mother, Kalpana.
342
844125
1902
e aquela é a mãe dela, Kalpana.
14:18
And Pavna's an entrepreneur,
343
846027
2138
E Pavna é uma empresária,
14:20
but her story is much more remarkable than mine,
344
848165
2371
mas a história dela é muito
mais notável que a minha,
mais notável que a minha,
14:22
because Pavna is about 23.
345
850536
2400
porque Pavna tem 23 anos.
14:24
She has quadriplegic cerebral palsy,
346
852936
2552
Tem paralisia cerebral quadriplégica.
14:27
so ever since she was born,
347
855488
1640
Por isso, desde que nasceu
14:29
she could neither move nor talk.
348
857128
3600
não se pode mover nem falar.
14:32
And everything that she's accomplished so far,
349
860728
2403
E tudo aquilo que
tem conseguido fazer até hoje,
tem conseguido fazer até hoje,
14:35
finishing school, going to college,
350
863131
2227
acabar a escola, ir para a faculdade,
14:37
starting a company,
351
865358
1416
fundar uma empresa,
14:38
collaborating with me to develop Avaz,
352
866774
2140
colaborar comigo para desenvolver o Avaz,
14:40
all of these things she's done
353
868914
1892
todas estas coisas, tem-nas feito
14:42
with nothing more than moving her eyes.
354
870806
5523
apenas através do movimento dos olhos.
14:48
Daniel Webster said this:
355
876329
2689
Daniel Webster disse isto...
14:51
He said, "If all of my possessions were taken
356
879018
2940
Ele disse: "Se me quisessem tirar
tudo o que tenho
tudo o que tenho
14:53
from me with one exception,
357
881958
2988
"apenas com uma excepção,
14:56
I would choose to keep the power of communication,
358
884946
2981
"escolheria ficar com
o poder de comunicação,
o poder de comunicação,
14:59
for with it, I would regain all the rest."
359
887927
3903
"porque, com ele,
reconquistaria tudo o resto".
reconquistaria tudo o resto".
15:03
And that's why, of all of these incredible
applications of FreeSpeech,
applications of FreeSpeech,
360
891830
5116
E é por isso que, entre todas estas
incríveis aplicações do FreeSpeech,
incríveis aplicações do FreeSpeech,
15:08
the one that's closest to my heart
361
896946
2080
aquela que me é mais querida,
15:11
still remains the ability for this
362
899026
2068
continua a ser a sua capacidade
15:13
to empower children with disabilities
363
901094
2380
de possibilitar crianças com incapacidades
15:15
to be able to communicate,
364
903474
1773
a poderem comunicar,
15:17
the power of communication,
365
905247
1789
o poder da comunicação,
15:19
to get back all the rest.
366
907036
2240
para recuperarem tudo o resto.
15:21
Thank you.
367
909276
1397
Obrigado.
15:22
(Applause)
368
910673
1332
(Aplausos)
15:24
Thank you. (Applause)
369
912005
4199
Obrigado.
(Aplausos)
15:28
Thank you. Thank you. Thank you. (Applause)
370
916204
5323
Obrigado.
(Aplausos)
Obrigado.
15:33
Thank you. Thank you. Thank you. (Applause)
371
921527
4000
(Aplausos)
ABOUT THE SPEAKER
Ajit Narayanan - Visual grammar engine inventorAjit Narayanan is the inventor of Avaz, an affordable, tablet-based communication device for people who are speech-impaired.
Why you should listen
Ajit Narayanan is the founder and CEO of Invention Labs, and the inventor of Avaz AAC, the first assistive device aimed at an Indian market that helps people with speech disabilities -- such as cerebral palsy, autism, intellectual disability, aphasia and learning disabilities -- to communicate. Avaz is also available as an iPad app, aimed at children with autism. In 2010, Avaz won the National Award for Empowerment of People with Disabilities from the president of India, and in 2011, Narayanan was listed in MIT Technology Review 35 under 35.
Narayanan is a prolific inventor with more than 20 patent applications. He is an electrical engineer with degrees from IIT Madras. His research interests are embedded systems, signal processing and understanding how the brain perceives language and communication.
Ajit Narayanan | Speaker | TED.com