TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
Daniel Susskind: 3 mýty o budoucnosti práce (a proč nejsou pravdivé)
Filmed:
Readability: 4.5
1,519,249 views
"Budou lidé nahrazeni stroji?" Tuto otázku si položil každý, kdo má práci, kterou může ztratit. Daniel Susskind se zabývá nejen jí, ale také třemi mylnými předpoklady, které si vytváříme o automatizované budoucnosti. Navrhuje, že bychom se měli spíše ptát jinak: Jak rozdělíme bohatství ve světě, kde je méně – nebo dokonce žádná – práce?
Daniel Susskind - Economist
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Double-click the English transcript below to play the video.
00:12
Automation anxiety
has been spreading lately,
has been spreading lately,
0
760
3376
Poslední dobou se šíří
úzkost z automatizace.
úzkost z automatizace.
Strach, že v budoucnu
00:16
a fear that in the future,
1
4160
2656
budou nahrazovat stroje
00:18
many jobs will be performed by machines
2
6840
2456
lidskou práci
00:21
rather than human beings,
3
9320
1336
díky pozoruhodným pokrokům,
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
kterých dosahujeme v umělé
inteligenci a robotice.
inteligenci a robotice.
00:25
in artificial intelligence and robotics.
5
13640
2776
Je jasné, že nás čekají
významné změny.
významné změny.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
Je ale už méně jasné, jak
budou tyto změny vypadat.
budou tyto změny vypadat.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
Můj výzkum naznačuje, že budoucnost
bude znepokojivá i vzrušující.
bude znepokojivá i vzrušující.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
Hrozba technologické
nezaměstnanosti je skutečná
nezaměstnanosti je skutečná
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
a přesto je to prospěšný problém.
00:43
and yet it's a good problem to have.
10
31640
2056
Abych vysvětlil, jak jsem
k tomuto závěru došel,
k tomuto závěru došel,
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
rád bych vám představil tři mýty,
00:48
I want to confront three myths
12
36960
2536
o kterých si myslím, že zamlžují
naše vnímání automatizace.
naše vnímání automatizace.
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
Obraz, který vidíme na obrazovkách,
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
00:59
in books, in films, in everyday commentary
15
47240
2216
v knihách, ve filmech a zpravodajství,
ukazuje armádu robotů
ovládajících pracoviště
ovládajících pracoviště
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
01:05
with one goal in mind:
17
53200
1376
s jediným cílem:
01:06
to displace human beings from their work.
18
54600
2496
nahradit lidi v jejich práci.
Tomu říkám Mýtus Terminátora.
01:09
And I call this the Terminator myth.
19
57120
2696
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
Stroje lidi v některých
úkolech zastupují již teď,
úkolech zastupují již teď,
ale nedokáží člověka plně nahradit.
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
Také lidi v některých úkolech doplňují
01:18
They also complement them in other tasks,
22
66120
1976
a tím práci obohacují,
dělají ji významnější.
dělají ji významnější.
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
Někdy mohou člověka doplnit přímo
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
a tím přispět k vyšší produktivitě
nebo efektivitě daného úkolu.
nebo efektivitě daného úkolu.
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
Řidič taxi používá navigaci,
aby se orientoval na neznámých silnicích.
aby se orientoval na neznámých silnicích.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
Architekt používá
počítačové programy,
počítačové programy,
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
aby mohl navrhnout větší
a komplikovanější budovy.
a komplikovanější budovy.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
Ale technologický pokrok
nedoplňuje lidi pouze přímo.
nedoplňuje lidi pouze přímo.
Dělá to také nepřímo, a to dvěma způsoby.
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
Ekonomiku si můžeme představit jako koláč,
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
technologický pokrok tento koláč zvětšuje.
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
Se zvyšující se produktivitou rostou
příjmy a také poptávka.
příjmy a také poptávka.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
01:59
The British pie, for instance,
34
107520
1776
Například britský koláč
02:01
is more than a hundred times
the size it was 300 years ago.
the size it was 300 years ago.
35
109320
3960
se za 300 let zvětšil
více než stokrát.
více než stokrát.
Takže lidé, kteří byli nahrazeni
ve starém koláči,
ve starém koláči,
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
si místo toho mohli
najít práci v novém koláči.
najít práci v novém koláči.
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
Technologický pokrok ale
koláč jen nezvětšuje.
koláč jen nezvětšuje.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
Mění také přísady koláče.
V průběhu let se změnil způsob,
jakým lidé utrácejí,
jakým lidé utrácejí,
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
jak svůj příjem rozloží
mezi již existující zboží,
mezi již existující zboží,
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
a rozvíjí se také potřeba
pro zcela nové zboží.
pro zcela nové zboží.
02:29
New industries are created,
43
137200
1776
Vznikají nové podniky,
02:31
new tasks have to be done
44
139000
1816
nové úkoly, které musí někdo udělat,
tím pádem i nová pracovní
místa, která se musí obsadit.
místa, která se musí obsadit.
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
Takže znovu, britský koláč:
02:35
So again, the British pie:
46
143400
1496
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
před 300 lety pracovala
většina lidí na farmách,
většina lidí na farmách,
před 150 lety v továrnách,
02:39
150 years ago, in factories,
48
147920
2336
02:42
and today, most people work in offices.
49
150280
2856
a dnes pracuje většina lidí v kancelářích.
A opět, lidé, kteří byli
nahrazeni ve starém koláči,
nahrazeni ve starém koláči,
02:45
And once again, people displaced
from tasks in the old bit of pie
from tasks in the old bit of pie
50
153160
4056
se mohou chopit práce v novém koláči.
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
Ekonomové nazývají tyto efekty
komplementaritami,
komplementaritami,
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
ale to je spíš nóbl název
pro popsání toho,
pro popsání toho,
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
že technologický pokrok může
být lidem prospěšný.
být lidem prospěšný.
Vysvětlení Mýtu Terminátora
03:02
Resolving this Terminator myth
55
170520
2096
nám ukazuje, že ve hře jsou dvě síly:
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
nahrazení lidí stroji,
které pracovníky poškodí,
které pracovníky poškodí,
ale také komplementarity,
které dělají přesný opak.
které dělají přesný opak.
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
Nyní se přesuneme k druhému mýtu.
03:13
Now the second myth,
59
181960
1376
03:15
what I call the intelligence myth.
60
183360
2280
Říkám mu Mýtus inteligence.
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
Co má společného řízení auta s
určováním zdravotní diagnózy
určováním zdravotní diagnózy
a rychlým rozpoznáním druhu ptáka?
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
Ekonomové si o všech těchto
činnostech až donedávna mysleli,
činnostech až donedávna mysleli,
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
že nemohou být snadno automatizovány.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
A přesto dnes můžeme tyto
činnosti svěřit strojům.
činnosti svěřit strojům.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
Všichni přední výrobci aut mají
programy řízení bez řidiče.
programy řízení bez řidiče.
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
Spousta systémů umí diagnostikovat
různé zdravotní problémy.
různé zdravotní problémy.
Dokonce existuje i aplikace,
která dokáže poznat druh ptáka
která dokáže poznat druh ptáka
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
03:46
at a fleeting glimpse.
69
214800
1200
pouhým letmým pohledem.
03:48
Now, this wasn't simply a case of bad luck
on the part of economists.
on the part of economists.
70
216920
4376
Není to tak, že by ekonomové neměli
štěstí na předvídání věcí.
štěstí na předvídání věcí.
Prostě se mýlili.
03:53
They were wrong,
71
221320
1296
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
Důvod jejich omylu je velmi důležitý.
03:57
They've fallen for the intelligence myth,
73
225160
2256
Propadli Mýtu inteligence,
přesvědčení, že stroje musí napodobovat
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
lidský způsob myšlení a uvažování,
04:02
that human beings think and reason
75
230360
2056
04:04
in order to outperform them.
76
232440
1776
aby je mohli překonat.
Když se ekonomové snažili přijít na to,
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
jaké činnosti stroje nezvládnou provést,
04:08
what tasks machines could not do,
78
236480
1856
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
mysleli si, že jediný způsob,
jak zautomatizovat činnost,
je s někým si sednout,
je s někým si sednout,
04:12
was to sit down with a human being,
80
240520
1816
04:14
get them to explain to you
how it was they performed a task,
how it was they performed a task,
81
242360
3536
nechat ho, aby vysvětlil,
jak by činnost sám prováděl
jak by činnost sám prováděl
a pak se snažit zachytit jeho vysvětlení
04:17
and then try and capture that explanation
82
245920
2656
pomocí souboru pokynů,
podle kterých by stroj mohl postupovat.
podle kterých by stroj mohl postupovat.
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
Tento způsob byl oblíbený
i u umělé inteligence.
i u umělé inteligence.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
Vím to, protože Richard Susskind,
04:27
I know this because Richard Susskind,
85
255600
2176
04:29
who is my dad and my coauthor,
86
257800
2856
můj otec a spoluautor,
napsal disertační práci v roce 1980
na téma "Umělá inteligence a právo"
na téma "Umělá inteligence a právo"
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
na Oxfordské univerzitě.
04:36
at Oxford University,
88
264760
1416
04:38
and he was part of the vanguard.
89
266200
1576
Byl součástí předvoje
04:39
And with a professor called Phillip Capper
90
267800
2256
a spolu s profesorem Phillipem Capperem
04:42
and a legal publisher called Butterworths,
91
270080
2096
a vydavatelstvím zákonů Butterworths
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
vytvořili první komerčně dostupný
systém umělé inteligence pro právo.
04:50
artificial intelligence system in the law.
93
278120
2776
04:52
This was the home screen design.
94
280920
2616
Toto je návrh domovské obrazovky.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
Otec mě ujišťoval, že na svou dobu
byl jeho návrh senzační.
byl jeho návrh senzační.
04:58
(Laughter)
96
286280
1016
(Smích)
04:59
I've never been entirely convinced.
97
287320
1696
Nikdy mě úplně nepřesvědčil.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
Publikoval ho na dvou disketách,
v té době byly diskety opravdu ohebné.
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
Jeho přístup byl stejný
jako ten ekonomů:
jako ten ekonomů:
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
sejít se s právničkou,
05:09
sit down with a lawyer,
101
297600
1256
nechat ji, ať vysvětlí,
jak by řešila právní problém
jak by řešila právní problém
05:10
get her to explain to you
how it was she solved a legal problem,
how it was she solved a legal problem,
102
298880
3176
a popsat vysvětlení pomocí souboru
pravidel, která může stroj vykonat.
pravidel, která může stroj vykonat.
05:14
and then try and capture that explanation
in a set of rules for a machine to follow.
in a set of rules for a machine to follow.
103
302080
5376
Kdyby lidé mohli tímto
způsobem popsat sami sebe,
způsobem popsat sami sebe,
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
v ekonomii to můžeme označit jako
rutinu a lze ji automatizovat.
rutinu a lze ji automatizovat.
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
Pokud lidé takto sami úlohy
vysvětlit neumí,
vysvětlit neumí,
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
05:28
the tasks are called non-routine,
and they're thought to be out reach.
and they're thought to be out reach.
107
316800
4256
nejsou rutinou a donedávna jsme mysleli,
že nemohou být automatizovány.
že nemohou být automatizovány.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
Dnes je toto rozlišení velmi rozšířené.
Vzpomeňte si, jak často
slyšíte lidi říkat:
slyšíte lidi říkat:
05:36
Think how often you hear people say to you
109
324400
2056
stroje mohou dělat pouze úkoly,
které jsou předvídatelné, opakující se,
které jsou předvídatelné, opakující se,
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
založené na pravidlech
nebo dobře definovatelné.
nebo dobře definovatelné.
05:41
rules-based or well-defined.
111
329760
1896
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
To jsou pouze jiná označení pro rutinu.
A vzpomeňte si na tři příklady,
které jsem uvedl na začátku.
které jsem uvedl na začátku.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
Právě to jsou příklady nerutinních úkolů.
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
Zeptejte se lékařky, jak určuje diagnózu.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
05:56
and she might be able
to give you a few rules of thumb,
to give you a few rules of thumb,
116
344560
2656
Může vám dát pár základních tipů,
ale nakonec by si nevěděla rady.
05:59
but ultimately she'd struggle.
117
347240
1656
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
Řekla by, že určení diagnózy vyžaduje
kreativitu, úsudek a intuici,
kreativitu, úsudek a intuici,
ale tyto věci je velmi
těžké vyjádřit slovy.
těžké vyjádřit slovy.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
Proto jsme si mysleli, že bude těžké
tyto činnosti automatizovat.
tyto činnosti automatizovat.
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
Pokud vám tedy člověk
nedokáže vyložit postup,
nedokáže vyložit postup,
06:11
If a human being can't explain themselves,
121
359280
2536
jak bychom mohli být
schopni napsat instrukce,
schopni napsat instrukce,
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
06:16
for a machine to follow?
123
364760
1200
které bude stroj plnit?
06:18
Thirty years ago, this view was right,
124
366640
2576
Před 30 lety byla tato úvaha správná,
nyní již nevypadá tak důvěryhodně
06:21
but today it's looking shaky,
125
369240
2136
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
a v budoucnu bude prostě špatná.
Pokroky ve výpočetním výkonu,
skladování dat
skladování dat
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
06:28
and in algorithm design
128
376960
1656
a návrhu algoritmů
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
znamenají, že rozdělení na
rutinní a nerutinní úkoly
rutinní a nerutinní úkoly
06:33
is diminishingly useful.
130
381160
1736
začíná ztrácet smysl.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
Aby to bylo jasné, vraťme se k příkladu
určení lékařské diagnózy.
určení lékařské diagnózy.
06:38
Earlier in the year,
132
386200
1376
Před nedávnem
oznámil tým vědců ve Stanfordu,
že vyvinuli systém,
že vyvinuli systém,
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
který rozpozná, zda jsou
pihy kožním nádorem
pihy kožním nádorem
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
stejně přesně jako přední dermatologové.
06:46
as accurately as leading dermatologists.
135
394000
2680
Jak tento systém funguje?
06:49
How does it work?
136
397280
1256
06:50
It's not trying to copy the judgment
or the intuition of a doctor.
or the intuition of a doctor.
137
398560
5296
Nesnaží se napodobit úsudek
nebo intuici doktora.
nebo intuici doktora.
O medicíně neví vůbec nic.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
Místo toho má algoritmus
rozpoznávání vzorců
rozpoznávání vzorců
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
07:01
through 129,450 past cases,
140
409640
4656
a na souboru 129.450 případů
se snaží vyhledat podobnosti
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
mezi nimi a danou lézí.
07:09
and the particular lesion in question.
142
417440
2080
Tento úkol tedy provádí jinak než člověk,
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
na základě analýzy tolika
podobných případů,
podobných případů,
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
kolik jeden doktor posoudí
za celý svůj život.
za celý svůj život.
Nezáleží na tom, že člověk,
07:20
It didn't matter that that human being,
146
428320
1896
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
naše doktorka, neuměla
popsat, jak úkol provádět.
popsat, jak úkol provádět.
Jsou tu tací, kteří si libují ve faktu,
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
že se nám tyto stroje nepodobají.
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
Vezměte si například Watsona od IBM.
07:30
As an example, take IBM's Watson,
150
438320
2056
07:32
the supercomputer that went
on the US quiz show "Jeopardy!" in 2011,
on the US quiz show "Jeopardy!" in 2011,
151
440400
4856
Superpočítač se v roce 2011 zúčastnil
americké televizní show 'Riskuj!'
americké televizní show 'Riskuj!'
a porazil v ní dva lidské šampiony.
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
Den po výhře
07:40
The day after it won,
153
448320
1696
publikoval filozof John Searle
článek ve Wall Street Journal
článek ve Wall Street Journal
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
s názvem "Watson neví,
že vyhrál 'Riskuj!'"
že vyhrál 'Riskuj!'"
Je to úžasné a navíc je to pravda.
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
Watson se totiž nerozplakal štěstím.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
Nevolal rodičům, aby jim řekl,
jak dobrou práci odvedl.
jak dobrou práci odvedl.
07:53
It didn't call up its parents
to say what a good job it had done.
to say what a good job it had done.
158
461240
3096
Nezašel pak do hospody na drink.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
Nesnažil se napodobit způsob
hry lidských soutěžících,
hry lidských soutěžících,
ale na tom nazáleželo.
08:03
but it didn't matter.
161
471200
1256
08:04
It still outperformed them.
162
472480
1976
Stejně nad nimi vyhrál.
08:06
Resolving the intelligence myth
163
474480
1576
Řešení Mýtu inteligence ukazuje,
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
že naše omezené
chápání lidské inteligence,
chápání lidské inteligence,
toho, jak myslíme a uvažujeme,
08:11
about how we think and reason,
165
479480
1896
je pro automatizaci menším omezením,
než tomu bylo v minulosti.
než tomu bylo v minulosti.
08:13
is far less of a constraint
on automation than it was in the past.
on automation than it was in the past.
166
481400
3456
A co víc,
08:16
What's more, as we've seen,
167
484880
1496
pokud stroje vykonávají
úkoly jinak než lidé,
úkoly jinak než lidé,
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
není důvod si myslet,
08:21
there's no reason to think
169
489840
1256
že to, co je vrcholem
lidských možností nyní,
lidských možností nyní,
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
08:25
represents any sort of summit
171
493680
1456
je také vrchol toho,
08:27
in what these machines
might be capable of doing in the future.
might be capable of doing in the future.
172
495160
3000
co budou možná stroje schopni
zvládnout v budoucnu.
zvládnout v budoucnu.
08:31
Now the third myth,
173
499040
1256
A teď třetí mýtus,
08:32
what I call the superiority myth.
174
500320
2456
říkám mu Mýtus nadřazenosti.
Často se říká, že ti, kteří zapomenou
08:34
It's often said that those who forget
175
502800
2216
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
na prospěšnou stránku
technologického pokroku,
technologického pokroku,
zmíněné komplementarity,
08:39
those complementarities from before,
177
507520
2496
se dopouští klamu neměnného objemu práce.
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
Problém je, že klam
neměnného objemu práce
neměnného objemu práce
je sám klamem,
08:48
is itself a fallacy,
180
516159
1496
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
já tomu říkám klam klamu
neměnného objemu práce
neměnného objemu práce
08:52
or LOLFF, for short.
182
520640
2320
nebo zkráceně KKNOP.
08:56
Let me explain.
183
524000
1416
Vysvětlím to.
Klam neměnného objemu
práce je velmi stará myšlenka.
práce je velmi stará myšlenka.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
08:59
It was a British economist, David Schloss,
who gave it this name in 1892.
who gave it this name in 1892.
185
527600
4216
Pojmenoval ji britský ekonom
David Schloss v roce 1892.
David Schloss v roce 1892.
Byl zmatený, když narazil na dělníka,
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
který začal používat stroj
na výrobu podložek,
na výrobu podložek,
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
malých kovových disků,
které podkládají konec šroubu.
které podkládají konec šroubu.
Tento dělník se cítil provinile,
protože byl produktivní.
protože byl produktivní.
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
Většinou čekáme, že se
lidé budou cítit provinile,
lidé budou cítit provinile,
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
protože jsou málo produktivní.
Znáte to, moc času v práci
na Facebooku nebo Twitteru.
na Facebooku nebo Twitteru.
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
Ale tento dělník se cítil provinile,
protože by produktivní.
protože by produktivní.
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
Na otázku proč se
tak cítí, odpověděl,
tak cítí, odpověděl,
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
09:29
I'm taking away the work of another man."
195
557920
2040
že takhle bere práci jinému dělníkovi.
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
Představoval si, že existuje
neměnný objem práce,
neměnný objem práce,
09:35
to be divided up between him and his pals,
197
563760
2136
který se dělí mezi něj a ostatní dělníky,
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
takže pokud toho na stroji udělá víc,
09:40
there'd be less left for his pals to do.
199
568000
2016
zbude méně práce pro ostatní.
09:42
Schloss saw the mistake.
200
570040
1856
Schloss si ale všiml klamu.
09:43
The lump of work wasn't fixed.
201
571920
1856
Objem práce není neměnný.
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
Když tento dělník použil stroj
a zvýšil tak svoji produktivitu,
a zvýšil tak svoji produktivitu,
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
cena podložek klesla,
poptávka po nich vzrostla,
poptávka po nich vzrostla,
muselo by se vyrobit více podložek
09:51
more washers would have to be made,
204
579640
1696
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
a bylo by tedy více práce pro jeho kolegy.
09:55
The lump of work would get bigger.
206
583480
1696
Objem práce by se tím pádem zvětšil.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
Schloss nazval tento jev "klamem
neměnného objemu práce".
neměnného objemu práce".
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
Dnes mluvíme o klamu
neměnného objemu práce
neměnného objemu práce
v souvislosti s budoucím
vývojem všech typů práce.
vývojem všech typů práce.
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
Neexistuje žádný neměnný objem práce,
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
který bychom mohli dělit
mezi lidi a stroje.
mezi lidi a stroje.
10:08
between people and machines.
211
596440
1376
Ano, stroje mohou lidi nahradit a tím
zmenšit původní objem práce,
zmenšit původní objem práce,
10:09
Yes, machines substitute for human beings,
making the original lump of work smaller,
making the original lump of work smaller,
212
597840
4656
ale také je budou doplňovat
10:14
but they also complement human beings,
213
602520
1856
a tím se objem práce zvětší a změní.
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
Ale zpět k KKNOP.
10:19
But LOLFF.
215
607760
1616
10:21
Here's the mistake:
216
609400
1376
Chybu vidím tady:
úvaha, že technologický pokrok
zvětší celkový objem práce, je správná.
zvětší celkový objem práce, je správná.
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
10:25
makes the lump of work to be done bigger.
218
613040
1976
Některé úkoly budou cennější.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
Vytvoří se nové úkoly,
které bude muset někdo udělat.
které bude muset někdo udělat.
10:30
But it's wrong to think that necessarily,
220
618080
2536
Ale je špatné myslet si,
že lidé budou nezbytně ti
nejlepší pro jejich splnění.
nejlepší pro jejich splnění.
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
A to je Mýtus nadřazenosti.
10:35
And this is the superiority myth.
222
623920
1616
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
Ano, objem práce se může zvýšit a změnit,
ale protože jsou stroje schopnější,
10:41
but as machines become more capable,
224
629000
1976
nejspíše budou přírůstek práce dělat oni.
10:43
it's likely that they'll take on
the extra lump of work themselves.
the extra lump of work themselves.
225
631000
3896
Spíše než aby byli lidé
doplňováni prací strojů,
doplňováni prací strojů,
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
budou lidé doplňovat stroje.
10:50
complements machines instead.
227
638200
1880
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
Abychom to pochopili,
vraťme se zpět k řízení auta.
vraťme se zpět k řízení auta.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
Dnes navigační systém
přímo doplňuje práci lidí.
přímo doplňuje práci lidí.
Z někerých lidí tak jsou lepší řidiči.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
Ale v budoucnu
11:02
But in the future,
231
650920
1256
se software přemístí na sedadlo řidiče
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
a navigační systém,
místo aby člověka doplňoval,
místo aby člověka doplňoval,
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
zefektivní systém samořízeného auta
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
a bude místo lidí doplňovat stroje.
11:12
helping the machines instead.
235
660840
1536
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
Nebo se vraťme ke zmíněným
nepřímým komplementaritám.
nepřímým komplementaritám.
Ekonomický koláč se zvětší,
11:18
The economic pie may get larger,
237
666480
1776
11:20
but as machines become more capable,
238
668280
1736
ale stroje se stanou schopnějšími.
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
Je tedy možné, že se zvýší
poptávka po zboží,
poptávka po zboží,
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
které budou lépe umět vyrobit stroje.
11:27
The economic pie may change,
241
675880
1896
Ekonomický koláč se může změnit,
11:29
but as machines become more capable,
242
677800
1896
ale protože budou stroje schopnější,
11:31
it's possible that they'll be best placed
to do the new tasks that have to be done.
to do the new tasks that have to be done.
243
679720
4856
je možné, že nové úkoly
budou vykonávat ony.
budou vykonávat ony.
Ve zkratce - poptávka po práci
není poptávka po lidské práci.
není poptávka po lidské práci.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
Lidé budou mít výhodu pouze v tom případě,
11:40
Human beings only stand to benefit
245
688320
1936
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
že si udrží kontrolu nad úkoly,
které se stroji sdílí,
které se stroji sdílí,
ale jak se stroje stávají schopnějšími,
je menší pravděpodobnost, že se to stane.
je menší pravděpodobnost, že se to stane.
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
Co nám tedy tyto tři mýty říkají?
11:50
So what do these three myths tell us then?
248
698760
2016
Vyřešení Mýtu Terminátora nám ukazuje,
11:52
Well, resolving the Terminator myth
249
700800
1696
11:54
shows us that the future of work depends
upon this balance between two forces:
upon this balance between two forces:
250
702520
3696
že budoucnost práce závisí
na rovnováze dvou sil:
na rovnováze dvou sil:
nahrazení lidí stroji,
které pracovníkům uškodí,
které pracovníkům uškodí,
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
ale také na komplementaritách,
které fungují opačně.
které fungují opačně.
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
Až dodnes byla tato
rovnováha ve prospěch lidí.
rovnováha ve prospěch lidí.
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
Ale vyřešením Mýtu inteligence
se dozvídáme,
se dozvídáme,
12:09
But resolving the intelligence myth
254
717120
1736
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
že první síla, nahrazení lidí stroji,
12:13
is gathering strength.
256
721400
1296
získává na intenzitě.
12:14
Machines, of course, can't do everything,
257
722720
1976
Stroje samozřejmě nemohou dělat všechno,
12:16
but they can do far more,
258
724720
1256
ale mohou udělat mnohem víc,
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
zvláště co se týče úkolů,
které nyní dělají lidé.
které nyní dělají lidé.
Navíc není důvod si myslet,
12:22
What's more, there's no reason to think
260
730600
1896
že čeho jsou lidé schopni dnes,
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
by měla být cílová čára,
12:26
represents any sort of finishing line,
262
734760
1856
na které se stroje ze slušnosti zastaví,
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
jakmile budou stejně schopné jako my.
12:30
once they're as capable as us.
264
738920
1816
12:32
Now, none of this matters
265
740760
1536
Na ničem z toho nezáleží,
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
pokud budou komplementarity
účinkovat dostatečně silně,
12:37
blow firmly enough,
267
745160
1736
ale vyřešení Mýtu
nadřazenosti nám ukazuje,
nadřazenosti nám ukazuje,
12:38
but resolving the superiority myth
268
746920
1936
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
že proces zasahování do lidských úkolů
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
nejenom že posiluje substituci strojů,
ale vyčerpává i prospěšné komplementarity.
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
Pokud tyto mýty spojíme dohromady,
12:51
Bring these three myths together
272
759320
1936
myslím, že dokážeme získat představu
o znepokojivé budoucnosti.
o znepokojivé budoucnosti.
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
Stroje se stanou schopnějšími,
12:56
Machines continue to become more capable,
274
764240
2016
budou přebírat původně lidské úkoly,
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
což povede k posílení substituce strojů,
ale zároveň k oslabení
jejich komplementarity.
jejich komplementarity.
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
A jednou se rovnováha vychýlí
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
ve prospěch strojů.
13:12
rather than human beings.
279
780520
2056
Na této cestě nyní jsme.
13:14
This is the path we're currently on.
280
782600
1736
Slovo "cesta" jsem vybral záměrně,
protože si nemyslím, že jsme v cíli,
protože si nemyslím, že jsme v cíli,
13:16
I say "path" deliberately,
because I don't think we're there yet,
because I don't think we're there yet,
281
784360
3176
13:19
but it is hard to avoid the conclusion
that this is our direction of travel.
that this is our direction of travel.
282
787560
3640
ale je těžké vyhnout se závěru,
že tímto směrem se budeme ubírat.
že tímto směrem se budeme ubírat.
To je ta znepokojivá část.
13:24
That's the troubling part.
283
792640
1456
13:26
Let me say now why I think actually
this is a good problem to have.
this is a good problem to have.
284
794120
3520
Nyní bych rád vysvětlil, proč si myslím,
že je dobré tento problém mít.
že je dobré tento problém mít.
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
Po většinu historie dominoval
jeden ekonomický problém:
jeden ekonomický problém:
jak zvětšit ekonomický koláč tak,
aby všechny uživil.
aby všechny uživil.
13:34
how to make the economic pie
large enough for everyone to live on.
large enough for everyone to live on.
286
802080
4056
Vraťme se do prvního
století našeho letopočtu:
století našeho letopočtu:
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
13:40
and if you took the global economic pie
288
808360
2096
pokud se podíváme na celosvětový
ekonomický koláč
ekonomický koláč
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
a rozdělíme ho na stejné díly
pro všechny lidi na světě,
pro všechny lidi na světě,
každý by dostal několik stovek dolarů.
13:45
everyone would get a few hundred dollars.
290
813800
2136
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
Skoro každý tehdy žil na hranici chudoby.
13:51
And if you roll forward a thousand years,
292
819320
2176
Pokud se podíváme o tisíc let dopředu,
13:53
roughly the same is true.
293
821520
1240
platí téměř to samé.
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
Ale v několika stech posledních
let odstartoval růst ekonomiky.
let odstartoval růst ekonomiky.
13:59
Those economic pies have exploded in size.
295
827280
2376
Ekonomické koláče expanzivně narostly.
14:01
Global GDP per head,
296
829680
2056
Světové HDP na hlavu,
hodnota dílků koláče rozdaných
všem lidem na světě,
všem lidem na světě,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
se dnes rovná 10.150 dolarům.
14:07
they're about 10,150 dollars.
298
835160
2816
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
Pokud se ekonomický růst
ustálí na dvou procentech,
ustálí na dvou procentech,
naše děti budou dvakrát bohatší než my.
14:12
our children will be twice as rich as us.
300
840720
2056
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
Pokud bude růst ubohým
jedním procentem,
jedním procentem,
naše vnoučata budou
dvakrát bohatší než my.
dvakrát bohatší než my.
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
Vlastně se tak řeší
odvěký ekonomický problém.
odvěký ekonomický problém.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
Pokud dojde k technologické
nezaměstnanosti,
nezaměstnanosti,
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
bude to vlastně znak úspěchu,
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
vyřeší to jeden problém
– jak udělat koláč větší –
– jak udělat koláč větší –
ale nahradí ho jiným:
14:34
but replaced it with another --
307
862360
1816
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
jak zajistit, aby každý
dostal svůj kousek.
dostal svůj kousek.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
Jak již podotkli ekonomové,
jeho vyřešení nebude jednoduché.
jeho vyřešení nebude jednoduché.
14:43
Today, for most people,
310
871360
1656
Dnes znamená pro mnoho lidí jejich práce
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
pomyslnou židli u ekonomické
večerní tabule
večerní tabule
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
a ve světě s menším množstvím
práce nebo úplně bez ní
práce nebo úplně bez ní
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
nebude jasné, jak by se
mohlo dostat na každého.
mohlo dostat na každého.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
K diskuzi je toho hodně,
například různé formy
univerzálního základního příjmu.
univerzálního základního příjmu.
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
To je jedno z možných řešení,
14:57
as one possible approach,
316
885160
1216
14:58
and there's trials underway
317
886400
1616
které se v současné době již testuje
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
ve Spojených státech, Finsku a Keni.
15:03
And this is the collective challenge
that's right in front of us,
that's right in front of us,
319
891000
3176
Stojíme před výzvou pro nás všechny.
Musíme vymyslet, jak bohatství
vyprodukované ekonomických systémem
vyprodukované ekonomických systémem
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
můžeme využívat všichni ve světě,
15:11
can be enjoyed by everyone
321
899280
1976
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
kde náš tradiční mechanismus
15:15
for slicing up the pie,
323
903720
1856
krájení koláče,
15:17
the work that people do,
324
905600
1936
tedy práce, kterou dělají lidé,
15:19
withers away and perhaps disappears.
325
907560
2160
zanikne a možná vymizí.
Vyřešení tohoto problému bude
vyžadovat odlišný způsob myšlení.
vyžadovat odlišný způsob myšlení.
15:22
Solving this problem is going to require
us to think in very different ways.
us to think in very different ways.
326
910280
4360
Dojde na mnohé diskuze ohledně
toho, co se musí udělat,
toho, co se musí udělat,
15:27
There's going to be a lot of disagreement
about what ought to be done,
about what ought to be done,
327
915400
4176
ale je důležité si zapamatovat,
že tento problém je lepší
že tento problém je lepší
15:31
but it's important to remember
that this is a far better problem to have
that this is a far better problem to have
328
919600
3416
než ten, se kterým se po
staletí potýkali naši předkové:
staletí potýkali naši předkové:
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
jak udělat koláč dostatečně velký.
Moc vám děkuji.
15:41
Thank you very much.
331
929280
1256
15:42
(Applause)
332
930560
3840
(Potlesk)
ABOUT THE SPEAKER
Daniel Susskind - EconomistDaniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society.
Why you should listen
Daniel Susskind is the co-author, with Richard Susskind, of the best-selling book, The Future of the Professions, and a Fellow in Economics at Balliol College, Oxford University. He is currently finishing his latest book, on the future of work. Previously, he worked in the British Government -- as a policy adviser in the Prime Minister's Strategy Unit, as a policy analyst in the Policy Unit in 10 Downing Street, and as a senior policy adviser in the Cabinet Office. Susskind received a doctorate in economics from Oxford University and was a Kennedy Scholar at Harvard University.
Daniel Susskind | Speaker | TED.com