TED2018
Kai-Fu Lee: How AI can save our humanity
Kai-Fu Lee: Wie KI die Menschlichkeit retten kann
Filmed:
Readability: 4.7
3,583,197 views
Künstliche Intelligenz verändert gerade unsere Welt im großen Stil, eines beherrscht sie aber nicht: Liebe. In einem visionären Vortrag erklärt der Computer-Wissenschaftler Kai-Fu Lee, wie die "Deep Learning"-Revolution von den USA und von China angetrieben wird. Er beschreibt einen Plan, wie Menschen im Zeitalter von KI gedeihen und aufblühen können, indem sie Mitgefühl und Kreativität einsetzen. "KI ist immer für positive Überraschungen gut", sagt Lee, "KI wird uns von den Routine-Aufgaben befreien und uns daran erinnern, was uns als Menschen ausmacht."
Kai-Fu Lee - Investor, computer scientist
At Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies. Full bio
At Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies. Full bio
Double-click the English transcript below to play the video.
00:12
I'm going to talk about
how AI and mankind can coexist,
how AI and mankind can coexist,
0
640
4536
Ich werde darüber sprechen, wie KI
und die Menschheit koexistieren können.
und die Menschheit koexistieren können.
00:17
but first, we have to rethink
about our human values.
about our human values.
1
5200
3816
Doch zuerst müssen wir unsere
menschlichen Werte überdenken.
menschlichen Werte überdenken.
00:21
So let me first make a confession
about my errors in my values.
about my errors in my values.
2
9040
4320
Ich beginne mit ein Geständnis
über meine Fehler bei meinen Werten.
über meine Fehler bei meinen Werten.
00:25
It was 11 o'clock, December 16, 1991.
3
13920
4256
Es war 11 Uhr, am 16. Dezember 1991.
00:30
I was about to become a father
for the first time.
for the first time.
4
18200
2680
Ich stand kurz davor,
zum ersten Mal Vater zu werden.
zum ersten Mal Vater zu werden.
00:33
My wife, Shen-Ling,
lay in the hospital bed
lay in the hospital bed
5
21480
2856
Meine Frau, Shen-Ling, lag im Krankenhaus
00:36
going through a very difficult
12-hour labor.
12-hour labor.
6
24360
3080
und durchlitt sehr anstrengende,
zwölfstündige Geburtswehen.
zwölfstündige Geburtswehen.
00:40
I sat by her bedside
7
28280
2296
Ich saß an ihrem Bett
00:42
but looked anxiously at my watch,
8
30600
2376
und sah angstvoll auf meine Uhr.
00:45
and I knew something that she didn't.
9
33000
1800
Ich wusste etwas, dass sie nicht wusste.
00:47
I knew that if in one hour,
10
35440
1800
Ich wusste, dass ich sie in einer Stunde
00:50
our child didn't come,
11
38360
1936
dort zurücklassen würde,
00:52
I was going to leave her there
12
40320
1936
wenn unser Kind bis dahin nicht da wäre.
00:54
and go back to work
13
42280
1656
Ich würde zurück zur Arbeit gehen,
00:55
and make a presentation about AI
14
43960
2576
um meinem Chef,
dem Geschäftsführer von Apple,
dem Geschäftsführer von Apple,
00:58
to my boss, Apple's CEO.
15
46560
2200
eine Präsentation über KI zu geben.
01:03
Fortunately, my daughter
was born at 11:30 --
was born at 11:30 --
16
51160
3896
Zum Glück kam meine Tochter
um 11:30 Uhr zur Welt --
um 11:30 Uhr zur Welt --
01:07
(Laughter)
17
55080
1936
(Gelächter)
01:09
(Applause)
18
57040
1936
(Applaus)
01:11
sparing me from doing the unthinkable,
19
59000
4336
und ersparte mir, das Undenkbare zu tun.
01:15
and to this day, I am so sorry
20
63360
2496
Bis heute tut es mir sehr leid,
01:17
for letting my work ethic
take precedence over love for my family.
take precedence over love for my family.
21
65880
4656
dass ich meiner Arbeitsmoral
den Vorrang gegeben habe
den Vorrang gegeben habe
vor der Liebe für meine Familie.
01:22
(Applause)
22
70560
5736
(Applaus)
01:28
My AI talk, however, went off brilliantly.
23
76320
2616
Mein Vortrag über KI
ging jedoch perfekt über die Bühne.
ging jedoch perfekt über die Bühne.
01:30
(Laughter)
24
78960
2736
(Gelächter)
01:33
Apple loved my work
and decided to announce it
and decided to announce it
25
81720
3136
Apple gefiel meine Arbeit
und beschloss, sie
bei TED1992 vorzustellen,
bei TED1992 vorzustellen,
01:36
at TED1992,
26
84880
2696
vor 26 Jahren, auf genau dieser Bühne.
01:39
26 years ago on this very stage.
27
87600
3016
01:42
I thought I had made one of the biggest,
most important discoveries in AI,
most important discoveries in AI,
28
90640
5056
Ich dachte, ich hätte eine der größten
Entdeckungen über KI gemacht.
Entdeckungen über KI gemacht.
So stellte es auch das "Wall Street
Journal" am nächsten Tag dar.
Journal" am nächsten Tag dar.
01:47
and so did the "Wall Street Journal"
on the following day.
on the following day.
29
95720
2920
01:51
But as far as discoveries went,
30
99440
2536
Doch was Entdeckungen angeht,
01:54
it turned out,
31
102000
1336
stellte sich heraus,
01:55
I didn't discover India, or America.
32
103360
2776
ich hatte weder Indien
noch Amerika entdeckt.
noch Amerika entdeckt.
01:58
Perhaps I discovered
a little island off of Portugal.
a little island off of Portugal.
33
106160
3080
Eher vielleicht eine kleine Insel
vor der Küste Portugals.
vor der Küste Portugals.
02:02
But the AI era of discovery continued,
34
110720
3256
Doch das KI-Zeitalter
der Entdeckungen ging weiter
der Entdeckungen ging weiter
02:06
and more scientists
poured their souls into it.
poured their souls into it.
35
114000
3216
und mehr Wissenschaftler
widmeten sich dem mit Herz und Seele.
widmeten sich dem mit Herz und Seele.
02:09
About 10 years ago, the grand AI discovery
36
117240
2616
Vor ungefähr 10 Jahren gelang
drei nordamerikanischen Wissenschaftlern
drei nordamerikanischen Wissenschaftlern
02:11
was made by three
North American scientists,
North American scientists,
37
119880
3176
die große KI Entdeckung,
die als 'Deep Learning' bekannt wurde.
die als 'Deep Learning' bekannt wurde.
02:15
and it's known as deep learning.
38
123080
1600
'Deep Learning' ist eine Technik,
die großen Datenmengen einer Domäne nutzt,
die großen Datenmengen einer Domäne nutzt,
02:17
Deep learning is a technology
that can take a huge amount of data
that can take a huge amount of data
39
125400
3696
02:21
within one single domain
40
129120
1736
und lernt, daraus hoch-genaue Vorhersagen
oder Entscheidungen abzuleiten.
oder Entscheidungen abzuleiten.
02:22
and learn to predict or decide
at superhuman accuracy.
at superhuman accuracy.
41
130880
4936
02:27
For example, if we show
the deep learning network
the deep learning network
42
135840
2776
Wenn wir zum Beispiel dem
'Deep Learning' Netzwerk
'Deep Learning' Netzwerk
02:30
a massive number of food photos,
43
138640
2816
eine riesige Anzahl von Fotos
mit Nahrungsmitteln zeigen,
mit Nahrungsmitteln zeigen,
02:33
it can recognize food
44
141480
1576
kann es Nahrungsmittel erkennen,
02:35
such as hot dog or no hot dog.
45
143080
3296
etwa ob es ein Hotdog ist oder nicht.
(Applaus)
02:38
(Applause)
46
146400
3136
02:41
Or if we show it many pictures
and videos and sensor data
and videos and sensor data
47
149560
5016
Wenn wir ihm viele Bilder und Videos
und Daten anderer Sensoren
und Daten anderer Sensoren
02:46
from driving on the highway,
48
154600
2536
von einer Autobahnfahrt zeigen,
02:49
it can actually drive a car
as well as a human being
as well as a human being
49
157160
3280
kann es auf der Autobahn
so gut Auto fahren wie ein Mensch.
so gut Auto fahren wie ein Mensch.
02:53
on the highway.
50
161360
1656
02:55
And what if we showed
this deep learning network
this deep learning network
51
163040
2816
Und was, wenn wir diesem
'Deep Learning' Netzwerk
'Deep Learning' Netzwerk
02:57
all the speeches made by President Trump?
52
165880
2400
alle Reden von Präsident Trump
vorspielen würden?
vorspielen würden?
03:01
Then this artificially
intelligent President Trump,
intelligent President Trump,
53
169680
3000
Dieser künstlich intelligente
Präsident Trump könnte dann --
Präsident Trump könnte dann --
03:05
actually the network --
54
173600
2216
genauer gesagt, das Netzwerk --
03:07
(Laughter)
55
175840
1656
(Gelächter)
03:09
can --
56
177520
1216
kann --
03:10
(Applause)
57
178760
4056
(Applaus)
03:14
You like double oxymorons, huh?
58
182840
2336
Doppelte Oxymorons gefallen Ihnen?
03:17
(Laughter)
59
185200
3856
(Gelächter)
03:21
(Applause)
60
189080
6096
(Applaus)
03:27
So this network, if given the request
to make a speech about AI,
to make a speech about AI,
61
195200
5256
Dieses Netzwerk würde,
wenn man ihm die Aufgabe gäbe,
wenn man ihm die Aufgabe gäbe,
eine Rede über KI zu halten, sagen --
03:32
he, or it, might say --
62
200480
2640
(Stimme von Donald Trump):
Es ist großartig,
Es ist großartig,
03:36
(Recording) Donald Trump:
It's a great thing
It's a great thing
63
204280
2096
mithilfe von KI
eine bessere Welt zu erschaffen.
eine bessere Welt zu erschaffen.
03:38
to build a better world
with artificial intelligence.
with artificial intelligence.
64
206400
2936
03:41
Kai-Fu Lee: And maybe in another language?
65
209360
2016
Kai-Fu Lee: Auch in einer anderen Sprache?
DT: (spricht Chinesisch)
03:43
DT: (Speaking Chinese)
66
211400
1816
03:45
(Laughter)
67
213240
1496
(Gelächter)
03:46
KFL: You didn't know
he knew Chinese, did you?
he knew Chinese, did you?
68
214760
2160
KFL: Sie wussten nicht,
dass er chinesisch spricht?
dass er chinesisch spricht?
03:50
So deep learning has become the core
in the era of AI discovery,
in the era of AI discovery,
69
218120
5016
'Deep Learning' ist also zum Kern
des Zeitalters der KI Entdeckung geworden
des Zeitalters der KI Entdeckung geworden
und das wird von den USA angeführt.
03:55
and that's led by the US.
70
223160
1816
Aber jetzt befinden wir uns
in der Ära der Umsetzung,
in der Ära der Umsetzung,
03:57
But we're now in the era
of implementation,
of implementation,
71
225000
3256
04:00
where what really matters is execution,
product quality, speed and data.
product quality, speed and data.
72
228280
5536
in der es auf Ausführung, Produktqualität,
Geschwindigkeit und Daten ankommt.
Geschwindigkeit und Daten ankommt.
04:05
And that's where China comes in.
73
233840
2096
Und da kommt China ins Spiel.
04:07
Chinese entrepreneurs,
74
235960
1576
Chinesische Unternehmer,
04:09
who I fund as a venture capitalist,
75
237560
1896
die ich als Risikokapitalgeber fördere,
04:11
are incredible workers,
76
239480
1736
sind unglaublich harte Arbeiter
mit einer beeindruckenden
Arbeitseinstellung.
Arbeitseinstellung.
04:13
amazing work ethic.
77
241240
1936
04:15
My example in the delivery room is nothing
compared to how hard people work in China.
compared to how hard people work in China.
78
243200
5296
Mein Beispiel aus dem Kreißsaal
ist nichts im Vergleich dazu,
ist nichts im Vergleich dazu,
wie hart die Menschen in China arbeiten.
04:20
As an example, one startup
tried to claim work-life balance:
tried to claim work-life balance:
79
248520
3696
Z. B. versuchte ein Startup seine
gute Work-Life-Balance anzupreisen.
gute Work-Life-Balance anzupreisen.
04:24
"Come work for us because we are 996."
80
252240
3696
Sie nutzten den Slogan:
"Kommt für uns arbeiten. Wir sind 996."
"Kommt für uns arbeiten. Wir sind 996."
Und was bedeutet das?
04:27
And what does that mean?
81
255960
1256
04:29
It means the work hours
of 9am to 9pm, six days a week.
of 9am to 9pm, six days a week.
82
257240
4400
Damit sind die Arbeitszeiten
von 9 Uhr morgens bis 9 Uhr abends
von 9 Uhr morgens bis 9 Uhr abends
6 Tage pro Woche gemeint.
04:34
That's contrasted
with other startups that do 997.
with other startups that do 997.
83
262960
3280
Im Gegensatz dazu arbeiten
andere Startups oft "997".
andere Startups oft "997".
04:39
And the Chinese product quality
has consistently gone up
has consistently gone up
84
267320
3096
Die Qualität chinesischer Produkte
ist im letzten Jahrzehnt
ist im letzten Jahrzehnt
04:42
in the past decade,
85
270440
1696
stetig angestiegen.
04:44
and that's because of
a fiercely competitive environment.
a fiercely competitive environment.
86
272160
4120
Das liegt an einem
extrem harten Wettbewerbs-Umfeld.
extrem harten Wettbewerbs-Umfeld.
04:48
In Silicon Valley, entrepreneurs
compete in a very gentlemanly fashion,
compete in a very gentlemanly fashion,
87
276760
5896
Im Silicon Valley kämpfen die Unternehmer
mehr wie Gentlemen miteinander,
mehr wie Gentlemen miteinander,
04:54
sort of like in old wars
in which each side took turns
in which each side took turns
88
282680
3896
wie in den alten Kriegen, als die Seiten
abwechselnd aufeinander schossen.
abwechselnd aufeinander schossen.
04:58
to fire at each other.
89
286600
1256
(Gelächter)
04:59
(Laughter)
90
287880
1056
Aber im chinesischen Geschäftsumfeld
05:00
But in the Chinese environment,
91
288960
2016
05:03
it's truly a gladiatorial
fight to the death.
fight to the death.
92
291000
2880
ist es wahrlich ein Kampf um Leben
und Tod, wie bei den Gladiatoren.
und Tod, wie bei den Gladiatoren.
05:06
In such a brutal environment,
entrepreneurs learn to grow very rapidly,
entrepreneurs learn to grow very rapidly,
93
294920
6096
In so einem brutalen Umfeld
lernen die Unternehmer,
lernen die Unternehmer,
sehr schnell zu wachsen,
und blitzschnell
ihre Produkte zu verbessern.
ihre Produkte zu verbessern.
05:13
they learn to make their products
better at lightning speed,
better at lightning speed,
94
301040
3936
Sie lernen, ihre Geschäftsmodelle
05:17
and they learn
to hone their business models
to hone their business models
95
305000
2336
so lange zu verbessern,
bis sie unbezwingbar sind.
bis sie unbezwingbar sind.
05:19
until they're impregnable.
96
307360
1400
05:21
As a result, great Chinese products
like WeChat and Weibo
like WeChat and Weibo
97
309400
3856
Deshalb sind große chinesische Produkte
wie WeChat und Weibo
wie WeChat und Weibo
dann wohl sogar besser als
entsprechende amerikanische Produkte
entsprechende amerikanische Produkte
05:25
are arguably better
98
313280
1416
05:26
than the equivalent American products
from Facebook and Twitter.
from Facebook and Twitter.
99
314720
3480
von Facebook und Twitter.
Und der chinesische Markt
nimmt die beschleunigten Veränderungen
nimmt die beschleunigten Veränderungen
05:31
And the Chinese market
embraces this change
embraces this change
100
319920
3096
05:35
and accelerated change
and paradigm shifts.
and paradigm shifts.
101
323040
3016
und Paradigmenwechsel an.
05:38
As an example, if any of you go to China,
102
326080
2096
Z. B., wenn Sie nach China kommen,
05:40
you will see it's almost cashless
and credit card-less,
and credit card-less,
103
328200
4016
werden Sie sehen, dass es fast bargeldlos
und ohne Kreditkarten funktioniert,
und ohne Kreditkarten funktioniert,
weil das mobile Bezahlen,
worüber wir alle reden,
worüber wir alle reden,
05:44
because that thing that we all
talk about, mobile payment,
talk about, mobile payment,
104
332240
2736
05:47
has become the reality in China.
105
335000
2416
in China schon Realität geworden ist.
Im letzten Jahr wurden 18.8 Billionen
US-Dollar im mobilen Internet umgesetzt.
US-Dollar im mobilen Internet umgesetzt.
05:49
In the last year,
106
337440
1296
05:50
18.8 trillion US dollars
were transacted on mobile internet,
were transacted on mobile internet,
107
338760
5936
05:56
and that's because
of very robust technologies
of very robust technologies
108
344720
2936
Eine Folge der robusten Technologien,
05:59
built behind it.
109
347680
1256
auf denen das basiert.
06:00
It's even bigger than the China GDP.
110
348960
2440
Das ist sogar mehr als das
chinesische Bruttosozialprodukt.
chinesische Bruttosozialprodukt.
Sie fragen, wie kann das sein?
06:04
And this technology, you can say,
how can it be bigger than the GDP?
how can it be bigger than the GDP?
111
352120
3616
Weil dabei alle Transaktionen
mitgezählt werden:
mitgezählt werden:
06:07
Because it includes all transactions:
112
355760
1976
06:09
wholesale, channels,
retail, online, offline,
retail, online, offline,
113
357760
3776
der Großhandel, alle Kanäle,
Einzelhandel, Online und Offline,
Einzelhandel, Online und Offline,
06:13
going into a shopping mall
or going into a farmers market like this.
or going into a farmers market like this.
114
361560
5056
Einkaufszentren, Bauernmärkte
alles gleichermaßen.
alles gleichermaßen.
Diese Technologie wird heute
von 700 Millionen Menschen genutzt,
von 700 Millionen Menschen genutzt,
06:18
The technology is used
by 700 million people
by 700 million people
115
366640
3376
um untereinander zu zahlen,
nicht nur beim Händler,
nicht nur beim Händler,
06:22
to pay each other, not just merchants,
116
370040
2056
06:24
so it's peer to peer,
117
372120
1416
alle sind gleichrangig.
06:25
and it's almost transaction-fee-free.
118
373560
2680
Die Transaktionen kosten
fast keine Gebühren
fast keine Gebühren
und sind sofort wirksam.
06:29
And it's instantaneous,
119
377720
2376
Das wird überall genutzt.
06:32
and it's used everywhere.
120
380120
1440
Der chinesische Markt
hat eine enorme Größe.
hat eine enorme Größe.
06:34
And finally, the China market is enormous.
121
382320
3376
06:37
This market is large,
122
385720
1976
Der Markt ist groß,
06:39
which helps give entrepreneurs
more users, more revenue,
more users, more revenue,
123
387720
4496
was den Unternehmern mehr Kunden bringt,
mehr Umsatz, mehr Investitionen,
mehr Umsatz, mehr Investitionen,
06:44
more investment, but most importantly,
124
392240
2336
aber am wichtigsten:
06:46
it gives the entrepreneurs a chance
to collect a huge amount of data
to collect a huge amount of data
125
394600
4536
Es erlaubt den Unternehmen,
eine große Menge Daten zu sammeln,
eine große Menge Daten zu sammeln,
die dann zum Raketentreibstoff
für die KI-Maschine werden.
für die KI-Maschine werden.
06:51
which becomes rocket fuel
for the AI engine.
for the AI engine.
126
399160
2960
Infolgedessen haben die
chinesischen KI-Firmen
chinesischen KI-Firmen
06:54
So as a result, the Chinese AI companies
127
402960
2936
06:57
have leaped ahead
128
405920
1736
einen Vorsprung gewonnen,
sodass heute die wertvollsten Firmen
06:59
so that today, the most valuable companies
129
407680
3096
07:02
in computer vision, speech recognition,
130
410800
2616
in den Bereichen Computer-Sehen,
Spracherkennung, Sprachsynthese,
Spracherkennung, Sprachsynthese,
07:05
speech synthesis,
machine translation and drones
machine translation and drones
131
413440
3416
automatische Übersetzung und Drohnen
alle chinesische Firmen sind.
alle chinesische Firmen sind.
07:08
are all Chinese companies.
132
416880
1920
Während die USA im Zeitalter
der Entdeckung führend waren,
der Entdeckung führend waren,
07:11
So with the US leading
the era of discovery
the era of discovery
133
419400
3216
07:14
and China leading
the era of implementation,
the era of implementation,
134
422640
3136
und China im Zeitalter
der Implementierung führend ist,
der Implementierung führend ist,
sind wir jetzt in einem tollen Zeitalter,
07:17
we are now in an amazing age
135
425800
2256
in dem die beiden Maschinen
der beiden Supermächte
der beiden Supermächte
07:20
where the dual engine
of the two superpowers
of the two superpowers
136
428080
3256
zusammenarbeiten,
07:23
are working together
137
431360
1680
07:25
to drive the fastest
revolution in technology
revolution in technology
138
433960
3656
um die schnellste Revolution
in der Technik voranzutreiben,
in der Technik voranzutreiben,
die wir Menschen je gesehen haben.
07:29
that we have ever seen as humans.
139
437640
2360
07:32
And this will bring tremendous wealth,
140
440640
2496
Dies wird zu enormem Reichtum führen,
beispiellosem Reichtum:
07:35
unprecedented wealth:
141
443160
1776
07:36
16 trillion dollars, according to PwC,
142
444960
3896
16 Billionen Dollar, laut PwC,
an zusätzlichem Bruttosozialprodukt
weltweit, bis zum Jahr 2030.
weltweit, bis zum Jahr 2030.
07:40
in terms of added GDP
to the worldwide GDP by 2030.
to the worldwide GDP by 2030.
143
448880
5376
Das führt aber auch zu
massiven Herausforderungen,
massiven Herausforderungen,
07:46
It will also bring immense challenges
144
454280
2616
07:48
in terms of potential job replacements.
145
456920
3576
was die Verdrängung von Jobs angeht.
07:52
Whereas in the Industrial Age
146
460520
2160
Das Industriezeitalter hat
mehr und neue Jobs geschaffen,
07:55
it created more jobs
147
463880
1536
07:57
because craftsman jobs were being
decomposed into jobs in the assembly line,
decomposed into jobs in the assembly line,
148
465440
5776
weil Handwerker-Jobs
auf Jobs am Fließband verteilt wurden.
auf Jobs am Fließband verteilt wurden.
08:03
so more jobs were created.
149
471240
1976
Es wurden also mehr Jobs geschaffen.
08:05
But AI completely replaces
the individual jobs
the individual jobs
150
473240
4936
Aber KI ersetzt die individuellen Jobs
am Fließband vollständig durch Roboter.
am Fließband vollständig durch Roboter.
08:10
in the assembly line with robots.
151
478200
2256
08:12
And it's not just in factories,
152
480480
1936
Nicht nur in den Fabriken,
08:14
but truckers, drivers
153
482440
2056
auch bei LKW- und PKW-Fahrern,
08:16
and even jobs like telesales,
customer service
customer service
154
484520
4096
selbst bei Kundenbetreuern
und im telefonischen Verkauf,
und im telefonischen Verkauf,
08:20
and hematologists as well as radiologists
155
488640
2976
und für Hämatologen und Radiologen
08:23
over the next 15 years
156
491640
2096
werden über die nächsten 15 Jahre
die Arbeitsplätze nach und nach
08:25
are going to be gradually replaced
157
493760
2536
08:28
by artificial intelligence.
158
496320
1440
durch künstliche Intelligenz ersetzt.
08:30
And only the creative jobs --
159
498360
2056
Nur die kreativen Jobs --
08:32
(Laughter)
160
500440
1976
(Gelächter)
08:34
I have to make myself safe, right?
161
502440
2200
Ich muss mich doch
selbst absichern, nicht wahr?
selbst absichern, nicht wahr?
08:38
Really, the creative jobs
are the ones that are protected,
are the ones that are protected,
162
506960
2976
Die kreativen Jobs sind deshalb geschützt,
weil KI zwar optimieren kann,
aber nicht erschaffen.
aber nicht erschaffen.
08:41
because AI can optimize but not create.
163
509960
3040
Aber schlimmer als der Verlust von Jobs
08:45
But what's more serious
than the loss of jobs
than the loss of jobs
164
513960
3575
ist der Verlust von Bedeutung,
08:49
is the loss of meaning,
165
517559
1777
08:51
because the work ethic
in the Industrial Age
in the Industrial Age
166
519360
3136
weil die Arbeitsmoral
im Industriezeitalter
im Industriezeitalter
uns einer Gehirnwäsche unterzogen hat,
die uns glauben macht,
die uns glauben macht,
08:54
has brainwashed us into thinking
that work is the reason we exist,
that work is the reason we exist,
167
522520
5616
dass Arbeit der Grund dafür ist,
dass wir existieren,
dass wir existieren,
09:00
that work defined
the meaning of our lives.
the meaning of our lives.
168
528160
2936
dass die Arbeit den Sinn
unseres Lebens definiert.
unseres Lebens definiert.
09:03
And I was a prime and willing victim
to that type of workaholic thinking.
to that type of workaholic thinking.
169
531120
6296
Ich war ein erstklassiges und williges
Opfer dieses arbeitssüchtigen Denkens.
Opfer dieses arbeitssüchtigen Denkens.
Ich habe unglaublich hart gearbeitet.
09:09
I worked incredibly hard.
170
537440
1616
09:11
That's why I almost left
my wife in the delivery room,
my wife in the delivery room,
171
539080
3576
Deshalb habe ich fast meine Frau
im Kreißsaal allein gelassen.
im Kreißsaal allein gelassen.
Deshalb habe ich zusammen mit meinen
Unternehmern 996 gearbeitet.
Unternehmern 996 gearbeitet.
09:14
that's why I worked 996
alongside my entrepreneurs.
alongside my entrepreneurs.
172
542680
4176
Diese Besessenheit von meiner Arbeit
09:18
And that obsession that I had with work
173
546880
4416
endete abrupt vor ein paar Jahren,
09:23
ended abruptly a few years ago
174
551320
3056
als bei mir ein Lymphom
im vierten Stadium diagnostiziert wurde.
im vierten Stadium diagnostiziert wurde.
09:26
when I was diagnosed
with fourth stage lymphoma.
with fourth stage lymphoma.
175
554400
3920
Diese PET-Bilder zeigen
mehr als 20 bösartige Tumore,
mehr als 20 bösartige Tumore,
09:31
The PET scan here shows
over 20 malignant tumors
over 20 malignant tumors
176
559480
4136
09:35
jumping out like fireballs,
177
563640
2176
die wie Feuerbälle hervortreten,
und mir jeden Ehrgeiz nahmen.
09:37
melting away my ambition.
178
565840
2576
Doch viel wichtiger, es hat mir geholfen,
09:40
But more importantly,
179
568440
1456
09:41
it helped me reexamine my life.
180
569920
2736
mein Leben nochmal neu zu überdenken.
09:44
Knowing that I may only have
a few months to live
a few months to live
181
572680
3096
Mit dem Wissen, vielleicht
nur noch ein paar Monate zu leben,
nur noch ein paar Monate zu leben,
sah ich, wie dumm es von mir war,
09:47
caused me to see how foolish it was
182
575800
2936
09:50
for me to base my entire self-worth
183
578760
3576
meinen Selbstwert daran zu messen,
wie hart ich arbeitete,
wie hart ich arbeitete,
09:54
on how hard I worked
and the accomplishments from hard work.
and the accomplishments from hard work.
184
582360
4040
und welche Leistungen ich damit erzielte.
Meine Prioritäten waren komplett falsch.
09:59
My priorities were
completely out of order.
completely out of order.
185
587320
2976
Ich vernachlässigte meine Familie.
10:02
I neglected my family.
186
590320
1600
Mein Vater starb
10:05
My father had passed away,
187
593000
1416
und ich hatte nie die Gelegenheit
ihm zu sagen, dass ich ihn liebte.
ihm zu sagen, dass ich ihn liebte.
10:06
and I never had a chance
to tell him I loved him.
to tell him I loved him.
188
594440
2800
10:10
My mother had dementia
and no longer recognized me,
and no longer recognized me,
189
598120
3736
Meine Mutter litt an Demenz
und erkannt mich nicht mehr
und erkannt mich nicht mehr
und meine Kinder sind jetzt erwachsen.
10:13
and my children had grown up.
190
601880
1920
Während meiner Chemotherapie
10:16
During my chemotherapy,
191
604400
1656
las ich ein Buch von Bronnie Ware,
10:18
I read a book by Bronnie Ware
192
606080
2456
die über letzten Wünsche und das Bedauern
10:20
who talked about dying wishes and regrets
of the people in the deathbed.
of the people in the deathbed.
193
608560
5496
von Menschen auf dem Sterbebett schrieb.
Sie fand heraus, dass angesichts des Todes
10:26
She found that facing death,
194
614080
2256
niemand bedauerte, dass er oder sie
nicht hart genug gearbeitet hatte.
nicht hart genug gearbeitet hatte.
10:28
nobody regretted that they didn't
work hard enough in this life.
work hard enough in this life.
195
616360
3600
10:32
They only regretted that they didn't
spend enough time with their loved ones
spend enough time with their loved ones
196
620880
5176
Sie bedauerten nur, dass sie nicht genug
Zeit mit ihren Lieben verbracht hatten
Zeit mit ihren Lieben verbracht hatten
und dass sie ihre Liebe
nicht weitergegeben hatten.
nicht weitergegeben hatten.
10:38
and that they didn't spread their love.
197
626080
2760
10:42
So I am fortunately today in remission.
198
630400
4536
Glücklicherweise bin ich heute
auf dem Weg der Genesung.
auf dem Weg der Genesung.
(Applaus)
10:46
(Applause)
199
634960
6856
10:53
So I can be back at TED again
200
641840
1976
Deshalb kann ich wieder bei TED sein,
10:55
to share with you
that I have changed my ways.
that I have changed my ways.
201
643840
3376
um Ihnen mitzuteilen,
dass ich mein Leben verändert habe.
dass ich mein Leben verändert habe.
Ich arbeite jetzt nur noch 965 --
10:59
I now only work 965 --
202
647240
2760
manchmal auch 996, aber meist 965.
11:03
occasionally 996, but usually 965.
203
651200
3976
Ich bin näher zu meiner Mutter gezogen,
meine Frau reist meist mit mir zusammen.
meine Frau reist meist mit mir zusammen.
11:07
I moved closer to my mother,
204
655200
1896
11:09
my wife usually travels with me,
205
657120
2456
11:11
and when my kids have vacation,
if they don't come home, I go to them.
if they don't come home, I go to them.
206
659600
3816
Wenn meine Kinder in den Ferien
nicht zu uns kommen,
nicht zu uns kommen,
fahre ich zu ihnen.
11:15
So it's a new form of life
207
663440
2456
Das ist eine neue Art zu leben,
11:17
that helped me recognize
208
665920
1816
die mir half, zu erkennen,
11:19
how important it is that love is for me,
209
667760
3176
wie wichtig die Liebe für mich ist.
11:22
and facing death
helped me change my life,
helped me change my life,
210
670960
3416
Den Tod vor Augen zu haben,
half mir, mein Leben zu ändern,
half mir, mein Leben zu ändern,
aber es half mir auch,
einen neuen Weg zu sehen,
einen neuen Weg zu sehen,
11:26
but it also helped me see a new way
211
674400
2456
11:28
of how AI should impact mankind
212
676880
3776
wie KI die Menschheit beeinflussen sollte
11:32
and work and coexist with mankind,
213
680680
2480
und mit der Menschheit
koexistieren und arbeiten sollte.
koexistieren und arbeiten sollte.
11:36
that really, AI is taking away
a lot of routine jobs,
a lot of routine jobs,
214
684680
4496
Natürlich vernichtet KI
eine Menge von Routine-Jobs,
eine Menge von Routine-Jobs,
aber Routine-Jobs sind nicht das,
wofür wir leben.
wofür wir leben.
11:41
but routine jobs are not what we're about.
215
689200
3656
Der Grund, dass wir existieren, ist Liebe.
11:44
Why we exist is love.
216
692880
2256
Wenn wir unser Neugeborenes halten,
11:47
When we hold our newborn baby,
217
695160
2096
Liebe auf den ersten Blick,
11:49
love at first sight,
218
697280
1496
wenn wir jemandem in Not helfen,
11:50
or when we help someone in need,
219
698800
1776
11:52
humans are uniquely able
to give and receive love,
to give and receive love,
220
700600
4256
sind Menschen einzigartig darin,
Liebe zu geben und zu empfangen.
Liebe zu geben und zu empfangen.
Das unterscheidet uns von KI.
11:56
and that's what differentiates us from AI.
221
704880
2800
12:00
Despite what science fiction may portray,
222
708800
2696
Auch wenn es Science-Fiction
anders darstellt,
anders darstellt,
kann ich Ihnen mit Sicherheit sagen,
dass KI keine Liebe hat.
dass KI keine Liebe hat.
12:03
I can responsibly tell you
that AI has no love.
that AI has no love.
223
711520
3736
Als AlphaGo den
Weltmeister Ke Jie besiegte,
Weltmeister Ke Jie besiegte,
12:07
When AlphaGo defeated
the world champion Ke Jie,
the world champion Ke Jie,
224
715280
3536
weinte Ke Jie weil er das Spiel Go liebte,
12:10
while Ke Jie was crying
and loving the game of go,
and loving the game of go,
225
718840
3096
12:13
AlphaGo felt no happiness from winning
226
721960
3176
aber AlphaGo fühlte
kein Glücksgefühl über den Sieg,
kein Glücksgefühl über den Sieg,
und sicherlich keinen Wunsch,
einen seiner Lieben zu umarmen.
einen seiner Lieben zu umarmen.
12:17
and certainly no desire
to hug a loved one.
to hug a loved one.
227
725160
4480
Wie differenzieren wir uns als Menschen
12:23
So how do we differentiate ourselves
228
731600
2656
12:26
as humans in the age of AI?
229
734280
2536
im Zeitalter von KI?
Wir sprachen bereits
über die Kreativitäts-Achse,
über die Kreativitäts-Achse,
12:28
We talked about the axis of creativity,
230
736840
3096
12:31
and certainly that is one possibility,
231
739960
2856
das ist bestimmt eine Möglichkeit.
Jetzt führen wir eine weitere Achse ein,
12:34
and now we introduce a new axis
232
742840
2296
die wir Mitgefühl, Liebe
oder Empathie nennen können.
oder Empathie nennen können.
12:37
that we can call compassion,
love, or empathy.
love, or empathy.
233
745160
3616
Das sind Dinge, die KI nicht beherrscht.
12:40
Those are things that AI cannot do.
234
748800
2576
12:43
So as AI takes away the routine jobs,
235
751400
2816
Während KI die Routine-Jobs vernichtet,
12:46
I like to think we can, we should
and we must create jobs of compassion.
and we must create jobs of compassion.
236
754240
4960
glaube ich, dass wir neue Arbeitsplätze
für Mitgefühl schaffen sollten und müssen.
für Mitgefühl schaffen sollten und müssen.
12:51
You might ask how many of those there are,
237
759800
2336
Sie fragen vielleicht,
wie viele es davon gibt.
wie viele es davon gibt.
Ich frage Sie:
12:54
but I would ask you:
238
762160
1616
12:55
Do you not think that we are going
to need a lot of social workers
to need a lot of social workers
239
763800
3816
Glauben Sie nicht, dass wir sehr viele
soziale Arbeitskräfte brauchen,
soziale Arbeitskräfte brauchen,
um diese Veränderung zu schaffen?
12:59
to help us make this transition?
240
767640
1600
Glauben Sie nicht, dass wir viele
mitfühlende Pflegekräfte brauchen,
mitfühlende Pflegekräfte brauchen,
13:01
Do you not think we need
a lot of compassionate caregivers
a lot of compassionate caregivers
241
769960
3256
13:05
to give more medical care to more people?
242
773240
2696
um mehr medizinische Pflege
zu mehr Menschen zu bringen.
zu mehr Menschen zu bringen.
13:07
Do you not think we're going to need
10 times more teachers
10 times more teachers
243
775960
3256
Glauben Sie nicht, dass wir
10 mal so viele Lehrer brauchen,
10 mal so viele Lehrer brauchen,
um unseren Kindern zu helfen,
Ihren Weg zu finden,
Ihren Weg zu finden,
13:11
to help our children find their way
244
779240
2776
um in dieser schönen neuen Welt
zu überleben und zu gedeihen.
zu überleben und zu gedeihen.
13:14
to survive and thrive
in this brave new world?
in this brave new world?
245
782040
3256
Mit all dem neu gewonnenen Reichtum,
13:17
And with all the newfound wealth,
246
785320
2440
sollten wir nicht die Arbeiten der Liebe
auch zu einer Karriere-Laufbahn machen
auch zu einer Karriere-Laufbahn machen
13:19
should we not also make
labors of love into careers
labors of love into careers
247
787800
4536
und die Begleitung für Ältere
13:24
and let elderly accompaniment
248
792360
2696
13:27
or homeschooling become careers also?
249
795080
3496
oder Hausunterricht nicht auch?
13:30
(Applause)
250
798600
5280
(Applaus)
13:36
This graph is surely not perfect,
251
804800
2256
Diese Grafik ist nicht perfekt,
aber sie zeigt 4 Wege auf,
die wir mit KI beschreiten können.
die wir mit KI beschreiten können.
13:39
but it points at four ways
that we can work with AI.
that we can work with AI.
252
807080
3536
13:42
AI will come and take away
the routine jobs
the routine jobs
253
810640
3576
KI wird zunächst alle Arbeitsplätze
mit Routine-Aufgaben vernichten.
mit Routine-Aufgaben vernichten.
Irgendwann werden wir dafür dankbar sein.
13:46
and in due time, we will be thankful.
254
814240
2040
13:49
AI will become great tools
for the creatives
for the creatives
255
817000
3096
KI wird zu einem wichtigen
Werkzeug für Kreative werden.
Werkzeug für Kreative werden.
Wissenschaftler, Künstler,
Musiker, Schriftsteller und Journalisten
Musiker, Schriftsteller und Journalisten
13:52
so that scientists, artists,
musicians and writers
musicians and writers
256
820120
3656
13:55
can be even more creative.
257
823800
1600
können so noch kreativer sein.
13:58
AI will work with humans
as analytical tools
as analytical tools
258
826120
5376
KI wird für die Menschen
als Analyse-Werkzeug da sein,
als Analyse-Werkzeug da sein,
damit die Menschen ihre Wärme
14:03
that humans can wrap their warmth around
259
831520
2696
für Jobs mit Mitgefühl einsetzen können.
14:06
for the high-compassion jobs.
260
834240
1896
14:08
And we can always differentiate ourselves
261
836160
2656
Wir können uns immer über
einzigartige Jobs differenzieren,
einzigartige Jobs differenzieren,
14:10
with the uniquely capable jobs
262
838840
1816
die sowohl kreativ sind,
als auch Mitgefühl beinhalten,
als auch Mitgefühl beinhalten,
14:12
that are both compassionate and creative,
263
840680
3616
wobei wir unsere unersetzbaren
Gehirne und Herzen einsetzen.
Gehirne und Herzen einsetzen.
14:16
using and leveraging
our irreplaceable brains and hearts.
our irreplaceable brains and hearts.
264
844320
5176
14:21
So there you have it:
265
849520
1296
Das ist er also:
Ein Plan für die Koexistenz
von Menschen und KI.
von Menschen und KI.
14:22
a blueprint of coexistence
for humans and AI.
for humans and AI.
266
850840
3640
14:27
AI is serendipity.
267
855400
1816
KI ist gut für überraschende Entdeckungen.
14:29
It is here to liberate us
from routine jobs,
from routine jobs,
268
857240
2976
Sie befreit uns von Routine-Aufgaben
und sie erinnert uns an das,
was uns als Menschen ausmacht.
was uns als Menschen ausmacht.
14:32
and it is here to remind us
what it is that makes us human.
what it is that makes us human.
269
860240
3680
Lasst uns also KI willkommen heißen
und lasst uns einander lieben.
und lasst uns einander lieben.
14:36
So let us choose to embrace AI
and to love one another.
and to love one another.
270
864440
3976
Danke.
14:40
Thank you.
271
868440
1216
14:41
(Applause)
272
869680
6160
(Applaus)
ABOUT THE SPEAKER
Kai-Fu Lee - Investor, computer scientistAt Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies.
Why you should listen
Dr. Kai-Fu Lee has a unique perspective on the global technology industry, having worked extensively between the US and China, and has been in artificial intelligence research, development and investment for more than 30 years. He is one of China's top technology investors, undertaking early pioneering work in the field of artificial intelligence and working with multiple US technology giants.
Lee is the Chairman and CEO of Sinovation Ventures, managing a $1.7 billion dual-currency investment fund. Sinovation is a leading technology-savvy investment firm focusing on developing Chinese high-tech companies. Lee also serves as president of the Sinovation Ventures Artificial Intelligence Institute.
Prior to founding Sinovation in 2009, Lee was the President of Google China. Previously, he held executive positions at Microsoft, SGI and Apple. He is a Fellow of the Institute of Electrical and Electronics Engineers (IEEE), and he was Vice Chairman of the Committee of 100 and named one of the 100 most influential people in the world by TIME Magazine. He is the author of seven best-selling books in Chinese, launching his new book AI Superpowers internationally in fall 2018, and has over 50 million followers on social media.
In the field of artificial intelligence, Lee founded Microsoft Research China, which was named as the hottest research lab by MIT Technology Review. Later renamed Microsoft Research Asia, this institute has trained the great majority of AI leaders in China, including CTOs or AI heads at Baidu, Tencent, Alibaba, Lenovo, Huawei and Haier. While with Apple, Lee led AI projects in speech and natural language, which appeared on Good Morning America on ABC Television and the front page of The Wall Street Journal. He has authored 10 US patents, and more than 100 journal and conference papers.
Kai-Fu Lee | Speaker | TED.com