TED@IBM
Grady Booch: Don't fear superintelligent AI
Grady Booch: Keine Angst vor superintelligenter KI
Filmed:
Readability: 4.7
2,866,438 views
Neue Technologie bringt neue Ängste hervor, sagt Wissenschaftler und Philosoph Grady Booch. Aber wir brauchen keine Angst vor einer allmächtigen, gefühllosen KI zu haben. Booch nimmt uns unsere schlimmsten (Sci-fi induzierten) Ängste vor superintelligenten Computern, indem er erklärt, wie wir sie lehren, und nicht programmieren werden, unsere Werte zu teilen. Anstatt uns um eine unwahrscheinliche existenzielle Bedrohung zu sorgen, drängt er uns zu bedenken, wie künstliche Intelligenz das menschliche Leben verbessern wird.
Grady Booch - Scientist, philosopher
IBM's Grady Booch is shaping the future of cognitive computing by building intelligent systems that can reason and learn. Full bio
IBM's Grady Booch is shaping the future of cognitive computing by building intelligent systems that can reason and learn. Full bio
Double-click the English transcript below to play the video.
00:12
When I was a kid,
I was the quintessential nerd.
I was the quintessential nerd.
0
760
3840
Als Kind war ich der typische Nerd.
00:17
I think some of you were, too.
1
5320
2176
Ich glaube, das waren
manche von Ihnen auch.
manche von Ihnen auch.
00:19
(Laughter)
2
7520
1216
(Gelächter)
00:20
And you, sir, who laughed the loudest,
you probably still are.
you probably still are.
3
8760
3216
Sie, der am lautesten gelacht hat,
Sie sind es wohl immer noch.
Sie sind es wohl immer noch.
00:24
(Laughter)
4
12000
2256
(Gelächter)
Ich wuchs in einer Kleinstadt in
den staubigen Ebenen Nordtexas' auf,
den staubigen Ebenen Nordtexas' auf,
00:26
I grew up in a small town
in the dusty plains of north Texas,
in the dusty plains of north Texas,
5
14280
3496
00:29
the son of a sheriff
who was the son of a pastor.
who was the son of a pastor.
6
17800
3336
der Sohn eines Sheriffs,
der der Sohn eines Pastors war.
der der Sohn eines Pastors war.
00:33
Getting into trouble was not an option.
7
21160
1920
Ich durfte keinen Ärger machen.
00:36
And so I started reading
calculus books for fun.
calculus books for fun.
8
24040
3256
Ich fing aus Vergnügen an,
Mathebücher zu lesen.
Mathebücher zu lesen.
00:39
(Laughter)
9
27320
1536
(Gelächter)
00:40
You did, too.
10
28880
1696
Das haben Sie auch gemacht.
00:42
That led me to building a laser
and a computer and model rockets,
and a computer and model rockets,
11
30600
3736
Das führte mich dazu, einen Laser und
einen Computer und Modellraketen zu bauen
einen Computer und Modellraketen zu bauen
00:46
and that led me to making
rocket fuel in my bedroom.
rocket fuel in my bedroom.
12
34360
3000
und Raketenbrennstoff
in meinem Schlafzimmer herzustellen.
in meinem Schlafzimmer herzustellen.
00:49
Now, in scientific terms,
13
37960
3656
In wissenschaftlicher Terminologie
00:53
we call this a very bad idea.
14
41640
3256
nennen wir das eine sehr schlechte Idee.
00:56
(Laughter)
15
44920
1216
(Gelächter)
00:58
Around that same time,
16
46160
2176
Um die Zeit herum
01:00
Stanley Kubrick's "2001: A Space Odyssey"
came to the theaters,
came to the theaters,
17
48360
3216
kam Stanley Kubricks "2001:
Odyssee im Weltraum" in die Kinos
Odyssee im Weltraum" in die Kinos
01:03
and my life was forever changed.
18
51600
2200
und mein Leben hatte sich
für immer verändert.
für immer verändert.
01:06
I loved everything about that movie,
19
54280
2056
Ich liebte alles in diesem Film,
01:08
especially the HAL 9000.
20
56360
2536
besonders den HAL 9000.
HAL war ein empfindungsfähiger Computer,
01:10
Now, HAL was a sentient computer
21
58920
2056
01:13
designed to guide the Discovery spacecraft
22
61000
2456
dazu entworfen, das Raumschiff Discovery
01:15
from the Earth to Jupiter.
23
63480
2536
von der Erde zum Jupiter zu leiten.
01:18
HAL was also a flawed character,
24
66040
2056
HAL war auch ein fehlerhafter Charakter,
01:20
for in the end he chose
to value the mission over human life.
to value the mission over human life.
25
68120
4280
da er am Ende beschloss, die Mission
über menschliches Leben zu setzen.
über menschliches Leben zu setzen.
01:24
Now, HAL was a fictional character,
26
72840
2096
HAL war ein fiktiver Charakter,
01:26
but nonetheless he speaks to our fears,
27
74960
2656
aber nichtsdestotrotz
spricht er unsere Ängste an,
spricht er unsere Ängste an,
01:29
our fears of being subjugated
28
77640
2096
unsere Ängste vor der Unterwerfung
01:31
by some unfeeling, artificial intelligence
29
79760
3016
durch irgendeine nicht fühlende
künstliche Intelligenz,
künstliche Intelligenz,
01:34
who is indifferent to our humanity.
30
82800
1960
der unsere Menschlichkeit
gleichgültig ist.
gleichgültig ist.
01:37
I believe that such fears are unfounded.
31
85880
2576
Ich glaube, dass solche Ängste
unbegründet sind.
unbegründet sind.
01:40
Indeed, we stand at a remarkable time
32
88480
2696
Wir befinden uns wirklich
in einer bemerkenswerten Zeit
in einer bemerkenswerten Zeit
01:43
in human history,
33
91200
1536
in der Geschichte der
Menschheit, in der wir,
Menschheit, in der wir,
01:44
where, driven by refusal to accept
the limits of our bodies and our minds,
the limits of our bodies and our minds,
34
92760
4976
getrieben durch die Weigerung die Grenzen
von Körper und Geist zu akzeptieren,
von Körper und Geist zu akzeptieren,
01:49
we are building machines
35
97760
1696
Maschinen bauen,
01:51
of exquisite, beautiful
complexity and grace
complexity and grace
36
99480
3616
von exquisiter, wunderschöner
Komplexität und Grazie,
Komplexität und Grazie,
die die menschliche
Erfahrung erweitern werden,
Erfahrung erweitern werden,
01:55
that will extend the human experience
37
103120
2056
01:57
in ways beyond our imagining.
38
105200
1680
weit über unsere Vorstellung hinaus.
01:59
After a career that led me
from the Air Force Academy
from the Air Force Academy
39
107720
2576
Nach einer Karriere
bei der Luftwaffen-Akademie
bei der Luftwaffen-Akademie
02:02
to Space Command to now,
40
110320
1936
bin ich jetzt beim Weltraumkommando,
02:04
I became a systems engineer,
41
112280
1696
als Systemingenieur.
Und kürzlich wurde ich in ein
technisches Problem einbezogen,
technisches Problem einbezogen,
02:06
and recently I was drawn
into an engineering problem
into an engineering problem
42
114000
2736
02:08
associated with NASA's mission to Mars.
43
116760
2576
das mit der NASA-Mission
zum Mars zu tun hat.
zum Mars zu tun hat.
02:11
Now, in space flights to the Moon,
44
119360
2496
In Raumflügen zum Mond
02:13
we can rely upon
mission control in Houston
mission control in Houston
45
121880
3136
können wir uns auf die Einsatzleitstelle
in Houston verlassen,
in Houston verlassen,
02:17
to watch over all aspects of a flight.
46
125040
1976
die über alle Aspekte des Fluges wacht.
02:19
However, Mars is 200 times further away,
47
127040
3536
Allerdings ist der Mars 200-mal weiter weg
02:22
and as a result it takes
on average 13 minutes
on average 13 minutes
48
130600
3216
und daher dauert es
im Durchschnitt 13 Minuten,
im Durchschnitt 13 Minuten,
02:25
for a signal to travel
from the Earth to Mars.
from the Earth to Mars.
49
133840
3136
bis ein Signal von der Erde
zum Mars gelangt.
zum Mars gelangt.
02:29
If there's trouble,
there's not enough time.
there's not enough time.
50
137000
3400
Wenn es ein Problem gibt,
bleibt nicht genügend Zeit.
bleibt nicht genügend Zeit.
02:32
And so a reasonable engineering solution
51
140840
2496
Und so mussten wir, für eine
sinnvolle technische Lösung,
sinnvolle technische Lösung,
02:35
calls for us to put mission control
52
143360
2576
die Einsatzleitstelle im
Orion-Raumschiffes platzieren.
Orion-Raumschiffes platzieren.
02:37
inside the walls of the Orion spacecraft.
53
145960
3016
02:41
Another fascinating idea
in the mission profile
in the mission profile
54
149000
2896
Eine andere faszinierende Idee,
im Profil der Mission,
im Profil der Mission,
02:43
places humanoid robots
on the surface of Mars
on the surface of Mars
55
151920
2896
setzt humanoide Roboter
auf die Marsoberfläche,
auf die Marsoberfläche,
02:46
before the humans themselves arrive,
56
154840
1856
bevor die Menschen selbst ankommen,
02:48
first to build facilities
57
156720
1656
um zunächst Gebäude zu bauen,
und später als kollaborative Mitglieder
im Wissenschaftsteam zu dienen.
im Wissenschaftsteam zu dienen.
02:50
and later to serve as collaborative
members of the science team.
members of the science team.
58
158400
3360
Als ich dies aus der technischen
Perspektive betrachtete,
Perspektive betrachtete,
02:55
Now, as I looked at this
from an engineering perspective,
from an engineering perspective,
59
163400
2736
02:58
it became very clear to me
that what I needed to architect
that what I needed to architect
60
166160
3176
wurde mir sehr klar, dass das,
was ich bauen musste,
was ich bauen musste,
03:01
was a smart, collaborative,
61
169360
2176
eine schlaue, kollaborative,
03:03
socially intelligent
artificial intelligence.
artificial intelligence.
62
171560
2376
sozial intelligente
künstliche Intelligenz war.
künstliche Intelligenz war.
03:05
In other words, I needed to build
something very much like a HAL
something very much like a HAL
63
173960
4296
Anders gesagt, ich musste etwas
ganz Ähnliches wie HAL bauen,
ganz Ähnliches wie HAL bauen,
03:10
but without the homicidal tendencies.
64
178280
2416
ohne die mörderischen Neigungen.
03:12
(Laughter)
65
180720
1360
(Gelächter)
03:14
Let's pause for a moment.
66
182920
1816
Lassen Sie uns kurz anhalten.
03:16
Is it really possible to build
an artificial intelligence like that?
an artificial intelligence like that?
67
184760
3896
Ist es wirklich möglich, eine solche
künstliche Intelligenz zu bauen?
künstliche Intelligenz zu bauen?
03:20
Actually, it is.
68
188680
1456
Nun, das ist es.
03:22
In many ways,
69
190160
1256
In vieler Hinsicht
03:23
this is a hard engineering problem
70
191440
1976
ist dies ein rein technisches Problem
03:25
with elements of AI,
71
193440
1456
mit KI-Anteilen,
03:26
not some wet hair ball of an AI problem
that needs to be engineered.
that needs to be engineered.
72
194920
4696
kein vages KI-Problem,
das technisch gelöst werden muss.
das technisch gelöst werden muss.
03:31
To paraphrase Alan Turing,
73
199640
2656
Um es mit Alan Turing zu sagen:
03:34
I'm not interested
in building a sentient machine.
in building a sentient machine.
74
202320
2376
Ich will keine empfindungsfähige
Maschine bauen.
Maschine bauen.
03:36
I'm not building a HAL.
75
204720
1576
Ich baue keinen HAL.
03:38
All I'm after is a simple brain,
76
206320
2416
Alles was ich will,
ist ein simples Gehirn,
ist ein simples Gehirn,
03:40
something that offers
the illusion of intelligence.
the illusion of intelligence.
77
208760
3120
etwas, das die Illusion
von Intelligenz bietet.
von Intelligenz bietet.
03:45
The art and the science of computing
have come a long way
have come a long way
78
213000
3136
Kunst und Lehre der Informatik
sind weit gekommen,
sind weit gekommen,
seit HAL auf der Leinwand erschien,
03:48
since HAL was onscreen,
79
216160
1496
03:49
and I'd imagine if his inventor
Dr. Chandra were here today,
Dr. Chandra were here today,
80
217680
3216
und ich glaube, wenn sein Erfinder,
Dr. Chandra, heute hier wäre,
Dr. Chandra, heute hier wäre,
03:52
he'd have a whole lot of questions for us.
81
220920
2336
hätte er viele Fragen an uns.
03:55
Is it really possible for us
82
223280
2096
Ist es uns wirklich möglich
03:57
to take a system of millions
upon millions of devices,
upon millions of devices,
83
225400
4016
ein System von abermillionen
Geräten zu nehmen,
Geräten zu nehmen,
ihre Datenströme zu lesen,
04:01
to read in their data streams,
84
229440
1456
ihre Fehler vorher zu sagen
und vorher zu handeln?
und vorher zu handeln?
04:02
to predict their failures
and act in advance?
and act in advance?
85
230920
2256
04:05
Yes.
86
233200
1216
Ja.
Können wir Systeme bauen,
die mit Menschen natürlich sprechen?
die mit Menschen natürlich sprechen?
04:06
Can we build systems that converse
with humans in natural language?
with humans in natural language?
87
234440
3176
Ja.
04:09
Yes.
88
237640
1216
Können wir Systeme bauen, die
Gegenstände und Emotionen erkennen,
Gegenstände und Emotionen erkennen,
04:10
Can we build systems
that recognize objects, identify emotions,
that recognize objects, identify emotions,
89
238880
2976
04:13
emote themselves,
play games and even read lips?
play games and even read lips?
90
241880
3376
sich ausdrücken, Spiele spielen
und sogar Lippen lesen?
und sogar Lippen lesen?
04:17
Yes.
91
245280
1216
Ja.
Können wir ein System bauen,
das Ziele setzt,
das Ziele setzt,
04:18
Can we build a system that sets goals,
92
246520
2136
04:20
that carries out plans against those goals
and learns along the way?
and learns along the way?
93
248680
3616
das Pläne für diese Ziele ausführt
und auf dem Weg dahin lernt?
und auf dem Weg dahin lernt?
04:24
Yes.
94
252320
1216
Ja.
Können wir Systeme bauen, die eine
Naive Theorie [Theory of mind] haben?
Naive Theorie [Theory of mind] haben?
04:25
Can we build systems
that have a theory of mind?
that have a theory of mind?
95
253560
3336
04:28
This we are learning to do.
96
256920
1496
Das lernen wir gerade.
04:30
Can we build systems that have
an ethical and moral foundation?
an ethical and moral foundation?
97
258440
3480
Können wir Systeme mit ethischen
und moralischen Grundlagen bauen?
und moralischen Grundlagen bauen?
04:34
This we must learn how to do.
98
262480
2040
Das müssen wir noch lernen.
So lassen Sie uns für
einen Moment akzeptieren,
einen Moment akzeptieren,
04:37
So let's accept for a moment
99
265360
1376
04:38
that it's possible to build
such an artificial intelligence
such an artificial intelligence
100
266760
2896
dass eine solche KI möglich ist,
04:41
for this kind of mission and others.
101
269680
2136
für solche und andere Aufgaben.
04:43
The next question
you must ask yourself is,
you must ask yourself is,
102
271840
2536
Die nächste Frage,
die Sie sich stellen müssen, ist:
die Sie sich stellen müssen, ist:
04:46
should we fear it?
103
274400
1456
Sollten wir sie fürchten?
04:47
Now, every new technology
104
275880
1976
Jede neue Technologie
04:49
brings with it
some measure of trepidation.
some measure of trepidation.
105
277880
2896
bringt eine gewisse Angst mit sich.
04:52
When we first saw cars,
106
280800
1696
Als wir die ersten Autos sahen,
04:54
people lamented that we would see
the destruction of the family.
the destruction of the family.
107
282520
4016
beklagten manche, dass wir
die Zerstörung der Familie sehen würden.
die Zerstörung der Familie sehen würden.
04:58
When we first saw telephones come in,
108
286560
2696
Als die ersten Telefone aufkamen,
waren Leute besorgt, dies würde
alle höflichen Gespräche zerstören.
alle höflichen Gespräche zerstören.
05:01
people were worried it would destroy
all civil conversation.
all civil conversation.
109
289280
2896
05:04
At a point in time we saw
the written word become pervasive,
the written word become pervasive,
110
292200
3936
Irgendwann setzte sich das
geschriebene Wort durch,
geschriebene Wort durch,
05:08
people thought we would lose
our ability to memorize.
our ability to memorize.
111
296160
2496
und man fürchtete um das Auswendiglernen.
05:10
These things are all true to a degree,
112
298680
2056
Das ist alles in gewisser Hinsicht wahr,
05:12
but it's also the case
that these technologies
that these technologies
113
300760
2416
aber es ist auch wahr,
dass diese Technologien
dass diese Technologien
05:15
brought to us things
that extended the human experience
that extended the human experience
114
303200
3376
uns Dinge gebracht haben, die unsere
menschliche Erfahrung ganz wesentlich
menschliche Erfahrung ganz wesentlich
05:18
in some profound ways.
115
306600
1880
erweitert haben.
05:21
So let's take this a little further.
116
309840
2280
Lassen Sie uns noch
einen Schritt weiter gehen.
einen Schritt weiter gehen.
05:25
I do not fear the creation
of an AI like this,
of an AI like this,
117
313120
4736
Ich fürchte die Erschaffung
einer solchen KI nicht,
einer solchen KI nicht,
05:29
because it will eventually
embody some of our values.
embody some of our values.
118
317880
3816
da sie schließlich manche
unserer Werte verkörpern wird.
unserer Werte verkörpern wird.
05:33
Consider this: building a cognitive system
is fundamentally different
is fundamentally different
119
321720
3496
Bedenken Sie: Ein kognitives System
zu bauen ist grundsätzlich anders
zu bauen ist grundsätzlich anders
05:37
than building a traditional
software-intensive system of the past.
software-intensive system of the past.
120
325240
3296
als ein traditionelles software-
intensives System der Vergangenheit.
intensives System der Vergangenheit.
05:40
We don't program them. We teach them.
121
328560
2456
Wir programmieren sie nicht.
Wir lehren sie.
Wir lehren sie.
05:43
In order to teach a system
how to recognize flowers,
how to recognize flowers,
122
331040
2656
Um einem System beizubringen,
eine Blume zu erkennen,
eine Blume zu erkennen,
05:45
I show it thousands of flowers
of the kinds I like.
of the kinds I like.
123
333720
3016
zeige ich ihm tausende
meiner Lieblingsblumen.
meiner Lieblingsblumen.
Um einem System ein Spiel beizubringen --
05:48
In order to teach a system
how to play a game --
how to play a game --
124
336760
2256
05:51
Well, I would. You would, too.
125
339040
1960
Ich würde. Sie würden auch.
05:54
I like flowers. Come on.
126
342600
2040
Ich mag Blumen. Wirklich.
05:57
To teach a system
how to play a game like Go,
how to play a game like Go,
127
345440
2856
Um einem System
ein Spiel wie Go beizubringen,
ein Spiel wie Go beizubringen,
würde ich es tausende
Go-Spiele spielen lassen,
Go-Spiele spielen lassen,
06:00
I'd have it play thousands of games of Go,
128
348320
2056
06:02
but in the process I also teach it
129
350400
1656
aber dann bringe ich ihm auch bei,
06:04
how to discern
a good game from a bad game.
a good game from a bad game.
130
352080
2416
zu erkennen, ob ein Spiel
gut oder schlecht ist.
gut oder schlecht ist.
06:06
If I want to create an artificially
intelligent legal assistant,
intelligent legal assistant,
131
354520
3696
Wenn ich einen KI-Rechtsassistenten baue,
werde ich ihm Gesetze beibringen,
06:10
I will teach it some corpus of law
132
358240
1776
06:12
but at the same time I am fusing with it
133
360040
2856
gleichzeitig füge ich ein Verständnis
06:14
the sense of mercy and justice
that is part of that law.
that is part of that law.
134
362920
2880
für Gnade und Gerechtigkeit hinzu,
was Teil des Rechts ist.
was Teil des Rechts ist.
06:18
In scientific terms,
this is what we call ground truth,
this is what we call ground truth,
135
366560
2976
In der Wissenschaft nennen
wir das Grundwahrheit.
wir das Grundwahrheit.
06:21
and here's the important point:
136
369560
2016
Das ist wichtig:
Wenn wir diese Maschinen bauen,
06:23
in producing these machines,
137
371600
1456
06:25
we are therefore teaching them
a sense of our values.
a sense of our values.
138
373080
3416
werden wir ihnen unsere Werte beibringen.
06:28
To that end, I trust
an artificial intelligence
an artificial intelligence
139
376520
3136
Und insofern vertraue ich
künstlicher Intelligenz genauso,
künstlicher Intelligenz genauso,
06:31
the same, if not more,
as a human who is well-trained.
as a human who is well-trained.
140
379680
3640
oder gar mehr, als einem
gut ausgebildeten Menschen.
gut ausgebildeten Menschen.
06:36
But, you may ask,
141
384080
1216
Aber, werden Sie fragen,
06:37
what about rogue agents,
142
385320
2616
was ist mit Schurken,
06:39
some well-funded
nongovernment organization?
nongovernment organization?
143
387960
3336
einer gut finanzierten,
nichtstaatlichen Organisation?
nichtstaatlichen Organisation?
06:43
I do not fear an artificial intelligence
in the hand of a lone wolf.
in the hand of a lone wolf.
144
391320
3816
Ich habe keine Angst vor einer KI
in der Hand eines Einzelgängers.
in der Hand eines Einzelgängers.
06:47
Clearly, we cannot protect ourselves
against all random acts of violence,
against all random acts of violence,
145
395160
4536
Wir können uns nicht vor jeder
willkürlichen Gewalttat schützen,
willkürlichen Gewalttat schützen,
06:51
but the reality is such a system
146
399720
2136
aber die Realität ist,
dass solch ein System
dass solch ein System
06:53
requires substantial training
and subtle training
and subtle training
147
401880
3096
ausgiebiges und raffiniertes
Training braucht,
Training braucht,
was weit über die Möglichkeiten
eines Einzelnen hinaus geht.
eines Einzelnen hinaus geht.
06:57
far beyond the resources of an individual.
148
405000
2296
06:59
And furthermore,
149
407320
1216
Außerdem ist es schwieriger
07:00
it's far more than just injecting
an internet virus to the world,
an internet virus to the world,
150
408560
3256
als einen Internet-Virus
in die Welt zu injizieren,
in die Welt zu injizieren,
07:03
where you push a button,
all of a sudden it's in a million places
all of a sudden it's in a million places
151
411840
3096
wo man einen Knopf drückt,
und plötzlich ist es überall
und plötzlich ist es überall
07:06
and laptops start blowing up
all over the place.
all over the place.
152
414960
2456
und Laptops fangen überall an,
zu explodieren.
zu explodieren.
07:09
Now, these kinds of substances
are much larger,
are much larger,
153
417440
2816
Diese Materie ist viel schwieriger,
07:12
and we'll certainly see them coming.
154
420280
1715
und wir werden es sicher kommen sehen.
07:14
Do I fear that such
an artificial intelligence
an artificial intelligence
155
422520
3056
Ob ich fürchte, dass eine solche KI
07:17
might threaten all of humanity?
156
425600
1960
die ganze Menschheit bedrohen könnte?
07:20
If you look at movies
such as "The Matrix," "Metropolis,"
such as "The Matrix," "Metropolis,"
157
428280
4376
Wenn man sich Filme ansieht,
wie "Matrix", "Metropolis",
wie "Matrix", "Metropolis",
07:24
"The Terminator,"
shows such as "Westworld,"
shows such as "Westworld,"
158
432680
3176
"Terminator", oder Serien wie "Westworld",
07:27
they all speak of this kind of fear.
159
435880
2136
sprechen die alle von dieser Angst.
07:30
Indeed, in the book "Superintelligence"
by the philosopher Nick Bostrom,
by the philosopher Nick Bostrom,
160
438040
4296
In dem Buch "Superintelligenz"
des Philosophen Nick Bostrom,
des Philosophen Nick Bostrom,
07:34
he picks up on this theme
161
442360
1536
nimmt er dieses Thema auf,
07:35
and observes that a superintelligence
might not only be dangerous,
might not only be dangerous,
162
443920
4016
und merkt an, dass eine Superintelligenz
nicht nur gefährlich wäre,
nicht nur gefährlich wäre,
07:39
it could represent an existential threat
to all of humanity.
to all of humanity.
163
447960
3856
sie könnte eine existenzielle Bedrohung
für die ganze Menschheit sein.
für die ganze Menschheit sein.
07:43
Dr. Bostrom's basic argument
164
451840
2216
Dr. Bostroms Hauptargument ist,
07:46
is that such systems will eventually
165
454080
2736
dass solche Systeme schlussendlich
07:48
have such an insatiable
thirst for information
thirst for information
166
456840
3256
einen unstillbaren
Informationshunger haben,
Informationshunger haben,
07:52
that they will perhaps learn how to learn
167
460120
2896
dass sie vielleicht
lernen werden, zu lernen,
lernen werden, zu lernen,
07:55
and eventually discover
that they may have goals
that they may have goals
168
463040
2616
und schließlich entdecken,
dass sie Ziele haben,
dass sie Ziele haben,
07:57
that are contrary to human needs.
169
465680
2296
die den menschlichen
Bedürfnissen widersprechen.
Bedürfnissen widersprechen.
08:00
Dr. Bostrom has a number of followers.
170
468000
1856
Dr. Bostrom hat viele Anhänger.
08:01
He is supported by people
such as Elon Musk and Stephen Hawking.
such as Elon Musk and Stephen Hawking.
171
469880
4320
Er wird von Leuten wie Elon Musk
und Stephen Hawking unterstützt.
und Stephen Hawking unterstützt.
08:06
With all due respect
172
474880
2400
Bei allem Respekt
08:10
to these brilliant minds,
173
478160
2016
vor diesen brillanten Köpfen,
08:12
I believe that they
are fundamentally wrong.
are fundamentally wrong.
174
480200
2256
ich glaube, dass sie sich gewaltig irren.
08:14
Now, there are a lot of pieces
of Dr. Bostrom's argument to unpack,
of Dr. Bostrom's argument to unpack,
175
482480
3176
Viele Argumente von Dr. Bostrom
kann man widerlegen.
kann man widerlegen.
08:17
and I don't have time to unpack them all,
176
485680
2136
Ich habe keine Zeit,
sie alle zu widerlegen.
sie alle zu widerlegen.
08:19
but very briefly, consider this:
177
487840
2696
Bedenken sie nur kurz dies:
08:22
super knowing is very different
than super doing.
than super doing.
178
490560
3736
Super-Wissen ist etwas
ganz anderes als Super-Tun.
ganz anderes als Super-Tun.
HAL war erst dann
eine Bedrohung für die Mannschaft,
eine Bedrohung für die Mannschaft,
08:26
HAL was a threat to the Discovery crew
179
494320
1896
08:28
only insofar as HAL commanded
all aspects of the Discovery.
all aspects of the Discovery.
180
496240
4416
als HAL alle Aspekte
der Discovery befehligte.
der Discovery befehligte.
08:32
So it would have to be
with a superintelligence.
with a superintelligence.
181
500680
2496
Das müsste bei einer
Superintelligenz der Fall sein.
Superintelligenz der Fall sein.
Sie müsste die Gewalt über
unsere ganze Welt haben.
unsere ganze Welt haben.
08:35
It would have to have dominion
over all of our world.
over all of our world.
182
503200
2496
08:37
This is the stuff of Skynet
from the movie "The Terminator"
from the movie "The Terminator"
183
505720
2816
Das ist wie das Skynet
aus dem Film "Terminator",
aus dem Film "Terminator",
08:40
in which we had a superintelligence
184
508560
1856
in dem eine Superintelligenz
08:42
that commanded human will,
185
510440
1376
den menschlichen Willen beherrschte
08:43
that directed every device
that was in every corner of the world.
that was in every corner of the world.
186
511840
3856
und jedes Gerät in
jedem Winkel der Welt steuerte.
jedem Winkel der Welt steuerte.
08:47
Practically speaking,
187
515720
1456
Praktisch gesehen
08:49
it ain't gonna happen.
188
517200
2096
wird das nicht passieren.
08:51
We are not building AIs
that control the weather,
that control the weather,
189
519320
3056
Wir bauen keine KIs,
die das Wetter kontrollieren,
die das Wetter kontrollieren,
08:54
that direct the tides,
190
522400
1336
die die Gezeiten steuern,
08:55
that command us
capricious, chaotic humans.
capricious, chaotic humans.
191
523760
3376
die uns kapriziöse, chaotische
Menschen befehligt.
Menschen befehligt.
08:59
And furthermore, if such
an artificial intelligence existed,
an artificial intelligence existed,
192
527160
3896
Und außerdem: Wenn eine
solche KI existieren würde,
solche KI existieren würde,
09:03
it would have to compete
with human economies,
with human economies,
193
531080
2936
müsste sie mit menschlichen
Wirtschaftssystemen konkurrieren,
Wirtschaftssystemen konkurrieren,
09:06
and thereby compete for resources with us.
194
534040
2520
und somit mit uns um
Ressourcen konkurrieren.
Ressourcen konkurrieren.
09:09
And in the end --
195
537200
1216
Schlussendlich --
verraten Sie das Siri nicht --
09:10
don't tell Siri this --
196
538440
1240
können wir sie immer ausstecken.
09:12
we can always unplug them.
197
540440
1376
09:13
(Laughter)
198
541840
2120
(Gelächter)
09:17
We are on an incredible journey
199
545360
2456
Wir sind auf einer unglaublichen Reise
09:19
of coevolution with our machines.
200
547840
2496
der Co-Evolution mit unseren Maschinen.
09:22
The humans we are today
201
550360
2496
Die Menschen, die wir heute sind,
09:24
are not the humans we will be then.
202
552880
2536
sind nicht die Menschen,
die wir dann sein werden.
die wir dann sein werden.
09:27
To worry now about the rise
of a superintelligence
of a superintelligence
203
555440
3136
Die aktuelle Sorge vor der
Machtergreifung einer Superintelligenz
Machtergreifung einer Superintelligenz
09:30
is in many ways a dangerous distraction
204
558600
3056
ist in vieler Hinsicht eine
gefährliche Ablenkung,
gefährliche Ablenkung,
09:33
because the rise of computing itself
205
561680
2336
weil die Zunahme
der Rechenleistung an sich,
der Rechenleistung an sich,
09:36
brings to us a number
of human and societal issues
of human and societal issues
206
564040
3016
eine Reihe von menschlichen
und sozialen Fragen aufwirft,
und sozialen Fragen aufwirft,
09:39
to which we must now attend.
207
567080
1640
denen wir uns jetzt zuwenden müssen.
09:41
How shall I best organize society
208
569360
2816
Wie organisieren wir
die Gesellschaft am besten,
die Gesellschaft am besten,
09:44
when the need for human labor diminishes?
209
572200
2336
wenn der Bedarf an
menschlicher Arbeit abnimmt?
menschlicher Arbeit abnimmt?
09:46
How can I bring understanding
and education throughout the globe
and education throughout the globe
210
574560
3816
Wie können wir weltweit
Verständigung und Bildung bereitstellen,
Verständigung und Bildung bereitstellen,
und dabei unsere
Unterschiedlichkeit achten?
Unterschiedlichkeit achten?
09:50
and still respect our differences?
211
578400
1776
09:52
How might I extend and enhance human life
through cognitive healthcare?
through cognitive healthcare?
212
580200
4256
Wie das menschliches Leben durch
ein kognitives Gesundheitswesen erweitern?
ein kognitives Gesundheitswesen erweitern?
09:56
How might I use computing
213
584480
2856
Wie können wir Rechenleistung nutzen,
09:59
to help take us to the stars?
214
587360
1760
um uns zu den Sternen zu bringen?
10:01
And that's the exciting thing.
215
589760
2040
Und das ist der aufregende Teil.
10:04
The opportunities to use computing
216
592400
2336
Die Chancen, diese
Rechenleistung zu nutzen,
Rechenleistung zu nutzen,
10:06
to advance the human experience
217
594760
1536
um menschliche Erfahrung zu erweitern,
10:08
are within our reach,
218
596320
1416
sind heute gegeben,
10:09
here and now,
219
597760
1856
hier und jetzt,
10:11
and we are just beginning.
220
599640
1680
und wir fangen gerade erst an.
10:14
Thank you very much.
221
602280
1216
Herzlichen Dank!
10:15
(Applause)
222
603520
4286
(Beifall)
ABOUT THE SPEAKER
Grady Booch - Scientist, philosopherIBM's Grady Booch is shaping the future of cognitive computing by building intelligent systems that can reason and learn.
Why you should listen
When he was 13, Grady Booch saw 2001: A Space Odyssey in the theaters for the first time. Ever since, he's been trying to build Hal (albeit one without the homicidal tendencies). A scientist, storyteller and philosopher, Booch is Chief Scientist for Software Engineering as well as Chief Scientist for Watson/M at IBM Research, where he leads IBM's research and development for embodied cognition. Having originated the term and the practice of object-oriented design, he is best known for his work in advancing the fields of software engineering and software architecture.
A co-author of the Unified Modeling Language (UML), a founding member of the Agile Allianc, and a founding member of the Hillside Group, Booch has published six books and several hundred technical articles, including an ongoing column for IEEE Software. He's also a trustee for the Computer History Museum, an IBM Fellow, an ACM Fellow and IEEE Fellow. He has been awarded the Lovelace Medal and has given the Turing Lecture for the BCS, and was recently named an IEEE Computer Pioneer.
Booch is currently deeply involved in the development of cognitive systems and is also developing a major trans-media documentary for public broadcast on the intersection of computing and the human experience.
Grady Booch | Speaker | TED.com