TEDxSiliconValley
Damon Horowitz: We need a "moral operating system"
O Ντέιμοντ Χόροβιτζ καλεί για ένα "λειτουργικό σύστημα ηθικής"
Filmed:
Readability: 3.2
795,617 views
Στο TEDxSiliconValley, ο Ντέιμοντ Χόροβιτζ επισημαίνει τις τεράστιες νέες δυνατότητες που η τεχνολογία μας δίνει: να γνωρίζουμε ολοένα και περισσότερα ο ένας για τον άλλον, περισσότερα από οποτεδήποτε στο παρελθον. Οδηγώντας το κοινό σε μια φιλοσοφική συζήτηση, ο Χόροβιτζ μας προσκαλεί να προσέξουμε εκ νέου τη βασική φιλοσοφία - τις ηθικές αρχές - πίσω από την έκρηξη της εφευρετικότητας που ξαναφτιάχνει τον κόσμο μας. Που είναι το "λειτουργικό σύστημα ηθικής" που θα μας επιτρέψει να την κατανοήσουμε;
Damon Horowitz - Philosopher, entrepreneur
Damon Horowitz explores what is possible at the boundaries of technology and the humanities. Full bio
Damon Horowitz explores what is possible at the boundaries of technology and the humanities. Full bio
Double-click the English transcript below to play the video.
00:15
Power.
0
0
2000
Δύναμη.
00:17
That is the word that comes to mind.
1
2000
2000
Αυτή η λέξη έρχεται στο μυαλό.
00:19
We're the new technologists.
2
4000
2000
Είμαστε οι νέοι τεχνολόγοι.
00:21
We have a lot of data, so we have a lot of power.
3
6000
3000
Έχουμε πολλά δεδομένα, επομένως έχουμε μεγάλη δύναμη.
00:24
How much power do we have?
4
9000
2000
Πόση δύναμη έχουμε;
00:26
Scene from a movie: "Apocalypse Now" -- great movie.
5
11000
3000
Σκηνή από την ταινία "Αποκάλυψη Τώρα" -- σπουδαία ταινία.
00:29
We've got to get our hero, Captain Willard, to the mouth of the Nung River
6
14000
3000
Πρέπει να πάμε τον ήρωά μας, το λοχαγό Γουίλαρντ στις εκβολές του ποταμού Nανγκ
00:32
so he can go pursue Colonel Kurtz.
7
17000
2000
ώστε να καταδιώξει τον ταγματάρχη Κερτς.
00:34
The way we're going to do this is fly him in and drop him off.
8
19000
2000
Ο τρόπος που θα το κάνουμε είναι να τον "πετάξουμε" και να τον αφήσουμε.
00:36
So the scene:
9
21000
2000
Οπότε η σκηνή:
00:38
the sky is filled with this fleet of helicopters carrying him in.
10
23000
3000
ο ουρανός είναι γεμάτος με αυτό το στόλο από ελικόπτερα που τον μεταφέρουν.
00:41
And there's this loud, thrilling music in the background,
11
26000
2000
Και υπάρχει αυτή η δυνατή, συγκλονιστική μουσική στο φόντο,
00:43
this wild music.
12
28000
2000
αυτή η άγρια μουσική.
00:45
♫ Dum da ta da dum ♫
13
30000
2000
♫
00:47
♫ Dum da ta da dum ♫
14
32000
2000
♫
00:49
♫ Da ta da da ♫
15
34000
3000
♫
00:52
That's a lot of power.
16
37000
2000
Μεγάλη δύναμη.
00:54
That's the kind of power I feel in this room.
17
39000
2000
Είναι αυτό το είδος της δύναμης που αισθάνομαι σ΄αυτό το δωμάτιο.
00:56
That's the kind of power we have
18
41000
2000
Αυτό το είδος της δύναμης που έχουμε
00:58
because of all of the data that we have.
19
43000
2000
εξ΄αιτίας όλων των δεδομένων που έχουμε.
01:00
Let's take an example.
20
45000
2000
Ας πάρουμε ένα παράδειγμα.
01:02
What can we do
21
47000
2000
Τι μπορούμε να κάνουμε
01:04
with just one person's data?
22
49000
3000
με τα δεδομένα ενός ατόμου;
01:07
What can we do
23
52000
2000
Τι μπορούμε να κάνουμε
01:09
with that guy's data?
24
54000
2000
με τα δεδομένα αυτού του ανθρώπου;
01:11
I can look at your financial records.
25
56000
2000
Μπορώ να κοιτάξω τα οικονομικά σου στοιχεία.
01:13
I can tell if you pay your bills on time.
26
58000
2000
Μπορώ να πω αν πληρώνεις έγκαιρα τους λογαριασμούς σου.
01:15
I know if you're good to give a loan to.
27
60000
2000
Ξέρω αν μπορείς να πάρεις ένα δάνειο.
01:17
I can look at your medical records; I can see if your pump is still pumping --
28
62000
3000
Μπορώ να κοιτάξω στο ιατρικό σου ιστορικό, μπορώ να δώ αν η καρδιά σου δουλεύει ακόμη --
01:20
see if you're good to offer insurance to.
29
65000
3000
να δω αν είσαι καλός πελάτης για ασφάλεια.
01:23
I can look at your clicking patterns.
30
68000
2000
Μπορώ να κοιτάξω που κλικάρεις.
01:25
When you come to my website, I actually know what you're going to do already
31
70000
3000
Όταν έρχεσαι στην ιστοσελίδα μου, στην πραγματικότητα ξέρω από πριν τι θα κάνεις,
01:28
because I've seen you visit millions of websites before.
32
73000
2000
επειδή σε έχω δει να επισκέπτεσαι εκατομμύρια ιστοσελίδες.
01:30
And I'm sorry to tell you,
33
75000
2000
Και λυπάμαι που στο λέω.
01:32
you're like a poker player, you have a tell.
34
77000
2000
αλλά είσαι σαν ένας παίχτης του πόκερ, έχεις συγκεκριμένο τρόπο σκέψης.
01:34
I can tell with data analysis what you're going to do
35
79000
2000
Μπορώ να προβλέψω, μέσω ανάλυσης δεδομένων, τι πρόκειται να κάνεις
01:36
before you even do it.
36
81000
2000
πριν το κάνεις.
01:38
I know what you like. I know who you are,
37
83000
3000
Ξέρω τι σου αρέσει. Ξέρω ποιος είσαι.
01:41
and that's even before I look at your mail
38
86000
2000
Κι αυτό πριν ακόμη κοιτάξω την αλληλογραφία σου
01:43
or your phone.
39
88000
2000
ή το τηλέφωνό σου.
01:45
Those are the kinds of things we can do
40
90000
2000
Τέτοια πράγματα μπορούμε να κάνουμε
01:47
with the data that we have.
41
92000
3000
με τα δεδομένα που έχουμε.
01:50
But I'm not actually here to talk about what we can do.
42
95000
3000
Αλλά, στην πραγματικότητα, δεν είμαι εδώ για να σας πω τι μπορούμε να κάνουμε.
01:56
I'm here to talk about what we should do.
43
101000
3000
Είμαι εδώ για να σας πω τι πρέπει να κάνουμε.
02:00
What's the right thing to do?
44
105000
3000
Ποιο είναι το σωστό;
02:04
Now I see some puzzled looks
45
109000
2000
Τώρα βλέπω μερικά απορημένα βλέμματα
02:06
like, "Why are you asking us what's the right thing to do?
46
111000
3000
όπως, "Γιατί ρωτάς εμάς ποιο είναι το σωστό που πρέπει να κάνουμε;
02:09
We're just building this stuff. Somebody else is using it."
47
114000
3000
Εμείς απλώς φτιάχνουμε αυτά τα πράγματα. Κάποιος άλλος τα χρησιμοποιεί."
02:12
Fair enough.
48
117000
3000
Αρκετά δίκαιο.
02:15
But it brings me back.
49
120000
2000
Αλλά με κάνει να θυμηθώ.
02:17
I think about World War II --
50
122000
2000
Θυμάμαι το Β' Παγκόσμιο Πόλεμο --
02:19
some of our great technologists then,
51
124000
2000
κάποιοι από τους καλύτερους τεχνολόγους μας τότε,
02:21
some of our great physicists,
52
126000
2000
κάποιοι από τους καλύτερους φυσικούς μας,
02:23
studying nuclear fission and fusion --
53
128000
2000
μελετούσαν την πυρηνική σχάση και τήξη --
02:25
just nuclear stuff.
54
130000
2000
και άλλα πυρηνικά θέματα.
02:27
We gather together these physicists in Los Alamos
55
132000
3000
Μαζεύουμε αυτούς τους φυσικούς στο Λος Άλαμος
02:30
to see what they'll build.
56
135000
3000
για να δούμε τι μπορούν να φτιάξουν.
02:33
We want the people building the technology
57
138000
3000
Θέλουμε τους ανθρώπους που φτιάχνουν την τεχνολογία
02:36
thinking about what we should be doing with the technology.
58
141000
3000
να σκέφτονται τι θα έπρεπε να κάνουμε με την τεχνολογία.
02:41
So what should we be doing with that guy's data?
59
146000
3000
Οπότε, τι πρέπει να κάνουμε με τα δεδομένα αυτού του ανθρώπου;
02:44
Should we be collecting it, gathering it,
60
149000
3000
Θα έπρεπε να τα συλλέγουμε και να τα μαζεύουμε,
02:47
so we can make his online experience better?
61
152000
2000
ώστε να κάνουμε τη διαδικτυακή του εμπειρία καλύτερη;
02:49
So we can make money?
62
154000
2000
Ώστε να βγάζουμε πιο πολλά χρήματα;
02:51
So we can protect ourselves
63
156000
2000
Ώστε να μπορούμε να προστατέψουμε τους εαυτούς μας
02:53
if he was up to no good?
64
158000
2000
αν δεν είχε καλούς σκοπούς;
02:55
Or should we respect his privacy,
65
160000
3000
Ή πρέπει να σεβαστούμε την προσωπική του ζωή,
02:58
protect his dignity and leave him alone?
66
163000
3000
να προστατέψουμε την αξιοπρέπειά του και να τον αφήσουμε μόνο του;
03:02
Which one is it?
67
167000
3000
Τι πρέπει να κάνουμε;
03:05
How should we figure it out?
68
170000
2000
Πώς θα το καταλάβουμε;
03:07
I know: crowdsource. Let's crowdsource this.
69
172000
3000
Ξέρω - ας ψηφίσουμε.
03:11
So to get people warmed up,
70
176000
3000
Οπότε για να ζεσταθούμε,
03:14
let's start with an easy question --
71
179000
2000
ας ξεκινήσουμε με μια εύκολη ερώτηση --
03:16
something I'm sure everybody here has an opinion about:
72
181000
3000
κάτι για το οποίο είμαι σίγουρος ότι όλοι εδώ έχουμε άποψη:
03:19
iPhone versus Android.
73
184000
2000
iPhone εναντίον Android.
03:21
Let's do a show of hands -- iPhone.
74
186000
3000
Ας σηκώσουμε χέρια -- iPhone.
03:24
Uh huh.
75
189000
2000
Αχά.
03:26
Android.
76
191000
3000
Android.
03:29
You'd think with a bunch of smart people
77
194000
2000
Θα περίμενες ότι τόσο έξυπνοι άνθρωποι
03:31
we wouldn't be such suckers just for the pretty phones.
78
196000
2000
δε θα πέφταμε σα χαζοί στα ωραία τηλέφωνα.
03:33
(Laughter)
79
198000
2000
(Γέλια)
03:35
Next question,
80
200000
2000
Επόμενη ερώτηση,
03:37
a little bit harder.
81
202000
2000
λίγο πιο δύσκολη.
03:39
Should we be collecting all of that guy's data
82
204000
2000
Θα έπρεπε να συλλέγουμε τα δεδομένα αυτού του ανθρώπου
03:41
to make his experiences better
83
206000
2000
για να κάνουμε καλύτερες τις εμπειρίες του
03:43
and to protect ourselves in case he's up to no good?
84
208000
3000
και να προστατέψουμε τον εαυτό μας, σε περίπτωση που έχει κακό σκοπό;
03:46
Or should we leave him alone?
85
211000
2000
Ή πρέπει να τον αφήσουμε ήσυχο;
03:48
Collect his data.
86
213000
3000
Να συλλέξουμε τα δεδομένα.
03:53
Leave him alone.
87
218000
3000
Να τον αφήσουμε ήσυχο.
03:56
You're safe. It's fine.
88
221000
2000
Είσαι ασφαλής. Εντάξει.
03:58
(Laughter)
89
223000
2000
(Γέλια)
04:00
Okay, last question --
90
225000
2000
Ωραία, τελευταία ερώτηση --
04:02
harder question --
91
227000
2000
πιο δύσκολη --
04:04
when trying to evaluate
92
229000
3000
στην προσπάθεια να αξιολογήσουμε
04:07
what we should do in this case,
93
232000
3000
τι θα έπρεπε να κάνουμε σε αυτήν την περίπτωση,
04:10
should we use a Kantian deontological moral framework,
94
235000
4000
θα έπρεπε να χρησιμοποιήσουμε ένα Καντιανό δεοντολογικό ηθικό πλαίσιο,
04:14
or should we use a Millian consequentialist one?
95
239000
3000
ή ένα Μιλλιανό τελεολογικό;
04:19
Kant.
96
244000
3000
Καντ.
04:22
Mill.
97
247000
3000
Μιλ.
04:25
Not as many votes.
98
250000
2000
Όχι τόσες πολλές ψήφοι.
04:27
(Laughter)
99
252000
3000
(Γέλια)
04:30
Yeah, that's a terrifying result.
100
255000
3000
Αυτό είναι ένα τρομακτικό αποτέλεσμα.
04:34
Terrifying, because we have stronger opinions
101
259000
4000
Τρομακτικό, γιατί έχουμε πιο ισχυρές απόψεις
04:38
about our hand-held devices
102
263000
2000
για τις φορητές συσκευές μας
04:40
than about the moral framework
103
265000
2000
παρά για το ηθικό πλαίσιο
04:42
we should use to guide our decisions.
104
267000
2000
που πρέπει να χρησιμοποιήσουμε για να πάρουμε τις αποφάσεις μας.
04:44
How do we know what to do with all the power we have
105
269000
3000
Πώς θα ξέρουμε τι να κάνουμε με όλη αυτή τη δύναμη που έχουμε
04:47
if we don't have a moral framework?
106
272000
3000
αν δεν έχουμε ένα ηθικό πλαίσιο;
04:50
We know more about mobile operating systems,
107
275000
3000
Ξέρουμε περισσότερα για λειτουργικά συστήματα φορητών συσκευών,
04:53
but what we really need is a moral operating system.
108
278000
3000
αλλά αυτό που χρειαζόμαστε είναι ένα λειτουργικό σύστημα ηθικής.
04:58
What's a moral operating system?
109
283000
2000
Τι είναι ένα λειτουργικό σύστημα ηθικής;
05:00
We all know right and wrong, right?
110
285000
2000
Όλοι γνωρίζουμε το καλό από το κακό, δεν είναι έτσι;
05:02
You feel good when you do something right,
111
287000
2000
Αισθάνεσαι καλά όταν κάνεις κάτι σωστό,
05:04
you feel bad when you do something wrong.
112
289000
2000
αισθάνεσαι άσχημα όταν κάνεις κάτι λάθος.
05:06
Our parents teach us that: praise with the good, scold with the bad.
113
291000
3000
Οι γονείς μας μαθαίνουν: έπαινος στο καλό, επίπληξη στο κακό.
05:09
But how do we figure out what's right and wrong?
114
294000
3000
Αλλά πώς καταλαβαίνουμε τι είναι σωστό και λάθος;
05:12
And from day to day, we have the techniques that we use.
115
297000
3000
Και σεκαθημερινή βάση έχουμε τεχνικές που χρησιμοποιούμε.
05:15
Maybe we just follow our gut.
116
300000
3000
Ίσως να χρησιμοποιήσουμε το ένστικτό μας.
05:18
Maybe we take a vote -- we crowdsource.
117
303000
3000
Ίσως να ψηφίσουμε.
05:21
Or maybe we punt --
118
306000
2000
Ή ίσως απλώς να το ρίξουμε στα νομικά --
05:23
ask the legal department, see what they say.
119
308000
3000
να ρωτήσουμε το νομικό τμήμα να δούμε τι λένε.
05:26
In other words, it's kind of random,
120
311000
2000
Με άλλα λόγια, γίνεται περίπου στην τύχη,
05:28
kind of ad hoc,
121
313000
2000
περίπου κατά περίπτωση,
05:30
how we figure out what we should do.
122
315000
3000
το πως διαλέγουμε αυτό που πρέπει να κάνουμε.
05:33
And maybe, if we want to be on surer footing,
123
318000
3000
Και ίσως, αν θέλουμε να πατήσουμε σε πιο στέρεο έδαφος,
05:36
what we really want is a moral framework that will help guide us there,
124
321000
3000
αυτό που χρειαζόμαστε στην πραγματικότητα είναι ένα ηθικό πλαίσιο που θα μας οδηγήσει,
05:39
that will tell us what kinds of things are right and wrong in the first place,
125
324000
3000
που θα μας πει καταρχάς ποια πράγματα είναι σωστά και λάθος,
05:42
and how would we know in a given situation what to do.
126
327000
4000
και πώς θα ξέρουμε σε μια δεδομένη στιγμή τι να κάνουμε.
05:46
So let's get a moral framework.
127
331000
2000
Οπότε ας βρούμε ένα ηθικό πλαίσιο.
05:48
We're numbers people, living by numbers.
128
333000
3000
Είμαστε άνθρωποι των αριθμών, ζούμε με τους αριθμούς.
05:51
How can we use numbers
129
336000
2000
Πώς μπορούμε να χρησιμοποιήσουμε τους αριθμούς
05:53
as the basis for a moral framework?
130
338000
3000
σα βάση για ένα ηθικό πλαίσιο;
05:56
I know a guy who did exactly that.
131
341000
3000
Ξέρω κάποιον που έκανε ακριβώς αυτό,
05:59
A brilliant guy --
132
344000
3000
Έναν πανέξυπνο τύπο --
06:02
he's been dead 2,500 years.
133
347000
3000
που έχει πεθάνει εδώ και 2500 χρόνια.
06:05
Plato, that's right.
134
350000
2000
Ο Πλάτωνας, αυτός είναι.
06:07
Remember him -- old philosopher?
135
352000
2000
Τον θυμάστε το γεροφιλόσοφο;
06:09
You were sleeping during that class.
136
354000
3000
Κοιμόσασταν σ΄αυτό το μάθημα.
06:12
And Plato, he had a lot of the same concerns that we did.
137
357000
2000
Ο Πλάτωνας είχε πολλές από τις ίδιες ανησυχίες που έχουμε κι εμείς.
06:14
He was worried about right and wrong.
138
359000
2000
Τον απασχολούσε το σωστό και το λάθος.
06:16
He wanted to know what is just.
139
361000
2000
Ήθελε να μάθει τι είναι δίκαιο.
06:18
But he was worried that all we seem to be doing
140
363000
2000
Αλλά τον απασχολούσε ότι αυτό που μοιάζουμε να κάνουμε
06:20
is trading opinions about this.
141
365000
2000
είναι να ανταλλάσουμε απόψεις γι αυτό.
06:22
He says something's just. She says something else is just.
142
367000
3000
Αυτός λέει ότι κάτι είναι δίκαιο. Αυτή λέει ότι κάτι άλλο είναι δίκαιο.
06:25
It's kind of convincing when he talks and when she talks too.
143
370000
2000
Είναι κάπως πειστικό όταν αυτός μιλά και όταν αυτή μιλά.
06:27
I'm just going back and forth; I'm not getting anywhere.
144
372000
2000
Απλώς πηγαίνω μπρος - πίσω. Δε φθάνω πουθενά.
06:29
I don't want opinions; I want knowledge.
145
374000
3000
Δε θέλω γνώμες, θέλω γνώση.
06:32
I want to know the truth about justice --
146
377000
3000
Θέλω να μάθω την αλήθεια για τη δικαιοσύνη --
06:35
like we have truths in math.
147
380000
3000
όπως έχουμες αλήθειες στα μαθηματικά.
06:38
In math, we know the objective facts.
148
383000
3000
Στα μαθηματικά, γνωρίζουμε τα αντικειμενικά δεδομένα.
06:41
Take a number, any number -- two.
149
386000
2000
Πάρτε ένα νούμερο, οποιοδήποτε νούμερο - δύο.
06:43
Favorite number. I love that number.
150
388000
2000
Ο αγαπημένος μου αριθμός. Μου αρέσει αυτός ο αριθμός.
06:45
There are truths about two.
151
390000
2000
Υπάρχουν αλήθειες για το δύο.
06:47
If you've got two of something,
152
392000
2000
Αν έχεις δύο από κάτι.
06:49
you add two more, you get four.
153
394000
2000
και προσθέσεις άλλα δύο παίρνεις τέσσερα.
06:51
That's true no matter what thing you're talking about.
154
396000
2000
Αυτό είναι αλήθεια ανεξάρτητα για ποιο πράγμα μιλάς.
06:53
It's an objective truth about the form of two,
155
398000
2000
Είναι μια αντικειμενική αλήθεια σχετικά με το δύο,
06:55
the abstract form.
156
400000
2000
την αόριστη μορφή του.
06:57
When you have two of anything -- two eyes, two ears, two noses,
157
402000
2000
Όταν έχεις δύο από οτιδήποτε -- δύο μάτια, δύο αυτιά, δύο μύτες,
06:59
just two protrusions --
158
404000
2000
απλώς δύο προεξοχές --
07:01
those all partake of the form of two.
159
406000
3000
αυτές απαρτίζουν τη μορφή του δύο.
07:04
They all participate in the truths that two has.
160
409000
4000
Όλες παίρνουν μέρος στις αλήθειες που έχει το δύο.
07:08
They all have two-ness in them.
161
413000
2000
Όλες έχουν τη δυ-ότητα μέσα τους.
07:10
And therefore, it's not a matter of opinion.
162
415000
3000
Και επομένως δεν είναι θέμα άποψης.
07:13
What if, Plato thought,
163
418000
2000
Τι θα γινόταν αν, σκέφτηκε ο Πλάτωνας,
07:15
ethics was like math?
164
420000
2000
η ηθική ήταν σαν τα μαθηματικά;
07:17
What if there were a pure form of justice?
165
422000
3000
Τι θα γινόταν αν υπήρχε μια καθαρή μορφή δικαιοσύνης;
07:20
What if there are truths about justice,
166
425000
2000
Τι θα γινόταν αν υπήρχαν αλήθειες για τη δικαιοσύνη,
07:22
and you could just look around in this world
167
427000
2000
και μπορούσες να ψάξεις γύρω σου στον κόσμο
07:24
and see which things participated,
168
429000
2000
και να δεις ποια πράγματα συμμετείχαν,
07:26
partook of that form of justice?
169
431000
3000
απάρτιζαν αυτή τη μορφή της δικαιοσύνης;
07:29
Then you would know what was really just and what wasn't.
170
434000
3000
Τότε θα ήξερες τι ήταν, στην πραγματικότητα, δίκαιο και τι όχι.
07:32
It wouldn't be a matter
171
437000
2000
Δε θα ήταν ένα θέμα
07:34
of just opinion or just appearances.
172
439000
3000
απλώς γνώμης ή εμφάνισης.
07:37
That's a stunning vision.
173
442000
2000
Αυτό είναι ένα εκπληκτικό όραμα.
07:39
I mean, think about that. How grand. How ambitious.
174
444000
3000
Σκεφτείτε το. Πόσο μεγαλειώδες. Πόσο φιλόδοξο.
07:42
That's as ambitious as we are.
175
447000
2000
Είναι τόσο φιλόδοξο όσο εμείς.
07:44
He wants to solve ethics.
176
449000
2000
Θέλει να λύσει την ηθική.
07:46
He wants objective truths.
177
451000
2000
Θέλει αντικειμενικές αλήθειες.
07:48
If you think that way,
178
453000
3000
Αν σκέφτεσαι έτσι,
07:51
you have a Platonist moral framework.
179
456000
3000
έχεις ένα Πλατωνικό ηθικό πλαίσιο.
07:54
If you don't think that way,
180
459000
2000
Αν δε σκέφτεσαι έτσι,
07:56
well, you have a lot of company in the history of Western philosophy,
181
461000
2000
λοιπόν, έχεις μεγάλη παρέα στην ιστορία της Δυτικής φιλοσοφίας,
07:58
because the tidy idea, you know, people criticized it.
182
463000
3000
γιατί αυτήν την τακτοποιημένη ιδέα - πολλοί την κριτίκαραν.
08:01
Aristotle, in particular, he was not amused.
183
466000
3000
Ειδικά ο Αριστοτέλης, δεν ήταν και τόσο ευχαριστημένος.
08:04
He thought it was impractical.
184
469000
3000
Σκεφτόταν ότι δεν ήταν πρακτική.
08:07
Aristotle said, "We should seek only so much precision in each subject
185
472000
4000
Ο Αριστοτέλης έλεγε: "Πρέπει να ψάχνουμε μόνο τόση τελειότητα σε κάθε θέμα
08:11
as that subject allows."
186
476000
2000
όση το θέμα επιτρέπει."
08:13
Aristotle thought ethics wasn't a lot like math.
187
478000
3000
Ο Αριστοτέλης πίστευε ότι η ηθική δεν είναι σαν τα μαθηματικά.
08:16
He thought ethics was a matter of making decisions in the here-and-now
188
481000
3000
Πίστευε ότι η ηθική ήταν ένα ζήτημα αποφάσεων στο εδώ και τώρα
08:19
using our best judgment
189
484000
2000
χρησιμοποιώντας την κρίση μας
08:21
to find the right path.
190
486000
2000
στην εξεύρεση του καλύτερου δρόμου.
08:23
If you think that, Plato's not your guy.
191
488000
2000
Αν σκέφτεσαι έτσι, τότε ο Πλάτωνας δεν είναι ο αγαπημένος σου.
08:25
But don't give up.
192
490000
2000
Αλλά μην τα παρατάς.
08:27
Maybe there's another way
193
492000
2000
Ίσως να υπάρχει κι άλλος τρόπος
08:29
that we can use numbers as the basis of our moral framework.
194
494000
3000
με τον οποίο μπορούμε να χρησιμοποιήσουμε τους αριθμούς σαν βάση για το ηθικό μας πλαίσιο.
08:33
How about this:
195
498000
2000
Ακούστε αυτό:
08:35
What if in any situation you could just calculate,
196
500000
3000
Τι θα γινόταν αν σε κάθε περίσταση μπορούσες να υπολογίσεις,
08:38
look at the choices,
197
503000
2000
να κοιτάξεις τις επιλογές,
08:40
measure out which one's better and know what to do?
198
505000
3000
και να μετρήσεις ποια είναι η καλύτερη και έτσι να ξέρεις τι να κάνεις;
08:43
That sound familiar?
199
508000
2000
Σας φαίνεται γνώριμο;
08:45
That's a utilitarian moral framework.
200
510000
3000
Αυτό είναι ένα ωφελιμιστικό ηθικό πλαίσιο.
08:48
John Stuart Mill was a great advocate of this --
201
513000
2000
Ο Τζον Στιούαρτ Μιλ ήταν μεγάλος υπέρμαχος αυτού --
08:50
nice guy besides --
202
515000
2000
κατά τα άλλα ωραίος τύπος --
08:52
and only been dead 200 years.
203
517000
2000
και πέθανε πριν από μόλις 200 χρόνια.
08:54
So basis of utilitarianism --
204
519000
2000
Λοιπόν, η βάση του ωφελιμισμού ---
08:56
I'm sure you're familiar at least.
205
521000
2000
είμαι σίγουρος ότι ήσαστε τουλάχιστον εξοικειωμένοι.
08:58
The three people who voted for Mill before are familiar with this.
206
523000
2000
Οι τρεις που ψήφισαν υπέρ του Μιλ πριν είναι εξοικειωμένοι μ' αυτό.
09:00
But here's the way it works.
207
525000
2000
Λοιπόν κοιτάξτε πώς δουλεύει.
09:02
What if morals, what if what makes something moral
208
527000
3000
Τι θα γινόταν αν η ηθική και αυτό που κάνει κάτι ηθικό,
09:05
is just a matter of if it maximizes pleasure
209
530000
2000
είναι απλώς θέμα του αν μεγιστοποιεί την ευχαρίστηση
09:07
and minimizes pain?
210
532000
2000
και ελαχιστοποιεί τον πόνο;
09:09
It does something intrinsic to the act.
211
534000
3000
Είναι κάτι εσωτερικό στην πράξη.
09:12
It's not like its relation to some abstract form.
212
537000
2000
Δεν είναι σαν να έχει σχέση με κάποια αόριστη μορφή.
09:14
It's just a matter of the consequences.
213
539000
2000
Είναι απλώς θέμα συνεπειών.
09:16
You just look at the consequences
214
541000
2000
Απλώς κοιτάζεις τις συνέπειες
09:18
and see if, overall, it's for the good or for the worse.
215
543000
2000
και βλέπεις αν, συνολικά, είναι για το καλύτερο ή το χειρότερο.
09:20
That would be simple. Then we know what to do.
216
545000
2000
Μοιάζει απλό. Τότε θα ξέραμε τι να κάνουμε.
09:22
Let's take an example.
217
547000
2000
Ας πάρουμε ένα παράδειγμα.
09:24
Suppose I go up
218
549000
2000
Έστω ότι σηκώνομαι
09:26
and I say, "I'm going to take your phone."
219
551000
2000
και λέω, "Θα σου πάρω το τηλέφωνο".
09:28
Not just because it rang earlier,
220
553000
2000
Όχι γιατί χτύπησε πριν,
09:30
but I'm going to take it because I made a little calculation.
221
555000
3000
αλλά θα στο πάρω γιατί έκανα ένα μικρό υπολογισμό.
09:33
I thought, that guy looks suspicious.
222
558000
3000
Σκέφτηκα, ότι αυτός ο τύπος μοιάζει ύποπτος.
09:36
And what if he's been sending little messages to Bin Laden's hideout --
223
561000
3000
Και αν στέλνει μηνύματα στο Μπιν Λάντεν στο καταφύγιό του --
09:39
or whoever took over after Bin Laden --
224
564000
2000
η σε οποιονδήποτε ανέλαβε μετά το Μπιν Λάντεν --
09:41
and he's actually like a terrorist, a sleeper cell.
225
566000
3000
και είναι στην πραγματικότητα τρομοκράτης, μυστικός πράκτορας.
09:44
I'm going to find that out, and when I find that out,
226
569000
3000
Θα το ανακαλύψω, και όταν το ανακαλύψω,
09:47
I'm going to prevent a huge amount of damage that he could cause.
227
572000
3000
Θα εμποδίσω την τεράστια καταστροφή που θα μπορούσε να προκαλέσει.
09:50
That has a very high utility to prevent that damage.
228
575000
3000
Το να αποτρέψω αυτήν την καταστροφή είναι πάρα πολύ ωφέλιμο.
09:53
And compared to the little pain that it's going to cause --
229
578000
2000
Και συγκρίνοντάς το με το μικρό πόνο που πρόκειται να προκαλέσω --
09:55
because it's going to be embarrassing when I'm looking on his phone
230
580000
2000
γιατί θα τον φέρω σε δύσκολη θέση όταν κοιτάξω στο τηλέφωνό του
09:57
and seeing that he has a Farmville problem and that whole bit --
231
582000
3000
και δω ότι παίζει το παιχνίδι Farmville --
10:00
that's overwhelmed
232
585000
3000
αυτό ξεπερνιέται
10:03
by the value of looking at the phone.
233
588000
2000
από την αξία του να κοιτάξω το τηλέφωνό του.
10:05
If you feel that way,
234
590000
2000
Αν αισθάνεσαι έτσι,
10:07
that's a utilitarian choice.
235
592000
3000
αυτό είναι μια ωφελιμιστική επιλογή.
10:10
But maybe you don't feel that way either.
236
595000
3000
Αλλά ίσως να μην αισθάνεσαι ούτε έτσι.
10:13
Maybe you think, it's his phone.
237
598000
2000
Ίσως σκέφτεσαι ότι είναι το δικό του τηλέφωνο.
10:15
It's wrong to take his phone
238
600000
2000
Είναι λάθος να του πάρω το τηλέφωνό του,
10:17
because he's a person
239
602000
2000
γιατί είναι ένας άνθρωπος
10:19
and he has rights and he has dignity,
240
604000
2000
και έχει δικαιώματα και αξιοπρέπεια,
10:21
and we can't just interfere with that.
241
606000
2000
και δεν μπορούμε απλώς να εμπλακούμε με αυτά.
10:23
He has autonomy.
242
608000
2000
Έχει αυτονομία.
10:25
It doesn't matter what the calculations are.
243
610000
2000
Δεν έχει σημασία τι υπολογισμούς κάναμε.
10:27
There are things that are intrinsically wrong --
244
612000
3000
Υπάρχουν πράγματα που είναι από τη φύση τους λάθος --
10:30
like lying is wrong,
245
615000
2000
όπως το να λές ψέματα είναι λάθος,
10:32
like torturing innocent children is wrong.
246
617000
3000
όπως το να βασανίζεις αθώα παιδιά είναι λάθος.
10:35
Kant was very good on this point,
247
620000
3000
Ο Καντ ήταν πολύ καλός σ΄αυτό το σημείο,
10:38
and he said it a little better than I'll say it.
248
623000
2000
και το είπε λίγο καλύτερα απ' ότι το λέω εγώ.
10:40
He said we should use our reason
249
625000
2000
Είπε ότι πρέπει να χρησιμοποιήσουμε τη λογική μας
10:42
to figure out the rules by which we should guide our conduct,
250
627000
3000
για να αντιληφθούμε τους κανόνες που θα καθοδηγήσουν τη συμπεριφορά μας.
10:45
and then it is our duty to follow those rules.
251
630000
3000
Και είναι καθήκον μας να ακολουθήσουμε αυτούς τους κανόνες.
10:48
It's not a matter of calculation.
252
633000
3000
Δεν είναι ένα θέμα υπολογισμού.
10:51
So let's stop.
253
636000
2000
Λοιπόν ας σταματήσουμε
10:53
We're right in the thick of it, this philosophical thicket.
254
638000
3000
Είμαστε χαμένοι μέσα σ' αυτό το φιλοσοφικό πυκνό δάσος.
10:56
And this goes on for thousands of years,
255
641000
3000
Και αυτό συνεχίζεται για χιλιάδες χρόνια,
10:59
because these are hard questions,
256
644000
2000
γιατί αυτές είναι δύσκολες ερωτήσεις,
11:01
and I've only got 15 minutes.
257
646000
2000
και έχω μόλις 15 λεπτά.
11:03
So let's cut to the chase.
258
648000
2000
Οπότε ας μπούμε στο ψητό.
11:05
How should we be making our decisions?
259
650000
4000
Πώς πρέπει να παίρνουμε τις αποφάσεις μας;
11:09
Is it Plato, is it Aristotle, is it Kant, is it Mill?
260
654000
3000
Σύμφωνα με τον Πλάτωνα, τον Αριστοτέλη, τον Καντ, το Μιλ;
11:12
What should we be doing? What's the answer?
261
657000
2000
Τι πρέπει να κάνουμε; Ποια είναι η απάντηση;
11:14
What's the formula that we can use in any situation
262
659000
3000
Ποιος είναι ο τύπος που μπορούμε να χρησιμοποιήσουμε σε κάθε περίπτωση
11:17
to determine what we should do,
263
662000
2000
για να αποφασίσουμε τι πρέπει να κάνουμε,
11:19
whether we should use that guy's data or not?
264
664000
2000
αν πρέπει να χρησιμοποιήσουμε τα δεδομένα αυτού του τύπου ή όχι;
11:21
What's the formula?
265
666000
3000
Ποιος είναι ο τύπος;
11:25
There's not a formula.
266
670000
2000
Δεν υπάρχει τύπος.
11:29
There's not a simple answer.
267
674000
2000
Δεν υπάρχει μια απλή απάντηση.
11:31
Ethics is hard.
268
676000
3000
Η ηθική είναι δύσκολη.
11:34
Ethics requires thinking.
269
679000
3000
Η ηθική απαιτεί σκέψη.
11:38
And that's uncomfortable.
270
683000
2000
Κι αυτό είναι άβολο.
11:40
I know; I spent a lot of my career
271
685000
2000
Ξέρω, πέρασα μεγάλο μέρος της καριέρας μου
11:42
in artificial intelligence,
272
687000
2000
στην τεχνητή νοημοσύνη,
11:44
trying to build machines that could do some of this thinking for us,
273
689000
3000
προσπαθώντας να φτιάξω μηχανές που θα μπορούσαν να κάνουν ένα μέρος αυτής της σκέψης για μας,
11:47
that could give us answers.
274
692000
2000
που θα μπορούσαν να μας δώσουν απαντήσεις.
11:49
But they can't.
275
694000
2000
Αλλά δεν μπορούν.
11:51
You can't just take human thinking
276
696000
2000
Δεν μπορείς απλώς να πάρεις την ανθρώπινη σκέψη
11:53
and put it into a machine.
277
698000
2000
και να τη βάλεις σε μια μηχανή.
11:55
We're the ones who have to do it.
278
700000
3000
Πρέπει να το κάνουμε μόνοι μας.
11:58
Happily, we're not machines, and we can do it.
279
703000
3000
Ευτυχώς, δεν είμαστε μηχανές και μπορούμε να το κάνουμε.
12:01
Not only can we think,
280
706000
2000
Όχι μόνο μπορούμε να σκεφτούμε,
12:03
we must.
281
708000
2000
αλλά πρέπει.
12:05
Hannah Arendt said,
282
710000
2000
Η Χάνα Άρεντ είπε,
12:07
"The sad truth
283
712000
2000
"Η πικρή αλήθεια
12:09
is that most evil done in this world
284
714000
2000
είναι ότι το μεγαλύτερο κακό σ΄αυτόν τον κόσμο
12:11
is not done by people
285
716000
2000
δε γίνεται από ανθρώπους
12:13
who choose to be evil.
286
718000
2000
που επιλέγουν να είναι κακοί.
12:15
It arises from not thinking."
287
720000
3000
Προέρχεται από τη "μη σκέψη."
12:18
That's what she called the "banality of evil."
288
723000
4000
Αυτό το ονόμασε "κοινοτυπία του κακού."
12:22
And the response to that
289
727000
2000
Και η απάντηση σ' αυτό
12:24
is that we demand the exercise of thinking
290
729000
2000
είναι ότι απαιτούμε την άσκηση της σκέψης
12:26
from every sane person.
291
731000
3000
από κάθε λογικό άτομο.
12:29
So let's do that. Let's think.
292
734000
2000
Οπότε ας το κάνουμε αυτό. Ας σκεφτούμε.
12:31
In fact, let's start right now.
293
736000
3000
Πραγματικά, ας αρχίσουμε τώρα.
12:34
Every person in this room do this:
294
739000
3000
Ο καθένας από μας ας κάνει το εξής:
12:37
think of the last time you had a decision to make
295
742000
3000
σκεφτείτε την τελευταία στιγμή που είχατε να πάρετε μια απόφαση
12:40
where you were worried to do the right thing,
296
745000
2000
που ανησυχούσατε αν κάνατε το σωστό.
12:42
where you wondered, "What should I be doing?"
297
747000
2000
που αναρωτηθήκατε. "Τι πρέπει να κάνω;"
12:44
Bring that to mind,
298
749000
2000
Φέρτε το στο μυαλό σας.
12:46
and now reflect on that
299
751000
2000
Και τώρα αναλογιστείτε
12:48
and say, "How did I come up that decision?
300
753000
3000
και πείτε, "Πώς έφθασα σ΄αυτή την απόφαση;"
12:51
What did I do? Did I follow my gut?
301
756000
3000
Τι έκανα; Ακολούθησα το ένστικτό μου;
12:54
Did I have somebody vote on it? Or did I punt to legal?"
302
759000
2000
Είχα κάποιον να ψηφίσει; Ή το έριξα στα νομικά;
12:56
Or now we have a few more choices.
303
761000
3000
Ή τώρα έχουμε μερικές ακόμη επιλογές.
12:59
"Did I evaluate what would be the highest pleasure
304
764000
2000
"Υπολόγισα ποια θα ήταν η μεγαλύτερη ευχαρίστηση
13:01
like Mill would?
305
766000
2000
όπως θα έκανε ο Μιλ;
13:03
Or like Kant, did I use reason to figure out what was intrinsically right?"
306
768000
3000
Ή χρησιμοποίησα τη λογική για να δω τι ήταν το ουσιαστικά σωστό όπως ο Καντ;"
13:06
Think about it. Really bring it to mind. This is important.
307
771000
3000
Σκεφτείτε το. Πραγματικά φέρτε το στο μυαλό σας. Είναι σημαντικό.
13:09
It is so important
308
774000
2000
Είναι τόσο σημαντικό
13:11
we are going to spend 30 seconds of valuable TEDTalk time
309
776000
2000
ώστε θα αφιερώσουμε 30 δευτερόλεπτα πολύτιμου χρόνου TED ομιλίας
13:13
doing nothing but thinking about this.
310
778000
2000
χωρίς να κάνουμε τίποτε άλλο εκτός από το να σκεφτούμε αυτό.
13:15
Are you ready? Go.
311
780000
2000
Έτοιμοι; Πάμε.
13:33
Stop. Good work.
312
798000
3000
Σταματήστε. Καλή δουλειά.
13:36
What you just did,
313
801000
2000
Αυτό που μόλις κάνατε,
13:38
that's the first step towards taking responsibility
314
803000
2000
είναι το πρώτο βήμα στην κατεύθυνση του να πάρετε την ευθύνη
13:40
for what we should do with all of our power.
315
805000
3000
του τι θα έπρεπε να κάνουμε με όλη αυτή τη δύναμή μας.
13:45
Now the next step -- try this.
316
810000
3000
Τώρα το επόμενο βήμα -- δοκιμάστε αυτό.
13:49
Go find a friend and explain to them
317
814000
2000
Βρείτε ένα φίλο και εξηγείστε του
13:51
how you made that decision.
318
816000
2000
πώς πήρατε αυτή την απόφαση.
13:53
Not right now. Wait till I finish talking.
319
818000
2000
Όχι αμέσως. Περιμένετε μέχρι να τελειώσω την ομιλία μου.
13:55
Do it over lunch.
320
820000
2000
Κάντε το στο μεσημεριανό φαγητό.
13:57
And don't just find another technologist friend;
321
822000
3000
Και μη βρείτε άλλον ένα τεχνολόγο φίλο σας,
14:00
find somebody different than you.
322
825000
2000
βρείτε κάποιον διαφορετικό από εσάς.
14:02
Find an artist or a writer --
323
827000
2000
Βρείτε έναν καλλιτέχνη ή ένα συγγραφέα --
14:04
or, heaven forbid, find a philosopher and talk to them.
324
829000
3000
ή, προς Θεού, βρείτε ένα φιλόσοφο και μιλήστε του.
14:07
In fact, find somebody from the humanities.
325
832000
2000
Εδώ που τα λέμε, βρείτε κάποιον από τις ανθρωπιστικές επιστήμες.
14:09
Why? Because they think about problems
326
834000
2000
Γιατί; Διότι σκέφτονται τα προβλήματα
14:11
differently than we do as technologists.
327
836000
2000
διαφορετικά απ' ότι εμείς οι τεχνολόγοι.
14:13
Just a few days ago, right across the street from here,
328
838000
3000
Πριν λίγες μέρες, ακριβώς στον απέναντι δρόμο,
14:16
there was hundreds of people gathered together.
329
841000
2000
ήταν εκαντοντάδες άνθρωποι μαζεμένοι.
14:18
It was technologists and humanists
330
843000
2000
Ήταν τεχνολόγοι και ανθρωπιστές
14:20
at that big BiblioTech Conference.
331
845000
2000
σ' αυτό το συνέδριο BiblioTech.
14:22
And they gathered together
332
847000
2000
Και μαζεύτηκαν
14:24
because the technologists wanted to learn
333
849000
2000
γιατί οι τεχνολόγοι ήθελαν να μάθουν
14:26
what it would be like to think from a humanities perspective.
334
851000
3000
πώς θα ήταν να σκέφτεσαι με μια ανθρωπιστική προσέγγιση.
14:29
You have someone from Google
335
854000
2000
Έχεις κάποιον από τη Google
14:31
talking to someone who does comparative literature.
336
856000
2000
να μιλά σε κάποιον που κάνει συγκριτική λογοτεχνία.
14:33
You're thinking about the relevance of 17th century French theater --
337
858000
3000
Σκέφτεσαι πόσο σχετικό είναι το γαλλικό θέατρο του 17ου αιώνα --
14:36
how does that bear upon venture capital?
338
861000
2000
και πώς επιδρά στο κεφάλαιο μακροχρόνιων επενδύσεων;
14:38
Well that's interesting. That's a different way of thinking.
339
863000
3000
Λοιπόν, αυτό είναι το ενδιαφέρον. Αυτός είναι ένας διαφορετικός τρόπος σκέψης.
14:41
And when you think in that way,
340
866000
2000
Και όταν σκέφτεσαι έτσι,
14:43
you become more sensitive to the human considerations,
341
868000
3000
γίνεσαι πιο ευαίσθητος στις ανθρώπινες έγνοιες,
14:46
which are crucial to making ethical decisions.
342
871000
3000
κάτι που είναι βασικό στο να παίρνεις ηθικές αποφάσεις.
14:49
So imagine that right now
343
874000
2000
Οπότε σκεφτείτε ότι τώρα
14:51
you went and you found your musician friend.
344
876000
2000
πήγατε και βρήκατε το φίλο σας το μουσικό.
14:53
And you're telling him what we're talking about,
345
878000
3000
Και του λέτε αυτά που συζητάμε,
14:56
about our whole data revolution and all this --
346
881000
2000
και την επανάσταση στα δεδομένα μας και όλα αυτά --
14:58
maybe even hum a few bars of our theme music.
347
883000
2000
ίσως μουρμουρίζετε και λίγο από το μουσικό μας θέμα.
15:00
♫ Dum ta da da dum dum ta da da dum ♫
348
885000
3000
♫
15:03
Well, your musician friend will stop you and say,
349
888000
2000
Λοιπόν, ο μουσικός φίλος σας θα σας σταματήσει και θα σας πει,
15:05
"You know, the theme music
350
890000
2000
"Ξέρεις, το μουσικό θέμα
15:07
for your data revolution,
351
892000
2000
για την επανάσταση των δεδομένων,
15:09
that's an opera, that's Wagner.
352
894000
2000
είναι όπερα, είναι Βάγκνερ.
15:11
It's based on Norse legend.
353
896000
2000
Βασίζεται σ' ένα νορβηγικό μύθο.
15:13
It's Gods and mythical creatures
354
898000
2000
Είναι θεοί και μυθικά πλάσματα
15:15
fighting over magical jewelry."
355
900000
3000
που παλεύουν για μαγικά κοσμήματα."
15:19
That's interesting.
356
904000
3000
Ενδιαφέρον.
15:22
Now it's also a beautiful opera,
357
907000
3000
Είναι επίσης και μια όμορφη όπερα.
15:25
and we're moved by that opera.
358
910000
3000
Και μας συγκινεί.
15:28
We're moved because it's about the battle
359
913000
2000
Μας συγκινεί γιατί έχει σχέση με τη μάχη
15:30
between good and evil,
360
915000
2000
μεταξύ του καλού και του κακού,
15:32
about right and wrong.
361
917000
2000
μεταξύ του σωστού και του λάθους.
15:34
And we care about right and wrong.
362
919000
2000
Και μας ενδιαφέρει το σωστό και το λάθος.
15:36
We care what happens in that opera.
363
921000
3000
Μας ενδιαφέρει τι συμβαίνει σ' αυτή την όπερα.
15:39
We care what happens in "Apocalypse Now."
364
924000
3000
Μας ενδιαφέρει τι συμβαίνει στο "Αποκάλυψη Τώρα."
15:42
And we certainly care
365
927000
2000
Και σίγουρα μας ενδιαφέρει
15:44
what happens with our technologies.
366
929000
2000
τι συμβαίνει με τις τεχνολογίες μας.
15:46
We have so much power today,
367
931000
2000
Έχουμε τόσο πολύ δύναμη σήμερα,
15:48
it is up to us to figure out what to do,
368
933000
3000
είναι στο χέρι μας να αποφασίσουμε τι θα κάνουμε.
15:51
and that's the good news.
369
936000
2000
Και αυτά είναι τα καλά νέα.
15:53
We're the ones writing this opera.
370
938000
3000
Εμείς είμαστε αυτοί που γράφουμε αυτή την όπερα.
15:56
This is our movie.
371
941000
2000
Αυτή είναι η δική μας ταινία.
15:58
We figure out what will happen with this technology.
372
943000
3000
Εμείς αποφασίζουμε τι θα γίνει μ' αυτήν την τεχνολογία.
16:01
We determine how this will all end.
373
946000
3000
Εμείς αποφασίζουμε πως θα τελειώσει όλο αυτό.
16:04
Thank you.
374
949000
2000
Ευχαριστώ
16:06
(Applause)
375
951000
5000
(Χειροκροτήματα)
ABOUT THE SPEAKER
Damon Horowitz - Philosopher, entrepreneurDamon Horowitz explores what is possible at the boundaries of technology and the humanities.
Why you should listen
Damon Horowitz is a philosophy professor and serial entrepreneur. He recently joined Google as In-House Philosopher / Director of Engineering, heading development of several initiatives involving social and search. He came to Google from Aardvark, the social search engine, where he was co-founder and CTO, overseeing product development and research strategy. Prior to Aardvark, Horowitz built several companies around applications of intelligent language processing. He co-founded Perspecta (acquired by Excite), was lead architect for Novation Biosciences (acquired by Agilent), and co-founded NewsDB (now Daylife).
Horowitz teaches courses in philosophy, cognitive science, and computer science at several institutions, including Stanford, NYU, University of Pennsylvania and San Quentin State Prison.
Get more information on the Prison University Project >>
Damon Horowitz | Speaker | TED.com