TED2014
Ray Kurzweil: Get ready for hybrid thinking
Ray Kurzweil: Prepárate para el pensamiento híbrido
Filmed:
Readability: 4.4
3,548,296 views
Hace dos mil millones de años nuestros ancestros mamíferos desarrollaron una nueva característica cerebral: el neocórtex. Este tejido del tamaño de una estampilla (envuelta alrededor de un cerebro del tamaño de una nuez) es la clave para el desarrollo de la humanidad. Ahora, el futurista Ray Kurweil sugiere que debemos prepararnos para el siguiente gran salto en el poder cerebral al acercarnos al poder de cómputo de la nube.
Ray Kurzweil - Inventor, futurist
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Double-click the English transcript below to play the video.
00:12
Let me tell you a story.
0
988
2316
Permítanme contarles una historia.
00:15
It goes back 200 million years.
1
3304
1799
Se remonta a hace 200 millones de años.
00:17
It's a story of the neocortex,
2
5103
1984
Es la historia del neocórtex,
00:19
which means "new rind."
3
7087
1974
que significa "nueva cáscara".
00:21
So in these early mammals,
4
9061
2431
Es en estos mamíferos primitivos,
00:23
because only mammals have a neocortex,
5
11492
2055
porque solo los mamíferos
tienen neocórtex,
tienen neocórtex,
00:25
rodent-like creatures.
6
13547
1664
parecidos a los roedores.
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
Era del tamaño y tan delgado
como una estampilla,
como una estampilla,
y era una cobertura fina alrededor
00:30
and was a thin covering around
8
18790
1439
00:32
their walnut-sized brain,
9
20229
2264
de su cerebro del tamaño de una nuez,
00:34
but it was capable of a new type of thinking.
10
22493
3701
pero era capaz de un
nuevo tipo de pensamiento.
nuevo tipo de pensamiento.
00:38
Rather than the fixed behaviors
11
26194
1567
En vez de los comportamientos fijos
00:39
that non-mammalian animals have,
12
27761
1992
que los animales no-mamíferos tienen,
00:41
it could invent new behaviors.
13
29753
2692
podía inventar nuevas conductas.
00:44
So a mouse is escaping a predator,
14
32445
2553
Entonces, si un ratón está
escapando de un depredador,
escapando de un depredador,
00:46
its path is blocked,
15
34998
1540
y su camino está bloqueado,
00:48
it'll try to invent a new solution.
16
36538
2129
tratará de inventar una nueva solución.
00:50
That may work, it may not,
17
38667
1266
Puede funcionar o no,
00:51
but if it does, it will remember that
18
39933
1910
pero si funciona, lo recordará,
00:53
and have a new behavior,
19
41843
1292
tendrá una nueva conducta,
00:55
and that can actually spread virally
20
43135
1457
y se puede esparcir viralmente
00:56
through the rest of the community.
21
44592
2195
en el resto de su comunidad.
00:58
Another mouse watching this could say,
22
46787
1609
Otro ratón que vea esto dirá,
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
"Hey, fue muy inteligente
rodear esa roca",
rodear esa roca",
01:03
and it could adopt a new behavior as well.
24
51100
3725
y puede adoptar esta
nueva conducta también.
nueva conducta también.
01:06
Non-mammalian animals
25
54825
1717
Los animales no-mamíferos
01:08
couldn't do any of those things.
26
56542
1713
no podían hacer esas cosas.
01:10
They had fixed behaviors.
27
58255
1215
Tenían conductas fijas.
01:11
Now they could learn a new behavior
28
59470
1331
Aprendían nuevas conductas,
01:12
but not in the course of one lifetime.
29
60801
2576
pero no en el transcurso de una vida.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
En el transcurso de miles de vidas,
01:17
it could evolve a new fixed behavior.
31
65144
3330
podía evolucionar una
nueva conducta fija.
nueva conducta fija.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
Eso estaba muy bien
200 millones de años atrás.
200 millones de años atrás.
01:23
The environment changed very slowly.
33
71851
1981
Los cambios eran lentos.
Podía tomar 10 mil años que hubiera
01:25
It could take 10,000 years for there to be
34
73832
1554
01:27
a significant environmental change,
35
75386
2092
un cambio ambiental significativo,
01:29
and during that period of time
36
77478
1382
y durante ese tiempo
01:30
it would evolve a new behavior.
37
78860
2929
evolucionaría una nueva conducta.
01:33
Now that went along fine,
38
81789
1521
Eso funcionó bastante bien,
01:35
but then something happened.
39
83310
1704
pero luego algo ocurrió.
01:37
Sixty-five million years ago,
40
85014
2246
65 millones de años atrás,
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
hubo un cambio ambiental
repentino y violento.
repentino y violento.
01:41
We call it the Cretaceous extinction event.
42
89875
3505
llamado la extinción masiva del Cretácico.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
Fue cuando los dinosaurios
se extinguieron,
se extinguieron,
01:47
that's when 75 percent of the
44
95673
3449
cuando el 75 % de
01:51
animal and plant species went extinct,
45
99122
2746
los animales y plantas se extinguieron,
01:53
and that's when mammals
46
101868
1745
y fue cuando los mamíferos
01:55
overtook their ecological niche,
47
103613
2152
dominaron su nicho ecológico,
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
y para antropomorfizarlo,
la evolución dijo,
la evolución dijo,
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
"Mmm, este neocórtex es algo muy bueno",
02:03
and it began to grow it.
50
111444
1793
y comenzó a hacerlo crecer.
02:05
And mammals got bigger,
51
113237
1342
Y los mamíferos crecieron,
02:06
their brains got bigger at an even faster pace,
52
114579
2915
sus cerebros crecieron aún más rápido,
02:09
and the neocortex got bigger even faster than that
53
117494
3807
y el neocórtex creció
aún más rápido que eso
aún más rápido que eso
02:13
and developed these distinctive ridges and folds
54
121301
2929
y desarrolló sus arrugas
y pliegues característicos
y pliegues característicos
02:16
basically to increase its surface area.
55
124230
2881
básicamente para aumentar
su área superficial.
su área superficial.
02:19
If you took the human neocortex
56
127111
1819
Si tomaran el neocórtex humano
02:20
and stretched it out,
57
128930
1301
y lo estiraran,
es como del tamaño de una servilleta,
02:22
it's about the size of a table napkin,
58
130231
1713
02:23
and it's still a thin structure.
59
131944
1306
es una estructura delgada.
02:25
It's about the thickness of a table napkin.
60
133250
1980
Es como del grosor de una servilleta.
02:27
But it has so many convolutions and ridges
61
135230
2497
Pero tiene tantas arrugas
02:29
it's now 80 percent of our brain,
62
137727
3075
que ahora es el 80 %
de nuestro cerebro,
de nuestro cerebro,
02:32
and that's where we do our thinking,
63
140802
2461
y ahí es donde pensamos,
02:35
and it's the great sublimator.
64
143263
1761
y es el gran sublimador.
Aún tenemos el viejo cerebro,
02:37
We still have that old brain
65
145024
1114
02:38
that provides our basic drives and motivations,
66
146138
2764
que provee nuestras
motivaciones e impulsos básicos,
motivaciones e impulsos básicos,
02:40
but I may have a drive for conquest,
67
148902
2716
pero puedo tener un impulso de conquista
02:43
and that'll be sublimated by the neocortex
68
151618
2715
y será sublimado por el neocórtex
02:46
into writing a poem or inventing an app
69
154333
2909
en escribir un poema o inventar una app
02:49
or giving a TED Talk,
70
157242
1509
o dar una charla TED,
02:50
and it's really the neocortex that's where
71
158751
3622
y es realmente en el neocórtex
02:54
the action is.
72
162373
1968
donde está esa acción.
02:56
Fifty years ago, I wrote a paper
73
164341
1717
50 años atrás, escribí un artículo
02:58
describing how I thought the brain worked,
74
166058
1918
describiendo cómo creía
que funcionaba el cerebro,
que funcionaba el cerebro,
02:59
and I described it as a series of modules.
75
167976
3199
y lo describí como
una serie de módulos.
una serie de módulos.
03:03
Each module could do things with a pattern.
76
171175
2128
Cada módulo podía hacer cosas
según un patrón.
según un patrón.
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
Podía aprender un patrón.
Podía recordar un patrón.
Podía recordar un patrón.
03:08
It could implement a pattern.
78
176049
1407
Podía implementar un patrón.
03:09
And these modules were organized in hierarchies,
79
177456
2679
Y estos módulos estaban
organizados en jerarquías,
organizados en jerarquías,
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
y creábamos la jerarquía con
nuestro propio pensamiento.
nuestro propio pensamiento.
03:15
And there was actually very little to go on
81
183089
3333
Y realmente había muy poco
con lo que seguir
con lo que seguir
03:18
50 years ago.
82
186422
1562
50 años atrás.
03:19
It led me to meet President Johnson.
83
187984
2115
Me llevó a conocer al presidente Johnson.
03:22
I've been thinking about this for 50 years,
84
190099
2173
He estado pensando en esto por 50 años,
03:24
and a year and a half ago I came out with the book
85
192272
2828
y hace un año y medio escribí un libro
03:27
"How To Create A Mind,"
86
195100
1265
"Cómo crear una mente",
03:28
which has the same thesis,
87
196365
1613
que tiene la misma tesis,
03:29
but now there's a plethora of evidence.
88
197978
2812
pero ahora hay una plétora de evidencia.
03:32
The amount of data we're getting about the brain
89
200790
1814
La información que
obtenemos sobre el cerebro
obtenemos sobre el cerebro
03:34
from neuroscience is doubling every year.
90
202604
2203
en neurociencia se duplica cada año.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
La resolución espacial de los escáneres
cerebrales de todo tipo
cerebrales de todo tipo
03:39
is doubling every year.
92
207461
2285
se duplica cada año.
03:41
We can now see inside a living brain
93
209746
1717
Ahora podemos ver
dentro de un cerebro vivo
dentro de un cerebro vivo
03:43
and see individual interneural connections
94
211463
2870
y ver conexiones
interneurales individuales
interneurales individuales
conectándose en tiempo real,
disparando en tiempo real.
disparando en tiempo real.
03:46
connecting in real time, firing in real time.
95
214333
2703
03:49
We can see your brain create your thoughts.
96
217036
2419
Podemos ver su cerebro
crear sus pensamientos.
crear sus pensamientos.
Podemos ver sus pensamientos
crear su cerebro,
crear su cerebro,
03:51
We can see your thoughts create your brain,
97
219455
1575
03:53
which is really key to how it works.
98
221030
1999
que es clave para cómo funciona.
03:55
So let me describe briefly how it works.
99
223029
2219
Así que déjenme describir
cómo funciona brevemente.
cómo funciona brevemente.
03:57
I've actually counted these modules.
100
225248
2275
He contado estos módulos.
03:59
We have about 300 million of them,
101
227523
2046
Tenemos cerca de 300 millones de ellos,
04:01
and we create them in these hierarchies.
102
229569
2229
y los creamos en estas jerarquías.
04:03
I'll give you a simple example.
103
231798
2082
Les daré un ejemplo simple.
04:05
I've got a bunch of modules
104
233880
2805
Tengo un montón de módulos
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
que pueden reconocer
la barra cruzada de la letra A,
la barra cruzada de la letra A,
04:12
and that's all they care about.
106
240088
1914
y eso es todo lo que les interesa.
04:14
A beautiful song can play,
107
242002
1578
Puede sonar una linda canción,
04:15
a pretty girl could walk by,
108
243580
1434
puede pasar una linda chica,
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
no les importa,
pero ven la barra de la letra A,
pero ven la barra de la letra A,
04:19
they get very excited and they say "crossbar,"
110
247860
3021
se entusiasman mucho
y dicen "barra cruzada",
y dicen "barra cruzada",
04:22
and they put out a high probability
111
250881
2112
y ponen una alta probabilidad
04:24
on their output axon.
112
252993
1634
en su axón de salida.
04:26
That goes to the next level,
113
254627
1333
Eso va al siguiente nivel,
y estas capas están organizadas
en niveles conceptuales.
en niveles conceptuales.
04:27
and these layers are organized in conceptual levels.
114
255960
2750
04:30
Each is more abstract than the next one,
115
258710
1856
Cada una es más
abstracta que la anterior,
abstracta que la anterior,
04:32
so the next one might say "capital A."
116
260566
2418
así, la siguiente puede
decir "A mayúscula".
decir "A mayúscula".
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
Eso sube a un nivel más alto
que puede decir "Alce".
que puede decir "Alce".
04:37
Information flows down also.
118
265875
2167
La información fluye hacia abajo también.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
Si el reconocedor de alce ha visto A-L-C,
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
pensará, "Mmm, creo que
una E es probable",
una E es probable",
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
y enviará una señal a los
reconocedores de E
reconocedores de E
04:48
saying, "Be on the lookout for an E,
122
276761
1619
diciendo, "Estén atentos a una E,
04:50
I think one might be coming."
123
278380
1556
creo que puede venir una".
04:51
The E recognizers will lower their threshold
124
279936
2843
Los reconocedores de E bajarán su umbral
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
y ven algo borroso,
que podría ser una E.
que podría ser una E.
04:56
Ordinarily you wouldn't think so,
126
284724
1490
Normalmente no pensarían eso,
04:58
but we're expecting an E, it's good enough,
127
286214
2009
pero esperamos una E,
es bastante buena,
es bastante buena,
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
y sí, vi una E, y luego alce dice,
05:02
"Yeah, I've seen an Apple."
129
290040
1728
"Sí, vi un alce".
05:03
Go up another five levels,
130
291768
1746
Sube otros cinco niveles,
05:05
and you're now at a pretty high level
131
293514
1353
ya estás a un nivel bastante alto
05:06
of this hierarchy,
132
294867
1569
de jerarquía,
05:08
and stretch down into the different senses,
133
296436
2353
y acércate hacia los distintos sentidos,
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
y puedes encontrar un módulo
que ve una cierta tela,
que ve una cierta tela,
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
escucha un cierto tipo de voz,
huele cierto perfume,
huele cierto perfume,
05:16
and will say, "My wife has entered the room."
136
304288
2513
y dirá,
"Mi esposa ha entrado en la habitación".
"Mi esposa ha entrado en la habitación".
05:18
Go up another 10 levels, and now you're at
137
306801
1895
Sube otros 10 niveles, y estás ahora a
05:20
a very high level.
138
308696
1160
un nivel muy alto.
05:21
You're probably in the frontal cortex,
139
309856
1937
Probablemente estás
en la corteza frontal,
en la corteza frontal,
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
y tendrás los módulos que dicen,
"Eso fue irónico.
"Eso fue irónico.
05:27
That's funny. She's pretty."
141
315560
2370
Eso es divertido. Ella es linda".
05:29
You might think that those are more sophisticated,
142
317930
2105
Podrías pensar que ésos
son más sofisticados,
son más sofisticados,
05:32
but actually what's more complicated
143
320035
1506
pero lo que es más complicado
05:33
is the hierarchy beneath them.
144
321541
2669
es la jerarquía bajo ellos.
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
Había una niña de 16 años,
tuvo una cirugía en el cerebro,
tuvo una cirugía en el cerebro,
05:38
and she was conscious because the surgeons
146
326830
2051
y estuvo consciente porque los cirujanos
05:40
wanted to talk to her.
147
328881
1537
querían hablar con ella.
05:42
You can do that because there's no pain receptors
148
330418
1822
Se puede hacer
porque no hay receptores de dolor
porque no hay receptores de dolor
05:44
in the brain.
149
332240
1038
en el cerebro.
05:45
And whenever they stimulated particular,
150
333278
1800
Y cada vez que estimulaban
05:47
very small points on her neocortex,
151
335078
2463
pequeños puntos particulares
en su neocórtex,
en su neocórtex,
05:49
shown here in red, she would laugh.
152
337541
2665
los que se ven aquí en rojo, ella se reía.
05:52
So at first they thought they were triggering
153
340206
1440
Así creyeron que disparaban
05:53
some kind of laugh reflex,
154
341646
1720
algún tipo de reflejo de risa,
05:55
but no, they quickly realized they had found
155
343366
2519
pero no, se dieron cuenta de que
habían encontrado
habían encontrado
05:57
the points in her neocortex that detect humor,
156
345885
3044
los puntos en su neocórtex
que detectan humor,
que detectan humor,
06:00
and she just found everything hilarious
157
348929
1969
y ella pensaba que todo era divertidísimo
06:02
whenever they stimulated these points.
158
350898
2437
cada vez que estimulaban esos puntos.
06:05
"You guys are so funny just standing around,"
159
353335
1925
"Uds. son tan divertidos parados ahí",
06:07
was the typical comment,
160
355260
1738
era el comentario típico,
06:08
and they weren't funny,
161
356998
2302
y ellos no eran divertidos,
06:11
not while doing surgery.
162
359300
3247
no mientras hacían la cirugía.
06:14
So how are we doing today?
163
362547
4830
Entonces, ¿cómo vamos hoy?
06:19
Well, computers are actually beginning to master
164
367377
3054
Los computadores están
comenzando a dominar
comenzando a dominar
06:22
human language with techniques
165
370431
2001
el lenguaje humano con técnicas
06:24
that are similar to the neocortex.
166
372432
2867
similares a las del neocórtex.
06:27
I actually described the algorithm,
167
375299
1514
Yo describí el algoritmo,
06:28
which is similar to something called
168
376813
2054
que es similar a algo llamado
06:30
a hierarchical hidden Markov model,
169
378867
2233
un modelo jerárquico
oculto de Markov,
oculto de Markov,
06:33
something I've worked on since the '90s.
170
381100
3241
algo en lo que he
trabajado desde los 90.
trabajado desde los 90.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
"Jeopardy" es un juego
de lenguaje natural muy extenso,
de lenguaje natural muy extenso,
06:39
and Watson got a higher score
172
387579
1892
y Watson alcanzó un puntaje más alto
06:41
than the best two players combined.
173
389471
2000
que los dos mejores jugadores combinados.
06:43
It got this query correct:
174
391471
2499
Logró acertar a esta pregunta:
06:45
"A long, tiresome speech
175
393970
2085
"Un largo, aburrido discurso
06:48
delivered by a frothy pie topping,"
176
396055
2152
dicho por una espumosa cobertura de pastel",
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
y rápidamente respondió,
"Qué es una arenga de merengue?"
"Qué es una arenga de merengue?"
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
Y Jennings y el otro tipo no acertaron ésa.
06:55
It's a pretty sophisticated example of
179
403638
1926
Es un ejemplo bastante sofisticado de
06:57
computers actually understanding human language,
180
405564
1914
computadores entendiendo lenguaje humano,
06:59
and it actually got its knowledge by reading
181
407478
1652
y obtuvo su conocimiento leyendo
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
Wikipedia y muchas otras enciclopedias.
07:04
Five to 10 years from now,
183
412915
2133
En 5 a 10 años,
07:07
search engines will actually be based on
184
415048
2184
los motores de búsqueda
estarán basados en
estarán basados en
07:09
not just looking for combinations of words and links
185
417232
2794
no solo buscar combinaciones
de palabras y links
de palabras y links
07:12
but actually understanding,
186
420026
1914
sino en realmente entender,
07:13
reading for understanding the billions of pages
187
421940
2411
leer para entender miles
de millones de páginas
de millones de páginas
07:16
on the web and in books.
188
424351
2733
en la red y los libros.
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
Así que estarás caminando, y Google aparecerá
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
y dirá, "Sabes, Mary, estabas preocupada
07:24
to me a month ago that your glutathione supplement
191
432781
3019
hace un mes de que
tu suplemento de glutatión
tu suplemento de glutatión
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
no traspasaba
la barrera hematoencefálica.
la barrera hematoencefálica.
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
Bien, una investigación
apareció hace 13 segundos
apareció hace 13 segundos
07:32
that shows a whole new approach to that
194
440624
1711
que muestra un nuevo enfoque
07:34
and a new way to take glutathione.
195
442335
1993
y una nueva forma de tomar glutatión.
07:36
Let me summarize it for you."
196
444328
2562
Permíteme resumirla para ti".
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
En 20 años, tendremos nanobots,
07:42
because another exponential trend
198
450574
1627
porque otra tendencia exponencial
07:44
is the shrinking of technology.
199
452201
1615
es el encogimiento de la tecnología.
07:45
They'll go into our brain
200
453816
2370
Irán a nuestro cerebro
07:48
through the capillaries
201
456186
1703
a través de los capilares
07:49
and basically connect our neocortex
202
457889
2477
y básicamente conectarán nuestro neocórtex
07:52
to a synthetic neocortex in the cloud
203
460366
3185
a un neocórtex sintético en la nube
07:55
providing an extension of our neocortex.
204
463551
3591
dando una extensión a nuestro neocórtex.
07:59
Now today, I mean,
205
467142
1578
Hoy, quiero decir,
08:00
you have a computer in your phone,
206
468720
1530
tienen un computador en su teléfono,
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
pero si necesitan 10 000 computadores
por unos segundos
por unos segundos
08:05
to do a complex search,
208
473004
1495
para hacer una búsqueda compleja,
08:06
you can access that for a second or two in the cloud.
209
474499
3396
pueden acceder a ellos
por 1 o 2 segundos en la nube
por 1 o 2 segundos en la nube
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
En los 2030, si necesitan
un poco de neocórtex extra,
un poco de neocórtex extra,
08:12
you'll be able to connect to that in the cloud
211
480990
2273
podrán conectarse a él en la nube
08:15
directly from your brain.
212
483263
1648
directamente desde su cerebro.
08:16
So I'm walking along and I say,
213
484911
1543
Así que estoy caminando y digo,
08:18
"Oh, there's Chris Anderson.
214
486454
1363
"Ahí está Chris Anderson.
08:19
He's coming my way.
215
487817
1525
Viene hacia mí.
08:21
I'd better think of something clever to say.
216
489342
2335
Mejor pienso algo inteligente que decir.
08:23
I've got three seconds.
217
491677
1524
Tengo 3 segundos.
08:25
My 300 million modules in my neocortex
218
493201
3097
Mis 300 millones de
módulos en mi neocórtex
módulos en mi neocórtex
08:28
isn't going to cut it.
219
496298
1240
no serán suficientes.
08:29
I need a billion more."
220
497538
1246
Necesito mil millones más".
08:30
I'll be able to access that in the cloud.
221
498784
3323
Podré acceder a ellos en la nube.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
Y nuestro pensamiento,
entonces, será un híbrido
entonces, será un híbrido
08:36
of biological and non-biological thinking,
223
504919
3522
de pensamiento biológico y no-biológico,
08:40
but the non-biological portion
224
508441
1898
pero la porción no-biológica
08:42
is subject to my law of accelerating returns.
225
510339
2682
está sujeta a mi ley
de retornos acelerados.
de retornos acelerados.
08:45
It will grow exponentially.
226
513021
2239
Crecerá exponencialmente.
08:47
And remember what happens
227
515260
2016
¿Y recuerdan qué paso
08:49
the last time we expanded our neocortex?
228
517276
2645
la última vez que expandimos
nuestro neocórtex?
nuestro neocórtex?
08:51
That was two million years ago
229
519921
1426
Eso fue hace 2 millones de años
08:53
when we became humanoids
230
521347
1236
cuando nos volvimos humanoides
08:54
and developed these large foreheads.
231
522583
1594
y desarrollamos estas grandes frentes.
08:56
Other primates have a slanted brow.
232
524177
2583
Otros primates tienen una frente inclinada.
08:58
They don't have the frontal cortex.
233
526760
1745
No tienen la corteza frontal.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
Pero la corteza frontal no es
realmente cuantitativamente diferente.
realmente cuantitativamente diferente.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
Es una expansión cuantitativa
de nuestro neocórtex,
de nuestro neocórtex,
09:06
but that additional quantity of thinking
236
534933
2703
pero esa cantidad adicional de pensamiento
09:09
was the enabling factor for us to take
237
537636
1779
permitió que diéramos
09:11
a qualitative leap and invent language
238
539415
3346
un salto cualitativo
e inventáramos el lenguaje
e inventáramos el lenguaje
09:14
and art and science and technology
239
542761
1967
y el arte y la ciencia y la tecnología
09:16
and TED conferences.
240
544728
1454
y las conferencias TED.
09:18
No other species has done that.
241
546182
2131
Ninguna otra especie ha hecho esto.
09:20
And so, over the next few decades,
242
548313
2075
Y así, durante las próximas décadas,
09:22
we're going to do it again.
243
550388
1760
lo haremos de nuevo.
09:24
We're going to again expand our neocortex,
244
552148
2274
Expandiremos nuevamente
nuestro neocórtex,
nuestro neocórtex,
09:26
only this time we won't be limited
245
554422
1756
solo que esta vez no estaremos limitados
09:28
by a fixed architecture of enclosure.
246
556178
4280
por una arquitectura o envoltorio fijos.
09:32
It'll be expanded without limit.
247
560458
3304
Se expandirá sin límites.
09:35
That additional quantity will again
248
563762
2243
La cantidad adicional será nuevamente
09:38
be the enabling factor for another qualitative leap
249
566005
3005
el factor habilitante para
otro salto cualitativo
otro salto cualitativo
09:41
in culture and technology.
250
569010
1635
en cultura y tecnología.
09:42
Thank you very much.
251
570645
2054
Muchas gracias.
09:44
(Applause)
252
572699
3086
(Aplausos)
ABOUT THE SPEAKER
Ray Kurzweil - Inventor, futuristRay Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species.
Why you should listen
Inventor, entrepreneur, visionary, Ray Kurzweil's accomplishments read as a startling series of firsts -- a litany of technological breakthroughs we've come to take for granted. Kurzweil invented the first optical character recognition (OCR) software for transforming the written word into data, the first print-to-speech software for the blind, the first text-to-speech synthesizer, and the first music synthesizer capable of recreating the grand piano and other orchestral instruments, and the first commercially marketed large-vocabulary speech recognition.
Yet his impact as a futurist and philosopher is no less significant. In his best-selling books, which include How to Create a Mind, The Age of Spiritual Machines, The Singularity Is Near: When Humans Transcend Biology, Kurzweil depicts in detail a portrait of the human condition over the next few decades, as accelerating technologies forever blur the line between human and machine.
In 2009, he unveiled Singularity University, an institution that aims to "assemble, educate and inspire leaders who strive to understand and facilitate the development of exponentially advancing technologies." He is a Director of Engineering at Google, where he heads up a team developing machine intelligence and natural language comprehension.
Ray Kurzweil | Speaker | TED.com