TEDxPortland
Maurice Conti: The incredible inventions of intuitive AI
Maurice Conti: Las increíbles invenciones de la inteligencia artificial intuitiva
Filmed:
Readability: 4.6
6,173,221 views
¿Qué obtienes cuando das a un sistema nervioso digital una herramienta de diseño? Maurice Conti explora una sociedad nueva entre tecnología, naturaleza y humanidad. El futuro de la aumentación humana.
Maurice es un diseñador, futurista e innovador. Es el director de Innovación Estratégica en Autodesk y trabajó con pequeñas empresas, agencias gubernamentales, artistas renombrados y corporaciones para explorar lo que el futuro puede ofrecerles, y diseñar soluciones para hacerlos llegar a él. Como líder del Laboratorio de Investigación Aplicada en Autodesk, su trabajo se centra en la robótica avanzada, en el aprendizaje aplicado de máquinas y en el aumento del nivel del mar. Viajó por el mundo. EE.UU., Nueva Zelanda y Naciones Unidas lo condecoraron por su valentía al salvar la vida a tres náufragos. Vive en Muir Beach, CA, donde trabaja como bombero voluntario.
Maurice Conti - Designer, futurist
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Double-click the English transcript below to play the video.
00:12
How many of you are creatives,
0
735
2289
¿Cuántos de Uds. son creativos?
00:15
designers, engineers,
entrepreneurs, artists,
entrepreneurs, artists,
1
3048
3624
Diseñadores, ingenieros,
emprendedores, artistas,
emprendedores, artistas,
00:18
or maybe you just have
a really big imagination?
a really big imagination?
2
6696
2387
o quizás solo tienen
una gran imaginación.
una gran imaginación.
00:21
Show of hands? (Cheers)
3
9107
1848
Muestren sus manos.
00:22
That's most of you.
4
10979
1181
La mayoría de Uds.
00:25
I have some news for us creatives.
5
13334
2294
Tengo algo que decir para
nosotros los creativos.
nosotros los creativos.
00:28
Over the course of the next 20 years,
6
16714
2573
En los próximos 20 años,
00:33
more will change around
the way we do our work
the way we do our work
7
21471
2973
la manera de realizar nuestro
trabajo va a cambiar
trabajo va a cambiar
00:37
than has happened in the last 2,000.
8
25382
2157
más que en los últimos 2000 años.
00:40
In fact, I think we're at the dawn
of a new age in human history.
of a new age in human history.
9
28511
4628
De hecho, pienso que estamos ante
una nueva era en nuestra historia.
una nueva era en nuestra historia.
00:45
Now, there have been four major historical
eras defined by the way we work.
eras defined by the way we work.
10
33645
4761
Hubo cuatro grandes eras históricas
definidas por la manera de trabajar.
definidas por la manera de trabajar.
00:51
The Hunter-Gatherer Age
lasted several million years.
lasted several million years.
11
39404
3275
La era cazadora-recolectora
duró varios millones de años.
duró varios millones de años.
00:55
And then the Agricultural Age
lasted several thousand years.
lasted several thousand years.
12
43163
3576
Luego, la era agrícola
duró varios miles de años.
duró varios miles de años.
00:59
The Industrial Age lasted
a couple of centuries.
a couple of centuries.
13
47195
3490
La era industrial
duró un par de siglos.
duró un par de siglos.
01:02
And now the Information Age
has lasted just a few decades.
has lasted just a few decades.
14
50709
4287
Y ahora la era de la información
que lleva solo algunas décadas.
que lleva solo algunas décadas.
01:07
And now today, we're on the cusp
of our next great era as a species.
of our next great era as a species.
15
55020
5220
Y hoy, estamos en presencia de una
nueva gran era para nuestra especie.
nueva gran era para nuestra especie.
01:13
Welcome to the Augmented Age.
16
61296
2680
Bienvenidos a la era aumentada.
01:16
In this new era, your natural human
capabilities are going to be augmented
capabilities are going to be augmented
17
64000
3693
En esta era nueva, las capacidades
del ser humano serán aumentadas
del ser humano serán aumentadas
01:19
by computational systems
that help you think,
that help you think,
18
67717
3068
por sistemas computarizados
que nos ayudarán a pensar,
que nos ayudarán a pensar,
01:22
robotic systems that help you make,
19
70809
2186
sistemas robóticos que
ayudarán a construir,
ayudarán a construir,
01:25
and a digital nervous system
20
73019
1648
y sistemas nerviosos digitales
01:26
that connects you to the world
far beyond your natural senses.
far beyond your natural senses.
21
74691
3690
que conectarán con el mundo
más allá de los sentidos naturales.
más allá de los sentidos naturales.
01:31
Let's start with cognitive augmentation.
22
79437
1942
Comencemos con la aumentación cognitiva.
01:33
How many of you are augmented cyborgs?
23
81403
2200
¿Cuántos de Uds. son ciborgs aumentados?
01:36
(Laughter)
24
84133
2650
(Risas)
01:38
I would actually argue
that we're already augmented.
that we're already augmented.
25
86807
2821
En realidad yo aseguraría
que ya estamos aumentados.
que ya estamos aumentados.
01:42
Imagine you're at a party,
26
90288
1504
Imagínense en una fiesta,
01:43
and somebody asks you a question
that you don't know the answer to.
that you don't know the answer to.
27
91816
3520
y alguien les hace una pregunta
para la que no tienen respuesta.
para la que no tienen respuesta.
01:47
If you have one of these,
in a few seconds, you can know the answer.
in a few seconds, you can know the answer.
28
95360
3760
Si tienen uno de estos, en algunos
segundos, pueden saber la respuesta.
segundos, pueden saber la respuesta.
01:51
But this is just a primitive beginning.
29
99869
2299
Pero este es un comienzo primitivo.
01:54
Even Siri is just a passive tool.
30
102863
3331
Incluso Siri es una herramienta pasiva.
01:58
In fact, for the last
three-and-a-half million years,
three-and-a-half million years,
31
106660
3381
De hecho, en los últimos
tres millones y medio de años,
tres millones y medio de años,
02:02
the tools that we've had
have been completely passive.
have been completely passive.
32
110065
3109
las herramientas que usamos
fueron completamente pasivas.
fueron completamente pasivas.
02:06
They do exactly what we tell them
and nothing more.
and nothing more.
33
114203
3655
Hacen justo lo que les pedimos
y nada más.
y nada más.
02:09
Our very first tool only cut
where we struck it.
where we struck it.
34
117882
3101
Nuestra primera herramienta
cortaba donde la golpeábamos.
cortaba donde la golpeábamos.
02:13
The chisel only carves
where the artist points it.
where the artist points it.
35
121822
3040
El cincel solo talla donde
el artista lo apunta.
el artista lo apunta.
02:17
And even our most advanced tools
do nothing without our explicit direction.
do nothing without our explicit direction.
36
125343
5641
E incluso las herramientas más avanzadas
no hacen nada sin nuestra dirección.
no hacen nada sin nuestra dirección.
02:23
In fact, to date, and this
is something that frustrates me,
is something that frustrates me,
37
131008
3181
De hecho, al día de la fecha,
y esto es algo que me frustra,
y esto es algo que me frustra,
02:26
we've always been limited
38
134213
1448
siempre estuvimos limitados
02:27
by this need to manually
push our wills into our tools --
push our wills into our tools --
39
135685
3501
por esta necesidad manual de ejercer
nuestra voluntad en las herramientas
nuestra voluntad en las herramientas
02:31
like, manual,
literally using our hands,
literally using our hands,
40
139210
2297
literalmente, con las manos,
02:33
even with computers.
41
141531
1428
incluso con las computadoras.
02:36
But I'm more like Scotty in "Star Trek."
42
144072
2463
Pero yo soy más como Scotty
de "Star Trek".
de "Star Trek".
02:38
(Laughter)
43
146559
1850
(Risas)
02:40
I want to have a conversation
with a computer.
with a computer.
44
148433
2146
Quiero conversar con la computadora.
02:42
I want to say, "Computer,
let's design a car,"
let's design a car,"
45
150603
2970
Quiero decirle "Computadora,
diseñemos un auto",
diseñemos un auto",
02:45
and the computer shows me a car.
46
153597
1539
y que me lo muestre.
02:47
And I say, "No, more fast-looking,
and less German,"
and less German,"
47
155160
2608
Y yo diga "No, que parezca
más rápido y menos alemán",
más rápido y menos alemán",
02:49
and bang, the computer shows me an option.
48
157792
2163
y pum, la computadora muestra una opción.
02:51
(Laughter)
49
159979
1865
(Risas)
02:54
That conversation might be
a little ways off,
a little ways off,
50
162208
2306
Esa conversación puede parecer lejana,
02:56
probably less than many of us think,
51
164538
2665
quizás menos de lo que pensamos,
02:59
but right now,
52
167227
1763
pero ahora,
03:01
we're working on it.
53
169014
1151
trabajamos en ello.
03:02
Tools are making this leap
from being passive to being generative.
from being passive to being generative.
54
170189
4033
Las herramientas están haciendo
el salto de pasivas a generativas.
el salto de pasivas a generativas.
03:06
Generative design tools
use a computer and algorithms
use a computer and algorithms
55
174831
3308
Las herramientas generativas
usan una computadora y algoritmos
usan una computadora y algoritmos
03:10
to synthesize geometry
56
178163
2608
para sintetizar geometría,
03:12
to come up with new designs
all by themselves.
all by themselves.
57
180795
2754
para crear nuevos diseños por sí mismas.
03:15
All it needs are your goals
and your constraints.
and your constraints.
58
183996
2748
Solo necesita objetivos y restricciones.
03:18
I'll give you an example.
59
186768
1408
Les daré un ejemplo.
03:20
In the case of this aerial drone chassis,
60
188200
2788
En el caso de este chasis de dron aéreo,
03:23
all you would need to do
is tell it something like,
is tell it something like,
61
191012
2626
solo es necesario decir algo como,
03:25
it has four propellers,
62
193662
1273
tiene cuatro hélices,
03:26
you want it to be
as lightweight as possible,
as lightweight as possible,
63
194959
2131
que sea lo más liviano posible,
03:29
and you need it to be
aerodynamically efficient.
aerodynamically efficient.
64
197114
2270
y con aerodinámica eficiente.
03:31
Then what the computer does
is it explores the entire solution space:
is it explores the entire solution space:
65
199408
4914
Luego la computadora explora
todas las soluciones posibles.
todas las soluciones posibles.
03:36
every single possibility that solves
and meets your criteria --
and meets your criteria --
66
204346
3927
Cada posible solución que
concuerda con los criterios,
concuerda con los criterios,
03:40
millions of them.
67
208297
1442
millones.
03:41
It takes big computers to do this.
68
209763
1975
Se necesitan computadoras grandes.
03:43
But it comes back to us with designs
69
211762
1955
Pero nos devuelve diseños
03:45
that we, by ourselves,
never could've imagined.
never could've imagined.
70
213741
3143
que por nuestros propios medios
nunca podríamos imaginar.
nunca podríamos imaginar.
03:49
And the computer's coming up
with this stuff all by itself --
with this stuff all by itself --
71
217326
2912
Y la computadora llega a esto
por sus propios medios.
por sus propios medios.
03:52
no one ever drew anything,
72
220262
1678
Nadie jamás dibujó nada,
03:53
and it started completely from scratch.
73
221964
2086
y comenzó de cero.
03:57
And by the way, it's no accident
74
225038
2387
Y por cierto, no es un accidente
03:59
that the drone body looks just like
the pelvis of a flying squirrel.
the pelvis of a flying squirrel.
75
227449
3481
que el cuerpo del dron se parezca
a la pelvis de una ardilla voladora.
a la pelvis de una ardilla voladora.
04:03
(Laughter)
76
231287
2007
(Risas)
04:06
It's because the algorithms
are designed to work
are designed to work
77
234040
2302
Es porque los algoritmos trabajan
04:08
the same way evolution does.
78
236366
1637
igual que la evolución.
Es emocionante que estamos
empezando a ver esta tecnología
empezando a ver esta tecnología
04:10
What's exciting is we're starting
to see this technology
to see this technology
79
238715
2660
04:13
out in the real world.
80
241399
1159
en el mundo real.
04:14
We've been working with Airbus
for a couple of years
for a couple of years
81
242582
2452
Trabajamos con Airbus
durante un par de años
durante un par de años
04:17
on this concept plane for the future.
82
245058
1909
en este concepto de avión para el futuro.
04:18
It's a ways out still.
83
246991
2070
Aunque todavía es muy lejano.
04:21
But just recently we used
a generative-design AI
a generative-design AI
84
249085
3780
Pero hace poco usamos inteligencia
artificial de diseño generativo
artificial de diseño generativo
04:24
to come up with this.
85
252889
1807
para llegar a esto.
04:27
This is a 3D-printed cabin partition
that's been designed by a computer.
that's been designed by a computer.
86
255609
5153
Esta es una división de cabina impresa
en 3D diseñada por una computadora.
en 3D diseñada por una computadora.
04:32
It's stronger than the original
yet half the weight,
yet half the weight,
87
260786
2824
Es más fuerte que la original
y pesa la mitad,
y pesa la mitad,
04:35
and it will be flying
in the Airbus A320 later this year.
in the Airbus A320 later this year.
88
263634
3146
y va a volar en el Airbus A320
más adelante en este año.
más adelante en este año.
Ahora las computadoras pueden generar.
04:39
So computers can now generate;
89
267405
1559
04:40
they can come up with their own solutions
to our well-defined problems.
to our well-defined problems.
90
268988
4595
Pueden brindar sus propias soluciones
para nuestros problemas bien definidos.
para nuestros problemas bien definidos.
04:46
But they're not intuitive.
91
274677
1310
Pero no son intuitivas.
04:48
They still have to start from scratch
every single time,
every single time,
92
276011
3086
Siempre tienen que comenzar de cero
en cada oportunidad,
en cada oportunidad,
04:51
and that's because they never learn.
93
279121
2565
Y eso es porque nunca aprenden.
04:54
Unlike Maggie.
94
282368
1766
No como Maggie.
04:56
(Laughter)
95
284158
1581
(Risas)
04:57
Maggie's actually smarter
than our most advanced design tools.
than our most advanced design tools.
96
285763
3297
Maggie es más inteligente que nuestras
herramientas más avanzadas.
herramientas más avanzadas.
05:01
What do I mean by that?
97
289467
1440
¿Qué quiero decir?
05:02
If her owner picks up that leash,
98
290931
1590
Si su dueño toma la correa,
05:04
Maggie knows with a fair
degree of certainty
degree of certainty
99
292545
2068
Maggie sabe con bastante seguridad
05:06
it's time to go for a walk.
100
294637
1404
que es hora de dar un paseo.
05:08
And how did she learn?
101
296065
1185
¿Y cómo lo aprendió?
05:09
Well, every time the owner picked up
the leash, they went for a walk.
the leash, they went for a walk.
102
297274
3324
Bueno, cada vez que su dueño
toma la correa, salen a pasear.
toma la correa, salen a pasear.
05:12
And Maggie did three things:
103
300622
1878
Maggie hizo tres cosas:
05:14
she had to pay attention,
104
302524
1869
tuvo que prestar atención,
05:16
she had to remember what happened
105
304417
2082
tuvo que recordar qué pasó,
05:18
and she had to retain and create
a pattern in her mind.
a pattern in her mind.
106
306523
4017
y tuvo que retener y crear
un patrón en su cabeza.
un patrón en su cabeza.
Interesante, eso es justo
05:23
Interestingly, that's exactly what
107
311429
2095
lo que los científicos intentan hacer
con la inteligencia artificial
con la inteligencia artificial
05:25
computer scientists
have been trying to get AIs to do
have been trying to get AIs to do
108
313548
2523
05:28
for the last 60 or so years.
109
316095
1859
desde hace 60 años.
05:30
Back in 1952,
110
318683
1349
Allá en 1952,
05:32
they built this computer
that could play Tic-Tac-Toe.
that could play Tic-Tac-Toe.
111
320056
3801
construyeron esta computadora
que podía jugar a tres en raya.
que podía jugar a tres en raya.
05:37
Big deal.
112
325081
1160
Gran cosa.
05:39
Then 45 years later, in 1997,
113
327029
3000
Luego, 45 años más tarde en 1997,
05:42
Deep Blue beats Kasparov at chess.
114
330053
2472
Deep Blue ganó a Kasparov al ajedrez.
05:46
2011, Watson beats these two
humans at Jeopardy,
humans at Jeopardy,
115
334046
4968
2011, Watson le gana a estos
dos humanos en Jeopardy,
dos humanos en Jeopardy,
05:51
which is much harder for a computer
to play than chess is.
to play than chess is.
116
339038
2928
que, para una computadora,
es mucho más difícil que el ajedrez.
es mucho más difícil que el ajedrez.
05:53
In fact, rather than working
from predefined recipes,
from predefined recipes,
117
341990
3812
De hecho, más que trabajar
con fórmulas predefinidas,
con fórmulas predefinidas,
05:57
Watson had to use reasoning
to overcome his human opponents.
to overcome his human opponents.
118
345826
3323
Watson tuvo que razonar para
vencer a sus oponentes humanos.
vencer a sus oponentes humanos.
06:02
And then a couple of weeks ago,
119
350393
2439
Luego, algunas semanas atrás,
06:04
DeepMind's AlphaGo beats
the world's best human at Go,
the world's best human at Go,
120
352856
4262
AlphaGo de DeepMind venció
a los mejores en Go,
a los mejores en Go,
06:09
which is the most difficult
game that we have.
game that we have.
121
357142
2212
que es más el juego
más difícil que tenemos.
más difícil que tenemos.
06:11
In fact, in Go, there are more
possible moves
possible moves
122
359378
2896
De hecho, en Go, hay más
movimientos posibles
movimientos posibles
06:14
than there are atoms in the universe.
123
362298
2024
que átomos en el universo.
06:18
So in order to win,
124
366210
1826
Para ganar,
06:20
what AlphaGo had to do
was develop intuition.
was develop intuition.
125
368060
2618
AlphaGo tuvo que desarrollar intuición.
06:23
And in fact, at some points,
AlphaGo's programmers didn't understand
AlphaGo's programmers didn't understand
126
371098
4110
De hecho, en cierto punto, los
programadores de AlphaGo no entendían
programadores de AlphaGo no entendían
06:27
why AlphaGo was doing what it was doing.
127
375232
2286
por qué AlphaGo hacía lo que hacía.
06:31
And things are moving really fast.
128
379451
1660
Y todo avanza muy rápido.
06:33
I mean, consider --
in the space of a human lifetime,
in the space of a human lifetime,
129
381135
3227
Es decir, si pensamos que en
el transcurso de una vida humana,
el transcurso de una vida humana,
06:36
computers have gone from a child's game
130
384386
2233
las computadoras pasaron
de ser juegos de niños
de ser juegos de niños
06:39
to what's recognized as the pinnacle
of strategic thought.
of strategic thought.
131
387920
3048
a lo que se considera la cúspide
del pensamiento estratégico.
del pensamiento estratégico.
06:43
What's basically happening
132
391999
2417
Lo que básicamente ocurre
06:46
is computers are going
from being like Spock
from being like Spock
133
394440
3310
es que las computadoras
pasan de ser como Spock...
pasan de ser como Spock...
06:49
to being a lot more like Kirk.
134
397774
1949
a ser más como Kirk.
06:51
(Laughter)
135
399747
3618
(Risas)
06:55
Right? From pure logic to intuition.
136
403389
3424
De lógica pura a intuición.
07:00
Would you cross this bridge?
137
408184
1743
¿Uds. cruzarían ese puente?
07:02
Most of you are saying, "Oh, hell no!"
138
410609
2323
Muchos piensan, "¡ni loco!"
07:04
(Laughter)
139
412956
1308
(Risas)
07:06
And you arrived at that decision
in a split second.
in a split second.
140
414288
2657
Y llegan a esa decisión
en una fracción de segundo.
en una fracción de segundo.
07:08
You just sort of knew
that bridge was unsafe.
that bridge was unsafe.
141
416969
2428
De alguna forma sabían que
ese puente es inestable.
ese puente es inestable.
07:11
And that's exactly the kind of intuition
142
419421
1989
Y esa es justo el tipo de intuición
07:13
that our deep-learning systems
are starting to develop right now.
are starting to develop right now.
143
421434
3568
que nuestros sistemas de aprendizaje
profundo desarrollan ahora mismo.
profundo desarrollan ahora mismo.
07:17
Very soon, you'll literally be able
144
425722
1707
Muy pronto, podremos
07:19
to show something you've made,
you've designed,
you've designed,
145
427453
2206
mostrarle algo que hayamos diseñado
07:21
to a computer,
146
429683
1153
a una computadora
07:22
and it will look at it and say,
147
430860
1489
y ésta lo mirará y dirá:
07:24
"Sorry, homie, that'll never work.
You have to try again."
You have to try again."
148
432373
2823
"Lo siento amigo, no va a funcionar.
Inténtalo de nuevo".
Inténtalo de nuevo".
07:27
Or you could ask it if people
are going to like your next song,
are going to like your next song,
149
435854
3070
O podrías saber si a la gente
le va a gustar tu nueva canción,
le va a gustar tu nueva canción,
07:31
or your next flavor of ice cream.
150
439773
2063
o tu nuevo sabor de helado.
07:35
Or, much more importantly,
151
443549
2579
O, mucho más importante,
07:38
you could work with a computer
to solve a problem
to solve a problem
152
446152
2364
te podría ayudar a resolver un problema
07:40
that we've never faced before.
153
448540
1637
que nunca hayamos enfrentado.
07:42
For instance, climate change.
154
450201
1401
Como el cambio climático.
07:43
We're not doing a very
good job on our own,
good job on our own,
155
451626
2020
No estamos haciendo un gran trabajo,
07:45
we could certainly use
all the help we can get.
all the help we can get.
156
453670
2245
podríamos usar toda
la ayuda posible sin dudas.
la ayuda posible sin dudas.
07:47
That's what I'm talking about,
157
455939
1458
De eso hablo,
07:49
technology amplifying
our cognitive abilities
our cognitive abilities
158
457421
2555
tecnología que mejora
nuestras habilidades cognitivas
nuestras habilidades cognitivas
07:52
so we can imagine and design things
that were simply out of our reach
that were simply out of our reach
159
460000
3552
para poder imaginar y diseñar
más allá de nuestro alcance
más allá de nuestro alcance
07:55
as plain old un-augmented humans.
160
463576
2559
como simples humanos antiguos
y no aumentados.
y no aumentados.
07:59
So what about making
all of this crazy new stuff
all of this crazy new stuff
161
467984
2941
¿Pero qué pasa con todas
estas cosas alocadas nuevas
estas cosas alocadas nuevas
08:02
that we're going to invent and design?
162
470949
2441
que vamos a inventar y diseñar?
08:05
I think the era of human augmentation
is as much about the physical world
is as much about the physical world
163
473952
4093
Creo que la era del humano aumentado
tiene que ver tanto con el mundo físico
tiene que ver tanto con el mundo físico
08:10
as it is about the virtual,
intellectual realm.
intellectual realm.
164
478069
3065
como con el virtual,
el reino de lo intelectual.
el reino de lo intelectual.
08:13
How will technology augment us?
165
481833
1921
¿Cómo nos aumentará la tecnología?
08:16
In the physical world, robotic systems.
166
484261
2473
En el mundo físico, sistemas robóticos.
08:19
OK, there's certainly a fear
167
487620
1736
Bueno, igual existe un miedo latente
08:21
that robots are going to take
jobs away from humans,
jobs away from humans,
168
489380
2488
de que los robots asumirán
nuestro trabajo,
nuestro trabajo,
08:23
and that is true in certain sectors.
169
491892
1830
y es verdad en ciertos sectores.
08:26
But I'm much more interested in this idea
170
494174
2878
Pero me interesa más esta idea
08:29
that humans and robots working together
are going to augment each other,
are going to augment each other,
171
497076
5010
de que humanos y robots trabajen
juntos para aumentarse entre sí,
juntos para aumentarse entre sí,
08:34
and start to inhabit a new space.
172
502110
2058
y empezar a habitar un espacio nuevo.
08:36
This is our applied research lab
in San Francisco,
in San Francisco,
173
504192
2362
Este es nuestro laboratorio
en San Francisco,
en San Francisco,
08:38
where one of our areas of focus
is advanced robotics,
is advanced robotics,
174
506578
3142
donde una de nuestras áreas
de interés es robótica avanzada,
de interés es robótica avanzada,
08:41
specifically, human-robot collaboration.
175
509744
2511
en especial, colaboración
entre humanos y robots.
entre humanos y robots.
08:45
And this is Bishop, one of our robots.
176
513034
2759
Y este es Bishop, uno de nuestros robots.
08:47
As an experiment, we set it up
177
515817
1789
Como un experimento, lo configuramos
08:49
to help a person working in construction
doing repetitive tasks --
doing repetitive tasks --
178
517630
3460
para ayudar a una persona a hacer
tareas repetitivas en construcción,
tareas repetitivas en construcción,
08:53
tasks like cutting out holes for outlets
or light switches in drywall.
or light switches in drywall.
179
521984
4194
tareas como hacer agujeros para
apliques o luces en una pared de yeso.
apliques o luces en una pared de yeso.
08:58
(Laughter)
180
526202
2466
(Risas)
09:01
So, Bishop's human partner
can tell what to do in plain English
can tell what to do in plain English
181
529877
3111
El compañero humano de Bishop
puede decir qué hacer en inglés
puede decir qué hacer en inglés
09:05
and with simple gestures,
182
533012
1305
y con gestos simples,
09:06
kind of like talking to a dog,
183
534341
1447
como hablarle a un perro,
09:07
and then Bishop executes
on those instructions
on those instructions
184
535812
2143
y luego Bishop ejecuta
dichas instrucciones
dichas instrucciones
09:09
with perfect precision.
185
537979
1892
con una precisión perfecta.
09:11
We're using the human
for what the human is good at:
for what the human is good at:
186
539895
2989
Usamos al humano para lo que es bueno:
09:14
awareness, perception and decision making.
187
542908
2333
conciencia, percepción
y toma de decisiones.
y toma de decisiones.
09:17
And we're using the robot
for what it's good at:
for what it's good at:
188
545265
2240
Y usamos al robot para lo que es bueno:
09:19
precision and repetitiveness.
189
547529
1748
precisión y repetición.
09:22
Here's another cool project
that Bishop worked on.
that Bishop worked on.
190
550252
2367
Y otro buen proyecto
en el que trabajó Bishop.
en el que trabajó Bishop.
09:24
The goal of this project,
which we called the HIVE,
which we called the HIVE,
191
552643
3075
El objetivo de este,
al que denominamos HIVE,
al que denominamos HIVE,
09:27
was to prototype the experience
of humans, computers and robots
of humans, computers and robots
192
555742
3851
fue experimentar con humanos,
computadoras y robots
computadoras y robots
09:31
all working together to solve
a highly complex design problem.
a highly complex design problem.
193
559617
3220
todos trabajando juntos para resolver
un problema complejo de diseño.
un problema complejo de diseño.
09:35
The humans acted as labor.
194
563793
1451
Humanos como fuerza laboral.
09:37
They cruised around the construction site,
they manipulated the bamboo --
they manipulated the bamboo --
195
565268
3473
Se movieron por la zona de construcción,
manipulando el bambú,
manipulando el bambú,
09:40
which, by the way,
because it's a non-isomorphic material,
because it's a non-isomorphic material,
196
568765
2756
el cual, al no ser un material isomorfo,
09:43
is super hard for robots to deal with.
197
571545
1874
es difícil de manipular por los robots.
09:45
But then the robots
did this fiber winding,
did this fiber winding,
198
573443
2022
Luego los robots hicieron
un camino serpenteante
un camino serpenteante
09:47
which was almost impossible
for a human to do.
for a human to do.
199
575489
2451
casi imposible de hacer para un humano.
09:49
And then we had an AI
that was controlling everything.
that was controlling everything.
200
577964
3621
Y luego teníamos una inteligencia
artificial que controlaba todo.
artificial que controlaba todo.
09:53
It was telling the humans what to do,
telling the robots what to do
telling the robots what to do
201
581609
3290
Le decía a los humanos qué hacer,
y a los robots qué hacer
y a los robots qué hacer
09:56
and keeping track of thousands
of individual components.
of individual components.
202
584923
2915
y llevaba registro de miles
de componentes individuales.
de componentes individuales.
09:59
What's interesting is,
203
587862
1180
Es interesante que,
10:01
building this pavilion
was simply not possible
was simply not possible
204
589066
3141
construir este pabellón
era prácticamente imposible
era prácticamente imposible
10:04
without human, robot and AI
augmenting each other.
augmenting each other.
205
592231
4524
sin humanos, robots e inteligencia
artificial aumentándose entre sí.
artificial aumentándose entre sí.
10:09
OK, I'll share one more project.
This one's a little bit crazy.
This one's a little bit crazy.
206
597890
3320
Les mostraré uno de mis proyectos.
Es un poquito descabellado.
Es un poquito descabellado.
10:13
We're working with Amsterdam-based artist
Joris Laarman and his team at MX3D
Joris Laarman and his team at MX3D
207
601234
4468
Trabajamos con un artista en Amsterdam,
Joris Laarman y su equipo en MX3D,
Joris Laarman y su equipo en MX3D,
10:17
to generatively design
and robotically print
and robotically print
208
605726
2878
en un diseño generativo
para imprimir con robots
para imprimir con robots
10:20
the world's first autonomously
manufactured bridge.
manufactured bridge.
209
608628
2995
el primer puente creado de
manera autónoma en el mundo.
manera autónoma en el mundo.
10:24
So, Joris and an AI are designing
this thing right now, as we speak,
this thing right now, as we speak,
210
612315
3685
Joris y una inteligencia artificial
diseñan esto ahora, mientras hablamos,
diseñan esto ahora, mientras hablamos,
10:28
in Amsterdam.
211
616024
1172
en Amsterdam.
10:29
And when they're done,
we're going to hit "Go,"
we're going to hit "Go,"
212
617220
2321
Y cuando terminen, les daremos luz verde,
10:31
and robots will start 3D printing
in stainless steel,
in stainless steel,
213
619565
3311
y los robots empezarán a imprimir
en 3D el acero inoxidable,
en 3D el acero inoxidable,
10:34
and then they're going to keep printing,
without human intervention,
without human intervention,
214
622900
3283
y luego seguirán imprimiendo
sin intervención humana,
sin intervención humana,
10:38
until the bridge is finished.
215
626207
1558
hasta que el puente se termine.
10:41
So, as computers are going
to augment our ability
to augment our ability
216
629099
2928
Conforme las computadoras
aumenten nuestra realidad
aumenten nuestra realidad
10:44
to imagine and design new stuff,
217
632051
2150
para imaginar y diseñar cosas nuevas,
10:46
robotic systems are going to help us
build and make things
build and make things
218
634225
2895
los sistemas robóticos
nos ayudarán a crear cosas
nos ayudarán a crear cosas
10:49
that we've never been able to make before.
219
637144
2084
que nunca podríamos haber hecho antes.
10:52
But what about our ability
to sense and control these things?
to sense and control these things?
220
640347
4160
¿Y qué pasa con nuestra habilidad
para sentir y controlar estas cosas?
para sentir y controlar estas cosas?
10:56
What about a nervous system
for the things that we make?
for the things that we make?
221
644531
4031
¿Y si usamos un sistema nervioso
para controlar las cosas que hacemos?
para controlar las cosas que hacemos?
11:00
Our nervous system,
the human nervous system,
the human nervous system,
222
648586
2512
Nuestro sistema nervioso,
el de los humanos,
el de los humanos,
11:03
tells us everything
that's going on around us.
that's going on around us.
223
651122
2311
nos dice todo lo que
pasa a nuestro alrededor.
pasa a nuestro alrededor.
11:06
But the nervous system of the things
we make is rudimentary at best.
we make is rudimentary at best.
224
654186
3684
Pero el sistema nervioso de las cosas
que creamos es rudimentario.
que creamos es rudimentario.
11:09
For instance, a car doesn't tell
the city's public works department
the city's public works department
225
657894
3563
Por ejemplo, un auto no le dice
al departamento de obras públicas
al departamento de obras públicas
11:13
that it just hit a pothole at the corner
of Broadway and Morrison.
of Broadway and Morrison.
226
661481
3130
que acaba de pasar un bache en
la esquina de Broadway y Morrison.
la esquina de Broadway y Morrison.
11:16
A building doesn't tell its designers
227
664635
2032
Un edificio no les dice a sus diseñadores
11:18
whether or not the people inside
like being there,
like being there,
228
666691
2684
si la gente que está dentro lo disfruta,
11:21
and the toy manufacturer doesn't know
229
669399
3010
y el fabricante de juguetes no sabe
11:24
if a toy is actually being played with --
230
672433
2007
si se juega con cierto juguete,
11:26
how and where and whether
or not it's any fun.
or not it's any fun.
231
674464
2539
cómo, dónde, y si es divertido o no.
11:29
Look, I'm sure that the designers
imagined this lifestyle for Barbie
imagined this lifestyle for Barbie
232
677620
3814
Miren, seguro que los diseñadores
se imaginaron esta vida para la Barbie
se imaginaron esta vida para la Barbie
11:33
when they designed her.
233
681458
1224
cuando la diseñaron.
11:34
(Laughter)
234
682706
1447
(Risas)
11:36
But what if it turns out that Barbie's
actually really lonely?
actually really lonely?
235
684177
2906
¿Pero qué pasaría si en realidad
la Barbie se siente muy sola?
la Barbie se siente muy sola?
11:39
(Laughter)
236
687107
3147
(Risas)
11:43
If the designers had known
237
691266
1288
Si los diseñadores supieran
11:44
what was really happening
in the real world
in the real world
238
692578
2107
qué pasa realmente en el mundo
11:46
with their designs -- the road,
the building, Barbie --
the building, Barbie --
239
694709
2583
con sus diseños: caminos,
edificios, Barbies,
edificios, Barbies,
11:49
they could've used that knowledge
to create an experience
to create an experience
240
697316
2694
podrían usar ese conocimiento
para crear una experiencia
para crear una experiencia
11:52
that was better for the user.
241
700034
1400
mejor para el usuario.
11:53
What's missing is a nervous system
242
701458
1791
Lo que falta es un sistema nervioso
11:55
connecting us to all of the things
that we design, make and use.
that we design, make and use.
243
703273
3709
que nos conecte a las cosas que
diseñamos, creamos, y usamos.
diseñamos, creamos, y usamos.
11:59
What if all of you had that kind
of information flowing to you
of information flowing to you
244
707915
3555
¿Qué pasaría si todos tuvieran
ese tipo de información
ese tipo de información
12:03
from the things you create
in the real world?
in the real world?
245
711494
2183
desde todas las cosas
que creamos en el mundo?
que creamos en el mundo?
12:07
With all of the stuff we make,
246
715432
1451
Con todo lo que hacemos,
12:08
we spend a tremendous amount
of money and energy --
of money and energy --
247
716907
2435
gastamos una cantidad inmensa
de dinero y energías.
de dinero y energías.
12:11
in fact, last year,
about two trillion dollars --
about two trillion dollars --
248
719366
2376
De hecho, el último año,
cerca de USD 2 billones
cerca de USD 2 billones
12:13
convincing people to buy
the things we've made.
the things we've made.
249
721766
2854
intentando que la gente
compre lo que hacemos.
compre lo que hacemos.
12:16
But if you had this connection
to the things that you design and create
to the things that you design and create
250
724644
3388
Pero si existiera esta conexión
con las cosas que uno diseña y crea
con las cosas que uno diseña y crea
12:20
after they're out in the real world,
251
728056
1727
después de que salen al mundo,
12:21
after they've been sold
or launched or whatever,
or launched or whatever,
252
729807
3614
después de vendidas,
lanzadas o lo que sea,
lanzadas o lo que sea,
12:25
we could actually change that,
253
733445
1620
podríamos en verdad cambiarlo,
12:27
and go from making people want our stuff,
254
735089
3047
e ir desde hacer que la
gente quiera nuestras cosas,
gente quiera nuestras cosas,
12:30
to just making stuff that people
want in the first place.
want in the first place.
255
738160
3434
a hacer cosas que la gente
quiere en primer lugar.
quiere en primer lugar.
12:33
The good news is, we're working
on digital nervous systems
on digital nervous systems
256
741618
2787
La buena noticia es que
trabajamos en sistemas nerviosos
trabajamos en sistemas nerviosos
12:36
that connect us to the things we design.
257
744429
2801
que nos conectan con lo que creamos.
12:40
We're working on one project
258
748365
1627
Estamos trabajando en un proyecto
12:42
with a couple of guys down in Los Angeles
called the Bandito Brothers
called the Bandito Brothers
259
750016
3712
con un par de personas en Los Ángeles
llamados los Bandito Brothers
llamados los Bandito Brothers
12:45
and their team.
260
753752
1407
y su equipo.
12:47
And one of the things these guys do
is build insane cars
is build insane cars
261
755183
3433
Y una de las cosas que hacen
es crear autos delirantes
es crear autos delirantes
12:50
that do absolutely insane things.
262
758640
2873
que hacen cosas absolutamente delirantes.
12:54
These guys are crazy --
263
762905
1450
Estas personas están locas,
12:56
(Laughter)
264
764379
1036
(Risas)
12:57
in the best way.
265
765439
1403
de la mejor manera.
13:00
And what we're doing with them
266
768993
1763
Y lo que estamos haciendo juntos
13:02
is taking a traditional race-car chassis
267
770780
2440
es tomar el chasis tradicional de un auto
13:05
and giving it a nervous system.
268
773244
1585
y darle un sistema nervioso.
13:06
So we instrumented it
with dozens of sensors,
with dozens of sensors,
269
774853
3058
Lo equipamos con decenas de sensores,
13:09
put a world-class driver behind the wheel,
270
777935
2635
pusimos un piloto de
primer nivel al volante,
primer nivel al volante,
13:12
took it out to the desert
and drove the hell out of it for a week.
and drove the hell out of it for a week.
271
780594
3357
lo llevamos al desierto, y lo manejó
al máximo durante una semana.
al máximo durante una semana.
13:15
And the car's nervous system
captured everything
captured everything
272
783975
2491
Y el sistema nervioso
del auto capturó todo
del auto capturó todo
13:18
that was happening to the car.
273
786490
1482
lo que pasaba en el auto.
13:19
We captured four billion data points;
274
787996
2621
Capturamos 4000 millones de datos,
13:22
all of the forces
that it was subjected to.
that it was subjected to.
275
790641
2310
todas las fuerzas a la que era sometido.
13:24
And then we did something crazy.
276
792975
1659
Y luego construimos algo alocado.
13:27
We took all of that data,
277
795268
1500
Tomamos esos datos y los pusimos
13:28
and plugged it into a generative-design AI
we call "Dreamcatcher."
we call "Dreamcatcher."
278
796792
3736
en una inteligencia artificial de diseño
generativo que llamamos "Dreamcatcher".
generativo que llamamos "Dreamcatcher".
13:33
So what do get when you give
a design tool a nervous system,
a design tool a nervous system,
279
801270
3964
¿Y qué obtienes cuando les das un sistema
nervioso a una herramienta de diseño
nervioso a una herramienta de diseño
13:37
and you ask it to build you
the ultimate car chassis?
the ultimate car chassis?
280
805258
2882
y le pides que te construya
lo último en chasis de autos?
lo último en chasis de autos?
13:40
You get this.
281
808723
1973
Obtienes esto.
13:44
This is something that a human
could never have designed.
could never have designed.
282
812293
3713
Estos es algo que un humano
nunca podría haber diseñado.
nunca podría haber diseñado.
13:48
Except a human did design this,
283
816707
1888
Pero esto lo diseñó un humano,
13:50
but it was a human that was augmented
by a generative-design AI,
by a generative-design AI,
284
818619
4309
un humano aumentado por una
inteligencia de diseño generativo,
inteligencia de diseño generativo,
13:54
a digital nervous system
285
822952
1231
un sistema nervioso digital
13:56
and robots that can actually
fabricate something like this.
fabricate something like this.
286
824207
3005
y robots que realmente
pueden fabricar algo así.
pueden fabricar algo así.
13:59
So if this is the future,
the Augmented Age,
the Augmented Age,
287
827680
3595
Si este es el futuro, la era aumentada,
14:03
and we're going to be augmented
cognitively, physically and perceptually,
cognitively, physically and perceptually,
288
831299
4261
y aumentaremos nuestro nivel
cognitivo, físico y perceptivo,
cognitivo, físico y perceptivo,
14:07
what will that look like?
289
835584
1408
¿a qué se parecerá?
14:09
What is this wonderland going to be like?
290
837576
3321
¿A qué se parecerá este
país de las maravillas?
país de las maravillas?
14:12
I think we're going to see a world
291
840921
1709
Creo que veremos un mundo
14:14
where we're moving
from things that are fabricated
from things that are fabricated
292
842654
3068
donde iremos de cosas que se fabrican
14:17
to things that are farmed.
293
845746
1445
a cosas que se cultivan.
14:20
Where we're moving from things
that are constructed
that are constructed
294
848159
3453
De cosas que se construyen
14:23
to that which is grown.
295
851636
1704
a cosas que se cultivan.
14:26
We're going to move from being isolated
296
854134
2188
Iremos de estar aislados
14:28
to being connected.
297
856346
1610
a estar conectados.
14:30
And we'll move away from extraction
298
858634
2411
Iremos de la extracción
14:33
to embrace aggregation.
299
861069
1873
a adoptar la agregación.
14:35
I also think we'll shift
from craving obedience from our things
from craving obedience from our things
300
863967
3767
Y también creo que pasaremos de
ansiar la obediencia de nuestras cosas
ansiar la obediencia de nuestras cosas
14:39
to valuing autonomy.
301
867758
1641
a valorar su autonomía.
14:42
Thanks to our augmented capabilities,
302
870510
1905
Gracias a las capacidades aumentadas
14:44
our world is going to change dramatically.
303
872439
2377
nuestro mundo sufrirá un cambio drástico.
14:47
We're going to have a world
with more variety, more connectedness,
with more variety, more connectedness,
304
875576
3246
Tendremos un mundo con
más variedad, más conectividad,
más variedad, más conectividad,
14:50
more dynamism, more complexity,
305
878846
2287
más dinamismo, más complejidad,
14:53
more adaptability and, of course,
306
881157
2318
más adaptabilidad y, por supuesto,
14:55
more beauty.
307
883499
1217
más belleza.
14:57
The shape of things to come
308
885231
1564
La formas de las cosas por venir
14:58
will be unlike anything
we've ever seen before.
we've ever seen before.
309
886819
2290
será algo que jamás hemos visto antes.
15:01
Why?
310
889133
1159
¿Por qué?
15:02
Because what will be shaping those things
is this new partnership
is this new partnership
311
890316
3755
Porque nuestra nueva asociación
le dará forma a estas cosas
le dará forma a estas cosas
15:06
between technology, nature and humanity.
312
894095
3670
entre tecnología, naturaleza y humanidad.
15:11
That, to me, is a future
well worth looking forward to.
well worth looking forward to.
313
899279
3804
Eso, para mí, es un futuro
que vale la pena anhelar.
que vale la pena anhelar.
15:15
Thank you all so much.
314
903107
1271
Muchas gracias a todos.
15:16
(Applause)
315
904402
5669
(Aplausos)
ABOUT THE SPEAKER
Maurice Conti - Designer, futuristMaurice Conti explores new partnerships between technology, nature and humanity.
Why you should listen
Maurice Conti is a designer, futurist and innovator. He's worked with startups, government agencies, artists and corporations to explore the things that will matter to us in the future, and to design solutions to get us there.
Conti is currently Chief Innovation Officer at Alpha -- Europe's first moonshot factory, powered by Telefónica. Conti and his team are responsible for coming up with the ideas, prototypes and proofs of concepts that will go on to become full-blown moonshots at Alpha: projects that will affect 100 million people or more, be a force for good on the planet and grow into billion-euro businesses.
Previously, Conti was Director of Applied Research & Innovation at Autodesk where built and led Autodesk's Applied Research Lab. Conti's work focuses on applied machine learning, advanced robotics, augmented and virtual realities, and the future of work, cities and mobility.
Conti is also an explorer of geographies and cultures. He has circumnavigated the globe once and been half-way around twice. In 2009 he was awarded the Medal for Exceptional Bravery at Sea by the United Nations, the New Zealand Bravery Medal and a US Coast Guard Citation for Bravery for risking his own life to save three shipwrecked sailors.
Conti lives in Barcelona, Spain, and travels around the world speaking to groups about innovation, technology trends, the future, and high adventure.
Maurice Conti | Speaker | TED.com