TED2003
Marvin Minsky: Health and the human mind
Marvin Minsky habla sobre la salud y la mente humana
Filmed:
Readability: 3.5
606,909 views
Escuchen con atención... la charla de Marvin Minsky sobre la salud, la superpoblación y la mente, traviesa, ecléctica y entretenida, está cargada de sutileza, ingenio, sabiduría y una pizca del consejo de un loco.
Marvin Minsky - AI pioneer
Marvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching. Full bio
Marvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching. Full bio
Double-click the English transcript below to play the video.
00:18
If you ask people about what part of psychology do they think is hard,
0
0
6000
Si le preguntan a la gente qué parte de la psicología creen que es más difícil,
00:24
and you say, "Well, what about thinking and emotions?"
1
6000
3000
y dices, bueno, "¿qué hay del pensamiento y las emociones?"
00:27
Most people will say, "Emotions are terribly hard.
2
9000
3000
La mayoría de la gente dirá, "las emociones son muy complicadas.
00:30
They're incredibly complex. They can't -- I have no idea of how they work.
3
12000
6000
Son increíblemente complejas, no pueden... No tengo ni idea de cómo funcionan¨.
00:36
But thinking is really very straightforward:
4
18000
2000
Pero el pensamiento es muy directo:
00:38
it's just sort of some kind of logical reasoning, or something.
5
20000
4000
es simplemente una especie de razonamiento lógico o algo así.
00:42
But that's not the hard part."
6
24000
3000
Pero eso no es lo difícil.
00:45
So here's a list of problems that come up.
7
27000
2000
Así que aquí hay una lista de problemas que surgen.
00:47
One nice problem is, what do we do about health?
8
29000
3000
Un problema fino es: ¿qué haremos con respecto a la salud?
00:50
The other day, I was reading something, and the person said
9
32000
4000
El otro día estaba leyendo algo y la persona decía que probablemente
00:54
probably the largest single cause of disease is handshaking in the West.
10
36000
6000
dar la mano en occidente es el principal causante de enfermedades.
01:00
And there was a little study about people who don't handshake,
11
42000
4000
Y hubo un pequeño estudio sobre la gente que no da la mano,
01:04
and comparing them with ones who do handshake.
12
46000
3000
que los comparaba con los que sí la dan,
01:07
And I haven't the foggiest idea of where you find the ones that don't handshake,
13
49000
5000
y no tengo ni remota idea de dónde se encuentran los que no dan la mano,
01:12
because they must be hiding.
14
54000
3000
porque deben de estar escondidos.
01:15
And the people who avoid that
15
57000
4000
Y la gente que evita eso tiene un 30% menos
01:19
have 30 percent less infectious disease or something.
16
61000
4000
de posibilidades de contraer enfermedades contagiosas.
01:23
Or maybe it was 31 and a quarter percent.
17
65000
3000
O quizás fuera un 31% y un cuarto.
01:26
So if you really want to solve the problem of epidemics and so forth,
18
68000
4000
Así que si realmente queremos solucionar el problema de las epidemias y demás,
01:30
let's start with that. And since I got that idea,
19
72000
4000
empecemos con eso. Y desde que se me ocurrió esa idea,
01:34
I've had to shake hundreds of hands.
20
76000
4000
he dado la mano cientos de veces.
01:38
And I think the only way to avoid it
21
80000
5000
Creo que la única manera de evitarlo
01:43
is to have some horrible visible disease,
22
85000
2000
es tener algún tipo de enfermedad visiblemente horrorosa
01:45
and then you don't have to explain.
23
87000
3000
y así no tienes que explicar nada.
01:48
Education: how do we improve education?
24
90000
4000
Educación: ¿cómo mejorar la educación?
01:52
Well, the single best way is to get them to understand
25
94000
4000
Bueno, la mejor manera es hacer que entiendan
01:56
that what they're being told is a whole lot of nonsense.
26
98000
3000
que lo que se les cuenta son tonterías.
01:59
And then, of course, you have to do something
27
101000
2000
Claro, entonces, tienes que hacer algo
02:01
about how to moderate that, so that anybody can -- so they'll listen to you.
28
103000
5000
para moderar eso y que así de alguna manera te escuchen a ti.
02:06
Pollution, energy shortage, environmental diversity, poverty.
29
108000
4000
Polución, carencia de energía, diversidad ambiental, pobreza...
02:10
How do we make stable societies? Longevity.
30
112000
4000
¿Cómo crear sociedades estables? Longevidad.
02:14
Okay, there're lots of problems to worry about.
31
116000
3000
Hay muchos problemas de los que preocuparse.
02:17
Anyway, the question I think people should talk about --
32
119000
2000
En cualquier caso, la pregunta que creo que la gente debe hacerse -
02:19
and it's absolutely taboo -- is, how many people should there be?
33
121000
5000
y es completamente tabú- es, ¿cuántas personas debería haber?
02:24
And I think it should be about 100 million or maybe 500 million.
34
126000
7000
Creo que debería haber sobre 100 millones, o quizá 500.
02:31
And then notice that a great many of these problems disappear.
35
133000
5000
Y entonces nos damos cuenta de que muchos de estos problemas desaparecen.
02:36
If you had 100 million people
36
138000
2000
Si tienes 100 millones de personas
02:38
properly spread out, then if there's some garbage,
37
140000
6000
bien esparcidas, si hay algo de basura
02:44
you throw it away, preferably where you can't see it, and it will rot.
38
146000
7000
la tiras, preferentemente donde no se pueda ver, y se pudrirá.
02:51
Or you throw it into the ocean and some fish will benefit from it.
39
153000
5000
O la tiras al océano y algunos peces se beneficiarán.
02:56
The problem is, how many people should there be?
40
158000
2000
El problema es, ¿cuánta gente debería haber?
02:58
And it's a sort of choice we have to make.
41
160000
3000
Es una decisión que tenemos que tomar.
03:01
Most people are about 60 inches high or more,
42
163000
3000
La mayoría de la gente mide 60 pulgadas o más,
03:04
and there's these cube laws. So if you make them this big,
43
166000
4000
y hay esta pérdida al cubo si los haces así de grandes -
03:08
by using nanotechnology, I suppose --
44
170000
3000
usando nanotecnología, supongo-
03:11
(Laughter)
45
173000
1000
(Risas)
03:12
-- then you could have a thousand times as many.
46
174000
2000
entonces podrían tener mil veces más.
03:14
That would solve the problem, but I don't see anybody
47
176000
2000
Eso solucionaría el problema, pero no veo a nadie
03:16
doing any research on making people smaller.
48
178000
3000
investigando cómo hacer a la gente más pequeña.
03:19
Now, it's nice to reduce the population, but a lot of people want to have children.
49
181000
5000
Claro que está bien reducir la población, pero mucha gente quiere tener hijos.
03:24
And there's one solution that's probably only a few years off.
50
186000
3000
Hay una solución que probablemente sólo está desfasada unos años.
03:27
You know you have 46 chromosomes. If you're lucky, you've got 23
51
189000
5000
Saben que tienen 46 cromosomas. Si tienen suerte, tienen 23
03:32
from each parent. Sometimes you get an extra one or drop one out,
52
194000
6000
de cada padre; a veces tienes uno extra o uno menos,
03:38
but -- so you can skip the grandparent and great-grandparent stage
53
200000
4000
pero -de modo que saltarías la etapa de abuelo y bisabuelo
03:42
and go right to the great-great-grandparent. And you have 46 people
54
204000
5000
e irías directamente al tatarabuelo. Si tienes 46 personas
03:47
and you give them a scanner, or whatever you need,
55
209000
3000
y les das un escáner, o lo que necesites,
03:50
and they look at their chromosomes and each of them says
56
212000
4000
y miran sus cromosomas y cada uno dice
03:54
which one he likes best, or she -- no reason to have just two sexes
57
216000
5000
cuál le gusta más, o ella- ya no hay razón para tener sólo dos sexos.
03:59
any more, even. So each child has 46 parents,
58
221000
5000
Así que cada hijo tiene 46 padres,
04:04
and I suppose you could let each group of 46 parents have 15 children.
59
226000
6000
y supongo que se puede dejar a cada grupo de 46 padres tener 15 hijos,
04:10
Wouldn't that be enough? And then the children
60
232000
2000
¿no sería eso suficiente? De ese modo los niños
04:12
would get plenty of support, and nurturing, and mentoring,
61
234000
4000
tendrían suficiente apoyo, amor y modelos
04:16
and the world population would decline very rapidly
62
238000
2000
y la población mundial se reduciría rápidamente
04:18
and everybody would be totally happy.
63
240000
3000
y todos serían totalmente felices.
04:21
Timesharing is a little further off in the future.
64
243000
3000
El tiempo compartido está más alejado en el futuro.
04:24
And there's this great novel that Arthur Clarke wrote twice,
65
246000
3000
Hay una gran novela que Arthur Clark escribió dos veces,
04:27
called "Against the Fall of Night" and "The City and the Stars."
66
249000
4000
llamada "Tras la caída de la noche" y "La ciudad y las estrellas".
04:31
They're both wonderful and largely the same,
67
253000
3000
Las dos son maravillosas y básicamente la misma,
04:34
except that computers happened in between.
68
256000
2000
sólo que las computadoras surgieron entre ambas,
04:36
And Arthur was looking at this old book, and he said, "Well, that was wrong.
69
258000
5000
y Arthur estaba mirando la novela más vieja, y dijo, "bueno, eso fue un error.
04:41
The future must have some computers."
70
263000
2000
El futuro ha de tener ordenadores".
04:43
So in the second version of it, there are 100 billion
71
265000
5000
Así que en la segunda versión hay 100 millardos,
04:48
or 1,000 billion people on Earth, but they're all stored on hard disks or floppies,
72
270000
8000
o 1.000 millardos de gente en la tierra, guardados en discos duros o disquetes,
04:56
or whatever they have in the future.
73
278000
2000
o lo que sea que tengan en el futuro.
04:58
And you let a few million of them out at a time.
74
280000
4000
Así que dejas salir a unos cuantos millones cada vez.
05:02
A person comes out, they live for a thousand years
75
284000
4000
Sale una persona, vive mil años
05:06
doing whatever they do, and then, when it's time to go back
76
288000
6000
haciendo lo que sea, y entonces, cuando hay que retroceder
05:12
for a billion years -- or a million, I forget, the numbers don't matter --
77
294000
4000
un millardo de años -o un millón, lo olvido, las cifras no importan-
05:16
but there really aren't very many people on Earth at a time.
78
298000
4000
en realidad no hay mucha gente en la tierra a la vez.
05:20
And you get to think about yourself and your memories,
79
302000
2000
Puedes pensar en ti mismo y tus recuerdos,
05:22
and before you go back into suspension, you edit your memories
80
304000
5000
y antes de volver a estar en suspensión editas tus recuerdos
05:27
and you change your personality and so forth.
81
309000
3000
y cambias tu personalidad, y así sucesivamente.
05:30
The plot of the book is that there's not enough diversity,
82
312000
6000
La trama del libro es que no hay suficiente diversidad,
05:36
so that the people who designed the city
83
318000
3000
así que la gente que diseñó la ciudad
05:39
make sure that every now and then an entirely new person is created.
84
321000
4000
se asegura de que cada cierto tiempo se cree una persona nueva.
05:43
And in the novel, a particular one named Alvin is created. And he says,
85
325000
6000
En la novela, se crea una persona llamada Alvin, que dice:
05:49
maybe this isn't the best way, and wrecks the whole system.
86
331000
4000
"tal vez esta no es la mejor manera", y estropea todo el sistema.
05:53
I don't think the solutions that I proposed
87
335000
2000
No creo que las soluciones que propuse
05:55
are good enough or smart enough.
88
337000
3000
sean lo suficientemente buenas o inteligentes.
05:58
I think the big problem is that we're not smart enough
89
340000
4000
Creo que el gran problema es que no somos lo suficientemente listos
06:02
to understand which of the problems we're facing are good enough.
90
344000
4000
para entender cuáles de los problemas ante nosotros son lo suficientemente relevantes.
06:06
Therefore, we have to build super intelligent machines like HAL.
91
348000
4000
Así que tenemos que construir máquinas sumamente inteligentes como HAL.
06:10
As you remember, at some point in the book for "2001,"
92
352000
5000
Como recordarán, en un momento del libro para 2001,
06:15
HAL realizes that the universe is too big, and grand, and profound
93
357000
5000
HAL se da cuenta de que el universo es demasiado grande, maravilloso y lleno de significado
06:20
for those really stupid astronauts. If you contrast HAL's behavior
94
362000
4000
para unos astronautas tan estúpidos. Si comparan el comportamiento de HAL
06:24
with the triviality of the people on the spaceship,
95
366000
4000
con la trivialidad de la gente en la nave,
06:28
you can see what's written between the lines.
96
370000
3000
verán lo que está escrito entre líneas.
06:31
Well, what are we going to do about that? We could get smarter.
97
373000
3000
Y sobre eso, ¿qué vamos a hacer? Podríamos ser más listos.
06:34
I think that we're pretty smart, as compared to chimpanzees,
98
376000
5000
Creo que somos bastante listos, comparados con los chimpancés.
06:39
but we're not smart enough to deal with the colossal problems that we face,
99
381000
6000
pero no lo bastante para lidiar con los colosales problemas ante nosotros,
06:45
either in abstract mathematics
100
387000
2000
sea en matemáticas abstractas,
06:47
or in figuring out economies, or balancing the world around.
101
389000
5000
en economía, o en equilibrar el mundo.
06:52
So one thing we can do is live longer.
102
394000
3000
Algo que podemos hacer es vivir más.
06:55
And nobody knows how hard that is,
103
397000
2000
Y nadie sabe lo difícil que es eso,
06:57
but we'll probably find out in a few years.
104
399000
3000
pero probablemente lo sabremos en unos años.
07:00
You see, there's two forks in the road. We know that people live
105
402000
3000
La carretera se bifurca. Sabemos que la gente vive
07:03
twice as long as chimpanzees almost,
106
405000
4000
casi el doble que los chimpancés,
07:07
and nobody lives more than 120 years,
107
409000
4000
y que nadie vive más de 120 años,
07:11
for reasons that aren't very well understood.
108
413000
3000
por razones que no entendemos bien.
07:14
But lots of people now live to 90 or 100,
109
416000
3000
Pero mucha gente vive 90 ó 100 años,
07:17
unless they shake hands too much or something like that.
110
419000
4000
a menos que den demasiado la mano o algo así.
07:21
And so maybe if we lived 200 years, we could accumulate enough skills
111
423000
5000
Así que tal vez si viviéramos 200 años, acumularíamos suficientes destrezas
07:26
and knowledge to solve some problems.
112
428000
5000
y conocimientos para solucionar algunos problemas.
07:31
So that's one way of going about it.
113
433000
2000
Esa es una forma de actuar.
07:33
And as I said, we don't know how hard that is. It might be --
114
435000
3000
Y, como dije, no sabemos qué tan difícil es. Al fin y al cabo,
07:36
after all, most other mammals live half as long as the chimpanzee,
115
438000
6000
la mayoría de los otros mamíferos viven la mitad que los chimpancés,
07:42
so we're sort of three and a half or four times, have four times
116
444000
3000
así que vivimos tres veces y media o cuatro... vivimos cuatro veces más
07:45
the longevity of most mammals. And in the case of the primates,
117
447000
6000
que la mayoría de los mamíferos. En el caso de los primates,
07:51
we have almost the same genes. We only differ from chimpanzees,
118
453000
4000
tenemos casi los mismos genes. Lo que nos separa de los chimpancés
07:55
in the present state of knowledge, which is absolute hogwash,
119
457000
6000
es el estado actual del saber, que es un total disparate,
08:01
maybe by just a few hundred genes.
120
463000
2000
tal vez unas centenas de genes.
08:03
What I think is that the gene counters don't know what they're doing yet.
121
465000
3000
Creo que los contadores de genes aún no saben lo que están haciendo.
08:06
And whatever you do, don't read anything about genetics
122
468000
3000
Y hagan lo que hagan, no lean nada sobre genética
08:09
that's published within your lifetime, or something.
123
471000
3000
que se publique mientras vivan.
08:12
(Laughter)
124
474000
3000
(Risas)
08:15
The stuff has a very short half-life, same with brain science.
125
477000
4000
Esas ideas tienen una esperanza de vida corta, al igual que las ciencias del cerebro.
08:19
And so it might be that if we just fix four or five genes,
126
481000
6000
Así que tal vez si arreglamos cuatro o cinco genes,
08:25
we can live 200 years.
127
487000
2000
podremos vivir 200 años.
08:27
Or it might be that it's just 30 or 40,
128
489000
3000
O tal vez sólo 30 ó 40,
08:30
and I doubt that it's several hundred.
129
492000
2000
dudo que varios centenares.
08:32
So this is something that people will be discussing
130
494000
4000
Esto es algo que la gente discutirá
08:36
and lots of ethicists -- you know, an ethicist is somebody
131
498000
3000
y muchos éticos -un ético es alguien
08:39
who sees something wrong with whatever you have in mind.
132
501000
3000
que encuentra algo malo en todo lo que piensas.
08:42
(Laughter)
133
504000
3000
(Risas)
08:45
And it's very hard to find an ethicist who considers any change
134
507000
4000
Es difícil encontrar un experto en ética que considere cualquier cambio
08:49
worth making, because he says, what about the consequences?
135
511000
4000
digno de hacerse, porque dice, "¿y las consecuencias?"
08:53
And, of course, we're not responsible for the consequences
136
515000
3000
Y claro, no somos responsables de las consecuencias
08:56
of what we're doing now, are we? Like all this complaint about clones.
137
518000
6000
de lo que estamos haciendo ahora, ¿no? Como esta protesta sobre los clones.
09:02
And yet two random people will mate and have this child,
138
524000
3000
Y sin embargo dos personas al azar se aparearán y tendrán un hijo,
09:05
and both of them have some pretty rotten genes,
139
527000
4000
y aunque ambos tienen genes bastante podridos,
09:09
and the child is likely to come out to be average.
140
531000
4000
es probable que el niño salga normal.
09:13
Which, by chimpanzee standards, is very good indeed.
141
535000
6000
Lo cual, para estándares chimpancés, está pero que muy bien.
09:19
If we do have longevity, then we'll have to face the population growth
142
541000
3000
Si ganamos en longevidad, tendremos que afrontar de todos modos el problema
09:22
problem anyway. Because if people live 200 or 1,000 years,
143
544000
4000
del crecimiento problacional porque si la gente vive 200 ó 1.000 años,
09:26
then we can't let them have a child more than about once every 200 or 1,000 years.
144
548000
6000
no podemos dejar que tengan más de un hijo cada 200 ó 1.000 años.
09:32
And so there won't be any workforce.
145
554000
3000
Así no habrá población activa.
09:35
And one of the things Laurie Garrett pointed out, and others have,
146
557000
4000
Una de las cosas que Laurie Garrett, y otros, han señalado
09:39
is that a society that doesn't have people
147
561000
5000
es que una sociedad sin población activa
09:44
of working age is in real trouble. And things are going to get worse,
148
566000
3000
es un problema grave. Y las cosas van a empeorar, porque
09:47
because there's nobody to educate the children or to feed the old.
149
569000
6000
no hay nadie para educar a los niños o alimentar a los ancianos.
09:53
And when I'm talking about a long lifetime, of course,
150
575000
2000
Y cuando hablo de vidas largas, claro,
09:55
I don't want somebody who's 200 years old to be like our image
151
577000
6000
no quiero que alguien con 200 años tenga la imagen que tenemos
10:01
of what a 200-year-old is -- which is dead, actually.
152
583000
4000
de alguien con 200 años, es decir, muerto.
10:05
You know, there's about 400 different parts of the brain
153
587000
2000
Hay cerca de 400 partes diferentes en el cerebro
10:07
which seem to have different functions.
154
589000
2000
que parecen tener funciones diferentes.
10:09
Nobody knows how most of them work in detail,
155
591000
3000
Nadie sabe los detalles de cómo funcionan muchas,
10:12
but we do know that there're lots of different things in there.
156
594000
4000
pero sabemos que ahí hay muchas cosas diferentes,
10:16
And they don't always work together. I like Freud's theory
157
598000
2000
y no siempre trabajan juntas. Me gusta la teoría de Freud
10:18
that most of them are cancelling each other out.
158
600000
4000
de que la mayoría se anulan.
10:22
And so if you think of yourself as a sort of city
159
604000
4000
Si piensas en ti mismo como en una ciudad
10:26
with a hundred resources, then, when you're afraid, for example,
160
608000
6000
con cien recursos, entonces, cuando tienes miedo, por ejemplo,
10:32
you may discard your long-range goals, but you may think deeply
161
614000
4000
tal vez descartes objetivos a largo plazo, pero puede que pienses en serio
10:36
and focus on exactly how to achieve that particular goal.
162
618000
4000
y te centres exactamente en cómo conseguir un objetivo concreto.
10:40
You throw everything else away. You become a monomaniac --
163
622000
3000
Dejas todo lo demás de lado, te conviertes en un mononaníaco -
10:43
all you care about is not stepping out on that platform.
164
625000
4000
lo único que te preocupa es no salirte de esa plataforma.
10:47
And when you're hungry, food becomes more attractive, and so forth.
165
629000
4000
Y cuando tienes hambre, la comida se hace más apetecible y así sucesivamente.
10:51
So I see emotions as highly evolved subsets of your capability.
166
633000
6000
Veo las emociones como subgrupos muy evolucionados de la capacidad de ustedes.
10:57
Emotion is not something added to thought. An emotional state
167
639000
4000
La emoción no es algo que se añade al pensamiento. Un estado emocional
11:01
is what you get when you remove 100 or 200
168
643000
4000
es lo que te queda cuando quitas 100 ó 200
11:05
of your normally available resources.
169
647000
3000
de tus recursos disponibles habitualmente.
11:08
So thinking of emotions as the opposite of -- as something
170
650000
3000
Pensar en las emociones como algo opuesto, como algo
11:11
less than thinking is immensely productive. And I hope,
171
653000
4000
menos que el pensamiento es muy productivo, y espero,
11:15
in the next few years, to show that this will lead to smart machines.
172
657000
4000
en los próximos años, que esto nos lleve a máquinas inteligentes.
11:19
And I guess I better skip all the rest of this, which are some details
173
661000
3000
Supongo que lo mejor es que me salte el resto, son detalles sobre
11:22
on how we might make those smart machines and --
174
664000
5000
cómo hacer esas máquinas inteligentes -
11:27
(Laughter)
175
669000
5000
(Risas)
11:32
-- and the main idea is in fact that the core of a really smart machine
176
674000
5000
- la idea principal es que de hecho el corazón de una máquina inteligente
11:37
is one that recognizes that a certain kind of problem is facing you.
177
679000
5000
es una máquina que reconoce cuándo te estás enfrentando a algún problema:
11:42
This is a problem of such and such a type,
178
684000
3000
«Este es un problema de tal o cual tipo».
11:45
and therefore there's a certain way or ways of thinking
179
687000
5000
Consecuentemente, hay ciertas maneras de pensar
11:50
that are good for that problem.
180
692000
2000
que son buenas para ese problema.
11:52
So I think the future, main problem of psychology is to classify
181
694000
4000
Creo que el problema más importante para la psicología futura es clasificar
11:56
types of predicaments, types of situations, types of obstacles
182
698000
4000
tipos de problemas, de situaciones, de obstáculos
12:00
and also to classify available and possible ways to think and pair them up.
183
702000
6000
y también clasificar maneras de pensar disponibles y emparejarlos.
12:06
So you see, it's almost like a Pavlovian --
184
708000
3000
Así que ya ven, es casi como de Pavlov -
12:09
we lost the first hundred years of psychology
185
711000
2000
perdimos los primeros cien años de psicología
12:11
by really trivial theories, where you say,
186
713000
3000
en teorías realmente triviales que hablan de
12:14
how do people learn how to react to a situation? What I'm saying is,
187
716000
6000
cómo la gente aprende a reaccionar ante una situación. Lo que digo es,
12:20
after we go through a lot of levels, including designing
188
722000
5000
tras pasar por muchos niveles, incluyendo el diseño de un sistema
12:25
a huge, messy system with thousands of ports,
189
727000
3000
enorme y desordenado con miles de partes,
12:28
we'll end up again with the central problem of psychology.
190
730000
4000
terminaremos otra vez en el problema central de la psicología.
12:32
Saying, not what are the situations,
191
734000
3000
No nos preguntaremos: ¿cúales son las situaciones?,
12:35
but what are the kinds of problems
192
737000
2000
sino: ¿cúales son los tipos de problemas?
12:37
and what are the kinds of strategies, how do you learn them,
193
739000
3000
¿Cúales son los tipos de estrategias? ¿Cómo se aprenden?
12:40
how do you connect them up, how does a really creative person
194
742000
3000
¿Cómo se conectan? ¿Cómo inventa una persona muy creativa
12:43
invent a new way of thinking out of the available resources and so forth.
195
745000
5000
una forma nueva de pensar a partir de los recursos disponibles? Y así sucesivamente.
12:48
So, I think in the next 20 years,
196
750000
2000
Creo que en los próximos 20 años,
12:50
if we can get rid of all of the traditional approaches to artificial intelligence,
197
752000
5000
si nos podemos librar de los acercamientos tradicionales a la inteligencia artificial,
12:55
like neural nets and genetic algorithms
198
757000
2000
como redes neuronales, algoritmos genéticos
12:57
and rule-based systems, and just turn our sights a little bit higher to say,
199
759000
6000
y sistemas expertos, tendremos las miras más altas y nos preguntaremos
13:03
can we make a system that can use all those things
200
765000
2000
si podemos crear un sistema que pueda usar esas cosas para
13:05
for the right kind of problem? Some problems are good for neural nets;
201
767000
4000
el problema adecuado. Algunos problemas son buenos para redes neuronales;
13:09
we know that others, neural nets are hopeless on them.
202
771000
3000
sabemos que para otros las redes neurolanes son inútiles.
13:12
Genetic algorithms are great for certain things;
203
774000
3000
los algoritmos genéticos son estupendos para ciertas cosas;
13:15
I suspect I know what they're bad at, and I won't tell you.
204
777000
4000
sospecho saber para qué son malos y no se lo diré.
13:19
(Laughter)
205
781000
1000
(Risas)
13:20
Thank you.
206
782000
2000
Gracias.
13:22
(Applause)
207
784000
6000
(Aplausos)
ABOUT THE SPEAKER
Marvin Minsky - AI pioneerMarvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching.
Why you should listen
Marvin Minsky is the superstar-elder of artificial intelligence, one of the most productive and important cognitive scientists of the century, and the leading proponent of the Society of Mind theory. Articulated in his 1985 book of the same name, Minsky's theory says intelligence is not born of any single mechanism, but from the interaction of many independent agents. The book's sequel,The Emotion Machine (2006), says similar activity also accounts for feelings, goals, emotions and conscious thoughts.
Minsky also pioneered advances in mathematics, computational linguistics, optics, robotics and telepresence. He built SNARC, the first neural network simulator, some of the first visual scanners, and the first LOGO "turtle." From his headquarters at MIT's Media Lab and the AI Lab (which he helped found), he continues to work on, as he says, "imparting to machines the human capacity for commonsense reasoning."
Marvin Minsky | Speaker | TED.com