TED@BCG Mumbai
Sougwen Chung: Why I draw with robots
Sougwen Chung: Por qué dibujo con robots
Filmed:
Readability: 4.4
160,983 views
¿Qué pasa cuando humanos y robots crean artes juntos? En esta impresionante charla, la artista Sougwen Chung muestra cómo "enseñó" su estilo artístico a una máquina, y comparte los resultados de su colaboración después de hacer un descubrimiento inesperado: los robots también comenten errores. "Parte de la belleza de los sistemas humanos y de las máquina es su falibilidad inherente y compartida", dice.
Sougwen Chung - Artist, researcher
Sougwen 愫君 Chung is an artist and researcher whose work explores the dynamics between humans and systems. Full bio
Sougwen 愫君 Chung is an artist and researcher whose work explores the dynamics between humans and systems. Full bio
Double-click the English transcript below to play the video.
00:12
Many of us here use technology
in our day-to-day.
in our day-to-day.
0
937
3165
Muchos de nosotros aquí usamos
la tecnología en nuestro día a día.
la tecnología en nuestro día a día.
Y algunos confiamos en la tecnología
para hacer nuestros trabajos.
para hacer nuestros trabajos.
00:16
And some of us rely
on technology to do our jobs.
on technology to do our jobs.
1
4126
3247
00:19
For a while, I thought of machines
and the technologies that drive them
and the technologies that drive them
2
7397
3950
Por un tiempo, pensé en las máquinas
y las tecnologías que las impulsan
y las tecnologías que las impulsan
00:23
as perfect tools that could make my work
more efficient and more productive.
more efficient and more productive.
3
11371
4505
como herramientas perfectas que
podrían hacer mi trabajo
podrían hacer mi trabajo
más eficiente y productivo
00:28
But with the rise of automation
across so many different industries,
across so many different industries,
4
16403
3254
Pero con el auge de la automatización
en tantas industrias diferentes
en tantas industrias diferentes
me llevó a preguntarme:
00:31
it led me to wonder:
5
19681
1372
00:33
If machines are starting
to be able to do the work
to be able to do the work
6
21077
2341
si las máquinas comienzan
a hacer el trabajo
a hacer el trabajo
tradicionalmente hecho por humanos,
00:35
traditionally done by humans,
7
23442
1667
00:37
what will become of the human hand?
8
25133
2333
¿qué saldrá de la mano humana?
00:40
How does our desire for perfection,
precision and automation
precision and automation
9
28133
4093
¿Cómo nuestro deseo de perfección,
precisión y automatización
precisión y automatización
00:44
affect our ability to be creative?
10
32250
1922
afecta nuestra habilidad
de ser creativos?
de ser creativos?
00:46
In my work as an artist and researcher,
I explore AI and robotics
I explore AI and robotics
11
34553
4087
En mi trabajo como artista e
investigadora exploro IA y robótica
investigadora exploro IA y robótica
00:50
to develop new processes
for human creativity.
for human creativity.
12
38664
3005
para desarrollar nuevos procesos
para la creatividad humana.
para la creatividad humana.
00:54
For the past few years,
13
42077
1286
Durante los últimos años,
trabajé junto a máquinas, datos
y tecnologías emergentes.
y tecnologías emergentes.
00:55
I've made work alongside machines,
data and emerging technologies.
data and emerging technologies.
14
43387
4376
01:00
It's part of a lifelong fascination
15
48143
1861
Es parte de una fascinación de por vida
01:02
about the dynamics
of individuals and systems
of individuals and systems
16
50028
2735
por las dinámicas de individuos y sistemas
01:04
and all the messiness that that entails.
17
52787
2381
y todo el desorden que conlleva.
01:07
It's how I'm exploring questions about
where AI ends and we begin
where AI ends and we begin
18
55192
4808
Es cómo exploro preguntas
sobre dónde comienza y acaba la IA
sobre dónde comienza y acaba la IA
y dónde desarrollo procesos
01:12
and where I'm developing processes
19
60024
1642
01:13
that investigate potential
sensory mixes of the future.
sensory mixes of the future.
20
61690
3326
que investigan posibles mezclas
sensoriales del futuro.
sensoriales del futuro.
01:17
I think it's where philosophy
and technology intersect.
and technology intersect.
21
65675
2857
Creo que es dónde se cruzan
la filosofía y la tecnología.
la filosofía y la tecnología.
01:20
Doing this work
has taught me a few things.
has taught me a few things.
22
68992
2239
Hacer este trabajo me
enseñó un par de cosas.
enseñó un par de cosas.
01:23
It's taught me how embracing imperfection
23
71642
2824
Me enseñó cómo aceptar la imperfección
01:26
can actually teach us
something about ourselves.
something about ourselves.
24
74490
2489
en realidad puede enseñarnos
algo de nosotros mismos.
algo de nosotros mismos.
01:29
It's taught me that exploring art
25
77428
2336
Me enseñó que explorar el arte
01:31
can actually help shape
the technology that shapes us.
the technology that shapes us.
26
79788
2931
puede ayudarnos a moldear
la tecnología que nos moldea.
la tecnología que nos moldea.
01:35
And it's taught me
that combining AI and robotics
that combining AI and robotics
27
83148
3261
Y me enseñó que combinando AI y robótica
01:38
with traditional forms of creativity --
visual arts in my case --
visual arts in my case --
28
86433
3532
con formas tradicionales de
creatividad, artes visuales en mi caso,
creatividad, artes visuales en mi caso,
puede enseñarnos a pensar
un poco más profundamente
un poco más profundamente
01:41
can help us think a little bit more deeply
29
89989
2302
01:44
about what is human
and what is the machine.
and what is the machine.
30
92315
2897
sobre qué es un humano y
qué es la máquina.
qué es la máquina.
01:47
And it's led me to the realization
31
95942
1707
Y me ha llevado a entender
que la colaboración es la clave
para crear un espacio para ambos
para crear un espacio para ambos
01:49
that collaboration is the key
to creating the space for both
to creating the space for both
32
97673
3055
01:52
as we move forward.
33
100752
1267
a medida que avanzamos.
01:54
It all started with a simple
experiment with machines,
experiment with machines,
34
102387
2746
Todo comenzó con un simple
experimento con máquinas.
experimento con máquinas.
01:57
called "Drawing Operations
Unit: Generation 1."
Unit: Generation 1."
35
105157
2826
llamado "Drawing Operations
Unit: Generation 1"
Unit: Generation 1"
02:00
I call the machine "D.O.U.G." for short.
36
108434
2516
Llamé a la máquina D.O.U.G, para abreviar.
02:02
Before I built D.O.U.G,
37
110974
1326
Antes de construir a D.O.U.G
02:04
I didn't know anything
about building robots.
about building robots.
38
112324
2365
nos sabía nada sobre construir robots.
02:07
I took some open-source
robotic arm designs,
robotic arm designs,
39
115220
2897
Tomé algunos diseños de brazo
robótico de código abierto,
robótico de código abierto,
02:10
I hacked together a system
where the robot would match my gestures
where the robot would match my gestures
40
118141
3341
hackeé un sistema en el que
el robot copiaba mis gestos
el robot copiaba mis gestos
02:13
and follow [them] in real time.
41
121506
1639
y los seguía en tiempo real.
02:15
The premise was simple:
42
123169
1448
La premisa era simple:
02:16
I would lead, and it would follow.
43
124641
2200
Yo dirigiría y él seguiría.
02:19
I would draw a line,
and it would mimic my line.
and it would mimic my line.
44
127403
2936
Yo dibujaría una línea y
él imitaría mi línea.
él imitaría mi línea.
02:22
So back in 2015, there we were,
drawing for the first time,
drawing for the first time,
45
130363
3698
En 2015 allí estábamos,
dibujando por primera vez,
dibujando por primera vez,
02:26
in front of a small audience
in New York City.
in New York City.
46
134085
2619
en frente de una pequeña
audiencia en Nueva York.
audiencia en Nueva York.
02:28
The process was pretty sparse --
47
136728
2555
El proceso fue bastante austero,
02:31
no lights, no sounds,
nothing to hide behind.
nothing to hide behind.
48
139307
3487
sin luces, sin sonido,
nada para esconderse.
nada para esconderse.
02:35
Just my palms sweating
and the robot's new servos heating up.
and the robot's new servos heating up.
49
143241
3395
Solo mis manos sudando y
los servomotores del robot calentándose.
los servomotores del robot calentándose.
02:38
(Laughs) Clearly, we were
not built for this.
not built for this.
50
146950
2441
(Ríe)
Claramente, no estábamos hechos para esto.
Claramente, no estábamos hechos para esto.
02:41
But something interesting happened,
something I didn't anticipate.
something I didn't anticipate.
51
149820
3233
Pero ocurrió algo interesante,
algo que no anticipé.
algo que no anticipé.
02:45
See, D.O.U.G., in its primitive form,
wasn't tracking my line perfectly.
wasn't tracking my line perfectly.
52
153077
4802
Verán, D.O.U.G, en su forma primitiva
no seguía mi línea perfectamente
no seguía mi línea perfectamente
Mientras que en la simulación
que ocurrió en la pantalla
que ocurrió en la pantalla
02:49
While in the simulation
that happened onscreen
that happened onscreen
53
157903
2333
02:52
it was pixel-perfect,
54
160260
1357
era perfecto,
02:53
in physical reality,
it was a different story.
it was a different story.
55
161641
2531
en la realidad física,
era una historia diferente.
era una historia diferente.
02:56
It would slip and slide
and punctuate and falter,
and punctuate and falter,
56
164196
2817
Se resbalaba y deslizaba,
se interrumpía y vacilaba,
se interrumpía y vacilaba,
02:59
and I would be forced to respond.
57
167037
2068
y yo debía responder.
03:01
There was nothing pristine about it.
58
169525
1778
No había nada puro al respecto.
Y aún, de algún modo, los errores
hicieron mi trabajo más interesante.
hicieron mi trabajo más interesante.
03:03
And yet, somehow, the mistakes
made the work more interesting.
made the work more interesting.
59
171327
3238
03:06
The machine was interpreting
my line but not perfectly.
my line but not perfectly.
60
174589
2754
La máquina interpretaba
mi línea, pero no perfectamente.
mi línea, pero no perfectamente.
03:09
And I was forced to respond.
61
177367
1372
Y yo debía responder.
03:10
We were adapting
to each other in real time.
to each other in real time.
62
178763
2709
Nos adaptábamos
el uno al otro en tiempo real.
el uno al otro en tiempo real.
03:13
And seeing this taught me a few things.
63
181496
1937
Y ver esto me enseñó un par de cosas.
03:15
It showed me that our mistakes
actually made the work more interesting.
actually made the work more interesting.
64
183457
4880
Me enseñó que nuestros errores
hacen el trabajo más interesante.
hacen el trabajo más interesante.
03:20
And I realized that, you know,
through the imperfection of the machine,
through the imperfection of the machine,
65
188663
4249
Y me di cuenta de que, a través
de la imperfección de la máquina,
de la imperfección de la máquina,
03:24
our imperfections became
what was beautiful about the interaction.
what was beautiful about the interaction.
66
192936
3705
nuestras imperfecciones se convirtieron
en lo que era hermoso de la interacción.
en lo que era hermoso de la interacción.
03:29
And I was excited,
because it led me to the realization
because it led me to the realization
67
197650
3087
Y estaba emocionada,
porque me llevó a darme cuenta
porque me llevó a darme cuenta
03:32
that maybe part of the beauty
of human and machine systems
of human and machine systems
68
200761
3650
de que quizás parte de la belleza de
los sistemas humano y máquina
los sistemas humano y máquina
03:36
is their shared inherent fallibility.
69
204435
2738
es su inherente falibilidad compartida.
03:39
For the second generation of D.O.U.G.,
70
207197
1820
Para la segunda generación de D.O.U.G,
03:41
I knew I wanted to explore this idea.
71
209041
2307
supe que quería explorar esta idea.
03:43
But instead of an accident produced
by pushing a robotic arm to its limits,
by pushing a robotic arm to its limits,
72
211372
4418
Pero en lugar de un accidente provocado
al llevar al brazo robótico a su límite,
03:47
I wanted to design a system
that would respond to my drawings
that would respond to my drawings
73
215814
2897
quería diseñar un sistema que
respondiera a mis dibujos
respondiera a mis dibujos
de formas que no esperaba.
03:50
in ways that I didn't expect.
74
218735
1833
03:52
So, I used a visual algorithm
to extract visual information
to extract visual information
75
220592
3849
Así que usé un algoritmo visual
para extraer información visual
para extraer información visual
de décadas de mis dibujos
digitales y analógicos.
digitales y analógicos.
03:56
from decades of my digital
and analog drawings.
and analog drawings.
76
224465
2978
03:59
I trained a neural net on these drawings
77
227467
2055
Entrené una red neuronal con estos dibujos
04:01
in order to generate
recurring patterns in the work
recurring patterns in the work
78
229546
2865
para generar patrones
recurrentes en el trabajo
recurrentes en el trabajo
04:04
that were then fed through custom software
back into the machine.
back into the machine.
79
232435
3476
que luego se introdujeron a través
de software personalizado a la máquina.
de software personalizado a la máquina.
04:07
I painstakingly collected
as many of my drawings as I could find --
as many of my drawings as I could find --
80
235935
4386
Recopilé minuciosamente
tantos dibujos como pude encontrar,
tantos dibujos como pude encontrar,
04:12
finished works, unfinished experiments
and random sketches --
and random sketches --
81
240345
4215
trabajos acabados, experimentos
sin terminar y bocetos aleatorios,
sin terminar y bocetos aleatorios,
04:16
and tagged them for the AI system.
82
244584
1999
y los etiqueté para el sistema IA.
04:18
And since I'm an artist,
I've been making work for over 20 years.
I've been making work for over 20 years.
83
246607
3684
Y como soy artista, llevo
trabajando más de 20 años.
trabajando más de 20 años.
04:22
Collecting that many drawings took months,
84
250315
2024
Recopilar tantos dibujos llevó meses,
04:24
it was a whole thing.
85
252363
1389
fue un montón.
04:25
And here's the thing
about training AI systems:
about training AI systems:
86
253776
2595
Y aquí está la cuestión
sobre entrenar sistemas AI:
sobre entrenar sistemas AI:
04:28
it's actually a lot of hard work.
87
256395
2200
en realidad es mucho trabajo duro.
04:31
A lot of work goes on behind the scenes.
88
259022
2191
Hay mucho trabajo detrás de escena.
04:33
But in doing the work,
I realized a little bit more
I realized a little bit more
89
261237
2681
Pero al hacer el trabajo,
aprendí un poco más
aprendí un poco más
04:35
about how the architecture
of an AI is constructed.
of an AI is constructed.
90
263942
3421
sobre cómo se construye
la arquitectura de un IA.
la arquitectura de un IA.
04:39
And I realized it's not just made
of models and classifiers
of models and classifiers
91
267387
2947
Y noté que no solo está hecho
de modelos y clasificadores
de modelos y clasificadores
04:42
for the neural network.
92
270358
1322
para la red neuronal.
04:43
But it's a fundamentally
malleable and shapable system,
malleable and shapable system,
93
271704
3532
Sino que es un sistema
fundamentalmente maleable y moldeable,
fundamentalmente maleable y moldeable,
04:47
one in which the human hand
is always present.
is always present.
94
275260
3111
en el que la mano humana
siempre está presente.
siempre está presente.
04:50
It's far from the omnipotent AI
we've been told to believe in.
we've been told to believe in.
95
278395
4000
Está lejos de la IA omnipotente
en la que nos han dicho que creamos.
en la que nos han dicho que creamos.
04:54
So I collected these drawings
for the neural net.
for the neural net.
96
282419
2515
Así que recopilé estos dibujos
para la red neuronal.
para la red neuronal.
04:56
And we realized something
that wasn't previously possible.
that wasn't previously possible.
97
284958
3929
Y nos dimos cuenta de algo
que antes no era posible.
que antes no era posible.
Mi robot D.O.U.G se convirtió
en una reflexión interactiva a tiempo real
en una reflexión interactiva a tiempo real
05:00
My robot D.O.U.G. became
a real-time interactive reflection
a real-time interactive reflection
98
288911
4091
05:05
of the work I'd done
through the course of my life.
through the course of my life.
99
293026
2627
del trabajo que había realizado
a lo largo de mi vida.
a lo largo de mi vida.
05:07
The data was personal,
but the results were powerful.
but the results were powerful.
100
295677
3865
Los datos eran personales,
pero los resultados fueron poderosos.
pero los resultados fueron poderosos.
05:11
And I got really excited,
101
299566
1484
Y me emocioné mucho,
05:13
because I started thinking maybe
machines don't need to be just tools,
machines don't need to be just tools,
102
301074
4582
porque empecé a pensar que quizás
las máquinas no son solo herramientas,
las máquinas no son solo herramientas,
05:17
but they can function
as nonhuman collaborators.
as nonhuman collaborators.
103
305680
3420
sino que pueden funcionar
como colaboradores no humanos.
como colaboradores no humanos.
05:21
And even more than that,
104
309537
1547
Y aún más que eso,
05:23
I thought maybe
the future of human creativity
the future of human creativity
105
311108
2429
pensé que tal vez el futuro
de la creatividad humana
de la creatividad humana
05:25
isn't in what it makes
106
313561
1524
no está en lo que hace
05:27
but how it comes together
to explore new ways of making.
to explore new ways of making.
107
315109
3436
sino cómo se une para
explorar nuevas maneras de crear.
explorar nuevas maneras de crear.
05:31
So if D.O.U.G._1 was the muscle,
108
319101
2190
Si D.O.U.G_1 fue el músculo,
05:33
and D.O.U.G._2 was the brain,
109
321315
1762
y D.O.U.G_2 fue el cerebro,
05:35
then I like to think
of D.O.U.G._3 as the family.
of D.O.U.G._3 as the family.
110
323101
2928
entonces me gustaría pensar
en D.O.U.G_3 como la familia.
en D.O.U.G_3 como la familia.
05:38
I knew I wanted to explore this idea
of human-nonhuman collaboration at scale.
of human-nonhuman collaboration at scale.
111
326482
4793
Sabía que quería explorar esta idea
de colaboración entre humanos
de colaboración entre humanos
y no-humanos a escala.
05:43
So over the past few months,
112
331299
1373
En los últimos meses,
05:44
I worked with my team
to develop 20 custom robots
to develop 20 custom robots
113
332696
3135
trabajé con mi equipo
para desarrollar 20 robots personalizados
para desarrollar 20 robots personalizados
que trabajarían conmigo como colectivo.
05:47
that could work with me as a collective.
114
335855
1960
05:49
They would work as a group,
115
337839
1293
Trabajarían como un grupo
y juntos colaboraríamos
con todo Nueva York.
con todo Nueva York.
05:51
and together, we would collaborate
with all of New York City.
with all of New York City.
116
339156
2889
05:54
I was really inspired
by Stanford researcher Fei-Fei Li,
by Stanford researcher Fei-Fei Li,
117
342069
2944
Me inspiró mucho el investigador
de Stanford Fei-Fei Li,
de Stanford Fei-Fei Li,
quien dijo: "Si queremos
enseñar a las máquinas a pensar,
enseñar a las máquinas a pensar,
05:57
who said, "if we want to teach
machines how to think,
machines how to think,
118
345037
2515
05:59
we need to first teach them how to see."
119
347576
1984
primero debemos enseñarles cómo ver".
06:01
It made me think of the past decade
of my life in New York,
of my life in New York,
120
349584
2785
Me hizo pensar en la última década
de mi vida en Nueva York
de mi vida en Nueva York
06:04
and how I'd been all watched over by these
surveillance cameras around the city.
surveillance cameras around the city.
121
352393
3993
y cómo nos vigilan todas esas
cámaras de seguridad por la ciudad.
cámaras de seguridad por la ciudad.
Y pensé que sería realmente interesante
06:08
And I thought it would be
really interesting
really interesting
122
356410
2056
si pudiera usarlas
para enseñar a mis robots a ver.
para enseñar a mis robots a ver.
06:10
if I could use them
to teach my robots to see.
to teach my robots to see.
123
358490
2405
06:12
So with this project,
124
360919
1888
Con este proyecto,
06:14
I thought about the gaze of the machine,
125
362831
1967
pensé sobre la mirada de la máquina,
06:16
and I began to think about vision
as multidimensional,
as multidimensional,
126
364822
3226
y empecé a pensar sobre
la visión multidimensional,
la visión multidimensional,
06:20
as views from somewhere.
127
368072
1600
como vistas de alguna parte.
06:22
We collected video
128
370151
1834
Recopilamos videos
06:24
from publicly available
camera feeds on the internet
camera feeds on the internet
129
372009
3063
de las cámaras públicas
disponibles en internet,
disponibles en internet,
06:27
of people walking on the sidewalks,
130
375096
1690
de gente caminando por las aceras,
06:28
cars and taxis on the road,
131
376810
1712
autos y taxis en la carretera,
06:30
all kinds of urban movement.
132
378546
1817
todo tipo de movimiento urbano.
06:33
We trained a vision algorithm
on those feeds
on those feeds
133
381188
2603
Entrenamos un algoritmo
de la visión con esas fuentes
de la visión con esas fuentes
06:35
based on a technique
called "optical flow,"
called "optical flow,"
134
383815
2286
basado en una técnica
llamada "flujo óptico",
llamada "flujo óptico",
06:38
to analyze the collective density,
135
386125
1977
para analizar la densidad colectiva,
06:40
direction, dwell and velocity states
of urban movement.
of urban movement.
136
388126
3637
dirección, permanencia y
velocidad del movimiento urbano.
velocidad del movimiento urbano.
06:44
Our system extracted those states
from the feeds as positional data
from the feeds as positional data
137
392178
4269
Nuestro sistema extrajo esos estados
de las fuentes como datos posicionales
de las fuentes como datos posicionales
06:48
and became pads for my
robotic units to draw on.
robotic units to draw on.
138
396471
3373
y se voliveron cuadernos para
dibujar para mis unidades robóticas.
dibujar para mis unidades robóticas.
06:51
Instead of a collaboration of one-to-one,
139
399868
2534
En lugar de una colaboración uno a uno,
06:54
we made a collaboration of many-to-many.
140
402426
3024
hicimos una colaboración
de muchos a muchos.
de muchos a muchos.
06:57
By combining the vision of human
and machine in the city,
and machine in the city,
141
405474
3587
Combinando la visión de
los humanos y las máquinas en la ciudad,
los humanos y las máquinas en la ciudad,
07:01
we reimagined what
a landscape painting could be.
a landscape painting could be.
142
409085
2794
reimaginamos lo que podría
ser una pintura de un paisaje.
ser una pintura de un paisaje.
07:03
Throughout all of my
experiments with D.O.U.G.,
experiments with D.O.U.G.,
143
411903
2218
En todos mis experimentos con D.O.U.G,
no hay dos actuaciones
que hayan sido iguales.
que hayan sido iguales.
07:06
no two performances
have ever been the same.
have ever been the same.
144
414145
2717
07:08
And through collaboration,
145
416886
1382
Y a través de la colaboración
07:10
we create something that neither of us
could have done alone:
could have done alone:
146
418292
2864
creamos algo que ninguno
podría haber hecho solo
podría haber hecho solo
exploramos los límites
de nuestra creatividad,
de nuestra creatividad,
07:13
we explore the boundaries
of our creativity,
of our creativity,
147
421180
2611
07:15
human and nonhuman working in parallel.
148
423815
2892
humano y no humano
trabajando en paralelo.
trabajando en paralelo.
07:19
I think this is just the beginning.
149
427823
2334
Creo que es solo el principio.
07:22
This year, I've launched Scilicet,
150
430569
2183
Este año, lancé Scilicet,
07:24
my new lab exploring human
and interhuman collaboration.
and interhuman collaboration.
151
432776
4245
mi nuevo laboratorio explorando
la interración humana e interhumana.
la interración humana e interhumana.
Estamos muy interesados en
la retroalimentación
la retroalimentación
07:29
We're really interested
in the feedback loop
in the feedback loop
152
437339
2120
07:31
between individual, artificial
and ecological systems.
and ecological systems.
153
439483
4230
entre sistemas individuales,
artificiales y ecológicos.
artificiales y ecológicos.
07:36
We're connecting human and machine output
154
444276
2269
Conectamos la producción
humana y máquina
humana y máquina
07:38
to biometrics and other kinds
of environmental data.
of environmental data.
155
446569
2984
con datos biométricos y
otros tipos de datos ambientales.
otros tipos de datos ambientales.
07:41
We're inviting anyone who's interested
in the future of work, systems
in the future of work, systems
156
449577
4079
Invitamos a cualquiera interesado
en el futuro del trabajo, sistemas
en el futuro del trabajo, sistemas
07:45
and interhuman collaboration
157
453680
1595
y colaboración interhumana
07:47
to explore with us.
158
455299
1550
a investigar con nosotros.
07:48
We know it's not just technologists
that have to do this work
that have to do this work
159
456873
3405
Sabemos que no solo los tecnólogos
tienen que hacer este trabajo
tienen que hacer este trabajo
07:52
and that we all have a role to play.
160
460302
2103
y que todos tenemos un papel
que desempeñar.
que desempeñar.
07:54
We believe that by teaching machines
161
462429
2243
Creémos que enseñando a las máquina
07:56
how to do the work
traditionally done by humans,
traditionally done by humans,
162
464696
2730
cómo hacer el trabajo
tradicionalmente hecho por humanos.
tradicionalmente hecho por humanos.
07:59
we can explore and evolve our criteria
163
467450
2953
podemos explorar y
desarrollar nuestro criterio
desarrollar nuestro criterio
08:02
of what's made possible by the human hand.
164
470427
2443
de lo que ha hecho posible
la mano humana.
la mano humana.
08:04
And part of that journey
is embracing the imperfections
is embracing the imperfections
165
472894
3493
Y parte de ese viaje es
aceptar las imperfecciones
aceptar las imperfecciones
y reconocer la falibilidad
tanto humana y máquina,
tanto humana y máquina,
08:08
and recognizing the fallibility
of both human and machine,
of both human and machine,
166
476411
3690
08:12
in order to expand the potential of both.
167
480125
2405
para expandir el potencial de ambos.
08:14
Today, I'm still in pursuit
of finding the beauty
of finding the beauty
168
482919
2301
Hoy sigo buscando la belleza
08:17
in human and nonhuman creativity.
169
485244
2276
en la creatividad humana y no humana.
08:19
In the future, I have no idea
what that will look like,
what that will look like,
170
487865
2829
En el futuro, no tengo ni idea
de cómo será esto,
de cómo será esto,
pero tengo mucha curiosidad
por descubrirlo.
por descubrirlo.
08:23
but I'm pretty curious to find out.
171
491627
2024
Gracias.
08:25
Thank you.
172
493675
1151
08:26
(Applause)
173
494850
1884
(Aplausos)
ABOUT THE SPEAKER
Sougwen Chung - Artist, researcherSougwen 愫君 Chung is an artist and researcher whose work explores the dynamics between humans and systems.
Why you should listen
Sougwen Chung's work explores the mark-made-by-hand and the mark-made-by-machine as an approach to understanding the dynamics of humans and systems. Chung is a former research fellow at MIT’s Media Lab and a pioneer in the field of human-machine collaboration. In 2019, she was selected as the Woman of the Year in Monaco for achievement in the Arts & Sciences.
In 2018 she was an inaugural E.A.T. Artist in Resident in partnership with New Museum and Bell Labs, and was awarded a commission for her project Omnia per Omnia. In 2016, Chung received Japan Media Art’s Excellence Award in for her project, Drawing Operations. She is a former research fellow at MIT’s Media Lab. She has been awarded Artist in Residence positions at Google, Eyebeam, Japan Media Arts and Pier 9 Autodesk. Her speculative critical practice spans performance, installation and drawings which have been featured in numerous exhibitions at museums and galleries around the world.
Sougwen Chung | Speaker | TED.com