TED2003
Marvin Minsky: Health and the human mind
Marvin Minsky parle de santé et de l'esprit humain
Filmed:
Readability: 3.5
606,909 views
Ecoutez bien - la présentation très ecclectique et délicieusement désinvolte de Marvin Minsky sur la santé, la surpopulation et l'esprit humain est pleine de subtilité, d'esprit, de sagesse avec juste un soupçon de roublardise et de conseils pince-sans-rire.
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 vous demandez aux gens ce qu'ils trouvent difficile dans la psychologie,
00:24
and you say, "Well, what about thinking and emotions?"
1
6000
3000
et vous dites, eh bien, par exemple la pensée et les émotions,
00:27
Most people will say, "Emotions are terribly hard.
2
9000
3000
la plupart des gens diront: «Les émotions c'est très dur.
00:30
They're incredibly complex. They can't -- I have no idea of how they work.
3
12000
6000
Elles sont incroyablement complexes, elles ne peuvent pas - je n'ai aucune idée de comment elles fonctionnent.
00:36
But thinking is really very straightforward:
4
18000
2000
Mais la pensée c'est vraiment très simple:
00:38
it's just sort of some kind of logical reasoning, or something.
5
20000
4000
c'est juste une sorte de raisonnement logique ou quelque chose comme ça.
00:42
But that's not the hard part."
6
24000
3000
Mais ce n'est pas la partie difficile. "
00:45
So here's a list of problems that come up.
7
27000
2000
Donc, voici une liste des problèmes qui ressortent.
00:47
One nice problem is, what do we do about health?
8
29000
3000
Un bon problème est: que faisons-nous sur la santé?
00:50
The other day, I was reading something, and the person said
9
32000
4000
L'autre jour, je lisais quelque chose, et l'auteur disait
00:54
probably the largest single cause of disease is handshaking in the West.
10
36000
6000
que probablement la plus importante cause de maladie est la poignée de main en occident.
01:00
And there was a little study about people who don't handshake,
11
42000
4000
Et il y avait une petite d'étude sur les personnes qui ne se serrent pas la main,
01:04
and comparing them with ones who do handshake.
12
46000
3000
et qui les comparait avec ceux qui se serraient la main,
01:07
And I haven't the foggiest idea of where you find the ones that don't handshake,
13
49000
5000
et je n'ai pas la moindre idée d'où vous trouvez celles qui ne le font pas
01:12
because they must be hiding.
14
54000
3000
parce qu'ils doivent se cacher.
01:15
And the people who avoid that
15
57000
4000
Et les gens qui évitent ça
01:19
have 30 percent less infectious disease or something.
16
61000
4000
ont quelque chose comme 30 % en moins de maladies infectieuses.
01:23
Or maybe it was 31 and a quarter percent.
17
65000
3000
Ou peut-être était-ce 31 % et un quart.
01:26
So if you really want to solve the problem of epidemics and so forth,
18
68000
4000
Donc, si vous voulez vraiment résoudre le problème des épidémies et ainsi de suite,
01:30
let's start with that. And since I got that idea,
19
72000
4000
commençons par cela. Et depuis que j'ai eu cette idée,
01:34
I've had to shake hundreds of hands.
20
76000
4000
j'ai dû serrer des centaines de mains.
01:38
And I think the only way to avoid it
21
80000
5000
Et je pense que la seule façon de l'éviter
01:43
is to have some horrible visible disease,
22
85000
2000
est d'avoir une horrible maladie visible,
01:45
and then you don't have to explain.
23
87000
3000
et ensuite vous n'avez pas à expliquer.
01:48
Education: how do we improve education?
24
90000
4000
L'éducation: comment pouvons-nous améliorer l'éducation?
01:52
Well, the single best way is to get them to understand
25
94000
4000
Eh bien, la meilleure façon simple est de leur faire comprendre
01:56
that what they're being told is a whole lot of nonsense.
26
98000
3000
que ce qu'on leur dit, c'est un tas de bêtises.
01:59
And then, of course, you have to do something
27
101000
2000
Et puis, bien sûr, vous devez faire quelque chose
02:01
about how to moderate that, so that anybody can -- so they'll listen to you.
28
103000
5000
pour modérerça, pour que n'importe qui puisse vous écouter.
02:06
Pollution, energy shortage, environmental diversity, poverty.
29
108000
4000
La pollution, la pénurie d'énergie, la diversité de l'environnement, la pauvreté -
02:10
How do we make stable societies? Longevity.
30
112000
4000
comment faire une société stable? La longévité.
02:14
Okay, there're lots of problems to worry about.
31
116000
3000
Bon, il y a beaucoup de problèmes à craindre.
02:17
Anyway, the question I think people should talk about --
32
119000
2000
Quoi qu'il en soit, la question dont je pense que les gens devraient parler -
02:19
and it's absolutely taboo -- is, how many people should there be?
33
121000
5000
et c'est absolument tabou - c'est, combien de personnes devrait-il y avoir?
02:24
And I think it should be about 100 million or maybe 500 million.
34
126000
7000
Et je pense que ça devrait être environ 100 millions ou peut-être 500 millions.
02:31
And then notice that a great many of these problems disappear.
35
133000
5000
Et alors notez qu'un grand nombre de ces problèmes disparaissent.
02:36
If you had 100 million people
36
138000
2000
Si vous aviez 100 millions de personnes
02:38
properly spread out, then if there's some garbage,
37
140000
6000
bien réparties, ensuite, s'il y a des ordures,
02:44
you throw it away, preferably where you can't see it, and it will rot.
38
146000
7000
vous les jetez, de préférence là où vous ne pouvez pas les voir, et où elles vont pourrir.
02:51
Or you throw it into the ocean and some fish will benefit from it.
39
153000
5000
Ou alors vous les jetez dans l'océan et des poissons en bénéficieront.
02:56
The problem is, how many people should there be?
40
158000
2000
Le problème est, combien de personnes faut-il être?
02:58
And it's a sort of choice we have to make.
41
160000
3000
Et c'est une sorte de choix que nous avons à faire.
03:01
Most people are about 60 inches high or more,
42
163000
3000
La plupart des gens font environ 1,55 mètre de haut ou plus,
03:04
and there's these cube laws. So if you make them this big,
43
166000
4000
et il y a une perte cube. Donc, si vous les faites grands comme ça -
03:08
by using nanotechnology, I suppose --
44
170000
3000
en utilisant la nanotechnologie, je suppose -
03:11
(Laughter)
45
173000
1000
(Rires)
03:12
-- then you could have a thousand times as many.
46
174000
2000
- Alors vous pourriez enavoir mille fois plus.
03:14
That would solve the problem, but I don't see anybody
47
176000
2000
Cela réglerait le problème, mais je ne vois personne
03:16
doing any research on making people smaller.
48
178000
3000
faire des recherches sur comment rendre les personnes plus petites.
03:19
Now, it's nice to reduce the population, but a lot of people want to have children.
49
181000
5000
Maintenant, il est bon de réduire la population, mais beaucoup de gens veulent avoir des enfants.
03:24
And there's one solution that's probably only a few years off.
50
186000
3000
Et il y a une solution qui apparaitra probablement dans quelques années.
03:27
You know you have 46 chromosomes. If you're lucky, you've got 23
51
189000
5000
Vous savez que vous avez 46 chromosomes. Si vous êtes chanceux, vous en avez obtenu 23
03:32
from each parent. Sometimes you get an extra one or drop one out,
52
194000
6000
de chaque parent, parfois vous obtenez un de plus ou un de moins,
03:38
but -- so you can skip the grandparent and great-grandparent stage
53
200000
4000
mais - donc vous pouvez sauter l'étape des grands-parents et arrière grands-parents
03:42
and go right to the great-great-grandparent. And you have 46 people
54
204000
5000
et aller droit aux arrière-arrière-grands-parents. Et vous avez 46 personnes
03:47
and you give them a scanner, or whatever you need,
55
209000
3000
et vous leur faites passer un scanner, ou ce dont vous avez besoin,
03:50
and they look at their chromosomes and each of them says
56
212000
4000
et ils regardent leurs chromosomes et chacun d'eux dit
03:54
which one he likes best, or she -- no reason to have just two sexes
57
216000
5000
celui qu'il aime le mieux, ou elle - plus aucune raison d'avoir seulement deux sexes
03:59
any more, even. So each child has 46 parents,
58
221000
5000
en fait. Donc, chaque enfant dispose de 46 parents,
04:04
and I suppose you could let each group of 46 parents have 15 children.
59
226000
6000
et je suppose que vous pourriez laisser chaque groupe de 46 parents avoir 15 enfants -
04:10
Wouldn't that be enough? And then the children
60
232000
2000
ne serait-ce pas suffisant? Et puis les enfants
04:12
would get plenty of support, and nurturing, and mentoring,
61
234000
4000
recevraient beaucoup de soutien et de soin et de tutorat
04:16
and the world population would decline very rapidly
62
238000
2000
et la population mondiale déclinerait très rapidement
04:18
and everybody would be totally happy.
63
240000
3000
et tout le monde serait tout à fait heureux.
04:21
Timesharing is a little further off in the future.
64
243000
3000
La multipropriété est un peu plus loin dans l'avenir.
04:24
And there's this great novel that Arthur Clarke wrote twice,
65
246000
3000
Et il y a ce grand roman qu'Arthur Clarke a écrit deux fois,
04:27
called "Against the Fall of Night" and "The City and the Stars."
66
249000
4000
appelé Contre la Tombée de la Nuit et La Ville et les Etoiles.
04:31
They're both wonderful and largely the same,
67
253000
3000
Les deux sont merveilleux et largement identiques
04:34
except that computers happened in between.
68
256000
2000
sauf que les ordinateurs sont apparus entre les deux.
04:36
And Arthur was looking at this old book, and he said, "Well, that was wrong.
69
258000
5000
Et Arthur regardait ce vieux livre, et il a dit ce qui n'allait pas.
04:41
The future must have some computers."
70
263000
2000
L'avenir doit avoir des ordinateurs.
04:43
So in the second version of it, there are 100 billion
71
265000
5000
Donc, dans la deuxième version du livre, il y a 100 milliards
04:48
or 1,000 billion people on Earth, but they're all stored on hard disks or floppies,
72
270000
8000
ou 1.000 milliards de personnes sur Terre, mais ils sont tous stockés sur des disques durs ou des disquettes,
04:56
or whatever they have in the future.
73
278000
2000
ou ce qu'ils ont dans l'avenir.
04:58
And you let a few million of them out at a time.
74
280000
4000
Et vous laissez quelques millions d'entre eux sortir à la fois.
05:02
A person comes out, they live for a thousand years
75
284000
4000
Une personne sort, elle vit un millier d'années
05:06
doing whatever they do, and then, when it's time to go back
76
288000
6000
fait ce qu'elle fait, et puis, quand il est temps de revenir
05:12
for a billion years -- or a million, I forget, the numbers don't matter --
77
294000
4000
pour un milliard d'années - ou un million, je ne sais plus, les chiffres n'ont pas d'importance -
05:16
but there really aren't very many people on Earth at a time.
78
298000
4000
mais il y a vraiment très peu de gens sur la terre à la fois.
05:20
And you get to think about yourself and your memories,
79
302000
2000
Et vous vous mettez à réfléchir sur vous-même et vos souvenirs,
05:22
and before you go back into suspension, you edit your memories
80
304000
5000
et avant de retourner en suspension, vous modifier vos souvenirs
05:27
and you change your personality and so forth.
81
309000
3000
et vous modifiez votre personnalité et ainsi de suite.
05:30
The plot of the book is that there's not enough diversity,
82
312000
6000
L'intrigue du livre est qu'il n'y a pas assez de diversité,
05:36
so that the people who designed the city
83
318000
3000
et donc les gens qui ont conçu la ville
05:39
make sure that every now and then an entirely new person is created.
84
321000
4000
se sont assurés que de temps à autre une personne entièrement nouvelle est créée.
05:43
And in the novel, a particular one named Alvin is created. And he says,
85
325000
6000
Et dans le roman, un individu nommé Alvin est créé. Et il dit:
05:49
maybe this isn't the best way, and wrecks the whole system.
86
331000
4000
c'est peut-être pas la meilleure façon, et des épaves de l'ensemble du système.
05:53
I don't think the solutions that I proposed
87
335000
2000
Je ne pense pas que les solutions que j'ai proposées
05:55
are good enough or smart enough.
88
337000
3000
soient assez bonnes ou assez intelligentes.
05:58
I think the big problem is that we're not smart enough
89
340000
4000
Je pense que le gros problème est que nous ne sommes pas assez intelligents
06:02
to understand which of the problems we're facing are good enough.
90
344000
4000
pour comprendre quels sont les problèmes assez bons parmis ceux auxquels nous sommes confrontés.
06:06
Therefore, we have to build super intelligent machines like HAL.
91
348000
4000
Par conséquent, nous devons construire des machines super intelligentes comme HAL.
06:10
As you remember, at some point in the book for "2001,"
92
352000
5000
Comme vous le savez, à un moment donné dans le livre pour l'année 2001,
06:15
HAL realizes that the universe is too big, and grand, and profound
93
357000
5000
HAL se rend compte que l'univers est trop grand et grandiose et profond
06:20
for those really stupid astronauts. If you contrast HAL's behavior
94
362000
4000
pour ces astronautes vraiment stupide. Si vous comparez le comportement de HAL
06:24
with the triviality of the people on the spaceship,
95
366000
4000
avec la trivialité de la population sur le vaisseau spatial,
06:28
you can see what's written between the lines.
96
370000
3000
vous pouvez voir ce qui est écrit entre les lignes.
06:31
Well, what are we going to do about that? We could get smarter.
97
373000
3000
Eh bien, qu'allons-nous faire à ce sujet? Nous pourrions devenir plus intelligent.
06:34
I think that we're pretty smart, as compared to chimpanzees,
98
376000
5000
Je pense que nous sommes assez intelligents, comparativement à des chimpanzés,
06:39
but we're not smart enough to deal with the colossal problems that we face,
99
381000
6000
mais nous ne sommes pas assez intelligents pour faire face aux énormes problèmes auxquels nous sommes confrontés,
06:45
either in abstract mathematics
100
387000
2000
que ce soit en mathématiques abstraites
06:47
or in figuring out economies, or balancing the world around.
101
389000
5000
ou pour comprendre les économies ou l'équilibre du monde qui nous entoure.
06:52
So one thing we can do is live longer.
102
394000
3000
Donc, une chose que nous pouvons faire, c'est vivre plus longtemps.
06:55
And nobody knows how hard that is,
103
397000
2000
Et personne ne sait combien c'est difficile,
06:57
but we'll probably find out in a few years.
104
399000
3000
mais nous allons probablement le découvrir dans quelques années.
07:00
You see, there's two forks in the road. We know that people live
105
402000
3000
Vous voyez, il y a deux embranchements de la route. Nous savons que les gens vivent
07:03
twice as long as chimpanzees almost,
106
405000
4000
deux fois plus longtemps que les chimpanzés, ou presque,
07:07
and nobody lives more than 120 years,
107
409000
4000
et personne ne vit plus de 120 ans,
07:11
for reasons that aren't very well understood.
108
413000
3000
pour des raisons qu'on ne comprend pas très bien.
07:14
But lots of people now live to 90 or 100,
109
416000
3000
Mais beaucoup de gens vivent maintenant à 90 ou 100,
07:17
unless they shake hands too much or something like that.
110
419000
4000
à moins qu'ils ne se serrent la main trop souvent ou quelque chose comme ça.
07:21
And so maybe if we lived 200 years, we could accumulate enough skills
111
423000
5000
Et alors peut-être si nous vivions 200 ans, nous pourrions accumuler suffisamment de compétences
07:26
and knowledge to solve some problems.
112
428000
5000
et de connaissances pour résoudre certains problèmes.
07:31
So that's one way of going about it.
113
433000
2000
Donc, c'est une façon de s'y prendre.
07:33
And as I said, we don't know how hard that is. It might be --
114
435000
3000
Et comme je l'ai dit, nous ne savons pas combien c'est difficile. Ce serait peut-être -
07:36
after all, most other mammals live half as long as the chimpanzee,
115
438000
6000
Après tout, la plupart des autres mammifères vivent moitié moins long que le chimpanzé,
07:42
so we're sort of three and a half or four times, have four times
116
444000
3000
Nous avons donc trois fois et demi ou quatre fois - disont quatre fois
07:45
the longevity of most mammals. And in the case of the primates,
117
447000
6000
la longévité de la plupart des mammifères. Et dans le cas des primates,
07:51
we have almost the same genes. We only differ from chimpanzees,
118
453000
4000
nous avons presque les mêmes gènes. Nous ne différons des chimpanzés
07:55
in the present state of knowledge, which is absolute hogwash,
119
457000
6000
dans l'état actuel des connaissances - ce qui est une foutaise absolue -
08:01
maybe by just a few hundred genes.
120
463000
2000
peut-être par quelques centaines de gènes.
08:03
What I think is that the gene counters don't know what they're doing yet.
121
465000
3000
Ce que je pense, c'est que les compteurs de gène ne savent pas ce qu'ils font pour le moment.
08:06
And whatever you do, don't read anything about genetics
122
468000
3000
Et quoi que vous fassiez, ne lisez rien sur la génétique
08:09
that's published within your lifetime, or something.
123
471000
3000
qu'on publiera de votre vivant.
08:12
(Laughter)
124
474000
3000
(Rires)
08:15
The stuff has a very short half-life, same with brain science.
125
477000
4000
C'est un sujet qui a une demi-vie très courte, pareil pour la science du cerveau.
08:19
And so it might be that if we just fix four or five genes,
126
481000
6000
Et donc peut-être que si nous réparons quatre ou cinq gènes,
08:25
we can live 200 years.
127
487000
2000
nous pouvons vivre 200 ans.
08:27
Or it might be that it's just 30 or 40,
128
489000
3000
Ou il se pourrait que ce soit juste 30 ou 40,
08:30
and I doubt that it's several hundred.
129
492000
2000
et je doute que ce soit plusieurs centaines.
08:32
So this is something that people will be discussing
130
494000
4000
Donc, c'est quelque chose dont les gens vont débattre
08:36
and lots of ethicists -- you know, an ethicist is somebody
131
498000
3000
et beaucoup de spécialistes de l'éthique - vous savez, un éthicien est quelqu'un
08:39
who sees something wrong with whatever you have in mind.
132
501000
3000
qui voit quelque chose de mal avec ce que vous avez à l'esprit.
08:42
(Laughter)
133
504000
3000
(Rires)
08:45
And it's very hard to find an ethicist who considers any change
134
507000
4000
Et il est très difficile de trouver un éthicien qui considère qu'un changement quelconque
08:49
worth making, because he says, what about the consequences?
135
511000
4000
vaille la peine, parce que, dit-il, qu'en est-il des conséquences?
08:53
And, of course, we're not responsible for the consequences
136
515000
3000
Et bien sûr, nous ne sommes pas responsables des conséquences
08:56
of what we're doing now, are we? Like all this complaint about clones.
137
518000
6000
de ce que nous faisons maintenant, n'est-ce pas? Comme toutes ces plaintes au sujet des clones.
09:02
And yet two random people will mate and have this child,
138
524000
3000
Et pourtant, deux personnes au hasard s'accoupleront et feront cet enfant,
09:05
and both of them have some pretty rotten genes,
139
527000
4000
et tous les deux ont des gènes assez pourris,
09:09
and the child is likely to come out to be average.
140
531000
4000
et l'enfant est susceptible de n'être que moyen.
09:13
Which, by chimpanzee standards, is very good indeed.
141
535000
6000
Et selon les normes chimpanzé, c'est vraiment très bien.
09:19
If we do have longevity, then we'll have to face the population growth
142
541000
3000
Si nous avons la longévité, alors nous aurons à faire face à la croissance de la population
09:22
problem anyway. Because if people live 200 or 1,000 years,
143
544000
4000
de toute façon. Parce que si les gens vivent 200 ou 1000 ans,
09:26
then we can't let them have a child more than about once every 200 or 1,000 years.
144
548000
6000
nous ne pouvons leur laisser faire un enfant q'environ une fois tous les 200 ou 1.000 ans.
09:32
And so there won't be any workforce.
145
554000
3000
Et il n'y aura pas de main-d'œuvre.
09:35
And one of the things Laurie Garrett pointed out, and others have,
146
557000
4000
Et une des choses que Laurie Garrett et d'autres ont souligné,
09:39
is that a society that doesn't have people
147
561000
5000
est qu'une société qui ne possède pas de gens
09:44
of working age is in real trouble. And things are going to get worse,
148
566000
3000
en âge de travailler est en réelle difficulté. Et les choses vont s'aggraver,
09:47
because there's nobody to educate the children or to feed the old.
149
569000
6000
car il n'y a personne pour éduquer les enfants ou pour nourrir les personnes âgées.
09:53
And when I'm talking about a long lifetime, of course,
150
575000
2000
Et quand je parle d'une longue durée de vie, bien sûr,
09:55
I don't want somebody who's 200 years old to be like our image
151
577000
6000
je ne veux pas que quelqu'un qui a 200 ans ressemble à l'image
10:01
of what a 200-year-old is -- which is dead, actually.
152
583000
4000
de quelqu'un de 200 ans - c'est-à-dire mort, en fait.
10:05
You know, there's about 400 different parts of the brain
153
587000
2000
Vous savez, il y a environ 400 différentes parties du cerveau
10:07
which seem to have different functions.
154
589000
2000
qui semblent avoir des fonctions différentes.
10:09
Nobody knows how most of them work in detail,
155
591000
3000
Personne ne sait comment la plupart d'entre elles travaillent dans le détail,
10:12
but we do know that there're lots of different things in there.
156
594000
4000
mais nous savons qu'il y a beaucoup de différentes choses là-dedans.
10:16
And they don't always work together. I like Freud's theory
157
598000
2000
Et elles ne travaillent pas toujours ensemble. J'aime la théorie de Freud
10:18
that most of them are cancelling each other out.
158
600000
4000
que la plupart d'entre elles s'annulent mutuellement.
10:22
And so if you think of yourself as a sort of city
159
604000
4000
Et si vous pensez que vous-même êtes comme une sorte de ville
10:26
with a hundred resources, then, when you're afraid, for example,
160
608000
6000
avec une centaine de ressources, puis, quand vous avez peur, par exemple,
10:32
you may discard your long-range goals, but you may think deeply
161
614000
4000
vous pouvez laisser tomber vos objectifs à long terme, mais vous pouvez penser profondément
10:36
and focus on exactly how to achieve that particular goal.
162
618000
4000
et vous concentrer sur comment atteindre cet objectif particulier exactement .
10:40
You throw everything else away. You become a monomaniac --
163
622000
3000
Vous laissez tomber tout le reste de suite. Vous devenez monomaniaque -
10:43
all you care about is not stepping out on that platform.
164
625000
4000
Tout ce qui vous intéresse est de ne pas descendre de ce quai.
10:47
And when you're hungry, food becomes more attractive, and so forth.
165
629000
4000
Et quand vous avez faim, la nourriture devient plus attrayante, et ainsi de suite.
10:51
So I see emotions as highly evolved subsets of your capability.
166
633000
6000
Je vois donc les émotions comme des sous-ensembles très évolués de vos capacités.
10:57
Emotion is not something added to thought. An emotional state
167
639000
4000
L'émotion n'est pas quelque chose en plus de la pensée. Un état émotionnel
11:01
is what you get when you remove 100 or 200
168
643000
4000
est ce que vous obtenez lorsque vous supprimez 100 ou 200
11:05
of your normally available resources.
169
647000
3000
de vos ressources normalement disponibles.
11:08
So thinking of emotions as the opposite of -- as something
170
650000
3000
Ainsi penser que les émotions sont le contraire de quelque chose
11:11
less than thinking is immensely productive. And I hope,
171
653000
4000
inférieur à la pensée est extrêmement productive. Et j'espère,
11:15
in the next few years, to show that this will lead to smart machines.
172
657000
4000
dans les années qui viennent, montrer que cela conduira à des machines intelligentes.
11:19
And I guess I better skip all the rest of this, which are some details
173
661000
3000
Et je suppose que je ferais mieux de sauter tout le reste, ce sont des détails
11:22
on how we might make those smart machines and --
174
664000
5000
sur la façon dont nous pourrions rendre ces machines «intelligentes» et -
11:27
(Laughter)
175
669000
5000
(Rires)
11:32
-- and the main idea is in fact that the core of a really smart machine
176
674000
5000
- et l'idée principale est en fait que le noyau d'une machine vraiment intelligente
11:37
is one that recognizes that a certain kind of problem is facing you.
177
679000
5000
est celle qui reconnaît qu'un certain type de problème se pose à vous.
11:42
This is a problem of such and such a type,
178
684000
3000
Il s'agit d'un problème de tel ou tel type,
11:45
and therefore there's a certain way or ways of thinking
179
687000
5000
et donc il y a une certaine façon ou plusieurs certaines façons de penser
11:50
that are good for that problem.
180
692000
2000
qui sont bonnes pour ce problème.
11:52
So I think the future, main problem of psychology is to classify
181
694000
4000
Je pense donc que le problème principal à venir de la psychologie est de classer
11:56
types of predicaments, types of situations, types of obstacles
182
698000
4000
les types de situations difficiles, les types de situations, les types d'obstacles
12:00
and also to classify available and possible ways to think and pair them up.
183
702000
6000
et aussi de classer les moyens disponibles et possibles de penser et de les apparier.
12:06
So you see, it's almost like a Pavlovian --
184
708000
3000
Donc, vous voyez, c'est presque comme un réflexe pavlovien -
12:09
we lost the first hundred years of psychology
185
711000
2000
nous avons perdu les cent premières années de la psychologie
12:11
by really trivial theories, where you say,
186
713000
3000
avec des théories vraiment triviales où vous dites,
12:14
how do people learn how to react to a situation? What I'm saying is,
187
716000
6000
comment les gens apprennent à réagir à une situation? Ce que je dis c'est,
12:20
after we go through a lot of levels, including designing
188
722000
5000
qu'une fois ce niveau passé, y compris la conception
12:25
a huge, messy system with thousands of ports,
189
727000
3000
d'un immense système désordonné avec des milliers de pièces,
12:28
we'll end up again with the central problem of psychology.
190
730000
4000
nous finirons à nouveau avec le problème central de la psychologie.
12:32
Saying, not what are the situations,
191
734000
3000
En disant, non pas ce que sont les situations,
12:35
but what are the kinds of problems
192
737000
2000
mais quels sont les types de problèmes
12:37
and what are the kinds of strategies, how do you learn them,
193
739000
3000
et quels sont les types de stratégies, comment les apprendre,
12:40
how do you connect them up, how does a really creative person
194
742000
3000
comment les connecter, comment une personne très créative
12:43
invent a new way of thinking out of the available resources and so forth.
195
745000
5000
invente une nouvelle façon de penser à partir des ressources disponibles et ainsi de suite.
12:48
So, I think in the next 20 years,
196
750000
2000
Je pense donc que dans les 20 prochaines années,
12:50
if we can get rid of all of the traditional approaches to artificial intelligence,
197
752000
5000
si nous pouvons nous débarrasser de toutes les approches traditionnelles de l'intelligence artificielle,
12:55
like neural nets and genetic algorithms
198
757000
2000
comme les réseaux neuronaux et algorithmes génétiques
12:57
and rule-based systems, and just turn our sights a little bit higher to say,
199
759000
6000
et les systèmes à base de règles, et qu'on se contente de viser un peu plus haut pour dire,
13:03
can we make a system that can use all those things
200
765000
2000
pouvons-nous faire un système qui puisse utiliser toutes ces choses
13:05
for the right kind of problem? Some problems are good for neural nets;
201
767000
4000
pour le bon type de problème? Certains problèmes sont bons pour les réseaux neuronaux;
13:09
we know that others, neural nets are hopeless on them.
202
771000
3000
Nous savons que d'autres, des réseaux neuronaux ne leur servent à rien.
13:12
Genetic algorithms are great for certain things;
203
774000
3000
Les algorithmes génétiques sont super pour certaines choses;
13:15
I suspect I know what they're bad at, and I won't tell you.
204
777000
4000
Je pense savoir dans quels cas ils sont mauvais à et je ne vous le dirai pas.
13:19
(Laughter)
205
781000
1000
(Rires)
13:20
Thank you.
206
782000
2000
Merci.
13:22
(Applause)
207
784000
6000
(Applaudissements)
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