TED2014
Ray Kurzweil: Get ready for hybrid thinking
Ray Kurzweil: Készülj a hibrid gondolkodásra
Filmed:
Readability: 4.4
3,548,296 views
Kétszáz millió évvel ezelőtt az emlős őseink egy új agyi elemet fejlesztettek ki: a neocortexet. Ez a bélyegméretű szövetdarab (amely egy dióméretű agyat vesz körül) a kulcs az emberiség jelenéhez. Most pedig, javasolja Ray Kurzweil futurista, ideje felkészülnünk a mentális erő következő óriási lépésére, hiszen terítéken a felhő számítási teljesítménye.
Ray Kurzweil - Inventor, futurist
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Double-click the English transcript below to play the video.
00:12
Let me tell you a story.
0
988
2316
Hadd meséljek el egy történetet.
00:15
It goes back 200 million years.
1
3304
1799
200 millió évre tekintve vissza.
00:17
It's a story of the neocortex,
2
5103
1984
A történet a neocortex-ről szól,
00:19
which means "new rind."
3
7087
1974
aminek a jelentése "új agykéreg".
00:21
So in these early mammals,
4
9061
2431
Szóval a korai emlősökben,
00:23
because only mammals have a neocortex,
5
11492
2055
mert csak az emlősöknek van neocortexe,
00:25
rodent-like creatures.
6
13547
1664
ezekben a rágcsálószerű lényekben,
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
ez bélyeg nagyságú és vastagságú volt,
és csak egy vékony réteget jelentett
00:30
and was a thin covering around
8
18790
1439
00:32
their walnut-sized brain,
9
20229
2264
a dió méretű agyuk körül.
00:34
but it was capable of a new type of thinking.
10
22493
3701
Ennek ellenére újfajta
gondolkodásra volt képes.
gondolkodásra volt képes.
00:38
Rather than the fixed behaviors
11
26194
1567
Fixált viselkedés helyett inkább
00:39
that non-mammalian animals have,
12
27761
1992
amely a nem-emlős állatokra jellemzőek,
00:41
it could invent new behaviors.
13
29753
2692
új viselkedéseket tudott kigondolni.
00:44
So a mouse is escaping a predator,
14
32445
2553
Tehát ha egy egér éppen
egy ragadozó elől menekül,
egy ragadozó elől menekül,
00:46
its path is blocked,
15
34998
1540
és zsákutcába kerül,
00:48
it'll try to invent a new solution.
16
36538
2129
akkor megpróbál kitalálni
egy új megoldást.
egy új megoldást.
00:50
That may work, it may not,
17
38667
1266
Talán működik, talán nem,
00:51
but if it does, it will remember that
18
39933
1910
de ha igen, akkor azt megjegyzi
00:53
and have a new behavior,
19
41843
1292
s új viselkedést sajátít el
00:55
and that can actually spread virally
20
43135
1457
ami aztán szélsebesen képes terjedni
00:56
through the rest of the community.
21
44592
2195
a közösség többi tagja között.
Ezt látván egy másik egér mondhatná,
00:58
Another mouse watching this could say,
22
46787
1609
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
"Ejha, elég agyafúrt volt,
ahogy megkerülted azt a követ"
ahogy megkerülted azt a követ"
01:03
and it could adopt a new behavior as well.
24
51100
3725
és átvehetné az új viselkedést.
01:06
Non-mammalian animals
25
54825
1717
A nem-emlős állatok
01:08
couldn't do any of those things.
26
56542
1713
ezeket nem tudták megtenni.
01:10
They had fixed behaviors.
27
58255
1215
Fix volt a viselkedésük.
01:11
Now they could learn a new behavior
28
59470
1331
Elsajátíthattak egy új viselkedést
01:12
but not in the course of one lifetime.
29
60801
2576
de nem egyetlen élet folyamán.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
Talán ezer generáció alatt
01:17
it could evolve a new fixed behavior.
31
65144
3330
kifejleszthetett volna
egy új fix viselkedést.
egy új fix viselkedést.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
Ez teljesen rendben volt
200 millió évvel ezelőtt.
200 millió évvel ezelőtt.
01:23
The environment changed very slowly.
33
71851
1981
A környezet lassan változott.
01:25
It could take 10,000 years for there to be
34
73832
1554
Akár 10 000 év is eltelhetett
01:27
a significant environmental change,
35
75386
2092
egy-egy jelentősebb
környezeti változásig,
környezeti változásig,
01:29
and during that period of time
36
77478
1382
és ez idő alatt
01:30
it would evolve a new behavior.
37
78860
2929
kifejlődhetett egy új viselkedés.
01:33
Now that went along fine,
38
81789
1521
Ez jól működött egy ideig,
01:35
but then something happened.
39
83310
1704
de aztán történt valami.
01:37
Sixty-five million years ago,
40
85014
2246
65 millió évvel ezelőtt
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
váratlan, heves változás állt be
a természetben
a természetben
01:41
We call it the Cretaceous extinction event.
42
89875
3505
Ezt a Kréta kihalási eseménynek nevezzük.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
Ekkor haltak ki a dinoszauruszok,
01:47
that's when 75 percent of the
44
95673
3449
amikor 75%-a
01:51
animal and plant species went extinct,
45
99122
2746
halt ki az állat- és növényvilágnak.
01:53
and that's when mammals
46
101868
1745
Ekkor nőtték ki az emlősök
01:55
overtook their ecological niche,
47
103613
2152
az ökológiai résüket,
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
és csak hogy antropomorfizáljak,
a biológiai evolúció így szólt:
a biológiai evolúció így szólt:
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
"Hmm, ez a neocortex elég jó dolog",
02:03
and it began to grow it.
50
111444
1793
és növeszteni kezdte.
02:05
And mammals got bigger,
51
113237
1342
Az emlősök növekedni kezdtek
02:06
their brains got bigger at an even faster pace,
52
114579
2915
az agyuk még gyorsabban kezdett növekedni
02:09
and the neocortex got bigger even faster than that
53
117494
3807
a neocortex pedig még ennél is gyorsabban,
02:13
and developed these distinctive ridges and folds
54
121301
2929
így kifejlődtek a sajátos barázdái
és redői
és redői
02:16
basically to increase its surface area.
55
124230
2881
egyszerűen a nagyobb felület érdekében.
02:19
If you took the human neocortex
56
127111
1819
Ha megfognánk az emberi neocortexet
02:20
and stretched it out,
57
128930
1301
és kifeszítenénk, látnánk,
02:22
it's about the size of a table napkin,
58
130231
1713
hogy kb. akkora, mint egy szalvéta
02:23
and it's still a thin structure.
59
131944
1306
és meglehetősen vékony.
02:25
It's about the thickness of a table napkin.
60
133250
1980
A vastagsága is hasonló egy szalvétához.
02:27
But it has so many convolutions and ridges
61
135230
2497
Mégis annyi tekervény
és barázda van rajta,
és barázda van rajta,
02:29
it's now 80 percent of our brain,
62
137727
3075
hogy az agyunk 80%-át jelenti.
02:32
and that's where we do our thinking,
63
140802
2461
És itt gondolkodunk,
02:35
and it's the great sublimator.
64
143263
1761
ami a nagy finomító.
02:37
We still have that old brain
65
145024
1114
Még a régi agyunk van,
02:38
that provides our basic drives and motivations,
66
146138
2764
amely az alapvető vágyakat
és motivációkat nyújtja,
és motivációkat nyújtja,
02:40
but I may have a drive for conquest,
67
148902
2716
de vágyhatok mondjuk hódításra,
02:43
and that'll be sublimated by the neocortex
68
151618
2715
és ezt a vágyat a neocortex versírássá,
02:46
into writing a poem or inventing an app
69
154333
2909
vagy alkalmazásfejlesztéssé,
02:49
or giving a TED Talk,
70
157242
1509
esetleg TED beszéddé finomítja,
02:50
and it's really the neocortex that's where
71
158751
3622
szóval igazából a neocortex az,
02:54
the action is.
72
162373
1968
ahol a lényeg történik.
02:56
Fifty years ago, I wrote a paper
73
164341
1717
Ötven éve írtam egy cikket arról,
02:58
describing how I thought the brain worked,
74
166058
1918
hogy szerintem hogyan működik az agy,
02:59
and I described it as a series of modules.
75
167976
3199
és modulok sorozataként jellemeztem.
03:03
Each module could do things with a pattern.
76
171175
2128
Mindegyik modul dolgozhatott mintákkal.
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
Megtanulhatott mintát,
felidézhetett mintát.
felidézhetett mintát.
03:08
It could implement a pattern.
78
176049
1407
Végrehajthatott egy mintát.
03:09
And these modules were organized in hierarchies,
79
177456
2679
Ezek a modulok hierarchikusan rendeződtek,
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
a hierarchiát pedig saját
gondolkodásunkkal építettük fel.
gondolkodásunkkal építettük fel.
03:15
And there was actually very little to go on
81
183089
3333
Nem volt sok minden,
ami alapján elindulhattam volna
ami alapján elindulhattam volna
03:18
50 years ago.
82
186422
1562
50 évvel ezelőtt.
03:19
It led me to meet President Johnson.
83
187984
2115
De így találkozhattam Johnson elnökkel.
03:22
I've been thinking about this for 50 years,
84
190099
2173
50 éven keresztül gondolkodtam ezen
03:24
and a year and a half ago I came out with the book
85
192272
2828
és másfél évvel ezelőtt
kiadtam egy könyvet, a címe
kiadtam egy könyvet, a címe
03:27
"How To Create A Mind,"
86
195100
1265
"How To Create A Mind",
03:28
which has the same thesis,
87
196365
1613
aminek ugyanez az alapgondolata,
03:29
but now there's a plethora of evidence.
88
197978
2812
de mostanra számos bizonyítékunk is van.
03:32
The amount of data we're getting about the brain
89
200790
1814
Az idegtudomány által az agyról gyűjtött
03:34
from neuroscience is doubling every year.
90
202604
2203
adatmennyiség évente megduplázódik.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
Minden agyi képalkotó eljárás
térbeli felbontása
térbeli felbontása
03:39
is doubling every year.
92
207461
2285
évente megduplázódik.
03:41
We can now see inside a living brain
93
209746
1717
Mára belelátunk az élő agyba,
03:43
and see individual interneural connections
94
211463
2870
és láthatjuk az egyes
interneurális kapcsolatokat
interneurális kapcsolatokat
03:46
connecting in real time, firing in real time.
95
214333
2703
valós időben, működés közben,
kisülés közben.
kisülés közben.
03:49
We can see your brain create your thoughts.
96
217036
2419
Látjuk, ahogy az agy
létrehozza a gondolataidat.
létrehozza a gondolataidat.
03:51
We can see your thoughts create your brain,
97
219455
1575
ahogy a gondolat teremti az agyat
03:53
which is really key to how it works.
98
221030
1999
az, ami működésének a kulcsa.
03:55
So let me describe briefly how it works.
99
223029
2219
Hadd magyarázzam el röviden,
hogyan is működik.
hogyan is működik.
03:57
I've actually counted these modules.
100
225248
2275
Ténylegesen megszámoltam
ezeket a modulokat.
ezeket a modulokat.
03:59
We have about 300 million of them,
101
227523
2046
Körülbelül 300 millió van belőlük,
04:01
and we create them in these hierarchies.
102
229569
2229
és ezekben a hierarchiákban
hozzuk létre őket.
hozzuk létre őket.
04:03
I'll give you a simple example.
103
231798
2082
Mondok egy egyszerű példát.
04:05
I've got a bunch of modules
104
233880
2805
Van egy csomó olyan modulom,
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
amelyek felismerik a
nagy "A" keresztvonalát,
nagy "A" keresztvonalát,
04:12
and that's all they care about.
106
240088
1914
de semmi mással nem törődnek.
04:14
A beautiful song can play,
107
242002
1578
Szólhat egy pompás dal,
04:15
a pretty girl could walk by,
108
243580
1434
elsétálhat egy csinos lány,
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
ezeket nem érdekli,
de amint meglátják egy "A"
de amint meglátják egy "A"
04:19
they get very excited and they say "crossbar,"
110
247860
3021
keresztvonalát, azonnal izgatottan
azt mondják, "keresztrúd",
azt mondják, "keresztrúd",
04:22
and they put out a high probability
111
250881
2112
és nagy valószínűséget helyeznek
04:24
on their output axon.
112
252993
1634
a kimeneti axonjukra.
04:26
That goes to the next level,
113
254627
1333
Az eljut a következő szintre
04:27
and these layers are organized in conceptual levels.
114
255960
2750
és ezek a rétegek
fogalmi szintekbe rendeződnek.
fogalmi szintekbe rendeződnek.
04:30
Each is more abstract than the next one,
115
258710
1856
Az egyik absztraktabb, mint a másik,
04:32
so the next one might say "capital A."
116
260566
2418
szóval az egyik azt mondhatja,
hogy "nagy A".
hogy "nagy A".
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
Ez egy szinttel feljebb jut,
ami azt mondhatja, hogy "Alma".
ami azt mondhatja, hogy "Alma".
04:37
Information flows down also.
118
265875
2167
Lefelé is áramlik az információ.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
Ha az alma felismerő látta, hogy "A-L-M",
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
akkor úgy vélheti, hogy
"Hmm, egy újabb A elég valószínű",
"Hmm, egy újabb A elég valószínű",
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
és leküld egy jelet
az összes "A" felismerőnek
az összes "A" felismerőnek
04:48
saying, "Be on the lookout for an E,
122
276761
1619
mondván, "számítsatok egy "A"-ra,
04:50
I think one might be coming."
123
278380
1556
azt hiszem, hogy mindjárt jön".
04:51
The E recognizers will lower their threshold
124
279936
2843
Az "A" felismerők csökkentik
a küszöbértéküket,
a küszöbértéküket,
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
silányságot látnak, ami lehetne "A" is.
04:56
Ordinarily you wouldn't think so,
126
284724
1490
Általában nem hinnéd,
04:58
but we're expecting an E, it's good enough,
127
286214
2009
de "A"-ra számítunk, ezért legyen,
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
igen, "A"-t láttam, és az alma szól
05:02
"Yeah, I've seen an Apple."
129
290040
1728
"Igen, almát láttam."
05:03
Go up another five levels,
130
291768
1746
Úgy öt szinttel feljebb lépve
már elég magas szintjén járunk
05:05
and you're now at a pretty high level
131
293514
1353
05:06
of this hierarchy,
132
294867
1569
a hierarchiának,
05:08
and stretch down into the different senses,
133
296436
2353
amely lenyúlik a különböző érzékeinkig,
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
és lehet egy modulod,
ami egy spéci szövet láttán
ami egy spéci szövet láttán
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
egy bizonyos hangszíntől,
egy parfüm hatására
egy parfüm hatására
05:16
and will say, "My wife has entered the room."
136
304288
2513
azt mondja, hogy
"A feleségem belépett a szobába."
"A feleségem belépett a szobába."
05:18
Go up another 10 levels, and now you're at
137
306801
1895
Menjünk fel még 10 szintet, most már
05:20
a very high level.
138
308696
1160
igen magas fokra.
05:21
You're probably in the frontal cortex,
139
309856
1937
Valószínűleg a frontális kéregben,
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
ahol modulok olyanokat mondanak,
mint "Ez ironikus volt.
mint "Ez ironikus volt.
05:27
That's funny. She's pretty."
141
315560
2370
Ez vicces volt. Ő csinos."
Azt gondolhatnánk,
hogy ezek még kifinomultabbak
hogy ezek még kifinomultabbak
05:29
You might think that those are more sophisticated,
142
317930
2105
de igazából az alattuk lévő hierarchia
05:32
but actually what's more complicated
143
320035
1506
05:33
is the hierarchy beneath them.
144
321541
2669
sokkal összetettebb.
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
Volt egy 16 éves lány,
aki agyműtéten esett át,
aki agyműtéten esett át,
05:38
and she was conscious because the surgeons
146
326830
2051
és eszméleténél volt, mert a sebészek
05:40
wanted to talk to her.
147
328881
1537
beszélni akartak vele.
05:42
You can do that because there's no pain receptors
148
330418
1822
Ez megoldható, mert nincsenek az agyban
05:44
in the brain.
149
332240
1038
fájdalomreceptorok.
05:45
And whenever they stimulated particular,
150
333278
1800
És amikor bizonyos, nagyon apró
05:47
very small points on her neocortex,
151
335078
2463
pontokat stimuláltak a neocortexén,
05:49
shown here in red, she would laugh.
152
337541
2665
ezek itt pirossal láthatóak,
akkor a lány nevetett.
akkor a lány nevetett.
05:52
So at first they thought they were triggering
153
340206
1440
Először azt hitték, hogy
05:53
some kind of laugh reflex,
154
341646
1720
valamilyen nevetési reflexre hatnak,
05:55
but no, they quickly realized they had found
155
343366
2519
de nem, hamarosan kiderült,
hogy megtalálták
hogy megtalálták
05:57
the points in her neocortex that detect humor,
156
345885
3044
a neocortex azon pontjait,
melyek a humort érzékelik,
melyek a humort érzékelik,
a lány így egyszerűen mindent
nevetségesnek talált
nevetségesnek talált
06:00
and she just found everything hilarious
157
348929
1969
06:02
whenever they stimulated these points.
158
350898
2437
amikor ezeket a pontokat stimulálták.
"Annyira viccesek vagytok,
ahogy itt álldogáltok!"
ahogy itt álldogáltok!"
06:05
"You guys are so funny just standing around,"
159
353335
1925
06:07
was the typical comment,
160
355260
1738
volt a jellemző megjegyzés,
06:08
and they weren't funny,
161
356998
2302
de nem voltak viccesek,
06:11
not while doing surgery.
162
359300
3247
legalábbis műtét közben nem.
06:14
So how are we doing today?
163
362547
4830
Szóval..., Hogy is állunk ma?
06:19
Well, computers are actually beginning to master
164
367377
3054
Nos, a számítógépek kezdik megérteni
06:22
human language with techniques
165
370431
2001
az emberi nyelvet, egy, a neocortexéhez
06:24
that are similar to the neocortex.
166
372432
2867
hasonló technikával.
06:27
I actually described the algorithm,
167
375299
1514
Elmagyaráztam az algoritmust,
06:28
which is similar to something called
168
376813
2054
amely hasonló az úgynevezett
06:30
a hierarchical hidden Markov model,
169
378867
2233
hierarchikusan rejtett Markov modellhez,
06:33
something I've worked on since the '90s.
170
381100
3241
amin már a '90-es évek óta dolgozom.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
A "Jeopardy" egy széles repertoárú
természetes nyelvi játék
természetes nyelvi játék
06:39
and Watson got a higher score
172
387579
1892
és Watson mégis több pontot szerzett,
06:41
than the best two players combined.
173
389471
2000
mint a két legjobb játékos együttvéve.
06:43
It got this query correct:
174
391471
2499
Ügyesen megválaszolta a következő kérdést:
06:45
"A long, tiresome speech
175
393970
2085
Hogy mondanád másként:
"Rokonszenves férfi gyógyszerész"?
[nem szó szerint!]
[nem szó szerint!]
06:48
delivered by a frothy pie topping,"
176
396055
2152
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
A gyors válasz így hangzott:
"Szimpatikus hím patikus."
"Szimpatikus hím patikus."
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
Jenningsnek és a másik
játékosnak ez nem sikerült.
játékosnak ez nem sikerült.
06:55
It's a pretty sophisticated example of
179
403638
1926
Ez egy elég kifinomult példája annak,
06:57
computers actually understanding human language,
180
405564
1914
hogy a számítógépek megértik a nyelvet,
06:59
and it actually got its knowledge by reading
181
407478
1652
sőt, tudásuk, a Wikipédia és más
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
enciklopédiák olvasásából ered.
07:04
Five to 10 years from now,
183
412915
2133
5-10 év múlva
07:07
search engines will actually be based on
184
415048
2184
a keresőmotorok már nem csak szavak
07:09
not just looking for combinations of words and links
185
417232
2794
és linkek kombinációjának
keresésével fog működni,
keresésével fog működni,
07:12
but actually understanding,
186
420026
1914
hanem tényleges megértés útján,
07:13
reading for understanding the billions of pages
187
421940
2411
elolvasva és megértve a weblapok, könyvek
07:16
on the web and in books.
188
424351
2733
oldalainak milliárdjait.
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
Szóval sétálgatás közben felugrik
a Google és mondja,
a Google és mondja,
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
"Tudod, Mary, néhány hónapja aggódtál,
07:24
to me a month ago that your glutathione supplement
191
432781
3019
hogy a glutathione kiegészítőd nem jut át
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
a vér-agy gáton. Nos, egy 13 másodperccel
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
ezelőtt megjelent kutatás
07:32
that shows a whole new approach to that
194
440624
1711
teljesen új módot módot javasol
07:34
and a new way to take glutathione.
195
442335
1993
a glutathione szervezetbe juttatására.
07:36
Let me summarize it for you."
196
444328
2562
Hadd foglaljam ezt neked össze."
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
Húsz év múlva nanobotjaink
[nano-robotok] lesznek,
[nano-robotok] lesznek,
07:42
because another exponential trend
198
450574
1627
mert egy másik exponenciális trend
07:44
is the shrinking of technology.
199
452201
1615
a technológia zsugorítása.
07:45
They'll go into our brain
200
453816
2370
Beleférkőznek majd az agyunkba
07:48
through the capillaries
201
456186
1703
a hajszálereken keresztül
07:49
and basically connect our neocortex
202
457889
2477
és gyakorlatilag bekötik a neocortexünket
07:52
to a synthetic neocortex in the cloud
203
460366
3185
egy felhőalapú szintetikus neocortexre,
07:55
providing an extension of our neocortex.
204
463551
3591
amely így a saját neocortexünk
kiterjesztéseként fog szolgálni.
kiterjesztéseként fog szolgálni.
07:59
Now today, I mean,
205
467142
1578
Mostanában, úgy értem
08:00
you have a computer in your phone,
206
468720
1530
számítógép van a telefonunkban,
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
de ha néhány másodpercre
10 000 számítógép kellene,
10 000 számítógép kellene,
08:05
to do a complex search,
208
473004
1495
egy bonyolult keresés lefuttatásához,
08:06
you can access that for a second or two in the cloud.
209
474499
3396
akkor a felhőn át elérhetjük azt
pár másodpercre.
pár másodpercre.
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
A 2030-as években ha egy kis
extra neocortexre lesz szükségünk,
extra neocortexre lesz szükségünk,
08:12
you'll be able to connect to that in the cloud
211
480990
2273
rákapcsolódhatunk a felhőre
08:15
directly from your brain.
212
483263
1648
egyenesen az agyunkból.
Éppen sétálok, és azt mondom,
08:16
So I'm walking along and I say,
213
484911
1543
08:18
"Oh, there's Chris Anderson.
214
486454
1363
"Ó, ott van Chris Anderson.
08:19
He's coming my way.
215
487817
1525
Felém jön.
08:21
I'd better think of something clever to say.
216
489342
2335
Valami leleményes dolgot kellene mondanom.
08:23
I've got three seconds.
217
491677
1524
Három másodpercem van,
08:25
My 300 million modules in my neocortex
218
493201
3097
a neocortexem 300 millió modulja
08:28
isn't going to cut it.
219
496298
1240
nem lesz elegendő.
08:29
I need a billion more."
220
497538
1246
Egy milliárd kell még."
08:30
I'll be able to access that in the cloud.
221
498784
3323
Hozzáférhetek majd a felhőn keresztül.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
És a gondolkodásunk,
akkor majd egy hibrid lesz,
akkor majd egy hibrid lesz,
08:36
of biological and non-biological thinking,
223
504919
3522
a biológiai és a nem-biológiai
gondolkodás hibridje,
gondolkodás hibridje,
08:40
but the non-biological portion
224
508441
1898
de a nem-biológiai része
08:42
is subject to my law of accelerating returns.
225
510339
2682
az általam alkotott
Gyorsuló Hozadék Törvényétől függ.
Gyorsuló Hozadék Törvényétől függ.
08:45
It will grow exponentially.
226
513021
2239
Exponenciálisan fog növekedni.
08:47
And remember what happens
227
515260
2016
Emlékezzünk csak, mi történt,
08:49
the last time we expanded our neocortex?
228
517276
2645
amikor legutóbb megnövesztettük
a neocortexünket?
a neocortexünket?
08:51
That was two million years ago
229
519921
1426
Kétmillió évvel ezelőtt volt,
08:53
when we became humanoids
230
521347
1236
mikor humanoidokká váltunk
08:54
and developed these large foreheads.
231
522583
1594
és kifejlődött a magas homlokunk.
08:56
Other primates have a slanted brow.
232
524177
2583
A többi főemlősnek döntött homloka van.
08:58
They don't have the frontal cortex.
233
526760
1745
Nincs frontális kérgük.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
A frontális kéreg viszont lényegében
nem minőségileg különböző.
nem minőségileg különböző.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
Ez csak a neocortex
mennyiségi kiterjedése,
mennyiségi kiterjedése,
09:06
but that additional quantity of thinking
236
534933
2703
de ez a plusz gondolkodás
09:09
was the enabling factor for us to take
237
537636
1779
volt az, ami lehetővé tette azt
09:11
a qualitative leap and invent language
238
539415
3346
a minőségi lépést,
hogy feltaláljuk a nyelvet
hogy feltaláljuk a nyelvet
09:14
and art and science and technology
239
542761
1967
a művészetet, a tudományt
és a technológiát
és a technológiát
09:16
and TED conferences.
240
544728
1454
és a TED-konferenciákat.
09:18
No other species has done that.
241
546182
2131
A többi faj nem tette meg ezeket.
09:20
And so, over the next few decades,
242
548313
2075
Tehát a következő néhány évtizedben
09:22
we're going to do it again.
243
550388
1760
újra megtesszük
09:24
We're going to again expand our neocortex,
244
552148
2274
Újra kibővítjük a neocortexünket,
09:26
only this time we won't be limited
245
554422
1756
de ezúttal nem korlátoz majd
09:28
by a fixed architecture of enclosure.
246
556178
4280
egy tároló fix mérete.
09:32
It'll be expanded without limit.
247
560458
3304
Határok nélkül fogjuk bővíteni.
Az extra mennyiségi ugrás
jelenti majd ismét azt,
jelenti majd ismét azt,
09:35
That additional quantity will again
248
563762
2243
09:38
be the enabling factor for another qualitative leap
249
566005
3005
hogy képesek leszünk
egy újabb minőségi lépésre
egy újabb minőségi lépésre
a kultúrában és a technológiában egyaránt.
09:41
in culture and technology.
250
569010
1635
09:42
Thank you very much.
251
570645
2054
Köszönöm szépen.
09:44
(Applause)
252
572699
3086
(Taps)
ABOUT THE SPEAKER
Ray Kurzweil - Inventor, futuristRay Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species.
Why you should listen
Inventor, entrepreneur, visionary, Ray Kurzweil's accomplishments read as a startling series of firsts -- a litany of technological breakthroughs we've come to take for granted. Kurzweil invented the first optical character recognition (OCR) software for transforming the written word into data, the first print-to-speech software for the blind, the first text-to-speech synthesizer, and the first music synthesizer capable of recreating the grand piano and other orchestral instruments, and the first commercially marketed large-vocabulary speech recognition.
Yet his impact as a futurist and philosopher is no less significant. In his best-selling books, which include How to Create a Mind, The Age of Spiritual Machines, The Singularity Is Near: When Humans Transcend Biology, Kurzweil depicts in detail a portrait of the human condition over the next few decades, as accelerating technologies forever blur the line between human and machine.
In 2009, he unveiled Singularity University, an institution that aims to "assemble, educate and inspire leaders who strive to understand and facilitate the development of exponentially advancing technologies." He is a Director of Engineering at Google, where he heads up a team developing machine intelligence and natural language comprehension.
Ray Kurzweil | Speaker | TED.com