TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
Daniel Susskind: Három hiedelem a munka jövőjéről (és miért hamisak)
Filmed:
Readability: 4.5
1,519,249 views
"Fölváltják-e gépek az embert?" Mindenkinek ez jár a fejében, ha a munka elvesztése fenyegeti. Daniel Susskind megvizsgálja a kérdést és az automatizált jövővel kapcsolatos három téves elképzelést, és más kérdést javasol: hogyan fogjuk elosztani a világban a jólétet, amikor kevesebb munka lesz, vagy egyáltalán nem lesz munka?
Daniel Susskind - Economist
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Double-click the English transcript below to play the video.
00:12
Automation anxiety
has been spreading lately,
has been spreading lately,
0
760
3376
Mind többet nyugtalankodunk, félünk
00:16
a fear that in the future,
1
4160
2656
a jövőbeni automatizálás miatt
az utóbbi időben,
az utóbbi időben,
00:18
many jobs will be performed by machines
2
6840
2456
miszerint sok munkát gépek végeznek
00:21
rather than human beings,
3
9320
1336
emberi lények helyett,
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
a mesterséges intelligenciában
és a robotikában
és a robotikában
00:25
in artificial intelligence and robotics.
5
13640
2776
figyelemre méltóan kibontakozó
fejlődés következtében.
fejlődés következtében.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
Annyi világos, hogy jelentős
változások várhatók.
változások várhatók.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
A változások természete
viszont kevésbé világos.
viszont kevésbé világos.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
Kutatásom azt mutatja, hogy a jövő
egyszerre aggasztó és lelkesítő.
egyszerre aggasztó és lelkesítő.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
A technológia okozta
munkanélküliség valódi,
munkanélküliség valódi,
00:43
and yet it's a good problem to have.
10
31640
2056
de mégis jó, hogy efféle gondunk van.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
Hogy elmagyarázzam,
hogyan jutottam e következtetésre,
hogyan jutottam e következtetésre,
00:48
I want to confront three myths
12
36960
2536
szembesülnünk kell három hiedelemmel,
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
amelyek elhomályosítják az automatizált
jövőről alkotott képünket.
jövőről alkotott képünket.
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
A tévében, könyvekben, filmekben,
00:59
in books, in films, in everyday commentary
15
47240
2216
a mindennapi említésekben
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
munkahelyeket elárasztó
robotok képe tárul elénk,
robotok képe tárul elénk,
01:05
with one goal in mind:
17
53200
1376
melyeknek egyedüli célja:
01:06
to displace human beings from their work.
18
54600
2496
elűzni munkahelyeikről az embereket.
01:09
And I call this the Terminator myth.
19
57120
2696
Ezt hívom terminátorhiedelemnek.
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
Igen, a gépek egyes foglalkozásokból
kiszorítják az embert,
kiszorítják az embert,
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
de nem csupán helyettesítik az embert.
01:18
They also complement them in other tasks,
22
66120
1976
Kibővítik a feladatkörüket,
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
és az elvégzett munka
értékesebb és fontosabb lesz.
értékesebb és fontosabb lesz.
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
Néha egyenesen kiegészítik az embert,
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
s bizonyos munkákat termelékenyebbé
és hatékonyabbá változtatnak.
és hatékonyabbá változtatnak.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
A taxis műholdas rendszert használhat,
mellyel ismeretlen utakon tájékozódhat.
mellyel ismeretlen utakon tájékozódhat.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
Az építész számítógépes
tervezőrendszert használhat
tervezőrendszert használhat
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
nagyobb, bonyolultabb épületekhez.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
De a műszaki fejlődés
nem csupán kiegészíti az embert.
nem csupán kiegészíti az embert.
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
Közvetett módon is kiegészíti,
mégpedig kétféleképpen.
mégpedig kétféleképpen.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
Az első: ha a gazdaságot
sütinek tekintjük,
sütinek tekintjük,
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
a műszaki fejlődés megnöveli a sütit.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
A termelékenység javulásával
a bevételek és a kereslet nő.
a bevételek és a kereslet nő.
01:59
The British pie, for instance,
34
107520
1776
Pl. a brit süti több mint százszorosa
02:01
is more than a hundred times
the size it was 300 years ago.
the size it was 300 years ago.
35
109320
3960
a 300 évvel ezelőttinek.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
A régi sütiből kiszorított
foglalkozású emberek
foglalkozású emberek
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
helyette az új sütiben
találhattak maguknak állást.
találhattak maguknak állást.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
A műszaki fejlődés
nemcsak megnöveli a sütit,
nemcsak megnöveli a sütit,
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
hanem összetevőit is megváltoztatja.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
Az idő előre haladtával az emberek
másként költik el jövedelmüket,
másként költik el jövedelmüket,
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
módosítva a meglévő javak
közötti megoszlását,
közötti megoszlását,
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
és kifejlődik a teljesen
új javak iránti ízlésük.
új javak iránti ízlésük.
02:29
New industries are created,
43
137200
1776
Új iparágak születnek,
02:31
new tasks have to be done
44
139000
1816
új feladatok várnak megoldásra,
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
ami gyakran új szerepeket jelent.
02:35
So again, the British pie:
46
143400
1496
Ismétlem, a brit süti:
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
300 éve a legtöbben a mezőgazdaságban,
02:39
150 years ago, in factories,
48
147920
2336
150 éve gyárakban dolgoztak,
02:42
and today, most people work in offices.
49
150280
2856
ma pedig zömmel irodákban dolgoznak.
02:45
And once again, people displaced
from tasks in the old bit of pie
from tasks in the old bit of pie
50
153160
4056
Ismétlem, a régi sütiben lévő
munkákból kiszorult emberek
munkákból kiszorult emberek
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
az új süti munkaköreibe kerülhettek.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
Közgazdászok ezt technológiai
komplementaritásnak hívják,
komplementaritásnak hívják,
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
de ez csak jópofa szó
a különböző módszerek leírására,
a különböző módszerek leírására,
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
amellyel a műszaki fejlődés
segíti az embert.
segíti az embert.
03:02
Resolving this Terminator myth
55
170520
2096
A terminátorhiedelem eloszlatása
azt mutatja,
azt mutatja,
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
hogy itt két erő szerepel:
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
az első a helyettesítő gép,
amely kárt okoz a munkásoknak,
amely kárt okoz a munkásoknak,
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
de a komplementaritás ellentétes hatású.
03:13
Now the second myth,
59
181960
1376
Íme a másik hiedelem,
03:15
what I call the intelligence myth.
60
183360
2280
amelyet intelligenciahiedelemnek hívok.
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
Mi a közös az autóvezetésben,
az orvosi diagnózis fölállításában
az orvosi diagnózis fölállításában
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
és madár röpke pillantással
való meghatározásában?
való meghatározásában?
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
E feladatokról a legutóbbi időkig
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
vezető közgazdászok azt hitték,
hogy nem könnyen automatizálhatók.
hogy nem könnyen automatizálhatók.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
Ma mégis, mindezeket a feladatokat
lehet automatizálni.
lehet automatizálni.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
Minden nagy autógyártónak
van vezető nélküli programja.
van vezető nélküli programja.
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
Számtalan rendszer képes
orvosi diagnosztikára.
orvosi diagnosztikára.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
Még alkalmazás is létezik,
amely röpke pillantással
amely röpke pillantással
03:46
at a fleeting glimpse.
69
214800
1200
képes madarak maghatározására.
03:48
Now, this wasn't simply a case of bad luck
on the part of economists.
on the part of economists.
70
216920
4376
A közgazdászoknak
ez nem csupán peche volt.
ez nem csupán peche volt.
03:53
They were wrong,
71
221320
1296
Tévedtek,
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
és nagyon lényeges, amiért tévedtek.
03:57
They've fallen for the intelligence myth,
73
225160
2256
Az intelligenciahiedelem csapdájába estek,
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
miszerint a gépeknek másolniuk kell
04:02
that human beings think and reason
75
230360
2056
az emberi gondolkodást és értelmet,
04:04
in order to outperform them.
76
232440
1776
hogy túltegyenek rajta.
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
Mikor a közgazdászok igyekeztek rájönni,
mely feladatokat képtelenek
gépek megoldani,
gépek megoldani,
04:08
what tasks machines could not do,
78
236480
1856
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
a feladatautomatizálás egyetlen
módszerének ezt tartották:
módszerének ezt tartották:
04:12
was to sit down with a human being,
80
240520
1816
magyaráztassuk el valakivel,
04:14
get them to explain to you
how it was they performed a task,
how it was they performed a task,
81
242360
3536
ő hogyan végezné el a feladatot,
04:17
and then try and capture that explanation
82
245920
2656
aztán a magyarázatot fordítsuk le
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
a gépnek érthető utasítások sorozatára.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
E nézet a mesterséges intelligencia
területén is népszerű volt.
területén is népszerű volt.
04:27
I know this because Richard Susskind,
85
255600
2176
Azért tudom, mert apám és társszerzőm,
04:29
who is my dad and my coauthor,
86
257800
2856
Richard Susskind az 1980-as években
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
doktoriját az MI-ből és jogból írta
04:36
at Oxford University,
88
264760
1416
az Oxfordi Egyetemen.
04:38
and he was part of the vanguard.
89
266200
1576
Az élharcosok közé tartozott.
04:39
And with a professor called Phillip Capper
90
267800
2256
Phillip Capper professzorral közösen,
04:42
and a legal publisher called Butterworths,
91
270080
2096
a Butterworths jogi kiadó révén
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
elkészítették a világ első,
kereskedelemben kapható
kereskedelemben kapható
04:50
artificial intelligence system in the law.
93
278120
2776
jogi MI-rendszerét.
04:52
This was the home screen design.
94
280920
2616
Ez volt a főképernyője.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
Apám arról győzköd, hogy akkoriban
ez menő képernyő volt.
ez menő képernyő volt.
04:58
(Laughter)
96
286280
1016
(Nevetés)
04:59
I've never been entirely convinced.
97
287320
1696
Nem győzött meg teljesen.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
Két hajlékony lemezen
jelentette meg a rendszert,
jelentette meg a rendszert,
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
mikor még azok tényleg hajlékonyak voltak.
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
Fölfogása egyezett a közgazdászokéval:
05:09
sit down with a lawyer,
101
297600
1256
fogj egy jogászt,
05:10
get her to explain to you
how it was she solved a legal problem,
how it was she solved a legal problem,
102
298880
3176
magyaráztasd el, hogyan szokott
jogi feladatokat megoldani,
jogi feladatokat megoldani,
05:14
and then try and capture that explanation
in a set of rules for a machine to follow.
in a set of rules for a machine to follow.
103
302080
5376
aztán a magyarázatot foglald
a gép által követendő szabályokba.
a gép által követendő szabályokba.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
A közgazdaságban, ha az ember
így meg tudja magát értetni,
így meg tudja magát értetni,
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
ezeket rutinfeladatnak nevezik,
és azok automatizálhatók.
és azok automatizálhatók.
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
De ha nem képesek megértetni magukat,
05:28
the tasks are called non-routine,
and they're thought to be out reach.
and they're thought to be out reach.
107
316800
4256
a feladatokat nem szokványosnak nevezik,
és megoldhatatlannak tartják.
és megoldhatatlannak tartják.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
Manapság közkeletű a rutin
és a nem szokványos megkülönböztetése.
és a nem szokványos megkülönböztetése.
05:36
Think how often you hear people say to you
109
324400
2056
Milyen gyakran hallhatjuk:
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
"a gépek csak előre meghatározható,
ismétlődő, szabályokba foglalható
ismétlődő, szabályokba foglalható
s jól definiált feladatokkal boldogulnak".
05:41
rules-based or well-defined.
111
329760
1896
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
Ezek csupán a rutin szó szinonimái.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
Térjünk vissza az elején
említett három esethez!
említett három esethez!
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
Ezek mind hagyományos
nem szokványos esetek.
nem szokványos esetek.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
Kérdezzük orvosunkat,
hogyan állít föl diagnózist!
hogyan állít föl diagnózist!
05:56
and she might be able
to give you a few rules of thumb,
to give you a few rules of thumb,
116
344560
2656
Tán fölsorol néhány ökölszabályt,
05:59
but ultimately she'd struggle.
117
347240
1656
de végül kínban lesz.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
Azt mondaná, hogy kreativitás,
ítélőképesség és ráérzés kell hozzá.
ítélőképesség és ráérzés kell hozzá.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
Igen bonyolult ezeket megfogalmazni,
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
ezért gondolták, hogy az efféle
feladatokat nehéz automatizálni.
feladatokat nehéz automatizálni.
06:11
If a human being can't explain themselves,
121
359280
2536
Ha az ember nem képes megértetni magát,
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
hogy az ördögbe lássunk hozzá
gépek által végrehajtható
utasítások megírásához?
utasítások megírásához?
06:16
for a machine to follow?
123
364760
1200
06:18
Thirty years ago, this view was right,
124
366640
2576
Harminc éve e nézet helyes volt,
06:21
but today it's looking shaky,
125
369240
2136
de ma bizonytalannak tűnik,
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
és a jövőben pusztán hibás lesz.
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
A feldolgozási teljesítmény,
az adattárolási képesség
az adattárolási képesség
06:28
and in algorithm design
128
376960
1656
és az algoritmustervezés fejlődése
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
azt jelenti, hogy a rutin és a nem
szokványos közötti különbség
szokványos közötti különbség
06:33
is diminishingly useful.
130
381160
1736
elhanyagolható lesz.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
Ennek megértéséhez lássuk ismét
a diagnózisfölállítás esetét!
a diagnózisfölállítás esetét!
06:38
Earlier in the year,
132
386200
1376
Az év elején
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
stanfordi tudósok bejelentették,
hogy rendszer fejlesztettek ki,
hogy rendszer fejlesztettek ki,
amely a legjobb bőrgyógyász
pontosságával mondja meg,
pontosságával mondja meg,
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
06:46
as accurately as leading dermatologists.
135
394000
2680
hogy egy folt rákos jellegű-e.
06:49
How does it work?
136
397280
1256
Hogyan?
06:50
It's not trying to copy the judgment
or the intuition of a doctor.
or the intuition of a doctor.
137
398560
5296
Nem próbálja orvos ítélőképességét
vagy megérzését másolni.
vagy megérzését másolni.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
Fogalma sincs az orvostudományról.
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
129 450 korábbi eseten alapuló
07:01
through 129,450 past cases,
140
409640
4656
mintafelismerő algoritmust használ.
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
Az adott esetek és a konkrét elváltozás
07:09
and the particular lesion in question.
142
417440
2080
közötti hasonlóságokat keresi.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
Feladatát nem emberi módszerrel végzi,
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
hanem több lehetséges eset elemzésével,
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
mint amennyi bármely
orvos elé kerülhet élete során.
orvos elé kerülhet élete során.
07:20
It didn't matter that that human being,
146
428320
1896
Nem volt jelentősége,
hogy orvos nem volt képes elmagyarázni,
hogyan végzi a munkát.
hogyan végzi a munkát.
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
Vannak, akik azt firtatják,
hogy e gépek nem a képünkre
lettek megalkotva.
lettek megalkotva.
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
07:30
As an example, take IBM's Watson,
150
438320
2056
Pl. ott van az IBM Watson
nevű szuperszámítógépe,
nevű szuperszámítógépe,
07:32
the supercomputer that went
on the US quiz show "Jeopardy!" in 2011,
on the US quiz show "Jeopardy!" in 2011,
151
440400
4856
amely részt vett 2011-ben
az USA Jeopardy! c. kvízműsorában,
az USA Jeopardy! c. kvízműsorában,
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
és legyőzte a két bajnokot.
07:40
The day after it won,
153
448320
1696
A győzelmet követő napon
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
a The Wall Street Journal közölte
John Searle filozófus cikkét e címmel:
John Searle filozófus cikkét e címmel:
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
"Watson nem tudja,
hogy nyert a Jeopardyban".
hogy nyert a Jeopardyban".
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
Remek cikk, ráadásul igaz is.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
Watson nem hallatott diadalüvöltést.
07:53
It didn't call up its parents
to say what a good job it had done.
to say what a good job it had done.
158
461240
3096
Nem újságolta el szüleinek remek sikerét.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
Nem tért be a kocsmába egy italra.
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
A rendszer nem igyekezett más
versenyző viselkedését másolni,
versenyző viselkedését másolni,
08:03
but it didn't matter.
161
471200
1256
de ez nem is számít.
08:04
It still outperformed them.
162
472480
1976
Mégis túltett rajtuk.
08:06
Resolving the intelligence myth
163
474480
1576
Az intelligenciahiedelem
eloszlatása jelzi,
eloszlatása jelzi,
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
hogy az emberi intelligencia
tökéletlen megértése,
tökéletlen megértése,
08:11
about how we think and reason,
165
479480
1896
a hogyan gondolkodunk és okoskodunk
08:13
is far less of a constraint
on automation than it was in the past.
on automation than it was in the past.
166
481400
3456
ma sokkal kevésbé akadálya
az automatizálásnak, mint a múltban.
az automatizálásnak, mint a múltban.
08:16
What's more, as we've seen,
167
484880
1496
Továbbá az is látható,
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
hogy e gépek az emberhez képest
másként végzik feladatukat.
másként végzik feladatukat.
08:21
there's no reason to think
169
489840
1256
Nincs okunk azt hinni,
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
hogy amire ma az ember képes,
08:25
represents any sort of summit
171
493680
1456
a csúcsát jelenti annak,
08:27
in what these machines
might be capable of doing in the future.
might be capable of doing in the future.
172
495160
3000
amit e gépek tán megtehetnek a jövőben.
08:31
Now the third myth,
173
499040
1256
Lássuk a harmadikat,
08:32
what I call the superiority myth.
174
500320
2456
amit én felsőbbrendűségi
hiedelemnek hívok!
hiedelemnek hívok!
08:34
It's often said that those who forget
175
502800
2216
Gyakran elhangzik,
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
hogy aki elfeledkezik
a műszaki fejlődés jó oldalairól,
a műszaki fejlődés jó oldalairól,
08:39
those complementarities from before,
177
507520
2496
az említett komplementaritásról,
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
az ún. téves következtetésre jut
a munkamennyiségről.
a munkamennyiségről.
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
A munkamennyiségről
vallott téves következtetés
vallott téves következtetés
08:48
is itself a fallacy,
180
516159
1496
önmagában is tévedés.
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
Ezt hívom a munkamennyiség
téves következtetése tévedésének,
téves következtetése tévedésének,
08:52
or LOLFF, for short.
182
520640
2320
vagy röviden LOLFF-nak
08:56
Let me explain.
183
524000
1416
Megmagyarázom.
A munkamennyiségről
vallott téves következtetés igen régi.
vallott téves következtetés igen régi.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
08:59
It was a British economist, David Schloss,
who gave it this name in 1892.
who gave it this name in 1892.
185
527600
4216
David Schloss brit közgazdász
nevezte így el 1892-ben.
nevezte így el 1892-ben.
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
Zavarba jött, amikor találkozott
az egyik dokkmunkással,
az egyik dokkmunkással,
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
aki csavaralátét-készítő
gépet kezdett használni.
gépet kezdett használni.
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
Az alátét csavarokhoz használt
gyűrű alakú fém alkatrész.
gyűrű alakú fém alkatrész.
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
A dokkmunkás bűntudatot érzett,
amiért termelékenyebb.
amiért termelékenyebb.
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
Többnyire az ellenkezőjére számítunk:
azért éreznek bűntudatot,
mert nem termelékenyek,
mert nem termelékenyek,
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
mert pl. túl sokat kütyüznek a munkában.
De a munkás azért érzett bűntudatot,
mert termelékenyebb.
mert termelékenyebb.
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
Ezzel indokolta:
"Tudom, hogy rosszat teszek.
"Tudom, hogy rosszat teszek.
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
09:29
I'm taking away the work of another man."
195
557920
2040
Elveszem mások munkáját."
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
Tudatában bizonyos
fix munkamennyiség oszlott meg
fix munkamennyiség oszlott meg
09:35
to be divided up between him and his pals,
197
563760
2136
közte és társai között,
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
ezért ha géppel többet termel,
09:40
there'd be less left for his pals to do.
199
568000
2016
társainak kevesebb marad.
09:42
Schloss saw the mistake.
200
570040
1856
Schloss meglátta a hibát.
09:43
The lump of work wasn't fixed.
201
571920
1856
A munkamennyiség nem állandó.
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
A munkás gépet használt,
és termelékenyebb lett.
és termelékenyebb lett.
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
Az alátétek ára esni fog,
a kereslet iránta megnő,
a kereslet iránta megnő,
09:51
more washers would have to be made,
204
579640
1696
több alátét készül,
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
és így több munka jut a társainak.
09:55
The lump of work would get bigger.
206
583480
1696
A munkamennyiség megnő.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
Schloss ezt "a munkamennyiségről
vallott téves következtetés"-nek hívta.
vallott téves következtetés"-nek hívta.
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
E téves következtetésről
beszélnek az emberek,
beszélnek az emberek,
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
amikor bármiféle munka jövőjéről van szó.
Nem létezik gépek és az ember között
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
megosztandó fix mennyiségű munka.
10:08
between people and machines.
211
596440
1376
Igen, a gépek fölváltják az embert,
elvégezve ugyanazt a munkát,
elvégezve ugyanazt a munkát,
10:09
Yes, machines substitute for human beings,
making the original lump of work smaller,
making the original lump of work smaller,
212
597840
4656
de ki is egészítik az embert,
10:14
but they also complement human beings,
213
602520
1856
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
és a munkamennyiség
nagyobb lesz és változik.
nagyobb lesz és változik.
10:19
But LOLFF.
215
607760
1616
De itt a LOLFF.
10:21
Here's the mistake:
216
609400
1376
Itt a hiba:
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
odáig helyes, hogy a műszaki fejlődés
10:25
makes the lump of work to be done bigger.
218
613040
1976
megnöveli az elvégzendő munkamennyiséget.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
Egyes munkák értékesebbé válnak.
Új feladatok keletkeznek.
Új feladatok keletkeznek.
10:30
But it's wrong to think that necessarily,
220
618080
2536
Ám hiba lenne azt gondolni,
hogy szükségképpen az embernek
kell ellátnia azokat a feladatokat.
kell ellátnia azokat a feladatokat.
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
10:35
And this is the superiority myth.
222
623920
1616
Ez a felsőbbrendűségi hiedelem.
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
Igen, a munkamennyiség
megnőhet és változhat,
megnőhet és változhat,
10:41
but as machines become more capable,
224
629000
1976
de ahogy a gépek többre lesznek képesek,
10:43
it's likely that they'll take on
the extra lump of work themselves.
the extra lump of work themselves.
225
631000
3896
valószínű, hogy azok végzik el
a többletmunkát is.
a többletmunkát is.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
A műszaki fejlődés
nem az embert egészíti ki,
nem az embert egészíti ki,
10:50
complements machines instead.
227
638200
1880
hanem a gépeket.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
Ennek megértéséhez
menjünk vissza az autóvezetéshez.
menjünk vissza az autóvezetéshez.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
Ma a műholdas navigációs rendszerek
közvetlenül kiegészítik az embert.
közvetlenül kiegészítik az embert.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
Egyes embereket jobb vezetővé tesznek.
11:02
But in the future,
231
650920
1256
De a jövőben
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
a szoftver kiszorítja
a vezetőülésről az embert,
a vezetőülésről az embert,
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
és e rendszerek az emberek
kiegészítése helyett
kiegészítése helyett
egyszerűen a vezető nélküli autókat
változtatják hatékonyabbá,
változtatják hatékonyabbá,
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
a gépeket segítve.
11:12
helping the machines instead.
235
660840
1536
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
Vagy nézzük az említett
közvetett komplementaritás esetét is.
közvetett komplementaritás esetét is.
11:18
The economic pie may get larger,
237
666480
1776
A gazdasági süti talán megnő,
de ahogy a gépek többre lesznek képesek,
11:20
but as machines become more capable,
238
668280
1736
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
meglehet, hogy bármely új kereslet
olyan árucikkeket érint,
olyan árucikkeket érint,
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
amelyek termelésére a gépek
alkalmasabbak lesznek.
alkalmasabbak lesznek.
11:27
The economic pie may change,
241
675880
1896
A gazdasági süti talán megváltozik,
11:29
but as machines become more capable,
242
677800
1896
de ahogy a gépek többre lesznek képesek,
11:31
it's possible that they'll be best placed
to do the new tasks that have to be done.
to do the new tasks that have to be done.
243
679720
4856
lehet, hogy az új feladatokra
gépeket jobb lesz beállítani.
gépeket jobb lesz beállítani.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
Röviden: feladatok iránti igény nem azonos
az emberi munka irántival.
az emberi munka irántival.
11:40
Human beings only stand to benefit
245
688320
1936
Az ember csak akkor kovácsolhat előnyt,
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
ha minden kiegészítő feladatban
megtartja előnyét,
megtartja előnyét,
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
de ahogy a gépek többre lesznek képesek,
ez kevésbé lesz valószínű.
ez kevésbé lesz valószínű.
11:50
So what do these three myths tell us then?
248
698760
2016
Miről árulkodik e három hiedelem?
A terminátor-hiedelem
eloszlatása azt mutatja,
eloszlatása azt mutatja,
11:52
Well, resolving the Terminator myth
249
700800
1696
11:54
shows us that the future of work depends
upon this balance between two forces:
upon this balance between two forces:
250
702520
3696
hogy a munka jövője
két erő egyensúlyától függ:
két erő egyensúlyától függ:
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
a helyettesítő gépektől,
melyek ártanak a munkásoknak,
melyek ártanak a munkásoknak,
de az ellenkező hatást kiváltó
komplementaritásoktól is.
komplementaritásoktól is.
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
A mérleg eddig az ember felé billent.
12:09
But resolving the intelligence myth
254
717120
1736
Ám az intelligenciahiedelem arra utal,
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
hogy az első erő,
a helyettesítő gépek ereje gyarapszik.
12:13
is gathering strength.
256
721400
1296
12:14
Machines, of course, can't do everything,
257
722720
1976
A gépek persze nem mindenre képesek,
12:16
but they can do far more,
258
724720
1256
de sokkal többet tehetnek,
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
ha egyre mélyebben merészkednek
az emberi tevékenység birodalmába.
az emberi tevékenység birodalmába.
12:22
What's more, there's no reason to think
260
730600
1896
Továbbá, nincs okunk föltételezni,
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
hogy amire ma az ember képes,
12:26
represents any sort of finishing line,
262
734760
1856
a végső határt jelenti,
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
mely előtt a gépek előzékenyen megállnak,
12:30
once they're as capable as us.
264
738920
1816
ha ugyanarra lesznek képesek, mint mi.
12:32
Now, none of this matters
265
740760
1536
Mindaddig ez nem számít,
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
amíg a komplementaritás jótékony szelei
12:37
blow firmly enough,
267
745160
1736
elég erősen fújnak,
12:38
but resolving the superiority myth
268
746920
1936
de a felsőbbrendűségi
hiedelem arra utal,
hiedelem arra utal,
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
hogy a gépek térnyerése a feladatokban
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
nemcsak erősíti
a helyettesítő gépek erejét,
a helyettesítő gépek erejét,
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
hanem a komplementaritás
jótékony hatását is fölmorzsolja.
jótékony hatását is fölmorzsolja.
12:51
Bring these three myths together
272
759320
1936
Ha e három hiedelmet összerakjuk,
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
pillantást vethetünk az aggasztó jövőre.
12:56
Machines continue to become more capable,
274
764240
2016
A gépek egyre többre lesznek képesek,
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
egyre mélyebben merészkedve
az emberi tevékenységekbe,
az emberi tevékenységekbe,
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
fokozva a helyettesítő gépek erejét,
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
gyengítve a gépek kiegészítő erejét.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
Egykor majd a mérleg az emberről
13:12
rather than human beings.
279
780520
2056
a gépek felé billen.
13:14
This is the path we're currently on.
280
782600
1736
Ma ezen az úton járunk.
13:16
I say "path" deliberately,
because I don't think we're there yet,
because I don't think we're there yet,
281
784360
3176
Szándékosan mondok utat,
mert bár még nem értünk célt,
mert bár még nem értünk célt,
13:19
but it is hard to avoid the conclusion
that this is our direction of travel.
that this is our direction of travel.
282
787560
3640
de nehéz elkerülni a következtetést,
hogy ez az útirányunk.
hogy ez az útirányunk.
13:24
That's the troubling part.
283
792640
1456
Ez a dolog aggasztó része.
13:26
Let me say now why I think actually
this is a good problem to have.
this is a good problem to have.
284
794120
3520
Megmondom, miért jó ezzel foglalkozni.
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
Történelmünk során egyetlen
gazdasági kérdés volt előtérben:
gazdasági kérdés volt előtérben:
13:34
how to make the economic pie
large enough for everyone to live on.
large enough for everyone to live on.
286
802080
4056
hogyan növeljük elég naggyá a gazdasági
sütit, hogy mindenkinek jusson belőle.
sütit, hogy mindenkinek jusson belőle.
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
Menjünk vissza az első századfordulóig.
13:40
and if you took the global economic pie
288
808360
2096
Ha a Föld gazdasági sütijét
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
egyforma szeletekre vágjuk,
hogy mindenkinek jusson belőle,
hogy mindenkinek jusson belőle,
13:45
everyone would get a few hundred dollars.
290
813800
2136
egy-egy embernek pár száz dollár jutna.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
Majdnem mindenki
a szegénységi küszöb táján élne.
a szegénységi küszöb táján élne.
13:51
And if you roll forward a thousand years,
292
819320
2176
Ezer év múltán
majdnem ugyanaz a helyzet.
13:53
roughly the same is true.
293
821520
1240
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
De az utóbbi évszázadokban
a gazdasági növekedés fölgyorsult.
a gazdasági növekedés fölgyorsult.
13:59
Those economic pies have exploded in size.
295
827280
2376
A gazdasági süti robbanásszerűen nőtt.
14:01
Global GDP per head,
296
829680
2056
A világ egy főre eső GDP-je,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
egy-egy mai sütiszelet
14:07
they're about 10,150 dollars.
298
835160
2816
mintegy 10 150 dollár.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
Ha a gazdasági fejlődés üteme
kétszázalékos marad,
kétszázalékos marad,
gyermekeink nálunk
kétszer gazdagabbak lesznek.
kétszer gazdagabbak lesznek.
14:12
our children will be twice as rich as us.
300
840720
2056
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
Ha gyengébb, csak egyszázalékos lesz,
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
unokáink lesznek nálunk
kétszer gazdagabbak.
kétszer gazdagabbak.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
Nagyjából megoldottuk
a hagyományos gazdasági problémát.
a hagyományos gazdasági problémát.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
Ha mégis előáll
a technológiai munkanélküliség,
a technológiai munkanélküliség,
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
az a siker furcsa tünete lesz
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
és egy gondot old meg, nevezetesen:
hogyan növeljük meg a sütit,
hogyan növeljük meg a sütit,
14:34
but replaced it with another --
307
862360
1816
de a helyébe másik lép:
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
miként gondoskodjunk róla,
hogy mindenkinek jusson egy szelet.
hogy mindenkinek jusson egy szelet.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
Más közgazdászok megjegyezték:
a feladat megoldása nem lesz könnyű.
a feladat megoldása nem lesz könnyű.
14:43
Today, for most people,
310
871360
1656
Jelenleg az emberek zöme számára
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
az állása belépő
a gazdasági vacsoraasztalhoz,
a gazdasági vacsoraasztalhoz,
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
és ha kevesebb munka lesz
vagy egyáltalán nem lesz,
vagy egyáltalán nem lesz,
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
kétséges, honnan kapják szeletüket.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
Tág tere van a vitának például
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
a feltétel nélküli alapjövedelem
különféle formáiról,
különféle formáiról,
ami az egyik lehető megközelítés,
14:57
as one possible approach,
316
885160
1216
14:58
and there's trials underway
317
886400
1616
és folynak próbálkozások
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
az USA-ban, Finnországban és Kenyában.
15:03
And this is the collective challenge
that's right in front of us,
that's right in front of us,
319
891000
3176
Ez közös, küszöbön álló kihívásunk,
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
hogy rájöjjünk, a gazdasági rendszerünk
teremtette anyagi boldogulást
teremtette anyagi boldogulást
15:11
can be enjoyed by everyone
321
899280
1976
hogyan élvezhetné mindenki
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
olyan világban,
amelyben a sütiszeletelés
hagyományos mechanizmusa,
hagyományos mechanizmusa,
15:15
for slicing up the pie,
323
903720
1856
15:17
the work that people do,
324
905600
1936
az emberek által végzett munka
15:19
withers away and perhaps disappears.
325
907560
2160
elsorvad és tán el is tűnik.
15:22
Solving this problem is going to require
us to think in very different ways.
us to think in very different ways.
326
910280
4360
A problémamegoldás más
gondolkodásmódot igényel.
gondolkodásmódot igényel.
15:27
There's going to be a lot of disagreement
about what ought to be done,
about what ought to be done,
327
915400
4176
Sok vita lesz még a lehetséges teendőkről,
15:31
but it's important to remember
that this is a far better problem to have
that this is a far better problem to have
328
919600
3416
de tartsuk észben, hogy ez
sokkal kellemesebb probléma,
sokkal kellemesebb probléma,
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
mint ami elődeinket gyötörte századokig:
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
hogyan növeljék meg elsősorban a sütit.
15:41
Thank you very much.
331
929280
1256
Köszönöm szépen.
15:42
(Applause)
332
930560
3840
(Taps)
ABOUT THE SPEAKER
Daniel Susskind - EconomistDaniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society.
Why you should listen
Daniel Susskind is the co-author, with Richard Susskind, of the best-selling book, The Future of the Professions, and a Fellow in Economics at Balliol College, Oxford University. He is currently finishing his latest book, on the future of work. Previously, he worked in the British Government -- as a policy adviser in the Prime Minister's Strategy Unit, as a policy analyst in the Policy Unit in 10 Downing Street, and as a senior policy adviser in the Cabinet Office. Susskind received a doctorate in economics from Oxford University and was a Kennedy Scholar at Harvard University.
Daniel Susskind | Speaker | TED.com