TED2014
Ray Kurzweil: Get ready for hybrid thinking
Ray Kurzweil: Preparatevi al pensiero ibrido
Filmed:
Readability: 4.4
3,548,296 views
Duecento milioni di anni fa, i nostri antenati mammiferi hanno sviluppato una nuova caratteristica del cervello: la neurocorteccia. Questo pezzetto di tessuto della misura di un francobollo (avvolto attorno ad un cervello delle dimensioni di una noce) è la chiave di quel che è diventata l'umanità.
Il futurista Ray Kurzweil suggerisce che dobbiamo prepararci ad un nuovo grande balzo nel potere del cervello, non appena attingeremo alla potenza di calcolo del cloud.
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
Lasciatemi raccontare una storia.
00:15
It goes back 200 million years.
1
3304
1799
Risale a 200 milioni di anni fa.
00:17
It's a story of the neocortex,
2
5103
1984
È la storia della neocorteccia
00:19
which means "new rind."
3
7087
1974
che in latino significa
letteralmente "nuova corteccia".
letteralmente "nuova corteccia".
00:21
So in these early mammals,
4
9061
2431
Nei primi mammiferi,
00:23
because only mammals have a neocortex,
5
11492
2055
poiché solo i mammiferi
hanno una neocorteccia,
hanno una neocorteccia,
00:25
rodent-like creatures.
6
13547
1664
creature simili ai roditori,
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
era della misura di un francobollo
ed ugualmente sottile,
ed ugualmente sottile,
00:30
and was a thin covering around
8
18790
1439
era semplicemente
uno strato sottile che ricopriva
uno strato sottile che ricopriva
00:32
their walnut-sized brain,
9
20229
2264
un cervello grande come una noce,
00:34
but it was capable of a new type of thinking.
10
22493
3701
eppure li rendeva capaci
di un nuovo tipo di pensiero.
di un nuovo tipo di pensiero.
00:38
Rather than the fixed behaviors
11
26194
1567
Oltre ai comportamenti invariabili,
00:39
that non-mammalian animals have,
12
27761
1992
che hanno gli animali non mammiferi,
00:41
it could invent new behaviors.
13
29753
2692
permetteva di inventare
nuovi comportamenti:
nuovi comportamenti:
00:44
So a mouse is escaping a predator,
14
32445
2553
un topo sta scappando da un predatore,
00:46
its path is blocked,
15
34998
1540
ha la strada bloccata,
00:48
it'll try to invent a new solution.
16
36538
2129
prova ad inventare una nuova soluzione,
00:50
That may work, it may not,
17
38667
1266
che potrebbe funzionare oppure no,
00:51
but if it does, it will remember that
18
39933
1910
ma se funziona, lo ricorderà
00:53
and have a new behavior,
19
41843
1292
e avrà acquisito
un nuovo comportamento
un nuovo comportamento
00:55
and that can actually spread virally
20
43135
1457
che potrà diffondersi come un virus
00:56
through the rest of the community.
21
44592
2195
nel resto della comunità.
00:58
Another mouse watching this could say,
22
46787
1609
Un altro topo potrebbe guardarlo e dire
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
"Ehi, ma che cosa intelligente
fare il giro di quella roccia."
fare il giro di quella roccia."
01:03
and it could adopt a new behavior as well.
24
51100
3725
e potrebbe adottare anche lui
un nuovo comportamento.
un nuovo comportamento.
01:06
Non-mammalian animals
25
54825
1717
Animali non mammiferi
01:08
couldn't do any of those things.
26
56542
1713
non potevano fare niente di tutto questo.
01:10
They had fixed behaviors.
27
58255
1215
Avevano comportamenti fissi.
01:11
Now they could learn a new behavior
28
59470
1331
A dire il vero, potevano imparare
un nuovo comportamento,
un nuovo comportamento,
01:12
but not in the course of one lifetime.
29
60801
2576
ma non nel corso di un'unica vita.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
Forse nel corso di migliaia di vite
01:17
it could evolve a new fixed behavior.
31
65144
3330
poteva persino evolversi
un nuovo comportamento.
un nuovo comportamento.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
Questo andava benissimo
200 milioni di anni fa.
200 milioni di anni fa.
01:23
The environment changed very slowly.
33
71851
1981
L'ambiente cambiava molto lentamente
01:25
It could take 10,000 years for there to be
34
73832
1554
potevano volerci 10 000 di anni prima
01:27
a significant environmental change,
35
75386
2092
che si verificasse
un cambiamento ambientale
un cambiamento ambientale
01:29
and during that period of time
36
77478
1382
e durante questo lasso di tempo
01:30
it would evolve a new behavior.
37
78860
2929
potevano sviluppare
un nuovo comportamento.
un nuovo comportamento.
01:33
Now that went along fine,
38
81789
1521
Fino ad ora questo aveva funzionato,
01:35
but then something happened.
39
83310
1704
ma poi qualcosa è successo.
01:37
Sixty-five million years ago,
40
85014
2246
Sessantacinque milioni di anni fa,
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
ci fu un improvviso e violento
cambiamento nell'ambiente.
cambiamento nell'ambiente.
01:41
We call it the Cretaceous extinction event.
42
89875
3505
Si chiama estinzione
di massa del Cretaceo.
di massa del Cretaceo.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
Fu quando si estinsero i dinosauri,
01:47
that's when 75 percent of the
44
95673
3449
cioè quando il 75 per cento
01:51
animal and plant species went extinct,
45
99122
2746
delle specie animali
e delle piante si estinsero,
e delle piante si estinsero,
01:53
and that's when mammals
46
101868
1745
ed è quando i mammiferi
01:55
overtook their ecological niche,
47
103613
2152
superarono la loro nicchia ecologica
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
per antropomorfizzare,
l'evoluzione biologica disse,
l'evoluzione biologica disse,
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
"Questa neurocorteccia
è roba piuttosto buona"
è roba piuttosto buona"
02:03
and it began to grow it.
50
111444
1793
e cominciò a farla crescere.
02:05
And mammals got bigger,
51
113237
1342
Così i mammiferi
sono diventati più grandi,
sono diventati più grandi,
02:06
their brains got bigger at an even faster pace,
52
114579
2915
il loro cervello è cresciuto
persino ad una velocità superiore
persino ad una velocità superiore
02:09
and the neocortex got bigger even faster than that
53
117494
3807
e la neurocorteccia è cresciuta
ad una velocità anche superiore
ad una velocità anche superiore
02:13
and developed these distinctive ridges and folds
54
121301
2929
e ha sviluppato queste peculiari
creste ed ondulazioni
creste ed ondulazioni
02:16
basically to increase its surface area.
55
124230
2881
fondamentalmente per
aumentarne la superficie.
aumentarne la superficie.
02:19
If you took the human neocortex
56
127111
1819
Se prendete la neurocorteccia umana
02:20
and stretched it out,
57
128930
1301
e la stendete
02:22
it's about the size of a table napkin,
58
130231
1713
ha più o meno la misura di un tovagliolo
02:23
and it's still a thin structure.
59
131944
1306
ed è ancora una struttura sottile.
02:25
It's about the thickness of a table napkin.
60
133250
1980
Ha all'incirca lo spessore
di un tovagliolo.
di un tovagliolo.
02:27
But it has so many convolutions and ridges
61
135230
2497
Ha talmente tante convoluzioni e creste
02:29
it's now 80 percent of our brain,
62
137727
3075
da occupare l'80 per cento
del nostro cervello,
del nostro cervello,
02:32
and that's where we do our thinking,
63
140802
2461
ed è proprio dove nascono
i nostri pensieri
i nostri pensieri
02:35
and it's the great sublimator.
64
143263
1761
ed è un grande sublimatore.
02:37
We still have that old brain
65
145024
1114
Abbiamo ancora il vecchio cervelllo
02:38
that provides our basic drives and motivations,
66
146138
2764
che ci fornisce gli impulsi
e le motivazioni di base,
e le motivazioni di base,
02:40
but I may have a drive for conquest,
67
148902
2716
però io potrei avere
un impulso di conquista
un impulso di conquista
02:43
and that'll be sublimated by the neocortex
68
151618
2715
e questo verrebbe sublimato
dalla neurocorteccia
dalla neurocorteccia
02:46
into writing a poem or inventing an app
69
154333
2909
a scrivere un poema o inventare una app
02:49
or giving a TED Talk,
70
157242
1509
oppure a tenere un discorso a TED
02:50
and it's really the neocortex that's where
71
158751
3622
ed è effettivamente nella neurocorteccia
02:54
the action is.
72
162373
1968
che si svolge l'azione.
02:56
Fifty years ago, I wrote a paper
73
164341
1717
Cinquant'anni fa ho scritto un saggio
02:58
describing how I thought the brain worked,
74
166058
1918
che descriveva come pensavo
che il cervello funzionasse
che il cervello funzionasse
02:59
and I described it as a series of modules.
75
167976
3199
e l'ho descritto come una serie di moduli.
03:03
Each module could do things with a pattern.
76
171175
2128
Ogni modulo può compiere
compiti secondo uno schema.
compiti secondo uno schema.
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
Può imparare uno schema.
Può ricordare uno schema.
Può ricordare uno schema.
03:08
It could implement a pattern.
78
176049
1407
Può implementare uno schema.
03:09
And these modules were organized in hierarchies,
79
177456
2679
Questi moduli sono organizzati
secondo una gerarchia
secondo una gerarchia
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
e noi creiamo questa gerarchia
con i nostri stessi pensieri.
con i nostri stessi pensieri.
03:15
And there was actually very little to go on
81
183089
3333
C'era davvero poco con cui procedere
03:18
50 years ago.
82
186422
1562
cinquant'anni fa.
03:19
It led me to meet President Johnson.
83
187984
2115
Mi ha portato a conoscere
il Presidente Johnson.
il Presidente Johnson.
03:22
I've been thinking about this for 50 years,
84
190099
2173
Dopo averci pensato
per quasi cinquant'anni
per quasi cinquant'anni
03:24
and a year and a half ago I came out with the book
85
192272
2828
un anno e mezzo fa ho pubblicato il libro
03:27
"How To Create A Mind,"
86
195100
1265
"Come creare una Mente"
03:28
which has the same thesis,
87
196365
1613
che conteneva le stesse tesi
03:29
but now there's a plethora of evidence.
88
197978
2812
ma adesso ci sono tantissime prove.
03:32
The amount of data we're getting about the brain
89
200790
1814
La quantità di dati che stiamo
ricevendo sul cervello
ricevendo sul cervello
03:34
from neuroscience is doubling every year.
90
202604
2203
dalla neuroscienza raddoppia ogni anno.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
La risoluzione spaziale di tutti i tipi
di scansione cerebrale
di scansione cerebrale
03:39
is doubling every year.
92
207461
2285
raddoppia ogni anno.
03:41
We can now see inside a living brain
93
209746
1717
Adesso possiamo vedere
all'interno di un cervello vivo
all'interno di un cervello vivo
03:43
and see individual interneural connections
94
211463
2870
e vedere le connessioni interneurali
03:46
connecting in real time, firing in real time.
95
214333
2703
che si connettono in tempo reale,
che si attivano in tempo reale.
che si attivano in tempo reale.
03:49
We can see your brain create your thoughts.
96
217036
2419
Possiamo vedere il cervello
mentre crea i pensieri.
mentre crea i pensieri.
03:51
We can see your thoughts create your brain,
97
219455
1575
Possiamo vedere i pensieri
creare il cervello
creare il cervello
03:53
which is really key to how it works.
98
221030
1999
che in effetti è la chiave
per capire come funziona.
per capire come funziona.
03:55
So let me describe briefly how it works.
99
223029
2219
Fatemi descrivere
brevemente come funziona.
brevemente come funziona.
03:57
I've actually counted these modules.
100
225248
2275
Ho davvero contato questi moduli.
03:59
We have about 300 million of them,
101
227523
2046
Ne abbiamo all'incirca trecento milioni
04:01
and we create them in these hierarchies.
102
229569
2229
e li creiamo in queste gerarchie.
04:03
I'll give you a simple example.
103
231798
2082
Vi farò un semplice esempio.
04:05
I've got a bunch of modules
104
233880
2805
Ho una manciata di moduli
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
che possono riconoscere
l'asta trasversale della maiuscola A
l'asta trasversale della maiuscola A
04:12
and that's all they care about.
106
240088
1914
ed è tutto quello di cui si occupano.
04:14
A beautiful song can play,
107
242002
1578
Può suonare una bella musica,
04:15
a pretty girl could walk by,
108
243580
1434
può passare una bella ragazza,
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
a loro non importa, quando vedono
l'asta trasversale della A maiuscola
l'asta trasversale della A maiuscola
04:19
they get very excited and they say "crossbar,"
110
247860
3021
si eccitano un sacco e dicono
"asta trasversale"
"asta trasversale"
04:22
and they put out a high probability
111
250881
2112
e con molta probabilità
lascerebbero uscire
lascerebbero uscire
04:24
on their output axon.
112
252993
1634
il loro assone d'uscita.
04:26
That goes to the next level,
113
254627
1333
Così si passa al livello successivo,
04:27
and these layers are organized in conceptual levels.
114
255960
2750
questi strati sono organizzati
in livelli concettuali.
in livelli concettuali.
04:30
Each is more abstract than the next one,
115
258710
1856
Ognuno è più astratto del successivo
04:32
so the next one might say "capital A."
116
260566
2418
così il successivo potrebbe
dire "A maiuscola".
dire "A maiuscola".
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
Quindi si arriva ad un livello superiore
che potrebbe dire "Apple".
che potrebbe dire "Apple".
04:37
Information flows down also.
118
265875
2167
Le informazioni scorrono
anche verso il basso.
anche verso il basso.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
Se il riconoscitore della mela
ha visto A-P-P-L
ha visto A-P-P-L
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
penserà tra sé e sé
"Credo che probabilmente arriverà una E"
"Credo che probabilmente arriverà una E"
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
e invierà un segnale a tutti
i riconoscitori di E
i riconoscitori di E
04:48
saying, "Be on the lookout for an E,
122
276761
1619
dicendo "fate attenzione alla E
04:50
I think one might be coming."
123
278380
1556
credo che ne arriverà una".
04:51
The E recognizers will lower their threshold
124
279936
2843
I riconoscitori della E abbasseranno
le loro barriere
le loro barriere
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
e vedranno qualcosa
che potrebbe essere una E.
che potrebbe essere una E.
04:56
Ordinarily you wouldn't think so,
126
284724
1490
Normalmente non sarebbe così
04:58
but we're expecting an E, it's good enough,
127
286214
2009
ma stiamo aspettando una E,
va abbastanza bene,
va abbastanza bene,
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
e sì, ho visto una E e quindi "apple" dirà
05:02
"Yeah, I've seen an Apple."
129
290040
1728
"sì, ho visto una mela".
05:03
Go up another five levels,
130
291768
1746
Risaliamo altri cinque livelli,
05:05
and you're now at a pretty high level
131
293514
1353
adesso siete pittosto in alto
05:06
of this hierarchy,
132
294867
1569
in questa gerarchia,
05:08
and stretch down into the different senses,
133
296436
2353
e si allungherà verso i vari sensi
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
e potreste avere un modulo
che vede una certa stoffa,
che vede una certa stoffa,
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
che sente una certo timbro di voce,
sente un certo profumo,
sente un certo profumo,
05:16
and will say, "My wife has entered the room."
136
304288
2513
e dirà, "Mia moglie è appena
entrata nella stanza".
entrata nella stanza".
05:18
Go up another 10 levels, and now you're at
137
306801
1895
Risalite un'altra decina di livelli
e adesso sarete
e adesso sarete
05:20
a very high level.
138
308696
1160
al livello più alto.
05:21
You're probably in the frontal cortex,
139
309856
1937
Probabilmente vi troverete
nella corteccia frontale
nella corteccia frontale
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
e avrete dei moduli
che dicono, "Questo era ironico.
che dicono, "Questo era ironico.
05:27
That's funny. She's pretty."
141
315560
2370
Questo è divertente. Lei è carina."
05:29
You might think that those are more sophisticated,
142
317930
2105
Potreste pensare che sia più sofisticato,
05:32
but actually what's more complicated
143
320035
1506
ma in realtà quello che è più complicato
05:33
is the hierarchy beneath them.
144
321541
2669
è la gerarchia che ci sta sotto.
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
Una ragazza di 16 anni, mentre subiva
un intervento chirurgico al cervello
un intervento chirurgico al cervello
05:38
and she was conscious because the surgeons
146
326830
2051
era cosciente, perché i chirurghi
05:40
wanted to talk to her.
147
328881
1537
volevano parlare con lei.
05:42
You can do that because there's no pain receptors
148
330418
1822
Si può fare, perché non
ci sono ricettori del dolore
ci sono ricettori del dolore
05:44
in the brain.
149
332240
1038
nel cervello.
05:45
And whenever they stimulated particular,
150
333278
1800
Ogni volta che stimolavano
una particolare
una particolare
05:47
very small points on her neocortex,
151
335078
2463
piccolissima porzione della neurocorteccia
05:49
shown here in red, she would laugh.
152
337541
2665
illustrata qui in rosso, lei rideva.
05:52
So at first they thought they were triggering
153
340206
1440
Inizialmente pensavano di aver scatenato
05:53
some kind of laugh reflex,
154
341646
1720
un qualche riflesso della risata,
05:55
but no, they quickly realized they had found
155
343366
2519
ma poi si sono resi conto
che avevano trovato
che avevano trovato
05:57
the points in her neocortex that detect humor,
156
345885
3044
il punto in cui la sua neurocorteccia
individuava l'umorismo,
individuava l'umorismo,
06:00
and she just found everything hilarious
157
348929
1969
così che a lei veniva da ridere
06:02
whenever they stimulated these points.
158
350898
2437
ogni volta che loro stimolavano
questo punto.
questo punto.
06:05
"You guys are so funny just standing around,"
159
353335
1925
"Siete così buffi lì in piedi
tutti intorno",
tutti intorno",
06:07
was the typical comment,
160
355260
1738
era il tipico commento,
06:08
and they weren't funny,
161
356998
2302
ma loro non erano divertenti,
06:11
not while doing surgery.
162
359300
3247
non mentre operavano.
06:14
So how are we doing today?
163
362547
4830
Cosa facciamo qui oggi?
06:19
Well, computers are actually beginning to master
164
367377
3054
A dire il vero i computer stanno
iniziando a padroneggiare
iniziando a padroneggiare
06:22
human language with techniques
165
370431
2001
tecniche del linguaggio umano
06:24
that are similar to the neocortex.
166
372432
2867
simili a quelle della neurocorteccia.
06:27
I actually described the algorithm,
167
375299
1514
A dire il vero ho descritto l'algoritmo
06:28
which is similar to something called
168
376813
2054
che assomiglia a qualcosa chiamato
06:30
a hierarchical hidden Markov model,
169
378867
2233
modello gerarchico di Markov nascosto,
06:33
something I've worked on since the '90s.
170
381100
3241
una cosa sulla quale ho lavorato
sin dagli anni '90.
sin dagli anni '90.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
"Jeopardy" è un gioco molto diffuso
sul linguaggio naturale
sul linguaggio naturale
06:39
and Watson got a higher score
172
387579
1892
e Watson ha un punteggio più alto
06:41
than the best two players combined.
173
389471
2000
degli altri due giocatori messi insieme.
06:43
It got this query correct:
174
391471
2499
Ha risposto correttamente
a questa domanda:
a questa domanda:
06:45
"A long, tiresome speech
175
393970
2085
"Un discorso lungo e noioso
06:48
delivered by a frothy pie topping,"
176
396055
2152
consegnato su una torta
con una decorazione spumosa".
con una decorazione spumosa".
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
e lui ha velocemente risposto:
"Cos'è un'arringa meringa?"
"Cos'è un'arringa meringa?"
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
Mentre Jennings e gli altri ragazzi
non ci sono arrivati.
non ci sono arrivati.
06:55
It's a pretty sophisticated example of
179
403638
1926
È un esempio piuttosto sofisticato
06:57
computers actually understanding human language,
180
405564
1914
di computer che effettivamente
capiscono il linguaggio umano
capiscono il linguaggio umano
06:59
and it actually got its knowledge by reading
181
407478
1652
e che raggiungono questa
conoscenza leggendo
conoscenza leggendo
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
Wikipedia e diverse altre enciclopedie.
07:04
Five to 10 years from now,
183
412915
2133
Fra cinque o dieci anni da adesso
07:07
search engines will actually be based on
184
415048
2184
i motori di ricerca saranno basati
07:09
not just looking for combinations of words and links
185
417232
2794
non solo sulla ricerca di combinazioni
di parole e collegamenti,
di parole e collegamenti,
07:12
but actually understanding,
186
420026
1914
ma sulla reale comprensione,
07:13
reading for understanding the billions of pages
187
421940
2411
sulla comprensione che deriva
dalla lettura di miliardi di pagine
dalla lettura di miliardi di pagine
07:16
on the web and in books.
188
424351
2733
sul web e sui libri
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
Un giorno passeggiando Google
si attiverà all'improvviso
si attiverà all'improvviso
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
dicendo "Sai Mary,
un mese fa eri preoccupata
un mese fa eri preoccupata
07:24
to me a month ago that your glutathione supplement
191
432781
3019
che il tuo integratore di glutatione
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
non andasse oltre
la barriera emato-cefalica.
la barriera emato-cefalica.
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
Esattamente tredici secondi fa
una nuova ricerca
una nuova ricerca
07:32
that shows a whole new approach to that
194
440624
1711
ha scoperto un nuovissimo approccio
07:34
and a new way to take glutathione.
195
442335
1993
e un nuovo modo di prendere il glutatione.
07:36
Let me summarize it for you."
196
444328
2562
Lascia che te ne faccia un riassunto."
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
Fra vent'anni avremo i nanobot,
07:42
because another exponential trend
198
450574
1627
perché un'altro trend esponenziale
07:44
is the shrinking of technology.
199
452201
1615
è il rimpicciolimento della tecnologia.
07:45
They'll go into our brain
200
453816
2370
Entreranno nel nostro cervello
07:48
through the capillaries
201
456186
1703
attraverso i capillari
07:49
and basically connect our neocortex
202
457889
2477
e in pratica collegheranno
la nostra neurocorteccia
la nostra neurocorteccia
07:52
to a synthetic neocortex in the cloud
203
460366
3185
ad una neurocorteccia nel cloud
07:55
providing an extension of our neocortex.
204
463551
3591
che fungerà da estensione
alla nostra neurocorteccia.
alla nostra neurocorteccia.
07:59
Now today, I mean,
205
467142
1578
Mi spiego: oggi
08:00
you have a computer in your phone,
206
468720
1530
avete un computer nel vostro cellulare,
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
ma se avete bisogno di 10 000
computer per pochi secondi
computer per pochi secondi
08:05
to do a complex search,
208
473004
1495
per effettuare una ricerca complessa,
08:06
you can access that for a second or two in the cloud.
209
474499
3396
potete effettuarla
per qualche secondo nel cloud.
per qualche secondo nel cloud.
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
Nel 2030 se avrete bisogno
di un po' di neurocorteccia in più,
di un po' di neurocorteccia in più,
08:12
you'll be able to connect to that in the cloud
211
480990
2273
sarete in grado di collegarvi
a quella del cloud,
a quella del cloud,
08:15
directly from your brain.
212
483263
1648
direttamente dal vostro cervello.
08:16
So I'm walking along and I say,
213
484911
1543
Immaginate: sto camminando ed esclamo
08:18
"Oh, there's Chris Anderson.
214
486454
1363
"C'è Chris Anderson.
08:19
He's coming my way.
215
487817
1525
Mi sta venendo incontro.
08:21
I'd better think of something clever to say.
216
489342
2335
Farò meglio a pensare a qualcosa
di intelligente da dire.
di intelligente da dire.
08:23
I've got three seconds.
217
491677
1524
Ho tre secondi.
08:25
My 300 million modules in my neocortex
218
493201
3097
I 300 milioni di moduli
della mia neurocorteccia
della mia neurocorteccia
08:28
isn't going to cut it.
219
496298
1240
non riescono a trovare nulla.
08:29
I need a billion more."
220
497538
1246
Ho bisogno di un miliardo
di moduli in più".
di moduli in più".
08:30
I'll be able to access that in the cloud.
221
498784
3323
Sarò in grado di averli
a disposizione nel cloud.
a disposizione nel cloud.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
Così i nostri pensieri saranno un ibrido
08:36
of biological and non-biological thinking,
223
504919
3522
fra pensiero biologico e non-biologico
08:40
but the non-biological portion
224
508441
1898
e la parte non-biologica
08:42
is subject to my law of accelerating returns.
225
510339
2682
sarà soggetta alla mia legge
sul ritorno accelerato.
sul ritorno accelerato.
08:45
It will grow exponentially.
226
513021
2239
Crescerà in modo esponenziale.
08:47
And remember what happens
227
515260
2016
Ricordate cos'è successo
08:49
the last time we expanded our neocortex?
228
517276
2645
l'ultima volta che la nostra
neurocorteccia è aumentata?
neurocorteccia è aumentata?
08:51
That was two million years ago
229
519921
1426
È successo due milioni di anni fa,
08:53
when we became humanoids
230
521347
1236
quando siamo diventati umanoidi
08:54
and developed these large foreheads.
231
522583
1594
e abbiamo sviluppato questa fronte ampia.
08:56
Other primates have a slanted brow.
232
524177
2583
Gli altri primati hanno
una fronte inclinata.
una fronte inclinata.
08:58
They don't have the frontal cortex.
233
526760
1745
Non hanno la corteccia frontale.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
La corteccia frontale non è differente
dal punto di vista qualitativo.
dal punto di vista qualitativo.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
È un'espansione della neurocorteccia,
09:06
but that additional quantity of thinking
236
534933
2703
ma questa quantità aggiuntiva di pensiero
09:09
was the enabling factor for us to take
237
537636
1779
è stato il fattore
che ci ha permesso di fare
che ci ha permesso di fare
09:11
a qualitative leap and invent language
238
539415
3346
il salto qualitativo
e di inventare il linguaggio,
e di inventare il linguaggio,
09:14
and art and science and technology
239
542761
1967
l'arte, la scienza, la tecnologia
09:16
and TED conferences.
240
544728
1454
e le conferenze TED.
09:18
No other species has done that.
241
546182
2131
Nessun altra specie l'ha fatto.
09:20
And so, over the next few decades,
242
548313
2075
Quindi nella prossima decina di anni
09:22
we're going to do it again.
243
550388
1760
lo faremo nuovamente.
09:24
We're going to again expand our neocortex,
244
552148
2274
Espanderemo nuovamente
la nostra neurocorteccia,
la nostra neurocorteccia,
09:26
only this time we won't be limited
245
554422
1756
solo che questa volta non sarà limitato
09:28
by a fixed architecture of enclosure.
246
556178
4280
da una struttura chiusa.
09:32
It'll be expanded without limit.
247
560458
3304
Si potrà espandere senza limiti.
09:35
That additional quantity will again
248
563762
2243
La quantità aggiuntiva sarà di nuovo
09:38
be the enabling factor for another qualitative leap
249
566005
3005
il fattore che permetterà
un altro salto qualitativo
un altro salto qualitativo
09:41
in culture and technology.
250
569010
1635
nella cultura e nella tecnologia.
09:42
Thank you very much.
251
570645
2054
Grazie tante.
09:44
(Applause)
252
572699
3086
(Applausi)
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