TED2003
Marvin Minsky: Health and the human mind
Marvin Minsky sulla salute e la mente umana
Filmed:
Readability: 3.5
606,909 views
Ascoltate attentamente - la discussione maliziosa, eclettica e deliziosamente disinteressata di Marvin Minsky sulla salute, la sovrappopolazione e la mente umana, confezionata con sagacia: arguzia, saggezza e un briciolo appena di furbizia; sta scherzando? Un avviso.
Marvin Minsky - AI pioneer
Marvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching. Full bio
Marvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching. Full bio
Double-click the English transcript below to play the video.
00:18
If you ask people about what part of psychology do they think is hard,
0
0
6000
Se chiedete alle persone quale parte della psicologia ritengono sia difficile,
00:24
and you say, "Well, what about thinking and emotions?"
1
6000
3000
e dite, beh, che ne pensate delle emozioni?
00:27
Most people will say, "Emotions are terribly hard.
2
9000
3000
Molte persone diranno: "Le emozioni sono terribilmente difficili.
00:30
They're incredibly complex. They can't -- I have no idea of how they work.
3
12000
6000
Sono incredibilmente complesse, non possono ... non ho idea di come funzionino.
00:36
But thinking is really very straightforward:
4
18000
2000
Ma la questione è davvero molto semplice:
00:38
it's just sort of some kind of logical reasoning, or something.
5
20000
4000
è solo una cosa di una specie di ragionamento logico o simile.
00:42
But that's not the hard part."
6
24000
3000
Ma non è la parte difficile".
00:45
So here's a list of problems that come up.
7
27000
2000
Quindi ecco una lista di problemi che sono venuti fuori.
00:47
One nice problem is, what do we do about health?
8
29000
3000
Un bel problema è: che facciamo riguardo alla salute?
00:50
The other day, I was reading something, and the person said
9
32000
4000
L'altro giorno stavo leggendo qualcosa, e una persona diceva
00:54
probably the largest single cause of disease is handshaking in the West.
10
36000
6000
che probabilmente in Occidente, la più grossa causa delle malattie è la stretta di mano.
01:00
And there was a little study about people who don't handshake,
11
42000
4000
E c'era un piccolo studio sulle persone che non stringono la mano,
01:04
and comparing them with ones who do handshake.
12
46000
3000
e si paragonavano a quelle che stringono la mano,
01:07
And I haven't the foggiest idea of where you find the ones that don't handshake,
13
49000
5000
e non ho la più pallida idea di dove si trovino quelle che non stringono la mano,
01:12
because they must be hiding.
14
54000
3000
perché devono essere nascoste.
01:15
And the people who avoid that
15
57000
4000
E le persone che lo evitano
01:19
have 30 percent less infectious disease or something.
16
61000
4000
hanno il 30% in meno di malattie infettive o simili.
01:23
Or maybe it was 31 and a quarter percent.
17
65000
3000
O forse era il 31¼%.
01:26
So if you really want to solve the problem of epidemics and so forth,
18
68000
4000
Così, se volete davvero risolvere il problema delle epidemie e via dicendo,
01:30
let's start with that. And since I got that idea,
19
72000
4000
iniziamo con quello. E da quando ho avuto quell'idea,
01:34
I've had to shake hundreds of hands.
20
76000
4000
ho dovuto stringere centinaia di mani.
01:38
And I think the only way to avoid it
21
80000
5000
E credo che l'unico modo per evitarlo
01:43
is to have some horrible visible disease,
22
85000
2000
sia di avere qualche orribile malattia visibile,
01:45
and then you don't have to explain.
23
87000
3000
così da non dover dare spiegazioni.
01:48
Education: how do we improve education?
24
90000
4000
Educazione: come miglioriamo l'educazione?
01:52
Well, the single best way is to get them to understand
25
94000
4000
Beh, l'unico e miglior modo è fargli capire
01:56
that what they're being told is a whole lot of nonsense.
26
98000
3000
che quello che gli stanno dicendo non ha assolutamente senso.
01:59
And then, of course, you have to do something
27
101000
2000
E poi, certo, si deve fare qualcosa
02:01
about how to moderate that, so that anybody can -- so they'll listen to you.
28
103000
5000
per moderarlo, così che tutti, in qualche modo, ascoltino te.
02:06
Pollution, energy shortage, environmental diversity, poverty.
29
108000
4000
Inquinamento, carenza di energia, diversità ambientale, povertà -
02:10
How do we make stable societies? Longevity.
30
112000
4000
come facciamo delle società stabili? Longevità.
02:14
Okay, there're lots of problems to worry about.
31
116000
3000
Okay, ci sono molti problemi di cui preoccuparsi.
02:17
Anyway, the question I think people should talk about --
32
119000
2000
Ad ogni modo, la domanda di cui credo che dovrebbero parlare le persone -
02:19
and it's absolutely taboo -- is, how many people should there be?
33
121000
5000
ed è assolutamente un tabù - è, quante persone ci dovrebbero essere?
02:24
And I think it should be about 100 million or maybe 500 million.
34
126000
7000
E credo che dovrebbero essere circa 100 milioni o forse 500 milioni.
02:31
And then notice that a great many of these problems disappear.
35
133000
5000
E allora capiremmo che la stragrande maggioranza di questi problemi sparisce.
02:36
If you had 100 million people
36
138000
2000
Se ci fossero 100 milioni di persone
02:38
properly spread out, then if there's some garbage,
37
140000
6000
opportunamente sparse, allora, se ci fossero dei rifiuti,
02:44
you throw it away, preferably where you can't see it, and it will rot.
38
146000
7000
li buttereste via, possibilmente dove non si vedono e marcirebbero.
02:51
Or you throw it into the ocean and some fish will benefit from it.
39
153000
5000
O li buttereste nell'oceano e alcuni pesci ne trarrebbero beneficio.
02:56
The problem is, how many people should there be?
40
158000
2000
Il problema è, quante persone ci dovrebbero essere?
02:58
And it's a sort of choice we have to make.
41
160000
3000
Ed è una specie di scelta che dobbiamo fare.
03:01
Most people are about 60 inches high or more,
42
163000
3000
Molte persone sono alte circa un metro e mezzo o più,
03:04
and there's these cube laws. So if you make them this big,
43
166000
4000
e c'è questa perdita al cubo. Quindi se si facessero grandi così -
03:08
by using nanotechnology, I suppose --
44
170000
3000
usando la nanotecnologia immagino -
03:11
(Laughter)
45
173000
1000
(Risate)
03:12
-- then you could have a thousand times as many.
46
174000
2000
- allora ce ne potrebbero essere mille volte di più.
03:14
That would solve the problem, but I don't see anybody
47
176000
2000
Questo risolverebbe il problema, ma non vedo nessuno
03:16
doing any research on making people smaller.
48
178000
3000
fare nessun tipo di ricerca per rimpicciolire le persone.
03:19
Now, it's nice to reduce the population, but a lot of people want to have children.
49
181000
5000
Ora, è bello ridurre la popolazione, ma molte persone vogliono avere dei bambini.
03:24
And there's one solution that's probably only a few years off.
50
186000
3000
E c'è una soluzione che probabilmente è lontana solo qualche anno.
03:27
You know you have 46 chromosomes. If you're lucky, you've got 23
51
189000
5000
Sapete di avere 46 cromosomi. Se siete fortunati, ne avete avuti 23
03:32
from each parent. Sometimes you get an extra one or drop one out,
52
194000
6000
da ognuno dei vostri genitori; a volte se ne ha uno in più o se ne perde uno,
03:38
but -- so you can skip the grandparent and great-grandparent stage
53
200000
4000
ma ... così potete saltare il passaggio dei nonni e dei bisnonni
03:42
and go right to the great-great-grandparent. And you have 46 people
54
204000
5000
e andare dritti ai trisnonni. E avete 46 persone
03:47
and you give them a scanner, or whatever you need,
55
209000
3000
e gli date uno scanner, o quello di cui avete bisogno,
03:50
and they look at their chromosomes and each of them says
56
212000
4000
e loro guardano i loro cromosomi e ognuno di loro dice
03:54
which one he likes best, or she -- no reason to have just two sexes
57
216000
5000
quale gli o le piace di più, ... nessun motivo per avere solo i due sessi
03:59
any more, even. So each child has 46 parents,
58
221000
5000
anche di più. Quindi ogni bambino ha 46 genitori,
04:04
and I suppose you could let each group of 46 parents have 15 children.
59
226000
6000
e immagino che possiate lasciare che ogni gruppo di 46 genitori abbia 15 bambini -
04:10
Wouldn't that be enough? And then the children
60
232000
2000
non sarebbe abbastanza? E così i bambini
04:12
would get plenty of support, and nurturing, and mentoring,
61
234000
4000
otterrebbero abbondanza di sostegno e nutrimento e attenzione
04:16
and the world population would decline very rapidly
62
238000
2000
e la popolazione mondiale scenderebbe molto rapidamente
04:18
and everybody would be totally happy.
63
240000
3000
e tutti sarebbero assolutamente felici.
04:21
Timesharing is a little further off in the future.
64
243000
3000
La condivisione del tempo è un po' più lontana nel futuro.
04:24
And there's this great novel that Arthur Clarke wrote twice,
65
246000
3000
E c'è questo grande romanzo che Arthur Clarke ha scritto due volte,
04:27
called "Against the Fall of Night" and "The City and the Stars."
66
249000
4000
chiamato Oltre il buio della notte e La città e le stelle.
04:31
They're both wonderful and largely the same,
67
253000
3000
Sono entrambi meravigliosi e in gran parte gli stessi,
04:34
except that computers happened in between.
68
256000
2000
tranne per il fatto che nel frattempo sono arrivati i computer.
04:36
And Arthur was looking at this old book, and he said, "Well, that was wrong.
69
258000
5000
E Arthur guardando questo vecchio libro, ha detto, beh, era sbagliato.
04:41
The future must have some computers."
70
263000
2000
Il futuro deve avere qualche computer.
04:43
So in the second version of it, there are 100 billion
71
265000
5000
Quindi nella sua seconda versione, ci sono 100 miliardi,
04:48
or 1,000 billion people on Earth, but they're all stored on hard disks or floppies,
72
270000
8000
o 1.000 miliardi di persone sulla terra, ma sono tutti ammassati in hard disk o floppy,
04:56
or whatever they have in the future.
73
278000
2000
o in qualunque cosa abbiano in futuro.
04:58
And you let a few million of them out at a time.
74
280000
4000
E se ne fanno uscire qualche milione per volta.
05:02
A person comes out, they live for a thousand years
75
284000
4000
Una persona viene fuori, vive per un migliaio di anni
05:06
doing whatever they do, and then, when it's time to go back
76
288000
6000
fa quello che fa, e poi, quando è il momento di tornare indietro
05:12
for a billion years -- or a million, I forget, the numbers don't matter --
77
294000
4000
per un miliardo di anni ... o un milione, lo dimentico, le cifre non contano ...
05:16
but there really aren't very many people on Earth at a time.
78
298000
4000
ma non ci sono troppe persone alla volta sulla terra.
05:20
And you get to think about yourself and your memories,
79
302000
2000
E si pensa a se stessi e alle proprie memorie,
05:22
and before you go back into suspension, you edit your memories
80
304000
5000
e prima di tornare indietro nel limbo, si cancellano le proprie memorie
05:27
and you change your personality and so forth.
81
309000
3000
e si cambia la propria personalità e via dicendo.
05:30
The plot of the book is that there's not enough diversity,
82
312000
6000
La trama del libro è che non c'è abbastanza diversità,
05:36
so that the people who designed the city
83
318000
3000
così che le persone che hanno ideato le città
05:39
make sure that every now and then an entirely new person is created.
84
321000
4000
hanno fatto in modo che di tanto in tanto venga creata una persona totalmente nuova.
05:43
And in the novel, a particular one named Alvin is created. And he says,
85
325000
6000
E nel romanzo, ne viene creato uno in particolare di nome Alvin. E dice,
05:49
maybe this isn't the best way, and wrecks the whole system.
86
331000
4000
forse questo non è il modo migliore, e distrugge il sistema.
05:53
I don't think the solutions that I proposed
87
335000
2000
Non credo che la soluzione che ho proposto
05:55
are good enough or smart enough.
88
337000
3000
sia abbastanza buona o abbastanza intelligente.
05:58
I think the big problem is that we're not smart enough
89
340000
4000
Credo che il problema grosso sia che non siamo abbastanza intelligenti
06:02
to understand which of the problems we're facing are good enough.
90
344000
4000
per capire quali dei problemi che stiamo affrontando siano buoni abbastanza.
06:06
Therefore, we have to build super intelligent machines like HAL.
91
348000
4000
Di conseguenza, dobbiamo costruire macchine super intelligenti come HAL.
06:10
As you remember, at some point in the book for "2001,"
92
352000
5000
Come ricorderete, ad un certo punto del libro 2001,
06:15
HAL realizes that the universe is too big, and grand, and profound
93
357000
5000
HAL si rende conto che l'universo è troppo grande e maestoso e ampio
06:20
for those really stupid astronauts. If you contrast HAL's behavior
94
362000
4000
per quegli stupidissimi astronauti. Se si confronta il comportamento di HAL
06:24
with the triviality of the people on the spaceship,
95
366000
4000
con la banalità delle persone sulle astronavi,
06:28
you can see what's written between the lines.
96
370000
3000
si può vedere cos'è scritto tra le righe.
06:31
Well, what are we going to do about that? We could get smarter.
97
373000
3000
Beh, cosa faremo per questo? Diventeremo più intelligenti.
06:34
I think that we're pretty smart, as compared to chimpanzees,
98
376000
5000
Credo che siamo piuttosto intelligenti, paragonati agli scimpanzé,
06:39
but we're not smart enough to deal with the colossal problems that we face,
99
381000
6000
ma non siamo abbastanza intelligenti per trattare con i problemi colossali che affrontiamo,
06:45
either in abstract mathematics
100
387000
2000
sia nella matematica astratta
06:47
or in figuring out economies, or balancing the world around.
101
389000
5000
che nel comprendere l'economia o equilibrare il mondo.
06:52
So one thing we can do is live longer.
102
394000
3000
Quindi una cosa che possiamo fare è vivere di più.
06:55
And nobody knows how hard that is,
103
397000
2000
E nessuno sa quanto sia difficile,
06:57
but we'll probably find out in a few years.
104
399000
3000
ma probabilmente lo scopriremo nel giro di pochi anni.
07:00
You see, there's two forks in the road. We know that people live
105
402000
3000
Vedete, la strada ha due bivi. Sappiamo che le persone vivono
07:03
twice as long as chimpanzees almost,
106
405000
4000
due volte di più degli scimpanzé, o quasi,
07:07
and nobody lives more than 120 years,
107
409000
4000
e che nessuno vive più di 120 anni,
07:11
for reasons that aren't very well understood.
108
413000
3000
per ragioni che non sono ben comprensibili.
07:14
But lots of people now live to 90 or 100,
109
416000
3000
Ma oggi, molte persone vivono fino a 90 o 100 anni,
07:17
unless they shake hands too much or something like that.
110
419000
4000
a meno che non stringano troppe mani o cose del genere.
07:21
And so maybe if we lived 200 years, we could accumulate enough skills
111
423000
5000
E quindi forse se vivessimo 200 anni, potremmo accumulare abilità
07:26
and knowledge to solve some problems.
112
428000
5000
e conoscenze sufficienti a risolvere alcuni problemi.
07:31
So that's one way of going about it.
113
433000
2000
Quindi questo è un modo di agire.
07:33
And as I said, we don't know how hard that is. It might be --
114
435000
3000
E come ho detto, non sappiamo quanto sia difficile. Potrebbe essere -
07:36
after all, most other mammals live half as long as the chimpanzee,
115
438000
6000
dopo tutto, molti altri mammiferi vivono la metà degli scimpanzé,
07:42
so we're sort of three and a half or four times, have four times
116
444000
3000
quindi noi viviamo tre volte e mezza o quattro - siamo quattro volte
07:45
the longevity of most mammals. And in the case of the primates,
117
447000
6000
più longevi di molti mammiferi. E nel caso dei primati,
07:51
we have almost the same genes. We only differ from chimpanzees,
118
453000
4000
abbiamo quasi gli stessi geni. Differiamo dagli scimpanzé solo
07:55
in the present state of knowledge, which is absolute hogwash,
119
457000
6000
al presente stato di conoscenza - che sono solo sciocchezze -
08:01
maybe by just a few hundred genes.
120
463000
2000
forse per qualche centinaio di geni.
08:03
What I think is that the gene counters don't know what they're doing yet.
121
465000
3000
Ciò che credo è che chi conta i geni non sappia ancora ciò che fa.
08:06
And whatever you do, don't read anything about genetics
122
468000
3000
E qualunque cosa facciate, non leggete niente che riguardi la genetica
08:09
that's published within your lifetime, or something.
123
471000
3000
e che sia pubblicato durante la vostra vita.
08:12
(Laughter)
124
474000
3000
(Risate)
08:15
The stuff has a very short half-life, same with brain science.
125
477000
4000
Questa roba ha vita breve, come la scienza del cervello.
08:19
And so it might be that if we just fix four or five genes,
126
481000
6000
E quindi dovrebbe essere che se ci concentriamo su 4 o 5 geni,
08:25
we can live 200 years.
127
487000
2000
potremo vivere 200 anni.
08:27
Or it might be that it's just 30 or 40,
128
489000
3000
O forse solo 30 o 40,
08:30
and I doubt that it's several hundred.
129
492000
2000
e dubito che siano qualche centinaia.
08:32
So this is something that people will be discussing
130
494000
4000
Quindi questo è qualcosa di cui le persone discuteranno
08:36
and lots of ethicists -- you know, an ethicist is somebody
131
498000
3000
e molti etici - sapete, un etico è qualcuno
08:39
who sees something wrong with whatever you have in mind.
132
501000
3000
che vede qualcosa di sbagliato in tutto ciò che vi passa per la testa.
08:42
(Laughter)
133
504000
3000
(Risate)
08:45
And it's very hard to find an ethicist who considers any change
134
507000
4000
Ed è davvero difficile trovare un etico che consideri che qualunque cambiamento
08:49
worth making, because he says, what about the consequences?
135
511000
4000
valga la pena di essere fatto, perché dice: "e le conseguenze?"
08:53
And, of course, we're not responsible for the consequences
136
515000
3000
E certo, non siamo responsabili per le conseguenze
08:56
of what we're doing now, are we? Like all this complaint about clones.
137
518000
6000
di ciò che facciamo adesso, o no? Come tutte queste lamentele sui cloni.
09:02
And yet two random people will mate and have this child,
138
524000
3000
E ancora due persone a caso si uniranno e avranno questo bambino,
09:05
and both of them have some pretty rotten genes,
139
527000
4000
ed entrambi hanno dei geni abbastanza scadenti,
09:09
and the child is likely to come out to be average.
140
531000
4000
ed è probabile che il bambino venga fuori dalla norma.
09:13
Which, by chimpanzee standards, is very good indeed.
141
535000
6000
Che per gli standard degli scimpanzé, è anzi molto buono.
09:19
If we do have longevity, then we'll have to face the population growth
142
541000
3000
Se avessimo la longevità, allora dovremmo affrontare comunque il problema
09:22
problem anyway. Because if people live 200 or 1,000 years,
143
544000
4000
dell'aumento della popolazione. Perché se le persone vivessero 200 o 1.000 anni,
09:26
then we can't let them have a child more than about once every 200 or 1,000 years.
144
548000
6000
non potremmo lasciargli avere dei bambini più di una volta ogni 200 o 1.000 anni.
09:32
And so there won't be any workforce.
145
554000
3000
E quindi non ci sarebbe forza lavoro.
09:35
And one of the things Laurie Garrett pointed out, and others have,
146
557000
4000
E una della cose che ha messo in evidenza Laurie Garret, e altri,
09:39
is that a society that doesn't have people
147
561000
5000
è che una società che non ha persone
09:44
of working age is in real trouble. And things are going to get worse,
148
566000
3000
in età da lavoro, è davvero nei guai. E le cose peggioreranno,
09:47
because there's nobody to educate the children or to feed the old.
149
569000
6000
perché non ci sarebbe nessuno ad educare i bambini o a nutrire gli anziani.
09:53
And when I'm talking about a long lifetime, of course,
150
575000
2000
E quando parlo di una vita lunga, certo
09:55
I don't want somebody who's 200 years old to be like our image
151
577000
6000
non voglio che qualcuno che ha 200 anni sia l'immagine
10:01
of what a 200-year-old is -- which is dead, actually.
152
583000
4000
di ciò che è un bicentenario - che in effetti, è morto.
10:05
You know, there's about 400 different parts of the brain
153
587000
2000
Sapete, ci sono circa 400 diverse parti del cervello
10:07
which seem to have different functions.
154
589000
2000
che sembrano avere diverse funzioni.
10:09
Nobody knows how most of them work in detail,
155
591000
3000
Nessuno sa in dettaglio come lavori la maggior parte di esso,
10:12
but we do know that there're lots of different things in there.
156
594000
4000
ma sappiamo che contengono molte cose diverse.
10:16
And they don't always work together. I like Freud's theory
157
598000
2000
E non sempre lavorano insieme. Mi piace la teoria di Freud
10:18
that most of them are cancelling each other out.
158
600000
4000
che molte di loro si annullano a vicenda.
10:22
And so if you think of yourself as a sort of city
159
604000
4000
Quindi se pensate a voi stessi come ad una specie di città
10:26
with a hundred resources, then, when you're afraid, for example,
160
608000
6000
con un centinaio di risorse, allora, quando si è spaventati, per esempio,
10:32
you may discard your long-range goals, but you may think deeply
161
614000
4000
si possono eliminare gli obiettivi ad ampio raggio, ma si può pensare con profondità
10:36
and focus on exactly how to achieve that particular goal.
162
618000
4000
e focalizzarsi esattamente su come raggiungere quel particolare obiettivo.
10:40
You throw everything else away. You become a monomaniac --
163
622000
3000
Tutto il resto si butta via. Si diventa monomaniaci -
10:43
all you care about is not stepping out on that platform.
164
625000
4000
tutto ciò di cui importa è non uscire da quella piattaforma.
10:47
And when you're hungry, food becomes more attractive, and so forth.
165
629000
4000
E quando si è arrabbiati, il cibo diventa più interessante, e così via.
10:51
So I see emotions as highly evolved subsets of your capability.
166
633000
6000
Quindi considero le emozioni come sotto gruppi molto evoluti delle vostre capacità.
10:57
Emotion is not something added to thought. An emotional state
167
639000
4000
L'emozione non è qualcosa che si aggiunge al pensiero. Uno stato emozionale
11:01
is what you get when you remove 100 or 200
168
643000
4000
è ciò che si ottiene quando si eliminano 100 o 200
11:05
of your normally available resources.
169
647000
3000
delle normali risorse disponibili.
11:08
So thinking of emotions as the opposite of -- as something
170
650000
3000
Quindi pensando alle emozioni come all'opposto di ... come qualcosa
11:11
less than thinking is immensely productive. And I hope,
171
653000
4000
meno che il pensare, è immensamente produttivo. E spero,
11:15
in the next few years, to show that this will lead to smart machines.
172
657000
4000
nei prossimi anni, di dimostrare che ciò porterà a macchine più intelligenti.
11:19
And I guess I better skip all the rest of this, which are some details
173
661000
3000
E suppongo che sia meglio saltare tutto il resto, ovvero alcuni dettagli
11:22
on how we might make those smart machines and --
174
664000
5000
su come potremmo fare queste macchine intelligenti e -
11:27
(Laughter)
175
669000
5000
(Risate)
11:32
-- and the main idea is in fact that the core of a really smart machine
176
674000
5000
- e l'idea principale è infatti che il nucleo di una macchina davvero intelligente
11:37
is one that recognizes that a certain kind of problem is facing you.
177
679000
5000
sia uno che riconosce che si sta affrontando un certo tipo di problema .
11:42
This is a problem of such and such a type,
178
684000
3000
Questo è un problema di tal tipo,
11:45
and therefore there's a certain way or ways of thinking
179
687000
5000
e quindi c'è o ci sono determinati modi di pensare
11:50
that are good for that problem.
180
692000
2000
che vanno bene per quel problema.
11:52
So I think the future, main problem of psychology is to classify
181
694000
4000
Quindi credo che il problema principale e futuro della psicologia sia classificare
11:56
types of predicaments, types of situations, types of obstacles
182
698000
4000
i tipi di difficoltà, i tipi di situazioni, i tipi di ostacoli
12:00
and also to classify available and possible ways to think and pair them up.
183
702000
6000
e anche classificare modi validi e possibili di pensare, e accoppiarli.
12:06
So you see, it's almost like a Pavlovian --
184
708000
3000
Quindi vedete, è quasi come un pavloviano -
12:09
we lost the first hundred years of psychology
185
711000
2000
abbiamo perso le prime centinaia di anni di psicologia
12:11
by really trivial theories, where you say,
186
713000
3000
per teorie davvero banali dove si dice,
12:14
how do people learn how to react to a situation? What I'm saying is,
187
716000
6000
come le persone imparano a reagire ad una situazione. Quello che sto dicendo,
12:20
after we go through a lot of levels, including designing
188
722000
5000
è che dopo essere passati attraverso molti livelli, incluso l'ideare
12:25
a huge, messy system with thousands of ports,
189
727000
3000
un enorme e disordinato sistema con migliaia di parti,
12:28
we'll end up again with the central problem of psychology.
190
730000
4000
giungeremo di nuovo al problema centrale della psicologia.
12:32
Saying, not what are the situations,
191
734000
3000
Dicendo, non quali sono le situazioni,
12:35
but what are the kinds of problems
192
737000
2000
ma quali sono i tipi di problemi
12:37
and what are the kinds of strategies, how do you learn them,
193
739000
3000
e quali sono le strategie, come si apprendono,
12:40
how do you connect them up, how does a really creative person
194
742000
3000
come si collegano, come fa una persona molto creativa
12:43
invent a new way of thinking out of the available resources and so forth.
195
745000
5000
a inventare un nuovo modo di pensare a partire dalle risorse disponibili e così via.
12:48
So, I think in the next 20 years,
196
750000
2000
Quindi credo che nei prossimi 20 anni,
12:50
if we can get rid of all of the traditional approaches to artificial intelligence,
197
752000
5000
se potessimo liberarci dei tradizionali approcci all'intelligenza artificiale,
12:55
like neural nets and genetic algorithms
198
757000
2000
come reti neurali e algoritmi genetici
12:57
and rule-based systems, and just turn our sights a little bit higher to say,
199
759000
6000
e sistemi basati sulle regole, e guardare un po' più in alto per dire:
13:03
can we make a system that can use all those things
200
765000
2000
"Possiamo creare un sistema che possa usare tutte quelle cose
13:05
for the right kind of problem? Some problems are good for neural nets;
201
767000
4000
per il giusto tipo di problema?" Alcuni problemi sono buoni per le reti neurali;
13:09
we know that others, neural nets are hopeless on them.
202
771000
3000
sappiamo che per altri, le reti neurali non servono a niente.
13:12
Genetic algorithms are great for certain things;
203
774000
3000
Gli algoritmi genetici sono ottimi per certe cose;
13:15
I suspect I know what they're bad at, and I won't tell you.
204
777000
4000
immagino di sapere in cosa non vanno bene e non ve lo dirò.
13:19
(Laughter)
205
781000
1000
(Risate)
13:20
Thank you.
206
782000
2000
Grazie.
13:22
(Applause)
207
784000
6000
(Applausi)
ABOUT THE SPEAKER
Marvin Minsky - AI pioneerMarvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching.
Why you should listen
Marvin Minsky is the superstar-elder of artificial intelligence, one of the most productive and important cognitive scientists of the century, and the leading proponent of the Society of Mind theory. Articulated in his 1985 book of the same name, Minsky's theory says intelligence is not born of any single mechanism, but from the interaction of many independent agents. The book's sequel,The Emotion Machine (2006), says similar activity also accounts for feelings, goals, emotions and conscious thoughts.
Minsky also pioneered advances in mathematics, computational linguistics, optics, robotics and telepresence. He built SNARC, the first neural network simulator, some of the first visual scanners, and the first LOGO "turtle." From his headquarters at MIT's Media Lab and the AI Lab (which he helped found), he continues to work on, as he says, "imparting to machines the human capacity for commonsense reasoning."
Marvin Minsky | Speaker | TED.com