TED2010
Temple Grandin: The world needs all kinds of minds
Temple Grandin: Il mondo ha bisogno di tutti i tipi di mente
Filmed:
Readability: 3.4
5,588,848 views
Temple Grandin, diagnosticata come autistica da bambina, parla di come funziona la sua mente e condivide la sua capacità di "pensare per immagini" che la aiuta a risolvere problemi che non sempre la mente neurotipica è in grado di cogliere. Temple Grandin sostiene che il mondo ha bisogno delle persone che rientrano nello spettro dei disturbi dell'autismo: pensatori visivi, pensatori schematici, pensatori verbali nonché di tutti quei bambini intelligenti che definiamo "geek".
Temple Grandin - Livestock handling designer, autism activist
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds. Full bio
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds. Full bio
Double-click the English transcript below to play the video.
00:15
I think I'll start out and just talk a little bit about
0
0
2000
Inizierò a parlare brevemente di
00:17
what exactly autism is.
1
2000
2000
ciò che esattamente è l'autismo.
00:19
Autism is a very big continuum
2
4000
3000
L'autismo è un vasto continuum
00:22
that goes from very severe -- the child remains non-verbal --
3
7000
3000
che va dalle forme molto gravi, il bambino rimane non-verbale,
00:25
all the way up to brilliant scientists and engineers.
4
10000
3000
fino ad arrivare a brillanti scienziati e ingegneri.
00:28
And I actually feel at home here,
5
13000
2000
E mi sento davvero a casa qui.
00:30
because there's a lot of autism genetics here.
6
15000
2000
Perché c'è molta genetica autistica qui.
00:32
You wouldn't have any...
7
17000
2000
Non ci sarebbero...
00:34
(Applause)
8
19000
4000
(Applausi)
00:38
It's a continuum of traits.
9
23000
2000
Si tratta di un continuum di caratteristiche.
00:40
When does a nerd turn into
10
25000
3000
Quand'è che un "nerd" diventa
00:43
Asperger, which is just mild autism?
11
28000
2000
Asperger, che è solo un leggero autismo?
00:45
I mean, Einstein and Mozart
12
30000
3000
Cioè, Einstein e Mozart
00:48
and Tesla would all be probably diagnosed
13
33000
2000
e Tesla probabilmente avrebbero una diagnosi
00:50
as autistic spectrum today.
14
35000
2000
di autismo al giorno d'oggi.
00:52
And one of the things that is really going to concern me is
15
37000
3000
E una delle cose che mi sta veramente a cuore è
00:55
getting these kids to be the ones that are going to invent
16
40000
3000
fare in modo che questi bambini siano quelli che inventeranno
00:58
the next energy things,
17
43000
2000
le prossime cose dell'energia
01:00
you know, that Bill Gates talked about this morning.
18
45000
4000
cioè quello di cui ha parlato Bill Gates stamattina.
01:04
OK. Now, if you want to understand
19
49000
2000
Bene. Allora, se volete capire
01:06
autism, animals.
20
51000
2000
l'autismo, gli animali.
01:08
And I want to talk to you now about different ways of thinking.
21
53000
2000
E voglio parlarvi adesso dei vari modi di pensare.
01:10
You have to get away from verbal language.
22
55000
3000
Dovete lasciar perdere il linguaggio verbale.
01:13
I think in pictures,
23
58000
2000
Io penso per immagini.
01:15
I don't think in language.
24
60000
3000
Non penso col linguaggio.
01:18
Now, the thing about the autistic mind
25
63000
2000
Ecco, la cosa della mente autistica
01:20
is it attends to details.
26
65000
3000
è che si occupa dei dettagli.
01:23
OK, this is a test where you either have to
27
68000
2000
Bene, questo è un test dove si devono scegliere
01:25
pick out the big letters, or pick out the little letters,
28
70000
2000
le lettere grandi, o le lettere piccole.
01:27
and the autistic mind picks out the
29
72000
2000
E la mente autistica individua
01:29
little letters more quickly.
30
74000
2000
le lettere piccole più velocemente.
01:31
And the thing is, the normal brain ignores the details.
31
76000
4000
E il fatto è che il cervello normale trascura i dettagli.
01:35
Well, if you're building a bridge, details are pretty important
32
80000
2000
Beh, se si sta costruendo un ponte, i dettagli sono ben importanti
01:37
because it will fall down if you ignore the details.
33
82000
3000
perché se si trascurano i dettagli il ponte crolla.
01:40
And one of my big concerns with a lot of policy things today
34
85000
3000
Una mia grande preoccupazione è che in molte delle politiche del momento
01:43
is things are getting too abstract.
35
88000
2000
le cose stanno diventando troppo astratte.
01:45
People are getting away from doing
36
90000
2000
La gente si sta allontanando
01:47
hands-on stuff.
37
92000
2000
dalla roba pratica, manuale.
01:49
I'm really concerned that a lot of the schools have taken out
38
94000
2000
Mi preoccupa parecchio che molte scuole abbiano tolto
01:51
the hands-on classes,
39
96000
2000
le lezioni pratiche,
01:53
because art, and classes like that,
40
98000
2000
perché l'arte e le lezioni di quel tipo,
01:55
those are the classes where I excelled.
41
100000
2000
quelle erano le materie in cui io eccellevo.
01:57
In my work with cattle,
42
102000
2000
Bene, nel mio lavoro col bestiame,
01:59
I noticed a lot of little things that most people don't notice
43
104000
3000
ho notato un sacco di piccole cose che gran parte della gente non nota
02:02
would make the cattle balk. Like, for example,
44
107000
2000
e che fanno impuntare il bestiame. Come ad esempio,
02:04
this flag waving, right in front of the veterinary facility.
45
109000
3000
questa bandiera che sventola, proprio davanti alla struttura veterinaria.
02:07
This feed yard was going to tear down their whole veterinary facility;
46
112000
3000
Questa azienda aveva deciso di tirar giù tutta la struttura veterinaria,
02:10
all they needed to do was move the flag.
47
115000
2000
bastava spostare la bandiera.
02:12
Rapid movement, contrast.
48
117000
3000
Il movimento rapido, il contrasto.
02:15
In the early '70s when I started, I got right down
49
120000
2000
Nei primi anni '70 quando ho iniziato, sono andata
02:17
in the chutes to see what cattle were seeing.
50
122000
2000
negli scivoli per vedere ciò che il bestiame vedeva.
02:19
People thought that was crazy. A coat on a fence would make them balk,
51
124000
3000
La gente credeva che fosse follia. Un grembiule su una staccionata li faceva bloccare.
02:22
shadows would make them balk, a hose on the floor ...
52
127000
3000
Le ombre erano un ostacolo, una canna dell'acqua sul pavimento.
02:25
people weren't noticing these things --
53
130000
2000
La gente non le notava queste cose,
02:27
a chain hanging down --
54
132000
2000
una catena che penzola,
02:29
and that's shown very, very nicely in the movie.
55
134000
2000
e questo si vede molto bene nel film.
02:31
In fact, I loved the movie, how they
56
136000
2000
A dire il vero mi è piaciuto tanto il film
02:33
duplicated all my projects. That's the geek side.
57
138000
2000
e come hanno riprodotto tutti i miei progetti. E' il mio lato "geek".
02:35
My drawings got to star in the movie too.
58
140000
3000
I miei disegni nel film sono anche loro protagonisti.
02:38
And actually it's called "Temple Grandin,"
59
143000
2000
E in realtà si chiama Temple Grandin,
02:40
not "Thinking In Pictures."
60
145000
2000
e non "Pensare per Immagini".
02:42
So, what is thinking in pictures? It's literally movies
61
147000
2000
Allora, cosa è pensare per immagini? Letteralmente è il cinema
02:44
in your head.
62
149000
2000
nella testa.
02:46
My mind works like Google for images.
63
151000
2000
La mia mente funziona come Google per le immagini.
02:48
Now, when I was a young kid I didn't know my thinking was different.
64
153000
3000
Allora, quando ero bambina non sapevo che il mio modo di pensare fosse diverso.
02:51
I thought everybody thought in pictures.
65
156000
2000
Pensavo che tutti pensassero per immagini.
02:53
And then when I did my book, "Thinking In Pictures,"
66
158000
2000
E poi quando ho fatto il libro, Pensare per Immagini,
02:55
I start interviewing people about how they think.
67
160000
3000
comincio a intervistare la gente su come pensa.
02:58
And I was shocked to find out that
68
163000
2000
Ed è stato sconvolgente scoprire che il mio modo di pensare
03:00
my thinking was quite different. Like if I say,
69
165000
2000
il mio modo di pensare era parecchio diverso. Come, se dico
03:02
"Think about a church steeple"
70
167000
2000
"Pensate a un campanile"
03:04
most people get this sort of generalized generic one.
71
169000
2000
la maggioranza capisce un campanile in generale, generico.
03:06
Now, maybe that's not true in this room,
72
171000
2000
Ora, forse questo non è vero in questa stanza
03:08
but it's going to be true in a lot of different places.
73
173000
4000
ma si verificherà in un sacco di altri posti.
03:12
I see only specific pictures.
74
177000
2000
Io vedo solo immagini specifiche.
03:14
They flash up into my memory, just like Google for pictures.
75
179000
4000
Mi lampeggiano nella memoria, proprio come Google per le immagini.
03:18
And in the movie, they've got a great scene in there
76
183000
2000
E nel film hanno messo una scena bellissima
03:20
where the word "shoe" is said, and a whole bunch of '50s and '60s shoes
77
185000
4000
dove viene detta la parola "scarpa", e una quantità di scarpe degli anni '50 e '60
03:24
pop into my imagination.
78
189000
2000
esplode nella mia immaginazione.
03:26
OK, there is my childhood church,
79
191000
2000
Bene, ecco la chiesa della mia infanzia.
03:28
that's specific. There's some more, Fort Collins.
80
193000
3000
Precisissima. Ce ne sono altre, Fort Collins.
03:31
OK, how about famous ones?
81
196000
2000
Bene, ne vogliamo di famose?
03:33
And they just kind of come up, kind of like this.
82
198000
3000
E praticamente arrivano così, più o meno.
03:36
Just really quickly, like Google for pictures.
83
201000
3000
Proprio veloci veloci, come Google per le immagini.
03:39
And they come up one at a time,
84
204000
2000
E arrivano una alla volta.
03:41
and then I think, "OK, well maybe we can have it snow,
85
206000
2000
E poi penso, bene, forse potremmo far nevicare,
03:43
or we can have a thunderstorm,"
86
208000
2000
o potremmo avere un temporale,
03:45
and I can hold it there and turn them into videos.
87
210000
3000
e posso fermarle per farne un video.
03:48
Now, visual thinking was a tremendous asset
88
213000
3000
Allora, il pensiero visivo è un vantaggio eccezionale
03:51
in my work designing cattle-handling facilities.
89
216000
3000
nel mio lavoro di progettista di strutture per il bestiame.
03:54
And I've worked really hard on improving
90
219000
2000
E ho lavorato sodo davvero per migliorare
03:56
how cattle are treated at the slaughter plant.
91
221000
2000
come si tratta il bestiame al macello.
03:58
I'm not going to go into any gucky slaughter slides.
92
223000
3000
Non vi faccio vedere diapositive disgustose della macellazione
04:01
I've got that stuff up on YouTube if you want to look at it.
93
226000
2000
Quella roba ce l'ho su Youtube se volete darci un'occhiata.
04:03
But, one of the things that I was able to do in my design work
94
228000
4000
Però, una delle cose che sono in grado di fare nel mio lavoro di progettista
04:07
is I could actually test run
95
232000
2000
è che posso realmente testare
04:09
a piece of equipment in my mind,
96
234000
2000
un'apparecchiatura nella mente,
04:11
just like a virtual reality computer system.
97
236000
3000
come un computer per la realtà virtuale.
04:14
And this is an aerial view
98
239000
2000
E questa è una visione dall'alto
04:16
of a recreation of one of my projects that was used in the movie.
99
241000
3000
della riproduzione di uno dei miei progetti che hanno usato nel film.
04:19
That was like just so super cool.
100
244000
2000
E' stato proprio davvero fortissimo.
04:21
And there were a lot of kind of Asperger types
101
246000
2000
E c'era anche un sacco di gente un po' Asperger
04:23
and autism types working out there on the movie set too.
102
248000
3000
e un po' autistica che lavora negli studi cinematografici.
04:26
(Laughter)
103
251000
2000
(Risate)
04:28
But one of the things that really worries me
104
253000
2000
Ma una delle cose che davvero mi preoccupa
04:30
is: Where's the younger version of those kids going today?
105
255000
4000
è dove va a finire la versione più giovane di questi ragazzi.
04:34
They're not ending up in Silicon Valley, where they belong.
106
259000
3000
Non stanno finendo a Silicon Valley, che è il loro posto.
04:37
(Laughter)
107
262000
3000
(Risate)
04:40
(Applause)
108
265000
5000
(Applausi)
04:45
Now, one of the things I learned very early on because I wasn't that social,
109
270000
3000
Ora, una delle cose che ho imparato fin da subito perché non ero molto socievole
04:48
is I had to sell my work, and not myself.
110
273000
4000
è che dovevo vendere il mio lavoro e non me stessa.
04:52
And the way I sold livestock jobs
111
277000
2000
E così vendevo i miei lavori per il bestiame
04:54
is I showed off my drawings, I showed off pictures of things.
112
279000
3000
mi facevo vedere coi miei lavori, mostravo immagini di cose.
04:57
Another thing that helped me as a little kid
113
282000
2000
Un'altra cosa che mi ha aiutato, da piccola,
04:59
is, boy, in the '50s, you were taught manners.
114
284000
2000
è, diamine, negli anni '50 si insegnava l'educazione.
05:01
You were taught you can't pull the merchandise off the shelves
115
286000
2000
Ti insegnavano che non si poteva tirar giù la merce dagli scaffali
05:03
in the store and throw it around.
116
288000
2000
e buttarla in giro per il negozio.
05:05
Now, when kids get to be in third or fourth grade,
117
290000
3000
Ora, quando mi arrivano bambini di terza o quarta elementare
05:08
you might see that this kid's going to be a visual thinker,
118
293000
3000
si può vedere che questo ragazzino sarà un pensatore visivo,
05:11
drawing in perspective. Now, I want to
119
296000
2000
disegna in prospettiva. Ora, voglio
05:13
emphasize that not every autistic kid
120
298000
2000
sottolineare che non tutti i bambini autistici
05:15
is going to be a visual thinker.
121
300000
2000
diventeranno pensatori visivi.
05:17
Now, I had this brain scan done several years ago,
122
302000
4000
Ora, mi hanno fatto questa scansione cerebrale anni fa,
05:21
and I used to joke around about having a
123
306000
2000
e io scherzavo e dicevo che avevo un
05:23
gigantic Internet trunk line
124
308000
2000
cavo internet gigantesco
05:25
going deep into my visual cortex.
125
310000
2000
radicato nella mia corteccia visiva.
05:27
This is tensor imaging.
126
312000
2000
Questa è un'immagine DTI.
05:29
And my great big internet trunk line
127
314000
2000
E la mia linea internet grande e grossa
05:31
is twice as big as the control's.
128
316000
2000
è il doppio di quella del soggetto di controllo.
05:33
The red lines there are me,
129
318000
2000
Le linee rosse sono io,
05:35
and the blue lines are the sex and age-matched control.
130
320000
4000
e quelle blu sono del soggetto di controllo dove età e sesso corrispondono.
05:39
And there I got a gigantic one,
131
324000
2000
Ed ecco io ne ho una gigante,
05:41
and the control over there, the blue one,
132
326000
2000
e il soggetto di controllo qui, quella blu,
05:43
has got a really small one.
133
328000
4000
ne ha una piccolissima.
05:47
And some of the research now is showing
134
332000
2000
E alcune delle ricerche adesso dimostrano
05:49
is that people on the spectrum actually think with primary visual cortex.
135
334000
4000
che gli autistici pensano proprio con la corteccia visiva primaria.
05:53
Now, the thing is, the visual thinker's just one kind of mind.
136
338000
3000
Ora, il fatto è che il pensatore visivo è solo uno dei tipi di mente.
05:56
You see, the autistic mind tends to be a specialist mind --
137
341000
3000
Vedete, la mente autistica tende ad essere una mente specialistica.
05:59
good at one thing, bad at something else.
138
344000
4000
Brava in una cosa e scarsa in qualcos'altro.
06:03
And where I was bad was algebra. And I was never allowed
139
348000
2000
E io ero scarsa in algebra. E non mi hanno mai lasciato
06:05
to take geometry or trig.
140
350000
2000
fare geometria, o trigonometria.
06:07
Gigantic mistake: I'm finding a lot of kids who need to skip algebra,
141
352000
3000
Errore gigante. Scopro che un sacco di ragazzini devono saltare algebra
06:10
go right to geometry and trig.
142
355000
2000
e passare subito a geometria e a trigonometria.
06:12
Now, another kind of mind is the pattern thinker.
143
357000
3000
Ora, un altro tipo di mente è quella che pensa per schemi.
06:15
More abstract. These are your engineers,
144
360000
2000
Più astratta. Ecco gli ingegneri,
06:17
your computer programmers.
145
362000
2000
i programmatori di computer.
06:19
Now, this is pattern thinking. That praying mantis
146
364000
2000
Ora, questo è pensare per schemi. Quella mantide religiosa
06:21
is made from a single sheet of paper --
147
366000
2000
è fatta a partire da un unico foglio di carta,
06:23
no scotch tape, no cuts.
148
368000
2000
niente nastro adesivo, niente tagli.
06:25
And there in the background is the pattern for folding it.
149
370000
3000
E lì, sullo sfondo, quello è lo schema per le pieghe per costruirla.
06:28
Here are the types of thinking:
150
373000
2000
Ecco i tipi di pensiero,
06:30
photo-realistic visual thinkers, like me;
151
375000
3000
pensatori visivi fotorealistici, come me.
06:33
pattern thinkers, music and math minds.
152
378000
4000
Pensatori per schemi, menti musicali e matematiche.
06:37
Some of these oftentimes have problems with reading.
153
382000
2000
Alcuni di questi spesso hanno problemi con la lettura.
06:39
You also will see these kind of problems
154
384000
2000
Si vedono gli stessi tipi di problemi nei
06:41
with kids that are dyslexic.
155
386000
3000
nei bambini dislessici.
06:44
You'll see these different kinds of minds.
156
389000
2000
Si vedono questi tipi diversi di mente.
06:46
And then there's a verbal mind, they know every fact about everything.
157
391000
3000
E poi c'è una mente verbale. Quelli che sanno ogni cosa su tutto.
06:49
Now, another thing is the sensory issues.
158
394000
2000
Ora, un'altra cosa è la questione sensoriale.
06:51
I was really concerned about having to wear this gadget on my face.
159
396000
4000
Mi preoccupava molto di dover portare questo congegno sulla faccia.
06:55
And I came in half an hour beforehand
160
400000
3000
E sono arrivata con mezz'ora di anticipo
06:58
so I could have it put on and kind of get used to it,
161
403000
2000
così me l'hanno sistemato e ho provato ad abituarmici.
07:00
and they got it bent so it's not hitting my chin.
162
405000
3000
E me l'hanno piegato qui così non picchia sul mento.
07:03
But sensory is an issue. Some kids are bothered by fluorescent lights;
163
408000
3000
Ma quel che è sensoriale è un problema. Ci sono bambini che non sopportano le luci fluorescenti.
07:06
others have problems with sound sensitivity.
164
411000
3000
Altri hanno problemi con la sensibilità ai suoni.
07:09
You know, it's going to be variable.
165
414000
3000
Insomma, dipende.
07:12
Now, visual thinking gave me a whole lot of insight
166
417000
4000
Ora, il pensiero visivo mi ha permesso di capire moltissimo
07:16
into the animal mind.
167
421000
2000
della mente animale.
07:18
Because think about it: An animal is a sensory-based thinker,
168
423000
3000
Perché, pensateci bene, un animale è un pensatore che si basa sui sensi,
07:21
not verbal -- thinks in pictures,
169
426000
4000
mica verbale. Pensa per immagini.
07:25
thinks in sounds, thinks in smells.
170
430000
3000
Pensa per suoni. Pensa per odori.
07:28
Think about how much information there is there on the local fire hydrant.
171
433000
3000
Pensate a quante informazioni ci sono sull'idrante vicino a casa.
07:31
He knows who's been there, when they were there.
172
436000
3000
Sa chi ci è passato, quando ci è passato,
07:34
Are they friend or foe? Is there anybody he can go mate with?
173
439000
3000
se è amico o nemico, se c'è qualcuno con cui si può accoppiare.
07:37
There's a ton of information on that fire hydrant.
174
442000
3000
C'è una tonnellata di informazioni su quell'idrante.
07:40
It's all very detailed information,
175
445000
4000
E sono tutte informazioni molto dettagliate.
07:44
and, looking at these kind of details
176
449000
2000
E, guardando questi tipi di dettagli
07:46
gave me a lot of insight into animals.
177
451000
2000
ho potuto capire moltissimo sugli animali.
07:48
Now, the animal mind, and also my mind,
178
453000
4000
Ora, la mente animale, e anche la mia mente
07:52
puts sensory-based information
179
457000
2000
mette le informazioni che si basano sui sensi
07:54
into categories.
180
459000
2000
in categorie.
07:56
Man on a horse
181
461000
2000
Uomo a cavallo,
07:58
and a man on the ground --
182
463000
2000
e uomo sul terreno,
08:00
that is viewed as two totally different things.
183
465000
2000
questo è visto come due cose totalmente diverse.
08:02
You could have a horse that's been abused by a rider.
184
467000
3000
Può esserci un cavallo che è stato maltrattato da un fantino.
08:05
They'll be absolutely fine with the veterinarian
185
470000
2000
Cavalli che saranno perfetti col veterinario,
08:07
and with the horseshoer, but you can't ride him.
186
472000
3000
e che si lasceranno ferrare, ma non si lascia montare.
08:10
You have another horse, where maybe the horseshoer beat him up
187
475000
3000
Un altro cavallo, dove magari l'ha picchiato il maniscalco,
08:13
and he'll be terrible for anything on the ground,
188
478000
2000
e sarà un disastro in tutte le attività a terra,
08:15
with the veterinarian, but a person can ride him.
189
480000
3000
col veterinario, ma si potrà montarlo.
08:18
Cattle are the same way.
190
483000
2000
Il bestiame è uguale.
08:20
Man on a horse,
191
485000
2000
Uomo a cavallo,
08:22
a man on foot -- they're two different things.
192
487000
2000
un uomo a piedi, sono due cose differenti.
08:24
You see, it's a different picture.
193
489000
2000
Vedete, è un'immagine diversa.
08:26
See, I want you to think about just how specific this is.
194
491000
3000
Vedete, voglio che pensiate a quanto specifico è tutto ciò.
08:29
Now, this ability to put information into categories,
195
494000
4000
Ora, questa capacità di mettere le informazioni in categorie,
08:33
I find a lot of people are not very good at this.
196
498000
3000
trovo che molta gente non lo fa molto bene.
08:36
When I'm out troubleshooting equipment
197
501000
2000
Quando sono in giro a risolvere problemi di attrezzature,
08:38
or problems with something in a plant,
198
503000
2000
o problemi di qualche tipo in un'azienda
08:40
they don't seem to be able to figure out, "Do I have a training people issue?
199
505000
4000
Non sembra che siano capaci di capire "Ho un problema di formazione delle persone?
08:44
Or do I have something wrong with the equipment?"
200
509000
2000
O c'è qualcosa che non va nell'attrezzatura?"
08:46
In other words, categorize equipment problem
201
511000
2000
In altre parole, separare la categoria problema di attrezzatura
08:48
from a people problem.
202
513000
2000
da quella: problema di personale.
08:50
I find a lot of people have difficulty doing that.
203
515000
3000
Trovo che molte persone lo trovano difficile.
08:53
Now, let's say I figure out it's an equipment problem.
204
518000
3000
Ora, diciamo che capisco che è un problema di attrezzatura.
08:56
Is it a minor problem, with something simple I can fix?
205
521000
2000
E' un problema piccolo, qualcosa di semplice che posso aggiustare?
08:58
Or is the whole design of the system wrong?
206
523000
3000
O è tutto il progetto dell'impianto che è sbagliato?
09:01
People have a hard time figuring that out.
207
526000
3000
La gente fa proprio fatica a capire cose così.
09:04
Let's just look at something like, you know,
208
529000
2000
Proviamo a guardare qualcosa come
09:06
solving problems with making airlines safer.
209
531000
2000
risolvere problemi che rendono volare più sicuro.
09:08
Yeah, I'm a million-mile flier.
210
533000
2000
Eh si, sono un passeggero da un milione di miglia.
09:10
I do lots and lots of flying,
211
535000
2000
Viaggio tantissimo.
09:12
and if I was at the FAA,
212
537000
3000
E se io fossi all'aviazione civile,
09:15
what would I be doing a lot of direct observation of?
213
540000
4000
dove farei un sacco di osservazione diretta?
09:19
It would be their airplane tails.
214
544000
2000
Nella coda degli aerei.
09:21
You know, five fatal wrecks in the last 20 years,
215
546000
3000
Lo sapete, cinque disastri fatali negli ultimi 20 anni,
09:24
the tail either came off or steering stuff inside the tail broke
216
549000
4000
la coda o si è staccata, o la roba per sterzare nella coda si è rotta
09:28
in some way.
217
553000
2000
in un modo o nell'altro.
09:30
It's tails, pure and simple.
218
555000
2000
Sono le code, chiaro e limpido.
09:32
And when the pilots walk around the plane, guess what? They can't see
219
557000
2000
E quando i piloti si aggirano per l'aeroplano, sai che c'è? Non possono
09:34
that stuff inside the tail.
220
559000
2000
vedere la roba dentro alla coda.
09:36
You know, now as I think about that,
221
561000
2000
Vedete, mentre penso a questa cosa,
09:38
I'm pulling up all of that specific information.
222
563000
3000
tiro fuori tutte queste informazioni specifiche.
09:41
It's specific. See, my thinking's bottom-up.
223
566000
3000
E' specifico. Così, vedete, il mio pensiero è dal basso all'alto.
09:44
I take all the little pieces and I put the pieces together like a puzzle.
224
569000
4000
Prendo tutti i pezzettini e li metto insieme come in un rompicapo.
09:48
Now, here is a horse that was deathly afraid
225
573000
2000
Ora, ecco un cavallo che aveva una paura da morire
09:50
of black cowboy hats.
226
575000
2000
dei cappelli da cowboy neri.
09:52
He'd been abused by somebody with a black cowboy hat.
227
577000
2000
Era stato maltrattato da qualcuno col cappello da cowboy nero.
09:54
White cowboy hats, that was absolutely fine.
228
579000
3000
Cappelli da cowboy bianchi, quelli andavano benissimo.
09:57
Now, the thing is, the world is going to need
229
582000
3000
Ora, il punto è che il mondo avrà bisogno
10:00
all of the different kinds of minds
230
585000
2000
di tutti i tipi diversi di mente
10:02
to work together.
231
587000
2000
che lavorino insieme.
10:04
We've got to work on developing all these different kinds of minds.
232
589000
3000
Dobbiamo lavorare per sviluppare tutti questi tipi diversi di mente.
10:07
And one of the things that is driving me really crazy,
233
592000
3000
E una delle cose che mi fa davvero andar fuori di testa,
10:10
as I travel around and I do autism meetings,
234
595000
2000
quando viaggio e faccio queste riunioni sull'autismo,
10:12
is I'm seeing a lot of smart, geeky, nerdy kids,
235
597000
3000
è che vedo un sacco di bambini intelligenti "nerd" e "geek".
10:15
and they just aren't very social,
236
600000
3000
E non sono bambini molto socievoli.
10:18
and nobody's working on developing their interest
237
603000
2000
E nessuno si da da fare per stimolare in loro un interesse
10:20
in something like science.
238
605000
2000
in qualcosa tipo la scienza.
10:22
And this brings up the whole thing of my science teacher.
239
607000
3000
E questo ci porta a tutta la questione del mio insegnante di scienze.
10:25
My science teacher is shown absolutely beautifully in the movie.
240
610000
3000
Il mio insegnante di scienze è reso benissimo nel film.
10:28
I was a goofball student. When I was in high school
241
613000
2000
Ero una studentessa svogliata quando andavo a scuola.
10:30
I just didn't care at all about studying,
242
615000
3000
Non me ne importava niente di studiare,
10:33
until I had Mr. Carlock's science class.
243
618000
3000
fino a quando non mi ha fatto lezione di scienze il Signor Carlock.
10:36
He was now Dr. Carlock in the movie.
244
621000
3000
Adesso è diventato il dottor Carlock nel film.
10:39
And he got me challenged
245
624000
3000
E mi ha proposto una sfida
10:42
to figure out an optical illusion room.
246
627000
3000
dovevo capire l'illusione ottica di una stanza.
10:45
This brings up the whole thing of you've got to show kids
247
630000
2000
Questo ci porta al fatto che si deve mostrare ai bambini
10:47
interesting stuff.
248
632000
2000
roba interessante.
10:49
You know, one of the things that I think maybe TED ought to do
249
634000
3000
Sapete, una delle cose che credo dovrebbe fare TED
10:52
is tell all the schools about all the great lectures that are on TED,
250
637000
3000
è dire alle scuole di tutte le bellissime conferenze che ci sono su TED
10:55
and there's all kinds of great stuff on the Internet
251
640000
2000
e c'è roba eccezionale di tutti i tipi in internet,
10:57
to get these kids turned on.
252
642000
2000
per stimolare questi bambini.
10:59
Because I'm seeing a lot of these geeky nerdy kids,
253
644000
3000
Perché ne vedo tanti di questi bambini "geek" e "nerd",
11:02
and the teachers out in the Midwest, and the other parts of the country,
254
647000
3000
e gli insegnanti del midwest, e in altre parti del paese,
11:05
when you get away from these tech areas,
255
650000
2000
quando si è fuori da queste zone ad alto tasso di tecnologia,
11:07
they don't know what to do with these kids.
256
652000
2000
non sanno cosa fare con questi bambini.
11:09
And they're not going down the right path.
257
654000
2000
E non stanno andando nella direzione giusta.
11:11
The thing is, you can make a mind
258
656000
2000
Il punto è che si può fare in modo che una mente
11:13
to be more of a thinking and cognitive mind,
259
658000
3000
sia una mente più pensante e cognitiva.
11:16
or your mind can be wired to be more social.
260
661000
3000
Oppure la mente può essere collegata per essere più socievole.
11:19
And what some of the research now has shown in autism
261
664000
2000
E quello che alcune ricerche hanno dimostrato nell'autismo,
11:21
is there may by extra wiring back here,
262
666000
2000
è che potrebbero esserci più collegamenti qui
11:23
in the really brilliant mind, and we lose a few social circuits here.
263
668000
3000
nella mente davvero brillante, e perdiamo alcuni circuiti sociali qui.
11:26
It's kind of a trade-off between thinking and social.
264
671000
4000
L'aumento della capacità di pensare va a discapito della socievolezza.
11:30
And then you can get into the point where it's so severe
265
675000
2000
E si arriva al punto dove la cosa è così grave
11:32
you're going to have a person that's going to be non-verbal.
266
677000
3000
che avremo una persona che rimane non-verbale.
11:35
In the normal human mind
267
680000
2000
Nella mente umana normale
11:37
language covers up the visual thinking we share with animals.
268
682000
3000
il linguaggio copre il pensiero visivo che condividiamo con gli animali.
11:40
This is the work of Dr. Bruce Miller.
269
685000
3000
Questo è il lavoro del dottor Bruce Miller.
11:43
And he studied Alzheimer's patients
270
688000
3000
Che studiava pazienti affetti da Alzheimer
11:46
that had frontal temporal lobe dementia.
271
691000
2000
che avevano la demenza dei lobi frontali temporali.
11:48
And the dementia ate out the language parts of the brain,
272
693000
3000
E la demenza si era mangiata le parti del cervello del linguaggio,
11:51
and then this artwork came out of somebody who used to install stereos in cars.
273
696000
5000
e quest'opera d'arte è venuta fuori da uno che installava stereo nelle auto.
11:56
Now, Van Gogh doesn't know anything about physics,
274
701000
4000
Ora, Van Gogh non sa niente di fisica.
12:00
but I think it's very interesting
275
705000
2000
Ma credo che sia molto interessante
12:02
that there was some work done to show that
276
707000
2000
che dei lavori hanno dimostrato che
12:04
this eddy pattern in this painting
277
709000
2000
questo schema di mulinelli in questo quadro
12:06
followed a statistical model of turbulence,
278
711000
3000
segue un modello statistico di turbolenza.
12:09
which brings up the whole interesting idea
279
714000
2000
Il che ci porta a tutta quell'idea interessante
12:11
of maybe some of this mathematical patterns
280
716000
2000
che forse qualcuno di questi schemi matematici
12:13
is in our own head.
281
718000
2000
è proprio nella testa.
12:15
And the Wolfram stuff -- I was taking
282
720000
2000
E la roba di Wolfram, ho preso
12:17
notes and I was writing down all the
283
722000
2000
appunti e ho scritto tutte le
12:19
search words I could use,
284
724000
2000
parole chiave che potrei usare
12:21
because I think that's going to go on in my autism lectures.
285
726000
4000
perché credo che porterò avanti la cosa nelle mie conferenze sull'autismo.
12:25
We've got to show these kids interesting stuff.
286
730000
2000
Bisogna mostrare a questi ragazzini roba interessante.
12:27
And they've taken out the autoshop class
287
732000
2000
E hanno eliminato le lezioni di meccanica
12:29
and the drafting class and the art class.
288
734000
2000
e quelle di disegno e quelle di educazione artistica.
12:31
I mean art was my best subject in school.
289
736000
3000
Cioè, educazione artistica era la materia in cui andavo meglio.
12:34
We've got to think about all these different kinds of minds,
290
739000
2000
Dobbiamo pensare a tutti questi tipi diversi di mente.
12:36
and we've got to absolutely work with these kind of minds,
291
741000
3000
E bisogna assolutamente lavorare con questi tipi di mente,
12:39
because we absolutely are going to need
292
744000
3000
perché avremo assolutamente bisogno
12:42
these kind of people in the future.
293
747000
3000
di questi tipi di persone nel futuro.
12:45
And let's talk about jobs.
294
750000
2000
E parliamo pure di lavoro.
12:47
OK, my science teacher got me studying
295
752000
2000
Bene, il mio insegnante di scienze mi ha fatto studiare
12:49
because I was a goofball that didn't want to study.
296
754000
3000
perché ero svogliata, una che non voleva studiare.
12:52
But you know what? I was getting work experience.
297
757000
2000
Però sapete cosa? Facevo esperienze lavorative.
12:54
I'm seeing too many of these smart kids who haven't learned basic things,
298
759000
2000
Vedo troppi di questi ragazzini intelligenti che non hanno imparato cose fondamentali,
12:56
like how to be on time.
299
761000
2000
tipo come essere puntuali.
12:58
I was taught that when I was eight years old.
300
763000
2000
A me l'hanno insegnato quando avevo otto anni.
13:00
You know, how to have table manners at granny's Sunday party.
301
765000
3000
Tipo, come si sta a tavola a pranzo dalla nonna la domenica.
13:03
I was taught that when I was very, very young.
302
768000
3000
Me l'hanno insegnato quando ero molto, molto piccola.
13:06
And when I was 13, I had a job at a dressmaker's shop
303
771000
3000
E quando avevo 13 anni avevo un lavoro da una modista
13:09
sewing clothes.
304
774000
2000
e cucivo vestiti.
13:11
I did internships in college,
305
776000
3000
Ho fatto dell'internato all'università.
13:14
I was building things,
306
779000
3000
Costruivo cose.
13:17
and I also had to learn how to do assignments.
307
782000
3000
E ho dovuto imparare come fare i compiti che mi assegnavano.
13:20
You know, all I wanted to do was draw pictures of horses when I was little.
308
785000
4000
Cioè, tutto quel che volevo fare da piccola era disegnare cavalli.
13:24
My mother said, "Well let's do a picture of something else."
309
789000
2000
Mia madre ha detto "Bene, disegniamo qualcos'altro."
13:26
They've got to learn how to do something else.
310
791000
2000
Devono imparare come fare qualcos'altro.
13:28
Let's say the kid is fixated on Legos.
311
793000
2000
Diciamo che il bambino è fissato coi Lego.
13:30
Let's get him working on building different things.
312
795000
3000
Facciamo in modo che si impegni a costruire cose diverse.
13:33
The thing about the autistic mind
313
798000
2000
Il fatto è che la mente autistica
13:35
is it tends to be fixated.
314
800000
2000
tende a essere fissata.
13:37
Like if a kid loves racecars,
315
802000
2000
Tipo, se un bambino ama le macchine da corsa
13:39
let's use racecars for math.
316
804000
2000
le usiamo per la matematica.
13:41
Let's figure out how long it takes a racecar to go a certain distance.
317
806000
3000
Proviamo a capire quanto ci mette una macchina da corsa a percorrere una certa distanza.
13:44
In other words, use that fixation
318
809000
4000
in altre parole, utilizziamo questa fissazione
13:48
in order to motivate that kid, that's one of the things we need to do.
319
813000
3000
per motivare quel bambino, questa è una delle cose che dobbiamo fare.
13:51
I really get fed up when they, you know, the teachers,
320
816000
3000
Non ce la faccio proprio quando, insomma, gli insegnanti,
13:54
especially when you get away from this part of the country,
321
819000
3000
specie quando ci si allontana da questa parte del paese,
13:57
they don't know what to do with these smart kids.
322
822000
2000
non sanno cosa fare con questi bambini intelligenti.
13:59
It just drives me crazy.
323
824000
2000
Mi fa andare proprio fuori di testa.
14:01
What can visual thinkers do when they grow up?
324
826000
2000
Cosa possono fare i pensatori visivi quando diventano grandi?
14:03
They can do graphic design, all kinds of stuff with computers,
325
828000
3000
Possono fare progetti grafici, un sacco di cose coi computer,
14:06
photography, industrial design.
326
831000
5000
fotografia, disegno industriale.
14:11
The pattern thinkers, they're the ones that are going to be
327
836000
2000
I pensatori per schemi, sono quelli che diventeranno
14:13
your mathematicians, your software engineers,
328
838000
3000
matematici, tecnici del software,
14:16
your computer programmers, all of those kinds of jobs.
329
841000
4000
programmatori, tutti questi tipi di lavori.
14:20
And then you've got the word minds. They make great journalists,
330
845000
3000
E poi ci sono le menti che ci sanno fare con le parole. Ottimi giornalisti.
14:23
and they also make really, really good stage actors.
331
848000
3000
E sono in grado di diventare attori molto, molto bravi.
14:26
Because the thing about being autistic is,
332
851000
2000
Perché la cosa dell'essere autistici è che
14:28
I had to learn social skills like being in a play.
333
853000
3000
ho dovuto imparare le competenze sociali come se fosse teatro.
14:31
It's just kind of -- you just have to learn it.
334
856000
3000
E' come, tipo, bisogna impararle e basta.
14:34
And we need to be working with these students.
335
859000
3000
E dobbiamo lavorare con questi studenti.
14:37
And this brings up mentors.
336
862000
2000
E questo ci porta alla figura del mentore.
14:39
You know, my science teacher was not an accredited teacher.
337
864000
3000
Cioè, il mio insegnante di scienze non era un insegnante abilitato.
14:42
He was a NASA space scientist.
338
867000
2000
Era uno scienziato spaziale della NASA.
14:44
Now, some states now are getting it to where
339
869000
2000
Ora, alcuni stati ci stanno arrivando, dove
14:46
if you have a degree in biology, or a degree in chemistry,
340
871000
2000
se uno ha una laurea in biologia, o una laurea in chimica,
14:48
you can come into the school and teach biology or chemistry.
341
873000
3000
può entrare nella scuola e insegnare biologia e chimica.
14:51
We need to be doing that.
342
876000
2000
Così dobbiamo fare.
14:53
Because what I'm observing is
343
878000
2000
Perché quello che osservo è
14:55
the good teachers, for a lot of these kids,
344
880000
2000
che i buoni insegnanti, per un sacco di questi ragazzini
14:57
are out in the community colleges,
345
882000
2000
stanno nelle università per adulti.
14:59
but we need to be getting some of these good teachers into the high schools.
346
884000
3000
Bisogna che alcuni di questi buoni insegnanti vadano alle medie e alle superiori.
15:02
Another thing that can be very, very, very successful is
347
887000
3000
Un'altra cosa che può portare risultati davvero buonissimi
15:05
there is a lot of people that may have retired
348
890000
3000
è che ci sono molte persone che sono in pensione
15:08
from working in the software industry, and they can teach your kid.
349
893000
3000
che lavoravano nel settore del software, e sanno insegnare a un bambino.
15:11
And it doesn't matter if what they teach them is old,
350
896000
3000
E non importa se quel che gli insegnano è vecchio,
15:14
because what you're doing is you're lighting the spark.
351
899000
3000
perché quel che si fa è far scoccare la scintilla.
15:17
You're getting that kid turned on.
352
902000
3000
Fare si che il bambino si entusiasmi.
15:20
And you get him turned on, then he'll learn all the new stuff.
353
905000
3000
E se lo si entusiasma, poi quello impara tutta la roba nuova.
15:23
Mentors are just essential.
354
908000
2000
La figura del mentore è proprio essenziale.
15:25
I cannot emphasize enough
355
910000
2000
Non sottolineerò mai abbastanza
15:27
what my science teacher did for me.
356
912000
3000
quello che il mio insegnante di scienze ha fatto per me.
15:30
And we've got to mentor them, hire them.
357
915000
3000
E dobbiamo seguire questi bambini, e dargli un lavoro.
15:33
And if you bring them in for internships in your companies,
358
918000
2000
E se li portate a fare internato nelle vostre aziende,
15:35
the thing about the autism, Asperger-y kind of mind,
359
920000
3000
il punto è che la mente autistica o di tipo Asperger,
15:38
you've got to give them a specific task. Don't just say, "Design new software."
360
923000
3000
dovete dar loro un compito specifico. Non dite solo "Progetta nuovo software."
15:41
You've got to tell them something a lot more specific:
361
926000
2000
Dovete dire qualcosa di molto più specifico.
15:43
"Well, we're designing a software for a phone
362
928000
3000
"Bene, stiamo progettando un software per un telefono
15:46
and it has to do some specific thing.
363
931000
2000
e deve fare qualcosa di specifico.
15:48
And it can only use so much memory."
364
933000
2000
E può usare solo un tot di memoria."
15:50
That's the kind of specificity you need.
365
935000
2000
Questo è il tipo di specificità richiesto.
15:52
Well, that's the end of my talk.
366
937000
2000
Bene, questa è la fine del mio discorso.
15:54
And I just want to thank everybody for coming.
367
939000
2000
E voglio ringraziare tutti per essere venuti qui.
15:56
It was great to be here.
368
941000
2000
E' stato bellissimo essere qui.
15:58
(Applause)
369
943000
12000
(Applausi)
16:10
Oh, you've got a question for me? OK.
370
955000
3000
Oh, ci sono delle domande? Va bene.
16:13
(Applause)
371
958000
1000
(Applausi)
16:14
Chris Anderson: Thank you so much for that.
372
959000
4000
Chris Anderson: Grazie mille, grazie.
16:18
You know, you once wrote, I like this quote,
373
963000
2000
Bene, lei ha scritto, mi piace questa citazione,
16:20
"If by some magic, autism had been
374
965000
2000
"Se per una qualche magia l'autismo fosse stato
16:22
eradicated from the face of the Earth,
375
967000
3000
estirpato dalla faccia della Terra,
16:25
then men would still be socializing in front of a wood fire
376
970000
3000
gli uomini starebbero ancora a socializzare davanti ad un falò
16:28
at the entrance to a cave."
377
973000
2000
all'entrata una caverna."
16:30
Temple Grandin: Because who do you think made the first stone spears?
378
975000
2000
Temple Grandin: Perché chi credete abbia fatto le prime lance di pietra?
16:32
The Asperger guy. And if you were to get rid of all the autism genetics
379
977000
3000
Il tipo con l'Asperger. E se si eliminasse tutta la genetica autistica
16:35
there would be no more Silicon Valley,
380
980000
2000
non ci sarebbe più Silicon Valley,
16:37
and the energy crisis would not be solved.
381
982000
2000
e la crisi energetica non sarebbe risolta.
16:39
(Applause)
382
984000
3000
(Applausi)
16:42
CA: So, I want to ask you a couple other questions,
383
987000
2000
CA: Allora, volevo farle ancora un paio di domande.
16:44
and if any of these feel inappropriate,
384
989000
2000
E se ve ne sono di fuori luogo
16:46
it's okay just to say, "Next question."
385
991000
2000
basta che dica "passiamo alla domanda seguente."
16:48
But if there is someone here
386
993000
2000
Ma se c'è qualcuno qui
16:50
who has an autistic child,
387
995000
2000
che ha un bambino autistico,
16:52
or knows an autistic child
388
997000
2000
o che conosce un bambino autistico
16:54
and feels kind of cut off from them,
389
999000
3000
e si sente, diciamo, tagliato fuori, escluso,
16:57
what advice would you give them?
390
1002000
2000
che consigli darebbe?
16:59
TG: Well, first of all, you've got to look at age.
391
1004000
2000
TG: Allora, prima di tutto, bisogna considerare l'età.
17:01
If you have a two, three or four year old
392
1006000
2000
Se si tratta di un bambino di due, tre o quattro anni
17:03
you know, no speech, no social interaction,
393
1008000
2000
cioè, nessun linguaggio, nessuna interazione sociale,
17:05
I can't emphasize enough:
394
1010000
2000
non lo sottolineerò mai abbastanza,
17:07
Don't wait, you need at least 20 hours a week of one-to-one teaching.
395
1012000
4000
non aspettate, servono almeno 20 ore la settimana di insegnamento individuale.
17:11
You know, the thing is, autism comes in different degrees.
396
1016000
3000
Cioè, il fatto è che l'autismo si presenta in vari gradi.
17:14
There's going to be about half the people on the spectrum
397
1019000
2000
Ci saranno sempre circa metà delle persone affette
17:16
that are not going to learn to talk, and they're not going to be working
398
1021000
2000
che non impareranno a parlare, e che non lavoreranno
17:18
Silicon Valley, that would not be a reasonable thing for them to do.
399
1023000
3000
a Silicon Valley, non sarebbe una cosa ragionevole per loro.
17:21
But then you get the smart, geeky kids
400
1026000
2000
Ma poi ci sono quei bambini intelligenti che chiamiamo "geek"
17:23
that have a touch of autism,
401
1028000
2000
che hanno un pizzico di autismo,
17:25
and that's where you've got to get them turned on
402
1030000
2000
ed è lì che si deve lavorare per entusiasmarli
17:27
with doing interesting things.
403
1032000
2000
facendogli fare cose interessanti.
17:29
I got social interaction through shared interest.
404
1034000
3000
La mia socialità è stata frutto della condivisione di interessi.
17:32
I rode horses with other kids, I made model rockets with other kids,
405
1037000
4000
Andavo a cavallo con gli altri bambini, facevo modellini di razzi con gli altri bambini
17:36
did electronics lab with other kids,
406
1041000
2000
facevo laboratorio di elettronica con gli altri bambini,
17:38
and in the '60s, it was gluing mirrors
407
1043000
2000
e negli anni '60 voleva dire incollare specchietti
17:40
onto a rubber membrane on a speaker to make a light show.
408
1045000
3000
ad una membrana di gomma su un altoparlante per fare uno spettacolo di luci.
17:43
That was like, we considered that super cool.
409
1048000
3000
Era una cosa, per noi era una cosa fortissima.
17:46
CA: Is it unrealistic for them
410
1051000
2000
CA: E' velleitario per queste persone
17:48
to hope or think that that child
411
1053000
2000
sperare o pensare che quel bambino
17:50
loves them, as some might, as most, wish?
412
1055000
3000
li ami, come alcuni, come la maggior parte, desidera.
17:53
TG: Well let me tell you, that child will be loyal,
413
1058000
2000
TG: Mi lasci dire che quel bambino è leale.
17:55
and if your house is burning down, they're going to get you out of it.
414
1060000
2000
E se la casa va a fuoco, vi porterà tutti in salvo.
17:57
CA: Wow. So, most people, if you ask them
415
1062000
3000
CA: Wow. Dunque, la maggior parte della gente, se gli si domanda
18:00
what are they most passionate about, they'd say things like,
416
1065000
2000
cosa li appassiona maggiormente, risponderà qualcosa come,
18:02
"My kids" or "My lover."
417
1067000
3000
"I miei figli" oppure "La persona che amo."
18:05
What are you most passionate about?
418
1070000
3000
Che cosa la appassiona di più?
18:08
TG: I'm passionate about that the things I do
419
1073000
2000
TG: Quel che mi appassiona è che le cose che faccio
18:10
are going to make the world a better place.
420
1075000
2000
rendono il mondo migliore.
18:12
When I have a mother of an autistic child say,
421
1077000
2000
Quando mi arriva una mamma di un bambino autistico e mi dice
18:14
"My kid went to college because of your book,
422
1079000
2000
"Mio figlio è andato all'università grazie al suo libro,
18:16
or one of your lectures," that makes me happy.
423
1081000
2000
o a una sua conferenza" Questo mi fa felice.
18:18
You know, the slaughter plants, I've worked with them
424
1083000
3000
Cioè, gli impianti di macellazione, io ci ho lavorato.
18:21
in the '80s; they were absolutely awful.
425
1086000
2000
Negli anni '80 erano assolutamente atroci.
18:23
I developed a really simple scoring system for slaughter plants
426
1088000
4000
Ho creato un sistema a punti semplicissimo per gli impianti di macellazione
18:27
where you just measure outcomes: How many cattle fell down?
427
1092000
2000
dove si misurano gli esiti: quanti capi sono caduti,
18:29
How many cattle got poked with the prodder?
428
1094000
2000
quanti capi sono stati colpiti dal pungolatore elettrico,
18:31
How many cattle are mooing their heads off?
429
1096000
2000
quanti capi muggiscono come fossero impazziti?
18:33
And it's very, very simple.
430
1098000
2000
Ed è proprio semplicissimo.
18:35
You directly observe a few simple things.
431
1100000
2000
Osservazione diretta di poche cose semplici.
18:37
It's worked really well. I get satisfaction out of
432
1102000
2000
Ha funzionato benissimo. Mi soddisfa
18:39
seeing stuff that makes real change
433
1104000
3000
vedere cose che provocano un cambiamento reale
18:42
in the real world. We need a lot more of that,
434
1107000
2000
nel mondo reale. Abbiamo bisogno di molte più cose così
18:44
and a lot less abstract stuff.
435
1109000
2000
e molto meno di roba astratta.
18:46
(Applause)
436
1111000
7000
(Applausi)
18:53
CA: When we were talking on the phone, one of the things you said that
437
1118000
2000
CA: Quando eravamo al telefono, una delle cose che ha detto
18:55
really astonished me was you said one thing
438
1120000
2000
mi ha davvero stupito, quando ha detto una cosa,
18:57
you were passionate about was server farms. Tell me about that.
439
1122000
4000
che era appassionata di server. Me ne parli ancora.
19:01
TG: Well the reason why I got really excited when I read about that,
440
1126000
3000
TG: Beh, il motivo per cui mi sono entusiasmata quando ho letto dei server è
19:04
it contains knowledge.
441
1129000
3000
che contengono sapere.
19:07
It's libraries.
442
1132000
2000
Sono biblioteche.
19:09
And to me, knowledge is something
443
1134000
2000
E per me il sapere è qualcosa
19:11
that is extremely valuable. So, maybe, over 10 years ago
444
1136000
2000
di estremamente prezioso. Circa una decina di anni fa
19:13
now our library got flooded.
445
1138000
2000
beh, la nostra biblioteca si è allagata.
19:15
And this is before the Internet got really big.
446
1140000
2000
E questo prima che internet diventasse così grande.
19:17
And I was really upset about all the books being wrecked,
447
1142000
2000
Ed ero davvero dispiaciuta per tutti questi libri rovinati,
19:19
because it was knowledge being destroyed.
448
1144000
2000
perché era sapere che veniva distrutto.
19:21
And server farms, or data centers
449
1146000
2000
E i server, o centri di raccolta dati,
19:23
are great libraries of knowledge.
450
1148000
3000
sono grandi biblioteche del sapere.
19:26
CA: Temple, can I just say it's an absolute delight to have you at TED.
451
1151000
3000
CA: Temple, posso solo dire che è stato meraviglioso averla qui al TED.
19:29
TG: Well thank you so much. Thank you.
452
1154000
3000
TG: Allora la ringrazio tanto. Grazie a tutti.
19:32
(Applause)
453
1157000
6000
(Applausi)
ABOUT THE SPEAKER
Temple Grandin - Livestock handling designer, autism activistThrough groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds.
Why you should listen
An expert on animal behavior, Temple Grandin has designed humane handling systems for half the cattle-processing facilities in the US, and consults with the meat industry to develop animal welfare guidelines. As PETA wrote when awarding her a 2004 Proggy: “Dr. Grandin's improvements to animal-handling systems found in slaughterhouses have decreased the amount of fear and pain that animals experience in their final hours, and she is widely considered the world's leading expert on the welfare of cattle and pigs.” In 2010, Time Magazine listed her as one of its most Important People of the Year. She is also a member of the American Academy of Arts and Sciences.
Grandin’s books about her interior life as an autistic person have increased the world's understanding of the condition with personal immediacy -- and with import, as rates of autism diagnosis rise. She is revered by animal rights groups and members of autistic community, perhaps because in both regards she is a voice for those who are sometimes challenged to make themselves heard.
Temple Grandin | Speaker | TED.com