TED2014
Ray Kurzweil: Get ready for hybrid thinking
Bereid je voor op hybride denken
Filmed:
Readability: 4.4
3,548,296 views
Tweehonderd miljoen jaar geleden ontwikkelden onze zoogdier-voorouders een nieuwe hersenfunctie: de neocortex. Dit stukje weefsel ter grootte van een postzegel (rond hersenen ter grootte van een walnoot) is de sleutel tot wat de mensheid is geworden. Futurist Ray Kurzweil suggereert dat we ons klaar moeten houden voor de volgende grote stap in hersenvermogen, als we de rekenkracht in de cloud gaan aanboren.
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
Ik vertel jullie
een 200 miljoen jaar oud verhaal:
een 200 miljoen jaar oud verhaal:
00:15
It goes back 200 million years.
1
3304
1799
het verhaal van de neocortex,
00:17
It's a story of the neocortex,
2
5103
1984
00:19
which means "new rind."
3
7087
1974
wat 'nieuwe schil’ betekent.
00:21
So in these early mammals,
4
9061
2431
Deze vroege zoogdieren
00:23
because only mammals have a neocortex,
5
11492
2055
- alleen zoogdieren
hebben een neocortex -
hebben een neocortex -
00:25
rodent-like creatures.
6
13547
1664
waren knaagdierachtige wezens.
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
Het was iets als een postzegel,
en net zo dun,
een dun laagje rond de hersenen
00:30
and was a thin covering around
8
18790
1439
00:32
their walnut-sized brain,
9
20229
2264
ter grootte van een walnoot.
00:34
but it was capable of a new type of thinking.
10
22493
3701
Maar het kon
op een nieuwe manier denken.
op een nieuwe manier denken.
00:38
Rather than the fixed behaviors
11
26194
1567
In plaats van het vaste gedrag
00:39
that non-mammalian animals have,
12
27761
1992
van niet-zoogdieren
00:41
it could invent new behaviors.
13
29753
2692
kon het nieuw gedrag bedenken.
00:44
So a mouse is escaping a predator,
14
32445
2553
Als een muis aan een roofdier ontsnapt
00:46
its path is blocked,
15
34998
1540
en het pad geblokkeerd is,
00:48
it'll try to invent a new solution.
16
36538
2129
zal ze een nieuwe oplossing verzinnen.
Dat werkt wel of niet,
00:50
That may work, it may not,
17
38667
1266
maar als het werkt,
zal ze het zich herinneren
zal ze het zich herinneren
00:51
but if it does, it will remember that
18
39933
1910
00:53
and have a new behavior,
19
41843
1292
en een nieuw gedrag vertonen
00:55
and that can actually spread virally
20
43135
1457
dat zich viraal kan verspreiden
00:56
through the rest of the community.
21
44592
2195
door de rest van de gemeenschap.
Andere muizen kijken het af en zeggen,
00:58
Another mouse watching this could say,
22
46787
1609
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
"He, rond die rots lopen is slim."
01:03
and it could adopt a new behavior as well.
24
51100
3725
en ze gaan het ook doen.
01:06
Non-mammalian animals
25
54825
1717
Niet-zoogdieren
01:08
couldn't do any of those things.
26
56542
1713
kunnen dat niet.
01:10
They had fixed behaviors.
27
58255
1215
Hun gedrag ligt vast.
Ze kunnen nieuw gedrag leren
01:11
Now they could learn a new behavior
28
59470
1331
01:12
but not in the course of one lifetime.
29
60801
2576
maar niet tijdens één leven.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
Misschien in wel duizend levens
01:17
it could evolve a new fixed behavior.
31
65144
3330
kan een nieuw vast gedrag evolueren.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
200 miljoen jaar geleden was dat oké.
01:23
The environment changed very slowly.
33
71851
1981
De omgeving veranderde heel langzaam.
Het kon 10.000 jaar duren voor er
01:25
It could take 10,000 years for there to be
34
73832
1554
01:27
a significant environmental change,
35
75386
2092
significante veranderingen
optraden in het milieu.
optraden in het milieu.
01:29
and during that period of time
36
77478
1382
Gedurende die periode
01:30
it would evolve a new behavior.
37
78860
2929
kon zich een nieuw gedrag ontwikkelen.
01:33
Now that went along fine,
38
81789
1521
Dat ging prima,
01:35
but then something happened.
39
83310
1704
maar toen gebeurde er iets.
01:37
Sixty-five million years ago,
40
85014
2246
Vijfenzestig miljoen jaar geleden
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
gebeurde er een verwoestende
milieu-impact.
milieu-impact.
01:41
We call it the Cretaceous extinction event.
42
89875
3505
We noemen het de Krijt-massaextinctie.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
Toen stierven de dinosaurussen uit,
01:47
that's when 75 percent of the
44
95673
3449
en daarbij nog eens 75 procent
01:51
animal and plant species went extinct,
45
99122
2746
van alle dier- en plantensoorten.
01:53
and that's when mammals
46
101868
1745
Toen namen de zoogdieren
01:55
overtook their ecological niche,
47
103613
2152
hun ecologische niches over.
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
Mocht de evolutie kunnen denken,
zou ze zeggen:
zou ze zeggen:
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
"Hmm, die neocortex is best goed spul,
02:03
and it began to grow it.
50
111444
1793
we gaan die wat laten groeien.”
02:05
And mammals got bigger,
51
113237
1342
De zoogdieren werden groter,
02:06
their brains got bigger at an even faster pace,
52
114579
2915
ook hun hersenen
in een nog sneller tempo,
in een nog sneller tempo,
02:09
and the neocortex got bigger even faster than that
53
117494
3807
en de neocortex
werd zelfs nog sneller groter
werd zelfs nog sneller groter
02:13
and developed these distinctive ridges and folds
54
121301
2929
en ontwikkelde de karakteristieke
ribbels en plooien
ribbels en plooien
02:16
basically to increase its surface area.
55
124230
2881
om de oppervlakte ervan te vergroten.
02:19
If you took the human neocortex
56
127111
1819
Als je de menselijke neocortex uitspreidt,
02:20
and stretched it out,
57
128930
1301
is hij ongeveer zo groot als een servet,
02:22
it's about the size of a table napkin,
58
130231
1713
02:23
and it's still a thin structure.
59
131944
1306
en nog steeds erg dun.
02:25
It's about the thickness of a table napkin.
60
133250
1980
Ongeveer de dikte van een servet.
02:27
But it has so many convolutions and ridges
61
135230
2497
Maar hij heeft
zo veel windingen en ribbels
zo veel windingen en ribbels
02:29
it's now 80 percent of our brain,
62
137727
3075
dat hij nu 80 procent
van onze hersenen beslaat.
van onze hersenen beslaat.
02:32
and that's where we do our thinking,
63
140802
2461
Het is waar we denken,
02:35
and it's the great sublimator.
64
143263
1761
en het is de grote sublimator.
We hebben nog steeds
die oude hersenen
die oude hersenen
02:37
We still have that old brain
65
145024
1114
02:38
that provides our basic drives and motivations,
66
146138
2764
voor onze oerdriften en motivaties.
02:40
but I may have a drive for conquest,
67
148902
2716
Ik kan geneigd zijn
om op verovering uit te gaan,
om op verovering uit te gaan,
02:43
and that'll be sublimated by the neocortex
68
151618
2715
maar de neocortex kan dat sublimeren
02:46
into writing a poem or inventing an app
69
154333
2909
tot het schrijven van een gedicht,
het uitvinden van een app
het uitvinden van een app
02:49
or giving a TED Talk,
70
157242
1509
of het geven van een TED-talk,
02:50
and it's really the neocortex that's where
71
158751
3622
In de neocortex gebeurt het.
02:54
the action is.
72
162373
1968
Vijftig jaar geleden schreef ik een paper
02:56
Fifty years ago, I wrote a paper
73
164341
1717
over hoe ik dacht
dat de hersenen werkten.
dat de hersenen werkten.
02:58
describing how I thought the brain worked,
74
166058
1918
02:59
and I described it as a series of modules.
75
167976
3199
Ik beschreef het
als een reeks modules.
als een reeks modules.
03:03
Each module could do things with a pattern.
76
171175
2128
Elke module kan iets doen
met een patroon.
met een patroon.
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
Ze kan een patroon leren,
zich een patroon herinneren.
zich een patroon herinneren.
03:08
It could implement a pattern.
78
176049
1407
Ze kan een patroon uitvoeren.
03:09
And these modules were organized in hierarchies,
79
177456
2679
Deze modules werden
in hiërarchieën georganiseerd,
in hiërarchieën georganiseerd,
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
en we creëerden deze hiërarchie
door ons eigen denken.
door ons eigen denken.
03:15
And there was actually very little to go on
81
183089
3333
50 jaar geleden had je
eigenlijk heel weinig houvast.
eigenlijk heel weinig houvast.
03:18
50 years ago.
82
186422
1562
Het bracht me in contact
met president Johnson.
met president Johnson.
03:19
It led me to meet President Johnson.
83
187984
2115
03:22
I've been thinking about this for 50 years,
84
190099
2173
Ik heb er 50 jaar
over zitten nadenken,
over zitten nadenken,
03:24
and a year and a half ago I came out with the book
85
192272
2828
en anderhalf jaar geleden
kwam ik met het boek:
kwam ik met het boek:
"Hoe maak je een Verstand.”
03:27
"How To Create A Mind,"
86
195100
1265
03:28
which has the same thesis,
87
196365
1613
Hetzelfde thema,
03:29
but now there's a plethora of evidence.
88
197978
2812
maar nu met een overvloed aan bewijs.
03:32
The amount of data we're getting about the brain
89
200790
1814
De hoeveelheid data over de hersenen
03:34
from neuroscience is doubling every year.
90
202604
2203
via de neurowetenschappen
verdubbelt elk jaar.
verdubbelt elk jaar.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
De ruimtelijke resolutie
van allerlei soorten hersenscanning
van allerlei soorten hersenscanning
03:39
is doubling every year.
92
207461
2285
verdubbelt elk jaar.
We kunnen nu in een levend brein kijken
03:41
We can now see inside a living brain
93
209746
1717
03:43
and see individual interneural connections
94
211463
2870
en individuele interneurale aansluitingen
03:46
connecting in real time, firing in real time.
95
214333
2703
in real time zien ontstaan en vuren.
03:49
We can see your brain create your thoughts.
96
217036
2419
We zien hoe je hersenen
gedachten maken
gedachten maken
03:51
We can see your thoughts create your brain,
97
219455
1575
en gedachten je hersenen maken.
03:53
which is really key to how it works.
98
221030
1999
Dat is echt de sleutel
tot hoe het werkt.
tot hoe het werkt.
03:55
So let me describe briefly how it works.
99
223029
2219
Laat ik dat in het kort beschrijven.
03:57
I've actually counted these modules.
100
225248
2275
Ik heb deze modules echt geteld.
03:59
We have about 300 million of them,
101
227523
2046
We hebben er ongeveer 300 miljoen van,
04:01
and we create them in these hierarchies.
102
229569
2229
en we maken ze
in dit soort hiërarchieën.
in dit soort hiërarchieën.
Ik zal jullie
een eenvoudig voorbeeld geven.
een eenvoudig voorbeeld geven.
04:03
I'll give you a simple example.
103
231798
2082
04:05
I've got a bunch of modules
104
233880
2805
Ik heb een heleboel modules
die de dwarsstreep van een letter A
kunnen herkennen.
kunnen herkennen.
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
04:12
and that's all they care about.
106
240088
1914
Dat is het enige waar ze om geven.
04:14
A beautiful song can play,
107
242002
1578
Er kan een mooi liedje spelen
of een mooi meisje voorbijlopen,
04:15
a pretty girl could walk by,
108
243580
1434
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
het laat ze koud,
maar die dwarsstreep zien ze wel.
maar die dwarsstreep zien ze wel.
04:19
they get very excited and they say "crossbar,"
110
247860
3021
Enthousiast zeggen ze:
”Dwarsstreep!"
”Dwarsstreep!"
04:22
and they put out a high probability
111
250881
2112
en ze steken
een grote waarschijnlijkheid
een grote waarschijnlijkheid
04:24
on their output axon.
112
252993
1634
op hun output-axon.
Dat gaat naar het volgende niveau,
04:26
That goes to the next level,
113
254627
1333
04:27
and these layers are organized in conceptual levels.
114
255960
2750
waar alles georganiseerd is
in conceptuele niveaus,
in conceptuele niveaus,
elk abstracter dan het volgende.
04:30
Each is more abstract than the next one,
115
258710
1856
Het volgende zou kunnen zeggen:
”Hoofdletter A".
”Hoofdletter A".
04:32
so the next one might say "capital A."
116
260566
2418
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
Op een nog hoger niveau
kan dat ”Apple" worden.
kan dat ”Apple" worden.
04:37
Information flows down also.
118
265875
2167
Informatie stroomt ook terug.
Als de apple-herkenner
A-P-P-L heeft gezien,
A-P-P-L heeft gezien,
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
zal hij bij zichzelf denken: ”Hmm,
daar zal wel een E achter komen” ,
daar zal wel een E achter komen” ,
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
een signaal terugsturen
naar alle E-herkenners
naar alle E-herkenners
04:48
saying, "Be on the lookout for an E,
122
276761
1619
en zeggen: ”Kijk uit naar een E,
04:50
I think one might be coming."
123
278380
1556
die kan eraan komen.”
04:51
The E recognizers will lower their threshold
124
279936
2843
De E-herkenners
zullen hun drempel verlagen
zullen hun drempel verlagen
en een slordige E gaan zien.
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
Normaal gesproken
zou je zo niet denken,
zou je zo niet denken,
04:56
Ordinarily you wouldn't think so,
126
284724
1490
04:58
but we're expecting an E, it's good enough,
127
286214
2009
maar we verwachten een E,
het is goed genoeg,
het is goed genoeg,
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
en ja, ik zag een E, en dan
zegt de apple-herkenner: "Apple!"
zegt de apple-herkenner: "Apple!"
05:02
"Yeah, I've seen an Apple."
129
290040
1728
05:03
Go up another five levels,
130
291768
1746
Ga nog eens vijf niveaus omhoog,
en je zit op een vrij hoog niveau
05:05
and you're now at a pretty high level
131
293514
1353
05:06
of this hierarchy,
132
294867
1569
van deze hiërarchie
en dan weer omlaag
naar de verschillende zintuigen,
naar de verschillende zintuigen,
05:08
and stretch down into the different senses,
133
296436
2353
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
en je hebt een module
die een bepaalde structuur ziet,
die een bepaalde structuur ziet,
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
een bepaalde stemkwaliteit hoort,
een bepaald parfum ruikt,
een bepaald parfum ruikt,
05:16
and will say, "My wife has entered the room."
136
304288
2513
en zegt: ”Mijn vrouw is net
de kamer binnengekomen."
de kamer binnengekomen."
05:18
Go up another 10 levels, and now you're at
137
306801
1895
Nog eens 10 niveaus,
en je zit
en je zit
05:20
a very high level.
138
308696
1160
op een zeer hoog niveau,
05:21
You're probably in the frontal cortex,
139
309856
1937
waarschijnlijk in de frontale cortex,
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
met modules die zeggen:
”Dat was ironisch.
”Dat was ironisch.
05:27
That's funny. She's pretty."
141
315560
2370
Dat is grappig. Ze is mooi.”
Je zou kunnen denken
dat die meer verfijnd zijn,
dat die meer verfijnd zijn,
05:29
You might think that those are more sophisticated,
142
317930
2105
05:32
but actually what's more complicated
143
320035
1506
maar in feite
is de hiërarchie eronder ingewikkelder.
is de hiërarchie eronder ingewikkelder.
05:33
is the hierarchy beneath them.
144
321541
2669
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
Een 16-jarig meisje
onderging een hersenoperatie.
onderging een hersenoperatie.
05:38
and she was conscious because the surgeons
146
326830
2051
Ze was bij bewustzijn omdat de chirurgen
met haar wilden praten.
met haar wilden praten.
05:40
wanted to talk to her.
147
328881
1537
05:42
You can do that because there's no pain receptors
148
330418
1822
Dat gaat omdat er geen pijnreceptoren
zijn in de hersenen.
zijn in de hersenen.
05:44
in the brain.
149
332240
1038
05:45
And whenever they stimulated particular,
150
333278
1800
Toen ze bepaalde zeer kleine punten
in haar neocortex stimuleerden,
in haar neocortex stimuleerden,
05:47
very small points on her neocortex,
151
335078
2463
05:49
shown here in red, she would laugh.
152
337541
2665
- hier in rood weergegeven –
lachte ze.
lachte ze.
In eerste instantie dachten ze
dat ze een soort lachreflex uitlokten,
dat ze een soort lachreflex uitlokten,
05:52
So at first they thought they were triggering
153
340206
1440
05:53
some kind of laugh reflex,
154
341646
1720
05:55
but no, they quickly realized they had found
155
343366
2519
maar nee, ze beseften snel
dat ze in haar neocortex
dat ze in haar neocortex
05:57
the points in her neocortex that detect humor,
156
345885
3044
de punten hadden gevonden
die humor detecteren.
die humor detecteren.
06:00
and she just found everything hilarious
157
348929
1969
Ze vond alles hilarisch
06:02
whenever they stimulated these points.
158
350898
2437
als ze deze punten stimuleerden.
06:05
"You guys are so funny just standing around,"
159
353335
1925
"Jullie staan er zo grappig bij,"
06:07
was the typical comment,
160
355260
1738
was de typische reactie,
06:08
and they weren't funny,
161
356998
2302
en ze waren helemaal niet grappig,
06:11
not while doing surgery.
162
359300
3247
zeker niet terwijl ze
met een operatie bezig waren.
met een operatie bezig waren.
06:14
So how are we doing today?
163
362547
4830
Hoe zit het nu vandaag?
06:19
Well, computers are actually beginning to master
164
367377
3054
Computers beginnen
menselijke taal te beheersen
menselijke taal te beheersen
06:22
human language with techniques
165
370431
2001
met technieken die lijken
op die van de neocortex.
op die van de neocortex.
06:24
that are similar to the neocortex.
166
372432
2867
06:27
I actually described the algorithm,
167
375299
1514
Ik beschreef het algoritme,
06:28
which is similar to something called
168
376813
2054
dat vergelijkbaar is met een zogenaamd
06:30
a hierarchical hidden Markov model,
169
378867
2233
hiërarchisch verborgen Markov model,
06:33
something I've worked on since the '90s.
170
381100
3241
iets waar ik sinds de jaren 90
aan heb gewerkt.
aan heb gewerkt.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
"Jeopardy” is een veelomvattend spel
met natuurlijke taal,
met natuurlijke taal,
06:39
and Watson got a higher score
172
387579
1892
en Watson kreeg een hogere score
06:41
than the best two players combined.
173
389471
2000
dan de beste twee spelers samen.
06:43
It got this query correct:
174
391471
2499
Hij beantwoordde deze vraag correct:
06:45
"A long, tiresome speech
175
393970
2085
"Een lange, vermoeiende toespraak
door een schuimige taarttopping,”
door een schuimige taarttopping,”
06:48
delivered by a frothy pie topping,"
176
396055
2152
en hij reageerde prompt:
"Wat is een meringue harangue (tirade)?"
"Wat is een meringue harangue (tirade)?"
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
Jennings en de andere man
hadden dat niet.
hadden dat niet.
Het is een vrij geavanceerd voorbeeld
06:55
It's a pretty sophisticated example of
179
403638
1926
van hoe computers
menselijke taal begrijpen.
menselijke taal begrijpen.
06:57
computers actually understanding human language,
180
405564
1914
06:59
and it actually got its knowledge by reading
181
407478
1652
Hij verkreeg zijn kennis door het lezen
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
van Wikipedia
en andere encyclopedieën.
en andere encyclopedieën.
5 tot 10 jaar na nu
07:04
Five to 10 years from now,
183
412915
2133
07:07
search engines will actually be based on
184
415048
2184
zullen zoekmachines niet alleen
07:09
not just looking for combinations of words and links
185
417232
2794
op zoek gaan naar combinaties
van woorden en verbanden,
van woorden en verbanden,
07:12
but actually understanding,
186
420026
1914
maar echt begrijpen wat er staat
07:13
reading for understanding the billions of pages
187
421940
2411
op de miljarden pagina's van het web
en in boeken.
en in boeken.
07:16
on the web and in books.
188
424351
2733
Je bent op wandel,
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
Google springt tevoorschijn
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
en zegt: ”Weet je, Mary,
vorige maand was je bezorgd
vorige maand was je bezorgd
07:24
to me a month ago that your glutathione supplement
191
432781
3019
dat je glutathionsupplement
niet voorbij de bloed-
hersenbarrière geraakte.
hersenbarrière geraakte.
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
Net 13 seconden geleden bracht
nieuw onderzoek aan het licht
nieuw onderzoek aan het licht
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
07:32
that shows a whole new approach to that
194
440624
1711
dat er een geheel nieuwe manier is
07:34
and a new way to take glutathione.
195
442335
1993
om glutathion in te nemen.
07:36
Let me summarize it for you."
196
444328
2562
Laat het me voor je samenvatten.”
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
Binnen twintig jaar hebben we nanobots.
07:42
because another exponential trend
198
450574
1627
De technologie wordt
exponentieel geminiaturiseerd.
exponentieel geminiaturiseerd.
07:44
is the shrinking of technology.
199
452201
1615
07:45
They'll go into our brain
200
453816
2370
Ze zullen via de haarvaten
07:48
through the capillaries
201
456186
1703
in onze hersenen geraken
07:49
and basically connect our neocortex
202
457889
2477
en onze neocortex verbinden
07:52
to a synthetic neocortex in the cloud
203
460366
3185
met een synthetische neocortex
in de cloud
in de cloud
07:55
providing an extension of our neocortex.
204
463551
3591
en zo een uitbreiding zijn
van onze neocortex.
van onze neocortex.
07:59
Now today, I mean,
205
467142
1578
Vandaag, bedoel ik,
08:00
you have a computer in your phone,
206
468720
1530
heb je een computer in je telefoon,
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
maar als je even
10.000 computers nodig hebt
10.000 computers nodig hebt
08:05
to do a complex search,
208
473004
1495
voor een complex onderzoek,
08:06
you can access that for a second or two in the cloud.
209
474499
3396
kan dat even in de cloud.
Heb je in de jaren na 2030
wat extra neocortex nodig,
wat extra neocortex nodig,
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
08:12
you'll be able to connect to that in the cloud
211
480990
2273
dan kan dat rechtstreeks
vanuit je hersenen naar de cloud.
vanuit je hersenen naar de cloud.
08:15
directly from your brain.
212
483263
1648
08:16
So I'm walking along and I say,
213
484911
1543
Bij het rondlopen zeg ik:
08:18
"Oh, there's Chris Anderson.
214
486454
1363
"Ach, daar komt
Chris Anderson aangelopen.
Chris Anderson aangelopen.
08:19
He's coming my way.
215
487817
1525
08:21
I'd better think of something clever to say.
216
489342
2335
Ik kan maar beter
iets slims bedenken.
iets slims bedenken.
08:23
I've got three seconds.
217
491677
1524
Ik heb 3 seconden.
08:25
My 300 million modules in my neocortex
218
493201
3097
Mijn 300 miljoen modules
in mijn neocortex kunnen dat niet.
in mijn neocortex kunnen dat niet.
08:28
isn't going to cut it.
219
496298
1240
Ik heb er een miljard meer nodig.”
08:29
I need a billion more."
220
497538
1246
08:30
I'll be able to access that in the cloud.
221
498784
3323
In de cloud gaat dat kunnen.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
Ons denken zal een hybride zijn
08:36
of biological and non-biological thinking,
223
504919
3522
van biologisch en niet-biologisch denken,
08:40
but the non-biological portion
224
508441
1898
maar het niet-biologische gedeelte
is onderworpen aan mijn wet
van versnellende opbrengsten.
van versnellende opbrengsten.
08:42
is subject to my law of accelerating returns.
225
510339
2682
08:45
It will grow exponentially.
226
513021
2239
Het zal exponentieel groeien.
08:47
And remember what happens
227
515260
2016
Denk aan wat er gebeurde
vorige keer dat wij
onze neocortex uitbreidden.
onze neocortex uitbreidden.
08:49
the last time we expanded our neocortex?
228
517276
2645
Dat was twee miljoen jaar geleden
08:51
That was two million years ago
229
519921
1426
toen we mensachtigen werden
08:53
when we became humanoids
230
521347
1236
08:54
and developed these large foreheads.
231
522583
1594
met die grote voorhoofden.
08:56
Other primates have a slanted brow.
232
524177
2583
Andere primaten hebben
een schuin voorhoofd.
een schuin voorhoofd.
08:58
They don't have the frontal cortex.
233
526760
1745
Ze hebben geen frontale cortex.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
Maar de frontale cortex is niet
echt kwalitatief verschillend.
echt kwalitatief verschillend.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
Het is een kwantitatieve uitbreiding
van de neocortex,
van de neocortex,
09:06
but that additional quantity of thinking
236
534933
2703
maar die extra hoeveelheid denkvermogen
09:09
was the enabling factor for us to take
237
537636
1779
was de sleutelfactor om ons
09:11
a qualitative leap and invent language
238
539415
3346
een kwalitatieve sprong te laten maken.
We vonden taal,
We vonden taal,
09:14
and art and science and technology
239
542761
1967
kunst, wetenschap, technologie
09:16
and TED conferences.
240
544728
1454
en TED-conferenties uit.
Geen enkele andere diersoort
heeft dat ooit gedaan.
heeft dat ooit gedaan.
09:18
No other species has done that.
241
546182
2131
09:20
And so, over the next few decades,
242
548313
2075
In de komende decennia
09:22
we're going to do it again.
243
550388
1760
gaan we het weer doen.
09:24
We're going to again expand our neocortex,
244
552148
2274
We gaan onze neocortex
weer uitbreiden,
weer uitbreiden,
09:26
only this time we won't be limited
245
554422
1756
alleen zullen we dit keer
niet worden beperkt
niet worden beperkt
09:28
by a fixed architecture of enclosure.
246
556178
4280
door een vaste architectuur
van behuizing.
van behuizing.
09:32
It'll be expanded without limit.
247
560458
3304
Hij zal zonder beperking
worden uitgebreid.
worden uitgebreid.
09:35
That additional quantity will again
248
563762
2243
Die extra hoeveelheid zal opnieuw
09:38
be the enabling factor for another qualitative leap
249
566005
3005
de sleutelfactor zijn
voor een kwalitatieve sprong
voor een kwalitatieve sprong
09:41
in culture and technology.
250
569010
1635
in cultuur en technologie.
09:42
Thank you very much.
251
570645
2054
Heel hartelijk bedankt.
09:44
(Applause)
252
572699
3086
(Applaus)
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