TED2013
Erik Brynjolfsson: The key to growth? Race with the machines
Erik Brynjolfsson: Klucz do rozwoju? Współpraca z maszynami
Filmed:
Readability: 4.6
1,321,770 views
W związku z tym, że maszyny przejmują coraz więcej stanowisk, wielu ludzi traci pracę lub nieskończenie czeka na podwyżkę. Czy to kres rozwoju? Erik Brynjolfsson twierdzi, że nie – to po prostu trudności początkowe związane z radykalnie zreformowaną gospodarką. Interesująca argumentacja uzasadniająca, czemu przed nami leżą wielkie innowacje ... jeżeli uznamy komputery za członków naszego zespołu. Zapoznajcie się też z przeciwnym punktem widzenia Roberta Gordona.
Erik Brynjolfsson - Innovation researcher
Erik Brynjolfsson examines the effects of information technologies on business strategy, productivity and employment. Full bio
Erik Brynjolfsson examines the effects of information technologies on business strategy, productivity and employment. Full bio
Double-click the English transcript below to play the video.
00:12
Growth is not dead.
0
605
2272
Rozwój nie umarł.
00:14
(Applause)
1
2877
1386
(Brawa)
00:16
Let's start the story 120 years ago,
2
4263
3963
Historię zacznijmy
od cofnięcia się o 120 lat,
od cofnięcia się o 120 lat,
00:20
when American factories began to electrify their operations,
3
8226
3632
kiedy amerykańskie fabryki zaczęły
wykorzystywać energię elektryczną,
wykorzystywać energię elektryczną,
00:23
igniting the Second Industrial Revolution.
4
11858
3344
rozpoczynając drugą rewolucję przemysłową.
00:27
The amazing thing is
5
15202
1111
Niesamowite jest to,
00:28
that productivity did not increase in those factories
6
16313
2777
że wydajność w tych fabrykach nie wzrosła
00:31
for 30 years. Thirty years.
7
19090
3256
przez trzydzieści lat.
00:34
That's long enough for a generation of managers to retire.
8
22346
3474
To wystarczająco długo, aby pokolenie
kierowników mogło przejść na emeryturę.
kierowników mogło przejść na emeryturę.
00:37
You see, the first wave of managers
9
25820
2222
Pierwsza fala kierowników
00:40
simply replaced their steam engines with electric motors,
10
28042
3417
po prostu zastąpiła silniki parowe
silnikami elektrycznymi,
silnikami elektrycznymi,
00:43
but they didn't redesign the factories to take advantage
11
31459
3010
ale nie przekonstruowali fabryk tak,
00:46
of electricity's flexibility.
12
34469
2341
aby mogli skorzystać
z elastyczności elektryczności.
z elastyczności elektryczności.
00:48
It fell to the next generation to invent new work processes,
13
36810
3984
To nowe pokolenie
opracowało nowe procesy pracy
opracowało nowe procesy pracy
00:52
and then productivity soared,
14
40794
2727
i wtedy wydajność w tych fabrykach wzrosła,
00:55
often doubling or even tripling in those factories.
15
43521
3665
często dwukrotnie lub nawet trzykrotnie.
00:59
Electricity is an example of a general purpose technology,
16
47186
4723
Elektryczność jest przykładem
technologii ogólnego zastosowania,
technologii ogólnego zastosowania,
01:03
like the steam engine before it.
17
51909
2230
tak jak wcześniej silnik parowy.
01:06
General purpose technologies drive most economic growth,
18
54139
3416
Technologie ogólnego zastosowanie
napędzają wzrost gospodarczy,
napędzają wzrost gospodarczy,
01:09
because they unleash cascades of complementary innovations,
19
57555
3454
ponieważ wiążą się
z masą dodatkowych innowacji,
z masą dodatkowych innowacji,
01:13
like lightbulbs and, yes, factory redesign.
20
61009
3632
takich jak żarówki i właśnie
przeprojektowywanie fabryk.
przeprojektowywanie fabryk.
01:16
Is there a general purpose technology of our era?
21
64641
3610
Czy w naszej erze istnieje
technologia ogólnego zastosowania?
technologia ogólnego zastosowania?
01:20
Sure. It's the computer.
22
68251
2508
Pewnie. Komputer.
01:22
But technology alone is not enough.
23
70759
2659
Jednak sama technologia nie wystarczy.
01:25
Technology is not destiny.
24
73418
2766
Technologia to nie przeznaczenie.
01:28
We shape our destiny,
25
76184
1580
Sami kształtujemy swoje przeznaczenie
01:29
and just as the earlier generations of managers
26
77764
2516
i tak jak wcześniejsze
pokolenia kierowników
pokolenia kierowników
01:32
needed to redesign their factories,
27
80280
2298
musiały przeprojektować fabryki,
01:34
we're going to need to reinvent our organizations
28
82578
2229
tak my musimy
zreformować nasze organizacje,
zreformować nasze organizacje,
01:36
and even our whole economic system.
29
84807
2555
a nawet cały system gospodarczy.
01:39
We're not doing as well at that job as we should be.
30
87362
3602
Nie radzimy sobie z tym tak dobrze,
jak powinniśmy.
jak powinniśmy.
01:42
As we'll see in a moment,
31
90964
1230
Jak za chwilę zobaczymy,
01:44
productivity is actually doing all right,
32
92194
2722
wydajność ma się dobrze,
01:46
but it has become decoupled from jobs,
33
94916
3862
ale stała się niezależna od prac.
01:50
and the income of the typical worker is stagnating.
34
98778
4419
Dochód przeciętnego pracownika
tkwi w zastoju.
tkwi w zastoju.
01:55
These troubles are sometimes misdiagnosed
35
103197
2519
Te problemy często błędnie interpretuje się
01:57
as the end of innovation,
36
105716
3712
jako kres innowacji,
02:01
but they are actually the growing pains
37
109428
2129
ale w rzeczywistości to
początkowe trudności
początkowe trudności
02:03
of what Andrew McAfee and I call the new machine age.
38
111557
5590
związane z tym, co z Andrew McAfeem
nazywamy nową erą maszyn.
nazywamy nową erą maszyn.
02:09
Let's look at some data.
39
117147
1882
Przyjrzyjmy się danym.
02:11
So here's GDP per person in America.
40
119029
2902
To wskaźnik PKB na osobę w Ameryce.
02:13
There's some bumps along the way, but the big story
41
121931
2766
Po drodze natrafiamy na pewne wyboje,
02:16
is you could practically fit a ruler to it.
42
124697
2715
ale ogólnie jest praktycznie
równy jak od linijki.
równy jak od linijki.
02:19
This is a log scale, so what looks like steady growth
43
127412
3276
To skala logarytmiczna, dlatego to,
co wygląda jak stały wzrost,
co wygląda jak stały wzrost,
02:22
is actually an acceleration in real terms.
44
130688
3043
to zwiększenie w rzeczywistych warunkach.
02:25
And here's productivity.
45
133731
2160
Tutaj mamy wydajność.
02:27
You can see a little bit of a slowdown there in the mid-'70s,
46
135891
2671
Widać lekkie spowolnienie
w połowie lat 70.,
w połowie lat 70.,
02:30
but it matches up pretty well with the Second Industrial Revolution,
47
138562
3738
ale bardzo dobrze dopasowuje się do
drugiej rewolucji przemysłowej,
drugiej rewolucji przemysłowej,
02:34
when factories were learning how to electrify their operations.
48
142300
2691
kiedy fabryki uczyły się,
jak elektryfikować działanie.
jak elektryfikować działanie.
02:36
After a lag, productivity accelerated again.
49
144991
4129
Po zastoju ponownie nastąpił
wzrost wydajności.
wzrost wydajności.
02:41
So maybe "history doesn't repeat itself,
50
149120
2571
Może "historia się nie powtarza,
02:43
but sometimes it rhymes."
51
151691
2568
ale czasami się rymuje".
02:46
Today, productivity is at an all-time high,
52
154259
3136
Obecnie wydajność osiąga rekordową wartość
02:49
and despite the Great Recession,
53
157395
1977
i pomimo wielkiej recesji
02:51
it grew faster in the 2000s than it did in the 1990s,
54
159372
4252
i w pierwszej dekadzie XXI w.
wzrosła szybciej niż w latach 90. XX w.,
wzrosła szybciej niż w latach 90. XX w.,
02:55
the roaring 1990s, and that was faster than the '70s or '80s.
55
163624
4136
a wzrost był szybszy niż w latach 70. i 80.
02:59
It's growing faster than it did during the Second Industrial Revolution.
56
167760
3674
Wzrasta szybciej niż podczas
drugiej rewolucji przemysłowej.
drugiej rewolucji przemysłowej.
03:03
And that's just the United States.
57
171434
1743
A to tylko Stany Zjednoczone.
03:05
The global news is even better.
58
173177
3248
Wiadomości światowe są nawet lepsze.
03:08
Worldwide incomes have grown at a faster rate
59
176425
2360
Światowe dochody wzrosły szybciej
03:10
in the past decade than ever in history.
60
178785
2496
przez ostatnie 10 lat
niż kiedykolwiek wcześniej.
niż kiedykolwiek wcześniej.
03:13
If anything, all these numbers actually understate our progress,
61
181281
5051
Jeśli już to te wszystkie liczby
pomniejszają nasz postęp,
pomniejszają nasz postęp,
03:18
because the new machine age
62
186332
1912
ponieważ nowa era maszyn
03:20
is more about knowledge creation
63
188244
1664
bardziej wiąże się z tworzeniem wiedzy
03:21
than just physical production.
64
189908
2331
niż z fizyczną produkcją.
03:24
It's mind not matter, brain not brawn,
65
192239
2938
Chodzi o umysł, a nie materię.
O mózg, a nie mięśnie.
O mózg, a nie mięśnie.
03:27
ideas not things.
66
195177
2062
Idee, a nie rzeczy.
03:29
That creates a problem for standard metrics,
67
197239
2570
Stwarza to problem dla standardowym metryk,
03:31
because we're getting more and more stuff for free,
68
199809
3502
ponieważ coraz więcej rzeczy mamy za darmo,
03:35
like Wikipedia, Google, Skype,
69
203311
2641
takich jak Wikipedia, Google, Skype,
03:37
and if they post it on the web, even this TED Talk.
70
205952
3063
i jeżeli umieszczą mnie w sieci,
nawet tę prelekcję.
nawet tę prelekcję.
03:41
Now getting stuff for free is a good thing, right?
71
209015
3303
Lubicie dostawać gratisy?
03:44
Sure, of course it is.
72
212318
1765
Oczywiście, że tak.
03:46
But that's not how economists measure GDP.
73
214083
3868
Ale nie tak ekonomiści mierzą PKB.
03:49
Zero price means zero weight in the GDP statistics.
74
217951
5592
W statystykach PKB cena zerowa
oznacza wagę zerową.
oznacza wagę zerową.
03:55
According to the numbers, the music industry
75
223543
2112
Zgodnie z liczbami przemysł muzyczny
03:57
is half the size that it was 10 years ago,
76
225655
3000
jest o połowę mniejszy niż 10 lat temu,
04:00
but I'm listening to more and better music than ever.
77
228655
3656
ale ja słucham więcej i lepszej muzyki
niż kiedykolwiek.
niż kiedykolwiek.
04:04
You know, I bet you are too.
78
232311
2192
Wy pewnie też.
04:06
In total, my research estimates
79
234503
2723
Według moich badań
04:09
that the GDP numbers miss over 300 billion dollars per year
80
237226
4754
liczby PKB pomijają
ponad 300 mld dolarów rocznie
ponad 300 mld dolarów rocznie
04:13
in free goods and services on the Internet.
81
241980
3346
w darmowych dobrach
i usługach w Internecie.
i usługach w Internecie.
04:17
Now let's look to the future.
82
245326
1789
Spójrzmy w przyszłość.
04:19
There are some super smart people
83
247115
2263
Jest trochę super mądrych ludzi,
04:21
who are arguing that we've reached the end of growth,
84
249378
5019
którzy twierdzą,
że dotarliśmy do końca rozwoju,
że dotarliśmy do końca rozwoju,
04:26
but to understand the future of growth,
85
254397
3558
ale aby zrozumieć przyszłość rozwoju,
04:29
we need to make predictions
86
257955
2683
musimy sformułować prognozy
04:32
about the underlying drivers of growth.
87
260638
3290
na temat czynników
leżących u podstaw rozwoju.
leżących u podstaw rozwoju.
04:35
I'm optimistic, because the new machine age
88
263928
3806
Jestem optymistą, ponieważ nowa era maszyn
04:39
is digital, exponential and combinatorial.
89
267734
5030
jest cyfrowa, wykładnicza
i kombinatoryczna.
i kombinatoryczna.
04:44
When goods are digital, they can be replicated
90
272764
2264
Kiedy dobra są cyfrowe, można je pomnażać.
04:47
with perfect quality at nearly zero cost,
91
275028
4509
Są idealnej jakości
i prawie nic nie kosztują.
i prawie nic nie kosztują.
04:51
and they can be delivered almost instantaneously.
92
279537
4018
I mogą być dostarczone
niemalże natychmiastowo.
niemalże natychmiastowo.
04:55
Welcome to the economics of abundance.
93
283555
2800
Witajcie w ekonomii obfitości.
04:58
But there's a subtler benefit to the digitization of the world.
94
286355
3690
Ale istnieje subtelniejsza korzyść
z digitalizacji świata.
z digitalizacji świata.
05:02
Measurement is the lifeblood of science and progress.
95
290045
4600
Miarą jest siła napędowa nauki i postępu.
05:06
In the age of big data,
96
294645
2148
W erze dużych ilości danych
05:08
we can measure the world in ways we never could before.
97
296793
4286
możemy zmierzyć świat
na sposoby niemożliwe wcześniej.
na sposoby niemożliwe wcześniej.
05:13
Secondly, the new machine age is exponential.
98
301079
4095
Po drugie nowa era maszyn jest wykładnicza.
05:17
Computers get better faster than anything else ever.
99
305174
5935
Komputery stają się lepsze, szybsze
niż cokolwiek innego wcześniej.
niż cokolwiek innego wcześniej.
05:23
A child's Playstation today is more powerful
100
311109
3568
Playstation dziecka ma obecnie większą moc
05:26
than a military supercomputer from 1996.
101
314677
4056
niż wojskowy superkomputer z 1996 roku.
05:30
But our brains are wired for a linear world.
102
318733
3207
Ale nasze mózgi są dostosowane
do linearnego świata.
do linearnego świata.
05:33
As a result, exponential trends take us by surprise.
103
321940
3888
W wyniku trendy wykładnicze nas zaskakują.
05:37
I used to teach my students that there are some things,
104
325828
2602
Kiedyś uczyłem moich uczniów,
że istnieją pewne rzeczy,
że istnieją pewne rzeczy,
05:40
you know, computers just aren't good at,
105
328430
1934
w których komputery nie są dobre,
05:42
like driving a car through traffic.
106
330364
2385
np. prowadzenie samochodu
na zatłoczonych ulicach.
na zatłoczonych ulicach.
05:44
(Laughter)
107
332749
2013
(Śmiech)
05:46
That's right, here's Andy and me grinning like madmen
108
334762
3491
Tak, to Andy i ja szczerzący się jak głupi,
05:50
because we just rode down Route 101
109
338253
2384
ponieważ właśnie przejechaliśmy
przez autostradę 101
przez autostradę 101
05:52
in, yes, a driverless car.
110
340637
3669
w samochodzie bez kierowcy.
05:56
Thirdly, the new machine age is combinatorial.
111
344306
2583
Po trzecie nowa era maszyn
jest kombinatoryczna.
jest kombinatoryczna.
05:58
The stagnationist view is that ideas get used up,
112
346889
4048
Pogląd stagnacyjny twierdzi,
że pomysły się zużywają,
że pomysły się zużywają,
06:02
like low-hanging fruit,
113
350937
1856
jak nisko rosnące owoce,
06:04
but the reality is that each innovation
114
352793
3163
ale w rzeczywistości każda innowacja
06:07
creates building blocks for even more innovations.
115
355956
3256
prowadzi do kolejnych innowacji.
06:11
Here's an example. In just a matter of a few weeks,
116
359212
3345
Podam przykład.
W ciągu zaledwie kilku tygodni
W ciągu zaledwie kilku tygodni
06:14
an undergraduate student of mine
117
362557
2072
jeden z moich studentów
06:16
built an app that ultimately reached 1.3 million users.
118
364629
4111
stworzył aplikację, z której ostatecznie
skorzystało 1,3 miliona użytkowników.
skorzystało 1,3 miliona użytkowników.
06:20
He was able to do that so easily
119
368740
1699
Był w stanie to tak łatwo osiągnąć,
06:22
because he built it on top of Facebook,
120
370439
1827
ponieważ stworzył ją na Facebooku,
06:24
and Facebook was built on top of the web,
121
372266
1933
Facebook stworzono w sieci,
06:26
and that was built on top of the Internet,
122
374199
1698
sieć stworzono w Internecie
06:27
and so on and so forth.
123
375897
2418
i tak dalej.
06:30
Now individually, digital, exponential and combinatorial
124
378315
4765
Z osobna coś cyfrowego,
wykładniczego i kombinatorycznego
wykładniczego i kombinatorycznego
06:35
would each be game-changers.
125
383080
2350
uważano by za przełomowe.
06:37
Put them together, and we're seeing a wave
126
385430
2190
Połączmy te cechy i widzimy falę
06:39
of astonishing breakthroughs,
127
387620
1393
zadziwiających osiągnięć,
06:41
like robots that do factory work or run as fast as a cheetah
128
389013
3060
takich jak roboty w fabryce,
biegające tak szybko jak gepard
biegające tak szybko jak gepard
06:44
or leap tall buildings in a single bound.
129
392073
2796
lub przeskakujące wysokie budynki
za pierwszym podejściem.
za pierwszym podejściem.
06:46
You know, robots are even revolutionizing
130
394869
2232
Roboty nawet rewolucjonizują
06:49
cat transportation.
131
397101
1829
transport kotów.
06:50
(Laughter)
132
398930
2270
(Śmiech)
06:53
But perhaps the most important invention,
133
401200
2732
Ale być może najważniejszym wynalazkiem
06:55
the most important invention is machine learning.
134
403932
5065
jest uczenie maszynowe.
07:00
Consider one project: IBM's Watson.
135
408997
3376
Weźmy pod uwagę jeden projekt:
superkomputer Watson firmy IBM.
superkomputer Watson firmy IBM.
07:04
These little dots here,
136
412373
1589
Te małe kropki tutaj
07:05
those are all the champions on the quiz show "Jeopardy."
137
413962
4860
to wszyscy zwycięzcy
teleturnieju "Jeopardy".
teleturnieju "Jeopardy".
07:10
At first, Watson wasn't very good,
138
418822
2544
Początkowo Watson nie był zbyt dobry,
07:13
but it improved at a rate faster than any human could,
139
421366
5622
ale stawał się lepszy szybciej
niż jakikolwiek człowiek
niż jakikolwiek człowiek
07:18
and shortly after Dave Ferrucci showed this chart
140
426988
2687
i niedługo po tym, jak Dave Ferrucci
pokazał ten wykres
pokazał ten wykres
07:21
to my class at MIT,
141
429675
1652
moim studentom z MIT,
07:23
Watson beat the world "Jeopardy" champion.
142
431327
3542
Watson pokonał
światowego mistrza "Jeopardy".
światowego mistrza "Jeopardy".
07:26
At age seven, Watson is still kind of in its childhood.
143
434869
3989
W wieku 7 lat Watson nadal jest dzieckiem.
07:30
Recently, its teachers let it surf the Internet unsupervised.
144
438858
5318
Ostatnio jego nauczyciele pozwolili mu
surfować po Internecie bez nadzoru.
surfować po Internecie bez nadzoru.
07:36
The next day, it started answering questions with profanities.
145
444176
5946
Następnego dnia zaczął zadawać
pytania zawierające przekleństwa.
pytania zawierające przekleństwa.
07:42
Damn. (Laughter)
146
450122
2274
Cholera. (Śmiech)
07:44
But you know, Watson is growing up fast.
147
452396
2280
Watson szybko się rozwija.
07:46
It's being tested for jobs in call centers, and it's getting them.
148
454676
4212
Stara się o prace w infoliniach
i je dostaje.
i je dostaje.
07:50
It's applying for legal, banking and medical jobs,
149
458888
3724
Ubiega się o stanowiska w prawie,
bankowości, medycynie
bankowości, medycynie
07:54
and getting some of them.
150
462612
1950
i niektóre z nich dostaje.
07:56
Isn't it ironic that at the very moment
151
464562
1889
Czy ironią nie jest to, że właśnie teraz,
07:58
we are building intelligent machines,
152
466451
2234
kiedy budujemy maszyny inteligentne,
08:00
perhaps the most important invention in human history,
153
468685
3449
być może najważniejsze wynalazki
w historii ludzkości,
w historii ludzkości,
08:04
some people are arguing that innovation is stagnating?
154
472134
3975
niektórzy twierdzą,
że innowacja ulega stagnacji?
że innowacja ulega stagnacji?
08:08
Like the first two industrial revolutions,
155
476109
2419
Jak w dwóch pierwszych
rewolucjach przemysłowych,
rewolucjach przemysłowych,
08:10
the full implications of the new machine age
156
478528
3134
pełne skutki nowej ery maszyn
08:13
are going to take at least a century to fully play out,
157
481662
2682
widocznie będą dopiero
po co najmniej 100 latach,
po co najmniej 100 latach,
08:16
but they are staggering.
158
484344
3032
ale powoli je widać.
08:19
So does that mean we have nothing to worry about?
159
487376
3336
Czy to oznacza,
że nie ma o co się martwić?
że nie ma o co się martwić?
08:22
No. Technology is not destiny.
160
490712
3680
Nie. Technologia nie jest przeznaczeniem.
08:26
Productivity is at an all time high,
161
494392
2569
Wydajność obecnie osiąga
historyczne maksimum,
historyczne maksimum,
08:28
but fewer people now have jobs.
162
496961
2983
ale mniej ludzi ma obecnie pracę.
08:31
We have created more wealth in the past decade than ever,
163
499944
3120
Stworzyliśmy więcej bogactwa w ostatnich
10 latach niż kiedykolwiek,
10 latach niż kiedykolwiek,
08:35
but for a majority of Americans, their income has fallen.
164
503064
3904
ale dochód większości Amerykanów zmalał.
08:38
This is the great decoupling
165
506968
2312
To wielkie rozdzielenie
08:41
of productivity from employment,
166
509280
2976
wydajności od zatrudnienia,
08:44
of wealth from work.
167
512256
3104
majątku od pracy.
08:47
You know, it's not surprising that millions of people
168
515360
2346
Nie dziwi fakt, że miliony ludzi
08:49
have become disillusioned by the great decoupling,
169
517706
2846
zostało pozbawionych złudzeń
przez to wielkie rozdzielenie,
przez to wielkie rozdzielenie,
08:52
but like too many others,
170
520552
1747
ale jak wiele innych
08:54
they misunderstand its basic causes.
171
522299
3097
źle rozumie jego podstawowe przyczyn.
08:57
Technology is racing ahead,
172
525396
2610
Technologia pędzi do przodu,
09:00
but it's leaving more and more people behind.
173
528006
3550
ale zostawia w tyle coraz więcej ludzi.
09:03
Today, we can take a routine job,
174
531556
3519
Obecnie możemy wziąć pracę rutynową,
09:07
codify it in a set of machine-readable instructions,
175
535075
3091
skodyfikować ją w zestaw instrukcji
do odczytu maszynowego,
do odczytu maszynowego,
09:10
and then replicate it a million times.
176
538166
2827
a następnie powielić milion razy.
09:12
You know, I recently overheard a conversation
177
540993
2279
Ostatnio usłyszałem rozmowę,
09:15
that epitomizes these new economics.
178
543272
1952
która odzwierciedlała tą nową ekonomię.
09:17
This guy says, "Nah, I don't use H&R Block anymore.
179
545224
4197
Gość powiedział: "Nie, już nie korzystam
z firmy doradztwa podatkowego.
z firmy doradztwa podatkowego.
09:21
TurboTax does everything that my tax preparer did,
180
549421
2448
TurboTax robi wszystko,
co robił mój doradca podatkowy,
co robił mój doradca podatkowy,
09:23
but it's faster, cheaper and more accurate."
181
551869
4558
ale jest szybszy, tańszy i dokładniejszy".
09:28
How can a skilled worker
182
556427
1799
Jak wykwalifikowany pracownik
09:30
compete with a $39 piece of software?
183
558226
3009
może rywalizować z oprogramowaniem za 39$?
09:33
She can't.
184
561235
1967
Nie może.
09:35
Today, millions of Americans do have faster,
185
563202
2780
Obecnie miliony Amerykanów ma szybsze,
09:37
cheaper, more accurate tax preparation,
186
565982
2387
tańsze, dokładniejsze doradztwo podatkowe,
09:40
and the founders of Intuit
187
568369
1486
a założycielom firmy Intuit
09:41
have done very well for themselves.
188
569855
2493
bardzo dobrze się wiedzie.
09:44
But 17 percent of tax preparers no longer have jobs.
189
572348
4214
Ale 17% doradców podatkowych
nie ma już pracy.
nie ma już pracy.
09:48
That is a microcosm of what's happening,
190
576562
2078
To tylko mała część tego, co się dzieje,
09:50
not just in software and services, but in media and music,
191
578640
4677
nie tylko w przypadku oprogramowań i usług,
ale też w mediach, muzyce,
ale też w mediach, muzyce,
09:55
in finance and manufacturing, in retailing and trade --
192
583317
3686
finansach, produkcji, sprzedaży, handlu --
09:59
in short, in every industry.
193
587003
3895
w skrócie, w każdym przemyśle.
10:02
People are racing against the machine,
194
590898
3095
Ludzie ścigają się z maszynami
10:05
and many of them are losing that race.
195
593993
3090
i wielu z nich przegrywa.
10:09
What can we do to create shared prosperity?
196
597083
3886
Co można zrobić,
aby stworzyć wspólny dobrobyt?
aby stworzyć wspólny dobrobyt?
10:12
The answer is not to try to slow down technology.
197
600969
3017
Nie próbować spowalniać technologię.
10:15
Instead of racing against the machine,
198
603986
2557
Zamiast ścigać się z maszynami
10:18
we need to learn to race with the machine.
199
606543
3677
musimy nauczyć się z nimi współpracować.
10:22
That is our grand challenge.
200
610220
3129
To nasze wielkie wyzwanie.
10:25
The new machine age
201
613349
2324
Nową erę maszyn
10:27
can be dated to a day 15 years ago
202
615673
3113
można datować do dnia 15 lat temu,
10:30
when Garry Kasparov, the world chess champion,
203
618786
2878
kiedy Gary Kasparov,
mistrz świata w szachach,
mistrz świata w szachach,
10:33
played Deep Blue, a supercomputer.
204
621664
3706
grał z superkomputerem Deep Blue.
10:37
The machine won that day,
205
625370
2012
Tamtego dnia maszyna wygrała
10:39
and today, a chess program running on a cell phone
206
627382
2968
i obecnie program szachowy na komórce
10:42
can beat a human grandmaster.
207
630350
2296
może pokonać człowieka-arcymistrza.
10:44
It got so bad that, when he was asked
208
632646
3365
Sytuacja była tak zła, że kiedy spytano
10:48
what strategy he would use against a computer,
209
636011
2563
Jana Donnera, duńskiego arcymistrza,
10:50
Jan Donner, the Dutch grandmaster, replied,
210
638574
4016
jakiej strategi użyłby w grze
przeciwko komputerowi,
przeciwko komputerowi,
10:54
"I'd bring a hammer."
211
642590
1771
odpowiedział: "Przyniósłbym młotek".
10:56
(Laughter)
212
644361
3680
(Śmiech)
11:00
But today a computer is no longer the world chess champion.
213
648041
4544
Ale obecnie komputer nie jest
już mistrzem świata w szachach.
już mistrzem świata w szachach.
11:04
Neither is a human,
214
652585
2654
Nie jest nim też człowiek,
11:07
because Kasparov organized a freestyle tournament
215
655239
3579
ponieważ Kasparov
zorganizował turniej freestylowy,
zorganizował turniej freestylowy,
11:10
where teams of humans and computers
216
658818
1916
w którym zespoły ludzi i komputerów
11:12
could work together,
217
660734
2099
mogły współpracować
11:14
and the winning team had no grandmaster,
218
662833
3157
i zwycięska drużyna
nie miała ani arcymistrza,
nie miała ani arcymistrza,
11:17
and it had no supercomputer.
219
665990
2465
ani superkomputera.
11:20
What they had was better teamwork,
220
668455
4175
Mieli za to lepszą pracę zespołową
11:24
and they showed that a team of humans and computers,
221
672630
5016
i pokazali, że zespół ludzi i komputerów
11:29
working together, could beat any computer
222
677646
3048
pracujący razem może pokonać każdy komputer
11:32
or any human working alone.
223
680694
3520
i każdego człowieka
pracującego samodzielnie.
pracującego samodzielnie.
11:36
Racing with the machine
224
684214
1664
Współpraca z maszyną
11:37
beats racing against the machine.
225
685878
2343
wygrywa ze ściganiem się z maszyną.
11:40
Technology is not destiny.
226
688221
2564
Technologia nie jest przeznaczeniem.
11:42
We shape our destiny.
227
690785
1742
Sami kształtujemy nasze przeznaczenie.
11:44
Thank you.
228
692527
1447
Dziękuję.
11:45
(Applause)
229
693974
5016
(Brawa)
ABOUT THE SPEAKER
Erik Brynjolfsson - Innovation researcherErik Brynjolfsson examines the effects of information technologies on business strategy, productivity and employment.
Why you should listen
The director of the MIT Center for Digital Business and a research associate at the National Bureau of Economic Research, Erik Brynjolfsson asks how IT affects organizations, markets and the economy. His recent work studies data-driven decision-making, management practices that drive productivity, the pricing implications of Internet commerce and the role of intangible assets.
Brynjolfsson was among the first researchers to measure the productivity contributions of information and community technology (ICT) and the complementary role of organizational capital and other intangibles. His research also provided the first quantification of the value of online product variety, often known as the “Long Tail,” and developed pricing and bundling models for information goods.
His books include Wired for Innovation: How IT Is Reshaping the Economy and Race Against the Machine: How the Digital Revolution Is Accelerating Innovation, Driving Productivity and Irreversibly Transforming Employment and the Economy (with Andrew McAfee); and the recent article "Big Data: The Management Revolution" (with Andrew McAfee).
Erik Brynjolfsson | Speaker | TED.com