TED2013
Ajit Narayanan: A word game to communicate in any language
Ajit Narayanan: Gra słowna pozwalająca komunikować się w dowolnym języku
Filmed:
Readability: 3.4
1,391,245 views
Podczas pracy z dziećmi mającymi problemy z mową, Ajit Narayanan opracował sposób reprezentacji języka za pomocą obrazków, by przedstawiać słowa i i koncepty jako „mapy”. Pomysł ten stał się podstawą stworzenia aplikacji, która pomaga w komunikacji ludziom niezdolnym do używania mowy. Jest to częścią większej idei, konceptu lingwistycznego o nazwie FreeSpeech posiadającego ogromny potencjał.
Ajit Narayanan - Visual grammar engine inventor
Ajit Narayanan is the inventor of Avaz, an affordable, tablet-based communication device for people who are speech-impaired. Full bio
Ajit Narayanan is the inventor of Avaz, an affordable, tablet-based communication device for people who are speech-impaired. Full bio
Double-click the English transcript below to play the video.
00:12
I work with children with autism.
0
721
2670
Pracuję z autystycznymi dziećmi.
00:15
Specifically, I make technologies
1
3391
1914
Dokładniej, tworzę techniki
pomagające im w komunikacji.
pomagające im w komunikacji.
00:17
to help them communicate.
2
5305
2171
00:19
Now, many of the problems that children
3
7476
1539
Wiele problemów dzieci
zmagających się z autyzmem
zmagających się z autyzmem
00:21
with autism face, they have a common source,
4
9015
3763
ma wspólne źródło.
00:24
and that source is that they find it difficult
5
12778
2094
Mają one trudności
00:26
to understand abstraction, symbolism.
6
14872
5260
ze zrozumieniem abstrakcji i symbolizmu.
00:32
And because of this, they have
a lot of difficulty with language.
a lot of difficulty with language.
7
20132
4652
Mają z tego powodu wiele problemów
z posługiwaniem się językiem.
z posługiwaniem się językiem.
00:36
Let me tell you a little bit about why this is.
8
24784
3015
Opowiem pokrótce z czego to wynika.
00:39
You see that this is a picture of a bowl of soup.
9
27799
3934
Oto zdjęcie miski z zupą.
00:43
All of us can see it. All of us understand this.
10
31733
2485
Wszyscy to widzimy i rozumiemy.
00:46
These are two other pictures of soup,
11
34218
2312
Oto dwa inne zdjęcia zupy,
00:48
but you can see that these are more abstract
12
36530
2067
lecz są one bardziej abstrakcyjne.
00:50
These are not quite as concrete.
13
38597
1856
Mniej dokładne.
00:52
And when you get to language,
14
40453
2174
Jeśli chodzi o język,
00:54
you see that it becomes a word
15
42627
1868
widzimy, że zupa staje się słowem,
00:56
whose look, the way it looks and the way it sounds,
16
44495
3261
którego wygląd i brzmienie
00:59
has absolutely nothing to do
with what it started with,
with what it started with,
17
47756
2912
nie ma absolutnie nic wspólnego
z tym, od czego zaczęliśmy,
z tym, od czego zaczęliśmy,
01:02
or what it represents, which is the bowl of soup.
18
50668
2830
co reprezentuje, czyli miskę zupy.
01:05
So it's essentially a completely abstract,
19
53498
2900
Jest to czysto abstrakcyjna,
01:08
a completely arbitrary representation of something
20
56398
2576
arbitralna reprezentacja czegoś
funkcjonującego w realnym świecie,
funkcjonującego w realnym świecie,
01:10
which is in the real world,
21
58974
1163
01:12
and this is something that children with autism
22
60137
1791
co dla dzieci z autyzmem
stanowi niezwykłą trudność.
stanowi niezwykłą trudność.
01:13
have an incredible amount of difficulty with.
23
61928
3164
01:17
Now that's why most of the people
that work with children with autism --
that work with children with autism --
24
65092
2751
Z tego powodu większość ludzi
pracujących z takimi dziećmi,
pracujących z takimi dziećmi,
01:19
speech therapists, educators --
25
67843
1878
terapeutów mowy, nauczycieli,
01:21
what they do is, they try to help children with autism
26
69721
2633
próbuje im pomóc komunikować się
01:24
communicate not with words, but with pictures.
27
72354
3229
nie za pomocą słów ale obrazów.
01:27
So if a child with autism wanted to say,
28
75583
1930
Jeśli autystyczne dziecko
chciałoby powiedzieć: "Ja chcę zupę",
chciałoby powiedzieć: "Ja chcę zupę",
01:29
"I want soup," that child would pick
29
77513
2458
wybrałoby trzy obrazki:
"ja", "chcieć" i "zupa",
"ja", "chcieć" i "zupa",
01:31
three different pictures, "I," "want," and "soup,"
30
79971
2260
01:34
and they would put these together,
31
82231
1609
złożyłoby je razem, a terapeuta czy rodzic
01:35
and then the therapist or the parent would
32
83840
1867
zrozumiałby, co dziecko chce powiedzieć.
01:37
understand that this is what the kid wants to say.
33
85707
1887
01:39
And this has been incredibly effective;
34
87594
1778
Było to niezwykle efektywne
w ostatnich 30, 40 latach,
w ostatnich 30, 40 latach,
01:41
for the last 30, 40 years
35
89372
2141
01:43
people have been doing this.
36
91513
1613
ludzie z tego korzystali.
01:45
In fact, a few years back,
37
93126
1349
Natomiast kilka lat temu
opracowałem aplikację na iPada,
opracowałem aplikację na iPada,
01:46
I developed an app for the iPad
38
94475
2675
która tak właśnie działa, o nazwie Avaz.
01:49
which does exactly this. It's called Avaz,
39
97150
2255
01:51
and the way it works is that kids select
40
99405
2279
Polega na możliwości
wybrania różnych obrazków,
wybrania różnych obrazków,
01:53
different pictures.
41
101684
1321
01:55
These pictures are sequenced
together to form sentences,
together to form sentences,
42
103005
2570
które ułożone w kolejności tworzą zdania,
01:57
and these sentences are spoken out.
43
105575
1719
będące następnie wypowiedziane.
01:59
So Avaz is essentially converting pictures,
44
107294
3025
Avaz zasadniczo przetwarza obrazki,
02:02
it's a translator, it converts pictures into speech.
45
110319
3960
jest tłumaczem
przetwarzającym obrazki na mowę.
przetwarzającym obrazki na mowę.
02:06
Now, this was very effective.
46
114279
1718
Okazał się bardzo skuteczny,
02:07
There are thousands of children using this,
47
115997
1384
tysiące dzieci
posługują się nim na całym świecie,
posługują się nim na całym świecie,
02:09
you know, all over the world,
48
117381
1430
02:10
and I started thinking about
49
118811
2175
więc zacząłem się zastanawiać
co on robi, a czego nie robi.
02:12
what it does and what it doesn't do.
50
120986
2654
02:15
And I realized something interesting:
51
123640
1684
Doszedłem do ciekawego wniosku,
02:17
Avaz helps children with autism learn words.
52
125324
4203
Avaz pomaga
dzieciom z autyzmem uczyć się słów,
dzieciom z autyzmem uczyć się słów,
02:21
What it doesn't help them do is to learn
53
129527
2405
natomiast nie pomaga im
02:23
word patterns.
54
131932
2748
uczyć się składania słów.
02:26
Let me explain this in a little more detail.
55
134680
2472
Pozwólcie, że to wyjaśnię.
02:29
Take this sentence: "I want soup tonight."
56
137152
3057
Weźmy zdanie: "Chcę zupę dziś wieczorem".
02:32
Now it's not just the words
here that convey the meaning.
here that convey the meaning.
57
140209
4080
Nie tylko słowa są nośnikiem znaczenia,
02:36
It's also the way in which these words are arranged,
58
144289
3140
ale także sposób ich ułożenia,
02:39
the way these words are modified and arranged.
59
147429
2515
sposób odmiany i ich kolejność.
02:41
And that's why a sentence like "I want soup tonight"
60
149959
2306
Dlatego zdanie: "Chcę zupę dziś wieczorem"
02:44
is different from a sentence like
61
152265
1984
różni się od zdania
02:46
"Soup want I tonight," which
is completely meaningless.
is completely meaningless.
62
154249
3312
"Zupa chce ja dziś wieczorem",
które nie ma sensu.
które nie ma sensu.
02:49
So there is another hidden abstraction here
63
157561
2619
Mamy tu kolejną ukrytą abstrakcję,
02:52
which children with autism find
a lot of difficulty coping with,
a lot of difficulty coping with,
64
160180
3557
w obliczu której stają dzieci z autyzmem,
02:55
and that's the fact that you can modify words
65
163737
2840
polega ona
na modyfikacji słów i ich ułożenia,
na modyfikacji słów i ich ułożenia,
02:58
and you can arrange them to have
66
166577
2101
aby uzyskać inne znaczenie,
przekazać inne myśli.
przekazać inne myśli.
03:00
different meanings, to convey different ideas.
67
168678
2895
03:03
Now, this is what we call grammar.
68
171573
3459
Nazywamy to gramatyką.
03:07
And grammar is incredibly powerful,
69
175032
2036
Gramatyka ma niezwykłą moc,
03:09
because grammar is this one component of language
70
177068
3157
ponieważ jest komponentem języka,
03:12
which takes this finite vocabulary that all of us have
71
180225
3489
dzięki któremu
ograniczona ilość słownictwa
ograniczona ilość słownictwa
03:15
and allows us to convey an
infinite amount of information,
infinite amount of information,
72
183714
4531
pozwala na przekazanie
nieskończonej liczby informacji,
nieskończonej liczby informacji,
03:20
an infinite amount of ideas.
73
188245
2134
nieskończonej liczby myśli.
03:22
It's the way in which you can put things together
74
190379
2002
To możliwość poukładania słów,
03:24
in order to convey anything you want to.
75
192381
2168
by przekazać dowolny komunikat.
03:26
And so after I developed Avaz,
76
194549
2127
Zatem, gdy udoskonaliłem Avaza,
03:28
I worried for a very long time
77
196676
1568
martwiło mnie to, w jaki sposób
03:30
about how I could give grammar
to children with autism.
to children with autism.
78
198244
3910
nauczyć autystyczne dzieci gramatyki.
03:34
The solution came to me from
a very interesting perspective.
a very interesting perspective.
79
202154
2275
Rozwiązanie przyszło niespodziewanie.
03:36
I happened to chance upon a child with autism
80
204429
3449
Miałem okazję spotkać dziecko z autyzmem
03:39
conversing with her mom,
81
207878
2109
podczas rozmowy z jego matką.
03:41
and this is what happened.
82
209987
2094
Oto co się stało.
03:44
Completely out of the blue, very spontaneously,
83
212081
2186
Ni stąd ni zowąd, spontanicznie,
03:46
the child got up and said, "Eat."
84
214267
2463
dziecko wstało i powiedziało: "Jeść".
03:48
Now what was interesting was
85
216730
1770
Ciekawy okazał się sposób,
03:50
the way in which the mom was trying to tease out
86
218500
4244
w jaki matka próbowała
wydobyć znaczenie słów dziecka
wydobyć znaczenie słów dziecka
03:54
the meaning of what the child wanted to say
87
222744
2213
03:56
by talking to her in questions.
88
224957
2260
zadając mu pytania.
03:59
So she asked, "Eat what? Do
you want to eat ice cream?
you want to eat ice cream?
89
227217
2593
Zapytała: "Jeść co? Chcesz zjeść lody?
04:01
You want to eat? Somebody else wants to eat?
90
229810
2112
Ty chcesz jeść? Ktoś inny chce jeść?
04:03
You want to eat cream now? You
want to eat ice cream in the evening?"
want to eat ice cream in the evening?"
91
231922
3313
Chcesz jeść lody teraz?
Chcesz jeść lody wieczorem?".
Chcesz jeść lody wieczorem?".
Zorientowałem się wtedy,
że jego matka zrobiła coś niesamowitego.
że jego matka zrobiła coś niesamowitego.
04:07
And then it struck me that
92
235235
1514
04:08
what the mother had done was something incredible.
93
236749
2028
04:10
She had been able to get that child to communicate
94
238777
1994
Udało jej się zachęcić dziecko
do porozumiewania się z nią
do porozumiewania się z nią
04:12
an idea to her without grammar.
95
240771
4138
bez używania gramatyki.
04:16
And it struck me that maybe this is what
96
244909
2696
Zorientowałem się,
że to jest właśnie to, czego szukam.
że to jest właśnie to, czego szukam.
04:19
I was looking for.
97
247605
1385
04:20
Instead of arranging words in an order, in sequence,
98
248990
4142
Zamiast układać słowa
w odpowiedniej kolejności w zdaniu
04:25
as a sentence, you arrange them
99
253132
2172
można ułożyć je na mapie,
gdzie wszystkie będą połączone
gdzie wszystkie będą połączone
04:27
in this map, where they're all linked together
100
255304
3811
04:31
not by placing them one after the other
101
259115
2143
nie poprzez ułożenie jednego za drugim,
04:33
but in questions, in question-answer pairs.
102
261258
3284
ale poprzez pytania,
w parach pytanie-odpowiedź.
w parach pytanie-odpowiedź.
04:36
And so if you do this, then what you're conveying
103
264542
2358
Gdy tak zrobimy, nie stworzą one
zdania w danym języku,
zdania w danym języku,
04:38
is not a sentence in English,
104
266900
1986
04:40
but what you're conveying is really a meaning,
105
268886
2966
ale przekażą sens tego zdania.
04:43
the meaning of a sentence in English.
106
271852
1511
04:45
Now, meaning is really the underbelly,
in some sense, of language.
in some sense, of language.
107
273363
2932
Zatem sens stanowi
tak naprawdę podłoże języka,
tak naprawdę podłoże języka,
04:48
It's what comes after thought but before language.
108
276295
3821
pojawia się jako efekt myśli,
ale przed użyciem języka.
ale przed użyciem języka.
04:52
And the idea was that this particular representation
109
280116
2503
Rzecz w tym, że ten schemat
04:54
might convey meaning in its raw form.
110
282619
3261
może przekazywać sens w surowej postaci.
04:57
So I was very excited by this, you know,
111
285880
1771
Zafascynowało mnie to,
04:59
hopping around all over the place,
112
287651
1493
chodziłem wkoło próbując
wymyślić, jak mogę przetworzyć
wymyślić, jak mogę przetworzyć
05:01
trying to figure out if I can convert
113
289144
1771
05:02
all possible sentences that I hear into this.
114
290915
2524
wszelkie możliwe zdania,
które słyszę, w ten sposób.
które słyszę, w ten sposób.
05:05
And I found that this is not enough.
115
293439
1773
Stwierdziłem,
że to nie wystarczy. Dlaczego?
że to nie wystarczy. Dlaczego?
05:07
Why is this not enough?
116
295212
1385
05:08
This is not enough because if you wanted to convey
117
296597
1711
Ponieważ, gdy chce się przekazać
sens zdania przeczącego,
sens zdania przeczącego,
05:10
something like negation,
118
298308
2250
05:12
you want to say, "I don't want soup,"
119
300558
1736
chce się powiedzieć: "Nie chcę zupy",
05:14
then you can't do that by asking a question.
120
302294
2220
nie osiągnie się tego poprzez pytanie,
trzeba zastąpić czymś słowo "chcę".
trzeba zastąpić czymś słowo "chcę".
05:16
You do that by changing the word "want."
121
304514
2285
05:18
Again, if you wanted to say,
122
306799
1637
A jeśli chce się powiedzieć:
"Chciałem zupę wczoraj",
"Chciałem zupę wczoraj",
05:20
"I wanted soup yesterday,"
123
308436
1980
05:22
you do that by converting
the word "want" into "wanted."
the word "want" into "wanted."
124
310416
2737
trzeba zmienić słowo "chcę"
na "chciałem", czas przeszły.
na "chciałem", czas przeszły.
05:25
It's a past tense.
125
313153
1666
05:26
So this is a flourish which I added
126
314819
2103
To było ulepszenie,
które dodałem, by dopełnić system.
które dodałem, by dopełnić system.
05:28
to make the system complete.
127
316922
1576
05:30
This is a map of words joined together
128
318498
1977
Oto mapa słów połączonych
w pytania i odpowiedzi
w pytania i odpowiedzi
05:32
as questions and answers,
129
320475
1656
05:34
and with these filters applied on top of them
130
322131
2264
z filtrami dodanymi ponad nimi
05:36
in order to modify them to represent
131
324395
1817
do ich modyfikacji,
by wyrażały poszczególne niuanse.
by wyrażały poszczególne niuanse.
05:38
certain nuances.
132
326212
1709
05:39
Let me show you this with a different example.
133
327921
1951
Zademonstruję to na innym przykładzie.
05:41
Let's take this sentence:
134
329872
1254
Weźmy zdanie: "Powiedziałem
stolarzowi, że nie mogę mu zapłacić".
stolarzowi, że nie mogę mu zapłacić".
05:43
"I told the carpenter I could not pay him."
135
331126
1980
05:45
It's a fairly complicated sentence.
136
333106
1792
To dość skomplikowane zdanie.
05:46
The way that this particular system works,
137
334898
1893
System działa w ten sposób,
05:48
you can start with any part of this sentence.
138
336791
2578
że można zacząć od dowolnej części zdania.
05:51
I'm going to start with the word "tell."
139
339369
1698
Zacznę od słowa "mówić", oto ono.
05:53
So this is the word "tell."
140
341067
1462
05:54
Now this happened in the past,
141
342529
1600
Wydarzyło się to w przeszłości,
więc zamienię je w "powiedziałem".
więc zamienię je w "powiedziałem".
05:56
so I'm going to make that "told."
142
344129
2223
05:58
Now, what I'm going to do is,
143
346352
1708
Teraz zadam pytanie.
06:00
I'm going to ask questions.
144
348060
1756
06:01
So, who told? I told.
145
349816
2364
Kto powiedział? Ja powiedziałem.
06:04
I told whom? I told the carpenter.
146
352180
1927
Powiedziałem komu? Stolarzowi.
06:06
Now we start with a different part of the sentence.
147
354107
1751
Zacznijmy od innej
części zdania, od słowa "płacić"
części zdania, od słowa "płacić"
06:07
We start with the word "pay,"
148
355858
1867
06:09
and we add the ability filter to it to make it "can pay."
149
357725
4577
i dodajmy filtr
do zmiany w "mogę zapłacić",
do zmiany w "mogę zapłacić",
06:14
Then we make it "can't pay,"
150
362302
2101
następnie w "nie mogę zapłacić",
06:16
and we can make it "couldn't pay"
151
364403
1599
dalej "nie mogłem zapłacić"
zmieniając na czas przeszły.
zmieniając na czas przeszły.
06:18
by making it the past tense.
152
366002
1663
06:19
So who couldn't pay? I couldn't pay.
153
367665
1923
Kto nie mógł zapłacić? Ja nie mogłem.
06:21
Couldn't pay whom? I couldn't pay the carpenter.
154
369588
2676
Komu nie mogłem zapłacić? Stolarzowi.
06:24
And then you join these two together
155
372264
1731
Potem łączymy
te dwa elementy zadając pytanie.
te dwa elementy zadając pytanie.
06:25
by asking this question:
156
373995
1350
06:27
What did I tell the carpenter?
157
375345
1737
"Co ja powiedziałem stolarzowi?"
06:29
I told the carpenter I could not pay him.
158
377082
4049
"Ja powiedziałem stolarzowi,
że nie mogę mu zapłacić".
że nie mogę mu zapłacić".
06:33
Now think about this. This is
159
381131
1937
Pomyślcie o tym chwilę...
06:35
—(Applause)—
160
383068
3542
(Brawa)
06:38
this is a representation of this sentence
161
386610
3672
Jest to reprezentacja tego zdania
06:42
without language.
162
390282
2435
nie wykorzystująca języka.
06:44
And there are two or three
interesting things about this.
interesting things about this.
163
392717
2192
Są tu jeszcze dwie czy trzy
ciekawe rzeczy, po pierwsze,
ciekawe rzeczy, po pierwsze,
06:46
First of all, I could have started anywhere.
164
394909
3131
mogłem zacząć gdziekolwiek.
06:50
I didn't have to start with the word "tell."
165
398040
2243
Nie musiałem zaczynać od słowa "mówić".
06:52
I could have started anywhere in the sentence,
166
400283
1416
Mogłem zacząć w dowolnym miejscu,
a i tak by to wyszło.
a i tak by to wyszło.
06:53
and I could have made this entire thing.
167
401699
1507
06:55
The second thing is, if I wasn't an English speaker,
168
403206
2776
Kolejna sprawa,
gdybym nie mówił po angielsku,
gdybym nie mówił po angielsku,
06:57
if I was speaking in some other language,
169
405982
2175
gdybym używał jakiegoś innego języka,
07:00
this map would actually hold true in any language.
170
408157
3156
mapa również by zadziałała.
07:03
So long as the questions are standardized,
171
411313
1990
Tak długo jak pytania są standaryzowane,
07:05
the map is actually independent of language.
172
413303
4287
mapa działa niezależnie od języka.
07:09
So I call this FreeSpeech,
173
417590
2115
Nazywam to FreeSpeech,
07:11
and I was playing with this for many, many months.
174
419705
2935
bawiłem się tym przez wiele miesięcy,
07:14
I was trying out so many
different combinations of this.
different combinations of this.
175
422640
2726
próbowałem wielu różnych kombinacji.
07:17
And then I noticed something very
interesting about FreeSpeech.
interesting about FreeSpeech.
176
425366
2289
Wreszcie odkryłem
coś ciekawego w tej kwestii.
coś ciekawego w tej kwestii.
07:19
I was trying to convert language,
177
427655
3243
Próbowałem przekształcić język,
07:22
convert sentences in English
into sentences in FreeSpeech,
into sentences in FreeSpeech,
178
430898
2384
angielskie zdania na FreeSpeech
07:25
and vice versa, and back and forth.
179
433282
1752
i vice versa, w tę i z powrotem.
07:27
And I realized that this particular configuration,
180
435034
2255
Zrozumiałem,
że ta szczególna konfiguracja,
że ta szczególna konfiguracja,
07:29
this particular way of representing language,
181
437289
2026
ten sposób reprezentacji języka,
07:31
it allowed me to actually create very concise rules
182
439315
4395
pozwala mi stworzyć bardzo zwięzłe zasady
07:35
that go between FreeSpeech on one side
183
443710
2734
odnoszące się z jednej strony
do FreeSpeech i z drugiej do angielskiego.
do FreeSpeech i z drugiej do angielskiego.
07:38
and English on the other.
184
446444
1488
07:39
So I could actually write this set of rules
185
447932
2180
Udało mi się spisać zestaw zasad
07:42
that translates from this particular
representation into English.
representation into English.
186
450112
3395
pozwalających tłumaczyć
tę reprezentację na angielski.
tę reprezentację na angielski.
07:45
And so I developed this thing.
187
453507
1831
Udoskonaliłem to, stworzyłem system
zwany silnikiem FreeSpeech,
zwany silnikiem FreeSpeech,
07:47
I developed this thing called
the FreeSpeech Engine
the FreeSpeech Engine
188
455338
2232
07:49
which takes any FreeSpeech sentence as the input
189
457570
2561
który bierze dowolne zdanie
FreeSpeech jako dane wejściowe
FreeSpeech jako dane wejściowe
07:52
and gives out perfectly grammatical English text.
190
460131
3930
i tworzy perfekcyjnie
gramatyczny angielski tekst.
gramatyczny angielski tekst.
07:56
And by putting these two pieces together,
191
464061
1605
Łącząc te dwie rzeczy,
reprezentację i silnik,
reprezentację i silnik,
07:57
the representation and the engine,
192
465666
1881
07:59
I was able to create an app, a
technology for children with autism,
technology for children with autism,
193
467547
3796
mogłem stworzyć
aplikację dla autystycznych dzieci,
aplikację dla autystycznych dzieci,
08:03
that not only gives them words
194
471343
2499
dostarczającą im nie tylko słowa,
ale również gramatykę.
ale również gramatykę.
08:05
but also gives them grammar.
195
473842
3941
Wypróbowałem to z autystycznymi dziećmi
08:09
So I tried this out with kids with autism,
196
477783
2360
08:12
and I found that there was an
incredible amount of identification.
incredible amount of identification.
197
480143
5013
i odkryłem ogromną liczbę zgodności,
08:17
They were able to create sentences in FreeSpeech
198
485156
2720
udawało mi się stworzyć zdania
we FreeSpeech,
we FreeSpeech,
08:19
which were much more complicated
but much more effective
but much more effective
199
487876
2558
które były znacznie bardziej
skomplikowane i efektywne
skomplikowane i efektywne
08:22
than equivalent sentences in English,
200
490434
2899
niż ich angielskie odpowiedniki.
08:25
and I started thinking about
201
493333
1682
Zacząłem myśleć,
08:27
why that might be the case.
202
495015
1969
o co może w tym chodzić.
08:28
And I had an idea, and I want to
talk to you about this idea next.
talk to you about this idea next.
203
496984
4287
Wpadłem na pomysł, o którym teraz opowiem.
08:33
In about 1997, about 15 years back,
204
501271
3142
Około 1997 roku, jakieś 15 lat temu,
08:36
there were a group of scientists that were trying
205
504413
2011
grupa naukowców próbowała zrozumieć
08:38
to understand how the brain processes language,
206
506424
2389
jak mózg przetwarza język.
08:40
and they found something very interesting.
207
508813
1779
Odkryli coś bardzo ciekawego,
stwierdzili, że gdy uczy się języka
stwierdzili, że gdy uczy się języka
08:42
They found that when you learn a language
208
510592
1872
08:44
as a child, as a two-year-old,
209
512464
2912
jako dwuletnie dziecko,
08:47
you learn it with a certain part of your brain,
210
515376
2366
używa się określonej części mózgu,
08:49
and when you learn a language as an adult --
211
517742
1600
a gdy uczy się jako dorosły,
08:51
for example, if I wanted to
learn Japanese right now —
learn Japanese right now —
212
519342
3911
gdybym chciał teraz
nauczyć się japońskiego,
nauczyć się japońskiego,
08:55
a completely different part of my brain is used.
213
523253
2707
używa się zupełnie innej części mózgu.
08:57
Now I don't know why that's the case,
214
525960
1831
Nie wiem czemu tak jest,
08:59
but my guess is that that's because
215
527791
1991
ale przypuszczam,
09:01
when you learn a language as an adult,
216
529782
2437
że gdy uczy się języka będąc dorosłym
09:04
you almost invariably learn it
217
532219
1616
zawsze robi się to
09:05
through your native language, or
through your first language.
through your first language.
218
533835
4266
poprzez pryzmat
języka ojczystego, pierwszego języka.
języka ojczystego, pierwszego języka.
09:10
So what's interesting about FreeSpeech
219
538101
3252
Co jest ciekawe we FreeSpeech,
09:13
is that when you create a sentence
220
541353
1802
kiedy tworzy się zdanie, tworzy się język
09:15
or when you create language,
221
543155
1695
09:16
a child with autism creates
language with FreeSpeech,
language with FreeSpeech,
222
544850
3070
czy kiedy dziecko z autyzmem
tworzy język we FreeSpeech,
tworzy język we FreeSpeech,
09:19
they're not using this support language,
223
547920
1833
nie używa się języka wspomagającego,
języka pomostowego.
języka pomostowego.
09:21
they're not using this bridge language.
224
549753
2211
Zdania są konstruowane bezpośrednio.
09:23
They're directly constructing the sentence.
225
551964
2657
09:26
And so this gave me this idea.
226
554621
2193
Zatem przyszło mi do głowy,
09:28
Is it possible to use FreeSpeech
227
556814
2024
czy można użyć FreeSpeech
09:30
not for children with autism
228
558838
2510
nie tylko dla autystycznych dzieci,
09:33
but to teach language to people without disabilities?
229
561348
6262
ale by uczyć ludzi bez niepełnosprawności?
09:39
And so I tried a number of experiments.
230
567610
1978
Wykonałem kilka eksperymentów.
09:41
The first thing I did was I built a jigsaw puzzle
231
569588
2948
Po pierwsze stworzyłem układankę,
09:44
in which these questions and answers
232
572536
1970
w której pytania i odpowiedzi
09:46
are coded in the form of shapes,
233
574506
1835
były zakodowane
w postaci kształtów i kolorów.
w postaci kształtów i kolorów.
09:48
in the form of colors,
234
576341
1138
09:49
and you have people putting these together
235
577479
1849
Poprosiłem ludzi o ich ułożenie
09:51
and trying to understand how this works.
236
579328
1773
i próbę zrozumienia, jak to działa.
09:53
And I built an app out of it, a game out of it,
237
581101
2376
Potem na tej podstawie
stworzyłem aplikację, grę,
stworzyłem aplikację, grę,
09:55
in which children can play with words
238
583477
2661
w której dzieci bawią się słowami,
09:58
and with a reinforcement,
239
586138
1704
gdzie obiekty wizualne
są wzmacniane za pomocą dźwięku,
są wzmacniane za pomocą dźwięku,
09:59
a sound reinforcement of visual structures,
240
587842
2585
10:02
they're able to learn language.
241
590427
2013
by mogły nauczyć się języka.
10:04
And this, this has a lot of potential, a lot of promise,
242
592440
2736
Ma to duży potencjał i jest obiecujące.
10:07
and the government of India recently
243
595176
1975
Ostatnio rząd Indii
10:09
licensed this technology from us,
244
597151
1404
wykupił licencję na tę grę
10:10
and they're going to try it out
with millions of different children
with millions of different children
245
598555
2074
i zamierza wypróbować ją
na milionach dzieci,
na milionach dzieci,
10:12
trying to teach them English.
246
600629
2605
by nauczyć je angielskiego.
10:15
And the dream, the hope, the vision, really,
247
603234
2614
Marzeniem, nadzieją, wizją
10:17
is that when they learn English this way,
248
605848
3082
jest to, że nauczą się angielskiego
10:20
they learn it with the same proficiency
249
608930
2643
na takim samym poziomie biegłości
10:23
as their mother tongue.
250
611573
3718
jak języka ojczystego.
10:27
All right, let's talk about something else.
251
615291
3816
Porozmawiajmy o czymś innym.
10:31
Let's talk about speech.
252
619107
1997
O mowie.
10:33
This is speech.
253
621104
1271
Oto mowa.
10:34
So speech is the primary mode of communication
254
622375
1962
Mowa jest podstawą komunikacji,
10:36
delivered between all of us.
255
624337
1613
przekazywaną przez każdego z nas.
10:37
Now what's interesting about speech is that
256
625950
1855
Ciekawe jest to,
że mowa jest jednowymiarowa.
że mowa jest jednowymiarowa.
10:39
speech is one-dimensional.
257
627805
1245
10:41
Why is it one-dimensional?
258
629050
1359
Dlaczego? Ponieważ składa się z dźwięków.
10:42
It's one-dimensional because it's sound.
259
630409
1568
10:43
It's also one-dimensional because
260
631977
1539
Jest tak również z powodu
budowy naszego aparatu artykulacyjnego,
budowy naszego aparatu artykulacyjnego,
10:45
our mouths are built that way.
261
633516
1205
10:46
Our mouths are built to create
one-dimensional sound.
one-dimensional sound.
262
634721
3512
który jest stworzony do wydawania
jednowymiarowego dźwięku.
jednowymiarowego dźwięku.
10:50
But if you think about the brain,
263
638233
2866
Jeśli jednak pomyślimy o mózgu,
10:53
the thoughts that we have in our heads
264
641099
1764
to nasze myśli
10:54
are not one-dimensional.
265
642863
2102
nie okażą się jednowymiarowe.
10:56
I mean, we have these rich,
266
644965
1459
Posiadamy bogate,
10:58
complicated, multi-dimensional ideas.
267
646424
3028
złożone, wielowymiarowe myśli.
11:01
Now, it seems to me that language
268
649452
1690
Wydaje mi się, że język
11:03
is really the brain's invention
269
651142
2332
jest wynalazkiem mózgu
11:05
to convert this rich, multi-dimensional thought
270
653474
3096
służącym przekształceniu bogactwa
wielowymiarowych myśli po jednej stronie
wielowymiarowych myśli po jednej stronie
11:08
on one hand
271
656570
1587
11:10
into speech on the other hand.
272
658157
1923
w mowę po drugiej stronie.
11:12
Now what's interesting is that
273
660080
1762
Ciekawe jest to,
11:13
we do a lot of work in information nowadays,
274
661842
2568
że obecnie przetwarzamy masę informacji,
11:16
and almost all of that is done
in the language domain.
in the language domain.
275
664410
3079
niemal wszystkie za pomocą języka.
11:19
Take Google, for example.
276
667489
1939
Weźmy przykładowo Google.
11:21
Google trawls all these
countless billions of websites,
countless billions of websites,
277
669428
2677
Przeszukuje on niezliczone
miliardy stron internetowych,
miliardy stron internetowych,
11:24
all of which are in English,
and when you want to use Google,
and when you want to use Google,
278
672105
2725
wszystkie anglojęzyczne,
a gdy chce się użyć Google'a,
a gdy chce się użyć Google'a,
11:26
you go into Google search, and you type in English,
279
674830
2450
wyszukuje się hasło w języku angielskim,
11:29
and it matches the English with the English.
280
677280
4163
a on zestawia angielski z angielskim.
11:33
What if we could do this in FreeSpeech instead?
281
681443
3583
Co by było,
gdybyśmy użyli do tego FreeSpeech?
gdybyśmy użyli do tego FreeSpeech?
11:37
I have a suspicion that if we did this,
282
685026
2301
Podejrzewam, że gdyby tak zrobić,
11:39
we'd find that algorithms like searching,
283
687327
2068
okazałoby się, że algorytmy wyszukiwania,
11:41
like retrieval, all of these things,
284
689395
2325
wydobywania informacji,
11:43
are much simpler and also more effective,
285
691720
3075
stałyby się prostsze i bardziej efektywne,
11:46
because they don't process
the data structure of speech.
the data structure of speech.
286
694795
4417
ponieważ nie przetwarzałyby
danych związanych ze strukturą języka.
danych związanych ze strukturą języka.
11:51
Instead they're processing
the data structure of thought.
the data structure of thought.
287
699212
5976
W to miejsce przetwarzane
byłyby dane struktur myślowych.
byłyby dane struktur myślowych.
11:57
The data structure of thought.
288
705188
2808
Dane struktur myśli.
11:59
That's a provocative idea.
289
707996
2076
Pomysł brzmi prowokacyjnie.
12:02
But let's look at this in a little more detail.
290
710072
2142
Przyjrzyjmy się temu szczegółowo.
12:04
So this is the FreeSpeech ecosystem.
291
712214
2366
Oto ekosystem FreeSpeech.
12:06
We have the Free Speech
representation on one side,
representation on one side,
292
714580
2884
Z jednej strony
dysponujemy reprezentacją FreeSpeech,
dysponujemy reprezentacją FreeSpeech,
12:09
and we have the FreeSpeech
Engine, which generates English.
Engine, which generates English.
293
717464
2228
mamy silnik FreeSpeech
generujący angielski.
generujący angielski.
12:11
Now if you think about it,
294
719694
1725
Pomyślcie przez chwilę,
12:13
FreeSpeech, I told you, is completely
language-independent.
language-independent.
295
721419
2544
FreeSpeech jest
zupełnie niezależny od języka.
zupełnie niezależny od języka.
12:15
It doesn't have any specific information in it
296
723963
2087
Nie posiada żadnej szczególnej
informacji dotyczącej angielskiego.
informacji dotyczącej angielskiego.
12:18
which is about English.
297
726050
1228
12:19
So everything that this system knows about English
298
727278
2800
Zatem wszystko, co system wie o angielskim
12:22
is actually encoded into the engine.
299
730078
4620
jest zakodowane w silniku graficznym.
12:26
That's a pretty interesting concept in itself.
300
734698
2237
To ciekawostka sama w sobie.
12:28
You've encoded an entire human language
301
736935
3604
Koduje się całą ludzką mowę
12:32
into a software program.
302
740539
2645
w oprogramowaniu.
12:35
But if you look at what's inside the engine,
303
743184
2531
Jeśli przyjrzeć się wnętrzu silnika,
12:37
it's actually not very complicated.
304
745715
2358
nie jest on skomplikowany.
12:40
It's not very complicated code.
305
748073
2105
Nie zawiera złożonego kodu.
12:42
And what's more interesting is the fact that
306
750178
2672
A co ciekawe,
12:44
the vast majority of the code in that engine
307
752850
2203
większa część kodu silnika
12:47
is not really English-specific.
308
755053
2412
nie jest nakierowana na angielski.
12:49
And that gives this interesting idea.
309
757465
1895
To nasuwa ciekawy pomysł,
12:51
It might be very easy for us to actually
310
759360
2038
mogłoby okazać się łatwe
12:53
create these engines in many,
many different languages,
many different languages,
311
761398
3826
stworzenie silników w wielu językach,
12:57
in Hindi, in French, in German, in Swahili.
312
765224
6354
w hinduskim, francuskim,
niemieckim, suahili.
niemieckim, suahili.
13:03
And that gives another interesting idea.
313
771578
2799
Nasuwa to kolejną myśl.
13:06
For example, supposing I was a writer,
314
774377
2654
Załóżmy, że jestem dziennikarzem
13:09
say, for a newspaper or for a magazine.
315
777031
2122
piszącym dla gazety czy czasopisma.
13:11
I could create content in one language, FreeSpeech,
316
779153
5011
Mógłbym tworzyć tekst
w jednym języku we FreeSpeech,
w jednym języku we FreeSpeech,
13:16
and the person who's consuming that content,
317
784164
2056
a osoba czytająca jej zawartość,
13:18
the person who's reading that particular information
318
786220
3061
tę szczególną informację
13:21
could choose any engine,
319
789281
2495
może wybrać dowolny silnik
13:23
and they could read it in their own mother tongue,
320
791776
2736
i odczytać ją w ojczystym języku,
13:26
in their native language.
321
794512
3939
we własnym języku.
13:30
I mean, this is an incredibly attractive idea,
322
798451
2722
Myślę, że to niezwykle ciekawy pomysł,
13:33
especially for India.
323
801173
1999
zwłaszcza w Indiach,
używamy tak wielu różnych języków.
używamy tak wielu różnych języków.
13:35
We have so many different languages.
324
803172
1690
13:36
There's a song about India, and there's a description
325
804862
2142
Istnieje piosenka,
opisująca Indie jako kraj, który...
opisująca Indie jako kraj, który...
13:39
of the country as, it says,
326
807004
2344
13:41
(in Sanskrit).
327
809348
2360
(w sanskrycie).
13:43
That means "ever-smiling speaker
328
811708
2773
Oznacza to: "wiecznie uśmiechnięty
użytkownik pięknych języków".
użytkownik pięknych języków".
13:46
of beautiful languages."
329
814481
4519
13:51
Language is beautiful.
330
819000
1964
Język jest piękny.
13:52
I think it's the most beautiful of human creations.
331
820964
2454
To najpiękniejszy wytwór ludzkości.
13:55
I think it's the loveliest thing
that our brains have invented.
that our brains have invented.
332
823418
3978
To najcudowniejsza rzecz,
jaką nasz mózg wymyślił.
jaką nasz mózg wymyślił.
13:59
It entertains, it educates, it enlightens,
333
827396
3584
Bawi, uczy, oświeca
14:02
but what I like the most about language
334
830980
2044
i to co lubię najbardziej: wyzwala.
14:05
is that it empowers.
335
833024
1500
14:06
I want to leave you with this.
336
834524
1838
Zostawię was z tą myślą.
14:08
This is a photograph of my collaborators,
337
836362
2385
Oto fotografia
moich pierwszych współpracowników,
moich pierwszych współpracowników,
14:10
my earliest collaborators
338
838747
997
14:11
when I started working on language
339
839744
1462
z którymi zacząłem pracę
nad językiem i autyzmem.
nad językiem i autyzmem.
14:13
and autism and various other things.
340
841206
1502
Dziewczyna nazywa się Pavna,
jest z matką, Kalpaną.
jest z matką, Kalpaną.
14:14
The girl's name is Pavna,
341
842708
1417
14:16
and that's her mother, Kalpana.
342
844125
1902
14:18
And Pavna's an entrepreneur,
343
846027
2138
Pavna jest przedsiębiorcą,
lecz jej historia
jest bardziej niezwykła niż moja.
jest bardziej niezwykła niż moja.
14:20
but her story is much more remarkable than mine,
344
848165
2371
14:22
because Pavna is about 23.
345
850536
2400
Pavna ma 23 lata,
14:24
She has quadriplegic cerebral palsy,
346
852936
2552
cierpi na mózgowe
porażenie czterokończynowe,
porażenie czterokończynowe,
14:27
so ever since she was born,
347
855488
1640
więc odkąd się urodziła,
14:29
she could neither move nor talk.
348
857128
3600
nie mogła ani chodzić ani mówić.
14:32
And everything that she's accomplished so far,
349
860728
2403
Wszystko czego dokonała dotychczas,
14:35
finishing school, going to college,
350
863131
2227
ukończenie szkoły, studiów,
14:37
starting a company,
351
865358
1416
założenie firmy,
14:38
collaborating with me to develop Avaz,
352
866774
2140
współpraca ze mną przy opracowaniu Avaza,
14:40
all of these things she's done
353
868914
1892
wszystkiego tego dokonała
14:42
with nothing more than moving her eyes.
354
870806
5523
jedynie za pomocą ruchów gałek ocznych.
14:48
Daniel Webster said this:
355
876329
2689
Daniel Webster powiedział:
14:51
He said, "If all of my possessions were taken
356
879018
2940
"Gdyby odebrano mi wszystko, co posiadam,
14:53
from me with one exception,
357
881958
2988
pozostawiając jedną rzecz,
14:56
I would choose to keep the power of communication,
358
884946
2981
wybrałbym dar komunikacji,
14:59
for with it, I would regain all the rest."
359
887927
3903
bo z jego pomocą mógłbym odzyskać resztę".
15:03
And that's why, of all of these incredible
applications of FreeSpeech,
applications of FreeSpeech,
360
891830
5116
Dlatego spośród wszystkich
niesamowitych zastosowań FreeSpeech,
niesamowitych zastosowań FreeSpeech,
15:08
the one that's closest to my heart
361
896946
2080
najbliższą mojemu sercu
pozostaje możliwość
pozostaje możliwość
15:11
still remains the ability for this
362
899026
2068
wyposażenia niepełnosprawnych dzieci
15:13
to empower children with disabilities
363
901094
2380
15:15
to be able to communicate,
364
903474
1773
w narzędzie komunikacji,
15:17
the power of communication,
365
905247
1789
w moc komunikacji,
15:19
to get back all the rest.
366
907036
2240
by mogły odzyskać resztę.
15:21
Thank you.
367
909276
1397
Dziękuję.
15:22
(Applause)
368
910673
1332
(Brawa)
15:24
Thank you. (Applause)
369
912005
4199
Dziękuję. (Brawa)
15:28
Thank you. Thank you. Thank you. (Applause)
370
916204
5323
Dziękuję. Dziękuję. Dziękuję. (Brawa)
15:33
Thank you. Thank you. Thank you. (Applause)
371
921527
4000
Dziękuję. Dziękuję. Dziękuję. (Brawa)
ABOUT THE SPEAKER
Ajit Narayanan - Visual grammar engine inventorAjit Narayanan is the inventor of Avaz, an affordable, tablet-based communication device for people who are speech-impaired.
Why you should listen
Ajit Narayanan is the founder and CEO of Invention Labs, and the inventor of Avaz AAC, the first assistive device aimed at an Indian market that helps people with speech disabilities -- such as cerebral palsy, autism, intellectual disability, aphasia and learning disabilities -- to communicate. Avaz is also available as an iPad app, aimed at children with autism. In 2010, Avaz won the National Award for Empowerment of People with Disabilities from the president of India, and in 2011, Narayanan was listed in MIT Technology Review 35 under 35.
Narayanan is a prolific inventor with more than 20 patent applications. He is an electrical engineer with degrees from IIT Madras. His research interests are embedded systems, signal processing and understanding how the brain perceives language and communication.
Ajit Narayanan | Speaker | TED.com