TED2014
Ray Kurzweil: Get ready for hybrid thinking
Ray Kurzweil: Przygotujcie się na myślenie hybrydowe
Filmed:
Readability: 4.4
3,548,296 views
Dwieście milionów lat temu ssaki wykształciły nową strukturę mózgu - neokorteks. Ta tkanka rozmiaru znaczka pocztowego (zawinięta dokoła mózgu wielkości orzecha) okazała się kluczowa dla ludzkości. Futurysta Ray Kurzweil sugeruje, żeby przygotować się na kolejny wielki skok możliwości naszego mózgu, ponieważ odblokowaliśmy siłę chmury obliczeniowej.
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
Opowiem wam historię,
która ma miejsce 200 milionów lat temu.
00:15
It goes back 200 million years.
1
3304
1799
00:17
It's a story of the neocortex,
2
5103
1984
To opowieść o neokorteksie,
00:19
which means "new rind."
3
7087
1974
co znaczy "kora nowa".
00:21
So in these early mammals,
4
9061
2431
U wczesnych ssaków,
00:23
because only mammals have a neocortex,
5
11492
2055
bo tylko one mają korę nową,
00:25
rodent-like creatures.
6
13547
1664
u stworzeń podobnych do szczurów,
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
miała rozmiar i grubość
znaczka pocztowego
znaczka pocztowego
i pokrywała ich mózgi
wielkości orzecha włoskiego.
wielkości orzecha włoskiego.
00:30
and was a thin covering around
8
18790
1439
00:32
their walnut-sized brain,
9
20229
2264
00:34
but it was capable of a new type of thinking.
10
22493
3701
Ale była zdolna
do nowego sposobu myślenia.
do nowego sposobu myślenia.
00:38
Rather than the fixed behaviors
11
26194
1567
Zamiast podążać za gotowymi wzorcami
00:39
that non-mammalian animals have,
12
27761
1992
jak u zwierząt niższych,
00:41
it could invent new behaviors.
13
29753
2692
mogła tworzyć nowe wzorce.
00:44
So a mouse is escaping a predator,
14
32445
2553
Mysz ucieka przed drapieżnikiem,
droga jest zablokowana,
00:46
its path is blocked,
15
34998
1540
więc próbuje znaleźć nowe rozwiązanie.
00:48
it'll try to invent a new solution.
16
36538
2129
00:50
That may work, it may not,
17
38667
1266
Może zadziałać lub nie.
00:51
but if it does, it will remember that
18
39933
1910
Jeśli się uda, zostanie zapamiętane
00:53
and have a new behavior,
19
41843
1292
jako nowy wzór zachowania,
00:55
and that can actually spread virally
20
43135
1457
który rozprzestrzeni się jak wirus
00:56
through the rest of the community.
21
44592
2195
w reszcie społeczności.
Inna mysz, patrząc na to,
mogłaby powiedzieć -
mogłaby powiedzieć -
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
"Jakie to sprytne ominąć ten kamień"
01:03
and it could adopt a new behavior as well.
24
51100
3725
i sama przyjęłaby nowy wzór zachowania.
01:06
Non-mammalian animals
25
54825
1717
Żadne zwierzęta
poza ssakami tego nie potrafią.
poza ssakami tego nie potrafią.
01:08
couldn't do any of those things.
26
56542
1713
01:10
They had fixed behaviors.
27
58255
1215
Mają ustalone zachowania.
01:11
Now they could learn a new behavior
28
59470
1331
Mogą się nauczyć nowego zachowania,
01:12
but not in the course of one lifetime.
29
60801
2576
ale nie w ciągu jednego pokolenia.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
Być może w ciągu tysięcy pokoleń
01:17
it could evolve a new fixed behavior.
31
65144
3330
może wyewoluować u nich
nowe ustalone zachowanie.
nowe ustalone zachowanie.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
200 mln lat temu to zupełnie wystarczało.
01:23
The environment changed very slowly.
33
71851
1981
Środowisko zmieniało się powoli.
01:25
It could take 10,000 years for there to be
34
73832
1554
Mogło to trwać 10 tysięcy lat,
01:27
a significant environmental change,
35
75386
2092
by w środowisku nastąpiła znacząca zmiana
01:29
and during that period of time
36
77478
1382
i w tym czasie mógł powstać
nowy wzór zachowania.
nowy wzór zachowania.
01:30
it would evolve a new behavior.
37
78860
2929
01:33
Now that went along fine,
38
81789
1521
Szło to sprawnie do pewnego momentu.
01:35
but then something happened.
39
83310
1704
01:37
Sixty-five million years ago,
40
85014
2246
65 milionów lat temu
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
zaszła gwałtowna zmiana w środowisku.
01:41
We call it the Cretaceous extinction event.
42
89875
3505
Było to wymieranie kredowe.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
Wtedy wyginęły dinozaury
01:47
that's when 75 percent of the
44
95673
3449
i wymarło 75% gatunków zwierząt i roślin.
01:51
animal and plant species went extinct,
45
99122
2746
Wtedy ssaki przejęły tę niszę ekologiczną.
01:53
and that's when mammals
46
101868
1745
01:55
overtook their ecological niche,
47
103613
2152
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
Antropomorfizując, ewolucja stwierdziła -
"Neokorteks to niezła rzecz"
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
02:03
and it began to grow it.
50
111444
1793
i zaczęła go ulepszać.
02:05
And mammals got bigger,
51
113237
1342
Ssaki stały się większe,
02:06
their brains got bigger at an even faster pace,
52
114579
2915
ich mózgi powiększały się szybciej,
02:09
and the neocortex got bigger even faster than that
53
117494
3807
a kora nowa jeszcze szybciej,
02:13
and developed these distinctive ridges and folds
54
121301
2929
tworząc typowe dla siebie fałdy,
02:16
basically to increase its surface area.
55
124230
2881
by zwiększyć swoją powierzchnię.
02:19
If you took the human neocortex
56
127111
1819
Gdyby rozprostować ludzką korę nową,
02:20
and stretched it out,
57
128930
1301
02:22
it's about the size of a table napkin,
58
130231
1713
miałaby rozmiar serwetki
02:23
and it's still a thin structure.
59
131944
1306
i byłaby tak samo cienka.
02:25
It's about the thickness of a table napkin.
60
133250
1980
02:27
But it has so many convolutions and ridges
61
135230
2497
Natomiast ma tak wiele zwojów i fałd,
02:29
it's now 80 percent of our brain,
62
137727
3075
że obecnie stanowi 80% naszego mózgu.
02:32
and that's where we do our thinking,
63
140802
2461
Tam właśnie odbywa się proces myślenia
i przekształcanie instynktów
w coś wyższego.
w coś wyższego.
02:35
and it's the great sublimator.
64
143263
1761
Wciąż mamy starą część mózgu,
02:37
We still have that old brain
65
145024
1114
02:38
that provides our basic drives and motivations,
66
146138
2764
która odpowiada za podstawowe instynkty,
02:40
but I may have a drive for conquest,
67
148902
2716
lecz mój instynkt podboju
02:43
and that'll be sublimated by the neocortex
68
151618
2715
może być przesublimowany przez korę nową
02:46
into writing a poem or inventing an app
69
154333
2909
w napisanie wiersza,
wynalezienie aplikacji
wynalezienie aplikacji
02:49
or giving a TED Talk,
70
157242
1509
lub wystąpienie na TED.
02:50
and it's really the neocortex that's where
71
158751
3622
Wszystko odbywa się w korze nowej.
02:54
the action is.
72
162373
1968
50 lat temu napisałem artykuł
02:56
Fifty years ago, I wrote a paper
73
164341
1717
na temat mojego postrzegania pracy mózgu.
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
Opisałem ją jako szereg modułów,
03:03
Each module could do things with a pattern.
76
171175
2128
każdy moduł działa według wzorców,
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
może nauczyć się wzorca,
zapamiętać go i wdrożyć.
03:08
It could implement a pattern.
78
176049
1407
03:09
And these modules were organized in hierarchies,
79
177456
2679
Moduły są ułożone w hierarchii,
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
którą tworzymy własnymi myślami.
03:15
And there was actually very little to go on
81
183089
3333
Niewiele się działo
w tym temacie 50 lat temu.
w tym temacie 50 lat temu.
03:18
50 years ago.
82
186422
1562
W rezultacie spotkałem się
z prezydentem Johnsonem.
z prezydentem Johnsonem.
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
Myślałem o tym przez 50 lat
03:24
and a year and a half ago I came out with the book
85
192272
2828
i półtora roku temu opublikowałem książkę
"How to create a mind".
03:27
"How To Create A Mind,"
86
195100
1265
03:28
which has the same thesis,
87
196365
1613
Zawiera tę samą tezę,
03:29
but now there's a plethora of evidence.
88
197978
2812
lecz tym razem jest poparta masą dowodów.
Ilość danych naukowych
dotyczących mózgu
dotyczących mózgu
03:32
The amount of data we're getting about the brain
89
200790
1814
03:34
from neuroscience is doubling every year.
90
202604
2203
dzięki neurologii podwaja się co roku.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
Rozdzielczość skanów mózgu
03:39
is doubling every year.
92
207461
2285
podwaja się co roku.
Można teraz zajrzeć w żywy mózg
03:41
We can now see inside a living brain
93
209746
1717
03:43
and see individual interneural connections
94
211463
2870
i zobaczyć poszczególne
połączenia neuronów
połączenia neuronów
03:46
connecting in real time, firing in real time.
95
214333
2703
i ich działanie w czasie rzeczywistym.
03:49
We can see your brain create your thoughts.
96
217036
2419
Można zobaczyć, jak mózg tworzy myśli
03:51
We can see your thoughts create your brain,
97
219455
1575
i jak myśli tworzą mózg,
03:53
which is really key to how it works.
98
221030
1999
co jest kluczem do jego działania.
03:55
So let me describe briefly how it works.
99
223029
2219
Wyjaśnię pokrótce jak to działa.
03:57
I've actually counted these modules.
100
225248
2275
Policzyłem te moduły,
jest ich około 300 milionów
03:59
We have about 300 million of them,
101
227523
2046
04:01
and we create them in these hierarchies.
102
229569
2229
i są ułożone hierarchicznie.
04:03
I'll give you a simple example.
103
231798
2082
Podam prosty przykład.
04:05
I've got a bunch of modules
104
233880
2805
Mam zestaw modułów,
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
który umie rozpoznać
poprzeczną linię dużej litery A,
poprzeczną linię dużej litery A,
04:12
and that's all they care about.
106
240088
1914
tylko tym się zajmują.
04:14
A beautiful song can play,
107
242002
1578
Może grać piosenka,
przechodzić piękna dziewczyna,
przechodzić piękna dziewczyna,
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
nie zwrócą uwagi, ale gdy zobaczą
linię poprzeczną litery A,
linię poprzeczną litery A,
04:19
they get very excited and they say "crossbar,"
110
247860
3021
zareagują i stwierdzą: "linia poprzeczna"
04:22
and they put out a high probability
111
250881
2112
i wygenerują wysoki potencjał
04:24
on their output axon.
112
252993
1634
na aksonach wyjściowych.
Prowadzi to na kolejny poziom,
04:26
That goes to the next level,
113
254627
1333
04:27
and these layers are organized in conceptual levels.
114
255960
2750
gdzie warstwy ułożone są
w poziomy pojęciowe.
w poziomy pojęciowe.
04:30
Each is more abstract than the next one,
115
258710
1856
Każdy jest coraz bardziej abstrakcyjny,
04:32
so the next one might say "capital A."
116
260566
2418
więc kolejny może powie "duże A".
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
Jeszcze wyższy może powie "Apple".
04:37
Information flows down also.
118
265875
2167
Informacja idzie też w dół.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
Jeśli struktura rozpoznająca
widzi A-P-P-L,
widzi A-P-P-L,
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
może odgadnąć literę E,
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
i wysłać sygnał
04:48
saying, "Be on the lookout for an E,
122
276761
1619
do struktur na dole,
04:50
I think one might be coming."
123
278380
1556
aby wypatrywały litery E.
04:51
The E recognizers will lower their threshold
124
279936
2843
Obniżą one swój próg,
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
aby łatwiej rozpoznać E.
04:56
Ordinarily you wouldn't think so,
126
284724
1490
Zwykle tak nie robią,
04:58
but we're expecting an E, it's good enough,
127
286214
2009
ale oczekują E,
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
więc widzą E i tworzą "Apple".
05:02
"Yeah, I've seen an Apple."
129
290040
1728
05:03
Go up another five levels,
130
291768
1746
Idźmy wyżej o pięć poziomów
05:05
and you're now at a pretty high level
131
293514
1353
i będziemy dość wysoko w tej hierarchii,
05:06
of this hierarchy,
132
294867
1569
05:08
and stretch down into the different senses,
133
296436
2353
na poziomie obejmującym różne zmysły.
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
Moduły mogą rozpoznawać
określoną tkaninę,
określoną tkaninę,
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
słyszeć cechę głosu,
czuć określone perfumy.
czuć określone perfumy.
05:16
and will say, "My wife has entered the room."
136
304288
2513
Może powiedzą: "Moja żona
weszła do pokoju".
weszła do pokoju".
05:18
Go up another 10 levels, and now you're at
137
306801
1895
Wznieśmy się o kolejne 10 poziomów
i będziemy już bardzo wysoko,
i będziemy już bardzo wysoko,
05:20
a very high level.
138
308696
1160
05:21
You're probably in the frontal cortex,
139
309856
1937
możliwe że w korze czołowej,
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
gdzie są moduły mówiące:
"To była ironia.
"To była ironia.
05:27
That's funny. She's pretty."
141
315560
2370
To zabawne. Ona jest ładna".
05:29
You might think that those are more sophisticated,
142
317930
2105
Mogą wydać się bardziej wyrafinowane,
05:32
but actually what's more complicated
143
320035
1506
ale bardziej złożona
jest też hierarchia pod nimi.
jest też hierarchia pod nimi.
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
Pewna 16-latka miała operację mózgu.
05:38
and she was conscious because the surgeons
146
326830
2051
Była przytomna,
bo chirurdzy chcieli z nią rozmawiać.
bo chirurdzy chcieli z nią rozmawiać.
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
To możliwe, bo w mózgu
nie ma receptorów bólu.
nie ma receptorów bólu.
05:44
in the brain.
149
332240
1038
05:45
And whenever they stimulated particular,
150
333278
1800
Za każdym razem, gdy pobudzali
określone punkty jej kory nowej,
określone punkty jej kory nowej,
05:47
very small points on her neocortex,
151
335078
2463
05:49
shown here in red, she would laugh.
152
337541
2665
zaznaczone tu na czerwono, śmiała się.
05:52
So at first they thought they were triggering
153
340206
1440
Najpierw myśleli, że wyzwalają
05:53
some kind of laugh reflex,
154
341646
1720
jakiś odruch śmiechu,
05:55
but no, they quickly realized they had found
155
343366
2519
ale szybko zrozumieli, że odkryli
05:57
the points in her neocortex that detect humor,
156
345885
3044
punkty wykrywające humor.
06:00
and she just found everything hilarious
157
348929
1969
Gdy pobudzano ten obszar,
06:02
whenever they stimulated these points.
158
350898
2437
wszystko wydawało jej się prześmieszne.
06:05
"You guys are so funny just standing around,"
159
353335
1925
Jej typowy komentarz to:
06:07
was the typical comment,
160
355260
1738
"Ale jesteście śmieszni wszyscy wokoło".
06:08
and they weren't funny,
161
356998
2302
A oni nie byli śmieszni,
06:11
not while doing surgery.
162
359300
3247
nie podczas zabiegu.
06:14
So how are we doing today?
163
362547
4830
Jak wygląda to dzisiaj?
06:19
Well, computers are actually beginning to master
164
367377
3054
Komputery opanowują ludzki język
06:22
human language with techniques
165
370431
2001
dzięki metodom podobnym
w działaniu do kory nowej.
w działaniu do kory nowej.
06:24
that are similar to the neocortex.
166
372432
2867
06:27
I actually described the algorithm,
167
375299
1514
Opisałem algorytm
podobny do tak zwanego
podobny do tak zwanego
06:28
which is similar to something called
168
376813
2054
hierarchicznego ukrytego modelu Markowa.
06:30
a hierarchical hidden Markov model,
169
378867
2233
06:33
something I've worked on since the '90s.
170
381100
3241
Pracuję nad nim od lat 90.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
"Jeopardy!" to naturalna gra językowa
06:39
and Watson got a higher score
172
387579
1892
i Watson osiągnął wyższy wynik
06:41
than the best two players combined.
173
389471
2000
niż dwóch najlepszych graczy razem.
06:43
It got this query correct:
174
391471
2499
Poradził sobie z tym zadaniem:
06:45
"A long, tiresome speech
175
393970
2085
"Długa, nużąca przemowa
06:48
delivered by a frothy pie topping,"
176
396055
2152
wygłoszona przez piankową polewę ciasta"
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
i odpowiedział:
"Czym jest bezowa tyrada?"
"Czym jest bezowa tyrada?"
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
Jennings i ten drugi nie chwycili tego.
06:55
It's a pretty sophisticated example of
179
403638
1926
To wyszukany przykład tego,
06:57
computers actually understanding human language,
180
405564
1914
jak komputer rozumie ludzki język.
06:59
and it actually got its knowledge by reading
181
407478
1652
Cała jego wiedza pochodzi
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
z czytania Wikipedii i innych encyklopedii.
07:04
Five to 10 years from now,
183
412915
2133
Za 5 lub 10 lat
07:07
search engines will actually be based on
184
415048
2184
wyszukiwarki nie będą oparte
07:09
not just looking for combinations of words and links
185
417232
2794
tylko na szukaniu kombinacji słów i linków,
07:12
but actually understanding,
186
420026
1914
lecz na czytaniu ze zrozumieniem
07:13
reading for understanding the billions of pages
187
421940
2411
miliardów stron w sieci i książkach.
07:16
on the web and in books.
188
424351
2733
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
Będziesz na spacerze,
Google poda ci wiadomość:
Google poda ci wiadomość:
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
"Mary, martwiłaś się niedawno,
07:24
to me a month ago that your glutathione supplement
191
432781
3019
że twój suplement glutationu
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
nie pokonuje bariery krew-mózg.
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
Nowe badania, które ukazały się
13 sekund temu
13 sekund temu
07:32
that shows a whole new approach to that
194
440624
1711
pokazują nowe sposoby
przyswajania glutationu.
przyswajania glutationu.
07:34
and a new way to take glutathione.
195
442335
1993
07:36
Let me summarize it for you."
196
444328
2562
"Pozwól, że ci to streszczę".
Za 20 lat będziemy mieć nanoboty,
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
bo kolejny trend
07:42
because another exponential trend
198
450574
1627
07:44
is the shrinking of technology.
199
452201
1615
to miniaturyzacja technologii.
07:45
They'll go into our brain
200
453816
2370
Wejdą do naszego mózgu
07:48
through the capillaries
201
456186
1703
przez naczynia włosowate
i połączą nasz neokorteks
07:49
and basically connect our neocortex
202
457889
2477
07:52
to a synthetic neocortex in the cloud
203
460366
3185
z syntetycznym neokorteksem w chmurze,
powiększając nasz neokorteks.
07:55
providing an extension of our neocortex.
204
463551
3591
Dzisiaj mamy komputer w telefonie,
07:59
Now today, I mean,
205
467142
1578
08:00
you have a computer in your phone,
206
468720
1530
ale jeśli potrzebujesz
10 000 komputerów tylko na chwilę
10 000 komputerów tylko na chwilę
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
do złożonego wyszukiwania,
08:05
to do a complex search,
208
473004
1495
08:06
you can access that for a second or two in the cloud.
209
474499
3396
masz do nich dostęp w chmurze.
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
Po 2030 jeśli będziesz potrzebać
dodatkowy neokorteks,
dodatkowy neokorteks,
możesz połączyć się z nim
wprost ze swojego mózgu.
wprost ze swojego mózgu.
08:12
you'll be able to connect to that in the cloud
211
480990
2273
08:15
directly from your brain.
212
483263
1648
08:16
So I'm walking along and I say,
213
484911
1543
Więc idę sobie i mówię:
"To Chris Anderson.
08:18
"Oh, there's Chris Anderson.
214
486454
1363
08:19
He's coming my way.
215
487817
1525
Idzie w moją stronę.
Co by tu bystrego powiedzieć?".
08:21
I'd better think of something clever to say.
216
489342
2335
08:23
I've got three seconds.
217
491677
1524
Mam trzy sekundy.
300 milionów modułów
w moim neokorteksie nic nie wymyśli.
w moim neokorteksie nic nie wymyśli.
08:25
My 300 million modules in my neocortex
218
493201
3097
08:28
isn't going to cut it.
219
496298
1240
08:29
I need a billion more."
220
497538
1246
Potrzebuję miliard więcej.
08:30
I'll be able to access that in the cloud.
221
498784
3323
Połączę się z chmurą.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
Nasze myśli będą hybrydą
biologicznego i niebiologicznego myślenia.
08:36
of biological and non-biological thinking,
223
504919
3522
Część niebiologiczna,
08:40
but the non-biological portion
224
508441
1898
08:42
is subject to my law of accelerating returns.
225
510339
2682
zgodnie z moim prawem
przyspieszonych zwrotów,
przyspieszonych zwrotów,
będzie rosła wykładniczo.
08:45
It will grow exponentially.
226
513021
2239
08:47
And remember what happens
227
515260
2016
Co się stało, kiedy ostatnio
nasz neokorteks powiększył się?
nasz neokorteks powiększył się?
08:49
the last time we expanded our neocortex?
228
517276
2645
08:51
That was two million years ago
229
519921
1426
To było 2 miliony lat temu,
wtedy staliśmy się humanoidami
wtedy staliśmy się humanoidami
08:53
when we became humanoids
230
521347
1236
08:54
and developed these large foreheads.
231
522583
1594
i rozwinęliśmy duże czoła.
08:56
Other primates have a slanted brow.
232
524177
2583
Inne naczelne mają
wydatne wały nadoczodołowe.
wydatne wały nadoczodołowe.
08:58
They don't have the frontal cortex.
233
526760
1745
Nie mają płata czołowego.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
Sam płat czołowy
nie stanowi jakościowej różnicy.
nie stanowi jakościowej różnicy.
To poszerzenie kory nowej.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
Za to ta dodatkowa ilość myślenia
09:06
but that additional quantity of thinking
236
534933
2703
09:09
was the enabling factor for us to take
237
537636
1779
pozwoliła nam
na skok jakościowy i powstanie języka,
na skok jakościowy i powstanie języka,
09:11
a qualitative leap and invent language
238
539415
3346
sztuki, nauki, technologii
09:14
and art and science and technology
239
542761
1967
09:16
and TED conferences.
240
544728
1454
i konferencji TED.
Żaden inny gatunek tego nie osiągnął.
09:18
No other species has done that.
241
546182
2131
W ciągu kolejnych dziesięcioleci
09:20
And so, over the next few decades,
242
548313
2075
09:22
we're going to do it again.
243
550388
1760
znów to zrobimy.
Znowu powiększymy korę nową,
09:24
We're going to again expand our neocortex,
244
552148
2274
ale tym razem nie będziemy ograniczeni
09:26
only this time we won't be limited
245
554422
1756
09:28
by a fixed architecture of enclosure.
246
556178
4280
przestrzenią fizyczną.
09:32
It'll be expanded without limit.
247
560458
3304
Poszerzymy ją bezgranicznie.
Dodatkowa ilość pozwoli
09:35
That additional quantity will again
248
563762
2243
09:38
be the enabling factor for another qualitative leap
249
566005
3005
na jakościowy skok
w rozwoju kultury i technologii.
09:41
in culture and technology.
250
569010
1635
09:42
Thank you very much.
251
570645
2054
Dziękuję bardzo.
(Brawa)
09:44
(Applause)
252
572699
3086
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