TEDxPortland
Maurice Conti: The incredible inventions of intuitive AI
Maurice Conti: Niesamowite wynalazki intuicyjnej sztucznej inteligencji
Filmed:
Readability: 4.6
6,173,221 views
Co otrzymamy, wyposażając narzędzia projektowe w cyfrowy system nerwowy? Komputery, które usprawniają myślenie i wyobraźnię oraz roboty, które samodzielnie tworzą radykalne projekty, jak budowa mostów, samochodów, dronów i wielu innych. Futurysta Maurice Conti zaprasza nas w podróż do Ery Rozszerzonej Rzeczywistości. Pokaże, jak roboty i ludzie współpracują nad projektami, których nie potrafiliby zrobić w pojedynkę.
Maurice Conti - Designer, futurist
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Double-click the English transcript below to play the video.
00:12
How many of you are creatives,
0
735
2289
Ilu z was to twórcy,
00:15
designers, engineers,
entrepreneurs, artists,
entrepreneurs, artists,
1
3048
3624
projektanci, inżynierowie,
przedsiębiorcy, artyści
przedsiębiorcy, artyści
00:18
or maybe you just have
a really big imagination?
a really big imagination?
2
6696
2387
albo osoby z bujną wyobraźnią?
00:21
Show of hands? (Cheers)
3
9107
1848
Podnieście ręce.
00:22
That's most of you.
4
10979
1181
Większość.
00:25
I have some news for us creatives.
5
13334
2294
Mam wiadomość dla twórców.
00:28
Over the course of the next 20 years,
6
16714
2573
W ciągu najbliższych 20 lat
00:33
more will change around
the way we do our work
the way we do our work
7
21471
2973
sposób wykonywania pracy
zmieni się bardziej
zmieni się bardziej
00:37
than has happened in the last 2,000.
8
25382
2157
niż przez ostatnie 2000 lat.
00:40
In fact, I think we're at the dawn
of a new age in human history.
of a new age in human history.
9
28511
4628
Zaczyna się nowa era w historii ludzkości.
00:45
Now, there have been four major historical
eras defined by the way we work.
eras defined by the way we work.
10
33645
4761
Są 4 główne ery różniące się
sposobem wykonywania pracy.
sposobem wykonywania pracy.
00:51
The Hunter-Gatherer Age
lasted several million years.
lasted several million years.
11
39404
3275
Era zbieracko-łowiecka
trwała kilka milionów lat.
trwała kilka milionów lat.
00:55
And then the Agricultural Age
lasted several thousand years.
lasted several thousand years.
12
43163
3576
Era rolnicza, kilka tysięcy lat.
00:59
The Industrial Age lasted
a couple of centuries.
a couple of centuries.
13
47195
3490
Era przemysłowa, kilka stuleci.
01:02
And now the Information Age
has lasted just a few decades.
has lasted just a few decades.
14
50709
4287
Era informacyjna
trwa zaledwie kilka dekad.
trwa zaledwie kilka dekad.
01:07
And now today, we're on the cusp
of our next great era as a species.
of our next great era as a species.
15
55020
5220
Wkraczamy w kolejną wspaniałą erę.
01:13
Welcome to the Augmented Age.
16
61296
2680
Witajcie w erze
rozszerzonej rzeczywistości.
rozszerzonej rzeczywistości.
01:16
In this new era, your natural human
capabilities are going to be augmented
capabilities are going to be augmented
17
64000
3693
Wasze naturalne możliwości
będą rozbudowane
będą rozbudowane
01:19
by computational systems
that help you think,
that help you think,
18
67717
3068
przez systemy komputerowe,
które pomogą wam myśleć,
które pomogą wam myśleć,
01:22
robotic systems that help you make,
19
70809
2186
roboty, które pomogą wam tworzyć
01:25
and a digital nervous system
20
73019
1648
i cyfrowy układ nerwowy,
01:26
that connects you to the world
far beyond your natural senses.
far beyond your natural senses.
21
74691
3690
który połączy was ze światem
wykraczającym poza naturalne zmysły.
wykraczającym poza naturalne zmysły.
01:31
Let's start with cognitive augmentation.
22
79437
1942
Zacznijmy od rozszerzenia inteligencji.
01:33
How many of you are augmented cyborgs?
23
81403
2200
Kto z was jest cyborgiem?
01:36
(Laughter)
24
84133
2650
(Śmiech)
01:38
I would actually argue
that we're already augmented.
that we're already augmented.
25
86807
2821
Możliwości naszego umysłu
już są rozszerzone.
już są rozszerzone.
01:42
Imagine you're at a party,
26
90288
1504
Wyobraź sobie, że jesteś na przyjęciu.
01:43
and somebody asks you a question
that you don't know the answer to.
that you don't know the answer to.
27
91816
3520
Ktoś zadaje ci pytanie,
na które nie znasz odpowiedzi.
na które nie znasz odpowiedzi.
01:47
If you have one of these,
in a few seconds, you can know the answer.
in a few seconds, you can know the answer.
28
95360
3760
Jeśli masz coś takiego,
w kilka sekund możesz ją poznać.
w kilka sekund możesz ją poznać.
01:51
But this is just a primitive beginning.
29
99869
2299
To tylko prymitywny początek.
01:54
Even Siri is just a passive tool.
30
102863
3331
Nawet Siri to bierne narzędzie.
01:58
In fact, for the last
three-and-a-half million years,
three-and-a-half million years,
31
106660
3381
Od trzech i pół miliona lat
02:02
the tools that we've had
have been completely passive.
have been completely passive.
32
110065
3109
korzystamy z bezwolnych narzędzi,
02:06
They do exactly what we tell them
and nothing more.
and nothing more.
33
114203
3655
które tylko wykonują polecenia.
02:09
Our very first tool only cut
where we struck it.
where we struck it.
34
117882
3101
Pierwsze narzędzie
cięło tylko w miejscu uderzenia.
cięło tylko w miejscu uderzenia.
02:13
The chisel only carves
where the artist points it.
where the artist points it.
35
121822
3040
Dłuto rzeźbi tylko tam,
gdzie przyłoży je artysta.
gdzie przyłoży je artysta.
02:17
And even our most advanced tools
do nothing without our explicit direction.
do nothing without our explicit direction.
36
125343
5641
Nawet najbardziej nowoczesne narzędzia
tylko wykonują polecenia.
tylko wykonują polecenia.
02:23
In fact, to date, and this
is something that frustrates me,
is something that frustrates me,
37
131008
3181
Irytuje mnie, że do tej pory
ograniczał nas przymus
02:26
we've always been limited
38
134213
1448
02:27
by this need to manually
push our wills into our tools --
push our wills into our tools --
39
135685
3501
manualnego narzucania
naszej woli narzędziom,
naszej woli narzędziom,
02:31
like, manual,
literally using our hands,
literally using our hands,
40
139210
2297
czyli używania rąk,
02:33
even with computers.
41
141531
1428
nawet przy korzystaniu z komputerów.
02:36
But I'm more like Scotty in "Star Trek."
42
144072
2463
Jestem jak Scotty ze "Star Treka".
02:38
(Laughter)
43
146559
1850
(Śmiech)
02:40
I want to have a conversation
with a computer.
with a computer.
44
148433
2146
Chcę rozmawiać z komputerem.
02:42
I want to say, "Computer,
let's design a car,"
let's design a car,"
45
150603
2970
Chcę powiedzieć: "Komputerze,
zaprojektujmy samochód",
zaprojektujmy samochód",
02:45
and the computer shows me a car.
46
153597
1539
a komputer go pokaże.
02:47
And I say, "No, more fast-looking,
and less German,"
and less German,"
47
155160
2608
Powiem: "Ma być szybszy
i mniej niemiecki",
i mniej niemiecki",
02:49
and bang, the computer shows me an option.
48
157792
2163
a komputer pokaże mi projekt.
02:51
(Laughter)
49
159979
1865
(Śmiech)
02:54
That conversation might be
a little ways off,
a little ways off,
50
162208
2306
Część z was pewnie sądzi,
02:56
probably less than many of us think,
51
164538
2665
że taka rozmowa jest czymś odległym,
02:59
but right now,
52
167227
1763
ale właśnie pracujemy nad tym.
03:01
we're working on it.
53
169014
1151
03:02
Tools are making this leap
from being passive to being generative.
from being passive to being generative.
54
170189
4033
Bezwolne narzędzia
zastępowane są generatywnymi.
zastępowane są generatywnymi.
03:06
Generative design tools
use a computer and algorithms
use a computer and algorithms
55
174831
3308
Korzystają one z komputera i algorytmów
03:10
to synthesize geometry
56
178163
2608
do samodzielnego tworzenia geometrii
03:12
to come up with new designs
all by themselves.
all by themselves.
57
180795
2754
dla nowego projektu.
03:15
All it needs are your goals
and your constraints.
and your constraints.
58
183996
2748
Muszą tylko znać
cel projektu i ograniczenia.
cel projektu i ograniczenia.
03:18
I'll give you an example.
59
186768
1408
Podam przykład.
03:20
In the case of this aerial drone chassis,
60
188200
2788
W przypadku ramy tego powietrznego drona,
03:23
all you would need to do
is tell it something like,
is tell it something like,
61
191012
2626
musielibyśmy tylko wskazać,
03:25
it has four propellers,
62
193662
1273
że ma mieć cztery śmigła,
03:26
you want it to be
as lightweight as possible,
as lightweight as possible,
63
194959
2131
ma być bardzo lekki
03:29
and you need it to be
aerodynamically efficient.
aerodynamically efficient.
64
197114
2270
i musi mieć opływowy kształt.
03:31
Then what the computer does
is it explores the entire solution space:
is it explores the entire solution space:
65
199408
4914
Komputer bada wszelkie możliwości
03:36
every single possibility that solves
and meets your criteria --
and meets your criteria --
66
204346
3927
spełnienia podanych warunków,
03:40
millions of them.
67
208297
1442
miliony sposobów.
03:41
It takes big computers to do this.
68
209763
1975
Używa się do tego dużych komputerów.
03:43
But it comes back to us with designs
69
211762
1955
Przedstawiają nam projekty,
03:45
that we, by ourselves,
never could've imagined.
never could've imagined.
70
213741
3143
których sami nigdy byśmy nie wymyślili.
03:49
And the computer's coming up
with this stuff all by itself --
with this stuff all by itself --
71
217326
2912
Komputer sam tworzy cały materiał,
03:52
no one ever drew anything,
72
220262
1678
nikt niczego nie rysuje,
03:53
and it started completely from scratch.
73
221964
2086
a zaczyna całkowicie od zera.
03:57
And by the way, it's no accident
74
225038
2387
To nie przypadek,
03:59
that the drone body looks just like
the pelvis of a flying squirrel.
the pelvis of a flying squirrel.
75
227449
3481
że szkielet drona przypomina
miednicę wiewiórki latającej.
miednicę wiewiórki latającej.
04:03
(Laughter)
76
231287
2007
(Śmiech)
04:06
It's because the algorithms
are designed to work
are designed to work
77
234040
2302
Bowiem stworzone algorytmy mają działać
04:08
the same way evolution does.
78
236366
1637
w taki sam sposób, jak ewolucja.
04:10
What's exciting is we're starting
to see this technology
to see this technology
79
238715
2660
Ogromnie cieszy,
że widzimy już tę technologię
że widzimy już tę technologię
04:13
out in the real world.
80
241399
1159
w prawdziwym świecie.
04:14
We've been working with Airbus
for a couple of years
for a couple of years
81
242582
2452
Od kilku lat pracujemy nad Airbusem,
04:17
on this concept plane for the future.
82
245058
1909
tworząc samolot przyszłości.
04:18
It's a ways out still.
83
246991
2070
Jeszcze dużo pracy przed nami,
04:21
But just recently we used
a generative-design AI
a generative-design AI
84
249085
3780
ale ostatnio użyliśmy generatywnego
projektu sztucznej inteligencji (AI),
projektu sztucznej inteligencji (AI),
04:24
to come up with this.
85
252889
1807
żeby stworzyć coś takiego.
04:27
This is a 3D-printed cabin partition
that's been designed by a computer.
that's been designed by a computer.
86
255609
5153
To jest wydruk 3D przegrody kabiny,
zaprojektowanej przez komputer.
zaprojektowanej przez komputer.
04:32
It's stronger than the original
yet half the weight,
yet half the weight,
87
260786
2824
Jest mocniejsza i o połowę
lżejsza od oryginalnej.
lżejsza od oryginalnej.
04:35
and it will be flying
in the Airbus A320 later this year.
in the Airbus A320 later this year.
88
263634
3146
Będzie użyta w Airbusie A320
pod koniec tego roku.
pod koniec tego roku.
04:39
So computers can now generate;
89
267405
1559
Komputery mogą tworzyć produkty.
04:40
they can come up with their own solutions
to our well-defined problems.
to our well-defined problems.
90
268988
4595
Podają własne rozwiązania
określonych przez nas problemów.
określonych przez nas problemów.
04:46
But they're not intuitive.
91
274677
1310
Ale nie mają intuicji.
04:48
They still have to start from scratch
every single time,
every single time,
92
276011
3086
Za każdym razem zaczynają od zera,
04:51
and that's because they never learn.
93
279121
2565
bo nigdy się nie uczą.
04:54
Unlike Maggie.
94
282368
1766
W przeciwieństwie do Maggie.
04:56
(Laughter)
95
284158
1581
(Śmiech)
04:57
Maggie's actually smarter
than our most advanced design tools.
than our most advanced design tools.
96
285763
3297
Maggie jest mądrzejsza
od nowoczesnych narzędzi projektowych.
od nowoczesnych narzędzi projektowych.
05:01
What do I mean by that?
97
289467
1440
Dlaczego?
05:02
If her owner picks up that leash,
98
290931
1590
Gdy jej pani bierze smycz,
05:04
Maggie knows with a fair
degree of certainty
degree of certainty
99
292545
2068
Maggie wie, że prawie na pewno
05:06
it's time to go for a walk.
100
294637
1404
czas na spacer.
05:08
And how did she learn?
101
296065
1185
Jak się tego nauczyła?
05:09
Well, every time the owner picked up
the leash, they went for a walk.
the leash, they went for a walk.
102
297274
3324
Zawsze, gdy pani
brała smycz, szły na spacer.
brała smycz, szły na spacer.
05:12
And Maggie did three things:
103
300622
1878
Dla Maggie trzy rzeczy były istotne.
05:14
she had to pay attention,
104
302524
1869
Musiała uważać,
05:16
she had to remember what happened
105
304417
2082
zapamiętać to, co się wydarzyło,
05:18
and she had to retain and create
a pattern in her mind.
a pattern in her mind.
106
306523
4017
i stworzyć wzór zachowań.
05:23
Interestingly, that's exactly what
107
311429
2095
Co ciekawe, przez ostatnie 60 lat
05:25
computer scientists
have been trying to get AIs to do
have been trying to get AIs to do
108
313548
2523
informatycy pracują
05:28
for the last 60 or so years.
109
316095
1859
nad właśnie takim działaniem AI.
05:30
Back in 1952,
110
318683
1349
W 1952 roku zbudowano komputer,
05:32
they built this computer
that could play Tic-Tac-Toe.
that could play Tic-Tac-Toe.
111
320056
3801
który potrafił grać w kółko i krzyżyk.
05:37
Big deal.
112
325081
1160
Wielki wyczyn!
05:39
Then 45 years later, in 1997,
113
327029
3000
45 lat później, w 1997 roku,
05:42
Deep Blue beats Kasparov at chess.
114
330053
2472
Deep Blue pokonał Kasparowa w szachy.
05:46
2011, Watson beats these two
humans at Jeopardy,
humans at Jeopardy,
115
334046
4968
W 2011 roku Watson pokonuje
tych dwóch w grze Jeopardy,
tych dwóch w grze Jeopardy,
05:51
which is much harder for a computer
to play than chess is.
to play than chess is.
116
339038
2928
co było trudniejsze
dla komputera niż szachy,
dla komputera niż szachy,
05:53
In fact, rather than working
from predefined recipes,
from predefined recipes,
117
341990
3812
bo nie działał w oparciu
o określone zasady,
o określone zasady,
05:57
Watson had to use reasoning
to overcome his human opponents.
to overcome his human opponents.
118
345826
3323
tylko musiał zastosować analizę,
żeby pokonać człowieka.
żeby pokonać człowieka.
06:02
And then a couple of weeks ago,
119
350393
2439
Kilka tygodni temu
06:04
DeepMind's AlphaGo beats
the world's best human at Go,
the world's best human at Go,
120
352856
4262
AlphaGo firmy DeepMind pokonuje
najlepszego zawodnika w grze w Go,
najlepszego zawodnika w grze w Go,
06:09
which is the most difficult
game that we have.
game that we have.
121
357142
2212
która jest najtrudniejszą z gier.
06:11
In fact, in Go, there are more
possible moves
possible moves
122
359378
2896
W tej grze jest więcej możliwości ruchu
06:14
than there are atoms in the universe.
123
362298
2024
niż atomów we wszechświecie.
06:18
So in order to win,
124
366210
1826
Żeby wygrać,
06:20
what AlphaGo had to do
was develop intuition.
was develop intuition.
125
368060
2618
AlphaGo musiał rozwinąć intuicję.
06:23
And in fact, at some points,
AlphaGo's programmers didn't understand
AlphaGo's programmers didn't understand
126
371098
4110
Nawet programiści AlphaGo nie rozumieli
06:27
why AlphaGo was doing what it was doing.
127
375232
2286
niektórych jego zachowań.
Wszystko zmienia się bardzo szybko.
06:31
And things are moving really fast.
128
379451
1660
06:33
I mean, consider --
in the space of a human lifetime,
in the space of a human lifetime,
129
381135
3227
W ciągu kilkudziesięciu lat,
06:36
computers have gone from a child's game
130
384386
2233
komputery rozwinęły się od dziecięcej gry
06:39
to what's recognized as the pinnacle
of strategic thought.
of strategic thought.
131
387920
3048
po najbardziej rozwinięte
myślenie strategiczne.
myślenie strategiczne.
06:43
What's basically happening
132
391999
2417
Obserwujemy,
06:46
is computers are going
from being like Spock
from being like Spock
133
394440
3310
jak komputery przypominające Spocka
06:49
to being a lot more like Kirk.
134
397774
1949
zmieniają się w te, przypominające Kirka.
06:51
(Laughter)
135
399747
3618
(Śmiech)
06:55
Right? From pure logic to intuition.
136
403389
3424
Od czystej logiki do intuicji.
07:00
Would you cross this bridge?
137
408184
1743
Przeszlibyście przez ten most?
07:02
Most of you are saying, "Oh, hell no!"
138
410609
2323
Większość powie: "Nie ma mowy!".
07:04
(Laughter)
139
412956
1308
(Śmiech)
07:06
And you arrived at that decision
in a split second.
in a split second.
140
414288
2657
Podjęliście tę decyzję w jednej chwili.
07:08
You just sort of knew
that bridge was unsafe.
that bridge was unsafe.
141
416969
2428
Założyliście, że ten most
nie jest bezpieczny.
nie jest bezpieczny.
07:11
And that's exactly the kind of intuition
142
419421
1989
Właśnie taki rodzaj intuicji
07:13
that our deep-learning systems
are starting to develop right now.
are starting to develop right now.
143
421434
3568
jest obecnie tworzony
przez systemy samouczące.
przez systemy samouczące.
07:17
Very soon, you'll literally be able
144
425722
1707
Niebawem będzie można
07:19
to show something you've made,
you've designed,
you've designed,
145
427453
2206
pokazać komputerowi produkt lub projekt
07:21
to a computer,
146
429683
1153
a on spojrzy na to i powie,
07:22
and it will look at it and say,
147
430860
1489
"Sorki, brachu. To się nie uda.
Spróbuj jeszcze raz".
Spróbuj jeszcze raz".
07:24
"Sorry, homie, that'll never work.
You have to try again."
You have to try again."
148
432373
2823
07:27
Or you could ask it if people
are going to like your next song,
are going to like your next song,
149
435854
3070
Albo spytacie go, czy ludziom
spodoba się wasza nowa piosenka
spodoba się wasza nowa piosenka
07:31
or your next flavor of ice cream.
150
439773
2063
albo nowy smak lodów.
07:35
Or, much more importantly,
151
443549
2579
Albo, co istotniejsze,
07:38
you could work with a computer
to solve a problem
to solve a problem
152
446152
2364
moglibyście pracować
z komputerem nad problemem,
z komputerem nad problemem,
07:40
that we've never faced before.
153
448540
1637
wcześniej nieznanym,
07:42
For instance, climate change.
154
450201
1401
jak zmiana klimatu.
07:43
We're not doing a very
good job on our own,
good job on our own,
155
451626
2020
Nie idzie nam za dobrze,
07:45
we could certainly use
all the help we can get.
all the help we can get.
156
453670
2245
więc przydałaby nam się każda pomoc.
07:47
That's what I'm talking about,
157
455939
1458
Właśnie o tym mówię,
07:49
technology amplifying
our cognitive abilities
our cognitive abilities
158
457421
2555
technologia zwiększa
nasze możliwości poznawcze,
nasze możliwości poznawcze,
07:52
so we can imagine and design things
that were simply out of our reach
that were simply out of our reach
159
460000
3552
dlatego można stworzyć rzeczy,
dotąd nieosiągalne
dotąd nieosiągalne
07:55
as plain old un-augmented humans.
160
463576
2559
dla zwykłych ludzi
o nierozszerzonym umyśle.
o nierozszerzonym umyśle.
07:59
So what about making
all of this crazy new stuff
all of this crazy new stuff
161
467984
2941
Co z tymi szalonymi
wynalazkami i projektami,
wynalazkami i projektami,
08:02
that we're going to invent and design?
162
470949
2441
które mamy stworzyć?
08:05
I think the era of human augmentation
is as much about the physical world
is as much about the physical world
163
473952
4093
Era rozszerzania ludzkich możliwości
dotyczy nie tylko świata fizycznego,
dotyczy nie tylko świata fizycznego,
08:10
as it is about the virtual,
intellectual realm.
intellectual realm.
164
478069
3065
ale też wirtualnego i intelektualnego.
08:13
How will technology augment us?
165
481833
1921
Jak technologia poszerzy nasze możliwości?
08:16
In the physical world, robotic systems.
166
484261
2473
W świecie fizycznym zrobią to roboty.
08:19
OK, there's certainly a fear
167
487620
1736
Jest oczywiście obawa,
08:21
that robots are going to take
jobs away from humans,
jobs away from humans,
168
489380
2488
że roboty odbiorą nam pracę,
08:23
and that is true in certain sectors.
169
491892
1830
co jest widoczne w pewnych sektorach.
08:26
But I'm much more interested in this idea
170
494174
2878
Bardziej interesuje mnie,
08:29
that humans and robots working together
are going to augment each other,
are going to augment each other,
171
497076
5010
jak współpraca człowieka i robota,
poszerzy ich wzajemne możliwości
poszerzy ich wzajemne możliwości
08:34
and start to inhabit a new space.
172
502110
2058
i zajmie nową przestrzeń.
08:36
This is our applied research lab
in San Francisco,
in San Francisco,
173
504192
2362
To nasze laboratorium
badawcze w San Francisco,
badawcze w San Francisco,
08:38
where one of our areas of focus
is advanced robotics,
is advanced robotics,
174
506578
3142
gdzie jednym z obszarów badań
jest zaawansowana robotyka,
jest zaawansowana robotyka,
08:41
specifically, human-robot collaboration.
175
509744
2511
głównie współpraca człowieka z robotem.
08:45
And this is Bishop, one of our robots.
176
513034
2759
To jest Bishop, jeden z robotów.
W ramach eksperymentu zaprogramowaliśmy go
08:47
As an experiment, we set it up
177
515817
1789
08:49
to help a person working in construction
doing repetitive tasks --
doing repetitive tasks --
178
517630
3460
do pomocy w pracach budowlanych.
Wykonuje powtarzające się czynności,
jak wycinanie dziur w regipsach
jak wycinanie dziur w regipsach
08:53
tasks like cutting out holes for outlets
or light switches in drywall.
or light switches in drywall.
179
521984
4194
pod gniazdka elektryczne
lub włącznik światła.
lub włącznik światła.
08:58
(Laughter)
180
526202
2466
(Śmiech)
09:01
So, Bishop's human partner
can tell what to do in plain English
can tell what to do in plain English
181
529877
3111
Pomocnik Bishopa mówi mu
prostym językiem, co ma zrobić,
prostym językiem, co ma zrobić,
09:05
and with simple gestures,
182
533012
1305
używając jasnych gestów,
09:06
kind of like talking to a dog,
183
534341
1447
jakby mówił do psa,
09:07
and then Bishop executes
on those instructions
on those instructions
184
535812
2143
a Bishop wykonuje te polecenia
09:09
with perfect precision.
185
537979
1892
z dużą precyzją.
09:11
We're using the human
for what the human is good at:
for what the human is good at:
186
539895
2989
Wykorzystujemy człowieka
do tego, w czym jest dobry,
do tego, w czym jest dobry,
09:14
awareness, perception and decision making.
187
542908
2333
jak świadomość, percepcja
i podejmowanie decyzji,
i podejmowanie decyzji,
09:17
And we're using the robot
for what it's good at:
for what it's good at:
188
545265
2240
a robota do tego, w czym on jest dobry,
09:19
precision and repetitiveness.
189
547529
1748
jak precyzja i powtarzalność.
To jeszcze jeden ciekawy
projekt Bishopa o nazwie HIVE.
projekt Bishopa o nazwie HIVE.
09:22
Here's another cool project
that Bishop worked on.
that Bishop worked on.
190
550252
2367
09:24
The goal of this project,
which we called the HIVE,
which we called the HIVE,
191
552643
3075
Jego celem było przedstawienie
09:27
was to prototype the experience
of humans, computers and robots
of humans, computers and robots
192
555742
3851
pracy człowieka, komputera i robota,
09:31
all working together to solve
a highly complex design problem.
a highly complex design problem.
193
559617
3220
nad skomplikowanym projektem.
09:35
The humans acted as labor.
194
563793
1451
Człowiek był siłą roboczą.
09:37
They cruised around the construction site,
they manipulated the bamboo --
they manipulated the bamboo --
195
565268
3473
Krążył wokół konstrukcji,
sterował bambusem,
sterował bambusem,
09:40
which, by the way,
because it's a non-isomorphic material,
because it's a non-isomorphic material,
196
568765
2756
który materiałem nieizomorficznym,
przez co przysparza
robotom dużo trudności.
robotom dużo trudności.
09:43
is super hard for robots to deal with.
197
571545
1874
09:45
But then the robots
did this fiber winding,
did this fiber winding,
198
573443
2022
Roboty nawijały włókna,
09:47
which was almost impossible
for a human to do.
for a human to do.
199
575489
2451
co było prawie niewykonalne dla człowieka.
09:49
And then we had an AI
that was controlling everything.
that was controlling everything.
200
577964
3621
AI kontrolowała wszystkie działania.
09:53
It was telling the humans what to do,
telling the robots what to do
telling the robots what to do
201
581609
3290
Mówiła człowiekowi
i robotowi, co mają robić.
i robotowi, co mają robić.
09:56
and keeping track of thousands
of individual components.
of individual components.
202
584923
2915
Kontrolowała działania
tysięcy komponentów.
tysięcy komponentów.
09:59
What's interesting is,
203
587862
1180
Co ciekawe,
10:01
building this pavilion
was simply not possible
was simply not possible
204
589066
3141
budowa tego pawilonu byłaby niemożliwa
10:04
without human, robot and AI
augmenting each other.
augmenting each other.
205
592231
4524
bez współdziałania człowieka, robota i AI.
10:09
OK, I'll share one more project.
This one's a little bit crazy.
This one's a little bit crazy.
206
597890
3320
To jeszcze jeden projekt,
trochę zwariowany.
trochę zwariowany.
10:13
We're working with Amsterdam-based artist
Joris Laarman and his team at MX3D
Joris Laarman and his team at MX3D
207
601234
4468
Pracujemy z artystą z Amsterdamu,
Jorisem Laarmanem i jego zespołem w MX3D,
Jorisem Laarmanem i jego zespołem w MX3D,
10:17
to generatively design
and robotically print
and robotically print
208
605726
2878
nad generatywnym projektem
i automatycznym wydrukiem
i automatycznym wydrukiem
10:20
the world's first autonomously
manufactured bridge.
manufactured bridge.
209
608628
2995
pierwszego na świecie,
samodzielnie wyprodukowanego mostu.
samodzielnie wyprodukowanego mostu.
10:24
So, Joris and an AI are designing
this thing right now, as we speak,
this thing right now, as we speak,
210
612315
3685
Właśnie teraz Joris i AI projektują go
10:28
in Amsterdam.
211
616024
1172
w Amsterdamie.
10:29
And when they're done,
we're going to hit "Go,"
we're going to hit "Go,"
212
617220
2321
Gdy skończą,
10:31
and robots will start 3D printing
in stainless steel,
in stainless steel,
213
619565
3311
roboty rozpoczną
wydruk 3D w nierdzewnej stali
wydruk 3D w nierdzewnej stali
10:34
and then they're going to keep printing,
without human intervention,
without human intervention,
214
622900
3283
i będą drukować bez ingerencji człowieka,
10:38
until the bridge is finished.
215
626207
1558
aż ukończą most.
10:41
So, as computers are going
to augment our ability
to augment our ability
216
629099
2928
Komputery rozszerzają nasze możliwości
wyobrażania sobie
i projektowania nowych rzeczy,
i projektowania nowych rzeczy,
10:44
to imagine and design new stuff,
217
632051
2150
10:46
robotic systems are going to help us
build and make things
build and make things
218
634225
2895
a roboty pomagają nam w budowie rzeczy,
10:49
that we've never been able to make before.
219
637144
2084
których dotąd nie potrafiliśmy zrobić.
10:52
But what about our ability
to sense and control these things?
to sense and control these things?
220
640347
4160
Co z naszą umiejętnością do wyczuwania
i kontrolowania tych przedmiotów?
i kontrolowania tych przedmiotów?
10:56
What about a nervous system
for the things that we make?
for the things that we make?
221
644531
4031
Co z systemem nerwowym
wytwarzanych rzeczy?
wytwarzanych rzeczy?
11:00
Our nervous system,
the human nervous system,
the human nervous system,
222
648586
2512
Nasz system nerwowy
11:03
tells us everything
that's going on around us.
that's going on around us.
223
651122
2311
mówi nam wszystko o tym,
co się dzieje wokół nas.
co się dzieje wokół nas.
11:06
But the nervous system of the things
we make is rudimentary at best.
we make is rudimentary at best.
224
654186
3684
System nerwowy wytwarzanych produktów
może być tylko elementarny.
może być tylko elementarny.
11:09
For instance, a car doesn't tell
the city's public works department
the city's public works department
225
657894
3563
Samochód nie powie
wydziałowi drogownictwa,
wydziałowi drogownictwa,
11:13
that it just hit a pothole at the corner
of Broadway and Morrison.
of Broadway and Morrison.
226
661481
3130
że właśnie wjechał w dziurę
na rogu ulic Broadway i Morrison.
na rogu ulic Broadway i Morrison.
11:16
A building doesn't tell its designers
227
664635
2032
Budynek nie powie swoim budowniczym,
11:18
whether or not the people inside
like being there,
like being there,
228
666691
2684
czy ludzie lubią w nim przebywać,
11:21
and the toy manufacturer doesn't know
229
669399
3010
a producent zabawek nie wie,
11:24
if a toy is actually being played with --
230
672433
2007
czy jego zabawki są właśnie używane,
11:26
how and where and whether
or not it's any fun.
or not it's any fun.
231
674464
2539
w jaki sposób, gdzie
i czy w ogóle ktoś się nimi bawi.
i czy w ogóle ktoś się nimi bawi.
11:29
Look, I'm sure that the designers
imagined this lifestyle for Barbie
imagined this lifestyle for Barbie
232
677620
3814
Jestem pewien, że projektanci
wymarzyli sobie takie życie dla Barbie,
wymarzyli sobie takie życie dla Barbie,
11:33
when they designed her.
233
681458
1224
gdy ją projektowali.
11:34
(Laughter)
234
682706
1447
(Śmiech)
11:36
But what if it turns out that Barbie's
actually really lonely?
actually really lonely?
235
684177
2906
A co, jeśli okaże się,
że Barbie jest samotna?
że Barbie jest samotna?
11:39
(Laughter)
236
687107
3147
(Śmiech)
Gdyby projektanci wiedzieli,
11:43
If the designers had known
237
691266
1288
11:44
what was really happening
in the real world
in the real world
238
692578
2107
jaki los czeka ich projekty,
11:46
with their designs -- the road,
the building, Barbie --
the building, Barbie --
239
694709
2583
drogi, budynki, Barbie,
11:49
they could've used that knowledge
to create an experience
to create an experience
240
697316
2694
użyliby tej wiedzy,
żeby zapewnić lepsze doznania
żeby zapewnić lepsze doznania
11:52
that was better for the user.
241
700034
1400
ich użytkownikom.
11:53
What's missing is a nervous system
242
701458
1791
Brakuje systemu nerwowego
11:55
connecting us to all of the things
that we design, make and use.
that we design, make and use.
243
703273
3709
łączącego nas z tworzonymi
i używanymi produktami.
i używanymi produktami.
11:59
What if all of you had that kind
of information flowing to you
of information flowing to you
244
707915
3555
A gdybyśmy mieli
informację zwrotną od rzeczy,
informację zwrotną od rzeczy,
12:03
from the things you create
in the real world?
in the real world?
245
711494
2183
które tworzymy w prawdziwym świecie?
12:07
With all of the stuff we make,
246
715432
1451
Produkując je,
12:08
we spend a tremendous amount
of money and energy --
of money and energy --
247
716907
2435
zużywamy mnóstwo pieniędzy i energii,
12:11
in fact, last year,
about two trillion dollars --
about two trillion dollars --
248
719366
2376
w zeszłym roku jakieś dwa biliony dolarów,
12:13
convincing people to buy
the things we've made.
the things we've made.
249
721766
2854
przekonując ludzi, żeby je kupili.
12:16
But if you had this connection
to the things that you design and create
to the things that you design and create
250
724644
3388
Gdybyśmy mieli łączność z produktami
12:20
after they're out in the real world,
251
728056
1727
po wypuszczeniu ich na rynek,
12:21
after they've been sold
or launched or whatever,
or launched or whatever,
252
729807
3614
po sprzedaży czy oddaniu do użytku,
12:25
we could actually change that,
253
733445
1620
to zamiast zachęcać klientów
do naszych produktów,
do naszych produktów,
12:27
and go from making people want our stuff,
254
735089
3047
12:30
to just making stuff that people
want in the first place.
want in the first place.
255
738160
3434
moglibyśmy produkować to,
co klienci chcą mieć.
co klienci chcą mieć.
12:33
The good news is, we're working
on digital nervous systems
on digital nervous systems
256
741618
2787
Dobra wiadomość jest taka,
że pracujemy nad systemami nerwowymi,
że pracujemy nad systemami nerwowymi,
12:36
that connect us to the things we design.
257
744429
2801
które łączą nas z produktami.
12:40
We're working on one project
258
748365
1627
Pracujemy nad pewnym projektem
12:42
with a couple of guys down in Los Angeles
called the Bandito Brothers
called the Bandito Brothers
259
750016
3712
z Bandito Brothers z Los Angeles
12:45
and their team.
260
753752
1407
i ich zespołem.
12:47
And one of the things these guys do
is build insane cars
is build insane cars
261
755183
3433
Jednym z ich projektów
jest budowa niesamowitych samochodów,
jest budowa niesamowitych samochodów,
12:50
that do absolutely insane things.
262
758640
2873
które robią niesamowite rzeczy.
12:54
These guys are crazy --
263
762905
1450
Ci faceci są szaleni.
12:56
(Laughter)
264
764379
1036
(Śmiech)
12:57
in the best way.
265
765439
1403
W najlepszym tego słowa znaczeniu.
13:00
And what we're doing with them
266
768993
1763
Wzięliśmy podwozie z prawdziwego
samochodu rajdowego
samochodu rajdowego
13:02
is taking a traditional race-car chassis
267
770780
2440
13:05
and giving it a nervous system.
268
773244
1585
i daliśmy mu system nerwowy.
13:06
So we instrumented it
with dozens of sensors,
with dozens of sensors,
269
774853
3058
Wyposażyliśmy go w dziesiątki sensorów,
13:09
put a world-class driver behind the wheel,
270
777935
2635
posadziliśmy za kółkiem
światowej klasy kierowcę,
światowej klasy kierowcę,
pojechaliśmy na pustynię i przez tydzień
wyciągaliśmy z niego, ile się dało.
wyciągaliśmy z niego, ile się dało.
13:12
took it out to the desert
and drove the hell out of it for a week.
and drove the hell out of it for a week.
271
780594
3357
13:15
And the car's nervous system
captured everything
captured everything
272
783975
2491
System nerwowy samochodu
uchwycił wszystko,
uchwycił wszystko,
13:18
that was happening to the car.
273
786490
1482
co go dotyczyło.
13:19
We captured four billion data points;
274
787996
2621
Zdobyliśmy miliard danych.
13:22
all of the forces
that it was subjected to.
that it was subjected to.
275
790641
2310
Wszystkie przebyte obciążenia.
13:24
And then we did something crazy.
276
792975
1659
Potem zrobiliśmy coś szalonego.
13:27
We took all of that data,
277
795268
1500
Wszystkie te dane dostał "Dreamcatcher",
13:28
and plugged it into a generative-design AI
we call "Dreamcatcher."
we call "Dreamcatcher."
278
796792
3736
AI do projektowania generatywnego.
13:33
So what do get when you give
a design tool a nervous system,
a design tool a nervous system,
279
801270
3964
Co powstanie, gdy narzędzie
do projektowania zyska system nerwowy
do projektowania zyska system nerwowy
13:37
and you ask it to build you
the ultimate car chassis?
the ultimate car chassis?
280
805258
2882
i ma stworzyć najlepsze podwozie?
13:40
You get this.
281
808723
1973
Otrzymacie to.
13:44
This is something that a human
could never have designed.
could never have designed.
282
812293
3713
Człowiek nigdy by tego nie zaprojektował.
Jednak zaprojektował to człowiek,
13:48
Except a human did design this,
283
816707
1888
13:50
but it was a human that was augmented
by a generative-design AI,
by a generative-design AI,
284
818619
4309
ale przy pomocy AI
do projektowania generatywnego,
do projektowania generatywnego,
13:54
a digital nervous system
285
822952
1231
cyfrowego systemu nerwowego
13:56
and robots that can actually
fabricate something like this.
fabricate something like this.
286
824207
3005
i robotów, które potrafią
stworzyć coś takiego.
stworzyć coś takiego.
13:59
So if this is the future,
the Augmented Age,
the Augmented Age,
287
827680
3595
Jeśli era rozszerzonej
rzeczywistości jest przyszłością,
rzeczywistości jest przyszłością,
14:03
and we're going to be augmented
cognitively, physically and perceptually,
cognitively, physically and perceptually,
288
831299
4261
a my będziemy poszerzać swoje możliwości
poznawcze, fizyczne i percepcyjne,
poznawcze, fizyczne i percepcyjne,
14:07
what will that look like?
289
835584
1408
co z tego powstanie?
14:09
What is this wonderland going to be like?
290
837576
3321
Jak będzie wyglądała ta kraina czarów?
14:12
I think we're going to see a world
291
840921
1709
Pewnie będzie to świat,
14:14
where we're moving
from things that are fabricated
from things that are fabricated
292
842654
3068
w którym zamiast produkować,
14:17
to things that are farmed.
293
845746
1445
będziemy hodować.
14:20
Where we're moving from things
that are constructed
that are constructed
294
848159
3453
Produkty nie będą konstruowane,
14:23
to that which is grown.
295
851636
1704
tylko będą rosnąć.
14:26
We're going to move from being isolated
296
854134
2188
Nie będą odosobnione,
14:28
to being connected.
297
856346
1610
tylko połączone.
14:30
And we'll move away from extraction
298
858634
2411
Będziemy przechodzić od wydobywania,
14:33
to embrace aggregation.
299
861069
1873
do zbierania.
14:35
I also think we'll shift
from craving obedience from our things
from craving obedience from our things
300
863967
3767
Sądzę, że zamiast wymagać posłuszeństwa,
14:39
to valuing autonomy.
301
867758
1641
docenimy niezależność produktów.
14:42
Thanks to our augmented capabilities,
302
870510
1905
Dzięki poszerzeniu naszych możliwości,
14:44
our world is going to change dramatically.
303
872439
2377
świat zmieni się diametralnie.
14:47
We're going to have a world
with more variety, more connectedness,
with more variety, more connectedness,
304
875576
3246
Będzie w nim więcej
różnorodności, spójności,
różnorodności, spójności,
14:50
more dynamism, more complexity,
305
878846
2287
dynamizmu, złożoności,
14:53
more adaptability and, of course,
306
881157
2318
elastyczności i, oczywiście,
14:55
more beauty.
307
883499
1217
więcej piękna.
14:57
The shape of things to come
308
885231
1564
Kształt przyszłych produktów
14:58
will be unlike anything
we've ever seen before.
we've ever seen before.
309
886819
2290
nie będzie przypominał tego,
co już widzieliśmy.
co już widzieliśmy.
15:01
Why?
310
889133
1159
Dlaczego?
15:02
Because what will be shaping those things
is this new partnership
is this new partnership
311
890316
3755
Bo będą one kształtowane przez połączenie
15:06
between technology, nature and humanity.
312
894095
3670
technologii, natury i pracy człowieka.
15:11
That, to me, is a future
well worth looking forward to.
well worth looking forward to.
313
899279
3804
Na taką przyszłość warto czekać.
15:15
Thank you all so much.
314
903107
1271
Dziękuję bardzo.
15:16
(Applause)
315
904402
5669
(Brawa)
ABOUT THE SPEAKER
Maurice Conti - Designer, futuristMaurice Conti explores new partnerships between technology, nature and humanity.
Why you should listen
Maurice Conti is a designer, futurist and innovator. He's worked with startups, government agencies, artists and corporations to explore the things that will matter to us in the future, and to design solutions to get us there.
Conti is currently Chief Innovation Officer at Alpha -- Europe's first moonshot factory, powered by Telefónica. Conti and his team are responsible for coming up with the ideas, prototypes and proofs of concepts that will go on to become full-blown moonshots at Alpha: projects that will affect 100 million people or more, be a force for good on the planet and grow into billion-euro businesses.
Previously, Conti was Director of Applied Research & Innovation at Autodesk where built and led Autodesk's Applied Research Lab. Conti's work focuses on applied machine learning, advanced robotics, augmented and virtual realities, and the future of work, cities and mobility.
Conti is also an explorer of geographies and cultures. He has circumnavigated the globe once and been half-way around twice. In 2009 he was awarded the Medal for Exceptional Bravery at Sea by the United Nations, the New Zealand Bravery Medal and a US Coast Guard Citation for Bravery for risking his own life to save three shipwrecked sailors.
Conti lives in Barcelona, Spain, and travels around the world speaking to groups about innovation, technology trends, the future, and high adventure.
Maurice Conti | Speaker | TED.com