TED2014
Ray Kurzweil: Get ready for hybrid thinking
Ray Kurzweil: Preparem-se para o pensamento híbrido
Filmed:
Readability: 4.4
3,548,296 views
Há 200 milhões de anos, nossos ancestrais mamíferos desenvolveram uma nova característica para o cérebro: o neocórtex. Esse pedaço de tecido do tamanho de um selo postal (envolvendo um cérebro do tamanho de uma noz) é a chave para o que a humanidade se tornou. Agora, o futurista Ray Kurzweil sugere que devemos nos preparar para o próximo salto em poder cerebral, à medida que exploramos o poder computacional na nuvem.
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
Deixem-me lhes contar uma história.
00:15
It goes back 200 million years.
1
3304
1799
Aconteceu há 200 milhões de anos.
00:17
It's a story of the neocortex,
2
5103
1984
É a história do neocórtex,
00:19
which means "new rind."
3
7087
1974
que significa "nova casca".
00:21
So in these early mammals,
4
9061
2431
E nesses mamíferos primitivos,
00:23
because only mammals have a neocortex,
5
11492
2055
porque só os mamíferos têm neocórtex,
00:25
rodent-like creatures.
6
13547
1664
criaturas parecidas com roedores.
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
Era do tamanho de um selo postal
e tão fino quanto,
e tão fino quanto,
00:30
and was a thin covering around
8
18790
1439
e era uma cobertura fina
00:32
their walnut-sized brain,
9
20229
2264
em volta do cérebro do tamanho de uma noz,
00:34
but it was capable of a new type of thinking.
10
22493
3701
mas era capaz de uma nova
forma de pensamento.
forma de pensamento.
00:38
Rather than the fixed behaviors
11
26194
1567
Em vez dos comportamentos fixos
00:39
that non-mammalian animals have,
12
27761
1992
que os animais não mamíferos têm,
00:41
it could invent new behaviors.
13
29753
2692
podia inventar novos comportamentos.
00:44
So a mouse is escaping a predator,
14
32445
2553
Se um rato estivesse
fugindo de um predador,
fugindo de um predador,
e seu caminho estivesse bloqueado,
00:46
its path is blocked,
15
34998
1540
00:48
it'll try to invent a new solution.
16
36538
2129
ele vai tentar inventar uma nova solução.
00:50
That may work, it may not,
17
38667
1266
Pode funcionar, ou não,
00:51
but if it does, it will remember that
18
39933
1910
mas se funcionar, ele vai se lembrar
00:53
and have a new behavior,
19
41843
1292
e se comportar diferentemente,
00:55
and that can actually spread virally
20
43135
1457
e isso pode se propagar viralmente
00:56
through the rest of the community.
21
44592
2195
pelo resto da comunidade.
00:58
Another mouse watching this could say,
22
46787
1609
Outro rato que tenha visto isso diria:
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
"Ei, foi bem esperto,
dar a volta nessa pedra",
dar a volta nessa pedra",
01:03
and it could adopt a new behavior as well.
24
51100
3725
e adotaria um novo comportamento também.
01:06
Non-mammalian animals
25
54825
1717
Animais não mamíferos
01:08
couldn't do any of those things.
26
56542
1713
não conseguiam fazer essas coisas.
01:10
They had fixed behaviors.
27
58255
1215
Tinham comportamentos fixos.
01:11
Now they could learn a new behavior
28
59470
1331
Eles aprenderiam comportamentos novos,
01:12
but not in the course of one lifetime.
29
60801
2576
mas não durante seu período de vida.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
Durante o período de,
talvez, milhares de vidas,
talvez, milhares de vidas,
01:17
it could evolve a new fixed behavior.
31
65144
3330
poderia evoluir para um novo
comportamento fixo.
comportamento fixo.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
Isso funcionava perfeitamente
há 200 milhões de anos.
há 200 milhões de anos.
01:23
The environment changed very slowly.
33
71851
1981
O ambiente mudou bem devagar.
Poderia demorar 10 mil anos para haver
01:25
It could take 10,000 years for there to be
34
73832
1554
01:27
a significant environmental change,
35
75386
2092
uma mudança ambiental significativa,
01:29
and during that period of time
36
77478
1382
e durante esse período de tempo,
01:30
it would evolve a new behavior.
37
78860
2929
evoluiria para um novo comportamento.
01:33
Now that went along fine,
38
81789
1521
Bem, isso funcionou bem,
01:35
but then something happened.
39
83310
1704
até que algo aconteceu.
01:37
Sixty-five million years ago,
40
85014
2246
Há 65 milhões de anos,
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
houve uma mudança ambiental
brusca e violenta.
brusca e violenta.
01:41
We call it the Cretaceous extinction event.
42
89875
3505
Nós a chamamos de evento
de extinção cretáceo.
de extinção cretáceo.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
Foi aí que os dinossauros foram extintos,
01:47
that's when 75 percent of the
44
95673
3449
foi aí que 75%
das espécies de animais
e plantas foram extintas,
e plantas foram extintas,
01:51
animal and plant species went extinct,
45
99122
2746
01:53
and that's when mammals
46
101868
1745
e foi aí que os mamíferos
01:55
overtook their ecological niche,
47
103613
2152
assumiram seu papel ecológico,
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
e para antropomorfizar,
a evolução biológica disse:
a evolução biológica disse:
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
"Hmm, esse neocórtex é coisa boa",
02:03
and it began to grow it.
50
111444
1793
e ele começou a crescer.
E os mamíferos ficaram maiores,
02:05
And mammals got bigger,
51
113237
1342
02:06
their brains got bigger at an even faster pace,
52
114579
2915
seus cérebros ficaram maiores
ainda mais rápido,
ainda mais rápido,
02:09
and the neocortex got bigger even faster than that
53
117494
3807
e o neocórtex ficou maior
mais rápido ainda
mais rápido ainda
02:13
and developed these distinctive ridges and folds
54
121301
2929
e desenvolveu essas dobras características
02:16
basically to increase its surface area.
55
124230
2881
basicamente para aumentar sua superfície.
Se pegássemos o neocórtex humano
02:19
If you took the human neocortex
56
127111
1819
e o esticássemos,
02:20
and stretched it out,
57
128930
1301
seria do tamanho
de um guardanapo de mesa,
de um guardanapo de mesa,
02:22
it's about the size of a table napkin,
58
130231
1713
e ainda é uma estrutura fina.
02:23
and it's still a thin structure.
59
131944
1306
02:25
It's about the thickness of a table napkin.
60
133250
1980
É da espessura de um guardanapo de mesa.
02:27
But it has so many convolutions and ridges
61
135230
2497
mas tem tantas dobras e convoluções
02:29
it's now 80 percent of our brain,
62
137727
3075
que agora compõe 80% de nosso cérebro,
02:32
and that's where we do our thinking,
63
140802
2461
e é nele que realizamos o pensamento,
02:35
and it's the great sublimator.
64
143263
1761
e é o grande sublimador.
02:37
We still have that old brain
65
145024
1114
Ainda temos aquelo cérebro antigo
02:38
that provides our basic drives and motivations,
66
146138
2764
que fornece nossa motivação básica,
02:40
but I may have a drive for conquest,
67
148902
2716
mas eu posso ter
uma motivação por conquista,
uma motivação por conquista,
02:43
and that'll be sublimated by the neocortex
68
151618
2715
e ela seria sublimada pelo neocórtex
02:46
into writing a poem or inventing an app
69
154333
2909
na escrita de um poema
ou na invenção de um aplicativo
ou na invenção de um aplicativo
02:49
or giving a TED Talk,
70
157242
1509
ou numa palestra TED,
02:50
and it's really the neocortex that's where
71
158751
3622
e é mesmo no neocórtex
02:54
the action is.
72
162373
1968
que a ação acontece.
02:56
Fifty years ago, I wrote a paper
73
164341
1717
Há 50 anos, eu escrevi um artigo
02:58
describing how I thought the brain worked,
74
166058
1918
descrevendo como eu pensava
que o cérebro funcionava,
que o cérebro funcionava,
02:59
and I described it as a series of modules.
75
167976
3199
e eu o descrevi como uma série de módulos.
03:03
Each module could do things with a pattern.
76
171175
2128
Cada módulo podia fazer
coisas com um padrão.
coisas com um padrão.
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
Poderia aprender um padrão.
Lembrar um padrão.
Lembrar um padrão.
03:08
It could implement a pattern.
78
176049
1407
Poderia implementar um padrão.
03:09
And these modules were organized in hierarchies,
79
177456
2679
E esses módulos eram
organizados em hierarquias.
organizados em hierarquias.
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
E nós criávamos essa hierarquia
com nosso próprio pensamento.
com nosso próprio pensamento.
03:15
And there was actually very little to go on
81
183089
3333
E havia muito pouco para acontecer
03:18
50 years ago.
82
186422
1562
há 50 anos.
03:19
It led me to meet President Johnson.
83
187984
2115
Levou-me a conhecer o presidente Johnson.
03:22
I've been thinking about this for 50 years,
84
190099
2173
Estive pensando nisso há 50 anos,
03:24
and a year and a half ago I came out with the book
85
192272
2828
E há um ano e meio, eu lancei o livro
"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
que tem a mesma teoria,
03:29
but now there's a plethora of evidence.
88
197978
2812
mas agora há muito mais evidências.
As informações que temos sobre o cérebrro
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
da neurociência dobra a cada ano.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
A resolução espacial de escaneamento
cerebral de todos os tipos
cerebral de todos os tipos
03:39
is doubling every year.
92
207461
2285
dobra a cada ano.
03:41
We can now see inside a living brain
93
209746
1717
Agora podemos ver
dentro de um cérebro vivo
dentro de um cérebro vivo
03:43
and see individual interneural connections
94
211463
2870
e ver conexões interneurais individuais
03:46
connecting in real time, firing in real time.
95
214333
2703
se conectando e sendo
ativadas em tempo real.
ativadas em tempo real.
Podemos ver seu cérebro
criar seus pensamentos,
criar seus pensamentos,
03:49
We can see your brain create your thoughts.
96
217036
2419
seus pensamentos criarem seu cérebro,
03:51
We can see your thoughts create your brain,
97
219455
1575
03:53
which is really key to how it works.
98
221030
1999
o que é muito importante
para seu funcionamento.
para seu funcionamento.
03:55
So let me describe briefly how it works.
99
223029
2219
Vou explicar brevemente como funciona.
03:57
I've actually counted these modules.
100
225248
2275
Eu contei esses módulos, na verdade.
03:59
We have about 300 million of them,
101
227523
2046
Nós temos cerca de 300 milhões deles,
04:01
and we create them in these hierarchies.
102
229569
2229
e nós os criamos em hierarquias.
04:03
I'll give you a simple example.
103
231798
2082
Vou dar um exemplo simples.
04:05
I've got a bunch of modules
104
233880
2805
Eu tenho um tanto de módulos
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
que conseguem reconhecer
a barra como um A maiúsculo,
a barra como um A maiúsculo,
04:12
and that's all they care about.
106
240088
1914
e isso é tudo com que se importam.
04:14
A beautiful song can play,
107
242002
1578
Pode tocar uma música bonita,
04:15
a pretty girl could walk by,
108
243580
1434
uma garota bonita pode passar,
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
eles não se importam, mas eles vêm
um A maiúsculo na barra,
um A maiúsculo na barra,
04:19
they get very excited and they say "crossbar,"
110
247860
3021
eles ficam muito animados
e dizem: "Barra!",
e dizem: "Barra!",
04:22
and they put out a high probability
111
250881
2112
e colocam uma alta probabilidade
04:24
on their output axon.
112
252993
1634
em seu axônio de saída.
Daí, segue-se ao próximo nível,
04:26
That goes to the next level,
113
254627
1333
04:27
and these layers are organized in conceptual levels.
114
255960
2750
e as camadas estão organizadas
em níveis conceituais.
em níveis conceituais.
04:30
Each is more abstract than the next one,
115
258710
1856
Cada um é mais abstrato que o próximo,
04:32
so the next one might say "capital A."
116
260566
2418
então o próximo pode dizer: "A maiúsculo".
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
Daí, sobe-se para um nível mais alto
que se pode dizer "Abacate".
que se pode dizer "Abacate".
04:37
Information flows down also.
118
265875
2167
A informação também viaja para baixo.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
Se o reconhecedor de abacates
já viu A-B-A-C-A-T,
já viu A-B-A-C-A-T,
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
ele vai pensar consigo: "Hmm,
acho que um E é bem provável",
acho que um E é bem provável",
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
e vai mandar um sinal
para os reconhecedores de E,
para os reconhecedores de E,
04:48
saying, "Be on the lookout for an E,
122
276761
1619
dizendo: "Fiquem atentos para um E,
04:50
I think one might be coming."
123
278380
1556
acho que tem um a caminho".
04:51
The E recognizers will lower their threshold
124
279936
2843
Os reconhecedores de E
vão diminuir seu limiar
vão diminuir seu limiar
e eles veem um borrão,
que poderia ser um E.
que poderia ser um E.
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
Normalmente você não acharia,
04:56
Ordinarily you wouldn't think so,
126
284724
1490
mas estamos esperando um E,
está bom o suficiente,
está bom o suficiente,
04:58
but we're expecting an E, it's good enough,
127
286214
2009
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
e sim, vi um E, e então abacate diz:
05:02
"Yeah, I've seen an Apple."
129
290040
1728
"Sim, eu vi um Abacate."
05:03
Go up another five levels,
130
291768
1746
Subindo mais uns cinco níveis,
05:05
and you're now at a pretty high level
131
293514
1353
estamos num nível bem alto
05:06
of this hierarchy,
132
294867
1569
dessa hierarquia,
05:08
and stretch down into the different senses,
133
296436
2353
e se espalha por diferentes sentidos,
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
e você pode ter um módulo
que vê um certo tecido,
que vê um certo tecido,
ouve uma certa qualidade de voz,
sente um certo perfume,
sente um certo perfume,
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
e vai dizer: "Minha esposa
esteve neste quarto".
esteve neste quarto".
05:16
and will say, "My wife has entered the room."
136
304288
2513
Subindo mais uns dez níveis,
e agora estamos
e agora estamos
05:18
Go up another 10 levels, and now you're at
137
306801
1895
05:20
a very high level.
138
308696
1160
num nívei altíssimo.
05:21
You're probably in the frontal cortex,
139
309856
1937
Provavelmente no córtex frontal,
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
e terá módulos que dizem:
"Isso foi irônico.
"Isso foi irônico.
05:27
That's funny. She's pretty."
141
315560
2370
É engraçado. Ela é bonita".
Vocês podem pensar que esses
são mais sofisticados,
são mais sofisticados,
05:29
You might think that those are more sophisticated,
142
317930
2105
05:32
but actually what's more complicated
143
320035
1506
mas o que é mesmo mais complicado
05:33
is the hierarchy beneath them.
144
321541
2669
é a hierarquia por baixo deles.
Havia uma garota de 16 anos,
que passou por uma cirurgia cerebral,
que passou por uma cirurgia cerebral,
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
05:38
and she was conscious because the surgeons
146
326830
2051
e ela estava consciente porque
os cirurgiões queriam falar com ela.
os cirurgiões queriam falar com ela.
05:40
wanted to talk to her.
147
328881
1537
Dá para fazer isso porque não há
receptores de dor no cérebro.
receptores de dor no cérebro.
05:42
You can do that because there's no pain receptors
148
330418
1822
05:44
in the brain.
149
332240
1038
05:45
And whenever they stimulated particular,
150
333278
1800
E sempre que eles estimulavam pontos
05:47
very small points on her neocortex,
151
335078
2463
específicos bem pequenos em seu neocórtex,
05:49
shown here in red, she would laugh.
152
337541
2665
mostrados aqui em vermelho,
ela dava risada.
ela dava risada.
Eles acharam que estavam ativando
05:52
So at first they thought they were triggering
153
340206
1440
05:53
some kind of laugh reflex,
154
341646
1720
algum tipo de reflexo do riso,
mas não, eles rapidamente
percebem que tinham encontrado
percebem que tinham encontrado
05:55
but no, they quickly realized they had found
155
343366
2519
05:57
the points in her neocortex that detect humor,
156
345885
3044
o ponto em seu neocórtex
que detecta humor,
que detecta humor,
06:00
and she just found everything hilarious
157
348929
1969
e para ela tudo era hilário
06:02
whenever they stimulated these points.
158
350898
2437
sempre que estimulavam esses pontos.
06:05
"You guys are so funny just standing around,"
159
353335
1925
"Vocês são tão engraçado, aí em pé",
06:07
was the typical comment,
160
355260
1738
era um comentário típico,
06:08
and they weren't funny,
161
356998
2302
e eles não eram engraçados,
06:11
not while doing surgery.
162
359300
3247
não durante a cirurgia.
06:14
So how are we doing today?
163
362547
4830
Então, como estamos hoje em dia?
06:19
Well, computers are actually beginning to master
164
367377
3054
Bem, computadores
estão começando a dominar
estão começando a dominar
06:22
human language with techniques
165
370431
2001
a linguagem humana com técnicas
06:24
that are similar to the neocortex.
166
372432
2867
que são similares ao neocórtex.
Eu descrevi o algoritmo, na verdade,
06:27
I actually described the algorithm,
167
375299
1514
06:28
which is similar to something called
168
376813
2054
que é parecido com algo chamado
06:30
a hierarchical hidden Markov model,
169
378867
2233
de modelo hierárquico oculto de Markov,
06:33
something I've worked on since the '90s.
170
381100
3241
algo com que tenho trabalhado
desde os anos 90.
desde os anos 90.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
"Jeopardy" é um jogo
de linguagem natural bem popular,
de linguagem natural bem popular,
06:39
and Watson got a higher score
172
387579
1892
e Watson obteve maior pontuação
06:41
than the best two players combined.
173
389471
2000
que os dois melhores jogadores juntos.
06:43
It got this query correct:
174
391471
2499
Ele acertou esta pergunta:
06:45
"A long, tiresome speech
175
393970
2085
"Um discurso longo e cansativo
dado por uma cobertura de bolo cremosa",
06:48
delivered by a frothy pie topping,"
176
396055
2152
e ele rapidamente respondeu,
"O que é meringue-harangue" (trocadilho)
"O que é meringue-harangue" (trocadilho)
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
E Jennings e o outro cara não entenderam.
06:55
It's a pretty sophisticated example of
179
403638
1926
É um exemplo bem sofisticado
de computadores
entendendo linguagem humana,
entendendo linguagem humana,
06:57
computers actually understanding human language,
180
405564
1914
06:59
and it actually got its knowledge by reading
181
407478
1652
e ele obteve seu conhecimento lendo
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
a Wikipedia e várias outras enciclopédias.
07:04
Five to 10 years from now,
183
412915
2133
Daqui a cinco ou dez anos,
07:07
search engines will actually be based on
184
415048
2184
ferramentas de busca vão ser baseadas
07:09
not just looking for combinations of words and links
185
417232
2794
não somente na busca
de combinações de links e palavras
de combinações de links e palavras
07:12
but actually understanding,
186
420026
1914
mas de fato no entendimento,
07:13
reading for understanding the billions of pages
187
421940
2411
ler para entender as bilhões de páginas
07:16
on the web and in books.
188
424351
2733
da Internet e livros.
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
Você estaria andando por aí,
e o Google apareceria
e o Google apareceria
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
e diria: "Sabe, Maria,
você demonstrou preocupação
você demonstrou preocupação
07:24
to me a month ago that your glutathione supplement
191
432781
3019
para mim há um mês que
seu suplemento de glutationa
seu suplemento de glutationa
não estava ultrapassando
a barreira hematoencefálica.
a barreira hematoencefálica.
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
Bem, novas pesquisas
foram publicadas há 13 segundos,
foram publicadas há 13 segundos,
07:32
that shows a whole new approach to that
194
440624
1711
e mostram uma nova abordagem para isso
07:34
and a new way to take glutathione.
195
442335
1993
e um novo jeito de tomar glutationa.
07:36
Let me summarize it for you."
196
444328
2562
Deixe-me resumir para você."
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
Daqui a dez anos, nós teremos nanorrobôs,
07:42
because another exponential trend
198
450574
1627
porque outra tendência exponencial
07:44
is the shrinking of technology.
199
452201
1615
é o encolhimento da tecnologia.
07:45
They'll go into our brain
200
453816
2370
Eles entrarão no seu cérebro
07:48
through the capillaries
201
456186
1703
pelos capilares
07:49
and basically connect our neocortex
202
457889
2477
e basicamente conectarão nosso neocórtex
07:52
to a synthetic neocortex in the cloud
203
460366
3185
a um neocórtex sintético na nuvem,
07:55
providing an extension of our neocortex.
204
463551
3591
oferecendo uma extensão
de nosso neocórtex.
de nosso neocórtex.
Hoje em dia, quero dizer,
07:59
Now today, I mean,
205
467142
1578
vocês têm um computador no celular,
08:00
you have a computer in your phone,
206
468720
1530
mas se precisarem de 10 mil
computadores por alguns segundos
computadores por alguns segundos
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
08:05
to do a complex search,
208
473004
1495
para fazer uma pesquisa complexa,
08:06
you can access that for a second or two in the cloud.
209
474499
3396
vocês poderão acessá-los
por um ou dois segundos na nuvem.
por um ou dois segundos na nuvem.
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
Na década de 2030,
se precisarmos de neocórtex extra,
se precisarmos de neocórtex extra,
08:12
you'll be able to connect to that in the cloud
211
480990
2273
poderemos nos conectar na nuvem
08:15
directly from your brain.
212
483263
1648
diretamente de nossos cérebros.
Estarei andando por aí e direi:
08:16
So I'm walking along and I say,
213
484911
1543
08:18
"Oh, there's Chris Anderson.
214
486454
1363
"Oh, ali está Chris Anderson.
08:19
He's coming my way.
215
487817
1525
Ele está vindo em minha direção.
08:21
I'd better think of something clever to say.
216
489342
2335
Melhor pensar em algo
inteligente para dizer.
inteligente para dizer.
08:23
I've got three seconds.
217
491677
1524
Eu tenho três segundos.
08:25
My 300 million modules in my neocortex
218
493201
3097
Meus 300 milhões de módulos
no meu neocórtex
no meu neocórtex
08:28
isn't going to cut it.
219
496298
1240
não darão conta do recado.
08:29
I need a billion more."
220
497538
1246
Preciso de mais um bilhão".
08:30
I'll be able to access that in the cloud.
221
498784
3323
Eu poderei acessá-los na nuvem.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
E nosso pensamento, então, será híbrido
08:36
of biological and non-biological thinking,
223
504919
3522
entre pensamento
biológico e não biológico,
biológico e não biológico,
08:40
but the non-biological portion
224
508441
1898
mas a parte não biológica
08:42
is subject to my law of accelerating returns.
225
510339
2682
estará sujeita à minha teoria
das mudanças aceleradas.
das mudanças aceleradas.
08:45
It will grow exponentially.
226
513021
2239
Vai crescer exponencialmente.
08:47
And remember what happens
227
515260
2016
E lembram-se do que aconteceu
08:49
the last time we expanded our neocortex?
228
517276
2645
da última vez que expandimos
nosso neocórtex?
nosso neocórtex?
Isso foi há dois milhões de anos,
08:51
That was two million years ago
229
519921
1426
08:53
when we became humanoids
230
521347
1236
quando nos tornamos humanoides
08:54
and developed these large foreheads.
231
522583
1594
e desenvolvemos essas testas grandes.
08:56
Other primates have a slanted brow.
232
524177
2583
Outros primatas têm testa inclinada.
08:58
They don't have the frontal cortex.
233
526760
1745
Eles não têm o córtex frontal.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
Mas o córtex frontal não é
qualitativamente diferente.
qualitativamente diferente.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
É uma extensão quantitativa do neocórtex,
09:06
but that additional quantity of thinking
236
534933
2703
mas a quantidade adicional de pensamento
09:09
was the enabling factor for us to take
237
537636
1779
foi o fator que nos possiblitou
09:11
a qualitative leap and invent language
238
539415
3346
dar um salto qualitativo
e inventar linguagem
e inventar linguagem
09:14
and art and science and technology
239
542761
1967
e arte e ciência e tecnologia
09:16
and TED conferences.
240
544728
1454
e conferências TED.
09:18
No other species has done that.
241
546182
2131
Nenhuma outra espécie já fez isso.
09:20
And so, over the next few decades,
242
548313
2075
E assim, pelas próximas décadas,
09:22
we're going to do it again.
243
550388
1760
vamos fazer isso de novo.
09:24
We're going to again expand our neocortex,
244
552148
2274
Vamos expandir nosso neocórtex novamente,
09:26
only this time we won't be limited
245
554422
1756
só que, dessa vez, não estaremos limitados
09:28
by a fixed architecture of enclosure.
246
556178
4280
por uma arquitetura fixa e fechada.
09:32
It'll be expanded without limit.
247
560458
3304
Será expandido sem limites.
09:35
That additional quantity will again
248
563762
2243
Essa quantidade adicional vai, novamente,
09:38
be the enabling factor for another qualitative leap
249
566005
3005
ser o fator que possibilita
outro salto qualitativo
outro salto qualitativo
09:41
in culture and technology.
250
569010
1635
em cultura e tecnologia.
09:42
Thank you very much.
251
570645
2054
Muito obrigado.
(Aplausos)
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