TED2014
Ray Kurzweil: Get ready for hybrid thinking
ரே கர்ச்வீல்: கலப்பின சிந்தனைக்கு தயாராகுங்கள்
Filmed:
Readability: 4.4
3,548,296 views
200 மில்லயன் ஆண்டுகளுக்கு முன்பு நமது பாலூட்டி முன்னோர்கள் மூளையில் ஒரு புதிய அம்சம் தோன்ற காரணமாக இருந்தனர் அது தான் புதிய புறணி .தபால் வில்லை அளவே உள்ள இந்த திசு (வாதுமை கொட்டை அளவே உள்ள மூளையை சுற்றி அமைந்திருக்கும் ) தான் இன்று மனித குலம் அடைந்திருக்கும் வளர்ச்சிக்கு மூல காரணி .எதிர்கால கணிப்பாளர் ரே கர்ச்வீல் மூளையின் திறன் குறித்து வரும் காலங்களில் ஏற்படபோகும் மிக பெரிய எழுச்சிக்கு நம்மை தயார் செய்து கொள்ள வேண்டும் என்று கூறுகிறார். மேக கணினியின் திறனை நமது மூளை நேரடியாக பயன்படுத்தும் காலம் வெகு தொலைவில் இல்லை என்று சொல்கிறார்.
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
நான் உங்களுக்கு ஒரு கதை சொல்கிறேன்
00:15
It goes back 200 million years.
1
3304
1799
அது 200 மில்லியன் ஆண்டுகள் பழமையான ஒரு கதை.
00:17
It's a story of the neocortex,
2
5103
1984
அது புதிய பெருமூளை புறணி குறித்த கதை.
00:19
which means "new rind."
3
7087
1974
"புதிய ஓடு" என்றும் கூட பொருள் கொள்ளலாம்.
00:21
So in these early mammals,
4
9061
2431
ஆக முற்காலத்திய பாலூட்டிகளில்,
00:23
because only mammals have a neocortex,
5
11492
2055
பாலூட்டிகளுக்கு மட்டுமே இந்த புதிய புறணி உள்ளது,
00:25
rodent-like creatures.
6
13547
1664
எலி இனம் போன்ற கொறி விலங்கினங்கள்.
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
அது ஒரு அஞ்சல் முத்திரை அளவுக்கு சிறிதாகவும் மெலிதாகவும் இருந்தது,
00:30
and was a thin covering around
8
18790
1439
அதாவது ஒரு மெல்லிய உறை போல
00:32
their walnut-sized brain,
9
20229
2264
வாதுமை கொட்டை அளவே உள்ள அவைகளின் மூளையை சுற்றி இருந்தது,
00:34
but it was capable of a new type of thinking.
10
22493
3701
ஆனால் அதற்கு புதிதாக சிந்திக்கும் திறன் இருந்தது.
00:38
Rather than the fixed behaviors
11
26194
1567
அதாவது பாலூட்டிகள் அல்லாத விலங்குகளின்
00:39
that non-mammalian animals have,
12
27761
1992
வரையறுக்கப்பட்ட நடத்தைகளில் இருந்து மாறுபட்டு இருந்தது,
00:41
it could invent new behaviors.
13
29753
2692
இவைகளுக்கு புதிய நடத்தை முறைகளை கண்டுபிடிக்கும் திறன் இருந்தது.
00:44
So a mouse is escaping a predator,
14
32445
2553
அதனால் தான் எலிகள் கொன்றுண்ணிகளிடமிருந்து தப்புகிறது.
00:46
its path is blocked,
15
34998
1540
அதன் வழி தடை செய்யபட்டால்,
00:48
it'll try to invent a new solution.
16
36538
2129
அது ஒரு புதிய தீர்வை கண்டுபிடிக்க முயலும்.
00:50
That may work, it may not,
17
38667
1266
அந்த முறை வேலை செய்யலாம் அல்லது தோல்வியுறலாம்,
00:51
but if it does, it will remember that
18
39933
1910
ஆனால் வெற்றியடைந்தால் அதை நினைவில் வைத்து கொள்ளும்
00:53
and have a new behavior,
19
41843
1292
அப்படி ஒரு புதிய நடத்தை முறையை தனது பட்டறிவு மூலம் தெரிந்து கொள்ளும்.
00:55
and that can actually spread virally
20
43135
1457
தன் இனத்தை சார்ந்த மற்றவர்கள் மூலம்
00:56
through the rest of the community.
21
44592
2195
அந்த முறையை வேகமாக பரப்பும்,
00:58
Another mouse watching this could say,
22
46787
1609
இதை பார்க்கும் மற்றொரு எலி கூறலாம்,
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
"மலையை சுற்றி போகும் இந்த தந்திரம் நன்றாக இருக்கிறதே"
01:03
and it could adopt a new behavior as well.
24
51100
3725
மேலும் அது இன்னொரு முறையையும் தேர்ந்தெடுக்கலாம்.
01:06
Non-mammalian animals
25
54825
1717
பாலூட்டிகள் அல்லாத விலங்குகளால்
01:08
couldn't do any of those things.
26
56542
1713
அவை எதுவுமே செய்யமுடியாது.
01:10
They had fixed behaviors.
27
58255
1215
அவைகளது நடத்தை முறை வரையறுக்கப்பட்டது.
01:11
Now they could learn a new behavior
28
59470
1331
தற்பொழுது அவைகள் புதிய நடத்தை முறைகளை கற்று கொள்ளலாம்
01:12
but not in the course of one lifetime.
29
60801
2576
ஆனால் அவைகளின் வாழ்நாளில் அல்ல.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
இன்னும் ஒரு ஆயிரம் ஆண்டுகள் சென்ற பின்பு
01:17
it could evolve a new fixed behavior.
31
65144
3330
ஒரு வேளை அவ்விலங்குகள் ஒரு புதிய வரையறுக்கப்பட்ட நடத்தை முறையை வெளிப்படுத்தலாம்.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
200 மில்லியன் ஆண்டுகளுக்கு முன்பு இருந்த நிலைமைக்கு அது மிக சரியாக இருந்திருக்கலாம்.
01:23
The environment changed very slowly.
33
71851
1981
அப்பொழுது சுற்று சூழல் மாறுதல்கள் மிக மெதுவாகவே நடந்தது.
01:25
It could take 10,000 years for there to be
34
73832
1554
10,000 ஆண்டுகள் கூட எடுத்திருக்கலாம்,
01:27
a significant environmental change,
35
75386
2092
குறிப்பிடத்தக்க ஒரு சுற்று சூழல் மாறுதல் ஏற்படுவதற்கு,
01:29
and during that period of time
36
77478
1382
அந்த கால அளவில் அவைகள் ஒரு புதிய
01:30
it would evolve a new behavior.
37
78860
2929
நடத்தை முறையை கொணரலாம்.
01:33
Now that went along fine,
38
81789
1521
இப்படி சரியாக தான் போய் கொண்டிருந்தது,
01:35
but then something happened.
39
83310
1704
ஆனால் அப்பொழுது ஒரு நிகழ்வு நடந்தது.
01:37
Sixty-five million years ago,
40
85014
2246
65 மில்லியன் ஆண்டுகளுக்கு முன்பு,
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
திடீர் என்று கட்டு மீறிய ஒரு சுற்று சூழல் மாறுதல் ஏற்பட்டது.
01:41
We call it the Cretaceous extinction event.
42
89875
3505
அது க்றேடஷியஸ் அழிவு நிகழ்வு என்று சொல்லபடுகிறது.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
அது டைனோசார்களின் அழிவு காலத்தை குறிக்கிறது,
01:47
that's when 75 percent of the
44
95673
3449
அப்பொழுது தான் ஏறக்குறைய 75 விழுக்காடு
01:51
animal and plant species went extinct,
45
99122
2746
விலங்குகள் மற்றும் தாவர இனங்கள் அழிந்தன,
01:53
and that's when mammals
46
101868
1745
அப்பொழுதான் பாலூட்டிகள்
01:55
overtook their ecological niche,
47
103613
2152
சூழ்நிலை கூறை முந்தியது
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
மனித இயல்பு படி சொல்வெதென்றால், உயிரியல் சிறத்தல் சொல்லியது,
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
"ஹ்ம்..இந்த புதிய புறணி ஒரு சிறந்த அம்சம் தான்"
02:03
and it began to grow it.
50
111444
1793
அப்படி அதை விருத்தியடைய செய்தது.
02:05
And mammals got bigger,
51
113237
1342
பாலூட்டிகள் மிகவும் பெரிதாக வளர்ந்தது,
02:06
their brains got bigger at an even faster pace,
52
114579
2915
அவைகளின் மூளை வளர்ச்சி இன்னும் வேகமாக இருந்தது,
02:09
and the neocortex got bigger even faster than that
53
117494
3807
புதிய புறணியின் வளர்ச்சி அதை விட வேகமாக இருந்தது
02:13
and developed these distinctive ridges and folds
54
121301
2929
தனித்தன்மை வாய்ந்த நீட்சிகளும் மடிப்புகளும் உருவானது
02:16
basically to increase its surface area.
55
124230
2881
அடிப்படையில் அதன் பரப்பளவு அதிகமாகியது
02:19
If you took the human neocortex
56
127111
1819
மனிதனின் புதிய புறணியை எடுத்து
02:20
and stretched it out,
57
128930
1301
வலித்திழுத்தால்,
02:22
it's about the size of a table napkin,
58
130231
1713
ஒரு மேஜை துடை துண்டு அளவுக்கு இருக்கும்
02:23
and it's still a thin structure.
59
131944
1306
ஆனால் அதன் அமைப்பு மெல்லியதாகவே இருக்கும்.
02:25
It's about the thickness of a table napkin.
60
133250
1980
தடிமனும் ஒரு மேஜை துண்டு அளவே இருக்கும்.
02:27
But it has so many convolutions and ridges
61
135230
2497
ஆனால் அதிக அளவில் சுருள்களும் நீட்சிகளும் இருக்கும்
02:29
it's now 80 percent of our brain,
62
137727
3075
இப்பொழுது ஏறக்குறைய 80 விழுக்காடு நமது மூளையை போலவே இருக்கும்,
02:32
and that's where we do our thinking,
63
140802
2461
அங்கு தான் நமது சிந்திக்கும் திறன் இருக்கிறது,
02:35
and it's the great sublimator.
64
143263
1761
அது தான் நமது மிக பெரிய திறன் மேம்பாடு மையம்.
02:37
We still have that old brain
65
145024
1114
நமது பழைய மூளை இன்னமும் இருக்கிறது
02:38
that provides our basic drives and motivations,
66
146138
2764
அடிப்படையில் அது நம்மை இயக்கி கொண்டும் ஊக்கபடுத்தி கொண்டும் இருக்கிறது,
02:40
but I may have a drive for conquest,
67
148902
2716
எனக்கு வெற்றி பெறவேண்டும் என்ற ஊக்கம் இருக்கலாம்,
02:43
and that'll be sublimated by the neocortex
68
151618
2715
ஆனால் அதற்கான திறனை மேம்படுத்துவது புதிய புறணி தான்
02:46
into writing a poem or inventing an app
69
154333
2909
அது கவிதையாக இருக்கலாம் அல்லது ஒரு மென்பொருள் பயன்பாடை கண்டுபிடிப்பதாக கூட இருக்கலாம்
02:49
or giving a TED Talk,
70
157242
1509
அல்லது ஒரு TED உரை நிகழ்த்துவதாக கூட இருக்கலாம்,
02:50
and it's really the neocortex that's where
71
158751
3622
புதிய புறணியில் தான் இதற்கான
02:54
the action is.
72
162373
1968
அனைத்து செயல்களும் நடைபெறுகிறது.
02:56
Fifty years ago, I wrote a paper
73
164341
1717
50 ஆண்டுகளுக்கு முன்பு நான் ஒரு கட்டுரை எழுதினேன்
02:58
describing how I thought the brain worked,
74
166058
1918
மூளை எப்படி இயங்குகிறது என்பதை குறித்து,
02:59
and I described it as a series of modules.
75
167976
3199
அவைகளை ஒரு தொடர் கட்டகமாக விளக்கியிருந்தேன்.
03:03
Each module could do things with a pattern.
76
171175
2128
ஒவ்வொரு கட்டகமும் ஒரு வகையில் செயல்படும்.
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
ஒவ்வொரு கட்டகத்திற்கும் ஒரு வகையை கற்கவும் நினைவில் கொள்ளவும் முடியும்.
03:08
It could implement a pattern.
78
176049
1407
அந்த மாதிரியை செயல்படுத்தும் திறனும் இருந்தது.
03:09
And these modules were organized in hierarchies,
79
177456
2679
இந்த கட்டகங்களுக்கு ஒழுங்குபடுத்தப்பட்ட படிநிலைகள் இருந்தது,
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
இந்த படிநிலைகள் நமது சிந்தனைகளில் உருவாகிறது.
03:15
And there was actually very little to go on
81
183089
3333
சொல்லபோனால் மிக சிறிய முன்னேற்றமே
03:18
50 years ago.
82
186422
1562
இந்த 50 ஆண்டுகளில் ஏற்பட்டிருக்க கூடும்.
03:19
It led me to meet President Johnson.
83
187984
2115
இது அதிபர் ஜான்சனை சந்திக்கும் வாய்ப்பை எனக்கு ஏற்படுத்தி கொடுத்தது.
03:22
I've been thinking about this for 50 years,
84
190099
2173
இதை பற்றி நான் கடந்த 50 ஆண்டுகளாக நினைத்து கொண்டிருந்தேன்,
03:24
and a year and a half ago I came out with the book
85
192272
2828
ஒன்றரை ஆண்டுகளுக்கு முன்பு நான்
03:27
"How To Create A Mind,"
86
195100
1265
"மனதை உருவாக்குவது எப்படி" என்ற நூலை எழுதினேன்,
03:28
which has the same thesis,
87
196365
1613
அந்த ஆய்வு கட்டுரையிலும் இதையே சொல்லியிருந்தேன்,
03:29
but now there's a plethora of evidence.
88
197978
2812
ஆனால் தற்பொழுது அபரிமிதமான சான்றுகள் உள்ளன.
03:32
The amount of data we're getting about the brain
89
200790
1814
நரம்பு இயங்கியலில் இருந்து மூளை குறித்து நமக்கு
03:34
from neuroscience is doubling every year.
90
202604
2203
கிடைக்கும் தரவுகள் இரட்டிப்பாக உள்ளது.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
எல்லா விதமான, இடம் சார்ந்த, மூளை அலகீடு குறித்த பிரிதிறன்
03:39
is doubling every year.
92
207461
2285
ஆண்டு தோறும் இரட்டிப்பாகி வருகிறது.
03:41
We can now see inside a living brain
93
209746
1717
இப்பொழுது நம்மால் உயிருள்ள ஒரு மூளையின் உட்பகுதியை பார்க்க முடியும்
03:43
and see individual interneural connections
94
211463
2870
அதன் உள்புறம் இருக்கும் நரம்புகளுக்கு இடையே உள்ள தனித்த இணைப்புகளை காண முடியும்
03:46
connecting in real time, firing in real time.
95
214333
2703
நிகழ் நேர இணைப்புகளையும் மற்றும் இயக்கங்களையும் காண முடியும்
03:49
We can see your brain create your thoughts.
96
217036
2419
உங்களது மூளை எண்ண தொடர்களை உருவாக்குவதை பார்க்கலாம்.
03:51
We can see your thoughts create your brain,
97
219455
1575
உங்கள் எண்ணங்கள் தான் உங்கள் மூளை என்பதையும்,
03:53
which is really key to how it works.
98
221030
1999
அவை தான் மூளை செய்லபடுவதற்க்கான திறவுகோல் என்பதையும் பார்க்கலாம்.
03:55
So let me describe briefly how it works.
99
223029
2219
சுருக்கமாக மூளை எப்படி செயல்படுகிறது என்பதை சொல்கிறேன்.
03:57
I've actually counted these modules.
100
225248
2275
உண்மையில் இந்த கட்டகங்களின் எண்ணிக்கையை நான் குறித்தேன்.
03:59
We have about 300 million of them,
101
227523
2046
ஏறக்குறைய 300 மில்லியன் கட்டகங்கள் உள்ளன,
04:01
and we create them in these hierarchies.
102
229569
2229
நாம் அவைகளை படிநிலை வரிசை படுத்தியிருக்கிறோம்.
04:03
I'll give you a simple example.
103
231798
2082
ஒரு சிறிய எடுத்துகாட்டை சொல்கிறேன்.
04:05
I've got a bunch of modules
104
233880
2805
என்னிடம் இரு கற்றை கட்டகங்கள் உள்ளன
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
அவைகளால் A என்ற எழுத்தின் குறுக்கு சட்டத்தை தெரிந்து கொள்ள முடியும்,
04:12
and that's all they care about.
106
240088
1914
அவைகளுக்கு அதை பற்றி மட்டுமே தெரியும்.
04:14
A beautiful song can play,
107
242002
1578
ஒரு அழகான பாடலையோ,
04:15
a pretty girl could walk by,
108
243580
1434
அழகான பெண் நடந்து போவதையோ,
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
பற்றி அவைகள் கவலைபடாது ஆனால் அவைகளால் A என்ற எழுத்தின் குறுக்கு சட்டத்தை மட்டும் புரிந்து கொள்ள முடியும்,
04:19
they get very excited and they say "crossbar,"
110
247860
3021
அவற்றை பார்த்தவுடன் ஆர்வத்துடன் "குறுக்கு சட்டம்" என்று சொல்லும்
04:22
and they put out a high probability
111
250881
2112
அதன் விளைவாக இப்படியான ஒரு நிகழவாய்ப்பு
04:24
on their output axon.
112
252993
1634
இருப்பதாக நரம்பிழை தண்டுக்கு வெளிபடுத்தும்
04:26
That goes to the next level,
113
254627
1333
அது அடுத்த நிலைக்கு அதனை எடுத்து செல்லும்,
04:27
and these layers are organized in conceptual levels.
114
255960
2750
இந்த அடுக்குகள் எல்லாம் ஒரு கருத்தை உருவாக்கும் நிலையிலேயே அமைக்கபட்டிருக்கிறது.
04:30
Each is more abstract than the next one,
115
258710
1856
ஓவொன்றும் அடுத்த குறிப்புக்கான ஒரு சுருக்க குறிப்பாக எடுத்து கொள்ளலாம்,
04:32
so the next one might say "capital A."
116
260566
2418
அடுத்த குறிப்பு அதை "முகட்டெழுத்து A" என்று கூட சொல்லலாம்.
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
இன்னும் அடுத்த உயர் நிலைக்கு சென்றால் " Apple " என்று கூட சொல்லலாம்.
04:37
Information flows down also.
118
265875
2167
தகவல்கள் கீழ் நோக்கியும் வருவது உண்டு.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
'ஆப்பிள்' என்ற சொல்லை அடையாளம் காணும் கட்டகம் A-P-P-L என்ற எழுத்துக்களை கண்ட உடன்
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
அடுத்த எழுத்து E ஆக இருக்கலாம் என்று நினைக்கும்.
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
உடனே அது E என்ற எழுத்தை கண்டறியும் எல்லா கட்டகங்களுக்கும் ஒரு சமிக்கை அனுப்பும்.
04:48
saying, "Be on the lookout for an E,
122
276761
1619
"அடுத்த எழுத்து E ஆக இருக்கலாம், எதிர்பாருங்கள்,
04:50
I think one might be coming."
123
278380
1556
அந்த எழுத்து அடுத்து வரும் என்று நினைக்கிறேன்."
04:51
The E recognizers will lower their threshold
124
279936
2843
உடனே E என்ற எழுத்தை கண்டறியும் எல்லா கட்டகங்களும் அதன் வரம்பு மதிப்பை குறைத்து கொள்ளும்
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
அடுத்து வரும் தெளிவில்லாத எழுத்தை E ஆக இருக்கலாம் என்று நினைக்கும்
04:56
Ordinarily you wouldn't think so,
126
284724
1490
வழக்கமாக நாம் அப்படி நினைப்பதில்லை,
04:58
but we're expecting an E, it's good enough,
127
286214
2009
ஆனால் நாம் இப்பொழுது E என்ற எழுத்தை எதிர்பார்த்து கொண்டிருக்கிறோம் ,அதனால் இது சரி.
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
'ஆம் நான் E என்ற எழுத்தை பார்த்து விட்டேன் ' உடனே ஆப்பிள் கட்டகம் சொல்கிறது,
05:02
"Yeah, I've seen an Apple."
129
290040
1728
"ஆம் நான் Apple என்ற சொல்லை பார்த்து விட்டேன்."
05:03
Go up another five levels,
130
291768
1746
இன்னும் ஐந்து நிலைகள் மேலே செல்லுங்கள்,
05:05
and you're now at a pretty high level
131
293514
1353
இபொழுது நீங்கள் ஒரு சுமாரான உயர் நிலையில்
05:06
of this hierarchy,
132
294867
1569
உள்ளீர்கள், அதாவது படி நிலை வரிசையில்
05:08
and stretch down into the different senses,
133
296436
2353
சற்று விரிவடைந்து புலன் உணர்வுகளையும் தெரிந்து கொள்ளும் நிலை,
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
ஒரு விதமான துணியை தெரிந்து கொள்ளும் ஒரு கட்டகம் உங்களுக்கு இருக்கலாம்,
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
ஒரு குரலை தெரிந்து கொள்ளவோ அல்லது
ஒரு வாசனையை தெரிந்து கொண்டு,
ஒரு வாசனையை தெரிந்து கொண்டு,
05:16
and will say, "My wife has entered the room."
136
304288
2513
" என் மனைவி இந்த அறைக்குள் நுழைந்திருக்கிறாள் " என்று கூட சொல்லலாம்.
05:18
Go up another 10 levels, and now you're at
137
306801
1895
இன்னும் 10 நிலைகள் மேலே செல்லுங்கள்
05:20
a very high level.
138
308696
1160
நீங்கள் இப்பொழுது மிக உயர்ந்த நிலையில் உள்ளீர்கள்.
05:21
You're probably in the frontal cortex,
139
309856
1937
ஏறக்குறைய நீங்கள் இப்பொழுது முகப்பு புறணியில் இருக்கலாம்,
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
இந்த கட்டகங்கள் " இது நகை முரண்.
05:27
That's funny. She's pretty."
141
315560
2370
இது வேடிக்கை , அவள் அழகு "
என்றெல்லாம் சொல்லும் திறன் கொண்டவை.
என்றெல்லாம் சொல்லும் திறன் கொண்டவை.
05:29
You might think that those are more sophisticated,
142
317930
2105
நீங்கள் இவைகள் மதிநுட்பமானவை என்று கருதலாம்,
05:32
but actually what's more complicated
143
320035
1506
ஆனால் உண்மையில் சிக்கலானவை
05:33
is the hierarchy beneath them.
144
321541
2669
இவைகளுக்கு கீழ்நிலையில் இருப்பவை தான்.
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
ஒரு 16 வயது பெண்ணுக்கு மூளை அறுவை சிகிச்சை நடைபெற்றது.
05:38
and she was conscious because the surgeons
146
326830
2051
அவள் சுய நினைவுடன் இருந்தாள் ஏனெனில் அறுவை சிகிச்சை மருத்துவர்கள்
05:40
wanted to talk to her.
147
328881
1537
அவளுடன் சிகிச்சையின் போது பேச வேண்டும் என்று விரும்பினார்கள்.
05:42
You can do that because there's no pain receptors
148
330418
1822
அப்படி செய்ய முடியும் ஏனெனில்
05:44
in the brain.
149
332240
1038
மூளையில் வலி ஏற்பிகள் ஏதும் இல்லை.
05:45
And whenever they stimulated particular,
150
333278
1800
எப்பொழுதெல்லாம் அவர்கள் புதிய புறணியின்
05:47
very small points on her neocortex,
151
335078
2463
சில குறிப்பிட்ட பகுதிகளை தூண்டினார்களோ,
05:49
shown here in red, she would laugh.
152
337541
2665
இங்கு சிவப்பாக காட்டியிருக்கும் பகுதிகள், அவள் சிரித்தாள்.
05:52
So at first they thought they were triggering
153
340206
1440
முதலில் அவர்கள் சிரிப்பிற்கான எதோ ஒரு முடுக்கியை
05:53
some kind of laugh reflex,
154
341646
1720
தூண்டி விடுவதாக நினைத்தார்கள்,
05:55
but no, they quickly realized they had found
155
343366
2519
ஆனால் அவர்கள் சீக்கிரமே புரிந்து கொண்டார்கள்
05:57
the points in her neocortex that detect humor,
156
345885
3044
புதிய புறணியின் அந்த பகுதிகள் நகைச்சுவையை உணரும் பகுதியென்று,
06:00
and she just found everything hilarious
157
348929
1969
அந்த பகுதியை தூண்டியதினால்
06:02
whenever they stimulated these points.
158
350898
2437
அவள் களிப்படைந்தாள்.
06:05
"You guys are so funny just standing around,"
159
353335
1925
"என்னை சுற்றி நிற்கும் நீங்கள் வேடிக்கை மனிதர்கள்,"
06:07
was the typical comment,
160
355260
1738
இது தான் அவள் சொன்ன கருத்து
06:08
and they weren't funny,
161
356998
2302
ஆனால் அது அவர்களுக்கு வேடிக்கையாக இருக்கவில்லை,
06:11
not while doing surgery.
162
359300
3247
அறுவை சிகிச்சை செய்து கொண்டிருந்த சூழல் கண்டிப்பாக அப்படி இருக்க வாய்ப்பில்லை.
06:14
So how are we doing today?
163
362547
4830
சரி இன்றைய நிலைமை என்ன?
06:19
Well, computers are actually beginning to master
164
367377
3054
கணினிகள் மனித மொழிகளை பல உத்திகள் மூலம்
06:22
human language with techniques
165
370431
2001
தேர்ச்சி பெற முயலுகின்றன
,
,
06:24
that are similar to the neocortex.
166
372432
2867
ஏறக்குறைய புதிய புறணிகளை போலவே
06:27
I actually described the algorithm,
167
375299
1514
நான் ஒரு படிமுறையை விவரித்திருந்தேன்.
06:28
which is similar to something called
168
376813
2054
அது ஏறக்குறைய மறைக்கப்பட்ட,
06:30
a hierarchical hidden Markov model,
169
378867
2233
ஒரு மார்கோவ் மாதிரி படிநிலை போன்றது
06:33
something I've worked on since the '90s.
170
381100
3241
அது 90 களில் இருந்து நான் வேலை பார்த்த ஒரு முறை.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
"ஜியோபார்டி' என்பது ஒரு விரிவான இயல்பான மொழி விளையாட்டு,
06:39
and Watson got a higher score
172
387579
1892
வாட்சன் அந்த விளையாட்டில் அதிக வெற்றி புள்ளிகள் பெற்றிருந்தார்
06:41
than the best two players combined.
173
389471
2000
இந்த விளையாட்டின் சிறந்த 2 விளையாட்டு வீரர்களின் மொத்த வெற்றி புள்ளிகளை விடவும் அதிகமாக பெற்றிருந்தார்
06:43
It got this query correct:
174
391471
2499
நான் கேள்வியை சரியாக தான் கேட்டேன்
06:45
"A long, tiresome speech
175
393970
2085
"ஒரு நீண்ட சோர்வூட்டும் உரை"
06:48
delivered by a frothy pie topping,"
176
396055
2152
ஒரு குறுக்கெழுத்து புதிருக்கான துப்பு இது
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
உடன் அது பதிலளித்தது " மேரின்க்யு ஹரன்க்யு?"
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
ஜென்னிங்க்சுக்கோ அல்லது அடுத்தவருக்கோ இது தெரிந்திருக்கவில்லை
06:55
It's a pretty sophisticated example of
179
403638
1926
இது கணினிகள், மனிதர்கள் பேசும் அதி நவீன விஷயங்களை
06:57
computers actually understanding human language,
180
405564
1914
புரிந்து கொள்கிறது என்பதற்கு ஒரு எடுத்துகாட்டு,
06:59
and it actually got its knowledge by reading
181
407478
1652
இன்னும் சொல்லபோனால் இந்த அறிவை கணினிகள்,
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
விக்கிபீடியா மற்றும் இதர கலைக்களஞ்சியங்களை படித்து தெரிந்து கொண்டிருக்கிறது.
07:04
Five to 10 years from now,
183
412915
2133
இன்னும் ஐந்திலிருந்து பத்து வருடங்களில்,
07:07
search engines will actually be based on
184
415048
2184
இணையதள தேடல் பொறி சொற் கூட்டமைப்பின் அல்லது
07:09
not just looking for combinations of words and links
185
417232
2794
தொடர்பின் அடிப்படையில் மட்டும் இயங்காது
07:12
but actually understanding,
186
420026
1914
ஆனால் உண்மையான புரிதலில் இயங்கும்
07:13
reading for understanding the billions of pages
187
421940
2411
கோடிகணக்கான இணையதள பக்கங்களையும்
07:16
on the web and in books.
188
424351
2733
புத்தகங்களையும் படித்து தெரிந்து கொண்ட புரிதல்களாக இருக்கும்
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
நீங்கள் நடந்து கொண்டிருக்கும் போதே கூகிள் உங்கள் முன் தோன்றி சொல்லலாம்
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
" மேரி ,நீங்கள் ஒரு மாதம் முன்பு கவலை கொண்டிருந்தீர்கள்.
07:24
to me a month ago that your glutathione supplement
191
432781
3019
உங்களின் க்ளுடதியோன் குறைநிரப்பு
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
இரத்தத்திற்கும் மூளைக்குமான அரணை தாண்டவில்லை" என்று.
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
சரியாக 13 நொடிகளுக்கு முன் இது குறித்து ஒரு புது ஆய்வு வெளி வந்துள்ளது
07:32
that shows a whole new approach to that
194
440624
1711
இது ஒரு புதிய அணுகுமுறையை வெளிபடுத்துகிறது
07:34
and a new way to take glutathione.
195
442335
1993
க்ளுடதியோன் எடுத்து கொள்வதற்கான ஒரு புதிய முறை
07:36
Let me summarize it for you."
196
444328
2562
அதை நான் உங்களுக்கு சுருக்கமாக சொல்கிறேன்."
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
இன்னும் 20 ஆண்டுகளுக்கு பின்பு நம்மிடையே நாநோபோட்கள் தோன்றலாம்
07:42
because another exponential trend
198
450574
1627
இன்னொரு அடுக்குகுறி போக்கு என்று எடுத்து கொண்டால்
07:44
is the shrinking of technology.
199
452201
1615
தொழில்நுட்ப சுருங்கலை சொல்லலாம்.
07:45
They'll go into our brain
200
453816
2370
அவைகள் நமது மூளைக்குள் செலுத்தப்படலாம்,
07:48
through the capillaries
201
456186
1703
இரத்த நுண் குழாய்கள் மூலம்
07:49
and basically connect our neocortex
202
457889
2477
அடிப்படையில் பார்த்தீர்களானால் நமது புதிய புறணி
07:52
to a synthetic neocortex in the cloud
203
460366
3185
மேக கணினியில் உள்ள ஒரு செயற்கை புறணியுடன் இணைக்கப்படும்
07:55
providing an extension of our neocortex.
204
463551
3591
சொல்லபோனால் நமது புதிய புறணிக்கு ஒரு நீட்சி அமைப்பு அது
07:59
Now today, I mean,
205
467142
1578
நான் சொல்வது என்னவென்றால்
08:00
you have a computer in your phone,
206
468720
1530
இன்று உங்கள் கைபேசியில் ஒரு கணினி இருக்கிறது
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
ஆனால் சில் நொடிகளுக்கு உங்களுக்கு 10,000 கணினிகள்
08:05
to do a complex search,
208
473004
1495
ஒரு சிக்கலான தேடலுக்கு தேவைபட்டால்
08:06
you can access that for a second or two in the cloud.
209
474499
3396
ஒரு சில நொடிகளுக்கு உங்களால் மேக கணினி மூலம் அவைகளை அணுகலாம்
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
2030 ஆம் ஆண்டு உங்களுக்கு புதிய புறணியின் தேவை அதிகமாக இருந்தால்
08:12
you'll be able to connect to that in the cloud
211
480990
2273
உங்கள் மூளையில் இருந்து நேரடியாக,
08:15
directly from your brain.
212
483263
1648
மேக கணினிகளை தொடர்பு கொள்ள முடியும்
08:16
So I'm walking along and I say,
213
484911
1543
நடந்துகொண்டே என்னால் சொல்ல முடியும்
08:18
"Oh, there's Chris Anderson.
214
486454
1363
" க்றிஸ் ஆண்டெர்சன் அங்கிருக்கிறார்.
08:19
He's coming my way.
215
487817
1525
அவர் என்னை நோக்கி வந்து கொண்டிருக்கிறார்
08:21
I'd better think of something clever to say.
216
489342
2335
அவரிடம் புத்திசாலிதனமாக எதவாவது சொல்ல வேண்டும்
08:23
I've got three seconds.
217
491677
1524
எனக்கு 3 நொடிகள் அவகாசமே உள்ளது
08:25
My 300 million modules in my neocortex
218
493201
3097
எனது புதிய புறணியின் 300 மில்லியன் கட்டகங்களால்
08:28
isn't going to cut it.
219
496298
1240
ஏதும் செய்ய முடியாது
08:29
I need a billion more."
220
497538
1246
எனக்கு மேலும் கோடிக்கணக்கான கட்டகங்கள் தேவை "
08:30
I'll be able to access that in the cloud.
221
498784
3323
மேக கணினியில் உள்ள கட்டகங்களை என்னால் தொடர்பு கொள்ள முடியும்
08:34
And our thinking, then, will be a hybrid
222
502107
2812
அப்பொழுது நமது சிந்தனை கலப்பினை சிந்தனையாக மாறும்
08:36
of biological and non-biological thinking,
223
504919
3522
உயிரியல் சார்ந்த சிந்தனையும் உயிரியியல் சாராத சிந்தனையும் சேர்ந்த ஒரு கலப்பினம்
08:40
but the non-biological portion
224
508441
1898
ஆனால் உயிரியல் சாராத அந்த பகுதி
08:42
is subject to my law of accelerating returns.
225
510339
2682
எனது முடுக்கு விளைவுகளின் விதிகளுக்கு உட்பட்டதாக இருக்கும்
08:45
It will grow exponentially.
226
513021
2239
அதன் வளர்ச்சி அடுக்குகுறி விகிதத்தில் இருக்கும்
08:47
And remember what happens
227
515260
2016
நினைவில் கொள்ளுங்கள்.
08:49
the last time we expanded our neocortex?
228
517276
2645
கடந்த முறை புதிய புறணியை விரிவு படுத்திய போது என்ன நடந்தது?
08:51
That was two million years ago
229
519921
1426
அது நடந்தது 200 மில்லியன் ஆண்டுகளுக்கு முன்பு
08:53
when we became humanoids
230
521347
1236
அப்பொழுது தான் நாம் மனிதர்களானோம்
08:54
and developed these large foreheads.
231
522583
1594
இந்த விரிந்த நெற்றி அப்பொழுது தான் உருவானது.
08:56
Other primates have a slanted brow.
232
524177
2583
மற்ற உயர் விலங்கினங்களுக்கு புருவம் சாய்வாக இருக்கும்.
08:58
They don't have the frontal cortex.
233
526760
1745
அவைகளுக்கு முகப்பு புறணி கிடையாது.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
ஆனால் முகப்பு புறணியில் தரம் சார்ந்த வேறுபாடு ஏதும் இல்லை.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
அது புதிய புறணியின் அளவு சார்ந்த ஒரு விரிவாக்கம் மட்டுமே
09:06
but that additional quantity of thinking
236
534933
2703
அனால் அந்த அதிக அளவு சிந்தனை திறன் தான்.
09:09
was the enabling factor for us to take
237
537636
1779
ஒரு காரணியாக இருந்து நமக்கு
09:11
a qualitative leap and invent language
238
539415
3346
ஒரு தரமான பாய்ச்சலுக்கு உதவியது
09:14
and art and science and technology
239
542761
1967
மொழி,கலை,அறிவியல்,தொழில்நுட்பம்
09:16
and TED conferences.
240
544728
1454
மற்றும் TED கருத்தரங்கம் போன்றவை கண்டுபிடிக்க உதவி இருக்கிறது
09:18
No other species has done that.
241
546182
2131
வேறு எந்த இனமும் இதை செய்யவில்லை
09:20
And so, over the next few decades,
242
548313
2075
இன்னும் அடுத்த சில பத்தாண்டுகளில்
09:22
we're going to do it again.
243
550388
1760
நாம் இதை மீண்டும் செய்ய போகிறோம்
09:24
We're going to again expand our neocortex,
244
552148
2274
நமது புதிய புறணியை மீண்டும் விரிவு படுத்த போகிறோம்.
09:26
only this time we won't be limited
245
554422
1756
ஆனால் இந்த முறை அது ஒரு நிலையான
09:28
by a fixed architecture of enclosure.
246
556178
4280
கட்டமைப்பு அடைப்பின் வரம்புக்கு உட்பட்டதாக இருக்காது,
09:32
It'll be expanded without limit.
247
560458
3304
எந்த வரம்பும் இல்லாமல் அது விரிவாக்கப்படும்.
09:35
That additional quantity will again
248
563762
2243
அந்த கூடுதல் அளவு தான் மீண்டும்
09:38
be the enabling factor for another qualitative leap
249
566005
3005
பண்பாடு மற்றும் தொழில்நுட்ப துறைகளில்
09:41
in culture and technology.
250
569010
1635
ஒரு தரமான பாய்ச்சலுக்கான காரணியாக இருக்கும்.
09:42
Thank you very much.
251
570645
2054
மிக்க நன்றி
09:44
(Applause)
252
572699
3086
(கை தட்டல்)
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