TEDxCMU
Luis von Ahn: Massive-scale online collaboration
ลุอิส วอน ออน (Luis von Ahn): การร่วมมือออนไลน์ขนาดใหญ่
Filmed:
Readability: 3.8
1,740,008 views
หลังจากได้มีการปรับจุดประสงค์ของแคปช่า (CAPTCHA) เพื่อให้การพิมพ์ของผู้ใช้นั้นได้มีส่วนช่วยแปลหนังสือดิจิตัล ลุอิส วอน ออน สงสัยว่าเราจะสามารถใช้ความร่วมมือเล็กๆ จากคนจำนวนมากมายบนอินเตอร์เนตเพื่อสิ่งที่ดีกว่าได้อย่างไร ณ TEDxCMU เขาได้บอกเล่ากับเราว่า ดูโอลินโก (Duolingo) โครงการที่แสนทะเยอทะยานของเขา จะช่วยผู้คนนับล้านในการเรียนภาษาใหม่ในระหว่างที่พวกเขาแปลเว็บไซต์อย่างรวดเร็วและถูกต้อง โดยทั้งหมดนี้ฟรีไม่เสียค่าใช้จ่ายใดๆ
Luis von Ahn - Computer scientist
Luis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone. Full bio
Luis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone. Full bio
Double-click the English transcript below to play the video.
00:15
How many of you had to fill out some sort of web form
0
0
2000
ใครเคยกรอกแบบฟอร์มบนเว็บไซต์
00:17
where you've been asked to read a distorted sequence of characters like this?
1
2000
2000
ที่คุณต้องอ่านตัวอักษรเบี้ยวๆ แบบนี้มั่งครับ
00:19
How many of you found it really, really annoying?
2
4000
2000
ใครคิดว่ามันน่ารำคาญมากๆบ้าง
00:21
Okay, outstanding. So I invented that.
3
6000
3000
โอเค ชัดเจน ผมเป็นคนสร้างมันเองครับ
00:24
(Laughter)
4
9000
2000
(เสียงหัวเราะ)
00:26
Or I was one of the people who did it.
5
11000
2000
ถ้าพูดให้ถูก ผมเป็นหนึ่งในทีมสร้างครับ
00:28
That thing is called a CAPTCHA.
6
13000
2000
สิ่งนี้เรียกว่า แคปช่า (CAPTCHA)
00:30
And the reason it is there is to make sure you, the entity filling out the form,
7
15000
2000
มันถูกใส่ไว้เพื่อความมั่นใจว่า
คุณที่กำลังกรอกฟอร์มนั้น
คุณที่กำลังกรอกฟอร์มนั้น
00:32
are actually a human and not some sort of computer program
8
17000
3000
เป็นคนจริงๆ ไม่ใช่โปรแกรมคอมพิวเตอร์
00:35
that was written to submit the form millions and millions of times.
9
20000
2000
ซึ่งถูกเขียนขึ้นมาเพื่อส่งฟอร์มจำนวนเป็นล้านๆครั้ง
00:37
The reason it works is because humans,
10
22000
2000
ที่มันได้ผลก็เพราะว่า มนุษย์
00:39
at least non-visually-impaired humans,
11
24000
2000
อย่างน้อยๆ มนุษย์ที่ไม่ได้มีความบกพร่องทางสายตา
00:41
have no trouble reading these distorted squiggly characters,
12
26000
2000
ไม่มีปัญหาใดๆในการอ่านตัวหนังสือเบี้ยวๆยึกยือพวกนี้
00:43
whereas computer programs simply can't do it as well yet.
13
28000
3000
ในขณะที่โปรแกรมคอมพิวเตอร์ยังไม่สามารถทำได้
00:46
So for example, in the case of Ticketmaster,
14
31000
2000
ดังเช่นตัวอย่าง ในกรณีของ
ทิคเก็ตมาสเตอร์ (Ticketmaster)
ทิคเก็ตมาสเตอร์ (Ticketmaster)
00:48
the reason you have to type these distorted characters
15
33000
2000
เหตุผลที่คุณต้องพิมพ์ตัวอักษรเบี้ยวๆพวกนี้
00:50
is to prevent scalpers from writing a program
16
35000
2000
ก็เพื่อป้องกันพวกที่เขียนโปรแกรม
00:52
that can buy millions of tickets, two at a time.
17
37000
2000
เพื่อซื้อตั๋วเป็นล้านๆใบ ให้ซื้อได้แค่ทีละสองใบ
00:54
CAPTCHAs are used all over the Internet.
18
39000
2000
แคปช่า ถูกใช้ทุกหนทุกแห่งบนอินเตอร์เน็ต
00:56
And since they're used so often,
19
41000
2000
และเมื่อมันถูกใช้บ่อยๆ
00:58
a lot of times the precise sequence of random characters that is shown to the user
20
43000
2000
หลายครั้ง ที่ตัวอักษรที่ถูกสุ่มขึ้นมา
ให้ปรากฎต่อหน้าผู้ใช้
ให้ปรากฎต่อหน้าผู้ใช้
01:00
is not so fortunate.
21
45000
2000
ไม่ค่อยจะโชคดีสักเท่าไร
01:02
So this is an example from the Yahoo registration page.
22
47000
3000
นี่เป็นตัวอย่างจากหน้าลงทะเบียนของ ยาฮู (Yahoo)
01:05
The random characters that happened to be shown to the user
23
50000
2000
ตัวอักษรที่ถูกสุ่มขึ้นมาปรากฎต่อหน้าผู้ใช้
01:07
were W, A, I, T, which, of course, spell a word.
24
52000
3000
ได้แก่ ร, อ ซึ่งแน่ล่ะ มันสะกดได้เป็นคำ
01:10
But the best part is the message
25
55000
3000
แต่ที่เจ๋งที่สุด คือข้อความ
01:13
that the Yahoo help desk got about 20 minutes later.
26
58000
3000
ที่ฝ่ายช่วยเหลือของยาฮูได้รับในอีก 20 นาทีถัดไป
01:16
Text: "Help! I've been waiting for over 20 minutes, and nothing happens."
27
61000
3000
ข้อความ : ช่วยด้วย ผมรอมาตั้ง 20 นาทีแล้ว
และมันไม่มีอะไรเกิดขึ้นเลย
และมันไม่มีอะไรเกิดขึ้นเลย
01:19
(Laughter)
28
64000
4000
(เสียงหัวเราะ)
01:23
This person thought they needed to wait.
29
68000
2000
คนคนนี้คิดว่าเขาต้องรอ
01:25
This of course, is not as bad as this poor person.
30
70000
3000
แต่ว่านี่มันก็ไม่แย่เท่าคนที่น่าสงสารรายนี้
01:28
(Laughter)
31
73000
2000
(เสียงหัวเราะ)
01:30
CAPTCHA Project is something that we did here at Carnegie Melllon over 10 years ago,
32
75000
3000
โครงการ แคปช่า เป็นสิ่งที่พวกเราสร้างขึ้นที่
แมลโล่ (Carnegie Mellon) สิบกว่าปีก่อน
แมลโล่ (Carnegie Mellon) สิบกว่าปีก่อน
01:33
and it's been used everywhere.
33
78000
2000
และมันก็ถูกใช้ไปทุกหนทุกแห่ง
01:35
Let me now tell you about a project that we did a few years later,
34
80000
2000
ให้ผมเล่าให้คุณฟังเกี่ยวกับโครงการที่เราทำ
เมื่อไม่กี่ปีที่ผ่านมา
เมื่อไม่กี่ปีที่ผ่านมา
01:37
which is sort of the next evolution of CAPTCHA.
35
82000
3000
ซึ่งราวกับว่าเป็นวิวัฒนาการขั้นถัดไปของ แคปช่า
01:40
This is a project that we call reCAPTCHA,
36
85000
2000
โครงการนี้เราเรียกว่า รีแคปช่า (reCAPTCHA)
01:42
which is something that we started here at Carnegie Mellon,
37
87000
2000
ซึ่งเป็นอะไรที่เราริเริ่ม ณ คานีกี แมลโล่ นี้
01:44
then we turned it into a startup company.
38
89000
2000
แล้วเราก็ตั้งเป็นบริษัทตั้งต้นขึ้นมา
01:46
And then about a year and a half ago,
39
91000
2000
และแล้ว ประมาณปีครึ่งที่ผ่านมา
01:48
Google actually acquired this company.
40
93000
2000
กูเกิลก็ซื้อบริษัทนี้
01:50
So let me tell you what this project started.
41
95000
2000
อนุญาตให้ผมเล่า ว่าโครงการนี้เริ่มขึ้นอย่างไร
01:52
So this project started from the following realization:
42
97000
3000
โครงการนี้เริ่มต้นขึ้นจากสิ่งที่เราได้ทราบดังต่อไปนี้ :
01:55
It turns out that approximately 200 million CAPTCHAs
43
100000
2000
มีราวๆ 200 ล้านแคปช่า
01:57
are typed everyday by people around the world.
44
102000
3000
ถูกพิมพ์โดยคนทั่วโลกทุกวัน
02:00
When I first heard this, I was quite proud of myself.
45
105000
2000
เมื่อผมได้ยินเป็นครั้งแรก ผมรู้สึกค่อนข้างภูมิใจในตัวเอง
02:02
I thought, look at the impact that my research has had.
46
107000
2000
ดูจากผลกระทบของงานวิจัยของผมสิ
02:04
But then I started feeling bad.
47
109000
2000
แต่แล้ว ผมก็เริ่มรู้สึกแย่
02:06
See here's the thing, each time you type a CAPTCHA,
48
111000
2000
คุณเห็นไหม ทุกครั้งที่คุณพิมพ์ แคปช่า
02:08
essentially you waste 10 seconds of your time.
49
113000
3000
คุณเสียเวลาของคุณไปเลยเต็มๆ 10 วินาที
02:11
And if you multiply that by 200 million,
50
116000
2000
และถ้าคุณลองคูณมันด้วย 200 ล้าน
02:13
you get that humanity as a whole is wasting about 500,000 hours every day
51
118000
3000
คุณทำให้มนุษยชาติทั้งหมดเสียเวลา
ไปประมาณ 500,000 ชั่วโมงทุกวัน
ไปประมาณ 500,000 ชั่วโมงทุกวัน
02:16
typing these annoying CAPTCHAs.
52
121000
2000
พิมพ์สิ่งๆที่แสนน่ารำคาญที่เรียกว่า แคปช่า
02:18
So then I started feeling bad.
53
123000
2000
ฉะนั้นผมก็เลยรู้สึกแย่
02:20
(Laughter)
54
125000
2000
(เสียงหัวเราะ)
02:22
And then I started thinking, well, of course, we can't just get rid of CAPTCHAs,
55
127000
3000
ผมเลยก็เริ่มคิด อืม แน่ล่ะ
เรากำจัดแคปช่าออกไปไม่ได้
เรากำจัดแคปช่าออกไปไม่ได้
02:25
because the security of the Web sort of depends on them.
56
130000
2000
เพราะว่าความปลอดภัยของเว็บไซต์ค่อนข้างขึ้นอยู่กับมัน
02:27
But then I started thinking, is there any way we can use this effort
57
132000
3000
แต่ผมก็เริ่มคิด มันจะมีทางอื่นอีกไหม
ที่เราจะได้ใช้แรงงานนี้
ที่เราจะได้ใช้แรงงานนี้
02:30
for something that is good for humanity?
58
135000
2000
สำหรับอะไรบางอย่างที่เป็นคุณประโยชน์ต่อมนุษยชาติ
02:32
So see, here's the thing.
59
137000
2000
เอาล่ะ นี่ครับ
02:34
While you're typing a CAPTCHA, during those 10 seconds,
60
139000
2000
ขณะที่คุณพิมพ์ แคปช่า ระหว่าง10 วินาทีนั้น
02:36
your brain is doing something amazing.
61
141000
2000
สมองของคุณกำลังทำสิ่งที่น่าทึ่ง
02:38
Your brain is doing something that computers cannot yet do.
62
143000
2000
สมองของคุณกำลังทำ
สิ่งที่คอมพิวเตอร์ยังไม่สามารถที่จะทำได้
สิ่งที่คอมพิวเตอร์ยังไม่สามารถที่จะทำได้
02:40
So can we get you to do useful work for those 10 seconds?
63
145000
3000
แล้วเราจะทำให้คุณทำสิ่งที่มีประโยชน์
ภายในเวลา 10 วินาทีได้ไหม
ภายในเวลา 10 วินาทีได้ไหม
02:43
Another way of putting it is,
64
148000
2000
จะพูดในอีกแง่หนึ่งก็คือ
02:45
is there some humongous problem that we cannot yet get computers to solve,
65
150000
2000
เรามีปัญหาใหญ่มาก
ที่เรายังไม่สามารถใช้คอมพิวเตอร์จัดการ
ที่เรายังไม่สามารถใช้คอมพิวเตอร์จัดการ
02:47
yet we can split into tiny 10-second chunks
66
152000
3000
ที่เราสามารถแบ่งเป็นก้อนขนาด 10 วินาทีได้
02:50
such that each time somebody solves a CAPTCHA
67
155000
2000
เพื่อที่ว่า ทุกครั้งที่คนแก้โจทย์แคปช่า
02:52
they solve a little bit of this problem?
68
157000
2000
พวกเขาก็จะแก้ปัญหานี้ได้ทีละนิดไปด้วย
02:54
And the answer to that is "yes," and this is what we're doing now.
69
159000
2000
และคำตอบก็คือ มีครับ
และนี่คือสิ่งที่เรากำลังทำในขณะนี้
และนี่คือสิ่งที่เรากำลังทำในขณะนี้
02:56
So what you may not know is that nowadays while you're typing a CAPTCHA,
70
161000
3000
สิ่งที่คุณอาจไม่ทราบก็คือ
ทุกวันนี้ ขณะที่คุณกำลังพิมพ์ แคปช่า
ทุกวันนี้ ขณะที่คุณกำลังพิมพ์ แคปช่า
02:59
not only are you authenticating yourself as a human,
71
164000
2000
ไม่เพียงแค่คุณได้พิสูจน์ว่าเป็นมนุษย์
03:01
but in addition you're actually helping us to digitize books.
72
166000
2000
แต่คุณยังได้ช่วยพวกเราในการแปลงหนังสือ
ให้อยู่ในรูปแบบดิจิตัล
ให้อยู่ในรูปแบบดิจิตัล
03:03
So let me explain how this works.
73
168000
2000
ให้ผมอธิบายนะครับว่ามันทำงานอย่างไร
03:05
So there's a lot of projects out there trying to digitize books.
74
170000
2000
มีโครงการมากมายที่พยายาม
แปลงหนังสือให้อยู่ในรูปแบบดิจิตัล
แปลงหนังสือให้อยู่ในรูปแบบดิจิตัล
03:07
Google has one. The Internet Archive has one.
75
172000
3000
กูเกิลก็มีโครงการหนึ่ง
อินเตอร์เน็ต อาร์ไคฟ์ ก็อีกหนึ่ง
อินเตอร์เน็ต อาร์ไคฟ์ ก็อีกหนึ่ง
03:10
Amazon, now with the Kindle, is trying to digitize books.
76
175000
2000
แอมาซอน พร้อมกับคินเดิล
ก็พยายามที่จะทำหนังสือให้เป็นดิจิตัล
ก็พยายามที่จะทำหนังสือให้เป็นดิจิตัล
03:12
Basically the way this works
77
177000
2000
การทำงานของมันแบบง่ายๆ
03:14
is you start with an old book.
78
179000
2000
คือคุณเริ่มจากหนังสือเก่า
03:16
You've seen those things, right? Like a book?
79
181000
2000
คุณเคยเห็นของพวกนั้นใช่ไหมครับ
ที่เหมือนหนังสืออะครับ
ที่เหมือนหนังสืออะครับ
03:18
(Laughter)
80
183000
2000
(เสียงหัวเราะ)
03:20
So you start with a book, and then you scan it.
81
185000
2000
คุณเริ่มจากหนังสือเล่มหนึ่ง แล้วสแกนภาพมัน
03:22
Now scanning a book
82
187000
2000
ทีนี้ การสแกนภาพหนังสือนั้น
03:24
is like taking a digital photograph of every page of the book.
83
189000
2000
เหมือนกับการถ่ายภาพดิจิตัล
ของทุกๆ หน้าหนังสือ
ของทุกๆ หน้าหนังสือ
03:26
It gives you an image for every page of the book.
84
191000
2000
มันทำให้คุณได้ภาพของทุกหน้าหนังสือ
03:28
This is an image with text for every page of the book.
85
193000
2000
นี่คือภาพที่มีข้อความจากทุกหน้าของหนังสือ
03:30
The next step in the process
86
195000
2000
ขั้นตอนต่อไปในกระบวนการ
03:32
is that the computer needs to be able to decipher all of the words in this image.
87
197000
3000
ก็คือ คอมพิวเตอร์ต้องสามารถ
ถอดรหัสคำทั้งหมดในรูปนี้
ถอดรหัสคำทั้งหมดในรูปนี้
03:35
That's using a technology called OCR,
88
200000
2000
มันใช้เทคโนโลยีที่เรียกว่า โอซีอาร์ (OCR)
03:37
for optical character recognition,
89
202000
2000
ซึ่งย่อมาจาก การรู้จำอักขระทางภาพ
03:39
which takes a picture of text
90
204000
2000
ซึ่งถ่ายรูปภาพของข้อความ
03:41
and tries to figure out what text is in there.
91
206000
2000
และพยายามที่จะคิดคำนวณว่า มันมีข้อความอะไรในนั้น
03:43
Now the problem is that OCR is not perfect.
92
208000
2000
ทีนี้ปัญหาก็คือ โอซีอาร์ ไม่ได้สมบูรณ์แบบ
03:45
Especially for older books
93
210000
2000
โดยเฉพาะกับหนังสือเก่าๆ
03:47
where the ink has faded and the pages have turned yellow,
94
212000
3000
ที่หมึกจางและหน้าหนังสือเปลี่ยนเป็นสีเหลือง
03:50
OCR cannot recognize a lot of the words.
95
215000
2000
โอซีอาร์ ไม่สามารถตรวจจับคำหลายๆคำ
03:52
For example, for things that were written more than 50 years ago,
96
217000
2000
ยกตัวอย่างเช่น สำหรับสิ่งที่ถูกเขียนไว้กว่า 50 ปีก่อน
03:54
the computer cannot recognize about 30 percent of the words.
97
219000
3000
คอมพิวเตอร์ ไม่สามารถตรวจจับคำได้คิดเป็น 30 เปอร์เซ็นต์
03:57
So what we're doing now
98
222000
2000
ดังนั้น สิ่งที่เรากำลังทำขณะนี้
03:59
is we're taking all of the words that the computer cannot recognize
99
224000
2000
คือเรานำคำทั้งหมด ที่คอมพิวเตอร์ไม่สามารถจดจำได้
04:01
and we're getting people to read them for us
100
226000
2000
และนำมาให้คนอ่าน
04:03
while they're typing a CAPTCHA on the Internet.
101
228000
2000
ในขณะที่พวกเขากำลังพิมพ์ แคปช่า บนอินเตอร์เน็ต
04:05
So the next time you type a CAPTCHA, these words that you're typing
102
230000
3000
ดังนั้น ครั้งต่อไปเมื่อคุณพิมพ์ แคปช่า
คำเหล่านี้ที่คุณพิมพ์
คำเหล่านี้ที่คุณพิมพ์
04:08
are actually words that are coming from books that are being digitized
103
233000
3000
จริงๆแล้วคือคำที่มาจากหนังสือ
ที่กำลังถูกทำให้เป็นดิจิตัล
ที่กำลังถูกทำให้เป็นดิจิตัล
04:11
that the computer could not recognize.
104
236000
2000
แต่คอมพิวเตอร์ไม่สามารถตรวจจับได้
04:13
And now the reason we have two words nowadays instead of one
105
238000
2000
และทีนี้ เหตุผลที่เรามีคำสองคำ แทนที่จะเป็นคำเดียว
04:15
is because, you see, one of the words
106
240000
2000
ก็เพราะว่า หนึ่งคำในนั้น
04:17
is a word that the system just got out of a book,
107
242000
2000
เป็นคำที่ระบบดึงออกมาจากหนังสือ
04:19
it didn't know what it was, and it's going to present it to you.
108
244000
3000
มันไม่รู้ว่าคืออะไร และมันก็กำลังที่จะเสนอให้กับคุณ
04:22
But since it doesn't know the answer for it, it cannot grade it for you.
109
247000
3000
แต่เมื่อมันไม่รู้ว่าคำตอบคืออะไร
มันจึงไม่สามารถตัดสินให้คุณได้
มันจึงไม่สามารถตัดสินให้คุณได้
04:25
So what we do is we give you another word,
110
250000
2000
ดังนั้น สิ่งที่เราทำก็คือเราให้คำอีกคำกับคุณ
04:27
one for which the system does know the answer.
111
252000
2000
เป็นคำที่ระบบรูู้คำตอบ
04:29
We don't tell you which one's which, and we say, please type both.
112
254000
2000
เราไม่บอกคุณว่าอันไหนเป็นอันไหน
และพวกเราบอกว่า กรุณาพิมพ์ทั้งสองคำ
และพวกเราบอกว่า กรุณาพิมพ์ทั้งสองคำ
04:31
And if you type the correct word
113
256000
2000
และถ้าคุณพิมพ์คำได้ถูกต้อง
04:33
for the one for which the system already knows the answer,
114
258000
2000
สำหรับคำที่ระบบรู้คำตอบอยู่แล้ว
04:35
it assumes you are human,
115
260000
2000
มันจะคาดว่าคุณเป็นมนุษย์
04:37
and it also gets some confidence that you typed the other word correctly.
116
262000
2000
และมันก็จะได้ความมั่นใจว่า คุณพิมพ์อีกคำหนึ่งถูกต้องด้วย
04:39
And if we repeat this process to like 10 different people
117
264000
3000
และถ้าพวกเราทำขั้นตอนนี้ซ้ำๆกับสัก 10 คน
04:42
and all of them agree on what the new word is,
118
267000
2000
และพวกเขาทั้งหมดเห็นด้วยว่าคำใหม่คืออะไร
04:44
then we get one more word digitized accurately.
119
269000
2000
แล้ว เราก็จะได้คำที่ถูกทำเป็นดิจิตัลอีกคำอย่างถูกต้อง
04:46
So this is how the system works.
120
271000
2000
และนั่นก็คือวิธีที่ระบบทำงาน
04:48
And basically, since we released it about three or four years ago,
121
273000
3000
และโดยหลักๆแล้ว ตั้งแต่เราปล่อยมันออกไปประมาณ
สามหรือสี่ปีก่อน
สามหรือสี่ปีก่อน
04:51
a lot of websites have started switching
122
276000
2000
เว็บไซต์มากมายก็เริ่มเปลี่ยน
04:53
from the old CAPTCHA where people wasted their time
123
278000
2000
จากแคปช่าตัวเดิม ที่ผู้ใช้เสียเวลาไปกับมัน
04:55
to the new CAPTCHA where people are helping to digitize books.
124
280000
2000
มาเป็นแคปช่าตัวใหม่ ที่ผู้ใช้กำลังช่วยสร้างหนังสือดิจิตัล
04:57
So for example, Ticketmaster.
125
282000
2000
ยกตัวอย่างเช่น ทิคเก็ตมาสเตอร์
04:59
So every time you buy tickets on Ticketmaster, you help to digitize a book.
126
284000
3000
ทุกครั้งที่คุณซื้อตั๋วผ่านทิคเก็ตมาสเตอร์
คุณกำลังช่วยทำหนังสือดิจิตัล
คุณกำลังช่วยทำหนังสือดิจิตัล
05:02
Facebook: Every time you add a friend or poke somebody,
127
287000
2000
ในเฟสบุ๊ค ทุกครั้งที่คุณเพิ่มเพื่อน หรือสะกิดใครสักคน
05:04
you help to digitize a book.
128
289000
2000
คุณกำลังช่วยทำหนังสือดิจิตัลอยู่
05:06
Twitter and about 350,000 other sites are all using reCAPTCHA.
129
291000
3000
ทวิตเตอร์และกว่า 350,000 เว็บไซต์ กำลังใช้ รีแคปช่า
05:09
And in fact, the number of sites that are using reCAPTCHA is so high
130
294000
2000
และที่จริงแล้ว จำนวนเว็บไซต์ที่ใช้รีแคปช่ามีอยู่เยอะมาก
05:11
that the number of words that we're digitizing per day is really, really large.
131
296000
3000
จนทำให้จำนวนคำที่เราทำเป็นดิจิตัลต่อวันนั้น
มีจำนวนมหาศาลจริงๆ
มีจำนวนมหาศาลจริงๆ
05:14
It's about 100 million a day,
132
299000
2000
มันตกราวๆ 100 ล้านคำต่อวัน
05:16
which is the equivalent of about two and a half million books a year.
133
301000
4000
ซึ่งมากพอๆกับหนังสือสักสองล้านห้าแสนเล่มต่อปี
05:20
And this is all being done one word at a time
134
305000
2000
และมันถูกทำขึ้น ทีละคำ
05:22
by just people typing CAPTCHAs on the Internet.
135
307000
2000
โดยคนที่พิมพ์รีแคปช่าทางอินเตอร์เน็ต
05:24
(Applause)
136
309000
8000
(เสียงปรบมือ)
05:32
Now of course,
137
317000
2000
แน่นอน ณ ขณะนี้
05:34
since we're doing so many words per day,
138
319000
2000
เมื่อเราทำได้วันละหลายคำเช่นนี้
05:36
funny things can happen.
139
321000
2000
สิ่งขำๆก็เกิดขึ้นได้
05:38
And this is especially true because now we're giving people
140
323000
2000
และมันก็เป็นเช่นนั้นจริงๆนะ เพราะตอนนี้
05:40
two randomly chosen English words next to each other.
141
325000
2000
เราสุ่มคำภาษาอังกฤษสองคำ มาวางต่อกันให้คุณ
05:42
So funny things can happen.
142
327000
2000
ดังนั้น สิ่งฮาๆก็เกิดขึ้น
05:44
For example, we presented this word.
143
329000
2000
ตัวอย่างเช่น พวกเราเสนอคำนี้
05:46
It's the word "Christians"; there's nothing wrong with it.
144
331000
2000
คำว่า "ชาวคริสต์" ไม่มีอะไรผิดปกติเลยครับ
05:48
But if you present it along with another randomly chosen word,
145
333000
3000
แต่เมื่อคุณนำมันมาวางกับอีกคำที่สุ่มขึ้นมา
05:51
bad things can happen.
146
336000
2000
เรื่องแย่ๆอาจเกิดขึ้น
05:53
So we get this. (Text: bad christians)
147
338000
2000
เราได้นี่ครับ
(ตัวหนังสือ: ชาวคริสต์ที่ไม่ดี)
(ตัวหนังสือ: ชาวคริสต์ที่ไม่ดี)
05:55
But it's even worse, because the particular website where we showed this
148
340000
3000
แต่มันแย่ได้กว่านั้น
เพราะบางเว็บไซต์ที่เราแสดงคำเหล่านี้
เพราะบางเว็บไซต์ที่เราแสดงคำเหล่านี้
05:58
actually happened to be called The Embassy of the Kingdom of God.
149
343000
3000
จริงๆแล้วเป็นเว็บไซต์ที่ชื่อว่า
สถานทูตของแผ่นดินของพระเจ้า
สถานทูตของแผ่นดินของพระเจ้า
06:01
(Laughter)
150
346000
2000
(เสียงหัวเราะ)
06:03
Oops.
151
348000
2000
ไอ้หยา
06:05
(Laughter)
152
350000
3000
(เสียงหัวเราะ)
06:08
Here's another really bad one.
153
353000
2000
นี่ก็เป็นอีกตัวอย่างแย่ๆครับ
06:10
JohnEdwards.com
154
355000
2000
จอห์นเอ็ดเวอร์ด ดอท คอม
06:12
(Text: Damn liberal)
155
357000
3000
(ตัวหนังสือ: ไอ้พวกเสรีนิยม)
06:15
(Laughter)
156
360000
2000
(เสียงหัวเราะ)
06:17
So we keep on insulting people left and right everyday.
157
362000
3000
พวกเราจาบจ้วง
คนฝ่ายซ้ายฝ่ายขวาไม่เว้นแต่ละวัน
คนฝ่ายซ้ายฝ่ายขวาไม่เว้นแต่ละวัน
06:20
Now, of course, we're not just insulting people.
158
365000
2000
แน่ล่ะ เราไม่ได้ทำแค่การเย้ยหยัน
06:22
See here's the thing, since we're presenting two randomly chosen words,
159
367000
3000
ความจริงคือว่า ตั้งแต่เรานำเสนอคำสุ่มสองคำ
06:25
interesting things can happen.
160
370000
2000
สิ่งที่น่าสนใจก็สามารถเกิดขึ้นได้
06:27
So this actually has given rise
161
372000
2000
ซึ่งจริงๆแล้ว มันได้ให้กำเนิด
06:29
to a really big Internet meme
162
374000
3000
มีมที่เป็นที่รู้จักดีทางอินเตอร์เน็ต
06:32
that tens of thousands of people have participated in,
163
377000
2000
ซึ่งคนเป็นหมื่นๆคนได้ทำการเข้าร่วม
06:34
which is called CAPTCHA art.
164
379000
2000
มันเรียกว่า ศิลปะแคปช่า
06:36
I'm sure some of you have heard about it.
165
381000
2000
ผมมันใจเลยว่า คุณบางคนเคยได้ยิน
06:38
Here's how it works.
166
383000
2000
มันเป็นแบบนี้ครับ
06:40
Imagine you're using the Internet and you see a CAPTCHA
167
385000
2000
ลองจินตนาการว่าคุณกำลังใช้อินเตอร์เน็ต
และคุณเห็นแคปช่า
และคุณเห็นแคปช่า
06:42
that you think is somewhat peculiar,
168
387000
2000
ซึ่งคุณคิดว่ามันมีอะไรบางอย่างแปลกๆ
06:44
like this CAPTCHA. (Text: invisible toaster)
169
389000
2000
เช่น แคปช่าอันนี้
(ตัวหนังสือ: เครื่องปิ้งขนมปังล่องหน)
(ตัวหนังสือ: เครื่องปิ้งขนมปังล่องหน)
06:46
Then what you're supposed to do is you take a screen shot of it.
170
391000
2000
และจากนั้น สิ่งที่คุณควรจะทำก็คือ
คุณถ่ายรูปหน้าจอของมัน
คุณถ่ายรูปหน้าจอของมัน
06:48
Then of course, you fill out the CAPTCHA
171
393000
2000
แล้วแน่นอน คุณก็กรอกข้อความ แคปช่า
06:50
because you help us digitize a book.
172
395000
2000
เพราะว่าคุณช่วยเราทำหนังสือดิจิตัล
06:52
But then, first you take a screen shot,
173
397000
2000
แต่แล้ว สิ่งแรกคุณถ่ายรูปหน้าจอ
06:54
and then you draw something that is related to it.
174
399000
2000
และจากนั้น คุณวาดภาพอะไรสักอย่างที่เกี่ยวกับมัน
06:56
(Laughter)
175
401000
2000
(เสียงหัวเราะ)
06:58
That's how it works.
176
403000
3000
มันเป็นแบบนี้แหละครับ
07:01
There are tens of thousands of these.
177
406000
3000
มีมากมายเป็นหมื่นๆเลย
07:04
Some of them are very cute. (Text: clenched it)
178
409000
2000
บางอันก็น่ารักมากเลยครับ
(ตัวหนังสือ: กำหมัดเลย)
(ตัวหนังสือ: กำหมัดเลย)
07:06
(Laughter)
179
411000
2000
(เสียงหัวเราะ)
07:08
Some of them are funnier.
180
413000
2000
บางอันก็ตลกกว่า
07:10
(Text: stoned founders)
181
415000
3000
(ตัวหนังสือ: ผู้ก่อตั้งที่เมายา)
07:13
(Laughter)
182
418000
3000
(เสียงหัวเราะ)
07:16
And some of them,
183
421000
2000
และบางอัน
07:18
like paleontological shvisle,
184
423000
3000
เหมือนกับ ซากบรรพชีวินวิทยา
07:21
they contain Snoop Dogg.
185
426000
2000
มีศิลปิน สนู๊ป ด็อก (Snoop Dogg) ด้วย
07:23
(Laughter)
186
428000
3000
(เสียงหัวเราะ)
07:26
Okay, so this is my favorite number of reCAPTCHA.
187
431000
2000
เอาล่ะครับ นี่เป็นตัวเลขจากรีแคปช่าที่ผมชอบที่สุดเลย
07:28
So this is the favorite thing that I like about this whole project.
188
433000
3000
ในโครงการทั้งหมดนี้ นี่คือสิ่งที่ผมโปรดปราน
07:31
This is the number of distinct people
189
436000
2000
นี่เป็นจำนวนของคน
07:33
that have helped us digitize at least one word out of a book through reCAPTCHA:
190
438000
3000
ที่ได้ช่วยเราแปลงอย่างน้อยหนึ่งคำให้เป็นดิจิตัล
โดยใช้ รีแคปช่า
โดยใช้ รีแคปช่า
07:36
750 million,
191
441000
2000
750 ล้านคน ครับ
07:38
which is a little over 10 percent of the world's population,
192
443000
2000
ซึ่งมันสูงกว่า 10 เปอร์เซ็นต์
ของประชากรโลกไปนิดเดียวเท่านั้น
ของประชากรโลกไปนิดเดียวเท่านั้น
07:40
has helped us digitize human knowledge.
193
445000
2000
ที่ช่วยเราทำความรู้ของมนุษยชาติให้อยู่ในรูปแบบดิจิตัล
07:42
And it is numbers like these that motivate my research agenda.
194
447000
3000
และตัวเลขเช่นนี้แหละ
ที่เป็นแรงขับเคลื่อนให้โครงการวิจัยของผม
ที่เป็นแรงขับเคลื่อนให้โครงการวิจัยของผม
07:45
So the question that motivates my research is the following:
195
450000
3000
ฉะนั้น คำถามที่เป็นแรงบันดาลใจต่องานวิจัยของผมก็คือ
07:48
If you look at humanity's large-scale achievements,
196
453000
2000
ถ้าคุณมองไปยังความสำเร็จอันยิ่งใหญ่ของมวลมนุษยชาติ
07:50
these really big things
197
455000
2000
เรื่องที่ใหญ่มากๆ
07:52
that humanity has gotten together and done historically --
198
457000
3000
ที่มนุษยชาติได้เข้ามารวมตัวกัน
และทำสิ่งที่เป็นประวัติการณ์
และทำสิ่งที่เป็นประวัติการณ์
07:55
like for example, building the pyramids of Egypt
199
460000
2000
เช่นการสร้างปิระมิดในอิยิปต์
07:57
or the Panama Canal
200
462000
2000
หรือขุดคลองปานามา
07:59
or putting a man on the Moon --
201
464000
2000
หรือส่งคนไปดวงจันทร์
08:01
there is a curious fact about them,
202
466000
2000
มันมีความจริงที่น่าแปลกใจ
08:03
and it is that they were all done with about the same number off people.
203
468000
2000
นั่นก็คือ สิ่งเหล่านั้นสำเร็จได้ด้วยจำนวนคนพอๆกัน
08:05
It's weird; they were all done with about 100,000 people.
204
470000
3000
มันน่าแปลกที่พวกมันถูกทำสำเร็จได้
จากคนจำนวนประมาณ 100,000 คน
จากคนจำนวนประมาณ 100,000 คน
08:08
And the reason for that is because, before the Internet,
205
473000
3000
และเหตุผลของมันก็คือ ก่อนที่จะมีอินเตอร์เน็ต
08:11
coordinating more than 100,000 people,
206
476000
2000
การกำกับคนมากกว่า 100,000 คน
08:13
let alone paying them, was essentially impossible.
207
478000
3000
ยังไม่ต้องพูดถึงการจ่ายค่าจ้างนะ
มันเป็นไปไม่ได้เลย
มันเป็นไปไม่ได้เลย
08:16
But now with the Internet, I've just shown you a project
208
481000
2000
แต่ตอนนี้ด้วยอินเตอร์เน็ต
ผมเพิ่งจะแสดงให้คุณเห็นโครงการ
ผมเพิ่งจะแสดงให้คุณเห็นโครงการ
08:18
where we've gotten 750 million people
209
483000
2000
ที่เราได้นำคน 750 ล้านคน
08:20
to help us digitize human knowledge.
210
485000
2000
มาช่วยเราทำความรู้ของเราให้อยู่ในรูปแบบดิจิตัล
08:22
So the question that motivates my research is,
211
487000
2000
ดังนั้น คำถามที่ผลักดันงานวิจัยของผมก็คือ
08:24
if we can put a man on the Moon with 100,000,
212
489000
3000
ถ้าคุณสามารถส่งคนไปดวงจันทร์
ด้วยคนจำนวน 100,000 คนได้
ด้วยคนจำนวน 100,000 คนได้
08:27
what can we do with 100 million?
213
492000
2000
เราจะทำอะไรได้ ถ้ามีคน 100 ล้านคน
08:29
So based on this question,
214
494000
2000
บนพื้นฐานของคำถามนี้
08:31
we've had a lot of different projects that we've been working on.
215
496000
2000
เรามีโครงการต่างๆมากมายที่เรากำลังดำเนินงานอยู่
08:33
Let me tell you about one that I'm most excited about.
216
498000
3000
ให้ผมได้เล่าให้ฟังสักโครงการ
ที่ผมรู้สึกตื่นเต้นกับมันมากที่สุด
ที่ผมรู้สึกตื่นเต้นกับมันมากที่สุด
08:36
This is something that we've been semi-quietly working on
217
501000
2000
เป็นสิ่งที่เราทำอยู่แบบกึ่งๆเปิดเผย
08:38
for the last year and a half or so.
218
503000
2000
มากว่าปีครึ่งแล้ว โดยประมาณ
08:40
It hasn't yet been launched. It's called Duolingo.
219
505000
2000
มันยังไม่ถูกปล่อยออกมใช้
ที่เรียกว่า ดูโอลินโก (Duolingo)
ที่เรียกว่า ดูโอลินโก (Duolingo)
08:42
Since it hasn't been launched, shhhhh!
220
507000
2000
เพราะว่ามันยังไม่ได้ถูกปล่อยออกมา
ดังนั้น จุ๊ๆไว้นะ
ดังนั้น จุ๊ๆไว้นะ
08:44
(Laughter)
221
509000
2000
(เสียงหัวเราะ)
08:46
Yeah, I can trust you'll do that.
222
511000
2000
ครับ ผมเชื่อใจพวกคุณครับ
08:48
So this is the project. Here's how it started.
223
513000
2000
นี่คือโครงการที่ว่า และนี่คือเรื่องว่ามันเริ่มต้นยังไง
08:50
It started with me posing a question to my graduate student,
224
515000
2000
มันเริ่มมาจากผมได้ตั้งคำถาม
ให้กับนักเรียนระดับปริญญา
ให้กับนักเรียนระดับปริญญา
08:52
Severin Hacker.
225
517000
2000
ซีเวอริน แฮกเกอร์ (Severin Hacker)
08:54
Okay, that's Severin Hacker.
226
519000
2000
นั่นคือ ซีเวอริน แฮกเกอร์
08:56
So I posed the question to my graduate student.
227
521000
2000
ผมตั้งคำถามไปยังนักเรียนระดับบัณฑืตศึกษาของผม
08:58
By the way, you did hear me correctly;
228
523000
2000
อย่างไรก็ดี คุณฟังผมถูกแล้วนะครับ
09:00
his last name is Hacker.
229
525000
2000
นามสกุลเขาคือ แฮกเกอร์ ครับ
09:02
So I posed this question to him:
230
527000
2000
ผมถามเขาว่า
09:04
How can we get 100 million people
231
529000
2000
เราจะทำให้คนจำนวน 100 ล้านคน
09:06
translating the Web into every major language for free?
232
531000
3000
มาแปลเว็บไซต์ให้อยูในภาษาหลักๆทุกภาษา
แบบฟรีๆได้อย่งไร
แบบฟรีๆได้อย่งไร
09:09
Okay, so there's a lot of things to say about this question.
233
534000
2000
โอเค มันมีอะไรต้องพูดเยอะเลยเกี่ยวกับคำถามนี้
09:11
First of all, translating the Web.
234
536000
2000
อย่างแรกก็คือ การแปลเว็บไซต์
09:13
So right now the Web is partitioned into multiple languages.
235
538000
3000
ณ ขณะนี้ เว็บไซต์ได้ถูกแบ่งออกเป็นหลายภาษา
09:16
A large fraction of it is in English.
236
541000
2000
ส่วนใหญ่แล้ว จะเป็นภาษาอังกฤษ
09:18
If you don't know any English, you can't access it.
237
543000
2000
ถ้าคุณไม่รู้ภาษาอังกฤษเลย คุณก็ไม่เข้าใจ
09:20
But there's large fractions in other different languages,
238
545000
2000
แต่มันก็มีอีกส่วนใหญ่เลยทีเดียวที่เป็นภาษาอื่น
09:22
and if you don't know those languages, you can't access it.
239
547000
3000
และถ้าคุณไม่รู้ภาษาพวกนี้ คุณก็ไม่เข้าใจ
09:25
So I would like to translate all of the Web, or at least most of the Web,
240
550000
3000
ดังนั้น ผมอยากจะแปลเว็บไซต์ทั้งหมด
หรืออย่างน้อยๆก็เว็บไซต์ส่วนใหญ่
หรืออย่างน้อยๆก็เว็บไซต์ส่วนใหญ่
09:28
into every major language.
241
553000
2000
ให้เป็นภาษาหลักๆทุกภาษา
09:30
So that's what I would like to do.
242
555000
2000
นี่คือสิ่งที่ผมอยากทำ
09:32
Now some of you may say, why can't we use computers to translate?
243
557000
3000
ทีนี้ คุณบางคนอาจบอกว่า
ทำไมไม่ให้คอมพิวเตอร์แปลซะล่ะ
ทำไมไม่ให้คอมพิวเตอร์แปลซะล่ะ
09:35
Why can't we use machine translation?
244
560000
2000
ทำไมเราจึงใช้เครื่องแปลภาษาไม่ได้
09:37
Machine translation nowadays is starting to translate some sentences here and there.
245
562000
2000
เครื่องแปลภาษาเดี๋ยวนี้ เริ่มที่จะแปล
ประโยคอย่างนู้นอย่างนี้ได้
ประโยคอย่างนู้นอย่างนี้ได้
09:39
Why can't we use it to translate the whole Web?
246
564000
2000
ทำไมเราไม่ใช้มันแปลเว็บไซต์ทั้งเว็บไซต์เลยล่ะ
09:41
Well the problem with that is that it's not yet good enough
247
566000
2000
ปัญหาก็คือ มันไม่ดีพอ
09:43
and it probably won't be for the next 15 to 20 years.
248
568000
2000
และมันก็คงจะไม่ดีพอแบบนี้ไปอีก 15 ถึง 20 ปี
09:45
It makes a lot of mistakes.
249
570000
2000
มันสร้างข้อผิดพลาดเยอะแยะ
09:47
Even when it doesn't make a mistake,
250
572000
2000
แม้มันไม่ได้สร้างของผิดพลาด
09:49
since it makes so many mistakes, you don't know whether to trust it or not.
251
574000
3000
แต่เพราะมันทำผิดพลาดมากมาย
คุณก็ไม่รู้ว่าควรเชื่อมันหรือไม่
คุณก็ไม่รู้ว่าควรเชื่อมันหรือไม่
09:52
So let me show you an example
252
577000
2000
ให้ผมยกตัวอย่างให้คุณฟังเกี่ยวกับ
09:54
of something that was translated with a machine.
253
579000
2000
บางสิ่งบางอย่างที่ถูกแปลด้วยเครื่อง
09:56
Actually it was a forum post.
254
581000
2000
จริงๆแล้วมันคือ กระทู้หนึ่ง
09:58
It was somebody who was trying to ask a question about JavaScript.
255
583000
3000
มีคนที่พยายามถามคำถามเกี่ยวกับจาวาสคริปต์
10:01
It was translated from Japanese into English.
256
586000
3000
มันถูกแปลจากภาษาญี่ปุ่นเป็นภาษาอังกฤษ
10:04
So I'll just let you read.
257
589000
2000
ผมจะให้คุณอ่าน
10:06
This person starts apologizing
258
591000
2000
บุคคลนี้เริ่มต้นด้วยการกล่าวขอโทษ
10:08
for the fact that it's translated with a computer.
259
593000
2000
ที่ข้อความนี้ถูกแปลด้วยคอมพิวเตอร์
10:10
So the next sentence is is going to be the preamble to the question.
260
595000
3000
ประโยคถัดไปเป็นประโยคนำสำหรับคำถามนี้
10:13
So he's just explaining something.
261
598000
2000
เขาแค่อธิบายบางสิ่งบางอย่าง
10:15
Remember, it's a question about JavaScript.
262
600000
3000
จำไว้นะครับ มันเป็นคำถามเกี่ยวกับจาวาสคริปต์
10:19
(Text: At often, the goat-time install a error is vomit.)
263
604000
4000
(ข้อความ: บ่อยๆ เวลาแพะติดตั้งข้อผิดพลาดคืออ้วก)
10:23
(Laughter)
264
608000
4000
(เสียงหัวเราะ)
10:27
Then comes the first part of the question.
265
612000
3000
แล้วก็มาถึงส่วนแรกของคำถาม
10:30
(Text: How many times like the wind, a pole, and the dragon?)
266
615000
4000
(ข้อความ: กี่ครั้งที่มันเป็นแบบ ลม เสา และมังกร)
10:34
(Laughter)
267
619000
2000
(เสียงหัวเราะ)
10:36
Then comes my favorite part of the question.
268
621000
3000
จากนั้น มาถึงส่วนของคำถามที่ผมชอบ
10:39
(Text: This insult to father's stones?)
269
624000
3000
(ข้อความ: นี่มันดูถูกหินของบิดาเหรอ)
10:42
(Laughter)
270
627000
2000
(เสียงหัวเราะ)
10:44
And then comes the ending, which is my favorite part of the whole thing.
271
629000
3000
แล้วก็มาถึงส่วนสุดท้าย
ซึ่งเป็นส่วนหนึ่งที่ผมชื่นชอบมากที่สุด
ซึ่งเป็นส่วนหนึ่งที่ผมชื่นชอบมากที่สุด
10:47
(Text: Please apologize for your stupidity. There are a many thank you.)
272
632000
4000
(ข้อความ: ขออภัยในความโง่ของคุณ มันมีเยอะมาก ขอบคุณ)
10:51
(Laughter)
273
636000
2000
(เสียงหัวเราะ)
10:53
Okay, so computer translation, not yet good enough.
274
638000
2000
ดังนั้น คอมพิวเตอร์ยังแปลภาษาได้ไม่ได้ดีพอแน่ๆ
10:55
So back to the question.
275
640000
2000
กลับไปยังคำถาม
10:57
So we need people to translate the whole Web.
276
642000
3000
ที่เราต้องการคนแปลเว็บไซต์ทั้งหมด
11:00
So now the next question you may have is,
277
645000
2000
ตอนนี้ คำถามถัดไปที่คุณอาจจะมีก็คือ
11:02
well why can't we just pay people to do this?
278
647000
2000
ทำไมไม่จ่ายตังค์ให้คนแปลล่ะ
11:04
We could pay professional language translators to translate the whole Web.
279
649000
3000
เราสามารถจ่ายนักแปลมืออาชีพ
ให้แปลทั้งเว็บไซต์
ให้แปลทั้งเว็บไซต์
11:07
We could do that.
280
652000
2000
เราสามารถทำได้
11:09
Unfortunately, it would be extremely expensive.
281
654000
2000
แต่ข้อเสียคือ มันจะแพงมาก
11:11
For example, translating a tiny, tiny fraction of the whole Web, Wikipedia,
282
656000
3000
ตัวอย่างเช่น แค่แปลส่วนเล็ก ๆ น้อย ๆ
ของเว็บไซต์ทั้งหมดอย่างวิกิพีเดีย
ของเว็บไซต์ทั้งหมดอย่างวิกิพีเดีย
11:14
into one other language, Spanish.
283
659000
3000
เป็นภาษาหนึ่งๆ เช่น ภาษาสเปน
11:17
Wikipedia exists in Spanish,
284
662000
2000
วิกิพีเดียมีเป็นภาษาสเปน
11:19
but it's very small compared to the size of English.
285
664000
2000
แต่มีขนาดเล็กมากเมื่อเทียบกับขนาดของภาษาอังกฤษ
11:21
It's about 20 percent of the size of English.
286
666000
2000
ประมาณ 20 เปอร์เซ็นต์ของขนาดของภาษาอังกฤษได้
11:23
If we wanted to translate the other 80 percent into Spanish,
287
668000
3000
ถ้าเราต้องการแปลอีก 80 เปอร์เซ็นต์เป็นภาษาสเปน
11:26
it would cost at least 50 million dollars --
288
671000
2000
จะต้องใช้เงินราวๆ 50 ล้านดอลลาร์
11:28
and this is at even the most exploited, outsourcing country out there.
289
673000
3000
ซึ่งเป็นตัวเลขสำหรับประเทศ
ที่ต้องถูกเอาเปรียบในการจ้างมากที่สุด
ที่ต้องถูกเอาเปรียบในการจ้างมากที่สุด
11:31
So it would be very expensive.
290
676000
2000
ดังนั้นมันจะมีราคาแพงมาก
11:33
So what we want to do is we want to get 100 million people
291
678000
2000
สิ่งที่เราต้องการทำคือ เราต้องการเรียกคน 100 ล้านคน
11:35
translating the Web into every major language
292
680000
2000
แปลเว็บเป็นทุกภาษาหลัก
11:37
for free.
293
682000
2000
โดยทำให้ฟรี
11:39
Now if this is what you want to do,
294
684000
2000
ถ้านี่เป็นสิ่งที่คุณต้องการทำตอนนี้
11:41
you pretty quickly realize you're going to run into two pretty big hurdles,
295
686000
2000
คุณจะรู้อย่างรวดเร็วว่า
คุณกำลังวิ่งไปชนสองอุปสรรคใหญ่
คุณกำลังวิ่งไปชนสองอุปสรรคใหญ่
11:43
two big obstacles.
296
688000
2000
สองอุปสรรคใหญ่
11:45
The first one is a lack of bilinguals.
297
690000
3000
หนึ่งคือ การขาดแคลนผู้ที่รู้สองภาษา
11:48
So I don't even know
298
693000
2000
ผมไม่รู้สักนิดเลยว่า
11:50
if there exists 100 million people out there using the Web
299
695000
3000
มีคนเป็น 100 ล้านคนข้างนอกนั้น ที่ใช้เว็บไซต์
11:53
who are bilingual enough to help us translate.
300
698000
2000
ผู้ซึ่งรู้ทั้งสองภาษาดีพอที่จะช่วยเราแปลได้
11:55
That's a big problem.
301
700000
2000
มันเป็นปัญหาใหญ่ครับ
11:57
The other problem you're going to run into is a lack of motivation.
302
702000
2000
ปัญหาอื่น ๆ ที่คุณจะพบคือ การขาดแรงจูงใจ
11:59
How are we going to motivate people
303
704000
2000
เราจะจูงใจคนอย่างไร
12:01
to actually translate the Web for free?
304
706000
2000
ให้มาแปลเว็บแบบฟรีๆ
12:03
Normally, you have to pay people to do this.
305
708000
3000
ตามปกติแล้ว คุณต้องจ่ายเงินให้ผู้ที่ทำสิ่งนี้
12:06
So how are we going to motivate them to do it for free?
306
711000
2000
ดังนั้นเราจะจูงใจให้คนทำมันฟรีๆ ได้อย่างไร
12:08
Now when we were starting to think about this, we were blocked by these two things.
307
713000
3000
ทีนี้เมื่อเราเริ่มคิดถึงสิ่งนี้
พวกเราก็ไปตันกับสองเรื่องดังกล่าว
พวกเราก็ไปตันกับสองเรื่องดังกล่าว
12:11
But then we realized, there's actually a way
308
716000
2000
แต่ต่อมาเราก็ได้รู้ว่า มันมีหนทาง
12:13
to solve both these problems with the same solution.
309
718000
2000
ที่จะแก้ปัญหาทั้งสองอย่างด้วยวิธีเดียวกัน
12:15
There's a way to kill two birds with one stone.
310
720000
2000
มีวิธีที่จะยิงนกสองตัวด้วยกระสุนนัดเดียว
12:17
And that is to transform language translation
311
722000
3000
และนั่นก็คือ เปลี่ยนการแปลภาษา
12:20
into something that millions of people want to do,
312
725000
3000
ไปเป็นสิ่งที่คนเป็นล้านๆอยากจะทำ
12:23
and that also helps with the problem of lack of bilinguals,
313
728000
3000
ที่จะช่วยแก้ปัญหาเรื่องขาดคนที่รู้สองภาษาอีกด้วย
12:26
and that is language education.
314
731000
3000
และมันก็คือการเรียนรู้ภาษาใหม่
12:29
So it turns out that today,
315
734000
2000
ซึ่งกลายเป็นว่า ณ วันนี้
12:31
there are over 1.2 billion people learning a foreign language.
316
736000
3000
มีคนกว่า 1.2 พันล้านคนที่กำลังเรียนภาษาต่างชาติ
12:34
People really, really want to learn a foreign language.
317
739000
2000
คนอยากเรียนภาษาต่างชาติกันจริง ๆ
12:36
And it's not just because they're being forced to do so in school.
318
741000
3000
และไม่ใช่เพียงเพราะพวกเขากำลังถูกบังคับในโรงเรียน
12:39
For example, in the United States alone,
319
744000
2000
เช่น แค่ในสหรัฐอเมริกาเพียงอย่างเดียว
12:41
there are over five million people who have paid over $500
320
746000
2000
มีกว่าห้าล้านคนที่จ่ายเงินมากกว่า 500 ดอลล่าร์
12:43
for software to learn a new language.
321
748000
2000
สำหรับซอฟต์แวร์เพื่อการเรียนรู้ภาษาใหม่
12:45
So people really, really want to learn a new language.
322
750000
2000
ดังนั้น มีคนอยากเรียนภาษาใหม่กันจริง ๆ
12:47
So what we've been working on for the last year and a half is a new website --
323
752000
3000
ประมาณ หนึ่งปีครึ่งที่แล้ว เราได้ทำเว็บไซต์
12:50
it's called Duolingo --
324
755000
2000
เรียกว่า ดูโอลินโก (Duolingo)
12:52
where the basic idea is people learn a new language for free
325
757000
3000
ความคิดง่ายๆก็คือ คนเราเรียนภาษาใหม่โดยไม่เสียเงิน
12:55
while simultaneously translating the Web.
326
760000
2000
ในขณะที่การแปลเว็บไซต์ไปด้วยพร้อมกัน
12:57
And so basically they're learning by doing.
327
762000
2000
ดังนั้น โดยพื้นฐานแล้ว
พวกเขากำลังเรียนรู้โดยการกระทำ
พวกเขากำลังเรียนรู้โดยการกระทำ
12:59
So the way this works
328
764000
2000
วิธีก็คือ
13:01
is whenever you're a just a beginner, we give you very, very simple sentences.
329
766000
3000
เมื่อไรที่คุณเป็นมือสมัครเล่น
เราจะให้ประโยคพื้นๆง่ายๆกับคุณ
เราจะให้ประโยคพื้นๆง่ายๆกับคุณ
13:04
There's, of course, a lot of very simple sentences on the Web.
330
769000
2000
แน่ล่ะ มันมีประโยคธรรมดาทั่วไปเต็มไปหมดบนเว็บ
13:06
We give you very, very simple sentences
331
771000
2000
พวกเราให้ประโยคที่ง่ายมากๆกับคุณ
13:08
along with what each word means.
332
773000
2000
พร้อมกับความหมายของแต่ละคำ
13:10
And as you translate them, and as you see how other people translate them,
333
775000
3000
และเมื่อคุณทำการแปลพวกมัน
และเห็นการแปลของคนอื่น
และเห็นการแปลของคนอื่น
13:13
you start learning the language.
334
778000
2000
คุณก็จะเริ่มเรียนรู้ภาษา
13:15
And as you get more and more advanced,
335
780000
2000
และเมื่อคุณมีความชำนาญมากขึ้น
13:17
we give you more and more complex sentences to translate.
336
782000
2000
เราก็จะให้ประโยคที่ซับซ้อนมากขึ้นกับคุณ
13:19
But at all times, you're learning by doing.
337
784000
2000
แต่ตลอดเวลา คุณจะได้เรียนรู้โดยการปฎิบัติ
13:21
Now the crazy thing about this method
338
786000
2000
ทีนี้ ความบ้าเกี่ยวกับวิธีนี้ก็คือ
13:23
is that it actually really works.
339
788000
2000
มันจะใช้งานได้จริงๆหรือเปล่า
13:25
First of all, people are really, really learning a language.
340
790000
2000
ประการแรก คนกำลังเรียนภาษากันจริงๆ
13:27
We're mostly done building it, and now we're testing it.
341
792000
2000
พวกเราสร้างมันเกือบเสร็จแล้ว และเรากำลังทดสอบมัน
13:29
People really can learn a language with it.
342
794000
2000
คนเรียนภาษาจากมันได้จริงๆ
13:31
And they learn it about as well as the leading language learning software.
343
796000
3000
และพวกเขาเรียนจากมันได้ดีพอๆกับ
การเรียนจากโปรแกรมสอนภาษาชั้นนำ
การเรียนจากโปรแกรมสอนภาษาชั้นนำ
13:34
So people really do learn a language.
344
799000
2000
ดังนั้น คนเรียนภาษาด้วยวิธีนี้ได้จริงๆ
13:36
And not only do they learn it as well,
345
801000
2000
และไม่ใช่แค่พวกเขาเรียนได้ดีพอๆกัน
13:38
but actually it's way more interesting.
346
803000
2000
แต่จริงๆแล้วมันน่าสนใจกว่าเสียอีก
13:40
Because you see with Duolingo, people are actually learning with real content.
347
805000
3000
เพราะว่า ด้วย ดูโอลินโก
13:43
As opposed to learning with made-up sentences,
348
808000
2000
แทนที่จะเรียนด้วยประโยคที่ถูกสมมติขึ้นมา
13:45
people are learning with real content, which is inherently interesting.
349
810000
3000
ผู้ใช้ได้เรียนจากข้อความจริงๆ
ซึ่งมันน่าสนใจ
ซึ่งมันน่าสนใจ
13:48
So people really do learn a language.
350
813000
2000
ดังนั้น คนจึงสามารถเรียนภาษาจากระบบนี้ได้จริงๆ
13:50
But perhaps more surprisingly,
351
815000
2000
แต่บางทีก็น่าตื่นเต้นยิ่งกว่า
13:52
the translations that we get from people using the site,
352
817000
3000
เพราะคำแปลที่เราได้จากคนที่ใช้เครื่องมือเรานั้น
13:55
even though they're just beginners,
353
820000
2000
แม้ว่าพวกเขาจะเป็นผู้ฝึกหัดมือใหม่
13:57
the translations that we get are as accurate as those of professional language translators,
354
822000
3000
คำแปลที่พวกเราได้ มันแม่นยำ
ไม่ต่างจากคนที่เป็นนักแปลภาษามืออาชีพเลย
ไม่ต่างจากคนที่เป็นนักแปลภาษามืออาชีพเลย
14:00
which is very surprising.
355
825000
2000
ซึ่งน่าแปลกใจมาก
14:02
So let me show you one example.
356
827000
2000
ให้ผมได้ยกตัวอย่างให้คุณดูสักอันครับ
14:04
This is a sentence that was translated from German into English.
357
829000
2000
นี่คือประโยคที่ถูกแปลจากภาษาเยอรมันเป็นภาษาอังกฤษ
14:06
The top is the German.
358
831000
2000
ด้านบนคือเยอรมัน
14:08
The middle is an English translation
359
833000
2000
และตรงกลางคือคำแปลภาษาอังกฤษ
14:10
that was done by somebody who was a professional English translator
360
835000
2000
ที่แปลโดยนักแปลภาษาอังกฤษระดับมืออาชีพ
14:12
who we paid 20 cents a word for this translation.
361
837000
2000
ผู้ที่ได้ค่าจ้าง 20 เซนต์ต่อคำ สำหรับการแปล
14:14
And the bottom is a translation by users of Duolingo,
362
839000
3000
และที่ด้านล่างนั้น เป็นคำแปลโดยผู้ใช้ ดูโอลินโก
14:17
none of whom knew any German
363
842000
2000
ไม่มีใครเลยที่รู้ภาษาเยอรมัน
14:19
before they started using the site.
364
844000
2000
ก่อนที่พวกเขาจะเริ่มใช้เครื่องมือเรา
14:21
You can see, it's pretty much perfect.
365
846000
2000
พวกคุณคงเห็นว่า มันค่อนข้างสมบูรณ์
14:23
Now of course, we play a trick here
366
848000
2000
แน่ล่ะ เราใช้เล่ห์ตรงนี้
14:25
to make the translations as good as professional language translators.
367
850000
2000
เพื่อให้การแปลออกมาดูดี พอๆกับของมืออาชีพ
14:27
We combine the translations of multiple beginners
368
852000
3000
เรานำงานแปลของเหล่ามือสมัครเล่นมารวมเข้าด้วยกัน
14:30
to get the quality of a single professional translator.
369
855000
3000
ให้ได้คุณภาพเดียวกับ งานแปลจากนักแปลอาชีพหนึ่งคน
14:33
Now even though we're combining the translations,
370
858000
5000
ทีนี้ ถึงแม้ว่าเราจะนำงานแปลมารวมๆกัน
14:38
the site actually can translate pretty fast.
371
863000
2000
เครื่องมือเรา จริงๆแล้วสามารถแปลได้อย่างรวดเร็ว
14:40
So let me show you,
372
865000
2000
ให้ผมสาธิตให้คุณดู
14:42
this is our estimates of how fast we could translate Wikipedia
373
867000
2000
นี่คือการคาดคะเนว่า
เราสามารถแปลวิกิพีเดีย (Wikipedia) ได้เร็วแค่ไหน
เราสามารถแปลวิกิพีเดีย (Wikipedia) ได้เร็วแค่ไหน
14:44
from English into Spanish.
374
869000
2000
จากภาษาอังกฤษเป็นภาษาสเปน
14:46
Remember, this is 50 million dollars-worth of value.
375
871000
3000
จำไว้นะครับ นี่เทียบเป็นเงิน 50 ล้านดอลล่าร์ทีเดียว
14:49
So if we wanted to translate Wikipedia into Spanish,
376
874000
2000
ถ้าเราต้องการแปลวิกิพีเดียเป็นภาษาสเปน
14:51
we could do it in five weeks with 100,000 active users.
377
876000
3000
พวกเราทำได้ในห้าสัปดาห์
ด้วยผู้ใช้จำนวน 100,000 คน
ด้วยผู้ใช้จำนวน 100,000 คน
14:54
And we could do it in about 80 hours with a million active users.
378
879000
3000
และพวกเราจะสามารถทำได้ใน 80 ชั่วโมง โดยผู้ใช้ล้านคน
14:57
Since all the projects that my group has worked on so far have gotten millions of users,
379
882000
3000
เพราะว่าโครงการทั้งหมดที่กลุ่มของผมได้ทำ
ถึงทุกวันนี้ มีผู้ใช้เป็นล้านๆคน
ถึงทุกวันนี้ มีผู้ใช้เป็นล้านๆคน
15:00
we're hopeful that we'll be able to translate
380
885000
2000
พวกเราหวังว่า เราจะสามารถแปล
15:02
extremely fast with this project.
381
887000
2000
ได้อย่างรวดเร็วมากด้วยโครงการนี้
15:04
Now the thing that I'm most excited about with Duolingo
382
889000
3000
ทีนี้ สิ่งที่ผมตื่นเต้นที่สุดกับ ดูโอลินโก
15:07
is I think this provides a fair business model for language education.
383
892000
3000
ก็คือ ผมคิดว่ามันนำเสนอรูปแบบธุรกิจที่ยุติธรรม
สำหนับการเรียนภาษา
สำหนับการเรียนภาษา
15:10
So here's the thing:
384
895000
2000
เรื่องมันมีอยู่ว่า
15:12
The current business model for language education
385
897000
2000
รูปแบบธุรกิจการเรียนภาษาที่เป็นอยู่ในขณะนี้
15:14
is the student pays,
386
899000
2000
คือนักเรียนต้องเป็นผู้จ่าย
15:16
and in particular, the student pays Rosetta Stone 500 dollars.
387
901000
2000
และโดยเจาะจงแล้ว นักเรียนจ่ายให้กับ โรเซตต้า สโตน (Rosetta Stone) 500 ดอลล่าร์
15:18
(Laughter)
388
903000
2000
(เสียงหัวเราะ)
15:20
That's the current business model.
389
905000
2000
นี่เป็นรูปแบบธุรกิจในปัจจุบัน
15:22
The problem with this business model
390
907000
2000
ปัญหาที่มีต่อรูปแบบธุรกิจนี้
15:24
is that 95 percent of the world's population doesn't have 500 dollars.
391
909000
3000
คือ 95 เปอร์เซ็นต์ ของประชาการโลกไม่มีเงิน 500 ดอลล่าร์
15:27
So it's extremely unfair towards the poor.
392
912000
3000
ดังนั้น มันจึงไม่เป็นธรรมอย่างยิ่งต่อคนยากจน
15:30
This is totally biased towards the rich.
393
915000
2000
มันเอนเอียงไปหาคนรวย
15:32
Now see, in Duolingo,
394
917000
2000
ทีนี้ สำหรับ ดูโอลินโก
15:34
because while you learn
395
919000
2000
เพราะว่าขณะที่คุณเรียน
15:36
you're actually creating value, you're translating stuff --
396
921000
3000
จริงๆแล้วคุณกำลังสร้างค่า
คุณกำลังแปลงานอยู่
คุณกำลังแปลงานอยู่
15:39
which for example, we could charge somebody for translations.
397
924000
3000
ยกตัวอย่างเช่น
เราสามารถที่จะจ่ายให้ใครสักคนมาแปลให้
เราสามารถที่จะจ่ายให้ใครสักคนมาแปลให้
15:42
So this is how we could monetize this.
398
927000
2000
ดังนั้น นี่เป็นวิธีที่เราจะสามารถทำเงินได้
15:44
Since people are creating value while they're learning,
399
929000
2000
เมื่อคนเราสร้างคุณค่าราคาระหว่างการเรียนรู้
15:46
they don't have to pay their money, they pay with their time.
400
931000
3000
พวกเขาก็ไม่ต้องจ่ายเงิน
พวกเขาเพียงแต่"จ่าย"เวลา
พวกเขาเพียงแต่"จ่าย"เวลา
15:49
But the magical thing here is that they're paying with their time,
401
934000
3000
แต่สิ่งที่อัศจรรย์ก็คือ พวกเขาต้องสละเวลา
15:52
but that is time that would have had to have been spent anyways
402
937000
2000
แต่เวลาที่เขาสละไปนั้น ยังไงก็จะถูกใช้
15:54
learning the language.
403
939000
2000
เพื่อการเรียนภาษาอยู่ดี
15:56
So the nice thing about Duolingo is I think it provides a fair business model --
404
941000
3000
ฉะนั้น ข้อดีของ ดูโอลินโก ก็คือ
ผมคิดว่ามันเป็นโมเดลธุรกิจที่ยุติธรรม
ผมคิดว่ามันเป็นโมเดลธุรกิจที่ยุติธรรม
15:59
one that doesn't discriminate against poor people.
405
944000
2000
ที่ไม่ได้มีการเลือกปฎิบัติต่อคนจน
16:01
So here's the site. Thank you.
406
946000
2000
และนี่คือเว็บไซต์ที่ว่าครับ ขอบคุณครับ
16:03
(Applause)
407
948000
8000
(ปรบมือ)
16:11
So here's the site.
408
956000
2000
นี่ครับ เว็บไซต์
16:13
We haven't yet launched,
409
958000
2000
เรายังไม่ได้เปิดตัว
16:15
but if you go there, you can sign up to be part of our private beta,
410
960000
3000
แต่ถ้าคุณเข้าไป
คุณสามารถลงชื่อเพื่อเป็นส่วนหนึ่งของขั้นทดลอง
คุณสามารถลงชื่อเพื่อเป็นส่วนหนึ่งของขั้นทดลอง
16:18
which is probably going to start in about three or four weeks.
411
963000
2000
ซึ่งน่าจะเริ่มต้นภายในประมาณสามหรือสี่สัปดาห์
16:20
We haven't yet launched this Duolingo.
412
965000
2000
เรายังไม่ได้เปิดตัว ดูโอลินโก
16:22
By the way, I'm the one talking here,
413
967000
2000
ถึงผมจะเป็นคนมาพูดตรงนี้
16:24
but actually Duolingo is the work of a really awesome team, some of whom are here.
414
969000
3000
แต่ที่จริงแล้ว ดูโอลินโก เป็นผลงานจากกลุ่มคนที่ยอดเยี่ยม
บางคนก็อยู่ที่นี้ด้วย
บางคนก็อยู่ที่นี้ด้วย
16:27
So thank you.
415
972000
2000
ขอบคุณครับ
16:29
(Applause)
416
974000
4000
(เสียงปรบมือ)
ABOUT THE SPEAKER
Luis von Ahn - Computer scientistLuis von Ahn builds systems that combine humans and computers to solve large-scale problems that neither can solve alone.
Why you should listen
Louis von Ahn is an associate professor of Computer Science at Carnegie Mellon University, and he's at the forefront of the crowdsourcing craze. His work takes advantage of the evergrowing Web-connected population to acheive collaboration in unprecedented numbers. His projects aim to leverage the crowd for human good. His company reCAPTCHA, sold to Google in 2009, digitizes human knowledge (books), one word at a time. His new project is Duolingo, which aims to get 100 million people translating the Web in every major language.
Luis von Ahn | Speaker | TED.com