TED2016
Riccardo Sabatini: How to read the genome and build a human being
ริคาร์โด ซาบาทินี (Riccardo Sabatini): เราจะอ่านจีโนมและสร้างมนุษย์ได้อย่างไร
Filmed:
Readability: 3.6
1,834,677 views
ความลับ โรคภัยไข้เจ็บ และความงาน ทุกอย่างถูกบันทึกเอาไว้ในจีโนมมนุษย์ ซึ่งเป็นชุดคำสั่งทางพันธุกรรมที่สมบูรณ์ ที่จำเป็นต่อการสร้างมนุษย์ ทีนี้ ในฐานะนักวิทยาศาสตร์และนักลงทุนทางการเงิน คิคาร์โด ซาบาทินี แสดงให้เราเห็นว่า เรามีอำนาจในการอ่านรหัสที่ซับซ้อนนี้ได้ ซึ่งจะเป็นการคาดคะเนสิ่งต่าง ๆ เช่น ส่วนสูง สีตา อายุ และแม้แต่โครงสร้างของหน้า -- ทั้งหมดทั้งมวลนี้จากเลือดหลอดเดียว และอีกไม่นาน ซาบาทินีกล่าว ความเข้าใจใหม่ของเราที่มีต่อจีโนมจะทำให้เราสามารถบำบัดโรคอย่างมะเร็งได้แบบส่วนบุคคล เรารู้ว่ามีอำนาจในการเปลี่ยนแปลงชีวิตแต่เราจะใช้มันอย่างไร
Riccardo Sabatini - Scientist, entrepreneur
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Riccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions. Full bio
Double-click the English transcript below to play the video.
00:12
For the next 16 minutes,
I'm going to take you on a journey
I'm going to take you on a journey
0
612
2762
ในอีก 16 นาทีข้างหน้า
ผมกำลังจะพาคุณเดินทางไปด้วยกัน
ผมกำลังจะพาคุณเดินทางไปด้วยกัน
00:15
that is probably
the biggest dream of humanity:
the biggest dream of humanity:
1
3398
3086
ที่บางที มันอาจเป็นความฝัน
ที่ยิ่งใหญ่ที่สุดของมวลมนุษยชาติ
ที่ยิ่งใหญ่ที่สุดของมวลมนุษยชาติ
00:18
to understand the code of life.
2
6508
2015
เพื่อทำความเข้าใจรหัสของชีวิต
00:21
So for me, everything started
many, many years ago
many, many years ago
3
9072
2743
สำหรับผมแล้ว ทุกอย่างเริ่มขึ้น
เมื่อหลายปีมาแล้ว
เมื่อหลายปีมาแล้ว
00:23
when I met the first 3D printer.
4
11839
2723
เมื่อผมพบเข้ากับเครื่องพิมพ์สามมิติเครื่องแรก
00:26
The concept was fascinating.
5
14586
1674
แนวคิดมันน่าสนใจมาก
00:28
A 3D printer needs three elements:
6
16284
2022
เครื่องพิมพ์สามมิติต้องการสามสิ่ง
00:30
a bit of information, some
raw material, some energy,
raw material, some energy,
7
18330
4134
ข้อมูลนิดหน่อย วัตถุดิบ และพลังงาน
00:34
and it can produce any object
that was not there before.
that was not there before.
8
22488
3334
และมันสามารถสร้างวัตถุใดก็ตาม
ที่ไม่ได้ปรากฏอยู่ตรงนั้นแต่แรก
ที่ไม่ได้ปรากฏอยู่ตรงนั้นแต่แรก
00:38
I was doing physics,
I was coming back home
I was coming back home
9
26517
2137
ตอนนั้นผมเรียนฟิสิกส์ ผมกำลังจะกลับบ้าน
00:40
and I realized that I actually
always knew a 3D printer.
always knew a 3D printer.
10
28678
3438
และตระหนักว่า อันที่จริง
ผมรู้จักเครื่องพิมพ์สามมิติมาโดยตลอด
ผมรู้จักเครื่องพิมพ์สามมิติมาโดยตลอด
00:44
And everyone does.
11
32140
1336
และทุกคนก็เช่นกัน
00:45
It was my mom.
12
33500
1158
มันก็คือแม่ของผมนี่เอง
00:46
(Laughter)
13
34682
1001
(เสียงหัวเราะ)
00:47
My mom takes three elements:
14
35707
2414
แม่ของผมใช้สามสิ่งนี้
00:50
a bit of information, which is between
my father and my mom in this case,
my father and my mom in this case,
15
38145
3973
ข้อมูลนิดหน่อย ซึ่งในกรณีนี้
คือระหว่างพ่อและแม่ของผม
คือระหว่างพ่อและแม่ของผม
00:54
raw elements and energy
in the same media, that is food,
in the same media, that is food,
16
42142
4157
วัตถุดิบและพลังงาน
ในบริบทเดียวกันมันคืออาหาร
ในบริบทเดียวกันมันคืออาหาร
00:58
and after several months, produces me.
17
46323
2508
และหลังจากสองสามเดือน ผมก็เกิดขึ้นมา
01:00
And I was not existent before.
18
48855
1812
และผมก็ไม่ได้ปรากฏอยู่ก่อนหน้านี้
01:02
So apart from the shock of my mom
discovering that she was a 3D printer,
discovering that she was a 3D printer,
19
50691
3762
ฉะนั้น นอกเหนือจากที่แม่ผมตกใจ
ว่าเธอเป็นเครื่องพิมพ์สามมิติ
ว่าเธอเป็นเครื่องพิมพ์สามมิติ
01:06
I immediately got mesmerized
by that piece,
by that piece,
20
54477
4738
ผมก็ตะลึงกับสิ่งนั้นโดยทันที
01:11
the first one, the information.
21
59239
1717
ประการแรก ข้อมูล
01:12
What amount of information does it take
22
60980
2251
ข้อมูลปริมาณเท่าไรที่มันต้องการ
01:15
to build and assemble a human?
23
63255
1936
เพื่อที่จะสร้างและประกอบขึ้นเป็นมนุษย์
01:17
Is it much? Is it little?
24
65215
1574
มันเยอะหรือเปล่า มันน้อยหรือเปล่า
01:18
How many thumb drives can you fill?
25
66813
2180
ต้องใช้ทัมป์ไดรฟ์กี่อันในการเก็บข้อมูล
01:21
Well, I was studying physics
at the beginning
at the beginning
26
69017
2624
ครับ ผมกำลังเริ่มเรียนฟิสิกส์ในตอนนั้น
01:23
and I took this approximation of a human
as a gigantic Lego piece.
as a gigantic Lego piece.
27
71665
5597
และผมก็ประมาณเอาว่า
มนุษย์เป็นเลโก้ชิ้นใหญ่ยักษ์
มนุษย์เป็นเลโก้ชิ้นใหญ่ยักษ์
01:29
So, imagine that the building
blocks are little atoms
blocks are little atoms
28
77286
3785
ฉะนั้น ลองนึกดูว่าโครงสร้างพื้นฐาน
เป็นอะตอมเล็ก ๆ
เป็นอะตอมเล็ก ๆ
01:33
and there is a hydrogen here,
a carbon here, a nitrogen here.
a carbon here, a nitrogen here.
29
81095
4653
และมีไฮโดรเจนอยู่ตรงนี้
คาร์บอนตรงนี้ ไนโตรเจนตรงนี้
คาร์บอนตรงนี้ ไนโตรเจนตรงนี้
01:37
So in the first approximation,
30
85772
1571
ฉะนั้นในการประมาณการครั้งแรก
01:39
if I can list the number of atoms
that compose a human being,
that compose a human being,
31
87367
4343
ถ้าผมเขียนจำนวนของอะตอม
ที่ถูกใช้สร้างมนุษย์ได้
ที่ถูกใช้สร้างมนุษย์ได้
01:43
I can build it.
32
91734
1387
ผมก็จะสร้างมันได้
01:45
Now, you can run some numbers
33
93145
2029
ตอนนี้ คุณสามารถลองดูจำนวนบางส่วนได้
01:47
and that happens to be
quite an astonishing number.
quite an astonishing number.
34
95198
3277
และนั้นก็ค่อนข้างจะเป็นจำนวนที่น่าทึ่งทีเดียว
01:50
So the number of atoms,
35
98499
2757
จำนวนของอะตอม
01:53
the file that I will save in my thumb
drive to assemble a little baby,
drive to assemble a little baby,
36
101280
4755
ไฟล์ที่ผมจะเก็บไว้ในทัมป์ไดรฟ์
เพื่อที่จะประกอบเด็กทารกตัวเล็กขึ้นมา
เพื่อที่จะประกอบเด็กทารกตัวเล็กขึ้นมา
01:58
will actually fill an entire Titanic
of thumb drives --
of thumb drives --
37
106059
4667
จะกินพื้นที่ทั้งหมดของทัมป์ไดรฟ์จำนวนมาก --
02:02
multiplied 2,000 times.
38
110750
2718
คูณด้วย 2,000 ครั้ง
02:05
This is the miracle of life.
39
113957
3401
มันคืออัศจรรย์แห่งชีวิต
02:09
Every time you see from now on
a pregnant lady,
a pregnant lady,
40
117382
2612
ทุกครั้งที่คุณเห็นต่อไปจากนี้
หญิงตั้งครรภ์คนนี้
หญิงตั้งครรภ์คนนี้
02:12
she's assembling the biggest
amount of information
amount of information
41
120018
2856
เธอกำลังรวบรวมปริมาณข้อมูล
ที่มากมายที่สุด
ที่มากมายที่สุด
02:14
that you will ever encounter.
42
122898
1556
ที่คุณจะเคยพบเคยเห็น
02:16
Forget big data, forget
anything you heard of.
anything you heard of.
43
124478
2950
ลืมเรื่องบิ๊กเดต้าไปได้เลย
ลืมทุกเรื่องที่คุณเคยได้ยิน
ลืมทุกเรื่องที่คุณเคยได้ยิน
02:19
This is the biggest amount
of information that exists.
of information that exists.
44
127452
2881
นี่เป็นปริมาณของข้อมูลที่มากที่สุด
ที่เคยปรากฏอยู่
ที่เคยปรากฏอยู่
02:22
(Applause)
45
130357
3833
(เสียงหัวเราะ)
02:26
But nature, fortunately, is much smarter
than a young physicist,
than a young physicist,
46
134214
4644
แต่น่าเสียดายที่ธรรมชาติ
ฉลาดกว่านักฟิสิกส์เด็ก ๆ นัก
ฉลาดกว่านักฟิสิกส์เด็ก ๆ นัก
02:30
and in four billion years, managed
to pack this information
to pack this information
47
138882
3576
และในเวลาสี่พันล้านปี
มันสามารถอัดข้อมูลนี้
มันสามารถอัดข้อมูลนี้
02:34
in a small crystal we call DNA.
48
142482
2705
เข้าไปในผลึกเล็ก ๆ ที่เรียกว่า ดีเอ็นเอ
02:37
We met it for the first time in 1950
when Rosalind Franklin,
when Rosalind Franklin,
49
145605
4312
เราพบมันเป็นครั้งแรกในปี ค.ศ. 1950
เมื่อ โรสริน แฟรงคลิน
เมื่อ โรสริน แฟรงคลิน
02:41
an amazing scientist, a woman,
50
149941
1556
นักวิทยาศาสตร์หญิงที่น่าทึ่ง
02:43
took a picture of it.
51
151521
1389
ถ่ายภาพมันเอาไว้ได้
02:44
But it took us more than 40 years
to finally poke inside a human cell,
to finally poke inside a human cell,
52
152934
5188
แต่เราใช้เวลาอีกกว่า 40 ปี ก่อนจะ
สามารถมองเข้าไปในเซลล์มนุษย์ได้
สามารถมองเข้าไปในเซลล์มนุษย์ได้
02:50
take out this crystal,
53
158146
1602
นำผลึกดังกล่าวออกมา
02:51
unroll it, and read it for the first time.
54
159772
3080
คลี่มันออก และอ่านมันได้เป็นครั้งแรก
02:55
The code comes out to be
a fairly simple alphabet,
a fairly simple alphabet,
55
163615
3241
รหัสนั้นเป็นตัวอักษร
ที่ค่อนข้างจะธรรมดาสามัญ
ที่ค่อนข้างจะธรรมดาสามัญ
02:58
four letters: A, T, C and G.
56
166880
3772
สี่ตัวอักษร คือ A, T, C และ G
03:02
And to build a human,
you need three billion of them.
you need three billion of them.
57
170676
3490
และเพื่อที่จะสร้างมนุษย์
คุณต้องการตัวอักษรนั้นสามพันล้านตัว
คุณต้องการตัวอักษรนั้นสามพันล้านตัว
03:06
Three billion.
58
174933
1179
สามพันล้าน
03:08
How many are three billion?
59
176136
1579
สามพันล้านนี่มันมากแค่ไหน
03:09
It doesn't really make
any sense as a number, right?
any sense as a number, right?
60
177739
2762
จำนวนนั้น มันไม่ได้ช่วย
ทำให้เรามองเห็นภาพเลย ใช่ไหมครับ
ทำให้เรามองเห็นภาพเลย ใช่ไหมครับ
03:12
So I was thinking how
I could explain myself better
I could explain myself better
61
180525
4085
ครับ ผมก็คิดเหมือนกัน
ว่าทำอย่างไรจึงจะอธิบายได้ดีกว่านี้
ว่าทำอย่างไรจึงจะอธิบายได้ดีกว่านี้
03:16
about how big and enormous this code is.
62
184634
3050
เกี่ยวกับว่ารหัสที่ว่าใหญ่ยักษ์ขนาดไหน
03:19
But there is -- I mean,
I'm going to have some help,
I'm going to have some help,
63
187708
3054
แต่ว่า -- ผมหมายความว่า
ผมกำลังจะขอความช่วยเหลือ
ผมกำลังจะขอความช่วยเหลือ
03:22
and the best person to help me
introduce the code
introduce the code
64
190786
3227
และคนที่เหมาะสมที่สุด
ที่จะมาช่วยผมแนะนำรหัสนี้
ที่จะมาช่วยผมแนะนำรหัสนี้
03:26
is actually the first man
to sequence it, Dr. Craig Venter.
to sequence it, Dr. Craig Venter.
65
194037
3522
ก็คือ บุคคลแรกที่หาลำดับมันได้
ดร. เคร๊ก เวนเตอร์
ดร. เคร๊ก เวนเตอร์
03:29
So welcome onstage, Dr. Craig Venter.
66
197583
3390
ครับ ขอต้อนรับ ดร. เคร๊ก เวนเตอร์
ขึ้นมาบนเวทีด้วยครับ
ขึ้นมาบนเวทีด้วยครับ
03:32
(Applause)
67
200997
6931
(เสียงปรบมือ)
03:39
Not the man in the flesh,
68
207952
2256
ไม่ได้มาเป็นตัวเป็นตน
03:43
but for the first time in history,
69
211448
2345
แต่นี่เป็นครั้งแรกในประวัติศาสตร์
03:45
this is the genome of a specific human,
70
213817
3462
นี่คือจีโนมของบุคคลหนึ่ง
03:49
printed page-by-page, letter-by-letter:
71
217303
3760
ที่ถูกตีพิมพ์เป็นหน้า ๆ ทุกตัวอักษร
03:53
262,000 pages of information,
72
221087
3996
ข้อมูลจำนวน 262,000 หน้า
03:57
450 kilograms, shipped
from the United States to Canada
from the United States to Canada
73
225107
4364
น้ำหนัก 450 กิโลกรัม
ถูกส่งจากสหรัฐฯ ไปแคนาดา
ถูกส่งจากสหรัฐฯ ไปแคนาดา
04:01
thanks to Bruno Bowden,
Lulu.com, a start-up, did everything.
Lulu.com, a start-up, did everything.
74
229495
4843
ต้องขอขอบคุณ บรูโน โบวเดน, Lulu.com
สตาร์ทอัพที่ทำทุกอย่าง
สตาร์ทอัพที่ทำทุกอย่าง
04:06
It was an amazing feat.
75
234362
1463
มันเป็นโครงสร้างที่น่าทึ่งครับ
04:07
But this is the visual perception
of what is the code of life.
of what is the code of life.
76
235849
4297
แต่นี่เป็นมุมมองเชิงทัศนะ
ว่ารหัสแห่งชีวิตคืออะไร
ว่ารหัสแห่งชีวิตคืออะไร
04:12
And now, for the first time,
I can do something fun.
I can do something fun.
77
240170
2478
และตอนนี้ มันเป็นครั้งแรก
ที่ผมจะได้ทำอะไรสนุก ๆ
ที่ผมจะได้ทำอะไรสนุก ๆ
04:14
I can actually poke inside it and read.
78
242672
2547
ผมสามารถมองเข้าไป และอ่านมันได้
04:17
So let me take an interesting
book ... like this one.
book ... like this one.
79
245243
4625
ให้ผมเลือกหนังสือที่น่าสนใจสักเล่ม
อย่างเช่น เล่มนี้
อย่างเช่น เล่มนี้
04:25
I have an annotation;
it's a fairly big book.
it's a fairly big book.
80
253077
2534
ผมมีความเห็นประกอบครับ
มันเป็นหนังสือเล่มโต
มันเป็นหนังสือเล่มโต
04:27
So just to let you see
what is the code of life.
what is the code of life.
81
255635
3727
เพื่อที่จะให้คุณเห็นภาพ
ว่ารหัสแห่งชีวิตมีหน้าตาอย่างไร
ว่ารหัสแห่งชีวิตมีหน้าตาอย่างไร
04:32
Thousands and thousands and thousands
82
260566
3391
ตัวอักษรมากมาย
04:35
and millions of letters.
83
263981
2670
หลายพันล้าน
04:38
And they apparently make sense.
84
266675
2396
และมันก็สมเหตุสมผลครับ
04:41
Let's get to a specific part.
85
269095
1757
ลองมาดูส่วนจำเพาะกันบ้าง
04:43
Let me read it to you:
86
271571
1362
ให้ผมลองอ่านให้ฟังนะครับ
04:44
(Laughter)
87
272957
1021
(เสียงหัวเราะ)
04:46
"AAG, AAT, ATA."
88
274002
4006
"AAG, AAT, ATA"
04:50
To you it sounds like mute letters,
89
278965
2067
สำหรับคุณมันเหมือนเป็นตัวอักษร
ที่ไม่มีความหมายอะไร
ที่ไม่มีความหมายอะไร
04:53
but this sequence gives
the color of the eyes to Craig.
the color of the eyes to Craig.
90
281056
4041
แต่ลำดับนี้ให้สีกับตาของเคร๊ก
04:57
I'll show you another part of the book.
91
285633
1932
ผมจะแสดงให้คุณเห็นอีกส่วนหนึ่ง
ของหนังสือนี้
ของหนังสือนี้
04:59
This is actually a little
more complicated.
more complicated.
92
287589
2094
นี่มันซับซ้อนกว่าหน่อย
05:02
Chromosome 14, book 132:
93
290983
2647
โครโมโซม 14 หนังสือเล่มที่ 132
05:05
(Laughter)
94
293654
2090
(เสียงหัวเราะ)
05:07
As you might expect.
95
295768
1277
เป็นไปอย่างที่คุณคาด
05:09
(Laughter)
96
297069
3466
(เสียงหัวเราะ)
05:14
"ATT, CTT, GATT."
97
302857
4507
"ATT, CTT, GATT"
05:20
This human is lucky,
98
308329
1687
คนคนนี้โชคดีจังเลย
05:22
because if you miss just
two letters in this position --
two letters in this position --
99
310040
4517
เพราะว่าถ้าตัวอักษรตกหล่นไปสองตัว
ในตำแหน่งนี้ --
ในตำแหน่งนี้ --
05:26
two letters of our three billion --
100
314581
1877
สองตัวอักษรจากสามพันล้าน --
05:28
he will be condemned
to a terrible disease:
to a terrible disease:
101
316482
2019
เขาจะเป็นโรคร้ายในทันที
05:30
cystic fibrosis.
102
318525
1440
ซึ่งมันก็คือ ซิย์สติกไฟโบรซิส
05:31
We have no cure for it,
we don't know how to solve it,
we don't know how to solve it,
103
319989
3413
มันไม่มีวิธีรักษา
เราไม่รู้ว่าจะต้องจัดการกับมันอย่างไร
เราไม่รู้ว่าจะต้องจัดการกับมันอย่างไร
05:35
and it's just two letters
of difference from what we are.
of difference from what we are.
104
323426
3755
และมันเป็นเพียงสองตัวอักษร
ที่ต่างไปจากคนปกติ
ที่ต่างไปจากคนปกติ
05:39
A wonderful book, a mighty book,
105
327585
2705
หนังสือที่น่าทึ่ง หนังสือที่ทรงอนุภาพ
05:43
a mighty book that helped me understand
106
331115
1998
หนังสือที่ทำให้ผมเข้าใจ
05:45
and show you something quite remarkable.
107
333137
2753
และแสดงบางอย่างที่ค่อนข้างน่าทึ่ง
ให้คุณได้ชม
ให้คุณได้ชม
05:48
Every one of you -- what makes
me, me and you, you --
me, me and you, you --
108
336480
4435
สำหรับพวกคุณทุก ๆ คน -- สิ่งที่
ทำให้ผมเป็นผม ทำให้คุณเป็นคุณ --
ทำให้ผมเป็นผม ทำให้คุณเป็นคุณ --
05:52
is just about five million of these,
109
340939
2954
คือเพียงประมาณห้าล้านตัวอักษร
05:55
half a book.
110
343917
1228
ซึ่งคือหนังสือครึ่งเล่ม
05:58
For the rest,
111
346015
1663
ส่วนที่เหลือ
05:59
we are all absolutely identical.
112
347702
2562
เราทุกคนมีเหมือน ๆ กัน
06:03
Five hundred pages
is the miracle of life that you are.
is the miracle of life that you are.
113
351008
4018
ห้าล้านหน้าคืออัศจรรย์แห่งชีวิตของคุณ
06:07
The rest, we all share it.
114
355050
2531
ส่วนที่เหลือ เรามีเหมือน ๆ กัน
06:09
So think about that again
when we think that we are different.
when we think that we are different.
115
357605
2909
ฉะนั้น ลองมานึกกันดูอีกที
เมื่อเราคิดว่าเราแตกต่างกัน
เมื่อเราคิดว่าเราแตกต่างกัน
06:12
This is the amount that we share.
116
360538
2221
นี่คือปริมาณที่เรามีร่วมกัน
06:15
So now that I have your attention,
117
363441
3429
เอาล่ะ ในเมื่อตอนนี้คุณให้ความสนใจแล้ว
06:18
the next question is:
118
366894
1359
คำถามถัดไปก็คือ
06:20
How do I read it?
119
368277
1151
ผมจะอ่านมันได้อย่างไร
06:21
How do I make sense out of it?
120
369452
1509
ผมจะเข้าใจทั้งหมดนั่นได้อย่างไร
06:23
Well, for however good you can be
at assembling Swedish furniture,
at assembling Swedish furniture,
121
371409
4240
ครับ ไม่ว่าคุณจะเชี่ยวชาญ
ในการต่อเครื่องเรือนจากสวีเดนสักแค่ไหน
ในการต่อเครื่องเรือนจากสวีเดนสักแค่ไหน
06:27
this instruction manual
is nothing you can crack in your life.
is nothing you can crack in your life.
122
375673
3563
คู่มือคำแนะนำนี้ ไม่ใช่สิ่งที่คุณ
จะถอดความออกได้ในชั่วชีวิต
จะถอดความออกได้ในชั่วชีวิต
06:31
(Laughter)
123
379260
1603
(เสียงหัวเราะ)
06:32
And so, in 2014, two famous TEDsters,
124
380887
3112
และในปี ค.ศ. 2014 ชาว TED ผู้โด่งดังสองท่าน
06:36
Peter Diamandis and Craig Venter himself,
125
384023
2540
ปีเตอร์ ไดแมนดิส และเคร๊ก เวนเตอร์ เอง
06:38
decided to assemble a new company.
126
386587
1927
ตัดสินใจที่จะตั้งบริษัทใหม่
06:40
Human Longevity was born,
127
388538
1412
บริษัท ฮิวแมน ลองจิวิตี ก็เกิดขึ้น
06:41
with one mission:
128
389974
1370
ด้วยเป้าหมายหนึ่งคือ
06:43
trying everything we can try
129
391368
1861
พยายามทำทุกอย่างที่ทำได้
06:45
and learning everything
we can learn from these books,
we can learn from these books,
130
393253
2759
และเรียนรู้ทุกสิ่งทุกอย่างที่ทำได้
จากหนังสือเหล่านี้
จากหนังสือเหล่านี้
06:48
with one target --
131
396036
1705
ด้วยเป้าหมายเดียว --
06:50
making real the dream
of personalized medicine,
of personalized medicine,
132
398862
2801
ทำให้ความฝัน
เรื่องการแพทย์ส่วนบุคคลให้เป็นจริง
เรื่องการแพทย์ส่วนบุคคลให้เป็นจริง
06:53
understanding what things
should be done to have better health
should be done to have better health
133
401687
3767
ทำความเข้าใจว่าควรทำอะไร
เพื่อที่จะให้มีสุขภาพที่ดี
เพื่อที่จะให้มีสุขภาพที่ดี
06:57
and what are the secrets in these books.
134
405478
2283
และอะไรคือความลับของหนังสือเหล่านี้
07:00
An amazing team, 40 data scientists
and many, many more people,
and many, many more people,
135
408329
4250
กลุ่มคนที่น่าทึ่ง นักวิทยาศาสตร์ด้านข้อมูล 40 คน
และผู้คนอีกมากมาย
และผู้คนอีกมากมาย
07:04
a pleasure to work with.
136
412603
1350
ที่ผมรู้สึกเป็นเกียรติยิ่งที่ได้ร่วมงาน
07:05
The concept is actually very simple.
137
413977
2253
หลักการนั้นง่ายมากครับ
07:08
We're going to use a technology
called machine learning.
called machine learning.
138
416254
3158
เรากำลังจะใช้เทคโนโลยี
ที่เรียกว่า การเรียนรู้ของเครื่อง (machine learning)
ที่เรียกว่า การเรียนรู้ของเครื่อง (machine learning)
07:11
On one side, we have genomes --
thousands of them.
thousands of them.
139
419436
4539
ทางด้านหนึ่ง เรามีจีโนม --
มากมายเลยทีเดียว
มากมายเลยทีเดียว
07:15
On the other side, we collected
the biggest database of human beings:
the biggest database of human beings:
140
423999
3997
อีกด้านหนึ่ง เราเก็บรวบรวมฐานข้อมูลที่ใหญ่ที่สุด
ของมนุษย์ ตั้งแต่
ของมนุษย์ ตั้งแต่
07:20
phenotypes, 3D scan, NMR --
everything you can think of.
everything you can think of.
141
428020
4296
ฟีโนไทป์ ภาพสแกนด์สามมิติ เอ็นเอ็มอาร์ --
ทุกอย่างที่เราจะนึกออก
ทุกอย่างที่เราจะนึกออก
07:24
Inside there, on these two opposite sides,
142
432340
2899
ภายในนั้น ทางด้านตรงข้าม
07:27
there is the secret of translation.
143
435263
2442
มันมีความลับของการแปล
07:29
And in the middle, we build a machine.
144
437729
2472
และตรงกลางนี้ เราสร้างเครื่อง
07:32
We build a machine
and we train a machine --
and we train a machine --
145
440801
2385
เราสร้างเครื่องและเราสอนมัน --
07:35
well, not exactly one machine,
many, many machines --
many, many machines --
146
443210
3210
ครับ ไม่ใช่เครื่องเดียว แต่หลายเครื่องมาก --
07:38
to try to understand and translate
the genome in a phenotype.
the genome in a phenotype.
147
446444
4544
เพื่อทำความเข้าใจและแปลจีโนม
ให้เป็นฟีโนไทป์
ให้เป็นฟีโนไทป์
07:43
What are those letters,
and what do they do?
and what do they do?
148
451362
3340
ตัวหนังสือเหล่านั้นคืออะไร และพวกมันทำอะไร
07:46
It's an approach that can
be used for everything,
be used for everything,
149
454726
2747
มันเป็นวิธีการที่สามารถใช้ได้กับทุกอย่าง
07:49
but using it in genomics
is particularly complicated.
is particularly complicated.
150
457497
2993
แต่การใช้มันในจีโนมิก
ค่อนข้างที่จะซับซ้อนเป็นพิเศษ
ค่อนข้างที่จะซับซ้อนเป็นพิเศษ
07:52
Little by little we grew and we wanted
to build different challenges.
to build different challenges.
151
460514
3276
เราเติบโตทีละเล็กทีละน้อย
และเราต้องการที่จะสร้างความท้าทายใหม่
และเราต้องการที่จะสร้างความท้าทายใหม่
07:55
We started from the beginning,
from common traits.
from common traits.
152
463814
2732
เราเริ่มจากจุดเริ่มต้นจากลักษณะทั่วไป
07:58
Common traits are comfortable
because they are common,
because they are common,
153
466570
2603
ลักษณะทั่วไปเป็นอะไรที่เราสบายใจ
เพราะว่าพวกมันเป็นสิ่งที่พบทั่วไป
เพราะว่าพวกมันเป็นสิ่งที่พบทั่วไป
08:01
everyone has them.
154
469197
1184
ทุก ๆ คนมีมัน
08:02
So we started to ask our questions:
155
470405
2494
ฉะนั้น เราเริ่มถามคำถามที่ว่า
08:04
Can we predict height?
156
472923
1380
เราจะสามารถคาดคะเนส่วนสูงได้ไหม
08:06
Can we read the books
and predict your height?
and predict your height?
157
474985
2177
เราจะสามารถอ่านหังสือ
และคาดเดาส่วนสูงของคุณได้ไหม
และคาดเดาส่วนสูงของคุณได้ไหม
08:09
Well, we actually can,
158
477186
1151
ครับ อันที่จริงเราทำได้
08:10
with five centimeters of precision.
159
478361
1793
ด้วยความแม่นยำในระดับห้าเซนติเมตร
08:12
BMI is fairly connected to your lifestyle,
160
480178
3135
BMI ค่อนข้างที่จะเชื่อมโยง
กับการใช้ชีวิตของคุณ
กับการใช้ชีวิตของคุณ
08:15
but we still can, we get in the ballpark,
eight kilograms of precision.
eight kilograms of precision.
161
483337
3864
แต่เรายังสามารถ เราคาดการได้อย่างคร่าว ๆ
ที่ระดับความแม่นยำแปดกิโลกรัม
ที่ระดับความแม่นยำแปดกิโลกรัม
08:19
Can we predict eye color?
162
487225
1231
เราจะสามารถคาดคะเนสีตาได้หรือไม่
08:20
Yeah, we can.
163
488480
1158
ครับ เราทำได้
08:21
Eighty percent accuracy.
164
489662
1324
ด้วยความแม่นยำแปดสิบเปอร์เซ็นต์
08:23
Can we predict skin color?
165
491466
1858
เราจะสามารถคาดคะเนสีผิวได้หรือไม่
08:25
Yeah we can, 80 percent accuracy.
166
493348
2441
ครับ เราทำได้ ด้วยความแม่นยำ 80 เปอร์เซ็นต์
08:27
Can we predict age?
167
495813
1340
เราจะสามารถคาดคะเนอายุได้หรือไม่
08:30
We can, because apparently,
the code changes during your life.
the code changes during your life.
168
498121
3739
เราทำได้ครับ เพราะว่ารหัสเปลี่ยนไป
ในช่วงต่าง ๆ ของชีวิตของคุณ
ในช่วงต่าง ๆ ของชีวิตของคุณ
08:33
It gets shorter, you lose pieces,
it gets insertions.
it gets insertions.
169
501884
3282
มันสั้นลง และคุณสูญเสียงบางชิ้นส่วนไป
มันมีส่วนที่ถูกแทรกเข้าไป
มันมีส่วนที่ถูกแทรกเข้าไป
08:37
We read the signals, and we make a model.
170
505190
2555
เราอ่านสัญญาณ และเราก็สร้างแบบจำลอง
08:40
Now, an interesting challenge:
171
508438
1475
ทีนี้ ความท้าทายที่น่าสนใจก็คือ
08:41
Can we predict a human face?
172
509937
1729
เราจะสามารถคาดคะเนหน้าของมนุษย์ได้หรือไม่
08:45
It's a little complicated,
173
513014
1278
มันค่อนข้างจะซับซ้อนสักหน่อย
08:46
because a human face is scattered
among millions of these letters.
among millions of these letters.
174
514316
3191
เพราะว่าหน้าของมนุษย์กระจัดกระจาย
อยู่ท่ามกลางตัวหนังสือนับล้านเหล่านี้
อยู่ท่ามกลางตัวหนังสือนับล้านเหล่านี้
08:49
And a human face is not
a very well-defined object.
a very well-defined object.
175
517531
2629
และหน้าของคน
ก็ไม่ใช่สิ่งที่ถูกกำหนดไว้อย่างชัดเจน
ก็ไม่ใช่สิ่งที่ถูกกำหนดไว้อย่างชัดเจน
08:52
So, we had to build an entire tier of it
176
520184
2051
ฉะนั้น เราจะต้องสร้าง
ระดับต่าง ๆ ทั้งหมดสำหรับมัน
ระดับต่าง ๆ ทั้งหมดสำหรับมัน
08:54
to learn and teach
a machine what a face is,
a machine what a face is,
177
522259
2710
เพื่อเรียนและสอนเครื่องว่าหน้าคืออะไร
08:56
and embed and compress it.
178
524993
2037
และฝังมัน และย่อมัน
08:59
And if you're comfortable
with machine learning,
with machine learning,
179
527054
2248
และถ้าคุณสบายใจกับการเรียนรู้ของเครื่อง
09:01
you understand what the challenge is here.
180
529326
2284
คุณจะเข้าใจว่าความท้าทายตรงนี้คืออะไร
09:04
Now, after 15 years -- 15 years after
we read the first sequence --
we read the first sequence --
181
532108
5991
ครับ หลังจาก 15 ปี --
15 ปีหลังจากที่เราอ่านลำดับแรกได้ --
15 ปีหลังจากที่เราอ่านลำดับแรกได้ --
09:10
this October, we started
to see some signals.
to see some signals.
182
538123
2902
เดือนตุลาคมนี้
เราเริ่มที่จะเห็นสัญญาณบางอย่าง
เราเริ่มที่จะเห็นสัญญาณบางอย่าง
09:13
And it was a very emotional moment.
183
541049
2455
และมันก็เป็นวินาทีที่น่าประทับใจยิ่ง
09:15
What you see here is a subject
coming in our lab.
coming in our lab.
184
543528
3745
ที่คุณเห็นอยู่นี้คือตัวอย่างที่มายังห้องทดลอง
09:19
This is a face for us.
185
547619
1928
นี่คือหน้าของเรา
09:21
So we take the real face of a subject,
we reduce the complexity,
we reduce the complexity,
186
549571
3631
เราเอาหน้าจริง ๆ ของตัวอย่างมา
เราลดความซับซ้อนลง
เราลดความซับซ้อนลง
09:25
because not everything is in your face --
187
553226
1970
เพราะว่าไม่ใช่ว่าทุกอย่างจะอยู่ในหน้าของเรา --
09:27
lots of features and defects
and asymmetries come from your life.
and asymmetries come from your life.
188
555220
3786
ลักษณะและร่องรอย และความไม่สมมาตรต่าง ๆ
ที่เกิดขึ้นในชีวิตประจำวัน
ที่เกิดขึ้นในชีวิตประจำวัน
09:31
We symmetrize the face,
and we run our algorithm.
and we run our algorithm.
189
559030
3469
เราสรุปโครงหน้าของเราและเราก็ใช้อัลกอริธึม
09:35
The results that I show you right now,
190
563245
1898
ผลที่ออกมาตรงนี้
09:37
this is the prediction we have
from the blood.
from the blood.
191
565167
3372
เป็นการคาดคะเนที่เราได้จากเลือด
09:41
(Applause)
192
569596
1524
(เสียงปรบมือ)
09:43
Wait a second.
193
571144
1435
รอเดี๋ยวครับ
09:44
In these seconds, your eyes are watching,
left and right, left and right,
left and right, left and right,
194
572603
4692
ตอนนี้ ตาของคุณกำลังมองไปทางซ้ายแล้วก็ขวา
แล้วก็ซ้ายแล้วก็ขวา
แล้วก็ซ้ายแล้วก็ขวา
09:49
and your brain wants
those pictures to be identical.
those pictures to be identical.
195
577319
3930
และสมองของคุณ
ก็ต้องการให้ภาพนั้นเหมือนกัน
ก็ต้องการให้ภาพนั้นเหมือนกัน
09:53
So I ask you to do
another exercise, to be honest.
another exercise, to be honest.
196
581273
2446
ผมก็เลยอยากจะให้คุณลองทำอะไรบางอย่าง
09:55
Please search for the differences,
197
583743
2287
ลองมองหาความแตกต่างสิครับ
09:58
which are many.
198
586054
1361
มันมีอยู่หลายจุดทีเดียว
09:59
The biggest amount of signal
comes from gender,
comes from gender,
199
587439
2603
สัญญาณที่มากที่สุดมาจากเพศ
10:02
then there is age, BMI,
the ethnicity component of a human.
the ethnicity component of a human.
200
590066
5201
จากนั้นก็อายุ บีเอ็มไอ
และองค์ประกอบเชื้อชาติของมนุษย์
และองค์ประกอบเชื้อชาติของมนุษย์
10:07
And scaling up over that signal
is much more complicated.
is much more complicated.
201
595291
3711
และการเพิ่มสัญญาณเพื่อกลบสิ่งเหล่านั้น
เป็นอะไรที่ซับซ้อนกว่ามาก
เป็นอะไรที่ซับซ้อนกว่ามาก
10:11
But what you see here,
even in the differences,
even in the differences,
202
599026
3250
แต่ที่คุณเห็นอยู่ตรงนี้
แม้ว่ามันจะมีความแตกต่าง
แม้ว่ามันจะมีความแตกต่าง
10:14
lets you understand
that we are in the right ballpark,
that we are in the right ballpark,
203
602300
3595
มันทำให้คุณเข้าใจ
ว่าเราได้ภาพคร่าว ๆ ที่ถูกต้อง
ว่าเราได้ภาพคร่าว ๆ ที่ถูกต้อง
10:17
that we are getting closer.
204
605919
1348
ที่จะทำให้เราใกล้ความจริงมากขึ้น
10:19
And it's already giving you some emotions.
205
607291
2349
และมันได้ให้ความรู้สึกบางอย่างกับคุณ
10:21
This is another subject
that comes in place,
that comes in place,
206
609664
2703
นี่คืออีกหนึ่งตัวอย่างที่เข้ามา
10:24
and this is a prediction.
207
612391
1409
และนี่คือการคาดคะเน
10:25
A little smaller face, we didn't get
the complete cranial structure,
the complete cranial structure,
208
613824
4596
หน้านี้เล็กกว่านิดหน่อย
เราไม่ได้เห็นโครงสร้างกระโหลกที่สมบูรณ์
เราไม่ได้เห็นโครงสร้างกระโหลกที่สมบูรณ์
10:30
but still, it's in the ballpark.
209
618444
2651
แต่ถึงกระนั้น มันก็เป็นภาพคร่าว ๆ
10:33
This is a subject that comes in our lab,
210
621634
2224
นี่คือตัวอย่างที่มาจากห้องทดลอง
10:35
and this is the prediction.
211
623882
1443
และนี่คือผลการคาดคะเน
10:38
So these people have never been seen
in the training of the machine.
in the training of the machine.
212
626056
4676
คนเหล่านี้ไม่เคยถูกเห็นมาก่อน
ในการสอนเครื่อง
ในการสอนเครื่อง
10:42
These are the so-called "held-out" set.
213
630756
2837
มันถูกเรียกว่าชุด "เฮล-เอ้า" (held-out)
10:45
But these are people that you will
probably never believe.
probably never believe.
214
633617
3740
แต่ว่ามีคนที่ไม่เชื่อ
10:49
We're publishing everything
in a scientific publication,
in a scientific publication,
215
637381
2676
เราตีพิมพ์ทุกสิ่งทุกอย่าง
ในวารสารทางวิทยาศาสตร์
ในวารสารทางวิทยาศาสตร์
10:52
you can read it.
216
640081
1151
คุณไปดูเอาก็ได้
10:53
But since we are onstage,
Chris challenged me.
Chris challenged me.
217
641256
2344
แต่เมื่อเรามาอยู่บนเวที คริสก็เลยท้าผม
10:55
I probably exposed myself
and tried to predict
and tried to predict
218
643624
3626
บางทีผมจะลองเสนอตัวและพยายามคาดคะเน
10:59
someone that you might recognize.
219
647274
2831
ใครบางคนที่คุณอาจจะรู้จัก
11:02
So, in this vial of blood --
and believe me, you have no idea
and believe me, you have no idea
220
650470
4425
เอาล่ะ นี่เป็นหลอดบรรจุเลือด --
และเชื่อผมเหอะ คุณไม่รู้หรอกว่า
และเชื่อผมเหอะ คุณไม่รู้หรอกว่า
11:06
what we had to do to have
this blood now, here --
this blood now, here --
221
654919
2880
เราต้องทำอย่างไรบ้างถึงจะได้เลือดหลอดนี้มา
แต่เอาล่ะ --
แต่เอาล่ะ --
11:09
in this vial of blood is the amount
of biological information
of biological information
222
657823
3901
ในหลอดบรรจุเลือดนี้มีข้อมูลทางชีวภาพ
11:13
that we need to do a full genome sequence.
223
661748
2277
ที่เราต้องการในการสร้างลำดับจีโนมทั้งหมด
11:16
We just need this amount.
224
664049
2070
เราต้องการเพียงเท่านี้
11:18
We ran this sequence,
and I'm going to do it with you.
and I'm going to do it with you.
225
666528
3205
เราดำเนินการหาลำดับและผมกำลังจะทำให้ดู
11:21
And we start to layer up
all the understanding we have.
all the understanding we have.
226
669757
3979
และเราจะเริ่มวางรากฐานข้อมูลที่เราได้
11:25
In the vial of blood,
we predicted he's a male.
we predicted he's a male.
227
673760
3350
ในหลอดบรรจุเลือดนี้
เราคาดคะเนได้ว่า เขาเป็นผู้ชาย
เราคาดคะเนได้ว่า เขาเป็นผู้ชาย
11:29
And the subject is a male.
228
677134
1364
และตัวอย่างของเราก็เป็นผู้ชาย
11:30
We predict that he's a meter and 76 cm.
229
678996
2438
เราคาดคะเนว่าเขาสูงหนึ่งเมตร
กับ 76 เซนติเมตร
กับ 76 เซนติเมตร
11:33
The subject is a meter and 77 cm.
230
681458
2392
ตัวอย่างของเราสูงหนึ่งเมตร
กับอีก 77 เซนติเมตร
กับอีก 77 เซนติเมตร
11:35
So, we predicted that he's 76;
the subject is 82.
the subject is 82.
231
683874
4110
เราคาดคะเนว่า เขามีน้ำหนัก 76
ตัวอย่างของเรามีน้ำหนัก 82
ตัวอย่างของเรามีน้ำหนัก 82
11:40
We predict his age, 38.
232
688701
2632
เราคาดคะเนว่าเขาอายุ 38 ปี
11:43
The subject is 35.
233
691357
1904
ตัวอย่างของเรามีอายุ 35 ปี
11:45
We predict his eye color.
234
693851
2124
เราคาดคะแนสีตาของเขา
11:48
Too dark.
235
696824
1211
เข้มไปหน่อย
11:50
We predict his skin color.
236
698059
1555
เราคาดคะเนสีผิวของเขา
11:52
We are almost there.
237
700026
1410
เราเกือบจะได้แล้วครับ
11:53
That's his face.
238
701899
1373
และนี่คือหน้าของเขา
11:57
Now, the reveal moment:
239
705172
3269
ทีนี้ วินาทีแห่งความจริงครับ
12:00
the subject is this person.
240
708465
1770
คนคนนี้คือตัวอย่างของเรา
12:02
(Laughter)
241
710259
1935
(เสียงหัวเราะ)
12:04
And I did it intentionally.
242
712218
2058
และผมตั้งใจทำให้มันออกมาเป็นแบบนี้ครับ
12:06
I am a very particular
and peculiar ethnicity.
and peculiar ethnicity.
243
714300
3692
ผมเองมีเชื้อชาติที่จำเพาะ
และค่อนข้างจะแปลก
และค่อนข้างจะแปลก
12:10
Southern European, Italians --
they never fit in models.
they never fit in models.
244
718016
2950
ผมเป็นชาวยุโรปทางตอนใต้ ชาวอิตาเลียน --
มันไม่เข้ากับแบบจำลองครับ
มันไม่เข้ากับแบบจำลองครับ
12:12
And it's particular -- that ethnicity
is a complex corner case for our model.
is a complex corner case for our model.
245
720990
5130
และรูปแบบจำเพาะนั่น -- เชื้อชาติดังกล่าว
เป็นกรณีที่สร้างความซับซ้อนให้กับแบบจำลอง
เป็นกรณีที่สร้างความซับซ้อนให้กับแบบจำลอง
12:18
But there is another point.
246
726144
1509
แต่มันยังมีอีกจุดหนึ่งครับ
12:19
So, one of the things that we use
a lot to recognize people
a lot to recognize people
247
727677
3477
สิ่งหนึ่งที่เราใช้บ่อย ๆ เพื่อไว้จดจำบุคคล
12:23
will never be written in the genome.
248
731178
1722
ไม่ได้ถูกบันทึกไว้ในจีโนมเลย
12:24
It's our free will, it's how I look.
249
732924
2317
มันเป็นเจตจำนงเสรีของเรา
มันเป็นหน้าตาของผม
มันเป็นหน้าตาของผม
12:27
Not my haircut in this case,
but my beard cut.
but my beard cut.
250
735265
3229
ในกรณีนี้ ไม่ใช่ทรงผมของผม
แต่เป็นลักษณะของหนวดเครา
แต่เป็นลักษณะของหนวดเครา
12:30
So I'm going to show you, I'm going to,
in this case, transfer it --
in this case, transfer it --
251
738518
3553
ผมกำลังจะแสดงให้คุณดู
ในกรณีนี้ ผมจะย้ายมัน --
ในกรณีนี้ ผมจะย้ายมัน --
12:34
and this is nothing more
than Photoshop, no modeling --
than Photoshop, no modeling --
252
742095
2765
และมันไม่มีอะไรไปมากกว่า
การทำโฟโตช๊อป ไม่มีทำแบบจำลอง --
การทำโฟโตช๊อป ไม่มีทำแบบจำลอง --
12:36
the beard on the subject.
253
744884
1713
หนวดของตัวอย่าง
12:38
And immediately, we get
much, much better in the feeling.
much, much better in the feeling.
254
746621
3472
และทันใดนั้นเอง
เราได้ความรู้สึกที่ดีกว่ามาก ๆ
เราได้ความรู้สึกที่ดีกว่ามาก ๆ
12:42
So, why do we do this?
255
750955
2709
แล้วทำไมเราถึงทำอย่างนี้น่ะหรือครับ
12:47
We certainly don't do it
for predicting height
for predicting height
256
755938
5140
เราไม่ได้ทำแบบนี้
เพื่อคาดคะเนความสูง
เพื่อคาดคะเนความสูง
12:53
or taking a beautiful picture
out of your blood.
out of your blood.
257
761102
2372
หรือถ่ายภาพสวย ๆ จากเลือด
12:56
We do it because the same technology
and the same approach,
and the same approach,
258
764390
4018
เราทำแบบนี้เพราะว่าเทคโนโลยีเดียวกันนี้
และวิธีการเดียวกันนี้
และวิธีการเดียวกันนี้
13:00
the machine learning of this code,
259
768432
2520
การเรียนรู้เครื่องจากรหัสดังกล่าว
13:02
is helping us to understand how we work,
260
770976
3137
กำลังจะช่วยให้เราเข้าใจว่าเราเป็นเราได้อย่างไร
13:06
how your body works,
261
774137
1486
ร่ายกายของเราทำงานอย่างไร
13:07
how your body ages,
262
775647
1665
ร่างกายของคุณมีอายุเท่าไร
13:09
how disease generates in your body,
263
777336
2769
โรคภัยไข้เจ็บเกิดขึ้นในร่างกายของคุณได้อย่างไร
13:12
how your cancer grows and develops,
264
780129
2972
มะเร็งเติบโตขึ้นและพัฒนาไปได้อย่างไร
13:15
how drugs work
265
783125
1783
ยาทำงานอย่างไร
13:16
and if they work on your body.
266
784932
2314
และพวกมันได้ผลกับร่างกายของคุณหรือไม่
13:19
This is a huge challenge.
267
787713
1667
นี่เป็นความท้าทายที่ยิ่งใหญ่
13:21
This is a challenge that we share
268
789894
1638
นี่เป็นความท้าทายที่พวกเรามีร่วมกัน
13:23
with thousands of other
researchers around the world.
researchers around the world.
269
791556
2579
กับนักวิจัยหลายพันทั่วโลก
13:26
It's called personalized medicine.
270
794159
2222
มันเรียกว่าการแพทย์ส่วนบุคคล
13:29
It's the ability to move
from a statistical approach
from a statistical approach
271
797125
3460
มันเป็นความสามารถ
ที่จะเปลี่ยนจากวิธีทางสถิติ
ที่จะเปลี่ยนจากวิธีทางสถิติ
13:32
where you're a dot in the ocean,
272
800609
2032
ที่คุณเป็นเพียงจุดหนึ่งในมหาสมุทร
13:34
to a personalized approach,
273
802665
1813
ไปเป็นวิธีการทางการแพทย์ส่วนบุคคล
13:36
where we read all these books
274
804502
2185
ที่เราทุกคนอ่านหนังสือทั้งหมดนี้
13:38
and we get an understanding
of exactly how you are.
of exactly how you are.
275
806711
2864
และเราก็มีความเข้าใจ
ว่าเรานั้นจริง ๆ แล้วเป็นอย่างไร
ว่าเรานั้นจริง ๆ แล้วเป็นอย่างไร
13:42
But it is a particularly
complicated challenge,
complicated challenge,
276
810260
3362
แต่มันเป็นความท้าทายที่ซับซ้อนมากจริง ๆ
13:45
because of all these books, as of today,
277
813646
3998
เพราะว่า ณ เวลานี้ หนังสือทั้งหมดเหล่านี้
13:49
we just know probably two percent:
278
817668
2642
เรารู้เพียงแค่สองเปอร์เซ็นต์
13:53
four books of more than 175.
279
821027
3653
หนังสือสี่เล่มจากทั้งหมด 175
13:58
And this is not the topic of my talk,
280
826021
3206
และนี่ไม่ใช่หัวข้อของการบรรยายของผม
14:02
because we will learn more.
281
830145
2598
เพราะว่าเราจะเรียนรู้กันมากกว่านี้
14:05
There are the best minds
in the world on this topic.
in the world on this topic.
282
833378
2669
มีคนฉลาด ๆ มากมายในโลกที่รู้เรื่องนี้
14:09
The prediction will get better,
283
837048
1834
การคาดคะเนจะดีขึ้น
14:10
the model will get more precise.
284
838906
2253
แบบจำลองจะมีความแม่นยำมากขึ้น
14:13
And the more we learn,
285
841183
1858
และยิ่งเราเรียนรู้
14:15
the more we will
be confronted with decisions
be confronted with decisions
286
843065
4830
เราก็ยิ่งจะต้องพบกับตัดสินใจ
14:19
that we never had to face before
287
847919
3021
ที่เราไม่เคยเผชิญหน้ามาก่อน
14:22
about life,
288
850964
1435
เกี่ยวกับชีวิต
14:24
about death,
289
852423
1674
เกี่ยวกับความตาย
14:26
about parenting.
290
854121
1603
เกี่ยวกับการเลี้ยงดู
14:32
So, we are touching the very
inner detail on how life works.
inner detail on how life works.
291
860626
4746
ฉะนั้น เรากำลังเข้าใกล้รายละเอียดภายใน
ว่าชีวิตนั้นเป็นเช่นใด
ว่าชีวิตนั้นเป็นเช่นใด
14:38
And it's a revolution
that cannot be confined
that cannot be confined
292
866118
3158
และมันคือการปฏิวัติที่ไม่สามารถจะจำกัดได้
14:41
in the domain of science or technology.
293
869300
2659
ในเขตแดนของวิทยาศาสตร์และเทคโนโลยี
14:44
This must be a global conversation.
294
872960
2244
มันจะต้องเป็นการสนทนาระดับนานาชาติ
14:47
We must start to think of the future
we're building as a humanity.
we're building as a humanity.
295
875798
5217
เราจะต้องเริ่มคิดถึงอนาคต
ที่เรากำลังสร้างในฐานะมนุษยชาติ
ที่เรากำลังสร้างในฐานะมนุษยชาติ
14:53
We need to interact with creatives,
with artists, with philosophers,
with artists, with philosophers,
296
881039
4064
เราต้องมีปฏิสัมพันธ์กับความสร้างสรรค์
กับศิลปิน กับนักปรัชญา
กับศิลปิน กับนักปรัชญา
14:57
with politicians.
297
885127
1510
กับนักการเมือง
14:58
Everyone is involved,
298
886661
1158
ทุกคนมีส่วนร่วมในเรื่องนี้
14:59
because it's the future of our species.
299
887843
2825
เพราะว่ามันเป็นอนาคตของสายพันธุ์ของเรา
15:03
Without fear, but with the understanding
300
891273
3968
โดยปราศจากความเกรงกลัว แต่ด้วยความเข้าใจ
15:07
that the decisions
that we make in the next year
that we make in the next year
301
895265
3871
ที่ว่าการตัดสินใจของเราในปีหน้า
15:11
will change the course of history forever.
302
899160
3789
จะเปลี่ยนแปลงประวัติศาสตร์ไปตลอดกาล
15:15
Thank you.
303
903732
1160
ขอบคุณครับ
15:16
(Applause)
304
904916
10159
(เสียงปรบมือ)
Translated by Kelwalin Dhanasarnsombut
ABOUT THE SPEAKER
Riccardo Sabatini - Scientist, entrepreneurRiccardo Sabatini applies his expertise in numerical modeling and data to projects ranging from material science to computational genomics and food market predictions.
Why you should listen
Data scientist Riccardo Sabatini harnesses numerical methods for a surprising variety of fields, from material science research to the study of food commodities (as a past director of the EU research project FoodCAST). His most recent research centers on computational genomics and how to crack the code of life.
In addition to his data research, Sabatini is deeply involved in education for entrepreneurs. He is the founder and co-director of the Quantum ESPRESSO Foundation, an advisor in several data-driven startups, and funder of The HUB Trieste, a social impact accelerator.
Riccardo Sabatini | Speaker | TED.com