TED2016
Anthony Goldbloom: The jobs we'll lose to machines -- and the ones we won't
แอนโธนี โกล์ดบลูม (Anthony Goldbloom): งานที่จักรกลจะแย่งเราทำ -- และงานที่เราจะไม่เสียมันไป
Filmed:
Readability: 4.8
2,568,213 views
การเรียนรู้ของจักรกลไม่ใช่เพียงแค่สำหรับงานง่าย ๆ อย่างการประเมินความเสี่ยงเครดิตและการแยกจดหมายอีกต่อไป -- ปัจจุบัน มันสามารถใช้งานได้ซับซ้อนมากมายยิ่งกว่านั้นมาก อย่างเช่น ให้คะแนนบทความและวินิจฉัยโรค คำถามที่น่าอึดอัดใจที่มากับความก้าวหน้าเหล่านี้ก็คือ หุ่นยนต์จะแย่งงานทำของเราในอนาคตหรือไม่
Anthony Goldbloom - Machine learning expert
Anthony Goldbloom crowdsources solutions to difficult problems using machine learning. Full bio
Anthony Goldbloom crowdsources solutions to difficult problems using machine learning. Full bio
Double-click the English transcript below to play the video.
00:12
So this is my niece.
0
968
1262
นี่คือหลานสาวของผมครับ
00:14
Her name is Yahli.
1
2644
1535
เธอมีชื่อว่า ยาห์ลิ
00:16
She is nine months old.
2
4203
1511
เธออายุเก้าเดือน
00:18
Her mum is a doctor,
and her dad is a lawyer.
and her dad is a lawyer.
3
6201
2528
แม่ของเธอเป็นหมอและพ่อเป็นทนาย
00:21
By the time Yahli goes to college,
4
9269
2006
เมื่อยาห์ลิโตจนเข้าวิทยาลัย
00:23
the jobs her parents do
are going to look dramatically different.
are going to look dramatically different.
5
11299
3253
งานที่พ่อแม่เธอทำกำลังจะดูต่างไปมาก
00:27
In 2013, researchers at Oxford University
did a study on the future of work.
did a study on the future of work.
6
15347
5073
ในปี ค.ศ. 2013 นักวิจัยที่มหาวิทยาลัยออกฟอร์ด
ทำการศึกษาเกี่ยวกับการงานในอนาคต
ทำการศึกษาเกี่ยวกับการงานในอนาคต
00:32
They concluded that almost one
in every two jobs have a high risk
in every two jobs have a high risk
7
20766
4139
พวกเขาสรุปว่าอย่างมากที่สุด
หนึ่งในสองงานจะตกอยู่ในความเสี่ยง
หนึ่งในสองงานจะตกอยู่ในความเสี่ยง
00:36
of being automated by machines.
8
24929
1824
ที่จะถูกดำเนินการแบบอัตโนมัติโดยจักรกล
00:40
Machine learning is the technology
9
28388
1905
การเรียนรู้ของจักรกลเป็นเทคโนโลยี
00:42
that's responsible for most
of this disruption.
of this disruption.
10
30317
2278
ที่มีส่วนต่อการเปลี่ยนแปลงส่วนใหญ่เหล่านี้
00:44
It's the most powerful branch
of artificial intelligence.
of artificial intelligence.
11
32619
2790
มันเป็นสาขาหนึ่งที่ทรงพลังที่สุด
ของปัญญาประดิษฐ์
ของปัญญาประดิษฐ์
00:47
It allows machines to learn from data
12
35433
1882
มันทำให้จักรกลเรียนรู้จากข้อมูล
00:49
and mimic some of the things
that humans can do.
that humans can do.
13
37339
2592
และเลียนแบบบางอย่างที่มนุษย์ทำได้
00:51
My company, Kaggle, operates
on the cutting edge of machine learning.
on the cutting edge of machine learning.
14
39955
3415
บริษัทของผม แคกเกิล ดำเนินการเกี่ยวกับ
การเรียนรู้ของจักรกลล้ำสมัย
การเรียนรู้ของจักรกลล้ำสมัย
00:55
We bring together
hundreds of thousands of experts
hundreds of thousands of experts
15
43394
2386
เรานำผู้เชี่ยวชาญหลายแสนคนมารวมกัน
00:57
to solve important problems
for industry and academia.
for industry and academia.
16
45804
3118
เพื่อแก้ปัญหาสำคัญ
ในวงการอุตสาหกรรมและวิชาการ
ในวงการอุตสาหกรรมและวิชาการ
01:01
This gives us a unique perspective
on what machines can do,
on what machines can do,
17
49279
3222
มันให้มีมุมมองที่มีความโดดเด่นกับเรา
ว่าจักรกลสามารถทำอะไรได้
ว่าจักรกลสามารถทำอะไรได้
01:04
what they can't do
18
52525
1235
เราทำอะไรไม่ได้
01:05
and what jobs they might
automate or threaten.
automate or threaten.
19
53784
2939
และงานใดที่มันอาจดำเนินการ
หรือทำให้รวนได้
หรือทำให้รวนได้
01:09
Machine learning started making its way
into industry in the early '90s.
into industry in the early '90s.
20
57316
3550
การเรียนรู้ของจักรกลเริ่มเติบโต
ในวงการอุตสาหกรรมในช่วงต้นยุค 90
ในวงการอุตสาหกรรมในช่วงต้นยุค 90
01:12
It started with relatively simple tasks.
21
60890
2124
มันเริ่มด้วยงานที่ค่อนข้างจะง่าย
01:15
It started with things like assessing
credit risk from loan applications,
credit risk from loan applications,
22
63406
4115
มันเริ่มต้นด้วยงานอย่างเช่น การประเมิน
ความเสี่ยงเครดิตจากแบบคำขอเงินกู้
ความเสี่ยงเครดิตจากแบบคำขอเงินกู้
01:19
sorting the mail by reading
handwritten characters from zip codes.
handwritten characters from zip codes.
23
67545
4053
การแยกจดหมายโดยตัวอักษรอ่านลายมือ
จากรหัสไปรษณีย์
จากรหัสไปรษณีย์
01:24
Over the past few years, we have made
dramatic breakthroughs.
dramatic breakthroughs.
24
72036
3169
ตลอดหลายปีที่ผ่านมา
เราได้ทำการค้นพบและพัฒนาไปมาก
เราได้ทำการค้นพบและพัฒนาไปมาก
01:27
Machine learning is now capable
of far, far more complex tasks.
of far, far more complex tasks.
25
75586
3916
การเรียนรู้ของจักรกลตอนนี้สามารถ
ทำงานที่ซับซ้อนได้มากมายกว่านั้น
ทำงานที่ซับซ้อนได้มากมายกว่านั้น
01:31
In 2012, Kaggle challenged its community
26
79860
3231
ในปี ค.ศ. 2012 แคกเกิล
ท้าให้กลุ่มสังคมของมัน
ท้าให้กลุ่มสังคมของมัน
01:35
to build an algorithm
that could grade high-school essays.
that could grade high-school essays.
27
83115
3189
สร้างอัลกอริธึมที่จะให้คะแนน
บทความของเด็กมัธยม
บทความของเด็กมัธยม
01:38
The winning algorithms
were able to match the grades
were able to match the grades
28
86328
2604
ผู้ชนะในการเขียนอัลกอริธึม
สามารถที่จะให้คะแนน
สามารถที่จะให้คะแนน
01:40
given by human teachers.
29
88956
1665
ได้เหมือนกับที่ครูที่เป็นคนจริง ๆ ทำ
01:43
Last year, we issued
an even more difficult challenge.
an even more difficult challenge.
30
91092
2984
ปีหนึ่งต่อมา เราท้าทายในสิ่งที่ยากขึ้นไปอีก
01:46
Can you take images of the eye
and diagnose an eye disease
and diagnose an eye disease
31
94100
2953
คุณสามารถดูภาพดวงตาแล้ววินิจฉัยโรคตา
01:49
called diabetic retinopathy?
32
97077
1694
ที่เรียกว่า โรคจอตาเหตุเบาหวาน
ได้หรือไม่
ได้หรือไม่
01:51
Again, the winning algorithms
were able to match the diagnoses
were able to match the diagnoses
33
99164
4040
อีกครั้งที่ผู้ชนะในการเขียนอัลกอริธึม
สามารถวินิจฉัยโรค
สามารถวินิจฉัยโรค
01:55
given by human ophthalmologists.
34
103228
1825
ได้เหมือนกับที่จักษุแพทย์ทำ
01:57
Now, given the right data,
machines are going to outperform humans
machines are going to outperform humans
35
105561
3212
ตอนนี้ เมื่อให้ข้อมูลที่เหมาะสม
จักรกลกำลังจะทำงานได้ดีกว่ามนุษย์
จักรกลกำลังจะทำงานได้ดีกว่ามนุษย์
02:00
at tasks like this.
36
108797
1165
สำหรับงานในลักษณะนี้
02:01
A teacher might read 10,000 essays
over a 40-year career.
over a 40-year career.
37
109986
3992
ครูอาจอ่านบทความ 10,000 เรื่อง
มาตลอดการทำงาน 40 ปี
มาตลอดการทำงาน 40 ปี
02:06
An ophthalmologist might see 50,000 eyes.
38
114407
2360
จักษุแพทย์อาจดูตามาแล้ว 50,000 ดวง
02:08
A machine can read millions of essays
or see millions of eyes
or see millions of eyes
39
116791
3913
จักรกลสามารถอ่านบทความหลายล้านเรื่อง
หรือมองดูดวงตาหลายล้านดวง
หรือมองดูดวงตาหลายล้านดวง
02:12
within minutes.
40
120728
1276
ได้ภายในไม่กี่นาที
02:14
We have no chance of competing
against machines
against machines
41
122456
2858
เราไม่มีโอกาสที่จะเอาชนะจักรกลได้เลย
02:17
on frequent, high-volume tasks.
42
125338
2321
ในงานที่มีการทำซ้ำ ๆ และมีปริมาณมาก
02:20
But there are things we can do
that machines can't do.
that machines can't do.
43
128665
3724
แต่มีสิ่งที่เราสามารถทำได้
ที่จักรกลทำไม่ได้
ที่จักรกลทำไม่ได้
02:24
Where machines have made
very little progress
very little progress
44
132791
2200
จุดที่จักรกลพัฒนาไปได้น้อยมาก
02:27
is in tackling novel situations.
45
135015
1854
คือการหาทางแก้ปัญหาในสถานการณ์ใหม่ ๆ
02:28
They can't handle things
they haven't seen many times before.
they haven't seen many times before.
46
136893
3899
พวกมันไม่อาจรับมือ
สิ่งที่พวกมันไม่เคยเห็นซ้ำ ๆ มาก่อน
สิ่งที่พวกมันไม่เคยเห็นซ้ำ ๆ มาก่อน
02:33
The fundamental limitations
of machine learning
of machine learning
47
141321
2584
ข้อจำกัดพื้นฐานของการเรียนรู้ของจักรกล
02:35
is that it needs to learn
from large volumes of past data.
from large volumes of past data.
48
143929
3394
ก็คือมันจำเป็นต้องเรียน
จากข้อมูลในอดีตปริมาณมาก ๆ
จากข้อมูลในอดีตปริมาณมาก ๆ
02:39
Now, humans don't.
49
147347
1754
ทีนี้ มนุษย์ไม่จำเป็นต้องทำอย่างนั้น
02:41
We have the ability to connect
seemingly disparate threads
seemingly disparate threads
50
149125
3030
เรามีความสามารถที่จะเชื่อมต่อ
เศษเสี้ยวที่อาจดูเหมือนไม่เกี่ยวข้องกัน
เศษเสี้ยวที่อาจดูเหมือนไม่เกี่ยวข้องกัน
02:44
to solve problems we've never seen before.
51
152179
2238
เพื่อแก้ปัญหาที่เรายังไม่เคยเห็นมาก่อน
02:46
Percy Spencer was a physicist
working on radar during World War II,
working on radar during World War II,
52
154808
4411
เพอร์ซี สเปนเซอร์ เป็นนักฟิสิกส์ ที่ทำงาน
เกี่ยวกับเรดาร์ในช่วงสงครามโลกครั้งที่สอง
เกี่ยวกับเรดาร์ในช่วงสงครามโลกครั้งที่สอง
02:51
when he noticed the magnetron
was melting his chocolate bar.
was melting his chocolate bar.
53
159243
3013
เมื่อเขาสังเกตว่าแมกนีตรอน
ทำให้แท่งช็อกโกแลตของเขาละลาย
ทำให้แท่งช็อกโกแลตของเขาละลาย
02:54
He was able to connect his understanding
of electromagnetic radiation
of electromagnetic radiation
54
162970
3295
เขาสามารถที่จะเชื่อมต่อความเข้าใจของเขา
ในเรื่องการแผ่รังสีแม่เหล็กไฟฟ้า
ในเรื่องการแผ่รังสีแม่เหล็กไฟฟ้า
02:58
with his knowledge of cooking
55
166289
1484
กับความรู้ในเรื่องการทำอาหารได้
02:59
in order to invent -- any guesses? --
the microwave oven.
the microwave oven.
56
167797
3258
เพื่อที่จะประดิษฐ์ --
เป็นอะไรทราบไหมครับ -- เตาไมโครเวฟ
เป็นอะไรทราบไหมครับ -- เตาไมโครเวฟ
03:03
Now, this is a particularly remarkable
example of creativity.
example of creativity.
57
171444
3073
ครับ ที่เป็นตัวอย่างที่สุดยอดมาก
สำหรับความคิดสร้างสรรค์
สำหรับความคิดสร้างสรรค์
03:06
But this sort of cross-pollination
happens for each of us in small ways
happens for each of us in small ways
58
174541
3664
แต่การถ่ายเทข้อมูลในลักษณะนี้
เกิดขึ้นกับพวกเราในแบบเล็ก ๆ น้อย ๆ
เกิดขึ้นกับพวกเราในแบบเล็ก ๆ น้อย ๆ
03:10
thousands of times per day.
59
178229
1828
หลายพันครั้งต่อวัน
03:12
Machines cannot compete with us
60
180501
1661
จักรกลไม่สามารถเอาชนะเราได้
03:14
when it comes to tackling
novel situations,
novel situations,
61
182186
2251
เมื่อมันเป็นเรื่องของการแก้ปัญหา
ต่อสถานการณ์ใหม่
ต่อสถานการณ์ใหม่
03:16
and this puts a fundamental limit
on the human tasks
on the human tasks
62
184461
3117
และนี่เป็นการกำหนดข้อจำกัดพื้นฐาน
ให้กับงานของมนุษย์
ให้กับงานของมนุษย์
03:19
that machines will automate.
63
187602
1717
ว่าจักรกลจะดำเนินการอย่างอัตโนมัติ
03:22
So what does this mean
for the future of work?
for the future of work?
64
190041
2405
ฉะนั้น มันมีความหมายอย่างไร
ต่องานของเราในอนาคตน่ะหรือ
ต่องานของเราในอนาคตน่ะหรือ
03:24
The future state of any single job lies
in the answer to a single question:
in the answer to a single question:
65
192804
4532
สถานะของงานใด ๆ ก็ตามในอนาคต
อยู่ในคำตอบต่อคำถามเพียงข้อเดียว
อยู่ในคำตอบต่อคำถามเพียงข้อเดียว
03:29
To what extent is that job reducible
to frequent, high-volume tasks,
to frequent, high-volume tasks,
66
197360
4981
ซึ่งก็คือ งานดังกล่าวถูกลดทอนให้เป็นงาน
ที่ถูกทำซ้ำ ๆ และมีปริมาณมากได้แค่ไหน
ที่ถูกทำซ้ำ ๆ และมีปริมาณมากได้แค่ไหน
03:34
and to what extent does it involve
tackling novel situations?
tackling novel situations?
67
202365
3253
และมันเกี่ยวข้องกับการหาทางแก้ปัญหา
ในสถานการณ์ใหม่แค่ไหน
ในสถานการณ์ใหม่แค่ไหน
03:37
On frequent, high-volume tasks,
machines are getting smarter and smarter.
machines are getting smarter and smarter.
68
205975
4035
สำหรับงานที่มีการทำซ้ำ ๆ และมีปริมาณมาก
จักรกลกำลังทำได้ดีขึ้นและดีขึ้นเรื่อย ๆ
จักรกลกำลังทำได้ดีขึ้นและดีขึ้นเรื่อย ๆ
03:42
Today they grade essays.
They diagnose certain diseases.
They diagnose certain diseases.
69
210034
2714
ปัจจุบัน พวกมันให้คะแนนบทความ
พวกมันวินิจฉัยโรค
พวกมันวินิจฉัยโรค
03:44
Over coming years,
they're going to conduct our audits,
they're going to conduct our audits,
70
212772
3157
ในอีกหลายปีที่จะมาถึงนี้
พวกมันจะทำการประเมินพวกเรา
พวกมันจะทำการประเมินพวกเรา
03:47
and they're going to read boilerplate
from legal contracts.
from legal contracts.
71
215953
2967
พวกมันจะอ่านเอกสารต้นฉบับ
จากสัญญาทางกฎหมาย
จากสัญญาทางกฎหมาย
03:50
Accountants and lawyers are still needed.
72
218944
1997
นักบัญชีและทนายยังเป็นที่ต้องการ
03:52
They're going to be needed
for complex tax structuring,
for complex tax structuring,
73
220965
2682
พวกเขากำลังจะเป็นที่ต้องการ
สำหรับการวางโครงสร้างภาษีที่ซับซ้อน
สำหรับการวางโครงสร้างภาษีที่ซับซ้อน
03:55
for pathbreaking litigation.
74
223671
1357
สำหรับการฟ้องร้องที่ไม่เคยมีมาก่อน
03:57
But machines will shrink their ranks
75
225052
1717
แต่จักรกลจะลดอันดับของพวกเขาลงมา
03:58
and make these jobs harder to come by.
76
226793
1872
และทำให้งานเหล่านี้ทำได้ยากขึ้น
04:00
Now, as mentioned,
77
228689
1151
ทีนี้ อย่างที่ผมได้กล่าวไปแล้ว
04:01
machines are not making progress
on novel situations.
on novel situations.
78
229864
2949
จักรกลไม่ได้พัมนาไปมาก
ในเรื่องการแก้สถานการณ์ใหม่ ๆ
ในเรื่องการแก้สถานการณ์ใหม่ ๆ
04:04
The copy behind a marketing campaign
needs to grab consumers' attention.
needs to grab consumers' attention.
79
232837
3457
ร่างต้นฉบับเบื้องหลังการรณรงค์ทางการตลาด
ต้องจับความสนใจของผู้บริโภค
ต้องจับความสนใจของผู้บริโภค
04:08
It has to stand out from the crowd.
80
236318
1715
มันต้องเริ่มจากกลุ่มคน
04:10
Business strategy means
finding gaps in the market,
finding gaps in the market,
81
238057
2444
แผนกลยุทธทางธุรกิจ
หมายถึงการหาพื้นที่ในตลาด
หมายถึงการหาพื้นที่ในตลาด
04:12
things that nobody else is doing.
82
240525
1756
สิ่งที่ยังไม่มีใครกำลังทำอยู่
04:14
It will be humans that are creating
the copy behind our marketing campaigns,
the copy behind our marketing campaigns,
83
242305
4118
มันจะต้องเป็นมนุษย์ที่สร้างสรรค์ร่างต้นฉบับ
เบื้องหลังการรณรงค์ทางการตลาด
เบื้องหลังการรณรงค์ทางการตลาด
04:18
and it will be humans that are developing
our business strategy.
our business strategy.
84
246447
3517
และมันจะต้องเป็นมนุษย์ที่พัฒนา
แผนกลยุทธทางธุรกิจของเรา
แผนกลยุทธทางธุรกิจของเรา
04:21
So Yahli, whatever you decide to do,
85
249988
2817
ฉะนั้น ยาห์ลิ ไม่ว่าเธอตัดสินใจจะทำอะไร
04:24
let every day bring you a new challenge.
86
252829
2361
ให้ทุกวันได้นำความท้าทายมาให้กับเธอนะ
04:27
If it does, then you will stay
ahead of the machines.
ahead of the machines.
87
255587
2809
ถ้ามันเป็นเช่นนั้นแล้ว เธอก็จะสามารถ
อยู่เหนือกว่าจักรกลได้
อยู่เหนือกว่าจักรกลได้
04:31
Thank you.
88
259126
1176
ขอบคุณครับ
04:32
(Applause)
89
260326
3104
(เสียบปรบมือ)
Translated by Kelwalin Dhanasarnsombut
ABOUT THE SPEAKER
Anthony Goldbloom - Machine learning expertAnthony Goldbloom crowdsources solutions to difficult problems using machine learning.
Why you should listen
Anthony Goldbloom is the co-founder and CEO of Kaggle. Kaggle hosts machine learning competitions, where data scientists download data and upload solutions to difficult problems. Kaggle has a community of over 600,000 data scientists and has worked with companies ranging Facebook to GE on problems ranging from predicting friendships to flight arrival times.
Before Kaggle, Anthony worked as an econometrician at the Reserve Bank of Australia, and before that the Australian Treasury. In 2011 and 2012, Forbes named Anthony one of the 30 under 30 in technology; in 2013 the MIT Tech Review named him one of top 35 innovators under the age of 35, and the University of Melbourne awarded him an Alumni of Distinction Award. He holds a first call honors degree in Econometrics from the University of Melbourne.
Anthony Goldbloom | Speaker | TED.com