TED2014
Ray Kurzweil: Get ready for hybrid thinking
Ray Kurzweil: Hibrit düşünmeye hazır olun
Filmed:
Readability: 4.4
3,548,296 views
İki milyon yıl önce, memeli atalarımız yeni bir beyin fonksiyonu geliştirdiler: Neokorteks. Bu pul büyüklüğündeki doku parçası (bir ceviz büyüklüğündeki beynin etrafında sarılı) insanlığın geldiği yerin kilit noktasıdır. Şimdiyse, fütürist Ray Kurzweil, buluttaki işlem gücünden istifade ettikçe, beyin gücünde bir sonraki büyük sıçrayış için hazır olmamız gerektiğini öne sürüyor.
Ray Kurzweil - Inventor, futurist
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Double-click the English transcript below to play the video.
00:12
Let me tell you a story.
0
988
2316
Size bir hikâye anlatmama izin verin.
00:15
It goes back 200 million years.
1
3304
1799
200 milyon yıl öncesine gidiyor.
00:17
It's a story of the neocortex,
2
5103
1984
Neokorteksin hikâyesi,
00:19
which means "new rind."
3
7087
1974
"yeni yüzey" anlamına geliyor.
00:21
So in these early mammals,
4
9061
2431
İlk memelilerde,
00:23
because only mammals have a neocortex,
5
11492
2055
-- sadece memelilerin neokorteksleri vardır--
00:25
rodent-like creatures.
6
13547
1664
yani kemirgene benzer canlılarda,
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
bir posta pulu büyüklüğünde ve inceliğindeydi.
Ceviz büyüklüğündeki beyinlerinin etrafında
00:30
and was a thin covering around
8
18790
1439
00:32
their walnut-sized brain,
9
20229
2264
ince bir tabakaydı,
00:34
but it was capable of a new type of thinking.
10
22493
3701
ama yeni bir düşünme şekli gerçekleştirebiliyordu.
00:38
Rather than the fixed behaviors
11
26194
1567
Memeli olmayan diğer hayvanların
00:39
that non-mammalian animals have,
12
27761
1992
sahip olduğu sabit davranışlar yerine,
00:41
it could invent new behaviors.
13
29753
2692
yeni davranışlar icat edebiliyordu.
00:44
So a mouse is escaping a predator,
14
32445
2553
İşte bir fare yırtıcı bir hayvandan kaçıyor,
00:46
its path is blocked,
15
34998
1540
yolu kapalı,
00:48
it'll try to invent a new solution.
16
36538
2129
yeni bir çözüm bulmaya çalışacak.
00:50
That may work, it may not,
17
38667
1266
İşe yarayabilir, yaramayabilir,
00:51
but if it does, it will remember that
18
39933
1910
ancak işe yararsa, bunu hatırlayıp
00:53
and have a new behavior,
19
41843
1292
yeni bir davranışa sahip olacak
00:55
and that can actually spread virally
20
43135
1457
ve bu davranış, topluluk içinde
00:56
through the rest of the community.
21
44592
2195
hızla yayılabilecek.
00:58
Another mouse watching this could say,
22
46787
1609
Bunu seyreden diğer bir fare şöyle diyebilir:
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
"Hey, bu kayanın etrafından dolanmak çok akıllıcaydı."
01:03
and it could adopt a new behavior as well.
24
51100
3725
Böylece o da bu yeni davranışı benimseyebilir.
01:06
Non-mammalian animals
25
54825
1717
Memeli olmayan havyanlar bunların
01:08
couldn't do any of those things.
26
56542
1713
hiçbirini yapamaz.
01:10
They had fixed behaviors.
27
58255
1215
Sabit davranışları vardır.
01:11
Now they could learn a new behavior
28
59470
1331
Yeni bir davranışı öğrenebilirler,
01:12
but not in the course of one lifetime.
29
60801
2576
ancak tek bir ömürde değil.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
Belki de bin yaşam süresi boyunca,
01:17
it could evolve a new fixed behavior.
31
65144
3330
yeni bir sabit davranış şekli geliştirebilirler.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
Bu, 200 milyon yıl önce tamamen kabul edilebilirdi.
01:23
The environment changed very slowly.
33
71851
1981
Çevre çok yavaş değişiyordu.
01:25
It could take 10,000 years for there to be
34
73832
1554
Önemli bir çevresel değişim olması için
01:27
a significant environmental change,
35
75386
2092
10.000 sene geçmesi gerekebilirdi,
01:29
and during that period of time
36
77478
1382
bu süre boyunca
01:30
it would evolve a new behavior.
37
78860
2929
yeni bir davranış şekli gelişebilirdi.
01:33
Now that went along fine,
38
81789
1521
Bu böyle devam etti,
01:35
but then something happened.
39
83310
1704
ancak sonra bir şeyler oldu.
01:37
Sixty-five million years ago,
40
85014
2246
65 milyon yıl önce,
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
çevrede ani ve şiddetli bir değişim oldu.
01:41
We call it the Cretaceous extinction event.
42
89875
3505
Buna Kretase Kitlesel Yokoluşu diyoruz.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
Dinazorların neslinin tükendiği zaman bu,
01:47
that's when 75 percent of the
44
95673
3449
hayvan ve bitki türlerinin yüzde 75'inin
01:51
animal and plant species went extinct,
45
99122
2746
neslinin tükendiği zaman bu
ve memelilerin ekolojik konumlarını ele geçirdikleri
01:53
and that's when mammals
46
101868
1745
01:55
overtook their ecological niche,
47
103613
2152
zaman bu.
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
Biyolojik evrim konuşabilse şöyle derdi:
"Hımm, bu neokorteks oldukça iyi bir şey."
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
02:03
and it began to grow it.
50
111444
1793
Böylece onu geliştirmeye başladı.
02:05
And mammals got bigger,
51
113237
1342
Memeliler daha büyüdüler,
02:06
their brains got bigger at an even faster pace,
52
114579
2915
beyinleriyse daha da hızlı şekilde büyüdü
02:09
and the neocortex got bigger even faster than that
53
117494
3807
ve neokorteks daha da hızlı şekilde büyüdü.
02:13
and developed these distinctive ridges and folds
54
121301
2929
Esasen kapladığı alanı büyütmek için de bu kendine özgü
02:16
basically to increase its surface area.
55
124230
2881
çıkıntı ve girintileri geliştirdi.
02:19
If you took the human neocortex
56
127111
1819
Eğer bir insan neokorteksini alıp gererseniz,
02:20
and stretched it out,
57
128930
1301
büyüklüğü yaklaşık olarak
02:22
it's about the size of a table napkin,
58
130231
1713
bir peçete kadardır
02:23
and it's still a thin structure.
59
131944
1306
ve hâlâ ince bir yapısı vardır.
02:25
It's about the thickness of a table napkin.
60
133250
1980
Yaklaşık olarak bir peçete inceliğindedir.
02:27
But it has so many convolutions and ridges
61
135230
2497
Ancak bir sürü kıvrımı ve çıkıntısı vardır,
02:29
it's now 80 percent of our brain,
62
137727
3075
artık beynimizin yüzde 80'i kadardır
02:32
and that's where we do our thinking,
63
140802
2461
Burası düşünme eylemini gerçekleştirdiğimiz yerdir
02:35
and it's the great sublimator.
64
143263
1761
ve büyük bir değişim yaratır.
02:37
We still have that old brain
65
145024
1114
Temel içgüdülerimizi ve dürtülerimizi sağlayan
02:38
that provides our basic drives and motivations,
66
146138
2764
eski beynimize hâlâ sahibiz.
02:40
but I may have a drive for conquest,
67
148902
2716
Ancak bir şeyleri keşfetmek için isteğim olabilir
02:43
and that'll be sublimated by the neocortex
68
151618
2715
ve bu neokorteks tarafından, şiir yazmaya,
02:46
into writing a poem or inventing an app
69
154333
2909
uygulama geliştirmeye ya da
bir TED konuşması yapmaya dönüştürülecektir.
02:49
or giving a TED Talk,
70
157242
1509
02:50
and it's really the neocortex that's where
71
158751
3622
Bu eylemin gerçekleştiği yer
02:54
the action is.
72
162373
1968
tam olarak neokortekstir.
02:56
Fifty years ago, I wrote a paper
73
164341
1717
Elli yıl önce, beynin nasıl çalıştığını düşündüğümü
02:58
describing how I thought the brain worked,
74
166058
1918
açıklayan bir makale yazdım.
02:59
and I described it as a series of modules.
75
167976
3199
Bir dizi modül olarak tanımladım.
03:03
Each module could do things with a pattern.
76
171175
2128
Her bir modül bir kalıpla bir şeyler yapabiliyordu.
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
Bir kalıbı öğrenebiliyordu. Bir kalıbı hatırlayabiliyordu.
03:08
It could implement a pattern.
78
176049
1407
Bir kalıbı uygulayabiliyordu.
03:09
And these modules were organized in hierarchies,
79
177456
2679
Bu modüller hiyerarşik olarak düzenlenmişti.
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
Hiyerarşiyi kendi düşüncemizle yaratmıştık.
03:15
And there was actually very little to go on
81
183089
3333
50 sene önce,
devam etmek için çok az şey vardı.
03:18
50 years ago.
82
186422
1562
03:19
It led me to meet President Johnson.
83
187984
2115
Bu, benim Başkan Johnson'la tanışmama sebep oldu.
03:22
I've been thinking about this for 50 years,
84
190099
2173
Bu konuda 50 yıldır düşünmekteyim ve
03:24
and a year and a half ago I came out with the book
85
192272
2828
bir buçuk yıl önce "Bir Zihin Nasıl Yaratılır"
adlı kitabı çıkardım.
03:27
"How To Create A Mind,"
86
195100
1265
03:28
which has the same thesis,
87
196365
1613
Kitap aynı tezlere sahip,
03:29
but now there's a plethora of evidence.
88
197978
2812
ancak artık kanıt bolluğu var.
03:32
The amount of data we're getting about the brain
89
200790
1814
Beyin hakkında edindiğimiz verilerin miktarı
03:34
from neuroscience is doubling every year.
90
202604
2203
sinir bilimi sayesinde her sene iki kat artıyor.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
Her tür beyin taramanın boyutsal çözünürlüğü
03:39
is doubling every year.
92
207461
2285
her sene iki kat artıyor.
03:41
We can now see inside a living brain
93
209746
1717
Artık yaşayan bir beynin içini görebiliyoruz.
03:43
and see individual interneural connections
94
211463
2870
Tekil nöronlar arası bağlantıların oluşumunu
03:46
connecting in real time, firing in real time.
95
214333
2703
gerçekleştiği sırada, ateşlendiği anda görebiliyoruz.
03:49
We can see your brain create your thoughts.
96
217036
2419
Beyninizin, düşüncelerinizi yaratışını görebiliyoruz.
03:51
We can see your thoughts create your brain,
97
219455
1575
Düşüncelerinizin, beyninizi yaratışını görebiliyoruz,
03:53
which is really key to how it works.
98
221030
1999
ki bu gerçekten nasıl çalıştığına dair kilit noktadır.
03:55
So let me describe briefly how it works.
99
223029
2219
Kısaca nasıl çalıştığını anlatmama izin verin.
03:57
I've actually counted these modules.
100
225248
2275
Sözünü ettiğim bu modülleri saydım.
03:59
We have about 300 million of them,
101
227523
2046
300 milyon kadarına sahibiz
04:01
and we create them in these hierarchies.
102
229569
2229
ve bunları şöyle hiyerarşiler içinde yaratıyoruz.
04:03
I'll give you a simple example.
103
231798
2082
Size basit bir örnek vereceğim.
04:05
I've got a bunch of modules
104
233880
2805
Büyük A harfindeki yatay çizgiyi tanıyacak
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
bir sürü modülüm var
04:12
and that's all they care about.
106
240088
1914
ve ilgilendikleri tek şey bu.
04:14
A beautiful song can play,
107
242002
1578
Güzel bir şarkı çalabilir,
04:15
a pretty girl could walk by,
108
243580
1434
hoş bir kız geçebilir,
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
umursamazlar, ama büyük A harfindeki yatay çizgiyi görürler.
04:19
they get very excited and they say "crossbar,"
110
247860
3021
Çok heyecanlanırlar ve "yatay çizgi" derler
04:22
and they put out a high probability
111
250881
2112
ve çıktı aksonlarına yüksek olasılık verirler.
04:24
on their output axon.
112
252993
1634
O da bir sonraki seviyeye gider
04:26
That goes to the next level,
113
254627
1333
04:27
and these layers are organized in conceptual levels.
114
255960
2750
ve bu kademeler kavramsal seviyede organize olmuştur.
04:30
Each is more abstract than the next one,
115
258710
1856
Her biri bir sonrakinden daha soyuttur,
04:32
so the next one might say "capital A."
116
260566
2418
yani bir sonraki "büyük A harfi" diyebilir.
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
Bu da "Apple" (Elma) diyebilecek daha yüksek bir seviyeye gider.
04:37
Information flows down also.
118
265875
2167
Bilgi de aşağıya doğru akar.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
Eğer apple (elma) sözcüğünü tanıyan kişi A-P-P-L görürse,
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
kendi kendine şöyle düşünür, "Hımm, sanırım bir E olasılığı var,"
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
ve tüm E tanıyıcılarına doğru bir sinyal göndererek
04:48
saying, "Be on the lookout for an E,
122
276761
1619
şöyle der: "E gelir mi diye bakadurun,
04:50
I think one might be coming."
123
278380
1556
bir tane gelebileceğini düşünüyorum."
04:51
The E recognizers will lower their threshold
124
279936
2843
E tanıyıcıları eşiklerini düşürüp,
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
yarım yamalak bir şeyler görürler, bir E olabilir.
04:56
Ordinarily you wouldn't think so,
126
284724
1490
Normalde böyle düşünmezsiniz, ama
04:58
but we're expecting an E, it's good enough,
127
286214
2009
bir E bekliyoruz, bu yeterince iyi
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
evet, bir E gördüm, o zaman apple (elma). Der ki:
05:02
"Yeah, I've seen an Apple."
129
290040
1728
"Evet, bir Apple (elma) gördüm."
05:03
Go up another five levels,
130
291768
1746
Beş seviye daha yukarı çıkın
05:05
and you're now at a pretty high level
131
293514
1353
ve artık bu hiyerarşinin oldukça tepesinde
05:06
of this hierarchy,
132
294867
1569
05:08
and stretch down into the different senses,
133
296436
2353
ve farklı duyulara yayılan bir yerdesiniz.
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
Belli bir kumaşı gören, belli bir ses kalitesini duyan,
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
belli bir parfümü koklayan bir modülünüz olabilir
05:16
and will say, "My wife has entered the room."
136
304288
2513
ve şöyle söyler: "Karım odaya girdi."
05:18
Go up another 10 levels, and now you're at
137
306801
1895
10 seviye daha yukarı gidin, artık çok
05:20
a very high level.
138
308696
1160
yukarı bir seviyedesiniz.
05:21
You're probably in the frontal cortex,
139
309856
1937
Muhtemelen ön kortekste bulunuyorsunuz
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
ve şöyle söyleyen modülleriniz var: "Bu ironikti.
05:27
That's funny. She's pretty."
141
315560
2370
Bu komik. O kız çok hoş."
05:29
You might think that those are more sophisticated,
142
317930
2105
Bunların daha sofistike olduğunu düşünebilirsiniz,
05:32
but actually what's more complicated
143
320035
1506
ama asıl karmaşık olan şey
05:33
is the hierarchy beneath them.
144
321541
2669
onların altındaki hiyerarşi.
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
16 yaşında bir kız vardı, beyin ameliyatı geçirmişti
05:38
and she was conscious because the surgeons
146
326830
2051
ve bilinci yerindeydi, çünkü cerrahlar
05:40
wanted to talk to her.
147
328881
1537
onunla konuşmak istemişti.
05:42
You can do that because there's no pain receptors
148
330418
1822
Bunu yapabilirsiniz, çünkü beyinde
05:44
in the brain.
149
332240
1038
acı reseptörleri yoktur.
05:45
And whenever they stimulated particular,
150
333278
1800
Ve ne zaman, burada kırmızıyla işaretli olan
05:47
very small points on her neocortex,
151
335078
2463
neokorteksindeki belli, çok küçük noktaları uyarsalar,
05:49
shown here in red, she would laugh.
152
337541
2665
kız gülmeye başlıyordu.
05:52
So at first they thought they were triggering
153
340206
1440
İlk başta bir çeşit gülme refleksini
05:53
some kind of laugh reflex,
154
341646
1720
tetiklediklerini düşündüler.
05:55
but no, they quickly realized they had found
155
343366
2519
Fakat hayır, kısa sürede neokorteksinde mizah saptayan
05:57
the points in her neocortex that detect humor,
156
345885
3044
noktaları bulduklarını fark ettiler.
06:00
and she just found everything hilarious
157
348929
1969
Bu noktaları ne zaman uyarsalar,
06:02
whenever they stimulated these points.
158
350898
2437
kız her şeyi eğlendirici buluyordu.
06:05
"You guys are so funny just standing around,"
159
353335
1925
"Orada öylece dikilirken çok komiksiniz,"
06:07
was the typical comment,
160
355260
1738
yorumu tipikti ve
06:08
and they weren't funny,
161
356998
2302
komik değillerdi,
06:11
not while doing surgery.
162
359300
3247
yani ameliyat yaparken değil.
06:14
So how are we doing today?
163
362547
4830
Peki bugün ne durumdayız?
06:19
Well, computers are actually beginning to master
164
367377
3054
Bilgisayarlar neokortekse benzer tekniklerle
06:22
human language with techniques
165
370431
2001
insan diline gerçekten de
06:24
that are similar to the neocortex.
166
372432
2867
hâkim olmaya başladılar.
Aslında algoritmayı tanımladım.
06:27
I actually described the algorithm,
167
375299
1514
06:28
which is similar to something called
168
376813
2054
"Hiyerarşik saklı Markov modeli"
06:30
a hierarchical hidden Markov model,
169
378867
2233
denen şeye benziyor;
06:33
something I've worked on since the '90s.
170
381100
3241
90'lardan beri üzerinde çalıştığım bir şeydi.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
"Riziko (Jeopardy)" çok yaygın doğal bir dil oyunudur
06:39
and Watson got a higher score
172
387579
1892
ve Watson en iyi iki oyuncunun toplamından
06:41
than the best two players combined.
173
389471
2000
daha yüksek bir puan almıştır.
06:43
It got this query correct:
174
391471
2499
Şu soruyu doğru bilmiştir:
06:45
"A long, tiresome speech
175
393970
2085
"Krema kaplı turtayla söylenen
06:48
delivered by a frothy pie topping,"
176
396055
2152
uzun ve sıkıcı konuşma,"
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
ve hemen cevap vermiştir, "Mereng nutku nedir?"
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
Ve Jennings ile diğer adam bunu anlamadılar.
06:55
It's a pretty sophisticated example of
179
403638
1926
Bilgisayarların insan dilini gerçekten anladıklarına dair
06:57
computers actually understanding human language,
180
405564
1914
oldukça iyi bir örnek
06:59
and it actually got its knowledge by reading
181
407478
1652
ve aslında edindiği bilgiyi Wikipedia (Vikipedi) ve
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
diğer başka ansiklopedileri okuyarak öğreniyor.
07:04
Five to 10 years from now,
183
412915
2133
Bundan beş ilâ on yıl sonra,
07:07
search engines will actually be based on
184
415048
2184
arama motorları sadece kelime ve bağlantı
07:09
not just looking for combinations of words and links
185
417232
2794
kombinasyonları aramak yerine,
07:12
but actually understanding,
186
420026
1914
gerçekten de anlamaya,
07:13
reading for understanding the billions of pages
187
421940
2411
internet ağında ve kitaplarda milyarlarca sayfayı
07:16
on the web and in books.
188
424351
2733
anlamak için okumaya dayanacak.
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
Yani yürürken Google ortaya çıkıp şöyle diyecek,
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
"Bak Mary, bir ay önce bana glutatyon haplarının
07:24
to me a month ago that your glutathione supplement
191
432781
3019
kan-beyin bariyerini geçmediği hakkında endişelerini dile getirmiştin.
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
Sadece 13 saniye önce buna yepyeni bir
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
yaklaşım getiren ve glutatyon almanın
07:32
that shows a whole new approach to that
194
440624
1711
yeni bir yolunu gösteren
07:34
and a new way to take glutathione.
195
442335
1993
yeni bir araştırma ortaya çıktı.
07:36
Let me summarize it for you."
196
444328
2562
Sana bunu özetlememe izin ver."
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
Bundan yirmi yıl sonra nano robotlarımız olacak,
çünkü bir diğer katlanarak artan eğilim de
07:42
because another exponential trend
198
450574
1627
07:44
is the shrinking of technology.
199
452201
1615
teknolojinin küçülmesi.
07:45
They'll go into our brain
200
453816
2370
Kılcal damarlar aracılığıyla
07:48
through the capillaries
201
456186
1703
beynimize gidecekler
07:49
and basically connect our neocortex
202
457889
2477
ve esasen neokorteksimize ilave sağlamak üzere,
07:52
to a synthetic neocortex in the cloud
203
460366
3185
neokorteksimizi buluttaki sentetik
07:55
providing an extension of our neocortex.
204
463551
3591
neokortekse bağlayacaklar.
07:59
Now today, I mean,
205
467142
1578
Yani bugün,
telefonunuzda bir bilgisayar var,
08:00
you have a computer in your phone,
206
468720
1530
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
ancak karmaşık bir araştırma yapmak üzere
08:05
to do a complex search,
208
473004
1495
birkaç saniyeliğine 10.000 tane bilgisayara ihtiyaç duyarsanız,
08:06
you can access that for a second or two in the cloud.
209
474499
3396
bulutta bir-iki saniyeliğine buna erişebilirsiniz.
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
2030'larda eğer biraz ekstra neokortekse ihtiyaç duyarsanız,
08:12
you'll be able to connect to that in the cloud
211
480990
2273
doğrudan beyninizden buna bulutta
08:15
directly from your brain.
212
483263
1648
bağlanabileceksiniz.
08:16
So I'm walking along and I say,
213
484911
1543
Yani yürüyorum ve şöyle söylüyorum,
08:18
"Oh, there's Chris Anderson.
214
486454
1363
"Ah, işte Chris Anderson.
08:19
He's coming my way.
215
487817
1525
Bana doğru geliyor.
08:21
I'd better think of something clever to say.
216
489342
2335
Söyleyecek akıllıca bir şeyler düşüneyim.
08:23
I've got three seconds.
217
491677
1524
Sadece üç saniyem var.
08:25
My 300 million modules in my neocortex
218
493201
3097
Neokorteksimdeki 300 milyon modül
bunun için yeterli olmayacak.
08:28
isn't going to cut it.
219
496298
1240
08:29
I need a billion more."
220
497538
1246
Bir milyar daha fazlasına ihtiyacım var."
08:30
I'll be able to access that in the cloud.
221
498784
3323
Buna bulutta ulaşabileceğim.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
O zaman düşünmemiz biyolojik ve biyolojik olmayan
08:36
of biological and non-biological thinking,
223
504919
3522
hibrit bir düşünme olacak,
08:40
but the non-biological portion
224
508441
1898
ancak biyolojik olmayan kısmı
08:42
is subject to my law of accelerating returns.
225
510339
2682
benim artan geri dönüşler yasama tabi olacak.
08:45
It will grow exponentially.
226
513021
2239
Katlanarak artacak şekilde büyüyecek.
08:47
And remember what happens
227
515260
2016
Neokorteksimizi son genişletişimizde
08:49
the last time we expanded our neocortex?
228
517276
2645
ne olduğunu hatırlıyor musunuz?
08:51
That was two million years ago
229
519921
1426
Bu, büyük alınlarımızı geliştirip
08:53
when we became humanoids
230
521347
1236
insansı hâline geldiğimiz iki milyon yıl öncesiydi.
08:54
and developed these large foreheads.
231
522583
1594
08:56
Other primates have a slanted brow.
232
524177
2583
Diğer primatların eğimli alınları vardı.
08:58
They don't have the frontal cortex.
233
526760
1745
Ön korteksleri yoktu.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
Ancak ön korteks gerçekte niteliksel olarak farklı değildir.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
Neokorteksin nicelik bakımından genişlemesidir,
09:06
but that additional quantity of thinking
236
534933
2703
ancak o ek düşünme miktarı
09:09
was the enabling factor for us to take
237
537636
1779
bizim niteliksel bir sıçrayış yapmamızı ve
09:11
a qualitative leap and invent language
238
539415
3346
dili, sanatı, bilimi, teknolojiyi ve
09:14
and art and science and technology
239
542761
1967
TED konferanslarını keşfetmemizi sağlayan faktördü.
09:16
and TED conferences.
240
544728
1454
09:18
No other species has done that.
241
546182
2131
Başka hiçbir tür bunu yapmamıştı.
09:20
And so, over the next few decades,
242
548313
2075
Böylece birkaç on yıl sonra,
09:22
we're going to do it again.
243
550388
1760
bunu tekrar yapacağız.
09:24
We're going to again expand our neocortex,
244
552148
2274
Tekrar neokorteksimizi genişleteceğiz,
09:26
only this time we won't be limited
245
554422
1756
ancak bu sefer kapalı alanın sabit mimarisiyle
09:28
by a fixed architecture of enclosure.
246
556178
4280
sınırlı olmayacağız.
09:32
It'll be expanded without limit.
247
560458
3304
Sınırlar olmadan genişleyecek.
09:35
That additional quantity will again
248
563762
2243
Bu ek miktar, tekrar
09:38
be the enabling factor for another qualitative leap
249
566005
3005
kültür ve teknolojide diğer bir niteliksel sıçramayı
09:41
in culture and technology.
250
569010
1635
sağlayan bir faktör olacak.
09:42
Thank you very much.
251
570645
2054
Çok teşekkürler.
09:44
(Applause)
252
572699
3086
(Alkış)
ABOUT THE SPEAKER
Ray Kurzweil - Inventor, futuristRay Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species.
Why you should listen
Inventor, entrepreneur, visionary, Ray Kurzweil's accomplishments read as a startling series of firsts -- a litany of technological breakthroughs we've come to take for granted. Kurzweil invented the first optical character recognition (OCR) software for transforming the written word into data, the first print-to-speech software for the blind, the first text-to-speech synthesizer, and the first music synthesizer capable of recreating the grand piano and other orchestral instruments, and the first commercially marketed large-vocabulary speech recognition.
Yet his impact as a futurist and philosopher is no less significant. In his best-selling books, which include How to Create a Mind, The Age of Spiritual Machines, The Singularity Is Near: When Humans Transcend Biology, Kurzweil depicts in detail a portrait of the human condition over the next few decades, as accelerating technologies forever blur the line between human and machine.
In 2009, he unveiled Singularity University, an institution that aims to "assemble, educate and inspire leaders who strive to understand and facilitate the development of exponentially advancing technologies." He is a Director of Engineering at Google, where he heads up a team developing machine intelligence and natural language comprehension.
Ray Kurzweil | Speaker | TED.com