TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
Деніел Сасскінд: Три міфи про майбутнє роботи (і чому вони несправедливі)
Filmed:
Readability: 4.5
1,519,249 views
«Чи замінять машини людей?» Це питання мучить усіх, хто ризикує втратити роботу. Деніел Сасскінд розглядає це питання і три хибних уявлення, які склалися щодо нашого роботизованого майбутнього і викликають наступне запитання: як ми будемо розподіляти блага у світі, коли буди менше, чи взагалі не буде, роботи?
Daniel Susskind - Economist
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Double-click the English transcript below to play the video.
00:12
Automation anxiety
has been spreading lately,
has been spreading lately,
0
760
3376
Останнім часом ми все більше переймаємось
через автоматизацію,
через автоматизацію,
00:16
a fear that in the future,
1
4160
2656
боїмося, що в майбутньому
00:18
many jobs will be performed by machines
2
6840
2456
роботу виконуватимуть машини,
00:21
rather than human beings,
3
9320
1336
а не люди,
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
бо бачимо значні успіхи у сферах
00:25
in artificial intelligence and robotics.
5
13640
2776
штучного інтелекту та роботизації.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
Зрозуміло,
що на нас очікують значні зміни.
що на нас очікують значні зміни.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
Але не дуже зрозуміло які.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
Мої розвідки показують, що зміни
принесуть і турботи, і натхнення.
принесуть і турботи, і натхнення.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
Загроза технологічного безробіття
небезпідставна,
небезпідставна,
00:43
and yet it's a good problem to have.
10
31640
2056
але це корисна проблема.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
Щоб пояснити, як я дійшов цього висновку,
00:48
I want to confront three myths
12
36960
2536
хочу розібрати три міфи,
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
які, на мій погляд, викривляють
наше розуміння роботизованого майбутнього.
наше розуміння роботизованого майбутнього.
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
В уявленні, сформованому телебаченням,
00:59
in books, in films, in everyday commentary
15
47240
2216
книжками, фільмами, передачами,
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
армія роботів захоплює робочі місця
01:05
with one goal in mind:
17
53200
1376
з єдиною метою:
01:06
to displace human beings from their work.
18
54600
2496
позбавити людей роботи.
01:09
And I call this the Terminator myth.
19
57120
2696
Я називаю це міфом про Термінатора.
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
Звичайно, якісь завдання
виконуватимуть машини,
виконуватимуть машини,
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
але вони не зможуть
просто замінити людину.
просто замінити людину.
01:18
They also complement them in other tasks,
22
66120
1976
Вони доповнять людину,
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
аби її робота стала ціннішою і важливішою.
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
Іноді машини й люди працюватимуть разом,
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
що зробить їх більш продуктивними
і корисними для певних завдань.
і корисними для певних завдань.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
Так таксист може використати навігатор
на невідомих дорогах.
на невідомих дорогах.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
Архітектор може залучити
програмне забезпечення
програмне забезпечення
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
до проектування великих, складних споруд.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
Але технічний прогрес додає до людських
можливостей не тільки безпосередньо,
можливостей не тільки безпосередньо,
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
але й опосередковано,
причому двома способами.
причому двома способами.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
По-перше, якщо уявити економіку як пиріг,
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
то технічний прогрес робить пиріг більшим.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
Оскільки продуктивність росте,
ростуть прибуток і потреби.
ростуть прибуток і потреби.
01:59
The British pie, for instance,
34
107520
1776
Наприклад, британський пиріг
02:01
is more than a hundred times
the size it was 300 years ago.
the size it was 300 years ago.
35
109320
3960
став у 100 разів більшим,
ніж 300 років тому.
ніж 300 років тому.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
Тож ті, хто позбувся роботи
у старому пирогу,
у старому пирогу,
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
можуть знайти роботу в новому.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
Але технічний прогрес
не просто робить пиріг більшим.
не просто робить пиріг більшим.
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
Він змінює його інгредієнти.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
З часом люди починають витрачати
заробіток на різні речі,
заробіток на різні речі,
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
змінюючи звички по відношенню до
знайомих товарів
знайомих товарів
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
і набуваючи смаку до зовсім нових.
02:29
New industries are created,
43
137200
1776
Зараз створюються нові виробництва,
02:31
new tasks have to be done
44
139000
1816
треба виконувати нові завдання,
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
і це часто вимагає
заповнення нових вакансій.
заповнення нових вакансій.
02:35
So again, the British pie:
46
143400
1496
І знову британський пиріг:
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
300 років тому більшість населення
працювала на фермах,
працювала на фермах,
02:39
150 years ago, in factories,
48
147920
2336
150 років тому – на фабриках,
02:42
and today, most people work in offices.
49
150280
2856
сьогодні більшість працює в офісах.
02:45
And once again, people displaced
from tasks in the old bit of pie
from tasks in the old bit of pie
50
153160
4056
І знову ті, чиї місця зникли
у старому шматку пирога,
у старому шматку пирога,
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
можуть раптово знайти місце
в новому шматку.
в новому шматку.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
Економісти називають це
принципом компліментарності,
принципом компліментарності,
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
і, дійсно, у цьому чудернацькому слові
схоплене те,
схоплене те,
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
як іще технічний прогрес допомагає людям.
03:02
Resolving this Terminator myth
55
170520
2096
Спростування міфу про Термінатора
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
демонструє, що тут є дві складові:
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
одна – заміна людей машинами,
яка шкодить робітникам,
яка шкодить робітникам,
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
інша – використання машин на додаток,
що є корисним.
що є корисним.
03:13
Now the second myth,
59
181960
1376
Тепер другий міф,
03:15
what I call the intelligence myth.
60
183360
2280
який я називаю міфом про інтелект.
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
Що спільного мають управління автомобілем,
визначення діагнозу
визначення діагнозу
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
і миттєве розпізнавання птаха?
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
Донедавна провідні економісти вважали,
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
що ці речі не можна автоматизувати.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
Але сьогодні можна.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
Усі провідні автомобілебудівники
використовують програми автопілота.
використовують програми автопілота.
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
Є безліч програм для діагностування
проблем зі здоров'ям.
проблем зі здоров'ям.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
Навіть є програми миттєвого
03:46
at a fleeting glimpse.
69
214800
1200
розпізнавання пташок.
03:48
Now, this wasn't simply a case of bad luck
on the part of economists.
on the part of economists.
70
216920
4376
Тож економісти не просто
виявилися недалекоглядними.
виявилися недалекоглядними.
03:53
They were wrong,
71
221320
1296
Вони помилились,
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
І важливо, чому вони помилились.
03:57
They've fallen for the intelligence myth,
73
225160
2256
Вони опинились у тенетах
міфу про інтелект –
міфу про інтелект –
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
віри в те, що, аби випередити людину,
04:02
that human beings think and reason
75
230360
2056
машини мають копіювати
04:04
in order to outperform them.
76
232440
1776
людське мислення.
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
Коли економісти намагались з'ясувати,
04:08
what tasks machines could not do,
78
236480
1856
чого машина не могла б зробити,
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
вони вважали, що єдиний шлях автоматизації
04:12
was to sit down with a human being,
80
240520
1816
полягав у тім, щоб людина
04:14
get them to explain to you
how it was they performed a task,
how it was they performed a task,
81
242360
3536
пояснила, як вона виконує завдання,
04:17
and then try and capture that explanation
82
245920
2656
а потім ці пояснення лягли в основу
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
інструкцій для виконання машинами.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
Колись цей погляд був популярним
і в штучному інтелекті.
і в штучному інтелекті.
04:27
I know this because Richard Susskind,
85
255600
2176
Я це знаю, тому що Річард Сасскінд,
04:29
who is my dad and my coauthor,
86
257800
2856
мій батько і мій співавтор,
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
у 1980-х написав докторську дисертацію
зі штучного інтелекту і права
зі штучного інтелекту і права
04:36
at Oxford University,
88
264760
1416
в Оксфордському університеті.
04:38
and he was part of the vanguard.
89
266200
1576
Він був в авангарді.
04:39
And with a professor called Phillip Capper
90
267800
2256
З професором Філіпом Каппером
04:42
and a legal publisher called Butterworths,
91
270080
2096
і довідково-правовою
системою «Butterworths»
системою «Butterworths»
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
він розробив першу в світі
доступну на комерційній основі
доступну на комерційній основі
04:50
artificial intelligence system in the law.
93
278120
2776
систему штучного інтелекту
в юриспруденції.
в юриспруденції.
04:52
This was the home screen design.
94
280920
2616
Таким був дизайн її заставки.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
Він запевняє, що тоді
це був крутий дизайн.
це був крутий дизайн.
04:58
(Laughter)
96
286280
1016
(Сміх)
04:59
I've never been entirely convinced.
97
287320
1696
Я ніколи не був упевненим повністю.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
Він видав систему на двох дискетах,
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
гнучких магнітних дисках,
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
і його підхід був такий самий,
як у економістів:
як у економістів:
05:09
sit down with a lawyer,
101
297600
1256
посади́ юриста поруч,
05:10
get her to explain to you
how it was she solved a legal problem,
how it was she solved a legal problem,
102
298880
3176
хай пояснить, яким чином
можна вирішити правову проблему,
можна вирішити правову проблему,
05:14
and then try and capture that explanation
in a set of rules for a machine to follow.
in a set of rules for a machine to follow.
103
302080
5376
а потім перетвори ці пояснення
на алгоритм для машини.
на алгоритм для машини.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
В економіці, якщо людина
може щось пояснити у такий спосіб,
може щось пояснити у такий спосіб,
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
завдання називають шаблонними,
їх можна автоматизувати.
їх можна автоматизувати.
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
Але якщо вона
чогось не може пояснити таким чином,
чогось не може пояснити таким чином,
05:28
the tasks are called non-routine,
and they're thought to be out reach.
and they're thought to be out reach.
107
316800
4256
завдання називають нешаблонними
і вважають, що їх не можна автоматизувати.
і вважають, що їх не можна автоматизувати.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
Наразі шаблонна-нешаблонна відмінність
дуже розповсюджена.
дуже розповсюджена.
05:36
Think how often you hear people say to you
109
324400
2056
Часто ми чуємо, що люди кажуть:
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
машини можуть виконувати
прогнозовані чи повторювані завдання,
прогнозовані чи повторювані завдання,
05:41
rules-based or well-defined.
111
329760
1896
за правилом чи при чіткому формулюванні.
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
Це все шаблон, названий різними словами.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
А візьмемо три приклади,
які я навів на початку.
які я навів на початку.
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
Усі вони є класичними прикладами
нешаблонних завдань.
нешаблонних завдань.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
Запитайте, наприклад, лікаря,
як він визначає діагнози,
як він визначає діагнози,
05:56
and she might be able
to give you a few rules of thumb,
to give you a few rules of thumb,
116
344560
2656
можливо, з вами поділяться
декількома правилами,
декількома правилами,
05:59
but ultimately she'd struggle.
117
347240
1656
але це точно буде нелегко.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
Ви почуєте про щось на кшталт
творчості, оцінки, інтуїції.
творчості, оцінки, інтуїції.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
Ці речі дуже важко сформулювати,
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
і тому вважалося, що ці завдання
буде важко автоматизувати.
буде важко автоматизувати.
06:11
If a human being can't explain themselves,
121
359280
2536
Якщо людині важко навіть висловитися,
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
звідки взагалі починати писати алгоритм
06:16
for a machine to follow?
123
364760
1200
для машини?
06:18
Thirty years ago, this view was right,
124
366640
2576
30 років тому цей погляд був вірним,
06:21
but today it's looking shaky,
125
369240
2136
сьогодні він справедливий, але не завжди,
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
у майбутньому він стане хибним.
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
Прогрес у сферах
обробки і зберігання даних,
обробки і зберігання даних,
06:28
and in algorithm design
128
376960
1656
а також розробки алгоритмів
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
означає, що
шаблонна-нешаблонна відмінність
шаблонна-нешаблонна відмінність
06:33
is diminishingly useful.
130
381160
1736
виявляється все менш корисною.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
Щоб переконатися, ще раз поглянемо,
як медики визначають діагноз.
як медики визначають діагноз.
06:38
Earlier in the year,
132
386200
1376
У цьому році
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
група вчених у Стенфорді
заявила про розробку системи,
заявила про розробку системи,
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
яка визначає, чи є родимка злоякісною,
06:46
as accurately as leading dermatologists.
135
394000
2680
так само точно, як провідні дерматологи.
06:49
How does it work?
136
397280
1256
Як вона працює?
06:50
It's not trying to copy the judgment
or the intuition of a doctor.
or the intuition of a doctor.
137
398560
5296
Вона не імітує
спосіб мислення чи інтуїцію лікаря.
спосіб мислення чи інтуїцію лікаря.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
Вона нічого не розуміє в медицині.
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
Навпаки, вона виконує
алгоритм розпізнавання патернів,
алгоритм розпізнавання патернів,
07:01
through 129,450 past cases,
140
409640
4656
обробляючи дані 129 450 випадків,
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
відшукуючи подібності між цими випадками
07:09
and the particular lesion in question.
142
417440
2080
і заданими порушеннями норми.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
Система виконує завдання
не так, як людина,
не так, як людина,
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
аналізуючи стільки випадків хвороби,
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
скільки лікар не може
проаналізувати і за життя.
проаналізувати і за життя.
07:20
It didn't matter that that human being,
146
428320
1896
І не має значення, що людина,
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
лікар, не зміг би пояснити,
як він виконує це завдання.
як він виконує це завдання.
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
Дехто аналізує особливості того,
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
що ці машини
не побудовані за зразком людини.
не побудовані за зразком людини.
07:30
As an example, take IBM's Watson,
150
438320
2056
Як приклад візьмемо IBM Watson,
07:32
the supercomputer that went
on the US quiz show "Jeopardy!" in 2011,
on the US quiz show "Jeopardy!" in 2011,
151
440400
4856
суперкомп'ютер, що у 2011 взяв участь
в американській вікторині «Jeopardy!»
в американській вікторині «Jeopardy!»
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
і переміг двох її попередніх
переможців-чоловіків.
переможців-чоловіків.
07:40
The day after it won,
153
448320
1696
Наступного після тієї перемоги дня
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
газета «Wall Street Journal» надрукувала
статтю філософа Джона Серля
статтю філософа Джона Серля
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
під назвою «Watson не знає,
що виграв вікторину «Jeopardy!»».
що виграв вікторину «Jeopardy!»».
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
Так. І це чудово, і це правда.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
І Watson не кричав від щастя, що переміг.
07:53
It didn't call up its parents
to say what a good job it had done.
to say what a good job it had done.
158
461240
3096
Він не зателефонував батькам,
щоб похвалитися, який він розумник.
щоб похвалитися, який він розумник.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
Він не пішов до пабу, щоб випити.
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
Ця система не намагалася
копіювати своїх суперників,
копіювати своїх суперників,
08:03
but it didn't matter.
161
471200
1256
Але це не мало значення.
08:04
It still outperformed them.
162
472480
1976
Вона все одно в них виграла.
08:06
Resolving the intelligence myth
163
474480
1576
Спростовуючи міф про інтелект,
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
ми бачимо, що наше недостатнє
розуміння людського інтелекту,
розуміння людського інтелекту,
08:11
about how we think and reason,
165
479480
1896
нашої здатності думати й обмірковувати,
08:13
is far less of a constraint
on automation than it was in the past.
on automation than it was in the past.
166
481400
3456
є зараз набагато меншим обмеженням
для автоматизації, аніж раніше.
для автоматизації, аніж раніше.
08:16
What's more, as we've seen,
167
484880
1496
Крім того, як бачимо,
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
коли машини діють, не як люди,
08:21
there's no reason to think
169
489840
1256
немає підстав думати,
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
що є такі людські здатності,
08:25
represents any sort of summit
171
493680
1456
які є планкою,
08:27
in what these machines
might be capable of doing in the future.
might be capable of doing in the future.
172
495160
3000
яку машини не перестрибнуть у майбутньому.
08:31
Now the third myth,
173
499040
1256
Тепер третій міф,
08:32
what I call the superiority myth.
174
500320
2456
який я називаю міфом про вищість.
08:34
It's often said that those who forget
175
502800
2216
Часто кажуть, що ті, хто забуває про
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
користь від технічного прогресу,
08:39
those complementarities from before,
177
507520
2496
того, що ним додається,
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
хибно впевнені у незмінності обсягу праці.
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
Але помилка щодо
незмінності обсягу праці
незмінності обсягу праці
08:48
is itself a fallacy,
180
516159
1496
є сама собою хибою.
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
Я називаю це хибною помилкою
щодо незмінності обсягу праці.
щодо незмінності обсягу праці.
08:52
or LOLFF, for short.
182
520640
2320
Коротко ХПЩНОП.
08:56
Let me explain.
183
524000
1416
Дайте поясню.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
Помилка щодо незмінності обсягу праці
стара.
стара.
08:59
It was a British economist, David Schloss,
who gave it this name in 1892.
who gave it this name in 1892.
185
527600
4216
Їй дав ім'я британський економіст
Девід Шлосс у 1892 році.
Девід Шлосс у 1892 році.
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
Його спантеличило, що портовий робітник
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
почав застосовувати пристрій,
щоб робити шайби,
щоб робити шайби,
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
маленькі металеві диски,
які одягають на гвинти.
які одягають на гвинти.
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
І цей робітник відчув себе винним у тому,
що продуктивність його праці зросла.
що продуктивність його праці зросла.
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
Зараз ми у більшості
чекаємо на протилежне,
чекаємо на протилежне,
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
на почуття провини
через меншу продуктивність,
через меншу продуктивність,
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
коли хтось у робочий час
пересидів у Фейсбуці чи Твіттері.
пересидів у Фейсбуці чи Твіттері.
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
Але в того працівника
продуктивність праці зросла,
продуктивність праці зросла,
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
і на запитання чому, він сказав:
«Я знаю, погано
«Я знаю, погано
09:29
I'm taking away the work of another man."
195
557920
2040
відбирати роботу в інших».
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
Він уважав, що є фіксований обсяг роботи,
09:35
to be divided up between him and his pals,
197
563760
2136
який ділиться між ним і його товаришами,
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
тож якщо завдяки машині він зробив більше,
09:40
there'd be less left for his pals to do.
199
568000
2016
іншим залишиться менше.
09:42
Schloss saw the mistake.
200
570040
1856
Шлосс побачив помилку.
09:43
The lump of work wasn't fixed.
201
571920
1856
Обсяг праці не був сталим.
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
Якщо з використанням машини
зросла продуктивність,
зросла продуктивність,
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
то ціна на шайби мала впасти,
а попит на них зрости,
а попит на них зрости,
09:51
more washers would have to be made,
204
579640
1696
тож треба буде робити більше шайб,
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
і буде більше роботи для товаришів.
09:55
The lump of work would get bigger.
206
583480
1696
Обсяг праці мав зрости.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
Шлосс назвав це
помилкою щодо обсягу праці.
помилкою щодо обсягу праці.
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
Сьогодні ми чуємо, що якщо ми дбаємо
про майбутнє професій,
про майбутнє професій,
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
слід пам'ятати про
помилку щодо обсягу праці.
помилку щодо обсягу праці.
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
Немає сталого обсягу праці,
який слід поділити
який слід поділити
10:08
between people and machines.
211
596440
1376
між людьми і машинами.
10:09
Yes, machines substitute for human beings,
making the original lump of work smaller,
making the original lump of work smaller,
212
597840
4656
Так, машини заміщують людей і роблять
початковий обсяг роботи меншим,
початковий обсяг роботи меншим,
10:14
but they also complement human beings,
213
602520
1856
але вони ще й доповнюють людей,
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
то обсяг праці більшає
і змінюється якісно.
і змінюється якісно.
10:19
But LOLFF.
215
607760
1616
Але ж ХПЩНОП.
10:21
Here's the mistake:
216
609400
1376
Ось де помилка:
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
правильно думати, що технічний прогрес
10:25
makes the lump of work to be done bigger.
218
613040
1976
збільшує обсяг роботи.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
Якісь завдання стають ціннішими.
Виникають нові завдання.
Виникають нові завдання.
10:30
But it's wrong to think that necessarily,
220
618080
2536
Але помилкою є думати,
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
що найкраще ці завдання
можуть виконати люди.
можуть виконати люди.
10:35
And this is the superiority myth.
222
623920
1616
Це міф про вищість.
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
Так, обсяг роботи має збільшитись
і якісно змінитися,
і якісно змінитися,
10:41
but as machines become more capable,
224
629000
1976
та в міру того, як машини досконалішають,
10:43
it's likely that they'll take on
the extra lump of work themselves.
the extra lump of work themselves.
225
631000
3896
вони самі можуть виконувати більше роботи.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
Технічний прогрес додає роботи не людям,
10:50
complements machines instead.
227
638200
1880
а машинам.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
Погляньте на водіїв, наприклад.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
Сьогодні навігатори їм допомагають.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
Вони роблять з них кращих водіїв.
11:02
But in the future,
231
650920
1256
Але в майбутньому
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
комп'ютери викинуть людей
з водійських місць,
з водійських місць,
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
і навігатори допомагатимуть не людям,
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
а, зробивши автомобілі без водіїв
більш ефективними,
більш ефективними,
11:12
helping the machines instead.
235
660840
1536
допомагатимуть машинам.
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
Чи візьміть інші
додаткові можливості, які я згадував.
додаткові можливості, які я згадував.
11:18
The economic pie may get larger,
237
666480
1776
Економічний пиріг може стати більшим,
11:20
but as machines become more capable,
238
668280
1736
але машини стають досконалішими,
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
і наші нові потреби можуть стати
пов'язаними з товарами,
пов'язаними з товарами,
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
які краще виготовляють машини, а не люди.
11:27
The economic pie may change,
241
675880
1896
Економічний пиріг може мінятися якісно,
11:29
but as machines become more capable,
242
677800
1896
але машини стають досконалішими,
11:31
it's possible that they'll be best placed
to do the new tasks that have to be done.
to do the new tasks that have to be done.
243
679720
4856
і машини можуть виявитися кращими
для виконання нових завдань.
для виконання нових завдань.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
Коротко кажучи, попит на завдання –
не те саме, що попит на робочу силу.
не те саме, що попит на робочу силу.
11:40
Human beings only stand to benefit
245
688320
1936
Люди продовжують отримувати зиск,
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
лише залишаючись кращими
у виконанні додаткових завдань,
у виконанні додаткових завдань,
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
але машини стають досконалішими,
і бути кращими за них стає все важче.
і бути кращими за них стає все важче.
11:50
So what do these three myths tell us then?
248
698760
2016
Тож про що ці три міфи?
11:52
Well, resolving the Terminator myth
249
700800
1696
Спростування міфу про Термінатора
11:54
shows us that the future of work depends
upon this balance between two forces:
upon this balance between two forces:
250
702520
3696
демонструє, що майбутнє праці залежить
від співвідношення двох сил:
від співвідношення двох сил:
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
одна – заміна людей машинами,
яка шкодить робітникам,
яка шкодить робітникам,
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
інша – використання допомоги машин,
що є корисним.
що є корисним.
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
Досі це співвідношення
було на користь людей.
було на користь людей.
12:09
But resolving the intelligence myth
254
717120
1736
Але спростування міфу про інтелект
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
показує, що перша сила,
заміна людей машинами,
заміна людей машинами,
12:13
is gathering strength.
256
721400
1296
набирає потужності.
12:14
Machines, of course, can't do everything,
257
722720
1976
Звичайно, машини не можуть робити все,
12:16
but they can do far more,
258
724720
1256
вони можуть робити більше,
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
втручаючись усе глибше у сфери завдань,
що виконуються людьми.
що виконуються людьми.
12:22
What's more, there's no reason to think
260
730600
1896
Крім того, немає підстав уважати,
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
що виключно людські завдання –
12:26
represents any sort of finishing line,
262
734760
1856
це та межа,
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
яку машини не переступлять з чемності,
12:30
once they're as capable as us.
264
738920
1816
коли стануть такими ж здатними, як ми.
12:32
Now, none of this matters
265
740760
1536
Нічого з цього не має значення,
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
доки рятівні вітри компліментарності
12:37
blow firmly enough,
267
745160
1736
дмуть доволі сильно,
12:38
but resolving the superiority myth
268
746920
1936
але спростування міфу про вищість
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
показує, що процес втручання
у сфери людських завдань
у сфери людських завдань
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
не тільки посилює заміну людей машинами,
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
але вихолощує рятівну компліментарність.
12:51
Bring these three myths together
272
759320
1936
Зведіть докупи усі три міфи,
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
і ми зазирнемо у те майбутнє,
що нас непокоїть.
що нас непокоїть.
12:56
Machines continue to become more capable,
274
764240
2016
Машини стають досконалішими,
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
вони зазіхають на все більше завдань,
які зараз виконують люди,
які зараз виконують люди,
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
зміцнюючи потужність заміни людини машиною
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
і знесилюючи компліментарність
людини й машини.
людини й машини.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
І нарешті їх співвідношення
зміщується на користь машин,
зміщується на користь машин,
13:12
rather than human beings.
279
780520
2056
а не людей.
13:14
This is the path we're currently on.
280
782600
1736
Це той шлях, яким ми зараз ідемо.
13:16
I say "path" deliberately,
because I don't think we're there yet,
because I don't think we're there yet,
281
784360
3176
Я кажу «шлях», бо вважаю,
що ми ще не дійшли,
що ми ще не дійшли,
13:19
but it is hard to avoid the conclusion
that this is our direction of travel.
that this is our direction of travel.
282
787560
3640
але неважко побачити, куди ми йдемо.
13:24
That's the troubling part.
283
792640
1456
Це було про те, що нас турбує.
13:26
Let me say now why I think actually
this is a good problem to have.
this is a good problem to have.
284
794120
3520
Тепер дозвольте пояснити, чому я кажу,
що це корисна проблема.
що це корисна проблема.
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
Майже всю історію людства
домінувала одна економічна проблема:
домінувала одна економічна проблема:
13:34
how to make the economic pie
large enough for everyone to live on.
large enough for everyone to live on.
286
802080
4056
як розтягнути економічний пиріг
настільки, щоб вистачало всім.
настільки, щоб вистачало всім.
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
Наприкінці першого століття нашої ери
13:40
and if you took the global economic pie
288
808360
2096
економічний пиріг був таким,
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
що на кожного у світі припадав шматочок
13:45
everyone would get a few hundred dollars.
290
813800
2136
у кількасот доларів.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
Майже всі жили біля межі бідності.
13:51
And if you roll forward a thousand years,
292
819320
2176
І якщо ви просунетесь
на тисячу років уперед,
на тисячу років уперед,
13:53
roughly the same is true.
293
821520
1240
побачите майже те саме.
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
Але в останні кількасот років,
набирає оберти економічний ріст.
набирає оберти економічний ріст.
13:59
Those economic pies have exploded in size.
295
827280
2376
Економічний пиріг миттєво збільшився.
14:01
Global GDP per head,
296
829680
2056
Світовий ВВП на душу населення,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
ваш особистий шматок пирога,
14:07
they're about 10,150 dollars.
298
835160
2816
став близько 10 150 доларів.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
Якщо економіка
буде далі зростати на два відсотки,
буде далі зростати на два відсотки,
14:12
our children will be twice as rich as us.
300
840720
2056
наші діти будуть удвічі багатшими за нас.
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
Якщо економіка
буде рости лише на один відсоток,
буде рости лише на один відсоток,
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
наші онуки
будуть удвічі багатшими за нас.
будуть удвічі багатшими за нас.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
У цілому, ми вирішили
цю традиційну економічну проблему.
цю традиційну економічну проблему.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
Тепер технологічне безробіття,
якщо воно дійсно трапиться,
якщо воно дійсно трапиться,
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
буде показником успіху,
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
але вирішивши одну проблему –
як зробити пиріг більшим –
як зробити пиріг більшим –
14:34
but replaced it with another --
307
862360
1816
ми зіткнулися з іншою –
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
як упевнитися, що всі отримали по шматку.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
Як зазначають економісти,
вирішити цю проблему буде важко.
вирішити цю проблему буде важко.
14:43
Today, for most people,
310
871360
1656
Зараз для більшості
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
їх робота – це місце за столом економіки.
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
У світі з меншою кількістю робочих місць
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
не зрозуміло, як кожному дати по шматку.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
Зараз точаться численні дискусії
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
щодо різних форм
безумовного базового доходу
безумовного базового доходу
14:57
as one possible approach,
316
885160
1216
як одного з рішень,
14:58
and there's trials underway
317
886400
1616
робляться спроби його запровадити
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
у США, Фінляндії та Кенії.
15:03
And this is the collective challenge
that's right in front of us,
that's right in front of us,
319
891000
3176
Загальна проблема,
яка постає перед нами, –
яка постає перед нами, –
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
з'ясувати, як матеріальні блага,
що виробляються економічною системою,
що виробляються економічною системою,
15:11
can be enjoyed by everyone
321
899280
1976
можуть розподілятися між усіма
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
у світі, де звичний механізм
15:15
for slicing up the pie,
323
903720
1856
поділу пирога,
15:17
the work that people do,
324
905600
1936
тобто робота, яку ми виконуємо,
15:19
withers away and perhaps disappears.
325
907560
2160
втрачає силу і, можливо, щезає.
15:22
Solving this problem is going to require
us to think in very different ways.
us to think in very different ways.
326
910280
4360
Вирішення цієї проблеми буде вимагати
зміни нашого способу мислення.
зміни нашого способу мислення.
15:27
There's going to be a lot of disagreement
about what ought to be done,
about what ought to be done,
327
915400
4176
Буде багато протилежних думок,
про те, що слід робити,
про те, що слід робити,
15:31
but it's important to remember
that this is a far better problem to have
that this is a far better problem to have
328
919600
3416
але важливо пам'ятати, що набагато краще
мати цю проблему,
мати цю проблему,
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
ніж ту, яка століттями
переслідувала наших предків:
переслідувала наших предків:
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
як спершу зробити пиріг достатньо великим.
15:41
Thank you very much.
331
929280
1256
Красно дякую.
15:42
(Applause)
332
930560
3840
(Оплески)
ABOUT THE SPEAKER
Daniel Susskind - EconomistDaniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society.
Why you should listen
Daniel Susskind is the co-author, with Richard Susskind, of the best-selling book, The Future of the Professions, and a Fellow in Economics at Balliol College, Oxford University. He is currently finishing his latest book, on the future of work. Previously, he worked in the British Government -- as a policy adviser in the Prime Minister's Strategy Unit, as a policy analyst in the Policy Unit in 10 Downing Street, and as a senior policy adviser in the Cabinet Office. Susskind received a doctorate in economics from Oxford University and was a Kennedy Scholar at Harvard University.
Daniel Susskind | Speaker | TED.com