TED2014
Ray Kurzweil: Get ready for hybrid thinking
Ray Kurzweil: Bereit für das hybride Denken?
Filmed:
Readability: 4.4
3,548,296 views
Vor zweihundert Millionen Jahren entwickelte sich bei den ersten Säugetieren ein neues Bestandteil im Gehirn: der Neokortex. Dieses Gewebe in der Größe einer Briefmarke umhüllte ihr walnussgroßes Gehirn und ist der Schlüssel zur Entwicklungsgeschichte der Menschheit. Zukunftsforscher Ray Kurzweil sagt den nächsten großen Sprung unserer geistigen Leistungsfähigkeit voraus, der durch die Einbindung der Rechenleistung in der Cloud möglich sein wird.
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
Ich erzähle Ihnen eine Geschichte,
die sich vor 200 Mio. Jahren abspielte.
die sich vor 200 Mio. Jahren abspielte.
00:15
It goes back 200 million years.
1
3304
1799
00:17
It's a story of the neocortex,
2
5103
1984
Es ist die Geschichte des Neokortex,
was so viel wie "Neurinde" heißt.
was so viel wie "Neurinde" heißt.
00:19
which means "new rind."
3
7087
1974
00:21
So in these early mammals,
4
9061
2431
Bei den frühen Säugetieren
00:23
because only mammals have a neocortex,
5
11492
2055
-- nur Säugetiere haben einen Neokortex --
00:25
rodent-like creatures.
6
13547
1664
sie sahen aus wie Nagetiere,
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
war der Neokortex so klein und dünn
wie eine Briefmarke.
wie eine Briefmarke.
00:30
and was a thin covering around
8
18790
1439
Es war eine dünne Schicht,
die ihr walnussgroßes Gehirn umgab.
die ihr walnussgroßes Gehirn umgab.
00:32
their walnut-sized brain,
9
20229
2264
00:34
but it was capable of a new type of thinking.
10
22493
3701
Das gab ihnen die Möglichkeit,
auf eine ganz neue Weise zu denken.
auf eine ganz neue Weise zu denken.
00:38
Rather than the fixed behaviors
11
26194
1567
Über die festen Verhaltensweisen
der Nicht-Säugetiere hinaus
der Nicht-Säugetiere hinaus
00:39
that non-mammalian animals have,
12
27761
1992
00:41
it could invent new behaviors.
13
29753
2692
ermöglichte der Neokortex
ganz neue Verhaltensweisen.
ganz neue Verhaltensweisen.
00:44
So a mouse is escaping a predator,
14
32445
2553
Flieht eine Maus vor einem Raubtier
und der Weg ist versperrt,
und der Weg ist versperrt,
00:46
its path is blocked,
15
34998
1540
00:48
it'll try to invent a new solution.
16
36538
2129
sucht sie eine neue Lösung.
00:50
That may work, it may not,
17
38667
1266
Funktioniert diese,
00:51
but if it does, it will remember that
18
39933
1910
wird sich die Maus dieses Verhalten
aneignen und daraus lernen.
aneignen und daraus lernen.
00:53
and have a new behavior,
19
41843
1292
00:55
and that can actually spread virally
20
43135
1457
In der Tat kann sich diese wie ein Virus
im gesamten Mäusebau verbreiten.
im gesamten Mäusebau verbreiten.
00:56
through the rest of the community.
21
44592
2195
Eine andere Maus denkt sich z. B.:
00:58
Another mouse watching this could say,
22
46787
1609
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
"Hey, es war schlau,
um den Felsen herumzulaufen",
um den Felsen herumzulaufen",
01:03
and it could adopt a new behavior as well.
24
51100
3725
und übernimmt das gleiche Verhalten.
01:06
Non-mammalian animals
25
54825
1717
Nicht-Säugetiere konnten das aber nicht.
Ihr Verhalten war festgelegt.
Ihr Verhalten war festgelegt.
01:08
couldn't do any of those things.
26
56542
1713
01:10
They had fixed behaviors.
27
58255
1215
01:11
Now they could learn a new behavior
28
59470
1331
Sie konnten zwar neue Verhaltensweisen
lernen, aber nicht im Laufe eines Lebens.
lernen, aber nicht im Laufe eines Lebens.
01:12
but not in the course of one lifetime.
29
60801
2576
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
Nur im Laufe von tausend Generationen
kann sich ein neues Verhalten entwickeln.
kann sich ein neues Verhalten entwickeln.
01:17
it could evolve a new fixed behavior.
31
65144
3330
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
Vor 200 Mio. Jahren war das gut genug,
da sich die Umwelt nur langsam veränderte.
da sich die Umwelt nur langsam veränderte.
01:23
The environment changed very slowly.
33
71851
1981
Eine wesentliche Veränderung
brauchte vielleicht 10 000 Jahre,
brauchte vielleicht 10 000 Jahre,
01:25
It could take 10,000 years for there to be
34
73832
1554
01:27
a significant environmental change,
35
75386
2092
und dann gab es auch genug Zeit,
um neue Verhaltensweisen zu entwickeln.
um neue Verhaltensweisen zu entwickeln.
01:29
and during that period of time
36
77478
1382
01:30
it would evolve a new behavior.
37
78860
2929
Das lief eine ganze Zeit gut,
aber dann geschah etwas.
aber dann geschah etwas.
01:33
Now that went along fine,
38
81789
1521
01:35
but then something happened.
39
83310
1704
01:37
Sixty-five million years ago,
40
85014
2246
Vor 65 Mio. Jahren gab es eine plötzliche,
gewaltige Veränderung in der Umwelt:
gewaltige Veränderung in der Umwelt:
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
01:41
We call it the Cretaceous extinction event.
42
89875
3505
das "Große Aussterben" in der Kreidezeit.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
Damals starben auch die Dinosaurier,
zusammen mit 75% aller Tiere und Pflanzen.
zusammen mit 75% aller Tiere und Pflanzen.
01:47
that's when 75 percent of the
44
95673
3449
01:51
animal and plant species went extinct,
45
99122
2746
Die Säugetiere übernahmen dann
ihre ökologische Nische.
ihre ökologische Nische.
01:53
and that's when mammals
46
101868
1745
01:55
overtook their ecological niche,
47
103613
2152
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
Wäre die Evolution ein Mensch,
hätte sie zu sich gesagt:
hätte sie zu sich gesagt:
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
"Hm, dieser Neokortex ist echt cool"
und begann ihn weiterzuentwickeln.
und begann ihn weiterzuentwickeln.
02:03
and it began to grow it.
50
111444
1793
Die Säugetiere wurden größer,
ihr Gehirn wuchs noch schneller,
ihr Gehirn wuchs noch schneller,
02:05
And mammals got bigger,
51
113237
1342
02:06
their brains got bigger at an even faster pace,
52
114579
2915
02:09
and the neocortex got bigger even faster than that
53
117494
3807
und ihr Neokortex sogar noch schneller.
Dabei entwickelte er diese
markanten Hügel und Windungen,
markanten Hügel und Windungen,
02:13
and developed these distinctive ridges and folds
54
121301
2929
02:16
basically to increase its surface area.
55
124230
2881
vor allem, um seinen
Oberflächenumfang zu erhöhen.
Oberflächenumfang zu erhöhen.
02:19
If you took the human neocortex
56
127111
1819
Würde man den menschlichen Neokortex
auseinanderfalten,
auseinanderfalten,
02:20
and stretched it out,
57
128930
1301
wäre er so groß wie eine Tischdecke.
02:22
it's about the size of a table napkin,
58
130231
1713
02:23
and it's still a thin structure.
59
131944
1306
Es ist ein dünnes Gewebe,
eben wie eine Tischdecke.
eben wie eine Tischdecke.
02:25
It's about the thickness of a table napkin.
60
133250
1980
Der Neokortex hat aber so viele Windungen,
dass er 80 % unseres Gehirns ausmacht.
dass er 80 % unseres Gehirns ausmacht.
02:27
But it has so many convolutions and ridges
61
135230
2497
02:29
it's now 80 percent of our brain,
62
137727
3075
Dort geschieht unser Denken,
und er verfeinert unsere Gedanken.
und er verfeinert unsere Gedanken.
02:32
and that's where we do our thinking,
63
140802
2461
02:35
and it's the great sublimator.
64
143263
1761
02:37
We still have that old brain
65
145024
1114
Wir haben immer noch unser altes Hirn,
wo unsere Triebe und Antriebe entstehen.
wo unsere Triebe und Antriebe entstehen.
02:38
that provides our basic drives and motivations,
66
146138
2764
02:40
but I may have a drive for conquest,
67
148902
2716
Wenn ich aber einen Eroberungsdrang spüre,
veredelt ihn der Neokortex,
veredelt ihn der Neokortex,
02:43
and that'll be sublimated by the neocortex
68
151618
2715
02:46
into writing a poem or inventing an app
69
154333
2909
und ich schreibe ein Gedicht,
erfinde eine App
erfinde eine App
02:49
or giving a TED Talk,
70
157242
1509
oder halte einen TED-Vortrag.
02:50
and it's really the neocortex that's where
71
158751
3622
Dahinter steckt der Neokortex --
dort geht alles ab.
dort geht alles ab.
02:54
the action is.
72
162373
1968
Vor 50 Jahren beschrieb ich,
02:56
Fifty years ago, I wrote a paper
73
164341
1717
02:58
describing how I thought the brain worked,
74
166058
1918
wie das Gehirn funktioniert.
02:59
and I described it as a series of modules.
75
167976
3199
Demnach besteht
das Gehirn aus Bestandteilen
das Gehirn aus Bestandteilen
und jedes wendet bestimmte
Verhaltensmuster an.
Verhaltensmuster an.
03:03
Each module could do things with a pattern.
76
171175
2128
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
Es kann sich Muster aneignen und abrufen
und neue Verhaltensmuster entwickeln.
03:08
It could implement a pattern.
78
176049
1407
03:09
And these modules were organized in hierarchies,
79
177456
2679
Diese Bestandteile sind
hierarchisch angeordnet,
hierarchisch angeordnet,
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
und diese Hierarchie bauen
wir selbst gedanklich auf.
wir selbst gedanklich auf.
03:15
And there was actually very little to go on
81
183089
3333
Aber vor 50 Jahren gab es wenig,
woran wir anknüpfen könnten,
woran wir anknüpfen könnten,
03:18
50 years ago.
82
186422
1562
ich traf zwar Präsident Johnson ...
03:19
It led me to meet President Johnson.
83
187984
2115
Aber 50 Jahre lang machte ich mir
weiter Gedanken dazu.
weiter Gedanken dazu.
03:22
I've been thinking about this for 50 years,
84
190099
2173
03:24
and a year and a half ago I came out with the book
85
192272
2828
Vor anderthalb Jahren
veröffentlichte ich das Buch
veröffentlichte ich das Buch
"Das Geheimnis des menschlichen Denkens".
03:27
"How To Create A Mind,"
86
195100
1265
03:28
which has the same thesis,
87
196365
1613
Darin vertrete ich dieselbe These --
nun durch zahlreiche Belege untermauert.
nun durch zahlreiche Belege untermauert.
03:29
but now there's a plethora of evidence.
88
197978
2812
Jedes Jahr liefert die Neurowissenschaft
doppelt so viele Daten über das Gehirn.
doppelt so viele Daten über das Gehirn.
03:32
The amount of data we're getting about the brain
89
200790
1814
03:34
from neuroscience is doubling every year.
90
202604
2203
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
Jedes Jahr verdoppelt sich die Auflösung
der bildgebenden Verfahren aller Art.
der bildgebenden Verfahren aller Art.
03:39
is doubling every year.
92
207461
2285
Heute können wir die Nervenzellen
dabei beobachten,
dabei beobachten,
03:41
We can now see inside a living brain
93
209746
1717
03:43
and see individual interneural connections
94
211463
2870
wie sie sich miteinander verbinden,
und dies in Echtzeit.
und dies in Echtzeit.
03:46
connecting in real time, firing in real time.
95
214333
2703
Wir können sehen,
wie im Gehirn Gedanken entstehen,
wie im Gehirn Gedanken entstehen,
03:49
We can see your brain create your thoughts.
96
217036
2419
03:51
We can see your thoughts create your brain,
97
219455
1575
wie es selbst daraus entsteht
und demnach, wie es funktioniert.
und demnach, wie es funktioniert.
03:53
which is really key to how it works.
98
221030
1999
Lassen Sie mich dies kurz erläutern.
03:55
So let me describe briefly how it works.
99
223029
2219
03:57
I've actually counted these modules.
100
225248
2275
Ich habe diese Bestandteile gezählt.
03:59
We have about 300 million of them,
101
227523
2046
Wir haben etwa 300 Mio. davon,
und wir bauen sie hierarchisch auf.
und wir bauen sie hierarchisch auf.
04:01
and we create them in these hierarchies.
102
229569
2229
Ich gebe Ihnen ein einfaches Beispiel.
04:03
I'll give you a simple example.
103
231798
2082
04:05
I've got a bunch of modules
104
233880
2805
Ich habe eine Handvoll Bestandteile,
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
mit denen wir den waagerechten Balken
im Buchstaben "A" erkennen.
im Buchstaben "A" erkennen.
04:12
and that's all they care about.
106
240088
1914
Das ist alles, was sie interessiert.
04:14
A beautiful song can play,
107
242002
1578
Es läuft ein schönes Lied oder
ein schönes Mädchen vorbei --
ein schönes Mädchen vorbei --
04:15
a pretty girl could walk by,
108
243580
1434
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
das ist ihnen egal.
Aber sehen sie den Balken in einem "A",
rufen sie entzückt "Balken!"
rufen sie entzückt "Balken!"
04:19
they get very excited and they say "crossbar,"
110
247860
3021
04:22
and they put out a high probability
111
250881
2112
und stellen ihre Neuraxonen
auf "hohe Wahrscheinlichkeit" um.
auf "hohe Wahrscheinlichkeit" um.
04:24
on their output axon.
112
252993
1634
Dies geht auf die nächste Ebene über.
04:26
That goes to the next level,
113
254627
1333
04:27
and these layers are organized in conceptual levels.
114
255960
2750
Jede Ebene entspricht
einer konzeptuellen Ebene.
einer konzeptuellen Ebene.
04:30
Each is more abstract than the next one,
115
258710
1856
Die Ebenen werden immer abstrakter.
04:32
so the next one might say "capital A."
116
260566
2418
Die nächste Ebene könnte z. B.
"Großbuchstabe A!" ausrufen.
"Großbuchstabe A!" ausrufen.
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
Dann geht es zur nächsten Ebene,
wo es "Apfel" heißt.
wo es "Apfel" heißt.
04:37
Information flows down also.
118
265875
2167
Die Information fließt aber
auch nach unten.
auch nach unten.
Sobald das entsprechende Bestandteil
die Folge A-P-F-E erkennt,
die Folge A-P-F-E erkennt,
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
mag es zu sich sagen:
"Hm, jetzt kommt wahrscheinlich ein L".
"Hm, jetzt kommt wahrscheinlich ein L".
Dann schickt es ein Signal
an alle Bestandteile zur L-Erkennung:
an alle Bestandteile zur L-Erkennung:
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
04:48
saying, "Be on the lookout for an E,
122
276761
1619
"Haltet Ausschau nach einem L,
es kommt vielleicht eins."
es kommt vielleicht eins."
04:50
I think one might be coming."
123
278380
1556
04:51
The E recognizers will lower their threshold
124
279936
2843
Daraufhin senken diese Bestandteile
den Schwellenwert für das L
den Schwellenwert für das L
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
und erkennen auch ein schwammiges L.
04:56
Ordinarily you wouldn't think so,
126
284724
1490
Sonst würden sie es nicht tun,
aber man erwartet ein L:
aber man erwartet ein L:
04:58
but we're expecting an E, it's good enough,
127
286214
2009
"Ja, ich habe ein L gesehen".
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
Das "Apfel-Bestandteil" entgegnet:
"Ja, es ist das Wort APFEL."
"Ja, es ist das Wort APFEL."
05:02
"Yeah, I've seen an Apple."
129
290040
1728
05:03
Go up another five levels,
130
291768
1746
Fünf Ebenen höher
ist aber ziemlich weit oben.
ist aber ziemlich weit oben.
05:05
and you're now at a pretty high level
131
293514
1353
05:06
of this hierarchy,
132
294867
1569
Bezieht man die verschiedenen Sinne ein,
05:08
and stretch down into the different senses,
133
296436
2353
entdeckt man ein Bestandteil,
das ein bestimmtes Gewebe erkennt,
das ein bestimmtes Gewebe erkennt,
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
eine bestimmte Stimmeigenschaft
oder ein Parfüm unterscheidet,
oder ein Parfüm unterscheidet,
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
05:16
and will say, "My wife has entered the room."
136
304288
2513
und sagt dann:
"Meine Frau ist gerade herein gekommen."
"Meine Frau ist gerade herein gekommen."
05:18
Go up another 10 levels, and now you're at
137
306801
1895
10 Stufen höher befindet sich
eine viel höhere Ebene.
eine viel höhere Ebene.
05:20
a very high level.
138
308696
1160
Wir sind womöglich im
frontalen Kortex angelangt,
frontalen Kortex angelangt,
05:21
You're probably in the frontal cortex,
139
309856
1937
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
und es gibt wohl Bestandteile, die sagen:
"Das war ironisch gemeint."
"Das war ironisch gemeint."
05:27
That's funny. She's pretty."
141
315560
2370
"Das ist witzig. Sie ist schön."
Man könnte meinen, diese Gedanken
seien raffinierter,
seien raffinierter,
05:29
You might think that those are more sophisticated,
142
317930
2105
05:32
but actually what's more complicated
143
320035
1506
aber wirklich komplex sind
all die Ebenen darunter.
all die Ebenen darunter.
05:33
is the hierarchy beneath them.
144
321541
2669
Es gab einmal ein 16-jähriges Mädchen,
das am Hirn operiert wurde.
das am Hirn operiert wurde.
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
05:38
and she was conscious because the surgeons
146
326830
2051
Sie war bei Bewusstsein,
weil die Chirurgen mit ihr reden wollten.
weil die Chirurgen mit ihr reden wollten.
05:40
wanted to talk to her.
147
328881
1537
Dies ist möglich, weil es im Hirn
keine Schmerzrezeptoren gibt.
keine Schmerzrezeptoren gibt.
05:42
You can do that because there's no pain receptors
148
330418
1822
05:44
in the brain.
149
332240
1038
05:45
And whenever they stimulated particular,
150
333278
1800
Wann immer sie bestimmte Stellen
in ihrem Neokortex stimulierten,
in ihrem Neokortex stimulierten,
05:47
very small points on her neocortex,
151
335078
2463
05:49
shown here in red, she would laugh.
152
337541
2665
die hier rot gekennzeichnet sind,
lachte sie.
lachte sie.
Die Ärzte dachten also zunächst,
dass sie einen Lachreflex auslösten.
dass sie einen Lachreflex auslösten.
05:52
So at first they thought they were triggering
153
340206
1440
05:53
some kind of laugh reflex,
154
341646
1720
05:55
but no, they quickly realized they had found
155
343366
2519
Aber bald merkten sie, dass jene Stellen
im Neokortex getroffen wurden,
im Neokortex getroffen wurden,
05:57
the points in her neocortex that detect humor,
156
345885
3044
die für den Humor zuständig sind,
06:00
and she just found everything hilarious
157
348929
1969
sodass sie einfach alles witzig fand,
wenn sie diese Stellen stimulierten.
wenn sie diese Stellen stimulierten.
06:02
whenever they stimulated these points.
158
350898
2437
06:05
"You guys are so funny just standing around,"
159
353335
1925
"Ihr steht da so witzig herum",
meinte sie immer wieder.
meinte sie immer wieder.
06:07
was the typical comment,
160
355260
1738
06:08
and they weren't funny,
161
356998
2302
Aber sie waren nicht witzig --
also nicht während des Eingriffs.
also nicht während des Eingriffs.
06:11
not while doing surgery.
162
359300
3247
06:14
So how are we doing today?
163
362547
4830
Womit beschäftigt sich
die heutige Forschung?
die heutige Forschung?
06:19
Well, computers are actually beginning to master
164
367377
3054
Computer sind dabei,
die menschliche Sprache
die menschliche Sprache
06:22
human language with techniques
165
370431
2001
mit ähnlichen Techniken wie
der Neokortex zu beherrschen.
der Neokortex zu beherrschen.
06:24
that are similar to the neocortex.
166
372432
2867
Ich beschrieb den
entsprechenden Algorithmus,
entsprechenden Algorithmus,
06:27
I actually described the algorithm,
167
375299
1514
06:28
which is similar to something called
168
376813
2054
der so ähnlich wie ein
Markov'sches Modell funktioniert.
Markov'sches Modell funktioniert.
06:30
a hierarchical hidden Markov model,
169
378867
2233
06:33
something I've worked on since the '90s.
170
381100
3241
Daran habe ich
seit den 90er Jahren gearbeitet.
seit den 90er Jahren gearbeitet.
"Jeopardy!" ist ein ziemlich
breit gefasstes Sprachspiel,
breit gefasstes Sprachspiel,
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
und IBMs Computer Watson
erlangte eine höhere Punktzahl
erlangte eine höhere Punktzahl
06:39
and Watson got a higher score
172
387579
1892
06:41
than the best two players combined.
173
389471
2000
als die besten zwei Spieler zusammen.
06:43
It got this query correct:
174
391471
2499
Er löste sogar diese Aufgabe korrekt:
06:45
"A long, tiresome speech
175
393970
2085
"Die lange, ermüdende Rede
eines süßen Kuchenbelags."
eines süßen Kuchenbelags."
06:48
delivered by a frothy pie topping,"
176
396055
2152
Die prompte Antwort:
"Was ist eine Schokolade-Tirade?"
"Was ist eine Schokolade-Tirade?"
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
Jennings und der andere Typ
schafften die Quizfrage aber nicht.
schafften die Quizfrage aber nicht.
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
06:55
It's a pretty sophisticated example of
179
403638
1926
Dies ist ein gutes Beispiel dafür,
wie raffiniert Computer
mit Sprache umgehen können.
mit Sprache umgehen können.
06:57
computers actually understanding human language,
180
405564
1914
06:59
and it actually got its knowledge by reading
181
407478
1652
Watson lernte dies übrigens bloß aus
Wikipedia und anderen Enzyklopädien.
Wikipedia und anderen Enzyklopädien.
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
07:04
Five to 10 years from now,
183
412915
2133
In fünf bis zehn Jahren
07:07
search engines will actually be based on
184
415048
2184
werden Suchmaschinen nicht einfach
Wörter und Links miteinander verbinden,
Wörter und Links miteinander verbinden,
07:09
not just looking for combinations of words and links
185
417232
2794
sondern wirklich verstehen --
07:12
but actually understanding,
186
420026
1914
07:13
reading for understanding the billions of pages
187
421940
2411
lesen, um Milliarden Seiten im Web
und aus Büchern zu verstehen.
und aus Büchern zu verstehen.
07:16
on the web and in books.
188
424351
2733
Wenn wir spazieren gehen,
wird sich Google öffnen und meinen:
wird sich Google öffnen und meinen:
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
"Mary, vor einem Monat hast du beklagt,
07:24
to me a month ago that your glutathione supplement
191
432781
3019
dass das Glutathion nicht vom Blut
ins Gehirn gelangen würde.
ins Gehirn gelangen würde.
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
Vor 13 Sekunden wurde aber
eine Studie veröffentlicht,
eine Studie veröffentlicht,
07:32
that shows a whole new approach to that
194
440624
1711
in der ein neuer Ansatz zur Einnahme
von Glutathion vorgestellt wird.
von Glutathion vorgestellt wird.
07:34
and a new way to take glutathione.
195
442335
1993
07:36
Let me summarize it for you."
196
444328
2562
Ich fasse ihn für dich zusammen."
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
In 20 Jahren werden wir Nanoroboter haben,
denn eine weitere rasante Entwicklung
ist die Miniaturisierung der Technik.
ist die Miniaturisierung der Technik.
07:42
because another exponential trend
198
450574
1627
07:44
is the shrinking of technology.
199
452201
1615
07:45
They'll go into our brain
200
453816
2370
Die Roboter werden durch die Kapillare
in unserem Gehirn ankommen
in unserem Gehirn ankommen
07:48
through the capillaries
201
456186
1703
07:49
and basically connect our neocortex
202
457889
2477
und unseren Neokortex mit einem
Neokortex in der Cloud verbinden,
Neokortex in der Cloud verbinden,
07:52
to a synthetic neocortex in the cloud
203
460366
3185
als künstliche Gehirn-Erweiterung.
07:55
providing an extension of our neocortex.
204
463551
3591
07:59
Now today, I mean,
205
467142
1578
Heute befindet sich
in jedem Handy ein Computer.
in jedem Handy ein Computer.
08:00
you have a computer in your phone,
206
468720
1530
Wenn man aber für eine Suche
kurz mal 10 000 Rechner braucht,
kurz mal 10 000 Rechner braucht,
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
08:05
to do a complex search,
208
473004
1495
08:06
you can access that for a second or two in the cloud.
209
474499
3396
wird man sich dafür
mit der Cloud verbinden können.
mit der Cloud verbinden können.
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
Wenn man in den 2030ern
ein wenig mehr Neokortex braucht,
ein wenig mehr Neokortex braucht,
08:12
you'll be able to connect to that in the cloud
211
480990
2273
kann man das Gehirn
direkt mit der Cloud verbinden.
direkt mit der Cloud verbinden.
08:15
directly from your brain.
212
483263
1648
Ich gehe also spazieren und merke:
08:16
So I'm walking along and I say,
213
484911
1543
08:18
"Oh, there's Chris Anderson.
214
486454
1363
"Ach, da kommt ja Chris Anderson.
08:19
He's coming my way.
215
487817
1525
Ich sollte mir lieber
etwas Schlaues ausdenken.
etwas Schlaues ausdenken.
08:21
I'd better think of something clever to say.
216
489342
2335
08:23
I've got three seconds.
217
491677
1524
Dafür habe ich drei Sekunden.
08:25
My 300 million modules in my neocortex
218
493201
3097
Die 300 Mio. Bestandteile in
meinem Neokortex schaffen das aber nicht.
meinem Neokortex schaffen das aber nicht.
08:28
isn't going to cut it.
219
496298
1240
Ich brauche 1 Milliarde mehr."
08:29
I need a billion more."
220
497538
1246
08:30
I'll be able to access that in the cloud.
221
498784
3323
Dann kann ich auf die Cloud zurückgreifen.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
Unser Denken wird also eine Mischform von
(nicht-)biologischem Denken sein,
(nicht-)biologischem Denken sein,
08:36
of biological and non-biological thinking,
223
504919
3522
wobei der nicht-biologische Teil
08:40
but the non-biological portion
224
508441
1898
dem "Gesetz des sich beschleunigenden
Nutzens" unterworfen ist --
Nutzens" unterworfen ist --
08:42
is subject to my law of accelerating returns.
225
510339
2682
08:45
It will grow exponentially.
226
513021
2239
es wird exponentiell wachsen.
08:47
And remember what happens
227
515260
2016
Erinnern Sie sich daran, was geschah,
08:49
the last time we expanded our neocortex?
228
517276
2645
als sich der Neokortex
das letzte Mal erweiterte?
das letzte Mal erweiterte?
Das war vor 2 Mio. Jahren.
08:51
That was two million years ago
229
519921
1426
Da wurden wir zu Hominiden,
entwickelten eine gewölbte Stirn.
entwickelten eine gewölbte Stirn.
08:53
when we became humanoids
230
521347
1236
08:54
and developed these large foreheads.
231
522583
1594
Alle anderen Menschenaffen
haben eine schräge Stirn,
haben eine schräge Stirn,
08:56
Other primates have a slanted brow.
232
524177
2583
denn sie haben keinen frontalen Kortex.
08:58
They don't have the frontal cortex.
233
526760
1745
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
Aber unser frontaler Kortex
ist qualitativ eigentlich nicht anders.
ist qualitativ eigentlich nicht anders.
Es ist einfach eine quantitative
Erweiterung des Neokortex,
Erweiterung des Neokortex,
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
09:06
but that additional quantity of thinking
236
534933
2703
aber die vergrößerte Datenkapazität
ermöglichte es uns,
ermöglichte es uns,
09:09
was the enabling factor for us to take
237
537636
1779
09:11
a qualitative leap and invent language
238
539415
3346
einen qualitativen Sprung zu machen,
und die Sprache, die Kunst,
die Wissenschaft und die Technik
die Wissenschaft und die Technik
09:14
and art and science and technology
239
542761
1967
09:16
and TED conferences.
240
544728
1454
sowie die TED-Konferenzen zu erfinden.
09:18
No other species has done that.
241
546182
2131
Das hat keine andere Spezies erreicht.
09:20
And so, over the next few decades,
242
548313
2075
Im Laufe der kommenden Jahrzehnte
werden wir das noch mal schaffen.
werden wir das noch mal schaffen.
09:22
we're going to do it again.
243
550388
1760
09:24
We're going to again expand our neocortex,
244
552148
2274
Wir werden unseren Neokortex
wieder erweitern,
wieder erweitern,
09:26
only this time we won't be limited
245
554422
1756
nur werden wir dieses Mal keine räumliche
Einschränkung durch den Schädel zulassen.
Einschränkung durch den Schädel zulassen.
09:28
by a fixed architecture of enclosure.
246
556178
4280
Diesmal ist die Erweiterung grenzenlos.
09:32
It'll be expanded without limit.
247
560458
3304
Die quantitative Erweiterung
wird es uns ermöglichen,
wird es uns ermöglichen,
09:35
That additional quantity will again
248
563762
2243
09:38
be the enabling factor for another qualitative leap
249
566005
3005
einen qualitativen Sprung in unserer
Kultur und Technologie zu machen.
Kultur und Technologie zu machen.
09:41
in culture and technology.
250
569010
1635
09:42
Thank you very much.
251
570645
2054
Vielen Dank.
(Applaus)
09:44
(Applause)
252
572699
3086
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