TED2003
Marvin Minsky: Health and the human mind
Marvin Minsky über Gesundheit und den menschlichen Verstand
Filmed:
Readability: 3.5
606,909 views
Hör genau zu - Marvin Minsky's schelmischer, vielseitiger, charmanter Vortrag aus dem Stehgreif über Gesundheit, Überbevölkerung und den menschlichen Verstand ist vollgepackt mit Spitzfindigkeiten: Witz, Weisheit und einer kleinen Priese gerissener "macht er Witze?" - Ratschläge
Marvin Minsky - AI pioneer
Marvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching. Full bio
Marvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching. Full bio
Double-click the English transcript below to play the video.
00:18
If you ask people about what part of psychology do they think is hard,
0
0
6000
Wenn man Menschen fragt, welcher Teil der Psychologie schwer sei,
00:24
and you say, "Well, what about thinking and emotions?"
1
6000
3000
und man sagt, gut, was ist mit Gedanken und Emotionen,
00:27
Most people will say, "Emotions are terribly hard.
2
9000
3000
die meisten Menschen werden sagen, "Emotionen sind sehr schwer.
00:30
They're incredibly complex. They can't -- I have no idea of how they work.
3
12000
6000
Sie sind unglaublich komplex, - Ich habe keine Idee wie sie funktionieren.
00:36
But thinking is really very straightforward:
4
18000
2000
Aber Denken ist wirklich sehr geradlinig:
00:38
it's just sort of some kind of logical reasoning, or something.
5
20000
4000
Es ist einfach nur eine Art logische Überlegung oder soetwas.
00:42
But that's not the hard part."
6
24000
3000
Aber das ist nicht der schwere Teil."
00:45
So here's a list of problems that come up.
7
27000
2000
Hier ist eine Liste von Problemen die auftauchen.
00:47
One nice problem is, what do we do about health?
8
29000
3000
Ein nettes Problem ist: Was tun wir für unsere Gesundheit?
00:50
The other day, I was reading something, and the person said
9
32000
4000
An einem anderen Tag las ich etwas, und die Person sagte
00:54
probably the largest single cause of disease is handshaking in the West.
10
36000
6000
die wahrscheinlich größte Einzelursache für Krankheiten im Westen ist Händeschütteln.
01:00
And there was a little study about people who don't handshake,
11
42000
4000
Und da gab es eine kleine Studie über Menschen die keine Hände schütteln,
01:04
and comparing them with ones who do handshake.
12
46000
3000
verglichen mit denen die Händeschütteln,
01:07
And I haven't the foggiest idea of where you find the ones that don't handshake,
13
49000
5000
und ich habe nicht die leiseste Ahnung wo sie die finden die keine Hände schütteln,
01:12
because they must be hiding.
14
54000
3000
denn die müssen sich verstecken.
01:15
And the people who avoid that
15
57000
4000
Und die Menschen die das vermeiden
01:19
have 30 percent less infectious disease or something.
16
61000
4000
haben 30 Prozent weniger ansteckende Krankheiten oder so ähnlich.
01:23
Or maybe it was 31 and a quarter percent.
17
65000
3000
Oder vielleicht war es 31 und ein Viertel Prozent.
01:26
So if you really want to solve the problem of epidemics and so forth,
18
68000
4000
Also wenn Sie wirklich das Problem von Epidemien und so weiter lösen wollen,
01:30
let's start with that. And since I got that idea,
19
72000
4000
lasst uns damit anfangen. Und seitdem ich die Idee hatte,
01:34
I've had to shake hundreds of hands.
20
76000
4000
musste ich Hunderte von Händen schütteln.
01:38
And I think the only way to avoid it
21
80000
5000
Und ich denke der einzige Weg es zu vermeiden
01:43
is to have some horrible visible disease,
22
85000
2000
ist eine schreckliche erkennbare Krankheit zu haben,
01:45
and then you don't have to explain.
23
87000
3000
und dann müssen Sie sich nicht erklären.
01:48
Education: how do we improve education?
24
90000
4000
Bildung: Wie verbessern wir die Bildung?
01:52
Well, the single best way is to get them to understand
25
94000
4000
Naja, der einzige gute Weg ist sie dazu zu bringen nachzuvollziehen
01:56
that what they're being told is a whole lot of nonsense.
26
98000
3000
dass das, was ihnen erzählt wird, eine große Menge Unsinn ist.
01:59
And then, of course, you have to do something
27
101000
2000
Und dann, natürlich, müssen Sie etwas tun,
02:01
about how to moderate that, so that anybody can -- so they'll listen to you.
28
103000
5000
wie Sie das transportieren, so damit Ihnen jeder mehr oder weniger zuhört.
02:06
Pollution, energy shortage, environmental diversity, poverty.
29
108000
4000
Umweltverschmutzung, Energieknappheit, ökologische Vielfalt, Armut -
02:10
How do we make stable societies? Longevity.
30
112000
4000
Wie schaffen wir stabile Gesellschaften? Langlebigkeit.
02:14
Okay, there're lots of problems to worry about.
31
116000
3000
Okay, es gibt zahlreiche Probleme um sich Gedanken zu machen.
02:17
Anyway, the question I think people should talk about --
32
119000
2000
Jedenfalls,ich denke, die Frage über die Menschen reden sollten -
02:19
and it's absolutely taboo -- is, how many people should there be?
33
121000
5000
und es ist absolut tabu - ist: Wieviele Menschen sollte es geben?
02:24
And I think it should be about 100 million or maybe 500 million.
34
126000
7000
Und ich denke es sollten um die 100 Millionen oder vielleicht 500 Millionen sein.
02:31
And then notice that a great many of these problems disappear.
35
133000
5000
Und dann bemerkt man, dass ein Großteil dieser Probleme verschwindet.
02:36
If you had 100 million people
36
138000
2000
Wenn Sie 100 Millionen Menschen haben,
02:38
properly spread out, then if there's some garbage,
37
140000
6000
gleichmäßig verteilt, dann, falls es etwas Müll gibt,
02:44
you throw it away, preferably where you can't see it, and it will rot.
38
146000
7000
schmeißen Sie es weg, vorzugsweise wo Sie es nicht sehen können, und es wird verrotten.
02:51
Or you throw it into the ocean and some fish will benefit from it.
39
153000
5000
Oder Sie werfen es in den Ozean und einige Fische werden davon profitieren.
02:56
The problem is, how many people should there be?
40
158000
2000
Das Problem lautet: wieviele Menschen sollte es geben?
02:58
And it's a sort of choice we have to make.
41
160000
3000
Und es ist eine Art Wahl die wir treffen müssen.
03:01
Most people are about 60 inches high or more,
42
163000
3000
Die meisten Menschen sind ungefähr 150 cm groß oder größer,
03:04
and there's these cube laws. So if you make them this big,
43
166000
4000
und da gibt es kubischen Verlust. Also wenn Sie sie so groß machen -
03:08
by using nanotechnology, I suppose --
44
170000
3000
mit Verwendung von z.B. Nanotechnology -
03:11
(Laughter)
45
173000
1000
(Gelächter)
03:12
-- then you could have a thousand times as many.
46
174000
2000
- dann könnten Sie tausendmal so viele haben.
03:14
That would solve the problem, but I don't see anybody
47
176000
2000
Das würde das Problem lösen, aber ich sehe niemanden,
03:16
doing any research on making people smaller.
48
178000
3000
der irgendeine Forschung betreibt, um Menschen kleiner zu machen.
03:19
Now, it's nice to reduce the population, but a lot of people want to have children.
49
181000
5000
Nun ist es nett, die Bevölkerung zu reduzieren, aber viele Menschen wollen Kinder haben.
03:24
And there's one solution that's probably only a few years off.
50
186000
3000
Und es gibt eine Lösung, von der wir wahrscheinlich nur noch ein paar Jahre entfernt sind.
03:27
You know you have 46 chromosomes. If you're lucky, you've got 23
51
189000
5000
Sie wissen, Sie haben 46 Chromosomen. Wenn Sie Glück haben, haben Sie 23
03:32
from each parent. Sometimes you get an extra one or drop one out,
52
194000
6000
von jedem Elternteil; manchmal bekommen Sie eins extra oder verlieren eins
03:38
but -- so you can skip the grandparent and great-grandparent stage
53
200000
4000
aber - also können Sie das Großeltern und Urgroßeltern Stadium überspringen
03:42
and go right to the great-great-grandparent. And you have 46 people
54
204000
5000
und direkt zu den Ururgroßeltern gehen. Das sind 46 Leute
03:47
and you give them a scanner, or whatever you need,
55
209000
3000
und Sie geben ihnen einen Scanner, oder was immer sie brauchen,
03:50
and they look at their chromosomes and each of them says
56
212000
4000
und sie schauen auf ihre Chromosomen und jeder bestimmt,
03:54
which one he likes best, or she -- no reason to have just two sexes
57
216000
5000
welches er am meisten mag, oder sie - egal welches Geschlecht.
03:59
any more, even. So each child has 46 parents,
58
221000
5000
Also hat jedes Kind 46 Eltern,
04:04
and I suppose you could let each group of 46 parents have 15 children.
59
226000
6000
und ich nehme an Sie können jede Gruppe der 46 Eltern 15 Kinder haben lassen -
04:10
Wouldn't that be enough? And then the children
60
232000
2000
Wäre das nicht genug? Und dann würden die Kinder
04:12
would get plenty of support, and nurturing, and mentoring,
61
234000
4000
jede Menge an Unterstützung und Pflege und Betreuung bekommen
04:16
and the world population would decline very rapidly
62
238000
2000
und die Weltbevölkerung würde sehr schnell sinken
04:18
and everybody would be totally happy.
63
240000
3000
und jeder wäre total glücklich.
04:21
Timesharing is a little further off in the future.
64
243000
3000
Timesharing ist ein wenig weiter weg in der Zukunft.
04:24
And there's this great novel that Arthur Clarke wrote twice,
65
246000
3000
Und es gibt diesen großartige Roman den Arthur Clarke zweimal schrieb,
04:27
called "Against the Fall of Night" and "The City and the Stars."
66
249000
4000
genannt Diesseits der Dämmerung und Die sieben Sonnen.
04:31
They're both wonderful and largely the same,
67
253000
3000
SIe sind beide wundervoll und größtenteils identisch,
04:34
except that computers happened in between.
68
256000
2000
außer das inzwischen Computer entwickelt wurden.
04:36
And Arthur was looking at this old book, and he said, "Well, that was wrong.
69
258000
5000
Und Arthur schaute auf das alte Buch, und er sagte, gut, das war falsch.
04:41
The future must have some computers."
70
263000
2000
Die Zukunft muss einige Computer haben.
04:43
So in the second version of it, there are 100 billion
71
265000
5000
Also in der zweiten Version davon, gibt es 100 Milliarden,
04:48
or 1,000 billion people on Earth, but they're all stored on hard disks or floppies,
72
270000
8000
oder 1,000 Millarden Menschen auf der Erde, aber sie sind alle auf Festplatten oder Disketten gespeichert,
04:56
or whatever they have in the future.
73
278000
2000
oder was immer sie in der Zukunft haben.
04:58
And you let a few million of them out at a time.
74
280000
4000
Und man lässt ein paar Millionen davon zur selben Zeit raus.
05:02
A person comes out, they live for a thousand years
75
284000
4000
Eine Person kommt raus, sie leben für eintausend Jahre
05:06
doing whatever they do, and then, when it's time to go back
76
288000
6000
tun was immer sie tun, und dann, wenn es Zeit ist zurück zu gehen
05:12
for a billion years -- or a million, I forget, the numbers don't matter --
77
294000
4000
für eine Milliarde Jahre - oder eine Million, ich vergaß, die Zahlen spielen keine Rolle -
05:16
but there really aren't very many people on Earth at a time.
78
298000
4000
aber es gibt wirklich nur sehr wenig Menschen auf der Erde zur selben Zeit.
05:20
And you get to think about yourself and your memories,
79
302000
2000
Und man beginnt nachzudenken über sich selbst und seine Erinnerungen,
05:22
and before you go back into suspension, you edit your memories
80
304000
5000
und bevor man zurück in die Versenkung geht verändert man seine Erinnerung
05:27
and you change your personality and so forth.
81
309000
3000
und man verändert seine Persönlichkeit und so weiter.
05:30
The plot of the book is that there's not enough diversity,
82
312000
6000
Die Handlung des Buches ist das es nicht genug Vielfalt gibt,
05:36
so that the people who designed the city
83
318000
3000
also müssen die Menschen die die Stadt entworfen haben
05:39
make sure that every now and then an entirely new person is created.
84
321000
4000
sicherstellen, dass hin und wieder eine komplett neue Person erzeugt wird.
05:43
And in the novel, a particular one named Alvin is created. And he says,
85
325000
6000
Und im Roman, eine bestimmte namens Alvin wird erzeugt. Und er sagt,
05:49
maybe this isn't the best way, and wrecks the whole system.
86
331000
4000
vielleicht ist das nicht der beste Weg, und zerstört das ganze System.
05:53
I don't think the solutions that I proposed
87
335000
2000
Ich denke nicht, dass die Lösungen die ich vorschlug
05:55
are good enough or smart enough.
88
337000
3000
gut genug oder intelligent genug sind.
05:58
I think the big problem is that we're not smart enough
89
340000
4000
Ich denke das große Problem ist, das wir nicht schlau genug sind
06:02
to understand which of the problems we're facing are good enough.
90
344000
4000
zu verstehen welche der Probleme denen wir begegnen gut genug sind.
06:06
Therefore, we have to build super intelligent machines like HAL.
91
348000
4000
Deshalb müssen wir super intelligente Maschinen wie HAL bauen.
06:10
As you remember, at some point in the book for "2001,"
92
352000
5000
Erinnern Sie sich an einem Punkt des Buches "2001",
06:15
HAL realizes that the universe is too big, and grand, and profound
93
357000
5000
wo HAL realisiert, dass das Universum zu groß und prachtvoll und tiefgründig
06:20
for those really stupid astronauts. If you contrast HAL's behavior
94
362000
4000
für diese wirklich dummen Astronauten ist. Falls man HAL's Verhalten
06:24
with the triviality of the people on the spaceship,
95
366000
4000
mit der Trivialität der Menschen auf dem Raumschiff vergleicht,
06:28
you can see what's written between the lines.
96
370000
3000
kann man erkennen, was zwischen den Zeilen geschrieben steht.
06:31
Well, what are we going to do about that? We could get smarter.
97
373000
3000
Nun, was werden wir dagegen tun? Wir können schlauer werden.
06:34
I think that we're pretty smart, as compared to chimpanzees,
98
376000
5000
Ich glaube, dass wir ziemlich schlau sind, verglichen mit Schimpansen,
06:39
but we're not smart enough to deal with the colossal problems that we face,
99
381000
6000
aber wir sind nicht schlau genug, um die kolossalen Problem zu lösen, die vor uns stehen,
06:45
either in abstract mathematics
100
387000
2000
weder mit abstrakter Mathematik
06:47
or in figuring out economies, or balancing the world around.
101
389000
5000
oder mit Wirtschaft, oder die Welt in Gleichgewicht zu halten.
06:52
So one thing we can do is live longer.
102
394000
3000
Nun eine Sache die wir tun können is,t länger leben.
06:55
And nobody knows how hard that is,
103
397000
2000
Und niemand weiß, wie schwer das ist,
06:57
but we'll probably find out in a few years.
104
399000
3000
aber wir werden es vermutlich in ein paar Jahren herausfinden.
07:00
You see, there's two forks in the road. We know that people live
105
402000
3000
Man sieht, es gibt zwei Gabelungen auf dem Weg. Wir wissen das Menschen
07:03
twice as long as chimpanzees almost,
106
405000
4000
doppelt so lange wie Schimpansen leben, beinahe,
07:07
and nobody lives more than 120 years,
107
409000
4000
und niemand lebt länger als 120 Jahre,
07:11
for reasons that aren't very well understood.
108
413000
3000
aus Gründen die man noch nicht versteht.
07:14
But lots of people now live to 90 or 100,
109
416000
3000
Aber viele Menschen leben zurzeit bis 90 oder 100,
07:17
unless they shake hands too much or something like that.
110
419000
4000
außer sie schütteln zu viele Hände oder sowas ähnliches.
07:21
And so maybe if we lived 200 years, we could accumulate enough skills
111
423000
5000
Wenn wir aber 200 Jahre leben würden, könnten wir genug Fähigkeiten
07:26
and knowledge to solve some problems.
112
428000
5000
und Wissen sammeln um manche Probleme zu lösen.
07:31
So that's one way of going about it.
113
433000
2000
Das wäre also ein Weg, den man einschlagen könnte.
07:33
And as I said, we don't know how hard that is. It might be --
114
435000
3000
Und wie ich sagte, wir wissen nicht wie schwer es ist.
07:36
after all, most other mammals live half as long as the chimpanzee,
115
438000
6000
Die meisten anderen Säugetieren leben halb so lang wie die Schimpansen,
07:42
so we're sort of three and a half or four times, have four times
116
444000
3000
also leben wir dreieinhalb oder viermal länger,
07:45
the longevity of most mammals. And in the case of the primates,
117
447000
6000
als die meisten Säugetiere. Und im Fall der Primaten,
07:51
we have almost the same genes. We only differ from chimpanzees,
118
453000
4000
haben wir fast die selben Gene. Wir unterscheiden uns von Schimpansen,
07:55
in the present state of knowledge, which is absolute hogwash,
119
457000
6000
im momentaten Zustand unseres Wissens - welcher absoluter Quatsch ist -
08:01
maybe by just a few hundred genes.
120
463000
2000
vielleicht in lediglich ein paar hundert Genen.
08:03
What I think is that the gene counters don't know what they're doing yet.
121
465000
3000
Was ich denke ist, dass die Genzähler nicht wissen was sie bisher tun.
08:06
And whatever you do, don't read anything about genetics
122
468000
3000
Und was immer Sie tun, lesen Sie nichts über Genetik
08:09
that's published within your lifetime, or something.
123
471000
3000
was zu Ihrer Lebenszeit veröffentlicht wurde.
08:12
(Laughter)
124
474000
3000
(Gelächter)
08:15
The stuff has a very short half-life, same with brain science.
125
477000
4000
Das Zeug hat eine sehr kurze Halbwertszeit, dasselbe gilt für die Gehirnforschung.
08:19
And so it might be that if we just fix four or five genes,
126
481000
6000
Es könnte sein, dass wenn wir vier oder fünf Gene reparieren,
08:25
we can live 200 years.
127
487000
2000
wir 200 Jahre leben können.
08:27
Or it might be that it's just 30 or 40,
128
489000
3000
Oder es könnte sein, dass es nur 30 oder 40 sind,
08:30
and I doubt that it's several hundred.
129
492000
2000
und ich bezweifel, dass es mehrere Hundert sind.
08:32
So this is something that people will be discussing
130
494000
4000
Nun das ist etwas, das Menschen diskutieren werden
08:36
and lots of ethicists -- you know, an ethicist is somebody
131
498000
3000
und viel Ethik - Sie wissen, ein Ethiker ist jemand
08:39
who sees something wrong with whatever you have in mind.
132
501000
3000
der ein Problem sieht, egal welche Gedanken Sie haben.
08:42
(Laughter)
133
504000
3000
(Gelächter)
08:45
And it's very hard to find an ethicist who considers any change
134
507000
4000
Und es ist sehr schwer einen Ethiker zu finden, der irgendeine Veränderung
08:49
worth making, because he says, what about the consequences?
135
511000
4000
von Wert erwägt, denn er sagt, was ist mit den Konsequenzen?
08:53
And, of course, we're not responsible for the consequences
136
515000
3000
Und natürlich, wir sind nicht verantwortlich für die Konsequenzen
08:56
of what we're doing now, are we? Like all this complaint about clones.
137
518000
6000
für das was wir gerade tun, oderr? Wie diese ganzen Bedenken ums Klonen.
09:02
And yet two random people will mate and have this child,
138
524000
3000
Und dennoch werden sich zwei zufällige Leute paaren und ein Kind bekommen,
09:05
and both of them have some pretty rotten genes,
139
527000
4000
und beide haben einige ziemlich miese Gene,
09:09
and the child is likely to come out to be average.
140
531000
4000
und es ist wahrscheinlich, dass das Kind durchschnittlich wird.
09:13
Which, by chimpanzee standards, is very good indeed.
141
535000
6000
Was bei Schimpansenmaßstäben tatsächlich sehr gut ist.
09:19
If we do have longevity, then we'll have to face the population growth
142
541000
3000
Wenn wir Langlebigkeit erreichen, dann müssen wir dem Bevölkerungswachstums-
09:22
problem anyway. Because if people live 200 or 1,000 years,
143
544000
4000
problem ohnehin begegnen. Denn wenn Menschen 200 oder 1,000 Jahre leben,
09:26
then we can't let them have a child more than about once every 200 or 1,000 years.
144
548000
6000
dann können wir sie nicht öfter als einmal alle 200 oder 1,000 Jahre ein Kind bekommen lassen.
09:32
And so there won't be any workforce.
145
554000
3000
Und somit wären keine Arbeitskräftet vorhanden.
09:35
And one of the things Laurie Garrett pointed out, and others have,
146
557000
4000
Und eine der Sachen die Laurie Garrett und andere aufgezeigt haben,
09:39
is that a society that doesn't have people
147
561000
5000
ist, dass eine Gesellschaft die keine Menschen im Arbeitsfähigen Alter hat,
09:44
of working age is in real trouble. And things are going to get worse,
148
566000
3000
in echten Schwierigkeiten ist. Und die Dinge werden schlimmer,
09:47
because there's nobody to educate the children or to feed the old.
149
569000
6000
denn es gibt niemanden der die Kinder erzieht oder die Alten ernährt.
09:53
And when I'm talking about a long lifetime, of course,
150
575000
2000
Undn wenn ich über eine lange Lebensspanne rede, natürlich,
09:55
I don't want somebody who's 200 years old to be like our image
151
577000
6000
meine ich nicht jemanden der mit 200 Jahren so alt aussieht,
10:01
of what a 200-year-old is -- which is dead, actually.
152
583000
4000
wie wir ihn uns vorstellen - er wäre natürlich tot.
10:05
You know, there's about 400 different parts of the brain
153
587000
2000
Sie wissen, es gibt ungefähr 400 verschieden Teile des Gehirns
10:07
which seem to have different functions.
154
589000
2000
welche dem Anschein nach verschiedene Funktionen haben.
10:09
Nobody knows how most of them work in detail,
155
591000
3000
Niemand weiß wie die meisten davon im Detail arbeiten,
10:12
but we do know that there're lots of different things in there.
156
594000
4000
aber wir wissen, dass es dort eine Menge von verschiedenen Dingen gibt.
10:16
And they don't always work together. I like Freud's theory
157
598000
2000
Und sie arbeiten nicht immer miteinander. Ich mag Freud's Theorie
10:18
that most of them are cancelling each other out.
158
600000
4000
dass die meisten davon sich gegenseitig aufheben.
10:22
And so if you think of yourself as a sort of city
159
604000
4000
Und nun wenn Sie sich selbst als eine Art Stadt denken
10:26
with a hundred resources, then, when you're afraid, for example,
160
608000
6000
mit hunderten Ressourcen, dann wenn sie z.B. Angst haben
10:32
you may discard your long-range goals, but you may think deeply
161
614000
4000
werden Sie vermutlich längerfristige Ziele vernachlässigen, aber Sie werden vermutlich stärker nachdenken
10:36
and focus on exactly how to achieve that particular goal.
162
618000
4000
und sich darauf konzentrieren, wie Sie ein Teilziel erreichen können.
10:40
You throw everything else away. You become a monomaniac --
163
622000
3000
Sie räumen alles andere aus dem Weg.. Sie werden ein Monomane -
10:43
all you care about is not stepping out on that platform.
164
625000
4000
alles, um das Sie sich kümmern, ist, nicht über die Plattform hinauszugehen.
10:47
And when you're hungry, food becomes more attractive, and so forth.
165
629000
4000
Und wenn Sie hungrig sind, wird Nahrung attraktiver werden, und so weiter.
10:51
So I see emotions as highly evolved subsets of your capability.
166
633000
6000
Also ich sehe Gefühle als eine hochentwickelte Untergruppe ihrer Fähigkeiten.
10:57
Emotion is not something added to thought. An emotional state
167
639000
4000
Emotion ist nicht etwas, dass dem Denken hinzugefügt wird. Ein emotionaler Zustand
11:01
is what you get when you remove 100 or 200
168
643000
4000
ist etwas, das man bekommt, wenn man 100 oder 200
11:05
of your normally available resources.
169
647000
3000
der Ihnen normal verfügbaren Ressourcen entfernt.
11:08
So thinking of emotions as the opposite of -- as something
170
650000
3000
Nun an Gefühle denken als Gegenteil von ... als etwas
11:11
less than thinking is immensely productive. And I hope,
171
653000
4000
weniger als Denken ist immens produktiv. Und ich hoffe,
11:15
in the next few years, to show that this will lead to smart machines.
172
657000
4000
innerhalb der nächsten Jahre, zu zeigen dass das zu intelligenten Maschinen führen wird.
11:19
And I guess I better skip all the rest of this, which are some details
173
661000
3000
Und ich denke ich überspringe besser den ganzen Rest davon, was ein paar Details sind
11:22
on how we might make those smart machines and --
174
664000
5000
darüber wie wir diese intelligenten Maschinen machen könnten und -
11:27
(Laughter)
175
669000
5000
(Gelächter)
11:32
-- and the main idea is in fact that the core of a really smart machine
176
674000
5000
- und die Grundidee ist eigentlich die, dass der Kern einer wirklichen intelligenten Maschine
11:37
is one that recognizes that a certain kind of problem is facing you.
177
679000
5000
einer ist der erkennen kann, dass man einer bestimmten Art von Problem gegenübersteht.
11:42
This is a problem of such and such a type,
178
684000
3000
Das ist ein Problem von dem und dem Typ,
11:45
and therefore there's a certain way or ways of thinking
179
687000
5000
und deshalb gibt es einen bestimmten Weg oder Wege zu denken,
11:50
that are good for that problem.
180
692000
2000
der Gut für dieses Problem ist.
11:52
So I think the future, main problem of psychology is to classify
181
694000
4000
Also ich denke das Hauptproblem der Zukunft der Psychologie ist es
11:56
types of predicaments, types of situations, types of obstacles
182
698000
4000
Typen von Zwickmühlen, Typen von Situationen, Typen von Hindernissen zu klassifizieren
12:00
and also to classify available and possible ways to think and pair them up.
183
702000
6000
und weiter verfügbare und mögliche Wege des Denkens zu klassifizieren und diese zu verbinden.
12:06
So you see, it's almost like a Pavlovian --
184
708000
3000
Also Sie sehen, es ist nahezu wie ein pawloscher Reiz-
12:09
we lost the first hundred years of psychology
185
711000
2000
wir haben die ersten hundert Jahre der Psychologie verloren
12:11
by really trivial theories, where you say,
186
713000
3000
mit wirklichen trivialen Theorien, welche behaupten,
12:14
how do people learn how to react to a situation? What I'm saying is,
187
716000
6000
wie Menschen lernen, wie sie auf eine Situation reagieren? Was ich sage ist,
12:20
after we go through a lot of levels, including designing
188
722000
5000
nachem wir verschiedene Ebenen marschiert sind, bzw. sie kreiert haben,
12:25
a huge, messy system with thousands of ports,
189
727000
3000
ein großes chaotisches System mit tausenden Teilen,
12:28
we'll end up again with the central problem of psychology.
190
730000
4000
werden wir wieder beim Kernproblem der Psychologie landen.
12:32
Saying, not what are the situations,
191
734000
3000
Erklären, nicht was die Situationen sind,
12:35
but what are the kinds of problems
192
737000
2000
sondern was die Arten der Probleme sind
12:37
and what are the kinds of strategies, how do you learn them,
193
739000
3000
und welcher Art die Strategien sind, und wie wir sie lernen,
12:40
how do you connect them up, how does a really creative person
194
742000
3000
wie man sie verbindet, wie tut eine wirkliche kreative Person
12:43
invent a new way of thinking out of the available resources and so forth.
195
745000
5000
eine neue Art des Denkens erfinden aus den verfügbaren Ressourcen und so weiter.
12:48
So, I think in the next 20 years,
196
750000
2000
Also ich denke in den nächsten 20 Jahren,
12:50
if we can get rid of all of the traditional approaches to artificial intelligence,
197
752000
5000
falls wir die traditionellen Annäherungen an künstliche Intelligenz loswerden können,
12:55
like neural nets and genetic algorithms
198
757000
2000
wie neurale Netze und genetische Algorithmen
12:57
and rule-based systems, and just turn our sights a little bit higher to say,
199
759000
6000
und regelbasierten Systemen, und sozusagen unseren Blick einfach ein wenig höher richten,
13:03
can we make a system that can use all those things
200
765000
2000
können wir ein System herstellen das all diese Dinge verwenden kann
13:05
for the right kind of problem? Some problems are good for neural nets;
201
767000
4000
für die richtige Art von Problem? Manche Probleme sind gut für neurale Netze,
13:09
we know that others, neural nets are hopeless on them.
202
771000
3000
wir kennen andere für die neurale Netze hoffnungslos sind.
13:12
Genetic algorithms are great for certain things;
203
774000
3000
Genetische Algorithmen sind gut für bestimmte Sachen;
13:15
I suspect I know what they're bad at, and I won't tell you.
204
777000
4000
ich vermute ich weiß für was sie schlecht sind und ich werde es ihnen nicht erzählen.
13:19
(Laughter)
205
781000
1000
(Gelächter)
13:20
Thank you.
206
782000
2000
Dankeschön.
13:22
(Applause)
207
784000
6000
(Applaus)
ABOUT THE SPEAKER
Marvin Minsky - AI pioneerMarvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching.
Why you should listen
Marvin Minsky is the superstar-elder of artificial intelligence, one of the most productive and important cognitive scientists of the century, and the leading proponent of the Society of Mind theory. Articulated in his 1985 book of the same name, Minsky's theory says intelligence is not born of any single mechanism, but from the interaction of many independent agents. The book's sequel,The Emotion Machine (2006), says similar activity also accounts for feelings, goals, emotions and conscious thoughts.
Minsky also pioneered advances in mathematics, computational linguistics, optics, robotics and telepresence. He built SNARC, the first neural network simulator, some of the first visual scanners, and the first LOGO "turtle." From his headquarters at MIT's Media Lab and the AI Lab (which he helped found), he continues to work on, as he says, "imparting to machines the human capacity for commonsense reasoning."
Marvin Minsky | Speaker | TED.com