ABOUT THE SPEAKERS
Sebastian Thrun - Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us.

Why you should listen

Sebastian Thrun is an educator, entrepreneur and troublemaker. After a long life as a professor at Stanford University, Thrun resigned from tenure to join Google. At Google, he founded Google X, home to self-driving cars and many other moonshot technologies. Thrun also founded Udacity, an online university with worldwide reach, and Kitty Hawk, a "flying car" company. He has authored 11 books, 400 papers, holds 3 doctorates and has won numerous awards.

More profile about the speaker
Sebastian Thrun | Speaker | TED.com
Chris Anderson - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading.

Why you should listen

Chris Anderson is the Curator of TED, a nonprofit devoted to sharing valuable ideas, primarily through the medium of 'TED Talks' -- short talks that are offered free online to a global audience.

Chris was born in a remote village in Pakistan in 1957. He spent his early years in India, Pakistan and Afghanistan, where his parents worked as medical missionaries, and he attended an American school in the Himalayas for his early education. After boarding school in Bath, England, he went on to Oxford University, graduating in 1978 with a degree in philosophy, politics and economics.

Chris then trained as a journalist, working in newspapers and radio, including two years producing a world news service in the Seychelles Islands.

Back in the UK in 1984, Chris was captivated by the personal computer revolution and became an editor at one of the UK's early computer magazines. A year later he founded Future Publishing with a $25,000 bank loan. The new company initially focused on specialist computer publications but eventually expanded into other areas such as cycling, music, video games, technology and design, doubling in size every year for seven years. In 1994, Chris moved to the United States where he built Imagine Media, publisher of Business 2.0 magazine and creator of the popular video game users website IGN. Chris eventually merged Imagine and Future, taking the combined entity public in London in 1999, under the Future name. At its peak, it published 150 magazines and websites and employed 2,000 people.

This success allowed Chris to create a private nonprofit organization, the Sapling Foundation, with the hope of finding new ways to tackle tough global issues through media, technology, entrepreneurship and, most of all, ideas. In 2001, the foundation acquired the TED Conference, then an annual meeting of luminaries in the fields of Technology, Entertainment and Design held in Monterey, California, and Chris left Future to work full time on TED.

He expanded the conference's remit to cover all topics, including science, business and key global issues, while adding a Fellows program, which now has some 300 alumni, and the TED Prize, which grants its recipients "one wish to change the world." The TED stage has become a place for thinkers and doers from all fields to share their ideas and their work, capturing imaginations, sparking conversation and encouraging discovery along the way.

In 2006, TED experimented with posting some of its talks on the Internet. Their viral success encouraged Chris to begin positioning the organization as a global media initiative devoted to 'ideas worth spreading,' part of a new era of information dissemination using the power of online video. In June 2015, the organization posted its 2,000th talk online. The talks are free to view, and they have been translated into more than 100 languages with the help of volunteers from around the world. Viewership has grown to approximately one billion views per year.

Continuing a strategy of 'radical openness,' in 2009 Chris introduced the TEDx initiative, allowing free licenses to local organizers who wished to organize their own TED-like events. More than 8,000 such events have been held, generating an archive of 60,000 TEDx talks. And three years later, the TED-Ed program was launched, offering free educational videos and tools to students and teachers.

More profile about the speaker
Chris Anderson | Speaker | TED.com
TED2017

Sebastian Thrun and Chris Anderson: What AI is -- and isn't

Sebastian Thrun y Chris Anderson: La nueva generación de computadoras se programa a sí misma

Filmed:
1,575,780 views

El educador y emprendedor Sebastian Thrun quiere que usemos la inteligencia artificial para liberar a la humanidad del trabajo repetitivo y desatar nuestra creatividad. En una conversación inspiradora e instructiva con el curador de TED Chris Anderson, Thrun habla sobre el progreso del aprendizaje profundo, por qué no deberíamos temer la IA desbocada y cómo las sociedades se beneficiarían si los trabajos aburridos y tediosos fueran realizados por máquinas. "Sólo el uno por ciento de las cosas interesantes han sido creadas al día de hoy," dice Thrun. "Creo que todos nosotros somos increíblemente creativos... [La IA] nos dará el poder de convertir esta creatividad en acción".
- Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us. Full bio - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading. Full bio

Double-click the English transcript below to play the video.

Chris Anderson: Ayúdanos a entender
qué es el aprendizaje de máquina
00:12
ChrisChris AndersonAnderson: Help us understandentender
what machinemáquina learningaprendizaje is,
0
904
2886
porque parece ser el impulsor principal
00:15
because that seemsparece to be the keyllave driverconductor
1
3814
2054
de gran parte del entusiasmo
y la preocupación
00:17
of so much of the excitementemoción
and alsoademás of the concernpreocupación
2
5892
2737
alrededor de la inteligencia artificial.
00:20
around artificialartificial intelligenceinteligencia.
3
8653
1494
¿Cómo funciona el aprendizaje de máquina?
00:22
How does machinemáquina learningaprendizaje work?
4
10171
1643
00:23
SebastianSebastian ThrunThrun: So, artificialartificial
intelligenceinteligencia and machinemáquina learningaprendizaje
5
11838
3896
Sebastian Thrun: La inteligencia
artificial y el aprendizaje de máquina
tienen, más o menos, 60 años de antigüedad
00:27
is about 60 yearsaños oldantiguo
6
15758
2002
y su pasado no ha sido maravilloso,
hasta hace poco.
00:29
and has not had a great day
in its pastpasado untilhasta recentlyrecientemente.
7
17784
4269
00:34
And the reasonrazón is that todayhoy,
8
22077
2924
Y la razón es que hoy,
se ha alcanzado una escala
de computación y conjuntos de datos
00:37
we have reachedalcanzado a scaleescala
of computinginformática and datasetsconjuntos de datos
9
25025
3973
que era necesaria para hacer
a las máquinas inteligentes.
00:41
that was necessarynecesario to make machinesmáquinas smartinteligente.
10
29022
2637
Así es como funciona:
00:43
So here'saquí está how it workstrabajos.
11
31683
1751
Si hoy programas una computadora,
por ejemplo, tu teléfono,
00:45
If you programprograma a computercomputadora todayhoy,
say, your phoneteléfono,
12
33458
3497
entonces contratas ingenieros de software
00:48
then you hirealquiler softwaresoftware engineersingenieros
13
36979
2335
que escriben una receta
de cocina muy, muy larga,
00:51
that writeescribir a very,
very long kitchencocina recipereceta,
14
39338
3854
como, "si el agua está demasiado
caliente, baja la temperatura;
00:55
like, "If the wateragua is too hotcaliente,
turngiro down the temperaturetemperatura.
15
43216
3132
si está demasiado fría,
sube la temperatura".
00:58
If it's too coldfrío, turngiro up
the temperaturetemperatura."
16
46372
2279
Las recetas no tienen solo 10 líneas,
tienen millones de líneas.
01:00
The recipesrecetas are not just 10 lineslíneas long.
17
48675
2849
01:03
They are millionsmillones of lineslíneas long.
18
51548
2603
01:06
A modernmoderno cellcelda phoneteléfono
has 12 millionmillón lineslíneas of codecódigo.
19
54175
4084
Un teléfono móvil moderno
tiene 12 millones de líneas de código.
01:10
A browsernavegador has fivecinco millionmillón lineslíneas of codecódigo.
20
58283
2646
Un buscador tiene cinco millones
de líneas de código.
Y cada error en esta receta
puede hacer que colapse tu computadora,
01:12
And eachcada bugerror in this recipereceta
can causeporque your computercomputadora to crashchoque.
21
60953
4969
por eso un ingeniero de software
gana tanto dinero.
01:17
That's why a softwaresoftware engineeringeniero
makeshace so much moneydinero.
22
65946
3075
01:21
The newnuevo thing now is that computersordenadores
can find theirsu ownpropio rulesreglas.
23
69953
3660
Lo nuevo ahora es que las computadoras
pueden encontrar sus propias reglas.
Así que en vez de que
un experto descifre, paso a paso,
01:25
So insteaden lugar of an expertexperto
decipheringdescifrando, steppaso by steppaso,
24
73637
3606
una regla para cada situación,
01:29
a ruleregla for everycada contingencycontingencia,
25
77267
2148
ahora se puede dar
ejemplos a la computadora
01:31
what you do now is you give
the computercomputadora examplesejemplos
26
79439
3074
y ella infiere sus propias reglas.
01:34
and have it inferinferir its ownpropio rulesreglas.
27
82537
1581
Un buen ejemplo es AlphaGo,
que hace poco ganó Google.
01:36
A really good exampleejemplo is AlphaGoAlphaGo,
whichcual recentlyrecientemente was wonwon by GoogleGoogle.
28
84142
4306
Normalmente, en los juegos,
escribirías todas las reglas,
01:40
NormallyNormalmente, in gamejuego playingjugando,
you would really writeescribir down all the rulesreglas,
29
88472
3687
pero en el caso de AlphaGo,
01:44
but in AlphaGo'sAlphaGo casecaso,
30
92183
1785
el sistema analizó más
de un millón de jugadas
01:45
the systemsistema lookedmirado over a millionmillón gamesjuegos
31
93992
2066
01:48
and was ablepoder to inferinferir its ownpropio rulesreglas
32
96082
2192
y pudo inferir sus propias reglas
01:50
and then beatgolpear the world'smundo
residingresidiendo Go championcampeón.
33
98298
2738
para luego ganarle
al campeón mundial de go.
01:53
That is excitingemocionante, because it relievesalivia
the softwaresoftware engineeringeniero
34
101853
3509
Esto es emocionante porque
exime al ingeniero de software
de tener que ser súper inteligente,
01:57
of the need of beingsiendo supersúper smartinteligente,
35
105386
1819
y le pasa la carga a los datos.
01:59
and pushesempuja the burdencarga towardshacia the datadatos.
36
107229
2325
02:01
As I said, the inflectioninflexión pointpunto
where this has becomevolverse really possibleposible --
37
109578
4534
Como dije, el punto de inflexión
donde esto se volvió realmente posible...
Es muy vergonzoso, mi tesis
fue sobre aprendizaje de máquina,
02:06
very embarrassingembarazoso, my thesistesis
was about machinemáquina learningaprendizaje.
38
114136
2746
completamente insignificante,
no la lean, porque fue hace 20 años
02:08
It was completelycompletamente
insignificantinsignificante, don't readleer it,
39
116906
2205
02:11
because it was 20 yearsaños agohace
40
119135
1350
y entonces las computadoras eran del
tamaño del cerebro de una cucaracha.
02:12
and back then, the computersordenadores
were as biggrande as a cockroachcucaracha braincerebro.
41
120509
2907
Ahora son suficientemente poderosas
para realmente emular
02:15
Now they are powerfulpoderoso enoughsuficiente
to really emulateemular
42
123440
2331
02:17
kindtipo of specializedespecializado humanhumano thinkingpensando.
43
125795
2076
el pensamiento humano especializado.
02:19
And then the computersordenadores
take advantageventaja of the facthecho
44
127895
2313
Y las computadoras tienen la ventaja
de poder ver muchos más datos
que una persona.
02:22
that they can look at
much more datadatos than people can.
45
130232
2500
Diría que AlphaGo analizó
más de un millón de jugadas,
02:24
So I'd say AlphaGoAlphaGo lookedmirado at
more than a millionmillón gamesjuegos.
46
132756
3080
ningún humano puede estudiar
un millón de jugadas.
02:27
No humanhumano expertexperto can ever
studyestudiar a millionmillón gamesjuegos.
47
135860
2839
Google ha revisado más de
100 000 millones de páginas web.
02:30
GoogleGoogle has lookedmirado at over
a hundredcien billionmil millones webweb pagespáginas.
48
138723
3182
Ninguna persona puede estudiar
100 000 millones de páginas web.
02:33
No personpersona can ever studyestudiar
a hundredcien billionmil millones webweb pagespáginas.
49
141929
2650
02:36
So as a resultresultado,
the computercomputadora can find rulesreglas
50
144603
2714
Por lo tanto, la computadora
puede encontrar reglas
que una persona no puede.
02:39
that even people can't find.
51
147341
1755
CA: Así que en vez de decir
"si él hace eso, yo hago aquello",
02:41
CACalifornia: So insteaden lugar of looking aheadadelante
to, "If he does that, I will do that,"
52
149120
4312
es decir, "este parece ser
un modelo exitoso,
02:45
it's more sayingdiciendo, "Here is what
looksmiradas like a winningvictorioso patternpatrón,
53
153456
3072
este parece un modelo exitoso".
02:48
here is what looksmiradas like
a winningvictorioso patternpatrón."
54
156552
2079
ST: Sí. Piensa en cómo criamos
a los niños.
02:50
STS T: Yeah. I mean, think about
how you raiseaumento childrenniños.
55
158655
2517
No pasas los primeros 18 años
dándoles una regla para cada situación,
02:53
You don't spendgastar the first 18 yearsaños
givingdando kidsniños a ruleregla for everycada contingencycontingencia
56
161196
3644
y luego los dejas libres
con este gran programa.
02:56
and setconjunto them freegratis
and they have this biggrande programprograma.
57
164864
2347
Se tropiezan, se caen, se levantan
reciben una bofetada o nalgada,
02:59
They stumbletropezón, fallotoño, get up,
they get slappedabofeteado or spankednalgadas,
58
167235
2719
tienen una experiencia positiva,
una buena nota en la escuela,
03:01
and they have a positivepositivo experienceexperiencia,
a good gradegrado in schoolcolegio,
59
169978
2884
y lo resuelven por sí solos.
03:04
and they figurefigura it out on theirsu ownpropio.
60
172886
1834
Eso sucede ahora con las computadoras,
03:06
That's happeningsucediendo with computersordenadores now,
61
174744
1737
lo cual hace que programar
computadoras sea más fácil ahora.
03:08
whichcual makeshace computercomputadora programmingprogramación
so much easiermás fácil all of a suddenrepentino.
62
176505
3029
03:11
Now we don't have to think anymorenunca más.
We just give them lots of datadatos.
63
179558
3175
Ahora ya no tenemos que pensar,
solo les damos muchos datos.
CA: Esto ha sido clave para
el avance tan importante
03:14
CACalifornia: And so, this has been keyllave
to the spectacularespectacular improvementmejora
64
182757
3422
en tema de vehículos autónomos.
03:18
in powerpoder of self-drivingconducción autónoma carscarros.
65
186203
3064
Me parece que este es un ejemplo.
03:21
I think you gavedio me an exampleejemplo.
66
189291
1739
¿Puedes explicar qué está pasando aquí?
03:23
Can you explainexplique what's happeningsucediendo here?
67
191054
2685
ST: Este es un viaje
de un vehículo autónomo
03:25
STS T: This is a drivemanejar of a self-drivingconducción autónoma carcoche
68
193763
3564
que casualmente teníamos en Udacity
03:29
that we happenedsucedió to have at UdacityUdacity
69
197351
1957
y que recientemente convertimos
en una filial llamada Voyage.
03:31
and recentlyrecientemente madehecho
into a spin-offescindir calledllamado VoyageViaje.
70
199332
2398
03:33
We have used this thing
calledllamado deepprofundo learningaprendizaje
71
201754
2574
Usamos algo llamado aprendizaje profundo
para entrenar a un vehículo
para auto-manejarse,
03:36
to traintren a carcoche to drivemanejar itselfsí mismo,
72
204352
1623
03:37
and this is drivingconducción
from MountainMontaña ViewVer, CaliforniaCalifornia,
73
205999
2387
y este está manejando de Mountain View,
California a San Francisco
03:40
to SanSan FranciscoFrancisco
74
208410
1168
03:41
on ElEl CaminoCamino RealReal on a rainylluvioso day,
75
209602
2259
en El Camino Real, en un día lluvioso,
con ciclistas y peatones y 133 semáforos.
03:43
with bicyclistsciclistas and pedestrianspeatones
and 133 traffictráfico lightsluces.
76
211885
3524
Y lo novedoso aquí es que,
03:47
And the novelnovela thing here is,
77
215433
2636
hace muchas lunas, yo inicié el equipo
de vehículos autónomos en Google.
03:50
manymuchos, manymuchos moonslunas agohace, I startedempezado
the GoogleGoogle self-drivingconducción autónoma carcoche teamequipo.
78
218093
3120
Y en ese entonces, contraté
a los mejores ingenieros de software
03:53
And back in the day, I hiredcontratado
the world'smundo bestmejor softwaresoftware engineersingenieros
79
221237
3181
para encontrar las mejores reglas.
03:56
to find the world'smundo bestmejor rulesreglas.
80
224442
1607
03:58
This is just trainedentrenado.
81
226073
1754
Esto simplemente está entrenado.
03:59
We drivemanejar this roadla carretera 20 timesveces,
82
227851
3336
Manejamos esta ruta 20 veces,
le pusimos todos esos datos
al cerebro de la computadora,
04:03
we put all this datadatos
into the computercomputadora braincerebro,
83
231211
2447
y tras algunas horas de procesamiento,
04:05
and after a fewpocos hourshoras of processingtratamiento,
84
233682
2082
04:07
it comesproviene up with behaviorcomportamiento
that oftena menudo surpassessupera humanhumano agilityagilidad.
85
235788
3926
se comporta de tal manera que
en ocasiones, supera la agilidad humana.
Se ha vuelto muy sencillo programarlo.
04:11
So it's becomevolverse really easyfácil to programprograma it.
86
239738
2017
04:13
This is 100 percentpor ciento autonomousautónomo,
about 33 milesmillas, an hourhora and a halfmitad.
87
241779
3803
Este es 100 % autónomo,
53 km, una hora y media.
CA: Explícanos, en la parte
izquierda de esta pantalla
04:17
CACalifornia: So, explainexplique it -- on the biggrande partparte
of this programprograma on the left,
88
245606
3630
vemos lo que la computadora
identifica como camiones y autos
04:21
you're seeingviendo basicallybásicamente what
the computercomputadora seesve as truckscamiones and carscarros
89
249260
3257
y esos puntos que lo rebasan.
04:24
and those dotspuntos overtakingadelantamientos it and so forthadelante.
90
252541
2886
ST: A la derecha está la imagen de
la cámara, que es la fuente principal,
04:27
STS T: On the right sidelado, you see the cameracámara
imageimagen, whichcual is the mainprincipal inputentrada here,
91
255451
3762
y sirve para encontrar los carriles,
otros autos, los semáforos...
04:31
and it's used to find lanescarriles,
other carscarros, traffictráfico lightsluces.
92
259237
2676
04:33
The vehiclevehículo has a radarRadar
to do distancedistancia estimationEstimacion.
93
261937
2489
El vehículo tiene un radar
para estimar distancia.
Son frecuentemente usamos
en este tipo de sistemas.
04:36
This is very commonlycomúnmente used
in these kindtipo of systemssistemas.
94
264450
2621
A la izquierda ven un diagrama
de láser donde se ven
04:39
On the left sidelado you see a laserláser diagramdiagrama,
95
267095
1992
04:41
where you see obstaclesobstáculos like treesárboles
and so on depictedrepresentado by the laserláser.
96
269111
3200
obstáculos, como árboles,
representados por el láser.
Pero lo más interesante
está en la imagen de la cámara.
04:44
But almostcasi all the interestinginteresante work
is centeringcentrado on the cameracámara imageimagen now.
97
272335
3436
Estamos cambiando de usar
sensores de precisión,
04:47
We're really shiftingcambiando over from precisionprecisión
sensorssensores like radarsradares and lasersláser
98
275795
3476
como láseres y radares,
hacia sensores muy baratos.
04:51
into very cheapbarato, commoditizedcomoditized sensorssensores.
99
279295
1842
Una cámara cuesta menos de USD 8.
04:53
A cameracámara costscostos lessMenos than eightocho dollarsdólares.
100
281161
1987
CA: Y ese punto verde
a la izquierda, ¿qué es?
04:55
CACalifornia: And that greenverde dotpunto
on the left thing, what is that?
101
283172
2793
¿Algo importante?
04:57
Is that anything meaningfulsignificativo?
102
285989
1371
ST: Es un punto de referencia para
el regulador de velocidad adaptable,
04:59
STS T: This is a look-aheadlook-ahead pointpunto
for your adaptiveadaptado cruisecrucero controlcontrolar,
103
287384
3668
nos ayuda a entender
cómo regular la velocidad
05:03
so it helpsayuda us understandentender
how to regulateregular velocityvelocidad
104
291076
2477
dependiendo de la distancia
con los autos de adelante.
05:05
basedbasado on how farlejos
the carscarros in frontfrente of you are.
105
293577
2634
CA: También tienes un ejemplo, me parece,
05:08
CACalifornia: And so, you've alsoademás
got an exampleejemplo, I think,
106
296235
2716
05:10
of how the actualreal
learningaprendizaje partparte takes placelugar.
107
298975
2381
de cómo transcurre el proceso
de aprendizaje en sí.
05:13
Maybe we can see that. Talk about this.
108
301380
2458
Podríamos verlo. Háblanos de esto.
ST: Este es un ejemplo de un desafío
que hicimos a los estudiantes de Udacity
05:15
STS T: This is an exampleejemplo where we posedposado
a challengereto to UdacityUdacity studentsestudiantes
109
303862
3643
de tomar este vehículo autónomo
que llamamos Nanodegree.
05:19
to take what we call
a self-drivingconducción autónoma carcoche NanodegreeNanodegree.
110
307529
3131
Les dimos este set de datos
y les dijimos:
05:22
We gavedio them this datasetconjunto de datos
111
310684
1495
05:24
and said "Hey, can you guys figurefigura out
how to steerdirigir this carcoche?"
112
312203
3054
"¿Pueden descifrar
cómo dirigir este auto?"
Si ves las imágenes,
05:27
And if you look at the imagesimágenes,
113
315281
1624
incluso para un humano,
es casi imposible dirigirlo bien.
05:28
it's, even for humanshumanos, quitebastante impossibleimposible
to get the steeringgobierno right.
114
316929
4073
Así que hicimos una competencia,
05:33
And we rancorrió a competitioncompetencia and said,
"It's a deepprofundo learningaprendizaje competitioncompetencia,
115
321026
3591
una competencia de aprendizaje profundo
e inteligencia artificial,
05:36
AIAI competitioncompetencia,"
116
324641
1173
05:37
and we gavedio the studentsestudiantes 48 hourshoras.
117
325838
1887
y le dimos 48 horas a los estudiantes.
05:39
So if you are a softwaresoftware housecasa
like GoogleGoogle or FacebookFacebook,
118
327749
4172
Si eres un centro de software profesional
como Google o Facebook,
algo como esto te lleva
al menos seis meses de trabajo.
05:43
something like this costscostos you
at leastmenos sixseis monthsmeses of work.
119
331945
2717
Así que pensamos que 48 horas
estaba perfecto.
05:46
So we figuredfigurado 48 hourshoras is great.
120
334686
2202
Y en 48 horas tuvimos al menos
100 entregas de estudiantes,
05:48
And withindentro 48 hourshoras, we got about
100 submissionspresentaciones from studentsestudiantes,
121
336912
3467
y los cuatro mejores lo hicieron
perfectamente bien.
05:52
and the topparte superior fourlas cuatro got it perfectlyperfectamente right.
122
340403
3370
Se maneja mejor de lo que yo
podría manejar con estas imágenes,
05:55
It drivesunidades better than I could
drivemanejar on this imageryimágenes,
123
343797
2640
usando aprendizaje profundo.
05:58
usingutilizando deepprofundo learningaprendizaje.
124
346461
1189
05:59
And again, it's the samemismo methodologymetodología.
125
347674
1799
Y es la misma metodología.
06:01
It's this magicalmágico thing.
126
349497
1164
Esto que parece magia:
si das suficiente información
a una computadora,
06:02
When you give enoughsuficiente datadatos
to a computercomputadora now,
127
350685
2085
06:04
and give enoughsuficiente time
to comprehendcomprender the datadatos,
128
352794
2140
y suficiente tiempo para
comprenderla,
encuentra sus propias reglas.
06:06
it findsencuentra its ownpropio rulesreglas.
129
354958
1445
06:09
CACalifornia: And so that has led to the developmentdesarrollo
of powerfulpoderoso applicationsaplicaciones
130
357339
4845
CA: Esto ha llevado al desarrollo
de aplicaciones muy poderosas
en todo tipo de áreas.
06:14
in all sortstipo of areasáreas.
131
362208
1525
El otro día me hablabas del cáncer.
06:15
You were talkinghablando to me
the other day about cancercáncer.
132
363757
2668
06:18
Can I showespectáculo this videovídeo?
133
366449
1189
¿Puedo mostrar este vídeo?
06:19
STS T: Yeah, absolutelyabsolutamente, please.
CACalifornia: This is coolguay.
134
367662
2354
ST: Claro, adelante.
CA: Esto es genial.
ST: Esto es un vistazo
a lo que está sucediendo
06:22
STS T: This is kindtipo of an insightvisión
into what's happeningsucediendo
135
370040
3534
06:25
in a completelycompletamente differentdiferente domaindominio.
136
373598
2429
en un campo completamente distinto.
Esto está reforzando o compitiendo,
dependiendo cómo se quiera ver,
06:28
This is augmentingaumento, or competingcompitiendo --
137
376051
3752
06:31
it's in the eyeojo of the beholderespectador --
138
379827
1749
con gente que gana USD 400 000 al año:
06:33
with people who are beingsiendo paidpagado
400,000 dollarsdólares a yearaño,
139
381600
3454
los dermatólogos,
06:37
dermatologistsdermatólogos,
140
385078
1237
especialistas altamente entrenados.
06:38
highlyaltamente trainedentrenado specialistsespecialistas.
141
386339
1983
06:40
It takes more than a decadedécada of trainingformación
to be a good dermatologistdermatólogo.
142
388346
3561
Convertirse en un buen dermatólogo
toma más de una década de capacitación.
Lo que ven aquí es la versión
de aprendizaje de máquina.
06:43
What you see here is
the machinemáquina learningaprendizaje versionversión of it.
143
391931
3196
Se le llama una red neuronal.
06:47
It's calledllamado a neuralneural networkred.
144
395151
1841
Redes neuronales es el término técnico
06:49
"NeuralNeural networksredes" is the technicaltécnico termtérmino
for these machinemáquina learningaprendizaje algorithmsAlgoritmos.
145
397016
3742
para estos algoritmos
de aprendizaje de máquina.
06:52
They'veHan been around sinceya que the 1980s.
146
400782
1789
Han existido desde los años 80.
Este fue inventado en 1988
por Yann LeCun, un Facebook Fellow,
06:54
This one was inventedinventado in 1988
by a FacebookFacebook FellowCompañero calledllamado YannYann LeCunLeCun,
147
402595
4640
y procesa los datos en etapas
06:59
and it propagatespropaga datadatos stagesetapas
148
407259
3558
como lo hace el cerebro humano.
07:02
throughmediante what you could think of
as the humanhumano braincerebro.
149
410841
2578
No es exactamente lo mismo,
pero lo emula.
07:05
It's not quitebastante the samemismo thing,
but it emulatesemula the samemismo thing.
150
413443
2966
Va etapa por etapa.
07:08
It goesva stageescenario after stageescenario.
151
416433
1302
En la primera etapa toma la entrada
visual y extrae los bordes
07:09
In the very first stageescenario, it takes
the visualvisual inputentrada and extractsextractos edgesbordes
152
417759
3637
y las barras y los puntos.
07:13
and rodsbarras and dotspuntos.
153
421420
2612
Y en la siguiente los
bordes más complicados
07:16
And the nextsiguiente one becomesse convierte
more complicatedComplicado edgesbordes
154
424056
3037
07:19
and shapesformas like little half-moonsmedias lunas.
155
427117
3191
y figuras como medias lunas.
Y al final puede construir
conceptos complejos.
07:22
And eventuallyfinalmente, it's ablepoder to buildconstruir
really complicatedComplicado conceptsconceptos.
156
430332
4443
Andrew Ng ha podido demostrar
07:26
AndrewAndrés NgNg has been ablepoder to showespectáculo
157
434799
2048
07:28
that it's ablepoder to find
catgato facescaras and dogperro facescaras
158
436871
3480
que es capaz de encontrar
caras de gatos y perros
entre una gran cantidad de imágenes.
07:32
in vastvasto amountscantidades of imagesimágenes.
159
440375
1661
07:34
What my studentestudiante teamequipo
at StanfordStanford has shownmostrado is that
160
442060
2724
Lo que mi equipo de estudiantes
en Stanford ha logrado demostrar
07:36
if you traintren it on 129,000 imagesimágenes
of skinpiel conditionscondiciones,
161
444808
6073
es que si la entrenas con 129 000
imágenes de enfermedades de la piel,
incluyendo melanomas y carcinomas,
07:42
includingincluso melanomamelanoma and carcinomascarcinomas,
162
450905
2565
puedes haces un trabajo tan bueno
07:45
you can do as good a jobtrabajo
163
453494
3301
como el del mejor dermatólogo humano.
07:48
as the bestmejor humanhumano dermatologistsdermatólogos.
164
456819
2197
Y para convencernos de ello,
07:51
And to convinceconvencer ourselvesNosotros mismos
that this is the casecaso,
165
459040
2549
capturamos un set de datos independientes
que le presentamos a nuestra red
07:53
we capturedcapturado an independentindependiente datasetconjunto de datos
that we presentedpresentado to our networkred
166
461613
3990
y a 25 dermatólogos
acreditados, de Stanford,
07:57
and to 25 board-certifiedcertificado por la Junta
Stanford-levelNivel de Stanford dermatologistsdermatólogos,
167
465627
4342
y los comparamos.
08:01
and comparedcomparado those.
168
469993
1672
Y en la mayoría de los casos,
su precisión al clasificar
08:03
And in mostmás casescasos,
169
471689
1504
08:05
they were eitherya sea on parpar or aboveencima
the performanceactuación classificationclasificación accuracyexactitud
170
473217
3875
fue igual o mejor
que la de los dermatólogos humanos.
08:09
of humanhumano dermatologistsdermatólogos.
171
477116
1467
CA: Me contaste una anécdota,
08:10
CACalifornia: You were tellingnarración me an anecdoteanécdota.
172
478607
1746
sobre esta imagen de aquí.
08:12
I think about this imageimagen right here.
173
480377
1957
08:14
What happenedsucedió here?
174
482358
1484
¿Qué pasó aquí?
08:15
STS T: This was last Thursdayjueves.
That's a movingemocionante piecepieza.
175
483866
4008
ST: Esto fue el jueves.
Lo que demostramos y
publicamos en "Nature" este año
08:19
What we'venosotros tenemos shownmostrado before and we publishedpublicado
in "NatureNaturaleza" earliermás temprano this yearaño
176
487898
3600
fue la idea de mostrar ciertas imágenes
08:23
was this ideaidea that we showespectáculo
dermatologistsdermatólogos imagesimágenes
177
491522
2484
a dermatólogos y a nuestro programa,
08:26
and our computercomputadora programprograma imagesimágenes,
178
494030
1539
y contar cuántas veces aciertan.
08:27
and countcontar how oftena menudo they're right.
179
495593
1627
Pero todas esas imágenes eran antiguas,
08:29
But all these imagesimágenes are pastpasado imagesimágenes.
180
497244
1778
08:31
They'veHan all been biopsieduna biopsia to make sure
we had the correctcorrecto classificationclasificación.
181
499046
3460
ya se han realizado biopsias
para confirmar su clasificación.
Esta no.
08:34
This one wasn'tno fue.
182
502530
1172
Esta fue tomada en Stanford
por uno de nuestros colaboradores.
08:35
This one was actuallyactualmente donehecho at StanfordStanford
by one of our collaboratorscolaboradores.
183
503726
3179
Lo que sucedió fue
que nuestro colaborador,
08:38
The storyhistoria goesva that our collaboratorcolaborador,
184
506929
2314
un dermatólogo reconocido
internacionalmente,
08:41
who is a world-famousmundialmente famoso dermatologistdermatólogo,
one of the threeTres bestmejor, apparentlyaparentemente,
185
509267
3391
de los tres mejores del mundo,
08:44
lookedmirado at this moleTopo and said,
"This is not skinpiel cancercáncer."
186
512682
2935
vio este lunar y dijo:
"Esto no es cáncer de piel".
Y luego dudó y dijo:
08:47
And then he had
a secondsegundo momentmomento, where he said,
187
515641
2476
"Bueno, voy a chequear con la aplicación".
08:50
"Well, let me just checkcomprobar with the appaplicación."
188
518141
1866
Así que sacó su iPhone
y abrió nuestro software,
08:52
So he tooktomó out his iPhoneiPhone
and rancorrió our piecepieza of softwaresoftware,
189
520031
2699
nuestro "dermatólogo de bolsillo",
por así decirlo,
08:54
our "pocketbolsillo dermatologistdermatólogo," so to speakhablar,
190
522754
2121
08:56
and the iPhoneiPhone said: cancercáncer.
191
524899
2994
y el iPhone dictaminó: cáncer.
Dijo que era melanoma.
08:59
It said melanomamelanoma.
192
527917
1306
Y el médico estaba confundido.
09:01
And then he was confusedconfuso.
193
529849
1233
09:03
And he decideddecidido, "OK, maybe I trustconfianza
the iPhoneiPhone a little bitpoco more than myselfmí mismo,"
194
531106
4551
Y decidió, "tal vez confío más
en el iPhone que en mí mismo",
y lo mandó al laboratorio
para hacerle una biopsia.
09:07
and he sentexpedido it out to the lablaboratorio
to get it biopsieduna biopsia.
195
535681
2735
Y resultó ser un melanoma muy agresivo.
09:10
And it camevino up as an aggressiveagresivo melanomamelanoma.
196
538440
2469
Así que este puede ser el primer caso,
09:13
So I think this mightpodría be the first time
that we actuallyactualmente foundencontró,
197
541545
3067
usando aprendizaje profundo
en la práctica,
09:16
in the practicepráctica of usingutilizando deepprofundo learningaprendizaje,
198
544636
2487
de una persona cuyo melanoma
hubiera pasado sin diagnosticar
09:19
an actualreal personpersona whosecuyo melanomamelanoma
would have goneido unclassifiedsin clasificar,
199
547147
3372
de no ser por el aprendizaje profundo.
09:22
had it not been for deepprofundo learningaprendizaje.
200
550543
2115
CA: Es increíble.
09:24
CACalifornia: I mean, that's incredibleincreíble.
201
552682
1560
(Aplausos)
09:26
(ApplauseAplausos)
202
554266
1769
Me parece que habría demanda
instantánea por una aplicación como esta,
09:28
It feelssiente like there'del rojo be an instantinstante demanddemanda
for an appaplicación like this right now,
203
556059
3600
o que muchas personas se asustarían.
09:31
that you mightpodría freakmonstruo out a lot of people.
204
559683
1966
¿Estás pensando hacerlo?
¿Crear una aplicación de autodiagnóstico?
09:33
Are you thinkingpensando of doing this,
makingfabricación an appaplicación that allowspermite self-checkingauto verificación?
205
561673
3527
ST: Mi casilla está llena de correos
sobre aplicaciones para cáncer,
09:37
STS T: So my in-boxen el cuadro is floodedinundado
about cancercáncer appsaplicaciones,
206
565224
4973
con historias estremecedoras de gente.
09:42
with heartbreakingangustioso storiescuentos of people.
207
570221
2303
Personas a quienes les han extraído
10, 15 o 20 melanomas,
09:44
I mean, some people have had
10, 15, 20 melanomasmelanomas removedremoto,
208
572548
3204
y temen que alguno
les pase desapercibido, como este,
09:47
and are scaredasustado that one
mightpodría be overlookedpasado por alto, like this one,
209
575776
3952
pero también sobre, no sé,
09:51
and alsoademás, about, I don't know,
210
579752
1741
coches voladores y peticiones
para conferencias, supongo.
09:53
flyingvolador carscarros and speakeraltavoz inquiriesconsultas
these daysdías, I guessadivinar.
211
581517
2732
Mi opinión es que necesitamos
estudiarlo más.
09:56
My take is, we need more testingpruebas.
212
584273
2738
Quiero ser muy cuidadoso.
09:59
I want to be very carefulcuidadoso.
213
587449
1778
Es muy fácil dar un resultado ostentoso
y deslumbrar al público de TED;
10:01
It's very easyfácil to give a flashyostentoso resultresultado
and impressimpresionar a TEDTED audienceaudiencia.
214
589251
3666
es mucho más difícil sacar algo ético.
10:04
It's much harderMás fuerte to put
something out that's ethicalético.
215
592941
2627
Y si la gente fuera a usar esta aplicación
10:07
And if people were to use the appaplicación
216
595592
2394
y decidiera no consultar con un médico
10:10
and chooseescoger not to consultconsultar
the assistanceasistencia of a doctordoctor
217
598010
2797
porque le dimos un mal diagnóstico,
10:12
because we get it wrongincorrecto,
218
600831
1583
me sentiría fatal.
10:14
I would feel really badmalo about it.
219
602438
1653
Así que estamos haciendo pruebas clínicas,
10:16
So we're currentlyactualmente doing clinicalclínico testspruebas,
220
604115
1925
y si nuestros datos aguantan,
10:18
and if these clinicalclínico testspruebas commencecomenzar
and our datadatos holdssostiene up,
221
606064
2798
entonces podremos tomar
este tipo de tecnología,
10:20
we mightpodría be ablepoder at some pointpunto
to take this kindtipo of technologytecnología
222
608886
2990
sacarla de la clínica de Stanford
10:23
and take it out of the StanfordStanford clinicclínica
223
611900
1892
y presentarla al mundo entero,
10:25
and bringtraer it to the entiretodo worldmundo,
224
613816
1658
en lugares a los que los médicos
de Stanford nunca irían.
10:27
placeslugares where StanfordStanford
doctorsdoctores never, ever setconjunto footpie.
225
615498
2456
CA: Y si te entendí bien,
10:30
CACalifornia: And do I hearoír this right,
226
618617
2580
me parece que lo que dices es que,
10:33
that it seemedparecía like what you were sayingdiciendo,
227
621221
1966
como estás trabajando con este
ejército de estudiantes de Udacity,
10:35
because you are workingtrabajando
with this armyEjército of UdacityUdacity studentsestudiantes,
228
623211
4254
de cierta manera, estás aplicando
otro modo de aprendizaje de máquina
10:39
that in a way, you're applyingaplicando
a differentdiferente formformar of machinemáquina learningaprendizaje
229
627489
3221
10:42
than mightpodría take placelugar in a companyempresa,
230
630734
1735
que puede ocurrir en una compañía,
10:44
whichcual is you're combiningcombinatorio machinemáquina learningaprendizaje
with a formformar of crowdmultitud wisdomsabiduría.
231
632493
3484
y es que estás combinando aprendizaje
de máquina con sabiduría colectiva.
10:48
Are you sayingdiciendo that sometimesa veces you think
that could actuallyactualmente outperformsuperar
232
636001
3384
¿Quieres decir que de este modo
se podrían sobrepasar
los resultados de una compañía,
incluso una grande?
10:51
what a companyempresa can do,
even a vastvasto companyempresa?
233
639409
2050
ST: Creo que hay situaciones
que me asombran,
10:53
STS T: I believe there's now
instancesinstancias that blowsoplar my mindmente,
234
641483
2940
y todavía estoy intentando entender.
10:56
and I'm still tryingmolesto to understandentender.
235
644447
1758
Chris se refiere a estas
competencias que hacemos.
10:58
What ChrisChris is referringreferente to
is these competitionscompeticiones that we runcorrer.
236
646229
3937
El tiempo de entrega es de 48 horas,
11:02
We turngiro them around in 48 hourshoras,
237
650190
2268
y hemos logrado construir
un vehículo autónomo
11:04
and we'venosotros tenemos been ablepoder to buildconstruir
a self-drivingconducción autónoma carcoche
238
652482
2252
que puede manejar de Mountain View
a San Francisco por las calles.
11:06
that can drivemanejar from MountainMontaña ViewVer
to SanSan FranciscoFrancisco on surfacesuperficie streetscalles.
239
654758
3387
No está a la par con Google pues
ellos llevan siete años trabajando en esto
11:10
It's not quitebastante on parpar with GoogleGoogle
after sevensiete yearsaños of GoogleGoogle work,
240
658169
3584
11:13
but it's gettingconsiguiendo there.
241
661777
2528
pero ahí va.
Y requirió solo dos ingenieros
y tres meses lograrlo.
11:16
And it tooktomó us only two engineersingenieros
and threeTres monthsmeses to do this.
242
664329
3084
11:19
And the reasonrazón is, we have
an armyEjército of studentsestudiantes
243
667437
2856
Y la razón es que tenemos
un ejército de estudiantes
que participan en las competencias.
11:22
who participateparticipar in competitionscompeticiones.
244
670317
1850
No somos los únicos que hacemos
colaboración abierta:
11:24
We're not the only onesunos
who use crowdsourcingcrowdsourcing.
245
672191
2220
Uber y Didi lo usan para manejar.
11:26
UberUber and DidiHice use crowdsourcecrowdsource for drivingconducción.
246
674435
2223
Airbnb lo usa para hoteles.
11:28
AirbnbAirbnb usesusos crowdsourcingcrowdsourcing for hotelshoteles.
247
676682
2759
Ahora hay muchos ejemplos
de colaboración abierta
11:31
There's now manymuchos examplesejemplos
where people do bug-findingdetección de error crowdsourcingcrowdsourcing
248
679465
4007
para encontrar errores de programación,
o desdoblar proteínas, imagínense.
11:35
or proteinproteína foldingplegable, of all things,
in crowdsourcingcrowdsourcing.
249
683496
2804
Pero pudimos construir este
vehículo en tres meses,
11:38
But we'venosotros tenemos been ablepoder to buildconstruir
this carcoche in threeTres monthsmeses,
250
686324
2915
así que estoy reconsiderando
11:41
so I am actuallyactualmente rethinkingrepensando
251
689263
3655
cómo organizamos las empresas.
11:44
how we organizeorganizar corporationscorporaciones.
252
692942
2238
Tenemos una plantilla de 9000 personas
11:47
We have a staffpersonal of 9,000 people
who are never hiredcontratado,
253
695204
4696
que no son contratadas ni despedidas.
11:51
that I never firefuego.
254
699924
1308
Se presentan a trabajar y ni me entero.
11:53
They showespectáculo up to work
and I don't even know.
255
701256
2362
11:55
Then they submitenviar to me
maybe 9,000 answersrespuestas.
256
703642
3058
Recibo 9000 proyectos.
No estoy obligado a usar ninguno de ellos.
11:58
I'm not obligedobligado to use any of those.
257
706724
2176
12:00
I endfin up -- I paypaga only the winnersganadores,
258
708924
1991
Al final solo le pago a los que ganan,
12:02
so I'm actuallyactualmente very cheapskateCordero here,
whichcual is maybe not the bestmejor thing to do.
259
710939
3718
en realidad soy muy tacaño en esto,
puede que no sea lo mejor.
Y ellos lo consideran parte
de su educación, que está bien.
12:06
But they considerconsiderar it partparte
of theirsu educationeducación, too, whichcual is nicebonito.
260
714681
3185
Estos estudiantes han logrado resultados
maravillosos en aprendizaje profundo.
12:09
But these studentsestudiantes have been ablepoder
to produceProduce amazingasombroso deepprofundo learningaprendizaje resultsresultados.
261
717890
4201
La síntesis de buenas personas y
buen aprendizaje de máquina es fenomenal.
12:14
So yeah, the synthesissíntesis of great people
and great machinemáquina learningaprendizaje is amazingasombroso.
262
722115
3861
CA: Gary Kaspárov dijo
el primer día de TED2017
12:18
CACalifornia: I mean, GaryGary KasparovKasparov said on
the first day [of TEDTED2017]
263
726000
2814
que los ganadores del ajedrez
resultaron ser dos jugadores amateur
12:20
that the winnersganadores of chessajedrez, surprisinglyasombrosamente,
turnedconvertido out to be two amateuraficionado chessajedrez playersjugadores
264
728848
5412
con tres programas
de computadora semi-mediocres,
12:26
with threeTres mediocre-ishmediocre-ISH,
mediocre-to-goodmediocre al bien, computercomputadora programsprogramas,
265
734284
5371
que podían superar a un gran maestro
con un jugador maravilloso,
12:31
that could outperformsuperar one grandgrandioso masterdominar
with one great chessajedrez playerjugador,
266
739679
3163
como si fuese parte del proceso.
12:34
like it was all partparte of the processproceso.
267
742866
1743
Y casi parece que estás hablando
de una versión más sofisticada
12:36
And it almostcasi seemsparece like
you're talkinghablando about a much richermás rico versionversión
268
744633
3335
12:39
of that samemismo ideaidea.
269
747992
1200
de esta misma idea.
12:41
STS T: Yeah, I mean, as you followedseguido
the fantasticfantástico panelspaneles yesterdayayer morningMañana,
270
749216
3857
ST: Tras asistir a los maravillosos
paneles de discusión de ayer,
dos sesiones sobre IA,
12:45
two sessionssesiones about AIAI,
271
753097
1994
"Líderes supremos robóticos"
y "La respuesta humana",
12:47
roboticrobótico overlordsseñores supremos and the humanhumano responserespuesta,
272
755115
2167
12:49
manymuchos, manymuchos great things were said.
273
757306
1982
se dijeron muchas cosas maravillosas.
Pero una de las preocupaciones
es que a veces confundimos
12:51
But one of the concernspreocupaciones is
that we sometimesa veces confuseconfundir
274
759312
2687
12:54
what's actuallyactualmente been donehecho with AIAI
with this kindtipo of overlordseñor threatamenaza,
275
762023
4062
lo que ya se ha logrado con IA,
con este riesgo de que nos dominen,
de que la IA desarrolle
consciencia, ¿cierto?
12:58
where your AIAI developsdesarrolla
consciousnessconciencia, right?
276
766109
3424
Lo último que quiero es que
mi IA desarrolle consciencia.
13:01
The last thing I want
is for my AIAI to have consciousnessconciencia.
277
769557
2971
13:04
I don't want to come into my kitchencocina
278
772552
1716
No quiero entrar en mi cocina
13:06
and have the refrigeratorrefrigerador fallotoño in love
with the dishwasherlavavajillas
279
774292
4193
y que el refrigerador
se enamore de la lavadora,
y me diga que, como no fui
suficientemente amable,
13:10
and tell me, because I wasn'tno fue nicebonito enoughsuficiente,
280
778509
2124
mi comida ahora está tibia.
13:12
my foodcomida is now warmcalentar.
281
780657
1837
Yo no compraría estos productos
y no los quiero.
13:14
I wouldn'tno lo haría buycomprar these productsproductos,
and I don't want them.
282
782518
2891
Pero la realidad es que, para mí,
13:17
But the truthverdad is, for me,
283
785825
1802
la IA siempre ha sido
un mejoramiento del hombre
13:19
AIAI has always been
an augmentationaumento of people.
284
787651
2720
de nosotros mismos,
13:22
It's been an augmentationaumento of us,
285
790893
1676
para hacernos más fuertes.
13:24
to make us strongermás fuerte.
286
792593
1457
13:26
And I think KasparovKasparov was exactlyexactamente correctcorrecto.
287
794074
2831
Y creo que Kaspárov tenía razón.
Ha sido la combinación de
las inteligencias humana y de máquina
13:28
It's been the combinationcombinación
of humanhumano smartspicardía and machinemáquina smartspicardía
288
796929
3849
lo que nos fortalece.
13:32
that make us strongermás fuerte.
289
800802
1464
13:34
The themetema of machinesmáquinas makingfabricación us strongermás fuerte
is as oldantiguo as machinesmáquinas are.
290
802290
4587
El tema de que las máquinas nos fortalecen
es tan antiguo como las máquinas mismas.
13:39
The agriculturalagrícola revolutionrevolución tooktomó
placelugar because it madehecho steamvapor enginesmotores
291
807567
3758
La revolución agrícola ocurrió
cuando se creó la máquina de vapor
y el equipo de cosecha
que no podía manejarse solo;
13:43
and farmingagricultura equipmentequipo
that couldn'tno pudo farmgranja by itselfsí mismo,
292
811349
2666
no nos reemplazó, nos hizo más fuertes.
13:46
that never replacedreemplazado us;
it madehecho us strongermás fuerte.
293
814039
2122
Y yo creo que esta nueva ola de IA
13:48
And I believe this newnuevo waveola of AIAI
will make us much, much strongermás fuerte
294
816185
3738
nos hará mucho más fuertes
como seres humanos.
13:51
as a humanhumano racecarrera.
295
819947
1183
13:53
CACalifornia: We'llBien come on to that a bitpoco more,
296
821765
1813
CA: Volveremos con eso en un momento,
pero retomando la parte
alarmante para algunos,
13:55
but just to continuecontinuar with the scaryde miedo partparte
of this for some people,
297
823602
3671
13:59
like, what feelssiente like it getsse pone
scaryde miedo for people is when you have
298
827297
3558
lo que asusta a la gente es cuando tienes
una computadora que puede, primero,
reescribir su propio código;
14:02
a computercomputadora that can, one,
rewritevolver a escribir its ownpropio codecódigo,
299
830879
4618
puede crear copias de sí mismo,
14:07
so, it can createcrear
multiplemúltiple copiescopias of itselfsí mismo,
300
835521
3584
probar diferentes codificaciones,
incluso de manera aleatoria,
14:11
try a bunchmanojo of differentdiferente codecódigo versionsversiones,
301
839129
1897
14:13
possiblyposiblemente even at randomaleatorio,
302
841050
1775
y luego, probarlas y determinar
si la meta se cumplió y superó.
14:14
and then checkcomprobar them out and see
if a goalGol is achievedlogrado and improvedmejorado.
303
842849
3632
Entonces, digamos que el objetivo
es mejorar en una prueba de inteligencia.
14:18
So, say the goalGol is to do better
on an intelligenceinteligencia testprueba.
304
846505
3641
Una computadora un tanto buena en eso,
14:22
You know, a computercomputadora
that's moderatelymoderadamente good at that,
305
850170
3894
podría intentar un millón de versiones.
14:26
you could try a millionmillón versionsversiones of that.
306
854088
2509
14:28
You mightpodría find one that was better,
307
856621
2090
Podría encontrar una mejor,
14:30
and then, you know, repeatrepetir.
308
858735
2004
y luego, ya sabes, repetir.
14:32
And so the concernpreocupación is that you get
some sortordenar of runawayhuir effectefecto
309
860763
3040
Entonces la preocupación
es que se salga de control,
14:35
where everything is fine
on Thursdayjueves eveningnoche,
310
863827
3008
donde todo esté bien
el jueves por la noche,
pero regresas al laboratorio
el viernes por la mañana,
14:38
and you come back into the lablaboratorio
on Fridayviernes morningMañana,
311
866859
2336
14:41
and because of the speedvelocidad
of computersordenadores and so forthadelante,
312
869219
2449
y por la velocidad misma
de la computadora,
las cosas se hayan alocado y de pronto...
14:43
things have goneido crazyloca, and suddenlyrepentinamente --
313
871692
1903
ST: Diría que sí es una posibilidad,
14:45
STS T: I would say this is a possibilityposibilidad,
314
873619
2020
14:47
but it's a very remoteremoto possibilityposibilidad.
315
875663
1916
pero una posibilidad muy remota.
14:49
So let me just translatetraducir
what I heardoído you say.
316
877603
3337
Déjame traducir lo que acabas de decir.
En el caso de AlphaGo
tuvimos justamente eso:
14:52
In the AlphaGoAlphaGo casecaso,
we had exactlyexactamente this thing:
317
880964
2704
La computadora jugaba contra sí misma
14:55
the computercomputadora would playjugar
the gamejuego againsten contra itselfsí mismo
318
883692
2315
y aprendía reglas nuevas.
14:58
and then learnaprender newnuevo rulesreglas.
319
886031
1250
14:59
And what machinemáquina learningaprendizaje is
is a rewritingreescribiendo of the rulesreglas.
320
887305
3235
Y el aprendizaje de máquina
es reescribir esas reglas,
reescribir el código.
15:02
It's the rewritingreescribiendo of codecódigo.
321
890564
1769
Pero no había miedo alguno
15:04
But I think there was
absolutelyabsolutamente no concernpreocupación
322
892357
2845
de que AlphaGo se apoderara del mundo.
15:07
that AlphaGoAlphaGo would take over the worldmundo.
323
895226
2426
Ni siquiera puede jugar al ajedrez.
15:09
It can't even playjugar chessajedrez.
324
897676
1464
CA: No, no, no, pero estas cosas
son de un campo muy limitado.
15:11
CACalifornia: No, no, no, but now,
these are all very single-domaindominio único things.
325
899164
5147
Pero es posible imaginar...
15:16
But it's possibleposible to imagineimagina.
326
904335
2879
acabamos de ver una computadora
que era casi capaz
15:19
I mean, we just saw a computercomputadora
that seemedparecía nearlycasi capablecapaz
327
907238
3089
de aprobar un examen de ingreso
a la universidad;
15:22
of passingpaso a universityUniversidad entranceEntrada testprueba,
328
910351
2655
no puede leer y comprender
como nosotros podemos,
15:25
that can kindtipo of -- it can't readleer
and understandentender in the sensesentido that we can,
329
913030
3688
pero, desde luego,
puede asimilar todo el texto
15:28
but it can certainlyciertamente absorbabsorber all the texttexto
330
916742
1987
15:30
and maybe see increasedaumentado
patternspatrones of meaningsentido.
331
918753
2899
y tal vez identificar
patrones de significado.
¿No existe la posibilidad,
conforme esto se expande,
15:33
Isn't there a chanceoportunidad that,
as this broadensensancha out,
332
921676
3694
que pudiera salirse de control?
15:37
there could be a differentdiferente
kindtipo of runawayhuir effectefecto?
333
925394
2466
ST: Ahí pinto la raya, francamente.
15:39
STS T: That's where
I drawdibujar the linelínea, honestlyhonestamente.
334
927884
2078
Y la posibilidad existe
-- no quiero restarle importancia --
15:41
And the chanceoportunidad existsexiste --
I don't want to downplayminimizar it --
335
929986
2643
pero es remota y no es algo
que ocupe mi mente ahora,
15:44
but I think it's remoteremoto, and it's not
the thing that's on my mindmente these daysdías,
336
932653
3672
porque la gran revolución es otra cosa.
15:48
because I think the biggrande revolutionrevolución
is something elsemás.
337
936349
2512
Todo lo que ha salido bien con la IA
hasta el día de hoy
15:50
Everything successfulexitoso in AIAI
to the presentpresente datefecha
338
938885
2922
ha sido extremadamente especializado,
15:53
has been extremelyextremadamente specializedespecializado,
339
941831
2214
y ha prosperado en una sola idea,
15:56
and it's been thrivingpróspero on a singlesoltero ideaidea,
340
944069
2489
que es cantidades masivas de datos.
15:58
whichcual is massivemasivo amountscantidades of datadatos.
341
946582
2739
AlphaGo funciona tan bien por
la gran cantidad de jugadas de go,
16:01
The reasonrazón AlphaGoAlphaGo workstrabajos so well
is because of massivemasivo numbersnúmeros of Go playsobras de teatro,
342
949345
4147
y AlphaGo no puede manejar un auto
ni volar un avión.
16:05
and AlphaGoAlphaGo can't drivemanejar a carcoche
or flymosca a planeavión.
343
953516
3255
El vehículo autónomo de Google
o el de Udacity
16:08
The GoogleGoogle self-drivingconducción autónoma carcoche
or the UdacityUdacity self-drivingconducción autónoma carcoche
344
956795
3031
prosperan por la gran cantidad de datos
y no pueden hacer otra cosa;
16:11
thrivesprospera on massivemasivo amountscantidades of datadatos,
and it can't do anything elsemás.
345
959850
3240
ni siquiera puede controlar
una motocicleta.
16:15
It can't even controlcontrolar a motorcyclemotocicleta.
346
963114
1727
Es una función muy específica,
16:16
It's a very specificespecífico,
domain-specificdominio específico functionfunción,
347
964865
2762
y lo mismo sucede con la app del cáncer.
16:19
and the samemismo is truecierto for our cancercáncer appaplicación.
348
967651
1907
Prácticamente no ha habido progreso
en lo que llamamos "IA general",
16:21
There has been almostcasi no progressProgreso
on this thing calledllamado "generalgeneral AIAI,"
349
969582
3236
en que puedas decirle, "inventa
la teoría de la relatividad especial
16:24
where you go to an AIAI and say,
"Hey, inventinventar for me specialespecial relativityrelatividad
350
972842
4000
16:28
or stringcuerda theoryteoría."
351
976866
1666
o la teoría de cuerdas".
16:30
It's totallytotalmente in the infancyinfancia.
352
978556
1931
Está en pañales.
Y quiero hacer hincapié en esto,
16:32
The reasonrazón I want to emphasizeenfatizar this,
353
980511
2127
16:34
I see the concernspreocupaciones,
and I want to acknowledgereconocer them.
354
982662
3838
porque veo la preocupación
que existe y la reconozco.
Pero si fuese a pensar en algo, sería:
16:38
But if I were to think about one thing,
355
986524
2886
16:41
I would askpedir myselfmí mismo the questionpregunta,
"What if we can take anything repetitiverepetitivo
356
989434
5563
"¿Qué tal si podemos tomar
cualquier actividad repetitiva
y hacernos 100 veces más eficientes?"
16:47
and make ourselvesNosotros mismos
100 timesveces as efficienteficiente?"
357
995021
3473
16:51
It so turnsvueltas out, 300 yearsaños agohace,
we all workedtrabajó in agricultureagricultura
358
999170
4249
Resulta que hace 100 años
todos trabajábamos en el campo
y cultivábamos
y hacíamos cosas repetitivas.
16:55
and did farmingagricultura and did repetitiverepetitivo things.
359
1003443
2051
Hoy, el 75 % de nosotros
trabaja en una oficina
16:57
TodayHoy, 75 percentpor ciento of us work in officesoficinas
360
1005518
2556
y hacemos cosas repetitivas.
17:00
and do repetitiverepetitivo things.
361
1008098
2124
Nos hemos convertido
en hojas de cálculo humanas.
17:02
We'veNosotros tenemos becomevolverse spreadsheethoja de cálculo monkeysmonos.
362
1010246
2183
17:04
And not just low-endde gama baja laborlabor.
363
1012453
2054
Y no solo los trabajos básicos.
17:06
We'veNosotros tenemos becomevolverse dermatologistsdermatólogos
doing repetitiverepetitivo things,
364
1014531
2754
Nos hemos hecho dermatólogos
que hacen cosas repetitivas,
17:09
lawyersabogados doing repetitiverepetitivo things.
365
1017309
1749
abogados que hacen cosas repetitivas.
17:11
I think we are at the brinkborde
of beingsiendo ablepoder to take an AIAI,
366
1019082
3823
Creo que estamos al borde
de poder tomar la IA,
echar un vistazo atrás,
17:14
look over our shouldersespalda,
367
1022929
1718
y hacernos tal vez 10 o 50 veces
más efectivos en estas cosas repetitivas.
17:16
and they make us maybe 10 or 50 timesveces
as effectiveeficaz in these repetitiverepetitivo things.
368
1024671
4058
Eso es lo que ocupa mi mente.
17:20
That's what is on my mindmente.
369
1028753
1275
17:22
CACalifornia: That soundssonidos supersúper excitingemocionante.
370
1030052
2450
CA: Pues suena muy emocionante.
El proceso para llegar ahí suena
aterrador para algunas personas,
17:24
The processproceso of gettingconsiguiendo there seemsparece
a little terrifyingespantoso to some people,
371
1032526
3530
porque una vez que la computadora
pueda realizar esta actividad repetitiva
17:28
because onceuna vez a computercomputadora
can do this repetitiverepetitivo thing
372
1036080
3180
17:31
much better than the dermatologistdermatólogo
373
1039284
3434
mucho mejor que un dermatólogo,
o que el conductor,
es de lo que tanto se habla ahora,
17:34
or than the driverconductor, especiallyespecialmente,
is the thing that's talkedhabló about
374
1042742
3230
17:37
so much now,
375
1045996
1290
de pronto se pierden millones de empleos
17:39
suddenlyrepentinamente millionsmillones of jobstrabajos go,
376
1047310
1958
17:41
and, you know, the country'spaís in revolutionrevolución
377
1049292
2695
y, ya sabes, el país se revoluciona
antes de que podamos alcanzar los
aspectos más espectaculares posibles.
17:44
before we ever get to the more
gloriousglorioso aspectsaspectos of what's possibleposible.
378
1052011
4329
ST: Sí, y eso es un problema,
un gran problema,
17:48
STS T: Yeah, and that's an issueproblema,
and it's a biggrande issueproblema,
379
1056364
2517
y lo mencionaban ayer por la mañana
varios oradores.
17:50
and it was pointedpuntiagudo out yesterdayayer morningMañana
by severalvarios guesthuésped speakersparlantes.
380
1058905
4196
Antes de subir al escenario
17:55
Now, prioranterior to me showingdemostración up onstageen el escenario,
381
1063125
2754
17:57
I confessedconfesado I'm a positivepositivo,
optimisticoptimista personpersona,
382
1065903
3739
confesé que soy una persona
positiva y optimista,
así que déjame darte mi discurso optimista
18:01
so let me give you an optimisticoptimista pitchtono,
383
1069666
2389
que es: imagínense a Uds. mismos
hace 300 años.
18:04
whichcual is, think of yourselftú mismo
back 300 yearsaños agohace.
384
1072079
4795
Europa acababa de sobrevivir
140 años de guerra continua,
18:08
EuropeEuropa just survivedsobrevivió 140 yearsaños
of continuouscontinuo warguerra,
385
1076898
3996
nadie sabía leer o escribir,
18:12
noneninguna of you could readleer or writeescribir,
386
1080918
1711
no existían los trabajos de hoy,
18:14
there were no jobstrabajos that you holdsostener todayhoy,
387
1082653
2945
como banca de inversiones o
ingeniero de software o conductor de TV.
18:17
like investmentinversión bankerbanquero
or softwaresoftware engineeringeniero or TVtelevisión anchorancla.
388
1085622
4096
Todos estaríamos en los campos,
cultivando.
18:21
We would all be in the fieldscampos and farmingagricultura.
389
1089742
2414
Y por aquí llega el pequeño Sebastian
con una máquina de vapor en su bolsillo,
18:24
Now here comesproviene little SebastianSebastian
with a little steamvapor enginemotor in his pocketbolsillo,
390
1092180
3573
diciendo: "¡Ei, chicos! Vean esto.
18:27
sayingdiciendo, "Hey guys, look at this.
391
1095777
1548
Esto los va a hacer 100 veces más fuertes
para que puedan hacer otra cosa".
18:29
It's going to make you 100 timesveces
as strongfuerte, so you can do something elsemás."
392
1097349
3595
Y en ese entonces no había escenario
18:32
And then back in the day,
there was no realreal stageescenario,
393
1100968
2470
pero Chris y yo nos reuníamos
en el establo de las vacas,
18:35
but ChrisChris and I hangcolgar out
with the cowsvacas in the stableestable,
394
1103462
2526
y me dice: "estoy muy preocupado,
18:38
and he saysdice, "I'm really
concernedpreocupado about it,
395
1106012
2100
porque ordeño a mi vaca a diario,
18:40
because I milkLeche my cowvaca everycada day,
and what if the machinemáquina does this for me?"
396
1108136
3652
y ¿qué pasará cuando
esta máquina lo haga por mí?"
18:43
The reasonrazón why I mentionmencionar this is,
397
1111812
1702
Les digo esto porque,
somos muy buenos reconociendo
el progreso pasado y sus beneficios,
18:46
we're always good in acknowledgingreconociendo
pastpasado progressProgreso and the benefitbeneficio of it,
398
1114360
3603
como el iPhone o los aviones,
la electricidad o los utensilios médicos.
18:49
like our iPhonesiPhones or our planesaviones
or electricityelectricidad or medicalmédico supplysuministro.
399
1117987
3354
18:53
We all love to livevivir to 80,
whichcual was impossibleimposible 300 yearsaños agohace.
400
1121365
4245
Nos encanta vivir hasta los 80 años,
lo cual era imposible hace 300 años.
Pero no aplicamos el mismo
razonamiento hacia el futuro.
18:57
But we kindtipo of don't applyaplicar
the samemismo rulesreglas to the futurefuturo.
401
1125634
4156
19:02
So if I look at my ownpropio jobtrabajo as a CEOCEO,
402
1130621
3207
Si tomo mi propio trabajo como CEO,
diría que el 90 %
de lo que hago es repetitivo,
19:05
I would say 90 percentpor ciento
of my work is repetitiverepetitivo,
403
1133852
3140
no lo disfruto,
19:09
I don't enjoydisfrutar it,
404
1137016
1351
paso cuatro horas al día en emails
estúpidos y repetitivos.
19:10
I spendgastar about fourlas cuatro hourshoras perpor day
on stupidestúpido, repetitiverepetitivo emailcorreo electrónico.
405
1138391
3978
Y muero por tener algo
que me ayude a librarme de esto.
19:14
And I'm burningardiente to have something
that helpsayuda me get rideliminar of this.
406
1142393
3641
¿Por qué?
19:18
Why?
407
1146058
1158
Porque creo que todos
somos extremadamente creativos;
19:19
Because I believe all of us
are insanelylocamente creativecreativo;
408
1147240
3003
la comunidad de TED en particular.
19:22
I think the TEDTED communitycomunidad
more than anybodynadie elsemás.
409
1150731
3194
Pero hasta los obreros;
creo que si toman un trago
19:25
But even blue-collarcollar azul workerstrabajadores;
I think you can go to your hotelhotel maidcriada
410
1153949
3559
con la empleada o el empleado de un hotel,
19:29
and have a drinkbeber with him or her,
411
1157532
2402
una hora después encontrarán allí
una idea creativa.
19:31
and an hourhora laterluego,
you find a creativecreativo ideaidea.
412
1159958
2717
Esto permitirá convertir
esa creatividad en acción.
19:34
What this will empowerautorizar
is to turngiro this creativitycreatividad into actionacción.
413
1162699
4140
19:39
Like, what if you could
buildconstruir GoogleGoogle in a day?
414
1167265
3442
¿Qué tal si pudieras inventar
Google en un día?
19:43
What if you could sitsentar over beercerveza
and inventinventar the nextsiguiente SnapchatSnapchat,
415
1171221
3316
¿Qué tal si tomaras una cerveza
e inventaras el siguiente Snapchat,
lo que sea,
19:46
whateverlo que sea it is,
416
1174561
1165
19:47
and tomorrowmañana morningMañana it's up and runningcorriendo?
417
1175750
2187
y para mañana ya está en operación?
No es ciencia ficción.
19:49
And that is not scienceciencia fictionficción.
418
1177961
1773
Lo que va a suceder es,
19:51
What's going to happenocurrir is,
419
1179758
1254
que ya somos historia.
19:53
we are alreadyya in historyhistoria.
420
1181036
1867
19:54
We'veNosotros tenemos unleashedsoltado this amazingasombroso creativitycreatividad
421
1182927
3228
Hemos desatado esta asombrosa creatividad
emancipándonos del campo
19:58
by de-slavingde emergencia us from farmingagricultura
422
1186179
1611
19:59
and laterluego, of coursecurso, from factoryfábrica work
423
1187814
3363
y luego, claro, de las fábricas,
y hemos inventado muchas cosas.
20:03
and have inventedinventado so manymuchos things.
424
1191201
3162
Va a ser aún mejor, en mi opinión.
20:06
It's going to be even better,
in my opinionopinión.
425
1194387
2178
Y los efectos colaterales
serán maravillosos.
20:08
And there's going to be
great sidelado effectsefectos.
426
1196589
2072
20:10
One of the sidelado effectsefectos will be
427
1198685
1489
Uno de ellos será
que cosas como la comida,
los aparatos médicos,
20:12
that things like foodcomida and medicalmédico supplysuministro
and educationeducación and shelterabrigo
428
1200198
4795
la educación, la vivienda y el transporte,
20:17
and transportationtransporte
429
1205017
1177
serán mucho más asequibles para todos,
20:18
will all becomevolverse much more
affordableasequible to all of us,
430
1206218
2441
no solo para las personas ricas.
20:20
not just the richRico people.
431
1208683
1322
20:22
CACalifornia: HmmHmm.
432
1210029
1182
CA: Mmm.
20:23
So when MartinMartín FordVado arguedargumentó, you know,
that this time it's differentdiferente
433
1211235
4341
Cuando Martin Ford explicaba
que esta vez será distinto
porque la inteligencia
que hemos usado en el pasado
20:27
because the intelligenceinteligencia
that we'venosotros tenemos used in the pastpasado
434
1215600
3453
para buscar caminos nuevos
20:31
to find newnuevo waysformas to be
435
1219077
2483
será igualada al mismo ritmo
20:33
will be matchedemparejado at the samemismo pacepaso
436
1221584
2279
por las computadoras que las relevarán...
20:35
by computersordenadores takingtomando over those things,
437
1223887
2291
lo que tú dices es que, no del todo,
20:38
what I hearoír you sayingdiciendo
is that, not completelycompletamente,
438
1226202
3078
por la creatividad humana.
20:41
because of humanhumano creativitycreatividad.
439
1229304
2951
¿Crees que eso sea fundamentalmente
distinto del tipo de creatividad
20:44
Do you think that that's fundamentallyfundamentalmente
differentdiferente from the kindtipo of creativitycreatividad
440
1232279
3785
que tienen las computadoras?
20:48
that computersordenadores can do?
441
1236088
2696
ST: Estoy convencido, como experto en IA,
20:50
STS T: So, that's my firmfirma
beliefcreencia as an AIAI personpersona --
442
1238808
4434
que no he visto progreso real
en lo referente a creatividad
20:55
that I haven'tno tiene seenvisto
any realreal progressProgreso on creativitycreatividad
443
1243266
3803
y pensamiento fuera de lo convencional.
20:59
and out-of-the-boxfuera de la caja thinkingpensando.
444
1247949
1407
21:01
What I see right now -- and this is
really importantimportante for people to realizedarse cuenta de,
445
1249380
3623
Lo que veo ahora, y es importante
que la gente lo entienda,
porque el concepto "inteligencia
artificial" es muy aterrador,
21:05
because the wordpalabra "artificialartificial
intelligenceinteligencia" is so threateningamenazante,
446
1253027
2903
tenemos a Steven Spielberg
que crea una película,
21:07
and then we have SteveSteve SpielbergSpielberg
tossinglanzando a moviepelícula in,
447
1255954
2523
y de pronto la computadora
es nuestro líder supremo,
21:10
where all of a suddenrepentino
the computercomputadora is our overlordseñor,
448
1258501
2413
pero en realidad es una tecnología.
21:12
but it's really a technologytecnología.
449
1260938
1452
21:14
It's a technologytecnología that helpsayuda us
do repetitiverepetitivo things.
450
1262414
2982
Es la tecnología la que nos ayuda
a hacer actividades repetitivas.
21:17
And the progressProgreso has been
entirelyenteramente on the repetitiverepetitivo endfin.
451
1265420
2913
Se ha logrado progreso
en las actividades repetitivas.
21:20
It's been in legallegal documentdocumento discoverydescubrimiento.
452
1268357
2228
En encontrar documentos legales,
21:22
It's been contractcontrato draftingredacción.
453
1270609
1680
en redactar contratos.
21:24
It's been screeningcribado X-raysRayos X of your chestpecho.
454
1272313
4223
En analizar exámenes de rayos X del pecho.
Y son cosas tan especializadas,
21:28
And these things are so specializedespecializado,
455
1276560
1773
que no veo la gran amenaza
para la humanidad.
21:30
I don't see the biggrande threatamenaza of humanityhumanidad.
456
1278357
2391
De hecho, nosotros como personas...
21:32
In facthecho, we as people --
457
1280772
1794
21:34
I mean, let's facecara it:
we'venosotros tenemos becomevolverse superhumansobrehumano.
458
1282590
2385
seamos realistas:
nos hemos vuelto súper-humanos,
21:36
We'veNosotros tenemos madehecho us superhumansobrehumano.
459
1284999
1764
nos hemos hecho súper-humanos.
21:38
We can swimnadar acrossa través de
the Atlanticatlántico in 11 hourshoras.
460
1286787
2632
Podemos cruzar el Atlántico
nadando en 11 horas.
21:41
We can take a devicedispositivo out of our pocketbolsillo
461
1289443
2074
Podemos sacar un aparato del bolsillo
21:43
and shoutgritar all the way to AustraliaAustralia,
462
1291541
2147
y hacer un llamado a Australia,
y en tiempo real la otra persona
nos responde alto y claro.
21:45
and in realreal time, have that personpersona
shoutinggritos back to us.
463
1293712
2600
Eso es físicamente imposible,
rompe las reglas de la Física.
21:48
That's physicallyfísicamente not possibleposible.
We're breakingrotura the rulesreglas of physicsfísica.
464
1296336
3624
Al final, vamos a recordar
21:51
When this is said and donehecho,
we're going to rememberrecuerda everything
465
1299984
2943
todo lo que has dicho y lo que has visto,
21:54
we'venosotros tenemos ever said and seenvisto,
466
1302951
1213
21:56
you'lltu vas a rememberrecuerda everycada personpersona,
467
1304188
1496
recordarás a cada persona,
lo cual es bueno en mi
etapa inicial de Alzheimer.
21:57
whichcual is good for me
in my earlytemprano stagesetapas of Alzheimer'sAlzheimer.
468
1305708
2626
Disculpa, ¿qué estaba diciendo?
Lo olvidé.
22:00
Sorry, what was I sayingdiciendo? I forgotolvidó.
469
1308358
1677
22:02
CACalifornia: (LaughsRisas)
470
1310059
1578
CA: (Risas)
ST: Probablemente tendremos un
coeficiente intelectual de 1000 o más.
22:03
STS T: We will probablyprobablemente have
an IQIQ of 1,000 or more.
471
1311661
3077
22:06
There will be no more
spellingortografía classesclases for our kidsniños,
472
1314762
3425
No habrá más clases
de ortografía para los niños
porque ya no existirán
los errores de ortografía.
22:10
because there's no spellingortografía issueproblema anymorenunca más.
473
1318211
2086
22:12
There's no mathmates issueproblema anymorenunca más.
474
1320321
1832
No habrá problemas con las matemáticas.
22:14
And I think what really will happenocurrir
is that we can be supersúper creativecreativo.
475
1322177
3510
Y entonces sucederá
que seremos súper creativos.
Y lo somos. Somos creativos.
22:17
And we are. We are creativecreativo.
476
1325711
1857
Esa es nuestra arma secreta.
22:19
That's our secretsecreto weaponarma.
477
1327592
1552
22:21
CACalifornia: So the jobstrabajos that are gettingconsiguiendo lostperdió,
478
1329168
2153
CA: Así que los empleos se van a eliminar,
22:23
in a way, even thoughaunque
it's going to be painfuldoloroso,
479
1331345
2494
de cierto modo, aunque va a ser doloroso,
los humanos somos capaces
de más que esos trabajos.
22:25
humanshumanos are capablecapaz
of more than those jobstrabajos.
480
1333863
2047
22:27
This is the dreamsueño.
481
1335934
1218
Este es el sueño.
El sueño es que los humanos alcancen
un nuevo nivel de empoderamiento
22:29
The dreamsueño is that humanshumanos can risesubir
to just a newnuevo levelnivel of empowermentempoderamiento
482
1337176
4247
y descubrimiento.
22:33
and discoverydescubrimiento.
483
1341447
1657
Ese es el sueño.
22:35
That's the dreamsueño.
484
1343128
1452
ST: Y piensa en esto;
22:36
STS T: And think about this:
485
1344604
1643
si ves la historia de la humanidad,
22:38
if you look at the historyhistoria of humanityhumanidad,
486
1346271
2021
que serán unos 60 a 100 000 años,
más o menos,
22:40
that mightpodría be whateverlo que sea --
60-100,000 yearsaños oldantiguo, give or take --
487
1348316
3328
casi todo lo que apreciamos
en cuanto a invenciones,
22:43
almostcasi everything that you cherishapreciar
in termscondiciones of inventioninvención,
488
1351668
3726
de tecnología, de lo que hemos construido,
22:47
of technologytecnología, of things we'venosotros tenemos builtconstruido,
489
1355418
2151
se ha inventado en los últimos 150 años.
22:49
has been inventedinventado in the last 150 yearsaños.
490
1357593
3099
22:53
If you tosssacudida in the booklibro and the wheelrueda,
it's a little bitpoco oldermayor.
491
1361756
3048
Si le agregas el libro y la rueda,
es un poco más.
O el hacha.
22:56
Or the axehacha.
492
1364828
1169
Pero tu teléfono, tus zapatillas,
22:58
But your phoneteléfono, your sneakerszapatillas,
493
1366021
2790
estas sillas, la manufactura
moderna, la penicilina...
23:00
these chairssillas, modernmoderno
manufacturingfabricación, penicillinpenicilina --
494
1368835
3551
las cosas que atesoramos.
23:04
the things we cherishapreciar.
495
1372410
1714
Ahora, para mí eso significa
23:06
Now, that to me meansmedio
496
1374148
3658
que en los próximos 150 años
encontraremos más cosas.
23:09
the nextsiguiente 150 yearsaños will find more things.
497
1377830
3041
De hecho, el ritmo de invención
ha subido, no bajado, en mi opinión.
23:12
In facthecho, the pacepaso of inventioninvención
has goneido up, not goneido down, in my opinionopinión.
498
1380895
4154
Creo que se han creado solo el 1 %
de las cosas interesantes.
23:17
I believe only one percentpor ciento of interestinginteresante
things have been inventedinventado yettodavía. Right?
499
1385073
4905
¿Cierto?
No hemos curado el cáncer.
23:22
We haven'tno tiene curedcurado cancercáncer.
500
1390002
1988
No tenemos coches voladores, todavía.
Espero cambiar esto.
23:24
We don't have flyingvolador carscarros -- yettodavía.
HopefullyOjalá, I'll changecambio this.
501
1392014
3718
Ese ejemplo solía provocar risas.
23:27
That used to be an exampleejemplo
people laughedSe rió about. (LaughsRisas)
502
1395756
3257
(Risas)
Es gracioso, ¿no es cierto?
Trabajar en secreto en coches voladores.
23:31
It's funnygracioso, isn't it?
WorkingTrabajando secretlysecretamente on flyingvolador carscarros.
503
1399037
2992
Todavía no vivimos el doble de años.
23:34
We don't livevivir twicedos veces as long yettodavía. OK?
504
1402053
2683
No tenemos este implante mágico
en el cerebro
23:36
We don't have this magicmagia
implantimplante in our braincerebro
505
1404760
2785
que nos dé la información que buscamos.
23:39
that givesda us the informationinformación we want.
506
1407569
1832
23:41
And you mightpodría be appalledhorrorizado by it,
507
1409425
1526
Y puede parecer aberrante,
pero les prometo que
cuando lo tengan les encantará.
23:42
but I promisepromesa you,
onceuna vez you have it, you'lltu vas a love it.
508
1410975
2444
Espero que les encante.
23:45
I hopeesperanza you will.
509
1413443
1166
Es un poco alarmante, lo sé.
23:46
It's a bitpoco scaryde miedo, I know.
510
1414633
1909
Hay muchas cosas
que todavía no inventamos,
23:48
There are so manymuchos things
we haven'tno tiene inventedinventado yettodavía
511
1416566
2254
que inventaremos.
23:50
that I think we'llbien inventinventar.
512
1418844
1268
No tenemos escudos de gravedad.
23:52
We have no gravitygravedad shieldsescudos.
513
1420136
1306
No podemos teletransportarnos.
23:53
We can't beamhaz ourselvesNosotros mismos
from one locationubicación to anotherotro.
514
1421466
2553
Suena ridículo, pero hace 200 años,
23:56
That soundssonidos ridiculousridículo,
515
1424043
1151
23:57
but about 200 yearsaños agohace,
516
1425218
1288
los expertos opinaban
que no se podría volar,
23:58
expertsexpertos were of the opinionopinión
that flightvuelo wouldn'tno lo haría existexiste,
517
1426530
2667
incluso hace 120 años,
24:01
even 120 yearsaños agohace,
518
1429221
1324
24:02
and if you movedmovido fasterMás rápido
than you could runcorrer,
519
1430569
2582
y que si te movías más rápido
de lo que podías correr,
24:05
you would instantlyinstantáneamente diemorir.
520
1433175
1520
morirías al instante.
24:06
So who saysdice we are correctcorrecto todayhoy
that you can't beamhaz a personpersona
521
1434719
3569
Así que, ¿quién puede estar seguro hoy
de que no se pueda teletransportar
a una persona de aquí a Marte?
24:10
from here to MarsMarte?
522
1438312
2249
CA: Sebastian, muchas gracias
24:12
CACalifornia: SebastianSebastian, thank you so much
523
1440585
1569
24:14
for your incrediblyincreíblemente inspiringinspirador visionvisión
and your brilliancebrillantez.
524
1442178
2682
por tu increíble visión inspiradora
y tu genialidad.
Gracias, Sebastian Thrun.
24:16
Thank you, SebastianSebastian ThrunThrun.
525
1444884
1323
ST: Fue fantástico. (Aplausos)
24:18
STS T: That was fantasticfantástico. (ApplauseAplausos)
526
1446231
1895
Translated by Emilia Sotres
Reviewed by Eduardo Sierra

▲Back to top

ABOUT THE SPEAKERS
Sebastian Thrun - Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us.

Why you should listen

Sebastian Thrun is an educator, entrepreneur and troublemaker. After a long life as a professor at Stanford University, Thrun resigned from tenure to join Google. At Google, he founded Google X, home to self-driving cars and many other moonshot technologies. Thrun also founded Udacity, an online university with worldwide reach, and Kitty Hawk, a "flying car" company. He has authored 11 books, 400 papers, holds 3 doctorates and has won numerous awards.

More profile about the speaker
Sebastian Thrun | Speaker | TED.com
Chris Anderson - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading.

Why you should listen

Chris Anderson is the Curator of TED, a nonprofit devoted to sharing valuable ideas, primarily through the medium of 'TED Talks' -- short talks that are offered free online to a global audience.

Chris was born in a remote village in Pakistan in 1957. He spent his early years in India, Pakistan and Afghanistan, where his parents worked as medical missionaries, and he attended an American school in the Himalayas for his early education. After boarding school in Bath, England, he went on to Oxford University, graduating in 1978 with a degree in philosophy, politics and economics.

Chris then trained as a journalist, working in newspapers and radio, including two years producing a world news service in the Seychelles Islands.

Back in the UK in 1984, Chris was captivated by the personal computer revolution and became an editor at one of the UK's early computer magazines. A year later he founded Future Publishing with a $25,000 bank loan. The new company initially focused on specialist computer publications but eventually expanded into other areas such as cycling, music, video games, technology and design, doubling in size every year for seven years. In 1994, Chris moved to the United States where he built Imagine Media, publisher of Business 2.0 magazine and creator of the popular video game users website IGN. Chris eventually merged Imagine and Future, taking the combined entity public in London in 1999, under the Future name. At its peak, it published 150 magazines and websites and employed 2,000 people.

This success allowed Chris to create a private nonprofit organization, the Sapling Foundation, with the hope of finding new ways to tackle tough global issues through media, technology, entrepreneurship and, most of all, ideas. In 2001, the foundation acquired the TED Conference, then an annual meeting of luminaries in the fields of Technology, Entertainment and Design held in Monterey, California, and Chris left Future to work full time on TED.

He expanded the conference's remit to cover all topics, including science, business and key global issues, while adding a Fellows program, which now has some 300 alumni, and the TED Prize, which grants its recipients "one wish to change the world." The TED stage has become a place for thinkers and doers from all fields to share their ideas and their work, capturing imaginations, sparking conversation and encouraging discovery along the way.

In 2006, TED experimented with posting some of its talks on the Internet. Their viral success encouraged Chris to begin positioning the organization as a global media initiative devoted to 'ideas worth spreading,' part of a new era of information dissemination using the power of online video. In June 2015, the organization posted its 2,000th talk online. The talks are free to view, and they have been translated into more than 100 languages with the help of volunteers from around the world. Viewership has grown to approximately one billion views per year.

Continuing a strategy of 'radical openness,' in 2009 Chris introduced the TEDx initiative, allowing free licenses to local organizers who wished to organize their own TED-like events. More than 8,000 such events have been held, generating an archive of 60,000 TEDx talks. And three years later, the TED-Ed program was launched, offering free educational videos and tools to students and teachers.

More profile about the speaker
Chris Anderson | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee