ABOUT THE SPEAKER
Sougwen Chung - Artist, researcher
Sougwen 愫君 Chung is an artist and researcher whose work explores the dynamics between humans and systems.

Why you should listen
Sougwen Chung's work explores the mark-made-by-hand and the mark-made-by-machine as an approach to understanding the dynamics of humans and systems. Chung is a former research fellow at MIT’s Media Lab and a pioneer in the field of human-machine collaboration. In 2019, she was selected as the Woman of the Year in Monaco for achievement in the Arts & Sciences.
 
In 2018 she was an inaugural E.A.T. Artist in Resident in partnership with New Museum and Bell Labs, and was awarded a commission for her project Omnia per Omnia. In 2016, Chung received Japan Media Art’s Excellence Award in for her project, Drawing Operations. She is a former research fellow at MIT’s Media Lab. She has been awarded Artist in Residence positions at Google, Eyebeam, Japan Media Arts and Pier 9 Autodesk. Her speculative critical practice spans performance, installation and drawings which have been featured in numerous exhibitions at museums and galleries around the world.
More profile about the speaker
Sougwen Chung | Speaker | TED.com
TED@BCG Mumbai

Sougwen Chung: Why I draw with robots

Sougwen Chung: Por qué dibujo con robots

Filmed:
160,983 views

¿Qué pasa cuando humanos y robots crean artes juntos? En esta impresionante charla, la artista Sougwen Chung muestra cómo "enseñó" su estilo artístico a una máquina, y comparte los resultados de su colaboración después de hacer un descubrimiento inesperado: los robots también comenten errores. "Parte de la belleza de los sistemas humanos y de las máquina es su falibilidad inherente y compartida", dice.
- Artist, researcher
Sougwen 愫君 Chung is an artist and researcher whose work explores the dynamics between humans and systems. Full bio

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

00:12
ManyMuchos of us here use technologytecnología
in our day-to-daydía a día.
0
937
3165
Muchos de nosotros aquí usamos
la tecnología en nuestro día a día.
Y algunos confiamos en la tecnología
para hacer nuestros trabajos.
00:16
And some of us relyconfiar
on technologytecnología to do our jobstrabajos.
1
4126
3247
00:19
For a while, I thought of machinesmáquinas
and the technologiestecnologías that drivemanejar them
2
7397
3950
Por un tiempo, pensé en las máquinas
y las tecnologías que las impulsan
00:23
as perfectPerfecto toolsherramientas that could make my work
more efficienteficiente and more productiveproductivo.
3
11371
4505
como herramientas perfectas que
podrían hacer mi trabajo
más eficiente y productivo
00:28
But with the risesubir of automationautomatización
acrossa través de so manymuchos differentdiferente industriesindustrias,
4
16403
3254
Pero con el auge de la automatización
en tantas industrias diferentes
me llevó a preguntarme:
00:31
it led me to wonderpreguntarse:
5
19681
1372
00:33
If machinesmáquinas are startingcomenzando
to be ablepoder to do the work
6
21077
2341
si las máquinas comienzan
a hacer el trabajo
tradicionalmente hecho por humanos,
00:35
traditionallytradicionalmente donehecho by humanshumanos,
7
23442
1667
00:37
what will becomevolverse of the humanhumano handmano?
8
25133
2333
¿qué saldrá de la mano humana?
00:40
How does our desiredeseo for perfectionperfección,
precisionprecisión and automationautomatización
9
28133
4093
¿Cómo nuestro deseo de perfección,
precisión y automatización
00:44
affectafectar our abilitycapacidad to be creativecreativo?
10
32250
1922
afecta nuestra habilidad
de ser creativos?
00:46
In my work as an artistartista and researcherinvestigador,
I exploreexplorar AIAI and roboticsrobótica
11
34553
4087
En mi trabajo como artista e
investigadora exploro IA y robótica
00:50
to developdesarrollar newnuevo processesprocesos
for humanhumano creativitycreatividad.
12
38664
3005
para desarrollar nuevos procesos
para la creatividad humana.
00:54
For the pastpasado fewpocos yearsaños,
13
42077
1286
Durante los últimos años,
trabajé junto a máquinas, datos
y tecnologías emergentes.
00:55
I've madehecho work alongsidejunto a machinesmáquinas,
datadatos and emergingemergentes technologiestecnologías.
14
43387
4376
01:00
It's partparte of a lifelongpara toda la vida fascinationfascinación
15
48143
1861
Es parte de una fascinación de por vida
01:02
about the dynamicsdinámica
of individualsindividuos and systemssistemas
16
50028
2735
por las dinámicas de individuos y sistemas
01:04
and all the messinessdesorden that that entailsimplica.
17
52787
2381
y todo el desorden que conlleva.
01:07
It's how I'm exploringexplorador questionspreguntas about
where AIAI endstermina and we beginempezar
18
55192
4808
Es cómo exploro preguntas
sobre dónde comienza y acaba la IA
y dónde desarrollo procesos
01:12
and where I'm developingdesarrollando processesprocesos
19
60024
1642
01:13
that investigateinvestigar potentialpotencial
sensorysensorial mixesmezclas of the futurefuturo.
20
61690
3326
que investigan posibles mezclas
sensoriales del futuro.
01:17
I think it's where philosophyfilosofía
and technologytecnología intersectintersecarse.
21
65675
2857
Creo que es dónde se cruzan
la filosofía y la tecnología.
01:20
Doing this work
has taughtenseñó me a fewpocos things.
22
68992
2239
Hacer este trabajo me
enseñó un par de cosas.
01:23
It's taughtenseñó me how embracingabrazando imperfectionimperfección
23
71642
2824
Me enseñó cómo aceptar la imperfección
01:26
can actuallyactualmente teachenseñar us
something about ourselvesNosotros mismos.
24
74490
2489
en realidad puede enseñarnos
algo de nosotros mismos.
01:29
It's taughtenseñó me that exploringexplorador artart
25
77428
2336
Me enseñó que explorar el arte
01:31
can actuallyactualmente help shapeforma
the technologytecnología that shapesformas us.
26
79788
2931
puede ayudarnos a moldear
la tecnología que nos moldea.
01:35
And it's taughtenseñó me
that combiningcombinatorio AIAI and roboticsrobótica
27
83148
3261
Y me enseñó que combinando AI y robótica
01:38
with traditionaltradicional formsformularios of creativitycreatividad --
visualvisual artsletras in my casecaso --
28
86433
3532
con formas tradicionales de
creatividad, artes visuales en mi caso,
puede enseñarnos a pensar
un poco más profundamente
01:41
can help us think a little bitpoco more deeplyprofundamente
29
89989
2302
01:44
about what is humanhumano
and what is the machinemáquina.
30
92315
2897
sobre qué es un humano y
qué es la máquina.
01:47
And it's led me to the realizationrealización
31
95942
1707
Y me ha llevado a entender
que la colaboración es la clave
para crear un espacio para ambos
01:49
that collaborationcolaboración is the keyllave
to creatingcreando the spaceespacio for bothambos
32
97673
3055
01:52
as we movemovimiento forwardadelante.
33
100752
1267
a medida que avanzamos.
01:54
It all startedempezado with a simplesencillo
experimentexperimentar with machinesmáquinas,
34
102387
2746
Todo comenzó con un simple
experimento con máquinas.
01:57
calledllamado "DrawingDibujo OperationsOperaciones
UnitUnidad: GenerationGeneracion 1."
35
105157
2826
llamado "Drawing Operations
Unit: Generation 1"
02:00
I call the machinemáquina "D.O.U.G." for shortcorto.
36
108434
2516
Llamé a la máquina D.O.U.G, para abreviar.
02:02
Before I builtconstruido D.O.U.G,
37
110974
1326
Antes de construir a D.O.U.G
02:04
I didn't know anything
about buildingedificio robotsrobots.
38
112324
2365
nos sabía nada sobre construir robots.
02:07
I tooktomó some open-sourcefuente abierta
roboticrobótico armbrazo designsdiseños,
39
115220
2897
Tomé algunos diseños de brazo
robótico de código abierto,
02:10
I hackedpirateado togetherjuntos a systemsistema
where the robotrobot would matchpartido my gesturesgestos
40
118141
3341
hackeé un sistema en el que
el robot copiaba mis gestos
02:13
and followseguir [them] in realreal time.
41
121506
1639
y los seguía en tiempo real.
02:15
The premisepremisa was simplesencillo:
42
123169
1448
La premisa era simple:
02:16
I would leaddirigir, and it would followseguir.
43
124641
2200
Yo dirigiría y él seguiría.
02:19
I would drawdibujar a linelínea,
and it would mimicimitar my linelínea.
44
127403
2936
Yo dibujaría una línea y
él imitaría mi línea.
02:22
So back in 2015, there we were,
drawingdibujo for the first time,
45
130363
3698
En 2015 allí estábamos,
dibujando por primera vez,
02:26
in frontfrente of a smallpequeña audienceaudiencia
in NewNuevo YorkYork CityCiudad.
46
134085
2619
en frente de una pequeña
audiencia en Nueva York.
02:28
The processproceso was prettybonita sparseescaso --
47
136728
2555
El proceso fue bastante austero,
02:31
no lightsluces, no soundssonidos,
nothing to hideesconder behinddetrás.
48
139307
3487
sin luces, sin sonido,
nada para esconderse.
02:35
Just my palmspalmas sweatingtranspiración
and the robot'srobot newnuevo servosservos heatingcalefacción up.
49
143241
3395
Solo mis manos sudando y
los servomotores del robot calentándose.
02:38
(LaughsRisas) ClearlyClaramente, we were
not builtconstruido for this.
50
146950
2441
(Ríe)
Claramente, no estábamos hechos para esto.
02:41
But something interestinginteresante happenedsucedió,
something I didn't anticipateprever.
51
149820
3233
Pero ocurrió algo interesante,
algo que no anticipé.
02:45
See, D.O.U.G., in its primitiveprimitivo formformar,
wasn'tno fue trackingrastreo my linelínea perfectlyperfectamente.
52
153077
4802
Verán, D.O.U.G, en su forma primitiva
no seguía mi línea perfectamente
Mientras que en la simulación
que ocurrió en la pantalla
02:49
While in the simulationsimulación
that happenedsucedió onscreenen la pantalla
53
157903
2333
02:52
it was pixel-perfectpixel-perfect,
54
160260
1357
era perfecto,
02:53
in physicalfísico realityrealidad,
it was a differentdiferente storyhistoria.
55
161641
2531
en la realidad física,
era una historia diferente.
02:56
It would slipresbalón and slidediapositiva
and punctuatepuntuar and falterDesfallecer,
56
164196
2817
Se resbalaba y deslizaba,
se interrumpía y vacilaba,
02:59
and I would be forcedforzado to respondresponder.
57
167037
2068
y yo debía responder.
03:01
There was nothing pristineprístino about it.
58
169525
1778
No había nada puro al respecto.
Y aún, de algún modo, los errores
hicieron mi trabajo más interesante.
03:03
And yettodavía, somehowde algun modo, the mistakeserrores
madehecho the work more interestinginteresante.
59
171327
3238
03:06
The machinemáquina was interpretinginterpretar
my linelínea but not perfectlyperfectamente.
60
174589
2754
La máquina interpretaba
mi línea, pero no perfectamente.
03:09
And I was forcedforzado to respondresponder.
61
177367
1372
Y yo debía responder.
03:10
We were adaptingadaptación
to eachcada other in realreal time.
62
178763
2709
Nos adaptábamos
el uno al otro en tiempo real.
03:13
And seeingviendo this taughtenseñó me a fewpocos things.
63
181496
1937
Y ver esto me enseñó un par de cosas.
03:15
It showedmostró me that our mistakeserrores
actuallyactualmente madehecho the work more interestinginteresante.
64
183457
4880
Me enseñó que nuestros errores
hacen el trabajo más interesante.
03:20
And I realizeddio cuenta that, you know,
throughmediante the imperfectionimperfección of the machinemáquina,
65
188663
4249
Y me di cuenta de que, a través
de la imperfección de la máquina,
03:24
our imperfectionsimperfecciones becameconvirtió
what was beautifulhermosa about the interactionInteracción.
66
192936
3705
nuestras imperfecciones se convirtieron
en lo que era hermoso de la interacción.
03:29
And I was excitedemocionado,
because it led me to the realizationrealización
67
197650
3087
Y estaba emocionada,
porque me llevó a darme cuenta
03:32
that maybe partparte of the beautybelleza
of humanhumano and machinemáquina systemssistemas
68
200761
3650
de que quizás parte de la belleza de
los sistemas humano y máquina
03:36
is theirsu sharedcompartido inherentinherente fallibilityfalibilidad.
69
204435
2738
es su inherente falibilidad compartida.
03:39
For the secondsegundo generationGeneracion of D.O.U.G.,
70
207197
1820
Para la segunda generación de D.O.U.G,
03:41
I knewsabía I wanted to exploreexplorar this ideaidea.
71
209041
2307
supe que quería explorar esta idea.
03:43
But insteaden lugar of an accidentaccidente producedproducido
by pushingemprendedor a roboticrobótico armbrazo to its limitslímites,
72
211372
4418
Pero en lugar de un accidente provocado
al llevar al brazo robótico a su límite,
03:47
I wanted to designdiseño a systemsistema
that would respondresponder to my drawingsdibujos
73
215814
2897
quería diseñar un sistema que
respondiera a mis dibujos
de formas que no esperaba.
03:50
in waysformas that I didn't expectesperar.
74
218735
1833
03:52
So, I used a visualvisual algorithmalgoritmo
to extractextraer visualvisual informationinformación
75
220592
3849
Así que usé un algoritmo visual
para extraer información visual
de décadas de mis dibujos
digitales y analógicos.
03:56
from decadesdécadas of my digitaldigital
and analogcosa análoga drawingsdibujos.
76
224465
2978
03:59
I trainedentrenado a neuralneural netred on these drawingsdibujos
77
227467
2055
Entrené una red neuronal con estos dibujos
04:01
in orderorden to generategenerar
recurringperiódico patternspatrones in the work
78
229546
2865
para generar patrones
recurrentes en el trabajo
04:04
that were then fedalimentado throughmediante custompersonalizado softwaresoftware
back into the machinemáquina.
79
232435
3476
que luego se introdujeron a través
de software personalizado a la máquina.
04:07
I painstakinglyminuciosamente collectedrecogido
as manymuchos of my drawingsdibujos as I could find --
80
235935
4386
Recopilé minuciosamente
tantos dibujos como pude encontrar,
04:12
finishedterminado workstrabajos, unfinishedinconcluso experimentsexperimentos
and randomaleatorio sketchesbocetos --
81
240345
4215
trabajos acabados, experimentos
sin terminar y bocetos aleatorios,
04:16
and taggedetiquetado them for the AIAI systemsistema.
82
244584
1999
y los etiqueté para el sistema IA.
04:18
And sinceya que I'm an artistartista,
I've been makingfabricación work for over 20 yearsaños.
83
246607
3684
Y como soy artista, llevo
trabajando más de 20 años.
04:22
CollectingColeccionismo that manymuchos drawingsdibujos tooktomó monthsmeses,
84
250315
2024
Recopilar tantos dibujos llevó meses,
04:24
it was a wholetodo thing.
85
252363
1389
fue un montón.
04:25
And here'saquí está the thing
about trainingformación AIAI systemssistemas:
86
253776
2595
Y aquí está la cuestión
sobre entrenar sistemas AI:
04:28
it's actuallyactualmente a lot of harddifícil work.
87
256395
2200
en realidad es mucho trabajo duro.
04:31
A lot of work goesva on behinddetrás the scenesescenas.
88
259022
2191
Hay mucho trabajo detrás de escena.
04:33
But in doing the work,
I realizeddio cuenta a little bitpoco more
89
261237
2681
Pero al hacer el trabajo,
aprendí un poco más
04:35
about how the architecturearquitectura
of an AIAI is constructedconstruido.
90
263942
3421
sobre cómo se construye
la arquitectura de un IA.
04:39
And I realizeddio cuenta it's not just madehecho
of modelsmodelos and classifiersclasificadores
91
267387
2947
Y noté que no solo está hecho
de modelos y clasificadores
04:42
for the neuralneural networkred.
92
270358
1322
para la red neuronal.
04:43
But it's a fundamentallyfundamentalmente
malleablemaleable and shapableposiblemente systemsistema,
93
271704
3532
Sino que es un sistema
fundamentalmente maleable y moldeable,
04:47
one in whichcual the humanhumano handmano
is always presentpresente.
94
275260
3111
en el que la mano humana
siempre está presente.
04:50
It's farlejos from the omnipotentomnipotente AIAI
we'venosotros tenemos been told to believe in.
95
278395
4000
Está lejos de la IA omnipotente
en la que nos han dicho que creamos.
04:54
So I collectedrecogido these drawingsdibujos
for the neuralneural netred.
96
282419
2515
Así que recopilé estos dibujos
para la red neuronal.
04:56
And we realizeddio cuenta something
that wasn'tno fue previouslypreviamente possibleposible.
97
284958
3929
Y nos dimos cuenta de algo
que antes no era posible.
Mi robot D.O.U.G se convirtió
en una reflexión interactiva a tiempo real
05:00
My robotrobot D.O.U.G. becameconvirtió
a real-timetiempo real interactiveinteractivo reflectionreflexión
98
288911
4091
05:05
of the work I'd donehecho
throughmediante the coursecurso of my life.
99
293026
2627
del trabajo que había realizado
a lo largo de mi vida.
05:07
The datadatos was personalpersonal,
but the resultsresultados were powerfulpoderoso.
100
295677
3865
Los datos eran personales,
pero los resultados fueron poderosos.
05:11
And I got really excitedemocionado,
101
299566
1484
Y me emocioné mucho,
05:13
because I startedempezado thinkingpensando maybe
machinesmáquinas don't need to be just toolsherramientas,
102
301074
4582
porque empecé a pensar que quizás
las máquinas no son solo herramientas,
05:17
but they can functionfunción
as nonhumanno humano collaboratorscolaboradores.
103
305680
3420
sino que pueden funcionar
como colaboradores no humanos.
05:21
And even more than that,
104
309537
1547
Y aún más que eso,
05:23
I thought maybe
the futurefuturo of humanhumano creativitycreatividad
105
311108
2429
pensé que tal vez el futuro
de la creatividad humana
05:25
isn't in what it makeshace
106
313561
1524
no está en lo que hace
05:27
but how it comesproviene togetherjuntos
to exploreexplorar newnuevo waysformas of makingfabricación.
107
315109
3436
sino cómo se une para
explorar nuevas maneras de crear.
05:31
So if D.O.U.G._1 was the musclemúsculo,
108
319101
2190
Si D.O.U.G_1 fue el músculo,
05:33
and D.O.U.G._2 was the braincerebro,
109
321315
1762
y D.O.U.G_2 fue el cerebro,
05:35
then I like to think
of D.O.U.G._3 as the familyfamilia.
110
323101
2928
entonces me gustaría pensar
en D.O.U.G_3 como la familia.
05:38
I knewsabía I wanted to exploreexplorar this ideaidea
of human-nonhumanhumano-no humano collaborationcolaboración at scaleescala.
111
326482
4793
Sabía que quería explorar esta idea
de colaboración entre humanos
y no-humanos a escala.
05:43
So over the pastpasado fewpocos monthsmeses,
112
331299
1373
En los últimos meses,
05:44
I workedtrabajó with my teamequipo
to developdesarrollar 20 custompersonalizado robotsrobots
113
332696
3135
trabajé con mi equipo
para desarrollar 20 robots personalizados
que trabajarían conmigo como colectivo.
05:47
that could work with me as a collectivecolectivo.
114
335855
1960
05:49
They would work as a groupgrupo,
115
337839
1293
Trabajarían como un grupo
y juntos colaboraríamos
con todo Nueva York.
05:51
and togetherjuntos, we would collaboratecolaborar
with all of NewNuevo YorkYork CityCiudad.
116
339156
2889
05:54
I was really inspiredinspirado
by StanfordStanford researcherinvestigador Fei-FeiFei-Fei LiLi,
117
342069
2944
Me inspiró mucho el investigador
de Stanford Fei-Fei Li,
quien dijo: "Si queremos
enseñar a las máquinas a pensar,
05:57
who said, "if we want to teachenseñar
machinesmáquinas how to think,
118
345037
2515
05:59
we need to first teachenseñar them how to see."
119
347576
1984
primero debemos enseñarles cómo ver".
06:01
It madehecho me think of the pastpasado decadedécada
of my life in NewNuevo YorkYork,
120
349584
2785
Me hizo pensar en la última década
de mi vida en Nueva York
06:04
and how I'd been all watchedmirado over by these
surveillancevigilancia camerascámaras around the cityciudad.
121
352393
3993
y cómo nos vigilan todas esas
cámaras de seguridad por la ciudad.
Y pensé que sería realmente interesante
06:08
And I thought it would be
really interestinginteresante
122
356410
2056
si pudiera usarlas
para enseñar a mis robots a ver.
06:10
if I could use them
to teachenseñar my robotsrobots to see.
123
358490
2405
06:12
So with this projectproyecto,
124
360919
1888
Con este proyecto,
06:14
I thought about the gazemirada of the machinemáquina,
125
362831
1967
pensé sobre la mirada de la máquina,
06:16
and I beganempezó to think about visionvisión
as multidimensionalmultidimensional,
126
364822
3226
y empecé a pensar sobre
la visión multidimensional,
06:20
as viewspuntos de vista from somewherealgun lado.
127
368072
1600
como vistas de alguna parte.
06:22
We collectedrecogido videovídeo
128
370151
1834
Recopilamos videos
06:24
from publiclyen público availabledisponible
cameracámara feedsalimenta on the internetInternet
129
372009
3063
de las cámaras públicas
disponibles en internet,
06:27
of people walkingpara caminar on the sidewalksaceras,
130
375096
1690
de gente caminando por las aceras,
06:28
carscarros and taxisTaxis on the roadla carretera,
131
376810
1712
autos y taxis en la carretera,
06:30
all kindsclases of urbanurbano movementmovimiento.
132
378546
1817
todo tipo de movimiento urbano.
06:33
We trainedentrenado a visionvisión algorithmalgoritmo
on those feedsalimenta
133
381188
2603
Entrenamos un algoritmo
de la visión con esas fuentes
06:35
basedbasado on a techniquetécnica
calledllamado "opticalóptico flowfluir,"
134
383815
2286
basado en una técnica
llamada "flujo óptico",
06:38
to analyzeanalizar the collectivecolectivo densitydensidad,
135
386125
1977
para analizar la densidad colectiva,
06:40
directiondirección, dwellhabitar and velocityvelocidad statesestados
of urbanurbano movementmovimiento.
136
388126
3637
dirección, permanencia y
velocidad del movimiento urbano.
06:44
Our systemsistema extractedextraído those statesestados
from the feedsalimenta as positionalposicional datadatos
137
392178
4269
Nuestro sistema extrajo esos estados
de las fuentes como datos posicionales
06:48
and becameconvirtió padsalmohadillas for my
roboticrobótico unitsunidades to drawdibujar on.
138
396471
3373
y se voliveron cuadernos para
dibujar para mis unidades robóticas.
06:51
InsteadEn lugar of a collaborationcolaboración of one-to-onedoce y cincuenta y nueve de la noche,
139
399868
2534
En lugar de una colaboración uno a uno,
06:54
we madehecho a collaborationcolaboración of many-to-manymuchos a muchos.
140
402426
3024
hicimos una colaboración
de muchos a muchos.
06:57
By combiningcombinatorio the visionvisión of humanhumano
and machinemáquina in the cityciudad,
141
405474
3587
Combinando la visión de
los humanos y las máquinas en la ciudad,
07:01
we reimaginedreimaginado what
a landscapepaisaje paintingpintura could be.
142
409085
2794
reimaginamos lo que podría
ser una pintura de un paisaje.
07:03
ThroughoutEn todo all of my
experimentsexperimentos with D.O.U.G.,
143
411903
2218
En todos mis experimentos con D.O.U.G,
no hay dos actuaciones
que hayan sido iguales.
07:06
no two performancesactuaciones
have ever been the samemismo.
144
414145
2717
07:08
And throughmediante collaborationcolaboración,
145
416886
1382
Y a través de la colaboración
07:10
we createcrear something that neitherninguno of us
could have donehecho alonesolo:
146
418292
2864
creamos algo que ninguno
podría haber hecho solo
exploramos los límites
de nuestra creatividad,
07:13
we exploreexplorar the boundarieslímites
of our creativitycreatividad,
147
421180
2611
07:15
humanhumano and nonhumanno humano workingtrabajando in parallelparalela.
148
423815
2892
humano y no humano
trabajando en paralelo.
07:19
I think this is just the beginningcomenzando.
149
427823
2334
Creo que es solo el principio.
07:22
This yearaño, I've launchedlanzado ScilicetScilicet,
150
430569
2183
Este año, lancé Scilicet,
07:24
my newnuevo lablaboratorio exploringexplorador humanhumano
and interhumanInterhuman collaborationcolaboración.
151
432776
4245
mi nuevo laboratorio explorando
la interración humana e interhumana.
Estamos muy interesados en
la retroalimentación
07:29
We're really interestedinteresado
in the feedbackrealimentación looplazo
152
437339
2120
07:31
betweenEntre individualindividual, artificialartificial
and ecologicalecológico systemssistemas.
153
439483
4230
entre sistemas individuales,
artificiales y ecológicos.
07:36
We're connectingconectando humanhumano and machinemáquina outputsalida
154
444276
2269
Conectamos la producción
humana y máquina
07:38
to biometricsbiometría and other kindsclases
of environmentalambiental datadatos.
155
446569
2984
con datos biométricos y
otros tipos de datos ambientales.
07:41
We're invitingatractivo anyonenadie who'squien es interestedinteresado
in the futurefuturo of work, systemssistemas
156
449577
4079
Invitamos a cualquiera interesado
en el futuro del trabajo, sistemas
07:45
and interhumanInterhuman collaborationcolaboración
157
453680
1595
y colaboración interhumana
07:47
to exploreexplorar with us.
158
455299
1550
a investigar con nosotros.
07:48
We know it's not just technologiststecnólogos
that have to do this work
159
456873
3405
Sabemos que no solo los tecnólogos
tienen que hacer este trabajo
07:52
and that we all have a rolepapel to playjugar.
160
460302
2103
y que todos tenemos un papel
que desempeñar.
07:54
We believe that by teachingenseñando machinesmáquinas
161
462429
2243
Creémos que enseñando a las máquina
07:56
how to do the work
traditionallytradicionalmente donehecho by humanshumanos,
162
464696
2730
cómo hacer el trabajo
tradicionalmente hecho por humanos.
07:59
we can exploreexplorar and evolveevolucionar our criteriacriterios
163
467450
2953
podemos explorar y
desarrollar nuestro criterio
08:02
of what's madehecho possibleposible by the humanhumano handmano.
164
470427
2443
de lo que ha hecho posible
la mano humana.
08:04
And partparte of that journeyviaje
is embracingabrazando the imperfectionsimperfecciones
165
472894
3493
Y parte de ese viaje es
aceptar las imperfecciones
y reconocer la falibilidad
tanto humana y máquina,
08:08
and recognizingreconociendo the fallibilityfalibilidad
of bothambos humanhumano and machinemáquina,
166
476411
3690
08:12
in orderorden to expandexpandir the potentialpotencial of bothambos.
167
480125
2405
para expandir el potencial de ambos.
08:14
TodayHoy, I'm still in pursuitbúsqueda
of findinghallazgo the beautybelleza
168
482919
2301
Hoy sigo buscando la belleza
08:17
in humanhumano and nonhumanno humano creativitycreatividad.
169
485244
2276
en la creatividad humana y no humana.
08:19
In the futurefuturo, I have no ideaidea
what that will look like,
170
487865
2829
En el futuro, no tengo ni idea
de cómo será esto,
pero tengo mucha curiosidad
por descubrirlo.
08:23
but I'm prettybonita curiouscurioso to find out.
171
491627
2024
Gracias.
08:25
Thank you.
172
493675
1151
08:26
(ApplauseAplausos)
173
494850
1884
(Aplausos)
Translated by Sonia Escudero Sánchez
Reviewed by Juana Issel

▲Back to top

ABOUT THE SPEAKER
Sougwen Chung - Artist, researcher
Sougwen 愫君 Chung is an artist and researcher whose work explores the dynamics between humans and systems.

Why you should listen
Sougwen Chung's work explores the mark-made-by-hand and the mark-made-by-machine as an approach to understanding the dynamics of humans and systems. Chung is a former research fellow at MIT’s Media Lab and a pioneer in the field of human-machine collaboration. In 2019, she was selected as the Woman of the Year in Monaco for achievement in the Arts & Sciences.
 
In 2018 she was an inaugural E.A.T. Artist in Resident in partnership with New Museum and Bell Labs, and was awarded a commission for her project Omnia per Omnia. In 2016, Chung received Japan Media Art’s Excellence Award in for her project, Drawing Operations. She is a former research fellow at MIT’s Media Lab. She has been awarded Artist in Residence positions at Google, Eyebeam, Japan Media Arts and Pier 9 Autodesk. Her speculative critical practice spans performance, installation and drawings which have been featured in numerous exhibitions at museums and galleries around the world.
More profile about the speaker
Sougwen Chung | Speaker | TED.com