TED2010
Temple Grandin: The world needs all kinds of minds
Temple Grandin: El mundo necesita todo tipo de mentes
Filmed:
Readability: 3.4
5,588,848 views
Temple Grandin, diagnosticada con autismo de niña, habla de cómo funciona su mente… compartiendo su capacidad de "pensar en imágenes" que le ayuda a resolver problemas que los cerebros neurotípicos podrían no tener. Ella sostiene que el mundo necesita de la gente del espectro del autismo: los pensadores visuales, los pensadores de patrones, los pensadores verbales, y todo tipo de niños genios.
Temple Grandin - Livestock handling designer, autism activist
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds. Full bio
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds. Full bio
Double-click the English transcript below to play the video.
00:15
I think I'll start out and just talk a little bit about
0
0
2000
Creo que comenzaré hablando un poco sobre
00:17
what exactly autism is.
1
2000
2000
lo que es exactamente el autismo.
00:19
Autism is a very big continuum
2
4000
3000
El autismo es un continuo muy grande
00:22
that goes from very severe -- the child remains non-verbal --
3
7000
3000
que va desde algo muy severo, niños que no hablan,
00:25
all the way up to brilliant scientists and engineers.
4
10000
3000
hasta científicos e ingenieros brillantes.
00:28
And I actually feel at home here,
5
13000
2000
Y en realidad me siento como en casa aquí.
00:30
because there's a lot of autism genetics here.
6
15000
2000
Porque aquí hay mucha genética de autismo.
00:32
You wouldn't have any...
7
17000
2000
Uds. no tendrían...
00:34
(Applause)
8
19000
4000
(Aplausos)
00:38
It's a continuum of traits.
9
23000
2000
Es un continuo de huellas.
00:40
When does a nerd turn into
10
25000
3000
¿Qué hace que un empollón se encuadre
00:43
Asperger, which is just mild autism?
11
28000
2000
en un Asperger, un autismo leve?
00:45
I mean, Einstein and Mozart
12
30000
3000
Quiero decir, Einstein, Mozart
00:48
and Tesla would all be probably diagnosed
13
33000
2000
y Tesla, hoy todos probablemente serían diagnosticados
00:50
as autistic spectrum today.
14
35000
2000
en el espectro autístico.
00:52
And one of the things that is really going to concern me is
15
37000
3000
Y una de las cosas en las que me voy a interesar es
00:55
getting these kids to be the ones that are going to invent
16
40000
3000
hacer que estos niños sean quienes van a inventar
00:58
the next energy things,
17
43000
2000
la próxima energía,
01:00
you know, that Bill Gates talked about this morning.
18
45000
4000
Ahora, que Bill Gates habló de eso esta mañana.
01:04
OK. Now, if you want to understand
19
49000
2000
Bueno, ahora, si quieren entender
01:06
autism, animals.
20
51000
2000
el autismo, los animales.
01:08
And I want to talk to you now about different ways of thinking.
21
53000
2000
Y ahora quiero hablarles de distintas maneras de pensar.
01:10
You have to get away from verbal language.
22
55000
3000
Uno tiene que salirse del lenguaje hablado.
01:13
I think in pictures,
23
58000
2000
Yo pienso en imágenes.
01:15
I don't think in language.
24
60000
3000
No pienso con palabras.
01:18
Now, the thing about the autistic mind
25
63000
2000
Ahora, la quid de la mente autista
01:20
is it attends to details.
26
65000
3000
es que se ocupa de los detalles.
01:23
OK, this is a test where you either have to
27
68000
2000
Bien, este es un test en el que uno tiene que
01:25
pick out the big letters, or pick out the little letters,
28
70000
2000
elegir las letras grandes o las letras pequeñas.
01:27
and the autistic mind picks out the
29
72000
2000
Y la mente autista elige las
01:29
little letters more quickly.
30
74000
2000
letras pequeñas más rápidamente.
01:31
And the thing is, the normal brain ignores the details.
31
76000
4000
Y la cosa es que el cerebro normal ignora los detalles.
01:35
Well, if you're building a bridge, details are pretty important
32
80000
2000
Bien, si uno está construyendo un puente, los detalles son importantes
01:37
because it will fall down if you ignore the details.
33
82000
3000
porque se caerá si uno ignora los detalles.
01:40
And one of my big concerns with a lot of policy things today
34
85000
3000
Y hoy una de mis grandes preocupaciones con muchas políticas
01:43
is things are getting too abstract.
35
88000
2000
es que las cosas se están poniendo muy abstractas.
01:45
People are getting away from doing
36
90000
2000
La gente está dejando de hacer
01:47
hands-on stuff.
37
92000
2000
cosas prácticas.
01:49
I'm really concerned that a lot of the schools have taken out
38
94000
2000
Estoy muy preocupada porque muchas escuelas han quitado
01:51
the hands-on classes,
39
96000
2000
las clases prácticas,
01:53
because art, and classes like that,
40
98000
2000
porque el arte, y las clases como esas,
01:55
those are the classes where I excelled.
41
100000
2000
esas eran las clases en las que yo sobresalía.
01:57
In my work with cattle,
42
102000
2000
Bien, en mi trabajo con ganado
01:59
I noticed a lot of little things that most people don't notice
43
104000
3000
noté un montón de pequeñas cosas que la mayoría de la gente no nota
02:02
would make the cattle balk. Like, for example,
44
107000
2000
que harían espantar al ganado. Como, por ejemplo,
02:04
this flag waving, right in front of the veterinary facility.
45
109000
3000
el ondeo de la bandera, justo en frente de la veterinaria.
02:07
This feed yard was going to tear down their whole veterinary facility;
46
112000
3000
Este depósito de alimento iba a echar abajo toda la veterinaria
02:10
all they needed to do was move the flag.
47
115000
2000
todo lo que necesitaban era quitar la bandera.
02:12
Rapid movement, contrast.
48
117000
3000
Movimiento rápido, contraste.
02:15
In the early '70s when I started, I got right down
49
120000
2000
A principios de los '70s comencé, bajé justo
02:17
in the chutes to see what cattle were seeing.
50
122000
2000
por las mangas para ver qué hacía el ganado.
02:19
People thought that was crazy. A coat on a fence would make them balk,
51
124000
3000
La gente pensaba que era loco. Un abrigo en una cerca las espantaría.
02:22
shadows would make them balk, a hose on the floor ...
52
127000
3000
Las sombras lo espantaría, una manguera en el piso.
02:25
people weren't noticing these things --
53
130000
2000
La gente no notaba estas cosas
02:27
a chain hanging down --
54
132000
2000
una cadena colgando
02:29
and that's shown very, very nicely in the movie.
55
134000
2000
y eso se ve muy, muy bien en la película.
02:31
In fact, I loved the movie, how they
56
136000
2000
De hecho, me encantó en la película como
02:33
duplicated all my projects. That's the geek side.
57
138000
2000
reprodujeron todos mis proyectos. Ese es el lado friki.
02:35
My drawings got to star in the movie too.
58
140000
3000
Mis dibujos protagonizan la película también.
02:38
And actually it's called "Temple Grandin,"
59
143000
2000
Y se llama Temple Grandin
02:40
not "Thinking In Pictures."
60
145000
2000
no "Pensando en imágenes".
02:42
So, what is thinking in pictures? It's literally movies
61
147000
2000
Así, ¿qué es pensar en imágenes? Literalmente son películas
02:44
in your head.
62
149000
2000
en la cabeza.
02:46
My mind works like Google for images.
63
151000
2000
Mi mente funciona como Google con las imágenes.
02:48
Now, when I was a young kid I didn't know my thinking was different.
64
153000
3000
Ahora bien, de niña yo no sabía que mi pensamiento es diferente.
02:51
I thought everybody thought in pictures.
65
156000
2000
Yo pensaba que todos pensaban en imágenes.
02:53
And then when I did my book, "Thinking In Pictures,"
66
158000
2000
Y después, cuando hice mi libro "Pensando en imágenes",
02:55
I start interviewing people about how they think.
67
160000
3000
empecé a entrevistar gente sobre cómo piensan.
02:58
And I was shocked to find out that
68
163000
2000
Y me impresionó encontrar que mi pensamiento
03:00
my thinking was quite different. Like if I say,
69
165000
2000
mi pensamiento era muy diferente. Como si digo
03:02
"Think about a church steeple"
70
167000
2000
"Piensen en un campanario de iglesia"
03:04
most people get this sort of generalized generic one.
71
169000
2000
mucha gente piensa en cierta forma muy generalizada.
03:06
Now, maybe that's not true in this room,
72
171000
2000
Ahora, quizá eso no se cumple en esta sala.
03:08
but it's going to be true in a lot of different places.
73
173000
4000
Pero va a ser verdad en un montón de lugares distintos.
03:12
I see only specific pictures.
74
177000
2000
Yo veo sólo imágenes específicas
03:14
They flash up into my memory, just like Google for pictures.
75
179000
4000
que irrumpen en mi memoria, justo como Google con las imágenes.
03:18
And in the movie, they've got a great scene in there
76
183000
2000
Y en la película hay una gran escena allí en la que
03:20
where the word "shoe" is said, and a whole bunch of '50s and '60s shoes
77
185000
4000
se dice la palabra "zapato" y un montón de zapatos de los '50s y '60s
03:24
pop into my imagination.
78
189000
2000
se meten en mi imaginación.
03:26
OK, there is my childhood church,
79
191000
2000
Bien, está mi iglesia de la infancia.
03:28
that's specific. There's some more, Fort Collins.
80
193000
3000
Bien específico. Hay algo más, Fort Collins.
03:31
OK, how about famous ones?
81
196000
2000
Bien, ¿qué tal las famosas?
03:33
And they just kind of come up, kind of like this.
82
198000
3000
Simplemente aparecen, como en este caso.
03:36
Just really quickly, like Google for pictures.
83
201000
3000
Realmente muy rápido, como Google con las imágenes.
03:39
And they come up one at a time,
84
204000
2000
Y vienen de a una a la vez.
03:41
and then I think, "OK, well maybe we can have it snow,
85
206000
2000
Y luego pienso, bien, quizá podemos tener nieve
03:43
or we can have a thunderstorm,"
86
208000
2000
o podemos tener una tormenta
03:45
and I can hold it there and turn them into videos.
87
210000
3000
y podemos dejarlo allí y transformarlo en videos.
03:48
Now, visual thinking was a tremendous asset
88
213000
3000
Ahora, el pensamiento visual fue un activo enorme
03:51
in my work designing cattle-handling facilities.
89
216000
3000
en mi trabajo de diseño de las instalaciones para el ganado.
03:54
And I've worked really hard on improving
90
219000
2000
Y trabajé realmente mucho en mejorar
03:56
how cattle are treated at the slaughter plant.
91
221000
2000
el trato del ganado en el matadero.
03:58
I'm not going to go into any gucky slaughter slides.
92
223000
3000
No voy a entrar en láminas incómodas de matanzas.
04:01
I've got that stuff up on YouTube if you want to look at it.
93
226000
2000
Tengo esas cosas subidas a Youtube si quieren verlas.
04:03
But, one of the things that I was able to do in my design work
94
228000
4000
Pero una de las cosas que fui capaz de hacer en mi trabajo de diseño
04:07
is I could actually test run
95
232000
2000
es que pude probar la ejecución
04:09
a piece of equipment in my mind,
96
234000
2000
de un equipo en mi mente
04:11
just like a virtual reality computer system.
97
236000
3000
como si fuera un sistema de realidad virtual
04:14
And this is an aerial view
98
239000
2000
y esta es una vista aérea
04:16
of a recreation of one of my projects that was used in the movie.
99
241000
3000
de la reconstrucción de uno de mis proyectos que se usó en la película.
04:19
That was like just so super cool.
100
244000
2000
Eso fue realmente super guay.
04:21
And there were a lot of kind of Asperger types
101
246000
2000
Y había un montón de tipos de Asperger
04:23
and autism types working out there on the movie set too.
102
248000
3000
y tipos de autismo, trabajando allí en la película también.
04:26
(Laughter)
103
251000
2000
(Risas)
04:28
But one of the things that really worries me
104
253000
2000
Pero una de las cosas que realmente me preocupan
04:30
is: Where's the younger version of those kids going today?
105
255000
4000
es a dónde están yendo hoy la versión joven de estos niños.
04:34
They're not ending up in Silicon Valley, where they belong.
106
259000
3000
No están terminando en Silicon Valley, lugar al que pertenecen.
04:37
(Laughter)
107
262000
3000
(Risas)
04:40
(Applause)
108
265000
5000
(Aplausos)
04:45
Now, one of the things I learned very early on because I wasn't that social,
109
270000
3000
Una de las cosas que aprendí desde muy temprano, porque no era tan sociable,
04:48
is I had to sell my work, and not myself.
110
273000
4000
es que tenía que vender mi trabajo y no a mí misma.
04:52
And the way I sold livestock jobs
111
277000
2000
Y el modo de vender tareas de ganado
04:54
is I showed off my drawings, I showed off pictures of things.
112
279000
3000
fue mostrando mis dibujos, mostré imágenes de cosas.
04:57
Another thing that helped me as a little kid
113
282000
2000
Otra cosa que me ayudó, de niña, fue que
04:59
is, boy, in the '50s, you were taught manners.
114
284000
2000
vaya, en los '50s a uno le enseñaban modales.
05:01
You were taught you can't pull the merchandise off the shelves
115
286000
2000
A una le enseñaban que no podía sacar las cosas de los estantes
05:03
in the store and throw it around.
116
288000
2000
en la tienda y arrojarlas por ahí.
05:05
Now, when kids get to be in third or fourth grade,
117
290000
3000
Ahora, cuando vienen los niños de tercer o cuarto grado
05:08
you might see that this kid's going to be a visual thinker,
118
293000
3000
uno puede ver que este niño va a ser un pensador visual
05:11
drawing in perspective. Now, I want to
119
296000
2000
que dibuja en perspectiva. Ahora, quiero
05:13
emphasize that not every autistic kid
120
298000
2000
resaltar que no todo niño autista
05:15
is going to be a visual thinker.
121
300000
2000
va a ser un pensador visual.
05:17
Now, I had this brain scan done several years ago,
122
302000
4000
Me hicieron este barrido cerebral hace varios años.
05:21
and I used to joke around about having a
123
306000
2000
Y yo solía bromear sobre el hecho de tener
05:23
gigantic Internet trunk line
124
308000
2000
un caño gigante de internet
05:25
going deep into my visual cortex.
125
310000
2000
metido en lo profundo de mi corteza visual.
05:27
This is tensor imaging.
126
312000
2000
Esto es una imagen con tensor de difusión.
05:29
And my great big internet trunk line
127
314000
2000
Y mi gran caño de internet
05:31
is twice as big as the control's.
128
316000
2000
es dos veces más grande que el de control.
05:33
The red lines there are me,
129
318000
2000
Las líneas rojas soy yo,
05:35
and the blue lines are the sex and age-matched control.
130
320000
4000
y las líneas azules son las de control, por sexo y edad.
05:39
And there I got a gigantic one,
131
324000
2000
Y allí tengo una gigante
05:41
and the control over there, the blue one,
132
326000
2000
y la de control por allí, la de azul,
05:43
has got a really small one.
133
328000
4000
tiene una realmente pequeña.
05:47
And some of the research now is showing
134
332000
2000
Y algunas investigaciones están mostrando
05:49
is that people on the spectrum actually think with primary visual cortex.
135
334000
4000
que la gente del espectro en verdad piensa con la corteza visual primaria.
05:53
Now, the thing is, the visual thinker's just one kind of mind.
136
338000
3000
La cosa es que el pensador visual es sólo un tipo de mente.
05:56
You see, the autistic mind tends to be a specialist mind --
137
341000
3000
Ya ven, la mente autista tiende a ser una mente especializada.
05:59
good at one thing, bad at something else.
138
344000
4000
Buena para una cosa, mala para otra cosa.
06:03
And where I was bad was algebra. And I was never allowed
139
348000
2000
Y yo era mala en álgebra. y nunca se me permitió
06:05
to take geometry or trig.
140
350000
2000
estudiar geometría o trigonometría.
06:07
Gigantic mistake: I'm finding a lot of kids who need to skip algebra,
141
352000
3000
Error garrafal. Estoy encontrando muchos niños que dejan álgebra
06:10
go right to geometry and trig.
142
355000
2000
y van directo a geometría y trigonometría.
06:12
Now, another kind of mind is the pattern thinker.
143
357000
3000
Otro tipo de mente es el que piensa en patrones.
06:15
More abstract. These are your engineers,
144
360000
2000
Más abstracto. Estos son sus ingenieros
06:17
your computer programmers.
145
362000
2000
sus programadores.
06:19
Now, this is pattern thinking. That praying mantis
146
364000
2000
Esto es el pensamiento en patrones. Ese mantis religioso
06:21
is made from a single sheet of paper --
147
366000
2000
está hecho con una sola hoja de papel
06:23
no scotch tape, no cuts.
148
368000
2000
sin pegamento, ni cortes.
06:25
And there in the background is the pattern for folding it.
149
370000
3000
Y allí en el fondo está el patrón para hacer los dobleces.
06:28
Here are the types of thinking:
150
373000
2000
Este es el tipo de pensamiento de
06:30
photo-realistic visual thinkers, like me;
151
375000
3000
pensadores visuales fotorrealistas, como yo.
06:33
pattern thinkers, music and math minds.
152
378000
4000
Pensadores de patrones, mentes de música y matemática
06:37
Some of these oftentimes have problems with reading.
153
382000
2000
Algunos de ellos a menudo tienen problemas de lectura.
06:39
You also will see these kind of problems
154
384000
2000
También se verá este tipo de problemas con
06:41
with kids that are dyslexic.
155
386000
3000
con los niños disléxicos.
06:44
You'll see these different kinds of minds.
156
389000
2000
Verán estos diferentes tipos de mentes.
06:46
And then there's a verbal mind, they know every fact about everything.
157
391000
3000
Y luego hay una mente verbal. Ellos conocen todos los hechos sobre cualquier tema.
06:49
Now, another thing is the sensory issues.
158
394000
2000
Otra cosa son las cuestiones sensoriales.
06:51
I was really concerned about having to wear this gadget on my face.
159
396000
4000
Me preocupaba mucho tener que ponerme este aparato en mi cara.
06:55
And I came in half an hour beforehand
160
400000
3000
Y vine media hora antes
06:58
so I could have it put on and kind of get used to it,
161
403000
2000
para que me lo colocaran y poder acostumbrarme.
07:00
and they got it bent so it's not hitting my chin.
162
405000
3000
Y lo doblaron para que no golpee mi mentón.
07:03
But sensory is an issue. Some kids are bothered by fluorescent lights;
163
408000
3000
La sensibilidad es un problema. A algunos les molestan las luces fluorescentes.
07:06
others have problems with sound sensitivity.
164
411000
3000
Otros tienen problemas con la sensibilidad sonora.
07:09
You know, it's going to be variable.
165
414000
3000
Ya saben, va a ser variable.
07:12
Now, visual thinking gave me a whole lot of insight
166
417000
4000
El pensamiento visual me ayudó mucho a entender
07:16
into the animal mind.
167
421000
2000
la mente animal.
07:18
Because think about it: An animal is a sensory-based thinker,
168
423000
3000
Porque piensen en eso. Un animal es un pensador sensorial,
07:21
not verbal -- thinks in pictures,
169
426000
4000
no uno verbal. Piensa en imágenes.
07:25
thinks in sounds, thinks in smells.
170
430000
3000
Piensa en sonidos. Piensa en olores.
07:28
Think about how much information there is there on the local fire hydrant.
171
433000
3000
Piensen cuánta información hay allí en la boca de incendio.
07:31
He knows who's been there, when they were there.
172
436000
3000
El animal sabe quién y cuándo ha estado allí
07:34
Are they friend or foe? Is there anybody he can go mate with?
173
439000
3000
son amigos o enemigos, es alguien con quien aparearse.
07:37
There's a ton of information on that fire hydrant.
174
442000
3000
Hay muchísima información en esa boca de incendio.
07:40
It's all very detailed information,
175
445000
4000
Todo es información muy detallada.
07:44
and, looking at these kind of details
176
449000
2000
Y, mirar este tipo de detalles
07:46
gave me a lot of insight into animals.
177
451000
2000
me dio mucho conocimiento de los animales.
07:48
Now, the animal mind, and also my mind,
178
453000
4000
La mente animal, y también de la mía
07:52
puts sensory-based information
179
457000
2000
clasifica la información sensorial
07:54
into categories.
180
459000
2000
en categorías.
07:56
Man on a horse
181
461000
2000
Un hombre a caballo
07:58
and a man on the ground --
182
463000
2000
y un hombre en el piso
08:00
that is viewed as two totally different things.
183
465000
2000
son vistos como dos cosas totalmente diferentes
08:02
You could have a horse that's been abused by a rider.
184
467000
3000
Uno podría tener un caballo que ha sido abusado por un jinete.
08:05
They'll be absolutely fine with the veterinarian
185
470000
2000
Estarán absolutamente bien con el veterinario
08:07
and with the horseshoer, but you can't ride him.
186
472000
3000
y con el herrero pero uno no puede montarlo.
08:10
You have another horse, where maybe the horseshoer beat him up
187
475000
3000
Uno tiene otro caballo, a quien el herrero le da una paliza
08:13
and he'll be terrible for anything on the ground,
188
478000
2000
y será fatal con todo lo del terreno
08:15
with the veterinarian, but a person can ride him.
189
480000
3000
con el veterinario, pero una persona puede montarlo.
08:18
Cattle are the same way.
190
483000
2000
Con el ganado es lo mismo.
08:20
Man on a horse,
191
485000
2000
Hombre a caballo,
08:22
a man on foot -- they're two different things.
192
487000
2000
hombre a pie, son cosas diferentes.
08:24
You see, it's a different picture.
193
489000
2000
Ya ven, es una imagen diferente.
08:26
See, I want you to think about just how specific this is.
194
491000
3000
Vean, quiero que piensen lo específico que es esto.
08:29
Now, this ability to put information into categories,
195
494000
4000
Esta capacidad de poner información en categorías.
08:33
I find a lot of people are not very good at this.
196
498000
3000
Encuentro mucha gente que no es buena en esto.
08:36
When I'm out troubleshooting equipment
197
501000
2000
Cuando estoy resolviendo problemas de equipos
08:38
or problems with something in a plant,
198
503000
2000
o con algo en la planta
08:40
they don't seem to be able to figure out, "Do I have a training people issue?
199
505000
4000
ellos no parecen ser capaces de imaginar si "¿tengo un problema de entrenamiento?"
08:44
Or do I have something wrong with the equipment?"
200
509000
2000
o si "¿tengo algo mal en el equipamiento?"
08:46
In other words, categorize equipment problem
201
511000
2000
En otras palabras: categorizar en problema de equipamiento
08:48
from a people problem.
202
513000
2000
o en problema humano.
08:50
I find a lot of people have difficulty doing that.
203
515000
3000
Encuentro mucha gente con dificultades para hacer eso.
08:53
Now, let's say I figure out it's an equipment problem.
204
518000
3000
Digamos que imagino que es un problema de equipamiento.
08:56
Is it a minor problem, with something simple I can fix?
205
521000
2000
¿Es un problema menor que se soluciona con algo simple?
08:58
Or is the whole design of the system wrong?
206
523000
3000
O, ¿está mal todo el diseño del sistema?
09:01
People have a hard time figuring that out.
207
526000
3000
A la gente se le hace difícil imaginar eso.
09:04
Let's just look at something like, you know,
208
529000
2000
Miremos algo como, ya saben,
09:06
solving problems with making airlines safer.
209
531000
2000
solucionar problemas haciendo aerolíneas más seguras.
09:08
Yeah, I'm a million-mile flier.
210
533000
2000
Sí, soy una pasajera de un millón de millas.
09:10
I do lots and lots of flying,
211
535000
2000
Hago montones y montones de vuelos.
09:12
and if I was at the FAA,
212
537000
3000
Y si estuviera en la FFA
09:15
what would I be doing a lot of direct observation of?
213
540000
4000
¿en qué estaría poniendo mucha observación directa?
09:19
It would be their airplane tails.
214
544000
2000
Sería en sus colas de avión.
09:21
You know, five fatal wrecks in the last 20 years,
215
546000
3000
Ya sabe, cinco accidentes fatales en los últimos 20 años
09:24
the tail either came off or steering stuff inside the tail broke
216
549000
4000
o bien la cola salió de dirección o bien algo en su interior se rompió
09:28
in some way.
217
553000
2000
de algún modo.
09:30
It's tails, pure and simple.
218
555000
2000
Son las colas, lisa y llanamente.
09:32
And when the pilots walk around the plane, guess what? They can't see
219
557000
2000
Y cuando los pilotos recorren el avión, ¿adivinen qué? No pueden ver
09:34
that stuff inside the tail.
220
559000
2000
esa cosa dentro de la cola.
09:36
You know, now as I think about that,
221
561000
2000
Ya saben, ahora que pienso en eso, estoy levantando toda esa
09:38
I'm pulling up all of that specific information.
222
563000
3000
información específica.
09:41
It's specific. See, my thinking's bottom-up.
223
566000
3000
Es específico. Así que, ven, mi pensamiento es de abajo hacia arriba.
09:44
I take all the little pieces and I put the pieces together like a puzzle.
224
569000
4000
Tomo todas las pequeñas piezas y las junto como en un rompecabezas
09:48
Now, here is a horse that was deathly afraid
225
573000
2000
Ahora, aquí hay un caballo que tenía un miedo mortal
09:50
of black cowboy hats.
226
575000
2000
a los sombreros de cowboy negros.
09:52
He'd been abused by somebody with a black cowboy hat.
227
577000
2000
Alguien con sombrero de cowboy negro abusó de él.
09:54
White cowboy hats, that was absolutely fine.
228
579000
3000
Pero los sombreros blancos, esos estaban muy bien.
09:57
Now, the thing is, the world is going to need
229
582000
3000
La cosa es que el mundo va a necesitar
10:00
all of the different kinds of minds
230
585000
2000
que todos los tipos de mentes diferentes
10:02
to work together.
231
587000
2000
trabajen en conjunto.
10:04
We've got to work on developing all these different kinds of minds.
232
589000
3000
Tenemos que trabajar en el desarrollo de todos estos tipos de mentes.
10:07
And one of the things that is driving me really crazy,
233
592000
3000
Y una de las cosas que me está volviendo realmente loca
10:10
as I travel around and I do autism meetings,
234
595000
2000
a medida que viajo y hago encuentros de autismo
10:12
is I'm seeing a lot of smart, geeky, nerdy kids,
235
597000
3000
es que estoy viendo muchos pequeños cerebritos
10:15
and they just aren't very social,
236
600000
3000
que no son muy sociables
10:18
and nobody's working on developing their interest
237
603000
2000
y nadie está trabajando en desarrollar su interés
10:20
in something like science.
238
605000
2000
en algo como la ciencia.
10:22
And this brings up the whole thing of my science teacher.
239
607000
3000
Y esto trae a mi mente la historia de mi profesor de ciencias.
10:25
My science teacher is shown absolutely beautifully in the movie.
240
610000
3000
Mi profesor de ciencias aparece maravillosamente en la película.
10:28
I was a goofball student. When I was in high school
241
613000
2000
Yo era el payaso de la clase en la secundaria.
10:30
I just didn't care at all about studying,
242
615000
3000
No me interesaba estudiar en absoluto
10:33
until I had Mr. Carlock's science class.
243
618000
3000
hasta que tuve al Sr Carlock en la clase de ciencias.
10:36
He was now Dr. Carlock in the movie.
244
621000
3000
Quien ahora es el Dr. Carlock en la película.
10:39
And he got me challenged
245
624000
3000
Y él me desafió
10:42
to figure out an optical illusion room.
246
627000
3000
a imaginar una sala de ilusión óptica.
10:45
This brings up the whole thing of you've got to show kids
247
630000
2000
Esto nos lleva a la cuestión de mostrarle a los niños
10:47
interesting stuff.
248
632000
2000
cosas interesantes.
10:49
You know, one of the things that I think maybe TED ought to do
249
634000
3000
Ya saben, una de las cosas que pienso quizá TED debe hacer
10:52
is tell all the schools about all the great lectures that are on TED,
250
637000
3000
es contarle a las escuelas las grandes conferencias que hay en TED
10:55
and there's all kinds of great stuff on the Internet
251
640000
2000
y hay todo tipo de cosas geniales en internet
10:57
to get these kids turned on.
252
642000
2000
para mantener atentos a los niños.
10:59
Because I'm seeing a lot of these geeky nerdy kids,
253
644000
3000
Porque estoy viendo un montón de estos empollones,
11:02
and the teachers out in the Midwest, and the other parts of the country,
254
647000
3000
y los profesores del oeste medio, y de otras partes del país,
11:05
when you get away from these tech areas,
255
650000
2000
cuando uno se aleja de estas áreas tecnológicas
11:07
they don't know what to do with these kids.
256
652000
2000
no saben qué hacer con estos niños.
11:09
And they're not going down the right path.
257
654000
2000
Y no están recorriendo el camino correcto.
11:11
The thing is, you can make a mind
258
656000
2000
La cosa es que uno puede hacer que una mente
11:13
to be more of a thinking and cognitive mind,
259
658000
3000
sea más que una mente de pensamiento y cognición.
11:16
or your mind can be wired to be more social.
260
661000
3000
O quizá tenga conexiones para ser más social.
11:19
And what some of the research now has shown in autism
261
664000
2000
Y lo que muestran algunas investigaciones sobre autismo
11:21
is there may by extra wiring back here,
262
666000
2000
es que puede haber conexiones extras aquí
11:23
in the really brilliant mind, and we lose a few social circuits here.
263
668000
3000
en las mentes realmente brillantes, y perdemos unos circuitos aquí.
11:26
It's kind of a trade-off between thinking and social.
264
671000
4000
Es como un compromiso entre el pensamiento y lo social.
11:30
And then you can get into the point where it's so severe
265
675000
2000
Y luego uno puede llegar al punto en que es tan severo
11:32
you're going to have a person that's going to be non-verbal.
266
677000
3000
que va a tener personas que no van a hablar.
11:35
In the normal human mind
267
680000
2000
En la mente humana normal
11:37
language covers up the visual thinking we share with animals.
268
682000
3000
el lenguaje abarca el pensamiento visual que compartimos con los animales.
11:40
This is the work of Dr. Bruce Miller.
269
685000
3000
Este es el trabajo del Dr. Bruce Miller.
11:43
And he studied Alzheimer's patients
270
688000
3000
Él estudió a pacientes con Alzheimer
11:46
that had frontal temporal lobe dementia.
271
691000
2000
que tenían demencia frontotemporal.
11:48
And the dementia ate out the language parts of the brain,
272
693000
3000
Y la demencia comió las partes del lenguaje en el cerebro
11:51
and then this artwork came out of somebody who used to install stereos in cars.
273
696000
5000
y esta obra surgió de alguien que solía instalar estéreos en los autos.
11:56
Now, Van Gogh doesn't know anything about physics,
274
701000
4000
Van Gogh no sabía nada de física.
12:00
but I think it's very interesting
275
705000
2000
Pero pienso que es muy interesante
12:02
that there was some work done to show that
276
707000
2000
un trabajo que se hizo para mostrar que
12:04
this eddy pattern in this painting
277
709000
2000
este patrón de remolinos de la pintura
12:06
followed a statistical model of turbulence,
278
711000
3000
seguía un modelo estadístico de turbulencia.
12:09
which brings up the whole interesting idea
279
714000
2000
Lo que sugiere es que toda esta interesante idea
12:11
of maybe some of this mathematical patterns
280
716000
2000
o tal vez alguno de estos patrones matemáticos
12:13
is in our own head.
281
718000
2000
está en nuestra propia cabeza.
12:15
And the Wolfram stuff -- I was taking
282
720000
2000
Y lo de Wolfram que estuve tomando
12:17
notes and I was writing down all the
283
722000
2000
notas y escribiendo todas las
12:19
search words I could use,
284
724000
2000
palabras clave que podría usar
12:21
because I think that's going to go on in my autism lectures.
285
726000
4000
porque pienso que va a ir en mis conferencias sobre autismo.
12:25
We've got to show these kids interesting stuff.
286
730000
2000
Tenemos que mostrarles a estos chicos cosas interesantes.
12:27
And they've taken out the autoshop class
287
732000
2000
Y han pasado la clase de mecánica
12:29
and the drafting class and the art class.
288
734000
2000
y la de dibujo, y la de arte.
12:31
I mean art was my best subject in school.
289
736000
3000
Quiero decir, arte era mi mejor materia en la escuela.
12:34
We've got to think about all these different kinds of minds,
290
739000
2000
Tenemos que pensar en todos estos tipos de mentes diferentes.
12:36
and we've got to absolutely work with these kind of minds,
291
741000
3000
Y tenemos que trabajar con absolutamente todos estos tipos de mentes
12:39
because we absolutely are going to need
292
744000
3000
porque vamos a necesitar absolutamente
12:42
these kind of people in the future.
293
747000
3000
este tipo de gente en el futuro.
12:45
And let's talk about jobs.
294
750000
2000
Y hablemos de los empleos.
12:47
OK, my science teacher got me studying
295
752000
2000
Bien, mi profesor de ciencias me hizo estudiar
12:49
because I was a goofball that didn't want to study.
296
754000
3000
porque yo era una payasa que no quería estudiar.
12:52
But you know what? I was getting work experience.
297
757000
2000
¿Pero saben qué? Estaba recibiendo experiencia laboral.
12:54
I'm seeing too many of these smart kids who haven't learned basic things,
298
759000
2000
Estoy viendo demasiados de estos niños inteligentes que no han aprendido cosas básicas
12:56
like how to be on time.
299
761000
2000
como ser puntuales.
12:58
I was taught that when I was eight years old.
300
763000
2000
Me enseñaron eso cuando tenía ocho años.
13:00
You know, how to have table manners at granny's Sunday party.
301
765000
3000
Ya saben, cómo comportarse en la mesa de la abuela el domingo en la fiesta.
13:03
I was taught that when I was very, very young.
302
768000
3000
Me enseñaron eso cuando era muy, muy pequeña.
13:06
And when I was 13, I had a job at a dressmaker's shop
303
771000
3000
Y a los 13 tenía un trabajo en un taller de modista
13:09
sewing clothes.
304
774000
2000
vendiendo ropa.
13:11
I did internships in college,
305
776000
3000
Hice prácticas en la universidad.
13:14
I was building things,
306
779000
3000
Estuve construyendo cosas.
13:17
and I also had to learn how to do assignments.
307
782000
3000
Y también tuve que aprender a hacer tareas.
13:20
You know, all I wanted to do was draw pictures of horses when I was little.
308
785000
4000
Ya saben, todo lo que quería era dibujar caballos cuando era pequeña.
13:24
My mother said, "Well let's do a picture of something else."
309
789000
2000
Mi madre decía: "Bien, hagamos un dibujo de algo más",
13:26
They've got to learn how to do something else.
310
791000
2000
Ellos tienen que aprender cómo hacer algo más.
13:28
Let's say the kid is fixated on Legos.
311
793000
2000
Supongamos que un niño tiene una fijación con los ladrillitos.
13:30
Let's get him working on building different things.
312
795000
3000
Hagámoslo trabajar en la construcción de distintas cosas.
13:33
The thing about the autistic mind
313
798000
2000
El quid de la mente autista
13:35
is it tends to be fixated.
314
800000
2000
es que tiende a la fijación.
13:37
Like if a kid loves racecars,
315
802000
2000
Si a un niño le gustan las carreras de autos
13:39
let's use racecars for math.
316
804000
2000
usemos autos de carrera en matemáticas.
13:41
Let's figure out how long it takes a racecar to go a certain distance.
317
806000
3000
Imaginemos cuánto tarda una carrera de autos en ir a determinada distancia.
13:44
In other words, use that fixation
318
809000
4000
En otras palabras, usar esa fijación
13:48
in order to motivate that kid, that's one of the things we need to do.
319
813000
3000
para motivar a ese niño, esa es una de las cosas que tenemos que hacer.
13:51
I really get fed up when they, you know, the teachers,
320
816000
3000
Me molesta mucho cuando ellos, ya saben, los profesores
13:54
especially when you get away from this part of the country,
321
819000
3000
especialmente cuando te alejas de esta parte del país.
13:57
they don't know what to do with these smart kids.
322
822000
2000
ellos no saben qué hacer con estos niños inteligentes.
13:59
It just drives me crazy.
323
824000
2000
Es algo que me pone loca.
14:01
What can visual thinkers do when they grow up?
324
826000
2000
¿Qué pueden hacer los pensadores visuales cuando crecen?
14:03
They can do graphic design, all kinds of stuff with computers,
325
828000
3000
Pueden hacer diseño gráfico, todo tipo de cosas con computadoras,
14:06
photography, industrial design.
326
831000
5000
fotografía, diseño industrial.
14:11
The pattern thinkers, they're the ones that are going to be
327
836000
2000
Los pensadores de patrones, ellos serán quienes van a ser
14:13
your mathematicians, your software engineers,
328
838000
3000
sus matemáticos, sus ingenieros de software
14:16
your computer programmers, all of those kinds of jobs.
329
841000
4000
sus programadores, todos esos tipos de trabajos.
14:20
And then you've got the word minds. They make great journalists,
330
845000
3000
Y luego uno tiene las mentes de palabras. Ellos serán grandes periodistas.
14:23
and they also make really, really good stage actors.
331
848000
3000
Y también realmente muy buenos actores.
14:26
Because the thing about being autistic is,
332
851000
2000
Porque la cosa con ser autista es que
14:28
I had to learn social skills like being in a play.
333
853000
3000
tuve que aprender habilidades sociales como estar en una obra.
14:31
It's just kind of -- you just have to learn it.
334
856000
3000
Es como si uno tuviese que aprenderlo.
14:34
And we need to be working with these students.
335
859000
3000
Y tenemos que trabajar con estos estudiantes.
14:37
And this brings up mentors.
336
862000
2000
Y esto produce mentores.
14:39
You know, my science teacher was not an accredited teacher.
337
864000
3000
Ya saben, mi profesor de ciencias no estaba acreditado.
14:42
He was a NASA space scientist.
338
867000
2000
Era un científico espacial de la NASA.
14:44
Now, some states now are getting it to where
339
869000
2000
Algunos estados están llevando esto a que
14:46
if you have a degree in biology, or a degree in chemistry,
340
871000
2000
si uno tiene un título en biología, o en química,
14:48
you can come into the school and teach biology or chemistry.
341
873000
3000
puede venir a la escuela y enseñar biología o química.
14:51
We need to be doing that.
342
876000
2000
Tenemos que hacer eso.
14:53
Because what I'm observing is
343
878000
2000
Porque lo que estoy observando es que
14:55
the good teachers, for a lot of these kids,
344
880000
2000
los buenos profesores, para muchos de estos niños,
14:57
are out in the community colleges,
345
882000
2000
están afuera, en la comunidad de colegas.
14:59
but we need to be getting some of these good teachers into the high schools.
346
884000
3000
Necesitamos llevar alguno de esos buenos profesores a las secundarias.
15:02
Another thing that can be very, very, very successful is
347
887000
3000
Otra cosa que puede ser muy, muy, muy exitosa
15:05
there is a lot of people that may have retired
348
890000
3000
es que hay mucha gente que puede haberse jubilado
15:08
from working in the software industry, and they can teach your kid.
349
893000
3000
de la industria del software y puede enseñar a los niños.
15:11
And it doesn't matter if what they teach them is old,
350
896000
3000
Y no importa si lo que enseñan es viejo
15:14
because what you're doing is you're lighting the spark.
351
899000
3000
porque lo que están haciendo es encender la chispa.
15:17
You're getting that kid turned on.
352
902000
3000
Uno mantiene a ese niño enganchado.
15:20
And you get him turned on, then he'll learn all the new stuff.
353
905000
3000
Lo tiene enganchado, entonces aprenderá todo lo nuevo.
15:23
Mentors are just essential.
354
908000
2000
Los mentores son esenciales.
15:25
I cannot emphasize enough
355
910000
2000
No me canso de decir
15:27
what my science teacher did for me.
356
912000
3000
cuánto hizo mi profesor de ciencias por mí.
15:30
And we've got to mentor them, hire them.
357
915000
3000
Y tenemos que guiarlos, contratarlos.
15:33
And if you bring them in for internships in your companies,
358
918000
2000
Y si los traen para realizar prácticas en sus compañías
15:35
the thing about the autism, Asperger-y kind of mind,
359
920000
3000
lo que deben saber del autismo, el tipo de mente Asperger,
15:38
you've got to give them a specific task. Don't just say, "Design new software."
360
923000
3000
es que tienen que darles tareas específicas. No digan, "Diseña nuevo software".
15:41
You've got to tell them something a lot more specific:
361
926000
2000
Tienen que decirles algo mucho más específico:
15:43
"Well, we're designing a software for a phone
362
928000
3000
"Bien, estamos diseñando software para un teléfono
15:46
and it has to do some specific thing.
363
931000
2000
y tiene que hacer algo específico.
15:48
And it can only use so much memory."
364
933000
2000
Y sólo se puede usar tanta memoria".
15:50
That's the kind of specificity you need.
365
935000
2000
Ese es el tipo de especificidad que necesitan.
15:52
Well, that's the end of my talk.
366
937000
2000
Bien, ese es el fin de mi charla.
15:54
And I just want to thank everybody for coming.
367
939000
2000
y quiero agradecerles a todos por venir.
15:56
It was great to be here.
368
941000
2000
Ha sido genial estar aquí.
15:58
(Applause)
369
943000
12000
(Aplausos)
16:10
Oh, you've got a question for me? OK.
370
955000
3000
Oh, ¿tienes una pregunta para mí? Bien.
16:13
(Applause)
371
958000
1000
(Aplausos)
16:14
Chris Anderson: Thank you so much for that.
372
959000
4000
Chris Anderson: Muchas gracias por eso.
16:18
You know, you once wrote, I like this quote,
373
963000
2000
Una vez escribiste, me gusta esta cita,
16:20
"If by some magic, autism had been
374
965000
2000
"Si por arte de magia, el autismo fuera
16:22
eradicated from the face of the Earth,
375
967000
3000
erradicado de la faz de la Tierra,
16:25
then men would still be socializing in front of a wood fire
376
970000
3000
entonces el Hombre todavía estaría socializando frente a un fogón
16:28
at the entrance to a cave."
377
973000
2000
en la entrada de una caverna".
16:30
Temple Grandin: Because who do you think made the first stone spears?
378
975000
2000
Temple Grandin: ¿Quién piensas que hizo las primeras lanzas de piedra?
16:32
The Asperger guy. And if you were to get rid of all the autism genetics
379
977000
3000
El tipo Asperger. Y si uno fuera a deshacerse de la genética del autismo
16:35
there would be no more Silicon Valley,
380
980000
2000
no habría más Silicon Valley
16:37
and the energy crisis would not be solved.
381
982000
2000
y la crisis energética no sería resuelta.
16:39
(Applause)
382
984000
3000
(Aplausos)
16:42
CA: So, I want to ask you a couple other questions,
383
987000
2000
CA: Quería hacerte un par de preguntas más.
16:44
and if any of these feel inappropriate,
384
989000
2000
Si alguna de estas te parecen inoportunas
16:46
it's okay just to say, "Next question."
385
991000
2000
está bien decir "Siguiente pregunta".
16:48
But if there is someone here
386
993000
2000
Pero si hay alguien aquí
16:50
who has an autistic child,
387
995000
2000
que tiene un niño autista
16:52
or knows an autistic child
388
997000
2000
o conoce a un niño autista
16:54
and feels kind of cut off from them,
389
999000
3000
y se siente un poco distante de él
16:57
what advice would you give them?
390
1002000
2000
¿qué consejo le daría?
16:59
TG: Well, first of all, you've got to look at age.
391
1004000
2000
TG: Bien, ante todo, hay que mirar la edad
17:01
If you have a two, three or four year old
392
1006000
2000
Si uno tiene un niño de dos, tres o cuatro años
17:03
you know, no speech, no social interaction,
393
1008000
2000
sin habla ni interacción social
17:05
I can't emphasize enough:
394
1010000
2000
no me canso de decir que
17:07
Don't wait, you need at least 20 hours a week of one-to-one teaching.
395
1012000
4000
no esperen, se necesita al menos 20 horas semanales de instrucción personalizada.
17:11
You know, the thing is, autism comes in different degrees.
396
1016000
3000
Ya saben, la cosa es que el autismo viene en distintos grados.
17:14
There's going to be about half the people on the spectrum
397
1019000
2000
Esto abarca cerca de la mitad de la gente del espectro
17:16
that are not going to learn to talk, and they're not going to be working
398
1021000
2000
que no van a aprender a hablar, y no van a poder trabajar.
17:18
Silicon Valley, that would not be a reasonable thing for them to do.
399
1023000
3000
El Silicon Valley no será algo razonable para ellos.
17:21
But then you get the smart, geeky kids
400
1026000
2000
Pero luego están los niños genios
17:23
that have a touch of autism,
401
1028000
2000
que tienen un toque de autismo
17:25
and that's where you've got to get them turned on
402
1030000
2000
y es ahí donde uno tiene que hacerlos enganchar
17:27
with doing interesting things.
403
1032000
2000
para hacer cosas interesantes.
17:29
I got social interaction through shared interest.
404
1034000
3000
Interactuaba socialmente a través de intereses que compartíamos.
17:32
I rode horses with other kids, I made model rockets with other kids,
405
1037000
4000
Montaba a caballo con otros niños. Hacía modelos de cohetes con otros niños,
17:36
did electronics lab with other kids,
406
1041000
2000
hacíamos laboratorios de electrónica con otros niños,
17:38
and in the '60s, it was gluing mirrors
407
1043000
2000
y en los '60s había que pegar espejos
17:40
onto a rubber membrane on a speaker to make a light show.
408
1045000
3000
en una membrana de goma sobre un altavoz para hacer un show de luces.
17:43
That was like, we considered that super cool.
409
1048000
3000
Eso era como, nos parecía súper guay.
17:46
CA: Is it unrealistic for them
410
1051000
2000
CA: ¿Es poco realista que ellos
17:48
to hope or think that that child
411
1053000
2000
esperen o piensen que ese niño
17:50
loves them, as some might, as most, wish?
412
1055000
3000
los ama, como muchos, como la mayoría, quisiera?
17:53
TG: Well let me tell you, that child will be loyal,
413
1058000
2000
TG: Bueno, déjame decirte que ese niño será leal
17:55
and if your house is burning down, they're going to get you out of it.
414
1060000
2000
Y si tu casa se está quemando te van a sacar de allí.
17:57
CA: Wow. So, most people, if you ask them
415
1062000
3000
CA: Vaya, la mayoría de las personas, si uno les pregunta
18:00
what are they most passionate about, they'd say things like,
416
1065000
2000
cuál es su mayor pasión dirán algo como
18:02
"My kids" or "My lover."
417
1067000
3000
"Mis hijos" o "Mi amante".
18:05
What are you most passionate about?
418
1070000
3000
¿Qué es lo que más te apasiona?
18:08
TG: I'm passionate about that the things I do
419
1073000
2000
TG: Lo que me apasiona es que las cosas que hago
18:10
are going to make the world a better place.
420
1075000
2000
van a hacer de este mundo un mejor lugar.
18:12
When I have a mother of an autistic child say,
421
1077000
2000
Cuando viene una madre de un niño autista y dice:
18:14
"My kid went to college because of your book,
422
1079000
2000
"Mi hijo fue a la universidad gracias a su libro
18:16
or one of your lectures," that makes me happy.
423
1081000
2000
o a una de sus charlas" Eso me hace feliz.
18:18
You know, the slaughter plants, I've worked with them
424
1083000
3000
Ya saben, los mataderos en los que trabajé.
18:21
in the '80s; they were absolutely awful.
425
1086000
2000
En los '80s eran absolutamente espantosos.
18:23
I developed a really simple scoring system for slaughter plants
426
1088000
4000
Yo desarrollé un sistema de puntuación muy simple para los mataderos
18:27
where you just measure outcomes: How many cattle fell down?
427
1092000
2000
donde uno simplemente mide resultados, ¿cuánto ganado se cayó?
18:29
How many cattle got poked with the prodder?
428
1094000
2000
¿Cuánto ganado fue aguijoneado con la picana?
18:31
How many cattle are mooing their heads off?
429
1096000
2000
¿Cuántas reses están mugiendo?
18:33
And it's very, very simple.
430
1098000
2000
Y es muy, muy simple.
18:35
You directly observe a few simple things.
431
1100000
2000
Hay que observar directamente unas pocas cosas.
18:37
It's worked really well. I get satisfaction out of
432
1102000
2000
Ha funcionado realmente muy bien. Me satisface
18:39
seeing stuff that makes real change
433
1104000
3000
ver cosas que producen un cambio real
18:42
in the real world. We need a lot more of that,
434
1107000
2000
en el mundo real. Necesitamos mucho más de eso
18:44
and a lot less abstract stuff.
435
1109000
2000
y mucho menos cosas abstractas.
18:46
(Applause)
436
1111000
7000
(Aplausos)
18:53
CA: When we were talking on the phone, one of the things you said that
437
1118000
2000
CA: Cuando estábamos hablando por teléfono una de las cosas que dijiste
18:55
really astonished me was you said one thing
438
1120000
2000
lo que realmente me asombró fue que dijiste que
18:57
you were passionate about was server farms. Tell me about that.
439
1122000
4000
tu pasión eran las granjas de servidores. Cuéntame sobre eso.
19:01
TG: Well the reason why I got really excited when I read about that,
440
1126000
3000
TG: Bueno, la razón por la que me entusiasmé al leer sobre eso es que
19:04
it contains knowledge.
441
1129000
3000
contiene conocimiento.
19:07
It's libraries.
442
1132000
2000
Son las bibliotecas.
19:09
And to me, knowledge is something
443
1134000
2000
Y para mí el conocimiento es algo
19:11
that is extremely valuable. So, maybe, over 10 years ago
444
1136000
2000
extremadamente valioso. Quizá hace más de 10 años
19:13
now our library got flooded.
445
1138000
2000
se inundó nuestra biblioteca.
19:15
And this is before the Internet got really big.
446
1140000
2000
Y esto pasó antes de que internet fuese algo tan grande.
19:17
And I was really upset about all the books being wrecked,
447
1142000
2000
Y me sentí muy molesta al ver todos los libros flotando
19:19
because it was knowledge being destroyed.
448
1144000
2000
porque era conocimiento que se destruía.
19:21
And server farms, or data centers
449
1146000
2000
Y las granjas de servidores, o centros de datos,
19:23
are great libraries of knowledge.
450
1148000
3000
son grandes bibliotecas de conocimiento
19:26
CA: Temple, can I just say it's an absolute delight to have you at TED.
451
1151000
3000
CA: Temple, puedo decir que es una delicia tenerte en TED.
19:29
TG: Well thank you so much. Thank you.
452
1154000
3000
TG: Bueno, muchas gracias. Gracias.
19:32
(Applause)
453
1157000
6000
(Aplausos)
ABOUT THE SPEAKER
Temple Grandin - Livestock handling designer, autism activistThrough groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds.
Why you should listen
An expert on animal behavior, Temple Grandin has designed humane handling systems for half the cattle-processing facilities in the US, and consults with the meat industry to develop animal welfare guidelines. As PETA wrote when awarding her a 2004 Proggy: “Dr. Grandin's improvements to animal-handling systems found in slaughterhouses have decreased the amount of fear and pain that animals experience in their final hours, and she is widely considered the world's leading expert on the welfare of cattle and pigs.” In 2010, Time Magazine listed her as one of its most Important People of the Year. She is also a member of the American Academy of Arts and Sciences.
Grandin’s books about her interior life as an autistic person have increased the world's understanding of the condition with personal immediacy -- and with import, as rates of autism diagnosis rise. She is revered by animal rights groups and members of autistic community, perhaps because in both regards she is a voice for those who are sometimes challenged to make themselves heard.
Temple Grandin | Speaker | TED.com