TED@Intel
Jennifer Healey: If cars could talk, accidents might be avoidable
جنيفر هيلى: اگر ماشين‌‌ها مى‌‌توانستند صحبت كنند، تصادفات ممكن بود اجتناب‌‌پذير شوند
Filmed:
Readability: 3.2
908,454 views
وقتى رانندگى مى‌‌كنيم، توى حباب شيشه‌‌ايى وارد مى‌‌شويم كه درهايش را قفل كرده و گازش را مى‌‌گيريم، به چشمهايمان تكيه مى‌‌كنيم تا راهنمايمان باشند-- على‌‌رغم اين كه ما فقط مى‌‌توانيم ماشينهاى كمى را در جلو و پشت‌‌سرمان ببينيم. اما چطور مى‌‌شد اگر ماشين‌‌ها مى‌‌توانستند با يكديگر داده‌هايى را درباره موقعيت و سرعتشان به اشتراك بگذارند و از الگوهاى پيشگويانه براى محاسبه ايمن ترين
مسيرها در جاده براى همه استفاده كنند؟ جنيفر هيلى دنيايى بدون تصادفات را تصور مىكند. (جهانى بدون تصادفات را تصور كنيد: تصويربردارى شده در TED@Inte)
Jennifer Healey - Research scientist
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio
A research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future. Full bio
Double-click the English transcript below to play the video.
00:12
Let's face it:
0
703
1914
بیایید اين واقعيت را بپذيريم كه
00:14
Driving is dangerous.
1
2617
2445
رانندگی كردن خطرناك است.
اين يكى از آن چيزهايى است كه دوست نداریم درباره‌اش فکر کنیم
00:17
It's one of the things that we don't like to think about,
2
5062
3098
00:20
but the fact that religious icons and good luck charms
3
8160
3652
اما وجود تمثال‌‌هاى مذهبى و نمادهاى خوش‌یمنى
00:23
show up on dashboards around the world
4
11812
4790
که در سراسر جهان روی داشبوردها دیده مى‌‌شوند
افشاگر اين واقعيت است که ما مى‌‌دانيم اين موضوع راست است.
00:28
betrays the fact that we know this to be true.
5
16602
4137
تصادفات رانندگى دليل اصلى مرگ و مير
00:32
Car accidents are the leading cause of death
6
20739
3594
در آدمهاى بين ١٩-١٦ سال در آمريكاست--
00:36
in people ages 16 to 19 in the United States --
7
24333
4170
دليل اصلى مرگ و مير--
00:40
leading cause of death --
8
28503
2843
و ٧٥درصد اين تصادفات هيچ ربطى
00:43
and 75 percent of these accidents have nothing to do
9
31346
3863
به الكل يا مواد ندارند.
00:47
with drugs or alcohol.
10
35209
2285
پس چه اتفاقى مى‌‌افتد؟
00:49
So what happens?
11
37494
2261
هيچكس با اطمينان در اين باره صحبت نمى‌‌كند، اما من اولين تصادفم را بخاطر مى‌‌آورم.
00:51
No one can say for sure, but I remember my first accident.
12
39755
4219
00:55
I was a young driver out on the highway,
13
43974
3803
راننده جوانى بودم كه در بزرگراه رانندگى مى‌‌كرد،
00:59
and the car in front of me, I saw the brake lights go on.
14
47777
2258
و ماشينى جلويم بود، ديدم چراغهاى ترمزش روشن شد.
01:02
I'm like, "Okay, all right, this guy is slowing down,
15
50035
1800
با خودم فكر كردم،" خوب، اشكالى نداره، حتمن اين يارو مى‌‌خواد يواش كنه،
01:03
I'll slow down too."
16
51835
1282
01:05
I step on the brake.
17
53117
1926
پس من بايد يواش كنم."
01:07
But no, this guy isn't slowing down.
18
55043
2254
اما نه، اين يارو قرار نيست يواش كند.
پا روى ترمز مى‌‌گذارم.
01:09
This guy is stopping, dead stop, dead stop on the highway.
19
57297
3178
اين يارو نگه مى‌‌داره، ایست کامل، وسط بزرگراه ایست کامل مى‌‌کنه.
01:12
It was just going 65 -- to zero?
20
60475
2540
از 65 تاسرعتی که داشت یکهويى به صفر رسيد؟
01:15
I slammed on the brakes.
21
63015
1520
روی ترمز زدم.
01:16
I felt the ABS kick in, and the car is still going,
22
64535
3059
لگد زدن ای بی‌اس را حس کردم، ماشین همچنان داشت حرکت می‌ٰکرد،
01:19
and it's not going to stop, and I know it's not going to stop,
23
67594
2696
و نمی‌ایستاد، و می‌دونم که نمی‌خواست توقف کنه،
01:22
and the air bag deploys, the car is totaled,
24
70290
2939
و کیسه هوا باز شد، ماشین مچاله شد،
01:25
and fortunately, no one was hurt.
25
73229
3557
و خوشبختانه كسى آسيب نديد.
01:28
But I had no idea that car was stopping,
26
76786
4211
اما من ايده‌‌اى نداشتم كه آن ماشين داشت توقف مى‌‌كرد،
01:32
and I think we can do a lot better than that.
27
80997
3645
و فكر مىكنم كه ما مى‌‌تونيم عملكردى خيلى بهتر از آن را داشته باشيم.
01:36
I think we can transform the driving experience
28
84642
4145
فكر مىكنم ما قادر به انتقال تجربه رانندگى باشيم
01:40
by letting our cars talk to each other.
29
88787
3879
از اين طريق كه بگذاريم ماشين‌‌ها با هم صحبت كنند.
01:44
I just want you to think a little bit
30
92666
1424
فقط مى‌‌خوام شما الان كمى درباره اينكه
01:46
about what the experience of driving is like now.
31
94090
2888
تجربه رانندگى چيست، فكر كنيد.
01:48
Get into your car. Close the door. You're in a glass bubble.
32
96978
4028
سوار ماشين‌‌تون مى‌‌شين. در را مى‌‌بنديد. توى يك حباب شيشه‌‌اى قرار داريد.
01:53
You can't really directly sense the world around you.
33
101006
2916
واقعاً نمى‌‌تونيد بطور مستقيم جهانى كه پيرامونتون هست را حس كنيد.
01:55
You're in this extended body.
34
103922
2181
01:58
You're tasked with navigating it down
35
106103
2163
در اين بدنه گسترش يافته هستيد.
02:00
partially-seen roadways,
36
108266
2056
شما وظيفه هدايت كردن آن را در مسيرهاى جاده‌‌اى داريد
02:02
in and amongst other metal giants, at super-human speeds.
37
110322
4424
كه ديد نصفه و نيمه است،
در ميان غولهاى فلزى ديگر، با سرعت‌‌هاى ابر انسانى.
02:06
Okay? And all you have to guide you are your two eyes.
38
114746
4480
درسته؟ و همه آنچه كه شما بايد هدايت كنيد چشماتون هستند.
02:11
Okay, so that's all you have,
39
119226
1762
بسيار خوب، پس همه آن چيزى كه داريد،
02:12
eyes that weren't really designed for this task,
40
120988
1735
02:14
but then people ask you to do things like,
41
122723
3751
چشمانى هستند كه واقعاً براى اين وظيفه ساخته نشده‌‌اند
اما خوب مردم از شما مى‌‌خواهند كه كارهايى مثل اين انجام دهيد،
02:18
you want to make a lane change,
42
126474
1549
مى‌‌خواين تغيير مسير بدين،
02:20
what's the first thing they ask you do?
43
128023
2321
اولين چيزى كه از شما خواسته مى‌‌شه انجام بدين چيه؟
02:22
Take your eyes off the road. That's right.
44
130344
3095
چشمهاتون رو از جاده برداريد. درست است.
02:25
Stop looking where you're going, turn,
45
133439
2096
دست از نگاه كردن بجايى كه مىرويد برداشته و بپيچيد،
02:27
check your blind spot,
46
135535
2018
02:29
and drive down the road without looking where you're going.
47
137553
3471
نقطه كورتون را بررسى كنيد،
و بدون نگاه كردن به جايى كه مىرويد رانندگى كنيد.
02:33
You and everyone else. This is the safe way to drive.
48
141024
3135
براى شما و هر كس ديگرى، اين بهترين روش براى رانندگى كردن است.
02:36
Why do we do this? Because we have to,
49
144159
2241
02:38
we have to make a choice, do I look here or do I look here?
50
146400
2579
چرا اين كار را مى‌‌كنيم؟ چون مجبوريم،
02:40
What's more important?
51
148979
1521
مجبوريم به انتخاب كردن، اين كه اينجا رو نگاه كنم يا اونجا رو؟
02:42
And usually we do a fantastic job
52
150500
2711
چى مهم‌‌تره؟
و معمولاً با تعيين و انتخاب اين كه حواسمون را در
02:45
picking and choosing what we attend to on the road.
53
153211
3769
جاده معطوف چه چيزى كنيم، كار فوق‌‌العاده‌‌اى را انجام مى‌‌دهيم.
02:48
But occasionally we miss something.
54
156980
3650
اما گهگاه متوجه چيزى نمى‌‌شيم.
02:52
Occasionally we sense something wrong or too late.
55
160630
4461
گهگاه حس مى‌‌كنيم جيزى اشتباه يا غلط است.
در تصادف‌‌هاى بى‌‌شمارى، راننده مى‌‌گويد،
02:57
In countless accidents, the driver says,
56
165091
1988
"نديدم كه داشت ميآمد."
02:59
"I didn't see it coming."
57
167079
2308
و من حرفشون را باور مىكنم. باور مىكنم.
03:01
And I believe that. I believe that.
58
169387
3281
ما تنهامى‌‌تونيم زياد تماشا كنيم.
03:04
We can only watch so much.
59
172668
2925
اما فناورى موجود در حال حاضر مى‌‌‌‌تواند به ما در بهبود آن كمك كند.
03:07
But the technology exists now that can help us improve that.
60
175593
5144
در آينده، با ماشين‌‌هايى كه با يكديگر داده رد و بدل مى‌‌كنند،
03:12
In the future, with cars exchanging data with each other,
61
180737
4296
ما نه تنها قادر به ديدن سه تا ماشين جلوتر و
03:17
we will be able to see not just three cars ahead
62
185033
3928
سه تا ماشين عقب‌‌تر و همينطور در چپ و راست خودمون
03:20
and three cars behind, to the right and left,
63
188961
1594
03:22
all at the same time, bird's eye view,
64
190555
3166
بطور هم زمان خواهيم بود و ديد چشم يك پرنده را خواهيم داشت،
03:25
we will actually be able to see into those cars.
65
193721
3128
بلكه در واقع قادر به ديدن آن ماشين‌‌ها خواهيم شد.
03:28
We will be able to see the velocity of the car in front of us,
66
196849
2371
خواهيم توانست سرعت ماشين جلويى‌‌مون رو ببينيم،
03:31
to see how fast that guy's going or stopping.
67
199220
3240
اين كه اون يارو با چه سرعتى حركت خواهد كرد يا متوقف خواهد شد.
03:34
If that guy's going down to zero, I'll know.
68
202460
4510
اگر اون يارو بخواهد سرعتش را صفر كند، من با خبر ميشم.
03:38
And with computation and algorithms and predictive models,
69
206970
3859
و به كمك الگوريتم‌‌ها و محاسبات كامپيوترى و الگوهاى پيشگويانه
03:42
we will be able to see the future.
70
210829
3273
قادر خواهيم بود آينده را ببينيم.
03:46
You may think that's impossible.
71
214102
1556
شايد فكر كنيد، غيرممكن باشه.
03:47
How can you predict the future? That's really hard.
72
215658
2731
چطور مى‌‌تونيد آينده را پيش‌‌گويى كنيد؟ واقعاً دشواره.
03:50
Actually, no. With cars, it's not impossible.
73
218389
3619
درواقع، اينطور نيست. با ماشين‌‌ها، كار غيرممكنى نيست.
03:54
Cars are three-dimensional objects
74
222008
2732
ماشين‌‌ها اشياء سه بعدى هستند
03:56
that have a fixed position and velocity.
75
224740
2332
كه موقعيت و سرعت ثابتى دارند.
03:59
They travel down roads.
76
227072
1631
در طول جاده‌‌ها سفر مى‌‌كنند.
04:00
Often they travel on pre-published routes.
77
228703
2412
اغلب در مسيرهاى از قبل چاپ شده بر روى نقشه سفر مى‌‌كنند.
04:03
It's really not that hard to make reasonable predictions
78
231115
3938
واقعاً اونقدر سخت نيست درباره اينكه يك ماشين در آينده نزديك كجا
04:07
about where a car's going to be in the near future.
79
235053
2864
04:09
Even if, when you're in your car
80
237917
2002
خواهد بود، پيشگويهاى منطقى كنيم.
حتى اگر، وقتى ماشين‌‌تون هستيد
04:11
and some motorcyclist comes -- bshoom! --
81
239919
1994
و يك موتور سيكلت با سرعت ٨٥ مايل در ساعت
04:13
85 miles an hour down, lane-splitting --
82
241913
2296
مى‌‌رسه و بين صفوف ماشين‌‌ها به حركتش ادامه مى‌‌ده--
04:16
I know you've had this experience --
83
244209
2547
مى‌‌دونم كه اين تجربه را داشته‌‌ايد--
04:18
that guy didn't "just come out of nowhere."
84
246756
2603
اون يارو يكهو از ناكجا آباد پيدايش نشد.--
04:21
That guy's been on the road probably for the last half hour.
85
249359
3643
اون يارو شايد نيم ساعت گذشته رو در آن جاده بوده است.
04:25
(Laughter)
86
253002
1190
(خنده)
04:26
Right? I mean, somebody's seen him.
87
254192
3589
اينطور نيست؟ منظورم اينه كه كسى او را ديده.
04:29
Ten, 20, 30 miles back, someone's seen that guy,
88
257781
2768
١٠، ٢٠، ٣٠ مايل عقب‌‌تر، كسى اين آدم را ديده است،
04:32
and as soon as one car sees that guy
89
260549
2384
و به محضى اين كه ماشينى فرد دیگری را ببيند
04:34
and puts him on the map, he's on the map --
90
262933
2231
و روى نقشه بگذاردش، اطلاعاتش روى نقشه‌‌ست--
04:37
position, velocity,
91
265164
2176
04:39
good estimate he'll continue going 85 miles an hour.
92
267340
2321
موقعيت، سرعت،
با يك برآورد خوب، او با سرعت ٨٥ مايل در ساعت به رفتن ادامه خواهد داد.
04:41
You'll know, because your car will know, because
93
269661
2184
04:43
that other car will have whispered something in his ear,
94
271845
2275
شما اينها رو خواهيد دانست، جون ماشين‌‌تون خواهد دانست، زيرا
آن يكى ماشين چيزيى مثل اين رو توى گوش ماشين شما
04:46
like, "By the way, five minutes,
95
274120
1923
پچ پچ كرده،" راستى براى پنج دقيقه
04:48
motorcyclist, watch out."
96
276043
2775
حواست به اون موتورسيكلت باشه. "
04:50
You can make reasonable predictions about how cars behave.
97
278818
2703
مى‌‌تونيد پيشگويى‌‌هاى منطقى درباره نحوه رفتار ماشين‌‌ها انجام دهيد.
04:53
I mean, they're Newtonian objects.
98
281521
1365
04:54
That's very nice about them.
99
282886
2909
منظورم اين است كه، اونها اشياء نيوتونى هستند.
اين نكته در ارتباط با اونها بسيار خوبه.
04:57
So how do we get there?
100
285795
3034
خوب چطور مى‌‌تونيم به اونجا برسيم؟
05:00
We can start with something as simple
101
288829
2266
با يك چيز ساده مثل به اشتراك گذاشتن داده‌‌هاى موقعيت‌يمان
05:03
as sharing our position data between cars,
102
291095
2870
بين ماشين‌‌ها، تنها از طريق به اشتراك گذاشتن
05:05
just sharing GPS.
103
293965
1892
05:07
If I have a GPS and a camera in my car,
104
295857
2444
جى‌‌پى‌‌اس‌‌ها شروع كنيم.
من يك جى‌‌پى‌‌اس و دوربين توى ماشينم دارم.
05:10
I have a pretty precise idea of where I am
105
298301
2231
ايده تقريباً دقيقى از جايى كه درش هستم
05:12
and how fast I'm going.
106
300532
1732
05:14
With computer vision, I can estimate where
107
302264
1657
و با سرعتى كه در حال حركتم، دارم.
با ديدى كامپيوترى، مى‌‌تونم برآورد كنم ماشينهاى اطرافم
05:15
the cars around me are, sort of, and where they're going.
108
303921
3537
كجا هستند، و يك جورهايى هم بگويم كجا مى‌‌روند.
05:19
And same with the other cars.
109
307458
970
05:20
They can have a precise idea of where they are,
110
308428
1814
و در رابطه با ساير ماشينهاى هم همينطور است.
05:22
and sort of a vague idea of where the other cars are.
111
310242
2146
مى‌‌تونند ايده دقيقى از جاييكه هستند، داشته باشند،
05:24
What happens if two cars share that data,
112
312388
3231
همراه با اين ايده مبهم از جاييكه ساير ماشين‌‌ها قرار دارند.
چطور مى‌‌شود اگر ماشين‌‌ها آن داده‌‌ها را به اشتراك بگذارند،
05:27
if they talk to each other?
113
315619
1955
اگر با يكديگر حرف بزنند؟
05:29
I can tell you exactly what happens.
114
317574
2778
مى‌‌تونم به شما بگم كه دقيقاً چه اتفاقى مى‌‌افتد.
05:32
Both models improve.
115
320352
2339
هر دوى الگوها اصلاح مى‌‌شوند.
05:34
Everybody wins.
116
322691
2055
همه برنده‌‌اند.
05:36
Professor Bob Wang and his team
117
324746
2577
پروفسور باب ونگ و تيم‌‌اش
05:39
have done computer simulations of what happens
118
327323
2738
به شبيه‌‌سازيهاى كامپيوترى اتفاقاتى پرداخته‌اند كه
05:42
when fuzzy estimates combine, even in light traffic,
119
330061
3431
با استنتاج به برآورد فازى حتى در ترافيك سبك رخ مى‌‌دهند،
05:45
when cars just share GPS data,
120
333492
2624
وقت كه ماشين‌‌ها فقط داده‌‌هاى جى‌‌پى‌‌اس را به اشتراك مى‌‌گذارند،
05:48
and we've moved this research out of the computer simulation
121
336116
2513
05:50
and into robot test beds that have the actual sensors
122
338629
3027
و ما اين تحقيق را به بيرون از شبيه ساز كامپيوترى منتقل كرده‌‌ايم
05:53
that are in cars now on these robots:
123
341656
3133
و در بسترهاى روباتى آزمايشى قرار داده‌‌ايم كه حسگرهاى واقعى دارند
و هم اكنون روى اين روباتها توى ماشين‌‌ها هستند:
05:56
stereo cameras, GPS,
124
344789
1838
05:58
and the two-dimensional laser range finders
125
346627
1874
دوربين‌‌هاى استريو، جى‌‌پى‌‌اس،
06:00
that are common in backup systems.
126
348501
2240
و يابنده‌‌هايى دو بعدى با برُد ليزرى
كه در سيستم‌‌هاى پشتيبانى مرسوم هستند.
06:02
We also attach a discrete short-range communication radio,
127
350741
4484
ما همچنين يك راديو ارتباطى را وصل مى‌‌كنيم كه بُرد كوتاه مشخصى دارد،
06:07
and the robots talk to each other.
128
355225
1909
و روباتها با هم صحبت مى‌‌كنند.
06:09
When these robots come at each other,
129
357134
1539
وقتى اين روباتها به همديگر مى‌‌رسند،
06:10
they track each other's position precisely,
130
358673
2971
موقعيت يكديگر را با دقت رديابى مى‌‌كنند،
06:13
and they can avoid each other.
131
361644
2737
و مى‌‌توانند از يگديگر اجتناب كنند.
06:16
We're now adding more and more robots into the mix,
132
364381
3226
ما اكنون مشغول افزودن روباتهاى بيشتر و بيشترى به اين تركيب هستيم،
06:19
and we encountered some problems.
133
367607
1471
06:21
One of the problems, when you get too much chatter,
134
369078
2359
06:23
it's hard to process all the packets, so you have to prioritize,
135
371437
3728
با برخى مشكلاتى مواجه مى‌‌شويم.
زمانى كه پچ‌‌پچ زياده از حد مى‌‌شوند، مشكلى كه داريد اين است كه
06:27
and that's where the predictive model helps you.
136
375165
2357
پردازش كردن كليه بسته‌‌هاى اطلاعاتى دشوارست، پس بايد اونها رو الويت بندى كنيد،
و آنجايست كه الگوى پيشگويانه كمك مىكند.
06:29
If your robot cars are all tracking the predicted trajectories,
137
377522
4372
اگر روبات ماشينهاى شما مدام مشغول رديابى گذرگاههاى پيش‌‌گويى شده باشند،
06:33
you don't pay as much attention to those packets.
138
381894
1767
06:35
You prioritize the one guy
139
383661
1703
توجه چندانى به آن بسته‌‌هاى اطلاعاتى نخواهيد كرد.
شما ياروى را الويت بندى مى‌‌كنيد
06:37
who seems to be going a little off course.
140
385364
1333
06:38
That guy could be a problem.
141
386697
2526
كه به نظر كمى خارج از مسير حركت مىكند.
آن يارو مى‌‌تونه مشكل‌‌ساز بشه.
06:41
And you can predict the new trajectory.
142
389223
3002
و شما مى‌‌‌‌توانيد گذرگاه تازه‌‌اى را پيش بينى كنيد.
06:44
So you don't only know that he's going off course, you know how.
143
392225
2763
پس نه فقط با خبر مى‌‌شين از اينكه او خارج از مسير حركت مى‌‌كنه، همچنين مى‌‌فهميد كه چطورى.
06:46
And you know which drivers you need to alert to get out of the way.
144
394988
3725
06:50
And we wanted to do -- how can we best alert everyone?
145
398713
2633
و شما مى‌‌دونيد به كدام راننده‌‌ها بايد هشدار بدين كه از سر راه خارج شن.
06:53
How can these cars whisper, "You need to get out of the way?"
146
401346
3183
و ما خواستيم اين كار رو انجام بديم-- چطور مى‌‌تونيم به بهترين نحو به يكديگر هشدار دهيم؟
06:56
Well, it depends on two things:
147
404529
1517
06:58
one, the ability of the car,
148
406046
2169
چطور ماشين‌‌ها مى‌‌تونند پچ پچ كنند كه:" بايد از سر راه خارج شى؟"
خوب، به دو چيز بستگى داره:
07:00
and second the ability of the driver.
149
408215
3217
يك، توانايى ماشين،
و دوم توانايى راننده.
اگر طرف ماشین خیلی خوبی داشته باشه،
07:03
If one guy has a really great car,
150
411432
1505
07:04
but they're on their phone or, you know, doing something,
151
412937
2925
اما با تلفنش مشغول باشه یا بدونید که کار دیگری انجام می‌ده،
07:07
they're not probably in the best position
152
415862
1930
07:09
to react in an emergency.
153
417792
2970
و احتمالا در بهترین وضعیت قرار نداره
تا در مواقع اضطراری واکنش نشان بده.
07:12
So we started a separate line of research
154
420762
1665
پس خط جدیدی از تحقیقات را شروع کردیم
07:14
doing driver state modeling.
155
422427
2551
که حالت راننده را طرح ریزی می‌کرد.
07:16
And now, using a series of three cameras,
156
424978
2329
و حالا، با استفاده کردن از سه سری دوربین،
07:19
we can detect if a driver is looking forward,
157
427307
2270
اگر بتونیم کشف کنیم آیا راننده جلویش را نگاه می‌کنه
07:21
looking away, looking down, on the phone,
158
429577
2860
07:24
or having a cup of coffee.
159
432437
3061
بغلش را نگاه می‌کنه، پایین را می‌بینه، با تلفن صحبت می‌کنه،
یا اینکه یک فنجون قهوه میخوره.
07:27
We can predict the accident
160
435498
2070
ما قادر به پیش‌بینی کردن تصادف هستیم
07:29
and we can predict who, which cars,
161
437568
3651
و می‌توانیم پیش‌بینی کنیم چه کسی، کدام ماشین‌ها
07:33
are in the best position to move out of the way
162
441219
3486
در بهترین وضعیت برای خارج شدن از مسیر قرار دارند تا
07:36
to calculate the safest route for everyone.
163
444705
3009
ایمن‌ترین راه برای همه محاسبه شود.
07:39
Fundamentally, these technologies exist today.
164
447714
4635
اساساً، این فناوریها امروزه وجود دارند.
07:44
I think the biggest problem that we face
165
452349
2824
فکر می‌کنم بزرگترین مشکلى که ما با آن روبرویم
07:47
is our own willingness to share our data.
166
455173
3013
تمایل ما در به اشتراک گذاشتن داده‌هایمان باشه
07:50
I think it's a very disconcerting notion,
167
458186
2631
فکر می‌کنم اين كار تصوری بسیار مشوش باشه،
07:52
this idea that our cars will be watching us,
168
460817
2386
07:55
talking about us to other cars,
169
463203
3371
این ایده که ماشین‌هامون ما رو تماشا می‌کنند،
درباره ما با سایر ماشین‌ها صحبت می‌کنند،
07:58
that we'll be going down the road in a sea of gossip.
170
466574
3427
این که ما در دریایی از غیبت غرق خواهیم شد.
08:02
But I believe it can be done in a way that protects our privacy,
171
470001
3897
اما به اعتقاد من این کار می‌تونه به طریقی انجام شود که حریم خصوصی‌مان را حفظ کنه،
08:05
just like right now, when I look at your car from the outside,
172
473898
3741
درست مثل همین حالا، وقتی به ماشین شما از بیرون نگاه می‌کنم،
08:09
I don't really know about you.
173
477639
2363
واقعاً چیزی درباره شما نمی‌دونم.
08:12
If I look at your license plate number,
174
480002
1137
08:13
I don't really know who you are.
175
481139
1886
اگر به شماره پلاکتون نگاه کنم،
واقعا نمی‌دونم شما کی هستید.
08:15
I believe our cars can talk about us behind our backs.
176
483025
4249
معتقدم ماشین‌هامون می‌توانند درباره ما پشت سرمون حرف بزنند.
08:19
(Laughter)
177
487274
2975
(خنده)
08:22
And I think it's going to be a great thing.
178
490249
3185
و فکر می‌کنم چیز فوق‌العاده‌ای بشه.
می‌خوام برای یک لحظه تصور کنید
08:25
I want you to consider for a moment
179
493434
1650
08:27
if you really don't want the distracted teenager behind you
180
495084
4118
آیا واقعاً نمی‌خواین نوجوان حواس‌‌پرت پشت سری‌تون
08:31
to know that you're braking,
181
499202
2120
بدونه که دارین ترمز می‌گیرین،
08:33
that you're coming to a dead stop.
182
501322
2924
که می‌خواين ایست کامل کنید.
08:36
By sharing our data willingly,
183
504246
2741
با به اشتراك گذاشتن خود خواسته داده‌‌هايمان
08:38
we can do what's best for everyone.
184
506987
2812
مى‌‌توانيم كارى را انجام دهيم كه براى همه بهترين است.
08:41
So let your car gossip about you.
185
509799
3076
پس بذارين ماشين‌‌تون درباره شما غيبت كند.
08:44
It's going to make the roads a lot safer.
186
512875
3038
باعث خواهد شد كه جاده‌‌ها خيلى امن‌‌تر بشن.
متشکرم
08:47
Thank you.
187
515913
1791
08:49
(Applause)
188
517704
4985
(تشويق)
ABOUT THE SPEAKER
Jennifer Healey - Research scientistA research scientist at Intel, Jennifer Healey develops the mobile internet devices of the future.
Why you should listen
Jennifer Healey imagines a future where computers and smartphones are capable of being sensitive to human emotions and where cars are able to talk to each other, and thus keep their drivers away from accidents. A scientist at Intel Corporation Research Labs, she researches devices and systems that would allow for these major innovations.
Healey holds PhD from MIT in electrical engineering and computer science. While there, she pioneered “Affective Computing” with Rosalind Picard and developed the first wearable computer with physiological sensors and a video camera that allows the wearer to track their daily activities and how they feel while doing them. From there, she moved to IBM where she worked on the next generation of multi-modal interactive smartphones and helped architect the "Interaction Mark-Up language" that allows users to switch from voice to speech input seamlessly.
Healey has also used her interest in embedded devices in the field of healthcare. While an instructor at Harvard Medical School and at Beth Israel Deaconess Medical Center, she worked on new ways to use heart rate to predict cardiac health. She then joined HP Research in Cambridge to further develop wearable sensors for health monitoring and continued this research when she joined Intel Digital Health.
Jennifer Healey | Speaker | TED.com