TED2014
Ray Kurzweil: Get ready for hybrid thinking
ری کورزویل: برای تفکر پیوندی آماده باشید
Filmed:
Readability: 4.4
3,548,296 views
دویست میلیون سال پیش، نیاکان پستاندار ما ویژگی جدیدی از مغز را توسعه دادند: نئوکورتکس. این بافت که به اندازه ی تمبر است (و دور مغزی به اندازه ی گردو پیچیده شده) کلید انسانیت ماست. اکنون، ری کورزویل آینده نگرپیشنهاد می کند که ما باید آماده ی جهشی بزرگ در قدرت مغز باشیم، هنگامی که به قدرت محاسبات در ابر دست می یابیم.
Ray Kurzweil - Inventor, futurist
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Double-click the English transcript below to play the video.
00:12
Let me tell you a story.
0
988
2316
اجازه بدید داستانی رو براتون تعریف کنم
00:15
It goes back 200 million years.
1
3304
1799
که به ۲۰۰ میلیون سال پیش برمی گرده.
00:17
It's a story of the neocortex,
2
5103
1984
داستانی درباره ی نئوکورتس؛
00:19
which means "new rind."
3
7087
1974
که به معنای "قشر جدید" است.
00:21
So in these early mammals,
4
9061
2431
بنابراین در پستانداران ابتدایی؛
00:23
because only mammals have a neocortex,
5
11492
2055
چون فقط پستانداران نئوکورتکس دارند؛
00:25
rodent-like creatures.
6
13547
1664
موجوداتی مثل جوندگان،
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
نئوکورتکس به اندازه ی یک تمبر و باریکی آن بود،
00:30
and was a thin covering around
8
18790
1439
و نقش یک پوشش نازک را اطراف مغز آنها
00:32
their walnut-sized brain,
9
20229
2264
که به اندازه ی یک گردو بود ایفا می کرد.
00:34
but it was capable of a new type of thinking.
10
22493
3701
با این حال قادر به نوع جدیدی از تفکر بود.
00:38
Rather than the fixed behaviors
11
26194
1567
به جای رفتارهای ثابتی که
00:39
that non-mammalian animals have,
12
27761
1992
حیوانات غیر پستاندار داشتند،
00:41
it could invent new behaviors.
13
29753
2692
می توانست رفتارهای جدیدی به وجود آورد.
00:44
So a mouse is escaping a predator,
14
32445
2553
بنابراین وقتی موشی در حال فرار از یک شکارچی بوده،
00:46
its path is blocked,
15
34998
1540
و می بینید مسیرش بسته است،
00:48
it'll try to invent a new solution.
16
36538
2129
سعی می کند راه حل جدیدی ابداع کند.
00:50
That may work, it may not,
17
38667
1266
که ممکن است فایده داشته باشد و یا خیر.
00:51
but if it does, it will remember that
18
39933
1910
اما اگر فایده داشته باشد، موش آن را به خاطر می سپارد
00:53
and have a new behavior,
19
41843
1292
و از آن به بعد یک رفتار جدید دارد
00:55
and that can actually spread virally
20
43135
1457
که می تواند مانند یک ویروس
00:56
through the rest of the community.
21
44592
2195
در جامعه ی موش ها پخش شود.
00:58
Another mouse watching this could say,
22
46787
1609
موش دیگری که شاهد این جریان است می گوید:
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
" هی، این خیلی هوشمندانه ست که اون سنگ رو دور بزنیم."
01:03
and it could adopt a new behavior as well.
24
51100
3725
و او هم همان رفتار جدید را در پیش می گیرد.
01:06
Non-mammalian animals
25
54825
1717
حیوانات غیر پستاندار
01:08
couldn't do any of those things.
26
56542
1713
نمی توانند هیچ کدام از این کارها را انجام دهند.
01:10
They had fixed behaviors.
27
58255
1215
آنها رفتارهای ثابتی دارند.
01:11
Now they could learn a new behavior
28
59470
1331
آن موجودات می توانستند رفتارهای جدیدی بیاموزند،
01:12
but not in the course of one lifetime.
29
60801
2576
اما نه در یک دوره ی حیات،
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
بلکه شاید در طول هزاران دوره زندگی
01:17
it could evolve a new fixed behavior.
31
65144
3330
که شامل یک رفتار ثابت جدید می شد.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
دویست میلیون سال پیش این کاملاً خوب بود.
01:23
The environment changed very slowly.
33
71851
1981
محیط زیست بسیار آرام تغییر می کرد
01:25
It could take 10,000 years for there to be
34
73832
1554
ممکن بود ده هزار سال طول بکشد تا
01:27
a significant environmental change,
35
75386
2092
یک تغییر محیط زیستی قابل توجه انجام شود
01:29
and during that period of time
36
77478
1382
و در این دوره ی زمانی،
01:30
it would evolve a new behavior.
37
78860
2929
ممکن بود رفتار جدیدی نیز تکامل پیدا کند.
01:33
Now that went along fine,
38
81789
1521
تا اینجا همه چیز خوب پیش می رفت،
01:35
but then something happened.
39
83310
1704
اما ناگهان اتفاقی رخ داد.
01:37
Sixty-five million years ago,
40
85014
2246
شصت و پنج میلیون سال پیش
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
تغییری ناگهانی و خشونت آمیز در محیط زیست اتفاق افتاد.
01:41
We call it the Cretaceous extinction event.
42
89875
3505
ما آن را رویداد انقراض کرتاسه می نامیم.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
به همین دلیل بود که دایناسورها منقرض شدند.
01:47
that's when 75 percent of the
44
95673
3449
آن موقع بود که ۷۵ درصد از
01:51
animal and plant species went extinct,
45
99122
2746
حیوانات و گونه های گیاهی منقرض شدند.
01:53
and that's when mammals
46
101868
1745
و در آن زمان پستانداران
01:55
overtook their ecological niche,
47
103613
2152
از شرایط اقلیمی پیشی گرفتند
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
و به تکامل بیولوژیکی و تغییرشکل دهنده گفتند:
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
" هممم، این نئوکورتکس خیلی چیز خوبیه."
02:03
and it began to grow it.
50
111444
1793
و شروع به رشد دادن آن کردند.
02:05
And mammals got bigger,
51
113237
1342
پستانداران بزرگتر شدند،
02:06
their brains got bigger at an even faster pace,
52
114579
2915
مغزشان به سرعت بزرگتر شد،
02:09
and the neocortex got bigger even faster than that
53
117494
3807
و نئوکورتکس از آن هم سریعتر رشد کرد
02:13
and developed these distinctive ridges and folds
54
121301
2929
و این چین خوردگی های مشخص را توسعه داد تا
02:16
basically to increase its surface area.
55
124230
2881
سطح خود را افزایش دهد.
02:19
If you took the human neocortex
56
127111
1819
اگر نئوکورتکس یک انسان را بگیرید
02:20
and stretched it out,
57
128930
1301
و آن را باز کنید،
02:22
it's about the size of a table napkin,
58
130231
1713
به اندازه ی یک دستمال سفره خواهد بود،
02:23
and it's still a thin structure.
59
131944
1306
و هنوز هم ساختار نازکی دارد،
02:25
It's about the thickness of a table napkin.
60
133250
1980
که به نازکی همان دستمال سفره است.
02:27
But it has so many convolutions and ridges
61
135230
2497
با این وجود دارای شیارها و پیچ خوردگی های فراوانی ست
02:29
it's now 80 percent of our brain,
62
137727
3075
که در حال حاضر ۸۰ درصد مغز ما را شامل می شود
02:32
and that's where we do our thinking,
63
140802
2461
و آنجا قسمتی است که ما تفکر می کنیم
02:35
and it's the great sublimator.
64
143263
1761
و ضمناً یک تبدیل کننده ی بزرگ است.
02:37
We still have that old brain
65
145024
1114
ما هنوز آن مغز قدیمی را داریم
02:38
that provides our basic drives and motivations,
66
146138
2764
که مُحرِّک ها و انگیزه های ما را فراهم می کند.
02:40
but I may have a drive for conquest,
67
148902
2716
ممکن است من محرکی برای پیروزی داشته باشم
02:43
and that'll be sublimated by the neocortex
68
151618
2715
در این صورت نئوکورتکس آن را تبدیل می کند و به شکلِ
02:46
into writing a poem or inventing an app
69
154333
2909
نوشتن یک شعر، یا ساخت یک برنامه،
02:49
or giving a TED Talk,
70
157242
1509
و یا سخنرانی TED در می آورد.
02:50
and it's really the neocortex that's where
71
158751
3622
و این واقعاً همان کاری است که
02:54
the action is.
72
162373
1968
نئوکورتکس انجام می دهد.
02:56
Fifty years ago, I wrote a paper
73
164341
1717
پنجاه سال پیش من مقاله ای نوشتم درباره ی اینکه
02:58
describing how I thought the brain worked,
74
166058
1918
مغز چطور عمل می کند،
02:59
and I described it as a series of modules.
75
167976
3199
و آن را به صورت مجموعه ای از ماژول ها توصیف کردم.
03:03
Each module could do things with a pattern.
76
171175
2128
هر ماژول می تواند کارهایی را با الگویی مشخص انجام دهد.
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
می تواند الگویی را بیاموزد. می تواند الگویی را به خاطر بسپارد.
03:08
It could implement a pattern.
78
176049
1407
می تواند الگویی را اجرا کند.
03:09
And these modules were organized in hierarchies,
79
177456
2679
و این ماژول ها در سلسله مراتب هایی سازماندهی شدند،
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
و ما این سلسله مراتب را با تفکر خودمان به وجود آوردیم.
03:15
And there was actually very little to go on
81
183089
3333
در واقع پنجاه سال پیش چیزهای بسیار کوچکی وجود داشت
03:18
50 years ago.
82
186422
1562
که ادامه دهیم.
03:19
It led me to meet President Johnson.
83
187984
2115
این کار باعث شد پرزیدنت جانسون را ملاقات کنم.
03:22
I've been thinking about this for 50 years,
84
190099
2173
من در این باره پنجاه سال فکر کردم،
03:24
and a year and a half ago I came out with the book
85
192272
2828
و یک سال و نیم پیش کتابی منتشر کردم با نامِ
03:27
"How To Create A Mind,"
86
195100
1265
" چگونه یک ذهن ایجاد کنیم "
03:28
which has the same thesis,
87
196365
1613
که مبحثی مشابه دارد.
03:29
but now there's a plethora of evidence.
88
197978
2812
در حال حاضر شواهد زیادی موجود است.
03:32
The amount of data we're getting about the brain
89
200790
1814
میزان اطلاعاتی که ما از علوم اعصاب درباره ی مغز به دست می آوریم
03:34
from neuroscience is doubling every year.
90
202604
2203
هرسال دوبرابر می شود.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
وضوح فضایی ِ اسکن مغز از همه ی انواع
03:39
is doubling every year.
92
207461
2285
هرسال دوبرابر می شود.
03:41
We can now see inside a living brain
93
209746
1717
اکنون ما می توانیم درون یک مغز زنده را ببینیم،
03:43
and see individual interneural connections
94
211463
2870
و اتصالات اعصاب منفرد را شاهد باشیم.
03:46
connecting in real time, firing in real time.
95
214333
2703
اتصال در زمان واقعی، شلیک در زمان واقعی است.
03:49
We can see your brain create your thoughts.
96
217036
2419
ما می توانیم مغز شما را در حالی که افکارتان را پدید می آورد ببینیم
03:51
We can see your thoughts create your brain,
97
219455
1575
می توانیم ببینیم که افکار شما مغز شما را پدید می آورد
03:53
which is really key to how it works.
98
221030
1999
که واقعاً کلیدی برای فهمیدن نحوه ی کار آن است.
03:55
So let me describe briefly how it works.
99
223029
2219
اجازه بدید به طور خلاصه نحوه ی کار اون رو توضیح بدم.
03:57
I've actually counted these modules.
100
225248
2275
من این ماژول ها رو شمرده ام.
03:59
We have about 300 million of them,
101
227523
2046
ما حدود ۳۰۰ میلیون ماژول داریم و
04:01
and we create them in these hierarchies.
102
229569
2229
آنها را در سلسله مراتب هایی میسازیم.
04:03
I'll give you a simple example.
103
231798
2082
مثال ساده ای براتون می زنم.
04:05
I've got a bunch of modules
104
233880
2805
من تعداد زیادی ماژول دارم
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
که می تونند خط افقی بین A بزرگ رو تشخیص بدهند.
04:12
and that's all they care about.
106
240088
1914
و این تنها چیزی هست که بهش اهمیت می دهند.
04:14
A beautiful song can play,
107
242002
1578
یک آهنگ زیبا که می تونیم بنوازیم،
04:15
a pretty girl could walk by,
108
243580
1434
یک دختر زیبا که با اون قدم می زنیم،
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
اونها اهمیتی نمی دهند. بلکه فقط یک خط افقی بین A رو می بینند،
04:19
they get very excited and they say "crossbar,"
110
247860
3021
هیجان زده می شوند و می گویند: " خط افقی"
04:22
and they put out a high probability
111
250881
2112
و سپس با اطمینان زیاد پیامی را از طریق
04:24
on their output axon.
112
252993
1634
خروجی آکسون ارسال می کنند
04:26
That goes to the next level,
113
254627
1333
که به مرحله ی بعد می رود.
04:27
and these layers are organized in conceptual levels.
114
255960
2750
این لایه ها در سطوح مفهومی سازماندهی شده اند و
04:30
Each is more abstract than the next one,
115
258710
1856
هر لایه از دیگری انتزاعی تر است.
04:32
so the next one might say "capital A."
116
260566
2418
بنابراین لایه ی بعدی می گوید:« A بزرگ »
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
سپس به لایه ی بالاتری می رود که می گوید:« Apple»
04:37
Information flows down also.
118
265875
2167
اطلاعات به همین ترتیب پایین می روند.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
اگر شناسنده کلمه ی Apple حروف A-P-P-L را ببیند،
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
با خود می گوید:« همم،فکر می کنم به احتمال زیاد جای یک E خالیه."
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
و سپس سیگنالی به تمام شناسنده های E می فرستد
04:48
saying, "Be on the lookout for an E,
122
276761
1619
با این مضمون که:« به دنبال یک E باشید،
04:50
I think one might be coming."
123
278380
1556
فکر می کنم به زودی بیاد"
04:51
The E recognizers will lower their threshold
124
279936
2843
شناسنده های E متمرکز خواهند شد
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
و یک چیز نامفهومی که می تواند E باشد را می بینند.
04:56
Ordinarily you wouldn't think so,
126
284724
1490
در حالت عادی شما به این شکل فکر نمی کنید،
04:58
but we're expecting an E, it's good enough,
127
286214
2009
اما ما انتظار یک E را داریم، که به اندازه ی کافی خوب است،
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
و بله، من یک E را دیدم، آن موقع شناسنده apple می گوید:
05:02
"Yeah, I've seen an Apple."
129
290040
1728
«آره، من Apple رو دیدم.»
05:03
Go up another five levels,
130
291768
1746
پنج سطح بالاتر می رویم،
05:05
and you're now at a pretty high level
131
293514
1353
و حال شما در مرتبه ی بالای
05:06
of this hierarchy,
132
294867
1569
این سلسله مراتب هستید،
05:08
and stretch down into the different senses,
133
296436
2353
که به چندین حس تقسیم می شود
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
و ممکن است ماژولی داشته باشید که یک پارچه ی خاص را ببیند،
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
صدای خاصی را بشنود و عصر خاصی را حس کند
05:16
and will say, "My wife has entered the room."
136
304288
2513
و سپس بگوید:« همسرم وارد اتاق شد.»
05:18
Go up another 10 levels, and now you're at
137
306801
1895
ده مرتبه بالاتر بروید، و آنگاه
05:20
a very high level.
138
308696
1160
در بالاترین مرتبه هستید.
05:21
You're probably in the frontal cortex,
139
309856
1937
احتمالاً به قشر قدامی (پیشانی) رسیدید
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
و ماژول هایی در آنجا دارید که می گویند:« این خنده داره،
05:27
That's funny. She's pretty."
141
315560
2370
این جالبه. او زن زیباییه.»
05:29
You might think that those are more sophisticated,
142
317930
2105
ممکن است فکر کنید که اینها خیلی پیچیده هستند،
05:32
but actually what's more complicated
143
320035
1506
اما آنچه واقعا پیچیده است،
05:33
is the hierarchy beneath them.
144
321541
2669
سلسله مراتب زیر آنهاست.
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
دختر 16 ساله ای هست که یک بار جراحی مغز داشته،
05:38
and she was conscious because the surgeons
146
326830
2051
و او هنگام جراحی هوشیار بود زیرا جراحان
05:40
wanted to talk to her.
147
328881
1537
می خواستند با او حرف بزنند.
05:42
You can do that because there's no pain receptors
148
330418
1822
شما می توانید این کار را انجام دهید چون هیچ گیرنده ی دردی
05:44
in the brain.
149
332240
1038
در مغز وجود ندارد.
05:45
And whenever they stimulated particular,
150
333278
1800
و هنگامی که آنها نقاط بسیار کوچکی از نئوکورتکس او را
05:47
very small points on her neocortex,
151
335078
2463
تحریک می کردند،
05:49
shown here in red, she would laugh.
152
337541
2665
که در اینجا با رنگ قرمز نشان داده شده، آن دختر می خندید.
05:52
So at first they thought they were triggering
153
340206
1440
به همین دلیل آنها ابتدا فکر کردند که
05:53
some kind of laugh reflex,
154
341646
1720
نوعی از واکنش خنده را تحریک کردند
05:55
but no, they quickly realized they had found
155
343366
2519
اما اینطور نبود. آنها به سرعت فهمیدند که
05:57
the points in her neocortex that detect humor,
156
345885
3044
نقطه ای را در مغز او پیدا کردند که طنز را تشخیص می دهد
06:00
and she just found everything hilarious
157
348929
1969
و وقتی جراحان این نقطه را تحریک می کردند،
06:02
whenever they stimulated these points.
158
350898
2437
آن دختر همه چیز را خنده دار می دید.
06:05
"You guys are so funny just standing around,"
159
353335
1925
" شما آقایون که اونجا ایستادید خیلی خنده دار هستید"
06:07
was the typical comment,
160
355260
1738
این نظر معمولی او بود،
06:08
and they weren't funny,
161
356998
2302
اما آنها خنده دار نبودند،
06:11
not while doing surgery.
162
359300
3247
نه هنگام جراحی.
06:14
So how are we doing today?
163
362547
4830
پس امروزه ما چطور عمل می کنیم؟
06:19
Well, computers are actually beginning to master
164
367377
3054
خب، کامپیوترها در حال یادگیری زبان انسان
06:22
human language with techniques
165
370431
2001
به کمک تکنیک هایی هستند
06:24
that are similar to the neocortex.
166
372432
2867
که مشابه نئوکورتکس می باشند.
06:27
I actually described the algorithm,
167
375299
1514
من الگوریتم آن را توضیح دادم،
06:28
which is similar to something called
168
376813
2054
که مشابه چیزی است که
06:30
a hierarchical hidden Markov model,
169
378867
2233
مدل سلسله مراتبی پنهان مارکوف نامیده می شود،
06:33
something I've worked on since the '90s.
170
381100
3241
چیزی که من از ۱۹۹۰ روی آن کار می کنم.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
"جئوپاردی" یک بازی بسیار گسترده ی زبان طبیعی است
06:39
and Watson got a higher score
172
387579
1892
و واتسون( کامپیوتر شرکت کننده در بازی ) بیشترین امتیاز را
06:41
than the best two players combined.
173
389471
2000
در مقابل دو نفر از بهترین بازیکنان به دست آورد.
06:43
It got this query correct:
174
391471
2499
کامپیوتر توانست این سوال را دریافت کند:
06:45
"A long, tiresome speech
175
393970
2085
" یک سخنرانی طولانی و خسته‌کننده
06:48
delivered by a frothy pie topping,"
176
396055
2152
توسط یک کیک کرِم‌دار هوس‌انگیز "
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
و به سرعت پاسخ داد:« خامه ناطق دیگر چیست؟»
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
و جِنینگ و شرکت کننده ی دیگر نتوانستند به جواب برسند.
06:55
It's a pretty sophisticated example of
179
403638
1926
این یک مثال کاملا پیچیده از این است که
06:57
computers actually understanding human language,
180
405564
1914
کامپیوترها زبان انسان را درک می کنند
06:59
and it actually got its knowledge by reading
181
407478
1652
و دانش آن را با خواندن ویکی پدیا
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
و دانشنامه های دیگر به دست می آوردند.
07:04
Five to 10 years from now,
183
412915
2133
پنج یا ده سال بعد،
07:07
search engines will actually be based on
184
415048
2184
موتورهای جستجو دیگر فقط به دنبال لینک ها
07:09
not just looking for combinations of words and links
185
417232
2794
و ترکیب های یک کلمه نمی گردند،
07:12
but actually understanding,
186
420026
1914
بلکه واقعاً درک می کنند.
07:13
reading for understanding the billions of pages
187
421940
2411
مطالعه برای درک میلیاردها صفحه
07:16
on the web and in books.
188
424351
2733
در وب و در کتاب ها.
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
بنابراین هنگامی که قدم می زنید، گوگل پنجره ای باز خواهد کرد
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
و می گوید:«می دونی، مری، یک ماه پیش
07:24
to me a month ago that your glutathione supplement
191
432781
3019
به من ابراز نگرانی کرده بودی که مکمل گلوتاتیون تو
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
به بافت های داخلی مغز نمیرسه.
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
خب، تحقیقات جدیدی که همین سیزده ثانیه ی پیش منتشر شد
07:32
that shows a whole new approach to that
194
440624
1711
راه حلی برای رفع این مشکل
07:34
and a new way to take glutathione.
195
442335
1993
و روش جدیدی برای دریافت گلوتاتیون ارائه کرده.
07:36
Let me summarize it for you."
196
444328
2562
بذار خلاصه اش رو بگم.»
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
۲۰ سال بعد، ما نانوروبات ها را خواهیم داشت،
07:42
because another exponential trend
198
450574
1627
چون یکی دیگر از روندهای رو به رشد،
07:44
is the shrinking of technology.
199
452201
1615
کوچکتر شدن تکنولوژی است.
07:45
They'll go into our brain
200
453816
2370
نانوروبات ها از طریق عروق
07:48
through the capillaries
201
456186
1703
وارد مغز ما می شوند
07:49
and basically connect our neocortex
202
457889
2477
و نئوکورتکس ما را
07:52
to a synthetic neocortex in the cloud
203
460366
3185
به یک نئوکورتکس مصنوعی در ابر متصل می کنند
07:55
providing an extension of our neocortex.
204
463551
3591
که باعث گسترش نئوکورتکس ما می شود.
07:59
Now today, I mean,
205
467142
1578
می خواهم بگویم که امروزه
08:00
you have a computer in your phone,
206
468720
1530
شما کامپیوتری در تلفن خود دارید،
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
اما اگر به ده هزار کامپیوتر تنها در چند ثانیه نیاز داشته باشید،
08:05
to do a complex search,
208
473004
1495
تا یک جستجوی پیچیده را انجام دهید
08:06
you can access that for a second or two in the cloud.
209
474499
3396
می توانید در عرض یک یا دو ثانیه در ابر به آن دسترسی پیدا کنید.
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
در سال ۲۰۳۰ اگر به نئوکورتس اضافی احتیاج داشته باشید
08:12
you'll be able to connect to that in the cloud
211
480990
2273
می توانید مستقیماً از طریق مغز خود
08:15
directly from your brain.
212
483263
1648
به آن که در ابر قرار دارد متصل شوید.
08:16
So I'm walking along and I say,
213
484911
1543
بنابراین من در حال قدم زدن هستم و می گویم:
08:18
"Oh, there's Chris Anderson.
214
486454
1363
»" اوه، کریس اندرسون اینجاست.
08:19
He's coming my way.
215
487817
1525
داره میاد سر راه من.
08:21
I'd better think of something clever to say.
216
489342
2335
بهتره حرفی بزنم که هوشمندانه باشه.
08:23
I've got three seconds.
217
491677
1524
سه ثانیه وقت دارم.
08:25
My 300 million modules in my neocortex
218
493201
3097
۳۰۰ میلیون ماژول در نئوکورتکس من
08:28
isn't going to cut it.
219
496298
1240
نمی توانند این کار رو انجام بدند.
08:29
I need a billion more."
220
497538
1246
به یک میلیارد دیگراحتیاج دارم.»
08:30
I'll be able to access that in the cloud.
221
498784
3323
و می توانم در ابر به آن دسترسی پیدا کنم.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
آن زمان تفکر ما، پیوندی از
08:36
of biological and non-biological thinking,
223
504919
3522
تفکر زیستی و غیرزیستی خواهد بود.
08:40
but the non-biological portion
224
508441
1898
اما بخش غیر زیستی،
08:42
is subject to my law of accelerating returns.
225
510339
2682
موضوع قانون تغییرات شتابدار من است.
08:45
It will grow exponentially.
226
513021
2239
تغییرات به صورت نمایی رشد خواهند کرد.
08:47
And remember what happens
227
515260
2016
و به یاد بیاورید آخرین باری که
08:49
the last time we expanded our neocortex?
228
517276
2645
نئوکورتکس خود را گسترش دادیم چه اتفاقی افتاد.
08:51
That was two million years ago
229
519921
1426
دو میلیون سال پیش بود،
08:53
when we became humanoids
230
521347
1236
وقتی انسان نماهایی شدیم،
08:54
and developed these large foreheads.
231
522583
1594
و این پیشانی بزرگ را گسترش دادیم.
08:56
Other primates have a slanted brow.
232
524177
2583
پستانداران دیگر یک ابروی مایل دارند.
08:58
They don't have the frontal cortex.
233
526760
1745
آنها فاقد قشر قدامی هستند.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
اما قشر قدامی واقعاً یک تفاوت کیفی به حساب نمی آید.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
بلکه گسترش کمّی نئوکورتکس است
09:06
but that additional quantity of thinking
236
534933
2703
اما این میزان اضافی تفکر
09:09
was the enabling factor for us to take
237
537636
1779
عاملی بود که ما را قادر ساخت
09:11
a qualitative leap and invent language
238
539415
3346
جهشی برداریم و زبان ها،
09:14
and art and science and technology
239
542761
1967
هنر،علم، تکنولوژی
09:16
and TED conferences.
240
544728
1454
و کنفرانس TED را اختراع کنیم.
09:18
No other species has done that.
241
546182
2131
هیچ گونه ی دیگری این کار را انجام نداده است.
09:20
And so, over the next few decades,
242
548313
2075
و در طول چند دهه ی دیگر،
09:22
we're going to do it again.
243
550388
1760
قصد داریم دوباره این کار را انجام دهیم.
09:24
We're going to again expand our neocortex,
244
552148
2274
قصد داریم بار دیگر نئوکورتکس خود را گسترش دهیم،
09:26
only this time we won't be limited
245
554422
1756
اما این بار دیگر توسط چارچوبی از معماری ثابت
09:28
by a fixed architecture of enclosure.
246
556178
4280
محدود نخواهیم شد.
09:32
It'll be expanded without limit.
247
560458
3304
نئوکورتکس بدون محدودیت گسترش می یابد،
09:35
That additional quantity will again
248
563762
2243
آن مقدار اضافی دوباره عاملی خواهد بود
09:38
be the enabling factor for another qualitative leap
249
566005
3005
که به ما اجازه ی جهشی دیگر در
09:41
in culture and technology.
250
569010
1635
فرهنگ و فناوری را خواهد داد.
09:42
Thank you very much.
251
570645
2054
خیلی ممنونم.
09:44
(Applause)
252
572699
3086
(تشویق)
ABOUT THE SPEAKER
Ray Kurzweil - Inventor, futuristRay Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species.
Why you should listen
Inventor, entrepreneur, visionary, Ray Kurzweil's accomplishments read as a startling series of firsts -- a litany of technological breakthroughs we've come to take for granted. Kurzweil invented the first optical character recognition (OCR) software for transforming the written word into data, the first print-to-speech software for the blind, the first text-to-speech synthesizer, and the first music synthesizer capable of recreating the grand piano and other orchestral instruments, and the first commercially marketed large-vocabulary speech recognition.
Yet his impact as a futurist and philosopher is no less significant. In his best-selling books, which include How to Create a Mind, The Age of Spiritual Machines, The Singularity Is Near: When Humans Transcend Biology, Kurzweil depicts in detail a portrait of the human condition over the next few decades, as accelerating technologies forever blur the line between human and machine.
In 2009, he unveiled Singularity University, an institution that aims to "assemble, educate and inspire leaders who strive to understand and facilitate the development of exponentially advancing technologies." He is a Director of Engineering at Google, where he heads up a team developing machine intelligence and natural language comprehension.
Ray Kurzweil | Speaker | TED.com