TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
دانیل سوزکند: ۳ افسانه درباره آینده کار (و دلیل درست نبودن آنها)
Filmed:
Readability: 4.5
1,519,249 views
"آیا ماشین‌ها جایگزین انسانها می‌شوند؟" این سوالی است که در ذهن هر فرد با ترس از دست دادن شغل خود وجود دارد. دانیل سوزکند با این سوال و سه تصور اشتباه ما درباره آینده ماشینی پیشرو مواجه می‌شود و به ما پیشنهاد می‌دهد که سوال دیگری را مطرح کنیم: چگونه می‌توان در جهانی که کار کمتری وجود دارد و یا اصلا کاری وجود ندارد، ثروت را تقسیم کرد؟
Daniel Susskind - Economist
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Double-click the English transcript below to play the video.
00:12
Automation anxiety
has been spreading lately,
has been spreading lately,
0
760
3376
اخیرا اضطراب ماشینی شدن
رو به افزایش بوده است،
رو به افزایش بوده است،
00:16
a fear that in the future,
1
4160
2656
ترس از اینکه در آینده،
00:18
many jobs will be performed by machines
2
6840
2456
شغل‌های زیادی به جای انسانها با ماشین‌ها
00:21
rather than human beings,
3
9320
1336
انجام خواهد شد،
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
با توجه به پیشرفت‌های قابل توجهی که
00:25
in artificial intelligence and robotics.
5
13640
2776
در هوش مصنوعی و رباتیک شاهد هستیم.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
چیزی که واضح است تغییرات چشم گیری است
که وجود خواهد داشت.
که وجود خواهد داشت.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
چیزی که کمتر مشخص است
شکلی است که آن تغییرات خواهند داشت.
شکلی است که آن تغییرات خواهند داشت.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
تحقیقات من نشان می‌دهد که آینده هم
دردسرساز و هم هیجان‌انگیز است.
دردسرساز و هم هیجان‌انگیز است.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
تهدید بیکاری حاصل از فناوری‌ها واقعی است،
00:43
and yet it's a good problem to have.
10
31640
2056
با این حال این مشکل خوبی است که داریم.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
و برای اینکه نشان بدهم چطور
به این نتیجه رسیدم،
به این نتیجه رسیدم،
00:48
I want to confront three myths
12
36960
2536
می‌خواهم با سه افسانه روبرو شویم
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
که به نظر من درحال حاضر
تصویر ما از آینده را مخدوش می‌کنند.
تصویر ما از آینده را مخدوش می‌کنند.
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
تصویری که روی صفحه نمایش
مشاهده می‌کنیم،
مشاهده می‌کنیم،
00:59
in books, in films, in everyday commentary
15
47240
2216
در کتاب‌ها، فیلم‌ها، تفسیرهای روزانه
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
این است که یک ارتش از ربات‌ها
به محل‌های کار سرازیر می‌شوند:
به محل‌های کار سرازیر می‌شوند:
01:05
with one goal in mind:
17
53200
1376
با داشتن تنها یک هدف:
01:06
to displace human beings from their work.
18
54600
2496
تا انسانها را از کارشان برکنار کنند.
01:09
And I call this the Terminator myth.
19
57120
2696
و من به این میگویم افسانه نابودگر.
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
بله، ماشین‌ها انسانها را
از کارهای خاصی برکنار می‌کنند،
از کارهای خاصی برکنار می‌کنند،
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
اما آنها فقط جایگزین انسانها نمی‌شوند.
بلکه آنها در کارهای دیگر انسان را
کامل می‌کنند،
کامل می‌کنند،
01:18
They also complement them in other tasks,
22
66120
1976
که آن کار را با ارزشتر و مهم‌‌تر می‌کند.
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
گاهی اوقات به طور مستقیم
انسانها را کامل می‌کنند،
انسانها را کامل می‌کنند،
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
آنها را در کار خاصی سازنده‌تر یا
پر بازده‌تر می‌کنند.
پر بازده‌تر می‌کنند.
پس یک راننده تاکسی می‌تواند از
راهیابی ماهواره‌ای
راهیابی ماهواره‌ای
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
برای پیدا کردن مسیر در جاده
ناآشنا استفاده کند.
ناآشنا استفاده کند.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
یک معمار می‌تواند از نرم افزار طراحی
رایانه‌ای استفاده کند
رایانه‌ای استفاده کند
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
تا طرح بزرگتر و پیچیده تری
برای ساختمان‌ها ارائه کند.
برای ساختمان‌ها ارائه کند.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
اما پیشرفت فناوری فقط به طور مستقیم
انسانها را کامل تر نمی‌کند.
انسانها را کامل تر نمی‌کند.
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
بلکه به طور غیر مستقیم نیز این
کار را به دو صورت انجام می‌دهد.
کار را به دو صورت انجام می‌دهد.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
روش اول به این صورت است که اگر ما
اقتصاد را مثل کیکی در نظر بگیریم،
اقتصاد را مثل کیکی در نظر بگیریم،
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
پیشرفت فناوری این کیک را بزرگتر می‌کند.
وقتی که سازندگی افزایش می‌یابد، درآمد
بیشتر شده و تقاضا افزایش می‌یابد.
بیشتر شده و تقاضا افزایش می‌یابد.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
01:59
The British pie, for instance,
34
107520
1776
برای مثال، کیک بریتانیا،
02:01
is more than a hundred times
the size it was 300 years ago.
the size it was 300 years ago.
35
109320
3960
بیشتر از صد برابر بزرگتر از ۳۰۰
سال پیش شده است.
سال پیش شده است.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
و مردم زیادی که از کارهای خود
در کیک قدیمی برکنار شده‌اند
در کیک قدیمی برکنار شده‌اند
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
می‌توانند کارهایی را
در کیک جدید پیدا کنند.
در کیک جدید پیدا کنند.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
اما پیشرفت فناوری فقط این کیک
را بزرگتر نمی‌کند.
را بزرگتر نمی‌کند.
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
بلکه اجزای این کیک را نیز تغییر می‌دهد.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
با گذشت زمان، مردم درآمد خود را
به گونه‌های مختلفی خرج می‌کنند،
به گونه‌های مختلفی خرج می‌کنند،
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
با تغییردادن چگونگی خرج کردن آن
روی کالاهای موجود،
روی کالاهای موجود،
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
و همینطور با بوجود آمدن اشتیاق
برای کالاهای کاملا جدید،
برای کالاهای کاملا جدید،
02:29
New industries are created,
43
137200
1776
صنایع جدیدی ساخته شده است،
02:31
new tasks have to be done
44
139000
1816
وظایف جدیدی باید انجام داده شوند
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
و این به این معنی است که
نقشهای جدیدی باید اجرا شود.
نقشهای جدیدی باید اجرا شود.
02:35
So again, the British pie:
46
143400
1496
پس دوباره،
همان کیک بریتانیا:
همان کیک بریتانیا:
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
۳۰۰ سال قبل، بیشتر مردم
درمزارع کار می‌کردند،
درمزارع کار می‌کردند،
02:39
150 years ago, in factories,
48
147920
2336
۱۵۰ سال پیش، در کاخانه‌ها کار می‌کردند،
02:42
and today, most people work in offices.
49
150280
2856
و امروزه بیشتر مردم در
اداره‌ها کار می‌کنند.
اداره‌ها کار می‌کنند.
02:45
And once again, people displaced
from tasks in the old bit of pie
from tasks in the old bit of pie
50
153160
4056
و بار دیگر، مردم بیکار شده در کیک قدیمی
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
می‌توانند در وظایف جدید
در قسمت‌های جدید کیک مشغول شوند.
در قسمت‌های جدید کیک مشغول شوند.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
اقتصاددان‌ها این اثرها را
کامل کنندهها می‌نامند،
کامل کنندهها می‌نامند،
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
اما در حقیقت کلمه شیکی است که
نشان‌دهنده راه‌های مختلفی است که
نشان‌دهنده راه‌های مختلفی است که
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
پیشرفت فناوری به انسانها می‌کند.
03:02
Resolving this Terminator myth
55
170520
2096
حل این افسانه ترمیناتور (نابود کننده)
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
نشان می‌دهد که دو نیرو در این
ماجرا نقش دارند:
ماجرا نقش دارند:
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
یک، جایگزینی ماشین‌ها که به
کارگران آسیب می‌زند،
کارگران آسیب می‌زند،
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
اما این تکمیل کنندهها برعکس عمل می‌کنند.
03:13
Now the second myth,
59
181960
1376
حالا افسانه دوم،
03:15
what I call the intelligence myth.
60
183360
2280
که من به آن افسانه هوش میگویم.
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
چه اشتراک‌هایی بین راندن یک ماشین،
تشخیص پزشکی
تشخیص پزشکی
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
و شناسایی یک پرنده در یک لحظه وجود دارد؟
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
خب، انجام تمام این وظایف
تا همین اواخر،
تا همین اواخر،
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
در نظر اقتصاددانان قابل
خودکار شدن نبودند.
خودکار شدن نبودند.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
و امروز، تمامی این کارها را می‌توان
به صورت خودکار انجام داد.
به صورت خودکار انجام داد.
می‌دانید که، تمام تولید کنندگان بزرگ خودرو
برنامه خوردروهای بدون راننده دارند.
برنامه خوردروهای بدون راننده دارند.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
تعداد زیادی سیستم وجود دارد که می‌توانند
بیماری های پزشکی را تشخیص بدهند
بیماری های پزشکی را تشخیص بدهند
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
و حتی یک برنامه وجود دارد که می‌تواند
یک پرنده را در لحظه شناسایی کند.
03:46
at a fleeting glimpse.
69
214800
1200
03:48
Now, this wasn't simply a case of bad luck
on the part of economists.
on the part of economists.
70
216920
4376
این فقط یک بد شانسی ساده برای
اقتصاددان‌ها نبود.
اقتصاددان‌ها نبود.
03:53
They were wrong,
71
221320
1296
آنها اشتباه می‌کردند،
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
و دلیل این اشتباه آنها بسیار مهم است.
03:57
They've fallen for the intelligence myth,
73
225160
2256
آنها در افسانه هوش گیر افتاده بودند،
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
باوری که می‌گوید ماشین‌ها باید طرز فکر
04:02
that human beings think and reason
75
230360
2056
و دلیل آوردن انسانها را
تقلید کنند.
تقلید کنند.
تا بتوانند از آنها پیشی بگیرند.
04:04
in order to outperform them.
76
232440
1776
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
زمانی که این اقتصاددانان تلاش می‌کردند
کشف کنند
کشف کنند
04:08
what tasks machines could not do,
78
236480
1856
که ماشین‌ها چه کارهایی را
نمی‌توانند انجام بدهند،
نمی‌توانند انجام بدهند،
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
تصور می‌کردند تنها راه برای خودکار
انجام دادن یک کار،
انجام دادن یک کار،
04:12
was to sit down with a human being,
80
240520
1816
این بود که با یک انسان بنشینند،
04:14
get them to explain to you
how it was they performed a task,
how it was they performed a task,
81
242360
3536
و آنها رو مجبور کنند تا به آنها
توضیح بدهند که چگونه کاری را انجام می‌دهد،
توضیح بدهند که چگونه کاری را انجام می‌دهد،
04:17
and then try and capture that explanation
82
245920
2656
و سپس سعی کنند آن توضیح را در قالب
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
یک سری دستورات به ماشین بدهند
که تقلید کند.
که تقلید کند.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
این دیدگاه در حوزه هوش مصنوعی
نیز رایج بود،
نیز رایج بود،
04:27
I know this because Richard Susskind,
85
255600
2176
من این را می‌دانم چون
ریچارد سوزکیند،
ریچارد سوزکیند،
04:29
who is my dad and my coauthor,
86
257800
2856
که پدر و مولف همکار من است،
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
پروژه دکترا خود را در سالهای ۱۹۸۰
روی هوش مصنوعی و قانون
روی هوش مصنوعی و قانون
در دانشگاه آکسفورد انجام داد،
04:36
at Oxford University,
88
264760
1416
و او یکی از پیشگامان این حوزه بود.
04:38
and he was part of the vanguard.
89
266200
1576
04:39
And with a professor called Phillip Capper
90
267800
2256
و به همراه پرفسوری به نام فیلیپ کوپر
04:42
and a legal publisher called Butterworths,
91
270080
2096
و یک ناشر قانونی به نام باترورث،
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
آنها اولین سیستم هوش مصنوعی دنیا
را طبق قانون ساختند
را طبق قانون ساختند
04:50
artificial intelligence system in the law.
93
278120
2776
که برای خرید در دسترس بود.
04:52
This was the home screen design.
94
280920
2616
این طرح صفحه اصلی بود،
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
و او به من اطمینان داد که در آن
زمان این طرح جالبی بود.
زمان این طرح جالبی بود.
04:58
(Laughter)
96
286280
1016
04:59
I've never been entirely convinced.
97
287320
1696
(خنده) و من هیچوقت کاملا
قانع نشدم.
قانع نشدم.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
او به وسیله دو فلاپی دیسک این موضوع
را منتشر کرد،
را منتشر کرد،
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
در زمانی که فلاپی دیسک‌ها واقعا
فلاپی (مسخره) بودند!
فلاپی (مسخره) بودند!
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
و رویکرد او همان رویکرد اقتصاددانان بود:
05:09
sit down with a lawyer,
101
297600
1256
با یک وکیل صحبت کرد،
05:10
get her to explain to you
how it was she solved a legal problem,
how it was she solved a legal problem,
102
298880
3176
تا به شما توضیح بدهد چگونه یک مشکل
قانونی را حل کرد،
قانونی را حل کرد،
05:14
and then try and capture that explanation
in a set of rules for a machine to follow.
in a set of rules for a machine to follow.
103
302080
5376
و بعد آن توضیح را به صورت قوانینی برای
ماشین‌ها درآورد تا از آن پیروی کنند.
ماشین‌ها درآورد تا از آن پیروی کنند.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
در اقتصاد، انسانها به این روش می‌توانند
خود را توضیح بدهند،
خود را توضیح بدهند،
که به آن وظایف روال گفته می‌شود
و می‌توانند خودکار انجام بشوند.
و می‌توانند خودکار انجام بشوند.
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
اما اگر انسانها نتوانند خود را
توضیح دهند،
توضیح دهند،
05:28
the tasks are called non-routine,
and they're thought to be out reach.
and they're thought to be out reach.
107
316800
4256
به آن کارها غیر عادی گفته می‌شود، و آنها
فکر می‌کنند که خارج از دسترس می‌باشد.
فکر می‌کنند که خارج از دسترس می‌باشد.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
امروز، تمایز بین معمول و غیر معمول
گسترده شده است.
گسترده شده است.
05:36
Think how often you hear people say to you
109
324400
2056
فکر کنید که چقدر مردم به شما می‌گویند
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
ماشین‌ها فقط کارهای تکراری و قابل پیش‌بینی
را می‌توانند انجام دهند،
را می‌توانند انجام دهند،
05:41
rules-based or well-defined.
111
329760
1896
کارهایی که بر اساس قانون یا
مشخص هستند.
مشخص هستند.
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
این‌ها فقط کلمات متفاوتی برای معمولی
هستند.
هستند.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
و به آن سه موردی که درابتدا اشاره کردم
برگردید و نگاهی بندازید.
برگردید و نگاهی بندازید.
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
آنها همه مواردی کلاسیک از کارهای
غیر معمول هستند.
غیر معمول هستند.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
برای مثال از یک دکتر بپرسید
چگونه یک تشخیص پزشکی را می‌دهد،
چگونه یک تشخیص پزشکی را می‌دهد،
05:56
and she might be able
to give you a few rules of thumb,
to give you a few rules of thumb,
116
344560
2656
و او ممکن است بتواند به شما
تعدادی قاعده بگوید،
تعدادی قاعده بگوید،
05:59
but ultimately she'd struggle.
117
347240
1656
اما در نهایت نخواهد توانست.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
او خواهد گفت این چیزها نیازمند
خلاقیت، قضاوت و مشاهده است.
خلاقیت، قضاوت و مشاهده است.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
و بیان این چیزها بسیار سخت هستند،
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
و فکر می‌کنند که این کارها بسیار سخت هستند
تا خودکار انجام بشوند.
تا خودکار انجام بشوند.
06:11
If a human being can't explain themselves,
121
359280
2536
اگر یک انسان نتواند خودش را توضیح بدهد،
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
چطور می‌خواهد شروع به نوشتن
دستوراتی کند تا
دستوراتی کند تا
06:16
for a machine to follow?
123
364760
1200
یک ماشین از آن پیروی کند؟
06:18
Thirty years ago, this view was right,
124
366640
2576
۳۰ سال پیش، این دیدگاه درست بود،
06:21
but today it's looking shaky,
125
369240
2136
اما امروزه تکان دهنده به نظر
می‌رسد،
می‌رسد،
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
و در آینده این دیدگاه‌ها براحتی اشتباه
خواهند بود.
خواهند بود.
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
پیشرفت در قدرت پردازش،
قابلیت ذخیره سازی داده‌ها
قابلیت ذخیره سازی داده‌ها
06:28
and in algorithm design
128
376960
1656
و طراحی الگوریتم‌ها
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
به این معنی است که فرق بین
معمول و غیر معمول
معمول و غیر معمول
06:33
is diminishingly useful.
130
381160
1736
کاربرد کمتری پیدا کرده است.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
برای دیدن این موضوع، به مورد تشخیص
پزشکی برگردیم.
پزشکی برگردیم.
06:38
Earlier in the year,
132
386200
1376
در اوایل این سال،
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
یک تیم تحقیقاتی در استنفورد اعلام کرد که
سیستمی را توسعه می‌دهند
سیستمی را توسعه می‌دهند
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
که می‌تواند به شما بگوید
آیا یک لکه، سرطان هست یا نه،
آیا یک لکه، سرطان هست یا نه،
06:46
as accurately as leading dermatologists.
135
394000
2680
با دقتی به اندازه دقت یک متخصص پوست.
06:49
How does it work?
136
397280
1256
این چگونه کار می‌کند؟
06:50
It's not trying to copy the judgment
or the intuition of a doctor.
or the intuition of a doctor.
137
398560
5296
این سیستم قضاوت و مشاهدات یک دکتر
را کپی نمی‌کند.
را کپی نمی‌کند.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
این سیستم اصلا چیزی درباره دارو درک
نمی‌کند و نمی‌داند.
نمی‌کند و نمی‌داند.
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
درعوض، یک الگوریتم تشخیص الگو را
اجرا می‌کند
اجرا می‌کند
07:01
through 129,450 past cases,
140
409640
4656
در ۱۲۹,۴۵۰ مورد گذشته،
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
به دنبال شکار شباهت‌هایی بین آن
موارد
موارد
07:09
and the particular lesion in question.
142
417440
2080
و زخم‌های مشخصی بوده‌اند.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
اجرای این کارهای از طریق یک راه
غیر انسانی،
غیر انسانی،
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
بر اساس بررسی حداکثر موردهای ممکن است
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
که هر پزشکی در طول زندگی
آرزوی انجامش را دارد.
آرزوی انجامش را دارد.
07:20
It didn't matter that that human being,
146
428320
1896
اصلا مهم نیست که آن انسان، آن پزشک،
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
نتواند توضیح بدهد که چگونه آن کار را
انجام می‌دهد.
انجام می‌دهد.
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
در حال حاضر کسانی روی این واقعیت
متمرکز هستند که
متمرکز هستند که
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
این ماشین‌ها در تصور ما ساخته
نشده‌اند.
نشده‌اند.
07:30
As an example, take IBM's Watson,
150
438320
2056
برای مثال واتسون، آی‌بی‌ام را
در نظر بگیرید،
در نظر بگیرید،
07:32
the supercomputer that went
on the US quiz show "Jeopardy!" in 2011,
on the US quiz show "Jeopardy!" in 2011,
151
440400
4856
یک اَبَر کامپیوتر که در سال ۲۰۱۱ در برنامه
پرسش و پاسخ آمریکایی جئوپاردی شرکت کرد!
پرسش و پاسخ آمریکایی جئوپاردی شرکت کرد!
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
و دو تا از افراد قهرمان در جئوپاردی
را شکست داد !
را شکست داد !
07:40
The day after it won,
153
448320
1696
روز بعد از این پیروزی،
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
روزنامه وال استریت متنی از
جان سارل فیلسوف را منتشر کرد
جان سارل فیلسوف را منتشر کرد
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
با این عنوان که "واتسون نمی‌داند که
جئوپاردی را برده است!"
جئوپاردی را برده است!"
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
بله، و بسیار هوشمندانه و درست هم هست.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
شما می‌دانید که واتسون اشک شوق نریخت.
07:53
It didn't call up its parents
to say what a good job it had done.
to say what a good job it had done.
158
461240
3096
خانواده‌اش به او برای کاری
که انجام داده بود آفرین نگفت.
که انجام داده بود آفرین نگفت.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
به بار نرفت تا شادی کند و بنوشد.
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
این سیستم تلاشی برای تقلید از روشی که
افراد شرکت کننده داشتند نکرد،
افراد شرکت کننده داشتند نکرد،
08:03
but it didn't matter.
161
471200
1256
اما مهم هم نبود.
08:04
It still outperformed them.
162
472480
1976
این سیستم همچنان بر آنها برتری دارد.
08:06
Resolving the intelligence myth
163
474480
1576
حل این افسانه هوش
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
نشان داد درک محدود ما درباره هوش انسانی،
08:11
about how we think and reason,
165
479480
1896
درباره فکر کردن و دلیل پیدا کردن‌ها،
08:13
is far less of a constraint
on automation than it was in the past.
on automation than it was in the past.
166
481400
3456
به مراتب کمتر از محدودیت در اتوماسیونی
است که در گذشته بوده است.
است که در گذشته بوده است.
08:16
What's more, as we've seen,
167
484880
1496
علاوه بر این مشاهده کردیم،
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
وقتی این ماشین‌ها وظایف مختلفی را برای
انسانها انجام می‌دهند،
انسانها انجام می‌دهند،
08:21
there's no reason to think
169
489840
1256
دلیلی ندارد که فکر کنیم
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
کارهایی که انسانها در حال حاضر توانایی
انجام آن را دارند،
انجام آن را دارند،
08:25
represents any sort of summit
171
493680
1456
نشان دهنده بالاترین کارهایی است که
08:27
in what these machines
might be capable of doing in the future.
might be capable of doing in the future.
172
495160
3000
ممکن است یک ماشین در آینده بتواند انجام
بدهد.
بدهد.
08:31
Now the third myth,
173
499040
1256
و حالا افسانه سوم،
08:32
what I call the superiority myth.
174
500320
2456
که آن را افسانه برتری می‌نامم.
08:34
It's often said that those who forget
175
502800
2216
معمولا گفته می‌شود کسانی که
درباره قسمت مفید
درباره قسمت مفید
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
پیشرویی فناوری، آن تکمیل‌کننده اسبق،
08:39
those complementarities from before,
177
507520
2496
را فراموش می‌کنند،
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
مرتکب چیزی می‌شوند که "به اشتباه
توده حزب کارگری" شناخته می‌شود.
توده حزب کارگری" شناخته می‌شود.
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
حالا مشکل اشتباه توده حزب کارگری
این است
این است
08:48
is itself a fallacy,
180
516159
1496
که خودش یک اشتباه است،
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
و من به آن اشتباه اشتباه توده
حزب کارگری میگویم،
حزب کارگری میگویم،
08:52
or LOLFF, for short.
182
520640
2320
یا به اختصار LOLFF.
08:56
Let me explain.
183
524000
1416
اجازه بدید توضیح بدم.
اشتباه توده کارگری یک ایده بسیار
قدیمی می‌باشد.
قدیمی می‌باشد.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
یک اقتصاددان بریتانیایی در سال ۱۸۹۲ به اسم
دیوید اِشلاس این اسم را به آن داده است.
دیوید اِشلاس این اسم را به آن داده است.
08:59
It was a British economist, David Schloss,
who gave it this name in 1892.
who gave it this name in 1892.
185
527600
4216
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
او به یک کارگر بار انداز خیره شده بود
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
که شروع به ساخت واشر با استفاده از
ماشین کرده بود،
ماشین کرده بود،
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
دیسک‌های فلزی کوچکی که در انتهای پیچ‌ها
قرار می‌گیرند.
قرار می‌گیرند.
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
و این کارگر بار انداز برای شروع تولید
بیشتری که داشت، احساس گناه می‌کرد.
بیشتری که داشت، احساس گناه می‌کرد.
حالا در بیشتر اوقات ما انتظاری برعکس
داریم،
داریم،
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
که مردم از بازده نداشتن
احساس گناه می‌کنند،
احساس گناه می‌کنند،
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
مثلا صرف وقت بیشتری توی فیسبوک
یا توییتر در محل کار.
یا توییتر در محل کار.
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
اما این کارگر از بیشتر تولید کردن
ناراحت بود،
ناراحت بود،
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
و در جواب چرا گفت
"میدونم که دارم اشتباه می‌کنم،
"میدونم که دارم اشتباه می‌کنم،
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
"من دارم کار یک نفر دیگه رو ازش می‌گیرم".
09:29
I'm taking away the work of another man."
195
557920
2040
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
در ذهن آن شخص یک توده کارگری
ثابت برای تقسیم بین
ثابت برای تقسیم بین
09:35
to be divided up between him and his pals,
197
563760
2136
آن و دوستانش وجود داشت،
پس اگر او دارد از این ماشین برای
تولید بیشتر استفاده می‌کند
تولید بیشتر استفاده می‌کند
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
کار کمتری برای دوستانش وجود دارد
تا انجام بدهند.
تا انجام بدهند.
09:40
there'd be less left for his pals to do.
199
568000
2016
09:42
Schloss saw the mistake.
200
570040
1856
اِشلاس این مشکل رو دید.
09:43
The lump of work wasn't fixed.
201
571920
1856
حجم کاری که وجود دارد ثابت نیست.
همانطور که این کارگر از ماشین برای تولید
بیشتر استفاده می‌کند
بیشتر استفاده می‌کند
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
قیمت واشر افت می‌کند، درخواست برای واشر
افزایش می‌یابد،
افزایش می‌یابد،
09:51
more washers would have to be made,
204
579640
1696
واشر‌های بیشتری باید ساخته شوند،
و کار بیشتری وجود دارد تا دوستانش
انجام دهند.
انجام دهند.
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
09:55
The lump of work would get bigger.
206
583480
1696
حجم کار بزرگتر خواهد شد.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
اِشلاس به این "اشتباه توده کارگری"
گفت.
گفت.
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
و امروزه شما می‌شنوید که مردم درباره این
اشتباه حرف می‌زنند
اشتباه حرف می‌زنند
تا درباره آینده انواع کارها فکر کنند.
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
میزان ثابتی کار وجود ندارد که بخواهد بین
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
مردم و ماشین‌ها تقسیم بشود.
10:08
between people and machines.
211
596440
1376
بله، ماشین‌ها جایگزین انسانها می‌شوند،
حجم کار اصلی را کاهش می‌دهند،
حجم کار اصلی را کاهش می‌دهند،
10:09
Yes, machines substitute for human beings,
making the original lump of work smaller,
making the original lump of work smaller,
212
597840
4656
اما در کنار آن انسان ها را کامل می‌کنند،
10:14
but they also complement human beings,
213
602520
1856
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
و میزان کار موجود تغییر کرده و
بزرگتر می‌شود.
بزرگتر می‌شود.
10:19
But LOLFF.
215
607760
1616
اما LOLFF.
10:21
Here's the mistake:
216
609400
1376
مشکل و اشتباه اینجاست:
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
کاملا درست است که فکر کنیم
پیشرفت فناوری
پیشرفت فناوری
10:25
makes the lump of work to be done bigger.
218
613040
1976
حجم کار انجام شده را بزرگتر
می‌کند.
می‌کند.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
برخی کارها با ارزشتر می‌شوند.
وظایف جدیدی باید انجام شوند.
وظایف جدیدی باید انجام شوند.
10:30
But it's wrong to think that necessarily,
220
618080
2536
اما این درست نیست که فکر کنیم
لزوما انسانها
لزوما انسانها
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
بهترین وظایف را خواهند داشت.
10:35
And this is the superiority myth.
222
623920
1616
و این افسانه برتری هست.
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
درست است، حجم کار موجود ممکن است بزرگتر
شود یا تغییر کند،
شود یا تغییر کند،
10:41
but as machines become more capable,
224
629000
1976
اما ماشین‌ها که توانا‌تر می‌شوند،
10:43
it's likely that they'll take on
the extra lump of work themselves.
the extra lump of work themselves.
225
631000
3896
ممکن است که تمام میزان کار اضافی را
خودشان پر کنند.
خودشان پر کنند.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
پیشرفت فناوری، به جای مکمل بودن
برای انسانها،
برای انسانها،
10:50
complements machines instead.
227
638200
1880
کار ماشین‌ها را تکمیل می‌کند.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
برای دیدن این به مثال روندن ماشین برگردیم.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
امروزه سیستم راهیابی ماهواره‌ای
مستقیما انسان‌های را تکمیل می‌کند
مستقیما انسان‌های را تکمیل می‌کند
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
آنها انسانها را راننده‌های بهتری می‌کنند.
11:02
But in the future,
231
650920
1256
اما در آینده،
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
نرم‌افزار می‌خواهد راننده را جایگزین کند،
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
و سیستم راهیابی ماهواره‌ای،
به جای تکمیل انسانها،
به جای تکمیل انسانها،
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
به راحتی ماشین‌های بدون راننده را
کارآمدتر می‌کند،
کارآمدتر می‌کند،
11:12
helping the machines instead.
235
660840
1536
با کمک کردن به ماشین‌ها.
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
یا به آن تکمیل کننده‌های غیر مستقیمی که
اشاره کردم دقت کنید.
اشاره کردم دقت کنید.
11:18
The economic pie may get larger,
237
666480
1776
کیک اقتصادی بزرگتر می‌شود،
11:20
but as machines become more capable,
238
668280
1736
اما با توانمندتر شدن ماشین‌ها،
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
ممکن است که نیازهای جدید برای کالاهایی
بهتر باشد،
بهتر باشد،
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
که ماشین در قیاس با انسانها،
در تولید آن بهترین است.
در تولید آن بهترین است.
11:27
The economic pie may change,
241
675880
1896
کیک اقتصاد ممکن است تغییر کند،
11:29
but as machines become more capable,
242
677800
1896
اما با توانمندتر شدن ماشین‌ها،
11:31
it's possible that they'll be best placed
to do the new tasks that have to be done.
to do the new tasks that have to be done.
243
679720
4856
امکان دارد که آنها گزینه مناسب‌تری برای
قرار گرفتن در کارهای جدید باشند.
قرار گرفتن در کارهای جدید باشند.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
خلاصه، نیاز به کار، نیاز به نیروی
انسانی نیست.
انسانی نیست.
11:40
Human beings only stand to benefit
245
688320
1936
انسانها تنها در صورتی نفع می‌برند
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
که در تمام این وظایف تکمیلی برتری خود را
حفظ کنند،
حفظ کنند،
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
اما با کارآمدتر شدن ماشین‌ها، احتمال این
موضوع کاهش پیدا می‌کند.
موضوع کاهش پیدا می‌کند.
11:50
So what do these three myths tell us then?
248
698760
2016
حالا این سه افسانه به ما چه می‌گویند؟
11:52
Well, resolving the Terminator myth
249
700800
1696
خب، حل افسانه نابودگر
11:54
shows us that the future of work depends
upon this balance between two forces:
upon this balance between two forces:
250
702520
3696
به ما نشان می‌دهد که آینده کارها به تعادل
بین این دو نیرو بستگی دارد:
بین این دو نیرو بستگی دارد:
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
یک، جایگزینی ماشین‌ها که به کارگرها
آسیب می‌زند
آسیب می‌زند
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
و آن کارهای تکمیلی که برعکس این را
انجام می‌دهد.
انجام می‌دهد.
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
و تا الان این تعادل به نفع انسانها بوده.
12:09
But resolving the intelligence myth
254
717120
1736
اما بررسی افسانه هوش
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
به ما نشان می‌دهد که نیروی اول،
جایگزینی ماشین‌ها،
جایگزینی ماشین‌ها،
12:13
is gathering strength.
256
721400
1296
نیرومندتر می‌شود.
با اینکه ماشین‌ها همه کارها را نمی‌توانند
انجام دهند
انجام دهند
12:14
Machines, of course, can't do everything,
257
722720
1976
12:16
but they can do far more,
258
724720
1256
اما قادر به انجام کارهای زیادی هستند،
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
ورود به حوزه کارهایی که انسانها انجام
می‌دهند را عمیق‌تر می‌کند.
می‌دهند را عمیق‌تر می‌کند.
12:22
What's more, there's no reason to think
260
730600
1896
علاوه بر این، نیازی نیست فکر کنیم که
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
کارهایی که از دست انسانها بر می‌آید
12:26
represents any sort of finishing line,
262
734760
1856
دلالت بر هر گونه خط پایان دارد،
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
که ماشین‌ها با توانمند شدن در سطح انسان
12:30
once they're as capable as us.
264
738920
1816
نقطه پایان آن را ترسیم کنند.
الان، هیچکدام این‌ها اهمیت ندارد
12:32
Now, none of this matters
265
740760
1536
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
تا زمانی که کارهای
تکمیلی امیدوار کننده
تکمیلی امیدوار کننده
12:37
blow firmly enough,
267
745160
1736
به اندازه کافی هستند،
12:38
but resolving the superiority myth
268
746920
1936
اما بررسی افسانه برتری
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
به ما نشان می‌دهد که آن پیشرفت تجاوز
وظایف ماشین‌ها
وظایف ماشین‌ها
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
نه تنها نیروی جایگزینی ماشین‌ها را
قوی‌تر می‌کند،
قوی‌تر می‌کند،
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
بلکه امید به وظایف تکمیلی را نیز
کاهش می‌دهد.
کاهش می‌دهد.
12:51
Bring these three myths together
272
759320
1936
با کنار هم قرار دادن این سه افسانه
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
می‌توانیم چشم‌اندازی از مشکلات آینده
داشته باشیم.
داشته باشیم.
12:56
Machines continue to become more capable,
274
764240
2016
ماشین‌ها به توانمند تر شدن ادامه می‌دهند،
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
تجاوز عمیق‌تر به کارهایی که انسانها انجام
می‌دهند بیشتر می‌شود،
می‌دهند بیشتر می‌شود،
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
قدرت ماشین‌ها برای جایگزینی بیشتر می‌شود،
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
ضعیف تر شدن قدرت تکمیل کنندگی ماشین‌ها
برای انسانها بیشتر می‌شود.
برای انسانها بیشتر می‌شود.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
و در بعضی جاها، تعادل مورد نظر بیشتر به
نفع ماشین‌ها خواهد بود
نفع ماشین‌ها خواهد بود
13:12
rather than human beings.
279
780520
2056
تا به نفع انسانها.
این مسیری است که الان در آن قرار داریم.
13:14
This is the path we're currently on.
280
782600
1736
13:16
I say "path" deliberately,
because I don't think we're there yet,
because I don't think we're there yet,
281
784360
3176
من عمدا میگویم "مسیر"،
زیرا هنوز به نظر من به آنجا نرسیدیم،
زیرا هنوز به نظر من به آنجا نرسیدیم،
13:19
but it is hard to avoid the conclusion
that this is our direction of travel.
that this is our direction of travel.
282
787560
3640
اما جلوگیری کردن از این نتیجه که این جهت
گیری آینده است، سخت است،
گیری آینده است، سخت است،
13:24
That's the troubling part.
283
792640
1456
قسمت مشکل قضیه همین جاست.
13:26
Let me say now why I think actually
this is a good problem to have.
this is a good problem to have.
284
794120
3520
اجازه دهید بگویم چرا به نظرم مشکل
خوبی است که داریم.
خوبی است که داریم.
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
در بیشتر تاریخ بشریت،
یک مشکل اقتصادی حکم فرما بوده:
یک مشکل اقتصادی حکم فرما بوده:
13:34
how to make the economic pie
large enough for everyone to live on.
large enough for everyone to live on.
286
802080
4056
چگونه یک کیک اقتصادی را به اندازه کافی
بزرگ کنیم تا همه بتوانند در آن زندگی کنند.
بزرگ کنیم تا همه بتوانند در آن زندگی کنند.
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
برگردیم به اولین قرن میلادی
13:40
and if you took the global economic pie
288
808360
2096
و اگر شما کیک اقتصاد جهانی را در نظر
بگیرید
بگیرید
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
و آن را به اندازه‌های مساوی برای هر نفر
در دنیا تقسیم کنید،
در دنیا تقسیم کنید،
13:45
everyone would get a few hundred dollars.
290
813800
2136
به هر نفر چند صد دلار می‌رسد.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
تقریبا هر فرد روی خط فقر یا اطراف آن
قرار می‌گیرد.
قرار می‌گیرد.
13:51
And if you roll forward a thousand years,
292
819320
2176
و اگر هزار سال به جلو بیایید،
13:53
roughly the same is true.
293
821520
1240
تقریبا همین شرایط درست بوده است.
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
اما در این چند صد سال اخیر،
رشد اقتصادی شروع شد.
رشد اقتصادی شروع شد.
13:59
Those economic pies have exploded in size.
295
827280
2376
آن کیک‌های اقتصادی بسیار بزرگتر شدند.
14:01
Global GDP per head,
296
829680
2056
تولید ناخالص داخلی جهانی برای هر نفر،
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
ارزش همان برش‌های انفرادی کیک امروز،
14:07
they're about 10,150 dollars.
298
835160
2816
حدود ۱۰,۱۵۰ دلار است.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
اگر رشد اقتصادی دو درصدی ادامه پیدا کند،
14:12
our children will be twice as rich as us.
300
840720
2056
کودکان ما دوبرابر ما ثروتمند خواهند بود.
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
اگر با نرخ ۱ درصدی ادامه پیدا کند،
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
نوه‌های ما دوبرابر ما ثروت خواهند داشت.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
به طور کلی، ما آن مشکل اقتصاد سنتی را
حل کردیم.
حل کردیم.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
حال، اگر بیکاری فناوری اتفاق بیفتد،
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
به طور عجیبی، نشانه‌ای از
موفقیت خواهد بود،
موفقیت خواهد بود،
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
یک مشکل حل شده-- چگونه کیک را بزرگتر کنیم-
14:34
but replaced it with another --
307
862360
1816
اما دچار مسئله دیگری می‌شویم--
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
چگونه مطمئن شویم هر فرد یک برش
دریافت می‌کند.
دریافت می‌کند.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
همانطور که دیگر اقتصاددانان اشاره
می‌کنند، حل این مشکل آسان نخواهد بود.
می‌کنند، حل این مشکل آسان نخواهد بود.
14:43
Today, for most people,
310
871360
1656
امروزه برای بیشتر مردم،
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
شغل آنها، صندلی آنها سر میز شام اقتصاد است
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
و در دنیایی با کار کمتر یا حتی بدون کار،
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
معلوم نیست چطور تکه خود را
بدست آورند.
بدست آورند.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
بحث‌های زیادی در این زمینه وجود دارد،
برای مثال،
برای مثال،
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
درباره انواع درآمدهای پایه جهانی
14:57
as one possible approach,
316
885160
1216
بعنوان یک رویکرد محتمل،
14:58
and there's trials underway
317
886400
1616
و آزمایش‌هایی در آمریکا و
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
فنلاند و کنیا در حال انجام است.
15:03
And this is the collective challenge
that's right in front of us,
that's right in front of us,
319
891000
3176
و این چالش جمعی در
پیشروی ما است،
پیشروی ما است،
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
چطور این رونق اقتصادی ایجاد شده
توسط سیستم اقتصادی
توسط سیستم اقتصادی
15:11
can be enjoyed by everyone
321
899280
1976
می‌تواند موجب رضایت همه مردم
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
در دنیایی شود که مکانیزم‌های سنتی ما
15:15
for slicing up the pie,
323
903720
1856
برای تقسیم کردن کیک بین مردم،
15:17
the work that people do,
324
905600
1936
کاری که مردم انجام می‌دهند،
15:19
withers away and perhaps disappears.
325
907560
2160
ممکن است کم رنگ بشود و یا
از بین برود را بفهمیم.
از بین برود را بفهمیم.
15:22
Solving this problem is going to require
us to think in very different ways.
us to think in very different ways.
326
910280
4360
حل این مشکل نیازمند این است که ما راهی
کاملا متفاوت را برای تفکر پیش بگیریم.
کاملا متفاوت را برای تفکر پیش بگیریم.
15:27
There's going to be a lot of disagreement
about what ought to be done,
about what ought to be done,
327
915400
4176
مخالفتهای زیادی برای کارهایی که باید
انجام دهیم وجود خواهد داشت،
انجام دهیم وجود خواهد داشت،
15:31
but it's important to remember
that this is a far better problem to have
that this is a far better problem to have
328
919600
3416
اما باید به خاطر داشته باشید که این مشکل
بسیار بهتر از داشتن
بسیار بهتر از داشتن
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
مشکلی است که اجداد ما برای قرن‌ها
آن را داشتند:
آن را داشتند:
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
چگونگی بزرگتر کردن کیک به اندازه کافی.
خیلی ممنون.
15:41
Thank you very much.
331
929280
1256
(تشویق )
15:42
(Applause)
332
930560
3840
ABOUT THE SPEAKER
Daniel Susskind - EconomistDaniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society.
Why you should listen
Daniel Susskind is the co-author, with Richard Susskind, of the best-selling book, The Future of the Professions, and a Fellow in Economics at Balliol College, Oxford University. He is currently finishing his latest book, on the future of work. Previously, he worked in the British Government -- as a policy adviser in the Prime Minister's Strategy Unit, as a policy analyst in the Policy Unit in 10 Downing Street, and as a senior policy adviser in the Cabinet Office. Susskind received a doctorate in economics from Oxford University and was a Kennedy Scholar at Harvard University.
Daniel Susskind | Speaker | TED.com