TEDxPortland
Maurice Conti: The incredible inventions of intuitive AI
Maurice Conti: Intuitiivisen tekoälyn uskomattomat keksinnöt
Filmed:
Readability: 4.6
6,173,221 views
Mitä saa kun antaa suunnittelutyökalulle digitaalisen hermoston? Tietokoneita, jotka kehittävät kykyämme ajatella ja kuvitella, ja robottijärjestelmiä, jotka voivat suunnitella (ja rakentaa) radikaaleja uusia malleja siltoihin, autoihin, lennokkeihin ja moneen muuhun - ihan itsekseen. Tule matkalle Augmentaation aikakaudelle Maurice Contin kanssa ja esikatsele aikaa, jolloin robotit ja ihmiset työskentelevät rinta rinnan toteuttaakseen asioita, joita kumpikaan ei olisi voinut tehdä yksin.
Maurice Conti - Designer, futurist
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Double-click the English transcript below to play the video.
00:12
How many of you are creatives,
0
735
2289
Kuinka moni teistä on luovia,
00:15
designers, engineers,
entrepreneurs, artists,
entrepreneurs, artists,
1
3048
3624
muotoilijoita, insinöörejä,
yrittäjiä, taiteilijoita
yrittäjiä, taiteilijoita
00:18
or maybe you just have
a really big imagination?
a really big imagination?
2
6696
2387
tai ehkä sinulla on suuri mielikuvitus?
00:21
Show of hands? (Cheers)
3
9107
1848
Viitatkaa? (Hurrausta)
00:22
That's most of you.
4
10979
1181
Suurin osa teistä.
00:25
I have some news for us creatives.
5
13334
2294
Minulla on uutisia meille luoville.
00:28
Over the course of the next 20 years,
6
16714
2573
Seuraavan 20 vuoden aikana
00:33
more will change around
the way we do our work
the way we do our work
7
21471
2973
työtapamme tulevat muuttumaan enemmän
00:37
than has happened in the last 2,000.
8
25382
2157
kuin ne ovat viimeisen 2000 vuoden aikana.
00:40
In fact, I think we're at the dawn
of a new age in human history.
of a new age in human history.
9
28511
4628
Uskon, että olemme
ihmishistorian uuden ajan alussa.
ihmishistorian uuden ajan alussa.
00:45
Now, there have been four major historical
eras defined by the way we work.
eras defined by the way we work.
10
33645
4761
On ollut neljä isoa
historiallista aikakautta,
historiallista aikakautta,
jotka määrittyvät työtapamme mukaan.
00:51
The Hunter-Gatherer Age
lasted several million years.
lasted several million years.
11
39404
3275
Metsästäjä-keräilijä -kausi
kesti useita miljoonia vuosia.
kesti useita miljoonia vuosia.
00:55
And then the Agricultural Age
lasted several thousand years.
lasted several thousand years.
12
43163
3576
Maataloudellinen kausi
kesti useita tuhansia vuosia.
kesti useita tuhansia vuosia.
00:59
The Industrial Age lasted
a couple of centuries.
a couple of centuries.
13
47195
3490
Teollinen kausi kesti muutaman vuosisadan.
01:02
And now the Information Age
has lasted just a few decades.
has lasted just a few decades.
14
50709
4287
Ja nyt informaation kausi on kestänyt
vain muutaman vuosikymmenen.
vain muutaman vuosikymmenen.
01:07
And now today, we're on the cusp
of our next great era as a species.
of our next great era as a species.
15
55020
5220
Ja nykyään olemme lajina seuraavan ison
aikakauden taitoksessa.
aikakauden taitoksessa.
01:13
Welcome to the Augmented Age.
16
61296
2680
Tervetuloa Augmentaation kaudelle.
01:16
In this new era, your natural human
capabilities are going to be augmented
capabilities are going to be augmented
17
64000
3693
Tällä aikakaudella
luonnolliset ihmiskykysi kasvavat
luonnolliset ihmiskykysi kasvavat
01:19
by computational systems
that help you think,
that help you think,
18
67717
3068
ajattelemista auttavilla
tietokonejärjestelmillä,
tietokonejärjestelmillä,
01:22
robotic systems that help you make,
19
70809
2186
tekemistä auttavilla
robottijärjestelmillä,
robottijärjestelmillä,
01:25
and a digital nervous system
20
73019
1648
ja digitaalisella hermostolla,
01:26
that connects you to the world
far beyond your natural senses.
far beyond your natural senses.
21
74691
3690
joka yhdistää sinut maailmaan tavalla,
joka ylittää luonnolliset aistisi.
joka ylittää luonnolliset aistisi.
Aloitetaan kognitiivisesta
augmentoinnista.
augmentoinnista.
01:31
Let's start with cognitive augmentation.
22
79437
1942
01:33
How many of you are augmented cyborgs?
23
81403
2200
Kuinka moni teistä on
augmentoituja kyborgeja?
augmentoituja kyborgeja?
01:36
(Laughter)
24
84133
2650
(Naurua)
01:38
I would actually argue
that we're already augmented.
that we're already augmented.
25
86807
2821
Väittäisin, että olemme jo augmentoituja.
01:42
Imagine you're at a party,
26
90288
1504
Kuvittele olevasi juhlissa,
01:43
and somebody asks you a question
that you don't know the answer to.
that you don't know the answer to.
27
91816
3520
ja joku kysyy sinulta kysymyksen,
johon et osaa vastata.
johon et osaa vastata.
01:47
If you have one of these,
in a few seconds, you can know the answer.
in a few seconds, you can know the answer.
28
95360
3760
Jos sinulla on tällainen,
voit tietää vastauksen sekunneissa.
voit tietää vastauksen sekunneissa.
01:51
But this is just a primitive beginning.
29
99869
2299
Mutta tämä on vasta varhainen alku.
01:54
Even Siri is just a passive tool.
30
102863
3331
Jopa Siri on vain passiivinen työkalu.
01:58
In fact, for the last
three-and-a-half million years,
three-and-a-half million years,
31
106660
3381
Oikeastaan viimeisen
kolmen ja puolen miljoonan vuoden aikana
kolmen ja puolen miljoonan vuoden aikana
02:02
the tools that we've had
have been completely passive.
have been completely passive.
32
110065
3109
käyttämämme työkalut ovat olleet
täysin passiivisia.
täysin passiivisia.
02:06
They do exactly what we tell them
and nothing more.
and nothing more.
33
114203
3655
Ne tekevät sen, mitä käskemme
niiden tehdä, eikä mitään muuta.
niiden tehdä, eikä mitään muuta.
02:09
Our very first tool only cut
where we struck it.
where we struck it.
34
117882
3101
Ensimmäinen työkalumme leikkasi vain
kun löimme sitä.
kun löimme sitä.
02:13
The chisel only carves
where the artist points it.
where the artist points it.
35
121822
3040
Taltta kaivertaa vain siitä,
mihin taiteilija sen asettaa.
mihin taiteilija sen asettaa.
02:17
And even our most advanced tools
do nothing without our explicit direction.
do nothing without our explicit direction.
36
125343
5641
Ja kehittyneimmätkin työkalumme
eivät tee mitään ilman tarkkoja käskyjä.
eivät tee mitään ilman tarkkoja käskyjä.
02:23
In fact, to date, and this
is something that frustrates me,
is something that frustrates me,
37
131008
3181
Se on jotain, mikä on aina
turhauttanut minua,
turhauttanut minua,
02:26
we've always been limited
38
134213
1448
meitä on aina rajoittanut
02:27
by this need to manually
push our wills into our tools --
push our wills into our tools --
39
135685
3501
tarve manuaalisesti iskeä
tahtomme työkaluihimme --
tahtomme työkaluihimme --
manuaalisesti, kirjaimellisesti
käyttämällä käsiämme,
käyttämällä käsiämme,
02:31
like, manual,
literally using our hands,
literally using our hands,
40
139210
2297
02:33
even with computers.
41
141531
1428
jopa tietokoneilla.
02:36
But I'm more like Scotty in "Star Trek."
42
144072
2463
Mutta olen enemmänkin
kuin "Star Trekin" Scotty.
kuin "Star Trekin" Scotty.
02:38
(Laughter)
43
146559
1850
(Naurua)
02:40
I want to have a conversation
with a computer.
with a computer.
44
148433
2146
Haluan keskustella tietokoneen kanssa.
02:42
I want to say, "Computer,
let's design a car,"
let's design a car,"
45
150603
2970
Haluan sanoa, "Tietokone,
suunnitellaan auto,"
suunnitellaan auto,"
02:45
and the computer shows me a car.
46
153597
1539
ja tietokone näyttää auton.
02:47
And I say, "No, more fast-looking,
and less German,"
and less German,"
47
155160
2608
Ja sanon, "Ei, nopean näköinen
eikä niin saksalainen,"
eikä niin saksalainen,"
02:49
and bang, the computer shows me an option.
48
157792
2163
ja pam, tietokone näyttää vaihtoehdon.
02:51
(Laughter)
49
159979
1865
(Naurua)
02:54
That conversation might be
a little ways off,
a little ways off,
50
162208
2306
Se keskustelu saattaa hieman ontua,
02:56
probably less than many of us think,
51
164538
2665
mutta ehkä vähemmän kuin uskoisimme,
02:59
but right now,
52
167227
1763
mutta juuri nyt,
03:01
we're working on it.
53
169014
1151
kehittelemme sitä.
03:02
Tools are making this leap
from being passive to being generative.
from being passive to being generative.
54
170189
4033
Työkalut tekevät tämän loikan
passiivisesta generatiiviseen.
passiivisesta generatiiviseen.
03:06
Generative design tools
use a computer and algorithms
use a computer and algorithms
55
174831
3308
Generatiiviset työkalut käyttävät
tietokonetta ja algoritmejä
tietokonetta ja algoritmejä
03:10
to synthesize geometry
56
178163
2608
syntetisoidakseen geometriaa
03:12
to come up with new designs
all by themselves.
all by themselves.
57
180795
2754
luodakseen uudenlaisia malleja itsekseen.
03:15
All it needs are your goals
and your constraints.
and your constraints.
58
183996
2748
Se tarvitsee vain tavoitteet
ja asettamasi rajat.
ja asettamasi rajat.
03:18
I'll give you an example.
59
186768
1408
Annan teille esimerkin.
03:20
In the case of this aerial drone chassis,
60
188200
2788
Tämän ilmalennokin rungon tapauksessa
03:23
all you would need to do
is tell it something like,
is tell it something like,
61
191012
2626
sille tarvitsee kertoa vain,
03:25
it has four propellers,
62
193662
1273
että sillä on neljä potkuria,
03:26
you want it to be
as lightweight as possible,
as lightweight as possible,
63
194959
2131
haluat sen olevat mahdollisimman kevyt,
03:29
and you need it to be
aerodynamically efficient.
aerodynamically efficient.
64
197114
2270
ja haluat sen olevan
aerodynaamisesti tehokas.
aerodynaamisesti tehokas.
03:31
Then what the computer does
is it explores the entire solution space:
is it explores the entire solution space:
65
199408
4914
Ja tietokone tutkii
koko ratkaisuavaruuden:
koko ratkaisuavaruuden:
03:36
every single possibility that solves
and meets your criteria --
and meets your criteria --
66
204346
3927
jokaisen mahdollisuuden,
joka täyttää kriteerisi --
joka täyttää kriteerisi --
03:40
millions of them.
67
208297
1442
miljoonia ratkaisuja.
03:41
It takes big computers to do this.
68
209763
1975
Tämä vaatii ison tietokoneen.
03:43
But it comes back to us with designs
69
211762
1955
Mutta se antaa meille malleja,
03:45
that we, by ourselves,
never could've imagined.
never could've imagined.
70
213741
3143
joita me itse emme olisi
tulleet ajatelleeksikaan.
tulleet ajatelleeksikaan.
03:49
And the computer's coming up
with this stuff all by itself --
with this stuff all by itself --
71
217326
2912
Ja tietokone tekee
tämän kaiken ihan itse --
tämän kaiken ihan itse --
03:52
no one ever drew anything,
72
220262
1678
kukaan ei piirtänyt mitään
03:53
and it started completely from scratch.
73
221964
2086
ja se aloitti aivan tyhjästä.
03:57
And by the way, it's no accident
74
225038
2387
Ei muuten ole sattumaa,
03:59
that the drone body looks just like
the pelvis of a flying squirrel.
the pelvis of a flying squirrel.
75
227449
3481
että lennokin runko
näyttää aivan lento-oravan lonkalta.
näyttää aivan lento-oravan lonkalta.
04:03
(Laughter)
76
231287
2007
(Naurua)
04:06
It's because the algorithms
are designed to work
are designed to work
77
234040
2302
Sillä algoritmit on tehty toimimaan
04:08
the same way evolution does.
78
236366
1637
evoluution tavoin.
04:10
What's exciting is we're starting
to see this technology
to see this technology
79
238715
2660
Jännittävää on, että tämä teknologia
alkaa näkyä oikeassa maailmassa.
04:13
out in the real world.
80
241399
1159
04:14
We've been working with Airbus
for a couple of years
for a couple of years
81
242582
2452
Olemme tehneet töitä
Airbusin kanssa muutaman vuoden
Airbusin kanssa muutaman vuoden
04:17
on this concept plane for the future.
82
245058
1909
tämän tulevaisuuden koneen
konseptin parissa.
konseptin parissa.
04:18
It's a ways out still.
83
246991
2070
Se on silti vasta aluilla.
04:21
But just recently we used
a generative-design AI
a generative-design AI
84
249085
3780
Mutta vastikään olemme käyttäneet
generatiivisen suunnittelun tekoälyä
generatiivisen suunnittelun tekoälyä
04:24
to come up with this.
85
252889
1807
suunnitellaksemme tämän.
04:27
This is a 3D-printed cabin partition
that's been designed by a computer.
that's been designed by a computer.
86
255609
5153
Tämän on tietokoneen suunnittelema
3D-tulostettu matkustamon väliseinä.
3D-tulostettu matkustamon väliseinä.
04:32
It's stronger than the original
yet half the weight,
yet half the weight,
87
260786
2824
Se on aluperäistä vahvempi,
mutta puolet kevyempi,
mutta puolet kevyempi,
04:35
and it will be flying
in the Airbus A320 later this year.
in the Airbus A320 later this year.
88
263634
3146
Ja se tulee lentämään Airbus A320:n
mukana tämän vuoden lopussa.
mukana tämän vuoden lopussa.
Tietokoneet pystyvät nyt generoimaan;
04:39
So computers can now generate;
89
267405
1559
04:40
they can come up with their own solutions
to our well-defined problems.
to our well-defined problems.
90
268988
4595
ne pystyvät tekemään omia ratkaisuja
hyvin määriteltyihin ongelmiin.
hyvin määriteltyihin ongelmiin.
Mutta ne eivät ole intuitiivisia.
04:46
But they're not intuitive.
91
274677
1310
04:48
They still have to start from scratch
every single time,
every single time,
92
276011
3086
Niiden pitää slti aloittaa tyhjästä
joka kerta,
joka kerta,
04:51
and that's because they never learn.
93
279121
2565
koska ne eivät ikinä opi.
04:54
Unlike Maggie.
94
282368
1766
Toisin kuin Maggie.
04:56
(Laughter)
95
284158
1581
(Naurua)
04:57
Maggie's actually smarter
than our most advanced design tools.
than our most advanced design tools.
96
285763
3297
Maggie on oikeastaan älykkäämpi kuin
kehittynein suunnittelutyökalumme.
kehittynein suunnittelutyökalumme.
05:01
What do I mean by that?
97
289467
1440
Mitä tarkoitan sillä?
Jos hänen omistajansa ottaa tuon hihnan,
Maggie tietää melko varmasti,
Maggie tietää melko varmasti,
05:02
If her owner picks up that leash,
98
290931
1590
05:04
Maggie knows with a fair
degree of certainty
degree of certainty
99
292545
2068
05:06
it's time to go for a walk.
100
294637
1404
että he menevät lenkille.
05:08
And how did she learn?
101
296065
1185
Ja kuinka hän oppi sen?
05:09
Well, every time the owner picked up
the leash, they went for a walk.
the leash, they went for a walk.
102
297274
3324
Joka kerta kun omistaja
on ottanut hihnan,
on ottanut hihnan,
he menivät lenkille.
05:12
And Maggie did three things:
103
300622
1878
Ja Maggien teki kolme asiaa
05:14
she had to pay attention,
104
302524
1869
Hänen piti kiinnittää huomiota,
05:16
she had to remember what happened
105
304417
2082
Hän piti muistaa mitä on tapahtunut,
05:18
and she had to retain and create
a pattern in her mind.
a pattern in her mind.
106
306523
4017
ja hänen piti säilyttää ja
tehdä malli siitä mielessään.
tehdä malli siitä mielessään.
05:23
Interestingly, that's exactly what
107
311429
2095
Juuri sitä tietojenkäsittelijät
05:25
computer scientists
have been trying to get AIs to do
have been trying to get AIs to do
108
313548
2523
ovat yrittäneet saada tekoälyä tekemään
05:28
for the last 60 or so years.
109
316095
1859
viimeisen 60 vuoden ajan.
05:30
Back in 1952,
110
318683
1349
Vuonna 1952
05:32
they built this computer
that could play Tic-Tac-Toe.
that could play Tic-Tac-Toe.
111
320056
3801
he rakensivat ison tietokoneen,
joka osasi pelata ristinollaa.
joka osasi pelata ristinollaa.
05:37
Big deal.
112
325081
1160
Mitä sitten.
05:39
Then 45 years later, in 1997,
113
327029
3000
45 vuoden päästä vuonna 1997,
05:42
Deep Blue beats Kasparov at chess.
114
330053
2472
Deep Blue voitti Kasparovin shakissa.
05:46
2011, Watson beats these two
humans at Jeopardy,
humans at Jeopardy,
115
334046
4968
Vuonna 2011 Watson päihitti
nämä kaksi ihmista Jeopardyssä,
nämä kaksi ihmista Jeopardyssä,
05:51
which is much harder for a computer
to play than chess is.
to play than chess is.
116
339038
2928
mikä on tietokoneelle
paljon vaikeampaa kuin shakki.
paljon vaikeampaa kuin shakki.
05:53
In fact, rather than working
from predefined recipes,
from predefined recipes,
117
341990
3812
Itse asiassa Watsonin täytyi
ennalta määrättyjen ratkaisujen sijaan
ennalta määrättyjen ratkaisujen sijaan
05:57
Watson had to use reasoning
to overcome his human opponents.
to overcome his human opponents.
118
345826
3323
käyttää päättelykykyä
päihittääkseen vastustajansa.
päihittääkseen vastustajansa.
06:02
And then a couple of weeks ago,
119
350393
2439
Ja muutama viikko sitten
06:04
DeepMind's AlphaGo beats
the world's best human at Go,
the world's best human at Go,
120
352856
4262
Deep Mind:in AlphaGo päihitti
parhimman Go:n pelaajan,
parhimman Go:n pelaajan,
06:09
which is the most difficult
game that we have.
game that we have.
121
357142
2212
mikä on vaiken pelimme.
06:11
In fact, in Go, there are more
possible moves
possible moves
122
359378
2896
Itse asiassa, Go- pelissä on
enemmän mahdollisia siirtoja
enemmän mahdollisia siirtoja
06:14
than there are atoms in the universe.
123
362298
2024
kuin universumissa on atomeja.
06:18
So in order to win,
124
366210
1826
Joten voittaakseen,
06:20
what AlphaGo had to do
was develop intuition.
was develop intuition.
125
368060
2618
AlphaGo:n täytyi kehittää intuitio.
06:23
And in fact, at some points,
AlphaGo's programmers didn't understand
AlphaGo's programmers didn't understand
126
371098
4110
Ja itse asiassa joissakin tapauksissa
Alpha Go:n kehittäjät eivät tienneet
Alpha Go:n kehittäjät eivät tienneet
06:27
why AlphaGo was doing what it was doing.
127
375232
2286
miksi AlphaGo teki niin kuin teki.
06:31
And things are moving really fast.
128
379451
1660
Ja asiat etenevät huimaa vauhtia.
06:33
I mean, consider --
in the space of a human lifetime,
in the space of a human lifetime,
129
381135
3227
Miettikää --
Ihmisen eliniän aikana
Ihmisen eliniän aikana
06:36
computers have gone from a child's game
130
384386
2233
tietokoneet ovat kehittyneet
lasten pelistä
lasten pelistä
06:39
to what's recognized as the pinnacle
of strategic thought.
of strategic thought.
131
387920
3048
strategisen ajattelemisen edustajaksi.
06:43
What's basically happening
132
391999
2417
Oikeastaan tietokoneet
06:46
is computers are going
from being like Spock
from being like Spock
133
394440
3310
siirtyvät Spockin kaltaisia
06:49
to being a lot more like Kirk.
134
397774
1949
olemaan enemmänkin kuin Kirk.
06:51
(Laughter)
135
399747
3618
(Naurua)
06:55
Right? From pure logic to intuition.
136
403389
3424
Eikö? Puhtaasta logiikasta intuitioon.
07:00
Would you cross this bridge?
137
408184
1743
Ylittäisitkö tämän sillan?
07:02
Most of you are saying, "Oh, hell no!"
138
410609
2323
Suurin osa teistä sanoo, "En todellakaan!"
07:04
(Laughter)
139
412956
1308
(Naurua)
07:06
And you arrived at that decision
in a split second.
in a split second.
140
414288
2657
Teitte sen päätöksen alle sekunnissa.
07:08
You just sort of knew
that bridge was unsafe.
that bridge was unsafe.
141
416969
2428
Tiesitte heti, että se ei ole turvallinen.
07:11
And that's exactly the kind of intuition
142
419421
1989
Ja se on juuri sen tyyppistä intuitiota
07:13
that our deep-learning systems
are starting to develop right now.
are starting to develop right now.
143
421434
3568
jota syväoppivat järjestelmämme
alkavat kehittää juuri nyt.
alkavat kehittää juuri nyt.
Pian voitte kirjaimellisesti
07:17
Very soon, you'll literally be able
144
425722
1707
näyttää tietokoneelle jotakin tekemäänne
ja suunnitelemaanne
ja suunnitelemaanne
07:19
to show something you've made,
you've designed,
you've designed,
145
427453
2206
07:21
to a computer,
146
429683
1153
ja se katsoo sitä ja sanoo,
07:22
and it will look at it and say,
147
430860
1489
07:24
"Sorry, homie, that'll never work.
You have to try again."
You have to try again."
148
432373
2823
"Sori, kaveri, ei se tule toimimaan.
Yritä uudelleen."
Yritä uudelleen."
07:27
Or you could ask it if people
are going to like your next song,
are going to like your next song,
149
435854
3070
Tai voit kysyä siltä, pidetäänkö
seuraavasta kappaleestasi.
seuraavasta kappaleestasi.
07:31
or your next flavor of ice cream.
150
439773
2063
tai seuraavasta jäätelömaustasi.
07:35
Or, much more importantly,
151
443549
2579
Tai, mitä tärkeimmin,
07:38
you could work with a computer
to solve a problem
to solve a problem
152
446152
2364
voit työskennellä tietokoneen kanssa
ratkaistaaksesi tuntemattoman ongelman.
07:40
that we've never faced before.
153
448540
1637
07:42
For instance, climate change.
154
450201
1401
Esimerkiksi ilmastonmuutos.
07:43
We're not doing a very
good job on our own,
good job on our own,
155
451626
2020
Emme ole yksin onnistuneet,
ja tarvitsemme kaiken
tarjolla olevan avun.
tarjolla olevan avun.
07:45
we could certainly use
all the help we can get.
all the help we can get.
156
453670
2245
07:47
That's what I'm talking about,
157
455939
1458
Tästä juuri puhun,
07:49
technology amplifying
our cognitive abilities
our cognitive abilities
158
457421
2555
teknologiasta, joka tehostaa
kognitiivisia kykyjämme,
kognitiivisia kykyjämme,
07:52
so we can imagine and design things
that were simply out of our reach
that were simply out of our reach
159
460000
3552
voidaksemme kuvitella
ja kehitellä asioita,
ja kehitellä asioita,
jotka yksinkertaisesti eivät ole meidän
epäaugmenttisten ihmisten ulottuvilla.
epäaugmenttisten ihmisten ulottuvilla.
07:55
as plain old un-augmented humans.
160
463576
2559
07:59
So what about making
all of this crazy new stuff
all of this crazy new stuff
161
467984
2941
Eli miten teemme kaikki nämä uudet asiat
08:02
that we're going to invent and design?
162
470949
2441
jotka aiomme luoda ja suunnitella?
08:05
I think the era of human augmentation
is as much about the physical world
is as much about the physical world
163
473952
4093
Luulen, että ihmisen augmentaation
aikakausi liittyy niin fyysiseen maailmaan
aikakausi liittyy niin fyysiseen maailmaan
08:10
as it is about the virtual,
intellectual realm.
intellectual realm.
164
478069
3065
kuin myös virtuaaliseen,
tiedostavaan maailmaan.
tiedostavaan maailmaan.
Kuinka teknologia tulee
augmentoimaan meitä?
augmentoimaan meitä?
08:13
How will technology augment us?
165
481833
1921
08:16
In the physical world, robotic systems.
166
484261
2473
Fyysisessä maailmassa
robottijärjestelmillä.
robottijärjestelmillä.
08:19
OK, there's certainly a fear
167
487620
1736
On olemassa pelko,
08:21
that robots are going to take
jobs away from humans,
jobs away from humans,
168
489380
2488
että robotit vievät ihmisiltä töitä,
08:23
and that is true in certain sectors.
169
491892
1830
ja se on totta
tietyillä osa-alueilla.
tietyillä osa-alueilla.
08:26
But I'm much more interested in this idea
170
494174
2878
Mutta olen kiinnostunut
enemmänkin ideasta,
enemmänkin ideasta,
08:29
that humans and robots working together
are going to augment each other,
are going to augment each other,
171
497076
5010
että ihmiset ja robotit työskentelevät
yhdessä ja augmentoivat toisiaan,
yhdessä ja augmentoivat toisiaan,
08:34
and start to inhabit a new space.
172
502110
2058
ja luovat uudenlaisen tilan.
08:36
This is our applied research lab
in San Francisco,
in San Francisco,
173
504192
2362
Tämä on tutkimuslabramme San Franciscossa.
08:38
where one of our areas of focus
is advanced robotics,
is advanced robotics,
174
506578
3142
jossa yksi tutkimuskohteemme
on kehittynyt robotiikka,
on kehittynyt robotiikka,
08:41
specifically, human-robot collaboration.
175
509744
2511
tarkemmin ihmisten
ja robottien yhteistyö.
ja robottien yhteistyö.
08:45
And this is Bishop, one of our robots.
176
513034
2759
Tässä on Bishop, ykis roboteistamme.
Laitoimme sen auttamaan
08:47
As an experiment, we set it up
177
515817
1789
08:49
to help a person working in construction
doing repetitive tasks --
doing repetitive tasks --
178
517630
3460
rakennusammattilaista,
joka tekee toistuvia tehtäviä --
joka tekee toistuvia tehtäviä --
08:53
tasks like cutting out holes for outlets
or light switches in drywall.
or light switches in drywall.
179
521984
4194
kuten esimerkiksi pistorasioiden
tai valokatkaisimien reikien leikkaamista.
tai valokatkaisimien reikien leikkaamista.
08:58
(Laughter)
180
526202
2466
(Naurua)
09:01
So, Bishop's human partner
can tell what to do in plain English
can tell what to do in plain English
181
529877
3111
Bishopin ihmispari voi kertoa
sanojen ja eleiden avulla mitä tehdä.
sanojen ja eleiden avulla mitä tehdä.
09:05
and with simple gestures,
182
533012
1305
09:06
kind of like talking to a dog,
183
534341
1447
aivan kuten koiralle puhuisi,
09:07
and then Bishop executes
on those instructions
on those instructions
184
535812
2143
ja Bishop toimii näiden ohjeiden mukaan
09:09
with perfect precision.
185
537979
1892
täydellisellä tarkkuudella.
09:11
We're using the human
for what the human is good at:
for what the human is good at:
186
539895
2989
Käytämme ihmistä siihen, missä se on hyvä:
09:14
awareness, perception and decision making.
187
542908
2333
valppauteen, havainnointiin
ja päätöstentekoon.
ja päätöstentekoon.
09:17
And we're using the robot
for what it's good at:
for what it's good at:
188
545265
2240
Ja käytämme robottia siihen
missä se on hyvä:
missä se on hyvä:
09:19
precision and repetitiveness.
189
547529
1748
tarkkuuteen ja toistamiseen.
Tässä on toinen projekti,
jonka parissa Bishop työskentelee.
jonka parissa Bishop työskentelee.
09:22
Here's another cool project
that Bishop worked on.
that Bishop worked on.
190
550252
2367
09:24
The goal of this project,
which we called the HIVE,
which we called the HIVE,
191
552643
3075
Tämän HIVE:ksi kutsumamme projektin
tarkoituksena
tarkoituksena
09:27
was to prototype the experience
of humans, computers and robots
of humans, computers and robots
192
555742
3851
oli tehdä prototyyppi, jossa ihminen,
tietokone ja robotti
tietokone ja robotti
09:31
all working together to solve
a highly complex design problem.
a highly complex design problem.
193
559617
3220
työskentelevät yhdessä ratkaistakseen
vaikean suunnitteluongelman.
vaikean suunnitteluongelman.
09:35
The humans acted as labor.
194
563793
1451
Ihmiset olivat työvoimana.
09:37
They cruised around the construction site,
they manipulated the bamboo --
they manipulated the bamboo --
195
565268
3473
He kuljeskelivat ympäriinsä,
työstivät bambua --
työstivät bambua --
09:40
which, by the way,
because it's a non-isomorphic material,
because it's a non-isomorphic material,
196
568765
2756
Mikä on epäisomorfista materiaalia,
09:43
is super hard for robots to deal with.
197
571545
1874
joten se on roboteille vaikea työstää.
09:45
But then the robots
did this fiber winding,
did this fiber winding,
198
573443
2022
Mutta robotit kiersivät kuidut,
09:47
which was almost impossible
for a human to do.
for a human to do.
199
575489
2451
joka oli ihmisille merlkein mahdotonta.
09:49
And then we had an AI
that was controlling everything.
that was controlling everything.
200
577964
3621
Ja sitten meillä oli tekoäly,
joka kontrolloi kaikkea.
joka kontrolloi kaikkea.
09:53
It was telling the humans what to do,
telling the robots what to do
telling the robots what to do
201
581609
3290
Se kertoi niin ihmisille
kuin roboteille mitä tehdä,
kuin roboteille mitä tehdä,
09:56
and keeping track of thousands
of individual components.
of individual components.
202
584923
2915
ja piti kirjaa tuhansista
yksittäisistä osista.
yksittäisistä osista.
09:59
What's interesting is,
203
587862
1180
Kiinnostavaa on,
10:01
building this pavilion
was simply not possible
was simply not possible
204
589066
3141
että tämän paviljongin tekeminen
olisi ollut mahdotonta
olisi ollut mahdotonta
10:04
without human, robot and AI
augmenting each other.
augmenting each other.
205
592231
4524
elleivät ihminen, robotti ja tekoäly
augmentoisi toisiaan.
augmentoisi toisiaan.
10:09
OK, I'll share one more project.
This one's a little bit crazy.
This one's a little bit crazy.
206
597890
3320
Okei, vielä yksi projekti.
Tämä on hieman hullunkurinen.
Tämä on hieman hullunkurinen.
Työskentelemme yhdessä Amsterdamilaisen
artistin, Joris Laarmanin,
artistin, Joris Laarmanin,
10:13
We're working with Amsterdam-based artist
Joris Laarman and his team at MX3D
Joris Laarman and his team at MX3D
207
601234
4468
ja hänen tiiminsä kanssa MX3D:ssä.
10:17
to generatively design
and robotically print
and robotically print
208
605726
2878
suunnitellaksemme generatiivisesti
ja robottisesti tulostettavan
ja robottisesti tulostettavan
10:20
the world's first autonomously
manufactured bridge.
manufactured bridge.
209
608628
2995
maailman ensimmäisen autonomisesti
valmistetun sillan.
valmistetun sillan.
10:24
So, Joris and an AI are designing
this thing right now, as we speak,
this thing right now, as we speak,
210
612315
3685
Joris ja tekoäly suunnittelevat
tätä parhaillaan
tätä parhaillaan
10:28
in Amsterdam.
211
616024
1172
Amsterdamissa.
10:29
And when they're done,
we're going to hit "Go,"
we're going to hit "Go,"
212
617220
2321
ja kun he ovat valmiita, painamme nappia
10:31
and robots will start 3D printing
in stainless steel,
in stainless steel,
213
619565
3311
ja robotit alkavat 3D-tulostaa
ruostumatonta terästä
ruostumatonta terästä
10:34
and then they're going to keep printing,
without human intervention,
without human intervention,
214
622900
3283
ja ne jatkavat tulostusta
ilman ihmisen väliintuloa,
ilman ihmisen väliintuloa,
10:38
until the bridge is finished.
215
626207
1558
niin kauan kuin silta on valmis.
10:41
So, as computers are going
to augment our ability
to augment our ability
216
629099
2928
Niin kuin tietokoneet
augmentoivat meidän kykyjämme
augmentoivat meidän kykyjämme
10:44
to imagine and design new stuff,
217
632051
2150
suunnitella ja luoda uutta,
robottijärjestelmät auttavat meitä
rakentamaan ja tekemään asioita
rakentamaan ja tekemään asioita
10:46
robotic systems are going to help us
build and make things
build and make things
218
634225
2895
10:49
that we've never been able to make before.
219
637144
2084
joita emme ole voinut tehdä aiemmin.
10:52
But what about our ability
to sense and control these things?
to sense and control these things?
220
640347
4160
Mutta entä kykymme havaita
ja kontrolloida näitä?
ja kontrolloida näitä?
10:56
What about a nervous system
for the things that we make?
for the things that we make?
221
644531
4031
Entä hermosto näille
tekemillemme asioille?
tekemillemme asioille?
11:00
Our nervous system,
the human nervous system,
the human nervous system,
222
648586
2512
Meidän hermostomme, ihmisen hermosto,
11:03
tells us everything
that's going on around us.
that's going on around us.
223
651122
2311
kertoo meille kaiken
mitä ympärillämme tapahtuu.
mitä ympärillämme tapahtuu.
11:06
But the nervous system of the things
we make is rudimentary at best.
we make is rudimentary at best.
224
654186
3684
Mutta tekemiemme asioiden hermosto
on parhaimmillaankin alkeellinen.
on parhaimmillaankin alkeellinen.
11:09
For instance, a car doesn't tell
the city's public works department
the city's public works department
225
657894
3563
Esimerkiksi auto ei kerro
kaupungin rakennusvirastolle
kaupungin rakennusvirastolle
11:13
that it just hit a pothole at the corner
of Broadway and Morrison.
of Broadway and Morrison.
226
661481
3130
että se ajoi juuri kuoppaan
Broadwayn ja Morrisonin kulmassa.
Broadwayn ja Morrisonin kulmassa.
11:16
A building doesn't tell its designers
227
664635
2032
Rakennus ei kerro suunnittelijoilleen
11:18
whether or not the people inside
like being there,
like being there,
228
666691
2684
tykkäävätkö sen sisällä olevat
ihmiset olla siellä,
ihmiset olla siellä,
11:21
and the toy manufacturer doesn't know
229
669399
3010
ja lelunvalmistaja ei tiedä
11:24
if a toy is actually being played with --
230
672433
2007
leikitäänkö lelulla oikeasti --
11:26
how and where and whether
or not it's any fun.
or not it's any fun.
231
674464
2539
miten, missä ja onko lelu oikeasti hauska.
Olen melko varma että suunnittelijat
11:29
Look, I'm sure that the designers
imagined this lifestyle for Barbie
imagined this lifestyle for Barbie
232
677620
3814
ajattelivat barbille tällaista
elämäntyyliä suunnitellessaan sitä.
elämäntyyliä suunnitellessaan sitä.
11:33
when they designed her.
233
681458
1224
11:34
(Laughter)
234
682706
1447
(Naurua)
11:36
But what if it turns out that Barbie's
actually really lonely?
actually really lonely?
235
684177
2906
Mutta mitä jos barbi
on oikeasti yksinäinen?
on oikeasti yksinäinen?
11:39
(Laughter)
236
687107
3147
(Naurua)
Jos suunnittelijat olisivat tienneet
11:43
If the designers had known
237
691266
1288
11:44
what was really happening
in the real world
in the real world
238
692578
2107
mitä heidän luomuksilleen tapahtuu
oikeassa maailmassa --
tiet, rakennukset, Barbi --
tiet, rakennukset, Barbi --
11:46
with their designs -- the road,
the building, Barbie --
the building, Barbie --
239
694709
2583
he voisivat käyttää tätä tietoa luodakseen
11:49
they could've used that knowledge
to create an experience
to create an experience
240
697316
2694
käyttäjälle paremman kokemuksen.
11:52
that was better for the user.
241
700034
1400
Se mikä puuttuu on hermosto
11:53
What's missing is a nervous system
242
701458
1791
11:55
connecting us to all of the things
that we design, make and use.
that we design, make and use.
243
703273
3709
joka yhdistää meidät kaikkiin
luomiimme ja käyttämiimme asioihin.
luomiimme ja käyttämiimme asioihin.
11:59
What if all of you had that kind
of information flowing to you
of information flowing to you
244
707915
3555
Mitä jos teihin kaikkiin
virtaisi tällaista tietoa
virtaisi tällaista tietoa
12:03
from the things you create
in the real world?
in the real world?
245
711494
2183
oikeassa maailmassa luomistanne asioista?
Kaiken luomamme tavaran lisäksi,
12:07
With all of the stuff we make,
246
715432
1451
12:08
we spend a tremendous amount
of money and energy --
of money and energy --
247
716907
2435
me käytämme valtavasti
rahaa ja energiaa --
rahaa ja energiaa --
12:11
in fact, last year,
about two trillion dollars --
about two trillion dollars --
248
719366
2376
viime vuonna noin
kaksi triljoonaa dollaria --
kaksi triljoonaa dollaria --
12:13
convincing people to buy
the things we've made.
the things we've made.
249
721766
2854
suostuttelemaan ihmisiä ostamaan
tekemiämme asioita.
tekemiämme asioita.
Mutta jos sinulla olisi tämä yhteys
suunnittelemiisi ja tekemiisi asioihin
suunnittelemiisi ja tekemiisi asioihin
12:16
But if you had this connection
to the things that you design and create
to the things that you design and create
250
724644
3388
12:20
after they're out in the real world,
251
728056
1727
kun ne ovat oikeassa maailmassa,
12:21
after they've been sold
or launched or whatever,
or launched or whatever,
252
729807
3614
sen jälkeen kun ne on myyty
tai tuotu markkinoille,
tai tuotu markkinoille,
12:25
we could actually change that,
253
733445
1620
voisimme oikeasti muuttaa tämän,
ja siirtyäksemme suostuttelemasta ihmisiä
ostamaan tuotteitamme,
ostamaan tuotteitamme,
12:27
and go from making people want our stuff,
254
735089
3047
12:30
to just making stuff that people
want in the first place.
want in the first place.
255
738160
3434
tekemään tavaroita,
joita ihmiset haluavat ostaa.
joita ihmiset haluavat ostaa.
Hyvä uutinen on, että työskentelemme
digitaalisen hermoston parissa
digitaalisen hermoston parissa
12:33
The good news is, we're working
on digital nervous systems
on digital nervous systems
256
741618
2787
12:36
that connect us to the things we design.
257
744429
2801
joka yhdistää meidät luomiimme asioihin.
12:40
We're working on one project
258
748365
1627
Meillä on projekti,
12:42
with a couple of guys down in Los Angeles
called the Bandito Brothers
called the Bandito Brothers
259
750016
3712
kahden ihmisen kanssa Los Angelesissa,
joita kutsutaan Bandito Brothers:iksi
joita kutsutaan Bandito Brothers:iksi
12:45
and their team.
260
753752
1407
ja heidän tiiminsä kanssa.
12:47
And one of the things these guys do
is build insane cars
is build insane cars
261
755183
3433
Nämä tyypit suunnittelevat
uskomattomia autoja
uskomattomia autoja
12:50
that do absolutely insane things.
262
758640
2873
jotka tekevät uskomattomia asioita.
12:54
These guys are crazy --
263
762905
1450
Nämä tyypit ovat hulluja --
12:56
(Laughter)
264
764379
1036
(Naurua)
12:57
in the best way.
265
765439
1403
parhaalla mahdollisella tavalla.
13:00
And what we're doing with them
266
768993
1763
Ja se mitä työstämme heidän kanssaan
13:02
is taking a traditional race-car chassis
267
770780
2440
on normaalista kilpa-autosta
ottamamme runko
ottamamme runko
13:05
and giving it a nervous system.
268
773244
1585
jolle annamme hermoston.
13:06
So we instrumented it
with dozens of sensors,
with dozens of sensors,
269
774853
3058
Asensimme siihen tusinoittain tunnistimia,
13:09
put a world-class driver behind the wheel,
270
777935
2635
laitoimme maailmanluokan
kilpa-ajajan ratin taakse,
kilpa-ajajan ratin taakse,
13:12
took it out to the desert
and drove the hell out of it for a week.
and drove the hell out of it for a week.
271
780594
3357
veimme sen aavikolle, ja ajoimme siitä
kumit puhki viikon ajan.
kumit puhki viikon ajan.
13:15
And the car's nervous system
captured everything
captured everything
272
783975
2491
Ja auton hermosto tallensi kaiken
13:18
that was happening to the car.
273
786490
1482
mitä autolle tapahtui.
13:19
We captured four billion data points;
274
787996
2621
Saimme miljardeittain data-arvoja;
13:22
all of the forces
that it was subjected to.
that it was subjected to.
275
790641
2310
kaikki voimat, joille auto altistui.
13:24
And then we did something crazy.
276
792975
1659
Ja sitten teimme jotain hullua.
13:27
We took all of that data,
277
795268
1500
Otimme tämän tiedon
13:28
and plugged it into a generative-design AI
we call "Dreamcatcher."
we call "Dreamcatcher."
278
796792
3736
ja syötimme sen generatiivisen
suunnitteun tekoälyymme, Dreamcatcher:iin.
suunnitteun tekoälyymme, Dreamcatcher:iin.
13:33
So what do get when you give
a design tool a nervous system,
a design tool a nervous system,
279
801270
3964
Miten käy kun antaa
suunnittelutyökalulle hermoston,
suunnittelutyökalulle hermoston,
13:37
and you ask it to build you
the ultimate car chassis?
the ultimate car chassis?
280
805258
2882
ja pyytää sitä rakentamaan sinulle
parhaimman rungon autolle?
parhaimman rungon autolle?
13:40
You get this.
281
808723
1973
Tämän.
13:44
This is something that a human
could never have designed.
could never have designed.
282
812293
3713
Tämä on jotain, mitä ihminen ei olisi
ikinä voinut suunnitella.
ikinä voinut suunnitella.
13:48
Except a human did design this,
283
816707
1888
Paitsi että ihminen suunnitteli tämän,
13:50
but it was a human that was augmented
by a generative-design AI,
by a generative-design AI,
284
818619
4309
mutta se oli ihminen, jota generatiivisen
suunnittelun tekoäly oli augmentoinut,
suunnittelun tekoäly oli augmentoinut,
13:54
a digital nervous system
285
822952
1231
digitaalinen hermosto,
13:56
and robots that can actually
fabricate something like this.
fabricate something like this.
286
824207
3005
ja robotit, jotka pystyivät oikeasti
rakentamaan jotain tällaista.
rakentamaan jotain tällaista.
13:59
So if this is the future,
the Augmented Age,
the Augmented Age,
287
827680
3595
Jos tämä on tulevaisuutta,
Augmentaation aikakautta,
Augmentaation aikakautta,
14:03
and we're going to be augmented
cognitively, physically and perceptually,
cognitively, physically and perceptually,
288
831299
4261
ja me tulemme olemaan kognitiivisesti,
fyysisesti ja havainnollisesti augmentoituja,
fyysisesti ja havainnollisesti augmentoituja,
14:07
what will that look like?
289
835584
1408
miltä tuo tulee näyttämään?
14:09
What is this wonderland going to be like?
290
837576
3321
Miltä Ihmemaamme tulee näyttämään?
Luulen, että tulemme näkemään maailman,
14:12
I think we're going to see a world
291
840921
1709
14:14
where we're moving
from things that are fabricated
from things that are fabricated
292
842654
3068
jossa siirrymme asioista,
jotka on rakennettu,
jotka on rakennettu,
14:17
to things that are farmed.
293
845746
1445
asioihin, jotka on tuotettu.
14:20
Where we're moving from things
that are constructed
that are constructed
294
848159
3453
Sellaiseen, missä siirrymme
rakennetuista asioista
rakennetuista asioista
14:23
to that which is grown.
295
851636
1704
asioihin, jotka on kasvatettu.
14:26
We're going to move from being isolated
296
854134
2188
Siirrymme yksittäisyydestä
14:28
to being connected.
297
856346
1610
yhdistymiseen.
14:30
And we'll move away from extraction
298
858634
2411
Ja siirrymme poistamisesta
14:33
to embrace aggregation.
299
861069
1873
keräämiseen.
14:35
I also think we'll shift
from craving obedience from our things
from craving obedience from our things
300
863967
3767
Luulen myös, että siirrymme
haluamasta laitteiltamme tottelevuutta
haluamasta laitteiltamme tottelevuutta
14:39
to valuing autonomy.
301
867758
1641
arvostamaan autonomiaa.
14:42
Thanks to our augmented capabilities,
302
870510
1905
Kiitos augmentoitujen kykyjemme,
14:44
our world is going to change dramatically.
303
872439
2377
maailmamme tulee
muuttumaan dramaattisesti.
muuttumaan dramaattisesti.
Tulemme saaamaan uuden maailman,
jossa on enemmän vaihtelua, yhdistymistä,
jossa on enemmän vaihtelua, yhdistymistä,
14:47
We're going to have a world
with more variety, more connectedness,
with more variety, more connectedness,
304
875576
3246
14:50
more dynamism, more complexity,
305
878846
2287
dynaamisuutta ja monimutkaisuutta,
14:53
more adaptability and, of course,
306
881157
2318
sopeutumista ja tietenkin
14:55
more beauty.
307
883499
1217
kauneutta.
14:57
The shape of things to come
308
885231
1564
Tulevien asioiden muoto
14:58
will be unlike anything
we've ever seen before.
we've ever seen before.
309
886819
2290
tulee olemaan jotain
mitä emme ole ennen nähneet.
mitä emme ole ennen nähneet.
15:01
Why?
310
889133
1159
Miksi?
15:02
Because what will be shaping those things
is this new partnership
is this new partnership
311
890316
3755
Koska nuo asiat muotoilee uusi parisuhde
15:06
between technology, nature and humanity.
312
894095
3670
teknologian, luonnon ja ihmisen välillä.
15:11
That, to me, is a future
well worth looking forward to.
well worth looking forward to.
313
899279
3804
Se on minulle tulevaisuus,
jota kannattaa odottaa.
jota kannattaa odottaa.
15:15
Thank you all so much.
314
903107
1271
Kiitos kaikille.
15:16
(Applause)
315
904402
5669
(Aplodeja)
ABOUT THE SPEAKER
Maurice Conti - Designer, futuristMaurice Conti explores new partnerships between technology, nature and humanity.
Why you should listen
Maurice Conti is a designer, futurist and innovator. He's worked with startups, government agencies, artists and corporations to explore the things that will matter to us in the future, and to design solutions to get us there.
Conti is currently Chief Innovation Officer at Alpha -- Europe's first moonshot factory, powered by Telefónica. Conti and his team are responsible for coming up with the ideas, prototypes and proofs of concepts that will go on to become full-blown moonshots at Alpha: projects that will affect 100 million people or more, be a force for good on the planet and grow into billion-euro businesses.
Previously, Conti was Director of Applied Research & Innovation at Autodesk where built and led Autodesk's Applied Research Lab. Conti's work focuses on applied machine learning, advanced robotics, augmented and virtual realities, and the future of work, cities and mobility.
Conti is also an explorer of geographies and cultures. He has circumnavigated the globe once and been half-way around twice. In 2009 he was awarded the Medal for Exceptional Bravery at Sea by the United Nations, the New Zealand Bravery Medal and a US Coast Guard Citation for Bravery for risking his own life to save three shipwrecked sailors.
Conti lives in Barcelona, Spain, and travels around the world speaking to groups about innovation, technology trends, the future, and high adventure.
Maurice Conti | Speaker | TED.com