TED2014
Ray Kurzweil: Get ready for hybrid thinking
Ray Kurzweil: Préparez-vous à la réflexion hybride
Filmed:
Readability: 4.4
3,548,296 views
Il y a 200 millions d'années, nos ancêtres mammifères ont développé une nouvelle capacité cérabrale: le néocortex. Cet élément pas plus gros qu'un timbre poste est pourtant la clé de voûte qui a permis à l'humanité de grandir. De nos jours, le visionnaire Ray Kuzweil nous suggère de nous préparer pour le prochain sursaut technologique lié à notre cerveau, si bien que celui-ci pourrait prochainement se voir connecté au cloud.
Ray Kurzweil - Inventor, futurist
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio
Double-click the English transcript below to play the video.
00:12
Let me tell you a story.
0
988
2316
Laissez-moi vous raconter une histoire,
00:15
It goes back 200 million years.
1
3304
1799
qui se passe il y a
200 millions d'années.
200 millions d'années.
00:17
It's a story of the neocortex,
2
5103
1984
C'est l'histoire du néocortex.
00:19
which means "new rind."
3
7087
1974
Ce qui signifie « nouvelle écorce ».
00:21
So in these early mammals,
4
9061
2431
Chez les mammifères primitifs,
00:23
because only mammals have a neocortex,
5
11492
2055
car seuls les mammifères
ont un néocortex,
ont un néocortex,
00:25
rodent-like creatures.
6
13547
1664
des créatures proches des rongeurs,
00:27
It was the size of a postage stamp and just as thin,
7
15211
3579
il était de la taille et de l'épaisseur
d'un timbre poste
d'un timbre poste
et formait une fine pellicule autour
00:30
and was a thin covering around
8
18790
1439
00:32
their walnut-sized brain,
9
20229
2264
de leur cerveau pas plus gros qu'une noix,
00:34
but it was capable of a new type of thinking.
10
22493
3701
mais il était capable
d'une nouvelle façon de réfléchir.
d'une nouvelle façon de réfléchir.
00:38
Rather than the fixed behaviors
11
26194
1567
Plutôt que les comportements prédéfinis
des animaux autres que les mammifères,
des animaux autres que les mammifères,
00:39
that non-mammalian animals have,
12
27761
1992
00:41
it could invent new behaviors.
13
29753
2692
il pouvait inventer
de nouveaux comportements.
de nouveaux comportements.
00:44
So a mouse is escaping a predator,
14
32445
2553
Par exemple, une souris fuit un prédateur,
00:46
its path is blocked,
15
34998
1540
sa voie est bloquée, elle va essayer
d'inventer une nouvelle solution.
d'inventer une nouvelle solution.
00:48
it'll try to invent a new solution.
16
36538
2129
00:50
That may work, it may not,
17
38667
1266
Ça peut marcher ou pas,
mais si c'est le cas,
mais si c'est le cas,
00:51
but if it does, it will remember that
18
39933
1910
elle s'en souviendra
et adoptera un nouveau comportement,
et adoptera un nouveau comportement,
00:53
and have a new behavior,
19
41843
1292
00:55
and that can actually spread virally
20
43135
1457
qui pourra alors se propager
tel un virus au reste de la communauté.
tel un virus au reste de la communauté.
00:56
through the rest of the community.
21
44592
2195
Une autre souris en l'observant
pourrait se dire,
pourrait se dire,
00:58
Another mouse watching this could say,
22
46787
1609
01:00
"Hey, that was pretty clever, going around that rock,"
23
48396
2704
« Contourner cette pierre,
c'était assez futé. »
c'était assez futé. »
01:03
and it could adopt a new behavior as well.
24
51100
3725
et pourrait adopter
un nouveau comportement elle aussi.
un nouveau comportement elle aussi.
01:06
Non-mammalian animals
25
54825
1717
Les animaux autres que les mammifères
ne pouvaient pas faire ce genre de choses.
ne pouvaient pas faire ce genre de choses.
01:08
couldn't do any of those things.
26
56542
1713
01:10
They had fixed behaviors.
27
58255
1215
Ils avaient des comportements prédéfinis.
Ils pourraient en apprendre un nouveau,
Ils pourraient en apprendre un nouveau,
01:11
Now they could learn a new behavior
28
59470
1331
01:12
but not in the course of one lifetime.
29
60801
2576
mais leur vie est trop courte pour ça.
01:15
In the course of maybe a thousand lifetimes,
30
63377
1767
Au cours d'un millier de vies,
01:17
it could evolve a new fixed behavior.
31
65144
3330
il pourrait développer
un nouveau comportement prédéfini.
un nouveau comportement prédéfini.
01:20
That was perfectly okay 200 million years ago.
32
68474
3377
Ça fonctionnait bien
il y a 200 millions d'années,
il y a 200 millions d'années,
01:23
The environment changed very slowly.
33
71851
1981
l'environnement changeait très lentement.
01:25
It could take 10,000 years for there to be
34
73832
1554
Ça pouvait prendre 10 000 ans
01:27
a significant environmental change,
35
75386
2092
pour qu'un important changement
environnemental ait lieu,
environnemental ait lieu,
01:29
and during that period of time
36
77478
1382
pendant ce temps-là, l'animal aurait
évolué vers un nouveau comportement.
évolué vers un nouveau comportement.
01:30
it would evolve a new behavior.
37
78860
2929
01:33
Now that went along fine,
38
81789
1521
Ça fonctionnait bien,
01:35
but then something happened.
39
83310
1704
mais alors quelque chose arriva.
01:37
Sixty-five million years ago,
40
85014
2246
Il y a 65 millions d'années,
il y eut un changement soudain
et violent de l'environnement.
et violent de l'environnement.
01:39
there was a sudden, violent
change to the environment.
change to the environment.
41
87260
2615
01:41
We call it the Cretaceous extinction event.
42
89875
3505
On l'appelle l'extinction
du Crétacé-Tertiaire.
du Crétacé-Tertiaire.
01:45
That's when the dinosaurs went extinct,
43
93380
2293
C'est à ce moment
que les dinosaures ont disparu,
que les dinosaures ont disparu,
01:47
that's when 75 percent of the
44
95673
3449
où 75% des espèces d'animaux
et de plantes ont disparu
et de plantes ont disparu
01:51
animal and plant species went extinct,
45
99122
2746
01:53
and that's when mammals
46
101868
1745
et c'est aussi là que les mammifères
01:55
overtook their ecological niche,
47
103613
2152
ont dépassé leur niche écologique,
01:57
and to anthropomorphize, biological evolution said,
48
105765
3654
et si j'anthropomorphise,
l'évolution biologique se dit alors :
l'évolution biologique se dit alors :
02:01
"Hmm, this neocortex is pretty good stuff,"
49
109419
2025
« Le néocortex, c'est assez chouette. »
02:03
and it began to grow it.
50
111444
1793
et commença alors à le faire grossir.
02:05
And mammals got bigger,
51
113237
1342
Alors les mammifères ont grandi
02:06
their brains got bigger at an even faster pace,
52
114579
2915
leurs cerveaux ont grossi
à un rythme encore plus rapide,
à un rythme encore plus rapide,
02:09
and the neocortex got bigger even faster than that
53
117494
3807
et le néocortex a grossi
encore plus vite
encore plus vite
02:13
and developed these distinctive ridges and folds
54
121301
2929
et a développé ces stries
et ces plis qui lui sont propres
et ces plis qui lui sont propres
02:16
basically to increase its surface area.
55
124230
2881
pour étendre sa surface essentiellement.
02:19
If you took the human neocortex
56
127111
1819
Si vous preniez
un néocortex humain
un néocortex humain
02:20
and stretched it out,
57
128930
1301
et l'étiriez au maximum, il est environ
de la taille d'une serviette de table
de la taille d'une serviette de table
02:22
it's about the size of a table napkin,
58
130231
1713
02:23
and it's still a thin structure.
59
131944
1306
tout en restant fin. Environ de
l'épaisseur d'une serviette de table.
l'épaisseur d'une serviette de table.
02:25
It's about the thickness of a table napkin.
60
133250
1980
02:27
But it has so many convolutions and ridges
61
135230
2497
Mais il a tant de
circonvolutions et de stries
circonvolutions et de stries
02:29
it's now 80 percent of our brain,
62
137727
3075
qu'il représente à présent
80% de notre cerveau,
80% de notre cerveau,
02:32
and that's where we do our thinking,
63
140802
2461
et c'est dans cette partie
que nous réfléchissons,
que nous réfléchissons,
02:35
and it's the great sublimator.
64
143263
1761
c'est le grand transcendeur.
02:37
We still have that old brain
65
145024
1114
On a toujours notre vieux cerveau
02:38
that provides our basic drives and motivations,
66
146138
2764
qui nous fournit nos pulsions
et nos motivations primitifs,
et nos motivations primitifs,
02:40
but I may have a drive for conquest,
67
148902
2716
mais si j'ai une volonté de conquête,
02:43
and that'll be sublimated by the neocortex
68
151618
2715
cette dernière
va être exprimée par le néocortex
va être exprimée par le néocortex
02:46
into writing a poem or inventing an app
69
154333
2909
dans la rédaction d'un poème
ou l'invention d'une application
ou l'invention d'une application
02:49
or giving a TED Talk,
70
157242
1509
ou encore
dans la réalisation d'un TED Talk,
dans la réalisation d'un TED Talk,
02:50
and it's really the neocortex that's where
71
158751
3622
et c'est vraiment là, dans le néocortex,
02:54
the action is.
72
162373
1968
que l'action se passe.
02:56
Fifty years ago, I wrote a paper
73
164341
1717
Il y a 50 ans, j'ai écrit un article
02:58
describing how I thought the brain worked,
74
166058
1918
décrivant comment je pensais
que le cerveau fonctionnait,
que le cerveau fonctionnait,
02:59
and I described it as a series of modules.
75
167976
3199
et je le décrivais
comme une série de modules.
comme une série de modules.
03:03
Each module could do things with a pattern.
76
171175
2128
Chaque module pouvait faire
des choses selon un modèle,
des choses selon un modèle,
03:05
It could learn a pattern. It could remember a pattern.
77
173303
2746
et aussi apprendre un modèle,
s'en rappeler, et l'implémenter.
s'en rappeler, et l'implémenter.
03:08
It could implement a pattern.
78
176049
1407
03:09
And these modules were organized in hierarchies,
79
177456
2679
Et ces modules s'organisaient
selon une hiérarchie,
selon une hiérarchie,
03:12
and we created that hierarchy with our own thinking.
80
180135
2954
nous créions cette hiérarchie
avec notre réflexion.
avec notre réflexion.
03:15
And there was actually very little to go on
81
183089
3333
on n'en savait peu là-dessus
il y a 50 ans.
il y a 50 ans.
03:18
50 years ago.
82
186422
1562
03:19
It led me to meet President Johnson.
83
187984
2115
Ça m'a conduit à rencontrer
le président Johnson.
le président Johnson.
03:22
I've been thinking about this for 50 years,
84
190099
2173
J'y ai réfléchi depuis 50 ans,
03:24
and a year and a half ago I came out with the book
85
192272
2828
et il y a un an et demi
je publiais le livre
je publiais le livre
03:27
"How To Create A Mind,"
86
195100
1265
"How to Create a Mind"
(Comment créer un esprit)
(Comment créer un esprit)
03:28
which has the same thesis,
87
196365
1613
qui soutient la même théorie,
03:29
but now there's a plethora of evidence.
88
197978
2812
mais à l'heure actuelle
il y a pléthore de preuves.
il y a pléthore de preuves.
03:32
The amount of data we're getting about the brain
89
200790
1814
La quantité de données
concernant le cerveau
concernant le cerveau
03:34
from neuroscience is doubling every year.
90
202604
2203
qui nous vient des neurosiences
double chaque année.
double chaque année.
03:36
Spatial resolution of brainscanning of all types
91
204807
2654
La résolution du scanner cérébral
03:39
is doubling every year.
92
207461
2285
double elle aussi chaque année.
03:41
We can now see inside a living brain
93
209746
1717
Nous pouvons observer
l'intérieur d'un cerveau vivant
l'intérieur d'un cerveau vivant
03:43
and see individual interneural connections
94
211463
2870
et ainsi voir
ses connections neurologiques
ses connections neurologiques
03:46
connecting in real time, firing in real time.
95
214333
2703
se faire et s'activer en temps réel.
03:49
We can see your brain create your thoughts.
96
217036
2419
Nous pouvons voir
votre cerveau créer vos pensées.
votre cerveau créer vos pensées.
03:51
We can see your thoughts create your brain,
97
219455
1575
Nous pouvons voir vos pensées
créer votre cerveau,
créer votre cerveau,
03:53
which is really key to how it works.
98
221030
1999
ce qui est essentiel pour expliquer
son fonctionnement.
son fonctionnement.
03:55
So let me describe briefly how it works.
99
223029
2219
Laissez-moi vous le décrire simplement.
03:57
I've actually counted these modules.
100
225248
2275
J'ai en réalité compté ces modules.
03:59
We have about 300 million of them,
101
227523
2046
Nous en avons environ 300 millions,
04:01
and we create them in these hierarchies.
102
229569
2229
et nous les créons en hiérarchies.
04:03
I'll give you a simple example.
103
231798
2082
Je vais vous donner un exemple simple.
04:05
I've got a bunch of modules
104
233880
2805
J'ai un ensemble de modules
04:08
that can recognize the crossbar to a capital A,
105
236685
3403
qui reconnaisse
la barre horizontale de la lettre A,
la barre horizontale de la lettre A,
04:12
and that's all they care about.
106
240088
1914
et c'est tout ce dont ils s'occupent.
04:14
A beautiful song can play,
107
242002
1578
On peut diffuser une jolie chanson,
une jolie fille peut passer devant vous,
une jolie fille peut passer devant vous,
04:15
a pretty girl could walk by,
108
243580
1434
04:17
they don't care, but they see
a crossbar to a capital A,
a crossbar to a capital A,
109
245014
2846
ils n'en ont rien à faire,
mais s'ils rencontrent la barre de la A
mais s'ils rencontrent la barre de la A
04:19
they get very excited and they say "crossbar,"
110
247860
3021
ils deviennent alors très actifs
et disent 'barre',
et disent 'barre',
04:22
and they put out a high probability
111
250881
2112
et placent alors
une importante probabilité
une importante probabilité
04:24
on their output axon.
112
252993
1634
sur leur axone de sortie.
04:26
That goes to the next level,
113
254627
1333
On passe au niveau suivant,
04:27
and these layers are organized in conceptual levels.
114
255960
2750
et ces couches sont organisées
en différents niveaux conceptuels,
en différents niveaux conceptuels,
04:30
Each is more abstract than the next one,
115
258710
1856
chacun plus abstrait que le suivant.
Le suivant pourrait alors dire "A",
Le suivant pourrait alors dire "A",
04:32
so the next one might say "capital A."
116
260566
2418
04:34
That goes up to a higher
level that might say "Apple."
level that might say "Apple."
117
262984
2891
le message va au niveau supérieur
qui pourrait dire "Apple" (pomme)
qui pourrait dire "Apple" (pomme)
04:37
Information flows down also.
118
265875
2167
L'information va aussi
dans le sens inverse.
dans le sens inverse.
04:40
If the apple recognizer has seen A-P-P-L,
119
268042
2936
Si le détecteur d'APPLE voit A-P-P-L,
il va alors se dire :
il va alors se dire :
04:42
it'll think to itself, "Hmm, I
think an E is probably likely,"
think an E is probably likely,"
120
270978
3219
« Je pense que la prochaine lettre
sera probablement un E »
sera probablement un E »
04:46
and it'll send a signal down to all the E recognizers
121
274197
2564
et enverra alors signal aux détecteurs
de E, leur disant :
de E, leur disant :
04:48
saying, "Be on the lookout for an E,
122
276761
1619
« soyez prêts à trouver un E,
je pense qu'il y en a un qui arrive. »
je pense qu'il y en a un qui arrive. »
04:50
I think one might be coming."
123
278380
1556
04:51
The E recognizers will lower their threshold
124
279936
2843
Les détecteurs de E
vont alors baisser leur seuil
vont alors baisser leur seuil
04:54
and they see some sloppy
thing, could be an E.
thing, could be an E.
125
282779
1945
et même si le symbole est approximatif,
le prendront pour un E.
le prendront pour un E.
04:56
Ordinarily you wouldn't think so,
126
284724
1490
« D'ordinaire ce n'est pas le cas,
mais ici on attend un E,
mais ici on attend un E,
04:58
but we're expecting an E, it's good enough,
127
286214
2009
donc c'est bon. Oui, je vois un E. »,
ensuite le détecteur d'APPLE dit :
ensuite le détecteur d'APPLE dit :
05:00
and yeah, I've seen an E, and then apple says,
128
288223
1817
05:02
"Yeah, I've seen an Apple."
129
290040
1728
« Oui, j'ai bien vu APPLE ».
05:03
Go up another five levels,
130
291768
1746
L'information monte encore
de cinq niveaux,
de cinq niveaux,
05:05
and you're now at a pretty high level
131
293514
1353
et là on est assez haut dans la hiérarchie,
05:06
of this hierarchy,
132
294867
1569
05:08
and stretch down into the different senses,
133
296436
2353
et tiraillé entre les différents sens.
05:10
and you may have a module
that sees a certain fabric,
that sees a certain fabric,
134
298789
2655
Vous avez un module
qui reconnaît un tissu
qui reconnaît un tissu
05:13
hears a certain voice quality,
smells a certain perfume,
smells a certain perfume,
135
301444
2844
est réceptif à une voix,
sent un parfum,
sent un parfum,
05:16
and will say, "My wife has entered the room."
136
304288
2513
et va alors dire :
« ma femme est entrée dans la pièce ».
« ma femme est entrée dans la pièce ».
05:18
Go up another 10 levels, and now you're at
137
306801
1895
Dix niveaux plus hauts,
05:20
a very high level.
138
308696
1160
et là vous êtes à un très haut niveau.
probablement dans le cortex frontal,
probablement dans le cortex frontal,
05:21
You're probably in the frontal cortex,
139
309856
1937
05:23
and you'll have modules that say, "That was ironic.
140
311793
3767
et vous aurez des modules
qui disent : « C'était ironique.
qui disent : « C'était ironique.
05:27
That's funny. She's pretty."
141
315560
2370
C'est drôle. Elle est jolie. »
05:29
You might think that those are more sophisticated,
142
317930
2105
Vous pourriez penser
que c'est plus sophistiqué,
que c'est plus sophistiqué,
05:32
but actually what's more complicated
143
320035
1506
mais en fait, le plus compliqué,
c'est la hiérarchie sous-jacente.
c'est la hiérarchie sous-jacente.
05:33
is the hierarchy beneath them.
144
321541
2669
05:36
There was a 16-year-old girl, she had brain surgery,
145
324210
2620
Une jeune fille de 16 ans qui
était opérée du cerveau,
était opérée du cerveau,
05:38
and she was conscious because the surgeons
146
326830
2051
elle restait consciente
car le chirurgien
car le chirurgien
05:40
wanted to talk to her.
147
328881
1537
voulait maintenir le dialogue avec elle.
05:42
You can do that because there's no pain receptors
148
330418
1822
C'est possible car il n'y a pas de
récepteur de douleur dans le cerveau.
récepteur de douleur dans le cerveau.
05:44
in the brain.
149
332240
1038
05:45
And whenever they stimulated particular,
150
333278
1800
Et lorsqu'ils stimulaient des points
très particuliers dans son néocortex,
très particuliers dans son néocortex,
05:47
very small points on her neocortex,
151
335078
2463
05:49
shown here in red, she would laugh.
152
337541
2665
représentés ici en rouge,
elle se mettait à rire.
elle se mettait à rire.
Au début, ils pensaient
qu'ils déclenchaient un réflexe du rire,
qu'ils déclenchaient un réflexe du rire,
05:52
So at first they thought they were triggering
153
340206
1440
05:53
some kind of laugh reflex,
154
341646
1720
05:55
but no, they quickly realized they had found
155
343366
2519
mais ils ont vite découvert
qu'ils avaient trouvé
qu'ils avaient trouvé
05:57
the points in her neocortex that detect humor,
156
345885
3044
le point de son néocortex
qui détecte l'humour,
qui détecte l'humour,
06:00
and she just found everything hilarious
157
348929
1969
et elle trouvait alors
absolument tout hilarant
absolument tout hilarant
06:02
whenever they stimulated these points.
158
350898
2437
dès qu'ils stimulaient ces points.
06:05
"You guys are so funny just standing around,"
159
353335
1925
Elle répétait :
« Vous êtes tellement drôles
tous debout autour de moi »
tous debout autour de moi »
06:07
was the typical comment,
160
355260
1738
06:08
and they weren't funny,
161
356998
2302
alors qu'ils n'étaient pas drôles,
06:11
not while doing surgery.
162
359300
3247
du moins pas pendant l'opération.
06:14
So how are we doing today?
163
362547
4830
Alors, où en sommes-nous ajourd'hui ?
06:19
Well, computers are actually beginning to master
164
367377
3054
Eh bien, les ordinateurs
commencent à maîtriser
commencent à maîtriser
06:22
human language with techniques
165
370431
2001
les langues grâce à des techniques
similaires à celles du néocortex.
similaires à celles du néocortex.
06:24
that are similar to the neocortex.
166
372432
2867
06:27
I actually described the algorithm,
167
375299
1514
J'ai décrit l'algorithme,
06:28
which is similar to something called
168
376813
2054
qui est similaire à un système appelé
06:30
a hierarchical hidden Markov model,
169
378867
2233
modèle hiérarchique de Markov caché,
06:33
something I've worked on since the '90s.
170
381100
3241
ce sur quoi je travaille
depuis les années 90.
depuis les années 90.
06:36
"Jeopardy" is a very broad natural language game,
171
384341
3238
Jeopardy est un jeu télévisé
portant sur le langage,
portant sur le langage,
06:39
and Watson got a higher score
172
387579
1892
et Watson a obtenu un score plus
important que les deux autres réunis.
important que les deux autres réunis.
06:41
than the best two players combined.
173
389471
2000
Il a répondu correctement
à cette question :
à cette question :
06:43
It got this query correct:
174
391471
2499
06:45
"A long, tiresome speech
175
393970
2085
« Un long et ennuyeux discours énoncé
06:48
delivered by a frothy pie topping,"
176
396055
2152
par un mousseux nappage de tarte »,
et il répondit rapidement :
et il répondit rapidement :
06:50
and it quickly responded,
"What is a meringue harangue?"
"What is a meringue harangue?"
177
398207
2796
« Comment nomme-t-on une diatribe
de meringue ? »
de meringue ? »
06:53
And Jennings and the other guy didn't get that.
178
401003
2635
Jennings et l'autre joueur
n'ont pas compris.
n'ont pas compris.
06:55
It's a pretty sophisticated example of
179
403638
1926
C'est un exemple précis de la façon
06:57
computers actually understanding human language,
180
405564
1914
dont les ordinateurs
comprennent le langage humain,
comprennent le langage humain,
06:59
and it actually got its knowledge by reading
181
407478
1652
et ils l'apprennent en fait
en lisant Wikipedia
en lisant Wikipedia
07:01
Wikipedia and several other encyclopedias.
182
409130
3785
et de plusieurs autres encyclopédies.
07:04
Five to 10 years from now,
183
412915
2133
D'ici 5 à 10 ans,
07:07
search engines will actually be based on
184
415048
2184
les moteurs de recherche
se baseront non seulement
se baseront non seulement
07:09
not just looking for combinations of words and links
185
417232
2794
sur les combinaisons
de mots et de liens,
de mots et de liens,
07:12
but actually understanding,
186
420026
1914
mais bien sur leur compréhension.
07:13
reading for understanding the billions of pages
187
421940
2411
D'où la lecture de milliards de pages
07:16
on the web and in books.
188
424351
2733
sur internet comme dans des livres.
07:19
So you'll be walking along, and Google will pop up
189
427084
2616
Donc vous vous baladerez
et alors Google s'affichera et vous dira :
et alors Google s'affichera et vous dira :
07:21
and say, "You know, Mary, you expressed concern
190
429700
3081
« Mary, il y a un mois vous m'avez
exprimé votre préoccupation
exprimé votre préoccupation
07:24
to me a month ago that your glutathione supplement
191
432781
3019
concernant votre complément
en glutathion
en glutathion
07:27
wasn't getting past the blood-brain barrier.
192
435800
2231
qui ne passait pas
la barrière hématoméningée.
la barrière hématoméningée.
07:30
Well, new research just came out 13 seconds ago
193
438031
2593
Eh bien une nouvelle recherche
vient d'être publiée il y a 13 secondes
vient d'être publiée il y a 13 secondes
07:32
that shows a whole new approach to that
194
440624
1711
décrivant une toute nouvelle approche,
07:34
and a new way to take glutathione.
195
442335
1993
une nouvelle façon
d'assimiler le gluthation.
d'assimiler le gluthation.
07:36
Let me summarize it for you."
196
444328
2562
Lassez-moi vous en faire un résumé."
07:38
Twenty years from now, we'll have nanobots,
197
446890
3684
D'ici 20 ans, nous aurons des nano-robots,
07:42
because another exponential trend
198
450574
1627
car une des nouvelles tendances
à forte évolution
à forte évolution
07:44
is the shrinking of technology.
199
452201
1615
est la miniaturisation
de la technologie.
de la technologie.
07:45
They'll go into our brain
200
453816
2370
Ils entreront dans notre cerveau
07:48
through the capillaries
201
456186
1703
à travers nos vaisseaux capillaires
07:49
and basically connect our neocortex
202
457889
2477
et connecteront simplement notre néocortex
07:52
to a synthetic neocortex in the cloud
203
460366
3185
à un néocortex synthétique dans le cloud,
07:55
providing an extension of our neocortex.
204
463551
3591
nous en fournissant ainsi une extension.
07:59
Now today, I mean,
205
467142
1578
A l'heure actuelle,
08:00
you have a computer in your phone,
206
468720
1530
vous avez un ordinateur
dans votre téléphone,
dans votre téléphone,
08:02
but if you need 10,000 computers for a few seconds
207
470250
2754
mais si vous avez besoin de 10 000
ordinateurs pour quelques secondes
ordinateurs pour quelques secondes
08:05
to do a complex search,
208
473004
1495
pour faire une recherche complexe,
vous pouvez y avoir accès dans le cloud.
vous pouvez y avoir accès dans le cloud.
08:06
you can access that for a second or two in the cloud.
209
474499
3396
08:09
In the 2030s, if you need some extra neocortex,
210
477895
3095
Dans les années 2030, si vous avez besoin
d'une extension de néocortex,
d'une extension de néocortex,
08:12
you'll be able to connect to that in the cloud
211
480990
2273
vous pourrez vous y connecter via le cloud
08:15
directly from your brain.
212
483263
1648
directement depuis votre cerveau.
08:16
So I'm walking along and I say,
213
484911
1543
Imaginons que je me balade
et je me dis,
et je me dis,
08:18
"Oh, there's Chris Anderson.
214
486454
1363
« Oh, je vais croiser Chris Anderson,
il vient vers moi.
il vient vers moi.
08:19
He's coming my way.
215
487817
1525
08:21
I'd better think of something clever to say.
216
489342
2335
Il faut que je trouve
quelque chose d'intelligent à dire...
quelque chose d'intelligent à dire...
08:23
I've got three seconds.
217
491677
1524
J'ai trois secondes pour ça.
08:25
My 300 million modules in my neocortex
218
493201
3097
Les 300 millions de modules
de mon néocortex
de mon néocortex
08:28
isn't going to cut it.
219
496298
1240
ne seront pas suffisants.
08:29
I need a billion more."
220
497538
1246
J'en ai besoin d'un milliard de plus. »
08:30
I'll be able to access that in the cloud.
221
498784
3323
Je serai alors capable
d'y accéder via le cloud.
d'y accéder via le cloud.
08:34
And our thinking, then, will be a hybrid
222
502107
2812
Alors nous disposerons
d'un système de pensée hybride
d'un système de pensée hybride
08:36
of biological and non-biological thinking,
223
504919
3522
fonctionnant sur des composants
biologiques et non biologiques,
biologiques et non biologiques,
08:40
but the non-biological portion
224
508441
1898
mais la partie non-biologique
08:42
is subject to my law of accelerating returns.
225
510339
2682
est sujette à ma loi du retour accéléré.
08:45
It will grow exponentially.
226
513021
2239
Elle va grandir de manière exponentielle.
08:47
And remember what happens
227
515260
2016
Souvenez-vous alors ce qu'il s'est passé
il y a deux millions d'années
il y a deux millions d'années
08:49
the last time we expanded our neocortex?
228
517276
2645
la dernière fois que nous avons
agrandi notre néocortex,
agrandi notre néocortex,
08:51
That was two million years ago
229
519921
1426
08:53
when we became humanoids
230
521347
1236
lorsque nous sommes devenus
des humanoïdes et reçu ce grand front.
des humanoïdes et reçu ce grand front.
08:54
and developed these large foreheads.
231
522583
1594
08:56
Other primates have a slanted brow.
232
524177
2583
Les autres primates
ont des sourcils inclinés.
ont des sourcils inclinés.
08:58
They don't have the frontal cortex.
233
526760
1745
Ils n'ont pas de cortex frontal.
09:00
But the frontal cortex is not
really qualitatively different.
really qualitatively different.
234
528505
3685
Mais le cortex frontal n'est pas vraiment
différent qualitativement parlant.
différent qualitativement parlant.
09:04
It's a quantitative expansion of neocortex,
235
532190
2743
C'est une expansion
en taille du néocortex,
en taille du néocortex,
09:06
but that additional quantity of thinking
236
534933
2703
mais cette quantité additionnelle
de capacité de réflexion
de capacité de réflexion
09:09
was the enabling factor for us to take
237
537636
1779
nous a permis alors de prendre
09:11
a qualitative leap and invent language
238
539415
3346
une longueur d'avance
et de créer le langage
et de créer le langage
09:14
and art and science and technology
239
542761
1967
ainsi que l'art et la technologie
09:16
and TED conferences.
240
544728
1454
et les conférences TED.
09:18
No other species has done that.
241
546182
2131
Aucune autre espèce n'a fait ça.
09:20
And so, over the next few decades,
242
548313
2075
Par conséquent,
au cours des prochaines décénnies,
au cours des prochaines décénnies,
09:22
we're going to do it again.
243
550388
1760
nous allons répéter ça.
09:24
We're going to again expand our neocortex,
244
552148
2274
Nous allons à nouveau
agrandir notre néocortex,
agrandir notre néocortex,
09:26
only this time we won't be limited
245
554422
1756
seulement cette fois,
nous ne serons pas limités
nous ne serons pas limités
09:28
by a fixed architecture of enclosure.
246
556178
4280
à un contenu fixe.
09:32
It'll be expanded without limit.
247
560458
3304
Il pourra grossir sans limite.
09:35
That additional quantity will again
248
563762
2243
Cette quantité additionnelle
sera à nouveau
sera à nouveau
09:38
be the enabling factor for another qualitative leap
249
566005
3005
le facteur nous permettant
un gigantesque progrès
un gigantesque progrès
09:41
in culture and technology.
250
569010
1635
dans les domaines
de la culture et de la technologie.
de la culture et de la technologie.
09:42
Thank you very much.
251
570645
2054
Merci beaucoup.
09:44
(Applause)
252
572699
3086
(Applaudissements)
ABOUT THE SPEAKER
Ray Kurzweil - Inventor, futuristRay Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species.
Why you should listen
Inventor, entrepreneur, visionary, Ray Kurzweil's accomplishments read as a startling series of firsts -- a litany of technological breakthroughs we've come to take for granted. Kurzweil invented the first optical character recognition (OCR) software for transforming the written word into data, the first print-to-speech software for the blind, the first text-to-speech synthesizer, and the first music synthesizer capable of recreating the grand piano and other orchestral instruments, and the first commercially marketed large-vocabulary speech recognition.
Yet his impact as a futurist and philosopher is no less significant. In his best-selling books, which include How to Create a Mind, The Age of Spiritual Machines, The Singularity Is Near: When Humans Transcend Biology, Kurzweil depicts in detail a portrait of the human condition over the next few decades, as accelerating technologies forever blur the line between human and machine.
In 2009, he unveiled Singularity University, an institution that aims to "assemble, educate and inspire leaders who strive to understand and facilitate the development of exponentially advancing technologies." He is a Director of Engineering at Google, where he heads up a team developing machine intelligence and natural language comprehension.
Ray Kurzweil | Speaker | TED.com