TED2013
Erik Brynjolfsson: The key to growth? Race with the machines
Erik Brynjolfsson: Együtt versenyezni a géppel. Ez a növekedés kulcsa
Filmed:
Readability: 4.6
1,321,770 views
Ahogyan egyre több munkát vesznek át a gépek, sokan találják magukat állás nélkül, vagy vesztik el a fizetésemelés reményét.
Ez a növekedés végét jelenti? Erik Brynjolfsson szerint nem.
Ez a jelenség csupán a radikálisan újjászervezett gazdaság gyermekbetegsége. Ha számítógépekre úgy gondolunk, mint munkatársunkra a csapatmunkában, akkor beláthatjuk, hogy nagy újítások előtt állunk még. Érdemes meghallgatni a Robert Gordonéval ellentétes véleményt.
Erik Brynjolfsson - Innovation researcher
Erik Brynjolfsson examines the effects of information technologies on business strategy, productivity and employment. Full bio
Erik Brynjolfsson examines the effects of information technologies on business strategy, productivity and employment. Full bio
Double-click the English transcript below to play the video.
00:12
Growth is not dead.
0
605
2272
Nincs vége a növekedésnek.
00:14
(Applause)
1
2877
1386
(Taps)
00:16
Let's start the story 120 years ago,
2
4263
3963
Kezdjük a történetet 120 évvel ezelőttről,
00:20
when American factories began to electrify their operations,
3
8226
3632
amikor elkezdődött az ameraikai gyárak villamosítása,
00:23
igniting the Second Industrial Revolution.
4
11858
3344
ami elindította ezzel a második ipari forradalmat.
00:27
The amazing thing is
5
15202
1111
Az a meglepő dolog történt,
00:28
that productivity did not increase in those factories
6
16313
2777
hogy a termelékenység harminc éven keresztül
00:31
for 30 years. Thirty years.
7
19090
3256
nem nőtt azokban a gyárakban. Harminc év.
00:34
That's long enough for a generation of managers to retire.
8
22346
3474
Ez épp elég idő arra, hogy a vezetők egy generációja nyugdíjba menjen.
00:37
You see, the first wave of managers
9
25820
2222
A vezetők első hulláma
00:40
simply replaced their steam engines with electric motors,
10
28042
3417
egyszerűen lecserélte a gőzgépeket elektromos motorokra,
00:43
but they didn't redesign the factories to take advantage
11
31459
3010
de nem szervezte újra a gyárat, hogy kihasználja
00:46
of electricity's flexibility.
12
34469
2341
az elektromosságban rejlő lehetőségeket.
00:48
It fell to the next generation to invent new work processes,
13
36810
3984
A következő generációra maradt az új munkafolyamatok kifejlesztése,
00:52
and then productivity soared,
14
40794
2727
és amikor ez valahol megtörtént, akkor ott a termelékenység
00:55
often doubling or even tripling in those factories.
15
43521
3665
megemelkedett, gyakran megduplázódott, sőt akár háromszorosára is nőtt.
00:59
Electricity is an example of a general purpose technology,
16
47186
4723
Az elektromosság egy példa az általános célú technológiára,
01:03
like the steam engine before it.
17
51909
2230
akárcsak a gőzgép volt korábban.
01:06
General purpose technologies drive most economic growth,
18
54139
3416
Az általános célú technológiák a mozgatói a legtöbb gazdasági növekedésnek,
01:09
because they unleash cascades of complementary innovations,
19
57555
3454
mert további újítások egész sorát indítják be,
01:13
like lightbulbs and, yes, factory redesign.
20
61009
3632
mint a villanyégők, vagy igen, a gyárak újraszervezése.
01:16
Is there a general purpose technology of our era?
21
64641
3610
Van a mi korunknak valami általános célú technológiája?
01:20
Sure. It's the computer.
22
68251
2508
Persze. A számítógép.
01:22
But technology alone is not enough.
23
70759
2659
De a technológia nem elég önmagában.
01:25
Technology is not destiny.
24
73418
2766
A technológia csak eszköz.
01:28
We shape our destiny,
25
76184
1580
Hogy mit érünk el vele, az rajtunk múlik,
01:29
and just as the earlier generations of managers
26
77764
2516
ahogyan a korábbi generáció vezetőinek is
01:32
needed to redesign their factories,
27
80280
2298
újra kellett gondolniuk gyáraikat,
01:34
we're going to need to reinvent our organizations
28
82578
2229
nekünk is újra ki kell majd alakítanunk a magunk szervezeteit,
01:36
and even our whole economic system.
29
84807
2555
sőt az egész gazdasági rendszerünket.
01:39
We're not doing as well at that job as we should be.
30
87362
3602
Csinálhatnánk ezt jobban is.
01:42
As we'll see in a moment,
31
90964
1230
Mindjárt látni fogjuk,
01:44
productivity is actually doing all right,
32
92194
2722
hogy a termelékenységgel valójában minden rendben van,
01:46
but it has become decoupled from jobs,
33
94916
3862
de elszakadt a foglalkoztatástól,
01:50
and the income of the typical worker is stagnating.
34
98778
4419
és a tipikus munkás jövedelme stagnál.
01:55
These troubles are sometimes misdiagnosed
35
103197
2519
Ezeket a bajokat néha tévesen
01:57
as the end of innovation,
36
105716
3712
az innováció végeként értelmezik,
02:01
but they are actually the growing pains
37
109428
2129
pedig ezek valójában csak gyermekbetegségei annak, amit
02:03
of what Andrew McAfee and I call the new machine age.
38
111557
5590
Andrew McAfee-val együtt én az új gépkorszaknak nevezek.
02:09
Let's look at some data.
39
117147
1882
Nézzünk néhány adatot.
02:11
So here's GDP per person in America.
40
119029
2902
Itt van Amerika egy főre eső GDP-je.
02:13
There's some bumps along the way, but the big story
41
121931
2766
Van itt néhány zökkenő, de a lényeg,
02:16
is you could practically fit a ruler to it.
42
124697
2715
hogy az egész jól illeszkedik egy egyenesre.
02:19
This is a log scale, so what looks like steady growth
43
127412
3276
Ez logaritmikus skála, tehát ami egyenletes növekedésnek tűnik,
02:22
is actually an acceleration in real terms.
44
130688
3043
az a valóságban gyorsulás.
02:25
And here's productivity.
45
133731
2160
És itt a termelékenység.
02:27
You can see a little bit of a slowdown there in the mid-'70s,
46
135891
2671
Lehet látni egy kis visszaesést a 70-es évek közepén,
02:30
but it matches up pretty well with the Second Industrial Revolution,
47
138562
3738
de ez emlékeztet arra, ami a második ipari forradalomkor történt,
02:34
when factories were learning how to electrify their operations.
48
142300
2691
amikor a gyárak épp csak tanulták még, hogy hogyan villamosítsák műveleteiket.
02:36
After a lag, productivity accelerated again.
49
144991
4129
Egy kis késéssel a termelékenység újra növekedni kezdett.
02:41
So maybe "history doesn't repeat itself,
50
149120
2571
Lehetséges hát, hogy "a történelem nem ismétli önmagát,
02:43
but sometimes it rhymes."
51
151691
2568
de rímel."
02:46
Today, productivity is at an all-time high,
52
154259
3136
Mára a termelékenység soha nem látott magasságot ért el,
02:49
and despite the Great Recession,
53
157395
1977
és a nagy recesszió dacára
02:51
it grew faster in the 2000s than it did in the 1990s,
54
159372
4252
gyorsabban nőtt a 2000-es években, mint az 1990-esekben,
02:55
the roaring 1990s, and that was faster than the '70s or '80s.
55
163624
4136
amikor "dübörgött" a gazdaság, és ez gyorsabb volt, mint a '70-es és a '80-as évek növekedése.
02:59
It's growing faster than it did during the Second Industrial Revolution.
56
167760
3674
Gyorsabb volt a növekedés, mint a második ipari forradalom idején.
03:03
And that's just the United States.
57
171434
1743
És ez csak az Egyesült Államok.
03:05
The global news is even better.
58
173177
3248
A globális adatok még ennél is jobbak.
03:08
Worldwide incomes have grown at a faster rate
59
176425
2360
A jövedelmek növekedése a világban
03:10
in the past decade than ever in history.
60
178785
2496
gyorsabb az elmúlt tíz évben, mint bármikor korábban a történelemben.
03:13
If anything, all these numbers actually understate our progress,
61
181281
5051
Ezek a számok a valóságosnál még kisebbnek is mutatják fejlődésünket,
03:18
because the new machine age
62
186332
1912
mert az új gépkorszak
03:20
is more about knowledge creation
63
188244
1664
inkább az ismeretek létrehozásáról szól,
03:21
than just physical production.
64
189908
2331
mint magukról a valóságos termékekről.
03:24
It's mind not matter, brain not brawn,
65
192239
2938
Amiről szó van gondolkodásmód, nem az anyag; az ész, nem az erő;
03:27
ideas not things.
66
195177
2062
az ötletek, nem a tárgyak.
03:29
That creates a problem for standard metrics,
67
197239
2570
Ezért problémás a szokásos értelemben vett mérés,
03:31
because we're getting more and more stuff for free,
68
199809
3502
mivel egy csomó dologhoz ingyen jutunk hozzá,
03:35
like Wikipedia, Google, Skype,
69
203311
2641
mint pl. a Wikipédia, a Google vagy a Skype,
03:37
and if they post it on the web, even this TED Talk.
70
205952
3063
vagy akár ez a TED-előadás is, ha felkerül a hálóra.
03:41
Now getting stuff for free is a good thing, right?
71
209015
3303
Namármost, ingyen megkapni valamit, az jó, ugye?
03:44
Sure, of course it is.
72
212318
1765
Persze, mindenképp.
03:46
But that's not how economists measure GDP.
73
214083
3868
De a közgazdászok nem így számolják a GDP-t.
03:49
Zero price means zero weight in the GDP statistics.
74
217951
5592
A nulla ár nulla súllyal számít a GDP-be.
03:55
According to the numbers, the music industry
75
223543
2112
A számok alapján a zeneipar
03:57
is half the size that it was 10 years ago,
76
225655
3000
a 10 évvel korábbinak a felére zsugorodott,
04:00
but I'm listening to more and better music than ever.
77
228655
3656
de én több és jobb zenét hallgatok, mint bármikor is korábban.
04:04
You know, I bet you are too.
78
232311
2192
Lefogadnám, hogy Önök is.
04:06
In total, my research estimates
79
234503
2723
Összességében, a becslésem szerint
04:09
that the GDP numbers miss over 300 billion dollars per year
80
237226
4754
a GDP -ből 300 milliárd dollár hiányzik évente
04:13
in free goods and services on the Internet.
81
241980
3346
az internet ingyenes termékei és szolgáltatásai miatt.
04:17
Now let's look to the future.
82
245326
1789
Nézzük hát a jövőt!
04:19
There are some super smart people
83
247115
2263
Van néhány szuper okos ember,
04:21
who are arguing that we've reached the end of growth,
84
249378
5019
akik azt erősítgetik, hogy elértük a növekedés végét,
04:26
but to understand the future of growth,
85
254397
3558
de ahhoz, hogy egyáltalán, megértsük a növekedés perspektíváját,
04:29
we need to make predictions
86
257955
2683
jóslatokba kell bocsátkozzunk
04:32
about the underlying drivers of growth.
87
260638
3290
a növekedés mozgatóira vonatkozólag.
04:35
I'm optimistic, because the new machine age
88
263928
3806
Én optimista vagyok, mert az új gépkorszak
04:39
is digital, exponential and combinatorial.
89
267734
5030
digitális, exponenciális és kombinatív.
04:44
When goods are digital, they can be replicated
90
272764
2264
Ha a javak digitálisak, akkor tökéletes minőségben
04:47
with perfect quality at nearly zero cost,
91
275028
4509
reprodukálhatók, szinte nulla költséggel,
04:51
and they can be delivered almost instantaneously.
92
279537
4018
és szinte azonnal elérhetővé is tehetők.
04:55
Welcome to the economics of abundance.
93
283555
2800
Megérkeztünk a bőség kosarához.
04:58
But there's a subtler benefit to the digitization of the world.
94
286355
3690
De van ennél rejtettebb előnye is annak, hogy a világ digitális.
05:02
Measurement is the lifeblood of science and progress.
95
290045
4600
A mérés szerepe alapvető a tudományban és a fejlődésben.
05:06
In the age of big data,
96
294645
2148
A mai adatáradatban
05:08
we can measure the world in ways we never could before.
97
296793
4286
annyiféleképp mérhetjük a világot, mint még soha.
05:13
Secondly, the new machine age is exponential.
98
301079
4095
Másodszor, az új gépkorszak exponenciális.
05:17
Computers get better faster than anything else ever.
99
305174
5935
A számítógépek eddig soha nem látott sebességgel lesznek egyre jobbakká.
05:23
A child's Playstation today is more powerful
100
311109
3568
Egy mai játékgép sokkal erősebb,
05:26
than a military supercomputer from 1996.
101
314677
4056
mint egy katonai szuperszámítógép volt 1996-ban.
05:30
But our brains are wired for a linear world.
102
318733
3207
Az agyunk viszont a lineáris világra van felkészülve.
05:33
As a result, exponential trends take us by surprise.
103
321940
3888
Így hát az exponenciális növekedés mindannyiunkat meglepetésként éri.
05:37
I used to teach my students that there are some things,
104
325828
2602
Szoktam mondani a diákjaimnak, hogy van néhány dolog,
05:40
you know, computers just aren't good at,
105
328430
1934
amiben nem jó a számítógép,
05:42
like driving a car through traffic.
106
330364
2385
mint kocsit vezetni a forgalomban.
05:44
(Laughter)
107
332749
2013
(Nevetés)
05:46
That's right, here's Andy and me grinning like madmen
108
334762
3491
Ez így van, ez itt Andy és én, vigyorgunk. mint a vadalma,
05:50
because we just rode down Route 101
109
338253
2384
mert épp most haladunk át a 101-es úton,
05:52
in, yes, a driverless car.
110
340637
3669
egy vezető nélküli kocsiban.
05:56
Thirdly, the new machine age is combinatorial.
111
344306
2583
Harmadszor, az új gépkorszak kombinatív.
05:58
The stagnationist view is that ideas get used up,
112
346889
4048
A stagnálás-hívők szerint az ötleteket leszakajtják,
06:02
like low-hanging fruit,
113
350937
1856
mint a könnyen elérhető gyümölcsöt,
06:04
but the reality is that each innovation
114
352793
3163
de a valóság az, hogy minden egyes újítás
06:07
creates building blocks for even more innovations.
115
355956
3256
újabb építőkockákat képez a további újításokhoz.
06:11
Here's an example. In just a matter of a few weeks,
116
359212
3345
Itt egy példa. Pár hete történt,
06:14
an undergraduate student of mine
117
362557
2072
hogy az egyik hallgatóm
06:16
built an app that ultimately reached 1.3 million users.
118
364629
4111
készített egy alkalmazást, ami mára elérte a 1,3 millió felhasználót.
06:20
He was able to do that so easily
119
368740
1699
Ezt azért tudta ilyen egyszerűen megtenni,
06:22
because he built it on top of Facebook,
120
370439
1827
mert a Facebookra fejlesztette rá.
06:24
and Facebook was built on top of the web,
121
372266
1933
a Facebook pedig a webre épül,
06:26
and that was built on top of the Internet,
122
374199
1698
ami ráépül az internetre,
06:27
and so on and so forth.
123
375897
2418
és így tovább.
06:30
Now individually, digital, exponential and combinatorial
124
378315
4765
Az, hogy digitális, exponenciális, vagy kombinatív, akár
06:35
would each be game-changers.
125
383080
2350
önmagukban is eldöntenék egy verseny kimenetelét.
06:37
Put them together, and we're seeing a wave
126
385430
2190
Ezek együtt egészen meglepő áttöréseket
06:39
of astonishing breakthroughs,
127
387620
1393
produkálnak, robotokat, amik gyári munkát végeznek,
06:41
like robots that do factory work or run as fast as a cheetah
128
389013
3060
vagy olyan gyorsan futnak, mint egy gepárd,
06:44
or leap tall buildings in a single bound.
129
392073
2796
vagy átugranak egy magas épületet egyetlen szökelléssel.
06:46
You know, robots are even revolutionizing
130
394869
2232
Úgy ám, a robotok épp most forradalmasítják
06:49
cat transportation.
131
397101
1829
a macskaszállítást.
06:50
(Laughter)
132
398930
2270
(Nevetés)
06:53
But perhaps the most important invention,
133
401200
2732
De talán a legfontosabb fejlesztés,
06:55
the most important invention is machine learning.
134
403932
5065
a legfontosabb fejlesztés a gépi tanulás.
07:00
Consider one project: IBM's Watson.
135
408997
3376
Vegyünk egy projektet: az Watson-t az IBM-től.
07:04
These little dots here,
136
412373
1589
Ezek az apró pontok itt
07:05
those are all the champions on the quiz show "Jeopardy."
137
413962
4860
a "Jeopardy" kvíz nyertesei.
07:10
At first, Watson wasn't very good,
138
418822
2544
Watson eleinte nem szerepelt nagyon jól,
07:13
but it improved at a rate faster than any human could,
139
421366
5622
de sokkal gyorsabban fejlődött, mint ahogy bárki ember fejlődhetett,
07:18
and shortly after Dave Ferrucci showed this chart
140
426988
2687
és nem sokkal az után, ahogy Dave Ferrucci megmutatta
07:21
to my class at MIT,
141
429675
1652
ezt a diagramot a tanítványaimnak a MIT-en,
07:23
Watson beat the world "Jeopardy" champion.
142
431327
3542
Watson megverte a "Jeopardy" világbajnokát.
07:26
At age seven, Watson is still kind of in its childhood.
143
434869
3989
Hétévesen Watson még a gyerekkoránál tart.
07:30
Recently, its teachers let it surf the Internet unsupervised.
144
438858
5318
Mostanában a tanárai megengedték neki, hogy felügyelet nélkül bolyongjon az interneten.
07:36
The next day, it started answering questions with profanities.
145
444176
5946
A következő nap azzal kezdte, hogy a kérdésekre káromkodva válaszolt.
07:42
Damn. (Laughter)
146
450122
2274
A francba. (Nevetés)
07:44
But you know, Watson is growing up fast.
147
452396
2280
De tudják, Watson gyorsan felnő.
07:46
It's being tested for jobs in call centers, and it's getting them.
148
454676
4212
Kipróbálták call-center állásra, és megkapta.
07:50
It's applying for legal, banking and medical jobs,
149
458888
3724
Pályázott jogi, banki és egészségügyi állásokra,
07:54
and getting some of them.
150
462612
1950
és némelyiket megkapta.
07:56
Isn't it ironic that at the very moment
151
464562
1889
Hát nem ironikus, hogy épp akkor,
07:58
we are building intelligent machines,
152
466451
2234
amikor intelligens gépeket építünk,
08:00
perhaps the most important invention in human history,
153
468685
3449
ami talán a legfontosabb újítás a történelemben,
08:04
some people are arguing that innovation is stagnating?
154
472134
3975
néhány ember amellett érvel, hogy a fejlesztés stagnál?
08:08
Like the first two industrial revolutions,
155
476109
2419
Ahogyan az első két ipari forradalom esetében is,
08:10
the full implications of the new machine age
156
478528
3134
legalább egy évszázadig el fog tartani, amíg
08:13
are going to take at least a century to fully play out,
157
481662
2682
az új gépkorszak összes következménye beérik,
08:16
but they are staggering.
158
484344
3032
de ezek megdöbbentőek.
08:19
So does that mean we have nothing to worry about?
159
487376
3336
Ez azt jelenti vajon, hogy nincs mitől félnünk?
08:22
No. Technology is not destiny.
160
490712
3680
Nem. Nem a technikán múlik a sorsunk.
08:26
Productivity is at an all time high,
161
494392
2569
A termelékenység minden eddiginél magasabb
08:28
but fewer people now have jobs.
162
496961
2983
de kevesebb embernek van munkája.
08:31
We have created more wealth in the past decade than ever,
163
499944
3120
Nagyobb vagyont hoztunk létre az elmúlt tíz évben, mint bármikor korábban,
08:35
but for a majority of Americans, their income has fallen.
164
503064
3904
az amerikaiak többségének a jövedelme mégis csökkent.
08:38
This is the great decoupling
165
506968
2312
Elszakadt egymástól
08:41
of productivity from employment,
166
509280
2976
a termelékenység és a foglalkoztatás,
08:44
of wealth from work.
167
512256
3104
a gazdagság és a munka.
08:47
You know, it's not surprising that millions of people
168
515360
2346
Nem meglepő, hogy emberek milliói
08:49
have become disillusioned by the great decoupling,
169
517706
2846
válnak csalódottá a nagy szakadás miatt,
08:52
but like too many others,
170
520552
1747
de mint sokan mások,
08:54
they misunderstand its basic causes.
171
522299
3097
ők is félreértik az alapvető okot.
08:57
Technology is racing ahead,
172
525396
2610
A technika élen jár,
09:00
but it's leaving more and more people behind.
173
528006
3550
de egyre több és több embert hagy leszakadni.
09:03
Today, we can take a routine job,
174
531556
3519
Manapság vehetünk egy rutinfeladatot,
09:07
codify it in a set of machine-readable instructions,
175
535075
3091
lekódoljuk utasításokká, amiket a számítógép megért,
09:10
and then replicate it a million times.
176
538166
2827
és millió másolatot készítünk belőle.
09:12
You know, I recently overheard a conversation
177
540993
2279
Mostanában hallottam egy épp idevágó példát
09:15
that epitomizes these new economics.
178
543272
1952
egy véletlenül elkapott beszélgetésben.
09:17
This guy says, "Nah, I don't use H&R Block anymore.
179
545224
4197
Azt mondja ez a fickó: "Na, nem könyveltetek többet H&R Blockkal.
09:21
TurboTax does everything that my tax preparer did,
180
549421
2448
A TurboTax mindent tud, amit a könyvelőm csinált,
09:23
but it's faster, cheaper and more accurate."
181
551869
4558
csak gyorsabb, olcsóbb és pontosabb."
09:28
How can a skilled worker
182
556427
1799
Hogyan is tudna egy szakmunkás
09:30
compete with a $39 piece of software?
183
558226
3009
versenyezni egy 39 dolláros szoftverrel?
09:33
She can't.
184
561235
1967
Nem tud.
09:35
Today, millions of Americans do have faster,
185
563202
2780
Ma ameriakiak millióinak gyorsabban
09:37
cheaper, more accurate tax preparation,
186
565982
2387
olcsóbban és pontosabban készül az adóbevallása.
09:40
and the founders of Intuit
187
568369
1486
Az Intuit szoftvercég alapítói
09:41
have done very well for themselves.
188
569855
2493
nagyon jól jártak azzal, amit csináltak.
09:44
But 17 percent of tax preparers no longer have jobs.
189
572348
4214
De a könyvelők 17%-ának nincs többé munkája.
09:48
That is a microcosm of what's happening,
190
576562
2078
Ez kicsiben az, ami történik,
09:50
not just in software and services, but in media and music,
191
578640
4677
nem csupán a szoftverfejlesztésben és a szolgáltatásban, de a médiában és a zenében,
09:55
in finance and manufacturing, in retailing and trade --
192
583317
3686
a pénzügyekben és a gyártásban, a kis- és nagykereskedelemben --
09:59
in short, in every industry.
193
587003
3895
röviden, az egész gazdaságban.
10:02
People are racing against the machine,
194
590898
3095
Az emberek versenyeznek a gépekkel,
10:05
and many of them are losing that race.
195
593993
3090
és sokan közülük alulmaradnak.
10:09
What can we do to create shared prosperity?
196
597083
3886
Mit tehetünk, hogy a jólétből mindenki részesüljön?
10:12
The answer is not to try to slow down technology.
197
600969
3017
A válasz nem az, hogy próbáljuk lassítani a technikát.
10:15
Instead of racing against the machine,
198
603986
2557
Ahelyett, hogy a gépek ellen versenyeznénk,
10:18
we need to learn to race with the machine.
199
606543
3677
meg kell tanuljunk együtt versenyezni velük.
10:22
That is our grand challenge.
200
610220
3129
Ez a mi nagy próbatételünk.
10:25
The new machine age
201
613349
2324
Az új gépkorszak
10:27
can be dated to a day 15 years ago
202
615673
3113
egy 15 évvel ezelőtti naptól számítható,
10:30
when Garry Kasparov, the world chess champion,
203
618786
2878
amikor Gary Kasparov, a sakkvilágbajnok
10:33
played Deep Blue, a supercomputer.
204
621664
3706
a Deep Blue szuperszámítógép ellen játszott.
10:37
The machine won that day,
205
625370
2012
Aznap történt, hogy a gép nyert.
10:39
and today, a chess program running on a cell phone
206
627382
2968
Ma egy mobilon futó sakkprogram
10:42
can beat a human grandmaster.
207
630350
2296
meg tud verni egy nagymestert.
10:44
It got so bad that, when he was asked
208
632646
3365
A helyzet annyira rossz lett, amikor Jan Donner holland nagymester
10:48
what strategy he would use against a computer,
209
636011
2563
arra a kérdésre, hogy milyen stratégiát
10:50
Jan Donner, the Dutch grandmaster, replied,
210
638574
4016
játszana a számítógép ellen, azt válaszolta:
10:54
"I'd bring a hammer."
211
642590
1771
"Hoznék egy kalapácsot."
10:56
(Laughter)
212
644361
3680
(Nevetés)
11:00
But today a computer is no longer the world chess champion.
213
648041
4544
De manapság egy számítógép már nem sakkvilágbajnok.
11:04
Neither is a human,
214
652585
2654
Az ember sem,
11:07
because Kasparov organized a freestyle tournament
215
655239
3579
mert Kasparov megszervezett egy szabadstílusú versenyt,
11:10
where teams of humans and computers
216
658818
1916
ahol emberekből és számítógépekből álló csapatok
11:12
could work together,
217
660734
2099
együtt dolgozhattak,
11:14
and the winning team had no grandmaster,
218
662833
3157
és a győztes csapatnak nem volt sem nagymestere,
11:17
and it had no supercomputer.
219
665990
2465
sem szuperszámítógépe.
11:20
What they had was better teamwork,
220
668455
4175
Ami nekik volt, az a jobb csapatmunka,
11:24
and they showed that a team of humans and computers,
221
672630
5016
és megmutatták, hogy egy emberekből és számítógépekből álló csapat,
11:29
working together, could beat any computer
222
677646
3048
ha együtt dolgoznak, meg tud verni bármilyen számítógépet
11:32
or any human working alone.
223
680694
3520
vagy embert, aki egyedül dolgozik.
11:36
Racing with the machine
224
684214
1664
Jobb a géppel versenyezni,
11:37
beats racing against the machine.
225
685878
2343
mint a gép ellen.
11:40
Technology is not destiny.
226
688221
2564
Nem a technika határozza meg a dolgok alakulását.
11:42
We shape our destiny.
227
690785
1742
Mi magunk alakítjuk a sorsunkat.
11:44
Thank you.
228
692527
1447
Köszönöm.
11:45
(Applause)
229
693974
5016
(Taps)
ABOUT THE SPEAKER
Erik Brynjolfsson - Innovation researcherErik Brynjolfsson examines the effects of information technologies on business strategy, productivity and employment.
Why you should listen
The director of the MIT Center for Digital Business and a research associate at the National Bureau of Economic Research, Erik Brynjolfsson asks how IT affects organizations, markets and the economy. His recent work studies data-driven decision-making, management practices that drive productivity, the pricing implications of Internet commerce and the role of intangible assets.
Brynjolfsson was among the first researchers to measure the productivity contributions of information and community technology (ICT) and the complementary role of organizational capital and other intangibles. His research also provided the first quantification of the value of online product variety, often known as the “Long Tail,” and developed pricing and bundling models for information goods.
His books include Wired for Innovation: How IT Is Reshaping the Economy and Race Against the Machine: How the Digital Revolution Is Accelerating Innovation, Driving Productivity and Irreversibly Transforming Employment and the Economy (with Andrew McAfee); and the recent article "Big Data: The Management Revolution" (with Andrew McAfee).
Erik Brynjolfsson | Speaker | TED.com