TED2005
Ray Kurzweil: The accelerating power of technology
Ray Kurzweil elmondja, hogy fog a technika mindannyiunkat átalakítani
Filmed:
Readability: 5.3
2,876,494 views
Feltaláló, vállalkozó és látnok: Ray Kurzweil bőséges magyarázattal szolgál arról, hogy a 2020-as évekre, hogyan fogjuk visszafejteni az emberi agy működését, és nanobotok fogják irányítani tudatalattinkat.
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.
00:24
Well, it's great to be here.
0
0
1000
Nagyszerű itt lenni.
00:25
We've heard a lot about the promise of technology, and the peril.
1
1000
5000
Rengetegszer hallottunk a technika ígéretes fejlődéséről, ugyanakkor buktatóiról is.
00:30
I've been quite interested in both.
2
6000
2000
Engem mindkét lehetőség nagyon érdekel.
00:32
If we could convert 0.03 percent
3
8000
4000
Ha át tudnánk alakítani a Földet érő napfény
00:36
of the sunlight that falls on the earth into energy,
4
12000
2000
0.03 százalékát energiává,
00:38
we could meet all of our projected needs for 2030.
5
14000
5000
ki tudnánk elégíteni a 2030-ig jósolt teljes energia-igényünket.
00:43
We can't do that today because solar panels are heavy,
6
19000
3000
Ma ez még lehetetlen, mert a napelemek nehezek,
00:46
expensive and very inefficient.
7
22000
2000
drágák és nem valami hatékonyak.
00:48
There are nano-engineered designs,
8
24000
3000
De léteznek olyan nanotechnológián alapuló tervek
00:51
which at least have been analyzed theoretically,
9
27000
2000
amelyekkel – legalábbis elméletileg elemezve – lehetséges,
00:53
that show the potential to be very lightweight,
10
29000
2000
hogy nagyon könnyűvé,
00:55
very inexpensive, very efficient,
11
31000
2000
nagyon olcsóvá és nagyon hatékonnyá tudnak válni,
00:57
and we'd be able to actually provide all of our energy needs in this renewable way.
12
33000
4000
így képesek lennének az összes energiaszükségletünket megújuló módon biztosítani.
01:01
Nano-engineered fuel cells
13
37000
2000
A nano-tervezésű üzemanyag-cellák
01:03
could provide the energy where it's needed.
14
39000
3000
ott tudják szolgáltatni az energiát, ahol arra szükség van.
01:06
That's a key trend, which is decentralization,
15
42000
2000
Ez a fő trend, ami a decentralizáció,
01:08
moving from centralized nuclear power plants and
16
44000
3000
az elmozdulás a centralizált nukleáris erőművek és
01:11
liquid natural gas tankers
17
47000
2000
a folyékony földgáz tankerek irányából
01:13
to decentralized resources that are environmentally more friendly,
18
49000
4000
a decentralizált források felé, melyek környezetbarátabbak
01:17
a lot more efficient
19
53000
3000
és sokkal hatékonyabbak,
01:20
and capable and safe from disruption.
20
56000
4000
alkalmasabbak és hibatűrőbbek.
01:24
Bono spoke very eloquently,
21
60000
2000
Bono igazán ékesszólóan beszélt:
01:26
that we have the tools, for the first time,
22
62000
4000
megvannak végre az eszközeink, hogy a történelemben először
01:30
to address age-old problems of disease and poverty.
23
66000
4000
megoldjuk a betegség és a szegénység évszázados problémáit.
01:34
Most regions of the world are moving in that direction.
24
70000
4000
A világ legtöbb része ebbe az irányba tart.
01:38
In 1990, in East Asia and the Pacific region,
25
74000
4000
1990-ben, Kelet-Ázsiában és a csendes-óceáni régióban
01:42
there were 500 million people living in poverty --
26
78000
2000
500 millió ember élt szegénységben –
01:44
that number now is under 200 million.
27
80000
3000
ez a szám ma már 200 millió alá csökkent.
01:47
The World Bank projects by 2011, it will be under 20 million,
28
83000
3000
A Világbank előrejelzése szerint 2011-re ez a szám 20 millió lesz,
01:50
which is a reduction of 95 percent.
29
86000
3000
amely 95%-os csökkenést jelent.
01:53
I did enjoy Bono's comment
30
89000
3000
Tetszett Bono megjegyzése,
01:56
linking Haight-Ashbury to Silicon Valley.
31
92000
4000
amelyben Haight-Ashbury-t a Szilíciumvölgyhöz kapcsolta.
02:00
Being from the Massachusetts high-tech community myself,
32
96000
3000
Mivel magam a Massachusetts-i high-tech közösség tagja vagyok,
02:03
I'd point out that we were hippies also in the 1960s,
33
99000
4000
megjegyezném, hogy mi is hippik voltunk a 1960-as években,
02:08
although we hung around Harvard Square.
34
104000
3000
habár mi a Harvard tér környékén lógtunk.
02:11
But we do have the potential to overcome disease and poverty,
35
107000
5000
De megvan bennünk a potenciál, hogy felülkerekedjünk a betegségeken és a szegénységen,
02:16
and I'm going to talk about those issues, if we have the will.
36
112000
3000
, - s ezekről a kérdésekről fogok is beszélni – ha meg van bennünk az akarat.
02:19
Kevin Kelly talked about the acceleration of technology.
37
115000
3000
Kevin Kelly a technológia[i fejlődés] gyorsulásáról beszélt
02:22
That's been a strong interest of mine,
38
118000
3000
Ezt nagy érdeklődéssel követtem,
02:25
and a theme that I've developed for some 30 years.
39
121000
3000
s egy olyan téma, amivel én is foglalkozom úgy 30 éve.
02:28
I realized that my technologies had to make sense when I finished a project.
40
124000
5000
Felismertem, hogy a [felhasznált] technológiáimnak értelmet kell kapniuk, amikor befejezek egy projektet.
02:33
That invariably, the world was a different place
41
129000
3000
S állandóan [azt tapasztaltam], hogy a világ még más volt,
02:36
when I would introduce a technology.
42
132000
2000
amikor bevezettem a technológiát.
02:38
And, I noticed that most inventions fail,
43
134000
2000
Továbbá, úgy vettem észre, hogy a legtöbb találmány elbukik,
02:40
not because the R&D department can't get it to work --
44
136000
3000
, de nem azért, mert a K+F (kutatás-fejlesztés) részleg nem tudja működésre bírni –
02:43
if you look at most business plans, they will actually succeed
45
139000
3000
ha megnézzük a legtöbb üzleti tervet, tulajdonképpen sikerre tudják vinni,
02:46
if given the opportunity to build what they say they're going to build --
46
142000
4000
amennyiben megkapják a lehetőséget, hogy azt építsék meg, amit terveznek építeni --
02:50
and 90 percent of those projects or more will fail, because the timing is wrong --
47
146000
3000
s mégis 90 vagy még nagyobb százaléka ezeknek a projekteknek sikertelen lesz, mivel rossz az időzítés –
02:53
not all the enabling factors will be in place when they're needed.
48
149000
3000
nem fog az összes, a [fejlesztést] lehetővé tevő faktor rendelkezésre állni, amikor szükség lenne rá.
02:56
So I began to be an ardent student of technology trends,
49
152000
4000
Ezért a technológiai trendek lelkes tanulmányozójává váltam,
03:00
and track where technology would be at different points in time,
50
156000
3000
hogy nyomon kövessem hol fog a technológia tartani egy különböző időpontokban,
03:03
and began to build the mathematical models of that.
51
159000
3000
s ezekből matematikai modelleket kezdtem építeni.
03:06
It's kind of taken on a life of its own.
52
162000
2000
Ez később önálló életet kezdett élni.
03:08
I've got a group of 10 people that work with me to gather data
53
164000
3000
Egy 10 fős csoport dolgozik velem, hogy a különféle területen elért,
03:11
on key measures of technology in many different areas, and we build models.
54
167000
5000
kulcsfontosságú technológiai megoldásokról adatot gyűjtsünk, s modelleket építsünk.
03:16
And you'll hear people say, well, we can't predict the future.
55
172000
3000
Lehet olyan hangokat hallani, hogy nem tudjuk a jövőt megjósolni.
03:19
And if you ask me,
56
175000
2000
Ha engem kérdeznek,
03:21
will the price of Google be higher or lower than it is today three years from now,
57
177000
3000
hogy a Google [részvények] többet vagy kevesebbet fognak érni három év múlva, mint ma,
03:24
that's very hard to say.
58
180000
2000
ezt nehéz megmondani.
03:26
Will WiMax CDMA G3
59
182000
3000
A WiMax CDMA G3 lesz-e
03:29
be the wireless standard three years from now? That's hard to say.
60
185000
2000
a vezeték nélküli szabvány három év múlva? Ezt szintén nehéz megmondani.
03:31
But if you ask me, what will it cost
61
187000
2000
De ha azt kérdezik, mekkora lesz a költsége
03:33
for one MIPS of computing in 2010,
62
189000
3000
egy MIPS számítási teljesítménynek 2010-ben,
03:36
or the cost to sequence a base pair of DNA in 2012,
63
192000
3000
vagy egy DNS-bázispár szekvenszálásának 2012-ben,
03:39
or the cost of sending a megabyte of data wirelessly in 2014,
64
195000
4000
vagy egy megabyte adat elküldésének vezeték nélküli kapcsolaton 2014-ben,
03:43
it turns out that those are very predictable.
65
199000
3000
nos, ez esetben kiderül, hogy ezek nagyon is megjósolhatóak.
03:46
There are remarkably smooth exponential curves
66
202000
2000
Rendkívül egyenletes exponenciális görbék vannak,
03:48
that govern price performance, capacity, bandwidth.
67
204000
3000
amelyek az ár-érték arányt, kapacitást és a sávszélességet irányítják.
03:51
And I'm going to show you a small sample of this,
68
207000
2000
S meg is fogom mutatni egy kis mintáját ennek,
03:53
but there's really a theoretical reason
69
209000
2000
de ténylegesen egy elméleti ok van amögött,
03:55
why technology develops in an exponential fashion.
70
211000
5000
hogy a technológia exponenciális módon fejlődik.
04:00
And a lot of people, when they think about the future, think about it linearly.
71
216000
2000
Sokan, amikor a jövőről beszélnek, egy egyenesként gondolnak rá.
04:02
They think they're going to continue
72
218000
2000
Úgy gondolják, hogy a jelen eszközeivel,
04:04
to develop a problem
73
220000
2000
a jelen fejlődési ütemében
04:06
or address a problem using today's tools,
74
222000
3000
fogják a problémák felismerését
04:09
at today's pace of progress,
75
225000
2000
és azok megoldását is folytatni,
04:11
and fail to take into consideration this exponential growth.
76
227000
4000
s hibásan nem veszik figyelembe ezt az exponenciális növekedést.
04:15
The Genome Project was a controversial project in 1990.
77
231000
3000
A Genome Project (génállomány projekt) egy ellentmondásos vállalkozás volt 1990-ben.
04:18
We had our best Ph.D. students,
78
234000
2000
A legjobb Ph.D. hallgatók,
04:20
our most advanced equipment around the world,
79
236000
2000
a legfejlettebb eszközök álltak rendelkezésünkre szerte a világban,
04:22
we got 1/10,000th of the project done,
80
238000
2000
s csak a tízezredét sikerült a projektnek elvégezni,
04:24
so how're we going to get this done in 15 years?
81
240000
2000
tehát hogy fogjuk befejezni 15 év leforgása alatt?
04:26
And 10 years into the project,
82
242000
3000
10 évvel a projekt indulása után
04:30
the skeptics were still going strong -- says, "You're two-thirds through this project,
83
246000
2000
a szkeptikusok még mindig erősen kritikusok voltak – „a projekt kétharmadánál járnak,
04:32
and you've managed to only sequence
84
248000
2000
s még mindig csak egy nagyon kis százalékát sikerült
04:34
a very tiny percentage of the whole genome."
85
250000
3000
szekvenszálni az egész génállománynak”.
04:37
But it's the nature of exponential growth
86
253000
2000
De ez az exponenciális növekedés természete
04:39
that once it reaches the knee of the curve, it explodes.
87
255000
2000
– amint eléri a görbe „térdét”, kirobban.
04:41
Most of the project was done in the last
88
257000
2000
A projekt legnagyobb része
04:43
few years of the project.
89
259000
2000
az utolsó pár évben készült el.
04:45
It took us 15 years to sequence HIV --
90
261000
2000
15 évünkbe került a HIV-vírus szekvenszálása,
04:47
we sequenced SARS in 31 days.
91
263000
2000
a SARS vírusé csak 31 napig tartott.
04:49
So we are gaining the potential to overcome these problems.
92
265000
4000
Tehát megszereztük a potenciált, hogy felülkerekedjünk ezeken a problémákon.
04:53
I'm going to show you just a few examples
93
269000
2000
Mutatni fogok pár példát,
04:55
of how pervasive this phenomena is.
94
271000
3000
mennyire átható is valójában ez a jelenség.
04:58
The actual paradigm-shift rate, the rate of adopting new ideas,
95
274000
4000
A jelenlegi paradigmaváltás mértéke, az új ötletek elfogadásának mértéke
05:02
is doubling every decade, according to our models.
96
278000
3000
minden évtizedben megduplázódik a modelljeink szerint.
05:05
These are all logarithmic graphs,
97
281000
3000
Ezek mind logaritmikus grafikonok,
05:08
so as you go up the levels it represents, generally multiplying by factor of 10 or 100.
98
284000
3000
tehát ha felfele haladunk a szinteken amelyeket képviselnek, általában 10 vagy 100-szorosára sokszorozódnak.
05:11
It took us half a century to adopt the telephone,
99
287000
3000
Fél évszázadunkba telt, hogy hozzászokjunk a telefonhoz,
05:14
the first virtual-reality technology.
100
290000
3000
amely az első virtuális-valóság technológia volt.
05:17
Cell phones were adopted in about eight years.
101
293000
2000
A mobiltelefonokhoz már csak nyolc év kellett.
05:19
If you put different communication technologies
102
295000
3000
Ha a különböző kommunikációs technológiákat
05:22
on this logarithmic graph,
103
298000
2000
erre a logaritmusos grafikonra helyezzük,
05:24
television, radio, telephone
104
300000
2000
a televízió, rádió, a telefon
05:26
were adopted in decades.
105
302000
2000
mind több évtizedekig tartott, míg elfogadott lett.
05:28
Recent technologies -- like the PC, the web, cell phones --
106
304000
3000
A jelenlegi technológiák – mint a PC, a web, a mobil telefonok --
05:31
were under a decade.
107
307000
2000
mind kevesebb, mint egy évtized alatt.
05:33
Now this is an interesting chart,
108
309000
2000
Nos ezért érdekes ez az ábra,
05:35
and this really gets at the fundamental reason why
109
311000
2000
és ezzel válik érthetővé az az alapvető ok,
05:37
an evolutionary process -- and both biology and technology are evolutionary processes --
110
313000
4000
hogy egy evolúciós folyamat – a biológia, és a technológia is evolúciós folyamat –
05:41
accelerate.
111
317000
2000
miért gyorsul fel.
05:43
They work through interaction -- they create a capability,
112
319000
3000
Az interakción keresztül működnek – megteremtik a képességet,
05:46
and then it uses that capability to bring on the next stage.
113
322000
3000
majd felhasználják ezt a képességet, hogy előidézzék a következő fejlődési fokozatot.
05:49
So the first step in biological evolution,
114
325000
3000
Az első lépés a biológiai evolúcióban
05:52
the evolution of DNA -- actually it was RNA came first --
115
328000
2000
a DNS evolúciója volt – valójában az RNS volt előbb –
05:54
took billions of years,
116
330000
2000
évmilliárdokig tartott,
05:56
but then evolution used that information-processing backbone
117
332000
3000
de az evolúció ezt az információ-feldolgozási gerincet használta fel,
05:59
to bring on the next stage.
118
335000
2000
hogy a következő fejlődési fokozatba lépjen.
06:01
So the Cambrian Explosion, when all the body plans of the animals were evolved,
119
337000
3000
A kambriumi robbanás, amikor az összes állat testének „tervrajza” kifejlődött,
06:04
took only 10 million years. It was 200 times faster.
120
340000
4000
csak 10 millió évig tartott. 200-szor gyorsabb volt.
06:08
And then evolution used those body plans
121
344000
2000
Majd az evolúció ezeket a tervrajzokat használta,
06:10
to evolve higher cognitive functions,
122
346000
2000
hogy magasabb kognitív funkciókat fejlesszen ki,
06:12
and biological evolution kept accelerating.
123
348000
2000
és a biológiai evolúció tovább gyorsult.
06:14
It's an inherent nature of an evolutionary process.
124
350000
3000
. Ez az evolúciós folyamat vele járó természete.
06:17
So Homo sapiens, the first technology-creating species,
125
353000
3000
Úgyis, mint a Homo sapiensé, az első technológia-alkotó fajé,
06:20
the species that combined a cognitive function
126
356000
2000
azé a fajé, amely kombinálta a kognitív funkciót
06:22
with an opposable appendage --
127
358000
2000
egyik szembefordítható tartozékával –
06:24
and by the way, chimpanzees don't really have a very good opposable thumb --
128
360000
4000
apropó, a csimpánzoknak nem igazán van szembefordítható hüvelykujja –
06:28
so we could actually manipulate our environment with a power grip
129
364000
2000
tehát mi valóban manipulálni tudjuk a környezetünket erős fogással
06:30
and fine motor coordination,
130
366000
2000
és finom-motorikus koordinációval,
06:32
and use our mental models to actually change the world
131
368000
2000
a mentális modelljeinket tudjuk használni, hogy ténylegesen megváltoztassuk a világot,
06:34
and bring on technology.
132
370000
2000
s előidézzük a technológiát.
06:36
But anyway, the evolution of our species took hundreds of thousands of years,
133
372000
3000
Akárhogyis, fajunk evolúciója több százezer évig tartott,
06:39
and then working through interaction,
134
375000
2000
és az interakción keresztül
06:41
evolution used, essentially,
135
377000
2000
az evolúció alapvetően
06:43
the technology-creating species to bring on the next stage,
136
379000
3000
a technológia-alkotó fajt használta fel, hogy a következő szintre lépjen,
06:46
which were the first steps in technological evolution.
137
382000
3000
amelyek a technikai evolúció első lépései voltak.
06:49
And the first step took tens of thousands of years --
138
385000
3000
Az első lépés több tízezer évig tartott –
06:52
stone tools, fire, the wheel -- kept accelerating.
139
388000
3000
kőszerszámok, tűz, a kerék – s egyre csak gyorsult a folyamat.
06:55
We always used then the latest generation of technology
140
391000
2000
Mindig a legutolsó generációs technológiát használtuk fel,
06:57
to create the next generation.
141
393000
2000
hogy megteremtsük a következő generációt.
06:59
Printing press took a century to be adopted;
142
395000
2000
A nyomdagép adaptációja egy évszázad volt,
07:01
the first computers were designed pen-on-paper -- now we use computers.
143
397000
4000
az első számítógépeket papíron tervezték – most már számítógépeket használunk erre.
07:05
And we've had a continual acceleration of this process.
144
401000
3000
S ennek a folyamatnak a szakadatlan gyorsulását éljük.
07:08
Now by the way, if you look at this on a linear graph, it looks like everything has just happened,
145
404000
3000
Most pedig, ha ezt a folyamatot a lineáris grafikonon néznénk, úgy tűnne, hogy minden csak úgy megtörtént,
07:11
but some observer says, "Well, Kurzweil just put points on this graph
146
407000
6000
de pár szemlélő azt mondaná „nahát, Kurzweil csak pontokat rakott erre a grafikonra,
07:17
that fall on that straight line."
147
413000
2000
amelyek egy egyenest alkotnak”.
07:19
So, I took 15 different lists from key thinkers,
148
415000
3000
Ezért fogtam 15 különböző listát a fontos véleményformálóktól,
07:22
like the Encyclopedia Britannica, the Museum of Natural History, Carl Sagan's Cosmic Calendar
149
418000
4000
mint például az Encyclopedia Britannica, a Természet-történeti Múzeum, vagy Carl Sagan Kozmikus kalendáriuma –
07:26
on the same -- and these people were not trying to make my point;
150
422000
3000
s ezek a szerzők nem próbálták bizonyítani az állításomat;
07:29
these were just lists in reference works,
151
425000
2000
ezek csak felsorolások voltak referenciamunkákban,
07:31
and I think that's what they thought the key events were
152
427000
3000
s úgy gondolom ez volt, amit ők
07:34
in biological evolution and technological evolution.
153
430000
3000
a biológiai és technológiai fejlődés kulcs eseményeinek gondoltak.
07:37
And again, it forms the same straight line. You have a little bit of thickening in the line
154
433000
3000
S ismét, ez ugyanazt az egyenes vonalat adja. Egy kis sűrűsödés van a vonalban,
07:40
because people do have disagreements, what the key points are,
155
436000
3000
mivel az emberek között van némi vita, mik a kulcsesemények,
07:43
there's differences of opinion when agriculture started,
156
439000
2000
eltérnek a vélemények abban, hogy mikor kezdődött a mezőgazdaság,
07:45
or how long the Cambrian Explosion took.
157
441000
3000
vagy meddig tartott a kambriai robbanás.
07:48
But you see a very clear trend.
158
444000
2000
De látható egy nagyon tiszta trend:
07:50
There's a basic, profound acceleration of this evolutionary process.
159
446000
5000
jelen van egy alapvető, beható gyorsulása ennek az evolúciós folyamatnak.
07:55
Information technologies double their capacity, price performance, bandwidth,
160
451000
5000
Az információs technológiák megduplázzák a kapacitásukat, ár-érték arányukat, sávszélességüket
08:00
every year.
161
456000
2000
minden évben,
08:02
And that's a very profound explosion of exponential growth.
162
458000
4000
s ez egy igencsak beható robbanása az exponenciális növekedésnek.
08:06
A personal experience, when I was at MIT --
163
462000
2000
Személyes tapasztalatom, amikor az MIT-n voltam,
08:08
computer taking up about the size of this room,
164
464000
2000
az a számítógép, amely akkora helyet foglalt, mint ez az előadó,
08:10
less powerful than the computer in your cell phone.
165
466000
5000
sokkal kisebb teljesítményű, mint bárki mobiltelefonjában található számítógép.
08:15
But Moore's Law, which is very often identified with this exponential growth,
166
471000
4000
Moore törvénye, amelyet nagyon gyakran azonosítanak ezzel az exponenciális növekedéssel,
08:19
is just one example of many, because it's basically
167
475000
2000
csak egy példa a sok közül, mivel ez alapvetően
08:21
a property of the evolutionary process of technology.
168
477000
5000
csak egy tulajdonsága a technológia evolúciós folyamatának.
08:26
I put 49 famous computers on this logarithmic graph --
169
482000
3000
49 ismert számítógépet raktam erre a logaritmikus grafikonra –
08:29
by the way, a straight line on a logarithmic graph is exponential growth --
170
485000
4000
egyébként az egyenes vonal a logaritmikus grafikonon exponenciális növekedés –
08:33
that's another exponential.
171
489000
2000
ez egy másik exponenciális.
08:35
It took us three years to double our price performance of computing in 1900,
172
491000
3000
Három évünkbe került, hogy az megduplázzuk az informatikai ár-érték arányt 1900-ban,
08:38
two years in the middle; we're now doubling it every one year.
173
494000
3000
két évbe a század közepén, most pedig már évente duplázunk.
08:42
And that's exponential growth through five different paradigms.
174
498000
3000
S ez exponenciális növekedés öt különböző paradigmán keresztül.
08:45
Moore's Law was just the last part of that,
175
501000
2000
Moore törvénye csak ennek az utolsó része volt,
08:47
where we were shrinking transistors on an integrated circuit,
176
503000
3000
ahol is tranzisztorokat kicsinyítettünk integrált áramköri lapkán,
08:50
but we had electro-mechanical calculators,
177
506000
3000
de voltak elektro-mechanikus kalkulátoraink,
08:53
relay-based computers that cracked the German Enigma Code,
178
509000
2000
, relé-alapú számítógépek, amelyekkel feltörték a német Enigma-kódot,
08:55
vacuum tubes in the 1950s predicted the election of Eisenhower,
179
511000
4000
a vákuum csöves gépek az 1950-es években megjósolták Eisenhower megválasztását,
08:59
discreet transistors used in the first space flights
180
515000
3000
diszkrét tranzisztorokat használtak az első űrrepülések alkalmával,
09:02
and then Moore's Law.
181
518000
2000
s csak ezután jött Moore törvénye.
09:04
Every time one paradigm ran out of steam,
182
520000
2000
Minden alkalommal, amint egy paradigmából kifogyott a gőz,
09:06
another paradigm came out of left field to continue the exponential growth.
183
522000
3000
másik paradigma lépett a helyébe, hogy az exponenciális növekedés folytatódjon.
09:09
They were shrinking vacuum tubes, making them smaller and smaller.
184
525000
3000
Elkezdték kicsinyíteni a vákuumcsöveket, egyre kisebbek és kisebbek lettek.
09:12
That hit a wall. They couldn't shrink them and keep the vacuum.
185
528000
3000
Falba ütköztek, nem tudták tovább kicsinyíteni és megtartani a vákuumot.
09:15
Whole different paradigm -- transistors came out of the woodwork.
186
531000
2000
Egy teljesen különböző paradigma – a tranzisztorok érkeztek a laboratóriumból.
09:17
In fact, when we see the end of the line for a particular paradigm,
187
533000
3000
Tulajdonképpen, amikor látjuk a végét egy bizonyos paradigmának,
09:20
it creates research pressure to create the next paradigm.
188
536000
4000
az egy kutatási nyomást hoz létre, amely a következő paradigma megteremtésére vezet.
09:24
And because we've been predicting the end of Moore's Law
189
540000
3000
S mivel már jó ideje Moore törvényének végét jósoljuk
09:27
for quite a long time -- the first prediction said 2002, until now it says 2022.
190
543000
3000
– az első becslés 2002-re szólt, most ez már 2022 lett.
09:30
But by the teen years,
191
546000
3000
De a kétezer tízes évekre
09:33
the features of transistors will be a few atoms in width,
192
549000
3000
évekre a tranzisztorok kialakítása csak pár atomnyi széles lesz,
09:36
and we won't be able to shrink them any more.
193
552000
2000
s nem leszünk képesek tovább kicsinyíteni ezeket.
09:38
That'll be the end of Moore's Law, but it won't be the end of
194
554000
3000
Ez lesz az igazi vége a Moore törvénynek, de nem lesz egyben a végpontja
09:41
the exponential growth of computing, because chips are flat.
195
557000
2000
az informatika exponenciális növekedésének, csak azért mert a chipek laposak [síkban vannak].
09:43
We live in a three-dimensional world; we might as well use the third dimension.
196
559000
3000
Három-dimenziós világban élünk, ugyanúgy felhasználhatjuk a harmadik dimenziót.
09:46
We will go into the third dimension
197
562000
2000
. Be fogunk lépni a harmadik dimenzióba,
09:48
and there's been tremendous progress, just in the last few years,
198
564000
3000
s félelmetes növekedés látszik, az utóbbi pár évben
09:51
of getting three-dimensional, self-organizing molecular circuits to work.
199
567000
4000
amit a három-dimenzióssá válással, az önszervező molekuláris áramkörök készítésével töltöttünk.
09:55
We'll have those ready well before Moore's Law runs out of steam.
200
571000
7000
Hamarabb készen fognak állni, mielőtt Moore törvényéből kifogyna a szusz.
10:02
Supercomputers -- same thing.
201
578000
2000
A szuperszámítógépek – ugyanez.
10:05
Processor performance on Intel chips,
202
581000
3000
Az Intel chipekben a processzorok teljesítménye –
10:08
the average price of a transistor --
203
584000
3000
az átlagos ára egy tranzisztornak
10:11
1968, you could buy one transistor for a dollar.
204
587000
3000
1968-ban – egy dollár egy tranzisztort ért.
10:14
You could buy 10 million in 2002.
205
590000
3000
Ugyanennyiért 10 milliót kaphatunk 2002-ben.
10:17
It's pretty remarkable how smooth
206
593000
3000
Igencsak figyelemreméltó, mennyire egyenletes
10:20
an exponential process that is.
207
596000
2000
exponenciális folyamat ez.
10:22
I mean, you'd think this is the result of some tabletop experiment,
208
598000
3000
Úgy értem, gondolhatják, hogy ez csak egy íróasztal előtti kísérlet,
10:26
but this is the result of worldwide chaotic behavior --
209
602000
3000
ezzel szemben ez a világszintű kaotikus magatartás eredménye –
10:29
countries accusing each other of dumping products,
210
605000
2000
ilyen, mikor országok vádolják egymást termékdömpingekkel,
10:31
IPOs, bankruptcies, marketing programs.
211
607000
2000
ilyenek a tőzsdei bevezetések (IPO), a csődök és a marketing programok.
10:33
You would think it would be a very erratic process,
212
609000
3000
Úgy gondolnánk, hogy mindez egy igencsak egyenetlen folyamat,
10:36
and you have a very smooth
213
612000
2000
s mégis egy igen egyenletes
10:38
outcome of this chaotic process.
214
614000
2000
kimenetele van ennek a kaotikus folyamatnak.
10:40
Just as we can't predict
215
616000
2000
Csakúgy, minthogy nem tudjuk megjósolni,
10:42
what one molecule in a gas will do --
216
618000
2000
hogy egy bizonyos molekula egy gázban mit fog tenni –
10:44
it's hopeless to predict a single molecule --
217
620000
3000
teljesen reménytelen egy molekulát megjósolni –
10:47
yet we can predict the properties of the whole gas,
218
623000
2000
mégis tudjuk előre látni a teljes gáz tulajdonságait
10:49
using thermodynamics, very accurately.
219
625000
3000
a termodinamika használatával, egészen pontosan.
10:52
It's the same thing here. We can't predict any particular project,
220
628000
3000
Ugyanez a dolog működik itt is. Nem tudunk jóslatot adni egy adott projektre vonatkozóan,
10:55
but the result of this whole worldwide,
221
631000
2000
de az egész világszintű,
10:57
chaotic, unpredictable activity of competition
222
633000
5000
kaotikus, kiszámíthatatlan léte a versengésnek
11:02
and the evolutionary process of technology is very predictable.
223
638000
3000
és a technológiai haladás evolúciója nagyon is előre látható.
11:05
And we can predict these trends far into the future.
224
641000
3000
S előre láthatjuk ezeket a trendeket a távoli jövőre nézve is.
11:10
Unlike Gertrude Stein's roses,
225
646000
2000
Gertrude Stein rózsáival ellentétben,
11:12
it's not the case that a transistor is a transistor.
226
648000
2000
ez nem az „ez a tranzisztor ugyanaz a tranzisztor” esete.
11:14
As we make them smaller and less expensive,
227
650000
2000
Ahogy egyre kisebbé és kevésbé költségessé változtatjuk ezeket,
11:16
the electrons have less distance to travel.
228
652000
2000
az elektronoknak kevesebb utat kell megtenniük.
11:18
They're faster, so you've got exponential growth in the speed of transistors,
229
654000
4000
Gyorsabbak lesznek, tehát a tranzisztorok sebességében lesz exponenciális növekedés,
11:22
so the cost of a cycle of one transistor
230
658000
4000
, tehát egy tranzisztorciklus ára
11:26
has been coming down with a halving rate of 1.1 years.
231
662000
3000
ára fog megfeleződni 1.1 éves ütemben.
11:29
You add other forms of innovation and processor design,
232
665000
3000
Ha más innovációs formát vagy processzor-designt választunk,
11:32
you get a doubling of price performance of computing every one year.
233
668000
4000
, az ár-érték arány duplázódását kapjuk a számítási teljesítményben minden évben.
11:36
And that's basically deflation --
234
672000
3000
S ez alapvetően defláció –
11:39
50 percent deflation.
235
675000
2000
50 százalékos defláció.
11:41
And it's not just computers. I mean, it's true of DNA sequencing;
236
677000
3000
S nem csak a számítógépek tekintetében. Úgy értem ez igaz a DNS szekvenszálásra is;
11:44
it's true of brain scanning;
237
680000
2000
; igaz az agyi képalkotásra;
11:46
it's true of the World Wide Web. I mean, anything that we can quantify,
238
682000
2000
; igaz a World Wide Webre. Úgy értem, hogy minden, amit meg tudunk kvantálni,
11:48
we have hundreds of different measurements
239
684000
3000
s van több százféle különböző mérőszámunk,
11:51
of different, information-related measurements --
240
687000
3000
információtechológiai mérőszámok –
11:54
capacity, adoption rates --
241
690000
2000
kapacitás, adoptációs ráta –
11:56
and they basically double every 12, 13, 15 months,
242
692000
3000
s gyakorlatilag 12, 13, 15 havonta megduplázódnak,
11:59
depending on what you're looking at.
243
695000
2000
attól függően melyiket nézzük.
12:01
In terms of price performance, that's a 40 to 50 percent deflation rate.
244
697000
4000
Ár-érték arányban kifejezve ez 40-től 50 százalékos deflációs ráta,
12:06
And economists have actually started worrying about that.
245
702000
2000
s a közgazdászok máris aggódnak emiatt.
12:08
We had deflation during the Depression,
246
704000
2000
Deflációt tapasztaltunk a Világválság alatt,
12:10
but that was collapse of the money supply,
247
706000
2000
de az a pénz-ellátás összeomlása volt,
12:12
collapse of consumer confidence, a completely different phenomena.
248
708000
3000
a vásárlói bizalom összeomlása, egy teljesen különböző jelenség.
12:15
This is due to greater productivity,
249
711000
2000
A mi esetünkben ez a megnövekedett termelékenység miatt van,
12:18
but the economist says, "But there's no way you're going to be able to keep up with that.
250
714000
2000
de a közgazdászok válasza erre: „de nincs esély se rá, hogy ezt fent tudjuk tartani.
12:20
If you have 50 percent deflation, people may increase their volume
251
716000
3000
Ha 50 százalékos defláció van, akkor hiába növeljük a termelést
12:23
30, 40 percent, but they won't keep up with it."
252
719000
2000
30, 40 százalékkal, nem fognak tudni lépést tartani vele.”
12:25
But what we're actually seeing is that
253
721000
2000
Ezzel szemben, amit ténylegesen látunk az az,
12:27
we actually more than keep up with it.
254
723000
2000
, hogy igenis lépést tudunk tartani.
12:29
We've had 28 percent per year compounded growth in dollars
255
725000
3000
Dollárban számolva évente 28 százalékos konszolidált növekedés volt
12:32
in information technology over the last 50 years.
256
728000
3000
volt az információtechnológiában az elmúlt 50 évben.
12:35
I mean, people didn't build iPods for 10,000 dollars 10 years ago.
257
731000
4000
Persze az emberek nem vettek 10.000 dollárért iPodokat 10 évvel ezelőtt.
12:39
As the price performance makes new applications feasible,
258
735000
3000
. Amint az-érték arány az új alkalmazásokat megvalósíthatóvá teszi,
12:42
new applications come to the market.
259
738000
2000
az új alkalmazások megjelennek a piacon.
12:44
And this is a very widespread phenomena.
260
740000
3000
S ez egy eléggé elterjedt jelenség.
12:47
Magnetic data storage --
261
743000
2000
A mágneses adattárolás –
12:49
that's not Moore's Law, it's shrinking magnetic spots,
262
745000
3000
ez nem Moore törvénye szerint működik – csökkenő mágneses pontok,
12:52
different engineers, different companies, same exponential process.
263
748000
4000
más mérnökök, más gyártók, ugyanaz az exponenciális folyamat.
12:56
A key revolution is that we're understanding our own biology
264
752000
4000
A kulcsfordulat az, hogy ezeknek az informatikai feltételeknek
13:00
in these information terms.
265
756000
2000
a segítségével kezdjük megérteni a saját biológiánkat.
13:02
We're understanding the software programs
266
758000
2000
Megértjük azokat a szoftver-programokat,
13:04
that make our body run.
267
760000
2000
amelyek a testünket vezérlik.
13:06
These were evolved in very different times --
268
762000
2000
Ezek teljesen más korszakban fejlődtek ki –
13:08
we'd like to actually change those programs.
269
764000
2000
s mi képessé akarunk válni, hogy megváltoztassuk ezeket a programokat.
13:10
One little software program, called the fat insulin receptor gene,
270
766000
2000
Egy kis szoftver program, amelyet zsír-inzulin receptor génnek nevezünk,
13:12
basically says, "Hold onto every calorie,
271
768000
2000
, annyit mond: „ragaszkodj minden kalóriához,
13:14
because the next hunting season may not work out so well."
272
770000
4000
mert lehet a következő vadászszezon nem ilyen jól sül el”.
13:18
That was in the interests of the species tens of thousands of years ago.
273
774000
3000
Ez volt a fajunk érdeke több tízezer évvel ezelőtt.
13:21
We'd like to actually turn that program off.
274
777000
3000
Igazából ki szeretnénk ezt a programot kapcsolni.
13:24
They tried that in animals, and these mice ate ravenously
275
780000
3000
Állatkísérletekben már próbáltuk, a farkasétvágyú egerek
13:27
and remained slim and got the health benefits of being slim.
276
783000
2000
vékonyak maradtak, és a vékonyság összes egészségügyi előnyét bírták.
13:29
They didn't get diabetes; they didn't get heart disease;
277
785000
3000
Nem lettek cukorbetegek; nem voltak szívproblémáik,
13:32
they lived 20 percent longer; they got the health benefits of caloric restriction
278
788000
3000
20 százalékkal tovább éltek, a kalóriamegvonás összes egészségügyi előnyét élvezhették
13:35
without the restriction.
279
791000
2000
tényleges megvonás nélkül.
13:37
Four or five pharmaceutical companies have noticed this,
280
793000
3000
Négy vagy öt gyógyszergyártó vállalat figyelt fel erre,
13:40
felt that would be
281
796000
3000
s úgy gondolták
13:43
interesting drug for the human market,
282
799000
3000
érdekes gyógyszer lehet a humán piacra is –
13:46
and that's just one of the 30,000 genes
283
802000
2000
s ez csak egy a 30.000 génből,
13:48
that affect our biochemistry.
284
804000
3000
amely a biokémiánkra hatással van.
13:51
We were evolved in an era where it wasn't in the interests of people
285
807000
3000
Olyan érában fejlődtünk ki, amelyben a korombeli embereknek --
13:54
at the age of most people at this conference, like myself,
286
810000
3000
akik ezen a konferencián itt vannak, beleértve magamat is,
13:57
to live much longer, because we were using up the precious resources
287
813000
4000
nem állt érdekükben hogy sokáig éljenek, mivel értékes erőforrásokat használtak volna fel,
14:01
which were better deployed towards the children
288
817000
1000
amelyek hasznosabbak lettek volna a gyermekeknek
14:02
and those caring for them.
289
818000
2000
és a róluk gondoskodóknak.
14:04
So, life -- long lifespans --
290
820000
2000
Tehát a hosszú élettartamok,
14:06
like, that is to say, much more than 30 --
291
822000
2000
amelyek mondjuk 30 évnél hosszabbak,
14:08
weren't selected for,
292
824000
3000
nem voltak eleve [genetikailag] kiválasztottak,
14:11
but we are learning to actually manipulate
293
827000
3000
de most tanuljuk, hogyan tudjuk kezelni és ténylegesen megváltoztatni
14:14
and change these software programs
294
830000
2000
ezeket a szoftver programokat
14:16
through the biotechnology revolution.
295
832000
2000
a biotechnológiai forradalom keretei között.
14:18
For example, we can inhibit genes now with RNA interference.
296
834000
4000
Például, már tudunk géneket gátolni RNS beavatkozással.
14:22
There are exciting new forms of gene therapy
297
838000
2000
Izgalmas új formái jelentek meg a génterápiának,
14:24
that overcome the problem of placing the genetic material
298
840000
2000
, amelyek segítenek úrrá lenni a problémán, hogyan tudunk génanyagot elhelyezni
14:26
in the right place on the chromosome.
299
842000
2000
a megfelelő helyre a kromoszómán belül.
14:28
There's actually a -- for the first time now,
300
844000
3000
Van is éppen ilyen – először a történelemben,
14:31
something going to human trials, that actually cures pulmonary hypertension --
301
847000
3000
amely eljut az embereken végzett kísérletig – amely ténylegesen a tüdő-hipertóniát gyógyítja –
14:34
a fatal disease -- using gene therapy.
302
850000
3000
amely egy végzetes betegség – a génterápia használatával.
14:37
So we'll have not just designer babies, but designer baby boomers.
303
853000
3000
Tehát nem csak designer babáink lesznek, de designer baby-boomereink is.
14:40
And this technology is also accelerating.
304
856000
3000
S ez a technológia is gyorsul természetesen.
14:43
It cost 10 dollars per base pair in 1990,
305
859000
3000
10 dollárba került bázispáronként 1990-ben,
14:46
then a penny in 2000.
306
862000
2000
és egy penny-be 2000-ben.
14:48
It's now under a 10th of a cent.
307
864000
2000
Most már tized-cent alatt van.
14:50
The amount of genetic data --
308
866000
2000
A genetikai adat mennyisége –
14:52
basically this shows that smooth exponential growth
309
868000
3000
ténylegesen ez is azt az egyenletes exponenciális növekedésű
14:55
doubled every year,
310
871000
2000
duplázódást mutatja minden évben,
14:57
enabling the genome project to be completed.
311
873000
3000
teszi lehetővé a génállomány-projekt befejezését.
15:00
Another major revolution: the communications revolution.
312
876000
3000
Másik fő forradalmi irány: a kommunikáció forradalma.
15:03
The price performance, bandwidth, capacity of communications measured many different ways;
313
879000
5000
A kommunikáció ár-érték aránya, sávszélessége, kapacitása mind különféle módokon mérhető;
15:08
wired, wireless is growing exponentially.
314
884000
3000
vezetékes vagy vezeték nélküli – exponenciálisan nő.
15:11
The Internet has been doubling in power and continues to,
315
887000
3000
. Az Internet duplázódik erejében, s továbbra is ezt fogja tenni –
15:14
measured many different ways.
316
890000
2000
– több módszerrel mérve is.
15:16
This is based on the number of hosts.
317
892000
2000
A kiszolgálók száma szerint is igaz ez.
15:18
Miniaturization -- we're shrinking the size of technology
318
894000
2000
Miniatürizáció – a technológia befoglaló méretét
15:20
at an exponential rate,
319
896000
2000
méretét exponenciális rátával kicsinyítjük,
15:22
both wired and wireless.
320
898000
2000
mind a vezetékes, mind a vezeték nélküli [eszközök] esetében.
15:24
These are some designs from Eric Drexler's book --
321
900000
4000
Eric Drexler könyvéből ismerünk olyan terveket,
15:28
which we're now showing are feasible
322
904000
2000
– amelyek már megvalósíthatónak látszanak
15:30
with super-computing simulations,
323
906000
2000
szuper-számítógépes szimulációkkal,
15:32
where actually there are scientists building
324
908000
2000
ahol kutatók ténylegesen
15:34
molecule-scale robots.
325
910000
2000
molekula-méretű robotokat építenek.
15:36
One has one that actually walks with a surprisingly human-like gait,
326
912000
2000
Egyikük [robotjának] meghökkentően emberszerűen testtartása van
15:38
that's built out of molecules.
327
914000
3000
molekulákból felépítve.
15:41
There are little machines doing things in experimental bases.
328
917000
4000
Kis gépek végeznek feladatokat ezekben a kísérletekben.
15:45
The most exciting opportunity
329
921000
3000
A legizgalmasabb lehetőség lenne az,
15:48
is actually to go inside the human body
330
924000
2000
hogy az emberi testbe kerülhetnek,
15:50
and perform therapeutic and diagnostic functions.
331
926000
3000
s ott terápiás és diagnosztikus funkciókat láthatnak el.
15:53
And this is less futuristic than it may sound.
332
929000
2000
S ez sokkal kevésbé futurisztikus, mint amilyennek hallatszik
15:55
These things have already been done in animals.
333
931000
2000
– ezek már mind állatkísérletekben megvalósultak.
15:57
There's one nano-engineered device that cures type 1 diabetes. It's blood cell-sized.
334
933000
4000
Van egy nano-tervezésű eszköz, amely az 1. típusú cukorbetegséget gyógyítja, vérsejtre méretezve.
16:01
They put tens of thousands of these
335
937000
2000
Ezeknek a tízezreit
16:03
in the blood cell -- they tried this in rats --
336
939000
2000
a vérsejtekbe juttatva – mint patkányokon ezt tesztelték –
16:05
it lets insulin out in a controlled fashion,
337
941000
2000
kontrollált módon teszik lehetővé az inzulin-kiválasztást,
16:07
and actually cures type 1 diabetes.
338
943000
2000
amely ténylegesen gyógyítja az 1. típusú cukorbetegséget.
16:09
What you're watching is a design
339
945000
3000
Amit most látnak, az egy
16:12
of a robotic red blood cell,
340
948000
2000
vörös vértest robot designja,
16:14
and it does bring up the issue that our biology
341
950000
2000
, s ez felveti azt a kérdést, hogy a biológiánk
16:16
is actually very sub-optimal,
342
952000
2000
mennyire szuboptimális,
16:18
even though it's remarkable in its intricacy.
343
954000
3000
habár figyelemreméltó bonyolultságát tekintve.
16:21
Once we understand its principles of operation,
344
957000
3000
Amint megértjük a működésének szabályszerűségeit,
16:24
and the pace with which we are reverse-engineering biology is accelerating,
345
960000
3000
s az ütem, amellyel visszafejtjük biológiánkat – tovább gyorsul,
16:28
we can actually design these things to be
346
964000
2000
ténylegesen több ezerszeresen specifikusabbra
16:30
thousands of times more capable.
347
966000
2000
tudjuk tervezni ezeket az eszközöket.
16:32
An analysis of this respirocyte, designed by Rob Freitas,
348
968000
4000
Ennek a Rob Freitas által tervezett respirocitának (hipotetikus mű-vörösvértest) analízise azt mutatja,
16:37
indicates if you replace 10 percent of your red blood cells with these robotic versions,
349
973000
2000
ha vörös vértestjeink 10 százalékát ha azok robotpárjaira cserélnénk,
16:40
you could do an Olympic sprint for 15 minutes without taking a breath.
350
976000
3000
15 perces futásban olimpiai rekordot tudnánk futni levegővétel nélkül.
16:43
You could sit at the bottom of your pool for four hours --
351
979000
3000
Az úszómedencénk alján üldögélhetnénk órákig,
16:46
so, "Honey, I'm in the pool," will take on a whole new meaning.
352
982000
4000
így a „szívem, a medencében vagyok” kijelentés teljesen új értelmet nyerne.
16:50
It will be interesting to see what we do in our Olympic trials.
353
986000
2000
Érdekes lenne látni, hogy működne ez az olimpiai versenyeken.
16:52
Presumably we'll ban them,
354
988000
2000
Feltehetőleg kitiltanák,
16:54
but then we'll have the specter of teenagers in their high schools gyms
355
990000
2000
de akkor azt tapasztalnánk, hogy a versenyszellemű tinédzserek a középiskolai tornatermekben
16:56
routinely out-performing the Olympic athletes.
356
992000
3000
rutinszerűen túlteljesítenék az Olimpiai atlétákat.
17:01
Freitas has a design for a robotic white blood cell.
357
997000
3000
Freitas tervezett egy fehérvértest-robotot is.
17:04
These are 2020-circa scenarios,
358
1000000
4000
Ezek 2020-körüli forgatókönyvek,
17:08
but they're not as futuristic as it may sound.
359
1004000
2000
de nem olyan futurisztikusak, mint amilyennek látszanak.
17:10
There are four major conferences on building blood cell-sized devices;
360
1006000
4000
Négy fontosabb konferencia szól a vérsejt-méretű eszközök fejlesztéséről,
17:14
there are many experiments in animals.
361
1010000
2000
s rengeteg állatkísérlet zajlik.
17:16
There's actually one going into human trial,
362
1012000
2000
Egyik már ténylegesen emberi kísérleti szakaszba lép,
17:18
so this is feasible technology.
363
1014000
3000
tehát ez már elérhető technológia.
17:22
If we come back to our exponential growth of computing,
364
1018000
2000
Ha felidézzük a számítástechnika exponenciális fejlődését,
17:24
1,000 dollars of computing is now somewhere between an insect and a mouse brain.
365
1020000
3000
1000 dollár számítási teljesítmény most valahol egy rovar- és egy egéragy között van.
17:27
It will intersect human intelligence
366
1023000
3000
Keresztezni fogja az emberi intelligenciát
17:30
in terms of capacity in the 2020s,
367
1026000
3000
kapacitási értelemben a 2020-as években,
17:33
but that'll be the hardware side of the equation.
368
1029000
2000
de ez csak a hardver része lesz az egyenletnek.
17:35
Where will we get the software?
369
1031000
2000
Honnan lesz szoftverünk?
17:37
Well, it turns out we can see inside the human brain,
370
1033000
2000
Mint kiderült, meg tudjuk figyelni az emberi agy belső folyamatait,
17:39
and in fact not surprisingly,
371
1035000
2000
és nem meglepő módon,
17:41
the spatial and temporal resolution of brain scanning is doubling every year.
372
1037000
4000
a homloklebenyi és a halántéklebenyi agyi képalkotás felbontása is megduplázódik minden évben.
17:45
And with the new generation of scanning tools,
373
1041000
2000
A képalkotó eszközök új generációival,
17:47
for the first time we can actually see
374
1043000
2000
első alkalommal ténylegesen láthatóvá váltak
17:49
individual inter-neural fibers
375
1045000
2000
az idegrostok egyedi példányai,
17:51
and see them processing and signaling in real time --
376
1047000
3000
s a történelemben először láthatjuk ezeket [információt] feldolgozni és továbbítani valós időben –
17:54
but then the question is, OK, we can get this data now,
377
1050000
2000
– ez után viszont jogos a kérdés, miszerint: rendben, immár rendelkezünk az adattal,
17:56
but can we understand it?
378
1052000
2000
de hogy tudjuk értelmezni?
17:58
Doug Hofstadter wonders, well, maybe our intelligence
379
1054000
3000
Doug Hofstadter úgy véli, talán az intelligenciánk
18:01
just isn't great enough to understand our intelligence,
380
1057000
3000
intelligenciánk mégsem olyan nagy, hogy megérthessük a saját intelligenciánkat,
18:04
and if we were smarter, well, then our brains would be that much more complicated,
381
1060000
3000
, s ha még okosabbak lennénk, ezzel együtt az agyunk is sokkal bonyolultabb lenne,
18:07
and we'd never catch up to it.
382
1063000
2000
és soha nem érnénk utol.
18:10
It turns out that we can understand it.
383
1066000
3000
Mégis, úgy néz ki meg tudjuk érteni.
18:13
This is a block diagram of
384
1069000
3000
Ez az emberi hallókéreg
18:16
a model and simulation of the human auditory cortex
385
1072000
4000
modelljének és szimulációjának blokkdiagramja,
18:20
that actually works quite well --
386
1076000
2000
amely egészen jól működik –
18:22
in applying psychoacoustic tests, gets very similar results to human auditory perception.
387
1078000
2000
a pszicho-akusztikus tesztekre egész hasonló eredményeket ad, mint az emberi hallás-érzékelés.
18:26
There's another simulation of the cerebellum --
388
1082000
3000
A kisagy szimulációja –
18:29
that's more than half the neurons in the brain --
389
1085000
2000
ez több mint a fele az agyban található idegsejteknek –
18:31
again, works very similarly to human skill formation.
390
1087000
3000
szintén hasonlóan működik, mint az emberi képesség-alakítás.
18:35
This is at an early stage, but you can show
391
1091000
3000
Ez csak korai fázisban van,
18:38
with the exponential growth of the amount of information about the brain
392
1094000
3000
de az agyról rendelkezésre álló információnk exponenciális növekedését,
18:41
and the exponential improvement
393
1097000
2000
s az agyi képalkotás felbontásának
18:43
in the resolution of brain scanning,
394
1099000
2000
felbontásának exponenciális javulását figyelembe véve
18:45
we will succeed in reverse-engineering the human brain
395
1101000
3000
sikerrel fejthetjük vissza az emberi agy működését
18:48
by the 2020s.
396
1104000
2000
a 2020-as évekre.
18:50
We've already had very good models and simulation of about 15 regions
397
1106000
3000
. Már most is egész jó modellekkel és szimulációkkal rendelkezünk 15 régióról
18:53
out of the several hundred.
398
1109000
3000
a több százból.
18:56
All of this is driving
399
1112000
2000
Ez [a folyamat] hajtja az
18:58
exponentially growing economic progress.
400
1114000
2000
exponenciális gazdasági növekedési folyamatot.
19:00
We've had productivity go from 30 dollars to 150 dollars per hour
401
1116000
3000
A produktivitás 30 dollárról 150 dollárra növekedett munkaóránként
19:05
of labor in the last 50 years.
402
1121000
2000
az elmúlt 50 évben.
19:07
E-commerce has been growing exponentially. It's now a trillion dollars.
403
1123000
3000
Az elektronikus kereskedelem exponenciálisan növekszik. Már billió (trillion) dolláros piac.
19:10
You might wonder, well, wasn't there a boom and a bust?
404
1126000
2000
Joggal kérdezhetik: igen, de nem láttuk már ezt a felvirágzást és hanyatlást egyszer?
19:12
That was strictly a capital-markets phenomena.
405
1128000
2000
Szigorúan véve ez egy tőkepiaci jelenség volt.
19:14
Wall Street noticed that this was a revolutionary technology, which it was,
406
1130000
4000
A Wall Street észlelte, hogy ez egy forradalmi technológia, amely igaz is,
19:18
but then six months later, when it hadn't revolutionized all business models,
407
1134000
3000
de hat hónappal később, amikor nem forradalmasította az összes üzleti modellt,
19:21
they figured, well, that was wrong,
408
1137000
2000
akkor kiderült, hogy ez hibás volt –
19:23
and then we had this bust.
409
1139000
2000
és következett a hanyatlás.
19:26
All right, this is a technology
410
1142000
2000
Nos, ez egy olyan technológia,
19:28
that we put together using some of the technologies we're involved in.
411
1144000
3000
amelyet mi raktunk össze azoknak a technológiáknak a használatával, amelynek a fejlesztésében részt veszünk.
19:31
This will be a routine feature in a cell phone.
412
1147000
4000
Teljesen alap funkció lesz a mobiltelefonokban:
19:35
It would be able to translate from one language to another.
413
1151000
2000
képes lesz egyik nyelvről a másikra fordítani.
19:47
So let me just end with a couple of scenarios.
414
1163000
2000
Engedjék meg, hogy pár forgatókönyv felidézésével fejezzem be az előadást.
19:49
By 2010 computers will disappear.
415
1165000
3000
. 2010-re a számítógépek eltűnnek.
19:53
They'll be so small, they'll be embedded in our clothing, in our environment.
416
1169000
3000
Olyan kisméretűek lesznek, hogy a ruházatunkba és a környezetünkbe lesznek beillesztve.
19:56
Images will be written directly to our retina,
417
1172000
2000
A képeket közvetlenül a retinánkra vetítjük,
19:58
providing full-immersion virtual reality,
418
1174000
2000
teljesen átélhető virtuális valóságot teremtve,
20:00
augmented real reality. We'll be interacting with virtual personalities.
419
1176000
3000
kiterjesztett valóság (augmented reality) élménnyel. Virtuális személyiségekkel fogunk interakcióba lépni.
20:04
But if we go to 2029, we really have the full maturity of these trends,
420
1180000
4000
Ahogy elérjük 2029-et, teljes érettségében láthatjuk ezeket a trendeket,
20:08
and you have to appreciate how many turns of the screw
421
1184000
3000
s igazán értékelni fogjuk, hány technológiai-generációs fordulatot
20:11
in terms of generations of technology, which are getting faster and faster, we'll have at that point.
422
1187000
4000
tettünk meg a [képzeletbeli] csavarmeneten, amelyek egyre csak gyorsulnak eddig a pontig.
20:15
I mean, we will have two-to-the-25th-power
423
1191000
2000
Úgy értem eddigre a 2 ^25 mértékű lesz
20:17
greater price performance, capacity and bandwidth
424
1193000
3000
az ár-érték aránya, a kapacitása és a sávszélessége
20:20
of these technologies, which is pretty phenomenal.
425
1196000
2000
ezeknek a technológiáknak, ami egészen lenyűgöző.
20:22
It'll be millions of times more powerful than it is today.
426
1198000
2000
Milliószor erőteljesebb lesz, mint manapság.
20:24
We'll have completed the reverse-engineering of the human brain,
427
1200000
2000
Eddigre befejeztük a visszafejtését az emberi agy működésének –
20:27
1,000 dollars of computing will be far more powerful
428
1203000
3000
1000 dollár számítási kapacitás sokkal erősebb lesz
20:30
than the human brain in terms of basic raw capacity.
429
1206000
4000
mint az emberi agyé nyers kapacitás értelemben.
20:34
Computers will combine
430
1210000
2000
A számítógépek rendelkezni fognak
20:36
the subtle pan-recognition powers
431
1212000
2000
az emberi intelligencia olyan szub-rekogníciós képességeivel,
20:38
of human intelligence with ways in which machines are already superior,
432
1214000
3000
amelyekben a gépek már most is felsőbbrendűek,
20:41
in terms of doing analytic thinking,
433
1217000
2000
úgymint analitikai gondolkodás,
20:43
remembering billions of facts accurately.
434
1219000
2000
több milliárd tény pontos előhívása.
20:45
Machines can share their knowledge very quickly.
435
1221000
2000
A számítógépek képesek a tudásuk igen gyors megosztására.
20:47
But it's not just an alien invasion of intelligent machines.
436
1223000
5000
De ez nem csupán az intelligens gépek által vezérelt idegen megszállás lesz:
20:52
We are going to merge with our technology.
437
1228000
2000
össze fogunk olvadni a technológiánkkal.
20:54
These nano-bots I mentioned
438
1230000
2000
Az általam a korábbiakban említett nanobotok
20:56
will first be used for medical and health applications:
439
1232000
4000
orvosi és egészségügyi alkalmazásokban kerülnek először használatba:
21:00
cleaning up the environment, providing powerful fuel cells
440
1236000
3000
: a környezet megtisztítására, tartós energiacellaként,
21:03
and widely distributed decentralized solar panels and so on in the environment.
441
1239000
5000
és széles körben elosztott decentralizált napelemenként, stb. fognak megjelenni a környezetben.
21:08
But they'll also go inside our brain,
442
1244000
2000
. Emellett az agyunkba is behatolnak,
21:10
interact with our biological neurons.
443
1246000
2000
interakcióba lépnek a saját, biológiai neuronjainkkal.
21:12
We've demonstrated the key principles of being able to do this.
444
1248000
3000
Már demonstráltuk ez irányú képességeink alapelveit.
21:15
So, for example,
445
1251000
2000
Például:
21:17
full-immersion virtual reality from within the nervous system,
446
1253000
2000
az idegrendszerből induló teljes elmerülést a virtuális valóságban,
21:19
the nano-bots shut down the signals coming from your real senses,
447
1255000
3000
ahogy a nanobotok elfedik a saját valódi érzékeinkből érkező ingereket,
21:22
replace them with the signals that your brain would be receiving
448
1258000
3000
, s ezeket olyan ingerekre cserélik, mint amilyet a
21:25
if you were in the virtual environment,
449
1261000
2000
virtuális környezetünkből érzékelnénk az agyunkkal,
21:27
and then it'll feel like you're in that virtual environment.
450
1263000
2000
mintha a virtuális környezet lenne számunkra a valóság.
21:29
You can go there with other people, have any kind of experience
451
1265000
2000
Több emberrel közösen mehetünk ebbe a térbe,
21:31
with anyone involving all of the senses.
452
1267000
2000
s akár az összes érzékletet átfogó élményt élhetünk át bárkivel.
21:34
"Experience beamers," I call them, will put their whole flow of sensory experiences
453
1270000
3000
„Tapasztalati sugárzóállomásoknak” nevezem ezeket, az összes szenzorikus élményünket
21:37
in the neurological correlates of their emotions out on the Internet.
454
1273000
3000
s a hozzájuk a neurológiai korrelációkkal kapcsolódó érzelmeink áramlatát publikálhatjuk az Internetre.
21:40
You can plug in and experience what it's like to be someone else.
455
1276000
3000
Becsatlakozhatunk, és átélhetjük milyen másvalakinek lennünk.
21:43
But most importantly,
456
1279000
2000
De a legfontosabb mégis az,
21:45
it'll be a tremendous expansion
457
1281000
2000
hogy ez egy óriási kiterjesztése
21:47
of human intelligence through this direct merger with our technology,
458
1283000
4000
az emberi intelligenciának a technológiánkkal való direkt összeolvadás révén,
21:51
which in some sense we're doing already.
459
1287000
2000
amelyet bizonyos értelemben már ma is teszünk.
21:53
We routinely do intellectual feats
460
1289000
2000
Rendszeresen olyan intellektuális tetteket hajtunk végre,
21:55
that would be impossible without our technology.
461
1291000
2000
amelyre a technológiánk használata nélkül képtelenek lennénk.
21:57
Human life expectancy is expanding. It was 37 in 1800,
462
1293000
3000
A várható emberi élettartam tágul. 37 év volt 1800-ban,
22:00
and with this sort of biotechnology, nano-technology revolutions,
463
1296000
5000
s a biotechnológiai és nanotechnológiai forradalmak révén
22:05
this will move up very rapidly
464
1301000
2000
nagyon gyorsan fog emelkedni
22:07
in the years ahead.
465
1303000
2000
az elkövetkező években.
22:09
My main message is that progress in technology
466
1305000
4000
A fő üzenetem: a technológia fejlődése
22:13
is exponential, not linear.
467
1309000
3000
exponenciális, nem lineáris.
22:16
Many -- even scientists -- assume a linear model,
468
1312000
4000
Sokan – köztük tudósok is – a lineáris modellt valószínűsítik,
22:20
so they'll say, "Oh, it'll be hundreds of years
469
1316000
2000
, úgy vélik „ó, több száz év fog eltelni,
22:22
before we have self-replicating nano-technology assembly
470
1318000
3000
míg önreprodukáló nano-technológiával készült egységeink
22:25
or artificial intelligence."
471
1321000
2000
vagy mesterséges intelligenciánk lesz”.
22:27
If you really look at the power of exponential growth,
472
1323000
3000
Ha figyelmünket az exponenciális növekedésben rejlő erőre fordítjuk,
22:30
you'll see that these things are pretty soon at hand.
473
1326000
3000
, láthatjuk, hogy ezek az eszközök igen hamar a kezünkben lehetnek.
22:33
And information technology is increasingly encompassing
474
1329000
3000
Az informatika egyre jobban behálózza életünket,
22:36
all of our lives, from our music to our manufacturing
475
1332000
4000
a zenénktől az ipari gyártásunkon át a biológiánkig,
22:40
to our biology to our energy to materials.
476
1336000
4000
az energiánktól a nyersanyagainkig.
22:44
We'll be able to manufacture almost anything we need in the 2020s,
477
1340000
3000
Képesek leszünk gyakorlatilag bármit legyártani szükségleteink szerint a 2020-as években,
22:47
from information, in very inexpensive raw materials,
478
1343000
2000
az információtól az igen költséges nyersanyagokig,
22:49
using nano-technology.
479
1345000
3000
a nanotechnológia segítségével.
22:52
These are very powerful technologies.
480
1348000
2000
Ezek nagyon hatékony technológiák.
22:54
They both empower our promise and our peril.
481
1350000
4000
Egyszerre erősítik képességeinket és veszélyt is jelentenek.
22:58
So we have to have the will to apply them to the right problems.
482
1354000
3000
Ezért kell, hogy azzal a szándékkal rendelkezzünk, hogy a megfelelő problémákra fordíthassuk képességeinket.
23:01
Thank you very much.
483
1357000
1000
Köszönöm szépen.
23:02
(Applause)
484
1358000
1000
(Taps)
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