TED2010
Temple Grandin: The world needs all kinds of minds
Temple Grandin: A világnak mindenféle elmére szüksége van
Filmed:
Readability: 3.4
5,588,848 views
Temple Grandin, akinél gyerekkorában autizmust állapítottak meg, saját agyának működéséről beszél -- megosztja a "képekben gondolkodás" képességét, ami segítségére van abban, hogy olyan problémákat oldjon meg, amelyeket a neurotipikus agy talán nem vesz észre. Hangsúlyozza, hogy a világnak szüksége van olyan emberekre, akik az autista spektrumon helyezkednek el: vizuális gondolkodókra, mintákban gondolkodókra, verbális gondolkodókra és mindenféle okos, geek gyerekre.
Temple Grandin - Livestock handling designer, autism activist
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds. Full bio
Through groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds. Full bio
Double-click the English transcript below to play the video.
00:15
I think I'll start out and just talk a little bit about
0
0
2000
Azt hiszem azzal kezdem, hogy beszélek egy kicsit
00:17
what exactly autism is.
1
2000
2000
arról, hogy mi az autizmus.
00:19
Autism is a very big continuum
2
4000
3000
Az autizmus egy nagyon nagy kontinuum,
00:22
that goes from very severe -- the child remains non-verbal --
3
7000
3000
ami a nagyon súlyostól, mikor a gyermek non-verbális marad,
00:25
all the way up to brilliant scientists and engineers.
4
10000
3000
egészen a zseniális tudósokig és mérnökökig terjed.
00:28
And I actually feel at home here,
5
13000
2000
És itt igazán otthon érzem magam.
00:30
because there's a lot of autism genetics here.
6
15000
2000
Mert itt rengeteg az autista gén.
00:32
You wouldn't have any...
7
17000
2000
És nem lennének...
00:34
(Applause)
8
19000
4000
(Taps)
00:38
It's a continuum of traits.
9
23000
2000
Ez tulajdonságok kontinuuma.
00:40
When does a nerd turn into
10
25000
3000
Mikor lesz a kockafejből
00:43
Asperger, which is just mild autism?
11
28000
2000
Asperger, ami csak enyhe autizmus?
00:45
I mean, Einstein and Mozart
12
30000
3000
Úgy értem, Einsteint, Mozartot és Teslát
00:48
and Tesla would all be probably diagnosed
13
33000
2000
ma valószínűleg mind az autista
00:50
as autistic spectrum today.
14
35000
2000
spektrumon helyeznék el.
00:52
And one of the things that is really going to concern me is
15
37000
3000
És ami igazán foglalkoztat az az, hogy elérjük
00:55
getting these kids to be the ones that are going to invent
16
40000
3000
hogy ezek a gyerekek legyenek azok, akik feltalálják
00:58
the next energy things,
17
43000
2000
a következő energia kütyüket,
01:00
you know, that Bill Gates talked about this morning.
18
45000
4000
melyekről Bill Gates beszélt ma reggel.
01:04
OK. Now, if you want to understand
19
49000
2000
Nos. Ha meg akarják érteni
01:06
autism, animals.
20
51000
2000
az autizmust, az állatokat
01:08
And I want to talk to you now about different ways of thinking.
21
53000
2000
és most a különböző gondolkodási módokról szeretnék beszélni,
01:10
You have to get away from verbal language.
22
55000
3000
el kell szakadnunk a verbális nyelvtől.
01:13
I think in pictures,
23
58000
2000
Én képekben gondolkodom.
01:15
I don't think in language.
24
60000
3000
Nem nyelvben gondolkodom.
01:18
Now, the thing about the autistic mind
25
63000
2000
Nos, az autista elme
01:20
is it attends to details.
26
65000
3000
a részletekre figyel.
01:23
OK, this is a test where you either have to
27
68000
2000
OK, ez egy teszt, ahol vagy a nagybetűket
01:25
pick out the big letters, or pick out the little letters,
28
70000
2000
vagy a kisbetűket kell kiválasztani.
01:27
and the autistic mind picks out the
29
72000
2000
És az autista elme a kisbetűket
01:29
little letters more quickly.
30
74000
2000
veszi észre hamarabb.
01:31
And the thing is, the normal brain ignores the details.
31
76000
4000
És az a helyzet, hogy a normális elme figyelmen kívűl hagyja a részleteket.
01:35
Well, if you're building a bridge, details are pretty important
32
80000
2000
Nos, ha hidat építesz, a részletek elég fontosak,
01:37
because it will fall down if you ignore the details.
33
82000
3000
mert le fog szakadni, ha nem figyelsz a részletekre.
01:40
And one of my big concerns with a lot of policy things today
34
85000
3000
És az egyik nagy problémám sok politikai programmal,
01:43
is things are getting too abstract.
35
88000
2000
hogy kezdenek túl absztrakttá válni.
01:45
People are getting away from doing
36
90000
2000
Az emberek eltávolodnak
01:47
hands-on stuff.
37
92000
2000
a gyakorlati dolgoktól.
01:49
I'm really concerned that a lot of the schools have taken out
38
94000
2000
Nagyon aggaszt, hogy sok iskola eltörölte
01:51
the hands-on classes,
39
96000
2000
a gyakorlati órákat,
01:53
because art, and classes like that,
40
98000
2000
mert a művészet, és hasonló órák
01:55
those are the classes where I excelled.
41
100000
2000
voltak azok, amelyekben igazán jeleskedtem.
01:57
In my work with cattle,
42
102000
2000
Rendben, a marhákkal való munkám során
01:59
I noticed a lot of little things that most people don't notice
43
104000
3000
sok apróságot észrevettem, amit a legtöbb ember nem,
02:02
would make the cattle balk. Like, for example,
44
107000
2000
ami megriasztja a marhákat. Mint például
02:04
this flag waving, right in front of the veterinary facility.
45
109000
3000
ez a lobogó zászló pont az állatorvosi épület előtt.
02:07
This feed yard was going to tear down their whole veterinary facility;
46
112000
3000
Az üzem le akarta bontani az egész állatorvosi épületet,
02:10
all they needed to do was move the flag.
47
115000
2000
pedig csak a zászlót kellett áthelyezniük.
02:12
Rapid movement, contrast.
48
117000
3000
Gyors mozgás, kontraszt.
02:15
In the early '70s when I started, I got right down
49
120000
2000
Amikor elkezdtem, a 70-es évek elején, végigmentem
02:17
in the chutes to see what cattle were seeing.
50
122000
2000
a folyósókon, hogy lássam, amit a marhák látnak.
02:19
People thought that was crazy. A coat on a fence would make them balk,
51
124000
3000
Mindenki bolondnak tartott. Egy kabát a kerítésen megriasztja őket.
02:22
shadows would make them balk, a hose on the floor ...
52
127000
3000
Az árnyékok megrisztják őket, egy slag a földön.
02:25
people weren't noticing these things --
53
130000
2000
Az emebrek nem vették észre ezeket,
02:27
a chain hanging down --
54
132000
2000
egy lelógó láncot,
02:29
and that's shown very, very nicely in the movie.
55
134000
2000
és ezt nagyon jól bemutatták a filmben.
02:31
In fact, I loved the movie, how they
56
136000
2000
Imádtam, ahogy a filmben lemásolták
02:33
duplicated all my projects. That's the geek side.
57
138000
2000
az összes projektem. Ez a geek része.
02:35
My drawings got to star in the movie too.
58
140000
3000
A rajzaim is szerepeltek a filmben.
02:38
And actually it's called "Temple Grandin,"
59
143000
2000
A film címe valójában Temple Grandin,
02:40
not "Thinking In Pictures."
60
145000
2000
nem pedig 'Képekben gondolkodni'.
02:42
So, what is thinking in pictures? It's literally movies
61
147000
2000
Szóval milyen képekben gondolkodni? Szó szerint
02:44
in your head.
62
149000
2000
egy mozi a fejedben.
02:46
My mind works like Google for images.
63
151000
2000
Az agyam úgy működik, mint a Google képkereső.
02:48
Now, when I was a young kid I didn't know my thinking was different.
64
153000
3000
Gyerekkoromban nem tudtam, hogy én máshogy gondolkodom.
02:51
I thought everybody thought in pictures.
65
156000
2000
Azt hittem, mindenki képekben gondolkodik.
02:53
And then when I did my book, "Thinking In Pictures,"
66
158000
2000
De miközben írtam a "Képekben gondolkodni" c. könyvem,
02:55
I start interviewing people about how they think.
67
160000
3000
elkezdtem beszélgetni emberekkel arról, hogy hogyan gondolkodnak.
02:58
And I was shocked to find out that
68
163000
2000
És nagyon meglepett, hogy az én gondolkodásmódom
03:00
my thinking was quite different. Like if I say,
69
165000
2000
egészen más. Pl. ha azt mondom
03:02
"Think about a church steeple"
70
167000
2000
"Gondolj egy templomtoronyra!"
03:04
most people get this sort of generalized generic one.
71
169000
2000
a legtöbben egyfajta áltlagos toronyra gondolnak.
03:06
Now, maybe that's not true in this room,
72
171000
2000
Nos, ez talán nem igaz
03:08
but it's going to be true in a lot of different places.
73
173000
4000
ebben a teremben, de igaz a legtöbb helyen.
03:12
I see only specific pictures.
74
177000
2000
Én csak konkrét képeket látok.
03:14
They flash up into my memory, just like Google for pictures.
75
179000
4000
Megjelennek a memóriámban, csakúgy, mint a Google képek.
03:18
And in the movie, they've got a great scene in there
76
183000
2000
És a filmben van egy nagyszerű jelenet,
03:20
where the word "shoe" is said, and a whole bunch of '50s and '60s shoes
77
185000
4000
amikor elhangzik a 'cipő' szó, és egy rakás 50-es és 60-as évekbeli
03:24
pop into my imagination.
78
189000
2000
cipő jut eszembe.
03:26
OK, there is my childhood church,
79
191000
2000
OK, ez a gyerekkori templomom.
03:28
that's specific. There's some more, Fort Collins.
80
193000
3000
Ez konkrét. Néhány másik, Fort Collins.
03:31
OK, how about famous ones?
81
196000
2000
És mi a helyzet a híres templomokkal?
03:33
And they just kind of come up, kind of like this.
82
198000
3000
És csak megjelennek, valahogy így.
03:36
Just really quickly, like Google for pictures.
83
201000
3000
Egészen gyorsan, mint a Google képek.
03:39
And they come up one at a time,
84
204000
2000
És egyenként jelennek meg.
03:41
and then I think, "OK, well maybe we can have it snow,
85
206000
2000
Aztán azt gondolom, OK, talán havazik,
03:43
or we can have a thunderstorm,"
86
208000
2000
vagy villámlik,
03:45
and I can hold it there and turn them into videos.
87
210000
3000
és megállíthatjuk ott és filmet csinálhatunk belőle.
03:48
Now, visual thinking was a tremendous asset
88
213000
3000
Nos, a vizuális gondolkodásom nagy előnyt jelentett
03:51
in my work designing cattle-handling facilities.
89
216000
3000
a munkám során a marhatartó üzemek tervezésekor.
03:54
And I've worked really hard on improving
90
219000
2000
És nagyon keményen dolgoztam azon,
03:56
how cattle are treated at the slaughter plant.
91
221000
2000
hogy javítsam a marhákkal való bánásmódot a vágóhídon.
03:58
I'm not going to go into any gucky slaughter slides.
92
223000
3000
Nem mutatom meg az undorító vágóhídi képeket.
04:01
I've got that stuff up on YouTube if you want to look at it.
93
226000
2000
Fent vannak a Youtube-on, ha valaki meg akarja nézni.
04:03
But, one of the things that I was able to do in my design work
94
228000
4000
De valami, amit meg tudtam csinálni a tervezőmunkám során,
04:07
is I could actually test run
95
232000
2000
az az, hogy ki tudtam próbálni
04:09
a piece of equipment in my mind,
96
234000
2000
egy felszerelést a fejemben,
04:11
just like a virtual reality computer system.
97
236000
3000
mint egy virtuális valóság számítógépes rendszerben.
04:14
And this is an aerial view
98
239000
2000
Ez egy légi felvétel
04:16
of a recreation of one of my projects that was used in the movie.
99
241000
3000
az egyik újraépített projektemről, amit a filmben használtak.
04:19
That was like just so super cool.
100
244000
2000
Ez valami hihetetlenül szuper volt.
04:21
And there were a lot of kind of Asperger types
101
246000
2000
És nagyon sok Asperger típusú
04:23
and autism types working out there on the movie set too.
102
248000
3000
és autista típusú ember dolgozott a film helyszínén is.
04:26
(Laughter)
103
251000
2000
(Nevetés)
04:28
But one of the things that really worries me
104
253000
2000
De ami igazán aggaszt, az az,
04:30
is: Where's the younger version of those kids going today?
105
255000
4000
hogy manapság hová tartanak a fiatalabb megfelelőik.
04:34
They're not ending up in Silicon Valley, where they belong.
106
259000
3000
Nem a Silicon Valley-ben végzik, ahová tartoznak.
04:37
(Laughter)
107
262000
3000
(Nevetés)
04:40
(Applause)
108
265000
5000
(Taps)
04:45
Now, one of the things I learned very early on because I wasn't that social,
109
270000
3000
Az egyik dolog, amit korán meg kellett tanulnom, mert nem voltam
04:48
is I had to sell my work, and not myself.
110
273000
4000
túl szociális, az az, hogy a munkámat kell eladnom, és nem magamat.
04:52
And the way I sold livestock jobs
111
277000
2000
És úgy adtam el az állattartási munkákat,
04:54
is I showed off my drawings, I showed off pictures of things.
112
279000
3000
hogy megmutattam a rajzaimat, képeket mutattam meg.
04:57
Another thing that helped me as a little kid
113
282000
2000
Egy másik dolog, ami segített, hogy gyerekként,
04:59
is, boy, in the '50s, you were taught manners.
114
284000
2000
az 50-es években igazán megtanítottak viselkedni.
05:01
You were taught you can't pull the merchandise off the shelves
115
286000
2000
A boltban nem ránthattad le az árukat a polcról
05:03
in the store and throw it around.
116
288000
2000
és nem dobálhattad őket.
05:05
Now, when kids get to be in third or fourth grade,
117
290000
3000
Nos, amikor a gyerekek elérik a 3. vagy 4. osztályt
05:08
you might see that this kid's going to be a visual thinker,
118
293000
3000
látni lehet, hogy ez a gyerek vizuális gondolkodó lesz,
05:11
drawing in perspective. Now, I want to
119
296000
2000
perspektívában rajzol. Ki akarom hangsúlyozni,
05:13
emphasize that not every autistic kid
120
298000
2000
hogy nem minden autista gyerek lesz
05:15
is going to be a visual thinker.
121
300000
2000
vizuális gondolkodó.
05:17
Now, I had this brain scan done several years ago,
122
302000
4000
Ez a kép az agyamról régebben készült,
05:21
and I used to joke around about having a
123
306000
2000
mindig vicceltem, hogy egy
05:23
gigantic Internet trunk line
124
308000
2000
hatalmas internet kábel
05:25
going deep into my visual cortex.
125
310000
2000
hatol mélyen a vizuális kérgembe.
05:27
This is tensor imaging.
126
312000
2000
Ez diffúziós MRI-vel készült.
05:29
And my great big internet trunk line
127
314000
2000
És a hatalmas internet kábelem
05:31
is twice as big as the control's.
128
316000
2000
kétszer akkora, mint a kontrollé.
05:33
The red lines there are me,
129
318000
2000
A piros vonalak az enyémek,
05:35
and the blue lines are the sex and age-matched control.
130
320000
4000
a kékek a nemben és korban megegyező kontrollé.
05:39
And there I got a gigantic one,
131
324000
2000
Az enyém óriási,
05:41
and the control over there, the blue one,
132
326000
2000
a kontrollé a másikon, a kék,
05:43
has got a really small one.
133
328000
4000
egészen kicsi.
05:47
And some of the research now is showing
134
332000
2000
És a mai kutatások egy része azt mutatja,
05:49
is that people on the spectrum actually think with primary visual cortex.
135
334000
4000
hogy az emberek a spektrumon elsősorban a vizuális kéreggel gondolkodnak.
05:53
Now, the thing is, the visual thinker's just one kind of mind.
136
338000
3000
Az a helyzet, hogy a vizuális gondolkodó az elméknek csak egy fajtája.
05:56
You see, the autistic mind tends to be a specialist mind --
137
341000
3000
Látják, az autista elme általában specialista elme.
05:59
good at one thing, bad at something else.
138
344000
4000
Valamiben jó, valami másban rossz.
06:03
And where I was bad was algebra. And I was never allowed
139
348000
2000
Én algebrában voltam rossz. És soha nem engedték,
06:05
to take geometry or trig.
140
350000
2000
hogy geometriát vagy trigonometriát tanuljak.
06:07
Gigantic mistake: I'm finding a lot of kids who need to skip algebra,
141
352000
3000
Óriási hiba. Azt látom, hogy sok gyereknek át kell ugrania
06:10
go right to geometry and trig.
142
355000
2000
az algebrát, rögtön a geometriára vagy a trigre.
06:12
Now, another kind of mind is the pattern thinker.
143
357000
3000
Egy másik fajta elme a mintákban gondolkodó.
06:15
More abstract. These are your engineers,
144
360000
2000
Inkább absztrakt. Ők lesznek a mérnökök,
06:17
your computer programmers.
145
362000
2000
számítógép programozók.
06:19
Now, this is pattern thinking. That praying mantis
146
364000
2000
Ez a mintákban gondolkodás. Ez az imádkozó sáska
06:21
is made from a single sheet of paper --
147
366000
2000
egyetlen papírlapból készült,
06:23
no scotch tape, no cuts.
148
368000
2000
vágás és ragasztás nélkül.
06:25
And there in the background is the pattern for folding it.
149
370000
3000
És a háttérben látszik a hajtogatás mintája.
06:28
Here are the types of thinking:
150
373000
2000
Ezek a gondolkodási formák:
06:30
photo-realistic visual thinkers, like me;
151
375000
3000
fotórealista vizuális gondolkodás, mint én.
06:33
pattern thinkers, music and math minds.
152
378000
4000
Mintákban gondolkodók, zenei és matematikai elmék.
06:37
Some of these oftentimes have problems with reading.
153
382000
2000
Sokuknak olvasási nehézségei vannak.
06:39
You also will see these kind of problems
154
384000
2000
Ezek a problémák figyelhetők meg
06:41
with kids that are dyslexic.
155
386000
3000
diszlexiás gyerekeknél is.
06:44
You'll see these different kinds of minds.
156
389000
2000
Megfigyelhetők ezek a különböző elmék.
06:46
And then there's a verbal mind, they know every fact about everything.
157
391000
3000
És ott vannak a verbális elmék. Minden adatot tudnak mindenről.
06:49
Now, another thing is the sensory issues.
158
394000
2000
Egy másik dolog az érzékelés.
06:51
I was really concerned about having to wear this gadget on my face.
159
396000
4000
Nagyon aggasztott, hogy ezt a kütyüt kell viselnem az arcomon.
06:55
And I came in half an hour beforehand
160
400000
3000
Idejöttem egy fél órával korábban,
06:58
so I could have it put on and kind of get used to it,
161
403000
2000
hogy fel tudják tenni és hozzászokjak.
07:00
and they got it bent so it's not hitting my chin.
162
405000
3000
És behajlították, hogy ne érjen az államhoz.
07:03
But sensory is an issue. Some kids are bothered by fluorescent lights;
163
408000
3000
De az érzékelés egy probléma. Vannak gyerekek, akiket zavarnak
07:06
others have problems with sound sensitivity.
164
411000
3000
a neon fények, mások a hangokra érzékenyek.
07:09
You know, it's going to be variable.
165
414000
3000
Tudják, ez személyenként változik.
07:12
Now, visual thinking gave me a whole lot of insight
166
417000
4000
Nos, a vizuális gondolkodás bepillantást engedett
07:16
into the animal mind.
167
421000
2000
az állati elmébe.
07:18
Because think about it: An animal is a sensory-based thinker,
168
423000
3000
Gondoljanak bele. Egy állat érzékelés alapján gondolkodik,
07:21
not verbal -- thinks in pictures,
169
426000
4000
nem verbálisan. Képekben gondolkodik.
07:25
thinks in sounds, thinks in smells.
170
430000
3000
Hangokban gondolkodik. Szagokban gondolkodik.
07:28
Think about how much information there is there on the local fire hydrant.
171
433000
3000
Képzeljék el, mennyi információ van a helyi tűzcsapon.
07:31
He knows who's been there, when they were there.
172
436000
3000
Tudja, ki volt ott, mikor voltak ott,
07:34
Are they friend or foe? Is there anybody he can go mate with?
173
439000
3000
barát vagy ellenség, van-e valaki, akivel párosodhat.
07:37
There's a ton of information on that fire hydrant.
174
442000
3000
Rengeteg információ van azon a tűzcsapon.
07:40
It's all very detailed information,
175
445000
4000
Nagyon részletes információ.
07:44
and, looking at these kind of details
176
449000
2000
És ezeknek a részleteknek a vizsgálata
07:46
gave me a lot of insight into animals.
177
451000
2000
nagyon sok bepillantást engedett az állatokba.
07:48
Now, the animal mind, and also my mind,
178
453000
4000
Nos, az állati elme, és az én elmém,
07:52
puts sensory-based information
179
457000
2000
kategorizálja az érzékelésen
07:54
into categories.
180
459000
2000
alapuló információkat.
07:56
Man on a horse
181
461000
2000
Ember a lovon,
07:58
and a man on the ground --
182
463000
2000
és ember a földön,
08:00
that is viewed as two totally different things.
183
465000
2000
az két teljesen különböző dolognak látszik.
08:02
You could have a horse that's been abused by a rider.
184
467000
3000
Lehet, hogy egy lóval rosszul bánt egy lovas.
08:05
They'll be absolutely fine with the veterinarian
185
470000
2000
Nem lesz semmilyen problémája az állatorvossal,
08:07
and with the horseshoer, but you can't ride him.
186
472000
3000
a patkolókováccsal, de nem lehet meglovagolni.
08:10
You have another horse, where maybe the horseshoer beat him up
187
475000
3000
Egy másik ló, akit esetleg vert a patkolókovács,
08:13
and he'll be terrible for anything on the ground,
188
478000
2000
a földön mindent rosszul visel,
08:15
with the veterinarian, but a person can ride him.
189
480000
3000
az állatorvost, de meg lehet lovagolni.
08:18
Cattle are the same way.
190
483000
2000
A marhák ugyanilyenek.
08:20
Man on a horse,
191
485000
2000
Ember a lovon,
08:22
a man on foot -- they're two different things.
192
487000
2000
ember a földön, két különböző dolog.
08:24
You see, it's a different picture.
193
489000
2000
Látják, ez egy másik kép.
08:26
See, I want you to think about just how specific this is.
194
491000
3000
Gondoljanak bele, hogy ez mennyire specifikus.
08:29
Now, this ability to put information into categories,
195
494000
4000
Ez a képesség, hogy kategorizáljuk az információt,
08:33
I find a lot of people are not very good at this.
196
498000
3000
azt tapasztaltam, hogy a legtöbb embernek ez nehezen megy.
08:36
When I'm out troubleshooting equipment
197
501000
2000
Amikor hibákat keresek a felszerelésben
08:38
or problems with something in a plant,
198
503000
2000
vagy problémákat valamivel egy gyárban
08:40
they don't seem to be able to figure out, "Do I have a training people issue?
199
505000
4000
nehezen tudják kitalálni, "Az emberek képzésével van gond?
08:44
Or do I have something wrong with the equipment?"
200
509000
2000
Vagy valami gond van a felszereléssel?"
08:46
In other words, categorize equipment problem
201
511000
2000
Más szóval, elkülöníteni a felszerelés hibáját
08:48
from a people problem.
202
513000
2000
az emberi hibától.
08:50
I find a lot of people have difficulty doing that.
203
515000
3000
Azt tapasztalom, ez sok embernek nehezére esik.
08:53
Now, let's say I figure out it's an equipment problem.
204
518000
3000
Mondjuk, rájövök, hogy a felszerelés a probléma.
08:56
Is it a minor problem, with something simple I can fix?
205
521000
2000
Kis hiba, valami egyszerű, amit meg tudok javítani?
08:58
Or is the whole design of the system wrong?
206
523000
3000
Vagy a teljes rendszer tervezése rossz?
09:01
People have a hard time figuring that out.
207
526000
3000
Az emberek nehezen találják ki.
09:04
Let's just look at something like, you know,
208
529000
2000
Nézzünk valamit, mondjuk, hogyan tegyük
09:06
solving problems with making airlines safer.
209
531000
2000
biztonságosabbá a légitársaságokat.
09:08
Yeah, I'm a million-mile flier.
210
533000
2000
Én egy millió mérföldes utas vagyok.
09:10
I do lots and lots of flying,
211
535000
2000
Rengeteget repülök.
09:12
and if I was at the FAA,
212
537000
3000
És ha én az FFA-nál dolgoznék
09:15
what would I be doing a lot of direct observation of?
213
540000
4000
mi az, amit közvetlenül megfigyelnék?
09:19
It would be their airplane tails.
214
544000
2000
A repülőgépek farkát.
09:21
You know, five fatal wrecks in the last 20 years,
215
546000
3000
Az elmúlt 20 évben 5 halálos szerencsétlenség történt,
09:24
the tail either came off or steering stuff inside the tail broke
216
549000
4000
vagy letört a farok vagy valahogy elromlott a kormányzó
09:28
in some way.
217
553000
2000
berendezés a farokban.
09:30
It's tails, pure and simple.
218
555000
2000
Egyszerűen a farokról van szó.
09:32
And when the pilots walk around the plane, guess what? They can't see
219
557000
2000
És amikor a pilóták körbejárják a gépet, tudják mit nem látnak?
09:34
that stuff inside the tail.
220
559000
2000
A berendezést a farokban.
09:36
You know, now as I think about that,
221
561000
2000
Tudják, ahogy ezen gondolkodom, előhívom
09:38
I'm pulling up all of that specific information.
222
563000
3000
az összes specifikus információt.
09:41
It's specific. See, my thinking's bottom-up.
223
566000
3000
Specikifus. Látják, lentről felfelé gondolkodom.
09:44
I take all the little pieces and I put the pieces together like a puzzle.
224
569000
4000
Fogom az apró darabokat és összerakom őket, mint egy kirakóst.
09:48
Now, here is a horse that was deathly afraid
225
573000
2000
Ez a ló halálra volt rémülve
09:50
of black cowboy hats.
226
575000
2000
a fekete cowboy kalapoktól.
09:52
He'd been abused by somebody with a black cowboy hat.
227
577000
2000
Valaki fekete cowboy kalapban rosszul bánt vele.
09:54
White cowboy hats, that was absolutely fine.
228
579000
3000
Fehér cowboy kalapok, semmi probléma.
09:57
Now, the thing is, the world is going to need
229
582000
3000
Az a helyzet, hogy a világnak szüksége lesz
10:00
all of the different kinds of minds
230
585000
2000
az összes különböző elme
10:02
to work together.
231
587000
2000
együttműködésére.
10:04
We've got to work on developing all these different kinds of minds.
232
589000
3000
Fejlesztenünk kell ezeket a fajta elméket.
10:07
And one of the things that is driving me really crazy,
233
592000
3000
És ami igazán dühít, ahogy járom az országot,
10:10
as I travel around and I do autism meetings,
234
595000
2000
és autizmus találkozókat tartok, az az,
10:12
is I'm seeing a lot of smart, geeky, nerdy kids,
235
597000
3000
hogy rengeteg okos, geek, kocka gyereket látok.
10:15
and they just aren't very social,
236
600000
3000
És nem igazán szociálisak.
10:18
and nobody's working on developing their interest
237
603000
2000
És senki sem bátorítja az érdeklődésüket
10:20
in something like science.
238
605000
2000
olyasmi iránt, mint a természettudomány.
10:22
And this brings up the whole thing of my science teacher.
239
607000
3000
És ez eszembe juttatja a fizika tanáromat.
10:25
My science teacher is shown absolutely beautifully in the movie.
240
610000
3000
Gyönyörűen bemutatják a fizika tanáromat a filmben.
10:28
I was a goofball student. When I was in high school
241
613000
2000
Lusta diák voltam. A gimnáziumban
10:30
I just didn't care at all about studying,
242
615000
3000
egyáltalán nem éredekelt a tanulás,
10:33
until I had Mr. Carlock's science class.
243
618000
3000
Mr. Carlock fizika órájáig.
10:36
He was now Dr. Carlock in the movie.
244
621000
3000
Aki most már Dr. Carlock a filmben.
10:39
And he got me challenged
245
624000
3000
Aki kihívás elé állított,
10:42
to figure out an optical illusion room.
246
627000
3000
hogy oldjak meg egy optikai illúzió szobát.
10:45
This brings up the whole thing of you've got to show kids
247
630000
2000
A lényeg, hogy a gyerekeknek érdekes
10:47
interesting stuff.
248
632000
2000
dolgokat kell mutatni.
10:49
You know, one of the things that I think maybe TED ought to do
249
634000
3000
Tudják, szerintem az egyik dolog, amit a TED-nek csinálnia kéne,
10:52
is tell all the schools about all the great lectures that are on TED,
250
637000
3000
felhívni az iskolák figyelmét a nagyszerű előadásokra a TED-en,
10:55
and there's all kinds of great stuff on the Internet
251
640000
2000
és rengeteg nagyszerű dolog van az interneten,
10:57
to get these kids turned on.
252
642000
2000
hogy felvillanyozzuk a gyerekeket.
10:59
Because I'm seeing a lot of these geeky nerdy kids,
253
644000
3000
Mert nagyon sok okos, geek, kocka gyereket látok,
11:02
and the teachers out in the Midwest, and the other parts of the country,
254
647000
3000
és a tanárok a Középnyugaton és az ország más részein,
11:05
when you get away from these tech areas,
255
650000
2000
távolabb ezektől a tech területektől,
11:07
they don't know what to do with these kids.
256
652000
2000
nem tudják mit kezdjenek ezekkel a gyerekekkel.
11:09
And they're not going down the right path.
257
654000
2000
És nem jó irányba haladnak.
11:11
The thing is, you can make a mind
258
656000
2000
Az az igazság, hogy egy agyat
11:13
to be more of a thinking and cognitive mind,
259
658000
3000
lehet gondolkodóbb, kognitív elmévé tenni.
11:16
or your mind can be wired to be more social.
260
661000
3000
Vagy lehet, hogy az agy inkább szociális.
11:19
And what some of the research now has shown in autism
261
664000
2000
És bizonyos autizmus kutatások azt mutatják,
11:21
is there may by extra wiring back here,
262
666000
2000
hogy több vezeték lehet itt hátul,
11:23
in the really brilliant mind, and we lose a few social circuits here.
263
668000
3000
az igazán zseniális agyban, és elvesztünk néhány áramkört itt.
11:26
It's kind of a trade-off between thinking and social.
264
671000
4000
Ez egyfajta alku a gondolkodó és a szociális között.
11:30
And then you can get into the point where it's so severe
265
675000
2000
És lehet olyan súlyos, hogy a személy
11:32
you're going to have a person that's going to be non-verbal.
266
677000
3000
nonverbális lesz.
11:35
In the normal human mind
267
680000
2000
A normális agyban a nyelv
11:37
language covers up the visual thinking we share with animals.
268
682000
3000
elfedi a vizuális gondolkodást, ami közös az állatokkal.
11:40
This is the work of Dr. Bruce Miller.
269
685000
3000
Ez Dr. Bruce Miller munkája.
11:43
And he studied Alzheimer's patients
270
688000
3000
Alzheimer kóros betegeket tanulmányozott,
11:46
that had frontal temporal lobe dementia.
271
691000
2000
akiknek homloklebeny demenciájuk volt.
11:48
And the dementia ate out the language parts of the brain,
272
693000
3000
A demencia elpusztította az agy nyelvi részeit,
11:51
and then this artwork came out of somebody who used to install stereos in cars.
273
696000
5000
és ez a festmény jött elő valakiből, aki korábban autórádiókat szerelt be.
11:56
Now, Van Gogh doesn't know anything about physics,
274
701000
4000
Nos, Van Gogh nem tud semmit a fizikáról.
12:00
but I think it's very interesting
275
705000
2000
De ami igazán érdekes,
12:02
that there was some work done to show that
276
707000
2000
hogy egy tanulmány kimutatta,
12:04
this eddy pattern in this painting
277
709000
2000
hogy ez az örvény minta a festményen
12:06
followed a statistical model of turbulence,
278
711000
3000
egy statisztikailag helyes légörvény modellt követ.
12:09
which brings up the whole interesting idea
279
714000
2000
Ami ahhoz az érdekes gondolathoz vezet,
12:11
of maybe some of this mathematical patterns
280
716000
2000
hogy talán a matematikai modellek egy része
12:13
is in our own head.
281
718000
2000
a fejünkben van.
12:15
And the Wolfram stuff -- I was taking
282
720000
2000
És a Wolfram előadás alatt
12:17
notes and I was writing down all the
283
722000
2000
jegyzeteltem és leírtam az összes
12:19
search words I could use,
284
724000
2000
keresőszót, amit majd használhatok,
12:21
because I think that's going to go on in my autism lectures.
285
726000
4000
mert azt hiszem ez része lesz az autizmus előadásaimnak.
12:25
We've got to show these kids interesting stuff.
286
730000
2000
Érdekes dolgokat kell mutatnunk ezeknek a gyerekeknek.
12:27
And they've taken out the autoshop class
287
732000
2000
És megszüntették az autószerelő órát,
12:29
and the drafting class and the art class.
288
734000
2000
a műszaki rajzot, a művészetet.
12:31
I mean art was my best subject in school.
289
736000
3000
A művészet volt a legjobb tantárgyam az iskolában.
12:34
We've got to think about all these different kinds of minds,
290
739000
2000
Gondolnunk kell ezekre a különböző elmékre.
12:36
and we've got to absolutely work with these kind of minds,
291
741000
3000
És mindenképpen együtt kell dolgoznunk
12:39
because we absolutely are going to need
292
744000
3000
ezekkel az elmékkel, mert abszolút
12:42
these kind of people in the future.
293
747000
3000
szükségünk lesz ezekre az emberekre a jövőben.
12:45
And let's talk about jobs.
294
750000
2000
És beszéljünk állásokról.
12:47
OK, my science teacher got me studying
295
752000
2000
A fizika tanárom rávett, hogy tanuljak,
12:49
because I was a goofball that didn't want to study.
296
754000
3000
mert lusta voltam és nem akartam tanulni.
12:52
But you know what? I was getting work experience.
297
757000
2000
De tudják mit? Közben munka tapasztalatot szereztem.
12:54
I'm seeing too many of these smart kids who haven't learned basic things,
298
759000
2000
Sok okos gyereket látok, akik alapvető dolgokat nem tanultak meg,
12:56
like how to be on time.
299
761000
2000
pl. hogy pontosak legyenek.
12:58
I was taught that when I was eight years old.
300
763000
2000
Én ezt nyolc évesen tanultam meg.
13:00
You know, how to have table manners at granny's Sunday party.
301
765000
3000
Hogyan viselkedjek az asztalnál nagyi vasárnapi ebédjén.
13:03
I was taught that when I was very, very young.
302
768000
3000
Nagyon-nagyon fiatalon megtanultam.
13:06
And when I was 13, I had a job at a dressmaker's shop
303
771000
3000
És 13 évesen állásom volt egy ruhaboltban,
13:09
sewing clothes.
304
774000
2000
ruhákat árultam.
13:11
I did internships in college,
305
776000
3000
Egyetemen szakmai gyakorlatot szereztem.
13:14
I was building things,
306
779000
3000
Építettem dolgokat.
13:17
and I also had to learn how to do assignments.
307
782000
3000
És meg kellett tanulnom elvégezni feladatokat.
13:20
You know, all I wanted to do was draw pictures of horses when I was little.
308
785000
4000
Tudják, gyerekkoromban csak lovakat akartam rajzolni.
13:24
My mother said, "Well let's do a picture of something else."
309
789000
2000
Aynám azt mondta, "Rajzoljunk valami mást."
13:26
They've got to learn how to do something else.
310
791000
2000
Meg kell tanulniuk valami mást csinálni.
13:28
Let's say the kid is fixated on Legos.
311
793000
2000
Mondjuk a gyerek a Lego megszállottja.
13:30
Let's get him working on building different things.
312
795000
3000
Vegyük rá, hogy különböző dolgokat építsen.
13:33
The thing about the autistic mind
313
798000
2000
Az a helyzet az autista elmével,
13:35
is it tends to be fixated.
314
800000
2000
hogy hajlamos a fixációra.
13:37
Like if a kid loves racecars,
315
802000
2000
Pl. ha egy gyerek szereti a versenyautókat,
13:39
let's use racecars for math.
316
804000
2000
használjunk versenyautókat a matekhoz.
13:41
Let's figure out how long it takes a racecar to go a certain distance.
317
806000
3000
Számoljuk ki, mennyi időbe telik megtenni egy bizonyos távolságot.
13:44
In other words, use that fixation
318
809000
4000
Más szóval, használjuk a fixációt
13:48
in order to motivate that kid, that's one of the things we need to do.
319
813000
3000
hogy motiváljuk a gyereket, ez az egyik dolog, amit tennünk kell.
13:51
I really get fed up when they, you know, the teachers,
320
816000
3000
Igazán idegesít, amikor a tanárok, főleg
13:54
especially when you get away from this part of the country,
321
819000
3000
amikor eltávolodunk az ország ezen részétől,
13:57
they don't know what to do with these smart kids.
322
822000
2000
nem tudnak mit kezdeni ezekkel az okos gyerekekkel.
13:59
It just drives me crazy.
323
824000
2000
Egyszerűen megőrjít.
14:01
What can visual thinkers do when they grow up?
324
826000
2000
Mit tudnak csinálni a vizuális gondolkodók, ha felnőnek?
14:03
They can do graphic design, all kinds of stuff with computers,
325
828000
3000
Lehetnek grafikus tervezők, mindenféle számítógépes szakma,
14:06
photography, industrial design.
326
831000
5000
fényképészek, ipari tervezők.
14:11
The pattern thinkers, they're the ones that are going to be
327
836000
2000
A mintákban gondokolkodók lesznek a
14:13
your mathematicians, your software engineers,
328
838000
3000
matematikusok, szoftver tervezők,
14:16
your computer programmers, all of those kinds of jobs.
329
841000
4000
számítógép programozók, az összes ilyen foglalkozás.
14:20
And then you've got the word minds. They make great journalists,
330
845000
3000
És ott vannak a verbális elmék. Nagyszerű újságírók lesznek.
14:23
and they also make really, really good stage actors.
331
848000
3000
És nagyon jó színészek is lesznek belőlük.
14:26
Because the thing about being autistic is,
332
851000
2000
Mert az a helyzet az autizmussal,
14:28
I had to learn social skills like being in a play.
333
853000
3000
meg kellett tanulnom a szociális készségeket,
14:31
It's just kind of -- you just have to learn it.
334
856000
3000
mint egy színdarabban. Egyszerűen meg kell tanulni.
14:34
And we need to be working with these students.
335
859000
3000
És együtt kell dolgoznunk ezekkel a diákokkal.
14:37
And this brings up mentors.
336
862000
2000
És ezzel elérkeztünk a mentorokhoz.
14:39
You know, my science teacher was not an accredited teacher.
337
864000
3000
Tudják, a fizika tanárom nem volt akkreditált tanár.
14:42
He was a NASA space scientist.
338
867000
2000
Egy NASA űrtudós volt.
14:44
Now, some states now are getting it to where
339
869000
2000
Nos, vannak már államok, ahol
14:46
if you have a degree in biology, or a degree in chemistry,
340
871000
2000
ha van egy diplomád biológiából vagy kémiából,
14:48
you can come into the school and teach biology or chemistry.
341
873000
3000
elmehetsz egy iskolába biológiát vagy kémiát tanítani.
14:51
We need to be doing that.
342
876000
2000
Szükség van erre.
14:53
Because what I'm observing is
343
878000
2000
Mert azt veszem észre, hogy
14:55
the good teachers, for a lot of these kids,
344
880000
2000
a jó tanárok, sok gyereknek,
14:57
are out in the community colleges,
345
882000
2000
a közösségi főiskolákon vannak.
14:59
but we need to be getting some of these good teachers into the high schools.
346
884000
3000
Be kell juttatnunk ezeket a tanárokat a középiskolákba.
15:02
Another thing that can be very, very, very successful is
347
887000
3000
Egy másik dolog, ami nagyon, nagyon sikeres lehet,
15:05
there is a lot of people that may have retired
348
890000
3000
sokan vannak, akik talán már nyugdíjba mentek,
15:08
from working in the software industry, and they can teach your kid.
349
893000
3000
de a szoftver iparban dolgoztak, és tudnak tanítani egy gyereket.
15:11
And it doesn't matter if what they teach them is old,
350
896000
3000
És nem számít, hogy amit tanítanak, az régi,
15:14
because what you're doing is you're lighting the spark.
351
899000
3000
mert amit csinálsz, az az, hogy meggyújtod a szikrát.
15:17
You're getting that kid turned on.
352
902000
3000
Felébreszted a gyerek érdeklődését.
15:20
And you get him turned on, then he'll learn all the new stuff.
353
905000
3000
Elindítod, és ő majd megtanulja az új dolgokat.
15:23
Mentors are just essential.
354
908000
2000
A mentorok létfontosságúak.
15:25
I cannot emphasize enough
355
910000
2000
Nem tudom eleget hangsúlyozni,
15:27
what my science teacher did for me.
356
912000
3000
hogy a fizika tanárom mit tett értem.
15:30
And we've got to mentor them, hire them.
357
915000
3000
Tanítanunk és alkalmaznunk kell őket.
15:33
And if you bring them in for internships in your companies,
358
918000
2000
És ha felveszed őket szakmai gyakorlatra,
15:35
the thing about the autism, Asperger-y kind of mind,
359
920000
3000
az autista, Aspergeres elméknek specifikus feladatokat
15:38
you've got to give them a specific task. Don't just say, "Design new software."
360
923000
3000
kell adni. Ne mondd azt, hogy "Tervezz egy új szoftvert."
15:41
You've got to tell them something a lot more specific:
361
926000
2000
Valami sokkal specifikusabb feladatot kell adni.
15:43
"Well, we're designing a software for a phone
362
928000
3000
"Nos, egy telefon szoftvert tervezünk,
15:46
and it has to do some specific thing.
363
931000
2000
és valami konkrét dolgot kell csinálnia.
15:48
And it can only use so much memory."
364
933000
2000
És csak ennyi memóriát használhat."
15:50
That's the kind of specificity you need.
365
935000
2000
Erre a fajta specificitásra van szükség.
15:52
Well, that's the end of my talk.
366
937000
2000
Nos, ez az előadásom vége.
15:54
And I just want to thank everybody for coming.
367
939000
2000
És meg szeretném köszönni mindenkinek, hogy eljött.
15:56
It was great to be here.
368
941000
2000
Öröm volt itt lenni.
15:58
(Applause)
369
943000
12000
(Taps)
16:10
Oh, you've got a question for me? OK.
370
955000
3000
Van egy kérdése a számomra? Rendben.
16:13
(Applause)
371
958000
1000
(Taps)
16:14
Chris Anderson: Thank you so much for that.
372
959000
4000
Chris Anderson: Nagyon köszönjük.
16:18
You know, you once wrote, I like this quote,
373
963000
2000
Egyszer azt írta, szeretem ezt az idézetet,
16:20
"If by some magic, autism had been
374
965000
2000
"Ha egy varázsütésre eltűnt volna
16:22
eradicated from the face of the Earth,
375
967000
3000
az autizmus a Föld színéről, akkor
16:25
then men would still be socializing in front of a wood fire
376
970000
3000
az emberek még mindig a tűz körül beszélgetnének
16:28
at the entrance to a cave."
377
973000
2000
egy barlang bejárata előtt."
16:30
Temple Grandin: Because who do you think made the first stone spears?
378
975000
2000
Temple Grandin: Vajon ki készítette az első kő lándzsa hegyet?
16:32
The Asperger guy. And if you were to get rid of all the autism genetics
379
977000
3000
Az Aspergeres férfi. És ha megszabadulnánk az autista génektől,
16:35
there would be no more Silicon Valley,
380
980000
2000
nem lenne többé Silicon Valley,
16:37
and the energy crisis would not be solved.
381
982000
2000
és nem oldanánk meg az energia krízist.
16:39
(Applause)
382
984000
3000
(Taps)
16:42
CA: So, I want to ask you a couple other questions,
383
987000
2000
CA: Feltennék még néhány kérdést.
16:44
and if any of these feel inappropriate,
384
989000
2000
És ha nem illendőek, mondja nyugodtan,
16:46
it's okay just to say, "Next question."
385
991000
2000
hogy "Következő kérdés."
16:48
But if there is someone here
386
993000
2000
De ha van itt valaki,
16:50
who has an autistic child,
387
995000
2000
akinek autista gyereke van,
16:52
or knows an autistic child
388
997000
2000
vagy ismer autista gyereket,
16:54
and feels kind of cut off from them,
389
999000
3000
és elvágva érzi magát tőle,
16:57
what advice would you give them?
390
1002000
2000
mit tanácsol nekik?
16:59
TG: Well, first of all, you've got to look at age.
391
1004000
2000
TG: Először is, meg kell nézni az életkorát,
17:01
If you have a two, three or four year old
392
1006000
2000
Ha 2, 3, 4 éves, tudja,
17:03
you know, no speech, no social interaction,
393
1008000
2000
beszéd és szociális interakció nélkül,
17:05
I can't emphasize enough:
394
1010000
2000
nem tudom eléggé hangsúlyozni,
17:07
Don't wait, you need at least 20 hours a week of one-to-one teaching.
395
1012000
4000
ne várjon, legalább heti 20 óra magántanításra van szüksége.
17:11
You know, the thing is, autism comes in different degrees.
396
1016000
3000
Tudja, az autizmus különböző mértékben jelentkezik.
17:14
There's going to be about half the people on the spectrum
397
1019000
2000
Az emberek kb. fele a spektrumon
17:16
that are not going to learn to talk, and they're not going to be working
398
1021000
2000
nem fog megtanulni beszélni és nem fog a Silicon Valley-ben
17:18
Silicon Valley, that would not be a reasonable thing for them to do.
399
1023000
3000
dolgozni, ez nem lenne realisztikus elvárás számukra.
17:21
But then you get the smart, geeky kids
400
1026000
2000
De ott vannak az okos, geek gyerekek,
17:23
that have a touch of autism,
401
1028000
2000
akik enyhén autisták,
17:25
and that's where you've got to get them turned on
402
1030000
2000
és itt kell megragadni őket,
17:27
with doing interesting things.
403
1032000
2000
érdekes elfoglaltságokkal.
17:29
I got social interaction through shared interest.
404
1034000
3000
Én a közös érdeklődésen keresztül tanultam szociális interakciót.
17:32
I rode horses with other kids, I made model rockets with other kids,
405
1037000
4000
Együtt lovagoltam más gyerekekkel. Rakétákat építettem más gyerekekkel,
17:36
did electronics lab with other kids,
406
1041000
2000
elektronikát tanultam más gyerekekkel,
17:38
and in the '60s, it was gluing mirrors
407
1043000
2000
és a 60-as években tükröket ragasztottunk
17:40
onto a rubber membrane on a speaker to make a light show.
408
1045000
3000
egy gumi hártyára egy hangszórón, hogy fény show-t csináljunk.
17:43
That was like, we considered that super cool.
409
1048000
3000
Ezt akkor szuper menőnek gondoltuk.
17:46
CA: Is it unrealistic for them
410
1051000
2000
CA: És hiábavaló azt
17:48
to hope or think that that child
411
1053000
2000
remélniük vagy gondolniuk,
17:50
loves them, as some might, as most, wish?
412
1055000
3000
hogy az a gyerek szereti őket, ahogy sokan remélik?
17:53
TG: Well let me tell you, that child will be loyal,
413
1058000
2000
TG: Hadd mondjam azt, hogy az a gyerek hűséges lesz.
17:55
and if your house is burning down, they're going to get you out of it.
414
1060000
2000
És ha ég a házad, ki fog menteni belőle.
17:57
CA: Wow. So, most people, if you ask them
415
1062000
3000
CA: Hű. Általában, ha az embereket megkérdezik, mi a legnagyobb
18:00
what are they most passionate about, they'd say things like,
416
1065000
2000
szenvedélye, a legtöbben azt válaszolják,
18:02
"My kids" or "My lover."
417
1067000
3000
"A gyerekeim" vagy "A szerelmem".
18:05
What are you most passionate about?
418
1070000
3000
Magának mi a legnagyobb szenvedélye?
18:08
TG: I'm passionate about that the things I do
419
1073000
2000
TG: Az a szenvedélyem, hogy amit csinálok,
18:10
are going to make the world a better place.
420
1075000
2000
az jobbá teszi a világot.
18:12
When I have a mother of an autistic child say,
421
1077000
2000
Amikor egy autista gyerek anyja azt mondja,
18:14
"My kid went to college because of your book,
422
1079000
2000
"A gyermekem a maga könyve vagy előadása
18:16
or one of your lectures," that makes me happy.
423
1081000
2000
miatt ment egyetemre." Ez boldoggá tesz.
18:18
You know, the slaughter plants, I've worked with them
424
1083000
3000
Tudja, a vágóhíd üzemek, amelyekkel dolgoztam
18:21
in the '80s; they were absolutely awful.
425
1086000
2000
a 80-as években, borzalmasak voltak.
18:23
I developed a really simple scoring system for slaughter plants
426
1088000
4000
Kidolgoztam egy nagyon egyszerű pontozási rendszert az üzemeknek,
18:27
where you just measure outcomes: How many cattle fell down?
427
1092000
2000
ahol csak az eredményeket mérték, hány marha esett el,
18:29
How many cattle got poked with the prodder?
428
1094000
2000
hány marhát ösztökéltek a bökővel,
18:31
How many cattle are mooing their heads off?
429
1096000
2000
hány marha bőgi szét a fejét?
18:33
And it's very, very simple.
430
1098000
2000
És nagyon egyszerű. Közvetlenül
18:35
You directly observe a few simple things.
431
1100000
2000
megvizsgálunk néhány egyszerű dolgot.
18:37
It's worked really well. I get satisfaction out of
432
1102000
2000
És nagyon jól működött. Elégedettséggel tölt el
18:39
seeing stuff that makes real change
433
1104000
3000
olyan dolgot látni, ami igazi változást jelent
18:42
in the real world. We need a lot more of that,
434
1107000
2000
a való világban. Sokkal több ilyenre,
18:44
and a lot less abstract stuff.
435
1109000
2000
és sokkal kevesebb absztrakt dologra van szükség.
18:46
(Applause)
436
1111000
7000
(Taps)
18:53
CA: When we were talking on the phone, one of the things you said that
437
1118000
2000
CA: Amikor a telefonon beszéltünk, az egyik dolog, ami
18:55
really astonished me was you said one thing
438
1120000
2000
nagyon meglepett, azt mondta az egyik
18:57
you were passionate about was server farms. Tell me about that.
439
1122000
4000
szenvedélye a szerver farmok. Meséljen erről.
19:01
TG: Well the reason why I got really excited when I read about that,
440
1126000
3000
TG: Azért jöttem nagyon izgalomba, amikor erről olvastam,
19:04
it contains knowledge.
441
1129000
3000
mert a tudást tárolják.
19:07
It's libraries.
442
1132000
2000
Ezek könyvtárak.
19:09
And to me, knowledge is something
443
1134000
2000
És számomra a tudás mérhetetlenül
19:11
that is extremely valuable. So, maybe, over 10 years ago
444
1136000
2000
értékes. Szóval úgy 10 évvel ezelőtt
19:13
now our library got flooded.
445
1138000
2000
elárasztotta a könyvtárunkat a víz.
19:15
And this is before the Internet got really big.
446
1140000
2000
Még mielőtt az internet igazán beindult volna.
19:17
And I was really upset about all the books being wrecked,
447
1142000
2000
És nagyon zavartak a tönkrement könyvek,
19:19
because it was knowledge being destroyed.
448
1144000
2000
mert tudás pusztult el.
19:21
And server farms, or data centers
449
1146000
2000
És a szerver farmok, vagy adat központok
19:23
are great libraries of knowledge.
450
1148000
3000
a tudás nagy könyvtárai.
19:26
CA: Temple, can I just say it's an absolute delight to have you at TED.
451
1151000
3000
CA: Temple, hadd mondjam el, hogy abszolút öröm volt itt látni a TED-en.
19:29
TG: Well thank you so much. Thank you.
452
1154000
3000
TG: Nagyon szépen köszönöm. Köszönöm.
19:32
(Applause)
453
1157000
6000
(Taps)
ABOUT THE SPEAKER
Temple Grandin - Livestock handling designer, autism activistThrough groundbreaking research and the lens of her own autism, Temple Grandin brings startling insight into two worlds.
Why you should listen
An expert on animal behavior, Temple Grandin has designed humane handling systems for half the cattle-processing facilities in the US, and consults with the meat industry to develop animal welfare guidelines. As PETA wrote when awarding her a 2004 Proggy: “Dr. Grandin's improvements to animal-handling systems found in slaughterhouses have decreased the amount of fear and pain that animals experience in their final hours, and she is widely considered the world's leading expert on the welfare of cattle and pigs.” In 2010, Time Magazine listed her as one of its most Important People of the Year. She is also a member of the American Academy of Arts and Sciences.
Grandin’s books about her interior life as an autistic person have increased the world's understanding of the condition with personal immediacy -- and with import, as rates of autism diagnosis rise. She is revered by animal rights groups and members of autistic community, perhaps because in both regards she is a voice for those who are sometimes challenged to make themselves heard.
Temple Grandin | Speaker | TED.com