TED2007
Alan Kay: A powerful idea about ideas
Alan Kay dzieli się burzliwym pomysłem na temat pomysłów
Filmed:
Readability: 3.4
851,991 views
Z całą mocą i geniuszem, z jakich jest znany, Alan Kay przewiduje lepsze techniki nauczania dzieci, wykorzystujące komputery, niezrównane w obrazowym tłumaczeniu nauk ścisłych.
Alan Kay - Educator and computing pioneer
One of the true luminaries of personal computing, Alan Kay conceived of laptops and graphical interfaces years before they were realized. At XeroxPARC, Apple, HP and Disney, he has developed tools for improving the mind. Full bio
One of the true luminaries of personal computing, Alan Kay conceived of laptops and graphical interfaces years before they were realized. At XeroxPARC, Apple, HP and Disney, he has developed tools for improving the mind. Full bio
Double-click the English transcript below to play the video.
00:18
A great way to start, I think, with my view of simplicity
0
0
4000
Najpierw wytłumaczę, co dla mnie jest "proste".
00:22
is to take a look at TED. Here you are, understanding why we're here,
1
4000
7000
TED pokazuje to świetnie. Bez żadnej trudności rozumiemy,
00:29
what's going on with no difficulty at all.
2
11000
5000
po co tu jesteśmy i co się dzieje.
00:34
The best A.I. in the planet would find it complex and confusing,
3
16000
4000
Najlepsza sztuczna inteligencja utknęłaby na tym,
00:38
and my little dog Watson would find it simple and understandable
4
20000
5000
co Watson, mój pies, uznałby za proste i jasne,
00:43
but would miss the point.
5
25000
2000
choć spudłowałby na całej linii.
00:45
(Laughter)
6
27000
3000
(Śmiech)
00:48
He would have a great time.
7
30000
3000
Świetnie by się bawił.
00:51
And of course, if you're a speaker here, like Hans Rosling,
8
33000
5000
Dla mówców, na przykład Hansa Roslinga,
00:56
a speaker finds this complex, tricky. But in Hans Rosling's case,
9
38000
5000
konferencja jest złożona i podchwytliwa,
01:01
he had a secret weapon yesterday,
10
43000
2000
Ale Rosling ma tajną broń, połyka na końcu miecz.
01:03
literally, in his sword swallowing act.
11
45000
4000
Ale Rosling ma tajną broń, połyka na końcu miecz.
01:07
And I must say, I thought of quite a few objects
12
49000
2000
Też rozważałem,
01:09
that I might try to swallow today and finally gave up on,
13
51000
5000
co by tu połknąć, ale dałem spokój.
01:14
but he just did it and that was a wonderful thing.
14
56000
4000
On to zrobił i chwała mu za to.
01:18
So Puck meant not only are we fools in the pejorative sense,
15
60000
5000
Puk uważał, że jesteśmy głupi,
01:23
but that we're easily fooled. In fact, what Shakespeare
16
65000
4000
ale też łatwowierni. Zdaniem Szekspira,
01:27
was pointing out is we go to the theater in order to be fooled,
17
69000
3000
chodzimy do teatru, żeby dać się omamić.
01:30
so we're actually looking forward to it.
18
72000
4000
Sprawia nam to przyjemność.
01:34
We go to magic shows in order to be fooled.
19
76000
2000
Po to oglądamy magiczne sztuczki.
01:36
And this makes many things fun, but it makes it difficult to actually
20
78000
8000
To bardzo fajne, ale jednocześnie utrudnia nam
01:44
get any kind of picture on the world we live in or on ourselves.
21
86000
4000
poznawanie świata i siebie samych.
01:48
And our friend, Betty Edwards,
22
90000
2000
Nasza koleżanka, Betty Edwards,
01:50
the "Drawing on the Right Side of the Brain" lady, shows these two tables
23
92000
3000
pokazuje te dwa stoły
01:53
to her drawing class and says,
24
95000
5000
na swoich lekcjach rysunków.
01:58
"The problem you have with learning to draw
25
100000
4000
Uważa, że w nauce rysunku trudne jest nie to,
02:02
is not that you can't move your hand,
26
104000
2000
że źle prowadzimy rękę,
02:04
but that the way your brain perceives images is faulty.
27
106000
6000
ale to, że mózg niewłaściwie postrzega obrazy.
02:10
It's trying to perceive images into objects
28
112000
2000
Przekształca je w przedmioty,
02:12
rather than seeing what's there."
29
114000
2000
zamiast postrzegać rzeczywistość.
02:14
And to prove it, she says, "The exact size and shape of these tabletops
30
116000
5000
Te blaty mają identyczny rozmiar i kształt,
02:19
is the same, and I'm going to prove it to you."
31
121000
3000
co zaraz udowodnię.
02:22
She does this with cardboard, but since I have
32
124000
3000
Ona wykorzystuje karton,
02:25
an expensive computer here
33
127000
3000
ale skoro mam drogi komputer,
02:28
I'll just rotate this little guy around and ...
34
130000
3000
po prostu odwrócę blat.
02:34
Now having seen that -- and I've seen it hundreds of times,
35
136000
3000
Widziałem to już przy setkach wykładów,
02:37
because I use this in every talk I give -- I still can't see
36
139000
4000
a mimo to nie dostrzegam,
02:41
that they're the same size and shape, and I doubt that you can either.
37
143000
5000
że to ten sam kształt, i wy pewnie też nie.
02:46
So what do artists do? Well, what artists do is to measure.
38
148000
5000
Co ma robić malarz? Mierzyć.
02:51
They measure very, very carefully.
39
153000
2000
Mierzą bardzo starannie.
02:53
And if you measure very, very carefully with a stiff arm and a straight edge,
40
155000
4000
Mierząc wyciągniętą ręką i krawędzią
02:57
you'll see that those two shapes are
41
159000
2000
zobaczycie, że te kształty są identyczne.
02:59
exactly the same size.
42
161000
3000
zobaczycie, że te kształty są identyczne.
03:02
And the Talmud saw this a long time ago, saying,
43
164000
5000
Już Talmud dowodził, że postrzegamy rzeczy
03:07
"We see things not as they are, but as we are."
44
169000
3000
nie według nich, ale według samych siebie.
03:10
I certainly would like to know what happened to the person
45
172000
2000
Ciekawe, co stało się z osobą,
03:12
who had that insight back then,
46
174000
3000
która pierwsza na to wpadła,
03:15
if they actually followed it to its ultimate conclusion.
47
177000
4000
i czy doszła do ostatecznego rozwiązania.
03:21
So if the world is not as it seems and we see things as we are,
48
183000
2000
Postrzegamy według siebie,
03:23
then what we call reality is a kind of hallucination
49
185000
6000
więc "rzeczywistość" jest tylko pewną halucynacją.
03:29
happening inside here. It's a waking dream,
50
191000
3000
To sen na jawie.
03:32
and understanding that that is what we actually exist in
51
194000
5000
Próba zrozumienia, że nasz świat jest właśnie taki,
03:37
is one of the biggest epistemological barriers in human history.
52
199000
5000
to największa bariera epistemologiczna ludzkości.
03:42
And what that means: "simple and understandable"
53
204000
2000
To, co "proste i zrozumiałe",
03:44
might not be actually simple or understandable,
54
206000
3000
okazuje się całkiem trudne,
03:47
and things we think are "complex" might be made simple and understandable.
55
209000
6000
a co wydaje się "złożone”, może okazać się proste.
03:53
Somehow we have to understand ourselves to get around our flaws.
56
215000
4000
By obejść własne braki, trzeba zrozumieć siebie.
03:57
We can think of ourselves as kind of a noisy channel.
57
219000
2000
Jest w nas pełno "szumu".
03:59
The way I think of it is, we can't learn to see
58
221000
5000
Uważam, że aby nauczyć się widzieć, musimy przyznać,
04:04
until we admit we're blind.
59
226000
2000
że jesteśmy ślepi.
04:06
Once you start down at this very humble level,
60
228000
4000
Zaczynając tak skromnie,
04:10
then you can start finding ways to see things.
61
232000
3000
w końcu nauczymy się patrzeć.
04:13
And what's happened, over the last 400 years in particular,
62
235000
5000
Od dawna, szczególnie w ciągu ostatnich 400 lat,
04:18
is that human beings have invented "brainlets" --
63
240000
3000
ludzie wymyślają "móżdżki",
04:21
little additional parts for our brain --
64
243000
4000
przystawki do mózgu, oparte na potężnych ideach,
04:25
made out of powerful ideas that help us
65
247000
2000
które pomagają nam postrzegać świat inaczej.
04:27
see the world in different ways.
66
249000
2000
które pomagają nam postrzegać świat inaczej.
04:29
And these are in the form of sensory apparatus --
67
251000
3000
Są to przyrządy do postrzegania:
04:32
telescopes, microscopes -- reasoning apparatus --
68
254000
5000
teleskopy, mikroskopy; przyrządy do myślenia,
04:37
various ways of thinking -- and, most importantly,
69
259000
4000
czyli różne metody rozumowania.
04:41
in the ability to change perspective on things.
70
263000
4000
Najważniejsze jest to, co zmienia punkt widzenia.
04:45
I'll talk about that a little bit.
71
267000
1000
Właśnie zmiana perspektywy
04:46
It's this change in perspective
72
268000
2000
Właśnie zmiana perspektywy
04:48
on what it is we think we're perceiving
73
270000
3000
i naszego pojęcia o tym, co postrzegamy,
04:51
that has helped us make more progress in the last 400 years
74
273000
5000
spotęgowały postęp ostatnich 400 lat,
04:56
than we have in the rest of human history.
75
278000
2000
w porównianiu z przeszłością.
04:58
And yet, it is not taught in any K through 12 curriculum in America that I'm aware of.
76
280000
8000
O ile wiem, nie uczą tego w amerykańskich szkołach.
05:11
So one of the things that goes from simple to complex
77
293000
2000
Przykład wzrostu złożoności: robienie "coraz więcej".
05:13
is when we do more. We like more.
78
295000
3000
Przykład wzrostu złożoności: robienie "coraz więcej".
05:16
If we do more in a kind of a stupid way,
79
298000
3000
Kiedy zwiększamy coś głupio,
05:19
the simplicity gets complex
80
301000
3000
prostota się komplikuje.
05:22
and, in fact, we can keep on doing it for a very long time.
81
304000
5000
Potrafimy tak ciągnąć dość długo.
05:27
But Murray Gell-Mann yesterday talked about emergent properties;
82
309000
3000
Murray Gell-Mann mówił wczoraj
05:30
another name for them could be "architecture"
83
312000
4000
o własnościach emergentnych. Są jak architektura:
05:34
as a metaphor for taking the same old material
84
316000
4000
powstają, kiedy znane składniki łączy się w nowy,
05:38
and thinking about non-obvious, non-simple ways of combining it.
85
320000
7000
nieoczywisty i złożony sposób.
05:45
And in fact, what Murray was talking about yesterday in the fractal beauty of nature --
86
327000
8000
Murray mówił o tym, że przyroda jest "fraktalna",
05:53
of having the descriptions
87
335000
2000
że opisy na różnych poziomach są podobne,
05:55
at various levels be rather similar --
88
337000
4000
że opisy na różnych poziomach są podobne,
05:59
all goes down to the idea that the elementary particles
89
341000
5000
a ogólnie rzecz biorąc, cząsteczki elementarne
06:04
are both sticky and standoffish,
90
346000
3000
równoczeście kleją się i zadzierają nosa,
06:07
and they're in violent motion.
91
349000
4000
cały czas poruszając się gwałtownie.
06:11
Those three things give rise to all the different levels
92
353000
3000
Stąd biorą się różne poziomy
06:14
of what seem to be complexity in our world.
93
356000
4000
tego, co nazwalibyśmy złożonością.
06:20
But how simple?
94
362000
2000
Ale jak prosto?
06:22
So, when I saw Roslings' Gapminder stuff a few years ago,
95
364000
5000
Gapminder Roslinga
06:27
I just thought it was the greatest thing I'd seen
96
369000
2000
to najlepszy przykład
06:29
in conveying complex ideas simply.
97
371000
5000
przedstawiania złożonych koncepcji w prosty sposób.
06:34
But then I had a thought of, "Boy, maybe it's too simple."
98
376000
3000
Potem zmitygowałem się: może to za proste.
06:37
And I put some effort in to try and check
99
379000
5000
Starannie sprawdziłem, czy te proste modele,
06:42
to see how well these simple portrayals of trends over time
100
384000
4000
pokazujące zmiany pewnych tendencji w czasie,
06:46
actually matched up with some ideas and investigations from the side,
101
388000
5000
zgadzają się z danymi z innych źródeł.
06:51
and I found that they matched up very well.
102
393000
2000
Okazało się, że tak.
06:53
So the Roslings have been able to do simplicity
103
395000
5000
Ludzie pokroju Roslinga osiągnęli prostotę
06:58
without removing what's important about the data.
104
400000
4000
bez pomijania najważniejszych cech danych.
07:02
Whereas the film yesterday that we saw
105
404000
4000
Z kolei pokazany wczoraj film
07:06
of the simulation of the inside of a cell,
106
408000
2000
o wnętrzu komórki,
07:08
as a former molecular biologist, I didn't like that at all.
107
410000
6000
nie podobał mi się wcale, jako eksbiologowi.
07:14
Not because it wasn't beautiful or anything,
108
416000
2000
Owszem, był piękny,
07:16
but because it misses the thing that most students fail to understand
109
418000
5000
ale ominął w biologii molekularnej to,
07:21
about molecular biology, and that is:
110
423000
3000
czego zwykle nie rozumieją studenci,
07:24
why is there any probability at all of two complex shapes
111
426000
5000
czyli jak dwa złożone obiekty potrafią
07:29
finding each other just the right way
112
431000
2000
znaleźć się nawzajem,
07:31
so they combine together and be catalyzed?
113
433000
3000
by połączyć się i skatalizować.
07:34
And what we saw yesterday was
114
436000
2000
A wczoraj pokazano,
07:36
every reaction was fortuitous;
115
438000
3000
że wszystkie reakcje to dzieło przypadku.
07:39
they just swooped in the air and bound, and something happened.
116
441000
4000
Przyleciały, złączyły się i coś się stało.
07:43
But in fact, those molecules are spinning at the rate of
117
445000
4000
W istocie cząsteczki kręcą się z prędkością
07:47
about a million revolutions per second;
118
449000
3000
miliona obrotów na sekundę.
07:50
they're agitating back and forth their size every two nanoseconds;
119
452000
6000
Co 2 nanosekundy skaczą o swoją długość i z powrotem.
07:56
they're completely crowded together, they're jammed,
120
458000
3000
Są stłoczone.
07:59
they're bashing up against each other.
121
461000
3000
Zderzają się ze sobą.
08:02
And if you don't understand that in your mental model of this stuff,
122
464000
3000
Jeśli nie obejmiemy tego wyobraźnią,
08:05
what happens inside of a cell seems completely mysterious and fortuitous,
123
467000
5000
reakcje w komórce wydadzą się tajemnicze i przypadkowe.
08:10
and I think that's exactly the wrong image
124
472000
2000
To nieprawdziwa wizja,
08:12
for when you're trying to teach science.
125
474000
3000
nie można tak tłumaczyć nauk przyrodniczych.
08:18
So, another thing that we do is to confuse adult sophistication
126
480000
5000
Inna rzecz: dorośli pysznią się "wiedzą o świecie",
08:23
with the actual understanding of some principle.
127
485000
5000
ale często znają fakt, ale nie rozumieją zasady.
08:28
So a kid who's 14 in high school
128
490000
2000
14-latka uczy się
08:30
gets this version of the Pythagorean theorem,
129
492000
6000
tej wersji twierdzenia Pitagorasa.
08:36
which is a truly subtle and interesting proof,
130
498000
3000
To subtelny i interesujący dowód,
08:39
but in fact it's not a good way to start learning about mathematics.
131
501000
7000
ale niedobry wstęp do nauki tego twierdzenia.
08:46
So a more direct one, one that gives you more of the feeling of math,
132
508000
5000
To jest bardziej bezpośrednie, pozwala "poczuć" matematykę
08:51
is something closer to Pythagoras' own proof, which goes like this:
133
513000
4000
i przypomina własny dowód Pitagorasa.
08:55
so here we have this triangle, and if we surround that C square with
134
517000
6000
Mamy trójkąt. Kiedy otoczymy kwadrat C
09:01
three more triangles and we copy that,
135
523000
3000
trzema trójkątami, a potem skopiujemy,
09:04
notice that we can move those triangles down like this.
136
526000
5000
można opuścić te trójkąty,
09:09
And that leaves two open areas that are kind of suspicious ...
137
531000
3000
co zostawia dwa niezajęte pola...
09:12
and bingo. That is all you have to do.
138
534000
7000
I już, nic więcej nie trzeba!
09:19
And this kind of proof is the kind of proof
139
541000
2000
Właśnie takie dowody
09:21
that you need to learn when you're learning mathematics
140
543000
3000
należy poznawać, ucząc się matematyki,
09:24
in order to get an idea of what it means
141
546000
3000
żeby zrozumieć, o co chodzi,
09:27
before you look into the, literally, 1,200 or 1,500 proofs
142
549000
4000
zanim zajmiemy się 12 lub 1500 dowodami
09:31
of Pythagoras' theorem that have been discovered.
143
553000
3000
twierdzenia Pitagorasa, które znamy.
09:37
Now let's go to young children.
144
559000
3000
Porozmawiajmy o dzieciach.
09:40
This is a very unusual teacher
145
562000
2000
Oto niezwykła nauczycielka.
09:42
who was a kindergarten and first-grade teacher,
146
564000
4000
Uczyła w zerówce i pierwszej klasie.
09:46
but was a natural mathematician.
147
568000
2000
Jest urodzoną matematyczką.
09:48
So she was like that jazz musician friend you have who never studied music
148
570000
5000
Jak jazzman, który nigdy nie uczył się nut,
09:53
but is a terrific musician;
149
575000
2000
za to obłędnie gra.
09:55
she just had a feeling for math.
150
577000
2000
Miała "nosa" do matmy.
09:57
And here are her six-year-olds,
151
579000
3000
Oto jej 6-latki.
10:00
and she's got them making shapes out of a shape.
152
582000
5000
Uczy je budować figury z innych figur.
10:05
So they pick a shape they like -- like a diamond, or a square,
153
587000
2000
Wybierają na przykład romb,
10:07
or a triangle, or a trapezoid -- and then they try and make
154
589000
3000
a potem robią wielki romb z małych,
10:10
the next larger shape of that same shape, and the next larger shape.
155
592000
4000
z tych poskładanych robią jeszcze większy, itd.
10:14
You can see the trapezoids are a little challenging there.
156
596000
4000
Trapezy sprawiały trochę trudności.
10:18
And what this teacher did on every project
157
600000
3000
Nauczycielka każdy projekt
10:21
was to have the children act like first it was a creative arts project,
158
603000
5000
zaczynała jak zajęcia plastyczne,
10:26
and then something like science.
159
608000
2000
a kończyła jak geometrię.
10:28
So they had created these artifacts.
160
610000
2000
Budowali modele.
10:30
Now she had them look at them and do this ... laborious,
161
612000
4000
Kolejne zadanie wydało mi się pracochłonne,
10:34
which I thought for a long time, until she explained to me was
162
616000
4000
póki nie wyjaśniła mi, że chce spowolnić dzieci
10:38
to slow them down so they'll think.
163
620000
3000
i skłonić do zastanowienia.
10:41
So they're cutting out the little pieces of cardboard here
164
623000
3000
Wycinały z kartonu figury i naklejały je.
10:44
and pasting them up.
165
626000
2000
Wycinały z kartonu figury i naklejały je.
10:46
But the whole point of this thing is
166
628000
4000
Chodziło o to, że przy okazji
10:50
for them to look at this chart and fill it out.
167
632000
3000
dzieci wypełniały tabelkę.
10:53
"What have you noticed about what you did?"
168
635000
4000
Co w trakcie zauważyły?
10:57
And so six-year-old Lauren there noticed that the first one took one,
169
639000
4000
6-letnia Lauren spostrzegła, że pierwszy romb
11:01
and the second one took three more
170
643000
5000
to jeden kawałek, drugi - kolejne 3,
11:06
and the total was four on that one,
171
648000
2000
czyli razem 4.
11:08
the third one took five more and the total was nine on that one,
172
650000
4000
Trzeci - jeszcze 5, czyli razem 9.
11:12
and then the next one.
173
654000
1000
I kolejny.
11:13
She saw right away that the additional tiles that you had to add
174
655000
5000
Od razu zauważyła, że za każdym razem
11:18
around the edges was always going to grow by two,
175
660000
4000
dodatkowych kawałków będzie o dwa więcej.
11:22
so she was very confident about how she made those numbers there.
176
664000
3000
Doskonale wiedziała, skąd wzięły się te liczby.
11:25
And she could see that these were the square numbers up until about six,
177
667000
5000
Widziała, że to kwadraty liczb, aż do 6.
11:30
where she wasn't sure what six times six was
178
672000
3000
Tutaj nie była pewna, ile jest 6 razy 6
11:33
and what seven times seven was,
179
675000
2000
i 7 razy 7.
11:35
but then she was confident again.
180
677000
3000
Potem odzyskała pewność siebie.
11:38
So that's what Lauren did.
181
680000
2000
Tak zrobiła Lauren.
11:40
And then the teacher, Gillian Ishijima, had the kids
182
682000
4000
Wtedy nauczycielka, Gillan Ishijima,
11:44
bring all of their projects up to the front of the room and put them on the floor,
183
686000
3000
kazała położyć prace na podłodze.
11:47
and everybody went batshit: "Holy shit! They're the same!"
184
689000
8000
Wszyscy zdębieli. O rany, wszyscy mają to samo!
11:55
No matter what the shapes were, the growth law is the same.
185
697000
4000
Bez względu na kształt, zasada jest jedna.
11:59
And the mathematicians and scientists in the crowd
186
701000
3000
Matematycy i naukowcy na sali
12:02
will recognize these two progressions
187
704000
2000
rozpoznają te ciągi
12:04
as a first-order discrete differential equation
188
706000
3000
jako równanie różnicowe pierwszego rzędu,
12:07
and a second-order discrete differential equation,
189
709000
5000
oraz równanie różnicowe drugiego rzędu.
12:12
derived by six-year-olds.
190
714000
4000
Wyprowadzone przez 6-latków.
12:16
Well, that's pretty amazing.
191
718000
1000
To zdumiewające.
12:17
That isn't what we usually try to teach six-year-olds.
192
719000
3000
Rzadko kiedy uczymy tego w zerówce.
12:20
So, let's take a look now at how we might use the computer for some of this.
193
722000
7000
Rozważmy, jak można użyć do tego komputera.
12:27
And so the first idea here is
194
729000
4000
Najpierw chcę pokazać,
12:31
just to show you the kind of things that children do.
195
733000
4000
co robią dzieci.
12:35
I'm using the software that we're putting on the $100 laptop.
196
737000
5000
Używam programu na laptopie z OLPC.
12:40
So I'd like to draw a little car here --
197
742000
6000
Chcę narysować samochód.
12:46
I'll just do this very quickly -- and put a big tire on him.
198
748000
7000
Tylko szkic. Teraz dołożę mu duże koła.
12:59
And I get a little object here and I can look inside this object,
199
761000
4000
Mam teraz obiekt. Mogę zajrzeć do środka.
13:03
I'll call it a car. And here's a little behavior: car forward.
200
765000
5000
Nazwę go: „auto”. Teraz komenda: do przodu.
13:08
Each time I click it, car turn.
201
770000
3000
Kiedy klikam, auto zakręca.
13:11
If I want to make a little script to do this over and over again,
202
773000
2000
Dodam skrypt, będzie powtarzać.
13:13
I just drag these guys out and set them going.
203
775000
5000
Przeciągnę i uruchomię.
13:20
And I can try steering the car here by ...
204
782000
3000
Teraz mogę kierować.
13:23
See the car turn by five here?
205
785000
2000
"Zakręt" jest ustawiony na 5.
13:25
So what if I click this down to zero?
206
787000
3000
A co będzie, jeśli ustawię na 0?
13:28
It goes straight. That's a big revelation for nine-year-olds.
207
790000
5000
Jedzie prosto. Dla 9-latka to objawienie.
13:33
Make it go in the other direction.
208
795000
2000
Teraz w drugą stronę.
13:35
But of course, that's a little bit like kissing your sister
209
797000
2000
Tylko, że to trochę jak całowanie siostry.
13:37
as far as driving a car,
210
799000
3000
Mało zabawne.
13:40
so the kids want to do a steering wheel;
211
802000
3000
Dzieci chcą kierownicę.
13:43
so they draw a steering wheel.
212
805000
3000
Więc ją rysują.
13:46
And we'll call this a wheel.
213
808000
5000
Nazwiemy obiekt: "kierownica".
13:51
See this wheel's heading here?
214
813000
4000
Kręci się w tę stronę. Kiedy nią obrócę,
13:55
If I turn this wheel, you can see that number over there going minus and positive.
215
817000
5000
liczba stanie się dodatnia lub ujemna.
14:00
That's kind of an invitation to pick up this name of
216
822000
2000
Aż się prosi,
14:02
those numbers coming out there
217
824000
3000
żeby nazwać jakoś te liczby
14:05
and to just drop it into the script here,
218
827000
2000
i dorzucić do skryptu.
14:07
and now I can steer the car with the steering wheel.
219
829000
5000
Teraz mogę sterować kierownicą.
14:12
And it's interesting.
220
834000
2000
Robi się ciekawie.
14:14
You know how much trouble the children have with variables,
221
836000
3000
Dzieciom trudno zrozumieć "zmienne",
14:17
but by learning it this way, in a situated fashion,
222
839000
2000
ale tu uczą się na konkrecie
14:19
they never forget from this single trial
223
841000
3000
i na zawsze zapamiętają,
14:22
what a variable is and how to use it.
224
844000
3000
co to jest zmienna i do czego służy.
14:25
And we can reflect here the way Gillian Ishijima did.
225
847000
2000
Przerwijmy tu, podobnie jak Gillan Ishijima.
14:27
So if you look at the little script here,
226
849000
2000
W tym skrypcie
14:29
the speed is always going to be 30.
227
851000
2000
ustalamy prędkość na 30.
14:31
We're going to move the car according to that over and over again.
228
853000
5000
Tak będzie się przemieszczał samochód.
14:36
And I'm dropping a little dot for each one of these things;
229
858000
4000
Po każdym ruchu zostawi kropkę,
14:40
they're evenly spaced because they're 30 apart.
230
862000
3000
równomiernie, co 30 punktów.
14:43
And what if I do this progression that the six-year-olds did
231
865000
3000
Teraz zastosuję ciąg, jak 6-latki,
14:46
of saying, "OK, I'm going to increase the speed by two each time,
232
868000
5000
za każdym razem zwiększając prędkość o dwa
14:51
and then I'm going to increase the distance by the speed each time?
233
873000
3000
i zwiększając odległość.
14:54
What do I get there?"
234
876000
4000
Co nam wyszło?
14:58
We get a visual pattern of what these nine-year-olds called acceleration.
235
880000
7000
Wzór przez 9-latki nazwany "przyspieszeniem".
15:05
So how do the children do science?
236
887000
2000
Jak dzieci uczą się fizyki?
15:08
(Video) Teacher: [Choose] objects that you think will fall to the Earth at the same time.
237
890000
3000
Nauczycielka: Które przedmioty spadną równocześnie?
15:11
Student 1: Ooh, this is nice.
238
893000
3000
Dziecko: Ale fajne.
15:18
Teacher: Do not pay any attention
239
900000
2000
Naucz.: Nie patrzcie,
15:20
to what anybody else is doing.
240
902000
3000
co robią inni.
15:35
Who's got the apple?
241
917000
2000
Kto ma jabłko?
15:37
Alan Kay: They've got little stopwatches.
242
919000
2000
A.K.: Mają małe stopery.
15:44
Student 2: What did you get? What did you get?
243
926000
2000
Naucz.: I co wyszło?
15:46
AK: Stopwatches aren't accurate enough.
244
928000
3000
A.K.: Stopery nie są zbyt precyzyjne.
15:49
Student 3: 0.99 seconds.
245
931000
2000
Dziecko: 0,99 sekundy.
15:52
Teacher: So put "sponge ball" ...
246
934000
3000
Naucz.: Napisz "piłka z gąbki"...
15:56
Student 4l: [I decided to] do the shot put and the sponge ball
247
938000
3000
Dziecko: Kula sportowa i piłka z gąbki
15:59
because they're two totally different weights,
248
941000
3000
różnią się wagą.
16:02
and if you drop them at the same time,
249
944000
2000
Jeśli upuścić je jednocześnie,
16:04
maybe they'll drop at the same speed.
250
946000
2000
może spadną z tą samą prędkością.
16:06
Teacher: Drop. Class: Whoa!
251
948000
2000
Naucz.: Puść!
16:10
AK: So obviously, Aristotle never asked a child
252
952000
3000
Najwyraźniej Arystoteles nie konsultował się
16:13
about this particular point
253
955000
3000
z żadnym dzieckiem, bo, rzecz jasna,
16:16
because, of course, he didn't bother doing the experiment,
254
958000
2000
nie zawracał sobie głowy eksperymentami.
16:18
and neither did St. Thomas Aquinas.
255
960000
2000
Podobnie Tomasz z Akwinu.
16:20
And it was not until Galileo actually did it
256
962000
2000
Dopiero Galileusz podszedł do tego, jak dziecko.
16:22
that an adult thought like a child,
257
964000
3000
Dopiero Galileusz podszedł do tego, jak dziecko.
16:25
only 400 years ago.
258
967000
3000
Ledwie 400 lat temu.
16:28
We get one child like that about every classroom of 30 kids
259
970000
4000
Średnio jeden na 30 uczniów
16:32
who will actually cut straight to the chase.
260
974000
3000
od razu trafia w sedno.
16:35
Now, what if we want to look at this more closely?
261
977000
3000
Przyjrzyjmy się bliżej.
16:38
We can take a movie of what's going on,
262
980000
3000
Można to sfilmować,
16:41
but even if we single stepped this movie,
263
983000
2000
ale nawet na stop-klatce mało widać.
16:43
it's tricky to see what's going on.
264
985000
2000
ale nawet na stop-klatce mało widać.
16:45
And so what we can do is we can lay out the frames side by side
265
987000
3000
Możemy ułożyć klatki obok siebie,
16:48
or stack them up.
266
990000
2000
albo jedną na drugiej.
16:50
So when the children see this, they say, "Ah! Acceleration,"
267
992000
5000
Widząc to, dzieci mówią "przyspieszenie",
16:55
remembering back four months when they did their cars sideways,
268
997000
3000
bo pamiętają samochody sprzed 4 miesięcy.
16:58
and they start measuring to find out what kind of acceleration it is.
269
1000000
6000
Zaczynają mierzyć, żeby określić rodzaj przyspieszenia.
17:04
So what I'm doing is measuring from the bottom of one image
270
1006000
6000
Mierzę od dołu jednej klatki
17:10
to the bottom of the next image, about a fifth of a second later,
271
1012000
5000
do dołu drugiej, 0,2 sekundy później.
17:15
like that. And they're getting faster and faster each time,
272
1017000
2000
Przyspieszają za każdym razem.
17:17
and if I stack these guys up, then we see the differences; the increase
273
1019000
10000
Kiedy je złożę, widać różnicę.
17:27
in the speed is constant.
274
1029000
3000
Stały wzrost prędkości.
17:30
And they say, "Oh, yeah. Constant acceleration.
275
1032000
2000
Od razu chwytają: przyspieszenie stałe.
17:32
We've done that already."
276
1034000
2000
Już to przerabialiśmy.
17:34
And how shall we look and verify that we actually have it?
277
1036000
8000
Ale jak to zweryfikować?
17:42
So you can't tell much from just making the ball drop there,
278
1044000
5000
Spadająca piłka niewiele nam powie,
17:47
but if we drop the ball and run the movie at the same time,
279
1049000
4000
ale jeśli jednocześnie puścimy film,
17:53
we can see that we have come up with an accurate physical model.
280
1055000
5000
uzyskamy wierny model fizyczny.
18:00
Galileo, by the way, did this very cleverly
281
1062000
4000
Galileusz zrobił to bardzo sprytnie.
18:04
by running a ball backwards down the strings of his lute.
282
1066000
3000
Puścił piłkę wzdłuż strun lutni.
18:07
I pulled out those apples to remind myself to tell you that
283
1069000
5000
Jabłka mają mi przypominać, że to pewnie legenda,
18:12
this is actually probably a Newton and the apple type story,
284
1074000
5000
jak ta z Newtonem i jabłkami,
18:17
but it's a great story.
285
1079000
2000
ale to fajna historia.
18:19
And I thought I would do just one thing
286
1081000
2000
Opowiem jeszcze o jednym,
18:21
on the $100 laptop here just to prove that this stuff works here.
287
1083000
10000
i udowodnię, że wystarczy tu nasz "laptop za 100 dolarów".
18:31
So once you have gravity, here's this --
288
1093000
3000
Bierzemy pod uwagę grawitację.
18:34
increase the speed by something,
289
1096000
2000
Zwiększę trochę prędkość rakiety.
18:36
increase the ship's speed.
290
1098000
3000
Zwiększę trochę prędkość rakiety.
18:39
If I start the little game here that the kids have done,
291
1101000
3000
Jeśli tak zrobię, gra zrobiona przez dzieci
18:42
it'll crash the space ship.
292
1104000
2000
pokazuje, że rakieta spadnie.
18:44
But if I oppose gravity, here we go ... Oops!
293
1106000
4000
Ale jeśli przeciwstawię się grawitacji...
18:48
(Laughter)
294
1110000
2000
(Śmiech)
18:50
One more.
295
1112000
1000
Jeszcze raz.
18:54
Yeah, there we go. Yeah, OK?
296
1116000
5000
O, teraz. Udało się.
18:59
I guess the best way to end this is with two quotes:
297
1121000
7000
Pomyślałem, że najlepiej zakończyć dwoma cytatami.
19:06
Marshall McLuhan said,
298
1128000
2000
Marshall McLuhan powiedział:
19:08
"Children are the messages that we send to the future,"
299
1130000
4000
"Dzieci to nasz przekaz dla przyszłości".
19:12
but in fact, if you think of it,
300
1134000
2000
Tak naprawdę,
19:14
children are the future we send to the future.
301
1136000
2000
to przyszłość wysyłana w przyszłość.
19:16
Forget about messages;
302
1138000
3000
Zapomnijmy o "przekazach".
19:19
children are the future,
303
1141000
3000
Dzieci to przyszłość.
19:22
and children in the first and second world
304
1144000
2000
Dzieci z pierwszego, drugiego
19:24
and, most especially, in the third world
305
1146000
3000
a zwłaszcza trzeciego świata,
19:27
need mentors.
306
1149000
2000
potrzebują mentorów.
19:29
And this summer, we're going to build five million of these $100 laptops,
307
1151000
5000
W tym roku OLPC wypuści 5 milionów laptopów,
19:34
and maybe 50 million next year.
308
1156000
2000
w przyszłym może 50 mln.
19:36
But we couldn't create 1,000 new teachers this summer to save our life.
309
1158000
7000
Ale 1000 nowych nauczycieli nie da się wytrząsnąć z rękawa.
19:43
That means that we, once again, have a thing where we can put technology out,
310
1165000
6000
Czyli potrafimy rozpowszechnić technologię,
19:49
but the mentoring that is required to go
311
1171000
3000
ale nie umiemy rozwinąć pomocy mentora
19:52
from a simple new iChat instant messaging system
312
1174000
5000
z kontaktu przez prosty komunikator iChat
19:57
to something with depth is missing.
313
1179000
2000
w coś poważniejszego.
19:59
I believe this has to be done with a new kind of user interface,
314
1181000
3000
Potrzebujemy nowego interfejsu.
20:02
and this new kind of user interface could be done
315
1184000
4000
Taki interfejs można by stworzyć
20:06
with an expenditure of about 100 million dollars.
316
1188000
5000
przy wkładzie ok. 100 milionów dolarów.
20:11
It sounds like a lot, but it is literally 18 minutes of what we're spending in Iraq --
317
1193000
7000
To dużo, ale tyle samo kosztuje 18 minut operacji w Iraku.
20:18
we're spending 8 billion dollars a month; 18 minutes is 100 million dollars --
318
1200000
5000
Wydajemy tam 8 miliardów miesięcznie. 100 milionów
20:23
so this is actually cheap.
319
1205000
2000
to 18 minut. Tanio.
20:25
And Einstein said,
320
1207000
4000
Jak mówił Einstein:
20:29
"Things should be as simple as possible, but not simpler."
321
1211000
3000
"Trzeba upraszczać, jak można, ale nie bardziej".
20:32
Thank you.
322
1214000
1000
Dziękuję.
ABOUT THE SPEAKER
Alan Kay - Educator and computing pioneerOne of the true luminaries of personal computing, Alan Kay conceived of laptops and graphical interfaces years before they were realized. At XeroxPARC, Apple, HP and Disney, he has developed tools for improving the mind.
Why you should listen
"The best way to predict the future is to invent it." Alan Kay not only coined this favorite tech-world adage, but has proven its truth several times. A true polymath, as well as inventor, he has combined engineering brilliance with knowledge of child development, epistemology, molecular biology and more.
In the 1960s, Kay joined the computer team at XeroxPARC, where he worked on world-changing inventions like the graphical interface, object-oriented programming, and the personal computer itself. Later, at Apple, Atari, HP, Disney, and now at his own nonprofits, he has helped refine the tools he anticipated long before they were realized.
As the industry has blossomed, however, Kay continues to grapple with the deeper purpose of computing, struggling to create the machine that won't only recapitulate patterns in the world as we know it but will teach both children and adults to think, to see what otherwise is beyond them.
Alan Kay | Speaker | TED.com