TED2010
Temple Grandin: The world needs all kinds of minds
Temple Grandin: Światu potrzeba umysłów różnego rodzaju
Filmed:
Readability: 3.4
5,588,848 views
Temple Grandin, u której w dzieciństwie zdiagnozowano autyzm, opowiada o tym, jak działa jej umysł, o umiejętności "myślenia obrazami", która umożliwiła jej rozwiązanie problemów, które mózg neurotypowy mógłby po prostu przeoczyć. Przekonuje, że światu potrzeba osób ze spektrum autystycznego: tych myślących wizualnie, tych myślących "wzorami" i tych myślących "werbalnie", oraz osób typu inteligentnego pasjonata czy komputerowca.
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
Może na początek opowiem,
00:17
what exactly autism is.
1
2000
2000
na czym polega autyzm.
00:19
Autism is a very big continuum
2
4000
3000
Autyzm to bardzo szerokie kontinuum:
00:22
that goes from very severe -- the child remains non-verbal --
3
7000
3000
od głębokiego, gdzie dziecko nie komunikuje się językowo,
00:25
all the way up to brilliant scientists and engineers.
4
10000
3000
po przykłady wielu genialnych naukowców i inżynierów.
00:28
And I actually feel at home here,
5
13000
2000
Tutaj czuję się swojsko.
00:30
because there's a lot of autism genetics here.
6
15000
2000
Bo wielu z was ma geny autyzmu.
00:32
You wouldn't have any...
7
17000
2000
Bez tego nie byłoby...
00:34
(Applause)
8
19000
4000
(Brawa)
00:38
It's a continuum of traits.
9
23000
2000
To kontinuum cech.
00:40
When does a nerd turn into
10
25000
3000
Kiedy to już nie "komputerowiec", ale zespół Aspergera,
00:43
Asperger, which is just mild autism?
11
28000
2000
czyli lekki autyzm?
00:45
I mean, Einstein and Mozart
12
30000
3000
Takiego Einsteina, Mozarta czy Teslę
00:48
and Tesla would all be probably diagnosed
13
33000
2000
dziś zapewne zdiagnozowano by jako przedstawicieli spektrum autyzmu.
00:50
as autistic spectrum today.
14
35000
2000
dziś zapewne zdiagnozowano by jako przedstawicieli spektrum autyzmu.
00:52
And one of the things that is really going to concern me is
15
37000
3000
Dręczy mnie kwestia, jak sprawić, by takie dzieciaki
00:55
getting these kids to be the ones that are going to invent
16
40000
3000
wynalazły kiedyś następne rozwiązania energetyczne,
00:58
the next energy things,
17
43000
2000
wynalazły kiedyś następne rozwiązania energetyczne,
01:00
you know, that Bill Gates talked about this morning.
18
45000
4000
takie, jak te o których mówił rano Bill Gates.
01:04
OK. Now, if you want to understand
19
49000
2000
Autyzm można zrozumieć przez zwierzęta.
01:06
autism, animals.
20
51000
2000
Autyzm można zrozumieć przez zwierzęta.
01:08
And I want to talk to you now about different ways of thinking.
21
53000
2000
Powiem o różnych sposobach myślenia.
01:10
You have to get away from verbal language.
22
55000
3000
Trzeba zapomnieć o języku werbalnym.
01:13
I think in pictures,
23
58000
2000
Ja myślę obrazami.
01:15
I don't think in language.
24
60000
3000
Nie myślę w języku.
01:18
Now, the thing about the autistic mind
25
63000
2000
Ważną cechą umysłu autystycznego jest zwracanie uwagi na szczegóły.
01:20
is it attends to details.
26
65000
3000
Ważną cechą umysłu autystycznego jest zwracanie uwagi na szczegóły.
01:23
OK, this is a test where you either have to
27
68000
2000
W tym teście niektórzy widzą małe, niektórzy wielkie litery.
01:25
pick out the big letters, or pick out the little letters,
28
70000
2000
W tym teście niektórzy widzą małe, niektórzy wielkie litery.
01:27
and the autistic mind picks out the
29
72000
2000
Umysł autystyczny szybciej zauważa małe.
01:29
little letters more quickly.
30
74000
2000
Umysł autystyczny szybciej zauważa małe.
01:31
And the thing is, the normal brain ignores the details.
31
76000
4000
A mózg normalny ignoruje szczegóły.
01:35
Well, if you're building a bridge, details are pretty important
32
80000
2000
Kiedy budujemy most,
01:37
because it will fall down if you ignore the details.
33
82000
3000
szczegóły są ważne, bez nich most się zawali.
01:40
And one of my big concerns with a lot of policy things today
34
85000
3000
Martwi mnie, że obecnie w polityce, w różnych rozwiązaniach
01:43
is things are getting too abstract.
35
88000
2000
jest za dużo abstrakcji.
01:45
People are getting away from doing
36
90000
2000
Odchodzi się od praktyki.
01:47
hands-on stuff.
37
92000
2000
Odchodzi się od praktyki.
01:49
I'm really concerned that a lot of the schools have taken out
38
94000
2000
Martwi mnie, że szkoły rezygnują z zajęć praktycznych,
01:51
the hands-on classes,
39
96000
2000
Martwi mnie, że szkoły rezygnują z zajęć praktycznych,
01:53
because art, and classes like that,
40
98000
2000
bo w plastyce i podobnych przedmiotach
01:55
those are the classes where I excelled.
41
100000
2000
osiągałam najlepsze wyniki.
01:57
In my work with cattle,
42
102000
2000
W pracy z bydłem zauważałam szczegóły dla innych niewidoczne,
01:59
I noticed a lot of little things that most people don't notice
43
104000
3000
W pracy z bydłem zauważałam szczegóły dla innych niewidoczne,
02:02
would make the cattle balk. Like, for example,
44
107000
2000
które niepokoiły krowy.
02:04
this flag waving, right in front of the veterinary facility.
45
109000
3000
Na przykład ta flaga przed gabinetem weterynaryjnym.
02:07
This feed yard was going to tear down their whole veterinary facility;
46
112000
3000
Krowy o mało co nie stratowały gabinetu,
02:10
all they needed to do was move the flag.
47
115000
2000
a wystarczyło usunąć flagę.
02:12
Rapid movement, contrast.
48
117000
3000
Szybki ruch, kontrast. Na początku, w latach 70.,
02:15
In the early '70s when I started, I got right down
49
120000
2000
wchodziłam do korytarzy,
02:17
in the chutes to see what cattle were seeing.
50
122000
2000
żeby zobaczyć to, co krowy.
02:19
People thought that was crazy. A coat on a fence would make them balk,
51
124000
3000
Brali mnie za wariatkę. Krowy niepokoiła kurtka na płocie.
02:22
shadows would make them balk, a hose on the floor ...
52
127000
3000
Niepokoiły je cienie, szlauch na podłodze,
02:25
people weren't noticing these things --
53
130000
2000
wiszący łańcuch - ludzie tego nie zauważali.
02:27
a chain hanging down --
54
132000
2000
wiszący łańcuch - ludzie tego nie zauważali.
02:29
and that's shown very, very nicely in the movie.
55
134000
2000
Film pokazuje to bardzo dobrze.
02:31
In fact, I loved the movie, how they
56
136000
2000
Uwielbiam to, że pokazuje moje projekty,
02:33
duplicated all my projects. That's the geek side.
57
138000
2000
przemawia we mnie "komputerowiec".
02:35
My drawings got to star in the movie too.
58
140000
3000
W filmie "zagrały" też moje rysunki.
02:38
And actually it's called "Temple Grandin,"
59
143000
2000
Film nazywa się "Temple Grandin",
02:40
not "Thinking In Pictures."
60
145000
2000
nie "Myślenie obrazami".
02:42
So, what is thinking in pictures? It's literally movies
61
147000
2000
Na czym polega myślenie obrazami?
02:44
in your head.
62
149000
2000
To filmy w głowie.
02:46
My mind works like Google for images.
63
151000
2000
Mój umysł działa jak wyszukiwanie obrazków w Google.
02:48
Now, when I was a young kid I didn't know my thinking was different.
64
153000
3000
Jako dziecko sądziłam, że wszyscy myślą obrazami.
02:51
I thought everybody thought in pictures.
65
156000
2000
Jako dziecko sądziłam, że wszyscy myślą obrazami.
02:53
And then when I did my book, "Thinking In Pictures,"
66
158000
2000
Pracując nad książką "Myślenie obrazami"
02:55
I start interviewing people about how they think.
67
160000
3000
rozmawiałam z ludźmi o tym, jak myślą.
02:58
And I was shocked to find out that
68
163000
2000
I zaskoczyło mnie, że ja myślę zupełnie inaczej.
03:00
my thinking was quite different. Like if I say,
69
165000
2000
I zaskoczyło mnie, że ja myślę zupełnie inaczej.
03:02
"Think about a church steeple"
70
167000
2000
Jeśli powiem: pomyśl o wieży kościelnej,
03:04
most people get this sort of generalized generic one.
71
169000
2000
u większości pojawi się "ogólny" obraz.
03:06
Now, maybe that's not true in this room,
72
171000
2000
Może nie u osób w tej sali,
03:08
but it's going to be true in a lot of different places.
73
173000
4000
ale będzie tak w większości przypadków.
03:12
I see only specific pictures.
74
177000
2000
Ja widzę tylko obrazy konkretne.
03:14
They flash up into my memory, just like Google for pictures.
75
179000
4000
Pojawiają się mi w pamięci, jak w wyszukiwarce obrazków.
03:18
And in the movie, they've got a great scene in there
76
183000
2000
W filmie jest świetna scena,
03:20
where the word "shoe" is said, and a whole bunch of '50s and '60s shoes
77
185000
4000
gdzie ktoś mówi "but" i w mojej wyobraźni pojawia się pełno butów z lat 50-60.
03:24
pop into my imagination.
78
189000
2000
gdzie ktoś mówi "but" i w mojej wyobraźni pojawia się pełno butów z lat 50-60.
03:26
OK, there is my childhood church,
79
191000
2000
To kościół z mojego dzieciństwa.
03:28
that's specific. There's some more, Fort Collins.
80
193000
3000
Konkretnie. Inne kościoły w Fort Collins.
03:31
OK, how about famous ones?
81
196000
2000
Może jakieś znane.
03:33
And they just kind of come up, kind of like this.
82
198000
3000
Po prostu pojawiają się, mniej więcej tak.
03:36
Just really quickly, like Google for pictures.
83
201000
3000
Bardzo szybko, jak w Google.
03:39
And they come up one at a time,
84
204000
2000
I pojawiają się pojedynczo.
03:41
and then I think, "OK, well maybe we can have it snow,
85
206000
2000
Potem myślę: można dodać śnieg,
03:43
or we can have a thunderstorm,"
86
208000
2000
albo burzę z piorunami,
03:45
and I can hold it there and turn them into videos.
87
210000
3000
mogę tu się zatrzymać i ułożyć je w film.
03:48
Now, visual thinking was a tremendous asset
88
213000
3000
Myślenie wizualne to ogromna zaleta
03:51
in my work designing cattle-handling facilities.
89
216000
3000
w mojej pracy - projektowaniu placówek hodowli bydła.
03:54
And I've worked really hard on improving
90
219000
2000
Usilnie pracowałam nad poprawą traktowania bydła w ubojniach.
03:56
how cattle are treated at the slaughter plant.
91
221000
2000
Usilnie pracowałam nad poprawą traktowania bydła w ubojniach.
03:58
I'm not going to go into any gucky slaughter slides.
92
223000
3000
Nie pokażę wam żadnych obrzydliwych zdjęć z uboju.
04:01
I've got that stuff up on YouTube if you want to look at it.
93
226000
2000
To można znaleźć na YouTube.
04:03
But, one of the things that I was able to do in my design work
94
228000
4000
Ale podczas pracy nad projektem jestem w stanie
04:07
is I could actually test run
95
232000
2000
przetestować w głowie to, nad czym pracuję,
04:09
a piece of equipment in my mind,
96
234000
2000
przetestować w głowie to, nad czym pracuję,
04:11
just like a virtual reality computer system.
97
236000
3000
jak w komputerowym środowisku wirtualnym.
04:14
And this is an aerial view
98
239000
2000
Tu widzimy jeden z moich projektów, odtworzony na potrzeby filmu.
04:16
of a recreation of one of my projects that was used in the movie.
99
241000
3000
Tu widzimy jeden z moich projektów, odtworzony na potrzeby filmu.
04:19
That was like just so super cool.
100
244000
2000
Super było to zobaczyć.
04:21
And there were a lot of kind of Asperger types
101
246000
2000
A w samej ekipie filmowej było pełno osób z Aspergerem i autystyków.
04:23
and autism types working out there on the movie set too.
102
248000
3000
A w samej ekipie filmowej było pełno osób z Aspergerem i autystyków.
04:26
(Laughter)
103
251000
2000
(Śmiech)
04:28
But one of the things that really worries me
104
253000
2000
Ale martwi mnie bardzo,
04:30
is: Where's the younger version of those kids going today?
105
255000
4000
gdzie w przyszłości podzieją się takie osoby, które teraz są dziećmi.
04:34
They're not ending up in Silicon Valley, where they belong.
106
259000
3000
Bo nie kończą wcale w Dolinie Krzemowej, jak powinny.
04:37
(Laughter)
107
262000
3000
(Śmiech)
04:40
(Applause)
108
265000
5000
(Brawa)
04:45
Now, one of the things I learned very early on because I wasn't that social,
109
270000
3000
Ponieważ nie radziłam sobie z relacjami społecznymi,
04:48
is I had to sell my work, and not myself.
110
273000
4000
bardzo wcześnie nauczyłam się sprzedawać swoje dzieło, nie siebie.
04:52
And the way I sold livestock jobs
111
277000
2000
Dostawałam zlecenia w zootechnice,
04:54
is I showed off my drawings, I showed off pictures of things.
112
279000
3000
bo pokazywałam swoje szkice, obrazy.
04:57
Another thing that helped me as a little kid
113
282000
2000
Pomogło mi też to, że w latach 50. dzieci uczono manier.
04:59
is, boy, in the '50s, you were taught manners.
114
284000
2000
Pomogło mi też to, że w latach 50. dzieci uczono manier.
05:01
You were taught you can't pull the merchandise off the shelves
115
286000
2000
Uczono, że w sklepie nie można rozrzucać towarów.
05:03
in the store and throw it around.
116
288000
2000
Uczono, że w sklepie nie można rozrzucać towarów.
05:05
Now, when kids get to be in third or fourth grade,
117
290000
3000
Tak naprawdę już w okolicach 3-4 klasy widać,
05:08
you might see that this kid's going to be a visual thinker,
118
293000
3000
że dane dziecko będzie myślało wizualnie,
05:11
drawing in perspective. Now, I want to
119
296000
2000
jeśli rysuje tak w perspektywie.
05:13
emphasize that not every autistic kid
120
298000
2000
Zaznaczam, że nie każde dziecko autystyczne myśli wizualnie.
05:15
is going to be a visual thinker.
121
300000
2000
Zaznaczam, że nie każde dziecko autystyczne myśli wizualnie.
05:17
Now, I had this brain scan done several years ago,
122
302000
4000
Kilka lat temu zrobiono mi tomografię.
05:21
and I used to joke around about having a
123
306000
2000
Żartowałam, że prosto w korę wzrokową
05:23
gigantic Internet trunk line
124
308000
2000
Żartowałam, że prosto w korę wzrokową
05:25
going deep into my visual cortex.
125
310000
2000
wpuszczone mam łącze internetowe.
05:27
This is tensor imaging.
126
312000
2000
To obrazowanie tensora dyfuzji.
05:29
And my great big internet trunk line
127
314000
2000
Moje "łącze internetowe" jest dwukrotnie większe niż w grupie kontrolnej.
05:31
is twice as big as the control's.
128
316000
2000
Moje "łącze internetowe" jest dwukrotnie większe niż w grupie kontrolnej.
05:33
The red lines there are me,
129
318000
2000
Obraz z czerwonymi liniami to ja,
05:35
and the blue lines are the sex and age-matched control.
130
320000
4000
a ten z niebieskimi to obraz porównawczy, dobrany wg płci i wieku.
05:39
And there I got a gigantic one,
131
324000
2000
Widać, że mam wielkie "łącze",
05:41
and the control over there, the blue one,
132
326000
2000
a obraz porównawczy, niebieski, ma bardzo małe.
05:43
has got a really small one.
133
328000
4000
a obraz porównawczy, niebieski, ma bardo małe.
05:47
And some of the research now is showing
134
332000
2000
Niektóre badania wskazują teraz,
05:49
is that people on the spectrum actually think with primary visual cortex.
135
334000
4000
że autystycy myślą pierwszorzędową korą wzrokową.
05:53
Now, the thing is, the visual thinker's just one kind of mind.
136
338000
3000
Ale rozumiecie, są różne umysły, nie tylko wizualne.
05:56
You see, the autistic mind tends to be a specialist mind --
137
341000
3000
Umysł autystyczny jest zwykle umysłem wyspecjalizowanym.
05:59
good at one thing, bad at something else.
138
344000
4000
W czymś wybitnym, ale słabym w czymś innym.
06:03
And where I was bad was algebra. And I was never allowed
139
348000
2000
Ja byłam słaba z algebry. Nie pozwolili mi
06:05
to take geometry or trig.
140
350000
2000
zająć się geometrią czy trygonometrią.
06:07
Gigantic mistake: I'm finding a lot of kids who need to skip algebra,
141
352000
3000
Wielki błąd. Wiele dzieci powinno przeskoczyć algebrę,
06:10
go right to geometry and trig.
142
355000
2000
od razu przejść do geometrii i trygonometrii.
06:12
Now, another kind of mind is the pattern thinker.
143
357000
3000
Inny rodzaj umysłu to umysł "wzorca".
06:15
More abstract. These are your engineers,
144
360000
2000
Bardziej abstrakcyjny - inżynierowie, programiści.
06:17
your computer programmers.
145
362000
2000
Bardziej abstrakcyjny - inżynierowie, programiści.
06:19
Now, this is pattern thinking. That praying mantis
146
364000
2000
Oto myślenie "wzorcowe":
06:21
is made from a single sheet of paper --
147
366000
2000
modliszkę wykonano z pojedynczej kartki,
06:23
no scotch tape, no cuts.
148
368000
2000
bez kleju, bez wycinania.
06:25
And there in the background is the pattern for folding it.
149
370000
3000
W tle widzimy wzorzec tłumaczący, jak ją złożyć.
06:28
Here are the types of thinking:
150
373000
2000
Oto różne typy myślenia:
06:30
photo-realistic visual thinkers, like me;
151
375000
3000
myślenie fotorealistyczne, wizualne - jak u mnie.
06:33
pattern thinkers, music and math minds.
152
378000
4000
Myślenie "wzorcowe" - umysły muzyczne i matematyczne.
06:37
Some of these oftentimes have problems with reading.
153
382000
2000
Takie osoby mogą mieć trudności w czytaniu.
06:39
You also will see these kind of problems
154
384000
2000
Takie problemy pojawiają się też u dyslektyków,
06:41
with kids that are dyslexic.
155
386000
3000
Takie problemy pojawiają się też u dyslektyków,
06:44
You'll see these different kinds of minds.
156
389000
2000
których umysł należy do którejś z kategorii.
06:46
And then there's a verbal mind, they know every fact about everything.
157
391000
3000
Jest też umysł werbalny. Zna każdy fakt na każdy temat.
06:49
Now, another thing is the sensory issues.
158
394000
2000
Są jeszcze trudności sensoryczne.
06:51
I was really concerned about having to wear this gadget on my face.
159
396000
4000
Bardzo martwiłam się, że muszę nosić ten mikrofon na twarzy.
06:55
And I came in half an hour beforehand
160
400000
3000
Przyszłam pół godziny przed wykładem,
06:58
so I could have it put on and kind of get used to it,
161
403000
2000
żeby go założyć i przyzwyczaić się do niego.
07:00
and they got it bent so it's not hitting my chin.
162
405000
3000
I odgięli mi go, żeby nie uderzał mnie w brodę.
07:03
But sensory is an issue. Some kids are bothered by fluorescent lights;
163
408000
3000
Są problemy sensoryczne. Niektóre dzieci męczy światło jarzeniówek,
07:06
others have problems with sound sensitivity.
164
411000
3000
inne są wrażliwe na dźwięk.
07:09
You know, it's going to be variable.
165
414000
3000
Rozumiecie, są różne przypadki.
07:12
Now, visual thinking gave me a whole lot of insight
166
417000
4000
Myślenie obrazowe dało mi ogromny wgląd w umysł zwierzęcy.
07:16
into the animal mind.
167
421000
2000
Myślenie obrazowe dało mi ogromny wgląd w umysł zwierzęcy.
07:18
Because think about it: An animal is a sensory-based thinker,
168
423000
3000
Zastanówcie się - myślenie zwierząt opiera się na zmysłach.
07:21
not verbal -- thinks in pictures,
169
426000
4000
Nie jest werbalne, tylko obrazowe.
07:25
thinks in sounds, thinks in smells.
170
430000
3000
Ich myśli opierają się na dźwiękach, zapachach.
07:28
Think about how much information there is there on the local fire hydrant.
171
433000
3000
Ileż informacji znajduje się na hydrancie przy chodniku!
07:31
He knows who's been there, when they were there.
172
436000
3000
Pies wie, kto tam był, kiedy tam był,
07:34
Are they friend or foe? Is there anybody he can go mate with?
173
439000
3000
czy to wróg, przyjaciel, czy potencjalny partner do rozrodu.
07:37
There's a ton of information on that fire hydrant.
174
442000
3000
Na takim hydrancie jest mnóstwo informacji.
07:40
It's all very detailed information,
175
445000
4000
Informacji bardzo szczegółowych.
07:44
and, looking at these kind of details
176
449000
2000
Zwracanie uwagi na takie szczegóły
07:46
gave me a lot of insight into animals.
177
451000
2000
dało mi wielki wgląd w zwierzęta.
07:48
Now, the animal mind, and also my mind,
178
453000
4000
Umysł zwierzęcy, tak samo jak mój umysł,
07:52
puts sensory-based information
179
457000
2000
układa informacje zmysłowe w kategorie.
07:54
into categories.
180
459000
2000
układa informacje zmysłowe w kategorie.
07:56
Man on a horse
181
461000
2000
Człowiek na koniu i człowiek na ziemi
07:58
and a man on the ground --
182
463000
2000
Człowiek na koniu i człowiek na ziemi
08:00
that is viewed as two totally different things.
183
465000
2000
to dwie zupełnie różne rzeczy.
08:02
You could have a horse that's been abused by a rider.
184
467000
3000
Weźmy przykład konia męczonego przez jeźdźca.
08:05
They'll be absolutely fine with the veterinarian
185
470000
2000
Nie będzie bał się weterynarza,
08:07
and with the horseshoer, but you can't ride him.
186
472000
3000
ani kowala, ale nie można na nim jeździć.
08:10
You have another horse, where maybe the horseshoer beat him up
187
475000
3000
Dajmy na to, że konia pobił kowal.
08:13
and he'll be terrible for anything on the ground,
188
478000
2000
Może bać się tego, co na ziemi,
08:15
with the veterinarian, but a person can ride him.
189
480000
3000
w tym weterynarza, ale można go ujeździć.
08:18
Cattle are the same way.
190
483000
2000
Tak samo jest z bydłem.
08:20
Man on a horse,
191
485000
2000
Człowiek na koniu a człowiek na nogach to dwie różne sprawy.
08:22
a man on foot -- they're two different things.
192
487000
2000
Człowiek na koniu a człowiek na nogach to dwie różne sprawy.
08:24
You see, it's a different picture.
193
489000
2000
Ponieważ to inny obraz.
08:26
See, I want you to think about just how specific this is.
194
491000
3000
Zastanówcie się, jak bardzo to jest konkretne.
08:29
Now, this ability to put information into categories,
195
494000
4000
Jeśli chodzi o umiejętność kategoryzowania informacji,
08:33
I find a lot of people are not very good at this.
196
498000
3000
z doświadczenia wiem, że wiele osób słabo sobie z tym radzi.
08:36
When I'm out troubleshooting equipment
197
501000
2000
Kiedy badam problem z czymś w hodowli,
08:38
or problems with something in a plant,
198
503000
2000
Kiedy badam problem z czymś w hodowli,
08:40
they don't seem to be able to figure out, "Do I have a training people issue?
199
505000
4000
nikt zwykle nie rozumie, czy to problem z pracownikami,
08:44
Or do I have something wrong with the equipment?"
200
509000
2000
czy może coś nie tak z wyposażeniem.
08:46
In other words, categorize equipment problem
201
511000
2000
Innymi słowy - nie odróżniają problemów z ludźmi od problemów ze sprzętem.
08:48
from a people problem.
202
513000
2000
Innymi słowy – nie odróżniają problemów z ludźmi od problemów ze sprzętem.
08:50
I find a lot of people have difficulty doing that.
203
515000
3000
Wielu osobom sprawia to trudności.
08:53
Now, let's say I figure out it's an equipment problem.
204
518000
3000
Powiedzmy, że już zrozumiałam, że chodzi o wyposażenie.
08:56
Is it a minor problem, with something simple I can fix?
205
521000
2000
Czy to drobny problem?
08:58
Or is the whole design of the system wrong?
206
523000
3000
Czy cały system jest niewłaściwie pomyślany?
09:01
People have a hard time figuring that out.
207
526000
3000
Ludziom trudno to rozróżnić.
09:04
Let's just look at something like, you know,
208
529000
2000
Zastanówmy się na przykład nad problemem bezpieczeństwa lotu.
09:06
solving problems with making airlines safer.
209
531000
2000
Zastanówmy się na przykład nad problemem bezpieczeństwa lotu.
09:08
Yeah, I'm a million-mile flier.
210
533000
2000
Ja wyleciałam już milion mil.
09:10
I do lots and lots of flying,
211
535000
2000
Latam bardzo dużo.
09:12
and if I was at the FAA,
212
537000
3000
Gdybym była w FFA, co bym uważnie, bezpośrednio obserwowała?
09:15
what would I be doing a lot of direct observation of?
213
540000
4000
Gdybym była w FFA, co bym uważnie, bezpośrednio obserwowała?
09:19
It would be their airplane tails.
214
544000
2000
Ogony samolotów.
09:21
You know, five fatal wrecks in the last 20 years,
215
546000
3000
W pięciu największych katastrofach ostatnich 20 lat
09:24
the tail either came off or steering stuff inside the tail broke
216
549000
4000
albo odłamał się ogon, albo zepsuło się oprzyrządowanie w sekcji ogonowej.
09:28
in some way.
217
553000
2000
albo odłamał się ogon, albo zepsuło się oprzyrządowanie w sekcji ogonowej.
09:30
It's tails, pure and simple.
218
555000
2000
Więc chodzi o ogony.
09:32
And when the pilots walk around the plane, guess what? They can't see
219
557000
2000
A pilot przechadzając się po samolocie nie widzi, co w ogonie.
09:34
that stuff inside the tail.
220
559000
2000
A pilot przechadzając się po samolocie nie widzi, co w ogonie.
09:36
You know, now as I think about that,
221
561000
2000
Kiedy tak rozmyślam,
09:38
I'm pulling up all of that specific information.
222
563000
3000
pojawiają mi się w głowie takie konkretne informacje.
09:41
It's specific. See, my thinking's bottom-up.
223
566000
3000
Chodzi o konkrety. Moje myślenie idzie "z dołu do góry".
09:44
I take all the little pieces and I put the pieces together like a puzzle.
224
569000
4000
Biorę się za małe kawałeczki i składam, jak układankę.
09:48
Now, here is a horse that was deathly afraid
225
573000
2000
Ten koń śmiertelnie bał się czarnych kapeluszy kowbojskich.
09:50
of black cowboy hats.
226
575000
2000
Ten koń śmiertelnie bał się czarnych kapeluszy kowbojskich.
09:52
He'd been abused by somebody with a black cowboy hat.
227
577000
2000
Męczył go ktoś z takim kapeluszem.
09:54
White cowboy hats, that was absolutely fine.
228
579000
3000
Zupełnie nie bał się kapeluszy białych.
09:57
Now, the thing is, the world is going to need
229
582000
3000
Bardzo ważne jest to, że światu potrzeba umysłów każdego rodzaju,
10:00
all of the different kinds of minds
230
585000
2000
Bardzo ważne jest to, że światu potrzeba umysłów każdego rodzaju,
10:02
to work together.
231
587000
2000
i tego, by współpracowały.
10:04
We've got to work on developing all these different kinds of minds.
232
589000
3000
Musimy starać się rozwijać takie umysły.
10:07
And one of the things that is driving me really crazy,
233
592000
3000
Pewna sprawa bardzo mnie denerwuje.
10:10
as I travel around and I do autism meetings,
234
595000
2000
Podróżuję po świecie
10:12
is I'm seeing a lot of smart, geeky, nerdy kids,
235
597000
3000
i na spotkaniach dotyczących autyzmu spotykam inteligentne dzieci.
10:15
and they just aren't very social,
236
600000
3000
Typ "komputerowca", nie radzą sobie z innymi ludźmi.
10:18
and nobody's working on developing their interest
237
603000
2000
A nikt nie stara się rozwijać ich zainteresowań,
10:20
in something like science.
238
605000
2000
na przykład naukowych.
10:22
And this brings up the whole thing of my science teacher.
239
607000
3000
To przypomina mi o moim nauczycielu fizyki.
10:25
My science teacher is shown absolutely beautifully in the movie.
240
610000
3000
Film świetnie go prezentuje.
10:28
I was a goofball student. When I was in high school
241
613000
2000
W szkole strasznie się obijałam.
10:30
I just didn't care at all about studying,
242
615000
3000
W liceum w ogóle nie chciało mi się uczyć,
10:33
until I had Mr. Carlock's science class.
243
618000
3000
póki nie spotkałam pana Carlocka.
10:36
He was now Dr. Carlock in the movie.
244
621000
3000
W filmie jest to "doktor Carlock".
10:39
And he got me challenged
245
624000
3000
Rzucił mi wyzwanie, miałam opracować salę złudzeń optycznych.
10:42
to figure out an optical illusion room.
246
627000
3000
Rzucił mi wyzwanie, miałam opracować salę złudzeń optycznych.
10:45
This brings up the whole thing of you've got to show kids
247
630000
2000
To pokazuje, jak ważne jest, by zaciekawić czymś dzieci.
10:47
interesting stuff.
248
632000
2000
To pokazuje, jak ważne jest, by zaciekawić czymś dzieci.
10:49
You know, one of the things that I think maybe TED ought to do
249
634000
3000
Sądzę, że TED powinien skontaktować się ze szkołami
10:52
is tell all the schools about all the great lectures that are on TED,
250
637000
3000
i dać im znać, że na stronie jest tyle wspaniałych prelekcji
10:55
and there's all kinds of great stuff on the Internet
251
640000
2000
i że w Internecie jest tyle fajnych rzeczy.
10:57
to get these kids turned on.
252
642000
2000
Niech dzieci się zaciekawią.
10:59
Because I'm seeing a lot of these geeky nerdy kids,
253
644000
3000
Bo widzę, że wiele takich dzieci typu "komputerowca"
11:02
and the teachers out in the Midwest, and the other parts of the country,
254
647000
3000
na przykład w środku kraju, nie w rejonach technologicznych,
11:05
when you get away from these tech areas,
255
650000
2000
ma nauczycieli, którzy nie mają pojęcia, co z nimi zrobić.
11:07
they don't know what to do with these kids.
256
652000
2000
ma nauczycieli, którzy nie mają pojęcia, co z nimi zrobić.
11:09
And they're not going down the right path.
257
654000
2000
I nie kierują ich właściwie.
11:11
The thing is, you can make a mind
258
656000
2000
Co ważne, możemy sprawić,
11:13
to be more of a thinking and cognitive mind,
259
658000
3000
że umysł będzie myślący, analityczny.
11:16
or your mind can be wired to be more social.
260
661000
3000
Mamy też mózgi bardziej "społeczne".
11:19
And what some of the research now has shown in autism
261
664000
2000
Obecnie badania nad autyzmem wskazują,
11:21
is there may by extra wiring back here,
262
666000
2000
że genialny mózg może mieć więcej pewnych "układów" i mniej układów społecznych.
11:23
in the really brilliant mind, and we lose a few social circuits here.
263
668000
3000
że genialny mózg może mieć więcej pewnych "układów" i mniej układów społecznych.
11:26
It's kind of a trade-off between thinking and social.
264
671000
4000
Więcej myślenia, kosztem zdolności międzyludzkich.
11:30
And then you can get into the point where it's so severe
265
675000
2000
Taka nierównowaga
11:32
you're going to have a person that's going to be non-verbal.
266
677000
3000
bywa tak głęboka, że dana osoba jest niekomunikatywna.
11:35
In the normal human mind
267
680000
2000
W normalnym umyśle ludzkim
11:37
language covers up the visual thinking we share with animals.
268
682000
3000
język przesłania myślenie obrazowe, takie jak u zwierząt.
11:40
This is the work of Dr. Bruce Miller.
269
685000
3000
To pochodzi z pracy dr. Bruce'a Millera.
11:43
And he studied Alzheimer's patients
270
688000
3000
Badał pacjentów z chorobą Alzheimera
11:46
that had frontal temporal lobe dementia.
271
691000
2000
i otępieniem czołowo-skroniowym.
11:48
And the dementia ate out the language parts of the brain,
272
693000
3000
W otępieniu pojawiała się degeneracja obszarów mózgu odpowiedzialnych za język.
11:51
and then this artwork came out of somebody who used to install stereos in cars.
273
696000
5000
Autor tego obrazu wcześniej zajmował się montażem radiów samochodowych.
11:56
Now, Van Gogh doesn't know anything about physics,
274
701000
4000
Van Gogh oczywiście nie miał pojęcia o fizyce,
12:00
but I think it's very interesting
275
705000
2000
ale uważam, że to bardzo interesujące,
12:02
that there was some work done to show that
276
707000
2000
że jak wykazały badania, zawirowania na tym obrazie
12:04
this eddy pattern in this painting
277
709000
2000
że jak wykazały badania, zawirowania na tym obrazie
12:06
followed a statistical model of turbulence,
278
711000
3000
odzwierciedlają statystyczny model turbulencji.
12:09
which brings up the whole interesting idea
279
714000
2000
Jest taka interesująca koncepcja,
12:11
of maybe some of this mathematical patterns
280
716000
2000
że niektóre wzorce matematyczne
12:13
is in our own head.
281
718000
2000
możemy mieć w głowie.
12:15
And the Wolfram stuff -- I was taking
282
720000
2000
Podczas wykładu Wolframa notowałam sobie terminy,
12:17
notes and I was writing down all the
283
722000
2000
Podczas wykładu Wolframa notowałam sobie terminy,
12:19
search words I could use,
284
724000
2000
żeby wyszukać coś o tym w Internecie,
12:21
because I think that's going to go on in my autism lectures.
285
726000
4000
bo chyba użyję tego w swoich prelekcjach o autyzmie.
12:25
We've got to show these kids interesting stuff.
286
730000
2000
Musimy czymś zainteresować te dzieci.
12:27
And they've taken out the autoshop class
287
732000
2000
Pozbywają się zajęć z techniki,
12:29
and the drafting class and the art class.
288
734000
2000
projektowania, z plastyki.
12:31
I mean art was my best subject in school.
289
736000
3000
Z plastyki miałam najlepsze oceny.
12:34
We've got to think about all these different kinds of minds,
290
739000
2000
Trzeba myśleć o różnorodności umysłów.
12:36
and we've got to absolutely work with these kind of minds,
291
741000
3000
I trzeba koniecznie pracować z takimi umysłami,
12:39
because we absolutely are going to need
292
744000
3000
bo takie osoby będą nam niezbędne w przyszłości.
12:42
these kind of people in the future.
293
747000
3000
bo takie osoby będą nam niezbędne w przyszłości.
12:45
And let's talk about jobs.
294
750000
2000
Porozmawiajmy o pracy.
12:47
OK, my science teacher got me studying
295
752000
2000
W szkole się obijałam,
12:49
because I was a goofball that didn't want to study.
296
754000
3000
ale do nauki zachęcił mnie pan od fizyki.
12:52
But you know what? I was getting work experience.
297
757000
2000
Ale zbierałam też doświadczenie zawodowe!
12:54
I'm seeing too many of these smart kids who haven't learned basic things,
298
759000
2000
Wiele tych dzieci nie opanowało podstaw,
12:56
like how to be on time.
299
761000
2000
na przykład punktualności.
12:58
I was taught that when I was eight years old.
300
763000
2000
Nauczono mnie jej, kiedy miałam 8 lat.
13:00
You know, how to have table manners at granny's Sunday party.
301
765000
3000
Nauczono, jak zachowywać się podczas obiadu u babci.
13:03
I was taught that when I was very, very young.
302
768000
3000
Nauczono mnie tego we wczesnym dzieciństwie.
13:06
And when I was 13, I had a job at a dressmaker's shop
303
771000
3000
A w 13 roku życia pracowałam u krawcowej,
13:09
sewing clothes.
304
774000
2000
sprzedawałam ubrania.
13:11
I did internships in college,
305
776000
3000
Na studiach robiłam staże.
13:14
I was building things,
306
779000
3000
Budowałam różne rzeczy.
13:17
and I also had to learn how to do assignments.
307
782000
3000
Nauczyłam się robić zadania domowe.
13:20
You know, all I wanted to do was draw pictures of horses when I was little.
308
785000
4000
Rozumiecie, jako dziecko chciałam tylko rysować konie.
13:24
My mother said, "Well let's do a picture of something else."
309
789000
2000
Mama mówiła: "Narysujmy coś innego".
13:26
They've got to learn how to do something else.
310
791000
2000
One muszą nauczyć się czegoś nowego.
13:28
Let's say the kid is fixated on Legos.
311
793000
2000
Dziecko ma obsesję na temat Lego?
13:30
Let's get him working on building different things.
312
795000
3000
Niech zbuduje coś nowego.
13:33
The thing about the autistic mind
313
798000
2000
Umysł autystyczny skupia się na jednym.
13:35
is it tends to be fixated.
314
800000
2000
Umysł autystyczny skupia się na jednym.
13:37
Like if a kid loves racecars,
315
802000
2000
Jeśli dziecko uwielbia samochody,
13:39
let's use racecars for math.
316
804000
2000
z ich pomocą naucz je matematyki.
13:41
Let's figure out how long it takes a racecar to go a certain distance.
317
806000
3000
W jakim czasie samochód przejedzie daną odległość?
13:44
In other words, use that fixation
318
809000
4000
Innymi słowy, należy wykorzystać obsesję,
13:48
in order to motivate that kid, that's one of the things we need to do.
319
813000
3000
żeby zmotywować dziecko - tym musimy się zająć.
13:51
I really get fed up when they, you know, the teachers,
320
816000
3000
Nie znoszę tego, że nauczyciele,
13:54
especially when you get away from this part of the country,
321
819000
3000
szczególnie w innych regionach kraju,
13:57
they don't know what to do with these smart kids.
322
822000
2000
nie mają pojęcia, co robić z tymi genialnymi dziećmi.
13:59
It just drives me crazy.
323
824000
2000
Strasznie mnie to wkurza.
14:01
What can visual thinkers do when they grow up?
324
826000
2000
Co ma robić osoba myśląca obrazami?
14:03
They can do graphic design, all kinds of stuff with computers,
325
828000
3000
Grafika, projektowanie, coś z komputerami,
14:06
photography, industrial design.
326
831000
5000
fotografika, wzornictwo przemysłowe.
14:11
The pattern thinkers, they're the ones that are going to be
327
836000
2000
Ci, którzy myślą "wzorcami"
14:13
your mathematicians, your software engineers,
328
838000
3000
będą matematykami, programistami,
14:16
your computer programmers, all of those kinds of jobs.
329
841000
4000
inżynierami oprogramowania i tak dalej.
14:20
And then you've got the word minds. They make great journalists,
330
845000
3000
Są też umysły werbalne - znakomici dziennikarze.
14:23
and they also make really, really good stage actors.
331
848000
3000
Także świetni aktorzy.
14:26
Because the thing about being autistic is,
332
851000
2000
Jako autystyczka, uczyłam się zdolności społecznych, jak aktorka roli.
14:28
I had to learn social skills like being in a play.
333
853000
3000
Jako autystyczka, uczyłam się zdolności społecznych, jak aktorka roli.
14:31
It's just kind of -- you just have to learn it.
334
856000
3000
Musiałam się ich po prostu nauczyć.
14:34
And we need to be working with these students.
335
859000
3000
Musimy pracować z takimi uczniami.
14:37
And this brings up mentors.
336
862000
2000
Pojawia się tu kwestia mentorów.
14:39
You know, my science teacher was not an accredited teacher.
337
864000
3000
Mój pan od fizyki nie był z wykształcenia nauczycielem.
14:42
He was a NASA space scientist.
338
867000
2000
Był naukowcem z NASA.
14:44
Now, some states now are getting it to where
339
869000
2000
Obecnie w niektórych stanach
14:46
if you have a degree in biology, or a degree in chemistry,
340
871000
2000
pozwala się komuś, kto np. skończył biologię,
14:48
you can come into the school and teach biology or chemistry.
341
873000
3000
po prostu uczyć w szkole biologii.
14:51
We need to be doing that.
342
876000
2000
To jest nam potrzebne,
14:53
Because what I'm observing is
343
878000
2000
bo widzę, że wielu nauczycieli odpowiednich dla takich dzieci
14:55
the good teachers, for a lot of these kids,
344
880000
2000
bo widzę, że wielu nauczycieli odpowiednich dla takich dzieci
14:57
are out in the community colleges,
345
882000
2000
pracuje w szkołach policealnych.
14:59
but we need to be getting some of these good teachers into the high schools.
346
884000
3000
Tacy dobrzy nauczyciele powinni znaleźć się w liceach.
15:02
Another thing that can be very, very, very successful is
347
887000
3000
Inne bardzo skuteczne rozwiązanie:
15:05
there is a lot of people that may have retired
348
890000
3000
wielu emerytowanych pracowników sektora komputerowego
15:08
from working in the software industry, and they can teach your kid.
349
893000
3000
mogłoby zostać nauczycielami.
15:11
And it doesn't matter if what they teach them is old,
350
896000
3000
Nie ważne, czy to, czego nauczają, jest przestarzałe,
15:14
because what you're doing is you're lighting the spark.
351
899000
3000
bo chodzi tu o rozpalenie iskry.
15:17
You're getting that kid turned on.
352
902000
3000
Niech dziecko się zaciekawi.
15:20
And you get him turned on, then he'll learn all the new stuff.
353
905000
3000
Jeśli się zaciekawi, nauczy się też tego, co najnowsze.
15:23
Mentors are just essential.
354
908000
2000
Mentorzy są niezbędni.
15:25
I cannot emphasize enough
355
910000
2000
Znowu podkreślam,
15:27
what my science teacher did for me.
356
912000
3000
że mój pan od fizyki zrobił dla mnie ogromnie dużo.
15:30
And we've got to mentor them, hire them.
357
915000
3000
Trzeba ich wyszkolić, zatrudnić.
15:33
And if you bring them in for internships in your companies,
358
918000
2000
Jeśli weźmiesz ich na staż, pamiętaj,
15:35
the thing about the autism, Asperger-y kind of mind,
359
920000
3000
że umysł autystyczny, aspergerowy, potrzebuje konkretnych zadań.
15:38
you've got to give them a specific task. Don't just say, "Design new software."
360
923000
3000
że umysł autystyczny, aspergerowy, potrzebuje konkretnych zadań.
15:41
You've got to tell them something a lot more specific:
361
926000
2000
Nie "zrób nowy program", coś o wiele bardziej konkretnego.
15:43
"Well, we're designing a software for a phone
362
928000
3000
"Pracujemy nad oprogramowaniem dla telefonu,
15:46
and it has to do some specific thing.
363
931000
2000
musi robić konkretnie to i to.
15:48
And it can only use so much memory."
364
933000
2000
I używać konkretnie tyle pamięci."
15:50
That's the kind of specificity you need.
365
935000
2000
Trzeba takich konkretów.
15:52
Well, that's the end of my talk.
366
937000
2000
To koniec mojego wykładu.
15:54
And I just want to thank everybody for coming.
367
939000
2000
Chciałam podziękować wszystkim za przyjście.
15:56
It was great to be here.
368
941000
2000
Było tu świetnie.
15:58
(Applause)
369
943000
12000
(Brawa)
16:10
Oh, you've got a question for me? OK.
370
955000
3000
Masz do mnie pytanie? Dobra.
16:13
(Applause)
371
958000
1000
(Brawa)
16:14
Chris Anderson: Thank you so much for that.
372
959000
4000
Chris Anderson: Dziękuję ci bardzo.
16:18
You know, you once wrote, I like this quote,
373
963000
2000
Napisałaś kiedyś coś, co mi się podoba:
16:20
"If by some magic, autism had been
374
965000
2000
"Jeśli jakaś magia usnęłaby autyzm z powierzchni Ziemi,
16:22
eradicated from the face of the Earth,
375
967000
3000
"Jeśli jakaś magia usnęłaby autyzm z powierzchni Ziemi,
16:25
then men would still be socializing in front of a wood fire
376
970000
3000
ludzie wciąż spotykaliby się wokół ogniska,
16:28
at the entrance to a cave."
377
973000
2000
przy wejściu do jaskini".
16:30
Temple Grandin: Because who do you think made the first stone spears?
378
975000
2000
T. Grandin: No bo kto zrobił pierwsze kamienne groty?
16:32
The Asperger guy. And if you were to get rid of all the autism genetics
379
977000
3000
Aspergerowiec. A gdyby wymazać geny autystyczne,
16:35
there would be no more Silicon Valley,
380
980000
2000
nie byłoby Doliny Krzemowej,
16:37
and the energy crisis would not be solved.
381
982000
2000
nie rozwiązano by kryzysu energetycznego.
16:39
(Applause)
382
984000
3000
(Brawa)
16:42
CA: So, I want to ask you a couple other questions,
383
987000
2000
CA: Chciałbym ci zadać kilka innych pytań.
16:44
and if any of these feel inappropriate,
384
989000
2000
Jeśli któreś wyda ci się niestosowne,
16:46
it's okay just to say, "Next question."
385
991000
2000
można powiedzieć "następne pytanie".
16:48
But if there is someone here
386
993000
2000
Jeśli ktoś z widowni ma dziecko z autyzmem,
16:50
who has an autistic child,
387
995000
2000
Jeśli ktoś z widowni ma dziecko z autyzmem,
16:52
or knows an autistic child
388
997000
2000
albo zna takie dziecko,
16:54
and feels kind of cut off from them,
389
999000
3000
ale czuje się od niego odcięty,
16:57
what advice would you give them?
390
1002000
2000
co poradzisz takiej osobie?
16:59
TG: Well, first of all, you've got to look at age.
391
1004000
2000
TG: Po pierwsze, ważny jest wiek.
17:01
If you have a two, three or four year old
392
1006000
2000
Jeśli to dziecko w wieku 2-4 lat,
17:03
you know, no speech, no social interaction,
393
1008000
2000
wiesz, brak mowy, interakcji społecznych,
17:05
I can't emphasize enough:
394
1010000
2000
to ogromnie ważne jest, by nie czekać,
17:07
Don't wait, you need at least 20 hours a week of one-to-one teaching.
395
1012000
4000
potrzeba przynajmniej 20 godzin tygodniowo bezpośredniej pracy.
17:11
You know, the thing is, autism comes in different degrees.
396
1016000
3000
Są różne stopnie autyzmu.
17:14
There's going to be about half the people on the spectrum
397
1019000
2000
Mniej więcej połowa osób ze spektrum
17:16
that are not going to learn to talk, and they're not going to be working
398
1021000
2000
nie opanuje mowy, nie będzie pracowała
17:18
Silicon Valley, that would not be a reasonable thing for them to do.
399
1023000
3000
w Dolinie Krzemowej, coś takiego się nie zdarzy.
17:21
But then you get the smart, geeky kids
400
1026000
2000
Ale są inteligentne dzieci, "komputerowcy",
17:23
that have a touch of autism,
401
1028000
2000
z odrobiną autyzmu
17:25
and that's where you've got to get them turned on
402
1030000
2000
i to je właśnie trzeba zafascynować
17:27
with doing interesting things.
403
1032000
2000
robieniem czegoś, co interesujące.
17:29
I got social interaction through shared interest.
404
1034000
3000
Ja doszłam do interakcji przez wspólne zainteresowania.
17:32
I rode horses with other kids, I made model rockets with other kids,
405
1037000
4000
Jeździłam z innymi dziećmi na koniach, budowałam modele rakiet,
17:36
did electronics lab with other kids,
406
1041000
2000
chodziłam na "elektronikę",
17:38
and in the '60s, it was gluing mirrors
407
1043000
2000
co w latach 60. oznaczało
17:40
onto a rubber membrane on a speaker to make a light show.
408
1045000
3000
przyklejanie lusterka na gumie do głośnika, żeby błyskało.
17:43
That was like, we considered that super cool.
409
1048000
3000
Dla nas to było super odlotowe.
17:46
CA: Is it unrealistic for them
410
1051000
2000
CA: Czy przeświadczenie, czy nadzieja,
17:48
to hope or think that that child
411
1053000
2000
że takie dziecko kocha taką osobę,
17:50
loves them, as some might, as most, wish?
412
1055000
3000
jest nierealistyczne?
17:53
TG: Well let me tell you, that child will be loyal,
413
1058000
2000
TG: To dziecko na pewno będzie lojalne.
17:55
and if your house is burning down, they're going to get you out of it.
414
1060000
2000
Wyciągnie cię z płonącego domu.
17:57
CA: Wow. So, most people, if you ask them
415
1062000
3000
CA: O! Większość osób zapytanych o to,
18:00
what are they most passionate about, they'd say things like,
416
1065000
2000
co darzą największym uczuciem,
18:02
"My kids" or "My lover."
417
1067000
3000
odpowiada, że swoje dzieci, czy ukochaną osobę.
18:05
What are you most passionate about?
418
1070000
3000
A jakbyś ty odpowiedziała?
18:08
TG: I'm passionate about that the things I do
419
1073000
2000
TG: Największą pasją jest dla mnie to,
18:10
are going to make the world a better place.
420
1075000
2000
czym mogę zmienić świat na lepsze.
18:12
When I have a mother of an autistic child say,
421
1077000
2000
Kiedy matka dziecka z autyzmem mówi:
18:14
"My kid went to college because of your book,
422
1079000
2000
"Dzięki pani książce moje dziecko jest na studiach" - jestem szczęśliwa.
18:16
or one of your lectures," that makes me happy.
423
1081000
2000
"Dzięki pani książce moje dziecko jest na studiach" - jestem szczęśliwa.
18:18
You know, the slaughter plants, I've worked with them
424
1083000
3000
Pracowałam nad stanem ubojni.
18:21
in the '80s; they were absolutely awful.
425
1086000
2000
W latach 80. były absolutnie okropne.
18:23
I developed a really simple scoring system for slaughter plants
426
1088000
4000
Opracowałam prosty system ich oceny,
18:27
where you just measure outcomes: How many cattle fell down?
427
1092000
2000
który mierzy wyniki: ile bydła upada,
18:29
How many cattle got poked with the prodder?
428
1094000
2000
ile krów dostaje poganiaczem,
18:31
How many cattle are mooing their heads off?
429
1096000
2000
ile muczy jak szalone.
18:33
And it's very, very simple.
430
1098000
2000
To bardzo prosta ocena.
18:35
You directly observe a few simple things.
431
1100000
2000
Oparta na bezpośredniej obserwacji.
18:37
It's worked really well. I get satisfaction out of
432
1102000
2000
System się świetnie sprawdza.
18:39
seeing stuff that makes real change
433
1104000
3000
Satysfakcji dostarcza mi to, co powoduje realną zmianę
18:42
in the real world. We need a lot more of that,
434
1107000
2000
w realnym świecie - potrzeba nam tego więcej,
18:44
and a lot less abstract stuff.
435
1109000
2000
a o wiele mniej abstrakcji.
18:46
(Applause)
436
1111000
7000
(Brawa)
18:53
CA: When we were talking on the phone, one of the things you said that
437
1118000
2000
CA: W naszej rozmowie telefonicznej
18:55
really astonished me was you said one thing
438
1120000
2000
powiedziałaś coś, co mnie zaskoczyło.
18:57
you were passionate about was server farms. Tell me about that.
439
1122000
4000
Pasjonujesz się serwerowniami. Opowiedz o tym.
19:01
TG: Well the reason why I got really excited when I read about that,
440
1126000
3000
TG: Przeczytałam o nich i zafascynowały mnie,
19:04
it contains knowledge.
441
1129000
3000
bo zawierają wiedzę.
19:07
It's libraries.
442
1132000
2000
To biblioteki.
19:09
And to me, knowledge is something
443
1134000
2000
A dla mnie wiedza to coś bardzo cennego.
19:11
that is extremely valuable. So, maybe, over 10 years ago
444
1136000
2000
A dla mnie wiedza to coś bardzo cennego.
19:13
now our library got flooded.
445
1138000
2000
10 lat temu powódź zalała u nas bibliotekę.
19:15
And this is before the Internet got really big.
446
1140000
2000
Internet był wtedy mniej rozwinięty.
19:17
And I was really upset about all the books being wrecked,
447
1142000
2000
Martwiłam się, że tyle książek się zniszczyło,
19:19
because it was knowledge being destroyed.
448
1144000
2000
bo przepadła tak wiedza.
19:21
And server farms, or data centers
449
1146000
2000
A serwerownie, centra przetwarzania danych,
19:23
are great libraries of knowledge.
450
1148000
3000
to wielkie biblioteki wiedzy.
19:26
CA: Temple, can I just say it's an absolute delight to have you at TED.
451
1151000
3000
CA: Temple, cudownie, że możemy gościć cię na TED.
19:29
TG: Well thank you so much. Thank you.
452
1154000
3000
TG: Cóż, dziękuję bardzo. Dziękuję.
19:32
(Applause)
453
1157000
6000
(Brawa)
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