ABOUT THE SPEAKERS
Sebastian Thrun - Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us.

Why you should listen

Sebastian Thrun is an educator, entrepreneur and troublemaker. After a long life as a professor at Stanford University, Thrun resigned from tenure to join Google. At Google, he founded Google X, home to self-driving cars and many other moonshot technologies. Thrun also founded Udacity, an online university with worldwide reach, and Kitty Hawk, a "flying car" company. He has authored 11 books, 400 papers, holds 3 doctorates and has won numerous awards.

More profile about the speaker
Sebastian Thrun | Speaker | TED.com
Chris Anderson - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading.

Why you should listen

Chris Anderson is the Curator of TED, a nonprofit devoted to sharing valuable ideas, primarily through the medium of 'TED Talks' -- short talks that are offered free online to a global audience.

Chris was born in a remote village in Pakistan in 1957. He spent his early years in India, Pakistan and Afghanistan, where his parents worked as medical missionaries, and he attended an American school in the Himalayas for his early education. After boarding school in Bath, England, he went on to Oxford University, graduating in 1978 with a degree in philosophy, politics and economics.

Chris then trained as a journalist, working in newspapers and radio, including two years producing a world news service in the Seychelles Islands.

Back in the UK in 1984, Chris was captivated by the personal computer revolution and became an editor at one of the UK's early computer magazines. A year later he founded Future Publishing with a $25,000 bank loan. The new company initially focused on specialist computer publications but eventually expanded into other areas such as cycling, music, video games, technology and design, doubling in size every year for seven years. In 1994, Chris moved to the United States where he built Imagine Media, publisher of Business 2.0 magazine and creator of the popular video game users website IGN. Chris eventually merged Imagine and Future, taking the combined entity public in London in 1999, under the Future name. At its peak, it published 150 magazines and websites and employed 2,000 people.

This success allowed Chris to create a private nonprofit organization, the Sapling Foundation, with the hope of finding new ways to tackle tough global issues through media, technology, entrepreneurship and, most of all, ideas. In 2001, the foundation acquired the TED Conference, then an annual meeting of luminaries in the fields of Technology, Entertainment and Design held in Monterey, California, and Chris left Future to work full time on TED.

He expanded the conference's remit to cover all topics, including science, business and key global issues, while adding a Fellows program, which now has some 300 alumni, and the TED Prize, which grants its recipients "one wish to change the world." The TED stage has become a place for thinkers and doers from all fields to share their ideas and their work, capturing imaginations, sparking conversation and encouraging discovery along the way.

In 2006, TED experimented with posting some of its talks on the Internet. Their viral success encouraged Chris to begin positioning the organization as a global media initiative devoted to 'ideas worth spreading,' part of a new era of information dissemination using the power of online video. In June 2015, the organization posted its 2,000th talk online. The talks are free to view, and they have been translated into more than 100 languages with the help of volunteers from around the world. Viewership has grown to approximately one billion views per year.

Continuing a strategy of 'radical openness,' in 2009 Chris introduced the TEDx initiative, allowing free licenses to local organizers who wished to organize their own TED-like events. More than 8,000 such events have been held, generating an archive of 60,000 TEDx talks. And three years later, the TED-Ed program was launched, offering free educational videos and tools to students and teachers.

More profile about the speaker
Chris Anderson | Speaker | TED.com
TED2017

Sebastian Thrun and Chris Anderson: What AI is -- and isn't

Sebastian Thrun e Chris Anderson: A nova geração de computadores está programando a si mesma

Filmed:
1,575,780 views

Educador e empreendedor, Sebastian Thrun quer que usemos a inteligência artificial para livrar a humanidade do trabalho repetitivo e liberar nossa criatividade. Numa conversa inspiradora e informativa com Chris Anderson, curador do TED, Thrun discute o progresso do aprendizado profundo, as razões pelas quais não deveríamos temer o descontrole da IA e como a sociedade vai estar melhor se os trabalhos monótonos e chatos forem feitos com a ajuda de máquinas. "Apenas 1% das coisas interessantes já foram inventadas", afirma Thrun. "Acredito que todos nós somos loucamente criativos ... a [IA] vai nos possibilitar transformar a criatividade em ação."
- Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us. Full bio - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading. Full bio

Double-click the English transcript below to play the video.

Chris Anderson: Ajude-nos a entender
o que é aprendizado de máquina,
00:12
Chris Anderson: Help us understand
what machine learning is,
0
904
2886
00:15
because that seems to be the key driver
1
3814
2054
pois esse parece ser o principal motor
00:17
of so much of the excitement
and also of the concern
2
5892
2737
tanto da empolgação quanto da preocupação
com a inteligência artificial.
00:20
around artificial intelligence.
3
8653
1494
Como funciona o aprendizado de máquina?
00:22
How does machine learning work?
4
10171
1643
00:23
Sebastian Thrun: So, artificial
intelligence and machine learning
5
11838
3896
Sebastian Thrun: A inteligência artificial
e o aprendizado de máquina
têm cerca de 60 anos,
00:27
is about 60 years old
6
15758
2002
e seus dias de glória
só começaram recentemente.
00:29
and has not had a great day
in its past until recently.
7
17784
4269
00:34
And the reason is that today,
8
22077
2924
E a razão é que hoje
00:37
we have reached a scale
of computing and datasets
9
25025
3973
chegamos a uma escala
de computação e de dados
00:41
that was necessary to make machines smart.
10
29022
2637
que era necessária para tornar
as máquinas inteligentes.
00:43
So here's how it works.
11
31683
1751
Então, eis como funciona.
00:45
If you program a computer today,
say, your phone,
12
33458
3497
Para programar um computador hoje,
digamos, um celular,
00:48
then you hire software engineers
13
36979
2335
são contratados engenheiros de software
00:51
that write a very,
very long kitchen recipe,
14
39338
3854
que escrevem uma receita
culinária bem longa,
00:55
like, "If the water is too hot,
turn down the temperature.
15
43216
3132
tipo: "Se a água estiver quente demais,
diminua a temperatura.
00:58
If it's too cold, turn up
the temperature."
16
46372
2279
Se estiver fria demais,
aumente a temperatura".
01:00
The recipes are not just 10 lines long.
17
48675
2849
E não são receitas de apenas dez linhas.
01:03
They are millions of lines long.
18
51548
2603
Elas possuem milhões de linhas.
01:06
A modern cell phone
has 12 million lines of code.
19
54175
4084
Um celular moderno possui
12 milhões de linhas de programação.
01:10
A browser has five million lines of code.
20
58283
2646
Um browser tem 5 milhões
de linhas de programação.
01:12
And each bug in this recipe
can cause your computer to crash.
21
60953
4969
E cada falha nessa "receita"
pode causar uma pane no computador.
01:17
That's why a software engineer
makes so much money.
22
65946
3075
É por isso que engenheiros de software
ganham tanto dinheiro.
01:21
The new thing now is that computers
can find their own rules.
23
69953
3660
A novidade agora é que os computadores
podem descobrir suas próprias regras.
01:25
So instead of an expert
deciphering, step by step,
24
73637
3606
Então, em vez de um especialista
decifrar, passo a passo,
01:29
a rule for every contingency,
25
77267
2148
uma regra para cada contingência,
01:31
what you do now is you give
the computer examples
26
79439
3074
o que se faz agora é dar
exemplos ao computador
e deixá-lo inferir as regras.
01:34
and have it infer its own rules.
27
82537
1581
01:36
A really good example is AlphaGo,
which recently was won by Google.
28
84142
4306
Um ótimo exemplo é AlphaGo,
que recentemente venceu para o Google.
01:40
Normally, in game playing,
you would really write down all the rules,
29
88472
3687
Num jogo, normalmente
escrevem-se todas as regras,
01:44
but in AlphaGo's case,
30
92183
1785
mas, no caso do AlphaGo,
01:45
the system looked over a million games
31
93992
2066
o sistema pesquisou milhões de jogos
01:48
and was able to infer its own rules
32
96082
2192
e foi capaz de inferir
suas próprias regras
01:50
and then beat the world's
residing Go champion.
33
98298
2738
e então vencer o antigo
campeão mundial de Go.
01:53
That is exciting, because it relieves
the software engineer
34
101853
3509
Isso é interessante, pois alivia
a carga do engenheiro de software
01:57
of the need of being super smart,
35
105386
1819
de ser superinteligente,
01:59
and pushes the burden towards the data.
36
107229
2325
e transfere a carga para os dados.
02:01
As I said, the inflection point
where this has become really possible --
37
109578
4534
Como disse, o ponto de inflexão
em que isso se tornou possível...
muito constrangedor, minha tese
foi sobre aprendizado de máquina,
02:06
very embarrassing, my thesis
was about machine learning.
38
114136
2746
totalmente insignificante,
não leiam, pois foi escrita há 20 anos...
02:08
It was completely
insignificant, don't read it,
39
116906
2205
02:11
because it was 20 years ago
40
119135
1350
e, à época, os computadores
eram como o cérebro de minhoca.
02:12
and back then, the computers
were as big as a cockroach brain.
41
120509
2907
Agora eles são poderosos
o suficiente para simular
02:15
Now they are powerful enough
to really emulate
42
123440
2331
o pensamento humano especializado.
02:17
kind of specialized human thinking.
43
125795
2076
02:19
And then the computers
take advantage of the fact
44
127895
2313
E os computadores têm a vantagem
de trabalhar com muito mais dados
02:22
that they can look at
much more data than people can.
45
130232
2500
do que as pessoas.
Assim, o AlphaGo pesquisou
mais de um milhão de jogos.
02:24
So I'd say AlphaGo looked at
more than a million games.
46
132756
3080
Nenhum especialista humano
conseguiria estudar esse número.
02:27
No human expert can ever
study a million games.
47
135860
2839
02:30
Google has looked at over
a hundred billion web pages.
48
138723
3182
O Google olhou mais de uma centena
de bilhões de páginas da rede.
02:33
No person can ever study
a hundred billion web pages.
49
141929
2650
Ninguém jamais conseguiu
estudar bilhões de páginas.
Em decorrência disso,
o computador pode encontrar regras
02:36
So as a result,
the computer can find rules
50
144603
2714
que nem as pessoas conseguem.
02:39
that even people can't find.
51
147341
1755
CA: Então, em vez de ser:
"Se ele fizer isso, eu faço aquilo",
02:41
CA: So instead of looking ahead
to, "If he does that, I will do that,"
52
149120
4312
é mais: "Eis o que parece
um padrão de vitória;
02:45
it's more saying, "Here is what
looks like a winning pattern,
53
153456
3072
eis o que parece ser
um padrão de vitória".
02:48
here is what looks like
a winning pattern."
54
156552
2079
ST: Isso! Basta pensar
na criação de filhos.
02:50
ST: Yeah. I mean, think about
how you raise children.
55
158655
2517
Não passamos os primeiros 18 anos
dando regras para cada contingência
02:53
You don't spend the first 18 years
giving kids a rule for every contingency
56
161196
3644
para, quando forem adultos,
terem um programa enorme.
02:56
and set them free
and they have this big program.
57
164864
2347
Eles titubeiam, caem, levantam,
levam tapas ou surras,
02:59
They stumble, fall, get up,
they get slapped or spanked,
58
167235
2719
03:01
and they have a positive experience,
a good grade in school,
59
169978
2884
têm uma experiência positiva,
uma boa nota na escola,
03:04
and they figure it out on their own.
60
172886
1834
e aprendem por si mesmos.
03:06
That's happening with computers now,
61
174744
1737
É o mesmo com os computadores agora,
o que de repente facilitou a programação.
03:08
which makes computer programming
so much easier all of a sudden.
62
176505
3029
03:11
Now we don't have to think anymore.
We just give them lots of data.
63
179558
3175
Não temos mais de pensar; apenas
damos a eles montes de dados.
CA: Então isso tem sido fundamental
para o desenvolvimento espetacular
03:14
CA: And so, this has been key
to the spectacular improvement
64
182757
3422
03:18
in power of self-driving cars.
65
186203
3064
do poder dos carros autônomos.
03:21
I think you gave me an example.
66
189291
1739
Acho que você tem um exemplo.
03:23
Can you explain what's happening here?
67
191054
2685
Você pode explicar
o que está acontecendo aqui?
03:25
ST: This is a drive of a self-driving car
68
193763
3564
ST: Este é o percurso de um carro autônomo
que temos na Udacity
03:29
that we happened to have at Udacity
69
197351
1957
e recentemente deu origem
a uma filial chamada Voyage.
03:31
and recently made
into a spin-off called Voyage.
70
199332
2398
03:33
We have used this thing
called deep learning
71
201754
2574
Temos usado o chamado aprendizado profundo
para treinar um carro a dirigir sozinho,
03:36
to train a car to drive itself,
72
204352
1623
03:37
and this is driving
from Mountain View, California,
73
205999
2387
e este está indo de Mountain View,
Califórnia, para São Francisco
03:40
to San Francisco
74
208410
1168
no El Camino Real num dia chuvoso,
03:41
on El Camino Real on a rainy day,
75
209602
2259
03:43
with bicyclists and pedestrians
and 133 traffic lights.
76
211885
3524
com ciclistas e pedestres e 133 semáforos.
03:47
And the novel thing here is,
77
215433
2636
E a novidade aqui é...
muitas luas atrás, criei
a equipe do carro autônomo do Google.
03:50
many, many moons ago, I started
the Google self-driving car team.
78
218093
3120
03:53
And back in the day, I hired
the world's best software engineers
79
221237
3181
E, naquela época, contratei
os melhores engenheiros de software
03:56
to find the world's best rules.
80
224442
1607
para descobrirem as melhores regras.
03:58
This is just trained.
81
226073
1754
Isso foi um teste.
03:59
We drive this road 20 times,
82
227851
3336
Dirigimos nessa estrada 20 vezes,
04:03
we put all this data
into the computer brain,
83
231211
2447
colocamos todos os dados
no cérebro do computador
04:05
and after a few hours of processing,
84
233682
2082
e, após algumas horas de processamento,
04:07
it comes up with behavior
that often surpasses human agility.
85
235788
3926
ele demonstra um comportamento
que sempre ultrapassa a agilidade humana.
04:11
So it's become really easy to program it.
86
239738
2017
Assim, é muito fácil programá-lo.
04:13
This is 100 percent autonomous,
about 33 miles, an hour and a half.
87
241779
3803
Este é 100% autônomo,
cerca de 53 km em uma hora e meia.
04:17
CA: So, explain it -- on the big part
of this program on the left,
88
245606
3630
CA: Então, nos explique: naquela parte
grande do programa à esquerda,
04:21
you're seeing basically what
the computer sees as trucks and cars
89
249260
3257
vemos mais ou menos o que o computador
vê, caminhões, carros,
04:24
and those dots overtaking it and so forth.
90
252541
2886
pontos de ultrapassagem,
e assim por diante.
ST: À direita, vemos a imagem da câmera,
a entrada de dados mais expressiva,
04:27
ST: On the right side, you see the camera
image, which is the main input here,
91
255451
3762
usada para encontrar pistas,
outros carros, semáforos.
04:31
and it's used to find lanes,
other cars, traffic lights.
92
259237
2676
04:33
The vehicle has a radar
to do distance estimation.
93
261937
2489
O veículo tem um radar
para calcular a distância,
04:36
This is very commonly used
in these kind of systems.
94
264450
2621
algo muito usado nesse tipo de sistema.
04:39
On the left side you see a laser diagram,
95
267095
1992
À esquerda, vemos um diagrama a laser,
04:41
where you see obstacles like trees
and so on depicted by the laser.
96
269111
3200
que nos mostra obstáculos
como árvores e coisas assim.
04:44
But almost all the interesting work
is centering on the camera image now.
97
272335
3436
Mas o mais importante
está na imagem da câmera.
Estamos passando de sensores
de precisão como radares e lasers
04:47
We're really shifting over from precision
sensors like radars and lasers
98
275795
3476
para sensores baratinhos, genéricos.
04:51
into very cheap, commoditized sensors.
99
279295
1842
04:53
A camera costs less than eight dollars.
100
281161
1987
Uma câmera custa menos de US$ 8.
04:55
CA: And that green dot
on the left thing, what is that?
101
283172
2793
CA: E aquele ponto verde
à esquerda, o que é?
04:57
Is that anything meaningful?
102
285989
1371
É algo importante?
04:59
ST: This is a look-ahead point
for your adaptive cruise control,
103
287384
3668
ST: É uma referência
para o cruzeiro regulável,
05:03
so it helps us understand
how to regulate velocity
104
291076
2477
que nos ajuda a entender
como regular a velocidade
05:05
based on how far
the cars in front of you are.
105
293577
2634
com base na distância
dos carros da frente.
05:08
CA: And so, you've also
got an example, I think,
106
296235
2716
CA: Você também tem um exemplo
05:10
of how the actual
learning part takes place.
107
298975
2381
de como o aprendizado real acontece.
05:13
Maybe we can see that. Talk about this.
108
301380
2458
Vamos dar uma olhada; fale sobre isso.
ST: Este é de um desafio
que propusemos aos alunos da Udacity,
05:15
ST: This is an example where we posed
a challenge to Udacity students
109
303862
3643
05:19
to take what we call
a self-driving car Nanodegree.
110
307529
3131
de trabalharem com o chamado
carro autônomo "Nanodegree".
05:22
We gave them this dataset
111
310684
1495
Demos a eles esses dados e dissemos:
05:24
and said "Hey, can you guys figure out
how to steer this car?"
112
312203
3054
"Ei, vocês conseguem descobrir
como dirigir esse carro?"
05:27
And if you look at the images,
113
315281
1624
Olhando essas imagens,
05:28
it's, even for humans, quite impossible
to get the steering right.
114
316929
4073
até para os seres humanos é
quase impossível dirigir certo.
05:33
And we ran a competition and said,
"It's a deep learning competition,
115
321026
3591
E fizemos uma competição
de aprendizado profundo,
05:36
AI competition,"
116
324641
1173
uma competição de IA,
05:37
and we gave the students 48 hours.
117
325838
1887
e demos aos estudantes 48 horas.
05:39
So if you are a software house
like Google or Facebook,
118
327749
4172
Bem, numa empresa de software
como o Google ou o Facebook,
05:43
something like this costs you
at least six months of work.
119
331945
2717
algo assim vai demandar
pelo menos seis meses de trabalho.
05:46
So we figured 48 hours is great.
120
334686
2202
Assim, decidimos
que 48 horas estava ótimo.
05:48
And within 48 hours, we got about
100 submissions from students,
121
336912
3467
E, em 48 horas, recebemos
cerca de 100 respostas dos alunos,
05:52
and the top four got it perfectly right.
122
340403
3370
e os 4 melhores solucionaram
perfeitamente.
05:55
It drives better than I could
drive on this imagery,
123
343797
2640
Com o aprendizado profundo,
ele dirigiu melhor do que eu.
05:58
using deep learning.
124
346461
1189
05:59
And again, it's the same methodology.
125
347674
1799
Novamente, é a mesma metodologia,
é uma coisa mágica.
06:01
It's this magical thing.
126
349497
1164
06:02
When you give enough data
to a computer now,
127
350685
2085
Quando o computador tem dados e tempo
suficientes para compreender esses dados,
06:04
and give enough time
to comprehend the data,
128
352794
2140
ele descobre suas próprias regras.
06:06
it finds its own rules.
129
354958
1445
06:09
CA: And so that has led to the development
of powerful applications
130
357339
4845
CA: E então isso levou ao desenvolvimento
de aplicações poderosas
06:14
in all sorts of areas.
131
362208
1525
em todo tipo de área.
06:15
You were talking to me
the other day about cancer.
132
363757
2668
Outro dia, você estava
me falando da oncologia.
06:18
Can I show this video?
133
366449
1189
Posso mostrar esse vídeo?
06:19
ST: Yeah, absolutely, please.
CA: This is cool.
134
367662
2354
ST: Sim, claro, por favor.
CA: Isso é legal.
06:22
ST: This is kind of an insight
into what's happening
135
370040
3534
ST: Esse é um tipo de insight
sobre o que está acontecendo
06:25
in a completely different domain.
136
373598
2429
num domínio completamente diferente.
06:28
This is augmenting, or competing --
137
376051
3752
Isso está ampliando, ou competindo,
06:31
it's in the eye of the beholder --
138
379827
1749
como se queira,
06:33
with people who are being paid
400,000 dollars a year,
139
381600
3454
com pessoas que ganham
US$ 400 mil por ano,
06:37
dermatologists,
140
385078
1237
dermatologistas,
06:38
highly trained specialists.
141
386339
1983
especialistas altamente treinados.
06:40
It takes more than a decade of training
to be a good dermatologist.
142
388346
3561
Leva-se mais de uma década
para se formar um bom dermatologista.
06:43
What you see here is
the machine learning version of it.
143
391931
3196
E vemos aqui a versão
aprendizado de máquina disso.
06:47
It's called a neural network.
144
395151
1841
É a chamada rede neural.
06:49
"Neural networks" is the technical term
for these machine learning algorithms.
145
397016
3742
"Redes neurais" é o termo técnico dado
a algoritmos de aprendizado de máquina.
06:52
They've been around since the 1980s.
146
400782
1789
Elas estão aí desde a década de 1980.
06:54
This one was invented in 1988
by a Facebook Fellow called Yann LeCun,
147
402595
4640
Esta foi inventado em 1988 por Yann LeCun,
um pesquisador do Facebook,
06:59
and it propagates data stages
148
407259
3558
e ela processa dados em estágios
07:02
through what you could think of
as the human brain.
149
410841
2578
como faz o cérebro humano.
07:05
It's not quite the same thing,
but it emulates the same thing.
150
413443
2966
Não é exatamente a mesma coisa,
mas simula a mesma coisa.
Ela vai por etapas.
07:08
It goes stage after stage.
151
416433
1302
07:09
In the very first stage, it takes
the visual input and extracts edges
152
417759
3637
No primeiríssimo estágio, ela pega
os dados visuais e extrai bordas,
07:13
and rods and dots.
153
421420
2612
ângulos e pintas.
07:16
And the next one becomes
more complicated edges
154
424056
3037
E a seguir as bordas mais complicadas
07:19
and shapes like little half-moons.
155
427117
3191
e figuras como meias-luas.
07:22
And eventually, it's able to build
really complicated concepts.
156
430332
4443
E acaba sendo capaz de construir
conceitos realmente complicados.
07:26
Andrew Ng has been able to show
157
434799
2048
Andrew Ng foi capaz de mostrar
07:28
that it's able to find
cat faces and dog faces
158
436871
3480
que é capaz de encontrar
caras de gatos e de cachorros
07:32
in vast amounts of images.
159
440375
1661
em vastas quantidades de imagens.
07:34
What my student team
at Stanford has shown is that
160
442060
2724
Minha equipe de alunos
em Stanford mostrou que,
07:36
if you train it on 129,000 images
of skin conditions,
161
444808
6073
se a treinarmos em 129 mil imagens
de condições da pele,
incluindo melanona e carcinomas,
07:42
including melanoma and carcinomas,
162
450905
2565
07:45
you can do as good a job
163
453494
3301
é possível fazer um trabalho tão bom
07:48
as the best human dermatologists.
164
456819
2197
quanto os melhores dermatologistas.
07:51
And to convince ourselves
that this is the case,
165
459040
2549
E, para nos convencer disso,
07:53
we captured an independent dataset
that we presented to our network
166
461613
3990
usamos um conjunto de dados independentes,
que apresentamos à nossa rede e
a 25 dermatologistas no nível de Stanford
07:57
and to 25 board-certified
Stanford-level dermatologists,
167
465627
4342
08:01
and compared those.
168
469993
1672
e comparamos.
08:03
And in most cases,
169
471689
1504
E, na maioria dos casos,
08:05
they were either on par or above
the performance classification accuracy
170
473217
3875
sua precisão foi igual ou melhor
do que a dos dermatologistas humanos.
08:09
of human dermatologists.
171
477116
1467
CA: Você estava me contando um caso
08:10
CA: You were telling me an anecdote.
172
478607
1746
08:12
I think about this image right here.
173
480377
1957
sobre essa imagem.
08:14
What happened here?
174
482358
1484
O que houve aqui?
08:15
ST: This was last Thursday.
That's a moving piece.
175
483866
4008
ST: Isso foi na última
quinta. Foi tocante.
08:19
What we've shown before and we published
in "Nature" earlier this year
176
487898
3600
Foi publicado na "Nature" este ano:
08:23
was this idea that we show
dermatologists images
177
491522
2484
mostramos imagens a dermatologistas
e ao nosso programa de computador
08:26
and our computer program images,
178
494030
1539
e contamos o número de acertos.
08:27
and count how often they're right.
179
495593
1627
08:29
But all these images are past images.
180
497244
1778
Mas todas as imagens já tinham biópsia
08:31
They've all been biopsied to make sure
we had the correct classification.
181
499046
3460
para termos certeza
de sua correta classificação.
Mas não essa.
08:34
This one wasn't.
182
502530
1172
Essa na verdade foi feita em Stanford
por um de nossos colaboradores.
08:35
This one was actually done at Stanford
by one of our collaborators.
183
503726
3179
A história é que nosso colaborador,
08:38
The story goes that our collaborator,
184
506929
2314
08:41
who is a world-famous dermatologist,
one of the three best, apparently,
185
509267
3391
um renomado dermatologista,
aparentemente um dos três melhores,
olhou para esta pinta e disse:
"Não é câncer de pele".
08:44
looked at this mole and said,
"This is not skin cancer."
186
512682
2935
E depois, pensando melhor, ele disse:
"Bem, deixe-me checar no aplicativo".
08:47
And then he had
a second moment, where he said,
187
515641
2476
08:50
"Well, let me just check with the app."
188
518141
1866
Então ele pegou seu iPhone
e usou nosso aplicativo,
08:52
So he took out his iPhone
and ran our piece of software,
189
520031
2699
o chamado "dermatologista de bolso",
08:54
our "pocket dermatologist," so to speak,
190
522754
2121
08:56
and the iPhone said: cancer.
191
524899
2994
e o iPhone disse câncer, melanoma.
08:59
It said melanoma.
192
527917
1306
Então o médico ficou confuso,
09:01
And then he was confused.
193
529849
1233
09:03
And he decided, "OK, maybe I trust
the iPhone a little bit more than myself,"
194
531106
4551
e decidiu: "Talvez eu confie no iPhone
um pouco mais do que em mim mesmo",
09:07
and he sent it out to the lab
to get it biopsied.
195
535681
2735
e enviou para o laboratório para biópsia.
09:10
And it came up as an aggressive melanoma.
196
538440
2469
E o resultado foi um melanoma agressivo.
09:13
So I think this might be the first time
that we actually found,
197
541545
3067
Acho que essa foi a primeira vez
que realmente encontramos,
09:16
in the practice of using deep learning,
198
544636
2487
no uso do aprendizado profundo,
09:19
an actual person whose melanoma
would have gone unclassified,
199
547147
3372
uma pessoa real cujo melanoma
não teria sido diagnosticado
09:22
had it not been for deep learning.
200
550543
2115
se não fosse pelo aprendizado profundo.
09:24
CA: I mean, that's incredible.
201
552682
1560
CA: Puxa, isso é incrível.
09:26
(Applause)
202
554266
1769
(Aplausos)
09:28
It feels like there'd be an instant demand
for an app like this right now,
203
556059
3600
Parece que há uma demanda imediata
para um aplicativo como este agora,
09:31
that you might freak out a lot of people.
204
559683
1966
que deve assustar muitas pessoas.
Pensam em fazer isso,
um aplicativo que permita autoexame?
09:33
Are you thinking of doing this,
making an app that allows self-checking?
205
561673
3527
ST: Minha caixa de correio está
inundada de aplicativos sobre câncer
09:37
ST: So my in-box is flooded
about cancer apps,
206
565224
4973
09:42
with heartbreaking stories of people.
207
570221
2303
com histórias de cortar o coração.
09:44
I mean, some people have had
10, 15, 20 melanomas removed,
208
572548
3204
Digo, algumas pessoas tiveram
10, 15, 20 melanomas removidos,
09:47
and are scared that one
might be overlooked, like this one,
209
575776
3952
e têm medo de que um tenha
passado despercebido, como este,
e também sobre carros voadores
e pedidos de palestras, coisas assim.
09:51
and also, about, I don't know,
210
579752
1741
09:53
flying cars and speaker inquiries
these days, I guess.
211
581517
2732
09:56
My take is, we need more testing.
212
584273
2738
Minha postura é que precisamos
de mais testes.
09:59
I want to be very careful.
213
587449
1778
Quero ser bem cuidadoso.
10:01
It's very easy to give a flashy result
and impress a TED audience.
214
589251
3666
É muito fácil dar um resultado
chamativo e impressionar a plateia do TED.
10:04
It's much harder to put
something out that's ethical.
215
592941
2627
É muito mais difícil lançar algo ético.
10:07
And if people were to use the app
216
595592
2394
E, se as pessoas forem usar o aplicativo
10:10
and choose not to consult
the assistance of a doctor
217
598010
2797
e forem dispensar a ajuda de um médico,
10:12
because we get it wrong,
218
600831
1583
é porque fizemos errado,
e eu me sentiria muito mal com isso.
10:14
I would feel really bad about it.
219
602438
1653
Assim, estamos fazendo testes clínicos
e, caso nossos dados se sustentem,
10:16
So we're currently doing clinical tests,
220
604115
1925
10:18
and if these clinical tests commence
and our data holds up,
221
606064
2798
talvez possamos, em algum momento,
pegar esse tipo de tecnologia,
10:20
we might be able at some point
to take this kind of technology
222
608886
2990
tirá-la da clínica Stanford
e levá-la ao mundo inteiro,
10:23
and take it out of the Stanford clinic
223
611900
1892
10:25
and bring it to the entire world,
224
613816
1658
lugares onde médicos de Stanford
nunca estiveram antes.
10:27
places where Stanford
doctors never, ever set foot.
225
615498
2456
10:30
CA: And do I hear this right,
226
618617
2580
CA: E, se entendi bem,
se for como você está dizendo,
10:33
that it seemed like what you were saying,
227
621221
1966
você vem trabalhando com um
exército de alunos da Udacity
10:35
because you are working
with this army of Udacity students,
228
623211
4254
e, de certa maneira, está aplicando uma
forma diferente de aprendizado de máquina
10:39
that in a way, you're applying
a different form of machine learning
229
627489
3221
10:42
than might take place in a company,
230
630734
1735
da que ocorre numa empresa,
10:44
which is you're combining machine learning
with a form of crowd wisdom.
231
632493
3484
que é combinar aprendizado de máquina
com uma forma de sabedoria coletiva.
10:48
Are you saying that sometimes you think
that could actually outperform
232
636001
3384
Você está dizendo que poderia superar
o que uma empresa pode fazer,
mesmo uma grande?
10:51
what a company can do,
even a vast company?
233
639409
2050
ST: Acredito que haja agora
instâncias que me surpreendem,
10:53
ST: I believe there's now
instances that blow my mind,
234
641483
2940
10:56
and I'm still trying to understand.
235
644447
1758
e ainda estou tentando entender.
10:58
What Chris is referring to
is these competitions that we run.
236
646229
3937
O Chris está se referindo
às competições que fazemos.
11:02
We turn them around in 48 hours,
237
650190
2268
Fazemos isso em 48 horas,
e conseguimos construir um carro autônomo
11:04
and we've been able to build
a self-driving car
238
652482
2252
11:06
that can drive from Mountain View
to San Francisco on surface streets.
239
654758
3387
que pode dirigir de Mountain View
a São Francisco pelas ruas,
11:10
It's not quite on par with Google
after seven years of Google work,
240
658169
3584
não no mesmo nível do trabalho
de sete anos do Google,
11:13
but it's getting there.
241
661777
2528
mas está chegando lá.
11:16
And it took us only two engineers
and three months to do this.
242
664329
3084
E isso foi feito com apenas
dois engenheiros em três meses,
11:19
And the reason is, we have
an army of students
243
667437
2856
porque temos um exército de alunos
que participam das competições.
11:22
who participate in competitions.
244
670317
1850
Não somos os únicos a usar
colaboração coletiva.
11:24
We're not the only ones
who use crowdsourcing.
245
672191
2220
11:26
Uber and Didi use crowdsource for driving.
246
674435
2223
Uber e Didi fazem o mesmo.
11:28
Airbnb uses crowdsourcing for hotels.
247
676682
2759
Airbnb usa colaboração
coletiva para hospedagem.
11:31
There's now many examples
where people do bug-finding crowdsourcing
248
679465
4007
Há hoje muitos exemplos de pessoas
fazendo isso para descobrir falhas
ou enovelamento de proteínas, etc.,
na colaboração coletiva.
11:35
or protein folding, of all things,
in crowdsourcing.
249
683496
2804
11:38
But we've been able to build
this car in three months,
250
686324
2915
Mas conseguimos construir
esse carro em três meses,
11:41
so I am actually rethinking
251
689263
3655
assim, o que estou fazendo faz repensar
11:44
how we organize corporations.
252
692942
2238
a organização das empresas.
11:47
We have a staff of 9,000 people
who are never hired,
253
695204
4696
Temos uma equipe de 9 mil pessoas
que nunca foram contratadas,
11:51
that I never fire.
254
699924
1308
e que eu nunca demito.
11:53
They show up to work
and I don't even know.
255
701256
2362
Elas aparecem para trabalhar
e eu nem as conheço.
11:55
Then they submit to me
maybe 9,000 answers.
256
703642
3058
Então elas submetem a mim
talvez 9 mil respostas.
11:58
I'm not obliged to use any of those.
257
706724
2176
Não sou obrigado a usar nenhuma delas.
12:00
I end up -- I pay only the winners,
258
708924
1991
E remunero apenas os vencedores,
12:02
so I'm actually very cheapskate here,
which is maybe not the best thing to do.
259
710939
3718
então estou sendo meio sovina,
o que talvez não seja o melhor a fazer.
12:06
But they consider it part
of their education, too, which is nice.
260
714681
3185
Mas eles consideram isso parte
de sua formação, o que é legal.
12:09
But these students have been able
to produce amazing deep learning results.
261
717890
4201
E esses alunos têm produzido incríveis
resultados no aprendizado profundo.
12:14
So yeah, the synthesis of great people
and great machine learning is amazing.
262
722115
3861
A síntese de pessoas qualificadas
e bom aprendizado de máquina é incrível.
CA: Gary Kasparov disse
no primeiro dia [do TED2017]
12:18
CA: I mean, Gary Kasparov said on
the first day [of TED2017]
263
726000
2814
12:20
that the winners of chess, surprisingly,
turned out to be two amateur chess players
264
728848
5412
que, surpreendentemente, os vencedores
no xadrez foram dois jogadores amadores,
12:26
with three mediocre-ish,
mediocre-to-good, computer programs,
265
734284
5371
com três programas de computador,
de medíocres a bons,
que poderiam superar um grande mestre,
um grande jogador de xadrez,
12:31
that could outperform one grand master
with one great chess player,
266
739679
3163
como se tudo fosse parte do processo.
12:34
like it was all part of the process.
267
742866
1743
12:36
And it almost seems like
you're talking about a much richer version
268
744633
3335
E me parece que você está falando duma
versão muito mais rica da mesma ideia.
12:39
of that same idea.
269
747992
1200
12:41
ST: Yeah, I mean, as you followed
the fantastic panels yesterday morning,
270
749216
3857
ST: Sim, quer dizer, você assistiu
aos fantásticos painéis ontem de manhã,
12:45
two sessions about AI,
271
753097
1994
duas sessões sobre IA,
12:47
robotic overlords and the human response,
272
755115
2167
senhores robóticos e a reação humana,
12:49
many, many great things were said.
273
757306
1982
muitas coisas interessantes foram ditas.
12:51
But one of the concerns is
that we sometimes confuse
274
759312
2687
Mas uma das preocupações
é que às vezes confundimos
12:54
what's actually been done with AI
with this kind of overlord threat,
275
762023
4062
o que está sendo feito com a IA
com esse tipo de ameaça de dominação
12:58
where your AI develops
consciousness, right?
276
766109
3424
na qual a IA desenvolve
uma consciência, certo?
13:01
The last thing I want
is for my AI to have consciousness.
277
769557
2971
A última coisa que quero
é que minha IA tenha consciência.
Não quero entrar em minha cozinha
13:04
I don't want to come into my kitchen
278
772552
1716
13:06
and have the refrigerator fall in love
with the dishwasher
279
774292
4193
e me deparar com a geladeira
apaixonada pela lava-louça,
13:10
and tell me, because I wasn't nice enough,
280
778509
2124
me dizendo que minha comida
não está quente porque não fui legal.
13:12
my food is now warm.
281
780657
1837
13:14
I wouldn't buy these products,
and I don't want them.
282
782518
2891
Eu não compraria
esses produtos, e não os quero.
13:17
But the truth is, for me,
283
785825
1802
Mas a verdade, para mim,
13:19
AI has always been
an augmentation of people.
284
787651
2720
é que a IA sempre foi
uma extensão das pessoas.
13:22
It's been an augmentation of us,
285
790893
1676
Tem sido nossa extensão
para nos fazer mais fortes.
13:24
to make us stronger.
286
792593
1457
13:26
And I think Kasparov was exactly correct.
287
794074
2831
E acho que Kasparov está certíssimo.
13:28
It's been the combination
of human smarts and machine smarts
288
796929
3849
A combinação da inteligência
humana com a das máquinas
13:32
that make us stronger.
289
800802
1464
é o que nos faz mais fortes.
13:34
The theme of machines making us stronger
is as old as machines are.
290
802290
4587
O tema da máquina nos fazendo mais fortes
é tão antigo quanto as próprias máquinas.
13:39
The agricultural revolution took
place because it made steam engines
291
807567
3758
A revolução agrícola aconteceu
por causa do motor a vapor
e equipamentos que não podiam cultivar
sozinhos, que não nos substituíram,
13:43
and farming equipment
that couldn't farm by itself,
292
811349
2666
13:46
that never replaced us;
it made us stronger.
293
814039
2122
mas nos fizeram mais fortes.
E acredito que essa nova onda de IA
vai nos fazer muito mais fortes
13:48
And I believe this new wave of AI
will make us much, much stronger
294
816185
3738
13:51
as a human race.
295
819947
1183
como raça humana.
13:53
CA: We'll come on to that a bit more,
296
821765
1813
CA: Vamos voltar nisso daqui a pouco,
13:55
but just to continue with the scary part
of this for some people,
297
823602
3671
mas só para continuar
com a parte que assusta as pessoas,
13:59
like, what feels like it gets
scary for people is when you have
298
827297
3558
como, por exemplo, o medo
14:02
a computer that can, one,
rewrite its own code,
299
830879
4618
de um computador que possa,
primeiro, reescrever seu próprio código
14:07
so, it can create
multiple copies of itself,
300
835521
3584
e, assim, criar múltiplas
cópias de si mesmo,
14:11
try a bunch of different code versions,
301
839129
1897
tentar um monte de diferentes versões
de código, possivelmente aleatoriamente,
14:13
possibly even at random,
302
841050
1775
14:14
and then check them out and see
if a goal is achieved and improved.
303
842849
3632
e depois checá-las e ver se um objetivo
foi atingido ou aperfeiçoado.
14:18
So, say the goal is to do better
on an intelligence test.
304
846505
3641
Assim, digamos que o objetivo seja
se sair melhor num teste de inteligência.
14:22
You know, a computer
that's moderately good at that,
305
850170
3894
Por exemplo, um computador
que seja mediano no teste,
14:26
you could try a million versions of that.
306
854088
2509
tentar um milhão de versões disso.
14:28
You might find one that was better,
307
856621
2090
Seria possível ele achar uma melhor
14:30
and then, you know, repeat.
308
858735
2004
e então, sabe, repetir.
14:32
And so the concern is that you get
some sort of runaway effect
309
860763
3040
Então a preocupação é de que
as coisas fujam ao controle,
14:35
where everything is fine
on Thursday evening,
310
863827
3008
que tudo esteja bem na quinta à noite,
14:38
and you come back into the lab
on Friday morning,
311
866859
2336
e você volta ao laboratório
na sexta de manhã
e, devido à velocidade
dos computadores e tudo mais,
14:41
and because of the speed
of computers and so forth,
312
869219
2449
a coisa saia do controle e, de repente...
14:43
things have gone crazy, and suddenly --
313
871692
1903
14:45
ST: I would say this is a possibility,
314
873619
2020
ST: Eu diria que há uma possibilidade,
14:47
but it's a very remote possibility.
315
875663
1916
mas ela é muito remota.
14:49
So let me just translate
what I heard you say.
316
877603
3337
Então deixe-me traduzir o que você disse.
14:52
In the AlphaGo case,
we had exactly this thing:
317
880964
2704
No caso do AlphaGo,
tínhamos exatamente isto:
14:55
the computer would play
the game against itself
318
883692
2315
o computador jogaria o jogo contra
si próprio para aprender novas regras.
14:58
and then learn new rules.
319
886031
1250
E o aprendizado de máquina
é uma reescrita das regras.
14:59
And what machine learning is
is a rewriting of the rules.
320
887305
3235
15:02
It's the rewriting of code.
321
890564
1769
É a reescrita do código.
15:04
But I think there was
absolutely no concern
322
892357
2845
Mas penso que não havia
nenhuma preocupação
15:07
that AlphaGo would take over the world.
323
895226
2426
de que AlphaGo fosse dominar o mundo.
15:09
It can't even play chess.
324
897676
1464
Ele nem consegue jogar xadrez.
15:11
CA: No, no, no, but now,
these are all very single-domain things.
325
899164
5147
CA: Não, mas esses são
domínios bem específicos.
15:16
But it's possible to imagine.
326
904335
2879
Mas é possível imaginar...
15:19
I mean, we just saw a computer
that seemed nearly capable
327
907238
3089
Acabamos de ver um computador
que parecia quase capaz
de passar num teste
para ingressar numa universidade.
15:22
of passing a university entrance test,
328
910351
2655
15:25
that can kind of -- it can't read
and understand in the sense that we can,
329
913030
3688
Ele não sabe ler e entender
no sentido que podemos,
15:28
but it can certainly absorb all the text
330
916742
1987
mas certamente pode absorver o texto todo
15:30
and maybe see increased
patterns of meaning.
331
918753
2899
e talvez identificar
padrões de significado.
15:33
Isn't there a chance that,
as this broadens out,
332
921676
3694
Não há uma chance,
à medida que isso se ampliar,
15:37
there could be a different
kind of runaway effect?
333
925394
2466
de se perder o controle?
ST: Honestamente,
é aí que traço uma linha.
15:39
ST: That's where
I draw the line, honestly.
334
927884
2078
E a chance existe,
não quero minimizar isso,
15:41
And the chance exists --
I don't want to downplay it --
335
929986
2643
mas acho remota, e não é algo
que me preocupe atualmente,
15:44
but I think it's remote, and it's not
the thing that's on my mind these days,
336
932653
3672
pois acho que a grande
revolução é outra coisa.
15:48
because I think the big revolution
is something else.
337
936349
2512
Tudo que deu certo na IA
até a presente data
15:50
Everything successful in AI
to the present date
338
938885
2922
15:53
has been extremely specialized,
339
941831
2214
tem sido extremamente especializado,
15:56
and it's been thriving on a single idea,
340
944069
2489
e tem prosperado
com base numa única ideia,
15:58
which is massive amounts of data.
341
946582
2739
que é o enorme número de dados.
16:01
The reason AlphaGo works so well
is because of massive numbers of Go plays,
342
949345
4147
A razão de AlphaGo funcionar tão bem
é devido ao número de partidas jogadas,
16:05
and AlphaGo can't drive a car
or fly a plane.
343
953516
3255
e AlphaGo não consegue dirigir
um carro ou pilotar um avião.
16:08
The Google self-driving car
or the Udacity self-driving car
344
956795
3031
O carro autônomo do Google ou o da Udacity
funciona com enormes quantidades de dados,
16:11
thrives on massive amounts of data,
and it can't do anything else.
345
959850
3240
e não consegue fazer mais nada,
nem mesmo controlar uma moto.
16:15
It can't even control a motorcycle.
346
963114
1727
É uma função bem específica,
16:16
It's a very specific,
domain-specific function,
347
964865
2762
e o mesmo vale
para o aplicativo do câncer.
16:19
and the same is true for our cancer app.
348
967651
1907
16:21
There has been almost no progress
on this thing called "general AI,"
349
969582
3236
Não houve quase nenhum progresso
nessa coisa chamada "IA geral",
16:24
where you go to an AI and say,
"Hey, invent for me special relativity
350
972842
4000
em que se diga a uma IA: "Ei, invente
uma teoria da relatividade especial
16:28
or string theory."
351
976866
1666
ou a teoria das cordas".
16:30
It's totally in the infancy.
352
978556
1931
Está totalmente engatinhando.
16:32
The reason I want to emphasize this,
353
980511
2127
Eu quero enfatizar isso
16:34
I see the concerns,
and I want to acknowledge them.
354
982662
3838
porque vejo as preocupações
e estou ciente delas,
16:38
But if I were to think about one thing,
355
986524
2886
mas, se tivesse de pensar numa coisa,
16:41
I would ask myself the question,
"What if we can take anything repetitive
356
989434
5563
eu me faria a seguinte pergunta:
"E se pudesse pegar algo repetitivo
16:47
and make ourselves
100 times as efficient?"
357
995021
3473
e nos fazer 100 vezes mais eficientes?"
16:51
It so turns out, 300 years ago,
we all worked in agriculture
358
999170
4249
E ocorre que, 300 anos atrás,
todos trabalhávamos na agricultura,
na terra, e fazíamos coisas repetitivas.
16:55
and did farming and did repetitive things.
359
1003443
2051
16:57
Today, 75 percent of us work in offices
360
1005518
2556
Hoje 75% de nós trabalhamos em escritórios
17:00
and do repetitive things.
361
1008098
2124
e fazemos coisas repetitivas.
17:02
We've become spreadsheet monkeys.
362
1010246
2183
Nos tornamos macaquinhos das tabelas.
17:04
And not just low-end labor.
363
1012453
2054
E não só nos trabalhos mais simples.
17:06
We've become dermatologists
doing repetitive things,
364
1014531
2754
Nos tornamos dermatologistas
que fazem coisas repetitivas,
advogados fazendo coisas repetitivas.
17:09
lawyers doing repetitive things.
365
1017309
1749
17:11
I think we are at the brink
of being able to take an AI,
366
1019082
3823
Penso que estamos na iminência
de sermos capazes de pegar uma IA,
17:14
look over our shoulders,
367
1022929
1718
mesmo estando desconfiados,
17:16
and they make us maybe 10 or 50 times
as effective in these repetitive things.
368
1024671
4058
e ela nos fazer talvez 10 ou 50 vezes
mais eficazes nessas coisas repetitivas.
17:20
That's what is on my mind.
369
1028753
1275
É nisso que fico pensando.
17:22
CA: That sounds super exciting.
370
1030052
2450
CA: Parece interessantíssimo.
17:24
The process of getting there seems
a little terrifying to some people,
371
1032526
3530
O processo para chegar lá parece
aterrorizar algumas pessoas,
porque uma vez que um computador
possa fazer essa coisa repetitiva
17:28
because once a computer
can do this repetitive thing
372
1036080
3180
17:31
much better than the dermatologist
373
1039284
3434
muito melhor do que o dermatologista
17:34
or than the driver, especially,
is the thing that's talked about
374
1042742
3230
ou, em especial, do que o motorista,
algo tão falado hoje em dia,
17:37
so much now,
375
1045996
1290
17:39
suddenly millions of jobs go,
376
1047310
1958
de repente milhões
de empregos desaparecem,
17:41
and, you know, the country's in revolution
377
1049292
2695
o país entra em convulsão
17:44
before we ever get to the more
glorious aspects of what's possible.
378
1052011
4329
antes de podermos ver aspectos
mais gloriosos do que é possível.
17:48
ST: Yeah, and that's an issue,
and it's a big issue,
379
1056364
2517
ST: Esse é grande um problema,
17:50
and it was pointed out yesterday morning
by several guest speakers.
380
1058905
4196
e foi apontado ontem de manhã
por diversos palestrantes.
Bem, antes de me mostrar no palco,
17:55
Now, prior to me showing up onstage,
381
1063125
2754
17:57
I confessed I'm a positive,
optimistic person,
382
1065903
3739
confessei a eles que sou
uma pessoa positiva, otimista,
18:01
so let me give you an optimistic pitch,
383
1069666
2389
então, deixe-me lhe dar
algo otimista, que é:
18:04
which is, think of yourself
back 300 years ago.
384
1072079
4795
pense em si mesmo 300 anos atrás.
18:08
Europe just survived 140 years
of continuous war,
385
1076898
3996
A Europa acabou de sobreviver
a 140 anos de guerra contínua,
18:12
none of you could read or write,
386
1080918
1711
ninguém sabia ler ou escrever,
18:14
there were no jobs that you hold today,
387
1082653
2945
não havia os empregos que há hoje,
18:17
like investment banker
or software engineer or TV anchor.
388
1085622
4096
como investidores financeiros,
engenheiros de software ou âncoras de TV.
18:21
We would all be in the fields and farming.
389
1089742
2414
Todos estaríamos no campo arando a terra.
18:24
Now here comes little Sebastian
with a little steam engine in his pocket,
390
1092180
3573
E lá vem o Sebastian
com um motorzinho a vapor no bolso,
dizendo: "Ei, pessoal, vejam só isto:
18:27
saying, "Hey guys, look at this.
391
1095777
1548
vai torná-los 100 vezes mais fortes,
e liberá-los pra fazer outra coisa".
18:29
It's going to make you 100 times
as strong, so you can do something else."
392
1097349
3595
E, lá naquele tempo, não havia um palco,
18:32
And then back in the day,
there was no real stage,
393
1100968
2470
mas Chris e eu papeávamos
perto das vacas, no estábulo,
18:35
but Chris and I hang out
with the cows in the stable,
394
1103462
2526
18:38
and he says, "I'm really
concerned about it,
395
1106012
2100
e ele diz: "Estou muito
preocupado com isso,
18:40
because I milk my cow every day,
and what if the machine does this for me?"
396
1108136
3652
porque ordenho vacas todo dia,
e se a máquina tomar meu lugar?"
Estou dizendo isso porque
18:43
The reason why I mention this is,
397
1111812
1702
18:46
we're always good in acknowledging
past progress and the benefit of it,
398
1114360
3603
somos ótimos em reconhecer
o progresso passado e nos beneficiar dele,
18:49
like our iPhones or our planes
or electricity or medical supply.
399
1117987
3354
como nossos iPhones, aviões,
eletricidade ou suprimentos médicos.
18:53
We all love to live to 80,
which was impossible 300 years ago.
400
1121365
4245
Todos amamos viver até os 80 anos,
o que era impossível 300 anos atrás.
18:57
But we kind of don't apply
the same rules to the future.
401
1125634
4156
Mas nós meio que não aplicamos
as mesmas regras para o futuro.
Então, quando olho
para o meu cargo de CEO,
19:02
So if I look at my own job as a CEO,
402
1130621
3207
19:05
I would say 90 percent
of my work is repetitive,
403
1133852
3140
eu diria que 90% do meu trabalho
é repetitivo, e não gosto disso.
19:09
I don't enjoy it,
404
1137016
1351
19:10
I spend about four hours per day
on stupid, repetitive email.
405
1138391
3978
Passo cerca de quatro horas por dia
com e-mails chatos e repetitivos.
19:14
And I'm burning to have something
that helps me get rid of this.
406
1142393
3641
E estou louco para ter algo
que me ajude a me livrar disso.
Por quê?
19:18
Why?
407
1146058
1158
Porque acredito que todos nós
somos loucamente criativos:
19:19
Because I believe all of us
are insanely creative;
408
1147240
3003
19:22
I think the TED community
more than anybody else.
409
1150731
3194
especialmente a comunidade TED,
mais do que todo mundo.
19:25
But even blue-collar workers;
I think you can go to your hotel maid
410
1153949
3559
Mas mesmo operários; acho que
podemos chegar para a camareira do hotel
19:29
and have a drink with him or her,
411
1157532
2402
tomar um drinque com ela,
19:31
and an hour later,
you find a creative idea.
412
1159958
2717
e, uma hora depois,
descobrir uma ideia criativa.
19:34
What this will empower
is to turn this creativity into action.
413
1162699
4140
Isso vai possibilitar transformar
essa criatividade em ação.
19:39
Like, what if you could
build Google in a day?
414
1167265
3442
Algo como: e se você pudesse
construir o Google em um dia?
E se pudesse parar pra tomar uma cerveja
e inventar o próximo Snapchat,
19:43
What if you could sit over beer
and invent the next Snapchat,
415
1171221
3316
19:46
whatever it is,
416
1174561
1165
seja lá o que for,
19:47
and tomorrow morning it's up and running?
417
1175750
2187
e amanhã de manhã estiver funcionando?
19:49
And that is not science fiction.
418
1177961
1773
E isso não é ficção científica.
19:51
What's going to happen is,
419
1179758
1254
Nós já estamos nesse caminho.
19:53
we are already in history.
420
1181036
1867
19:54
We've unleashed this amazing creativity
421
1182927
3228
Já liberamos essa incrível criatividade
19:58
by de-slaving us from farming
422
1186179
1611
ao nos des-escravizar do trabalho agrícola
e, mais tarde, claro, do trabalho braçal
19:59
and later, of course, from factory work
423
1187814
3363
20:03
and have invented so many things.
424
1191201
3162
e ter inventado tantas coisas.
20:06
It's going to be even better,
in my opinion.
425
1194387
2178
Vai ser até melhor, na minha opinião.
20:08
And there's going to be
great side effects.
426
1196589
2072
E vai haver excelentes efeitos colaterais.
20:10
One of the side effects will be
427
1198685
1489
Um deles vai ser
20:12
that things like food and medical supply
and education and shelter
428
1200198
4795
que coisas como comida, suprimentos
médicos, educação, moradia e transporte
20:17
and transportation
429
1205017
1177
vão se tornar muito mais acessíveis
para todos nós, não só para os ricos.
20:18
will all become much more
affordable to all of us,
430
1206218
2441
20:20
not just the rich people.
431
1208683
1322
20:22
CA: Hmm.
432
1210029
1182
CA: Assim, quando Martin Ford
disse que este tempo ia ser diferente,
20:23
So when Martin Ford argued, you know,
that this time it's different
433
1211235
4341
20:27
because the intelligence
that we've used in the past
434
1215600
3453
devido à inteligência
que usamos no passado
20:31
to find new ways to be
435
1219077
2483
para descobrir novas formas de ser,
20:33
will be matched at the same pace
436
1221584
2279
vai no mesmo passo
20:35
by computers taking over those things,
437
1223887
2291
de os computadores assumindo essas coisas,
20:38
what I hear you saying
is that, not completely,
438
1226202
3078
mas ouço você dizendo
que não completamente,
20:41
because of human creativity.
439
1229304
2951
devido à criatividade humana.
20:44
Do you think that that's fundamentally
different from the kind of creativity
440
1232279
3785
Você acha que ela seja
muito diferente do tipo de criatividade
20:48
that computers can do?
441
1236088
2696
que os computadores conseguem ter?
20:50
ST: So, that's my firm
belief as an AI person --
442
1238808
4434
ST: Bem, tenho a firme convicção
como uma pessoa IA,
20:55
that I haven't seen
any real progress on creativity
443
1243266
3803
que não tenho visto
nenhum progresso real em criatividade
20:59
and out-of-the-box thinking.
444
1247949
1407
e pensamento fora da caixa.
21:01
What I see right now -- and this is
really important for people to realize,
445
1249380
3623
O que vejo, e é muito
importante perceber isso,
21:05
because the word "artificial
intelligence" is so threatening,
446
1253027
2903
é que a expressão "inteligência
artificial" é muito ameaçadora
21:07
and then we have Steve Spielberg
tossing a movie in,
447
1255954
2523
quando há um filme do Steve Spielberg
21:10
where all of a sudden
the computer is our overlord,
448
1258501
2413
em que, de repente,
o computador nos domina.
Mas é na verdade uma tecnologia
21:12
but it's really a technology.
449
1260938
1452
21:14
It's a technology that helps us
do repetitive things.
450
1262414
2982
que nos ajuda a fazer coisas repetitivas.
21:17
And the progress has been
entirely on the repetitive end.
451
1265420
2913
E o progresso tem sido
inteiramente no lado repetitivo.
21:20
It's been in legal document discovery.
452
1268357
2228
Em encontrar documentos legais,
em elaborar minutas de contrato,
21:22
It's been contract drafting.
453
1270609
1680
21:24
It's been screening X-rays of your chest.
454
1272313
4223
em radiografias do tórax.
21:28
And these things are so specialized,
455
1276560
1773
E essas coisas são tão especializadas
que não vejo a grande ameaça à humanidade.
21:30
I don't see the big threat of humanity.
456
1278357
2391
21:32
In fact, we as people --
457
1280772
1794
Na verdade, nós, como pessoas,
21:34
I mean, let's face it:
we've become superhuman.
458
1282590
2385
temos de encarar que
nos tornamos super-humanos.
21:36
We've made us superhuman.
459
1284999
1764
Nós nos fizemos super-humanos.
21:38
We can swim across
the Atlantic in 11 hours.
460
1286787
2632
Conseguimos atravessar
o Atlântico em 11 horas.
21:41
We can take a device out of our pocket
461
1289443
2074
Podemos tirar um aparelho do bolso
21:43
and shout all the way to Australia,
462
1291541
2147
e falar com a Austrália
21:45
and in real time, have that person
shouting back to us.
463
1293712
2600
e, em tempo real, alguém
responder de volta para nós.
21:48
That's physically not possible.
We're breaking the rules of physics.
464
1296336
3624
Isso não é fisicamente possível:
estamos quebrando as leis da física.
Quando isso tiver sido dito e feito,
21:51
When this is said and done,
we're going to remember everything
465
1299984
2943
nos lembraremos de tudo
que já dissemos e vimos,
21:54
we've ever said and seen,
466
1302951
1213
vamos nos lembrar de cada pessoa,
o que é bom para o meu Alzheimer.
21:56
you'll remember every person,
467
1304188
1496
21:57
which is good for me
in my early stages of Alzheimer's.
468
1305708
2626
Desculpe, o que eu estava
dizendo? Esqueci.
22:00
Sorry, what was I saying? I forgot.
469
1308358
1677
22:02
CA: (Laughs)
470
1310059
1578
CA: (Risos)
ST: Provavelmente
vamos ter um QI de mil ou mais.
22:03
ST: We will probably have
an IQ of 1,000 or more.
471
1311661
3077
22:06
There will be no more
spelling classes for our kids,
472
1314762
3425
Nossos filhos não vão ter
mais aula de ortografia,
22:10
because there's no spelling issue anymore.
473
1318211
2086
pois esse problema não vai existir.
22:12
There's no math issue anymore.
474
1320321
1832
Nem problemas com a matemática.
22:14
And I think what really will happen
is that we can be super creative.
475
1322177
3510
E acho que seremos
realmente supercriativos.
22:17
And we are. We are creative.
476
1325711
1857
E nós somos. Nós somos criativos.
22:19
That's our secret weapon.
477
1327592
1552
Essa é nossa arma secreta.
22:21
CA: So the jobs that are getting lost,
478
1329168
2153
CA: Então, os empregos que serão perdidos
mesmo que seja doloroso,
22:23
in a way, even though
it's going to be painful,
479
1331345
2494
os humanos são mais capazes do que isso.
22:25
humans are capable
of more than those jobs.
480
1333863
2047
22:27
This is the dream.
481
1335934
1218
Isso é um sonho.
22:29
The dream is that humans can rise
to just a new level of empowerment
482
1337176
4247
O sonho é que os humanos podem crescer
num novo nível de empoderamento
22:33
and discovery.
483
1341447
1657
e descoberta.
22:35
That's the dream.
484
1343128
1452
Esse é o sonho.
22:36
ST: And think about this:
485
1344604
1643
ST: E pense sobre isto:
se olharmos a história da humanidade,
22:38
if you look at the history of humanity,
486
1346271
2021
22:40
that might be whatever --
60-100,000 years old, give or take --
487
1348316
3328
isso pode ser, por exemplo,
60 a 100 mil anos atrás,
22:43
almost everything that you cherish
in terms of invention,
488
1351668
3726
quase tudo importante para nós
em termos de invenção,
22:47
of technology, of things we've built,
489
1355418
2151
de tecnologia, de coisas que construímos,
22:49
has been invented in the last 150 years.
490
1357593
3099
foi inventado nos últimos 150 anos,
22:53
If you toss in the book and the wheel,
it's a little bit older.
491
1361756
3048
Se incluirmos o livro e a roda,
é um pouco mais de tempo;
22:56
Or the axe.
492
1364828
1169
ou o machado.
22:58
But your phone, your sneakers,
493
1366021
2790
Mas seu celular, seu tênis,
23:00
these chairs, modern
manufacturing, penicillin --
494
1368835
3551
estas cadeiras, a produção
moderna, a penicilina...
23:04
the things we cherish.
495
1372410
1714
as coisas com que nos importamos.
23:06
Now, that to me means
496
1374148
3658
Bem, isso significa pra mim
23:09
the next 150 years will find more things.
497
1377830
3041
que nos próximos 150 anos
vamos descobrir mais coisas.
23:12
In fact, the pace of invention
has gone up, not gone down, in my opinion.
498
1380895
4154
De fato, penso que o ritmo da invenção
tem aumentado, não diminuído.
23:17
I believe only one percent of interesting
things have been invented yet. Right?
499
1385073
4905
Acredito que apenas 1% das coisas
interessantes foram inventadas, certo?
23:22
We haven't cured cancer.
500
1390002
1988
Ainda não curamos o câncer.
23:24
We don't have flying cars -- yet.
Hopefully, I'll change this.
501
1392014
3718
Não temos carros voadores... ainda;
espero mudar isso.
A gente costumava rir desse exemplo.
23:27
That used to be an example
people laughed about. (Laughs)
502
1395756
3257
(Risos)
23:31
It's funny, isn't it?
Working secretly on flying cars.
503
1399037
2992
É engraçado, não é? Trabalhando
secretamente em carros voadores.
23:34
We don't live twice as long yet. OK?
504
1402053
2683
Não vivemos ainda o dobro do tempo, certo?
23:36
We don't have this magic
implant in our brain
505
1404760
2785
Não temos um implante mágico
em nosso cérebro
para nos dar as informações que queremos.
23:39
that gives us the information we want.
506
1407569
1832
Talvez estejam chocados, mas lhes prometo:
quando tivermos, vocês vão adorar.
23:41
And you might be appalled by it,
507
1409425
1526
23:42
but I promise you,
once you have it, you'll love it.
508
1410975
2444
Espero que sim.
23:45
I hope you will.
509
1413443
1166
23:46
It's a bit scary, I know.
510
1414633
1909
É um pouco assustador, eu sei.
Tantas coisas ainda a serem
inventadas, que vamos inventar:
23:48
There are so many things
we haven't invented yet
511
1416566
2254
23:50
that I think we'll invent.
512
1418844
1268
não temos escudo de gravidade,
23:52
We have no gravity shields.
513
1420136
1306
não podemos nos teletransportar.
23:53
We can't beam ourselves
from one location to another.
514
1421466
2553
Isso tudo parece absurdo,
mas, cerca de 200 anos atrás,
23:56
That sounds ridiculous,
515
1424043
1151
23:57
but about 200 years ago,
516
1425218
1288
23:58
experts were of the opinion
that flight wouldn't exist,
517
1426530
2667
os especialistas achavam que nunca
íamos voar, mesmo 120 anos atrás,
24:01
even 120 years ago,
518
1429221
1324
e se nos movêssemos mais depressa
do que podemos correr,
24:02
and if you moved faster
than you could run,
519
1430569
2582
24:05
you would instantly die.
520
1433175
1520
morreríamos instantaneamente.
24:06
So who says we are correct today
that you can't beam a person
521
1434719
3569
Então quem pode dizer que não podemos
teletransportar uma pessoa
24:10
from here to Mars?
522
1438312
2249
daqui até Marte?
CA: Sebastian, muito obrigado
24:12
CA: Sebastian, thank you so much
523
1440585
1569
24:14
for your incredibly inspiring vision
and your brilliance.
524
1442178
2682
pela sua visão incrivelmente
inspiradora e brilhante.
Obrigado, Sebastian Thrun, foi fantástico.
24:16
Thank you, Sebastian Thrun.
525
1444884
1323
24:18
ST: That was fantastic. (Applause)
526
1446231
1895
(Aplausos)
Translated by Raissa Mendes
Reviewed by Maricene Crus

▲Back to top

ABOUT THE SPEAKERS
Sebastian Thrun - Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us.

Why you should listen

Sebastian Thrun is an educator, entrepreneur and troublemaker. After a long life as a professor at Stanford University, Thrun resigned from tenure to join Google. At Google, he founded Google X, home to self-driving cars and many other moonshot technologies. Thrun also founded Udacity, an online university with worldwide reach, and Kitty Hawk, a "flying car" company. He has authored 11 books, 400 papers, holds 3 doctorates and has won numerous awards.

More profile about the speaker
Sebastian Thrun | Speaker | TED.com
Chris Anderson - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading.

Why you should listen

Chris Anderson is the Curator of TED, a nonprofit devoted to sharing valuable ideas, primarily through the medium of 'TED Talks' -- short talks that are offered free online to a global audience.

Chris was born in a remote village in Pakistan in 1957. He spent his early years in India, Pakistan and Afghanistan, where his parents worked as medical missionaries, and he attended an American school in the Himalayas for his early education. After boarding school in Bath, England, he went on to Oxford University, graduating in 1978 with a degree in philosophy, politics and economics.

Chris then trained as a journalist, working in newspapers and radio, including two years producing a world news service in the Seychelles Islands.

Back in the UK in 1984, Chris was captivated by the personal computer revolution and became an editor at one of the UK's early computer magazines. A year later he founded Future Publishing with a $25,000 bank loan. The new company initially focused on specialist computer publications but eventually expanded into other areas such as cycling, music, video games, technology and design, doubling in size every year for seven years. In 1994, Chris moved to the United States where he built Imagine Media, publisher of Business 2.0 magazine and creator of the popular video game users website IGN. Chris eventually merged Imagine and Future, taking the combined entity public in London in 1999, under the Future name. At its peak, it published 150 magazines and websites and employed 2,000 people.

This success allowed Chris to create a private nonprofit organization, the Sapling Foundation, with the hope of finding new ways to tackle tough global issues through media, technology, entrepreneurship and, most of all, ideas. In 2001, the foundation acquired the TED Conference, then an annual meeting of luminaries in the fields of Technology, Entertainment and Design held in Monterey, California, and Chris left Future to work full time on TED.

He expanded the conference's remit to cover all topics, including science, business and key global issues, while adding a Fellows program, which now has some 300 alumni, and the TED Prize, which grants its recipients "one wish to change the world." The TED stage has become a place for thinkers and doers from all fields to share their ideas and their work, capturing imaginations, sparking conversation and encouraging discovery along the way.

In 2006, TED experimented with posting some of its talks on the Internet. Their viral success encouraged Chris to begin positioning the organization as a global media initiative devoted to 'ideas worth spreading,' part of a new era of information dissemination using the power of online video. In June 2015, the organization posted its 2,000th talk online. The talks are free to view, and they have been translated into more than 100 languages with the help of volunteers from around the world. Viewership has grown to approximately one billion views per year.

Continuing a strategy of 'radical openness,' in 2009 Chris introduced the TEDx initiative, allowing free licenses to local organizers who wished to organize their own TED-like events. More than 8,000 such events have been held, generating an archive of 60,000 TEDx talks. And three years later, the TED-Ed program was launched, offering free educational videos and tools to students and teachers.

More profile about the speaker
Chris Anderson | Speaker | TED.com

Data provided by TED.

This site was created in May 2015 and the last update was on January 12, 2020. It will no longer be updated.

We are currently creating a new site called "eng.lish.video" and would be grateful if you could access it.

If you have any questions or suggestions, please feel free to write comments in your language on the contact form.

Privacy Policy

Developer's Blog

Buy Me A Coffee