TED2010
Temple Grandin: The world needs all kinds of minds
Temple Grandin: O mundo necessita de todos os tipos de mentes
Filmed:
Readability: 3.4
5,588,848 views
Temple Grandin, diagnosticada com autismo na infância, fala sobre como a sua mente funciona -- compartilhando a sua habilidade de "pensar em imagens", que a ajuda a resolver problemas que cérebros neurotípicos não conseguiriam. Ela traz à tona que o mundo precisa de pessoas com o espectro autista: pensadores visuais, pensadores em padrões, pensadores verbais e todos os tipos de crianças espertas e inteligentes.
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
Eu acho que vou começar falando só um pouco sobre
00:17
what exactly autism is.
1
2000
2000
o que realmente é o autismo.
00:19
Autism is a very big continuum
2
4000
3000
Autismo é um continuum muito grande
00:22
that goes from very severe -- the child remains non-verbal --
3
7000
3000
que vem dos mais severos, crianças que se mantêm não-verbais,
00:25
all the way up to brilliant scientists and engineers.
4
10000
3000
até o seu topo, aos brilhantes cientistas e engenheiros.
00:28
And I actually feel at home here,
5
13000
2000
E eu agora me sinto em casa aqui.
00:30
because there's a lot of autism genetics here.
6
15000
2000
Porque há muitos geneticamente autistas aqui.
00:32
You wouldn't have any...
7
17000
2000
Você não teria nenhum...
00:34
(Applause)
8
19000
4000
(Aplausos)
00:38
It's a continuum of traits.
9
23000
2000
É um continuum de tratos.
00:40
When does a nerd turn into
10
25000
3000
Quando que um "nerd" torna-se um
00:43
Asperger, which is just mild autism?
11
28000
2000
Asperger, que é apenas um leve autismo?
00:45
I mean, Einstein and Mozart
12
30000
3000
Quero dizer, Einstein e Mozart
00:48
and Tesla would all be probably diagnosed
13
33000
2000
e Tesla, seriam todos provavelmente diagnosticados
00:50
as autistic spectrum today.
14
35000
2000
com espectro autista hoje.
00:52
And one of the things that is really going to concern me is
15
37000
3000
E uma das coisas que está realmente me preocupando é
00:55
getting these kids to be the ones that are going to invent
16
40000
3000
pegar estas crianças que serão aquelas que vão inventar
00:58
the next energy things,
17
43000
2000
as próximas coisas de energia,
01:00
you know, that Bill Gates talked about this morning.
18
45000
4000
agora, que Bill Gates falou sobre isto esta manhã.
01:04
OK. Now, if you want to understand
19
49000
2000
Ok. Agora, se você quer entender
01:06
autism, animals.
20
51000
2000
autismo, animais.
01:08
And I want to talk to you now about different ways of thinking.
21
53000
2000
E eu quero falar para você agora sobre diferentes modos de pensar.
01:10
You have to get away from verbal language.
22
55000
3000
Você tem que fugir da linguagem verbal.
01:13
I think in pictures,
23
58000
2000
Eu penso em imagens.
01:15
I don't think in language.
24
60000
3000
Eu não penso em linguagem falada.
01:18
Now, the thing about the autistic mind
25
63000
2000
Agora, a coisa sobre a mente autista
01:20
is it attends to details.
26
65000
3000
é que ela se prende aos detalhes.
01:23
OK, this is a test where you either have to
27
68000
2000
Ok, isto é um teste onde você deve
01:25
pick out the big letters, or pick out the little letters,
28
70000
2000
escolher as letras grandes, ou pegar as letras pequenas.
01:27
and the autistic mind picks out the
29
72000
2000
E as mentes autistas pegam as
01:29
little letters more quickly.
30
74000
2000
letras pequenas mais rapidamente.
01:31
And the thing is, the normal brain ignores the details.
31
76000
4000
E a coisa é que o cérebro normal ignora os detalhes.
01:35
Well, if you're building a bridge, details are pretty important
32
80000
2000
Bem, se você está construindo uma ponte, detalhes são muito importantes
01:37
because it will fall down if you ignore the details.
33
82000
3000
porque ela cairá se você ignorar os detalhes.
01:40
And one of my big concerns with a lot of policy things today
34
85000
3000
E uma das minhas grandes preocupações com muitas coisas políticas hoje
01:43
is things are getting too abstract.
35
88000
2000
é, coisas estão ficando abstratas demais.
01:45
People are getting away from doing
36
90000
2000
Pessoas estão deixando de fazer
01:47
hands-on stuff.
37
92000
2000
as coisas com as mãos.
01:49
I'm really concerned that a lot of the schools have taken out
38
94000
2000
Eu estou realmente preocupada, pois muitas das escolas têm tirado
01:51
the hands-on classes,
39
96000
2000
as aulas de trabalhos manuais,
01:53
because art, and classes like that,
40
98000
2000
porque arte e aulas como estas,
01:55
those are the classes where I excelled.
41
100000
2000
eram as aulas onde eu era excelente.
01:57
In my work with cattle,
42
102000
2000
Ok, no meu trabalho com gado,
01:59
I noticed a lot of little things that most people don't notice
43
104000
3000
eu percebia muitas coisas pequenas que a maioria não via
02:02
would make the cattle balk. Like, for example,
44
107000
2000
que fazia com que o gado hesitasse em sair. Como, por exemplo
02:04
this flag waving, right in front of the veterinary facility.
45
109000
3000
esta bandeira tremulando, bem na frente da área veterinária.
02:07
This feed yard was going to tear down their whole veterinary facility;
46
112000
3000
Este alimentadouro ia acabar com toda a instalação veterinária,
02:10
all they needed to do was move the flag.
47
115000
2000
tudo o que precisaram fazer foi remover a bandeira.
02:12
Rapid movement, contrast.
48
117000
3000
Movimentos rápidos, contraste.
02:15
In the early '70s when I started, I got right down
49
120000
2000
No início dos anos 70, quando comecei, eu desci direto
02:17
in the chutes to see what cattle were seeing.
50
122000
2000
aos currais para ver o que o gado estava vendo.
02:19
People thought that was crazy. A coat on a fence would make them balk,
51
124000
3000
As pessoas acharam uma loucura. Uma capa em uma cerca faria eles hesitarem em caminhar.
02:22
shadows would make them balk, a hose on the floor ...
52
127000
3000
Sombras fariam eles pararem de caminhar, uma mangueira no chão.
02:25
people weren't noticing these things --
53
130000
2000
Pessoas não estavam percebendo estas coisas,
02:27
a chain hanging down --
54
132000
2000
uma corrente pendurada,
02:29
and that's shown very, very nicely in the movie.
55
134000
2000
e isto é mostrado de um jeito muito, muito legal no filme.
02:31
In fact, I loved the movie, how they
56
136000
2000
De fato, eu amei o filme, como eles
02:33
duplicated all my projects. That's the geek side.
57
138000
2000
duplicaram todos os meus projetos. Este é o lado inteligente.
02:35
My drawings got to star in the movie too.
58
140000
3000
Meus desenhos tiveram que estrelar no filme também.
02:38
And actually it's called "Temple Grandin,"
59
143000
2000
E na verdade ele se chama Temple Grandin,
02:40
not "Thinking In Pictures."
60
145000
2000
e não "Pensando em Imagens"
02:42
So, what is thinking in pictures? It's literally movies
61
147000
2000
Então, o que é pensar em imagens? É literalmente um filme
02:44
in your head.
62
149000
2000
na sua cabeça.
02:46
My mind works like Google for images.
63
151000
2000
Minha mente trabalha como o Google para imagens.
02:48
Now, when I was a young kid I didn't know my thinking was different.
64
153000
3000
Agora, quando eu era uma jovem criança, eu não sabia que meu pensamento era diferente.
02:51
I thought everybody thought in pictures.
65
156000
2000
Eu pensava que todo o mundo pensava em imagens.
02:53
And then when I did my book, "Thinking In Pictures,"
66
158000
2000
E então quando eu fiz meu livro, "Pensando em Imagens",
02:55
I start interviewing people about how they think.
67
160000
3000
eu comecei a entrevistar pessoas sobre como elas pensam.
02:58
And I was shocked to find out that
68
163000
2000
E fiquei chocada ao ver que meu pensamento
03:00
my thinking was quite different. Like if I say,
69
165000
2000
meu pensamento era muito diferente. Como se eu disesse,
03:02
"Think about a church steeple"
70
167000
2000
"Pense em uma torre de igreja"
03:04
most people get this sort of generalized generic one.
71
169000
2000
a maioria das pessoas pegam este tipo de generalizada e genérica aqui.
03:06
Now, maybe that's not true in this room,
72
171000
2000
Agora, quem sabe isto não seja verdade nesta sala,
03:08
but it's going to be true in a lot of different places.
73
173000
4000
mas vai ser verdade em muitos locais diferentes.
03:12
I see only specific pictures.
74
177000
2000
Eu vejo apenas imagens específicas
03:14
They flash up into my memory, just like Google for pictures.
75
179000
4000
Elas se acendem na minha memória, como o Google para fotografias.
03:18
And in the movie, they've got a great scene in there
76
183000
2000
E no filme, eles tiveram uma grande cena lá,
03:20
where the word "shoe" is said, and a whole bunch of '50s and '60s shoes
77
185000
4000
onde a palavra "sapato" é dita e uma pilha de sapatos dos anos 50 e 60
03:24
pop into my imagination.
78
189000
2000
saltam na minha imaginação.
03:26
OK, there is my childhood church,
79
191000
2000
Ok, lá está minha igreja de infância.
03:28
that's specific. There's some more, Fort Collins.
80
193000
3000
Aquela específica. Há algumas mais, Fort Collins.
03:31
OK, how about famous ones?
81
196000
2000
Ok que tal as famosas?
03:33
And they just kind of come up, kind of like this.
82
198000
3000
E elas apenas aparecem, como esta aqui
03:36
Just really quickly, like Google for pictures.
83
201000
3000
Apenas muito rapidamente, como o Google para imagens.
03:39
And they come up one at a time,
84
204000
2000
E elas aparecem uma por vez.
03:41
and then I think, "OK, well maybe we can have it snow,
85
206000
2000
E então eu penso, ok, bem, quem sabe nós poderemos ter neve,
03:43
or we can have a thunderstorm,"
86
208000
2000
ou podemos ter uma tempestade,
03:45
and I can hold it there and turn them into videos.
87
210000
3000
e eu posso segurá-las lá e torná-las em vídeos.
03:48
Now, visual thinking was a tremendous asset
88
213000
3000
Agora, pensamento visual foi um tremenda propriedade
03:51
in my work designing cattle-handling facilities.
89
216000
3000
no meu trabalho desenhando estruturas para manejar o gado.
03:54
And I've worked really hard on improving
90
219000
2000
E eu trabalhei duro mesmo em melhorar
03:56
how cattle are treated at the slaughter plant.
91
221000
2000
o modo como o gado era tratado no matadouro.
03:58
I'm not going to go into any gucky slaughter slides.
92
223000
3000
Eu não vou mostrar nenhum slide desagradável de matadouro.
04:01
I've got that stuff up on YouTube if you want to look at it.
93
226000
2000
Eu tenho estas coisas no Youtube se você quiser olhar para isto.
04:03
But, one of the things that I was able to do in my design work
94
228000
4000
Mas, uma das coisas que eu pude fazer no meu trabalho de desenho
04:07
is I could actually test run
95
232000
2000
é que eu pude atualmente testar a caminhada
04:09
a piece of equipment in my mind,
96
234000
2000
em um pedaço de equipamento na minha mente,
04:11
just like a virtual reality computer system.
97
236000
3000
como um sistema de realidade virtual.
04:14
And this is an aerial view
98
239000
2000
E esta é uma vista aérea
04:16
of a recreation of one of my projects that was used in the movie.
99
241000
3000
de uma recriação de um de meus projetos que foram usados no filme.
04:19
That was like just so super cool.
100
244000
2000
Isto foi tão super legal,
04:21
And there were a lot of kind of Asperger types
101
246000
2000
E havia muitos tipos de Asperger,
04:23
and autism types working out there on the movie set too.
102
248000
3000
e tipos de autismo, trabalhando no set de filmagens também.
04:26
(Laughter)
103
251000
2000
(Risadas)
04:28
But one of the things that really worries me
104
253000
2000
Mas uma das coisas que realmente me preocupa,
04:30
is: Where's the younger version of those kids going today?
105
255000
4000
é onde andam as versões mais jovens daquelas crianças hoje.
04:34
They're not ending up in Silicon Valley, where they belong.
106
259000
3000
Elas não estão acabando no Vale do Silício, onde elas pertencem.
04:37
(Laughter)
107
262000
3000
(Risadas)
04:40
(Applause)
108
265000
5000
(Aplausos)
04:45
Now, one of the things I learned very early on because I wasn't that social,
109
270000
3000
Agora, uma das coisas que aprendi muito cedo, porque eu não era muito social,
04:48
is I had to sell my work, and not myself.
110
273000
4000
é, que eu tinha que vender meu trabalho, e não eu mesma
04:52
And the way I sold livestock jobs
111
277000
2000
E o jeito que eu vendia empregos com animais de fazenda
04:54
is I showed off my drawings, I showed off pictures of things.
112
279000
3000
é, eu mostrava a eles meus desenhos, eu desenhava imagens de coisas.
04:57
Another thing that helped me as a little kid
113
282000
2000
Outra coisa que me ajudou, quando criança,
04:59
is, boy, in the '50s, you were taught manners.
114
284000
2000
é, garoto, nos anos 50 você aprendia modos.
05:01
You were taught you can't pull the merchandise off the shelves
115
286000
2000
Você aprendia que você não podia tirar as mercadorias das estantes
05:03
in the store and throw it around.
116
288000
2000
na loja e jogá-las por aí.
05:05
Now, when kids get to be in third or fourth grade,
117
290000
3000
Agora, quando crianças vão para terceira ou quarta série,
05:08
you might see that this kid's going to be a visual thinker,
118
293000
3000
você poderá ver que esta criança vai ser uma pensadora visual,
05:11
drawing in perspective. Now, I want to
119
296000
2000
desenhando em perspectiva. Agora, eu quero
05:13
emphasize that not every autistic kid
120
298000
2000
enfatizar que nem toda criança autista
05:15
is going to be a visual thinker.
121
300000
2000
vai ser uma pensadora visual.
05:17
Now, I had this brain scan done several years ago,
122
302000
4000
Agora, eu tive este exame do cérebro feito alguns anos atrás,
05:21
and I used to joke around about having a
123
306000
2000
e eu costumava brincar a respeito de ter uma
05:23
gigantic Internet trunk line
124
308000
2000
gigantesca linha de tronco da internet
05:25
going deep into my visual cortex.
125
310000
2000
indo fundo no meu cortex visual.
05:27
This is tensor imaging.
126
312000
2000
Esta é a imagem tensora.
05:29
And my great big internet trunk line
127
314000
2000
E minha grande grande linha de tronco da internet
05:31
is twice as big as the control's.
128
316000
2000
é duas vezes maior que a do controle.
05:33
The red lines there are me,
129
318000
2000
As linhas vermelhas sou eu,
05:35
and the blue lines are the sex and age-matched control.
130
320000
4000
e as linhas azuis são o controle com mesmo sexo e idade.
05:39
And there I got a gigantic one,
131
324000
2000
E ali eu tenho uma gigante,
05:41
and the control over there, the blue one,
132
326000
2000
e o controle logo ali, o azul,
05:43
has got a really small one.
133
328000
4000
tem uma realmente pequena.
05:47
And some of the research now is showing
134
332000
2000
E algumas das pesquisas agora estão mostrando
05:49
is that people on the spectrum actually think with primary visual cortex.
135
334000
4000
que pessoas com espectro autista na verdade pensam com o cortex visual primário.
05:53
Now, the thing is, the visual thinker's just one kind of mind.
136
338000
3000
Agora, a coisa é, o pensador visual é apenas um tipo de mente.
05:56
You see, the autistic mind tends to be a specialist mind --
137
341000
3000
Veja, a mente autista tende a ser uma mente especialista.
05:59
good at one thing, bad at something else.
138
344000
4000
Boa em uma coisa, ruim em outra.
06:03
And where I was bad was algebra. And I was never allowed
139
348000
2000
E onde eu era ruim era em álgebra. E nunca me deixaram
06:05
to take geometry or trig.
140
350000
2000
ter geometria ou trigonometria.
06:07
Gigantic mistake: I'm finding a lot of kids who need to skip algebra,
141
352000
3000
Erro gigantesco. Estou descobrindo muitos garotos que pulam álgebra,
06:10
go right to geometry and trig.
142
355000
2000
e vão direto para geometria e trigonometria.
06:12
Now, another kind of mind is the pattern thinker.
143
357000
3000
Agora, outro tipo de mente é o pensador em padrões.
06:15
More abstract. These are your engineers,
144
360000
2000
Mais abstrato. Este são vocês, engenheiros,
06:17
your computer programmers.
145
362000
2000
vocês, programadores de computador.
06:19
Now, this is pattern thinking. That praying mantis
146
364000
2000
Agora, isto é pensar em padrões. Este gafanhoto
06:21
is made from a single sheet of paper --
147
366000
2000
é feito com uma única folha de papel,
06:23
no scotch tape, no cuts.
148
368000
2000
sem cortes ou fita adesiva.
06:25
And there in the background is the pattern for folding it.
149
370000
3000
E ali no fundo está o padrão para dobrá-lo.
06:28
Here are the types of thinking:
150
373000
2000
Aqui estão os padrões de pensamento,
06:30
photo-realistic visual thinkers, like me;
151
375000
3000
foto-realísticos pensadores visuais, como eu.
06:33
pattern thinkers, music and math minds.
152
378000
4000
Pensadores em padrões, música e mentes matemáticas.
06:37
Some of these oftentimes have problems with reading.
153
382000
2000
Algumas têm problemas com leitura com frequência.
06:39
You also will see these kind of problems
154
384000
2000
Você verá também estes problemas com
06:41
with kids that are dyslexic.
155
386000
3000
crianças que são disléxicas.
06:44
You'll see these different kinds of minds.
156
389000
2000
Você verá estes diferentes tipos de mentes.
06:46
And then there's a verbal mind, they know every fact about everything.
157
391000
3000
E também existe a mente verbal. Conhecem cada fato sobre tudo.
06:49
Now, another thing is the sensory issues.
158
394000
2000
Agora, outra coisa são os problemas com os sentidos.
06:51
I was really concerned about having to wear this gadget on my face.
159
396000
4000
Eu estava muito preocupada em botar este negócio no meu rosto.
06:55
And I came in half an hour beforehand
160
400000
3000
E eu cheguei meia hora adiantada
06:58
so I could have it put on and kind of get used to it,
161
403000
2000
para que eu pudesse colocá-lo e me acostumar com ele.
07:00
and they got it bent so it's not hitting my chin.
162
405000
3000
E eles o dobraram, para que não acerte meu queixo.
07:03
But sensory is an issue. Some kids are bothered by fluorescent lights;
163
408000
3000
Mas o sensório é um problema. Algumas crianças se incomodam com luzes fluorescentes;
07:06
others have problems with sound sensitivity.
164
411000
3000
outras têm problemas com sensibilidade ao som.
07:09
You know, it's going to be variable.
165
414000
3000
Você sabe, isto é variável.
07:12
Now, visual thinking gave me a whole lot of insight
166
417000
4000
Agora, pensamento visual me deu muitos insights
07:16
into the animal mind.
167
421000
2000
sobre a mente animal.
07:18
Because think about it: An animal is a sensory-based thinker,
168
423000
3000
Porque pense nisto. Um animal é um pensador baseado em sentidos,
07:21
not verbal -- thinks in pictures,
169
426000
4000
não verbal. Pensa em imagens.
07:25
thinks in sounds, thinks in smells.
170
430000
3000
Pensa em sons. Pensa em cheiros.
07:28
Think about how much information there is there on the local fire hydrant.
171
433000
3000
Pense sobre quanta informação há em um hidrante de incêndio.
07:31
He knows who's been there, when they were there.
172
436000
3000
Ele sabe quem esteve ali, quando estiveram ali,
07:34
Are they friend or foe? Is there anybody he can go mate with?
173
439000
3000
se eram amigos ou inimigos, se há alguém com quem possa se encontrar.
07:37
There's a ton of information on that fire hydrant.
174
442000
3000
Há uma tonelada de informações naquele hidrante.
07:40
It's all very detailed information,
175
445000
4000
São todas informações muito detalhadas.
07:44
and, looking at these kind of details
176
449000
2000
E, olhando para este tipo de detalhes
07:46
gave me a lot of insight into animals.
177
451000
2000
me deu vários insights sobre animais.
07:48
Now, the animal mind, and also my mind,
178
453000
4000
Agora, a mente animal, e também a minha mente
07:52
puts sensory-based information
179
457000
2000
coloca informações baseadas nos sentidos
07:54
into categories.
180
459000
2000
em categorias.
07:56
Man on a horse
181
461000
2000
Homem a cavalo,
07:58
and a man on the ground --
182
463000
2000
e um homem no chão,
08:00
that is viewed as two totally different things.
183
465000
2000
que é visto como duas coisas totalmente diferentes.
08:02
You could have a horse that's been abused by a rider.
184
467000
3000
Você poderia ter um cavalo que foi abusado por um cavaleiro.
08:05
They'll be absolutely fine with the veterinarian
185
470000
2000
Eles estarão absolutamente bem com o veterinário,
08:07
and with the horseshoer, but you can't ride him.
186
472000
3000
e com o colocador de ferradura, mas você não pode cavalgá-lo.
08:10
You have another horse, where maybe the horseshoer beat him up
187
475000
3000
Você tem outro cavalo, onde quem sabe, o colocador de ferraduras bata nele,
08:13
and he'll be terrible for anything on the ground,
188
478000
2000
e ele será terrível para tudo estiver no chão,
08:15
with the veterinarian, but a person can ride him.
189
480000
3000
com o veterinário, mas uma pessoa pode cavalgá-lo.
08:18
Cattle are the same way.
190
483000
2000
O gado é do mesmo jeito.
08:20
Man on a horse,
191
485000
2000
Homem a cavalo,
08:22
a man on foot -- they're two different things.
192
487000
2000
um homem a pé, são duas coisas diferentes.
08:24
You see, it's a different picture.
193
489000
2000
Você ve, é uma imagem diferente.
08:26
See, I want you to think about just how specific this is.
194
491000
3000
Veja, eu quero que pense sobre como específico isto é.
08:29
Now, this ability to put information into categories,
195
494000
4000
Agora, esta habilidade de colocar informações em categorias,
08:33
I find a lot of people are not very good at this.
196
498000
3000
eu acho muitas pessoas que não são muito boas nisto.
08:36
When I'm out troubleshooting equipment
197
501000
2000
Quando estou fora avaliando problemas em equipamentos
08:38
or problems with something in a plant,
198
503000
2000
ou problemas com algo em uma usina,
08:40
they don't seem to be able to figure out, "Do I have a training people issue?
199
505000
4000
eles não parecem ser capazes de perceber, "Eu tenho um problema com treinamento de pessoas?
08:44
Or do I have something wrong with the equipment?"
200
509000
2000
Ou eu tenho algo errado com o equipamento?"
08:46
In other words, categorize equipment problem
201
511000
2000
Em outras palavras, categorize o problema com o equipamento,
08:48
from a people problem.
202
513000
2000
de um problema com as pessoas.
08:50
I find a lot of people have difficulty doing that.
203
515000
3000
Eu encontro muitas pessoas com dificuldades em fazer isto.
08:53
Now, let's say I figure out it's an equipment problem.
204
518000
3000
Agora, vamos dizer que eu descobri que é um problema com equipamento.
08:56
Is it a minor problem, with something simple I can fix?
205
521000
2000
É um problema pequeno, com algo simples que eu possa consertar?
08:58
Or is the whole design of the system wrong?
206
523000
3000
Ou o design inteiro do produto está errado?
09:01
People have a hard time figuring that out.
207
526000
3000
Pessoas têm dificuldades em perceber isto.
09:04
Let's just look at something like, you know,
208
529000
2000
Vamos olhar para outra coisa parecida, sabe,
09:06
solving problems with making airlines safer.
209
531000
2000
resolvendo problemas que tornam as linhas aéreas mais seguras.
09:08
Yeah, I'm a million-mile flier.
210
533000
2000
Sim, sou uma passageira de um milhão de milhas.
09:10
I do lots and lots of flying,
211
535000
2000
Faço muitos e muitos voos.
09:12
and if I was at the FAA,
212
537000
3000
e se eu estivesse com a Força Aérea Americana,
09:15
what would I be doing a lot of direct observation of?
213
540000
4000
sobre o que eu faria mais observações?
09:19
It would be their airplane tails.
214
544000
2000
Seriam suas caudas.
09:21
You know, five fatal wrecks in the last 20 years,
215
546000
3000
Sabe, 5 quedas fatais nos últimos 20 anos,
09:24
the tail either came off or steering stuff inside the tail broke
216
549000
4000
foram porque a cauda caiu ou a coisa para dirigir a cauda dentro dela quebrou
09:28
in some way.
217
553000
2000
de algum jeito.
09:30
It's tails, pure and simple.
218
555000
2000
Suas caudas, de maneira pura e simples.
09:32
And when the pilots walk around the plane, guess what? They can't see
219
557000
2000
E quando os pilotos andam ao redor do avião, adivinhe? Eles não podem ver
09:34
that stuff inside the tail.
220
559000
2000
aquela coisa dentro da cauda.
09:36
You know, now as I think about that,
221
561000
2000
Sabe, agora enquanto penso nisso,
09:38
I'm pulling up all of that specific information.
222
563000
3000
estou puxando toda aquela informações específicas.
09:41
It's specific. See, my thinking's bottom-up.
223
566000
3000
É específico. Então, veja, meu pensamento está emergindo.
09:44
I take all the little pieces and I put the pieces together like a puzzle.
224
569000
4000
Eu pego todas as pequenas peças e as ponho juntas, como um quebra-cabeças.
09:48
Now, here is a horse that was deathly afraid
225
573000
2000
Agora, aqui um cavalo que estava morrendo de medo
09:50
of black cowboy hats.
226
575000
2000
de chapéus pretos de vaqueiro.
09:52
He'd been abused by somebody with a black cowboy hat.
227
577000
2000
Ele foi abusado por alguém de chapéu preto.
09:54
White cowboy hats, that was absolutely fine.
228
579000
3000
chapéu branco, tudo bem.
09:57
Now, the thing is, the world is going to need
229
582000
3000
Agora, a coisa é, o mundo vai precisar
10:00
all of the different kinds of minds
230
585000
2000
de todos os diferentes tipos de mentes
10:02
to work together.
231
587000
2000
para trabalharem juntas.
10:04
We've got to work on developing all these different kinds of minds.
232
589000
3000
Teremos que trabalhar em desenvolver todos estes tipos de mentes.
10:07
And one of the things that is driving me really crazy,
233
592000
3000
E uma das coisas que está me deixando louca mesmo,
10:10
as I travel around and I do autism meetings,
234
595000
2000
enquando viajo por aí fazendo encontros de autismo,
10:12
is I'm seeing a lot of smart, geeky, nerdy kids,
235
597000
3000
é que estou vendo muitos garotos nerds espertos.
10:15
and they just aren't very social,
236
600000
3000
E que eles não são apenas muito sociais
10:18
and nobody's working on developing their interest
237
603000
2000
E ninguém está trabalhando em desenvolver seus interesses
10:20
in something like science.
238
605000
2000
em algo como ciência.
10:22
And this brings up the whole thing of my science teacher.
239
607000
3000
E isto traz à tona toda aquela coisa com meu professor de ciências.
10:25
My science teacher is shown absolutely beautifully in the movie.
240
610000
3000
Meu professor de ciências é mostrado de forma absolutamente linda no filme.
10:28
I was a goofball student. When I was in high school
241
613000
2000
Eu era uma estudante pateta. Quando estava na escola
10:30
I just didn't care at all about studying,
242
615000
3000
eu apenas não me importava em estudar
10:33
until I had Mr. Carlock's science class.
243
618000
3000
até que eu tive aula de ciências com o Sr Carlock.
10:36
He was now Dr. Carlock in the movie.
244
621000
3000
Ele que é agora Dr Carlock no filme.
10:39
And he got me challenged
245
624000
3000
E ele me desafiou
10:42
to figure out an optical illusion room.
246
627000
3000
a descobrir uma sala com ilusão de óptica.
10:45
This brings up the whole thing of you've got to show kids
247
630000
2000
Isto mostra toda a coisa de que você tem que mostrar às crianças
10:47
interesting stuff.
248
632000
2000
coisas interessantes.
10:49
You know, one of the things that I think maybe TED ought to do
249
634000
3000
Sabe, uma das coisas que eu acho que, quem sabe o TED deveria fazer
10:52
is tell all the schools about all the great lectures that are on TED,
250
637000
3000
é dizer a todas as escolas sobre todas as grandes palestras que estão no TED,
10:55
and there's all kinds of great stuff on the Internet
251
640000
2000
e que há todos os tipos de grandes coisas na internet,
10:57
to get these kids turned on.
252
642000
2000
para deixar estas crianças acesas.
10:59
Because I'm seeing a lot of these geeky nerdy kids,
253
644000
3000
Porque eu estou vendo muitos destas crianças nerds espertas,
11:02
and the teachers out in the Midwest, and the other parts of the country,
254
647000
3000
e os professores por aí no meio-oeste, e nas outras partes do país,
11:05
when you get away from these tech areas,
255
650000
2000
quando você sai longe dessas áreas tecnológicas,
11:07
they don't know what to do with these kids.
256
652000
2000
eles não sabem o que fazer com estas crianças.
11:09
And they're not going down the right path.
257
654000
2000
E eles não irão até o caminho certo.
11:11
The thing is, you can make a mind
258
656000
2000
A coisa é, você pode fazer uma mente
11:13
to be more of a thinking and cognitive mind,
259
658000
3000
ser mais que uma mente pensadora e cognitiva.
11:16
or your mind can be wired to be more social.
260
661000
3000
Ou sua mente pode ser conectada para ser mais social.
11:19
And what some of the research now has shown in autism
261
664000
2000
E o que algumas pesquisas têm mostrado agora em autismo,
11:21
is there may by extra wiring back here,
262
666000
2000
é que pode haver conexões extras aqui,
11:23
in the really brilliant mind, and we lose a few social circuits here.
263
668000
3000
na mente realmente brilhante, e nós perdemos alguns circuitos sociais aqui.
11:26
It's kind of a trade-off between thinking and social.
264
671000
4000
É um tipo de troca entre raciocínio e social.
11:30
And then you can get into the point where it's so severe
265
675000
2000
E então você pode chegar ao ponto onde é tão severo
11:32
you're going to have a person that's going to be non-verbal.
266
677000
3000
que você vai ter uma pessoa que vai ser uma não-verbal.
11:35
In the normal human mind
267
680000
2000
Na mente humana normal
11:37
language covers up the visual thinking we share with animals.
268
682000
3000
linguagem se emparelha com o pensamento visual que dividimos com os animais.
11:40
This is the work of Dr. Bruce Miller.
269
685000
3000
Este é o trabalho do Dr Bruce Miller.
11:43
And he studied Alzheimer's patients
270
688000
3000
E ele estudou pacientes com Alzheimer
11:46
that had frontal temporal lobe dementia.
271
691000
2000
que tinham demência do lobo frontal temporal.
11:48
And the dementia ate out the language parts of the brain,
272
693000
3000
E a demência comeu as partes de linguagens do cérebro,
11:51
and then this artwork came out of somebody who used to install stereos in cars.
273
696000
5000
e esta obra de arte veio de alguém que costumava instalar sons estéreos em carros.
11:56
Now, Van Gogh doesn't know anything about physics,
274
701000
4000
Agora, Van Gogh não sabe nada sobre física.
12:00
but I think it's very interesting
275
705000
2000
Mas eu acho que é muito interessante
12:02
that there was some work done to show that
276
707000
2000
que houve algum trabalho feito para mostrar isso
12:04
this eddy pattern in this painting
277
709000
2000
este padrão de redemoinho nesta pintura
12:06
followed a statistical model of turbulence,
278
711000
3000
seguiu um modelo estatístico de turbulência.
12:09
which brings up the whole interesting idea
279
714000
2000
Que traz à tona toda a idéia interessante
12:11
of maybe some of this mathematical patterns
280
716000
2000
de que, talvez alguns destes padrões matemáticos
12:13
is in our own head.
281
718000
2000
estejam em nossa própria cabeça.
12:15
And the Wolfram stuff -- I was taking
282
720000
2000
E a coisa do Wolfram que eu estava
12:17
notes and I was writing down all the
283
722000
2000
anotando e eu estava escrevendo todas
12:19
search words I could use,
284
724000
2000
as palavras de busca que eu pudesse usar
12:21
because I think that's going to go on in my autism lectures.
285
726000
4000
porque eu acho que isto vai seguir em minhas palestras de autismo.
12:25
We've got to show these kids interesting stuff.
286
730000
2000
Nós temos que mostrar a estas crianças coisas interessantes.
12:27
And they've taken out the autoshop class
287
732000
2000
E elas tem retirado as aulas de mecânica de carros
12:29
and the drafting class and the art class.
288
734000
2000
e aulas de desenhos e aulas de arte.
12:31
I mean art was my best subject in school.
289
736000
3000
Quero dizer que arte foi meu melhor tema na escola.
12:34
We've got to think about all these different kinds of minds,
290
739000
2000
Temos que pensar sobre todos estes diferentes tipos de mentes.
12:36
and we've got to absolutely work with these kind of minds,
291
741000
3000
E temos que absolutamente trabalhar com estes tipos de mentes,
12:39
because we absolutely are going to need
292
744000
3000
porque absolutamente precisaremos
12:42
these kind of people in the future.
293
747000
3000
destes tipos de pessoas no futuro.
12:45
And let's talk about jobs.
294
750000
2000
E vamos falar de empregos.
12:47
OK, my science teacher got me studying
295
752000
2000
Ok, meu professor de ciência me pôs estudando
12:49
because I was a goofball that didn't want to study.
296
754000
3000
porque eu era uma pateta que não queria estudar.
12:52
But you know what? I was getting work experience.
297
757000
2000
Mas quer saber? Eu estava pegando experiência de trabalho.
12:54
I'm seeing too many of these smart kids who haven't learned basic things,
298
759000
2000
Estou vendo muitos destes garotos espertos que não aprenderam coisas básicas,
12:56
like how to be on time.
299
761000
2000
do tipo "como não se atrasar".
12:58
I was taught that when I was eight years old.
300
763000
2000
Eu aprendi isto quando tinha oito anos de idade.
13:00
You know, how to have table manners at granny's Sunday party.
301
765000
3000
Sabe, como ter modos à mesa na festa de domingo da vovó.
13:03
I was taught that when I was very, very young.
302
768000
3000
Aprendi isto quando era muito muito nova.
13:06
And when I was 13, I had a job at a dressmaker's shop
303
771000
3000
E quando tinha 13 anos, eu tinha um emprego em uma loja de fazer vestidos
13:09
sewing clothes.
304
774000
2000
vendendo roupas.
13:11
I did internships in college,
305
776000
3000
Eu fiz estágios na universidade.
13:14
I was building things,
306
779000
3000
Eu estava construindo coisas.
13:17
and I also had to learn how to do assignments.
307
782000
3000
E eu também tive que aprender como fazer tarefas.
13:20
You know, all I wanted to do was draw pictures of horses when I was little.
308
785000
4000
Sabe, tudo o que eu queria era desenhar figuras de cavalos, quando era pequena.
13:24
My mother said, "Well let's do a picture of something else."
309
789000
2000
Minha mãe dizia, "Bem, vamos fazer um desenho de outra coisa."
13:26
They've got to learn how to do something else.
310
791000
2000
Eles têm que aprender a fazer outras coisas.
13:28
Let's say the kid is fixated on Legos.
311
793000
2000
Digamos que a criança é fixada em Legos.
13:30
Let's get him working on building different things.
312
795000
3000
Vamos colocá-lo trabalhando em construir coisas diferentes.
13:33
The thing about the autistic mind
313
798000
2000
A coisa sobre a mente autista
13:35
is it tends to be fixated.
314
800000
2000
é que tende a se fixar em algo.
13:37
Like if a kid loves racecars,
315
802000
2000
Como se um garoto ama carros de corrida,
13:39
let's use racecars for math.
316
804000
2000
vamos usar carros de corrida para matemática.
13:41
Let's figure out how long it takes a racecar to go a certain distance.
317
806000
3000
Vamos descobrir quanto tempo leva para um carro de corrida percorrer uma certa distância.
13:44
In other words, use that fixation
318
809000
4000
Em outras palavras, use esta fixação
13:48
in order to motivate that kid, that's one of the things we need to do.
319
813000
3000
para motivar aquela criança, é uma das coisas que precisamos fazer.
13:51
I really get fed up when they, you know, the teachers,
320
816000
3000
Eu fico realmente desgostosa quando eles, sabe, os professores,
13:54
especially when you get away from this part of the country,
321
819000
3000
especialmente quando você vai para longe desta parte do país,
13:57
they don't know what to do with these smart kids.
322
822000
2000
eles não sabem o que fazer com estas crianças espertas.
13:59
It just drives me crazy.
323
824000
2000
Isto me deixa louca.
14:01
What can visual thinkers do when they grow up?
324
826000
2000
O que pensadores visuais farão quando crescerem?
14:03
They can do graphic design, all kinds of stuff with computers,
325
828000
3000
Podem fazer design gráfico, todas as coisas com computadores,
14:06
photography, industrial design.
326
831000
5000
fotografia, design industrial.
14:11
The pattern thinkers, they're the ones that are going to be
327
836000
2000
Os pensadores em padrões, eles são aqueles que serão
14:13
your mathematicians, your software engineers,
328
838000
3000
seus matemáticos, seus engenheiros de software,
14:16
your computer programmers, all of those kinds of jobs.
329
841000
4000
seus programadores de computador, todos estes tipos de trabalhos.
14:20
And then you've got the word minds. They make great journalists,
330
845000
3000
E então você tem as mentes em palavras. Eles fazem grandes jornalistas.
14:23
and they also make really, really good stage actors.
331
848000
3000
E eles também fazem muito muito bons atores em palco.
14:26
Because the thing about being autistic is,
332
851000
2000
Porque a coisa sobre ser autista é,
14:28
I had to learn social skills like being in a play.
333
853000
3000
eu tive que aprender habilidades sociais como estar encenando em uma peça.
14:31
It's just kind of -- you just have to learn it.
334
856000
3000
É apenas parecido, você só tem que aprender isto.
14:34
And we need to be working with these students.
335
859000
3000
E precisamos trabalhar com estes alunos.
14:37
And this brings up mentors.
336
862000
2000
E isto traz os mentores.
14:39
You know, my science teacher was not an accredited teacher.
337
864000
3000
Sabe, meu professor de ciências não era um professor acreditado.
14:42
He was a NASA space scientist.
338
867000
2000
Ele era um cientista espacial da NASA.
14:44
Now, some states now are getting it to where
339
869000
2000
Agora, alguns estados estão entendendo isto para que
14:46
if you have a degree in biology, or a degree in chemistry,
340
871000
2000
se você tenha graduação em biologia ou em química,
14:48
you can come into the school and teach biology or chemistry.
341
873000
3000
você possa ir a escola e ensinar biologia ou química.
14:51
We need to be doing that.
342
876000
2000
Nós precisamos fazer isto.
14:53
Because what I'm observing is
343
878000
2000
Porque o que estou observando é
14:55
the good teachers, for a lot of these kids,
344
880000
2000
que os bons professores, para muitas destas crianças,
14:57
are out in the community colleges,
345
882000
2000
estão fora, nas universidades da comunidade.
14:59
but we need to be getting some of these good teachers into the high schools.
346
884000
3000
Nós precisamos colocar alguns destes bons professores dentro das escolas.
15:02
Another thing that can be very, very, very successful is
347
887000
3000
Outra coisa, que pode ser muito, muito, muito bem sucedida é,
15:05
there is a lot of people that may have retired
348
890000
3000
que há muitas pessoas que já se aposentaram
15:08
from working in the software industry, and they can teach your kid.
349
893000
3000
do trabalho na indústria de software, e que podem ensinar o seu filho.
15:11
And it doesn't matter if what they teach them is old,
350
896000
3000
E não importa se o que ensinam a eles seja velho,
15:14
because what you're doing is you're lighting the spark.
351
899000
3000
porque o que você está fazendo é acender a faísca.
15:17
You're getting that kid turned on.
352
902000
3000
Você está deixando aquela criança ligada.
15:20
And you get him turned on, then he'll learn all the new stuff.
353
905000
3000
E você ligando-o, ele aprenderá todas as coisas novas.
15:23
Mentors are just essential.
354
908000
2000
Mentores são essenciais.
15:25
I cannot emphasize enough
355
910000
2000
Eu não posso enfatizar o bastante
15:27
what my science teacher did for me.
356
912000
3000
sobre o que meu professor de ciências fez por mim.
15:30
And we've got to mentor them, hire them.
357
915000
3000
E temos que dar a eles mentores, contratá-los.
15:33
And if you bring them in for internships in your companies,
358
918000
2000
E se você traz eles para estágios em suas empresas,
15:35
the thing about the autism, Asperger-y kind of mind,
359
920000
3000
a coisa sobre o autismo, o tipo da mente de Asperger,
15:38
you've got to give them a specific task. Don't just say, "Design new software."
360
923000
3000
você tem que dar a eles uma tarefa específica. Não diga apenas, "Desenhe um novo software."
15:41
You've got to tell them something a lot more specific:
361
926000
2000
Você tem que dizer a eles algo bem mais específico.
15:43
"Well, we're designing a software for a phone
362
928000
3000
"Bem, estamos desenhando um software para um telefone
15:46
and it has to do some specific thing.
363
931000
2000
e tem que fazer uma coisa específica.
15:48
And it can only use so much memory."
364
933000
2000
E pode ser usada apenas esta quantidade de memória."
15:50
That's the kind of specificity you need.
365
935000
2000
É este o tipo de especificidade que precisa.
15:52
Well, that's the end of my talk.
366
937000
2000
Bem, este é o fim da minha palestra.
15:54
And I just want to thank everybody for coming.
367
939000
2000
E eu queria apenas agradecer a todos por virem.
15:56
It was great to be here.
368
941000
2000
Foi ótimo estar aqui.
15:58
(Applause)
369
943000
12000
(Aplausos)
16:10
Oh, you've got a question for me? OK.
370
955000
3000
Oh, você tem uma pergunta para mim? Ok.
16:13
(Applause)
371
958000
1000
(Aplausos)
16:14
Chris Anderson: Thank you so much for that.
372
959000
4000
Chris Anderson: Muito obrigado por isto.
16:18
You know, you once wrote, I like this quote,
373
963000
2000
Sabe, uma vez você escreveu, eu gosto desta frase,
16:20
"If by some magic, autism had been
374
965000
2000
"Se por alguma mágica, o autismo tivesse sido
16:22
eradicated from the face of the Earth,
375
967000
3000
erradicado da face da Terra,
16:25
then men would still be socializing in front of a wood fire
376
970000
3000
então, os homens ainda estariam se socializando na frente de uma fogueira
16:28
at the entrance to a cave."
377
973000
2000
na entrada de uma caverna."
16:30
Temple Grandin: Because who do you think made the first stone spears?
378
975000
2000
Temple Grandin: Porque quem você pensa que fez as primeiras lanças de pedra?
16:32
The Asperger guy. And if you were to get rid of all the autism genetics
379
977000
3000
O cara com Asperger. E se você eliminasse toda a genética do autismo
16:35
there would be no more Silicon Valley,
380
980000
2000
não haveria mais o Vale do Silício,
16:37
and the energy crisis would not be solved.
381
982000
2000
e a crise de energia não seria resolvida.
16:39
(Applause)
382
984000
3000
(Aplausos)
16:42
CA: So, I want to ask you a couple other questions,
383
987000
2000
CA: Então, eu queria fazer algumas outras perguntas.
16:44
and if any of these feel inappropriate,
384
989000
2000
E se alguma destas parecerem inapropriadas,
16:46
it's okay just to say, "Next question."
385
991000
2000
está tudo bem em dizer, "Próxima pergunta."
16:48
But if there is someone here
386
993000
2000
Mas se houver alguém aqui
16:50
who has an autistic child,
387
995000
2000
que tenha um filho autista,
16:52
or knows an autistic child
388
997000
2000
ou conheça uma criança autista
16:54
and feels kind of cut off from them,
389
999000
3000
e se sinta meio que distante deles,
16:57
what advice would you give them?
390
1002000
2000
qual conselho você daria a eles?
16:59
TG: Well, first of all, you've got to look at age.
391
1004000
2000
TG: Bem, primeiro de tudo, você tem que ver a idade.
17:01
If you have a two, three or four year old
392
1006000
2000
Se tiver dois, três ou quatro anos de idade
17:03
you know, no speech, no social interaction,
393
1008000
2000
sabe, não fala, não interage socialmente,
17:05
I can't emphasize enough:
394
1010000
2000
Eu não posso enfatizar o bastante,
17:07
Don't wait, you need at least 20 hours a week of one-to-one teaching.
395
1012000
4000
não espere, você precisa, no mínimo, 20 horas semanais de ensino individual com ele.
17:11
You know, the thing is, autism comes in different degrees.
396
1016000
3000
Sabe, a coisa é, autismo vem em graus diferentes.
17:14
There's going to be about half the people on the spectrum
397
1019000
2000
Vai haver mais ou menos metade das pessoas no espectro
17:16
that are not going to learn to talk, and they're not going to be working
398
1021000
2000
que não irão aprender a falar, e elas não irão trabalhar
17:18
Silicon Valley, that would not be a reasonable thing for them to do.
399
1023000
3000
no Vale do Silício, que não seria uma coisa razoável para que eles fizessem.
17:21
But then you get the smart, geeky kids
400
1026000
2000
Mas então você tem as crianças espertas
17:23
that have a touch of autism,
401
1028000
2000
que têm um toque de autismo,
17:25
and that's where you've got to get them turned on
402
1030000
2000
e que é onde você pode deixá-las ligadas
17:27
with doing interesting things.
403
1032000
2000
em fazer coisas interessantes.
17:29
I got social interaction through shared interest.
404
1034000
3000
Eu tive interação social através de interesses compartilhados.
17:32
I rode horses with other kids, I made model rockets with other kids,
405
1037000
4000
Eu cavalgava com outras crianças. Fazia modelos de foguetes com outras crianças,
17:36
did electronics lab with other kids,
406
1041000
2000
fazia laboratório de eletrônica com outras crianças,
17:38
and in the '60s, it was gluing mirrors
407
1043000
2000
e nos anos 60 era colar espelhos
17:40
onto a rubber membrane on a speaker to make a light show.
408
1045000
3000
na membrana de borracha de um autofalante para fazer um show de luzes.
17:43
That was like, we considered that super cool.
409
1048000
3000
Isto era o que nós considerávamos super legal.
17:46
CA: Is it unrealistic for them
410
1051000
2000
CA: É irrreal para eles
17:48
to hope or think that that child
411
1053000
2000
esperar ou pensar que essa criança
17:50
loves them, as some might, as most, wish?
412
1055000
3000
os ame, assim como se pudesse, ao menos desejar isto.
17:53
TG: Well let me tell you, that child will be loyal,
413
1058000
2000
TG: Bem, deixe-me dizer a você que essa criança será leal.
17:55
and if your house is burning down, they're going to get you out of it.
414
1060000
2000
E se sua casa estiver queimando, eles irão te tirar dali.
17:57
CA: Wow. So, most people, if you ask them
415
1062000
3000
CA: Uau. Então, para a maioria das pessoas, você as pergunta
18:00
what are they most passionate about, they'd say things like,
416
1065000
2000
sobre o que elas são mais apaixonadas e elas dizem coisas do tipo,
18:02
"My kids" or "My lover."
417
1067000
3000
"Meus filhos" ou "Meu amante."
18:05
What are you most passionate about?
418
1070000
3000
Você é apaixonada por o que?
18:08
TG: I'm passionate about that the things I do
419
1073000
2000
TG: Eu sou apaixonadapelo fato das coisas que eu faço
18:10
are going to make the world a better place.
420
1075000
2000
estarem fazendo do mundo um melhor lugar.
18:12
When I have a mother of an autistic child say,
421
1077000
2000
Quando eu encontro uma mãe de um filho autista que diz,
18:14
"My kid went to college because of your book,
422
1079000
2000
"Meu filho foi para a faculdade por causa do seu livro,
18:16
or one of your lectures," that makes me happy.
423
1081000
2000
ou uma de suas palestras". Isto me faz feliz.
18:18
You know, the slaughter plants, I've worked with them
424
1083000
3000
Sabe, os planos dos matadouros, eu trabalhei com eles
18:21
in the '80s; they were absolutely awful.
425
1086000
2000
nos anos 80, eles eram absolutamente horríveis.
18:23
I developed a really simple scoring system for slaughter plants
426
1088000
4000
Eu desenvolvi um sistema de avaliação realmente simples para matadouros
18:27
where you just measure outcomes: How many cattle fell down?
427
1092000
2000
onde você apenas media resultados, quantas cabeças de gado caíam,
18:29
How many cattle got poked with the prodder?
428
1094000
2000
quantas cabeças de gado eram espetadas com choques,
18:31
How many cattle are mooing their heads off?
429
1096000
2000
quantas estão mugindo com suas cabeças para fora?
18:33
And it's very, very simple.
430
1098000
2000
E é muito muito simples.
18:35
You directly observe a few simple things.
431
1100000
2000
Você observa diretamente algumas coisas simples.
18:37
It's worked really well. I get satisfaction out of
432
1102000
2000
Funcionou muito bem. Eu tive a satisfação de ver
18:39
seeing stuff that makes real change
433
1104000
3000
coisas que fizeram uma verdadeira mudança
18:42
in the real world. We need a lot more of that,
434
1107000
2000
no mundo real. Precisamos muito mais disso,
18:44
and a lot less abstract stuff.
435
1109000
2000
e muito menos de coisas abstratas.
18:46
(Applause)
436
1111000
7000
(Aplausos)
18:53
CA: When we were talking on the phone, one of the things you said that
437
1118000
2000
CA: Quando nos falamos no telefone, uma das coisas que você disse que
18:55
really astonished me was you said one thing
438
1120000
2000
realmente me surpreendeu foi você ter dito
18:57
you were passionate about was server farms. Tell me about that.
439
1122000
4000
que você era apaixonada pelas as fazendas servidoras. Conte-me sobre isto.
19:01
TG: Well the reason why I got really excited when I read about that,
440
1126000
3000
TG: Bem, a razão que me excitou realmente quando eu li sobre isto é
19:04
it contains knowledge.
441
1129000
3000
que ela contém conhecimento.
19:07
It's libraries.
442
1132000
2000
Suas bibliotecas.
19:09
And to me, knowledge is something
443
1134000
2000
E para mim, conhecimento é algo
19:11
that is extremely valuable. So, maybe, over 10 years ago
444
1136000
2000
que é extremamente valioso. Então, quem sabe, há mais de 10 anos atrás
19:13
now our library got flooded.
445
1138000
2000
agora nossa biblioteca foi inundada pela enchente.
19:15
And this is before the Internet got really big.
446
1140000
2000
e isto foi antes da internet se tornar realmente grande.
19:17
And I was really upset about all the books being wrecked,
447
1142000
2000
E eu estava realmente brava por todos os livros se estragarem
19:19
because it was knowledge being destroyed.
448
1144000
2000
porque era conhecimento sendo destruído.
19:21
And server farms, or data centers
449
1146000
2000
E fazendas servidoras, ou centros de dados
19:23
are great libraries of knowledge.
450
1148000
3000
são grandes bibliotecas do conhecimento.
19:26
CA: Temple, can I just say it's an absolute delight to have you at TED.
451
1151000
3000
CA: Temple, posso dizer que é um deleite absoluto ter você no TED.
19:29
TG: Well thank you so much. Thank you.
452
1154000
3000
TG: Bem, muito obrigado. Obrigado.
19:32
(Applause)
453
1157000
6000
(Aplausos)
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