TED2003
Marvin Minsky: Health and the human mind
Marvin Minsky sobre a saúde e a mente humana
Filmed:
Readability: 3.5
606,909 views
Oiçam com atenção -- esta palestra astuta, ecléctica e encantadoramente espontânea, em que Marvin Minsky nos fala de saúde, sobrepopulação e da mente humana, está repleta de subtileza: engenho, sabedoria e conselhos bem temperados de humor e malícia.
Marvin Minsky - AI pioneer
Marvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching. Full bio
Marvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching. Full bio
Double-click the English transcript below to play the video.
00:18
If you ask people about what part of psychology do they think is hard,
0
0
6000
Se perguntarmos às pessoas que área da psicologia pensam ser a mais difícil
00:24
and you say, "Well, what about thinking and emotions?"
1
6000
3000
e lhes dermos a escolher entre pensamento e emoções,
00:27
Most people will say, "Emotions are terribly hard.
2
9000
3000
a maioria dirá: "As emoções são extremamente difíceis.
00:30
They're incredibly complex. They can't -- I have no idea of how they work.
3
12000
6000
São incrivelmente complexas, não podem... não tenho nenhuma ideia de como funcionam.
00:36
But thinking is really very straightforward:
4
18000
2000
Já o pensamento é realmente muito simples:
00:38
it's just sort of some kind of logical reasoning, or something.
5
20000
4000
é apenas mais ou menos uma espécie de raciocínio lógico.
00:42
But that's not the hard part."
6
24000
3000
Mas essa não é a parte difícil."
00:45
So here's a list of problems that come up.
7
27000
2000
Portanto aqui está uma lista de problemas por resolver.
00:47
One nice problem is, what do we do about health?
8
29000
3000
Um problema interessante é: o que fazer em relação à saúde?
00:50
The other day, I was reading something, and the person said
9
32000
4000
Ainda há dias estava a ler algo que dizia que,
00:54
probably the largest single cause of disease is handshaking in the West.
10
36000
6000
provavelmente, a maior causa de doença no mundo ocidental é o aperto de mão.
01:00
And there was a little study about people who don't handshake,
11
42000
4000
Havia um pequeno estudo que comparava pessoas que não dão apertos de mão
01:04
and comparing them with ones who do handshake.
12
46000
3000
com pessoas que dão apertos de mão.
01:07
And I haven't the foggiest idea of where you find the ones that don't handshake,
13
49000
5000
E não faço a menor ideia onde terão encontrado as que não dão apertos de mão,
01:12
because they must be hiding.
14
54000
3000
porque devem estar escondidas.
01:15
And the people who avoid that
15
57000
4000
E as pessoas que evitam este gesto
01:19
have 30 percent less infectious disease or something.
16
61000
4000
têm um risco cerca de 30% menor de contrair doenças infecciosas.
01:23
Or maybe it was 31 and a quarter percent.
17
65000
3000
Ou talvez fosse 31,25%.
01:26
So if you really want to solve the problem of epidemics and so forth,
18
68000
4000
Portanto, se quisermos acabar com as epidemias,
01:30
let's start with that. And since I got that idea,
19
72000
4000
comecemos por aí. E desde que tive esta ideia
01:34
I've had to shake hundreds of hands.
20
76000
4000
tive que apertar centenas de mãos.
01:38
And I think the only way to avoid it
21
80000
5000
E penso que a única maneira de evitá-lo
01:43
is to have some horrible visible disease,
22
85000
2000
é ter alguma doença horrível bem visível,
01:45
and then you don't have to explain.
23
87000
3000
e aí não temos de explicar-nos.
01:48
Education: how do we improve education?
24
90000
4000
Educação: como melhorar a educação?
01:52
Well, the single best way is to get them to understand
25
94000
4000
Bem, a melhor maneira é fazê-los compreender
01:56
that what they're being told is a whole lot of nonsense.
26
98000
3000
que o que lhes têm dito são completos disparates.
01:59
And then, of course, you have to do something
27
101000
2000
E depois, claro, há que moderar um pouco
02:01
about how to moderate that, so that anybody can -- so they'll listen to you.
28
103000
5000
esta atitude, para que alguém de facto nos ouça.
02:06
Pollution, energy shortage, environmental diversity, poverty.
29
108000
4000
Poluição, escassez de energia, diversidade ambiental, pobreza --
02:10
How do we make stable societies? Longevity.
30
112000
4000
como construir sociedades estáveis? Longevidade...
02:14
Okay, there're lots of problems to worry about.
31
116000
3000
Ok, há muitos problemas preocupantes.
02:17
Anyway, the question I think people should talk about --
32
119000
2000
De qualquer forma, a questão que penso que deveríamos discutir --
02:19
and it's absolutely taboo -- is, how many people should there be?
33
121000
5000
e que é um tabu absoluto -- é, quantas pessoas deveriam existir?
02:24
And I think it should be about 100 million or maybe 500 million.
34
126000
7000
E penso que deveriam existir cerca de 100 ou talvez 500 milhões.
02:31
And then notice that a great many of these problems disappear.
35
133000
5000
E então reparem que muitos destes problemas desaparecem.
02:36
If you had 100 million people
36
138000
2000
Havendo 100 milhões de pessoas
02:38
properly spread out, then if there's some garbage,
37
140000
6000
convenientemente distribuídas, então, se houvesse algum lixo,
02:44
you throw it away, preferably where you can't see it, and it will rot.
38
146000
7000
poderíamos deitá-lo fora, de preferência longe da vista, e apodreceria.
02:51
Or you throw it into the ocean and some fish will benefit from it.
39
153000
5000
Ou poderíamos deitá-lo ao mar e alguns peixes poderiam beneficiar dele.
02:56
The problem is, how many people should there be?
40
158000
2000
O problema é: quantas pessoas deveriam existir?
02:58
And it's a sort of choice we have to make.
41
160000
3000
E é uma espécie de escolha que temos de fazer.
03:01
Most people are about 60 inches high or more,
42
163000
3000
A maioria das pessoas mede 1,5 metros ou mais,
03:04
and there's these cube laws. So if you make them this big,
43
166000
4000
e há esta perda cúbica. Portanto, se conseguíssemos ter pessoas deste tamanho --
03:08
by using nanotechnology, I suppose --
44
170000
3000
recorrendo à nanotecnologia, suponho
03:11
(Laughter)
45
173000
1000
(Risos)
03:12
-- then you could have a thousand times as many.
46
174000
2000
-- então poderiam existir mil vezes mais pessoas.
03:14
That would solve the problem, but I don't see anybody
47
176000
2000
Isso resolveria o problema, mas não vejo ninguém
03:16
doing any research on making people smaller.
48
178000
3000
a fazer investigação em como tornar as pessoas mais pequenas.
03:19
Now, it's nice to reduce the population, but a lot of people want to have children.
49
181000
5000
Ora, é boa ideia reduzir a população, mas muitas pessoas querem ter filhos.
03:24
And there's one solution that's probably only a few years off.
50
186000
3000
E provavelmente teremos uma solução daqui a poucos anos.
03:27
You know you have 46 chromosomes. If you're lucky, you've got 23
51
189000
5000
Sabem que temos 46 cromossomas. Com alguma sorte, temos 23
03:32
from each parent. Sometimes you get an extra one or drop one out,
52
194000
6000
de cada progenitor -- por vezes ficamos com um a mais ou a menos,
03:38
but -- so you can skip the grandparent and great-grandparent stage
53
200000
4000
mas... -- podemos saltar as etapas de avô e bisavô
03:42
and go right to the great-great-grandparent. And you have 46 people
54
204000
5000
e ir directamente para a de trisavô. Reunimos 46 pessoas
03:47
and you give them a scanner, or whatever you need,
55
209000
3000
e damos-lhes alguma espécie de analisador
03:50
and they look at their chromosomes and each of them says
56
212000
4000
e eles olham para os seus cromossomas e cada um diz
03:54
which one he likes best, or she -- no reason to have just two sexes
57
216000
5000
de qual gosta mais -- não há razão para haverem só dois sexos...
03:59
any more, even. So each child has 46 parents,
58
221000
5000
Portanto, cada criança tem 46 pais,
04:04
and I suppose you could let each group of 46 parents have 15 children.
59
226000
6000
e suponho que poderíamos deixar cada grupo de 46 pais ter 15 filhos.
04:10
Wouldn't that be enough? And then the children
60
232000
2000
Não seria suficiente? E depois os filhos
04:12
would get plenty of support, and nurturing, and mentoring,
61
234000
4000
teriam muito apoio e sustento e educação
04:16
and the world population would decline very rapidly
62
238000
2000
e a população do mundo entraria em declínio rapidamente
04:18
and everybody would be totally happy.
63
240000
3000
e toda a gente seria totalmente feliz.
04:21
Timesharing is a little further off in the future.
64
243000
3000
"Timesharing" estará num futuro mais distante.
04:24
And there's this great novel that Arthur Clarke wrote twice,
65
246000
3000
E há um belo romance, que Arthur Clarke escreveu duas vezes,
04:27
called "Against the Fall of Night" and "The City and the Stars."
66
249000
4000
chamado "Against the Fall of Night" e "The City and the Stars".
04:31
They're both wonderful and largely the same,
67
253000
3000
São ambos maravilhosos e em grande medida iguais, excepto
04:34
except that computers happened in between.
68
256000
2000
que os computadores foram inventados entre os dois.
04:36
And Arthur was looking at this old book, and he said, "Well, that was wrong.
69
258000
5000
E Arthur olhou para o primeiro livro e disse: "Bem, isto está errado.
04:41
The future must have some computers."
70
263000
2000
O futuro tem que ter alguns computadores."
04:43
So in the second version of it, there are 100 billion
71
265000
5000
E assim, na segunda versão do livro, existem 100 biliões --
04:48
or 1,000 billion people on Earth, but they're all stored on hard disks or floppies,
72
270000
8000
ou 1000 biliões -- de pessoas na Terra, mas estão todas armazenadas em discos rígidos ou disquetes,
04:56
or whatever they have in the future.
73
278000
2000
ou o que quer que exista no futuro.
04:58
And you let a few million of them out at a time.
74
280000
4000
E deixam-se sair uns poucos milhões de cada vez.
05:02
A person comes out, they live for a thousand years
75
284000
4000
Um pessoa sai, vive durante mil anos,
05:06
doing whatever they do, and then, when it's time to go back
76
288000
6000
faz a sua vida, até ser altura de regressar
05:12
for a billion years -- or a million, I forget, the numbers don't matter --
77
294000
4000
por um bilião de anos -- ou um milhão, esqueci-me, os números não importam --,
05:16
but there really aren't very many people on Earth at a time.
78
298000
4000
mas não existem muitas pessoas na Terra num dado período de tempo.
05:20
And you get to think about yourself and your memories,
79
302000
2000
E podemos reflectir sobre nós próprios
05:22
and before you go back into suspension, you edit your memories
80
304000
5000
e as nossas memórias, e antes de sermos suspendidos de novo podemos editá-las
05:27
and you change your personality and so forth.
81
309000
3000
e mudar a nossa personalidade, por exemplo.
05:30
The plot of the book is that there's not enough diversity,
82
312000
6000
O enredo do livro é que não há suficiente diversidade e,
05:36
so that the people who designed the city
83
318000
3000
assim, as pessoas que construíram a cidade
05:39
make sure that every now and then an entirely new person is created.
84
321000
4000
certificam-se de que uma vez por outra é criada uma pessoa completamente nova.
05:43
And in the novel, a particular one named Alvin is created. And he says,
85
325000
6000
Em particular, o romance fala de uma destas novas pessoas, Alvin. Alvin pensa:
05:49
maybe this isn't the best way, and wrecks the whole system.
86
331000
4000
"Talvez esta não seja a melhor maneira", e destrói todo o sistema.
05:53
I don't think the solutions that I proposed
87
335000
2000
Não penso que as soluções que propus aqui
05:55
are good enough or smart enough.
88
337000
3000
sejam suficientemente boas ou suficientemente inteligentes.
05:58
I think the big problem is that we're not smart enough
89
340000
4000
Penso que o grande problema é que não somos suficientemente inteligentes
06:02
to understand which of the problems we're facing are good enough.
90
344000
4000
para compreender quais os problemas que importa resolver.
06:06
Therefore, we have to build super intelligent machines like HAL.
91
348000
4000
Consequentemente, temos que construir máquinas super-inteligentes como o HAL.
06:10
As you remember, at some point in the book for "2001,"
92
352000
5000
Como devem estar lembrados, a dada altura no livro do "2001, Odisseia no Espaço",
06:15
HAL realizes that the universe is too big, and grand, and profound
93
357000
5000
o HAL apercebe-se de que o Universo é demasiado grande e profundo
06:20
for those really stupid astronauts. If you contrast HAL's behavior
94
362000
4000
para aqueles astronautas estúpidos. Se compararmos o comportamento do HAL
06:24
with the triviality of the people on the spaceship,
95
366000
4000
com a trivialidade das pessoas a bordo da nave espacial,
06:28
you can see what's written between the lines.
96
370000
3000
então conseguiremos ler nas entrelinhas.
06:31
Well, what are we going to do about that? We could get smarter.
97
373000
3000
O que fazer então em relação a isso? Podíamos tornar-nos mais inteligentes.
06:34
I think that we're pretty smart, as compared to chimpanzees,
98
376000
5000
Acho que somos bastante inteligentes, em comparação com os chimpanzés,
06:39
but we're not smart enough to deal with the colossal problems that we face,
99
381000
6000
mas não o suficiente para lidar com os problemas colossais que enfrentamos,
06:45
either in abstract mathematics
100
387000
2000
tanto em matemática abstracta
06:47
or in figuring out economies, or balancing the world around.
101
389000
5000
como na compreensão da economia ou na luta por um mundo equilibrado.
06:52
So one thing we can do is live longer.
102
394000
3000
Uma coisa que podemos fazer é viver mais tempo.
06:55
And nobody knows how hard that is,
103
397000
2000
E ninguém sabe quão difícil será isso,
06:57
but we'll probably find out in a few years.
104
399000
3000
mas provavelmente descobriremos nos próximos anos.
07:00
You see, there's two forks in the road. We know that people live
105
402000
3000
Estão a ver, há uma bifurcação no caminho. Sabemos que as pessoas
07:03
twice as long as chimpanzees almost,
106
405000
4000
vivem quase o dobro dos chimpanzés,
07:07
and nobody lives more than 120 years,
107
409000
4000
e ninguém vive mais de 120 anos,
07:11
for reasons that aren't very well understood.
108
413000
3000
por razões que não compreendemos bem.
07:14
But lots of people now live to 90 or 100,
109
416000
3000
Mas muitas pessoas vivem agora 90 ou 100 anos,
07:17
unless they shake hands too much or something like that.
110
419000
4000
a não ser que dêem muitos apertos de mão ou coisa do género.
07:21
And so maybe if we lived 200 years, we could accumulate enough skills
111
423000
5000
Portanto, se vivêssemos 200 anos, talvez conseguíssemos acumular a capacidade
07:26
and knowledge to solve some problems.
112
428000
5000
e conhecimento necessários para resolver alguns problemas.
07:31
So that's one way of going about it.
113
433000
2000
Isto é uma forma de ver a coisa.
07:33
And as I said, we don't know how hard that is. It might be --
114
435000
3000
E, como disse, não sabemos quão difícil será de concretizar.
07:36
after all, most other mammals live half as long as the chimpanzee,
115
438000
6000
Afinal, a maioria dos outros mamíferos vive metade do tempo dos chimpanzés,
07:42
so we're sort of three and a half or four times, have four times
116
444000
3000
portanto nós temos cerca de 3,5 vezes ou 4 vezes
07:45
the longevity of most mammals. And in the case of the primates,
117
447000
6000
a longevidade da maioria dos mamíferos. E no caso dos primatas,
07:51
we have almost the same genes. We only differ from chimpanzees,
118
453000
4000
temos praticamente os mesmos genes. Apenas diferimos dos chimpanzés,
07:55
in the present state of knowledge, which is absolute hogwash,
119
457000
6000
no estado actual de conhecimento -- que é absurdamente primitivo --,
08:01
maybe by just a few hundred genes.
120
463000
2000
talvez por umas poucas centenas de genes.
08:03
What I think is that the gene counters don't know what they're doing yet.
121
465000
3000
O que acho é que os "contadores de genes" ainda não sabem o que estão a fazer.
08:06
And whatever you do, don't read anything about genetics
122
468000
3000
E o que quer que façam, não leiam nada sobre genética
08:09
that's published within your lifetime, or something.
123
471000
3000
que seja publicado durante a vossa vida.
08:12
(Laughter)
124
474000
3000
(Risos)
08:15
The stuff has a very short half-life, same with brain science.
125
477000
4000
Porque tem um tempo de semi-vida muito curto. O mesmo para a ciência do cérebro.
08:19
And so it might be that if we just fix four or five genes,
126
481000
6000
Assim, pode ser que, manipulando apenas 4 ou 5 genes,
08:25
we can live 200 years.
127
487000
2000
possamos passar a viver 200 anos.
08:27
Or it might be that it's just 30 or 40,
128
489000
3000
Ou pode ser que sejam 30 ou 40,
08:30
and I doubt that it's several hundred.
129
492000
2000
e duvido que sejam várias centenas.
08:32
So this is something that people will be discussing
130
494000
4000
Isto é algo que as pessoas estarão a discutir
08:36
and lots of ethicists -- you know, an ethicist is somebody
131
498000
3000
e muitos especialistas em Ética... Sabem, um especialista em Ética é alguém
08:39
who sees something wrong with whatever you have in mind.
132
501000
3000
que vê sempre algo errado com o que uma pessoa tem em mente.
08:42
(Laughter)
133
504000
3000
(Risos)
08:45
And it's very hard to find an ethicist who considers any change
134
507000
4000
E é muito difícil encontrar um especialista em Ética que considere que dada
08:49
worth making, because he says, what about the consequences?
135
511000
4000
mudança valha a pena, porque ele dirá: "Então e as consequências?"
08:53
And, of course, we're not responsible for the consequences
136
515000
3000
E claro, não somos responsáveis pelas consequências futuras
08:56
of what we're doing now, are we? Like all this complaint about clones.
137
518000
6000
do que estamos a fazer agora, pois não? É como todos estes protestos em relação aos clones.
09:02
And yet two random people will mate and have this child,
138
524000
3000
E no entanto duas quaisquer pessoas acasalam e têm um filho,
09:05
and both of them have some pretty rotten genes,
139
527000
4000
e ambas terão genes bastante defeituosos,
09:09
and the child is likely to come out to be average.
140
531000
4000
e a criança será provavelmente mediana.
09:13
Which, by chimpanzee standards, is very good indeed.
141
535000
6000
O que, pelo padrão de um chimpanzé, é de facto muito bom.
09:19
If we do have longevity, then we'll have to face the population growth
142
541000
3000
Se tivermos longevidade, teremos de enfrentar o problema do crescimento populacional
09:22
problem anyway. Because if people live 200 or 1,000 years,
143
544000
4000
de qualquer forma. Porque se as pessoas vivem 200 ou 1000 anos,
09:26
then we can't let them have a child more than about once every 200 or 1,000 years.
144
548000
6000
então não podemos deixá-las ter um filho mais do que uma vez em cada 200 ou 1000 anos.
09:32
And so there won't be any workforce.
145
554000
3000
E assim não haverá força de trabalho disponível.
09:35
And one of the things Laurie Garrett pointed out, and others have,
146
557000
4000
E uma das coisas que Laurie Garrett e outros têm apontado
09:39
is that a society that doesn't have people
147
561000
5000
é que uma sociedade que não tem pessoas
09:44
of working age is in real trouble. And things are going to get worse,
148
566000
3000
em idade de trabalhar se vê em apuros. E as coisas vão piorar
09:47
because there's nobody to educate the children or to feed the old.
149
569000
6000
porque não há ninguém para educar as crianças ou alimentar os idosos.
09:53
And when I'm talking about a long lifetime, of course,
150
575000
2000
E quando falo de longevidade, claro,
09:55
I don't want somebody who's 200 years old to be like our image
151
577000
6000
não quero que alguém com 200 anos se pareça com a nossa imagem
10:01
of what a 200-year-old is -- which is dead, actually.
152
583000
4000
de alguém com essa idade -- que, aliás, é a de alguém morto.
10:05
You know, there's about 400 different parts of the brain
153
587000
2000
Sabem, existem cerca de 400 regiões distintas no cérebro
10:07
which seem to have different functions.
154
589000
2000
que parecem ter funções diferentes.
10:09
Nobody knows how most of them work in detail,
155
591000
3000
Ninguém sabe como a maioria funciona em detalhe,
10:12
but we do know that there're lots of different things in there.
156
594000
4000
mas sabemos que lá existem coisas muito diferentes.
10:16
And they don't always work together. I like Freud's theory
157
598000
2000
E nem sempre funcionam em conjunto. Gosto da teoria de Freud
10:18
that most of them are cancelling each other out.
158
600000
4000
de que a maioria delas se cancela mutuamente.
10:22
And so if you think of yourself as a sort of city
159
604000
4000
Se pensarmos que somos uma espécie de cidade,
10:26
with a hundred resources, then, when you're afraid, for example,
160
608000
6000
com uma centena de recursos, então, quando temos medo, por exemplo,
10:32
you may discard your long-range goals, but you may think deeply
161
614000
4000
podemos ignorar os nossos objectivos de longo prazo e
10:36
and focus on exactly how to achieve that particular goal.
162
618000
4000
concentrar-nos naquele objectivo muito particular.
10:40
You throw everything else away. You become a monomaniac --
163
622000
3000
Esquecemos tudo o resto, tornamo-nos monomaníacos --
10:43
all you care about is not stepping out on that platform.
164
625000
4000
só nos preocupamos em não cair da plataforma abaixo.
10:47
And when you're hungry, food becomes more attractive, and so forth.
165
629000
4000
E quando temos fome, a comida torna-se mais atractiva, e assim por diante.
10:51
So I see emotions as highly evolved subsets of your capability.
166
633000
6000
Eu vejo as emoções como subconjuntos altamente evoluídos das nossas capacidades.
10:57
Emotion is not something added to thought. An emotional state
167
639000
4000
A emoção não é "algo adicionado ao pensamento". Um estado emocional
11:01
is what you get when you remove 100 or 200
168
643000
4000
é o que resulta da remoção de 100 ou 200
11:05
of your normally available resources.
169
647000
3000
dos nossos recursos normalmente disponíveis.
11:08
So thinking of emotions as the opposite of -- as something
170
650000
3000
Portanto, pensar nas emoções, ao invés, como
11:11
less than thinking is immensely productive. And I hope,
171
653000
4000
"algo menos que o pensamento" é imensamente produtivo. E espero
11:15
in the next few years, to show that this will lead to smart machines.
172
657000
4000
nos próximos anos mostrar que isto nos levará a máquinas inteligentes.
11:19
And I guess I better skip all the rest of this, which are some details
173
661000
3000
E acho que é melhor passar à frente disto, que são detalhes
11:22
on how we might make those smart machines and --
174
664000
5000
sobre como poderemos construir estas máquinas e...
11:27
(Laughter)
175
669000
5000
(Risos)
11:32
-- and the main idea is in fact that the core of a really smart machine
176
674000
5000
A ideia principal é que, de facto, o núcleo de uma máquina realmente inteligente
11:37
is one that recognizes that a certain kind of problem is facing you.
177
679000
5000
é ela ser capaz de reconhecer o tipo de problema que está a enfrentar.
11:42
This is a problem of such and such a type,
178
684000
3000
Este é um problema de tal e tal tipo
11:45
and therefore there's a certain way or ways of thinking
179
687000
5000
e portanto há uma ou várias maneiras de pensar
11:50
that are good for that problem.
180
692000
2000
que são boas para esse problema.
11:52
So I think the future, main problem of psychology is to classify
181
694000
4000
Portanto, penso que no futuro, o principal problema da Psicologia será classificar
11:56
types of predicaments, types of situations, types of obstacles
182
698000
4000
tipos de dilemas, tipos de situações, tipos de obstáculos,
12:00
and also to classify available and possible ways to think and pair them up.
183
702000
6000
classificar também as formas de pensamento disponíveis e, depois, associá-los da melhor forma.
12:06
So you see, it's almost like a Pavlovian --
184
708000
3000
Portanto vêem, é quase Pavloviano...
12:09
we lost the first hundred years of psychology
185
711000
2000
Perdemos os primeiros cem anos da Psicologia
12:11
by really trivial theories, where you say,
186
713000
3000
com teorias realmente triviais acerca da forma
12:14
how do people learn how to react to a situation? What I'm saying is,
187
716000
6000
como as pessoas aprendem a reagir a uma dada situação. O que eu defendo é que,
12:20
after we go through a lot of levels, including designing
188
722000
5000
depois de passarmos muitos níveis, incluindo a construção
12:25
a huge, messy system with thousands of ports,
189
727000
3000
de um sistema enorme e confuso com milhares de peças,
12:28
we'll end up again with the central problem of psychology.
190
730000
4000
acabaremos ainda com o problema central da Psicologia.
12:32
Saying, not what are the situations,
191
734000
3000
Investigando não quais as situações,
12:35
but what are the kinds of problems
192
737000
2000
mas quais os tipos de problemas
12:37
and what are the kinds of strategies, how do you learn them,
193
739000
3000
e os tipos de estratégias que existem -- como aprendê-las,
12:40
how do you connect them up, how does a really creative person
194
742000
3000
como associá-los entre si -- e como é que uma pessoa realmente criativa
12:43
invent a new way of thinking out of the available resources and so forth.
195
745000
5000
inventa uma nova forma de pensar a partir dos recursos disponíveis e assim.
12:48
So, I think in the next 20 years,
196
750000
2000
Portanto, penso que nos próximos 20 anos,
12:50
if we can get rid of all of the traditional approaches to artificial intelligence,
197
752000
5000
se nos conseguirmos livrar de todas as abordagens tradicionais à inteligência artificial,
12:55
like neural nets and genetic algorithms
198
757000
2000
como redes neuronais, algoritmos genéticos
12:57
and rule-based systems, and just turn our sights a little bit higher to say,
199
759000
6000
e sistemas baseados em regras, e olharmos um pouco mais longe,
13:03
can we make a system that can use all those things
200
765000
2000
será que conseguimos construir um sistema que seja capaz de usar tudo isso
13:05
for the right kind of problem? Some problems are good for neural nets;
201
767000
4000
para o tipo certo de problema? Alguns problemas são bons para redes neuronais;
13:09
we know that others, neural nets are hopeless on them.
202
771000
3000
sabemos que noutros problemas, as redes neuronais não funcionam.
13:12
Genetic algorithms are great for certain things;
203
774000
3000
Os algoritmos genéticos são óptimos para certas coisas;
13:15
I suspect I know what they're bad at, and I won't tell you.
204
777000
4000
suspeito que sei aquilo em que são maus mas não vos vou dizer.
13:19
(Laughter)
205
781000
1000
(Risos)
13:20
Thank you.
206
782000
2000
Obrigado.
13:22
(Applause)
207
784000
6000
(Aplausos)
ABOUT THE SPEAKER
Marvin Minsky - AI pioneerMarvin Minsky is one of the great pioneers of artificial intelligence -- and using computing metaphors to understand the human mind. His contributions to mathematics, robotics and computational linguistics are legendary and far-reaching.
Why you should listen
Marvin Minsky is the superstar-elder of artificial intelligence, one of the most productive and important cognitive scientists of the century, and the leading proponent of the Society of Mind theory. Articulated in his 1985 book of the same name, Minsky's theory says intelligence is not born of any single mechanism, but from the interaction of many independent agents. The book's sequel,The Emotion Machine (2006), says similar activity also accounts for feelings, goals, emotions and conscious thoughts.
Minsky also pioneered advances in mathematics, computational linguistics, optics, robotics and telepresence. He built SNARC, the first neural network simulator, some of the first visual scanners, and the first LOGO "turtle." From his headquarters at MIT's Media Lab and the AI Lab (which he helped found), he continues to work on, as he says, "imparting to machines the human capacity for commonsense reasoning."
Marvin Minsky | Speaker | TED.com