ABOUT THE SPEAKER
Alan Kay - Educator and computing pioneer
One of the true luminaries of personal computing, Alan Kay conceived of laptops and graphical interfaces years before they were realized. At XeroxPARC, Apple, HP and Disney, he has developed tools for improving the mind.

Why you should listen

"The best way to predict the future is to invent it." Alan Kay not only coined this favorite tech-world adage, but has proven its truth several times. A true polymath, as well as inventor, he has combined engineering brilliance with knowledge of child development, epistemology, molecular biology and more.

In the 1960s, Kay joined the computer team at XeroxPARC, where he worked on world-changing inventions like the graphical interface, object-oriented programming, and the personal computer itself. Later, at Apple, Atari, HP, Disney, and now at his own nonprofits, he has helped refine the tools he anticipated long before they were realized.

As the industry has blossomed, however, Kay continues to grapple with the deeper purpose of computing, struggling to create the machine that won't only recapitulate patterns in the world as we know it but will teach both children and adults to think, to see what otherwise is beyond them.

More profile about the speaker
Alan Kay | Speaker | TED.com
TED2007

Alan Kay: A powerful idea about ideas

Alan Kay präsentiert eine beeindruckende Idee über Ideen

Filmed:
851,991 views

Mit der ganzen von ihm bekannten Intensität und Brillanz malt sich Alan Kay bessere Lehrmethoden aus, die Computer einsetzen, um Kindern Erfahrungen auf mathematische und wissenschaftliche Art und Weise zu vermitteln, wie es nur mit Computern möglich ist.
- Educator and computing pioneer
One of the true luminaries of personal computing, Alan Kay conceived of laptops and graphical interfaces years before they were realized. At XeroxPARC, Apple, HP and Disney, he has developed tools for improving the mind. Full bio

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

00:18
A great way to startAnfang, I think, with my viewAussicht of simplicityEinfachheit
0
0
4000
Ein guter Ansatzpunkt ist es, zumindest in meiner vereinfachten Sichtweise,
00:22
is to take a look at TEDTED. Here you are, understandingVerstehen why we're here,
1
4000
7000
mit einem Blick auf TED zu beginnen. Sie sitzen hier und verstehen
00:29
what's going on with no difficultySchwierigkeit at all.
2
11000
5000
ohne Schwierigkeiten, warum wir hier sind und was hier passiert.
00:34
The bestBeste A.I. in the planetPlanet would find it complexKomplex and confusingverwirrend,
3
16000
4000
Die beste künstliche Intelligenz der Welt würde es komplex und verwirrend finden,
00:38
and my little dogHund WatsonWatson would find it simpleeinfach and understandableverständlich
4
20000
5000
und mein kleiner Hund Watson würde es einfach und verstehbar finden,
00:43
but would missFräulein the pointPunkt.
5
25000
2000
aber er würde den Sinn nicht begreifen.
00:45
(LaughterLachen)
6
27000
3000
(Gelächter)
00:48
He would have a great time.
7
30000
3000
Ihm würde das richtig gut gefallen.
00:51
And of courseKurs, if you're a speakerRedner here, like HansHans RoslingRosling,
8
33000
5000
Und wenn man hier einen Vortrag hält, wie Hans Rosling,
00:56
a speakerRedner findsfindet this complexKomplex, trickyschwierig. But in HansHans Rosling'sDie Rosling caseFall,
9
38000
5000
dann findet der Redner das komplex, verzwickt. Aber Hans Rosling,
01:01
he had a secretGeheimnis weaponWaffe yesterdaygestern,
10
43000
2000
er hatte gestern eine Geheimwaffe mit seinem
01:03
literallybuchstäblich, in his swordSchwert swallowingschluckend actHandlung.
11
45000
4000
buchstäblich gemeinten Schwertschluckerkunststück.
01:07
And I mustsollen say, I thought of quiteganz a fewwenige objectsObjekte
12
49000
2000
Und ich muß sagen, daß ich mir so einige Objekte überlegt habe,
01:09
that I mightMacht try to swallowschlucken todayheute and finallyendlich gavegab up on,
13
51000
5000
die ich heute schlucken könnte, aber ich hab's letztlich gelassen --
01:14
but he just did it and that was a wonderfulwunderbar thing.
14
56000
4000
aber er hat es gemacht und das war toll.
01:18
So PuckPuck meantgemeint not only are we foolsNarren in the pejorativeabwertend senseSinn,
15
60000
5000
Also Puck meinte, daß wir Narren sind, nicht nur im abwertenden Sinne,
01:23
but that we're easilyleicht fooledreingefallen. In factTatsache, what ShakespeareShakespeare
16
65000
4000
sondern in dem Sinne, daß wir uns leicht zum Narren halten lassen. Shakespeare hat
01:27
was pointingHinweis out is we go to the theaterTheater in orderAuftrag to be fooledreingefallen,
17
69000
3000
eigentlich darauf hingewiesen, daß wir nur ins Theater gehen, um hereingelegt zu werden,
01:30
so we're actuallytatsächlich looking forwardVorwärts- to it.
18
72000
4000
wir freuen uns also sogar darauf.
01:34
We go to magicMagie showszeigt an in orderAuftrag to be fooledreingefallen.
19
76000
2000
Wir gehen in Zaubervorstellungen, um getäuscht zu werden.
01:36
And this makesmacht manyviele things funSpaß, but it makesmacht it difficultschwer to actuallytatsächlich
20
78000
8000
Und das macht oft Spaß, es aber auch schwer,
01:44
get any kindArt of pictureBild on the worldWelt we liveLeben in or on ourselvesuns selbst.
21
86000
4000
ein ungefähres Bild von der Welt, in der wir leben, oder von uns selbst zu erhalten.
01:48
And our friendFreund, BettyBetty EdwardsEdwards,
22
90000
2000
Und unsere Freundin, Betty Edwards,
01:50
the "DrawingZeichnung on the Right SideSeite of the BrainGehirn" ladyDame, showszeigt an these two tablesTabellen
23
92000
3000
die Autorin von Garantiert Zeichnen Lernen, zeigt diese beiden Tische
01:53
to her drawingZeichnung classKlasse and sayssagt,
24
95000
5000
ihrer Zeichenklasse und sagt,
01:58
"The problemProblem you have with learningLernen to drawzeichnen
25
100000
4000
das Problem, das ihr beim Zeichnenlernen habt
02:02
is not that you can't moveBewegung your handHand,
26
104000
2000
ist nicht, daß ihr eure Hand nicht bewegen könnt,
02:04
but that the way your brainGehirn perceivesnimmt wahr imagesBilder is faultyfehlerhafte.
27
106000
6000
sondern daß die Art und Weise, wie euer Gehirn Bilder verarbeitet falsch ist.
02:10
It's tryingversuchen to perceivewahrnehmen imagesBilder into objectsObjekte
28
112000
2000
Es probiert, Bilder als Objekte aufzufassen,
02:12
ratherlieber than seeingSehen what's there."
29
114000
2000
anstatt zu sehen, was da ist.
02:14
And to provebeweisen it, she sayssagt, "The exactgenau sizeGröße and shapegestalten of these tabletopsTischplatten
30
116000
5000
Und um das zu beweisen, behauptet sie, daß die Größe und Gestalt dieser beiden Tischplatten
02:19
is the samegleich, and I'm going to provebeweisen it to you."
31
121000
3000
genau gleich ist, und ich werde es Ihnen beweisen.
02:22
She does this with cardboardKarton, but sinceschon seit I have
32
124000
3000
Sie macht es mit Pappe, aber weil ich
02:25
an expensiveteuer computerComputer here
33
127000
3000
einen teuren Computer hier habe,
02:28
I'll just rotatedrehen this little guy around and ...
34
130000
3000
werde ich den kleinen Freund hier einfach rotieren und ...
02:34
Now havingmit seengesehen that -- and I've seengesehen it hundredsHunderte of timesmal,
35
136000
3000
Jetzt, wo wir das gesehen haben - und ich habe es hunderte Male gesehen,
02:37
because I use this in everyjeden talk I give -- I still can't see
36
139000
4000
weil ich das in jedem einzelnen Vortrag benutze - kann ich immer noch nicht erkennen,
02:41
that they're the samegleich sizeGröße and shapegestalten, and I doubtZweifel that you can eitherentweder.
37
143000
5000
daß die beiden tatsächlich die gleiche Größe und Form haben, und ich bezweifle, daß Sie es können.
02:46
So what do artistsKünstler do? Well, what artistsKünstler do is to measuremessen.
38
148000
5000
Also was machen dann Künstler? Nun, Künstler messen.
02:51
They measuremessen very, very carefullyvorsichtig.
39
153000
2000
Sie messen sehr, sehr genau.
02:53
And if you measuremessen very, very carefullyvorsichtig with a stiffsteif armArm and a straightGerade edgeRand,
40
155000
4000
Und wenn man sehr sehr genau mißt, mit steifem Arm und Lineal,
02:57
you'lldu wirst see that those two shapesFormen are
41
159000
2000
dann wird man sehen, daß diese beiden Formen
02:59
exactlygenau the samegleich sizeGröße.
42
161000
3000
exakt gleichgroß sind.
03:02
And the TalmudTalmud saw this a long time agovor, sayingSprichwort,
43
164000
5000
Der Talmud hat das vor langer Zeit erkannt und gesagt,
03:07
"We see things not as they are, but as we are."
44
169000
3000
wir sehen die Dinge nicht so wie sie sind, sondern wie wir sind.
03:10
I certainlybestimmt would like to know what happenedpassiert to the personPerson
45
172000
2000
Ich würde gerne wissen, was mit der Person passiert ist,
03:12
who had that insightEinblick back then,
46
174000
3000
die damals diese Erkenntnis hatte,
03:15
if they actuallytatsächlich followedgefolgt it to its ultimateLetztendlich conclusionSchlussfolgerung.
47
177000
4000
ob sie das damals wirklich bis zum Ende durchdacht haben?
03:21
So if the worldWelt is not as it seemsscheint and we see things as we are,
48
183000
2000
Also wenn die Welt nicht so ist, wie sie scheint, und wir Dinge so sehen, wie wir sind,
03:23
then what we call realityWirklichkeit is a kindArt of hallucinationHalluzination
49
185000
6000
dann ist die Realität in Wirklichkeit eine Art Halluzination,
03:29
happeningHappening insideinnen here. It's a wakingaufwachen dreamTraum,
50
191000
3000
die hier drinnen stattfindet. Sie ist ein Wachtraum.
03:32
and understandingVerstehen that that is what we actuallytatsächlich existexistieren in
51
194000
5000
Und zu verstehen, daß dies ist, worin wir leben,
03:37
is one of the biggestgrößte epistemologicalerkenntnistheoretische barriersBarrieren in humanMensch historyGeschichte.
52
199000
5000
ist eine der größten erkenntnistheoretischen Hürden der Menschheitsgeschichte.
03:42
And what that meansmeint: "simpleeinfach and understandableverständlich"
53
204000
2000
Und das heißt:"einfach und verstehbar"
03:44
mightMacht not be actuallytatsächlich simpleeinfach or understandableverständlich,
54
206000
3000
könnte eventuell nicht einfach und verstehbar sein,
03:47
and things we think are "complexKomplex" mightMacht be madegemacht simpleeinfach and understandableverständlich.
55
209000
6000
und Dinge, die wir für komplex halten, könnten eventuell einfach und verstehbar gemacht werden.
03:53
SomehowIrgendwie we have to understandverstehen ourselvesuns selbst to get around our flawsFehler.
56
215000
4000
Irgendwie müssen wir uns selbst verstehen, um unsere Unzulänglichkeiten zu umgehen.
03:57
We can think of ourselvesuns selbst as kindArt of a noisylaut channelKanal.
57
219000
2000
Wir können uns selbst als verrauschten Sender sehen.
03:59
The way I think of it is, we can't learnlernen to see
58
221000
5000
Ich sehe das so, daß wir nicht sehen lernen können,
04:04
untilbis we admiteingestehen we're blindblind.
59
226000
2000
solange wir nicht zugeben, daß wir blind sind.
04:06
OnceEinmal you startAnfang down at this very humbledemütigen levelEbene,
60
228000
4000
Wenn man einmal auf dieses bescheidene Niveau herabgestiegen ist,
04:10
then you can startAnfang findingErgebnis waysWege to see things.
61
232000
3000
dann kann man lernen, Dinge zu sehen.
04:13
And what's happenedpassiert, over the last 400 yearsJahre in particularinsbesondere,
62
235000
5000
Und was besonders in den letzten vierhundert Jahren passiert ist,
04:18
is that humanMensch beingsWesen have inventederfunden "brainletsBrainlets" --
63
240000
3000
ist daß Menschen "Brainlets" erfunden haben,
04:21
little additionalzusätzliche partsTeile for our brainGehirn --
64
243000
4000
kleine Zusatzteile für unser Gehirn,
04:25
madegemacht out of powerfulmächtig ideasIdeen that help us
65
247000
2000
aus einflußreichen Ideen, die uns dabei unterstützen,
04:27
see the worldWelt in differentanders waysWege.
66
249000
2000
die Welt anders zu sehen.
04:29
And these are in the formbilden of sensorysensorisch apparatusApparat --
67
251000
3000
Die gibt es als Sinnesgeräte --
04:32
telescopesTeleskope, microscopesMikroskope -- reasoningArgumentation apparatusApparat --
68
254000
5000
Teleskope, Mikroskope -- Denkgeräte,
04:37
variousverschiedene waysWege of thinkingDenken -- and, mostdie meisten importantlywichtig,
69
259000
4000
verschiedene Denkarten, und am wichtigsten,
04:41
in the abilityFähigkeit to changeVeränderung perspectivePerspektive on things.
70
263000
4000
die Fähigkeit, den Blickwinkel zu verändern.
04:45
I'll talk about that a little bitBit.
71
267000
1000
Ich werde darüber ein bißchen reden.
04:46
It's this changeVeränderung in perspectivePerspektive
72
268000
2000
Genau dieser Standpunktswechsel
04:48
on what it is we think we're perceivingwahrzunehmen
73
270000
3000
und was wir denken, das wir sehen,
04:51
that has helpedhalf us make more progressFortschritt in the last 400 yearsJahre
74
273000
5000
haben uns befähigt, in den letzten vierhundert Jahren größere Fortschritte zu machen
04:56
than we have in the restsich ausruhen of humanMensch historyGeschichte.
75
278000
2000
als während der ganzen restlichen Menschheitsgeschichte.
04:58
And yetnoch, it is not taughtgelehrt in any K throughdurch 12 curriculumLehrplan in AmericaAmerika that I'm awarebewusst of.
76
280000
8000
Und trotzdem taucht es in keinem mir bekannten K-12 Lehrplan in Amerika auf.
05:11
So one of the things that goesgeht from simpleeinfach to complexKomplex
77
293000
2000
Also, man kommt schnell vom Einfachen zum Komplexen,
05:13
is when we do more. We like more.
78
295000
3000
wenn man mehr macht. Das mögen wir.
05:16
If we do more in a kindArt of a stupidblöd way,
79
298000
3000
Wenn man auf irgendeine dumme Art mehr macht,
05:19
the simplicityEinfachheit getsbekommt complexKomplex
80
301000
3000
wird das Einfache schnell kompliziert.
05:22
and, in factTatsache, we can keep on doing it for a very long time.
81
304000
5000
Und das kann man tatsächlich sehr lange so weitermachen.
05:27
But MurrayMurray Gell-MannGell-Mann yesterdaygestern talkedsprach about emergentEmergent propertiesEigenschaften;
82
309000
3000
Aber Murray Gell-Mann hat gestern über aufkommende Eigenschaften geredet.
05:30
anotherein anderer nameName for them could be "architecturedie Architektur"
83
312000
4000
Alternativ könnte man es "Architektur" nennen,
05:34
as a metaphorMetapher for takingunter the samegleich oldalt materialMaterial
84
316000
4000
als eine Metapher für die Verwendung des gleichen alten Materials,
05:38
and thinkingDenken about non-obviousnicht offensichtliche, non-simple-einfache waysWege of combiningKombination it.
85
320000
7000
das auf nichtoffensichtliche, nichttriviale Weise neu kombiniert wird.
05:45
And in factTatsache, what MurrayMurray was talkingim Gespräch about yesterdaygestern in the fractalFraktal beautySchönheit of natureNatur --
86
327000
8000
Und was Murray gestern erzählt hat über die fraktale Schönheit der Natur,
05:53
of havingmit the descriptionsBeschreibungen
87
335000
2000
darüber, daß die Beschreibungen
05:55
at variousverschiedene levelsEbenen be ratherlieber similarähnlich --
88
337000
4000
auf verschiedenen Stufen recht ähnlich sind,
05:59
all goesgeht down to the ideaIdee that the elementaryelementar particlesPartikel
89
341000
5000
das alles geht eigentlich auf die Vorstellung zurück, daß die Elementarteilchen
06:04
are bothbeide stickyklebrig and standoffishabweisend,
90
346000
3000
gleichzeitig klebrig und abstandhalterig sind
06:07
and they're in violentheftig motionBewegung.
91
349000
4000
und sich in heftiger Bewegung befinden.
06:11
Those threedrei things give riseerhebt euch to all the differentanders levelsEbenen
92
353000
3000
Diese drei Sachen erzeugen alle unterschiedlichen Stufen
06:14
of what seemscheinen to be complexityKomplexität in our worldWelt.
93
356000
4000
von Komplexitität in unserer Welt.
06:20
But how simpleeinfach?
94
362000
2000
Aber wie einfach?
06:22
So, when I saw Roslings'Roslings GapminderGapminder stuffSachen a fewwenige yearsJahre agovor,
95
364000
5000
Als ich vor ein paar Jahren Roslings Gapminder-Kram gesehen habe,
06:27
I just thought it was the greatestgrößte thing I'd seengesehen
96
369000
2000
habe ich das für das Größte gehalten, was ich je gesehen habe,
06:29
in conveyingVermittlung von complexKomplex ideasIdeen simplyeinfach.
97
371000
5000
um komplizierte Ideen einfach zu vermitteln.
06:34
But then I had a thought of, "BoyJunge, maybe it's too simpleeinfach."
98
376000
3000
Aber dann dachte ich, Junge, vielleicht ist es zu einfach.
06:37
And I put some effortAnstrengung in to try and checkprüfen
99
379000
5000
Und ich habe mich bemüht, zu überprüfen
06:42
to see how well these simpleeinfach portrayalsDarstellungen of trendsTrends over time
100
384000
4000
wie gut diese einfachen Beschreibungen von Trends über die Zeit
06:46
actuallytatsächlich matchedabgestimmt up with some ideasIdeen and investigationsUntersuchungen from the sideSeite,
101
388000
5000
wirklich mit ein paar Ideen und Untersuchungen von dieser Seite übereinstimmten;
06:51
and I foundgefunden that they matchedabgestimmt up very well.
102
393000
2000
und ich fand heraus, daß sie sehr gut übereinstimmten.
06:53
So the RoslingsRoslings have been ablefähig to do simplicityEinfachheit
103
395000
5000
Roslings waren also in der Lage, Einfachheit zu erzeugen,
06:58
withoutohne removingEntfernen what's importantwichtig about the dataDaten.
104
400000
4000
ohne wichtige Daten wegzulassen.
07:02
WhereasWährend the filmFilm yesterdaygestern that we saw
105
404000
4000
Wohingegen der Film gestern,
07:06
of the simulationSimulation of the insideinnen of a cellZelle,
106
408000
2000
über die Simulation eines Zellinneren,
07:08
as a formerehemalige molecularmolekular biologistBiologe, I didn't like that at all.
107
410000
6000
mir als früherem Molekularbiologen überhaupt nicht gefiel.
07:14
Not because it wasn'twar nicht beautifulschön or anything,
108
416000
2000
Nicht weil er nicht schön war oder so,
07:16
but because it missesvermisst the thing that mostdie meisten studentsStudenten failScheitern to understandverstehen
109
418000
5000
sondern weil er nicht erwähnt hat, was die meisten Studenten nicht verstehen,
07:21
about molecularmolekular biologyBiologie, and that is:
110
423000
3000
wenn es um Molekularbiologie geht, nämlich
07:24
why is there any probabilityWahrscheinlichkeit at all of two complexKomplex shapesFormen
111
426000
5000
warum es überhaupt die Möglichkeit gibt, daß zwei komplexe Formen
07:29
findingErgebnis eachjede einzelne other just the right way
112
431000
2000
sich auf genau die richtige Weise finden
07:31
so they combinekombinieren togetherzusammen and be catalyzedkatalysiert?
113
433000
3000
und sich verbinden und katalysiert werden.
07:34
And what we saw yesterdaygestern was
114
436000
2000
Was wir gestern gesehen haben war,
07:36
everyjeden reactionReaktion was fortuitouszufällige;
115
438000
3000
daß jede Reaktion zufällig passiert ist.
07:39
they just swoopedstürzten in the airLuft and boundgebunden, and something happenedpassiert.
116
441000
4000
Sie sind einfach in der Luft zusammengeschossen und haben gebunden, und irgendwas passierte.
07:43
But in factTatsache, those moleculesMoleküle are spinningSpinnen at the ratePreis of
117
445000
4000
Aber tatsächlich drehen sich diese Moleküle mit einer Geschwindigkeit
07:47
about a millionMillion revolutionsRevolutionen perpro secondzweite;
118
449000
3000
von ungefähr einer Million Umdrehungen pro Sekunde.
07:50
they're agitatingrührend back and forthher theirihr sizeGröße everyjeden two nanosecondsNanosekunden;
119
452000
6000
Sie werden alle zwei Nanosekunden soweit vor- und zurückgeschüttelt wie sie groß sind.
07:56
they're completelyvollständig crowdedüberfüllt togetherzusammen, they're jammedgestaute,
120
458000
3000
Sie sind komplett zusammendrängt. Eingeklemmt.
07:59
they're bashingbashing up againstgegen eachjede einzelne other.
121
461000
3000
Sie schlagen aufeinander ein.
08:02
And if you don't understandverstehen that in your mentalgeistig modelModell- of this stuffSachen,
122
464000
3000
Und wenn man das nicht in seinem geistigen Modell dieses Zeugs versteht,
08:05
what happensdas passiert insideinnen of a cellZelle seemsscheint completelyvollständig mysteriousgeheimnisvoll and fortuitouszufällige,
123
467000
5000
dann ist das, was in einer Zelle passiert komplett mysteriös und regellos.
08:10
and I think that's exactlygenau the wrongfalsch imageBild
124
472000
2000
Ich glaube, das ist genau das falsche Bild,
08:12
for when you're tryingversuchen to teachlehren scienceWissenschaft.
125
474000
3000
wenn man versucht, Naturwissenschaften zu unterrichten.
08:18
So, anotherein anderer thing that we do is to confuseverwirren adultErwachsene sophisticationRaffinesse
126
480000
5000
Eine andere Sache, die wir machen, ist Erwachsenenerfahrung mit
08:23
with the actualtatsächlich understandingVerstehen of some principlePrinzip.
127
485000
5000
wahrem Verstehen eines Prinzips zu verwechseln.
08:28
So a kidKind who'swer ist 14 in highhoch schoolSchule
128
490000
2000
Ein 14jähriges Kind bekommt in der Schule,
08:30
getsbekommt this versionVersion of the PythagoreanSatz des Pythagoras theoremTheorem,
129
492000
6000
diese Version des Satzes von Pythagoras,
08:36
whichwelche is a trulywirklich subtlesubtil and interestinginteressant proofBeweis,
130
498000
3000
die wirklich sehr spitzfindig und interessant ist,
08:39
but in factTatsache it's not a good way to startAnfang learningLernen about mathematicsMathematik.
131
501000
7000
aber eigentlich keine gute Herangehensweise an Mathematik.
08:46
So a more directdirekt one, one that givesgibt you more of the feelingGefühl of mathMathe,
132
508000
5000
Also eine direktere, eine, die einem mehr Gefühl für Mathe vermittelt,
08:51
is something closernäher to Pythagoras'Pythagoras ownbesitzen proofBeweis, whichwelche goesgeht like this:
133
513000
4000
ist etwas näher an Pythagoras' eigenem Beweis und geht so:
08:55
so here we have this triangleDreieck, and if we surroundumgeben that C squarePlatz with
134
517000
6000
Wir haben hier dieses Dreieck und wir umgeben dieses C Quadrat mit
09:01
threedrei more trianglesDreiecke and we copyKopieren that,
135
523000
3000
drei weiteren Dreiecken und kopieren das.
09:04
noticebeachten that we can moveBewegung those trianglesDreiecke down like this.
136
526000
5000
Beachten Sie, daß wir diese Dreiecke so herunterbewegen können,
09:09
And that leavesBlätter two openöffnen areasBereiche that are kindArt of suspiciousverdächtig ...
137
531000
3000
und das läßt zwei Stellen frei, die irgendwie verdächtig sind,
09:12
and bingoBingo. That is all you have to do.
138
534000
7000
und bingo! Das ist alles was man tun muß.
09:19
And this kindArt of proofBeweis is the kindArt of proofBeweis
139
541000
2000
Dieser Beweis ist der Beweis,
09:21
that you need to learnlernen when you're learningLernen mathematicsMathematik
140
543000
3000
den man lernen muß, wenn man Mathematik lernt,
09:24
in orderAuftrag to get an ideaIdee of what it meansmeint
141
546000
3000
damit man eine Vorstellung bekommt, was es bedeutet,
09:27
before you look into the, literallybuchstäblich, 1,200 or 1,500 proofsBeweise
142
549000
4000
bevor man sich die buchstäblich zwölf- oder fünfzehnhundert Beweise
09:31
of Pythagoras'Pythagoras theoremTheorem that have been discoveredentdeckt.
143
553000
3000
des Satzes von Pythagoras anguckt, die bis jetzt gefunden wurden.
09:37
Now let's go to youngjung childrenKinder.
144
559000
3000
Jetzt lassen Sie uns zu jüngeren Kindern gehen.
09:40
This is a very unusualungewöhnlich teacherLehrer
145
562000
2000
Das ist eine sehr ungewöhnliche Lehrerin,
09:42
who was a kindergartenKindergarten and first-gradeerste-Klasse teacherLehrer,
146
564000
4000
die eine Kindergartenerzieherin und Grundschullehrerin,
09:46
but was a naturalnatürlich mathematicianMathematiker.
147
568000
2000
aber eine natürliche Mathematikerin war.
09:48
So she was like that jazzJazz musicianMusiker friendFreund you have who never studiedstudiert musicMusik-
148
570000
5000
Sie war also so wie Ihr Freund, der Jazzmusiker, der nie Musik studiert hat,
09:53
but is a terrificSuper musicianMusiker;
149
575000
2000
aber ein ausgezeichneter Musiker ist.
09:55
she just had a feelingGefühl for mathMathe.
150
577000
2000
Sie hatte einfach ein Gefühl für Mathe.
09:57
And here are her six-year-oldsSechsjährige,
151
579000
3000
Und hier sind ihre Sechsjährigen,
10:00
and she's got them makingHerstellung shapesFormen out of a shapegestalten.
152
582000
5000
und sie hat sie dazu gebracht, Formen aus Formen zu machen.
10:05
So they pickwähle a shapegestalten they like -- like a diamondDiamant, or a squarePlatz,
153
587000
2000
Sie nehmen also eine Form, die sie mögen -- einen Diamanten oder ein Quadrat
10:07
or a triangleDreieck, or a trapezoidTrapez -- and then they try and make
154
589000
3000
oder ein Dreieck oder ein Trapez -- und dann versuchen sie,
10:10
the nextNächster largergrößer shapegestalten of that samegleich shapegestalten, and the nextNächster largergrößer shapegestalten.
155
592000
4000
die nächstgrößere Form der gleichen Form und dann die nächstgrößere zu machen.
10:14
You can see the trapezoidsTrapeze are a little challengingherausfordernd there.
156
596000
4000
Und Sie können sehen, daß die Trapeze hier eine kleine Herausforderung sind.
10:18
And what this teacherLehrer did on everyjeden projectProjekt
157
600000
3000
Und was diese Lehrerin bei jedem Projekt gemacht hat,
10:21
was to have the childrenKinder actHandlung like first it was a creativekreativ artsKunst projectProjekt,
158
603000
5000
war die Kinder dazu zu bringen, sich zuerst so wie bei einem Kunstprojekt zu verhalten
10:26
and then something like scienceWissenschaft.
159
608000
2000
und dann irgendwie wie bei Wissenschaft.
10:28
So they had createderstellt these artifactsArtefakte.
160
610000
2000
Also haben sie diese Stücke hier produziert.
10:30
Now she had them look at them and do this ... laboriousmühsam,
161
612000
4000
Und dann mußten sie sie sich ansehen, und zwar umständlich --
10:34
whichwelche I thought for a long time, untilbis she explainederklärt to me was
162
616000
4000
ich dachte das zumindest lange Zeit, bis sie mir erklärt hat, das sei,
10:38
to slowlangsam them down so they'llsie werden think.
163
620000
3000
um sie etwas auszubremsen, damit sie nachdenken.
10:41
So they're cuttingSchneiden out the little piecesStücke of cardboardKarton here
164
623000
3000
Sie sollten also diese kleinen Pappstücke ausschneiden
10:44
and pastingEinfügen von them up.
165
626000
2000
und sie aufkleben.
10:46
But the wholeganze pointPunkt of this thing is
166
628000
4000
Aber es ging eigentlich darum,
10:50
for them to look at this chartDiagramm and fillfüllen it out.
167
632000
3000
daß sie diese Tabelle anschauen und sie ausfüllen.
10:53
"What have you noticedbemerkt about what you did?"
168
635000
4000
Was hast du beobachtet bei dem, was du getan hast?
10:57
And so six-year-oldSechsjährig LaurenLauren there noticedbemerkt that the first one tookdauerte one,
169
639000
4000
Und die sechs Jahre alte Lauren hier hat bemerkt, daß sie für das erste eins gebraucht hat,
11:01
and the secondzweite one tookdauerte threedrei more
170
643000
5000
und für das zweite drei mehr
11:06
and the totalgesamt was fourvier on that one,
171
648000
2000
und zusammen waren es bei dem hier vier.
11:08
the thirddritte one tookdauerte fivefünf more and the totalgesamt was nineneun on that one,
172
650000
4000
Für das dritte brauchte man vier mehr, insgesamt waren es hier neun,
11:12
and then the nextNächster one.
173
654000
1000
und dann das nächste.
11:13
She saw right away that the additionalzusätzliche tilesFliesen that you had to addhinzufügen
174
655000
5000
Also sah sie sofort, daß die zusätzlichen Plättchen,
11:18
around the edgesKanten was always going to growgrößer werden by two,
175
660000
4000
die man an die Kanten anlegen mußte, immer um zwei anwuchsen.
11:22
so she was very confidentzuversichtlich about how she madegemacht those numbersNummern there.
176
664000
3000
Sie war sich also sehr sicher, wie sie zu diesen Zahlen gekommen war.
11:25
And she could see that these were the squarePlatz numbersNummern up untilbis about sixsechs,
177
667000
5000
Und sie konnte erkennen, daß das hier die Quadratzahlen bis ungefähr sechs waren.
11:30
where she wasn'twar nicht sure what sixsechs timesmal sixsechs was
178
672000
3000
Hier war sie nicht sicher, was sechs mal sechs war,
11:33
and what sevenSieben timesmal sevenSieben was,
179
675000
2000
und was sieben mal sieben war.
11:35
but then she was confidentzuversichtlich again.
180
677000
3000
Aber dann war sie sich wieder sicher.
11:38
So that's what LaurenLauren did.
181
680000
2000
Das ist also, was Lauren gemacht hat.
11:40
And then the teacherLehrer, GillianGillian IshijimaIshijima, had the kidsKinder
182
682000
4000
Und dann ließ die Lehrerin, Gillian Ishijima, die Kinder
11:44
bringbringen all of theirihr projectsProjekte up to the frontVorderseite of the roomZimmer and put them on the floorStock,
183
686000
3000
alle ihre Projekte nach vorne bringen und auf den Boden legen.
11:47
and everybodyjeder wentging batshitbatshit: "HolyHeiligen shitScheisse! They're the samegleich!"
184
689000
8000
Und jeder ist durchgedreht. Heilige Scheiße! Die sind alle gleich!
11:55
No matterAngelegenheit what the shapesFormen were, the growthWachstum lawRecht is the samegleich.
185
697000
4000
Egal welche Formen es waren, das Wachstumsgesetz ist dasselbe.
11:59
And the mathematiciansMathematiker and scientistsWissenschaftler in the crowdMenge
186
701000
3000
Die Mathematiker und Naturwissenschaftler in der Menge
12:02
will recognizeerkenne these two progressionsProgressionen
187
704000
2000
werden diese beiden Progressionen
12:04
as a first-ordererster Ordnung discretediskret differentialDifferential equationGleichung
188
706000
3000
als diskrete Differentialgleichung erster Ordnung
12:07
and a second-orderzweiter Ordnung discretediskret differentialDifferential equationGleichung,
189
709000
5000
und als diskrete Differentialgleichung zweiter Ordnung erkennen.
12:12
derivedabgeleitet by six-year-oldsSechsjährige.
190
714000
4000
Von Sechsjährigen abgeleitet.
12:16
Well, that's prettyziemlich amazingtolle.
191
718000
1000
Nun, das ist ziemlich erstaunlich.
12:17
That isn't what we usuallygewöhnlich try to teachlehren six-year-oldsSechsjährige.
192
719000
3000
Das unterrichten wir normalerweise nicht bei Sechsjährigen.
12:20
So, let's take a look now at how we mightMacht use the computerComputer for some of this.
193
722000
7000
Sehen wir uns an, wie man einen Computer für so etwas verwenden könnte.
12:27
And so the first ideaIdee here is
194
729000
4000
Also der erste Gedanke ist,
12:31
just to showShow you the kindArt of things that childrenKinder do.
195
733000
4000
Ihnen einfach zu zeigen, was Kinder so tun.
12:35
I'm usingmit the softwareSoftware that we're puttingPutten on the $100 laptopLaptop.
196
737000
5000
Ich verwende Programme, die wir auf 100$ Laptops aufspielen.
12:40
So I'd like to drawzeichnen a little carAuto here --
197
742000
6000
Ich würde jetzt gern ein kleines Auto malen.
12:46
I'll just do this very quicklyschnell -- and put a biggroß tireReifen on him.
198
748000
7000
Nur sehr schnell. Und ein großes Rad dran machen.
12:59
And I get a little objectObjekt here and I can look insideinnen this objectObjekt,
199
761000
4000
Und hier habe ich ein kleines Objekt, und da kann ich reingucken.
13:03
I'll call it a carAuto. And here'shier ist a little behaviorVerhalten: carAuto forwardVorwärts-.
200
765000
5000
Ich nenne es Auto. Und das lasse ich jetzt vorwärts fahren.
13:08
EachJedes time I clickklicken it, carAuto turnWende.
201
770000
3000
Und jedesmal wenn ich klicke, fahre eine Kurve, Auto.
13:11
If I want to make a little scriptSkript to do this over and over again,
202
773000
2000
Wenn ich ein kleines Skript machen will, um das immer wieder zu wiederholen,
13:13
I just dragziehen these guys out and setSet them going.
203
775000
5000
ziehe ich diese Dinge hier heraus und bringe sie zum laufen.
13:20
And I can try steeringLenkung the carAuto here by ...
204
782000
3000
Und ich kann probieren, das Auto hier zu steuern, indem ich --
13:23
See the carAuto turnWende by fivefünf here?
205
785000
2000
sehen Sie das Auto hier um fünf abbiegen?
13:25
So what if I clickklicken this down to zeroNull?
206
787000
3000
Und was passiert, wenn ich das auf null drehe?
13:28
It goesgeht straightGerade. That's a biggroß revelationOffenbarung for nine-year-oldsneun-jährigen.
207
790000
5000
Es fährt geradeaus. Das ist eine kleine Offenbarung für Neunjährige.
13:33
Make it go in the other directionRichtung.
208
795000
2000
Es in die andere Richtung fahren lassen.
13:35
But of courseKurs, that's a little bitBit like kissingküssend your sisterSchwester
209
797000
2000
Aber das ist natürlich ein bißchen, wie die eigene Schwester zu küssen,
13:37
as farweit as drivingFahren a carAuto,
210
799000
3000
soweit es ums Autofahren geht.
13:40
so the kidsKinder want to do a steeringLenkung wheelRad;
211
802000
3000
Die Kinder wollen ein Lenkrad machen.
13:43
so they drawzeichnen a steeringLenkung wheelRad.
212
805000
3000
Also zeichnen sie ein Lenkrad.
13:46
And we'llGut call this a wheelRad.
213
808000
5000
Und wir nennen es Rad.
13:51
See this wheel'sdes Rades headingÜberschrift here?
214
813000
4000
Und, sehen Sie die Ausrichtung hier?
13:55
If I turnWende this wheelRad, you can see that numberNummer over there going minusMinus- and positivepositiv.
215
817000
5000
Wenn ich das Rad drehe, können Sie erkennen, daß diese Zahlen hier negativ und positiv werden.
14:00
That's kindArt of an invitationEinladung to pickwähle up this nameName of
216
822000
2000
Das ist irgendwie eine Einladung, den Namen dieser Zahlen,
14:02
those numbersNummern comingKommen out there
217
824000
3000
die da rauskommen zu nehmen
14:05
and to just dropfallen it into the scriptSkript here,
218
827000
2000
und sie einfach in dieses Skript reinfallen zu lassen.
14:07
and now I can steerSteuern the carAuto with the steeringLenkung wheelRad.
219
829000
5000
Und jetzt kann ich das Auto mit dem Lenkrad lenken.
14:12
And it's interestinginteressant.
220
834000
2000
Und das ist interessant.
14:14
You know how much troubleÄrger the childrenKinder have with variablesVariablen,
221
836000
3000
Sie wissen, wieviel Schwierigkeiten Kinder mit Variablen haben.
14:17
but by learningLernen it this way, in a situatedgelegen fashionMode,
222
839000
2000
Aber wenn sie es so lernen, situationsbezogen,
14:19
they never forgetvergessen from this singleSingle trialVersuch
223
841000
3000
vergessen sie nie wieder, nur wegen dieses einen Versuchs,
14:22
what a variableVariable is and how to use it.
224
844000
3000
was eine Variable ist und wie man sie verwendet.
14:25
And we can reflectreflektieren here the way GillianGillian IshijimaIshijima did.
225
847000
2000
Und jetzt können wir darüber so wie Gillian Ishijima reflektieren.
14:27
So if you look at the little scriptSkript here,
226
849000
2000
Also, wenn man sich dieses kleine Skript hier ansieht,
14:29
the speedGeschwindigkeit is always going to be 30.
227
851000
2000
ist die Geschwindigkeit immer 30.
14:31
We're going to moveBewegung the carAuto accordingnach to that over and over again.
228
853000
5000
Wir werden das Auto dementsprechend immer wieder so bewegen.
14:36
And I'm droppingfallen a little dotPunkt for eachjede einzelne one of these things;
229
858000
4000
Und ich lasse einen kleinen Punkt für jedes dieser Teile fallen.
14:40
they're evenlygleichmäßig spacedAbstand because they're 30 apartein Teil.
230
862000
3000
Diese sind gleich weit auseinander, weil sie 30 voneinander entfernt sind.
14:43
And what if I do this progressionProgression that the six-year-oldsSechsjährige did
231
865000
3000
Und wenn man diese Progression von den Sechsjährigen nimmt,
14:46
of sayingSprichwort, "OK, I'm going to increaseerhöhen, ansteigen the speedGeschwindigkeit by two eachjede einzelne time,
232
868000
5000
indem man sagt, OK, ich werde die Geschwindigkeit jeweils um zwei erhöhen,
14:51
and then I'm going to increaseerhöhen, ansteigen the distanceEntfernung by the speedGeschwindigkeit eachjede einzelne time?
233
873000
3000
und dann werde ich den Abstand entsprechend der Geschwindigkeit jedesmal vergrößern?
14:54
What do I get there?"
234
876000
4000
Was bekomme ich dann?
14:58
We get a visualvisuell patternMuster of what these nine-year-oldsneun-jährigen callednamens accelerationBeschleunigung.
235
880000
7000
Wir erhalten ein visuelles Schema von dem, was die Neunjährigen Beschleunigung nennen.
15:05
So how do the childrenKinder do scienceWissenschaft?
236
887000
2000
Also wie haben die Kinder jetzt Wissenschaft gemacht?
15:08
(VideoVideo) TeacherLehrer: [ChooseWählen Sie] objectsObjekte that you think will fallfallen to the EarthErde at the samegleich time.
237
890000
3000
Lehrer: Objekte, von denen man denken würde, daß sie gleichzeitig zu Boden fallen --
15:11
StudentStudent 1: OohOoh, this is nicenett.
238
893000
3000
Kind: Sehr schön.
15:18
TeacherLehrer: Do not payZahlen any attentionAufmerksamkeit
239
900000
2000
Lehrer: Schaut nicht,
15:20
to what anybodyirgendjemand elsesonst is doing.
240
902000
3000
was andere tun.
15:35
Who'sWer die got the appleApfel?
241
917000
2000
Wer hat den Apfel?
15:37
AlanAlan KayKay: They'veSie haben got little stopwatchesStoppuhren.
242
919000
2000
Alan Kay: Sie haben kleine Stopuhren
15:44
StudentStudent 2: What did you get? What did you get?
243
926000
2000
Lehrer: Was bekommst du heraus? Was hast du herausbekommen?
15:46
AKAK: StopwatchesStoppuhren aren'tsind nicht accurategenau enoughgenug.
244
928000
3000
AK: Stopuhren sind nicht genau genug.
15:49
StudentStudent 3: 0.99 secondsSekunden.
245
931000
2000
Mädchen: 0,99 Sekunden
15:52
TeacherLehrer: So put "spongeSchwamm ballBall" ...
246
934000
3000
Lehrer: Also schreib "Schaumstoffball" --
15:56
StudentStudent 4l: [I decidedbeschlossen to] do the shotSchuss put and the spongeSchwamm ballBall
247
938000
3000
Mädchen: Da waren eine Kugel und ein Schaumstoffball,
15:59
because they're two totallytotal differentanders weightsGewichte,
248
941000
3000
weil es zwei völlig verschiedene Gewichte sind.
16:02
and if you dropfallen them at the samegleich time,
249
944000
2000
Und wenn man sie zugleich fallen läßt,
16:04
maybe they'llsie werden dropfallen at the samegleich speedGeschwindigkeit.
250
946000
2000
fallen sie vielleicht gleichschnell.
16:06
TeacherLehrer: DropTropfen. ClassKlasse: WhoaWhoa!
251
948000
2000
Lehrer: Fallen lassen.
16:10
AKAK: So obviouslyoffensichtlich, AristotleAristoteles never askedaufgefordert a childKind
252
952000
3000
AK: Also offensichtlich hat Aristoteles niemals ein Kind
16:13
about this particularinsbesondere pointPunkt
253
955000
3000
darüber befragt,
16:16
because, of courseKurs, he didn't botherdie Mühe doing the experimentExperiment,
254
958000
2000
weil er sich natürlich nicht um das Experiment gekümmert hat,
16:18
and neitherweder did StSt.. ThomasThomas AquinasThomas von Aquin.
255
960000
2000
und der Heilige Thomas von Aquin auch nicht.
16:20
And it was not untilbis GalileoGalileo actuallytatsächlich did it
256
962000
2000
Erst als Galileo es wirklich gemacht hat,
16:22
that an adultErwachsene thought like a childKind,
257
964000
3000
hat ein Erwachsener wie ein Kind gedacht.
16:25
only 400 yearsJahre agovor.
258
967000
3000
Erst vor 400 Jahren.
16:28
We get one childKind like that about everyjeden classroomKlassenzimmer of 30 kidsKinder
259
970000
4000
Etwa einmal pro Klasse mit 30 Kindern hat man so ein Kind,
16:32
who will actuallytatsächlich cutschneiden straightGerade to the chaseChase.
260
974000
3000
das gleich zum Kern der Sache kommt.
16:35
Now, what if we want to look at this more closelyeng?
261
977000
3000
Und was, wenn wir das jetzt etwas genauer anschauen wollen?
16:38
We can take a movieFilm of what's going on,
262
980000
3000
Wir können einen Film davon aufnehmen,
16:41
but even if we singleSingle steppedtrat this movieFilm,
263
983000
2000
aber selbst wenn wir uns den Film schrittweise ansehen,
16:43
it's trickyschwierig to see what's going on.
264
985000
2000
ist es schwer zu erkennen, was passiert.
16:45
And so what we can do is we can laylegen out the framesRahmen sideSeite by sideSeite
265
987000
3000
Was man also tun kann ist, die Einzelbilder nebeneinander zu legen
16:48
or stackStapel them up.
266
990000
2000
oder sie aufzustapeln.
16:50
So when the childrenKinder see this, they say, "AhAch! AccelerationBeschleunigung,"
267
992000
5000
Wenn die Kinder das sehen, sagen sie: "Ah, Beschleunigung,"
16:55
rememberingErinnern back fourvier monthsMonate when they did theirihr carsAutos sidewaysseitwärts,
268
997000
3000
weil sie sich daran erinnern, daß sie vor vier Monaten seitwärts gesteuert haben.
16:58
and they startAnfang measuringMessung to find out what kindArt of accelerationBeschleunigung it is.
269
1000000
6000
Und dann fangen sie an zu messen, um herauszufinden, was für eine Art Beschleunigung es ist.
17:04
So what I'm doing is measuringMessung from the bottomBoden of one imageBild
270
1006000
6000
Was ich also mache ist, vom Untterrand eines Bildes
17:10
to the bottomBoden of the nextNächster imageBild, about a fifthfünfte of a secondzweite laterspäter,
271
1012000
5000
zum Unterrand des nächten Bildes zu messen, etwa eine Fünftelsekunde später.
17:15
like that. And they're gettingbekommen fasterschneller and fasterschneller eachjede einzelne time,
272
1017000
2000
So, und die werden jedesmal schneller.
17:17
and if I stackStapel these guys up, then we see the differencesUnterschiede; the increaseerhöhen, ansteigen
273
1019000
10000
Und wenn ich diese Freunde hier aufeinander lege, dann können wir den Unterschied sehen,
17:27
in the speedGeschwindigkeit is constantKonstante.
274
1029000
3000
der Geschwindigkeitszuwachs ist konstant.
17:30
And they say, "Oh, yeah. ConstantKonstante accelerationBeschleunigung.
275
1032000
2000
Und dann sagen sie, oh ja, konstante Beschleunigung.
17:32
We'veWir haben doneerledigt that alreadybereits."
276
1034000
2000
Haben wir schon gemacht.
17:34
And how shallsoll we look and verifyüberprüfen that we actuallytatsächlich have it?
277
1036000
8000
Und wie soll man überprüfen, ob das wirklich zutrifft?
17:42
So you can't tell much from just makingHerstellung the ballBall dropfallen there,
278
1044000
5000
Man kann nicht viel aussagen, nur weil man den Ball hat fallen lassen.
17:47
but if we dropfallen the ballBall and runLauf the movieFilm at the samegleich time,
279
1049000
4000
Aber wenn man den Ball fallen läßt und den Film gleichzeitig abspielt,
17:53
we can see that we have come up with an accurategenau physicalphysisch modelModell-.
280
1055000
5000
dann kann man sehen, daß wir ein korrektes physikalisches Modell entwickelt haben.
18:00
GalileoGalileo, by the way, did this very cleverlygeschickt
281
1062000
4000
Übrigens hat Galileo das sehr clever gemacht,
18:04
by runningLaufen a ballBall backwardsrückwärts down the stringsSaiten of his lutelaute.
282
1066000
3000
indem er einen Ball rückwärts auf den Saiten seiner Laute herunterrollen ließ.
18:07
I pulledgezogen out those applesÄpfel to reminderinnern myselfmich selber to tell you that
283
1069000
5000
Diese Äpfel sind hier, damit ich nicht vergesse, Ihnen zu sagen,
18:12
this is actuallytatsächlich probablywahrscheinlich a NewtonNewton and the appleApfel typeArt storyGeschichte,
284
1074000
5000
daß diese Geschichte wahrscheinlich sowas ist wie Newtons Apfelgeschichte,
18:17
but it's a great storyGeschichte.
285
1079000
2000
aber trotzdem eine tolle Geschichte.
18:19
And I thought I would do just one thing
286
1081000
2000
Ich dachte, ich sollte nur eine Sache
18:21
on the $100 laptopLaptop here just to provebeweisen that this stuffSachen worksWerke here.
287
1083000
10000
auf diesem 100$ Laptop vorführen, um zu zeigen, daß das hier funktioniert.
18:31
So onceEinmal you have gravitySchwerkraft, here'shier ist this --
288
1093000
3000
Sobald man also Schwerkraft hat, hier ist dieses --
18:34
increaseerhöhen, ansteigen the speedGeschwindigkeit by something,
289
1096000
2000
die Geschwindigkeit etwas raufsetzen,
18:36
increaseerhöhen, ansteigen the ship'sdes Schiffes speedGeschwindigkeit.
290
1098000
3000
die Raumschiffgeschwindigkeit raufsetzen.
18:39
If I startAnfang the little gameSpiel here that the kidsKinder have doneerledigt,
291
1101000
3000
Wenn ich dieses kleine Spiel der Kinder starte,
18:42
it'lles wird crashAbsturz the spacePlatz shipSchiff.
292
1104000
2000
dann wird so das Raumschiff zerstört.
18:44
But if I opposezu widersetzen gravitySchwerkraft, here we go ... OopsOops!
293
1106000
4000
Aber wenn ich der Schwerkraft entgegenwirke, so -- ups!
18:48
(LaughterLachen)
294
1110000
2000
(Gelächter).
18:50
One more.
295
1112000
1000
Nochmal.
18:54
Yeah, there we go. Yeah, OK?
296
1116000
5000
Ja, so. Ja, OK?
18:59
I guessvermuten the bestBeste way to endEnde this is with two quotesZitate:
297
1121000
7000
Ich glaube, ich schließe am besten mit zwei Zitaten.
19:06
MarshallMarshall McLuhanMcLuhan said,
298
1128000
2000
Marshall McLuhan hat gesagt:
19:08
"ChildrenKinder are the messagesNachrichten that we sendsenden to the futureZukunft,"
299
1130000
4000
"Kinder sind Nachrichten, die wir in die Zukunft schicken."
19:12
but in factTatsache, if you think of it,
300
1134000
2000
Aber wenn man darüber nachdenkt,
19:14
childrenKinder are the futureZukunft we sendsenden to the futureZukunft.
301
1136000
2000
sind Kinder die Zukunft, die wir in die Zukunft schicken.
19:16
ForgetVergessen about messagesNachrichten;
302
1138000
3000
Vergessen Sie die Nachrichten.
19:19
childrenKinder are the futureZukunft,
303
1141000
3000
Kinder sind die Zukunft.
19:22
and childrenKinder in the first and secondzweite worldWelt
304
1144000
2000
Und Kinder der ersten und zweiten Welt,
19:24
and, mostdie meisten especiallyinsbesondere, in the thirddritte worldWelt
305
1146000
3000
und besonders in der dritten Welt,
19:27
need mentorsMentoren.
306
1149000
2000
brauchen Mentoren.
19:29
And this summerSommer-, we're going to buildbauen fivefünf millionMillion of these $100 laptopsLaptops,
307
1151000
5000
Diesen Sommer bauen wir 5 Millionen dieser 100$-Laptops,
19:34
and maybe 50 millionMillion nextNächster yearJahr.
308
1156000
2000
und vielleicht 50 Millionen nächstes Jahr.
19:36
But we couldn'tkonnte nicht createerstellen 1,000 newneu teachersLehrer this summerSommer- to savesparen our life.
309
1158000
7000
Aber wir könnten keine tausend neuen Lehrer ausbilden, um unser Leben zu retten.
19:43
That meansmeint that we, onceEinmal again, have a thing where we can put technologyTechnologie out,
310
1165000
6000
Und das heißt, daß wir erneut so eine Sache haben, für die wir die Technik bereitstellen können,
19:49
but the mentoringMentoring that is requirederforderlich to go
311
1171000
3000
aber die Betreuung, die man braucht,
19:52
from a simpleeinfach newneu iChatiChat instantsofortig messagingMessaging systemSystem
312
1174000
5000
um von einem einfachen neuen iChat Sofortnachrichtendienst
19:57
to something with depthTiefe is missingfehlt.
313
1179000
2000
zu etwas mit mehr Tiefe zu gelangen, fehlt.
19:59
I believe this has to be doneerledigt with a newneu kindArt of userBenutzer interfaceSchnittstelle,
314
1181000
3000
Ich glaube, daß man das mit einer neuen Benutzeroberfläche machen muß.
20:02
and this newneu kindArt of userBenutzer interfaceSchnittstelle could be doneerledigt
315
1184000
4000
Und diese neue Oberfläche könnte mit
20:06
with an expenditureAusgaben of about 100 millionMillion dollarsDollar.
316
1188000
5000
Ausgaben von etwa 100 Millionen Dollar erstellt werden.
20:11
It soundsGeräusche like a lot, but it is literallybuchstäblich 18 minutesProtokoll of what we're spendingAusgaben in IraqIrak --
317
1193000
7000
Das hört sich viel an, aber es entspricht nur 18 Minuten Irakausgaben.
20:18
we're spendingAusgaben 8 billionMilliarde dollarsDollar a monthMonat; 18 minutesProtokoll is 100 millionMillion dollarsDollar --
318
1200000
5000
Wir geben da 8 Millionen Dollar pro Monat aus. 18 Minuten entsprechen 100 Millionen Dollar.
20:23
so this is actuallytatsächlich cheapbillig.
319
1205000
2000
Also ist das eigentlich billig.
20:25
And EinsteinEinstein said,
320
1207000
4000
Einstein hat gesagt,
20:29
"Things should be as simpleeinfach as possiblemöglich, but not simplereinfacher."
321
1211000
3000
"Mache die Dinge so einfach wie möglich. Aber nicht einfacher."
20:32
Thank you.
322
1214000
1000
Vielen Dank.
Translated by Ulf Hensen
Reviewed by Yvonne Balzer

▲Back to top

ABOUT THE SPEAKER
Alan Kay - Educator and computing pioneer
One of the true luminaries of personal computing, Alan Kay conceived of laptops and graphical interfaces years before they were realized. At XeroxPARC, Apple, HP and Disney, he has developed tools for improving the mind.

Why you should listen

"The best way to predict the future is to invent it." Alan Kay not only coined this favorite tech-world adage, but has proven its truth several times. A true polymath, as well as inventor, he has combined engineering brilliance with knowledge of child development, epistemology, molecular biology and more.

In the 1960s, Kay joined the computer team at XeroxPARC, where he worked on world-changing inventions like the graphical interface, object-oriented programming, and the personal computer itself. Later, at Apple, Atari, HP, Disney, and now at his own nonprofits, he has helped refine the tools he anticipated long before they were realized.

As the industry has blossomed, however, Kay continues to grapple with the deeper purpose of computing, struggling to create the machine that won't only recapitulate patterns in the world as we know it but will teach both children and adults to think, to see what otherwise is beyond them.

More profile about the speaker
Alan Kay | Speaker | TED.com