TED2018
Kai-Fu Lee: How AI can save our humanity
Kai-Fu Lee: Cómo la inteligencia artificial salvará a la humanidad
Filmed:
Readability: 4.7
3,583,197 views
Las IAs están transformando el mundo como lo conocemos, pero existe una sola cosa que ellas no pueden hacer: Amar. En una charla visionaria el científico computacional Kai-Fu Lee nos detalla cómo en EE. UU. y China están llevando a cabo la revolución del aprendizaje profundo... y nos comparte un mapa sobre cómo la humanidad puede prosperar en la era de las IAs al aprovecharse de nuestra compasión y creatividad. "La IA es una casualidad y están aquí para liberarnos de los trabajos repetitivos y recordarnos qué es lo que nos hace humanos." explica Lee.
Kai-Fu Lee - Investor, computer scientist
At Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies. Full bio
At Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies. Full bio
Double-click the English transcript below to play the video.
00:12
I'm going to talk about
how AI and mankind can coexist,
how AI and mankind can coexist,
0
640
4536
Hoy voy a hablar sobre cómo
la humanidad y la IA pueden coexistir,
la humanidad y la IA pueden coexistir,
00:17
but first, we have to rethink
about our human values.
about our human values.
1
5200
3816
pero antes tenemos que meditar sobre
nuestros valores como humanos.
nuestros valores como humanos.
00:21
So let me first make a confession
about my errors in my values.
about my errors in my values.
2
9040
4320
Primero quisiera hacer una confesión
de mis errores en mis valores.
de mis errores en mis valores.
00:25
It was 11 o'clock, December 16, 1991.
3
13920
4256
Eran las 11 en punto,
del 16 de diciembre de 1991.
del 16 de diciembre de 1991.
00:30
I was about to become a father
for the first time.
for the first time.
4
18200
2680
Estaba a punto de convertirme
en padre por primera vez.
en padre por primera vez.
00:33
My wife, Shen-Ling,
lay in the hospital bed
lay in the hospital bed
5
21480
2856
Shen-Ling, mi esposa,
yacía en una cama del hospital,
yacía en una cama del hospital,
00:36
going through a very difficult
12-hour labor.
12-hour labor.
6
24360
3080
y ya llevaba 12 horas difíciles de parto.
00:40
I sat by her bedside
7
28280
2296
Me encontraba sentado a su lado
00:42
but looked anxiously at my watch,
8
30600
2376
pero miraba con ansiedad el reloj,
00:45
and I knew something that she didn't.
9
33000
1800
sabiendo algo que ella ignoraba.
00:47
I knew that if in one hour,
10
35440
1800
Y era que si en una hora,
00:50
our child didn't come,
11
38360
1936
nuestro hijo no nacía,
00:52
I was going to leave her there
12
40320
1936
la iba a dejar sola en la cama
00:54
and go back to work
13
42280
1656
para volver al trabajo
00:55
and make a presentation about AI
14
43960
2576
y hacerle una presentación sobre IA
00:58
to my boss, Apple's CEO.
15
46560
2200
a mi jefe, el CEO de Apple.
01:03
Fortunately, my daughter
was born at 11:30 --
was born at 11:30 --
16
51160
3896
Por fortuna, mi hija nació a las 11:30...
01:07
(Laughter)
17
55080
1936
(Risas)
01:09
(Applause)
18
57040
1936
(Aplausos)
01:11
sparing me from doing the unthinkable,
19
59000
4336
salvándome de hacer lo impensado.
01:15
and to this day, I am so sorry
20
63360
2496
Y hasta este día, siento mucho
01:17
for letting my work ethic
take precedence over love for my family.
take precedence over love for my family.
21
65880
4656
que mi ética de trabajo
se antepusiera al amor a mi familia.
se antepusiera al amor a mi familia.
01:22
(Applause)
22
70560
5736
(Aplausos)
01:28
My AI talk, however, went off brilliantly.
23
76320
2616
Por otro lado, mi presentación
sobre IA salió brillante.
sobre IA salió brillante.
01:30
(Laughter)
24
78960
2736
(Risas)
01:33
Apple loved my work
and decided to announce it
and decided to announce it
25
81720
3136
A Apple le encantó mi presentación
y decidieron hacerla pública
y decidieron hacerla pública
01:36
at TED1992,
26
84880
2696
en TED 1992,
01:39
26 years ago on this very stage.
27
87600
3016
hace 26 años en este mismo escenario.
01:42
I thought I had made one of the biggest,
most important discoveries in AI,
most important discoveries in AI,
28
90640
5056
Creí que había hecho uno
de los más grandes descubrimientos en IA
de los más grandes descubrimientos en IA
01:47
and so did the "Wall Street Journal"
on the following day.
on the following day.
29
95720
2920
y lo mismo pensó el
"Wall Street Journal" al día siguiente.
"Wall Street Journal" al día siguiente.
01:51
But as far as discoveries went,
30
99440
2536
Pero en lo que respecta a descubrimientos,
01:54
it turned out,
31
102000
1336
resultó que,
01:55
I didn't discover India, or America.
32
103360
2776
no descubrí América o India.
01:58
Perhaps I discovered
a little island off of Portugal.
a little island off of Portugal.
33
106160
3080
Quizás descubrí algo así como
una pequeña isla cerca de Portugal.
una pequeña isla cerca de Portugal.
02:02
But the AI era of discovery continued,
34
110720
3256
Pero la era del descubrimiento
para la IA continuó,
para la IA continuó,
02:06
and more scientists
poured their souls into it.
poured their souls into it.
35
114000
3216
y más científicos pusieron
alma y corazón en ello.
alma y corazón en ello.
02:09
About 10 years ago, the grand AI discovery
36
117240
2616
Hace unos 10 años,
el mayor descubrimiento sobre las IAs
el mayor descubrimiento sobre las IAs
02:11
was made by three
North American scientists,
North American scientists,
37
119880
3176
lo lograron tres científicos
norteamericanos,
norteamericanos,
02:15
and it's known as deep learning.
38
123080
1600
y se conoce como aprendizaje profundo.
El aprendizaje profundo es una tecnología
que permite usar grandes bases de datos,
que permite usar grandes bases de datos,
02:17
Deep learning is a technology
that can take a huge amount of data
that can take a huge amount of data
39
125400
3696
02:21
within one single domain
40
129120
1736
dentro de un solo sitio dominio,
02:22
and learn to predict or decide
at superhuman accuracy.
at superhuman accuracy.
41
130880
4936
y que aprende a decidir o predecir
con precisión sobrehumana.
con precisión sobrehumana.
Por ejemplo, si se le muestra
a la red de aprendizaje profundo
a la red de aprendizaje profundo
02:27
For example, if we show
the deep learning network
the deep learning network
42
135840
2776
02:30
a massive number of food photos,
43
138640
2816
una cantidad masiva de fotos de comidas,
02:33
it can recognize food
44
141480
1576
puede reconocer
02:35
such as hot dog or no hot dog.
45
143080
3296
cuándo es un "hot dog" y cuándo no lo es.
02:38
(Applause)
46
146400
3136
(Aplausos)
02:41
Or if we show it many pictures
and videos and sensor data
and videos and sensor data
47
149560
5016
O si le mostramos un sinfín de fotos,
vídeos y datos de sensores
vídeos y datos de sensores
02:46
from driving on the highway,
48
154600
2536
sobre cómo conducir en la autopista,
02:49
it can actually drive a car
as well as a human being
as well as a human being
49
157160
3280
el programa logrará conducir un vehículo
en la autopista como un humano.
en la autopista como un humano.
02:53
on the highway.
50
161360
1656
¿Qué pasaría si le mostráramos
a la red de aprendizaje profundo
a la red de aprendizaje profundo
02:55
And what if we showed
this deep learning network
this deep learning network
51
163040
2816
02:57
all the speeches made by President Trump?
52
165880
2400
todos los discursos del presidente Trump?
03:01
Then this artificially
intelligent President Trump,
intelligent President Trump,
53
169680
3000
Entonces, esta IA del presidente Trump,
03:05
actually the network --
54
173600
2216
digo la red...
03:07
(Laughter)
55
175840
1656
(Risas)
03:09
can --
56
177520
1216
Podría...
03:10
(Applause)
57
178760
4056
(Aplausos)
03:14
You like double oxymorons, huh?
58
182840
2336
Les gustan las contradicciones, ¿verdad?
03:17
(Laughter)
59
185200
3856
(Risas)
03:21
(Applause)
60
189080
6096
(Aplausos)
03:27
So this network, if given the request
to make a speech about AI,
to make a speech about AI,
61
195200
5256
Si a esta red, le dan la orden
de hacer un discurso sobre las IAs,
de hacer un discurso sobre las IAs,
03:32
he, or it, might say --
62
200480
2640
él, o eso, podría decir algo como...
03:36
(Recording) Donald Trump:
It's a great thing
It's a great thing
63
204280
2096
(Grabación) Donald Trump:
Es grandioso
Es grandioso
poder construir un mundo mejor
usando inteligencia artificial.
usando inteligencia artificial.
03:38
to build a better world
with artificial intelligence.
with artificial intelligence.
64
206400
2936
03:41
Kai-Fu Lee: And maybe in another language?
65
209360
2016
Kai-Fu Lee: ¿Y qué tal en otro idioma?
03:43
DT: (Speaking Chinese)
66
211400
1816
DT: (Hablando en chino)
03:45
(Laughter)
67
213240
1496
(Risas)
03:46
KFL: You didn't know
he knew Chinese, did you?
he knew Chinese, did you?
68
214760
2160
KFL: No sabían que
Trump hablaba chino ¿verdad?
Trump hablaba chino ¿verdad?
03:50
So deep learning has become the core
in the era of AI discovery,
in the era of AI discovery,
69
218120
5016
El aprendizaje profundo se ha convertido
en el eje central en la era de la IAs,
en el eje central en la era de la IAs,
03:55
and that's led by the US.
70
223160
1816
que va liderada por EE. UU.
03:57
But we're now in the era
of implementation,
of implementation,
71
225000
3256
Pero ahora estamos
en la era de la implementación,
en la era de la implementación,
04:00
where what really matters is execution,
product quality, speed and data.
product quality, speed and data.
72
228280
5536
donde lo que prima es la calidad del
producto, su ejecución, velocidad y datos.
producto, su ejecución, velocidad y datos.
04:05
And that's where China comes in.
73
233840
2096
Y es aquí donde China entra en juego.
04:07
Chinese entrepreneurs,
74
235960
1576
Los empresarios chinos que
financio como inversor de riesgo,
financio como inversor de riesgo,
04:09
who I fund as a venture capitalist,
75
237560
1896
04:11
are incredible workers,
76
239480
1736
son trabajadores increíbles,
04:13
amazing work ethic.
77
241240
1936
con una ética de trabajo impecable.
04:15
My example in the delivery room is nothing
compared to how hard people work in China.
compared to how hard people work in China.
78
243200
5296
Mi ejemplo de la sala de partos
no es comparable
no es comparable
con lo duro que se trabaja en China.
04:20
As an example, one startup
tried to claim work-life balance:
tried to claim work-life balance:
79
248520
3696
Por ejemplo, una compañía promovía
equilibrio entre trabajo y vida personal:
equilibrio entre trabajo y vida personal:
04:24
"Come work for us because we are 996."
80
252240
3696
"Ven a trabajar con nosotros
que somos 996".
que somos 996".
04:27
And what does that mean?
81
255960
1256
¿Y esto qué significa?
04:29
It means the work hours
of 9am to 9pm, six days a week.
of 9am to 9pm, six days a week.
82
257240
4400
Significa que el trabajo es de las 9 a.m.
hasta las 9 p.m., seis días a la semana.
hasta las 9 p.m., seis días a la semana.
04:34
That's contrasted
with other startups that do 997.
with other startups that do 997.
83
262960
3280
Esto contrastaba con
otras empresas que eran 997.
otras empresas que eran 997.
04:39
And the Chinese product quality
has consistently gone up
has consistently gone up
84
267320
3096
Y la calidad de los productos chinos
ha mejorado consistentemente
ha mejorado consistentemente
04:42
in the past decade,
85
270440
1696
en la ultima década,
04:44
and that's because of
a fiercely competitive environment.
a fiercely competitive environment.
86
272160
4120
y eso es debido al ambiente
intensamente competitivo.
intensamente competitivo.
04:48
In Silicon Valley, entrepreneurs
compete in a very gentlemanly fashion,
compete in a very gentlemanly fashion,
87
276760
5896
En Silicon Valley los empresarios
compiten de forma caballeresca,
compiten de forma caballeresca,
04:54
sort of like in old wars
in which each side took turns
in which each side took turns
88
282680
3896
algo así como las guerras antiguas
cuando se tomaba turnos
cuando se tomaba turnos
04:58
to fire at each other.
89
286600
1256
para dispararse entre ellos.
04:59
(Laughter)
90
287880
1056
(Risas)
05:00
But in the Chinese environment,
91
288960
2016
Pero en el ambiente chino,
05:03
it's truly a gladiatorial
fight to the death.
fight to the death.
92
291000
2880
es realmente un lucha
de gladiadores hasta la muerte.
de gladiadores hasta la muerte.
05:06
In such a brutal environment,
entrepreneurs learn to grow very rapidly,
entrepreneurs learn to grow very rapidly,
93
294920
6096
En un ambiente tan brutal, los empresarios
aprenden a crecer rápidamente,
aprenden a crecer rápidamente,
05:13
they learn to make their products
better at lightning speed,
better at lightning speed,
94
301040
3936
a mejorar sus productos
a la velocidad del rayo
a la velocidad del rayo
05:17
and they learn
to hone their business models
to hone their business models
95
305000
2336
y a refinar sus modelos de negocios
05:19
until they're impregnable.
96
307360
1400
hasta ser inexpugnables.
05:21
As a result, great Chinese products
like WeChat and Weibo
like WeChat and Weibo
97
309400
3856
Como resultado, productos chinos
como WeChat y Weibo,
como WeChat y Weibo,
05:25
are arguably better
98
313280
1416
son sin duda mejores que sus equivalentes
occidentales de Facebook y Twitter.
occidentales de Facebook y Twitter.
05:26
than the equivalent American products
from Facebook and Twitter.
from Facebook and Twitter.
99
314720
3480
05:31
And the Chinese market
embraces this change
embraces this change
100
319920
3096
Y el mercado chino adopta este cambio
05:35
and accelerated change
and paradigm shifts.
and paradigm shifts.
101
323040
3016
y acelera los cambios de paradigmas.
05:38
As an example, if any of you go to China,
102
326080
2096
Por ejemplo, si alguno
de Uds. visita China,
de Uds. visita China,
05:40
you will see it's almost cashless
and credit card-less,
and credit card-less,
103
328200
4016
se dará cuenta que casi no se usa
el dinero en efectivo
o las tarjetas de crédito,
o las tarjetas de crédito,
05:44
because that thing that we all
talk about, mobile payment,
talk about, mobile payment,
104
332240
2736
porque los pagos vía móvil
de los que todos hablan
de los que todos hablan
05:47
has become the reality in China.
105
335000
2416
son una realidad en China.
05:49
In the last year,
106
337440
1296
En el último año,
05:50
18.8 trillion US dollars
were transacted on mobile internet,
were transacted on mobile internet,
107
338760
5936
USD 18.8 billones se han realizado
en transacciones móviles,
en transacciones móviles,
05:56
and that's because
of very robust technologies
of very robust technologies
108
344720
2936
todo gracias a las robustas tecnologías
05:59
built behind it.
109
347680
1256
sobre las que se construyen.
06:00
It's even bigger than the China GDP.
110
348960
2440
Esta cifra es aun mayor
que el PIB de China.
que el PIB de China.
06:04
And this technology, you can say,
how can it be bigger than the GDP?
how can it be bigger than the GDP?
111
352120
3616
¿cómo pueden ser estas tecnologías
aun mayores que el PIB?
aun mayores que el PIB?
06:07
Because it includes all transactions:
112
355760
1976
Porque incluyen todas las transacciones:
06:09
wholesale, channels,
retail, online, offline,
retail, online, offline,
113
357760
3776
Ventas al mayor, al menor,
en línea, en vías especializadas,
en línea, en vías especializadas,
06:13
going into a shopping mall
or going into a farmers market like this.
or going into a farmers market like this.
114
361560
5056
en el centro comercial
o en el mercado también.
o en el mercado también.
06:18
The technology is used
by 700 million people
by 700 million people
115
366640
3376
La tecnología la usan más
de 700 millones de personas
de 700 millones de personas
que hacen pagos entre ellas,
no solo comerciantes,
no solo comerciantes,
06:22
to pay each other, not just merchants,
116
370040
2056
06:24
so it's peer to peer,
117
372120
1416
es de igual a igual,
06:25
and it's almost transaction-fee-free.
118
373560
2680
y casi sin cobros por transacción.
06:29
And it's instantaneous,
119
377720
2376
Es instantáneo,
06:32
and it's used everywhere.
120
380120
1440
y se puede usar donde sea.
06:34
And finally, the China market is enormous.
121
382320
3376
Como punto final, el mercado
en China es enorme.
en China es enorme.
06:37
This market is large,
122
385720
1976
El mercado es gigante,
06:39
which helps give entrepreneurs
more users, more revenue,
more users, more revenue,
123
387720
4496
lo que ayuda a los empresarios
a tener más usuarios, más ingresos,
a tener más usuarios, más ingresos,
06:44
more investment, but most importantly,
124
392240
2336
más inversiones y lo más importante,
06:46
it gives the entrepreneurs a chance
to collect a huge amount of data
to collect a huge amount of data
125
394600
4536
le da a las empresas la oportunidad
de recolectar grandes masas de datos
de recolectar grandes masas de datos
06:51
which becomes rocket fuel
for the AI engine.
for the AI engine.
126
399160
2960
lo cual se convierten en combustible
para los motores de IAs.
para los motores de IAs.
06:54
So as a result, the Chinese AI companies
127
402960
2936
Como resultado, las empresas de IA chinas
06:57
have leaped ahead
128
405920
1736
han dado un paso adelante.
06:59
so that today, the most valuable companies
129
407680
3096
Por eso hoy en día,
las empresas más importantes
las empresas más importantes
en el campo de la visión artificial,
reconocimiento del habla,
reconocimiento del habla,
07:02
in computer vision, speech recognition,
130
410800
2616
07:05
speech synthesis,
machine translation and drones
machine translation and drones
131
413440
3416
sintetizadores de voz,
traducción automática y drones
traducción automática y drones
07:08
are all Chinese companies.
132
416880
1920
son todas de origen chino.
07:11
So with the US leading
the era of discovery
the era of discovery
133
419400
3216
Con EE. UU. al frente
de la era del descubrimiento
de la era del descubrimiento
07:14
and China leading
the era of implementation,
the era of implementation,
134
422640
3136
y China al frente
de la era de la implementación,
de la era de la implementación,
07:17
we are now in an amazing age
135
425800
2256
ahora vivimos en una era increíble.
07:20
where the dual engine
of the two superpowers
of the two superpowers
136
428080
3256
Donde la fuerza de dos grandes
superpotencias
superpotencias
07:23
are working together
137
431360
1680
trabajan conjuntamente
07:25
to drive the fastest
revolution in technology
revolution in technology
138
433960
3656
para llevar a cabo
la revolución tecnológica más veloz
la revolución tecnológica más veloz
07:29
that we have ever seen as humans.
139
437640
2360
que jamás haya visto la humanidad.
07:32
And this will bring tremendous wealth,
140
440640
2496
Esto traerá grandes riquezas.
07:35
unprecedented wealth:
141
443160
1776
Riquezas sin precedentes:
07:36
16 trillion dollars, according to PwC,
142
444960
3896
USD 16 billones, según PwC
07:40
in terms of added GDP
to the worldwide GDP by 2030.
to the worldwide GDP by 2030.
143
448880
5376
en términos de PIB añadido
al PIB del mundo para el año 2030.
al PIB del mundo para el año 2030.
07:46
It will also bring immense challenges
144
454280
2616
Pero también traerá inmensos desafíos
07:48
in terms of potential job replacements.
145
456920
3576
en cómo se reemplazan
diversas áreas del trabajo.
diversas áreas del trabajo.
07:52
Whereas in the Industrial Age
146
460520
2160
Mientras que en la era industrial
se crearon más puestos de trabajo
07:55
it created more jobs
147
463880
1536
07:57
because craftsman jobs were being
decomposed into jobs in the assembly line,
decomposed into jobs in the assembly line,
148
465440
5776
debido a que toda la producción
fue separada en la línea de ensamble
fue separada en la línea de ensamble
08:03
so more jobs were created.
149
471240
1976
y se crearon nuevos puestos de trabajo.
08:05
But AI completely replaces
the individual jobs
the individual jobs
150
473240
4936
Pero las IAs reemplazan
los trabajos individuales
los trabajos individuales
08:10
in the assembly line with robots.
151
478200
2256
en la línea de ensamble por robots.
08:12
And it's not just in factories,
152
480480
1936
Y esto no está limitado a las fábricas,
08:14
but truckers, drivers
153
482440
2056
los choferes de autobuses y autos,
08:16
and even jobs like telesales,
customer service
customer service
154
484520
4096
áreas como las televentas,
atención al cliente,
atención al cliente,
08:20
and hematologists as well as radiologists
155
488640
2976
hematólogos y hasta radiólogos,
08:23
over the next 15 years
156
491640
2096
dentro de 15 años
08:25
are going to be gradually replaced
157
493760
2536
serán reemplazados de forma gradual
08:28
by artificial intelligence.
158
496320
1440
por inteligencias artificiales.
08:30
And only the creative jobs --
159
498360
2056
Y solo los trabajos de creatividad...
08:32
(Laughter)
160
500440
1976
(Risas)
08:34
I have to make myself safe, right?
161
502440
2200
Tengo que proteger mi puesto, ¿no?
08:38
Really, the creative jobs
are the ones that are protected,
are the ones that are protected,
162
506960
2976
La verdad es que los trabajos
creativos estarán seguros
creativos estarán seguros
08:41
because AI can optimize but not create.
163
509960
3040
porque si bien las IAs pueden
optimizar, no pueden llegar a crear.
optimizar, no pueden llegar a crear.
08:45
But what's more serious
than the loss of jobs
than the loss of jobs
164
513960
3575
Pero existe algo más serio
que la pérdida de puestos de trabajo
que la pérdida de puestos de trabajo
08:49
is the loss of meaning,
165
517559
1777
y es la pérdida de significado,
08:51
because the work ethic
in the Industrial Age
in the Industrial Age
166
519360
3136
debido a que la ética de trabajo
en la era industrial
en la era industrial
08:54
has brainwashed us into thinking
that work is the reason we exist,
that work is the reason we exist,
167
522520
5616
nos ha llevado a creer que
el trabajo es nuestra razón para existir,
el trabajo es nuestra razón para existir,
09:00
that work defined
the meaning of our lives.
the meaning of our lives.
168
528160
2936
que el trabajo define
el significado de nuestras vidas.
el significado de nuestras vidas.
09:03
And I was a prime and willing victim
to that type of workaholic thinking.
to that type of workaholic thinking.
169
531120
6296
Y debo de admitir que yo era un ejemplo
vivo de esa mentalidad de trabajo.
vivo de esa mentalidad de trabajo.
09:09
I worked incredibly hard.
170
537440
1616
Trabajaba muchísimo.
09:11
That's why I almost left
my wife in the delivery room,
my wife in the delivery room,
171
539080
3576
Y es por eso que casi dejo a mi mujer
abandonada en la sala de partos,
abandonada en la sala de partos,
09:14
that's why I worked 996
alongside my entrepreneurs.
alongside my entrepreneurs.
172
542680
4176
es por eso que trabajaba en 996
junto a varios de mis colegas,
junto a varios de mis colegas,
09:18
And that obsession that I had with work
173
546880
4416
y esa obsesión que tenía con el trabajo
09:23
ended abruptly a few years ago
174
551320
3056
terminó de forma súbita hace unos años
09:26
when I was diagnosed
with fourth stage lymphoma.
with fourth stage lymphoma.
175
554400
3920
cuando fui diagnosticado
con un linfoma muy avanzado.
con un linfoma muy avanzado.
09:31
The PET scan here shows
over 20 malignant tumors
over 20 malignant tumors
176
559480
4136
Los escáneres de TEP mostraban
más de 20 tumores malignos
más de 20 tumores malignos
09:35
jumping out like fireballs,
177
563640
2176
rebotando como si fuesen bolas de fuego,
09:37
melting away my ambition.
178
565840
2576
acabando con toda mi ambición.
09:40
But more importantly,
179
568440
1456
Pero lo más importante es que
09:41
it helped me reexamine my life.
180
569920
2736
me ayudó a reevaluar mi vida.
09:44
Knowing that I may only have
a few months to live
a few months to live
181
572680
3096
Saber que tal vez solo tendría
unos cuantos meses de vida
unos cuantos meses de vida
09:47
caused me to see how foolish it was
182
575800
2936
me hizo darme cuenta lo tonto que fui
09:50
for me to base my entire self-worth
183
578760
3576
al basar toda mi autoestima
09:54
on how hard I worked
and the accomplishments from hard work.
and the accomplishments from hard work.
184
582360
4040
en lo duro que trabajaba y
en los logros del trabajo.
en los logros del trabajo.
09:59
My priorities were
completely out of order.
completely out of order.
185
587320
2976
Mis prioridades estaban
totalmente desordenadas.
totalmente desordenadas.
10:02
I neglected my family.
186
590320
1600
Había abandonado a mi familia.
10:05
My father had passed away,
187
593000
1416
Mi padre había fallecido
10:06
and I never had a chance
to tell him I loved him.
to tell him I loved him.
188
594440
2800
y nunca me di la oportunidad
de decirle lo mucho que le quería.
de decirle lo mucho que le quería.
10:10
My mother had dementia
and no longer recognized me,
and no longer recognized me,
189
598120
3736
Mi madre sufría de demencia
y ya no era capaz de reconocerme,
y ya no era capaz de reconocerme,
10:13
and my children had grown up.
190
601880
1920
y mis hijos crecieron sin mí.
10:16
During my chemotherapy,
191
604400
1656
Durante mi quimioterapia,
10:18
I read a book by Bronnie Ware
192
606080
2456
leí un libro de Bronnie Ware
10:20
who talked about dying wishes and regrets
of the people in the deathbed.
of the people in the deathbed.
193
608560
5496
acerca de los últimos deseos y
arrepentimientos de la gente moribunda.
arrepentimientos de la gente moribunda.
10:26
She found that facing death,
194
614080
2256
Ella descubrió que,
al enfrentarse a la muerte,
al enfrentarse a la muerte,
10:28
nobody regretted that they didn't
work hard enough in this life.
work hard enough in this life.
195
616360
3600
nadie lamentó no haber trabajado más
durante su vida.
durante su vida.
10:32
They only regretted that they didn't
spend enough time with their loved ones
spend enough time with their loved ones
196
620880
5176
Solo lamentaban no haber pasado
más tiempo con sus seres queridos
más tiempo con sus seres queridos
10:38
and that they didn't spread their love.
197
626080
2760
y que no repartieron su amor.
10:42
So I am fortunately today in remission.
198
630400
4536
Por fortuna, actualmente
estoy en remisión.
estoy en remisión.
10:46
(Applause)
199
634960
6856
(Aplausos)
10:53
So I can be back at TED again
200
641840
1976
Así que puedo estar de vuelta en TED
10:55
to share with you
that I have changed my ways.
that I have changed my ways.
201
643840
3376
y compartir con Uds. que he cambiado.
10:59
I now only work 965 --
202
647240
2760
Ahora solo trabajo 965 --
11:03
occasionally 996, but usually 965.
203
651200
3976
ocasionalmente 996,
pero por lo general, 965.
pero por lo general, 965.
11:07
I moved closer to my mother,
204
655200
1896
Me mudé más cerca de mi madre,
11:09
my wife usually travels with me,
205
657120
2456
mi esposa suele viajar conmigo,
11:11
and when my kids have vacation,
if they don't come home, I go to them.
if they don't come home, I go to them.
206
659600
3816
y cuando mis hijos están de vacaciones
voy a visitarlos, si ellos no me visitan.
voy a visitarlos, si ellos no me visitan.
11:15
So it's a new form of life
207
663440
2456
Es una nueva forma de vivir.
11:17
that helped me recognize
208
665920
1816
Una que me ayudó a reconocer
11:19
how important it is that love is for me,
209
667760
3176
lo importante que es el amor para mí,
11:22
and facing death
helped me change my life,
helped me change my life,
210
670960
3416
y el estar al borde de la muerte
me ayudó a cambiar mi vida,
me ayudó a cambiar mi vida,
11:26
but it also helped me see a new way
211
674400
2456
pero tambien me ayudó a ver
una nueva forma
una nueva forma
11:28
of how AI should impact mankind
212
676880
3776
en la que la IA debería
impactar a la humanidad,
impactar a la humanidad,
11:32
and work and coexist with mankind,
213
680680
2480
al trabajo y coexistir con nosotros.
11:36
that really, AI is taking away
a lot of routine jobs,
a lot of routine jobs,
214
684680
4496
La realidad es que la IA está
tomando muchos trabajos rutinarios,
tomando muchos trabajos rutinarios,
11:41
but routine jobs are not what we're about.
215
689200
3656
pero los trabajos rutinarios
no son nuestra razón de ser.
no son nuestra razón de ser.
11:44
Why we exist is love.
216
692880
2256
Nuestra razón de ser es el amor.
Cuando tenemos en brazos
a nuestro recién nacido,
a nuestro recién nacido,
11:47
When we hold our newborn baby,
217
695160
2096
11:49
love at first sight,
218
697280
1496
amamos a primera vista,
o cuando ayudamos a alguien
que necesita ayuda.
que necesita ayuda.
11:50
or when we help someone in need,
219
698800
1776
11:52
humans are uniquely able
to give and receive love,
to give and receive love,
220
700600
4256
El humano es el único que es
capaz de dar y recibir amor,
capaz de dar y recibir amor,
11:56
and that's what differentiates us from AI.
221
704880
2800
y eso es lo que
nos hace diferentes a la IA.
nos hace diferentes a la IA.
12:00
Despite what science fiction may portray,
222
708800
2696
Y a pesar de lo que diga
la ciencia ficción,
la ciencia ficción,
12:03
I can responsibly tell you
that AI has no love.
that AI has no love.
223
711520
3736
les puedo asegurar que
la IA no siente amor.
la IA no siente amor.
12:07
When AlphaGo defeated
the world champion Ke Jie,
the world champion Ke Jie,
224
715280
3536
Cuando AlphaGo venció
al campeón mundial Ke Jie,
al campeón mundial Ke Jie,
12:10
while Ke Jie was crying
and loving the game of go,
and loving the game of go,
225
718840
3096
Ke Jie lloraba y amaba el juego Go,
12:13
AlphaGo felt no happiness from winning
226
721960
3176
mientras que AlphaGo
no sintió nada al haber ganado
no sintió nada al haber ganado
12:17
and certainly no desire
to hug a loved one.
to hug a loved one.
227
725160
4480
y, ciertamente, tampoco sentía deseos
de abrazar a algún ser querido.
de abrazar a algún ser querido.
12:23
So how do we differentiate ourselves
228
731600
2656
¿Cómo nos diferenciamos
12:26
as humans in the age of AI?
229
734280
2536
como humanos en la era de la IA?
12:28
We talked about the axis of creativity,
230
736840
3096
Ya hablamos del eje de la creatividad,
12:31
and certainly that is one possibility,
231
739960
2856
y definitivamente es una posibilidad,
12:34
and now we introduce a new axis
232
742840
2296
y ahora introducimos un nuevo eje,
12:37
that we can call compassion,
love, or empathy.
love, or empathy.
233
745160
3616
uno que podamos llamar amor,
compasión o empatía.
compasión o empatía.
12:40
Those are things that AI cannot do.
234
748800
2576
Estas son cosas que las IAs
no pueden hacer.
no pueden hacer.
12:43
So as AI takes away the routine jobs,
235
751400
2816
Mientras que las IAs se hacen cargo
de los trabajos rutinarios,
de los trabajos rutinarios,
12:46
I like to think we can, we should
and we must create jobs of compassion.
and we must create jobs of compassion.
236
754240
4960
me gusta pensar que deberíamos
crear trabajos de compasión.
crear trabajos de compasión.
Seguro preguntarán
cuántos trabajos de esos existen,
cuántos trabajos de esos existen,
12:51
You might ask how many of those there are,
237
759800
2336
12:54
but I would ask you:
238
762160
1616
pero yo les pregunto:
12:55
Do you not think that we are going
to need a lot of social workers
to need a lot of social workers
239
763800
3816
¿No creen que necesitaremos
muchos trabajadores sociales
muchos trabajadores sociales
12:59
to help us make this transition?
240
767640
1600
para hacer esta transición?
13:01
Do you not think we need
a lot of compassionate caregivers
a lot of compassionate caregivers
241
769960
3256
¿No creen que harán falta
más enfermeros empáticos
más enfermeros empáticos
13:05
to give more medical care to more people?
242
773240
2696
para dar asistencia médica
a toda la gente?
a toda la gente?
13:07
Do you not think we're going to need
10 times more teachers
10 times more teachers
243
775960
3256
¿No creen que necesitaremos
10 veces más profesores
10 veces más profesores
13:11
to help our children find their way
244
779240
2776
para guiar a nuestros niños
a que encuentren su vocación,
a que encuentren su vocación,
13:14
to survive and thrive
in this brave new world?
in this brave new world?
245
782040
3256
y tengan éxito en este mundo del mañana?
13:17
And with all the newfound wealth,
246
785320
2440
Y con toda las nuevas riquezas,
13:19
should we not also make
labors of love into careers
labors of love into careers
247
787800
4536
¿no deberíamos convertir nuestras
labores de amor en carreras reconocidas
labores de amor en carreras reconocidas
13:24
and let elderly accompaniment
248
792360
2696
y hacer que el cuidado a los mayores
13:27
or homeschooling become careers also?
249
795080
3496
y la educación escolar en casa
también sean carreras valoradas?
también sean carreras valoradas?
13:30
(Applause)
250
798600
5280
(Aplausos)
13:36
This graph is surely not perfect,
251
804800
2256
Esta gráfica puede que no sea perfecta,
pero deja en claro los cuatro puntos sobre
los que podemos trabajar con las IAs.
los que podemos trabajar con las IAs.
13:39
but it points at four ways
that we can work with AI.
that we can work with AI.
252
807080
3536
13:42
AI will come and take away
the routine jobs
the routine jobs
253
810640
3576
Las IAs asumirán los trabajos rutinarios
13:46
and in due time, we will be thankful.
254
814240
2040
y con el tiempo estaremos
agradecidos que sea así.
agradecidos que sea así.
13:49
AI will become great tools
for the creatives
for the creatives
255
817000
3096
Las IAs se convertirán en
grandes herramientas para los creativos.
grandes herramientas para los creativos.
13:52
so that scientists, artists,
musicians and writers
musicians and writers
256
820120
3656
Así científicos, artistas,
músicos y escritores
músicos y escritores
13:55
can be even more creative.
257
823800
1600
podrán ser aún más creativos.
13:58
AI will work with humans
as analytical tools
as analytical tools
258
826120
5376
Las IAs trabajarán con la humanidad
como herramientas de análisis
como herramientas de análisis
14:03
that humans can wrap their warmth around
259
831520
2696
para que el humano
pueda envolver con su calor
pueda envolver con su calor
14:06
for the high-compassion jobs.
260
834240
1896
los trabajos de alta empatía.
14:08
And we can always differentiate ourselves
261
836160
2656
Y siempre podemos ser diferentes
14:10
with the uniquely capable jobs
262
838840
1816
con empleos de corte único
14:12
that are both compassionate and creative,
263
840680
3616
que sean creativos y empáticos a la vez,
14:16
using and leveraging
our irreplaceable brains and hearts.
our irreplaceable brains and hearts.
264
844320
5176
usando y aprovechándonos de nuestros
irreemplazables cerebros y corazones.
irreemplazables cerebros y corazones.
14:21
So there you have it:
265
849520
1296
Así que ahí lo tienen:
14:22
a blueprint of coexistence
for humans and AI.
for humans and AI.
266
850840
3640
un mapa para la coexistencia
del humano y las IAs.
del humano y las IAs.
14:27
AI is serendipity.
267
855400
1816
La IA es una serendipia.
14:29
It is here to liberate us
from routine jobs,
from routine jobs,
268
857240
2976
Está aquí para liberarnos
de nuestros trabajos rutinarios
de nuestros trabajos rutinarios
14:32
and it is here to remind us
what it is that makes us human.
what it is that makes us human.
269
860240
3680
y esta aquí para recordarnos
que es lo que nos hace humanos.
que es lo que nos hace humanos.
14:36
So let us choose to embrace AI
and to love one another.
and to love one another.
270
864440
3976
Escojamos aprovechar la IA
y amarnos mutuamente.
y amarnos mutuamente.
14:40
Thank you.
271
868440
1216
Muchas gracias.
14:41
(Applause)
272
869680
6160
(Aplausos)
ABOUT THE SPEAKER
Kai-Fu Lee - Investor, computer scientistAt Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies.
Why you should listen
Dr. Kai-Fu Lee has a unique perspective on the global technology industry, having worked extensively between the US and China, and has been in artificial intelligence research, development and investment for more than 30 years. He is one of China's top technology investors, undertaking early pioneering work in the field of artificial intelligence and working with multiple US technology giants.
Lee is the Chairman and CEO of Sinovation Ventures, managing a $1.7 billion dual-currency investment fund. Sinovation is a leading technology-savvy investment firm focusing on developing Chinese high-tech companies. Lee also serves as president of the Sinovation Ventures Artificial Intelligence Institute.
Prior to founding Sinovation in 2009, Lee was the President of Google China. Previously, he held executive positions at Microsoft, SGI and Apple. He is a Fellow of the Institute of Electrical and Electronics Engineers (IEEE), and he was Vice Chairman of the Committee of 100 and named one of the 100 most influential people in the world by TIME Magazine. He is the author of seven best-selling books in Chinese, launching his new book AI Superpowers internationally in fall 2018, and has over 50 million followers on social media.
In the field of artificial intelligence, Lee founded Microsoft Research China, which was named as the hottest research lab by MIT Technology Review. Later renamed Microsoft Research Asia, this institute has trained the great majority of AI leaders in China, including CTOs or AI heads at Baidu, Tencent, Alibaba, Lenovo, Huawei and Haier. While with Apple, Lee led AI projects in speech and natural language, which appeared on Good Morning America on ABC Television and the front page of The Wall Street Journal. He has authored 10 US patents, and more than 100 journal and conference papers.
Kai-Fu Lee | Speaker | TED.com