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

Why you should listen

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

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

Why you should listen

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

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

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

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

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

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

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

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

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

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

سباستین تران و کریس اندرسون: نسل جدید کامپیوترها، خودشان را برنامه ریزی می کنند

Filmed:
1,575,780 views

مربی و کارآفرین، سباستین تران، از ما می خواهد که از هوش مصنوعی برای آزاد کردن بشریت از بند کارهای تکراری و رها کردن خلاقیت مان استفاده کنیم. تران در یک گفتگوی الهام بخش و آموزنده با سرپرست TED، کریس اندرسون، در مورد پیشرفت یادگیری عمیق؛ دلیل آنکه نباید از هوش مصنوعی بترسیم و از آن فرار کنیم؛ و اینکه چگونه جامعه بهتر خواهد شد، اگر کارهای سخت و کسل کننده بوسیله ماشین ها انجام شوند، بحث می کند. تران می گوید: «تاکنون تنها یک درصد از چیزهای جالب اختراع شده اند. من معتقدم همه ما به طرز دیوانه کننده ای خلاق هستیم... هوش مصنوعی به ما قدرت می دهد تا خلاقیت را به عمل تبدیل کنیم.»
- Educator, entrepreneur
Sebastian Thrun is a passionate technologist who is constantly looking for new opportunities to make the world better for all of us. Full bio - TED Curator
After a long career in journalism and publishing, Chris Anderson became the curator of the TED Conference in 2002 and has developed it as a platform for identifying and disseminating ideas worth spreading. Full bio

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

کریس اندرسون: کمک کن بفهمیم
که یادگیری ماشین چه هست،
00:12
Chrisکریس Andersonاندرسون: Help us understandفهمیدن
what machineدستگاه learningیادگیری is,
0
904
2886
چون بنظر میرسه که عامل اصلی
00:15
because that seemsبه نظر می رسد to be the keyکلیدی driverراننده
1
3814
2054
این همه هیجان و البته نگرانی
00:17
of so much of the excitementهیجان
and alsoهمچنین of the concernنگرانی
2
5892
2737
در مورد هوش مصنوعی باشه.
00:20
around artificialمصنوعی intelligenceهوش.
3
8653
1494
یادگیری ماشین چطور کار می‌کنه؟
00:22
How does machineدستگاه learningیادگیری work?
4
10171
1643
سباستین تران: خوب،
هوش مصنوعی و یادگیری ماشین
00:23
Sebastianسباستین ThrunThrun: So, artificialمصنوعی
intelligenceهوش and machineدستگاه learningیادگیری
5
11838
3896
در حدود ۶۰ سال قدمت داره
00:27
is about 60 yearsسالها oldقدیمی
6
15758
2002
و تا همین اواخر،
هرگز اینقدر بزرگ و مهم نبود،
00:29
and has not had a great day
in its pastگذشته untilتا زمان recentlyبه تازگی.
7
17784
4269
و دلیلش اینه که امروز،
00:34
And the reasonدلیل is that todayامروز,
8
22077
2924
ما به مقیاسی از محاسبات
و مجموعه داده‌ها رسیدیم
00:37
we have reachedرسیده است a scaleمقیاس
of computingمحاسبه and datasetsمجموعه داده ها
9
25025
3973
که لازم بود ماشین‌ها رو هوشمند کنیم.
00:41
that was necessaryلازم است to make machinesماشین آلات smartهوشمندانه.
10
29022
2637
خوب، ببینیم چطور کار می‌کنه.
00:43
So here'sاینجاست how it worksآثار.
11
31683
1751
اگر امروز یک کامپیوتر رو
برنامه ریزی کنید، مثل تلفن شما،
00:45
If you programبرنامه a computerکامپیوتر todayامروز,
say, your phoneتلفن,
12
33458
3497
مهندس‌های نرم افزار رو استخدام می‌کنید
00:48
then you hireاستخدام softwareنرم افزار engineersمهندسین
13
36979
2335
تا یک دستورالعمل
خیلی خیلی طولانی رو بنویسند.
00:51
that writeنوشتن a very,
very long kitchenآشپزخانه recipeدستور العمل,
14
39338
3854
مثلا «اگر آب خیلی داغه، دما رو بیار پایین.
00:55
like, "If the waterاب is too hotداغ,
turnدور زدن down the temperatureدرجه حرارت.
15
43216
3132
اگر خیلی سرده، دما رو ببر بالا».
00:58
If it's too coldسرماخوردگی, turnدور زدن up
the temperatureدرجه حرارت."
16
46372
2279
دستورها فقط ۱۰ خط نیستند،
01:00
The recipesدستور پخت are not just 10 linesخطوط long.
17
48675
2849
بلکه میلیون‌ها خط هستند.
01:03
They are millionsمیلیون ها نفر of linesخطوط long.
18
51548
2603
01:06
A modernمدرن cellسلول phoneتلفن
has 12 millionمیلیون linesخطوط of codeکد.
19
54175
4084
یک تلفن همراه امروزی
۱۲ میلیون خط برنامه داره.
یک مرورگر، پنج میلیون خط برنامه داره.
01:10
A browserمرورگر has fiveپنج millionمیلیون linesخطوط of codeکد.
20
58283
2646
و هر نقصی در این برنامه، می‌تونه
باعث بشه کامپیوتر شما از کار بیفته.
01:12
And eachهر یک bugاشکال in this recipeدستور العمل
can causeسبب می شود your computerکامپیوتر to crashسقوط.
21
60953
4969
به همین دلیل هست که یک مهندس نرم افزار
پول خیلی زیادی درمیاره.
01:17
That's why a softwareنرم افزار engineerمهندس
makesباعث می شود so much moneyپول.
22
65946
3075
امروزه، کامپیوترها می‌تونن
قواعد خودشون رو پیدا کنند.
01:21
The newجدید thing now is that computersکامپیوترها
can find theirخودشان ownخودت rulesقوانین.
23
69953
3660
پس بجای اینکه یک متخصص مرحله به مرحله
یک برنامه و کد برای هر احتمالی بنویسه،
01:25
So insteadبجای of an expertکارشناس
decipheringرمزگشایی, stepگام by stepگام,
24
73637
3606
01:29
a ruleقانون for everyهرکدام contingencyاحتمالی,
25
77267
2148
به کامپیوتر نمونه‌هایی می‌دید
01:31
what you do now is you give
the computerکامپیوتر examplesمثال ها
26
79439
3074
و می‌زارید برنامه خودش به قواعدش برسه.
01:34
and have it inferنتیجه گیری its ownخودت rulesقوانین.
27
82537
1581
01:36
A really good exampleمثال is AlphaGoAlphaGo,
whichکه recentlyبه تازگی was wonبرنده شد by Googleگوگل.
28
84142
4306
یک مثال واقعا خوب، بازی AlphaGo هست،
که اخیراً گوگل در آن برنده شد.
01:40
Normallyبه طور معمول, in gameبازی playingبازی کردن,
you would really writeنوشتن down all the rulesقوانین,
29
88472
3687
معمولاً برای برنامه‌نویسی بازی،
شما همه برنامه رو می‌نویسید،
ولی در مورد آلفاگو،
01:44
but in AlphaGo'sAlphaGo's caseمورد,
30
92183
1785
سیستم به بیش از یک میلیون بازی نگاه کرد
01:45
the systemسیستم lookedنگاه کرد over a millionمیلیون gamesبازی ها
31
93992
2066
و تونست دستورالعمل خودش رو استنتاج کنه
01:48
and was ableتوانایی to inferنتیجه گیری its ownخودت rulesقوانین
32
96082
2192
01:50
and then beatضرب و شتم the world'sجهان
residingساکن Go championقهرمان.
33
98298
2738
و سپس قهرمان Go در دنیا رو شکست بده.
این هیجان انگیزه، چون دیگه نیازی نیست
مهندس نرم افزار خیلی باهوش باشه،
01:53
That is excitingهیجان انگیز, because it relievesتسکین می دهد
the softwareنرم افزار engineerمهندس
34
101853
3509
01:57
of the need of beingبودن superفوق العاده smartهوشمندانه,
35
105386
1819
و مسئولیت را بر گردن اطلاعات می‌اندازد.
01:59
and pushesهل می دهد the burdenبارگیری towardsبه سمت the dataداده ها.
36
107229
2325
02:01
As I said, the inflectionانفعال pointنقطه
where this has becomeتبدیل شدن به really possibleامکان پذیر است --
37
109578
4534
همونطور که گفتم، نقطه عطف یعنی
جایی که این امر ممکن شد --
خیلی خجالت آوره، پایان نامه من
در مورد یادگیری ماشین بود،
02:06
very embarrassingشرم آور, my thesisپایان نامه
was about machineدستگاه learningیادگیری.
38
114136
2746
خیلی به درد نخور بود، اون رو نخونید،
02:08
It was completelyبه صورت کامل
insignificantناچیز, don't readخواندن it,
39
116906
2205
چون ۲۰ سال قبل بود
02:11
because it was 20 yearsسالها agoپیش
40
119135
1350
و در اون زمان، کامپیوترها
به اندازه مغز یک سوسک بودند.
02:12
and back then, the computersکامپیوترها
were as bigبزرگ as a cockroachسوسک brainمغز.
41
120509
2907
الان کامپیوترها اونقدر قدرتمند هستند
02:15
Now they are powerfulقدرتمند enoughکافی
to really emulateتقلید
42
123440
2331
که بتوانند تفکر یک انسان متخصص
را شبیه‌سازی بکنند.
02:17
kindنوع of specializedتخصصی humanانسان thinkingفكر كردن.
43
125795
2076
02:19
And then the computersکامپیوترها
take advantageمزیت of the factواقعیت
44
127895
2313
و اینکه کامپیوترها این برتری رو دارند که
02:22
that they can look at
much more dataداده ها than people can.
45
130232
2500
نسبت به آدم‌ها، می‌تونن داده‌های بیشتری رو بررسی کنند.
همونطور که گفتم، آلفاگو بیشتر از
یک میلیون بازی رو بررسی کرد.
02:24
So I'd say AlphaGoAlphaGo lookedنگاه کرد at
more than a millionمیلیون gamesبازی ها.
46
132756
3080
02:27
No humanانسان expertکارشناس can ever
studyمطالعه a millionمیلیون gamesبازی ها.
47
135860
2839
هیچ انسان خبره ای نمی‌تونه
یک میلیون بازی رو بررسی کنه.
02:30
Googleگوگل has lookedنگاه کرد at over
a hundredصد billionبیلیون webوب pagesصفحات.
48
138723
3182
گوگل بیش از صد میلیارد
صفحه وب رو بررسی کرده.
هرگز هیچ کسی نمی‌تونه صد میلیارد
صفحه وب رو مطالعه کنه.
02:33
No personفرد can ever studyمطالعه
a hundredصد billionبیلیون webوب pagesصفحات.
49
141929
2650
بنابراین به عنوان یک نتیجه،
کامپیوتر می‌تونه قواعدی رو پیدا کنه
02:36
So as a resultنتيجه,
the computerکامپیوتر can find rulesقوانین
50
144603
2714
که حتی آدم‌ها هم نمی‌تونن.
02:39
that even people can't find.
51
147341
1755
کریس: پس بجای اینکه پیش بینی کنیم
«اگر او این را انجام دهد، من آن را انجام خواهم داد»
02:41
CACA: So insteadبجای of looking aheadدر پیش
to, "If he does that, I will do that,"
52
149120
4312
بهتره بگیم:
«چیزی شبیه به الگوی برنده شدن هست»،
02:45
it's more sayingگفت:, "Here is what
looksبه نظر می رسد like a winningبرنده شدن patternالگو,
53
153456
3072
این چیزی شبیه به الگوی برنده شدن هست.
02:48
here is what looksبه نظر می رسد like
a winningبرنده شدن patternالگو."
54
156552
2079
سباستین: آره، مثلا به این فکر کنید
که بچه‌ها رو چطور بزرگ می‌کنید.
02:50
STST: Yeah. I mean, think about
how you raiseبالا بردن childrenفرزندان.
55
158655
2517
شما ۱۸ سال اول رو صرف این نمی‌کنید که
به بچه‌ها برای هر احتمالی یک قانون بدید
02:53
You don't spendخرج کردن the first 18 yearsسالها
givingدادن kidsبچه ها a ruleقانون for everyهرکدام contingencyاحتمالی
56
161196
3644
و بعد اون‌ها رو با این برنامه بزرگ رها کنید.
02:56
and setتنظیم them freeرایگان
and they have this bigبزرگ programبرنامه.
57
164864
2347
اون‌ها تلو تلو میخورن، میافتن،
بلند میشن، تنبیه میشن،
02:59
They stumbleتلو تلو خوردن, fallسقوط, get up,
they get slappedلگد زدن or spankedspanked,
58
167235
2719
و یک تجربه مثبت دارن،
در مدرسه نمره خوب می‌گیرند،
03:01
and they have a positiveمثبت experienceتجربه,
a good gradeمقطع تحصیلی in schoolمدرسه,
59
169978
2884
و خودشون اینو میفهمنن.
03:04
and they figureشکل it out on theirخودشان ownخودت.
60
172886
1834
الان این داره برای کامپیوترها هم اتفاق میافته،
03:06
That's happeningاتفاق می افتد with computersکامپیوترها now,
61
174744
1737
که ناگهان، برنامه ریزی کردن
کامپیوترها رو خیلی آسون تر می‌کنه.
03:08
whichکه makesباعث می شود computerکامپیوتر programmingبرنامه نويسي
so much easierآسان تر all of a suddenناگهانی.
62
176505
3029
الان دیگه نیازی نیست خیلی فکر کنیم،
فقط بهشون داده‌های بسیار زیادی میدیم.
03:11
Now we don't have to think anymoreدیگر.
We just give them lots of dataداده ها.
63
179558
3175
کریس: بنابراین،
این کلیدِ پیشرفت چشمگیر
03:14
CACA: And so, this has been keyکلیدی
to the spectacularدیدنی و جذاب improvementبهبود
64
182757
3422
در توانایی ماشین‌های بدون سرنشین بوده.
03:18
in powerقدرت of self-drivingخود رانندگی carsماشین ها.
65
186203
3064
03:21
I think you gaveداد me an exampleمثال.
66
189291
1739
فکر کنم تو به من یک نمونه دادی،
میشه توضیح بدی اینجا چه اتفاقی داره میافته؟
03:23
Can you explainتوضیح what's happeningاتفاق می افتد here?
67
191054
2685
سباستین: این رانندگی یک ماشین بدون سرنشین هست
03:25
STST: This is a driveراندن of a self-drivingخود رانندگی carماشین
68
193763
3564
03:29
that we happenedاتفاق افتاد to have at Udacityاشتیاق
69
197351
1957
که ما در یوداسیتی انجام دادیم،
و اخیرا محصولی به اسم وویج Voyage
رو از روی اون ساختیم.
03:31
and recentlyبه تازگی madeساخته شده
into a spin-offچرخش calledبه نام Voyageسفر دریایی.
70
199332
2398
ما از چیزی به اسم یادگیری عمیق استفاده کردیم
03:33
We have used this thing
calledبه نام deepعمیق learningیادگیری
71
201754
2574
تا به یک ماشین یاد بدیم خودش رو برونه،
03:36
to trainقطار a carماشین to driveراندن itselfخودش,
72
204352
1623
و این داره از مانتین ویو در کالیفرنیا
03:37
and this is drivingرانندگی
from Mountainکوه Viewچشم انداز, Californiaکالیفرنیا,
73
205999
2387
تا سانفرانسیسکو رانندگی می‌کنه.
03:40
to Sanسان Franciscoفرانسیسکو
74
208410
1168
در جاده ال کامینو رئال و در یک روز بارانی،
03:41
on Elال CaminoCamino Realواقعی on a rainyبارانی day,
75
209602
2259
با دوچرخه‌ها، عابرین پیاده
و ۱۳۳ چراغ راهنمایی.
03:43
with bicyclistsدوچرخه سواران and pedestriansعابر پیاده
and 133 trafficترافیک lightsچراغ ها.
76
211885
3524
و چیزی که اینجا جدیده اینه که،
03:47
And the novelرمان thing here is,
77
215433
2636
مدت‌ها پیش، من تیم ماشین بدون
سرنشین گوگل رو راه انداختم.
03:50
manyبسیاری, manyبسیاری moonsقمرها agoپیش, I startedآغاز شده
the Googleگوگل self-drivingخود رانندگی carماشین teamتیم.
78
218093
3120
و اون روزها، بهترین مهندس‌های
نرم افزار جهان رو استخدام کردم
03:53
And back in the day, I hiredاستخدام شده
the world'sجهان bestبهترین softwareنرم افزار engineersمهندسین
79
221237
3181
تا بهترین الگوهای جهان رو براش بنویسند،
03:56
to find the world'sجهان bestبهترین rulesقوانین.
80
224442
1607
03:58
This is just trainedآموزش دیده.
81
226073
1754
این ماشین الان یاد گرفته.
ما این راه رو ۲۰ بار رفتیم،
03:59
We driveراندن this roadجاده 20 timesبار,
82
227851
3336
همه این داده‌ها رو در مغز کامپیوتر گذاشتیم،
04:03
we put all this dataداده ها
into the computerکامپیوتر brainمغز,
83
231211
2447
و بعد از چند ساعت پردازش،
04:05
and after a fewتعداد کمی hoursساعت ها of processingدر حال پردازش,
84
233682
2082
رفتاری از خودش نشون داد که خیلی اوقات
از مهارت انسان هم پیشی می‌گیره.
04:07
it comesمی آید up with behaviorرفتار
that oftenغالبا surpassesپیشی می گیرد humanانسان agilityچابکی.
85
235788
3926
04:11
So it's becomeتبدیل شدن به really easyآسان to programبرنامه it.
86
239738
2017
در واقع برنامه ریزی کردنش آسون شده.
۱۰۰ درصد خودکار هست،
تقریباً ۵۳ کیلومتر در یک ساعت و نیم.
04:13
This is 100 percentدرصد autonomousخود مختار,
about 33 milesمایل, an hourساعت and a halfنیم.
87
241779
3803
کریس: خوب توضیح بده --
در اون قسمت بزرگ در سمت چپ برنامه،
04:17
CACA: So, explainتوضیح it -- on the bigبزرگ partبخشی
of this programبرنامه on the left,
88
245606
3630
04:21
you're seeingدیدن basicallyاساسا what
the computerکامپیوتر seesمی بیند as trucksکامیون ها and carsماشین ها
89
249260
3257
می‌بینید که اساسا کامپیوتر،
کامیون‌ها و ماشین‌ها رو به چه صورت میبینه
04:24
and those dotsنقطه ها overtakingسبقت it and so forthچهارم.
90
252541
2886
و اون نقطه‌ها که ازش سبقت می‌گیرن و غیره.
سباستین: در سمت راست، تصویر دوربین رو می‌بینید
که در اینجا ورودی اصلی هست،
04:27
STST: On the right sideسمت, you see the cameraدوربین
imageتصویر, whichکه is the mainاصلی inputورودی here,
91
255451
3762
و برای تشخیص خط کشی‌ها، ماشین‌های دیگه
و چراغ‌های راهنمایی استفاده میشه.
04:31
and it's used to find lanesخطوط,
other carsماشین ها, trafficترافیک lightsچراغ ها.
92
259237
2676
این وسیله، یک رادار داره
که فاصله رو تخمین میزنه.
04:33
The vehicleوسیله نقلیه has a radarرادار
to do distanceفاصله estimationبرآورد کردن.
93
261937
2489
این رادار بطور رایج در
این نوع سیستم‌ها استفاده میشه.
04:36
This is very commonlyمعمولا used
in these kindنوع of systemsسیستم های.
94
264450
2621
در سمت چپ، یک نمودار لیزری مشاهده می‌کنید،
04:39
On the left sideسمت you see a laserلیزر diagramنمودار,
95
267095
1992
موانعی مثل درخت‌ها و غیره که
بوسیله لیزر ترسیم میشن رو می‌بینید.
04:41
where you see obstaclesموانع like treesدرختان
and so on depictedنشان داده شده است by the laserلیزر.
96
269111
3200
ولی تقریبا جالب ترین قسمت کار،
تمرکز روی تصویر دوربین هست.
04:44
But almostتقریبا all the interestingجالب هست work
is centeringمرکز گیری on the cameraدوربین imageتصویر now.
97
272335
3436
در واقع ما داریم از حسگرهای دقیق
مثل رادارها و لیزرها،
04:47
We're really shiftingانتقال over from precisionدقت
sensorsسنسورها like radarsرادارها and lasersلیزرها
98
275795
3476
میریم به سمت حسگرهای
خیلی ارزون و مقرون به صرفه.
04:51
into very cheapارزان, commoditizedکالا sensorsسنسورها.
99
279295
1842
یک دوربین کمتر از هشت دلار قیمت داره.
04:53
A cameraدوربین costsهزینه ها lessکمتر than eightهشت dollarsدلار.
100
281161
1987
کریس: و اون نقطه سبز
در سمت چپ، اون چیه؟
04:55
CACA: And that greenسبز dotنقطه
on the left thing, what is that?
101
283172
2793
آیا چیز معناداری هست؟
04:57
Is that anything meaningfulمعنی دار?
102
285989
1371
سباستین: این یک نقطهٔ نگاه به جلو
برای کنترل تطبیقی مسیر شماست،
04:59
STST: This is a look-aheadپیش رو نگاه pointنقطه
for your adaptiveتطبیقی cruiseکشتی تفریحی controlکنترل,
103
287384
3668
به ما کمک می‌کنه که بفهمیم
چطور سرعت رو تنظیم کنیم،
05:03
so it helpsکمک می کند us understandفهمیدن
how to regulateتنظیم کنید velocityسرعت
104
291076
2477
بر این اساس که ماشین‌های جلویی
چقدر از شما فاصله دارند.
05:05
basedمستقر on how farدور
the carsماشین ها in frontجلوی of you are.
105
293577
2634
کریس: همینطور یک نمونه
دیگه دادی، فکر کنم
05:08
CACA: And so, you've alsoهمچنین
got an exampleمثال, I think,
106
296235
2716
در مورد اینکه قسمت یادگیری واقعی،
چطور اتفاق میفته.
05:10
of how the actualواقعی
learningیادگیری partبخشی takes placeمحل.
107
298975
2381
شاید بتونیم اون رو ببینیم.
در مورد این صحبت کن.
05:13
Maybe we can see that. Talk about this.
108
301380
2458
سباستین: این مثالی از یک چالش هست که
در مقابل دانشجوهای یوداسیتی قرار دادیم
05:15
STST: This is an exampleمثال where we posedمطرح شد
a challengeچالش to Udacityاشتیاق studentsدانش آموزان
109
303862
3643
05:19
to take what we call
a self-drivingخود رانندگی carماشین NanodegreeNanodegree.
110
307529
3131
تا بتونن مدرکی که ما اسمش رو
گواهی ماشین بدون سرنشین گذاشتیم، بگیرن.
05:22
We gaveداد them this datasetمجموعه داده
111
310684
1495
ما به اون‌ها این مجموعه داده‌ها رو دادیم
و گفتیم: «هی بچه‌ها، می‌تونید بفهمید
چطور باید این ماشین رو هدایت کرد؟»
05:24
and said "Hey, can you guys figureشکل out
how to steerهدایت کن this carماشین?"
112
312203
3054
اگر به تصاویر نگاه کنید،
05:27
And if you look at the imagesتصاویر,
113
315281
1624
حتی برای انسان هم غیر ممکنه
که ماشین رو درست هدایت کنه.
05:28
it's, even for humansانسان, quiteکاملا impossibleغیرممکن است
to get the steeringفرمان right.
114
316929
4073
و یک مسابقه گذاشتیم و گفتیم،
« این یک مسابقه یادگیری عمیق هست،
05:33
And we ranفرار کرد a competitionرقابت and said,
"It's a deepعمیق learningیادگیری competitionرقابت,
115
321026
3591
05:36
AIAI competitionرقابت,"
116
324641
1173
مسابقه هوش مصنوعی».
05:37
and we gaveداد the studentsدانش آموزان 48 hoursساعت ها.
117
325838
1887
و به دانشجوها ۴۸ ساعت فرصت دادیم.
05:39
So if you are a softwareنرم افزار houseخانه
like Googleگوگل or Facebookفیس بوک,
118
327749
4172
خوب اگر شما یک شرکت نرم افزاری
مثل گوگل یا فیسبوک باشید،
انجام دادن کاری مثل این، برای شما
حداقل شش ماه وقت میبره،
05:43
something like this costsهزینه ها you
at leastکمترین sixشش monthsماه ها of work.
119
331945
2717
بنابراین ما فکر کردیم ۴۸ ساعت خیلی خوبه.
05:46
So we figuredشکل گرفته 48 hoursساعت ها is great.
120
334686
2202
و در مدت ۴۸ ساعت، تقریبا
۱۰۰ جواب از دانشجوها دریافت کردیم.
05:48
And withinدر داخل 48 hoursساعت ها, we got about
100 submissionsارسال ها from studentsدانش آموزان,
121
336912
3467
05:52
and the topبالا fourچهار got it perfectlyکاملا right.
122
340403
3370
که چهارتای اولی کاملا درست انجامش دادند،
و در این تصاویر، می‌تونه بهتر از چیزی که
من می‌تونستم رانندگی کنم،
05:55
It drivesدرایوها better than I could
driveراندن on this imageryتصاویر,
123
343797
2640
با استفاده از یادگیری عمیق هدایتش کنه.
05:58
usingاستفاده كردن deepعمیق learningیادگیری.
124
346461
1189
و باز هم، همون اصول رو داره.
05:59
And again, it's the sameیکسان methodologyروش شناسی.
125
347674
1799
این چیز جادویی رو که
06:01
It's this magicalجادویی thing.
126
349497
1164
وقتی شما به یک کامپیوتر
داده‌های لازم رو بدید
06:02
When you give enoughکافی dataداده ها
to a computerکامپیوتر now,
127
350685
2085
و زمان کافی داشته باشه تا
داده‌ها رو فرا بگیره،
06:04
and give enoughکافی time
to comprehendدرک the dataداده ها,
128
352794
2140
برنامه خودش رو پیدا می‌کنه.
06:06
it findsپیدا می کند its ownخودت rulesقوانین.
129
354958
1445
کریس: و همینطور منجر به توسعه
کاربردهای قدرتمند دیگه‌ای در همه زمینه‌ها شد.
06:09
CACA: And so that has led to the developmentتوسعه
of powerfulقدرتمند applicationsبرنامه های کاربردی
130
357339
4845
06:14
in all sortsانواع of areasمناطق.
131
362208
1525
یک روزی با من در مورد سرطان صحبت میکردی.
06:15
You were talkingصحبت کردن to me
the other day about cancerسرطان.
132
363757
2668
06:18
Can I showنشان بده this videoویدئو?
133
366449
1189
می‌تونم این ویدئو رو نشون بدم؟
06:19
STST: Yeah, absolutelyکاملا, please.
CACA: This is coolسرد.
134
367662
2354
سباستین: بله، حتما، خواهش می‌کنم.
کریس: جالبه.
06:22
STST: This is kindنوع of an insightبینش، بصیرت، درون بینی
into what's happeningاتفاق می افتد
135
370040
3534
سباستین: این نگاهی به درونِ چیزی هست که
06:25
in a completelyبه صورت کامل differentناهمسان domainدامنه.
136
373598
2429
داره در حوزه ای کاملا متفاوت اتفاق میوفته.
06:28
This is augmentingتقویت, or competingرقابت --
137
376051
3752
این در حال تقویت کردن یا رقابت کردن با --
بستگی داره چطور بهش نگاه کنید --
06:31
it's in the eyeچشم of the beholderدوست داشتنی --
138
379827
1749
06:33
with people who are beingبودن paidپرداخت شده
400,000 dollarsدلار a yearسال,
139
381600
3454
افرادی هست که سالانه ۴۰۰,۰۰۰ دلار درآمد دارند،
پزشکان متخصص پوست،
06:37
dermatologistsمتخصصین پوست,
140
385078
1237
متخصص‌هایی بسیار آموزش دیده.
06:38
highlyبه شدت trainedآموزش دیده specialistsمتخصصان.
141
386339
1983
بیشتر از یک دهه آموزش نیازه
که متخصص پوست خوبی بشید.
06:40
It takes more than a decadeدهه of trainingآموزش
to be a good dermatologistمتخصص پوست.
142
388346
3561
06:43
What you see here is
the machineدستگاه learningیادگیری versionنسخه of it.
143
391931
3196
چیزی که اینجا می‌بینید،
نسخه یادگیری ماشین اون هست،
یک شبکه عصبی نام داره.
06:47
It's calledبه نام a neuralعصبی networkشبکه.
144
395151
1841
06:49
"Neuralعصبی networksشبکه های" is the technicalفنی termدوره
for these machineدستگاه learningیادگیری algorithmsالگوریتم ها.
145
397016
3742
«شبکه‌های عصبی» اصطلاح فنی این
الگوریتم‌های یادگیری ماشین هست.
از دهه ۱۹۸۰ تجربه حضور دارند.
06:52
They'veآنها دارند been around sinceاز آنجا که the 1980s.
146
400782
1789
این یکی، در سال ۱۹۸۸ توسط یک همکار فیسبوک
به نام یان لی کن، ابداع شد
06:54
This one was inventedاختراع شده است in 1988
by a Facebookفیس بوک Fellowهمکار calledبه نام Yannیان LeCunLeCun,
147
402595
4640
06:59
and it propagatesپخش می شود dataداده ها stagesمراحل
148
407259
3558
و مراحل داده رو از طریقی
که شما می‌تونید به عنوان
مغز یک انسان بهش فکر کنید، گسترش میده.
07:02
throughاز طریق what you could think of
as the humanانسان brainمغز.
149
410841
2578
دقیقا همون نیست،
ولی با اون رقابت می‌کنه.
07:05
It's not quiteکاملا the sameیکسان thing,
but it emulatesتقلید می کند the sameیکسان thing.
150
413443
2966
از مرحله ای به مرحله دیگه میره.
07:08
It goesمی رود stageمرحله after stageمرحله.
151
416433
1302
در اولین مرحله، تصویر ورودی رو می‌گیره
و لبه‌ها، میله‌ها و نقطه‌ها رو استخراج می‌کنه
07:09
In the very first stageمرحله, it takes
the visualبصری inputورودی and extractsعصاره ها edgesلبه ها
152
417759
3637
07:13
and rodsمیله ها and dotsنقطه ها.
153
421420
2612
07:16
And the nextبعد one becomesتبدیل می شود
more complicatedبغرنج edgesلبه ها
154
424056
3037
و تصویر بعدی، دارای لبه‌های پیچیده تری میشه،
و به شکل نصف قرص ماه درمیاد.
07:19
and shapesشکل ها like little half-moonshalf-moons.
155
427117
3191
07:22
And eventuallyدر نهایت, it's ableتوانایی to buildساختن
really complicatedبغرنج conceptsمفاهیم.
156
430332
4443
و در نتیجه، قادر هست مفاهیم واقعا پیچیده ای بسازه.
07:26
Andrewاندرو NgNg has been ableتوانایی to showنشان بده
157
434799
2048
اندرو ان گی تونست نشون بده
07:28
that it's ableتوانایی to find
catگربه facesچهره ها and dogسگ facesچهره ها
158
436871
3480
که می‌تونه صورت گربه‌ها و سگ‌ها رو
از بین تعداد بسیار زیادی تصویر تشخیص بده.
07:32
in vastعظیم amountsمقادیر of imagesتصاویر.
159
440375
1661
07:34
What my studentدانشجو teamتیم
at Stanfordاستنفورد has shownنشان داده شده is that
160
442060
2724
چیزی که تیم دانشجوهای من در
استنفورد نشون داده، این هست که
اگر شما اون رو، روی ۱۲۹,۰۰۰ تصویر
از وضعیت‌های پوست آموزش بدید،
07:36
if you trainقطار it on 129,000 imagesتصاویر
of skinپوست conditionsشرایط,
161
444808
6073
شامل ملانوما و کارسینوما،
07:42
includingشامل melanomaملانوم and carcinomasکارسینوم,
162
450905
2565
07:45
you can do as good a jobکار
163
453494
3301
شما می‌تونید به خوبیِ بهترین پزشک متخصص،
این کار رو انجام بدید.
07:48
as the bestبهترین humanانسان dermatologistsمتخصصین پوست.
164
456819
2197
و ما برای اینکه خودمون رو متقاعد کنیم
که مورد درست تشخیص داده شده،
07:51
And to convinceمتقاعد کردن ourselvesخودمان
that this is the caseمورد,
165
459040
2549
07:53
we capturedاسیر an independentمستقل datasetمجموعه داده
that we presentedارایه شده to our networkشبکه
166
461613
3990
یک مجموعه داده مستقل بدست
آوردیم و به شبکه خودمون
07:57
and to 25 board-certifiedهیئت مدیره گواهی شده است
Stanford-levelاستنفورد در سطح dermatologistsمتخصصین پوست,
167
465627
4342
و به ۲۵ پوست شناس، دارای برد تخصصی
و در سطح اسنفورد دادیم،
و اون‌ها رو مقایسه کردیم.
08:01
and comparedمقایسه کرد those.
168
469993
1672
08:03
And in mostاکثر casesموارد,
169
471689
1504
و در بیشتر موارد،
08:05
they were eitherیا on parpar or aboveدر بالا
the performanceکارایی classificationطبقه بندی accuracyدقت
170
473217
3875
اون‌ها از نظر دقت طبقه بندی عملکرد،
با پزشکان متخصص پوست برابر و یا از اون‌ها بالاتر بودند.
08:09
of humanانسان dermatologistsمتخصصین پوست.
171
477116
1467
کریس: برای من یه داستانی تعریف کرده بودی.
08:10
CACA: You were tellingگفتن me an anecdoteحکایت.
172
478607
1746
فکر کنم در مورد همین تصویر.
08:12
I think about this imageتصویر right here.
173
480377
1957
اینجا چی شد؟
08:14
What happenedاتفاق افتاد here?
174
482358
1484
سباستین: پنج شنبه گذشته بود.
این یک نمونه در حال حرکت هست.
08:15
STST: This was last Thursdayپنج شنبه.
That's a movingدر حال حرکت pieceقطعه.
175
483866
4008
08:19
What we'veما هستیم shownنشان داده شده before and we publishedمنتشر شده
in "Natureطبیعت" earlierقبلا this yearسال
176
487898
3600
چیزی که ما قبل تر نشون دادیم و
اوایل امسال در مجله نِیچر(طبیعت) منتشر کردیم،
این ایده بود که تصاویر رو به متخصصین پوست
08:23
was this ideaاندیشه that we showنشان بده
dermatologistsمتخصصین پوست imagesتصاویر
177
491522
2484
و به برنامه کامپیوتر نشون بدیم،
08:26
and our computerکامپیوتر programبرنامه imagesتصاویر,
178
494030
1539
و حساب کنیم چقدر درست هستند.
08:27
and countشمردن how oftenغالبا they're right.
179
495593
1627
ولی همه این تصاویر، تصاویر قدیمی هستند.
08:29
But all these imagesتصاویر are pastگذشته imagesتصاویر.
180
497244
1778
از همه اون‌ها بافت برداری شد تا مطمئن بشیم
طبقه بندی درستی انجام دادیم.
08:31
They'veآنها دارند all been biopsiedديستال to make sure
we had the correctدرست classificationطبقه بندی.
181
499046
3460
این یکی طبقه بندی نشده بود.
08:34
This one wasn'tنبود.
182
502530
1172
در واقع این در استنفورد، توسط
یکی از همکاران ما انجام شد.
08:35
This one was actuallyدر واقع doneانجام شده at Stanfordاستنفورد
by one of our collaboratorsمشارکت کنندگان.
183
503726
3179
08:38
The storyداستان goesمی رود that our collaboratorمشارکت کننده,
184
506929
2314
داستان اینه که همکار ما،
متخصص پوستی که شهرت جهانی داره،
ظاهرا یکی از سه تای برتر،
08:41
who is a world-famousشهرت جهانی dermatologistمتخصص پوست,
one of the threeسه bestبهترین, apparentlyظاهرا,
185
509267
3391
به این خال نگاه کرد و گفت:
«این سرطان پوست نیست».
08:44
lookedنگاه کرد at this moleمول and said,
"This is not skinپوست cancerسرطان."
186
512682
2935
و بعد چند لحظه گفت:
08:47
And then he had
a secondدومین momentلحظه, where he said,
187
515641
2476
«خوب، بزارید با نرم افزار بررسی کنم».
08:50
"Well, let me just checkبررسی with the appبرنامه."
188
518141
1866
گوشی آیفون خودش رو درآورد
و نرم افزار ما رو اجرا کرد،
08:52
So he tookگرفت out his iPhoneآی فون
and ranفرار کرد our pieceقطعه of softwareنرم افزار,
189
520031
2699
یه جورایی «متخصص پوست جیبی» ما.
08:54
our "pocketجیب dermatologistمتخصص پوست," so to speakصحبت,
190
522754
2121
و آیفون گفت: سرطان.
08:56
and the iPhoneآی فون said: cancerسرطان.
191
524899
2994
گفت: ملانوما.
08:59
It said melanomaملانوم.
192
527917
1306
و دکتر بعدش گیج شد.
09:01
And then he was confusedسردرگم.
193
529849
1233
و گفت: «خوب، شاید من باید به آیفون
بیشتر از خودم اعتماد کنم».
09:03
And he decidedقرار بر این شد, "OK, maybe I trustاعتماد
the iPhoneآی فون a little bitبیت more than myselfخودم,"
194
531106
4551
09:07
and he sentارسال شد it out to the labآزمایشگاه
to get it biopsiedديستال.
195
535681
2735
و نمونه رو فرستاد آزمایشگاه
تا بافت برداری بشه.
09:10
And it cameآمد up as an aggressiveخشونت آمیز melanomaملانوم.
196
538440
2469
و نتیجه، ملانومای بدخیم بود.
09:13
So I think this mightممکن be the first time
that we actuallyدر واقع foundپیدا شد,
197
541545
3067
خوب در واقع من فکر می‌کنم این
اولین باری هست که ما
09:16
in the practiceتمرین of usingاستفاده كردن deepعمیق learningیادگیری,
198
544636
2487
کاربرد یادگیری ماشین رو در عمل دیدیم،
09:19
an actualواقعی personفرد whoseکه melanomaملانوم
would have goneرفته unclassifiedطبقه بندی نشده,
199
547147
3372
یک شخص حقیقی که ملانومای اون
غیرطبقه بندی شده بود،
09:22
had it not been for deepعمیق learningیادگیری.
200
550543
2115
و برای یادگیری عمیق وجود نداشت.
کریس: چطور بگم، فوق العاده است.
09:24
CACA: I mean, that's incredibleباور نکردنی.
201
552682
1560
09:26
(Applauseتشویق و تمجید)
202
554266
1769
(دست زدن حضار)
09:28
It feelsاحساس می کند like there'dقرمز be an instantفوری demandتقاضا
for an appبرنامه like this right now,
203
556059
3600
احساس میشه الان یک تقاضای فوری
برای نرم افزاری مثل این وجود داشته باشه،
ممکنه شما مردم زیادی رو شگفت زده کنید.
09:31
that you mightممکن freakچیز غریب out a lot of people.
204
559683
1966
آیا به انجام این کار فکر می‌کنید؟
ساختن نرم افزاری که اجازه میده خودت رو چک کنی؟
09:33
Are you thinkingفكر كردن of doing this,
makingساخت an appبرنامه that allowsاجازه می دهد self-checkingچک کردن خود?
205
561673
3527
سباستین: خوب، صندوق پستی من
مملو از نامه‌هایی در مورد نرم افزار سرطان هست.
09:37
STST: So my in-boxدر جعبه is floodedآب گرفتگی
about cancerسرطان appsبرنامه ها,
206
565224
4973
09:42
with heartbreakingدلهره آور storiesداستان ها of people.
207
570221
2303
با داستان‌هایی ناراحت کننده از مردم.
چطور بگم، بعضی مردم
۱۰، ۱۵، ۲۰ ملانوما رو برداشتن
09:44
I mean, some people have had
10, 15, 20 melanomasملانوما removedحذف شده,
208
572548
3204
09:47
and are scaredترسیده that one
mightممکن be overlookedنادیده گرفته شده, like this one,
209
575776
3952
و میترسند که یکی مثل این
ممکنه دوباره ظاهر بشه.
و همچنین در مورد، نمی‌دونم،
09:51
and alsoهمچنین, about, I don't know,
210
579752
1741
ماشین‌های پرنده و حدس میزنم
این روزها سوالاتی در مورد سخنرانی،
09:53
flyingپرواز carsماشین ها and speakerبلندگو inquiriesسوالات
these daysروزها, I guessحدس بزن.
211
581517
2732
09:56
My take is, we need more testingآزمایش کردن.
212
584273
2738
برداشت من اینه که ما به
آزمایشات بیشتری نیاز داریم.
09:59
I want to be very carefulمراقب باشید.
213
587449
1778
من میخوام خیلی مراقب باشم.
10:01
It's very easyآسان to give a flashyزرق و برق دار resultنتيجه
and impressتاثیر گذاشتن a TEDTED audienceحضار.
214
589251
3666
خیلی آسونه که یک نتیجه درخشان رو نشون بدی
و مخاطبین TED رو تحت تاثیر قرار بدی،
ولی خیلی سخت تره که اخلاق
رو در نظر نگیری
10:04
It's much harderسخت تر to put
something out that's ethicalاخلاقی.
215
592941
2627
و اگر مردم عادت کنند
از این نرم افزار استفاده کنند
10:07
And if people were to use the appبرنامه
216
595592
2394
10:10
and chooseانتخاب کنید not to consultمشورت کردن
the assistanceمعاونت of a doctorدکتر
217
598010
2797
و از مشورت یک پزشک کمک نگیرن،
اونوقت اگر ما اشتباه کنیم،
10:12
because we get it wrongاشتباه,
218
600831
1583
من واقعا احساس بدی خواهم دشت.
10:14
I would feel really badبد about it.
219
602438
1653
خوب ما الان داریم تست‌های
کلینیکی رو انجام میدیم،
10:16
So we're currentlyدر حال حاضر doing clinicalبالینی testsآزمایشات,
220
604115
1925
و اگر این تست‌های کلینیکی شروع بشن
و داده‌های ما تداوم داشته باشه،
10:18
and if these clinicalبالینی testsآزمایشات commenceشروع کن
and our dataداده ها holdsدارای up,
221
606064
2798
ممکن هست یک روزی بتونیم
فناوری‌های مثل این رو
10:20
we mightممکن be ableتوانایی at some pointنقطه
to take this kindنوع of technologyتکنولوژی
222
608886
2990
از آزمایشگاه استنفورد بیرون ببریم
10:23
and take it out of the Stanfordاستنفورد clinicدرمانگاه
223
611900
1892
و به همه دنیا عرضه کنیم،
10:25
and bringآوردن it to the entireکل worldجهان,
224
613816
1658
جاهایی که پزشکان استنفورد هرگز
پای خودشون رو نخواهند گذاشت.
10:27
placesمکان ها where Stanfordاستنفورد
doctorsپزشکان never, ever setتنظیم footپا.
225
615498
2456
کریس: اینو درست فهمیدم؟
10:30
CACA: And do I hearشنیدن this right,
226
618617
2580
به نظر میرسه شبیه چیزی هست
که داشتی میگفتی،
10:33
that it seemedبه نظر می رسید like what you were sayingگفت:,
227
621221
1966
چون تو داری با این گروه از
دانشجوهای یوداسیتی کار می‌کنی،
10:35
because you are workingکار کردن
with this armyارتش of Udacityاشتیاق studentsدانش آموزان,
228
623211
4254
که در یک راستا، شکل متفاوتی از
یادگیری ماشین رو اعمال می‌کنید
10:39
that in a way, you're applyingاعمال
a differentناهمسان formفرم of machineدستگاه learningیادگیری
229
627489
3221
که ممکنه در یک شرکت اتفاق بیوفته،
10:42
than mightممکن take placeمحل in a companyشرکت,
230
630734
1735
اینکه شما دارید یادگیری ماشین رو با
شکلی از خرد جمعی ترکیب می‌کنید.
10:44
whichکه is you're combiningترکیب کردن machineدستگاه learningیادگیری
with a formفرم of crowdجمعیت wisdomحکمت.
231
632493
3484
آیا در واقع می‌گی گاهی اوقات فکر می‌کنی
که می‌تونید بهتر از چیزی عمل کنید
10:48
Are you sayingگفت: that sometimesگاه گاهی you think
that could actuallyدر واقع outperformبهتر از
232
636001
3384
که یک شرکت می‌تونه؟ اونم یک شرکت بزرگ؟
10:51
what a companyشرکت can do,
even a vastعظیم companyشرکت?
233
639409
2050
سباستین: من معتقدم الان مثال‌هایی
وجود داره که ذهن من رو تکون بده.
10:53
STST: I believe there's now
instancesنمونه ها that blowفوت کردن، دمیدن my mindذهن,
234
641483
2940
و من هنوز تلاش می‌کنم که بفهمم.
10:56
and I'm still tryingتلاش کن to understandفهمیدن.
235
644447
1758
چیزی که کریس به اون اشاره می‌کنه
مسابقاتی هست که ما برگزار می‌کنیم.
10:58
What Chrisکریس is referringاشاره to
is these competitionsمسابقات that we runاجرا کن.
236
646229
3937
ما مسابقات رو در ۴۸ ساعت برگزار می‌کنیم،
11:02
We turnدور زدن them around in 48 hoursساعت ها,
237
650190
2268
11:04
and we'veما هستیم been ableتوانایی to buildساختن
a self-drivingخود رانندگی carماشین
238
652482
2252
و تونستیم یک ماشین بدون راننده بسازیم
که می‌تونه در سطح خیابون، از مانتین ویو
تا سانفرانسیسکو رانندگی کنه.
11:06
that can driveراندن from Mountainکوه Viewچشم انداز
to Sanسان Franciscoفرانسیسکو on surfaceسطح streetsخیابان ها.
239
654758
3387
بعد از هفت سال کارِ گوگل،
کاملا با مدل گوگل برابری نمی‌کنه،
11:10
It's not quiteکاملا on parpar with Googleگوگل
after sevenهفت yearsسالها of Googleگوگل work,
240
658169
3584
11:13
but it's gettingگرفتن there.
241
661777
2528
ولی داره به اون میرسه.
و فقط دو تا مهندس و سه ماه زمان
لازم بود که انجام بشه.
11:16
And it tookگرفت us only two engineersمهندسین
and threeسه monthsماه ها to do this.
242
664329
3084
و دلیلش اینه که ما گروهی از دانشجوهایی داریم
11:19
And the reasonدلیل is, we have
an armyارتش of studentsدانش آموزان
243
667437
2856
که در رقابت‌ها شرکت می‌کنند.
11:22
who participateشرکت کردن in competitionsمسابقات.
244
670317
1850
11:24
We're not the only onesآنهایی که
who use crowdsourcingcrowdsourcing.
245
672191
2220
ما تنها کسانی نیستیم که از
جمع سپاری استفاده می‌کنیم.
Uber و Didi برای رانندگی
از جمع سپاری استفاده می‌کنند.
11:26
Uberاوبر and Didiدیدی use crowdsourcecrowdsource for drivingرانندگی.
246
674435
2223
11:28
AirbnbAirbnb usesاستفاده می کند crowdsourcingcrowdsourcing for hotelsهتل ها.
247
676682
2759
Airbnb برای هتل‌ها از
جمع سپاری استفاده می‌کنه.
امروز، نمونه‌های زیادی وجود داره که مردم
از جمع سپاریِ برای پیدا کردن باگ استفاده می‌کنند.
11:31
There's now manyبسیاری examplesمثال ها
where people do bug-findingاشکال یاب crowdsourcingcrowdsourcing
248
679465
4007
یا تا کردن پروتئین
و هرچیز ممکن دیگه برای جمع سپاری.
11:35
or proteinپروتئین foldingتاشو, of all things,
in crowdsourcingcrowdsourcing.
249
683496
2804
11:38
But we'veما هستیم been ableتوانایی to buildساختن
this carماشین in threeسه monthsماه ها,
250
686324
2915
ولی ما تونستیم این ماشین
رو در سه ماه بسازیم،
پس من دارم دوباره به این فکر می‌کنم که
11:41
so I am actuallyدر واقع rethinkingتجدید نظر
251
689263
3655
چطور شرکت‌ها رو سازماندهی کنیم.
11:44
how we organizeسازمان دادن corporationsشرکت ها.
252
692942
2238
ما ۹,۰۰۰ نفر کارمند داریم
که هیچوقت استخدام نمیشن،
11:47
We have a staffکارکنان of 9,000 people
who are never hiredاستخدام شده,
253
695204
4696
و هیچوقت اخراج نمیشن.
11:51
that I never fireآتش.
254
699924
1308
اون‌ها برای کار حاضر میشن
و من حتی خبر ندارم.
11:53
They showنشان بده up to work
and I don't even know.
255
701256
2362
سپس اون‌ها شاید ۹,۰۰۰ جواب می‌فرستند.
11:55
Then they submitارسال to me
maybe 9,000 answersپاسخ ها.
256
703642
3058
من متعهد نیستم که از همه اون‌ها استفاده کنم.
11:58
I'm not obligedموظف است to use any of those.
257
706724
2176
12:00
I endپایان up -- I payپرداخت only the winnersبرندگان,
258
708924
1991
ختم کلام -- من فقط به برنده‌ها پول میدم،
خوب اینجا من واقعا آدم خسیسی هستم،
که شاید بهترین گزینه نباشه،
12:02
so I'm actuallyدر واقع very cheapskateادم ارزان خر here,
whichکه is maybe not the bestبهترین thing to do.
259
710939
3718
ولی اون‌ها این رو به عنوان بخشی از آموزش
در نظر می‌گیرند، که همین هم خوبه.
12:06
But they considerدر نظر گرفتن it partبخشی
of theirخودشان educationتحصیلات, too, whichکه is niceخوب.
260
714681
3185
ولی همین دانشجوها تونستن
نتایج جالبی در یادگیری عمیق بدست بیارن.
12:09
But these studentsدانش آموزان have been ableتوانایی
to produceتولید کردن amazingحیرت آور deepعمیق learningیادگیری resultsنتایج.
261
717890
4201
بنابراین بله، تلفیق افراد عالی و
یادگیری ماشین خارق العاده است.
12:14
So yeah, the synthesisسنتز of great people
and great machineدستگاه learningیادگیری is amazingحیرت آور.
262
722115
3861
کریس: در روز اول همایش [TED2017]،
گری کاسپاروف گفت:
12:18
CACA: I mean, Garyگری Kasparovکاسپاروف said on
the first day [of TEDTED2017]
263
726000
2814
برنده‌های مسابقه شطرنج، به طور شگفت آوری،
12:20
that the winnersبرندگان of chessشطرنج, surprisinglyشگفت آور,
turnedتبدیل شد out to be two amateurآماتور chessشطرنج playersبازیکنان
264
728848
5412
دو شطرنج باز مبتدی با سه تا
نرم افزار متوسط یا متوسط به بالا بودند،
12:26
with threeسه mediocre-ishmediocre-ish,
mediocre-to-goodمتوسط به خوب, computerکامپیوتر programsبرنامه ها,
265
734284
5371
که تونستن بهتر از یک استاد بزرگ و
یک شطرنج بازِ بسیار خوب، عمل کنند.
12:31
that could outperformبهتر از one grandبزرگ masterاستاد
with one great chessشطرنج playerبازیکن,
266
739679
3163
مثل اینکه همش بخشی از فرآیند بود.
12:34
like it was all partبخشی of the processروند.
267
742866
1743
تقریبا به نظر میرسه تو در مورد
نسخه ای بسیار پربارتر
12:36
And it almostتقریبا seemsبه نظر می رسد like
you're talkingصحبت کردن about a much richerغنی تر versionنسخه
268
744633
3335
از ایده مشابه صحبت می‌کنی.
12:39
of that sameیکسان ideaاندیشه.
269
747992
1200
سباستین: بله، همونطور که شما میزگردهای
بسیار خوب صبحِ دیروز رو دنبال کردید،
12:41
STST: Yeah, I mean, as you followedدنبال شد
the fantasticخارق العاده panelsپانل ها yesterdayدیروز morningصبح,
270
749216
3857
12:45
two sessionsجلسات about AIAI,
271
753097
1994
دو جلسه در مورد هوش مصنوعی،
ارباب‌های رباتیک و پاسخ‌های انسانی،
12:47
roboticروباتیک overlordsسرپرست and the humanانسان responseواکنش,
272
755115
2167
چیزهای بسیار بسیار جالبی گفته شد.
12:49
manyبسیاری, manyبسیاری great things were said.
273
757306
1982
12:51
But one of the concernsنگرانی ها is
that we sometimesگاه گاهی confuseاشتباه
274
759312
2687
ولی یکی از نگرانی‌ها
اینه که ما بعضی وقت‌ها
با چیزی که در واقع هوش مصنوعی
با تهدید ارباب انجام میده، سردرگم میشیم.
12:54
what's actuallyدر واقع been doneانجام شده with AIAI
with this kindنوع of overlordسرپرست threatتهدید,
275
762023
4062
جایی که هوش مصنوعی شما،
آگاهی رو توسعه میده. خوب؟
12:58
where your AIAI developsتوسعه می یابد
consciousnessآگاهی, right?
276
766109
3424
آگاهی و فهم، آخرین چیزیه که من
برای هوش مصنوعی خودم میخوام.
13:01
The last thing I want
is for my AIAI to have consciousnessآگاهی.
277
769557
2971
من نمیخوام برم به آشپزخونه
13:04
I don't want to come into my kitchenآشپزخانه
278
772552
1716
و ببینم یخچال عاشق ماشین ظرف شویی شده
13:06
and have the refrigeratorیخچال fallسقوط in love
with the dishwasherماشین ظرفشویی
279
774292
4193
و به من میگه چون به اندازه کافی خوب نبودم،
13:10
and tell me, because I wasn'tنبود niceخوب enoughکافی,
280
778509
2124
الان غذای من گرم هست. خوب؟
13:12
my foodغذا is now warmگرم.
281
780657
1837
من اینچنین محصولاتی رو نمیخرم
و اون‌ها رو نمیخوام.
13:14
I wouldn'tنمی خواهم buyخرید these productsمحصولات,
and I don't want them.
282
782518
2891
ولی حقیقت برای من اینه که،
13:17
But the truthحقیقت is, for me,
283
785825
1802
13:19
AIAI has always been
an augmentationتقویت of people.
284
787651
2720
هوش مصنوعی همیشه برای تکامل مردم بوده،
ابزاری برای تکامل ما بوده است،
13:22
It's been an augmentationتقویت of us,
285
790893
1676
13:24
to make us strongerقوی تر.
286
792593
1457
تا ما رو قوی تر کنه.
13:26
And I think Kasparovکاسپاروف was exactlyدقیقا correctدرست.
287
794074
2831
و من فکر می‌کنم کاسپاروف کاملا درست میگه.
ترکیبی از نبوغ انسان و نبوغ ماشین بوده
13:28
It's been the combinationترکیبی
of humanانسان smartssmarts and machineدستگاه smartssmarts
288
796929
3849
که ما رو قوی تر می‌کنه.
13:32
that make us strongerقوی تر.
289
800802
1464
این موضوع که ماشین‌ها ما رو قدرتمندتر می‌کنند،
به اندازه خود ماشین‌ها قدمت داره.
13:34
The themeموضوع of machinesماشین آلات makingساخت us strongerقوی تر
is as oldقدیمی as machinesماشین آلات are.
290
802290
4587
انقلاب کشاورزی به این دلیل
اتفاق افتاد که ماشین بخار
13:39
The agriculturalکشاورزی revolutionانقلاب tookگرفت
placeمحل because it madeساخته شده steamبخار enginesموتورها
291
807567
3758
و تجهیزات زراعتی کماکان
خودشون نمی‌تونستند مزرعه داری کنند،
13:43
and farmingکشاورزی equipmentتجهیزات
that couldn'tنمی توانستم farmمزرعه by itselfخودش,
292
811349
2666
اون هرگز جایگزین ما نشد،
ما رو قوی‌تر کرد.
13:46
that never replacedجایگزین شد us;
it madeساخته شده us strongerقوی تر.
293
814039
2122
و من اعتقاد دارم این موج
جدید هوش مصنوعی هم،
13:48
And I believe this newجدید waveموج of AIAI
will make us much, much strongerقوی تر
294
816185
3738
ما رو به عنوان نژاد بشر،
بسیار بسیار قوی‌تر می‌کنه.
13:51
as a humanانسان raceنژاد.
295
819947
1183
کریس: یه کم بیشتر به اون خواهیم پرداخت.
13:53
CACA: We'llخوب come on to that a bitبیت more,
296
821765
1813
ولی صرفا جهت ادامه قسمت
ترسناک اون برای بعضی مردم،
13:55
but just to continueادامه دهید with the scaryترسناک partبخشی
of this for some people,
297
823602
3671
مثلا چیزی که احساس میشه
برای مردم ترسناک هست، اینه که
13:59
like, what feelsاحساس می کند like it getsمی شود
scaryترسناک for people is when you have
298
827297
3558
وقتی یک کامپیوتر می‌تونه کدهای
خودش رو دوباره بنویسه،
14:02
a computerکامپیوتر that can, one,
rewriteبازنویسی its ownخودت codeکد,
299
830879
4618
14:07
so, it can createايجاد كردن
multipleچندگانه copiesکپی ها of itselfخودش,
300
835521
3584
پس می‌تونه چند نمونه مثل
خودش رو ایجاد کنه،
یک سری از نسخه‌های مختلف
برنامه رو امتحان کنه،
14:11
try a bunchدسته ای of differentناهمسان codeکد versionsنسخه ها,
301
839129
1897
احتمالا حتی بصورت تصادفی،
14:13
possiblyاحتمالا even at randomتصادفی,
302
841050
1775
و بعد اون‌ها رو چک کنه و ببینه
آیا به هدف رسیده و بهتر شده.
14:14
and then checkبررسی them out and see
if a goalهدف is achievedبه دست آورد and improvedبهبود یافته.
303
842849
3632
پس بهتره هدف روی یک تست هوش انجام بشه.
14:18
So, say the goalهدف is to do better
on an intelligenceهوش testتست.
304
846505
3641
می‌دونی، کامپیوتری که نسبتا
در انجام دادنش خوب هست،
14:22
You know, a computerکامپیوتر
that's moderatelyنسبتا good at that,
305
850170
3894
تو می‌تونی میلیون‌ها نسخه
از اون رو امتحان کنی.
14:26
you could try a millionمیلیون versionsنسخه ها of that.
306
854088
2509
ممکنه یکی رو پیدا کنی که از همه بهتر باشه،
14:28
You mightممکن find one that was better,
307
856621
2090
و بعد، می‌دونی، تکرار کنی.
14:30
and then, you know, repeatتکرار.
308
858735
2004
و بنابرین نگرانی این هست که یه جورایی
کنترلش از دستت خارج بشه،
14:32
And so the concernنگرانی is that you get
some sortمرتب سازی of runawayفرار کن effectاثر
309
860763
3040
14:35
where everything is fine
on Thursdayپنج شنبه eveningشب,
310
863827
3008
وقتی که همه چیز در
عصر پنج شنبه روبراهه،
و تو صبح جمعه برمیگردی آزمایشگاه
14:38
and you come back into the labآزمایشگاه
on Fridayجمعه morningصبح,
311
866859
2336
و به دلیل سرعت کامپیوترها و غیره،
14:41
and because of the speedسرعت
of computersکامپیوترها and so forthچهارم,
312
869219
2449
همه چیز قاطی کرده و ناگهان --
14:43
things have goneرفته crazyدیوانه, and suddenlyناگهان --
313
871692
1903
سباستین: من میگم احتمال داره،
14:45
STST: I would say this is a possibilityامکان پذیری,
314
873619
2020
ولی یک احتمال خیلی بعیده.
14:47
but it's a very remoteاز راه دور possibilityامکان پذیری.
315
875663
1916
خوب بزار من چیزی که الان
شنیدم گفتی رو یک جور دیگه بگم.
14:49
So let me just translateترجمه کردن
what I heardشنیدم you say.
316
877603
3337
در مورد آلفاگو، دقیقا این رو داشتیم:
14:52
In the AlphaGoAlphaGo caseمورد,
we had exactlyدقیقا this thing:
317
880964
2704
کامپیوتر با خودش بازی می‌کنه
14:55
the computerکامپیوتر would playبازی
the gameبازی againstدر برابر itselfخودش
318
883692
2315
و قواعد جدید رو فرا می‌گیرد.
14:58
and then learnیاد گرفتن newجدید rulesقوانین.
319
886031
1250
و چیزی که یادگیری ماشین هست،
دوباره نویسیِ دستوراته.
14:59
And what machineدستگاه learningیادگیری is
is a rewritingبازنویسی of the rulesقوانین.
320
887305
3235
دوباره نویسیِ کد هست.
15:02
It's the rewritingبازنویسی of codeکد.
321
890564
1769
ولی من فکر می‌کنم مطلقاً
هیچ نگرانی وجود نداشت،
15:04
But I think there was
absolutelyکاملا no concernنگرانی
322
892357
2845
که آلفاگو روی جهان تسلط پیدا کنه.
15:07
that AlphaGoAlphaGo would take over the worldجهان.
323
895226
2426
اون حتی نمی‌تونه شطرنج بازی کنه.
15:09
It can't even playبازی chessشطرنج.
324
897676
1464
کریس: نه، نه، نه. ولی الان
همه اینها، چیزهایی در یک حوزه هستند.
15:11
CACA: No, no, no, but now,
these are all very single-domainتک دامنه things.
325
899164
5147
ولی قابل تصوره.
15:16
But it's possibleامکان پذیر است to imagineتصور کن.
326
904335
2879
منظورم اینه که ما همین الان
کامپیوتری رو دیدیم که تقریبا قادره
15:19
I mean, we just saw a computerکامپیوتر
that seemedبه نظر می رسید nearlyتقریبا capableقادر به
327
907238
3089
در آزمون ورودی دانشگاه قبول بشه،
15:22
of passingگذراندن a universityدانشگاه entranceورود testتست,
328
910351
2655
که یک جورایی می‌تونه -- اون نمی‌تونه بصورتی
که ما می‌تونیم، بخونه و بنویسه،
15:25
that can kindنوع of -- it can't readخواندن
and understandفهمیدن in the senseاحساس that we can,
329
913030
3688
ولی مطمئنا می‌تونه متن رو بگیره و تحلیل کنه
15:28
but it can certainlyقطعا absorbجذب all the textمتن
330
916742
1987
و شاید الگوهای بیشتری از معنا رو درک کنه.
15:30
and maybe see increasedافزایش یافت
patternsالگوها of meaningبه معنی.
331
918753
2899
آیا شانسی وجود نداره که همزمان
که این توسعه پیدا می‌کنه،
15:33
Isn't there a chanceشانس that,
as this broadensگسترش می یابد out,
332
921676
3694
15:37
there could be a differentناهمسان
kindنوع of runawayفرار کن effectاثر?
333
925394
2466
دیگه نتونی جلوش رو بگیری
و کنترلش از دستت خارج بشه؟
سباستین: صادقانه بگم، این جایی هست
که من حد و حدود رو تعیین کردم.
15:39
STST: That's where
I drawقرعه کشی the lineخط, honestlyصادقانه.
334
927884
2078
شانس وجود داره --
من نمی خوام این رو کم اهمیت جلوه بدم --
15:41
And the chanceشانس existsوجود دارد --
I don't want to downplayضعف it --
335
929986
2643
ولی فکر می‌کنم بعیده و چیزی نیست
که این روزها بهش فکر کنم.
15:44
but I think it's remoteاز راه دور, and it's not
the thing that's on my mindذهن these daysروزها,
336
932653
3672
چون من فکر می‌کنم تحول بزرگ،
چیز دیگری هست.
15:48
because I think the bigبزرگ revolutionانقلاب
is something elseچیز دیگری.
337
936349
2512
تا الان هرچیز موفقی در هوش مصنوعی،
15:50
Everything successfulموفق شدن in AIAI
to the presentحاضر dateتاریخ
338
938885
2922
به شدت تخصصی شده،
15:53
has been extremelyفوق العاده specializedتخصصی,
339
941831
2214
و روی یک ایده واحد موفق بوده،
15:56
and it's been thrivingپر رونق on a singleتنها ideaاندیشه,
340
944069
2489
که حجم بسیار عظیم از داده‌ها هست.
15:58
whichکه is massiveعظیم amountsمقادیر of dataداده ها.
341
946582
2739
دلیل اینکه آلفاگو خیلی خوب کار می‌کنه،
بخاطر دفعات بسیار زیاد انجام بازی Go هست،
16:01
The reasonدلیل AlphaGoAlphaGo worksآثار so well
is because of massiveعظیم numbersشماره of Go playsنمایشنامه,
342
949345
4147
آلفاگو نمی‌تونه یک ماشین رو برونه
یا یک هواپیما رو هدایت کنه.
16:05
and AlphaGoAlphaGo can't driveراندن a carماشین
or flyپرواز a planeسطح.
343
953516
3255
رانندگی ماشین بدون سرنشین گوگل
یا ماشین بدون سرنشین یوداسیتی،
16:08
The Googleگوگل self-drivingخود رانندگی carماشین
or the Udacityاشتیاق self-drivingخود رانندگی carماشین
344
956795
3031
به لطف حجم بسیار زیاد داده‌ها هست،
و نمی‌تونه کار دیگری انجام بده.
16:11
thrivesپرورش می یابد on massiveعظیم amountsمقادیر of dataداده ها,
and it can't do anything elseچیز دیگری.
345
959850
3240
حتی نمی‌تونه یک موتور سیکلت رو کنترل کنه.
16:15
It can't even controlکنترل a motorcycleموتورسیکلت.
346
963114
1727
این یک کار خیلی خاص هست،
کار در حوزه ای خاص،
16:16
It's a very specificخاص,
domain-specificدامنه اختصاصی functionعملکرد,
347
964865
2762
و همین موضوع برای نرم افزار
سرطان هم صدق می‌کنه.
16:19
and the sameیکسان is trueدرست است for our cancerسرطان appبرنامه.
348
967651
1907
در موردی به نام «هوش مصنوعی عمومی»،
تقریبا هیچ پیشرفتی بدست نیومده،
16:21
There has been almostتقریبا no progressپیش رفتن
on this thing calledبه نام "generalعمومی AIAI,"
349
969582
3236
که شما برید به یک هوش مصنوعی بگید:
«هی، نسبیت خاص رو برای من کشف کن،
16:24
where you go to an AIAI and say,
"Hey, inventاختراع کردن for me specialویژه relativityنسبیت
350
972842
4000
16:28
or stringرشته theoryتئوری."
351
976866
1666
یا نظریه ریسمان».
کاملا در مرحله ابتدایی هست.
16:30
It's totallyکاملا in the infancyدوران کودکی.
352
978556
1931
دلیل اینکه من میخوام روی
این تاکید کنم این هست که،
16:32
The reasonدلیل I want to emphasizeاهمیت دادن this,
353
980511
2127
16:34
I see the concernsنگرانی ها,
and I want to acknowledgeاذعان them.
354
982662
3838
نگرانی‌ها رو میبینم
و میخوام اون‌ها رو تایید کنم،
ولی اگر قرار بود من به چیزی فکر کنم،
16:38
But if I were to think about one thing,
355
986524
2886
این سوال رو از خودم میپرسیدم که،
«چی میشه اگر هر چیز تکراری رو بگیریم
16:41
I would askپرسیدن myselfخودم the questionسوال,
"What if we can take anything repetitiveتکراری
356
989434
5563
و خودمون رو ۱۰۰ برابر کارآمد تر کنیم».
16:47
and make ourselvesخودمان
100 timesبار as efficientکارآمد?"
357
995021
3473
16:51
It so turnsچرخش out, 300 yearsسالها agoپیش,
we all workedکار کرد in agricultureکشاورزی
358
999170
4249
۳۰۰ سال قبل، همه ما در کشاورزی مشغول بودیم
و زراعت و کارهای تکراری انجام می دادیم.
16:55
and did farmingکشاورزی and did repetitiveتکراری things.
359
1003443
2051
امروز، ۷۵ درصد از ما
در اداره‌ها کار می‌کنیم،
16:57
Todayامروز, 75 percentدرصد of us work in officesدفاتر
360
1005518
2556
و کارهای تکراری انجام میدیم.
17:00
and do repetitiveتکراری things.
361
1008098
2124
ما هنوز از پس کارهای تکراری
روزانه‌مان برنیامدیم.
17:02
We'veما هستیم becomeتبدیل شدن به spreadsheetصفحه گسترده monkeysمیمون ها.
362
1010246
2183
و نه فقط در کارهای سطح پایین.
17:04
And not just low-endکم پایان laborنیروی کار.
363
1012453
2054
ما با انجام کارهای تکراری،
متخصص پوست شدیم،
17:06
We'veما هستیم becomeتبدیل شدن به dermatologistsمتخصصین پوست
doing repetitiveتکراری things,
364
1014531
2754
با انجام کارهای تکراری وکیل شدیم،
17:09
lawyersوکلا doing repetitiveتکراری things.
365
1017309
1749
من فکر می‌کنم ما در آستانه این هستیم که
بتونیم یک هوش مصنوعی رو بگیریم
17:11
I think we are at the brinkآستانه
of beingبودن ableتوانایی to take an AIAI,
366
1019082
3823
[و بهش بگیم:] حواست به من باشه
17:14
look over our shouldersشانه ها,
367
1022929
1718
و اون‌ها ما رو شاید ۱۰ یا ۱۵ برابر،
در این کارهای تکراری کارآمدتر کنند.
17:16
and they make us maybe 10 or 50 timesبار
as effectiveتاثير گذار in these repetitiveتکراری things.
368
1024671
4058
این چیزیه که در ذهن من هست.
17:20
That's what is on my mindذهن.
369
1028753
1275
کریس: فوق العاده جذاب بنظر میرسه.
17:22
CACA: That soundsبرای تلفن های موبایل superفوق العاده excitingهیجان انگیز.
370
1030052
2450
روند به اونجا رسیدن
برای بعضی مردم ترسناکه،
17:24
The processروند of gettingگرفتن there seemsبه نظر می رسد
a little terrifyingوحشتناک to some people,
371
1032526
3530
چون به محض اینکه یک کامپیوتر
بتونه این کارهای تکراری رو
17:28
because onceیک بار a computerکامپیوتر
can do this repetitiveتکراری thing
372
1036080
3180
می‌دونی، خیلی بهتر از متخصص پوست،
17:31
much better than the dermatologistمتخصص پوست
373
1039284
3434
یا بهتر از راننده انجام بده،
17:34
or than the driverراننده, especiallyبه خصوص,
is the thing that's talkedصحبت کرد about
374
1042742
3230
چیزی که مخصوصا الان
خیلی در موردش صحبت میشه،
17:37
so much now,
375
1045996
1290
ناگهان خیلی از شغل‌ها از بین میرن،
17:39
suddenlyناگهان millionsمیلیون ها نفر of jobsشغل ها go,
376
1047310
1958
و می‌دونی، کشور وارد یک تحول میشه
17:41
and, you know, the country'sکشور in revolutionانقلاب
377
1049292
2695
قبل از اینکه ما اصلا به جنبه‌های با شکوه‌ترِ
اون چیزی که ممکن هست، برسیم.
17:44
before we ever get to the more
gloriousشکوهمند aspectsجنبه های of what's possibleامکان پذیر است.
378
1052011
4329
سباستین: بله، و این خودش یک مسئله هست،
یک مسئله بزرگ.
17:48
STST: Yeah, and that's an issueموضوع,
and it's a bigبزرگ issueموضوع,
379
1056364
2517
و دیروز صبح توسط چند
سخنران مهمان بهش اشاره شد.
17:50
and it was pointedخاطر نشان out yesterdayدیروز morningصبح
by severalچند guestمهمان speakersسخنرانان.
380
1058905
4196
17:55
Now, priorقبل از to me showingنشان دادن up onstageصحنه,
381
1063125
2754
الان، قبل از اینکه بیام روی صحنه،
اعتراف کردم آدم مثبت و خوش بینی هستم.
17:57
I confessedاعتراف کرد I'm a positiveمثبت,
optimisticخوش بینانه personفرد,
382
1065903
3739
خوب بزارید یک گام خوشبینانه برداریم،
18:01
so let me give you an optimisticخوش بینانه pitchگام صدا,
383
1069666
2389
18:04
whichکه is, think of yourselfخودت
back 300 yearsسالها agoپیش.
384
1072079
4795
اینکه، به خودتون در ۳۰۰ سال پیش فکر کنید.
اروپا از ۱۴۰ سال جنگ
پی در پی نجات پیدا کرد،
18:08
Europeاروپا just survivedجان سالم به در برد 140 yearsسالها
of continuousمداوم warجنگ,
385
1076898
3996
هیچ کدوم از شما نمی‌تونست بخونه و بنویسه،
18:12
noneهیچ کدام of you could readخواندن or writeنوشتن,
386
1080918
1711
18:14
there were no jobsشغل ها that you holdنگه دارید todayامروز,
387
1082653
2945
شغل‌هایی که الان وجود داره، در گذشته وجود نداشت،
مثل سرمایه گذار بانک،
مهندس نرم افزار یا خبرگزار تلویزیون.
18:17
like investmentسرمایه گذاری bankerبانکدار
or softwareنرم افزار engineerمهندس or TVتلویزیون anchorلنگر.
388
1085622
4096
همه ما در زمین‌ها و مزرعه‌ها بودیم.
18:21
We would all be in the fieldsزمینه های and farmingکشاورزی.
389
1089742
2414
حالا سباستین کوچولو با یک
موتور بخار توی جیبش میاد،
18:24
Now here comesمی آید little Sebastianسباستین
with a little steamبخار engineموتور in his pocketجیب,
390
1092180
3573
و میگه: «هی بچه‌ها، به این نگاه کنید،
18:27
sayingگفت:, "Hey guys, look at this.
391
1095777
1548
این قراره شما رو ۱۰۰ برابر قوی تر کنه،
پس می‌تونید یه کار دیگه بکنید».
18:29
It's going to make you 100 timesبار
as strongقوی, so you can do something elseچیز دیگری."
392
1097349
3595
و بعد برگردیم به امروز،
هیچ صحنهٔ نمایشی نبود،
18:32
And then back in the day,
there was no realواقعی stageمرحله,
393
1100968
2470
ولی کریس و من، در طویله
با گاوها مشغول هستیم،
18:35
but Chrisکریس and I hangآویزان شدن out
with the cowsگاوها in the stableپایدار,
394
1103462
2526
و اون میگه: «من واقعا نگرانم،
18:38
and he saysمی گوید, "I'm really
concernedنگران about it,
395
1106012
2100
چون هر روز گاوم رو می دوشم،
و چی میشه اگه ماشین این رو برای من انجام بده؟».
18:40
because I milkشیر my cowگاو everyهرکدام day,
and what if the machineدستگاه does this for me?"
396
1108136
3652
دلیل اینکه من به این اشاره کردم اینه که،
18:43
The reasonدلیل why I mentionاشاره this is,
397
1111812
1702
ما همیشه به پیشرفت در گذشته و
مزایای اون به خوبی اذعان می‌کنیم،
18:46
we're always good in acknowledgingاذعان کرد
pastگذشته progressپیش رفتن and the benefitسود of it,
398
1114360
3603
مثل گوشی آیفون، هواپیماها،
برق و یا تجهیزات پزشکی.
18:49
like our iPhonesاپل or our planesهواپیما
or electricityالکتریسیته or medicalپزشکی supplyعرضه.
399
1117987
3354
همه ما دوست داریم تا ۸۰ سال زندگی کنیم،
که ۳۰۰ سال پیش غیرممکن بود.
18:53
We all love to liveزنده to 80,
whichکه was impossibleغیرممکن است 300 yearsسالها agoپیش.
400
1121365
4245
ولی ما تا حدی این قاعده رو در
مورد آینده اعمال نمی‌کنیم.
18:57
But we kindنوع of don't applyدرخواست
the sameیکسان rulesقوانین to the futureآینده.
401
1125634
4156
پس اگر من به کارم به عنوان
یک مدیرعامل نگاه کنم،
19:02
So if I look at my ownخودت jobکار as a CEOمدیر عامل,
402
1130621
3207
میگم ۹۰ درصد از کار من تکراریه،
19:05
I would say 90 percentدرصد
of my work is repetitiveتکراری,
403
1133852
3140
ازش لذت نمیبرم،
19:09
I don't enjoyلذت بردن it,
404
1137016
1351
من چهار ساعت از وقتم رو در روز، صرف
ایمیل‌های تکراری و مزخرف می‌کنم.
19:10
I spendخرج کردن about fourچهار hoursساعت ها perدر هر day
on stupidاحمق, repetitiveتکراری emailپست الکترونیک.
405
1138391
3978
و دارم به آب و آتش میزنم تا چیزی داشته باشم
که من رو از شر این خلاص کنه.
19:14
And I'm burningسوزش to have something
that helpsکمک می کند me get ridخلاص شدن از شر of this.
406
1142393
3641
چرا؟
19:18
Why?
407
1146058
1158
چون من معتقدم همه ما
به طرز دیوانه واری خلاق هستیم؛
19:19
Because I believe all of us
are insanelyدیوانه وار creativeخلاقانه;
408
1147240
3003
فکر می‌کنم جامعه TED بیشتر از هر کس دیگه ای.
19:22
I think the TEDTED communityجامعه
more than anybodyهر شخصی elseچیز دیگری.
409
1150731
3194
ولی حتی کارگرها. فکر می‌کنم شما می‌تونید
برید پیش مستخدم هتل خودتون
19:25
But even blue-collarیقه آبی workersکارگران;
I think you can go to your hotelهتل maidخدمتکار
410
1153949
3559
و یک نوشیدنی با اون بخورید،
19:29
and have a drinkنوشیدن with him or her,
411
1157532
2402
و یک ساعت بعد،
یک ایده خلاقانه پیدا می‌کنید.
19:31
and an hourساعت laterبعد,
you find a creativeخلاقانه ideaاندیشه.
412
1159958
2717
چیزی که این توانمند می‌کنه،
تبدیل خلاقیت به عمل هست.
19:34
What this will empowerقدرت دادن
is to turnدور زدن this creativityخلاقیت into actionعمل.
413
1162699
4140
مثلا، اگر بتونید گوگل رو
در یک روز بسازید، چی؟
19:39
Like, what if you could
buildساختن Googleگوگل in a day?
414
1167265
3442
اگر بتونید راحت بنشینید و خیلی سریع
اسنپ چت بعدی رو اختراع کنید، چی؟
19:43
What if you could sitنشستن over beerآبجو
and inventاختراع کردن the nextبعد SnapchatSnapchat,
415
1171221
3316
هر چیزی که هست،
19:46
whateverهر چه it is,
416
1174561
1165
و فردا صبح سرپاست و هنوز کار می‌کنه.
19:47
and tomorrowفردا morningصبح it's up and runningدر حال اجرا?
417
1175750
2187
این علمی تخیلی نیست.
19:49
And that is not scienceعلوم پایه fictionداستان.
418
1177961
1773
چیزی که قراره اتفاق بیوفته اینه که،
19:51
What's going to happenبه وقوع پیوستن is,
419
1179758
1254
ما هنوز در تاریخ هستیم.
19:53
we are alreadyقبلا in historyتاریخ.
420
1181036
1867
ما این خلاقیت جالب رو بروز دادیم،
19:54
We'veما هستیم unleashedرها شده this amazingحیرت آور creativityخلاقیت
421
1182927
3228
با آزاد کردن خودمون از کشاورزی
19:58
by de-slavingslaving د us from farmingکشاورزی
422
1186179
1611
و البته بعدتر، از کار در کارخونه.
19:59
and laterبعد, of courseدوره, from factoryکارخانه work
423
1187814
3363
و چیزهای خیلی زیادی اختراع کردیم.
20:03
and have inventedاختراع شده است so manyبسیاری things.
424
1191201
3162
به نظر من، حتی بهتر هم میشه.
20:06
It's going to be even better,
in my opinionنظر.
425
1194387
2178
و اثرات جانبی خیلی خوبی خواهد داشت.
20:08
And there's going to be
great sideسمت effectsاثرات.
426
1196589
2072
یکی از اثرات جانبی
20:10
One of the sideسمت effectsاثرات will be
427
1198685
1489
این خواهد بود که چیزهایی مثل
تامین غذا و دارو، آموزش، سرپناه
20:12
that things like foodغذا and medicalپزشکی supplyعرضه
and educationتحصیلات and shelterپناه
428
1200198
4795
و حمل و نقل،
20:17
and transportationحمل و نقل
429
1205017
1177
برای همه ما، خیلی ارزان تر خواهد بود،
20:18
will all becomeتبدیل شدن به much more
affordableمقرون به صرفه to all of us,
430
1206218
2441
نه فقط برای افراد ثروتمند.
20:20
not just the richثروتمند people.
431
1208683
1322
کریس: اوهوم.
20:22
CACA: Hmmهام.
432
1210029
1182
همینطور وقتی مارتین فورد استدلال کرد،
می‌دونی، که این دفعه فرق می‌کنه،
20:23
So when Martinمارتین Fordفورد arguedاستدلال کرد, you know,
that this time it's differentناهمسان
433
1211235
4341
چون هوشی که ما در گذشته استفاده کردیم
20:27
because the intelligenceهوش
that we'veما هستیم used in the pastگذشته
434
1215600
3453
تا راه‌های جدید پیدا کنیم
20:31
to find newجدید waysراه ها to be
435
1219077
2483
بر راستای مشابه منطبق خواهد شد،
20:33
will be matchedتطبیق at the sameیکسان paceسرعت
436
1221584
2279
توسط کامپیوترهایی که بر
اون‌ها مسلط میشن،
20:35
by computersکامپیوترها takingگرفتن over those things,
437
1223887
2291
چیزی که من از صحبت تو میفهمم
اینه که، نه کاملا،
20:38
what I hearشنیدن you sayingگفت:
is that, not completelyبه صورت کامل,
438
1226202
3078
بخاطر خلاقیت انسان.
20:41
because of humanانسان creativityخلاقیت.
439
1229304
2951
آیا فکر می‌کنی که این تفاوت بنیادی
با اون نوع خلاقیتی که
20:44
Do you think that that's fundamentallyاساسا
differentناهمسان from the kindنوع of creativityخلاقیت
440
1232279
3785
کامپیوترها می‌تونن انجام بدن داره؟
20:48
that computersکامپیوترها can do?
441
1236088
2696
سباستین: خوب، این اعتقاد راسخ من هست،
به عنوان یک فرد فعال در هوش مصنوعی --
20:50
STST: So, that's my firmشرکت
beliefاعتقاد as an AIAI personفرد --
442
1238808
4434
که من هیچ پیشرفت واقعی در خلاقیت ندیم،
20:55
that I haven'tنه seenمشاهده گردید
any realواقعی progressپیش رفتن on creativityخلاقیت
443
1243266
3803
در تفکر خلاق.
20:59
and out-of-the-boxبیرون جعبه thinkingفكر كردن.
444
1247949
1407
چیزی که الان میبینم اینه که --
و واقعا مهمه که مردم تشخیص بدن،
21:01
What I see right now -- and this is
really importantمهم for people to realizeتحقق بخشیدن,
445
1249380
3623
چون عبارت «هوش مصنوعی» خیلی تهدید آمیز هست،
21:05
because the wordکلمه "artificialمصنوعی
intelligenceهوش" is so threateningتهدید کننده,
446
1253027
2903
و بعد ما استیو اسپیلبرگ رو داریم
که فیلمی به این اسم میسازه که در اون
21:07
and then we have Steveاستیو Spielbergاسپیلبرگ
tossingریختن a movieفیلم سینما in,
447
1255954
2523
ناگهان، کامپیوتر تبدیل به ارباب ما میشه.
21:10
where all of a suddenناگهانی
the computerکامپیوتر is our overlordسرپرست,
448
1258501
2413
ولی در واقع این یک فناوری هست،
21:12
but it's really a technologyتکنولوژی.
449
1260938
1452
فناوری ای که به ما کمک می‌کنه کارهای
تکراری رو انجام بدیم.
21:14
It's a technologyتکنولوژی that helpsکمک می کند us
do repetitiveتکراری things.
450
1262414
2982
و بطور کلی، پیشرفت همیشه در پایان تکراری بوده.
21:17
And the progressپیش رفتن has been
entirelyبه طور کامل on the repetitiveتکراری endپایان.
451
1265420
2913
کشف سند حقوقی بوده،
21:20
It's been in legalقانونی documentاسناد discoveryکشف.
452
1268357
2228
تهیه پیش نویس قراداد بوده،
21:22
It's been contractقرارداد draftingتدوین.
453
1270609
1680
عکس برداری اشعه ایکس
از قفسه سینه شما بوده.
21:24
It's been screeningغربالگری X-raysاشعه ایکس of your chestقفسه سینه.
454
1272313
4223
و این چیزها خیلی تخصصی شدند،
21:28
And these things are so specializedتخصصی,
455
1276560
1773
من تهدید بزرگی برای بشریت نمی بینم.
21:30
I don't see the bigبزرگ threatتهدید of humanityبشریت.
456
1278357
2391
در حقیقت، ما به عنوان مردم --
21:32
In factواقعیت, we as people --
457
1280772
1794
منظورم اینه، رک و پوست کنده بگم:
ما ابَرانسان شدیم.
21:34
I mean, let's faceصورت it:
we'veما هستیم becomeتبدیل شدن به superhumanفوق العاده انسان.
458
1282590
2385
خودمون رو تبدیل به ابَرانسان کردیم.
21:36
We'veما هستیم madeساخته شده us superhumanفوق العاده انسان.
459
1284999
1764
ما می‌تونیم در طول اقیانوس اطلس،
در ۱۱ ساعت شنا کنیم.
21:38
We can swimشنا کردن acrossدر سراسر
the Atlanticاقیانوس اطلس in 11 hoursساعت ها.
460
1286787
2632
می‌تونیم یک وسیله رو از جیبمون در بیاریم
21:41
We can take a deviceدستگاه out of our pocketجیب
461
1289443
2074
و از اینجا تا استرالیا صدامون رو برسونیم
21:43
and shoutفریاد all the way to Australiaاسترالیا,
462
1291541
2147
و هم زمان، اون هم با ما حرف بزنه.
21:45
and in realواقعی time, have that personفرد
shoutingداد زدن back to us.
463
1293712
2600
از نظر فیزیک ممکن نیست،
ما داریم قوانین فیزیک رو می‌شکنیم.
21:48
That's physicallyاز لحاظ جسمی not possibleامکان پذیر است.
We're breakingشکستن the rulesقوانین of physicsفیزیک.
464
1296336
3624
وقتی این چیزها گفته و انجام میشه،
قراره همه چیزهایی که دیدیم و شنیدیم رو به یاد بیاریم،
21:51
When this is said and doneانجام شده,
we're going to rememberیاد آوردن everything
465
1299984
2943
21:54
we'veما هستیم ever said and seenمشاهده گردید,
466
1302951
1213
شما هر فردی رو به یاد خواهید آورد،
21:56
you'llشما خواهید بود rememberیاد آوردن everyهرکدام personفرد,
467
1304188
1496
که برای من در مراحل اولیه آلزایمرم خوبه.
21:57
whichکه is good for me
in my earlyزود stagesمراحل of Alzheimer'sآلزایمر.
468
1305708
2626
ببخشید، چی میگفتم؟ فراموش کردم!
22:00
Sorry, what was I sayingگفت:? I forgotیادم رفت.
469
1308358
1677
22:02
CACA: (Laughsخنده)
470
1310059
1578
سباستین: ما احتمالا ضریب هوشی
۱,۰۰۰ یا بیشتر خواهیم داشت.
22:03
STST: We will probablyشاید have
an IQIQ of 1,000 or more.
471
1311661
3077
دیگه برای فرزاندانمون کلاس املایی وجود نخواهد داشت،
22:06
There will be no more
spellingاملا classesکلاس ها for our kidsبچه ها,
472
1314762
3425
چون دیگه مسئله املاء وجود نداره،
22:10
because there's no spellingاملا issueموضوع anymoreدیگر.
473
1318211
2086
دیگه مسئله ریاضی وجود نداره،
22:12
There's no mathریاضی issueموضوع anymoreدیگر.
474
1320321
1832
و فکر می‌کنم چیزی که واقعا اتفاق میوفته
اینه که ما می‌تونیم فراتر از خلاق باشیم.
22:14
And I think what really will happenبه وقوع پیوستن
is that we can be superفوق العاده creativeخلاقانه.
475
1322177
3510
و هستیم، ما خلاق هستیم.
22:17
And we are. We are creativeخلاقانه.
476
1325711
1857
این سلاح مخفی ماست.
22:19
That's our secretراز weaponسلاح.
477
1327592
1552
کریس: خوب شغل‌هایی که داران ناپدید میشن،
22:21
CACA: So the jobsشغل ها that are gettingگرفتن lostکم شده,
478
1329168
2153
به این طریق، با اینکه قراره ناراحت کننده باشه،
22:23
in a way, even thoughگرچه
it's going to be painfulدردناک,
479
1331345
2494
22:25
humansانسان are capableقادر به
of more than those jobsشغل ها.
480
1333863
2047
انسان‌ها قادر به انجام کارهای بیشتر از این هستند.
رویا اینه.
22:27
This is the dreamرویا.
481
1335934
1218
رویا اینه که انسان‌ها می‌تونن دقیقا به سطحی جدید
از توانمندسازی و کشف، ترقی کنند.
22:29
The dreamرویا is that humansانسان can riseبالا آمدن
to just a newجدید levelسطح of empowermentتوانمندسازی
482
1337176
4247
22:33
and discoveryکشف.
483
1341447
1657
این رویاست.
22:35
That's the dreamرویا.
484
1343128
1452
سباستین: و به این فکر کنید.
22:36
STST: And think about this:
485
1344604
1643
اگر به تاریخ بشریت نگاه کنید،
22:38
if you look at the historyتاریخ of humanityبشریت,
486
1346271
2021
که ممکنه هرچیزی باشه --
۶۰ تا ۱۰۰ هزار سال، کم یا زیاد --
22:40
that mightممکن be whateverهر چه --
60-100,000 yearsسالها oldقدیمی, give or take --
487
1348316
3328
تقریبا هرچیزی که شما ارزشمند می‌دونید،
از نظر اخترع،
22:43
almostتقریبا everything that you cherishگرامی داشتن
in termsاصطلاحات of inventionاختراع,
488
1351668
3726
فن آوری، از نظر چیزهایی که ساختیم،
22:47
of technologyتکنولوژی, of things we'veما هستیم builtساخته شده,
489
1355418
2151
در ۱۵۰ سال اخیر اختراع شدند.
22:49
has been inventedاختراع شده است in the last 150 yearsسالها.
490
1357593
3099
اگر کتاب و چرخ و یا تبر رو هم حساب کنید،
این‌ها کمی تاریخی‌اند.
22:53
If you tossلگد زدن in the bookکتاب and the wheelچرخ,
it's a little bitبیت olderمسن تر.
491
1361756
3048
22:56
Or the axeتبر.
492
1364828
1169
ولی تلفن شما، کفش ورزشی شما،
22:58
But your phoneتلفن, your sneakersکفش ورزشی,
493
1366021
2790
این صندلی‌ها، تولید مدرن، پنیسیلین --
23:00
these chairsصندلی ها, modernمدرن
manufacturingتولید, penicillinپنی سیلین --
494
1368835
3551
چیزهایی که ما باارزش می‌دونیم.
23:04
the things we cherishگرامی داشتن.
495
1372410
1714
برای من معنیش این هست که
23:06
Now, that to me meansبه معنای
496
1374148
3658
در ۱۵۰ سال آینده، چیزهای بیشتری پیدا خواهیم کرد.
23:09
the nextبعد 150 yearsسالها will find more things.
497
1377830
3041
در واقع، به نظر من سرعت اختراع بالا رفته، نه پایین.
23:12
In factواقعیت, the paceسرعت of inventionاختراع
has goneرفته up, not goneرفته down, in my opinionنظر.
498
1380895
4154
من اعتقاد دارم فقط یک درصد از چیزهای
جالب تا الان اختراع شدند. درسته؟
23:17
I believe only one percentدرصد of interestingجالب هست
things have been inventedاختراع شده است yetهنوز. Right?
499
1385073
4905
ما سرطان رو معالجه نکردیم.
23:22
We haven'tنه curedدرمان شده cancerسرطان.
500
1390002
1988
ما ماشین‌های پرنده نداریم -- هنوز.
خوشبختانه من این یکی رو متحول می‌کنم.
23:24
We don't have flyingپرواز carsماشین ها -- yetهنوز.
Hopefullyخوشبختانه, I'll changeتغییر دادن this.
501
1392014
3718
این مثالی هست که مردم بهش میخندن.
23:27
That used to be an exampleمثال
people laughedخندید about. (Laughsخنده)
502
1395756
3257
جالبه، اینطور نیست؟
مخفیانه کار کردن روی ماشین پرنده.
23:31
It's funnyخنده دار, isn't it?
Workingکار کردن secretlyمخفیانه on flyingپرواز carsماشین ها.
503
1399037
2992
ما هنوز دو بار زندگی نمی‌کنیم، خوب؟
23:34
We don't liveزنده twiceدو برابر as long yetهنوز. OK?
504
1402053
2683
ما این چیز جادویی رو که اطلاعاتی
23:36
We don't have this magicشعبده بازي
implantایمپلنت in our brainمغز
505
1404760
2785
که می‌خوایم رو بهمون بده
در مغزمون کار نگذاشتیم.
23:39
that givesمی دهد us the informationاطلاعات we want.
506
1407569
1832
ممکنه شما از این وحشت زده بشید،
23:41
And you mightممکن be appalledترسناک by it,
507
1409425
1526
ولی من بهتون قول میدم،
23:42
but I promiseوعده you,
onceیک بار you have it, you'llشما خواهید بود love it.
508
1410975
2444
همین که این رو داشته باشید،
دوستش خواهید داشت.
امیدوارم دوستش داشته باشید.
23:45
I hopeامید you will.
509
1413443
1166
یکم ترسناکه، می‌دونم.
23:46
It's a bitبیت scaryترسناک, I know.
510
1414633
1909
چیزهای بسیار زیادی وجود داره
که ما هنوز اختراع نکردیم،
23:48
There are so manyبسیاری things
we haven'tنه inventedاختراع شده است yetهنوز
511
1416566
2254
که فکر می‌کنم بزودی می‌کنیم.
23:50
that I think we'llخوب inventاختراع کردن.
512
1418844
1268
ما هیچ سپر جاذبه ای نداریم.
23:52
We have no gravityجاذبه زمین shieldsسپرها.
513
1420136
1306
ما نمی‌تونیم با سرعت نور
از مکانی به مکان دیگر بریم.
23:53
We can't beamپرتو ourselvesخودمان
from one locationمحل to anotherیکی دیگر.
514
1421466
2553
خنده دار به نظر میرسه،
ولی تقریبا ۲۰۰ سال پیش،
23:56
That soundsبرای تلفن های موبایل ridiculousمسخره,
515
1424043
1151
23:57
but about 200 yearsسالها agoپیش,
516
1425218
1288
کارشناس‌ها نظرشون این بود که
امکان پرواز وجود نداره،
23:58
expertsکارشناسان were of the opinionنظر
that flightپرواز wouldn'tنمی خواهم existوجود دارد,
517
1426530
2667
حتی ۱۲۰ سال پیش،
24:01
even 120 yearsسالها agoپیش,
518
1429221
1324
و اگر سریع تر از اونی که
بتونید بدوید، حرکت کنید،
24:02
and if you movedنقل مکان کرد fasterسریعتر
than you could runاجرا کن,
519
1430569
2582
درجا خواهید مرد. درسته؟
24:05
you would instantlyفورا dieمرگ.
520
1433175
1520
بنابرین کی میگه که ما امروز درست می‌گیم که
شما نمی‌تونید یک شخص رو با سرعت نور
24:06
So who saysمی گوید we are correctدرست todayامروز
that you can't beamپرتو a personفرد
521
1434719
3569
از اینجا به به مریخ بفرستید؟
24:10
from here to Marsمریخ?
522
1438312
2249
24:12
CACA: Sebastianسباستین, thank you so much
523
1440585
1569
کریس: سباستین، خیلی ازت ممنونیم،
24:14
for your incrediblyطور باور نکردنی inspiringالهام بخش visionچشم انداز
and your brillianceدرخشان.
524
1442178
2682
بخاطر نگاه بسیار بسیار الهام بخش و هوش سرشارت.
متشکریم سباستین.
24:16
Thank you, Sebastianسباستین ThrunThrun.
525
1444884
1323
کریس: فوق العاده بود.
24:18
STST: That was fantasticخارق العاده. (Applauseتشویق و تمجید)
526
1446231
1895
Translated by Mobin Hatam
Reviewed by Nima Pourreza

▲Back to top

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

Why you should listen

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

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

Why you should listen

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

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

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

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

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

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

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

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

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