TEDxPortland
Maurice Conti: The incredible inventions of intuitive AI
Maurice Conti: Les inventions incroyables de l'intelligence artificielle intuitive
Filmed:
Readability: 4.6
6,173,221 views
Que se passe-t-il quand on dote un outil de conception d’un système nerveux central ? Des ordinateurs qui améliorent notre capacité à la réflexion et à l’imagination, et des systèmes robotiques capables de concevoir (et construire) des modèles radicalement nouveaux de ponts, voitures, drones et bien d’autres artéfacts encore... tout cela tout seuls. Venez plonger dans l'âge augmenté avec le futurologue Maurice Conti et découvrez un avenir où robots et humains travailleront ensemble pour accomplir ce dont ils seraient tout seuls incapables.
*Cette présentation a été donnée lors d'un évènement TEDx organisé indépendamment des conférences TED. Pour en savoir plus, rendez-vous sur http://ted.com/tedx*
Maurice Conti - Designer, futurist
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Maurice Conti explores new partnerships between technology, nature and humanity. Full bio
Double-click the English transcript below to play the video.
00:12
How many of you are creatives,
0
735
2289
Combien d'entre vous sont des créateurs,
00:15
designers, engineers,
entrepreneurs, artists,
entrepreneurs, artists,
1
3048
3624
des stylistes, des ingénieurs,
des entrepreneurs, des artistes,
des entrepreneurs, des artistes,
00:18
or maybe you just have
a really big imagination?
a really big imagination?
2
6696
2387
ou ont tout simplement
beaucoup d'imagination ?
beaucoup d'imagination ?
00:21
Show of hands? (Cheers)
3
9107
1848
Levez la main ? (Acclamation)
00:22
That's most of you.
4
10979
1181
La plupart d'entre vous.
00:25
I have some news for us creatives.
5
13334
2294
J'ai des nouvelles pour nous,
les créateurs.
les créateurs.
00:28
Over the course of the next 20 years,
6
16714
2573
Au cours des vingt prochaines années,
00:33
more will change around
the way we do our work
the way we do our work
7
21471
2973
il y aura plus de changements
dans nos modes de travail
dans nos modes de travail
00:37
than has happened in the last 2,000.
8
25382
2157
que dans les 2 000 ans précédents.
00:40
In fact, I think we're at the dawn
of a new age in human history.
of a new age in human history.
9
28511
4628
Je pense qu'on est à l'aube d'une
nouvelle ère de l'histoire de l'humanité.
nouvelle ère de l'histoire de l'humanité.
00:45
Now, there have been four major historical
eras defined by the way we work.
eras defined by the way we work.
10
33645
4761
Il y a eu quatre âges historiques majeurs
définis par nos modes de travail.
définis par nos modes de travail.
00:51
The Hunter-Gatherer Age
lasted several million years.
lasted several million years.
11
39404
3275
L'âge des chasseurs-cueilleurs a duré
plusieurs millions d'années.
plusieurs millions d'années.
00:55
And then the Agricultural Age
lasted several thousand years.
lasted several thousand years.
12
43163
3576
Puis l'âge agricole a duré
plusieurs milliers d'années.
plusieurs milliers d'années.
00:59
The Industrial Age lasted
a couple of centuries.
a couple of centuries.
13
47195
3490
L'âge industriel s'est étendu
sur deux siècles.
sur deux siècles.
01:02
And now the Information Age
has lasted just a few decades.
has lasted just a few decades.
14
50709
4287
Et maintenant l'âge de l'information
n'a duré que quelques décennies.
n'a duré que quelques décennies.
01:07
And now today, we're on the cusp
of our next great era as a species.
of our next great era as a species.
15
55020
5220
Et nous sommes à l'aube de notre prochain
grand âge en tant qu'espèce.
grand âge en tant qu'espèce.
01:13
Welcome to the Augmented Age.
16
61296
2680
Bienvenus dans l'âge augmenté.
01:16
In this new era, your natural human
capabilities are going to be augmented
capabilities are going to be augmented
17
64000
3693
Dans cette nouvelle ère, vos capacités
humaines naturelles seront augmentées
humaines naturelles seront augmentées
01:19
by computational systems
that help you think,
that help you think,
18
67717
3068
par des systèmes informatiques
qui vous aideront à penser,
qui vous aideront à penser,
01:22
robotic systems that help you make,
19
70809
2186
des systèmes robotiques qui aideront
à construire,
à construire,
01:25
and a digital nervous system
20
73019
1648
et un système nerveux central
01:26
that connects you to the world
far beyond your natural senses.
far beyond your natural senses.
21
74691
3690
qui vous reliera à un monde qui excède
celui de vos sens naturels.
celui de vos sens naturels.
01:31
Let's start with cognitive augmentation.
22
79437
1942
Commençons par l'augmentation cognitive.
01:33
How many of you are augmented cyborgs?
23
81403
2200
Combien d'entre vous
sont des cyborgs augmentés ?
sont des cyborgs augmentés ?
01:36
(Laughter)
24
84133
2650
(Rires)
01:38
I would actually argue
that we're already augmented.
that we're already augmented.
25
86807
2821
Je soutiendrais en fait que
nous sommes déjà augmentés.
nous sommes déjà augmentés.
01:42
Imagine you're at a party,
26
90288
1504
Disons que vous êtes à une fête
01:43
and somebody asks you a question
that you don't know the answer to.
that you don't know the answer to.
27
91816
3520
et qu'on vous pose une question
à laquelle vous ne pouvez pas répondre.
à laquelle vous ne pouvez pas répondre.
01:47
If you have one of these,
in a few seconds, you can know the answer.
in a few seconds, you can know the answer.
28
95360
3760
Si vous avez ça, en quelques secondes,
vous avez la réponse.
vous avez la réponse.
01:51
But this is just a primitive beginning.
29
99869
2299
Mais c'est là un balbutiement primitif.
01:54
Even Siri is just a passive tool.
30
102863
3331
Même Siri n'est qu'un outil passif.
01:58
In fact, for the last
three-and-a-half million years,
three-and-a-half million years,
31
106660
3381
En vérité, pendant trois millions
et demi d'années,
et demi d'années,
02:02
the tools that we've had
have been completely passive.
have been completely passive.
32
110065
3109
nos outils ont été complètement passifs.
02:06
They do exactly what we tell them
and nothing more.
and nothing more.
33
114203
3655
Ils se contentent de faire ce qu'on leur
dit de faire et rien de plus.
dit de faire et rien de plus.
02:09
Our very first tool only cut
where we struck it.
where we struck it.
34
117882
3101
Notre premier outil ne faisait que
couper là où on frappait.
couper là où on frappait.
02:13
The chisel only carves
where the artist points it.
where the artist points it.
35
121822
3040
Le ciseau ne sculpte que
là où l'artiste l'applique.
là où l'artiste l'applique.
02:17
And even our most advanced tools
do nothing without our explicit direction.
do nothing without our explicit direction.
36
125343
5641
Et même nos outils les plus avancés
ne font rien sans instructions explicites.
ne font rien sans instructions explicites.
02:23
In fact, to date, and this
is something that frustrates me,
is something that frustrates me,
37
131008
3181
En fait, jusqu'à maintenant,
et ça m'énerve vraiment,
et ça m'énerve vraiment,
02:26
we've always been limited
38
134213
1448
nous avons toujours été limités
02:27
by this need to manually
push our wills into our tools --
push our wills into our tools --
39
135685
3501
par ce besoin de mettre nos désirs
dans nos outils à la main,
dans nos outils à la main,
02:31
like, manual,
literally using our hands,
literally using our hands,
40
139210
2297
je veux dire, manuellement,
en utilisant nos mains,
en utilisant nos mains,
02:33
even with computers.
41
141531
1428
même avec les ordinateurs.
02:36
But I'm more like Scotty in "Star Trek."
42
144072
2463
Je suis plus comme Scotty
dans « Star Trek ».
dans « Star Trek ».
02:38
(Laughter)
43
146559
1850
(Rires)
02:40
I want to have a conversation
with a computer.
with a computer.
44
148433
2146
Je veux pouvoir parler avec un ordinateur.
02:42
I want to say, "Computer,
let's design a car,"
let's design a car,"
45
150603
2970
Je veux dire « Ordinateur, concevons
une voiture »
une voiture »
02:45
and the computer shows me a car.
46
153597
1539
et il me montrerait une voiture.
02:47
And I say, "No, more fast-looking,
and less German,"
and less German,"
47
155160
2608
Et je dirais : « D'allure plus rapide
et moins allemande »
et moins allemande »
02:49
and bang, the computer shows me an option.
48
157792
2163
et l'ordinateur me montre
un choix possible.
un choix possible.
02:51
(Laughter)
49
159979
1865
(Rires)
02:54
That conversation might be
a little ways off,
a little ways off,
50
162208
2306
Cette conversation n'est pas
pour maintenant
pour maintenant
02:56
probably less than many of us think,
51
164538
2665
et sans doute pour plus tôt
qu'on ne croit,
qu'on ne croit,
02:59
but right now,
52
167227
1763
mais c'est maintenant
03:01
we're working on it.
53
169014
1151
que nous y travaillons.
03:02
Tools are making this leap
from being passive to being generative.
from being passive to being generative.
54
170189
4033
Les outils sont en train de passer
de la passivité à la capacité de création.
de la passivité à la capacité de création.
03:06
Generative design tools
use a computer and algorithms
use a computer and algorithms
55
174831
3308
Les outils de conception générative
utilisent ordinateur et algorithmes
utilisent ordinateur et algorithmes
03:10
to synthesize geometry
56
178163
2608
pour synthétiser la géométrie
03:12
to come up with new designs
all by themselves.
all by themselves.
57
180795
2754
et inventer de nouvelles conceptions
tout seuls.
tout seuls.
03:15
All it needs are your goals
and your constraints.
and your constraints.
58
183996
2748
Il leur faut seulement
vos buts et vos restrictions.
vos buts et vos restrictions.
03:18
I'll give you an example.
59
186768
1408
Je vous donne un exemple.
03:20
In the case of this aerial drone chassis,
60
188200
2788
Pour le châssis de ce drone,
03:23
all you would need to do
is tell it something like,
is tell it something like,
61
191012
2626
tout ce que vous devez faire
c'est lui dire, en gros,
c'est lui dire, en gros,
03:25
it has four propellers,
62
193662
1273
il faut quatre hélices,
03:26
you want it to be
as lightweight as possible,
as lightweight as possible,
63
194959
2131
et qu'il soit le plus léger possible,
03:29
and you need it to be
aerodynamically efficient.
aerodynamically efficient.
64
197114
2270
et qu'il soit aérodynamique.
03:31
Then what the computer does
is it explores the entire solution space:
is it explores the entire solution space:
65
199408
4914
Ensuite, l'ordinateur examine
toutes les possibilités :
toutes les possibilités :
03:36
every single possibility that solves
and meets your criteria --
and meets your criteria --
66
204346
3927
chaque possibilité qui répond
à vos critères
à vos critères
03:40
millions of them.
67
208297
1442
et il y en a des millions.
03:41
It takes big computers to do this.
68
209763
1975
L'ordinateur doit être énorme pour ça.
03:43
But it comes back to us with designs
69
211762
1955
Mais il nous présente des conceptions
03:45
that we, by ourselves,
never could've imagined.
never could've imagined.
70
213741
3143
que nous n'aurions jamais pu imaginer
sans lui.
sans lui.
03:49
And the computer's coming up
with this stuff all by itself --
with this stuff all by itself --
71
217326
2912
Et l'ordinateur trouve tout ça tout seul.
03:52
no one ever drew anything,
72
220262
1678
Personne n'a rien dessiné,
03:53
and it started completely from scratch.
73
221964
2086
et il a fait tout ça à partir de rien.
03:57
And by the way, it's no accident
74
225038
2387
Au fait, ce n'est pas un hasard
03:59
that the drone body looks just like
the pelvis of a flying squirrel.
the pelvis of a flying squirrel.
75
227449
3481
si le drone ressemble au pelvis
d'un écureuil volant.
d'un écureuil volant.
04:03
(Laughter)
76
231287
2007
(Rires)
04:06
It's because the algorithms
are designed to work
are designed to work
77
234040
2302
C'est que les algorithmes sont conçus
pour se comporter comme l'évolution.
pour se comporter comme l'évolution.
04:08
the same way evolution does.
78
236366
1637
04:10
What's exciting is we're starting
to see this technology
to see this technology
79
238715
2660
Et c'est génial qu'on commence à voir
cette technologie
cette technologie
04:13
out in the real world.
80
241399
1159
dans la vraie vie.
04:14
We've been working with Airbus
for a couple of years
for a couple of years
81
242582
2452
Cela fait deux ans
qu'on travaille avec Airbus
qu'on travaille avec Airbus
04:17
on this concept plane for the future.
82
245058
1909
sur cette idée d'avion du futur.
04:18
It's a ways out still.
83
246991
2070
Il faudra encore du temps.
04:21
But just recently we used
a generative-design AI
a generative-design AI
84
249085
3780
Mais récemment nous avons utilisé
un robot de conception générative
un robot de conception générative
04:24
to come up with this.
85
252889
1807
pour créer ceci.
04:27
This is a 3D-printed cabin partition
that's been designed by a computer.
that's been designed by a computer.
86
255609
5153
Cette cloison pour cabine imprimée en 3D
a été conçue par un ordinateur.
a été conçue par un ordinateur.
04:32
It's stronger than the original
yet half the weight,
yet half the weight,
87
260786
2824
Elle est plus solide que la cloison
initiale et pèse moitié moins.
initiale et pèse moitié moins.
04:35
and it will be flying
in the Airbus A320 later this year.
in the Airbus A320 later this year.
88
263634
3146
Elle sera utilisée en vol dans
l'Airbus A320 cette année.
l'Airbus A320 cette année.
04:39
So computers can now generate;
89
267405
1559
Les ordinateurs peuvent créer.
04:40
they can come up with their own solutions
to our well-defined problems.
to our well-defined problems.
90
268988
4595
Ils peuvent apporter des solutions
à nos problèmes bien définis.
à nos problèmes bien définis.
04:46
But they're not intuitive.
91
274677
1310
Mais ils ne sont pas intuitifs.
04:48
They still have to start from scratch
every single time,
every single time,
92
276011
3086
Ils doivent recommencer du début
à chaque fois
à chaque fois
04:51
and that's because they never learn.
93
279121
2565
parce qu'ils n'apprennent jamais.
04:54
Unlike Maggie.
94
282368
1766
Pas comme Maggie.
04:56
(Laughter)
95
284158
1581
(Rires)
04:57
Maggie's actually smarter
than our most advanced design tools.
than our most advanced design tools.
96
285763
3297
Elle est plus intelligente que nos outils
de conception les plus avancés.
de conception les plus avancés.
05:01
What do I mean by that?
97
289467
1440
C'est-à-dire ?
05:02
If her owner picks up that leash,
98
290931
1590
Quand son maître prend sa laisse,
05:04
Maggie knows with a fair
degree of certainty
degree of certainty
99
292545
2068
Maggie estime assez justement
05:06
it's time to go for a walk.
100
294637
1404
qu'elle va en promenade.
05:08
And how did she learn?
101
296065
1185
Comment a-t-elle appris ?
05:09
Well, every time the owner picked up
the leash, they went for a walk.
the leash, they went for a walk.
102
297274
3324
Chaque fois qu'il a pris sa laisse,
la promenade a suivi.
la promenade a suivi.
05:12
And Maggie did three things:
103
300622
1878
Et Maggie a fait trois choses :
05:14
she had to pay attention,
104
302524
1869
elle a fait attention,
05:16
she had to remember what happened
105
304417
2082
elle s'est rappelée ce qui s'est passé
05:18
and she had to retain and create
a pattern in her mind.
a pattern in her mind.
106
306523
4017
et elle a retenu cette succession
d'événements.
d'événements.
05:23
Interestingly, that's exactly what
107
311429
2095
Tiens, tiens, c'est exactement ce que
05:25
computer scientists
have been trying to get AIs to do
have been trying to get AIs to do
108
313548
2523
les spécialistes tentent d'inculquer
aux robots intelligents
aux robots intelligents
05:28
for the last 60 or so years.
109
316095
1859
depuis 60 ans.
05:30
Back in 1952,
110
318683
1349
En 1952,
05:32
they built this computer
that could play Tic-Tac-Toe.
that could play Tic-Tac-Toe.
111
320056
3801
ils ont construit cet ordinateur
qui pouvait jouer au morpion.
qui pouvait jouer au morpion.
05:37
Big deal.
112
325081
1160
Super.
05:39
Then 45 years later, in 1997,
113
327029
3000
Et puis en 1997, 45 ans plus tard,
05:42
Deep Blue beats Kasparov at chess.
114
330053
2472
Deep Blue a battu Kasparov aux échecs.
05:46
2011, Watson beats these two
humans at Jeopardy,
humans at Jeopardy,
115
334046
4968
En 2011, Watson a battu deux humains
à Jeopardy,
à Jeopardy,
05:51
which is much harder for a computer
to play than chess is.
to play than chess is.
116
339038
2928
ce qui est bien plus dur que les échecs
pour un ordinateur.
pour un ordinateur.
05:53
In fact, rather than working
from predefined recipes,
from predefined recipes,
117
341990
3812
Plutôt que d'utiliser des recettes
prédéfinies,
prédéfinies,
05:57
Watson had to use reasoning
to overcome his human opponents.
to overcome his human opponents.
118
345826
3323
Watson a dû réfléchir rationnellement
pour gagner.
pour gagner.
06:02
And then a couple of weeks ago,
119
350393
2439
Et il y a deux semaines,
06:04
DeepMind's AlphaGo beats
the world's best human at Go,
the world's best human at Go,
120
352856
4262
AlphaGo de DeepMind a battu
les meilleurs joueurs de go humains
les meilleurs joueurs de go humains
06:09
which is the most difficult
game that we have.
game that we have.
121
357142
2212
et le go est le jeu le plus difficile.
06:11
In fact, in Go, there are more
possible moves
possible moves
122
359378
2896
Il y a plus de mouvements possibles
au jeu de go
au jeu de go
06:14
than there are atoms in the universe.
123
362298
2024
que d'atomes dans l'univers.
06:18
So in order to win,
124
366210
1826
Donc pour gagner,
06:20
what AlphaGo had to do
was develop intuition.
was develop intuition.
125
368060
2618
AlphaGo a dû développer son intuition.
06:23
And in fact, at some points,
AlphaGo's programmers didn't understand
AlphaGo's programmers didn't understand
126
371098
4110
Et en fait, à certains moments,
ses programmeurs n'ont pas compris
ses programmeurs n'ont pas compris
06:27
why AlphaGo was doing what it was doing.
127
375232
2286
les raisons derrière ses choix.
06:31
And things are moving really fast.
128
379451
1660
Et tout va très vite.
06:33
I mean, consider --
in the space of a human lifetime,
in the space of a human lifetime,
129
381135
3227
Pensez donc... au cours d'une vie humaine,
06:36
computers have gone from a child's game
130
384386
2233
les ordinateurs, des jeux pour enfants,
06:39
to what's recognized as the pinnacle
of strategic thought.
of strategic thought.
131
387920
3048
sont passés à la pointe
de la réflexion stratégique.
de la réflexion stratégique.
06:43
What's basically happening
132
391999
2417
Ce qui se produit en gros,
06:46
is computers are going
from being like Spock
from being like Spock
133
394440
3310
c'est que les ordinateurs,
qui étaient comme Spock,
qui étaient comme Spock,
06:49
to being a lot more like Kirk.
134
397774
1949
deviennent Kirk.
06:51
(Laughter)
135
399747
3618
(Rires)
06:55
Right? From pure logic to intuition.
136
403389
3424
Pas vrai ? De la logique pure
à l'intuition.
à l'intuition.
07:00
Would you cross this bridge?
137
408184
1743
Ça vous dirait de traverser ce pont ?
07:02
Most of you are saying, "Oh, hell no!"
138
410609
2323
Vous avez l'air de dire
« Ça va pas, non ? »
« Ça va pas, non ? »
07:04
(Laughter)
139
412956
1308
(Rires)
07:06
And you arrived at that decision
in a split second.
in a split second.
140
414288
2657
Et vous avez décidé ça en
une fraction de seconde.
une fraction de seconde.
07:08
You just sort of knew
that bridge was unsafe.
that bridge was unsafe.
141
416969
2428
Vous saviez que le pont était dangereux.
07:11
And that's exactly the kind of intuition
142
419421
1989
Et c'est exactement ce genre d'intuition
07:13
that our deep-learning systems
are starting to develop right now.
are starting to develop right now.
143
421434
3568
que nos systèmes d'apprentissage avancé
développent en ce moment.
développent en ce moment.
07:17
Very soon, you'll literally be able
144
425722
1707
Bientôt, vous pourrez
07:19
to show something you've made,
you've designed,
you've designed,
145
427453
2206
montrer quelque chose que vous avez conçu
07:21
to a computer,
146
429683
1153
à un ordinateur,
07:22
and it will look at it and say,
147
430860
1489
et il le regardera et dira :
07:24
"Sorry, homie, that'll never work.
You have to try again."
You have to try again."
148
432373
2823
« Désolé, mon pote, ça ne marchera jamais.
Essaie encore. »
Essaie encore. »
07:27
Or you could ask it if people
are going to like your next song,
are going to like your next song,
149
435854
3070
Ou vous pourrez lui demander si le
public aimera votre prochaine chanson
public aimera votre prochaine chanson
07:31
or your next flavor of ice cream.
150
439773
2063
ou votre nouveau parfum de glace.
07:35
Or, much more importantly,
151
443549
2579
Ou, plus crucial encore,
07:38
you could work with a computer
to solve a problem
to solve a problem
152
446152
2364
on peut travailler ensemble
à résoudre un problème
à résoudre un problème
07:40
that we've never faced before.
153
448540
1637
encore jamais abordé.
07:42
For instance, climate change.
154
450201
1401
Comme le changement climatique.
07:43
We're not doing a very
good job on our own,
good job on our own,
155
451626
2020
Nous ne sommes pas très efficaces seuls
07:45
we could certainly use
all the help we can get.
all the help we can get.
156
453670
2245
et nous allons avoir besoin d'aide.
07:47
That's what I'm talking about,
157
455939
1458
C'est ce que je veux dire,
07:49
technology amplifying
our cognitive abilities
our cognitive abilities
158
457421
2555
la technologie amplifie
nos capacités cognitives
nos capacités cognitives
07:52
so we can imagine and design things
that were simply out of our reach
that were simply out of our reach
159
460000
3552
de sorte que nous pouvons imaginer
et concevoir des choses impossibles
et concevoir des choses impossibles
07:55
as plain old un-augmented humans.
160
463576
2559
avec nos capacités d'humains
non augmentés.
non augmentés.
07:59
So what about making
all of this crazy new stuff
all of this crazy new stuff
161
467984
2941
Et que dire de la production
de ces produits fous
de ces produits fous
08:02
that we're going to invent and design?
162
470949
2441
que nous allons inventer et concevoir ?
08:05
I think the era of human augmentation
is as much about the physical world
is as much about the physical world
163
473952
4093
Je pense que l'ère de l'humain augmenté
concerne tout autant le monde physique
concerne tout autant le monde physique
08:10
as it is about the virtual,
intellectual realm.
intellectual realm.
164
478069
3065
que le monde virtuel et intellectuel.
08:13
How will technology augment us?
165
481833
1921
Comment la technologie va-t-elle
nous augmenter ?
nous augmenter ?
08:16
In the physical world, robotic systems.
166
484261
2473
Dans le monde physique,
par les systèmes robotiques.
par les systèmes robotiques.
08:19
OK, there's certainly a fear
167
487620
1736
Bon, il y a cette peur
08:21
that robots are going to take
jobs away from humans,
jobs away from humans,
168
489380
2488
des robots qui prendraient les jobs
des humains
des humains
08:23
and that is true in certain sectors.
169
491892
1830
et c'est le cas dans certains secteurs.
08:26
But I'm much more interested in this idea
170
494174
2878
Mais ce qui m'intéresse plus, c'est l'idée
08:29
that humans and robots working together
are going to augment each other,
are going to augment each other,
171
497076
5010
que robots et humains travaillant ensemble
vont s'augmenter les uns les autres
vont s'augmenter les uns les autres
08:34
and start to inhabit a new space.
172
502110
2058
et occuper un nouvel espace.
08:36
This is our applied research lab
in San Francisco,
in San Francisco,
173
504192
2362
Voici notre labo de recherche appliquée
à San Francisco
à San Francisco
08:38
where one of our areas of focus
is advanced robotics,
is advanced robotics,
174
506578
3142
où l'un de nos domaines de recherche
est la robotique avancée
est la robotique avancée
08:41
specifically, human-robot collaboration.
175
509744
2511
et plus précisément la collaboration
humain/robot.
humain/robot.
08:45
And this is Bishop, one of our robots.
176
513034
2759
Et voici Bishop, l'un de nos robots.
08:47
As an experiment, we set it up
177
515817
1789
Dans une expérience, il devait
08:49
to help a person working in construction
doing repetitive tasks --
doing repetitive tasks --
178
517630
3460
aider une personne à faire des tâches
de construction répétitives
de construction répétitives
08:53
tasks like cutting out holes for outlets
or light switches in drywall.
or light switches in drywall.
179
521984
4194
comme faire des trous pour des prises
dans des plaques de plâtre.
dans des plaques de plâtre.
08:58
(Laughter)
180
526202
2466
(Rires)
09:01
So, Bishop's human partner
can tell what to do in plain English
can tell what to do in plain English
181
529877
3111
Son partenaire humain peut lui dire quoi
faire dans un anglais simple
faire dans un anglais simple
09:05
and with simple gestures,
182
533012
1305
avec des gestes simples,
09:06
kind of like talking to a dog,
183
534341
1447
comme s'il parlait à un chien.
09:07
and then Bishop executes
on those instructions
on those instructions
184
535812
2143
Et puis Bishop suit les instructions
09:09
with perfect precision.
185
537979
1892
avec une précision parfaite.
09:11
We're using the human
for what the human is good at:
for what the human is good at:
186
539895
2989
On utilise chez l'humain
ce qu'il a d'efficace :
ce qu'il a d'efficace :
vigilance, perception et
prise de décision.
prise de décision.
09:14
awareness, perception and decision making.
187
542908
2333
09:17
And we're using the robot
for what it's good at:
for what it's good at:
188
545265
2240
Et chez le robot,
ce qu'il maîtrise mieux :
ce qu'il maîtrise mieux :
09:19
precision and repetitiveness.
189
547529
1748
la précision et la répétition.
09:22
Here's another cool project
that Bishop worked on.
that Bishop worked on.
190
550252
2367
Voici un autre projet sympa avec Bishop.
09:24
The goal of this project,
which we called the HIVE,
which we called the HIVE,
191
552643
3075
Le but du projet, qu'on a appelé le HIVE,
09:27
was to prototype the experience
of humans, computers and robots
of humans, computers and robots
192
555742
3851
était de voir ce qui se passe
quand humains, ordinateurs et robots
quand humains, ordinateurs et robots
09:31
all working together to solve
a highly complex design problem.
a highly complex design problem.
193
559617
3220
travaillent ensemble à résoudre un
problème de conception complexe.
problème de conception complexe.
09:35
The humans acted as labor.
194
563793
1451
Les humains étaient la main d'œuvre
09:37
They cruised around the construction site,
they manipulated the bamboo --
they manipulated the bamboo --
195
565268
3473
sur le site de construction,
manipulaient le bambou,
manipulaient le bambou,
09:40
which, by the way,
because it's a non-isomorphic material,
because it's a non-isomorphic material,
196
568765
2756
le bambou qui est d'ailleurs,
étant non isomorphe,
étant non isomorphe,
09:43
is super hard for robots to deal with.
197
571545
1874
très compliqué pour les robots.
09:45
But then the robots
did this fiber winding,
did this fiber winding,
198
573443
2022
Les robots ont fait
cet enroulement de fibres
cet enroulement de fibres
09:47
which was almost impossible
for a human to do.
for a human to do.
199
575489
2451
presqu'impossible à faire pour un humain.
09:49
And then we had an AI
that was controlling everything.
that was controlling everything.
200
577964
3621
Et une machine d'intelligence artificielle
contrôlait le tout.
contrôlait le tout.
09:53
It was telling the humans what to do,
telling the robots what to do
telling the robots what to do
201
581609
3290
Elle disait aux humains quoi faire,
et aux robots,
et aux robots,
09:56
and keeping track of thousands
of individual components.
of individual components.
202
584923
2915
et surveillait des milliers de
composants individuels.
composants individuels.
09:59
What's interesting is,
203
587862
1180
Et surtout,
10:01
building this pavilion
was simply not possible
was simply not possible
204
589066
3141
construire ce pavillon était impossible
10:04
without human, robot and AI
augmenting each other.
augmenting each other.
205
592231
4524
sans qu'humains, robots et machines
intelligentes ne s'augmentent.
intelligentes ne s'augmentent.
10:09
OK, I'll share one more project.
This one's a little bit crazy.
This one's a little bit crazy.
206
597890
3320
Bon, je vais parler d'un autre projet.
Celui-là est un peu fou.
Celui-là est un peu fou.
10:13
We're working with Amsterdam-based artist
Joris Laarman and his team at MX3D
Joris Laarman and his team at MX3D
207
601234
4468
Nous travaillons avec Joris Laarman,
artiste d'Amsterdam, et son équipe à MX3D
artiste d'Amsterdam, et son équipe à MX3D
10:17
to generatively design
and robotically print
and robotically print
208
605726
2878
pour concevoir de manière générative
et imprimer avec la robotique
et imprimer avec la robotique
10:20
the world's first autonomously
manufactured bridge.
manufactured bridge.
209
608628
2995
le premier pont construit
de façon autonome.
de façon autonome.
10:24
So, Joris and an AI are designing
this thing right now, as we speak,
this thing right now, as we speak,
210
612315
3685
Joris et une intelligence artificielle
le conçoivent en ce moment
le conçoivent en ce moment
10:28
in Amsterdam.
211
616024
1172
à Amsterdam.
10:29
And when they're done,
we're going to hit "Go,"
we're going to hit "Go,"
212
617220
2321
Quand ils auront fini, on appuiera
sur « lancement »
sur « lancement »
10:31
and robots will start 3D printing
in stainless steel,
in stainless steel,
213
619565
3311
et les robots se mettront à imprimer
en 3D et en inox.
en 3D et en inox.
10:34
and then they're going to keep printing,
without human intervention,
without human intervention,
214
622900
3283
Et ils imprimeront toujours et encore
sans intervention humaine
sans intervention humaine
10:38
until the bridge is finished.
215
626207
1558
jusqu'à ce que le pont soit construit.
10:41
So, as computers are going
to augment our ability
to augment our ability
216
629099
2928
Les ordinateurs vont augmenter
notre capacité
notre capacité
10:44
to imagine and design new stuff,
217
632051
2150
à imaginer et concevoir des nouveautés,
10:46
robotic systems are going to help us
build and make things
build and make things
218
634225
2895
et les systèmes robotiques vont nous aider
à fabriquer des choses
à fabriquer des choses
10:49
that we've never been able to make before.
219
637144
2084
que nous n'avons jamais pu fabriquer.
10:52
But what about our ability
to sense and control these things?
to sense and control these things?
220
640347
4160
Qu'en est-il de notre capacité à percevoir
et contrôler tout ça ?
et contrôler tout ça ?
10:56
What about a nervous system
for the things that we make?
for the things that we make?
221
644531
4031
Et si les choses que nous fabriquons
avaient un système nerveux central ?
avaient un système nerveux central ?
11:00
Our nervous system,
the human nervous system,
the human nervous system,
222
648586
2512
Notre système nerveux d'humains
11:03
tells us everything
that's going on around us.
that's going on around us.
223
651122
2311
nous dit tout ce qu'il se passe
autour de nous.
autour de nous.
11:06
But the nervous system of the things
we make is rudimentary at best.
we make is rudimentary at best.
224
654186
3684
Mais le système nerveux des choses
que nous fabriquons est rudimentaire.
que nous fabriquons est rudimentaire.
11:09
For instance, a car doesn't tell
the city's public works department
the city's public works department
225
657894
3563
Par exemple, une voiture ne dit pas
au service municipal des voiries
au service municipal des voiries
11:13
that it just hit a pothole at the corner
of Broadway and Morrison.
of Broadway and Morrison.
226
661481
3130
qu'elle a roulé sur un nid-de-poule.
11:16
A building doesn't tell its designers
227
664635
2032
Un bâtiment ne dit pas à ses concepteurs
11:18
whether or not the people inside
like being there,
like being there,
228
666691
2684
si les gens à l'intérieur aiment y être
11:21
and the toy manufacturer doesn't know
229
669399
3010
et le fabricant de jouets ne sait pas
11:24
if a toy is actually being played with --
230
672433
2007
si on joue vraiment avec ce jouet,
11:26
how and where and whether
or not it's any fun.
or not it's any fun.
231
674464
2539
ni comment ni où et si c'est sympa.
11:29
Look, I'm sure that the designers
imagined this lifestyle for Barbie
imagined this lifestyle for Barbie
232
677620
3814
Je suis sûr que ses concepteurs
avaient ça en tête pour Barbie
avaient ça en tête pour Barbie
11:33
when they designed her.
233
681458
1224
quand ils l'ont conçue.
11:34
(Laughter)
234
682706
1447
(Rires)
11:36
But what if it turns out that Barbie's
actually really lonely?
actually really lonely?
235
684177
2906
Et si Barbie était en fait très seule ?
11:39
(Laughter)
236
687107
3147
(Rires)
11:43
If the designers had known
237
691266
1288
Si les concepteurs savaient
11:44
what was really happening
in the real world
in the real world
238
692578
2107
ce qu'il se passe vraiment dans la vie
11:46
with their designs -- the road,
the building, Barbie --
the building, Barbie --
239
694709
2583
pour leurs créations (la route,
le bâtiment, Barbie),
le bâtiment, Barbie),
11:49
they could've used that knowledge
to create an experience
to create an experience
240
697316
2694
ils pourraient utiliser ce savoir
et créer une expérience
et créer une expérience
11:52
that was better for the user.
241
700034
1400
optimale pour l'utilisateur.
11:53
What's missing is a nervous system
242
701458
1791
Il manque un système nerveux central
11:55
connecting us to all of the things
that we design, make and use.
that we design, make and use.
243
703273
3709
qui nous connecte à tout ce que
l'on conçoit, fabrique et utilise.
l'on conçoit, fabrique et utilise.
11:59
What if all of you had that kind
of information flowing to you
of information flowing to you
244
707915
3555
Et si nous avions tous ce genre
d'informations provenant
d'informations provenant
12:03
from the things you create
in the real world?
in the real world?
245
711494
2183
des choses que nous créons dans la vie ?
12:07
With all of the stuff we make,
246
715432
1451
Pour vendre ce qu'on fabrique,
12:08
we spend a tremendous amount
of money and energy --
of money and energy --
247
716907
2435
nous dépensons des montagnes
d'argent et d'énergie
d'argent et d'énergie
12:11
in fact, last year,
about two trillion dollars --
about two trillion dollars --
248
719366
2376
(deux mille milliards
de dollars l'an passé)
de dollars l'an passé)
12:13
convincing people to buy
the things we've made.
the things we've made.
249
721766
2854
à convaincre les gens
d'acheter nos produits.
d'acheter nos produits.
12:16
But if you had this connection
to the things that you design and create
to the things that you design and create
250
724644
3388
Si on avait cette connexion avec
les choses qu'on invente
les choses qu'on invente
12:20
after they're out in the real world,
251
728056
1727
une fois qu'ils sont dans le monde,
12:21
after they've been sold
or launched or whatever,
or launched or whatever,
252
729807
3614
après leur achat ou leur mise en vente,
12:25
we could actually change that,
253
733445
1620
nous pourrions changer ça
12:27
and go from making people want our stuff,
254
735089
3047
et au lieu de convaincre les gens
d'acheter nos produits,
d'acheter nos produits,
12:30
to just making stuff that people
want in the first place.
want in the first place.
255
738160
3434
nous produirions ce que les gens veulent.
12:33
The good news is, we're working
on digital nervous systems
on digital nervous systems
256
741618
2787
Bonne nouvelle : nous travaillons
sur des systèmes nerveux digitaux
sur des systèmes nerveux digitaux
12:36
that connect us to the things we design.
257
744429
2801
qui nous connectent à nos créations.
12:40
We're working on one project
258
748365
1627
Nous travaillons sur un projet
12:42
with a couple of guys down in Los Angeles
called the Bandito Brothers
called the Bandito Brothers
259
750016
3712
avec des gens de Los Angeles,
les Bandito Brothers,
les Bandito Brothers,
12:45
and their team.
260
753752
1407
et leur équipe.
12:47
And one of the things these guys do
is build insane cars
is build insane cars
261
755183
3433
Ils construisent notamment
des voitures de fou
des voitures de fou
12:50
that do absolutely insane things.
262
758640
2873
qu font des trucs de fou.
12:54
These guys are crazy --
263
762905
1450
Ces mecs sont fous
12:56
(Laughter)
264
764379
1036
(Rires)
12:57
in the best way.
265
765439
1403
dans le bon sens du terme.
13:00
And what we're doing with them
266
768993
1763
Voilà ce qu'on fait avec eux :
13:02
is taking a traditional race-car chassis
267
770780
2440
on donne au châssis d'une voiture
de course classique
de course classique
13:05
and giving it a nervous system.
268
773244
1585
un système nerveux.
13:06
So we instrumented it
with dozens of sensors,
with dozens of sensors,
269
774853
3058
On l'a appareillé avec des dizaines
de capteurs,
de capteurs,
13:09
put a world-class driver behind the wheel,
270
777935
2635
on a mis un pilote d'élite au volant,
13:12
took it out to the desert
and drove the hell out of it for a week.
and drove the hell out of it for a week.
271
780594
3357
et on l'a conduite à fond dans le désert
pendant une semaine.
pendant une semaine.
13:15
And the car's nervous system
captured everything
captured everything
272
783975
2491
Et son système nerveux a tout retenu
13:18
that was happening to the car.
273
786490
1482
de ce qui arrivait.
13:19
We captured four billion data points;
274
787996
2621
On a capturé quatre milliards de données
13:22
all of the forces
that it was subjected to.
that it was subjected to.
275
790641
2310
sur les forces auxquelles
elle était soumise.
elle était soumise.
13:24
And then we did something crazy.
276
792975
1659
Et puis on a fait un truc fou.
13:27
We took all of that data,
277
795268
1500
On a mis toutes ces données
13:28
and plugged it into a generative-design AI
we call "Dreamcatcher."
we call "Dreamcatcher."
278
796792
3736
dans une intelligence artificielle de
conception générative, Dreamcatcher.
conception générative, Dreamcatcher.
13:33
So what do get when you give
a design tool a nervous system,
a design tool a nervous system,
279
801270
3964
Qu'obtient-on quand on donne à un outil
de conception un système nerveux
de conception un système nerveux
13:37
and you ask it to build you
the ultimate car chassis?
the ultimate car chassis?
280
805258
2882
et qu'on lui dit de construire
le châssis de voiture ultime ?
le châssis de voiture ultime ?
13:40
You get this.
281
808723
1973
Ça.
13:44
This is something that a human
could never have designed.
could never have designed.
282
812293
3713
Voilà quelque chose qu'un humain
n'aurait jamais pu concevoir.
n'aurait jamais pu concevoir.
13:48
Except a human did design this,
283
816707
1888
Mais un humain l'a pourtant conçu,
13:50
but it was a human that was augmented
by a generative-design AI,
by a generative-design AI,
284
818619
4309
un humain augmenté par une intelligence
artificielle de conception générative,
artificielle de conception générative,
13:54
a digital nervous system
285
822952
1231
un système nerveux digital
13:56
and robots that can actually
fabricate something like this.
fabricate something like this.
286
824207
3005
et des robots qui peuvent construire ça.
13:59
So if this is the future,
the Augmented Age,
the Augmented Age,
287
827680
3595
Si l'avenir est là, dans l'âge augmenté,
14:03
and we're going to be augmented
cognitively, physically and perceptually,
cognitively, physically and perceptually,
288
831299
4261
et que nos capacités cognitives, physiques
et perceptives sont augmentées,
et perceptives sont augmentées,
14:07
what will that look like?
289
835584
1408
à quoi cela ressemblera ?
14:09
What is this wonderland going to be like?
290
837576
3321
Comment sera cet âge d'or ?
14:12
I think we're going to see a world
291
840921
1709
Je pense que notre monde
14:14
where we're moving
from things that are fabricated
from things that are fabricated
292
842654
3068
va passer des choses qu'on fabrique
14:17
to things that are farmed.
293
845746
1445
aux choses qu'on cultive.
14:20
Where we're moving from things
that are constructed
that are constructed
294
848159
3453
On passera des choses qu'on construit
14:23
to that which is grown.
295
851636
1704
à celles qu'on fait pousser.
14:26
We're going to move from being isolated
296
854134
2188
On passera de l'isolement
14:28
to being connected.
297
856346
1610
à la connexion.
14:30
And we'll move away from extraction
298
858634
2411
Et on abandonnera l'extraction
14:33
to embrace aggregation.
299
861069
1873
au bénéfice de l'agrégation.
14:35
I also think we'll shift
from craving obedience from our things
from craving obedience from our things
300
863967
3767
Je pense qu'on passera aussi du besoin
de voir nos objets nous obéir
de voir nos objets nous obéir
14:39
to valuing autonomy.
301
867758
1641
à l'appréciation de l'autonomie.
14:42
Thanks to our augmented capabilities,
302
870510
1905
Grâce à nos capacités augmentées,
14:44
our world is going to change dramatically.
303
872439
2377
notre monde va être transformé.
14:47
We're going to have a world
with more variety, more connectedness,
with more variety, more connectedness,
304
875576
3246
Nous aurons un monde plus varié,
plus connecté,
plus connecté,
14:50
more dynamism, more complexity,
305
878846
2287
plus dynamique, plus complexe,
14:53
more adaptability and, of course,
306
881157
2318
plus flexible et bien sûr,
14:55
more beauty.
307
883499
1217
plus beau.
14:57
The shape of things to come
308
885231
1564
Ce qui nous attend
14:58
will be unlike anything
we've ever seen before.
we've ever seen before.
309
886819
2290
ne ressemblera à rien de ce qui a précédé.
15:01
Why?
310
889133
1159
Pourquoi ?
15:02
Because what will be shaping those things
is this new partnership
is this new partnership
311
890316
3755
Parce que toutes ces choses seront
façonnées par cette collaboration nouvelle
façonnées par cette collaboration nouvelle
15:06
between technology, nature and humanity.
312
894095
3670
entre technologie, nature et humanité.
15:11
That, to me, is a future
well worth looking forward to.
well worth looking forward to.
313
899279
3804
Pour moi, c'est là un avenir
qui vaut bien la peine d'être vu.
qui vaut bien la peine d'être vu.
15:15
Thank you all so much.
314
903107
1271
Merci beaucoup à vous.
15:16
(Applause)
315
904402
5669
(Applaudissements)
ABOUT THE SPEAKER
Maurice Conti - Designer, futuristMaurice Conti explores new partnerships between technology, nature and humanity.
Why you should listen
Maurice Conti is a designer, futurist and innovator. He's worked with startups, government agencies, artists and corporations to explore the things that will matter to us in the future, and to design solutions to get us there.
Conti is currently Chief Innovation Officer at Alpha -- Europe's first moonshot factory, powered by Telefónica. Conti and his team are responsible for coming up with the ideas, prototypes and proofs of concepts that will go on to become full-blown moonshots at Alpha: projects that will affect 100 million people or more, be a force for good on the planet and grow into billion-euro businesses.
Previously, Conti was Director of Applied Research & Innovation at Autodesk where built and led Autodesk's Applied Research Lab. Conti's work focuses on applied machine learning, advanced robotics, augmented and virtual realities, and the future of work, cities and mobility.
Conti is also an explorer of geographies and cultures. He has circumnavigated the globe once and been half-way around twice. In 2009 he was awarded the Medal for Exceptional Bravery at Sea by the United Nations, the New Zealand Bravery Medal and a US Coast Guard Citation for Bravery for risking his own life to save three shipwrecked sailors.
Conti lives in Barcelona, Spain, and travels around the world speaking to groups about innovation, technology trends, the future, and high adventure.
Maurice Conti | Speaker | TED.com