TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
डेनियल सस्किंड: 3 मिथक नौकरियों के भविष्य के बारे में (और क्यूँ वे सच नहीं हैं)
Filmed:
Readability: 4.5
1,519,249 views
"क्या मशीनें मनुष्यों का स्थान ले लेंगी?" यह सवाल हर नौकरीपेशा व्यक्ति के मन में उठ रहा है. डेनियल सस्किंड इस प्रश्न से जूझते हुए, स्वचालित भविष्य की 3 गलतफहमियों से हमें अवगत कराते हैं और एक अलग सवाल पूछने को कहते हैं: जब विश्व में बहुत कम या शायद कुछ भी काम नहीं रह जाएगा, तब हम धन का विभाजन कैसे करेंगे?
Daniel Susskind - Economist
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Daniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society. Full bio
Double-click the English transcript below to play the video.
00:12
Automation anxiety
has been spreading lately,
has been spreading lately,
0
760
3376
ऑटोमेशन (स्वचालित मशीनीकरण) आजकल
चिंता का विषय बन गया है,
चिंता का विषय बन गया है,
00:16
a fear that in the future,
1
4160
2656
एक डर फैला हुआ है कि, भविष्य में,
00:18
many jobs will be performed by machines
2
6840
2456
कई कार्य मशीनों द्वारा होंगे,
00:21
rather than human beings,
3
9320
1336
न कि मनुष्यों द्वारा,
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
क्यूँकि AI (कृत्रिम बुद्धिमत्ता)
और रोबोट विज्ञान
और रोबोट विज्ञान
00:25
in artificial intelligence and robotics.
5
13640
2776
में अभूतपूर्व प्रगति हो रही है.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
ये साफ़ है कि बड़े पैमाने पर बदलाव होंगे.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
ये बदलाव कैसे असर करेंगे, ये साफ़ नहीं है.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
मेरी शोध संकेत देती है कि भविष्य,
चिंताजनक और रोमांचक, दोनों ही होगा.
चिंताजनक और रोमांचक, दोनों ही होगा.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
तकनीक की वजह से बेरोज़गारी का खतरा है,
00:43
and yet it's a good problem to have.
10
31640
2056
लेकिन फिर भी ये एक अच्छी समस्या है.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
मेरे इस निष्कर्ष को समझाने के लिए,
00:48
I want to confront three myths
12
36960
2536
मैं तीन मिथकों पर चर्चा करना चाहूँगा,
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
जो अभी इस स्वचालित भविष्य के बारे में,
हमारी दृष्टी को धुंधला किए हुए है.
हमारी दृष्टी को धुंधला किए हुए है.
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
हम जो तस्वीर TV में, किताबों में,
00:59
in books, in films, in everyday commentary
15
47240
2216
फिल्मों में, और रोजमर्रा की चर्चा
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
में देख रहे हैं, वह है रोबोट की सेना का
कार्य-स्थल पर उतर आना,
कार्य-स्थल पर उतर आना,
01:05
with one goal in mind:
17
53200
1376
सिर्फ़ एक उद्देश्य लिए:
01:06
to displace human beings from their work.
18
54600
2496
मनुष्यों को उनकी नौकरियों से हटाना.
01:09
And I call this the Terminator myth.
19
57120
2696
ये "टर्मिनेटर मिथक" -
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
मशीने मनुष्यों से कुछ कार्य छीनेंगी,
किन्तु मनुष्यों की जगह
पूर्णतया नहीं ले सकती.
पूर्णतया नहीं ले सकती.
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
वे कई कार्यों में हमारी सहायक भी होती हैं,
01:18
They also complement them in other tasks,
22
66120
1976
उस कार्य को बेहतर और अहम बनाती हैं.
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
कभी सीधे तौर पर मनुष्यों की पूरक बनती हैं,
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
हमें कार्यकुशल और उत्पादक बनाती हैं.
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
जैसे कि टैक्सी चालक, ऑनलाइन नक़्शे का
इस्तेमाल कर अनजानी जगह पर जा सकता है.
इस्तेमाल कर अनजानी जगह पर जा सकता है.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
एक वास्तुकार, डिजाईन सॉफ्टवेर का इस्तेमाल
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
बड़ी और जटिल इमारतें
बनाने के लिए कर सकता है.
बनाने के लिए कर सकता है.
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
तकनीकी प्रगति मनुष्यों को
सिर्फ़ सीधे तौर पर ही नहीं
सिर्फ़ सीधे तौर पर ही नहीं
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
बल्कि अप्रत्यक्ष रूप से भी असर करती है.
इसके दो तरीके हैं -
इसके दो तरीके हैं -
अगर हम अर्थव्यवस्था को
एक केक की तरह मानें,
एक केक की तरह मानें,
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
तो तकनीकी प्रगति उसके आकार को बड़ा करती है.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
जैसे जैसे उत्पादकता बढती है,
आय भी बढती है और खपत भी.
आय भी बढती है और खपत भी.
उदहारणतः, ब्रिटेन का केक,
01:59
The British pie, for instance,
34
107520
1776
३०० साल में १०० गुना बढा है.
02:01
is more than a hundred times
the size it was 300 years ago.
the size it was 300 years ago.
35
109320
3960
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
पुराने केक में काम से विस्थापित लोगों
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
को नए केक में नए तरह के कार्य मिले.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
तकनीकी प्रगति केवल केक का
आकर ही नहीं बढाती है.
आकर ही नहीं बढाती है.
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
वह उसकी सामग्री को भी बदल देती है.
समय के साथ, लोगों की खर्च करने
की पद्धति बदलती है,
की पद्धति बदलती है,
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
मौजूदा सामान के अलावा,
नए सामानों में भी रूचि बढती है.
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
02:29
New industries are created,
43
137200
1776
नए उद्योगों की संरचना होती है
नए कार्य पैदा होते हैं,
02:31
new tasks have to be done
44
139000
1816
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
और नए पद तैयार होते हैं.
02:35
So again, the British pie:
46
143400
1496
दोबारा ब्रिटेन के केक को देखते हैं:
३०० साल पहले, ज्यादातर लोग
खेतों में काम करते थे
खेतों में काम करते थे
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
02:39
150 years ago, in factories,
48
147920
2336
१५० साल पहले, कारखानों में,
और आज, ज्यादातर दफ्तरों में.
02:42
and today, most people work in offices.
49
150280
2856
ऐसे ही, पुराने केक के
कामों से विस्थापित लोग
कामों से विस्थापित लोग
02:45
And once again, people displaced
from tasks in the old bit of pie
from tasks in the old bit of pie
50
153160
4056
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
नए केक में नए कामों में लग गए.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
अर्थशास्त्री इसे संपूरक प्रभाव कहते हैं,
जो तकनीकी प्रगति से हुई मानवता की मदद
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
को दर्शाने वाला एक मनोहर शब्द है.
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
03:02
Resolving this Terminator myth
55
170520
2096
टर्मिनेटर मिथक दर्शाता है
कि दो शाक्तियाँ काम कर रही हैं:
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
मशीन द्वारा विस्थापन, जो नुकसानदायक है,
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
और संपूरक प्रभाव, जो फायदेमंद है.
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
03:13
Now the second myth,
59
181960
1376
अब दूसरा मिथक
जो है, बुद्धिमत्ता मिथक.
03:15
what I call the intelligence myth.
60
183360
2280
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
कार चलाने, रोग-निदान करने, और किसी चिड़िया
को पलक झपकते ही पहचान
लेने में क्या समानता है?
लेने में क्या समानता है?
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
अर्थशास्त्रियों के अनुसार, ये सब
वह काम हैं जो कुछ समय
वह काम हैं जो कुछ समय
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
पहले तक स्वचालित नहीं किये जा सकते थे.
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
लेकिन आज किये जा सकते हैं.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
बड़ी कार कंपनियां आज बिना ड्राईवर
की कार को लाने पर काम कर रही हैं.
की कार को लाने पर काम कर रही हैं.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
रोगों को समझकर निदान करने की
कई प्रणालिया उपलब्ध हैं.
कई प्रणालिया उपलब्ध हैं.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
और एक एप भी है जो पलक झपकते ही
चिड़िया की प्रजाति पहचान लेता है.
03:46
at a fleeting glimpse.
69
214800
1200
03:48
Now, this wasn't simply a case of bad luck
on the part of economists.
on the part of economists.
70
216920
4376
इसका मतलब ये नहीं है,
कि उन अर्थशास्त्रियों की किस्मत खराब थी.
वे गलत थे.
वे गलत थे.
03:53
They were wrong,
71
221320
1296
गलती महत्त्वपूर्ण है.
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
03:57
They've fallen for the intelligence myth,
73
225160
2256
वे बुद्धिमत्ता मिथक के शिकार हुए,
यह मानना कि मशीनें वैसे ही सोचेंगी
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
और पता लगाएंगी, जैसे मनुष्य करते हैं.
04:02
that human beings think and reason
75
230360
2056
04:04
in order to outperform them.
76
232440
1776
और तेज गति से बेहतर काम करेंगी.
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
जब ये लोग पता लगा रहे थे
कि कौन से काम मशीनें नहीं कर सकती,
04:08
what tasks machines could not do,
78
236480
1856
उन्होंने सोचा कि कार्य को स्वचालित
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
करने के लिए, मनुष्यों के तरीके को
04:12
was to sit down with a human being,
80
240520
1816
ठीक तरह से समझ कर,
04:14
get them to explain to you
how it was they performed a task,
how it was they performed a task,
81
242360
3536
04:17
and then try and capture that explanation
82
245920
2656
मशीनों के लिए निर्देशों की नियत श्रेणी
बनाकर दे दी जाए.
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
यह पद्धति कृत्रिम बुद्धिमत्ता में
इस्तेमाल होती थी.
इस्तेमाल होती थी.
मैं ये जानता हूँ क्यूँकि रिचर्ड सस्किंड,
04:27
I know this because Richard Susskind,
85
255600
2176
जो मेरे पिता और सहलेखक हैं,
04:29
who is my dad and my coauthor,
86
257800
2856
ने १९८० के दशक में ऑक्सफ़ोर्ड यूनिवर्सिटी
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
04:36
at Oxford University,
88
264760
1416
में अपनी डॉक्टरेट में लिखा था,
वे इस क्षेत्र के पुरोगामी थे.
04:38
and he was part of the vanguard.
89
266200
1576
प्रोफेसर फिलिप कैपर और एक
04:39
And with a professor called Phillip Capper
90
267800
2256
कानून के क्षेत्र के प्रकाशक, बटरवर्थ
04:42
and a legal publisher called Butterworths,
91
270080
2096
के साथ क़ानून के क्षेत्र की, विश्व की पहली
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
कृत्रिम बुद्धिमत्ता प्रणाली निर्मित की.
04:50
artificial intelligence system in the law.
93
278120
2776
इसकी होम स्क्रीन ऐसी थी.
04:52
This was the home screen design.
94
280920
2616
वे बताते हैं कि ये उस समय की
शानदार होम स्क्रीन है.
शानदार होम स्क्रीन है.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
(हँसी)
04:58
(Laughter)
96
286280
1016
मैं ये नहीं मानता.
04:59
I've never been entirely convinced.
97
287320
1696
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
इसे २ फ्लॉपी में प्रकाशित किया,
उन दिनों फ्लॉपी सच में कमज़ोर होती थी.
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
उनकी पद्धति उन अर्थशास्त्रियों जैसी थी:
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
एक वकील से समझिये कि वह कैसे एक कानूनी
05:09
sit down with a lawyer,
101
297600
1256
05:10
get her to explain to you
how it was she solved a legal problem,
how it was she solved a legal problem,
102
298880
3176
समस्या को सुलझाती है, उस
वर्णन से निर्देशों की श्रंखला तैयार
की जाए, जिसका मशीन पालन करे.
की जाए, जिसका मशीन पालन करे.
05:14
and then try and capture that explanation
in a set of rules for a machine to follow.
in a set of rules for a machine to follow.
103
302080
5376
अर्थशास्त्र में ऐसे कार्य, जिनका वर्णन हो
सकता है, नियमित कार्य कहलाते हैं,
सकता है, नियमित कार्य कहलाते हैं,
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
और इनको आसानी से स्वचालित किया जा सकता है.
अगर वर्णन नहीं हो सकता, तो वे
अनियमित कार्य हैं,
अनियमित कार्य हैं,
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
और उनको पहुँच के बाहर समझा जाता है.
05:28
the tasks are called non-routine,
and they're thought to be out reach.
and they're thought to be out reach.
107
316800
4256
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
आज यह नियमित-अनियमित के बीच बहुत फासला है.
आपने कई बार लोगों को कहते सुना होगा
05:36
Think how often you hear people say to you
109
324400
2056
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
मशीने वही कार्य कर सकती हैं जिनका
अनुमान लग सके, जो पुनरावृत्तिय हो
अनुमान लग सके, जो पुनरावृत्तिय हो
हों, नियमों और निश्चित सीमा में हों.
05:41
rules-based or well-defined.
111
329760
1896
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
ये सब नियमित कामों की अलग-अलग
परिभाषाएँ हैं.
परिभाषाएँ हैं.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
मैंने जो 3 उदाहरण पहले दिए,
वे अनियमित कार्यों की श्रेणी में आते हैं.
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
किसी डॉक्टर से पूछा जाए कि वह
रोग-निर्धारण कैसे करती है,
रोग-निर्धारण कैसे करती है,
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
तो वह कुछ आंकलन के नियम बता पाएगी,
05:56
and she might be able
to give you a few rules of thumb,
to give you a few rules of thumb,
116
344560
2656
लेकिन आगे बताने में संघर्ष होगा.
05:59
but ultimately she'd struggle.
117
347240
1656
उसका कहना होगा कि इसमें रचनात्मकता
और अनुमान की आवश्यकता होगी.
और अनुमान की आवश्यकता होगी.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
और इनको स्पष्ट बता पाना मुश्किल है.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
इसलिए इन कार्यों को स्वचालित करना
मुश्किल समझा जाता था.
मुश्किल समझा जाता था.
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
अगर मनुष्य वर्णन नहीं कर सकते,
06:11
If a human being can't explain themselves,
121
359280
2536
तो मशीनों के लिए निर्देश
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
कैसे लिखे जाएँ?
06:16
for a machine to follow?
123
364760
1200
06:18
Thirty years ago, this view was right,
124
366640
2576
३० साल पहले ये सही था,
06:21
but today it's looking shaky,
125
369240
2136
किन्तु आज शायद नहीं,
और भविष्य में पूर्णरूप से असत्य होगा.
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
कम्पुटर की कार्यशक्ति, संग्रह क्षमता,
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
अल्गोरिथम रचना में हुई प्रगति से
06:28
and in algorithm design
128
376960
1656
नियमित-अनियमित कार्यों में भेद करना
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
ज्यादा काम का नहीं रहा.
06:33
is diminishingly useful.
130
381160
1736
इसे समझने के लिए, रोग-निर्धारण वाले
उदहारण पर चलते हैं.
उदहारण पर चलते हैं.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
इसी साल स्टेनफोर्ड के
06:38
Earlier in the year,
132
386200
1376
शोधकोंने सूचित किया कि उन्होंने
ऐसी प्रणाली बना ली है
ऐसी प्रणाली बना ली है
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
जो बता सकती है कि कोई
दाग या चकत्ता कैंसर है या नहीं,
दाग या चकत्ता कैंसर है या नहीं,
उसी तरह जैसे कोई त्वचा का डॉक्टर बताता है.
06:46
as accurately as leading dermatologists.
135
394000
2680
06:49
How does it work?
136
397280
1256
ये कैसे काम करता है?
06:50
It's not trying to copy the judgment
or the intuition of a doctor.
or the intuition of a doctor.
137
398560
5296
वह डॉक्टर के अनुमान या
अनुभव की नक़ल नहीं उतार रहा.
अनुभव की नक़ल नहीं उतार रहा.
उसको चिकित्सा पद्धति के
बारे में कुछ नहीं पता.
बारे में कुछ नहीं पता.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
वह तो केवल एक स्वरुप पहचान
करने वाला अल्गोरिथम है
करने वाला अल्गोरिथम है
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
जो पिछले १२९,४५० केस पढ़कर
07:01
through 129,450 past cases,
140
409640
4656
उनके और अभी के केस के बीच की
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
07:09
and the particular lesion in question.
142
417440
2080
समानताएं खोज रहा है.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
यह अपना काम मनुष्यों के जैसे नहीं कर रहा,
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
वह इतने सारे केस का अध्ययन कर रहा है,
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
जो एक डॉक्टर अपने
जीवनकाल में नहीं कर सकता.
जीवनकाल में नहीं कर सकता.
07:20
It didn't matter that that human being,
146
428320
1896
इस बात से कोई फरक नहीं पड़ता कि मनुष्य,
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
या वह डॉक्टर अपनी कार्य पद्धति का
वर्णन नहीं कर पाया.
वर्णन नहीं कर पाया.
कुछ लोग कहते हैं कि
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
यह मशीन हमारे जैसी नहीं बनी है.
उदाहरणतः, IBM का वाटसन सुपरकम्पुटर,
07:30
As an example, take IBM's Watson,
150
438320
2056
जिसने "जेओपरडी" नामक US का क्विज शो
में भाग लिया,
में भाग लिया,
07:32
the supercomputer that went
on the US quiz show "Jeopardy!" in 2011,
on the US quiz show "Jeopardy!" in 2011,
151
440400
4856
और २ विजेताओं को हरा दिया.
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
उसके जीतने के एक दिन पश्चात्,
07:40
The day after it won,
153
448320
1696
द वॉल स्ट्रीट जर्नल में जॉन सीरले ने लिखा,
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
"वाटसन को नहीं पता कि वह जीता !"
ये बहुत बढ़िया है, और अचूक सत्य है.
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
वाटसन ने ख़ुशी से चिल्लाकर
जीत जाहिर नहीं की.
जीत जाहिर नहीं की.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
07:53
It didn't call up its parents
to say what a good job it had done.
to say what a good job it had done.
158
461240
3096
उसने अपने माता पिता को फ़ोन करके
अपने अच्छे कार्य की खबर नहीं दी.
अपने अच्छे कार्य की खबर नहीं दी.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
या किसी बार में जाकर जश्न नहीं मनाया.
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
वह दूसरे प्रतियोगियों के तरीके
की नक़ल नहीं उतार रहा था,
की नक़ल नहीं उतार रहा था,
08:03
but it didn't matter.
161
471200
1256
लेकिन कोई फर्क नहीं पड़ा.
वह फिर भी जीत गया.
08:04
It still outperformed them.
162
472480
1976
बुद्धिमत्ता मिथक हमें बताता है कि
08:06
Resolving the intelligence myth
163
474480
1576
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
मानवीय बुद्धिमत्ता, और हमारी
सोच विचार करने की समझ,
08:11
about how we think and reason,
165
479480
1896
स्वचलन के लिए रुकावट नहीं है.
08:13
is far less of a constraint
on automation than it was in the past.
on automation than it was in the past.
166
481400
3456
और तो और
08:16
What's more, as we've seen,
167
484880
1496
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
जब ये मशीने उसी काम को
मनुष्य से अलग तरीके से करती हैं,
मनुष्य से अलग तरीके से करती हैं,
08:21
there's no reason to think
169
489840
1256
यह सोचना भी गलत होगा,
कि मनुष्य की क्षमता,
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
08:25
represents any sort of summit
171
493680
1456
सबसे बेहतरीन है,
08:27
in what these machines
might be capable of doing in the future.
might be capable of doing in the future.
172
495160
3000
क्यूँकि ये मशीनें आगे और भी
बहुत कुछ करने में सक्षम होंगी.
बहुत कुछ करने में सक्षम होंगी.
08:31
Now the third myth,
173
499040
1256
अब तीसरा मिथक,
08:32
what I call the superiority myth.
174
500320
2456
जिसे मैं उच्चता मिथक कहता हूँ.
08:34
It's often said that those who forget
175
502800
2216
अक्सर कहा जाता है कि जो लोग
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
तकनीकी प्रगति का उपयोगी पहलू भूल जाते हैं,
वे भुलावे में हैं जिसे हम
08:39
those complementarities from before,
177
507520
2496
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
"श्रम के ढेले का भुलावा" कहते हैं.
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
यह भुलावा ही,
08:48
is itself a fallacy,
180
516159
1496
एक प्रकार से भुलावा है.
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
और मैं इसे "श्रम के ढेले के भुलावे
का भुलावा" कहता हूँ.
का भुलावा" कहता हूँ.
संक्षेप में - LOLFF.
लम्प ऑफ़ लेबर फलास्यी ऑफ़ फ्यूचर
लम्प ऑफ़ लेबर फलास्यी ऑफ़ फ्यूचर
08:52
or LOLFF, for short.
182
520640
2320
08:56
Let me explain.
183
524000
1416
मैं स्पष्ट करता हूँ.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
श्रम के ढेले का भुलावा एक पुरानी धारणा है.
08:59
It was a British economist, David Schloss,
who gave it this name in 1892.
who gave it this name in 1892.
185
527600
4216
डेविड श्लोस नामक एक अर्थशास्त्री
ने १८९२ में इसे प्रचारित किया.
ने १८९२ में इसे प्रचारित किया.
उसने बंदरगाह के एक मजदूर
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
को देखा, जो वॉशर बना रहा था,
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
वो गोलाकार चपटी वस्तुएँ
जो स्क्रू में लगते हैं,
जो स्क्रू में लगते हैं,
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
यह मजदूर अपनी अधिक उत्पादकता
के लिए ग्लानी महसूस कर रहा था.
के लिए ग्लानी महसूस कर रहा था.
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
अधिकतर, हमें इसका उल्टा अपेक्षित होता है,
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
कि लोग कम उत्पादकता पर
ग्लानी महसूस करते हैं,
ग्लानी महसूस करते हैं,
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
जैसे काम के वक्त फेसबुक या ट्विटर पर
ज्यादा समय व्यतीत करने पर.
ज्यादा समय व्यतीत करने पर.
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
लेकिन ये व्यक्ति अधिक उत्पादकता
से परेशान था.
से परेशान था.
पूछनेपर उसने कहा - "मैं गलत कर रहा हूँ."
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
09:29
I'm taking away the work of another man."
195
557920
2040
"मैं किसी और का रोजगार छीन रहा हूँ"
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
उसके अनुसार काम का एक ढेला है, जो
09:35
to be divided up between him and his pals,
197
563760
2136
उसके मित्रों और उसके बीच बांटा जाना है.
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
और अगर वह मशीन से ज्यादा काम करेगा,
09:40
there'd be less left for his pals to do.
199
568000
2016
तो उसके मित्रों को कम काम मिलेगा.
09:42
Schloss saw the mistake.
200
570040
1856
श्लोस उसकी गलती समझ गया.
09:43
The lump of work wasn't fixed.
201
571920
1856
काम का वह ढेला स्थायी नहीं था.
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
मशीन के इस्तेमाल से ज्यादा उत्पादन होने पर
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
वॉशर का दाम गिरेगा, और उसकी खपत बढ़ेगी,
09:51
more washers would have to be made,
204
579640
1696
और ज्यादा वॉशर बनाने पड़ेंगे
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
जिससे और ज्यादा लोगों को काम मिलेगा.
09:55
The lump of work would get bigger.
206
583480
1696
काम का वह ढेला बड़ा हो जाएगा.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
श्लोस ने इसे "श्रम के ढेले
का भुलावा" कहा.
का भुलावा" कहा.
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
आज लोग इसके बारे में बात करते हैं,
जब वे भविष्य में
जब वे भविष्य में
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
काम के रूप के बारे में सोचते हैं
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
भविष्य में काम का कोई स्थायी ढेला नहीं है,
जिसको मशीनों
जिसको मशीनों
10:08
between people and machines.
211
596440
1376
और इंसानों में बांटना है
10:09
Yes, machines substitute for human beings,
making the original lump of work smaller,
making the original lump of work smaller,
212
597840
4656
हाँ, मशीने मनुष्यों की जगह ले लेंगी,
जिससे काम का स्वरूप छोटा हो जायेगा,
जिससे काम का स्वरूप छोटा हो जायेगा,
10:14
but they also complement human beings,
213
602520
1856
लेकिन वे मनुष्यों के पूरक भी होंगे,
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
और काम का ढेला बड़ा हो जायेगा.
शायद नहीं!
10:19
But LOLFF.
215
607760
1616
10:21
Here's the mistake:
216
609400
1376
गलती यहाँ है:
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
तकनीक के विकास से,
10:25
makes the lump of work to be done bigger.
218
613040
1976
काम के ढेले का आकार बढेगा.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
कुछ कार्य अहम हो जायेंगे,
और कुछ नए कार्य पैदा हो जायेंगे.
और कुछ नए कार्य पैदा हो जायेंगे.
10:30
But it's wrong to think that necessarily,
220
618080
2536
पर ये सोचना गलत है कि
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
नए कार्य मनुष्यों के लिए होंगे.
10:35
And this is the superiority myth.
222
623920
1616
इसे मैं उच्चता मिथक कहता हूँ.
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
हाँ, काम का ढेला आकार और स्वरुप में बढेगा,
10:41
but as machines become more capable,
224
629000
1976
पर जैसे जैसे मशीनों की क्षमता बढ़ेगी,
10:43
it's likely that they'll take on
the extra lump of work themselves.
the extra lump of work themselves.
225
631000
3896
वे ज्यादा कार्य खुद ही कर लेंगी.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
तकनीकी विकास, मनुष्यों के बजाय, मशीनों का
10:50
complements machines instead.
227
638200
1880
पूरक सिद्ध होगा.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
इसको गाडी चलाने के उदहारण से समझते हैं.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
GPS की तकनीक मनुष्यों की पूरक है,
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
क्यूँकि इससे हम कार को बेहतर चला सकते हैं.
11:02
But in the future,
231
650920
1256
किन्तु भविष्य में,
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
सॉफ्टवेर मनुष्यों को चालक
की सीट से हटा देगा.
की सीट से हटा देगा.
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
और GPS, मनुष्यों का पूरक होने की जगह,
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
इस बिना ड्राईवर की गाडी को
11:12
helping the machines instead.
235
660840
1536
अधिक कुशल बनाएगा.
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
इसके अलावा तकनीक के संपूरक
प्रभाव को देखिये जिनकी हमने बात की थी.
प्रभाव को देखिये जिनकी हमने बात की थी.
11:18
The economic pie may get larger,
237
666480
1776
आर्थिक रूप से केक का आकार बढेगा,
11:20
but as machines become more capable,
238
668280
1736
लेकिन मशीनों की क्षमता बढ़ने से,
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
हो सकता है कि जिन वस्तुओं की खपत बढ़ेगी,
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
उनको मनुष्यों से कहीं बेहतर
मशीने ही बना पाएंगी.
मशीने ही बना पाएंगी.
केक का स्वरुप बदल जायेगा,
11:27
The economic pie may change,
241
675880
1896
11:29
but as machines become more capable,
242
677800
1896
लेकिन मशीनों की क्षमता बढ़ने से,
11:31
it's possible that they'll be best placed
to do the new tasks that have to be done.
to do the new tasks that have to be done.
243
679720
4856
वे कई कार्य मनुष्यों से
बेहतर ढंग से कर पाएंगी.
बेहतर ढंग से कर पाएंगी.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
संक्षेप में, कार्यों के बढ़ने से,
मानवीय श्रम की जरुरत नहीं बढ़ेगी.
मानवीय श्रम की जरुरत नहीं बढ़ेगी.
मनुष्यों का फायदा तभी होगा जब
11:40
Human beings only stand to benefit
245
688320
1936
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
वे पूरक कार्यों में अपनी
श्रेष्ठता बनाकर रखेंगे,
श्रेष्ठता बनाकर रखेंगे,
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
लेकिन मशीनों की क्षमता बढ़ने से,
ये संभव नहीं हो पायेगा.
ये संभव नहीं हो पायेगा.
11:50
So what do these three myths tell us then?
248
698760
2016
तो ये 3 मिथक हमें क्या बताते हैं?
11:52
Well, resolving the Terminator myth
249
700800
1696
टर्मिनेटर मिथक से हमने जाना कि काम
11:54
shows us that the future of work depends
upon this balance between two forces:
upon this balance between two forces:
250
702520
3696
का भविष्य दो शक्तियों पर निर्भर करेगा
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
एक, मनुष्यों का मशीनों द्वारा बदला जाना,
जो हानिकारक है
जो हानिकारक है
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
लेकिन कई नए कार्यों का पैदा होना,
जिससे फायदा होगा.
जिससे फायदा होगा.
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
अभी तक इस गतिविधि से
मनुष्यों का फायदा ही हुआ है.
मनुष्यों का फायदा ही हुआ है.
12:09
But resolving the intelligence myth
254
717120
1736
बुद्धिमत्ता मिथक दर्शाता है कि
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
मशीनों का मनुष्यों की जगह लेना
12:13
is gathering strength.
256
721400
1296
सत्य होता जा रहा है.
12:14
Machines, of course, can't do everything,
257
722720
1976
मशीनें सब कुछ नहीं कर सकतीं,
12:16
but they can do far more,
258
724720
1256
लेकिन बहुत कुछ कर रही हैं,
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
जिन्हें पहले मनुष्यों का ही
कार्य समझा जाता था.
कार्य समझा जाता था.
12:22
What's more, there's no reason to think
260
730600
1896
ऐसा सोचने का कोई कारण नहीं है
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
की मशीने, मनुष्यों की कार्यक्षमता
12:26
represents any sort of finishing line,
262
734760
1856
की सीमा रेखा तक ही जा सकती हैं,
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
और मानव के सामान काबिल होकर
12:30
once they're as capable as us.
264
738920
1816
वहीं पर रुक जाएँगी.
12:32
Now, none of this matters
265
740760
1536
मशीने तब तक परेशान नहीं करेंगी,
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
जब तक उनके इस्तेमाल से नए कार्य पैदा
12:37
blow firmly enough,
267
745160
1736
होते रहेंगे, जिन्हें मनुष्य करेंगे.
12:38
but resolving the superiority myth
268
746920
1936
लेकिन उच्चता मिथक बताता है कि
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
नए कार्य भी मशीनों के इस्तेमाल को
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
बढ़ावा देंगे और मनुष्यों की पूरक क्षमता
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
को भी हानि पहुचाएंगे.
12:51
Bring these three myths together
272
759320
1936
इन तीनो मिथकों से हम भविष्य की
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
चिंताजनक झलक देख सकते हैं.
12:56
Machines continue to become more capable,
274
764240
2016
मशीनों की क्षमता बढती जाएगी,
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
जो मनुष्यों के कार्यो को भी खुद कर पाएंगी,
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
जिससे मनुष्यों का मशीनों द्वारा
बदला जाना और तेज होगा
बदला जाना और तेज होगा
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
और दोनों का पूरक होना कम होता जायेगा.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
और कभी न कभी, मशीनें मनुष्यों से
13:12
rather than human beings.
279
780520
2056
बेहतर कार्य कर पाएंगी.
13:14
This is the path we're currently on.
280
782600
1736
आज, हम उसी राह पर हैं.
13:16
I say "path" deliberately,
because I don't think we're there yet,
because I don't think we're there yet,
281
784360
3176
"राह" इसलिए क्यूँकि हम अभी
मंजिल पर नहीं पहुंचे हैं,
मंजिल पर नहीं पहुंचे हैं,
लेकिन उसी दिशा में बढ़ रहे हैं.
13:19
but it is hard to avoid the conclusion
that this is our direction of travel.
that this is our direction of travel.
282
787560
3640
13:24
That's the troubling part.
283
792640
1456
यही परेशानी है.
13:26
Let me say now why I think actually
this is a good problem to have.
this is a good problem to have.
284
794120
3520
मेरा मानना है कि ये एक अच्छी समस्या है.
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
मानवीय इतिहास में एक
आर्थिक समस्या हावी रही है
आर्थिक समस्या हावी रही है
13:34
how to make the economic pie
large enough for everyone to live on.
large enough for everyone to live on.
286
802080
4056
कार्यों के केक को कैसे बढाया जाए,
ताकि सबका गुजारा हो सके.
ताकि सबका गुजारा हो सके.
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
पहली शताब्दी के
13:40
and if you took the global economic pie
288
808360
2096
वैश्विक आर्थिक केक को अगर
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
सबके लिए बराबर बांटे तो सबके हिस्से में,
13:45
everyone would get a few hundred dollars.
290
813800
2136
कुछ सौ डॉलर आयेंगे.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
लगभग सभी गरीबी रेखा के आस पास ही थे.
13:51
And if you roll forward a thousand years,
292
819320
2176
एक हज़ार साल बाद भी
13:53
roughly the same is true.
293
821520
1240
लगभग यही स्थिति थी.
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
किन्तु पिछले कुछ शतकों में
बहुत आर्थिक प्रगति हुई है.
बहुत आर्थिक प्रगति हुई है.
13:59
Those economic pies have exploded in size.
295
827280
2376
और केक का आकार कई गुणा बढ़ा है.
14:01
Global GDP per head,
296
829680
2056
विश्व का प्रतिव्यक्ति सकल उत्पाद,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
उन केक के प्रतिव्यक्ति हिस्से का मूल्य,
14:07
they're about 10,150 dollars.
298
835160
2816
लगभग 10,150 डौलर है.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
अगर आर्थिक वृद्धिदर 2% भी रहता है,
तो हमारे बच्चे हमसे दुगुने अमीर होंगे.
14:12
our children will be twice as rich as us.
300
840720
2056
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
अगर ये सिर्फ़ 1% भी रहता है,
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
तो हमारे नाती-पोते हमसे दुगुने अमीर होंगे.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
सामान्यतः, हमने मूल आर्थिक समस्या
सुलझा ली है.
सुलझा ली है.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
अब, तकनीकी बेरोजगार, अगर ऐसा हुआ,
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
इस सफलता का अजीब लक्षण होगा.
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
एक समस्या सुलझाई -
केक के आकार को बड़ा करना -
केक के आकार को बड़ा करना -
पर उसकी जगह दूसरी खड़ी हो गयी -
14:34
but replaced it with another --
307
862360
1816
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
कैसे हर किसी को उसका हिस्सा मिले.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
कई अर्थशास्त्रियों के अनुसार,
यह समस्या जटिल है.
यह समस्या जटिल है.
14:43
Today, for most people,
310
871360
1656
आज, लोगों के लिए
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
उनकी नौकरी ही पेट भरने का मुख्य जरिया है,
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
और ऐसी दुनिया में, जहाँ कम या
बिलकुल भी काम न हो,
बिलकुल भी काम न हो,
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
उन्हें उनका हिस्सा कैसे मिलेगा.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
आजकल, सामान्य मूल आय के विषय पर
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
बहुत चर्चा हो रही है,
14:57
as one possible approach,
316
885160
1216
यह एक उपाय हो सकता है,
14:58
and there's trials underway
317
886400
1616
और कई प्रयोग भी चल रहे हैं,
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
USA, फ़िनलैंड और केन्या जैसे देशो में.
15:03
And this is the collective challenge
that's right in front of us,
that's right in front of us,
319
891000
3176
ये सामूहिक चुनौती हम सबके सामने है,
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
कि कैसे हर कोई इस आर्थिक खुशहाली
का मजा उठा सके.
15:11
can be enjoyed by everyone
321
899280
1976
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
ऐसी दुनिया में जहाँ की पारंपरिक व्यवस्था,
15:15
for slicing up the pie,
323
903720
1856
केक के हिस्से काटना, अर्थात,
15:17
the work that people do,
324
905600
1936
लोगों का काम
15:19
withers away and perhaps disappears.
325
907560
2160
नष्ट हो रहा है, और शायद गायब भी हो जाए.
15:22
Solving this problem is going to require
us to think in very different ways.
us to think in very different ways.
326
910280
4360
इस चुनौती का हल निकालने के लिए
कई अलग तरीकों से सोचना होगा.
कई अलग तरीकों से सोचना होगा.
15:27
There's going to be a lot of disagreement
about what ought to be done,
about what ought to be done,
327
915400
4176
और सही कदम क्या होगा, इसपर बहुत मतभेद होगा
15:31
but it's important to remember
that this is a far better problem to have
that this is a far better problem to have
328
919600
3416
लेकिन ये याद रखना जरुरी है
कि ये हमारे पूर्वजों की
कि ये हमारे पूर्वजों की
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
समस्या - केक का आकार कैसे बढाया जाए -
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
से बहुत अच्छी समस्या है.
15:41
Thank you very much.
331
929280
1256
बहुत बहुत धन्यवाद.
15:42
(Applause)
332
930560
3840
(तालियाँ)
ABOUT THE SPEAKER
Daniel Susskind - EconomistDaniel Susskind explores the impact of technology, particularly artificial intelligence, on work and society.
Why you should listen
Daniel Susskind is the co-author, with Richard Susskind, of the best-selling book, The Future of the Professions, and a Fellow in Economics at Balliol College, Oxford University. He is currently finishing his latest book, on the future of work. Previously, he worked in the British Government -- as a policy adviser in the Prime Minister's Strategy Unit, as a policy analyst in the Policy Unit in 10 Downing Street, and as a senior policy adviser in the Cabinet Office. Susskind received a doctorate in economics from Oxford University and was a Kennedy Scholar at Harvard University.
Daniel Susskind | Speaker | TED.com