TEDxPortland
Maurice Conti: The incredible inventions of intuitive AI
Maurice Conti: A találékony mesterséges értelem hihetetlen találmányai
Filmed:
Readability: 4.6
6,173,221 views
Mit kapunk, amikor idegrendszert adunk a tervezőeszközhöz? Számítógépeket, amelyek javítják gondolkodási képességeinket és képzelőerőnket, továbbá robotrendszereket, amelyek megbirkóznak gyökeresen új hídtervekkel (és meg is építik a hidakat), autótervekkel, dróntervekkel és még sok mindennel – önállóan. Szegődjünk Maurice Conti futurológus útitársául a Kiterjesztett Valóság Korába, és vessünk egy pillantást a jövőbe, amikor robotok és emberek vállvetve dolgoznak, hogy olyan dolgokat valósítsanak meg, amelyre egyedül képtelenek lennének.
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
Hányan kreatívok önök közül:
00:15
designers, engineers,
entrepreneurs, artists,
entrepreneurs, artists,
1
3048
3624
tervezők, mérnökök,
vállalkozók, művészek,
vállalkozók, művészek,
00:18
or maybe you just have
a really big imagination?
a really big imagination?
2
6696
2387
vagy csak nagy a képzelőerejük?
00:21
Show of hands? (Cheers)
3
9107
1848
Jelentkezzenek!
(Ujjongás)
(Ujjongás)
00:22
That's most of you.
4
10979
1181
Tehát a többség.
00:25
I have some news for us creatives.
5
13334
2294
Újdonsággal szolgálhatok
nekünk, kreatívoknak.
nekünk, kreatívoknak.
00:28
Over the course of the next 20 years,
6
16714
2573
A következő 20 év folyamán
00:33
more will change around
the way we do our work
the way we do our work
7
21471
2973
munkánk nagyobb változáson megy át,
00:37
than has happened in the last 2,000.
8
25382
2157
mint az előző 2 000 évben.
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
Az emberi történelem
új korszakának hajnalán járunk.
új korszakának hajnalán járunk.
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
A munkavégzés alapján
négy nagy történelmi korszak létezik.
négy nagy történelmi korszak létezik.
00:51
The Hunter-Gatherer Age
lasted several million years.
lasted several million years.
11
39404
3275
A vadászó-gyűjtögető korszak
néhány millió évig tartott.
néhány millió évig tartott.
00:55
And then the Agricultural Age
lasted several thousand years.
lasted several thousand years.
12
43163
3576
Utána a mezőgazdasági korszak
néhány ezer évig,
néhány ezer évig,
00:59
The Industrial Age lasted
a couple of centuries.
a couple of centuries.
13
47195
3490
az ipari korszak pedig
pár évszázadig tartott.
pár évszázadig tartott.
01:02
And now the Information Age
has lasted just a few decades.
has lasted just a few decades.
14
50709
4287
Az információs korszak
csak néhány évtizede tart.
csak néhány évtizede tart.
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
Ma pedig mint faj a következő
nagy korszakba lépünk.
nagy korszakba lépünk.
01:13
Welcome to the Augmented Age.
16
61296
2680
Üdvözlök mindenkit a kiterjesztett korban!
01:16
In this new era, your natural human
capabilities are going to be augmented
capabilities are going to be augmented
17
64000
3693
Ebben az új korszakban a természetes
emberi készségek ki fognak bővülni,
emberi készségek ki fognak bővülni,
01:19
by computational systems
that help you think,
that help you think,
18
67717
3068
hála a gondolkodást segítő
számítástechnikai rendszereknek,
számítástechnikai rendszereknek,
01:22
robotic systems that help you make,
19
70809
2186
a gyártást megkönnyítő robotrendszereknek,
01:25
and a digital nervous system
20
73019
1648
valamint a digitális idegrendszernek,
01:26
that connects you to the world
far beyond your natural senses.
far beyond your natural senses.
21
74691
3690
amely a természetes érzékeken túlmenően
kapcsol minket a környezetünkhöz.
kapcsol minket a környezetünkhöz.
01:31
Let's start with cognitive augmentation.
22
79437
1942
Kezdjük a kognitív kierjesztéssel!
01:33
How many of you are augmented cyborgs?
23
81403
2200
Hányan vannak itt kiterjesztett kiborgok?
01:36
(Laughter)
24
84133
2650
(Nevetés)
01:38
I would actually argue
that we're already augmented.
that we're already augmented.
25
86807
2821
Állítom, hogy már ki vagyunk terjesztve.
01:42
Imagine you're at a party,
26
90288
1504
Tegyük fel, hogy buliban vannak,
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
és valaki kérdést tesz föl,
amelyre nem tudják a választ.
amelyre nem tudják a választ.
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
Ha van egy ilyesmijük,
egy szempillantás alatt megvan a válasz.
egy szempillantás alatt megvan a válasz.
01:51
But this is just a primitive beginning.
29
99869
2299
De ez csak a primitív kezdet.
01:54
Even Siri is just a passive tool.
30
102863
3331
Még a Siri is csak passzív eszköz.
01:58
In fact, for the last
three-and-a-half million years,
three-and-a-half million years,
31
106660
3381
Az utóbbi 3,5 millió
évben használt eszközök
évben használt eszközök
02:02
the tools that we've had
have been completely passive.
have been completely passive.
32
110065
3109
teljesen passzívak voltak.
02:06
They do exactly what we tell them
and nothing more.
and nothing more.
33
114203
3655
Csak azt teszik, amit mondunk nekik,
és semmi egyebet.
és semmi egyebet.
02:09
Our very first tool only cut
where we struck it.
where we struck it.
34
117882
3101
Az első szerszámunk csak
azt vágta, amire rácsaptunk vele.
azt vágta, amire rácsaptunk vele.
02:13
The chisel only carves
where the artist points it.
where the artist points it.
35
121822
3040
A véső csak ott farag,
ahová a szobrász odailleszti.
ahová a szobrász odailleszti.
02:17
And even our most advanced tools
do nothing without our explicit direction.
do nothing without our explicit direction.
36
125343
5641
Legjobb szerszámaink is csak kifejezett
utasításunkra tesznek bármit is.
utasításunkra tesznek bármit is.
02:23
In fact, to date, and this
is something that frustrates me,
is something that frustrates me,
37
131008
3181
Jelenleg – és ez nagyon zavar –
02:26
we've always been limited
38
134213
1448
mindig korlátozva vagyunk,
02:27
by this need to manually
push our wills into our tools --
push our wills into our tools --
39
135685
3501
mert manuálisan kell betáplálnunk
akaratunkat a szerszámba,
akaratunkat a szerszámba,
02:31
like, manual,
literally using our hands,
literally using our hands,
40
139210
2297
szó szerint a kezünkkel,
02:33
even with computers.
41
141531
1428
még a számítógépbe is.
02:36
But I'm more like Scotty in "Star Trek."
42
144072
2463
De én inkább olyan vagyok,
mint Scotty a Star Trekből,
mint Scotty a Star Trekből,
02:38
(Laughter)
43
146559
1850
(Nevetés)
02:40
I want to have a conversation
with a computer.
with a computer.
44
148433
2146
mert beszélgetni szeretnék
a számítógépemmel,
a számítógépemmel,
02:42
I want to say, "Computer,
let's design a car,"
let's design a car,"
45
150603
2970
pl.: "Számítógép, tervezz egy autót!",
02:45
and the computer shows me a car.
46
153597
1539
erre mutat nekem egy autót.
02:47
And I say, "No, more fast-looking,
and less German,"
and less German,"
47
155160
2608
Én: "Nem, nézzen ki gyorsabbnak
és kevésbé németesnek.
és kevésbé németesnek.
02:49
and bang, the computer shows me an option.
48
157792
2163
És puff, a gép mutat egy változatot.
02:51
(Laughter)
49
159979
1865
(Nevetés)
02:54
That conversation might be
a little ways off,
a little ways off,
50
162208
2306
Lehet, hogy a beszélgetés még odébb van,
02:56
probably less than many of us think,
51
164538
2665
de kevésbé, mintsem gondolnák,
02:59
but right now,
52
167227
1763
mert jelenleg
03:01
we're working on it.
53
169014
1151
dolgozunk rajta.
03:02
Tools are making this leap
from being passive to being generative.
from being passive to being generative.
54
170189
4033
A szerszámok adják az ugrás lehetőségét
a passzívtól az alkotó felé.
a passzívtól az alkotó felé.
03:06
Generative design tools
use a computer and algorithms
use a computer and algorithms
55
174831
3308
Az alkotó tervezőeszközök számítógépet
és algoritmust használnak
és algoritmust használnak
03:10
to synthesize geometry
56
178163
2608
a geometria szintetizálására,
03:12
to come up with new designs
all by themselves.
all by themselves.
57
180795
2754
hogy maguk álljanak elő új tervekkel.
Csak közölni kell velük céljainkat
és kikötéseinket.
és kikötéseinket.
03:15
All it needs are your goals
and your constraints.
and your constraints.
58
183996
2748
03:18
I'll give you an example.
59
186768
1408
Példát mondok.
03:20
In the case of this aerial drone chassis,
60
188200
2788
E drón vázának elkészítéséhez
03:23
all you would need to do
is tell it something like,
is tell it something like,
61
191012
2626
csak annyi kell, hogy valami
ilyesmit mondjunk:
ilyesmit mondjunk:
03:25
it has four propellers,
62
193662
1273
négy légcsavarja van,
03:26
you want it to be
as lightweight as possible,
as lightweight as possible,
63
194959
2131
a lehető legkönnyebb legyen,
03:29
and you need it to be
aerodynamically efficient.
aerodynamically efficient.
64
197114
2270
és aerodinamikailag hatékony legyen.
03:31
Then what the computer does
is it explores the entire solution space:
is it explores the entire solution space:
65
199408
4914
Ekkor a gép végigvizsgálja
az összes megoldás tárházát:
az összes megoldás tárházát:
03:36
every single possibility that solves
and meets your criteria --
and meets your criteria --
66
204346
3927
kritériumainkat kielégítő
minden egyes lehetőséget,
minden egyes lehetőséget,
03:40
millions of them.
67
208297
1442
azt a sokmilliónyit.
03:41
It takes big computers to do this.
68
209763
1975
Ehhez nagyszámítógép kell.
03:43
But it comes back to us with designs
69
211762
1955
De a gép jelentkezik a tervvel,
03:45
that we, by ourselves,
never could've imagined.
never could've imagined.
70
213741
3143
amelyet mi magunk el sem tudtunk képzelni.
03:49
And the computer's coming up
with this stuff all by itself --
with this stuff all by itself --
71
217326
2912
A gép magától hozza elő a tervet,
03:52
no one ever drew anything,
72
220262
1678
senki semmit sem rajzolt,
03:53
and it started completely from scratch.
73
221964
2086
az egészet a nulláról kezdte.
03:57
And by the way, it's no accident
74
225038
2387
Egyébként nem véletlen,
03:59
that the drone body looks just like
the pelvis of a flying squirrel.
the pelvis of a flying squirrel.
75
227449
3481
hogy a drón váza olyan,
mint a repülő mókus medencecsontja.
mint a repülő mókus medencecsontja.
04:03
(Laughter)
76
231287
2007
(Nevetés)
04:06
It's because the algorithms
are designed to work
are designed to work
77
234040
2302
Azért, mert az algoritmust úgy tervezték,
04:08
the same way evolution does.
78
236366
1637
ahogy az evolúció működik.
04:10
What's exciting is we're starting
to see this technology
to see this technology
79
238715
2660
Pompás dolog, hogy ezt a technológiát
04:13
out in the real world.
80
241399
1159
a valóságban is látjuk.
04:14
We've been working with Airbus
for a couple of years
for a couple of years
81
242582
2452
Több éve dolgozunk az Airbusszal
04:17
on this concept plane for the future.
82
245058
1909
a repülőgép forradalmasításán.
04:18
It's a ways out still.
83
246991
2070
Még messze vagyunk tőle.
04:21
But just recently we used
a generative-design AI
a generative-design AI
84
249085
3780
De nemrég alkotó mesterséges
értelmet alkalmaztunk,
értelmet alkalmaztunk,
04:24
to come up with this.
85
252889
1807
hogy megbirkózzunk a feladattal.
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
Ez 3D-ben nyomtatott kabinválaszfal,
amelyet számítógép tervezett.
amelyet számítógép tervezett.
04:32
It's stronger than the original
yet half the weight,
yet half the weight,
87
260786
2824
Erősebb, mint az eredeti,
de a súlya feleannyi.
de a súlya feleannyi.
04:35
and it will be flying
in the Airbus A320 later this year.
in the Airbus A320 later this year.
88
263634
3146
Még idén útjára indul az Airbus A320-ban.
Ma a számítógépek képesek alkotni,
04:39
So computers can now generate;
89
267405
1559
04:40
they can come up with their own solutions
to our well-defined problems.
to our well-defined problems.
90
268988
4595
s a jól definiált feladatokra
saját megoldásokat javasolnak.
saját megoldásokat javasolnak.
04:46
But they're not intuitive.
91
274677
1310
De nem találékonyak.
04:48
They still have to start from scratch
every single time,
every single time,
92
276011
3086
Mindig a nulláról kell kezdeniük,
04:51
and that's because they never learn.
93
279121
2565
és ez azért van, mert nem tanulékonyak.
04:54
Unlike Maggie.
94
282368
1766
Akárcsak Maggie.
04:56
(Laughter)
95
284158
1581
(Nevetés)
04:57
Maggie's actually smarter
than our most advanced design tools.
than our most advanced design tools.
96
285763
3297
Bár Maggie sok fejlett
tervezőeszköznél okosabb.
tervezőeszköznél okosabb.
05:01
What do I mean by that?
97
289467
1440
Hogy mit értek ezen?
05:02
If her owner picks up that leash,
98
290931
1590
Ha a gazdája veszi a pórázt,
05:04
Maggie knows with a fair
degree of certainty
degree of certainty
99
292545
2068
Maggie elég biztosan tudja,
hogy ideje van a sétának.
05:06
it's time to go for a walk.
100
294637
1404
05:08
And how did she learn?
101
296065
1185
Miből tanulta meg?
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
Ebből: ahányszor a gazdi
vette a pórázt, séta következett.
vette a pórázt, séta következett.
05:12
And Maggie did three things:
103
300622
1878
Maggienek három dolgot kellett tennie:
05:14
she had to pay attention,
104
302524
1869
figyelnie,
05:16
she had to remember what happened
105
304417
2082
emlékeznie, mi történt,
05:18
and she had to retain and create
a pattern in her mind.
a pattern in her mind.
106
306523
4017
és elméjében mintázatot alkotnia.
05:23
Interestingly, that's exactly what
107
311429
2095
Érdekes, hogy az informatikusok
05:25
computer scientists
have been trying to get AIs to do
have been trying to get AIs to do
108
313548
2523
pont így igyekeztek
mesterséges értelmet alkotni
mesterséges értelmet alkotni
05:28
for the last 60 or so years.
109
316095
1859
az elmúlt hat évtizedben.
05:30
Back in 1952,
110
318683
1349
1952-ben megépítették
05:32
they built this computer
that could play Tic-Tac-Toe.
that could play Tic-Tac-Toe.
111
320056
3801
ezt a gépet, amely tud
"ix-ox" játékot játszani.
"ix-ox" játékot játszani.
05:37
Big deal.
112
325081
1160
Nem semmi.
05:39
Then 45 years later, in 1997,
113
327029
3000
Aztán 45 évvel később,1997-ben
05:42
Deep Blue beats Kasparov at chess.
114
330053
2472
a Deep Blue legyőzi sakkban Kaszparovot.
05:46
2011, Watson beats these two
humans at Jeopardy,
humans at Jeopardy,
115
334046
4968
2011-ben a Watson két embert győzött le
a Mindent vagy semmit kvízjátékban,
a Mindent vagy semmit kvízjátékban,
05:51
which is much harder for a computer
to play than chess is.
to play than chess is.
116
339038
2928
ami a számítógépnek nehezebb,
mint sakkozni.
mint sakkozni.
05:53
In fact, rather than working
from predefined recipes,
from predefined recipes,
117
341990
3812
Kész receptek helyett a Watsonnak
az eszét kellett használnia,
az eszét kellett használnia,
05:57
Watson had to use reasoning
to overcome his human opponents.
to overcome his human opponents.
118
345826
3323
hogy legyőzze emberi ellenfelét.
06:02
And then a couple of weeks ago,
119
350393
2439
Majd pár héttel ezelőtt
06:04
DeepMind's AlphaGo beats
the world's best human at Go,
the world's best human at Go,
120
352856
4262
a DeepMind AlphaGo programja
legyőzte a gó világbajnokát.
legyőzte a gó világbajnokát.
06:09
which is the most difficult
game that we have.
game that we have.
121
357142
2212
A gó a legbonyolultabb játék.
06:11
In fact, in Go, there are more
possible moves
possible moves
122
359378
2896
A góban több a lépésváltozat,
06:14
than there are atoms in the universe.
123
362298
2024
mint ahány atom az univerzumban.
06:18
So in order to win,
124
366210
1826
Úgyhogy az Alphagónak a győzelemhez
06:20
what AlphaGo had to do
was develop intuition.
was develop intuition.
125
368060
2618
fejlesztenie kellett a találékonyságát.
06:23
And in fact, at some points,
AlphaGo's programmers didn't understand
AlphaGo's programmers didn't understand
126
371098
4110
Néha a programozói sem értették,
06:27
why AlphaGo was doing what it was doing.
127
375232
2286
mit miért csinál.
06:31
And things are moving really fast.
128
379451
1660
Az események gyorsan peregnek.
06:33
I mean, consider --
in the space of a human lifetime,
in the space of a human lifetime,
129
381135
3227
Gondoljunk arra,
hogy egy emberélet alatt
hogy egy emberélet alatt
06:36
computers have gone from a child's game
130
384386
2233
a gépek eljutottak a gyerekjátékoktól
06:39
to what's recognized as the pinnacle
of strategic thought.
of strategic thought.
131
387920
3048
a stratégiai gondolkodás
csúcsának számító dolgokig.
csúcsának számító dolgokig.
06:43
What's basically happening
132
391999
2417
A számítógép eljut
06:46
is computers are going
from being like Spock
from being like Spock
133
394440
3310
Spock jellemvonásaitól
06:49
to being a lot more like Kirk.
134
397774
1949
Kirk kapitányéihoz.
06:51
(Laughter)
135
399747
3618
(Nevetés)
06:55
Right? From pure logic to intuition.
136
403389
3424
Ugye? A tiszta logikától
a találékonyságig.
a találékonyságig.
07:00
Would you cross this bridge?
137
408184
1743
Átmennének ezen a hídon?
07:02
Most of you are saying, "Oh, hell no!"
138
410609
2323
Sokan azt mondják: "Egy frászt!"
07:04
(Laughter)
139
412956
1308
(Nevetés)
07:06
And you arrived at that decision
in a split second.
in a split second.
140
414288
2657
Döntő ponthoz érkeztek.
07:08
You just sort of knew
that bridge was unsafe.
that bridge was unsafe.
141
416969
2428
Valahogy úgy sejtik,
hogy a híd nem biztonságos.
hogy a híd nem biztonságos.
07:11
And that's exactly the kind of intuition
142
419421
1989
Ez valami ösztönféle,
07:13
that our deep-learning systems
are starting to develop right now.
are starting to develop right now.
143
421434
3568
amelyet a mélytanulási rendszereink
most kezdenek kialakítani.
most kezdenek kialakítani.
07:17
Very soon, you'll literally be able
144
425722
1707
Nemsokára szó szerint tudunk majd
a gépnek mutatni
07:19
to show something you've made,
you've designed,
you've designed,
145
427453
2206
egy általunk készített
vagy tervezett dolgot,
vagy tervezett dolgot,
07:21
to a computer,
146
429683
1153
07:22
and it will look at it and say,
147
430860
1489
és annak láttán a gép így szól:
07:24
"Sorry, homie, that'll never work.
You have to try again."
You have to try again."
148
432373
2823
"Emberke, sajnos ez nem fog
működni. Próbálkozz tovább."
működni. Próbálkozz tovább."
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
Vagy megkérdezhetjük, tetszeni fog-e
az embereknek az új dalunk
az embereknek az új dalunk
07:31
or your next flavor of ice cream.
150
439773
2063
vagy új illatszerünk vagy új fagylaltunk.
07:35
Or, much more importantly,
151
443549
2579
De ennél sokkal fontosabb,
07:38
you could work with a computer
to solve a problem
to solve a problem
152
446152
2364
hogy együttműködhetünk a géppel
07:40
that we've never faced before.
153
448540
1637
egy újszerű feladat megoldásán.
07:42
For instance, climate change.
154
450201
1401
Pl. az éghajlatváltozásén.
07:43
We're not doing a very
good job on our own,
good job on our own,
155
451626
2020
Egyedül nemigen boldogulunk vele,
07:45
we could certainly use
all the help we can get.
all the help we can get.
156
453670
2245
ezért minden segítség jól jön.
07:47
That's what I'm talking about,
157
455939
1458
Arra célzok, hogy a technológia fölerősíti
07:49
technology amplifying
our cognitive abilities
our cognitive abilities
158
457421
2555
kognitív képességeinket,
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
ezért elképzelhetjük
és megtervezhetjük azt,
és megtervezhetjük azt,
07:55
as plain old un-augmented humans.
160
463576
2559
amire szűkre szabott emberekként
képtelenek voltunk.
képtelenek voltunk.
07:59
So what about making
all of this crazy new stuff
all of this crazy new stuff
161
467984
2941
Hát akkor hogyan készítsük
ezeket az új dolgokat,
ezeket az új dolgokat,
08:02
that we're going to invent and design?
162
470949
2441
amelyeket föl akarunk találni
s meg akarunk tervezni?
s meg akarunk tervezni?
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
Az ember kibővítése legalább
annyira a fizikai világát jelenti,
annyira a fizikai világát jelenti,
08:10
as it is about the virtual,
intellectual realm.
intellectual realm.
164
478069
3065
mint a virtuális,
intellektuális birodalmát.
intellektuális birodalmát.
08:13
How will technology augment us?
165
481833
1921
Hogyan bővít ki minket a technológia?
08:16
In the physical world, robotic systems.
166
484261
2473
Fizikai világunkban, a robotrendszerekben.
08:19
OK, there's certainly a fear
167
487620
1736
Persze, nyilván félünk,
08:21
that robots are going to take
jobs away from humans,
jobs away from humans,
168
489380
2488
hogy a robotok elveszik a munkánkat.
08:23
and that is true in certain sectors.
169
491892
1830
Bizonyos területre nézve ez igaz.
08:26
But I'm much more interested in this idea
170
494174
2878
De engem sokkal inkább
fölvillanyoz a gondolat,
fölvillanyoz a gondolat,
08:29
that humans and robots working together
are going to augment each other,
are going to augment each other,
171
497076
5010
hogy az együttműködő ember és robot
kibővíti egymás lehetőségeit,
kibővíti egymás lehetőségeit,
08:34
and start to inhabit a new space.
172
502110
2058
és új teret foglal magának.
08:36
This is our applied research lab
in San Francisco,
in San Francisco,
173
504192
2362
Ez az alkalmazott kutatólaborunk
San Franciscóban,
San Franciscóban,
08:38
where one of our areas of focus
is advanced robotics,
is advanced robotics,
174
506578
3142
amelyben többek között
fejlett robotikával foglalkozunk:
fejlett robotikával foglalkozunk:
08:41
specifically, human-robot collaboration.
175
509744
2511
nevezetesen az ember-robot
együttműködéssel.
együttműködéssel.
08:45
And this is Bishop, one of our robots.
176
513034
2759
Ez itt Bishop, az egyik robotunk.
08:47
As an experiment, we set it up
177
515817
1789
Kísérletképpen építettük meg,
08:49
to help a person working in construction
doing repetitive tasks --
doing repetitive tasks --
178
517630
3460
hogy segítsen az ismétlődő munkákban,
08:53
tasks like cutting out holes for outlets
or light switches in drywall.
or light switches in drywall.
179
521984
4194
pl. csatlakozóknak vagy kapcsolóknak
lyukat fúrni gipszkartonba.
lyukat fúrni gipszkartonba.
08:58
(Laughter)
180
526202
2466
(Nevetés)
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
Az ember Bishopnak közérthetően,
mintha kutyánknak magyaráznánk,
09:05
and with simple gestures,
182
533012
1305
09:06
kind of like talking to a dog,
183
534341
1447
elmondja a teendőt,
09:07
and then Bishop executes
on those instructions
on those instructions
184
535812
2143
aztán Bishop tökéletesen
09:09
with perfect precision.
185
537979
1892
végrehajtja az utasításokat.
09:11
We're using the human
for what the human is good at:
for what the human is good at:
186
539895
2989
Az embert arra használjuk, amiben jó:
09:14
awareness, perception and decision making.
187
542908
2333
figyelem, érzékelés, döntéshozatal.
09:17
And we're using the robot
for what it's good at:
for what it's good at:
188
545265
2240
A robotot pedig, amiben ő jó:
09:19
precision and repetitiveness.
189
547529
1748
pontosság és ismétlés.
09:22
Here's another cool project
that Bishop worked on.
that Bishop worked on.
190
550252
2367
Ez meg egy mások projekt,
amin Bishop dolgozott.
amin Bishop dolgozott.
09:24
The goal of this project,
which we called the HIVE,
which we called the HIVE,
191
552643
3075
A HIVE-nak, azaz KAPTÁR-nak
nevezett projekt célja,
nevezett projekt célja,
09:27
was to prototype the experience
of humans, computers and robots
of humans, computers and robots
192
555742
3851
hogy modellezzük az ember,
számítógép és robot együttműködését,
számítógép és robot együttműködését,
09:31
all working together to solve
a highly complex design problem.
a highly complex design problem.
193
559617
3220
amelyek egy bonyolult
tervezési feladaton dolgoznak.
tervezési feladaton dolgoznak.
09:35
The humans acted as labor.
194
563793
1451
Az emberek voltak a munkások.
09:37
They cruised around the construction site,
they manipulated the bamboo --
they manipulated the bamboo --
195
565268
3473
Járkáltak az építési területen,
a bambusszal foglalkoztak,
a bambusszal foglalkoztak,
09:40
which, by the way,
because it's a non-isomorphic material,
because it's a non-isomorphic material,
196
568765
2756
mert azzal, lévén nem izomorf anyag,
09:43
is super hard for robots to deal with.
197
571545
1874
nehezen bánnának a robotok.
09:45
But then the robots
did this fiber winding,
did this fiber winding,
198
573443
2022
De robotok végezték a szálak föltekerését,
09:47
which was almost impossible
for a human to do.
for a human to do.
199
575489
2451
amely az embereknek
majdnem lehetetlen feladat volt.
majdnem lehetetlen feladat volt.
09:49
And then we had an AI
that was controlling everything.
that was controlling everything.
200
577964
3621
Aztán még ellenőrzésre ott volt
a mesterséges értelem, az MI.
a mesterséges értelem, az MI.
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
Mind az emberekkel, mind a robottal
közölte a teendőiket,
közölte a teendőiket,
09:56
and keeping track of thousands
of individual components.
of individual components.
202
584923
2915
és figyelemmel kísérte
az ezernyi részműveletet.
az ezernyi részműveletet.
09:59
What's interesting is,
203
587862
1180
Ebben az érdekes,
10:01
building this pavilion
was simply not possible
was simply not possible
204
589066
3141
hogy a pavilon megépítése
lehetetlen lett volna
lehetetlen lett volna
10:04
without human, robot and AI
augmenting each other.
augmenting each other.
205
592231
4524
az ember, a robot és az MI
egymást kiegészítő megléte nélkül.
egymást kiegészítő megléte nélkül.
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
Szólok egy kissé őrült projektünkről is.
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
Együtt dolgozunk Joris Laarmannal,
az amszterdami MX3D művészével
az amszterdami MX3D művészével
10:17
to generatively design
and robotically print
and robotically print
208
605726
2878
és csapatával, hogy megtervezzük
és robotokkal kinyomtassuk
és robotokkal kinyomtassuk
10:20
the world's first autonomously
manufactured bridge.
manufactured bridge.
209
608628
2995
a világ első, önmaga gyártotta hídját.
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 és egy MI, miközben itt beszélek,
Amszterdamban tervezi ezt a dolgot.
10:28
in Amsterdam.
211
616024
1172
10:29
And when they're done,
we're going to hit "Go,"
we're going to hit "Go,"
212
617220
2321
Amikor elkészülünk,
megnyomjuk a startgombot,
megnyomjuk a startgombot,
10:31
and robots will start 3D printing
in stainless steel,
in stainless steel,
213
619565
3311
és a robotok nekilátnak 3D-ben
acélból kinyomtatni,
acélból kinyomtatni,
10:34
and then they're going to keep printing,
without human intervention,
without human intervention,
214
622900
3283
aztán csak folyik a nyomtatás,
emberi beavatkozás nélkül,
emberi beavatkozás nélkül,
10:38
until the bridge is finished.
215
626207
1558
amíg a híd el nem készül.
10:41
So, as computers are going
to augment our ability
to augment our ability
216
629099
2928
A számítógépek kibővítik
új dolgok kigondolásához
új dolgok kigondolásához
10:44
to imagine and design new stuff,
217
632051
2150
és tervezéséhez szükséges képességeinket,
10:46
robotic systems are going to help us
build and make things
build and make things
218
634225
2895
a robotrendszerek segítenek
olyan dolgok létrehozásában,
olyan dolgok létrehozásában,
10:49
that we've never been able to make before.
219
637144
2084
amelyekre magunk soha nem vagyunk képesek.
10:52
But what about our ability
to sense and control these things?
to sense and control these things?
220
640347
4160
De mi a helyzet e dolgok érzékelésének
és irányításának képességével?
és irányításának képességével?
10:56
What about a nervous system
for the things that we make?
for the things that we make?
221
644531
4031
Mi a helyzet a gyártmányaink
idegrendszerével?
idegrendszerével?
11:00
Our nervous system,
the human nervous system,
the human nervous system,
222
648586
2512
Idegrendszerünk, az emberi idegrendszer
11:03
tells us everything
that's going on around us.
that's going on around us.
223
651122
2311
közvetít mindent, ami köröttünk történik.
11:06
But the nervous system of the things
we make is rudimentary at best.
we make is rudimentary at best.
224
654186
3684
De gyártmányaink idegrendszere
kezdetleges.
kezdetleges.
11:09
For instance, a car doesn't tell
the city's public works department
the city's public works department
225
657894
3563
Pl. egy autó nem jelzi
a városgazdálkodásnak,
a városgazdálkodásnak,
11:13
that it just hit a pothole at the corner
of Broadway and Morrison.
of Broadway and Morrison.
226
661481
3130
hogy éppen most huppant bele egy kátyúba.
11:16
A building doesn't tell its designers
227
664635
2032
Egy épület nem közli a tervezőivel,
11:18
whether or not the people inside
like being there,
like being there,
228
666691
2684
hogy jól érzik-e magukat a benne lévők.
11:21
and the toy manufacturer doesn't know
229
669399
3010
A játékgyártó sem tudja,
11:24
if a toy is actually being played with --
230
672433
2007
hogy hol és miként
játszanak a játékaival,
játszanak a játékaival,
11:26
how and where and whether
or not it's any fun.
or not it's any fun.
231
674464
2539
és szereznek-e örömet?
Biztos vagyok benne, hogy a tervezők ilyen
szellemiséget képzeltek el Barbie számára,
szellemiséget képzeltek el Barbie számára,
11:29
Look, I'm sure that the designers
imagined this lifestyle for Barbie
imagined this lifestyle for Barbie
232
677620
3814
11:33
when they designed her.
233
681458
1224
amikor tervezték.
11:34
(Laughter)
234
682706
1447
(Nevetés)
11:36
But what if it turns out that Barbie's
actually really lonely?
actually really lonely?
235
684177
2906
De mi van, ha kiderül,
hogy Barbie magányos?
hogy Barbie magányos?
11:39
(Laughter)
236
687107
3147
(Nevetés)
11:43
If the designers had known
237
691266
1288
Ha a tervezők tudták volna,
11:44
what was really happening
in the real world
in the real world
238
692578
2107
mi sors vár a valóságban a terveikre
11:46
with their designs -- the road,
the building, Barbie --
the building, Barbie --
239
694709
2583
– az útra, az épületre, Barbie-ra –,
e tudást fölhasználhatták volna
11:49
they could've used that knowledge
to create an experience
to create an experience
240
697316
2694
a fogyasztónak jobb élményt
nyújtó dolgok alkotására.
nyújtó dolgok alkotására.
11:52
that was better for the user.
241
700034
1400
Hiányzik a bennünket
a megtervezett, gyártott
a megtervezett, gyártott
11:53
What's missing is a nervous system
242
701458
1791
11:55
connecting us to all of the things
that we design, make and use.
that we design, make and use.
243
703273
3709
és használt dolgokkal
összekötő idegrendszer.
összekötő idegrendszer.
11:59
What if all of you had that kind
of information flowing to you
of information flowing to you
244
707915
3555
Mi lenne, ha a gyártmányainkból
hozzánk áramló információ
a birtokunkban lenne?
a birtokunkban lenne?
12:03
from the things you create
in the real world?
in the real world?
245
711494
2183
12:07
With all of the stuff we make,
246
715432
1451
Minden gyártmányunkra
12:08
we spend a tremendous amount
of money and energy --
of money and energy --
247
716907
2435
rengeteg pénzt és energiát fordítunk,
12:11
in fact, last year,
about two trillion dollars --
about two trillion dollars --
248
719366
2376
– tavaly kb. kétmilliárd dollárt –,
12:13
convincing people to buy
the things we've made.
the things we've made.
249
721766
2854
hogy meggyőzzük az ügyfeleket
gyártmányaink megvételéről.
gyártmányaink megvételéről.
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
De ha meglenne a kapcsolat
a megtervezett és legyártott dolgokkal,
a megtervezett és legyártott dolgokkal,
12:20
after they're out in the real world,
251
728056
1727
miután kikerültek a vevőhöz
12:21
after they've been sold
or launched or whatever,
or launched or whatever,
252
729807
3614
eladás vagy használatba vétel után,
12:25
we could actually change that,
253
733445
1620
módosítani tudnánk őket,
12:27
and go from making people want our stuff,
254
735089
3047
és az emberek rábeszélése helyett eleve
12:30
to just making stuff that people
want in the first place.
want in the first place.
255
738160
3434
olyan dolgokat készítenénk,
amelyeket igényelnek.
amelyeket igényelnek.
12:33
The good news is, we're working
on digital nervous systems
on digital nervous systems
256
741618
2787
A jó hír, hogy már dolgozunk
a digitális idegrendszeren,
a digitális idegrendszeren,
12:36
that connect us to the things we design.
257
744429
2801
amely összeköt bennünket
a megtervezett dolgokkal.
a megtervezett dolgokkal.
12:40
We're working on one project
258
748365
1627
Dolgozunk egy projekten
12:42
with a couple of guys down in Los Angeles
called the Bandito Brothers
called the Bandito Brothers
259
750016
3712
néhány Los Angeles-i sráccal,
a nevük Bandito Brothers.
12:45
and their team.
260
753752
1407
12:47
And one of the things these guys do
is build insane cars
is build insane cars
261
755183
3433
A srácok őrült kocsikat terveznek,
12:50
that do absolutely insane things.
262
758640
2873
amelyek őrült dolgokat tesznek.
12:54
These guys are crazy --
263
762905
1450
A srácok hibbantak.
12:56
(Laughter)
264
764379
1036
(Nevetés)
12:57
in the best way.
265
765439
1403
A legjobb értelemben.
13:00
And what we're doing with them
266
768993
1763
Együtt azzal foglalkozunk,
13:02
is taking a traditional race-car chassis
267
770780
2440
hogy egy hagyományos
versenyautó-karosszériába
versenyautó-karosszériába
13:05
and giving it a nervous system.
268
773244
1585
idegrendszert építsünk be.
13:06
So we instrumented it
with dozens of sensors,
with dozens of sensors,
269
774853
3058
Elláttuk tucatnyi érzékelővel,
13:09
put a world-class driver behind the wheel,
270
777935
2635
világklasszis vezetőt
ültetve a kormányához
ültetve a kormányához
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
kivittük a sivatagba,
és egy hétig gyötörtük.
és egy hétig gyötörtük.
13:15
And the car's nervous system
captured everything
captured everything
272
783975
2491
A kocsi idegrendszere mindent rögzített,
13:18
that was happening to the car.
273
786490
1482
ami csak a kocsival történt.
13:19
We captured four billion data points;
274
787996
2621
Négymilliárd adatot rögzítettünk,
13:22
all of the forces
that it was subjected to.
that it was subjected to.
275
790641
2310
minden erőhatást, amelynek ki volt téve.
13:24
And then we did something crazy.
276
792975
1659
Aztán valami őrült dolgot műveltünk.
13:27
We took all of that data,
277
795268
1500
Ezeket az adatokat betápláltuk
13:28
and plugged it into a generative-design AI
we call "Dreamcatcher."
we call "Dreamcatcher."
278
796792
3736
a "Dreamcatcher" nevű tervező MI-nkbe.
13:33
So what do get when you give
a design tool a nervous system,
a design tool a nervous system,
279
801270
3964
Mit kapunk, amikor idegrendszert
adunk a tervezőeszközhöz,
adunk a tervezőeszközhöz,
13:37
and you ask it to build you
the ultimate car chassis?
the ultimate car chassis?
280
805258
2882
és megépíttetjük vele
a legjobb karosszériát?
a legjobb karosszériát?
13:40
You get this.
281
808723
1973
Ezt.
13:44
This is something that a human
could never have designed.
could never have designed.
282
812293
3713
Ilyet ember sohasem tervezett volna.
13:48
Except a human did design this,
283
816707
1888
Illetve, ember tervezte, de olyan,
13:50
but it was a human that was augmented
by a generative-design AI,
by a generative-design AI,
284
818619
4309
aki ki volt bővítve tervező MI-vel,
13:54
a digital nervous system
285
822952
1231
digitális idegrendszerrel
13:56
and robots that can actually
fabricate something like this.
fabricate something like this.
286
824207
3005
és robotokkal, amely valami
ilyet tud bütykölni.
ilyet tud bütykölni.
13:59
So if this is the future,
the Augmented Age,
the Augmented Age,
287
827680
3595
Ha ez a jövő, a kibővített kor,
és ha kibővülünk
és ha kibővülünk
14:03
and we're going to be augmented
cognitively, physically and perceptually,
cognitively, physically and perceptually,
288
831299
4261
kognitív, fizikális és érzékelési téren,
14:07
what will that look like?
289
835584
1408
milyen lesz az?
14:09
What is this wonderland going to be like?
290
837576
3321
Milyen lesz az a tündérország?
14:12
I think we're going to see a world
291
840921
1709
Szerintem olyan világ lesz,
14:14
where we're moving
from things that are fabricated
from things that are fabricated
292
842654
3068
amelyben a gyártott dolgokról áttérünk
14:17
to things that are farmed.
293
845746
1445
a termesztettekre.
14:20
Where we're moving from things
that are constructed
that are constructed
294
848159
3453
A megtervezett dolgokról
14:23
to that which is grown.
295
851636
1704
a növekvőkre.
14:26
We're going to move from being isolated
296
854134
2188
Az elszigeteltség helyett
14:28
to being connected.
297
856346
1610
az összeköttetés felé megyünk.
14:30
And we'll move away from extraction
298
858634
2411
A kinyerés helyett
14:33
to embrace aggregation.
299
861069
1873
az egyesítést választjuk.
14:35
I also think we'll shift
from craving obedience from our things
from craving obedience from our things
300
863967
3767
Dolgaink engedelmességre
kényszerítése helyett
kényszerítése helyett
14:39
to valuing autonomy.
301
867758
1641
inkább önállóságukat fogjuk értékelni.
14:42
Thanks to our augmented capabilities,
302
870510
1905
Kibővült képességeinknek hála
14:44
our world is going to change dramatically.
303
872439
2377
világunk lényegesen megváltozik.
14:47
We're going to have a world
with more variety, more connectedness,
with more variety, more connectedness,
304
875576
3246
Változatosabb, összefüggőbb,
14:50
more dynamism, more complexity,
305
878846
2287
dinamikusabb, bonyolultabb,
14:53
more adaptability and, of course,
306
881157
2318
alkalmazkodóbb és, természetesen,
14:55
more beauty.
307
883499
1217
szebb lesz a világunk.
14:57
The shape of things to come
308
885231
1564
A jövendő dolgok formája
14:58
will be unlike anything
we've ever seen before.
we've ever seen before.
309
886819
2290
eltér a valaha látottakétól.
15:01
Why?
310
889133
1159
Miért?
15:02
Because what will be shaping those things
is this new partnership
is this new partnership
311
890316
3755
Mert azokat a dolgokat a technológia,
a természet és az ember közötti
a természet és az ember közötti
15:06
between technology, nature and humanity.
312
894095
3670
új partnerség fogja alakítani.
15:11
That, to me, is a future
well worth looking forward to.
well worth looking forward to.
313
899279
3804
Számomra ez olyan jövő,
amelynek bekövetkeztét már alig várom.
amelynek bekövetkeztét már alig várom.
15:15
Thank you all so much.
314
903107
1271
Köszönöm szépen.
15:16
(Applause)
315
904402
5669
(Taps)
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