TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
Daniel Susskind: 3 mythes over de toekomst van werken (en waarom ze niet waar zijn)
Filmed:
Readability: 4.5
1,519,249 views
"Zullen machines mensen vervangen?" Hieraan denkt iedereen die een baan te verliezen heeft. Daniel Susskind bespreekt deze vraag en drie misvattingen over onze geautomatiseerde toekomst. Hij stelt voor dat we iets anders zouden vragen: hoe gaan we rijkdom verdelen in een wereld waar er minder of zelfs geen werk meer zal zijn?
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
Automatisatie-angst is
de laatste tijd in opmars,
de laatste tijd in opmars,
00:16
a fear that in the future,
1
4160
2656
de angst dat in de toekomst
00:18
many jobs will be performed by machines
2
6840
2456
veel banen door machines
zullen worden gedaan
zullen worden gedaan
00:21
rather than human beings,
3
9320
1336
in plaats van door de mens,
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
gezien de enorme vooruitgang
00:25
in artificial intelligence and robotics.
5
13640
2776
in kunstmatige intelligentie en robotica.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
Duidelijk is dat er
significante verandering zal zijn.
significante verandering zal zijn.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
Minder duidelijk is hoe
die verandering eruit zal zien.
die verandering eruit zal zien.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
Mijn onderzoek suggereert dat de toekomst
zowel verontrustend als spannend zal zijn.
zowel verontrustend als spannend zal zijn.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
De dreiging van technologische
werkloosheid is reëel
werkloosheid is reëel
en toch is het een goed
probleem om te hebben.
probleem om te hebben.
00:43
and yet it's a good problem to have.
10
31640
2056
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
Om uit te leggen hoe ik
tot die conclusie kwam,
tot die conclusie kwam,
00:48
I want to confront three myths
12
36960
2536
wil ik drie mythen ontmaskeren
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
waarvan ik denk dat ze onze visie op deze
geautomatiseerde toekomst vertroebelen.
geautomatiseerde toekomst vertroebelen.
Het beeld dat we krijgen
via televisieschermen,
via televisieschermen,
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
00:59
in books, in films, in everyday commentary
15
47240
2216
boeken, films, berichtgeving
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
is dat een leger van robots
de arbeidsmarkt binnenvalt
de arbeidsmarkt binnenvalt
01:05
with one goal in mind:
17
53200
1376
met één doel voor ogen:
01:06
to displace human beings from their work.
18
54600
2496
mensen verdringen uit hun werk.
01:09
And I call this the Terminator myth.
19
57120
2696
Ik noem dat de Terminator-mythe.
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
Ja, machines verdringen
mensen van bepaalde taken,
mensen van bepaalde taken,
maar ze nemen niet alleen
hun plaats in,
hun plaats in,
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
01:18
They also complement them in other tasks,
22
66120
1976
ze vullen hen ook aan in andere taken,
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
en maken zo dat werk
waardevoller en belangrijker.
waardevoller en belangrijker.
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
Soms vullen ze de mens rechtstreeks aan
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
waardoor ze hem productiever en
efficiënter maken voor een bepaalde taak.
efficiënter maken voor een bepaalde taak.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
Een taxichauffeur kan met een gps-systeem
navigeren op onbekende wegen.
navigeren op onbekende wegen.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
Een architect kan
gebruik maken van CAD-software
gebruik maken van CAD-software
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
om grotere, meer ingewikkelde
gebouwen te ontwerpen.
gebouwen te ontwerpen.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
Technologische vooruitgang vult de mens
niet alleen maar direct aan.
niet alleen maar direct aan.
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
Het is ook een indirecte aanvulling
en wel op twee manieren.
en wel op twee manieren.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
De eerste: als we de economie
bekijken als een taart,
bekijken als een taart,
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
dan maakt technologische
vooruitgang de taart groter.
vooruitgang de taart groter.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
Als de productiviteit toeneemt,
stijgen de inkomens en groeit de vraag.
stijgen de inkomens en groeit de vraag.
01:59
The British pie, for instance,
34
107520
1776
Zo is de Britse taart, bijvoorbeeld,
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
meer dan honderd keer zo groot
als 300 jaar geleden.
als 300 jaar geleden.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
Mensen die taken verloren
in de oude taart,
in de oude taart,
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
vonden andere taken in de nieuwe taart.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
Maar technologische vooruitgang
maakt de taart niet alleen groter.
maakt de taart niet alleen groter.
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
Ze verandert ook
de ingrediënten in de taart.
de ingrediënten in de taart.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
In de loop van de tijd gaan mensen
hun inkomen anders besteden;
hun inkomen anders besteden;
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
ze spreiden het anders
over de bestaande producten
over de bestaande producten
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
en raken tevens geïnteresseerd
in geheel nieuwe producten.
in geheel nieuwe producten.
02:29
New industries are created,
43
137200
1776
Nieuwe industrieën worden gecreëerd,
02:31
new tasks have to be done
44
139000
1816
nieuwe taken moeten worden gedaan
en dat betekent dat vaak nieuwe
rollen moeten worden ingevuld.
rollen moeten worden ingevuld.
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
02:35
So again, the British pie:
46
143400
1496
Nogmaals de Britse taart:
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
300 jaar geleden werkten
de meeste mensen op boerderijen,
de meeste mensen op boerderijen,
02:39
150 years ago, in factories,
48
147920
2336
150 jaar geleden in fabrieken
02:42
and today, most people work in offices.
49
150280
2856
en vandaag de dag werken
de meeste mensen in kantoren.
de meeste mensen in kantoren.
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
En nogmaals, mensen die
taken verloren in het oude stukje taart
taken verloren in het oude stukje taart
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
komen nu terecht in taken
in het nieuwe stukje taart.
in het nieuwe stukje taart.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
Economen noemen deze effecten
complementariteit,
complementariteit,
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
maar dat is gewoon
een duur woord om te zeggen
een duur woord om te zeggen
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
dat technologische vooruitgang
mensen helpt.
mensen helpt.
03:02
Resolving this Terminator myth
55
170520
2096
Het oplossen van de Terminator-mythe
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
toont aan dat er twee krachten spelen:
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
ten eerste machinesubstitutie,
die werknemers schaadt,
die werknemers schaadt,
maar ook die complementariteit,
die het tegenovergestelde doet.
die het tegenovergestelde doet.
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
Nu de tweede mythe,
03:15
what I call the intelligence myth.
60
183360
2280
die ik de intelligentiemythe noem.
Wat hebben deze taken: een auto besturen,
een medische diagnose stellen,
een medische diagnose stellen,
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
en razendsnel een vogel identificeren,
met elkaar gemeen?
met elkaar gemeen?
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
Het zijn allemaal taken
waarvan tot voor kort
waarvan tot voor kort
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
topeconomen dachten dat ze niet
gemakkelijk konden worden geautomatiseerd.
gemakkelijk konden worden geautomatiseerd.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
Toch kunnen vandaag
al deze taken worden geautomatiseerd.
al deze taken worden geautomatiseerd.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
Alle grote autofabrikanten
werken aan zelfrijdende auto's.
werken aan zelfrijdende auto's.
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
Er bestaan talloze systemen die
medische problemen kunnen diagnosticeren.
medische problemen kunnen diagnosticeren.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
Er is zelfs een app die een vogel
bliksemsnel kan identificeren.
bliksemsnel kan identificeren.
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
Dit was niet zomaar een geval
van pech voor de economen.
van pech voor de economen.
03:53
They were wrong,
71
221320
1296
Ze hadden het mis
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
en de reden waarom is erg belangrijk.
03:57
They've fallen for the intelligence myth,
73
225160
2256
Ze vielen voor de intelligentiemythe,
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
de overtuiging dat machines
moeten kopiëren
moeten kopiëren
04:02
that human beings think and reason
75
230360
2056
hoe mensen denken en redeneren
04:04
in order to outperform them.
76
232440
1776
om hen te overtreffen.
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
Toen deze economen
probeerden te achterhalen
probeerden te achterhalen
04:08
what tasks machines could not do,
78
236480
1856
welke taken machines níet konden doen,
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
dachten ze dat je alleen
taken kon automatiseren
taken kon automatiseren
04:12
was to sit down with a human being,
80
240520
1816
door samen te gaan zitten
met een mens,
met een mens,
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
hem te laten uitleggen
hoe hij het deed,
hoe hij het deed,
04:17
and then try and capture that explanation
82
245920
2656
en dan te proberen
die uitleg vast te leggen
die uitleg vast te leggen
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
in een reeks instructies voor een machine.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
Deze opvatting was ook ooit populair
in de kunstmatige intelligentie.
in de kunstmatige intelligentie.
04:27
I know this because Richard Susskind,
85
255600
2176
Ik weet dit omdat Richard Susskind,
04:29
who is my dad and my coauthor,
86
257800
2856
mijn vader en co-auteur,
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
in de jaren 80 zijn doctoraat schreef
over kunstmatige intelligentie en de wet
over kunstmatige intelligentie en de wet
aan de Universiteit van Oxford.
04:36
at Oxford University,
88
264760
1416
04:38
and he was part of the vanguard.
89
266200
1576
Hij was bij de eersten
04:39
And with a professor called Phillip Capper
90
267800
2256
en samen met professor Phillip Capper
04:42
and a legal publisher called Butterworths,
91
270080
2096
en de juridische uitgeverij Butterworths
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
produceerden ze 's werelds
eerste commercieel verkrijgbare
eerste commercieel verkrijgbare
04:50
artificial intelligence system in the law.
93
278120
2776
systeem van kunstmatige
intelligentie voor de wet.
intelligentie voor de wet.
04:52
This was the home screen design.
94
280920
2616
Dit was het ontwerp van het startscherm.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
Hij verzekert me dat dit
toen een cool ontwerp was.
toen een cool ontwerp was.
04:58
(Laughter)
96
286280
1016
(Gelach)
04:59
I've never been entirely convinced.
97
287320
1696
Ik was nooit helemaal overtuigd.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
Hij publiceerde het in de vorm
van twee floppy disks,
van twee floppy disks,
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
toen die nog echt 'floppy' waren,
en zijn aanpak was dezelfde
als die van de economen:
als die van de economen:
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
samenzitten met een advocaat,
05:09
sit down with a lawyer,
101
297600
1256
haar laten uitleggen hoe zij
een juridisch probleem oploste
een juridisch probleem oploste
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
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
en dan die uitleg proberen te vangen
in een set regels voor een machine.
in een set regels voor een machine.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
Als mensen in de economie hun werk
op deze manier konden uitleggen,
op deze manier konden uitleggen,
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
werden de taken routine genoemd
en konden ze worden geautomatiseerd.
en konden ze worden geautomatiseerd.
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
Maar als de mensen het zelf
niet kunnen uitleggen,
niet kunnen uitleggen,
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
worden de taken niet-routine genoemd,
en dachten ze dat het niet kon.
en dachten ze dat het niet kon.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
Vandaag is dat onderscheid tussen
routine en niet-routine wijdverbreid.
routine en niet-routine wijdverbreid.
05:36
Think how often you hear people say to you
109
324400
2056
Hoe vaak hoor je mensen niet zeggen:
machines kunnen alleen taken uitvoeren
die voorspelbaar of repetitief zijn,
die voorspelbaar of repetitief zijn,
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
05:41
rules-based or well-defined.
111
329760
1896
op basis van regels of welomschreven.
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
Met andere woorden: routinematig.
Even terug naar die drie zaken
die ik aan het begin noemde:
die ik aan het begin noemde:
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
klassieke gevallen van
niet-routinematige taken.
niet-routinematige taken.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
Vraag een arts hoe ze
een medische diagnose stelt
een medische diagnose stelt
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
en ze kan je een aantal vuistregels geven,
maar uiteindelijk zou ze er niet uitkomen.
05:59
but ultimately she'd struggle.
117
347240
1656
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
Ze zou dingen noemen als
creativiteit, oordeel en intuïtie.
creativiteit, oordeel en intuïtie.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
Deze dingen zijn erg
moeilijk te verwoorden.
moeilijk te verwoorden.
Daarom dacht men dat deze taken zeer
moeilijk zouden zijn te automatiseren.
moeilijk zouden zijn te automatiseren.
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
06:11
If a human being can't explain themselves,
121
359280
2536
Als een mens het al niet kan uitleggen,
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
hoe zouden we dan een reeks instructies
kunnen schrijven voor een machine?
kunnen schrijven voor een machine?
06:16
for a machine to follow?
123
364760
1200
06:18
Thirty years ago, this view was right,
124
366640
2576
Dertig jaar geleden
was deze opvatting terecht,
was deze opvatting terecht,
06:21
but today it's looking shaky,
125
369240
2136
maar vandaag staat ze op losse schroeven
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
en in de toekomst
gaat ze gewoon fout zijn.
gaat ze gewoon fout zijn.
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
Vooruitgang in rekenkracht,
in gegevensopslag en algoritmeontwerp
06:28
and in algorithm design
128
376960
1656
betekenen dat dit onderscheid
tussen routine en niet-routine
tussen routine en niet-routine
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
06:33
is diminishingly useful.
130
381160
1736
steeds minder nuttig wordt.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
Denk even aan die medische diagnose.
Eerder dit jaar kondigde
een team van onderzoekers
een team van onderzoekers
06:38
Earlier in the year,
132
386200
1376
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
van Stanford aan dat ze
een systeem hadden ontwikkeld
een systeem hadden ontwikkeld
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
dat je kan vertellen of een sproet
al dan niet kwaadaardig is.
al dan niet kwaadaardig is.
06:46
as accurately as leading dermatologists.
135
394000
2680
Even goed als
vooraanstaande dermatologen.
vooraanstaande dermatologen.
06:49
How does it work?
136
397280
1256
Hoe werkt het?
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
Het probeert niet om het oordeel
of de intuïtie van een arts te kopiëren.
of de intuïtie van een arts te kopiëren.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
Het weet of begrijpt
helemaal niets van geneeskunde.
helemaal niets van geneeskunde.
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
In plaats daarvan gebruikt het
een algoritme voor patroonherkenning
een algoritme voor patroonherkenning
07:01
through 129,450 past cases,
140
409640
4656
aan de hand van 129.450 eerdere gevallen.
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
Het zoekt naar gelijkenissen
tussen die gevallen
tussen die gevallen
07:09
and the particular lesion in question.
142
417440
2080
en de specifieke laesie in kwestie.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
Het voert deze taken uit
op een niet-menselijke manier,
op een niet-menselijke manier,
gebaseerd op de analyse
van meer mogelijke gevallen
van meer mogelijke gevallen
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
dan enige dokter kan hopen
te beoordelen tijdens haar leven.
te beoordelen tijdens haar leven.
07:20
It didn't matter that that human being,
146
428320
1896
Het maakte niet uit dat die mens,
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
die dokter, niet kon uitleggen
hoe ze de taak had uitgevoerd.
hoe ze de taak had uitgevoerd.
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
Nu zijn er mensen die
zich blindstaren op het feit
zich blindstaren op het feit
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
dat deze machines niet op ons lijken.
07:30
As an example, take IBM's Watson,
150
438320
2056
Neem als voorbeeld IBM's Watson,
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
de supercomputer die in 2011 meedeed
aan de Amerikaanse quiz 'Jeopardy!',
aan de Amerikaanse quiz 'Jeopardy!',
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
en hem won van de twee menselijke
kampioenen van 'Jeopardy!'
kampioenen van 'Jeopardy!'
De dag erna stond er
in The Wall Street Journal
in The Wall Street Journal
07:40
The day after it won,
153
448320
1696
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
een stuk van de filosoof John Searle
met als titel "Watson Weet Niet Dat Hij
Bij 'Jeopardy!' Heeft Gewonnen."
Bij 'Jeopardy!' Heeft Gewonnen."
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
Klopt, het is briljant en het is waar.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
Watson slaakte geen kreet van vreugde.
Hij belde zijn ouders niet om te zeggen
wat hij gepresteerd had.
wat hij gepresteerd had.
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
07:56
It didn't go down to the pub for a drink.
159
464360
2336
Hij liep niet naar de kroeg
voor een drankje.
voor een drankje.
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
Dit systeem probeerde niet de manier
van menselijke spelers te kopiëren,
van menselijke spelers te kopiëren,
maar dat deed er niet toe.
08:03
but it didn't matter.
161
471200
1256
08:04
It still outperformed them.
162
472480
1976
Het presteerde toch beter dan zij.
Het oplossen van de intelligentiemythe
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
toont aan dat ons beperkte begrip
van menselijke intelligentie,
van menselijke intelligentie,
08:11
about how we think and reason,
165
479480
1896
van hoe wij denken en redeneren,
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
veel minder een beperking is voor
de automatisering dan in het verleden.
de automatisering dan in het verleden.
En we zagen: als deze machines
taken anders uitvoeren dan de mens,
taken anders uitvoeren dan de mens,
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
is er geen reden om te denken
08:21
there's no reason to think
169
489840
1256
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
dat menselijke prestaties van nu
08:25
represents any sort of summit
171
493680
1456
de limiet tonen van wat deze machines
in de toekomst zouden kunnen doen.
in de toekomst zouden kunnen doen.
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
08:31
Now the third myth,
173
499040
1256
Nu de derde mythe,
08:32
what I call the superiority myth.
174
500320
2456
die ik de superioriteitsmythe noem.
08:34
It's often said that those who forget
175
502800
2216
Vaak wordt gezegd:
wie de weldadige kant vergeet
van de technologische vooruitgang,
van de technologische vooruitgang,
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
08:39
those complementarities from before,
177
507520
2496
die complementariteit van daarstraks,
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
maakt de 'denkfout van werkhoeveelheid'.
Het probleem is dat
de denkfout van werkhoeveelheid
de denkfout van werkhoeveelheid
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
08:48
is itself a fallacy,
180
516159
1496
ook weer een denkfout is.
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
Ik noem dat de denkfout
van werkhoeveelheid-denkfout,
van werkhoeveelheid-denkfout,
08:52
or LOLFF, for short.
182
520640
2320
of DVWD afgekort.
Laat het me uitleggen.
08:56
Let me explain.
183
524000
1416
De denkfout van werkhoeveelheid
is een zeer oud idee.
is een zeer oud idee.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
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
De Britse econoom David Schloss,
bedacht de naam in 1892.
bedacht de naam in 1892.
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
Een dokwerker verbaasde hem.
Die ging een machine gebruiken
om sluitringen te maken
om sluitringen te maken
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
-- die metalen afdichtschijfjes
die je vastzet met schroeven --
die je vastzet met schroeven --
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
en hij voelde zich schuldig
omdat hij productiever werd.
omdat hij productiever werd.
Je verwacht het tegengestelde:
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
mensen voelen zich schuldig
omdat ze onproductief zijn
omdat ze onproductief zijn
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
door op het werk te veel tijd
te Facebooken of Twitteren.
te Facebooken of Twitteren.
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
Hij voelde zich schuldig
omdat hij productiever was.
omdat hij productiever was.
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
Gevraagd waarom, zei hij:
"Ik weet dat ik fout ben.
"Ik weet dat ik fout ben.
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
Ik neem een ander zijn werk af."
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
In zijn gedachtegang was er
een vaste hoeveelheid werk
een vaste hoeveelheid werk
09:35
to be divided up between him and his pals,
197
563760
2136
om te verdelen tussen
hem en zijn vrienden.
hem en zijn vrienden.
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
Als hij deze machine gebruikte,
was er minder werk over
voor zijn vrienden.
voor zijn vrienden.
09:40
there'd be less left for his pals to do.
199
568000
2016
09:42
Schloss saw the mistake.
200
570040
1856
Schloss zag de fout.
Werkhoeveelheid was geen vast gegeven.
09:43
The lump of work wasn't fixed.
201
571920
1856
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
Naarmate de werknemer met
de machine productiever werd,
de machine productiever werd,
zou de prijs van de sluitringen zakken
en de vraag ernaar stijgen,
en de vraag ernaar stijgen,
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
09:51
more washers would have to be made,
204
579640
1696
meer ringen zouden nodig zijn
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
en dus meer werk voor zijn vrienden.
09:55
The lump of work would get bigger.
206
583480
1696
De werkhoeveelheid zou toenemen.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
Schloss noemde dit
‘de werkhoeveelheidsdenkfout’.
‘de werkhoeveelheidsdenkfout’.
Vandaag praten mensen
over die werkhoeveelheid-denkfout
over die werkhoeveelheid-denkfout
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
in verband met de toekomst
van alle soorten werk.
van alle soorten werk.
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
Er is geen vaste werkhoeveelheid
te verdelen tussen mensen en machines.
te verdelen tussen mensen en machines.
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
10:08
between people and machines.
211
596440
1376
Machines vervangen weliswaar mensen,
waardoor de werkhoeveelheid afneemt,
waardoor de werkhoeveelheid afneemt,
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
10:14
but they also complement human beings,
213
602520
1856
maar ze vullen de mens ook aan,
zodat de werkhoeveelheid
groter wordt en verandert.
groter wordt en verandert.
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
10:19
But LOLFF.
215
607760
1616
Maar DVWD.
Hier is de fout:
10:21
Here's the mistake:
216
609400
1376
technologische vooruitgang
vergroot inderdaad
vergroot inderdaad
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
de hoeveelheid werk
die gedaan moet worden.
die gedaan moet worden.
10:25
makes the lump of work to be done bigger.
218
613040
1976
Sommige taken worden meer waard.
Nieuwe taken moeten worden gedaan.
Nieuwe taken moeten worden gedaan.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
10:30
But it's wrong to think that necessarily,
220
618080
2536
Maar het is verkeerd om te denken dat
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
de mens per se de beste keuze zal zijn
om deze taken uit te voeren.
om deze taken uit te voeren.
10:35
And this is the superiority myth.
222
623920
1616
En dat is de superioriteitsmythe.
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
Ja, de werkhoeveelheid kan
groter worden en veranderen,
groter worden en veranderen,
10:41
but as machines become more capable,
224
629000
1976
maar als machines vaardiger worden,
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
is het waarschijnlijk dat ze
de extra werkhoeveelheid
zelf zullen gaan overnemen.
zelf zullen gaan overnemen.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
Technologische vooruitgang gaat
in plaats van de mens aan te vullen,
in plaats van de mens aan te vullen,
10:50
complements machines instead.
227
638200
1880
machines aanvullen.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
Denk aan de taak van
het besturen van een auto.
het besturen van een auto.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
Vandaag de dag staan
navigatiesystemen de mens bij.
navigatiesystemen de mens bij.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
Ze maken sommige mensen
tot betere chauffeurs.
tot betere chauffeurs.
Maar in de toekomst gaat software
mensen verdringen uit de bestuurdersstoel
mensen verdringen uit de bestuurdersstoel
11:02
But in the future,
231
650920
1256
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
en gaan deze navigatiesystemen
niet zozeer mensen aanvullen,
niet zozeer mensen aanvullen,
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
maar eerder die zelfrijdende auto's
efficiënter maken
efficiënter maken
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
en dus de machines helpen.
11:12
helping the machines instead.
235
660840
1536
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
Of denk ook aan de indirecte
complementariteit die ik noemde.
complementariteit die ik noemde.
11:18
The economic pie may get larger,
237
666480
1776
De economische taart kan groeien,
11:20
but as machines become more capable,
238
668280
1736
maar als machines vaardiger worden,
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
kan elke nieuwe vraag gaan
om goederen die machines
om goederen die machines
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
beter kunnen produceren dan mensen.
11:27
The economic pie may change,
241
675880
1896
De economische taart kan veranderen,
11:29
but as machines become more capable,
242
677800
1896
maar als machines vaardiger worden,
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
is het mogelijk dat zij het best
die nieuwe taken zullen kunnen uitvoeren.
die nieuwe taken zullen kunnen uitvoeren.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
Kortom, de vraag naar taken is niet
hetzelfde als de vraag naar mensenwerk.
hetzelfde als de vraag naar mensenwerk.
11:40
Human beings only stand to benefit
245
688320
1936
De mensen zullen alleen gebaat zijn
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
als zij de overhand houden in
al deze aanvullende taken,
al deze aanvullende taken,
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
maar naarmate machines vaardiger worden,
wordt dat minder waarschijnlijk.
wordt dat minder waarschijnlijk.
11:50
So what do these three myths tell us then?
248
698760
2016
Wat vertellen deze drie mythen ons dan?
Het oplossen van de Terminator-mythe
11:52
Well, resolving the Terminator myth
249
700800
1696
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
toont dat de toekomst van werk
afhangt van dit evenwicht
tussen twee krachten:
tussen twee krachten:
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
machinesubstitutie die werknemers schaadt,
maar ook de complementariteit
die net het tegengestelde doet.
die net het tegengestelde doet.
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
Tot nu toe draaide dit evenwicht uit
in het voordeel van de mens.
in het voordeel van de mens.
12:09
But resolving the intelligence myth
254
717120
1736
Maar het oplossen
van de intelligentiemythe
van de intelligentiemythe
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
leert ons dat de eerste kracht,
machinesubstitutie, sterker wordt.
machinesubstitutie, sterker wordt.
12:13
is gathering strength.
256
721400
1296
12:14
Machines, of course, can't do everything,
257
722720
1976
Machines kunnen natuurlijk niet alles,
12:16
but they can do far more,
258
724720
1256
maar ze kunnen veel meer,
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
en rukken steeds verder op in het rijk
van door de mens uitgevoerde taken.
van door de mens uitgevoerde taken.
Ook is er geen reden te denken
12:22
What's more, there's no reason to think
260
730600
1896
dat wat de mens momenteel kan
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
het eindpunt gaat zijn,
12:26
represents any sort of finishing line,
262
734760
1856
dat machines zich beleefd gaan inhouden
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
zodra ze ons niveau hebben bereikt.
12:30
once they're as capable as us.
264
738920
1816
Dit is allemaal niet erg
12:32
Now, none of this matters
265
740760
1536
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
zolang de nuttige winden
van de complementariteit
van de complementariteit
12:37
blow firmly enough,
267
745160
1736
stevig genoeg blijven waaien,
12:38
but resolving the superiority myth
268
746920
1936
maar het oplossen
van de superioriteitsmythe
van de superioriteitsmythe
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
toont ons dat
dat proces van taakaantasting
dat proces van taakaantasting
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
niet alleen de kracht van
machinesubstitutie versterkt,
machinesubstitutie versterkt,
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
maar ook die behulpzame
complementariteit aantast.
complementariteit aantast.
12:51
Bring these three myths together
272
759320
1936
Breng deze drie mythen samen
en ik denk dat we een glimp van die
verontrustende toekomst kunnen opvangen.
verontrustende toekomst kunnen opvangen.
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
12:56
Machines continue to become more capable,
274
764240
2016
Machines worden steeds vaardiger,
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
rukken steeds verder op
in de taken van de mens,
in de taken van de mens,
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
versterken de kracht
van machinesubstitutie
van machinesubstitutie
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
en verzwakken de kracht
van machinecomplementariteit.
van machinecomplementariteit.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
Ooit draait dat evenwicht uit
in het voordeel van machines
in het voordeel van machines
13:12
rather than human beings.
279
780520
2056
in plaats van de mens.
13:14
This is the path we're currently on.
280
782600
1736
Die weg zijn we ingeslagen.
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
Opzettelijk zeg ik ‘weg’, want
ik denk niet dat we er al zijn,
ik denk niet dat we er al zijn,
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
maar het is moeilijk om de conclusie
te vermijden dat dit onze rijrichting is.
te vermijden dat dit onze rijrichting is.
13:24
That's the troubling part.
283
792640
1456
Dat is het verontrustende deel.
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
Ik leg nu uit waarom ik denk dat
dit een goed probleem is om te hebben.
dit een goed probleem is om te hebben.
Eén economisch probleem domineerde
bijna de hele menselijke geschiedenis:
bijna de hele menselijke geschiedenis:
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
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
hoe de economische koek voor iedereen
groot genoeg maken om van te leven.
groot genoeg maken om van te leven.
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
Als je in de eerste eeuw na Christus
13:40
and if you took the global economic pie
288
808360
2096
de mondiale economische taart
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
voor iedereen in
gelijke plakjes verdeelde,
gelijke plakjes verdeelde,
13:45
everyone would get a few hundred dollars.
290
813800
2136
kreeg iedereen een paar honderd dollar.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
Bijna iedereen leefde op
of nabij de armoedegrens.
of nabij de armoedegrens.
13:51
And if you roll forward a thousand years,
292
819320
2176
Ga duizend jaar vooruit
en je vindt ruwweg hetzelfde.
13:53
roughly the same is true.
293
821520
1240
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
Maar in de laatste paar honderd jaar
kwam de economische groei op gang.
kwam de economische groei op gang.
13:59
Those economic pies have exploded in size.
295
827280
2376
De economische taarten
zijn buitenmaats gegroeid.
zijn buitenmaats gegroeid.
14:01
Global GDP per head,
296
829680
2056
Het mondiale bbp per hoofd,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
de huidige waarde
van die persoonlijke stukken taart,
van die persoonlijke stukken taart,
14:07
they're about 10,150 dollars.
298
835160
2816
is nu ongeveer 10.150 dollar.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
Als de economische groei
op twee procent blijft,
op twee procent blijft,
zullen onze kinderen twee keer
zo rijk zijn als wij.
zo rijk zijn als wij.
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
Groeit het met een miezerige één procent,
zullen onze kleinkinderen
twee keer zo rijk zijn als wij.
twee keer zo rijk zijn als wij.
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
In grote lijnen hebben we dat
traditionele economisch probleem opgelost.
traditionele economisch probleem opgelost.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
Als die technologische
werkloosheid zich zal voordoen,
werkloosheid zich zal voordoen,
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
zal ze op een vreemde manier
een symptoom zijn van dat succes:
een symptoom zijn van dat succes:
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
zal ze een probleem hebben opgelost,
-- hoe de taart groter te maken --
-- hoe de taart groter te maken --
14:34
but replaced it with another --
307
862360
1816
maar vervangen door een ander:
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
hoe ervoor te zorgen dat
iedereen een stuk krijgt.
iedereen een stuk krijgt.
Ook andere economen zagen
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
dat het moeilijk zal zijn
dit probleem op te lossen .
dit probleem op te lossen .
Vandaag geldt voor de meeste mensen,
14:43
Today, for most people,
310
871360
1656
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
dat hun werk hun plaats
aan de economische tafel is.
aan de economische tafel is.
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
In een wereld met minder
of zelfs zonder werk
of zelfs zonder werk
is niet duidelijk hoe zij
aan hun stuk gaan geraken.
aan hun stuk gaan geraken.
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
Veel discussie gaat over
de verschillende vormen
van universeel basisinkomen
van universeel basisinkomen
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
als één mogelijke benadering
14:57
as one possible approach,
316
885160
1216
14:58
and there's trials underway
317
886400
1616
en er is onderzoek aan de gang
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
in de Verenigde Staten, Finland en Kenia.
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
Die collectieve uitdaging
staat ons te wachten,
staat ons te wachten,
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
om te weten hoe de door ons
systeem gegenereerde welvaart
systeem gegenereerde welvaart
15:11
can be enjoyed by everyone
321
899280
1976
door iedereen kan worden genoten
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
in een wereld waarin
ons traditionele mechanisme
ons traditionele mechanisme
15:15
for slicing up the pie,
323
903720
1856
om de taart te verdelen,
15:17
the work that people do,
324
905600
1936
het werk dat mensen doen,
15:19
withers away and perhaps disappears.
325
907560
2160
afkalft en misschien wel verdwijnt.
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
Om dit probleem op te lossen,
zullen we heel anders moeten gaan denken.
zullen we heel anders moeten gaan denken.
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
Er gaat heel wat onenigheid zijn
over wat er gedaan moet worden,
over wat er gedaan moet worden,
maar hou voor ogen dat dit een
veel beter probleem is om te hebben
veel beter probleem is om te hebben
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
dan wat onze voorouders
eeuwenlang kopzorgen gaf:
eeuwenlang kopzorgen gaf:
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
hoe maak je in de eerste plaats
die taart groot genoeg.
die taart groot genoeg.
15:41
Thank you very much.
331
929280
1256
Veel dank.
15:42
(Applause)
332
930560
3840
(Applaus)
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