TED2018
Kai-Fu Lee: How AI can save our humanity
Kai-Fu Lee: Como a IA pode salvar nossa humanidade
Filmed:
Readability: 4.7
3,583,197 views
A inteligência artificial está massivamente transformando o nosso mundo, mas há uma coisa que não pode fazer: amar. Numa palestra visionária, o cientista da computação Kai-Fu Lee detalha como os EUA e a China estão impulsionando uma profunda revolução na aprendizagem, e compartilha um modelo de como os humanos podem prosperar na era da IA, aproveitando a compaixão e a criatividade. "IA é serendipidade", diz Lee. "Ela está aqui para nos libertar dos trabalhos rotineiros, e para nos lembrar o que nos torna humanos."
Kai-Fu Lee - Investor, computer scientist
At Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies. Full bio
At Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies. Full bio
Double-click the English transcript below to play the video.
00:12
I'm going to talk about
how AI and mankind can coexist,
how AI and mankind can coexist,
0
640
4536
Vou falar sobre como a IA
e a humanidade podem coexistir,
e a humanidade podem coexistir,
00:17
but first, we have to rethink
about our human values.
about our human values.
1
5200
3816
mas primeiro, temos que repensar
sobre nossos valores humanos.
sobre nossos valores humanos.
00:21
So let me first make a confession
about my errors in my values.
about my errors in my values.
2
9040
4320
Deixem-me primeiro fazer uma confissão
sobre meus erros nos meus valores.
sobre meus erros nos meus valores.
00:25
It was 11 o'clock, December 16, 1991.
3
13920
4256
Eram 11 horas, 16 de dezembro de 1991.
00:30
I was about to become a father
for the first time.
for the first time.
4
18200
2680
Estava prestes a me tornar pai
pela primeira vez.
pela primeira vez.
00:33
My wife, Shen-Ling,
lay in the hospital bed
lay in the hospital bed
5
21480
2856
Minha esposa, Shen-Ling,
está deitada no leito hospitalar
está deitada no leito hospitalar
00:36
going through a very difficult
12-hour labor.
12-hour labor.
6
24360
3080
passando por um trabalho de parto
muito difícil de 12 horas.
muito difícil de 12 horas.
00:40
I sat by her bedside
7
28280
2296
Estava sentado ao lado dela,
00:42
but looked anxiously at my watch,
8
30600
2376
mas olhava ansiosamente
para o meu relógio,
para o meu relógio,
00:45
and I knew something that she didn't.
9
33000
1800
e sabia de algo que ela não sabia.
00:47
I knew that if in one hour,
10
35440
1800
Eu sabia que se em uma hora
00:50
our child didn't come,
11
38360
1936
nosso bebê não nascesse,
00:52
I was going to leave her there
12
40320
1936
eu teria que deixá-la ali
00:54
and go back to work
13
42280
1656
e voltar para o trabalho
00:55
and make a presentation about AI
14
43960
2576
para fazer uma apresentação sobre IA
00:58
to my boss, Apple's CEO.
15
46560
2200
ao meu chefe, o CEO da Apple.
01:03
Fortunately, my daughter
was born at 11:30 --
was born at 11:30 --
16
51160
3896
Felizmente minha filha nasceu às 11h30...
01:07
(Laughter)
17
55080
1936
(Risos)
01:09
(Applause)
18
57040
1936
(Aplausos)
01:11
sparing me from doing the unthinkable,
19
59000
4336
poupando-me de fazer o impensável,
01:15
and to this day, I am so sorry
20
63360
2496
e até hoje, eu sinto muitíssimo
01:17
for letting my work ethic
take precedence over love for my family.
take precedence over love for my family.
21
65880
4656
por permitir que minha ética profissional
precedesse o amor pela minha família.
precedesse o amor pela minha família.
01:22
(Applause)
22
70560
5736
(Aplausos)
01:28
My AI talk, however, went off brilliantly.
23
76320
2616
Minha palestra sobre IA,
no entanto, foi genial.
no entanto, foi genial.
01:30
(Laughter)
24
78960
2736
(Risos)
01:33
Apple loved my work
and decided to announce it
and decided to announce it
25
81720
3136
A Apple adorou meu trabalho
e decidiu anunciá-lo
e decidiu anunciá-lo
01:36
at TED1992,
26
84880
2696
no TED1992,
01:39
26 years ago on this very stage.
27
87600
3016
há 26 anos, neste mesmo palco.
01:42
I thought I had made one of the biggest,
most important discoveries in AI,
most important discoveries in AI,
28
90640
5056
Achei que havia feito uma das maiores
e mais importantes descobertas em IA,
e mais importantes descobertas em IA,
01:47
and so did the "Wall Street Journal"
on the following day.
on the following day.
29
95720
2920
assim como o "Wall Street Journal",
no dia seguinte.
no dia seguinte.
01:51
But as far as discoveries went,
30
99440
2536
Mas no que diz respeito às descobertas,
01:54
it turned out,
31
102000
1336
aconteceu que não descobri
a Índia ou a América.
a Índia ou a América.
01:55
I didn't discover India, or America.
32
103360
2776
01:58
Perhaps I discovered
a little island off of Portugal.
a little island off of Portugal.
33
106160
3080
Talvez tenha descoberto
uma pequena ilha perto de Portugal.
uma pequena ilha perto de Portugal.
02:02
But the AI era of discovery continued,
34
110720
3256
Mas a era da descoberta da IA continuou,
02:06
and more scientists
poured their souls into it.
poured their souls into it.
35
114000
3216
e mais cientistas entregaram
a alma deles a ela.
a alma deles a ela.
02:09
About 10 years ago, the grand AI discovery
36
117240
2616
Cerca de 10 anos atrás,
a grande descoberta da IA
a grande descoberta da IA
02:11
was made by three
North American scientists,
North American scientists,
37
119880
3176
foi feita por três cientistas
norte-americanos,
norte-americanos,
02:15
and it's known as deep learning.
38
123080
1600
e é conhecida como aprendizagem profunda.
02:17
Deep learning is a technology
that can take a huge amount of data
that can take a huge amount of data
39
125400
3696
Essa é uma tecnologia que pode levar
uma quantidade enorme de dados
uma quantidade enorme de dados
02:21
within one single domain
40
129120
1736
dentro de um único domínio
02:22
and learn to predict or decide
at superhuman accuracy.
at superhuman accuracy.
41
130880
4936
e aprender a prever ou decidir
com precisão super-humana.
com precisão super-humana.
02:27
For example, if we show
the deep learning network
the deep learning network
42
135840
2776
Por exemplo, se mostrarmos
à rede de aprendizagem profunda
à rede de aprendizagem profunda
02:30
a massive number of food photos,
43
138640
2816
um grande número de fotos de comida,
02:33
it can recognize food
44
141480
1576
ela pode reconhecer comida
02:35
such as hot dog or no hot dog.
45
143080
3296
como cachorro-quente
ou não cachorro-quente.
ou não cachorro-quente.
02:38
(Applause)
46
146400
3136
(Aplausos)
02:41
Or if we show it many pictures
and videos and sensor data
and videos and sensor data
47
149560
5016
Ou se mostrarmos a ela muitas fotos,
muitos vídeos e dados do sensor
muitos vídeos e dados do sensor
02:46
from driving on the highway,
48
154600
2536
de um carro sendo dirigido na estrada,
02:49
it can actually drive a car
as well as a human being
as well as a human being
49
157160
3280
ela pode, de fato, dirigir um carro
tão bem quanto um ser humano
tão bem quanto um ser humano
02:53
on the highway.
50
161360
1656
na estrada.
02:55
And what if we showed
this deep learning network
this deep learning network
51
163040
2816
E se mostrássemos a esta rede
de aprendizagem profunda
de aprendizagem profunda
02:57
all the speeches made by President Trump?
52
165880
2400
todos os discursos feitos
pelo Presidente Trump?
pelo Presidente Trump?
03:01
Then this artificially
intelligent President Trump,
intelligent President Trump,
53
169680
3000
E depois esse Presidente Trump
artificialmente inteligente,
artificialmente inteligente,
03:05
actually the network --
54
173600
2216
na verdade, a rede...
03:07
(Laughter)
55
175840
1656
(Risos)
03:09
can --
56
177520
1216
pode...
03:10
(Applause)
57
178760
4056
(Aplausos)
03:14
You like double oxymorons, huh?
58
182840
2336
Vocês gostam de oximoros duplos, não?
03:17
(Laughter)
59
185200
3856
(Risos)
03:21
(Applause)
60
189080
6096
(Aplausos)
03:27
So this network, if given the request
to make a speech about AI,
to make a speech about AI,
61
195200
5256
Então se esta rede receber a solicitação
de fazer um discurso sobre IA,
de fazer um discurso sobre IA,
03:32
he, or it, might say --
62
200480
2640
ele, ou a IA, pode dizer:
03:36
(Recording) Donald Trump:
It's a great thing
It's a great thing
63
204280
2096
(Gravação) Donald Trump: É ótimo
construir um mundo melhor
com inteligência artificial.
com inteligência artificial.
03:38
to build a better world
with artificial intelligence.
with artificial intelligence.
64
206400
2936
03:41
Kai-Fu Lee: And maybe in another language?
65
209360
2016
Kai-Fu Lee: E talvez em outro idioma?
03:43
DT: (Speaking Chinese)
66
211400
1816
DT: (falando em chinês)
03:45
(Laughter)
67
213240
1496
(Risos)
03:46
KFL: You didn't know
he knew Chinese, did you?
he knew Chinese, did you?
68
214760
2160
KFL: Vocês não sabiam
que ele falava chinês, sabiam?
que ele falava chinês, sabiam?
03:50
So deep learning has become the core
in the era of AI discovery,
in the era of AI discovery,
69
218120
5016
Então, a aprendizagem profunda tornou-se
o núcleo na era da descoberta da IA,
o núcleo na era da descoberta da IA,
03:55
and that's led by the US.
70
223160
1816
e isso é liderado pelos EUA.
03:57
But we're now in the era
of implementation,
of implementation,
71
225000
3256
Mas agora estamos na era de implementação,
04:00
where what really matters is execution,
product quality, speed and data.
product quality, speed and data.
72
228280
5536
e o que importa mesmo é execução,
qualidade do produto, velocidade e dados.
qualidade do produto, velocidade e dados.
04:05
And that's where China comes in.
73
233840
2096
E é aí que a China entra.
04:07
Chinese entrepreneurs,
74
235960
1576
Empresários chineses,
04:09
who I fund as a venture capitalist,
75
237560
1896
que financiei como capitalista de risco,
04:11
are incredible workers,
76
239480
1736
são trabalhadores incríveis,
com uma fantástica ética profissional.
com uma fantástica ética profissional.
04:13
amazing work ethic.
77
241240
1936
04:15
My example in the delivery room is nothing
compared to how hard people work in China.
compared to how hard people work in China.
78
243200
5296
Meu exemplo na sala de parto não é nada
comparado à dedicação ao trabalho
por parte dos chineses.
por parte dos chineses.
04:20
As an example, one startup
tried to claim work-life balance:
tried to claim work-life balance:
79
248520
3696
Por exemplo, uma startup tentou declarar
equilíbrio entre vida e trabalho:
equilíbrio entre vida e trabalho:
04:24
"Come work for us because we are 996."
80
252240
3696
"Trabalhe conosco porque somos 996".
04:27
And what does that mean?
81
255960
1256
E o que isso significa?
04:29
It means the work hours
of 9am to 9pm, six days a week.
of 9am to 9pm, six days a week.
82
257240
4400
Significa as horas de trabalho
das 9h às 21h, seis dias por semana.
das 9h às 21h, seis dias por semana.
04:34
That's contrasted
with other startups that do 997.
with other startups that do 997.
83
262960
3280
Isso contrastado com outras startups
que seguem o 997.
que seguem o 997.
04:39
And the Chinese product quality
has consistently gone up
has consistently gone up
84
267320
3096
E a qualidade do produto chinês
tem aumentado consistentemente
tem aumentado consistentemente
04:42
in the past decade,
85
270440
1696
na última década,
04:44
and that's because of
a fiercely competitive environment.
a fiercely competitive environment.
86
272160
4120
e isso devido a um ambiente
altamente competitivo.
altamente competitivo.
04:48
In Silicon Valley, entrepreneurs
compete in a very gentlemanly fashion,
compete in a very gentlemanly fashion,
87
276760
5896
No Vale do Silício, empreendedores
competem de modo bem cavalheiresco,
competem de modo bem cavalheiresco,
04:54
sort of like in old wars
in which each side took turns
in which each side took turns
88
282680
3896
como nas guerras antigas
nas quais cada lado se revezava
nas quais cada lado se revezava
04:58
to fire at each other.
89
286600
1256
para atirar no outro.
04:59
(Laughter)
90
287880
1056
(Risos)
05:00
But in the Chinese environment,
91
288960
2016
Mas no ambiente chinês,
05:03
it's truly a gladiatorial
fight to the death.
fight to the death.
92
291000
2880
é verdadeiramente
uma luta gladiatória até a morte.
uma luta gladiatória até a morte.
05:06
In such a brutal environment,
entrepreneurs learn to grow very rapidly,
entrepreneurs learn to grow very rapidly,
93
294920
6096
Num ambiente tão brutal, empreendedores
aprendem a crescer bem depressa,
aprendem a crescer bem depressa,
05:13
they learn to make their products
better at lightning speed,
better at lightning speed,
94
301040
3936
aprendem a fazer seus produtos
muito rapidamente,
muito rapidamente,
05:17
and they learn
to hone their business models
to hone their business models
95
305000
2336
e a aprimorar seus modelos de negócios
05:19
until they're impregnable.
96
307360
1400
até que sejam invencíveis.
05:21
As a result, great Chinese products
like WeChat and Weibo
like WeChat and Weibo
97
309400
3856
Como resultado, ótimos produtos
chineses como WeChat e Weibo
chineses como WeChat e Weibo
05:25
are arguably better
98
313280
1416
são, sem dúvida, melhores
05:26
than the equivalent American products
from Facebook and Twitter.
from Facebook and Twitter.
99
314720
3480
do que os produtos norte-americanos
equivalentes do Facebook e Twitter.
equivalentes do Facebook e Twitter.
05:31
And the Chinese market
embraces this change
embraces this change
100
319920
3096
E o mercado chinês adota essa mudança
acelerada e mudanças de paradigma.
acelerada e mudanças de paradigma.
05:35
and accelerated change
and paradigm shifts.
and paradigm shifts.
101
323040
3016
05:38
As an example, if any of you go to China,
102
326080
2096
Por exemplo, se forem à China,
05:40
you will see it's almost cashless
and credit card-less,
and credit card-less,
103
328200
4016
verão que quase não existe dinheiro
ou cartão de crédito lá,
ou cartão de crédito lá,
05:44
because that thing that we all
talk about, mobile payment,
talk about, mobile payment,
104
332240
2736
pois essa coisa da qual todos
falamos, pagamento móvel,
falamos, pagamento móvel,
05:47
has become the reality in China.
105
335000
2416
tornou-se realidade na China.
05:49
In the last year,
106
337440
1296
No ano passado,
05:50
18.8 trillion US dollars
were transacted on mobile internet,
were transacted on mobile internet,
107
338760
5936
US$ 18,8 trilhões foram
transacionados na internet móvel.
transacionados na internet móvel.
05:56
and that's because
of very robust technologies
of very robust technologies
108
344720
2936
Isso deve-se a tecnologias muito robustas
construídas por trás disso.
construídas por trás disso.
05:59
built behind it.
109
347680
1256
06:00
It's even bigger than the China GDP.
110
348960
2440
É ainda maior que o PIB da China.
06:04
And this technology, you can say,
how can it be bigger than the GDP?
how can it be bigger than the GDP?
111
352120
3616
Talvez perguntem: "Como essa tecnologia
pode ser maior que o PIB?"
pode ser maior que o PIB?"
06:07
Because it includes all transactions:
112
355760
1976
Porque ela inclui todas as transações:
06:09
wholesale, channels,
retail, online, offline,
retail, online, offline,
113
357760
3776
por atacado, canais,
varejo, on-line, off-line,
varejo, on-line, off-line,
06:13
going into a shopping mall
or going into a farmers market like this.
or going into a farmers market like this.
114
361560
5056
indo para um shopping ou entrando
numa feira de agricultores, como esta.
numa feira de agricultores, como esta.
06:18
The technology is used
by 700 million people
by 700 million people
115
366640
3376
A tecnologia é usada
por 700 milhões de pessoas
por 700 milhões de pessoas
para pagarem uns aos outros,
não apenas comerciantes,
não apenas comerciantes,
06:22
to pay each other, not just merchants,
116
370040
2056
06:24
so it's peer to peer,
117
372120
1416
então é colega para colega,
06:25
and it's almost transaction-fee-free.
118
373560
2680
e quase não inclui taxa de transação.
06:29
And it's instantaneous,
119
377720
2376
É instantâneo
06:32
and it's used everywhere.
120
380120
1440
e usado em todo lugar.
06:34
And finally, the China market is enormous.
121
382320
3376
E finalmente, o mercado da China é enorme.
06:37
This market is large,
122
385720
1976
Este mercado é grande,
06:39
which helps give entrepreneurs
more users, more revenue,
more users, more revenue,
123
387720
4496
o que ajuda a dar aos empreendedores
mais usuários, mais receita
mais usuários, mais receita
06:44
more investment, but most importantly,
124
392240
2336
mais investimento, mas o mais importante,
06:46
it gives the entrepreneurs a chance
to collect a huge amount of data
to collect a huge amount of data
125
394600
4536
dá a eles uma chance de coletar
uma enorme quantidade de dados
uma enorme quantidade de dados
06:51
which becomes rocket fuel
for the AI engine.
for the AI engine.
126
399160
2960
que se torna combustível
para o motor possante da IA.
para o motor possante da IA.
06:54
So as a result, the Chinese AI companies
127
402960
2936
Então, como resultado,
as empresas chinesas de IA
as empresas chinesas de IA
06:57
have leaped ahead
128
405920
1736
saltaram à frente
06:59
so that today, the most valuable companies
129
407680
3096
permitindo que as empresas
mais valiosas hoje
mais valiosas hoje
07:02
in computer vision, speech recognition,
130
410800
2616
em visão computacional,
reconhecimento da fala,
reconhecimento da fala,
07:05
speech synthesis,
machine translation and drones
machine translation and drones
131
413440
3416
síntese de fala,
tradução automática e "drones"
tradução automática e "drones"
07:08
are all Chinese companies.
132
416880
1920
sejam todas empresas chinesas.
07:11
So with the US leading
the era of discovery
the era of discovery
133
419400
3216
Então, com os EUA liderando
a era da descoberta,
a era da descoberta,
07:14
and China leading
the era of implementation,
the era of implementation,
134
422640
3136
e a China liderando
a era da implementação,
a era da implementação,
07:17
we are now in an amazing age
135
425800
2256
estamos agora numa época incrível
07:20
where the dual engine
of the two superpowers
of the two superpowers
136
428080
3256
na qual o motor duplo
das duas superpotências
das duas superpotências
07:23
are working together
137
431360
1680
estão trabalhando juntos
07:25
to drive the fastest
revolution in technology
revolution in technology
138
433960
3656
para dirigir a mais rápida
revolução tecnológica
revolução tecnológica
07:29
that we have ever seen as humans.
139
437640
2360
que os humanos já viram.
07:32
And this will bring tremendous wealth,
140
440640
2496
E isso trará tremenda riqueza,
07:35
unprecedented wealth:
141
443160
1776
sem precedentes:
07:36
16 trillion dollars, according to PwC,
142
444960
3896
US$ 16 trilhões, segundo a PwC,
07:40
in terms of added GDP
to the worldwide GDP by 2030.
to the worldwide GDP by 2030.
143
448880
5376
em termos de PIB adicionado
ao PIB mundial até 2030.
ao PIB mundial até 2030.
07:46
It will also bring immense challenges
144
454280
2616
Também trará imensos desafios
07:48
in terms of potential job replacements.
145
456920
3576
em termos de substituições
de emprego em potencial.
de emprego em potencial.
07:52
Whereas in the Industrial Age
146
460520
2160
Ao passo que, na Era Industrial,
07:55
it created more jobs
147
463880
1536
foram criados mais empregos,
07:57
because craftsman jobs were being
decomposed into jobs in the assembly line,
decomposed into jobs in the assembly line,
148
465440
5776
pois trabalhos artesanais foram decaindo
devido aos empregos na linha de montagem,
devido aos empregos na linha de montagem,
08:03
so more jobs were created.
149
471240
1976
então mais empregos foram criados.
08:05
But AI completely replaces
the individual jobs
the individual jobs
150
473240
4936
Mas a IA substitui completamente
trabalhos individuais
trabalhos individuais
08:10
in the assembly line with robots.
151
478200
2256
na linha de montagem com robôs.
08:12
And it's not just in factories,
152
480480
1936
E não apenas nas fábricas,
08:14
but truckers, drivers
153
482440
2056
mas caminhoneiros, motoristas,
08:16
and even jobs like telesales,
customer service
customer service
154
484520
4096
e até empregos como televendas,
serviços ao cliente,
serviços ao cliente,
08:20
and hematologists as well as radiologists
155
488640
2976
hematologistas, bem como radiologistas
08:23
over the next 15 years
156
491640
2096
que, nos próximos 15 anos,
08:25
are going to be gradually replaced
157
493760
2536
serão gradualmente substituídos
08:28
by artificial intelligence.
158
496320
1440
pela inteligência artificial.
08:30
And only the creative jobs --
159
498360
2056
Apenas trabalhos criativos
[CEO, Peritos em M&A,
Economistas - Sem risco]
Economistas - Sem risco]
08:32
(Laughter)
160
500440
1976
(Risos)
08:34
I have to make myself safe, right?
161
502440
2200
Preciso me garantir, certo?
08:38
Really, the creative jobs
are the ones that are protected,
are the ones that are protected,
162
506960
2976
Realmente, os trabalhos criativos
são os que estão protegidos,
são os que estão protegidos,
08:41
because AI can optimize but not create.
163
509960
3040
porque a IA pode otimizar, mas não criar.
08:45
But what's more serious
than the loss of jobs
than the loss of jobs
164
513960
3575
Mas mais séria do que a perda de empregos
08:49
is the loss of meaning,
165
517559
1777
é a perda de significado,
08:51
because the work ethic
in the Industrial Age
in the Industrial Age
166
519360
3136
pois a ética profissional
na Era Industrial
na Era Industrial
08:54
has brainwashed us into thinking
that work is the reason we exist,
that work is the reason we exist,
167
522520
5616
nos condicionou a pensar que o trabalho
é a razão da nossa existência,
é a razão da nossa existência,
09:00
that work defined
the meaning of our lives.
the meaning of our lives.
168
528160
2936
que ele define
o significado de nossa vida.
o significado de nossa vida.
09:03
And I was a prime and willing victim
to that type of workaholic thinking.
to that type of workaholic thinking.
169
531120
6296
Fui uma excelente e complacente vítima
desse tipo de pensamento "workaholic".
desse tipo de pensamento "workaholic".
09:09
I worked incredibly hard.
170
537440
1616
Eu me dediquei incrivelmente ao trabalho.
09:11
That's why I almost left
my wife in the delivery room,
my wife in the delivery room,
171
539080
3576
É por isso que quase abandonei
minha esposa na sala de parto,
minha esposa na sala de parto,
09:14
that's why I worked 996
alongside my entrepreneurs.
alongside my entrepreneurs.
172
542680
4176
e que trabalhei 996
junto com meus empresários.
junto com meus empresários.
09:18
And that obsession that I had with work
173
546880
4416
E essa minha obsessão com o trabalho
09:23
ended abruptly a few years ago
174
551320
3056
terminou abruptamente há alguns anos
09:26
when I was diagnosed
with fourth stage lymphoma.
with fourth stage lymphoma.
175
554400
3920
quando fui diagnosticado
com linfoma no quarto estágio.
com linfoma no quarto estágio.
09:31
The PET scan here shows
over 20 malignant tumors
over 20 malignant tumors
176
559480
4136
A tomografia aqui mostra
mais de 20 tumores malignos
mais de 20 tumores malignos
09:35
jumping out like fireballs,
177
563640
2176
pulsando como bolas de fogo,
09:37
melting away my ambition.
178
565840
2576
derretendo minha ambição.
09:40
But more importantly,
179
568440
1456
Mas o mais importante
09:41
it helped me reexamine my life.
180
569920
2736
foi que me ajudou a reexaminar minha vida.
09:44
Knowing that I may only have
a few months to live
a few months to live
181
572680
3096
Saber que só poderia
ter alguns meses de vida
ter alguns meses de vida
09:47
caused me to see how foolish it was
182
575800
2936
me fez perceber como estava sendo tolo
09:50
for me to base my entire self-worth
183
578760
3576
em basear todo o meu valor próprio
09:54
on how hard I worked
and the accomplishments from hard work.
and the accomplishments from hard work.
184
582360
4040
no quanto eu me dedicava ao trabalho
e às conquistas que obtive com isso.
e às conquistas que obtive com isso.
09:59
My priorities were
completely out of order.
completely out of order.
185
587320
2976
Minhas prioridades estavam
completamente fora de ordem.
completamente fora de ordem.
10:02
I neglected my family.
186
590320
1600
Eu negligenciava minha família.
10:05
My father had passed away,
187
593000
1416
Meu pai havia falecido,
10:06
and I never had a chance
to tell him I loved him.
to tell him I loved him.
188
594440
2800
e eu nunca tive a chance
de dizer a ele que o amava.
de dizer a ele que o amava.
10:10
My mother had dementia
and no longer recognized me,
and no longer recognized me,
189
598120
3736
Minha mãe sofria de demência
e não me reconhecia mais,
e não me reconhecia mais,
10:13
and my children had grown up.
190
601880
1920
e meus filhos cresceram.
10:16
During my chemotherapy,
191
604400
1656
Durante minha quimioterapia,
10:18
I read a book by Bronnie Ware
192
606080
2456
li um livro de Bronnie Ware
10:20
who talked about dying wishes and regrets
of the people in the deathbed.
of the people in the deathbed.
193
608560
5496
que falava sobre desejos e arrependimentos
de pessoas no leito de morte.
de pessoas no leito de morte.
10:26
She found that facing death,
194
614080
2256
Ela descobriu que, ao enfrentar a morte,
10:28
nobody regretted that they didn't
work hard enough in this life.
work hard enough in this life.
195
616360
3600
ninguém se arrependia de não ter
trabalhado duro o bastante na vida,
trabalhado duro o bastante na vida,
10:32
They only regretted that they didn't
spend enough time with their loved ones
spend enough time with their loved ones
196
620880
5176
e sim só se lamentava por não ter passado
tempo suficiente com seus entes queridos,
tempo suficiente com seus entes queridos,
10:38
and that they didn't spread their love.
197
626080
2760
e por não ter espalhado seu amor.
10:42
So I am fortunately today in remission.
198
630400
4536
Então, felizmente hoje estou em remissão.
10:46
(Applause)
199
634960
6856
(Aplausos)
10:53
So I can be back at TED again
200
641840
1976
Então, posso retornar ao TED novamente
10:55
to share with you
that I have changed my ways.
that I have changed my ways.
201
643840
3376
para compartilhar com vocês
que mudei minha conduta.
que mudei minha conduta.
10:59
I now only work 965 --
202
647240
2760
Agora só trabalho 965,
(Risos)
11:03
occasionally 996, but usually 965.
203
651200
3976
de vez em quando 996, mas geralmente 965.
11:07
I moved closer to my mother,
204
655200
1896
Fui morar mais próximo de minha mãe,
11:09
my wife usually travels with me,
205
657120
2456
minha esposa geralmente viaja comigo,
11:11
and when my kids have vacation,
if they don't come home, I go to them.
if they don't come home, I go to them.
206
659600
3816
e quando meus filhos tiram férias,
se eles não voltam pra casa, vou até eles.
se eles não voltam pra casa, vou até eles.
11:15
So it's a new form of life
207
663440
2456
Então é uma nova forma de vida
11:17
that helped me recognize
208
665920
1816
que me ajudou a reconhecer
11:19
how important it is that love is for me,
209
667760
3176
como o amor é importante para mim,
11:22
and facing death
helped me change my life,
helped me change my life,
210
670960
3416
e enfrentar a morte
me ajudou a mudar minha vida,
me ajudou a mudar minha vida,
11:26
but it also helped me see a new way
211
674400
2456
mas também a ver um novo modo,
11:28
of how AI should impact mankind
212
676880
3776
de como a IA deve impactar,
trabalhar e conviver com a humanidade;
trabalhar e conviver com a humanidade;
11:32
and work and coexist with mankind,
213
680680
2480
11:36
that really, AI is taking away
a lot of routine jobs,
a lot of routine jobs,
214
684680
4496
que realmente, a IA está abolindo
muitos empregos rotineiros,
muitos empregos rotineiros,
11:41
but routine jobs are not what we're about.
215
689200
3656
mas esses empregos
não são o que nós somos.
não são o que nós somos.
11:44
Why we exist is love.
216
692880
2256
O amor é a razão de nossa existência.
11:47
When we hold our newborn baby,
217
695160
2096
Quando seguramos nosso bebê recém-nascido,
11:49
love at first sight,
218
697280
1496
o amor à primeira vista,
11:50
or when we help someone in need,
219
698800
1776
ou quando ajudamos alguém em necessidade,
11:52
humans are uniquely able
to give and receive love,
to give and receive love,
220
700600
4256
os seres humanos são exclusivamente
capazes de dar e receber amor
capazes de dar e receber amor
11:56
and that's what differentiates us from AI.
221
704880
2800
e é isso que nos diferencia da IA.
12:00
Despite what science fiction may portray,
222
708800
2696
Apesar do que a ficção científica
possa retratar,
possa retratar,
12:03
I can responsibly tell you
that AI has no love.
that AI has no love.
223
711520
3736
eu posso dizer com responsabilidade
que a IA não tem amor.
que a IA não tem amor.
12:07
When AlphaGo defeated
the world champion Ke Jie,
the world champion Ke Jie,
224
715280
3536
Quando o AlphaGo derrotou
o campeão mundial Ke Jie,
o campeão mundial Ke Jie,
12:10
while Ke Jie was crying
and loving the game of go,
and loving the game of go,
225
718840
3096
enquanto ele chorava e amava o jogo "Go",
12:13
AlphaGo felt no happiness from winning
226
721960
3176
o AlphaGo não se sentiu feliz por ganhar,
12:17
and certainly no desire
to hug a loved one.
to hug a loved one.
227
725160
4480
e certamente não desejou
abraçar um ente querido.
abraçar um ente querido.
12:23
So how do we differentiate ourselves
228
731600
2656
Então, como nos diferenciamos
12:26
as humans in the age of AI?
229
734280
2536
como seres humanos na era da IA?
12:28
We talked about the axis of creativity,
230
736840
3096
Conversamos sobre o eixo da criatividade,
12:31
and certainly that is one possibility,
231
739960
2856
e certamente essa é uma possibilidade,
12:34
and now we introduce a new axis
232
742840
2296
e agora introduzimos um novo eixo
12:37
that we can call compassion,
love, or empathy.
love, or empathy.
233
745160
3616
que podemos chamar de compaixão,
amor ou empatia.
amor ou empatia.
12:40
Those are things that AI cannot do.
234
748800
2576
Essas são coisas que a IA não pode fazer.
12:43
So as AI takes away the routine jobs,
235
751400
2816
Então, enquanto a IA elimina
os empregos rotineiros,
os empregos rotineiros,
12:46
I like to think we can, we should
and we must create jobs of compassion.
and we must create jobs of compassion.
236
754240
4960
gosto de pensar que podemos, devemos
e temos obrigação de criar
empregos de compaixão.
empregos de compaixão.
12:51
You might ask how many of those there are,
237
759800
2336
Podem perguntar quantos desses existem,
12:54
but I would ask you:
238
762160
1616
mas pergunto a vocês:
12:55
Do you not think that we are going
to need a lot of social workers
to need a lot of social workers
239
763800
3816
não acham que vamos precisar
de muitos assistentes sociais
de muitos assistentes sociais
12:59
to help us make this transition?
240
767640
1600
para nos ajudar a fazer essa transição?
13:01
Do you not think we need
a lot of compassionate caregivers
a lot of compassionate caregivers
241
769960
3256
Não acham que precisamos
de muitos cuidadores compassivos
de muitos cuidadores compassivos
13:05
to give more medical care to more people?
242
773240
2696
para dar mais atendimento médico
a mais pessoas?
a mais pessoas?
13:07
Do you not think we're going to need
10 times more teachers
10 times more teachers
243
775960
3256
Vocês não acham que vamos precisar
de dez vezes mais professores
de dez vezes mais professores
13:11
to help our children find their way
244
779240
2776
para ajudar nossos filhos
a encontrar o caminho
a encontrar o caminho
13:14
to survive and thrive
in this brave new world?
in this brave new world?
245
782040
3256
para sobreviver e prosperar
neste admirável mundo novo?
neste admirável mundo novo?
13:17
And with all the newfound wealth,
246
785320
2440
E com toda essa riqueza recém-descoberta,
13:19
should we not also make
labors of love into careers
labors of love into careers
247
787800
4536
não deveríamos também transformar
trabalhos de amor em carreiras
trabalhos de amor em carreiras
13:24
and let elderly accompaniment
248
792360
2696
e permitir que o acompanhamento de idosos
13:27
or homeschooling become careers also?
249
795080
3496
ou de estudo domiciliar
também se tornem carreiras?
também se tornem carreiras?
13:30
(Applause)
250
798600
5280
(Aplausos)
13:36
This graph is surely not perfect,
251
804800
2256
Este gráfico certamente não é perfeito,
13:39
but it points at four ways
that we can work with AI.
that we can work with AI.
252
807080
3536
mas aponta para quatro maneiras
que podemos trabalhar com IA.
que podemos trabalhar com IA.
13:42
AI will come and take away
the routine jobs
the routine jobs
253
810640
3576
IA virá e eliminará os empregos rotineiros
e, no seu devido tempo, seremos gratos.
13:46
and in due time, we will be thankful.
254
814240
2040
13:49
AI will become great tools
for the creatives
for the creatives
255
817000
3096
A IA se tornará uma ótima ferramenta
para os criativos
para os criativos
13:52
so that scientists, artists,
musicians and writers
musicians and writers
256
820120
3656
de modo que cientistas,
artistas, músicos e escritores
artistas, músicos e escritores
13:55
can be even more creative.
257
823800
1600
possam ser ainda mais criativos.
13:58
AI will work with humans
as analytical tools
as analytical tools
258
826120
5376
A IA vai trabalhar com humanos
como ferramentas analíticas
como ferramentas analíticas
14:03
that humans can wrap their warmth around
259
831520
2696
que poderemos envolver com nosso calor
14:06
for the high-compassion jobs.
260
834240
1896
para os empregos que exigem compaixão.
14:08
And we can always differentiate ourselves
261
836160
2656
E nós podemos sempre nos diferenciar
14:10
with the uniquely capable jobs
262
838840
1816
com os trabalhos de capacidade única,
14:12
that are both compassionate and creative,
263
840680
3616
compassivos e criativos,
14:16
using and leveraging
our irreplaceable brains and hearts.
our irreplaceable brains and hearts.
264
844320
5176
usando e alavancando
nosso cérebro e coração insubstituíveis.
nosso cérebro e coração insubstituíveis.
14:21
So there you have it:
265
849520
1296
Então, é isso:
14:22
a blueprint of coexistence
for humans and AI.
for humans and AI.
266
850840
3640
um modelo de coexistência
para humanos e IA.
para humanos e IA.
14:27
AI is serendipity.
267
855400
1816
IA é serendipidade.
14:29
It is here to liberate us
from routine jobs,
from routine jobs,
268
857240
2976
Ela está aqui para nos libertar
de empregos rotineiros,
de empregos rotineiros,
14:32
and it is here to remind us
what it is that makes us human.
what it is that makes us human.
269
860240
3680
e para nos lembrar
o que nos faz humanos.
o que nos faz humanos.
14:36
So let us choose to embrace AI
and to love one another.
and to love one another.
270
864440
3976
Então, vamos escolher abraçar
a IA e amar uns aos outros.
a IA e amar uns aos outros.
14:40
Thank you.
271
868440
1216
Obrigado.
14:41
(Applause)
272
869680
6160
(Aplausos)
ABOUT THE SPEAKER
Kai-Fu Lee - Investor, computer scientistAt Sinovation Ventures, Kai-Fu Lee invests in the next generation of Chinese high-tech companies.
Why you should listen
Dr. Kai-Fu Lee has a unique perspective on the global technology industry, having worked extensively between the US and China, and has been in artificial intelligence research, development and investment for more than 30 years. He is one of China's top technology investors, undertaking early pioneering work in the field of artificial intelligence and working with multiple US technology giants.
Lee is the Chairman and CEO of Sinovation Ventures, managing a $1.7 billion dual-currency investment fund. Sinovation is a leading technology-savvy investment firm focusing on developing Chinese high-tech companies. Lee also serves as president of the Sinovation Ventures Artificial Intelligence Institute.
Prior to founding Sinovation in 2009, Lee was the President of Google China. Previously, he held executive positions at Microsoft, SGI and Apple. He is a Fellow of the Institute of Electrical and Electronics Engineers (IEEE), and he was Vice Chairman of the Committee of 100 and named one of the 100 most influential people in the world by TIME Magazine. He is the author of seven best-selling books in Chinese, launching his new book AI Superpowers internationally in fall 2018, and has over 50 million followers on social media.
In the field of artificial intelligence, Lee founded Microsoft Research China, which was named as the hottest research lab by MIT Technology Review. Later renamed Microsoft Research Asia, this institute has trained the great majority of AI leaders in China, including CTOs or AI heads at Baidu, Tencent, Alibaba, Lenovo, Huawei and Haier. While with Apple, Lee led AI projects in speech and natural language, which appeared on Good Morning America on ABC Television and the front page of The Wall Street Journal. He has authored 10 US patents, and more than 100 journal and conference papers.
Kai-Fu Lee | Speaker | TED.com