TED@BCG Mumbai
Sougwen Chung: Why I draw with robots
Sougwen Chung: Porque é que desenho com robôs
Filmed:
Readability: 4.4
160,983 views
O que acontece quando seres humanos e robôs fazem arte juntos? Nesta palestra inspiradora, a artista Sougwen Chung mostra como "ensinou" o seu estilo artístico a uma máquina — e partilha os resultados da sua colaboração depois de fazer uma descoberta inesperada: os robôs também fazem erros. "Parte da beleza dos sistemas humanos e das máquinas é a sua falibilidade inerente e partilhada", diz ela.
Sougwen Chung - Artist, researcher
Sougwen 愫君 Chung is an artist and researcher whose work explores the dynamics between humans and systems. Full bio
Sougwen 愫君 Chung is an artist and researcher whose work explores the dynamics between humans and systems. Full bio
Double-click the English transcript below to play the video.
00:12
Many of us here use technology
in our day-to-day.
in our day-to-day.
0
937
3165
Muitos de nós aqui
usam a tecnologia dia-a-dia.
usam a tecnologia dia-a-dia.
00:16
And some of us rely
on technology to do our jobs.
on technology to do our jobs.
1
4126
3247
E alguns de nós confiam na tecnologia
para fazer o nosso trabalho.
para fazer o nosso trabalho.
00:19
For a while, I thought of machines
and the technologies that drive them
and the technologies that drive them
2
7397
3950
Antigamente, eu pensava nas máquinas
e nas tecnologias que as governam
e nas tecnologias que as governam
00:23
as perfect tools that could make my work
more efficient and more productive.
more efficient and more productive.
3
11371
4505
como ferramentas perfeitas
que podem tornar o meu trabalho
mais eficiente e mais produtivo.
mais eficiente e mais produtivo.
00:28
But with the rise of automation
across so many different industries,
across so many different industries,
4
16403
3254
Mas com o aumento da automação
em tantas diferentes indústrias,
em tantas diferentes indústrias,
00:31
it led me to wonder:
5
19681
1372
isso levou-me a pensar:
00:33
If machines are starting
to be able to do the work
to be able to do the work
6
21077
2341
Se as máquinas tornam
possível fazer o trabalho
possível fazer o trabalho
habitualmente feito
pelos seres humanos,
pelos seres humanos,
00:35
traditionally done by humans,
7
23442
1667
00:37
what will become of the human hand?
8
25133
2333
o que acontecerá
com o trabalho manual humano?
com o trabalho manual humano?
00:40
How does our desire for perfection,
precision and automation
precision and automation
9
28133
4093
Como é que o nosso desejo
por perfeição, precisão e automação
por perfeição, precisão e automação
00:44
affect our ability to be creative?
10
32250
1922
afeta a nossa capacidade
de sermos criativos?
de sermos criativos?
No meu trabalho
como artista e investigadora
como artista e investigadora
00:46
In my work as an artist and researcher,
I explore AI and robotics
I explore AI and robotics
11
34553
4087
eu exploro a IA e a robótica
00:50
to develop new processes
for human creativity.
for human creativity.
12
38664
3005
para desenvolver novos processos
para a criatividade humana.
para a criatividade humana.
00:54
For the past few years,
13
42077
1286
Nos últimos anos,
00:55
I've made work alongside machines,
data and emerging technologies.
data and emerging technologies.
14
43387
4376
eu trabalhei com máquinas,
com dados e com tecnologias emergentes.
com dados e com tecnologias emergentes.
Faz parte de um fascínio ao longo da vida
01:00
It's part of a lifelong fascination
15
48143
1861
01:02
about the dynamics
of individuals and systems
of individuals and systems
16
50028
2735
sobre a dinâmica de indivíduos e sistemas
01:04
and all the messiness that that entails.
17
52787
2381
e toda a complicação que isso implica.
01:07
It's how I'm exploring questions about
where AI ends and we begin
where AI ends and we begin
18
55192
4808
É assim que eu estou a explorar questões
sobre onde a IA termina e nós começamos
sobre onde a IA termina e nós começamos
e em que nós desenvolvemos processos
01:12
and where I'm developing processes
19
60024
1642
01:13
that investigate potential
sensory mixes of the future.
sensory mixes of the future.
20
61690
3326
que investigam potenciais
misturas sensoriais do futuro.
misturas sensoriais do futuro.
01:17
I think it's where philosophy
and technology intersect.
and technology intersect.
21
65675
2857
Penso que é aí que se cruzam
a filosofia e a tecnologia.
a filosofia e a tecnologia.
Fazendo esse trabalho,
eu aprendi algumas coisas.
eu aprendi algumas coisas.
01:20
Doing this work
has taught me a few things.
has taught me a few things.
22
68992
2239
01:23
It's taught me how embracing imperfection
23
71642
2824
Aprendi que aceitar a imperfeição
01:26
can actually teach us
something about ourselves.
something about ourselves.
24
74490
2489
pode ensinar-nos algo sobre nós mesmos.
01:29
It's taught me that exploring art
25
77428
2336
Aprendi que explorar a arte
01:31
can actually help shape
the technology that shapes us.
the technology that shapes us.
26
79788
2931
pode ajudar a modelar
a tecnologia que nos modela.
a tecnologia que nos modela.
01:35
And it's taught me
that combining AI and robotics
that combining AI and robotics
27
83148
3261
E aprendi que,
combinando a IA e a robótica
combinando a IA e a robótica
01:38
with traditional forms of creativity --
visual arts in my case --
visual arts in my case --
28
86433
3532
com formas tradicionais de criatividade
— as artes visuais no meu caso —
— as artes visuais no meu caso —
01:41
can help us think a little bit more deeply
29
89989
2302
pode ajudar-nos a pensar
um pouco mais profundamente
um pouco mais profundamente
01:44
about what is human
and what is the machine.
and what is the machine.
30
92315
2897
no que é o ser humano
e no que é a máquina.
e no que é a máquina.
01:47
And it's led me to the realization
31
95942
1707
Isso levou-me à compreensão
de que a colaboração é a chave
para criar o espaço para as duas coisas,
para criar o espaço para as duas coisas,
01:49
that collaboration is the key
to creating the space for both
to creating the space for both
32
97673
3055
01:52
as we move forward.
33
100752
1267
à medida que avançamos.
01:54
It all started with a simple
experiment with machines,
experiment with machines,
34
102387
2746
Tudo começou com uma simples
experiência com máquinas,
experiência com máquinas,
01:57
called "Drawing Operations
Unit: Generation 1."
Unit: Generation 1."
35
105157
2826
chamada "Unidade de Operações
de Desenho: Geração 1."
de Desenho: Geração 1."
02:00
I call the machine "D.O.U.G." for short.
36
108434
2516
Chamei D.O.U.G. a essa máquina
para encurtar.
para encurtar.
Antes de construir a D.O.U.G.,
02:02
Before I built D.O.U.G,
37
110974
1326
02:04
I didn't know anything
about building robots.
about building robots.
38
112324
2365
eu não sabia nada
sobre construção de robôs
sobre construção de robôs
02:07
I took some open-source
robotic arm designs,
robotic arm designs,
39
115220
2897
Agarrei num código-fonte aberto
para projetos robóticos de braço,
para projetos robóticos de braço,
02:10
I hacked together a system
where the robot would match my gestures
where the robot would match my gestures
40
118141
3341
copiei um sistema em que o robô
seguiria os meus gestos
seguiria os meus gestos
02:13
and follow [them] in real time.
41
121506
1639
e segui-los-ia em tempo real.
02:15
The premise was simple:
42
123169
1448
A premissa era simples:
02:16
I would lead, and it would follow.
43
124641
2200
Eu lideraria e ele seguiria.
02:19
I would draw a line,
and it would mimic my line.
and it would mimic my line.
44
127403
2936
Eu desenharia uma linha
e ele imitaria a minha linha.
e ele imitaria a minha linha.
02:22
So back in 2015, there we were,
drawing for the first time,
drawing for the first time,
45
130363
3698
Então, em 2015, estávamos
a desenhar pela primeira vez,
a desenhar pela primeira vez,
02:26
in front of a small audience
in New York City.
in New York City.
46
134085
2619
em frente de uma pequena plateia
na cidade de Nova Iorque.
na cidade de Nova Iorque.
02:28
The process was pretty sparse --
47
136728
2555
O processo era o mais simples possível,
02:31
no lights, no sounds,
nothing to hide behind.
nothing to hide behind.
48
139307
3487
sem luzes, sem som,
nada onde nos escondermos.
nada onde nos escondermos.
02:35
Just my palms sweating
and the robot's new servos heating up.
and the robot's new servos heating up.
49
143241
3395
Apenas as palmas das mãos suadas
e os novos servos do robô a aquecer.
e os novos servos do robô a aquecer.
02:38
(Laughs) Clearly, we were
not built for this.
not built for this.
50
146950
2441
Claramente, não estávamos
à espera daquilo,
à espera daquilo,
02:41
But something interesting happened,
something I didn't anticipate.
something I didn't anticipate.
51
149820
3233
mas aconteceu uma coisa,
algo que eu não previra.
algo que eu não previra.
02:45
See, D.O.U.G., in its primitive form,
wasn't tracking my line perfectly.
wasn't tracking my line perfectly.
52
153077
4802
A D.O.U.G., na sua forma primitiva,
não estava a traçar
a minha linha perfeitamente.
a minha linha perfeitamente.
02:49
While in the simulation
that happened onscreen
that happened onscreen
53
157903
2333
Enquanto, na simulação
que ocorria no ecrã,
que ocorria no ecrã,
02:52
it was pixel-perfect,
54
160260
1357
estava perfeita em pixels,
02:53
in physical reality,
it was a different story.
it was a different story.
55
161641
2531
na realidade física,
era uma outra história.
era uma outra história.
02:56
It would slip and slide
and punctuate and falter,
and punctuate and falter,
56
164196
2817
Escorregava e deslizava
e pontuava e vacilava,
e pontuava e vacilava,
02:59
and I would be forced to respond.
57
167037
2068
e eu era obrigada a reagir.
03:01
There was nothing pristine about it.
58
169525
1778
Não havia nada de novo nisso.
03:03
And yet, somehow, the mistakes
made the work more interesting.
made the work more interesting.
59
171327
3238
Mas. de certa forma, os erros
tornavam o trabalho mais interessante.
tornavam o trabalho mais interessante.
03:06
The machine was interpreting
my line but not perfectly.
my line but not perfectly.
60
174589
2754
A máquina interpretava a minha linha,
mas não perfeitamente.
mas não perfeitamente.
03:09
And I was forced to respond.
61
177367
1372
E eu era obrigada a responder.
03:10
We were adapting
to each other in real time.
to each other in real time.
62
178763
2709
Estávamos a adaptar-nos
uma à outra em tempo real.
uma à outra em tempo real.
03:13
And seeing this taught me a few things.
63
181496
1937
Ver aquilo ensinou-me algumas coisas.
03:15
It showed me that our mistakes
actually made the work more interesting.
actually made the work more interesting.
64
183457
4880
Mostrou-me que os nossos erros
tornavam o trabalho mais interessante.
tornavam o trabalho mais interessante.
03:20
And I realized that, you know,
through the imperfection of the machine,
through the imperfection of the machine,
65
188663
4249
Eu percebi que, através
da imperfeição da máquina,
da imperfeição da máquina,
03:24
our imperfections became
what was beautiful about the interaction.
what was beautiful about the interaction.
66
192936
3705
as nossas imperfeições tornaram-se
no que era bonito quanto à interação.
no que era bonito quanto à interação.
03:29
And I was excited,
because it led me to the realization
because it led me to the realization
67
197650
3087
Eu estava animada,
porque levou-me à compreensão
porque levou-me à compreensão
de que talvez parte da beleza
do sistema seres humanos e máquinas
do sistema seres humanos e máquinas
03:32
that maybe part of the beauty
of human and machine systems
of human and machine systems
68
200761
3650
03:36
is their shared inherent fallibility.
69
204435
2738
é a sua herança de possibilidade
partilhada de falhas.
partilhada de falhas.
03:39
For the second generation of D.O.U.G.,
70
207197
1820
Para a segunda geração da D.O.U.G.,
03:41
I knew I wanted to explore this idea.
71
209041
2307
eu sabia que queria explorar esta ideia.
03:43
But instead of an accident produced
by pushing a robotic arm to its limits,
by pushing a robotic arm to its limits,
72
211372
4418
Mas, em vez de um acidente produzido,
a empurrar um braço
robótico até ao limite,
robótico até ao limite,
03:47
I wanted to design a system
that would respond to my drawings
that would respond to my drawings
73
215814
2897
eu queria desenhar um sistema
que reagisse aos meus desenhos
que reagisse aos meus desenhos
03:50
in ways that I didn't expect.
74
218735
1833
de uma forma que eu não esperasse.
03:52
So, I used a visual algorithm
to extract visual information
to extract visual information
75
220592
3849
Então, eu usei um algoritmo visual
para extrair informações visuais
para extrair informações visuais
03:56
from decades of my digital
and analog drawings.
and analog drawings.
76
224465
2978
de décadas dos meus desenhos
digitais e analógicos.
digitais e analógicos.
03:59
I trained a neural net on these drawings
77
227467
2055
Eu treinei uma rede neural nestes desenhos
04:01
in order to generate
recurring patterns in the work
recurring patterns in the work
78
229546
2865
para gerar padrões recorrentes no trabalho
que voltaram a ser introduzidos na máquina
por um "software" personalizado.
por um "software" personalizado.
04:04
that were then fed through custom software
back into the machine.
back into the machine.
79
232435
3476
04:07
I painstakingly collected
as many of my drawings as I could find --
as many of my drawings as I could find --
80
235935
4386
Reuni cuidadosamente o maior
número de desenhos que encontrei
número de desenhos que encontrei
04:12
finished works, unfinished experiments
and random sketches --
and random sketches --
81
240345
4215
— trabalhos concluídos, experiências
inacabadas e esboços aleatórios —
inacabadas e esboços aleatórios —
04:16
and tagged them for the AI system.
82
244584
1999
e marquei-os para o sistema de IA.
04:18
And since I'm an artist,
I've been making work for over 20 years.
I've been making work for over 20 years.
83
246607
3684
Como sou artista,
trabalho há mais de 20 anos.
trabalho há mais de 20 anos.
04:22
Collecting that many drawings took months,
84
250315
2024
A reunião daqueles desenhos levou meses,
04:24
it was a whole thing.
85
252363
1389
deu um trabalhão.
04:25
And here's the thing
about training AI systems:
about training AI systems:
86
253776
2595
É o que se passa no treino
de sistemas da IA:
de sistemas da IA:
04:28
it's actually a lot of hard work.
87
256395
2200
é uma coisa muito trabalhosa.
04:31
A lot of work goes on behind the scenes.
88
259022
2191
Há muito trabalho nos bastidores.
Mas, ao fazer este trabalho,
fiquei a perceber um pouco melhor
fiquei a perceber um pouco melhor
04:33
But in doing the work,
I realized a little bit more
I realized a little bit more
89
261237
2681
04:35
about how the architecture
of an AI is constructed.
of an AI is constructed.
90
263942
3421
como é construída a arquitetura da IA.
04:39
And I realized it's not just made
of models and classifiers
of models and classifiers
91
267387
2947
Percebi que não é apenas feita
de modelos e classificadores
de modelos e classificadores
04:42
for the neural network.
92
270358
1322
para a rede neural.
04:43
But it's a fundamentally
malleable and shapable system,
malleable and shapable system,
93
271704
3532
Mas é fundamental um sistema
maleável e modelável,
maleável e modelável,
04:47
one in which the human hand
is always present.
is always present.
94
275260
3111
em que a mão humana
está sempre presente.
está sempre presente.
04:50
It's far from the omnipotent AI
we've been told to believe in.
we've been told to believe in.
95
278395
4000
Está longe da IA omnipotente
que nos disseram para acreditar.
que nos disseram para acreditar.
04:54
So I collected these drawings
for the neural net.
for the neural net.
96
282419
2515
Então, reuni estes desenhos
para a rede neural.
para a rede neural.
04:56
And we realized something
that wasn't previously possible.
that wasn't previously possible.
97
284958
3929
E percebemos algo que,
anteriormente não era possível.
anteriormente não era possível.
05:00
My robot D.O.U.G. became
a real-time interactive reflection
a real-time interactive reflection
98
288911
4091
O meu robô D.O.U.G. tornou-se
uma reflexão interativa em tempo real
uma reflexão interativa em tempo real
05:05
of the work I'd done
through the course of my life.
through the course of my life.
99
293026
2627
do trabalho que eu tinha feito
durante toda a minha vida.
durante toda a minha vida.
05:07
The data was personal,
but the results were powerful.
but the results were powerful.
100
295677
3865
Os dados eram pessoais,
mas os resultados foram poderosos.
mas os resultados foram poderosos.
05:11
And I got really excited,
101
299566
1484
Eu estava realmente animada,
05:13
because I started thinking maybe
machines don't need to be just tools,
machines don't need to be just tools,
102
301074
4582
porque comecei a pensar que as máquinas
talvez não fossem apenas ferramentas,
talvez não fossem apenas ferramentas,
05:17
but they can function
as nonhuman collaborators.
as nonhuman collaborators.
103
305680
3420
mas pudessem funcionar
como colaboradoras não humanas.
como colaboradoras não humanas.
05:21
And even more than that,
104
309537
1547
E até mais que isso.
05:23
I thought maybe
the future of human creativity
the future of human creativity
105
311108
2429
Eu penso que o futuro
da criatividade humana
da criatividade humana
05:25
isn't in what it makes
106
313561
1524
talvez não seja o que ele faz
05:27
but how it comes together
to explore new ways of making.
to explore new ways of making.
107
315109
3436
mas como vamos explorar
novas maneiras de fazer.
novas maneiras de fazer.
05:31
So if D.O.U.G._1 was the muscle,
108
319101
2190
Então se a D.O.U.G.:01 foi o músculo,
05:33
and D.O.U.G._2 was the brain,
109
321315
1762
e D.O.U.G.:02 foi o cérebro,
05:35
then I like to think
of D.O.U.G._3 as the family.
of D.O.U.G._3 as the family.
110
323101
2928
então eu gosto de pensar
na D.O.U.G.:03 como a família.
na D.O.U.G.:03 como a família.
05:38
I knew I wanted to explore this idea
of human-nonhuman collaboration at scale.
of human-nonhuman collaboration at scale.
111
326482
4793
Eu queria explorar
esta ideia de colaboração
esta ideia de colaboração
de colaboração
humano-não-humana à escala.
humano-não-humana à escala.
05:43
So over the past few months,
112
331299
1373
Assim, nos últimos meses,
a minha equipa e eu
a minha equipa e eu
05:44
I worked with my team
to develop 20 custom robots
to develop 20 custom robots
113
332696
3135
trabalhámos para desenvolver
20 robôs personalizados
20 robôs personalizados
05:47
that could work with me as a collective.
114
335855
1960
que trabalhariam comigo
como um coletivo.
como um coletivo.
05:49
They would work as a group,
115
337839
1293
Trabalhariam como um grupo
05:51
and together, we would collaborate
with all of New York City.
with all of New York City.
116
339156
2889
e juntos, podíamos colaborar
com a cidade de Nova Iorque.
com a cidade de Nova Iorque.
05:54
I was really inspired
by Stanford researcher Fei-Fei Li,
by Stanford researcher Fei-Fei Li,
117
342069
2944
Eu fui inspirada por Fei-Fei Li,
o investigador de Stanford, que disse:
o investigador de Stanford, que disse:
05:57
who said, "if we want to teach
machines how to think,
machines how to think,
118
345037
2515
"Se quisermos ensinar
as máquinas a pensar,
as máquinas a pensar,
05:59
we need to first teach them how to see."
119
347576
1984
"primeiro, temos de ensiná-las a ver."
06:01
It made me think of the past decade
of my life in New York,
of my life in New York,
120
349584
2785
Isto fez-me pensar nas últimas décadas
da minha vida em Nova Iorque,
da minha vida em Nova Iorque,
06:04
and how I'd been all watched over by these
surveillance cameras around the city.
surveillance cameras around the city.
121
352393
3993
e como eu tinha sido vigiada
pelas câmaras de vigilância da cidade.
pelas câmaras de vigilância da cidade.
06:08
And I thought it would be
really interesting
really interesting
122
356410
2056
Pensei que seria interessante
se pudesse usá-las para ensinar
os meus robôs a verem.
os meus robôs a verem.
06:10
if I could use them
to teach my robots to see.
to teach my robots to see.
123
358490
2405
06:12
So with this project,
124
360919
1888
Então com este projeto,
06:14
I thought about the gaze of the machine,
125
362831
1967
eu pensei no olhar da máquina,
06:16
and I began to think about vision
as multidimensional,
as multidimensional,
126
364822
3226
e tornei a pensar na visão
multidimensional,
multidimensional,
06:20
as views from somewhere.
127
368072
1600
como vistas de algum lugar.
06:22
We collected video
128
370151
1834
Recolhemos vídeos
06:24
from publicly available
camera feeds on the internet
camera feeds on the internet
129
372009
3063
de imagens na Internet
de câmaras disponíveis publicamente
de câmaras disponíveis publicamente
06:27
of people walking on the sidewalks,
130
375096
1690
pessoas a caminhar nos passeios,
06:28
cars and taxis on the road,
131
376810
1712
de carros e táxis na rua,
06:30
all kinds of urban movement.
132
378546
1817
todo o tipo de movimento urbano.
06:33
We trained a vision algorithm
on those feeds
on those feeds
133
381188
2603
Treinámos um algoritmo de visão
com aquelas imagens
com aquelas imagens
baseando-nos numa técnica
chamada "fluxo ótico",
chamada "fluxo ótico",
06:35
based on a technique
called "optical flow,"
called "optical flow,"
134
383815
2286
06:38
to analyze the collective density,
135
386125
1977
para analisar a densidade coletiva,
06:40
direction, dwell and velocity states
of urban movement.
of urban movement.
136
388126
3637
a direção, a paragem,
a velocidade do movimento urbano.
a velocidade do movimento urbano.
06:44
Our system extracted those states
from the feeds as positional data
from the feeds as positional data
137
392178
4269
O nosso sistema extraiu essas situações
das imagens, como dados posicionais
das imagens, como dados posicionais
06:48
and became pads for my
robotic units to draw on.
robotic units to draw on.
138
396471
3373
e tornaram-se almofadas
para uso das minhas unidades robóticas.
para uso das minhas unidades robóticas.
06:51
Instead of a collaboration of one-to-one,
139
399868
2534
Em vez da colaboração um-a-um,
06:54
we made a collaboration of many-to-many.
140
402426
3024
fizemos uma colaboração
de muitos-para-muitos.
de muitos-para-muitos.
06:57
By combining the vision of human
and machine in the city,
and machine in the city,
141
405474
3587
Combinando a visão do ser humano
com a da máquina na cidade,
com a da máquina na cidade,
07:01
we reimagined what
a landscape painting could be.
a landscape painting could be.
142
409085
2794
reinventámos o que podia ser
uma pintura de paisagem.
uma pintura de paisagem.
07:03
Throughout all of my
experiments with D.O.U.G.,
experiments with D.O.U.G.,
143
411903
2218
Durante toda a minha
experiência com a D.O.U.G.,
experiência com a D.O.U.G.,
07:06
no two performances
have ever been the same.
have ever been the same.
144
414145
2717
nunca os dois desempenhos foram iguais.
07:08
And through collaboration,
145
416886
1382
E através de colaboração,
07:10
we create something that neither of us
could have done alone:
could have done alone:
146
418292
2864
criámos algo que nenhum de nós
podia ter feito sozinho:
podia ter feito sozinho:
07:13
we explore the boundaries
of our creativity,
of our creativity,
147
421180
2611
Explorámos as fronteiras
da nossa criatividade,
da nossa criatividade,
07:15
human and nonhuman working in parallel.
148
423815
2892
humana e não-humana,
trabalhando em paralelo.
trabalhando em paralelo.
07:19
I think this is just the beginning.
149
427823
2334
Eu penso que isto
está apenas a começar.
está apenas a começar.
07:22
This year, I've launched Scilicet,
150
430569
2183
Este ano, lancei o Scilicet,
07:24
my new lab exploring human
and interhuman collaboration.
and interhuman collaboration.
151
432776
4245
o meu novo laboratório para explorar
a colaboração humana e inter-humana.
a colaboração humana e inter-humana.
07:29
We're really interested
in the feedback loop
in the feedback loop
152
437339
2120
Estamos muito interessados
no ciclo de "feedbacks"
no ciclo de "feedbacks"
07:31
between individual, artificial
and ecological systems.
and ecological systems.
153
439483
4230
entre os sistemas individuais,
ecológicos e artificiais.
ecológicos e artificiais.
Estamos a interligar a produção
do ser humano e da máquina
do ser humano e da máquina
07:36
We're connecting human and machine output
154
444276
2269
07:38
to biometrics and other kinds
of environmental data.
of environmental data.
155
446569
2984
para a biometria e outros tipos
de dados ambientais.
de dados ambientais.
07:41
We're inviting anyone who's interested
in the future of work, systems
in the future of work, systems
156
449577
4079
Estamos a convidar quem quer
que esteja interessado
que esteja interessado
no trabalho do futuro,
em sistemas e colaboração inter.humana,
07:45
and interhuman collaboration
157
453680
1595
07:47
to explore with us.
158
455299
1550
para explorar connosco.
07:48
We know it's not just technologists
that have to do this work
that have to do this work
159
456873
3405
Sabemos que não são apenas os tecnólogos
que têm de fazer este trabalho,
que têm de fazer este trabalho,
07:52
and that we all have a role to play.
160
460302
2103
todos nós temos um papel a desempenhar.
07:54
We believe that by teaching machines
161
462429
2243
Acreditamos que, ensinando as máquinas
07:56
how to do the work
traditionally done by humans,
traditionally done by humans,
162
464696
2730
a fazerem o trabalho tradicionalmente
feito por pessoas,
feito por pessoas,
07:59
we can explore and evolve our criteria
163
467450
2953
podemos explorar
e melhorar os nossos critérios
e melhorar os nossos critérios
08:02
of what's made possible by the human hand.
164
470427
2443
do que é possível fazer pela mão humana.
08:04
And part of that journey
is embracing the imperfections
is embracing the imperfections
165
472894
3493
Uma parte deste percurso
está em aceitar as imperfeições
está em aceitar as imperfeições
08:08
and recognizing the fallibility
of both human and machine,
of both human and machine,
166
476411
3690
e reconhecer a capacidade de falhar
tanto dos humanos como das máquinas,
tanto dos humanos como das máquinas,
08:12
in order to expand the potential of both.
167
480125
2405
a fim de expandir o potencial de ambos.
08:14
Today, I'm still in pursuit
of finding the beauty
of finding the beauty
168
482919
2301
Hoje, eu ainda estou
a procurar encontrar a beleza
a procurar encontrar a beleza
08:17
in human and nonhuman creativity.
169
485244
2276
na criatividade humana e não humana.
08:19
In the future, I have no idea
what that will look like,
what that will look like,
170
487865
2829
No futuro, eu não faço ideia
de como será isso,
de como será isso,
08:23
but I'm pretty curious to find out.
171
491627
2024
mas estou muito curiosa para saber.
08:25
Thank you.
172
493675
1151
Obrigada.
08:26
(Applause)
173
494850
1884
(Aplausos)
ABOUT THE SPEAKER
Sougwen Chung - Artist, researcherSougwen 愫君 Chung is an artist and researcher whose work explores the dynamics between humans and systems.
Why you should listen
Sougwen Chung's work explores the mark-made-by-hand and the mark-made-by-machine as an approach to understanding the dynamics of humans and systems. Chung is a former research fellow at MIT’s Media Lab and a pioneer in the field of human-machine collaboration. In 2019, she was selected as the Woman of the Year in Monaco for achievement in the Arts & Sciences.
In 2018 she was an inaugural E.A.T. Artist in Resident in partnership with New Museum and Bell Labs, and was awarded a commission for her project Omnia per Omnia. In 2016, Chung received Japan Media Art’s Excellence Award in for her project, Drawing Operations. She is a former research fellow at MIT’s Media Lab. She has been awarded Artist in Residence positions at Google, Eyebeam, Japan Media Arts and Pier 9 Autodesk. Her speculative critical practice spans performance, installation and drawings which have been featured in numerous exhibitions at museums and galleries around the world.
Sougwen Chung | Speaker | TED.com