TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
Daniel Susskind: 3 mitos sobre o futuro do trabalho (e porque não são verdade)
Filmed:
Readability: 4.5
1,519,249 views
"Será que as máquinas substituirão os seres humanos?" Esta pergunta está na mente de qualquer pessoa com um emprego a perder. Daniel Susskind confronta esta questão e três equívocos que temos acerca do nosso futuro automatizado, sugerindo que perguntemos algo diferente: "Como distribuiremos a riqueza num mundo onde haverá menos — ou mesmo nenhum — trabalho?
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
A ansiedade em relação à automatização
tem-se espalhado ultimamente.
tem-se espalhado ultimamente.
00:16
a fear that in the future,
1
4160
2656
Um medo de que, no futuro,
00:18
many jobs will be performed by machines
2
6840
2456
muitos empregos sejam
desempenhados por máquinas
desempenhados por máquinas
00:21
rather than human beings,
3
9320
1336
e não por seres humanos,
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
dados os notáveis avanços em curso
00:25
in artificial intelligence and robotics.
5
13640
2776
em inteligência artificial e robótica.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
É certo que haverá
mudanças significativas.
mudanças significativas.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
O que é menos claro
é como será essa mudança.
é como será essa mudança.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
A minha pesquisa sugere que o futuro
é preocupante e entusiasmante.
é preocupante e entusiasmante.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
O desemprego tecnológico
é uma ameaça real.
é uma ameaça real.
00:43
and yet it's a good problem to have.
10
31640
2056
Ainda assim é um bom problema.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
Para explicar como cheguei
a essa conclusão,
a essa conclusão,
00:48
I want to confront three myths
12
36960
2536
quero confrontar três mitos
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
que penso que estão a obscurecer
a nossa visão do futuro automatizado.
a nossa visão do futuro automatizado.
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
Uma imagem que vemos
nos nossos televisores,
nos nossos televisores,
00:59
in books, in films, in everyday commentary
15
47240
2216
em livros, filmes
e comentários do dia-a-dia
e comentários do dia-a-dia
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
é a de um exército de robôs
a chegar aos locais de trabalho
a chegar aos locais de trabalho
01:05
with one goal in mind:
17
53200
1376
com um objetivo em mente:
01:06
to displace human beings from their work.
18
54600
2496
retirar o trabalho aos seres humanos.
01:09
And I call this the Terminator myth.
19
57120
2696
A isto eu chamo o Mito do Exterminador.
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
Sim, as máquinas afastam
os humanos de determinadas tarefas,
os humanos de determinadas tarefas,
mas não se limitam
a substituir os seres humanos,
a substituir os seres humanos,
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
também os complementam
noutras tarefas,
noutras tarefas,
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
tornando o trabalho mais valioso
e mais importante.
e mais importante.
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
Por vezes, complementam
os seres humanos de forma direta,
os seres humanos de forma direta,
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
tornando-os mais produtivos
ou eficientes numa tarefa específica.
ou eficientes numa tarefa específica.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
Um motorista de táxi pode usar o GPS
para conduzir por estradas desconhecidas.
para conduzir por estradas desconhecidas.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
Um arquiteto pode usar
"software" de "design"
"software" de "design"
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
para projetar edifícios
maiores e mais complicados.
maiores e mais complicados.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
O progresso tecnológico não complementa
os seres humanos apenas de forma direta,
os seres humanos apenas de forma direta,
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
também os complementa indiretamente,
fazendo-o de duas maneiras.
fazendo-o de duas maneiras.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
Em primeiro, se pensarmos
na economia como uma tarte,
na economia como uma tarte,
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
o progresso tecnológico
torna a tarte maior.
torna a tarte maior.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
À medida que a produtividade aumenta,
o lucro sobe e a procura cresce.
o lucro sobe e a procura cresce.
01:59
The British pie, for instance,
34
107520
1776
A tarte britânica, por exemplo,
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
é mais de cem vezes maior
do que há 300 anos.
do que há 300 anos.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
As pessoas afastadas
de tarefas na antiga tarte
de tarefas na antiga tarte
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
encontraram tarefas na nova tarte.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
O progresso tecnológico
não só torna a tarte maior,
não só torna a tarte maior,
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
também muda os ingredientes da tarte.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
Com o passar do tempo, as pessoas gastam
o dinheiro de forma diferente,
o dinheiro de forma diferente,
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
mudando a forma como o dividem
entre os bens existentes
entre os bens existentes
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
e desenvolvendo gostos
por bens inteiramente novos.
por bens inteiramente novos.
02:29
New industries are created,
43
137200
1776
Criam-se novas indústrias.
02:31
new tasks have to be done
44
139000
1816
Aparecem novas tarefas.
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
Quer dizer que é preciso
preencher novas funções.
preencher novas funções.
02:35
So again, the British pie:
46
143400
1496
Voltando à tarte britânica,
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
há 300 anos, a maioria das pessoas
trabalhava em quintas.
trabalhava em quintas.
02:39
150 years ago, in factories,
48
147920
2336
Há 150 anos, em fábricas.
02:42
and today, most people work in offices.
49
150280
2856
Hoje, a maioria das pessoas
trabalha em escritórios.
trabalha em escritórios.
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
Novamente, as pessoas afastadas
de tarefas na velha tarte
de tarefas na velha tarte
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
encontraram tarefas na nova tarte.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
Os economistas designam estes efeitos
de complementaridades,
de complementaridades,
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
mas essa é apenas uma palavra cara
para entender o modo diferente
para entender o modo diferente
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
pelo qual o progresso tecnológico
ajuda os seres humanos.
ajuda os seres humanos.
03:02
Resolving this Terminator myth
55
170520
2096
Resolver o Mito do Exterminador
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
mostra-nos que há duas forças em jogo.
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
A primeira, a substituição por máquinas
que prejudica os trabalhadores,
que prejudica os trabalhadores,
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
mas também estas complementaridades
que fazem o oposto.
que fazem o oposto.
03:13
Now the second myth,
59
181960
1376
Agora, o segundo mito,
03:15
what I call the intelligence myth.
60
183360
2280
a que eu chamo Mito da Inteligência.
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
O que é que há de comum
entre conduzir um carro,
entre conduzir um carro,
fazer um diagnóstico médico
e identificar um pássaro de imediato?
e identificar um pássaro de imediato?
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
Bem, todas são tarefas
que, até há muito pouco tempo,
que, até há muito pouco tempo,
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
os economistas de topo pensavam
que não podiam ser automatizadas.
que não podiam ser automatizadas.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
Porém, hoje, todas estas tarefas
podem ser automatizadas.
podem ser automatizadas.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
Todos os maiores produtores de carros
têm programas de condução autónoma.
têm programas de condução autónoma.
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
Há incontáveis sistemas que conseguem
diagnosticar problemas médicos.
diagnosticar problemas médicos.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
Até há uma aplicação
que identifica um pássaro
que identifica um pássaro
03:46
at a fleeting glimpse.
69
214800
1200
de forma imediata.
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
Isto não foi simplesmente um caso
de má sorte dos economistas.
de má sorte dos economistas.
03:53
They were wrong,
71
221320
1296
Eles estavam errados
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
e a razão para isso é muito importante.
03:57
They've fallen for the intelligence myth,
73
225160
2256
Eles foram enganados
pelo Mito da Inteligência,
pelo Mito da Inteligência,
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
a crença de que as máquinas
têm de copiar a maneira
têm de copiar a maneira
04:02
that human beings think and reason
75
230360
2056
como os seres humanos pensam e raciocinam
04:04
in order to outperform them.
76
232440
1776
de forma a superá-los.
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
Quando estes economistas
tentavam descobrir
tentavam descobrir
o que as máquinas não podiam fazer,
04:08
what tasks machines could not do,
78
236480
1856
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
pensaram que o modo
de automatizar uma tarefa
de automatizar uma tarefa
04:12
was to sit down with a human being,
80
240520
1816
era sentar-se com um ser humano,
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
saber como ele desempenha a tarefa
04:17
and then try and capture that explanation
82
245920
2656
e tentar entender essa explicação
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
numa série de instruções
para a máquina seguir.
para a máquina seguir.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
Esta visão foi a certa altura popular
na inteligência artificial.
na inteligência artificial.
04:27
I know this because Richard Susskind,
85
255600
2176
Sei disto porque Richard Susskind,
04:29
who is my dad and my coauthor,
86
257800
2856
que é meu pai e meu coautor,
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
escreveu a sua tese na década de 1980
sobre inteligência artificial e a lei,
sobre inteligência artificial e a lei,
na universidade de Oxford.
04:36
at Oxford University,
88
264760
1416
04:38
and he was part of the vanguard.
89
266200
1576
Ele fez parte da vanguarda.
04:39
And with a professor called Phillip Capper
90
267800
2256
Com um professor chamado Phillip Capper
04:42
and a legal publisher called Butterworths,
91
270080
2096
e um editor legal chamado Butterworths,
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
produziram o primeiro sistema
de inteligência artificial na lei,
de inteligência artificial na lei,
disponível de forma comercial no mundo.
04:50
artificial intelligence system in the law.
93
278120
2776
04:52
This was the home screen design.
94
280920
2616
Este era o "design" do ecrã inicial.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
Ele garante-me que era
um "design" fixe para a altura.
um "design" fixe para a altura.
04:58
(Laughter)
96
286280
1016
(Risos)
04:59
I've never been entirely convinced.
97
287320
1696
Nunca fiquei totalmente convencido.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
Ele publicou-o na forma de duas disquetes,
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
numa altura em que as disquetes
ainda eram realmente achatadas.
ainda eram realmente achatadas.
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
A abordagem dele era a mesma
da dos economistas.
da dos economistas.
05:09
sit down with a lawyer,
101
297600
1256
Falar com uma advogada,
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
saber como ela resolvia um problema legal
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
e tentar entender a explicação numa
série de regras para uma máquina seguir.
série de regras para uma máquina seguir.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
Na economia, se os seres humanos
conseguissem explicar-se desta maneira,
conseguissem explicar-se desta maneira,
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
as tarefas seriam chamadas rotinas
e poderiam ser automatizadas.
e poderiam ser automatizadas.
Se os seres humanos não podem
explicar-se a si mesmos,
explicar-se a si mesmos,
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
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
as tarefas não são rotinas
e pensa-se estarem fora de alcance.
e pensa-se estarem fora de alcance.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
Hoje, a distinção entre o que é
e não é rotina é amplamente difundida.
e não é rotina é amplamente difundida.
05:36
Think how often you hear people say to you
109
324400
2056
Pensem em quanto ouvem
as pessoas dizer-vos
as pessoas dizer-vos
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
que as máquinas só podem executar tarefas
previsíveis ou repetitivas,
previsíveis ou repetitivas,
05:41
rules-based or well-defined.
111
329760
1896
baseadas em regras ou bem definidas.
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
Todas essas são apenas
diferentes palavras para rotina.
diferentes palavras para rotina.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
Voltemos aos três casos
que mencionei no início.
que mencionei no início.
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
Todos são casos de tarefas não rotineiras.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
Perguntem a uma doutora como
ela faz um diagnóstico médico.
ela faz um diagnóstico médico.
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
Ela poderá ser capaz de dar-vos
algumas regras básicas,
algumas regras básicas,
05:59
but ultimately she'd struggle.
117
347240
1656
mas, no fundo, terá dificuldades.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
Ela diria que requer
criatividade, critério e intuição.
criatividade, critério e intuição.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
Estas são coisas
muito difíceis de articular.
muito difíceis de articular.
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
Então pensava-se que seriam
muito difíceis de automatizar.
muito difíceis de automatizar.
06:11
If a human being can't explain themselves,
121
359280
2536
Se um ser humano não consegue
explicar-se a si mesmo,
explicar-se a si mesmo,
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
por onde começaremos
a escrever uma série de instruções
a escrever uma série de instruções
06:16
for a machine to follow?
123
364760
1200
para uma máquina seguir?
06:18
Thirty years ago, this view was right,
124
366640
2576
Há 30 anos, esta visão estava certa,
06:21
but today it's looking shaky,
125
369240
2136
mas hoje parece instável
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
e no futuro estará simplesmente errada.
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
Avanços no processamento de energia,
no armazenamento de dados
no armazenamento de dados
06:28
and in algorithm design
128
376960
1656
e no "design" de algoritmos
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
mostram que a distinção
entre o que é ou não é rotina
entre o que é ou não é rotina
06:33
is diminishingly useful.
130
381160
1736
é cada vez menos útil.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
Como prova, voltemos
ao caso do diagnóstico médico.
ao caso do diagnóstico médico.
06:38
Earlier in the year,
132
386200
1376
Este ano, uma equipa
de investigadores de Stanford
de investigadores de Stanford
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
anunciou que desenvolveu um sistema
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
que pode dizer
se um sinal é ou não é cancerígeno
se um sinal é ou não é cancerígeno
06:46
as accurately as leading dermatologists.
135
394000
2680
de forma tão exata como
os melhores dermatologistas.
os melhores dermatologistas.
06:49
How does it work?
136
397280
1256
Como funciona?
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
Não tenta copiar o critério
ou intuição de um médico.
ou intuição de um médico.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
Não sabe e não entende
nada sobre medicina.
nada sobre medicina.
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
Em vez disso, opera
um algoritmo de reconhecimento
um algoritmo de reconhecimento
07:01
through 129,450 past cases,
140
409640
4656
através de 129 450 casos anteriores
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
que recolhe semelhanças entre os casos
07:09
and the particular lesion in question.
142
417440
2080
e a lesão específica em questão.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
Executa estas tarefas de forma não humana
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
com base na análise de mais casos
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
do que qualquer doutor
poderia analisar na sua vida.
poderia analisar na sua vida.
07:20
It didn't matter that that human being,
146
428320
1896
Não interessou que aquele ser humano,
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
aquela doutora, não pudesse explicar
como executa a tarefa.
como executa a tarefa.
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
Há aqueles que insistem
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
que as máquinas não são
criadas à nossa imagem.
criadas à nossa imagem.
07:30
As an example, take IBM's Watson,
150
438320
2056
Tomemos como exemplo o Watson da IBM,
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
o supercomputador que foi
ao concurso americano "Jeopardy!" em 2011
ao concurso americano "Jeopardy!" em 2011
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
e derrotou os dois campeões humanos.
07:40
The day after it won,
153
448320
1696
No dia seguinte à vitória,
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
o The Wall Street Journal publicou
um artigo do filósofo John Searle
um artigo do filósofo John Searle
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
com o título "O Watson não sabe
que ganhou o "Jeopardy!"
que ganhou o "Jeopardy!"
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
É brilhante e é verdade.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
O Watson não chorou de entusiasmo.
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
Não telefonou aos pais para dizer
o bom trabalho que tinha feito.
o bom trabalho que tinha feito.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
Não foi ao bar para uma bebida.
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
Este sistema não estava a tentar copiar
o modo como os concorrentes humanos jogam,
o modo como os concorrentes humanos jogam,
08:03
but it didn't matter.
161
471200
1256
mas isso não interessou.
08:04
It still outperformed them.
162
472480
1976
Superou-os.
08:06
Resolving the intelligence myth
163
474480
1576
Resolver o mito da inteligência
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
mostra que o entendimento limitado
sobre a inteligência humana,
sobre a inteligência humana,
08:11
about how we think and reason,
165
479480
1896
sobre como pensamos e raciocinamos,
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
é uma restrição muito menor
para a automatização do que no passado.
para a automatização do que no passado.
08:16
What's more, as we've seen,
167
484880
1496
Mais ainda, como vimos,
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
quando as máquinas executam tarefas
de forma diferente da dos humanos,
de forma diferente da dos humanos,
08:21
there's no reason to think
169
489840
1256
não há razão para pensar
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
que o que os humanos são
atualmente capazes de fazer
atualmente capazes de fazer
08:25
represents any sort of summit
171
493680
1456
representa qualquer auge
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
do que estas máquinas
serão capazes de fazer no futuro.
serão capazes de fazer no futuro.
08:31
Now the third myth,
173
499040
1256
Agora o terceiro mito,
08:32
what I call the superiority myth.
174
500320
2456
a que eu chamo Mito da Superioridade.
08:34
It's often said that those who forget
175
502800
2216
Diz-se frequentemente
que aqueles que esquecem
que aqueles que esquecem
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
o lado útil do progresso tecnológico,
08:39
those complementarities from before,
177
507520
2496
as complementaridades
de que falámos antes,
de que falámos antes,
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
estão a cometer algo chamado
falácia da massa fixa de trabalho.
falácia da massa fixa de trabalho.
O problema é que
a falácia da massa fixa de trabalho
a falácia da massa fixa de trabalho
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
é em si mesma uma falácia
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
e eu chamo a isto a falácia
da falácia da massa fixa de trabalho,
da falácia da massa fixa de trabalho,
08:52
or LOLFF, for short.
182
520640
2320
ou FFMFT, para abreviar.
08:56
Let me explain.
183
524000
1416
Permitam-me explicar.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
Esta falácia é uma ideia muito antiga.
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
Foi o economista britânico David Schloss
que lhe deu este nome em 1892.
que lhe deu este nome em 1892.
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
Ele ficou intrigado ao encontrar
um trabalhador na doca
um trabalhador na doca
que começara a usar
uma máquina para fazer anilhas,
uma máquina para fazer anilhas,
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
os pequenos discos de metal
que fixam as pontas dos parafusos.
que fixam as pontas dos parafusos.
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
Este trabalhador da doca
sentia-se culpado por ser mais produtivo.
sentia-se culpado por ser mais produtivo.
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
Hoje, por norma, esperamos que as pessoas
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
sintam culpa por serem improdutivas,
por passarem tempo a mais
no Facebook ou no Twitter, no trabalho.
no Facebook ou no Twitter, no trabalho.
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
Este homem sentia-se culpado
por ser mais produtivo.
por ser mais produtivo.
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
Quanto à razão, disse:
"Sei que estou a errar."
"Sei que estou a errar."
09:29
I'm taking away the work of another man."
195
557920
2040
"Estou a tirar o trabalho a outro homem."
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
Na mente dele, havia
uma massa fixa de trabalho
uma massa fixa de trabalho
09:35
to be divided up between him and his pals,
197
563760
2136
para ser dividido entre ele e os colegas.
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
Se ele usasse a máquina para fazer mais,
09:40
there'd be less left for his pals to do.
199
568000
2016
haveria menos para os colegas fazerem.
09:42
Schloss saw the mistake.
200
570040
1856
Schloss viu o erro.
09:43
The lump of work wasn't fixed.
201
571920
1856
A massa fixa de trabalho não era fixa.
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
Quando este trabalhador
se tornava mais produtivo,
se tornava mais produtivo,
o preço das anilhas diminuiria,
a procura por elas aumentaria,
a procura por elas aumentaria,
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
e seria preciso fazer mais anilhas.
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
Haveria mais trabalho para os colegas.
A massa fixa de trabalho aumentaria.
09:55
The lump of work would get bigger.
206
583480
1696
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
Schloss chamou-lhe
"falácia da massa fixa de trabalho".
"falácia da massa fixa de trabalho".
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
Hoje ouvimos pessoas a falar
da falácia da massa fixa de trabalho
da falácia da massa fixa de trabalho
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
para pensar no futuro
de todos os tipos de trabalho.
de todos os tipos de trabalho.
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
Não há uma massa fixa de trabalho
para ser dividida
para ser dividida
10:08
between people and machines.
211
596440
1376
entre pessoas e máquinas.
Sim, as máquinas substituem
os seres humanos
os seres humanos
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
e diminuem a massa fixa
original de trabalho,
original de trabalho,
10:14
but they also complement human beings,
213
602520
1856
mas também complementam
os seres humanos
os seres humanos
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
e a massa fixa de trabalho aumenta e muda.
10:19
But LOLFF.
215
607760
1616
Mas há a FFMPT.
10:21
Here's the mistake:
216
609400
1376
O erro está aqui:
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
é correto pensar
que o progresso tecnológico
que o progresso tecnológico
10:25
makes the lump of work to be done bigger.
218
613040
1976
aumenta a massa fixa de trabalho.
Algumas tarefas aumentam de valor.
É preciso fazer novas tarefas.
É preciso fazer novas tarefas.
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
Mas é errado pensar que os seres humanos
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
estão necessariamente em melhor posição
para executar essas tarefas.
para executar essas tarefas.
10:35
And this is the superiority myth.
222
623920
1616
Este é o mito da superioridade.
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
Sim, a massa fixa de trabalho
talvez aumente e mude,
talvez aumente e mude,
10:41
but as machines become more capable,
224
629000
1976
mas as máquinas tornam-se mais aptas.
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
É provável que elas mesmas executem
o pedaço adicional de trabalho.
o pedaço adicional de trabalho.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
O progresso tecnológico, em vez de
complementar os seres humanos,
complementar os seres humanos,
10:50
complements machines instead.
227
638200
1880
complementa as máquinas.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
Como exemplo, voltemos
à tarefa de conduzir um carro.
à tarefa de conduzir um carro.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
Hoje, os sistemas de navegação por satélite
complementam diretamente os seres humanos.
complementam diretamente os seres humanos.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
Tornam alguns condutores melhores.
11:02
But in the future,
231
650920
1256
Mas no futuro,
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
o "software" afastará os seres humanos
do assento do condutor
do assento do condutor
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
e estes sistemas, em vez de
complementarem os seres humanos,
complementarem os seres humanos,
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
apenas tornarão
os carros autónomos mais eficientes,
os carros autónomos mais eficientes,
11:12
helping the machines instead.
235
660840
1536
ajudando as máquinas.
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
Pensem nas complementaridades indiretas
que também mencionei.
que também mencionei.
11:18
The economic pie may get larger,
237
666480
1776
A tarte económica poderá aumentar,
11:20
but as machines become more capable,
238
668280
1736
mas com máquinas mais aptas
é possível que a nova procura
seja de produtos
seja de produtos
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
que as máquinas, e não os seres humanos,
estejam em melhor posição de produzir.
estejam em melhor posição de produzir.
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
11:27
The economic pie may change,
241
675880
1896
A tarte económica pode mudar,
11:29
but as machines become more capable,
242
677800
1896
mas com a crescente aptidão das máquinas,
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
é possível que elas sejam melhores
a executar as novas tarefas necessárias.
a executar as novas tarefas necessárias.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
Resumindo, a procura de tarefas
não é a procura de trabalho humano.
não é a procura de trabalho humano.
11:40
Human beings only stand to benefit
245
688320
1936
Os seres humanos apenas beneficiarão
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
se mantiverem a dianteira
em todas estas tarefas complementadas.
em todas estas tarefas complementadas.
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
Mas ao passo que as máquinas se tornam
mais aptas, isso é menos provável.
mais aptas, isso é menos provável.
11:50
So what do these three myths tell us then?
248
698760
2016
Então, o que nos dizem estes três mitos?
11:52
Well, resolving the Terminator myth
249
700800
1696
Resolver o mito do Exterminador
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
mostra-nos que o futuro do trabalho
depende do equilíbrio entre duas forças.
depende do equilíbrio entre duas forças.
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
A substituição por máquinas
que prejudica os trabalhadores
que prejudica os trabalhadores
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
mas também as complementaridades
que fazem o oposto.
que fazem o oposto.
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
Até agora, esse equilíbrio tem
beneficiado os seres humanos.
beneficiado os seres humanos.
12:09
But resolving the intelligence myth
254
717120
1736
Mas resolver o mito da inteligência
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
mostra que a primeira força,
a substituição,
a substituição,
12:13
is gathering strength.
256
721400
1296
está a ganhar poder.
12:14
Machines, of course, can't do everything,
257
722720
1976
As máquinas, claro, não podem fazer tudo,
12:16
but they can do far more,
258
724720
1256
mas podem fazer mais,
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
invadindo mais a fundo o domínio
das tarefas executadas pelos seres humanos.
das tarefas executadas pelos seres humanos.
12:22
What's more, there's no reason to think
260
730600
1896
Mais ainda, não há razão para pensar
que o que os humanos
conseguem atualmente fazer
conseguem atualmente fazer
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
12:26
represents any sort of finishing line,
262
734760
1856
representa qualquer tipo de meta final
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
na qual as máquinas
marcarão um final educado
marcarão um final educado
12:30
once they're as capable as us.
264
738920
1816
uma vez que sejam tão aptas como nós.
12:32
Now, none of this matters
265
740760
1536
Nada disto importa
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
desde que os ventos úteis
da complementaridade
da complementaridade
12:37
blow firmly enough,
267
745160
1736
soprem suficientemente firmes.
12:38
but resolving the superiority myth
268
746920
1936
Mas resolver o mito da superioridade
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
mostra-nos que o processo
de invasão de tarefas
de invasão de tarefas
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
não apenas reforça o poder
da substituição por máquinas
da substituição por máquinas
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
como também enfraquece
as complementaridades úteis.
as complementaridades úteis.
12:51
Bring these three myths together
272
759320
1936
Juntemos estes três mitos
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
e penso que podemos captar
uma visão do futuro preocupante.
uma visão do futuro preocupante.
12:56
Machines continue to become more capable,
274
764240
2016
As máquinas continuam a ficar mais aptas,
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
invadindo mais a fundo o domínio
de tarefas executadas pelos seres humanos,
de tarefas executadas pelos seres humanos,
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
reforçando o poder
da substituição por máquinas,
da substituição por máquinas,
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
enfraquecendo a força
da complementaridade das máquinas.
da complementaridade das máquinas.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
A certo ponto, esse equilíbrio
favorece as máquinas
favorece as máquinas
13:12
rather than human beings.
279
780520
2056
em vez de os seres humanos.
13:14
This is the path we're currently on.
280
782600
1736
Este é o caminho em que estamos.
Eu digo "caminho" de propósito,
pois penso que ainda não estamos lá,
pois penso que ainda não estamos lá,
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
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
mas é difícil evitar a conclusão
de que esta é a nossa direção de viagem.
de que esta é a nossa direção de viagem.
13:24
That's the troubling part.
283
792640
1456
Essa é a parte preocupante.
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
Deixem-me dizer agora por que penso
que este é um bom problema.
que este é um bom problema.
Na maior parte da história humana,
tem havido um problema económico dominante:
tem havido um problema económico dominante:
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
como fazer a tarte económica
bastante grande para todos viverem.
bastante grande para todos viverem.
Voltemos à viragem
do primeiro século da nossa era.
do primeiro século da nossa era.
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
13:40
and if you took the global economic pie
288
808360
2096
Se dividíssemos a tarte económica global
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
em partes iguais para
todas as pessoas no mundo,
todas as pessoas no mundo,
13:45
everyone would get a few hundred dollars.
290
813800
2136
todos teriam algumas centenas de dólares.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
Quase todas as pessoas
viviam na pobreza ou perto dela.
viviam na pobreza ou perto dela.
13:51
And if you roll forward a thousand years,
292
819320
2176
Se avançarmos mil anos
13:53
roughly the same is true.
293
821520
1240
o mesmo é verdade.
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
Mas nos últimos séculos,
o crescimento económico disparou.
o crescimento económico disparou.
13:59
Those economic pies have exploded in size.
295
827280
2376
As tartes económicas
explodiram em tamanho.
explodiram em tamanho.
14:01
Global GDP per head,
296
829680
2056
O PIB por cabeça global,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
o valor das fatias individuais
da tarte hoje,
da tarte hoje,
14:07
they're about 10,150 dollars.
298
835160
2816
é cerca de 10 150 dólares.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
Se o crescimento
continuar a 2%, os nossos filhos
continuar a 2%, os nossos filhos
14:12
our children will be twice as rich as us.
300
840720
2056
serão duas vezes mais ricos do que nós.
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
Se isso continuar a um mais modesto 1%,
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
os nossos netos serão
duas vezes mais ricos do que nós.
duas vezes mais ricos do que nós.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
De modo geral, resolvemos
o problema económico tradicional.
o problema económico tradicional.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
Agora, o desemprego tecnológico,
se realmente ocorrer,
se realmente ocorrer,
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
será de um modo estranho
um sintoma de sucesso.
um sintoma de sucesso.
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
Terá resolvido um problema
— como tornar a tarte maior —
— como tornar a tarte maior —
14:34
but replaced it with another --
307
862360
1816
mas terá substituído esse por outro
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
— como garantir que todas as pessoas
recebam uma fatia.
recebam uma fatia.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
Como outros economistas notaram,
resolver este problema não será fácil.
resolver este problema não será fácil.
14:43
Today, for most people,
310
871360
1656
Hoje, para a maioria das pessoas,
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
o seu emprego é o assento
na mesa do jantar económico
na mesa do jantar económico
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
e num mundo com menos
ou mesmo nenhum trabalho,
ou mesmo nenhum trabalho,
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
não será claro como
receberão a sua fatia.
receberão a sua fatia.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
Há uma grande discussão, por exemplo,
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
sobre várias formas
de rendimento básico universal
de rendimento básico universal
14:57
as one possible approach,
316
885160
1216
como possível abordagem
14:58
and there's trials underway
317
886400
1616
e há testes a decorrer
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
nos EUA, na Finlândia e no Quénia.
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
Este é o desafio coletivo
que está mesmo à nossa frente.
que está mesmo à nossa frente.
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
Descobrir como esta prosperidade material
gerada pelo nosso sistema económico
gerada pelo nosso sistema económico
15:11
can be enjoyed by everyone
321
899280
1976
pode ser usufruída por todas as pessoas
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
num mundo em que
o nosso mecanismo tradicional
o nosso mecanismo tradicional
15:15
for slicing up the pie,
323
903720
1856
para cortar a tarte em fatias,
15:17
the work that people do,
324
905600
1936
o trabalho que as pessoas fazem,
15:19
withers away and perhaps disappears.
325
907560
2160
possa definhar e talvez desaparecer.
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
Resolver este problema requer
que pensemos de maneira muito diferente.
que pensemos de maneira muito diferente.
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
Haverá muita discordância
acerca do que deve ser feito,
acerca do que deve ser feito,
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
mas é importante relembrar que este
é um problema muito melhor
é um problema muito melhor
do que aquele que assombrou
os nossos antepassados durante séculos:
os nossos antepassados durante séculos:
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
como tornar a tarte maior.
15:41
Thank you very much.
331
929280
1256
Muito obrigado.
15:42
(Applause)
332
930560
3840
(Aplausos)
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