TED@Merck KGaA, Darmstadt, Germany
Daniel Susskind: 3 myths about the future of work (and why they're not true)
Дэниел Сюскинд: Три мифа о характере будущей работы человека (и почему они не верны)
Filmed:
Readability: 4.5
1,519,249 views
«Заменит ли машина человека?» — этот вопрос волнует сегодня каждого, кто дорожит своей работой. Отвечая на этот вопрос, Дэниел Сюскинд развеивает три мифа о нашем автоматизированном будущем, которые сформировались в обществе. Подводя итог своему выступлению, Дэниел Сюскинд предлагает сформулировать вопрос иначе: как будет распределяться благосостояние в мире, где останется мало или и вовсе не будет работы для человека.
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
В последнее время в обществе
растёт беспокойство
растёт беспокойство
00:16
a fear that in the future,
1
4160
2656
по поводу автоматизации
жизнедеятельности человека,
жизнедеятельности человека,
00:18
many jobs will be performed by machines
2
6840
2456
страх, что в будущем многие задачи,
выполняемые сегодня человеком,
выполняемые сегодня человеком,
00:21
rather than human beings,
3
9320
1336
возьмут на себя машины, —
00:22
given the remarkable advances
that are unfolding
that are unfolding
4
10680
2936
это неудивительно,
учитывая колоссальный прогресс
учитывая колоссальный прогресс
00:25
in artificial intelligence and robotics.
5
13640
2776
в области искусственного интеллекта
и робототехники.
и робототехники.
00:28
What's clear is that
there will be significant change.
there will be significant change.
6
16440
2816
Уже ясно, что в будущем
нас ждут значительные перемены.
нас ждут значительные перемены.
00:31
What's less clear
is what that change will look like.
is what that change will look like.
7
19280
3616
Но менее ясным остаётся характер перемен.
00:34
My research suggests that the future
is both troubling and exciting.
is both troubling and exciting.
8
22920
4936
Мои исследования показывают, что нас ждёт
тревожное и увлекательное будущее.
тревожное и увлекательное будущее.
00:39
The threat of technological
unemployment is real,
unemployment is real,
9
27880
3736
Угроза технологической безработицы
существует на самом деле,
существует на самом деле,
00:43
and yet it's a good problem to have.
10
31640
2056
но этой проблеме нам стоило бы радоваться.
00:45
And to explain
how I came to that conclusion,
how I came to that conclusion,
11
33720
3216
А чтобы объяснить вам,
как я пришёл к этому выводу,
как я пришёл к этому выводу,
00:48
I want to confront three myths
12
36960
2536
я хотел бы развеять три мифа,
00:51
that I think are currently obscuring
our vision of this automated future.
our vision of this automated future.
13
39520
4280
которые, я считаю, мешают нам
трезво оценить это самое будущее.
трезво оценить это самое будущее.
00:56
A picture that we see
on our television screens,
on our television screens,
14
44880
2336
В книгах, кинофильмах и новостях
00:59
in books, in films, in everyday commentary
15
47240
2216
нам показывают,
01:01
is one where an army of robots
descends on the workplace
descends on the workplace
16
49480
3696
как армия роботов вторгается
в наше рабочее пространство
в наше рабочее пространство
01:05
with one goal in mind:
17
53200
1376
с единственной целью:
01:06
to displace human beings from their work.
18
54600
2496
вытеснить человека с его рабочего места.
01:09
And I call this the Terminator myth.
19
57120
2696
Я называю это мифом Терминатора.
01:11
Yes, machines displace
human beings from particular tasks,
human beings from particular tasks,
20
59840
3976
Да, машины освободили человека
от выполнения определённых задач.
от выполнения определённых задач.
01:15
but they don't just
substitute for human beings.
substitute for human beings.
21
63840
2256
Но они не столько сместили людей,
01:18
They also complement them in other tasks,
22
66120
1976
сколько дополнили наш труд,
01:20
making that work more valuable
and more important.
and more important.
23
68120
3616
делая его более ценным и важным.
01:23
Sometimes they complement
human beings directly,
human beings directly,
24
71760
3336
Зачастую машины напрямую дополняют
деятельность человека,
деятельность человека,
01:27
making them more productive
or more efficient at a particular task.
or more efficient at a particular task.
25
75120
4016
помогают нам достичь большей
продуктивности и эффективности в работе.
продуктивности и эффективности в работе.
01:31
So a taxi driver can use a satnav system
to navigate on unfamiliar roads.
to navigate on unfamiliar roads.
26
79160
4616
Так, в незнакомой местности таксист может
воспользоваться спутниковой навигацией.
воспользоваться спутниковой навигацией.
01:35
An architect can use
computer-assisted design software
computer-assisted design software
27
83800
3336
Благодаря системам автоматизированного
проектирования архитектор может
проектирования архитектор может
01:39
to design bigger,
more complicated buildings.
more complicated buildings.
28
87160
3096
разработать более сложный
и замысловатый дизайн сооружения.
и замысловатый дизайн сооружения.
01:42
But technological progress doesn't
just complement human beings directly.
just complement human beings directly.
29
90280
3696
Но технологический прогресс дополняет
человека не только напрямую.
человека не только напрямую.
01:46
It also complements them indirectly,
and it does this in two ways.
and it does this in two ways.
30
94000
3336
Это может происходить
косвенно двумя способами.
косвенно двумя способами.
01:49
The first is if we think
of the economy as a pie,
of the economy as a pie,
31
97360
3336
Для начала давайте представим
экономику в качестве пирога.
экономику в качестве пирога.
01:52
technological progress
makes the pie bigger.
makes the pie bigger.
32
100720
2896
Благодаря технологическому прогрессу
этот пирог становится больше.
этот пирог становится больше.
01:55
As productivity increases,
incomes rise and demand grows.
incomes rise and demand grows.
33
103640
3856
По мере того как растёт продуктивность,
повышаются доходы и спрос.
повышаются доходы и спрос.
01:59
The British pie, for instance,
34
107520
1776
К примеру, пирог Великобритании
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
сегодня в более чем 100 раз крупнее
своего аналога 300-летней давности.
своего аналога 300-летней давности.
02:05
And so people displaced
from tasks in the old pie
from tasks in the old pie
36
113920
3216
А люди, потерявшие работу
в экономике старого пирога,
в экономике старого пирога,
02:09
could find tasks to do
in the new pie instead.
in the new pie instead.
37
117160
2720
могут трудоустроиться
в рамках нового пирога.
в рамках нового пирога.
02:12
But technological progress
doesn't just make the pie bigger.
doesn't just make the pie bigger.
38
120800
3936
Но благодаря технологическому прогрессу
пирог становится не только крупнее.
пирог становится не только крупнее.
02:16
It also changes
the ingredients in the pie.
the ingredients in the pie.
39
124760
2856
Меняются и его ингредиенты.
02:19
As time passes, people spend
their income in different ways,
their income in different ways,
40
127640
3456
Со временем люди начинают тратить
свои доходы по-другому.
свои доходы по-другому.
02:23
changing how they spread it
across existing goods,
across existing goods,
41
131120
2816
Меняется структура затрат
на существующие товары,
на существующие товары,
02:25
and developing tastes
for entirely new goods, too.
for entirely new goods, too.
42
133960
3216
и появляется потребность
в совершенно новых товарах.
в совершенно новых товарах.
02:29
New industries are created,
43
137200
1776
Появляются новые отрасли хозяйства,
02:31
new tasks have to be done
44
139000
1816
возникает потребность в новых профессиях,
02:32
and that means often
new roles have to be filled.
new roles have to be filled.
45
140840
2536
а значит, открываются позиции,
которые необходимо заполнить.
которые необходимо заполнить.
02:35
So again, the British pie:
46
143400
1496
И снова о пироге Великобритании:
02:36
300 years ago,
most people worked on farms,
most people worked on farms,
47
144920
2976
300 лет назад большинство британцев
зарабатывали на жизнь на фермах,
зарабатывали на жизнь на фермах,
02:39
150 years ago, in factories,
48
147920
2336
150 лет назад — на заводах,
02:42
and today, most people work in offices.
49
150280
2856
а сегодня большинство
жителей трудятся в офисах.
жителей трудятся в офисах.
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
Опять же — те, кто потерял
работу в старом пироге,
работу в старом пироге,
02:49
could tumble into tasks
in the new bit of pie instead.
in the new bit of pie instead.
51
157240
2800
могут трудоустроиться
в рамках нового пирога.
в рамках нового пирога.
02:52
Economists call these effects
complementarities,
complementarities,
52
160720
3336
Экономисты называют
это явление комплементарностью.
это явление комплементарностью.
02:56
but really that's just a fancy word
to capture the different way
to capture the different way
53
164080
3256
Но на самом деле это просто
красивое слово для обозначения
красивое слово для обозначения
02:59
that technological progress
helps human beings.
helps human beings.
54
167360
3136
технологического прогресса,
находящегося на службе у человека.
находящегося на службе у человека.
03:02
Resolving this Terminator myth
55
170520
2096
Развенчивая миф Терминатора,
03:04
shows us that there are
two forces at play:
two forces at play:
56
172640
2336
мы понимаем,
что тут противоборствуют две силы:
что тут противоборствуют две силы:
03:07
one, machine substitution
that harms workers,
that harms workers,
57
175000
3536
первая сила — замещение машинами,
которое вредит человеку,
которое вредит человеку,
03:10
but also these complementarities
that do the opposite.
that do the opposite.
58
178560
2880
вторая сила — комплементарность —
оказывает положительный эффект.
оказывает положительный эффект.
03:13
Now the second myth,
59
181960
1376
Поговорим о втором мифе,
03:15
what I call the intelligence myth.
60
183360
2280
который я обозначил
как интеллектуальный миф.
как интеллектуальный миф.
03:18
What do the tasks of driving a car,
making a medical diagnosis
making a medical diagnosis
61
186440
4896
Вождение автомобиля, постановка диагноза
03:23
and identifying a bird
at a fleeting glimpse have in common?
at a fleeting glimpse have in common?
62
191360
2920
и распознавание птиц —
что общего между всеми этими задачами?
что общего между всеми этими задачами?
03:27
Well, these are all tasks
that until very recently,
that until very recently,
63
195280
2976
Объединяет их то, что до недавнего времени
03:30
leading economists thought
couldn't readily be automated.
couldn't readily be automated.
64
198280
3336
их нельзя было автоматизировать,
как полагали ведущие экономисты.
как полагали ведущие экономисты.
03:33
And yet today, all of these tasks
can be automated.
can be automated.
65
201640
3176
И тем не менее сегодня все эти задачи
могут быть автоматизированы.
могут быть автоматизированы.
03:36
You know, all major car manufacturers
have driverless car programs.
have driverless car programs.
66
204840
3496
Все ведущие производители автомобилей
сегодня разрабатывают беспилотные авто.
сегодня разрабатывают беспилотные авто.
03:40
There's countless systems out there
that can diagnose medical problems.
that can diagnose medical problems.
67
208360
3976
Медики уже располагают множеством
диагностических аппаратов.
диагностических аппаратов.
03:44
And there's even an app
that can identify a bird
that can identify a bird
68
212360
2416
Что же касается птиц,
существует приложение,
существует приложение,
03:46
at a fleeting glimpse.
69
214800
1200
позволяющее определять их на расстоянии.
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
Не будем утверждать,
что экономистам просто не повезло.
что экономистам просто не повезло.
03:53
They were wrong,
71
221320
1296
Они оказались неправы,
03:54
and the reason why
they were wrong is very important.
they were wrong is very important.
72
222640
2496
но причина, по которой они ошибались,
имеет большое значение.
имеет большое значение.
03:57
They've fallen for the intelligence myth,
73
225160
2256
Они стали жертвами интеллектуального мифа,
03:59
the belief that machines
have to copy the way
have to copy the way
74
227440
2896
считая, что машины должны имитировать
04:02
that human beings think and reason
75
230360
2056
людей в том, как мы мыслим и рассуждаем,
04:04
in order to outperform them.
76
232440
1776
если хотим, чтобы машины стали умнее нас.
04:06
When these economists
were trying to figure out
were trying to figure out
77
234240
2216
Когда экономисты попытались разобраться,
04:08
what tasks machines could not do,
78
236480
1856
какие задачи машинам будут не под силу,
04:10
they imagined the only way
to automate a task
to automate a task
79
238360
2136
они думали, что единственный способ
автоматизировать задачу —
автоматизировать задачу —
04:12
was to sit down with a human being,
80
240520
1816
организовать встречу
специалистов с программистами,
специалистов с программистами,
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
попросить специалистов описать
алгоритм выполнения задачи,
алгоритм выполнения задачи,
04:17
and then try and capture that explanation
82
245920
2656
а затем попытаться
формализовать этот алгоритм
формализовать этот алгоритм
04:20
in a set of instructions
for a machine to follow.
for a machine to follow.
83
248600
2776
в виде инструкций,
которым машина будет следовать.
которым машина будет следовать.
04:23
This view was popular in artificial
intelligence at one point, too.
intelligence at one point, too.
84
251400
4176
Одно время такой подход был популярен
и в области искусственного интеллекта.
и в области искусственного интеллекта.
04:27
I know this because Richard Susskind,
85
255600
2176
Знаю я об этом потому,
что Ричард Сюскинд —
что Ричард Сюскинд —
04:29
who is my dad and my coauthor,
86
257800
2856
мой отец и соавтор книги, —
будучи студентом Оксфорда,
будучи студентом Оксфорда,
04:32
wrote his doctorate in the 1980s
on artificial intelligence and the law
on artificial intelligence and the law
87
260680
4056
в 1980-х написал докторскую диссертацию
на тему искусственного интеллекта и права,
04:36
at Oxford University,
88
264760
1416
04:38
and he was part of the vanguard.
89
266200
1576
а был он тогда в авангарде науки.
04:39
And with a professor called Phillip Capper
90
267800
2256
Вместе с профессором Филлипом Кэппером
04:42
and a legal publisher called Butterworths,
91
270080
2096
и издательством
правовой литературы Butterworths
правовой литературы Butterworths
04:44
they produced the world's first
commercially available
commercially available
92
272200
5896
они выпустили в продажу первую в мире
04:50
artificial intelligence system in the law.
93
278120
2776
систему искусственного интеллекта
в области права.
в области права.
04:52
This was the home screen design.
94
280920
2616
Так выглядела заставка
программы на компьютере.
программы на компьютере.
04:55
He assures me this was
a cool screen design at the time.
a cool screen design at the time.
95
283560
2696
Отец говорит, что она считалась
очень крутой по тем временам.
очень крутой по тем временам.
04:58
(Laughter)
96
286280
1016
(Смех)
04:59
I've never been entirely convinced.
97
287320
1696
Не очень-то верится.
05:01
He published it
in the form of two floppy disks,
in the form of two floppy disks,
98
289040
2616
Опубликовали они эту программу
на двух гибких дисках.
на двух гибких дисках.
05:03
at a time where floppy disks
genuinely were floppy,
genuinely were floppy,
99
291680
3536
В то время гибкие диски
на самом деле были очень гибкими.
на самом деле были очень гибкими.
05:07
and his approach was the same
as the economists':
as the economists':
100
295240
2336
Тогда они подошли к вопросу,
как те самые экономисты:
как те самые экономисты:
05:09
sit down with a lawyer,
101
297600
1256
встретились с юристом,
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
попросили его описать алгоритм
решения правовой проблемы
решения правовой проблемы
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
и затем попытались написать программу
для решения поставленной задачи.
для решения поставленной задачи.
05:19
In economics, if human beings
could explain themselves in this way,
could explain themselves in this way,
104
307480
3616
В экономике, если человек может
описать задачу таким вот образом,
описать задачу таким вот образом,
05:23
the tasks are called routine,
and they could be automated.
and they could be automated.
105
311120
3296
задача считается рутинной
и её можно автоматизировать.
и её можно автоматизировать.
05:26
But if human beings
can't explain themselves,
can't explain themselves,
106
314440
2336
Но если человек не может описать процесс,
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
задача считается творческой,
то есть нерутинной, и часто неразрешимой.
то есть нерутинной, и часто неразрешимой.
Сегодня классификация задач на рутинные
и творческие встречается повсеместно.
и творческие встречается повсеместно.
05:33
Today, that routine-nonroutine
distinction is widespread.
distinction is widespread.
108
321080
3296
05:36
Think how often you hear people say to you
109
324400
2056
Вспомните, как часто вы слышите о том,
05:38
machines can only perform tasks
that are predictable or repetitive,
that are predictable or repetitive,
110
326480
3256
что машины могут выполнять только
предсказуемые и повторяющиеся задачи,
предсказуемые и повторяющиеся задачи,
05:41
rules-based or well-defined.
111
329760
1896
те, что следуют правилам,
и которые легко определить.
и которые легко определить.
05:43
Those are all just
different words for routine.
different words for routine.
112
331680
2936
Всё это лишь синонимы рутинных задач.
05:46
And go back to those three cases
that I mentioned at the start.
that I mentioned at the start.
113
334640
3976
Давайте вернёмся к трём примерам,
которые я привёл ранее.
которые я привёл ранее.
05:50
Those are all classic cases
of nonroutine tasks.
of nonroutine tasks.
114
338640
2896
Все три являются классическими
примерами творческих задач.
примерами творческих задач.
05:53
Ask a doctor, for instance,
how she makes a medical diagnosis,
how she makes a medical diagnosis,
115
341560
2976
Задайте вопрос врачам,
как, например, они ставят диагнозы.
как, например, они ставят диагнозы.
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
Скорее всего, они приведут
несколько общих правил,
несколько общих правил,
05:59
but ultimately she'd struggle.
117
347240
1656
но в целом точного ответа не дадут.
06:00
She'd say it requires things like
creativity and judgment and intuition.
creativity and judgment and intuition.
118
348920
4816
Скажут, например,
что постановка диагноза требует
что постановка диагноза требует
творческого подхода,
правильного суждения и интуиции.
правильного суждения и интуиции.
06:05
And these things are
very difficult to articulate,
very difficult to articulate,
119
353760
2376
Но такие вещи бывает очень
трудно описать, поэтому считалось,
трудно описать, поэтому считалось,
06:08
and so it was thought these tasks
would be very hard to automate.
would be very hard to automate.
120
356160
3096
06:11
If a human being can't explain themselves,
121
359280
2536
что автоматизировать
их также будет нелегко.
их также будет нелегко.
06:13
where on earth do we begin
in writing a set of instructions
in writing a set of instructions
122
361840
2896
Если человек не может объяснить
какой-то процесс, как он составит
какой-то процесс, как он составит
06:16
for a machine to follow?
123
364760
1200
инструкции для машины?
06:18
Thirty years ago, this view was right,
124
366640
2576
Тридцать лет назад такое мнение
считалось правильным,
считалось правильным,
06:21
but today it's looking shaky,
125
369240
2136
сегодня это утверждение
можно подвергнуть сомнению,
можно подвергнуть сомнению,
06:23
and in the future
it's simply going to be wrong.
it's simply going to be wrong.
126
371400
2256
а завтра оно окажется
совершенно неправильным.
совершенно неправильным.
06:25
Advances in processing power,
in data storage capability
in data storage capability
127
373680
3256
Колоссальная вычислительная мощность,
огромные хранилища данных
огромные хранилища данных
06:28
and in algorithm design
128
376960
1656
и усовершенствованные алгоритмы
06:30
mean that this
routine-nonroutine distinction
routine-nonroutine distinction
129
378640
2496
являются показателем того,
что граница между рутинными
что граница между рутинными
06:33
is diminishingly useful.
130
381160
1736
и творческими задачами начинает стираться.
06:34
To see this, go back to the case
of making a medical diagnosis.
of making a medical diagnosis.
131
382920
3256
Давайте вернёмся к примеру
c постановкой диагноза.
c постановкой диагноза.
06:38
Earlier in the year,
132
386200
1376
Несколько месяцев назад
06:39
a team of researchers at Stanford
announced they'd developed a system
announced they'd developed a system
133
387600
3296
исследователи Стэнфордского университета
объявили, что они разработали
объявили, что они разработали
06:42
which can tell you
whether or not a freckle is cancerous
whether or not a freckle is cancerous
134
390920
3056
систему распознавания раковых клеток
на веснушках человека
на веснушках человека
06:46
as accurately as leading dermatologists.
135
394000
2680
и что эта система ставит диагноз
так же точно, как ведущие дерматологи.
так же точно, как ведущие дерматологи.
06:49
How does it work?
136
397280
1256
Как им это удалось?
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
Машина не запрограммирована копировать
ход суждения или интуицию врачей.
ход суждения или интуицию врачей.
06:55
It knows or understands
nothing about medicine at all.
nothing about medicine at all.
138
403880
3136
Более того, машина вообще
ничего не смыслит в медицине.
ничего не смыслит в медицине.
06:59
Instead, it's running
a pattern recognition algorithm
a pattern recognition algorithm
139
407040
2576
На самом деле она следует
алгоритму распознавания,
алгоритму распознавания,
07:01
through 129,450 past cases,
140
409640
4656
выискивая среди 129 450 наборов данных
случаи, схожие с исследуемой
патологией кожи.
патологией кожи.
07:06
hunting for similarities
between those cases
between those cases
141
414320
3096
07:09
and the particular lesion in question.
142
417440
2080
Делается это методом,
на который не способен ни один человек.
на который не способен ни один человек.
07:12
It's performing these tasks
in an unhuman way,
in an unhuman way,
143
420080
3216
Машина анализирует
такое количество наборов данных,
такое количество наборов данных,
07:15
based on the analysis
of more possible cases
of more possible cases
144
423320
2336
которое ни один врач не сможет
просмотреть за всю свою жизнь.
просмотреть за всю свою жизнь.
07:17
than any doctor could hope
to review in their lifetime.
to review in their lifetime.
145
425680
2616
07:20
It didn't matter that that human being,
146
428320
1896
В данном случае машина ставит диагноз
07:22
that doctor, couldn't explain
how she'd performed the task.
how she'd performed the task.
147
430240
2800
без учёта того, как к этому вопросу
подошёл бы врач-специалист.
07:25
Now, there are those
who dwell upon that the fact
who dwell upon that the fact
148
433640
2336
Многие, безусловно, согласятся с тем,
07:28
that these machines
aren't built in our image.
aren't built in our image.
149
436000
2296
что эти машины строились
не по образу и подобию человека.
не по образу и подобию человека.
07:30
As an example, take IBM's Watson,
150
438320
2056
Например, Watson —
суперкомпьютер компании IBM,
суперкомпьютер компании 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
принявший в 2011 году участие
в американской игре-викторине «Jeopardy!»
в американской игре-викторине «Jeopardy!»
07:37
and it beat the two
human champions at "Jeopardy!"
human champions at "Jeopardy!"
152
445280
3016
и одержавший победу над человеком —
двумя сильнейшими соперниками.
двумя сильнейшими соперниками.
07:40
The day after it won,
153
448320
1696
На следующий день после игры
07:42
The Wall Street Journal ran a piece
by the philosopher John Searle
by the philosopher John Searle
154
450040
3296
в газете Wall Street Journal появилась
заметка философа Джона Сёрла,
заметка философа Джона Сёрла,
07:45
with the title "Watson
Doesn't Know It Won on 'Jeopardy!'"
Doesn't Know It Won on 'Jeopardy!'"
155
453360
3376
озаглавленная «Watson понятия не имеет,
что он победил в викторине "Jeopardy!"».
что он победил в викторине "Jeopardy!"».
07:48
Right, and it's brilliant, and it's true.
156
456760
1976
Блестящее и очень верное замечание.
07:50
You know, Watson didn't
let out a cry of excitement.
let out a cry of excitement.
157
458760
2456
Watson ведь не закричал от радости.
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
Он не позвонил родителям,
чтобы рассказать им о своей победе.
чтобы рассказать им о своей победе.
07:56
It didn't go down to the pub for a drink.
159
464360
2336
И он не отправился в паб,
чтобы выпить стаканчик.
чтобы выпить стаканчик.
07:58
This system wasn't trying to copy the way
that those human contestants played,
that those human contestants played,
160
466720
4456
Эта машина не пыталась
копировать соперников-людей,
копировать соперников-людей,
08:03
but it didn't matter.
161
471200
1256
но это не имело значения.
08:04
It still outperformed them.
162
472480
1976
Машина всё равно их обыграла.
08:06
Resolving the intelligence myth
163
474480
1576
Развенчивая интеллектуальный миф,
08:08
shows us that our limited understanding
about human intelligence,
about human intelligence,
164
476080
3376
мы видим, что несмотря на то,
что наши знания о человеческом разуме,
что наши знания о человеческом разуме,
08:11
about how we think and reason,
165
479480
1896
мышлении и суждении весьма ограничены,
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
в наше время большого влияния
на автоматизацию машин это не имеет.
на автоматизацию машин это не имеет.
08:16
What's more, as we've seen,
167
484880
1496
Более того, как мы отметили,
08:18
when these machines
perform tasks differently to human beings,
perform tasks differently to human beings,
168
486400
3416
когда эти машины выполняют задачи
методом, отличным от методов человека,
методом, отличным от методов человека,
08:21
there's no reason to think
169
489840
1256
не стóит полагать,
08:23
that what human beings
are currently capable of doing
are currently capable of doing
170
491120
2536
что возможности человека сегодня
08:25
represents any sort of summit
171
493680
1456
являются пределом того,
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
на что будут способны
автоматизированные машины в будущем.
автоматизированные машины в будущем.
08:31
Now the third myth,
173
499040
1256
И теперь третий миф,
08:32
what I call the superiority myth.
174
500320
2456
который я называю мифом
о превосходстве человека.
о превосходстве человека.
08:34
It's often said that those who forget
175
502800
2216
Принято считать, что те, кто забывают
08:37
about the helpful side
of technological progress,
of technological progress,
176
505040
2456
о пользе технологического прогресса,
08:39
those complementarities from before,
177
507520
2496
о комплементарности человека и машины,
08:42
are committing something
known as the lump of labor fallacy.
known as the lump of labor fallacy.
178
510040
3040
впадают в заблуждение
о неизменном объёме работ.
о неизменном объёме работ.
08:45
Now, the problem is
the lump of labor fallacy
the lump of labor fallacy
179
513840
2295
Но проблема в том, что само заблуждение
08:48
is itself a fallacy,
180
516159
1496
о неизменном объёме работ
08:49
and I call this the lump
of labor fallacy fallacy,
of labor fallacy fallacy,
181
517679
2937
является ошибочным,
08:52
or LOLFF, for short.
182
520640
2320
и я называю это ошибкой заблуждения.
08:56
Let me explain.
183
524000
1416
Давайте я поясню.
08:57
The lump of labor fallacy
is a very old idea.
is a very old idea.
184
525440
2136
Данное заблуждение — не новая концепция.
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
Такое название в 1892 году ей дал
британский экономист Дэвид Шлосс.
британский экономист Дэвид Шлосс.
Однажды он пришёл в недоумение,
когда повстречал портового рабочего,
когда повстречал портового рабочего,
09:03
He was puzzled
to come across a dock worker
to come across a dock worker
186
531840
2816
09:06
who had begun to use
a machine to make washers,
a machine to make washers,
187
534680
2336
который начал изготавливать
на станке шайбы —
на станке шайбы —
09:09
the small metal discs
that fasten on the end of screws.
that fasten on the end of screws.
188
537040
3320
небольшие металлические пластины,
которые крепятся под головку болта.
которые крепятся под головку болта.
09:13
And this dock worker
felt guilty for being more productive.
felt guilty for being more productive.
189
541000
3760
Этот рабочий испытывал угрызения совести,
потому что стал более продуктивен.
потому что стал более продуктивен.
09:17
Now, most of the time,
we expect the opposite,
we expect the opposite,
190
545560
2176
Как правило, происходит обратное —
09:19
that people feel guilty
for being unproductive,
for being unproductive,
191
547760
2216
люди чувствуют свою вину,
если работают не очень продуктивно.
если работают не очень продуктивно.
09:22
you know, a little too much time
on Facebook or Twitter at work.
on Facebook or Twitter at work.
192
550000
3016
Например, если на работе мы много
времени проводим в Facebook или Twitter.
времени проводим в Facebook или Twitter.
09:25
But this worker felt guilty
for being more productive,
for being more productive,
193
553040
2536
Но рабочий чувствовал вину потому,
что был слишком продуктивен.
что был слишком продуктивен.
09:27
and asked why, he said,
"I know I'm doing wrong.
"I know I'm doing wrong.
194
555600
2296
На вопрос Шлосса почему, он ответил:
«Я знаю, что поступаю неправильно.
«Я знаю, что поступаю неправильно.
09:29
I'm taking away the work of another man."
195
557920
2040
09:32
In his mind, there was
some fixed lump of work
some fixed lump of work
196
560760
2976
Я лишаю другого человека работы».
Рабочий полагал, что существует
фиксированный объём работы,
фиксированный объём работы,
09:35
to be divided up between him and his pals,
197
563760
2136
который они делят между собой,
и если он начнёт делать
и если он начнёт делать
09:37
so that if he used
this machine to do more,
this machine to do more,
198
565920
2056
шайбы на станке, то произведёт их больше,
09:40
there'd be less left for his pals to do.
199
568000
2016
а остальным не останется работы.
09:42
Schloss saw the mistake.
200
570040
1856
Шлосс понял, в чём ошибка.
09:43
The lump of work wasn't fixed.
201
571920
1856
Объём работы не был фиксированным.
09:45
As this worker used the machine
and became more productive,
and became more productive,
202
573800
2816
Если благодаря станку
производительность увеличится,
производительность увеличится,
09:48
the price of washers would fall,
demand for washers would rise,
demand for washers would rise,
203
576640
2976
стоимость шайб снизится,
а значит, увеличится спрос.
а значит, увеличится спрос.
09:51
more washers would have to be made,
204
579640
1696
Рабочим надо будет вырезать больше шайб,
09:53
and there'd be more work
for his pals to do.
for his pals to do.
205
581360
2096
и работы прибавится для всех.
09:55
The lump of work would get bigger.
206
583480
1696
То есть объём работы в целом увеличится.
09:57
Schloss called this
"the lump of labor fallacy."
"the lump of labor fallacy."
207
585200
2680
Шлосс назвал эту концепцию
заблуждением о неизменном объёме работ.
заблуждением о неизменном объёме работ.
10:00
And today you hear people talk
about the lump of labor fallacy
about the lump of labor fallacy
208
588560
2936
Сегодня часто вспоминают об этой теории,
10:03
to think about the future
of all types of work.
of all types of work.
209
591520
2216
когда речь заходит о работе будущего.
10:05
There's no fixed lump of work
out there to be divided up
out there to be divided up
210
593760
2656
Не существует какого-то
определённого объёма работ,
определённого объёма работ,
10:08
between people and machines.
211
596440
1376
который человек делит с машиной.
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
Да, машины замещают человека,
уменьшая исходный объём работы,
10:14
but they also complement human beings,
213
602520
1856
но они также и дополняют нас, так что
в целом объём работы увеличивается,
в целом объём работы увеличивается,
10:16
and the lump of work
gets bigger and changes.
gets bigger and changes.
214
604400
2096
10:19
But LOLFF.
215
607760
1616
меняется специфика работы.
10:21
Here's the mistake:
216
609400
1376
Так в чём же ошибка заблуждения?
А вот в чём.
А вот в чём.
10:22
it's right to think
that technological progress
that technological progress
217
610800
2216
Верно, что благодаря
технологическому прогрессу
технологическому прогрессу
10:25
makes the lump of work to be done bigger.
218
613040
1976
объём работы увеличивается.
10:27
Some tasks become more valuable.
New tasks have to be done.
New tasks have to be done.
219
615040
3016
Некоторые специальности становятся
более востребованными,
более востребованными,
10:30
But it's wrong to think that necessarily,
220
618080
2536
появляется спрос и на новые специальности.
10:32
human beings will be best placed
to perform those tasks.
to perform those tasks.
221
620640
3256
Но неверно думать, что человек может
выполнить какие-то задачи лучше машин.
выполнить какие-то задачи лучше машин.
10:35
And this is the superiority myth.
222
623920
1616
В этом суть мифа о превосходстве.
10:37
Yes, the lump of work
might get bigger and change,
might get bigger and change,
223
625560
3416
Да, объём работ может
увеличиться и измениться,
увеличиться и измениться,
но по мере того,
как машины становятся умнее,
как машины становятся умнее,
10:41
but as machines become more capable,
224
629000
1976
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
вероятнее всего, они возьмут на себя
этот новый объём работы.
этот новый объём работы.
10:46
Technological progress,
rather than complement human beings,
rather than complement human beings,
226
634920
3256
При технологическом прогрессе
машины не столько дополняют человека,
машины не столько дополняют человека,
10:50
complements machines instead.
227
638200
1880
сколько дополняют сами себя.
10:52
To see this, go back
to the task of driving a car.
to the task of driving a car.
228
640920
3016
Чтобы убедиться в этом, возьмём
для примера вождение автомобиля.
для примера вождение автомобиля.
10:55
Today, satnav systems
directly complement human beings.
directly complement human beings.
229
643960
4096
Сегодня системы спутниковой навигации
напрямую дополняют человека.
напрямую дополняют человека.
11:00
They make some
human beings better drivers.
human beings better drivers.
230
648080
2280
Благодаря им мы стали более эффективными
и безопасными водителями.
и безопасными водителями.
11:02
But in the future,
231
650920
1256
В будущем, однако,
11:04
software is going to displace
human beings from the driving seat,
human beings from the driving seat,
232
652200
3096
усовершенствованные компьютерные программы
вытеснят человека с водительского кресла,
вытеснят человека с водительского кресла,
11:07
and these satnav systems,
rather than complement human beings,
rather than complement human beings,
233
655320
2936
а системы навигации, вместо того,
чтобы дополнять человека,
чтобы дополнять человека,
11:10
will simply make these
driverless cars more efficient,
driverless cars more efficient,
234
658280
2536
сделают более эффективными
беспилотные автомобили,
беспилотные автомобили,
11:12
helping the machines instead.
235
660840
1536
тем самым помогая самим машинам.
11:14
Or go to those indirect complementarities
that I mentioned as well.
that I mentioned as well.
236
662400
4056
Вспомним о примерах косвенной
комплементарности, о которых я говорил.
комплементарности, о которых я говорил.
11:18
The economic pie may get larger,
237
666480
1776
Экономический пирог может увеличиться,
11:20
but as machines become more capable,
238
668280
1736
но по мере того,
как машины становятся умнее,
как машины становятся умнее,
11:22
it's possible that any new demand
will fall on goods that machines,
will fall on goods that machines,
239
670040
3143
появившийся спрос, скорее всего,
11:25
rather than human beings,
are best placed to produce.
are best placed to produce.
240
673207
2649
эффективнее удовлетворят машины,
а не человек.
а не человек.
11:27
The economic pie may change,
241
675880
1896
Ингредиенты пирога тоже могут измениться,
11:29
but as machines become more capable,
242
677800
1896
но по мере того, как машины
будут приобретать новые навыки,
будут приобретать новые навыки,
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
возможно, именно они и займут
новые рабочие места.
новые рабочие места.
11:36
In short, demand for tasks
isn't demand for human labor.
isn't demand for human labor.
244
684600
3696
Итак, спрос на рабочую силу —
не обязательно спрос на человеческий труд.
не обязательно спрос на человеческий труд.
11:40
Human beings only stand to benefit
245
688320
1936
Человек может выиграть от этих перемен,
11:42
if they retain the upper hand
in all these complemented tasks,
in all these complemented tasks,
246
690280
3816
но только если он будет контролировать
комплементарные задачи.
комплементарные задачи.
11:46
but as machines become more capable,
that becomes less likely.
that becomes less likely.
247
694120
3720
Но поскольку машины станут умнее,
то и это можно поставить под сомнение.
то и это можно поставить под сомнение.
11:50
So what do these three myths tell us then?
248
698760
2016
Какие же выводы
мы можем сделать из этого?
мы можем сделать из этого?
11:52
Well, resolving the Terminator myth
249
700800
1696
Развенчивая миф Терминатора,
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
мы понимаем, что наше будущее
зависит от взаимодействия двух сил:
зависит от взаимодействия двух сил:
11:58
one, machine substitution
that harms workers
that harms workers
251
706240
3136
замещения машинами,
которое вредит человеку,
которое вредит человеку,
12:01
but also those complementarities
that do the opposite.
that do the opposite.
252
709400
2576
а также комплементарности,
от которой человек только выигрывает.
от которой человек только выигрывает.
12:04
And until now, this balance
has fallen in favor of human beings.
has fallen in favor of human beings.
253
712000
4040
Пока чаша весов всегда
склонялась в пользу человека.
склонялась в пользу человека.
Развенчивая второй —
интеллектуальный — миф,
интеллектуальный — миф,
12:09
But resolving the intelligence myth
254
717120
1736
12:10
shows us that that first force,
machine substitution,
machine substitution,
255
718880
2496
мы увидели, что первая сила —
замещение машинами —
замещение машинами —
12:13
is gathering strength.
256
721400
1296
тем не менее набирает силу.
12:14
Machines, of course, can't do everything,
257
722720
1976
Машины, безусловно, не всемогущи,
12:16
but they can do far more,
258
724720
1256
но они способны на многое
12:18
encroaching ever deeper into the realm
of tasks performed by human beings.
of tasks performed by human beings.
259
726000
4576
и уже активно перенимают те специальности,
которые когда-то принадлежали людям.
которые когда-то принадлежали людям.
12:22
What's more, there's no reason to think
260
730600
1896
У нас нет оснований полагать,
12:24
that what human beings
are currently capable of
are currently capable of
261
732520
2216
что то, на что способен человек,
12:26
represents any sort of finishing line,
262
734760
1856
представляет предел
возможностей для машин
возможностей для машин
12:28
that machines are going
to draw to a polite stop
to draw to a polite stop
263
736640
2256
и что машины учтиво
остановятся на достигнутом,
остановятся на достигнутом,
12:30
once they're as capable as us.
264
738920
1816
как только сравняются с человеком.
12:32
Now, none of this matters
265
740760
1536
На самом деле всё это не так важно,
12:34
so long as those helpful
winds of complementarity
winds of complementarity
266
742320
2816
если выгодные для нас
ветра комплементарности
ветра комплементарности
12:37
blow firmly enough,
267
745160
1736
продолжат дуть в нужном направлении.
12:38
but resolving the superiority myth
268
746920
1936
Но развенчивая миф о превосходстве,
12:40
shows us that that process
of task encroachment
of task encroachment
269
748880
3096
мы понимаем, что постепенное
вторжение машин
вторжение машин
в профессиональную деятельность человека
12:44
not only strengthens
the force of machine substitution,
the force of machine substitution,
270
752000
3936
не только упрочивает позиции
машин при замещении человека,
машин при замещении человека,
12:47
but it wears down
those helpful complementarities too.
those helpful complementarities too.
271
755960
3336
но и сводит на нет выгодные для нас
силы комплементарности.
силы комплементарности.
12:51
Bring these three myths together
272
759320
1936
Мы рассмотрели три мифа
о будущем нашей работы,
о будущем нашей работы,
12:53
and I think we can capture a glimpse
of that troubling future.
of that troubling future.
273
761280
2936
и картина вырисовывается довольно мрачная.
12:56
Machines continue to become more capable,
274
764240
2016
Машины становятся более способными,
12:58
encroaching ever deeper
on tasks performed by human beings,
on tasks performed by human beings,
275
766280
3656
всё глубже вторгаются в профессиональную
деятельность человека,
деятельность человека,
13:01
strengthening the force
of machine substitution,
of machine substitution,
276
769960
2576
обретают бóльшую силу
при замещении человека
при замещении человека
13:04
weakening the force
of machine complementarity.
of machine complementarity.
277
772560
3616
и ослабляют комплементарность.
13:08
And at some point, that balance
falls in favor of machines
falls in favor of machines
278
776200
4296
И в какой-то момент перевес
окажется на стороне машин,
окажется на стороне машин,
13:12
rather than human beings.
279
780520
2056
а не людей.
13:14
This is the path we're currently on.
280
782600
1736
Сейчас мы находимся на этом пути.
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
Я сказал «пути», потому что считаю,
что мы ещё не дошли до финишной прямой.
что мы ещё не дошли до финишной прямой.
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
Но трудно не сделать вывод, что мы
продолжаем двигаться в этом направлении.
продолжаем двигаться в этом направлении.
13:24
That's the troubling part.
283
792640
1456
Это не может не беспокоить.
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
Теперь я расскажу, почему я считаю,
что этой проблеме мы должны радоваться.
что этой проблеме мы должны радоваться.
13:30
For most of human history,
one economic problem has dominated:
one economic problem has dominated:
285
798520
3536
На протяжении почти
всей истории человечества
всей истории человечества
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
доминировала экономическая проблема:
13:38
Go back to the turn
of the first century AD,
of the first century AD,
287
806160
2176
как увеличить экономический
пирог, чтобы его хватило всем.
пирог, чтобы его хватило всем.
13:40
and if you took the global economic pie
288
808360
2096
На рубеже первого столетия нашей эры
13:42
and divided it up into equal slices
for everyone in the world,
for everyone in the world,
289
810480
3296
этого пирога хватило бы,
чтобы каждому жителю планеты
чтобы каждому жителю планеты
13:45
everyone would get a few hundred dollars.
290
813800
2136
досталось ровно
по несколько сотен долларов.
по несколько сотен долларов.
13:47
Almost everyone lived
on or around the poverty line.
on or around the poverty line.
291
815960
2760
Почти все жили за чертой
или около черты бедности.
или около черты бедности.
13:51
And if you roll forward a thousand years,
292
819320
2176
Если перенестись на тысячу лет вперёд,
13:53
roughly the same is true.
293
821520
1240
вы увидите почти ту же картину.
Но именно в последние пару сотен лет стал
наблюдаться устойчивый экономический рост.
наблюдаться устойчивый экономический рост.
13:55
But in the last few hundred years,
economic growth has taken off.
economic growth has taken off.
294
823680
3576
13:59
Those economic pies have exploded in size.
295
827280
2376
Экономический пирог достиг
небывалых размеров.
небывалых размеров.
14:01
Global GDP per head,
296
829680
2056
В мировых масштабах ВВП на душу населения,
14:03
the value of those individual
slices of the pie today,
slices of the pie today,
297
831760
3376
то есть размер каждого
отдельного кусочка пирога,
отдельного кусочка пирога,
14:07
they're about 10,150 dollars.
298
835160
2816
сегодня составляет почти 10 150 долларов.
14:10
If economic growth continues
at two percent,
at two percent,
299
838000
2696
Если рост мировой экономики
продолжится на уровне 2%,
продолжится на уровне 2%,
14:12
our children will be twice as rich as us.
300
840720
2056
наши дети станут в два раза богаче нас.
14:14
If it continues
at a more measly one percent,
at a more measly one percent,
301
842800
2296
Если этот показатель составит всего 1%,
14:17
our grandchildren
will be twice as rich as us.
will be twice as rich as us.
302
845120
2656
наши внуки окажутся богаче нас вдвое.
14:19
By and large, we've solved
that traditional economic problem.
that traditional economic problem.
303
847800
3680
То есть, по большому счёту, мы решили
историческую проблему мировой экономики.
историческую проблему мировой экономики.
14:24
Now, technological unemployment,
if it does happen,
if it does happen,
304
852200
3016
Если технологическая безработица
всё-таки станет реальностью,
всё-таки станет реальностью,
14:27
in a strange way will be
a symptom of that success,
a symptom of that success,
305
855240
3216
как ни странно, она окажется симптомом
этого экономического успеха.
этого экономического успеха.
14:30
will have solved one problem --
how to make the pie bigger --
how to make the pie bigger --
306
858480
3856
Решив одну проблему:
как сделать пирог больше,
как сделать пирог больше,
14:34
but replaced it with another --
307
862360
1816
мы обзавелись новой проблемой:
14:36
how to make sure
that everyone gets a slice.
that everyone gets a slice.
308
864200
2760
как сделать так, чтобы все жители
планеты получили по куску пирога.
планеты получили по куску пирога.
14:39
As other economists have noted,
solving this problem won't be easy.
solving this problem won't be easy.
309
867840
3496
Другие экономисты также заявили,
что решить эту проблему будет непросто.
что решить эту проблему будет непросто.
14:43
Today, for most people,
310
871360
1656
Сегодня, чтобы получить кусочек,
14:45
their job is their seat
at the economic dinner table,
at the economic dinner table,
311
873040
2496
большинству населения надо лишь занять
место за экономическим столом.
место за экономическим столом.
14:47
and in a world with less work
or even without work,
or even without work,
312
875560
2416
Если работы для населения станет меньше
или же её не будет совсем,
или же её не будет совсем,
14:50
it won't be clear
how they get their slice.
how they get their slice.
313
878000
2056
непонятно, как распределятся эти куски.
14:52
There's a great deal
of discussion, for instance,
of discussion, for instance,
314
880080
2336
Уже обсуждаются
14:54
about various forms
of universal basic income
of universal basic income
315
882440
2696
различные формы безусловного
основного дохода (БОД) —
основного дохода (БОД) —
14:57
as one possible approach,
316
885160
1216
это один возможный подход.
14:58
and there's trials underway
317
886400
1616
В США, Финляндии и Кении
15:00
in the United States
and in Finland and in Kenya.
and in Finland and in Kenya.
318
888040
2400
даже проводятся эксперименты с БОД.
Нам всем предстоит решить вопрос о том,
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
как распределить
то материальное благосостояние,
то материальное благосостояние,
15:06
to figure out how this material prosperity
generated by our economic system
generated by our economic system
320
894200
5056
которое появится у нас
в новой экономической системе,
в новой экономической системе,
чтобы его плодами могли
насладиться все жители планеты.
насладиться все жители планеты.
15:11
can be enjoyed by everyone
321
899280
1976
15:13
in a world in which
our traditional mechanism
our traditional mechanism
322
901280
2416
В том новом мире
наши традиционные механизмы
наши традиционные механизмы
15:15
for slicing up the pie,
323
903720
1856
распределения пирога
15:17
the work that people do,
324
905600
1936
и распределения объёма работы
для каждого человека
для каждого человека
15:19
withers away and perhaps disappears.
325
907560
2160
станут неэффективны
и, возможно, исчезнут совсем.
и, возможно, исчезнут совсем.
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
Чтобы решить эту проблему,
нам придётся серьёзно подумать.
нам придётся серьёзно подумать.
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
Будет много споров о том,
как к этому подойти.
как к этому подойти.
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
Но важно, чтобы мы помнили,
что эта проблема — вовсе не проблема
что эта проблема — вовсе не проблема
15:35
than the one that haunted
our ancestors for centuries:
our ancestors for centuries:
329
923040
2816
по сравнению с той, которая преследовала
наших предков тысячелетиями,
наших предков тысячелетиями,
15:37
how to make that pie
big enough in the first place.
big enough in the first place.
330
925880
3376
а именно, как сделать
экономический пирог больше.
экономический пирог больше.
15:41
Thank you very much.
331
929280
1256
Благодарю за внимание.
15:42
(Applause)
332
930560
3840
(Аплодисменты)
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