Ngày xưa nếu bạn muốn máy tính
thực hiện thao tác mới,

thì bạn phải lập trình nó trước.

Đối với những bạn ở đây
chưa từng lập trình,

việc này đòi hỏi phải lập sơ đồ chi tiết

từng bước một cho điều
bạn muốn máy tính thực hiện

để đạt được mục tiêu của bạn.

Nếu bạn muốn làm một việc mà chính bạn
cũng không biết cách làm,

thì đây sẽ là một thử thách khá lớn.

Đây là thử thách mà người đàn ông này, 
Arthur Samuel, gặp phải.

Vào năm 1956, ông muốn chiếc máy tính này

có thể đánh bại ông trong môn cờ tướng.

Làm sao mà bạn có thể viết ra chương trình

tỉ mỉ, chi tiết về cách chơi 
cờ tướng giỏi hơn chính bạn ?

Vậy là ông nảy ra một ý tưởng:

ông để máy tính tự chơi lại hàng ngàn lần

và tự học cách chơi cờ.

Và quả nhiên cách này hiệu quả,
và thật sự, đến năm 1962,

chiếc máy này đã đánh bại 
quán quân bang Connecticut.

Arthur Samuel là cha đẻ của 
lĩnh vực machine learning,

và tôi rất biết ơn ông,

bởi tôi là một người làm trong 
ngành "máy biết học".

Tôi từng là Chủ tịch ở Kaggle

một cộng đồng gồm hơn 200,000 
chuyên gia về "máy biết học".

Kaggle tổ chức các cuộc thi

với thử thách là 
những vấn đề chưa có lời giải,

và họ đã thành công hàng trăm lần.

Với vị thế thuận lợi đó, 
tôi đã khám phá ra

rất nhiều thứ mà "máy biết học" có thể 
làm được trước đây, làm được bây giờ,

và những gì nó có thể làm trong tương lai.

Có lẽ sự thành công vang dội đầu tiên 
của "máy biết học" là Google

Google cho ta thấy nó có thể 
tìm kiếm thông tin

bằng cách sử dụng thuật toán,

và thuật toán này dựa trên
"máy biết học",

Kể từ đó, đã có rất nhiều thành công
về mặt thương mại của "máy biết học".

Công ty như Amazon và Netflix

sử dụng "máy biết học"để gợi ý 
những sản phẩm bạn có thể muốn mua,

các bộ phim bạn có thể muốn xem.

Đôi khi nó làm ta 
rùng mình.

Các công ty như LinkedIn và Facebook

đôi khi sẽ nói cho bạn biết ai có thể
là bạn bè của bạn

và bạn không hiểu nổi làm sao họ tìm ra,

và đó là vì họ dùng đến sức mạnh của
"máy biết học".

Đây là thuật toán tự học cách xử lý
từ cơ sở dữ liệu,

thay vì được lập trình sẵn trước đó.

Đây cũng là cách IBM thành công

trong việc khiến cho Watson đánh bại 
hai nhà vô địch chương trình "Jeopardy",

bằng cách trả lời những câu hỏi hóc 
búa và phức tạp như :

[Sư tử Nimrud bị mất tại bảo tàng 
quốc gia thành phố ...

Đây cũng là cơ sở cho
những xe hơi tự lái đầu tiên.

Nếu chúng phân biệt 
được sự khác nhau giữa

cây xanh và người đi bộ,
thì đó là việc rất quan trọng.

Chúng ta không biết cách viết 
những chương trình này,

nhưng với "máy biết học", điều đó
trở thành có thể.

Và thực tế, loại xe này đã đi được 
cả triệu dặm

trên những con đường bình thường 
mà không gây tai nạn nào.

Bây giờ chúng ta biết máy tính
có thể học được,

và chúng có thể học
cách làm những việc

mà đôi khi chính chúng ta 
không biết cách làm,

hoặc có thể chúng làm tốt hơn ta.

Một trong những ví dụ ngoạn mục nhất
về "máy biết học" tôi từng thấy

là dự án tôi tham gia ở Kaggle

nơi đó có một anh chàng điều khiển 
một nhóm, anh ta tên là Geofrey Hinton

đến từ Đại học Toronto

nhóm này thắng cuộc thi về
chế tạo máy phát hiện ma túy.

Bây giờ, điều phi thường ở đây 
không phải là họ đánh bại

tất cả các giải thuật phát triển bới Merk
hay các cộng đồng học thuật quốc tế khác

mà chính là họ không có thành viên nào 
chuyên về hóa, sinh hay khoa học đời sống,

và họ đã tạo ra chiếc máy 
chỉ trong 2 tuần.

Làm thế nào mà họ làm được?

Họ dùng 1 siêu giải thuật
gọi là deep learning: "học sâu".

Thành công này quan trọng 
đến mức đã được lên

trang bìa tờ New York Times
vài tuần sau đó.

Đây là Geoffrey Hinton ở đây bên bìa trái.

"Học sâu" là một giải thuật lấy 
cảm hứng từ cách làm việc của não người,

và kết quả là giải thuật này

về lý thuyết, không có giới hạn cho 
những gì nó có thể làm.

Bạn đưa vào càng nhiều dữ liệu và
cho càng nhiều thời gian,

thì nó càng làm tốt.

Trong bài báo này, Tờ New York Times
cũng nói về

một kết quả tuyệt vời khác 
của "học sâu"

mà tôi sẽ cho các bạn xem bây giờ.

Đó là máy tính có thể nghe và hiểu.

(Video) Richard Rashid: 
Bây giờ là bước cuối cùng

mà tôi muốn làm trong quá trình này

là nói chuyện với các bạn bằng 
tiếng Trung.

Điểm mấu chốt đó là,

chúng tôi có thể lấy lượng lớn
thông tin từ những người nói tiếng Trung

và tạo ra hệ thống chuyển văn bản 
thành giọng nói

nó giúp lấy văn bản tiếng Trung chuyển 
thành tiếng Trung,

và sau đó chúng tôi đã thực hiện khoảng 
1 giờ để lấy giọng của chính tôi

từ đó chúng tôi đã điều chỉnh

hệ thống chuyển 'văn bản-lời nói'
để cho ra được giọng nói giống tôi.

Lần nữa, kết quả không hoàn hảo.

Thực tế vẫn còn một vài lỗi.

( tiếng Trung).

(vỗ tay)

Còn nhiều việc để làm trong lĩnh vực này.

( tiếng Trung)

( vỗ tay)

Jeremy Howard: đó là trong một hội thảo
về "máy biết học" ở Trung Quốc.

Thực ra ở hội thảo học thuật, các bạn

thường ít nghe tiếng vỗ tay tự phát,

ngay cả ở các hội thảo của TEDx,
hay vỗ tay thoải mái đi.

Những điều bạn thấy đó
đang diễn ra với "học sâu".

( vỗ tay) Cảm ơn.

Viết lại lời tiếng tiếng Anh
bằng "học sâu".

Dịch sang tiếng Trung có văn bản
ở trên bên phải, do "học sâu",

và xây dựng giọng nói cũng nhờ 
"học sâu".

"Học sâu" thật sự phi thường.

Nó là một giải thuật đơn giản mà có vẻ 
làm được hầu hết mọi thứ,

và tôi phát hiện trước đó một năm,
nó còn học nhìn thấy.

Trong cuộc thi ở Đức,

cuộc thi 'Nhận biết Tín hiệu
Giao thông Benchmark',

"học sâu" nhận biết các 
tín hiệu giao thông,như cái này.

Nó không chỉ nhận biết tín hiệu giao thông

tốt hơn bất kỳ giải thuật nào khác,

mà còn làm tốt hơn cả con người,

tốt hơn gấp đôi.

Năm 2011, chúng tôi có thử nghiệm đầu tiên

cho thấy máy tính có thể nhìn
tốt hơn con người.

Từ đó, rất nhiều điều đã xảy ra.

Năm 2012, Google thông báo họ đã có một
giải thuật "học sâu"

xem được video trên YouTube

và lấy dữ liệu từ 16,000 máy tính trong
một tháng,

và máy tính đã học một cách độc lập
các khái niệm "người" và "mèo"

chỉ bằng việc xem các videos.

Cách này rất giống
cách học của con người.

Không cần khái niệm có sẵn,
ta học từ cái ta nhìn thấy,

ta có thể hiểu trực tiếp
bản chất của sự vật đó.

Cũng trong năm 2012, Geoffrey Hinton,

chiến thắng cuộc thi
ImageNet rất nổi tiếng,

vì đã tìm ra cách để xác định 
một trong số nửa triệu tấm ảnh

được giao trước.

Từ 2014, chúng tôi đã giảm
còn 6% tỉ lệ lỗi

trong việc nhận diện hình ảnh.

Với dạng việc này, 
máy cũng hơn con người.

Thật vậy, máy rất siêu trong lĩnh vực này,

và đang được ứng dụng trong công nghiệp.

Ví dụ, năm ngoái Google thông báo

họ đã lập bản đồ mọi địa điểm ở Pháp 
trong 2 giờ,

và cách họ làm là nạp những hình ảnh 
đường phố

vào giải thuật "học sâu" để nhận diện
và đọc số nhà.

Hãy tưởng tượng trước đây 
mất bao lâu:

vài chục người làm việc trong nhiều năm.

Điều này cũng diễn ra ở Trung Quốc.

Tôi thấy Baidu cũng là một dạng 
Google ở Trung Quốc,

và những gì bạn thấy ở trên bên góc trái

là một ví dụ về một bức ảnh tôi tải lên 
hệ thống "học sâu" của Baidu

và ở dưới bạn có thể thấy kết quả 
hệ thống xử lý bức ảnh

và nó đã tìm ra những bức hình tương tự.

Những bức hình tương tự thực ra có 
nền tương tự,

hướng của khuôn mặt tương tự,

và cả một số hình có lưỡi thè ra.

Đây không phải là đối chiếu văn bản 
của trang web.

Tôi chỉ upload một tấm ảnh.

Vậy chúng ta đang có những chiếc máy tính
thực sự hiểu được những gì chúng nhìn thấy

và có thể nhờ đó tìm dữ liệu

của hàng trăm triệu tấm ảnh.

Điều đó có nghĩa là gì khi máy tính 
có thể nhìn thấy?

À, máy tính không chỉ có thể
nhìn thấy.

Thật ra, "học sâu"
còn làm được nhiều hơn.

Những câu phức tạp và đầy 
nét khác biệt tinh tế như câu này

giờ đã được hiểu bởi giải thuật "học sâu".

Như các bạn thấy ở đây,

hệ thống nền Stanford này đang chiếu điểm
đỏ ở trên

đã tìm ra rằng câu này thể hiện tình cảm
tiêu cực.

"học sâu" thực sự đang gần giống như
con người

trong việc hiểu chủ đề các câu 
và nội dung diễn đạt.

"học sâu" có thể đọc tiếng Trung,

giống như người nói tiếng Trung bản xứ.

Giải thuật này phát triển ở Thụy Sĩ

bởi những người không 
biết tí gì tiếng Trung.

Như tôi đã nói, "học sâu"

là phương tiện tốt nhất 
trong lĩnh vực này,

vì nó có thể hiểu 
thậm chí như người bản địa.

Đây là hệ thống chúng tôi trang bị
ở công ty tôi,

công ty tôi muốn sử dụng 
và kết hợp tất cả.

Đây là những tấm hình không kèm theo
dòng chữ nào,

vì tôi viết những câu vào chỗ này,

nhờ đó nó hiểu những tấm hình này

và tìm ra chúng nói về cái gì

và tìm những tấm hình có ý 
tương tự với dòng chữ tôi đang viết.

Vậy các bạn thấy đó, nó thực sự hiểu
được câu tôi viết

và thực sự hiểu những tấm hình này.

Tôi biết các bạn từng thấy điều tương tự
trên Google,

khi bạn viết điều gì đó và chúng hiện
lên các tấm ảnh,

nhưng thực sự những gì nó đang làm là 
tìm những trang web theo dòng chữ.

Điều này rất khác với việc thực việc hiểu
những tấm ảnh.

Đây là điều mà máy tính chỉ có thể làm

lần đầu tiên cách đây vài tháng.

Chúng ta thấy máy tính không chỉ 
nhìn thấy được mà chúng còn đọc được,

và dĩ nhiên chúng tôi cho thấy chúng còn
hiểu được những gì chúng nghe.

Có lẽ không còn ngạc nhiên khi tôi nói 
với các bạn chúng có thể viết.

Ở đây là những dòng văn bản tôi tạo ra
bằng giải thuật "học sâu" hôm qua.

Và đây là những văn bản giải thuật ở 
Stanford tạo ra.

Mỗi câu được tạo ra

bằng giải thuật "học sâu" nhằm mô tả
những bức ảnh này.

Trước đây giải thuật này chưa bao giờ
thấy một người đàn ông áo đen chơi ghita

Nhưng nó đã thấy đàn ông,
và đã thấy màu đen,

và nó cũng đã thấy đàn ghita,

rồi nó đã tự tạo ra 
chú thích của tấm ảnh này.

Máy vẫn chưa đạt đến mức như 
con người, nhưng cũng khá gần rồi.

Trong các thí nghiệm máy viết phụ đề
cho hình, số phụ đề được người ta chọn

chỉ ở tỉ lệ 1/4.

Nhưng hệ thống này giờ 
chỉ mới 2 tuần tuổi,

nên có thể trong năm tới,

giải thuật máy tính sẽ còn
hơn cả con người

và tỉ lệ được chọn sẽ cao hơn.

Máy tính cũng có thể viết.

Chúng tôi kết hợp tất cả lại và nó 
dẫn đến những cơ hội rất thú vị.

Ví dụ, trong ngành y,

một nhóm ở Boston thông báo họ đã tìm ra

hàng chục tính năng lâm sàng mới

của các khối u để giúp các
bác sĩ tiên đoán bệnh ung thư.

Tương tự, ở Stanford,

một nhóm thông báo rằng, dựa vào 
các hình phóng đại của mô,

họ phát triển hệ thống "máy biết học"

còn tốt hơn cả các nhà nghiên cứu bệnh học

nhờ thế làm tăng khả năng sống sót
của các bệnh nhân ung thư.

Trong cả hai trường hợp, không chỉ việc 
tiên đoán chính xác hơn,

mà còn tạo ra ngành 
khoa học mới rất triển vọng.

Trong lĩnh vực X-quang,

chúng là những chỉ số lâm sàng
mới mà con người có thể hiểu.

Trong lĩnh vực bệnh học,

hệ thống máy tính đã cho thấy rằng 
những tế bào xung quanh khối u

cũng quan trọng như chính tế bào ung thư

trong việc chẩn đoán bệnh.

Điều này ngược với những gì các nhà 
bệnh học được dạy trong nhiều thập kỷ qua.

Trong mỗi trường hợp trên,
chúng là các hệ thống được phát triển

bởi sự hợp tác của các chuyên gia y tế
và các chuyên gia "máy biết học",

nhưng từ năm trước,
chúng tôi đã tiến khá xa.

Đây là một ví dụ về xác định khu vực 
ung thư

của mô người dưới kính hiển vi.

Hệ thống có thể xác định những 
khu vực chính xác hơn

hoặc tương đương các nhà bệnh học,

nhưng vì nó được xây dựng với 
"học sâu" không có chuyên gia ngành y

nên những người không chuyên 
cũng có thể dùng.

Ví dụ như việc phân đoạn nơ ron này.

Máy giúp chúng tôi phân đoạn nơ ron 
chính xác như các chuyên gia,

nhưng hệ thống này lại được thiết kế với
"học sâu"

bởi những người không có 
chuyên môn y khoa.

Còn tôi, cũng không có nền tảng về y khoa,

thế mà tôi dường như có đầy đủ năng lực 
để mở một công ty về ngành y,

và tôi đã làm.

Tôi đã từng sợ trước khi bắt đầu,

nhưng lý thuyết cho thấy mọi người có thể

dùng những kỹ thuật phân tích dữ liệu 
để có được một nền y học hiệu quả.

Và may mắn là tôi nhận được 
những phản hồi rất tốt,

không chỉ từ truyền thông 
mà còn từ giới y khoa,

họ luôn ủng hộ.

Về lý thuyết, chúng tôi có thể lấy phần 
giữa của quy trình

và làm phân tích dữ liệu 
càng nhiều càng tốt,

phần còn lại dành cho bác sĩ.

Tôi muốn đưa ra một ví dụ.

Thông thường ta cần 15 phút 
để làm một xét nghiệm chẩn đoán

và tôi sẽ làm cho bạn xem

tôi nén nó thành 3 phút 
bằng cách cắt bớt bỏ một số phần.

Thay vì cho bạn xem quá trình 
một xét nghiệm chẩn đoán y học,

tôi sẽ cho các bạn xem một xét nghiệm
chẩn đoán hình ảnh xe hơi,

vì như thế sẽ dễ hiểu cho mọi người.

Chúng tôi bắt đầu với khoảng 1,5 triệu 
hình ảnh xe hơi,

tôi muốn tạo tiêu chuẩn để 
gom chúng lại vào góc

của bức hình đang được chụp.

Những bức hình này không gắn nhãn trước,
nên tôi phải bắt đầu từ số không.

Giải thuật "học sâu"

có thể tự xác định 
vùng cấu trúc trong những bức ảnh này.

Rất thuận lợi, bây giờ con người 
và máy tính có thể làm việc cùng nhau.

Như các bạn đang thấy đây, con người

đang nói cho máy tính biết 
lĩnh vực cần quan tâm

mà họ muốn máy tính sử dụng để 
cải thiện giải thuật của nó.

Những hệ thống "học sâu" này thực ra là
không gian 16,000 chiều,

bạn có thể thấy ở đây máy tính quay
quanh không gian đó,

cố gắng tìm vùng mới của cấu trúc.

Và khi nó làm thành công,

người sử dụng máy có thể tìm thấy
khu vực đáng quan tâm.

Ở đây, máy tính đã tìm ra những vùng đó,

ví dụ, các góc.

Khi chúng tôi thực hiện,

chúng tôi lần lượt nói cho máy tính

các loại mảng cấu trúc 
mà chúng tôi tìm kiếm.

Hãy liên tưởng xét nghiệm chuẩn đoán,

ví dụ, một chuyên gia bệnh học 
xác định những vùng của bệnh ,

hoặc một bác sĩ X-quang cho thấy nốt sần
có thể gây phiền phức,

và đôi khi nó gây khó cho giải thuật.

Trong trường hợp này, giải thuật hơi rối.

Phần trước và sau của xe rất
giống nhau nên dễ nhầm.

Chúng tôi phải cẩn thận hơn,

chọn bằng tay phần trước để thấy 
sự khác biệt với phần sau,

sau đó bảo với máy tính rằng đây là
tiêu chuẩn nhận dạng nhóm

mà chúng tôi quan tâm.

Chúng tôi làm điều đó,
thỉnh thoảng bỏ qua,

sau đó luyện tập giải thuật 
cho "máy biết học"

dựa trên hàng trăm lần như thế này,

chúng tôi hy vọng nó hoàn thiện hơn.

Các bạn thấy đó, nó đang bắt đầu làm mờ
vài bức ảnh,

cho thấy rằng nó đã nhận ra cách 
để hiểu những hình đó.

Chúng tôi có thể dùng khái niệm này cho
các bức ảnh tương tự,

và dùng các bức ảnh tương tự, bạn thấy đó,

máy tính có thể tìm thấy
phần trước của chiếc xe.

Lúc này, con người có thể nói cho máy tính

ok, đúng rồi, bạn đã làm rất tốt.

Nhưng đôi khi, đối với máy

việc tách các nhóm hình vẫn còn khó.

Ngay cả khi chúng tôi để nhiều thời gian 
cho máy tính xoay xở,

nhưng chúng tôi vẫn thấy phía trái 
và phía phải bức ảnh

bị chọn nhầm lẫn.

Để cho máy tính thêm vài gợi ý,

chúng tôi nói: ok, hãy thử và tìm 
một chi tiết

khác biệt rõ ràng nhất
giữa bên trái và bên phải

bằng giải thuật "học sâu" này.

Và với gợi ý đó, à, nó đã thành công.

Nó được giao nhiệm vụ tìm ra cách
nhận ra các đối tượng này

rồi tách rời chúng ra.

Các bạn đã nắm được cách làm này.

Trong trường hợp này máy tính 
không thể thay con người,

nhưng cả hai làm việc chung với nhau.

Điều chúng tôi đang làm là thay thế 
những thứ mà trước đây cần một đội

5 hoặc 6 người làm trong 7 năm

bằng một công việc trong 15 phút

của một người.

Quá trình nhận ra và tách hình 
được lặp lại 4 hoặc 5 lần.

Các bạn thấy chúng tôi có 62%

trong số 1.5 triệu bức ảnh 
được phân loại chính xác.

Và ở mức độ này, chúng tôi có thể
bắt đầu với

những nhóm lớn,

kiểm tra chúng để bảo đảm không còn lỗi.

Nơi nào có lỗi, chúng tôi sẽ cho
máy tính biết.

Và dùng dạng quá trình này cho từng nhóm
khác nhau,

bây giờ, chúng tôi đạt đến 80% tỉ lệ 
thành công

trong việc phân loại 1.5 triệu tấm ảnh.

Lúc này, với trường hợp

tìm thấy những tấm 
không được phân loại đúng,

chúng tôi cố gắng tìm hiểu lý do.

Và sử dụng cách tiếp cận trên,

với 15 phút chúng tôi đạt tỉ lệ phân loại
97%.

Vậy kỹ thuật này có thể cho chúng ta
chỉnh sửa một vấn đề lớn,

mà toàn bộ chuyên gia trên 
thế giới cũng không đủ số để làm.

Diễn đàn Kinh tế Thế giới nói rằng 
vào giữa thập kỷ 2010 và 2020

số lượng bác sĩ bị thiếu 
so với nhu cầu của thế giới,

và phải mất khoảng 300 năm

để đào tạo đủ số nhân sự cho vấn đề này.

Hãy tưởng tượng, liệu chúng ta có thể 
nâng hiệu năng của họ

qua cách tiếp cận "học sâu"?

Tôi rất thích việc tạo ra những cơ hội.

Tôi cũng quan tâm đến 
các vấn đề khó cần giải quyết.

Vấn đề ở đây là ở mỗi khu vực 
màu xanh da trời trên bản đồ,

ngành dịch vụ chiếm 80% nhân lực.

Ngành dịch vụ gì vậy?

Các dịch vụ trong bảng này.

Máy tính cũng vừa mới học 
được cách làm các dịch vụ này.

Vậy công việc của 80% nhân lực 
trong các nước phát triển

sẽ được máy tính học để làm thay.

Điều đó có nghĩa là gì?

À, sẽ ổn thôi.
Họ sẽ làm các công việc khác.

Ví dụ, sẽ có nhiều việc hơn cho
các nhà khoa học dữ liệu.

À cũng không hẳn.

Vì các nhà khoa học dữ liệu 
không cần nhiều thời gian nữa.

Ví dụ, bốn giải thuật này được xây dựng
bởi cùng một người.

Các bạn nghĩ chuyện này 
đã xảy ra trước đây rồi,

trong quá khứ nhiều máy móc 
được làm ra và tiếp theo là

và nhiều người đã phải 
chuyển sang việc mới,

nhưng việc mới của thời nay này sẽ là gì?

Thật khó để dự đoán được điều này,

vì khả năng của con người 
thì chỉ tăng từng bước,

nhưng với một hệ thống "học sâu",

chúng ta có khả năng phát triển rất nhanh.

Và chúng ta ở đây.

Chúng ta thấy những thứ xung quanh

và chúng ta nói: "Ôi, máy tính
vẫn ngốc lắm", lo gì ?

Nhưng trong 5 năm nữa, máy tính
sẽ không còn như vậy.

Chúng ta cần suy nghĩ tới 
khả năng này ngay từ bây giờ.

Chúng ta thấy một lần
như vậy trước đây rồi.

Trong cách mạng công nghiệp,

chúng ta đã thấy những thay đổi 
nhờ các động cơ.

Mặc dù vậy, sau đó mọi thứ
trở nên bình thường.

Đã có vài đảo lộn trong xã hội,

nhưng một khi động cơ được dùng 
để tạo ra những thuận lợi cho cuộc sống,

thì mọi thứ đi vào ổn định.

Cuộc cách mạng "máy biết học"

sẽ rất khác với 
Cuộc cách mạng công nghiệp,

vì Cách mạng "máy biết học sẽ
không bao giờ dừng lại.

Máy tính càng giỏi 
trong các hoạt động trí tuệ,

thì chúng tạo nên những 
máy tính càng thông minh hơn,

và đây chính là kiểu thay đổi

mà thế giới chưa bao giờ trải qua,

những phán đoán trước đây của bạn 
có thể sẽ không chính xác.

Điều này tác động lên chính chúng ta.

Trong 25 năm trước, khi năng suất
thiết bị tăng,

thì năng suất lao động không tăng, 
mà thậm chí còn hơi giảm.

Tôi nghĩ chúng ta cần
thảo luận về vấn đề này từ bây giờ.

Khi tôi nói với mọi người 
về tình hình này,

họ thường tỏ vẻ coi thường.

Đúng, máy tính không thể suy nghĩ,

chúng không có cảm xúc, không hiểu thơ ca,

nhưng ta không lường 
trước được cách chúng làm việc.

Vậy chuyện gì đây?

Bây giờ, máy tính có thể làm

những việc mà con người 
cần cả đời để thực hiện,

đây là thời điểm để
chúng ta nghĩ tới

cách điều chỉnh cấu trúc xã hội
và cấu trúc kinh tế

để thận trọng với hiện thực mới này.

Xin cảm ơn.

(Tiếng vỗ tay)