[Script Info]
Title: 
[Events]
Format: Layer, Start, End, Style, Name, MarginL, MarginR, MarginV, Effect, Text
Dialogue: 0,0:00:00.88,0:00:04.89,Default,,0000,0000,0000,,過去如果想用電腦來作點新東西，
Dialogue: 0,0:00:04.89,0:00:06.45,Default,,0000,0000,0000,,你需要設計程式。
Dialogue: 0,0:00:06.45,0:00:09.86,Default,,0000,0000,0000,,而現在，\N你們可能沒做過程式設計這件事，
Dialogue: 0,0:00:09.86,0:00:13.36,Default,,0000,0000,0000,,它需要規劃相當詳細的細節
Dialogue: 0,0:00:13.36,0:00:16.73,Default,,0000,0000,0000,,那些你想讓電腦執行的每一個步驟
Dialogue: 0,0:00:16.73,0:00:19.09,Default,,0000,0000,0000,,以達到你的目的。
Dialogue: 0,0:00:19.09,0:00:22.58,Default,,0000,0000,0000,,如果你沒有概念要怎麼做的話
Dialogue: 0,0:00:22.58,0:00:24.65,Default,,0000,0000,0000,,那會是個很大的挑戰。
Dialogue: 0,0:00:24.65,0:00:28.13,Default,,0000,0000,0000,,亞瑟·撒姆爾也曾面對這種挑戰。
Dialogue: 0,0:00:28.13,0:00:32.21,Default,,0000,0000,0000,,他在 1956 年便想到用這台電腦
Dialogue: 0,0:00:32.21,0:00:34.55,Default,,0000,0000,0000,,能夠在西洋跳棋棋賽打敗他。
Dialogue: 0,0:00:34.55,0:00:36.59,Default,,0000,0000,0000,,要如何設計這樣的程式？
Dialogue: 0,0:00:36.59,0:00:40.39,Default,,0000,0000,0000,,把細節通通寫出來，\N如何讓電腦比你還會下棋？
Dialogue: 0,0:00:40.39,0:00:42.12,Default,,0000,0000,0000,,於是他想出了一個點子：
Dialogue: 0,0:00:42.12,0:00:45.84,Default,,0000,0000,0000,,他讓電腦與電腦本身對弈數千次
Dialogue: 0,0:00:45.84,0:00:48.36,Default,,0000,0000,0000,,以學習如何玩西洋棋。
Dialogue: 0,0:00:48.36,0:00:51.54,Default,,0000,0000,0000,,然而，在 1962 年做到了，
Dialogue: 0,0:00:51.54,0:00:55.56,Default,,0000,0000,0000,,電腦打敗了康乃狄克州的冠軍。
Dialogue: 0,0:00:55.56,0:00:58.53,Default,,0000,0000,0000,,於是亞瑟·撒姆爾\N成為了機器學習之父，
Dialogue: 0,0:00:58.53,0:01:00.25,Default,,0000,0000,0000,,我尊敬他，
Dialogue: 0,0:01:00.25,0:01:03.01,Default,,0000,0000,0000,,因為我也是個機器學習實踐者，
Dialogue: 0,0:01:03.01,0:01:04.48,Default,,0000,0000,0000,,我曾是 Kaggle 的會長，
Dialogue: 0,0:01:04.48,0:01:07.87,Default,,0000,0000,0000,,Kaggle 是個超過 20 萬人的\N機器學習實踐者的社群。
Dialogue: 0,0:01:07.87,0:01:09.92,Default,,0000,0000,0000,,Kaggle 設立了一些比賽
Dialogue: 0,0:01:09.92,0:01:13.63,Default,,0000,0000,0000,,讓他們參與解決\N過去無法解決的問題，
Dialogue: 0,0:01:13.63,0:01:17.47,Default,,0000,0000,0000,,而有上百的成功個案。
Dialogue: 0,0:01:17.47,0:01:19.94,Default,,0000,0000,0000,,從這有利的環境中，\N我發現
Dialogue: 0,0:01:19.94,0:01:23.89,Default,,0000,0000,0000,,很多機器學習在\N過去和現在可以做到的事情，
Dialogue: 0,0:01:23.89,0:01:26.25,Default,,0000,0000,0000,,還有未來可以做到的事。
Dialogue: 0,0:01:26.25,0:01:30.68,Default,,0000,0000,0000,,第一個機器學習的\N商業成功案例是谷歌。
Dialogue: 0,0:01:30.68,0:01:33.78,Default,,0000,0000,0000,,谷歌展示找尋資料的方法
Dialogue: 0,0:01:33.78,0:01:35.54,Default,,0000,0000,0000,,是使用計算機演算法，
Dialogue: 0,0:01:35.54,0:01:38.44,Default,,0000,0000,0000,,而這演算法是以機器學習為基礎。
Dialogue: 0,0:01:38.44,0:01:42.32,Default,,0000,0000,0000,,自此，機器學習\N有很多的商業成功例子，
Dialogue: 0,0:01:42.32,0:01:44.16,Default,,0000,0000,0000,,譬如亞馬遜和奈飛公司
Dialogue: 0,0:01:44.16,0:01:47.88,Default,,0000,0000,0000,,用機器學習會向你推薦\N你可能想買的商品，
Dialogue: 0,0:01:47.88,0:01:49.90,Default,,0000,0000,0000,,你可能想看的影片。
Dialogue: 0,0:01:49.90,0:01:51.70,Default,,0000,0000,0000,,有時，你可能會很訝異。
Dialogue: 0,0:01:51.70,0:01:53.66,Default,,0000,0000,0000,,像領英和臉書等公司
Dialogue: 0,0:01:53.66,0:01:56.25,Default,,0000,0000,0000,,有些時候會告訴你\N誰會是你的朋友
Dialogue: 0,0:01:56.25,0:01:58.23,Default,,0000,0000,0000,,而你根本不知道他們是如何做到的，
Dialogue: 0,0:01:58.23,0:02:01.20,Default,,0000,0000,0000,,因為他們用了\N機器學習這強大的功能。
Dialogue: 0,0:02:01.20,0:02:04.15,Default,,0000,0000,0000,,演算法從資料去學習這類事情
Dialogue: 0,0:02:04.15,0:02:07.40,Default,,0000,0000,0000,,不需要動手去編寫程式。
Dialogue: 0,0:02:07.40,0:02:09.88,Default,,0000,0000,0000,,這也是 IBM 過去能成功的原因
Dialogue: 0,0:02:09.88,0:02:13.74,Default,,0000,0000,0000,,讓超級電腦「華生」在「危機遊戲」中\N打敗兩屆世界冠軍。
Dialogue: 0,0:02:13.74,0:02:16.96,Default,,0000,0000,0000,,回答一些細碎和複雜的問題，像是
Dialogue: 0,0:02:16.96,0:02:19.80,Default,,0000,0000,0000,,「2003年，古獅像在這城市的\N國家博物館消失了（連同其他物品）」
Dialogue: 0,0:02:19.80,0:02:23.03,Default,,0000,0000,0000,,這也是我們現在能看到第一部\N自行駕駛汽車的原因。
Dialogue: 0,0:02:23.03,0:02:25.86,Default,,0000,0000,0000,,如果你能說出不同點，像是
Dialogue: 0,0:02:25.86,0:02:28.49,Default,,0000,0000,0000,,一棵樹和一條行人道，\N那顯得非常重要。
Dialogue: 0,0:02:28.49,0:02:31.08,Default,,0000,0000,0000,,我們不知道如何設計這樣的程式，
Dialogue: 0,0:02:31.08,0:02:34.07,Default,,0000,0000,0000,,不過通過機器，這就成為可能。
Dialogue: 0,0:02:34.07,0:02:36.68,Default,,0000,0000,0000,,事實上，\N這部汽車已經行駛一百萬英哩
Dialogue: 0,0:02:36.68,0:02:40.19,Default,,0000,0000,0000,,在正常路面沒有發生事故。
Dialogue: 0,0:02:40.20,0:02:44.11,Default,,0000,0000,0000,,我們現在都知道電腦能夠學習，
Dialogue: 0,0:02:44.11,0:02:46.01,Default,,0000,0000,0000,,學習做一些
Dialogue: 0,0:02:46.01,0:02:48.85,Default,,0000,0000,0000,,有時我們自己也不知道怎麼做的事，
Dialogue: 0,0:02:48.85,0:02:51.73,Default,,0000,0000,0000,,還可能比我們做得更好。
Dialogue: 0,0:02:51.73,0:02:55.93,Default,,0000,0000,0000,,其中一個機器學習的經典例子
Dialogue: 0,0:02:55.93,0:02:58.32,Default,,0000,0000,0000,,是我在 Kaggle 所做的一個專案
Dialogue: 0,0:02:58.32,0:03:01.91,Default,,0000,0000,0000,,由傑佛里·辛頓帶領的團隊
Dialogue: 0,0:03:01.91,0:03:03.46,Default,,0000,0000,0000,,他是多倫多大學的教授
Dialogue: 0,0:03:03.46,0:03:06.14,Default,,0000,0000,0000,,他們贏了新藥研發的比賽。
Dialogue: 0,0:03:06.14,0:03:08.99,Default,,0000,0000,0000,,他們出色地方\N不只打敗了
Dialogue: 0,0:03:08.99,0:03:13.00,Default,,0000,0000,0000,,默克藥廠或國際學術社群\N所研發的演算法，
Dialogue: 0,0:03:13.00,0:03:18.06,Default,,0000,0000,0000,,他們的團隊沒有化學\N生物或生命科學的背景，
Dialogue: 0,0:03:18.06,0:03:20.23,Default,,0000,0000,0000,,而且只花了兩個星期就完成。
Dialogue: 0,0:03:20.23,0:03:21.61,Default,,0000,0000,0000,,他們怎麼做到的？
Dialogue: 0,0:03:22.42,0:03:25.34,Default,,0000,0000,0000,,他們用了一個很出色的演算法\N叫做「深度學習」。
Dialogue: 0,0:03:25.34,0:03:28.29,Default,,0000,0000,0000,,這是重要且成功的事情
Dialogue: 0,0:03:28.29,0:03:31.41,Default,,0000,0000,0000,,在數星期後\N被刊登在紐約時報頭版。
Dialogue: 0,0:03:31.41,0:03:34.15,Default,,0000,0000,0000,,左手邊那位是傑佛里·辛頓。
Dialogue: 0,0:03:34.15,0:03:38.49,Default,,0000,0000,0000,,深度學習是一種\N受到人類大腦啟發的演算法，
Dialogue: 0,0:03:38.49,0:03:40.30,Default,,0000,0000,0000,,它是一種演算法
Dialogue: 0,0:03:40.30,0:03:44.14,Default,,0000,0000,0000,,做法不受理論限制的演算法。
Dialogue: 0,0:03:44.14,0:03:46.96,Default,,0000,0000,0000,,你給它越多的資料和\N運算時間，
Dialogue: 0,0:03:46.96,0:03:48.28,Default,,0000,0000,0000,,會得到更好的結果。
Dialogue: 0,0:03:48.28,0:03:50.62,Default,,0000,0000,0000,,紐約時報的文章裡
Dialogue: 0,0:03:50.62,0:03:52.86,Default,,0000,0000,0000,,也介紹到深度學習的非凡成就
Dialogue: 0,0:03:52.86,0:03:55.57,Default,,0000,0000,0000,,我現在要展示給你們看。
Dialogue: 0,0:03:55.57,0:04:00.51,Default,,0000,0000,0000,,它顯示電腦能聽懂和理解資料的能力。
Dialogue: 0,0:04:00.51,0:04:03.22,Default,,0000,0000,0000,,（影片）理察·拉希德: \N現在，最後一步是
Dialogue: 0,0:04:03.22,0:04:06.25,Default,,0000,0000,0000,,我能夠理解這個程序
Dialogue: 0,0:04:06.25,0:04:10.96,Default,,0000,0000,0000,,我能夠跟你說中文。
Dialogue: 0,0:04:10.96,0:04:13.60,Default,,0000,0000,0000,,現在關鍵的是，
Dialogue: 0,0:04:13.60,0:04:18.60,Default,,0000,0000,0000,,我們從很多講中文的人士中\N收集大量的資訊
Dialogue: 0,0:04:18.60,0:04:21.13,Default,,0000,0000,0000,,然後產生文字轉化語言的系統
Dialogue: 0,0:04:21.13,0:04:25.80,Default,,0000,0000,0000,,將中文文字轉化成中文語言，
Dialogue: 0,0:04:25.80,0:04:29.93,Default,,0000,0000,0000,,然後錄一個小時我自己的聲音
Dialogue: 0,0:04:29.93,0:04:31.82,Default,,0000,0000,0000,,我們使用它去調變
Dialogue: 0,0:04:31.82,0:04:36.36,Default,,0000,0000,0000,,使標準文字轉化語音系統的聲音\N聽起來像我的聲音。
Dialogue: 0,0:04:36.36,0:04:38.90,Default,,0000,0000,0000,,再一次，雖然結果沒有很完美，
Dialogue: 0,0:04:38.90,0:04:41.55,Default,,0000,0000,0000,,裡面還有一些錯誤。
Dialogue: 0,0:04:41.55,0:04:44.04,Default,,0000,0000,0000,,（中文）
Dialogue: 0,0:04:44.04,0:04:47.40,Default,,0000,0000,0000,,（掌聲）
Dialogue: 0,0:04:49.45,0:04:53.02,Default,,0000,0000,0000,,在這個領域還有很多工作要做。
Dialogue: 0,0:04:53.02,0:04:56.67,Default,,0000,0000,0000,,（中文）
Dialogue: 0,0:04:56.67,0:05:00.10,Default,,0000,0000,0000,,（掌聲）
Dialogue: 0,0:05:01.34,0:05:04.74,Default,,0000,0000,0000,,傑里米·霍華德：那是在中國舉行的\N機器學習研討會。
Dialogue: 0,0:05:04.74,0:05:07.11,Default,,0000,0000,0000,,那不常有，事實上，\N在學術會議上
Dialogue: 0,0:05:07.11,0:05:09.01,Default,,0000,0000,0000,,聽到熱烈的掌聲，
Dialogue: 0,0:05:09.01,0:05:12.69,Default,,0000,0000,0000,,雖然有些時候 \NTEDx 講座不拘泥形式。
Dialogue: 0,0:05:12.69,0:05:15.48,Default,,0000,0000,0000,,你所看到的都是出於深度學習
Dialogue: 0,0:05:15.48,0:05:17.01,Default,,0000,0000,0000,,（掌聲）謝謝。
Dialogue: 0,0:05:17.01,0:05:19.29,Default,,0000,0000,0000,,英文文字翻譯由深度學習完成的。
Dialogue: 0,0:05:19.29,0:05:22.70,Default,,0000,0000,0000,,翻譯成中文和右上角的文稿\N也是出於深度學習，
Dialogue: 0,0:05:22.70,0:05:26.01,Default,,0000,0000,0000,,連創建聲音也都是深度學習。
Dialogue: 0,0:05:26.01,0:05:29.24,Default,,0000,0000,0000,,深度學習是如此的神奇。
Dialogue: 0,0:05:29.24,0:05:32.34,Default,,0000,0000,0000,,它是個單一的演算法\N似乎可以完成任何事情，
Dialogue: 0,0:05:32.34,0:05:35.45,Default,,0000,0000,0000,,我一年前還發現它可以學會看
Dialogue: 0,0:05:35.45,0:05:37.63,Default,,0000,0000,0000,,這個德國遊戲的比賽
Dialogue: 0,0:05:37.63,0:05:40.22,Default,,0000,0000,0000,,叫德國交通標誌確認基準，
Dialogue: 0,0:05:40.22,0:05:43.62,Default,,0000,0000,0000,,深度學習能認出這個交通標誌。
Dialogue: 0,0:05:43.62,0:05:45.71,Default,,0000,0000,0000,,它不只確認交通標誌的能力
Dialogue: 0,0:05:45.71,0:05:47.47,Default,,0000,0000,0000,,比其他的演算法好，
Dialogue: 0,0:05:47.47,0:05:50.19,Default,,0000,0000,0000,,在排行榜上更顯示它做得比人類好，
Dialogue: 0,0:05:50.19,0:05:52.04,Default,,0000,0000,0000,,正確性是人類的兩倍。
Dialogue: 0,0:05:52.04,0:05:54.04,Default,,0000,0000,0000,,2011 以前，我們有了第一個例子
Dialogue: 0,0:05:54.04,0:05:57.44,Default,,0000,0000,0000,,視力高於人類的電腦。
Dialogue: 0,0:05:57.44,0:05:59.49,Default,,0000,0000,0000,,從那時開始，許多電腦也可以做到。
Dialogue: 0,0:05:59.49,0:06:03.00,Default,,0000,0000,0000,,2012 年谷歌宣佈\N使用深度學習演算法
Dialogue: 0,0:06:03.00,0:06:04.42,Default,,0000,0000,0000,,來監看 Youtube 影片
Dialogue: 0,0:06:04.42,0:06:07.86,Default,,0000,0000,0000,,收集一個月 1,600 台電電腦的資料，
Dialogue: 0,0:06:07.86,0:06:12.22,Default,,0000,0000,0000,,電腦獨立識別\N人或貓的概念
Dialogue: 0,0:06:12.22,0:06:14.03,Default,,0000,0000,0000,,僅透過觀看影片。\N
Dialogue: 0,0:06:14.03,0:06:16.38,Default,,0000,0000,0000,,這樣更像人類的學習方式。
Dialogue: 0,0:06:16.38,0:06:19.12,Default,,0000,0000,0000,,人類並非通過別人的指示來學習，
Dialogue: 0,0:06:19.12,0:06:22.45,Default,,0000,0000,0000,,而是從自己搞懂事情來學習。
Dialogue: 0,0:06:22.45,0:06:25.82,Default,,0000,0000,0000,,在 2012 年傑佛里·辛頓\N我們之前看到的人，
Dialogue: 0,0:06:25.82,0:06:28.68,Default,,0000,0000,0000,,贏了很有名的映像網路比賽，
Dialogue: 0,0:06:28.68,0:06:32.82,Default,,0000,0000,0000,,嘗試從 150 萬的圖像中找出
Dialogue: 0,0:06:32.82,0:06:34.26,Default,,0000,0000,0000,,想要的圖像。
Dialogue: 0,0:06:34.26,0:06:37.79,Default,,0000,0000,0000,,2014 年, 我們現在\N圖像辨識的錯誤率
Dialogue: 0,0:06:37.79,0:06:39.24,Default,,0000,0000,0000,,降到 6％ 以下。
Dialogue: 0,0:06:39.24,0:06:41.27,Default,,0000,0000,0000,,這再次證明它比人類優秀。
Dialogue: 0,0:06:41.27,0:06:45.04,Default,,0000,0000,0000,,可見機器\N真可以做到如此非凡的成就，
Dialogue: 0,0:06:45.04,0:06:47.31,Default,,0000,0000,0000,,它現在已經用在產業上了。
Dialogue: 0,0:06:47.31,0:06:50.35,Default,,0000,0000,0000,,比如說，谷歌去年宣佈
Dialogue: 0,0:06:50.35,0:06:54.93,Default,,0000,0000,0000,,他們可以在兩小時内把\N法國每一個位置繪成地圖，
Dialogue: 0,0:06:54.93,0:06:58.38,Default,,0000,0000,0000,,他們用的方式是\N把街景圖像
Dialogue: 0,0:06:58.38,0:07:02.70,Default,,0000,0000,0000,,輸入深度學習演算法\N來辨認和讀取街道號碼。
Dialogue: 0,0:07:02.70,0:07:04.92,Default,,0000,0000,0000,,想想我們以前需要花多少時間？
Dialogue: 0,0:07:04.92,0:07:08.27,Default,,0000,0000,0000,,至少好幾十人加上好幾年呢。
Dialogue: 0,0:07:08.27,0:07:10.18,Default,,0000,0000,0000,,同樣的情況也發生在中國。
Dialogue: 0,0:07:10.18,0:07:14.22,Default,,0000,0000,0000,,我想「百度」類似中國的谷歌，
Dialogue: 0,0:07:14.22,0:07:16.50,Default,,0000,0000,0000,,在左上角你會看見
Dialogue: 0,0:07:16.50,0:07:20.48,Default,,0000,0000,0000,,一張我上傳到\N百度深度學習系統的圖片，
Dialogue: 0,0:07:20.48,0:07:24.25,Default,,0000,0000,0000,,下方你可以看到\N系統可以理解這張圖片
Dialogue: 0,0:07:24.25,0:07:26.48,Default,,0000,0000,0000,,而且能找到相似的圖像。
Dialogue: 0,0:07:26.48,0:07:29.22,Default,,0000,0000,0000,,類似的圖像\N也就是有相似的背景，
Dialogue: 0,0:07:29.22,0:07:30.88,Default,,0000,0000,0000,,相似面孔的角度，
Dialogue: 0,0:07:30.88,0:07:32.66,Default,,0000,0000,0000,,有的圖像甚至有伸出舌頭。
Dialogue: 0,0:07:32.66,0:07:35.70,Default,,0000,0000,0000,,這個網頁的文字看不大清楚，
Dialogue: 0,0:07:35.70,0:07:37.11,Default,,0000,0000,0000,,因為我上傳的都是圖像。
Dialogue: 0,0:07:37.11,0:07:41.13,Default,,0000,0000,0000,,這顯示了電腦能明白他們所看到的
Dialogue: 0,0:07:41.13,0:07:42.75,Default,,0000,0000,0000,,電腦能夠搜尋資料庫
Dialogue: 0,0:07:42.75,0:07:46.31,Default,,0000,0000,0000,,以即時的方式從億萬張圖片中搜尋。
Dialogue: 0,0:07:46.31,0:07:49.54,Default,,0000,0000,0000,,現在的電腦能夠去看\N是表示什麼意思呢？
Dialogue: 0,0:07:49.54,0:07:51.55,Default,,0000,0000,0000,,其實電腦不只能看見。
Dialogue: 0,0:07:51.55,0:07:53.62,Default,,0000,0000,0000,,事實上深度學習可以做得更多。
Dialogue: 0,0:07:53.62,0:07:56.57,Default,,0000,0000,0000,,像這個樣複雜，僅有小小差別的句子
Dialogue: 0,0:07:56.57,0:07:59.39,Default,,0000,0000,0000,,現在的深度學習演算法能夠理解。
Dialogue: 0,0:07:59.39,0:08:00.70,Default,,0000,0000,0000,,你可以看到，
Dialogue: 0,0:08:00.70,0:08:03.46,Default,,0000,0000,0000,,這以史丹福為基礎的系統\N顯示上面的紅點
Dialogue: 0,0:08:03.46,0:08:07.38,Default,,0000,0000,0000,,指這句子是在表達負面的情緒。
Dialogue: 0,0:08:07.38,0:08:10.79,Default,,0000,0000,0000,,深度學習現在已經接近人類的行為
Dialogue: 0,0:08:10.80,0:08:15.92,Default,,0000,0000,0000,,能理解句子是要表達什麼。
Dialogue: 0,0:08:15.92,0:08:18.65,Default,,0000,0000,0000,,同時，深度學習也能用以閱讀中文，
Dialogue: 0,0:08:18.65,0:08:21.81,Default,,0000,0000,0000,,程度相當於以中文為母語的水平。
Dialogue: 0,0:08:21.81,0:08:23.98,Default,,0000,0000,0000,,這演算法發展於瑞士
Dialogue: 0,0:08:23.98,0:08:27.33,Default,,0000,0000,0000,,沒有一個會說中文的團隊。
Dialogue: 0,0:08:27.33,0:08:29.38,Default,,0000,0000,0000,,像我說的，深度學習
Dialogue: 0,0:08:29.38,0:08:31.60,Default,,0000,0000,0000,,是一個最好的系統\N對完成這任務來說，
Dialogue: 0,0:08:31.60,0:08:36.72,Default,,0000,0000,0000,,甚至比人類還要好。
Dialogue: 0,0:08:36.72,0:08:39.68,Default,,0000,0000,0000,,這個系統是我公司建立的
Dialogue: 0,0:08:39.68,0:08:41.73,Default,,0000,0000,0000,,要把這些東西都集中在一起。
Dialogue: 0,0:08:41.73,0:08:44.19,Default,,0000,0000,0000,,這是一些沒有文字描述的圖片，
Dialogue: 0,0:08:44.19,0:08:46.54,Default,,0000,0000,0000,,我在這裡輸入句子，
Dialogue: 0,0:08:46.54,0:08:49.51,Default,,0000,0000,0000,,它在同步理解這些照片
Dialogue: 0,0:08:49.51,0:08:51.19,Default,,0000,0000,0000,,找出它們是有關什麼的照片
Dialogue: 0,0:08:51.19,0:08:54.35,Default,,0000,0000,0000,,也找出跟我句子相關類似的圖片。
Dialogue: 0,0:08:54.35,0:08:57.11,Default,,0000,0000,0000,,所以你看，\N它真的能理解我的句子。
Dialogue: 0,0:08:57.11,0:08:59.33,Default,,0000,0000,0000,,也完全的理解這些圖片。
Dialogue: 0,0:08:59.33,0:09:01.89,Default,,0000,0000,0000,,你在谷歌上也看過類似的，
Dialogue: 0,0:09:01.89,0:09:04.67,Default,,0000,0000,0000,,你可以輸入文字\N而它會顯示圖片，
Dialogue: 0,0:09:04.67,0:09:08.09,Default,,0000,0000,0000,,但事實上，它在尋索網頁上的文字。
Dialogue: 0,0:09:08.09,0:09:11.09,Default,,0000,0000,0000,,這跟理解圖片有很大的不同。
Dialogue: 0,0:09:11.09,0:09:13.84,Default,,0000,0000,0000,,理解圖片只有電腦可以做
Dialogue: 0,0:09:13.84,0:09:17.09,Default,,0000,0000,0000,,電腦在過去幾個月才會做的事。
Dialogue: 0,0:09:17.09,0:09:21.18,Default,,0000,0000,0000,,電腦不單能看見\N也能閱讀，
Dialogue: 0,0:09:21.18,0:09:24.95,Default,,0000,0000,0000,,而且我們顯示了電腦能理解所聽到的。
Dialogue: 0,0:09:24.95,0:09:28.39,Default,,0000,0000,0000,,或許不意外地，\N我要告訴你們電腦也能書寫。
Dialogue: 0,0:09:28.39,0:09:33.17,Default,,0000,0000,0000,,這是我昨天用深度學習演算法\N所產生的文字。
Dialogue: 0,0:09:33.17,0:09:37.10,Default,,0000,0000,0000,,這裡有一些非史丹佛演算法\N所產生的文字。
Dialogue: 0,0:09:37.10,0:09:38.86,Default,,0000,0000,0000,,這些句子的產生
Dialogue: 0,0:09:38.86,0:09:43.11,Default,,0000,0000,0000,,是透過深度學習演算法\N對圖片進行描述。
Dialogue: 0,0:09:43.11,0:09:47.58,Default,,0000,0000,0000,,這演算法是電腦從來沒有看見過\N一個穿黑襯衫的男子彈吉他。
Dialogue: 0,0:09:47.58,0:09:49.80,Default,,0000,0000,0000,,電腦見過男人，\N看過黑色，
Dialogue: 0,0:09:49.80,0:09:51.40,Default,,0000,0000,0000,,見過吉他，
Dialogue: 0,0:09:51.40,0:09:55.69,Default,,0000,0000,0000,,它自己便對圖片做出描述。
Dialogue: 0,0:09:55.69,0:09:59.20,Default,,0000,0000,0000,,雖然還沒有超越人類，\N不過很接近了。
Dialogue: 0,0:09:59.20,0:10:03.26,Default,,0000,0000,0000,,依據統計，人們較喜歡\N電腦的圖片說明
Dialogue: 0,0:10:03.26,0:10:04.79,Default,,0000,0000,0000,,有四分之一的人會做這樣的選擇。
Dialogue: 0,0:10:04.79,0:10:06.86,Default,,0000,0000,0000,,這系統在兩個星期前開發完成，
Dialogue: 0,0:10:06.86,0:10:08.70,Default,,0000,0000,0000,,估計在明年，
Dialogue: 0,0:10:08.70,0:10:11.50,Default,,0000,0000,0000,,電腦演算法將會超越人類
Dialogue: 0,0:10:11.50,0:10:13.36,Default,,0000,0000,0000,,如果依照這樣的速度發展下的話。
Dialogue: 0,0:10:13.36,0:10:16.41,Default,,0000,0000,0000,,到時候電腦也會書寫了。
Dialogue: 0,0:10:16.41,0:10:19.89,Default,,0000,0000,0000,,我們把這些都放在一起，\N讓它來引導到一個令人振奮的時機。
Dialogue: 0,0:10:19.89,0:10:21.38,Default,,0000,0000,0000,,像在藥物方面，
Dialogue: 0,0:10:21.38,0:10:23.90,Default,,0000,0000,0000,,一個波士頓的團隊\N宣佈他們發現了
Dialogue: 0,0:10:23.90,0:10:26.85,Default,,0000,0000,0000,,數十種腫瘤的臨床特徵
Dialogue: 0,0:10:26.85,0:10:31.12,Default,,0000,0000,0000,,幫助醫生預測癌症。
Dialogue: 0,0:10:32.22,0:10:34.52,Default,,0000,0000,0000,,同樣的，在史丹佛，
Dialogue: 0,0:10:34.52,0:10:38.18,Default,,0000,0000,0000,,一個組織宣佈\N在放大鏡下觀察組織，
Dialogue: 0,0:10:38.18,0:10:40.56,Default,,0000,0000,0000,,他們開發\N一個以機器學習為基礎的系統
Dialogue: 0,0:10:40.56,0:10:43.14,Default,,0000,0000,0000,,比人類病理學家更有效地
Dialogue: 0,0:10:43.14,0:10:47.52,Default,,0000,0000,0000,,預測癌症病患的生存率。
Dialogue: 0,0:10:47.52,0:10:50.76,Default,,0000,0000,0000,,這些例子，\N不但能更準確地預測，
Dialogue: 0,0:10:50.76,0:10:53.27,Default,,0000,0000,0000,,而且也能帶來更多科技上的洞見。
Dialogue: 0,0:10:53.28,0:10:54.78,Default,,0000,0000,0000,,在放射學的個案中，
Dialogue: 0,0:10:54.78,0:10:57.88,Default,,0000,0000,0000,,他們是人類所能理解的新臨床指標。
Dialogue: 0,0:10:57.88,0:10:59.67,Default,,0000,0000,0000,,在這病理學個案，
Dialogue: 0,0:10:59.67,0:11:04.17,Default,,0000,0000,0000,,電腦系統發現癌症周圍的細胞
Dialogue: 0,0:11:04.17,0:11:07.51,Default,,0000,0000,0000,,在診斷的時候
Dialogue: 0,0:11:07.51,0:11:09.26,Default,,0000,0000,0000,,是跟癌細胞一樣重要。
Dialogue: 0,0:11:09.26,0:11:14.62,Default,,0000,0000,0000,,這跟病理學家\N10 年來的說法相反。
Dialogue: 0,0:11:14.62,0:11:17.91,Default,,0000,0000,0000,,在這兩個個案，\N系統的開發人員
Dialogue: 0,0:11:17.91,0:11:21.53,Default,,0000,0000,0000,,是由醫學專家\N和機器學習專家所組成，
Dialogue: 0,0:11:21.53,0:11:24.28,Default,,0000,0000,0000,,但自去年開始，\N我們也超越了這些。
Dialogue: 0,0:11:24.28,0:11:27.82,Default,,0000,0000,0000,,這是確認癌症範圍的例子
Dialogue: 0,0:11:27.82,0:11:30.35,Default,,0000,0000,0000,,是在顯微鏡下的人類組織。
Dialogue: 0,0:11:30.35,0:11:34.97,Default,,0000,0000,0000,,系統顯示可以更準確地確認範圍，
Dialogue: 0,0:11:34.97,0:11:37.74,Default,,0000,0000,0000,,如病理學家般準確，
Dialogue: 0,0:11:37.74,0:11:41.13,Default,,0000,0000,0000,,不過沒有藥物專家\N來建構整套深度學習系統
Dialogue: 0,0:11:41.13,0:11:43.66,Default,,0000,0000,0000,,系統是由一些\N沒有專業背景的人完成。
Dialogue: 0,0:11:44.73,0:11:47.28,Default,,0000,0000,0000,,同樣地，從是細胞分裂。
Dialogue: 0,0:11:47.28,0:11:50.95,Default,,0000,0000,0000,,我們的系統可以像人類般\N精確地分裂神經細胞，
Dialogue: 0,0:11:50.95,0:11:53.67,Default,,0000,0000,0000,,不過開發這套深度學習系統
Dialogue: 0,0:11:53.67,0:11:56.92,Default,,0000,0000,0000,,沒有一個人來自醫學背景。
Dialogue: 0,0:11:56.92,0:12:00.15,Default,,0000,0000,0000,,就是我和一些沒有醫學背景的人，
Dialogue: 0,0:12:00.15,0:12:03.88,Default,,0000,0000,0000,,看來我頗有資格開一家醫藥公司。
Dialogue: 0,0:12:03.88,0:12:06.02,Default,,0000,0000,0000,,我確實這麼做了。
Dialogue: 0,0:12:06.02,0:12:07.76,Default,,0000,0000,0000,,我是以戒慎恐懼的心情開始做，
Dialogue: 0,0:12:07.76,0:12:10.65,Default,,0000,0000,0000,,不過理論顯示\N這是可行的
Dialogue: 0,0:12:10.65,0:12:16.14,Default,,0000,0000,0000,,用這些資料分析技術來\N製作有效的藥物。
Dialogue: 0,0:12:16.14,0:12:18.62,Default,,0000,0000,0000,,感恩的是\N回應也挺不錯，
Dialogue: 0,0:12:18.62,0:12:20.98,Default,,0000,0000,0000,,這回應不只是來自媒體，\N而且還有醫藥社群，
Dialogue: 0,0:12:20.98,0:12:23.32,Default,,0000,0000,0000,,他們都很支持。
Dialogue: 0,0:12:23.32,0:12:27.47,Default,,0000,0000,0000,,理論上我們能在醫務過程中
Dialogue: 0,0:12:27.47,0:12:30.36,Default,,0000,0000,0000,,盡量轉換成資料分析，
Dialogue: 0,0:12:30.36,0:12:33.43,Default,,0000,0000,0000,,讓醫生去做他們擅長的。
Dialogue: 0,0:12:33.43,0:12:35.03,Default,,0000,0000,0000,,我舉一個例子。
Dialogue: 0,0:12:35.03,0:12:39.98,Default,,0000,0000,0000,,我們現在花 15 分鐘\N來創造一項新的醫學診斷測試
Dialogue: 0,0:12:39.98,0:12:41.93,Default,,0000,0000,0000,,我會讓你同步看到過程，
Dialogue: 0,0:12:41.93,0:12:45.42,Default,,0000,0000,0000,,不過我已刪除部分資料\N壓縮成三分鐘。
Dialogue: 0,0:12:45.42,0:12:48.48,Default,,0000,0000,0000,,我不會向你們展示\N創造出來的醫學診斷測試，
Dialogue: 0,0:12:48.48,0:12:51.85,Default,,0000,0000,0000,,我要向你們展示\N一項汽車圖片的診斷測試，
Dialogue: 0,0:12:51.85,0:12:54.07,Default,,0000,0000,0000,,因為這個我們都能理解。
Dialogue: 0,0:12:54.07,0:12:57.27,Default,,0000,0000,0000,,我們從 150 萬張\N的汽車圖片開始，
Dialogue: 0,0:12:57.27,0:13:00.48,Default,,0000,0000,0000,,我希望創造一些東西\N把圖片分類
Dialogue: 0,0:13:00.48,0:13:02.70,Default,,0000,0000,0000,,而且依圖片拍攝的角度來分類。
Dialogue: 0,0:13:02.70,0:13:06.59,Default,,0000,0000,0000,,這些圖片完全沒有標題，\N我必需從零開始。
Dialogue: 0,0:13:06.59,0:13:08.45,Default,,0000,0000,0000,,深度學習演算法，
Dialogue: 0,0:13:08.45,0:13:12.16,Default,,0000,0000,0000,,它能自動確認\N這些圖片的結構。
Dialogue: 0,0:13:12.16,0:13:15.78,Default,,0000,0000,0000,,美好的是\N人和電腦可以合作
Dialogue: 0,0:13:15.78,0:13:17.96,Default,,0000,0000,0000,,看看這裡，這個人，
Dialogue: 0,0:13:17.96,0:13:20.63,Default,,0000,0000,0000,,正在告訴電腦\N關於感興趣的範圍
Dialogue: 0,0:13:20.63,0:13:25.28,Default,,0000,0000,0000,,而電腦會嘗試用它\N來改善電腦的演算法。
Dialogue: 0,0:13:25.28,0:13:29.58,Default,,0000,0000,0000,,這些深度學習系統\N有 16,000 個立體空間，
Dialogue: 0,0:13:29.58,0:13:33.01,Default,,0000,0000,0000,,你可以看見電腦\N讓他們在這空間旋轉，
Dialogue: 0,0:13:33.01,0:13:35.00,Default,,0000,0000,0000,,嘗試找出新的區域結構。
Dialogue: 0,0:13:35.00,0:13:36.78,Default,,0000,0000,0000,,當它成功時，
Dialogue: 0,0:13:36.78,0:13:40.79,Default,,0000,0000,0000,,在開車的人能夠\N指出有興趣的地方。
Dialogue: 0,0:13:40.79,0:13:43.21,Default,,0000,0000,0000,,這裡，電腦成功的找到了那地區，
Dialogue: 0,0:13:43.21,0:13:45.77,Default,,0000,0000,0000,,再舉例，角度，
Dialogue: 0,0:13:45.77,0:13:47.38,Default,,0000,0000,0000,,通過這個過程，
Dialogue: 0,0:13:47.38,0:13:49.72,Default,,0000,0000,0000,,我們漸漸地告訴電腦更多
Dialogue: 0,0:13:49.72,0:13:52.14,Default,,0000,0000,0000,,關於我們在找的結構類型。
Dialogue: 0,0:13:52.14,0:13:53.92,Default,,0000,0000,0000,,你可以想像一個診斷測試
Dialogue: 0,0:13:53.92,0:13:57.27,Default,,0000,0000,0000,,像是一個病理學家辨認\N病症的範圍，
Dialogue: 0,0:13:57.27,0:14:02.29,Default,,0000,0000,0000,,或是放射治療師界定\N潛在的腫瘤。
Dialogue: 0,0:14:02.29,0:14:04.85,Default,,0000,0000,0000,,有些時候對演算法來說\N是有些困難。
Dialogue: 0,0:14:04.85,0:14:06.82,Default,,0000,0000,0000,,在我們這個例子，它會出現混亂。
Dialogue: 0,0:14:06.82,0:14:09.36,Default,,0000,0000,0000,,汽車的正面和背面\N都混淆不清了。
Dialogue: 0,0:14:09.36,0:14:11.44,Default,,0000,0000,0000,,我們需要更小心，
Dialogue: 0,0:14:11.44,0:14:14.67,Default,,0000,0000,0000,,手動選出正面\N跟背面有相反效果的文字，
Dialogue: 0,0:14:14.67,0:14:20.18,Default,,0000,0000,0000,,然後告知電腦\N這是一種
Dialogue: 0,0:14:20.18,0:14:21.52,Default,,0000,0000,0000,,我們有興趣的一類。
Dialogue: 0,0:14:21.52,0:14:24.20,Default,,0000,0000,0000,,這要花了一些時間來做，\N所以我們跳過，
Dialogue: 0,0:14:24.20,0:14:26.45,Default,,0000,0000,0000,,然後我們訓練\N機器學習演算法
Dialogue: 0,0:14:26.45,0:14:28.42,Default,,0000,0000,0000,,以好幾百張圖片去訓練它，
Dialogue: 0,0:14:28.42,0:14:30.44,Default,,0000,0000,0000,,我們希望它會做得更好。
Dialogue: 0,0:14:30.44,0:14:33.52,Default,,0000,0000,0000,,你可以看見，它開始\N刪除一些圖片，
Dialogue: 0,0:14:33.52,0:14:38.23,Default,,0000,0000,0000,,顯示它已經知道\N可以自己理解這些圖片。
Dialogue: 0,0:14:38.23,0:14:41.13,Default,,0000,0000,0000,,我們運用相似圖片的概念，
Dialogue: 0,0:14:41.13,0:14:43.22,Default,,0000,0000,0000,,用類似的圖片，你可以看到，
Dialogue: 0,0:14:43.22,0:14:47.24,Default,,0000,0000,0000,,電腦現在可以\N完全找到正面的汽車。
Dialogue: 0,0:14:47.24,0:14:50.19,Default,,0000,0000,0000,,這時，\N人類可以告訴電腦，
Dialogue: 0,0:14:50.19,0:14:52.48,Default,,0000,0000,0000,,對，你做的很好。
Dialogue: 0,0:14:53.65,0:14:55.84,Default,,0000,0000,0000,,當然，有些時候，即使在這個階段
Dialogue: 0,0:14:55.84,0:14:59.51,Default,,0000,0000,0000,,分組仍然是困難的。
Dialogue: 0,0:14:59.51,0:15:03.40,Default,,0000,0000,0000,,在這情況，儘管我們讓\N電腦嘗試旋轉圖片一陣子，
Dialogue: 0,0:15:03.40,0:15:06.74,Default,,0000,0000,0000,,我們還是發現左邊\N和右邊的圖片
Dialogue: 0,0:15:06.74,0:15:08.22,Default,,0000,0000,0000,,是混淆在一起的。
Dialogue: 0,0:15:08.22,0:15:10.36,Default,,0000,0000,0000,,於是我們再次\N給電腦一些提示，
Dialogue: 0,0:15:10.36,0:15:13.34,Default,,0000,0000,0000,,像是嘗試去發現一個計畫可以
Dialogue: 0,0:15:13.34,0:15:15.94,Default,,0000,0000,0000,,儘量區分出左邊和右邊的圖片
Dialogue: 0,0:15:15.94,0:15:18.07,Default,,0000,0000,0000,,是透過使用深度學習演算法。
Dialogue: 0,0:15:18.07,0:15:21.01,Default,,0000,0000,0000,,給予提示後，\N好，它已經完成了。
Dialogue: 0,0:15:21.01,0:15:23.89,Default,,0000,0000,0000,,它找到一個方法\N想像這些目標
Dialogue: 0,0:15:23.89,0:15:26.27,Default,,0000,0000,0000,,來分別這些分類。
Dialogue: 0,0:15:26.27,0:15:28.71,Default,,0000,0000,0000,,你現在知道了。
Dialogue: 0,0:15:28.71,0:15:36.91,Default,,0000,0000,0000,,這並不是電腦取代人類，
Dialogue: 0,0:15:36.91,0:15:39.55,Default,,0000,0000,0000,,而是兩者一起合作。
Dialogue: 0,0:15:39.55,0:15:43.10,Default,,0000,0000,0000,,我們在做的事情是\N在過去需要
Dialogue: 0,0:15:43.10,0:15:45.10,Default,,0000,0000,0000,,5 或 6 個人\N花 7 年時間完成的事情
Dialogue: 0,0:15:45.10,0:15:47.70,Default,,0000,0000,0000,,現在只需一個人
Dialogue: 0,0:15:47.70,0:15:50.21,Default,,0000,0000,0000,,15 分鐘來完成。
Dialogue: 0,0:15:50.21,0:15:54.16,Default,,0000,0000,0000,,這個過程需要重覆 4 或 5 次。
Dialogue: 0,0:15:54.16,0:15:56.02,Default,,0000,0000,0000,,你現在可以看到
Dialogue: 0,0:15:56.02,0:15:58.98,Default,,0000,0000,0000,,我們在 150 萬的圖片中\N有 62％ 是正確分類。
Dialogue: 0,0:15:58.98,0:16:01.45,Default,,0000,0000,0000,,現在，可見我們可以迅速地
Dialogue: 0,0:16:01.45,0:16:02.74,Default,,0000,0000,0000,,掌握整個大部分資料，
Dialogue: 0,0:16:02.74,0:16:05.66,Default,,0000,0000,0000,,再檢查以確定沒有錯誤。
Dialogue: 0,0:16:05.66,0:16:09.62,Default,,0000,0000,0000,,有錯誤，我們可以\N讓電腦知道錯誤的地方。
Dialogue: 0,0:16:09.62,0:16:12.66,Default,,0000,0000,0000,,每一個不同的分類\N我們都使用這種程序來做，
Dialogue: 0,0:16:12.66,0:16:15.15,Default,,0000,0000,0000,,我們現在\N在分辨 150 萬張的圖片時
Dialogue: 0,0:16:15.15,0:16:17.56,Default,,0000,0000,0000,,有超過 80％ 的成功率，
Dialogue: 0,0:16:17.56,0:16:19.64,Default,,0000,0000,0000,,現在，在這個案例
Dialogue: 0,0:16:19.64,0:16:23.22,Default,,0000,0000,0000,,找到少數幾個不正確的分類，
Dialogue: 0,0:16:23.22,0:16:26.11,Default,,0000,0000,0000,,讓電腦了解原因。
Dialogue: 0,0:16:26.11,0:16:27.85,Default,,0000,0000,0000,,用這種方法，
Dialogue: 0,0:16:27.85,0:16:31.97,Default,,0000,0000,0000,,15 分鐘就有 97％ 的分辨率。
Dialogue: 0,0:16:31.97,0:16:36.57,Default,,0000,0000,0000,,這種技術可以幫助\N解決一個重要的問題，
Dialogue: 0,0:16:36.58,0:16:39.61,Default,,0000,0000,0000,,醫療專家不足的問題。
Dialogue: 0,0:16:39.61,0:16:43.10,Default,,0000,0000,0000,,世界經濟論壇表示
Dialogue: 0,0:16:43.10,0:16:45.73,Default,,0000,0000,0000,,在發展中國家，內科醫生\N有 10 倍到 20 倍的短缺。
Dialogue: 0,0:16:45.73,0:16:47.84,Default,,0000,0000,0000,,這要三百年的時間
Dialogue: 0,0:16:47.84,0:16:50.73,Default,,0000,0000,0000,,才能訓練足夠的人\N來處理這個問題。
Dialogue: 0,0:16:50.73,0:16:53.62,Default,,0000,0000,0000,,想像一下，\N我們是否可以幫助提高效率
Dialogue: 0,0:16:53.62,0:16:56.46,Default,,0000,0000,0000,,是使用深度學習這個方法來提升？
Dialogue: 0,0:16:56.46,0:16:58.69,Default,,0000,0000,0000,,我對這個機會感到很興奮。
Dialogue: 0,0:16:58.69,0:17:01.28,Default,,0000,0000,0000,,我也關注這些問題。
Dialogue: 0,0:17:01.28,0:17:04.40,Default,,0000,0000,0000,,問題是在這地圖上每個藍色的地方
Dialogue: 0,0:17:04.40,0:17:08.17,Default,,0000,0000,0000,,那裡都有 80％ 的服務人員。
Dialogue: 0,0:17:08.17,0:17:09.96,Default,,0000,0000,0000,,什麼是服務？
Dialogue: 0,0:17:09.96,0:17:11.47,Default,,0000,0000,0000,,這些就是服務。
Dialogue: 0,0:17:11.47,0:17:15.63,Default,,0000,0000,0000,,電腦剛學會如何去做是確實的事。
Dialogue: 0,0:17:15.63,0:17:19.43,Default,,0000,0000,0000,,發展中國家 80％ 的僱員工作
Dialogue: 0,0:17:19.43,0:17:21.96,Default,,0000,0000,0000,,電腦已開始學習如何做。
Dialogue: 0,0:17:21.96,0:17:23.40,Default,,0000,0000,0000,,這意味什麼？
Dialogue: 0,0:17:23.40,0:17:25.99,Default,,0000,0000,0000,,那可好。\N他們將會被其他的職業取代。
Dialogue: 0,0:17:25.99,0:17:28.69,Default,,0000,0000,0000,,舉例：需要更多科學家來工作。
Dialogue: 0,0:17:28.69,0:17:29.51,Default,,0000,0000,0000,,不過，這不完全正確。
Dialogue: 0,0:17:29.51,0:17:32.63,Default,,0000,0000,0000,,數據科學家\N不需要花很久的時間去做這些事情。
Dialogue: 0,0:17:32.63,0:17:35.88,Default,,0000,0000,0000,,例如，這四個演算法是同一個人設計的。
Dialogue: 0,0:17:35.88,0:17:38.32,Default,,0000,0000,0000,,若你認為這些\N以前都發生過，
Dialogue: 0,0:17:38.32,0:17:42.13,Default,,0000,0000,0000,,過去我們看過\N新事物出現的結果
Dialogue: 0,0:17:42.13,0:17:44.38,Default,,0000,0000,0000,,他們被新的職務所取替，
Dialogue: 0,0:17:44.38,0:17:46.49,Default,,0000,0000,0000,,那些新的職業會是什麼呢？
Dialogue: 0,0:17:46.49,0:17:48.36,Default,,0000,0000,0000,,我們很難去判斷，
Dialogue: 0,0:17:48.36,0:17:51.10,Default,,0000,0000,0000,,因為人類的能力\N以這個速度逐漸成長，
Dialogue: 0,0:17:51.10,0:17:53.67,Default,,0000,0000,0000,,我們現在有了深度學習系統，
Dialogue: 0,0:17:53.67,0:17:56.89,Default,,0000,0000,0000,,我們知道\N以指數的方式增長。
Dialogue: 0,0:17:56.89,0:17:58.50,Default,,0000,0000,0000,,我們在這裡。
Dialogue: 0,0:17:58.50,0:18:00.56,Default,,0000,0000,0000,,最近，我們看周圍的事物
Dialogue: 0,0:18:00.56,0:18:03.24,Default,,0000,0000,0000,,會說：電腦還是很笨，不是嗎？
Dialogue: 0,0:18:03.24,0:18:06.66,Default,,0000,0000,0000,,但是在五年內，\N電腦將會超越這張圖表。
Dialogue: 0,0:18:06.66,0:18:10.53,Default,,0000,0000,0000,,我們需要開始思考這個能力。
Dialogue: 0,0:18:10.53,0:18:12.58,Default,,0000,0000,0000,,當然，我們曾經看過這個。
Dialogue: 0,0:18:12.58,0:18:13.97,Default,,0000,0000,0000,,在工業革命時期，
Dialogue: 0,0:18:13.97,0:18:16.82,Default,,0000,0000,0000,,發動機讓生產力往前跨一大步。
Dialogue: 0,0:18:17.67,0:18:20.80,Default,,0000,0000,0000,,雖然，一段時間之後，\N事情轉為平靜。
Dialogue: 0,0:18:20.80,0:18:22.51,Default,,0000,0000,0000,,那時社會混亂，
Dialogue: 0,0:18:22.51,0:18:25.95,Default,,0000,0000,0000,,發動機被普遍使用\N產生動力，\N
Dialogue: 0,0:18:25.95,0:18:28.30,Default,,0000,0000,0000,,事情就能真正得到解決。
Dialogue: 0,0:18:28.30,0:18:29.77,Default,,0000,0000,0000,,機器學習革命
Dialogue: 0,0:18:29.77,0:18:32.68,Default,,0000,0000,0000,,與工業革命大不相同，
Dialogue: 0,0:18:32.68,0:18:35.63,Default,,0000,0000,0000,,因為機器學習革命，\N永遠不會停下來。
Dialogue: 0,0:18:35.63,0:18:38.61,Default,,0000,0000,0000,,電腦更具智力活動，
Dialogue: 0,0:18:38.61,0:18:42.86,Default,,0000,0000,0000,,他們能製造更好的電腦\N去運作更好的智能活動，
Dialogue: 0,0:18:42.86,0:18:44.77,Default,,0000,0000,0000,,這是一種改變
Dialogue: 0,0:18:44.77,0:18:47.25,Default,,0000,0000,0000,,從未經歷過的改變，
Dialogue: 0,0:18:47.25,0:18:50.55,Default,,0000,0000,0000,,你之前的理解的可能性是不同的。
Dialogue: 0,0:18:50.97,0:18:52.75,Default,,0000,0000,0000,,這已經影響我們。
Dialogue: 0,0:18:52.75,0:18:56.38,Default,,0000,0000,0000,,過去 25 年，\N資本生產力一直在增長，
Dialogue: 0,0:18:56.40,0:19:00.59,Default,,0000,0000,0000,,勞動生產力已經放緩，\N事實上已有一點點下降。
Dialogue: 0,0:19:01.41,0:19:04.15,Default,,0000,0000,0000,,我想我們開始討論這個議題。
Dialogue: 0,0:19:04.15,0:19:07.18,Default,,0000,0000,0000,,我知道當我告訴別人這種情況時，
Dialogue: 0,0:19:07.18,0:19:08.67,Default,,0000,0000,0000,,人們可以不以為然。
Dialogue: 0,0:19:08.67,0:19:10.34,Default,,0000,0000,0000,,電腦不會思考，
Dialogue: 0,0:19:10.34,0:19:13.37,Default,,0000,0000,0000,,它們沒有感情，\N也不了解詩，
Dialogue: 0,0:19:13.37,0:19:15.89,Default,,0000,0000,0000,,我們不真正理解它們怎麼運作。
Dialogue: 0,0:19:15.89,0:19:17.37,Default,,0000,0000,0000,,可是，哪又如何？
Dialogue: 0,0:19:17.37,0:19:19.18,Default,,0000,0000,0000,,電腦現在可以作
Dialogue: 0,0:19:19.18,0:19:21.90,Default,,0000,0000,0000,,人們花大部分時間\N得到報酬所做的事情，
Dialogue: 0,0:19:21.90,0:19:23.63,Default,,0000,0000,0000,,所以我們該是思考的時候
Dialogue: 0,0:19:23.63,0:19:28.02,Default,,0000,0000,0000,,我們如何調整我們的社會和經濟結構
Dialogue: 0,0:19:28.02,0:19:29.86,Default,,0000,0000,0000,,請關注這些新的改變。
Dialogue: 0,0:19:29.86,0:19:31.39,Default,,0000,0000,0000,,謝謝
Dialogue: 0,0:19:31.39,0:19:32.19,Default,,0000,0000,0000,,（掌聲）