Hungarian subtitles

← A tanuló számítógépek viselkedésének csodálatos és hátborzongató következményei

Get Embed Code
30 Languages

Showing Revision 26 created 07/20/2015 by Judit Szabo.

  1. Valaha, ha azt akartuk, hogy
    a számítógép
  2. csináljon meg valamit, előtte
    be kellett rá programoznunk.
  3. Azoknak, akik sohasem programoztak:
    a programozás
  4. annyit tesz, hogy célunk érdekében
    aprólékosan, lépésenként
  5. részletesen közölni kell a géppel,
  6. mikor mit csináljon.
  7. De ha olyat akarunk tenni,
    amiről mi sem tudjuk, miként kell,
  8. az ám az igazi kunszt!
  9. Ilyen feladattal találkozott
    Arthur Samuel.

  10. 1956-ban szerette volna,
  11. ha a számítógép legyőzi dámajátékban.
  12. Hogy lehet megírni egy programot
  13. minden apró részletében,
    hogy a számítógép győzzön?
  14. Támadt egy ötlete:
  15. A gépet önmaga ellen játszatta
    több ezerszer,
  16. hogy a gép tanulja, hogyan kell játszani.
  17. A dolog sikerült, és 1962-re
  18. a számítógép legyőzte
    Connecticut állam bajnokát.
  19. Úgyhogy Samuelt a gépi
    tanulás atyjának nevezhetjük.

  20. Le vagyok kötelezve neki,
  21. mert gépi tanulással foglalkozom.
  22. A Kaggle elnöke voltam, a közösségé,
  23. ahol 200.000-nél többen foglalkoznak
    gépi tanulással.
  24. A Kaggle versenyeket
    szervez nekik,
  25. hogy oldjanak meg eddig
    megoldatlan problémákat,
  26. s ezek több száz alkalommal
    bizonyultak sikeresnek.
  27. Ebből a pozícióból
    rá tudtam jönni sok mindenre:
  28. mire volt képes a gépi tanulás
    a múltban, mire a jelenben
  29. és mit fog tudni a jövőben.
  30. Valószínűleg az első üzleti siker a
    gépi tanulásban a Google volt.
  31. A Google bizonyította, hogy lehet
    gépi algoritmus alapján
  32. adatokhoz jutni, és
  33. ez az algoritmus
    gépi tanuláson alapul.
  34. Azóta sok, gépi tanuláson alapuló
    üzleti sikertörténetet ismerünk.
  35. Olyan cégek, mint az Amazon
    és a Netflix a gépi tanulás módszerével
  36. ajánlják termékeiket megvételre
  37. illetve filmjeiket megnézésre.
  38. Néha ez, mondhatni, elég ijesztő.
  39. Mások, mint a LinkedIn és a Facebook
  40. néha megmondják, kik lehetnének
    a barátaink,
  41. és fogalmunk sincs, hogy csinálják.
  42. A gépi tanulásban rejlő
    lehetőségeket használják.
  43. Ezek az algoritmusok sokkal inkább
    az adatokból tanulnak,
  44. semmint a kézzel írt programokból.
  45. Így lett sikeres az IBM is: Watson
    nevű gépe legyőzte

  46. a "Jeopardy" kvízműsor
    két világbajnokát,
  47. mert válaszolt körmönfont
    és bonyolult kérdésekre; pl.
  48. [Ennek a városnak a múzeumából tűnt el
    az ókori Nimród oroszlánja 2003-ban]
  49. Így jelentek meg az első,
    vezető nélküli autók.
  50. Elég fontos, hogy
    meg tudjuk mondani, mi a különbség,
  51. mondjuk, egy fa és egy gyalogos között.
  52. Nem tudjuk, hogyan kell manuálisan
    megírni a programokat,
  53. de gépi tanulással erre
    most megvan a lehetőség.
  54. Tény, hogy ez a kocsi már
    több millió kilométert tett meg
  55. baleset nélkül átlagos utakon.
  56. Tudjuk tehát, hogy a számítógépek
    tudnak tanulni, és képesek megtanulni,

  57. hogyan végezzenek el feladatokat,
  58. amelyeknél néha mi magunk
    tanácstalanok vagyunk,
  59. vagy talán ügyesebben végzik el nálunk.
  60. A gépi tanulás egyik legpompásabb
    példáját
  61. egy általam irányított Kaggle-
    projektnél tapasztaltam,
  62. ahol a Torontói Egyetem csoportja,
  63. amelyet Geoffrey Hinton vezetett,
    megnyert
  64. egy automatizált
    gyógyszer-kifejlesztési versenyt.
  65. Nemcsak az volt rendhagyó,
    hogy legyőzték a Merck
  66. és más nemzetközi tudóscsoportok
    algoritmusait,
  67. hanem hogy egyikük sem volt járatos
    a kémiában, a biológiában
  68. vagy az élettudományokban, s
    mindezt két hét alatt!
  69. Hogy sikerült nekik?
  70. Rendhagyó algoritmust
    alkalmaztak, az ú.n. mély tanulást.
  71. Annyira fontos eredmény volt ez,
    hogy a The New York Times
  72. címoldalon tudósított róla pár hét múlva.
  73. Balra látható Geoffrey Hinton.
  74. A mély tanulás olyan algoritmus,
    amelyet az emberi agy működése ihletett.
  75. Az algoritmusnak nincs
    elméleti korlátja
  76. abból a szempontból, hogy
    mi mindenre lehet képes.
  77. Minél több adatot és gépidőt
    adunk neki,
  78. annál jobbak lesznek az eredmények.
  79. A The New York Times írt cikkében
    a mély tanulás

  80. egy másik rendkívüli eredményéről is,
  81. amelyről rögtön szólni fogok.
  82. Ez azt mutatja, hogy a számítógépek
    képesek hangot érzékelni és értelmezni.
  83. (Video) Richard Rashid:
    Az utolsó lépés, s ezt szeretném,

  84. hogy hozzá tudjam tenni a folyamathoz:
  85. kínaiul beszélni önökhöz.
  86. Ennek kulcsa, hogy képesek voltunk
  87. nagy mennyiségű információt
    átvenni sok kínai beszédjéből,
  88. létrehozni egy "szövegből beszédet"
    rendszert, amely
  89. a kínai szöveget átalakítja
    kínai beszéddé.
  90. Azután az én hangmintámból felvettünk
    egy órányit,
  91. s ezzel moduláltuk a szokásos
  92. "szövegből beszédet" rendszert,
    amely aztán az én hangomon szólalt meg.
  93. Az eredmény nem tökéletes.
  94. Tény, hogy elég sok a hiba.
  95. (kínaiul)
  96. (taps)
  97. Elég sok feladat van még ezen a területen.
  98. (kínaiul)
  99. (taps)
  100. Howard: Ez egy gépi tanulási
    konferencián történt, Kínában.

  101. Valóban ritka, hogy egy
    tudományos tanácskozáson
  102. spontán tapsot hall az ember,
  103. bár néha TEDx konferenciákon igen.
  104. Amit itt láttak, mind a mély tanulással
    kapcsolatos.
  105. (taps) Köszönöm.
  106. A fonetikus átírás angolra
    mély tanulás volt.
  107. A kínaira fordítás és a szöveg
    a jobb fölső sarokban szintén,
  108. és a hangképzés úgyszintén
    mély tanulás volt.
  109. Úgy hogy a mély tanulás különleges dolog.

  110. Egyszerű algoritmus, de úgy látszik,
    majdnem mindenre alkalmas,
  111. erre tavaly jöttem rá.
    Látni is megtanult már.
  112. Egy kevéssé ismert német versenyen,
  113. amely a közlekedési jelzések
    felismerésére irányul,
  114. a mély tanulás megtanulta fölismerni
    a közlekedési jelzéseket.
  115. Nemcsak jobban ismeri föl
    őket,
  116. mint bármely más algoritmus,
  117. az eredményjelző kimutatta,
    hogy az embernél is jobban,
  118. kb. kétszer jobban mint az ember.
  119. 2011-re megvolt az első példány az
  120. embernél is jobban látó
    számítógépből.
  121. Azóta sok minden történt.
  122. 2012-ben a Google közölte,
    hogy van egy mély tanuló algoritmusuk,
  123. amely figyeli a YouTube videókat, és
  124. egy hónap alatt átrágta magát
    16.000 gép adatain,
  125. és a gép önállóan megtanult olyan
    fogalmakat mint "ember", vagy
  126. "macska", csupán csak a videókat figyelve.
  127. Az emberek nagyon hasonlóan tanulnak.
  128. Az emberek nem úgy tanulnak,
    hogy megmondják nekik, mit látnak,
  129. hanem maguknak tanítják meg,
    mik ezek a dolgok.
  130. 2012-ben az említett Geoffrey Hinton
  131. megnyert egy nagyon népszerű
    ImageNet versenyt, ahol
  132. másfél millió képről kellett
  133. eldönteni, melyik mit ábrázol.
  134. 2014-re elértük a képfelismerésben
  135. a 6%-os hibaszintet.
  136. Ez megint az emberekénél jobb eredmény.
  137. Tehát a gépek ebben rendkívül
    jó munkát végeznek, és

  138. az eredményeket ma
    az iparban is hasznosítják.
  139. Például a Google tavaly bejelentette,
  140. hogy két óra alatt feltérképezte
    egész Franciaországot,
  141. mindezt úgy, hogy betáplálták
    az utcai látképeket egy
  142. mélyen tanuló algoritmusba,
    az fölismerte és beolvasta
  143. a házszámokat.
    Korábban meddig tartott volna!
  144. Tucatnyi ember, több év.
  145. Ez történik most Kínában is.
  146. A Baidu olyasmi, mint egy kínai Google,
  147. és a bal fölső sarokban látható
    egy kép, amelyet
  148. feltöltöttem a Baidu mély tanuló
    rendszerébe,
  149. alatta pedig látják, hogy a rendszer
    megértette, mi ez a kép,
  150. és talált hasonló képeket.
  151. A hasonló képnek egyébként
    hasonló a háttere,
  152. az állatok pofája egyfelé fordul,
  153. némelyik még a nyelvét is kiölti.
  154. Ez nem ugyanaz,
    mint egy szöveg a weboldalon.
  155. Mindössze egy képet töltöttem föl.
  156. Tehát a mai számítógépeink
    tényleg értik, amit látnak,
  157. és százmilliónyi képet tartalmazó
  158. adatbázist nézhetnek át valós időben.
  159. De mit jelent az, hogy
    a számítógépek látnak?

  160. Nos, nemcsak, hogy látnak.
  161. Valójában a mély tanulás
    ennél többet ért el.
  162. Az összetett, finoman árnyalt
    mondatok mint ez,
  163. mély tanuló algoritmusokkal
    ma már érthetők.
  164. A felül látható piros pöttyel
  165. ez a stanfordi rendszer jelzi,
  166. hogy ez a mondat
    negatív érzelmet fejez ki.
  167. A mély tanulás ma már tényleg
    megközelíti az emberi teljesítményt abban,
  168. miről szól a mondat, és
    mit állít ezekről a dolgokról.
  169. A mély tanulás révén olvasunk kínaiul,
  170. kb. egy született kínai szintjén.
  171. Ez az algoritmus svájci,
    s akik kifejlesztették,
  172. nem beszélnek, és nem értenek kínaiul.
  173. A mély tanulás alkalmazása
  174. erre talán a világ legjobb rendszere,
  175. akár összevetve a természetes
    emberi megértéssel.
  176. Ezt a rendszert raktuk össze
    a cégemnél, mely

  177. megmutatja, hogyan kell ezeket összerakni.
  178. Ezekhez a képekhez nem társul szöveg,
  179. és ahogy mondatokat írok be ide,
  180. ez valós időben megérti ezeket a képeket, és
  181. kitalálja, miről szólnak, és
  182. talál a beírt szöveghez hasonló képeket.
  183. Ez azt jelenti, hogy valójában
    érti a mondataimat,
  184. és valójában érti a képeket.
  185. Tudom, hogy hasonlót
    már láttak a Google-on,
  186. ahol beírják a szavakat,
    és megjelennek a képek,
  187. de az úgy működik, hogy a gép
    a weboldalon szöveget keres.
  188. Az teljesen más, mint
    képeket fölismerni.
  189. Ilyesmit számítógépek csak
    az utóbbi hónapokban
  190. voltak képesek első ízben megcsinálni.
  191. A számítógépek nemcsak
    látnak, hanem olvasnak is,

  192. megmutattuk:
    értik is, amit hallanak.
  193. Talán nem meglepő, ha elmondom,
    hogy írni is tudnak.
  194. Itt egy szöveg, amelyet tegnap egy
    mély tanuló algoritmussal írattam.
  195. Itt egy szöveg,
    melyet a stanfordi algoritmus írt.
  196. Minden mondatot mély tanuló algoritmus
  197. állított elő a képek leírása céljából.
  198. Az algoritmus korábban soha nem látott
    fekete inges, gitározó embert.
  199. Látott korábban embert,
    látott fekete színt,
  200. látott korábban gitárt,
  201. de önállóan állította elő
    a kép új leírását.
  202. Ez még nem üti meg az
    emberi teljesítmény szintjét, de közelíti.
  203. A tesztekben az esetek negyedében
    jobban tetszik az embernek
  204. a számítógép-generálta képaláírás.
  205. Nos, ez a rendszer csupán kéthetes,
  206. tehát valószínűleg egy éven belül
  207. a számítógépes algoritmus
  208. felülmúlja az emberi teljesítményt.
  209. Tehát a számítógép írni is tud.
  210. Ha mindent összerakunk,
    ez izgalmas lehetőségekhez vezet.

  211. Például a gyógyításban,
  212. egy bostoni csoport bejelentette,
    hogy felfedeztek
  213. több tucat klinikailag fontos
    daganat-jellemzőt,
  214. amelyek segítenek az orvosoknak
    a rák előrejelzésében.
  215. Hasonlóképpen, Stanfordban
  216. bejelentették, hogy kifejlesztettek
    egy gépi tanuló rendszert,
  217. amely a szöveteket nagyításban vizsgálva
  218. a rákosok túlélési esélyeinek
    előrejelzésében
  219. tényleg jobban teljesít,
    mint a patológusok.
  220. Mindkét esetben az előrejelzések
    nemcsak pontosabbak voltak,
  221. hanem új tudományos eredményt hoztak.
  222. A radiológia esetében
  223. ezek új klinikai mutatók, amelyeket
    az ember képes értelmezni.
  224. A patológiai esetben
  225. a számítógépes rendszer végeredményben
    felfedezte, hogy
  226. a rák körüli sejtek a diagnózis
    fölállításában
  227. ugyanolyan fontosak, mint maguk
    a rákos sejtek.
  228. A patológusoknak évtizedeken át
    pont az ellenkezőjét tanították.
  229. Mindkét esetben ezek olyan
    rendszerek, melyeket
  230. az orvos és a gépi tanulás
    szakértők együtt
  231. fejlesztettek ki. Tavaly óta
    ezt is túlhaladtuk.
  232. Itt egy példa arra, ahogyan
    mikroszkóp alatt azonosítják
  233. az emberi szövet rákos területét.
  234. A bemutatott rendszer pontosabban vagy kb.
    ugyanolyan pontossággal tudja azonosítani
  235. azokat a területeket, mint egy patológus.
  236. Mély tanulással alakították ki
    a rendszert, orvosi szakértelem nélkül,
  237. olyanok, akiknek nincs semmi hátterük
    a témában.
  238. Azután itt van az idegsejtek
    szelvényezése. Már majdnem
  239. olyan precízen tudjuk szelvényezni
    az idegsejteket, mint az emberek,
  240. és a rendszert mély tanulással
    azok alakították ki,
  241. akiknek nem volt előzetes
    orvosi tapasztalatuk.
  242. Úgy éreztem, hogy
    orvosi háttér nélkül is

  243. eléggé képzett vagyok, hogy
    orvosi céget alapítsak.
  244. Meg is tettem.
  245. Kissé féltem tőle,
    de az elmélet azt sugallta,
  246. hogy hasznára válhatnánk a gyógyításnak
  247. csupán ilyen adatelemző módszerek
    alkalmazásával.
  248. Hálás vagyok a fantasztikus fogadtatásért,
  249. nemcsak a média, hanem
    az orvosi közösség részéről is,
  250. akik nagyon támogattak.
  251. Az elmélet szerint a gyógyítás
    folyamatában a középső részt lecseréljük
  252. adatelemzésre lehetőség szerint, és
    azt hagyjuk az orvosokra,
  253. amihez legjobban értenek.
  254. Mondok rá példát. Ma 15 perc
  255. egy új diagnosztikai teszt kidolgozása.
  256. Megmutatom ezt önöknek valós
    időben, de én három percbe
  257. sűrítettem be, mert elhagytam
    egyes elemeit.
  258. Ahelyett, hogy megmutatnám, hogy
    készül egy diagnosztikai teszt,
  259. lássuk inkább autót ábrázoló képek
    diagnosztikai tesztjét,
  260. mert azt mindenki érteni fogja.
  261. Kb. másfél millió, autót
    ábrázoló képpel kezdünk,

  262. és szeretnék létrehozni valamit,
    ami aszerint rendezi őket,
  263. hogy milyen szögből készült a felvétel.
  264. A képek címkézetlenek, ezért
    az alapoktól kell kezdenem.
  265. Mély tanuló algoritmusunkkal
  266. azonosítani lehet
    az egyes részekhez tartozó területeket.
  267. Az ember és a gép pompásan
    együtt tud működni.
  268. Az ember, ahogy itt látható,
  269. megmondja a gépnek, mely
    területek érdeklik,
  270. melyeken szeretné, hogy próbáljon
    javítani a gép az algoritmusa szerint.
  271. Ezek a mély tanuló rendszerek egy
    16.000-dimenziós térben vannak,
  272. látják, ahogy a gép ezt pörgeti
    azon a téren keresztül,
  273. és próbál új területeket találni.
  274. Amint eredményt ér el,
    az őt irányító ember
  275. megjelölheti az érdekes területeket.
  276. A gépnek sikerült területeket találnia,
  277. például sarkokat.
  278. Ahogy végigvisszük a folyamatot,
  279. fokozatosan egyre többet közlünk
    a géppel arról,
  280. miféle struktúrát keresünk.
  281. Képzeljenek el egy diagnosztikai tesztben
  282. egy patológust, amint meghatározza
    a patologikus részeket,
  283. vagy egy radiológust,
    amint kimutatja a gócokat.
  284. Néha nehéz az algoritmus számára.
  285. Most egy kissé összezavarodott.
  286. Összekeveri a kocsik elejét a hátuljával.
  287. Egy kicsit jobban kell vigyáznunk, és
  288. nekünk kell előbb különválogatnunk
    a kocsik elejét és a hátulját,
  289. azután megmondjuk a gépnek,
  290. hogy ez a csoport érdekes
    nekünk.
  291. Ez eltart egy ideig, ugrunk egyet,

  292. és okítjuk a párszáz dologra támaszkodó
  293. gépi tanuló algoritmust,
  294. és reméljük, hogy erősen följavul.
  295. Látják, kezd elhalványulni egy néhány kép,
  296. tehát már felismeri, ezek hogyan értendők.
  297. Majd alkalmazhatjuk ezt az elvet
    hasonló képekre,
  298. és a hasonló képeknél, látják,
  299. már képes a kocsiknak az elejét
    hibátlanul megtalálni.
  300. Itt az ember mondhatja a gépnek:
  301. OK, jó munkát végeztél.
  302. Persze, néha még itt is

  303. bonyolult szétválasztani a csoportokat,
  304. esetünkben, bár hagytuk a
    gépet egy ideig pörögni,
  305. mégis találunk összekeveredve
  306. jobb és bal oldalas képeket.
  307. Adhatunk további útbaigazításokat
    a gépnek,
  308. mondhatjuk, hogy próbálkozz, és találj
    olyan szempontot, ami
  309. minél jobban szétválogatja
    a jobb és bal oldalakat
  310. mély tanuló algoritmussal.
  311. S lám, a tanácsunk --
    OK, sikeres volt.
  312. Sikerült olyan szempontok szerint
    vizsgálni a tárgyakat,
  313. amelyek alkalmasak szétválogatásukra.
  314. S eszünkbe jut egy gondolat.

  315. Esetünkben a gép
    nem helyettesíti az embert,
  316. hanem együtt munkálkodnak.
  317. Ami egy 5-6 fős csoportnak
  318. kb. hét évébe tellett volna korábban,
  319. azt ezzel az eszközzel
    15 perc alatt
  320. egyetlen személy elvégezi egyedül.
  321. Ez a folyamat 4-5 közelítő lépésből áll.

  322. Látják, hogy a gép a másfél millió kép
  323. 62%-át helyesen osztályozta.
  324. Most kezdhetjük gyorsan
  325. nagy vonalakban
  326. átnézni, nincs-e hiba valahol.
  327. Ahol hiba van, közölhetjük a géppel.
  328. Minden elkülönített csoportra alkalmazva
    valami ilyen eljárást
  329. most a 80%-os helyességi aránynál tartunk
  330. a másfél millió kép osztályozásakor.
  331. Most még találunk egynéhány
  332. eltévedt képet,
  333. és megpróbáljuk megérteni,
    mi ennek az oka.
  334. Ugyanazzal a módszerrel
  335. 15 perc alatt 97%-os helyességi arányt
    érünk el.
  336. Az ilyen technika lehetővé tenné, hogy
    kezelni tudjunk egy jelentős problémát,

  337. azt, hogy hiány van orvosi szakértelemből
    a világban.
  338. A Világgazdasági Fórumon elhangzott,
  339. hogy a fejlődő országokban
    10-20-szoros az orvoshiány,
  340. és mintegy 300 évbe telne,
  341. hogy a gond megoldására elég
    orvost képezzenek ki.
  342. Képzeljék csak el, milyen jó lenne,
    ha a mély tanulás módszerével
  343. növelhetnénk az orvosok hatékonyságát?
  344. Egészen fölvillanyoznak a lehetőségek.

  345. Engem is aggaszt ez a gond.
  346. Az a probléma, hogy
    a kékkel jelölt területek ott vannak,
  347. ahol a szolgáltatások aránya
    80% fölötti a foglalkoztatottságban.
  348. Mik is kellenek a szolgáltatásokhoz?
  349. [Írás-olvasás, Beszéd-figyelem],
    [Szemlélet, Tudás összegzése]
  350. Pont e dolgokkal épp most tanult meg
    a gép bánni.
  351. Tehát a fejlett világ dolgozóinak
    80%-a olyan munkát végez,
  352. amire épp most vált képessé a számítógép.
  353. Mit jelent ez?
  354. Minden rendben lesz.
    A régiek helyett új állások keletkeznek.
  355. Például több állás lesz az
    adattudósok számára.
  356. Nem igazán.
  357. Nem tart soká a számukra
    kifejleszteni ezeket a dolgokat.
  358. Például, e négy algoritmust
    ugyanaz a fickó hozta létre.
  359. Ha azt hiszik: ó, régen is megtörtént,
  360. láttunk már ilyet, hogy új dolgok jönnek,
  361. és a régieket új állások váltják föl,
  362. no de milyenek lesznek az új állások?
  363. Nagyon nehezen tudjuk megítélni,
  364. mert az emberi teljesítmény
    fokozatosan nő,
  365. de most itt van a mély tanulás rendszere,
  366. tudjuk róla, hogy a teljesítménye
    rohamosan nő.
  367. Itt tartunk.
  368. Mostanában a dolgok láttán
    sokan azt mondják:
  369. "Ó, a számítógépek még mindig elég
    ostobák." Igaz?
  370. De öt éven belül a helyzet megváltozik.
  371. Már most el kell kezdenünk
    gondolkozni a gépek képességeiről.
  372. Ilyet már tapasztaltunk,

  373. az ipari forradalom idején,
  374. ahogy a gépek megjelenésével
    lépést kellett váltani.
  375. De egy idő után a dolgok elsimultak,
  376. Megzavarta a társadalmat,
  377. de amikor energiatermelésre
    már mindenütt gépeket használtak,
  378. a dolgok lecsillapodtak.
  379. A "gépi tanulás forradalma"
  380. egészen más lesz, mint az
    ipari forradalom,
  381. mert a "gépi tanulás forradalma"
    soha nem csillapodik le.
  382. Minél többet tudnak a számítógépek,
  383. annál jobb képességű
    számítógépeket tudnak megépíteni,
  384. ez olyan váltás lesz, amit a világ eddig
  385. még soha nem tapasztalt, ezért
    korábbi fogalmaik arról,
  386. hogy mi a lehetséges,
    teljesen megváltoznak.
  387. Mindez már hatással van ránk.

  388. Az utóbbi 25 évben a tőke
    termelékenysége nőtt,
  389. a munka termelékenysége maradt,
    sőt, valamit csökkent is.
  390. Szeretném, ha már elkezdenénk
    ezt az eszmecserét.

  391. Amikor a jelen helyzetről
    beszélgetek emberekkel,
  392. gyakran teljesen elutasítók.
  393. Jó, a számítógépek valójában
    nem tudnak gondolkodni,
  394. nem fejeznek ki érzelmeket,
    nem értik a költészetet,
  395. mi igazából nem értjük,
    hogyan működnek.
  396. Na és?
  397. A számítógépek már most
    meg tudnak tenni dolgokat,
  398. amelyek az emberek munkaidejének
    nagy részét kitöltik.
  399. Ideje elkezdeni a gondolkodást:
  400. hogyan igazítsuk át a társadalom
    és a gazdaság szerkezetét
  401. az új realitások fényében.
  402. Köszönöm
  403. (taps)