YouTube

Got a YouTube account?

New: enable viewer-created translations and captions on your YouTube channel!

Italian subtitles

← Le meravigliose e terribili conseguenze dei computer che possono imparare

Get Embed Code
30 Languages

Showing Revision 7 created 01/17/2015 by Anna Cristiana Minoli.

  1. Un tempo se volevate
    far fare qualcosa di nuovo ad un computer
  2. dovevate programmarlo.
  3. La programmazione, per quelli di voi
    che non l'hanno mai provata,
  4. richiede una spiegazione dettagliata
  5. di ogni singolo passaggio che volete
    che il computer faccia
  6. per ottenere il vostro scopo.
  7. Se volete fare qualcosa
    che nemmeno voi sapete come si faccia,
  8. potrebbe essere una sfida eccezionale.
  9. Questa è la sfida affrontata
    da quest'uomo, Arthur Samuel.

  10. Nel 1956 voleva che il suo computer
  11. fosse in grado di batterlo a dama.
  12. Come si può scrivere un programma
  13. che spieghi in modo dettagliato
    come essere migliori di voi a dama?
  14. Ebbe un'idea:
  15. fece giocare il computer
    contro sé stesso migliaia di volte
  16. per imparare a giocare a dama.
  17. E ha davvero funzionato,
    infatti nel 1962
  18. questo computer ha battuto
    il campione del Connecticut.
  19. Così Arthur Samuel è stato
    il padre dell'apprendimento automatico,

  20. ed ho un grande debito con lui,
  21. perché sono un professionista
    dell'apprendimento automatico.
  22. Sono stato il presidente di Kaggle
  23. una comunità di oltre 200 000
  24. professionisti
    dell'apprendimento automatico.
  25. Kaggle crea delle competizioni
  26. per cercare di risolvere
    problemi irrisolti
  27. e ce l'ha fatta
    centinaia di volte.
  28. Da questo punto di osservazione
    sono stato in grado di scoprire
  29. molto su quanto l'apprendimento automatico
  30. ha potuto fare in passato,
    su quel che può fare oggi,
  31. e su cosa potrà fare in futuro.
  32. Probabilmente il primo grande successo
    dell'apprendimento automatico
  33. in commercio è stato Google.
  34. Google ha mostrato che
    è possibile trovare informazioni
  35. usando un algoritmo informatico,
  36. un algoritmo basato
    sull'apprendimento automatico.
  37. Da allora ci sono stati numerosi successi
    commerciali nell'apprendimento automatico.
  38. Società quali Amazon e Netflix
  39. usano l'apprendimento automatico
    per suggerire
  40. prodotti che potreste voler acquistare,
  41. film che potreste voler vedere.
  42. A volte è quasi inquietante.
  43. Società come Linkedin e Facebook
  44. talvolta vi diranno
    chi potrebbe essere vostro amico
  45. e non avete idea di come ci riescano
  46. e questo perché stanno utilizzando
    l'apprendimento automatico.
  47. Sono algoritmi che hanno imparato
    tutto questo dai dati
  48. invece che dalla programmazione manuale.
  49. La IBM è riuscita in questo modo

  50. a far sì che Watson battesse
    due campioni mondiali di "Jeopardy"
  51. rispondendo a domande incredibilmente
    acute e complesse come queste.
  52. ["L'antico leone di Nimrud" è scomparso
    dal museo nazionale di questa città nel 2003
    (insieme ad altro materiale)"]
  53. Ed ecco perché siamo in grado di vedere
    la prima auto che si guida da sola.
  54. Se vogliamo essere in grado di dire
    la differenza tra, diciamo,
  55. un albero ed un pedone,
    allora questo è piuttosto importante.
  56. Non sappiamo come scrivere
    questi programmi manualmente
  57. ma con l'apprendimento automatico
    adesso è possibile.
  58. Questa auto ha guidato
    per oltre un milione di chilometri,
  59. su strada normale, senza alcun incidente.
  60. Adesso sappiamo che i computer
    possono imparare,

  61. i computer possono imparare a fare cose
  62. che nemmeno noi non sappiamo fare,
  63. o che magari possono fare meglio di noi.
  64. Uno degli esempi più impressionanti
    di apprendimento automatico che ho visto
  65. è stato durante un progetto
    che ho condotto a Kaggle
  66. dove un gruppo guidato da un tipo
    chiamato Geoffrey Hinton
  67. dell'università di Toronto
  68. ha vinto una competizione
    per la scoperta automatica di droghe.
  69. La cosa straordinaria qui,
    non è soltanto che hanno battuto
  70. tutti gli algoritmi sviluppati da Merck
    o dalla comunità accademica internazionale
  71. ma il fatto che nessuno nella squadra
    avesse mai avuto
  72. esperienza in chimica o in biologia
    o in scienze biologiche
  73. e l'hanno fatto in due settimane.
  74. Come ci sono riusciti?
  75. Hanno utilizzato un algoritmo fenomenale
    chiamato apprendimento approfondito.
  76. Questo successo è stato così importante
    da essere stato pubblicato in un articolo
  77. nella prima pagina del New York Times
    poche settimane dopo.
  78. Questo qui a sinistra è Geoffrey Hinton.
  79. Apprendimento approfondito è un algoritmo
  80. ispirato al funzionamento
    del cervello umano
  81. che ha come risultato un algoritmo
  82. che non ha limiti teorici
    su quel che può fare.
  83. Più dati gli si forniscono
    e più tempo di calcolo gli si dà,
  84. meglio funziona.
  85. Il New York Times ha anche spiegato
    in questo articolo

  86. un altro straordinario
  87. risultato dell'apprendimento approfondito
  88. che sto per mostrarvi.
  89. Mostra che i computer
    possono ascoltare e capire.
  90. (Video) Richard Rashid: l'ultimo passo

  91. che voglio essere in grado
    di compiere in questo processo
  92. è di parlarvi veramente in cinese.
  93. Il punto chiave qui
  94. è che siamo stati in grado
    di prendere una gran quantità
  95. di informazioni
    da numerosi parlanti cinesi
  96. per produrre un sistema da testo a voce
  97. che prende il testo cinese
    e lo converte in lingua cinese
  98. e abbiamo preso
    più o meno un'ora della mia stessa voce
  99. e l'abbiamo utilizzata per modulare
  100. un sistema standard da testo a voce
    in modo che suoni come la mia.
  101. Il risultato non è perfetto.
  102. In realtà ci sono un po' di errori.
  103. (In cinese)
  104. (Applausi)
  105. C'è ancora molto
    da fare in questo settore.
  106. (In cinese)
  107. (Applausi)
  108. Jeremy Howard:
  109. questo è accaduto alla conferenza
  110. sull'apprendimento automatico in Cina.

  111. Non capita davvero spesso
    alle conferenze accademiche
  112. di sentire applausi spontanei
  113. benché ovviamente talvolta
  114. alle conferenze TEDx
    siate liberi di farlo.
  115. Tutto quello che avete visto è accaduto
    grazie all'apprendimento approfondito.
  116. (Applausi)
  117. Grazie.
  118. La trascrizione in inglese
    è apprendimento approfondito.
  119. La traduzione in cinese e il testo in alto
    a destra, apprendimento approfondito,
  120. e la costruzione della voce
    ancora apprendimento approfondito.
  121. Dunque l'apprendimento approfondito
    è questa cosa straordinaria.

  122. È un singolo algoritmo che sembra
    essere in grado di fare qualsiasi cosa
  123. e ho scoperto che un anno prima
    ha anche imparato a vedere.
  124. In questa sconosciuta
    competizione dalla Germania
  125. chiamata lo Standard tedesco
    per il riconoscimento dei segnali stradali
  126. l'apprendimento approfondito ha imparato
    a riconoscere segnali stradali come questo.
  127. Non solo può
    riconoscere i segnali stradali
  128. meglio di qualunque altro algoritmo
  129. la classifica dei leader mostra che
    in realtà è stato migliore delle persone,
  130. almeno il doppio delle persone.
  131. Così nel 2011 abbiamo avuto
    il primo esempio
  132. di computer che può vedere
    meglio delle persone.
  133. Da allora sono successe molte cose.
  134. Nel 2012 Google ha annunciato che
    un algoritmo di apprendimento approfondito
  135. ha guardato i video di YouTube
  136. e ha suddiviso i dati
    su 16 000 computer per un mese
  137. e il computer ha imparato in modo
    autonomo concetti quali persone e gatti
  138. solo guardando i video.
  139. Assomiglia molto al modo
    di imparare degli uomini.
  140. Gli uomini non apprendono
    quando gli si dice cosa vedono,
  141. ma apprendendo da soli
    cosa sono queste cose.
  142. Anche nel 2012 Geoffrey Hinton,
    che abbiamo visto prima,
  143. ha vinto la popolarissima
    competizione ImageNet
  144. cercando di capire
    da un milione e mezzo di immagini
  145. di che cosa erano la foto.
  146. Già dal 2014 siamo a meno
    del sei percento del tasso di errore
  147. nel riconoscimento delle immagini.
  148. Ancora una volta meglio delle persone.
  149. Le macchine stanno davvero
    facendo un lavoro straordinario qui

  150. e verrà utilizzato nell'industria.
  151. Per esempio,
    Google lo scorso anno ha annunciato
  152. che ha mappato ogni singola
    località in Francia in due ore
  153. e lo ha fatto
    fornendo immagini di strade
  154. ad un algoritmo
    di apprendimento approfondito
  155. per riconoscere e leggere i numeri civici.
  156. Immaginate quanto
    si sarebbe impiegato prima:
  157. dozzine di persone, diversi anni.
  158. Sta accadendo anche in Cina.
  159. Baidu è una sorta
    di Google cinese, immagino,
  160. e quel che potete vedere
    in alto a sinistra
  161. è un esempio delle immagini
    che ho caricato
  162. nel sistema di apprendimento
    approfondito di Baidu,
  163. al di sotto potete vedere che il sistema
    ha capito che cos'è quell'immagine
  164. e ha trovato immagini simili.
  165. In effetti le immagini simili
    hanno sfondi simili,
  166. simili direzioni dei volti,
  167. alcuni persino con la lingua fuori.
  168. Questo non sta certamente cercando
    il testo in una pagina del web.
  169. Tutto quello che ho caricato
    è un'immagine.
  170. Così adesso abbiamo computer che
    comprendono davvero quello che vedono
  171. e che possono di conseguenza
    cercare nei database
  172. di centinaia di milioni
    di immagini in tempo reale.
  173. Cosa significa
    che i computer possono vedere?

  174. Non è solo che
    i computer possono vedere.
  175. Infatti l'apprendimento approfondito
    ha fatto molto più di questo.
  176. Frasi complesse e sfumate come questa
  177. adesso sono comprensibili
  178. con un algoritmo
    di apprendimento approfondito.
  179. Come potete vedere qui,
  180. questo sistema basato su Stanford
    che mostra punti rossi in cima
  181. ha capito che questa frase
    sta esprimendo un sentimento negativo.
  182. L'apprendimento approfondito
    è simile al comportamento umano
  183. nel comprendere quello di cui tratta
  184. la frase e che cosa sta dicendo
    su queste cose.
  185. L'apprendimento approfondito
    è stato utilizzato per leggere il cinese
  186. ad un livello simile
    a quello di un madrelingua.
  187. Questo algoritmo è stato sviluppato
    in Svizzera
  188. da persone che non parlavano
    o capivano il cinese.
  189. Come ho detto, l'uso
    dell'apprendimento approfondito
  190. è praticamente il sistema migliore
    del mondo per fare questo,
  191. anche paragonato
    alla conoscenza umana.
  192. Questo è il sistema che abbiamo
    messo a punto nella mia azienda,

  193. che mostra come mettere
    tutto questo materiale insieme.
  194. Queste immagini non hanno
    alcun testo allegato
  195. e mentre sto digitando queste frasi
  196. in tempo reale sta capendo
    queste immagini
  197. e immaginando cosa riguardano
  198. e trovando immagini simili
    al testo che sto scrivendo.
  199. Come potete vedere, sta effettivamente
    capendo le mie frasi
  200. e sta realmente comprendendo
    queste immagini.
  201. So che avete visto
    qualcosa di simile su Google
  202. dove potete digitare cose
    e lui vi mostra delle immagini,
  203. ma in realtà quello che fa è
    cercare una pagina web riferita al testo.
  204. È molto diverso
    dal capire davvero le immagini.
  205. È una cosa che i computer
    sono stati in grado di fare
  206. per la prima volta negli ultimi mesi.
  207. Vediamo che i computer non soltanto
  208. possono vedere le immagini,
    possono anche leggere

  209. e ovviamente mostrare che possono
    comprendere quello che sentono.
  210. Forse non vi sorprenderà
    quello che sto per dirvi,
  211. cioè che sono in grado di scrivere.
  212. Ecco un testo
    che ho scritto ieri utilizzando
  213. un algoritmo
    di apprendimento approfondito.
  214. Ed ecco un testo che un algoritmo
    di Stanford ha creato.
  215. Ognuna di queste frasi è stata creata
  216. da un algoritmo
    di apprendimento approfondito
  217. per descrivere ognuna di queste immagini.
  218. Questo algoritmo non ha mai visto
  219. un uomo in maglietta nera
    che suona la chitarra.
  220. Ha già visto un uomo prima,
    ha già visto il nero prima,
  221. ha già visto una chitarra prima,
  222. ma ha generato in modo autonomo questa
    nuova descrizione di questa fotografia.
  223. Non è ancora una prestazione umana,
    ma ci siamo vicini.
  224. Nei test, gli uomini preferiscono
    un sottotitolo generato dal computer
  225. una volta su quattro.
  226. Questo sistema ha soltanto due settimane,
  227. quindi forse entro il prossimo anno
  228. l'algoritmo informatico sarà
    oltre la prestazione umana
  229. alla velocità con cui vanno le cose.
  230. I computer possono anche scrivere.
  231. Abbiamo messo tutto insieme e ci ha
    portato ad opportunità emozionanti.

  232. Per esempio in medicina
  233. un gruppo di Boston
    ha annunciato che ha scoperto
  234. dozzine di caratteristiche dei tumori
    clinicamente rilevanti
  235. che aiutano i medici nel fare
    una prognosi del cancro.
  236. Analogamente, a Stanford
  237. un gruppo ha annunciato
    che osservando i tessuti ingranditi
  238. hanno sviluppato un sistema basato
    sull'apprendimento automatico
  239. che è migliore dei patologi umani
  240. nel predire le percentuali
    di sopravvivenza nei malati di cancro.
  241. In entrambi i casi non solo
    le previsioni sono più accurate
  242. ma generano una nuova
    scienza intelligente.
  243. Nel caso della radiologia
  244. sono nuovi indicatori clinici
    che gli umani possono comprendere.
  245. Nel caso di questa patologia
  246. il sistema informatico ha scoperto
    che le cellule intorno al cancro
  247. sono importanti quanto
    le cellule tumorali stesse
  248. per fare una diagnosi.
  249. È il contrario di quanto è stato
    insegnato ai patologi per decenni.
  250. In ognuno dei due casi
    sono sistemi sviluppati
  251. da una combinazione
    di esperti in medicina
  252. e di esperti
    in apprendimento automatico
  253. ma a partire dallo scorso anno
    siamo andati anche oltre.
  254. Questo è un esempio
    di identificazione delle aree tumorali
  255. di un tessuto umano al microscopio.
  256. Questo sistema può identificare
    le aree con maggiore accuratezza
  257. o con la stessa accuratezza
    di un patologo umano
  258. ma è stato costruito interamente
  259. con l'apprendimento approfondito

  260. senza utilizzare la competenza medica
  261. da persone che non hanno
    alcuna competenza in questo settore.
  262. Analogamente qui c'è
    la segmentazione di un neurone.
  263. Ora siamo in grado di segmentare
  264. i neuroni con la stessa
    accuratezza degli uomini,
  265. ma questo sistema è stato sviluppato
    con l'apprendimento approfondito
  266. da persone con nessuna
    competenza in medicina.
  267. Io stesso, da persona
    senza alcuna competenza in medicina,

  268. sono pienamente qualificato
    per iniziare una nuova società medica,
  269. cosa che ho fatto.
  270. Ero piuttosto spaventato nel farlo
  271. ma la teoria sembrava suggerire
    che era possibile
  272. fare medicina molto utile utilizzando
    soltanto queste tecniche di analisi dati.
  273. Fortunatamente abbiamo avuto
    un fantastico riscontro
  274. non soltanto dai media,
    ma anche dalla comunità medica,
  275. che è stata di grande supporto.
  276. La teoria è che possiamo prendere
    la parte centrale di un processo medico
  277. e trasformarla in un analisi di dati
    per quanto possibile,
  278. lasciando i medici a fare
    quel che fanno meglio.
  279. Voglio farvi un esempio.
  280. Ad oggi occorrono 15 minuti per produrre
    un nuovo test medico diagnostico,
  281. io ve lo mostrerò in tempo reale,
  282. ma l'ho compresso a tre minuti
    eliminando qualche parte.
  283. Invece di farvi vedere
    la creazione di un test medico diagnostico
  284. sto per mostrarvi
    un test diagnostico con immagini di auto,
  285. perché è qualcosa
    che possiamo comprendere tutti.
  286. Quindi inizieremo con circa
    un milione e mezzo di immagini di auto

  287. e voglio creare qualcosa
    che le suddivida per l'angolazione
  288. con cui sono state scattate le fotografie.
  289. Queste immagini non sono etichettate,
    quindi dovrò cominciare da zero.
  290. Con il nostro algoritmo
    per l'apprendimento approfondito
  291. si possono identificare automaticamente
  292. le aree delle strutture
    in queste immagini.
  293. La cosa bella è che l'uomo
    e il computer possono lavorare insieme.
  294. L'uomo, come potete vedere qui,
  295. sta spiegando al computer
    le aree di interesse
  296. che vuole che il computer
    utilizzi per migliorare l'algoritmo.
  297. In realtà questi sistemi
    di apprendimento approfondito
  298. sono in uno spazio di 16 000 dimensioni
  299. così potete vedere qui il computer
    che lo ruota attraverso quello spazio
  300. cercando di trovare
    nuove aree di struttura.
  301. Quando ci riesce
  302. l'uomo che lo sta guidando può poi
    segnalare le aree interessanti.
  303. Qui il computer ha trovato
    con successo le aree
  304. ad esempio, gli spigoli.
  305. Durante questo processo
  306. stiamo dicendo gradualmente
    al computer sempre di più
  307. sul tipo di strutture che stiamo cercando.
  308. Potete immaginare in un test diagnostico
  309. che questo potrebbe essere
    un patologo che identifica
  310. le aree malate, oppure ad esempio
  311. un radiologo che indica
    i noduli potenzialmente problematici.
  312. Talvolta può essere
    difficile per l'algoritmo.
  313. Qui è in un qualche modo confuso.
  314. Le immagini della parte anteriore
    e posteriore delle auto sono mescolate.
  315. In questo caso dobbiamo
    essere un po' più cauti,
  316. selezionando le parti anteriori
    come opposte alle parti posteriori.
  317. e dicendo al computer
    che questo è il tipo di gruppo
  318. a cui siamo interessati.
  319. Lo facciamo per un po',
    tralasciando qualcosa,

  320. così addestriamo l'algoritmo
    per l'apprendimento automatico
  321. basandoci su queste coppie
    di centinaia di cose
  322. sperando che il risultato sia migliore.
  323. Potete vedere che sta iniziando
    a dissolvere alcune di queste fotografie
  324. mostrandoci che sta già riconoscendo
    come capire da solo alcune di queste.
  325. Possiamo utilizzare questo concetto
    di immagini simili,
  326. e utilizzando immagini simili,
    come potete vedere.
  327. il computer a questo punto è in grado
    di trovare la parte anteriore delle auto.
  328. A questo punto l'uomo
    può dire al computer
  329. va bene, hai fatto
    un buon lavoro.
  330. Talvolta, ovviamente,
    persino a questo punto

  331. è ancora difficile
    separare i gruppi.
  332. In questo caso anche dopo aver lasciato
  333. il computer a provare
    a ruotarlo per un po'
  334. troveremo ancora che le immagini
    dei lati sinistri e dei lati destri
  335. sono tutte mescolate.
  336. Così possiamo dare ulteriori
    indicazioni al computer
  337. e dire, va bene, prova a trovare
    una proiezione per separare
  338. i lati sinistri da quelli destri
    per quanto possibile
  339. utilizzando questo algoritmo
    di apprendimento approfondito.
  340. Dandogli quel suggerimento --
    ecco, c'è riuscito.
  341. È riuscito a trovare un modo
    per pensare a questi oggetti
  342. separandoli dagli altri.
  343. Vi state facendo un'idea.

  344. Questo non è un caso in cui l'uomo
    è rimpiazzato dal computer,
  345. ma uno in cui lavorano insieme.
  346. Quello che stiamo facendo qui è sostituire
    qualcosa per il quale serviva una squadra
  347. di cinque o sei persone
    per circa sette anni
  348. e sostituirlo con qualcosa
    che impiega 15 minuti
  349. e una persona che lavora da sola.
  350. Questo processo richiede all'incirca
    quattro o cinque ripetizioni.

  351. Potete vedere che adesso abbiamo
    il 62 per cento
  352. del nostro milione e mezzo di immagini
    classificato correttamente.
  353. A questo punto possiamo iniziare
    a prendere piuttosto
  354. velocemente grandi sezioni,
  355. controllarle per essere sicuri
    che non ci siano errori.
  356. Dove ci sono errori, possiamo
    farlo sapere al computer.
  357. Utilizzando questo tipo di processo
    per ognuno dei diversi gruppi
  358. siamo vicini ad un tasso
    di successo dell'80 per cento
  359. nel classificare un milione
    e mezzo di immagini.
  360. A questo punto è solo si tratta solo
  361. di trovare trova la piccola parte
    che non è classificata correttamente
  362. e si cerca di capire perché.
  363. Usando questo approccio
  364. in 15 minuti arriviamo a un tasso
    di classificazione del 97 per cento.
  365. Questo tipo di tecnica può permetterci
    di risolvere un problema più grande,

  366. cioè che c'è una mancanza
    di competenza medica nel mondo.
  367. Il Forum Economico Mondiale
    riporta che ci sono
  368. dalle 10 alle 20 volte meno
    medici del necessario
  369. nei paesi in via di sviluppo
  370. e serviranno circa 300 anni
  371. per formare abbastanza persone
    per risolvere il problema.
  372. Quindi immaginate se potessimo aiutare
    a migliorare la loro efficacia
  373. utilizzando l'approccio con questo
    apprendimento approfondito?
  374. Sono davvero entusiasta
    di questa opportunità.

  375. Sono anche preoccupato per i problemi.
  376. Il problema è che
    ogni area in blu su questa mappa
  377. indica un posto dove i servizi
    sono oltre l'80 per cento del lavoro.
  378. Cosa sono i servizi?
  379. Questi sono i servizi.
  380. Questi sono anche proprio quello che
    i computer hanno appena imparato a fare.
  381. Così l'80 per cento dell'occupazione mondiale
    nel mondo sviluppato
  382. è in qualcosa che i computer
    hanno appena imparato a fare.
  383. Cosa significa tutto ciò?
  384. Che andrà tutto bene.
    Saranno sostituiti da altri lavori.
  385. Ad esempio ci sarà
    più lavoro per i data scientist.
  386. Veramente no.
  387. Non occorrono molti data scientist
    per costruire questi.
  388. Ad esempio questi quattro algoritmi
    sono stati creati dalla stessa persona.
  389. Così se pensate:
    è già accaduto prima
  390. abbiamo visto in passato i risultati
    di quando arrivano novità
  391. e vengono sostituite da nuovi lavori,
  392. ma come saranno questi nuovi lavori?
  393. È molto difficile per noi prevederlo
  394. perché la conoscenza umana
    cresce ad un tasso graduale,
  395. mentre ora che abbiamo questo
    sistema di apprendimento approfondito
  396. che sappiamo che ha una conoscenza
    che cresce a livello esponenziale.
  397. Siamo qui.
  398. Attualmente vediamo le cose intorno a noi
  399. e diciamo: "I computer
    sono ancora piuttosto stupidi"
  400. Giusto?
  401. Ma fra cinque anni
    saranno fuori da questo diagramma.
  402. Così dobbiamo iniziare a pensare
    a questa capacità proprio adesso.
  403. L'abbiamo già visto, ovviamente.

  404. Nella Rivoluzione Industriale
  405. abbiamo visto un cambio di passo
    nella capacità grazie al motore.
  406. Il punto è tuttavia che dopo
    un po' le cose si sono appiattite.
  407. Ci sono stati disordini sociali,
  408. ma una volta che il motore è stato usato
    per generare energia in ogni situazione
  409. le cose si sono assestate.
  410. La Rivoluzione dell'Apprendimento
    Automatico
  411. sarà molto diversa
    dalla Rivoluzione Industriale
  412. perché la Rivoluzione dell'Apprendimento
    Automatico non si assesterà.
  413. Più i computer miglioreranno
    le attività intellettuali
  414. più si potranno costruire
    computer migliori
  415. che miglioreranno
    le capacità intellettuali,
  416. quindi questo sarà un cambiamento
  417. che il mondo non ha davvero
    mai sperimentato prima
  418. quindi la vostra comprensione precedente
    su quel che è possibile, è diverso.
  419. Sta già avendo un impatto su di noi.

  420. Negli ultimi 25 anni
    la produttività del capitale è cresciuta,
  421. la produttività del lavoro è rimasta
    uguale, è persino calata un po'.
  422. Quindi voglio che iniziamo
    a discuterne sin da adesso.

  423. So che spesso quando parlo alle persone
    di questa situazione
  424. le persone sono piuttosto sprezzanti.
  425. Del resto i computer
    non possono veramente pensare,
  426. non hanno emozioni,
    non comprendono la poesia,
  427. non capiamo davvero come funzionano.
  428. Quindi?
  429. Già adesso i computer possono fare cose
  430. per fare le quali le persone
    vengono pagate,
  431. quindi è tempo di iniziare a pensare
  432. a come dovremo modificare
    le nostre strutture sociali ed economiche
  433. per diventare consapevoli
    di questa nuova realtà.
  434. Grazie.
  435. (Applausi)