Nuostabios ir bauginančios kompiuterių, kurie gali mokytis, pasekmės

Kas nutinka, kai mes išmokome kompiuterį mokytis? Technologas Jeremy Howard dalinasi stebinančiomis naujovėmis greitai tobulėjančioje giliojo mokymosi srityje, technikoje, kuri suteikia kompiuteriams gebėjimą mokytis kinų kalbos, ar pažinti objektus nuotraukose, ar padėti nustatyti medicininę diagnozę (vienas gilaus mokymosi įrankis, po ilgų valandų žiūrint „YouTube“, išmokė save „kačių“ koncepcijos). Būkite įtraukti į sritį, kuri pakeis, kaip kompiuteriai šalia mūsų elgsis... greičiau, nei galite pagalvoti.

Anksčiau, jei norėdavai, kad kompiuteris
padarytų kažką naujo,

turėdavai programuoti.

Programavimas, sakau tiems,
kas niekada nėra to daręs,

vargina savo reikalavimu išdėstyti

kiekvieną atskirą žingsnį, ką nori,
kad kompiuteris darytų,

kad pasiektų tavo iškeltą tikslą.

Ir jei nori padaryti kažką,
ko pats nežinai kaip padaryti,

tai išties yra didelis iššūkis.

Su šiuo iššūkiu susidūrė
šis žmogus, Athur Samuel.

1956 m. jis norėjo, kad kompiuteris

sugebėtų jį nugalėti žaidžiant šaškėmis.

Kaip gali parašyti programą,

detalizuoti, kaip būti geresniam
nei esi pats žaisdamas šaškėmis?

Jam kilo idėja:

jis leido kompiuteriui žaisti
prieš save tūkstančius kartų

ir išmokti žaisti šaškėmis.

Ir tai suveikė, be to, 1962 m.

šis kompiuteris nugalėjo
Konektikuto čempioną.

Taigi Arthur Samuel yra
gebančios mokytis mašinos tėvas,

ir jam aš esu skolingas,

nes aš esu gebančios mokytis
mašinos praktikas.

Aš buvau „Kaggle“ prezidentu,

bendruomenės su daugiau nei 200 000
besimokančios mašinos praktikų.

„Kaggle“ skelbia konkursus

pabandyti ir išspręsti
prieš tai neišspręstas problemas,

ir tai pavyko šimtus kartų.

Taigi turėdamas pranašumą
aš galėjau daug sužinoti

apie tai, ką besimokančios mašinos
galėjo padaryti praeity, ką gali dabar,

ir ką galėtų ateityje.

Galbūt pirma didžiausia besimokančios
mašinos komercinė sėkmė buvo „Google“.

„Google“ įrodė, kad įmanoma
surasti informaciją,

naudojant kompiuterio algoritmą,

šis algoritmas paremtas
mašinos gebėjimu mokytis.

Nuo to laiko turime daugiau
komercinės sėkmės pavyzdžių.

Įmonės, kaip „Amazon“ ir „Netflix“,

naudoja besimokančias mašinas, kad
pasiūlytų tai, ką gal norėtumėte pirkti,

filmų, kuriuos galbūt norėtumėte pamatyti.

Kartais tai kelia baimę.

Įmonės, kaip „LinkedIn“ ir „Facebook“,

kartais pasiūlys jums, kas
galėtų būti jūsų draugais,

ir jūs nežinote, kaip jie tai daro,

ir tai tik dėl to, kad jie naudoja
besimokančios mašinos galią.

Tai yra algoritmai, kurie iš duomenų
mokosi, kaip tai padaryti,

užuot būtų programuojami ranka.

Taip buvo ir su IBM pasisekimu,

kad Watson sumuštų du
pasaulio čempionus žaidime „Jeopardy“,

atsakinėjant neįtikėtinai subtilius ir
sunkius klausimus, kaip šis.

[„Antik. „Nimrudo liūtas“ dingo
iš šio miesto muziejaus...“]

Dėl tos pačios priežasties matome
pirmus automobilius be vairuotojų.

Jei jūs norite įvardinti
skirtumą tarp, pavyzdžiui,

medžio ir pėsčiojo,
ką gi, tai gana svarbu.

Mes nežinome, kaip parašyti
šias programas ranka,

bet su besimokančiomis mašinomis
dabar tai įmanoma.

Išties, šis automobilis nuvažiavo
virš milijono mylių

be jokių eismo įvykių įprastuose keliuose.

Dabar žinome – kompiuteriai gali mokytis,

ir jie gali išmokti daryti dalykus,

kurių mes patys kartais,
nežinome kaip padaryti,

o gal netgi padaryti geriau, nei mes.

Vienas iš nuostabiausių mano matytų
besimokančios mašinos pavyzdžių

nutiko mano vykdytame projekte „Kaggle“.

Komanda, kuriai vadovavo vaikinas
vardu Geoffrey Hinton,

iš Toronto universiteto,

laimėjo varžybas už
automatinį vaistų atradimą.

Keisčiausia ne tai, kad
jie paneigė visus

Merck sukurtus ar tarptautinius
akademinės bendruomenės algoritmus,

o tai, kad nei vienas neturėjo chemijos,
biologijos ar gamtos mokslų pagrindų,

ir jie tai padarė per dvi savaites.

Kaip jiems pavyko?

Jie naudojo išskirtinį algoritmą,
vadinamą giliuoju mokymusi.

Tai buvo tiek svarbu, kad ši
sėkmės istorija buvo aprašyta

pirmajame „New York Times“ puslapyje
po kelių savaičių.

Čia yra Geoffrey Hinton,
kairėje pusėje.

Gilusis mokymasis yra algoritmas,
įkvėptas to, kaip dirba žmogaus smegenys,

ir dėl to šis algoritmas

neturi teorinių apribojimų tam,
ką jis gali daryti.

Kuo daugiau jam duodi duomenų ir
laiko jiems apskaičiuoti,

tuo jis geresnis.

„New York Times“ taip pat
tame straipsnyje aprašė

kitą išskirtinį
gilaus mokymosi rezultatą,

kurį dabar jums parodysiu.

Tai rodo, kad kompiuteris
gali girdėti ir suprasti.

(Video) Richard Rashid: Dabar

paskutinis dalykas, ką norėčiau
padaryti šiame procese,

yra kalbėti su jumis kiniškai.

Pagrindinis dalykas,

kad mes turėjome galimybę surinkti
daugybę informacijos iš kalbančių kiniškai

ir sukurti teksto-kalbos sistemą,

kuri paima kinišką tekstą
ir konvertuoja jį į kinų kalbą,

ir tada mes paėmėme
apie valandą mano balso,

ir tai panaudojome sumodeliuoti

standartinę teksto-kalbos sistemą,
kuri kalbėtų mano balsu.

Dar kartą, rezultatas nėra tobulas.

Iš tiesų, yra keli netikslumai.

(Kiniškai)

(Plojimai)

Dar daug reikia nuveikti šioje srityje.

(Kiniškai)

(Plojimai)

Jeremy Howard: Tai buvo besimokan-
čių mašinų konferencija Kinijoje.

Išties nedažnai pasitaiko
mokslo konferencijose

išgirsti spontaniškus plojimus,

nors, žinoma, kartais pasitaiko ir
TEDx konferencijose, nesivaržykite.

Viskas, ką jūs čia matėte,
vyko su giliuoju mokymusi.

(Plojimai) Dėkoju.

Angliška transkripcija
buvo gilus mokymasis.

Vertimas į kinų kalbą ir tekstas
viršuje dešinėje – gilus mokymasis,

ir balso konstrukcija –
taip pat gilus mokymasis.

Gilusis mokymasis yra
išskirtinis dalykas.

Tai yra atskiras algoritmas,
kuris, atrodo, gali beveik viską,

ir aš atradau, kad prieš metus
jis išmoko matyti.

Šiame nežymiame konkurse Vokietijoje,

pavadintame Vokiečių kelių ženklų
atpažinimo etalonu,

gilusis mokymasis išmoko
atpažinti kelio ženklus, kaip šis.

Ne tik galėjo
atpažinti kelio ženklus

geriau, nei kiti algoritmai,

rezultatų lentelė parodė,
kad jis buvo geresnis už žmones,

netgi du kartus geresnis.

Taigi 2011 m. turėjome pirmą pavyzdį

kompiuterių, galinčių matyti
geriau, nei žmonės.

Nuo tada daug kas įvyko.

2012 m. „Google“ paskelbė, kad
jie leido gilaus mokymosi algoritmui

žiūrėti „YouTube“ įrašus

ir mėnesį rinko duomenis iš
16 000 kompiuterių,

ir šie kompiuteriai savarankiškai išmoko
apie sąvokas, kaip žmonės ir katės,

tiesiog žiūrėdami vaizdo įrašus.

Tai panašu į tai,
kaip mokosi žmonės.

Žmonės mokosi ne kai jiems sakoma,
ką jie mato,

bet mokosi patys atrasdami,
kas šie dalykai yra.

Taip pat 2012 m. Geoffrey Hinton,
kurį matėme anksčiau,

laimėjo populiarų „ImageNet“ konkursą,

bandantį apskaičiuoti
iš pusantro milijono vaizdų,

kieno tai nuotraukos.

Nors dabar 2014 m., mes vis dar
klystame 6 procentais

atpažindami vaizdus.

Ir vėlgi tai yra geriau, nei gali žmonės.

Taigi mašinos išties daro
išskirtinį darbą šioje srityje,

ir dabar tai naudojama pramonėje.

Pavyzdžiui, „Google“ pernai paskelbė,

kad į žemėlapį įtraukė kiekvieną atskirą
Prancūzijos vietą vos per dvi valandas,

jie tai padarė perkeldami
gatvių vaizdus

į gilaus mokymosi algoritmą,
kad atpažintų gatvių numerius.

Įsivaizduokite, kaip ilgai
tai būtų užtrukę:

daugybė žmonių ir metų.

Tai vyksta ir Kinijoje.

„Baidu“ yra savotiškas
kinų „Google“, spėju,

ir tai, ką jūs matote viršuje kairėje

yra pavyzdys nuotraukos, kurią aš
įkėliau į „Baidu“ gilaus mokymosi sistemą,

ir apačioje jūs galite pamatyti, kad
sistema suprato, kas yra nuotraukoje,

ir rado panašius vaizdus.

Išties panašūs vaizdai
turi panašų foną,

panašų snukių pasukimą,

netgi kai kurie su iškištu liežuviu.

Tai nelabai aišku, žiūrint
į tekstą tinklalapyje.

Aš įkėliau tik nuotrauką.

Taigi dabar mes turime kompiuterius,
kurie tikrai supranta, ką mato

ir gali ieškoti duomenų bazėse

šimtus milijonus
vaizdų realiu laiku.

Taigi ką reiškia, kad
dabar kompiuteriai gali matyti?

Tai ne tik, kad
kompiuteriai gali matyti.

Išties, gilus mokymasis
padarė daugiau.

Sudėtingi sakiniai su niuansais, kaip šis

dabar yra suprantami
su gilaus mokymosi algoritmais.

Kaip galite čia matyti.

ši Stanfordu paremta sistema,
rodanti raudoną tašką viršuj,

suprato, kad šis sakinys
išreiškia neigiamą mintį.

Gilus mokymasis iš tiesų
artėja prie žmogaus gebėjimo

suprasti, apie ką yra sakiniai
ir kas yra sakoma apie tuos dalykus.

Taip pat, gilus mokymasis
buvo naudotas skaityti kiniškai

dar kartą gimtosios
kinų kalbos skaitytojo lygiu.

Šis algoritmas, sukurtas
Šveicarijoje žmonių,

kurių nei vienas nekalba
ar supranta kiniškai.

Kaip ir sakiau, gilaus mokymosi naudojimas

už tai yra geriausia sistema
pasaulyje

net palyginus su įgimtu
žmogaus suvokimu.

Tai yra sistema, kurią mes
sudėjome mano kompanijoje,

kuri rodo, kaip sudeda
viską į krūvą.

Štai čia nuotraukos, kurios
neturi pridėto teksto,

ir kai aš rašau šiuos žodžius,

ji realiu laiku supranta
šias nuotraukas

ir išsiaiškina, apie ką jos,

ir suranda nuotraukas, panašias
į tekstą, kurį aš rašau.

Taigi jūs matote, kad ji išties
supranta mano žodžius

ir iš tikrųjų supranta šiuos vaizdus.

Žinau, kad jūs matėte
kažką panašaus „Google“,

kur jūs rašote tekstą,
ir jums suranda vaizdus,

bet iš tikrųjų ji tik ieško
tinklalapio su nurodytu tekstu.

Tai išties skiriasi nuo tikro
vaizdų supratimo.

Tai yra kažkas, ką kompiuteriai
galėjo padaryti

pirmą kartą paskutiniais mėnesiais.

Taigi mes matome, kad kompiuteriai
gali ne tik matyti, bet ir skaityti,

ir, žinoma, mes parodėme, kad jie
gali suprasti ką girdi.

Gal nenustebinsiu jums pasakydamas,
kad jie gali ir rašyti.

Štai čia tekstas, kurį sugeneravau vakar
naudodamas gilaus mokymosi algoritmą.

Ir štai čia - tekstas, kurį sugeneravo
Stanfordo algoritmas.

Kiekvienas šių sakinių buvo sukurtas

gilaus mokymosi algoritmo,
kad aprašytų kiekvieną šių vaizdų.

Šis algoritmas prieš tai nebuvo matęs
vyro juodais marškinėliais grojant gitara.

Jis yra matęs vyrą prieš tai,
yra matęs juodą,

taip pat ir gitarą,

bet jis savarankiškai sugeneravo
šį nuotraukos aprašymą.

Kol kas tai neprilygsta žmogaus
gebėjimams, bet mes esame arti.

Testuose žmonės teikia pirmenybę
kompiuterio sukurtai antraštei

vieną iš keturių kartų.

Šiai sistemai kol kas tik dvi savaitės,

taigi tikėtina, kad per kitus metus

kompiuterio algoritmas bus

gerokai pralenkęs žmogaus gebėjimus.

Taigi kompiuteriai taip pat gali rašyti.

Taigi mes viską sudėjome, ir tai
veda į įdomias galimybes.

Pavyzdžiui, medicinoje.

Komanda Bostone pranešė,
kad jie atrado

daugybę naujų kliniškai svarbių

auglių bruožų, kurie padeda gydytojams
prognozuoti vėžį.

Labai panašiai Stanforde

ten esanti komanda pranešė, kad
tyrinėdami padidintus audinius

jie sukūrė sistemą,
pagrįstą mašinos mokymusi,

kuri išties yra geresnė,
už žmones patologus

nustatant išgyvenimo tikimybę
sergantiems vėžiu.

Abiem atvejais ne tik buvo
tikslesnės prognozės,

bet jie sukūrė ir naują įžvalgos mokslą.

Radiologijos atveju

tai buvo nauji klinikiniai indikatoriai,
kuriuos supranta žmonės.

Patologijos atveju

kompiuterio sistema atrado, kad
ląstelės aplink vėžio židinį

yra tokios pat svarbios,
kaip vėžinės ląstelės

nustatant diagnozę.

Tai yra atvirkščiai, nei patologai
buvo mokami dešimtmečiais.

Kiekviename šių dviejų atvejų
buvo sukurtos sistemos

derinant medicinos ekspertus
ir mašinos mokymosi ekspertus,

bet paskutiniais metais
mes pažengėme į priekį.

Štai čia pavyzdys, kaip
nustatomos vėžio ląstelės

žmogaus audinyje po mikroskopu.

Čia demonstruojama sistema
gali atpažinti šias vietas tiksliau,

ar beveik taip pat tiksliai,
kaip gydytojai patologai,

ji buvo sukurta vien su giliu
mokymusi, be jokių medicinos žinių

žmonių, kurie neturi
jokio pagrindo šioje srityje.

Panašiai čia, tai neurono segmentavimas.

Dabar galime segmentuoti neuronus
beveik taip pat tiksliai, kaip žmonės,

bet ši sistema sukurta
naudojant gilų mokymąsi

žmonių, neturinčių ankstesnės
patirties medicinoje.

Taigi aš, neturintis
jokio medicininio išsilavinimo,

panašu, kad esu tinkamas
įsteigti naują medicinos kompaniją,

ką aš ir padariau.

Tam tikra prasme bijojau tą daryti,

bet teorija, rodos, pati patarė,
kad turėtų būti įmanoma

sukurti naudingą mediciną,
naudojant tik duomenų analizės technikas.

Ir laimei, atsiliepimai
buvo puikūs,

ne tik iš žiniasklaidos,
bet ir iš medikų,

kurie labai palaikė.

Teoriškai mes galime paimti
vidurinę medicininio proceso dalį

ir paversti ją į duomenų analizę
kiek įmanoma daugiau,

leidžiant gydytojams daryti tai,
ką jie geriausiai sugeba.

Noriu jums duoti pavyzdį.

Mums užtrunka apie 15 minučių
sukurti naują medicininės diagnozės testą,

dabar aš jums parodysiu realiu laiku,

bet aš sumažinau jį iki trijų
minučių išmesdamas kai kurias dalis.

Užuot rodęs jums, kaip
kuriamas medicininės diagnozės testas,

aš jums parodysiu
mašinų vaizdų diagnozės testą,

nes šitai mes visi
galime suprasti.

Taigi pradedame su
apie 1,5 milijono automobilių vaizdų,

ir aš noriu sukurti kažką,
kas gali juos išskaidyti pagal

padarytos nuotraukos kampą.

Šie vaizdai yra be žymių,
taigi turiu pradėti nuo pradžių.

Naudojant gilaus mokymosi algoritmą

jis gali automatiškai identifikuoti
struktūros vietas šiuose vaizduose.

Nuostabu, kad žmogus ir kompiuteris
dabar gali kartu dirbti.

Taigi žmogus, kaip jūs matote čia,

nurodo kompiuteriui
jam rūpimas vietas,

nori, kad kompiuteris
išbandytų ir pagerintų savo algoritmą.

Dabar šios gilaus mokymosi sistemos
yra 16 000 dimensijų erdvėje,

taigi jūs matote kompiuterį,
besisukantį šioje erdvėje,

ieškantį naujų struktūros vietų.

Ir, kai jam tai pavyksta,

žmogus, kuris jį valdo, tada
atkreipia dėmesį į įdomias vietas.

Taigi kompiuteris
sėkmingai surado vietas,

pavyzdžiui, kampus.

Kai perėjome šį procesą,

mes tolygiai nurodome
kompiuteriui vis daugiau

apie struktūrų tipus,
kurių mes ieškome.

Įsivaizduokite diagnostikos teste

tai būtų patologas, identifikuojantis,
pavyzdžiui, susirgimo tipą,

arba radiologas, nustatantis
potencialiai pavojingus mazgelius.

Ir kartais tai gali būti
sudėtinga algoritmui.

Šiuo atveju jis šiek tiek pasimetė.

Mašinų priekiai ir galai
yra sumaišyti.

Taigi turime būti dėmesingesni,

rankiniu būdu atrinkdami šiuos priekius,
kaip galų priešingybes

tada nurodyti kompiuteriui,
kad šio tipo grupė

mus domina.

Taigi mes tai darome kurį laiką,
šiek tiek praleidžiame,

ir tada treniruojame
mašinos mokymosi algoritmą,

paremtą keliais šimtais dalykų,

ir mes tikimės, kad jis patobulės.

Dabar matote, kad jis pradėjo
išmetinėti kai kuriuos vaizdus,

rodydamas mums, kad jau žino,
kaip pačiam suprasti kai kuriuos vaizdus.

Tada mes galime naudoti šį
panašių vaizdų konceptą,

ir naudojant panašius vaizdus, matote,

kompiuteris šioje vietoje sugeba
atrasti vien automobilių priekius.

Šiuo atveju žmogus
gali pasakyti kompiuteriui,

puiku, tu padarei
gerą darbą.

Kartais, žinoma, net ir šiuo momentu

tai vis dar sudėtinga
atskirti grupes.

Net jei mes leidžiame
kompiuteriui bandyti kurį laiką,

mes vis dar randame, kad kairės ir
dešinės pusės vaizdai

yra visi sumaišyti.

Mes galime vėl kompiuteriui
duoti užuominų,

sakome - gerai, pabandyk ir rask
projekciją, kuri kuo labiau

išskiria kaires puses nuo dešinių

naudojant šį gilaus mokymosi algoritmą.

Ir davus užuominą –
ak, puiku, pavyko.

Jam pavyko surasti mąstymo
apie šiuos objektus būdą,

kas atskyrė detales.

Taigi jūs mane supratote.

Čia ne tas atvejis, kur žmogus
yra pakeičiamas kompiuterio,

bet tas, kai jie dirba kartu.

Ką mes čia darome, tai išstumiame
kažką, kam reikėdavo komandos

iš penkių ar šešių žmonių 7 metams,

ir pakeičiame tai su kažkuo,
kas užtrunka 15 min.

veikiant vienam asmeniui.

Šiam procesui prireikia
4 ar 5 pakartojimų.

Dabar matote, kad turime 62 proc.

iš mūsų 1,5 milijono vaizdų
suskirstytų teisingai.

Ir šiame etape mes
galime pradėti gana greitai

imti pilnas dalis,

patikrinti jas ir įsitikinti,
kad nėra klaidų.

Jei yra klaidų, leidžiame
kompiuteriui jas žinoti.

Ir naudodami tokį procesą
kiekvienai atskirai grupei

mes pasiekiame 80 proc.
sėkmės rodiklį

skirstant 1,5 milijono vaizdų.

Šiuo momentu tai tik problema,

kaip surasti mažą kiekį,
kuris nėra teisingai suklasifikuotas,

ir pabandyti suprasti kodėl.

Naudojant šį metodą,

per 15 minučių mes
suklasifikuojame 97 proc.

Tokio tipo technika leistų
mums išspręsti pagrindinę problemą –

medicininės ekspertizės
trūkumą pasaulyje.

Pasaulio ekonomikos forumas teigia,
kad gydytojų trūkumas siekia

nuo 10 iki 20 kartų
besivystančiose šalyse,

ir prireiktų apie 300 metų

išmokyti pakankamai žmonių
šiai problemai panaikinti.

Įsivaizduokite, jei galėtume
padidinti jų efektyvumą

naudodami šiuos gilaus mokymosi būdus?

Esu labai susijaudinęs
dėl šių galimybių.

Man taip pat rūpi šios problemos.

Problema ta, kad
kiekviena mėlyna spalva šiame žemėlapyje

rodo, kur paslaugos užima
virš 80 procentų užimtumo.

Kokios tai paslaugos?

Štai šios paslaugos.

Taip pat tai konkretūs dalykai, kuriuos
kompiuteriai jau išmoko daryti.

Taigi 80 proc. pasaulio užimtumo
išsivysčiusiame pasaulyje

yra dalykai, kuriuos kompiuteriai
jau išmoko daryti.

Ką tai reiškia?

Ką gi, viskas bus gerai.
Jie bus pakeisti kitų darbų.

Pavyzdžiui, bus daugiau darbo
duomenų mokslininkams.

Tiesa, nelabai.

Duomenų mokslininkams
neužtrunka ilgai tai sukurti.

Pavyzdžiui, šie keturi algoritmai
buvo sukurti to paties vaikino.

Taigi, jei galvojate, ak,
taip jau buvo anksčiau,

mes matėme rezultatus praeity,
kai atsirado nauji dalykai

ir jie buvo pakeisti naujų darbų,

kokie tie nauji darbai bus?

Labai sunku mums tai įvertinti,

nes žmogaus veikla
auga palaipsniui,

o mes turime sistemą, gilų mokymąsi,

kuris, mes jau žinome, auga
eksponentiniu pajėgumu.

Ir štai mes čia.

Šiuo metu mes matome, kas aplinkui dedasi

ir mes sakome, „Ak, kompiuteriai yra
gana kvaili“. Taip?

Bet po penkerių metų
kompiuteriai peraugs šią lentelę.

Mums reikia pradėti galvoti
apie šį sugebėjimą jau dabar.

Mes tai jau matėme kartą, žinoma.

Pramonės perversme

mes matėme pasikeitimą
pajėgume dėka variklių.

Dalykas tas, vis dėlto,
kad po kurio laiko viskas nusistovės.

Tuomet buvo socialinis lūžis,

bet vos tik varikliai buvo panaudoti
jėgos generavimui visose situacijose

viskas išties nusistovėjo.

Mašinų mokymosi revoliucija

labai skirsis nuo
Pramonės perversmo,

nes mašinų mokymosi revoliucija
niekada nenusistovės.

Kuo kompiuteriai taps geresni
intelektualinėje veikloje,

tuo geresnius kompiuterius jie gali
sukurti dar geresnei veiklai,

taigi tai bus pasikeitimas,

kurio pasaulis iš tiesų
niekada nebuvo patyręs.

Taigi jūsų ankstesnis suvokimas,
kas yra įmanoma, yra skirtingas.

Tai jau daro mums įtaką.

Paskutiniais 25 metais,
padidėjus kapitalo produktyvumui,

darbo jėgos produktyvumas buvo nuoseklus,
tiesą sakant, truputį žemas.

Taigi noriu, kad mes pradėtume
apie tai diskutuoti.

Žinau, kad, kai kalbu žmonėms
apie šią situaciją,

žmonės gali būti gana priešiški.

Kompiuteriai negali tikrai galvoti,

jie neturi jausmų,
jie nesupranta poezijos,

mes nelabai suprantame, kaip jie dirba.

Tai kas?

Kompiuteriai jau dabar daro dalykus,

kuriems žmonės skiria daugiausia
savo apmokamo laiko,

dabar pats laikas pradėti mąstyti

apie tai, kaip mes pritaikysime savo
socialines ir ekonomines struktūras,

kad suvoktume šią naują realybę.

Dėkoju.

(Plojimai.)