0:00:00.880,0:00:04.893
เคยเป็นว่าถ้าอยากได้คอมพ์ มาทำอะไรที่ใหม่ๆ

0:00:04.893,0:00:06.447
คุณก็ต้องโปรแกรมมัน

0:00:06.447,0:00:09.858
ครับ การทำโปรแกรม [br]สำหรับคนที่ยังไม่เคยทำเอง

0:00:09.858,0:00:13.360
ก็ต้องวางแผนรายละเอียด[br]อย่างเลือดตาแทบกระเด็น

0:00:13.360,0:00:16.727
ในทุกขั้นตอน ที่คุณต้องการให้คอมพิวเตอร์ทำ

0:00:16.727,0:00:19.089
เพื่อให้บรรลุเป้าหมายของคุณ

0:00:19.089,0:00:22.585
ถ้าต้องการทำสิ่งที่คุณเองไม่รู้วิธีทำแล้ว

0:00:22.585,0:00:24.648
ก็จะเป็นเรื่องท้าทายที่ยิ่งใหญ่ ที่ชายชื่อ

0:00:24.648,0:00:28.131
อาร์เธอร์ แซมวล ก็เผชิญมาแล้วในอดีต

0:00:28.131,0:00:32.208
ปี 1956 เขาอยากจะให้คอมพิวเตอร์เครื่องนี้

0:00:32.208,0:00:34.548
เอาชนะเขาได้ ในเกมหมากฮอส

0:00:34.548,0:00:36.588
จะเขียนโปรแกรมโดยวางรายละเอียด

0:00:36.588,0:00:40.394
อย่างเลือดตาแทบกระเด็น [br]ให้เหนือกว่าคุณในเกม ได้อย่างไร

0:00:40.394,0:00:42.116
ดังนั้น เขาจึงเกิดความคิดใหม่ขึ้นมา

0:00:42.116,0:00:45.840
เขาให้คอมพ์เล่นแข่งกับตัวเอง หลายพันครั้ง

0:00:45.840,0:00:48.364
และให้มันเรียนรู้ ที่จะเล่นเกมหมากฮอส

0:00:48.364,0:00:51.544
และมันก็ได้ผลจริง ๆ และตอนปี 1962

0:00:51.544,0:00:55.561
คอมพ์เครื่องนี้ เล่นชนะแชมป์รัฐคอนเนตทิคัต

0:00:55.561,0:00:58.534
อาร์เธอร์ แซมวล ถือว่าเป็นบิดา[br]ของการเรียนรู้ของเครื่อง

0:00:58.534,0:01:00.251
ผมเป็นหนี้เขาอย่างใหญ่หลวง เพราะ

0:01:00.251,0:01:03.014
ผมเป็นผู้ปฏิบัติงาน ด้านเครื่องเรียนรู้นี้

0:01:03.014,0:01:04.479
อดีตผมเป็นประธานกลุ่มแค็กเกิล

0:01:04.479,0:01:07.867
เป็นกลุ่มคนกว่า 2 แสนคนที่ทำงานด้านนี้

0:01:07.867,0:01:09.925
แค็กเกิลจัดการแข่งขัน เพื่อพยายามให้

0:01:09.925,0:01:13.633
เครื่องเหล่านั้นแก้ปัญหาที่แก้ไม่ได้มาก่อน

0:01:13.633,0:01:17.470
และก็ประสบผลสำเร็จมาแล้วหลายร้อยครั้ง

0:01:17.470,0:01:19.940
ดังนั้น จากมุมมองที่กว้างขวางนี้[br]ผมจึงได้ค้นพบ

0:01:19.940,0:01:23.890
เรื่องการเรียนรู้ของเครื่องอีกมากมาย [br]ที่พวกมันทำได้[br]

0:01:23.890,0:01:26.252
ในอดีต ปัจจุบัน และอนาคต [br]ส่วนความสำเร็จเชิงพาณิชย์

0:01:26.252,0:01:30.675
ที่ยิ่งใหญ่ครั้งแรกของเรื่องนี้ อาจคือ

0:01:30.675,0:01:33.784
กูเกิลที่ให้เห็นว่าเป็นไปได้ที่จะค้นข้อมูล

0:01:33.784,0:01:35.536
โดยใช้วิธีการทางคอมพิวเตอร์

0:01:35.536,0:01:38.437
ซึ่งมีพื้นฐานมาจาก การเรียนรู้ของเครื่อง

0:01:38.437,0:01:42.323
แต่นั้นมา มีความสำเร็จเชิงพาณิชย์อีกมาก

0:01:42.323,0:01:44.160
บริษัท อย่างเช่น แอมะซอน และ เน็ตฟลิกส์

0:01:44.160,0:01:47.876
ใช้การเรียนรู้ของเครื่อง เพื่อแนะนำสินค้า

0:01:47.876,0:01:49.896
ที่คุณอาจอยากซื้อ ภาพยนตร์ที่อาจอยากดู

0:01:49.896,0:01:51.703
บางครั้ง ก็เกือบทำให้ขนลุก

0:01:51.703,0:01:53.657
บริษัทอย่างเช่น ลิงด์อิน และเฟสบุก

0:01:53.657,0:01:56.251
บางครั้งจะบอกว่า ใครอาจเป็นเพื่อนของคุณ

0:01:56.251,0:01:58.228
และคุณก็คิดไม่ออกเลยว่า มันทำได้อย่างไร

0:01:58.228,0:02:01.195
นี่ก็เพราะ มันใช้พลังการเรียนรู้ของเครื่อง

0:02:01.195,0:02:04.152
เป็นวิธีการทางคอมพ์ ที่เรียนรู้วิธีทำได้

0:02:04.152,0:02:07.399
จากข้อมูล แทนโปรแกรม ที่ต้องใช้มือทำ

0:02:07.399,0:02:09.877
สิ่งนี่ยังทำให้ IBM สำเร็จในการทำให้

0:02:09.877,0:02:13.739
วัทสัน ชนะแชมป์โลกสองคนใน "เจเพอะดี" โชว์

0:02:13.739,0:02:16.964
โดยตอบคำถามที่ลึกลับซับซ้อนเหลือเชื่อ เช่น

0:02:16.964,0:02:19.799
["ของโบราณ 'สิงโตแห่งนิมรัต' [br]หายไปจากพิพิธภัณฑ์ในปี 2003]

0:02:19.799,0:02:23.034
ยังให้เราเห็นในขณะนี้ รถพวกแรกที่ขับได้เอง

0:02:23.034,0:02:25.856
ถ้าคุณต้องการจะบอกความแตกต่างระหว่าง เช่น

0:02:25.856,0:02:28.488
ต้นไม้กับคนเดินถนน ครับ นั่นมันสำคัญมาก

0:02:28.488,0:02:31.075
เราไม่รู้วิธีเขียนโปรแกรมเหล่านั้น ด้วยมือ

0:02:31.075,0:02:34.072
แต่จากการเรียนรู้ของเครื่อง มันเป็นไปได้

0:02:34.072,0:02:36.680
ความจริงแล้ว รถคันนี้ขับมาแล้วกว่าล้านไมล์

0:02:36.680,0:02:40.186
โดยไม่เกิดอุบัติเหตุ บนถนนปกติ

0:02:40.196,0:02:44.110
ขณะนี้เราจึงรู้ว่า เครื่องคอมพ์เรียนรู้ได้

0:02:44.110,0:02:46.010
คอมพิวเตอร์เรียนรู้ ที่จะทำสิ่งต่างๆที่

0:02:46.010,0:02:48.848
บางครั้งเราไม่รู้จริงๆ ว่าจะทำเองอย่างไร

0:02:48.848,0:02:51.733
หรือบางทีมันอาจจะทำได้ ดีกว่าเราเสียอีก

0:02:51.733,0:02:55.928
ตัวอย่างหนึ่งที่น่าทึ่งที่สุด ที่ผมเคยเห็น

0:02:55.928,0:02:58.320
เกิดขึ้นในโครงการที่ผมทำ ที่แคกเกิล

0:02:58.320,0:03:01.911
ในทีมงานที่นำโดยหนุ่มชื่อ เจฟฟรี ฮินตัน

0:03:01.911,0:03:03.463
จากมหาวิทยาลัยโทรอนโต

0:03:03.463,0:03:06.140
เขาชนะการแข่งขัน การค้นพบยาโดยอัตโนมัติ

0:03:06.140,0:03:08.987
ความพิเศษคือ ไม่ใช่เพียงเอาชนะวิธีทั้งหมด

0:03:08.987,0:03:13.000
ที่พัฒนาโดย เมอร์ค, กลุ่มวิชาการนาๆชาติ

0:03:13.000,0:03:18.061
แต่ไม่มีใครในทีมมีพื้นทางเคมี [br]หรือชีววิทยาศาสตร์

0:03:18.061,0:03:20.230
และพวกเขาทำให้ชนะได้ ในสองสัปดาห์

0:03:20.230,0:03:21.611
พวกเขาทำได้อย่างไรหรือ

0:03:22.421,0:03:25.342
เขาใช้วิธีคอมพ์ที่เรียกว่า การเรียนรู้ลึก[br](deep learning)

0:03:25.342,0:03:28.291
เรื่องนี้สำคัญมากจนกระทั่ง [br]ความสำเร็จนี้ได้พิมพ์ในหน้าหนึ่ง

0:03:28.291,0:03:31.412
ของนิวยอร์คไทม์ 2-3 อาทิตย์ต่อมา

0:03:31.412,0:03:34.147
นี่คือ เจฟฟรี่ ฮินตัน ตรงนี้ด้านซ้ายมือ

0:03:34.147,0:03:38.488
การเรียนรู้ลึก เป็นวิธีการทางคอมพ์ที่นำ

0:03:38.488,0:03:40.300
วิธีทำงานของสมองคนมา ผลคือ เป็นวิธีที่

0:03:40.300,0:03:44.141
ไม่มีข้อจำกัดทางทฤษฎีว่า มันทำอะไรได้บ้าง

0:03:44.141,0:03:46.964
ยิ่งให้ข้อมูลมัน ยิ่งให้เวลาคำนวณมากขึ้น

0:03:46.964,0:03:48.276
มันก็จะทำงานได้ดียิ่งขึ้น

0:03:48.276,0:03:50.615
นิวยอร์คไทม์ ยังแสดงให้เห็นในบทความนี้

0:03:50.615,0:03:52.857
ถึงผลลัพท์พิเศษอีกอย่างของ การเรียนรู้ลึก

0:03:52.857,0:03:55.569
ซึ่งผมจะแสดงให้คุณดู เดี๋ยวนี้

0:03:55.569,0:04:00.510
มันแสดงว่า คอมพ์ฟังรู้เรื่องและเข้าใจได้

0:04:00.510,0:04:03.221
(วิดีโอ) ริชาร์ด ราชิด: ครับ ขั้นสุดท้าย

0:04:03.221,0:04:06.246
ที่ผมอยากจะทำให้ได้ ในกระบวนการนี้

0:04:06.246,0:04:10.961
คือ พูดกับคุณจริงๆ เป็นภาษาจีน

0:04:10.961,0:04:13.596
ครับ สิ่งสำคัญในเรื่องนี้ก็คือ เราสามารถ

0:04:13.596,0:04:18.598
เอาข้อมูลจำนวนมากมาได้ จากคนพูดจีนหลายๆคน

0:04:18.598,0:04:21.128
และทำ "ระบบเนื้อหา-คำพูด" ออกมา, ระบบนี้จะ

0:04:21.128,0:04:25.801
เอาข้อความภาษาจีนมา เปลี่ยนให้เป็นภาษาจีน

0:04:25.801,0:04:29.929
แล้วก็เอาเสียงของผมเอง ราวหนึ่ง ช.ม

0:04:29.929,0:04:31.820
แล้วใช้เสียงมาปรับระบบเนื้อหา-คำพูด

0:04:31.820,0:04:36.364
เพื่อที่จะให้มีเสียงเหมือนผม

0:04:36.364,0:04:38.904
อีกนั่นแหละ ผลที่ได้ไม่ดีเลิศนัก

0:04:38.904,0:04:41.552
จริงๆแล้ว มีข้อผิดพลาดหลายอย่าง

0:04:41.552,0:04:44.036
(ภาษาจีน)

0:04:44.036,0:04:47.403
(เสียงปรบมือ)

0:04:49.446,0:04:53.022
ยังมีสิ่งที่ต้องทำอีกมาก ในเรื่องนี้

0:04:53.022,0:04:56.667
(ภาษาจีน)

0:04:56.667,0:05:00.100
(เสียงปรบมือ)

0:05:01.345,0:05:04.744
เจเรมี่ เฮาวาร์ด: นั่นเป็นการประชุมที่จีน

0:05:04.744,0:05:07.114
จริงๆ ไม่บ่อยนัก ในการประชุมทางวิชาการ

0:05:07.114,0:05:09.011
ที่จะได้ยินคนปรบมือเอง พร้อมเพรียงกัน

0:05:09.011,0:05:12.687
แต่แน่ว่า บางครั้งในการประชุม TEDx[br]จงทำตามใจชอบ

0:05:12.687,0:05:15.482
ทุกสิ่งที่เห็นที่นั่นเกิดจากการเรียนรู้ลึก

0:05:15.482,0:05:17.007
(เสียงปรบมือและหัวเราะ) [br]ขอบคุณครับ

0:05:17.007,0:05:19.289
การถอดเป็นภาษาอังกฤษทำโดยการเรียนรู้ลึก

0:05:19.289,0:05:22.701
ซึ่งแปลเป็นภาษาจีนและข้อความด้านบนขวา

0:05:22.701,0:05:26.008
การสร้างเสียงก็เป็นการเรียนรู้ลีก เช่นกัน

0:05:26.008,0:05:29.242
การเรียนรู้ลึกจึงเป็นสิ่งพิเศษ

0:05:29.242,0:05:32.341
เป็นวิธีเดียวทางคอมพ์ที่ทำได้เกือบทุกอย่าง

0:05:32.341,0:05:35.452
ผมพบปีที่แล้วว่า มันเรียนที่จะเห็นได้ด้วย

0:05:35.452,0:05:37.628
ในการแข่งขันที่ไม่ค่อยรู้จัก [br]ในเยอรมนี ชื่อ

0:05:37.628,0:05:40.225
เยอรมันแทร็ฟฟิกซายน์เรคอกนิชั่นเบนช์มาร์ก

0:05:40.225,0:05:43.618
การเรียนรู้ลึก เรียนรู้จำสัญญาณจราจรนี้

0:05:43.618,0:05:45.712
ไม่เพียงแค่ รู้จำสัญญาณจราจรได้ดีกว่า

0:05:45.712,0:05:47.470
วิธีการอื่นๆทางคอมพิวเตอร์ เท่านั้น

0:05:47.470,0:05:50.189
ป้ายคะแนนนแสดงว่า จริง ๆ แล้ว

0:05:50.189,0:05:52.041
มันดีกว่าคนประมาณสองเท่า

0:05:52.041,0:05:54.037
ดังนั้น โดยปี 2011 เราจึงมีตัวอย่างแรก

0:05:54.037,0:05:57.442
ของคอมพิวเตอร์ ที่สามารถมองเห็นได้ดีกว่าคน

0:05:57.442,0:05:59.491
ตั้งแต่นั้นมา สิ่งต่างๆมากมายได้เกิดขึ้น

0:05:59.491,0:06:03.005
ปี 2012 กูเกิลแจ้งว่า ได้ให้การเรียนรู้ลึก

0:06:03.005,0:06:04.420
ดูยูทูบวิดีโอ ขบเคี้ยวข้อมูล

0:06:04.420,0:06:07.857
จากคอมพิวเตอร์ 16,000 เครื่องอยู่ 1 เดือน

0:06:07.857,0:06:12.218
และคอมพ์ก็เรียนรู้ได้เองถึงแนวความคิด

0:06:12.218,0:06:14.027
เช่น คนกับแมว เพียงดูแค่วิดีโอเท่านั้น

0:06:14.027,0:06:16.379
สิ่งนี้เหมือนวิธีที่มนุษย์เรียนรู้อย่างมาก

0:06:16.379,0:06:19.119
มนุษย์ไม่ได้เรียนโดยให้คนอื่นบอกว่า [br]เขาเห็นอะไร

0:06:19.119,0:06:22.450
แต่โดยเรียนด้วยตนเองว่า ของเหล่านี้คืออะไร

0:06:22.450,0:06:25.819
ปี 2012 เจฟฟรี่ ฮินตัน ที่เราเห็นตอนต้น

0:06:25.819,0:06:28.677
ยังชนะการแข่ง อิมเมจเน็ด ที่มีชื่อมาก ซึ่ง

0:06:28.677,0:06:32.818
พยายามหาวิธีคิด จากภาพล้านห้าแสนภาพ

0:06:32.818,0:06:34.256
ว่า ภาพเหล่านี้เป็นภาพอะไร

0:06:34.256,0:06:37.789
ถึงปี 2014 นี้ เราลดอัตราผิดจนเหลือ 6%

0:06:37.789,0:06:39.242
ในการรู้จำภาพได้

0:06:39.242,0:06:41.268
นี่ก็ดีกว่าคนอีกเหมือนกัน

0:06:41.268,0:06:45.037
เครื่องจึงทำงานได้ดีพิเศษจริง ในเรื่องนี้

0:06:45.037,0:06:47.306
และขณะนี้ก็กำลังมีการนำไปใช้ ในอุตสาหกรรม

0:06:47.306,0:06:50.348
เช่น กูเกิลประกาศเมื่อปีที่แล้ว ว่า

0:06:50.348,0:06:54.933
ได้ทำแผนที่ทุกๆตำแหน่งในฝรั่งเศสใน 2 ช.ม

0:06:54.933,0:06:58.380
และวิธีที่พวกเขาทำนั้น คือ ใส่ภาพถนนเข้าไป

0:06:58.380,0:07:02.699
ในการเรียนรู้ลึก เพื่อให้รู้จำและอ่านเลขถนน

0:07:02.699,0:07:04.919
ลองจินตนาการดู แต่ก่อนจะใช้เวลานานแค่ไหน

0:07:04.919,0:07:08.274
ใช้คนมากมายหลายคน หลายปี

0:07:08.274,0:07:10.185
เรื่องนี้ก็กำลังเกิดขึ้นในจีนด้วย

0:07:10.185,0:07:14.221
ไบดู เป็นเหมือนกับกูเกลของจีน และ

0:07:14.221,0:07:16.504
ที่คุณเห็น ตรงด้านบนซ้ายมือ คือ ตัวอย่าง

0:07:16.504,0:07:20.478
รูปที่ผมใส่เข้าไป ในระบบเรียนรู้ลึกของไบดู

0:07:20.478,0:07:24.247
ตรงข้างล่าง คุณจะเห็นได้ว่า ระบบเข้าใจได้

0:07:24.247,0:07:26.483
ว่าเป็นภาพอะไร และค้นพบภาพที่เหมือนกัน

0:07:26.483,0:07:29.219
ซึ่งจริงๆแล้ว คือมีแบ็กกราวเหมือนกัน

0:07:29.219,0:07:30.877
หันหน้าไปทิศทางเดียวกัน

0:07:30.877,0:07:32.665
แม้กระทั่ง บางรูปที่แลบลิ้นออกมา

0:07:32.665,0:07:35.695
นี่ไม่ใช่มองที่ เนื้อหาเว็บเพจอย่างแน่นอน

0:07:35.695,0:07:37.107
ผมส่งเพียงแต่รูป ๆ เดียวเท่านั้น

0:07:37.107,0:07:41.128
ขณะนี้มีคอมพ์ ที่เข้าใจสิ่งที่มันเห็นจริงๆ

0:07:41.128,0:07:42.752
จึงสามารถค้นหาฐานข้อมูลได้

0:07:42.752,0:07:46.306
เป็นหลายร้อยล้านภาพ ในเวลาสั้นๆ

0:07:46.306,0:07:49.536
อะไรจะเกิดขึ้น เมื่อมีคอมพ์ที่มองเห็นได้

0:07:49.536,0:07:51.553
แต่ไม่ใช่แค่มองเห็นได้เท่านั้น

0:07:51.553,0:07:53.622
จริงๆแล้ว การเรียนรู้ลึก ทำได้มากกว่านั้น

0:07:53.622,0:07:56.570
ประโยคที่ต่างกันน้อยมาก ซับซ้อน อย่างนี้

0:07:56.570,0:07:59.394
ขณะนี้เข้าใจได้แล้ว ด้วยวิธีการเรียนรู้ลึก

0:07:59.394,0:08:00.697
อย่างที่คุณเห็นตรงนี้

0:08:00.697,0:08:03.465
ระบบฐานสแตนฟอร์ดนี้ แสดงจุดสีแดงด้านบนสุด

0:08:03.465,0:08:07.384
คิดออกว่า ประโยคนี้แสดงอารมณ์เชิงลบ[br]

0:08:07.384,0:08:10.790
จริงๆการเรียนรู้ลึก ใกล้สมรรถภาพมนุษย์แล้ว

0:08:10.802,0:08:15.923
เข้าใจได้ว่า ประโยคบอกเรื่องอะไร[br]และมีความหมายอะไร

0:08:15.923,0:08:18.651
การเรียนรู้ลึก ยังนำไปใช้เพื่ออ่านภาษาจีน

0:08:18.651,0:08:21.807
อีกนั่นแหละ ประมาณระดับคนจีนพื้นเมือง

0:08:21.807,0:08:23.975
วิธีการทางคอมพ์นี้ ได้พัฒนาออกมาจากสวิสฯ

0:08:23.975,0:08:27.331
โดยคนที่ไม่มีใครพูดหรือเข้าใจภาษาจีนเลย

0:08:27.331,0:08:29.382
อย่างที่ผมบอก การใช้การเรียนรู้ลึก

0:08:29.382,0:08:31.601
เกือบเป็นระบบที่ดีที่สุดในโลก สำหรับงานนี้

0:08:31.601,0:08:36.718
แม้เมื่อเปรียบกับความเข้าใจของคนพื้นบ้าน

0:08:36.718,0:08:39.682
นี่เป็นระบบที่เราประกอบขึ้นมา [br]ที่บริษัทของผม

0:08:39.682,0:08:41.728
ซึ่งให้เห็นการเอาสิ่งทั้งหลายเข้ามารวมกัน

0:08:41.728,0:08:44.189
พวกนี้ให้เห็นภาพ ที่ไม่มีข้อความกำกับ

0:08:44.189,0:08:46.541
และขณะที่ผมพิมพ์ประโยคอยู่ตรงนี้

0:08:46.541,0:08:49.510
ในเวลาสั้นๆ มันก็เข้าใจรูปเหล่านี้

0:08:49.510,0:08:51.189
และคิดออกได้ว่า มันเป็นเรื่องอะไร

0:08:51.189,0:08:54.352
และไปหาภาพ ที่เหมือนกับข้อความที่ผมเขียน

0:08:54.352,0:08:57.108
จึงเห็นได้ เป็นความเข้าใจประโยคของผมจริงๆ

0:08:57.108,0:08:59.332
เป็นความเข้าใจภาพเหล่านี้จริง

0:08:59.332,0:09:01.891
ผมรู้ว่า คุณเคยเห็นแบบนี้ในกูเกิลแล้ว

0:09:01.891,0:09:04.666
ที่คุณพิมพ์ข้อความ แล้วมันจะแสดงภาพออกมา

0:09:04.666,0:09:08.090
แต่จริงๆสิ่งที่มันทำคือ หาข้อความในเว็บเพจ

0:09:08.090,0:09:11.091
เรื่องนี้ต่างกันมาก กับการเข้าใจภาพพวกนั้น

0:09:11.091,0:09:13.843
นี่เป็นสิ่งที่คอมพ์สามารถทำได้

0:09:13.843,0:09:17.091
เป็นครั้งแรก ในไม่กี่เดือนที่ผ่านมานี้

0:09:17.091,0:09:21.182
ขณะนี้จึงเห็นได้ว่า คอมพ์ไม่ได้แค่เห็น แต่

0:09:21.182,0:09:24.947
อ่านได้ด้วย และเราก็ให้เห็นว่า [br]มันก็เข้าใจสิ่งที่มันได้ยิน

0:09:24.947,0:09:28.389
อาจไม่น่าแปลกใจ ถ้าจะบอกว่า มันก็เขียนได้

0:09:28.389,0:09:33.172
ประโยคนี้ผมสร้างเมื่อวาน ใช้การเรียนรู้ลึก

0:09:33.172,0:09:37.096
ข้อความนี้ สร้างโดยวิธีคอมพ์ของสแตนฟอร์ด

0:09:37.096,0:09:38.860
แต่ละประโยคสร้างขึ้น

0:09:38.860,0:09:43.109
โดยวิธีการเรียนรู้ลึก เพื่ออธิบายภาพนั้นๆ

0:09:43.109,0:09:47.581
แต่ก่อนวิธีการคอมพ์ ไม่เคยเห็นชายเสื้อดำ[br]กำลังเล่นกีต้าร์

0:09:47.581,0:09:49.801
แต่มันเคยเห็นผู้ชาย เคยเห็นสีดำ

0:09:49.801,0:09:51.400
เคยเห็นกีต้าร์ แต่ด้วยตัวมันเอง

0:09:51.400,0:09:55.694
ได้สร้างการอธิบายภาพนี้ในแนวใหม่

0:09:55.694,0:09:59.196
ยังคงไม่เหมือนมนุษย์ทีเดียว แต่ก็ใกล้แล้ว

0:09:59.196,0:10:03.264
ในการทดสอบ มนุษย์ชอบคำบรรยายสร้างโดยคอมพ์

0:10:03.264,0:10:04.791
หนึ่งในสี่ครั้ง

0:10:04.791,0:10:06.855
ปัจจุบัน ระบบนี้มีอายุแค่ 2 สัปดาห์

0:10:06.855,0:10:08.701
ดังนั้น บางที ภายในปีหน้า

0:10:08.701,0:10:11.502
วิธีทางคอมพ์ อาจไปไกลเกินหน้าการปฏิบัติงาน

0:10:11.502,0:10:13.364
ของมนุษย์ ที่อัตราที่กำลังเป็นอยู่นี้

0:10:13.364,0:10:16.413
คอมพิวเตอร์ จึงสามารถเขียนได้ด้วย

0:10:16.413,0:10:19.888
รวมๆแล้ว ก็จะเห็นโอกาสทีน่าตื่นเต้นมาก

0:10:19.888,0:10:21.380
ตัวอย่างเช่น ในทางการแพทย์

0:10:21.380,0:10:23.905
ทีมงานในบอสตัน ประกาศว่าพวกเขาได้ค้นพบ

0:10:23.905,0:10:26.854
ลักษณะต่าง ๆ มากมาย[br]ที่เกี่ยวข้องกับการรักษา

0:10:26.854,0:10:31.120
เนื้องอก ที่ช่วยแพทย์ทายอาการมะเร็ง

0:10:32.220,0:10:34.516
และที่เหมือนกันอย่างมาก ที่สแตนฟอร์ด

0:10:34.516,0:10:38.179
กลุ่มที่นั่นประกาศว่า [br]โดยดูเนื้อเยื่อขยายแล้ว

0:10:38.179,0:10:40.560
ได้พัฒนาระบบจากการเรียนรู้ของเครื่องขึ้นมา

0:10:40.560,0:10:43.142
ซึ่งจริงๆ ดีกว่าแพทย์พยาธิวิทยา [br]ในการทำนาย

0:10:43.142,0:10:47.519
อัตราการรอดชีวิต ของคนไข้โรคมะเร็ง

0:10:47.519,0:10:50.764
ทั้งสองกรณี ไม่เพียงการคาดเดาถูกต้องกว่า

0:10:50.764,0:10:53.266
แต่ยังทำให้เกิดความเข้าใจใหม่[br]ทางวิทยาศาสตร์

0:10:53.276,0:10:54.781
คือทางรังสีวิทยา มีการพบ

0:10:54.781,0:10:57.876
ตัวบ่งชี้ทางการรักษาแบบใหม่ ที่คนเข้าใจได้

0:10:57.876,0:10:59.668
ส่วนทางพยาธิวิทยานี้ จริงๆแล้ว

0:10:59.668,0:11:04.168
ระบบคอมพ์ได้ค้นพบว่า เซลล์รอบๆมะเร็ง

0:11:04.168,0:11:07.508
สำคัญเท่าๆกับเซลล์มะเร็งเอง

0:11:07.508,0:11:09.260
ในการวินิจฉัย นี้ตรงข้ามกับ

0:11:09.260,0:11:14.621
สิ่งที่พยาธิแพทย์ ได้รับสอนมาหลายทศวรรษ

0:11:14.621,0:11:17.913
ในทั้งสองกรณี ระบบพัฒนาขึ้นโดย

0:11:17.913,0:11:21.534
ผู้เชี่ยวชาญทางแพทย์ร่วมกับ[br]ผู้เชี่ยวชาญการเรียนรู้ของเครื่อง

0:11:21.534,0:11:24.275
แต่เริ่มแต่ปีที่แล้ว เราได้ไปไกลกว่านั้น

0:11:24.275,0:11:27.824
นี่เป็นตัวอย่าง ของการระบุพื้นที่ของมะเร็ง

0:11:27.824,0:11:30.354
ในเนื้อเยื่อมนุษย์ จากกล้องจุลทรรศน์

0:11:30.354,0:11:34.967
ระบบที่แสดงอยู่นี้ [br]ระบุพื้นที่ได้แม่นยำกว่า

0:11:34.967,0:11:37.742
หรือเกือบจะเท่ากับพยาธิแพทย์ แต่ทั้งหมดนี้

0:11:37.742,0:11:41.134
สร้างด้วยการเรียนรู้ลึก [br]โดยคนที่ไม่มีความเชี่ยวชาญ

0:11:41.134,0:11:43.660
หรือพื้นเพทางการแพทย์เลย

0:11:44.730,0:11:47.285
นี่ก็เหมือนกัน การแบ่งส่วนประสาท, ขณะนี้

0:11:47.285,0:11:50.953
เราแยกเซลล์ประสาทได้ แม่นยำเทียมเท่ามนุษย์

0:11:50.953,0:11:53.670
แต่ระบบนี้พัฒนาขึ้น ด้วยการเรียนรู้ลึก

0:11:53.670,0:11:56.921
โดยคนที่ไม่มีพื้นฐานด้านการแพทย์

0:11:56.921,0:12:00.148
ดังนั้นผมเอง ผู้ไม่มีพื้นฐานด้านการแพทย์

0:12:00.148,0:12:03.875
ก็เหมือนมีคุณสมบัติพร้อม ที่จะเริ่มบริษัท

0:12:03.875,0:12:06.021
ทางการแพทย์ใหม่ขึ้นมา ซึ่งผมก็ได้ทำแล้ว

0:12:06.021,0:12:07.761
ผมรู้สึกหวาดหวั่นบ้างที่จะทำ

0:12:07.761,0:12:10.650
แต่ตามทฤษฎีแล้ว ดูจะแนะว่า น่าจะเป็นไปได้

0:12:10.650,0:12:16.142
ที่จะทำการแพทย์ที่มีประโยชน์มาก โดยใช้แค่[br]เทคนิควิเคราะห์ข้อมูลนี้

0:12:16.142,0:12:18.622
[br]และผมโชคดี ที่ได้การตอบรับที่ดีเยี่ยม

0:12:18.622,0:12:20.978
จากทั้งสื่อและกลุ่มทางการแพทย์

0:12:20.978,0:12:23.322
ที่ให้การสนับสนุนมาอย่างมาก

0:12:23.322,0:12:27.471
ทฤษฎีคือ เราสามารถเอาส่วนกลาง[br]ของกระบวนการทางแพทย์

0:12:27.471,0:12:30.364
กลับมันเป็นวิเคราะห์ข้อมูล มากเท่าที่ทำได้

0:12:30.364,0:12:33.429
ทิ้งให้แพทย์ทำ ในสิ่งที่เขาทำได้ดีที่สุด

0:12:33.429,0:12:35.031
ผมอยากจะยกตัวอย่างหนึ่ง ปัจจุบัน

0:12:35.031,0:12:39.975
เราใช้เพียง 15 นาที เพื่อ[br]สร้างการทดสอบวินิจฉัยโรคขึ้นมาใหม่

0:12:39.975,0:12:41.929
ผมจะแสดงให้ดูตามเวลาจริง แต่ผม

0:12:41.929,0:12:45.416
บีบมันลงเหลือสามนาที โดยตัดบางชิ้นออกไป

0:12:45.416,0:12:48.477
แทนที่จะแสดง การสร้างการทดสอบวินิจฉัยโรค

0:12:48.477,0:12:51.846
ผมจะแสดง การทดสอบการวินิจฉัยภาพรถแทน

0:12:51.846,0:12:54.068
เพราะว่า มันเป็นสิ่งที่เราทุกคนเข้าใจได้

0:12:54.068,0:12:57.269
ตรงนี้ เราจึงจะเริ่มด้วยภาพรถ 1.5 ล้านคัน

0:12:57.269,0:13:00.475
และผมอยากจะสร้างอะไรบางอย่าง [br]ที่จะแยกมันออก

0:13:00.475,0:13:02.698
เป็นมุมมองของภาพที่ถ่าย ภาพพวกนี้

0:13:02.698,0:13:06.586
ไม่ได้มีป้ายบอกเลย [br]ผมจึงต้องเริ่มจากไม่มีอะไร

0:13:06.586,0:13:08.451
แต่ด้วยวิธีการคอมพ์การเรียนรู้ลึกของเรา

0:13:08.451,0:13:12.158
มันจะระบุพื้นที่โครงสร้างในภาพได้อัตโนมัติ

0:13:12.158,0:13:15.778
ส่วนดีคือ คนและคอมพ์ทำงานด้วยกันได้

0:13:15.778,0:13:17.956
มนุษย์ อย่างที่เห็นตรงนี้ จะบอกคอมพ์ถึง

0:13:17.956,0:13:20.631
พื้นที่ที่น่าสนใจ ที่ต้องการให้คอมพ์

0:13:20.631,0:13:25.281
พยายามใช้ เพื่อจะได้ปรับปรุงวิธีการของมัน

0:13:25.281,0:13:29.577
ระบบการเรียนรู้ลึกนี้ แท้จริงอยู่ในปริภูมิ

0:13:29.577,0:13:33.009
16000 มิติ จึงเห็นคอมพ์หมุนไปตาม

0:13:33.009,0:13:35.001
ปริภูมินั้น พยายามหาพื้นที่โครงสร้างใหม่

0:13:35.001,0:13:36.782
เมื่อมันทำได้สำเร็จตามนั้น แล้วคนที่

0:13:36.782,0:13:40.786
ขับมันอยู่ ก็จะชี้พื้นที่ที่น่าสนใจ

0:13:40.786,0:13:43.208
ตรงนี้ คอมพ์พบพื้นที่ได้สำเร็จ

0:13:43.208,0:13:45.770
ตัวอย่างเช่น มุมมองต่าง ๆ

0:13:45.770,0:13:47.376
ดังนั้น ขณะที่เราผ่านกระบวนการนี้

0:13:47.376,0:13:49.716
เราก็ค่อยๆบอกคอมพ์เพิ่มขึ้นเรื่อยๆ

0:13:49.716,0:13:52.144
เกี่ยวกับแบบโครงสร้าง ที่เราต้องการค้นหา

0:13:52.144,0:13:53.916
คุณคงจินตนาการได้ เช่น การทดสอบวินิจฉัย

0:13:53.916,0:13:57.266
ก็จะเป็นพยาธิแพทย์ ที่จะระบุบริเวณผิดปกติ

0:13:57.266,0:14:02.292
หรือรังสีแพทย์ ชี้บอกตุ่มที่น่าจะเป็นปัญหา

0:14:02.292,0:14:04.851
บางที ก็ยากเหมือนกันสำหรับวิธีทางคอมพ์นี้

0:14:04.851,0:14:06.815
ในกรณีนี้ มันคล้ายกับจะสับสน

0:14:06.815,0:14:09.365
ด้านหน้าและด้านหลังของรถนั้น ปนเปกันไปหมด

0:14:09.365,0:14:11.437
ตรงนี้ เราจึงต้องระวังมากขึ้นอีกหน่อย

0:14:11.437,0:14:14.669
ใช้มือเลือก ส่วนใดเป็นหน้า ส่วนใดเป็นหลัง

0:14:14.669,0:14:20.175
แล้วบอกคอมพ์นั้นว่า นี่เป็นแบบของกลุ่ม

0:14:20.175,0:14:21.523
ที่เราสนใจอยู่

0:14:21.523,0:14:24.200
เราต้องทำอย่างนี้ไปเรื่อย ๆ แต่เราจะข้ามไป

0:14:24.200,0:14:26.446
แล้วเราก็จะฝึกเครื่องเรียนรู้

0:14:26.446,0:14:28.420
อาศัยสิ่งของจำนวนมากมายเหล่านี้

0:14:28.420,0:14:30.445
เราหวังว่า มันดีขึ้นมากแล้ว คุณจะเห็นได้

0:14:30.445,0:14:33.518
ตอนนี้ มันได้เริ่มทำให้บางภาพค่อยๆหายไป

0:14:33.518,0:14:38.226
มันรู้จำวิธีเข้าใจเรื่องนี้ด้วยตัวเองบ้างแล้ว

0:14:38.226,0:14:41.128
แล้วเราจึงใช้ความรู้เรื่องภาพเหมือนนี้

0:14:41.128,0:14:43.222
และการใช้ภาพเหมือนนั้น ตอนนี้จะเห็นได้

0:14:43.222,0:14:47.241
ณ.จุดนี้คอมพ์ สามารถหารถส่วนหน้าทั้งหมด

0:14:47.241,0:14:50.189
ดังนั้น ที่จุดนี้ คนจะบอกคอมพ์นั้นได้ว่า

0:14:50.189,0:14:52.482
ตกลง ใช่แล้ว เธอทำงานเรื่องนี้ได้ดีแล้ว

0:14:53.652,0:14:55.837
บางครั้ง แน่นอนครับ แม้กระทั่ง ที่จุดนี้

0:14:55.837,0:14:59.511
ก็ยังคงยาก ที่จะแยกออกมาเป็นกลุ่มๆ

0:14:59.511,0:15:03.395
กรณีนี้ แม้หลังจากให้คอมพ์หมุนไปสักครู่

0:15:03.399,0:15:06.744
เราก็ยังคงพบว่า ด้านซ้ายและขวาของภาพ

0:15:06.744,0:15:08.222
ก็ปนเปกันไปหมด

0:15:08.222,0:15:10.362
ดังนั้นเราจึงให้คำแนะนำแก่คอมพ์อีก

0:15:10.362,0:15:13.338
เราบอกว่า ใช่ พยายามหาการฉายภาพ ที่จะแยก

0:15:13.338,0:15:15.945
ด้านซ้าย/ขวาออกจากกัน ให้มากเท่าที่จะทำได้

0:15:15.945,0:15:18.067
โดยใช้วิธีการเรียนรู้ลึกทางคอมพ์

0:15:18.067,0:15:21.009
เมื่อให้คำแนะนำนั้นแล้ว ก็ประสบความสำเร็จ

0:15:21.009,0:15:23.891
มันก็หาวิธีคิด เกี่ยวกับวัตถุพวกนี้ได้

0:15:23.891,0:15:26.271
นั่นคือ วิธีแยกสิ่งเหล่านี้

0:15:26.271,0:15:28.709
คุณคงจะพอเข้าใจเรื่องนี้

0:15:28.709,0:15:36.906
เรื่องนี้ ไม่ใช่มนุษย์ถูกแทนที่ด้วยคอมพ์

0:15:36.906,0:15:39.546
แต่เป็นเรื่องที่ พวกเขาทำงานอยู่ด้วยกัน

0:15:39.546,0:15:43.096
สิ่งที่เราทำจะใช้แทนสิ่งที่เคยใช้ทีมงาน

0:15:43.096,0:15:45.098
ห้าหรือหกคน นานประมาณเจ็ดปี

0:15:45.098,0:15:47.703
แล้วเอาสิ่งที่ทำได้ใน 15 นาที มาแทน

0:15:47.703,0:15:50.208
โดยมีคนหนึ่งคน ปฏิบัติงานคนเดียว

0:15:50.208,0:15:54.158
กระบวนการนี้ ใช้การวนซํ้าราว 4 - 5 ครั้ง

0:15:54.158,0:15:56.017
คุณเห็นได้ว่า ตอนนี้เราได้ 62% ของภาพ

0:15:56.017,0:15:58.976
1.5 ล้านภาพ แยกประเภทแล้วอย่างถูกต้อง

0:15:58.976,0:16:01.448
ณ. จุดนี้ เราเริ่มจะคว้ามาได้อย่างรวดเร็ว

0:16:01.448,0:16:02.745
ที่เป็นส่วนใหญ่ๆทั้งหมด

0:16:02.745,0:16:05.664
ตรวจเช็คตลอด เพื่อให้แน่ใจว่าไม่มีอะไรผิด

0:16:05.664,0:16:09.616
หากมี เราก็ให้คอมพ์รู้ข้อผิดพลาดเหล่านั้น

0:16:09.616,0:16:12.661
การใช้กระบวนการนี้ ในแต่ละกลุ่มที่ต่างกัน

0:16:12.661,0:16:15.148
ปัจจุบันนี้ เรามีอัตราความสำเร็จ ถึง 80%

0:16:15.148,0:16:17.563
ในการแยกประเภทภาพ 1.5 ล้านภาพนั้น

0:16:17.563,0:16:19.641
ณ. จุดนี้ เหลือแต่งานที่ต้องหา

0:16:19.641,0:16:23.220
ภาพจำนวนเล็กน้อย ที่ถูกแบ่งประเภทผิด

0:16:23.220,0:16:26.108
และต้องพยายามเข้าใจว่า เป็นเพราะเหตุใด

0:16:26.108,0:16:27.851
และการใช้วิธีดังกล่าวนั้น

0:16:27.851,0:16:31.972
เพียง 15 นาที เราก็ได้อัตราการแบ่งถึง 97% [br]ถูกต้อง

0:16:31.972,0:16:36.572
เทคนิคแบบนี้ จะช่วยแก้ไขปัญหาสำคัญ

0:16:36.578,0:16:39.614
คือ การขาดผู้เชี่ยวชาญทางการแพทย์ในโลก

0:16:39.614,0:16:43.103
การประชุมเศรษฐกิจโลก บอกว่า มีการขาดแพทย์

0:16:43.103,0:16:45.727
อยู่ระหว่าง 10 และ 20 เท่า ในโลกกำลังพัฒนา

0:16:45.727,0:16:47.840
และจะใช้เวลาราว 300 ปี

0:16:47.840,0:16:50.734
เพื่อฝึกคนให้ได้พอ ที่จะแก้ปัญหานั้น

0:16:50.734,0:16:53.619
คิดดู ถ้าเราช่วยเพิ่มประสิทธิภาพพวกเขาได้

0:16:53.619,0:16:56.458
โดยใช้วิธีการเรียนรู้ลึกเหล่านี้

0:16:56.458,0:16:58.690
ผมจึงตื่นเต้นมาก เกี่ยวกับโอกาสเหล่านี้

0:16:58.690,0:17:01.279
แต่ผมก็ยังห่วงใยในปัญหาที่จะตามมาด้วย

0:17:01.279,0:17:04.403
ปัญหาตรงนี้คือ ทุกบริเวณสีนํ้าเงินบนแผนที่

0:17:04.403,0:17:08.172
เป็นการจ้างงานแบบบริการถึง 80%[br]

0:17:08.172,0:17:09.959
แล้วยอาชีพบริการคืออะไร

0:17:09.959,0:17:11.473
เหล่านี้คืองานบริการ เป็นสิ่งที่

0:17:11.473,0:17:15.627
ตรงเผงกับสิ่งที่คอมพ์เพิ่งจะเรียนรู้วิธีทำ

0:17:15.627,0:17:19.431
ดังนั้น 80% ของการจ้างงานในโลกที่พัฒนาแล้ว

0:17:19.431,0:17:21.963
จึงเป็นสิ่งที่คอมพ์ เพิ่งจะเรียนรู้วิธีทำ

0:17:21.963,0:17:23.403
อะไรจะเกิดขึ้น

0:17:23.403,0:17:25.986
ผลจะโอเค คือจะมีงานอื่น ๆ เกิดขึ้นมาแทน

0:17:25.986,0:17:28.693
จะมีงานสำหรับนักวิทยาศาสตร์ข้อมูลเพิ่มขึ้น

0:17:28.693,0:17:29.510
แต่...ก็ไม่เชิง

0:17:29.510,0:17:32.628
พวกเขาไม่ต้องใช้เวลานานนัก ทำงานเหล่านี้

0:17:32.628,0:17:35.880
เช่น วิธีคอมพ์ 4 วิธีนี้ [br]สร้างได้โดยคนๆเดียว

0:17:35.880,0:17:38.318
แต่ถ้าคิดว่า ทั้งหมดก็เคยเกิดขึ้นมาก่อนนี่

0:17:38.318,0:17:42.126
เราได้เห็นผลจากอดีต เมื่อเกิดสิ่งใหม่ๆมา

0:17:42.126,0:17:44.378
คือเกิดงานใหม่ๆ มาแทนงานเก่า

0:17:44.378,0:17:46.494
แล้วงานใหม่ๆเหล่านี้ จะเป็นงานอะไร

0:17:46.494,0:17:48.365
มันยากมากที่เราจะประมาณการณ์เรื่องนี้ได้

0:17:48.365,0:17:51.104
เพราะการทำงานของคน โตได้ในอัตราทีละน้อยนี้

0:17:51.104,0:17:53.666
แต่ปัจจุบันเรามีระบบ คือการเรียนรู้ลึก

0:17:53.666,0:17:56.893
ซึ่งจริง ๆ สมรรถภาพโตได้อย่างมากและรวดเร็ว

0:17:56.893,0:17:58.498
และตอนนี้เราอยู่ที่จุดนั้นแล้ว

0:17:58.498,0:18:00.559
ดังนั้น ปัจจุบัน เราจึงเห็นสิ่งรอบๆตัวเรา

0:18:00.559,0:18:03.235
และก็บอกว่า "คอมพ์ยังคงทึ่ม" ใช่มั๊ยครับ

0:18:03.235,0:18:06.664
แต่ในเวลา 5 ปี คอมพ์จะออกนอกแผนภูมินี้ไป

0:18:06.664,0:18:10.529
เราจึงจำเป็นต้องเริ่มคิดถึงสมรรถภาพ[br]ของคอมพ์ เสียแต่เดี๋ยวนี้

0:18:10.529,0:18:12.579
เราได้เห็นมาก่อนครั้งหนึ่งแล้ว

0:18:12.579,0:18:13.966
ในการปฏิวัติอุตสาหกรรม

0:18:13.966,0:18:16.817
เห็นการเปลี่ยนไปขั้นหนึ่ง ในเรื่องสมรรถภาพ

0:18:17.667,0:18:20.805
เครื่องยนต์ แต่ไม่นานก็รักษาระดับได้

0:18:20.805,0:18:22.507
ถึงมีการแตกแยกทางสังคม

0:18:22.507,0:18:25.946
แต่เมื่อใช้เครื่องยนต์เพื่อสร้างพลังงาน

0:18:25.946,0:18:28.300
ในทุกสถานการณ์ ความยุ่งยากก็สงบลง

0:18:28.300,0:18:29.773
ส่วนการปฏิวัติเพราะการเรียนรู้ของเครื่อง

0:18:29.773,0:18:32.682
จะต่างไปจาก การปฏิวัติอุตสาหกรรมอย่างมาก

0:18:32.682,0:18:35.632
เพราะปฏิวัติการเรียนรู้ของเครื่อง จะไม่

0:18:35.632,0:18:38.614
ปักหลักกับที่ ยิ่งคอมพ์ทำงานชาญฉลาดขึ้น

0:18:38.614,0:18:42.862
มันก็ยิ่งสร้างคอมพ์ที่สมรรภภาพฉลาดยิ่งขึ้น

0:18:42.862,0:18:44.770
เรื่องนี้ จึงจะเป็นการเปลี่ยนแปลงชนิดที่

0:18:44.770,0:18:47.248
แท้จริงแล้ว โลกไม่เคยประสบมาก่อน ดังนั้น

0:18:47.248,0:18:50.554
ความเข้าใจก่อนๆในเรื่องที่เป็นไปได้ [br]จึงต่างไป

0:18:50.974,0:18:52.754
เรื่องนี้กำลังส่งผลกระทบกับเราแล้ว

0:18:52.754,0:18:56.384
25 ปีที่ผ่านมา ขณะที่ประสิทธิภาพการลงทุน[br]ได้เพิ่มขึ้น

0:18:56.400,0:19:00.588
ประสิทธิภาพทางแรงงานกลับราบเรียบ [br]กระทั่งตํ่าลงเล็กน้อย

0:19:01.408,0:19:04.149
ผมจึงอยากให้เรา มาเริ่มอภิปรายเรื่องนี้กัน

0:19:04.149,0:19:07.176
ผมรู้ เมื่อผมบอกคนบ่อยๆ เรื่องสถานการณ์นี้

0:19:07.176,0:19:08.666
ผู้คนก็จะไม่ค่อยยอมรับฟัง

0:19:08.666,0:19:10.339
จริงอยู่ คอมพ์คิดไม่เป็น

0:19:10.339,0:19:13.367
คอมพ์ไม่แสดงอารมณ์ มันไม่เข้าใจกวีนิพนธ์

0:19:13.367,0:19:15.888
จริงๆแล้ว เราไม่เข้าใจว่า มันทำงานอย่างไร

0:19:15.888,0:19:17.374
แล้วยังไงครับ?

0:19:17.374,0:19:19.178
คอมพ์ปัจจุบันนี้ สามารถทำสิ่งที่

0:19:19.178,0:19:21.897
มีการจ้างมนุษย์ให้ใช้เวลาส่วนมากทำ

0:19:21.897,0:19:23.628
ขณะนี้ จึงถึงเวลาแล้ว ที่จะเริ่มคิด

0:19:23.628,0:19:28.015
วิธีที่เราจะปรับโครงสร้างสังคมและเศรษฐกิจ

0:19:28.015,0:19:29.855
โดยคำนึงถึง ความเป็นจริงใหม่นี้

0:19:29.855,0:19:31.388
ขอบคุณครับ

0:19:31.388,0:19:32.190
(เสียงปรบมือ)