1
00:00:17,816 --> 00:00:21,325
Nosso mundo está mudando
de várias formas

2
00:00:21,325 --> 00:00:25,975
e uma das coisas que terá enorme
impacto em nosso futuro

3
00:00:25,975 --> 00:00:29,363
é a inteligência artificial, IA,

4
00:00:29,363 --> 00:00:32,763
que trará outra revolução industrial.

5
00:00:33,627 --> 00:00:39,504
As revoluções industriais anteriores
expandiram o poder mecânico dos humanos.

6
00:00:40,014 --> 00:00:45,002
Essa nova revolução,
essa segunda era das máquinas,

7
00:00:45,572 --> 00:00:49,862
expandirá nossas habilidades cognitivas,

8
00:00:50,122 --> 00:00:52,102
nosso poder mental.

9
00:00:52,782 --> 00:00:57,177
Os computadores não irão substituir
apenas o trabalho manual,

10
00:00:57,597 --> 00:00:59,897
mas também o trabalho mental.

11
00:01:00,500 --> 00:01:03,450
Então, em que ponto estamos atualmente?

12
00:01:04,034 --> 00:01:07,724
Vocês podem ter ouvido
sobre o que aconteceu em março de 2016,

13
00:01:07,724 --> 00:01:12,186
quando um sistema de aprendizado
de máquina chamado AlphaGo

14
00:01:12,186 --> 00:01:17,708
utilizou a aprendizagem profunda para
derrotar o campeão mundial do jogo Go.

15
00:01:18,279 --> 00:01:20,679
O Go é um jogo chinês antigo

16
00:01:20,679 --> 00:01:24,159
que apresentava maior dificuldade
para os computadores dominarem

17
00:01:24,159 --> 00:01:25,982
do que o jogo de xadrez.

18
00:01:26,893 --> 00:01:32,086
Como conseguimos isso agora,
após décadas de pesquisas de IA?

19
00:01:33,068 --> 00:01:36,698
O AlphaGo foi treinado para jogar Go.

20
00:01:37,678 --> 00:01:41,300
Primeiramente, assistindo várias vezes

21
00:01:41,814 --> 00:01:46,894
a dezenas de milhões de jogadas feitas
por jogadores humanos muito fortes.

22
00:01:47,746 --> 00:01:52,496
Depois, jogando milhões de partidas
contra si mesmo.

23
00:01:54,222 --> 00:01:59,941
O aprendizado de máquina permite
que computadores aprendam pelo exemplo,

24
00:02:00,465 --> 00:02:02,575
que aprendam pelos dados.

25
00:02:03,885 --> 00:02:07,235
O aprendizado de máquina
acabou se tornando uma chave

26
00:02:07,235 --> 00:02:11,635
para preencher os computadores
de conhecimento.

27
00:02:12,174 --> 00:02:14,066
E isso é importante

28
00:02:14,066 --> 00:02:18,836
porque o conhecimento
é o que possibilita a inteligência.

29
00:02:20,438 --> 00:02:26,768
Pôr conhecimento em computadores era um
desafio para abordagens anteriores de IA.

30
00:02:27,515 --> 00:02:28,745
Por quê?

31
00:02:29,059 --> 00:02:33,859
Há muitas coisas
que sabemos intuitivamente,

32
00:02:34,601 --> 00:02:38,081
então não conseguimos
comunicá-las verbalmente.

33
00:02:38,619 --> 00:02:42,780
Não temos acesso consciente
àquele conhecimento intuitivo.

34
00:02:43,270 --> 00:02:46,690
Como podemos programar
computadores sem conhecimento?

35
00:02:47,664 --> 00:02:49,114
Qual é a solução?

36
00:02:49,314 --> 00:02:55,083
A solução é que as máquinas aprendam
esse conhecimento sozinhas,

37
00:02:55,093 --> 00:02:56,443
assim como nós fazemos.

38
00:02:56,443 --> 00:03:02,764
E isso é importante porque conhecimento
é o que possibilita a inteligência.

39
00:03:03,194 --> 00:03:06,974
Minha missão tem sido
contribuir para descobrir

40
00:03:06,974 --> 00:03:12,676
e entender os princípios da inteligência
por meio do aprendizado,

41
00:03:13,166 --> 00:03:18,116
seja ele animal, humano ou de máquina.

42
00:03:19,450 --> 00:03:25,066
Eu e outros acreditamos
que há alguns princípios-chave,

43
00:03:25,476 --> 00:03:27,606
como as leis da física,

44
00:03:27,885 --> 00:03:32,745
princípios simples que poderiam explicar
a nossa própria inteligência

45
00:03:32,745 --> 00:03:36,461
e nos ajudar a construir
máquinas inteligentes.

46
00:03:37,885 --> 00:03:41,595
Por exemplo, pensem
nas leis da aerodinâmica,

47
00:03:41,595 --> 00:03:47,826
que são gerais o bastante para explicarem
o voo dos pássaros e o dos aviões.

48
00:03:49,146 --> 00:03:55,221
Não seria maravilhoso descobrir
princípios igualmente simples e poderosos

49
00:03:55,551 --> 00:03:59,186
que explicariam a própria inteligência?

50
00:04:00,626 --> 00:04:03,374
Bem, fizemos algum progresso.

51
00:04:04,384 --> 00:04:10,857
Meus colaboradores e eu trabalhamos
nos últimos anos em uma revolução da IA

52
00:04:11,777 --> 00:04:16,397
com nossa pesquisa sobre as redes neurais
e a aprendizagem profunda,

53
00:04:16,397 --> 00:04:20,946
uma abordagem do aprendizado de máquina
inspirada pelo cérebro.

54
00:04:22,041 --> 00:04:24,843
Começou com o reconhecimento de fala

55
00:04:25,243 --> 00:04:29,963
em seus celulares,
com redes neurais, desde 2012.

56
00:04:30,977 --> 00:04:35,647
Pouco tempo depois, veio um avanço
na visão computacional.

57
00:04:36,680 --> 00:04:42,907
Os computadores agora fazem bom trabalho
no reconhecimento do conteúdo de imagens.

58
00:04:43,674 --> 00:04:48,031
Eles se aproximaram do desempenho 
humano em alguns indicadores

59
00:04:48,031 --> 00:04:50,071
nos últimos cinco anos.

60
00:04:50,711 --> 00:04:54,481
Um computador agora pode
ter um entendimento intuitivo

61
00:04:54,481 --> 00:04:58,191
da aparência visual de um tabuleiro de Go

62
00:04:58,191 --> 00:05:01,763
comparável ao dos melhores
jogadores humanos.

63
00:05:02,053 --> 00:05:03,454
Mais recentemente,

64
00:05:03,454 --> 00:05:06,314
após algumas descobertas
feitas em meu laboratório,

65
00:05:06,584 --> 00:05:11,408
a aprendizagem profunda foi usada
para traduzir de uma língua para outra

66
00:05:11,414 --> 00:05:14,441
e vocês começarão a ver isso
no Google Tradutor.

67
00:05:15,191 --> 00:05:18,192
Isso está expandindo
a habilidade computacional

68
00:05:18,192 --> 00:05:22,242
para entender e gerar linguagem natural.

69
00:05:23,550 --> 00:05:25,517
Mas não se enganem:

70
00:05:25,517 --> 00:05:30,048
ainda estamos muito longe de uma máquina

71
00:05:30,048 --> 00:05:34,033
que seja tão capaz quanto os humanos

72
00:05:34,033 --> 00:05:37,593
de aprender a dominar
vários aspectos de nosso mundo.

73
00:05:38,541 --> 00:05:41,237
Então, vejamos um exemplo.

74
00:05:41,637 --> 00:05:46,787
Até mesmo uma criança de dois anos
é capaz de aprender coisas

75
00:05:46,787 --> 00:05:50,467
de uma forma que os computadores
não conseguem atualmente.

76
00:05:51,767 --> 00:05:56,169
Uma criança de dois anos,
na verdade, domina física intuitiva.

77
00:05:56,968 --> 00:06:02,058
Ela sabe que uma bola
cairá ao ser largada.

78
00:06:02,493 --> 00:06:06,093
Quando derrama algum líquido,
ela sabe que haverá sujeira.

79
00:06:06,586 --> 00:06:09,516
Seus pais não precisam ensinar

80
00:06:09,516 --> 00:06:12,980
as leis de Newton ou equações
diferenciais à criança.

81
00:06:13,840 --> 00:06:20,200
Ela descobre todas essas coisas sozinha,
de forma não supervisionada.

82
00:06:21,352 --> 00:06:27,712
A aprendizagem não supervisionada ainda é
um dos principais desafios para a IA

83
00:06:28,184 --> 00:06:33,014
e pode levar várias décadas
de pesquisas básicas a mais

84
00:06:33,014 --> 00:06:34,874
para desfazer esse nó.

85
00:06:34,874 --> 00:06:38,809
Aprendizagem não supervisionada
está tentando descobrir

86
00:06:38,809 --> 00:06:41,069
representações dos dados.

87
00:06:41,729 --> 00:06:43,779
Deixem-me mostrar-lhes um exemplo.

88
00:06:44,364 --> 00:06:49,346
Considerem uma página na tela
que veem com seus olhos

89
00:06:49,346 --> 00:06:54,196
ou que o computador vê como
uma imagem, um monte de pixels.

90
00:06:54,993 --> 00:06:59,753
Para responder uma pergunta
sobre o conteúdo da imagem,

91
00:07:00,863 --> 00:07:05,211
é necessário entender
seu significado de alto nível,

92
00:07:05,674 --> 00:07:11,801
que corresponde ao nível mais elevado
de representação em seu cérebro.

93
00:07:12,911 --> 00:07:18,308
Abaixo dele, temos o significado
individual das palavras

94
00:07:19,188 --> 00:07:23,798
e, ainda mais abaixo, temos caracteres
que compõem as palavras.

95
00:07:24,810 --> 00:07:27,677
Esses caracteres podem ser renderizados
de formas diferentes,

96
00:07:27,677 --> 00:07:30,639
feitos de traços diferentes.

97
00:07:31,559 --> 00:07:34,839
E esses traços são feitos de arestas,

98
00:07:34,839 --> 00:07:37,284
que são feitas de pixels.

99
00:07:37,284 --> 00:07:40,454
Então são níveis diferentes
de representação.

100
00:07:41,079 --> 00:07:44,616
Mas os pixels não são
suficientes por si sós

101
00:07:44,616 --> 00:07:46,584
para que a imagem faça sentido,

102
00:07:46,584 --> 00:07:51,584
para responder uma questão de alto nível
sobre o conteúdo da página.

103
00:07:52,932 --> 00:07:57,594
Nosso cérebro tem esses níveis
diferentes de representação,

104
00:07:57,594 --> 00:08:02,291
começando pelos neurônios
na primeira área visual do córtex, V1,

105
00:08:02,291 --> 00:08:04,916
que reconhece os contornos.

106
00:08:04,916 --> 00:08:09,334
Depois, os neurônios
na segunda área visual do córtex, V2,

107
00:08:09,334 --> 00:08:12,800
que reconhece traços e formas pequenas.

108
00:08:12,800 --> 00:08:17,060
Mais acima, temos os neurônios
que detectam partes de objetos

109
00:08:17,060 --> 00:08:19,792
e depois objetos e cenas completas.

110
00:08:21,182 --> 00:08:24,757
As redes neurais,
quando treinadas com imagens,

111
00:08:24,757 --> 00:08:29,440
podem de fato descobrir esses tipos
de níveis de representação

112
00:08:29,440 --> 00:08:32,778
que correspondem muito bem
ao que observamos no cérebro.

113
00:08:33,638 --> 00:08:39,088
Tanto as redes neurais biológicas,
que são as que existem no cérebro,

114
00:08:39,088 --> 00:08:42,828
como as redes neurais profundas
que treinamos em nossas máquinas

115
00:08:42,845 --> 00:08:48,545
podem aprender a transformar
de um nível de representação ao seguinte,

116
00:08:48,545 --> 00:08:53,299
com os altos níveis correspondendo
a noções mais abstratas.

117
00:08:53,299 --> 00:08:57,562
Por exemplo, a noção
abstrata do caractere A

118
00:08:57,562 --> 00:09:00,891
pode ser renderizada de muitas formas
diferentes nos níveis mais baixos

119
00:09:00,891 --> 00:09:03,887
como muitas configurações
diferentes de pixels

120
00:09:03,887 --> 00:09:08,637
dependendo da posição, rotação,
fonte, e assim por diante.

121
00:09:10,445 --> 00:09:15,255
Então, como aprendemos
esses altos níveis de representações?

122
00:09:17,492 --> 00:09:20,681
Até agora uma coisa
que foi muito bem-sucedida

123
00:09:20,681 --> 00:09:23,223
nas aplicações da aprendizagem profunda

124
00:09:23,223 --> 00:09:25,985
é o que chamamos de
aprendizagem supervisionada.

125
00:09:26,297 --> 00:09:31,588
Na aprendizagem supervisionada,
o computador deve ser "levado pela mão"

126
00:09:31,594 --> 00:09:35,467
e humanos precisam dizer ao computador
a resposta para várias perguntas.

127
00:09:35,467 --> 00:09:41,020
Por exemplo, em milhões de imagens,
humanos têm que dizer à máquina:

128
00:09:41,770 --> 00:09:44,271
"Bem... nessa imagem, isso é um gato.

129
00:09:44,273 --> 00:09:47,095
Nessa imagem, isso é um cachorro".

130
00:09:47,095 --> 00:09:49,585
"Nessa imagem, isso é um laptop.

131
00:09:49,605 --> 00:09:54,955
Nessa imagem, isso é um teclado",
e assim por diante, milhões de vezes.

132
00:09:56,066 --> 00:10:01,346
O que é muito penoso e usamos
o crowdsourcing para conseguir fazer isso.

133
00:10:01,461 --> 00:10:03,396
Embora seja muito poderoso

134
00:10:03,416 --> 00:10:06,269
e possamos resolver
vários problemas interessantes,

135
00:10:06,269 --> 00:10:08,313
humanos são muito mais fortes

136
00:10:08,313 --> 00:10:12,076
e podem aprender sobre muitos aspectos
diferentes a mais do mundo

137
00:10:12,076 --> 00:10:13,809
de uma forma muito mais autônoma,

138
00:10:13,809 --> 00:10:17,609
como vimos com a criança aprendendo
sobre física intuitiva.

139
00:10:17,945 --> 00:10:23,979
A aprendizagem não supervisionada poderia
nos ajudar com os carros sem condutor.

140
00:10:24,567 --> 00:10:26,097
Deixem-me explicar:

141
00:10:26,097 --> 00:10:31,835
a aprendizagem não supervisionada permite
que computadores se projetem ao futuro

142
00:10:31,835 --> 00:10:37,205
para gerarem futuros plausíveis
condicionados à situação atual.

143
00:10:38,369 --> 00:10:42,899
E isso permite que os computadores
raciocinem e planejem adiante,

144
00:10:43,450 --> 00:10:47,985
até para circunstâncias para as quais
não tenham sido treinados.

145
00:10:49,181 --> 00:10:50,441
Isso é importante

146
00:10:50,441 --> 00:10:53,951
porque se usássemos a aprendizagem
supervisionada, teríamos que dizer

147
00:10:53,951 --> 00:10:57,775
aos computadores todas as circunstâncias
onde o carro poderia estar

148
00:10:57,855 --> 00:11:01,835
e como os humanos
reagiriam àquela situação.

149
00:11:02,451 --> 00:11:06,191
Como eu aprendi a evitar
comportamentos perigosos dirigindo?

150
00:11:07,276 --> 00:11:10,791
Eu precisei morrer mil vezes em acidentes?

151
00:11:10,793 --> 00:11:12,106
(Risos)

152
00:11:12,106 --> 00:11:14,606
Bem, é assim que treinamos
as máquinas agora.

153
00:11:15,175 --> 00:11:18,340
Então não vai decolar,
ou pelo menos não vai dirigir.

154
00:11:18,340 --> 00:11:19,928
(Risos)

155
00:11:22,508 --> 00:11:25,657
Precisamos treinar nossos modelos

156
00:11:25,657 --> 00:11:31,724
para serem capazes de gerar imagens
ou futuros plausíveis, de serem criativos,

157
00:11:31,724 --> 00:11:33,934
e estamos progredindo com isso.

158
00:11:33,934 --> 00:11:37,457
Então, estamos treinando
essas redes neurais profundas

159
00:11:37,463 --> 00:11:40,818
para irem do significado
de alto nível aos pixels

160
00:11:40,818 --> 00:11:43,298
e não dos pixels
aos significados de alto nível,

161
00:11:43,307 --> 00:11:46,787
indo na outra direção por meio
dos níveis de representação.

162
00:11:46,787 --> 00:11:50,461
E, desse jeito, o computador
pode gerar imagens

163
00:11:51,191 --> 00:11:55,072
que sejam novas e diferentes
daquelas que o computador viu

164
00:11:55,072 --> 00:11:56,828
enquanto era treinado,

165
00:11:57,018 --> 00:12:00,369
mas que sejam plausíveis
e pareçam imagens naturais.

166
00:12:01,888 --> 00:12:06,332
Também podemos usar esses modelos
para conceber imagens estranhas,

167
00:12:06,342 --> 00:12:09,492
por vezes assustadoras,

168
00:12:09,492 --> 00:12:11,795
como os nossos sonhos e pesadelos.

169
00:12:12,682 --> 00:12:16,847
Aqui estão algumas imagens
que foram sintetizadas pelo computador

170
00:12:16,847 --> 00:12:19,826
utilizando esses modelos
de mapeamento profundo.

171
00:12:19,826 --> 00:12:21,651
Elas parecem imagens naturais,

172
00:12:21,651 --> 00:12:24,551
mas, se observarem com atenção,
perceberão que são diferentes

173
00:12:25,458 --> 00:12:28,697
e que lhes faltam alguns
dos detalhes importantes

174
00:12:28,697 --> 00:12:31,293
que nós reconheceríamos como naturais.

175
00:12:31,995 --> 00:12:33,951
Dez anos atrás,

176
00:12:33,951 --> 00:12:38,921
a aprendizagem não supervisionada
era a chave para a inovação

177
00:12:38,921 --> 00:12:42,443
que conquistamos ao descobrirmos
a aprendizagem profunda.

178
00:12:44,710 --> 00:12:48,055
Isso acontecia só em alguns laboratórios,
incluindo o meu na época,

179
00:12:48,055 --> 00:12:51,745
em um momento em que as redes neurais
não eram populares.

180
00:12:52,205 --> 00:12:55,247
Elas quase foram abandonadas
pela comunidade científica.

181
00:12:56,394 --> 00:12:58,935
Agora, as coisas mudaram bastante.

182
00:12:58,935 --> 00:13:01,375
Esse campo se tornou muito difícil.

183
00:13:01,784 --> 00:13:05,834
Agora há, todos os anos, centenas
de estudantes se candidatando

184
00:13:05,894 --> 00:13:09,314
para a graduação no meu laboratório,
com meus colaboradores.

185
00:13:11,010 --> 00:13:16,630
Montreal se tornou
a maior concentração acadêmica

186
00:13:16,637 --> 00:13:19,387
de pesquisadores da aprendizagem
profunda no mundo.

187
00:13:20,182 --> 00:13:26,455
Acabamos de receber uma enorme bolsa
de pesquisa de 94 milhões de dólares

188
00:13:26,505 --> 00:13:29,797
para ultrapassar os limites
da IA e da ciência dos dados

189
00:13:29,797 --> 00:13:35,887
e também para transferir a tecnologia
da aprendizagem profunda à indústria.

190
00:13:37,249 --> 00:13:42,731
Pessoas de negócios estimuladas 
por tudo isso estão criando start-ups

191
00:13:42,731 --> 00:13:46,614
e laboratórios industriais,
muitos deles perto das universidades.

192
00:13:48,543 --> 00:13:49,625
Por exemplo,

193
00:13:49,625 --> 00:13:54,733
algumas semanas atrás, anunciamos
o lançamento de uma fábrica de start-ups

194
00:13:54,733 --> 00:13:56,507
chamada "Element AI"

195
00:13:56,507 --> 00:13:59,605
que focará as aplicações
da aprendizagem profunda.

196
00:14:02,195 --> 00:14:06,355
Simplesmente não há especialistas
suficientes em aprendizagem profunda,

197
00:14:06,355 --> 00:14:10,677
então eles ganham salários absurdos

198
00:14:11,027 --> 00:14:17,212
e muitos dos meus antigos colegas
acadêmicos aceitaram ofertas generosas

199
00:14:17,228 --> 00:14:20,518
de empresas para trabalharem
em laboratórios industriais.

200
00:14:21,351 --> 00:14:27,036
Eu escolhi permanecer na universidade,
para trabalhar pelo bem comum,

201
00:14:27,736 --> 00:14:30,646
para trabalhar com os estudantes
e permanecer independente.

202
00:14:30,646 --> 00:14:35,086
Para guiar a próxima geração
de especialistas em aprendizagem profunda.

203
00:14:35,294 --> 00:14:41,024
Uma coisa que estamos fazendo
que ultrapassa o valor comercial

204
00:14:41,024 --> 00:14:44,444
é pensar sobre
as implicações sociais da IA.

205
00:14:46,611 --> 00:14:50,026
Muitos de nós começamos agora
a voltar nossa atenção

206
00:14:50,026 --> 00:14:55,986
a programas que possuem
valor social, como a saúde.

207
00:14:56,457 --> 00:14:58,956
Achamos que podemos usar
a aprendizagem profunda

208
00:14:58,956 --> 00:15:02,696
para melhorar tratamentos
com uma medicina personalizada.

209
00:15:03,956 --> 00:15:05,671
Acredito que, no futuro,

210
00:15:05,671 --> 00:15:10,361
conforme coletamos mais dados
de bilhões de pessoas ao redor da Terra,

211
00:15:10,361 --> 00:15:13,856
conseguiremos fornecer
aconselhamento médico

212
00:15:13,856 --> 00:15:17,246
a bilhões de pessoas que não têm
acesso a isso atualmente.

213
00:15:17,601 --> 00:15:22,724
E podemos imaginar muitos outros usos
para o valor social da IA.

214
00:15:23,140 --> 00:15:26,238
Por exemplo, algo que resultará
de nossa pesquisa

215
00:15:26,238 --> 00:15:28,902
sobre o entendimento da linguagem natural

216
00:15:29,328 --> 00:15:31,199
é o fornecimento de vários serviços,

217
00:15:31,199 --> 00:15:34,059
como os serviços legais
para quem não puder pagar por eles.

218
00:15:34,512 --> 00:15:37,342
Agora também estamos virando nossa atenção

219
00:15:37,342 --> 00:15:41,132
para as implicações sociais
da IA na minha comunidade.

220
00:15:41,690 --> 00:15:45,361
Mas não são só os especialistas
que devem pensar sobre isso.

221
00:15:46,026 --> 00:15:50,236
Acredito que, para além
da matemática e do jargão,

222
00:15:50,596 --> 00:15:56,432
as pessoas comuns podem ter uma noção
do que ocorre sob a superfície

223
00:15:56,871 --> 00:16:01,191
o bastante para participarem
nas decisões importantes

224
00:16:01,191 --> 00:16:06,547
que ocorrerão nos próximos
anos e décadas sobre a IA.

225
00:16:07,580 --> 00:16:09,280
Então, por favor,

226
00:16:09,930 --> 00:16:16,230
deixem seu medo de lado e deem-se
o espaço para aprender sobre isso.

227
00:16:17,842 --> 00:16:22,532
Meus colaboradores e eu escrevemos
vários artigos introdutórios

228
00:16:22,542 --> 00:16:25,376
e um livro chamado "Aprendizagem Profunda"

229
00:16:25,376 --> 00:16:29,779
para ajudar estudantes e engenheiros
a entrarem nesse estimulante campo.

230
00:16:30,659 --> 00:16:35,974
Também há muitos recursos on-line:
softwares, tutoriais, vídeos, etc.

231
00:16:36,310 --> 00:16:41,210
e muitos estudantes universitários estão
aprendendo sozinhos vários desses tópicos

232
00:16:41,210 --> 00:16:44,548
sobre pesquisas na aprendizagem profunda,

233
00:16:44,548 --> 00:16:48,225
para depois se juntarem
a laboratórios como o meu.

234
00:16:49,370 --> 00:16:54,780
A IA terá um impacto significativo
na nossa sociedade.

235
00:16:56,652 --> 00:17:01,672
Então, é importante perguntar:
como iremos usá-la?

236
00:17:03,878 --> 00:17:07,716
Benefícios imensos poderão ser
acompanhados por um lado negativo,

237
00:17:08,236 --> 00:17:10,506
como o uso militar,

238
00:17:10,797 --> 00:17:15,357
ou mudanças rápidas e turbulentas
no mercado de trabalho.

239
00:17:15,948 --> 00:17:21,629
Para garantir que as escolhas coletivas
que serão feitas sobre a IA

240
00:17:21,629 --> 00:17:23,074
nos próximos anos

241
00:17:23,074 --> 00:17:25,144
sejam para o benefício de todos,

242
00:17:25,144 --> 00:17:29,097
todo cidadão deveria
assumir um papel ativo

243
00:17:29,097 --> 00:17:32,911
na definição de como a IA
moldará nosso futuro.

244
00:17:33,741 --> 00:17:34,891
Obrigado.

245
00:17:35,065 --> 00:17:37,055
(Aplausos)