I'd like to tell you about two games of chess.

我想要告訴你們兩場關於西洋棋競賽的故事。

The first happened in 1997, in which Garry Kasparov,

第一個故事是在1997年，蓋瑞．卡斯帕洛夫(Garry Kasparov)，

a human, lost to Deep Blue, a machine.

一個人類，輸給了深藍(Deep Blue)，一台機器。

To many, this was the dawn of a new era,

對大多數人來說，這是劃時代的曙光，

one where man would be dominated by machine.

一個人們將被機器支配的時代。

But here we are, 20 years on, and the greatest change

但是現在如今的我們，20年後的今天，和電腦之間的關係

in how we relate to computers is the iPad,

最大的改變是iPad，

not HAL.

不是海兒(HAL，小說「太空漫遊」的恐怖超級電腦)。

The second game was a freestyle chess tournament

第二個競賽是自由式西洋棋聯賽。

in 2005, in which man and machine could enter together

在2005年，人們和機器可以一起參賽，

as partners, rather than adversaries, if they so chose.

成為夥伴，更勝成為對手，如果他們願意的話。

At first, the results were predictable.

首先，這個比賽結果是可以預料的。

Even a supercomputer was beaten by a grandmaster

就算是一台超級電腦，也會敗給使用遜色許多之筆記型電腦的棋聖。

with a relatively weak laptop.

就算是一台超級電腦，也會敗給使用遜色許多之筆記型電腦的棋聖。

The surprise came at the end. Who won?

令人咋舌的是在最後結果。誰贏了呢？

Not a grandmaster with a supercomputer,

不是使用超級電腦的棋聖，

but actually two American amateurs

但，事實上，是兩位使用三台較遜色的筆記型電腦美國業餘選手。

using three relatively weak laptops.

但，事實上，是兩位使用三台較遜色的筆記型電腦美國業餘選手。

Their ability to coach and manipulate their computers

他們的能力是訓練並控制他們的電腦

to deeply explore specific positions

去深度的探究精確的棋位，

effectively counteracted the superior chess knowledge

有效地抗擊具備棋聖和超級電腦運算能力的高階西洋棋知識對手。

of the grandmasters and the superior computational power

有效地抗擊具備棋聖和超級電腦運算能力的高階西洋棋知識對手。

of other adversaries.

有效地抗擊具備棋聖和超級電腦運算能力的高階西洋棋知識對手。

This is an astonishing result: average men,

這是一個驚艷的結果：平庸的人，

average machines beating the best man, the best machine.

平庸的機器，打敗了最強的人，最強的電腦。

And anyways, isn't it supposed to be man versus machine?

但，這一切不本該是人類機器的比劃嗎？

Instead, it's about cooperation, and the right type of cooperation.

取而代之的是，這是一個關於合作，一個對的合作形式。

We've been paying a lot of attention to Marvin Minsky's

過去五十年，我們花掉了太多關注在馬文．明斯基(Marvin Minsky)的人工智慧觀點。

vision for artificial intelligence over the last 50 years.

過去五十年，我們花掉了太多關注在馬文．明斯基(Marvin Minsky)的人工智慧觀點。

It's a sexy vision, for sure. Many have embraced it.

這是引人入勝的願景，也當然，許多人更懷此大志。

It's become the dominant school of thought in computer science.

這個願景也成了大多數學校對於電腦科學的中心思想。

But as we enter the era of big data, of network systems,

但當我們進入大量資料、大量網路系統、許多開放平台和嵌入性科技的時代，

of open platforms, and embedded technology,

但當我們進入大量資料、大量網路系統、許多開放平台和嵌入性科技的時代，

I'd like to suggest it's time to reevaluate an alternative vision

我會想諫言，是時候該重新評估替代性願景了，

that was actually developed around the same time.

這個願景事實上也是來自於同一個時代背景的。

I'm talking about J.C.R. Licklider's human-computer symbiosis,

我說的是關於力克利德(J.C.R. Licklider)的人類與電腦之合作關係，

perhaps better termed "intelligence augmentation," I.A.

或許最好稱作，「智能強化」 I.A.

Licklider was a computer science titan who had a profound

力克利德(Licklider)是一個對科技和網際網路的發展上有都很深遠的影響電腦科學巨人。

effect on the development of technology and the Internet.

力克利德(Licklider)是一個對科技和網際網路的發展上有都很深遠的影響電腦科學巨人。

His vision was to enable man and machine to cooperate

他的願景是推動人類和機器合作，在預先設定的程式中允許彈性互賴，完成決策、控制複雜的狀況。

in making decisions, controlling complex situations

他的願景是推動人類和機器合作，在預先設定的程式中允許彈性互賴，完成決策、控制複雜的狀況。

without the inflexible dependence

他的願景是推動人類和機器合作，在預先設定的程式中允許彈性互賴，完成決策、控制複雜的狀況。

on predetermined programs.

他的願景是推動人類和機器合作，在預先設定的程式中允許彈性互賴，完成決策、控制複雜的狀況。

Note that word "cooperate."

注意這個字「合作」

Licklider encourages us not to take a toaster

力克利德(Licklider)鼓勵我們不僅只是拿一台烤麵包機

and make it Data from "Star Trek,"

當作「星艦奇航記」裡的構想，

but to take a human and make her more capable.

更要運用人類去使它更具性能。

Humans are so amazing -- how we think,

人類是如此奇妙，我們的思考方式，

our non-linear approaches, our creativity,

我們的非線性求解，我們的創造力，

iterative hypotheses, all very difficult if possible at all

演算性假設，對於電腦來說，就算真有可能達到，也是極具困難的。

for computers to do.

演算性假設，對於電腦來說，就算真有可能達到，也是極具困難的。

Licklider intuitively realized this, contemplating humans

力克利德(Licklider)直覺地瞭解到這一點，考慮了人們會

setting the goals, formulating the hypotheses,

設定目標、形成假設、

determining the criteria, and performing the evaluation.

決定標準、並且執行評估。

Of course, in other ways, humans are so limited.

當然，在別的部份，人類是極度受限的。

We're terrible at scale, computation and volume.

我們在比率，計算，和量額的表現極差。

We require high-end talent management

我們需要高階的才華管理

to keep the rock band together and playing.

來保持一個搖滾樂團在一起並能夠演奏。

Licklider foresaw computers doing all the routinizable work

力克利德(Licklider)預見了電腦能完成所有需要事前準備的例行作業的洞見並做出最後決策。

that was required to prepare the way for insights and decision making.

力克利德(Licklider)預見了電腦能完成所有需要事前準備的例行作業的洞見並做出最後決策。

Silently, without much fanfare,

悄悄的，並沒有太多的誇耀，這個模式已經形成無數次遠超越西洋棋的成功。

this approach has been compiling victories beyond chess.

悄悄的，並沒有太多的誇耀，這個模式已經形成無數次遠超越西洋棋的成功。

Protein folding, a topic that shares the incredible expansiveness of chess —

蛋白質構型，一個與廣闊的西洋棋法一樣驚人的主題

there are more ways of folding a protein than there are atoms in the universe.

蛋白質構型的方式比目前在宇宙的原子數目還要多。

This is a world-changing problem with huge implications

對於我們了解並治癒疾病的能力來說，這是一個能夠改變世界，帶來重大影響的課題。

for our ability to understand and treat disease.

對於我們了解並治癒疾病的能力來說，這是一個能夠改變世界，帶來重大影響的課題。

And for this task, supercomputer field brute force simply isn't enough.

在這個任務上，超級電腦存在的計算蠻力是絕對不夠的。

Foldit, a game created by computer scientists,

佛迪特(Foldit)，一個由電腦科學家發明的遊戲，

illustrates the value of the approach.

圖解了這個方法的價值。

Non-technical, non-biologist amateurs play a video game

不具科技背景，不具生物學背景的業餘者運用了電玩，使他們可以用視覺去重新排列蛋白質的結構，

in which they visually rearrange the structure of the protein,

不具科技背景，不具生物學背景的業餘者運用了電玩，使他們可以用視覺去重新排列蛋白質的結構，

allowing the computer to manage the atomic forces

並允許電腦去管理原子的各種力量、交互作用與結構的鑑定議題。

and interactions and identify structural issues.

並允許電腦去管理原子的各種力量、交互作用與結構的鑑定議題。

This approach beat supercomputers 50 percent of the time

這個方式有五成的狀況下以時間打敗超級電腦

and tied 30 percent of the time.

而且有三成的狀況所用的時間與超級電腦並駕齊驅。

Foldit recently made a notable and major scientific discovery

佛迪特(Foldit)最近藉著破解梅森輝瑞猴病毒(MPMV, Mason-Pfizer Monkey Virus)的結構產生一個顯著且重大的科學發現。

by deciphering the structure of the Mason-Pfizer monkey virus.

佛迪特(Foldit)最近藉著破解梅森輝瑞猴病毒(MPMV, Mason-Pfizer Monkey Virus)的結構產生一個顯著且重大的科學發現。

A protease that had eluded determination for over 10 years

有一個十多年來已經無法被測定的蛋白脢，被三個玩家在短短幾天就解決，

was solved was by three players in a matter of days,

有一個十多年來已經無法被測定的蛋白脢，被三個玩家在短短幾天就解決，

perhaps the first major scientific advance

或許，這是第一個透過玩電玩而產生的重大的科學進展。

to come from playing a video game.

或許，這是第一個透過玩電玩而產生的重大的科學進展。

Last year, on the site of the Twin Towers,

去年，在世貿大樓遺址，

the 9/11 memorial opened.

911 紀念館開幕，

It displays the names of the thousands of victims

它陳列了上千位遇難者的名字

using a beautiful concept called "meaningful adjacency."

使用一個很美麗概念叫做，「意像連結」

It places the names next to each other based on their

根據遇難者彼此之間的關係把名字放在一起：朋友、家人、同事。

relationships to one another: friends, families, coworkers.

根據遇難者彼此之間的關係把名字放在一起：朋友、家人、同事。

When you put it all together, it's quite a computational

當你把全部都放在一起時，這絕對是一個在計算上的挑戰：三千五百的受難者，一千八百個鄰接的需求。

challenge: 3,500 victims, 1,800 adjacency requests,

當你把全部都放在一起時，這絕對是一個在計算上的挑戰：三千五百的受難者，一千八百個鄰接的需求。

the importance of the overall physical specifications

最重要的是整體形式的特徵，

and the final aesthetics.

以及終極的藝術觀。

When first reported by the media, full credit for such a feat

當這件事情第一次被媒體報導時，這個功績的榮耀都給了

was given to an algorithm from the New York City

來自紐約市的名為在地專案(Local Projects)公司的演算法。但事實其實是更令人玩味的。

design firm Local Projects. The truth is a bit more nuanced.

來自紐約市的名為在地專案(Local Projects)公司的演算法。但事實其實是更令人玩味的。

While an algorithm was used to develop the underlying framework,

當一個演算法被用來發展一個相關性架構時，

humans used that framework to design the final result.

人類用這個架構去設計出最後的結果。

So in this case, a computer had evaluated millions

在這個例子上而言，電腦計算了數百萬種可能的排列，

of possible layouts, managed a complex relational system,

並管理複雜的關係系統，

and kept track of a very large set of measurements

並保持追蹤這一套龐大的測量結果與變數，

and variables, allowing the humans to focus

允許人們去專注於設計和創作上的選擇。

on design and compositional choices.

允許人們去專注於設計和創作上的選擇。

So the more you look around you,

所以當你越向四周發覺，

the more you see Licklider's vision everywhere.

就越能發現力克利德(Licklider)的理念無所不在。

Whether it's augmented reality in your iPhone or GPS in your car,

不論iPhone 上面的實境強化，或是車上的定位系統(GPS, Global Positioning System)

human-computer symbiosis is making us more capable.

人類、電腦 合作讓我們更俱能力。

So if you want to improve human-computer symbiosis,

所以如果你想要改善人類、電腦的合作，

what can you do?

你可以怎麼做？

You can start by designing the human into the process.

你可以開始從設計上把人類因子放進過程中。

Instead of thinking about what a computer will do to solve the problem,

與其去想如何用電腦解決問題，不如去設計一個人類會怎麼做的解決方案。

design the solution around what the human will do as well.

與其去想如何用電腦解決問題，不如去設計一個人類會怎麼做的解決方案。

When you do this, you'll quickly realize that you spent

當你這麼做時，你會很快發現，

all of your time on the interface between man and machine,

你將所有的時間花在人和機器的介面上

specifically on designing away the friction in the interaction.

更精確的在設計上避免在互動中的摩擦。

In fact, this friction is more important than the power

事實上，這個摩擦在決定全面性能力，比人類個別的力量或著機器個別的力量還要重要。

of the man or the power of the machine

事實上，這個摩擦在決定全面性能力，比人類個別的力量或著機器個別的力量還要重要。

in determining overall capability.

事實上，這個摩擦在決定全面性能力，比人類個別的力量或著機器個別的力量還要重要。

That's why two amateurs with a few laptops

這就是為什麼兩個業餘選手和幾台筆記型電腦

handily beat a supercomputer and a grandmaster.

可以輕鬆的打敗超級電腦和棋聖。

What Kasparov calls process is a byproduct of friction.

卡斯帕洛夫(Kasparov)稱這種過程為摩擦中的副產品。

The better the process, the less the friction.

過程越順利，摩擦就越少。

And minimizing friction turns out to be the decisive variable.

減少摩擦卻成為決定性的變項。

Or take another example: big data.

或著拿另一個例子：龐大數據。

Every interaction we have in the world is recorded

我們所有在世上的互動，都被一個不斷成長的感應陣列所記錄下來：你的電話、你的信用卡、你的電腦。

by an ever growing array of sensors: your phone,

我們所有在世上的互動，都被一個不斷成長的感應陣列所記錄下來：你的電話、你的信用卡、你的電腦。

your credit card, your computer. The result is big data,

這個結果就是一個龐大數據

and it actually presents us with an opportunity

而且這在我們面前呈現一個更深入的瞭解人類的狀態機會。

to more deeply understand the human condition.

而且這在我們面前呈現一個更深入的瞭解人類的狀態機會。

The major emphasis of most approaches to big data

多數面對龐大數據的方式，

focus on, "How do I store this data? How do I search

主要著重於「我該如何儲存這些數據，我該如何搜尋這個數據，我該如何處理這個數據？」

this data? How do I process this data?"

主要著重於「我該如何儲存這些數據，我該如何搜尋這個數據，我該如何處理這個數據？」

These are necessary but insufficient questions.

這些都是必要，但卻不充足的問題。

The imperative is not to figure out how to compute,

最迫切的並不是去明白如何計算

but what to compute. How do you impose human intuition

而是計算什麼。你如何利用這樣測量尺度下的資料找到人類的直覺？

on data at this scale?

而是計算什麼。你如何利用這樣測量尺度下的資料找到人類的直覺？

Again, we start by designing the human into the process.

同樣的，我們一開始就設計人類在這個過程中

When PayPal was first starting as a business, their biggest

當PayPal創業初期，他們最大的挑戰

challenge was not, "How do I send money back and forth online?"

並不是「我該如何在線上處理金流？」

It was, "How do I do that without being defrauded by organized crime?"

他們的挑戰是「我該如何做才能排除成為組織化犯罪行為下的詐欺工具？」

Why so challenging? Because while computers can learn

為什麼這具有挑戰性？因為當電腦可以依據過去模式學習

to detect and identify fraud based on patterns,

如何偵測並辨識詐騙行為，

they can't learn to do that based on patterns

他們沒辦法根據他們從未見過的模式去學習偵測與辨識，

they've never seen before, and organized crime

他們沒辦法根據他們從未見過的模式去學習偵測與辨識，

has a lot in common with this audience: brilliant people,

組織化犯罪擁有很多共通點之一：聰穎的人們，

relentlessly resourceful, entrepreneurial spirit — (Laughter) —

無情的足智多謀，企業家的精神--(笑聲)--

and one huge and important difference: purpose.

而最大的不同在於：目的。

And so while computers alone can catch all but the cleverest

所以雖然單就電腦可以抓到除了聰明者以外所有詐騙者，

fraudsters, catching the cleverest is the difference

但是抓到最聰明的就是成功與失敗不同之處。

between success and failure.

但是抓到最聰明的就是成功與失敗不同之處。

There's a whole class of problems like this, ones with

這裡有一堆像同類型的問題，一個是

adaptive adversaries. They rarely if ever present with a

會適應的敵人，他們很少表現出

repeatable pattern that's discernable to computers.

相同的模式，所以無法被電腦察覺。

Instead, there's some inherent component of innovation or disruption,

反之，創新和分裂中有一些固有的因子

and increasingly these problems are buried in big data.

而且越來越多這些問題正被龐大的數據埋沒

For example, terrorism. Terrorists are always adapting

舉例來說，恐怖主義。恐怖份子總是能

in minor and major ways to new circumstances, and despite

能調整自己適應的新環境，而且儘管

what you might see on TV, these adaptations,

你可以會在電視上看到，這些適應，

and the detection of them, are fundamentally human.

以及這些察覺都是最基本的人性。

Computers don't detect novel patterns and new behaviors,

電腦則無法偵測出人意料的模式和新行為，

but humans do. Humans, using technology, testing hypotheses,

但是人類可以。人類運用科技，測試假設，

searching for insight by asking machines to do things for them.

利用機器去幫助他們尋求洞見。

Osama bin Laden was not caught by artificial intelligence.

賓拉登並不是靠人工智慧被裝的

He was caught by dedicated, resourceful, brilliant people

他是被全心全意、足智多謀、聰明的人們運用

in partnerships with various technologies.

大量科技器材下被抓的。

As appealing as it might sound, you cannot algorithmically

雖然這聽起來很有吸引力，你卻不能用

data mine your way to the answer.

演算數據的方式找到答案

There is no "Find Terrorist" button, and the more data

這裡沒有「找到恐怖份子」的按鈕，而且

we integrate from a vast variety of sources

當我們從大量各種不同來源、系統、規格統整越多的資料，

across a wide variety of data formats from very

當我們從大量各種不同來源、系統、規格統整越多的資料，

disparate systems, the less effective data mining can be.

找尋數據的效率就會降低。

Instead, people will have to look at data

所以，人們會需要看著數據

and search for insight, and as Licklider foresaw long ago,

然後尋找洞見，就像力克利德(Licklider)很久以前的預見，

the key to great results here is the right type of cooperation,

在此的成功之鑰就是一個正確形式的合作。

and as Kasparov realized,

就像卡斯帕洛夫(Kasparov)意識到的，

that means minimizing friction at the interface.

也就是要極小化來自於界面的摩擦

Now this approach makes possible things like combing

現在這個方式讓許多可能變得有理可尋，

through all available data from very different sources,

透過大量不同資源中的所有可用的數據

identifying key relationships and putting them in one place,

去辨識重要的關係，將他們齊聚一堂，

something that's been nearly impossible to do before.

這是一個以前都無法辦到的事情。

To some, this has terrifying privacy and civil liberties

對一些人來說，這會帶來令人害怕的隱私和公民自由的問題。

implications. To others it foretells of an era of greater

而對另一些人來說，這預見的是一個有更多

privacy and civil liberties protections,

隱私和公民自由保護的世紀，

but privacy and civil liberties are of fundamental importance.

但隱私和公民自由是最重要的基礎，

That must be acknowledged, and they can't be swept aside,

需要被認知，而且就算是有最好的目的，

even with the best of intents.

他們不可以被拋再一旁。

So let's explore, through a couple of examples, the impact

所以現在來就來透過一些例子來探討，

that technologies built to drive human-computer symbiosis

近年來，當科技是被製造出來用以驅使人類和電腦的合作時

have had in recent time.

所帶來的影響力。

In October, 2007, U.S. and coalition forces raided

在2007年十月，美國和聯軍部隊

an al Qaeda safe house in the city of Sinjar

在敘利亞接近伊拉克的邊界新賈爾市突擊蓋達組織

on the Syrian border of Iraq.

在敘利亞接近伊拉克的邊界新賈爾市突擊蓋達組織。

They found a treasure trove of documents:

他們找到了一個珍貴的文件：

700 biographical sketches of foreign fighters.

700張外國戰士的自傳。

These foreign fighters had left their families in the Gulf,

這些戰士們離開波斯灣，地中海東部，非的家人，

the Levant and North Africa to join al Qaeda in Iraq.

在伊拉克加入蓋達組織。

These records were human resource forms.

這些記錄是手寫的格式來管理

The foreign fighters filled them out as they joined the organization.

是這些戰士在他們加入組織時填寫的。

It turns out that al Qaeda, too,

這就發現了其實蓋達組織，

is not without its bureaucracy. (Laughter)

並不是沒有官僚作風。 (笑聲)

They answered questions like, "Who recruited you?"

他們回答了些問題，像是「誰找你來的？」

"What's your hometown?" "What occupation do you seek?"

「你的家鄉長甚麼樣子？」「你想在這找從事甚麼專長？」

In that last question, a surprising insight was revealed.

在最後一個問題中，揭開了一個令人驚訝的答案。

The vast majority of foreign fighters

大部份的外國戰士

were seeking to become suicide bombers for martyrdom --

都希望能成為殉道的自殺炸彈客--

hugely important, since between 2003 and 2007, Iraq

這是十分重要的發現，在2003年到2007年間，伊拉克

had 1,382 suicide bombings, a major source of instability.

有1,392個自殺炸彈，是政局不穩定的主要來源

Analyzing this data was hard. The originals were sheets

分析這個數據是很困難的。原稿都是待掃描及翻譯，一張張寫著阿拉伯語字的紙。

of paper in Arabic that had to be scanned and translated.

分析這個數據是很困難的。原稿都是待掃描及翻譯，一張張寫著阿拉伯語字的紙。

The friction in the process did not allow for meaningful

這過程中的摩擦並無法於可運用時間內在個別人類、PDF文件以及韌性中得到有意義的結果。

results in an operational time frame using humans, PDFs

這過程中的摩擦並無法於可運用時間內在個別人類、PDF文件以及韌性中得到有意義的結果。

and tenacity alone.

這過程中的摩擦並無法於可運用時間內在個別人類、PDF文件以及韌性中得到有意義的結果。

The researchers had to lever up their human minds

研究人員們需要提升他們的思想，

with technology to dive deeper, to explore non-obvious

與科技合作去尋找更深，去探測不這麼明顯的

hypotheses, and in fact, insights emerged.

假設。而且事實上，見解已經出現了。

Twenty percent of the foreign fighters were from Libya,

20%的外國戰士來自利比亞

50 percent of those from a single town in Libya,

這其中的百分之50是從利比亞的同一個小鎮出來的

hugely important since prior statistics put that figure at

這十分重要，因為之前的統計只有算出

three percent. It also helped to hone in on a figure

百分之三。這也幫助我們去磨鍊

of rising importance in al Qaeda, Abu Yahya al-Libi,

找尋蓋達組織、阿布．葉海亞．禮畢，

a senior cleric in the Libyan Islamic fighting group.

一個資深的利比亞伊斯蘭教的神職人員。

In March of 2007, he gave a speech, after which there was

在2007年三月，他給了從利比亞踴躍加入的外國戰士一個演說，

a surge in participation amongst Libyan foreign fighters.

在2007年三月，他給了從利比亞踴躍加入的外國戰士們一個演說。

Perhaps most clever of all, though, and least obvious,

或許這當中最聰明，也最不明顯的，

by flipping the data on its head, the researchers were

是改變數據的使用方式，研究者們便可以

able to deeply explore the coordination networks in Syria

更深的探討敘利亞的協調網路

that were ultimately responsible for receiving and

是如何負責處理

transporting the foreign fighters to the border.

到邊界接收和運輸外國戰士。

These were networks of mercenaries, not ideologues,

這些是網路的傭兵，而不是思想啟蒙家

who were in the coordination business for profit.

那些為了利潤而進行商業協調。

For example, they charged Saudi foreign fighters

舉例來說，他們指控沙烏地阿拉伯外國戰士

substantially more than Libyans, money that would have