1
00:00:07,206 --> 00:00:08,341
你知道他们怎么说
2
00:00:08,374 --> 00:00:10,743
生活中有两个确定性，对吧？
3
00:00:10,777 --> 00:00:12,445
死亡和税收。
4
00:00:12,478 --> 00:00:15,014
我们不能摆脱其中之一吗？
5
00:00:15,048 --> 00:00:17,584
看到100年前的预期寿命只有45岁，
6
00:00:17,617 --> 00:00:18,718
你相信吗？
7
00:00:18,752 --> 00:00:20,886
到了1950年代，达到65岁，
8
00:00:20,920 --> 00:00:22,355
今天已经快80了。
9
00:00:22,388 --> 00:00:25,792
明天，谁知道呢？对？
10
00:00:25,825 --> 00:00:27,527
医疗保健取得了巨大进步。
11
00:00:27,560 --> 00:00:30,529
我们消除了曾经杀死数百万人的流行病，
12
00:00:30,563 --> 00:00:32,465
但是生活很脆弱。
13
00:00:32,498 --> 00:00:34,934
人们仍然生病或去世
14
00:00:34,967 --> 00:00:36,903
出于某些原因
15
00:00:36,936 --> 00:00:39,606
应该有一天可以治愈。
16
00:00:41,274 --> 00:00:44,344
如果我们可以改善诊断会怎样？
17
00:00:44,377 --> 00:00:47,446
通过创新来预测疾病而不是仅仅对疾病做出反应？
18
00:00:47,480 --> 00:00:49,015
在这一集中
19
00:00:49,048 --> 00:00:51,183
我们将看到机器学习如何发挥作用
20
00:00:51,217 --> 00:00:53,352
失明的主要原因之一，
21
00:00:53,386 --> 00:00:56,055
使儿子患有神经系统疾病
22
00:00:56,089 --> 00:00:58,123
与家人沟通。
23
00:00:58,157 --> 00:01:00,259
人工智能正在改变我们的思维方式
24
00:01:00,293 --> 00:01:01,861
关于身心
25
00:01:01,894 --> 00:01:03,162
生与死，
26
00:01:03,195 --> 00:01:05,098
还有我们最看重的是
27
00:01:05,131 --> 00:01:07,100
我们的人类经验。
28
00:01:07,967 --> 00:01:09,902
[夸张音乐播放]
29
00:01:09,936 --> 00:01:14,006
[播音员] ...还有我们的另一位共同队长8号！蒂姆·肖！
30
00:01:14,040 --> 00:01:16,176
[人群欢呼声]
31
00:01:18,144 --> 00:01:20,546
[约翰·肖] 我们实现了他的足球梦想，
32
00:01:20,580 --> 00:01:22,248
一路回到六年级
33
00:01:22,281 --> 00:01:23,817
当他的教练说，
34
00:01:23,850 --> 00:01:25,784
“这个孩子将走很长的路。”
35
00:01:25,818 --> 00:01:27,286
从那时起，
36
00:01:27,320 --> 00:01:29,556
蒂姆晚上在卧室里做俯卧撑，
37
00:01:29,589 --> 00:01:32,158
蒂姆是实践中的第一个。
38
00:01:32,191 --> 00:01:33,993
蒂姆认真对待。
39
00:01:34,026 --> 00:01:38,498
[人群尖叫和欢呼]
40
00:01:42,068 --> 00:01:44,270
[口哨声]
41
00:01:44,303 --> 00:01:47,173
[播音员] 8号，蒂姆·肖！
42
00:01:47,207 --> 00:01:49,075
[人群欢呼声]
43
00:01:49,108 --> 00:01:51,210
我不知道他们在外面做什么
44
00:01:51,244 --> 00:01:53,179
而且我不知道他们是谁！
45
00:01:53,212 --> 00:01:55,648
[小罗伯特·唐尼] 只要他能记住，
46
00:01:55,682 --> 00:01:58,351
蒂姆·肖梦见了三个字母...
47
00:01:58,384 --> 00:02:00,119
NFL。
48
00:02:00,152 --> 00:02:01,220
[口哨声]
49
00:02:01,254 --> 00:02:03,089
他从一开始就是天生的。
50
00:02:03,122 --> 00:02:05,458
小时候，他运动敏捷。
51
00:02:05,491 --> 00:02:09,495
他成长为235磅的纯净肌肉，
52
00:02:09,528 --> 00:02:13,266
在23岁时，他被选为职业球员。
53
00:02:13,299 --> 00:02:16,068
他的梦想是真实的。
54
00:02:16,101 --> 00:02:19,505
他正在踢职业足球。
55
00:02:19,538 --> 00:02:21,441
[记者] 您好，我和蒂姆·肖在一起。
56
00:02:21,474 --> 00:02:24,276
您可以从这个赛季开始。感觉如何？
57
00:02:24,310 --> 00:02:26,278
那是惊人的赛前电力，
58
00:02:26,312 --> 00:02:30,917
蝴蝶在那里，我已经准备好打人了。您可能想注意。
59
00:02:30,950 --> 00:02:32,885
嗨，泰坦（Titan）粉丝，这里是Tim Shaw，
60
00:02:32,919 --> 00:02:35,855
边后卫和特种队动物。
61
00:02:35,888 --> 00:02:37,190
他喜欢他的所作所为。
62
00:02:37,223 --> 00:02:39,525
他说：“他们付钱给我打人！”
63
00:02:39,559 --> 00:02:42,295
[人群欢呼声]
64
00:02:42,328 --> 00:02:44,664
我是来给你带来一些真相的
65
00:02:44,697 --> 00:02:46,232
一点真理
66
00:02:46,265 --> 00:02:47,900
所以我们称其为T-Shaw的真相
67
00:02:47,934 --> 00:02:50,737
因为这并非一成不变，但这是我的真实。
68
00:03:03,916 --> 00:03:06,553
[Tim Shaw发言]
69
00:03:27,140 --> 00:03:29,308
[2015年采访的蒂姆] 2012年，
70
00:03:29,341 --> 00:03:31,777
我的身体开始做以前没有做过的事情。
71
00:03:31,810 --> 00:03:34,647
我的肌肉在抽搐，我跌跌撞撞，
72
00:03:34,680 --> 00:03:38,985
否则我就不会像以前那样发挥作用。
73
00:03:39,018 --> 00:03:40,553
我不是同一位运动员，
74
00:03:40,586 --> 00:03:44,591
我不是以前的足球运动员。
75
00:03:45,658 --> 00:03:47,260
[提姆说话]
76
00:04:03,443 --> 00:04:07,313
[唐尼] 到那时为止，这三个字母已经定义了蒂姆的生活
77
00:04:07,347 --> 00:04:10,817
不是那天医生告诉他的三封信。
78
00:04:10,850 --> 00:04:11,985
ALS。
79
00:04:12,819 --> 00:04:14,754
[提姆说话]
80
00:04:37,609 --> 00:04:39,178
好的...
81
00:04:39,211 --> 00:04:43,349
[Downey] ALS，代表“肌萎缩性侧索硬化症”，
82
00:04:43,382 --> 00:04:45,785
也被称为路格里格氏病。
83
00:04:45,818 --> 00:04:49,488
它导致控制志愿肌肉的神经元死亡。
84
00:04:49,521 --> 00:04:52,258
[Sharon Shaw] 他甚至不能挠头...
85
00:04:52,291 --> 00:04:53,559
更好了吗？
86
00:04:53,592 --> 00:04:55,627
...这些物质都不是
87
00:04:55,661 --> 00:04:58,397
以前对他来说太容易了。
88
00:04:58,430 --> 00:05:01,233
他必须考虑自己采取的每一个步骤。
89
00:05:01,267 --> 00:05:03,469
所以蒂姆的食物装在这个小容器里。
90
00:05:03,502 --> 00:05:05,071
我们将其与水混合。
91
00:05:06,172 --> 00:05:07,407
[提姆说话]
92
00:05:17,149 --> 00:05:19,152
[唐尼] 随着疾病的发展，
93
00:05:19,185 --> 00:05:20,719
肌肉减弱。
94
00:05:20,753 --> 00:05:24,423
简单的日常动作，例如散步，说话和吃饭，
95
00:05:24,456 --> 00:05:26,859
付出巨大的努力。
96
00:05:49,915 --> 00:05:52,952
蒂姆经常在晚上打电话给我，
97
00:05:52,985 --> 00:05:54,420
他有语音识别功能
98
00:05:54,453 --> 00:05:56,221
他会打电话给他，
99
00:05:56,255 --> 00:05:57,957
并说：“打电话给爸爸。”
100
00:05:57,990 --> 00:06:02,228
他的电话无法识别“爸爸”一词。
101
00:06:02,261 --> 00:06:05,531
所以，他对我说...
102
00:06:05,564 --> 00:06:07,866
[破音]“爸爸，我改了你的名字。
103
00:06:07,900 --> 00:06:11,304
我在打电话...我现在叫你“溜溜球”。
104
00:06:11,337 --> 00:06:14,907
因此他会在电话中说：“给溜溜球打电话。”
105
00:06:16,742 --> 00:06:20,879
[沙伦] 蒂姆停止了很多沟通。
106
00:06:20,912 --> 00:06:23,315
他只是不像以前那样说话，
107
00:06:23,349 --> 00:06:25,384
我，我很想念。
108
00:06:25,418 --> 00:06:26,752
我想念它。
109
00:06:26,785 --> 00:06:29,555
你怎么看我的红胡子？ -没有意见。
110
00:06:29,589 --> 00:06:31,290
[s]这表示他喜欢
111
00:06:31,324 --> 00:06:32,858
只是不想在镜头前说。
112
00:06:32,892 --> 00:06:35,862
现在，我最喜欢的是您留着车把小胡子的时候。
113
00:06:35,895 --> 00:06:38,998
[Downey] 语言，彼此交流的能力。
114
00:06:39,031 --> 00:06:42,734
这使我们成为独特的人，
115
00:06:42,768 --> 00:06:47,139
使交流成为AI的重要应用程序。
116
00:06:47,172 --> 00:06:49,842
[莎朗]是的，那会很有趣。
117
00:06:57,516 --> 00:06:59,318
[朱莉·卡蒂奥] 我叫朱莉。
118
00:06:59,351 --> 00:07:01,120
我是Google的产品经理。
119
00:07:01,153 --> 00:07:04,490
在过去的一年左右的时间里，我一直在研究Euphonia项目。
120
00:07:04,523 --> 00:07:06,759
Euphonia项目有两个不同的目标。
121
00:07:06,792 --> 00:07:09,529
一是提高语音识别
122
00:07:09,562 --> 00:07:12,531
适用于患有各种疾病的人。
123
00:07:12,564 --> 00:07:15,268
第二个目标是让人们发声，
124
00:07:15,301 --> 00:07:18,571
这意味着实际上要重新创建他们以前的发声方式
125
00:07:18,604 --> 00:07:20,573
在被诊断之前。
126
00:07:20,606 --> 00:07:22,341
如果您考虑交流，
127
00:07:22,374 --> 00:07:24,476
首先要了解某人，
128
00:07:24,510 --> 00:07:26,178
然后被理解，
129
00:07:26,211 --> 00:07:27,980
对很多人来说
130
00:07:28,014 --> 00:07:31,884
他们的声音就像他们的身份。
131
00:07:31,917 --> 00:07:34,920
[唐尼] 仅在美国，大约有十分之一的人
132
00:07:34,954 --> 00:07:36,789
遭受获得性语言障碍，
133
00:07:36,822 --> 00:07:39,592
这可能是由ALS引起的，
134
00:07:39,625 --> 00:07:43,029
中风，帕金森氏症，脑损伤。
135
00:07:43,062 --> 00:07:45,397
解决这是一个很大的挑战，
136
00:07:45,431 --> 00:07:49,735
这就是朱丽（Julie）与一位伟大的思想家合作提供帮助的原因。
137
00:08:07,319 --> 00:08:11,524
[唐尼] 迪米特里（Dimitri）是世界一流的研究科学家和发明家。
138
00:08:11,557 --> 00:08:14,326
他曾在IBM，普林斯顿大学和现在的Google工作，
139
00:08:14,359 --> 00:08:18,197
并拥有150多项专利。
140
00:08:18,230 --> 00:08:19,431
除了成就，
141
00:08:19,464 --> 00:08:21,800
沟通对他来说非常私人。
142
00:08:21,833 --> 00:08:24,770
迪米特里（Dimitri）具有强烈的俄罗斯口音，
143
00:08:24,803 --> 00:08:27,973
而且他聋了还学英语，
144
00:08:28,007 --> 00:08:30,209
所以他从没听过自己说英语。
145
00:08:32,144 --> 00:08:34,079
哦，你呢？哦好的。
146
00:08:34,113 --> 00:08:37,049
[唐尼] 科技还无法帮助他听到自己的声音。
147
00:08:37,082 --> 00:08:40,419
他使用AI技术驱动的实时转录
148
00:08:40,453 --> 00:08:42,321
帮助他沟通。
149
00:08:42,355 --> 00:08:43,789
[Cattiau]好的，太好了。
150
00:08:43,823 --> 00:08:47,260
因此，我们与Dimitri合作训练了识别器
151
00:08:47,293 --> 00:08:50,663
在识别他的声音方面做得更好。
152
00:08:50,696 --> 00:08:53,832
您现在使用的模型用于识别，
153
00:08:53,865 --> 00:08:57,069
您训练了哪些数据？
154
00:09:01,307 --> 00:09:04,277
[唐尼] 那么，语音识别如何工作？
155
00:09:07,312 --> 00:09:10,683
首先，我们的声音被转换成波形，
156
00:09:10,716 --> 00:09:13,118
这实际上只是声音的图片。
157
00:09:13,152 --> 00:09:16,288
然后将波形与转录匹配，
158
00:09:16,321 --> 00:09:18,357
或每个单词的“标签”。
159
00:09:18,391 --> 00:09:21,726
这些地图适用于大多数英语单词。
160
00:09:21,760 --> 00:09:24,530
这是机器学习接管的地方。
161
00:09:24,563 --> 00:09:26,865
使用数百万个语音样本，
162
00:09:26,898 --> 00:09:28,700
训练了深度学习模型
163
00:09:28,734 --> 00:09:31,704
将输入声音映射到输出单词。
164
00:09:31,737 --> 00:09:35,341
然后，算法使用规则，例如语法和语法，
165
00:09:35,374 --> 00:09:37,176
预测句子中的每个单词。
166
00:09:37,209 --> 00:09:39,244
这就是AI可以分辨的地方
167
00:09:39,278 --> 00:09:42,581
在“那里”，“他们的”和“他们”之间。
168
00:09:42,614 --> 00:09:45,584
[Cattiau] Google使用的语音识别模型
169
00:09:45,618 --> 00:09:47,619
对人很好
170
00:09:47,652 --> 00:09:50,590
声音听起来相似的人
171
00:09:50,623 --> 00:09:53,225
用来训练该模型的示例。
172
00:09:53,258 --> 00:09:56,462
在90％的情况下，它会识别您想说的话。
173
00:09:56,495 --> 00:09:58,797
[唐尼] 迪米特里不在90％的位置。
174
00:09:58,830 --> 00:10:01,033
对于像他这样的人，它根本不起作用。
175
00:10:01,066 --> 00:10:04,870
因此，他基于一个样本创建了一个模型。
176
00:10:23,489 --> 00:10:25,291
[唐尼] 但是制作一个新的独特模型
177
00:10:25,324 --> 00:10:27,893
为每个新的和独特的人提供独特的数据
178
00:10:27,927 --> 00:10:29,795
是缓慢而低效的。
179
00:10:29,828 --> 00:10:32,097
蒂姆称他的父亲为“溜溜球”。
180
00:10:32,131 --> 00:10:35,700
其他患有ALS的人可能会称呼父亲为别的东西。
181
00:10:35,734 --> 00:10:37,502
我们可以建造一台机器吗
182
00:10:37,536 --> 00:10:40,539
认识许多不同的人，
183
00:10:40,572 --> 00:10:42,374
以及我们如何快速做到呢？
184
00:10:42,408 --> 00:10:45,277
[Cattiau] 因此，此数据实际上并不存在。
185
00:10:45,310 --> 00:10:46,878
我们必须实际收集它。
186
00:10:46,912 --> 00:10:50,549
因此，我们与波士顿的ALS TDI建立了这种合作关系。
187
00:10:50,582 --> 00:10:52,818
他们帮助我们收集了声音样本
188
00:10:52,851 --> 00:10:54,286
来自拥有ALS的人。
189
00:10:54,319 --> 00:10:55,588
肖·T·肖，这是给你的。
190
00:10:55,621 --> 00:10:59,025
[全部]一，二，三！
191
00:11:00,259 --> 00:11:02,894
[大家欢呼]
192
00:11:02,928 --> 00:11:07,265
我在此接受您的ALS冰桶挑战。
193
00:11:07,299 --> 00:11:09,468
[轻声喊叫]
194
00:11:09,501 --> 00:11:11,870
[唐尼] 当冰桶挑战盛行时，
195
00:11:11,904 --> 00:11:17,443
数百万人参与了这场斗争，并为ALS研究筹集了超过2.2亿美元。
196
00:11:17,476 --> 00:11:20,779
冰桶挑战真的有一条直线
197
00:11:20,812 --> 00:11:22,448
到Euphonia项目。
198
00:11:29,187 --> 00:11:31,957
ALS治疗发展研究所是一个组织
199
00:11:31,990 --> 00:11:35,227
致力于寻找ALS的治疗方法。
200
00:11:35,260 --> 00:11:37,029
我们关注生活。
201
00:11:37,062 --> 00:11:40,299
我们如何使用我们拥有的技术
202
00:11:40,332 --> 00:11:42,634
立即帮助这些人？
203
00:11:42,667 --> 00:11:45,604
是的，他们实际上更吵。
204
00:11:45,638 --> 00:11:47,406
那是个很好的观点。
205
00:11:47,439 --> 00:11:49,107
我几年前见过蒂姆
206
00:11:49,140 --> 00:11:50,976
他被诊断出后不久。
207
00:11:51,009 --> 00:11:53,645
很难公开
208
00:11:53,678 --> 00:11:55,681
但是对我来说很清楚
209
00:11:55,714 --> 00:11:57,116
时间到了。
210
00:11:57,149 --> 00:12:00,486
他试图了解他的生活会发生什么，
211
00:12:00,519 --> 00:12:02,688
但他也想弄清楚
212
00:12:02,721 --> 00:12:04,690
“好吧，我能扮演什么角色？”
213
00:12:04,723 --> 00:12:07,526
所有的冰桶挑战和认识
214
00:12:07,559 --> 00:12:09,461
真的也启发了我
215
00:12:09,494 --> 00:12:10,763
如果我们可以退后一步，
216
00:12:10,796 --> 00:12:13,064
说：“我在哪里可以发光？”
217
00:12:13,098 --> 00:12:15,067
或“我可以在哪里帮忙？”
218
00:12:15,100 --> 00:12:17,436
冰桶挑战发生时
219
00:12:17,469 --> 00:12:21,640
我们大量涌入现金资源，
220
00:12:21,673 --> 00:12:23,542
那给了我们能力
221
00:12:23,576 --> 00:12:26,678
接触我们计划中的ALS患者
222
00:12:26,711 --> 00:12:28,714
与我们共享他们的数据。
223
00:12:28,747 --> 00:12:31,583
这就是给我们足够大的数据集的原因
224
00:12:31,616 --> 00:12:33,786
真正吸引Google。
225
00:12:36,688 --> 00:12:38,790
[唐尼] 费尔南多最初并未出发
226
00:12:38,823 --> 00:12:40,893
使语音识别更好地工作，
227
00:12:40,926 --> 00:12:44,263
但是在更好地了解疾病的过程中，
228
00:12:44,296 --> 00:12:47,332
他建立了一个庞大的ALS语音数据库，
229
00:12:47,366 --> 00:12:51,437
这可能会对Tim和其他许多人有所帮助。
230
00:12:54,873 --> 00:12:56,742
[John]它自动上传了。
231
00:12:56,775 --> 00:12:57,977
[蒂姆]哦。
232
00:13:59,571 --> 00:14:01,574
蒂姆，你做了多少？
233
00:14:07,379 --> 00:14:08,880
2066？
234
00:14:08,914 --> 00:14:12,217
[费尔南多·维埃拉（Fernando Vieira）] 蒂姆，他想找到一切可以帮助的方法。
235
00:14:12,251 --> 00:14:16,388
看到他的热情水平令人鼓舞，
236
00:14:16,421 --> 00:14:20,626
以及他愿意录制很多语音样本的意愿。
237
00:14:20,659 --> 00:14:23,128
[Downey] 要将所有这些数据转化为真正的帮助，
238
00:14:23,161 --> 00:14:25,197
费尔南多与其中一个人合伙
239
00:14:25,230 --> 00:14:28,199
发起Euphonia项目的Michael Brenner ...
240
00:14:28,233 --> 00:14:30,335
嘿，费尔南多。 -嗨，你好吗？
241
00:14:30,368 --> 00:14:32,337
[Downey] ...一位Google研究科学家
242
00:14:32,371 --> 00:14:34,105
和哈佛训练的数学家
243
00:14:34,138 --> 00:14:35,507
谁在使用机器学习
244
00:14:35,540 --> 00:14:38,343
像这样解决科学冰雹玛丽。
245
00:14:38,377 --> 00:14:42,381
蒂姆·肖（Tim Shaw）记录了近2,000句话，
246
00:14:42,414 --> 00:14:44,616
因此我们决定应用我们的技术
247
00:14:44,649 --> 00:14:48,553
看看我们是否可以建立一个了解他的识别器。
248
00:14:48,587 --> 00:14:51,122
[提姆说话]
249
00:14:51,156 --> 00:14:54,292
对蒂姆来说，正确的目标是获得它，以便它起作用
250
00:14:54,326 --> 00:14:56,829
他所记录的东西之外。
251
00:14:56,862 --> 00:14:58,963
问题是我们不知道
252
00:14:58,997 --> 00:15:00,799
这将在多大的范围内进行。
253
00:15:00,832 --> 00:15:04,102
[Brenner] Dimitri记录了15,000多个句子，
254
00:15:04,136 --> 00:15:07,105
这只是不可思议的数据量。
255
00:15:07,138 --> 00:15:09,674
我们不可能期待其他任何人
256
00:15:09,707 --> 00:15:11,376
记录这么多的句子
257
00:15:11,410 --> 00:15:14,012
所以我们知道我们必须能够做到这一点
258
00:15:14,046 --> 00:15:16,147
少了一个人的录音。
259
00:15:16,181 --> 00:15:18,283
因此，尚不清楚它是否会起作用。
260
00:15:18,317 --> 00:15:20,586
[提姆说话]
261
00:15:22,287 --> 00:15:24,189
-那根本没有用。 -一点也不。
262
00:15:24,223 --> 00:15:26,191
他说：“我走相反的方向，”
263
00:15:26,224 --> 00:15:28,060
它说：“我知道是。”
264
00:15:28,093 --> 00:15:29,728
[Brenner]当无法识别时，
265
00:15:29,761 --> 00:15:32,864
我们在语音识别器的参数之间摇摆不定，
266
00:15:32,897 --> 00:15:34,432
然后再给它一个句子，
267
00:15:34,466 --> 00:15:37,069
想法是您将了解它。
268
00:15:37,102 --> 00:15:39,338
[蒂姆的录音] 我们可以去海边吗？
269
00:15:42,140 --> 00:15:43,742
-是！得到它了。 -得到它了。
270
00:15:43,776 --> 00:15:45,844
这太酷了。好吧，让我们再试一次。
271
00:15:45,878 --> 00:15:47,980
[唐尼] 如果蒂姆·肖回声了，
272
00:15:48,013 --> 00:15:50,716
他可能不再觉得自己被定义了，
273
00:15:50,749 --> 00:15:53,585
或受三个字母的约束，
274
00:15:53,618 --> 00:15:55,187
但这是一个很大的“如果”。
275
00:15:55,220 --> 00:15:58,289
当迈克尔和Euphonia团队一起工作时，
276
00:15:58,323 --> 00:16:01,560
让我们花点时间想象一下还有什么可能
277
00:16:01,593 --> 00:16:03,228
在感官领域。
278
00:16:03,261 --> 00:16:05,396
言语。
279
00:16:05,430 --> 00:16:07,499
听力。
280
00:16:07,532 --> 00:16:08,934
视线。
281
00:16:08,967 --> 00:16:10,869
AI可以预测失明吗？
282
00:16:10,902 --> 00:16:12,004
[卡车喇叭声]
283
00:16:12,037 --> 00:16:13,405
甚至预防呢？
284
00:16:50,509 --> 00:16:53,178
[Downey] Santhi的生活并不轻松。
285
00:16:53,211 --> 00:16:56,348
因为她患有糖尿病，这变得更加困难
286
00:16:56,381 --> 00:16:58,717
这影响了她的视力。
287
00:17:05,223 --> 00:17:10,229
[唐尼] 如果桑提（Santhi）很快得不到医疗救助，她可能会失明。
288
00:17:12,664 --> 00:17:15,067
[博士杰西卡·梅加] 糖尿病并发症
289
00:17:15,100 --> 00:17:16,502
包括心脏病
290
00:17:16,535 --> 00:17:17,669
肾脏疾病，
291
00:17:17,702 --> 00:17:20,506
但真正重要的并发症之一
292
00:17:20,539 --> 00:17:21,807
是糖尿病性视网膜病。
293
00:17:21,840 --> 00:17:24,309
之所以如此重要，是因为
294
00:17:24,342 --> 00:17:26,979
这是全球失明的主要原因之一。
295
00:17:27,012 --> 00:17:29,681
在印度尤其如此。
296
00:17:31,216 --> 00:17:32,584
[给予指导]
297
00:17:53,171 --> 00:17:55,239
在早期，它是无症状的，
298
00:17:55,273 --> 00:17:57,276
但是那是可以治疗的时候
299
00:17:57,309 --> 00:17:59,377
所以您想尽早筛选它们，
300
00:17:59,410 --> 00:18:01,346
在他们真正失去视力之前。
301
00:18:05,150 --> 00:18:06,418
在早期，
302
00:18:06,451 --> 00:18:08,353
如果医生正在检查眼睛，
303
00:18:08,387 --> 00:18:10,622
或者您拍下眼后的照片，
304
00:18:10,656 --> 00:18:14,493
您会在视网膜上看到很多出血点。
305
00:18:21,533 --> 00:18:25,136
如今，医生还不足以进行筛查。
306
00:18:25,169 --> 00:18:27,071
我们是非常有限的眼科医生，
307
00:18:27,105 --> 00:18:28,673
所以应该有其他方法
308
00:18:28,706 --> 00:18:31,043
在这里可以筛查糖尿病患者
309
00:18:31,076 --> 00:18:32,644
用于糖尿病并发症。
310
00:18:32,678 --> 00:18:33,845
[唐尼] 在美国，
311
00:18:33,878 --> 00:18:37,148
每百万人中就有74位眼科医生。
312
00:18:37,181 --> 00:18:39,751
在印度，只有11个。
313
00:18:39,784 --> 00:18:42,587
所以只要跟上病人的数量，
314
00:18:42,620 --> 00:18:45,423
更不用说给予他们所需的关注和照顾了，
315
00:18:45,457 --> 00:18:48,360
即使不是不可能的，也是压倒性的。
316
00:18:48,393 --> 00:18:52,264
[博士R. Kim] 我们可能会看到大约2,000至2,500名患者
317
00:18:52,297 --> 00:18:53,765
每一天。
318
00:18:53,798 --> 00:18:56,201
[Mega] 糖尿病视网膜病变的有趣之处
319
00:18:56,234 --> 00:18:59,338
有什么方法可以筛选并解决问题。
320
00:18:59,371 --> 00:19:02,340
挑战在于没有足够的患者接受筛查。
321
00:19:02,373 --> 00:19:05,310
[Downey] 就像Tim Shaw的ALS语音识别器一样，
322
00:19:05,343 --> 00:19:08,012
这个问题也与数据有关，
323
00:19:08,046 --> 00:19:09,648
或缺乏它。
324
00:19:09,681 --> 00:19:13,118
为了防止更多人视力下降，
325
00:19:13,152 --> 00:19:16,221
金博士想解决这个问题。
326
00:19:19,958 --> 00:19:21,660
所以有出血。
327
00:19:21,693 --> 00:19:24,662
所有这些都是分泌物。
328
00:19:24,696 --> 00:19:27,499
[唐尼] 金博士在Google成立了一个团队。
329
00:19:27,532 --> 00:19:29,267
由医生和工程师组成，
330
00:19:29,301 --> 00:19:31,536
他们正在探索使用机器学习的方法
331
00:19:31,570 --> 00:19:35,373
解决一些世界领先的医疗保健问题。
332
00:19:35,407 --> 00:19:39,110
所以我们开始可以训练一个AI模型
333
00:19:39,144 --> 00:19:41,780
可以以某种方式帮助阅读这些图像，
334
00:19:41,813 --> 00:19:45,850
可以减少所需医生的数量
335
00:19:45,883 --> 00:19:47,018
做这个任务。
336
00:19:47,051 --> 00:19:48,587
所以这是正常的看法。
337
00:19:48,620 --> 00:19:50,522
当您开始更深入地看时，
338
00:19:50,555 --> 00:19:53,225
那么这可能是微动脉瘤吧？
339
00:19:53,258 --> 00:19:55,460
-这是这里吗？ -[man]可能是。
340
00:19:55,493 --> 00:19:58,296
[Downey] 团队使用相同的机器学习
341
00:19:58,329 --> 00:20:00,665
让我们整理照片
342
00:20:00,699 --> 00:20:02,667
或在社交媒体上标记朋友，
343
00:20:02,701 --> 00:20:05,437
图像识别。
344
00:20:05,470 --> 00:20:07,005
首先，训练模型
345
00:20:07,038 --> 00:20:10,442
使用带有标签的图片，例如猫或狗。
346
00:20:10,475 --> 00:20:12,543
看了数千个例子之后，
347
00:20:12,577 --> 00:20:15,747
该算法学习识别新图像
348
00:20:15,780 --> 00:20:17,382
没有任何人的帮助。
349
00:20:17,415 --> 00:20:19,785
对于视网膜病变项目，
350
00:20:19,818 --> 00:20:21,886
超过100,000次眼睛扫描
351
00:20:21,920 --> 00:20:23,421
由眼科医生评分
352
00:20:23,455 --> 00:20:26,958
谁将每次眼睛扫描的评分范围从1到5分，
353
00:20:26,991 --> 00:20:28,560
从健康到患病。
354
00:20:28,593 --> 00:20:30,228
然后使用这些图像
355
00:20:30,261 --> 00:20:32,564
训练机器学习算法。
356
00:20:32,597 --> 00:20:35,199
随着时间的流逝，人工智能学会了预测
357
00:20:35,233 --> 00:20:37,835
哪只眼睛显示出疾病迹象。
358
00:20:37,869 --> 00:20:40,238
[博士彭莉莉]这是助手的观点
359
00:20:40,272 --> 00:20:41,706
模型的预测在哪里
360
00:20:41,740 --> 00:20:45,243
实际上投影在原始图像上，
361
00:20:45,277 --> 00:20:49,047
并且很好地拾取了病状。
362
00:20:49,080 --> 00:20:51,649
[Downey] 为了获得实施该技术的帮助，
363
00:20:51,682 --> 00:20:53,718
莉莉的团队与Verily进行了接触，
364
00:20:53,751 --> 00:20:56,287
Alphabet的生命科学部门。
365
00:20:56,320 --> 00:20:58,089
[Mega]那么，印度怎么样？
366
00:20:58,123 --> 00:20:59,357
[Peng]哦，太神奇了！
367
00:20:59,391 --> 00:21:01,226
[Mega] Verily来自Google X，
368
00:21:01,259 --> 00:21:05,296
我们坐在技术，生命科学和医疗保健的交汇处。
369
00:21:05,330 --> 00:21:07,532
我们试图做的是思考大问题
370
00:21:07,565 --> 00:21:09,300
正在影响许多患者，
371
00:21:09,333 --> 00:21:11,436
以及我们如何带来最好的工具
372
00:21:11,469 --> 00:21:12,603
和最好的技术
373
00:21:12,637 --> 00:21:14,205
克服问题。
374
00:21:14,239 --> 00:21:17,709
技术部分是如此重要，方法学也是如此。
375
00:21:17,743 --> 00:21:19,644
如何捕捉正确的图像，
376
00:21:19,677 --> 00:21:21,412
以及算法如何运作
377
00:21:21,446 --> 00:21:24,015
以及如何不仅在这里部署这些工具，
378
00:21:24,048 --> 00:21:25,550
但是在乡村条件下？
379
00:21:25,583 --> 00:21:28,186
如果我们可以加快这一诊断过程
380
00:21:28,219 --> 00:21:30,088
并加强临床护理，
381
00:21:30,121 --> 00:21:31,990
那么我们可以防止失明。
382
00:21:32,023 --> 00:21:36,128
[唐尼] 没有其他更大的问题影响更多的患者。
383
00:21:36,161 --> 00:21:39,030
糖尿病影响全球4亿，
384
00:21:39,063 --> 00:21:41,433
仅在印度就有7000万人，
385
00:21:41,466 --> 00:21:44,502
这就是为什么杰西卡和莉莉的团队
386
00:21:44,536 --> 00:21:47,405
开始在那里测试支持AI的眼睛扫描仪，
387
00:21:47,439 --> 00:21:49,374
在最农村的地区
388
00:21:49,407 --> 00:21:52,276
就像金博士的Aravind眼科诊所一样。
389
00:21:52,310 --> 00:21:55,146
-相机开着吗？ -现在打开。
390
00:21:55,179 --> 00:21:56,147
是的
391
00:21:56,180 --> 00:21:57,415
因此，一旦相机启动，
392
00:21:57,449 --> 00:21:59,484
我们需要检查网络连接。
393
00:21:59,517 --> 00:22:01,419
[Sunny Virmani] 病人进来了。
394
00:22:01,452 --> 00:22:03,521
他们获得了眼后的图片。
395
00:22:03,554 --> 00:22:05,389
一种用于左眼，另一种用于右眼。
396
00:22:05,423 --> 00:22:07,992
图像被上传到该算法，
397
00:22:08,026 --> 00:22:10,561
一旦算法执行了分析，
398
00:22:10,595 --> 00:22:13,364
它将结果发送回系统，
399
00:22:13,397 --> 00:22:15,734
以及推荐推荐。
400
00:22:15,767 --> 00:22:17,936
很好。它已经启动并正在运行。
401
00:22:17,969 --> 00:22:20,705
由于该算法是实时运行的，
402
00:22:20,739 --> 00:22:23,442
您可以实时得到医生的答复，
403
00:22:23,475 --> 00:22:26,445
实时答案又回到了患者身上。
404
00:22:30,382 --> 00:22:32,250
[金] 一旦有了算法，
405
00:22:32,284 --> 00:22:34,853
就像进行体重测量一样。
406
00:22:34,886 --> 00:22:36,054
在几秒钟内
407
00:22:36,087 --> 00:22:39,358
系统会告诉您是否患有视网膜病。
408
00:22:40,391 --> 00:22:41,793
[唐尼] 过去，
409
00:22:41,826 --> 00:22:44,462
Santhi的病情可能要花几个月才能诊断出来，
410
00:22:44,495 --> 00:22:45,864
如果被诊断出来。
411
00:23:20,131 --> 00:23:23,501
[唐尼] 等到眼科医生能够见到她时，
412
00:23:23,535 --> 00:23:26,671
Santhi的糖尿病可能导致她失明了。
413
00:23:27,705 --> 00:23:29,841
现在，借助新技术，
414
00:23:29,874 --> 00:23:31,376
立即，
415
00:23:31,409 --> 00:23:33,378
她可以坐一个小时的公车
416
00:23:33,411 --> 00:23:35,580
去金杜医生在马杜赖的诊所
417
00:23:35,613 --> 00:23:37,149
当天治疗。
418
00:23:49,560 --> 00:23:51,163
[唐尼] 现在成千上万的病人
419
00:23:51,196 --> 00:23:53,631
谁等了几周或几个月才能看到
420
00:23:53,664 --> 00:23:56,601
可以在太晚之前得到他们需要的帮助。
421
00:24:11,115 --> 00:24:12,951
谢谢你，先生。
422
00:24:27,598 --> 00:24:29,033
[唐尼] 视网膜病变
423
00:24:29,067 --> 00:24:32,003
是高血糖损害视网膜的时候。
424
00:24:32,037 --> 00:24:34,639
血液泄漏和激光治疗
425
00:24:34,672 --> 00:24:36,541
基本上“焊接”血管
426
00:24:36,574 --> 00:24:38,777
阻止泄漏。
427
00:24:38,810 --> 00:24:41,746
例行眼科检查可以及早发现问题。
428
00:24:41,779 --> 00:24:44,048
在农村或偏远地区，例如这里，
429
00:24:44,082 --> 00:24:48,753
AI可以介入并成为早期检测系统。
430
00:24:57,662 --> 00:25:01,466
[Pedro Domingos]我认为AI是最重要的应用之一。
431
00:25:01,499 --> 00:25:04,736
在医生稀少的地方。
432
00:25:04,769 --> 00:25:08,038
从某种意义上说，人工智能所做的就是降低智能，
433
00:25:08,072 --> 00:25:11,509
现在想象一下当您降低智力时该怎么办。
434
00:25:11,543 --> 00:25:13,978
人们可以去以前从未有过的医生那里。
435
00:25:14,012 --> 00:25:16,848
受到最多关注的并不是影响力，
436
00:25:16,881 --> 00:25:20,218
但在许多方面它将是最重要的影响。
437
00:25:31,829 --> 00:25:34,199
[家庭愉快地聊天]
438
00:25:40,238 --> 00:25:42,774
[Mega] AI现在是下一代工具
439
00:25:42,807 --> 00:25:45,510
我们可以将其应用于具有临床意义的问题，
440
00:25:45,543 --> 00:25:49,314
因此AI真正开始使医疗保健民主化。
441
00:25:56,521 --> 00:25:59,090
[Mega]糖尿病视网膜病变的研究
442
00:25:59,123 --> 00:26:02,260
让我们大开眼界。
443
00:26:03,394 --> 00:26:05,230
即使在这些图像中，
444
00:26:05,263 --> 00:26:07,565
我们开始看到一些有趣的信号
445
00:26:07,598 --> 00:26:11,002
可能会告诉我们某人患心脏病的危险因素。
446
00:26:11,035 --> 00:26:13,070
然后从那里开始思考
447
00:26:13,104 --> 00:26:16,274
我们在医学中收集的所有图像。
448
00:26:16,307 --> 00:26:18,609
你可以使用AI还是算法
449
00:26:18,642 --> 00:26:20,745
帮助病人和医生
450
00:26:20,778 --> 00:26:23,214
超越给定的诊断？
451
00:26:23,248 --> 00:26:26,750
以癌症为例，人工智能可以如何帮助挽救生命。
452
00:26:26,784 --> 00:26:29,120
我们可以取一个人的血样
453
00:26:29,153 --> 00:26:31,489
并寻找微量的癌症DNA
454
00:26:31,523 --> 00:26:36,561
或血液中的肿瘤DNA。这是机器学习的绝佳应用。
455
00:26:36,594 --> 00:26:38,363
[唐尼] 为什么停在那里？
456
00:26:38,396 --> 00:26:39,998
人工智能可以完成吗
457
00:26:40,031 --> 00:26:42,767
人类研究人员还没有能力做什么？
458
00:26:42,800 --> 00:26:45,136
弄清楚细胞如何运作良好
459
00:26:45,170 --> 00:26:48,506
您可以了解肿瘤为何生长以及如何阻止它
460
00:26:48,540 --> 00:26:50,475
而不伤害周围的细胞。
461
00:26:50,508 --> 00:26:52,677
[唐尼] 如果癌症可以治愈，
462
00:26:52,710 --> 00:26:54,445
也许是心理健康障碍，
463
00:26:54,478 --> 00:26:56,081
像抑郁症或焦虑症。
464
00:26:56,114 --> 00:26:58,682
有面部和声音生物标志物
465
00:26:58,716 --> 00:27:00,585
这些精神疾病。
466
00:27:00,619 --> 00:27:03,521
人们每小时检查手机15次。
467
00:27:03,555 --> 00:27:05,089
所以这是一个机会
468
00:27:05,123 --> 00:27:08,093
几乎可以做一个幸福的检查站
469
00:27:08,126 --> 00:27:10,462
您可以将其标记给个人，
470
00:27:10,495 --> 00:27:11,562
给亲人，
471
00:27:11,595 --> 00:27:14,365
甚至在某些情况下甚至是去看医生。
472
00:27:14,399 --> 00:27:17,368
[布兰·费伦] 如果您看一下整个医学领域，
473
00:27:17,401 --> 00:27:21,939
您如何出色地诊断疾病？
474
00:27:21,972 --> 00:27:24,575
有人工智能
475
00:27:24,608 --> 00:27:27,946
世界上最伟大的诊断专家会有所帮助。
476
00:27:31,616 --> 00:27:33,050
[唐尼] 在Google，
477
00:27:33,084 --> 00:27:35,386
朱莉和Euphonia团队已经工作了几个月
478
00:27:35,419 --> 00:27:38,323
试图为前美国国家橄榄球联盟的明星蒂姆·肖找到方法
479
00:27:38,356 --> 00:27:39,958
让他的声音恢复原状。
480
00:27:39,991 --> 00:27:42,360
[Dimitri Kanevsky发言]
481
00:27:47,665 --> 00:27:50,167
是!因此Zach的团队，DeepMind团队，
482
00:27:50,201 --> 00:27:53,738
建立了可以模仿您声音的模型。
483
00:27:53,771 --> 00:27:55,073
对于蒂姆，我们很幸运
484
00:27:55,106 --> 00:27:59,043
因为您知道Tim拥有NFL球员的职业，
485
00:27:59,077 --> 00:28:02,613
所以他做了多次广播采访和电视采访，
486
00:28:02,647 --> 00:28:04,349
所以他给我们发了这段录像。
487
00:28:04,382 --> 00:28:07,685
嘿，这是特殊的动物Tim Shaw。
488
00:28:07,719 --> 00:28:10,721
圣诞节快到了，所以我们需要找出答案
489
00:28:10,754 --> 00:28:12,356
泰坦队的球员在做什么。
490
00:28:12,390 --> 00:28:14,859
如果您要犹豫，那可能是“不”。
491
00:28:14,892 --> 00:28:17,261
[Cattiau] 蒂姆将能够键入他想要的内容，
492
00:28:17,294 --> 00:28:21,565
原型会用蒂姆的声音说出来。
493
00:28:21,598 --> 00:28:22,967
我一直很喜欢关注。
494
00:28:23,000 --> 00:28:24,936
不知道你是否了解我。
495
00:28:24,969 --> 00:28:26,904
（笑） 她会为你剃光的。
496
00:28:26,937 --> 00:28:29,073
[唐尼] 演说是一回事，
497
00:28:29,106 --> 00:28:31,575
但重塑真实人的发音方式
498
00:28:31,608 --> 00:28:33,311
难一个数量级。
499
00:28:33,344 --> 00:28:36,280
玩Tecmo碗，吃圣诞饼干和火鸡。
500
00:28:36,313 --> 00:28:40,151
[Downey] 语音模仿也称为语音合成，
501
00:28:40,185 --> 00:28:43,220
基本上是相反的语音识别。
502
00:28:43,253 --> 00:28:46,925
首先，机器学习将文本转换回波形。
503
00:28:46,958 --> 00:28:50,061
这些波形然后用于创建声音。
504
00:28:50,094 --> 00:28:53,965
这就是Alexa和Google Home与我们交谈的方式。
505
00:28:53,998 --> 00:28:56,734
现在，来自DeepMind和Google AI的团队
506
00:28:56,768 --> 00:28:58,336
正在创建模型
507
00:28:58,369 --> 00:29:01,739
模仿蒂姆声音的独特声音。
508
00:29:01,773 --> 00:29:03,841
看起来像是在计算。
509
00:29:03,874 --> 00:29:05,943
但是今天早上行得通吗？
510
00:29:05,976 --> 00:29:08,012
我们必须将期望设定得很低。
511
00:29:08,045 --> 00:29:11,115
[Cattiau] 我不知道我们的模型将如何执行。
512
00:29:11,149 --> 00:29:13,851
我希望蒂姆能理解
513
00:29:13,884 --> 00:29:16,287
并从中真正了解技术，
514
00:29:16,320 --> 00:29:20,692
这是一个正在进行的工作和一个研究项目。
515
00:29:20,725 --> 00:29:25,997
[唐尼] 经过六个月的等待，蒂姆·肖即将找到答案。
516
00:29:26,030 --> 00:29:28,365
研究语音识别模型的团队
517
00:29:28,399 --> 00:29:31,102
来他家练习。
518
00:29:33,471 --> 00:29:34,539
[门铃响]
519
00:29:34,572 --> 00:29:36,174
[狗叫声]
520
00:29:39,009 --> 00:29:41,079
[莎朗]好女孩，来打个招呼。
521
00:29:41,913 --> 00:29:43,548
嗨！ -啊，你好！
522
00:29:43,581 --> 00:29:44,749
欢迎。
523
00:29:44,782 --> 00:29:45,850
嗨！ -进来吧。
524
00:29:45,883 --> 00:29:47,752
感谢您的光临。
525
00:29:47,785 --> 00:29:49,921
[莎朗]他以前见过你们中的一些人，对吧？
526
00:29:49,954 --> 00:29:51,823
蒂姆，你好吗？
527
00:29:51,856 --> 00:29:53,591
嗨，蒂姆-很高兴见到你。
528
00:29:53,625 --> 00:29:55,259
-你好。 -你好。
529
00:29:55,293 --> 00:29:56,327
你好
530
00:29:56,361 --> 00:29:59,097
嗨，我是朱莉。我们在相机上看到了对方。
531
00:30:01,065 --> 00:30:03,401
这里比波士顿温暖。
532
00:30:03,434 --> 00:30:05,202
[沙伦]应该的。
533
00:30:05,236 --> 00:30:06,571
[都笑]
534
00:30:09,340 --> 00:30:10,408
好的。
535
00:30:11,408 --> 00:30:13,377
蒂姆，带路。
536
00:30:13,410 --> 00:30:16,714
[Cattiau] 很高兴与Tim和他的父母分享
537
00:30:16,747 --> 00:30:18,249
我们一直在努力。
538
00:30:18,283 --> 00:30:21,018
我有点紧张。我不知道该应用程序
539
00:30:21,052 --> 00:30:24,155
将按照我们希望的方式行事，
540
00:30:24,188 --> 00:30:27,792
但是我也很高兴学习新事物
541
00:30:27,825 --> 00:30:29,260
并听听蒂姆的反馈。
542
00:30:29,293 --> 00:30:32,063
所以我带来了两个版本。
543
00:30:32,096 --> 00:30:34,899
本来应该选的，但我决定只带两个
544
00:30:34,932 --> 00:30:37,335
万一一个比另一个更好，
545
00:30:37,368 --> 00:30:38,803
而且，正如您所知，
546
00:30:38,836 --> 00:30:41,639
这一个在这里受过训练
547
00:30:41,672 --> 00:30:44,075
只用你的声音录音
548
00:30:44,108 --> 00:30:47,445
而这里的那个人是用你的声音录音训练的，
549
00:30:47,478 --> 00:30:51,215
以及来自ALS TDI的其他参与者
550
00:30:51,248 --> 00:30:54,685
谁做过同样的练习... [笑]
551
00:30:54,718 --> 00:30:57,388
好吧
552
00:30:57,422 --> 00:30:59,924
我希望我们可以尝试一下。
553
00:30:59,958 --> 00:31:02,260
我们准备好了吗？
554
00:31:03,995 --> 00:31:06,965
你在说谁
555
00:31:12,236 --> 00:31:13,905
[app chimes]
556
00:31:15,206 --> 00:31:16,307
知道了
557
00:31:16,340 --> 00:31:18,243
[约翰]知道了。
558
00:31:19,643 --> 00:31:20,912
[喘气]
559
00:31:24,582 --> 00:31:27,451
[蒂姆]他要来吗？
560
00:31:27,484 --> 00:31:28,453
[app chimes]
561
00:31:29,554 --> 00:31:30,889
是。
562
00:31:33,991 --> 00:31:36,961
你今天工作吗？
563
00:31:36,994 --> 00:31:38,396
[app chimes]
564
00:31:44,835 --> 00:31:46,004
[咯咯笑]
565
00:31:46,037 --> 00:31:48,873
太好了
566
00:31:48,906 --> 00:31:49,907
[城堡]酷。
567
00:31:49,941 --> 00:31:51,909
感谢您尝试此操作。
568
00:31:51,943 --> 00:31:53,044
-哇！ -很棒。
569
00:31:53,077 --> 00:31:55,279
[约翰]我爱的东西犯了错误，
570
00:31:55,312 --> 00:31:57,749
-然后它纠正了自己。是的
571
00:31:57,782 --> 00:31:59,650
我当时看着它，“不是吗”
572
00:31:59,683 --> 00:32:02,686
然后它就... [模仿应用程序]然后它做对了。
573
00:32:02,720 --> 00:32:04,088
这些是短语
574
00:32:04,122 --> 00:32:06,890
我们实际使用的70％的一部分
575
00:32:06,924 --> 00:32:08,192
训练模型
576
00:32:08,225 --> 00:32:11,795
但我们也预留了30％的词组，
577
00:32:11,828 --> 00:32:14,431
所以这可能不会那么好
578
00:32:14,465 --> 00:32:18,102
但我希望我们也可以尝试其中的一些。
579
00:32:18,136 --> 00:32:20,070
[约翰]所以我们已经做了
580
00:32:20,104 --> 00:32:23,474
是他使用了用来训练应用程序的短语。
581
00:32:23,508 --> 00:32:24,608
那就对了。
582
00:32:24,641 --> 00:32:27,578
现在我们尝试看看它是否可以识别短语
583
00:32:27,611 --> 00:32:30,915
-那不是其中的一部分。 -[Cattiau]是的，是的。
584
00:32:30,948 --> 00:32:32,383
因此，让我们尝试一下吗？
585
00:32:33,917 --> 00:32:36,387
你要我吗
586
00:32:39,656 --> 00:32:43,061
你有时间玩吗？
587
00:32:44,828 --> 00:32:46,030
[app chimes]
588
00:32:47,965 --> 00:32:50,501
之后会怎样？
589
00:32:52,469 --> 00:32:53,237
[app chimes]
590
00:32:53,270 --> 00:32:55,840
嗯所以，在最后一个
591
00:32:55,873 --> 00:32:58,242
这个知道了，而这个没有。
592
00:32:58,275 --> 00:33:02,546
-我们会暂停的。所以...-我喜欢第一个，上面写着，
593
00:33:02,580 --> 00:33:04,782
-“你能帮我洗个澡吗？” -[笑]
594
00:33:04,815 --> 00:33:07,919
-[Cattiau]根本不是他所说的。 -[约翰]我知道，
595
00:33:07,952 --> 00:33:10,487
您必须非常小心自己的要求。
596
00:33:10,521 --> 00:33:12,122
[都笑]
597
00:33:12,156 --> 00:33:15,559
[约翰]所以，当它在解释他的声音时，
598
00:33:15,592 --> 00:33:17,295
这会导致一些错误，
599
00:33:17,328 --> 00:33:19,263
有办法纠正吗？
600
00:33:19,296 --> 00:33:22,066
是的我们要添加选项
601
00:33:22,099 --> 00:33:24,335
你们来修理录音
602
00:33:24,368 --> 00:33:27,104
但是从今天开始，因为这是第一次
603
00:33:27,137 --> 00:33:28,706
我们实际上尝试过
604
00:33:28,739 --> 00:33:30,474
我们还没有。
605
00:33:30,508 --> 00:33:32,910
[Cattiau] 这项工作仍在进行中。
606
00:33:32,943 --> 00:33:34,811
我们有一个语音识别模型
607
00:33:34,845 --> 00:33:36,680
为Tim Shaw工作，
608
00:33:36,714 --> 00:33:38,449
你知道一个人
609
00:33:38,482 --> 00:33:41,185
我们真的很希望，你知道，
610
00:33:41,218 --> 00:33:43,254
这项技术可以为许多人使用。
611
00:33:43,287 --> 00:33:46,090
我还想让你尝试一下
612
00:33:46,123 --> 00:33:47,525
如果可以的话
613
00:33:47,558 --> 00:33:50,761
我们正在与Google的另一个团队DeepMind合作。
614
00:33:50,794 --> 00:33:55,366
他们专门从事语音模仿和合成。
615
00:33:56,500 --> 00:33:57,468
[唐尼] 在2019年，
616
00:33:57,501 --> 00:34:00,605
蒂姆给他年轻的自己写了一封信。
617
00:34:02,540 --> 00:34:05,776
它们是由一名ALS的34岁男子写的字
618
00:34:05,810 --> 00:34:08,145
沟通困难的人
619
00:34:08,179 --> 00:34:09,513
及时退回
620
00:34:09,547 --> 00:34:15,252
到了22岁的美国橄榄球大联盟的风口浪尖。
621
00:34:15,285 --> 00:34:18,389
[Cattiau]因此，让我尝试一下。
622
00:34:18,422 --> 00:34:21,892
我喜欢用这封信，因为它是如此美丽，
623
00:34:21,925 --> 00:34:24,729
所以让我看看这是否行得通。
624
00:34:27,231 --> 00:34:30,567
[蒂姆年轻的声音] 所以，我决定给你写这封信
625
00:34:30,601 --> 00:34:32,636
因为我有很多话要告诉你。
626
00:34:32,670 --> 00:34:33,905
我想向你解释
627
00:34:33,938 --> 00:34:35,973
为什么我这么难说话，
628
00:34:36,006 --> 00:34:37,974
诊断，所有这些，
629
00:34:38,008 --> 00:34:39,443
以及我现在的生活
630
00:34:39,476 --> 00:34:41,712
因为有一天，你会在我的鞋子里，
631
00:34:41,745 --> 00:34:44,348
生活在同样的斗争中。
632
00:34:57,961 --> 00:35:01,599
我忘了是他的声音。
633
00:35:14,945 --> 00:35:16,347
我们的确是。
634
00:35:47,578 --> 00:35:49,280
[app chimes]
635
00:36:03,727 --> 00:36:05,028
[app chimes]
636
00:36:05,062 --> 00:36:06,998
很高兴与您合作。
637
00:36:07,031 --> 00:36:08,466
真的很荣幸。
638
00:36:12,536 --> 00:36:14,938
[约翰]想到有一天，
639
00:36:14,971 --> 00:36:18,409
可以与此关联的
640
00:36:18,442 --> 00:36:20,310
当你现在说话时，
641
00:36:20,344 --> 00:36:22,947
听起来像是...
642
00:36:29,319 --> 00:36:31,689
没关系。我们会等。
643
00:36:33,057 --> 00:36:34,758
[Cattiau] 有很多未知的地方
644
00:36:34,791 --> 00:36:37,861
并且仍需进行大量研究。
645
00:36:37,894 --> 00:36:41,198
我们实际上是在尝试先进行概念验证，
646
00:36:41,232 --> 00:36:44,268
然后扩展到不仅拥有ALS的人，
647
00:36:44,302 --> 00:36:45,669
但是中风的人
648
00:36:45,702 --> 00:36:48,539
或脑外伤，多发性硬化症，
649
00:36:48,572 --> 00:36:51,008
任何类型的神经系统疾病。
650
00:36:51,041 --> 00:36:52,776
也许其他语言也知道吗？
651
00:36:52,809 --> 00:36:56,413
例如，我真的很想在法语中工作。
652
00:36:56,446 --> 00:36:58,683
（兆） 这不是一个很好的机会
653
00:36:58,716 --> 00:37:01,518
将技术带入我们正在解决的问题
654
00:37:01,551 --> 00:37:03,253
在生命科学和医疗保健方面，
655
00:37:03,286 --> 00:37:05,222
实际上，这是一个错失的机会
656
00:37:05,256 --> 00:37:07,892
如果我们不尝试带来最好的技术
657
00:37:07,925 --> 00:37:09,126
帮助人们。
658
00:37:09,159 --> 00:37:10,728
这真的仅仅是开始。
659
00:37:10,761 --> 00:37:13,097
[唐尼] 确实只是个开始。
660
00:37:13,130 --> 00:37:15,332
想象一下可能性。
661
00:37:15,365 --> 00:37:19,169
我认为在可以想象的AI和医疗保健的未来
662
00:37:19,202 --> 00:37:22,139
不再有医疗保健，
663
00:37:22,173 --> 00:37:24,008
因为没有人需要它。
664
00:37:24,041 --> 00:37:27,744
您可能拥有直接与免疫系统对话的AI，
665
00:37:27,778 --> 00:37:30,480
实际上是先发制人地制造抗体
666
00:37:30,514 --> 00:37:32,917
对于即将到来的流行病，
667
00:37:32,950 --> 00:37:34,184
并且不会停止。
668
00:37:34,218 --> 00:37:37,254
明天不会发生，但这是长期目标
669
00:37:37,288 --> 00:37:38,756
我们可以指向。
670
00:37:43,827 --> 00:37:46,163
[唐尼] 蒂姆从未听过自己的话
671
00:37:46,196 --> 00:37:48,799
今天之前大声朗读。
672
00:37:48,832 --> 00:37:51,568
他的父母也没有。
673
00:37:51,602 --> 00:37:54,939
[蒂姆] 每一天对我来说都是一场挣扎。
674
00:37:54,972 --> 00:37:58,075
我几乎不能动胳膊。
675
00:37:58,109 --> 00:38:00,410
[约翰]玩得开心。
676
00:38:00,443 --> 00:38:02,346
我不能一个人走
677
00:38:02,379 --> 00:38:06,550
所以我最近开始使用轮椅。
678
00:38:07,551 --> 00:38:10,454
我咀嚼和吞咽困难。
679
00:38:10,487 --> 00:38:12,857
我会杀了一个好猪排。
680
00:38:12,890 --> 00:38:16,794
是的，我的身体正在衰竭，但我的思想没有放弃。
681
00:38:18,262 --> 00:38:20,430
找到人生中最重要的事情，
682
00:38:20,464 --> 00:38:22,566
并为此而活。
683
00:38:24,034 --> 00:38:26,937
NFL，不要让三个字母
684
00:38:26,970 --> 00:38:28,372
定义你...
685
00:38:28,406 --> 00:38:30,007
[人群欢呼声]
686
00:38:31,809 --> 00:38:36,514
...我拒绝让三个字母定义我的方式相同。
687
00:38:43,254 --> 00:38:45,455
[约翰] 蒂姆教给我们的一件事，
688
00:38:45,489 --> 00:38:48,925
我认为这对每个人都是一个教训
689
00:38:48,959 --> 00:38:51,962
从医学上讲，蒂姆的生命已经终结。
690
00:38:51,995 --> 00:38:55,966
实际上，五年前，我们被告知他只剩下两到五年。
691
00:38:55,999 --> 00:38:57,368
我们已经过去了。
692
00:38:58,735 --> 00:39:01,638
他学得很快
693
00:39:01,672 --> 00:39:05,442
今天是我们拥有的一天，
694
00:39:05,475 --> 00:39:08,579
我们今天可以毁了
695
00:39:08,612 --> 00:39:10,314
想着昨天
696
00:39:10,347 --> 00:39:12,082
过去曾经是多么美好
697
00:39:12,116 --> 00:39:16,053
而且，“哦，我是祸患”和“我希望那是那样。”
698
00:39:16,086 --> 00:39:17,521
我们今天也可以毁了
699
00:39:17,554 --> 00:39:19,222
通过展望未来，
700
00:39:19,256 --> 00:39:20,290
就蒂姆而言，
701
00:39:20,323 --> 00:39:22,425
这将是多么可怕。
702
00:39:22,459 --> 00:39:23,794
“这将发生，”
703
00:39:23,827 --> 00:39:25,996
“我将不再能够这样做。”
704
00:39:26,029 --> 00:39:28,665
因此，如果我们选择上述任何一个方向，
705
00:39:28,698 --> 00:39:31,068
它破坏了我们今天的存在。
706
00:39:31,101 --> 00:39:32,569
这对我们所有人都是一个教训。
707
00:39:32,602 --> 00:39:35,406
无论我们是否患有ALS诊断，
708
00:39:35,439 --> 00:39:38,241
尝试看到每一天的美好和祝福。
709
00:39:38,275 --> 00:39:40,644
你今天和我们在一起。
710
00:39:40,677 --> 00:39:42,747
这将是美好的一天。