Poslední dobou se šíří úzkost z automatizace. Strach, že v budoucnu budou nahrazovat stroje lidskou práci díky pozoruhodným pokrokům, kterých dosahujeme v umělé inteligenci a robotice. Je jasné, že nás čekají významné změny. Je ale už méně jasné, jak budou tyto změny vypadat. Můj výzkum naznačuje, že budoucnost bude znepokojivá i vzrušující. Hrozba technologické nezaměstnanosti je skutečná a přesto je to prospěšný problém. Abych vysvětlil, jak jsem k tomuto závěru došel, rád bych vám představil tři mýty, o kterých si myslím, že zamlžují naše vnímání automatizace.
Automation anxiety has been spreading lately, a fear that in the future, many jobs will be performed by machines rather than human beings, given the remarkable advances that are unfolding in artificial intelligence and robotics. What's clear is that there will be significant change. What's less clear is what that change will look like. My research suggests that the future is both troubling and exciting. The threat of technological unemployment is real, and yet it's a good problem to have. And to explain how I came to that conclusion, I want to confront three myths that I think are currently obscuring our vision of this automated future.
Obraz, který vidíme na obrazovkách, v knihách, ve filmech a zpravodajství, ukazuje armádu robotů ovládajících pracoviště s jediným cílem: nahradit lidi v jejich práci. Tomu říkám Mýtus Terminátora. Stroje lidi v některých úkolech zastupují již teď, ale nedokáží člověka plně nahradit. Také lidi v některých úkolech doplňují a tím práci obohacují, dělají ji významnější. Někdy mohou člověka doplnit přímo a tím přispět k vyšší produktivitě nebo efektivitě daného úkolu. Řidič taxi používá navigaci, aby se orientoval na neznámých silnicích. Architekt používá počítačové programy, aby mohl navrhnout větší a komplikovanější budovy.
A picture that we see on our television screens, in books, in films, in everyday commentary is one where an army of robots descends on the workplace with one goal in mind: to displace human beings from their work. And I call this the Terminator myth. Yes, machines displace human beings from particular tasks, but they don't just substitute for human beings. They also complement them in other tasks, making that work more valuable and more important. Sometimes they complement human beings directly, making them more productive or more efficient at a particular task. So a taxi driver can use a satnav system to navigate on unfamiliar roads. An architect can use computer-assisted design software to design bigger, more complicated buildings.
Ale technologický pokrok nedoplňuje lidi pouze přímo. Dělá to také nepřímo, a to dvěma způsoby. Ekonomiku si můžeme představit jako koláč, technologický pokrok tento koláč zvětšuje. Se zvyšující se produktivitou rostou příjmy a také poptávka. Například britský koláč se za 300 let zvětšil více než stokrát. Takže lidé, kteří byli nahrazeni ve starém koláči, si místo toho mohli najít práci v novém koláči. Technologický pokrok ale koláč jen nezvětšuje. Mění také přísady koláče. V průběhu let se změnil způsob, jakým lidé utrácejí, jak svůj příjem rozloží mezi již existující zboží, a rozvíjí se také potřeba pro zcela nové zboží. Vznikají nové podniky, nové úkoly, které musí někdo udělat, tím pádem i nová pracovní místa, která se musí obsadit. Takže znovu, britský koláč: před 300 lety pracovala většina lidí na farmách, před 150 lety v továrnách, a dnes pracuje většina lidí v kancelářích. A opět, lidé, kteří byli nahrazeni ve starém koláči, se mohou chopit práce v novém koláči.
But technological progress doesn't just complement human beings directly. It also complements them indirectly, and it does this in two ways. The first is if we think of the economy as a pie, technological progress makes the pie bigger. As productivity increases, incomes rise and demand grows. The British pie, for instance, is more than a hundred times the size it was 300 years ago. And so people displaced from tasks in the old pie could find tasks to do in the new pie instead. But technological progress doesn't just make the pie bigger. It also changes the ingredients in the pie. As time passes, people spend their income in different ways, changing how they spread it across existing goods, and developing tastes for entirely new goods, too. New industries are created, new tasks have to be done and that means often new roles have to be filled. So again, the British pie: 300 years ago, most people worked on farms, 150 years ago, in factories, and today, most people work in offices. And once again, people displaced from tasks in the old bit of pie could tumble into tasks in the new bit of pie instead.
Ekonomové nazývají tyto efekty komplementaritami, ale to je spíš nóbl název pro popsání toho, že technologický pokrok může být lidem prospěšný. Vysvětlení Mýtu Terminátora nám ukazuje, že ve hře jsou dvě síly: nahrazení lidí stroji, které pracovníky poškodí, ale také komplementarity, které dělají přesný opak.
Economists call these effects complementarities, but really that's just a fancy word to capture the different way that technological progress helps human beings. Resolving this Terminator myth shows us that there are two forces at play: one, machine substitution that harms workers, but also these complementarities that do the opposite.
Nyní se přesuneme k druhému mýtu. Říkám mu Mýtus inteligence. Co má společného řízení auta s určováním zdravotní diagnózy a rychlým rozpoznáním druhu ptáka? Ekonomové si o všech těchto činnostech až donedávna mysleli, že nemohou být snadno automatizovány. A přesto dnes můžeme tyto činnosti svěřit strojům. Všichni přední výrobci aut mají programy řízení bez řidiče. Spousta systémů umí diagnostikovat různé zdravotní problémy. Dokonce existuje i aplikace, která dokáže poznat druh ptáka pouhým letmým pohledem.
Now the second myth, what I call the intelligence myth. What do the tasks of driving a car, making a medical diagnosis and identifying a bird at a fleeting glimpse have in common? Well, these are all tasks that until very recently, leading economists thought couldn't readily be automated. And yet today, all of these tasks can be automated. You know, all major car manufacturers have driverless car programs. There's countless systems out there that can diagnose medical problems. And there's even an app that can identify a bird at a fleeting glimpse.
Není to tak, že by ekonomové neměli štěstí na předvídání věcí. Prostě se mýlili. Důvod jejich omylu je velmi důležitý. Propadli Mýtu inteligence, přesvědčení, že stroje musí napodobovat lidský způsob myšlení a uvažování, aby je mohli překonat. Když se ekonomové snažili přijít na to, jaké činnosti stroje nezvládnou provést, mysleli si, že jediný způsob, jak zautomatizovat činnost, je s někým si sednout, nechat ho, aby vysvětlil, jak by činnost sám prováděl a pak se snažit zachytit jeho vysvětlení pomocí souboru pokynů, podle kterých by stroj mohl postupovat. Tento způsob byl oblíbený i u umělé inteligence. Vím to, protože Richard Susskind, můj otec a spoluautor, napsal disertační práci v roce 1980 na téma "Umělá inteligence a právo" na Oxfordské univerzitě. Byl součástí předvoje a spolu s profesorem Phillipem Capperem a vydavatelstvím zákonů Butterworths vytvořili první komerčně dostupný systém umělé inteligence pro právo. Toto je návrh domovské obrazovky. Otec mě ujišťoval, že na svou dobu byl jeho návrh senzační.
Now, this wasn't simply a case of bad luck on the part of economists. They were wrong, and the reason why they were wrong is very important. They've fallen for the intelligence myth, the belief that machines have to copy the way that human beings think and reason in order to outperform them. When these economists were trying to figure out what tasks machines could not do, they imagined the only way to automate a task was to sit down with a human being, get them to explain to you how it was they performed a task, and then try and capture that explanation in a set of instructions for a machine to follow. This view was popular in artificial intelligence at one point, too. I know this because Richard Susskind, who is my dad and my coauthor, wrote his doctorate in the 1980s on artificial intelligence and the law at Oxford University, and he was part of the vanguard. And with a professor called Phillip Capper and a legal publisher called Butterworths, they produced the world's first commercially available artificial intelligence system in the law. This was the home screen design. He assures me this was a cool screen design at the time.
(Smích)
(Laughter)
Nikdy mě úplně nepřesvědčil. Publikoval ho na dvou disketách, v té době byly diskety opravdu ohebné. Jeho přístup byl stejný jako ten ekonomů: sejít se s právničkou, nechat ji, ať vysvětlí, jak by řešila právní problém a popsat vysvětlení pomocí souboru pravidel, která může stroj vykonat. Kdyby lidé mohli tímto způsobem popsat sami sebe, v ekonomii to můžeme označit jako rutinu a lze ji automatizovat. Pokud lidé takto sami úlohy vysvětlit neumí, nejsou rutinou a donedávna jsme mysleli, že nemohou být automatizovány. Dnes je toto rozlišení velmi rozšířené. Vzpomeňte si, jak často slyšíte lidi říkat: stroje mohou dělat pouze úkoly, které jsou předvídatelné, opakující se, založené na pravidlech nebo dobře definovatelné. To jsou pouze jiná označení pro rutinu. A vzpomeňte si na tři příklady, které jsem uvedl na začátku. Právě to jsou příklady nerutinních úkolů. Zeptejte se lékařky, jak určuje diagnózu. Může vám dát pár základních tipů, ale nakonec by si nevěděla rady. Řekla by, že určení diagnózy vyžaduje kreativitu, úsudek a intuici, ale tyto věci je velmi těžké vyjádřit slovy. Proto jsme si mysleli, že bude těžké tyto činnosti automatizovat. Pokud vám tedy člověk nedokáže vyložit postup, jak bychom mohli být schopni napsat instrukce, které bude stroj plnit? Před 30 lety byla tato úvaha správná, nyní již nevypadá tak důvěryhodně a v budoucnu bude prostě špatná. Pokroky ve výpočetním výkonu, skladování dat a návrhu algoritmů znamenají, že rozdělení na rutinní a nerutinní úkoly začíná ztrácet smysl.
I've never been entirely convinced. He published it in the form of two floppy disks, at a time where floppy disks genuinely were floppy, and his approach was the same as the economists': sit down with a lawyer, get her to explain to you how it was she solved a legal problem, and then try and capture that explanation in a set of rules for a machine to follow. In economics, if human beings could explain themselves in this way, the tasks are called routine, and they could be automated. But if human beings can't explain themselves, the tasks are called non-routine, and they're thought to be out reach. Today, that routine-nonroutine distinction is widespread. Think how often you hear people say to you machines can only perform tasks that are predictable or repetitive, rules-based or well-defined. Those are all just different words for routine. And go back to those three cases that I mentioned at the start. Those are all classic cases of nonroutine tasks. Ask a doctor, for instance, how she makes a medical diagnosis, and she might be able to give you a few rules of thumb, but ultimately she'd struggle. She'd say it requires things like creativity and judgment and intuition. And these things are very difficult to articulate, and so it was thought these tasks would be very hard to automate. If a human being can't explain themselves, where on earth do we begin in writing a set of instructions for a machine to follow? Thirty years ago, this view was right, but today it's looking shaky, and in the future it's simply going to be wrong. Advances in processing power, in data storage capability and in algorithm design mean that this routine-nonroutine distinction is diminishingly useful.
Aby to bylo jasné, vraťme se k příkladu určení lékařské diagnózy. Před nedávnem oznámil tým vědců ve Stanfordu, že vyvinuli systém, který rozpozná, zda jsou pihy kožním nádorem stejně přesně jako přední dermatologové. Jak tento systém funguje? Nesnaží se napodobit úsudek nebo intuici doktora. O medicíně neví vůbec nic. Místo toho má algoritmus rozpoznávání vzorců a na souboru 129.450 případů se snaží vyhledat podobnosti mezi nimi a danou lézí. Tento úkol tedy provádí jinak než člověk, na základě analýzy tolika podobných případů, kolik jeden doktor posoudí za celý svůj život. Nezáleží na tom, že člověk, naše doktorka, neuměla popsat, jak úkol provádět.
To see this, go back to the case of making a medical diagnosis. Earlier in the year, a team of researchers at Stanford announced they'd developed a system which can tell you whether or not a freckle is cancerous as accurately as leading dermatologists. How does it work? It's not trying to copy the judgment or the intuition of a doctor. It knows or understands nothing about medicine at all. Instead, it's running a pattern recognition algorithm through 129,450 past cases, hunting for similarities between those cases and the particular lesion in question. It's performing these tasks in an unhuman way, based on the analysis of more possible cases than any doctor could hope to review in their lifetime. It didn't matter that that human being, that doctor, couldn't explain how she'd performed the task.
Jsou tu tací, kteří si libují ve faktu, že se nám tyto stroje nepodobají. Vezměte si například Watsona od IBM. Superpočítač se v roce 2011 zúčastnil americké televizní show 'Riskuj!' a porazil v ní dva lidské šampiony. Den po výhře publikoval filozof John Searle článek ve Wall Street Journal s názvem "Watson neví, že vyhrál 'Riskuj!'" Je to úžasné a navíc je to pravda. Watson se totiž nerozplakal štěstím. Nevolal rodičům, aby jim řekl, jak dobrou práci odvedl. Nezašel pak do hospody na drink. Nesnažil se napodobit způsob hry lidských soutěžících, ale na tom nazáleželo. Stejně nad nimi vyhrál.
Now, there are those who dwell upon that the fact that these machines aren't built in our image. As an example, take IBM's Watson, the supercomputer that went on the US quiz show "Jeopardy!" in 2011, and it beat the two human champions at "Jeopardy!" The day after it won, The Wall Street Journal ran a piece by the philosopher John Searle with the title "Watson Doesn't Know It Won on 'Jeopardy!'" Right, and it's brilliant, and it's true. You know, Watson didn't let out a cry of excitement. It didn't call up its parents to say what a good job it had done. It didn't go down to the pub for a drink. This system wasn't trying to copy the way that those human contestants played, but it didn't matter. It still outperformed them.
Řešení Mýtu inteligence ukazuje, že naše omezené chápání lidské inteligence, toho, jak myslíme a uvažujeme, je pro automatizaci menším omezením, než tomu bylo v minulosti. A co víc, pokud stroje vykonávají úkoly jinak než lidé, není důvod si myslet, že to, co je vrcholem lidských možností nyní, je také vrchol toho, co budou možná stroje schopni zvládnout v budoucnu.
Resolving the intelligence myth shows us that our limited understanding about human intelligence, about how we think and reason, is far less of a constraint on automation than it was in the past. What's more, as we've seen, when these machines perform tasks differently to human beings, there's no reason to think that what human beings are currently capable of doing represents any sort of summit in what these machines might be capable of doing in the future.
A teď třetí mýtus, říkám mu Mýtus nadřazenosti. Často se říká, že ti, kteří zapomenou na prospěšnou stránku technologického pokroku, zmíněné komplementarity, se dopouští klamu neměnného objemu práce. Problém je, že klam neměnného objemu práce je sám klamem, já tomu říkám klam klamu neměnného objemu práce nebo zkráceně KKNOP. Vysvětlím to. Klam neměnného objemu práce je velmi stará myšlenka. Pojmenoval ji britský ekonom David Schloss v roce 1892. Byl zmatený, když narazil na dělníka, který začal používat stroj na výrobu podložek, malých kovových disků, které podkládají konec šroubu. Tento dělník se cítil provinile, protože byl produktivní. Většinou čekáme, že se lidé budou cítit provinile, protože jsou málo produktivní. Znáte to, moc času v práci na Facebooku nebo Twitteru. Ale tento dělník se cítil provinile, protože by produktivní. Na otázku proč se tak cítí, odpověděl, že takhle bere práci jinému dělníkovi. Představoval si, že existuje neměnný objem práce, který se dělí mezi něj a ostatní dělníky, takže pokud toho na stroji udělá víc, zbude méně práce pro ostatní. Schloss si ale všiml klamu. Objem práce není neměnný. Když tento dělník použil stroj a zvýšil tak svoji produktivitu, cena podložek klesla, poptávka po nich vzrostla, muselo by se vyrobit více podložek a bylo by tedy více práce pro jeho kolegy. Objem práce by se tím pádem zvětšil. Schloss nazval tento jev "klamem neměnného objemu práce".
Now the third myth, what I call the superiority myth. It's often said that those who forget about the helpful side of technological progress, those complementarities from before, are committing something known as the lump of labor fallacy. Now, the problem is the lump of labor fallacy is itself a fallacy, and I call this the lump of labor fallacy fallacy, or LOLFF, for short. Let me explain. The lump of labor fallacy is a very old idea. It was a British economist, David Schloss, who gave it this name in 1892. He was puzzled to come across a dock worker who had begun to use a machine to make washers, the small metal discs that fasten on the end of screws. And this dock worker felt guilty for being more productive. Now, most of the time, we expect the opposite, that people feel guilty for being unproductive, you know, a little too much time on Facebook or Twitter at work. But this worker felt guilty for being more productive, and asked why, he said, "I know I'm doing wrong. I'm taking away the work of another man." In his mind, there was some fixed lump of work to be divided up between him and his pals, so that if he used this machine to do more, there'd be less left for his pals to do. Schloss saw the mistake. The lump of work wasn't fixed. As this worker used the machine and became more productive, the price of washers would fall, demand for washers would rise, more washers would have to be made, and there'd be more work for his pals to do. The lump of work would get bigger. Schloss called this "the lump of labor fallacy."
Dnes mluvíme o klamu neměnného objemu práce v souvislosti s budoucím vývojem všech typů práce. Neexistuje žádný neměnný objem práce, který bychom mohli dělit mezi lidi a stroje. Ano, stroje mohou lidi nahradit a tím zmenšit původní objem práce, ale také je budou doplňovat a tím se objem práce zvětší a změní.
And today you hear people talk about the lump of labor fallacy to think about the future of all types of work. There's no fixed lump of work out there to be divided up between people and machines. Yes, machines substitute for human beings, making the original lump of work smaller, but they also complement human beings, and the lump of work gets bigger and changes.
Ale zpět k KKNOP. Chybu vidím tady: úvaha, že technologický pokrok zvětší celkový objem práce, je správná. Některé úkoly budou cennější. Vytvoří se nové úkoly, které bude muset někdo udělat. Ale je špatné myslet si, že lidé budou nezbytně ti nejlepší pro jejich splnění. A to je Mýtus nadřazenosti. Ano, objem práce se může zvýšit a změnit, ale protože jsou stroje schopnější, nejspíše budou přírůstek práce dělat oni. Spíše než aby byli lidé doplňováni prací strojů, budou lidé doplňovat stroje.
But LOLFF. Here's the mistake: it's right to think that technological progress makes the lump of work to be done bigger. Some tasks become more valuable. New tasks have to be done. But it's wrong to think that necessarily, human beings will be best placed to perform those tasks. And this is the superiority myth. Yes, the lump of work might get bigger and change, but as machines become more capable, it's likely that they'll take on the extra lump of work themselves. Technological progress, rather than complement human beings, complements machines instead.
Abychom to pochopili, vraťme se zpět k řízení auta. Dnes navigační systém přímo doplňuje práci lidí. Z někerých lidí tak jsou lepší řidiči. Ale v budoucnu se software přemístí na sedadlo řidiče a navigační systém, místo aby člověka doplňoval, zefektivní systém samořízeného auta a bude místo lidí doplňovat stroje. Nebo se vraťme ke zmíněným nepřímým komplementaritám. Ekonomický koláč se zvětší, ale stroje se stanou schopnějšími. Je tedy možné, že se zvýší poptávka po zboží, které budou lépe umět vyrobit stroje. Ekonomický koláč se může změnit, ale protože budou stroje schopnější, je možné, že nové úkoly budou vykonávat ony. Ve zkratce - poptávka po práci není poptávka po lidské práci. Lidé budou mít výhodu pouze v tom případě, že si udrží kontrolu nad úkoly, které se stroji sdílí, ale jak se stroje stávají schopnějšími, je menší pravděpodobnost, že se to stane.
To see this, go back to the task of driving a car. Today, satnav systems directly complement human beings. They make some human beings better drivers. But in the future, software is going to displace human beings from the driving seat, and these satnav systems, rather than complement human beings, will simply make these driverless cars more efficient, helping the machines instead. Or go to those indirect complementarities that I mentioned as well. The economic pie may get larger, but as machines become more capable, it's possible that any new demand will fall on goods that machines, rather than human beings, are best placed to produce. The economic pie may change, but as machines become more capable, it's possible that they'll be best placed to do the new tasks that have to be done. In short, demand for tasks isn't demand for human labor. Human beings only stand to benefit if they retain the upper hand in all these complemented tasks, but as machines become more capable, that becomes less likely.
Co nám tedy tyto tři mýty říkají? Vyřešení Mýtu Terminátora nám ukazuje, že budoucnost práce závisí na rovnováze dvou sil: nahrazení lidí stroji, které pracovníkům uškodí, ale také na komplementaritách, které fungují opačně. Až dodnes byla tato rovnováha ve prospěch lidí. Ale vyřešením Mýtu inteligence se dozvídáme, že první síla, nahrazení lidí stroji, získává na intenzitě. Stroje samozřejmě nemohou dělat všechno, ale mohou udělat mnohem víc, zvláště co se týče úkolů, které nyní dělají lidé. Navíc není důvod si myslet, že čeho jsou lidé schopni dnes, by měla být cílová čára, na které se stroje ze slušnosti zastaví, jakmile budou stejně schopné jako my. Na ničem z toho nezáleží, pokud budou komplementarity účinkovat dostatečně silně, ale vyřešení Mýtu nadřazenosti nám ukazuje, že proces zasahování do lidských úkolů nejenom že posiluje substituci strojů, ale vyčerpává i prospěšné komplementarity. Pokud tyto mýty spojíme dohromady, myslím, že dokážeme získat představu o znepokojivé budoucnosti. Stroje se stanou schopnějšími, budou přebírat původně lidské úkoly, což povede k posílení substituce strojů, ale zároveň k oslabení jejich komplementarity. A jednou se rovnováha vychýlí ve prospěch strojů. Na této cestě nyní jsme. Slovo "cesta" jsem vybral záměrně, protože si nemyslím, že jsme v cíli, ale je těžké vyhnout se závěru, že tímto směrem se budeme ubírat.
So what do these three myths tell us then? Well, resolving the Terminator myth shows us that the future of work depends upon this balance between two forces: one, machine substitution that harms workers but also those complementarities that do the opposite. And until now, this balance has fallen in favor of human beings. But resolving the intelligence myth shows us that that first force, machine substitution, is gathering strength. Machines, of course, can't do everything, but they can do far more, encroaching ever deeper into the realm of tasks performed by human beings. What's more, there's no reason to think that what human beings are currently capable of represents any sort of finishing line, that machines are going to draw to a polite stop once they're as capable as us. Now, none of this matters so long as those helpful winds of complementarity blow firmly enough, but resolving the superiority myth shows us that that process of task encroachment not only strengthens the force of machine substitution, but it wears down those helpful complementarities too. Bring these three myths together and I think we can capture a glimpse of that troubling future. Machines continue to become more capable, encroaching ever deeper on tasks performed by human beings, strengthening the force of machine substitution, weakening the force of machine complementarity. And at some point, that balance falls in favor of machines rather than human beings. This is the path we're currently on. I say "path" deliberately, because I don't think we're there yet, but it is hard to avoid the conclusion that this is our direction of travel.
To je ta znepokojivá část. Nyní bych rád vysvětlil, proč si myslím, že je dobré tento problém mít. Po většinu historie dominoval jeden ekonomický problém: jak zvětšit ekonomický koláč tak, aby všechny uživil. Vraťme se do prvního století našeho letopočtu: pokud se podíváme na celosvětový ekonomický koláč a rozdělíme ho na stejné díly pro všechny lidi na světě, každý by dostal několik stovek dolarů. Skoro každý tehdy žil na hranici chudoby. Pokud se podíváme o tisíc let dopředu, platí téměř to samé. Ale v několika stech posledních let odstartoval růst ekonomiky. Ekonomické koláče expanzivně narostly. Světové HDP na hlavu, hodnota dílků koláče rozdaných všem lidem na světě, se dnes rovná 10.150 dolarům. Pokud se ekonomický růst ustálí na dvou procentech, naše děti budou dvakrát bohatší než my. Pokud bude růst ubohým jedním procentem, naše vnoučata budou dvakrát bohatší než my. Vlastně se tak řeší odvěký ekonomický problém. Pokud dojde k technologické nezaměstnanosti, bude to vlastně znak úspěchu, vyřeší to jeden problém – jak udělat koláč větší – ale nahradí ho jiným: jak zajistit, aby každý dostal svůj kousek. Jak již podotkli ekonomové, jeho vyřešení nebude jednoduché. Dnes znamená pro mnoho lidí jejich práce pomyslnou židli u ekonomické večerní tabule a ve světě s menším množstvím práce nebo úplně bez ní nebude jasné, jak by se mohlo dostat na každého. K diskuzi je toho hodně, například různé formy univerzálního základního příjmu. To je jedno z možných řešení, které se v současné době již testuje ve Spojených státech, Finsku a Keni. Stojíme před výzvou pro nás všechny. Musíme vymyslet, jak bohatství vyprodukované ekonomických systémem můžeme využívat všichni ve světě, kde náš tradiční mechanismus krájení koláče, tedy práce, kterou dělají lidé, zanikne a možná vymizí.
That's the troubling part. Let me say now why I think actually this is a good problem to have. For most of human history, one economic problem has dominated: how to make the economic pie large enough for everyone to live on. Go back to the turn of the first century AD, and if you took the global economic pie and divided it up into equal slices for everyone in the world, everyone would get a few hundred dollars. Almost everyone lived on or around the poverty line. And if you roll forward a thousand years, roughly the same is true. But in the last few hundred years, economic growth has taken off. Those economic pies have exploded in size. Global GDP per head, the value of those individual slices of the pie today, they're about 10,150 dollars. If economic growth continues at two percent, our children will be twice as rich as us. If it continues at a more measly one percent, our grandchildren will be twice as rich as us. By and large, we've solved that traditional economic problem. Now, technological unemployment, if it does happen, in a strange way will be a symptom of that success, will have solved one problem -- how to make the pie bigger -- but replaced it with another -- how to make sure that everyone gets a slice. As other economists have noted, solving this problem won't be easy. Today, for most people, their job is their seat at the economic dinner table, and in a world with less work or even without work, it won't be clear how they get their slice. There's a great deal of discussion, for instance, about various forms of universal basic income as one possible approach, and there's trials underway in the United States and in Finland and in Kenya. And this is the collective challenge that's right in front of us, to figure out how this material prosperity generated by our economic system can be enjoyed by everyone in a world in which our traditional mechanism for slicing up the pie, the work that people do, withers away and perhaps disappears.
Vyřešení tohoto problému bude vyžadovat odlišný způsob myšlení. Dojde na mnohé diskuze ohledně toho, co se musí udělat, ale je důležité si zapamatovat, že tento problém je lepší než ten, se kterým se po staletí potýkali naši předkové: jak udělat koláč dostatečně velký.
Solving this problem is going to require us to think in very different ways. There's going to be a lot of disagreement about what ought to be done, but it's important to remember that this is a far better problem to have than the one that haunted our ancestors for centuries: how to make that pie big enough in the first place.
Moc vám děkuji.
Thank you very much.
(Potlesk)
(Applause)