Imagine if you could record your life -- everything you said, everything you did, available in a perfect memory store at your fingertips, so you could go back and find memorable moments and relive them, or sift through traces of time and discover patterns in your own life that previously had gone undiscovered. Well that's exactly the journey that my family began five and a half years ago. This is my wife and collaborator, Rupal. And on this day, at this moment, we walked into the house with our first child, our beautiful baby boy. And we walked into a house with a very special home video recording system.
Imaginez que vous pouvez enregistrer votre vie -- tout ce que vous avez dit, tout ce que vous avez fait, à portée de main dans une bibliothèque de souvenirs infaillible, si bien que vous pourriez revenir en arrière, trouver des moments mémorables et les revivre, ou trier, sélectionner des traces temporelles et découvrir des motifs dans votre vie que vous n'aviez pas découvert auparavant. Et bien, c'est exactement le voyage qu'a entrepris ma famille il y a cinq ans et demi. Voici ma femme et collègue, Rupal. Et ce jour, à cet instant, nous sommes rentrés dans notre maison avec notre premier enfant, notre magnifique petit garçon. Et nous sommes rentrés dans une maison avec un système d'enregistrement vidéo très spécial.
(Video) Man: Okay.
(Vidéo) Homme: Ok.
Deb Roy: This moment and thousands of other moments special for us were captured in our home because in every room in the house, if you looked up, you'd see a camera and a microphone, and if you looked down, you'd get this bird's-eye view of the room. Here's our living room, the baby bedroom, kitchen, dining room and the rest of the house. And all of these fed into a disc array that was designed for a continuous capture. So here we are flying through a day in our home as we move from sunlit morning through incandescent evening and, finally, lights out for the day. Over the course of three years, we recorded eight to 10 hours a day, amassing roughly a quarter-million hours of multi-track audio and video.
Deb Roy: Ce moment et des milliers d'autres moments chers à nos yeux, ont été enregistrés dans notre maison parce que dans chaque pièce de la maison, si vous regardez au plafond, vous voyez une caméra et un micro, et si vous regardez en bas, vous avez cette vue en plongée de la pièce. Voici notre salon, la chambre du bébé, cuisine, salle à manger, et le reste de la maison. Et tout ceci est envoyé à un ensemble de disques conçus pour enregistrer en continu. Nous voici donc survolant une journée à la maison, naviguant d'une aube lumineuse à un crépuscule incandescent pour finalement éteindre les lumières du jour. Trois ans durant, nous avons enregistré entre 8 et 10 heures par jour, amassant au bas mot un quart de million d'heures de vidéo multi-piste avec le son.
So you're looking at a piece of what is by far the largest home video collection ever made. (Laughter) And what this data represents for our family at a personal level, the impact has already been immense, and we're still learning its value. Countless moments of unsolicited natural moments, not posed moments, are captured there, and we're starting to learn how to discover them and find them.
Vous visionnez donc un extrait de ce qui est de loin la plus grande collection de vidéo personnelle jamais créée. (Rire) Et ce que ces données représentent pour notre famille d'un point de vue personnel, l'impact a déjà été immense, et nous en réalisons encore la valeur. Un nombre incalculable de moments de moments naturels non provoqués, sans poses, sont enregistrés ici, et nous commençons à apprendre comment les découvrir et les retrouver.
But there's also a scientific reason that drove this project, which was to use this natural longitudinal data to understand the process of how a child learns language -- that child being my son. And so with many privacy provisions put in place to protect everyone who was recorded in the data, we made elements of the data available to my trusted research team at MIT so we could start teasing apart patterns in this massive data set, trying to understand the influence of social environments on language acquisition. So we're looking here at one of the first things we started to do. This is my wife and I cooking breakfast in the kitchen, and as we move through space and through time, a very everyday pattern of life in the kitchen.
Mais ce projet a aussi été conduit pour une raison scientifique, qui était d'utiliser ces données naturelles longitudinales pour comprendre le processus menant à l'apprentissage du langage par un enfant -- cet enfant étant ici mon fils. Avec de nombreuses dispositions de protection de la vie privée mises en place pour protéger les personnes enregistrées, nous avons mis des éléments de données à disposition de mon équipe de recherche de confiance au MIT pour que nous puissions commencer à déchiffrer les motifs dans cet énorme jeu de données, en essayant de comprendre l'influence de l'environnement social sur l’acquisition du langage. Nous regardons ici l'une des premières choses que nous avons faites. Voici ma femme et moi préparant le petit déjeuner dans la cuisine. En nous déplaçant à travers l'espace et le temps, un premier motif quotidien de la vie dans la cuisine.
In order to convert this opaque, 90,000 hours of video into something that we could start to see, we use motion analysis to pull out, as we move through space and through time, what we call space-time worms. And this has become part of our toolkit for being able to look and see where the activities are in the data, and with it, trace the pattern of, in particular, where my son moved throughout the home, so that we could focus our transcription efforts, all of the speech environment around my son -- all of the words that he heard from myself, my wife, our nanny, and over time, the words he began to produce. So with that technology and that data and the ability to, with machine assistance, transcribe speech, we've now transcribed well over seven million words of our home transcripts. And with that, let me take you now for a first tour into the data.
Pour convertir ces 90 000 heures de vidéo indéchiffrable en quelque chose que nous pouvons commencer à visionner, nous utilisons l'analyse de mouvement pour extraire, en naviguant à travers l'espace et le temps, ce que nous appelons des vers temporels. C'est devenu l'un de nos outils pour être capable de voir et de définir où se situent les activités dans les données, et ainsi, suivre le motif, en particulier, des déplacements de mon fils à travers la maison, pour que nous puissions focaliser nos efforts de transcription, tout l'environnement de dialogues autour de mon fils -- tous les mots qu'il a entendus de moi-même, de ma femme, de la nounou, et au fur et à mesure, les mots qu'il a commencé à former. Avec cette technologie et ces données et la possibilité, grâce à une machine, de retranscrire les dialogues, nous avons maintenant retranscrit bien plus de sept millions de mots de nos conversations domestiques. Ainsi, laissez-moi vous emmener faire un premier voyage dans les données.
So you've all, I'm sure, seen time-lapse videos where a flower will blossom as you accelerate time. I'd like you to now experience the blossoming of a speech form. My son, soon after his first birthday, would say "gaga" to mean water. And over the course of the next half-year, he slowly learned to approximate the proper adult form, "water." So we're going to cruise through half a year in about 40 seconds. No video here, so you can focus on the sound, the acoustics, of a new kind of trajectory: gaga to water.
Vous avez tous, j'en suis sûr, vu des vidéos accélérées où une fleur s’épanouit en temps accéléré. Je voudrais maintenant vous faire vivre l'épanouissement d'une forme de langage. Mon fils, peu après son premier anniversaire, disait "gaga" pour parler d'eau. Au fil des six mois suivants, il a lentement appris à s'approcher de la forme adulte correcte, "eau". Nous allons donc parcourir 6 mois en environ 40 secondes. Pas de vidéo ici, pour que vous puissiez vous concentrer sur le son, l'acoustique, d'une nouvelle forme de trajectoire: de gaga à eau [prononcé water en anglais].
(Audio) Baby: Gagagagagaga Gaga gaga gaga guga guga guga wada gaga gaga guga gaga wader guga guga water water water water water water water water water.
(Audio) Bébé: Gagagagagaga Gaga gaga gaga guga guga guga wada gaga gaga guga gaga wader guga guga water water water water water water water water water.
DR: He sure nailed it, didn't he.
DR: Il a bien réussi, n'est-ce pas ?
(Applause)
(Applaudissements)
So he didn't just learn water. Over the course of the 24 months, the first two years that we really focused on, this is a map of every word he learned in chronological order. And because we have full transcripts, we've identified each of the 503 words that he learned to produce by his second birthday. He was an early talker. And so we started to analyze why. Why were certain words born before others? This is one of the first results that came out of our study a little over a year ago that really surprised us. The way to interpret this apparently simple graph is, on the vertical is an indication of how complex caregiver utterances are based on the length of utterances. And the [horizontal] axis is time.
Il n'a pas seulement appris à dire eau. Pendant les 24 mois, les 2 ans, sur lesquels nous nous sommes réellement concentrés, voici une liste de tous les mots qu'il a appris par ordre chronologique. Parce que nous avons les transcriptions complètes, nous avons identifié chacun des 503 mots qu'il a appris à prononcer avant son second anniversaire. Il a été un parleur précoce. Nous avons donc commencé à analyser pourquoi. Pourquoi certains mots sont-ils apparus avant d'autres? C'est un des premier résultat produit dans notre étude il y a un peu plus d'un an qui nous ai réellement surpris. La manière de lire ce graphe apparemment simple est d'y voir verticalement une indication de la complexité de l'expression des adultes à proximité basée sur la longueur des mots. L'axe horizontal est le temps.
And all of the data, we aligned based on the following idea: Every time my son would learn a word, we would trace back and look at all of the language he heard that contained that word. And we would plot the relative length of the utterances. And what we found was this curious phenomena, that caregiver speech would systematically dip to a minimum, making language as simple as possible, and then slowly ascend back up in complexity. And the amazing thing was that bounce, that dip, lined up almost precisely with when each word was born -- word after word, systematically. So it appears that all three primary caregivers -- myself, my wife and our nanny -- were systematically and, I would think, subconsciously restructuring our language to meet him at the birth of a word and bring him gently into more complex language. And the implications of this -- there are many, but one I just want to point out, is that there must be amazing feedback loops. Of course, my son is learning from his linguistic environment, but the environment is learning from him. That environment, people, are in these tight feedback loops and creating a kind of scaffolding that has not been noticed until now.
Toutes les données, nous les avons alignées en nous basant sur le principe suivant: chaque fois que mon fils apprend un mot, nous rembobinons et analysons le langage qu'il a entendu qui contenait ce mot. Nous affichons la longueur relative des mots. Et nous avons découvert un phénomène curieux: le discours des adultes se réduit systématiquement à un minimum, rendant le langage aussi simple que possible, puis progressivement revient à sa complexité initiale. Ce qu'il y avait d'étonnant, ce rebond, ce creux, était quasiment précisément aligné avec le moment où chaque mot est né -- mot après mot, systématiquement. Il semble donc que tous ces adultes directement en contact -- moi, ma femme et notre nounou -- étions systématiquement et, je pense, subconsciemment entrain de restructurer notre langage pour se mettre à son niveau à la naissance du mot et doucement le faire progresser vers un langage plus complexe. Une implication de cela -- il y en a de nombreuses, mais une que je veux mettre en avant, c'est qu'il doit y avoir une incroyable boucle de rétro-action. Bien entendu, mon fils apprend à partir de son environnement linguistique, mais l'environnement apprend de lui. L'environnement, les gens, sont dans cette boucle de rétro-action et créent une sorte d’échafaudage qui n'avait pas été remarqué jusqu'à présent.
But that's looking at the speech context. What about the visual context? We're not looking at -- think of this as a dollhouse cutaway of our house. We've taken those circular fish-eye lens cameras, and we've done some optical correction, and then we can bring it into three-dimensional life. So welcome to my home. This is a moment, one moment captured across multiple cameras. The reason we did this is to create the ultimate memory machine, where you can go back and interactively fly around and then breathe video-life into this system. What I'm going to do is give you an accelerated view of 30 minutes, again, of just life in the living room. That's me and my son on the floor. And there's video analytics that are tracking our movements. My son is leaving red ink. I am leaving green ink. We're now on the couch, looking out through the window at cars passing by. And finally, my son playing in a walking toy by himself.
Mais ce n'est que la vision du contexte de parole. Qu'en est-il du contexte visuel ? Nous ne regardons pas -- imaginez ça comme une coupe de maison de poupée de notre maison. Nous avons pris ces lentilles de caméra circulaires en œil de poisson utilisé un peu de correction optique, et nous pouvons ensuite le transformer en modèle tri-dimensionnel. Bienvenu chez moi. Voici un instant, un instant capturé à travers plusieurs caméras. La raison derrière cela est de créer la machine à souvenir ultime, avec laquelle il est possible de rembobiner et de se mouvoir à volonté dans la pièce et d’insuffler une vie digitale à ce système. Ce que je vais faire, c'est vous donner une vue accélérée de 30 minutes, de nouveau, de la vie de tous les jours dans le salon. C'est moi et mon fils par terre. Il y a l'analyse vidéo qui suit nos mouvements. Mon fils laisse une traînée rouge, je laisse une traînée verte. Nous sommes maintenant sur le canapé, on regarde à travers les vitres les voitures qui passent à l'extérieur. Enfin, mon fils qui s'amuse tout seul dans un déambulateur.
Now we freeze the action, 30 minutes, we turn time into the vertical axis, and we open up for a view of these interaction traces we've just left behind. And we see these amazing structures -- these little knots of two colors of thread we call "social hot spots." The spiral thread we call a "solo hot spot." And we think that these affect the way language is learned. What we'd like to do is start understanding the interaction between these patterns and the language that my son is exposed to to see if we can predict how the structure of when words are heard affects when they're learned -- so in other words, the relationship between words and what they're about in the world.
Maintenant, on arrête le temps, 30 minutes, on met le temps sur l'axe vertical, et on étend la vue pour afficher les traînées d'interaction que nous avons déposées. Et on découvre ces structures incroyables -- ces petits noeuds de fils bicolores qu'on appelle les points chauds sociaux. Le fil spiralé on l'appelle un point chaud solitaire. On pense que cela affecte la manière dont le langage est appris. Ce qu'on souhaite faire c'est essayer de comprendre les relations entre ces motifs et le langage auquel mon fils est exposé pour voir si on peut prévoir comment la structure du contexte d'écoute du mot a un effet sur l'apprentissage -- en d'autres mots, la relation entre les mots et ce qu'ils désignent dans l'environnement.
So here's how we're approaching this. In this video, again, my son is being traced out. He's leaving red ink behind. And there's our nanny by the door.
Donc voilà notre démarche. Dans cette vidéo, de nouveau, mon fils laisse une trace. Il laisse de l'encre rouge derrière lui. Et il y a notre nounou à la porte.
(Video) Nanny: You want water? (Baby: Aaaa.) Nanny: All right. (Baby: Aaaa.)
(Vidéo) Nounou: Tu veux de l'eau? (Bébé: Aaaaa.) Nounou: Très bien. (Bébé: Aaaa.)
DR: She offers water, and off go the two worms over to the kitchen to get water. And what we've done is use the word "water" to tag that moment, that bit of activity. And now we take the power of data and take every time my son ever heard the word water and the context he saw it in, and we use it to penetrate through the video and find every activity trace that co-occurred with an instance of water. And what this data leaves in its wake is a landscape. We call these wordscapes. This is the wordscape for the word water, and you can see most of the action is in the kitchen. That's where those big peaks are over to the left. And just for contrast, we can do this with any word. We can take the word "bye" as in "good bye." And we're now zoomed in over the entrance to the house. And we look, and we find, as you would expect, a contrast in the landscape where the word "bye" occurs much more in a structured way. So we're using these structures to start predicting the order of language acquisition, and that's ongoing work now.
DR: Elle lui propose de l'eau, et voilà les deux limaces qui vont chercher de l'eau à la cuisine. Ce qu'on a fait, c'est d'utiliser le mot "eau" pour tagguer ce moment, cette activité. Maintenant on utilise la puissance des données et on prend chaque instant où mon fils a entendu le mot eau et le contexte où cela c'est produit. On l'utilise pour traverser la vidéo et trouver toutes les traces d'activité qui correspondent à une occurrence de eau. Ces paroles laissent dans leurs sillages un panorama. On appelle ces formes des paro-namas. Voici le paronama pour le mot eau. Vous pouvez constater que la majorité de l'action se situe dans la cuisine. C'est là que sont ces grands pics tout à gauche. Juste pour le contraste, nous pouvons faire ça avec n'importe quel mot. Nous pouvons prendre le mot "bye" utilisé dans "good bye" (au revoir). On s'est maintenant rapproché de l'entrée de la maison. On se rend compte, comme on s'y attend, qu'il y a un contraste dans le panorama là où le mot "bye" est prononcé de manière plus structurée. On utilise donc ces structures pour commencer à prévoir l'ordre d'acquisition du langage. C'est un travail que nous sommes entrain de mener.
In my lab, which we're peering into now, at MIT -- this is at the media lab. This has become my favorite way of videographing just about any space. Three of the key people in this project, Philip DeCamp, Rony Kubat and Brandon Roy are pictured here. Philip has been a close collaborator on all the visualizations you're seeing. And Michael Fleischman was another Ph.D. student in my lab who worked with me on this home video analysis, and he made the following observation: that "just the way that we're analyzing how language connects to events which provide common ground for language, that same idea we can take out of your home, Deb, and we can apply it to the world of public media." And so our effort took an unexpected turn.
Dans mon labo, où nous nous trouvons maintenant, au MIT -- c'est le labo média. C'est devenu ma manière favorite d'enregistrer n’importe quel type d'espace. 3 des personnes clés dans ce projet, Philip DeCamp, Rony Kubat et Brandon Roy sont présent ici. Philip a été un collaborateur précieux sur toutes les visualisations que vous voyez. Michael Fleischman était un autre doctorant de mon labo qui travaillait avec moi sur l'analyse de cette vidéo domestique. Il m'a fait la remarque suivante: "La manière dont on analyse comment le langage s'articule avec les évènements qui fournissent une fondation à la langue, la même idée peut être transposée hors de ta maison, Deb, et on peut l'appliquer au monde des médias publics." Nos efforts ont donc pris un tour inattendu.
Think of mass media as providing common ground and you have the recipe for taking this idea to a whole new place. We've started analyzing television content using the same principles -- analyzing event structure of a TV signal -- episodes of shows, commercials, all of the components that make up the event structure. And we're now, with satellite dishes, pulling and analyzing a good part of all the TV being watched in the United States. And you don't have to now go and instrument living rooms with microphones to get people's conversations, you just tune into publicly available social media feeds.
Pensez aux média de masse comme donnant une base commune. et vous avez la recette pour exporter cette idée vers un tout nouvel horizon. Nous avons commencé à analyser le contenu de la télévision en utilisant les mêmes principes -- analyser la structure des évènements d'un signal TV -- épisodes de séries, publicités, tous les composants de la structure des évènements. Nous voilà, avec des paraboles satellites, captant et analysant une bonne partie des programmes TV diffusés aux États-Unis. Il n'est plus nécessaire d'aller équiper des salons avec des microphones pour obtenir des conversations, il suffit de se brancher sur les ondes des médias sociaux publics.
So we're pulling in about three billion comments a month, and then the magic happens. You have the event structure, the common ground that the words are about, coming out of the television feeds; you've got the conversations that are about those topics; and through semantic analysis -- and this is actually real data you're looking at from our data processing -- each yellow line is showing a link being made between a comment in the wild and a piece of event structure coming out of the television signal. And the same idea now can be built up. And we get this wordscape, except now words are not assembled in my living room. Instead, the context, the common ground activities, are the content on television that's driving the conversations. And what we're seeing here, these skyscrapers now, are commentary that are linked to content on television. Same concept, but looking at communication dynamics in a very different sphere.
On extrait donc environ trois milliards de commentaires par mois. Et la magie se produit. Voici la structure des évènements, la base de ce dont parlent les mots, extraits de la télévision. Vous avez les conversations qui concernent ces sujets. Par l'analyse sémantique -- et vous voyez d'ailleurs de vraies données ici, traitées par nos soins -- chaque ligne jaune montre un lien fait entre un commentaire sauvage et un élément de la structure des évènements issue du signal télévisé. La même idée peut maintenant être développée. On obtient ce paronama, sauf qu'ici les mots ne s'assemblent pas dans mon salon. À la place, le contexte, l'activité commune à la base, c'est le contenu télévisé qui sous-tend les conversations. Ce que vous voyez là, ces gratte-ciels, sont des commentaires liés à du contenu télévisuel. Même concept, mais nous regardons la dynamique des communications dans une sphère très différente.
And so fundamentally, rather than, for example, measuring content based on how many people are watching, this gives us the basic data for looking at engagement properties of content. And just like we can look at feedback cycles and dynamics in a family, we can now open up the same concepts and look at much larger groups of people. This is a subset of data from our database -- just 50,000 out of several million -- and the social graph that connects them through publicly available sources. And if you put them on one plain, a second plain is where the content lives. So we have the programs and the sporting events and the commercials, and all of the link structures that tie them together make a content graph. And then the important third dimension. Each of the links that you're seeing rendered here is an actual connection made between something someone said and a piece of content. And there are, again, now tens of millions of these links that give us the connective tissue of social graphs and how they relate to content. And we can now start to probe the structure in interesting ways.
Fondamentalement, plutôt que, par exemple, mesurer le contenu par le nombre de personnes qui le regardent, on obtient les données de base pour regarder la capacité à susciter des commentaires du contenu. De la même manière qu'on a étudié les boucles de retour et la dynamique au sein d'une famille, nous pouvons étendre les même concepts et observer une population bien plus grande. Voici un sous-ensemble des données de notre base de données -- à peine 50 000 parmi plusieurs millions -- et le graphe social qui les connecte à travers des ressources publiques. Si vous les mettez sur une plaine, les contenus vivent sur une seconde plaine. On a donc les programmes et les évènements sportifs et les pubs, et tous les liens qui les relient créent le graphe des contenus. Ensuite, la 3ème dimension. Chacun des liens qui sont affichés ici représente une connexion faite entre ce que quelqu'un a dit et un élément de contenu. De nouveau, il y a des dizaines de millions de liens qui forment le tissu de connexions du graphe social et de leur rapport au contenu. On peut alors commencer à étudier la structure de manière intéressante.
So if we, for example, trace the path of one piece of content that drives someone to comment on it, and then we follow where that comment goes, and then look at the entire social graph that becomes activated and then trace back to see the relationship between that social graph and content, a very interesting structure becomes visible. We call this a co-viewing clique, a virtual living room if you will. And there are fascinating dynamics at play. It's not one way. A piece of content, an event, causes someone to talk. They talk to other people. That drives tune-in behavior back into mass media, and you have these cycles that drive the overall behavior.
Donc, par exemple, si on trace le chemin d'un élément de contenu que quelqu'un commente, et que l'on suit le cheminement du commentaire, et que l'on regarde le graphe sociale qui est activé dans sa globalité et que l'on revient en arrière pour voir les relations entre ce graphe social et les contenus, une structure très intéressante apparaît. Nous l’appelons le groupe de co-visionnage, une salon virtuel si vous préférez. Les dynamiques mises en jeu sont fascinantes. Ce n'est pas à sens-unique. Un contenu, un évènement, faut que quelqu'un en parle. Ils en parlent à d'autres personnes. Qui entraîne les médias de masse dans un comportement d'écoute et vous avez ces cycles qui entraînent ce comportement généralisé.
Another example -- very different -- another actual person in our database -- and we're finding at least hundreds, if not thousands, of these. We've given this person a name. This is a pro-amateur, or pro-am media critic who has this high fan-out rate. So a lot of people are following this person -- very influential -- and they have a propensity to talk about what's on TV. So this person is a key link in connecting mass media and social media together.
Un autre exemple -- très différent -- une autre personne dans notre base de données -- et nous en trouvons des centaines, voire des milliers, comme elle. Nous avons donné un nom à cette personne. C'est un pro-amateur, ou pro-am, un critique des médias qui a ce taux de dispersion élevé. De nombreuses personnes suivent cette personne -- très influente -- et elles ont une propension à parler de ce qui se passe à la télé. Cette personne est donc un maillon clé pour connecter les médias de masse et les médias sociaux.
One last example from this data: Sometimes it's actually a piece of content that is special. So if we go and look at this piece of content, President Obama's State of the Union address from just a few weeks ago, and look at what we find in this same data set, at the same scale, the engagement properties of this piece of content are truly remarkable. A nation exploding in conversation in real time in response to what's on the broadcast. And of course, through all of these lines are flowing unstructured language. We can X-ray and get a real-time pulse of a nation, real-time sense of the social reactions in the different circuits in the social graph being activated by content.
Un dernier exemple de ces données: parfois, c'est un contenu qui est spécial. Si vous allez regarder ce contenu, le discours sur l'état de l'Union du Président Obama qui a eu lieu la semaine dernière, et si vous regardez ce que l'on trouve dans le même jeu de données, à la même échelle, la capacité à susciter des commentaires de ce contenu est véritablement remarquable. Un nation entière qui discute en temps réel en réponse à ce qui est diffusé. Bien sûr, toutes ces lignes sont parcourues par du langage non structuré. Nous pouvons radiographier et obtenir le pouls de la nation en temps réel, une mesure en temps réel des réactions sociales dans les différents circuits du graphe social qui sont activés par le contenu.
So, to summarize, the idea is this: As our world becomes increasingly instrumented and we have the capabilities to collect and connect the dots between what people are saying and the context they're saying it in, what's emerging is an ability to see new social structures and dynamics that have previously not been seen. It's like building a microscope or telescope and revealing new structures about our own behavior around communication. And I think the implications here are profound, whether it's for science, for commerce, for government, or perhaps most of all, for us as individuals.
Donc, pour résumer, l'idée est : alors que notre monde devient de plus en plus instrumenté et que nous avons la possibilité de récupérer et de connecter les points entre ce que les gens disent et le contexte dans lequel ils le disent, ce qui émerge est une capacité à observer des structures sociales et des dynamiques nouvelles que nous n'avions pas vu auparavant. C'est comme créer un microscope ou un téléscope et faire apparaître de nouvelles structures décrivant notre propre comportement par rapport à la communication. Je pense que les implications sont profondes, que ce soit pour la science, pour le commerce, pour le gouvernement, ou peut-être plus encore, pour nous en tant qu'individu.
And so just to return to my son, when I was preparing this talk, he was looking over my shoulder, and I showed him the clips I was going to show to you today, and I asked him for permission -- granted. And then I went on to reflect, "Isn't it amazing, this entire database, all these recordings, I'm going to hand off to you and to your sister" -- who arrived two years later -- "and you guys are going to be able to go back and re-experience moments that you could never, with your biological memory, possibly remember the way you can now?" And he was quiet for a moment. And I thought, "What am I thinking? He's five years old. He's not going to understand this." And just as I was having that thought, he looked up at me and said, "So that when I grow up, I can show this to my kids?" And I thought, "Wow, this is powerful stuff."
Donc juste pour revenir à mon fils, quand je préparais cette conférence, il regardait par dessus mon épaule. Je lui ai montré les vidéos que j'avais l'intention de vous montrer aujourd'hui. Je lui ai demandé sa permission -- accordée. Et je me suis remis à réfléchir, "N'est-ce pas étonnant, cette base de données, tous ces enregistrements, que je vais vous transmettre à toi et à ta soeur," qui est venue au monde deux ans plus tard. "Et vous allez être capables de rembobiner et de re-vivre des moments dont vous ne pourriez jamais, avec votre mémoire biologique, vous rappeler comme vous le pouvez aujourd'hui." Il n'a rien dit pendant un moment. Je me suis dit, "A quoi je pense ? Il a cinq ans. Il ne peux pas comprendre tout ça." Alors même que cette pensée me traversait l'esprit, il a levé la tête et dit, "Alors quand je grandirai, je pourrai montrer ça à mes enfants?" Je me suis dit, "Wow, c'est un truc puissant."
So I want to leave you with one last memorable moment from our family. This is the first time our son took more than two steps at once -- captured on film. And I really want you to focus on something as I take you through. It's a cluttered environment; it's natural life. My mother's in the kitchen, cooking, and, of all places, in the hallway, I realize he's about to do it, about to take more than two steps. And so you hear me encouraging him, realizing what's happening, and then the magic happens. Listen very carefully. About three steps in, he realizes something magic is happening, and the most amazing feedback loop of all kicks in, and he takes a breath in, and he whispers "wow" and instinctively I echo back the same. And so let's fly back in time to that memorable moment.
Je voudrais vous quitter avec un dernier moment mémorable pour notre famille. Voici la première fois que notre fils a fait plus de deux pas à la suite -- capturé en vidéo. Je veux vraiment que vous vous concentriez sur quelque chose pendant que je vous montre cela. C'est un environnement encombré; c'est la vie à l'état naturel. Ma mère est dans la cuisine, entrain de préparer à manger, et, dans le couloir parmi tous les lieux, je me rends compte qu'il est sur le point d'y arriver, de faire deux pas d'affilée. Et donc vous m'entendez, je l'encourage, je me rends compte de ce qui se passe, et ensuite la magie se produit. Ecoutez attentivement. Après trois pas, il réalise que quelque chose de magique se produit. Et la boucle de retour la plus extraordinaire prends le dessus, il inspire, et il soupire "wow" et instinctivement je réponds la même chose. Remontons donc dans le temps vers ce moment mémorable.
(Video) DR: Hey. Come here. Can you do it? Oh, boy. Can you do it? Baby: Yeah. DR: Ma, he's walking.
(Vidéo) DR: Hey. Viens là. Tu peux le faire ? Mon grand. Tu peux le faire ? Bébé: Yeah. DR: 'mam, il marche.
(Laughter)
(Rire)
(Applause)
(Applaudissements)
DR: Thank you.
DR: Merci.
(Applause)
(Applaudissements)