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.
Stel je voor dat je je leven kunt opnemen -- alles wat je zei, alles wat je deed, allemaal beschikbaar in een perfecte geheugenbank onder handbereik, zodat je terug zou kunnen om belangrijke momenten terug te vinden en te herleven, of om door de tijd te graven en patronen in je eigen leven te ontdekken die daarvoor verborgen zouden zijn gebleven. Dat is nou precies de reis waar mijn familie aan begon 5,5 jaar geleden. Dit is mijn vrouw en partner, Rupal. Op deze dag, op dit moment liepen we ons huis binnen met ons eerste kind, onze prachtige jongen. We liepen een huis binnen met een heel bijzonder videosysteem.
(Video) Man: Okay.
(Video) Man: 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: Dit moment en duizenden andere van onze speciale momenten werden opgenomen in ons huis omdat je in elke kamer van het huis, als je naar boven zou kijken, een camera en een microfoon zou zien, en als je naar beneden zou kijken, krijg je een beeld van de kamer in vogelvlucht. Dit is onze woonkamer, de babykamer, keuken, eetkamer en de rest van het huis. Dit alles kwam terecht op een opslagsysteem dat was ingericht voor continue opname. Hier gieren we door een dag in ons huis, van de zonovergoten morgen via de gloeiende avond tot uiteindelijk de lichten doven voor de dag. In een periode van 3 jaar namen we 8 tot 10 uur per dag op, wat in totaal een kwart miljoen uur multi-track audio en video oplevert.
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.
Hier hebben we dus verreweg de grootste collectie home-video's die ooit werd gemaakt. (Gelach) En wat deze data hebben betekend voor onze familie op een persoonlijk niveau -- het effect is nu al immens en we leren steeds meer over de waarde. Ontelbare momenten van spontane natuurlijke momenten, ongeposeerd, zijn hier vastgelegd en de beginnen te leren hoe we ze moeten vinden.
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.
Maar er is ook een wetenschappelijke reden achter dit project, namelijk om met deze natuurlijke langlopende datastroom het proces te begrijpen waarmee een kind taal leert -- dat kind is dus mijn zoon. Zo gingen we met alle zorg voor de privacy van iedereen die werd opgenomen in de data aan de slag om delen van de data beschikbaar te stellen voor mijn vertrouwde onderzoeksteam aan MIT zodat we langzaam patronen konden gaan ontwarren in deze enorme dataset om te proberen te begrijpen hoe de sociale omgeving taalverwerving beïnvloedt. Hier kijken we naar een van de eerste dingen die we hebben gedaan. Hier maken mijn vrouw en ik ontbijt in de keuken. En terwijl we door ruimte en tijd gaan zien we een dagelijks levenspatroon in de keuken.
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.
Om dit om te zetten, die ondoorzichtige 90.000 uur video, in iets waar je iets in kunt onderscheiden gebruiken we beweginganalyse om terwijl we door ruimte en tijd bewegen zogenoemde ruimte-tijdwormen eruit te halen. Dit is een onderdeel geworden van onze toolkit om te kunnen zien waar de activiteiten zich in de data bevinden, en daarmee het patroon te herkennen, vooral wanneer mijn zoon door het huis beweegt, zodat we ons transcriptiewerk vooral konden richten op de spraakomgeving van mijn zoon -- alle woorden die hij van mij, mijn vrouw of de nanny hoorde, en de woorden die hij na verloop van tijd ging vormen. Met die technologie en die data en de mogelijkheid om met hulp van een machine spraak te transcriberen, hebben we nu een transcriptie van ruim zeven miljoen woorden uit het transcript van thuis. Dat gezegd zijnde, laat me jullie meenemen op een eerste rondgang door de data.
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.
Jullie hebben vast allemaal weleens een time-lapse video gezien waarin een bloem gaat bloeien terwijl de tijd versnelt. Ik wil jullie nu graag laten ervaren hoe een spraakvorm gaat bloeien. Kort na zijn eerste verjaardag ging mijn zoon "gaga" zeggen als hij water bedoelde. In de loop van de volgende zes maanden leerde hij langzaam de volwassen vorm van het woord te benaderen, "water". We gaan vliegen dus door een half jaar in ongeveer 40 seconden. Er is geen video hier, zodat je kunt concentreren op het geluid, de klankwereld, een nieuw soort overgang: gaga naar water.
(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) 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.
DR: He sure nailed it, didn't he.
DR: Uiteindelijk lukt het, toch?
(Applause)
(Applaus)
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.
Maar hij leerde niet alleen water. In die 24 maanden, de eerste twee jaar waar we ons vooral op richtten, is dit een kaart van alle woorden die hij leerde, in chronologische volgorde. Omdat we volledige transcripten hebben, hebben we elk van de 503 woorden herkend die hij rond zijn tweede verjaardag had leren zeggen. Hij begon snel met praten en daarom gingen we analyseren waarom. Waarom worden sommige woorden eerder geboren dan andere? Dit is een van de eerste resultaten die uit onze studie van ruim een jaar geleden naar voren kwamen die ons erg verbaasden. Je moet dit op het oog simpele beeld zo interpreteren: op de verticale as staat een indicatie van hoe complex de uitingen van de verzorger zijn gebaseerd op de lengte van die uitingen. En de verticale as is de tijd.
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.
Al deze data werden geordend volgens dit idee: elke keer dat mijn zoon een woord leerde, gingen we terug om te kijken naar alle taal die hij had gehoord waar dat woord in voorkwam. Daarna zetten we de relatieve lengte van de uitingen uit. Toen vonden we dit opmerkelijke fenomeen: het spreken van de verzorger daalde systematisch tot een minimum, de taal werd zo simpel mogelijk gemaakt om vervolgens langzaam weer complexer te worden. Het verrassende was dat die hobbel, die dip, telkens vrijwel precies samenviel met het moment dat een nieuw woord werd geboren -- woord na woord, elke keer opnieuw. Het lijkt er dus op dat alle drie de verzorgers -- ikzelf, mijn vrouw en onze nanny -- systematisch, en ik denk onderbewust, onze taal zo indeelden om bij hem te zijn bij de geboorte van een woord en hem zachtjes mee te nemen naar meer complexe taal. De implicaties hiervan -- er zijn er vele, maar ik wil er graag een benoemen -- is dat er steeds geweldig veel feedback plaatsvindt. Natuurlijk, mijn zoon leert van zijn linguïstische omgeving, maar die omgeving leert van hem. Die omgeving, mensen, zijn gevangen in een proces van feedback en scheppen zo een soort steigerwerk dat tot nu toe nog niet was opgemerkt.
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.
Tot zover onze blik op de spraakcontext. Hoe zit het met de beeldcontext? We kijken niet naar -- zie dit als een poppenhuisblik in ons huis. We namen camera's met van die fish-eye lenzen en na wat optische correctie kunnen we het driedimensionaal tot leven brengen. Welkom bij mij thuis. Dit is een moment, een moment dat verschillende camera's hebben opgenomen. We deden dit om de ultieme geheugenmachine te maken, waarin je terug kan en interactief kan rondvliegen en dan videoleven kunt toevoegen aan dit systeem. Ik ga jullie een versneld beeld laten zien van 30 minuten, opnieuw, gewoon het leven in de woonkamer. Dat ben ik met mijn zoon op de grond. En hier zijn analysegegevens in de video die onze bewegingen volgen. Mijn zoon laat een rood spoor achter, ik een groen spoor. Hier zitten we op de bank en we kijken uit het raam naar passerende auto's. Aan het einde speelt mijn zoon zelf in een loopspeelgoed.
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.
Nu zetten we de actie stil, 30 minuten, we zetten de tijd op de verticale as, en we krijgen een blik op de interactiesporen die we net hebben achtergelaten. We zien dit soort geweldige structuren -- deze kleine knooppunten van gekleurde draden die we sociale hotspots noemen. Dit spiraalvormige draadje noemen we een solo hotspot. We denken dat deze een invloed hebben op het aanleren van taal. We willen graag inzicht verwerven in de interactie tussen deze patronen en de taal waar mijn zoon mee in aanraking komt om te zien of we kunnen voorspellen hoe de structuur waarin een woord wordt gehoord een invloed heeft op het leermoment -- in andere woorden, de relatie tussen woorden en wat ze betekenen in de wereld.
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.
Dat doen we op deze manier. In deze video zie je opnieuw de sporen van mijn zoon. Hij laat een rood inktspoor achter. Daar bij de deur is onze nanny.
(Video) Nanny: You want water? (Baby: Aaaa.) Nanny: All right. (Baby: Aaaa.)
(Video) Nanny: Wil je water? (Baby: Aaaa.) Nanny: Goed. (Baby: 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: Ze biedt hem water en daar gaan de twee wormpjes, op naar de keuken om water te halen. Hier hebben we het woord "water" gebruikt om dat moment, die activiteit te markeren. Nu nemen we de kracht van data en bekijken we elke keer dat mijn zoon het woord water heeft gehoord en de context waarin hij het tegenkwam, dat gebruiken we om in de video door te dringen en elk spoor van activiteiten te vinden dat samenviel met een moment dat "water" viel. De data laten in hun kielzog een landschap achter. Dat noemen we een woordenlandschap. Dit is een woordenlandschap voor het woord "water", en je ziet dat de meeste actie in de keuken plaatsvindt. Daar zie je die hoge pieken aan de linkerkant. En als contrast kunnen we dat met elk woord doen. We kunnen kijken naar het woord "bye" als in "good bye". Hier zoomen we in op de voordeur van het huis. En inderdaad, zoals te verwachten vinden we een contrast in het landschap waar het woord "bye" veel gestructureerder verschijnt. We gebruiken deze structuren om voorspellingen te doen over de volgorde van taalverwerving, en dat werk is nu in volle gang.
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.
In mijn lab, waar we nu in kijken, aan MIT -- dit is het medialab. Dit is mijn favoriete manier geworden om zowat elke ruimte op video vast te leggen. Drie van de belangrijkste mensen in dit project, Philip DeCap, Rony Kubat en Brandon Roy, staan hier op de foto. Philip heeft intensief met mij gewerkt aan alle visualisaties die jullie zien. En Michael Fleischman was een andere doctorsstudent in mijn lab die met me heeft gewerkt aan de analyse van de video's. Hij merkte het volgende op: "Net zoals we analyseren hoe taal verbonden is met gebeurtenissen die een bodem vormen onder taal, zo kunnen we dat idee uit jouw huis, Deb, ook gebruiken in de wereld van openbare media." Toen nam ons onderzoek een onverwachte draai.
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.
Denk aan massamedia als een soort bodem en je hebt het recept om dit idee op een heel andere manier in te zetten. We begonnen televisiecontent te analyseren op basis van dezelfde principes -- een analyse van de gebeurtenissenstructuur van wat op tv is -- afleveringen van series, commercials, alle componenten die een gebeurtenissenstructuur bepalen. Dankzij satellietschotels bekijken en analyseren we nu een groot deel van wat in de Verenigde Staten op tv is. Het is tegenwoordig niet meer nodig om huiskamers uit te rusten met microfoons om de gespreken van mensen op te nemen, het volstaat om te kijken naar openbare sociale media.
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.
We verzamelen zo'n 3 miljard reacties per maand. En dan gebeurt het. Je hebt de gebeurtenissenstructuur, de bodem onder de betekenis van woorden, vanuit de stroom op televisie; je hebt de conversaties over deze onderwerpen en door semantische analyse -- nu kijken jullie trouwens naar echte data uit onze gegevensanalyse -- elke gele lijn duidt op een gemaakte link tussen een reactie in het wild en een stukje uit de gebeurtenissenstructuur van de televisiestroom. Hetzelfde idee kan nu worden opgebouwd. We krijgen dit woordenlandschap, maar nu worden woorden niet in mijn woonkamer in elkaar gezet. In plaats daarvan wordt de context, de basisactiviteit bepaald door de content op televisie die de conversaties aanjaagt. Hier zien we deze wolkenkrabbers, dat zijn reacties die zijn gekoppeld aan content op televisie. Hetzelfde concept, maar dan gericht op de dynamiek van communicatie in een totaal andere omgeving.
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.
In plaats van bijvoorbeeld content te meten op basis van hoeveel mensen kijken, krijgen we hier de basisgegevens over hoe content tot interactie leidt. Net zoals we kunnen kijken naar de uitwisseling van feedback en de dynamiek in een gezin kunnen we nu dezelfde concepten wijder maken en kijken naar een veel grotere groep mensen. Dit is een subset van gegevens uit onze database -- slechts 50.000 van enkele miljoenen -- en het sociale beeld dat ze bindt via openbaar beschikbare bronnen. Als je die in één vlak plaatst, staat de content in een tweede vlak. De programma's en de sportevenementen en de commercials en alle verbindende structuren ertussen maken samen een contentplaatje. En dan de belangrijke derde dimensie. Elke koppeling die jullie hier weergegeven zien is een werkelijke verbinding tussen iets wat iemand heeft gezegd en een brokje content. Er zijn, opnieuw, tientallen miljoenen van dit soort links die een web van sociale beelden opleveren en hoe ze zich verhouden tot de content. Nu kunnen we de structuur gaan onderzoeken op interessante manieren.
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.
Als we bijvoorbeeld een pad tekenen van een brokje content dat iemand inspireerde om erop te reageren, en dan volgen waar die reactie heen gaat om vervolgens te kijken naar de complete sociale grafiek die wordt geactiveerd en terug te gaan naar de relatie tussen de sociale grafiek en de content, dan wordt een interessante structuur zichtbaar. Die noemen we een "samen kijkend groepje", een virtuele woonkamer als het ware. Hier is een fascinerende dynamiek gaande. Het is geen eenrichtingsverkeer. Een brokje content, een gebeurtenis maakt dat iemand erover gaat praten. Die praat weer met anderen. Dit stimuleert weer dat men teruggaat naar de massamedia en je krijgt deze cycli die een algemeen gedrag sturen.
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.
Een ander voorbeeld -- heel anders -- van een andere persoon in onze database -- we vinden minstens honderden, zoniet duizenden hiervan. We hebben deze persoon een naam gegeven. Dit is een pro-amateur, of pro-am, mediacriticus die een hoog bereik heeft. Veel mensen volgen deze persoon dus -- hij is heel invloedrijk -- en ze hebben de neiging om te bespreken wat er op tv is. Deze persoon is dus een sleutelverbinding tussen de massamedia en de sociale media.
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.
Een laatste voorbeeld uit deze data: soms is een brokje content zelf bijzonder. Laten we teruggaan en kijken naar dit contentelement, de State of the Union van president Obama van slechts een paar weken geleden en kijken wat we vinden in dezelfde dataset, op dezelfde schaal: de bindingskenmerken van deze brok content zijn echt opmerkelijk. Een heel land explodeert in conversatie in real-time in reactie op wat er is uitgezonden. Natuurlijk, tussen al deze lijnen vloeit ongestructureerde taal. We kunnen een röntgenfoto nemen en in real-time de vinger aan de pols van een land houden, een real-time gevoel van de sociale reacties in verschillende circuits van het sociale plaatje die door de content worden geactiveerd.
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.
Als ik samenvat, is dit het idee: terwijl onze wereld steeds meer wordt bepaald door machines en we de mogelijkheid hebben om te verzamelen en de punten te verbinden tussen wat mensen zeggen en de context waarin ze het zeggen, zien we een mogelijkheid bovenkomen om nieuwe sociale structuren en dynamiek te zien die tot dan toe verborgen bleven. Het is alsof je een microscoop of telescoop bouwt en nieuwe structuren onthult over ons gedrag rond communicatie. Ik denk dat de gevolgen diepgaand zullen zijn, zowel voor de wetenschap, als voor de economie, voor de overheid of misschien nog wel het meest voor ons als 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."
Om terug te keren bij mijn zoon: toen ik dit praatje voorbereidde, keek hij mee over mijn schouder en ik liet hem de clips zien die ik jullie vandaag zou tonen, en ik vroeg hem om toestemming -- die kreeg ik. Toen bedacht ik me: "Is het niet geweldig, deze hele database, al deze opnames, die ga ik nalaten aan jou en aan je zus, die twee jaar later kwam. En jullie zullen terug kunnen gaan en momenten opnieuw kunnen beleven die je je nooit met je biologische geheugen zou kunnen herinneren zoals je dat nu kunt." Toen was hij een moment stil. En ik dacht: "Wat denk ik wel niet? Hij is vijf jaar. Hij begrijpt dit nog niet." En juist toen ik dat dacht, keek hij naar me op en zei hij: "Als ik later groot ben kan ik dit dus aan mijn kinderen laten zien?" Ik dacht: "Tjonge, dat is sterk."
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.
Ik wil jullie graag nog een gedenkwaardig moment meegeven uit onze familie. Dit is de eerste keer dat onze zoon meer dan twee stappen tegelijk nam -- vastgelegd op film. Ik wil graag dat jullie vooral op één ding letten als ik het jullie laat zien. De omgeving is rommelig, het is het echte leven. Mijn moeder is in de keuken aan het koken en in de gang, stel je ook voor, realiseer ik me dat hij het gaat doen, meer dan twee stappen tegelijk nemen. Je hoort mij hem dus aanmoedigen terwijl ik me realiseer wat er gebeurt, en dat komt het magische moment. Luister heel goed. Na ongeveer drie stappen realiseert hij zich dat het gebeurt. Dan komt de meest geweldige feedbackreactie van allemaal, hij neemt een diepe adem en fluistert "wauw" en op instinct doe ik hetzelfde. Laten we teruggaan in de tijd tot dat gedenkwaardige moment.
(Video) DR: Hey. Come here. Can you do it? Oh, boy. Can you do it? Baby: Yeah. DR: Ma, he's walking.
(Video): DR: Hey. Kom hier. Kun je het doen? Jongen toch. Kun je het? Baby: Ja. DR: Ma, hij loopt.
(Laughter)
(Gelach)
(Applause)
(Applaus)
DR: Thank you.
DR: Dank jullie wel.
(Applause)
(Applaus)