For the next 16 minutes, I'm going to take you on a journey that is probably the biggest dream of humanity: to understand the code of life.
במשך 16 הדקות הבאות, אני הולך לקחת אתכם למסע שהוא כנראה החלום הגדול ביותר של האנושות: להבין את הקוד של החיים.
So for me, everything started many, many years ago when I met the first 3D printer. The concept was fascinating. A 3D printer needs three elements: a bit of information, some raw material, some energy, and it can produce any object that was not there before.
אז בשבילי, הכל התחיל לפני שנים רבות מאוד. כשפגשתי את מדפסת התלת-מימד הראשונה. הרעיון היה מרתק. מדפסת תלת-מימד צריכה שלושה אלמנטים: קצת מידע, כמה חומר גלם, אנרגיה מסוימת, וזה יכול לייצר כל אובייקט שלא היה שם קודם.
I was doing physics, I was coming back home and I realized that I actually always knew a 3D printer. And everyone does. It was my mom.
עסקתי בפיזיקה, חזרתי הביתה והבנתי שאני בעצם תמיד הכרתי מדפסת תלת-מימד. וכל אחד מכיר. זו היתה אמא שלי.
(Laughter)
(צחוק)
My mom takes three elements: a bit of information, which is between my father and my mom in this case, raw elements and energy in the same media, that is food, and after several months, produces me. And I was not existent before.
לאמי נחוצים שלושה אלמנטים: קצת מידע, שהוא בין אבי ואמי במקרה זה, אלמנטים של גלם ואנרגיה באותה מדיה, זהו מזון. ולאחר כמה חודשים, מייצרת אותי. ולא הייתי קיים לפני כן.
So apart from the shock of my mom discovering that she was a 3D printer, I immediately got mesmerized by that piece, the first one, the information. What amount of information does it take to build and assemble a human? Is it much? Is it little? How many thumb drives can you fill?
אז מלבד ההלם של אמא שלי שמגלה שהיא מדפסת 3D, אני מייד הוקסמתי מדבר זה. הראשון, המידע. מהי כמות המידע הנחוצה לבנות ולהרכיב אדם? האם זה הרבה? האם מעט? כמה כוננים קשיחים אתם יכולים למלא?
Well, I was studying physics at the beginning and I took this approximation of a human as a gigantic Lego piece. So, imagine that the building blocks are little atoms and there is a hydrogen here, a carbon here, a nitrogen here. So in the first approximation, if I can list the number of atoms that compose a human being, I can build it. Now, you can run some numbers and that happens to be quite an astonishing number. So the number of atoms, the file that I will save in my thumb drive to assemble a little baby, will actually fill an entire Titanic of thumb drives -- multiplied 2,000 times. This is the miracle of life. Every time you see from now on a pregnant lady, she's assembling the biggest amount of information that you will ever encounter. Forget big data, forget anything you heard of. This is the biggest amount of information that exists.
ובכן, למדתי פיזיקה בהתחלה ולקחתי אומדן בקירוב זה של אדם כפיסת לגו ענקית. אז דמיינו שאבני הבניין הם אטומים קטנים ויש מימן כאן, פחמן כאן, חנקן כאן. אז באומדן בקירוב הראשון, אם אני יכול למנות את מספר האטומים שמרכיבים בן אדם, אני יכול לבנות את זה. כעת, אתם יכולים להריץ כמה מספרים וזה יהיה מספר די מדהים, אז מספר האטומים, הקובץ שאני אשמור בכונן הקשיח כדי להרכיב תינוק קטן, ימלא למעשה טיטאניק שלם של כוננים קשיחים, מוכפל פי אלפיים. זהו פלא החיים. בכל פעם, מעתה והלאה, שאתם רואים גברת בהריון, היא מרכיבה את כמות המידע הגדולה ביותר שתיתקלו בה אי פעם. שיכחו את הנתונים הרבים, שיכחו את כל מה ששמעתם עליו זוהי הכמות הגדולה ביותר של נתונים שקיימת.
(Applause)
(תשואות)
But nature, fortunately, is much smarter than a young physicist, and in four billion years, managed to pack this information in a small crystal we call DNA. We met it for the first time in 1950 when Rosalind Franklin, an amazing scientist, a woman, took a picture of it. But it took us more than 40 years to finally poke inside a human cell, take out this crystal, unroll it, and read it for the first time. The code comes out to be a fairly simple alphabet, four letters: A, T, C and G. And to build a human, you need three billion of them. Three billion. How many are three billion? It doesn't really make any sense as a number, right?
אבל הטבע, למרבה המזל, הרבה יותר חכם מפיזיקאי צעיר, ובארבעה מיליארד שנים, הצליח לארוז את המידע הזה בגביש קטן שאנו קוראים לו DNA. פגשנו אותו בפעם הראשונה ב-1950 כשרוזלינד פרנקלין, מדענית מדהימה, אישה, צילמה אותו. אבל זה לקח לנו יותר מ -40 שנים לתקוע לבסוף בתוך תא אנושי, להוציא את הגביש הזה, לגולל אותו, ולקרוא אותו בפעם הראשונה. הקוד מופיע כאלפבית פשוט למדי ארבע אותיות: ,A,T,C,ַַ & G וכדי לבנות אדם צריך שלושה מיליארד מהם. שלושה מיליארד. כמה הם שלושה מיליארד? זה לא באמת נראה כמו מספר הגיוני, נכון?
So I was thinking how I could explain myself better about how big and enormous this code is. But there is -- I mean, I'm going to have some help, and the best person to help me introduce the code is actually the first man to sequence it, Dr. Craig Venter. So welcome onstage, Dr. Craig Venter.
אז חשבתי איך יכולתי להסביר את עצמי טוב יותר כמה גדול וענק הוא קוד זה. אבל יש - אני מתכוון, הולכת להיות לי קצת עזרה, והאדם המתאים ביותר לעזור לי להציג את הקוד הוא למעשה האדם הראשון שערך רצף זה, ד"ר קרייג ונטר. אז ברוך הבא לבמה ד"ר קרייג ונטר.
(Applause)
(תשואות)
Not the man in the flesh, but for the first time in history, this is the genome of a specific human, printed page-by-page, letter-by-letter: 262,000 pages of information, 450 kilograms, shipped from the United States to Canada thanks to Bruno Bowden, Lulu.com, a start-up, did everything. It was an amazing feat.
לא האיש עצמו, אבל בפעם הראשונה בהיסטוריה, זה הגנום המבוקש של אדם מסוים, שמודפס דף אחר דף, אות אחר אות: 262,000 עמודים של מידע, 450 ק"ג, שנשלחו מארצות הברית לקנדה בזכות ברונו באודן, Lulu.com, חברת סטארט-אפ, עשתה הכל. זה היה הישג מדהים.
But this is the visual perception of what is the code of life. And now, for the first time, I can do something fun. I can actually poke inside it and read. So let me take an interesting book ... like this one. I have an annotation; it's a fairly big book. So just to let you see what is the code of life. Thousands and thousands and thousands and millions of letters. And they apparently make sense. Let's get to a specific part. Let me read it to you:
אבל זוהי התפיסה החזותית של מה הוא הקוד של חיים. ועכשיו, בפעם הראשונה, אני יכול לעשות משהו מהנה. אני יכול למעשה לנבור בתוכו ולקרוא. אז תנו לי לקחת ספר מעניין ... כמו זה. יש לי הערה; זה ספר די גדול. אז רק כדי שתוכלו לראות מהו הקוד של החיים. אלפים על אלפים ואלפים ומיליוני אותיות. והם כנראה הגיוניים. בואו ונגיע לחלק מסוים. תנו לי להקריא לכם אותו;
(Laughter)
(צחוק)
"AAG, AAT, ATA."
"AAG, AAT, ATA."
To you it sounds like mute letters, but this sequence gives the color of the eyes to Craig. I'll show you another part of the book. This is actually a little more complicated.
לכם זה נשמע כמו אותיות אילמות, אבל רצף זה נותן את צבע העיניים לקרייג. אני אראה לכם עוד חלק מהספר. זה למעשה קצת יותר מסובך.
Chromosome 14, book 132:
כרומוזום 14, בספר 132:
(Laughter)
(צחוק)
As you might expect.
כפי שהיה אפשר לצפות.
(Laughter)
(צחוק)
"ATT, CTT, GATT."
".ATT, CTT, GATT."
This human is lucky, because if you miss just two letters in this position -- two letters of our three billion -- he will be condemned to a terrible disease: cystic fibrosis. We have no cure for it, we don't know how to solve it, and it's just two letters of difference from what we are.
אדם זה הוא בר מזל, כי אם תפספסו רק 2 אותיות במיקום הזה -- שתי אותיות מתוך שלושת המיליארד שלנו -- הוא יהיה נידון למחלה איומה: סיסטיק פיברוזיס (בעברית: לַיֶּפֶת כִּיסְתִית). אין לנו תרופה לזה, אנחנו לא יודעים לרפא את זה, ורק שתי אותיות מבדילות בין מה שהננו.
A wonderful book, a mighty book, a mighty book that helped me understand and show you something quite remarkable. Every one of you -- what makes me, me and you, you -- is just about five million of these, half a book. For the rest, we are all absolutely identical. Five hundred pages is the miracle of life that you are. The rest, we all share it. So think about that again when we think that we are different. This is the amount that we share.
ספר נפלא, ספר אדיר, ספר אדיר שעזר לי להבין ולהראות לכם משהו די מדהים. כל אחד מכם -- מה שעושה אותי, אותי ואותכם, אותכם -- זם רק כחמישה מיליון מאלה, חצי ספר. באשר לשאר, כולנו זהים לחלוטין. חמש מאות עמודים הם נס החיים שהוא אתם. את השאר, כולנו חולקים. אז תחשבו על זה שוב כשאנחנו חושבים שאנחנו שונים. זוהי הכמות שאנו חולקים.
So now that I have your attention, the next question is: How do I read it? How do I make sense out of it? Well, for however good you can be at assembling Swedish furniture, this instruction manual is nothing you can crack in your life.
אז עכשיו כשקיבלתי את תשומת הלב שלכם, השאלה הבאה היא: איך אני קורא את זה? איך אני מוצא בזה היגיון? ובכן, עד כמה שתוכלו להיות טובים בהרכבת רהיטים שוודיים, את חוברת ההוראות הזו בחיים לא תוכלו לפצח.
(Laughter)
(צחוק)
And so, in 2014, two famous TEDsters, Peter Diamandis and Craig Venter himself, decided to assemble a new company. Human Longevity was born, with one mission: trying everything we can try and learning everything we can learn from these books, with one target -- making real the dream of personalized medicine, understanding what things should be done to have better health and what are the secrets in these books.
וכך, ב 2014, שני טדסטרים מפורסמים, פיטר דיאמנדיס וקרייג ונטר עצמו, החליטו לייסד חברה חדשה, "אריכות ימי אדם" נולדה, עם משימה אחת מנסים את כל מה שאנו יכולים לעשות ולומדים כל מה שאנו יכולים ללמוד מן הספרים האלה, במטרה אחת -- להגשים את החלום של רפואה אישית, להבין אילו דברים צריכים להיעשות כדי לזכות בבריאות טובה יותר ומה הם הסודות בספרים האלה.
An amazing team, 40 data scientists and many, many more people, a pleasure to work with. The concept is actually very simple. We're going to use a technology called machine learning. On one side, we have genomes -- thousands of them. On the other side, we collected the biggest database of human beings: phenotypes, 3D scan, NMR -- everything you can think of. Inside there, on these two opposite sides, there is the secret of translation. And in the middle, we build a machine. We build a machine and we train a machine -- well, not exactly one machine, many, many machines -- to try to understand and translate the genome in a phenotype. What are those letters, and what do they do? It's an approach that can be used for everything, but using it in genomics is particularly complicated. Little by little we grew and we wanted to build different challenges. We started from the beginning, from common traits. Common traits are comfortable because they are common, everyone has them.
צוות מדהים, 40 מדעני נתונים הרבה, הרבה יותר אנשים, שתענוג לעבוד איתם. הרעיון הוא למעשה מאוד פשוט. אנחנו הולכים להשתמש בטכנולוגיה שנקראת למידת מכונה. מצד אחד יש לנו גנומים - אלפים מהם מהצד השני, אספנו את מסד הנתונים הגדול ביותר של בני אדם: פנוטיפים, סריקת 3D, תמ"ג - כל מה שאתם יכולים לחשוב עליו. בפנים שם, על שני צדדים מנוגדים אלה, ישנו סוד התרגום. ובאמצע אנו בונים מכונה. אנחנו בונים מכונה ואנחנו מאמנים מכונה טוב, לא בדיוק מכונה אחת, הרבה, הרבה מכונות -- לנסות להבין ולתרגם את הגנום בפנוטיפ. מהן האותיות האלו, ומה הן עושות? זו גישה שיכולה לשמש לכל דבר, אבל להשתמש בה בגנומיקה זה מסובך במיוחד. לאט לאט גדלנו ורצינו לבנות אתגרים שונים. התחלנו מההתחלה, מתכונות משותפות לכולם. תכונות שכיחות הן נוחות כי הן נפוצות, לכולם יש אותן.
So we started to ask our questions: Can we predict height? Can we read the books and predict your height? Well, we actually can, with five centimeters of precision. BMI is fairly connected to your lifestyle, but we still can, we get in the ballpark, eight kilograms of precision. Can we predict eye color? Yeah, we can. Eighty percent accuracy. Can we predict skin color? Yeah we can, 80 percent accuracy. Can we predict age? We can, because apparently, the code changes during your life. It gets shorter, you lose pieces, it gets insertions. We read the signals, and we make a model.
אז התחלנו לשאול את השאלות שלנו: האם נוכל לחזות גובה? האם נוכל לקרוא את הספרים ולחזות את הגובה שלכם? ובכן, אנו למעשה יכולים, עם חמישה סנטימטרים של דיוק. BMI תלוי למדי באורח החיים שלכם, אבל אנחנו עדיין יכולים, אנו מקבלים בקירוב, 8 קילוגרמים של דיוק. האם נוכל לחזות צבע עיניים? כן, אנחנו יכולים. 80 אחוזים דיוק. האם נוכל לחזות צבע עור? כן אנחנו יכולים, דיוק של 80 אחוז. האם נוכל לחזות גיל? אנחנו יכולים, כי ככל הנראה, הקוד משתנה במהלך חייכם. זה הולך ומתקצר, אתם מאבדים פיסות, מתקבלות תוספות. אנו קוראים את האותות ואנחנו עושים מודל.
Now, an interesting challenge: Can we predict a human face? It's a little complicated, because a human face is scattered among millions of these letters. And a human face is not a very well-defined object. So, we had to build an entire tier of it to learn and teach a machine what a face is, and embed and compress it. And if you're comfortable with machine learning, you understand what the challenge is here.
עכשיו, אתגר מעניין: האם נוכל לחזות פרצוף אנושי? זה קצת מסובך, כי פרצוף אנושי מפוזר בין מיליוני אותיות אלו. ופרצוף אנושי אינו אובייקט מוגדר היטב מאוד. אז היינו נאלצים לבנות נדבך שלם של זה ללמוד וללמד את המכונה מה זה פרצוף, ולהטביע ולכבוש אותו. ואם אתם מרגישים נוח עם למידת מכונה, אתם מבינים מהו האתגר כאן.
Now, after 15 years -- 15 years after we read the first sequence -- this October, we started to see some signals. And it was a very emotional moment. What you see here is a subject coming in our lab. This is a face for us. So we take the real face of a subject, we reduce the complexity, because not everything is in your face -- lots of features and defects and asymmetries come from your life. We symmetrize the face, and we run our algorithm. The results that I show you right now, this is the prediction we have from the blood.
עכשיו, לאחר 15 שנים, אנו קוראים את הרצף הראשון -- באוקטובר זה התחלנו לראות כמה אותות. וזה היה רגע מאוד מרגש. מה שאתם רואים כאן הוא נושא שעולה במעבדה שלנו. זהו פרצוף בשבילנו. אז אנחנו לוקחים פרצוף אמיתי של סובייקט, אנו מפחיתים את מורכבותו, מפני שלא הכל נמצא בפרצופכם -- הרבה תכונות ופגמים ואסימטריות מגיעים מחייכם. אנחנו יוצרים סימטריה בפנים, ומריצים את האלגוריתם שלנו התוצאות שאני מראה לכם ממש כעת הם התחזית שיש לנו מתוך הדם.
(Applause)
(תשואות)
Wait a second. In these seconds, your eyes are watching, left and right, left and right, and your brain wants those pictures to be identical. So I ask you to do another exercise, to be honest. Please search for the differences, which are many. The biggest amount of signal comes from gender, then there is age, BMI, the ethnicity component of a human. And scaling up over that signal is much more complicated. But what you see here, even in the differences, lets you understand that we are in the right ballpark, that we are getting closer. And it's already giving you some emotions.
חכו שנייה. בשניות אלו עיניכם צופות, שמאל וימין, ימין ושמאל, והמוח שלכם רוצה שהתמונות האלו יהי זהות. אז אני מבקש מכם לעשות תרגיל אחר, אם להיות כנה. בבקשה חפשו את ההבדלים, שהם רבים, הכמות הגדולה ביותר של אותות מגיעה מהמגדר, ואז יש גיל, BMI, הרכיב האתני של אדם. ומדרוג מעל האות הזה הוא הרבה יותר מסובך. אבל מה שאתם רואים כאן, אפילו בהבדלים, נותן לכם להבין שאנחנו נמצאים במגרש הנכון, שאנחנו מתקרבים וזה כבר מעורר בכם כמה רגשות,
This is another subject that comes in place, and this is a prediction. A little smaller face, we didn't get the complete cranial structure, but still, it's in the ballpark. This is a subject that comes in our lab, and this is the prediction. So these people have never been seen in the training of the machine. These are the so-called "held-out" set. But these are people that you will probably never believe. We're publishing everything in a scientific publication, you can read it.
זה נושא אחר שמוצא את מקומו, וזו תחזית. בפנים קצת יותר קטנים , לא קיבלנו את מבנה הגולגולת השלם, אבל עדיין זה במגרש. זהו נושא שעולה במעבדה שלנו, וזו התחזית. אז אנשים אלה מעולם לא נראו באימון של המכונה. אלה הם מי שנקראים קבוצה ב"השהייה". אבל אלה הם אנשים שבהם אתם לעולם לא תאמינו. אנחנו מפרסמים הכל בפרסום מדעי, אתם יכולים לקרוא את זה.
But since we are onstage, Chris challenged me. I probably exposed myself and tried to predict someone that you might recognize. So, in this vial of blood -- and believe me, you have no idea what we had to do to have this blood now, here -- in this vial of blood is the amount of biological information that we need to do a full genome sequence. We just need this amount. We ran this sequence, and I'm going to do it with you. And we start to layer up all the understanding we have. In the vial of blood, we predicted he's a male. And the subject is a male. We predict that he's a meter and 76 cm. The subject is a meter and 77 cm. So, we predicted that he's 76; the subject is 82. We predict his age, 38. The subject is 35. We predict his eye color. Too dark. We predict his skin color. We are almost there. That's his face.
אבל מאחר ואנחנו על הבמה, כריס אתגר אותי. אני כנראה חשפתי את עצמי וניסיתי לחזות מישהו שאתם עשויים לזהות. אז במבחנה זו של דם -- והאמינו לי, אין לכם שום מושג מה שהיינו צריכים לעשות כדי שיהיה לנו את הדם הזה עכשיו, כאן - במבחנה זו של דם ישנה כמות של מידע ביולוגי שאנחנו צריכים כדי לייצר רצף מלא של גנום. אנו רק צריכים את הסכום הזה. הרצנו את הרצף הזה, ואני הולך לעשות את זה אתכם. והתחלנו לרבד את כל ההבנה שיש לנו. במבחנת הדם, צפינו שזה זכר. והסובייקט הוא זכר. צפינו שגובהו מטר ו-76 ס"מ. והסובייקט הוא 77 ס"מ. אז צפינו שהוא בן 76: הסובייקט בן 82. צפינו שגילו הוא 38. הסובייקט בן 35. אנו צופים את צבע עיניו. כהה מדי. אנו צופים את צבע עורו. אנחנו כמעט שם. אלה הפנים שלו.
Now, the reveal moment: the subject is this person.
כעת, רגע החשיפה: הסובייקט הוא אדם זה.
(Laughter)
(צחוק)
And I did it intentionally. I am a very particular and peculiar ethnicity. Southern European, Italians -- they never fit in models. And it's particular -- that ethnicity is a complex corner case for our model. But there is another point. So, one of the things that we use a lot to recognize people will never be written in the genome. It's our free will, it's how I look. Not my haircut in this case, but my beard cut. So I'm going to show you, I'm going to, in this case, transfer it -- and this is nothing more than Photoshop, no modeling -- the beard on the subject. And immediately, we get much, much better in the feeling.
ועשיתי זאת בכוונה. אני מאוד ספציפי ומוזר מבחינת מוצא אתני. דרום אירופאים, איטלקים -- הם אף פעם לא מתאימים במודלים. וזה מיוחד -- שאתניות היא מקרה פינתי מורכב עבור המודל שלנו. אך קיימת נקודה נוספת. לכן, אחד הדברים שאנו משתמשים בהם הרבה כדי להכיר אנשים לא ייכתב לעולם בגנום. זה הרצון החופשי שלנו, זה איך אני נראה. לא התספורת שלי במקרה זה, אבל חיתוך הזקן שלי. אז אני הולך להראות לכם, אני הולך, במקרה זה, ולהעביר אותו - וזה לא יותר מפוטושופ, לא דוגמנות -- הזקן על האובייקט. ומיד, אנחנו מקבלים תחושה הרבה יותר טובה.
So, why do we do this? We certainly don't do it for predicting height or taking a beautiful picture out of your blood. We do it because the same technology and the same approach, the machine learning of this code, is helping us to understand how we work, how your body works, how your body ages, how disease generates in your body, how your cancer grows and develops, how drugs work and if they work on your body.
אז, למה אנחנו עושים את זה? אנחנו בהחלט לא עושים את זה לניבוי גובה או לקחת תמונה יפה מתוך הדם שלכם. אנחנו עושים את זה כי אותה הטכנולוגיה ואותה הגישה, למידת המכונה של קוד זה, עוזרת לנו להבין איך אנחנו עובדים, איך הגוף שלכם עובד, איך הגוף שלכם מזדקן, איך מחלה נוצרת בגוף שלכם, איך הסרטן שלכם גדל ומתפתח, איך תרופות עובדות והאם הן עובדות על גופכם.
This is a huge challenge. This is a challenge that we share with thousands of other researchers around the world. It's called personalized medicine. It's the ability to move from a statistical approach where you're a dot in the ocean, to a personalized approach, where we read all these books and we get an understanding of exactly how you are. But it is a particularly complicated challenge, because of all these books, as of today, we just know probably two percent: four books of more than 175.
זהו אתגר ענק. זהו אתגר שאנו חולקים עם אלפי חוקרים אחרים ברחבי העולם. זה נקרא טיפול תרופתי אישי. זו היכולת לנוע מתוך גישה סטטיסטית שבה אתם נקודה בים, לגישה אישית, שבה אנו קוראים את כל הספרים האלה ואנחנו מקבלים הבנה של מי אתם בדיוק. אבל זה אתגר מורכב במיוחד , בגלל שמכל הספרים האלה, נכון להיום, אנחנו רק יודעים כנראה שני אחוז: ארבעה ספרים של יותר מ -175.
And this is not the topic of my talk, because we will learn more. There are the best minds in the world on this topic. The prediction will get better, the model will get more precise. And the more we learn, the more we will be confronted with decisions that we never had to face before about life, about death, about parenting.
וזה לא הנושא של השיחה שלי, מפני שנלמד יותר. ישנם המוחות הטובים ביותר בעולם בנושא זה. התחזית תשתפר. המודל יהיה יותר מדויק וככל שאנו לומדים יותר, יותר נצטרך להתמודד עם החלטות שמעולם לא נאלצנו להתמודד איתן לפני כן על החיים. על המוות על הורות.
So, we are touching the very inner detail on how life works. And it's a revolution that cannot be confined in the domain of science or technology. This must be a global conversation. We must start to think of the future we're building as a humanity. We need to interact with creatives, with artists, with philosophers, with politicians. Everyone is involved, because it's the future of our species. Without fear, but with the understanding that the decisions that we make in the next year will change the course of history forever.
אז אנחנו נוגעים בפרט הפנימי מאוד על הדרך בה חיינו עובדים. וזוהי מהפכה שלא יכולה להיות מוגבלת לתחום המדע או הטכנולוגיה. זה חייב להיות שיח גלובלי. אנחנו חייבים להתחיל לחשוב על העתיד שאנחנו בונים כאנושות. אנחנו חייבים להיות באינטראקציה עם קריאייטיביים, עם אמנים, עם פילוסופים, עם פוליטיקאים כולם מעורבים, כי זה העתיד של המין שלנו. ללא פחד, אבל עם ההבנה שההחלטות שאנחנו נקבל בשנה הבאה ישנו את מהלך ההיסטוריה לנצח.
Thank you.
תודה
(Applause)
(תשואות)