a fear that in the future,

将来的には、という恐怖。

many jobs will be performed by machines

百戦錬磨

rather than human beings,

人間というよりも

given the remarkable advances that are unfolding

飛躍的な発展を遂げていることを考えると

in artificial intelligence and robotics.

人工知能とロボット工学における

What's clear is that there will be significant change.

はっきりしているのは、大きな変化があるということです。

What's less clear is what that change will look like.

明確でないのは、その変化がどのようなものになるかということです。

My research suggests that the future is both troubling and exciting.

私の研究では、未来は悩ましいものでもあり、ワクワクするものでもあります。

The threat of technological unemployment is real,

技術的失業の脅威は現実にある。

and yet it's a good problem to have.

それなのに、それは良い問題です。

And to explain how I came to that conclusion,

そして、その結論に至った経緯を説明するために

I want to confront three myths

3つの神話と対峙したい

that I think are currently obscuring our vision of this automated future.

この自動化された未来のビジョンを 曖昧にしていると思います

A picture that we see on our television screens,

私たちがテレビ画面で見ている絵。

in books, in films, in everyday commentary

本の中で、映画の中で、日常の解説の中で

is one where an army of robots descends on the workplace

は、ロボット軍団が職場に降臨するものです。

with one goal in mind:

一つの目標を持って

to displace human beings from their work.

人間を仕事から遠ざけるために

And I call this the Terminator myth.

私はこれをターミネーター神話と呼んでいる

Yes, machines displace human beings from particular tasks,

そう、機械は人間を特定の仕事から追い出す。

but they don't just substitute for human beings.

しかし、彼らは人間の代わりになるだけではありません。

They also complement them in other tasks,

彼らはまた、他のタスクでそれらを補完します。

making that work more valuable and more important.

その仕事をより価値あるものにし、より重要なものにする

Sometimes they complement human beings directly,

直接人間を補完することもある。

making them more productive or more efficient at a particular task.

特定のタスクをより生産的にしたり、より効率的にしたりすること。

So a taxi driver can use a satnav system to navigate on unfamiliar roads.

タクシーの運転手は、慣れない道でもサトナビを使ってナビをすることができるんですね。

An architect can use computer-assisted design software

建築家は、コンピュータ支援設計ソフトウェアを使用することができます。

to design bigger, more complicated buildings.

より大きく、より複雑な建物を設計するために。

But technological progress doesn't just complement human beings directly.

しかし、技術の進歩は人間を直接補完するだけではありません。

It also complements them indirectly, and it does this in two ways.

また、それは間接的にそれらを補完するものでもあり、これには2つの方法があります。

The first is if we think of the economy as a pie,

1つ目は、経済をパイと考えれば。

technological progress makes the pie bigger.

技術の進歩はパイを大きくする

As productivity increases, incomes rise and demand grows.

生産性が上がると、所得が増えて需要が増える。

The British pie, for instance,

例えばイギリスのパイ。

is more than a hundred times the size it was 300 years ago.

は３００年前の１００倍以上の大きさです。

And so people displaced from tasks in the old pie

そうして、旧パイのタスクから外された人たちは

could find tasks to do in the new pie instead.

新しいパイでやるべきことを見つけることができました。

But technological progress doesn't just make the pie bigger.

しかし、技術の進歩はパイを大きくするだけではありません。

It also changes the ingredients in the pie.

また、パイの中の具材も変わります。

As time passes, people spend their income in different ways,

時が経つにつれ、人は収入をさまざまな方法で使うようになります。

changing how they spread it across existing goods,

既存の商品に広げる方法を変える

and developing tastes for entirely new goods, too.

また、全く新しい商品への嗜好性も開発されています。

New industries are created,

新しい産業が生まれる。

new tasks have to be done

しなければならない

and that means often new roles have to be filled.

そして、それは新しい役割がしばしば満たされなければならないことを意味しています。

So again, the British pie:

で、またしてもイギリスのパイ。

300 years ago, most people worked on farms,

300年前はほとんどの人が農場で働いていました。

150 years ago, in factories,

150年前の工場で

and today, most people work in offices.

と、今日ではほとんどの人がオフィスで仕事をしています。

And once again, people displaced from tasks in the old bit of pie

またしても、昔のパイのビットでタスクから外された人たちが

could tumble into tasks in the new bit of pie instead.

は、新しいパイの中のタスクに転がり込む可能性があります。

Economists call these effects complementarities,

経済学者はこれらの効果を相補性と呼んでいます。

but really that's just a fancy word to capture the different way

しかし、それは実際には、異なる方法をキャプチャするための空想の言葉に過ぎません。

that technological progress helps human beings.

技術の進歩が人間を助けるという

Resolving this Terminator myth

ターミネーターの神話を解決する

shows us that there are two forces at play:

は、2つの力が働いていることを示しています。

one, machine substitution that harms workers,

一つは、労働者に害を与える機械代用。

but also these complementarities that do the opposite.

だけでなく、逆のことをするこれらの相補性もあります。

Now the second myth,

さて、第二の神話。

what I call the intelligence myth.

私が知性神話と呼んでいるもの。

What do the tasks of driving a car, making a medical diagnosis

車の運転、診断書作成の仕事とは

and identifying a bird at a fleeting glimpse have in common?

瞬間的に鳥を識別することには共通点があるのでしょうか？

Well, these are all tasks that until very recently,

まあ、これらは最近までの仕事です。

leading economists thought couldn't readily be automated.

主要な経済学者は、簡単に自動化できないと考えていました。

And yet today, all of these tasks can be automated.

それなのに今日では、これらの作業はすべて自動化されています。

You know, all major car manufacturers have driverless car programs.

大手自動車メーカーはどこもドライバーレスカーのプログラムがあるだろ

There's countless systems out there that can diagnose medical problems.

医療問題を診断できるシステムは無数にあります。

And there's even an app that can identify a bird

そして、鳥を識別することができるアプリもあります。

at a fleeting glimpse.

ちらっと見ただけで

Now, this wasn't simply a case of bad luck on the part of economists.

これは単に経済学者の運が悪かっただけではありません。

They were wrong,

彼らは間違っていた

and the reason why they were wrong is very important.

と、なぜ間違っていたのかという理由が非常に重要です。

They've fallen for the intelligence myth,

彼らは知性神話に陥っている。

the belief that machines have to copy the way

きかいしゅぎ

that human beings think and reason

人間の思考と理性

in order to outperform them.

彼らを凌駕するために

When these economists were trying to figure out

これらの経済学者たちが

what tasks machines could not do,

機械ではできない仕事を

they imagined the only way to automate a task

タスクを自動化する唯一の方法を想像していた

was to sit down with a human being,

は人間と一緒に座ることでした。

get them to explain to you how it was they performed a task,

彼らがどのようにタスクを実行したかを説明してもらう。

and then try and capture that explanation

そして、その説明を捉えようとします。

in a set of instructions for a machine to follow.

機械の指示に従ってください。

This view was popular in artificial intelligence at one point, too.

この見解は人工知能でも一時期流行りました。

I know this because Richard Susskind,

リチャード・サスキンドのおかげで知っています。

who is my dad and my coauthor,

父であり共著者でもある

wrote his doctorate in the 1980s on artificial intelligence and the law

1980年代に人工知能と法に関する博士号を執筆した

at Oxford University,

オックスフォード大学にて。

and he was part of the vanguard.

彼は前衛の一員だった

And with a professor called Phillip Capper

フィリップ・キャッパーという教授と

and a legal publisher called Butterworths,

とバターワースという法律出版社。

they produced the world's first commercially available

彼らは世界初の商用利用可能な

artificial intelligence system in the law.

法律の中の人工知能システム。

This was the home screen design.

これがホーム画面のデザインでした。

He assures me this was a cool screen design at the time.

当時はかっこいい画面デザインだったと断言してくれます。

(Laughter)

(笑)

I've never been entirely convinced.

私は完全に納得したことはありません。

He published it in the form of two floppy disks,

彼はそれを2枚のフロッピーディスクの形で出版した。

at a time where floppy disks genuinely were floppy,

フロッピーディスクが本当にフロッピーであった時代。

and his approach was the same as the economists':

と彼のアプローチは経済学者と同じでした。

sit down with a lawyer,

弁護士に相談する

get her to explain to you how it was she solved a legal problem,

法的な問題を解決した方法を 説明してもらおう

and then try and capture that explanation in a set of rules for a machine to follow.

そして、その説明を機械が従うべきルールのセットで捉えようとします。

In economics, if human beings could explain themselves in this way,

経済学で言えば、人間がこのように説明することができれば

the tasks are called routine, and they could be automated.

タスクはルーティンと呼ばれ、自動化される可能性があります。

But if human beings can't explain themselves,

しかし、人間が自分で自分を説明できないのであれば

the tasks are called non-routine, and they're thought to be out reach.

タスクは非ルーティンと呼ばれ、手の届かないところにあると思われています。

Today, that routine-nonroutine distinction is widespread.

今日では、このルーチンと非ルーチンの区別が普及しています。

Think how often you hear people say to you

人に言われていることをよく考えて

machines can only perform tasks that are predictable or repetitive,

機械は、予測可能なタスクや反復的なタスクしか実行できません。

rules-based or well-defined.

ルールに基づいているか、よく定義されているか。

Those are all just different words for routine.

それらはすべて、ルーチンのための別の言葉に過ぎない。

And go back to those three cases that I mentioned at the start.

冒頭で述べた3つのケースに戻ってください。

Those are all classic cases of nonroutine tasks.

これらはすべて非ルーチンタスクの古典的なケースです。

Ask a doctor, for instance, how she makes a medical diagnosis,

例えば、医師にどうやって診断をしているのか聞いてみてください。

and she might be able to give you a few rules of thumb,

彼女はあなたにいくつかの経験則を教えてくれるかもしれません。

but ultimately she'd struggle.

しかし、最終的には彼女はもがいていました。

She'd say it requires things like creativity and judgment and intuition.

彼女は、創造性や判断力、直観力が必要だと言っています。

And these things are very difficult to articulate,

そして、これらのことを明確にするのは非常に難しい。

and so it was thought these tasks would be very hard to automate.

そのため、これらの作業を自動化するのは非常に難しいと考えられていました。

If a human being can't explain themselves,

人間が自分のことを説明できないのであれば

where on earth do we begin in writing a set of instructions

どこから書けばいいのか

for a machine to follow?

機械が従うために？

Thirty years ago, this view was right,

30年前、この景色は正しかった。

but today it's looking shaky,

しかし、今日は揺れているようだ。

and in the future it's simply going to be wrong.

と将来的には単純に間違っていることになります。

Advances in processing power, in data storage capability

処理能力の向上、データ保存能力の向上

and in algorithm design

とアルゴリズム設計において

mean that this routine-nonroutine distinction

というのは、このルーチンと非ルーチンの区別が

is diminishingly useful.

は有用性が薄れてきています。

To see this, go back to the case of making a medical diagnosis.

これを見るためには、診断書を作成する場合に戻ります。

Earlier in the year,

年の初めに。

a team of researchers at Stanford announced they'd developed a system

スタンフォード大学の研究者チームは、システムを開発したと発表しました。

which can tell you whether or not a freckle is cancerous

癌かどうかがわかる

as accurately as leading dermatologists.

一流の皮膚科医と同じくらい正確に

How does it work?

どうやって使うのか？

It's not trying to copy the judgment or the intuition of a doctor.

医者の判断や勘を真似しようとしているわけではありません。

It knows or understands nothing about medicine at all.

それは医学のことを全く知らないし、理解もしていない。

Instead, it's running a pattern recognition algorithm

代わりに、パターン認識アルゴリズムを実行しています。

through 129,450 past cases,

129,450件の過去の事例から

hunting for similarities between those cases

相似探り

and the particular lesion in question.

と問題のある特定の病変。

It's performing these tasks in an unhuman way,

それは、非人間的な方法でこれらのタスクを実行しています。

based on the analysis of more possible cases

より多くの可能性のあるケースの分析に基づいて

than any doctor could hope to review in their lifetime.

どんな医者でも一生のうちに見直すことはできません。

It didn't matter that that human being,

それは、その人間が問題ではありませんでした。

that doctor, couldn't explain how she'd performed the task.

その医師は、彼女がどのようにタスクを実行したかを説明することができませんでした。

Now, there are those who dwell upon that the fact

さて、その事実にこだわる人たちがいます。

that these machines aren't built in our image.

これらの機械は私たちのイメージで作られたものではありません。

As an example, take IBM's Watson,

例として、IBMのWatsonを挙げてみましょう。

the supercomputer that went on the US quiz show "Jeopardy!" in 2011,

2011年にアメリカのクイズ番組「Jeopardy！」に出演したスパコン。

and it beat the two human champions at "Jeopardy!"

"ジョパディ！"で人間のチャンピオン２人に勝ったんだ

The day after it won,

勝った翌日。

The Wall Street Journal ran a piece by the philosopher John Searle

ウォールストリートジャーナルは、哲学者ジョン・シアーレの記事を掲載しました。

with the title "Watson Doesn't Know It Won on 'Jeopardy!'"

というタイトルで、"Watson Doesnn't Know It Won on 'Jeopardy!

Right, and it's brilliant, and it's true.

そうですね、素晴らしいですね、本当です。

You know, Watson didn't let out a cry of excitement.

ワトソンは興奮の叫びを漏らさなかった。

It didn't call up its parents to say what a good job it had done.

それは、親を呼んで、それが何をしたのかを言うためにしませんでした。

It didn't go down to the pub for a drink.

パブに飲みに行ったわけではありません。

This system wasn't trying to copy the way that those human contestants played,

このシステムは、人間の出場者のプレーを真似しようとしているわけではありません。

but it didn't matter.

しかし、それは重要ではありませんでした。

It still outperformed them.

それはまだ彼らを上回っていた。

Resolving the intelligence myth

知性神話の解決

shows us that our limited understanding about human intelligence,

人間の知性についての限られた理解を示しています。

about how we think and reason,

私たちがどのように考え、どのように理由をつけているかについて

is far less of a constraint on automation than it was in the past.

は、自動化への制約が昔に比べてはるかに少ない。

What's more, as we've seen,

それ以上に、私たちが見てきたように。

when these machines perform tasks differently to human beings,

これらの機械が人間とは異なるタスクを実行するとき。

there's no reason to think

と思うわけがない

that what human beings are currently capable of doing

人間のできること

represents any sort of summit

頂点を極める

in what these machines might be capable of doing in the future.

これらの機械が将来的に何をすることができるかもしれないかについて。

Now the third myth,

さて、第三の神話。

what I call the superiority myth.

私が優越神話と呼んでいるもの

It's often said that those who forget

忘れる者は忘れるとはよく言ったものだ。

about the helpful side of technological progress,

技術の進歩に役立つ側面について

those complementarities from before,

前からそれらの相補性を

are committing something known as the lump of labor fallacy.

は、労働の塊として知られている誤りを犯しています。

Now, the problem is the lump of labor fallacy

さて、問題は労働の塊の誤謬

is itself a fallacy,

はそれ自体が誤りです。

and I call this the lump of labor fallacy fallacy,

と私はこれを労働の塊の誤謬論と呼んでいます。

or LOLFF, for short.

略してLOLFF。

Let me explain.

説明させてください。

The lump of labor fallacy is a very old idea.

労働のかたまりの誤謬は、とても古い考えです。

It was a British economist, David Schloss, who gave it this name in 1892.

イギリスの経済学者デビッド・シュロスが1892年にこの名前をつけた。

He was puzzled to come across a dock worker

港湾労働者に出くわして戸惑っていた。

who had begun to use a machine to make washers,

機械を使って洗濯機を作り始めた人。

the small metal discs that fasten on the end of screws.

ネジの先に固定する小さな金属製のディスク。

And this dock worker felt guilty for being more productive.

そして、この港湾労働者は、より生産的であることに罪悪感を感じていました。

Now, most of the time, we expect the opposite,

今は、ほとんどの場合、その逆を予想しています。

that people feel guilty for being unproductive,

人は非生産的であることに罪悪感を感じているのではないでしょうか。

you know, a little too much time on Facebook or Twitter at work.

仕事中にフェイスブックやツイッターに時間を取られすぎて

But this worker felt guilty for being more productive,

しかし、この労働者はもっと生産的であることに罪悪感を感じていました。

and asked why, he said, "I know I'm doing wrong.

と理由を尋ねると、「間違ったことをしているのはわかっている。

I'm taking away the work of another man."

"他人の仕事を奪っている"

In his mind, there was some fixed lump of work

彼の頭の中には、何か決まった仕事の塊がありました。

to be divided up between him and his pals,

彼と彼の仲間との間で割り切るために。

so that if he used this machine to do more,

彼がこの機械を使ってもっと多くのことをするように

there'd be less left for his pals to do.

彼の仲間のためには、あまり残されていないだろう。

Schloss saw the mistake.

シュロスはミスを見た。

The lump of work wasn't fixed.

仕事のかたまりは直っていませんでした。

As this worker used the machine and became more productive,

この作業員がこの機械を使い、生産性を高めていくと

the price of washers would fall, demand for washers would rise,

ワッシャーの価格が下がれば、ワッシャーの需要が増える。

more washers would have to be made,

より多くのワッシャーを作らなければならないでしょう。

and there'd be more work for his pals to do.

彼の仲間のための仕事が増えるだろう

The lump of work would get bigger.

仕事のかたまりが大きくなってしまう。

Schloss called this "the lump of labor fallacy."

シュロスはこれを "労働の塊の誤謬 "と呼んだ。

And today you hear people talk about the lump of labor fallacy

そして今日は労働の塊の誤謬の話をよく耳にしますね。

to think about the future of all types of work.

あらゆる仕事の未来を考えるために

There's no fixed lump of work out there to be divided up

そこには、分割するための固定の仕事の塊はありません。

between people and machines.

人と機械の間にある

Yes, machines substitute for human beings, making the original lump of work smaller,

そう、機械が人間の代わりをして、元々の仕事の塊を小さくしているのです。

but they also complement human beings,

しかし、それらは人間を補完するものでもある。

and the lump of work gets bigger and changes.

と仕事のかたまりが大きくなって変化していきます。

But LOLFF.

でもLOLFF。

Here's the mistake:

ここに間違いがあります。

it's right to think that technological progress

技術の進歩を考えるのは当然のこと

makes the lump of work to be done bigger.

やるべき仕事のかたまりを大きくする。

Some tasks become more valuable. New tasks have to be done.

あるタスクはより価値のあるものになる。新しいタスクが必要になる。

But it's wrong to think that necessarily,

しかし、必ずしもそう考えるのは間違いです。

human beings will be best placed to perform those tasks.

人間はそれらのタスクを実行するために最も適しています。

And this is the superiority myth.

そして、これが優越神話です。

Yes, the lump of work might get bigger and change,

そう、仕事のかたまりが大きくなって変わっていくかもしれません。

but as machines become more capable,

しかし、機械の能力が上がるにつれて

it's likely that they'll take on the extra lump of work themselves.

それは彼ら自身が余分な仕事の塊を引き受ける可能性があります。

Technological progress, rather than complement human beings,

技術の進歩は、人間を補完するというよりも

complements machines instead.

代わりに機械を補完します。

To see this, go back to the task of driving a car.

これを見るために、車を運転するという作業に戻りましょう。