WEBVTT

00:00:00.556 --> 00:00:04.433
Våra känslor påverkar
varje del av våra liv

00:00:04.433 --> 00:00:08.149
från vår hälsa och hur vi lär oss,
till hur vi gör affärer och fattar beslut,

00:00:08.149 --> 00:00:09.922
stora som små.

00:00:10.672 --> 00:00:14.162
Våra känslor påverkar också
hur vi knyter an till varandra.

00:00:15.132 --> 00:00:19.108
Vi har utvecklats för att leva
i en sån här värld,

00:00:19.108 --> 00:00:23.427
men nu lever vi istället
mer och mer såna här liv -

00:00:23.427 --> 00:00:26.561
det här är ett sms som jag fick
från min dotter igår kväll -

00:00:26.561 --> 00:00:29.151
i en värld som är tömd på känslor.

00:00:29.151 --> 00:00:31.252
Jag ser som mitt uppdrag att förändra det.

00:00:31.252 --> 00:00:35.343
Jag vill föra tillbaka känslorna
i våra digitala upplevelser.

NOTE Paragraph

00:00:36.223 --> 00:00:39.070
Jag började med det för 15 år sen.

00:00:39.070 --> 00:00:41.486
Jag var dataingenjör i Egypten

00:00:41.486 --> 00:00:43.011
och hade just blivit antagen

00:00:43.011 --> 00:00:45.541
till en forskarutbildning
vid Cambridge University.

00:00:45.871 --> 00:00:47.984
Jag gjorde något ganska ovanligt

00:00:47.984 --> 00:00:52.209
för att vara en ung nygift
muslimsk egyptisk fru:

00:00:53.599 --> 00:00:56.598
Med stöd från min man
som blev tvungen att stanna i Egypten

00:00:56.598 --> 00:00:59.616
packade jag mina väskor
och flyttade till England.

00:00:59.616 --> 00:01:02.844
I Cambridge, tusentals kilometer hemifrån,

00:01:02.844 --> 00:01:05.847
insåg jag att jag tillbringade
fler timmar med min laptop

00:01:05.847 --> 00:01:08.486
än jag gjorde med någon människa.

00:01:08.486 --> 00:01:13.339
Trots detta nära band visste inte datorn
något om hur jag kände mig.

00:01:13.339 --> 00:01:16.190
Den visste inte om jag var glad,

00:01:16.190 --> 00:01:19.538
om jag hade en dålig dag,
eller var stressad, förvirrad,

00:01:19.538 --> 00:01:22.460
och det blev frustrerande.

00:01:23.600 --> 00:01:29.421
Ännu värre var det när jag kommunicerade
med min familj därhemma, och kände

00:01:29.431 --> 00:01:32.703
att mina känslor försvann i cyberrymden.

00:01:32.703 --> 00:01:37.858
Jag längtade hem, jag kände mig ensam,
och vissa dagar grät jag,

00:01:37.858 --> 00:01:42.786
men allt jag kunde använda
för att kommunicera känslorna var den här.

00:01:42.786 --> 00:01:44.806
(Skratt)

00:01:44.806 --> 00:01:49.780
Dagens teknik har mycket IQ, men ingen EQ;

00:01:49.780 --> 00:01:52.956
hög kognitiv intelligens
men ingen emotionell intelligens.

00:01:52.956 --> 00:01:55.153
Det fick mig att börja fundera på

00:01:55.153 --> 00:01:58.927
hur det skulle bli om vår teknik
skulle kunna känna av våra känslor?

00:01:58.927 --> 00:02:02.853
Om våra maskiner kunde känna av vårt humör
och bete sig i enlighet med det,

00:02:02.853 --> 00:02:05.866
som en emotionellt intelligent vän?

00:02:06.666 --> 00:02:09.970
De här frågorna gjorde
att jag och mitt team

00:02:09.970 --> 00:02:14.607
började skapa teknik som kan läsa av
och reagera på våra känslor,

00:02:14.607 --> 00:02:17.697
och vi började med det mänskliga ansiktet.

NOTE Paragraph

00:02:18.577 --> 00:02:21.750
Det mänskliga ansiktet råkar vara
en av de bästa kanaler

00:02:21.750 --> 00:02:25.766
som vi använder för att kommunicera
sociala och känslomässiga tillstånd,

00:02:25.766 --> 00:02:28.776
allt från njutning, överraskning,

00:02:28.776 --> 00:02:32.662
empati och nyfikenhet.

00:02:32.979 --> 00:02:37.907
Inom känslovetenskap kallas en rörelse
hos en ansiktsmuskel för "aktiv enhet".

00:02:37.907 --> 00:02:40.562
Den tolfte aktiva enheten

00:02:40.562 --> 00:02:42.870
är inte en toppfilm från Hollywood

00:02:42.870 --> 00:02:46.312
utan en uppdragen mungipa,
vilket är huvudkomponenten i ett leende.

00:02:46.312 --> 00:02:49.300
Prova det allihop. Nu ler vi lite.

00:02:49.300 --> 00:02:51.334
Ett annat exempel
är fjärde aktiva enheten.

00:02:51.334 --> 00:02:54.192
Det är när man drar ihop ögonbrynen

00:02:54.192 --> 00:02:56.129
och får den här ytan och rynkorna.

00:02:56.129 --> 00:03:00.141
Vi tycker inte om dem, men det är
en stark indikator på en negativ känsla.

00:03:00.164 --> 00:03:02.630
Vi har ungefär 45 aktiva enheter,

00:03:02.630 --> 00:03:06.350
och de kan kombineras
för att uttrycka hundratals känslor.

NOTE Paragraph

00:03:06.350 --> 00:03:10.251
Att lära en dator att läsa av
känslouttryck i ansiktet är svårt,

00:03:10.251 --> 00:03:13.223
för de aktiva enheterna
kan vara snabba och subtila

00:03:13.223 --> 00:03:15.487
och de går att kombinera
på många olika sätt.

00:03:15.487 --> 00:03:19.515
Ta till exempel leendet och hånflinet.

00:03:19.515 --> 00:03:23.268
De ser ganska lika ut,
men de betyder helt olika saker.

00:03:23.268 --> 00:03:24.986
(Skratt)

00:03:24.986 --> 00:03:27.430
Ett leende är positivt,

00:03:27.430 --> 00:03:29.260
ett flin är ofta negativt.

00:03:29.260 --> 00:03:33.136
Ibland kan ett flin göra en känd.

00:03:33.136 --> 00:03:35.960
Men trots allt är det viktigt
för en dator att kunna

00:03:35.960 --> 00:03:38.455
se skillnad mellan de här två uttrycken.

NOTE Paragraph

00:03:38.455 --> 00:03:40.337
Hur gör vi det?

00:03:40.337 --> 00:03:41.984
Vi ger våra algoritmer

00:03:41.984 --> 00:03:46.524
tiotusentals exempel
av människor som vi vet ler,

00:03:46.524 --> 00:03:49.589
med olika etnisk bakgrund, ålder, kön,

00:03:49.589 --> 00:03:51.631
och vi gör samma sak för flin.

00:03:51.950 --> 00:03:53.954
Och genom maskininlärning

00:03:53.954 --> 00:03:56.810
letar algoritmen
efter såna här ytor och rynkor

00:03:56.810 --> 00:03:59.070
och formändringar i vårt ansikte

00:03:59.070 --> 00:04:02.592
och lär sig helt enkelt att alla leenden
har egenskaper gemensamt,

00:04:02.592 --> 00:04:05.623
medan alla flin har
något annorlunda egenskaper.

00:04:05.623 --> 00:04:08.141
Och nästa gång den ser ett nytt ansikte

00:04:08.141 --> 00:04:10.440
märker den att

00:04:10.440 --> 00:04:13.993
det här ansiktet har samma egenskaper
som ett leende ansikte och den säger:

00:04:13.993 --> 00:04:17.208
"Aha, jag känner igen det här.
Det är ett leende uttryck."

NOTE Paragraph

00:04:18.381 --> 00:04:21.181
Det bästa sättet att visa
hur tekniken fungerar

00:04:21.181 --> 00:04:23.317
är genom en livedemo,

00:04:23.317 --> 00:04:27.230
så jag behöver en frivillig,
helst någon med ett ansikte.

00:04:27.230 --> 00:04:29.564
(Skratt)

00:04:29.564 --> 00:04:32.335
Cloe blir vår frivilliga idag.

NOTE Paragraph

00:04:33.325 --> 00:04:37.593
De senaste fem åren har vi utvecklats
från att vara ett projekt på MIT

00:04:37.593 --> 00:04:38.849
till att bli ett företag,

00:04:38.849 --> 00:04:42.131
där mitt team har jobbat mycket hårt
för att få tekniken att fungera,

00:04:42.131 --> 00:04:44.540
som vi säger, i naturen.

00:04:44.540 --> 00:04:47.210
Vi har också krympt den
så att känslomotorn

00:04:47.210 --> 00:04:50.530
fungerar i alla mobila enheter
med kamera, som den här iPaden.

00:04:50.530 --> 00:04:53.316
Vi testar.

NOTE Paragraph

00:04:54.756 --> 00:04:58.520
Som ni kan se har algoritmen
hittat Cloes ansikte,

00:04:58.520 --> 00:05:00.372
det är den här vita inramande rutan,

00:05:00.372 --> 00:05:02.943
och den spårar
huvudpunkterna i hennes ansikte,

00:05:02.943 --> 00:05:05.799
hennes ögonbryn, ögon, mun och näsa.

00:05:05.799 --> 00:05:08.526
Frågan är, kan den läsa av hennes uttryck?

00:05:08.526 --> 00:05:10.067
Vi ska testa maskinen.

00:05:10.067 --> 00:05:14.252
Först av allt, ge mig ett pokerfejs.
Ja, jättebra. (Skratt)

00:05:14.493 --> 00:05:17.316
Och när hon sen ler
är det ett riktigt leende, det är fint.

00:05:17.316 --> 00:05:19.766
Ni kan se att den gröna stapeln
går upp när hon ler.

00:05:19.766 --> 00:05:20.978
Det var ett stort leende.

00:05:20.978 --> 00:05:24.071
Kan du prova ett litet leende
och se om datorn kan känna igen det?

00:05:24.071 --> 00:05:25.682
Den känner igen småleenden också.

00:05:25.682 --> 00:05:27.968
Vi har jobbat hårt
för att det ska fungera.

00:05:27.968 --> 00:05:31.439
Och sen höjda ögonbryn,
ett tecken på förvåning.

00:05:31.439 --> 00:05:35.098
Rynkade ögonbryn, vilket är
ett tecken på förvirring.

00:05:35.688 --> 00:05:39.695
Rynka pannan. Ja, perfekt.

00:05:39.695 --> 00:05:43.188
Det är de olika aktiva enheterna.
Det finns många fler.

00:05:43.188 --> 00:05:45.220
Det här är bara en förenklad demo.

00:05:45.220 --> 00:05:48.368
Vi kallar varje avläsning
för en emotionell datapunkt,

00:05:48.368 --> 00:05:51.337
och de kan aktiveras tillsammans
för att visa olika känslor.


00:05:51.337 --> 00:05:55.990
Så på högra sidan - se glad ut.

00:05:55.990 --> 00:05:57.444
Det är lycka. Lycka lyser upp.

00:05:57.444 --> 00:05:59.371
Ge mig sen en min av avsmak.

00:05:59.371 --> 00:06:03.643
Försök minnas hur det var
när Zayn lämnade One Direction.

00:06:03.643 --> 00:06:05.153
(Skratt)

00:06:05.153 --> 00:06:09.495
Ja, rynka näsan. Perfekt.

00:06:09.495 --> 00:06:13.226
Och uttrycket är starkt negativt,
så du måste ha varit ett stort fan.

00:06:13.226 --> 00:06:15.926
Värde är hur positiv
eller negativ en upplevelse är,

00:06:15.926 --> 00:06:18.712
och engagemang är hur uttrycksfull hon är.

00:06:18.712 --> 00:06:22.126
Tänk er att Cloe hade tillgång
till den här känsloströmmen i realtid,

00:06:22.126 --> 00:06:24.935
och kunde dela den med vem hon ville.

00:06:24.935 --> 00:06:26.695
Tack.

00:06:26.695 --> 00:06:29.655
(Applåder)

NOTE Paragraph

00:06:33.749 --> 00:06:38.809
Så här långt har vi samlat in
12 miljarder såna här datapunkter.

00:06:38.809 --> 00:06:41.360
Det är den största databasen
för känslor i världen.

00:06:41.360 --> 00:06:44.343
Vi har samlat in den
från 2,9 miljoner filmer på ansikten,

00:06:44.343 --> 00:06:47.193
människor som har gått med på
att dela sina känslor med oss,

00:06:47.193 --> 00:06:50.398
från 75 länder i världen.

00:06:50.398 --> 00:06:52.113
Det blir fler och fler varje dag.

00:06:52.603 --> 00:06:54.670
Det känns fantastiskt

00:06:54.670 --> 00:06:57.865
att vi nu kan kvantifiera
något så personligt som våra känslor,

00:06:57.865 --> 00:07:00.100
och vi kan göra det i den här skalan.

NOTE Paragraph

00:07:00.100 --> 00:07:02.277
Vad har vi då lärt oss så här långt?

00:07:03.057 --> 00:07:05.388
Kön.

00:07:05.388 --> 00:07:09.034
Vår data bekräftar något
som du kanske misstänker.

00:07:09.034 --> 00:07:10.891
Kvinnor är mer uttrycksfulla än män.

00:07:10.891 --> 00:07:13.574
De inte bara ler mer,
deras leenden pågår längre,

00:07:13.574 --> 00:07:16.478
och vi kan nu verkligen mäta
vad det är som män och kvinnor

00:07:16.478 --> 00:07:18.614
reagerar olika på.

00:07:18.614 --> 00:07:19.794
Om vi tittar på kultur:

00:07:19.794 --> 00:07:23.888
I USA är kvinnor 40 procent
mer uttrycksfulla än män,

00:07:23.888 --> 00:07:27.753
men lustigt nog ser vi ingen skillnad
mellan män och kvinnor i Storbritannien.

00:07:27.753 --> 00:07:30.549
(Skratt)

00:07:31.296 --> 00:07:35.323
Ålder: Människor som är 50 år och äldre

00:07:35.323 --> 00:07:38.759
är 25 procent mer emotionella
än unga människor.

00:07:39.539 --> 00:07:43.751
Kvinnor i 20-årsåldern ler mycket mer
än män i samma ålder,

00:07:43.751 --> 00:07:47.590
kanske är det nödvändigt vid dejter.

00:07:47.590 --> 00:07:50.207
Men det som förvånade oss mest

00:07:50.207 --> 00:07:53.410
är att vi uttrycker oss hela tiden,

00:07:53.410 --> 00:07:56.243
även när vi sitter ensamma
framför våra skärmar,

00:07:56.243 --> 00:07:59.517
och det är inte bara
när vi tittar på kattvideos på Facebook.

00:07:59.757 --> 00:08:03.227
Vi är uttycksfulla när vi skickar e-post,
textmeddelanden, handlar online,

00:08:03.227 --> 00:08:05.527
till och med när vi deklarerar.

NOTE Paragraph

00:08:05.527 --> 00:08:07.919
Var används den här informationen idag?

00:08:07.919 --> 00:08:10.892
Genom att förstå hur vi interagerar
med medier kan vi förstå

00:08:10.892 --> 00:08:13.166
viral budskapsspridning och röstbeteenden

00:08:13.166 --> 00:08:16.456
och även föra in möjligheten
till känslouttryck i tekniken,

00:08:16.456 --> 00:08:20.527
och jag vill dela med mig av några exempel
som ligger mig speciellt varmt om hjärtat.

00:08:21.197 --> 00:08:24.265
Känslostyrda glasögon kan hjälpa människor

00:08:24.265 --> 00:08:27.493
med synnedsättning
att läsa av andras ansikten,

00:08:27.493 --> 00:08:31.110
och det kan hjälpa individer
med autism att tolka känslor,

00:08:31.110 --> 00:08:33.825
något som de verkligen kämpar med.

00:08:35.418 --> 00:08:38.777
Inom utbildning,
tänk dig att dina läroappar

00:08:38.777 --> 00:08:41.377
känner av att du är förvirrad
och saktar ner,

00:08:41.377 --> 00:08:43.444
eller om du är uttråkad kan de öka tempot,

00:08:43.444 --> 00:08:46.413
precis som en riktigt bra lärare
skulle göra i klassrummet.

00:08:47.043 --> 00:08:49.644
Tänk om din armbandsklocka
kunde mäta hur du mår,

00:08:49.644 --> 00:08:52.337
eller om din bil kunde veta
att du var trött,

00:08:52.337 --> 00:08:54.885
eller kanske din kyl vet om
att du är stressad,

00:08:54.885 --> 00:08:59.291
så att den låser sig automatiskt
för att undvika att du proppar i dig.

00:08:59.291 --> 00:09:01.158
Det skulle jag vilja ha.

00:09:01.158 --> 00:09:03.223
(Skratt)

00:09:03.668 --> 00:09:05.595
Tänk om jag hade hade haft tillgång

00:09:05.595 --> 00:09:07.908
till mina känslor i realtid i Cambridge,

00:09:07.908 --> 00:09:11.437
och jag hade kunnat dela den
med min familj på ett naturligt sätt,

00:09:11.437 --> 00:09:15.408
på samma sätt som om vi
hade varit i samma rum tillsammans?

NOTE Paragraph

00:09:15.408 --> 00:09:18.100
Jag tror att om fem år

00:09:18.100 --> 00:09:20.887
kommer våra enheter att ha ett känslochip

00:09:20.887 --> 00:09:24.951
och vi kommer inte att minnas hur det var
när vi inte kunde rynka pannan åt maskinen

00:09:24.951 --> 00:09:28.529
och den sa "Hmm,
det där gillade du inte va?"

00:09:29.200 --> 00:09:32.791
Vår största utmaning är att det finns
så många tillämpningar för tekniken,

00:09:32.791 --> 00:09:35.864
så jag och mitt team inser
att vi inte kan bygga alla själva,

00:09:35.864 --> 00:09:38.920
så vi har gjort tekniken tillgänglig
så att andra utvecklare

00:09:38.920 --> 00:09:41.474
kan börja skapa på ett kreativt sätt.

00:09:41.474 --> 00:09:45.560
Vi inser att det finns potientiella risker

00:09:45.560 --> 00:09:47.627
och möjligheter till missbruk,

00:09:47.627 --> 00:09:50.576
men jag tror, efter att ha
använt detta i många år,

00:09:50.576 --> 00:09:52.828
att fördelarna för mänskligheten

00:09:52.828 --> 00:09:55.453
av att ha emotionellt intelligent teknik

00:09:55.453 --> 00:09:59.169
mer än väl uppväger konsekvenserna
av felaktig användning.

00:09:59.169 --> 00:10:01.700
Och jag bjuder in er alla
att ta del i diskussionen.

00:10:01.700 --> 00:10:04.154
Ju fler människor
som känner till den här tekniken,

00:10:04.154 --> 00:10:07.661
desto mer kan vi uttrycka åsikter
om hur den ska användas.

00:10:09.081 --> 00:10:13.655
Så när allt fler delar
av våra liv blir digitala

00:10:13.655 --> 00:10:17.323
utkämpar vi en ojämn kamp för att begränsa
användningen av digitala enheter

00:10:17.323 --> 00:10:19.952
och kunna återta våra känslor.

00:10:20.622 --> 00:10:24.536
Vad jag istället försöker göra
är att föra in känslorna i tekniken

00:10:24.536 --> 00:10:26.765
och göra vår teknik mer lyhörd.

00:10:26.765 --> 00:10:29.435
Jag vill att maskinerna
som har separerat oss

00:10:29.435 --> 00:10:32.147
ska föra oss samman igen.

00:10:32.147 --> 00:10:36.485
Och genom att göra tekniken mer human
har vi ett gyllene tillfälle

00:10:36.485 --> 00:10:39.782
att tänka om hur vi umgås med maskiner,

00:10:39.782 --> 00:10:44.263
och därmed hur vi som människor

00:10:44.263 --> 00:10:46.167
umgås med varandra.

NOTE Paragraph

00:10:46.167 --> 00:10:48.013
Tack.

NOTE Paragraph

00:10:48.013 --> 00:10:51.010
(Applåder)