ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: What AI can (and can't) currently do in a real lab | Jennifer Doudna

เลือกโหมดฝึก

แต่ละโหมดจะเปิดห้องฝึกแบบเต็มจอ

75 ประโยค

หากประโยคสั้นหรือยาวเกินไป กดที่ Edit เพื่อปรับแก้

There's a lot of discussion about AI and biology, a lot, right?

And people are always asking me about this too.

You know, how is AI going to change biology?

How is it going to change the genome editing?

And my immediate answer is, well, it's certainly going to accelerate everything.

It's making our work go a lot faster

because we can increasingly speed up things that used to take a lot more time.

And I think in the future, that'll happen even more.

You know, I do imagine a day

when we can use AI to help us predict which experiments are going to be worth doing.

And that means that we don't have to do as many, we hope, you know.

But I think artificial intelligence absolutely needs human intelligence in biology to be useful.

scientists are increasingly using ai in biology to accelerate the rate of experimentation

and the way they're doing this is in a few ways

they are using it to do very you know kind of mundane types of things

that we used to have to spend a lot of time on

and i'm referring here to things like writing summaries of projects that we need to submit, you know, taking large data sets and culling them,

organizing data into different domains, combining different types of sets of data, converting data from one format into another,

all those types of things used to take huge amounts of time.

Sometimes they still do.

But, you know, increasingly AI is a real assist there.

So that's very interesting.

And lots of people are using it now for that kind of thing.

What I think is potentially more interesting, but it's going to take longer, but we're starting to see this happening,

is that scientists are using AI to make predictions about data,

to discover things in sets of data that might be very hard to discern manually, but where, you know, a machine learning system can go through data

and find trends that would be hard to see by inspecting data yourself,

but a machine system that has the ability to look across large sets of data for small

but significant trends can pick these out.

I think that's very exciting.

And we're seeing this happening more and more.

And I do think in the future, as scientists become better at applying AI to particular questions in biology,

that we're going to see an acceleration of even things like hypothesis generation

and the ability to answer questions that might have taken, you know, a long time previously, but can go fast now because you can use coding agents,

for example, to write code quickly.

So those are where I'm seeing really interesting opportunities even now, and it's going to accelerate in the future.

In experimental biology, it's interesting to think about the role of computation.

I think, you know, when I started out in biology, we used computers to do things that were,

you know, annoying, but, you know, needed to get done and were very hard to do manually.

And I'm thinking about things like converting data from one format to another, combining sets of data together.

You know, I used to be focusing on molecular structure determination using X -ray crystallography, for example.

And that was a field where, at the time, we did lots of,

you know, collecting of X -ray diffraction data from crystals and then combining data from different crystals,

having to convert it into different formats, things of that type.

Even just collating data, you know, things that sound very boring, and they were, but they had to be done and they had to be done right.

So we used computation that way back in those days.

But, you know, increasingly, you know, computers and the models that we're training on data sets are becoming a lot more sophisticated.

So increasingly, we're able to use these for predictions and for the kinds of,

you know, accelerations of experimental science that weren't possible in the past.

Do I think scientists will become, you know, desk jockeys in the future?

No. And the reason is that I don't see robots, you know, this would require really very sophisticated robots.

And I think that robotics right now, even with some of the exciting things that have happened, just are not at the point and frankly,

probably not even close to being capable the way a person is to make changes to experiments on the fly.

We do this all the time in the lab.

It's kind of a natural thing for a graduate student

or a postdoc in the lab to be working on a protocol and realize that, oh, I need to double the volume of this thing

or I need to change the way I'm doing some manipulation of a sample.

That's something that a person can do easily on the fly, whereas for a machine, it would take a lot of effort.

And believe me, I've seen this myself in my lab,

how much work it is to change a robotic format that we have for a robot versus just telling a student, hey, you know, instead of,

you know, manipulating the sample this way, do it that way.

They can change like that.

What I think is going to happen in the future with experimental science is actually

that I think each person who is an experimentalist, like let's say a graduate student,

will effectively have a set of technical staff that are computers or AI agents assisting them.

And those AI agents will be brilliant, but somewhat naive about the actual details of the project.

And so we find this now, you know, that students are using particularly coding agents this way,

where they have coding agents that are set up to help with data manipulation, help them with collecting data in an experiment, even designing how to collect the data

but they don't have the ability to tell the scientist this is the experiment you should be doing

or you should be doing it this way and not that way, again, sort of depending on the details.

But this is really what we're seeing.

And so I imagine that will probably be true for a while, again, because it gets back to this challenge of how do we

ever get enough data to train models to be able to not only kind of regurgitate things that they've been trained on,

but to really be innovative and come up with new ideas.

I don't see that in the near future.

ดาวน์โหลดแอป

ทุกอย่างที่ต้องใช้เพื่อพูดได้คล่อง

AI ให้คะแนนการออกเสียงให้คะแนนทุกประโยค

ฝึก IPAเชี่ยวชาญทุกเสียง

คำศัพท์สร้างคลังคำของคุณ

เกมคำศัพท์เล่นไปเรียนไป

สแกน QR

Download on theApp Store Get it onGoogle Play

FOR YOU

วิดีโอแนะนำ

114 ประโยค

คำศัพท์และข้อสังเกตด้านการพูดสำหรับบทเรียนนี้

บทเรียนฝึกพูดระดับ C1 นี้ใช้วิดีโอ “What AI can (and can't) currently do in a real lab” เป็นสื่อ คำที่ถูกพูดซ้ำบ่อยที่สุด: biology, scientist, increasingly, agents, experiment วิดีโอนี้มี 75 ประโยค และ 1102 คำ สำหรับฝึกพูดตาม ช่วงที่มีเสียงพูดยาว 6:39 ผู้พูดพูดด้วยความเร็วเป็นธรรมชาติ ประมาณ 166 คำต่อนาที ใกล้เคียงกับบทสนทนาในชีวิตประจำวัน 84% ของคำอยู่ใน 3,000 คำที่ใช้บ่อยที่สุดในภาษาอังกฤษ ส่วนที่เหลือควรดูไว้ก่อนเริ่มฝึก

คำศัพท์สำคัญในวิดีโอนี้

คำที่ยากที่สุด 9 คำในวิดีโอ พร้อมคำอ่านและความหมาย:

คำศัพท์	คำอ่าน	ความหมาย
accelerate คำกริยา	/ɪkˈsɛl.əˌɹeɪt/	เร่ง
acceleration คำนาม	/əkˌsɛl.əˈɹeɪ.ʃən/	ความเร่ง
diffraction คำนาม	/dɪˈfɹækʃən/	การเลี้ยวเบน
robotics คำนาม	/ɹoʊˈbɑ.tɪks/	วิทยาการหุ่นยนต์
jockey คำนาม	/ˈd͡ʒɑki/	นักขี่ม้าแข่ง
naive คำคุณศัพท์	/naɪˈiv/	ไร้เดียงสา, นาอีฟ
hypothesis คำนาม	/haɪˈpɒθɪsɪs/	สมมุติฐาน
bore คำกริยา	/boɹ/	เจาะ, ไช
predict คำกริยา	/pɹɪˈdɪkt/	ทำนาย

ไวยากรณ์ในวิดีโอนี้

โครงสร้างที่ผู้พูดใช้บ่อยที่สุด พร้อมคำพูดจริงจากวิดีโอ:

โครงสร้าง	ในวิดีโอ
“used to” used to + กริยา — นิสัยหรือสภาพในอดีตที่ตอนนี้ไม่เป็นแล้ว	used to take · used to have · used to be
Present perfect have/has + กริยาช่อง 3 — เหตุการณ์ในอดีตที่ยังเกี่ยวข้องกับปัจจุบัน	have happened · I've seen · they've been trained
Passive voice be + กริยาช่อง 3 — เน้นสิ่งที่เกิดขึ้น ไม่ใช่ผู้กระทำ	be done · are set · they've been trained

การออกเสียงที่ควรระวัง

ผู้พูดใช้รูปย่อและรูปลดเสียง 19 ครั้ง เช่น we're, don't, I'm ให้พูดแบบสั้นตามที่ได้ยิน

เสียง “sh” และ “zh”: computation /ˌkɑmpjʊˈteɪʃn̩/, acceleration /əkˌsɛl.əˈɹeɪ.ʃən/, manipulation /məˌnɪp.juˈleɪ.ʃən/, prediction /pɹɪˈdɪkʃən/, diffraction /dɪˈfɹækʃən/
คำยาว — ลงเสียงหนักให้ถูกพยางค์: accelerate /ɪkˈsɛl.əˌɹeɪt/, manually /ˈmænj(u)əliː/, acceleration /əkˌsɛl.əˈɹeɪ.ʃən/, manipulation /məˌnɪp.juˈleɪ.ʃən/, crystallography /ˌkɹɪstəˈlɑɡɹəfi/

เสียงที่คนไทยมักออกเสียงยาก:

เสียงท้ายคำ — ออกเสียงให้ครบ ไม่เปลี่ยนเป็นตัวสะกดแบบไทย: robotics /ɹoʊˈbɑ.tɪks/, naive /naɪˈiv/, hypothesis /haɪˈpɒθɪsɪs/, organize /ˈɔɹɡənaɪz/
/z/ — เสียงก้อง ไม่ใช่ /s/: discern /dɪˈzɝn/, organize /ˈɔɹɡənaɪz/
/r/ กับ /l/ — แยกให้ชัด: accelerate /ɪkˈsɛl.əˌɹeɪt/, acceleration /əkˌsɛl.əˈɹeɪ.ʃən/, crystallography /ˌkɹɪstəˈlɑɡɹəfi/, frankly /fɹæŋkli/

วิธีฝึกกับวิดีโอนี้

ฟังวิดีโอให้จบหนึ่งรอบโดยยังไม่ต้องพูด แล้วจดคำที่ยังไม่รู้จัก
เริ่มที่ความเร็ว 0.75× พูดตามทีละประโยค แล้วกลับไปใช้ความเร็วปกติเมื่อเริ่มคล่อง
อัดเสียงตัวเองแล้วเทียบกับต้นฉบับ โดยสังเกตคำอย่าง accelerate, acceleration, diffraction เป็นพิเศษ

เทคนิค Shadowing คืออะไร?

Shadowing เป็นเทคนิคการเรียนรู้ภาษาที่ได้รับการรับรองทางวิทยาศาสตร์ พัฒนาขึ้นสำหรับการฝึกนักแปลมืออาชีพ วิธีการนี้เรียบง่ายแต่ทรงพลัง: คุณฟังเสียงภาษาอังกฤษจากเจ้าของภาษาและพูดตามทันที — เหมือนเงาที่ตามผู้พูดด้วยช่วงเวลาห่าง 1-2 วินาที การวิจัยแสดงว่าเทคนิคนี้ปรับปรุงความแม่นยำในการออกเสียง ทำนองเสียง จังหวะ การเชื่อมเสียง การฟังเข้าใจ และความคล่องแคล่วในการพูดได้อย่างมีนัยสำคัญ

เทคนิค shadowing: อ่านคู่มือฉบับเต็มทีละขั้นตอน →

ฝึกพูดภาษาอังกฤษด้วยเทคนิค Shadowing จากวิดีโอ: What AI can (and can't) currently do in a real lab | Jennifer Doudna

เลือกโหมดฝึก

ดาวน์โหลดแอป

AI, Machine Learning, Deep Learning and Generative AI Explained

Very excited to share that I now have a column in New Scientist

Editing Your DNA, with Nobel Prize Winner Dr. Jennifer Doudna

How AI is helping brands identify consumer trends faster

AI & Inequality | Daron Acemoglu: Big Tech poses risks as AI reshapes society

Harnessing generative AI in architecture, engineering & construction

We Can Now Simulate a Human Brain, Scientists Show

When AIs act emotional

AI Will End Philosophy, Physicist Claims

Why the Arab World never united

Alexandr Wang on what matters in an age of abundant intelligence

Be Better than AI: 8 Highest Value Skills to Learn Now