TED1994
Danny Hillis: Back to the future (of 1994)
Danny Hillis: Zurück in die Zukunft (von 1994)
Filmed:
Readability: 3.8
686,810 views
Danny Hillis umreisst eine interessante Theorie, wie und warum sich der technologische Wandel exponentiell zu beschleunigen scheint, und zeigt die Zusammenhänge zwischen Technik und der natürlichen Evolution auf der Erde. Die verwendeten Präsentationsmethoden mögen einen altmodischen Eindruck hinterlassen, jedoch sind die Ideen von Herrn Hillis nach wie vor topaktuell.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
Because I usually take the role
0
0
3000
Normalerweise besteht meine Rolle darin,
00:18
of trying to explain to people
1
3000
2000
den Leuten zu erklären
00:20
how wonderful the new technologies
2
5000
3000
wie wundervoll die neuen Technologien,
00:23
that are coming along are going to be,
3
8000
2000
welche am Aufkommen sind, sein werden.
00:25
and I thought that, since I was among friends here,
4
10000
3000
Und ich dachte mir, da ich hier unter Freunden bin,
00:28
I would tell you what I really think
5
13000
4000
würde ich euch erzählen was ich wirklich denke.
00:32
and try to look back and try to understand
6
17000
2000
Und auch versuchen zurück zu schauen und zu verstehen
00:34
what is really going on here
7
19000
3000
was hier wirklich vor sich geht,
00:37
with these amazing jumps in technology
8
22000
5000
mit diesen unglaublichen Sprüngen nach vorne,
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
welche so rasch geschehen, dass wir kaum mithalten können.
00:45
So I'm going to start out
10
30000
2000
Ich werde damit beginnen,
00:47
by showing just one very boring technology slide.
11
32000
3000
euch kurz eine einzige, langweilige Folie zu zeigen.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
... Könntest du bitte kurz die Folie zeigen.
00:56
This is just a random slide
13
41000
2000
Das ist eine Folie, welche
00:58
that I picked out of my file.
14
43000
2000
ich zufällig aus meinem Ordner ausgewählt habe.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
Es geht mir hier nicht um die Details der Folie,
01:03
but the general form of it.
16
48000
2000
sondern vielmehr um die generelle Form.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
Diese Folie zeigt Daten einer Analyse von uns
01:08
about the power of RISC microprocessors
18
53000
3000
über die Leistung von RISC Prozessoren
01:11
versus the power of local area networks.
19
56000
3000
verglichen mit der Leistung eines Local Area Networks (LAN).
01:14
And the interesting thing about it
20
59000
2000
Das Interessante hier ist,
01:16
is that this slide,
21
61000
2000
dass diese Folie,
01:18
like so many technology slides that we're used to,
22
63000
3000
wie so manch andere, welche wir oft antreffen in unserem Feld,
01:21
is a sort of a straight line
23
66000
2000
eine Art Gerade
01:23
on a semi-log curve.
24
68000
2000
auf einer semi-logarithmischen Kurve sind.
01:25
In other words, every step here
25
70000
2000
Mit anderen Worten: Jeder Schritt hier
01:27
represents an order of magnitude
26
72000
2000
entspricht einer Potenz
01:29
in performance scale.
27
74000
2000
in der Leistungsskala.
01:31
And this is a new thing
28
76000
2000
Und das ist eine Neuheit,
01:33
that we talk about technology
29
78000
2000
dass wir diesen Typ Skala auf semi-logarithmischen
01:35
on semi-log curves.
30
80000
2000
Kurven im Gebiet der Technologie verwenden müssen.
01:37
Something really weird is going on here.
31
82000
2000
Etwas sehr Merkwürdiges passiert hier.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
Dies ist im Wesentlichen das, worüber ich hier sprechen werde.
01:42
So, if you could bring up the lights.
33
87000
3000
Also, wenn du bitte das Licht wieder anmachen könntest.
01:47
If you could bring up the lights higher,
34
92000
2000
Noch etwas heller,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
weil ich werde gleich etwas auf das Papier hier zeichnen.
01:52
Now why do we draw technology curves
36
97000
2000
Nun, warum zeichnen wir Graphen in der Technik
01:54
in semi-log curves?
37
99000
2000
auf semi-logarithmischen Kurven?
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
Der Grund dafür ist, wenn ich es auf eine normale Kurve zeichnen würde,
01:59
where, let's say, this is years,
39
104000
2000
wo, sagen wir, das hier die Jahre sind,
02:01
this is time of some sort,
40
106000
2000
also die Zeitachse einer Art,
02:03
and this is whatever measure of the technology
41
108000
3000
und das hier ist ein beliebiges Mass der Technologie,
02:06
that I'm trying to graph,
42
111000
3000
welches ich mit einem Graphen darstellen will,
02:09
the graphs look sort of silly.
43
114000
3000
dann wird der Graph albern.
02:12
They sort of go like this.
44
117000
3000
Die sehen dann so aus.
02:15
And they don't tell us much.
45
120000
3000
Und das sagt uns nicht viel.
02:18
Now if I graph, for instance,
46
123000
3000
Wenn ich nun eine andere Technologie aufzeichnen will,
02:21
some other technology, say transportation technology,
47
126000
2000
sagen wir mal eine Transporttechnologie,
02:23
on a semi-log curve,
48
128000
2000
dann würde das auf der semi-logarithmischen
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
Skala sehr unvernünftig daherkommen, in Form einer flachen Linie.
02:28
But when something like this happens,
50
133000
2000
Aber wenn so etwas wie hier passiert,
02:30
things are qualitatively changing.
51
135000
2000
dann ändert dies die qualitativen Umstände.
02:32
So if transportation technology
52
137000
2000
Wenn also die Transporttechnologie so schnell
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
wie die Mikroprozessor-Technologie fortschreiten würde,
02:37
then the day after tomorrow,
54
142000
2000
dann könnten wir übermorgen
02:39
I would be able to get in a taxi cab
55
144000
2000
in ein Taxi einsteigen
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
und in 30 Sekunden wären wir in Tokyo.
02:43
It's not moving like that.
57
148000
2000
Aber das geht nicht so schnell.
02:45
And there's nothing precedented
58
150000
2000
Das gab es noch nie zuvor
02:47
in the history of technology development
59
152000
2000
in der Geschichte der Technologie-Entwicklung,
02:49
of this kind of self-feeding growth
60
154000
2000
diese Art von rekursivem Wachstum,
02:51
where you go by orders of magnitude every few years.
61
156000
3000
durch welches sich die Grössenordnung alle paar Jahre exponentiell erhöht.
02:54
Now the question that I'd like to ask is,
62
159000
3000
Die Frage die ich euch nun stellen möchte ist,
02:57
if you look at these exponential curves,
63
162000
3000
wenn man sich diese exponentiellen Kurven anschaut,
03:00
they don't go on forever.
64
165000
3000
sieht man, sie gehen nicht für immer weiter.
03:03
Things just can't possibly keep changing
65
168000
3000
Es ist nicht möglich, dass sich alles für immer und ewig
03:06
as fast as they are.
66
171000
2000
so schnell wie jetzt weiterentwickelt.
03:08
One of two things is going to happen.
67
173000
3000
Es gibt zwei Möglichkeiten:
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
Entweder wird daraus eine klassische S-Kurve wie hier,
03:15
until something totally different comes along,
69
180000
4000
bis etwas völlig Neues daherkommt,
03:19
or maybe it's going to do this.
70
184000
2000
oder es wird das hier geschehen.
03:21
That's about all it can do.
71
186000
2000
Das ist es in etwa.
03:23
Now I'm an optimist,
72
188000
2000
Nun, ich bin ja Optimist,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
also denke ich so etwas in der Art wie hier wird passieren.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
Ist das wirklich so, dann bedeutet das, wir sind hier im Moment mitten
03:31
is a transition.
75
196000
2000
in einem Übergang.
03:33
We're sort of on this line
76
198000
2000
Wir sind hier auf dieser Linie,
03:35
in a transition from the way the world used to be
77
200000
2000
in einem Übergang von der bisherigen Welt
03:37
to some new way that the world is.
78
202000
3000
zu einer neuen Art von Welt.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
Die Frage die ich also stellen möchte und ich mir auch oft selber stelle, ist
03:43
is what's this new way that the world is?
80
208000
3000
wie diese neue Welt wohl sein wird?
03:46
What's that new state that the world is heading toward?
81
211000
3000
Was ist dieser neue Zustand, den die Welt langsam annimmt?
03:49
Because the transition seems very, very confusing
82
214000
3000
Denn der Übergang scheint sehr, sehr verwirrend zu sein,
03:52
when we're right in the middle of it.
83
217000
2000
wenn man sich mitten drin befindet.
03:54
Now when I was a kid growing up,
84
219000
3000
Als ich noch ein Kind war, da war die Zukunft
03:57
the future was kind of the year 2000,
85
222000
3000
irgendwo beim Jahr 2000
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
und die Leute sprachen oft darüber, was wohl passieren würde im Jahr 2000.
04:04
Now here's a conference
87
229000
2000
Jetzt haben wir hier eine Konferenz
04:06
in which people talk about the future,
88
231000
2000
wo die Leute über die Zukunft sprechen
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
und man stellt fest, dass die Zukunft immer noch beim Jahr 2000 liegt.
04:11
It's about as far as we go out.
90
236000
2000
Weiter als das gehen wir nicht.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
In anderen Worten also ist die Zukunft
04:16
one year per year
92
241000
3000
jedes Jahr um ein Jahr geschrumpft
04:19
for my whole lifetime.
93
244000
3000
seit ich auf dieser Welt bin.
04:22
Now I think that the reason
94
247000
2000
Ich denke der Grund dafür
04:24
is because we all feel
95
249000
2000
ist, dass wir merken,
04:26
that something's happening there.
96
251000
2000
dass irgend etwas im Gange ist.
04:28
That transition is happening. We can all sense it.
97
253000
2000
Der Übergang geschieht. Wir können es alle fühlen.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
Und wir wissen, dass es momentan einfach keinen Sinn macht
04:32
to think out 30, 50 years
99
257000
2000
zu versuchen 30 oder 50 Jahre in die Zukunft zu schauen,
04:34
because everything's going to be so different
100
259000
3000
weil alles so anders sein wird,
04:37
that a simple extrapolation of what we're doing
101
262000
2000
dass eine einfache Hochrechnung von dem was wir jetzt machen
04:39
just doesn't make any sense at all.
102
264000
3000
schlichtweg keinen Sinn macht.
04:42
So what I would like to talk about
103
267000
2000
Ich möchte nun darüber reden
04:44
is what that could be,
104
269000
2000
was das sein könnte,
04:46
what that transition could be that we're going through.
105
271000
3000
dieser Übergang in dem wir uns momentan befinden.
04:49
Now in order to do that
106
274000
3000
Um dies zu machen
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
werde ich zuerst über einige andere Dinge sprechen,
04:54
that really has nothing to do
108
279000
2000
welche wirklich nichts mit
04:56
with technology and computers.
109
281000
2000
Technologie oder Computer zu tun haben.
04:58
Because I think the only way to understand this
110
283000
2000
Denn ich glaube um dies wirklich verstehen zu können,
05:00
is to really step back
111
285000
2000
müssen wir einen Schritt zurück gehen
05:02
and take a long time scale look at things.
112
287000
2000
und uns die Sache auf einer längeren Zeitskala anschauen.
05:04
So the time scale that I would like to look at this on
113
289000
3000
Und zwar möchte ich dies auf der Zeitskala
05:07
is the time scale of life on Earth.
114
292000
3000
des Lebens der Erde anschauen.
05:13
So I think this picture makes sense
115
298000
2000
Ich glaube das Gesamtbild ergibt Sinn,
05:15
if you look at it a few billion years at a time.
116
300000
4000
wenn man es in einige Milliarden-Schritte unterteilt.
05:19
So if you go back
117
304000
2000
Gehen wir also zurück, und zwar
05:21
about two and a half billion years,
118
306000
2000
2,5 Milliarden Jahre.
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
Die Erde war ein grosser, steriler Steinklumpen
05:26
with a lot of chemicals floating around on it.
120
311000
3000
mit vielen darauf schwebenden Chemikalien.
05:29
And if you look at the way
121
314000
2000
Wenn man sich nun die Art und Weise betrachtet
05:31
that the chemicals got organized,
122
316000
2000
wie diese Chemikalien organisiert waren,
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
dann gibt uns das ein ziemlich gutes Bild darüber, wie sie das anstellten.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
Ich glaube auch es gibt Theorien, die zu verstehen beginnen
05:39
about how it started with RNA,
125
324000
2000
wie alles mit RNA angefangen hat,
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
aber ich werde euch eine vereinfachte Geschichte davon erzählen
05:44
which is that, at that time,
127
329000
2000
welche lautet, dass zu dieser Zeit
05:46
there were little drops of oil floating around
128
331000
3000
kleine Öltröpfchen herumschwebten,
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
Welche verschiedene Arten von Rezepten für Chemikalien enthielten.
05:52
And some of those drops of oil
130
337000
2000
Einige dieser Öltröpfchen
05:54
had a particular combination of chemicals in them
131
339000
2000
enthielten eine besondere Kombination von Chemikalien,
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
welche es ihnen erlaubten andere Chemikalien von aussen zu integrieren
05:59
and grow the drops of oil.
133
344000
3000
und somit zu wachsen.
06:02
And those that were like that
134
347000
2000
Alle die so waren,
06:04
started to split and divide.
135
349000
2000
begannen sich aufzuteilen.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
Diese kleinen Öltröpfchen waren im Sinne
06:09
those little drops of oil.
137
354000
2000
die primitivste Zellenform.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
Jedoch waren diese Öltröpfchen nicht etwa lebendig im heutigen Sinne,
06:14
because every one of them
139
359000
2000
weil jedes einzelne davon
06:16
was a little random recipe of chemicals.
140
361000
2000
war nur ein kleines, zufälliges Rezept von Chemikalien.
06:18
And every time it divided,
141
363000
2000
Und jedes Mal, wenn es sich teilte,
06:20
they got sort of unequal division
142
365000
3000
haben sich die darin befindlichen Chemikalien
06:23
of the chemicals within them.
143
368000
2000
zu ungleichen Mengen verteilt.
06:25
And so every drop was a little bit different.
144
370000
3000
Somit war jedes Tröpfchen ein wenig anders.
06:28
In fact, the drops that were different in a way
145
373000
2000
Tatsächlich wuchsen die Tröpfchen, welche eine
06:30
that caused them to be better
146
375000
2000
für das Wachstum optimalere Zusammensetzung hatten
06:32
at incorporating chemicals around them,
147
377000
2000
schneller als andere und integrierten mehr und mehr
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
Chemikalien von aussen und teilten sich schneller.
06:37
So those tended to live longer,
149
382000
2000
Diese neigten also dazu, länger zu überleben und
06:39
get expressed more.
150
384000
3000
sie vermehrten sich in grösserem Ausmass.
06:42
Now that's sort of just a very simple
151
387000
3000
Das ist also nur eine sehr einfache
06:45
chemical form of life,
152
390000
2000
chemische Form von Leben,
06:47
but when things got interesting
153
392000
3000
aber interessanter wird es,
06:50
was when these drops
154
395000
2000
wenn diese Tröpfchen
06:52
learned a trick about abstraction.
155
397000
3000
einen Trick über Abstraktion lernten.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
Auf irgend eine Art, welche wir noch nicht ganz verstehen,
06:58
these little drops learned to write down information.
157
403000
3000
haben diese Tröpfchen die Fähigkeit erlernt, Informationen niederzuschreiben.
07:01
They learned to record the information
158
406000
2000
Sie haben gelernt, das Rezept der Zelle
07:03
that was the recipe of the cell
159
408000
2000
als Informationen zu speichern.
07:05
onto a particular kind of chemical
160
410000
2000
Und zwar in einer bestimmten chemischen Form,
07:07
called DNA.
161
412000
2000
welche wir DNA nennen.
07:09
So in other words, they worked out,
162
414000
2000
Mit anderen Worten haben sie
07:11
in this mindless sort of evolutionary way,
163
416000
3000
in dieser geistlosen, evolutionären Art
07:14
a form of writing that let them write down what they were,
164
419000
3000
einen Weg gefunden, der ihnen erlaubte, niederzuschreiben woraus sie bestanden,
07:17
so that that way of writing it down could get copied.
165
422000
3000
so dass diese Information gespeichert und kopiert werden konnte.
07:20
The amazing thing is that that way of writing
166
425000
3000
Das Erstaunliche daran ist, dass diese Art Informationen zu speichern
07:23
seems to have stayed steady
167
428000
2000
über die Zeit von 2,5 Milliarden Jahren,
07:25
since it evolved two and a half billion years ago.
168
430000
2000
in der sie entstanden ist, gleich blieb.
07:27
In fact the recipe for us, our genes,
169
432000
3000
Tatsächlich besteht das Rezept für uns, nämlich unsere Gene,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
aus dem exakt selben Code und der gleichen Schreibweise.
07:33
In fact, every living creature is written
171
438000
3000
Und zwar jedes Lebewesen verwendet
07:36
in exactly the same set of letters and the same code.
172
441000
2000
die exakt gleichen Buchstaben und denselben Code.
07:38
In fact, one of the things that I did
173
443000
2000
Wir sind soweit, dass wir,
07:40
just for amusement purposes
174
445000
2000
nur zum Vergnügungszweck,
07:42
is we can now write things in this code.
175
447000
2000
selber Sache in diesem Code schreiben können.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
Und ich habe hier 100 Mikrogramm eines weissen Pulvers,
07:50
which I try not to let the security people see at airports.
177
455000
4000
welches ich in Flughäfen fern von Sicherheitspersonal zu halten versuche.
07:54
(Laughter)
178
459000
2000
(Gelächter)
07:56
But this has in it --
179
461000
2000
Darin befindet sich –
07:58
what I did is I took this code --
180
463000
2000
Was ich gemacht habe ist, ich habe diesen Code genommen –
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
der Code besteht aus normalen Buchstaben, welche wir zum Symbolisieren verwenden –
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
und ich habe meine Visitenkarte auf ein Stück DNA geschrieben
08:06
and amplified it 10 to the 22 times.
183
471000
3000
und habe es 10 ^ 22 mal verstärkt.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Wenn also jemand einhundert Millionen Kopien meiner Visitenkarte möchte,
08:12
I have plenty for everyone in the room,
185
477000
2000
ich habe genügend für jedermann in diesem Raum
08:14
and, in fact, everyone in the world,
186
479000
2000
und sogar für jedermann auf dieser Welt,
08:16
and it's right here.
187
481000
3000
und es ist genau hier.
08:19
(Laughter)
188
484000
5000
(Gelächter)
08:26
If I had really been a egotist,
189
491000
2000
Wäre ich in Wirklichkeit ein Egoist gewesen,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
dann hätte ich sie auf ein Virus geschrieben und in den Raum freigegeben.
08:31
(Laughter)
191
496000
5000
(Gelächter)
08:39
So what was the next step?
192
504000
2000
Was ist also der nächste Schritt?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
Das Niederschreiben der DNA war ein interessanter Schritt.
08:43
And that caused these cells --
194
508000
2000
Und das veranlagten diese Zellen –
08:45
that kept them happy for another billion years.
195
510000
2000
das machte sie glücklich für eine weitere Milliarde Jahre.
08:47
But then there was another really interesting step
196
512000
2000
Aber dann passierte ein anderer, sehr interessanter Schritt,
08:49
where things became completely different,
197
514000
3000
bei dem die Dinge komplett anders wurden.
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
Nämlich begannen diese Zellen zu kommunizieren und Informationen auszutauschen,
08:55
so that they began to get communities of cells.
199
520000
2000
so dass Gemeinschaften von Zellen entstanden.
08:57
I don't know if you know this,
200
522000
2000
Ich weiss nicht, ob Sie das schon wussten,
08:59
but bacteria can actually exchange DNA.
201
524000
2000
aber Bakterien können tatsächlich ihre DNA austauschen.
09:01
Now that's why, for instance,
202
526000
2000
Das ist auch der Grund warum zum Beispiel
09:03
antibiotic resistance has evolved.
203
528000
2000
die Beständigkeit zu Antibiotika wächst.
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Einige Bakterien haben herausgefunden, wie sie sich von Penicillin fernhalten können
09:08
and it went around sort of creating its little DNA information
205
533000
3000
und haben diese Information zusammen mit anderen Bakterien
09:11
with other bacteria,
206
536000
2000
in die DNA geschrieben
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
und nun haben wir jede Menge Bakterien, welche resistent auf Penicillin sind,
09:16
because bacteria communicate.
208
541000
2000
weil die Bakterien untereinander kommunizieren.
09:18
Now what this communication allowed
209
543000
2000
Diese Kommunikation erlaubte nun
09:20
was communities to form
210
545000
2000
das Gründen von Gemeinschaften, welche
09:22
that, in some sense, were in the same boat together;
211
547000
2000
in gewissem Sinne im selben Boot waren;
09:24
they were synergistic.
212
549000
2000
sie waren synergetisch.
09:26
So they survived
213
551000
2000
Somit haben sie entweder zusammen überlebt,
09:28
or they failed together,
214
553000
2000
oder sie gingen zusammen unter.
09:30
which means that if a community was very successful,
215
555000
2000
Das bedeutete, dass wenn eine Gemeinschaft erfolgreich war,
09:32
all the individuals in that community
216
557000
2000
wurden alle Individuen der Gemeinschaft
09:34
were repeated more
217
559000
2000
öfter wiederholt
09:36
and they were favored by evolution.
218
561000
3000
und von der Evolution bevorzugt.
09:39
Now the transition point happened
219
564000
2000
Die Übergangsstelle ist nun dort,
09:41
when these communities got so close
220
566000
2000
wo diese Gemeinschaften so nahe zusammenrückten,
09:43
that, in fact, they got together
221
568000
2000
dass sie sich entschlossen,
09:45
and decided to write down the whole recipe for the community
222
570000
3000
das Rezept für die ganze Gemeinschaft in eine
09:48
together on one string of DNA.
223
573000
3000
Zeichenkette auf die DNA zu schreiben.
09:51
And so the next stage that's interesting in life
224
576000
2000
Und die nächste interessante Phase
09:53
took about another billion years.
225
578000
2000
dauerte ungefähr eine weitere Milliarde Jahre.
09:55
And at that stage,
226
580000
2000
Zu diesem Zeitpunkt haben wir
09:57
we have multi-cellular communities,
227
582000
2000
mehrzellige Gemeinschaften,
09:59
communities of lots of different types of cells,
228
584000
2000
Gemeinschaften von vielen verschiedlichen Zellentypen,
10:01
working together as a single organism.
229
586000
2000
welche zusammen als einzelner Organismus fungieren.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
In der Tat sind wir auch eine solche mehrzellige Gemeinschaft.
10:06
We have lots of cells
231
591000
2000
Wir haben viele Zellen,
10:08
that are not out for themselves anymore.
232
593000
2000
welche nicht mehr auf sich allein gestellt sind.
10:10
Your skin cell is really useless
233
595000
3000
Deine Hautzellen sind nutzlos ohne
10:13
without a heart cell, muscle cell,
234
598000
2000
Herzzellen, Muskelzellen,
10:15
a brain cell and so on.
235
600000
2000
Hirnzellen und so weiter.
10:17
So these communities began to evolve
236
602000
2000
Diese Gemeinschaften begannen also sich weiterzuentwickeln,
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
so dass die Ebene, auf welcher die Evolution stattfand,
10:22
was no longer a cell,
238
607000
2000
nicht länger die einzelne Zelle war,
10:24
but a community which we call an organism.
239
609000
3000
sondern die ganze Zellengemeinschaft, welche wir Organismus nennen.
10:28
Now the next step that happened
240
613000
2000
Der nächste Schritt geschah nun
10:30
is within these communities.
241
615000
2000
innerhalb dieser Gemeinschaften.
10:32
These communities of cells,
242
617000
2000
Die Zellengemeinschaften begannen wieder
10:34
again, began to abstract information.
243
619000
2000
Informationen zu abstrahieren.
10:36
And they began building very special structures
244
621000
3000
Und sie entwickelten spezielle Strukturen,
10:39
that did nothing but process information within the community.
245
624000
3000
welche nichts anderes machten, als Informationen innerhalb des Organismus zu verarbeiten.
10:42
And those are the neural structures.
246
627000
2000
Und dies sind die neuralen Strukturen (Nervenzellen).
10:44
So neurons are the information processing apparatus
247
629000
3000
Die Nervenzellen sind also der Informationsverarbeitungsapparat,
10:47
that those communities of cells built up.
248
632000
3000
den diese Zellengemeinschaften aufgebaut haben.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
Sie fingen an Spezialisten auszubilden innerhalb der Gemeinschaft,
10:52
and special structures
250
637000
2000
spezielle Strukturen, welche
10:54
that were responsible for recording,
251
639000
2000
verantwortlich waren für das Lernen,
10:56
understanding, learning information.
252
641000
3000
Verstehen und das Festhalten von Information.
10:59
And that was the brains and the nervous system
253
644000
2000
Und dies war das Gehirn und das Nervensystem
11:01
of those communities.
254
646000
2000
dieser Gemeinschaften.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
Dies gab ihnen einen evolutionären Vorteil.
11:05
Because at that point,
256
650000
3000
Weil zu diesem Zeitpunkt
11:08
an individual --
257
653000
3000
ein Individuum –
11:11
learning could happen
258
656000
2000
Lernen passierte nun innerhalb der Zeitspanne
11:13
within the time span of a single organism,
259
658000
2000
der Lebensdauer eines einzelnen Organismus,
11:15
instead of over this evolutionary time span.
260
660000
3000
anstatt über diese evolutionäre Zeitspanne.
11:18
So an organism could, for instance,
261
663000
2000
Ein Organismus konnte also zum Beispiel lernen,
11:20
learn not to eat a certain kind of fruit
262
665000
2000
eine bestimmte Frucht nicht zu essen, weil sie schlecht schmeckte
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
und ihn krank machte, das letzte Mal als er sie gegessen hat.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Dies konnte nun innerhalb der Lebensdauer eines einzelnen Organismus geschehen,
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
wohingegen davor Hunderttausende von Jahren gebraucht wurden,
11:33
that would have had to be learned evolutionarily
266
678000
2000
weil diese Information evolutionär gelernt werden musste
11:35
over hundreds of thousands of years
267
680000
3000
von den Individuen, welche wegen dieser Frucht starben,
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
da diese Informationsverarbeitungsstrukturen noch nicht vorhanden waren.
11:41
So that nervous system,
269
686000
2000
Das Nervensystem hat also den Evolutionsprozess
11:43
the fact that they built these special information structures,
270
688000
3000
mithilfe dieser speziellen Informationsstrukturen
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
enorm beschleunigt.
11:49
Because evolution could now happen within an individual.
272
694000
3000
Denn die Evolution konnte nun innerhalb eines Individuums stattfinden.
11:52
It could happen in learning time scales.
273
697000
3000
Sie konnte innerhalb eines zeitlichen Lernrahmens stattfinden.
11:55
But then what happened
274
700000
2000
Was danach passierte, ist,
11:57
was the individuals worked out,
275
702000
2000
dass die individuellen Organismen einen Weg fanden,
11:59
of course, tricks of communicating.
276
704000
2000
untereinander zu kommunizieren.
12:01
And for example,
277
706000
2000
Mal als Beispiel,
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
die raffinierteste uns bekannte Version dieser Kommunikationsart ist die menschliche Sprache.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
Es ist doch eine recht verblüffende Erfindung wenn man darüber nachdenkt.
12:09
Here I have a very complicated, messy,
280
714000
2000
Ich habe hier eine sehr komplizierte, unordentliche und
12:11
confused idea in my head.
281
716000
3000
verwirrte Idee in meinem Kopf.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Ich sitze hier und gebe im Grunde genommen grunzende Töne von mir,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
in der Hoffnung damit eine ähnlich verwirrte Idee in eurem Kopf zu kreieren,
12:20
that bears some analogy to it.
284
725000
2000
die eine gewisse Ähnlichkeit mit meiner ursprünglichen Idee hat.
12:22
But we're taking something very complicated,
285
727000
2000
Wir nehmen also etwas sehr Kompliziertes,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
wandeln es in Töne um, eine Sequenz von Tönen,
12:27
and producing something very complicated in your brain.
287
732000
4000
und produzieren damit etwas sehr Kompliziertes in den Köpfen von anderen.
12:31
So this allows us now
288
736000
2000
Dies erlaubt es uns nun also wieder
12:33
to begin to start functioning
289
738000
2000
als einen einheitlichen Organismus
12:35
as a single organism.
290
740000
3000
zu funktionieren.
12:38
And so, in fact, what we've done
291
743000
3000
Und was wir tatsächlich gemacht haben,
12:41
is we, humanity,
292
746000
2000
wir, die Menschheit, ist,
12:43
have started abstracting out.
293
748000
2000
wir haben zu abstrahieren begonnen.
12:45
We're going through the same levels
294
750000
2000
Wir durchgehen dieselben Stufen, welche
12:47
that multi-cellular organisms have gone through --
295
752000
2000
Mehrzellerorganismen durchgemacht haben –
12:49
abstracting out our methods of recording,
296
754000
3000
Die Abstraktion unserer Methoden, wie wir Daten festhalten,
12:52
presenting, processing information.
297
757000
2000
präsentieren, verarbeiten.
12:54
So for example, the invention of language
298
759000
2000
Die Erfindung der Sprache beispielsweise
12:56
was a tiny step in that direction.
299
761000
3000
war ein kleiner Schritt in diese Richtung.
12:59
Telephony, computers,
300
764000
2000
Telefonie, Computer,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
Videobänder, CD-ROMs und so weiter
13:04
are all our specialized mechanisms
302
769000
2000
sind alles unsere spezialisierten Mechanismen,
13:06
that we've now built within our society
303
771000
2000
die wir in unserer Gemeinschaft gebaut haben,
13:08
for handling that information.
304
773000
2000
um diese Informationen handhaben zu können.
13:10
And it all connects us together
305
775000
3000
Und es verbindet uns alle zusammen
13:13
into something
306
778000
2000
zu etwas,
13:15
that is much bigger
307
780000
2000
das viel grösser ist,
13:17
and much faster
308
782000
2000
und auch fähig ist
13:19
and able to evolve
309
784000
2000
sich schneller weiter zu entwickeln,
13:21
than what we were before.
310
786000
2000
als wir es bisher waren.
13:23
So now, evolution can take place
311
788000
2000
Heutzutage kann also Evolution in der Zeitspanne von
13:25
on a scale of microseconds.
312
790000
2000
Mikrosekunden geschehen.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
Ihr habt auch Tys kleines Evolutionsbeispiel gesehen
13:29
where he sort of did a little bit of evolution
314
794000
2000
wo er ein bisschen Evolution im "Convolution" Programm
13:31
on the Convolution program right before your eyes.
315
796000
3000
gezeigt hat, direkt vor euren Augen.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Nun haben wir also die Zeitskalen erneut verschnellert.
13:37
So the first steps of the story that I told you about
317
802000
2000
Die ersten Schritte der Geschichte, welche ich euch erzählt habe,
13:39
took a billion years a piece.
318
804000
2000
dauerten eine Milliarde Jahre pro Stück.
13:41
And the next steps,
319
806000
2000
Die nächsten Schritte,
13:43
like nervous systems and brains,
320
808000
2000
wie das Nervensystem und das Gehirn,
13:45
took a few hundred million years.
321
810000
2000
dauerten einige hundert Millionen Jahre.
13:47
Then the next steps, like language and so on,
322
812000
3000
Dann die nächstens Schritte, wie Sprache und so weiter,
13:50
took less than a million years.
323
815000
2000
dauerten weniger als eine Million Jahre.
13:52
And these next steps, like electronics,
324
817000
2000
Und diese nächsten Schritte, wie Elektronik,
13:54
seem to be taking only a few decades.
325
819000
2000
scheinen nur wenige Jahrzehnte zu dauern.
13:56
The process is feeding on itself
326
821000
2000
Der Prozess ernährt sich von sich selbst
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
und wird somit, ich glaube, auto-katalytisch ist das Wort dafür –
14:01
when something reinforces its rate of change.
328
826000
3000
wenn etwas seine Änderungsgeschwindigkeit verstärkt.
14:04
The more it changes, the faster it changes.
329
829000
3000
Je mehr es sich ändert, desto schneller ändert es sich.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
Und ich glaube, das ist das, was wir hier sehen in dieser explosionsartigen Kurve.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
Wir sehen den Prozess, der sich von sich selbst ernährt.
14:13
Now I design computers for a living,
332
838000
3000
Ich lebe beruflich vom Bauen von Computern
14:16
and I know that the mechanisms
333
841000
2000
und ich weiss, dass ich den Mechanismus, den ich verwende
14:18
that I use to design computers
334
843000
3000
um Computer zu bauen,
14:21
would be impossible
335
846000
2000
nicht verwenden könnte,
14:23
without recent advances in computers.
336
848000
2000
ohne die kürzlich gemachten Fortschritte in der Computertechnologie.
14:25
So right now, what I do
337
850000
2000
Meine aktuelle Tätigkeit besteht darin,
14:27
is I design objects at such complexity
338
852000
3000
Objekte mit solch einer hohen Komplexität zu designen,
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
dass es unmöglich für mich ist, diese im traditionellen Sinn zu designen.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
Ich weiss nicht, was jeder einzelne Transistor in der Verbindungsmaschine macht.
14:37
There are billions of them.
341
862000
2000
Es hat Milliarden von denen.
14:39
Instead, what I do
342
864000
2000
Was ich stattdessen mache,
14:41
and what the designers at Thinking Machines do
343
866000
3000
und was auch die Designer von Thinking Machines machen, ist,
14:44
is we think at some level of abstraction
344
869000
2000
wir denken auf einer gewissen Abstraktionsebene,
14:46
and then we hand it to the machine
345
871000
2000
übergeben diese der Maschine
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
und die Maschine macht daraus etwas, das unsere Fähigkeiten weit übersteigt,
14:51
much farther and faster than we could ever do.
347
876000
3000
besser und schneller als wir es selber jemals machen könnten.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
Und sie macht es teilweise mit Methoden, welche wir
14:56
that we don't quite even understand.
349
881000
3000
bis jetzt nicht einmal richtig verstehen.
14:59
One method that's particularly interesting
350
884000
2000
Eine Methode, welche besonders interessant ist,
15:01
that I've been using a lot lately
351
886000
3000
und welche ich in letzter Zeit oft verwendet habe,
15:04
is evolution itself.
352
889000
2000
ist die Evolution selber.
15:06
So what we do
353
891000
2000
Dabei installieren wir
15:08
is we put inside the machine
354
893000
2000
einen Evolutionsprozess
15:10
a process of evolution
355
895000
2000
in der Maschine,
15:12
that takes place on the microsecond time scale.
356
897000
2000
welcher im Mikrosekunden-Bereich abläuft.
15:14
So for example,
357
899000
2000
Um ein Beispiel zu nennen,
15:16
in the most extreme cases,
358
901000
2000
in den extremsten Fällen,
15:18
we can actually evolve a program
359
903000
2000
können wir ein Programm erstellen, welches sich
15:20
by starting out with random sequences of instructions.
360
905000
4000
aus zufälligen Instruktionen entwickelt.
15:24
Say, "Computer, would you please make
361
909000
2000
Wir sagen, "Computer, generiere bitte
15:26
a hundred million random sequences of instructions.
362
911000
3000
einhundert Millionen zufällig ausgewählte Sequenzen von Instruktionen.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
Jetzt führe bitte alle diese zufällig gewählten Instruktionen aus,
15:32
run all of those programs,
364
917000
2000
führe alle Programme aus,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
und wähle schlussendlich diejenigen, welche meiner Vorgaben am nächsten sind."
15:37
So in other words, I define what I wanted.
366
922000
2000
Also in anderen Worten definiere ich zuerst was ich will.
15:39
Let's say I want to sort numbers,
367
924000
2000
Sagen wir mal, ich will Nummern sortieren,
15:41
as a simple example I've done it with.
368
926000
2000
das wäre ein einfaches Beispiel, welches ich schon dafür verwendet habe.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Finde also Programme, welche am ehesten Nummern sortieren können.
15:46
So of course, random sequences of instructions
370
931000
3000
Natürlich ist die Chance bei zufällig gewählten Instruktionen
15:49
are very unlikely to sort numbers,
371
934000
2000
sehr klein, dass sie per Zufall eben Nummern sortieren,
15:51
so none of them will really do it.
372
936000
2000
also werden wohl keine der Instruktionen tatsächlich dies machen.
15:53
But one of them, by luck,
373
938000
2000
Aber eine von denen mag mit etwas Glück
15:55
may put two numbers in the right order.
374
940000
2000
zwei Nummern in die richtige Reihenfolge rücken.
15:57
And I say, "Computer,
375
942000
2000
Jetzt sage ich, "Computer,
15:59
would you please now take the 10 percent
376
944000
3000
nimm jetzt diejenigen 10 % der Sequenzen, welche
16:02
of those random sequences that did the best job.
377
947000
2000
meinen Vorgaben am nächsten gekommen sind.
16:04
Save those. Kill off the rest.
378
949000
2000
Speichere diese ab, lösche den Rest.
16:06
And now let's reproduce
379
951000
2000
Jetzt reproduziere alle übriggebliebenen,
16:08
the ones that sorted numbers the best.
380
953000
2000
die die Nummern am besten sortiert haben.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
Und zwar mit einer Methode des Rekombinierens,
16:13
analogous to sex."
382
958000
2000
analog zur Fortpflanzung."
16:15
Take two programs and they produce children
383
960000
3000
Nimm zwei Programme und sie produzieren Kinder
16:18
by exchanging their subroutines,
384
963000
2000
durch den Austausch ihrer Subroutinen,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
und die Kinder vererben die Merkmale der Subroutinen von den zwei Programmen.
16:23
So I've got now a new generation of programs
386
968000
3000
Nun habe ich also eine neue Generation von Programmen,
16:26
that are produced by combinations
387
971000
2000
die durch Kombinationen von Programmen entstanden,
16:28
of the programs that did a little bit better job.
388
973000
2000
welche etwas näher an die Vorgaben gekommen sind als andere.
16:30
Say, "Please repeat that process."
389
975000
2000
Sag, "Bitte wiederhole diesen Prozess."
16:32
Score them again.
390
977000
2000
Bewerte sie wieder.
16:34
Introduce some mutations perhaps.
391
979000
2000
Führe vielleicht einige Mutationen ein.
16:36
And try that again and do that for another generation.
392
981000
3000
Und versuch das Ganze nochmal mit einer anderen Generation.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
All diese Generationen benötigen nur wenige Millisekunden
16:42
So I can do the equivalent
394
987000
2000
und so kann ich eine Evolution
16:44
of millions of years of evolution on that
395
989000
2000
über Millionen von Jahren im Computer
16:46
within the computer in a few minutes,
396
991000
3000
innerhalb weniger Minuten durchlaufen lassen.
16:49
or in the complicated cases, in a few hours.
397
994000
2000
Oder in komplizierteren Fällen einige Stunden.
16:51
At the end of that, I end up with programs
398
996000
3000
Schlussendlich erhalte ich Programme, die
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
Nummern perfekt sortieren können.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
Tatsache ist, diese Programme sind so viel effizienter
16:59
than programs I could have ever written by hand.
401
1004000
2000
als jedes Programm, das ich je von Hand schreiben hätte können.
17:01
Now if I look at those programs,
402
1006000
2000
Wenn ich mir dann diese Programme anschaue,
17:03
I can't tell you how they work.
403
1008000
2000
dann kann ich nicht sagen wie sie funktionieren.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
Ich habe versucht, sie zu verstehen.
17:07
They're obscure, weird programs.
405
1012000
2000
Es sind verworrene und merkwürdige Programme.
17:09
But they do the job.
406
1014000
2000
Aber sie erledigen den Job.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
Ich weiss und bin mir ganz sicher, dass sie den Job erledigen,
17:14
because they come from a line
408
1019000
2000
weil sie aus einer Reihe von hunderttausenden
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
Programmen kommen, welche den Job erledigt haben.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
Denn ihr Leben hing davon ab, ob sie den Job richtig machten.
17:21
(Laughter)
411
1026000
4000
(Gelächter)
17:26
I was riding in a 747
412
1031000
2000
Ich sass einmal in einer 747
17:28
with Marvin Minsky once,
413
1033000
2000
zusammen mit Marvin Minsky,
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
ale er eine Karte hervorholt und sagt, "Oh schau. Schau dir das an.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
Da steht, 'Dieses Flugzeug besteht aus hunderttausenden Kleinteilen, welche
17:37
working together to make you a safe flight.'
416
1042000
4000
zusammen arbeiten um Ihren Flug sicherer zu machen.'
17:41
Doesn't that make you feel confident?"
417
1046000
2000
Macht dich das nicht zuversichtlicher?"
17:43
(Laughter)
418
1048000
2000
(Gelächter)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
Wir wissen, dass ein Entwicklungsprozess nicht optimal ist,
17:48
when it gets complicated.
420
1053000
2000
wenn er zu kompliziert wird.
17:50
So we're beginning to depend on computers
421
1055000
2000
Also beginnen wir uns auf Computer zu verlassen, für einen Prozess,
17:52
to do a process that's very different than engineering.
422
1057000
4000
welcher sich vom klassischen Ingenieurswesen stark unterscheidet.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
Er erlaubt uns Sachen mit einer viel höheren Komplexität
17:59
than normal engineering lets us produce.
424
1064000
2000
als es die normalen Methoden erlauben würden, zu produzieren.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
Und dennoch verstehen wir die Möglichkeiten davon noch nicht ganz.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
Gewissermassen überflügelt uns die Technik also.
18:06
We're now using those programs
427
1071000
2000
Wir benutzen diese Programme nun,
18:08
to make much faster computers
428
1073000
2000
um die Computer viel schneller zu machen,
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
so dass wir fähig sind, diese Prozesse noch schneller ausführen zu können.
18:13
So it's feeding back on itself.
430
1078000
3000
Es entsteht also eine Rückkopplung.
18:16
The thing is becoming faster
431
1081000
2000
Es wird schneller und schneller
18:18
and that's why I think it seems so confusing.
432
1083000
2000
und ich glaube das ist der Grund warum es so verwirrend scheint.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
Weil all diese neuen Technologien von heute sich von sich selber ernähren.
18:23
We're taking off.
434
1088000
2000
Wir heben ab.
18:25
And what we are is we're at a point in time
435
1090000
3000
Wir sind an einem Punkt angelangt,
18:28
which is analogous to when single-celled organisms
436
1093000
2000
der analog ist zu damals, als Einzeller-Organismen
18:30
were turning into multi-celled organisms.
437
1095000
3000
sich zu Mehrzeller-Organismen entwickelt haben.
18:33
So we're the amoebas
438
1098000
2000
Wir sind also die Amöben
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
und wir können noch nicht ganz ausmachen, was zur Hölle wir hier eigentlich am Kreieren sind.
18:38
We're right at that point of transition.
440
1103000
2000
Wir sind mitten in diesem Übergangpunkt.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
Aber ich glaube wirklich, dass nach uns noch etwas kommt.
18:43
I think it's very haughty of us
442
1108000
2000
Ich finde es sehr hochmütig von uns zu sagen,
18:45
to think that we're the end product of evolution.
443
1110000
3000
dass wir das Endprodukt der Evolution sind.
18:48
And I think all of us here
444
1113000
2000
Und ich glaube wir alle hier
18:50
are a part of producing
445
1115000
2000
sind Teil der Schöpfung von dem
18:52
whatever that next thing is.
446
1117000
2000
was auch immer als Nächstes kommt.
18:54
So lunch is coming along,
447
1119000
2000
Nun, das Mittagessen steht bevor
18:56
and I think I will stop at that point,
448
1121000
2000
und ich denke ich höre hier jetzt auf,
18:58
before I get selected out.
449
1123000
2000
bevor ich noch rausgewählt werde.
19:00
(Applause)
450
1125000
3000
(Applaus)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com