TEDxUIUC
Christoph Adami: Finding life we can't imagine
Κριστόφ Αντάμι: Βρίσκοντας ζωή που δεν μπορούμε να φανταστούμε
Filmed:
Readability: 3.7
652,149 views
Πώς αναζητούμε εξωγήινη ζωή, εάν δεν είναι σαν τη ζωή όπως την ξέρουμε; Στο TEDxUIUC ο Κριστόφ Αντάμι μας παρουσιάζει πώς χρησιμοποίησε την έρευνά του στην τεχνητή ζωή -- αυτοαναπαραγόμενα προγράμματα υπολογιστών -- για να βρει μια υπογραφή, έναν "βιοδείκτη", ο οποίος είναι απαλλαγμένος από τις προκαταλήψεις μας για το τι είναι η ζωή.
Christoph Adami - Artificial life researcher
Christoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions. Full bio
Christoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions. Full bio
Double-click the English transcript below to play the video.
00:15
So I have a strange career.
0
0
2000
Λοιπόν, έχω μια περίεργη καριέρα.
00:17
I know it because people come up to me, like colleagues,
1
2000
3000
Το ξέρω αυτό γιατί έρχονται άνθρωποι σε μένα, όπως συνεργάτες μου,
00:20
and say, "Chris, you have a strange career."
2
5000
2000
και μου λένε, "Κρις, έχεις μια περίεργη καριέρα."
00:22
(Laughter)
3
7000
2000
(Γέλια)
00:24
And I can see their point,
4
9000
2000
Και αντιλαμβάνομαι την άποψή τους,
00:26
because I started my career
5
11000
2000
γιατί ξεκίνησα την καριέρα μου
00:28
as a theoretical nuclear physicist.
6
13000
2000
ως θεωρητικός πυρηνικός φυσικός.
00:30
And I was thinking about quarks and gluons
7
15000
2000
Και σκεφτόμουν τα κουάρκς και τα γκλουόνια
00:32
and heavy ion collisions,
8
17000
2000
και ισχυρές συγκρούσεις ιόντων,
00:34
and I was only 14 years old.
9
19000
2000
και ήμουν μόνο 14 χρονών.
00:36
No, no, I wasn't 14 years old.
10
21000
3000
Όχι, όχι, δεν ήμουν 14 χρονών.
00:40
But after that,
11
25000
2000
Αλλά μετά από αυτά,
00:42
I actually had my own lab
12
27000
2000
είχα στην πραγματικότητα δικό μου εργαστήριο
00:44
in the computational neuroscience department,
13
29000
2000
στο τμήμα υπολογιστικής νευροεπιστήμης,
00:46
and I wasn't doing any neuroscience.
14
31000
2000
και δεν έκανα καθόλου νευροεπιστήμη.
00:48
Later, I would work on evolutionary genetics,
15
33000
3000
Αργότερα, εργάστηκα πάνω στην εξελικτική γενετική,
00:51
and I would work on systems biology.
16
36000
2000
και πάνω σε βιολογικά συστήματα.
00:53
But I'm going to tell you about something else today.
17
38000
3000
Αλλά πρόκειται να σας μιλήσω για κάτι διαφορετικό σήμερα.
00:56
I'm going to tell you
18
41000
2000
Πρόκειται να σας μιλήσω
00:58
about how I learned something about life.
19
43000
2000
για το πώς έμαθα κάτι για τη ζωή.
01:00
And I was actually a rocket scientist.
20
45000
4000
Και ήμουν πραγματικά ένας επιστήμονας πυραύλων.
01:04
I wasn't really a rocket scientist,
21
49000
2000
Στην πραγματικότητα δεν ήμουν επιστήμονας πυραύλων,
01:06
but I was working
22
51000
2000
αλλά εργαζόμουν
01:08
at the Jet Propulsion Laboratory
23
53000
2000
στο Εργαστήριο Αεριώθησης
01:10
in sunny California where it's warm;
24
55000
3000
στην ηλιόλουστη Καλιφόρνια όπου είναι ζεστά,
01:13
whereas now I'm in the mid-West,
25
58000
2000
ενώ τώρα είμαι στα μεσοδυτικά,
01:15
and it's cold.
26
60000
2000
και κάνει κρύο.
01:17
But it was an exciting experience.
27
62000
3000
Αλλά ήταν μια συναρπαστική εμπειρία.
01:20
One day a NASA manager comes into my office,
28
65000
3000
Μια μέρα ένας διευθυντής της NASA ήρθε στο γραφείο μου,
01:23
sits down and says,
29
68000
3000
έκατσε και μου είπε,
01:26
"Can you please tell us,
30
71000
2000
"Μπορείς σε παρακαλώ να μας πεις,
01:28
how do we look for life outside Earth?"
31
73000
2000
πώς να αναζητήσουμε ζωή έξω από τη Γη;"
01:30
And that came as a surprise to me,
32
75000
2000
Και αυτό με εξέπληξε,
01:32
because I was actually hired
33
77000
2000
γιατί στην ουσία είχα προσληφθεί
01:34
to work on quantum computation.
34
79000
2000
να δουλέψω πάνω σε κβαντική υπολογιστική.
01:36
Yet, I had a very good answer.
35
81000
2000
Ωστόσο, είχα μια πολύ καλή απάντηση.
01:38
I said, "I have no idea."
36
83000
3000
Είπα, "Δεν έχω ιδέα."
01:41
And he told me, "Biosignatures,
37
86000
3000
Και μου είπε, "Βιοϋπογραφές,
01:44
we need to look for a biosignature."
38
89000
2000
πρέπει να αναζητήσουμε βιοϋπογραφές."
01:46
And I said, "What is that?"
39
91000
2000
Και είπα, "Τι είναι αυτό;"
01:48
And he said, "It's any measurable phenomenon
40
93000
2000
Και μου απάντησε, "Είναι κάθε μετρήσιμο φαινόμενο
01:50
that allows us to indicate
41
95000
2000
που μας επιτρέπει να εντοπίσουμε
01:52
the presence of life."
42
97000
2000
την παρουσία ζωής."
01:54
And I said, "Really?
43
99000
2000
Και είπα, "Αλήθεια;"
01:56
Because isn't that easy?
44
101000
2000
Γιατί, δεν είναι εύκολο;
01:58
I mean, we have life.
45
103000
2000
Εννοώ, έχουμε ζωή.
02:00
Can't you apply a definition,
46
105000
2000
Δεν μπορούμε να προσδώσουμε έναν ορισμό,
02:02
like for example, a Supreme Court-like definition of life?"
47
107000
4000
για παράδειγμα, ορισμό τύπου Ανωτάτου Δικαστηρίου για τη ζωή;"
02:06
And then I thought about it a little bit, and I said,
48
111000
2000
Και μετά το σκέφτηκα λίγο, και είπα,
02:08
"Well, is it really that easy?
49
113000
2000
Λοιπόν, είναι στ'αλήθεια τόσο εύκολο;"
02:10
Because, yes, if you see something like this,
50
115000
3000
Γιατί, ναι, εάν δούμε κάτι τέτοιο,
02:13
then all right, fine, I'm going to call it life --
51
118000
2000
τότε πολύ καλά, θα το ονομάσω ζωή --
02:15
no doubt about it.
52
120000
2000
χωρίς αμφιβολία.
02:17
But here's something."
53
122000
2000
Αλλά κοιτάξτε αυτό."
02:19
And he goes, "Right, that's life too. I know that."
54
124000
3000
Και συνεχίζει, "Σωστά, κι αυτό είναι ζωή επίσης. Το ξέρω αυτό."
02:22
Except, if you think life is also defined
55
127000
2000
Μόνο που. αν θεωρείς ότι η ζωή ορίζεται
02:24
by things that die,
56
129000
2000
από πράγματα που μπορούν να πεθάνουν,
02:26
you're not in luck with this thing,
57
131000
2000
τότε δεν είσαι τυχερός με αυτό,
02:28
because that's actually a very strange organism.
58
133000
2000
γιατί στην πραγματικότητα αυτό είναι ένας πολύ παράξενος οργανισμός.
02:30
It grows up into the adult stage like that
59
135000
2000
Μεγαλώνει στο ενήλικο στάδιο κάπως έτσι
02:32
and then goes through a Benjamin Button phase,
60
137000
3000
και στη συνέχεια περνά από μια φάση Μπέντζαμιν Μπάτον,
02:35
and actually goes backwards and backwards
61
140000
2000
και στην πραγματικότητα πηγαίνει συνεχώς προς τα πίσω
02:37
until it's like a little embryo again,
62
142000
2000
μέχρι να ξαναγίνει ένα μικρό έμβρυο,
02:39
and then actually grows back up, and back down and back up -- sort of yo-yo --
63
144000
3000
και μετά μεγαλώνει ξανά, και μετά μικραίνει και ξανά μεγαλώνει -- σαν γιο-γιο --
02:42
and it never dies.
64
147000
2000
και δεν πεθαίνει ποτέ.
02:44
So it's actually life,
65
149000
2000
Έτσι στην πραγματικότητα είναι ζωή
02:46
but it's actually not
66
151000
2000
αλλά δεν είναι
02:48
as we thought life would be.
67
153000
3000
όπως θεωρούσαμε ότι είναι η ζωή.
02:51
And then you see something like that.
68
156000
2000
Και μετά βλέπεις κάτι τέτοιο.
02:53
And he was like, "My God, what kind of a life form is that?"
69
158000
2000
Και ήταν κάπως έτσι, "Θεέ μου, τι είδους μορφή ζωής είναι αυτό;"
02:55
Anyone know?
70
160000
2000
Γνωρίζει κανείς;
02:57
It's actually not life, it's a crystal.
71
162000
3000
Στην πραγματικότητα δεν είναι ζωή, είναι ένα κρύσταλλο.
03:00
So once you start looking and looking
72
165000
2000
Έτσι όταν ξεκινάς να ψάχνεις και να ψάχνεις
03:02
at smaller and smaller things --
73
167000
2000
σε πιο μικρά και ακόμη πιο μικρά πράγματα --
03:04
so this particular person
74
169000
2000
έτσι αυτό το συγκεκριμένο άτομο
03:06
wrote a whole article and said, "Hey, these are bacteria."
75
171000
3000
έγραψε ολόκληρο άρθρο και είπε, "Αυτά είναι βακτήρια."
03:09
Except, if you look a little bit closer,
76
174000
2000
Εκτός, κι αν κοιτάξετε λίγο πιο κοντά,
03:11
you see, in fact, that this thing is way too small to be anything like that.
77
176000
3000
θα δείτε, στην πραγματικότητα, ότι αυτό το πράγμα είναι πολύ μικρό για να είναι κάτι τέτοιο.
03:14
So he was convinced,
78
179000
2000
Οπότε πείστηκε,
03:16
but, in fact, most people aren't.
79
181000
2000
αλλά, στην πραγματικότητα, οι περισσότεροι άνθρωποι όχι.
03:18
And then, of course,
80
183000
2000
Και μετά, φυσικά,
03:20
NASA also had a big announcement,
81
185000
2000
η NASA έκανε μια σημαντική ανακοίνωση,
03:22
and President Clinton gave a press conference,
82
187000
2000
και ο πρόεδρος Κλίντον έδωσε συνέντευξη τύπου,
03:24
about this amazing discovery
83
189000
2000
γι' αυτή τη σημαντική ανακάλυψη
03:26
of life in a Martian meteorite.
84
191000
3000
για ζωή σε αρειανό μετεωρίτη.
03:29
Except that nowadays, it's heavily disputed.
85
194000
4000
Μόνο που στις μέρες μας, είναι σε μεγάλο βαθμό υπό αμφισβήτηση.
03:33
If you take the lesson of all these pictures,
86
198000
3000
Εάν διδαχθούμε από αυτές τις φωτογραφίες,
03:36
then you realize, well actually maybe it's not that easy.
87
201000
2000
τότε συνειδητοποιούμε, στην πραγματικότητα ότι δεν είναι τόσο εύκολο.
03:38
Maybe I do need
88
203000
2000
Μάλλον χρειάζομαι
03:40
a definition of life
89
205000
2000
έναν ορισμό για τη ζωή
03:42
in order to make that kind of distinction.
90
207000
2000
έτσι ώστε να κάνω αυτόν το διαχωρισμό.
03:44
So can life be defined?
91
209000
2000
Οπότε η ζωή μπορεί να οριστεί;
03:46
Well how would you go about it?
92
211000
2000
Και πως θα το κάνατε αυτό;
03:48
Well of course,
93
213000
2000
Μα φυσικά,
03:50
you'd go to Encyclopedia Britannica and open at L.
94
215000
2000
θα πηγαίνατε στην Εγκυκλοπαίδεια Μπριτάνικα και θα ανοίγατε το λήμμα Ζ.
03:52
No, of course you don't do that; you put it somewhere in Google.
95
217000
3000
Όχι, φυσικά και δεν θα το κάνετε αυτό, θα το ψάχνατε στο Google.
03:55
And then you might get something.
96
220000
3000
Και τότε ίσως να παίρνατε κάτι.
03:58
And what you might get --
97
223000
2000
Και αυτό που θα μπορούσατε να πάρετε --
04:00
and anything that actually refers to things that we are used to,
98
225000
2000
και ό,τι στην πραγματικότητα αναφέρεται σε πράγματα που έχουμε συνηθίσει,
04:02
you throw away.
99
227000
2000
και έχουμε πετάξει.
04:04
And then you might come up with something like this.
100
229000
2000
Και τότε ίσως να καταλήξουμε σε κάτι σαν αυτό.
04:06
And it says something complicated
101
231000
2000
Και αναφέρει κάτι πολύπλοκο
04:08
with lots and lots of concepts.
102
233000
2000
με πολλές πολλές έννοιες.
04:10
Who on Earth would write something
103
235000
2000
Μα ποιος πάνω στη Γη θα έγραφε κάτι
04:12
as convoluted and complex
104
237000
2000
τόσο περίπλοκο και σύνθετο
04:14
and inane?
105
239000
3000
και βλακώδες;
04:17
Oh, it's actually a really, really, important set of concepts.
106
242000
4000
Ω, στην πραγματικότητα είναι μια πραγματικά σημαντική σειρά εννοιών.
04:21
So I'm highlighting just a few words
107
246000
3000
Οπότε θα τονίσω μόνο μερικές λέξεις
04:24
and saying definitions like that
108
249000
2000
και ορισμούς που
04:26
rely on things that are not based
109
251000
2000
βασίζονται σε πράγματα που δεν έχουν ως βάση
04:28
on amino acids or leaves
110
253000
3000
αμινοξέα ή φύλλα
04:31
or anything that we are used to,
111
256000
2000
ή οτιδήποτε έχουμε συνηθίσει,
04:33
but in fact on processes only.
112
258000
2000
αλλά στην πραγματικότητα μόνο διεργασίες.
04:35
And if you take a look at that,
113
260000
2000
Και αν ρίξετε μια ματιά σε αυτό,
04:37
this was actually in a book that I wrote that deals with artificial life.
114
262000
3000
αυτό ήταν στην πραγματικότητα σε ένα βιβλίο που έγραψα για την τεχνητή ζωή.
04:40
And that explains why
115
265000
2000
Και αυτό εξηγεί γιατί
04:42
that NASA manager was actually in my office to begin with.
116
267000
3000
ο διευθυντής της NASA ήταν αρχικά στο γραφείο μου.
04:45
Because the idea was that, with concepts like that,
117
270000
3000
Διότι η ιδέα ήταν, με έννοιες σαν κι αυτές,
04:48
maybe we can actually manufacture
118
273000
2000
ίσως μπορούμε πραγματικά να κατασκευάσουμε
04:50
a form of life.
119
275000
2000
μία μορφή ζωής.
04:52
And so if you go and ask yourself,
120
277000
3000
Οπότε εάν αναρωτηθείτε,
04:55
"What on Earth is artificial life?",
121
280000
2000
"Μα τι στο καλό είναι η τεχνητή ζωή;",
04:57
let me give you a whirlwind tour
122
282000
2000
αφήστε με να σας δώσω μια εξήγηση
04:59
of how all this stuff came about.
123
284000
2000
πως προήλθαν όλα αυτά.
05:01
And it started out quite a while ago
124
286000
3000
Και ξεκίνησε αρκετό καιρό πριν
05:04
when someone wrote
125
289000
2000
όταν κάποιος δημιούργησε
05:06
one of the first successful computer viruses.
126
291000
2000
έναν από τους πρώτους επιτυχημένους ιούς υπολογιστών.
05:08
And for those of you who aren't old enough,
127
293000
3000
Και για εκείνους που δεν είναι αρκετά μεγάλοι,
05:11
you have no idea how this infection was working --
128
296000
3000
δεν έχετε ιδέα πώς λειτουργούσε η μόλυνση --
05:14
namely, through these floppy disks.
129
299000
2000
κυρίως, μέσω αυτών των δισκετών.
05:16
But the interesting thing about these computer virus infections
130
301000
3000
Αλλά το ενδιαφέρον κομμάτι αυτών των μολύνσεων από ιούς υπολογιστών
05:19
was that, if you look at the rate
131
304000
2000
ήταν ότι, εάν κοιτάζατε το ρυθμό
05:21
at which the infection worked,
132
306000
2000
με τον οποίο λειτουργούσε η μόλυνση,
05:23
they show this spiky behavior
133
308000
2000
έδειχναν αυτή την ακραία συμπεριφορά
05:25
that you're used to from a flu virus.
134
310000
3000
που έχετε συνηθίσει από τους ιούς της γρίπης.
05:28
And it is in fact due to this arms race
135
313000
2000
Και στην πραγματικότητα οφείλεται σε αυτή την κούρσα εξοπλισμών
05:30
between hackers and operating system designers
136
315000
3000
μεταξύ των χάκερς και των σχεδιαστών λειτουργικών συστημάτων
05:33
that things go back and forth.
137
318000
2000
και τα πράγματα πήγαιναν μπρος και πίσω.
05:35
And the result is kind of a tree of life
138
320000
2000
Και το αποτέλεσμα είναι ένα είδος του δέντρου της ζωής
05:37
of these viruses,
139
322000
2000
αυτών των ιών,
05:39
a phylogeny that looks very much
140
324000
3000
μία φυλογένεση που μοιάζει πάρα πολύ
05:42
like the type of life that we're used to, at least on the viral level.
141
327000
3000
στο είδος της ζωής που έχουμε συνηθίσει, τουλάχιστον σε ιογενές επίπεδο.
05:45
So is that life? Not as far as I'm concerned.
142
330000
3000
Οπότε αυτό είναι ζωή; Για μένα όχι.
05:48
Why? Because these things don't evolve by themselves.
143
333000
3000
Γιατί; Διότι αυτά τα πράγματα δεν εξελίσσονται μόνα τους.
05:51
In fact, they have hackers writing them.
144
336000
2000
Στην πραγματικότητα, έχουν τους χάκερς που τα δημιουργούν.
05:53
But the idea was taken very quickly a little bit further
145
338000
4000
Αλλά η ιδέα πήγε πολύ γρήγορα ένα βήμα παραπέρα
05:57
when a scientist working at the Scientific Institute decided,
146
342000
3000
όταν ένας επιστήμονας που δούλευε στο Επιστημονικό Ινστιτούτο αποφάσισε,
06:00
"Why don't we try to package these little viruses
147
345000
3000
"Γιατί δεν προσπαθούμε να πακετάρουμε αυτούς τους μικρούς ιούς
06:03
in artificial worlds inside of the computer
148
348000
2000
σε τεχνητούς κόσμους μέσα σε έναν υπολογιστή
06:05
and let them evolve?"
149
350000
2000
και να τους αφήσουμε να εξελιχθούν;"
06:07
And this was Steen Rasmussen.
150
352000
2000
Και αυτός ήταν ο Στιν Ράσμουσεν.
06:09
And he designed this system, but it really didn't work,
151
354000
2000
Και σχεδίασε αυτό το σύστημα, αλλά στην πραγματικότητα δεν δούλεψε,
06:11
because his viruses were constantly destroying each other.
152
356000
3000
διότι οι ιοί του συνεχώς κατέστρεφαν ο ένας τον άλλο.
06:14
But there was another scientist who had been watching this, an ecologist.
153
359000
3000
Αλλά ένας άλλο επιστήμονας που το παρακολουθούσε, ένας οικολόγος.
06:17
And he went home and says, "I know how to fix this."
154
362000
3000
Και πήγε σπίτι και είπε, "Ξέρω πως να το φτιάξω αυτό."
06:20
And he wrote the Tierra system,
155
365000
2000
Και δημιούργησε το σύστημα Τιέρα,
06:22
and, in my book, is in fact one of the first
156
367000
3000
και, στο βιβλίο μου, είναι στην πραγματικότητα ένα από τα πρώτα
06:25
truly artificial living systems --
157
370000
2000
πραγματικά τεχνητά συστήματα εν ζωή --
06:27
except for the fact that these programs didn't really grow in complexity.
158
372000
3000
εκτός του ότι στην πραγματικότητα αυτά τα προγράμματα δεν μεγάλωσαν στην πολυπλοκότητα.
06:30
So having seen this work, worked a little bit on this,
159
375000
3000
Έτσι, έχοντας δει το έργο αυτό, εργάστηκα λίγο σε αυτό,
06:33
this is where I came in.
160
378000
2000
εδώ είναι που ξεκινάει η δική μου συμμετοχή.
06:35
And I decided to create a system
161
380000
2000
Και αποφάσισα να δημιουργήσω ένα σύστημα
06:37
that has all the properties that are necessary
162
382000
2000
το οποίο έχει όλες τις ιδιότητες που είναι απαραίτητες
06:39
to see the evolution of complexity,
163
384000
3000
για να δούμε την εξέλιξη της πολυπλοκότητας,
06:42
more and more complex problems constantly evolving.
164
387000
3000
όλο και πιο σύνθετα προβλήματα που διαρκώς εξελίσσονται.
06:45
And of course, since I really don't know how to write code, I had help in this.
165
390000
3000
Και φυσικά, μιας και δεν έχω ιδέα πώς να γράφω κώδικα, είχα βοήθεια πάνω σε αυτό.
06:48
I had two undergraduate students
166
393000
2000
Είχα δύο προπτυχιακούς φοιτητές
06:50
at California Institute of Technology that worked with me.
167
395000
3000
από το Ινστιτούτο Τεχνολογίας της Καλιφόρνιας που δούλεψαν μαζί μου.
06:53
That's Charles Offria on the left, Titus Brown on the right.
168
398000
3000
Αυτός είναι ο Τσαρλς Οφίρια στα αριστερά και ο Τάιτους Μπράουν στα δεξιά.
06:56
They are now actually respectable professors
169
401000
3000
Αυτή τη στιγμή είναι αξιοσέβαστοι καθηγητές
06:59
at Michigan State University,
170
404000
2000
στο Πανεπιστήμιο του Μίσιγκαν,
07:01
but I can assure you, back in the day,
171
406000
2000
αλλά μπορώ να σας διαβεβαιώσω, ότι εκείνη την εποχή,
07:03
we were not a respectable team.
172
408000
2000
δεν ήμασταν μια αξιοσέβαστη ομάδα.
07:05
And I'm really happy that no photo survives
173
410000
2000
Και είμαι πραγματικά χαρούμενος που καμία φωτογραφία δεν επιβίωσε
07:07
of the three of us anywhere close together.
174
412000
3000
από εμάς τους τρεις να είμαστε μαζί.
07:10
But what is this system like?
175
415000
2000
Αλλά τι είναι αυτό το σύστημα;
07:12
Well I can't really go into the details,
176
417000
3000
Δεν μπορώ να επεισέλθω σε λεπτομέρειες,
07:15
but what you see here is some of the entrails.
177
420000
2000
αλλά αυτό που βλέπετε εδώ είναι μέρος του εσωτερικού.
07:17
But what I wanted to focus on
178
422000
2000
Αλλά θα ήθελα να εστιάσω
07:19
is this type of population structure.
179
424000
2000
σε αυτόν τον τύπο πληθυσμιακής δομής.
07:21
There's about 10,000 programs sitting here.
180
426000
3000
Περίπου 10.000 προγράμματα κάθονται εκεί.
07:24
And all different strains are colored in different colors.
181
429000
3000
Και όλα τα διαφορετικά στελέχη είναι χρωματισμένα με διαφορετικά χρώματα.
07:27
And as you see here, there are groups that are growing on top of each other,
182
432000
3000
Και όπως βλέπετε εδώ, υπάρχουν ομάδες που μεγαλώνουν η μία πάνω στην άλλη,
07:30
because they are spreading.
183
435000
2000
επειδή πολλαπλασιάζονται.
07:32
Any time there is a program
184
437000
2000
Πάντοτε υπάρχει ένα πρόγραμμα
07:34
that's better at surviving in this world,
185
439000
2000
το οποίο είναι καλύτερο στην επιβίωση σε αυτό τον κόσμο,
07:36
due to whatever mutation it has acquired,
186
441000
2000
χάρη στη μετάλλαξη που έχει αποκτήσει,
07:38
it is going to spread over the others and drive the others to extinction.
187
443000
3000
πρόκειται να επεκταθεί πάνω στα άλλα και να τα οδηγήσει στην εξάλειψη.
07:41
So I'm going to show you a movie where you're going to see that kind of dynamic.
188
446000
3000
Οπότε πρόκειται να σας δείξω μία ταινία όπου θα δείτε μία τέτοια δυναμική.
07:44
And these kinds of experiments are started
189
449000
3000
Και αυτού του είδους τα πειράματα ξεκίνησαν
07:47
with programs that we wrote ourselves.
190
452000
2000
από προγράμματα που γράψαμε μόνοι μας.
07:49
We write our own stuff, replicate it,
191
454000
2000
Γράφουμε τα δικά μας προγράμματα, τα αναπαράγουμε,
07:51
and are very proud of ourselves.
192
456000
2000
και είμαστε πολύ περήφανοι για τους εαυτούς μας.
07:53
And we put them in, and what you see immediately
193
458000
3000
Και τα βάζουμε μέσα, και αυτό που βλέπουμε αμέσως
07:56
is that there are waves and waves of innovation.
194
461000
3000
είναι ότι υπάρχουν πολλά κύματα καινοτομίας.
07:59
By the way, this is highly accelerated,
195
464000
2000
Με την ευκαιρία, αυτό είναι άκρως επιταχυνόμενο,
08:01
so it's like a thousand generations a second.
196
466000
2000
οπότε στην ουσία είναι χιλιάδες γενιές το δευτερόλεπτο.
08:03
But immediately the system goes like,
197
468000
2000
Αλλά αμέσως το σύστημα καταλήγει κάπως έτσι,
08:05
"What kind of dumb piece of code was this?
198
470000
2000
"Τι είδους χαζό κομμάτι κώδικα είναι αυτό;
08:07
This can be improved upon in so many ways
199
472000
2000
Αυτό μπορεί να βελτιωθεί με πάρα πολλούς τρόπους
08:09
so quickly."
200
474000
2000
πολύ γρήγορα."
08:11
So you see waves of new types
201
476000
2000
Έτσι βλέπετε κύματα από νέους τύπους
08:13
taking over the other types.
202
478000
2000
να καταλαμβάνουν τους άλλους τύπους.
08:15
And this type of activity goes on for quite awhile,
203
480000
3000
Και αυτού του είδους η δραστηριότητα συνεχίζεται για αρκετό διάστημα,
08:18
until the main easy things have been acquired by these programs.
204
483000
4000
μέχρις ότου εύκολα έχουν καταληφθεί από αυτά τα προγράμματα.
08:22
And then you see sort of like a stasis coming on
205
487000
4000
Και μετά βλέπετε μια στάσιμη κατάσταση
08:26
where the system essentially waits
206
491000
2000
όπου το σύστημα περιμένει ουσιαστικά
08:28
for a new type of innovation, like this one,
207
493000
3000
για ένα νέο τύπο καινοτομίας, σαν κι αυτόν,
08:31
which is going to spread
208
496000
2000
ο οποίος πρόκειται να εξαπλωθεί
08:33
over all the other innovations that were before
209
498000
2000
πάνω σε όλες τις άλλες καινοτομίες που υπήρχαν πριν
08:35
and is erasing the genes that it had before,
210
500000
3000
και σβήνει τα γονίδια που είχε πριν,
08:38
until a new type of higher level of complexity has been achieved.
211
503000
4000
μέχρι ότου επιτευχθεί ένας νέος τύπος υψηλότερης πολυπλοκότητας.
08:42
And this process goes on and on and on.
212
507000
3000
Και αυτή η διαδικασία συνεχίζεται και συνεχίζεται.
08:45
So what we see here
213
510000
2000
Έτσι, αυτό που βλέπουμε εδώ
08:47
is a system that lives
214
512000
2000
είναι ένα σύστημα το οποίο ζει
08:49
in very much the way we're used to life [going.]
215
514000
2000
σε μεγάλο βαθμό με τον τρόπο που έχουμε συνηθίσει τη ζωή.
08:51
But what the NASA people had asked me really
216
516000
4000
Αλλά αυτό που πραγματικά μου ζήτησαν οι άνθρωποι της NASA
08:55
was, "Do these guys
217
520000
2000
ήταν, "Αυτοί οι τύποι
08:57
have a biosignature?
218
522000
2000
έχουν βιοϋπογραφές;
08:59
Can we measure this type of life?
219
524000
2000
Μπορούμε να μετρήσουμε αυτό το είδος ζωής;
09:01
Because if we can,
220
526000
2000
Γιατί εάν μπορούμε,
09:03
maybe we have a chance of actually discovering life somewhere else
221
528000
3000
ίσως έχουμε μια πιθανότητα να ανακαλύψουμε τη ζωή κάπου αλλού
09:06
without being biased
222
531000
2000
χωρίς να δεσμευόμαστε
09:08
by things like amino acids."
223
533000
2000
από πράγματα όπως τα αμινοξέα."
09:10
So I said, "Well, perhaps we should construct
224
535000
3000
Οπότε είπα, "Ίσως πρέπει να δημιουργήσουμε
09:13
a biosignature
225
538000
2000
μία βιοϋπογραφή
09:15
based on life as a universal process.
226
540000
3000
βασισμένη στη ζωή ως καθολική διεργασία.
09:18
In fact, it should perhaps make use
227
543000
2000
Στην πραγματικότητα, ίσως πρέπει να κάνουμε χρήση
09:20
of the concepts that I developed
228
545000
2000
των εννοιών που ανέπτυξα
09:22
just in order to sort of capture
229
547000
2000
έτσι ώστε να μπορέσουμε να συλλάβουμε
09:24
what a simple living system might be."
230
549000
2000
τι θα μπορούσε να είναι ένα απλό ζωντανό σύστημα."
09:26
And the thing I came up with --
231
551000
2000
Και αυτό που σκέφτηκα --
09:28
I have to first give you an introduction about the idea,
232
553000
4000
θα πρέπει πρώτα να κάνω μια εισαγωγή για την ιδέα,
09:32
and maybe that would be a meaning detector,
233
557000
3000
και αυτό θα μπορούσε να είναι ένας εννοιολογικός ανιχνευτής
09:35
rather than a life detector.
234
560000
3000
παρά ένας ανιχνευτής ζωής.
09:38
And the way we would do that --
235
563000
2000
Και ο τρόπος με τον οποίο θα το κάναμε --
09:40
I would like to find out how I can distinguish
236
565000
2000
θα ήθελα να μάθω πώς μπορώ να διακρίνω
09:42
text that was written by a million monkeys,
237
567000
2000
κείμενο το οποίο έχει γραφτεί από εκατομμύρια πιθήκους,
09:44
as opposed to text that [is] in our books.
238
569000
3000
σε αντίθεση με κείμενο το οποίο υπάρχει στα βιβλία μας.
09:47
And I would like to do it in such a way
239
572000
2000
Και θα ήθελα να το κάνω με τέτοιο τρόπο
09:49
that I don't actually have to be able to read the language,
240
574000
2000
ώστε να μη χρειάζεται να διαβάσω τη γλώσσα,
09:51
because I'm sure I won't be able to.
241
576000
2000
διότι είμαι σίγουρος ότι δεν θα μπορώ.
09:53
As long as I know that there's some sort of alphabet.
242
578000
2000
Αρκεί να ξέρω ότι υπάρχει κάποιο είδους αλφάβητου.
09:55
So here would be a frequency plot
243
580000
3000
Οπότε εδώ θα είχαμε ένα σύμπλεγμα συχνοτήτων
09:58
of how often you find
244
583000
2000
του πόσο συχνά βρίσκουμε
10:00
each of the 26 letters of the alphabet
245
585000
2000
κάθε ένα από τα 26 γράμματα της αλφαβήτου
10:02
in a text written by random monkeys.
246
587000
3000
σε ένα κείμενο γραμμένο από τυχαίους πιθήκους.
10:05
And obviously each of these letters
247
590000
2000
Και προφανώς κάθε ένα από αυτά τα γράμματα
10:07
comes off about roughly equally frequent.
248
592000
2000
εμφανίζεται περίπου με την ίδια συχνότητα.
10:09
But if you now look at the same distribution in English texts,
249
594000
4000
Αλλά αν δείτε τώρα την ίδια κατανομή σε αγγλικά κείμενα,
10:13
it looks like that.
250
598000
2000
θα είναι κάπως έτσι.
10:15
And I'm telling you, this is very robust across English texts.
251
600000
3000
Και σας λέω, ότι αυτό είναι πολύ ισχυρό σε αγγλικά κείμενα.
10:18
And if I look at French texts, it looks a little bit different,
252
603000
2000
Και αν κοιτάξουμε σε γαλλικά κείμενα, θα είναι λίγο διαφορετική
10:20
or Italian or German.
253
605000
2000
ή σε ιταλικά ή γερμανικά.
10:22
They all have their own type of frequency distribution,
254
607000
3000
Όλα έχουν το δικό τους τύπο κατανομής συχνοτήτων,
10:25
but it's robust.
255
610000
2000
αλλά είναι ισχυρό.
10:27
It doesn't matter whether it writes about politics or about science.
256
612000
3000
Δεν έχει σημασία εάν γράφουν για πολιτική ή για επιστήμη.
10:30
It doesn't matter whether it's a poem
257
615000
3000
Δεν έχει σημασία αν είναι ποίημα
10:33
or whether it's a mathematical text.
258
618000
3000
ή αν είναι ένα μαθηματικό κείμενο.
10:36
It's a robust signature,
259
621000
2000
Είναι μια ισχυρή υπογραφή,
10:38
and it's very stable.
260
623000
2000
και είναι πολύ σταθερή.
10:40
As long as our books are written in English --
261
625000
2000
Εφόσον τα βιβλία μας είναι γραμμένα στα αγγλικά --
10:42
because people are rewriting them and recopying them --
262
627000
3000
διότι οι άνθρωποι τα ξαναγράφουν και τα αντιγράφουν --
10:45
it's going to be there.
263
630000
2000
θα είναι εκεί.
10:47
So that inspired me to think about,
264
632000
2000
Οπότε αυτό με ενέπνευσε να σκεφτώ,
10:49
well, what if I try to use this idea
265
634000
3000
εάν προσπαθούσα να χρησιμοποιήσω αυτή την ιδέα
10:52
in order, not to detect random texts
266
637000
2000
έτσι ώστε, όχι να ανιχνεύσω τυχαία κείμενα
10:54
from texts with meaning,
267
639000
2000
από κείμενα με κάποιο νόημα,
10:56
but rather detect the fact that there is meaning
268
641000
4000
αλλά να ανιχνεύσω το γεγονός ότι υπάρχει νόημα
11:00
in the biomolecules that make up life.
269
645000
2000
στα βιομόρια που συνιστούν τη ζωή.
11:02
But first I have to ask:
270
647000
2000
Αλλά πρώτα θα πρέπει να ρωτήσω:
11:04
what are these building blocks, like the alphabet, elements that I showed you?
271
649000
3000
ποια είναι αυτά τα δομικά στοιχεία, όπως το αλφάβητο, τα στοιχεία που σας έδειξα;
11:07
Well it turns out, we have many different alternatives
272
652000
3000
Τελικά όπως φαίνεται, έχουμε πολλές εναλλακτικές
11:10
for such a set of building blocks.
273
655000
2000
για τέτοιου είδους δομικά στοιχεία.
11:12
We could use amino acids,
274
657000
2000
Θα μπορούσαμε να χρησιμοποιήσουμε αμινοξέα,
11:14
we could use nucleic acids, carboxylic acids, fatty acids.
275
659000
3000
θα μπορούσαμε να χρησιμοποιήσουμε νουκλεϊκά οξέα, καρβοξυλικά οξέα, λιπαρά οξέα.
11:17
In fact, chemistry's extremely rich, and our body uses a lot of them.
276
662000
3000
Στην πραγματικότητα, η χημεία είναι αρκετά πλούσια, και το σώμα μας χρησιμοποιεί πολλά από αυτά.
11:20
So that we actually, to test this idea,
277
665000
3000
Οπότε για να δοκιμάσουμε αυτή την ιδέα,
11:23
first took a look at amino acids and some other carboxylic acids.
278
668000
3000
αρχικά ρίξαμε μια ματιά στα αμινοξέα και σε κάποια άλλα καρβοξυλικά οξέα.
11:26
And here's the result.
279
671000
2000
Και εδώ είναι το αποτέλεσμα.
11:28
Here is, in fact, what you get
280
673000
3000
Εδώ είναι, στην ουσία, τι παίρνουμε
11:31
if you, for example, look at the distribution of amino acids
281
676000
3000
εάν, για παράδειγμα, κοιτάξετε την κατανομή των αμινοξέων
11:34
on a comet or in interstellar space
282
679000
3000
σε έναν κομήτη ή στο διαστρικό χώρο
11:37
or, in fact, in a laboratory,
283
682000
2000
ή, στην πραγματικότητα, σε ένα εργαστήριο,
11:39
where you made very sure that in your primordial soup
284
684000
2000
όπου έχετε σιγουρευτεί ότι στην αρχέγονη σούπα σας
11:41
that there is not living stuff in there.
285
686000
2000
δεν υπάρχει οτιδήποτε ζωντανό εκεί μέσα.
11:43
What you find is mostly glycine and then alanine
286
688000
3000
Αυτό που βρίσκετε είναι κυρίως γλυκίνη και αλανίνη
11:46
and there's some trace elements of the other ones.
287
691000
3000
και υπάρχουν και κάποια ίχνη στοιχείων των άλλων.
11:49
That is also very robust --
288
694000
3000
Αυτό είναι εξίσου ισχυρό --
11:52
what you find in systems like Earth
289
697000
3000
τι βρίσκετε σε συστήματα όπως η Γη
11:55
where there are amino acids,
290
700000
2000
όπου υπάρχουν αμινοξέα
11:57
but there is no life.
291
702000
2000
αλλά δεν υπάρχει ζωή.
11:59
But suppose you take some dirt
292
704000
2000
Αλλά αν υποθέσουμε ότι παίρνετε λίγο χώμα
12:01
and dig through it
293
706000
2000
και σκάβετε μέσα σε αυτό
12:03
and then put it into these spectrometers,
294
708000
3000
και μετά το βάλετε μέσα σε αυτά τα φασματόμετρα
12:06
because there's bacteria all over the place;
295
711000
2000
διότι υπάρχουν βακτήρια παντού,
12:08
or you take water anywhere on Earth,
296
713000
2000
ή πάρετε νερό από οπουδήποτε πάνω στη Γη,
12:10
because it's teaming with life,
297
715000
2000
διότι είναι γεμάτο ζωή,
12:12
and you make the same analysis;
298
717000
2000
και κάνετε την ίδια ανάλυση,
12:14
the spectrum looks completely different.
299
719000
2000
το φάσμα θα είναι εντελώς διαφορετικό.
12:16
Of course, there is still glycine and alanine,
300
721000
4000
Φυσικά, υπάρχει ακόμη γλυκίνη και αλανίνη,
12:20
but in fact, there are these heavy elements, these heavy amino acids,
301
725000
3000
αλλά στην πραγματικότητα, υπάρχουν αυτά τα βαρέα στοιχεία, αυτά τα βαρέα αμινοξέα,
12:23
that are being produced
302
728000
2000
τα οποία παράγονται
12:25
because these are valuable to the organism.
303
730000
2000
επειδή είναι πολύτιμα για τον οργανισμό.
12:27
And some other ones
304
732000
2000
Και κάποια άλλα
12:29
that are not used in the set of 20,
305
734000
2000
τα οποία δεν χρησιμοποιούνται από το σύνολο των 20,
12:31
they will not appear at all
306
736000
2000
δεν θα εμφανιστούν καθόλου
12:33
in any type of concentration.
307
738000
2000
σε κανένα είδος συγκέντρωσης.
12:35
So this also turns out to be extremely robust.
308
740000
2000
Οπότε και αυτό προκύπτει να είναι εξαιρετικά ισχυρό.
12:37
It doesn't matter what kind of sediment you're using to grind up,
309
742000
3000
Δεν έχει σημασία τι είδους συγκέντρωση θα χρησιμοποιήσετε
12:40
whether it's bacteria or any other plants or animals.
310
745000
3000
είτε είναι βακτήρια είτε είναι φυτά ή ζώα.
12:43
Anywhere there's life,
311
748000
2000
Όπου υπάρχει ζωή,
12:45
you're going to have this distribution,
312
750000
2000
θα έχετε αυτή την κατανομή,
12:47
as opposed to that distribution.
313
752000
2000
σε αντίθεση με αυτή την κατaνομή.
12:49
And it is detectable not just in amino acids.
314
754000
3000
Και είναι ανιχνεύσιμη όχι μόνο με τα αμινοξέα.
12:52
Now you could ask:
315
757000
2000
Τώρα μπορείτε να ρωτήσετε:
12:54
well, what about these Avidians?
316
759000
2000
τι γίνεται με τους Αβίντιανς;
12:56
The Avidians being the denizens of this computer world
317
761000
4000
Οι Aβίντιανς είναι οι κάτοικοι αυτού του κόσμου των υπολογιστών
13:00
where they are perfectly happy replicating and growing in complexity.
318
765000
3000
που είναι άκρως χαρούμενοι με το να μεγαλώνουν στην πολυπλοκότητα.
13:03
So this is the distribution that you get
319
768000
3000
Οπότε αυτή είναι η κατανομή που παίρνουμε
13:06
if, in fact, there is no life.
320
771000
2000
εάν, στην πραγματικότητα, δεν υπάρχει ζωή.
13:08
They have about 28 of these instructions.
321
773000
3000
Έχουν περίπου 28 από αυτές τις εντολές.
13:11
And if you have a system where they're being replaced one by the other,
322
776000
3000
Και εάν έχετε ένα σύστημα όπου αντικαθίστανται το ένα από το άλλο,
13:14
it's like the monkeys writing on a typewriter.
323
779000
2000
είναι σαν να έχετε πίθηκους να γράφουν σε γραφομηχανή.
13:16
Each of these instructions appears
324
781000
3000
Κάθε μία από αυτές τις εντολές εμφανίζεται
13:19
with roughly the equal frequency.
325
784000
3000
με περίπου την ίδια συχνότητα.
13:22
But if you now take a set of replicating guys
326
787000
4000
Αλλά αν τώρα πάρετε ένα νέο σετ από αναπαραγόμενους τύπους
13:26
like in the video that you saw,
327
791000
2000
όπως στο βίντεο που είδατε,
13:28
it looks like this.
328
793000
2000
θα δείχνει κάπως έτσι.
13:30
So there are some instructions
329
795000
2000
Οπότε υπάρχουν κάποιες εντολές
13:32
that are extremely valuable to these organisms,
330
797000
2000
οι οποίες είναι εξαιρετικά πολύτιμες για αυτούς τους οργανισμούς,
13:34
and their frequency is going to be high.
331
799000
3000
και η συχνότητά τους θα είναι υψηλή.
13:37
And there's actually some instructions
332
802000
2000
Και υπάρχουν και κάποιες εντολές
13:39
that you only use once, if ever.
333
804000
2000
που χρησιμοποιείτε μόνο μια φορά, αν όχι ποτέ.
13:41
So they are either poisonous
334
806000
2000
Οπότε, είτε είναι δηλητηριώδη
13:43
or really should be used at less of a level than random.
335
808000
4000
είτε πραγματικά θα πρέπει να χρησιμοποιείται σε ένα επίπεδο λιγότερο από τυχαία.
13:47
In this case, the frequency is lower.
336
812000
3000
Σε αυτή την περίπτωση, η συχνότητα είναι χαμηλότερη.
13:50
And so now we can see, is that really a robust signature?
337
815000
3000
Οπότε τώρα μπορούμε να δούμε, είναι αυτή μία ισχυρή υπογραφή;
13:53
I can tell you indeed it is,
338
818000
2000
Μπορώ να σας πω ότι όντως είναι,
13:55
because this type of spectrum, just like what you've seen in books,
339
820000
3000
διότι αυτό το είδος του φάσματος, όπως αυτά που βλέπετε στα βιβλία,
13:58
and just like what you've seen in amino acids,
340
823000
2000
και σαν αυτά που έχετε δει στα αμινοξέα,
14:00
it doesn't really matter how you change the environment, it's very robust;
341
825000
3000
δεν έχει σημασία πώς αλλάξατε το περιβάλλον, είναι πολύ ισχυρό,
14:03
it's going to reflect the environment.
342
828000
2000
πρόκειται να αντικατοπτρίζει το περιβάλλον.
14:05
So I'm going to show you now a little experiment that we did.
343
830000
2000
Οπότε τώρα θα σας δείξω ένα μικρό πείραμα που κάναμε.
14:07
And I have to explain to you,
344
832000
2000
Και πρέπει να σας εξηγήσω,
14:09
the top of this graph
345
834000
2000
η κορυφή αυτού του γραφήματος
14:11
shows you that frequency distribution that I talked about.
346
836000
3000
δείχνει την συχνότητα της κατανομής για την οποία μιλούσα.
14:14
Here, in fact, that's the lifeless environment
347
839000
3000
Εδώ, στην πραγματικότητα, είναι το άψυχο περιβάλλον
14:17
where each instruction occurs
348
842000
2000
όπου εμφανίζεται η κάθε εντολή
14:19
at an equal frequency.
349
844000
2000
με την ίδια συχνότητα.
14:21
And below there, I show, in fact,
350
846000
3000
Και κάτω από εκεί, είδα, στην πραγματικότητα,
14:24
the mutation rate in the environment.
351
849000
3000
το ρυθμό μετάλλαξης στο περιβάλλον.
14:27
And I'm starting this at a mutation rate that is so high
352
852000
3000
Και ξεκινάω από ένα τόσο μεγάλο ρυθμό μετάλλαξης
14:30
that, even if you would drop
353
855000
2000
έτσι ώστε, ακόμη κι αν ρίξω
14:32
a replicating program
354
857000
2000
ένα αναπαραγόμενο πρόγραμμα
14:34
that would otherwise happily grow up
355
859000
2000
το οποίο σε διαφορετική περίπτωση θα μεγάλωνε ευχαρίστως
14:36
to fill the entire world,
356
861000
2000
να καταλάβει ολόκληρο τον κόσμο,
14:38
if you drop it in, it gets mutated to death immediately.
357
863000
4000
εάν το ρίξετε μέσα, αποκτάει μετάλλαξη θανάτου αμέσως.
14:42
So there is no life possible
358
867000
2000
Οπότε δεν υπάρχει πιθανότητα ζωής
14:44
at that type of mutation rate.
359
869000
3000
σε αυτό τον τύπο ρυθμού μετάλλαξης.
14:47
But then I'm going to slowly turn down the heat, so to speak,
360
872000
4000
Αλλά μετά θα χαμηλώσω τη θερμοκρασία, για να το πω έτσι,
14:51
and then there's this viability threshold
361
876000
2000
και στη συνέχεια υπάρχει αυτό το όριο της βιωσιμότητας
14:53
where now it would be possible
362
878000
2000
όπου τώρα θα ήταν πιθανό
14:55
for a replicator to actually live.
363
880000
2000
για έναν αναπαραγωγέα πραγματικά να ζήσει.
14:57
And indeed, we're going to be dropping these guys
364
882000
3000
Και όντως, θα ρίχνουμε αυτούς τους τύπους
15:00
into that soup all the time.
365
885000
2000
στη σούπα διαρκώς.
15:02
So let's see what that looks like.
366
887000
2000
Οπότε για να δούμε πώς θα φαίνεται.
15:04
So first, nothing, nothing, nothing.
367
889000
3000
Έτσι στην αρχή, τίποτα, τίποτα, τίποτα.
15:07
Too hot, too hot.
368
892000
2000
Πολύ ζέστη, πολύ ζέστη.
15:09
Now the viability threshold is reached,
369
894000
3000
Τώρα το όριο βιωσιμότητας επιτυγχάνεται,
15:12
and the frequency distribution
370
897000
2000
και η συχνότητα κατανομής
15:14
has dramatically changed and, in fact, stabilizes.
371
899000
3000
έχει αλλάξει δραματικά και, στην πραγματικότητα, σταθεροποιείται.
15:17
And now what I did there
372
902000
2000
Και τώρα αυτό που έκανα εκεί
15:19
is, I was being nasty, I just turned up the heat again and again.
373
904000
3000
είναι, ήμουν λίγο κακός, ανέβασα τη θερμοκρασία ξανά και ξανά.
15:22
And of course, it reaches the viability threshold.
374
907000
3000
Και φυσικά, έφτασε το όριο της βιωσιμότητας.
15:25
And I'm just showing this to you again because it's so nice.
375
910000
3000
Και σας το ξαναδείχνω αυτό επειδή είναι τόσο ωραίο.
15:28
You hit the viability threshold.
376
913000
2000
Φτάνουμε το όριο της βιωσιμότητας.
15:30
The distribution changes to "alive!"
377
915000
2000
Η κατανομή αλλάζει σε "ζωντανό!"
15:32
And then, once you hit the threshold
378
917000
3000
Και μετά, αφού έχετε φτάσει το όριο
15:35
where the mutation rate is so high
379
920000
2000
όπου ο ρυθμός μετάλλαξης είναι τόσο υψηλός
15:37
that you cannot self-reproduce,
380
922000
2000
που δεν μπορείτε να αυτο-αναπαραχθείτε,
15:39
you cannot copy the information
381
924000
3000
δεν μπορείτε να αντιγράψετε την πληροφορία
15:42
forward to your offspring
382
927000
2000
στους απογόνους σας
15:44
without making so many mistakes
383
929000
2000
χωρίς να κάνετε τόσα πολλά λάθη
15:46
that your ability to replicate vanishes.
384
931000
3000
η ικανότητά σας για αναπαραγωή εξαφανίζεται.
15:49
And then that signature is lost.
385
934000
3000
Και μετά η υπογραφή χάνεται.
15:52
What do we learn from that?
386
937000
2000
Τι μαθαίνουμε από αυτό;
15:54
Well, I think we learn a number of things from that.
387
939000
4000
Πιστεύω πως μαθαίνουμε αρκετά από αυτό.
15:58
One of them is,
388
943000
2000
Ένα από αυτά είναι,
16:00
if we are able to think about life
389
945000
3000
εάν είμαστε σε θέση να σκεφτούμε για τη ζωή
16:03
in abstract terms --
390
948000
2000
σε αφηρημένους όρους --
16:05
and we're not talking about things like plants,
391
950000
2000
και δεν μιλάμε για πράγματα όπως φυτά,
16:07
and we're not talking about amino acids,
392
952000
2000
και δεν μιλάμε για αμινοξέα,
16:09
and we're not talking about bacteria,
393
954000
2000
και δεν μιλάμε για βακτήρια,
16:11
but we think in terms of processes --
394
956000
2000
αλλά σκεφτόμαστε με όρους διεργασιών --
16:13
then we could start to think about life,
395
958000
3000
μετά μπορούμε να σκεφτούμε για τη ζωή,
16:16
not as something that is so special to Earth,
396
961000
2000
όχι ως κάτι που είναι τόσο ξεχωριστό στη Γη,
16:18
but that, in fact, could exist anywhere.
397
963000
3000
αλλά κάτι, που στην πραγματικότητα, μπορεί να υπάρξει οπουδήποτε.
16:21
Because it really only has to do
398
966000
2000
Διότι πραγματικά έχει να κάνει
16:23
with these concepts of information,
399
968000
2000
με αυτές τις έννοιες της πληροφορίας,
16:25
of storing information
400
970000
2000
της αποθήκευσης πληροφορίας
16:27
within physical substrates --
401
972000
2000
μέσα στα φυσικά υποστρώματα --
16:29
anything: bits, nucleic acids,
402
974000
2000
οτιδήποτε: δυαδικά ψηφία, νουκλεϊκά οξέα,
16:31
anything that's an alphabet --
403
976000
2000
οτιδήποτε είναι ένα αλφάβητο --
16:33
and make sure that there's some process
404
978000
2000
και να σιγουρευτούμε ότι υπάρχει κάποια διεργασία
16:35
so that this information can be stored
405
980000
2000
έτσι ώστε η πληροφορία να μπορεί να αποθηκευτεί
16:37
for much longer than you would expect
406
982000
2000
για πολύ περισσότερο απ' ότι θα περιμένατε να είναι
16:39
the time scales for the deterioration of information.
407
984000
4000
οι χρονικές κλίμακες για την αλλοίωση της πληροφορίας.
16:43
And if you can do that,
408
988000
2000
Και αν μπορείτε να το κάνετε αυτό,
16:45
then you have life.
409
990000
2000
τότε έχετε ζωή.
16:47
So the first thing that we learn
410
992000
2000
Οπότε το πρώτο πράγμα που μάθαμε
16:49
is that it is possible to define life
411
994000
3000
είναι ότι είναι εφικτό να ορίσουμε τη ζωή
16:52
in terms of processes alone,
412
997000
3000
μόνο σε όρους διεργασιών,
16:55
without referring at all
413
1000000
2000
χωρίς να αναφερθούμε καθόλου
16:57
to the type of things that we hold dear,
414
1002000
2000
σε όλα εκείνα που θεωρούμε ιερά
16:59
as far as the type of life on Earth is.
415
1004000
3000
όσον αφορά το είδος ζωής που έχουμε στη Γη.
17:02
And that in a sense removes us again,
416
1007000
3000
Και αυτό κατά μία έννοια μας απομακρύνει ξανά,
17:05
like all of our scientific discoveries, or many of them --
417
1010000
3000
όπως όλες οι επιστημονικές ανακαλύψεις, ή οι πιο πολλές από αυτές --
17:08
it's this continuous dethroning of man --
418
1013000
2000
είναι αυτή η συνεχής εκθρόνιση του ανθρώπου --
17:10
of how we think we're special because we're alive.
419
1015000
3000
από το ότι σκεφτόμαστε ότι είμαστε μοναδικοί επειδή είμαστε ζωντανοί.
17:13
Well we can make life. We can make life in the computer.
420
1018000
3000
Μπορούμε να δημιουργήσουμε ζωή. Μπορούμε να δημιουργήσουμε ζωή σε έναν υπολογιστή.
17:16
Granted, it's limited,
421
1021000
2000
Δεδομένου ότι είναι περιοριστικό,
17:18
but we have learned what it takes
422
1023000
3000
έχουμε μάθει τι χρειάζεται
17:21
in order to actually construct it.
423
1026000
2000
για να την δημιουργήσουμε πραγματικά.
17:23
And once we have that,
424
1028000
3000
Και εφόσον έχουμε αυτό,
17:26
then it is not such a difficult task anymore
425
1031000
3000
τότε δεν είναι τόσο δύσκολο πια
17:29
to say, if we understand the fundamental processes
426
1034000
4000
να πούμε, εάν αντιλαμβανόμαστε τις πρωταρχικές διεργασίες
17:33
that do not refer to any particular substrate,
427
1038000
3000
που δεν αναφέρονται σε κανένα συγκεκριμένο υπόστρωμα,
17:36
then we can go out
428
1041000
2000
ότι μπορούμε να πάμε εκεί έξω
17:38
and try other worlds,
429
1043000
2000
και να δοκιμάσουμε άλλους κόσμους,
17:40
figure out what kind of chemical alphabets might there be,
430
1045000
4000
να καταλάβουμε ποια είδη χημικών αλφάβητων υπάρχουν,
17:44
figure enough about the normal chemistry,
431
1049000
2000
να έχουμε μια καλή εικόνα της κανονικής χημείας,
17:46
the geochemistry of the planet,
432
1051000
3000
της γεωχημείας του πλανήτη,
17:49
so that we know what this distribution would look like
433
1054000
2000
έτσι ώστε να γνωρίζουμε πως θα είναι η κατανομή
17:51
in the absence of life,
434
1056000
2000
στην απουσία ζωής,
17:53
and then look for large deviations from this --
435
1058000
3000
και μετά να αναζητήσουμε μεγάλες αποκλίσεις από αυτή --
17:56
this thing sticking out, which says,
436
1061000
3000
αυτό το πράγμα ξεχωρίζει, που λέμε,
17:59
"This chemical really shouldn't be there."
437
1064000
2000
"Αυτό το χημικό πραγματικά δε θα έπρεπε να ήταν εκεί."
18:01
Now we don't know that there's life then,
438
1066000
2000
Τώρα, δεν θα ξέρουμε αν θα υπάρχει ζωή εκεί,
18:03
but we could say,
439
1068000
2000
αλλά μπορούμε να πούμε,
18:05
"Well at least I'm going to have to take a look very precisely at this chemical
440
1070000
3000
"Λοιπόν, τουλάχιστον θα ρίξω μια ματιά με ακρίβεια σε αυτό το χημικό
18:08
and see where it comes from."
441
1073000
2000
και θα δω από που προέρχεται."
18:10
And that might be our chance
442
1075000
2000
Και αυτή ίσως είναι η ευκαιρία μας
18:12
of actually discovering life
443
1077000
2000
να ανακαλύψουμε πραγματικά τη ζωή
18:14
when we cannot visibly see it.
444
1079000
2000
όταν δεν θα είναι ορατή.
18:16
And so that's really the only take-home message
445
1081000
3000
Και άρα αυτό είναι το μήνυμα που πρέπει να πάρετε μαζί σας
18:19
that I have for you.
446
1084000
2000
που έχω για εσάς.
18:21
Life can be less mysterious
447
1086000
2000
Η ζωή μπορεί να είναι λιγότερο μυστηριώδης
18:23
than we make it out to be
448
1088000
2000
απ' ότι την κάνουμε εμείς να είναι
18:25
when we try to think about how it would be on other planets.
449
1090000
4000
όταν προσπαθούμε να σκεφτούμε πώς θα είναι σε άλλους πλανήτες.
18:29
And if we remove the mystery of life,
450
1094000
3000
Και αν αφαιρέσουμε το μυστήριο της ζωής,
18:32
then I think it is a little bit easier
451
1097000
3000
τότε πιστεύω πως είναι λιγάκι πιο εύκολο
18:35
for us to think about how we live,
452
1100000
2000
για εμάς να σκεφτούμε πώς ζούμε,
18:37
and how perhaps we're not as special as we always think we are.
453
1102000
3000
και πως ίσως δεν είμαστε τόσο μοναδικοί όπως πάντα πιστεύουμε ότι είμαστε.
18:40
And I'm going to leave you with that.
454
1105000
2000
Και θα σας αφήσω με αυτό.
18:42
And thank you very much.
455
1107000
2000
Και σας ευχαριστώ πάρα πολύ.
18:44
(Applause)
456
1109000
2000
(Χειροκρότημα)
ABOUT THE SPEAKER
Christoph Adami - Artificial life researcherChristoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions.
Why you should listen
Christoph Adami researches the nature of living systems, using 'artificial life' -- small, self-replicating computer programs. His main research focus is Darwinian evolution, which he studies at different levels of organization (from simple molecules to brains). He has pioneered theapplication of methods from information theory to the study of evolution, and designed the "Avida" system that launched the use of digital life as a tool for investigating basic questions in evolutionary biology.
He is Professor of Applied Life Sciences at the Keck Graduate Institute in Claremont, CA, and a Visiting Professor at the BEACON Center for the Study of Evolution in Action at Michigan State University. He obtained his PhD in theoretical physics from the State University of New York at Stony Brook.
Christoph Adami | Speaker | TED.com