TED1994
Danny Hillis: Back to the future (of 1994)
Ντάνι Χίλις: Πίσω στο μέλλον (του 1994)
Filmed:
Readability: 3.8
686,810 views
Βαθιά μέσα από τα αρχεία του TED, ο Ντάνι Χίλις περιγράφει μία ενδιαφέρουσα θεωρία για το πώς και το γιατί η τεχνολογική αλλαγή μοιάζει να επιταχύνεται, συνδέοντάς την με την ίδια την εξέλιξη της ζωής. Οι τεχνικές της παρουσίασης που χρησιμοποιεί ίσως να μοιάζουν ξεπερασμένες αλλά οι ιδέες είναι σχετικές όσο ποτέ.
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
Επειδή συνήθως αναλαμβάνω το ρόλο
00:18
of trying to explain to people
1
3000
2000
του να εξηγώ στον κόσμο
00:20
how wonderful the new technologies
2
5000
3000
το πόσο υπέροχες θα είναι οι νέες τεχνολογίες
00:23
that are coming along are going to be,
3
8000
2000
που εμφανίζονται
00:25
and I thought that, since I was among friends here,
4
10000
3000
και σκέφτηκα ότι αφού εδώ βρίσκομαι με φίλους,
00:28
I would tell you what I really think
5
13000
4000
θα σας πω τι πραγματικά πιστεύω
00:32
and try to look back and try to understand
6
17000
2000
και θα προσπαθήσω να κοιτάξω πίσω και να καταλάβω
00:34
what is really going on here
7
19000
3000
τι πραγματικά συμβαίνει εδώ
00:37
with these amazing jumps in technology
8
22000
5000
με αυτά τα εκπληκτικά άλματα στην τεχνολογία
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
που μοιάζουν τόσο γρήγορα που μόλις που καταφέρνουμε να τα ακολουθούμε.
00:45
So I'm going to start out
10
30000
2000
Θα ξεκινήσω, λοιπόν,
00:47
by showing just one very boring technology slide.
11
32000
3000
δείχνοντας μια πολύ βαρετή διαφάνεια για την τεχνολογία.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
Αν μπορείτε λοιπόν να δείξετε τη διαφάνεια.
00:56
This is just a random slide
13
41000
2000
Αυτή είναι μια τυχαία διαφάνεια
00:58
that I picked out of my file.
14
43000
2000
που επέλεξα από το φάκελό μου.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
Αυτό που θέλω να σας δείξω δεν είναι τόσο οι λεπτομέρειες στη διαφάνεια,
01:03
but the general form of it.
16
48000
2000
αλλά η γενική της μορφή.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
Τυχαίνει να είναι μια διαφάνεια μιας ανάλυσης που κάναμε
01:08
about the power of RISC microprocessors
18
53000
3000
για την ενέργεια των μικροεπεξεργαστών υπολογιστών περιορισμένου ρεπερτορίου εντολών
01:11
versus the power of local area networks.
19
56000
3000
έναντι της ενέργειας των τοπικών δικτύων.
01:14
And the interesting thing about it
20
59000
2000
Αυτό που παρουσιάζει ενδιαφέρον είναι ότι
01:16
is that this slide,
21
61000
2000
αυτή η διαφάνεια,
01:18
like so many technology slides that we're used to,
22
63000
3000
όπως και πολλές διαφάνειες για την τεχνολογία που έχουμε συνηθίσει,
01:21
is a sort of a straight line
23
66000
2000
είναι σαν μια ίσια γραμμή
01:23
on a semi-log curve.
24
68000
2000
σε μια ημιλογαριθμική καμπύλη.
01:25
In other words, every step here
25
70000
2000
Με άλλα λόγια, το κάθε βήμα εδώ
01:27
represents an order of magnitude
26
72000
2000
συμβολίζει μια τάξη μεγέθους
01:29
in performance scale.
27
74000
2000
σε μία κλίμακα.
01:31
And this is a new thing
28
76000
2000
Αυτό είναι κάτι καινούργιο
01:33
that we talk about technology
29
78000
2000
το να μιλάμε για την τεχνολογία
01:35
on semi-log curves.
30
80000
2000
με ημιλογαριθμικές καμπύλες.
01:37
Something really weird is going on here.
31
82000
2000
Κάτι πολύ παράξενο συμβαίνει εδώ.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
Αυτό στην ουσία είναι το θέμα για το οποίο θα μιλήσω.
01:42
So, if you could bring up the lights.
33
87000
3000
Αν μπορούσατε να σηκώσετε τα φώτα.
01:47
If you could bring up the lights higher,
34
92000
2000
Λίγο ψηλότερα,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
γιατί θα χρησιμοποιήσω ένα χαρτί εδώ.
01:52
Now why do we draw technology curves
36
97000
2000
Γιατί λοιπόν σχεδιάζουμε τεχνολογικές καμπύλες
01:54
in semi-log curves?
37
99000
2000
με ημιλογαριθμικές καμπύλες;
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
Η απάντηση είναι πως αν σχεδίαζα μία κανονική καμπύλη
01:59
where, let's say, this is years,
39
104000
2000
εκεί που, ας πούμε, έχουμε χρόνια,
02:01
this is time of some sort,
40
106000
2000
αυτός είναι κάποιου είδους χρόνος,
02:03
and this is whatever measure of the technology
41
108000
3000
κι αυτό είναι οποιοδήποτε μέτρο της τεχνολογίας
02:06
that I'm trying to graph,
42
111000
3000
που προσπαθώ να σχεδιάσω γραφικά,
02:09
the graphs look sort of silly.
43
114000
3000
τα γραφήματα φαίνονται κάπως χαζά.
02:12
They sort of go like this.
44
117000
3000
Πάνε κάπως έτσι.
02:15
And they don't tell us much.
45
120000
3000
Δεν μας λένε πολλά.
02:18
Now if I graph, for instance,
46
123000
3000
Αν, για παράδειγμα, σχεδιάσω γραφικά
02:21
some other technology, say transportation technology,
47
126000
2000
μια κάποια άλλη τεχνολογία, ας πούμε τεχνολογία μεταφορών,
02:23
on a semi-log curve,
48
128000
2000
σε ημιλογαριθμική καμπύλη,
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
θα φαινόταν πολύ χαζό, θα έμοιαζε με μια ίσια γραμμή.
02:28
But when something like this happens,
50
133000
2000
Όταν, όμως, συμβαίνει κάτι τέτοιο,
02:30
things are qualitatively changing.
51
135000
2000
τα πράγματα αλλάζουν ποιοτικά.
02:32
So if transportation technology
52
137000
2000
Αν, λοιπόν, η τεχνολογία μεταφορών
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
κινούταν τόσο γρήγορα όσο και η τεχνολογία μικροεπεξεργαστών,
02:37
then the day after tomorrow,
54
142000
2000
τότε μεθαύριο,
02:39
I would be able to get in a taxi cab
55
144000
2000
θα μπορούσα να μπω σε ένα ταξί
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
και να είμαι στο Τόκυο σε 30 δευτερόλεπτα.
02:43
It's not moving like that.
57
148000
2000
Δεν κινείται έτσι.
02:45
And there's nothing precedented
58
150000
2000
Δεν υπάρχει κανένα προηγούμενο,
02:47
in the history of technology development
59
152000
2000
στην ιστορία της ανάπτυξης της τεχνολογίας,
02:49
of this kind of self-feeding growth
60
154000
2000
τέτοιου είδους αυτοτροφοδοτούμενης ανάπτυξης
02:51
where you go by orders of magnitude every few years.
61
156000
3000
όπου πηγαίνεις σύμφωνα με τις τάξεις μεγέθους κάθε λίγα χρόνια.
02:54
Now the question that I'd like to ask is,
62
159000
3000
Η ερώτηση που θα ήθελα να κάνω είναι,
02:57
if you look at these exponential curves,
63
162000
3000
εάν κοιτάξετε αυτές τις εκθετικές καμπύλες,
03:00
they don't go on forever.
64
165000
3000
δεν συνεχίζουν επ' αόριστον.
03:03
Things just can't possibly keep changing
65
168000
3000
Απλώς τα πράγματα δεν μπορούν να συνεχίζουν να αλλάζουν
03:06
as fast as they are.
66
171000
2000
τόσο γρήγορα.
03:08
One of two things is going to happen.
67
173000
3000
Θα συμβεί ένα από τα δύο πράγματα.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
Είτε θα βγει μία κάπως κλασικά S-καμπύλη σαν κι αυτή,
03:15
until something totally different comes along,
69
180000
4000
μέχρι να προκύψει κάτι εντελώς διαφορετικό,
03:19
or maybe it's going to do this.
70
184000
2000
είτε ίσως να κάνει αυτό.
03:21
That's about all it can do.
71
186000
2000
Μόνο αυτά μπορεί να συμβούν.
03:23
Now I'm an optimist,
72
188000
2000
Είμαι αισιόδοξος άνθρωπος,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
οπότε πιστεύω ότι θα κάνει κάτι τέτοιο.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
Αν το κάνει, σημαίνει ότι αυτό που κάνουμε αυτή τη στιγμή
03:31
is a transition.
75
196000
2000
είναι μία μετάβαση.
03:33
We're sort of on this line
76
198000
2000
Είμαστε περίπου σε αυτήν τη γραμμή
03:35
in a transition from the way the world used to be
77
200000
2000
σε μία μετάβαση από τον τρόπο που ήταν ο κόσμος κάποτε
03:37
to some new way that the world is.
78
202000
3000
σε ένα νέο τρόπο που είναι τώρα.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
Οπότε αυτό που προσπαθώ να ρωτήσω, αυτό που ρωτάω τον εαυτό μου,
03:43
is what's this new way that the world is?
80
208000
3000
είναι το ποιος είναι αυτός ο τρόπος που είναι ο κόσμος σήμερα;
03:46
What's that new state that the world is heading toward?
81
211000
3000
Ποια είναι η καινούργια κατάσταση προς την οποία κατευθύνεται ο κόσμος;
03:49
Because the transition seems very, very confusing
82
214000
3000
Γιατί η μετάβαση φαίνεται πολύ, πολύ μπερδεμένη
03:52
when we're right in the middle of it.
83
217000
2000
όταν βρισκόμαστε στο επίκεντρό της.
03:54
Now when I was a kid growing up,
84
219000
3000
Όταν ήμουν παιδί,
03:57
the future was kind of the year 2000,
85
222000
3000
το μέλλον ήταν το έτος 2000,
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
και ο κόσμος μιλούσε για το τι θα συνέβαινε το 2000.
04:04
Now here's a conference
87
229000
2000
Αυτή είναι μία διάσκεψη
04:06
in which people talk about the future,
88
231000
2000
στην οποία ο κόσμος μιλάει για το μέλλον,
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
και παρατηρείτε ότι το μέλλον είναι ακόμα περίπου στο έτος 2000.
04:11
It's about as far as we go out.
90
236000
2000
Μέχρι εκεί φτάνουμε.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
Με άλλα λόγια, το μέλλον συρρικνώνεται κατά κάποιον τρόπο
04:16
one year per year
92
241000
3000
χρόνο με το χρόνο
04:19
for my whole lifetime.
93
244000
3000
σε όλη μου τη ζωή.
04:22
Now I think that the reason
94
247000
2000
Πιστεύω ότι ο λόγος
04:24
is because we all feel
95
249000
2000
είναι ότι όλοι νιώθουμε
04:26
that something's happening there.
96
251000
2000
πως κάτι συμβαίνει.
04:28
That transition is happening. We can all sense it.
97
253000
2000
Αυτή η μετάβαση συμβαίνει. Το αισθανόμαστε όλοι.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
Ξέρουμε ότι δεν βγάζει και πολύ νόημα
04:32
to think out 30, 50 years
99
257000
2000
το να σκεφτούμε 30, 50 χρόνια
04:34
because everything's going to be so different
100
259000
3000
γιατί όλα θα είναι τόσο διαφορετικά
04:37
that a simple extrapolation of what we're doing
101
262000
2000
που μία απλή παρεκβολή του τι κάνουμε
04:39
just doesn't make any sense at all.
102
264000
3000
απλώς δεν βγάζει κανένα νόημα.
04:42
So what I would like to talk about
103
267000
2000
Θα ήθελα να μιλήσω, λοιπόν,
04:44
is what that could be,
104
269000
2000
για το τι θα μπορούσε να είναι αυτό,
04:46
what that transition could be that we're going through.
105
271000
3000
τι θα μπορούσε να είναι αυτή η μετάβαση την οποία διανύουμε.
04:49
Now in order to do that
106
274000
3000
Για να το κάνω αυτό
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
θα πρέπει να μιλήσω για ένα σωρό πράγματα
04:54
that really has nothing to do
108
279000
2000
που πραγματικά δεν έχουν καμία σχέση
04:56
with technology and computers.
109
281000
2000
με τεχνολογία και υπολογιστές.
04:58
Because I think the only way to understand this
110
283000
2000
Γιατί νομίζω ότι ο μόνος τρόπος να το κατανοήσουμε αυτό
05:00
is to really step back
111
285000
2000
είναι να κάνουμε ένα βήμα πίσω
05:02
and take a long time scale look at things.
112
287000
2000
και να ρίξουμε μια ματιά με χρονική κλίμακα στα πράγματα.
05:04
So the time scale that I would like to look at this on
113
289000
3000
Η χρονική κλίμακα, λοιπόν, στην οποία θα ήθελα να το κοιτάξω αυτό
05:07
is the time scale of life on Earth.
114
292000
3000
είναι η χρονική κλίμακα της ζωής στη Γη.
05:13
So I think this picture makes sense
115
298000
2000
Νομίζω πως αυτή η εικόνα βγάζει νόημα
05:15
if you look at it a few billion years at a time.
116
300000
4000
αν την κοιτάξουμε κάθε λίγα δισεκατομμύρια χρόνια.
05:19
So if you go back
117
304000
2000
Αν πάμε πίσω, λοιπόν,
05:21
about two and a half billion years,
118
306000
2000
περίπου δυόμιση δισεκατομμύρια χρόνια,
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
η Γη ήταν ένα μεγάλο, άγονο κομμάτι βράχου
05:26
with a lot of chemicals floating around on it.
120
311000
3000
με πολλά χημικά να αιωρούνται τριγύρω.
05:29
And if you look at the way
121
314000
2000
Αν κοιτάξετε τον τρόπο με τον οποίο
05:31
that the chemicals got organized,
122
316000
2000
οργανώθηκαν τα χημικά,
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
αρχίζουμε να παίρνουμε μια ιδέα για το πώς το κάνουν.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
Νομίζω πως υπάρχουν θεωρίες που αρχίζουμε να κατανοούμε
05:39
about how it started with RNA,
125
324000
2000
για το πώς ξεκίνησε με το ριβοζονουκλεϊνικό οξύ,
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
αλλά θα πω μία κάπως απλή ιστορία γι' αυτό,
05:44
which is that, at that time,
127
329000
2000
η οποία είναι ότι τότε
05:46
there were little drops of oil floating around
128
331000
3000
υπήρχαν μικρές σταγόνες λαδιού που αιωρούνταν τριγύρω
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
με διάφορες συνταγές χημικών μέσα τους.
05:52
And some of those drops of oil
130
337000
2000
Κάποιες από αυτές τις σταγόνες λαδιού
05:54
had a particular combination of chemicals in them
131
339000
2000
είχαν ένα συγκεκριμένο συνδυασμό χημικών μέσα τους
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
που τις έκανε να ενσωματώσουν χημικά από τον εξωτερικό χώρο
05:59
and grow the drops of oil.
133
344000
3000
και να δημιουργήσουν τις σταγόνες λαδιού.
06:02
And those that were like that
134
347000
2000
Εκείνες που ήταν έτσι
06:04
started to split and divide.
135
349000
2000
άρχισαν να χωρίζονται και να διαιρούνται.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
Αυτές ήταν οι πιο πρωτόγονες μορφές κυττάρου κατά κάποιο τρόπο,
06:09
those little drops of oil.
137
354000
2000
εκείνες οι μικρές σταγόνες λαδιού.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
Αυτές, όμως, οι σταγόνες λαδιού δεν ήταν και πολύ ζωντανές, όπως το λέμε τώρα,
06:14
because every one of them
139
359000
2000
διότι η καθεμιά
06:16
was a little random recipe of chemicals.
140
361000
2000
ήταν μία μικρή τυχαία συνταγή χημικών.
06:18
And every time it divided,
141
363000
2000
Κάθε φορά που διαιρούταν,
06:20
they got sort of unequal division
142
365000
3000
γινόταν ένα είδος άνισης διαίρεσης
06:23
of the chemicals within them.
143
368000
2000
των χημικών μέσα τους.
06:25
And so every drop was a little bit different.
144
370000
3000
Έτσι κάθε σταγόνα ήταν λίγο διαφορετική.
06:28
In fact, the drops that were different in a way
145
373000
2000
Για την ακρίβεια, οι σταγόνες που ήταν διαφορετικές με τρόπο
06:30
that caused them to be better
146
375000
2000
που τις έκανε να είναι καλύτερες
06:32
at incorporating chemicals around them,
147
377000
2000
στο να ενσωματώνουν χημικά από γύρω τους,
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
μεγάλωναν περισσότερο και ενσωμάτωναν περισσότερα χημικά και διαιρούνταν περισσότερο.
06:37
So those tended to live longer,
149
382000
2000
Αυτές, λοιπόν, ζούσαν περισσότερο,
06:39
get expressed more.
150
384000
3000
εμφανίζονταν περισσότερο.
06:42
Now that's sort of just a very simple
151
387000
3000
Αυτή είναι μια πολύ απλή
06:45
chemical form of life,
152
390000
2000
χημική μορφή ζωής,
06:47
but when things got interesting
153
392000
3000
αλλά τα πράγματα παρουσίασαν ενδιαφέρον
06:50
was when these drops
154
395000
2000
όταν αυτές οι σταγόνες
06:52
learned a trick about abstraction.
155
397000
3000
έμαθαν ένα κόλπο για την αφαίρεση.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
Με κάποιον τρόπο και με τρόπους που δεν πολυκαταλαβαίνουμε,
06:58
these little drops learned to write down information.
157
403000
3000
αυτές οι μικρές σταγόνες έμαθαν να γράφουν πληροφορίες.
07:01
They learned to record the information
158
406000
2000
Έμαθαν να καταγράφουν τις πληροφορίες
07:03
that was the recipe of the cell
159
408000
2000
που ήταν η συνταγή του κυττάρου
07:05
onto a particular kind of chemical
160
410000
2000
σε ένα συγκεκριμένο είδος χημικού
07:07
called DNA.
161
412000
2000
που λέγεται DNA.
07:09
So in other words, they worked out,
162
414000
2000
Με άλλα λόγια, βρήκαν μία μορφή,
07:11
in this mindless sort of evolutionary way,
163
416000
3000
σε αυτόν τον κάπως εξελικτικό τρόπο,
07:14
a form of writing that let them write down what they were,
164
419000
3000
γραφής που μπορούσαν να γράφουν αυτό που ήταν,
07:17
so that that way of writing it down could get copied.
165
422000
3000
έτσι ώστε αυτός ο τρόπος που το έγραφαν να μπορούσε να αντιγραφεί.
07:20
The amazing thing is that that way of writing
166
425000
3000
Το εκπληκτικό είναι ότι αυτός ο τρόπος γραφής
07:23
seems to have stayed steady
167
428000
2000
φαίνεται να έχει μείνει σταθερός
07:25
since it evolved two and a half billion years ago.
168
430000
2000
από τότε που εξελίχθηκε πριν δυόμιση δισεκατομμύρια χρόνια.
07:27
In fact the recipe for us, our genes,
169
432000
3000
Μάλιστα η συνταγή για εμάς, για τα γονίδιά μας,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
είναι ακριβώς αυτός ο ίδιος κώδικας και αυτή η ίδια γραφή.
07:33
In fact, every living creature is written
171
438000
3000
Κάθε ζωντανό πλάσμα είναι γραμμένο
07:36
in exactly the same set of letters and the same code.
172
441000
2000
με τα ίδια ακριβώς γράμματα και τον ίδιο κώδικα.
07:38
In fact, one of the things that I did
173
443000
2000
Ένα από τα πράγματα που έκανα
07:40
just for amusement purposes
174
445000
2000
απλώς για ευχαρίστηση
07:42
is we can now write things in this code.
175
447000
2000
είναι ότι τώρα μπορούμε να γράψουμε με αυτόν τον κώδικα.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
Εδώ έχω 100 μικρογραμμάρια άσπρης σκόνης,
07:50
which I try not to let the security people see at airports.
177
455000
4000
την οποία προσπαθώ να μη δουν οι άνθρωποι της ασφάλειας στα αεροδρόμια.
07:54
(Laughter)
178
459000
2000
(Γέλια)
07:56
But this has in it --
179
461000
2000
Έχει μέσα της --
07:58
what I did is I took this code --
180
463000
2000
αυτό που έκανα ήταν να πάρω αυτόν τον κώδικα--
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
ο κώδικας έχει συγκεκριμένα γράμματα που χρησιμοποιούμε για να τον συμβολίζουμε--
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
και έγραψα την επαγγελματική μου κάρτα σε ένα κομμάτι DNA
08:06
and amplified it 10 to the 22 times.
183
471000
3000
και το ενίσχυσα 10 μέχρι 22 φορές.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Αν, λοιπόν, κάποιος ήθελε εκατό εκατομμύρια αντίγραφα της κάρτας μου,
08:12
I have plenty for everyone in the room,
185
477000
2000
έχω αρκετά για τον καθένα σε αυτήν την αίθουσα,
08:14
and, in fact, everyone in the world,
186
479000
2000
και μάλιστα για όλον τον κόσμο
08:16
and it's right here.
187
481000
3000
και είναι ακριβώς εδώ.
08:19
(Laughter)
188
484000
5000
(Γέλια)
08:26
If I had really been a egotist,
189
491000
2000
Αν ήμουν πραγματικά εγωιστής,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
θα το είχα βάλει σε έναν ιό και θα το είχα κυκλοφορήσει στην αίθουσα.
08:31
(Laughter)
191
496000
5000
(Γέλια)
08:39
So what was the next step?
192
504000
2000
Ποιο ήταν το επόμενο βήμα;
08:41
Writing down the DNA was an interesting step.
193
506000
2000
Η καταγραφή του DNA ήταν ένα ενδιαφέρον βήμα.
08:43
And that caused these cells --
194
508000
2000
Κι αυτό προκάλεσε αυτά τα κύτταρα--
08:45
that kept them happy for another billion years.
195
510000
2000
αυτό τα κράτησε χαρούμενα για ακόμα ένα δισεκατομμύριο χρόνια.
08:47
But then there was another really interesting step
196
512000
2000
Μετά υπήρξε ένα ακόμη πολύ ενδιαφέρον βήμα
08:49
where things became completely different,
197
514000
3000
όπου τα πράγματα έγιναν τελείως διαφορετικά,
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
κι αυτό είναι ότι αυτά τα κύτταρα άρχισαν να ανταλλάσουν και να δίνουν πληροφορίες,
08:55
so that they began to get communities of cells.
199
520000
2000
κι έτσι άρχισαν να σχηματίζουν κοινότητες κυττάρων.
08:57
I don't know if you know this,
200
522000
2000
Δεν ξέρω εάν το γνωρίζετε,
08:59
but bacteria can actually exchange DNA.
201
524000
2000
όμως τα βακτήρια μπορούν να ανταλλάξουν DNA.
09:01
Now that's why, for instance,
202
526000
2000
Γι' αυτό, για παράδειγμα,
09:03
antibiotic resistance has evolved.
203
528000
2000
η αντιβιοτική αντίσταση έχει εξελιχθεί.
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Κάποια βακτήρια βρήκαν τρόπο να μείνουν μακριά από την πενικιλίνη,
09:08
and it went around sort of creating its little DNA information
205
533000
3000
και κάπως δημιούργησε τις μικρές DNA πληροφορίες της
09:11
with other bacteria,
206
536000
2000
με άλλα βακτήρια,
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
και τώρα έχουμε πολλά βακτήρια που είναι άνοσα στην πενικιλίνη,
09:16
because bacteria communicate.
208
541000
2000
επειδή τα βακτήρια επικοινωνούν.
09:18
Now what this communication allowed
209
543000
2000
Η επικοινωνία αυτή επέτρεπε
09:20
was communities to form
210
545000
2000
στις κοινότητες να σχηματίσουν
09:22
that, in some sense, were in the same boat together;
211
547000
2000
το ότι, με κάποιο τρόπο, ήταν στην ίδια βάρκα μαζί,
09:24
they were synergistic.
212
549000
2000
ήταν συνεργατικά.
09:26
So they survived
213
551000
2000
Έτσι επιζούσαν
09:28
or they failed together,
214
553000
2000
ή αποτυγχάναν μαζί,
09:30
which means that if a community was very successful,
215
555000
2000
που σημαίνει ότι αν μια κοινότητα ήταν πολύ πετυχημένη,
09:32
all the individuals in that community
216
557000
2000
όλα τα άτομα σε αυτήν την κοινότητα
09:34
were repeated more
217
559000
2000
επαναλαμβάνονταν περισσότερο
09:36
and they were favored by evolution.
218
561000
3000
και ευνοούνταν από την εξέλιξη.
09:39
Now the transition point happened
219
564000
2000
Το σημείο μετάβασης συνέβη
09:41
when these communities got so close
220
566000
2000
όταν οι κοινότητες ήρθαν τόσο κοντά
09:43
that, in fact, they got together
221
568000
2000
που, στην ουσία, ενώθηκαν
09:45
and decided to write down the whole recipe for the community
222
570000
3000
και αποφάσισαν να γράψουν ολόκληρη τη συνταγή για την κοινότητα μαζί
09:48
together on one string of DNA.
223
573000
3000
σε μια σειρά DNA.
09:51
And so the next stage that's interesting in life
224
576000
2000
Έτσι, το επόμενο ενδιαφέρον στάδιο στη ζωή
09:53
took about another billion years.
225
578000
2000
πήρε άλλο ένα περίπου δισεκατομμύριο χρόνια.
09:55
And at that stage,
226
580000
2000
Σε εκείνο το στάδιο,
09:57
we have multi-cellular communities,
227
582000
2000
έχουμε πολυκύτταρες κοινότητες,
09:59
communities of lots of different types of cells,
228
584000
2000
κοινότητες πολλών διαφορετικών ειδών κυττάρων,
10:01
working together as a single organism.
229
586000
2000
που δουλεύουν μαζί σε έναν μόνο οργανισμό.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
Μάλιστα, είμαστε μια τέτοια πολυκυττάρια κοινότητα.
10:06
We have lots of cells
231
591000
2000
Έχουμε πολλά κύτταρα
10:08
that are not out for themselves anymore.
232
593000
2000
που δεν είναι μόνα τους πλέον.
10:10
Your skin cell is really useless
233
595000
3000
Το κύτταρο του δέρματος είναι πραγματικά άχρηστο
10:13
without a heart cell, muscle cell,
234
598000
2000
χωρίς ένα κύτταρο καρδιάς, ένα μυικό κύτταρο,
10:15
a brain cell and so on.
235
600000
2000
ένα κύτταρο του εγκεφάλου κ.ο.κ.
10:17
So these communities began to evolve
236
602000
2000
Αυτές οι κοινότητες άρχισαν να εξελίσσονται
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
με τέτοιο τρόπο που το επίπεδο ενδιαφέροντος στο οποίο συνέβαινε η εξέλιξη
10:22
was no longer a cell,
238
607000
2000
δεν ήταν πλέον ένα κύτταρο,
10:24
but a community which we call an organism.
239
609000
3000
αλλά μία κοινότητα που ονομάζουμε οργανισμό.
10:28
Now the next step that happened
240
613000
2000
Το επόμενο βήμα που έγινε
10:30
is within these communities.
241
615000
2000
ήταν μέσα σε αυτές τις κοινότητες.
10:32
These communities of cells,
242
617000
2000
Αυτές οι κοινότητες κυττάρων,
10:34
again, began to abstract information.
243
619000
2000
άρχισαν ξανά να αποσπούν πληροφορίες.
10:36
And they began building very special structures
244
621000
3000
Άρχισαν να χτίζουν πολύ ειδικές δομές
10:39
that did nothing but process information within the community.
245
624000
3000
που δεν έκαναν τίποτα πέρα από το να επεξεργάζονται πληροφορίες μέσα στην κοινότητα.
10:42
And those are the neural structures.
246
627000
2000
Αυτές είναι οι νευρικές δομές.
10:44
So neurons are the information processing apparatus
247
629000
3000
Οι νευρώνες είναι ο εξοπλισμός επεξεργασίας πληροφοριών
10:47
that those communities of cells built up.
248
632000
3000
που έχτισαν αυτές οι κοινότητες κυττάρων.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
Μάλιστα, άρχισαν να έχουν ειδικούς μέσα στην κοινότητα
10:52
and special structures
250
637000
2000
και ειδικές δομές
10:54
that were responsible for recording,
251
639000
2000
που ήταν υπεύθυνες για την καταγραφή,
10:56
understanding, learning information.
252
641000
3000
την κατανόηση και τη μάθηση πληροφοριών.
10:59
And that was the brains and the nervous system
253
644000
2000
Αυτό ήταν οι εγκέφαλοι και το νευρικό σύστημα
11:01
of those communities.
254
646000
2000
αυτών των κοινοτήτων.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
Αυτό τους έδωσε ένα εξελικτικό πλεονέκτημα.
11:05
Because at that point,
256
650000
3000
Διότι σε αυτό το σημείο,
11:08
an individual --
257
653000
3000
ένα άτομο --
11:11
learning could happen
258
656000
2000
η μάθηση μπορούσε να συμβεί
11:13
within the time span of a single organism,
259
658000
2000
μέσα στο ίδιο χρονικό διάστημα με έναν μόνο οργανισμό,
11:15
instead of over this evolutionary time span.
260
660000
3000
αντί για αυτό το εξελικτικό χρονικό διάστημα.
11:18
So an organism could, for instance,
261
663000
2000
Άρα, ένας οργανισμός μπορούσε, για παράδειγμα,
11:20
learn not to eat a certain kind of fruit
262
665000
2000
να μάθει να μην τρώει ένα συγκεκριμένο είδος φρούτου
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
γιατί δεν είχε ωραία γεύση και γιατί είχε αρρωστήσει την τελευταία φορά που το έφαγε.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Αυτό μπορεί να συμβεί στη ζωή ενός οργανισμού,
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
ενώ πριν χτιστούν οι ειδικές αυτές δομές επεξεργασίας πληροφοριών,
11:33
that would have had to be learned evolutionarily
266
678000
2000
αυτό θα έπρεπε να μαθευτεί με την εξέλιξη
11:35
over hundreds of thousands of years
267
680000
3000
σε διάστημα εκατοντάδων χιλιάδων χρόνων
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
από τα άτομα που πέθαιναν έχοντας φάει αυτό το είδος φρούτου.
11:41
So that nervous system,
269
686000
2000
Αυτό το νευρικό σύστημα,
11:43
the fact that they built these special information structures,
270
688000
3000
το γεγονός ότι έχτισαν αυτές τις ειδικές δομές πληροφοριών,
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
επιτάχυνε τρομερά την όλη διαδικασία της εξέλιξης.
11:49
Because evolution could now happen within an individual.
272
694000
3000
Γιατί τώρα η εξέλιξη μπορούσε να συμβεί μέσα σε ένα άτομο.
11:52
It could happen in learning time scales.
273
697000
3000
Θα μπορούσε να συμβεί με τη μάθηση χρονικών κλιμάκων.
11:55
But then what happened
274
700000
2000
Αυτό που συνέβη, όμως, μετά ήταν
11:57
was the individuals worked out,
275
702000
2000
ότι τα άτομα βρήκαν, φυσικά, κόλπα
11:59
of course, tricks of communicating.
276
704000
2000
για να επικοινωνούν.
12:01
And for example,
277
706000
2000
Για παράδειγμα,
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
η πιο εξεζητημένη εκδοχή που γνωρίζουμε είναι η ανθρώπινη γλώσσα.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
Αν το καλοσκεφτείτε είναι πραγματικά μία φανταστική ανακάλυψη.
12:09
Here I have a very complicated, messy,
280
714000
2000
Έχω στο μυαλό μου μία πολύ μπερδεμένη,
12:11
confused idea in my head.
281
716000
3000
αλλόκοτη ιδέα.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Κάθομαι εδώ γρυλίζοντας στην ουσία,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
και ελπίζω να δημιουργώ την ίδια μπερδεμένη, αλλόκοτη ιδέα στο μυαλό σας
12:20
that bears some analogy to it.
284
725000
2000
που έχει μια κάποια αναλογία.
12:22
But we're taking something very complicated,
285
727000
2000
Παίρνουμε, όμως, κάτι πολύ περίπλοκο,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
και το μετατρέπουμε σε ήχο, σε αλληλουχία ήχων,
12:27
and producing something very complicated in your brain.
287
732000
4000
και φτιάχνουμε κάτι πολύ περίπλοκο στο μυαλό σας.
12:31
So this allows us now
288
736000
2000
Αυτό μας επιτρέπει τώρα
12:33
to begin to start functioning
289
738000
2000
να ξεκινήσουμε να λειτουργούμε
12:35
as a single organism.
290
740000
3000
σαν ένας οργανισμός.
12:38
And so, in fact, what we've done
291
743000
3000
Αυτό που έχουμε κάνει στην ουσία,
12:41
is we, humanity,
292
746000
2000
εμείς η ανθρωπότητα, είναι
12:43
have started abstracting out.
293
748000
2000
να αποσπάμε πράγματα.
12:45
We're going through the same levels
294
750000
2000
Περνούμε μέσα από τα ίδια επίπεδα
12:47
that multi-cellular organisms have gone through --
295
752000
2000
που έχουν περάσει και οι πολυκύτταροι οργανισμοί --
12:49
abstracting out our methods of recording,
296
754000
3000
αποσπάμε τις δικές μας μεθόδους καταγραφής,
12:52
presenting, processing information.
297
757000
2000
παρουσίασης, επεξεργασίας πληροφοριών.
12:54
So for example, the invention of language
298
759000
2000
Για παράδειγμα, η ανακάλυψη της γλώσσας
12:56
was a tiny step in that direction.
299
761000
3000
ήταν ένα μικροσκοπικό βήμα προς αυτήν την κατεύθυνση.
12:59
Telephony, computers,
300
764000
2000
Τα τηλέφωνα, οι υπολογιστές,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
οι βιντεοκασέτες, τα CD κ.ο.κ.
13:04
are all our specialized mechanisms
302
769000
2000
είναι όλα εξειδικευμένοι μηχανισμοί
13:06
that we've now built within our society
303
771000
2000
που έχουμε χτίσει τώρα μέσα στην κοινωνία μας
13:08
for handling that information.
304
773000
2000
για να χειριζόμαστε αυτές τις πληροφορίες.
13:10
And it all connects us together
305
775000
3000
Όλα μας ενώνουν
13:13
into something
306
778000
2000
σε κάτι
13:15
that is much bigger
307
780000
2000
που είναι πολύ μεγαλύτερο
13:17
and much faster
308
782000
2000
και γρηγορότερο
13:19
and able to evolve
309
784000
2000
και ικανό να εξελιχθεί
13:21
than what we were before.
310
786000
2000
από αυτό που ήμασταν πριν.
13:23
So now, evolution can take place
311
788000
2000
Τώρα, η εξέλιξη μπορεί να συμβεί
13:25
on a scale of microseconds.
312
790000
2000
σε κλίμακα δεκάτων του δευτερολέπτου.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
Είδατε το μικρό εξελικτικό παράδειγμα του Τάι,
13:29
where he sort of did a little bit of evolution
314
794000
2000
όπου έκανε κατά κάποιο τρόπο μια μικρή εξέλιξη
13:31
on the Convolution program right before your eyes.
315
796000
3000
στο πρόγραμα Συνέλιξης μπροστά στα μάτια σας.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Τώρα έχουμε επιταχύνει για άλλη μια φορά τις χρονικές κλίμακες.
13:37
So the first steps of the story that I told you about
317
802000
2000
Τα πρώτα βήματα της ιστορίας που σας είπα
13:39
took a billion years a piece.
318
804000
2000
πήραν ένα δισεκατομμύριο χρόνια το καθένα.
13:41
And the next steps,
319
806000
2000
Τα επόμενα βήματα,
13:43
like nervous systems and brains,
320
808000
2000
όπως τα νευρικά συστήματα και οι εγκεφάλοι,
13:45
took a few hundred million years.
321
810000
2000
πήραν λίγες εκατοντάδες εκατομμύρια χρόνια.
13:47
Then the next steps, like language and so on,
322
812000
3000
Τα επόμενα βήματα, όπως η γλώσσα και άλλα,
13:50
took less than a million years.
323
815000
2000
πήραν λιγότερο από ένα εκατομμύριο χρόνια.
13:52
And these next steps, like electronics,
324
817000
2000
Αυτά τα επόμενα βήματα, όπως η ηλεκτρονική,
13:54
seem to be taking only a few decades.
325
819000
2000
φαίνεται να παίρνουν μόνο μερικές δεκαετίες.
13:56
The process is feeding on itself
326
821000
2000
Η διαδικασία αυτοτροφοδοτείται
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
και γίνεται, φαντάζομαι, αυτοκαταλυτική είναι η σωστή λέξη --
14:01
when something reinforces its rate of change.
328
826000
3000
όταν κάτι ενισχύει το ρυθμό αλλαγής του.
14:04
The more it changes, the faster it changes.
329
829000
3000
Όσο περισσότερο αλλάζει, τόσο γρηγορότερα αλλάζει.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
Νομίζω πως αυτό βλέπουμε εδώ σε αυτήν την εκτίναξη της καμπύλης.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
Βλέπουμε αυτή τη διαδικασία να αυτοτροφοδοτείται.
14:13
Now I design computers for a living,
332
838000
3000
Η δουλειά μου είναι να σχεδιάζω υπολογιστές,
14:16
and I know that the mechanisms
333
841000
2000
και γνωρίζω ότι οι μηχανισμοί
14:18
that I use to design computers
334
843000
3000
που χρησιμοποιώ για να σχεδιάσω υπολογιστές
14:21
would be impossible
335
846000
2000
θα ήταν αδύνατοι
14:23
without recent advances in computers.
336
848000
2000
χωρίς τις πρόσφατες προόδους στους υπολογιστές.
14:25
So right now, what I do
337
850000
2000
Αυτό που κάνω, λοιπόν, τώρα
14:27
is I design objects at such complexity
338
852000
3000
είναι να σχεδιάζω αντικείμενα με τέτοια πολυπλοκότητα
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
που μου είναι πραγματικά αδύνατο να τα σχεδιάσω με τον παραδοσιακό τρόπο.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
Δεν γνωρίζω τι κάνει η κάθε κρυσταλλολυχνία μέσα στη μηχανή σύνδεσης.
14:37
There are billions of them.
341
862000
2000
Υπάρχουν δισεκατομμύρια.
14:39
Instead, what I do
342
864000
2000
Αντί γι' αυτό, αυτό που κάνω
14:41
and what the designers at Thinking Machines do
343
866000
3000
και αυτό που κάνουν οι σχεδιαστές στην εταιρεία Thinking Machines
14:44
is we think at some level of abstraction
344
869000
2000
είναι να σκεφτόμαστε, σε κάποιο βαθμό, κάτι αφηρημένο
14:46
and then we hand it to the machine
345
871000
2000
και μετά να το δίνουμε στο μηχάνημα
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
και αυτό το πηγαίνει πέρα από οτιδήποτε θα μπορούσαμε να κάνουμε εμείς,
14:51
much farther and faster than we could ever do.
347
876000
3000
πολύ πιο πέρα και πιο γρήγορα απ' ό,τι θα μπορούσαμε ποτέ εμείς.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
Μάλιστα, κάποιες φορές το κάνει αυτό με μεθόδους
14:56
that we don't quite even understand.
349
881000
3000
που δεν πολυκαταλαβαίνουμε.
14:59
One method that's particularly interesting
350
884000
2000
Μια μέθοδος που είναι ιδιαίτερα ενδιαφέρουσα
15:01
that I've been using a lot lately
351
886000
3000
και που χρησιμοποιώ πολύ τελευταία,
15:04
is evolution itself.
352
889000
2000
είναι η ίδια η εξέλιξη.
15:06
So what we do
353
891000
2000
Αυτό που κάνουμε
15:08
is we put inside the machine
354
893000
2000
είναι να βάλουμε μέσα στο μηχάνημα
15:10
a process of evolution
355
895000
2000
μια διαδικασία εξέλιξης
15:12
that takes place on the microsecond time scale.
356
897000
2000
που γίνεται στη χρονική κλίμακα δεκάτων του δευτερολέπτου.
15:14
So for example,
357
899000
2000
Για παράδειγμα,
15:16
in the most extreme cases,
358
901000
2000
στις πιο ακραίες περιπτώσεις,
15:18
we can actually evolve a program
359
903000
2000
μπορούμε να αναπτύσσουμε ένα πρόγραμμα
15:20
by starting out with random sequences of instructions.
360
905000
4000
ξεκινώντας με τυχαίες αλληλουχίες εντολών.
15:24
Say, "Computer, would you please make
361
909000
2000
Ας πούμε, «Υπολογιστή, θα μπορούσες σε παρακαλώ να κάνεις
15:26
a hundred million random sequences of instructions.
362
911000
3000
εκατό εκατομμύρια τυχαίες αλληλουχίες εντολών.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
Τώρα, θα μπορούσες σε παρακαλώ να εκτελέσεις όλες αυτές τις τυχαίες αλληλουχίες εντολών,
15:32
run all of those programs,
364
917000
2000
να εκτελέσεις όλα αυτά τα προγράμματα,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
και να επιλέξεις αυτές που ήταν πιο κοντά σε αυτό που ήθελα να κάνω».
15:37
So in other words, I define what I wanted.
366
922000
2000
Με άλλα λόγια, ορίζω αυτό που ήθελα.
15:39
Let's say I want to sort numbers,
367
924000
2000
Ας πούμε ότι θέλω να ταξινομήσω αριθμούς,
15:41
as a simple example I've done it with.
368
926000
2000
σαν ένα απλό παράδειγμα που το έχω κάνει.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Να βρω, λοιπόν, τα προγράμματα που είναι πιο κοντά στην ταξινόμηση αριθμών.
15:46
So of course, random sequences of instructions
370
931000
3000
Φυσικά, οι τυχαίες αλληλουχίες εντολών
15:49
are very unlikely to sort numbers,
371
934000
2000
δεν είναι πολύ πιθανόν να ταξινομήσουν αριθμούς,
15:51
so none of them will really do it.
372
936000
2000
οπότε καμιά δε θα το κάνει.
15:53
But one of them, by luck,
373
938000
2000
Αλλά μία από αυτές, κατά τύχη,
15:55
may put two numbers in the right order.
374
940000
2000
ίσως βάλει δύο αριθμούς στη σωστή σειρά.
15:57
And I say, "Computer,
375
942000
2000
Λέω, «Υπολογιστή,
15:59
would you please now take the 10 percent
376
944000
3000
μπορείς σε παρακαλώ να πάρεις 10%
16:02
of those random sequences that did the best job.
377
947000
2000
από αυτές τις τυχαίες αλληλουχίες που έκαναν την καλύτερη δουλειά.
16:04
Save those. Kill off the rest.
378
949000
2000
Αποθήκευσε αυτές, τις υπόλοιπες πέτα τες.
16:06
And now let's reproduce
379
951000
2000
Τώρα ας αναπαραγάγουμε
16:08
the ones that sorted numbers the best.
380
953000
2000
αυτές που ταξινόμησαν καλύτερα τους αριθμούς.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
Και ας τις αναπαραγάγουμε με μια διαδικασία επανασύνδεσης
16:13
analogous to sex."
382
958000
2000
ανάλογης με το σεξ».
16:15
Take two programs and they produce children
383
960000
3000
Πάρτε δύο προγράμματα και δημιουργούν παιδιά
16:18
by exchanging their subroutines,
384
963000
2000
ανταλλάσοντας τις υπορουτίνες τους,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
και τα παιδιά κληρονομούν τα χαρακτηριστικά των υπορουτινών των δύο προγραμμάτων.
16:23
So I've got now a new generation of programs
386
968000
3000
Έχω τώρα μία νέα γενιά προγραμμάτων
16:26
that are produced by combinations
387
971000
2000
που παράγονται με συνδυασμούς
16:28
of the programs that did a little bit better job.
388
973000
2000
από τα προγράμματα που έκαναν την λίγο καλύτερη δουλειά.
16:30
Say, "Please repeat that process."
389
975000
2000
Λέμε, «Σε παρακαλώ επανέλαβε αυτή τη διαδικασία».
16:32
Score them again.
390
977000
2000
Ξαναπέτυχε τα ίδια.
16:34
Introduce some mutations perhaps.
391
979000
2000
Εισήγαγε ίσως και κάποιες μεταλλάξεις.
16:36
And try that again and do that for another generation.
392
981000
3000
Και προσπάθησέ το αυτό ξανά και κάντο για μια ακόμη γενιά.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
Καθεμιά από αυτές τις γενιές παίρνει μόνο λίγα δέκατα του δευτερολέπτου.
16:42
So I can do the equivalent
394
987000
2000
Μπορώ, λοιπόν, να κάνω το αντίστοιχο
16:44
of millions of years of evolution on that
395
989000
2000
εκατομμυριών ετών εξέλιξης σε αυτό
16:46
within the computer in a few minutes,
396
991000
3000
μέσω υπολογιστή σε λίγα λεπτά
16:49
or in the complicated cases, in a few hours.
397
994000
2000
ή στις περίπλοκες περιπτώσεις, σε λίγες ώρες.
16:51
At the end of that, I end up with programs
398
996000
3000
Στο τέλος, καταλήγω με προγράμματα
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
που είναι τέλεια στο να ταξινομούν αριθμούς.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
Είναι, μάλιστα, προγράμματα πολύ πιο αποτελεσματικά
16:59
than programs I could have ever written by hand.
401
1004000
2000
απ' ότι προγράμματα που θα είχα ποτέ γράψει με το χέρι.
17:01
Now if I look at those programs,
402
1006000
2000
Αν κοιτάξω αυτά τα προγράμματα,
17:03
I can't tell you how they work.
403
1008000
2000
δε μπορώ να σας πω πώς λειτουργούν.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
Έχω προσπαθήσει να τα κοιτάξω και να σας πω πώς λειτουργούν.
17:07
They're obscure, weird programs.
405
1012000
2000
Είναι ασαφή, παράξενα προγράμματα.
17:09
But they do the job.
406
1014000
2000
Κάνουν όμως τη δουλειά τους.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
Μάλιστα, το ξέρω, είμαι βέβαιος ότι κάνουν τη δουλειά τους
17:14
because they come from a line
408
1019000
2000
διότι προέρχονται από μια σειρά
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
εκατοντάδων χιλιάδων προγραμμάτων που έκαναν τη δουλειά τους.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
Η ζωή τους εξαρτόταν από το να κάνουν τη δουλειά τους.
17:21
(Laughter)
411
1026000
4000
(Γέλια)
17:26
I was riding in a 747
412
1031000
2000
Ταξίδευα κάποτε σε ένα αεροπλάνο 747
17:28
with Marvin Minsky once,
413
1033000
2000
με τον Μάρβιν Μίνσκι,
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
και βγάζει αυτήν την κάρτα και λέει, «Κοίτα. Κοίτα το αυτό.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
Λέει, ''Αυτό το αεροπλάνο έχει εκατοντάδες χιλιάδες μικροσκοπικά κομμάτια
17:37
working together to make you a safe flight.'
416
1042000
4000
που λειτουργούν μαζί για να σου προσφέρουν μια ασφαλή πτήση.''
17:41
Doesn't that make you feel confident?"
417
1046000
2000
Δε σε κάνει αυτό να νιώθεις σιγουριά»;
17:43
(Laughter)
418
1048000
2000
(Γέλια)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
Γνωρίζουμε ότι η μηχανολογική διαδικασία δε λειτουργεί και πολύ καλά
17:48
when it gets complicated.
420
1053000
2000
όταν γίνεται περίπλοκη.
17:50
So we're beginning to depend on computers
421
1055000
2000
Γι' αυτό ξεκινάμε να βασιζόμαστε στους υπολογιστές
17:52
to do a process that's very different than engineering.
422
1057000
4000
για να κάνουμε μια διαδικασία που είναι πολύ διαφορετική από τη μηχανολογία.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
Μας επιτρέπει να παράγουμε πράγματα με πολύ μεγαλύτερη περιπλοκή
17:59
than normal engineering lets us produce.
424
1064000
2000
απ' ό,τι μας επιτρέπει η κανονική μηχανολογία.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
Όμως, δεν καταλαβαίνουμε και πολύ τις επιλογές του.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
Επομένως κατά κάποιο τρόπο προχωράει πιο μπροστά από εμάς.
18:06
We're now using those programs
427
1071000
2000
Τώρα χρησιμοποιούμε αυτά τα προγράμματα
18:08
to make much faster computers
428
1073000
2000
για να φτιάξουμε γρηγορότερους υπολογιστές
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
έτσι ώστε να μπορούμε να εκτελούμε τη διαδικασία αυτή γρηγορότερα.
18:13
So it's feeding back on itself.
430
1078000
3000
Άρα αυτοτροφοδοτείται.
18:16
The thing is becoming faster
431
1081000
2000
Το θέμα είναι να γίνεται κάτι πιο γρήγορα
18:18
and that's why I think it seems so confusing.
432
1083000
2000
και γι' αυτό πιστεύω ότι φαίνεται τόσο περίπλοκο.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
Διότι όλες αυτές οι τεχνολογίες αυτοτροφοδοτούνται.
18:23
We're taking off.
434
1088000
2000
Ξεκινάμε.
18:25
And what we are is we're at a point in time
435
1090000
3000
Βρισκόμαστε σε μια χρονική στιγμή
18:28
which is analogous to when single-celled organisms
436
1093000
2000
η οποία είναι ανάλογη με τότε που οι μονοκύτταροι οργανισμοί
18:30
were turning into multi-celled organisms.
437
1095000
3000
μετατρέπονταν σε πολυκύτταρους οργανισμούς.
18:33
So we're the amoebas
438
1098000
2000
Είμαστε οι αμοιβάδες
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
και δε μπορούμε να καταλάβουμε τι στο καλό είναι αυτό που δημιουργούμε.
18:38
We're right at that point of transition.
440
1103000
2000
Είμαστε ακριβώς σε αυτό το σημείο της μετάβασης.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
Νομίζω, όμως, πως πραγματικά υπάρχει κάτι που προχωράει μαζί μας.
18:43
I think it's very haughty of us
442
1108000
2000
Νομίζω πως είμαστε υπερόπτες
18:45
to think that we're the end product of evolution.
443
1110000
3000
αν πιστεύουμε ότι είμαστε το τελικό προϊόν της εξέλιξης.
18:48
And I think all of us here
444
1113000
2000
Νομίζω πως όλοι μας εδώ
18:50
are a part of producing
445
1115000
2000
αποτελούμε μέρος της δημιουργίας
18:52
whatever that next thing is.
446
1117000
2000
αυτού που έπεται στη συνέχεια.
18:54
So lunch is coming along,
447
1119000
2000
Έρχεται η ώρα του φαγητού,
18:56
and I think I will stop at that point,
448
1121000
2000
και νομίζω θα σταματήσω σε αυτό το σημείο,
18:58
before I get selected out.
449
1123000
2000
πριν με βγάλουν.
19:00
(Applause)
450
1125000
3000
(Χειροκροτήματα)
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