TED1994
Danny Hillis: Back to the future (of 1994)
Danny Hillis: Volver al futuro (de 1994)
Filmed:
Readability: 3.8
686,810 views
Desde lo más recóndito del archivo de TED, Danny Hillis esboza una teoría fascinante de cómo y por qué el cambio tecnológico parece estar acelerándose, vinculándolo a la evolución de la vida misma. Las técnicas de presentación que emplea pueden parecer anticuadas, pero las ideas son más pertinentes que nunca.
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
Generalmente trato
00:18
of trying to explain to people
1
3000
2000
de explicarle a la gente
00:20
how wonderful the new technologies
2
5000
3000
lo maravilloso que van a ser
00:23
that are coming along are going to be,
3
8000
2000
las nuevas tecnologías que están surgiendo.
00:25
and I thought that, since I was among friends here,
4
10000
3000
Hay que mirar hacia atrás
00:28
I would tell you what I really think
5
13000
4000
para entender lo que está ocurriendo.
00:32
and try to look back and try to understand
6
17000
2000
Aquí entre amigos quiero contarles lo que pienso
00:34
what is really going on here
7
19000
3000
de estos grandes avances tecnológicos,
00:37
with these amazing jumps in technology
8
22000
5000
tan vertiginosos
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
que apenas podemos seguirles el ritmo.
00:45
So I'm going to start out
10
30000
2000
Empezaré mostrando
00:47
by showing just one very boring technology slide.
11
32000
3000
una diapositiva sobre tecnología, muy aburrida.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
Por favor, si pueden ponerla...
00:56
This is just a random slide
13
41000
2000
Es un diagrama cualquiera
00:58
that I picked out of my file.
14
43000
2000
que tomé de una carpeta mía.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
No me interesa tanto mostrarles los detalles
01:03
but the general form of it.
16
48000
2000
sino el aspecto general.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
Se trata de un análisis que estuvimos haciendo
01:08
about the power of RISC microprocessors
18
53000
3000
sobre la potencia de los microprocesadores RISC
01:11
versus the power of local area networks.
19
56000
3000
versus la potencia de las redes de área local.
01:14
And the interesting thing about it
20
59000
2000
Lo interesante de esto
01:16
is that this slide,
21
61000
2000
es que ésta,
01:18
like so many technology slides that we're used to,
22
63000
3000
como muchas otras que solemos ver,
01:21
is a sort of a straight line
23
66000
2000
es una especie de línea recta
01:23
on a semi-log curve.
24
68000
2000
en escala logarítmica.
01:25
In other words, every step here
25
70000
2000
En otras palabras, cada paso de aquí
01:27
represents an order of magnitude
26
72000
2000
representa un orden de magnitud
01:29
in performance scale.
27
74000
2000
en la escala de rendimiento.
01:31
And this is a new thing
28
76000
2000
Hablar de tecnología
01:33
that we talk about technology
29
78000
2000
con curvas semilogarítimicas
01:35
on semi-log curves.
30
80000
2000
es algo novedoso.
01:37
Something really weird is going on here.
31
82000
2000
Aquí ocurre algo extraño.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
Y de eso precisamente voy a hablar.
01:42
So, if you could bring up the lights.
33
87000
3000
Por favor, enciendan las luces.
01:47
If you could bring up the lights higher,
34
92000
2000
Necesitaría más intensidad
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
porque escribiré sobre papel.
01:52
Now why do we draw technology curves
36
97000
2000
¿Por qué graficamos curvas tecnológicas
01:54
in semi-log curves?
37
99000
2000
en escalas logarítmicas?
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
La respuesta es que si las dibujara en una curva normal
01:59
where, let's say, this is years,
39
104000
2000
en la que, digamos, estos son los años,
02:01
this is time of some sort,
40
106000
2000
o alguna unidad de tiempo,
02:03
and this is whatever measure of the technology
41
108000
3000
y esto sería cualquier medida de la tecnología
02:06
that I'm trying to graph,
42
111000
3000
que quisiera graficar,
02:09
the graphs look sort of silly.
43
114000
3000
el diagrama se vería algo ridículo.
02:12
They sort of go like this.
44
117000
3000
Sería algo así,
02:15
And they don't tell us much.
45
120000
3000
que no dice mucho.
02:18
Now if I graph, for instance,
46
123000
3000
Pero si grafico, por ejemplo,
02:21
some other technology, say transportation technology,
47
126000
2000
alguna otra tecnología, como el transporte,
02:23
on a semi-log curve,
48
128000
2000
en una curva semilogarítmica
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
sería muy tonto, veríamos una línea recta.
02:28
But when something like this happens,
50
133000
2000
Pero si ocurre algo como esto,
02:30
things are qualitatively changing.
51
135000
2000
se da un cambio cualitativo.
02:32
So if transportation technology
52
137000
2000
Si la tecnología del transporte
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
avanzara tan rápido como la de microprocesadores,
02:37
then the day after tomorrow,
54
142000
2000
pasado mañana
02:39
I would be able to get in a taxi cab
55
144000
2000
podríamos tomar un taxi
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
y estar en Tokio en 30 segundos.
02:43
It's not moving like that.
57
148000
2000
Pero no avanza a ese ritmo.
02:45
And there's nothing precedented
58
150000
2000
No hay precedentes
02:47
in the history of technology development
59
152000
2000
en la historia del desarrollo tecnológico
02:49
of this kind of self-feeding growth
60
154000
2000
de un crecimiento retroalimentado
02:51
where you go by orders of magnitude every few years.
61
156000
3000
que cada pocos años avance órdenes de magnitud.
02:54
Now the question that I'd like to ask is,
62
159000
3000
La cuestión que quiero plantear es...
02:57
if you look at these exponential curves,
63
162000
3000
Mirando estas curvas exponenciales,
03:00
they don't go on forever.
64
165000
3000
vemos que no siguen eternamente.
03:03
Things just can't possibly keep changing
65
168000
3000
No es posible sostener este cambio
03:06
as fast as they are.
66
171000
2000
tan rápido como va.
03:08
One of two things is going to happen.
67
173000
3000
Ocurrirá una de dos cosas.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
O bien se convertirá en una típica curva S como esta
03:15
until something totally different comes along,
69
180000
4000
hasta que surja algo totalmente diferente,
03:19
or maybe it's going to do this.
70
184000
2000
o quizá hará algo así.
03:21
That's about all it can do.
71
186000
2000
Eso es todo lo que puede pasar.
03:23
Now I'm an optimist,
72
188000
2000
Soy optimista,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
por eso creo que quizá ocurrirá algo así.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
De ser así, ahora estaríamos en el medio
03:31
is a transition.
75
196000
2000
de una transición.
03:33
We're sort of on this line
76
198000
2000
En esta línea estamos
03:35
in a transition from the way the world used to be
77
200000
2000
en una transición de lo que solía ser el mundo,
03:37
to some new way that the world is.
78
202000
3000
a una nueva forma.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
Por eso lo que trato de preguntar, y preguntarme, es:
03:43
is what's this new way that the world is?
80
208000
3000
¿cuál es esa nueva forma que adopta el mundo?
03:46
What's that new state that the world is heading toward?
81
211000
3000
¿Hacia qué nuevo estado se dirige el mundo?
03:49
Because the transition seems very, very confusing
82
214000
3000
La transición parece muy, muy confusa
03:52
when we're right in the middle of it.
83
217000
2000
si estamos inmersos en ella.
03:54
Now when I was a kid growing up,
84
219000
3000
Recuerdo que de niño
03:57
the future was kind of the year 2000,
85
222000
3000
el futuro ocurría en el año 2000
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
y la gente solía hablar de lo que ocurriría en el año 2000.
04:04
Now here's a conference
87
229000
2000
Esta es una conferencia
04:06
in which people talk about the future,
88
231000
2000
en la que la gente habla del futuro
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
y vemos que el futuro sigue siendo el año 2000.
04:11
It's about as far as we go out.
90
236000
2000
Eso es todo lo que vemos.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
En otras palabras, el futuro se ha encogido,
04:16
one year per year
92
241000
3000
año tras año,
04:19
for my whole lifetime.
93
244000
3000
a lo largo de mi vida.
04:22
Now I think that the reason
94
247000
2000
Pero creo que se debe
04:24
is because we all feel
95
249000
2000
a que sentimos
04:26
that something's happening there.
96
251000
2000
que algo está ocurriendo,
04:28
That transition is happening. We can all sense it.
97
253000
2000
que ocurre una transformación. Podemos sentirlo.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
Y sabemos que no tiene mucho sentido
04:32
to think out 30, 50 years
99
257000
2000
pensar a 30 o 50 años
04:34
because everything's going to be so different
100
259000
3000
porque todo será tan diferente
04:37
that a simple extrapolation of what we're doing
101
262000
2000
que extrapolar lo que estamos haciendo hoy
04:39
just doesn't make any sense at all.
102
264000
3000
no tiene ningún sentido.
04:42
So what I would like to talk about
103
267000
2000
Por eso quiero hablarles
04:44
is what that could be,
104
269000
2000
de cómo podría ser,
04:46
what that transition could be that we're going through.
105
271000
3000
cómo podría ser esa transición que experimentamos.
04:49
Now in order to do that
106
274000
3000
Pero para hacer eso
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
tendré que hablar un poco de cosas
04:54
that really has nothing to do
108
279000
2000
que no tienen mucho que ver
04:56
with technology and computers.
109
281000
2000
con tecnología e informática.
04:58
Because I think the only way to understand this
110
283000
2000
Porque creo que la única manera de entenderlo
05:00
is to really step back
111
285000
2000
es tomando distancia
05:02
and take a long time scale look at things.
112
287000
2000
y mirar las cosas a largo plazo.
05:04
So the time scale that I would like to look at this on
113
289000
3000
La escala de tiempo en la que me gustaría hacerlo
05:07
is the time scale of life on Earth.
114
292000
3000
es el tiempo de la vida en la Tierra.
05:13
So I think this picture makes sense
115
298000
2000
Creo que esta imagen tiene sentido
05:15
if you look at it a few billion years at a time.
116
300000
4000
si la miramos cada mil millones de años.
05:19
So if you go back
117
304000
2000
Así, nos remontamos
05:21
about two and a half billion years,
118
306000
2000
unos 2500 millones de años
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
cuando la Tierra era una gran roca estéril
05:26
with a lot of chemicals floating around on it.
120
311000
3000
con muchos químicos que flotaban a su alrededor.
05:29
And if you look at the way
121
314000
2000
Si vemos la manera
05:31
that the chemicals got organized,
122
316000
2000
en que se organizaron esos químicos
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
nos damos una idea de cómo ocurrieron las cosas.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
Y creo que hay teorías para empezar a comprender
05:39
about how it started with RNA,
125
324000
2000
el origen con el ARN.
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
Voy a contarles una versión simple de esto
05:44
which is that, at that time,
127
329000
2000
y es que, en ese momento,
05:46
there were little drops of oil floating around
128
331000
3000
había flotando unas gotitas de aceite
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
con todo tipo de recetas químicas en su interior.
05:52
And some of those drops of oil
130
337000
2000
Algunas de esas gotas de aceite
05:54
had a particular combination of chemicals in them
131
339000
2000
contenían una combinación particular de químicos
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
que les hicieron incorporar materiales del el exterior
05:59
and grow the drops of oil.
133
344000
3000
y así las gotas crecieron
06:02
And those that were like that
134
347000
2000
y empezaron
06:04
started to split and divide.
135
349000
2000
a dividirse.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
En cierto sentido, esas fueron las formas celulares más primitivas;
06:09
those little drops of oil.
137
354000
2000
esas gotitas de aceite.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
Pero esas gotas no estaban vivas, en el sentido actual,
06:14
because every one of them
139
359000
2000
porque cada una de ellas
06:16
was a little random recipe of chemicals.
140
361000
2000
contenía una receta aleatoria de químicos.
06:18
And every time it divided,
141
363000
2000
Y cada vez que se dividían
06:20
they got sort of unequal division
142
365000
3000
ocasionaban una distribución desigual
06:23
of the chemicals within them.
143
368000
2000
de los químicos que contenían.
06:25
And so every drop was a little bit different.
144
370000
3000
Por eso cada gotita era un poco diferente.
06:28
In fact, the drops that were different in a way
145
373000
2000
De hecho, las gotas que de algún modo se diferenciaban
06:30
that caused them to be better
146
375000
2000
siendo mejores a la hora
06:32
at incorporating chemicals around them,
147
377000
2000
de incorporar los químicos circundantes;
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
crecían más, incorporaban más químicos y se dividían más.
06:37
So those tended to live longer,
149
382000
2000
Generalmente vivían más tiempo,
06:39
get expressed more.
150
384000
3000
estaban más representadas.
06:42
Now that's sort of just a very simple
151
387000
3000
Era una forma de vida,
06:45
chemical form of life,
152
390000
2000
vida química, muy simple,
06:47
but when things got interesting
153
392000
3000
pero las cosas se tornaron interesantes
06:50
was when these drops
154
395000
2000
cuando estas gotas
06:52
learned a trick about abstraction.
155
397000
3000
aprendieron el truco de la abstracción.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
De alguna forma que no entendemos muy bien
06:58
these little drops learned to write down information.
157
403000
3000
estas gotitas aprendieron a almacenar información.
07:01
They learned to record the information
158
406000
2000
Aprendieron a guardar información,
07:03
that was the recipe of the cell
159
408000
2000
que era la receta de la célula,
07:05
onto a particular kind of chemical
160
410000
2000
en un químico especial
07:07
called DNA.
161
412000
2000
llamado ADN.
07:09
So in other words, they worked out,
162
414000
2000
En otras palabras, elaboraron
07:11
in this mindless sort of evolutionary way,
163
416000
3000
en esta evolución sin sentido,
07:14
a form of writing that let them write down what they were,
164
419000
3000
un sistema de escritura que les permitió registrar qué eran
07:17
so that that way of writing it down could get copied.
165
422000
3000
para poder replicarse.
07:20
The amazing thing is that that way of writing
166
425000
3000
Lo increíble es que ese sistema de escritura
07:23
seems to have stayed steady
167
428000
2000
parece haber permanecido estable
07:25
since it evolved two and a half billion years ago.
168
430000
2000
desde que evolucionó hace 2500 millones de años.
07:27
In fact the recipe for us, our genes,
169
432000
3000
Nuestra receta, nuestros genes,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
tienen exactamente el mismo código, ese mismo sistema de escritura.
07:33
In fact, every living creature is written
171
438000
3000
De hecho, cada ser viviente está expresado
07:36
in exactly the same set of letters and the same code.
172
441000
2000
con exactamente el mismo conjunto de letras y el mismo código.
07:38
In fact, one of the things that I did
173
443000
2000
Y una de las cosas que hice
07:40
just for amusement purposes
174
445000
2000
sólo por diversión...
07:42
is we can now write things in this code.
175
447000
2000
Ahora podemos escribir cosas con este código.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
Aquí tengo 100 microgramos de polvo blanco
07:50
which I try not to let the security people see at airports.
177
455000
4000
que trato de ocultar a la gente de seguridad del aeropuerto.
07:54
(Laughter)
178
459000
2000
(Risas)
07:56
But this has in it --
179
461000
2000
Pero contiene...
07:58
what I did is I took this code --
180
463000
2000
Tomé este código...
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
El código tiene las letras comunes que solemos usar en esto...
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
y escribí mis datos personales en este fragmento de ADN
08:06
and amplified it 10 to the 22 times.
183
471000
3000
y lo amplifiqué 10 a la 22 veces.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Por eso si alguien quiere 100 millones de copias de mi tarjeta personal
08:12
I have plenty for everyone in the room,
185
477000
2000
tengo muchas para todos los presentes;
08:14
and, in fact, everyone in the world,
186
479000
2000
de hecho, para cada persona del mundo
08:16
and it's right here.
187
481000
3000
y está aquí.
08:19
(Laughter)
188
484000
5000
(Risas)
08:26
If I had really been a egotist,
189
491000
2000
Si fuera un ególatra
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
lo habría puesto en un virus y lo habría esparcido por la sala.
08:31
(Laughter)
191
496000
5000
(Risas)
08:39
So what was the next step?
192
504000
2000
¿Cuál fue el siguiente paso?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
Escribir el ADN fue un paso interesante.
08:43
And that caused these cells --
194
508000
2000
Esto hizo que estas células
08:45
that kept them happy for another billion years.
195
510000
2000
estuvieran felices otros mil millones de años.
08:47
But then there was another really interesting step
196
512000
2000
Pero luego ocurrió otro gran paso interesante
08:49
where things became completely different,
197
514000
3000
en el que las cosas se tornaron muy diferentes
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
y fue que estas células empezaron a intercambiar y comunicar información
08:55
so that they began to get communities of cells.
199
520000
2000
formando así comunidades de células.
08:57
I don't know if you know this,
200
522000
2000
No sé si lo saben,
08:59
but bacteria can actually exchange DNA.
201
524000
2000
pero las bacterias pueden intercambiar ADN.
09:01
Now that's why, for instance,
202
526000
2000
De ese modo, por ejemplo,
09:03
antibiotic resistance has evolved.
203
528000
2000
evolucionó la resistencia a los antibióticos.
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Algunas bacterias encontraron la forma de evitar la penicilina
09:08
and it went around sort of creating its little DNA information
205
533000
3000
y se las apañaron para crear su pequeño ADN
09:11
with other bacteria,
206
536000
2000
con otras bacterias
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
y ahora hay muchas resistentes a la penicilina
09:16
because bacteria communicate.
208
541000
2000
porque las bacterias se comunican.
09:18
Now what this communication allowed
209
543000
2000
Esta comunicación dio lugar
09:20
was communities to form
210
545000
2000
a que se formaran comunidades
09:22
that, in some sense, were in the same boat together;
211
547000
2000
que, en cierto modo, estaban juntas en eso;
09:24
they were synergistic.
212
549000
2000
y establecieron una sinergia.
09:26
So they survived
213
551000
2000
De ese modo sobrevivían
09:28
or they failed together,
214
553000
2000
o fallaban juntas,
09:30
which means that if a community was very successful,
215
555000
2000
o sea que si una comunidad era muy exitosa
09:32
all the individuals in that community
216
557000
2000
todos los individuos de esa comunidad
09:34
were repeated more
217
559000
2000
se replicaban más
09:36
and they were favored by evolution.
218
561000
3000
y eran favorecidos por la evolución.
09:39
Now the transition point happened
219
564000
2000
Y el punto de inflexión ocurrió
09:41
when these communities got so close
220
566000
2000
cuando estas comunidades se acercaron tanto
09:43
that, in fact, they got together
221
568000
2000
que, de hecho, se unieron
09:45
and decided to write down the whole recipe for the community
222
570000
3000
y decidieron escribir toda la receta de la comunidad
09:48
together on one string of DNA.
223
573000
3000
junta en una cadena de ADN.
09:51
And so the next stage that's interesting in life
224
576000
2000
La siguiente etapa interesante para la vida
09:53
took about another billion years.
225
578000
2000
llevó otros mil millones de años.
09:55
And at that stage,
226
580000
2000
Y en esa etapa
09:57
we have multi-cellular communities,
227
582000
2000
tenemos comunidades multicelulares,
09:59
communities of lots of different types of cells,
228
584000
2000
comunidades de muchos tipos de células diferentes
10:01
working together as a single organism.
229
586000
2000
trabajando juntas como un solo organismo.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
De hecho, nosotros somos una comunidad multicelular.
10:06
We have lots of cells
231
591000
2000
Tenemos muchas células
10:08
that are not out for themselves anymore.
232
593000
2000
que ya no actúan solas.
10:10
Your skin cell is really useless
233
595000
3000
La célula de la piel no sirve
10:13
without a heart cell, muscle cell,
234
598000
2000
sin la del corazón, o la de los músculos,
10:15
a brain cell and so on.
235
600000
2000
o la del cerebro, etc.
10:17
So these communities began to evolve
236
602000
2000
Así, estas comunidades evolucionaron
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
y se produjeron niveles más interesantes
10:22
was no longer a cell,
238
607000
2000
que el celular,
10:24
but a community which we call an organism.
239
609000
3000
algo que llamamos un organismo.
10:28
Now the next step that happened
240
613000
2000
El siguiente nivel ocurrió
10:30
is within these communities.
241
615000
2000
dentro de estas comunidades.
10:32
These communities of cells,
242
617000
2000
Éstas empezaron
10:34
again, began to abstract information.
243
619000
2000
a abstraer información
10:36
And they began building very special structures
244
621000
3000
y a construir estructuras muy especiales
10:39
that did nothing but process information within the community.
245
624000
3000
que no hacían más que procesar información en comunidad.
10:42
And those are the neural structures.
246
627000
2000
Son las estructuras neuronales.
10:44
So neurons are the information processing apparatus
247
629000
3000
Las neuronas son los aparatos que procesan la información
10:47
that those communities of cells built up.
248
632000
3000
que esas comunidades celulares construyeron.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
De hecho, empezaron a especializarse dentro de la comunidad
10:52
and special structures
250
637000
2000
siendo las estructuras
10:54
that were responsible for recording,
251
639000
2000
responsables de registrar,
10:56
understanding, learning information.
252
641000
3000
comprender y transmitir la información.
10:59
And that was the brains and the nervous system
253
644000
2000
Esos fueron los cerebros y el sistema nervioso
11:01
of those communities.
254
646000
2000
de esas comunidades.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
Y eso les dio una ventaja evolutiva.
11:05
Because at that point,
256
650000
3000
Porque en ese momento
11:08
an individual --
257
653000
3000
como individuos...
11:11
learning could happen
258
656000
2000
El aprendizaje estaba
11:13
within the time span of a single organism,
259
658000
2000
confinado a la duración de un organismo,
11:15
instead of over this evolutionary time span.
260
660000
3000
y no al período de tiempo evolutivo.
11:18
So an organism could, for instance,
261
663000
2000
Así, un organismo podía, por ejemplo,
11:20
learn not to eat a certain kind of fruit
262
665000
2000
aprender a no comer cierta fruta
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
porque sabía mal y se enfermó la última vez que la comió.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Eso podía ocurrir durante la vida de un organismo
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
dado que antes habían construido estas estructuras de procesamiento de información
11:33
that would have had to be learned evolutionarily
266
678000
2000
que por la evolución habrían aprendido
11:35
over hundreds of thousands of years
267
680000
3000
durante cientos de miles de años
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
por la muerte de individuos que comieron esa fruta
11:41
So that nervous system,
269
686000
2000
Por eso el hecho de que
11:43
the fact that they built these special information structures,
270
688000
3000
el sistema nervioso construyera esas estructuras de información
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
aceleró enormemente el proceso evolutivo.
11:49
Because evolution could now happen within an individual.
272
694000
3000
Porque la evolución podría ahora ocurrir confinada a un individuo.
11:52
It could happen in learning time scales.
273
697000
3000
Podría suceder en el tiempo necesario para aprender.
11:55
But then what happened
274
700000
2000
Pero luego, claro,
11:57
was the individuals worked out,
275
702000
2000
los individuos descubrieron
11:59
of course, tricks of communicating.
276
704000
2000
el truco de la comunicación.
12:01
And for example,
277
706000
2000
Así, por ejemplo,
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
la versión más refinada que conocemos es el lenguaje humano.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
Si lo pensamos, es una invención increíble.
12:09
Here I have a very complicated, messy,
280
714000
2000
Yo tengo una idea muy complicada
12:11
confused idea in my head.
281
716000
3000
una idea vaga, en la cabeza.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Estoy aquí sentado emitiendo unos gruñidos
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
y, con suerte, construyendo una idea similar, vaga y confusa, en sus cabezas
12:20
that bears some analogy to it.
284
725000
2000
que guarda cierta analogía con la mía.
12:22
But we're taking something very complicated,
285
727000
2000
Pero tomamos algo muy complicado
12:24
turning it into sound, sequences of sounds,
286
729000
3000
lo convertimos en sonido, en secuencias de sonido,
12:27
and producing something very complicated in your brain.
287
732000
4000
y producimos algo muy complicado en otro cerebro.
12:31
So this allows us now
288
736000
2000
Eso ahora nos permite
12:33
to begin to start functioning
289
738000
2000
empezar a funcionar
12:35
as a single organism.
290
740000
3000
como un organismo.
12:38
And so, in fact, what we've done
291
743000
3000
De hecho, como humanidad,
12:41
is we, humanity,
292
746000
2000
hemos empezado
12:43
have started abstracting out.
293
748000
2000
a realizar abstracciones.
12:45
We're going through the same levels
294
750000
2000
Ahora pasamos por períodos similares
12:47
that multi-cellular organisms have gone through --
295
752000
2000
a los organismos multicelulares;
12:49
abstracting out our methods of recording,
296
754000
3000
abstraemos nuestros métodos de registro,
12:52
presenting, processing information.
297
757000
2000
presentación y procesamiento de información.
12:54
So for example, the invention of language
298
759000
2000
Por ejemplo, la invención del lenguaje
12:56
was a tiny step in that direction.
299
761000
3000
fue un pequeño paso en esa dirección.
12:59
Telephony, computers,
300
764000
2000
La telefonía, la informática,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
la cinta de video, el CD-ROM, etc.
13:04
are all our specialized mechanisms
302
769000
2000
son los mecanismos especializados
13:06
that we've now built within our society
303
771000
2000
que ahora construimos
13:08
for handling that information.
304
773000
2000
para manejar esa información.
13:10
And it all connects us together
305
775000
3000
Y eso nos congrega
13:13
into something
306
778000
2000
en algo
13:15
that is much bigger
307
780000
2000
mucho más grande,
13:17
and much faster
308
782000
2000
más rápido
13:19
and able to evolve
309
784000
2000
y capaz de evolucionar
13:21
than what we were before.
310
786000
2000
más de lo que hacíamos antes.
13:23
So now, evolution can take place
311
788000
2000
Ahora la evolución puede ocurrir
13:25
on a scale of microseconds.
312
790000
2000
en microsegundos.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
Ya vieron el ejemplito evolutivo de Ty
13:29
where he sort of did a little bit of evolution
314
794000
2000
en el que produjo cierta evolución
13:31
on the Convolution program right before your eyes.
315
796000
3000
con el programa Convolución, ante nuestros ojos.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Y ahora hemos acelerado las escalas de tiempo otra vez.
13:37
So the first steps of the story that I told you about
317
802000
2000
Las primeras etapas de la historia que les contaba
13:39
took a billion years a piece.
318
804000
2000
llevaron mil millones de años cada una.
13:41
And the next steps,
319
806000
2000
Las siguientes etapas,
13:43
like nervous systems and brains,
320
808000
2000
el sistema nervioso y el cerebro,
13:45
took a few hundred million years.
321
810000
2000
llevó unos cientos de millones de años.
13:47
Then the next steps, like language and so on,
322
812000
3000
Las siguientes, el lenguaje etc.,
13:50
took less than a million years.
323
815000
2000
llevaron menos de un millón de años.
13:52
And these next steps, like electronics,
324
817000
2000
Y las siguientes, como la electrónica,
13:54
seem to be taking only a few decades.
325
819000
2000
parece llevar sólo unas décadas.
13:56
The process is feeding on itself
326
821000
2000
El proceso se retroalimenta;
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
supongo que auto-catalítico es la palabra correcta para
14:01
when something reinforces its rate of change.
328
826000
3000
nombrar algo que acelera su propio ritmo de cambio.
14:04
The more it changes, the faster it changes.
329
829000
3000
Cuanto más cambia, más rápido lo hace.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
Y creo que es eso lo que observamos en esta explosión de la curva.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
Vemos que el proceso se retroalimenta.
14:13
Now I design computers for a living,
332
838000
3000
Pero yo me gano la vida diseñando computadoras
14:16
and I know that the mechanisms
333
841000
2000
y sé que los mecanismos
14:18
that I use to design computers
334
843000
3000
que empleo para diseñarlas
14:21
would be impossible
335
846000
2000
no serían posibles
14:23
without recent advances in computers.
336
848000
2000
sin los avances informáticos recientes.
14:25
So right now, what I do
337
850000
2000
Pero ahora
14:27
is I design objects at such complexity
338
852000
3000
diseño objetos de tal complejidad
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
que sería imposible para mí diseñarlos de manera convencional.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
No sé que hace cada transistor en esa máquina de conexiones.
14:37
There are billions of them.
341
862000
2000
Hay miles de millones.
14:39
Instead, what I do
342
864000
2000
En vez de eso,
14:41
and what the designers at Thinking Machines do
343
866000
3000
con los diseñadores de Thinking Machines,
14:44
is we think at some level of abstraction
344
869000
2000
pensamos un nivel de abstracción,
14:46
and then we hand it to the machine
345
871000
2000
lo ponemos en la máquina
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
y la máquina con eso hace algo que antes no se podía,
14:51
much farther and faster than we could ever do.
347
876000
3000
llega mucho más lejos y más rápido que nunca antes.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
De hecho, a veces emplea métodos
14:56
that we don't quite even understand.
349
881000
3000
que ni siquiera entendemos bien.
14:59
One method that's particularly interesting
350
884000
2000
Un método particularmente interesante,
15:01
that I've been using a lot lately
351
886000
3000
que he estado usando últimamente,
15:04
is evolution itself.
352
889000
2000
es la evolución misma.
15:06
So what we do
353
891000
2000
Colocamos
15:08
is we put inside the machine
354
893000
2000
dentro de la máquina
15:10
a process of evolution
355
895000
2000
un proceso evolutivo
15:12
that takes place on the microsecond time scale.
356
897000
2000
que opera en la escala de los microsegundos.
15:14
So for example,
357
899000
2000
Y, por ejemplo,
15:16
in the most extreme cases,
358
901000
2000
en los casos más extremos,
15:18
we can actually evolve a program
359
903000
2000
podemos evolucionar un programa
15:20
by starting out with random sequences of instructions.
360
905000
4000
a partir de una secuencia aleatoria de instrucciones.
15:24
Say, "Computer, would you please make
361
909000
2000
Le decimos: "por favor computadora, ¿puedes correr
15:26
a hundred million random sequences of instructions.
362
911000
3000
cien millones de secuencias de instrucciones al azar?
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
¿Podrías ejecutar estas secuencias de instrucciones al azar,
15:32
run all of those programs,
364
917000
2000
ejecutar todos esos programas,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
y tomar aquellas que más se aproximen a lo que queremos hacer?"
15:37
So in other words, I define what I wanted.
366
922000
2000
En otras palabras, yo defino lo que quiero.
15:39
Let's say I want to sort numbers,
367
924000
2000
Digamos que quiero ordenar números,
15:41
as a simple example I've done it with.
368
926000
2000
para poner un ejemplo simple.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Así, encontramos los programas que más se acercan a ordenar números.
15:46
So of course, random sequences of instructions
370
931000
3000
Claro, es poco probable que unas secuencias aleatorias
15:49
are very unlikely to sort numbers,
371
934000
2000
de instrucciones, ordenen números,
15:51
so none of them will really do it.
372
936000
2000
así que ninguna de ellas lo logró.
15:53
But one of them, by luck,
373
938000
2000
Pero una, por suerte,
15:55
may put two numbers in the right order.
374
940000
2000
pudo ubicar dos números en el orden correcto.
15:57
And I say, "Computer,
375
942000
2000
Y dije: "computadora,
15:59
would you please now take the 10 percent
376
944000
3000
¿podrías tomar el 10% de esas
16:02
of those random sequences that did the best job.
377
947000
2000
secuencias aleatorias que mejor hicieron la tarea?
16:04
Save those. Kill off the rest.
378
949000
2000
Guardemos esas y eliminemos al resto.
16:06
And now let's reproduce
379
951000
2000
Y ahora reproduzcamos
16:08
the ones that sorted numbers the best.
380
953000
2000
las que mejor ordenaron los números.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
Y volvamos a reproducirlas siguiendo un proceso de recombinación
16:13
analogous to sex."
382
958000
2000
análogo al sexo".
16:15
Take two programs and they produce children
383
960000
3000
Tomemos dos programas, que engendren hijos,
16:18
by exchanging their subroutines,
384
963000
2000
que intercambien subrutinas,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
y que los hijos hereden las propiedades de ambos programas.
16:23
So I've got now a new generation of programs
386
968000
3000
Así conseguimos una nueva generación de programas
16:26
that are produced by combinations
387
971000
2000
producto de las combinaciones
16:28
of the programs that did a little bit better job.
388
973000
2000
de programas que tuvieron un poco más de éxito.
16:30
Say, "Please repeat that process."
389
975000
2000
Y decimos: "Por favor, repite el proceso".
16:32
Score them again.
390
977000
2000
Califica de nuevo.
16:34
Introduce some mutations perhaps.
391
979000
2000
Introduce algunas mutaciones
16:36
And try that again and do that for another generation.
392
981000
3000
e intenta de nuevo y repítelo con otra generación.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
Bueno, cada generación lleva unos pocos milisegundos.
16:42
So I can do the equivalent
394
987000
2000
Así, puedo hacer el equivalente
16:44
of millions of years of evolution on that
395
989000
2000
a millones de años de evolución
16:46
within the computer in a few minutes,
396
991000
3000
en unos pocos minutos
16:49
or in the complicated cases, in a few hours.
397
994000
2000
o, en casos complicados, en pocas horas.
16:51
At the end of that, I end up with programs
398
996000
3000
Al final, terminamos con programas
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
que ordenan números de modo absolutamente perfecto.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
De hecho, son programas mucho más eficientes
16:59
than programs I could have ever written by hand.
401
1004000
2000
que los que yo podría haber escrito a mano.
17:01
Now if I look at those programs,
402
1006000
2000
Si miro esos programas
17:03
I can't tell you how they work.
403
1008000
2000
no puedo decir cómo funcionan.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
He intentado analizarlos para ver cómo funcionan.
17:07
They're obscure, weird programs.
405
1012000
2000
Son programas oscuros, extraños.
17:09
But they do the job.
406
1014000
2000
Pero cumplen el cometido.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
De hecho, lo sé, tengo la seguridad de que logran el objetivo
17:14
because they come from a line
408
1019000
2000
porque vienen de un linaje
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
de cientos de miles de programas que lo lograron.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
De hecho, sus vidas dependían de lograrlo.
17:21
(Laughter)
411
1026000
4000
(Risas)
17:26
I was riding in a 747
412
1031000
2000
Una vez iba en un 747
17:28
with Marvin Minsky once,
413
1033000
2000
con Marvin Minsky
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
y saca una tarjeta y me dice: "Mira esto.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
Dice: 'Este avión tiene cientos de miles de partecitas
17:37
working together to make you a safe flight.'
416
1042000
4000
que trabajan juntas para ofrecer un vuelo seguro'.
17:41
Doesn't that make you feel confident?"
417
1046000
2000
¿No te hace sentir tranquilo?"
17:43
(Laughter)
418
1048000
2000
(Risas)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
Sabemos que los procesos de ingeniería no funcionan muy bien
17:48
when it gets complicated.
420
1053000
2000
cuando se tornan complicados.
17:50
So we're beginning to depend on computers
421
1055000
2000
Por eso empezamos a depender de las computadoras
17:52
to do a process that's very different than engineering.
422
1057000
4000
para hacer procesos de diseño bien diferentes.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
Y eso nos permite producir cosas mucho más complejas
17:59
than normal engineering lets us produce.
424
1064000
2000
que las que produce la ingeniería normal.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
Sin embargo, no entendemos del todo las opciones que hay.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
En ese sentido, va delante de nosotros.
18:06
We're now using those programs
427
1071000
2000
Ahora usamos esos programas
18:08
to make much faster computers
428
1073000
2000
para hacer computadoras mucho más rápidas
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
y así poder ejecutar estos programas mucho más rápidamente.
18:13
So it's feeding back on itself.
430
1078000
3000
O sea, se retroalimenta.
18:16
The thing is becoming faster
431
1081000
2000
La cosa va cada vez más rápido
18:18
and that's why I think it seems so confusing.
432
1083000
2000
y por eso creo que parece tan confusa.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
Porque todas estas tecnologías se retroalimentan.
18:23
We're taking off.
434
1088000
2000
Estamos despegando.
18:25
And what we are is we're at a point in time
435
1090000
3000
Y estamos en un momento
18:28
which is analogous to when single-celled organisms
436
1093000
2000
análogo al de los organismos unicelulares
18:30
were turning into multi-celled organisms.
437
1095000
3000
cuando se volvieron multicelulares.
18:33
So we're the amoebas
438
1098000
2000
Somos las amebas
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
y no podemos entender qué diablos estamos creando.
18:38
We're right at that point of transition.
440
1103000
2000
Estamos en el punto de inflexión.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
Pero creo que algo viene detrás de nosotros.
18:43
I think it's very haughty of us
442
1108000
2000
Creo que sería muy arrogante de nuestra parte
18:45
to think that we're the end product of evolution.
443
1110000
3000
pensar que somos el producto final de la evolución.
18:48
And I think all of us here
444
1113000
2000
Y creo que todos nosotros
18:50
are a part of producing
445
1115000
2000
somos parte de la creación
18:52
whatever that next thing is.
446
1117000
2000
de lo que sea que venga.
18:54
So lunch is coming along,
447
1119000
2000
Pero ahora viene el almuerzo
18:56
and I think I will stop at that point,
448
1121000
2000
y creo que pararé aquí
18:58
before I get selected out.
449
1123000
2000
antes de que me eliminen.
19:00
(Applause)
450
1125000
3000
(Aplausos)
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