TEDxUIUC
Christoph Adami: Finding life we can't imagine
Christoph Adami : Découvrir une vie qu'on ne peut imaginer
Filmed:
Readability: 3.7
652,149 views
Comment chercher une vie extra-terrestre si elle ne ressemble en rien à ce que nous connaissons ? À TEDxUIUC [TED à l'Université de l'Illinois à Urbana-Champaign] Christoph Adami nous montre comment il utilise ses recherches sur la vie artificielle (des programmes d'ordinateurs qui s'auto-reproduisent) pour trouver une signature, un "marqueur biologique", sans aucune de nos idées préconçues sur ce qu'est la vie.
Christoph Adami - Artificial life researcher
Christoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions. Full bio
Christoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions. Full bio
Double-click the English transcript below to play the video.
00:15
So I have a strange career.
0
0
2000
J'ai une carrière étrange.
00:17
I know it because people come up to me, like colleagues,
1
2000
3000
Je le sais parce que les gens viennent me trouver, mes collègues par exemple,
00:20
and say, "Chris, you have a strange career."
2
5000
2000
et disent : "Chris, tu as une carrière étrange."
00:22
(Laughter)
3
7000
2000
(Rires)
00:24
And I can see their point,
4
9000
2000
Et je vois ce qu'ils veulent dire,
00:26
because I started my career
5
11000
2000
parce que j'ai commencé ma carrière
00:28
as a theoretical nuclear physicist.
6
13000
2000
en tant que physicien nucléaire théorique.
00:30
And I was thinking about quarks and gluons
7
15000
2000
Et je réfléchissais aux quarks et aux gluons
00:32
and heavy ion collisions,
8
17000
2000
et aux collisions d'ions lourds,
00:34
and I was only 14 years old.
9
19000
2000
et je n'avais que 14 ans.
00:36
No, no, I wasn't 14 years old.
10
21000
3000
Non, non, je n'avais pas 14 ans.
00:40
But after that,
11
25000
2000
Mais après ça,
00:42
I actually had my own lab
12
27000
2000
j'ai eu mon propre labo pour de vrai
00:44
in the computational neuroscience department,
13
29000
2000
dans le département de neurosciences computationnelles,
00:46
and I wasn't doing any neuroscience.
14
31000
2000
et je ne faisais pas de neurosciences.
00:48
Later, I would work on evolutionary genetics,
15
33000
3000
Après, j'ai travaillé sur la génétique évolutionniste,
00:51
and I would work on systems biology.
16
36000
2000
et sur la biologie des systèmes.
00:53
But I'm going to tell you about something else today.
17
38000
3000
Mais je vais vous parler d'autre chose aujourd’hui.
00:56
I'm going to tell you
18
41000
2000
Je vais vous raconter
00:58
about how I learned something about life.
19
43000
2000
comment j'ai appris quelque chose à propos de la vie.
01:00
And I was actually a rocket scientist.
20
45000
4000
J'étais en fait chercheur en aérospatiale.
01:04
I wasn't really a rocket scientist,
21
49000
2000
Je n'étais pas vraiment un chercheur en aérospatiale,
01:06
but I was working
22
51000
2000
mais je travaillais
01:08
at the Jet Propulsion Laboratory
23
53000
2000
au laboratoire Jet Propulsion [propulsion à réaction]
01:10
in sunny California where it's warm;
24
55000
3000
en Californie, au chaud et au soleil ;
01:13
whereas now I'm in the mid-West,
25
58000
2000
alors que maintenant je suis dans le Middle West,
01:15
and it's cold.
26
60000
2000
et il fait froid.
01:17
But it was an exciting experience.
27
62000
3000
Mais c'était une expérience enthousiasmante.
01:20
One day a NASA manager comes into my office,
28
65000
3000
Un jour un responsable de la NASA vient dans mon bureau,
01:23
sits down and says,
29
68000
3000
s'assied et dit :
01:26
"Can you please tell us,
30
71000
2000
"Pouvez-vous s'il-vous-plaît nous dire,
01:28
how do we look for life outside Earth?"
31
73000
2000
comment chercher de la vie ailleurs que sur la Terre ?"
01:30
And that came as a surprise to me,
32
75000
2000
Et ça m'a surpris,
01:32
because I was actually hired
33
77000
2000
parce que j'avais été en fait engagé
01:34
to work on quantum computation.
34
79000
2000
pour travailler sur l'informatique quantique.
01:36
Yet, I had a very good answer.
35
81000
2000
Pourtant, j'avais une très bonne réponse.
01:38
I said, "I have no idea."
36
83000
3000
J'ai dit : "Je n'en ai aucune idée."
01:41
And he told me, "Biosignatures,
37
86000
3000
Et il m'a dit : "Les signatures biologiques,
01:44
we need to look for a biosignature."
38
89000
2000
nous devons chercher les signatures biologiques."
01:46
And I said, "What is that?"
39
91000
2000
Et j'ai dit : "Qu'est-ce que c'est ?"
01:48
And he said, "It's any measurable phenomenon
40
93000
2000
Et il a dit : "C'est tout phénomène mesurable
01:50
that allows us to indicate
41
95000
2000
qui nous permet d'indiquer
01:52
the presence of life."
42
97000
2000
la présence de vie".
01:54
And I said, "Really?
43
99000
2000
Et j'ai dit : "Vraiment ?
01:56
Because isn't that easy?
44
101000
2000
N'est-ce pas un peu facile ?
01:58
I mean, we have life.
45
103000
2000
Je veux dire, nous avons la vie.
02:00
Can't you apply a definition,
46
105000
2000
Ne pouvez-vous pas utiliser une définition,
02:02
like for example, a Supreme Court-like definition of life?"
47
107000
4000
par exemple une définition de la vie semblable à celle de la Cour Suprême ?"
02:06
And then I thought about it a little bit, and I said,
48
111000
2000
Alors j'y ai réfléchi un peu, et j'ai dit :
02:08
"Well, is it really that easy?
49
113000
2000
"Bon, est-ce vraiment si simple ?
02:10
Because, yes, if you see something like this,
50
115000
3000
Parce que oui, si vous voyez quelque chose comme ça,
02:13
then all right, fine, I'm going to call it life --
51
118000
2000
alors d'accord, je vais appeler ça la vie,
02:15
no doubt about it.
52
120000
2000
c'est indubitable.
02:17
But here's something."
53
122000
2000
Mais voici quelque chose".
02:19
And he goes, "Right, that's life too. I know that."
54
124000
3000
Et il continue : "Bien, c'est la vie aussi. Je sais cela".
02:22
Except, if you think life is also defined
55
127000
2000
Sauf que si vous pensez que la vie est aussi définie
02:24
by things that die,
56
129000
2000
par les choses qui meurent,
02:26
you're not in luck with this thing,
57
131000
2000
pas de chance en ce qui concerne cette chose,
02:28
because that's actually a very strange organism.
58
133000
2000
parce que c'est en fait un organisme très étrange.
02:30
It grows up into the adult stage like that
59
135000
2000
Il grandit jusqu'au stade adulte comme cela
02:32
and then goes through a Benjamin Button phase,
60
137000
3000
et passe alors par une phase à la Benjamin Button,
02:35
and actually goes backwards and backwards
61
140000
2000
et régresse en fait encore et encore,
02:37
until it's like a little embryo again,
62
142000
2000
jusqu'à redevenir un petit embryon,
02:39
and then actually grows back up, and back down and back up -- sort of yo-yo --
63
144000
3000
et en fait recommence alors à grandir, et à rajeunir encore et grandir, comme une sorte de yo-yo,
02:42
and it never dies.
64
147000
2000
et il ne meurt jamais.
02:44
So it's actually life,
65
149000
2000
Donc c'est vraiment de la vie,
02:46
but it's actually not
66
151000
2000
mais en fait ça ne ressemble pas
02:48
as we thought life would be.
67
153000
3000
à ce nous considérons que devrait être la vie.
02:51
And then you see something like that.
68
156000
2000
Et alors vous voyez quelque chose comme cela.
02:53
And he was like, "My God, what kind of a life form is that?"
69
158000
2000
Et il a répondu : "Mon dieu, quel sorte de forme de vie est-ce ?"
02:55
Anyone know?
70
160000
2000
Quelqu'un sait ?
02:57
It's actually not life, it's a crystal.
71
162000
3000
Ce n'est pas vraiment de la vie, c'est un cristal.
03:00
So once you start looking and looking
72
165000
2000
Donc une fois que vous avez commencé à chercher et à regarder
03:02
at smaller and smaller things --
73
167000
2000
des choses de plus en plus petites -
03:04
so this particular person
74
169000
2000
cette personne en particulier
03:06
wrote a whole article and said, "Hey, these are bacteria."
75
171000
3000
a écrit un article entier et a dit : "Hé, voici des bactéries".
03:09
Except, if you look a little bit closer,
76
174000
2000
Sauf que si vous regardez d'un peu plus près,
03:11
you see, in fact, that this thing is way too small to be anything like that.
77
176000
3000
vous voyez, en fait, que cette chose est bien trop petite pour en être.
03:14
So he was convinced,
78
179000
2000
Il était convaincu,
03:16
but, in fact, most people aren't.
79
181000
2000
mais en fait la plupart des gens ne le sont pas.
03:18
And then, of course,
80
183000
2000
Et alors, bien sûr,
03:20
NASA also had a big announcement,
81
185000
2000
la NASA a fait une grande annonce,
03:22
and President Clinton gave a press conference,
82
187000
2000
et le Président Clinton a donné une conférence de presse,
03:24
about this amazing discovery
83
189000
2000
à propos de cette découverte fascinante
03:26
of life in a Martian meteorite.
84
191000
3000
de vie dans une météorite de Mars.
03:29
Except that nowadays, it's heavily disputed.
85
194000
4000
Sauf que de nos jours, c'est largement contesté.
03:33
If you take the lesson of all these pictures,
86
198000
3000
Si vous tirez une leçon de toutes ces photos,
03:36
then you realize, well actually maybe it's not that easy.
87
201000
2000
alors vous vous rendez compte que ce n’est pas si simple en fait.
03:38
Maybe I do need
88
203000
2000
Peut-être que j'ai besoin
03:40
a definition of life
89
205000
2000
d'une définition de la vie
03:42
in order to make that kind of distinction.
90
207000
2000
afin de faire ce genre de distinction.
03:44
So can life be defined?
91
209000
2000
Donc est-ce que la vie peut-être définie ?
03:46
Well how would you go about it?
92
211000
2000
Eh bien, comment feriez-vous ?
03:48
Well of course,
93
213000
2000
Bien sûr,
03:50
you'd go to Encyclopedia Britannica and open at L.
94
215000
2000
vous iriez ouvrir l'"Encyclopedia Britannica" à la lettre L.
03:52
No, of course you don't do that; you put it somewhere in Google.
95
217000
3000
Non bien sûr, vous ne feriez pas cela ; vous le taperiez dans Google.
03:55
And then you might get something.
96
220000
3000
Et alors vous pourriez obtenir quelque chose.
03:58
And what you might get --
97
223000
2000
Et ce que vous pourriez obtenir -
04:00
and anything that actually refers to things that we are used to,
98
225000
2000
tout ce qui se réfère aux choses auxquelles nous sommes habitués,
04:02
you throw away.
99
227000
2000
vous le jetez.
04:04
And then you might come up with something like this.
100
229000
2000
Alors vous pourriez finir avec quelque chose comme ceci.
04:06
And it says something complicated
101
231000
2000
Et ça dit quelque chose de compliqué
04:08
with lots and lots of concepts.
102
233000
2000
avec tout plein de concepts.
04:10
Who on Earth would write something
103
235000
2000
Qui donc écrirait quelque chose
04:12
as convoluted and complex
104
237000
2000
d'aussi alambiqué et complexe
04:14
and inane?
105
239000
3000
et stupide ?
04:17
Oh, it's actually a really, really, important set of concepts.
106
242000
4000
Oh, c'est en fait un ensemble de concepts vraiment très importants.
04:21
So I'm highlighting just a few words
107
246000
3000
Donc, je surligne juste quelques mots
04:24
and saying definitions like that
108
249000
2000
et affirme que de telles définitions
04:26
rely on things that are not based
109
251000
2000
ne reposent pas sur
04:28
on amino acids or leaves
110
253000
3000
des acides aminés or des feuilles,
04:31
or anything that we are used to,
111
256000
2000
ou quoi que ce soit d'habituel pour nous,
04:33
but in fact on processes only.
112
258000
2000
mais repose en fait seulement sur des processus.
04:35
And if you take a look at that,
113
260000
2000
Et si vous y jetez un œil,
04:37
this was actually in a book that I wrote that deals with artificial life.
114
262000
3000
c'était en fait dans un livre que j'ai publié à propos de la vie artificielle.
04:40
And that explains why
115
265000
2000
Et cela explique pourquoi
04:42
that NASA manager was actually in my office to begin with.
116
267000
3000
le responsable de la NASA était dans mon bureau pour commencer.
04:45
Because the idea was that, with concepts like that,
117
270000
3000
Parce que l'idée était que, avec des concepts comme ceux-là,
04:48
maybe we can actually manufacture
118
273000
2000
nous pouvons peut-être réellement fabriquer
04:50
a form of life.
119
275000
2000
une forme de vie.
04:52
And so if you go and ask yourself,
120
277000
3000
Et si vous vous demandez
04:55
"What on Earth is artificial life?",
121
280000
2000
"Qu'est-ce que la vie artificielle peut bien être ?",
04:57
let me give you a whirlwind tour
122
282000
2000
laissez-moi vous emmener dans une visite-éclair
04:59
of how all this stuff came about.
123
284000
2000
de la façon dont tout ça est arrivé.
05:01
And it started out quite a while ago
124
286000
3000
Ça a commencé il y a pas mal de temps
05:04
when someone wrote
125
289000
2000
quand quelqu'un a écrit
05:06
one of the first successful computer viruses.
126
291000
2000
un des premiers virus informatiques efficaces.
05:08
And for those of you who aren't old enough,
127
293000
3000
Et pour ceux d'entre vous qui ne sont pas assez vieux,
05:11
you have no idea how this infection was working --
128
296000
3000
vous n'avez aucune idée de comment cette infection fonctionnait,
05:14
namely, through these floppy disks.
129
299000
2000
à savoir par les disquettes.
05:16
But the interesting thing about these computer virus infections
130
301000
3000
Mais ce qui était intéressant à propos de ces virus informatiques
05:19
was that, if you look at the rate
131
304000
2000
si vous regardez les taux
05:21
at which the infection worked,
132
306000
2000
auxquels l'infection fonctionnait,
05:23
they show this spiky behavior
133
308000
2000
ils affichent un comportement en pics
05:25
that you're used to from a flu virus.
134
310000
3000
tel qu'on le connait avec un virus de la grippe.
05:28
And it is in fact due to this arms race
135
313000
2000
En fait c'est à cause du bras de fer
05:30
between hackers and operating system designers
136
315000
3000
entre les hackers et les concepteurs de système d'exploitation
05:33
that things go back and forth.
137
318000
2000
que les choses vont d'avant en arrière.
05:35
And the result is kind of a tree of life
138
320000
2000
Le résultat est une sorte d'arbre de vie
05:37
of these viruses,
139
322000
2000
de ces virus,
05:39
a phylogeny that looks very much
140
324000
3000
une phylogénie qui ressemble beaucoup
05:42
like the type of life that we're used to, at least on the viral level.
141
327000
3000
au type de vie auquel nous sommes habitués, du moins au niveau viral.
05:45
So is that life? Not as far as I'm concerned.
142
330000
3000
Donc, est-ce de la vie ? Pas en ce qui me concerne.
05:48
Why? Because these things don't evolve by themselves.
143
333000
3000
Pourquoi ? Parce que les choses n'évoluent pas par elles-mêmes.
05:51
In fact, they have hackers writing them.
144
336000
2000
En fait, elles ont des hackers pour les écrire.
05:53
But the idea was taken very quickly a little bit further
145
338000
4000
Mais l'idée a très vite été poussée un peu plus loin
05:57
when a scientist working at the Scientific Institute decided,
146
342000
3000
quand un scientifique du Scientific Institute a décidé :
06:00
"Why don't we try to package these little viruses
147
345000
3000
"Pourquoi ne pas essayer de regrouper ces petits virus
06:03
in artificial worlds inside of the computer
148
348000
2000
dans des mondes artificiels à l'intérieur de l'ordinateur
06:05
and let them evolve?"
149
350000
2000
et les laisser évoluer ?"
06:07
And this was Steen Rasmussen.
150
352000
2000
C’était Steen Rasmussen.
06:09
And he designed this system, but it really didn't work,
151
354000
2000
Il a conçu ce système, mais ça ne fonctionnait pas vraiment
06:11
because his viruses were constantly destroying each other.
152
356000
3000
parce que ses virus se détruisaient mutuellement en permanence.
06:14
But there was another scientist who had been watching this, an ecologist.
153
359000
3000
Mais il y avait un autre scientifique qui suivait cela, un écologiste.
06:17
And he went home and says, "I know how to fix this."
154
362000
3000
Il est rentré chez lui et a dit : "Je sais comment réparer ça."
06:20
And he wrote the Tierra system,
155
365000
2000
Il a écrit le système Tierra,
06:22
and, in my book, is in fact one of the first
156
367000
3000
qui, j'en parle dans mon livre, est en fait un des premiers
06:25
truly artificial living systems --
157
370000
2000
systèmes de vie réellement artificiels,
06:27
except for the fact that these programs didn't really grow in complexity.
158
372000
3000
sauf que ces programmes ne sont pas vraiment devenus complexes.
06:30
So having seen this work, worked a little bit on this,
159
375000
3000
Après avoir vu ce travail, travaillé un peu dessus,
06:33
this is where I came in.
160
378000
2000
c'est là que je suis intervenu.
06:35
And I decided to create a system
161
380000
2000
Et j'ai décidé de créer un système
06:37
that has all the properties that are necessary
162
382000
2000
qui a toutes les propriétés nécessaires
06:39
to see the evolution of complexity,
163
384000
3000
pour observer l'évolution de la complexité,
06:42
more and more complex problems constantly evolving.
164
387000
3000
des problèmes de plus en plus complexes en évolution constante.
06:45
And of course, since I really don't know how to write code, I had help in this.
165
390000
3000
Bien sûr, puisque je ne sais vraiment pas écrire du code, on m'y a aidé.
06:48
I had two undergraduate students
166
393000
2000
J'ai eu deux étudiants en licence
06:50
at California Institute of Technology that worked with me.
167
395000
3000
de l'Institut de Technologie de Californie qui ont travaillé avec moi.
06:53
That's Charles Offria on the left, Titus Brown on the right.
168
398000
3000
C'est Charles Offria à gauche, et Titus Brown à droite.
06:56
They are now actually respectable professors
169
401000
3000
Ils sont en fait désormais de respectables professeurs
06:59
at Michigan State University,
170
404000
2000
à l'Université d'État du Michigan,
07:01
but I can assure you, back in the day,
171
406000
2000
mais je peux vous assurer qu'à l'époque,
07:03
we were not a respectable team.
172
408000
2000
nous ne faisions pas une équipe respectable.
07:05
And I'm really happy that no photo survives
173
410000
2000
Et je suis vraiment content qu'aucune photo n'ait survécu
07:07
of the three of us anywhere close together.
174
412000
3000
de nous trois ensemble où que ce soit.
07:10
But what is this system like?
175
415000
2000
Mais à quoi ressemble ce système ?
07:12
Well I can't really go into the details,
176
417000
3000
Eh bien, je ne peux pas vraiment entrer dans les détails,
07:15
but what you see here is some of the entrails.
177
420000
2000
mais vous pouvez voir ici une partie de ses entrailles.
07:17
But what I wanted to focus on
178
422000
2000
Mais ce sur quoi je voulais me concentrer,
07:19
is this type of population structure.
179
424000
2000
c'est ce type de structure de population.
07:21
There's about 10,000 programs sitting here.
180
426000
3000
Il y a environ 10 000 programmes présents ici.
07:24
And all different strains are colored in different colors.
181
429000
3000
Les différentes souches sont représentées dans des couleurs différentes.
07:27
And as you see here, there are groups that are growing on top of each other,
182
432000
3000
Et comme vous pouvez le voir ici, certains groupes croissent les uns au-dessus des autres,
07:30
because they are spreading.
183
435000
2000
parce qu'ils se répandent.
07:32
Any time there is a program
184
437000
2000
À chaque fois qu'il y a un programme
07:34
that's better at surviving in this world,
185
439000
2000
qui survit mieux dans ce monde,
07:36
due to whatever mutation it has acquired,
186
441000
2000
grâce à n'importe quelle mutation qu'il a acquise,
07:38
it is going to spread over the others and drive the others to extinction.
187
443000
3000
il va se répandre par-dessus les autres et les conduire à l'extinction.
07:41
So I'm going to show you a movie where you're going to see that kind of dynamic.
188
446000
3000
Donc je vais vous montrer un film où vous allez voir ce genre de dynamique.
07:44
And these kinds of experiments are started
189
449000
3000
Et on commence ce type d'expériences
07:47
with programs that we wrote ourselves.
190
452000
2000
par des programmes que nous avons écrit nous-mêmes.
07:49
We write our own stuff, replicate it,
191
454000
2000
Nous écrivons nos propres trucs, les répliquons,
07:51
and are very proud of ourselves.
192
456000
2000
et sommes très fiers de nous.
07:53
And we put them in, and what you see immediately
193
458000
3000
Nous les implantons, et on peut immédiatement voir
07:56
is that there are waves and waves of innovation.
194
461000
3000
qu'il y a des flots et des flots d'innovation.
07:59
By the way, this is highly accelerated,
195
464000
2000
Au fait, c'est extrêmement accéléré,
08:01
so it's like a thousand generations a second.
196
466000
2000
donc c'est comme un millier de générations par seconde.
08:03
But immediately the system goes like,
197
468000
2000
Mais le système se demande immédiatement :
08:05
"What kind of dumb piece of code was this?
198
470000
2000
"C'était quoi ce stupide bout de code ?
08:07
This can be improved upon in so many ways
199
472000
2000
On peut l'améliorer de tant de façons
08:09
so quickly."
200
474000
2000
et si rapidement."
08:11
So you see waves of new types
201
476000
2000
Donc vous voyez des flots de nouveaux genres
08:13
taking over the other types.
202
478000
2000
qui prennent le dessus des autres genres.
08:15
And this type of activity goes on for quite awhile,
203
480000
3000
Et ce type d'activité dure un certain temps,
08:18
until the main easy things have been acquired by these programs.
204
483000
4000
jusqu'à ce que les principales choses faciles aient été acquises par ces programmes.
08:22
And then you see sort of like a stasis coming on
205
487000
4000
Alors vous voyez survenir comme une stase,
08:26
where the system essentially waits
206
491000
2000
où en gros le système attend
08:28
for a new type of innovation, like this one,
207
493000
3000
un nouveau type d'innovation, comme celle-ci,
08:31
which is going to spread
208
496000
2000
qui va se répandre
08:33
over all the other innovations that were before
209
498000
2000
par-dessus toutes les autres innovations précédentes
08:35
and is erasing the genes that it had before,
210
500000
3000
et efface les gènes qu'il avait avant,
08:38
until a new type of higher level of complexity has been achieved.
211
503000
4000
jusqu'à ce qu'un nouveau type de complexité, plus avancé, soit atteint.
08:42
And this process goes on and on and on.
212
507000
3000
Et ce processus continue encore et encore.
08:45
So what we see here
213
510000
2000
Donc ce que nous voyons ici
08:47
is a system that lives
214
512000
2000
est un système qui vit
08:49
in very much the way we're used to life [going.]
215
514000
2000
de façon très similaire à ce que nous connaissons comme étant la vie.
08:51
But what the NASA people had asked me really
216
516000
4000
Mais ce que les gens de la NASA me demandaient vraiment
08:55
was, "Do these guys
217
520000
2000
était : "Est-ce que ces trucs
08:57
have a biosignature?
218
522000
2000
ont une signature biologique ?
08:59
Can we measure this type of life?
219
524000
2000
Peut-on mesurer ce genre de vie ?
09:01
Because if we can,
220
526000
2000
Parce que si on peut,
09:03
maybe we have a chance of actually discovering life somewhere else
221
528000
3000
nous avons peut-être une chance de vraiment découvrir de la vie ailleurs
09:06
without being biased
222
531000
2000
sans être influencés
09:08
by things like amino acids."
223
533000
2000
par des références comme les acides aminés."
09:10
So I said, "Well, perhaps we should construct
224
535000
3000
Donc j'ai dit : "Eh bien, nous devrions peut-être construire
09:13
a biosignature
225
538000
2000
une signature biologique
09:15
based on life as a universal process.
226
540000
3000
basée sur la vie en tant que processus universel.
09:18
In fact, it should perhaps make use
227
543000
2000
En fait, elle devrait peut-être utiliser
09:20
of the concepts that I developed
228
545000
2000
les concepts que j'ai développés
09:22
just in order to sort of capture
229
547000
2000
rien que pour avoir une idée en quelque sorte
09:24
what a simple living system might be."
230
549000
2000
de ce qu'un système vivant simple pourrait être."
09:26
And the thing I came up with --
231
551000
2000
Et ce que j'ai produit -
09:28
I have to first give you an introduction about the idea,
232
553000
4000
je dois d'abord vous présenter cette idée,
09:32
and maybe that would be a meaning detector,
233
557000
3000
peut-être que ce serait un détecteur de sens,
09:35
rather than a life detector.
234
560000
3000
plutôt qu'un détecteur de vie.
09:38
And the way we would do that --
235
563000
2000
Et la façon dont nous ferions cela -
09:40
I would like to find out how I can distinguish
236
565000
2000
j'aimerais trouver comment je peux distinguer
09:42
text that was written by a million monkeys,
237
567000
2000
un texte écrit par un million de singes,
09:44
as opposed to text that [is] in our books.
238
569000
3000
par opposition à un texte qui se trouve dans nos livres.
09:47
And I would like to do it in such a way
239
572000
2000
Et j'aimerais le faire d'une façon telle
09:49
that I don't actually have to be able to read the language,
240
574000
2000
que je n’aie en fait pas besoin de pouvoir lire la langue,
09:51
because I'm sure I won't be able to.
241
576000
2000
parce que je suis sûr que je n'en serai pas capable.
09:53
As long as I know that there's some sort of alphabet.
242
578000
2000
Tant que je sais qu'il y a une sorte d'alphabet.
09:55
So here would be a frequency plot
243
580000
3000
Donc il y aurait un graphique de la fréquence
09:58
of how often you find
244
583000
2000
à laquelle vous trouvez
10:00
each of the 26 letters of the alphabet
245
585000
2000
chacune des 26 lettres de l'alphabet
10:02
in a text written by random monkeys.
246
587000
3000
dans un texte écrit par n'importe quel singe.
10:05
And obviously each of these letters
247
590000
2000
Évidemment chacune de ces lettres
10:07
comes off about roughly equally frequent.
248
592000
2000
apparaît en gros à la même fréquence.
10:09
But if you now look at the same distribution in English texts,
249
594000
4000
Mais si vous regardez la même distribution dans les textes en anglais,
10:13
it looks like that.
250
598000
2000
ça ressemble à ça.
10:15
And I'm telling you, this is very robust across English texts.
251
600000
3000
Et je peux vous dire, c'est très consistant dans les textes en anglais.
10:18
And if I look at French texts, it looks a little bit different,
252
603000
2000
Si je regarde les textes en français, ça a l'air un peu différent,
10:20
or Italian or German.
253
605000
2000
ou en italien ou en allemand.
10:22
They all have their own type of frequency distribution,
254
607000
3000
Les langues ont toutes leur propre type de distribution de fréquences,
10:25
but it's robust.
255
610000
2000
mais c'est consistant.
10:27
It doesn't matter whether it writes about politics or about science.
256
612000
3000
Peu importe si le texte parle de politique ou de science.
10:30
It doesn't matter whether it's a poem
257
615000
3000
Peu importe si c'est un poème
10:33
or whether it's a mathematical text.
258
618000
3000
ou un texte de mathématiques.
10:36
It's a robust signature,
259
621000
2000
C'est une signature consistante,
10:38
and it's very stable.
260
623000
2000
et c'est très stable.
10:40
As long as our books are written in English --
261
625000
2000
Tant que nos livres sont écrits en anglais -
10:42
because people are rewriting them and recopying them --
262
627000
3000
parce que les gens les réécrivent et les recopient -
10:45
it's going to be there.
263
630000
2000
on y trouvera ça.
10:47
So that inspired me to think about,
264
632000
2000
Ça m'a amené à me demander
10:49
well, what if I try to use this idea
265
634000
3000
ce qui se passerait si j'essayais d'utiliser cette idée
10:52
in order, not to detect random texts
266
637000
2000
non pas pour distinguer les textes aléatoires
10:54
from texts with meaning,
267
639000
2000
des textes avec du sens,
10:56
but rather detect the fact that there is meaning
268
641000
4000
mais plutôt pour détecter qu'il y a du sens
11:00
in the biomolecules that make up life.
269
645000
2000
dans les biomolécules qui constituent la vie.
11:02
But first I have to ask:
270
647000
2000
Mais d'abord je dois poser la question :
11:04
what are these building blocks, like the alphabet, elements that I showed you?
271
649000
3000
"Que sont ces blocs de construction, comme l'alphabet, ces éléments que je vous ai montrés ?"
11:07
Well it turns out, we have many different alternatives
272
652000
3000
Eh bien, il s'avère que nous avons de nombreuses alternatives
11:10
for such a set of building blocks.
273
655000
2000
pour un tel ensemble de blocs de construction.
11:12
We could use amino acids,
274
657000
2000
On pourrait utiliser les acides aminés,
11:14
we could use nucleic acids, carboxylic acids, fatty acids.
275
659000
3000
on pourrait utiliser les acides nucléiques, les acides carboxyliques, les acides gras.
11:17
In fact, chemistry's extremely rich, and our body uses a lot of them.
276
662000
3000
En fait la chimie est extrêmement riche, et notre corps en utilise beaucoup.
11:20
So that we actually, to test this idea,
277
665000
3000
Donc pour vérifier cette idée
11:23
first took a look at amino acids and some other carboxylic acids.
278
668000
3000
on a d'abord examiné les acides aminés et d'autres acides carboxyliques.
11:26
And here's the result.
279
671000
2000
Voici le résultat.
11:28
Here is, in fact, what you get
280
673000
3000
Voici, en fait, ce que vous obtenez
11:31
if you, for example, look at the distribution of amino acids
281
676000
3000
si par exemple vous regardez la distribution des acides aminés
11:34
on a comet or in interstellar space
282
679000
3000
sur une comète ou dans l'espace interstellaire
11:37
or, in fact, in a laboratory,
283
682000
2000
ou, en fait, en laboratoire,
11:39
where you made very sure that in your primordial soup
284
684000
2000
où vous vous assurez que dans votre soupe primitive
11:41
that there is not living stuff in there.
285
686000
2000
il n'y a pas d'éléments vivants.
11:43
What you find is mostly glycine and then alanine
286
688000
3000
Ce que vous trouvez est principalement de la glycine, puis de l'alanine,
11:46
and there's some trace elements of the other ones.
287
691000
3000
et aussi les autres acides sous forme de traces.
11:49
That is also very robust --
288
694000
3000
C'est également très consistant,
11:52
what you find in systems like Earth
289
697000
3000
ce que vous trouvez dans des systèmes comme la Terre
11:55
where there are amino acids,
290
700000
2000
où il y a des acides aminés,
11:57
but there is no life.
291
702000
2000
mais pas de vie.
11:59
But suppose you take some dirt
292
704000
2000
Mais imaginez que vous preniez de la terre,
12:01
and dig through it
293
706000
2000
que vous y creusiez
12:03
and then put it into these spectrometers,
294
708000
3000
et en mettiez dans ces spectromètres,
12:06
because there's bacteria all over the place;
295
711000
2000
parce qu'il y a des bactéries dans tous les coins ;
12:08
or you take water anywhere on Earth,
296
713000
2000
ou vous prenez de l'eau n'importe où sur la Terre,
12:10
because it's teaming with life,
297
715000
2000
parce qu'elle grouille de vie,
12:12
and you make the same analysis;
298
717000
2000
et vous faites la même analyse ;
12:14
the spectrum looks completely different.
299
719000
2000
le spectre a l'air totalement différent.
12:16
Of course, there is still glycine and alanine,
300
721000
4000
Bien sûr il y a toujours de la glycine et de l'alanine,
12:20
but in fact, there are these heavy elements, these heavy amino acids,
301
725000
3000
mais en fait ce sont ces éléments lourds, ces acides aminés lourds
12:23
that are being produced
302
728000
2000
qui sont produits
12:25
because these are valuable to the organism.
303
730000
2000
parce qu'ils sont importants pour l'organisme.
12:27
And some other ones
304
732000
2000
Et d'autres,
12:29
that are not used in the set of 20,
305
734000
2000
qui ne sont pas utilisés dans le groupe de 20,
12:31
they will not appear at all
306
736000
2000
n'apparaîtront pas du tout,
12:33
in any type of concentration.
307
738000
2000
dans aucun type de concentration.
12:35
So this also turns out to be extremely robust.
308
740000
2000
Cela s'avère aussi être extrêmement consistant.
12:37
It doesn't matter what kind of sediment you're using to grind up,
309
742000
3000
Peu importe quel type de sédiment vous broyez,
12:40
whether it's bacteria or any other plants or animals.
310
745000
3000
que ce soit des bactéries ou n'importe quels autres plantes ou animaux.
12:43
Anywhere there's life,
311
748000
2000
Partout où il y a de la vie,
12:45
you're going to have this distribution,
312
750000
2000
vous allez trouver cette distribution-ci,
12:47
as opposed to that distribution.
313
752000
2000
par opposition à cette distribution-là.
12:49
And it is detectable not just in amino acids.
314
754000
3000
Et il n'y a pas que dans les acides aminés qu'on peut le détecter.
12:52
Now you could ask:
315
757000
2000
Maintenant vous pourriez demander :
12:54
well, what about these Avidians?
316
759000
2000
"Bien, que se passe-t-il pour ces Avidiens ?",
12:56
The Avidians being the denizens of this computer world
317
761000
4000
les Avidiens étant les habitants du monde informatique,
13:00
where they are perfectly happy replicating and growing in complexity.
318
765000
3000
où ils sont parfaitement heureux de se répliquer et de se complexifier.
13:03
So this is the distribution that you get
319
768000
3000
Donc voici la distribution que vous obtenez
13:06
if, in fact, there is no life.
320
771000
2000
si, en réalité, il n'y a pas de vie.
13:08
They have about 28 of these instructions.
321
773000
3000
Ils ont environ 28 de ces instructions.
13:11
And if you have a system where they're being replaced one by the other,
322
776000
3000
Et si vous avez un système où les uns sont remplacés par les autres,
13:14
it's like the monkeys writing on a typewriter.
323
779000
2000
c'est comme les singes qui tapent à la machine.
13:16
Each of these instructions appears
324
781000
3000
Chacune de ces instructions apparaît
13:19
with roughly the equal frequency.
325
784000
3000
approximativement à la même fréquence.
13:22
But if you now take a set of replicating guys
326
787000
4000
Mais si vous prenez un groupe de trucs qui se répliquent
13:26
like in the video that you saw,
327
791000
2000
comme dans la vidéo que vous avez vue,
13:28
it looks like this.
328
793000
2000
ça ressemble à ça.
13:30
So there are some instructions
329
795000
2000
Donc il y a des instructions
13:32
that are extremely valuable to these organisms,
330
797000
2000
qui sont extrêmement importantes pour ces organismes,
13:34
and their frequency is going to be high.
331
799000
3000
et leur fréquence va être élevée.
13:37
And there's actually some instructions
332
802000
2000
Et il y a en fait des instructions
13:39
that you only use once, if ever.
333
804000
2000
que vous n'utilisez qu'une fois, et encore.
13:41
So they are either poisonous
334
806000
2000
Elles sont soit toxiques
13:43
or really should be used at less of a level than random.
335
808000
4000
ou doivent vraiment être utilisées à un niveau inférieur à celui du hasard.
13:47
In this case, the frequency is lower.
336
812000
3000
Dans ce cas, la fréquence est plus basse.
13:50
And so now we can see, is that really a robust signature?
337
815000
3000
Et maintenant on peut voir si la signature est vraiment consistante.
13:53
I can tell you indeed it is,
338
818000
2000
Je peux vous dire qu’en effet, elle l'est,
13:55
because this type of spectrum, just like what you've seen in books,
339
820000
3000
parce que ce type de spectre, juste comme vous l'avez vu dans les livres,
13:58
and just like what you've seen in amino acids,
340
823000
2000
et juste comme vous l'avez vu avec les acides aminés,
14:00
it doesn't really matter how you change the environment, it's very robust;
341
825000
3000
peu importe le changement que vous apportez à l'environnement, c'est très constant ;
14:03
it's going to reflect the environment.
342
828000
2000
ça va refléter l'environnement.
14:05
So I'm going to show you now a little experiment that we did.
343
830000
2000
Je vais maintenant vous montrer une petite expérience que nous avons faite.
14:07
And I have to explain to you,
344
832000
2000
Je dois vous expliquer :
14:09
the top of this graph
345
834000
2000
le haut de ce graphique
14:11
shows you that frequency distribution that I talked about.
346
836000
3000
vous montre la distribution des fréquences dont je vous ai parlée.
14:14
Here, in fact, that's the lifeless environment
347
839000
3000
Ici, en fait, c'est un environnement sans vie
14:17
where each instruction occurs
348
842000
2000
où chaque instruction survient
14:19
at an equal frequency.
349
844000
2000
à la même fréquence.
14:21
And below there, I show, in fact,
350
846000
3000
Et en-dessous, je montre, en fait,
14:24
the mutation rate in the environment.
351
849000
3000
le taux de mutation dans l'environnement.
14:27
And I'm starting this at a mutation rate that is so high
352
852000
3000
Et je commence cela à un taux de mutation qui est si élevé
14:30
that, even if you would drop
353
855000
2000
que même si vous lâchiez
14:32
a replicating program
354
857000
2000
un programme qui se réplique
14:34
that would otherwise happily grow up
355
859000
2000
qui dans d'autres circonstances grandirait tranquillement
14:36
to fill the entire world,
356
861000
2000
pour remplir le monde entier,
14:38
if you drop it in, it gets mutated to death immediately.
357
863000
4000
si vous le lâchiez dedans, il mutera jusqu'à la mort immédiatement.
14:42
So there is no life possible
358
867000
2000
Donc il n'y a pas de vie possible
14:44
at that type of mutation rate.
359
869000
3000
à ce taux de mutation.
14:47
But then I'm going to slowly turn down the heat, so to speak,
360
872000
4000
Mais je vais lentement baisser la température, pour ainsi dire,
14:51
and then there's this viability threshold
361
876000
2000
et on a alors un seuil de viabilité
14:53
where now it would be possible
362
878000
2000
où il serait alors possible
14:55
for a replicator to actually live.
363
880000
2000
pour un réplicateur de vivre.
14:57
And indeed, we're going to be dropping these guys
364
882000
3000
Et en effet, nous allons lâcher ces trucs
15:00
into that soup all the time.
365
885000
2000
dans cette soupe tout le temps.
15:02
So let's see what that looks like.
366
887000
2000
Donc voyons ce à quoi ça ressemble.
15:04
So first, nothing, nothing, nothing.
367
889000
3000
D'abord, rien, rien, rien.
15:07
Too hot, too hot.
368
892000
2000
Trop chaud, trop chaud.
15:09
Now the viability threshold is reached,
369
894000
3000
Maintenant le seuil de viabilité est atteint,
15:12
and the frequency distribution
370
897000
2000
et la distribution de fréquence
15:14
has dramatically changed and, in fact, stabilizes.
371
899000
3000
a radicalement changé et en fait se stabilise.
15:17
And now what I did there
372
902000
2000
Maintenant ce que j'ai fait ici
15:19
is, I was being nasty, I just turned up the heat again and again.
373
904000
3000
est que, j'ai été méchant, j'ai juste monté la température encore et encore.
15:22
And of course, it reaches the viability threshold.
374
907000
3000
Bien sûr le seuil de viabilité a été atteint.
15:25
And I'm just showing this to you again because it's so nice.
375
910000
3000
C'est tellement chouette que je vous montre ça encore une fois.
15:28
You hit the viability threshold.
376
913000
2000
Vous atteignez le seuil de viabilité.
15:30
The distribution changes to "alive!"
377
915000
2000
La distribution passe au mode "vivant" !
15:32
And then, once you hit the threshold
378
917000
3000
Alors, une fois atteint le seuil
15:35
where the mutation rate is so high
379
920000
2000
où le taux de mutation est si élevé
15:37
that you cannot self-reproduce,
380
922000
2000
que vous ne pouvez pas vous auto-reproduire,
15:39
you cannot copy the information
381
924000
3000
vous ne pouvez pas reproduire l'information
15:42
forward to your offspring
382
927000
2000
vers vos descendants
15:44
without making so many mistakes
383
929000
2000
sans faire tant d'erreurs
15:46
that your ability to replicate vanishes.
384
931000
3000
que votre capacité à vous répliquer s'évapore.
15:49
And then that signature is lost.
385
934000
3000
Et alors la signature est perdue.
15:52
What do we learn from that?
386
937000
2000
Qu'apprenons-nous de cela ?
15:54
Well, I think we learn a number of things from that.
387
939000
4000
Eh bien, je pense que nous apprenons un certain nombre de choses.
15:58
One of them is,
388
943000
2000
L'une d'elles est de savoir
16:00
if we are able to think about life
389
945000
3000
si nous capables de penser à la vie
16:03
in abstract terms --
390
948000
2000
en des termes abstraits.
16:05
and we're not talking about things like plants,
391
950000
2000
Et on ne parle pas de choses comme les plantes,
16:07
and we're not talking about amino acids,
392
952000
2000
et on ne parle pas des acides aminés,
16:09
and we're not talking about bacteria,
393
954000
2000
et on ne parle pas de bactéries,
16:11
but we think in terms of processes --
394
956000
2000
mais on pense en termes de processus.
16:13
then we could start to think about life,
395
958000
3000
Alors on peut commencer à penser à la vie,
16:16
not as something that is so special to Earth,
396
961000
2000
non pas comme quelque chose de si spécifique à la Terre,
16:18
but that, in fact, could exist anywhere.
397
963000
3000
mais qui en fait pourrait exister n'importe où.
16:21
Because it really only has to do
398
966000
2000
Parce que ça a vraiment seulement à voir
16:23
with these concepts of information,
399
968000
2000
avec ces concepts d'information,
16:25
of storing information
400
970000
2000
de stockage de l'information
16:27
within physical substrates --
401
972000
2000
à l'intérieur de substrats physiques
16:29
anything: bits, nucleic acids,
402
974000
2000
(n'importe quelle information : octets, acides nucléiques,
16:31
anything that's an alphabet --
403
976000
2000
quoi que ce soit qui soit un alphabet)
16:33
and make sure that there's some process
404
978000
2000
et avec l'assurance qu'il y a des processus
16:35
so that this information can be stored
405
980000
2000
pour que l'information soit stockée
16:37
for much longer than you would expect
406
982000
2000
pour bien plus longtemps que l'échelle de temps
16:39
the time scales for the deterioration of information.
407
984000
4000
à laquelle vous vous attendriez à ce que l'information se détériore.
16:43
And if you can do that,
408
988000
2000
Et si vous pouvez faire cela,
16:45
then you have life.
409
990000
2000
alors vous avez de la vie.
16:47
So the first thing that we learn
410
992000
2000
Donc la première chose que nous avons apprise
16:49
is that it is possible to define life
411
994000
3000
est qu'il est possible de définir la vie
16:52
in terms of processes alone,
412
997000
3000
uniquement en termes de processus ,
16:55
without referring at all
413
1000000
2000
sans faire du tout référence
16:57
to the type of things that we hold dear,
414
1002000
2000
au type de choses que nous chérissons,
16:59
as far as the type of life on Earth is.
415
1004000
3000
comme le type de vie sur terre.
17:02
And that in a sense removes us again,
416
1007000
3000
Et dans un sens cela nous éloigne encore,
17:05
like all of our scientific discoveries, or many of them --
417
1010000
3000
comme toutes nos découvertes scientifiques, ou beaucoup d'entre elles -
17:08
it's this continuous dethroning of man --
418
1013000
2000
c'est l'homme perpétuellement détroné -
17:10
of how we think we're special because we're alive.
419
1015000
3000
de la manière dont nous nous pensons spéciaux parce que nous sommes vivants
17:13
Well we can make life. We can make life in the computer.
420
1018000
3000
Nous pouvons fabriquer la vie. Nous pouvons fabriquer la vie dans des ordinateurs.
17:16
Granted, it's limited,
421
1021000
2000
Certes, c'est limité,
17:18
but we have learned what it takes
422
1023000
3000
mais nous avons appris ce qu'il faut
17:21
in order to actually construct it.
423
1026000
2000
pour réellement la construire.
17:23
And once we have that,
424
1028000
3000
Et une fois que nous avons cela,
17:26
then it is not such a difficult task anymore
425
1031000
3000
ce n'est alors plus une tâche si difficile
17:29
to say, if we understand the fundamental processes
426
1034000
4000
de dire, si nous comprenons le processus fondamental
17:33
that do not refer to any particular substrate,
427
1038000
3000
qui ne réfère à aucun substrat particulier,
17:36
then we can go out
428
1041000
2000
nous pouvons aller
17:38
and try other worlds,
429
1043000
2000
essayer d'autres mondes,
17:40
figure out what kind of chemical alphabets might there be,
430
1045000
4000
comprendre quelles sortes d'alphabets chimiques pourraient exister,
17:44
figure enough about the normal chemistry,
431
1049000
2000
comprendre suffisamment la chimie normale,
17:46
the geochemistry of the planet,
432
1051000
3000
la géochimie de la planète,
17:49
so that we know what this distribution would look like
433
1054000
2000
pour savoir à quoi ressemblera la distribution
17:51
in the absence of life,
434
1056000
2000
en l'absence de vie,
17:53
and then look for large deviations from this --
435
1058000
3000
et puis chercher ce qui en dévie largement,
17:56
this thing sticking out, which says,
436
1061000
3000
cette chose qui dépasse et qui nous fait dire
17:59
"This chemical really shouldn't be there."
437
1064000
2000
"Cet élément chimique ne devrait pas être là."
18:01
Now we don't know that there's life then,
438
1066000
2000
Maintenant nous ne savons pas qu'il y alors de la vie,
18:03
but we could say,
439
1068000
2000
mais on pourrait dire :
18:05
"Well at least I'm going to have to take a look very precisely at this chemical
440
1070000
3000
"Au moins je vais devoir regarder très précisément cet élément chimique
18:08
and see where it comes from."
441
1073000
2000
et voir d'où il vient."
18:10
And that might be our chance
442
1075000
2000
Et cela pourrait être notre chance
18:12
of actually discovering life
443
1077000
2000
de vraiment découvrir de la vie
18:14
when we cannot visibly see it.
444
1079000
2000
quand nous ne pouvons pas la détecter visuellement.
18:16
And so that's really the only take-home message
445
1081000
3000
Et c'est vraiment le seul point à retenir
18:19
that I have for you.
446
1084000
2000
que j'ai à vous soumettre.
18:21
Life can be less mysterious
447
1086000
2000
La vie peut être moins mystérieuse
18:23
than we make it out to be
448
1088000
2000
que nous l'imaginons
18:25
when we try to think about how it would be on other planets.
449
1090000
4000
quand nous essayons d'imaginer comment cela doit être sur d'autres planètes.
18:29
And if we remove the mystery of life,
450
1094000
3000
Et si nous retirons le mystère de la vie,
18:32
then I think it is a little bit easier
451
1097000
3000
je pense que c'est alors un peu plus facile
18:35
for us to think about how we live,
452
1100000
2000
pour nous de penser à comment nous vivons,
18:37
and how perhaps we're not as special as we always think we are.
453
1102000
3000
et en quoi nous ne sommes peut-être pas aussi spéciaux que nous le pensons.
18:40
And I'm going to leave you with that.
454
1105000
2000
Je vais vous laisser là-dessus.
18:42
And thank you very much.
455
1107000
2000
Merci beaucoup.
18:44
(Applause)
456
1109000
2000
(Applaudissements)
ABOUT THE SPEAKER
Christoph Adami - Artificial life researcherChristoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions.
Why you should listen
Christoph Adami researches the nature of living systems, using 'artificial life' -- small, self-replicating computer programs. His main research focus is Darwinian evolution, which he studies at different levels of organization (from simple molecules to brains). He has pioneered theapplication of methods from information theory to the study of evolution, and designed the "Avida" system that launched the use of digital life as a tool for investigating basic questions in evolutionary biology.
He is Professor of Applied Life Sciences at the Keck Graduate Institute in Claremont, CA, and a Visiting Professor at the BEACON Center for the Study of Evolution in Action at Michigan State University. He obtained his PhD in theoretical physics from the State University of New York at Stony Brook.
Christoph Adami | Speaker | TED.com