TED1994
Danny Hillis: Back to the future (of 1994)
Danny Hillis : retour vers le futur (de 1994)
Filmed:
Readability: 3.8
686,810 views
Des profondeurs des archives de TED, Danny Hillis donne les grandes lignes d'une théorie du pourquoi et du comment le changement technologique semble s'accélérer, en le liant à l'évolution de la vie-même. Les techniques de présentation qu'il emploie peuvent paraitre démodées, mais les idées sont plus pertinentes que jamais.
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
Parce que j'ai l'habitude d'assumer le rôle
00:18
of trying to explain to people
1
3000
2000
d'essayer d'expliquer aux gens
00:20
how wonderful the new technologies
2
5000
3000
comme les nouvelles technologies
00:23
that are coming along are going to be,
3
8000
2000
qui se profilent vont être merveilleuses,
00:25
and I thought that, since I was among friends here,
4
10000
3000
je me suis dit que puisque nous étions entre amis ici,
00:28
I would tell you what I really think
5
13000
4000
je vous dirais ce que je pense vraiment
00:32
and try to look back and try to understand
6
17000
2000
et j'essaierais de faire le bilan et de comprendre
00:34
what is really going on here
7
19000
3000
ce qui se passe vraiment ici
00:37
with these amazing jumps in technology
8
22000
5000
avec ces sauts technologiques étonnants
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
qui semblent si rapides que nous avons peine à les suivre.
00:45
So I'm going to start out
10
30000
2000
Je vais donc commencer
00:47
by showing just one very boring technology slide.
11
32000
3000
en vous montrant une diapo très ennuyeuse sur la technologie.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
Et ensuite, si on peut juste afficher la diapo.
00:56
This is just a random slide
13
41000
2000
C'est une diapo prise au hasard
00:58
that I picked out of my file.
14
43000
2000
dans mes dossiers.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
Ce que je veux montrer, ce ne sont pas tant les détails de la diapo,
01:03
but the general form of it.
16
48000
2000
mais sa forme générale.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
C'est en fait une diapo d'une analyse que nous sommes en train de faire
01:08
about the power of RISC microprocessors
18
53000
3000
de la puissance des processeurs RISC
01:11
versus the power of local area networks.
19
56000
3000
par rapport à la puissance des réseaux locaux.
01:14
And the interesting thing about it
20
59000
2000
Et ce qui est intéressant ici
01:16
is that this slide,
21
61000
2000
c'est que cette diapo,
01:18
like so many technology slides that we're used to,
22
63000
3000
comme tant de diapos sur la technologie auxquelles nous sommes habitués,
01:21
is a sort of a straight line
23
66000
2000
est une sorte de ligne droite
01:23
on a semi-log curve.
24
68000
2000
sur une courbe semi-logarithmique.
01:25
In other words, every step here
25
70000
2000
En d'autres termes, chaque étape ici
01:27
represents an order of magnitude
26
72000
2000
représente un ordre de grandeur
01:29
in performance scale.
27
74000
2000
sur une échelle de performance.
01:31
And this is a new thing
28
76000
2000
Et c'est nouveau
01:33
that we talk about technology
29
78000
2000
que nous parlions de technologie
01:35
on semi-log curves.
30
80000
2000
sur des courbes semi-logarithmiques.
01:37
Something really weird is going on here.
31
82000
2000
Une chose très étrange se passe ici.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
Et c'est en gros ce dont je vais vous parler.
01:42
So, if you could bring up the lights.
33
87000
3000
Alors si on pouvait allumer.
01:47
If you could bring up the lights higher,
34
92000
2000
Si on pouvait rallumer un peu la lumière,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
parce que je vais utiliser un morceau de papier ici.
01:52
Now why do we draw technology curves
36
97000
2000
Pourquoi dessinons-nous des courbes de technologie
01:54
in semi-log curves?
37
99000
2000
sous forme de courbes semi-logarithmiques ?
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
La réponse est que si, si je traçais ça sur une courbe normale
01:59
where, let's say, this is years,
39
104000
2000
où, disons, là ce sont les années,
02:01
this is time of some sort,
40
106000
2000
là c'est un temps quelconque,
02:03
and this is whatever measure of the technology
41
108000
3000
et ça c'est ce qui donne la mesure de la technologie
02:06
that I'm trying to graph,
42
111000
3000
que j'essaye de traduire par une courbe,
02:09
the graphs look sort of silly.
43
114000
3000
les graphiques ont l'air un peu ridicule.
02:12
They sort of go like this.
44
117000
3000
Ils font comme ça.
02:15
And they don't tell us much.
45
120000
3000
Et ils n'en disent pas beaucoup.
02:18
Now if I graph, for instance,
46
123000
3000
Si je fais une courbe par exemple,
02:21
some other technology, say transportation technology,
47
126000
2000
d'une autre technologie, disons la technologie des transports,
02:23
on a semi-log curve,
48
128000
2000
sur une courbe semi-logarithmique,
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
ça aurait l'air stupide, ça ressemblerait à une ligne plate.
02:28
But when something like this happens,
50
133000
2000
Mais quand quelque chose comme ça arrive,
02:30
things are qualitatively changing.
51
135000
2000
les choses changent en qualité.
02:32
So if transportation technology
52
137000
2000
Alors si la technologie des transports
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
avançait aussi vite que la technologie des microprocesseurs,
02:37
then the day after tomorrow,
54
142000
2000
alors après-demain,
02:39
I would be able to get in a taxi cab
55
144000
2000
je pourrais monter dans un taxi
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
et être à Tokyo en 30 secondes.
02:43
It's not moving like that.
57
148000
2000
Ça n'avance pas comme ça.
02:45
And there's nothing precedented
58
150000
2000
Et il n'y a eu aucun précédent
02:47
in the history of technology development
59
152000
2000
dans l'histoire du développement des technologies
02:49
of this kind of self-feeding growth
60
154000
2000
similaire à cette croissance autoalimentée
02:51
where you go by orders of magnitude every few years.
61
156000
3000
où l'on avance par ordre de magnitude avec un pas de quelques années.
02:54
Now the question that I'd like to ask is,
62
159000
3000
Et la question que j'aimerais poser est,
02:57
if you look at these exponential curves,
63
162000
3000
si vous regardez ces courbes exponentielles,
03:00
they don't go on forever.
64
165000
3000
elles ne continuent pas indéfiniment.
03:03
Things just can't possibly keep changing
65
168000
3000
Les choses ne peuvent pas continuer à changer
03:06
as fast as they are.
66
171000
2000
aussi vite qu'elles le font.
03:08
One of two things is going to happen.
67
173000
3000
Deux choses peuvent se passer.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
Soit ça va devenir une courbe classique en forme de S comme celle-ci,
03:15
until something totally different comes along,
69
180000
4000
jusqu'à ce que quelque chose de complètement différent arrive,
03:19
or maybe it's going to do this.
70
184000
2000
ou peut-être que ça va faire ça.
03:21
That's about all it can do.
71
186000
2000
C'est tout ce que ça peut faire en gros.
03:23
Now I'm an optimist,
72
188000
2000
Et je suis optimiste,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
alors je pense que ça va probablement faire quelque chose comme ça.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
Dans ce cas, ça veut dire que nous sommes en ce moment
03:31
is a transition.
75
196000
2000
en pleine période de transition.
03:33
We're sort of on this line
76
198000
2000
Nous sommes sur cette ligne
03:35
in a transition from the way the world used to be
77
200000
2000
dans une transition entre le monde comme il était avant
03:37
to some new way that the world is.
78
202000
3000
et un genre de nouvel état du monde.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
Et donc la question que j'essaye de poser, que je me suis posé,
03:43
is what's this new way that the world is?
80
208000
3000
est quel est ce nouvel état du monde ?
03:46
What's that new state that the world is heading toward?
81
211000
3000
Quel est ce nouvel état vers lequel le monde se dirige ?
03:49
Because the transition seems very, very confusing
82
214000
3000
Parce que la transition semble très, très confuse
03:52
when we're right in the middle of it.
83
217000
2000
quand on est en plein dedans.
03:54
Now when I was a kid growing up,
84
219000
3000
Quand j'étais enfant, en grandissant,
03:57
the future was kind of the year 2000,
85
222000
3000
le futur c'était en gros l'an 2000,
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
et les gens parlaient de ce qui se passerait en l'an 2000.
04:04
Now here's a conference
87
229000
2000
Voici une conférence
04:06
in which people talk about the future,
88
231000
2000
au cours de laquelle les gens parlent du futur,
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
et vous remarquez que le futur est toujours vers l'an 2000.
04:11
It's about as far as we go out.
90
236000
2000
C'est le plus loin que nous puissions aller.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
En d'autres termes, le futur a rétréci
04:16
one year per year
92
241000
3000
une année par an
04:19
for my whole lifetime.
93
244000
3000
toute ma vie.
04:22
Now I think that the reason
94
247000
2000
Je pense que la raison
04:24
is because we all feel
95
249000
2000
en est que nous avons tous l'impression
04:26
that something's happening there.
96
251000
2000
qu'il se passe quelque chose ici.
04:28
That transition is happening. We can all sense it.
97
253000
2000
Cette transition est en cours. Nous le sentons.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
Et nous savons que ça n'a pas de sens
04:32
to think out 30, 50 years
99
257000
2000
de penser à dans 30, 50 ans
04:34
because everything's going to be so different
100
259000
3000
parce que tout sera si différent
04:37
that a simple extrapolation of what we're doing
101
262000
2000
qu'une simple extrapolation de ce que nous faisons
04:39
just doesn't make any sense at all.
102
264000
3000
n'a tout simplement pas de sens.
04:42
So what I would like to talk about
103
267000
2000
Alors ce dont j'aimerais parler
04:44
is what that could be,
104
269000
2000
c'est de ce que ça pourrait être,
04:46
what that transition could be that we're going through.
105
271000
3000
ce que pourrait être cette transition que nous traversons.
04:49
Now in order to do that
106
274000
3000
Et pour ce faire,
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
je vais devoir parler d'un tas de trucs
04:54
that really has nothing to do
108
279000
2000
qui n'ont rien à voir
04:56
with technology and computers.
109
281000
2000
avec la technologie et les ordinateurs.
04:58
Because I think the only way to understand this
110
283000
2000
Parce que je pense que la seule façon de comprendre ça
05:00
is to really step back
111
285000
2000
est de vraiment prendre du recul
05:02
and take a long time scale look at things.
112
287000
2000
et de regarder les choses sur une longue échelle de temps.
05:04
So the time scale that I would like to look at this on
113
289000
3000
Alors l'échelle de temps sur laquelle je voudrais regarder ça
05:07
is the time scale of life on Earth.
114
292000
3000
est l'échelle de temps de la vie sur Terre.
05:13
So I think this picture makes sense
115
298000
2000
Je pense que cette image a du sens
05:15
if you look at it a few billion years at a time.
116
300000
4000
si vous la regardez quelques milliards d'années à la fois.
05:19
So if you go back
117
304000
2000
Alors si vous remontez en arrière
05:21
about two and a half billion years,
118
306000
2000
d'environ deux milliards et demi d'années,
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
la Terre était ce gros caillou stérile
05:26
with a lot of chemicals floating around on it.
120
311000
3000
avec beaucoup de composants chimiques qui flottaient tout autour.
05:29
And if you look at the way
121
314000
2000
Et si vous regardez la façon
05:31
that the chemicals got organized,
122
316000
2000
dont les composants chimiques se sont organisés,
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
nous commençons à en avoir une assez bonne idée.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
Et je pense qu'il y a des théories qui commencent à comprendre
05:39
about how it started with RNA,
125
324000
2000
comment tout a commencé avec l'ARN,
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
mais je vais en raconter une version simple,
05:44
which is that, at that time,
127
329000
2000
et c'est qu’à l'époque,
05:46
there were little drops of oil floating around
128
331000
3000
il y avait de petites gouttes d'huile qui flottaient
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
avec toutes sortes de recettes de composants chimiques à l'intérieur.
05:52
And some of those drops of oil
130
337000
2000
Et certaines de ces gouttes d'huile
05:54
had a particular combination of chemicals in them
131
339000
2000
contenaient une combinaison particulière de composants chimiques
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
qui leur a fait incorporer des composants chimiques de l'extérieur
05:59
and grow the drops of oil.
133
344000
3000
et les a fait grossir.
06:02
And those that were like that
134
347000
2000
Et celles qui étaient comme ça
06:04
started to split and divide.
135
349000
2000
ont commencé à se fendre et à se diviser.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
Et dans un sens, c'étaient les formes les plus primitives de cellules,
06:09
those little drops of oil.
137
354000
2000
ces petites gouttes d'huile.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
Mais maintenant ces gouttes d'huile n'étaient pas vraiment vivantes, comme nous l'entendons maintenant.
06:14
because every one of them
139
359000
2000
parce que chacune d'entre elles
06:16
was a little random recipe of chemicals.
140
361000
2000
était une recette de composants chimiques assemblés au hasard.
06:18
And every time it divided,
141
363000
2000
Et chaque fois qu'elles se divisaient,
06:20
they got sort of unequal division
142
365000
3000
c'était une division inégale
06:23
of the chemicals within them.
143
368000
2000
de ces composants chimiques qu'elles contenaient.
06:25
And so every drop was a little bit different.
144
370000
3000
Et donc chaque goutte était un peu différente.
06:28
In fact, the drops that were different in a way
145
373000
2000
En fait, les gouttes qui étaient différentes
06:30
that caused them to be better
146
375000
2000
d'une manière qui les faisaient mieux
06:32
at incorporating chemicals around them,
147
377000
2000
incorporer les composants chimiques qui les entouraient,
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
grossir encore et incorporer plus de composants chimiques et se diviser plus.
06:37
So those tended to live longer,
149
382000
2000
Alors celles-là avaient tendance à vivre plus longtemps
06:39
get expressed more.
150
384000
3000
et s'exprimer plus.
06:42
Now that's sort of just a very simple
151
387000
3000
Ce n'est qu'une forme de vie chimique
06:45
chemical form of life,
152
390000
2000
très simple,
06:47
but when things got interesting
153
392000
3000
mais quand les choses sont devenues intéressantes
06:50
was when these drops
154
395000
2000
c'est quand ces gouttes
06:52
learned a trick about abstraction.
155
397000
3000
ont appris un truc à propos de l'abstraction.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
Par des moyens que nous ne comprenons pas vraiment,
06:58
these little drops learned to write down information.
157
403000
3000
ces petites gouttes ont appris à écrire des informations.
07:01
They learned to record the information
158
406000
2000
Elles ont appris à enregistrer les informations
07:03
that was the recipe of the cell
159
408000
2000
qui composaient la recette de la cellule
07:05
onto a particular kind of chemical
160
410000
2000
sur une sorte particulière de composant chimique
07:07
called DNA.
161
412000
2000
appelé ADN.
07:09
So in other words, they worked out,
162
414000
2000
Donc en d'autres termes, elles ont compris,
07:11
in this mindless sort of evolutionary way,
163
416000
3000
de cette manière évolutionniste dans esprit,
07:14
a form of writing that let them write down what they were,
164
419000
3000
une forme d'écriture qui leur permettait d'écrire ce qu'elles étaient.
07:17
so that that way of writing it down could get copied.
165
422000
3000
pour que cette manière d'écrire puisse être copiée.
07:20
The amazing thing is that that way of writing
166
425000
3000
Ce qui est stupéfiant est que cette manière d'écrire
07:23
seems to have stayed steady
167
428000
2000
semblent être restée stable
07:25
since it evolved two and a half billion years ago.
168
430000
2000
depuis qu'elle a évolué il y a deux milliards et demi d'années.
07:27
In fact the recipe for us, our genes,
169
432000
3000
En fait la recette pour nous faire, nous, nos gènes,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
est exactement le même code et la même manière d'écrire.
07:33
In fact, every living creature is written
171
438000
3000
En fait, chaque créature vivante est écrite
07:36
in exactly the same set of letters and the same code.
172
441000
2000
avec exactement les mêmes lettres et le même code.
07:38
In fact, one of the things that I did
173
443000
2000
En fait, une des choses que j'ai faites
07:40
just for amusement purposes
174
445000
2000
dans le seul but de m'amuser
07:42
is we can now write things in this code.
175
447000
2000
est que nous pouvons maintenant écrire des choses avec ce code.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
Et j'ai ici 100 microgrammes de poudre blanche,
07:50
which I try not to let the security people see at airports.
177
455000
4000
que j'essaye de dissimuler aux services de sécurité des aéroports.
07:54
(Laughter)
178
459000
2000
(Rires)
07:56
But this has in it --
179
461000
2000
Mais elle contient --
07:58
what I did is I took this code --
180
463000
2000
ce que j'ai fait, c'est que j'ai pris ce code --
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
le code a des lettres standards que nous employons pour le symboliser --
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
et j'ai écrit ma carte de visite sur un bout d'ADN
08:06
and amplified it 10 to the 22 times.
183
471000
3000
et je l'ai amplifié de 10 à 22 fois.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Alors si quelqu'un veut un million de copies de ma carte de visite,
08:12
I have plenty for everyone in the room,
185
477000
2000
j'en ai plein pour tout le monde dans cette salle,
08:14
and, in fact, everyone in the world,
186
479000
2000
et en fait, pour tout le monde sur cette planète.
08:16
and it's right here.
187
481000
3000
Et tout est là.
08:19
(Laughter)
188
484000
5000
(Rires)
08:26
If I had really been a egotist,
189
491000
2000
Si j'avais été un prétentieux,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
je l'aurais mis dans un virus et je l'aurais lâché dans la salle.
08:31
(Laughter)
191
496000
5000
(Rires)
08:39
So what was the next step?
192
504000
2000
Alors quelle est l'étape suivante ?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
Ecrire l'ADN était une étape intéressante.
08:43
And that caused these cells --
194
508000
2000
Et elle a fait que les cellules --
08:45
that kept them happy for another billion years.
195
510000
2000
ça les a rendus heureuses pendant un milliard d'années de plus.
08:47
But then there was another really interesting step
196
512000
2000
Mais il y a eu une autre étape intéressante
08:49
where things became completely different,
197
514000
3000
où les choses sont devenues complètement différentes,
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
et c'est que ces cellules ont commencé à échanger et à communiquer des informations
08:55
so that they began to get communities of cells.
199
520000
2000
de sorte qu'elles ont commencé à avoir des communautés de cellules.
08:57
I don't know if you know this,
200
522000
2000
Je ne sais pas si vous le savez,
08:59
but bacteria can actually exchange DNA.
201
524000
2000
mais les bactéries peuvent en fait échanger de l'ADN.
09:01
Now that's why, for instance,
202
526000
2000
Et c'est pourquoi, par exemple,
09:03
antibiotic resistance has evolved.
203
528000
2000
la résistance aux antibiotiques a évolué.
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Une bactérie a compris comment rester à l'écart de la pénicilline,
09:08
and it went around sort of creating its little DNA information
205
533000
3000
et elle a créé ses informations d'ADN
09:11
with other bacteria,
206
536000
2000
avec d'autres bactéries,
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
et nous avons maintenant un grand nombre de bactéries résistantes à la pénicilline,
09:16
because bacteria communicate.
208
541000
2000
parce que les bactéries communiquent.
09:18
Now what this communication allowed
209
543000
2000
Maintenant, ce que cette communication a permis
09:20
was communities to form
210
545000
2000
c'est la formation de communautés
09:22
that, in some sense, were in the same boat together;
211
547000
2000
qui, dans un certain sens, étaient dans le même bateau ;
09:24
they were synergistic.
212
549000
2000
elles étaient synergiques.
09:26
So they survived
213
551000
2000
Elles ont donc survécu
09:28
or they failed together,
214
553000
2000
ou échoué ensemble,
09:30
which means that if a community was very successful,
215
555000
2000
ce qui signifie que si une communauté avait très bien réussi,
09:32
all the individuals in that community
216
557000
2000
tous les individus de cette communauté
09:34
were repeated more
217
559000
2000
étaient plus répétés
09:36
and they were favored by evolution.
218
561000
3000
et plus favorisés par l'évolution.
09:39
Now the transition point happened
219
564000
2000
Le point de transition qui s'est produit
09:41
when these communities got so close
220
566000
2000
lorsque ces communautés ont été si proches
09:43
that, in fact, they got together
221
568000
2000
qu'en fait, elles se sont réunies
09:45
and decided to write down the whole recipe for the community
222
570000
3000
et ont décidé d'écrire la recette entière pour la communauté
09:48
together on one string of DNA.
223
573000
3000
ensemble sur une chaîne d'ADN.
09:51
And so the next stage that's interesting in life
224
576000
2000
Et la prochaine étape qui est intéressante dans la vie
09:53
took about another billion years.
225
578000
2000
a pris un autre milliard d'années.
09:55
And at that stage,
226
580000
2000
Et à ce stade,
09:57
we have multi-cellular communities,
227
582000
2000
nous avons des communautés multicellulaires,
09:59
communities of lots of different types of cells,
228
584000
2000
des communautés de beaucoup de différents types de cellules,
10:01
working together as a single organism.
229
586000
2000
qui travaillent ensemble comme un seul organisme.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
Et en fait, nous sommes une de ces communautés multicellulaires.
10:06
We have lots of cells
231
591000
2000
Nous avons beaucoup de cellules
10:08
that are not out for themselves anymore.
232
593000
2000
qui ne sont plus indépendantes.
10:10
Your skin cell is really useless
233
595000
3000
La cellule de votre peau est vraiment inutile
10:13
without a heart cell, muscle cell,
234
598000
2000
sans une cellule du cœur, une cellule de muscle,
10:15
a brain cell and so on.
235
600000
2000
une cellule de cerveau et ainsi de suite.
10:17
So these communities began to evolve
236
602000
2000
Ainsi, ces communautés ont commencé à évoluer
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
de sorte que le niveau intéressant auquel se déroulait l'évolution
10:22
was no longer a cell,
238
607000
2000
n'était plus une cellule,
10:24
but a community which we call an organism.
239
609000
3000
mais une communauté que nous appelons un organisme.
10:28
Now the next step that happened
240
613000
2000
Et la prochaine étape s'est produite
10:30
is within these communities.
241
615000
2000
au sein de ces communautés.
10:32
These communities of cells,
242
617000
2000
Ces communautés de cellules,
10:34
again, began to abstract information.
243
619000
2000
encore une fois, ont commencé à abstraire l'information.
10:36
And they began building very special structures
244
621000
3000
Et elles ont commencé à construire des structures très particulières
10:39
that did nothing but process information within the community.
245
624000
3000
qui ne faisaient rien d'autre que traiter l'information au sein de la communauté.
10:42
And those are the neural structures.
246
627000
2000
Et ce sont les structures neurales.
10:44
So neurons are the information processing apparatus
247
629000
3000
Les neurones sont donc l'appareil de traitement d'informations
10:47
that those communities of cells built up.
248
632000
3000
que ces communautés de cellules ont construit.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
Et en fait, elles ont commencé à avoir des spécialistes dans la communauté
10:52
and special structures
250
637000
2000
et des structures spéciales
10:54
that were responsible for recording,
251
639000
2000
qui étaient responsables de l'enregistrement,
10:56
understanding, learning information.
252
641000
3000
la compréhension, et l'apprentissage d'informations.
10:59
And that was the brains and the nervous system
253
644000
2000
Et c'étaient le cerveau et le système nerveux
11:01
of those communities.
254
646000
2000
de ces communautés.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
Et ça leur a donné un avantage évolutif.
11:05
Because at that point,
256
650000
3000
Parce qu'à ce moment-là,
11:08
an individual --
257
653000
3000
un individu --
11:11
learning could happen
258
656000
2000
l'apprentissage pouvait se produire
11:13
within the time span of a single organism,
259
658000
2000
dans le laps de temps d'un organisme unique,
11:15
instead of over this evolutionary time span.
260
660000
3000
plutôt que sur ce laps de temps évolutionnaire.
11:18
So an organism could, for instance,
261
663000
2000
Donc, un organisme pourrait, par exemple,
11:20
learn not to eat a certain kind of fruit
262
665000
2000
apprendre à ne pas manger un certain type de fruits
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
car il avait mauvais goût et qu'il est tombé malade la dernière fois qu'il en a mangé.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Cela pouvait se produire au cours de la vie d'un organisme unique,
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
alors qu'auparavant elles avaient développé ces structures spéciales de traitement de l'information,
11:33
that would have had to be learned evolutionarily
266
678000
2000
qui aurait dû être appris de manière évolutive
11:35
over hundreds of thousands of years
267
680000
3000
sur des centaines de milliers d'années
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
par les individus qui meurent d'avoir mangé ce genre de fruit.
11:41
So that nervous system,
269
686000
2000
Alors ce système nerveux,
11:43
the fact that they built these special information structures,
270
688000
3000
le fait qu'elles ont construit ces structures spéciales d'information,
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
a énormément accéléré tout le processus d'évolution.
11:49
Because evolution could now happen within an individual.
272
694000
3000
Parce que l'évolution pouvait maintenant se produire dans un individu.
11:52
It could happen in learning time scales.
273
697000
3000
Elle pouvait se produire dans des échelles de temps d'apprentissage
11:55
But then what happened
274
700000
2000
Mais alors ce qui s'est passé
11:57
was the individuals worked out,
275
702000
2000
c'est que les individus ont trouvé,
11:59
of course, tricks of communicating.
276
704000
2000
bien sûr, des astuces de communication.
12:01
And for example,
277
706000
2000
Et par exemple,
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
la version la plus sophistiquée que nous connaissions est le langage humain.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
C'est vraiment une invention assez incroyable, si vous y réfléchissez.
12:09
Here I have a very complicated, messy,
280
714000
2000
Ici, j'ai une idée très compliquée, très brouillon,
12:11
confused idea in my head.
281
716000
3000
très confuse dans ma tête.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Je suis assis ici à pousser des grognements essentiellement,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
et avec un peu de chance à construire une idée brouillon et confuse dans votre tête
12:20
that bears some analogy to it.
284
725000
2000
qui lui ressemble un peu.
12:22
But we're taking something very complicated,
285
727000
2000
Mais nous prenons quelque chose de très compliqué,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
nous le transformons en son, en des séquences de son,
12:27
and producing something very complicated in your brain.
287
732000
4000
et nous produisons quelque chose de très compliqué dans votre cerveau.
12:31
So this allows us now
288
736000
2000
Donc, ce qui nous permet maintenant
12:33
to begin to start functioning
289
738000
2000
de commencer à commencer à fonctionner
12:35
as a single organism.
290
740000
3000
comme un organisme unique.
12:38
And so, in fact, what we've done
291
743000
3000
Et oui, en fait, ce que nous avons fait
12:41
is we, humanity,
292
746000
2000
c'est que nous, l'humanité,
12:43
have started abstracting out.
293
748000
2000
avons commencé à abstraire.
12:45
We're going through the same levels
294
750000
2000
Nous passions par les mêmes niveaux
12:47
that multi-cellular organisms have gone through --
295
752000
2000
par lesquels sont passés les organismes multicellulaires --
12:49
abstracting out our methods of recording,
296
754000
3000
en faisant l'abstraction sur nos méthodes d'enregistrement,
12:52
presenting, processing information.
297
757000
2000
en présentant, en traitant les informations.
12:54
So for example, the invention of language
298
759000
2000
Ainsi, par exemple, l'invention du langage
12:56
was a tiny step in that direction.
299
761000
3000
était un petit pas dans cette direction.
12:59
Telephony, computers,
300
764000
2000
La téléphonie, les ordinateurs,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
les cassettes vidéo, les CD-ROM et ainsi de suite
13:04
are all our specialized mechanisms
302
769000
2000
sont tous nos mécanismes spécialisés
13:06
that we've now built within our society
303
771000
2000
que nous avons maintenant construit au sein de notre société
13:08
for handling that information.
304
773000
2000
pour le traitement de ces informations.
13:10
And it all connects us together
305
775000
3000
Et ça nous relie tous ensemble
13:13
into something
306
778000
2000
en quelque chose
13:15
that is much bigger
307
780000
2000
qui est beaucoup plus grand
13:17
and much faster
308
782000
2000
et beaucoup plus rapide
13:19
and able to evolve
309
784000
2000
et capable d'évoluer
13:21
than what we were before.
310
786000
2000
que ce que nous étions avant.
13:23
So now, evolution can take place
311
788000
2000
Alors maintenant, l'évolution peut avoir lieu
13:25
on a scale of microseconds.
312
790000
2000
sur une échelle de microsecondes.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
Et vous avez vu le petit exemple évolutionnaire de Ty
13:29
where he sort of did a little bit of evolution
314
794000
2000
où il a fait une sorte de petite évolution
13:31
on the Convolution program right before your eyes.
315
796000
3000
sur le programme de convolution juste devant vos yeux.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Alors, nous avons accéléré les échelles de temps une fois de plus.
13:37
So the first steps of the story that I told you about
317
802000
2000
Ainsi, les premières étapes de l'histoire dont je vous ai parlé
13:39
took a billion years a piece.
318
804000
2000
ont pris un milliard d'années chacune.
13:41
And the next steps,
319
806000
2000
Et les étapes suivantes,
13:43
like nervous systems and brains,
320
808000
2000
comme les systèmes nerveux et les cerveaux,
13:45
took a few hundred million years.
321
810000
2000
ont pris une centaine de millions d'années.
13:47
Then the next steps, like language and so on,
322
812000
3000
Ensuite, les étapes suivantes, comme le langage et ainsi de suite,
13:50
took less than a million years.
323
815000
2000
ont pris moins d'un million d'années.
13:52
And these next steps, like electronics,
324
817000
2000
Et ces étapes suivantes, comme l'électronique,
13:54
seem to be taking only a few decades.
325
819000
2000
semblent prendre seulement quelques décennies.
13:56
The process is feeding on itself
326
821000
2000
Le processus se nourrit de lui-même
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
et devient, je suppose, auto-catalytique, c'est le mot qui convient -
14:01
when something reinforces its rate of change.
328
826000
3000
quand quelque chose renforce son taux de variation.
14:04
The more it changes, the faster it changes.
329
829000
3000
Plus il change, plus vite il change.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
Et je pense que c'est ce que nous voyons ici dans cette explosion de la courbe.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
Nous voyons ce processus qui s'autoalimente.
14:13
Now I design computers for a living,
332
838000
3000
Concevoir des ordinateurs, c'est mon métier,
14:16
and I know that the mechanisms
333
841000
2000
et je sais que les mécanismes
14:18
that I use to design computers
334
843000
3000
que j'utilise pour concevoir des ordinateurs
14:21
would be impossible
335
846000
2000
seraient impossible
14:23
without recent advances in computers.
336
848000
2000
sans les progrès récents en informatique.
14:25
So right now, what I do
337
850000
2000
Donc en ce moment, ce que je fais
14:27
is I design objects at such complexity
338
852000
3000
c'est concevoir des objets d'une telle complexité
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
que ça m'est vraiment impossible de les concevoir au sens traditionnel du terme.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
Je ne sais pas ce que fait chaque transistor dans la machine de connexion.
14:37
There are billions of them.
341
862000
2000
Il y en a des milliards.
14:39
Instead, what I do
342
864000
2000
Au lieu de cela, ce que je fais
14:41
and what the designers at Thinking Machines do
343
866000
3000
et ce que les concepteurs de Thinking Machines font
14:44
is we think at some level of abstraction
344
869000
2000
est que nous pensons à un certain niveau d'abstraction
14:46
and then we hand it to the machine
345
871000
2000
puis nous le remettons à la machine
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
et la machine l'amène au-delà de ce que nous ne pourrions jamais faire,
14:51
much farther and faster than we could ever do.
347
876000
3000
beaucoup plus loin et plus vite que nous ne pourrions jamais le faire.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
Et en fait, parfois elle le fait par des méthodes
14:56
that we don't quite even understand.
349
881000
3000
que nous ne comprenons pas tout à fait.
14:59
One method that's particularly interesting
350
884000
2000
Une méthode qui est particulièrement intéressante
15:01
that I've been using a lot lately
351
886000
3000
que j'ai beaucoup utilisée ces derniers temps
15:04
is evolution itself.
352
889000
2000
est l'évolution même.
15:06
So what we do
353
891000
2000
Donc, ce que nous faisons
15:08
is we put inside the machine
354
893000
2000
est que nous mettons dans la machine
15:10
a process of evolution
355
895000
2000
un processus d'évolution
15:12
that takes place on the microsecond time scale.
356
897000
2000
qui prend place sur l'échelle de temps en microsecondes.
15:14
So for example,
357
899000
2000
Ainsi, par exemple,
15:16
in the most extreme cases,
358
901000
2000
dans les cas les plus extrêmes,
15:18
we can actually evolve a program
359
903000
2000
nous pouvons vraiment faire évoluer un programme
15:20
by starting out with random sequences of instructions.
360
905000
4000
en démarrant avec des séquences aléatoires d'instructions.
15:24
Say, "Computer, would you please make
361
909000
2000
Disons: « Ordinateur, veux-tu s'il te plait créer
15:26
a hundred million random sequences of instructions.
362
911000
3000
une centaine de millions de séquences aléatoires d'instructions.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
Maintenant veux-tu bien s'il te plait exécuter ces séquences aléatoires d'instructions,
15:32
run all of those programs,
364
917000
2000
exécuter tous ces programmes,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
et choisir ceux qui étaient les plus proches de faire ce que je voulais. »
15:37
So in other words, I define what I wanted.
366
922000
2000
Donc, en d'autres termes, je définis ce que je voulais.
15:39
Let's say I want to sort numbers,
367
924000
2000
Disons que je veux trier des chiffres,
15:41
as a simple example I've done it with.
368
926000
2000
comme un exemple simple de ce avec quoi je l'ai fait.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Donc, trouver les programmes qui se rapprochent du tri de chiffres.
15:46
So of course, random sequences of instructions
370
931000
3000
Alors bien sûr, des séquences aléatoires d'instructions
15:49
are very unlikely to sort numbers,
371
934000
2000
ne vont vraisemblablement pas trier des chiffres,
15:51
so none of them will really do it.
372
936000
2000
et aucune d'entre elles ne le fera vraiment.
15:53
But one of them, by luck,
373
938000
2000
Mais l'une d'elle, par chance,
15:55
may put two numbers in the right order.
374
940000
2000
peut mettre deux chiffres dans le bon ordre.
15:57
And I say, "Computer,
375
942000
2000
Et je dis, « Ordinateur,
15:59
would you please now take the 10 percent
376
944000
3000
veux-tu s'il te plait prendre maintenant les 10 %
16:02
of those random sequences that did the best job.
377
947000
2000
de ces séquences aléatoires qui ont fait le meilleur travail.
16:04
Save those. Kill off the rest.
378
949000
2000
Enregistre-les. Élimine le reste.
16:06
And now let's reproduce
379
951000
2000
Et maintenant, reproduisons
16:08
the ones that sorted numbers the best.
380
953000
2000
celles qui ont le mieux trié les chiffres.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
Et reproduisons-les par un processus de recombinaison
16:13
analogous to sex."
382
958000
2000
analogue aux rapports sexuels. »
16:15
Take two programs and they produce children
383
960000
3000
Prenez deux programmes, et ils produisent des enfants
16:18
by exchanging their subroutines,
384
963000
2000
en échangeant leurs sous-programmes,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
et les enfants héritent des traits des sous-routines des deux programmes.
16:23
So I've got now a new generation of programs
386
968000
3000
Donc j'ai maintenant une nouvelle génération de programmes
16:26
that are produced by combinations
387
971000
2000
qui sont produites par des combinaisons
16:28
of the programs that did a little bit better job.
388
973000
2000
des programmes qui ont fait un travail un peu meilleur.
16:30
Say, "Please repeat that process."
389
975000
2000
Disons : « S'il te plait répète ce processus. »
16:32
Score them again.
390
977000
2000
Tiens le compte à nouveau.
16:34
Introduce some mutations perhaps.
391
979000
2000
Introduis peut-être des mutations.
16:36
And try that again and do that for another generation.
392
981000
3000
Et essaye à nouveau de le faire pour une autre génération.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
Eh bien chacune de ces générations ne prend que quelques millisecondes.
16:42
So I can do the equivalent
394
987000
2000
Donc, je peux faire là l'équivalent
16:44
of millions of years of evolution on that
395
989000
2000
de millions d'années d'évolution
16:46
within the computer in a few minutes,
396
991000
3000
au sein de l'ordinateur en quelques minutes,
16:49
or in the complicated cases, in a few hours.
397
994000
2000
ou dans les cas compliqués, en quelques heures.
16:51
At the end of that, I end up with programs
398
996000
3000
En fin de compte, je me retrouve avec des programmes
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
qui sont absolument parfait pour trier des nombres.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
En fait, ce sont des programmes qui sont beaucoup plus efficaces
16:59
than programs I could have ever written by hand.
401
1004000
2000
que les programmes que je n'aurais jamais écrit à la main.
17:01
Now if I look at those programs,
402
1006000
2000
Maintenant, si je regarde ces programmes,
17:03
I can't tell you how they work.
403
1008000
2000
Je ne peux pas vous dire comment ils fonctionnent.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
J'ai essayé de les regarder et de vous dire comment ils fonctionnent.
17:07
They're obscure, weird programs.
405
1012000
2000
Ce sont des programmes obscurs et bizarres.
17:09
But they do the job.
406
1014000
2000
Mais ils font le travail.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
Et en fait, je sais, je suis très confiant dans le fait qu'ils font le travail
17:14
because they come from a line
408
1019000
2000
parce qu'ils viennent d'une ligne
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
de centaines de milliers de programmes qui ont fait le travail.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
En fait, leur vie en dépendait.
17:21
(Laughter)
411
1026000
4000
(Rires)
17:26
I was riding in a 747
412
1031000
2000
Un jour, j'étais dans un 747
17:28
with Marvin Minsky once,
413
1033000
2000
avec Marvin Minsky,
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
et il sort cette carte et dit : « Oh regardez. Regardez ça.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
Il dit : ‘Cet avion a des centaines de milliers de petites pièces
17:37
working together to make you a safe flight.'
416
1042000
4000
qui travaillent ensemble pour vous assurer un vol en toute sécurité.’
17:41
Doesn't that make you feel confident?"
417
1046000
2000
Cela ne vous met-il pas en confiance ? »
17:43
(Laughter)
418
1048000
2000
(Rires)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
En fait, nous savons que le processus d'ingénierie ne fonctionne pas très bien
17:48
when it gets complicated.
420
1053000
2000
quand ça devient compliqué.
17:50
So we're beginning to depend on computers
421
1055000
2000
Donc, nous commençons à dépendre des ordinateurs
17:52
to do a process that's very different than engineering.
422
1057000
4000
pour faire un processus qui est très différent de celui de l'ingénierie.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
Et ça nous permet de produire des choses beaucoup plus complexes
17:59
than normal engineering lets us produce.
424
1064000
2000
que l'ingénierie normale ne nous le permet.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
Et pourtant, nous n'en comprends pas très bien les options.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
Donc dans un sens, il prend de l'avance sur nous.
18:06
We're now using those programs
427
1071000
2000
Nous utilisons maintenant ces programmes
18:08
to make much faster computers
428
1073000
2000
pour rendre les ordinateurs plus rapides
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
pour que nous soyons en mesure d'exécuter ce processus beaucoup plus vite.
18:13
So it's feeding back on itself.
430
1078000
3000
Donc, il s'autoalimente.
18:16
The thing is becoming faster
431
1081000
2000
La chose devient de plus en plus rapide
18:18
and that's why I think it seems so confusing.
432
1083000
2000
et c'est pourquoi je pense que ça semble si confus.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
Parce que toutes ces technologies s'autoalimentent
18:23
We're taking off.
434
1088000
2000
Nous décollons.
18:25
And what we are is we're at a point in time
435
1090000
3000
Et ce que nous sommes, c'est que nous sommes à un point dans le temps
18:28
which is analogous to when single-celled organisms
436
1093000
2000
qui est analogue au moment où des organismes unicellulaires
18:30
were turning into multi-celled organisms.
437
1095000
3000
se transformait en organismes multicellulaires.
18:33
So we're the amoebas
438
1098000
2000
Donc, nous sommes les amibes
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
et nous ne pouvons pas tout à fait comprendre ce qu'est ce truc que nous créons.
18:38
We're right at that point of transition.
440
1103000
2000
Nous sommes pile à ce moment de transition.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
Mais je pense qu'il y a vraiment quelque chose qui vient après nous.
18:43
I think it's very haughty of us
442
1108000
2000
Je pense que c'est très prétentieux de notre part
18:45
to think that we're the end product of evolution.
443
1110000
3000
de penser que nous sommes le produit final de l'évolution.
18:48
And I think all of us here
444
1113000
2000
Et je pense que nous tous ici
18:50
are a part of producing
445
1115000
2000
sommes partie prenante dans la production
18:52
whatever that next thing is.
446
1117000
2000
de cette chose, quoi qu'elle soit.
18:54
So lunch is coming along,
447
1119000
2000
Donc, c'est bientôt l'heure du déjeuner,
18:56
and I think I will stop at that point,
448
1121000
2000
et je pense que je vais m'arrêter là,
18:58
before I get selected out.
449
1123000
2000
avant que l'on m'expulse.
19:00
(Applause)
450
1125000
3000
(Applaudissements)
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