TEDxUIUC
Christoph Adami: Finding life we can't imagine
Christoph Adami: Az elképzelhetetlen élet keresése
Filmed:
Readability: 3.7
652,149 views
Hogyan keressünk idegen létformákat, ha azok semmiben sem hasonlítanak az általunk ismert élethez? A TEDxUIUC előadásán Christoph Adami bemutatja, hogyan használja fel mesterséges életformákkal -- önreprodukáló számítógépes programokkal -- foglalkozó kutatását arra, hogy olyan azonosítót, egy olyan "biomarkert" találjon, amely független az életről alkotott előzetes elképzeléseinktől.
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
Nos, nekem furcsa a hivatásom.
00:17
I know it because people come up to me, like colleagues,
1
2000
3000
Ezt onnan tudom, hogy az emberek, például a kollégáim odajönnek hozzám
00:20
and say, "Chris, you have a strange career."
2
5000
2000
és azt mondják, "Chris, neked furcsa a hivatásod."
00:22
(Laughter)
3
7000
2000
(Nevetés)
00:24
And I can see their point,
4
9000
2000
És tudom, miért mondják ezt,
00:26
because I started my career
5
11000
2000
hiszen elméleti nukleáris fizikusként
00:28
as a theoretical nuclear physicist.
6
13000
2000
kezdtem a pályafutásom.
00:30
And I was thinking about quarks and gluons
7
15000
2000
Kvarkokról, gluonokról,
00:32
and heavy ion collisions,
8
17000
2000
nehézion ütközésekről gondolkodtam,
00:34
and I was only 14 years old.
9
19000
2000
és még csak 14 éves voltam.
00:36
No, no, I wasn't 14 years old.
10
21000
3000
Nem, nem, nem voltam 14 éves.
00:40
But after that,
11
25000
2000
De azután
00:42
I actually had my own lab
12
27000
2000
tulajdonképpen lett egy saját laborom
00:44
in the computational neuroscience department,
13
29000
2000
a számítógépes idegtudományi tanszéken,
00:46
and I wasn't doing any neuroscience.
14
31000
2000
és egyáltalán nem foglalkoztam az idegtudománnyal.
00:48
Later, I would work on evolutionary genetics,
15
33000
3000
A későbbiekben evolúciós genetikával,
00:51
and I would work on systems biology.
16
36000
2000
majd rendszer-szemléletű biológiával foglalkoztam.
00:53
But I'm going to tell you about something else today.
17
38000
3000
De ma valami másról fogok beszélni önöknek.
00:56
I'm going to tell you
18
41000
2000
Azt fogom elmondani,
00:58
about how I learned something about life.
19
43000
2000
hogy hogyan tanultam meg valamit az életről.
01:00
And I was actually a rocket scientist.
20
45000
4000
És tulajdonképpen rakétakutató voltam.
01:04
I wasn't really a rocket scientist,
21
49000
2000
Igazából nem voltam rakétakutató,
01:06
but I was working
22
51000
2000
de dolgoztam
01:08
at the Jet Propulsion Laboratory
23
53000
2000
a Sugárhajtású Meghajtás laboratóriumban
01:10
in sunny California where it's warm;
24
55000
3000
a napos Kaliforniában, ahol meleg van;
01:13
whereas now I'm in the mid-West,
25
58000
2000
ehhez képest most közép-nyugaton vagyok,
01:15
and it's cold.
26
60000
2000
és hideg van.
01:17
But it was an exciting experience.
27
62000
3000
De izgalmas élmény volt.
01:20
One day a NASA manager comes into my office,
28
65000
3000
Egyik nap bejön az irodámba egy NASA osztályvezető,
01:23
sits down and says,
29
68000
3000
leül és azt kérdezi,
01:26
"Can you please tell us,
30
71000
2000
"Meg tudná kérem mondani,
01:28
how do we look for life outside Earth?"
31
73000
2000
hogyan keressünk életet a Földön kívül?"
01:30
And that came as a surprise to me,
32
75000
2000
És ez nagy meglepetésként ért engem,
01:32
because I was actually hired
33
77000
2000
mert konkrétan azért vettek fel,
01:34
to work on quantum computation.
34
79000
2000
hogy kvantumszámításokon dolgozzak.
01:36
Yet, I had a very good answer.
35
81000
2000
És mégis tudtam egy nagyon jó választ.
01:38
I said, "I have no idea."
36
83000
3000
Azt válaszoltam, hogy "Fogalmam sincs".
01:41
And he told me, "Biosignatures,
37
86000
3000
A fickó pedig azt mondta, hogy "Bioazonosítók,
01:44
we need to look for a biosignature."
38
89000
2000
bioazonosítókat kell keresnünk."
01:46
And I said, "What is that?"
39
91000
2000
Én meg azt kérdeztem, "Az meg mi?"
01:48
And he said, "It's any measurable phenomenon
40
93000
2000
Ő pedig azt válaszolta, hogy "Bármilyen mérhető jelenség,
01:50
that allows us to indicate
41
95000
2000
amely lehetővé teszi számunkra
01:52
the presence of life."
42
97000
2000
az élet jelenlétének kimutatását."
01:54
And I said, "Really?
43
99000
2000
És azt kérdeztem, hogy "Tényleg?
01:56
Because isn't that easy?
44
101000
2000
Mert ez könnyű, nem?
01:58
I mean, we have life.
45
103000
2000
Úgy értem, itt van az élet.
02:00
Can't you apply a definition,
46
105000
2000
Nem alkalmazhatunk rá egy meghatározást,
02:02
like for example, a Supreme Court-like definition of life?"
47
107000
4000
olyasmit, mint a Legfelsőbb Bíróság féle élet definíció?"
02:06
And then I thought about it a little bit, and I said,
48
111000
2000
De aztán gondolkodtam rajta egy kicsit, és azt kérdeztem,
02:08
"Well, is it really that easy?
49
113000
2000
"Nos, ez tényleg ilyen egyszerű?
02:10
Because, yes, if you see something like this,
50
115000
3000
Mert igen, ha látunk valami ilyesmit,
02:13
then all right, fine, I'm going to call it life --
51
118000
2000
akkor persze, rendben, életnek fogjuk hívni --
02:15
no doubt about it.
52
120000
2000
ehhez nem fér kétség.
02:17
But here's something."
53
122000
2000
De itt van ez."
02:19
And he goes, "Right, that's life too. I know that."
54
124000
3000
És azt mondja, "Rendben, ez is élet. Ezt tudom."
02:22
Except, if you think life is also defined
55
127000
2000
Kivéve persze ha a meghaló dolgok által
02:24
by things that die,
56
129000
2000
határozzuk meg az életet,
02:26
you're not in luck with this thing,
57
131000
2000
mert akkor ezzel a dologgal nincs szerencsénk,
02:28
because that's actually a very strange organism.
58
133000
2000
ugyanis ez egy nagyon különös organizmus.
02:30
It grows up into the adult stage like that
59
135000
2000
Kifejlődik a felnőtt létig ilyen formában,
02:32
and then goes through a Benjamin Button phase,
60
137000
3000
majd átél egy Benjamin Button fázist,
02:35
and actually goes backwards and backwards
61
140000
2000
és tulajdonképpen elkezd egyre jobban visszafejlődni,
02:37
until it's like a little embryo again,
62
142000
2000
amíg olyan nem lesz újra, mint egy embrió,
02:39
and then actually grows back up, and back down and back up -- sort of yo-yo --
63
144000
3000
majd ismét elkezd felnőni, majd visszafejlődni, majd felnőni -- mint a jojó --
02:42
and it never dies.
64
147000
2000
és sohasem hal meg.
02:44
So it's actually life,
65
149000
2000
Tehát tulajdonképpen ez is egy életforma,
02:46
but it's actually not
66
151000
2000
de valójában nem úgy,
02:48
as we thought life would be.
67
153000
3000
ahogyan mi elképzeljük az életet.
02:51
And then you see something like that.
68
156000
2000
Aztán látunk valami ilyesmit.
02:53
And he was like, "My God, what kind of a life form is that?"
69
158000
2000
Erre a fickó, "Uram Isten, ez meg milyen életforma?"
02:55
Anyone know?
70
160000
2000
Tudja valaki?
02:57
It's actually not life, it's a crystal.
71
162000
3000
Ez tulajdonképpen nem életforma, ez egy kristály.
03:00
So once you start looking and looking
72
165000
2000
Tehát ha egyszer elkezdünk
03:02
at smaller and smaller things --
73
167000
2000
egyre kisebb dolgokat vizsgálni --
03:04
so this particular person
74
169000
2000
tehát ez a bizonyos személy
03:06
wrote a whole article and said, "Hey, these are bacteria."
75
171000
3000
egy egész cikket írt arról, hogy "Hé, ezek baktériumok".
03:09
Except, if you look a little bit closer,
76
174000
2000
Kivéve persze ha közelebbről nézzük,
03:11
you see, in fact, that this thing is way too small to be anything like that.
77
176000
3000
akkor tulajdonképpen látjuk, hogy ez túl kicsi ahhoz, hogy bármi ilyesmi legyen.
03:14
So he was convinced,
78
179000
2000
Tehát ő meg volt győződve erről,
03:16
but, in fact, most people aren't.
79
181000
2000
de ami azt illeti, a legtöbb ember nem.
03:18
And then, of course,
80
183000
2000
És aztán, persze,
03:20
NASA also had a big announcement,
81
185000
2000
a NASA tett egy nagy bejelentést,
03:22
and President Clinton gave a press conference,
82
187000
2000
és Clinton elnök tartott egy sajtókonferenciát
03:24
about this amazing discovery
83
189000
2000
erről a hatalmas felfedezésről,
03:26
of life in a Martian meteorite.
84
191000
3000
hogy életet találtak egy Marsról származó meteorban.
03:29
Except that nowadays, it's heavily disputed.
85
194000
4000
Leszámítva persze, hogy manapság ez erősen vitatott.
03:33
If you take the lesson of all these pictures,
86
198000
3000
Ha megtanuljuk a leckét ezekből a képekből,
03:36
then you realize, well actually maybe it's not that easy.
87
201000
2000
akkor rájövünk, hogy ez talán nem is olyan könnyű.
03:38
Maybe I do need
88
203000
2000
Talán mégiscsak szükségem van
03:40
a definition of life
89
205000
2000
az élet meghatározására ahhoz,
03:42
in order to make that kind of distinction.
90
207000
2000
hogy ilyen jellegű különbséget tudjak tenni.
03:44
So can life be defined?
91
209000
2000
Tehát meghatározhatjuk-e az életet?
03:46
Well how would you go about it?
92
211000
2000
Nos, hogyan kezdenének hozzá?
03:48
Well of course,
93
213000
2000
Természetesen
03:50
you'd go to Encyclopedia Britannica and open at L.
94
215000
2000
kinyitnák a Révai nagylexikont az É betűnél.
03:52
No, of course you don't do that; you put it somewhere in Google.
95
217000
3000
Nem, természetesen nem tennék ezt; inkább beírnák a Google-ba.
03:55
And then you might get something.
96
220000
3000
És talán kapnának valamit.
03:58
And what you might get --
97
223000
2000
És amit kapnának --
04:00
and anything that actually refers to things that we are used to,
98
225000
2000
és bármit, ami tulajdonképpen azokra a dolgokra utal, amiket megszoktunk,
04:02
you throw away.
99
227000
2000
félredobnának.
04:04
And then you might come up with something like this.
100
229000
2000
Aztán kitalálnának valami ilyesmit.
04:06
And it says something complicated
101
231000
2000
És ez valami bonyolultról szól,
04:08
with lots and lots of concepts.
102
233000
2000
amiben rengeteg a fogalom.
04:10
Who on Earth would write something
103
235000
2000
Ki a fene írna valamit,
04:12
as convoluted and complex
104
237000
2000
ami ilyen tekervényes és összetett
04:14
and inane?
105
239000
3000
és semmitmondó?
04:17
Oh, it's actually a really, really, important set of concepts.
106
242000
4000
Ó, ez tulajdonképpen egy nagyon, nagyon fontos fogalomhalmaz.
04:21
So I'm highlighting just a few words
107
246000
3000
Úgyhogy kiemelek egy pár szót,
04:24
and saying definitions like that
108
249000
2000
és azt mondom hogy az ilyen meghatározások
04:26
rely on things that are not based
109
251000
2000
nem olyan dolgokra támaszkodnak, amelyeknek
04:28
on amino acids or leaves
110
253000
3000
aminosavak vagy levelek
04:31
or anything that we are used to,
111
256000
2000
vagy bármi megszokott az alapja,
04:33
but in fact on processes only.
112
258000
2000
hanem valójában csak folyamatokra.
04:35
And if you take a look at that,
113
260000
2000
És ha egy pillantást vetnek erre,
04:37
this was actually in a book that I wrote that deals with artificial life.
114
262000
3000
ez tulajdonképpen egy könyvben volt, amit a mesterséges életről írtam.
04:40
And that explains why
115
265000
2000
És ez megmagyarázza, hogy hogyan
04:42
that NASA manager was actually in my office to begin with.
116
267000
3000
került az a NASA ügyvezető az irodámba az elején.
04:45
Because the idea was that, with concepts like that,
117
270000
3000
Ugyanis az volt az ötlet, hogy az ilyen koncepciókkal
04:48
maybe we can actually manufacture
118
273000
2000
talán ténylegesen létrehozhatunk
04:50
a form of life.
119
275000
2000
valamilyen létformát.
04:52
And so if you go and ask yourself,
120
277000
3000
Így tehát ha megkérdezik maguktól, hogy
04:55
"What on Earth is artificial life?",
121
280000
2000
"Mi a fene az a mesterséges élet?",
04:57
let me give you a whirlwind tour
122
282000
2000
engedjék meg, hogy villámgyorsan bemutassam önöknek,
04:59
of how all this stuff came about.
123
284000
2000
hogy hogyan is került szóba mindez.
05:01
And it started out quite a while ago
124
286000
3000
És ez az egész elég régen kezdődött,
05:04
when someone wrote
125
289000
2000
amikor valaki megírta
05:06
one of the first successful computer viruses.
126
291000
2000
az egyik első sikeres számítógépes vírust.
05:08
And for those of you who aren't old enough,
127
293000
3000
És azok számára, akik nem elég idősek,
05:11
you have no idea how this infection was working --
128
296000
3000
és fogalmuk sincs, hogy ez a fertőzés hogyan működött --
05:14
namely, through these floppy disks.
129
299000
2000
tudniillik ezeken a floppy lemezeken keresztül.
05:16
But the interesting thing about these computer virus infections
130
301000
3000
De ezekkel a számítógépes vírusokkal kapcsolatban
05:19
was that, if you look at the rate
131
304000
2000
az volt az érdekes, hogy ha a fertőzés
05:21
at which the infection worked,
132
306000
2000
terjedésének sebességét nézzük,
05:23
they show this spiky behavior
133
308000
2000
akkor ezt a tüskés viselkedést mutatják,
05:25
that you're used to from a flu virus.
134
310000
3000
amelyet egy influenza vírusnál figyelhetünk meg.
05:28
And it is in fact due to this arms race
135
313000
2000
És tulajdonképpen ennek a fegyverkezési versenynek köszönhető
05:30
between hackers and operating system designers
136
315000
3000
a hackerek és az operációs rendszerek tervezői között,
05:33
that things go back and forth.
137
318000
2000
hogy ezek a dolgok oda-vissza haladnak.
05:35
And the result is kind of a tree of life
138
320000
2000
A végeredmény pedig egyfajta családfa
05:37
of these viruses,
139
322000
2000
a vírusokból,
05:39
a phylogeny that looks very much
140
324000
3000
egy fejlődéstörténet, amely nagyon
05:42
like the type of life that we're used to, at least on the viral level.
141
327000
3000
hasonlít a már ismert élettípusra, legalábbis ami a vírusok szintjét illeti.
05:45
So is that life? Not as far as I'm concerned.
142
330000
3000
Akkor tehát ez élet? Nem, ami engem illet.
05:48
Why? Because these things don't evolve by themselves.
143
333000
3000
Miért? Mert ezek a dolgok nem maguktól fejlődnek.
05:51
In fact, they have hackers writing them.
144
336000
2000
Ami azt illeti, a hackerek írják őket.
05:53
But the idea was taken very quickly a little bit further
145
338000
4000
De az ötletet nagyon hamar továbbgondolták,
05:57
when a scientist working at the Scientific Institute decided,
146
342000
3000
mikor a Tudományos Intézet egyik tudósa elhatározta,
06:00
"Why don't we try to package these little viruses
147
345000
3000
"Miért ne csomagolhatnánk be ezeket a vírusokat
06:03
in artificial worlds inside of the computer
148
348000
2000
a számítógép mesterséges világaiba
06:05
and let them evolve?"
149
350000
2000
és hagyhatnánk őket fejlődni?"
06:07
And this was Steen Rasmussen.
150
352000
2000
És ez az ember Steen Rasmussen volt.
06:09
And he designed this system, but it really didn't work,
151
354000
2000
És megtervezte ezt a rendszert, de valójában nem igazán működött,
06:11
because his viruses were constantly destroying each other.
152
356000
3000
mert a vírusai folyamatosan elpusztították egymást.
06:14
But there was another scientist who had been watching this, an ecologist.
153
359000
3000
De volt egy másik tudós, aki megfigyelte a kísérletet, egy ökológus.
06:17
And he went home and says, "I know how to fix this."
154
362000
3000
Aztán hazament és azt mondta, "Tudom, hogyan oldjuk meg ezt."
06:20
And he wrote the Tierra system,
155
365000
2000
És megírta a Tierra rendszert,
06:22
and, in my book, is in fact one of the first
156
367000
3000
és ami azt illeti, a könyvemben ez az egyik első
06:25
truly artificial living systems --
157
370000
2000
valóban mesterséges élő rendszer --
06:27
except for the fact that these programs didn't really grow in complexity.
158
372000
3000
leszámítva azt a tényt, hogy ezek a programok nem igazán váltak összetettebbé.
06:30
So having seen this work, worked a little bit on this,
159
375000
3000
Tehát miután láttam ezt a munkát és dolgoztam rajta egy kicsit,
06:33
this is where I came in.
160
378000
2000
itt jövök én a képbe.
06:35
And I decided to create a system
161
380000
2000
És én elhatároztam, hogy létrehozok egy olyan rendszert,
06:37
that has all the properties that are necessary
162
382000
2000
amely rendelkezik az összes szükséges tulajdonsággal
06:39
to see the evolution of complexity,
163
384000
3000
az evolúció összetettségének megjelenítéséhez,
06:42
more and more complex problems constantly evolving.
164
387000
3000
az egyre bonyolultabb és bonyolultabb problémák folyamatos fejlődésével.
06:45
And of course, since I really don't know how to write code, I had help in this.
165
390000
3000
És mivel tényleg nem tudok kódokat írni, természetesen volt segítségem.
06:48
I had two undergraduate students
166
393000
2000
Két egyetemi hallgató
06:50
at California Institute of Technology that worked with me.
167
395000
3000
dolgozott együtt velem a Kaliforniai Műszaki Intézetből.
06:53
That's Charles Offria on the left, Titus Brown on the right.
168
398000
3000
Az Charles Offria a bal oldalon, Titus Brown pedig a jobb oldalon.
06:56
They are now actually respectable professors
169
401000
3000
Jelenleg valójában már tekintélyes professzorok
06:59
at Michigan State University,
170
404000
2000
a Michigani Állami Egyetemen,
07:01
but I can assure you, back in the day,
171
406000
2000
de biztosíthatom önöket, hogy akkoriban
07:03
we were not a respectable team.
172
408000
2000
nem voltunk egy tekintélyes csapat.
07:05
And I'm really happy that no photo survives
173
410000
2000
És igazán boldog vagyok, hogy egy fénykép sem maradt fenn
07:07
of the three of us anywhere close together.
174
412000
3000
sehol hármunkról, amin együtt vagyunk.
07:10
But what is this system like?
175
415000
2000
De milyen is ez a rendszer?
07:12
Well I can't really go into the details,
176
417000
3000
Hát igazából nem nagyon mehetek bele a részletekbe,
07:15
but what you see here is some of the entrails.
177
420000
2000
de amit itt látnak, az a belsejének egy része.
07:17
But what I wanted to focus on
178
422000
2000
De amire fókuszálni szeretnék,
07:19
is this type of population structure.
179
424000
2000
az ez a fajta populációs szerkezet.
07:21
There's about 10,000 programs sitting here.
180
426000
3000
Körülbelül 10,000 program látható itt.
07:24
And all different strains are colored in different colors.
181
429000
3000
És minden külön törzs különböző színnel van megjelölve.
07:27
And as you see here, there are groups that are growing on top of each other,
182
432000
3000
És mint itt is láthatják, vannak olyan csoportok, amelyek egymásra nőnek,
07:30
because they are spreading.
183
435000
2000
mert terjeszkednek.
07:32
Any time there is a program
184
437000
2000
Ha bármikor létrejön egy program,
07:34
that's better at surviving in this world,
185
439000
2000
amely jobban életben tud maradni ebben a világban,
07:36
due to whatever mutation it has acquired,
186
441000
2000
mert olyan mutáción ment keresztül,
07:38
it is going to spread over the others and drive the others to extinction.
187
443000
3000
akkor elterjed a többi program rovására és kihalásra kényszeríti őket.
07:41
So I'm going to show you a movie where you're going to see that kind of dynamic.
188
446000
3000
Úgyhogy mutatok önöknek egy filmet, amelyen látható lesz ez a fajta dinamika.
07:44
And these kinds of experiments are started
189
449000
3000
És az ilyen fajta kísérleteket
07:47
with programs that we wrote ourselves.
190
452000
2000
olyan programokkal kezdtük, amelyeket magunk írtunk.
07:49
We write our own stuff, replicate it,
191
454000
2000
Megírjuk a saját dolgainkat, sokszorosítjuk őket,
07:51
and are very proud of ourselves.
192
456000
2000
és nagyon büszkék vagyunk magunkra.
07:53
And we put them in, and what you see immediately
193
458000
3000
Aztán betesszük őket ide, és amit azonnal megfigyelhetnek az az,
07:56
is that there are waves and waves of innovation.
194
461000
3000
hogy az újítás újabb és újabb hulláma tűnik fel.
07:59
By the way, this is highly accelerated,
195
464000
2000
Mellesleg ez egy nagyon felgyorsított felvétel,
08:01
so it's like a thousand generations a second.
196
466000
2000
úgy nagyjából ezer generáció másodpercenként.
08:03
But immediately the system goes like,
197
468000
2000
De a rendszer szinte azonnal megkérdezi,
08:05
"What kind of dumb piece of code was this?
198
470000
2000
"Milyen idióta kód darab volt ez?
08:07
This can be improved upon in so many ways
199
472000
2000
Ezt olyan sokféleképpen lehet tovább fejleszteni
08:09
so quickly."
200
474000
2000
nagyon gyorsan."
08:11
So you see waves of new types
201
476000
2000
Úgyhogy láthatják, amint az új típusok hullámai
08:13
taking over the other types.
202
478000
2000
legyőzik a többi típust.
08:15
And this type of activity goes on for quite awhile,
203
480000
3000
És ez a fajta tevékenység egész sokáig folytatódik,
08:18
until the main easy things have been acquired by these programs.
204
483000
4000
amíg a legfőbb, könnyű részeket megszerzik ezek a programok.
08:22
And then you see sort of like a stasis coming on
205
487000
4000
Aztán láthatják, amint létrejön valamiféle pangás,
08:26
where the system essentially waits
206
491000
2000
ahol a rendszer tulajdonképpen
08:28
for a new type of innovation, like this one,
207
493000
3000
egy újításra vár, mint például ez itt,
08:31
which is going to spread
208
496000
2000
amely át fog terjedni
08:33
over all the other innovations that were before
209
498000
2000
minden addigi más újításra, amely létezett
08:35
and is erasing the genes that it had before,
210
500000
3000
és kitörli az előzőleg birtokolt géneket,
08:38
until a new type of higher level of complexity has been achieved.
211
503000
4000
amíg el nem éri a nagyobb összetettségi szint egy új típusát.
08:42
And this process goes on and on and on.
212
507000
3000
És ez a folyamat újra és újra és újra megismétlődik.
08:45
So what we see here
213
510000
2000
Tehát amit itt látunk,
08:47
is a system that lives
214
512000
2000
az egy rendszer, amely
08:49
in very much the way we're used to life [going.]
215
514000
2000
egészen olyan formában élő, mint amihez hozzászoktunk.
08:51
But what the NASA people had asked me really
216
516000
4000
De amit valójában a NASA emberei kérdeztek tőlem
08:55
was, "Do these guys
217
520000
2000
az volt, hogy "Van ezeknek a fickóknak
08:57
have a biosignature?
218
522000
2000
bioazonosítójuk?
08:59
Can we measure this type of life?
219
524000
2000
Meg tudjuk mérni ezt a fajta életet?
09:01
Because if we can,
220
526000
2000
Mert ha igen,
09:03
maybe we have a chance of actually discovering life somewhere else
221
528000
3000
akkor talán van esélyünk arra, hogy valahol máshol életet fedezzünk fel
09:06
without being biased
222
531000
2000
anélkül, hogy az aminosavakhoz
09:08
by things like amino acids."
223
533000
2000
hasonló dolgok befolyásolnának minket."
09:10
So I said, "Well, perhaps we should construct
224
535000
3000
Úgyhogy azt mondtam, "Nos, talán olyan bioazonosítót
09:13
a biosignature
225
538000
2000
kellene készítenünk,
09:15
based on life as a universal process.
226
540000
3000
amely az élet univerzális folyamatain alapszik.
09:18
In fact, it should perhaps make use
227
543000
2000
Valójában talán olyan fogalmakat
09:20
of the concepts that I developed
228
545000
2000
kellene hasznosítania, amiket én fejlesztettem ki
09:22
just in order to sort of capture
229
547000
2000
annak érdekében, hogy megragadja
09:24
what a simple living system might be."
230
549000
2000
egy egyszerű, élő rendszer lényegét."
09:26
And the thing I came up with --
231
551000
2000
És az ötlet, amivel előálltam --
09:28
I have to first give you an introduction about the idea,
232
553000
4000
először is be kell mutatnom önöknek az ötletet,
09:32
and maybe that would be a meaning detector,
233
557000
3000
és ez talán inkább egy értelem-detektor lenne,
09:35
rather than a life detector.
234
560000
3000
mint egy életdetektor.
09:38
And the way we would do that --
235
563000
2000
És a módszer, amivel ezt kiviteleznénk --
09:40
I would like to find out how I can distinguish
236
565000
2000
szeretném kideríteni, hogy mi különböztet meg
09:42
text that was written by a million monkeys,
237
567000
2000
egy egymillió majom által írt szöveget
09:44
as opposed to text that [is] in our books.
238
569000
3000
a könyveinkben található szövegtől.
09:47
And I would like to do it in such a way
239
572000
2000
És ezt olyan módon szeretném megtenni,
09:49
that I don't actually have to be able to read the language,
240
574000
2000
hogy tulajdonképpen nem kell értenem a nyelvet,
09:51
because I'm sure I won't be able to.
241
576000
2000
mert biztos vagyok benne, hogy képtelen lennék rá.
09:53
As long as I know that there's some sort of alphabet.
242
578000
2000
Amíg tudom, hogy létezik valamiféle abc.
09:55
So here would be a frequency plot
243
580000
3000
Tehát itt lenne egy előfordulási grafikon arról,
09:58
of how often you find
244
583000
2000
hogy milyen gyakran található meg
10:00
each of the 26 letters of the alphabet
245
585000
2000
az abc 26 betűjének mindegyike
10:02
in a text written by random monkeys.
246
587000
3000
egy tetszőleges majmok által írt szövegben.
10:05
And obviously each of these letters
247
590000
2000
És nyilvánvalóan minden betű
10:07
comes off about roughly equally frequent.
248
592000
2000
nagyjából durván egyenlő gyakorisággal fordul elő.
10:09
But if you now look at the same distribution in English texts,
249
594000
4000
De ha ugyanezt az eloszlást nézzük az angol szövegekben,
10:13
it looks like that.
250
598000
2000
az így néz ki.
10:15
And I'm telling you, this is very robust across English texts.
251
600000
3000
És elhihetik nekem, hogy ez egy nagyon jellemző eredmény az angol szövegekben.
10:18
And if I look at French texts, it looks a little bit different,
252
603000
2000
És ha francia szövegeket nézek, akkor egy kicsit máshogy néz ki,
10:20
or Italian or German.
253
605000
2000
vagy olasznál vagy németnél.
10:22
They all have their own type of frequency distribution,
254
607000
3000
Mindegyiknek megvan a maga előfordulási eloszlása,
10:25
but it's robust.
255
610000
2000
de az jellemző.
10:27
It doesn't matter whether it writes about politics or about science.
256
612000
3000
Nem számít, hogy politikáról vagy tudományról szól.
10:30
It doesn't matter whether it's a poem
257
615000
3000
Nem számít, hogy egy versről
10:33
or whether it's a mathematical text.
258
618000
3000
vagy matematikai szövegről van szó.
10:36
It's a robust signature,
259
621000
2000
Ez egy jellemző azonosító,
10:38
and it's very stable.
260
623000
2000
és nagyon stabil.
10:40
As long as our books are written in English --
261
625000
2000
Amíg a könyveink angol nyelven íródnak --
10:42
because people are rewriting them and recopying them --
262
627000
3000
mert az emberek újraírják és lemásolják őket --
10:45
it's going to be there.
263
630000
2000
addig jelen lesz.
10:47
So that inspired me to think about,
264
632000
2000
Úgyhogy ez inspirált, hogy azon gondolkodjak,
10:49
well, what if I try to use this idea
265
634000
3000
nos, mi van akkor, ha nem arra próbálom használni ezt az ötletet,
10:52
in order, not to detect random texts
266
637000
2000
hogy véletlenszerű szövegeket különböztetek meg
10:54
from texts with meaning,
267
639000
2000
értelmes szövegektől,
10:56
but rather detect the fact that there is meaning
268
641000
4000
hanem arra, hogy megtaláljam a bizonyságot, hogy értelem van
11:00
in the biomolecules that make up life.
269
645000
2000
az életet alkotó biomolekulákban.
11:02
But first I have to ask:
270
647000
2000
De először is meg kell kérdeznem:
11:04
what are these building blocks, like the alphabet, elements that I showed you?
271
649000
3000
mik ezek az építőkockák, mint az abc, az elemek, amelyeket mutattam önöknek?
11:07
Well it turns out, we have many different alternatives
272
652000
3000
Nos úgy tűnik, hogy nagyon sok alternatíva létezik
11:10
for such a set of building blocks.
273
655000
2000
az építőkockák ilyen halmazára.
11:12
We could use amino acids,
274
657000
2000
Használhatnánk az aminosavakat,
11:14
we could use nucleic acids, carboxylic acids, fatty acids.
275
659000
3000
használhatnánk a nukleinsavakat, karboxilsavakat, zsírsavakat.
11:17
In fact, chemistry's extremely rich, and our body uses a lot of them.
276
662000
3000
Tulajdonképpen a kémia végtelenül bőséges, és a testünk nagyon sokat használ belőle.
11:20
So that we actually, to test this idea,
277
665000
3000
Ezért az ötlet tesztelésére mi tulajdonképpen
11:23
first took a look at amino acids and some other carboxylic acids.
278
668000
3000
először vetettünk egy pillantást az aminosavakra és néhány más karboxilsavra.
11:26
And here's the result.
279
671000
2000
És itt az eredmény.
11:28
Here is, in fact, what you get
280
673000
3000
Valójában itt van, mit kap az ember,
11:31
if you, for example, look at the distribution of amino acids
281
676000
3000
ha például az aminosavak eloszlását nézi
11:34
on a comet or in interstellar space
282
679000
3000
egy üstökösön vagy csillagközi térben,
11:37
or, in fact, in a laboratory,
283
682000
2000
vagy tulajdonképpen egy laboratóriumban,
11:39
where you made very sure that in your primordial soup
284
684000
2000
ahol alaposan megbizonyosodott róla, hogy az őslevesben
11:41
that there is not living stuff in there.
285
686000
2000
semmiféle élőlény sincs.
11:43
What you find is mostly glycine and then alanine
286
688000
3000
Többségében glicint és alanint találunk,
11:46
and there's some trace elements of the other ones.
287
691000
3000
és van némi nyoma a többi elemnek.
11:49
That is also very robust --
288
694000
3000
Ez szintén nagyon jellemző --
11:52
what you find in systems like Earth
289
697000
3000
amit az olyan rendszerekben talál, mint a Föld,
11:55
where there are amino acids,
290
700000
2000
ahol vannak aminosavak,
11:57
but there is no life.
291
702000
2000
de nincs élet.
11:59
But suppose you take some dirt
292
704000
2000
De tételezzük fel, hogy vesz némi földet
12:01
and dig through it
293
706000
2000
és beleás,
12:03
and then put it into these spectrometers,
294
708000
3000
aztán beleteszi a spektrométerbe,
12:06
because there's bacteria all over the place;
295
711000
2000
mert mindenhol baktériumok vannak;
12:08
or you take water anywhere on Earth,
296
713000
2000
vagy vizet vesz bárhonnan a Földről,
12:10
because it's teaming with life,
297
715000
2000
mert burjánzik benne az élet,
12:12
and you make the same analysis;
298
717000
2000
és elvégzi ugyanezt az analízist;
12:14
the spectrum looks completely different.
299
719000
2000
a spektrum egészen máshogy néz ki.
12:16
Of course, there is still glycine and alanine,
300
721000
4000
Természetesen még mindig van benne glicin és alanin,
12:20
but in fact, there are these heavy elements, these heavy amino acids,
301
725000
3000
de valójában itt vannak ezek a nehéz elemek, ezek a nehéz aminosavak,
12:23
that are being produced
302
728000
2000
amelyek azért termelődnek,
12:25
because these are valuable to the organism.
303
730000
2000
mert fontosak a szervezet számára.
12:27
And some other ones
304
732000
2000
És néhány másik,
12:29
that are not used in the set of 20,
305
734000
2000
amelyet nem is használtunk fel a 20-as összeállításban,
12:31
they will not appear at all
306
736000
2000
ők egyáltalán nem lesznek jelen
12:33
in any type of concentration.
307
738000
2000
semmilyen koncentrációban.
12:35
So this also turns out to be extremely robust.
308
740000
2000
Tehát ez is nagyon jellemzőnek tűnik.
12:37
It doesn't matter what kind of sediment you're using to grind up,
309
742000
3000
Nem számít, milyen típusú üledéket használunk a daráláshoz,
12:40
whether it's bacteria or any other plants or animals.
310
745000
3000
legyen az akár baktérium vagy bármilyen más növény vagy állat.
12:43
Anywhere there's life,
311
748000
2000
Bárhol, ahol élet van,
12:45
you're going to have this distribution,
312
750000
2000
ezzel az eloszlással fog találkozni,
12:47
as opposed to that distribution.
313
752000
2000
nem ezzel az eloszlással.
12:49
And it is detectable not just in amino acids.
314
754000
3000
És ez nem csak az aminosavaknál észlelhető.
12:52
Now you could ask:
315
757000
2000
Most megkérdezhetnék:
12:54
well, what about these Avidians?
316
759000
2000
nos, és mi van ezekkel az Avidiánokkal?
12:56
The Avidians being the denizens of this computer world
317
761000
4000
Az Avidiánok ennek a számítógépvilágnak a lakói,
13:00
where they are perfectly happy replicating and growing in complexity.
318
765000
3000
ahol ők tökéletesen boldogok azáltal, hogy szaporodnak és egyre összetettebbé válnak.
13:03
So this is the distribution that you get
319
768000
3000
Tehát ezt az eloszlást kapjuk,
13:06
if, in fact, there is no life.
320
771000
2000
ha tulajdonképpen nincs élet.
13:08
They have about 28 of these instructions.
321
773000
3000
Körülbelül 28 ilyen utasítással rendelkeznek.
13:11
And if you have a system where they're being replaced one by the other,
322
776000
3000
És ha van egy rendszer, ahol az egyik átveszi a másik helyét,
13:14
it's like the monkeys writing on a typewriter.
323
779000
2000
akkor ez olyan lesz, mint amikor a majmok gépelnek.
13:16
Each of these instructions appears
324
781000
3000
Minden egyes utasítás nagyjából
13:19
with roughly the equal frequency.
325
784000
3000
ugyanolyan gyakorisággal fordul elő.
13:22
But if you now take a set of replicating guys
326
787000
4000
De ha most veszünk egy készletet ezekből a reprodukálódó fickókból,
13:26
like in the video that you saw,
327
791000
2000
mint amilyenek a videóban is láttak,
13:28
it looks like this.
328
793000
2000
akkor így fog kinézni.
13:30
So there are some instructions
329
795000
2000
Tehát van pár utasítás,
13:32
that are extremely valuable to these organisms,
330
797000
2000
amelyek rendkívüli módon értékesek ezen organizmusok számára,
13:34
and their frequency is going to be high.
331
799000
3000
és nagyobb gyakorisággal fognak előfordulni.
13:37
And there's actually some instructions
332
802000
2000
És tulajdonképpen vannak olyan utasítások,
13:39
that you only use once, if ever.
333
804000
2000
amelyeket csak egyszer, vagy egyáltalán nem használunk.
13:41
So they are either poisonous
334
806000
2000
Tehát ezek vagy mérgezőek,
13:43
or really should be used at less of a level than random.
335
808000
4000
vagy a véletlenszerűnél is kevesebbszer kell használni őket.
13:47
In this case, the frequency is lower.
336
812000
3000
Ebben az esetben az előfordulás kisebb mértékű.
13:50
And so now we can see, is that really a robust signature?
337
815000
3000
És most tehát láthatjuk, hogy ez tényleg egy jellemző azonosító?
13:53
I can tell you indeed it is,
338
818000
2000
Azt mondhatom önöknek, hogy ténylegesen az,
13:55
because this type of spectrum, just like what you've seen in books,
339
820000
3000
mert ez a fajta spektrum, ugyanúgy, mint azok, amiket a könyvekben láthatnak,
13:58
and just like what you've seen in amino acids,
340
823000
2000
és ugyanúgy, mint amit az aminosavaknál láthattak,
14:00
it doesn't really matter how you change the environment, it's very robust;
341
825000
3000
mindegy, mennyire változtatjuk meg a környezetet, nagyon jellemző;
14:03
it's going to reflect the environment.
342
828000
2000
ez tükrözni fogja a környezetet.
14:05
So I'm going to show you now a little experiment that we did.
343
830000
2000
Tehát most megmutatok önöknek egy kísérletet, amit elvégeztünk.
14:07
And I have to explain to you,
344
832000
2000
És el kell magyaráznom,
14:09
the top of this graph
345
834000
2000
hogy a felső grafikon
14:11
shows you that frequency distribution that I talked about.
346
836000
3000
mutatja azt az előfordulási eloszlást, amiről beszéltem.
14:14
Here, in fact, that's the lifeless environment
347
839000
3000
Itt tulajdonképpen ez az az élettelen környezet,
14:17
where each instruction occurs
348
842000
2000
ahol minden utasítás egyforma
14:19
at an equal frequency.
349
844000
2000
gyakorisággal fordul elő.
14:21
And below there, I show, in fact,
350
846000
3000
És itt alul mutatom tulajdonképpen
14:24
the mutation rate in the environment.
351
849000
3000
a környezet mutációs mértékét.
14:27
And I'm starting this at a mutation rate that is so high
352
852000
3000
És ezt egy olyan magas mutációs értékkel kezdem,
14:30
that, even if you would drop
353
855000
2000
amelynél ha beledobnánk
14:32
a replicating program
354
857000
2000
egy reprodukálódó programot,
14:34
that would otherwise happily grow up
355
859000
2000
amely egyébként boldogan felnőne,
14:36
to fill the entire world,
356
861000
2000
hogy betöltse az egész világot,
14:38
if you drop it in, it gets mutated to death immediately.
357
863000
4000
ha ide bedobjuk, azonnal halálra mutálódik.
14:42
So there is no life possible
358
867000
2000
Tehát az élet nem lehetséges
14:44
at that type of mutation rate.
359
869000
3000
ilyen mutálódási mérték mellett.
14:47
But then I'm going to slowly turn down the heat, so to speak,
360
872000
4000
De ezután lassan lejjebb tekerem a hőmérsékletet, hogy úgy mondjam,
14:51
and then there's this viability threshold
361
876000
2000
és aztán itt ez a életképességi küszöb,
14:53
where now it would be possible
362
878000
2000
ahol most már lehetséges lenne
14:55
for a replicator to actually live.
363
880000
2000
egy replikátor számára az élet.
14:57
And indeed, we're going to be dropping these guys
364
882000
3000
És tényleg, ezeket a fickókat mindig
15:00
into that soup all the time.
365
885000
2000
bele fogjuk dobni ebbe a levesbe.
15:02
So let's see what that looks like.
366
887000
2000
Tehát lássuk, hogy ez hogyan is néz ki.
15:04
So first, nothing, nothing, nothing.
367
889000
3000
Tehát először semmi, semmi, semmi.
15:07
Too hot, too hot.
368
892000
2000
Túl forró, túl forró.
15:09
Now the viability threshold is reached,
369
894000
3000
Most elérjük az életképességi küszöböt,
15:12
and the frequency distribution
370
897000
2000
és a gyakorisági eloszlás
15:14
has dramatically changed and, in fact, stabilizes.
371
899000
3000
drámaian megváltozik, és tulajdonképpen stabilizálódik.
15:17
And now what I did there
372
902000
2000
És amit most ott csináltam az az,
15:19
is, I was being nasty, I just turned up the heat again and again.
373
904000
3000
hogy nagyon gonosz voltam, és folyton feljebb és feljebb állítottam a hőfokot.
15:22
And of course, it reaches the viability threshold.
374
907000
3000
És természetesen ezzel elértük az életképességi küszöböt.
15:25
And I'm just showing this to you again because it's so nice.
375
910000
3000
És ezt csak azért mutatom meg most önöknek újra, mert ez olyan szép.
15:28
You hit the viability threshold.
376
913000
2000
Elérjük az életképességi küszöböt.
15:30
The distribution changes to "alive!"
377
915000
2000
Az eloszlás "élőre" vált!
15:32
And then, once you hit the threshold
378
917000
3000
És aztán, amint elérjük az életképességi küszöböt,
15:35
where the mutation rate is so high
379
920000
2000
ahol a mutációs mérték már olyan magas,
15:37
that you cannot self-reproduce,
380
922000
2000
hogy nem lehetséges az önreprodukció,
15:39
you cannot copy the information
381
924000
3000
nem másolhatjuk tovább az információt
15:42
forward to your offspring
382
927000
2000
a leszármazottainknak
15:44
without making so many mistakes
383
929000
2000
anélkül, hogy annyi hibát ejtenénk,
15:46
that your ability to replicate vanishes.
384
931000
3000
hogy eltűnjön a reprodukálódás képessége.
15:49
And then that signature is lost.
385
934000
3000
És aztán eltűnik ez az azonosító.
15:52
What do we learn from that?
386
937000
2000
Mit tanultunk meg ebből?
15:54
Well, I think we learn a number of things from that.
387
939000
4000
Nos, úgy gondolom elég sok dolgot megtanultunk belőle.
15:58
One of them is,
388
943000
2000
Az egyik például az,
16:00
if we are able to think about life
389
945000
3000
hogy ha képesek vagyunk elvont fogalmakban
16:03
in abstract terms --
390
948000
2000
gondolkodni az életről --
16:05
and we're not talking about things like plants,
391
950000
2000
és nem olyan dolgokról beszélünk, mint növények,
16:07
and we're not talking about amino acids,
392
952000
2000
és nem aminosavakról beszélünk,
16:09
and we're not talking about bacteria,
393
954000
2000
és nem baktériumokról beszélünk,
16:11
but we think in terms of processes --
394
956000
2000
hanem folyamatokban gondolkodunk --
16:13
then we could start to think about life,
395
958000
3000
akkor elkezdhetünk az életről gondolkodni,
16:16
not as something that is so special to Earth,
396
961000
2000
nem mint a Földre jellemző különlegességről,
16:18
but that, in fact, could exist anywhere.
397
963000
3000
hanem tulajdonképpen olyasmiről, ami bárhol létezhet.
16:21
Because it really only has to do
398
966000
2000
Mert tényleg csak ezekhez az
16:23
with these concepts of information,
399
968000
2000
információ-koncepciókhoz van köze,
16:25
of storing information
400
970000
2000
vagy információtároláshoz
16:27
within physical substrates --
401
972000
2000
fizikai alapanyagokban --
16:29
anything: bits, nucleic acids,
402
974000
2000
bármiben: bitekben, nukleosavakban,
16:31
anything that's an alphabet --
403
976000
2000
bármiben, ami megfelel egy abc-nek --
16:33
and make sure that there's some process
404
978000
2000
és megbizonyosodunk róla, hogy van valamilyen folyamat,
16:35
so that this information can be stored
405
980000
2000
és hogy ez az információ
16:37
for much longer than you would expect
406
982000
2000
sokkal hosszabb ideig tárolható, mint azt
16:39
the time scales for the deterioration of information.
407
984000
4000
az információ degenerálódásának időmértékétől elvárnánk.
16:43
And if you can do that,
408
988000
2000
És ha meg tudjuk ezt tenni,
16:45
then you have life.
409
990000
2000
akkor megkapjuk az életet.
16:47
So the first thing that we learn
410
992000
2000
Tehát az első dolog, amit megtanultunk az az,
16:49
is that it is possible to define life
411
994000
3000
hogy lehetséges az élet meghatározása
16:52
in terms of processes alone,
412
997000
3000
csupán folyamatokban gondolkodva,
16:55
without referring at all
413
1000000
2000
anélkül, hogy bármilyen
16:57
to the type of things that we hold dear,
414
1002000
2000
kedvesnek ítélt dologra utalnánk,
16:59
as far as the type of life on Earth is.
415
1004000
3000
már ami a földi élet típusát illeti.
17:02
And that in a sense removes us again,
416
1007000
3000
És ez valamilyen értelemben újra eltávolít minket,
17:05
like all of our scientific discoveries, or many of them --
417
1010000
3000
mint minden tudományos felfedezésünk, vagy sok közülük --
17:08
it's this continuous dethroning of man --
418
1013000
2000
ez az ember folyamatos trónfosztása --
17:10
of how we think we're special because we're alive.
419
1015000
3000
attól, hogy olyan különlegesnek gondoljuk magunkat, mert élünk.
17:13
Well we can make life. We can make life in the computer.
420
1018000
3000
Hát, mi képesek vagyunk életet létrehozni. Létre tudunk hozni életet a számítógépben.
17:16
Granted, it's limited,
421
1021000
2000
Természetes, hogy ez korlátozott,
17:18
but we have learned what it takes
422
1023000
3000
de megtanultuk, hogy mi kell ahhoz,
17:21
in order to actually construct it.
423
1026000
2000
hogy tulajdonképpen felépítsük.
17:23
And once we have that,
424
1028000
3000
És ha ez egyszer már megvan,
17:26
then it is not such a difficult task anymore
425
1031000
3000
akkor ez már nem olyan bonyolult feladat többé,
17:29
to say, if we understand the fundamental processes
426
1034000
4000
hogy úgy mondjam, ha már értjük az alapvető folyamatokat,
17:33
that do not refer to any particular substrate,
427
1038000
3000
amelyek nem vonatkoznak egyetlen bizonyos alapanyagra sem,
17:36
then we can go out
428
1041000
2000
akkor kimehetünk
17:38
and try other worlds,
429
1043000
2000
és kipróbálhatunk más világokat,
17:40
figure out what kind of chemical alphabets might there be,
430
1045000
4000
kideríthetjük, milyen kémiai abc-k vannak ott,
17:44
figure enough about the normal chemistry,
431
1049000
2000
kideríthetünk eleget ahhoz a normál kémiáról,
17:46
the geochemistry of the planet,
432
1051000
3000
a bolygó geokémiájáról,
17:49
so that we know what this distribution would look like
433
1054000
2000
hogy tudjuk, hogyan nézne ki ez az eloszlás
17:51
in the absence of life,
434
1056000
2000
az élet hiányában,
17:53
and then look for large deviations from this --
435
1058000
3000
aztán megkereshetnénk a jelentős eltéréseket --
17:56
this thing sticking out, which says,
436
1061000
3000
ezt a kiugró dolgot, amelyik azt mondja,
17:59
"This chemical really shouldn't be there."
437
1064000
2000
"Ennek a kémiai anyagnak nagyon nem kellene itt lennie."
18:01
Now we don't know that there's life then,
438
1066000
2000
Ettől persze még nem fogjuk tudni, hogy ott élet van-e,
18:03
but we could say,
439
1068000
2000
de mondhatjuk,
18:05
"Well at least I'm going to have to take a look very precisely at this chemical
440
1070000
3000
hogy "Hát, legalább nagyon alaposan megvizsgálom ezt a kémiai anyagot,
18:08
and see where it comes from."
441
1073000
2000
és megnézem, honnan származik."
18:10
And that might be our chance
442
1075000
2000
És ez lehet a lehetőség arra,
18:12
of actually discovering life
443
1077000
2000
hogy tulajdonképpen életet fedezzünk fel,
18:14
when we cannot visibly see it.
444
1079000
2000
amikor nem láthatjuk szemmel láthatóan.
18:16
And so that's really the only take-home message
445
1081000
3000
Tehát ez tényleg az egyetlen hazavihető üzenet,
18:19
that I have for you.
446
1084000
2000
amelyet önöknek szánok.
18:21
Life can be less mysterious
447
1086000
2000
Az élet lehet kevésbé rejtélyes,
18:23
than we make it out to be
448
1088000
2000
mint amilyennek mi hisszük,
18:25
when we try to think about how it would be on other planets.
449
1090000
4000
ha megpróbálunk azon gondolkodni, hogy milyen lehet más bolygókon.
18:29
And if we remove the mystery of life,
450
1094000
3000
És ha kivesszük a misztériumot az életből,
18:32
then I think it is a little bit easier
451
1097000
3000
akkor úgy gondolom, hogy egy kicsit könnyebb
18:35
for us to think about how we live,
452
1100000
2000
arról gondolkodnunk, hogy mi hogyan élünk,
18:37
and how perhaps we're not as special as we always think we are.
453
1102000
3000
és hogy talán nem vagyunk olyan különlegesek, mint amilyennek hisszük magunkat.
18:40
And I'm going to leave you with that.
454
1105000
2000
És ezzel búcsúzom is önöktől.
18:42
And thank you very much.
455
1107000
2000
És nagyon köszönöm.
18:44
(Applause)
456
1109000
2000
(Taps)
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