TED1994
Danny Hillis: Back to the future (of 1994)
Danny Hillis: Ritorno al futuro (del 1994)
Filmed:
Readability: 3.8
686,810 views
Dai meandri degli archivi TED, Danny Hillis delinea una teoria interessante su come e perché il cambiamento tecnologico sembri accelerare, collegandolo all'evoluzione della vita stessa. Le tecniche di presentazione che usa possono sembrare obsolete, ma le idee sono attuali come non mai.
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
Solitamente ho il compito
00:18
of trying to explain to people
1
3000
2000
di provare a spiegare alla gente
00:20
how wonderful the new technologies
2
5000
3000
quanto meravigliose saranno
00:23
that are coming along are going to be,
3
8000
2000
le nuove tecnologie che stanno nascendo,
00:25
and I thought that, since I was among friends here,
4
10000
3000
ma ho pensato che, visto che qui siamo tra amici,
00:28
I would tell you what I really think
5
13000
4000
vi avrei detto quello che penso davvero
00:32
and try to look back and try to understand
6
17000
2000
e ci saremmo guardati alle spalle per capire
00:34
what is really going on here
7
19000
3000
cosa stia succedendo in realtà
00:37
with these amazing jumps in technology
8
22000
5000
con questi salti tecnologici sensazionali
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
che sembrano tanto veloci che a fatica riusciamo a seguirli.
00:45
So I'm going to start out
10
30000
2000
Vorrei cominciare
00:47
by showing just one very boring technology slide.
11
32000
3000
mostrandovi una singola diapositiva molto noiosa sulla tecnologia.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
Ecco, se potete accendere il proiettore.
00:56
This is just a random slide
13
41000
2000
Questa è una diapositiva a caso
00:58
that I picked out of my file.
14
43000
2000
che ho preso dal mio archivio.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
Quello che vorrei sottolineare non sono tanto i dettagli,
01:03
but the general form of it.
16
48000
2000
ma la forma generale.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
Questa è una diapositiva su un'analisi che stiamo conducendo
01:08
about the power of RISC microprocessors
18
53000
3000
sulla potenza dei microprocessori RISC
01:11
versus the power of local area networks.
19
56000
3000
rispetto alla potenza delle reti locali.
01:14
And the interesting thing about it
20
59000
2000
La cosa interessante
01:16
is that this slide,
21
61000
2000
è che questa diapositiva,
01:18
like so many technology slides that we're used to,
22
63000
3000
come tante slide tecniche a cui siamo abituati,
01:21
is a sort of a straight line
23
66000
2000
è una sorta di linea retta
01:23
on a semi-log curve.
24
68000
2000
su una curva semi-logaritmica.
01:25
In other words, every step here
25
70000
2000
In altre parole, ogni fase qui
01:27
represents an order of magnitude
26
72000
2000
rappresenta un ordine di grandezza
01:29
in performance scale.
27
74000
2000
sulla scala delle prestazioni.
01:31
And this is a new thing
28
76000
2000
Questa è una cosa nuova:
01:33
that we talk about technology
29
78000
2000
parlare di tecnologia
01:35
on semi-log curves.
30
80000
2000
su curve semi-logaritmiche.
01:37
Something really weird is going on here.
31
82000
2000
Sta succedendo qualcosa di strano.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
E sarà in pratica quello di cui parlerò.
01:42
So, if you could bring up the lights.
33
87000
3000
Potete riaccendere le luci.
01:47
If you could bring up the lights higher,
34
92000
2000
Fate un po' più di luce, per favore,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
perché vorrei usare uno di questi fogli.
01:52
Now why do we draw technology curves
36
97000
2000
Perché disegniamo curve che riguardano la tecnologia
01:54
in semi-log curves?
37
99000
2000
su curve semi-logaritmiche?
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
La risposta è che, se le disegnassi su una curva normale
01:59
where, let's say, this is years,
39
104000
2000
dove, diciamo, questi sono anni,
02:01
this is time of some sort,
40
106000
2000
questo è il tempo,
02:03
and this is whatever measure of the technology
41
108000
3000
e questa è una qualunque misura di tecnologia
02:06
that I'm trying to graph,
42
111000
3000
che sto cercando di rappresentare,
02:09
the graphs look sort of silly.
43
114000
3000
il grafico avrebbe un aspetto un po' stupido.
02:12
They sort of go like this.
44
117000
3000
Una cosa di questo tipo.
02:15
And they don't tell us much.
45
120000
3000
E non ci dice molto.
02:18
Now if I graph, for instance,
46
123000
3000
Ora, se disegnassi per esempio
02:21
some other technology, say transportation technology,
47
126000
2000
una tecnologia differente, ad esempio quella dei mezzi di trasporto,
02:23
on a semi-log curve,
48
128000
2000
su una curva semi-logaritmica,
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
avrebbe un aspetto molto stupido, quello di una linea piatta.
02:28
But when something like this happens,
50
133000
2000
Ma quando succede una cosa come questa
02:30
things are qualitatively changing.
51
135000
2000
le cose stanno visibilmente cambiando.
02:32
So if transportation technology
52
137000
2000
Se la tecnologia dei mezzi di trasporto
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
progredisse velocemente come quella dei microprocessori,
02:37
then the day after tomorrow,
54
142000
2000
allora entro un paio di giorni
02:39
I would be able to get in a taxi cab
55
144000
2000
dovrei poter salire su un taxi
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
e arrivare a Tokyo in 30 secondi.
02:43
It's not moving like that.
57
148000
2000
Non si comporta così.
02:45
And there's nothing precedented
58
150000
2000
E non c'è nulla di simile,
02:47
in the history of technology development
59
152000
2000
nella storia dello sviluppo tecnologico,
02:49
of this kind of self-feeding growth
60
154000
2000
a questo tipo di crescita auto-alimentante
02:51
where you go by orders of magnitude every few years.
61
156000
3000
in cui si cresce di interi ordini di grandezza nel giro di pochi anni.
02:54
Now the question that I'd like to ask is,
62
159000
3000
Ora vorrei chiedervi,
02:57
if you look at these exponential curves,
63
162000
3000
se guardate queste curve esponenziali,
03:00
they don't go on forever.
64
165000
3000
non proseguono indefinitamente, vero?
03:03
Things just can't possibly keep changing
65
168000
3000
Le cose semplicemente non possono continuare
03:06
as fast as they are.
66
171000
2000
a cambiare così velocemente.
03:08
One of two things is going to happen.
67
173000
3000
Accadrà una di queste due cose.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
O si trasformeranno in curve a S abbastanza classiche come questa,
03:15
until something totally different comes along,
69
180000
4000
finché non appare qualcosa di completamente diverso,
03:19
or maybe it's going to do this.
70
184000
2000
oppure faranno una cosa così.
03:21
That's about all it can do.
71
186000
2000
È tutto quello che può succedere.
03:23
Now I'm an optimist,
72
188000
2000
Io sono un ottimista,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
quindi penso che probabilmente seguiranno questo percorso.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
Se è così, significa che quella che stiamo attraversando proprio adesso
03:31
is a transition.
75
196000
2000
è una transizione.
03:33
We're sort of on this line
76
198000
2000
Siamo circa su questa linea
03:35
in a transition from the way the world used to be
77
200000
2000
di transizione tra come il mondo era una volta
03:37
to some new way that the world is.
78
202000
3000
a come è adesso.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
Vorrei chiedervi, e me lo chiedo anch'io,
03:43
is what's this new way that the world is?
80
208000
3000
com'è fatta questa nuova forma del mondo?
03:46
What's that new state that the world is heading toward?
81
211000
3000
E qual è il nuovo stato verso cui si dirige il mondo?
03:49
Because the transition seems very, very confusing
82
214000
3000
Perché la transizione sembra molto molto confusa
03:52
when we're right in the middle of it.
83
217000
2000
quando ci siamo proprio nel mezzo.
03:54
Now when I was a kid growing up,
84
219000
3000
Quando ero piccolo,
03:57
the future was kind of the year 2000,
85
222000
3000
il futuro era all'incirca nell'anno 2000,
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
e le persone parlavano di cosa sarebbe successo nel 2000.
04:04
Now here's a conference
87
229000
2000
Ed ecco qui una conferenza
04:06
in which people talk about the future,
88
231000
2000
in cui le persone parlano del futuro,
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
dove si può notare che il futuro è ancora intorno al 2000.
04:11
It's about as far as we go out.
90
236000
2000
È il massimo a cui possiamo spingerci.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
In altre parole, il futuro si è ristretto in qualche modo
04:16
one year per year
92
241000
3000
un anno ogni anno
04:19
for my whole lifetime.
93
244000
3000
per tutta la mia vita.
04:22
Now I think that the reason
94
247000
2000
Penso che la ragione
04:24
is because we all feel
95
249000
2000
sia perché tutti abbiamo la sensazione
04:26
that something's happening there.
96
251000
2000
che qualcosa sta accadendo.
04:28
That transition is happening. We can all sense it.
97
253000
2000
La transizione sta accadendo. Possiamo sentirla tutti.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
E sappiamo che non ha neanche molto senso
04:32
to think out 30, 50 years
99
257000
2000
persare 30, 50 anni in anticipo
04:34
because everything's going to be so different
100
259000
3000
perché tutto sarà così diverso
04:37
that a simple extrapolation of what we're doing
101
262000
2000
che una semplice estrapolazione di quello che stiamo facendo
04:39
just doesn't make any sense at all.
102
264000
3000
semplicemente non ha senso.
04:42
So what I would like to talk about
103
267000
2000
Quello di cui vorrei parlare
04:44
is what that could be,
104
269000
2000
è ciò che potrebbe essere,
04:46
what that transition could be that we're going through.
105
271000
3000
che aspetto potrebbe avere la transizione che stiamo attraversando.
04:49
Now in order to do that
106
274000
3000
Per fare ciò
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
dovrò parlare di un mucchio di cose
04:54
that really has nothing to do
108
279000
2000
che non hanno niente a che fare
04:56
with technology and computers.
109
281000
2000
con tecnologia e computer.
04:58
Because I think the only way to understand this
110
283000
2000
Penso che l'unico modo di capire tutto questo
05:00
is to really step back
111
285000
2000
sia fare un passo indietro
05:02
and take a long time scale look at things.
112
287000
2000
e usare una scala di tempo molto lunga.
05:04
So the time scale that I would like to look at this on
113
289000
3000
Quindi la scala di tempo che vorrei usare è
05:07
is the time scale of life on Earth.
114
292000
3000
la scala di tempo della vita sulla Terra.
05:13
So I think this picture makes sense
115
298000
2000
Penso che questa immagine abbia senso
05:15
if you look at it a few billion years at a time.
116
300000
4000
se la si guarda a miliardi di anni per volta.
05:19
So if you go back
117
304000
2000
Se tornate indietro
05:21
about two and a half billion years,
118
306000
2000
di circa due miliardi e mezzo di anni,
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
la Terra era un enorme, sterile pezzo di roccia
05:26
with a lot of chemicals floating around on it.
120
311000
3000
con molti elementi chimici che le giravano attorno.
05:29
And if you look at the way
121
314000
2000
Se guardate al modo in cui
05:31
that the chemicals got organized,
122
316000
2000
gli elementi chimici si sono organizzati,
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
cominciamo a farci un'idea abbastanza buona di come fanno.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
E penso ci siano teorie che stanno cominciando a capire
05:39
about how it started with RNA,
125
324000
2000
come tutto è cominciato con l'RNA,
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
ma io vorrei raccontarvi la versione corta,
05:44
which is that, at that time,
127
329000
2000
e cioè che, a quell'epoca,
05:46
there were little drops of oil floating around
128
331000
3000
c'erano piccole gocce d'olio che galleggiavano
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
con all'interno tutti i tipi di ricette per formare elementi chimici.
05:52
And some of those drops of oil
130
337000
2000
Alcune di queste gocce d'olio
05:54
had a particular combination of chemicals in them
131
339000
2000
contenevano una particolare combinazione di sostanza chimiche
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
che le ha spinte ad incorporare elementi chimici dall'esterno
05:59
and grow the drops of oil.
133
344000
3000
ed espandere la goccia.
06:02
And those that were like that
134
347000
2000
Quelle che si comportavano così
06:04
started to split and divide.
135
349000
2000
cominciarono a dividersi e separarsi.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
Quelle erano le forme più primitive di cellula, in un certo senso,
06:09
those little drops of oil.
137
354000
2000
piccole gocce d'olio.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
Ma quelle gocce non erano ancora vive, come diciamo adesso,
06:14
because every one of them
139
359000
2000
perché ognuna di esse
06:16
was a little random recipe of chemicals.
140
361000
2000
era una collezione casuale di elementi.
06:18
And every time it divided,
141
363000
2000
Ogni volta che si divideva
06:20
they got sort of unequal division
142
365000
3000
si aveva una sorta di spartizione non equa
06:23
of the chemicals within them.
143
368000
2000
degli elementi all'interno.
06:25
And so every drop was a little bit different.
144
370000
3000
Quindi ogni goccia era un po' diversa.
06:28
In fact, the drops that were different in a way
145
373000
2000
In effetti, le gocce che erano diverse in modo tale
06:30
that caused them to be better
146
375000
2000
da essere più adatte
06:32
at incorporating chemicals around them,
147
377000
2000
a incorporare gli elementi intorno a loro
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
crebbero di più, incorporarono più elementi e si riprodussero di più.
06:37
So those tended to live longer,
149
382000
2000
Queste tendevano anche a vivere più a lungo,
06:39
get expressed more.
150
384000
3000
a essere espresse di più.
06:42
Now that's sort of just a very simple
151
387000
3000
Questa è solo una semplice
06:45
chemical form of life,
152
390000
2000
forma di vita chimica,
06:47
but when things got interesting
153
392000
3000
ma il momento in cui le cose si fecero interessanti
06:50
was when these drops
154
395000
2000
fu quando quelle gocce
06:52
learned a trick about abstraction.
155
397000
3000
impararono un trucco sull'astrazione.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
In un qualche modo che ancora non comprendiamo del tutto,
06:58
these little drops learned to write down information.
157
403000
3000
queste gocce impararono a scrivere le informazioni.
07:01
They learned to record the information
158
406000
2000
Impararono a registrare l'informazione,
07:03
that was the recipe of the cell
159
408000
2000
la ricetta della cellula,
07:05
onto a particular kind of chemical
160
410000
2000
su un particolare tipo di elemento chimico
07:07
called DNA.
161
412000
2000
chiamato DNA.
07:09
So in other words, they worked out,
162
414000
2000
In altre parole hanno concepito,
07:11
in this mindless sort of evolutionary way,
163
416000
3000
nel modo meccanico proprio dell'evoluzione,
07:14
a form of writing that let them write down what they were,
164
419000
3000
una forma di scrittura che gli permise di registrare ciò che erano,
07:17
so that that way of writing it down could get copied.
165
422000
3000
in modo che anche quel modo di scrivere venisse copiato.
07:20
The amazing thing is that that way of writing
166
425000
3000
La cosa fantastica è che quella forma di scrittura
07:23
seems to have stayed steady
167
428000
2000
sembra essere rimasta immutata
07:25
since it evolved two and a half billion years ago.
168
430000
2000
da quando si è evoluta due miliardi e mezzo di anni fa.
07:27
In fact the recipe for us, our genes,
169
432000
3000
La ricetta per noi, i nostri geni,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
è esattamente lo stesso codice e la stessa forma di scrittura.
07:33
In fact, every living creature is written
171
438000
3000
In effetti, ogni creatura vivente è scritta
07:36
in exactly the same set of letters and the same code.
172
441000
2000
con le stesse lettere e lo stesso codice.
07:38
In fact, one of the things that I did
173
443000
2000
Ho fatto una cosa
07:40
just for amusement purposes
174
445000
2000
giusto per divertirmi un po'
07:42
is we can now write things in this code.
175
447000
2000
grazie al fatto che possiamo usare questo codice.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
Ho qui 100 microgrammi di polvere bianca
07:50
which I try not to let the security people see at airports.
177
455000
4000
che cerco di non far vedere agli addetti alla sicurezza degli aeroporti.
07:54
(Laughter)
178
459000
2000
(Risate)
07:56
But this has in it --
179
461000
2000
Questa contiene...
07:58
what I did is I took this code --
180
463000
2000
quello che ho fatto è stato prendere il codice
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
che ha lettere standard che usiamo per rappresentarlo,
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
e ho scritto il mio biglietto da visita sul DNA
08:06
and amplified it 10 to the 22 times.
183
471000
3000
e l'ho ingrandito di 10 alla ventiduesima volte.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Quindi se qualcuno volesse cento milioni di copie del mio biglietto
08:12
I have plenty for everyone in the room,
185
477000
2000
ne ho abbastanza per tutti in sala,
08:14
and, in fact, everyone in the world,
186
479000
2000
o per ogni persona al mondo,
08:16
and it's right here.
187
481000
3000
ed è proprio qui.
08:19
(Laughter)
188
484000
5000
(Risate)
08:26
If I had really been a egotist,
189
491000
2000
Se fossi stato davvero egocentrico,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
lo avrei inserito in un virus e rilasciato nella stanza.
08:31
(Laughter)
191
496000
5000
(Risate)
08:39
So what was the next step?
192
504000
2000
Qual è il prossimo passo?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
Poter scrivere il DNA è stato un passo interessante.
08:43
And that caused these cells --
194
508000
2000
Questo ha permesso alle cellule
08:45
that kept them happy for another billion years.
195
510000
2000
di essere felici per un altro miliardo di anni.
08:47
But then there was another really interesting step
196
512000
2000
Ma poi c'è stato un altro passo molto importante
08:49
where things became completely different,
197
514000
3000
che ha cambiato completamente le cose:
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
queste cellule hanno cominciato a scambiare informazioni e comunicare,
08:55
so that they began to get communities of cells.
199
520000
2000
cominciarono a spuntare delle comunità di cellule.
08:57
I don't know if you know this,
200
522000
2000
Non so se lo sapete,
08:59
but bacteria can actually exchange DNA.
201
524000
2000
ma i batteri possono scambiarsi il DNA.
09:01
Now that's why, for instance,
202
526000
2000
Questo è il motivo, per esempio,
09:03
antibiotic resistance has evolved.
203
528000
2000
per cui la resistenza agli antibiotici si è evoluta.
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Alcuni batteri hanno capito come resistere alla penicillina
09:08
and it went around sort of creating its little DNA information
205
533000
3000
e hanno cominciato a creare questa informazione via DNA
09:11
with other bacteria,
206
536000
2000
insieme ad altri batteri
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
e ora abbiamo molti batteri resistenti alla penicillina
09:16
because bacteria communicate.
208
541000
2000
perché i batteri comunicano.
09:18
Now what this communication allowed
209
543000
2000
Quello che questa comunicazione ha permesso
09:20
was communities to form
210
545000
2000
è stata la formazione di comunità
09:22
that, in some sense, were in the same boat together;
211
547000
2000
che, in un certo senso, erano sulla stessa barca,
09:24
they were synergistic.
212
549000
2000
erano sinergiche.
09:26
So they survived
213
551000
2000
Quindi sopravvivevano
09:28
or they failed together,
214
553000
2000
o scomparivano insieme,
09:30
which means that if a community was very successful,
215
555000
2000
che vuol dire che se una comunità aveva successo
09:32
all the individuals in that community
216
557000
2000
tutti gli individui in quella comunità
09:34
were repeated more
217
559000
2000
si sarebbero replicati di più
09:36
and they were favored by evolution.
218
561000
3000
e avrebbero avuto un vantaggio evolutivo.
09:39
Now the transition point happened
219
564000
2000
Il punto di transizione è stato raggiunto
09:41
when these communities got so close
220
566000
2000
quando queste comunità divennero così unite
09:43
that, in fact, they got together
221
568000
2000
che, a tutti gli effetti,
09:45
and decided to write down the whole recipe for the community
222
570000
3000
decisero di scrivere l'intera ricetta per la comunità
09:48
together on one string of DNA.
223
573000
3000
insieme, in una singola stringa di DNA.
09:51
And so the next stage that's interesting in life
224
576000
2000
Questo passo successivo interessante per la vita
09:53
took about another billion years.
225
578000
2000
richiese un altro miliardo di anni.
09:55
And at that stage,
226
580000
2000
A quel punto
09:57
we have multi-cellular communities,
227
582000
2000
abbiamo delle comunità multicellulari,
09:59
communities of lots of different types of cells,
228
584000
2000
comunità di molti tipi diversi di cellule,
10:01
working together as a single organism.
229
586000
2000
che lavorano insieme come un singolo organismo.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
Noi siamo una comunità multicellulare di questo tipo.
10:06
We have lots of cells
231
591000
2000
Abbiamo molte cellule
10:08
that are not out for themselves anymore.
232
593000
2000
che non sono più isolate.
10:10
Your skin cell is really useless
233
595000
3000
Le cellule della pelle sono inutili
10:13
without a heart cell, muscle cell,
234
598000
2000
senza cellule cardiache, muscolari,
10:15
a brain cell and so on.
235
600000
2000
celebrali e così via.
10:17
So these communities began to evolve
236
602000
2000
Queste comunità si sono evolute
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
fino al punto che il livello in cui l'evoluzione operava
10:22
was no longer a cell,
238
607000
2000
non era più quello cellulare,
10:24
but a community which we call an organism.
239
609000
3000
ma quello delle comunità che chiamiamo organismi.
10:28
Now the next step that happened
240
613000
2000
Il passo successivo avvenne
10:30
is within these communities.
241
615000
2000
all'interno di queste comunità.
10:32
These communities of cells,
242
617000
2000
Queste comunità di cellule
10:34
again, began to abstract information.
243
619000
2000
cominciarono a loro volta ad astrarre informazioni.
10:36
And they began building very special structures
244
621000
3000
Cominciarono a costruire strutture particolari
10:39
that did nothing but process information within the community.
245
624000
3000
che non facevano altro che processare informazioni nella comunità.
10:42
And those are the neural structures.
246
627000
2000
Erano strutture neurali.
10:44
So neurons are the information processing apparatus
247
629000
3000
I neuroni sono l'apparato di elaborazione delle informazioni
10:47
that those communities of cells built up.
248
632000
3000
che quelle comunità di cellule hanno costruito.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
Poi cominciarono ad apparire gli specialisti nella comunità
10:52
and special structures
250
637000
2000
e strutture speciali
10:54
that were responsible for recording,
251
639000
2000
che erano responsabili di registrare,
10:56
understanding, learning information.
252
641000
3000
capire e imparare le informazioni.
10:59
And that was the brains and the nervous system
253
644000
2000
Erano il cervello e il sistema nervoso
11:01
of those communities.
254
646000
2000
di quelle comunità.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
Questo diede loro un vantaggio evolutivo.
11:05
Because at that point,
256
650000
3000
Perché a quel punto,
11:08
an individual --
257
653000
3000
l'apprendimento
11:11
learning could happen
258
656000
2000
poteva avvenire
11:13
within the time span of a single organism,
259
658000
2000
nello spazio di una vita di un singolo organismo,
11:15
instead of over this evolutionary time span.
260
660000
3000
invece che al ritmo evolutivo precedente.
11:18
So an organism could, for instance,
261
663000
2000
Un organismo poteva, per esempio,
11:20
learn not to eat a certain kind of fruit
262
665000
2000
imparare a non mangiare un certo tipo di frutta
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
perché non era buono e l'ultima volta che l'aveva provato era stato male.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Questo poteva avvenire nello spazio di una vita di un singolo organismo,
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
mentre prima dell'avvento di queste strutture per l'elaborazione delle informazioni
11:33
that would have had to be learned evolutionarily
266
678000
2000
questo si sarebbe dovuto imparare con l'evoluzione
11:35
over hundreds of thousands of years
267
680000
3000
nell'arco di centinaia di migliaia di anni
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
da individui che morivano per aver mangiato quel frutto.
11:41
So that nervous system,
269
686000
2000
Quel sistema nervoso,
11:43
the fact that they built these special information structures,
270
688000
3000
il fatto di aver costruito quelle strutture speciali per le informazioni
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
ha accelerato tremendamente tutto il processo evolutivo.
11:49
Because evolution could now happen within an individual.
272
694000
3000
L'evoluzione poteva avvenire all'interno di un individuo.
11:52
It could happen in learning time scales.
273
697000
3000
Poteva avvenire semplicemente imparando.
11:55
But then what happened
274
700000
2000
Poi è accaduto
11:57
was the individuals worked out,
275
702000
2000
che gli individui hanno imparato,
11:59
of course, tricks of communicating.
276
704000
2000
ovviamente, trucchi per comunicare.
12:01
And for example,
277
706000
2000
L'esempio più sofisticato
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
che conosciamo di questi trucchi è il linguaggio umano.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
È un'invenzione affascinante se ci pensate.
12:09
Here I have a very complicated, messy,
280
714000
2000
Qui ho un'idea in testa, molto complicata,
12:11
confused idea in my head.
281
716000
3000
articolata e confusa.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Sto fermo qui praticamente grugnendo
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
e sperando di costruire un'idea simile, confusa e articolata nella vostra testa
12:20
that bears some analogy to it.
284
725000
2000
che somigli un po' alla mia.
12:22
But we're taking something very complicated,
285
727000
2000
Prendiamo qualcosa di molto complicato,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
lo trasformiamo in suono, in sequenze di suoni
12:27
and producing something very complicated in your brain.
287
732000
4000
e produciamo qualcosa di molto complesso nel nostro cervello.
12:31
So this allows us now
288
736000
2000
Questo ci permette, ora,
12:33
to begin to start functioning
289
738000
2000
di cominciare ad agire
12:35
as a single organism.
290
740000
3000
come un singolo organismo.
12:38
And so, in fact, what we've done
291
743000
3000
Quello che abbiamo fatto, in pratica,
12:41
is we, humanity,
292
746000
2000
è che noi, l'umanità,
12:43
have started abstracting out.
293
748000
2000
abbiamo cominciato ad astrarci.
12:45
We're going through the same levels
294
750000
2000
Stiamo attraversando gli stessi livelli
12:47
that multi-cellular organisms have gone through --
295
752000
2000
che hanno attraversato gli organismi multicellulari,
12:49
abstracting out our methods of recording,
296
754000
3000
astraendo il nostro metodo di registrare,
12:52
presenting, processing information.
297
757000
2000
presentare ed elaborare le informazioni.
12:54
So for example, the invention of language
298
759000
2000
L'invenzione del linguaggio, per esempio,
12:56
was a tiny step in that direction.
299
761000
3000
è un piccolo passo in quella direzione.
12:59
Telephony, computers,
300
764000
2000
Telefoni, computer,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
video, CD-ROM e così via
13:04
are all our specialized mechanisms
302
769000
2000
sono tutti sofisticati meccanismi
13:06
that we've now built within our society
303
771000
2000
che abbiamo costruito nella nostra società
13:08
for handling that information.
304
773000
2000
per trattare le informazioni.
13:10
And it all connects us together
305
775000
3000
E ci connettono tutti insieme
13:13
into something
306
778000
2000
in qualcosa
13:15
that is much bigger
307
780000
2000
che è molto più grande,
13:17
and much faster
308
782000
2000
più veloce,
13:19
and able to evolve
309
784000
2000
e più capace di evolvere
13:21
than what we were before.
310
786000
2000
di quanto non fosse prima.
13:23
So now, evolution can take place
311
788000
2000
Ora l'evoluzione può avere luogo
13:25
on a scale of microseconds.
312
790000
2000
nell'arco di microsecondi.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
Avete visto il piccolo esempio evolutivo di Ty
13:29
where he sort of did a little bit of evolution
314
794000
2000
in cui ha applicato l'evoluzione
13:31
on the Convolution program right before your eyes.
315
796000
3000
nel programma Convolution proprio davanti a voi.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Abbiamo accelerato il progresso un'altra volta.
13:37
So the first steps of the story that I told you about
317
802000
2000
I primi passi della storia che vi ho raccontato
13:39
took a billion years a piece.
318
804000
2000
hanno richiesto un miliardo di anni ciascuno.
13:41
And the next steps,
319
806000
2000
Quelli successivi,
13:43
like nervous systems and brains,
320
808000
2000
come i sistemi nervosi e i cervelli,
13:45
took a few hundred million years.
321
810000
2000
qualche centinaio di milioni di anni.
13:47
Then the next steps, like language and so on,
322
812000
3000
I passi successivi, linguaggio e così via,
13:50
took less than a million years.
323
815000
2000
meno di un milione di anni.
13:52
And these next steps, like electronics,
324
817000
2000
Quelli seguenti, come l'elettronica,
13:54
seem to be taking only a few decades.
325
819000
2000
sembrano avvenire in pochi decenni.
13:56
The process is feeding on itself
326
821000
2000
Il processo si auto-alimenta
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
e diventa autocatalitico, credo sia questa la parola
14:01
when something reinforces its rate of change.
328
826000
3000
per qualcosa che rinforza il proprio tasso di cambiamento.
14:04
The more it changes, the faster it changes.
329
829000
3000
Più cambia, più velocemente cambia.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
Penso sia questo che stiamo osservando nell'esplosione della curva.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
Osserviamo il processo che nutre sé stesso.
14:13
Now I design computers for a living,
332
838000
3000
Io progetto computer per lavoro
14:16
and I know that the mechanisms
333
841000
2000
e so che i meccanismi che uso
14:18
that I use to design computers
334
843000
3000
per progettare i computer
14:21
would be impossible
335
846000
2000
sarebbe impossibile
14:23
without recent advances in computers.
336
848000
2000
senza i recenti progressi fatti dai computer.
14:25
So right now, what I do
337
850000
2000
In questo momento,
14:27
is I design objects at such complexity
338
852000
3000
progetto oggetti di tale complessità
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
che sarebbe impossibile progettarli in modo tradizionale.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
Io non so esattamente cosa faccia ogni singolo transistor.
14:37
There are billions of them.
341
862000
2000
Ce ne sono miliardi.
14:39
Instead, what I do
342
864000
2000
Invece, ciò che io
14:41
and what the designers at Thinking Machines do
343
866000
3000
e i progettisti a Thinking Machine facciamo
14:44
is we think at some level of abstraction
344
869000
2000
è pensare ad un certo livello di astrazione,
14:46
and then we hand it to the machine
345
871000
2000
poi passiamo la palla alla macchina
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
e questa si spinge più in là di quanto mai potremmo noi,
14:51
much farther and faster than we could ever do.
347
876000
3000
più lontano e più velocemente di quanto potremmo noi.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
Qualche volta lo fa persino usando metodi
14:56
that we don't quite even understand.
349
881000
3000
che non capiamo del tutto.
14:59
One method that's particularly interesting
350
884000
2000
Un metodo che trovo molto interessante
15:01
that I've been using a lot lately
351
886000
3000
e che di recente ho usato spesso
15:04
is evolution itself.
352
889000
2000
è l'evoluzione stessa.
15:06
So what we do
353
891000
2000
Quello che facciamo
15:08
is we put inside the machine
354
893000
2000
è inserire nella macchina
15:10
a process of evolution
355
895000
2000
un processo di evoluzione
15:12
that takes place on the microsecond time scale.
356
897000
2000
che si svolge in microsecondi.
15:14
So for example,
357
899000
2000
Per esempio,
15:16
in the most extreme cases,
358
901000
2000
nei casi più estremi,
15:18
we can actually evolve a program
359
903000
2000
possiamo far evolvere un programma
15:20
by starting out with random sequences of instructions.
360
905000
4000
partendo da sequenze casuali di istruzioni.
15:24
Say, "Computer, would you please make
361
909000
2000
Chiediamo al computer di creare
15:26
a hundred million random sequences of instructions.
362
911000
3000
cento milioni di sequenze casuali di istruzioni.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
Poi di eseguire tutte quelle sequenze casuali,
15:32
run all of those programs,
364
917000
2000
eseguire quei programmi,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
e scegliere quelle che si avvicinano di più a quello che cercavo.
15:37
So in other words, I define what I wanted.
366
922000
2000
In altre parole, io decido cosa voglio.
15:39
Let's say I want to sort numbers,
367
924000
2000
Diciamo che voglio ordinare dei numeri,
15:41
as a simple example I've done it with.
368
926000
2000
un esempio semplice che ho usato.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Poi trovo i programmi che si avvicinano di più all'ordinare i numeri.
15:46
So of course, random sequences of instructions
370
931000
3000
Ovviamente, è molto improbabile che
15:49
are very unlikely to sort numbers,
371
934000
2000
istruzioni casuali riescano a ordinare numeri,
15:51
so none of them will really do it.
372
936000
2000
quindi nessuna sequenza lo fa davvero.
15:53
But one of them, by luck,
373
938000
2000
Ma una di esse, per puro caso,
15:55
may put two numbers in the right order.
374
940000
2000
potrebbe mettere due numeri nell'ordine giusto.
15:57
And I say, "Computer,
375
942000
2000
Allora dico al computer
15:59
would you please now take the 10 percent
376
944000
3000
di prendere il 10 percento delle sequenze casuali
16:02
of those random sequences that did the best job.
377
947000
2000
che hanno fatto il lavoro migliore.
16:04
Save those. Kill off the rest.
378
949000
2000
Salviamo quelle ed eliminiamo il resto.
16:06
And now let's reproduce
379
951000
2000
Poi riproduciamo
16:08
the ones that sorted numbers the best.
380
953000
2000
quelle che hanno ordinato meglio i numeri.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
E le riproduciamo tramite un processo di ricombinazione
16:13
analogous to sex."
382
958000
2000
analogo al sesso.
16:15
Take two programs and they produce children
383
960000
3000
Prendete due programmi, essi produrranno figli
16:18
by exchanging their subroutines,
384
963000
2000
scambiandosi le subroutine,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
e i figli erediteranno i tratti delle subroutine dei due programmi.
16:23
So I've got now a new generation of programs
386
968000
3000
Ecco che ho una nuova generazione di programmi
16:26
that are produced by combinations
387
971000
2000
che sono prodotti dalla combinazione
16:28
of the programs that did a little bit better job.
388
973000
2000
dei programmi che hanno fatto il lavoro migliore.
16:30
Say, "Please repeat that process."
389
975000
2000
Ripetiamo il processo.
16:32
Score them again.
390
977000
2000
Valutiamo di nuovo.
16:34
Introduce some mutations perhaps.
391
979000
2000
Magari introduciamo qualche mutazione.
16:36
And try that again and do that for another generation.
392
981000
3000
Riproviamo per un'altra generazione.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
Ognuna di quelle generazioni richiede qualche millisecondo.
16:42
So I can do the equivalent
394
987000
2000
Posso replicare l'equivalente
16:44
of millions of years of evolution on that
395
989000
2000
di milioni di anni di evoluzione su quei programmi
16:46
within the computer in a few minutes,
396
991000
3000
all'interno del computer in pochi minuti,
16:49
or in the complicated cases, in a few hours.
397
994000
2000
o in poche ore nei casi più complicati.
16:51
At the end of that, I end up with programs
398
996000
3000
Alla fine del processo avrò dei programmi
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
che saranno perfetti nell'ordinare i numeri.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
E sono programmi molto più efficienti
16:59
than programs I could have ever written by hand.
401
1004000
2000
di qualsiasi programma scritto a mano.
17:01
Now if I look at those programs,
402
1006000
2000
Se guardo questi programmi,
17:03
I can't tell you how they work.
403
1008000
2000
non so dirvi come funzionino.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
Ho provato a capire come funzionino.
17:07
They're obscure, weird programs.
405
1012000
2000
Sono programmi oscuri, strani.
17:09
But they do the job.
406
1014000
2000
Ma fanno il lavoro.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
Sono certo che faranno il lavoro
17:14
because they come from a line
408
1019000
2000
perché vengono da una dinastia
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
di centinaia di migliaia di programmi che lo hanno fatto.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
In effetti, la loro vita dipendeva dal fare il lavoro.
17:21
(Laughter)
411
1026000
4000
(Risate)
17:26
I was riding in a 747
412
1031000
2000
Una volta ero su un jumbo
17:28
with Marvin Minsky once,
413
1033000
2000
con Marvin Minsky,
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
lui tira fuori un biglietto ed esclama: "Guarda qui!
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
Dice 'Questo aereo è composto da migliaia di piccole parti
17:37
working together to make you a safe flight.'
416
1042000
4000
che lavorano insieme per farvi volare sicuri.'
17:41
Doesn't that make you feel confident?"
417
1046000
2000
Ti fa sentire davvero sicuro?"
17:43
(Laughter)
418
1048000
2000
(Risate)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
Sappiamo che l'ingegneria non funziona proprio perfettamente
17:48
when it gets complicated.
420
1053000
2000
quando diventa complicata.
17:50
So we're beginning to depend on computers
421
1055000
2000
Quindi stiamo cominciando a dipendere dai computer
17:52
to do a process that's very different than engineering.
422
1057000
4000
per processi che sono molto diversi dall'ingegneria.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
Questo ci permette di produrre oggetti di complessità molto maggiore
17:59
than normal engineering lets us produce.
424
1064000
2000
di quanto ci permetterebbe la normale ingegneria.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
Ma non capiamo perfettamente tutte le opzioni.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
In un certo senso stiamo correndo troppo.
18:06
We're now using those programs
427
1071000
2000
Ora stiamo usando quei programmi
18:08
to make much faster computers
428
1073000
2000
per creare computer ancora più veloci
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
che eseguiranno quel processo ancora più velocemente.
18:13
So it's feeding back on itself.
430
1078000
3000
Si sta autoalimentando.
18:16
The thing is becoming faster
431
1081000
2000
Il processo sta diventando più veloce
18:18
and that's why I think it seems so confusing.
432
1083000
2000
e penso sia questo che ce lo fa sembrare confuso.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
È il fatto che tutte queste tecnologie si autoalimentano.
18:23
We're taking off.
434
1088000
2000
Stiamo decollando.
18:25
And what we are is we're at a point in time
435
1090000
3000
E siamo ad un punto della storia
18:28
which is analogous to when single-celled organisms
436
1093000
2000
che è analogo a quando gli organismi unicellulari
18:30
were turning into multi-celled organisms.
437
1095000
3000
stavano diventando organismi multicellulari.
18:33
So we're the amoebas
438
1098000
2000
Siamo le amebe
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
che non riescono a capire bene che diamine stiamo creando.
18:38
We're right at that point of transition.
440
1103000
2000
Siamo in quel punto preciso della transizione.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
Penso che ci sia davvero qualcosa che verrà dopo di noi.
18:43
I think it's very haughty of us
442
1108000
2000
Credo sia molto arrogante da parte nostra
18:45
to think that we're the end product of evolution.
443
1110000
3000
crederci il prodotto finale dell'evoluzione.
18:48
And I think all of us here
444
1113000
2000
E penso che tutti noi qui
18:50
are a part of producing
445
1115000
2000
abbiamo un ruolo nel produrre
18:52
whatever that next thing is.
446
1117000
2000
qualunque cosa sia quello che viene dopo di noi.
18:54
So lunch is coming along,
447
1119000
2000
Penso anche che sia ora di pranzo,
18:56
and I think I will stop at that point,
448
1121000
2000
quindi mi fermerò a questo punto,
18:58
before I get selected out.
449
1123000
2000
prima di essere rimosso.
19:00
(Applause)
450
1125000
3000
(Applausi)
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