TEDxUIUC
Christoph Adami: Finding life we can't imagine
Christoph Adami: Leven vinden dat we ons niet kunnen voorstellen
Filmed:
Readability: 3.7
652,149 views
Hoe kunnen we zoeken naar buitenaards leven als het helemaal niet lijkt op het leven dat wij kennen? Op TEDxUIUC laat Christoph Adami zien hoe hij zijn onderzoek over kunstmatig leven - zelf-replicerende computerprogramma's - gebruikt om een signatuur, een 'biomarker', te vinden die vrij is van onze vooroordelen van wat het leven is.
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
Ik heb een rare loopbaan.
00:17
I know it because people come up to me, like colleagues,
1
2000
3000
Dat weet ik omdat mensen als collega's
00:20
and say, "Chris, you have a strange career."
2
5000
2000
me zeggen: 'Chris, je hebt een rare loopbaan.'
00:22
(Laughter)
3
7000
2000
(Gelach)
00:24
And I can see their point,
4
9000
2000
Ik begrijp ze
00:26
because I started my career
5
11000
2000
want ik ben mijn carrière begonnen
00:28
as a theoretical nuclear physicist.
6
13000
2000
als theoretisch kernfysicus.
00:30
And I was thinking about quarks and gluons
7
15000
2000
Ik zat al na te denken over quarks, gluonen
00:32
and heavy ion collisions,
8
17000
2000
en botsingen met zware ijzerkernen
00:34
and I was only 14 years old.
9
19000
2000
toen ik slechts 14 jaar oud was.
00:36
No, no, I wasn't 14 years old.
10
21000
3000
Nee, nee, ik was geen 14 jaar oud.
00:40
But after that,
11
25000
2000
Maar daarna
00:42
I actually had my own lab
12
27000
2000
had ik mijn eigen lab
00:44
in the computational neuroscience department,
13
29000
2000
in de afdeling voor computationele neurowetenschappen
00:46
and I wasn't doing any neuroscience.
14
31000
2000
en ik deed niet eens aan neurowetenschappen.
00:48
Later, I would work on evolutionary genetics,
15
33000
3000
Later zou ik werken aan evolutionaire genetica
00:51
and I would work on systems biology.
16
36000
2000
en systeembiologie.
00:53
But I'm going to tell you about something else today.
17
38000
3000
Maar ik ga jullie vandaag over iets anders vertellen.
00:56
I'm going to tell you
18
41000
2000
Ik ga jullie vertellen
00:58
about how I learned something about life.
19
43000
2000
over hoe ik iets heb geleerd over het leven.
01:00
And I was actually a rocket scientist.
20
45000
4000
Ik was eigenlijk raketwetenschapper.
01:04
I wasn't really a rocket scientist,
21
49000
2000
Niet echt raketwetenschapper,
01:06
but I was working
22
51000
2000
maar ik werkte
01:08
at the Jet Propulsion Laboratory
23
53000
2000
bij het Jet Propulsion Laboratory
01:10
in sunny California where it's warm;
24
55000
3000
in het zonnige Californië, waar het warm is.
01:13
whereas now I'm in the mid-West,
25
58000
2000
Nu zit ik in het middenwesten
01:15
and it's cold.
26
60000
2000
en daar is het koud.
01:17
But it was an exciting experience.
27
62000
3000
Maar het was een spannende ervaring.
01:20
One day a NASA manager comes into my office,
28
65000
3000
Op een dag komt een NASA-manager mijn kantoor binnen,
01:23
sits down and says,
29
68000
3000
gaat zitten en zegt:
01:26
"Can you please tell us,
30
71000
2000
'Kun je ons alsjeblieft vertellen
01:28
how do we look for life outside Earth?"
31
73000
2000
hoe we op zoek kunnen gaan naar leven buiten de aarde?'
01:30
And that came as a surprise to me,
32
75000
2000
Dat kwam als een verrassing voor mij,
01:32
because I was actually hired
33
77000
2000
want ik was eigenlijk ingehuurd
01:34
to work on quantum computation.
34
79000
2000
om te werken aan kwantumberekening.
01:36
Yet, I had a very good answer.
35
81000
2000
Toch had ik een heel goed antwoord.
01:38
I said, "I have no idea."
36
83000
3000
Ik zei: 'Ik heb geen idee.'
01:41
And he told me, "Biosignatures,
37
86000
3000
hij vertelde me: 'Biosignaturen,
01:44
we need to look for a biosignature."
38
89000
2000
we moeten op zoek naar een biosignatuur.'
01:46
And I said, "What is that?"
39
91000
2000
Ik weer: 'Wat is dat?'
01:48
And he said, "It's any measurable phenomenon
40
93000
2000
Hij zei: 'Het is eender welk meetbaar fenomeen
01:50
that allows us to indicate
41
95000
2000
dat ons in staat stelt om
01:52
the presence of life."
42
97000
2000
de aanwezigheid van leven vast te stellen.'
01:54
And I said, "Really?
43
99000
2000
Ik zei: 'Echt waar?
01:56
Because isn't that easy?
44
101000
2000
Is dat dan niet makkelijk?
01:58
I mean, we have life.
45
103000
2000
Ik bedoel, we hebben hier leven.
02:00
Can't you apply a definition,
46
105000
2000
Kun je daar geen definitie op toepassen
02:02
like for example, a Supreme Court-like definition of life?"
47
107000
4000
zoals bijvoorbeeld een Supreme Court-achtige definitie van leven?'
02:06
And then I thought about it a little bit, and I said,
48
111000
2000
Toen ik er een beetje over had nagedacht, zei ik:
02:08
"Well, is it really that easy?
49
113000
2000
'Is het echt zo gemakkelijk?
02:10
Because, yes, if you see something like this,
50
115000
3000
Want ja, als je zoiets als dit ziet,
02:13
then all right, fine, I'm going to call it life --
51
118000
2000
dan noem ik dat leven -
02:15
no doubt about it.
52
120000
2000
geen twijfel mogelijk.
02:17
But here's something."
53
122000
2000
Maar hier is iets.'
02:19
And he goes, "Right, that's life too. I know that."
54
124000
3000
Hij dan: 'Goed, dat is ook leven. Dat weet ik.'
02:22
Except, if you think life is also defined
55
127000
2000
Maar als je denkt dat het leven ook is gedefinieerd
02:24
by things that die,
56
129000
2000
door dingen die sterven,
02:26
you're not in luck with this thing,
57
131000
2000
dan heb je geen geluk met dit ding
02:28
because that's actually a very strange organism.
58
133000
2000
omdat dat eigenlijk een heel vreemd organisme is.
02:30
It grows up into the adult stage like that
59
135000
2000
Het groeit op tot het volwassen stadium,
02:32
and then goes through a Benjamin Button phase,
60
137000
3000
maakt dan een Benjamin Buttonfase door,
02:35
and actually goes backwards and backwards
61
140000
2000
gaat achteruit en achteruit
02:37
until it's like a little embryo again,
62
142000
2000
totdat het weer als een klein embryo is
02:39
and then actually grows back up, and back down and back up -- sort of yo-yo --
63
144000
3000
en groeit dan weer terug, terug naar beneden en weer terug - als een jojo.
02:42
and it never dies.
64
147000
2000
Het sterft nooit.
02:44
So it's actually life,
65
149000
2000
Het is leven,
02:46
but it's actually not
66
151000
2000
maar geen leven
02:48
as we thought life would be.
67
153000
3000
zoals wij het ons voorstelden.
02:51
And then you see something like that.
68
156000
2000
Dan zie je zoiets.
02:53
And he was like, "My God, what kind of a life form is that?"
69
158000
2000
Hij : 'Mijn God, wat voor een levensvorm is dat?'
02:55
Anyone know?
70
160000
2000
Weet iemand dat?
02:57
It's actually not life, it's a crystal.
71
162000
3000
Het is eigenlijk geen leven, het is een kristal.
03:00
So once you start looking and looking
72
165000
2000
Als je eenmaal op zoek gaat
03:02
at smaller and smaller things --
73
167000
2000
naar kleinere en kleinere dingen --
03:04
so this particular person
74
169000
2000
Deze persoon
03:06
wrote a whole article and said, "Hey, these are bacteria."
75
171000
3000
schreef er een heel artikel en zei: 'Hè, dit zijn bacteriën.'
03:09
Except, if you look a little bit closer,
76
174000
2000
Maar als je een beetje dichterbij gaat kijken,
03:11
you see, in fact, that this thing is way too small to be anything like that.
77
176000
3000
zie je dat dit ding veel te klein is om dat te zijn.
03:14
So he was convinced,
78
179000
2000
Hij was ervan overtuigd
03:16
but, in fact, most people aren't.
79
181000
2000
maar de meeste mensen in feite niet.
03:18
And then, of course,
80
183000
2000
Toen kwam NASA natuurlijk
03:20
NASA also had a big announcement,
81
185000
2000
ook met een grote aankondiging.
03:22
and President Clinton gave a press conference,
82
187000
2000
President Clinton gaf zelfs een persconferentie
03:24
about this amazing discovery
83
189000
2000
over deze verbazingwekkende ontdekking
03:26
of life in a Martian meteorite.
84
191000
3000
van leven in een meteoriet van Mars.
03:29
Except that nowadays, it's heavily disputed.
85
194000
4000
Vandaag is dat zwaar omstreden.
03:33
If you take the lesson of all these pictures,
86
198000
3000
Als les uit al deze foto's
03:36
then you realize, well actually maybe it's not that easy.
87
201000
2000
kan je besluiten het toch niet zo gemakkelijk is.
03:38
Maybe I do need
88
203000
2000
Misschien heb ik toch wel
03:40
a definition of life
89
205000
2000
een definitie van leven nodig
03:42
in order to make that kind of distinction.
90
207000
2000
om dat soort onderscheid maken.
03:44
So can life be defined?
91
209000
2000
Kan het leven worden gedefinieerd?
03:46
Well how would you go about it?
92
211000
2000
Hoe zou je dat doen?
03:48
Well of course,
93
213000
2000
Je kan natuurlijk
03:50
you'd go to Encyclopedia Britannica and open at L.
94
215000
2000
de Encyclopaedia Britannica openslaan op de L.
03:52
No, of course you don't do that; you put it somewhere in Google.
95
217000
3000
Natuurlijk doe je dat niet. Je zoekt het ergens op in Google.
03:55
And then you might get something.
96
220000
3000
Dan zou je toch iets zou moeten vinden.
03:58
And what you might get --
97
223000
2000
Je vindt wat
04:00
and anything that actually refers to things that we are used to,
98
225000
2000
en alles dat we al kennen,
04:02
you throw away.
99
227000
2000
gooi je weg.
04:04
And then you might come up with something like this.
100
229000
2000
Dan kun iets als dit vinden.
04:06
And it says something complicated
101
231000
2000
Het zegt iets ingewikkelds
04:08
with lots and lots of concepts.
102
233000
2000
met veel, veel concepten.
04:10
Who on Earth would write something
103
235000
2000
Wie op aarde zou zoiets
04:12
as convoluted and complex
104
237000
2000
ingewikkelds, complex
04:14
and inane?
105
239000
3000
en zinloos neerschrijven?
04:17
Oh, it's actually a really, really, important set of concepts.
106
242000
4000
In feite is het een reeks echt belangrijke concepten.
04:21
So I'm highlighting just a few words
107
246000
3000
Ik haal er een paar woorden uit.
04:24
and saying definitions like that
108
249000
2000
Het geven van dergelijke definities
04:26
rely on things that are not based
109
251000
2000
steunt op dingen die niet gebaseerd zijn
04:28
on amino acids or leaves
110
253000
3000
op aminozuren of bladeren
04:31
or anything that we are used to,
111
256000
2000
of iets dat we kennen,
04:33
but in fact on processes only.
112
258000
2000
maar in feite alleen maar op processen.
04:35
And if you take a look at that,
113
260000
2000
Dit komt eigenlijk uit een boek
04:37
this was actually in a book that I wrote that deals with artificial life.
114
262000
3000
dat ik schreef en dat gaat over kunstmatig leven.
04:40
And that explains why
115
265000
2000
Dat verklaart waarom
04:42
that NASA manager was actually in my office to begin with.
116
267000
3000
die NASA-manager uiteindelijk in mijn kantoor belandde.
04:45
Because the idea was that, with concepts like that,
117
270000
3000
Ze dachten dat we met dergelijke concepten
04:48
maybe we can actually manufacture
118
273000
2000
misschien een vorm van leven
04:50
a form of life.
119
275000
2000
zouden kunnen produceren.
04:52
And so if you go and ask yourself,
120
277000
3000
Misschien vraag je jezelf wel af:
04:55
"What on Earth is artificial life?",
121
280000
2000
'Wat in hemelsnaam is kunstmatig leven?'
04:57
let me give you a whirlwind tour
122
282000
2000
Ik leg even uit
04:59
of how all this stuff came about.
123
284000
2000
hoe dit alles tot stand kwam.
05:01
And it started out quite a while ago
124
286000
3000
Het begon al een tijdje geleden
05:04
when someone wrote
125
289000
2000
toen iemand een van de eerste
05:06
one of the first successful computer viruses.
126
291000
2000
succesvolle computervirussen schreef.
05:08
And for those of you who aren't old enough,
127
293000
3000
Degenen onder jullie die nog niet oud genoeg zijn,
05:11
you have no idea how this infection was working --
128
296000
3000
weten niet hoe deze infectie werkte -
05:14
namely, through these floppy disks.
129
299000
2000
namelijk door middel van deze diskettes.
05:16
But the interesting thing about these computer virus infections
130
301000
3000
Maar het interessante aan deze computervirusinfecties
05:19
was that, if you look at the rate
131
304000
2000
was dat, als je keek naar de snelheid
05:21
at which the infection worked,
132
306000
2000
waarmee deze infectie om zich heen greep,
05:23
they show this spiky behavior
133
308000
2000
zij het piekend gedrag vertoonde
05:25
that you're used to from a flu virus.
134
310000
3000
dat we zo goed kennen van een griepvirus.
05:28
And it is in fact due to this arms race
135
313000
2000
Door deze wapenwedloop
05:30
between hackers and operating system designers
136
315000
3000
tussen hackers en besturingssysteemontwerpers
05:33
that things go back and forth.
137
318000
2000
gaan die dingen op en neer.
05:35
And the result is kind of a tree of life
138
320000
2000
Het resultaat is een soort boom des levens
05:37
of these viruses,
139
322000
2000
van deze virussen,
05:39
a phylogeny that looks very much
140
324000
3000
een fylogenie die heel erg lijkt
05:42
like the type of life that we're used to, at least on the viral level.
141
327000
3000
op het type van leven dat we kennen, althans op het virale niveau.
05:45
So is that life? Not as far as I'm concerned.
142
330000
3000
Is dat dan leven? Niet wat mij betreft.
05:48
Why? Because these things don't evolve by themselves.
143
333000
3000
Waarom? Omdat deze zaken niet op zichzelf evolueren.
05:51
In fact, they have hackers writing them.
144
336000
2000
In feite zijn er hackers nodig om ze te schrijven.
05:53
But the idea was taken very quickly a little bit further
145
338000
4000
Maar het idee werd al snel een klein beetje verder uitgewerkt
05:57
when a scientist working at the Scientific Institute decided,
146
342000
3000
toen een wetenschapper van het Wetenschappelijk Instituut dit bedacht:
06:00
"Why don't we try to package these little viruses
147
345000
3000
'Waarom gaan we niet proberen om deze kleine virussen
06:03
in artificial worlds inside of the computer
148
348000
2000
in kunstmatige werelden binnen de computer
06:05
and let them evolve?"
149
350000
2000
te laten evolueren?'
06:07
And this was Steen Rasmussen.
150
352000
2000
Dat was Steen Rasmussen.
06:09
And he designed this system, but it really didn't work,
151
354000
2000
Hij ontwierp dit systeem maar het werkte niet echt,
06:11
because his viruses were constantly destroying each other.
152
356000
3000
omdat zijn virussen voortdurend bezig waren elkaar te vernietigen.
06:14
But there was another scientist who had been watching this, an ecologist.
153
359000
3000
Maar er was nog een andere wetenschapper die dit volgde, een ecoloog.
06:17
And he went home and says, "I know how to fix this."
154
362000
3000
Hij zei: 'Ik weet hoe dit op te lossen.'
06:20
And he wrote the Tierra system,
155
365000
2000
Hij schreef het Tierra-systeem.
06:22
and, in my book, is in fact one of the first
156
367000
3000
Volgens mij een van de eerste
06:25
truly artificial living systems --
157
370000
2000
echt kunstmatige levende systemen -
06:27
except for the fact that these programs didn't really grow in complexity.
158
372000
3000
behalve het feit dat deze programma's niet echt groeiden in complexiteit.
06:30
So having seen this work, worked a little bit on this,
159
375000
3000
Vanuit deze basis
06:33
this is where I came in.
160
378000
2000
begon ik eraan te werken.
06:35
And I decided to create a system
161
380000
2000
Ik besloot om een systeem te creëren
06:37
that has all the properties that are necessary
162
382000
2000
met alle nodige eigenschappen
06:39
to see the evolution of complexity,
163
384000
3000
om complexiteit te laten evolueren,
06:42
more and more complex problems constantly evolving.
164
387000
3000
om voortdurend meer en meer complexe problemen te laten evolueren.
06:45
And of course, since I really don't know how to write code, I had help in this.
165
390000
3000
Natuurlijk had ik hierbij hulp nodig, omdat ik niet weet hoe code te schrijven.
06:48
I had two undergraduate students
166
393000
2000
Twee studenten
06:50
at California Institute of Technology that worked with me.
167
395000
3000
van het California Institute of Technology werkten bij mij.
06:53
That's Charles Offria on the left, Titus Brown on the right.
168
398000
3000
Charles Offria aan de linkerkant, Titus Brown aan de rechterkant.
06:56
They are now actually respectable professors
169
401000
3000
Ze zijn nu respectabele professoren
06:59
at Michigan State University,
170
404000
2000
aan de Michigan State University,
07:01
but I can assure you, back in the day,
171
406000
2000
maar ik kan jullie verzekeren dat wij indertijd
07:03
we were not a respectable team.
172
408000
2000
een allesbehalve respectabel team waren.
07:05
And I'm really happy that no photo survives
173
410000
2000
Ik ben echt blij dat er geen foto's meer bestaan
07:07
of the three of us anywhere close together.
174
412000
3000
over hoe wij gedrieën toen te keer gingen.
07:10
But what is this system like?
175
415000
2000
Maar hoe ziet dit systeem eruit?
07:12
Well I can't really go into the details,
176
417000
3000
Ik kan niet ingaan op de details,
07:15
but what you see here is some of the entrails.
177
420000
2000
maar wat je hier ziet is een deel van de ingewanden.
07:17
But what I wanted to focus on
178
422000
2000
Ik wil de aandacht vestigen op
07:19
is this type of population structure.
179
424000
2000
dit type van de populatiestructuur.
07:21
There's about 10,000 programs sitting here.
180
426000
3000
Er zitten ongeveer 10.000 programma's in.
07:24
And all different strains are colored in different colors.
181
429000
3000
Alle verschillende stammen weergegeven in verschillende kleuren.
07:27
And as you see here, there are groups that are growing on top of each other,
182
432000
3000
Er zijn groepen die boven op elkaar groeien,
07:30
because they are spreading.
183
435000
2000
omdat ze zich verspreiden.
07:32
Any time there is a program
184
437000
2000
Telkens er een programma is
07:34
that's better at surviving in this world,
185
439000
2000
dat beter is in overleven in deze wereld,
07:36
due to whatever mutation it has acquired,
186
441000
2000
door welke mutatie dan ook die het heeft verworven,
07:38
it is going to spread over the others and drive the others to extinction.
187
443000
3000
gaat het zich verspreiden over de anderen en worden de anderen tot uitsterven gedreven.
07:41
So I'm going to show you a movie where you're going to see that kind of dynamic.
188
446000
3000
Ik ga jullie een film tonen waar dit dynamisch wordt voorgesteld.
07:44
And these kinds of experiments are started
189
449000
3000
Dit soort experimenten begon
07:47
with programs that we wrote ourselves.
190
452000
2000
met programma's die we zelf schreven.
07:49
We write our own stuff, replicate it,
191
454000
2000
We schrijven onze eigen spullen, repliceren ze
07:51
and are very proud of ourselves.
192
456000
2000
en zijn zeer trots op onszelf.
07:53
And we put them in, and what you see immediately
193
458000
3000
We zetten ze in en wat je meteen ziet,
07:56
is that there are waves and waves of innovation.
194
461000
3000
is dat er golven van innovatie plaatsvinden.
07:59
By the way, this is highly accelerated,
195
464000
2000
Tussen haakjes, dit is zeer versneld,
08:01
so it's like a thousand generations a second.
196
466000
2000
je ziet hier een duizend generaties per seconde.
08:03
But immediately the system goes like,
197
468000
2000
Maar het systeem begint met:
08:05
"What kind of dumb piece of code was this?
198
470000
2000
'Wat voor een stom stuk code is dit?
08:07
This can be improved upon in so many ways
199
472000
2000
Dat kan snel op allerlei manieren
08:09
so quickly."
200
474000
2000
worden verbeterd.'
08:11
So you see waves of new types
201
476000
2000
Je ziet golven van nieuwe types
08:13
taking over the other types.
202
478000
2000
die het halen op andere types.
08:15
And this type of activity goes on for quite awhile,
203
480000
3000
Dit soort activiteiten gaat voor een tijdje door
08:18
until the main easy things have been acquired by these programs.
204
483000
4000
totdat de meest eenvoudige dingen zijn overgenomen door deze programma's.
08:22
And then you see sort of like a stasis coming on
205
487000
4000
Dan zie je een soort stasis aankomen
08:26
where the system essentially waits
206
491000
2000
waar het systeem in wezen wacht
08:28
for a new type of innovation, like this one,
207
493000
3000
op een nieuw type van innovatie, zoals dit,
08:31
which is going to spread
208
496000
2000
dat zich weer gaat verspreiden
08:33
over all the other innovations that were before
209
498000
2000
over alle andere innovaties die ervoor bestonden
08:35
and is erasing the genes that it had before,
210
500000
3000
en zijn eerdere genen begint te wissen,
08:38
until a new type of higher level of complexity has been achieved.
211
503000
4000
totdat er een nieuw type met een hoger niveau van complexiteit is bereikt.
08:42
And this process goes on and on and on.
212
507000
3000
Dit proces blijft maar doorgaan.
08:45
So what we see here
213
510000
2000
Wat we hier zien,
08:47
is a system that lives
214
512000
2000
is een systeem dat leeft op een manier
08:49
in very much the way we're used to life [going.]
215
514000
2000
die erg lijkt op het leven dat we kennen.
08:51
But what the NASA people had asked me really
216
516000
4000
Maar wat de NASA-mensen me echt hadden gevraagd,
08:55
was, "Do these guys
217
520000
2000
was: 'Hebben deze jongens
08:57
have a biosignature?
218
522000
2000
een biosignatuur?
08:59
Can we measure this type of life?
219
524000
2000
Kunnen we dit soort van leven meten?
09:01
Because if we can,
220
526000
2000
Want als we dat kunnen,
09:03
maybe we have a chance of actually discovering life somewhere else
221
528000
3000
hebben we misschien kans om elders leven te ontdekken
09:06
without being biased
222
531000
2000
zonder vooroordelen
09:08
by things like amino acids."
223
533000
2000
over dingen als aminozuren.'
09:10
So I said, "Well, perhaps we should construct
224
535000
3000
Ik zei: ‘Misschien moeten we
09:13
a biosignature
225
538000
2000
een biosignatuur construeren
09:15
based on life as a universal process.
226
540000
3000
gebaseerd op leven als universeel proces.
09:18
In fact, it should perhaps make use
227
543000
2000
In feite moet ze misschien gebruik maken
09:20
of the concepts that I developed
228
545000
2000
van de concepten die ik heb ontwikkeld
09:22
just in order to sort of capture
229
547000
2000
alleen maar om vast te leggen
09:24
what a simple living system might be."
230
549000
2000
hoe een eenvoudig levend systeem zou kunnen zijn.'
09:26
And the thing I came up with --
231
551000
2000
Wat ik bedacht -
09:28
I have to first give you an introduction about the idea,
232
553000
4000
ik moet jullie eerst een inleiding tot het idee geven
09:32
and maybe that would be a meaning detector,
233
557000
3000
en misschien zou dat een betekenisdetector worden,
09:35
rather than a life detector.
234
560000
3000
in plaats van een levendetector.
09:38
And the way we would do that --
235
563000
2000
De manier waarop we dat zouden doen:
09:40
I would like to find out how I can distinguish
236
565000
2000
ik wil te weten komen hoe ik tekst
09:42
text that was written by a million monkeys,
237
567000
2000
die door een miljoen apen is getypt, kan onderscheiden
09:44
as opposed to text that [is] in our books.
238
569000
3000
van tekst zoals hij in onze boeken staat.
09:47
And I would like to do it in such a way
239
572000
2000
Ik zou het graag doen op zo'n manier
09:49
that I don't actually have to be able to read the language,
240
574000
2000
dat ik de taal niet moeten kunnen lezen,
09:51
because I'm sure I won't be able to.
241
576000
2000
want ik weet zeker dat ik dat niet zal kunnen.
09:53
As long as I know that there's some sort of alphabet.
242
578000
2000
Als ik maar weet dat er een soort alfabet is.
09:55
So here would be a frequency plot
243
580000
3000
Ik zou een grafiek maken van de frequentie van
09:58
of how often you find
244
583000
2000
hoe vaak
10:00
each of the 26 letters of the alphabet
245
585000
2000
elk van de 26 letters van het alfabet voorkomt
10:02
in a text written by random monkeys.
246
587000
3000
in een tekst geschreven door willekeurige apen.
10:05
And obviously each of these letters
247
590000
2000
Natuurlijk zou elk van deze letters
10:07
comes off about roughly equally frequent.
248
592000
2000
ongeveer even frequent voorkomen.
10:09
But if you now look at the same distribution in English texts,
249
594000
4000
Als je nu kijkt naar dezelfde verdeling in Engelse teksten,
10:13
it looks like that.
250
598000
2000
dan ziet het er zo uit.
10:15
And I'm telling you, this is very robust across English texts.
251
600000
3000
Dat blijft praktisch hetzelfde voor alle Engelse teksten.
10:18
And if I look at French texts, it looks a little bit different,
252
603000
2000
Bij Franse, Italiaanse of Duitse teksten
10:20
or Italian or German.
253
605000
2000
ziet het er een beetje anders uit.
10:22
They all have their own type of frequency distribution,
254
607000
3000
Ze hebben allemaal hun eigen type frequentieverdeling,
10:25
but it's robust.
255
610000
2000
maar het blijft hetzelfde.
10:27
It doesn't matter whether it writes about politics or about science.
256
612000
3000
Het maakt niet uit of je nu schrijft over politiek of over wetenschap.
10:30
It doesn't matter whether it's a poem
257
615000
3000
Het maakt niet uit of het een gedicht
10:33
or whether it's a mathematical text.
258
618000
3000
of een wiskundige tekst is.
10:36
It's a robust signature,
259
621000
2000
Het is een herhaalbare signatuur
10:38
and it's very stable.
260
623000
2000
en ze is zeer stabiel.
10:40
As long as our books are written in English --
261
625000
2000
Zolang onze boeken zijn geschreven in het Engels -
10:42
because people are rewriting them and recopying them --
262
627000
3000
omdat mensen ze herschrijven en kopiëren -
10:45
it's going to be there.
263
630000
2000
vinden we die frequentie daar terug.
10:47
So that inspired me to think about,
264
632000
2000
Dat inspireerde me om
10:49
well, what if I try to use this idea
265
634000
3000
dit idee te gebruiken,
10:52
in order, not to detect random texts
266
637000
2000
niet om willekeurige teksten te onderscheiden
10:54
from texts with meaning,
267
639000
2000
van teksten met betekenis,
10:56
but rather detect the fact that there is meaning
268
641000
4000
maar eerder om uit te vinden of er betekenis schuilt
11:00
in the biomolecules that make up life.
269
645000
2000
in de biomoleculen van het leven.
11:02
But first I have to ask:
270
647000
2000
Maar eerst moet ik vragen:
11:04
what are these building blocks, like the alphabet, elements that I showed you?
271
649000
3000
wat zijn deze bouwstenen, zoals het alfabet, die ik liet zien?
11:07
Well it turns out, we have many different alternatives
272
652000
3000
Het blijkt dat we vele verschillende alternatieven hebben
11:10
for such a set of building blocks.
273
655000
2000
voor zo'n set bouwstenen.
11:12
We could use amino acids,
274
657000
2000
We kunnen aminozuren,
11:14
we could use nucleic acids, carboxylic acids, fatty acids.
275
659000
3000
nucleïnezuren, carbonzuren of vetzuren gebruiken.
11:17
In fact, chemistry's extremely rich, and our body uses a lot of them.
276
662000
3000
De chemie is extreem rijk en ons lichaam maakt gebruik van veel van die zaken.
11:20
So that we actually, to test this idea,
277
665000
3000
Om dit idee te testen,
11:23
first took a look at amino acids and some other carboxylic acids.
278
668000
3000
namen we eerst een kijkje bij de aminozuren en enkele andere carbonzuren.
11:26
And here's the result.
279
671000
2000
Hier is het resultaat.
11:28
Here is, in fact, what you get
280
673000
3000
Hier is in feite wat je krijgt
11:31
if you, for example, look at the distribution of amino acids
281
676000
3000
als je kijkt naar de verdeling van de aminozuren
11:34
on a comet or in interstellar space
282
679000
3000
op een komeet of in de interstellaire ruimte
11:37
or, in fact, in a laboratory,
283
682000
2000
of, in feite, in een laboratorium,
11:39
where you made very sure that in your primordial soup
284
684000
2000
waar je heel zeker bent dat er in jouw oersoep
11:41
that there is not living stuff in there.
285
686000
2000
geen levend spul zit.
11:43
What you find is mostly glycine and then alanine
286
688000
3000
Meestal vind je wat glycine, alanine
11:46
and there's some trace elements of the other ones.
287
691000
3000
en wat sporen van de andere aminozuren.
11:49
That is also very robust --
288
694000
3000
Dat is ook zeer herhaalbaar -
11:52
what you find in systems like Earth
289
697000
3000
voor wat je kunt vinden in plaatsen op Aarde
11:55
where there are amino acids,
290
700000
2000
waar er aminozuren zijn,
11:57
but there is no life.
291
702000
2000
maar zonder leven.
11:59
But suppose you take some dirt
292
704000
2000
Maar stel dat je wat vuil
12:01
and dig through it
293
706000
2000
opraapt en
12:03
and then put it into these spectrometers,
294
708000
3000
in een spectrometer plaatst,
12:06
because there's bacteria all over the place;
295
711000
2000
omdat er overal bacteriën zitten.
12:08
or you take water anywhere on Earth,
296
713000
2000
Of je onderzoekt wat water
12:10
because it's teaming with life,
297
715000
2000
dat krioelt van het leven,
12:12
and you make the same analysis;
298
717000
2000
met dezelfde methode.
12:14
the spectrum looks completely different.
299
719000
2000
Het spectrum ziet er dan compleet anders uit.
12:16
Of course, there is still glycine and alanine,
300
721000
4000
Natuurlijk is er nog steeds glycine en alanine,
12:20
but in fact, there are these heavy elements, these heavy amino acids,
301
725000
3000
maar in feite vind je dan deze zware moleculen, deze zware aminozuren,
12:23
that are being produced
302
728000
2000
die worden aangemaakt
12:25
because these are valuable to the organism.
303
730000
2000
omdat ze waardevol zijn voor organismen.
12:27
And some other ones
304
732000
2000
Enkele andere
12:29
that are not used in the set of 20,
305
734000
2000
die niet worden gebruikt in de set van 20,
12:31
they will not appear at all
306
736000
2000
zullen niet te zien zijn
12:33
in any type of concentration.
307
738000
2000
in welke concentratie dan ook.
12:35
So this also turns out to be extremely robust.
308
740000
2000
Dit blijkt ook uiterst herhaalbaar te zijn.
12:37
It doesn't matter what kind of sediment you're using to grind up,
309
742000
3000
Het maakt niet uit wat voor soort sediment je gebruikt om te vermalen,
12:40
whether it's bacteria or any other plants or animals.
310
745000
3000
of het nu bacteriën of andere planten of dieren zijn.
12:43
Anywhere there's life,
311
748000
2000
Overal waar het leven is,
12:45
you're going to have this distribution,
312
750000
2000
zal je deze verdeling aantreffen,
12:47
as opposed to that distribution.
313
752000
2000
in tegenstelling tot die verdeling daar.
12:49
And it is detectable not just in amino acids.
314
754000
3000
Het is niet alleen voor aminozuren aantoonbaar.
12:52
Now you could ask:
315
757000
2000
Nu kun je vragen:
12:54
well, what about these Avidians?
316
759000
2000
Hoe zit het met deze Avidianen?
12:56
The Avidians being the denizens of this computer world
317
761000
4000
De Avidianen zijn de bewoners van deze computerwereld
13:00
where they are perfectly happy replicating and growing in complexity.
318
765000
3000
waar ze perfect gelukkig repliceren en groeien in complexiteit.
13:03
So this is the distribution that you get
319
768000
3000
Dit is de verdeling die je krijgt
13:06
if, in fact, there is no life.
320
771000
2000
als er geen leven is.
13:08
They have about 28 of these instructions.
321
773000
3000
Ze hebben ongeveer 28 instructies.
13:11
And if you have a system where they're being replaced one by the other,
322
776000
3000
Als je een systeem hebt waar de een wordt vervangen door de andere
13:14
it's like the monkeys writing on a typewriter.
323
779000
2000
is het net als bij apen die tikken op een typemachine.
13:16
Each of these instructions appears
324
781000
3000
Al deze instructies komen voor
13:19
with roughly the equal frequency.
325
784000
3000
met ongeveer gelijke frequentie.
13:22
But if you now take a set of replicating guys
326
787000
4000
Maar als je nu een set hebt van replicerende jongens
13:26
like in the video that you saw,
327
791000
2000
zoals in de video die je zag,
13:28
it looks like this.
328
793000
2000
dan ziet het er zo uit.
13:30
So there are some instructions
329
795000
2000
Er zijn dus instructies
13:32
that are extremely valuable to these organisms,
330
797000
2000
die zeer waardevol zijn voor deze organismen,
13:34
and their frequency is going to be high.
331
799000
3000
en hun frequentie zal hoog zijn.
13:37
And there's actually some instructions
332
802000
2000
Er zijn zelfs instructies
13:39
that you only use once, if ever.
333
804000
2000
die je maar één keer gebruikt of nooit.
13:41
So they are either poisonous
334
806000
2000
Dus zijn ze ofwel giftig
13:43
or really should be used at less of a level than random.
335
808000
4000
of moeten ze echt worden gebruikt op een lager niveau dan willekeurig.
13:47
In this case, the frequency is lower.
336
812000
3000
In dat geval is hun frequentie lager.
13:50
And so now we can see, is that really a robust signature?
337
815000
3000
Is dat nu echt een herhaalbare signatuur?
13:53
I can tell you indeed it is,
338
818000
2000
Ik kan je vertellen dat het zo is,
13:55
because this type of spectrum, just like what you've seen in books,
339
820000
3000
omdat dit type spectrum, net als wat je gezien hebt bij de boeken
13:58
and just like what you've seen in amino acids,
340
823000
2000
en net als wat je hebt gezien bij aminozuren, zeer herhaalbaar is
14:00
it doesn't really matter how you change the environment, it's very robust;
341
825000
3000
zonder dat het uitmaakt hoe je het milieu verandert.
14:03
it's going to reflect the environment.
342
828000
2000
Het gaat een weerspiegeling zijn van zijn het milieu.
14:05
So I'm going to show you now a little experiment that we did.
343
830000
2000
Daarom ga ik jullie nu een klein experiment tonen.
14:07
And I have to explain to you,
344
832000
2000
Ik moet uitleggen dat
14:09
the top of this graph
345
834000
2000
de top van deze grafiek
14:11
shows you that frequency distribution that I talked about.
346
836000
3000
de frequentieverdeling laat zien waar ik het over had.
14:14
Here, in fact, that's the lifeless environment
347
839000
3000
Hier is het de levenloze omgeving
14:17
where each instruction occurs
348
842000
2000
waar elke instructie
14:19
at an equal frequency.
349
844000
2000
met een gelijke frequentie voorkomt.
14:21
And below there, I show, in fact,
350
846000
3000
Daar beneden toon ik
14:24
the mutation rate in the environment.
351
849000
3000
de mutatiesnelheid in de omgeving.
14:27
And I'm starting this at a mutation rate that is so high
352
852000
3000
Ik begin met een zeer hoge mutatiesnelheid.
14:30
that, even if you would drop
353
855000
2000
Als je er
14:32
a replicating program
354
857000
2000
een replicerend programma in gooit
14:34
that would otherwise happily grow up
355
859000
2000
dat anders graag zou opgroeien
14:36
to fill the entire world,
356
861000
2000
om de hele wereld te vullen,
14:38
if you drop it in, it gets mutated to death immediately.
357
863000
4000
gaat het zo snel muteren dat het onmiddellijk doodgaat.
14:42
So there is no life possible
358
867000
2000
Er is dus geen leven mogelijk
14:44
at that type of mutation rate.
359
869000
3000
bij deze mutatiesnelheid.
14:47
But then I'm going to slowly turn down the heat, so to speak,
360
872000
4000
Maar dan ga ik het bij wijze van spreken op een klein vuurtje zetten
14:51
and then there's this viability threshold
361
876000
2000
en dan stap je over de drempel voor levensvatbaarheid
14:53
where now it would be possible
362
878000
2000
waar het nu voor een replicator mogelijk zou zijn
14:55
for a replicator to actually live.
363
880000
2000
om daadwerkelijk te leven.
14:57
And indeed, we're going to be dropping these guys
364
882000
3000
We blijven dan doorgaan met deze jongens
15:00
into that soup all the time.
365
885000
2000
de hele tijd in die soep te gooien.
15:02
So let's see what that looks like.
366
887000
2000
Laten we eens kijken wat dat geeft.
15:04
So first, nothing, nothing, nothing.
367
889000
3000
Dus eerst, niets, niets, niets.
15:07
Too hot, too hot.
368
892000
2000
Te warm, te warm.
15:09
Now the viability threshold is reached,
369
894000
3000
Nu wordt de levensvatbaarheidsdrempel bereikt,
15:12
and the frequency distribution
370
897000
2000
de frequentieverdeling
15:14
has dramatically changed and, in fact, stabilizes.
371
899000
3000
verandert drastisch en stabiliseert.
15:17
And now what I did there
372
902000
2000
En dan doe ik iets vervelends.
15:19
is, I was being nasty, I just turned up the heat again and again.
373
904000
3000
Ik voeg opnieuw warmte toe en nog eens en nog eens.
15:22
And of course, it reaches the viability threshold.
374
907000
3000
Natuurlijk bereikt het de levensvatbaarheidsdrempel.
15:25
And I'm just showing this to you again because it's so nice.
375
910000
3000
Ik laat het jullie gewoon even opnieuw zien omdat het zo leuk is.
15:28
You hit the viability threshold.
376
913000
2000
Je overschrijdt de levensvatbaarheidsdrempel en
15:30
The distribution changes to "alive!"
377
915000
2000
de distributie verandert in 'levend!'
15:32
And then, once you hit the threshold
378
917000
3000
Maar zodra je de drempel
15:35
where the mutation rate is so high
379
920000
2000
waar de mutatiesnelheid zo hoog is
15:37
that you cannot self-reproduce,
380
922000
2000
dat je niet in staat bent tot zelfreproductie,
15:39
you cannot copy the information
381
924000
3000
kan je de informatie
15:42
forward to your offspring
382
927000
2000
niet meer naar je nageslacht kopiëren
15:44
without making so many mistakes
383
929000
2000
zonder zo veel fouten te maken
15:46
that your ability to replicate vanishes.
384
931000
3000
dat je vermogen om te repliceren verdwijnt.
15:49
And then that signature is lost.
385
934000
3000
Dan gaat die signatuur verloren.
15:52
What do we learn from that?
386
937000
2000
Wat leren we hieruit?
15:54
Well, I think we learn a number of things from that.
387
939000
4000
Een aantal dingen.
15:58
One of them is,
388
943000
2000
Een ervan is
16:00
if we are able to think about life
389
945000
3000
dat we in staat zijn om over het leven na te denken
16:03
in abstract terms --
390
948000
2000
in abstracte termen.
16:05
and we're not talking about things like plants,
391
950000
2000
We praten dan niet over zaken als planten,
16:07
and we're not talking about amino acids,
392
952000
2000
aminozuren,
16:09
and we're not talking about bacteria,
393
954000
2000
of bacteriën.
16:11
but we think in terms of processes --
394
956000
2000
We denken in termen van processen.
16:13
then we could start to think about life,
395
958000
3000
Dan kunnen we beginnen na te denken over het leven,
16:16
not as something that is so special to Earth,
396
961000
2000
niet als iets dat specifiek is voor de Aarde,
16:18
but that, in fact, could exist anywhere.
397
963000
3000
maar als iets dat in feite overal kan bestaan.
16:21
Because it really only has to do
398
966000
2000
Omdat het eigenlijk alleen maar vandoen heeft
16:23
with these concepts of information,
399
968000
2000
met concepten van informatie,
16:25
of storing information
400
970000
2000
van het opslaan van informatie
16:27
within physical substrates --
401
972000
2000
op fysische substraten.
16:29
anything: bits, nucleic acids,
402
974000
2000
Dat kunnen bits zijn of nucleïnezuren,
16:31
anything that's an alphabet --
403
976000
2000
alles wat een alfabet kan vormen.
16:33
and make sure that there's some process
404
978000
2000
Er moet een of ander proces bestaan
16:35
so that this information can be stored
405
980000
2000
zodat deze informatie lang kan worden opgeslagen.
16:37
for much longer than you would expect
406
982000
2000
Veel langer dan de tijd die nodig is
16:39
the time scales for the deterioration of information.
407
984000
4000
om de informatie teloor te laten gaan.
16:43
And if you can do that,
408
988000
2000
Als je dat kan doen,
16:45
then you have life.
409
990000
2000
dan heb je leven.
16:47
So the first thing that we learn
410
992000
2000
Het eerste wat we leren,
16:49
is that it is possible to define life
411
994000
3000
is dat het mogelijk is het leven te definiëren
16:52
in terms of processes alone,
412
997000
3000
in termen van alleen maar processen,
16:55
without referring at all
413
1000000
2000
zonder ook maar te verwijzen naar
16:57
to the type of things that we hold dear,
414
1002000
2000
het soort dingen die ons dierbaar zijn,
16:59
as far as the type of life on Earth is.
415
1004000
3000
voor zover de aard van het leven op aarde dat is.
17:02
And that in a sense removes us again,
416
1007000
3000
In die zin brengt ons dat weer,
17:05
like all of our scientific discoveries, or many of them --
417
1010000
3000
net zoals al onze wetenschappelijke ontdekkingen, of toch vele ervan -
17:08
it's this continuous dethroning of man --
418
1013000
2000
een stapje verder in de continue onttroning van de mens -
17:10
of how we think we're special because we're alive.
419
1015000
3000
van hoe we denken dat we speciaal zijn omdat we leven.
17:13
Well we can make life. We can make life in the computer.
420
1018000
3000
We kunnen leven maken. We kunnen leven maken in de computer.
17:16
Granted, it's limited,
421
1021000
2000
Toegegeven, het is maar beperkt,
17:18
but we have learned what it takes
422
1023000
3000
maar we hebben geleerd wat er nodig is
17:21
in order to actually construct it.
423
1026000
2000
om het echt te construeren.
17:23
And once we have that,
424
1028000
3000
Eens we zover zijn,
17:26
then it is not such a difficult task anymore
425
1031000
3000
is het niet zo'n moeilijke taak meer
17:29
to say, if we understand the fundamental processes
426
1034000
4000
om te zeggen dat, als we de fundamentele processen begrijpen
17:33
that do not refer to any particular substrate,
427
1038000
3000
die niet verwijzen naar een bepaald substraat,
17:36
then we can go out
428
1041000
2000
we kunnen proberen
17:38
and try other worlds,
429
1043000
2000
om er voor andere werelden
17:40
figure out what kind of chemical alphabets might there be,
430
1045000
4000
achter te komen wat voor soort chemische alfabetten er zouden kunnen zijn.
17:44
figure enough about the normal chemistry,
431
1049000
2000
We zullen genoeg te weten komen over de normale chemie,
17:46
the geochemistry of the planet,
432
1051000
3000
de geochemie van de planeet,
17:49
so that we know what this distribution would look like
433
1054000
2000
zodat we zouden weten hoe deze verdeling eruit zou zien
17:51
in the absence of life,
434
1056000
2000
bij afwezigheid van leven.
17:53
and then look for large deviations from this --
435
1058000
3000
Dan kunnen we zoeken naar grote afwijkingen daarvan -
17:56
this thing sticking out, which says,
436
1061000
3000
zo'n opvallend iets dat zegt:
17:59
"This chemical really shouldn't be there."
437
1064000
2000
'Deze chemische stof hoort daar niet.'
18:01
Now we don't know that there's life then,
438
1066000
2000
Dat betekent dan nog niet dat er leven is,
18:03
but we could say,
439
1068000
2000
maar we zouden kunnen zeggen:
18:05
"Well at least I'm going to have to take a look very precisely at this chemical
440
1070000
3000
'In ieder geval ga ik deze chemische stof eens nader bekijken
18:08
and see where it comes from."
441
1073000
2000
om te zien waar ze vandaan komt.'
18:10
And that might be our chance
442
1075000
2000
Dat zou ons een kans geven om
18:12
of actually discovering life
443
1077000
2000
leven te ontdekken
18:14
when we cannot visibly see it.
444
1079000
2000
ook als we het niet kunnen zien.
18:16
And so that's really the only take-home message
445
1081000
3000
Dat is dus de enige boodschap
18:19
that I have for you.
446
1084000
2000
die ik voor jullie heb.
18:21
Life can be less mysterious
447
1086000
2000
Leven zou wel eens minder mysterieus kunnen zijn
18:23
than we make it out to be
448
1088000
2000
dan we denken
18:25
when we try to think about how it would be on other planets.
449
1090000
4000
als we nadenken over hoe het zou zijn op andere planeten.
18:29
And if we remove the mystery of life,
450
1094000
3000
Als we het mysterieuze van het leven kunnen wegnemen,
18:32
then I think it is a little bit easier
451
1097000
3000
dan denk ik dat het voor ons een beetje makkelijker
18:35
for us to think about how we live,
452
1100000
2000
zal zijn om na te denken over hoe we leven
18:37
and how perhaps we're not as special as we always think we are.
453
1102000
3000
en hoe we misschien wel niet zo bijzonder zijn als we altijd gedacht hebben.
18:40
And I'm going to leave you with that.
454
1105000
2000
Ik hou het hierbij.
18:42
And thank you very much.
455
1107000
2000
Dank u zeer.
18:44
(Applause)
456
1109000
2000
(Applaus)
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