TEDxUIUC
Christoph Adami: Finding life we can't imagine
Christoph Adami: Poszukiwanie życia, którego nie jesteśmy w stanie sobie wyobrazić.
Filmed:
Readability: 3.7
652,149 views
Jak poszukiwać życia na innych planetach jeśli nie jest podobne do naszego? Na TEDxUIUC Christoph Adami pokazuje jak wykorzystuje swoje badania sztucznego życia, samoreplikujących się programów komputerowych, by znaleźć cechę szczególną, "biomarker" który uwolniłby nasze zrozumienie tego czym jest życie ze starych schematów.
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
Historia mojej kariery jest dziwna.
00:17
I know it because people come up to me, like colleagues,
1
2000
3000
Wiem o tym, bo ludzie mówią mi:
00:20
and say, "Chris, you have a strange career."
2
5000
2000
"Chris, masz dziwną karierę."
00:22
(Laughter)
3
7000
2000
(Śmiech)
00:24
And I can see their point,
4
9000
2000
Rozumiem ich punkt widzenia,
00:26
because I started my career
5
11000
2000
bo zaczynałem
00:28
as a theoretical nuclear physicist.
6
13000
2000
jako fizyk jądrowy.
00:30
And I was thinking about quarks and gluons
7
15000
2000
Myślałem o kwarkach i gluonach
00:32
and heavy ion collisions,
8
17000
2000
i zderzeniach ciężkich jonów
00:34
and I was only 14 years old.
9
19000
2000
już w wieku 14 lat.
00:36
No, no, I wasn't 14 years old.
10
21000
3000
Dobra, taki młody nie byłem.
00:40
But after that,
11
25000
2000
Później jednak miałem nawet
00:42
I actually had my own lab
12
27000
2000
własne laboratorium
00:44
in the computational neuroscience department,
13
29000
2000
na wydziale neurobiologii,
00:46
and I wasn't doing any neuroscience.
14
31000
2000
ale nie tym się zajmowałem.
00:48
Later, I would work on evolutionary genetics,
15
33000
3000
Potem pracowałem przy genetyce ewolucyjnej
00:51
and I would work on systems biology.
16
36000
2000
i zajmowałem się biologią systemową.
00:53
But I'm going to tell you about something else today.
17
38000
3000
Ale dziś opowiem o czymś innym.
00:56
I'm going to tell you
18
41000
2000
Opowiem jak nauczyłem się czegoś o życiu.
00:58
about how I learned something about life.
19
43000
2000
Opowiem jak nauczyłem się czegoś o życiu.
01:00
And I was actually a rocket scientist.
20
45000
4000
Zajmowałem się astronautyką.
01:04
I wasn't really a rocket scientist,
21
49000
2000
Wprawdzie nie budowałem rakiet,
01:06
but I was working
22
51000
2000
ale pracowałem w Labolatorium Napędu Odrzutowego
01:08
at the Jet Propulsion Laboratory
23
53000
2000
ale pracowałem w Labolatorium Napędu Odrzutowego
01:10
in sunny California where it's warm;
24
55000
3000
w słonecznej i ciepłej Kaliforni,
01:13
whereas now I'm in the mid-West,
25
58000
2000
a teraz jestem na środkowym zachodzie
01:15
and it's cold.
26
60000
2000
gdzie jest zimno.
01:17
But it was an exciting experience.
27
62000
3000
To było ekscytujące doświadczenie.
01:20
One day a NASA manager comes into my office,
28
65000
3000
Pewnego dnia menadżer NASA
01:23
sits down and says,
29
68000
3000
wszedł do mojego biura i poprosił,
01:26
"Can you please tell us,
30
71000
2000
żebym im powiedział,
01:28
how do we look for life outside Earth?"
31
73000
2000
jak należy szukać pozaziemskiego życia.
01:30
And that came as a surprise to me,
32
75000
2000
Zdziwiłem się, bo byłem zatrudniony
01:32
because I was actually hired
33
77000
2000
do pracy przy obliczeniach kwantowych.
01:34
to work on quantum computation.
34
79000
2000
do pracy przy obliczeniach kwantowych.
01:36
Yet, I had a very good answer.
35
81000
2000
Miałem gotową świetną odpowiedź:
01:38
I said, "I have no idea."
36
83000
3000
"Nie mam pojęcia."
01:41
And he told me, "Biosignatures,
37
86000
3000
Menadżer podpowiedział,
01:44
we need to look for a biosignature."
38
89000
2000
że trzeba szukać biosygnatury.
01:46
And I said, "What is that?"
39
91000
2000
Spytałem, co to takiego.
01:48
And he said, "It's any measurable phenomenon
40
93000
2000
"To wymierne zjawisko,
01:50
that allows us to indicate
41
95000
2000
które wskazuje na obecność życia."
01:52
the presence of life."
42
97000
2000
które wskazuje na obecność życia."
01:54
And I said, "Really?
43
99000
2000
Zdziwiony odpowiedziałem:
01:56
Because isn't that easy?
44
101000
2000
"To chyba proste?
01:58
I mean, we have life.
45
103000
2000
W końcu chodzi o życie.
02:00
Can't you apply a definition,
46
105000
2000
Wystarczy zastosować definicję,
02:02
like for example, a Supreme Court-like definition of life?"
47
107000
4000
jak w Sądzie Najwyższym, prawda?"
02:06
And then I thought about it a little bit, and I said,
48
111000
2000
Po chwili zastanowienia dodałem:
02:08
"Well, is it really that easy?
49
113000
2000
"Czy to na pewno takie łatwe?
02:10
Because, yes, if you see something like this,
50
115000
3000
Nie ulega wątpliwości,
02:13
then all right, fine, I'm going to call it life --
51
118000
2000
że coś takiego, to życie.
02:15
no doubt about it.
52
120000
2000
że coś takiego, to życie.
02:17
But here's something."
53
122000
2000
Ale to?"
02:19
And he goes, "Right, that's life too. I know that."
54
124000
3000
"Właśnie, to też życie."
02:22
Except, if you think life is also defined
55
127000
2000
Jeśli myślisz, że życie z definicji kończy się śmiercią,
02:24
by things that die,
56
129000
2000
Jeśli myślisz, że życie z definicji kończy się śmiercią,
02:26
you're not in luck with this thing,
57
131000
2000
to się przeliczyłeś,
02:28
because that's actually a very strange organism.
58
133000
2000
bo to bardzo dziwny organizm.
02:30
It grows up into the adult stage like that
59
135000
2000
Osiąga dorosłość,
02:32
and then goes through a Benjamin Button phase,
60
137000
3000
a potem, jak Benjamin Button,
02:35
and actually goes backwards and backwards
61
140000
2000
zaczyna młodnieć
02:37
until it's like a little embryo again,
62
142000
2000
aż do fazy embrionalnej,
02:39
and then actually grows back up, and back down and back up -- sort of yo-yo --
63
144000
3000
kiedy znów zaczyna się starzeć, jak jojo.
02:42
and it never dies.
64
147000
2000
Nigdy nie umiera.
02:44
So it's actually life,
65
149000
2000
To forma życia,
02:46
but it's actually not
66
151000
2000
ale niezgodna
02:48
as we thought life would be.
67
153000
3000
z naszymi oczekiwaniami.
02:51
And then you see something like that.
68
156000
2000
A potem widzicie coś takiego.
02:53
And he was like, "My God, what kind of a life form is that?"
69
158000
2000
"O rany, co to takiego?"
02:55
Anyone know?
70
160000
2000
Czy ktoś wie?
02:57
It's actually not life, it's a crystal.
71
162000
3000
To nie forma życia, a kryształ.
03:00
So once you start looking and looking
72
165000
2000
Ale gdy mu się lepiej przyjrzeć,
03:02
at smaller and smaller things --
73
167000
2000
patrząc coraz głębiej i głębiej...
03:04
so this particular person
74
169000
2000
Ktoś napisał artykuł o tym,
03:06
wrote a whole article and said, "Hey, these are bacteria."
75
171000
3000
że to są bakterie.
03:09
Except, if you look a little bit closer,
76
174000
2000
Ale jeśli się bliżej przyjrzeć,
03:11
you see, in fact, that this thing is way too small to be anything like that.
77
176000
3000
widać, że by się nie zmieściły.
03:14
So he was convinced,
78
179000
2000
Był pewien swoich racji,
03:16
but, in fact, most people aren't.
79
181000
2000
ale większość ludzi się z nim nie zgadza.
03:18
And then, of course,
80
183000
2000
Potem NASA oznajmiła z wielkim szumem,
03:20
NASA also had a big announcement,
81
185000
2000
Potem NASA oznajmiła z wielkim szumem,
03:22
and President Clinton gave a press conference,
82
187000
2000
a prezydent Clinton zwołał konferencję,
03:24
about this amazing discovery
83
189000
2000
że odkryto ślady życia na marsjańskim meteorycie.
03:26
of life in a Martian meteorite.
84
191000
3000
że odkryto ślady życia na marsjańskim meteorycie.
03:29
Except that nowadays, it's heavily disputed.
85
194000
4000
Dziś poddaje się to w wątpliwość.
03:33
If you take the lesson of all these pictures,
86
198000
3000
Reasumując, wydaje się,
03:36
then you realize, well actually maybe it's not that easy.
87
201000
2000
że zdefiniowanie życia jest trudne.
03:38
Maybe I do need
88
203000
2000
By wydać taki osąd,
03:40
a definition of life
89
205000
2000
niezbędna może się okazać definicja życia.
03:42
in order to make that kind of distinction.
90
207000
2000
niezbędna może się okazać definicja życia.
03:44
So can life be defined?
91
209000
2000
Czy życie można zdefiniować?
03:46
Well how would you go about it?
92
211000
2000
Jak się do tego zabrać?
03:48
Well of course,
93
213000
2000
Wystarczy otworzyć Encyklopedię PWN na Ż.
03:50
you'd go to Encyclopedia Britannica and open at L.
94
215000
2000
Wystarczy otworzyć Encyklopedię PWN na Ż.
03:52
No, of course you don't do that; you put it somewhere in Google.
95
217000
3000
Tyle że teraz użylibyśmy Google.
03:55
And then you might get something.
96
220000
3000
Może coś się tak znajdzie.
03:58
And what you might get --
97
223000
2000
Jednak okazuje się,
04:00
and anything that actually refers to things that we are used to,
98
225000
2000
że całą ogólnie przyjętą wiedzę należy odrzucić.
04:02
you throw away.
99
227000
2000
że całą ogólnie przyjętą wiedzę należy odrzucić.
04:04
And then you might come up with something like this.
100
229000
2000
Zostanie wtedy coś takiego.
04:06
And it says something complicated
101
231000
2000
To skomplikowany tekst,
04:08
with lots and lots of concepts.
102
233000
2000
z mnóstwem różnych pojęć.
04:10
Who on Earth would write something
103
235000
2000
Kto napisałby coś tak zawiłego, skomplikowanego
04:12
as convoluted and complex
104
237000
2000
Kto napisałby coś tak zawiłego, skomplikowanego
04:14
and inane?
105
239000
3000
i niedorzecznego?
04:17
Oh, it's actually a really, really, important set of concepts.
106
242000
4000
Tak naprawdę to bardzo ważne pojęcia.
04:21
So I'm highlighting just a few words
107
246000
3000
Podświetlę kilka z nich.
04:24
and saying definitions like that
108
249000
2000
Te definicje nie bazują
04:26
rely on things that are not based
109
251000
2000
na aminokwasach czy liściach,
04:28
on amino acids or leaves
110
253000
3000
na aminokwasach czy liściach,
04:31
or anything that we are used to,
111
256000
2000
ani innych znajomych rzeczach,
04:33
but in fact on processes only.
112
258000
2000
ale na procesach.
04:35
And if you take a look at that,
113
260000
2000
To książka, którą napisałem na temat sztucznego życia.
04:37
this was actually in a book that I wrote that deals with artificial life.
114
262000
3000
To książka, którą napisałem na temat sztucznego życia.
04:40
And that explains why
115
265000
2000
Macie więc wyjaśnienie,
04:42
that NASA manager was actually in my office to begin with.
116
267000
3000
czemu odwiedził mnie menadżer z NASA.
04:45
Because the idea was that, with concepts like that,
117
270000
3000
W zamyśle, dzięki tym pojęciom
04:48
maybe we can actually manufacture
118
273000
2000
możnaby wyprodukować jakąś formę życia.
04:50
a form of life.
119
275000
2000
możnaby wyprodukować jakąś formę życia.
04:52
And so if you go and ask yourself,
120
277000
3000
Jeśli zastanawiacie się,
04:55
"What on Earth is artificial life?",
121
280000
2000
czym jest sztuczne życie,
04:57
let me give you a whirlwind tour
122
282000
2000
to zaraz w skrócie wyjaśnię,
04:59
of how all this stuff came about.
123
284000
2000
jak się to wszystko zaczęło.
05:01
And it started out quite a while ago
124
286000
3000
Zaczęło się dawno temu,
05:04
when someone wrote
125
289000
2000
kiedy ktoś napisał pierwszego wirusa komputerowego.
05:06
one of the first successful computer viruses.
126
291000
2000
kiedy ktoś napisał pierwszego wirusa komputerowego.
05:08
And for those of you who aren't old enough,
127
293000
3000
Niektórzy z was mogą nie pamiętać,
05:11
you have no idea how this infection was working --
128
296000
3000
w jaki sposób wirusy się rozprzestrzeniały.
05:14
namely, through these floppy disks.
129
299000
2000
Nośnikami były dyskietki.
05:16
But the interesting thing about these computer virus infections
130
301000
3000
Najciekawsze w tych infekcjach było tempo
05:19
was that, if you look at the rate
131
304000
2000
Najciekawsze w tych infekcjach było tempo
05:21
at which the infection worked,
132
306000
2000
z jakim wirus się rozprzestrzeniał,
05:23
they show this spiky behavior
133
308000
2000
oraz fluktuacje infekcji,
05:25
that you're used to from a flu virus.
134
310000
3000
które znamy z wirusów grypy.
05:28
And it is in fact due to this arms race
135
313000
2000
Jest tak przez wyścig zbrojeń
05:30
between hackers and operating system designers
136
315000
3000
między designerami systemów operacyjnych
05:33
that things go back and forth.
137
318000
2000
a hakerami.
05:35
And the result is kind of a tree of life
138
320000
2000
W rezultacie mamy drzewo życia wirusów,
05:37
of these viruses,
139
322000
2000
W rezultacie mamy drzewo życia wirusów,
05:39
a phylogeny that looks very much
140
324000
3000
ich filogeneza wygląda bardzo znajomo,
05:42
like the type of life that we're used to, at least on the viral level.
141
327000
3000
w każdym razie na poziomie wirusowym.
05:45
So is that life? Not as far as I'm concerned.
142
330000
3000
Moim zdaniem to nie forma życia,
05:48
Why? Because these things don't evolve by themselves.
143
333000
3000
bo nie ewoluuje samoczynnie.
05:51
In fact, they have hackers writing them.
144
336000
2000
Piszą je hakerzy.
05:53
But the idea was taken very quickly a little bit further
145
338000
4000
Ten pomysł się rozwinął,
05:57
when a scientist working at the Scientific Institute decided,
146
342000
3000
gdy pracownik Scientific Institute zaproponował,
06:00
"Why don't we try to package these little viruses
147
345000
3000
żeby wgrać te wirusy
06:03
in artificial worlds inside of the computer
148
348000
2000
do sztucznej rzeczywistości
06:05
and let them evolve?"
149
350000
2000
i pozwolić im ewoluować.
06:07
And this was Steen Rasmussen.
150
352000
2000
To był Steen Rasmussen.
06:09
And he designed this system, but it really didn't work,
151
354000
2000
Nie zdało to egzaminu,
06:11
because his viruses were constantly destroying each other.
152
356000
3000
bo wirusy niszczyły się nawzajem.
06:14
But there was another scientist who had been watching this, an ecologist.
153
359000
3000
Ekolog, który się temu przyglądał,
06:17
And he went home and says, "I know how to fix this."
154
362000
3000
powiedział, że wie jak to naprawić.
06:20
And he wrote the Tierra system,
155
365000
2000
Napisał system Tierra,
06:22
and, in my book, is in fact one of the first
156
367000
3000
który uważam za jeden z pierwszych
06:25
truly artificial living systems --
157
370000
2000
sztucznych żywych systemów.
06:27
except for the fact that these programs didn't really grow in complexity.
158
372000
3000
Jednak programy te nie stawały się bardziej złożone.
06:30
So having seen this work, worked a little bit on this,
159
375000
3000
Po analizie dotychczasowych wyników
06:33
this is where I came in.
160
378000
2000
sam przystąpiłem do akcji.
06:35
And I decided to create a system
161
380000
2000
Postanowiłem stworzyć system,
06:37
that has all the properties that are necessary
162
382000
2000
który miałby wszystko co niezbędne,
06:39
to see the evolution of complexity,
163
384000
3000
by umożliwić ewolucję złożoności,
06:42
more and more complex problems constantly evolving.
164
387000
3000
ewolucję coraz bardziej złożonych problemów.
06:45
And of course, since I really don't know how to write code, I had help in this.
165
390000
3000
Nie umiem programować, więc potrzebowałem pomocy.
06:48
I had two undergraduate students
166
393000
2000
Pracowałem z dwoma studentami z Instytutu Technologii w Kalifornii.
06:50
at California Institute of Technology that worked with me.
167
395000
3000
Pracowałem z dwoma studentami z Instytutu Technologii w Kalifornii.
06:53
That's Charles Offria on the left, Titus Brown on the right.
168
398000
3000
Charles Offria po lewej i Tytus Brown po prawej.
06:56
They are now actually respectable professors
169
401000
3000
Są teraz szacownymi profesorami
06:59
at Michigan State University,
170
404000
2000
na Uniwersytecie Michigan,
07:01
but I can assure you, back in the day,
171
406000
2000
ale zapewniam was,
07:03
we were not a respectable team.
172
408000
2000
że wtedy nie byliśmy szacownym zespołem.
07:05
And I'm really happy that no photo survives
173
410000
2000
Cieszę się, że nie przetrwało żadne grupowe zdjęcie.
07:07
of the three of us anywhere close together.
174
412000
3000
Cieszę się, że nie przetrwało żadne grupowe zdjęcie.
07:10
But what is this system like?
175
415000
2000
Ale jak działał ten system?
07:12
Well I can't really go into the details,
176
417000
3000
Nie będę się wdawać w szczegóły,
07:15
but what you see here is some of the entrails.
177
420000
2000
ale tu widać jego części.
07:17
But what I wanted to focus on
178
422000
2000
Chciałem się skupić
07:19
is this type of population structure.
179
424000
2000
na strukturze populacji.
07:21
There's about 10,000 programs sitting here.
180
426000
3000
Mamy tu około 10 tys. programów.
07:24
And all different strains are colored in different colors.
181
429000
3000
Każdy szczep ma inny kolor.
07:27
And as you see here, there are groups that are growing on top of each other,
182
432000
3000
Widać grupy, które wyrastają na innych,
07:30
because they are spreading.
183
435000
2000
bo się rozprzestrzeniają.
07:32
Any time there is a program
184
437000
2000
Gdy pojawia się program,
07:34
that's better at surviving in this world,
185
439000
2000
który lepiej potrafi przetrwać
07:36
due to whatever mutation it has acquired,
186
441000
2000
dzięki nabytym mutacjom
07:38
it is going to spread over the others and drive the others to extinction.
187
443000
3000
rozprzestrzeni się na inne i je wypleni.
07:41
So I'm going to show you a movie where you're going to see that kind of dynamic.
188
446000
3000
Pokażę wam film, który to ilustruje.
07:44
And these kinds of experiments are started
189
449000
3000
Te eksperymenty są przeprowadzane
07:47
with programs that we wrote ourselves.
190
452000
2000
z naszymi własnymi programami.
07:49
We write our own stuff, replicate it,
191
454000
2000
Piszemy programy, powielamy je
07:51
and are very proud of ourselves.
192
456000
2000
i jesteśmy z siebie dumni.
07:53
And we put them in, and what you see immediately
193
458000
3000
Umieszczamy je tam i natychmiast widzimy
07:56
is that there are waves and waves of innovation.
194
461000
3000
wiele fal innowacji.
07:59
By the way, this is highly accelerated,
195
464000
2000
Film jest w dużym przyspieszeniu,
08:01
so it's like a thousand generations a second.
196
466000
2000
tysiące pokoleń na sekundę.
08:03
But immediately the system goes like,
197
468000
2000
Sytem natychmiast wykrywa
08:05
"What kind of dumb piece of code was this?
198
470000
2000
głupie fragmenty programu,
08:07
This can be improved upon in so many ways
199
472000
2000
które można szybko ulepszyć pod wieloma względami.
08:09
so quickly."
200
474000
2000
które można szybko ulepszyć pod wieloma względami.
08:11
So you see waves of new types
201
476000
2000
Widać nowe typy, które falami zastępują poprzednie.
08:13
taking over the other types.
202
478000
2000
Widać nowe typy, które falami zastępują poprzednie.
08:15
And this type of activity goes on for quite awhile,
203
480000
3000
Dzieje się tak przez jakiś czas,
08:18
until the main easy things have been acquired by these programs.
204
483000
4000
aż proste przystosowania zostaną przyswojone.
08:22
And then you see sort of like a stasis coming on
205
487000
4000
Potem następuje zastój,
08:26
where the system essentially waits
206
491000
2000
gdy system spokojnie czeka
08:28
for a new type of innovation, like this one,
207
493000
3000
na nowy typ innowacji, jak ten,
08:31
which is going to spread
208
496000
2000
który rozprzestrzeni się
08:33
over all the other innovations that were before
209
498000
2000
na wszystkie inne innowacje
08:35
and is erasing the genes that it had before,
210
500000
3000
i zastąpi ich geny,
08:38
until a new type of higher level of complexity has been achieved.
211
503000
4000
aż do uzyskania większej złożoności.
08:42
And this process goes on and on and on.
212
507000
3000
Dzieje się tak w kółko.
08:45
So what we see here
213
510000
2000
Mamy tutaj system,
08:47
is a system that lives
214
512000
2000
który żyje w znajomy nam sposób.
08:49
in very much the way we're used to life [going.]
215
514000
2000
który żyje w znajomy nam sposób.
08:51
But what the NASA people had asked me really
216
516000
4000
Jednak ludzie z NASA chcieli wiedzieć:
08:55
was, "Do these guys
217
520000
2000
"Czy one mają biosygnaturę?
08:57
have a biosignature?
218
522000
2000
"Czy one mają biosygnaturę?
08:59
Can we measure this type of life?
219
524000
2000
Czy to życie jest wymierne?
09:01
Because if we can,
220
526000
2000
Jeśli tak, to może mamy szansę
09:03
maybe we have a chance of actually discovering life somewhere else
221
528000
3000
na odkrycie życia gdzieś indziej,
09:06
without being biased
222
531000
2000
wolni od założeń, że życie
09:08
by things like amino acids."
223
533000
2000
opiera się na aminokwasach".
09:10
So I said, "Well, perhaps we should construct
224
535000
3000
Powiedziałem, że może da się stworzyć biosygnaturę
09:13
a biosignature
225
538000
2000
Powiedziałem, że może da się stworzyć biosygnaturę
09:15
based on life as a universal process.
226
540000
3000
opartą na życiu jako procesie uniwersalnym.
09:18
In fact, it should perhaps make use
227
543000
2000
Może powinniśmy zająć się pojęciami,
09:20
of the concepts that I developed
228
545000
2000
które rozwijałem,
09:22
just in order to sort of capture
229
547000
2000
by zilustrować jak może wyglądać prosty żywy system.
09:24
what a simple living system might be."
230
549000
2000
by zilustrować jak może wyglądać prosty żywy system.
09:26
And the thing I came up with --
231
551000
2000
Wymyśliłem...
09:28
I have to first give you an introduction about the idea,
232
553000
4000
Najpierw krótkie wprowadzenie,
09:32
and maybe that would be a meaning detector,
233
557000
3000
może to będzie wykrywacz znaczenia,
09:35
rather than a life detector.
234
560000
3000
a nie wykrywacz życia.
09:38
And the way we would do that --
235
563000
2000
Robi się to tak...
09:40
I would like to find out how I can distinguish
236
565000
2000
Chcę się dowiedzieć, jak odróżnić
09:42
text that was written by a million monkeys,
237
567000
2000
tekst napisany przez milion małp,
09:44
as opposed to text that [is] in our books.
238
569000
3000
od tekstów z naszych książek.
09:47
And I would like to do it in such a way
239
572000
2000
Chcę móc to zrobić
09:49
that I don't actually have to be able to read the language,
240
574000
2000
nie znając języka,
09:51
because I'm sure I won't be able to.
241
576000
2000
bo nie będziemy go znali.
09:53
As long as I know that there's some sort of alphabet.
242
578000
2000
Wystarczy, że będzie jakiś alfabet.
09:55
So here would be a frequency plot
243
580000
3000
Można zrobić wykres
09:58
of how often you find
244
583000
2000
częstości występowania
10:00
each of the 26 letters of the alphabet
245
585000
2000
każdej z 26 liter alfabetu
10:02
in a text written by random monkeys.
246
587000
3000
w tekście napisanym przez małpy.
10:05
And obviously each of these letters
247
590000
2000
Każda z tych liter pojawia się
10:07
comes off about roughly equally frequent.
248
592000
2000
z prawie tą samą częstotliwością.
10:09
But if you now look at the same distribution in English texts,
249
594000
4000
Ale jeśli spojrzeć na teksty w języku angielskim,
10:13
it looks like that.
250
598000
2000
widać coś takiego.
10:15
And I'm telling you, this is very robust across English texts.
251
600000
3000
W angielskich tekstach to bardzo widoczne.
10:18
And if I look at French texts, it looks a little bit different,
252
603000
2000
Teksty francuskie, włoskie czy niemieckie
10:20
or Italian or German.
253
605000
2000
są trochę inne.
10:22
They all have their own type of frequency distribution,
254
607000
3000
Każdy z nich ma inny rozkład częstości,
10:25
but it's robust.
255
610000
2000
ale różnice są widoczne.
10:27
It doesn't matter whether it writes about politics or about science.
256
612000
3000
Nie ważne czy mowa o polityce czy nauce.
10:30
It doesn't matter whether it's a poem
257
615000
3000
Nie ma znaczenia, czy to wiersz,
10:33
or whether it's a mathematical text.
258
618000
3000
czy tekst o matematyce.
10:36
It's a robust signature,
259
621000
2000
To silna sygnatura,
10:38
and it's very stable.
260
623000
2000
która jest bardzo stabilna.
10:40
As long as our books are written in English --
261
625000
2000
Dopóki nasze książki będą po angielsku,
10:42
because people are rewriting them and recopying them --
262
627000
3000
bo ludzie cały czas je piszą i kopiują,
10:45
it's going to be there.
263
630000
2000
będą zawierać sygnaturę.
10:47
So that inspired me to think about,
264
632000
2000
Zainspirowało mnie to do sprawdzenia,
10:49
well, what if I try to use this idea
265
634000
3000
Zainspirowało mnie to do sprawdzenia,
10:52
in order, not to detect random texts
266
637000
2000
czy można dzięki temu wykrywać znaczenie
10:54
from texts with meaning,
267
639000
2000
już nie w tekstach,
10:56
but rather detect the fact that there is meaning
268
641000
4000
lecz w biocząsteczkach będących budulcami życia.
11:00
in the biomolecules that make up life.
269
645000
2000
lecz w biocząsteczkach będących budulcami życia.
11:02
But first I have to ask:
270
647000
2000
Po pierwsze muszę spytać,
11:04
what are these building blocks, like the alphabet, elements that I showed you?
271
649000
3000
czym są te budulce życia, podobne do liter w alfabecie.
11:07
Well it turns out, we have many different alternatives
272
652000
3000
Okazuje się, że jest wiele alternatyw
11:10
for such a set of building blocks.
273
655000
2000
na zestaw budulców życia.
11:12
We could use amino acids,
274
657000
2000
Można użyć aminokwasów,
11:14
we could use nucleic acids, carboxylic acids, fatty acids.
275
659000
3000
kwasów nukleinowych, karboksylowych albo tłuszczowych.
11:17
In fact, chemistry's extremely rich, and our body uses a lot of them.
276
662000
3000
W naszych ciałach jest ich całe mnóstwo.
11:20
So that we actually, to test this idea,
277
665000
3000
By to przetestować, przyjrzeliśmy się aminokwasom
11:23
first took a look at amino acids and some other carboxylic acids.
278
668000
3000
i innym kwasom karboksylowym.
11:26
And here's the result.
279
671000
2000
Tu mamy rezultaty.
11:28
Here is, in fact, what you get
280
673000
3000
Oto jak wygląda dystrybucja aminokwasów
11:31
if you, for example, look at the distribution of amino acids
281
676000
3000
Oto jak wygląda dystrybucja aminokwasów
11:34
on a comet or in interstellar space
282
679000
3000
na komecie albo w przestrzeni międzygwiezdnej
11:37
or, in fact, in a laboratory,
283
682000
2000
albo w laboratorium, gdzie rygorystycznie dopilnowano,
11:39
where you made very sure that in your primordial soup
284
684000
2000
żeby w pierwotnej zupie
11:41
that there is not living stuff in there.
285
686000
2000
nie znalazły się żywe elementy.
11:43
What you find is mostly glycine and then alanine
286
688000
3000
Znajdziemy tam głównie glicynę i alaninę,
11:46
and there's some trace elements of the other ones.
287
691000
3000
oraz śladowe ilości innych związków.
11:49
That is also very robust --
288
694000
3000
To także wyraźnie widać
11:52
what you find in systems like Earth
289
697000
3000
w systemach takich, jak Ziemia,
11:55
where there are amino acids,
290
700000
2000
gdzie są aminokwasy,
11:57
but there is no life.
291
702000
2000
ale nie ma życia.
11:59
But suppose you take some dirt
292
704000
2000
Weźmy garść ziemi,
12:01
and dig through it
293
706000
2000
przekopmy się przez nią
12:03
and then put it into these spectrometers,
294
708000
3000
i potem włóżmy ją do spektrometru.
12:06
because there's bacteria all over the place;
295
711000
2000
Jest tam pełno bakterii.
12:08
or you take water anywhere on Earth,
296
713000
2000
Ziemska woda
12:10
because it's teaming with life,
297
715000
2000
też tętni życiem.
12:12
and you make the same analysis;
298
717000
2000
Ta sama analiza
12:14
the spectrum looks completely different.
299
719000
2000
pokazuje inne spektrum.
12:16
Of course, there is still glycine and alanine,
300
721000
4000
Nadal mamy glicynę i alaninę,
12:20
but in fact, there are these heavy elements, these heavy amino acids,
301
725000
3000
ale ciężkie pierwiastki, ciężkie aminokwasy
12:23
that are being produced
302
728000
2000
również są produkowane,
12:25
because these are valuable to the organism.
303
730000
2000
bo są cenne dla organizmu.
12:27
And some other ones
304
732000
2000
Są też inne,
12:29
that are not used in the set of 20,
305
734000
2000
nie używane w zestawie 20,
12:31
they will not appear at all
306
736000
2000
które się w ogóle nie pojawią,
12:33
in any type of concentration.
307
738000
2000
w żadnym stężeniu.
12:35
So this also turns out to be extremely robust.
308
740000
2000
Te różnice też są bardzo wyraźne.
12:37
It doesn't matter what kind of sediment you're using to grind up,
309
742000
3000
Rodzaj osadu nie ma znaczenia,
12:40
whether it's bacteria or any other plants or animals.
310
745000
3000
czy pochodzi od bakterii, roślin czy zwierząt.
12:43
Anywhere there's life,
311
748000
2000
Wszędzie, gdzie jest życie,
12:45
you're going to have this distribution,
312
750000
2000
dystrybucja wygląda tak,
12:47
as opposed to that distribution.
313
752000
2000
w przeciwieństwie do tej.
12:49
And it is detectable not just in amino acids.
314
754000
3000
Widać to nie tylko w aminokwasach.
12:52
Now you could ask:
315
757000
2000
Możecie teraz spytać
12:54
well, what about these Avidians?
316
759000
2000
a co z tymi Avidianami?
12:56
The Avidians being the denizens of this computer world
317
761000
4000
Avidiany to mieszkańcy świata komputerów,
13:00
where they are perfectly happy replicating and growing in complexity.
318
765000
3000
którzy bez trudu rozmnażają się i komplikują.
13:03
So this is the distribution that you get
319
768000
3000
Dostajemy taką dystrybucję;
13:06
if, in fact, there is no life.
320
771000
2000
nie ma tam życia.
13:08
They have about 28 of these instructions.
321
773000
3000
Mają 28 instrukcji.
13:11
And if you have a system where they're being replaced one by the other,
322
776000
3000
W systemie, gdzie jedna zastępują drugą,
13:14
it's like the monkeys writing on a typewriter.
323
779000
2000
są jak małpy piszące na maszynie.
13:16
Each of these instructions appears
324
781000
3000
Każda z tych instrukcji pojawia się równie często.
13:19
with roughly the equal frequency.
325
784000
3000
Każda z tych instrukcji pojawia się równie często.
13:22
But if you now take a set of replicating guys
326
787000
4000
Ale dla zbioru replikujących się "wirusów"
13:26
like in the video that you saw,
327
791000
2000
jak na filmie, który widzieliście,
13:28
it looks like this.
328
793000
2000
dystrybucja będzie wyglądała tak.
13:30
So there are some instructions
329
795000
2000
Niektóre instrukcje są bardzo cenne dla tych organizmów,
13:32
that are extremely valuable to these organisms,
330
797000
2000
Niektóre instrukcje są bardzo cenne dla tych organizmów,
13:34
and their frequency is going to be high.
331
799000
3000
więc będą pojawiały się częściej.
13:37
And there's actually some instructions
332
802000
2000
Mamy też instrukcje,
13:39
that you only use once, if ever.
333
804000
2000
które są prawie niewykorzystane.
13:41
So they are either poisonous
334
806000
2000
Albo są szkodliwe,
13:43
or really should be used at less of a level than random.
335
808000
4000
albo powinny występować rzadziej, niż wypada statystycznie.
13:47
In this case, the frequency is lower.
336
812000
3000
W tym wypadku spada częstość występowania.
13:50
And so now we can see, is that really a robust signature?
337
815000
3000
Czy to silna sygnatura?
13:53
I can tell you indeed it is,
338
818000
2000
Tak, bo ten typ spektrum jest taki sam,
13:55
because this type of spectrum, just like what you've seen in books,
339
820000
3000
jak ten z książek,
13:58
and just like what you've seen in amino acids,
340
823000
2000
i ten, który widzieliśmy przy aminokwasach,
14:00
it doesn't really matter how you change the environment, it's very robust;
341
825000
3000
zmiany środowiska nie mają znaczenia,
14:03
it's going to reflect the environment.
342
828000
2000
efekt będzie odpowiadał środowisku.
14:05
So I'm going to show you now a little experiment that we did.
343
830000
2000
Przedstawię wam nasz eksperyment.
14:07
And I have to explain to you,
344
832000
2000
Muszę wyjaśnić,
14:09
the top of this graph
345
834000
2000
że górna część wykresu
14:11
shows you that frequency distribution that I talked about.
346
836000
3000
pokazuje rozkład częstości, o którym mówiłem.
14:14
Here, in fact, that's the lifeless environment
347
839000
3000
To środowisko bez życia,
14:17
where each instruction occurs
348
842000
2000
każda instrukcja występuje równie często.
14:19
at an equal frequency.
349
844000
2000
każda instrukcja występuje równie często.
14:21
And below there, I show, in fact,
350
846000
3000
Pod spodem widać tempo mutacji w środowisku.
14:24
the mutation rate in the environment.
351
849000
3000
Na dole widać tempo mutacji w środowisku.
14:27
And I'm starting this at a mutation rate that is so high
352
852000
3000
Zaczynamy od mutacji tak szybkich,
14:30
that, even if you would drop
353
855000
2000
że umieszczony tam program replikujący,
14:32
a replicating program
354
857000
2000
że umieszczony tam program replikujący,
14:34
that would otherwise happily grow up
355
859000
2000
który gdzie indziej urósłby,
14:36
to fill the entire world,
356
861000
2000
żeby zająć cały świat,
14:38
if you drop it in, it gets mutated to death immediately.
357
863000
4000
teraz natychmiast zmutuje się na śmierć.
14:42
So there is no life possible
358
867000
2000
Życie nie może istnieć
14:44
at that type of mutation rate.
359
869000
3000
przy takim tempie mutacji.
14:47
But then I'm going to slowly turn down the heat, so to speak,
360
872000
4000
Teraz powoli "przykręcę gaz",
14:51
and then there's this viability threshold
361
876000
2000
i osiągniemy próg przeżywalności replikatora.
14:53
where now it would be possible
362
878000
2000
i osiągniemy próg przeżywalności replikatora.
14:55
for a replicator to actually live.
363
880000
2000
i osiągniemy próg przeżywalności replikatora.
14:57
And indeed, we're going to be dropping these guys
364
882000
3000
Będziemy je wrzucać
15:00
into that soup all the time.
365
885000
2000
do naszej zupy cały czas.
15:02
So let's see what that looks like.
366
887000
2000
Zobaczmy jak to wygląda.
15:04
So first, nothing, nothing, nothing.
367
889000
3000
Nic się nie dzieje.
15:07
Too hot, too hot.
368
892000
2000
Jest zbyt gorąco.
15:09
Now the viability threshold is reached,
369
894000
3000
A teraz granica zostaje osiągnięta,
15:12
and the frequency distribution
370
897000
2000
dystrybucja częstości zmieniła się i ustabilizowała.
15:14
has dramatically changed and, in fact, stabilizes.
371
899000
3000
dystrybucja częstości zmieniła się i ustabilizowała.
15:17
And now what I did there
372
902000
2000
A teraz byłem złośliwy
15:19
is, I was being nasty, I just turned up the heat again and again.
373
904000
3000
i znów podkręciłem im gaz.
15:22
And of course, it reaches the viability threshold.
374
907000
3000
Znów dotarły do granicy przeżywalności.
15:25
And I'm just showing this to you again because it's so nice.
375
910000
3000
Pokazuję wam to w kółko, bo to bardzo fajne.
15:28
You hit the viability threshold.
376
913000
2000
Gdy osiągnie się granicę życia,
15:30
The distribution changes to "alive!"
377
915000
2000
dystrybucja zmienia się na "żywy organizm!".
15:32
And then, once you hit the threshold
378
917000
3000
A gdy dosięgnie się granicy,
15:35
where the mutation rate is so high
379
920000
2000
tempo mutacji jest tak wysokie,
15:37
that you cannot self-reproduce,
380
922000
2000
że nie można się rozmnażać
15:39
you cannot copy the information
381
924000
3000
i przekazywać informacji
15:42
forward to your offspring
382
927000
2000
swojemu potomstwu
15:44
without making so many mistakes
383
929000
2000
bez popełniania tak wielu błędów,
15:46
that your ability to replicate vanishes.
384
931000
3000
że znika zdolność do replikacji.
15:49
And then that signature is lost.
385
934000
3000
Wtedy sygnatura ginie.
15:52
What do we learn from that?
386
937000
2000
Jaki z tego morał?
15:54
Well, I think we learn a number of things from that.
387
939000
4000
Jest ich kilka.
15:58
One of them is,
388
943000
2000
Po pierwsze, jeśli możemy myśleć o życiu
16:00
if we are able to think about life
389
945000
3000
Po pierwsze, jeśli możemy myśleć o życiu
16:03
in abstract terms --
390
948000
2000
w kategoriach abstrakcyjnych,
16:05
and we're not talking about things like plants,
391
950000
2000
a nie mówię tu o rzeczach takich jak rośliny,
16:07
and we're not talking about amino acids,
392
952000
2000
czy aminokwasy,
16:09
and we're not talking about bacteria,
393
954000
2000
ani bakterie,
16:11
but we think in terms of processes --
394
956000
2000
ale myśląc w kategoriach procesów,
16:13
then we could start to think about life,
395
958000
3000
wtedy postrzeżemy życie,
16:16
not as something that is so special to Earth,
396
961000
2000
nie jako coś właściwego tylko Ziemi
16:18
but that, in fact, could exist anywhere.
397
963000
3000
ale coś, co może istnieć wszędzie.
16:21
Because it really only has to do
398
966000
2000
Bo życie polega na informacji,
16:23
with these concepts of information,
399
968000
2000
na przechowywaniu informacji
16:25
of storing information
400
970000
2000
na fizycznych podłożach:.
16:27
within physical substrates --
401
972000
2000
na fizycznych podłożach:
16:29
anything: bits, nucleic acids,
402
974000
2000
bitach, kwasach nukleinowych,
16:31
anything that's an alphabet --
403
976000
2000
czymkolwiek, co może być alfabetem,
16:33
and make sure that there's some process
404
978000
2000
wystarczy, że jest jakiś proces,
16:35
so that this information can be stored
405
980000
2000
dzięki któremu informacja przetrwa dużo dłużej,
16:37
for much longer than you would expect
406
982000
2000
niż wynikałoby z typowego okresu degradacji.
16:39
the time scales for the deterioration of information.
407
984000
4000
niż wynikałoby z typowego okresu degradacji.
16:43
And if you can do that,
408
988000
2000
Jeśli da się to zrobić,
16:45
then you have life.
409
990000
2000
to mamy życie.
16:47
So the first thing that we learn
410
992000
2000
Po pierwsze uczymy się,
16:49
is that it is possible to define life
411
994000
3000
że można zdefiniować życie
16:52
in terms of processes alone,
412
997000
3000
dzięki samym procesom,
16:55
without referring at all
413
1000000
2000
bez odniesień do rzeczy,
16:57
to the type of things that we hold dear,
414
1002000
2000
które są nam bliskie,
16:59
as far as the type of life on Earth is.
415
1004000
3000
jak typ życia na Ziemi.
17:02
And that in a sense removes us again,
416
1007000
3000
To znów zmienia naszą perspektywę,
17:05
like all of our scientific discoveries, or many of them --
417
1010000
3000
jak większość odkryć naukowych,
17:08
it's this continuous dethroning of man --
418
1013000
2000
to ciągła detronizacja człowieka,
17:10
of how we think we're special because we're alive.
419
1015000
3000
przekonanie, że jesteśmy wyjątkowi, bo żyjemy.
17:13
Well we can make life. We can make life in the computer.
420
1018000
3000
Możemy tworzyć życie w komputerze.
17:16
Granted, it's limited,
421
1021000
2000
Ma to swoje granice,
17:18
but we have learned what it takes
422
1023000
3000
ale nauczyliśmy się,
17:21
in order to actually construct it.
423
1026000
2000
jak na prawdę je stworzyć.
17:23
And once we have that,
424
1028000
3000
Kiedy się to uda,
17:26
then it is not such a difficult task anymore
425
1031000
3000
przestaje być trudne stwierdzenie,
17:29
to say, if we understand the fundamental processes
426
1034000
4000
że jeśli zrozumiemy podstawowe procesy,
17:33
that do not refer to any particular substrate,
427
1038000
3000
które nie odnoszą się do konkretnego podłoża,
17:36
then we can go out
428
1041000
2000
możemy zacząć badać inne światy,
17:38
and try other worlds,
429
1043000
2000
możemy zacząć badać inne światy,
17:40
figure out what kind of chemical alphabets might there be,
430
1045000
4000
odkryć potencjalne alfabety chemiczne,
17:44
figure enough about the normal chemistry,
431
1049000
2000
zrozumieć zwyczajną chemię
17:46
the geochemistry of the planet,
432
1051000
3000
i geochemię danej planety,
17:49
so that we know what this distribution would look like
433
1054000
2000
by wiedzieć, jak wygląda dystrybucja tam,
17:51
in the absence of life,
434
1056000
2000
gdzie życia nie ma,
17:53
and then look for large deviations from this --
435
1058000
3000
a potem odnaleźć odchylenia,
17:56
this thing sticking out, which says,
436
1061000
3000
rzeczy, które są nietypowe,
17:59
"This chemical really shouldn't be there."
437
1064000
2000
np. "tego związku nie powinno tam być".
18:01
Now we don't know that there's life then,
438
1066000
2000
Nie wiemy, czy to życie,
18:03
but we could say,
439
1068000
2000
ale możemy zdecydować,
18:05
"Well at least I'm going to have to take a look very precisely at this chemical
440
1070000
3000
że przyjrzymy się tym związkom bliżej,
18:08
and see where it comes from."
441
1073000
2000
by zobaczyć skąd pochodzą.
18:10
And that might be our chance
442
1075000
2000
To może być nasza szansa
18:12
of actually discovering life
443
1077000
2000
na odkrycie życia,
18:14
when we cannot visibly see it.
444
1079000
2000
nawet gdy go nie widać.
18:16
And so that's really the only take-home message
445
1081000
3000
Mam dla was tylko jedno przesłanie.
18:19
that I have for you.
446
1084000
2000
Mam dla was tylko jedno przesłanie.
18:21
Life can be less mysterious
447
1086000
2000
Życie może być mniej tajemnicze,
18:23
than we make it out to be
448
1088000
2000
niż je sobie przedstawiamy,
18:25
when we try to think about how it would be on other planets.
449
1090000
4000
gdy spekulujemy, jak może wyglądać na innych planetach.
18:29
And if we remove the mystery of life,
450
1094000
3000
Gdy odjąć mu tajemniczość,
18:32
then I think it is a little bit easier
451
1097000
3000
myślenie o tym, jak żyjemy
18:35
for us to think about how we live,
452
1100000
2000
może stać się prostsze.
18:37
and how perhaps we're not as special as we always think we are.
453
1102000
3000
Może zauważymy, że nie jesteśmy tacy wyjątkowi.
18:40
And I'm going to leave you with that.
454
1105000
2000
Z tym was zostawię.
18:42
And thank you very much.
455
1107000
2000
Bardzo dziękuję.
18:44
(Applause)
456
1109000
2000
(Brawa)
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