TEDxUIUC
Christoph Adami: Finding life we can't imagine
Christoph Adami: Encontrando vida que não podemos imaginar
Filmed:
Readability: 3.7
652,149 views
Como pesquisamos por vida alienígena se ela não se parece em nada com aquilo que conhecemos? No TEDxUIUC, Christoph Adami demonstra como ele usa sua pesquisa sobre vida artificial -- programas computadorizados de auto-replicação -- para encontrar uma assinatura, um "biomarcador", livre de nossas preconcepções do que é vida.
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
Tenho uma estranha carreira.
00:17
I know it because people come up to me, like colleagues,
1
2000
3000
Sei disso porque as pessoas chegam-se a mim, como os colegas,
00:20
and say, "Chris, you have a strange career."
2
5000
2000
e dizem: "Chris, você tem uma estranha carreira."
00:22
(Laughter)
3
7000
2000
(Risadas)
00:24
And I can see their point,
4
9000
2000
E posso entender seu ponto de vista,
00:26
because I started my career
5
11000
2000
porque comecei minha carreira
00:28
as a theoretical nuclear physicist.
6
13000
2000
como um físico nuclear teórico.
00:30
And I was thinking about quarks and gluons
7
15000
2000
E pensava em quarks e glúons
00:32
and heavy ion collisions,
8
17000
2000
e colisões de íons pesados,
00:34
and I was only 14 years old.
9
19000
2000
e eu tinha apenas 14 anos.
00:36
No, no, I wasn't 14 years old.
10
21000
3000
Não, não, eu não tinha 14 anos.
00:40
But after that,
11
25000
2000
Mas depois disso,
00:42
I actually had my own lab
12
27000
2000
eu realmente tinha meu laboratório próprio
00:44
in the computational neuroscience department,
13
29000
2000
no departamento de neurociência computacional,
00:46
and I wasn't doing any neuroscience.
14
31000
2000
e não fazia nenhuma neurociência.
00:48
Later, I would work on evolutionary genetics,
15
33000
3000
Mais tarde, eu trabalharia com genética evolucionária
00:51
and I would work on systems biology.
16
36000
2000
e trabalharia com sistemas de biologia.
00:53
But I'm going to tell you about something else today.
17
38000
3000
Mas vou falar sobre outra coisa hoje.
00:56
I'm going to tell you
18
41000
2000
Vou contar-lhes
00:58
about how I learned something about life.
19
43000
2000
como aprendi algo sobre vida.
01:00
And I was actually a rocket scientist.
20
45000
4000
Eu era, na verdade, um cientista de foguetes.
01:04
I wasn't really a rocket scientist,
21
49000
2000
Eu não era realmente um cientista de foguetes,
01:06
but I was working
22
51000
2000
mas estava trabalhando
01:08
at the Jet Propulsion Laboratory
23
53000
2000
no Laboratório de Propulsão a Jato
01:10
in sunny California where it's warm;
24
55000
3000
na ensolarada Califórnia, onde é quente;
01:13
whereas now I'm in the mid-West,
25
58000
2000
enquanto que agora estou no meio Oeste,
01:15
and it's cold.
26
60000
2000
e é frio.
01:17
But it was an exciting experience.
27
62000
3000
Mas foi uma experiência excitante.
01:20
One day a NASA manager comes into my office,
28
65000
3000
Um dia um gerente da NASA veio ao meu escritório,
01:23
sits down and says,
29
68000
3000
sentou-se e disse:
01:26
"Can you please tell us,
30
71000
2000
"Você poderia, por favor, dizer-nos
01:28
how do we look for life outside Earth?"
31
73000
2000
como procuramos por vida fora da Terra?"
01:30
And that came as a surprise to me,
32
75000
2000
E aquilo foi uma surpresa para mim,
01:32
because I was actually hired
33
77000
2000
porque, de fato, eu fui contratado
01:34
to work on quantum computation.
34
79000
2000
para trabalhar em computação quântica.
01:36
Yet, I had a very good answer.
35
81000
2000
Mesmo assim, eu tinha uma boa reposta.
01:38
I said, "I have no idea."
36
83000
3000
Disse: "Não faço ideia."
01:41
And he told me, "Biosignatures,
37
86000
3000
E ele me disse: "Bioassinaturas,
01:44
we need to look for a biosignature."
38
89000
2000
precisamos procurar por uma bioassinatura."
01:46
And I said, "What is that?"
39
91000
2000
E eu disse: "O que é isso?"
01:48
And he said, "It's any measurable phenomenon
40
93000
2000
E ele disse: "É qualquer fenômeno mensurável
01:50
that allows us to indicate
41
95000
2000
que nos permita indicar
01:52
the presence of life."
42
97000
2000
a presença de vida."
01:54
And I said, "Really?
43
99000
2000
E eu disse: "Verdade?
01:56
Because isn't that easy?
44
101000
2000
Porque não é tão fácil?
01:58
I mean, we have life.
45
103000
2000
Quero dizer, temos vida.
02:00
Can't you apply a definition,
46
105000
2000
Você não pode aplicar uma definição,
02:02
like for example, a Supreme Court-like definition of life?"
47
107000
4000
como por exemplo, uma definição de vida, como da Suprema Corte?"
02:06
And then I thought about it a little bit, and I said,
48
111000
2000
Então pensei um pouco nisso e disse:
02:08
"Well, is it really that easy?
49
113000
2000
"Bem, é assim tão fácil?
02:10
Because, yes, if you see something like this,
50
115000
3000
Porque, sim, se você vê algo como isto,
02:13
then all right, fine, I'm going to call it life --
51
118000
2000
então, tudo bem, vou chamá-lo de vida --
02:15
no doubt about it.
52
120000
2000
nenhuma dúvida sobre isso.
02:17
But here's something."
53
122000
2000
Mas aqui há algo."
02:19
And he goes, "Right, that's life too. I know that."
54
124000
3000
E ele continua: "Certo, isso é vida também. Sei disso."
02:22
Except, if you think life is also defined
55
127000
2000
Exceto que, se você pensa que vida é também definida
02:24
by things that die,
56
129000
2000
por coisas que morrem,
02:26
you're not in luck with this thing,
57
131000
2000
você não tem muita sorte com essa coisa,
02:28
because that's actually a very strange organism.
58
133000
2000
porque esse é realmente um organismo muito estranho.
02:30
It grows up into the adult stage like that
59
135000
2000
Cresce assim para o estágio adulto
02:32
and then goes through a Benjamin Button phase,
60
137000
3000
e então vai para um período Benjamin Button
02:35
and actually goes backwards and backwards
61
140000
2000
e, na verdade, retrocede e retrocede
02:37
until it's like a little embryo again,
62
142000
2000
até ficar como um pequeno embrião novamente,
02:39
and then actually grows back up, and back down and back up -- sort of yo-yo --
63
144000
3000
então realmente cresce, encolhe, cresce - tipo ioiô --
02:42
and it never dies.
64
147000
2000
e nunca morre.
02:44
So it's actually life,
65
149000
2000
Então é realmente vida,
02:46
but it's actually not
66
151000
2000
mas não é realmente
02:48
as we thought life would be.
67
153000
3000
como pensamos que vida seja.
02:51
And then you see something like that.
68
156000
2000
Então você vê algo como isso.
02:53
And he was like, "My God, what kind of a life form is that?"
69
158000
2000
E ele pensava: "Meu Deus, que tipo de forma de vida é isso?"
02:55
Anyone know?
70
160000
2000
Alguém sabe?
02:57
It's actually not life, it's a crystal.
71
162000
3000
Não é realmente vida, é um cristal.
03:00
So once you start looking and looking
72
165000
2000
Então, uma vez que você começa a olhar e observar
03:02
at smaller and smaller things --
73
167000
2000
coisas cada vez menores --
03:04
so this particular person
74
169000
2000
então essa pessoa em particular
03:06
wrote a whole article and said, "Hey, these are bacteria."
75
171000
3000
escreveu um artigo inteiro e disse: "Ei, essas são bactérias."
03:09
Except, if you look a little bit closer,
76
174000
2000
Exceto que, se você olha um pouquinho mais perto,
03:11
you see, in fact, that this thing is way too small to be anything like that.
77
176000
3000
você vê, de fato, que essa coisa é muito pequena para ser qualquer coisa como isso.
03:14
So he was convinced,
78
179000
2000
Então ele estava convencido,
03:16
but, in fact, most people aren't.
79
181000
2000
mas, de fato, a maioria das pessoas não está.
03:18
And then, of course,
80
183000
2000
E então, é claro,
03:20
NASA also had a big announcement,
81
185000
2000
a NASA também tinha um anúncio importante,
03:22
and President Clinton gave a press conference,
82
187000
2000
e o presidente Clinton deu uma entrevista coletiva,
03:24
about this amazing discovery
83
189000
2000
sobre essa surpreendente descoberta
03:26
of life in a Martian meteorite.
84
191000
3000
de vida em um meteorito marciano.
03:29
Except that nowadays, it's heavily disputed.
85
194000
4000
Exceto pelo fato de que hoje em dia é altamente contraditória.
03:33
If you take the lesson of all these pictures,
86
198000
3000
Se você atenta para as lições de todos esses quadros,
03:36
then you realize, well actually maybe it's not that easy.
87
201000
2000
então você percebe, bem, de fato pode não ser tão fácil.
03:38
Maybe I do need
88
203000
2000
Talvez eu realmente precise
03:40
a definition of life
89
205000
2000
de uma definição de vida
03:42
in order to make that kind of distinction.
90
207000
2000
para fazer esse tipo de distinção.
03:44
So can life be defined?
91
209000
2000
Então, vida pode ser definida?
03:46
Well how would you go about it?
92
211000
2000
O que vocês diriam?
03:48
Well of course,
93
213000
2000
É claro,
03:50
you'd go to Encyclopedia Britannica and open at L.
94
215000
2000
vocês iriam à Enciclopédia Britânica e abririam na letra V.
03:52
No, of course you don't do that; you put it somewhere in Google.
95
217000
3000
Não, é claro que vocês não fazem isso; vocês põem isso no Google.
03:55
And then you might get something.
96
220000
3000
Então você pode obter alguma coisa.
03:58
And what you might get --
97
223000
2000
E aquilo que você pode obter --
04:00
and anything that actually refers to things that we are used to,
98
225000
2000
e qualquer coisa que realmente se refira a coisas a que estamos acostumados,
04:02
you throw away.
99
227000
2000
você joga fora.
04:04
And then you might come up with something like this.
100
229000
2000
Então você pode descobrir algo como isto.
04:06
And it says something complicated
101
231000
2000
Diz alguma coisa complicada
04:08
with lots and lots of concepts.
102
233000
2000
com muitos e muitos conceitos.
04:10
Who on Earth would write something
103
235000
2000
Quem na Terra escreveria algo
04:12
as convoluted and complex
104
237000
2000
tão intrincado, complexo
04:14
and inane?
105
239000
3000
e sem nexo?
04:17
Oh, it's actually a really, really, important set of concepts.
106
242000
4000
Oh, é na verdade um conjunto de conceitos muito, muito importante.
04:21
So I'm highlighting just a few words
107
246000
3000
Estou destacando apenas umas poucas palavras
04:24
and saying definitions like that
108
249000
2000
e dizendo que definições como essas
04:26
rely on things that are not based
109
251000
2000
apoiam-se em coisas que não estão baseadas
04:28
on amino acids or leaves
110
253000
3000
em aminoácidos ou folhas
04:31
or anything that we are used to,
111
256000
2000
ou em qualquer coisa a que estejamos acostumados,
04:33
but in fact on processes only.
112
258000
2000
mas, de fato, apenas em processos.
04:35
And if you take a look at that,
113
260000
2000
E se você obsevar,
04:37
this was actually in a book that I wrote that deals with artificial life.
114
262000
3000
isso estava, na verdade, em um livro que escrevi que trata de vida artificial.
04:40
And that explains why
115
265000
2000
E isso explica por que
04:42
that NASA manager was actually in my office to begin with.
116
267000
3000
aquele gerente da NASA estava em meu escritório, para começar.
04:45
Because the idea was that, with concepts like that,
117
270000
3000
Porque a ideia era que, com conceitos como esse,
04:48
maybe we can actually manufacture
118
273000
2000
talvez possamos realmente produzir
04:50
a form of life.
119
275000
2000
uma forma de vida.
04:52
And so if you go and ask yourself,
120
277000
3000
E se você se perguntar:
04:55
"What on Earth is artificial life?",
121
280000
2000
"O que, diabos, é vida artificial?",
04:57
let me give you a whirlwind tour
122
282000
2000
deixe-me levá-lo por um passeio que é um turbilhão
04:59
of how all this stuff came about.
123
284000
2000
sobre como tudo isso apareceu.
05:01
And it started out quite a while ago
124
286000
3000
E começou um bom tempo atrás
05:04
when someone wrote
125
289000
2000
quando alguém escreveu
05:06
one of the first successful computer viruses.
126
291000
2000
um dos primeiros vírus de computador bem sucedido.
05:08
And for those of you who aren't old enough,
127
293000
3000
E para aqueles que não são muito velhos,
05:11
you have no idea how this infection was working --
128
296000
3000
vocês não têm ideia de como essa infecção trabalhava --
05:14
namely, through these floppy disks.
129
299000
2000
notadamente, através desses disquetes.
05:16
But the interesting thing about these computer virus infections
130
301000
3000
Mas a coisa interessante sobre essas infecções virais de computador
05:19
was that, if you look at the rate
131
304000
2000
era que, se você olha para o ritmo
05:21
at which the infection worked,
132
306000
2000
com que a infecção trabalhava,
05:23
they show this spiky behavior
133
308000
2000
ele mostra esse comportamento pontiagudo
05:25
that you're used to from a flu virus.
134
310000
3000
que conhecemos do vírus da gripe.
05:28
And it is in fact due to this arms race
135
313000
2000
E isso, de fato, se deve à queda de braço
05:30
between hackers and operating system designers
136
315000
3000
entre hackers e designers de sistemas operacionais
05:33
that things go back and forth.
137
318000
2000
para que as coisas avancem e recuem.
05:35
And the result is kind of a tree of life
138
320000
2000
E o resultado é um tipo de árvore da vida
05:37
of these viruses,
139
322000
2000
desses vírus,
05:39
a phylogeny that looks very much
140
324000
3000
uma filogenia que se parece muito
05:42
like the type of life that we're used to, at least on the viral level.
141
327000
3000
com o tipo de vida a que estamos acostumados, ao menos no nível viral.
05:45
So is that life? Not as far as I'm concerned.
142
330000
3000
Então isso é vida? Não que eu saiba.
05:48
Why? Because these things don't evolve by themselves.
143
333000
3000
Por que? Porque essas coisas não evoluem por elas mesmas.
05:51
In fact, they have hackers writing them.
144
336000
2000
Na verdade, elas têm hackers que as escrevem.
05:53
But the idea was taken very quickly a little bit further
145
338000
4000
Mas a ideia foi tomada muito rapidamente, um pouco depois,
05:57
when a scientist working at the Scientific Institute decided,
146
342000
3000
quando um cientista trabalhando no Instituto Científico decidiu:
06:00
"Why don't we try to package these little viruses
147
345000
3000
"Por que não tentamos empacotar esses pequenos vírus
06:03
in artificial worlds inside of the computer
148
348000
2000
em mundos artificiais dentro do computador
06:05
and let them evolve?"
149
350000
2000
e os deixamos evoluir?"
06:07
And this was Steen Rasmussen.
150
352000
2000
E esse era Steen Rasmussen.
06:09
And he designed this system, but it really didn't work,
151
354000
2000
Ele desenhou esse sistema, mas realmente não funcionou,
06:11
because his viruses were constantly destroying each other.
152
356000
3000
porque seus vírus estavam constantemente destruindo um ao outro.
06:14
But there was another scientist who had been watching this, an ecologist.
153
359000
3000
Mas havia um outro cientista que observava isso, um ecologista.
06:17
And he went home and says, "I know how to fix this."
154
362000
3000
Ele foi para casa e disse: "Sei como arrumar isso."
06:20
And he wrote the Tierra system,
155
365000
2000
E ele escreveu o sistema Tierra,
06:22
and, in my book, is in fact one of the first
156
367000
3000
e, em meu livro, é de fato um dos primeiros
06:25
truly artificial living systems --
157
370000
2000
sistemas de vida verdadeiramente artificial --
06:27
except for the fact that these programs didn't really grow in complexity.
158
372000
3000
exceto pelo fato de que esses programas realmente não crescem em complexidade.
06:30
So having seen this work, worked a little bit on this,
159
375000
3000
Então, tendo visto essa atividade, trabalhado um pouco nisso,
06:33
this is where I came in.
160
378000
2000
aqui é que apareço.
06:35
And I decided to create a system
161
380000
2000
E decidi criar um sistema
06:37
that has all the properties that are necessary
162
382000
2000
que tenha todas a propriedades que são necessárias
06:39
to see the evolution of complexity,
163
384000
3000
para permitir a evolução da complexidade,
06:42
more and more complex problems constantly evolving.
164
387000
3000
mais e mais problemas complexos constantemente evoluindo.
06:45
And of course, since I really don't know how to write code, I had help in this.
165
390000
3000
E, é claro, como não sei como escrever um código, tive ajuda nisso.
06:48
I had two undergraduate students
166
393000
2000
Eu tinha dois estudantes de graduação,
06:50
at California Institute of Technology that worked with me.
167
395000
3000
no Instituto de Tecnologia da Califórnia, que trabalharam comigo.
06:53
That's Charles Offria on the left, Titus Brown on the right.
168
398000
3000
Esse é Charles Offria, à esquerda; Titus Brown, à direita.
06:56
They are now actually respectable professors
169
401000
3000
Agora eles são professores respeitáveis
06:59
at Michigan State University,
170
404000
2000
na Universidade Estadual de Michigan,
07:01
but I can assure you, back in the day,
171
406000
2000
mas posso assegurar-lhes, àquela época,
07:03
we were not a respectable team.
172
408000
2000
não éramos uma equipe respeitável.
07:05
And I'm really happy that no photo survives
173
410000
2000
E fico realmente feliz que não tenham sobrevivido fotos
07:07
of the three of us anywhere close together.
174
412000
3000
de nós três juntos em qualquer lugar.
07:10
But what is this system like?
175
415000
2000
Mas, como é esse sistema?
07:12
Well I can't really go into the details,
176
417000
3000
Bem, não posso realmente entrar em detalhes,
07:15
but what you see here is some of the entrails.
177
420000
2000
mas o que veem aqui é algo de suas entranhas.
07:17
But what I wanted to focus on
178
422000
2000
O que eu queria focar
07:19
is this type of population structure.
179
424000
2000
é esse tipo de estrutura populacional.
07:21
There's about 10,000 programs sitting here.
180
426000
3000
Há aproximadamente 10.000 programas assentados aqui.
07:24
And all different strains are colored in different colors.
181
429000
3000
E todas as cepas diferentes são colorizadas em cores diferentes.
07:27
And as you see here, there are groups that are growing on top of each other,
182
432000
3000
E como podem ver aqui, há grupos que estão crescendo no topo um do outro,
07:30
because they are spreading.
183
435000
2000
porque estão se espalhando.
07:32
Any time there is a program
184
437000
2000
A qualquer tempo, surge um programa
07:34
that's better at surviving in this world,
185
439000
2000
que é melhor para sobreviver nesse mundo,
07:36
due to whatever mutation it has acquired,
186
441000
2000
devido a seja lá qual for a mutação que ele adquiriu,
07:38
it is going to spread over the others and drive the others to extinction.
187
443000
3000
vai se espalhar sobre os outros e levá-los à extinção.
07:41
So I'm going to show you a movie where you're going to see that kind of dynamic.
188
446000
3000
Vou mostrar-lhes um filme no qual vocês verão esse tipo de dinâmica.
07:44
And these kinds of experiments are started
189
449000
3000
E esses tipos de experimentos são iniciados
07:47
with programs that we wrote ourselves.
190
452000
2000
com programas que nós mesmos escrevemos.
07:49
We write our own stuff, replicate it,
191
454000
2000
Escrevemos nossas próprias coisas, nós as replicamos,
07:51
and are very proud of ourselves.
192
456000
2000
e estamos muito orgulhosos de nós mesmos.
07:53
And we put them in, and what you see immediately
193
458000
3000
E os pomos em ação, e o que você vê imediatamente
07:56
is that there are waves and waves of innovation.
194
461000
3000
é que há ondas e ondas de inovação.
07:59
By the way, this is highly accelerated,
195
464000
2000
A propósito, isto está altamente acelerado,
08:01
so it's like a thousand generations a second.
196
466000
2000
então é como mil gerações por segundo.
08:03
But immediately the system goes like,
197
468000
2000
Mas imediatamente o sistema se pergunta:
08:05
"What kind of dumb piece of code was this?
198
470000
2000
"Que tipo de pedaço de código idiota era esse?
08:07
This can be improved upon in so many ways
199
472000
2000
Isso pode ser melhorado de tantas maneiras
08:09
so quickly."
200
474000
2000
tão rapidamente."
08:11
So you see waves of new types
201
476000
2000
Então você vê ondas de novos tipos
08:13
taking over the other types.
202
478000
2000
sobrepujando os outros tipos.
08:15
And this type of activity goes on for quite awhile,
203
480000
3000
E esse tipo de atividade prossegue por um bom tempo,
08:18
until the main easy things have been acquired by these programs.
204
483000
4000
até que as principais coisas simples tenham sido adquiridas por esses programas.
08:22
And then you see sort of like a stasis coming on
205
487000
4000
Então, você vê um tipo de estagnação surgindo
08:26
where the system essentially waits
206
491000
2000
na qual o sistema essencialmente espera
08:28
for a new type of innovation, like this one,
207
493000
3000
por um novo tipo de inovação, como esta,
08:31
which is going to spread
208
496000
2000
que vai se espalhar
08:33
over all the other innovations that were before
209
498000
2000
por sobre todas as outras inovações que existiam antes
08:35
and is erasing the genes that it had before,
210
500000
3000
e apaga os genes que tinha antes,
08:38
until a new type of higher level of complexity has been achieved.
211
503000
4000
até que um novo tipo de um nível mais elevado de complexidade tenha sido alcançado.
08:42
And this process goes on and on and on.
212
507000
3000
E esse processo se repete sucessivamente.
08:45
So what we see here
213
510000
2000
Então, o que vemos aqui
08:47
is a system that lives
214
512000
2000
é um sistema que vive
08:49
in very much the way we're used to life [going.]
215
514000
2000
muito da maneira a que estamos acostumados à vida.
08:51
But what the NASA people had asked me really
216
516000
4000
Mas o que o pessoal da NASA tinha me perguntado realmente
08:55
was, "Do these guys
217
520000
2000
era: "Esses tipos
08:57
have a biosignature?
218
522000
2000
têm um bioassinatura?
08:59
Can we measure this type of life?
219
524000
2000
Podemos medir esse tipo de vida?
09:01
Because if we can,
220
526000
2000
Porque se podemos,
09:03
maybe we have a chance of actually discovering life somewhere else
221
528000
3000
talvez tenhamos a chance de realmente descobrir vida em algum outro lugar
09:06
without being biased
222
531000
2000
sem sermos influenciados
09:08
by things like amino acids."
223
533000
2000
por coisas como aminoácidos."
09:10
So I said, "Well, perhaps we should construct
224
535000
3000
Então eu disse: "Bem, talvez devêssemos construir
09:13
a biosignature
225
538000
2000
uma bioassinatura
09:15
based on life as a universal process.
226
540000
3000
baseada em vida como um processo universal.
09:18
In fact, it should perhaps make use
227
543000
2000
De fato, ele deveria, talvez, fazer uso
09:20
of the concepts that I developed
228
545000
2000
dos conceitos que desenvolvi
09:22
just in order to sort of capture
229
547000
2000
para como que capturar
09:24
what a simple living system might be."
230
549000
2000
o que um simples sistema vivo poderia ser."
09:26
And the thing I came up with --
231
551000
2000
E a coisa que descobri --
09:28
I have to first give you an introduction about the idea,
232
553000
4000
primeiro tenho que dar-lhes uma introdução sobre a ideia,
09:32
and maybe that would be a meaning detector,
233
557000
3000
e talvez isso fosse um detector de significado,
09:35
rather than a life detector.
234
560000
3000
mais que um detector de vida.
09:38
And the way we would do that --
235
563000
2000
E a forma como faríamos isso --
09:40
I would like to find out how I can distinguish
236
565000
2000
gostaria de descobrir como posso distinguir
09:42
text that was written by a million monkeys,
237
567000
2000
texto que foi escrito por um milhão de macacos
09:44
as opposed to text that [is] in our books.
238
569000
3000
em oposição a texto que está em nossos livros.
09:47
And I would like to do it in such a way
239
572000
2000
E gostaria de fazer isso de tal forma
09:49
that I don't actually have to be able to read the language,
240
574000
2000
que realmente eu não tivesse que ser capaz de ler o idioma,
09:51
because I'm sure I won't be able to.
241
576000
2000
porque tenho certeza de que não conseguirei.
09:53
As long as I know that there's some sort of alphabet.
242
578000
2000
Desde que eu saiba que há algum tipo de alfabeto.
09:55
So here would be a frequency plot
243
580000
3000
Então este seria um gráfico de frequência
09:58
of how often you find
244
583000
2000
de quão frequentemente você encontra
10:00
each of the 26 letters of the alphabet
245
585000
2000
cada uma das 26 letras do alfabero
10:02
in a text written by random monkeys.
246
587000
3000
num texto escrito por macacos aleatórios.
10:05
And obviously each of these letters
247
590000
2000
E obviamente cada uma dessas letras
10:07
comes off about roughly equally frequent.
248
592000
2000
ocorre, grosso modo, com frequência igual.
10:09
But if you now look at the same distribution in English texts,
249
594000
4000
Agora, se você olha para a mesma distribuição em textos em inglês.
10:13
it looks like that.
250
598000
2000
ela se parece com isso.
10:15
And I'm telling you, this is very robust across English texts.
251
600000
3000
E digo a vocês, isso é muito forte ao longo de textos em inglês.
10:18
And if I look at French texts, it looks a little bit different,
252
603000
2000
E se olho para textos em francês, parece um pouco diferente,
10:20
or Italian or German.
253
605000
2000
ou italiano, ou alemão.
10:22
They all have their own type of frequency distribution,
254
607000
3000
Todos eles têm seu próprio tipo de distribuição de frequência,
10:25
but it's robust.
255
610000
2000
mas é robusto.
10:27
It doesn't matter whether it writes about politics or about science.
256
612000
3000
Não importa se escrito sobre política ou sobre ciência.
10:30
It doesn't matter whether it's a poem
257
615000
3000
Não importa se é um poema
10:33
or whether it's a mathematical text.
258
618000
3000
ou um texto matemático.
10:36
It's a robust signature,
259
621000
2000
É uma assinatura forte
10:38
and it's very stable.
260
623000
2000
e é muito estável.
10:40
As long as our books are written in English --
261
625000
2000
Enquanto nossos livros forem escritos em inglês --
10:42
because people are rewriting them and recopying them --
262
627000
3000
porque as pessoas estão reescrevendo-os e recopiando-os --
10:45
it's going to be there.
263
630000
2000
ela vai estar lá.
10:47
So that inspired me to think about,
264
632000
2000
Então isso inspirou-me a pensar,
10:49
well, what if I try to use this idea
265
634000
3000
bem, e se eu tentar usar essa ideia
10:52
in order, not to detect random texts
266
637000
2000
para, não detectar textos aleatórios
10:54
from texts with meaning,
267
639000
2000
de textos com significado,
10:56
but rather detect the fact that there is meaning
268
641000
4000
mas para detectar o fato de que há significado
11:00
in the biomolecules that make up life.
269
645000
2000
nas biomoléculas que constroem a vida.
11:02
But first I have to ask:
270
647000
2000
Mas primeiro tenho que perguntar:
11:04
what are these building blocks, like the alphabet, elements that I showed you?
271
649000
3000
quais são esses blocos construtores, como o alfabeto, elementos que lhes mostrei?
11:07
Well it turns out, we have many different alternatives
272
652000
3000
Bem, acontece que temos muitas alternativas diferentes
11:10
for such a set of building blocks.
273
655000
2000
para tal conjunto de blocos construtores.
11:12
We could use amino acids,
274
657000
2000
Poderíamos usar aminoácidos,
11:14
we could use nucleic acids, carboxylic acids, fatty acids.
275
659000
3000
poderíamos usar ácidos nucleicos, ácidos carboxílicos, ácidos graxos.
11:17
In fact, chemistry's extremely rich, and our body uses a lot of them.
276
662000
3000
De fato, a química é extremamente rica, e nosso corpo usa muitos deles.
11:20
So that we actually, to test this idea,
277
665000
3000
Para que nós realmente, para testar essa ideia,
11:23
first took a look at amino acids and some other carboxylic acids.
278
668000
3000
primeiro observei aminoácidos e alguns outros ácidos carboxílicos.
11:26
And here's the result.
279
671000
2000
E aqui está o resultado.
11:28
Here is, in fact, what you get
280
673000
3000
Aqui está, de fato, o que você obtém
11:31
if you, for example, look at the distribution of amino acids
281
676000
3000
se você, por exemplo, olha para a distribuição de aminoácidos
11:34
on a comet or in interstellar space
282
679000
3000
em um cometa ou no espaço interstelar
11:37
or, in fact, in a laboratory,
283
682000
2000
ou, na verdade, em um laboratório,
11:39
where you made very sure that in your primordial soup
284
684000
2000
onde você têm certeza de que em sua sopa primordial
11:41
that there is not living stuff in there.
285
686000
2000
não há coisa viva.
11:43
What you find is mostly glycine and then alanine
286
688000
3000
O que você encontra é principalmente glicina e alanina
11:46
and there's some trace elements of the other ones.
287
691000
3000
e há alguns traços de outros elementos.
11:49
That is also very robust --
288
694000
3000
Isso também é muito forte --
11:52
what you find in systems like Earth
289
697000
3000
o que você encontra em sistemas como a Terra
11:55
where there are amino acids,
290
700000
2000
onde há aminoácidos,
11:57
but there is no life.
291
702000
2000
mas não há vida.
11:59
But suppose you take some dirt
292
704000
2000
Mas suponha que você pegue um pouco de solo
12:01
and dig through it
293
706000
2000
e cave nele
12:03
and then put it into these spectrometers,
294
708000
3000
e ponha ponha em um desses espectrômetros
12:06
because there's bacteria all over the place;
295
711000
2000
porque há bactéria em todo lugar;
12:08
or you take water anywhere on Earth,
296
713000
2000
ou você pega água de qualquer lugar na Terra,
12:10
because it's teaming with life,
297
715000
2000
porque está fervilhando de vida,
12:12
and you make the same analysis;
298
717000
2000
e você faz a mesma análise;
12:14
the spectrum looks completely different.
299
719000
2000
o espectro parece completamente diferente.
12:16
Of course, there is still glycine and alanine,
300
721000
4000
É claro, ainda há glicina e alanina,
12:20
but in fact, there are these heavy elements, these heavy amino acids,
301
725000
3000
mas, na verdade, há esses elementos pesados, esses aminoácidos pesados,
12:23
that are being produced
302
728000
2000
que estão sendo produzidos
12:25
because these are valuable to the organism.
303
730000
2000
porque eles são valiosos para o organismo.
12:27
And some other ones
304
732000
2000
E alguns outros
12:29
that are not used in the set of 20,
305
734000
2000
que não são usados no conjunto de 20,
12:31
they will not appear at all
306
736000
2000
não surgirão de forma nenhuma
12:33
in any type of concentration.
307
738000
2000
em qualquer tipo de concentração.
12:35
So this also turns out to be extremely robust.
308
740000
2000
Então isso também se torna extremamente forte.
12:37
It doesn't matter what kind of sediment you're using to grind up,
309
742000
3000
Não importa que tipo de sedimento você está usando para estudar,
12:40
whether it's bacteria or any other plants or animals.
310
745000
3000
seja bactéria ou quaisquer outros, plantas ou animais.
12:43
Anywhere there's life,
311
748000
2000
Em qualquer lugar em que há vida,
12:45
you're going to have this distribution,
312
750000
2000
você vai ter essa distribuição,
12:47
as opposed to that distribution.
313
752000
2000
em oposição a esta distribuição.
12:49
And it is detectable not just in amino acids.
314
754000
3000
E é detectável não apenas em aminoácidos.
12:52
Now you could ask:
315
757000
2000
Agora você poderia perguntar:
12:54
well, what about these Avidians?
316
759000
2000
bem, e aqueles Avidianos?
12:56
The Avidians being the denizens of this computer world
317
761000
4000
Avidianos são aqueles habitantes do mundo do computador
13:00
where they are perfectly happy replicating and growing in complexity.
318
765000
3000
onde estão perfeitamente felizes, replicando-se e crescendo em complexidade.
13:03
So this is the distribution that you get
319
768000
3000
Esta é a distribuição que você obtém
13:06
if, in fact, there is no life.
320
771000
2000
se, na verdade, não há vida.
13:08
They have about 28 of these instructions.
321
773000
3000
Eles têm aproximadamente 28 dessas instruções.
13:11
And if you have a system where they're being replaced one by the other,
322
776000
3000
E se você tem um sistema no qual eles estão sendo substituídos um pelo outro,
13:14
it's like the monkeys writing on a typewriter.
323
779000
2000
é como a escrita de macacos em uma máquina de escrever.
13:16
Each of these instructions appears
324
781000
3000
Cada uma dessas instruções aparece
13:19
with roughly the equal frequency.
325
784000
3000
de modo geral com igual frequência.
13:22
But if you now take a set of replicating guys
326
787000
4000
Agora, se você pega um conjunto de tipos que se replicam,
13:26
like in the video that you saw,
327
791000
2000
como no vídeo que viram,
13:28
it looks like this.
328
793000
2000
ele se parece assim.
13:30
So there are some instructions
329
795000
2000
Então há algumas instruções
13:32
that are extremely valuable to these organisms,
330
797000
2000
que são extremamente valiosas para esses organismos,
13:34
and their frequency is going to be high.
331
799000
3000
e sua frequência vai ser alta.
13:37
And there's actually some instructions
332
802000
2000
E há realmente algumas instruções
13:39
that you only use once, if ever.
333
804000
2000
que você usa apenas uma vez, se tanto.
13:41
So they are either poisonous
334
806000
2000
Então, ou elas são venenosas
13:43
or really should be used at less of a level than random.
335
808000
4000
ou devem realmente ser usadas em menos do que o nível do acaso.
13:47
In this case, the frequency is lower.
336
812000
3000
Nesse caso, a frequência é mais baixa.
13:50
And so now we can see, is that really a robust signature?
337
815000
3000
E agora podemos entender, isto é realmente uma assinatura forte?
13:53
I can tell you indeed it is,
338
818000
2000
Posso dizer-lhes que certamente é,
13:55
because this type of spectrum, just like what you've seen in books,
339
820000
3000
porque esse tipo de espectro, exatamente como vocês viram nos livros,
13:58
and just like what you've seen in amino acids,
340
823000
2000
exatamente como vocês viram nos aminoácidos,
14:00
it doesn't really matter how you change the environment, it's very robust;
341
825000
3000
não importa o quanto você mude o meio ambiente, é muito forte;
14:03
it's going to reflect the environment.
342
828000
2000
vai refletir o meio ambiente.
14:05
So I'm going to show you now a little experiment that we did.
343
830000
2000
Então vou mostrar-lhes agora um pequeno experimento que fizemos.
14:07
And I have to explain to you,
344
832000
2000
E tenho que explicar a vocês,
14:09
the top of this graph
345
834000
2000
o topo deste gráfico
14:11
shows you that frequency distribution that I talked about.
346
836000
3000
mostra aquela frequência de distribuição de que falei.
14:14
Here, in fact, that's the lifeless environment
347
839000
3000
Aqui, na realidade, o meio ambiente sem vida
14:17
where each instruction occurs
348
842000
2000
onde cada instrução ocorre
14:19
at an equal frequency.
349
844000
2000
com uma frequência igual.
14:21
And below there, I show, in fact,
350
846000
3000
E abaixo, eu mostro, na verdade,
14:24
the mutation rate in the environment.
351
849000
3000
o ritmo de mutação no meio ambiente.
14:27
And I'm starting this at a mutation rate that is so high
352
852000
3000
E começo isso com um ritmo de mutação que é tão alto
14:30
that, even if you would drop
353
855000
2000
que, mesmo que você lançasse
14:32
a replicating program
354
857000
2000
um programa de replicação
14:34
that would otherwise happily grow up
355
859000
2000
que, de outro modo iria crescer sem entraves
14:36
to fill the entire world,
356
861000
2000
para preeencher o mundo todo,
14:38
if you drop it in, it gets mutated to death immediately.
357
863000
4000
se você o lança aí, ele sofre mutações até a morte imediatamente.
14:42
So there is no life possible
358
867000
2000
Então não há vida possível
14:44
at that type of mutation rate.
359
869000
3000
nesse tipo de ritmo de mutação.
14:47
But then I'm going to slowly turn down the heat, so to speak,
360
872000
4000
Mas, então, vou vagarosamente diminuir o calor, por assim dizer,
14:51
and then there's this viability threshold
361
876000
2000
e daí existe esse portal de viabilidade
14:53
where now it would be possible
362
878000
2000
no qual agora seria possível
14:55
for a replicator to actually live.
363
880000
2000
para um replicador realmente viver.
14:57
And indeed, we're going to be dropping these guys
364
882000
3000
E, na verdade, vamos estar lançando esses tipos
15:00
into that soup all the time.
365
885000
2000
nessa sopa o tempo todo.
15:02
So let's see what that looks like.
366
887000
2000
Então vamos ver como fica.
15:04
So first, nothing, nothing, nothing.
367
889000
3000
Primeiro, nada, nada, nada.
15:07
Too hot, too hot.
368
892000
2000
Muito quente, muito quente.
15:09
Now the viability threshold is reached,
369
894000
3000
Agora o portal de viabilidade é alcançado,
15:12
and the frequency distribution
370
897000
2000
e a frequência de distribuição
15:14
has dramatically changed and, in fact, stabilizes.
371
899000
3000
muda dramaticamente e, de fato, se estabiliza.
15:17
And now what I did there
372
902000
2000
E agora o que fiz aí,
15:19
is, I was being nasty, I just turned up the heat again and again.
373
904000
3000
estava sendo maldoso, aumentei o calor novamente e de novo.
15:22
And of course, it reaches the viability threshold.
374
907000
3000
E, é claro, ele alcança o portal de viabilidade.
15:25
And I'm just showing this to you again because it's so nice.
375
910000
3000
Estou mostrando isso novamente porque é tão legal.
15:28
You hit the viability threshold.
376
913000
2000
Você atinge o portal de viabilidade.
15:30
The distribution changes to "alive!"
377
915000
2000
A distribuição muda para "vivo!"
15:32
And then, once you hit the threshold
378
917000
3000
Então, quando você atinge o limiar
15:35
where the mutation rate is so high
379
920000
2000
em que o ritmo de mutação é tão alto
15:37
that you cannot self-reproduce,
380
922000
2000
que você não pode se auto-reproduzir,
15:39
you cannot copy the information
381
924000
3000
você não pode passar a cópia da informação
15:42
forward to your offspring
382
927000
2000
adiante para seus descendentes
15:44
without making so many mistakes
383
929000
2000
sem cometer tantos erros
15:46
that your ability to replicate vanishes.
384
931000
3000
que sua habilidade de replicar-se desaparece.
15:49
And then that signature is lost.
385
934000
3000
Então essa assinatura está perdida.
15:52
What do we learn from that?
386
937000
2000
O que aprendemos com isso?
15:54
Well, I think we learn a number of things from that.
387
939000
4000
Bem, penso que aprendemos um certo número de coisas com isso.
15:58
One of them is,
388
943000
2000
Uma delas é,
16:00
if we are able to think about life
389
945000
3000
se somos capazes de pensar sobre vida
16:03
in abstract terms --
390
948000
2000
em termos abstratos --
16:05
and we're not talking about things like plants,
391
950000
2000
e não estamos falando de coisas como plantas,
16:07
and we're not talking about amino acids,
392
952000
2000
e não estamos falando de aminoácidos,
16:09
and we're not talking about bacteria,
393
954000
2000
e não estamos falando de bactérias,
16:11
but we think in terms of processes --
394
956000
2000
mas pensamos em termos de processos --
16:13
then we could start to think about life,
395
958000
3000
então poderíamos começar a pensar sobre vida,
16:16
not as something that is so special to Earth,
396
961000
2000
não como algo que é tão especial à Terra,
16:18
but that, in fact, could exist anywhere.
397
963000
3000
mas isso, de fato, poderia existir em qualquer lugar.
16:21
Because it really only has to do
398
966000
2000
Porque, na verdade, tem a ver apenas
16:23
with these concepts of information,
399
968000
2000
com esses conceitos de informação,
16:25
of storing information
400
970000
2000
estocar informação
16:27
within physical substrates --
401
972000
2000
dentro de substratos físicos --
16:29
anything: bits, nucleic acids,
402
974000
2000
qualquer coisa: bits, ácidos nucleicos,
16:31
anything that's an alphabet --
403
976000
2000
qualquer coisa que seja um alfabeto --
16:33
and make sure that there's some process
404
978000
2000
e assegurar-se de que há algum processo
16:35
so that this information can be stored
405
980000
2000
para que essa informação possa ser armazenada
16:37
for much longer than you would expect
406
982000
2000
por um prazo muito mais longo do que você esperaria
16:39
the time scales for the deterioration of information.
407
984000
4000
fosse o critério de tempo para deterioração da informação.
16:43
And if you can do that,
408
988000
2000
E se você pode fazer isso,
16:45
then you have life.
409
990000
2000
então você tem vida.
16:47
So the first thing that we learn
410
992000
2000
Então a primeira coisa que aprendemos
16:49
is that it is possible to define life
411
994000
3000
é que é possível definir vida
16:52
in terms of processes alone,
412
997000
3000
somente em termos somente de processos,
16:55
without referring at all
413
1000000
2000
sem nenhuma referência
16:57
to the type of things that we hold dear,
414
1002000
2000
ao tipo de coisas que valorizamos,
16:59
as far as the type of life on Earth is.
415
1004000
3000
da maneira como o tipo de vida na Terra é.
17:02
And that in a sense removes us again,
416
1007000
3000
E isso de certa maneira remove de nós novamente,
17:05
like all of our scientific discoveries, or many of them --
417
1010000
3000
como todas as nossas descobertas científicas, ou muitas delas --
17:08
it's this continuous dethroning of man --
418
1013000
2000
é esse contínuo destronar o homem --
17:10
of how we think we're special because we're alive.
419
1015000
3000
como pensamos que somos especiais porque estamos vivos.
17:13
Well we can make life. We can make life in the computer.
420
1018000
3000
Bem, podemos fazer vida. Podemos fazer vida no computador.
17:16
Granted, it's limited,
421
1021000
2000
Com certeza, é limitada,
17:18
but we have learned what it takes
422
1023000
3000
mas aprendemos o que é preciso
17:21
in order to actually construct it.
423
1026000
2000
para realmente construí-la.
17:23
And once we have that,
424
1028000
3000
E uma vez que tenhamos isso,
17:26
then it is not such a difficult task anymore
425
1031000
3000
então, não é mais uma tarefa tão difícil,
17:29
to say, if we understand the fundamental processes
426
1034000
4000
quer dizer, se entendemos os processos fundamentais
17:33
that do not refer to any particular substrate,
427
1038000
3000
que não se referem a nenhum substrato em particular,
17:36
then we can go out
428
1041000
2000
então podemos sair
17:38
and try other worlds,
429
1043000
2000
e tentar outros mundos,
17:40
figure out what kind of chemical alphabets might there be,
430
1045000
4000
descobrir que tipos de alfabetos químicos possam existir,
17:44
figure enough about the normal chemistry,
431
1049000
2000
descobrir bastante sobre a química normal,
17:46
the geochemistry of the planet,
432
1051000
3000
a geoquímica do planeta,
17:49
so that we know what this distribution would look like
433
1054000
2000
para sabermos como seria essa distribuição
17:51
in the absence of life,
434
1056000
2000
na ausência de vida,
17:53
and then look for large deviations from this --
435
1058000
3000
e então procurar por grandes desvios disso --
17:56
this thing sticking out, which says,
436
1061000
3000
essa coisa que se sobressai, que diz:
17:59
"This chemical really shouldn't be there."
437
1064000
2000
"Esse químico realmente não deveria estar aí."
18:01
Now we don't know that there's life then,
438
1066000
2000
Não sabemos se há vida então,
18:03
but we could say,
439
1068000
2000
mas poderíamos dizer:
18:05
"Well at least I'm going to have to take a look very precisely at this chemical
440
1070000
3000
"Bem, no mínimo vou ter que observar muito precisamente esse químico
18:08
and see where it comes from."
441
1073000
2000
e ver o que vem daí."
18:10
And that might be our chance
442
1075000
2000
E essa poderia ser nossa chance
18:12
of actually discovering life
443
1077000
2000
de realmente descobrir vida
18:14
when we cannot visibly see it.
444
1079000
2000
quando não podemos visualmente percebê-la.
18:16
And so that's really the only take-home message
445
1081000
3000
E essa é realmente a única mensagem
18:19
that I have for you.
446
1084000
2000
que tenho para vocês.
18:21
Life can be less mysterious
447
1086000
2000
A vida pode ser menos misteriosa
18:23
than we make it out to be
448
1088000
2000
do que imaginamos que seja
18:25
when we try to think about how it would be on other planets.
449
1090000
4000
quando tentamos pensar em como ela seria em outros planetas.
18:29
And if we remove the mystery of life,
450
1094000
3000
E se removemos o mistério da vida,
18:32
then I think it is a little bit easier
451
1097000
3000
então penso que é um pouco mais fácil
18:35
for us to think about how we live,
452
1100000
2000
para nós pensar em como vivemos,
18:37
and how perhaps we're not as special as we always think we are.
453
1102000
3000
e como, talvez, não sejamos tão especiais como pensamos que somos.
18:40
And I'm going to leave you with that.
454
1105000
2000
E vou deixá-los com isso.
18:42
And thank you very much.
455
1107000
2000
E muito obrigado.
18:44
(Applause)
456
1109000
2000
(Aplausos)
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