TED1994
Danny Hillis: Back to the future (of 1994)
Danny Hillis: Regresso ao futuro (de 1994)
Filmed:
Readability: 3.8
686,810 views
Das profundezas dos arquivos do TED, Danny Hillis esboça uma teoria intrigante sobre o como e o porquê de a mudança tecnológica aparentar estar a acelerar, estabelecendo uma ligação à própria evolução da vida. As técnicas de apresentação que usa podem parecer antiquadas, mas as ideias são relevantes como nunca.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
Because I usually take the role
0
0
3000
Como normalmente assumo o papel
00:18
of trying to explain to people
1
3000
2000
de tentar explicar às pessoas
00:20
how wonderful the new technologies
2
5000
3000
quão maravilhosas vão ser
as novas tecnologias que aí vêm,
as novas tecnologias que aí vêm,
00:23
that are coming along are going to be,
3
8000
2000
00:25
and I thought that, since I was among friends here,
4
10000
3000
pensei que, como aqui estava entre amigos,
00:28
I would tell you what I really think
5
13000
4000
vos contaria o que realmente penso
00:32
and try to look back and try to understand
6
17000
2000
e tentaria olhar para trás
e compreender o que realmente se passa
00:34
what is really going on here
7
19000
3000
00:37
with these amazing jumps in technology
8
22000
5000
com estes surpreendentes
saltos da tecnologia
saltos da tecnologia
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
que parecem tão rápidos
que mal damos conta deles.
que mal damos conta deles.
00:45
So I'm going to start out
10
30000
2000
Portanto, começo por mostrar apenas
00:47
by showing just one very boring technology slide.
11
32000
3000
um diapositivo de tecnologia muito chato.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
— agradeço que mostrem
o diapositivo que está ligado.
o diapositivo que está ligado.
00:56
This is just a random slide
13
41000
2000
Isto é apenas um diapositivo aleatório
00:58
that I picked out of my file.
14
43000
2000
que seleccionei do meu ficheiro.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
O que vos quero mostrar
não são tanto os detalhes,
não são tanto os detalhes,
01:03
but the general form of it.
16
48000
2000
mas a sua forma geral.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
Acontece que isto é sobre uma análise
que estamos a fazer
que estamos a fazer
01:08
about the power of RISC microprocessors
18
53000
3000
sobre o poder dos microprocessadores RISC,
01:11
versus the power of local area networks.
19
56000
3000
em comparação com o poder de redes locais.
01:14
And the interesting thing about it
20
59000
2000
O que é interessante
é que este diapositivo
é que este diapositivo
01:16
is that this slide,
21
61000
2000
01:18
like so many technology slides that we're used to,
22
63000
3000
— como tantos outros diapositivos
de tecnologia, a que estamos habituados —
de tecnologia, a que estamos habituados —
01:21
is a sort of a straight line
23
66000
2000
é como uma linha recta
numa curva semi-log.
numa curva semi-log.
01:23
on a semi-log curve.
24
68000
2000
01:25
In other words, every step here
25
70000
2000
Por outras palavras, cada passo aqui
01:27
represents an order of magnitude
26
72000
2000
representa uma ordem de grandeza
numa escala de desempenho.
numa escala de desempenho.
01:29
in performance scale.
27
74000
2000
01:31
And this is a new thing
28
76000
2000
E isto é uma coisa nova,
01:33
that we talk about technology
29
78000
2000
falarmos de tecnologia
com curvas semi-log.
com curvas semi-log.
01:35
on semi-log curves.
30
80000
2000
01:37
Something really weird is going on here.
31
82000
2000
Algo muito estranho está a acontecer aqui.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
E é sobre isso que vou falar.
01:42
So, if you could bring up the lights.
33
87000
3000
Portanto, se puderem aumentar a luz.
01:47
If you could bring up the lights higher,
34
92000
2000
Podem aumentar a luz um pouco mais,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
porque agora vou usar
apenas uma folha de papel.
apenas uma folha de papel.
01:52
Now why do we draw technology curves
36
97000
2000
Porque é que desenhamos
curvas tecnológicas em curvas semi-log?
curvas tecnológicas em curvas semi-log?
01:54
in semi-log curves?
37
99000
2000
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
A resposta é, se a desenhasse
numa curva normal
numa curva normal
01:59
where, let's say, this is years,
39
104000
2000
onde, por exemplo, aqui são anos,
02:01
this is time of some sort,
40
106000
2000
isto é uma medida de tempo qualquer,
02:03
and this is whatever measure of the technology
41
108000
3000
e aqui é uma medida qualquer de tecnologia
02:06
that I'm trying to graph,
42
111000
3000
que estou a tentar pôr em gráfico,
02:09
the graphs look sort of silly.
43
114000
3000
os gráficos parecem um pouco patetas.
02:12
They sort of go like this.
44
117000
3000
Ficam assim.
02:15
And they don't tell us much.
45
120000
3000
E não nos dizem muito.
02:18
Now if I graph, for instance,
46
123000
3000
Mas se fizesse um gráfico, por exemplo,
02:21
some other technology, say transportation technology,
47
126000
2000
sobre a tecnologia de transportes,
02:23
on a semi-log curve,
48
128000
2000
numa curva semi-log,
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
ficava muito estúpido,
pareceria uma linha a direito.
pareceria uma linha a direito.
02:28
But when something like this happens,
50
133000
2000
Quando algo como isto acontece,
02:30
things are qualitatively changing.
51
135000
2000
as coisas estão a mudar qualitativamente.
02:32
So if transportation technology
52
137000
2000
Portanto, se a tecnologia de transportes
estivesse a mover-se tão rapidamente
estivesse a mover-se tão rapidamente
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
como a tecnologia de microprocessadores,
02:37
then the day after tomorrow,
54
142000
2000
então, depois de amanhã,
02:39
I would be able to get in a taxi cab
55
144000
2000
eu podia entrar num táxi
e chegar a Tóquio em 30 segundos.
e chegar a Tóquio em 30 segundos.
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
02:43
It's not moving like that.
57
148000
2000
Mas não está a mover-se assim.
02:45
And there's nothing precedented
58
150000
2000
E não há nada precedente
02:47
in the history of technology development
59
152000
2000
na história do desenvolvimento tecnológico,
02:49
of this kind of self-feeding growth
60
154000
2000
deste tipo de crescimento auto-alimentado
02:51
where you go by orders of magnitude every few years.
61
156000
3000
em que se passa por várias
ordens de grandeza em poucos anos.
ordens de grandeza em poucos anos.
02:54
Now the question that I'd like to ask is,
62
159000
3000
A pergunta que gostaria de fazer é,
02:57
if you look at these exponential curves,
63
162000
3000
se olharem para estas curvas exponenciais,
03:00
they don't go on forever.
64
165000
3000
elas não evoluem infinitamente.
03:03
Things just can't possibly keep changing
65
168000
3000
As coisas não podem continuar a mudar
à velocidade que estão.
à velocidade que estão.
03:06
as fast as they are.
66
171000
2000
03:08
One of two things is going to happen.
67
173000
3000
Uma de duas coisas vai acontecer.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
Ou vai mudar para uma curva-S clássica,
como esta,
como esta,
03:15
until something totally different comes along,
69
180000
4000
até surgir uma coisa totalmente diferente
03:19
or maybe it's going to do this.
70
184000
2000
ou talvez faça isto.
03:21
That's about all it can do.
71
186000
2000
Pouco mais pode fazer.
03:23
Now I'm an optimist,
72
188000
2000
Eu sou optimista,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
portanto penso que provavelmente
fará uma coisa assim.
fará uma coisa assim.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
Se assim for, isso significa que,
neste momento,
neste momento,
03:31
is a transition.
75
196000
2000
estamos no meio de uma transição.
03:33
We're sort of on this line
76
198000
2000
Estamos nesta linha,
03:35
in a transition from the way the world used to be
77
200000
2000
numa transição entre a forma
como o mundo era
como o mundo era
03:37
to some new way that the world is.
78
202000
3000
e a forma como o mundo é.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
O que eu estou a perguntar,
o que tenho questionado,
o que tenho questionado,
03:43
is what's this new way that the world is?
80
208000
3000
é que forma nova de mundo é este?
03:46
What's that new state that the world is heading toward?
81
211000
3000
Qual é o novo estado
para o qual o mundo caminha?
para o qual o mundo caminha?
03:49
Because the transition seems very, very confusing
82
214000
3000
Porque a transição parece muito,
muito confusa
muito confusa
03:52
when we're right in the middle of it.
83
217000
2000
quando estamos mesmo no meio dela.
03:54
Now when I was a kid growing up,
84
219000
3000
Quando eu era miúdo,
03:57
the future was kind of the year 2000,
85
222000
3000
o futuro era o ano 2000.
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
As pessoas falavam sobre
o que aconteceria no ano 2000.
o que aconteceria no ano 2000.
04:04
Now here's a conference
87
229000
2000
Hoje temos aqui uma conferência
em que pessoas falam sobre o futuro
em que pessoas falam sobre o futuro
04:06
in which people talk about the future,
88
231000
2000
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
e hão-de notar que o futuro
continua a ser o ano 2000.
continua a ser o ano 2000.
04:11
It's about as far as we go out.
90
236000
2000
É o mais longe que vamos.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
Por outras palavras,
o futuro tem estado a diminuir
o futuro tem estado a diminuir
04:16
one year per year
92
241000
3000
um ano, por cada ano
durante toda a minha vida.
durante toda a minha vida.
04:19
for my whole lifetime.
93
244000
3000
(Risos)
04:22
Now I think that the reason
94
247000
2000
Penso que a razão
é que todos sentimos
é que todos sentimos
04:24
is because we all feel
95
249000
2000
04:26
that something's happening there.
96
251000
2000
que algo está a acontecer ali.
04:28
That transition is happening. We can all sense it.
97
253000
2000
Aquela transição está a acontecer.
Podemos senti-la.
Podemos senti-la.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
E sabemos que não faz lá muito sentido
04:32
to think out 30, 50 years
99
257000
2000
pensar em daqui a 30, 50 anos.
04:34
because everything's going to be so different
100
259000
3000
Tudo vai ser tão diferente
04:37
that a simple extrapolation of what we're doing
101
262000
2000
que uma simples extrapolação
do que estamos a fazer
do que estamos a fazer
04:39
just doesn't make any sense at all.
102
264000
3000
simplesmente não faz sentido.
04:42
So what I would like to talk about
103
267000
2000
Portanto, gostaria de falar
sobre o que isso poderia ser,
sobre o que isso poderia ser,
04:44
is what that could be,
104
269000
2000
04:46
what that transition could be that we're going through.
105
271000
3000
sobre que transição poderia ser
aquela pela qual passamos.
aquela pela qual passamos.
04:49
Now in order to do that
106
274000
3000
E para fazer isso
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
terei que falar sobre
um conjunto de coisas
um conjunto de coisas
04:54
that really has nothing to do
108
279000
2000
que não tem nada a ver
com tecnologia e computadores.
com tecnologia e computadores.
04:56
with technology and computers.
109
281000
2000
04:58
Because I think the only way to understand this
110
283000
2000
Penso que a única forma
de compreender isto
de compreender isto
05:00
is to really step back
111
285000
2000
é afastarmo-nos e olhar para as coisas
numa grande escala temporal.
numa grande escala temporal.
05:02
and take a long time scale look at things.
112
287000
2000
05:04
So the time scale that I would like to look at this on
113
289000
3000
A escala temporal que gostaria de usar
05:07
is the time scale of life on Earth.
114
292000
3000
é a escala temporal da vida na Terra.
05:13
So I think this picture makes sense
115
298000
2000
Penso que esta imagem faz sentido
05:15
if you look at it a few billion years at a time.
116
300000
4000
se olharmos para ela
em milhares de milhões de anos de cada vez.
em milhares de milhões de anos de cada vez.
05:19
So if you go back
117
304000
2000
Portanto, se voltarmos atrás
cerca de 2500 milhões de anos,
cerca de 2500 milhões de anos,
05:21
about two and a half billion years,
118
306000
2000
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
a Terra era um grande rochedo estéril
05:26
with a lot of chemicals floating around on it.
120
311000
3000
com muitos químicos a flutuar à sua volta.
05:29
And if you look at the way
121
314000
2000
Se olharem para a forma
como os químicos se organizaram,
como os químicos se organizaram,
05:31
that the chemicals got organized,
122
316000
2000
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
começamos a perceber
como é que o conseguiram.
como é que o conseguiram.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
Penso que existem teorias
que começam a perceber
que começam a perceber
05:39
about how it started with RNA,
125
324000
2000
como tudo começou com o ARN,
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
mas vou contar
uma pequena história sobre isso.
uma pequena história sobre isso.
05:44
which is that, at that time,
127
329000
2000
Naquele tempo,
havia pequenas gotas de óleo a flutuar
havia pequenas gotas de óleo a flutuar
05:46
there were little drops of oil floating around
128
331000
3000
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
que continham vários tipos
de receitas de químicos.
de receitas de químicos.
05:52
And some of those drops of oil
130
337000
2000
Algumas dessas gotas de óleo
05:54
had a particular combination of chemicals in them
131
339000
2000
continham uma combinação
particular de químicos
particular de químicos
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
que as levavam a incorporar
químicos do exterior
químicos do exterior
05:59
and grow the drops of oil.
133
344000
3000
e aumentarem essas gotas de óleo.
06:02
And those that were like that
134
347000
2000
As gotas em que isso acontecia
começaram a separar-se e a dividir-se.
começaram a separar-se e a dividir-se.
06:04
started to split and divide.
135
349000
2000
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
Foram as formas
mais primitivas das células,
mais primitivas das células,
06:09
those little drops of oil.
137
354000
2000
aquelas gotas de óleo.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
Mas aquelas gotas de óleo
não estavam vivas,
não estavam vivas,
06:14
because every one of them
139
359000
2000
porque cada uma delas
era uma receita aleatória de químicos.
era uma receita aleatória de químicos.
06:16
was a little random recipe of chemicals.
140
361000
2000
06:18
And every time it divided,
141
363000
2000
Cada vez que se dividiam,
06:20
they got sort of unequal division
142
365000
3000
dividiam de forma desigual
os químicos que continham.
os químicos que continham.
06:23
of the chemicals within them.
143
368000
2000
06:25
And so every drop was a little bit different.
144
370000
3000
Portanto, cada gota
era ligeiramente diferente.
era ligeiramente diferente.
06:28
In fact, the drops that were different in a way
145
373000
2000
De facto, as gotas eram
diferentes de uma forma
diferentes de uma forma
06:30
that caused them to be better
146
375000
2000
que as levava a serem melhores
06:32
at incorporating chemicals around them,
147
377000
2000
e a incorporarem os químicos à sua volta,
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
a crescerem mais, a incorporarem
mais químicos e a dividirem-se mais.
mais químicos e a dividirem-se mais.
06:37
So those tended to live longer,
149
382000
2000
Essas viviam durante mais tempo
e eram mais representadas.
e eram mais representadas.
06:39
get expressed more.
150
384000
3000
06:42
Now that's sort of just a very simple
151
387000
3000
Isso é uma simples
forma química da vida
forma química da vida
06:45
chemical form of life,
152
390000
2000
06:47
but when things got interesting
153
392000
3000
mas as coisas tornaram-se interessantes
06:50
was when these drops
154
395000
2000
quando as gotas aprenderam
o truque da asbtracção.
o truque da asbtracção.
06:52
learned a trick about abstraction.
155
397000
3000
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
Por uma qualquer forma
que ainda não compreendemos,
que ainda não compreendemos,
06:58
these little drops learned to write down information.
157
403000
3000
essas pequenas gotas
aprenderam a escrever informação.
aprenderam a escrever informação.
07:01
They learned to record the information
158
406000
2000
Aprenderam a gravar a informação
07:03
that was the recipe of the cell
159
408000
2000
que era a receita de célula
07:05
onto a particular kind of chemical
160
410000
2000
num químico muito particular
chamado ADN.
chamado ADN.
07:07
called DNA.
161
412000
2000
07:09
So in other words, they worked out,
162
414000
2000
Por outras palavras, resolveram,
07:11
in this mindless sort of evolutionary way,
163
416000
3000
duma forma evolutiva desajeitada,
07:14
a form of writing that let them write down what they were,
164
419000
3000
uma forma de escrever
que lhes permitia escrever o que eram
que lhes permitia escrever o que eram
07:17
so that that way of writing it down could get copied.
165
422000
3000
para que essa forma de escrever
pudesse ser copiada.
pudesse ser copiada.
07:20
The amazing thing is that that way of writing
166
425000
3000
A coisa fascinante
é que essa forma de escrever
é que essa forma de escrever
07:23
seems to have stayed steady
167
428000
2000
parece ter-se estabilizado
07:25
since it evolved two and a half billion years ago.
168
430000
2000
desde que evoluiu há 2500 milhões de anos.
07:27
In fact the recipe for us, our genes,
169
432000
3000
De facto, a nossa receita, os nossos genes,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
são exactamente esse mesmo código
e essa forma de escrever.
e essa forma de escrever.
07:33
In fact, every living creature is written
171
438000
3000
De facto, cada criatura viva é escrita
07:36
in exactly the same set of letters and the same code.
172
441000
2000
com o mesmo conjunto de letras
e com o mesmo código.
e com o mesmo código.
07:38
In fact, one of the things that I did
173
443000
2000
Uma das coisas que fiz
apenas para me entreter
apenas para me entreter
07:40
just for amusement purposes
174
445000
2000
07:42
is we can now write things in this code.
175
447000
2000
é que agora podemos
escrever coisas neste código.
escrever coisas neste código.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
Tenho aqui uns 100 microgramas
de pó branco,
de pó branco,
— que evito mostrar ao pessoal
de segurança dos aeroportos.
de segurança dos aeroportos.
07:50
which I try not to let the security people see at airports.
177
455000
4000
07:54
(Laughter)
178
459000
2000
(Risos)
07:56
But this has in it --
179
461000
2000
Mas dentro disto
07:58
what I did is I took this code --
180
463000
2000
— o que fiz foi tirar este código,
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
o código tem letras padrão
que usamos para o simbolizar —
que usamos para o simbolizar —
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
escrevi o meu cartão de visita
num pedaço de ADN
num pedaço de ADN
08:06
and amplified it 10 to the 22 times.
183
471000
3000
e amplifiquei-o à escala
de 10 elevado a 22.
de 10 elevado a 22.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
Portanto, se alguém quiser 100 milhões
de cópias do meu cartão,
de cópias do meu cartão,
08:12
I have plenty for everyone in the room,
185
477000
2000
eu tenho que cheguem para todos
08:14
and, in fact, everyone in the world,
186
479000
2000
e mesmo para toda a gente no mundo inteiro.
08:16
and it's right here.
187
481000
3000
Estão mesmo aqui.
08:19
(Laughter)
188
484000
5000
(Risos)
08:26
If I had really been a egotist,
189
491000
2000
Se tivesse sido egoísta,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
tê-lo-ia colocado num vírus
e espalhava-o pela sala.
e espalhava-o pela sala.
08:31
(Laughter)
191
496000
5000
(Risos)
08:39
So what was the next step?
192
504000
2000
Então qual foi o passo seguinte?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
Escrever o ADN foi um passo interessante.
08:43
And that caused these cells --
194
508000
2000
Isso fez com que as células
08:45
that kept them happy for another billion years.
195
510000
2000
vivessem felizes durante
mais 1000 milhões de anos.
mais 1000 milhões de anos.
08:47
But then there was another really interesting step
196
512000
2000
Mas depois ocorreu outro passo interessante
08:49
where things became completely different,
197
514000
3000
em que as coisas ficaram
completamente diferentes.
completamente diferentes.
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
As células começaram a trocar informações
e a comunicar.
e a comunicar.
08:55
so that they began to get communities of cells.
199
520000
2000
e começaram a formar
comunidades de células.
comunidades de células.
08:57
I don't know if you know this,
200
522000
2000
Não sei se sabem isto,
mas as bactérias conseguem trocar ADN.
mas as bactérias conseguem trocar ADN.
08:59
but bacteria can actually exchange DNA.
201
524000
2000
09:01
Now that's why, for instance,
202
526000
2000
É por isso que, por exemplo,
a resistência antibiótica tem evoluído.
a resistência antibiótica tem evoluído.
09:03
antibiotic resistance has evolved.
203
528000
2000
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
Umas bactérias quaisquer
perceberam como evitar a penicilina
perceberam como evitar a penicilina
09:08
and it went around sort of creating its little DNA information
205
533000
3000
e começaram a criar a sua informação
de ADN com outras bactérias
de ADN com outras bactérias
09:11
with other bacteria,
206
536000
2000
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
e agora temos muitas bactérias
resistentes à penicilina,
resistentes à penicilina,
09:16
because bacteria communicate.
208
541000
2000
porque as bactérias comunicam.
09:18
Now what this communication allowed
209
543000
2000
Ora, o que esta comunicação permitiu
09:20
was communities to form
210
545000
2000
foi que se formassem comunidades
09:22
that, in some sense, were in the same boat together;
211
547000
2000
que, de certa forma,
estavam no mesmo barco e eram sinérgicas.
estavam no mesmo barco e eram sinérgicas.
09:24
they were synergistic.
212
549000
2000
09:26
So they survived
213
551000
2000
Portanto ou sobreviviam
ou falhavam em conjunto,
ou falhavam em conjunto,
09:28
or they failed together,
214
553000
2000
09:30
which means that if a community was very successful,
215
555000
2000
o que significa que,
se uma comunidade tivesse sucesso,
se uma comunidade tivesse sucesso,
09:32
all the individuals in that community
216
557000
2000
todos os indivíduos dessa comunidade
09:34
were repeated more
217
559000
2000
repetiam-se mais vezes
e eram favorecidos pela evolução.
e eram favorecidos pela evolução.
09:36
and they were favored by evolution.
218
561000
3000
09:39
Now the transition point happened
219
564000
2000
O ponto de transição ocorreu
09:41
when these communities got so close
220
566000
2000
quando estas comunidades
se aproximaram tanto
se aproximaram tanto
09:43
that, in fact, they got together
221
568000
2000
que se juntaram
09:45
and decided to write down the whole recipe for the community
222
570000
3000
e decidiram escrever a receita
completa para a comunidade
completa para a comunidade
09:48
together on one string of DNA.
223
573000
3000
numa única linha de ADN.
09:51
And so the next stage that's interesting in life
224
576000
2000
E assim a fase seguinte
de interesse na vida
de interesse na vida
09:53
took about another billion years.
225
578000
2000
demorou mais 1000 milhões de anos.
09:55
And at that stage,
226
580000
2000
Nessa fase,
temos comunidades multi-celulares,
temos comunidades multi-celulares,
09:57
we have multi-cellular communities,
227
582000
2000
09:59
communities of lots of different types of cells,
228
584000
2000
comunidades com muitas
células de tipos diferentes
células de tipos diferentes
10:01
working together as a single organism.
229
586000
2000
a trabalhar em conjunto
como um único organismo.
como um único organismo.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
De facto, nós somos
uma comunidade multi-celular desse tipo.
uma comunidade multi-celular desse tipo.
10:06
We have lots of cells
231
591000
2000
Temos muitas células
que já não são independentes.
que já não são independentes.
10:08
that are not out for themselves anymore.
232
593000
2000
10:10
Your skin cell is really useless
233
595000
3000
As células da pele são inúteis
10:13
without a heart cell, muscle cell,
234
598000
2000
sem células do coração, dos músculos,
10:15
a brain cell and so on.
235
600000
2000
do cérebro e por aí fora.
10:17
So these communities began to evolve
236
602000
2000
Portanto, estas comunidades evoluíram
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
de tal forma que o interessante nível
em que decorria a evolução
em que decorria a evolução
10:22
was no longer a cell,
238
607000
2000
já não era uma célula,
10:24
but a community which we call an organism.
239
609000
3000
mas uma comunidade
a que chamamos organismo.
a que chamamos organismo.
10:28
Now the next step that happened
240
613000
2000
Ora, o passo seguinte que ocorreu
10:30
is within these communities.
241
615000
2000
foi dentro destas comunidades.
10:32
These communities of cells,
242
617000
2000
Estas comunidades de células,
10:34
again, began to abstract information.
243
619000
2000
novamente, começaram
a resumir informações
a resumir informações
10:36
And they began building very special structures
244
621000
3000
Começaram a construir
estruturas muito especiais
estruturas muito especiais
10:39
that did nothing but process information within the community.
245
624000
3000
que apenas processavam
informações dentro da comunidade.
informações dentro da comunidade.
10:42
And those are the neural structures.
246
627000
2000
Essas estruturas são as estruturas neurais.
10:44
So neurons are the information processing apparatus
247
629000
3000
Portanto os neurónios são o aparelho
de processamento da informação
de processamento da informação
10:47
that those communities of cells built up.
248
632000
3000
que essas comunidades
de células construíram.
de células construíram.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
De facto, começaram a formar
especialistas na comunidade
especialistas na comunidade
10:52
and special structures
250
637000
2000
e estruturas especiais
10:54
that were responsible for recording,
251
639000
2000
que eram responsáveis pela gravação,
10:56
understanding, learning information.
252
641000
3000
compreensão e aprendizagem de informações.
10:59
And that was the brains and the nervous system
253
644000
2000
Isso era o cérebro e o sistema nervoso
dessas comunidades.
dessas comunidades.
11:01
of those communities.
254
646000
2000
11:03
And that gave them an evolutionary advantage.
255
648000
2000
Isso deu-lhes uma vantagem evolutiva.
11:05
Because at that point,
256
650000
3000
Porque, a partir daquele momento,
11:08
an individual --
257
653000
3000
podia ocorrer uma aprendizagem individual
11:11
learning could happen
258
656000
2000
durante o tempo de vida
de um único organismo,
de um único organismo,
11:13
within the time span of a single organism,
259
658000
2000
11:15
instead of over this evolutionary time span.
260
660000
3000
em vez de durante
todo o tempo de evolução.
todo o tempo de evolução.
11:18
So an organism could, for instance,
261
663000
2000
Um organismo podia, por exemplo,
11:20
learn not to eat a certain kind of fruit
262
665000
2000
aprender a não comer
determinado tipo de fruta
determinado tipo de fruta
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
porque tinha mau sabor e ficara doente
da última vez que a comera.
da última vez que a comera.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
Isso podia acontecer no espaço de vida
dum único organismo.
dum único organismo.
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
enquanto que anteriormente
tinham que construir
tinham que construir
as estruturas
de processamento de informações
de processamento de informações
11:33
that would have had to be learned evolutionarily
266
678000
2000
que tinham que ser aprendidas
de forma evolutiva,
de forma evolutiva,
11:35
over hundreds of thousands of years
267
680000
3000
ao longo de centenas de milhares de anos
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
pela morte dos indivíduos
que comiam essa fruta.
que comiam essa fruta.
11:41
So that nervous system,
269
686000
2000
Aquele sistema nervoso,
11:43
the fact that they built these special information structures,
270
688000
3000
o facto de terem construído
essas estruturas de informação,
essas estruturas de informação,
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
acelerou muito todo o processo da evolução.
11:49
Because evolution could now happen within an individual.
272
694000
3000
Porque a evolução pôde passar a decorrer
dentro de um indivíduo.
dentro de um indivíduo.
11:52
It could happen in learning time scales.
273
697000
3000
Pôde acontecer em escalas
de aprendizagem temporais.
de aprendizagem temporais.
11:55
But then what happened
274
700000
2000
Mas o que aconteceu depois
11:57
was the individuals worked out,
275
702000
2000
foi que os indivíduos descobriram,
truques para comunicarem.
truques para comunicarem.
11:59
of course, tricks of communicating.
276
704000
2000
12:01
And for example,
277
706000
2000
Por exemplo,
a forma mais sofisticada que conhecemos
é a linguagem humana.
é a linguagem humana.
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
É uma invenção extraordinária,
se pensarmos nisso.
se pensarmos nisso.
12:09
Here I have a very complicated, messy,
280
714000
2000
Tenho uma ideia muito complicada,
desorganizada, confusa
desorganizada, confusa
12:11
confused idea in my head.
281
716000
3000
dentro da minha cabeça.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
Estou aqui, basicamente,
a fazer grunhidos,
a fazer grunhidos,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
na esperança de construir uma ideia
confusa e desorganizada na vossa cabeça
confusa e desorganizada na vossa cabeça
12:20
that bears some analogy to it.
284
725000
2000
que estabeleça uma ligação com a minha.
12:22
But we're taking something very complicated,
285
727000
2000
Estou a pegar numa coisa
muito complicada,
muito complicada,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
a transformá-la em som,
sequências de sons,
sequências de sons,
12:27
and producing something very complicated in your brain.
287
732000
4000
e a produzir uma coisa
muito complicada no vosso cérebro.
muito complicada no vosso cérebro.
12:31
So this allows us now
288
736000
2000
Isto permite-nos agora
12:33
to begin to start functioning
289
738000
2000
começar a funcionar
como um único organismo.
como um único organismo.
12:35
as a single organism.
290
740000
3000
12:38
And so, in fact, what we've done
291
743000
3000
Então, o que a humanidade tem feito,
12:41
is we, humanity,
292
746000
2000
12:43
have started abstracting out.
293
748000
2000
é começara a abstrair.
12:45
We're going through the same levels
294
750000
2000
Estamos a passar pelos mesmo níveis
que os organismos multi-celulares passaram
que os organismos multi-celulares passaram
12:47
that multi-cellular organisms have gone through --
295
752000
2000
12:49
abstracting out our methods of recording,
296
754000
3000
— a abstrair os nossos métodos de gravação,
12:52
presenting, processing information.
297
757000
2000
de apresentação e de processamento
de informações.
de informações.
12:54
So for example, the invention of language
298
759000
2000
Por exemplo, a invenção da linguagem
12:56
was a tiny step in that direction.
299
761000
3000
foi um pequeno passo nessa direcção.
12:59
Telephony, computers,
300
764000
2000
A telefonia, os computadores
13:01
videotapes, CD-ROMs and so on
301
766000
3000
as cassettes de vídeo, os CD-ROMs e outros
13:04
are all our specialized mechanisms
302
769000
2000
são mecanismos especializados
13:06
that we've now built within our society
303
771000
2000
que construímos dentro da sociedade
13:08
for handling that information.
304
773000
2000
para lidar com essas informações.
13:10
And it all connects us together
305
775000
3000
Isso liga-nos uns aos outros
numa coisa que é muito maior
numa coisa que é muito maior
13:13
into something
306
778000
2000
13:15
that is much bigger
307
780000
2000
13:17
and much faster
308
782000
2000
muito mais rápida e capaz de evoluir
13:19
and able to evolve
309
784000
2000
13:21
than what we were before.
310
786000
2000
do que éramos antes.
13:23
So now, evolution can take place
311
788000
2000
A evolução pode ocorrer agora
numa escala de microssegundos.
numa escala de microssegundos.
13:25
on a scale of microseconds.
312
790000
2000
13:27
And you saw Ty's little evolutionary example
313
792000
2000
Vocês viram o exemplo evolutivo do Ty,
13:29
where he sort of did a little bit of evolution
314
794000
2000
em que ele fez uma espécie de evolução
13:31
on the Convolution program right before your eyes.
315
796000
3000
no programa Convolução
mesmo à vossa frente.
mesmo à vossa frente.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
Mais uma vez acelerámos
as escalas do tempo.
as escalas do tempo.
13:37
So the first steps of the story that I told you about
317
802000
2000
Os primeiros passos
da história que vos contei
da história que vos contei
13:39
took a billion years a piece.
318
804000
2000
demoraram 1000 milhões de anos cada um.
13:41
And the next steps,
319
806000
2000
E os passos seguintes,
como o sistema nervoso e o cérebro,
como o sistema nervoso e o cérebro,
13:43
like nervous systems and brains,
320
808000
2000
13:45
took a few hundred million years.
321
810000
2000
demoraram umas centenas de milhões de anos.
13:47
Then the next steps, like language and so on,
322
812000
3000
Os passos seguintes,
como a linguagem e o resto
como a linguagem e o resto
13:50
took less than a million years.
323
815000
2000
demoraram menos de um milhão de anos.
13:52
And these next steps, like electronics,
324
817000
2000
E os próximos passos, como a electrónica,
13:54
seem to be taking only a few decades.
325
819000
2000
parecem estar a demorar
apenas umas décadas.
apenas umas décadas.
13:56
The process is feeding on itself
326
821000
2000
O processo alimenta-se de si próprio
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
e torna-se, suponho,
auto-catalítico — é a palavra certa
auto-catalítico — é a palavra certa
14:01
when something reinforces its rate of change.
328
826000
3000
quando algo reforça o seu ritmo de mudança.
14:04
The more it changes, the faster it changes.
329
829000
3000
Quanto mais muda, mais rápido muda.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
Penso que é isso que estamos a ver
aqui, nesta curva de explosão.
aqui, nesta curva de explosão.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
Estamos a ver este processo
de auto-alimentação.
de auto-alimentação.
14:13
Now I design computers for a living,
332
838000
3000
Eu trabalho no desenho de computadores,
14:16
and I know that the mechanisms
333
841000
2000
e sei que os mecanismos
que uso para desenhar computadores
que uso para desenhar computadores
14:18
that I use to design computers
334
843000
3000
14:21
would be impossible
335
846000
2000
seriam impossíveis sem os recentes
avanços nos computadores.
avanços nos computadores.
14:23
without recent advances in computers.
336
848000
2000
14:25
So right now, what I do
337
850000
2000
E agora, o que faço
14:27
is I design objects at such complexity
338
852000
3000
é desenhar objectos
com tanta complexidade
com tanta complexidade
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
que na realidade é impossível
desenhá-los duma forma tradicional.
desenhá-los duma forma tradicional.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
Eu não sei o que é que faz
cada transístor numa máquina.
cada transístor numa máquina.
14:37
There are billions of them.
341
862000
2000
São milhares de milhões.
14:39
Instead, what I do
342
864000
2000
Mas, o que eu faço
14:41
and what the designers at Thinking Machines do
343
866000
3000
e o que os desenhadores
da Thinking Machines fazem
da Thinking Machines fazem
14:44
is we think at some level of abstraction
344
869000
2000
é pensarmos num certo nível de abstracção
14:46
and then we hand it to the machine
345
871000
2000
e depois entregamos isso à máquina.
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
A máquina leva isso a um ponto
para além do que seríamos capazes,
para além do que seríamos capazes,
14:51
much farther and faster than we could ever do.
347
876000
3000
mais longe e mais depressa
do que seríamos capazes.
do que seríamos capazes.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
De facto, às vezes, fá-lo com métodos
14:56
that we don't quite even understand.
349
881000
3000
que nem sequer compreendemos.
14:59
One method that's particularly interesting
350
884000
2000
Um método particularmente interessante
15:01
that I've been using a lot lately
351
886000
3000
que tenho utilizado recentemente
15:04
is evolution itself.
352
889000
2000
é a própria evolução.
15:06
So what we do
353
891000
2000
Portanto, o que fazemos
é colocar dentro da máquina
é colocar dentro da máquina
15:08
is we put inside the machine
354
893000
2000
15:10
a process of evolution
355
895000
2000
um processo de evolução
15:12
that takes place on the microsecond time scale.
356
897000
2000
que decorre numa escala temporal
de microssegundos.
de microssegundos.
15:14
So for example,
357
899000
2000
Por exemplo, nos casos mais extremos,
15:16
in the most extreme cases,
358
901000
2000
15:18
we can actually evolve a program
359
903000
2000
podemos desenvolver um programa
15:20
by starting out with random sequences of instructions.
360
905000
4000
começando com uma série
aleatória de instruções.
aleatória de instruções.
15:24
Say, "Computer, would you please make
361
909000
2000
Dizemos; "Computador, por favor,
15:26
a hundred million random sequences of instructions.
362
911000
3000
faça cem milhões de sequências
aleatórias de instruções.
aleatórias de instruções.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
E agora, por favor, corra essas sequências
aleatórias de instruções,
aleatórias de instruções,
15:32
run all of those programs,
364
917000
2000
corra esses programas todos,
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
e escolha os que mais se aproximam
daquilo que eu quero."
daquilo que eu quero."
15:37
So in other words, I define what I wanted.
366
922000
2000
Por outras palavras,
eu defino o que quero.
eu defino o que quero.
15:39
Let's say I want to sort numbers,
367
924000
2000
Imaginem que eu queria ordenar números,
15:41
as a simple example I've done it with.
368
926000
2000
como fiz num pequeno exemplo.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
Encontre os programas que mais se aproximam
dos que ordenam números.
dos que ordenam números.
15:46
So of course, random sequences of instructions
370
931000
3000
Claro que sequências
aleatórias de instruções
aleatórias de instruções
15:49
are very unlikely to sort numbers,
371
934000
2000
provavelmente não ordenarão números,
15:51
so none of them will really do it.
372
936000
2000
portanto nenhuma fará isso.
15:53
But one of them, by luck,
373
938000
2000
Mas uma dessas, por acaso,
15:55
may put two numbers in the right order.
374
940000
2000
poderá colocar dois números
na ordem correcta.
na ordem correcta.
15:57
And I say, "Computer,
375
942000
2000
E eu digo,: "Computador, por favor,
15:59
would you please now take the 10 percent
376
944000
3000
seleccione os 10% das sequências
que fizeram o melhor trabalho.
que fizeram o melhor trabalho.
16:02
of those random sequences that did the best job.
377
947000
2000
16:04
Save those. Kill off the rest.
378
949000
2000
Guarde essas. Elimine as restantes.
16:06
And now let's reproduce
379
951000
2000
Agora vamos reproduzir
16:08
the ones that sorted numbers the best.
380
953000
2000
as que ordenaram os números
da forma mais correcta.
da forma mais correcta.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
E vamos reproduzi-las através
de um processo de recombinação
de um processo de recombinação
16:13
analogous to sex."
382
958000
2000
semelhante ao sexo."
16:15
Take two programs and they produce children
383
960000
3000
Pega-se em dois programas
e eles produzem filhos
e eles produzem filhos
16:18
by exchanging their subroutines,
384
963000
2000
pela troca de sub-rotinas.
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
Os filhos herdam as características
das sub-rotinas dos dois programas.
das sub-rotinas dos dois programas.
16:23
So I've got now a new generation of programs
386
968000
3000
Agora tenho uma nova geração de programas
16:26
that are produced by combinations
387
971000
2000
que são produzidos pelas combinações
16:28
of the programs that did a little bit better job.
388
973000
2000
dos programas que fizeram
um trabalho melhor.
um trabalho melhor.
16:30
Say, "Please repeat that process."
389
975000
2000
Dizemos, "Repita o processo."
16:32
Score them again.
390
977000
2000
Registe-os novamente.
16:34
Introduce some mutations perhaps.
391
979000
2000
Introduza talvez algumas mutações.
16:36
And try that again and do that for another generation.
392
981000
3000
Tente isso várias vezes
e faça outra geração.
e faça outra geração.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
Cada uma dessas gerações
demora apenas alguns milissegundos.
demora apenas alguns milissegundos.
16:42
So I can do the equivalent
394
987000
2000
Portanto posso fazer o equivalente
a milhões de anos de evolução
a milhões de anos de evolução
16:44
of millions of years of evolution on that
395
989000
2000
16:46
within the computer in a few minutes,
396
991000
3000
dentro dum computador, em poucos minutos,
16:49
or in the complicated cases, in a few hours.
397
994000
2000
ou em casos complicados, em poucas horas.
16:51
At the end of that, I end up with programs
398
996000
3000
No fim disso, tenho um programa
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
que é perfeito na ordenação de números.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
De facto, são programas
muito mais eficazes
muito mais eficazes
16:59
than programs I could have ever written by hand.
401
1004000
2000
do que os programas
que eu poderia ter feito pessoalmente.
que eu poderia ter feito pessoalmente.
17:01
Now if I look at those programs,
402
1006000
2000
Se eu olhar para esses programas,
17:03
I can't tell you how they work.
403
1008000
2000
não sei dizer como funcionam.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
Já tentei olhar para eles
para explicar como funcionam.
para explicar como funcionam.
17:07
They're obscure, weird programs.
405
1012000
2000
São programas estranhos e obscuros.
17:09
But they do the job.
406
1014000
2000
Mas fazem o trabalho.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
De facto, confio que conseguem
fazer o trabalho
fazer o trabalho
17:14
because they come from a line
408
1019000
2000
porque são originários
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
de centenas de milhares de programas
que fizeram o trabalho.
que fizeram o trabalho.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
A vida deles dependia
de serem capazes de fazer o trabalho.
de serem capazes de fazer o trabalho.
17:21
(Laughter)
411
1026000
4000
(Risos)
17:26
I was riding in a 747
412
1031000
2000
Uma vez ia num 747
com o Marvin Minsky.
com o Marvin Minsky.
17:28
with Marvin Minsky once,
413
1033000
2000
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
Ele puxa dum cartão e diz:
"Olha. Olha para isto.
"Olha. Olha para isto.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
O cartão diz: 'Este avião tem centenas
de milhares de pequenas partes
de milhares de pequenas partes
17:37
working together to make you a safe flight.'
416
1042000
4000
que trabalham em conjunto
para garantir um voo seguro'.
para garantir um voo seguro'.
17:41
Doesn't that make you feel confident?"
417
1046000
2000
Não se sente confiante?"
17:43
(Laughter)
418
1048000
2000
(Risos)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
De facto, sabemos que os processos
de engenharia não funcionam muito bem
de engenharia não funcionam muito bem
17:48
when it gets complicated.
420
1053000
2000
quando as coisas se complicam.
17:50
So we're beginning to depend on computers
421
1055000
2000
Estamos a começar a depender
muito dos computadores
muito dos computadores
17:52
to do a process that's very different than engineering.
422
1057000
4000
para fazer um processo
muito diferente da engenharia.
muito diferente da engenharia.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
E permite-nos produzir coisas
com muito mais complexidade
com muito mais complexidade
17:59
than normal engineering lets us produce.
424
1064000
2000
que a engenharia normal nos permite.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
Contudo, não percebemos bem as suas opções.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
Portanto, de certa foram,
está a ultrapassar-nos.
está a ultrapassar-nos.
18:06
We're now using those programs
427
1071000
2000
Estamos agora a usar esses programas
18:08
to make much faster computers
428
1073000
2000
para fazer computadores ainda mais rápidos
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
para podermos correr
este processo ainda mais depressa.
este processo ainda mais depressa.
18:13
So it's feeding back on itself.
430
1078000
3000
Portanto, está a alimentar-se
de si próprio.
de si próprio.
18:16
The thing is becoming faster
431
1081000
2000
A coisa está a tornar-se mais rápida
18:18
and that's why I think it seems so confusing.
432
1083000
2000
e é por isso que a acho tão confusa.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
Porque todas estas tecnologias
estão a alimentar-se de si próprias.
estão a alimentar-se de si próprias.
18:23
We're taking off.
434
1088000
2000
Estamos a levantar voo.
18:25
And what we are is we're at a point in time
435
1090000
3000
E estamos agora num momento análogo
18:28
which is analogous to when single-celled organisms
436
1093000
2000
ao tempo em que os organismos unicelulares
18:30
were turning into multi-celled organisms.
437
1095000
3000
se estavam a transformar
em organismos multi-celulares.
em organismos multi-celulares.
18:33
So we're the amoebas
438
1098000
2000
Somos as amoebas
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
e não sabemos bem
que raio é isto que estamos a criar.
que raio é isto que estamos a criar.
18:38
We're right at that point of transition.
440
1103000
2000
Estamos mesmo nesse ponto de transição.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
Mas acho que existe algo que virá a seguir.
18:43
I think it's very haughty of us
442
1108000
2000
Penso que é arrogante da nossa parte
18:45
to think that we're the end product of evolution.
443
1110000
3000
pensarmos que somos
o produto final da evolução.
o produto final da evolução.
18:48
And I think all of us here
444
1113000
2000
Penso que todos nós
estamos a ajudar a produzir
estamos a ajudar a produzir
18:50
are a part of producing
445
1115000
2000
18:52
whatever that next thing is.
446
1117000
2000
o quer que seja que aí vem.
18:54
So lunch is coming along,
447
1119000
2000
O que aí vem é o almoço,
18:56
and I think I will stop at that point,
448
1121000
2000
e penso que vou parar neste ponto,
18:58
before I get selected out.
449
1123000
2000
antes que corram comigo.
19:00
(Applause)
450
1125000
3000
(Aplausos)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com