TEDxUIUC
Christoph Adami: Finding life we can't imagine
Christoph Adami: Entdeckung eines unerwarteten Lebens
Filmed:
Readability: 3.7
652,149 views
Wie sucht man nach außerirdischem Leben, wenn es sich völlig von dem Leben, das wir kennen, unterscheidet? Beim TEDxUIUC Event zeigt Christoph Adami, wie er seine Forschungsergebnisse zu künstlichem Leben – nämlich sich selbst reproduzierende Computer Programme – benutzt, um eine Signatur zu finden, einen "Biomarker", der absolut frei ist von unserer Auffassung was Leben.
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
Meine Karriere ist ungewöhnlich.
00:17
I know it because people come up to me, like colleagues,
1
2000
3000
Ich weiß das, weil Menschen, wie etwa Kollegen,
00:20
and say, "Chris, you have a strange career."
2
5000
2000
zu mir kommen und sagen: "Chris, deine Karriere ist ungewöhnlich."
00:22
(Laughter)
3
7000
2000
(Gelächter)
00:24
And I can see their point,
4
9000
2000
Und ich kann gut verstehen, was sie meinen,
00:26
because I started my career
5
11000
2000
da ich meine Karriere
00:28
as a theoretical nuclear physicist.
6
13000
2000
als theoretischer Nuklearphysiker begann.
00:30
And I was thinking about quarks and gluons
7
15000
2000
Ich machte mir Gedanken über Quarks und Gluonen,
00:32
and heavy ion collisions,
8
17000
2000
und Schwerion-Kollisionen,
00:34
and I was only 14 years old.
9
19000
2000
und das im Alter von 14 Jahren.
00:36
No, no, I wasn't 14 years old.
10
21000
3000
Nein, nein, ich war nicht 14 Jahre alt.
00:40
But after that,
11
25000
2000
Aber danach
00:42
I actually had my own lab
12
27000
2000
hatte ich wirklich mein eigenes Labor
00:44
in the computational neuroscience department,
13
29000
2000
in der für Computational Neuroscience
00:46
and I wasn't doing any neuroscience.
14
31000
2000
und ich machte keine Neurowissenschaft.
00:48
Later, I would work on evolutionary genetics,
15
33000
3000
Später würde ich an Evolutionsgenetik arbeiten,
00:51
and I would work on systems biology.
16
36000
2000
und an Systembiologie.
00:53
But I'm going to tell you about something else today.
17
38000
3000
Aber heute will ich von etwas anderem erzählen.
00:56
I'm going to tell you
18
41000
2000
Ich werde Ihnen erzählen,
00:58
about how I learned something about life.
19
43000
2000
wie ich etwas über das Leben lernte.
01:00
And I was actually a rocket scientist.
20
45000
4000
Ich war eigentlich Raketenwissenschaftler.
01:04
I wasn't really a rocket scientist,
21
49000
2000
Ich war nicht wirklich ein Raketenwissenschaftler,
01:06
but I was working
22
51000
2000
aber ich arbeitete
01:08
at the Jet Propulsion Laboratory
23
53000
2000
im Labor für Jet-Propulsion,
01:10
in sunny California where it's warm;
24
55000
3000
im sonnigen Kalifornien, wo es warm ist;
01:13
whereas now I'm in the mid-West,
25
58000
2000
wohingegen ich jetzt im Mittleren Westen bin,
01:15
and it's cold.
26
60000
2000
und es ist kalt.
01:17
But it was an exciting experience.
27
62000
3000
Aber es war eine aufregende Erfahrung.
01:20
One day a NASA manager comes into my office,
28
65000
3000
Eines Tages kam ein NASA Manager in mein Büro,
01:23
sits down and says,
29
68000
3000
setzte sich und sagte:
01:26
"Can you please tell us,
30
71000
2000
"Können Sie uns bitte sagen,
01:28
how do we look for life outside Earth?"
31
73000
2000
wie wir nach Leben außerhalb der Erde suchen sollten?"
01:30
And that came as a surprise to me,
32
75000
2000
Da war ich überrascht,
01:32
because I was actually hired
33
77000
2000
da ich eigentlich eingestellt worden war,
01:34
to work on quantum computation.
34
79000
2000
um an Quantum Computation zu arbeiten.
01:36
Yet, I had a very good answer.
35
81000
2000
Und doch hatte ich eine richtig gute Antwort.
01:38
I said, "I have no idea."
36
83000
3000
Ich sagte: "Ich habe keine Ahnung."
01:41
And he told me, "Biosignatures,
37
86000
3000
Und er sagte zu mir: "Biosignaturen,
01:44
we need to look for a biosignature."
38
89000
2000
wir müssen nach Biosignaturen suchen."
01:46
And I said, "What is that?"
39
91000
2000
Und ich fragte: "Was ist das?"
01:48
And he said, "It's any measurable phenomenon
40
93000
2000
Er antwortete: "Jedes messbare Naturerscheinung,
01:50
that allows us to indicate
41
95000
2000
die Hinweise auf die Anwesenheit von Leben
01:52
the presence of life."
42
97000
2000
zulässt."
01:54
And I said, "Really?
43
99000
2000
Und ich sagte: "Wirklich?
01:56
Because isn't that easy?
44
101000
2000
Ist das so einfach?
01:58
I mean, we have life.
45
103000
2000
Ich meine, wir haben Leben.
02:00
Can't you apply a definition,
46
105000
2000
Kann man keine Definition anwenden,
02:02
like for example, a Supreme Court-like definition of life?"
47
107000
4000
wie zum Beispiel eine Definition des Lebens vom Obersten Gerichtshofs?"
02:06
And then I thought about it a little bit, and I said,
48
111000
2000
Und dann dachte ich eine Weile darüber nach und sagte:
02:08
"Well, is it really that easy?
49
113000
2000
"Nun ja, ist das wirklich so einfach?
02:10
Because, yes, if you see something like this,
50
115000
3000
Weil, ja, wenn man soetwas sieht,
02:13
then all right, fine, I'm going to call it life --
51
118000
2000
dann, ja klar, nenne ich das Leben--
02:15
no doubt about it.
52
120000
2000
kein Zweifel.
02:17
But here's something."
53
122000
2000
Aber hier ist etwas."
02:19
And he goes, "Right, that's life too. I know that."
54
124000
3000
Und er meinte: "Eben, das ist auch Leben. Das weiß ich."
02:22
Except, if you think life is also defined
55
127000
2000
Außer wenn man daran glaubt, dass Leben
02:24
by things that die,
56
129000
2000
durch Sterben definiert ist,
02:26
you're not in luck with this thing,
57
131000
2000
hat man hier kein Glück.
02:28
because that's actually a very strange organism.
58
133000
2000
da dies ein sehr merkwürdiger Organismus ist.
02:30
It grows up into the adult stage like that
59
135000
2000
Er wächst bis zu seiner Erwachsenenzeit so
02:32
and then goes through a Benjamin Button phase,
60
137000
3000
und durchschreitet dann eine Benjamin-Button-Phase,
02:35
and actually goes backwards and backwards
61
140000
2000
und entwickelt sich weiter und weiter zurück,
02:37
until it's like a little embryo again,
62
142000
2000
bis er wieder einem Embryo gleicht,
02:39
and then actually grows back up, and back down and back up -- sort of yo-yo --
63
144000
3000
und wächst danach wieder, schrumpft dann wieder, wächst wieder -- wie ein Jo-Jo--
02:42
and it never dies.
64
147000
2000
und er stirbt niemals.
02:44
So it's actually life,
65
149000
2000
Es handelt sich also um Leben,
02:46
but it's actually not
66
151000
2000
aber eben nicht so,
02:48
as we thought life would be.
67
153000
3000
wie wir es uns vorstellen.
02:51
And then you see something like that.
68
156000
2000
Und dann sieht man soetwas.
02:53
And he was like, "My God, what kind of a life form is that?"
69
158000
2000
Und er sagt: "Oh mein Gott, was für eine Form des Lebens ist das?"
02:55
Anyone know?
70
160000
2000
Weiß es jemand?
02:57
It's actually not life, it's a crystal.
71
162000
3000
Es ist eigentlich kein Leben, es ist ein Kristall.
03:00
So once you start looking and looking
72
165000
2000
Wenn man einmal anfängt
03:02
at smaller and smaller things --
73
167000
2000
auf die ganz kleinen Sachen zu schauen --
03:04
so this particular person
74
169000
2000
diese Person hat
03:06
wrote a whole article and said, "Hey, these are bacteria."
75
171000
3000
einen ganzen Artikel geschrieben und sagte, "Hey, das sind Bakterien."
03:09
Except, if you look a little bit closer,
76
174000
2000
Außer, wenn man noch genauer schaut,
03:11
you see, in fact, that this thing is way too small to be anything like that.
77
176000
3000
sieht man, dass in Wahrheit dieses Ding, viel zu klein ist, um das zu sein.
03:14
So he was convinced,
78
179000
2000
Also er war überzeugt,
03:16
but, in fact, most people aren't.
79
181000
2000
aber tatsächlich sind die meisten Menschen das nicht.
03:18
And then, of course,
80
183000
2000
Und dann natürlich
03:20
NASA also had a big announcement,
81
185000
2000
hat die NASA auch eine große Ankündigung gemacht
03:22
and President Clinton gave a press conference,
82
187000
2000
und Präsident Clinton hat eine Pressekonferenz gegeben,
03:24
about this amazing discovery
83
189000
2000
über diese unglaubliche Entdeckung
03:26
of life in a Martian meteorite.
84
191000
3000
von Leben auf einem Mars-Meteroiten.
03:29
Except that nowadays, it's heavily disputed.
85
194000
4000
Nur ist das heutzutage sehr umstritten.
03:33
If you take the lesson of all these pictures,
86
198000
3000
Wenn man aus all diesen Bildern lernt,
03:36
then you realize, well actually maybe it's not that easy.
87
201000
2000
dann wird man feststellen, dass es eigentlich nicht so einfach ist.
03:38
Maybe I do need
88
203000
2000
Vielleicht brauche ich docch
03:40
a definition of life
89
205000
2000
eine Defintion des Lebens,
03:42
in order to make that kind of distinction.
90
207000
2000
um diese Unterscheidung zu machen.
03:44
So can life be defined?
91
209000
2000
Kann man Leben definieren?
03:46
Well how would you go about it?
92
211000
2000
Wie würden Sie es angehen?
03:48
Well of course,
93
213000
2000
Natürlich
03:50
you'd go to Encyclopedia Britannica and open at L.
94
215000
2000
wüde man die Encyclopedia Britannica nehmen und L aufschlagen.
03:52
No, of course you don't do that; you put it somewhere in Google.
95
217000
3000
Nein, natürlich würde man das nicht manchen, man würde es googeln.
03:55
And then you might get something.
96
220000
3000
Und dann hat man vielleicht ein Ergebnis.
03:58
And what you might get --
97
223000
2000
Und was man vielleicht bekommt --
04:00
and anything that actually refers to things that we are used to,
98
225000
2000
und alles, was sich auf Dinge bezieht, die wir gewohnt sind,
04:02
you throw away.
99
227000
2000
schmeißt man weg.
04:04
And then you might come up with something like this.
100
229000
2000
Und dann kommt man vielleicht auf soetwas.
04:06
And it says something complicated
101
231000
2000
Und es ist etwas Kompliziertes
04:08
with lots and lots of concepts.
102
233000
2000
mit sehr vielen Konzepten.
04:10
Who on Earth would write something
103
235000
2000
Wer würde so etwas
04:12
as convoluted and complex
104
237000
2000
Verschachteltes und Komplexes
04:14
and inane?
105
239000
3000
und Sinnloses schreiben?
04:17
Oh, it's actually a really, really, important set of concepts.
106
242000
4000
Oh, es ist eigentlich ein wirklich bedeutender Konzeptenkomplex.
04:21
So I'm highlighting just a few words
107
246000
3000
Also, ich hebe einige Wörter hervor
04:24
and saying definitions like that
108
249000
2000
und sage, dass solche Defintionen
04:26
rely on things that are not based
109
251000
2000
beruhen auf Sachen, die nicht
04:28
on amino acids or leaves
110
253000
3000
auf Aminosäuren oder Blättern basieren,
04:31
or anything that we are used to,
111
256000
2000
oder auf etwas, was wir gewohnt sind,
04:33
but in fact on processes only.
112
258000
2000
sondern in Wahrheit nur auf Prozessen.
04:35
And if you take a look at that,
113
260000
2000
Wenn man sich das anschaut ist,
04:37
this was actually in a book that I wrote that deals with artificial life.
114
262000
3000
ist dies eigentlich in einem Buch, das ich über künstliches Leben geschrieben habe.
04:40
And that explains why
115
265000
2000
Und das erklärt, warum
04:42
that NASA manager was actually in my office to begin with.
116
267000
3000
der NASA-Manager überhaupt bei mir im Büro war.
04:45
Because the idea was that, with concepts like that,
117
270000
3000
Weil die Idee war, dass wir mit solchen Konzepten
04:48
maybe we can actually manufacture
118
273000
2000
wir vielleicht tatsächlich
04:50
a form of life.
119
275000
2000
eine Form des Lebens herstellen können.
04:52
And so if you go and ask yourself,
120
277000
3000
Und wenn man sich fragt,
04:55
"What on Earth is artificial life?",
121
280000
2000
"Was zum Himmel ist künstliches Leben?",
04:57
let me give you a whirlwind tour
122
282000
2000
lassen Sie mich Ihnen einen schnellen Überblick geben,
04:59
of how all this stuff came about.
123
284000
2000
wie das Ganze angefangen hat.
05:01
And it started out quite a while ago
124
286000
3000
Und es hat vor einiger Zeit angefangen,
05:04
when someone wrote
125
289000
2000
als jemand
05:06
one of the first successful computer viruses.
126
291000
2000
einen der ersten erfolgreichen Computerviren geschrieben hat.
05:08
And for those of you who aren't old enough,
127
293000
3000
Und alle die nicht alt genug sind,
05:11
you have no idea how this infection was working --
128
296000
3000
Sie haben keine Ahnung, wie diese Infektion passierte --
05:14
namely, through these floppy disks.
129
299000
2000
nämlich durch diese Disketten.
05:16
But the interesting thing about these computer virus infections
130
301000
3000
Aber das Interessante an diesen Virusinfektionen der Computer
05:19
was that, if you look at the rate
131
304000
2000
war, dass, wenn man auf die Infektionsrate schaut,
05:21
at which the infection worked,
132
306000
2000
in der die Infektionen passierten,
05:23
they show this spiky behavior
133
308000
2000
sich diese Zacken zeigen,
05:25
that you're used to from a flu virus.
134
310000
3000
dass man von Grippeviren kennt.
05:28
And it is in fact due to this arms race
135
313000
2000
Und in Wahrheit ist es der Rüstungswettlauf
05:30
between hackers and operating system designers
136
315000
3000
zwischen Hackern und Designern der Computersysteme,
05:33
that things go back and forth.
137
318000
2000
der alles es hin und her gehen lässt.
05:35
And the result is kind of a tree of life
138
320000
2000
Und das Ergebnis ist eine Art Lebensbaum
05:37
of these viruses,
139
322000
2000
dieser Viren,
05:39
a phylogeny that looks very much
140
324000
3000
eine Stammesgeschichte, die der Art des Lebens, die wir kennen,
05:42
like the type of life that we're used to, at least on the viral level.
141
327000
3000
sehr ähnlich sieht, zumindest auf der viralen Ebene.
05:45
So is that life? Not as far as I'm concerned.
142
330000
3000
Ist das also Leben? Nicht für mich.
05:48
Why? Because these things don't evolve by themselves.
143
333000
3000
Warum? Weil diese Dinge sich nicht eigenständig entwickeln.
05:51
In fact, they have hackers writing them.
144
336000
2000
In Wahrheit, schreiben Hacker sie.
05:53
But the idea was taken very quickly a little bit further
145
338000
4000
Dieser Ansatz wurde schnell aufgegriffen und weitergeführt,
05:57
when a scientist working at the Scientific Institute decided,
146
342000
3000
als ein Wissenschaftler am Scientific Institute beschloss,
06:00
"Why don't we try to package these little viruses
147
345000
3000
"Warum versuchen wir nicht, diese kleinen Viren
06:03
in artificial worlds inside of the computer
148
348000
2000
in künstliche Welten im Computer zu packen,
06:05
and let them evolve?"
149
350000
2000
und lassen die sich selbst entwickeln?"
06:07
And this was Steen Rasmussen.
150
352000
2000
Und das war Steen Rasmussen.
06:09
And he designed this system, but it really didn't work,
151
354000
2000
Er hat dieses System entwickelt, aber es funktionierte nicht wirklich,
06:11
because his viruses were constantly destroying each other.
152
356000
3000
weil die Viren sich ständig gegenseitig zerstörten.
06:14
But there was another scientist who had been watching this, an ecologist.
153
359000
3000
Aber es gab noch einen Wissenschaftler, der das beobachtet hatte, einen Ökologen.
06:17
And he went home and says, "I know how to fix this."
154
362000
3000
Er ging nach Hause und sagte, "Ich weiß, wie man das in Ordnung bringen kann."
06:20
And he wrote the Tierra system,
155
365000
2000
Und er schrieb das Tierrasystem,
06:22
and, in my book, is in fact one of the first
156
367000
3000
und, in meinen Buch ist es wirklich eines der ersten
06:25
truly artificial living systems --
157
370000
2000
wahren künstlichen lebenden Systeme --
06:27
except for the fact that these programs didn't really grow in complexity.
158
372000
3000
außer dass diese Programme nicht an Kompexität wuchsen.
06:30
So having seen this work, worked a little bit on this,
159
375000
3000
Als man sah, dass das funktioniert und ein wenig daran arbeitete,
06:33
this is where I came in.
160
378000
2000
da kam ich dazu.
06:35
And I decided to create a system
161
380000
2000
Und ich beschloss ein System zu entwickeln,
06:37
that has all the properties that are necessary
162
382000
2000
das alle Voraussetzungen erfüllt, die notwendig sind
06:39
to see the evolution of complexity,
163
384000
3000
für die Evolution von Komplexität, nach der sich
06:42
more and more complex problems constantly evolving.
164
387000
3000
immer komplexere Probleme sich ständig entwickeln.
06:45
And of course, since I really don't know how to write code, I had help in this.
165
390000
3000
Und da ich nicht wirklich wusste, wie man Code schreibt, hatte ich dabei natürlich Hilfe.
06:48
I had two undergraduate students
166
393000
2000
Zwei Studenten am
06:50
at California Institute of Technology that worked with me.
167
395000
3000
California Institute of Technology arbeiteten mit mir.
06:53
That's Charles Offria on the left, Titus Brown on the right.
168
398000
3000
Das ist Charles Offria auf der linken, und Titus Brown auf der rechten Seite.
06:56
They are now actually respectable professors
169
401000
3000
Die beiden sind jetzt wirklich anerkannte Professoren
06:59
at Michigan State University,
170
404000
2000
an der Michigan State University,
07:01
but I can assure you, back in the day,
171
406000
2000
aber ich kann Ihnen versichern, damals
07:03
we were not a respectable team.
172
408000
2000
waren wir nicht so ein respektables Team.
07:05
And I'm really happy that no photo survives
173
410000
2000
Und ich bin auch froh, dass es kein Fotos gibt
07:07
of the three of us anywhere close together.
174
412000
3000
von uns dreien nebeneinander.
07:10
But what is this system like?
175
415000
2000
Aber wie schaut nun dieses System aus?
07:12
Well I can't really go into the details,
176
417000
3000
Nun, ich kann nicht wirklich ins Detail gehen,
07:15
but what you see here is some of the entrails.
177
420000
2000
aber hier sehen Sie ein paar Einzelheiten.
07:17
But what I wanted to focus on
178
422000
2000
Aber worauf ich mich konzentrieren möchte,
07:19
is this type of population structure.
179
424000
2000
ist der Typ der Bevölkerungsstruktur.
07:21
There's about 10,000 programs sitting here.
180
426000
3000
Da sind etwa 10.000 Programme angesiedelt.
07:24
And all different strains are colored in different colors.
181
429000
3000
Und alle verschiedenen Stämme haben verschiedene Farben.
07:27
And as you see here, there are groups that are growing on top of each other,
182
432000
3000
Und wie man hier sieht, gibt es Gruppen, die übereinander wachsen,
07:30
because they are spreading.
183
435000
2000
weil sie sich ausbreiten.
07:32
Any time there is a program
184
437000
2000
Immer wenn es ein Programm gibt,
07:34
that's better at surviving in this world,
185
439000
2000
das besser in dieser Welt überlebt,
07:36
due to whatever mutation it has acquired,
186
441000
2000
aufgrund irgendeiner Mutation,
07:38
it is going to spread over the others and drive the others to extinction.
187
443000
3000
breitet es sich über die anderen aus und bringt die anderen zum Verschwinden.
07:41
So I'm going to show you a movie where you're going to see that kind of dynamic.
188
446000
3000
Ich werde nun einen Film zeigen, in dem Sie diesen Vorgang sehen.
07:44
And these kinds of experiments are started
189
449000
3000
Diese Art von Versuchen begannen
07:47
with programs that we wrote ourselves.
190
452000
2000
mit Programmen, die wir selber geschrieben haben.
07:49
We write our own stuff, replicate it,
191
454000
2000
Wir schreiben unsere eigenen Sachen, vervielfältigen diese,
07:51
and are very proud of ourselves.
192
456000
2000
und sind sehr stolz auf uns.
07:53
And we put them in, and what you see immediately
193
458000
3000
Und wir fügen diese hinzu, und gleich kann man sehen,
07:56
is that there are waves and waves of innovation.
194
461000
3000
dass es eine Welle der Innovation nach der anderen gibt.
07:59
By the way, this is highly accelerated,
195
464000
2000
Übrigens ist das sehr beschleunigt,
08:01
so it's like a thousand generations a second.
196
466000
2000
es ist fast wie tausend Generationen pro Sekunde.
08:03
But immediately the system goes like,
197
468000
2000
Aber sofort sagt das System:
08:05
"What kind of dumb piece of code was this?
198
470000
2000
"Was für ein blöder Code war das?
08:07
This can be improved upon in so many ways
199
472000
2000
Das kann auf viele Arten verbessert werden
08:09
so quickly."
200
474000
2000
und schnell."
08:11
So you see waves of new types
201
476000
2000
Man sieht Wellen einer neuen Art,
08:13
taking over the other types.
202
478000
2000
die andere Arten überwindet.
08:15
And this type of activity goes on for quite awhile,
203
480000
3000
Und diese Art von Aktivität geht noch eine Weile so,
08:18
until the main easy things have been acquired by these programs.
204
483000
4000
bis die einfachen Hauptsachen von diesen Programmen übernommen wurden.
08:22
And then you see sort of like a stasis coming on
205
487000
4000
Und dann sieht man eine Art von Entwicklungsstau,
08:26
where the system essentially waits
206
491000
2000
in dem das System hauptsächlich
08:28
for a new type of innovation, like this one,
207
493000
3000
auf eine neue Entwicklung wartet, wie diese da,
08:31
which is going to spread
208
496000
2000
welche sich ausbreiten wird
08:33
over all the other innovations that were before
209
498000
2000
über all die anderen Innovationen, die vorher da waren
08:35
and is erasing the genes that it had before,
210
500000
3000
und die Gene löscht, die es vorher hatte,
08:38
until a new type of higher level of complexity has been achieved.
211
503000
4000
bis eine neue Art höherer Komplexität erreicht wurde.
08:42
And this process goes on and on and on.
212
507000
3000
Und dieser Prozess geht immer weiter.
08:45
So what we see here
213
510000
2000
Was wir hier sehen,
08:47
is a system that lives
214
512000
2000
ist ein System, das in etwa so lebt,
08:49
in very much the way we're used to life [going.]
215
514000
2000
wie wir Leben gewohnt sind.
08:51
But what the NASA people had asked me really
216
516000
4000
Aber was die NASA-Leute mich wirklich gefragt hatten
08:55
was, "Do these guys
217
520000
2000
war: "Haben diese Dinger
08:57
have a biosignature?
218
522000
2000
eine Biosignatur?
08:59
Can we measure this type of life?
219
524000
2000
Können wir diese Art des Leben messen?
09:01
Because if we can,
220
526000
2000
Wenn wir das können,
09:03
maybe we have a chance of actually discovering life somewhere else
221
528000
3000
haben wir vielleicht eine Chance, Leben wirklich irgendwo anders
09:06
without being biased
222
531000
2000
zu entdecken, ohne voreingenommen zu sein
09:08
by things like amino acids."
223
533000
2000
durch Dinge wie Aminosäuren."
09:10
So I said, "Well, perhaps we should construct
224
535000
3000
Also sagte ich: "Vielleicht sollten wir
09:13
a biosignature
225
538000
2000
eine Biosignatur herstellen,
09:15
based on life as a universal process.
226
540000
3000
die auf Leben als universalem Prozess basiert.
09:18
In fact, it should perhaps make use
227
543000
2000
Vielleicht sollte es
09:20
of the concepts that I developed
228
545000
2000
die Konzepte verwenden, die ich entwickelt habe
09:22
just in order to sort of capture
229
547000
2000
um zu erfassen,
09:24
what a simple living system might be."
230
549000
2000
was ein einfaches lebendes System sein kann."
09:26
And the thing I came up with --
231
551000
2000
Und was ich mir ausgedacht habe --
09:28
I have to first give you an introduction about the idea,
232
553000
4000
Ich muss Ihnen zuerst eine Einführung in die Idee geben,
09:32
and maybe that would be a meaning detector,
233
557000
3000
und vielleicht wäre das eher ein Bedeutungs-Detektor
09:35
rather than a life detector.
234
560000
3000
als ein Lebensdetektor.
09:38
And the way we would do that --
235
563000
2000
Und wir würden das so machen --
09:40
I would like to find out how I can distinguish
236
565000
2000
ich würde gerne herausfinden, wie sich
09:42
text that was written by a million monkeys,
237
567000
2000
Text, der von einer Million Affen geschrieben wurde,
09:44
as opposed to text that [is] in our books.
238
569000
3000
von Text unterscheidet, der in unseren Büchern ist.
09:47
And I would like to do it in such a way
239
572000
2000
Und ich würde es gerne so angehen,
09:49
that I don't actually have to be able to read the language,
240
574000
2000
dass ich die Sprache nicht wiklich lesen können muss,
09:51
because I'm sure I won't be able to.
241
576000
2000
weil ich mir sicher bin, dass ich dazu nicht in der Lage bin.
09:53
As long as I know that there's some sort of alphabet.
242
578000
2000
Solang ich weiß, dass es eine Art Alphabet gibt.
09:55
So here would be a frequency plot
243
580000
3000
Dies wäre die Häufigkeit
09:58
of how often you find
244
583000
2000
in der man
10:00
each of the 26 letters of the alphabet
245
585000
2000
jeden der 26 Buchstaben des Alphabets
10:02
in a text written by random monkeys.
246
587000
3000
in einem von zufällig gewählten Affen geschriebenen Text finden kann.
10:05
And obviously each of these letters
247
590000
2000
Und offensichtlich kommt jeder dieser Buchstaben
10:07
comes off about roughly equally frequent.
248
592000
2000
ungefähr gleich häufig vor.
10:09
But if you now look at the same distribution in English texts,
249
594000
4000
Aber wenn man die gleiche Verteilung in einem englischen Text betrachtet,
10:13
it looks like that.
250
598000
2000
schaut das so aus.
10:15
And I'm telling you, this is very robust across English texts.
251
600000
3000
Und ich sagen Ihnen, bei englischen Texten ist dies sehr stabil.
10:18
And if I look at French texts, it looks a little bit different,
252
603000
2000
Und wenn man sich französische Texte anschaut, dann sieht es ein wenig anders aus,
10:20
or Italian or German.
253
605000
2000
oder bei Italienisch oder Deutsch.
10:22
They all have their own type of frequency distribution,
254
607000
3000
Sie alle haben eine eigene Häufigkeitsverteilung,
10:25
but it's robust.
255
610000
2000
aber es ist solide.
10:27
It doesn't matter whether it writes about politics or about science.
256
612000
3000
Dabei ist es unwichtig, ob über Politik oder Wissenschaft geschrieben wurde.
10:30
It doesn't matter whether it's a poem
257
615000
3000
Es ist auch nicht wichtig, ob es ein Gedicht ist,
10:33
or whether it's a mathematical text.
258
618000
3000
oder ein mathematischer Text.
10:36
It's a robust signature,
259
621000
2000
Es ist eine stabile Signatur,
10:38
and it's very stable.
260
623000
2000
und es ist sehr stabil.
10:40
As long as our books are written in English --
261
625000
2000
Solange unsere Bücher auf Englisch geschrieben werden --
10:42
because people are rewriting them and recopying them --
262
627000
3000
weil Menschen sie neu schreiben und wieder kopieren --
10:45
it's going to be there.
263
630000
2000
wird das immer da sein.
10:47
So that inspired me to think about,
264
632000
2000
Das hat mich angeregt darüber nachzudenken,
10:49
well, what if I try to use this idea
265
634000
3000
was, wenn ich versuche, diese Idee
10:52
in order, not to detect random texts
266
637000
2000
nicht dazu benutze zufällige Texte
10:54
from texts with meaning,
267
639000
2000
von Texten mit Bedeutung zu unterscheiden,
10:56
but rather detect the fact that there is meaning
268
641000
4000
sondern dazu benutze, eine Bedeutung zu finden
11:00
in the biomolecules that make up life.
269
645000
2000
in den Biomolekülen, die Leben ausmachen.
11:02
But first I have to ask:
270
647000
2000
Aber zuerst muss ich fragen:
11:04
what are these building blocks, like the alphabet, elements that I showed you?
271
649000
3000
Was sind die Bausteine, wie das Alphabet, Elemente, die ich Ihnen gezeigt habe?
11:07
Well it turns out, we have many different alternatives
272
652000
3000
Es zeigt sich, dass wir viele verschiedene Alternativen haben
11:10
for such a set of building blocks.
273
655000
2000
für solch einen Satz von Bausteinen.
11:12
We could use amino acids,
274
657000
2000
Wir könnten Aminosäuren verwenden,
11:14
we could use nucleic acids, carboxylic acids, fatty acids.
275
659000
3000
wir könnten Nukleinsäuren, Carbonsäuren, Fettsäuren verwenden.
11:17
In fact, chemistry's extremely rich, and our body uses a lot of them.
276
662000
3000
Die Chemie ist extrem reich, und unser Körper verwendet vieles davon.
11:20
So that we actually, to test this idea,
277
665000
3000
Um diese Idee zu testen, sahen wir uns daher
11:23
first took a look at amino acids and some other carboxylic acids.
278
668000
3000
zunächst Aminosäuren und ein paar andere Carbonsäuren an.
11:26
And here's the result.
279
671000
2000
Und hier sind die Ergebnisse.
11:28
Here is, in fact, what you get
280
673000
3000
Das bekommt man,
11:31
if you, for example, look at the distribution of amino acids
281
676000
3000
wenn man zum Beispiel die Verteilung der Aminosäuren betrachtet
11:34
on a comet or in interstellar space
282
679000
3000
auf einem Kometen, oder im interstellaren Raum,
11:37
or, in fact, in a laboratory,
283
682000
2000
oder in einem Labor,
11:39
where you made very sure that in your primordial soup
284
684000
2000
wenn man sichergestellt hat, dass in der ursprünglichen Suppe
11:41
that there is not living stuff in there.
285
686000
2000
nichts Lebendes drin ist.
11:43
What you find is mostly glycine and then alanine
286
688000
3000
Man findet zumeist Glycin, dann Alanin,
11:46
and there's some trace elements of the other ones.
287
691000
3000
und dann gibt Spuren anderer Elemente.
11:49
That is also very robust --
288
694000
3000
Das ist auch sehr stabil --
11:52
what you find in systems like Earth
289
697000
3000
was man in Systemen wie der Erde findet,
11:55
where there are amino acids,
290
700000
2000
wo es Amniosäuren gibt,
11:57
but there is no life.
291
702000
2000
aber kein Leben.
11:59
But suppose you take some dirt
292
704000
2000
Aber nehmen wir an, man nimmt ein wenig Dreck
12:01
and dig through it
293
706000
2000
und wühlt darin
12:03
and then put it into these spectrometers,
294
708000
3000
und dann untersucht man es in diesen Spektrometern,
12:06
because there's bacteria all over the place;
295
711000
2000
weil da überall Bakterien sind;
12:08
or you take water anywhere on Earth,
296
713000
2000
oder man nimmt Wasser von irgendwo auf der Erde,
12:10
because it's teaming with life,
297
715000
2000
weil es voller Leben ist,
12:12
and you make the same analysis;
298
717000
2000
und dann macht man die gleiche Analyse;
12:14
the spectrum looks completely different.
299
719000
2000
das Spektrum schaut komplett anders aus.
12:16
Of course, there is still glycine and alanine,
300
721000
4000
Natürlich ist da weiterhin Glycin und Alanin,
12:20
but in fact, there are these heavy elements, these heavy amino acids,
301
725000
3000
aber da sind diese Schwerelemente, diese schweren Aminosäuren,
12:23
that are being produced
302
728000
2000
die produziert werden,
12:25
because these are valuable to the organism.
303
730000
2000
weil sie für den Organismus nützlich sind.
12:27
And some other ones
304
732000
2000
Und andere wiederum,
12:29
that are not used in the set of 20,
305
734000
2000
welche nicht im 20er Komplex verwendet werden,
12:31
they will not appear at all
306
736000
2000
treten überhaupt nicht auf
12:33
in any type of concentration.
307
738000
2000
in jeder möglichen Konzentration.
12:35
So this also turns out to be extremely robust.
308
740000
2000
Also das scheint sehr stabil zu sein.
12:37
It doesn't matter what kind of sediment you're using to grind up,
309
742000
3000
Es ist nebensächlich, welches Sediment man verwendet, um es zu zermahlen,
12:40
whether it's bacteria or any other plants or animals.
310
745000
3000
ob es Bakterien, Pflanzen oder Tiere sind.
12:43
Anywhere there's life,
311
748000
2000
Überall wo Leben ist,
12:45
you're going to have this distribution,
312
750000
2000
wird man diese Verteilung haben,
12:47
as opposed to that distribution.
313
752000
2000
im Gegensatz zu dieser Verteilung.
12:49
And it is detectable not just in amino acids.
314
754000
3000
Und das kann man nicht nur in Aminosäuren finden.
12:52
Now you could ask:
315
757000
2000
Jetzt könnte man fragen:
12:54
well, what about these Avidians?
316
759000
2000
was ist mit diesen Avidian?
12:56
The Avidians being the denizens of this computer world
317
761000
4000
Die Avidian sind die Bewohner dieser Computerwelt,
13:00
where they are perfectly happy replicating and growing in complexity.
318
765000
3000
wo sie sich überglücklich reproduzieren und an Komplexität zunehmen.
13:03
So this is the distribution that you get
319
768000
3000
Das ist die Verteilung, die man bekommt,
13:06
if, in fact, there is no life.
320
771000
2000
wenn es kein Leben gibt.
13:08
They have about 28 of these instructions.
321
773000
3000
Sie haben ungefähr 28 dieser Anweisungen.
13:11
And if you have a system where they're being replaced one by the other,
322
776000
3000
Und wenn man ein System hat, wo sie gegeneinander austauschbar sind,
13:14
it's like the monkeys writing on a typewriter.
323
779000
2000
ist es so wie die Affen, die auf der Schreibmaschine schreiben.
13:16
Each of these instructions appears
324
781000
3000
Jede der Anweisungen erscheint
13:19
with roughly the equal frequency.
325
784000
3000
mit etwa der gleichen Häufigkeit.
13:22
But if you now take a set of replicating guys
326
787000
4000
Aber wenn man nun eine Zusammensetzung aus sich reproduzierenden Typen nimmt
13:26
like in the video that you saw,
327
791000
2000
wie im vorherigen Video,
13:28
it looks like this.
328
793000
2000
schaut es so aus.
13:30
So there are some instructions
329
795000
2000
Es gibt ein paar Anweisungen
13:32
that are extremely valuable to these organisms,
330
797000
2000
die extrem wichtig für die Organismen sind,
13:34
and their frequency is going to be high.
331
799000
3000
und deren Häufigkeit wird hoch sein.
13:37
And there's actually some instructions
332
802000
2000
Und es gibt einige Anweisungen,
13:39
that you only use once, if ever.
333
804000
2000
die man nur einmal, wenn überhaupt verwendet.
13:41
So they are either poisonous
334
806000
2000
Also sind diese entweder giftig
13:43
or really should be used at less of a level than random.
335
808000
4000
oder sollten nur zu einen niedrigen Grad verwendet werden, als zufällig.
13:47
In this case, the frequency is lower.
336
812000
3000
In diesem Fall, ist die Häufigkeit niedriger.
13:50
And so now we can see, is that really a robust signature?
337
815000
3000
Und jetzt kann man sehen, ob es eine stabile Signatur ist.
13:53
I can tell you indeed it is,
338
818000
2000
Ich kann es sagen, ja in der Tat, es ist eine,
13:55
because this type of spectrum, just like what you've seen in books,
339
820000
3000
weil dieser Spektrumtyp, wie wir in Büchern gesehen haben,
13:58
and just like what you've seen in amino acids,
340
823000
2000
und wie wir es in Aminosäuren gesehen haben,
14:00
it doesn't really matter how you change the environment, it's very robust;
341
825000
3000
nicht wirklich wichtig ist dabei, wie man die Umgebung verändert, es ist sehr stabil;
14:03
it's going to reflect the environment.
342
828000
2000
es wird die Umwelt wiederspiegeln.
14:05
So I'm going to show you now a little experiment that we did.
343
830000
2000
Ich werde nun ein kleines Experiment zeigen, das wir gemacht haben.
14:07
And I have to explain to you,
344
832000
2000
Und ich muss erklären,
14:09
the top of this graph
345
834000
2000
die Spitze der Graphik
14:11
shows you that frequency distribution that I talked about.
346
836000
3000
zeigt die Häufigkeitverteilung, über die ich gesprochen habe.
14:14
Here, in fact, that's the lifeless environment
347
839000
3000
Hier, ist das Umfeld ohne Leben,
14:17
where each instruction occurs
348
842000
2000
wo jede Anweisung passiert
14:19
at an equal frequency.
349
844000
2000
auf einer gleichen Häufigkeit.
14:21
And below there, I show, in fact,
350
846000
3000
Und hier unten zeigt es
14:24
the mutation rate in the environment.
351
849000
3000
die Mutationsrate im Umfeld.
14:27
And I'm starting this at a mutation rate that is so high
352
852000
3000
Ich beginne mit dieser Mutationsrate, die so hoch ist,
14:30
that, even if you would drop
353
855000
2000
dass, auch wenn sie fallen würde,
14:32
a replicating program
354
857000
2000
ein reproduzierendes Programm,
14:34
that would otherwise happily grow up
355
859000
2000
das aufsteigen würde,
14:36
to fill the entire world,
356
861000
2000
um die ganze Welt zu füllen,
14:38
if you drop it in, it gets mutated to death immediately.
357
863000
4000
wenn es sinkt, mutiert es sofort zu Tod.
14:42
So there is no life possible
358
867000
2000
Also ist kein Leben möglich
14:44
at that type of mutation rate.
359
869000
3000
auf diesen Mutationsindikator.
14:47
But then I'm going to slowly turn down the heat, so to speak,
360
872000
4000
Aber wenn ich die Hitze runterdrehe,
14:51
and then there's this viability threshold
361
876000
2000
und dann gibt es die Entwicklungsfähigkeitschwelle
14:53
where now it would be possible
362
878000
2000
wo es jetzt möglich ist
14:55
for a replicator to actually live.
363
880000
2000
für einen Replikator zu leben.
14:57
And indeed, we're going to be dropping these guys
364
882000
3000
Und wir werden diese Kerle die ganze Zeit
15:00
into that soup all the time.
365
885000
2000
in die Mixtur sinken lassen.
15:02
So let's see what that looks like.
366
887000
2000
Schauen wir uns an, wie sie ausschaut
15:04
So first, nothing, nothing, nothing.
367
889000
3000
Als erstes, nichts, nichts nichts.
15:07
Too hot, too hot.
368
892000
2000
zu heiß, zu heiß
15:09
Now the viability threshold is reached,
369
894000
3000
Jetzt ist die Entwicklungsfähigkeitsschwelle erreicht,
15:12
and the frequency distribution
370
897000
2000
und die Häufigkeitsverteilung
15:14
has dramatically changed and, in fact, stabilizes.
371
899000
3000
hat sich drastisch verändert, in Wahrheit stabilisiert.
15:17
And now what I did there
372
902000
2000
Dann war ich gemein
15:19
is, I was being nasty, I just turned up the heat again and again.
373
904000
3000
und habe die Hitze wieder ansteigen lassen.
15:22
And of course, it reaches the viability threshold.
374
907000
3000
Und natürlich erreicht es die Entwicklungsfähigkeitschwelle.
15:25
And I'm just showing this to you again because it's so nice.
375
910000
3000
Ich zeigs jetzt nochmal, weil es so schön ist.
15:28
You hit the viability threshold.
376
913000
2000
Man erreicht die Entwicklungsfähigkeitschwelle.
15:30
The distribution changes to "alive!"
377
915000
2000
Die Verteilung ändert sich zu "lebendig".
15:32
And then, once you hit the threshold
378
917000
3000
Und dann, wenn man die Schwelle erreicht,
15:35
where the mutation rate is so high
379
920000
2000
wo die Mutationsrate so hoch ist,
15:37
that you cannot self-reproduce,
380
922000
2000
dass man sich nicht selbst reproduzieren kann,
15:39
you cannot copy the information
381
924000
3000
kann man die Infomation nicht
15:42
forward to your offspring
382
927000
2000
bis zur Nachkommenschaft kopieren,
15:44
without making so many mistakes
383
929000
2000
ohne so viele Fehler zu machen,
15:46
that your ability to replicate vanishes.
384
931000
3000
dass die Fähigkeit zur Reproduktion verschwindet.
15:49
And then that signature is lost.
385
934000
3000
Und dann ist die Signatur verloren.
15:52
What do we learn from that?
386
937000
2000
Was lernen wir daraus?
15:54
Well, I think we learn a number of things from that.
387
939000
4000
Wir lernen sehr viel davon.
15:58
One of them is,
388
943000
2000
Eines davon ist,
16:00
if we are able to think about life
389
945000
3000
wenn wir im Stande sind, abstrakt über das Leben
16:03
in abstract terms --
390
948000
2000
nachzudenken, --
16:05
and we're not talking about things like plants,
391
950000
2000
und wir sprechen nicht von Dingen wie Pflanzen,
16:07
and we're not talking about amino acids,
392
952000
2000
und wir sprechen nicht von Aminosäuren,
16:09
and we're not talking about bacteria,
393
954000
2000
und wir sprechen nicht über Bakterien,
16:11
but we think in terms of processes --
394
956000
2000
aber wenn wir darüber als Prozess nachdenken --
16:13
then we could start to think about life,
395
958000
3000
dann könnten wir anfangen über das Leben zu denken,
16:16
not as something that is so special to Earth,
396
961000
2000
nicht als etwas, was speziell auf der Erde anzutreffen ist,
16:18
but that, in fact, could exist anywhere.
397
963000
3000
sondern als etwas, das überrall exestieren könnte.
16:21
Because it really only has to do
398
966000
2000
Weil es sich dabei um
16:23
with these concepts of information,
399
968000
2000
Informationskonzepte handelt,
16:25
of storing information
400
970000
2000
die Informationen speichern
16:27
within physical substrates --
401
972000
2000
in physischen Substraten
16:29
anything: bits, nucleic acids,
402
974000
2000
alles: Teile, Nukleinsäuren
16:31
anything that's an alphabet --
403
976000
2000
alles was ein Alphabet ist,
16:33
and make sure that there's some process
404
978000
2000
und sicherstellt, dass dort ein gewisser Prozess besteht,
16:35
so that this information can be stored
405
980000
2000
damit diese Information gespeichert werden kann
16:37
for much longer than you would expect
406
982000
2000
für länger als man von den
16:39
the time scales for the deterioration of information.
407
984000
4000
Zeitachsen für den Verfall der Inforamtionen erwarten würde.
16:43
And if you can do that,
408
988000
2000
Und wenn man das machen kann,
16:45
then you have life.
409
990000
2000
dann hat man Leben.
16:47
So the first thing that we learn
410
992000
2000
Also das erste, was wir lernen,
16:49
is that it is possible to define life
411
994000
3000
ist, dass es möglich ist Leben zu definieren
16:52
in terms of processes alone,
412
997000
3000
allein als ein Prozess
16:55
without referring at all
413
1000000
2000
ohne Bezug auf
16:57
to the type of things that we hold dear,
414
1002000
2000
die Dinge, die uns lieb sind,
16:59
as far as the type of life on Earth is.
415
1004000
3000
insofern uns das Leben auf der Erde lieb ist.
17:02
And that in a sense removes us again,
416
1007000
3000
Und in gewisser Weise bringt uns das davon weg,
17:05
like all of our scientific discoveries, or many of them --
417
1010000
3000
wie all unsere wissenschaftlichen Entdeckungen, oder viele davon-
17:08
it's this continuous dethroning of man --
418
1013000
2000
es ist dieses ständige Enttrohnen der Menschheit-
17:10
of how we think we're special because we're alive.
419
1015000
3000
weil wir denken dass wir etwas besonderes sind, weil wir am Leben sind.
17:13
Well we can make life. We can make life in the computer.
420
1018000
3000
Wir können Leben machen. Wir können Leben im Computer herstellen.
17:16
Granted, it's limited,
421
1021000
2000
Natürlich, in beschränkter Weise,
17:18
but we have learned what it takes
422
1023000
3000
aber wir haben gelernt, was man braucht,
17:21
in order to actually construct it.
423
1026000
2000
um es tatsächlich herzustellen.
17:23
And once we have that,
424
1028000
3000
Und wenn man es einmal hat
17:26
then it is not such a difficult task anymore
425
1031000
3000
dann ist es keine schwierige Aufgabe mehr
17:29
to say, if we understand the fundamental processes
426
1034000
4000
zu sagen, dass, wenn man die grundlegenden Prozesse versteht,
17:33
that do not refer to any particular substrate,
427
1038000
3000
die sich nicht auf ein bestimmtes Substart beziehen,
17:36
then we can go out
428
1041000
2000
dann kann man losgehen
17:38
and try other worlds,
429
1043000
2000
und andere Welten versuchen
17:40
figure out what kind of chemical alphabets might there be,
430
1045000
4000
und herausfinden welche Art des chemischen Alphabets da sein kann,
17:44
figure enough about the normal chemistry,
431
1049000
2000
die gängige Chemie
17:46
the geochemistry of the planet,
432
1051000
3000
die Geochemie des Planeten herausfinden,
17:49
so that we know what this distribution would look like
433
1054000
2000
sodass man weiß, wie die Verteilung ausschauen würde
17:51
in the absence of life,
434
1056000
2000
in der Abwesenheit des Lebens,
17:53
and then look for large deviations from this --
435
1058000
3000
sich die großen Abweichungen anschauen-
17:56
this thing sticking out, which says,
436
1061000
3000
das Ding, das hervorschaut und sagt:
17:59
"This chemical really shouldn't be there."
437
1064000
2000
"Diese Chemikalie sollte wirklich nicht da sein."
18:01
Now we don't know that there's life then,
438
1066000
2000
Dann weiß man nicht ob da Leben ist,
18:03
but we could say,
439
1068000
2000
aber man kann sagen
18:05
"Well at least I'm going to have to take a look very precisely at this chemical
440
1070000
3000
"Zumindest schaue ich mir die Chemikalie ganz genau an
18:08
and see where it comes from."
441
1073000
2000
und schaue, woher sie kommt."
18:10
And that might be our chance
442
1075000
2000
Und das kann die Chance sein,
18:12
of actually discovering life
443
1077000
2000
um tatsächlich Leben zu entdecken,
18:14
when we cannot visibly see it.
444
1079000
2000
wenn wir es nicht sehen können.
18:16
And so that's really the only take-home message
445
1081000
3000
Und das ist die Message,
18:19
that I have for you.
446
1084000
2000
die ich für Sie habe.
18:21
Life can be less mysterious
447
1086000
2000
Leben kann weniger rätselhaft sein
18:23
than we make it out to be
448
1088000
2000
als wir denken,
18:25
when we try to think about how it would be on other planets.
449
1090000
4000
wenn wir versuchen uns vorzustellen, wie es auf anderen Planeten wäre.
18:29
And if we remove the mystery of life,
450
1094000
3000
Und wenn man das Geheimnis des Lebens rausnimmt,
18:32
then I think it is a little bit easier
451
1097000
3000
dann ist es auch ein wenig leichter
18:35
for us to think about how we live,
452
1100000
2000
über unsere Art zu leben nachzudenken
18:37
and how perhaps we're not as special as we always think we are.
453
1102000
3000
und dass wir vielleicht nicht so etwas Besonderes sind, wie wir immer denken.
18:40
And I'm going to leave you with that.
454
1105000
2000
Und ich verlasse Sie mit diesen Worten
18:42
And thank you very much.
455
1107000
2000
Vielen Dank
18:44
(Applause)
456
1109000
2000
(Applaus)
ABOUT THE SPEAKER
Christoph Adami - Artificial life researcherChristoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions.
Why you should listen
Christoph Adami researches the nature of living systems, using 'artificial life' -- small, self-replicating computer programs. His main research focus is Darwinian evolution, which he studies at different levels of organization (from simple molecules to brains). He has pioneered theapplication of methods from information theory to the study of evolution, and designed the "Avida" system that launched the use of digital life as a tool for investigating basic questions in evolutionary biology.
He is Professor of Applied Life Sciences at the Keck Graduate Institute in Claremont, CA, and a Visiting Professor at the BEACON Center for the Study of Evolution in Action at Michigan State University. He obtained his PhD in theoretical physics from the State University of New York at Stony Brook.
Christoph Adami | Speaker | TED.com