ABOUT THE SPEAKER
Ray Kurzweil - Inventor, futurist
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species.

Why you should listen

Inventor, entrepreneur, visionary, Ray Kurzweil's accomplishments read as a startling series of firsts -- a litany of technological breakthroughs we've come to take for granted. Kurzweil invented the first optical character recognition (OCR) software for transforming the written word into data, the first print-to-speech software for the blind, the first text-to-speech synthesizer, and the first music synthesizer capable of recreating the grand piano and other orchestral instruments, and the first commercially marketed large-vocabulary speech recognition.

Yet his impact as a futurist and philosopher is no less significant. In his best-selling books, which include How to Create a Mind, The Age of Spiritual Machines, The Singularity Is Near: When Humans Transcend Biology, Kurzweil depicts in detail a portrait of the human condition over the next few decades, as accelerating technologies forever blur the line between human and machine.

In 2009, he unveiled Singularity University, an institution that aims to "assemble, educate and inspire leaders who strive to understand and facilitate the development of exponentially advancing technologies." He is a Director of Engineering at Google, where he heads up a team developing machine intelligence and natural language comprehension.

More profile about the speaker
Ray Kurzweil | Speaker | TED.com
TED2005

Ray Kurzweil: The accelerating power of technology

Ray Kurzweil: Wie Technologie uns verändern wird

Filmed:
2,876,494 views

Erfinder, Unternehmer und Visionär Ray Kurzweil erklärt ausgiebig und mit fundierten Details, warum wir in den 2020ern das menschliche Gehirn entschlüsselt haben werden und unser Bewusstsein von Nanorobotern gesteuert sein wird.
- Inventor, futurist
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species. Full bio

Double-click the English transcript below to play the video.

00:24
Well, it's great to be here.
0
0
1000
Es ist großartig hier zu sein.
00:25
We'veWir haben heardgehört a lot about the promiseversprechen of technologyTechnologie, and the perilTücke.
1
1000
5000
Wir haben viel gehört über die Möglichkeiten von Technologie, und ihre Tücken.
00:30
I've been quiteganz interestedinteressiert in bothbeide.
2
6000
2000
Ich bin an beidem sehr interessiert.
00:32
If we could convertkonvertieren 0.03 percentProzent
3
8000
4000
Wenn wir 0,03 Prozent des Sonnenlichts, das auf die Erde trifft,
00:36
of the sunlightSonnenlicht that fallsStürze on the earthErde into energyEnergie,
4
12000
2000
in Energie umwandeln könnten,
00:38
we could meetTreffen all of our projectedprojiziert needsBedürfnisse for 2030.
5
14000
5000
könnten wir unseren projizierten Bedarf von 2030 decken.
00:43
We can't do that todayheute because solarSolar- panelsPlatten are heavyschwer,
6
19000
3000
Wir schaffen das heutzutage nicht, weil Solarmodule
00:46
expensiveteuer and very inefficientineffizient.
7
22000
2000
schwer, teuer und ineffizient sind.
00:48
There are nano-engineeredNano-entwickelt designsEntwürfe,
8
24000
3000
Es gibt Nanotechnologie-Entwicklungen,
00:51
whichwelche at leastam wenigsten have been analyzedanalysiert theoreticallytheoretisch,
9
27000
2000
die zumindest theoretisch belegen,
00:53
that showShow the potentialPotenzial to be very lightweightLeicht,
10
29000
2000
das sie potentiell sehr leicht,
00:55
very inexpensivegünstig, very efficienteffizient,
11
31000
2000
sehr günstig und sehr effizient sein können,
00:57
and we'dheiraten be ablefähig to actuallytatsächlich providezu Verfügung stellen all of our energyEnergie needsBedürfnisse in this renewableverlängerbar way.
12
33000
4000
und wir könnten in der Lage sein, unseren Energiebedarf auf diese erneuerbare Art zu decken.
01:01
Nano-engineeredNano-Engineering fuelTreibstoff cellsZellen
13
37000
2000
Nano-entwickelte Energiezellen könnten
01:03
could providezu Verfügung stellen the energyEnergie where it's needederforderlich.
14
39000
3000
die Energie dort zur Verfügung stellen, wo sie gebraucht wird.
01:06
That's a keySchlüssel trendTrend, whichwelche is decentralizationDezentralisierung,
15
42000
2000
Das ist eine wichtige Entwicklungstendenz, nämlich die Dezentralisierung,
01:08
movingbewegend from centralizedzentralisiert nuclearKern powerLeistung plantsPflanzen and
16
44000
3000
weg von zentralisierten Atomkraftwerken und
01:11
liquidFlüssigkeit naturalnatürlich gasGas tankersTanker
17
47000
2000
Flüssiggas-Tankschiffen,
01:13
to decentralizeddezentral resourcesRessourcen that are environmentallyUmwelt more friendlyfreundlich,
18
49000
4000
zu dezentralen Rohstoffen, die umweltfreundlicher,
01:17
a lot more efficienteffizient
19
53000
3000
sehr viel effizienter
01:20
and capablefähig and safeSafe from disruptionStörung.
20
56000
4000
und unanfällig und sicher gegen Unterbrechungen sind.
01:24
BonoBono spokeSpeiche very eloquentlyeloquent,
21
60000
2000
Bono hat sehr eloquent beschrieben,
01:26
that we have the toolsWerkzeuge, for the first time,
22
62000
4000
dass wir zum ersten Mal in der Geschichte in der Lage sind,
01:30
to addressAdresse age-olduralt problemsProbleme of diseaseKrankheit and povertyArmut.
23
66000
4000
uns uralten Problemen wie Krankheit und Armut zuzuwenden.
01:34
MostDie meisten regionsRegionen of the worldWelt are movingbewegend in that directionRichtung.
24
70000
4000
Die meisten Regionen der Welt bewegen sich in diese Richtung.
01:38
In 1990, in EastOsten AsiaAsien and the PacificPazifik regionRegion,
25
74000
4000
Im Jahr 1990 lebten in Ostasien und in der Pazifikregion
01:42
there were 500 millionMillion people livingLeben in povertyArmut --
26
78000
2000
500 Millionen Menschen in Armut –
01:44
that numberNummer now is underunter 200 millionMillion.
27
80000
3000
diese Zahl ist jetzt unter 200 Millionen.
01:47
The WorldWelt BankBank projectsProjekte by 2011, it will be underunter 20 millionMillion,
28
83000
3000
Die Weltbank projiziert, dass es bis 2011 unter 20 Millionen sein werden,
01:50
whichwelche is a reductiondie Ermäßigung of 95 percentProzent.
29
86000
3000
was ein Rückgang von 95 Prozent ist.
01:53
I did enjoygenießen Bono'sBonos commentKommentar
30
89000
3000
Mir hat Bonos Kommentar gefallen,
01:56
linkingVerlinken Haight-AshburyHaight-Ashbury to SiliconSilizium ValleyTal.
31
92000
4000
in dem er das Haight-Ashbury Viertel mit dem Silicon-Valley verbindet.
02:00
BeingWird from the MassachusettsMassachusetts high-techHightech communityGemeinschaft myselfmich selber,
32
96000
3000
Da ich selbst aus der High-Tech-Gemeinde von Massachusetts stamme,
02:03
I'd pointPunkt out that we were hippiesHippies alsoebenfalls in the 1960s,
33
99000
4000
weise ich darauf hin, dass auch wir in den 1960ern Hippies waren,
02:08
althoughobwohl we hunggehängt around HarvardHarvard SquarePlatz.
34
104000
3000
obwohl wir am Harvard Square rumhingen.
02:11
But we do have the potentialPotenzial to overcomeüberwinden diseaseKrankheit and povertyArmut,
35
107000
5000
Doch wir haben das Potenzial, Krankheit und Armut zu bezwingen,
02:16
and I'm going to talk about those issuesProbleme, if we have the will.
36
112000
3000
und ich werde über diese Aspekte sprechen, falls wir den Willen dazu haben.
02:19
KevinKevin KellyKelly talkedsprach about the accelerationBeschleunigung of technologyTechnologie.
37
115000
3000
Kevin Kelly hat über die Beschleunigung der Technologie gesprochen.
02:22
That's been a strongstark interestinteressieren of mineBergwerk,
38
118000
3000
Dies ist ein großes Interessensgebiet von mir,
02:25
and a themeThema that I've developedentwickelt for some 30 yearsJahre.
39
121000
3000
und ein Thema, das ich über etwa 30 Jahre entwickelt habe.
02:28
I realizedrealisiert that my technologiesTechnologien had to make senseSinn when I finishedfertig a projectProjekt.
40
124000
5000
Ich erkannte, dass meine Technologien sinnvoll sein mussten, wenn ich ein Projekt beendet hatte.
02:33
That invariablyunveränderlich, the worldWelt was a differentanders placeOrt
41
129000
3000
Dass die Welt ausnahmslos verändert war,
02:36
when I would introducevorstellen a technologyTechnologie.
42
132000
2000
nachdem ich eine Technologie eingeführt hatte.
02:38
And, I noticedbemerkt that mostdie meisten inventionsErfindungen failScheitern,
43
134000
2000
Und dass die meisten Innovationen nicht scheitern,
02:40
not because the R&D departmentAbteilung can't get it to work --
44
136000
3000
weil die Entwicklungsabteilungen sie nicht zum Laufen bekommen –
02:43
if you look at mostdie meisten businessGeschäft plansPläne, they will actuallytatsächlich succeedgelingen
45
139000
3000
wenn man die meisten Geschäftspläne betrachtet, sind sie erfolgreich,
02:46
if givengegeben the opportunityGelegenheit to buildbauen what they say they're going to buildbauen --
46
142000
4000
soweit sie die Chance haben das herzustellen, was sie geplant hatten –
02:50
and 90 percentProzent of those projectsProjekte or more will failScheitern, because the timingzeitliche Koordinierung is wrongfalsch --
47
146000
3000
und 90 Prozent oder mehr dieser Projekte scheitern, weil die zeitliche Planung schlecht war –
02:53
not all the enablingAktivieren factorsFaktoren will be in placeOrt when they're needederforderlich.
48
149000
3000
da nicht alle Erfolgsfaktoren im richtigen Moment zur Verfügung standen.
02:56
So I beganbegann to be an ardentglühend studentSchüler of technologyTechnologie trendsTrends,
49
152000
4000
So wurde ich ein begeisterter Student von Technologietrends
03:00
and trackSpur where technologyTechnologie would be at differentanders pointsPunkte in time,
50
156000
3000
und verfolge, wo Technologie sich an verschiedenen Punkten der Zeit befindet,
03:03
and beganbegann to buildbauen the mathematicalmathematisch modelsModelle of that.
51
159000
3000
und begann die mathematischen Modelle dazu zu entwickeln.
03:06
It's kindArt of takengenommen on a life of its ownbesitzen.
52
162000
2000
Das hat sich irgendwie verselbstständigt.
03:08
I've got a groupGruppe of 10 people that work with me to gatherversammeln dataDaten
53
164000
3000
Ich habe ein Gruppe von 10 Personen, die mit mir Daten über
03:11
on keySchlüssel measuresMaßnahmen of technologyTechnologie in manyviele differentanders areasBereiche, and we buildbauen modelsModelle.
54
167000
5000
Schlüsselmaßnahmen von Entwicklungen aus verschiedenen Bereichen sammeln, und wir entwickeln Modelle.
03:16
And you'lldu wirst hearhören people say, well, we can't predictvorhersagen the futureZukunft.
55
172000
3000
Leute sagen, nun, man kann die Zukunft nicht vorhersagen.
03:19
And if you askFragen me,
56
175000
2000
Und wenn ich gefragt werde,
03:21
will the pricePreis of GoogleGoogle be higherhöher or lowerniedriger than it is todayheute threedrei yearsJahre from now,
57
177000
3000
wird der Preis der Google-Aktie in drei Jahren höher oder niedriger sein als heute,
03:24
that's very hardhart to say.
58
180000
2000
dann ist das recht schwer zu sagen.
03:26
Will WiMaxWiMax CDMACDMA G3
59
182000
3000
Wird "WiMax CDMA G3" in drei Jahren
03:29
be the wirelesskabellos standardStandard threedrei yearsJahre from now? That's hardhart to say.
60
185000
2000
der Standard zur kabellosen Datenübertragung sein? Das ist schwer zu sagen.
03:31
But if you askFragen me, what will it costKosten
61
187000
2000
Aber wenn man mich fragt, was werden 2010 die Kosten
03:33
for one MIPSMIPS of computingComputer in 2010,
62
189000
3000
von einer MIPS (Millionen Befehle pro Sekunde) an Berechnungen sein,
03:36
or the costKosten to sequenceSequenz a baseBase pairPaar of DNADNA in 2012,
63
192000
3000
oder 2012 die Kosten der Sequenzierung eines Basenpaars von DNA,
03:39
or the costKosten of sendingSenden a megabyteMegabyte of dataDaten wirelesslydrahtlos in 2014,
64
195000
4000
oder 2014 die Kosten eines Megabytes an Daten kabellos zu versenden,
03:43
it turnswendet sich out that those are very predictablevorhersagbar.
65
199000
3000
stellt sich heraus, dass all dies sehr vorhersagbar ist.
03:46
There are remarkablybemerkenswert smoothglatt exponentialexponentiell curvesKurven
66
202000
2000
Es sind bemerkenswert geschmeidige Exponentialkurven,
03:48
that governregieren pricePreis performancePerformance, capacityKapazität, bandwidthBandbreite.
67
204000
3000
welche die Preis-Performanz, Kapazität und Bandbreite lenken.
03:51
And I'm going to showShow you a smallklein sampleSample of this,
68
207000
2000
Und ich werde Ihnen ein kleines Beispiel dazu geben.
03:53
but there's really a theoreticaltheoretisch reasonGrund
69
209000
2000
Aber es gibt tatsächlich eine theoretische Begründung dafür,
03:55
why technologyTechnologie developsentwickelt in an exponentialexponentiell fashionMode.
70
211000
5000
warum Technologie sich in exponenzieller Weise entwickelt.
04:00
And a lot of people, when they think about the futureZukunft, think about it linearlylinear.
71
216000
2000
Die meisten Menschen stellen sich die Zukunft als etwas Lineares vor.
04:02
They think they're going to continuefortsetzen
72
218000
2000
Sie glauben, sie führen die Entwicklung
04:04
to developentwickeln a problemProblem
73
220000
2000
eines Problems
04:06
or addressAdresse a problemProblem usingmit today'sheutige toolsWerkzeuge,
74
222000
3000
oder die Lösung des Problems mit heutigen Werkzeugen fort,
04:09
at today'sheutige paceTempo of progressFortschritt,
75
225000
2000
mit der heutigen Geschwindigkeit,
04:11
and failScheitern to take into considerationBerücksichtigung this exponentialexponentiell growthWachstum.
76
227000
4000
und ziehen dieses exponentielle Wachstum nicht in Betracht.
04:15
The GenomeGenom ProjectProjekt was a controversialumstritten projectProjekt in 1990.
77
231000
3000
Das Menschliche Genom Projekt war 1990 kontrovers.
04:18
We had our bestBeste PhPH.D. studentsStudenten,
78
234000
2000
Wir hatten die besten Doktoranden,
04:20
our mostdie meisten advancedfortgeschritten equipmentAusrüstung around the worldWelt,
79
236000
2000
die fortschrittlichste Ausrüstung der Welt,
04:22
we got 1/10,000thth of the projectProjekt doneerledigt,
80
238000
2000
wir hatten ein Zehntausendstel des Projekts fertiggestellt,
04:24
so how'rewie sind we going to get this doneerledigt in 15 yearsJahre?
81
240000
2000
und wie sollten wir das in 15 Jahren schaffen?
04:26
And 10 yearsJahre into the projectProjekt,
82
242000
3000
Als das Projekt 10 Jahre fortgeschritten war, waren die Skeptiker
04:30
the skepticsSkeptiker were still going strongstark -- sayssagt, "You're two-thirdszwei Drittel throughdurch this projectProjekt,
83
246000
2000
weiterhin verbreitet und sagten, "Ihr steckt 2/3 im Projekt,
04:32
and you've managedgelang es to only sequenceSequenz
84
248000
2000
aber ihr habt bisher nur eine kleine
04:34
a very tinysehr klein percentageProzentsatz of the wholeganze genomeGenom."
85
250000
3000
Prozentzahl des gesamten Genoms sequenziert."
04:37
But it's the natureNatur of exponentialexponentiell growthWachstum
86
253000
2000
Aber es ist die Eigenart von exponentiellem Wachstum,
04:39
that onceEinmal it reacheserreicht the kneeKnie of the curveKurve, it explodesexplodiert.
87
255000
2000
das es förmlich explodiert, wenn die Kurve einmal ansteigt.
04:41
MostDie meisten of the projectProjekt was doneerledigt in the last
88
257000
2000
Der Großteil des Projekts wurde in
04:43
fewwenige yearsJahre of the projectProjekt.
89
259000
2000
den letzten wenigen Jahren erreicht.
04:45
It tookdauerte us 15 yearsJahre to sequenceSequenz HIVHIV --
90
261000
2000
Es hat 15 Jahre gedauert, um HIV zu sequenzieren.
04:47
we sequencedsequenziert SARSSARS in 31 daysTage.
91
263000
2000
Wir haben SARS in 31 Tagen sequenziert.
04:49
So we are gainingGewinnung the potentialPotenzial to overcomeüberwinden these problemsProbleme.
92
265000
4000
Wir erreichen also das Potential, diese Probleme zu überwinden.
04:53
I'm going to showShow you just a fewwenige examplesBeispiele
93
269000
2000
Ich werde Ihnen an ein paar Beispielen zeigen,
04:55
of how pervasivedurchdringend this phenomenaPhänomene is.
94
271000
3000
wie überzeugend dieses Phänomen ist.
04:58
The actualtatsächlich paradigm-shiftParadigmenwechsel ratePreis, the ratePreis of adoptingübernehmend newneu ideasIdeen,
95
274000
4000
Der tatsächliche Paradigmen-Wechsel, die Rate neue Ideen zu adaptieren,
05:02
is doublingVerdoppelung everyjeden decadeDekade, accordingnach to our modelsModelle.
96
278000
3000
verdoppelt sich jedes Jahrzent. Das zeigen unsere Modelle.
05:05
These are all logarithmiclogarithmisch graphsDiagramme,
97
281000
3000
Dies sind alles logarithmische Graphen,
05:08
so as you go up the levelsEbenen it representsrepräsentiert, generallyallgemein multiplyingmultiplizierend by factorFaktor of 10 or 100.
98
284000
3000
das heißt, auf jeder Stufe multiplizieren sich die repräsentierten Werte mit dem Faktor 10 oder 100.
05:11
It tookdauerte us halfHälfte a centuryJahrhundert to adoptadoptieren the telephoneTelefon,
99
287000
3000
Wir brauchten ein halbes Jahrhundert, um das Telefon anzunehmen,
05:14
the first virtual-realityvirtuelle Realität technologyTechnologie.
100
290000
3000
die erste virtuelle Realitätstechnologie.
05:17
CellZelle phonesTelefone were adoptedangenommen in about eightacht yearsJahre.
101
293000
2000
Mobiltelefone waren in etwa acht Jahren angenommen.
05:19
If you put differentanders communicationKommunikation technologiesTechnologien
102
295000
3000
Wenn Sie verschiedene Kommunikations-Technologien
05:22
on this logarithmiclogarithmisch graphGraph,
103
298000
2000
auf diesem logarithmischen Graphen darstellen, sieht man,
05:24
televisionFernsehen, radioRadio, telephoneTelefon
104
300000
2000
dass Fernsehen, Radio und Telefon
05:26
were adoptedangenommen in decadesJahrzehnte.
105
302000
2000
in Jahrzehnten angenommen wurden.
05:28
RecentDen letzten technologiesTechnologien -- like the PCPC, the webweb, cellZelle phonesTelefone --
106
304000
3000
Aktuelle Technologien – wie der PC, das Internet, Mobiltelefone –
05:31
were underunter a decadeDekade.
107
307000
2000
lagen unter einem Jahrzehnt.
05:33
Now this is an interestinginteressant chartDiagramm,
108
309000
2000
Dies ist eine interessante Grafik,
05:35
and this really getsbekommt at the fundamentalgrundlegend reasonGrund why
109
311000
2000
und sie verdeutlicht wirklich den fundamentalen Grund,
05:37
an evolutionaryevolutionär processverarbeiten -- and bothbeide biologyBiologie and technologyTechnologie are evolutionaryevolutionär processesProzesse --
110
313000
4000
warum sich ein evolutionärer Prozess – und Biologie und Technologie sind beides evolutionäre Prozesse –
05:41
acceleratebeschleunigen.
111
317000
2000
beschleunigt.
05:43
They work throughdurch interactionInteraktion -- they createerstellen a capabilityFähigkeit,
112
319000
3000
Sie verstärken sich durch Wechselwirkung – sie erzeugen eine Fähigkeit,
05:46
and then it usesVerwendungen that capabilityFähigkeit to bringbringen on the nextNächster stageStufe.
113
322000
3000
die dann genutzt wird, um die nächste Innovationsstufe hervorzubringen.
05:49
So the first stepSchritt in biologicalbiologisch evolutionEvolution,
114
325000
3000
Der erste Schritt der biologischen Evolution,
05:52
the evolutionEvolution of DNADNA -- actuallytatsächlich it was RNARNA camekam first --
115
328000
2000
die Evolution der DNA – tatsächlich kam die RNA zuerst –
05:54
tookdauerte billionsMilliarden of yearsJahre,
116
330000
2000
brauchte Milliarden von Jahren,
05:56
but then evolutionEvolution used that information-processingInformationsverarbeitung backboneRückgrat
117
332000
3000
aber dann nutzte die Evolution dieses informationsverarbeitende Rückgrat,
05:59
to bringbringen on the nextNächster stageStufe.
118
335000
2000
um die nächste Stufe hervorzubringen.
06:01
So the CambrianKambrium ExplosionExplosion, when all the bodyKörper plansPläne of the animalsTiere were evolvedentwickelt,
119
337000
3000
Die Kambrische Explosion, in der sich alle Körperpläne der Tiere entwickelten,
06:04
tookdauerte only 10 millionMillion yearsJahre. It was 200 timesmal fasterschneller.
120
340000
4000
brauchte nur 10 Millionen Jahre. Das war 200 mal schneller.
06:08
And then evolutionEvolution used those bodyKörper plansPläne
121
344000
2000
Und dann nutzte die Evolution diese Körperpläne,
06:10
to evolveentwickeln higherhöher cognitivekognitiv functionsFunktionen,
122
346000
2000
um höhere kognitive Fähigkeiten zu entwickeln,
06:12
and biologicalbiologisch evolutionEvolution keptgehalten acceleratingbeschleunigend.
123
348000
2000
und die biologische Evolution beschleunigte sich weiter.
06:14
It's an inherentinhärent natureNatur of an evolutionaryevolutionär processverarbeiten.
124
350000
3000
Es ist die inhärente Natur eines evolutionären Prozesses.
06:17
So HomoHomo sapiensSapiens, the first technology-creatingTechnologie-Erstellung speciesSpezies,
125
353000
3000
Der Homo Sapiens, die erste Technologie erschaffende Spezies,
06:20
the speciesSpezies that combinedkombiniert a cognitivekognitiv functionFunktion
126
356000
2000
war die Spezies, die kognitive Fähigkeit mit
06:22
with an opposableopponierbar appendageAnhängsel --
127
358000
2000
opponierbaren Gliedmaßen kombinierte –
06:24
and by the way, chimpanzeesSchimpansen don't really have a very good opposableopponierbar thumbDaumen --
128
360000
4000
übrigens hat der Schimpanse nicht wirklich einen opponierbaren Daumen –
06:28
so we could actuallytatsächlich manipulatemanipulieren our environmentUmwelt with a powerLeistung gripGriff
129
364000
2000
wir konnten tatsächlich unsere Umwelt mit einem kraftvollen Griff
06:30
and fine motorMotor- coordinationKoordinierung,
130
366000
2000
und Feinmotorik manipulieren,
06:32
and use our mentalgeistig modelsModelle to actuallytatsächlich changeVeränderung the worldWelt
131
368000
2000
und mit unseren mentalen Modellen konnten wir die Welt verändern
06:34
and bringbringen on technologyTechnologie.
132
370000
2000
und Technologie hervorbringen.
06:36
But anywaysowieso, the evolutionEvolution of our speciesSpezies tookdauerte hundredsHunderte of thousandsTausende of yearsJahre,
133
372000
3000
Nun, die Evolution unserer Spezies brauchte hunderttausende von Jahren,
06:39
and then workingArbeiten throughdurch interactionInteraktion,
134
375000
2000
und wegen dieser Wechselwirkung
06:41
evolutionEvolution used, essentiallyim Wesentlichen,
135
377000
2000
nutzte die Evolution im Grunde
06:43
the technology-creatingTechnologie-Erstellung speciesSpezies to bringbringen on the nextNächster stageStufe,
136
379000
3000
die Technologie erschaffende Spezies, um die nächste Stufe hervorzubringen,
06:46
whichwelche were the first stepsSchritte in technologicaltechnologisch evolutionEvolution.
137
382000
3000
was der erste Schritt in der technologischen Evolution war.
06:49
And the first stepSchritt tookdauerte tenszehn of thousandsTausende of yearsJahre --
138
385000
3000
Dieser erste Schritt brauchte zehntausend Jahre –
06:52
stoneStein toolsWerkzeuge, fireFeuer, the wheelRad -- keptgehalten acceleratingbeschleunigend.
139
388000
3000
Steinwerkzeuge, Feuer, das Rad – es beschleunigte sich weiter.
06:55
We always used then the latestneueste generationGeneration of technologyTechnologie
140
391000
2000
Wir nutzten immer die zu dem Zeitpunkt neuste Generation von Technologie,
06:57
to createerstellen the nextNächster generationGeneration.
141
393000
2000
um die nächste Generation zu erschaffen.
06:59
PrintingDrucken pressDrücken Sie tookdauerte a centuryJahrhundert to be adoptedangenommen;
142
395000
2000
Die Buchdruckerei brauchte ein Jahrhundert, um sich zu verbreiten;
07:01
the first computersComputer were designedentworfen pen-on-paperStift auf Papier -- now we use computersComputer.
143
397000
4000
die ersten Computer wurden am Reißbrett entwickelt – heute benutzen wir dazu Computer.
07:05
And we'vewir haben had a continualkontinuierlich accelerationBeschleunigung of this processverarbeiten.
144
401000
3000
Und wir hatten eine kontinuierliche Beschleunigung dieses Prozesses.
07:08
Now by the way, if you look at this on a linearlinear graphGraph, it lookssieht aus like everything has just happenedpassiert,
145
404000
3000
Wenn man sich das auf einem linearen Graphen anschaut, sieht es so aus, als ob alles erst kürzlich passiert ist,
07:11
but some observerBeobachter sayssagt, "Well, KurzweilKurzweil just put pointsPunkte on this graphGraph
146
407000
6000
aber einige Beobachter sagen, "Nun, Kurzweil platziert nur Punkte auf diesen Graphen,
07:17
that fallfallen on that straightGerade lineLinie."
147
413000
2000
die auf eine gerade Linie fallen."
07:19
So, I tookdauerte 15 differentanders listsListen from keySchlüssel thinkersDenker,
148
415000
3000
Also nahm ich 15 verschiedene Listen von wichtigen Denkern,
07:22
like the EncyclopediaEnzyklopädie BritannicaBritannica, the MuseumMuseum of NaturalNatürliche HistoryGeschichte, CarlCarl Sagan'sSagan es CosmicKosmische CalendarKalender
149
418000
4000
wie die Encyclopedia Britannica, das Naturhistorische Museum, Carl Sagans Kosmischen Kalender,
07:26
on the samegleich -- and these people were not tryingversuchen to make my pointPunkt;
150
422000
3000
und diese Leute wollten ja nicht mein Argument unterstützen,
07:29
these were just listsListen in referenceReferenz worksWerke,
151
425000
2000
dies sind nur Listen von Referenzarbeiten,
07:31
and I think that's what they thought the keySchlüssel eventsVeranstaltungen were
152
427000
3000
und das ist, was sie als Schlüsselmomente
07:34
in biologicalbiologisch evolutionEvolution and technologicaltechnologisch evolutionEvolution.
153
430000
3000
in biologischer und technologischer Evolution sehen.
07:37
And again, it formsFormen the samegleich straightGerade lineLinie. You have a little bitBit of thickeningVerdickung in the lineLinie
154
433000
3000
Und wie vorher bildet sich die gleiche gerade Linie. Es gibt eine kleine Verdickung der Linie,
07:40
because people do have disagreementsMeinungsverschiedenheiten, what the keySchlüssel pointsPunkte are,
155
436000
3000
weil Leute Meinungsverschiedenheiten darüber haben, was diese Schlüsselmomente sind,
07:43
there's differencesUnterschiede of opinionMeinung when agricultureLandwirtschaft startedhat angefangen,
156
439000
2000
es gibt unterschiedliche Auffassungen, wann die Landwirtschaft begann
07:45
or how long the CambrianKambrium ExplosionExplosion tookdauerte.
157
441000
3000
oder wie lange die Kambrische Explosion dauerte.
07:48
But you see a very clearklar trendTrend.
158
444000
2000
Aber man sieht einen klaren Trend.
07:50
There's a basicBasic, profoundtiefsinnig accelerationBeschleunigung of this evolutionaryevolutionär processverarbeiten.
159
446000
5000
Es gibt eine grundlegende, profunde Beschleunigung des evolutionären Prozesses.
07:55
InformationInformationen technologiesTechnologien doubledoppelt theirihr capacityKapazität, pricePreis performancePerformance, bandwidthBandbreite,
160
451000
5000
Informationstechnologien verdoppeln Kapazität, Preis-Performanz und Bandbreite
08:00
everyjeden yearJahr.
161
456000
2000
jedes Jahr.
08:02
And that's a very profoundtiefsinnig explosionExplosion of exponentialexponentiell growthWachstum.
162
458000
4000
Und das ist eine sehr tiefgreifende Explosion von exponentiellem Wachstum.
08:06
A personalpersönlich experienceErfahrung, when I was at MITMIT --
163
462000
2000
Eine persönliche Erfahrung, als ich am MIT war –
08:08
computerComputer takingunter up about the sizeGröße of this roomZimmer,
164
464000
2000
Computer waren fast so groß wie dieser Raum hier
08:10
lessWeniger powerfulmächtig than the computerComputer in your cellZelle phoneTelefon.
165
466000
5000
und weniger leistungstark als Ihr Mobiltelefon.
08:15
But Moore'sMoores LawGesetz, whichwelche is very oftenhäufig identifiedidentifiziert with this exponentialexponentiell growthWachstum,
166
471000
4000
Moores Gesetz, das oft stellvertretend für exponentielles Wachstum angesehen wird,
08:19
is just one exampleBeispiel of manyviele, because it's basicallyGrundsätzlich gilt
167
475000
2000
ist auch nur ein Beispiel von vielen, da es im Prinzip
08:21
a propertyEigentum of the evolutionaryevolutionär processverarbeiten of technologyTechnologie.
168
477000
5000
eine Eigenschaft des evolutionären Prozesses von Technologie darstellt.
08:26
I put 49 famousberühmt computersComputer on this logarithmiclogarithmisch graphGraph --
169
482000
3000
Ich habe 49 berühmte Computer in diesen logarithmischen Graphen eingetragen –
08:29
by the way, a straightGerade lineLinie on a logarithmiclogarithmisch graphGraph is exponentialexponentiell growthWachstum --
170
485000
4000
und nochmal, eine gerade Linie im logarithmischen Graphen bedeutet exponentielles Wachstum –
08:33
that's anotherein anderer exponentialexponentiell.
171
489000
2000
dies ist ein weiterer exponentieller Verlauf.
08:35
It tookdauerte us threedrei yearsJahre to doubledoppelt our pricePreis performancePerformance of computingComputer in 1900,
172
491000
3000
Wir brauchten drei Jahre, um die Preis-Performanz der Rechenleistung am Anfang des 20. Jahrhunderts zu verdoppeln,
08:38
two yearsJahre in the middleMitte; we're now doublingVerdoppelung it everyjeden one yearJahr.
173
494000
3000
in der Mitte zwei Jahre, und nun verdoppeln wir sie jedes Jahr.
08:42
And that's exponentialexponentiell growthWachstum throughdurch fivefünf differentanders paradigmsParadigmen.
174
498000
3000
Und dies zeigt exponentielles Wachstum durch fünf verschiedene Paradigmen.
08:45
Moore'sMoores LawGesetz was just the last partTeil of that,
175
501000
2000
Moores Gesetz stellt nur das letzte Stück dar,
08:47
where we were shrinkingSchrumpfung transistorsTransistoren on an integratedintegriert circuitSchaltung,
176
503000
3000
in dem wir Transistoren auf einem integrierten Schaltkreis verkleinern,
08:50
but we had electro-mechanicalelektromechanisch calculatorsTaschenrechner,
177
506000
3000
aber es gab elektro-mechanische Rechenmaschinen,
08:53
relay-basedRelais-basiert computersComputer that crackedgeknackt the GermanDeutsch EnigmaEnigma CodeCode,
178
509000
2000
relaisbasierte Computer, die den deutschen Enigma Code knackten,
08:55
vacuumVakuum tubesRöhren in the 1950s predictedvorhergesagt the electionWahl of EisenhowerEisenhower,
179
511000
4000
Vakuumdioden in den 50er Jahren prognostizierten die Wahl von Eisenhower,
08:59
discreetdiskret transistorsTransistoren used in the first spacePlatz flightsFlüge
180
515000
3000
einzeln verbaute Transistoren wurden in den ersten Weltraumflügen benutzt,
09:02
and then Moore'sMoores LawGesetz.
181
518000
2000
und schließlich Moores Gesetz.
09:04
EveryJedes time one paradigmParadigma ranlief out of steamDampf,
182
520000
2000
Jedesmal, wenn einem Paradigma die Luft ausgeht,
09:06
anotherein anderer paradigmParadigma camekam out of left fieldFeld to continuefortsetzen the exponentialexponentiell growthWachstum.
183
522000
3000
kam ein anderes Paradigma aus dem Nichts, um das exponentielle Wachstum fortzuführen.
09:09
They were shrinkingSchrumpfung vacuumVakuum tubesRöhren, makingHerstellung them smallerkleiner and smallerkleiner.
184
525000
3000
Die Vakuumdioden wurden immer weiter verkleinert.
09:12
That hitschlagen a wallMauer. They couldn'tkonnte nicht shrinkschrumpfen them and keep the vacuumVakuum.
185
528000
3000
Dann stieß man an die Grenze. Sie konnten nicht weiter verkleinert werden und das Vakuum beibehalten.
09:15
WholeGanze differentanders paradigmParadigma -- transistorsTransistoren camekam out of the woodworkHolzarbeiten.
186
531000
2000
Ein komplett neues Modell, Transistoren, erschien auf der Bildfläche.
09:17
In factTatsache, when we see the endEnde of the lineLinie for a particularinsbesondere paradigmParadigma,
187
533000
3000
In der Tat, wenn wir das Ende der Linie für ein bestimmtes Modell sehen,
09:20
it createserstellt researchForschung pressureDruck to createerstellen the nextNächster paradigmParadigma.
188
536000
4000
erzeugt dies den Forschungsdruck um das neue Paradigma zu erschaffen.
09:24
And because we'vewir haben been predictingvorhersagen the endEnde of Moore'sMoores LawGesetz
189
540000
3000
Und wir können das Ende von Moores Gesetz seit einiger Zeit vorhersagen –
09:27
for quiteganz a long time -- the first predictionPrognose said 2002, untilbis now it sayssagt 2022.
190
543000
3000
die ersten Vorhersagen lauteten 2002, aktuell sagen sie 2022.
09:30
But by the teenTeenager yearsJahre,
191
546000
3000
Aber ab den 2010er Jahren
09:33
the featuresEigenschaften of transistorsTransistoren will be a fewwenige atomsAtome in widthBreite,
192
549000
3000
werden die Ausmaße von Transistoren nur noch wenige Atome breit sein,
09:36
and we won'tGewohnheit be ablefähig to shrinkschrumpfen them any more.
193
552000
2000
und wir werden nicht mehr in der Lage sein, sie weiter zu verkleinern.
09:38
That'llDas werde be the endEnde of Moore'sMoores LawGesetz, but it won'tGewohnheit be the endEnde of
194
554000
3000
Das wird das Ende von Moores Gesetz sein, aber es wird nicht das Ende
09:41
the exponentialexponentiell growthWachstum of computingComputer, because chipsChips are flateben.
195
557000
2000
des exponentiellen Wachstums von Rechenleistung darstellen, da Chips flach sind.
09:43
We liveLeben in a three-dimensionaldreidimensional worldWelt; we mightMacht as well use the thirddritte dimensionDimension.
196
559000
3000
Wir leben in einer dreidimensionalen Welt; wir können also gut die dritte Dimension ausnutzen.
09:46
We will go into the thirddritte dimensionDimension
197
562000
2000
Wir werden die dritte Dimension einbeziehen,
09:48
and there's been tremendousenorm progressFortschritt, just in the last fewwenige yearsJahre,
198
564000
3000
und damit gab es schon allein in den letzten Jahren enormen Erfolg,
09:51
of gettingbekommen three-dimensionaldreidimensional, self-organizingselbstorganisierend molecularmolekular circuitsSchaltungen to work.
199
567000
4000
um dreidimensionale, selbst-organisierende Molekular-Chips in Betrieb zu nehmen.
09:55
We'llWir werden have those readybereit well before Moore'sMoores LawGesetz runsläuft out of steamDampf.
200
571000
7000
Wir werden diese fertig haben, lange bevor Moores Gesetz die Luft ausgeht.
10:02
SupercomputersSupercomputer -- samegleich thing.
201
578000
2000
Supercomputer, genau das gleiche.
10:05
ProcessorProzessor performancePerformance on IntelIntel chipsChips,
202
581000
3000
Die Prozessorleistung von Intel-Chips,
10:08
the averagedurchschnittlich pricePreis of a transistorTransistor --
203
584000
3000
der Durchschnittspreis eines Transistors –
10:11
1968, you could buykaufen one transistorTransistor for a dollarDollar.
204
587000
3000
im Jahr 1968 konnte man einen Transistor für einen Dollar kaufen.
10:14
You could buykaufen 10 millionMillion in 2002.
205
590000
3000
Im Jahr 2002 konnte man dafür 10 Millionen kaufen.
10:17
It's prettyziemlich remarkablebemerkenswert how smoothglatt
206
593000
3000
Es ist wirklich bemerkenswert, was für ein glatter
10:20
an exponentialexponentiell processverarbeiten that is.
207
596000
2000
exponentieller Prozess das ist.
10:22
I mean, you'ddu würdest think this is the resultErgebnis of some tabletopTischplatte experimentExperiment,
208
598000
3000
Man könnte denken, das ist das Ergebnis eines Laborversuchs,
10:26
but this is the resultErgebnis of worldwideweltweit chaoticchaotisch behaviorVerhalten --
209
602000
3000
aber dies ist das Ergebnis von weltweitem, chaotischem Verhalten –
10:29
countriesLänder accusingbeschuldigt eachjede einzelne other of dumpingDumping productsProdukte,
210
605000
2000
Länder beschuldigen sich gegenseitig der Produkt-Subventionierung,
10:31
IPOsBörsengänge, bankruptciesKonkurse, marketingMarketing programsProgramme.
211
607000
2000
Börsengänge, Insolvenzen, Marketingprogramme.
10:33
You would think it would be a very erraticunberechenbar processverarbeiten,
212
609000
3000
Man könnte annehmen, dies sei ein sehr unsteter Prozess,
10:36
and you have a very smoothglatt
213
612000
2000
aber man bekommt ein sehr geschmeidiges
10:38
outcomeErgebnis of this chaoticchaotisch processverarbeiten.
214
614000
2000
Resultat aus diesem chaotischen Prozess.
10:40
Just as we can't predictvorhersagen
215
616000
2000
So wie wir nicht vorhersagen können,
10:42
what one moleculeMolekül in a gasGas will do --
216
618000
2000
was ein einzelnes Molekül in einem Gas tun wird –
10:44
it's hopelesshoffnungslos to predictvorhersagen a singleSingle moleculeMolekül --
217
620000
3000
es ist hoffnungslos ein einzelnes Molekül exakt zu bestimmen –
10:47
yetnoch we can predictvorhersagen the propertiesEigenschaften of the wholeganze gasGas,
218
623000
2000
können wir trotzdem die Eigenschaften das ganzen Gases
10:49
usingmit thermodynamicsThermodynamik, very accuratelygenau.
219
625000
3000
mit Hilfe der Thermodynamik sehr akkurat vorhersagen.
10:52
It's the samegleich thing here. We can't predictvorhersagen any particularinsbesondere projectProjekt,
220
628000
3000
Hier ist es dasselbe. Wir können nicht ein bestimmtes Projekt bestimmen,
10:55
but the resultErgebnis of this wholeganze worldwideweltweit,
221
631000
2000
aber das Resultat dieser ganzen, weltweiten,
10:57
chaoticchaotisch, unpredictableunberechenbar activityAktivität of competitionWettbewerb
222
633000
5000
chaotischen, unvorhersehbaren Aktivität des Wettbewerbs
11:02
and the evolutionaryevolutionär processverarbeiten of technologyTechnologie is very predictablevorhersagbar.
223
638000
3000
und des evolutionären Prozesses von Technologie ist sehr vorhersehbar.
11:05
And we can predictvorhersagen these trendsTrends farweit into the futureZukunft.
224
641000
3000
Und wir können diesen Trend weit in die Zukunft hinein vorhersagen.
11:10
UnlikeIm Gegensatz zu GertrudeGertrude Stein'sSteins rosesRosen,
225
646000
2000
Im Gegensatz zu Gertrude Steins Rosen
11:12
it's not the caseFall that a transistorTransistor is a transistorTransistor.
226
648000
2000
ist es nicht der Fall: ein Transistor ist ein Transistor.
11:14
As we make them smallerkleiner and lessWeniger expensiveteuer,
227
650000
2000
Wenn wir sie kleiner und günstiger machen,
11:16
the electronsElektronen have lessWeniger distanceEntfernung to travelReise.
228
652000
2000
müssen die Elektronen kürzere Strecken zurücklegen.
11:18
They're fasterschneller, so you've got exponentialexponentiell growthWachstum in the speedGeschwindigkeit of transistorsTransistoren,
229
654000
4000
Das macht sie schneller, und man erreicht das exponentielle Wachstum der Geschwindigkeit der Transistoren.
11:22
so the costKosten of a cycleZyklus of one transistorTransistor
230
658000
4000
Die Kosten für einen Zyklus eines Transistors
11:26
has been comingKommen down with a halvingHalbierung ratePreis of 1.1 yearsJahre.
231
662000
3000
halbieren sich mit einer Rate von 1,1 Jahren.
11:29
You addhinzufügen other formsFormen of innovationInnovation and processorProzessor designEntwurf,
232
665000
3000
Fügt man weitere Arten von Innovation und Prozessordesign hinzu,
11:32
you get a doublingVerdoppelung of pricePreis performancePerformance of computingComputer everyjeden one yearJahr.
233
668000
4000
erreicht man jedes Jahr eine Verdopplung der Preis-Performanz der Rechenleistung.
11:36
And that's basicallyGrundsätzlich gilt deflationDeflation --
234
672000
3000
Und das ist im Grunde Deflation –
11:39
50 percentProzent deflationDeflation.
235
675000
2000
50% Deflation.
11:41
And it's not just computersComputer. I mean, it's truewahr of DNADNA sequencingSequenzierung;
236
677000
3000
Und das gilt nicht nur für Computer. Es gilt auch für die DNA-Sequenzierung.
11:44
it's truewahr of brainGehirn scanningScannen;
237
680000
2000
Es gilt auch für Gehirnscans.
11:46
it's truewahr of the WorldWelt WideBreite WebWeb. I mean, anything that we can quantifyquantifizieren,
238
682000
2000
Und für das Internet. Für alles was wir quantifizieren können,
11:48
we have hundredsHunderte of differentanders measurementsMessungen
239
684000
3000
mit hunderten verschiedenen Messwerten,
11:51
of differentanders, information-relatedinformationsbezogen measurementsMessungen --
240
687000
3000
verschiedenen informationsbedingten Messwerten –
11:54
capacityKapazität, adoptionAnnahme ratesPreise --
241
690000
2000
Kapazität, Annahmeraten –
11:56
and they basicallyGrundsätzlich gilt doubledoppelt everyjeden 12, 13, 15 monthsMonate,
242
692000
3000
diese verdoppeln sich im Grunde alle 12, 13, 15 Monate,
11:59
dependingabhängig on what you're looking at.
243
695000
2000
abhängig davon, was man genau betrachtet.
12:01
In termsBegriffe of pricePreis performancePerformance, that's a 40 to 50 percentProzent deflationDeflation ratePreis.
244
697000
4000
Was die Preis-Performanz betrifft, gibt es eine Deflationsrate von 40% bis 50%.
12:06
And economistsÖkonomen have actuallytatsächlich startedhat angefangen worryingbeunruhigend about that.
245
702000
2000
Und Volkswirtschaftler haben tatsächlich angefangen, sich darüber zu sorgen.
12:08
We had deflationDeflation duringwährend the DepressionDepression,
246
704000
2000
Wir hatten Deflation während der Wirtschaftskrise,
12:10
but that was collapseZusammenbruch of the moneyGeld supplyliefern,
247
706000
2000
die wirklich ein Kollaps der Geldversorgung war,
12:12
collapseZusammenbruch of consumerVerbraucher confidenceVertrauen, a completelyvollständig differentanders phenomenaPhänomene.
248
708000
3000
und einen Kollaps des Verbrauchervertrauens, was ein komplett anderes Phänomen darstellt.
12:15
This is duefällig to greatergrößer productivityProduktivität,
249
711000
2000
Dies ist aufgrund einer höheren Produktivität,
12:18
but the economistÖkonom sayssagt, "But there's no way you're going to be ablefähig to keep up with that.
250
714000
2000
und der Volkswirt sagt, "Aber es ist unmöglich, damit mithalten zu können.
12:20
If you have 50 percentProzent deflationDeflation, people maykann increaseerhöhen, ansteigen theirihr volumeVolumen
251
716000
3000
Wenn man 50% Deflation hat, können die Menschen ihr Volumen
12:23
30, 40 percentProzent, but they won'tGewohnheit keep up with it."
252
719000
2000
30%, 40% erhöhen, aber sie können nicht mithalten."
12:25
But what we're actuallytatsächlich seeingSehen is that
253
721000
2000
Aber was wir tatsächlich sehen, ist, dass wir
12:27
we actuallytatsächlich more than keep up with it.
254
723000
2000
sogar mehr als nur mithalten.
12:29
We'veWir haben had 28 percentProzent perpro yearJahr compoundedzusammengesetzt growthWachstum in dollarsDollar
255
725000
3000
Über die letzten 50 Jahre hatten wir in der Informations-Technologie
12:32
in informationInformation technologyTechnologie over the last 50 yearsJahre.
256
728000
3000
pro Jahr 28% zusammengefasstes Wachstum in Dollar.
12:35
I mean, people didn't buildbauen iPodsiPods for 10,000 dollarsDollar 10 yearsJahre agovor.
257
731000
4000
Die Leute haben ja vor 10 Jahren nicht iPods für 10.000 Dollar gebaut.
12:39
As the pricePreis performancePerformance makesmacht newneu applicationsAnwendungen feasiblemöglich,
258
735000
3000
Wenn die Preis-Performanz neue Anwendungen erlaubt,
12:42
newneu applicationsAnwendungen come to the marketMarkt.
259
738000
2000
kommen neue Anwendungen auf den Markt.
12:44
And this is a very widespreadweit verbreitet phenomenaPhänomene.
260
740000
3000
Und das ist ein weit verbreitetes Phänomen.
12:47
MagneticMagnetische dataDaten storageLager --
261
743000
2000
Magnetische Datenspeicherung –
12:49
that's not Moore'sMoores LawGesetz, it's shrinkingSchrumpfung magneticmagnetisch spotsFlecken,
262
745000
3000
das ist nicht das Mooresche Gesetz – verkleinert die magnetischen Datenpunkte.
12:52
differentanders engineersIngenieure, differentanders companiesFirmen, samegleich exponentialexponentiell processverarbeiten.
263
748000
4000
Verscheidene Entwickler, verschiedene Firmen, aber der gleiche exponentielle Prozess.
12:56
A keySchlüssel revolutionRevolution is that we're understandingVerstehen our ownbesitzen biologyBiologie
264
752000
4000
Eine wichige Revulotion ist, dass wir anfangen, unsere eigene Biologie
13:00
in these informationInformation termsBegriffe.
265
756000
2000
in Bezug auf die Informationen zu verstehen.
13:02
We're understandingVerstehen the softwareSoftware programsProgramme
266
758000
2000
Wir verstehen die Software-Programme, die
13:04
that make our bodyKörper runLauf.
267
760000
2000
unsere Körper steuern.
13:06
These were evolvedentwickelt in very differentanders timesmal --
268
762000
2000
Diese entwickelten sich zu einer sehr verschiedenen Zeit –
13:08
we'dheiraten like to actuallytatsächlich changeVeränderung those programsProgramme.
269
764000
2000
wir würden diese Programme eigentlich gern ändern können.
13:10
One little softwareSoftware programProgramm, callednamens the fatFett insulinInsulin receptorRezeptor geneGen,
270
766000
2000
Eines dieser kleinen Software-Programme, das Fett-Insulin-Rezeptor-Gen,
13:12
basicallyGrundsätzlich gilt sayssagt, "HoldHalten ontoauf zu everyjeden calorieKalorie,
271
768000
2000
besagt im Grunde, "Lass uns jede Kalorie behalten,
13:14
because the nextNächster huntingJagd seasonJahreszeit maykann not work out so well."
272
770000
4000
weil die nächste Jagdsaison nicht so gut ausfallen könnte."
13:18
That was in the interestsInteressen of the speciesSpezies tenszehn of thousandsTausende of yearsJahre agovor.
273
774000
3000
Das war vor zehntausenden von Jahren zum Vorteil der Spezies.
13:21
We'dWir würden like to actuallytatsächlich turnWende that programProgramm off.
274
777000
3000
Nun würden wir das Programm gerne abschalten.
13:24
They triedversucht that in animalsTiere, and these miceMäuse ate ravenouslygefräßig
275
780000
3000
Es wurde in Tierversuchen erprobt, und die Mäuse aßen gefräßig
13:27
and remainedblieb slimschlank and got the healthGesundheit benefitsVorteile of beingSein slimschlank.
276
783000
2000
und blieben doch schlank und hatten die gesundheitlichen Vorteile des Schlankseins.
13:29
They didn't get diabetesDiabetes; they didn't get heartHerz diseaseKrankheit;
277
785000
3000
Sie entwickelten keine Diabetes, bekamen keine Herzkrankheiten,
13:32
they livedlebte 20 percentProzent longerlänger; they got the healthGesundheit benefitsVorteile of caloricKalorien restrictionBeschränkung
278
788000
3000
sie lebten 20% länger, sie hatten die gesundheitlichen Vorteile einer kalorischen Begrenzung
13:35
withoutohne the restrictionBeschränkung.
279
791000
2000
ohne die Einschränkungen.
13:37
FourVier or fivefünf pharmaceuticalPharma companiesFirmen have noticedbemerkt this,
280
793000
3000
Vier oder fünf Pharmakonzerne sind darauf aufmerksam geworden
13:40
feltFilz that would be
281
796000
3000
und sind der Meinung, dass dies ein
13:43
interestinginteressant drugDroge for the humanMensch marketMarkt,
282
799000
3000
interessantes Medikament für den menschlichen Markt sei,
13:46
and that's just one of the 30,000 genesGene
283
802000
2000
und das ist nur eins der 30.000 Gene,
13:48
that affectbeeinflussen our biochemistryBiochemie.
284
804000
3000
die unsere Biochemie beeinflussen.
13:51
We were evolvedentwickelt in an eraEpoche where it wasn'twar nicht in the interestsInteressen of people
285
807000
3000
Wir entwickelten uns in einer Ära, in der es nicht zum Vorteil war, dass die Menschen –
13:54
at the ageAlter of mostdie meisten people at this conferenceKonferenz, like myselfmich selber,
286
810000
3000
etwa im gleichen Alter wie die meisten Teilnehmer dieser Konferenz, so wie ich –
13:57
to liveLeben much longerlänger, because we were usingmit up the preciouskostbar resourcesRessourcen
287
813000
4000
viel länger lebten, da wir die wertvollen Ressourcen verbrauchten,
14:01
whichwelche were better deployedbereitgestellt towardsin Richtung the childrenKinder
288
817000
1000
statt sie besser den Kindern zur Verfügung zu stellen,
14:02
and those caringPflege for them.
289
818000
2000
und denjenigen, die sich um sie kümmern.
14:04
So, life -- long lifespansLebenserwartung --
290
820000
2000
Eine Lebenszeit – lange Lebenszeit –
14:06
like, that is to say, much more than 30 --
291
822000
2000
von deutlich mehr als 30 Jahren –
14:08
weren'twaren nicht selectedausgewählt for,
292
824000
3000
wurde nicht selektiert,
14:11
but we are learningLernen to actuallytatsächlich manipulatemanipulieren
293
827000
3000
aber wir lernen tatsächlich, diese Software-Programme
14:14
and changeVeränderung these softwareSoftware programsProgramme
294
830000
2000
zu manipulieren und zu verändern
14:16
throughdurch the biotechnologyBiotechnologie revolutionRevolution.
295
832000
2000
durch die biotechnologische Revolution.
14:18
For exampleBeispiel, we can inhibithemmen genesGene now with RNARNA interferenceInterferenz.
296
834000
4000
Zum Beispiel können wir jetzt Gene durch RNA-Interferenz blockieren.
14:22
There are excitingaufregend newneu formsFormen of geneGen therapyTherapie
297
838000
2000
Es gibt spannende neue Formen der Gen-Therapie,
14:24
that overcomeüberwinden the problemProblem of placingPlatzierung the geneticgenetisch materialMaterial
298
840000
2000
die das Problem überwinden, das genetische Material
14:26
in the right placeOrt on the chromosomeChromosom.
299
842000
2000
an die richtige Stelle im Chromosom zu platzieren.
14:28
There's actuallytatsächlich a -- for the first time now,
300
844000
3000
Und zum allerersten Mal geht etwas
14:31
something going to humanMensch trialsVersuche, that actuallytatsächlich curesheilt pulmonaryLungen hypertensionHypertonie --
301
847000
3000
in den menschlichen Versuch, das tatsächlich Lungenhochdruck,
14:34
a fataltödlich diseaseKrankheit -- usingmit geneGen therapyTherapie.
302
850000
3000
eine tödliche Krankheit, durch Gen-Therapie heilt.
14:37
So we'llGut have not just designerDesigner babiesBabys, but designerDesigner babyBaby boomersBoomer.
303
853000
3000
Wir werden also nicht nur Designer-Babys bekommen, sondern auch Designer-Baby-Boomer.
14:40
And this technologyTechnologie is alsoebenfalls acceleratingbeschleunigend.
304
856000
3000
Und diese Technologie beschleunigt sich genauso.
14:43
It costKosten 10 dollarsDollar perpro baseBase pairPaar in 1990,
305
859000
3000
Es kostete im Jahr 1990 10 Dollar pro Basenpaar,
14:46
then a pennyPenny in 2000.
306
862000
2000
dann, im Jahr 2000, einen Cent.
14:48
It's now underunter a 10thth of a centCent.
307
864000
2000
Und zur Zeit kostet es unter einem Zehntel Cent.
14:50
The amountMenge of geneticgenetisch dataDaten --
308
866000
2000
Die Masse an genetischen Daten –
14:52
basicallyGrundsätzlich gilt this showszeigt an that smoothglatt exponentialexponentiell growthWachstum
309
868000
3000
im Grunde zeigt dies das geschmeidige exponentielle Wachstum –
14:55
doubledverdoppelt everyjeden yearJahr,
310
871000
2000
verdoppelt sich jedes Jahr
14:57
enablingAktivieren the genomeGenom projectProjekt to be completedabgeschlossen.
311
873000
3000
und hat damit ermöglicht, das Genom-Projekt abzuschließen.
15:00
AnotherEin weiterer majorHaupt revolutionRevolution: the communicationsKommunikation revolutionRevolution.
312
876000
3000
Eine weitere große Revolution ist die Kommunikations-Revolution.
15:03
The pricePreis performancePerformance, bandwidthBandbreite, capacityKapazität of communicationsKommunikation measuredgemessen manyviele differentanders waysWege;
313
879000
5000
Die Preis-Performanz, Bandbreite und Kapazität von Kommunikation wird auf vielen verschiedenen Arten gemessen;
15:08
wiredverdrahtet, wirelesskabellos is growingwachsend exponentiallyexponentiell.
314
884000
3000
leitungsgebunde und drahtlose wachsen exponentiell.
15:11
The InternetInternet has been doublingVerdoppelung in powerLeistung and continuesgeht weiter to,
315
887000
3000
Das Internet hat sein Ausmaß bereits verdoppelt und führt dies fort,
15:14
measuredgemessen manyviele differentanders waysWege.
316
890000
2000
gemessen mit verschiedenen Methoden.
15:16
This is basedbasierend on the numberNummer of hostsGastgeber.
317
892000
2000
Dies basiert auf der Anzahl der Anbieter.
15:18
MiniaturizationMiniaturisierung -- we're shrinkingSchrumpfung the sizeGröße of technologyTechnologie
318
894000
2000
Miniaturisierung – wir verkleinern die Größe der Technologie
15:20
at an exponentialexponentiell ratePreis,
319
896000
2000
mit einer exponentiellen Rate,
15:22
bothbeide wiredverdrahtet and wirelesskabellos.
320
898000
2000
jeweils leitungsgebunden und drahtlos.
15:24
These are some designsEntwürfe from EricEric Drexler'sDie Drexler bookBuch --
321
900000
4000
Dies sind einige Designs aus Eric Drexlers Buch –
15:28
whichwelche we're now showingzeigt are feasiblemöglich
322
904000
2000
wir zeigen gerade, dass sie machbar sind,
15:30
with super-computingSupercomputing simulationsSimulationen,
323
906000
2000
mit Super-Computer-Simulationen,
15:32
where actuallytatsächlich there are scientistsWissenschaftler buildingGebäude
324
908000
2000
es gibt tatsächlich Forscher, die
15:34
molecule-scaleMolekül-Skala robotsRoboter.
325
910000
2000
molekülgroße Robotor angefertigt haben.
15:36
One has one that actuallytatsächlich walksSpaziergänge with a surprisinglyüberraschenderweise human-likemenschenähnlich gaitGangart,
326
912000
2000
Einer von diesen geht sogar
15:38
that's builtgebaut out of moleculesMoleküle.
327
914000
3000
in menschen-ähnlicher Gangart, erbaut aus Molekülen.
15:41
There are little machinesMaschinen doing things in experimentalExperimental- basesBasen.
328
917000
4000
Es gibt kleine Maschinen, die etwas auf einer experimentellen Stufe erledigen.
15:45
The mostdie meisten excitingaufregend opportunityGelegenheit
329
921000
3000
Die aufregendste Möglichkeit
15:48
is actuallytatsächlich to go insideinnen the humanMensch bodyKörper
330
924000
2000
ist, wirklich in den menschlichen Körper hinein zu gehen
15:50
and performausführen therapeutictherapeutisch and diagnosticDiagnose functionsFunktionen.
331
926000
3000
und therapeutische und diagnostische Dienste auszuführen.
15:53
And this is lessWeniger futuristicfuturistisch than it maykann soundklingen.
332
929000
2000
Und dies ist weniger futuristisch als es sich anhört.
15:55
These things have alreadybereits been doneerledigt in animalsTiere.
333
931000
2000
Diese Dinge sind schon an Tieren durchgeführt worden.
15:57
There's one nano-engineeredNano-entwickelt deviceGerät that curesheilt typeArt 1 diabetesDiabetes. It's bloodBlut cell-sizedzellgroß.
334
933000
4000
Es gibt einen nano-entwickelten Apparat, der Typ-1 Diabetes heilt. Er ist so groß wie eine Blutzelle.
16:01
They put tenszehn of thousandsTausende of these
335
937000
2000
Sie fügten zehntausende von denen
16:03
in the bloodBlut cellZelle -- they triedversucht this in ratsRatten --
336
939000
2000
zum Blut hinzu – ein Versuch an Ratten –
16:05
it letsLasst uns insulinInsulin out in a controlledkontrolliert fashionMode,
337
941000
2000
und sie geben Insulin in kontrollierter Weise ab,
16:07
and actuallytatsächlich curesheilt typeArt 1 diabetesDiabetes.
338
943000
2000
und das heilt tatsächlich Typ-1 Diabetes.
16:09
What you're watchingAufpassen is a designEntwurf
339
945000
3000
Was Sie hier sehen, ist ein Design
16:12
of a roboticRoboter redrot bloodBlut cellZelle,
340
948000
2000
einer roten Roboter-Blutzelle,
16:14
and it does bringbringen up the issueProblem that our biologyBiologie
341
950000
2000
und es verdeutlicht die Tatsache, dass unsere Biologie
16:16
is actuallytatsächlich very sub-optimalsuboptimal,
342
952000
2000
eigentlich recht suboptimal ist,
16:18
even thoughobwohl it's remarkablebemerkenswert in its intricacyKompliziertheit.
343
954000
3000
obwohl ihre Komplexität bemerkenswert ist.
16:21
OnceEinmal we understandverstehen its principlesPrinzipien of operationBetrieb,
344
957000
3000
Wenn wir einmal die Prinzipien der Abläufe verstanden haben,
16:24
and the paceTempo with whichwelche we are reverse-engineeringReverse Engineering biologyBiologie is acceleratingbeschleunigend,
345
960000
3000
und die Geschwindigkeit, mit der wir Biologie rückadaptieren, beschleunigt sich,
16:28
we can actuallytatsächlich designEntwurf these things to be
346
964000
2000
können wir wirklich diese Dinge entwickeln,
16:30
thousandsTausende of timesmal more capablefähig.
347
966000
2000
so dass sie tausendfach leistungsfähiger werden.
16:32
An analysisAnalyse of this respirocyteRespirocyt, designedentworfen by RobRob FreitasFreitas,
348
968000
4000
Diese von Rob Freitas entworfenen Respirozyten ermöglichen es,
16:37
indicateszeigt an if you replaceersetzen 10 percentProzent of your redrot bloodBlut cellsZellen with these roboticRoboter versionsVersionen,
349
973000
2000
wenn man 10% des Blutes mit dieser künstlichen Version ersetzt,
16:40
you could do an OlympicOlympia sprintSprint for 15 minutesProtokoll withoutohne takingunter a breathAtem.
350
976000
3000
einen olympischen Sprint für 15 Minuten zu laufen, ohne Luft zu holen.
16:43
You could sitsitzen at the bottomBoden of your poolSchwimmbad for fourvier hoursStd. --
351
979000
3000
Sie können für 4 Stunden am Grund Ihres Schwimmbads sitzen –
16:46
so, "HoneyHonig, I'm in the poolSchwimmbad," will take on a wholeganze newneu meaningBedeutung.
352
982000
4000
und das "Schatz, ich bin im Pool." wird eine ganz neue Bedeutung haben.
16:50
It will be interestinginteressant to see what we do in our OlympicOlympia trialsVersuche.
353
986000
2000
Es wird interessant zu sehen sein, was wir mit den Olympischen Probeläufen machen.
16:52
PresumablyVermutlich we'llGut banVerbot them,
354
988000
2000
Wahrscheinlich dürften Sie nicht antreten,
16:54
but then we'llGut have the specterGespenst of teenagersJugendliche in theirihr highhoch schoolsSchulen gymsTurnhallen
355
990000
2000
aber dann haben wir das Schreckgespenst, dass Jugendliche in den Schul-Turnhallen
16:56
routinelyroutinemäßig out-performingOut-Performing the OlympicOlympia athletesAthleten.
356
992000
3000
regelmäßig die Olympioniken schlagen werden.
17:01
FreitasFreitas has a designEntwurf for a roboticRoboter whiteWeiß bloodBlut cellZelle.
357
997000
3000
Freitas hat auch ein Design für eine weiße Roboter-Blutzelle.
17:04
These are 2020-circa-zirka scenariosSzenarien,
358
1000000
4000
Dies sind etwa 2020er Szenarios,
17:08
but they're not as futuristicfuturistisch as it maykann soundklingen.
359
1004000
2000
aber sie sind nicht so futuristisch wie es klingt.
17:10
There are fourvier majorHaupt conferencesKonferenzen on buildingGebäude bloodBlut cell-sizedzellgroß devicesGeräte;
360
1006000
4000
Es gibt vier wichtige Konferenzen über den Bau Blutzellen-großer Apparate;
17:14
there are manyviele experimentsExperimente in animalsTiere.
361
1010000
2000
es gibt viele Experimente an Tieren.
17:16
There's actuallytatsächlich one going into humanMensch trialVersuch,
362
1012000
2000
Und es gibt bereits einen, der in den menschlichen Feldversuch geht.
17:18
so this is feasiblemöglich technologyTechnologie.
363
1014000
3000
Das ist also machbare Technologie.
17:22
If we come back to our exponentialexponentiell growthWachstum of computingComputer,
364
1018000
2000
Um auf unser exponentielles Wachstum von Rechenleistung zurückzukommen:
17:24
1,000 dollarsDollar of computingComputer is now somewhereirgendwo betweenzwischen an insectInsekt and a mouseMaus brainGehirn.
365
1020000
3000
1.000 Dollar an Rechenleistung entsprechen zur Zeit etwa dem Gehirn eines Insekts oder dem einer Maus.
17:27
It will intersectschneiden humanMensch intelligenceIntelligenz
366
1023000
3000
Dies wird sich mit der Kapazität der menschlichen Intelligenz
17:30
in termsBegriffe of capacityKapazität in the 2020s,
367
1026000
3000
etwa in den 2020ern überschneiden.
17:33
but that'lldas werde be the hardwareHardware- sideSeite of the equationGleichung.
368
1029000
2000
Aber das betrachtet nur die Hardware dieser Gleichung.
17:35
Where will we get the softwareSoftware?
369
1031000
2000
Woher bekommen wir die Software?
17:37
Well, it turnswendet sich out we can see insideinnen the humanMensch brainGehirn,
370
1033000
2000
Nun, es stellt sich heraus, dass wir in das menschliche Hirn schauen können,
17:39
and in factTatsache not surprisinglyüberraschenderweise,
371
1035000
2000
und wenig überraschend ist die Tatsache,
17:41
the spatialräumlich and temporalzeitliche resolutionAuflösung of brainGehirn scanningScannen is doublingVerdoppelung everyjeden yearJahr.
372
1037000
4000
dass sich die örtliche und zeitliche Auflösung der Hirnabtastung jedes Jahr verdoppelt.
17:45
And with the newneu generationGeneration of scanningScannen toolsWerkzeuge,
373
1041000
2000
Und mit der neuen Generation von Abtast-Geräten
17:47
for the first time we can actuallytatsächlich see
374
1043000
2000
können wir zum ersten Mal wirklich einzelne
17:49
individualPerson inter-neuralinterneural fibersFasern
375
1045000
2000
inter-neurale Fasern sehen
17:51
and see them processingwird bearbeitet and signalingSignalisierung in realecht time --
376
1047000
3000
und in Echtzeit betrachten wie sie verarbeiten und signalisieren –
17:54
but then the questionFrage is, OK, we can get this dataDaten now,
377
1050000
2000
aber dann stellt sich die Frage, OK, wir können diese Daten heute erfassen,
17:56
but can we understandverstehen it?
378
1052000
2000
aber können wir sie verstehen?
17:58
DougDoug HofstadterHofstadter wondersWunder, well, maybe our intelligenceIntelligenz
379
1054000
3000
Doug Hofstadter fragt sich, nun, vielleicht ist unsere Intelligenz
18:01
just isn't great enoughgenug to understandverstehen our intelligenceIntelligenz,
380
1057000
3000
einfach nicht groß genug, um unsere Intelligenz zu verstehen,
18:04
and if we were smarterintelligenter, well, then our brainsGehirne would be that much more complicatedkompliziert,
381
1060000
3000
und wenn wir klüger wären, dann wäre unser Gehirn noch komplizierter,
18:07
and we'dheiraten never catchFang up to it.
382
1063000
2000
und wir könnten nie mithalten.
18:10
It turnswendet sich out that we can understandverstehen it.
383
1066000
3000
Es stellt sich heraus, dass wir es verstehen können.
18:13
This is a blockBlock diagramDiagramm of
384
1069000
3000
Dies ist ein Blockdiagramm eines Modells
18:16
a modelModell- and simulationSimulation of the humanMensch auditoryakustisch cortexKortex
385
1072000
4000
und einer Simulation des menschlichen auditiven Kortex,
18:20
that actuallytatsächlich worksWerke quiteganz well --
386
1076000
2000
das wirklich sehr gute Resultate liefert, wenn man
18:22
in applyingbewirbt sich psychoacousticpsychoakustisch testsTests, getsbekommt very similarähnlich resultsErgebnisse to humanMensch auditoryakustisch perceptionWahrnehmung.
387
1078000
2000
psychoakustische Tests anwendet und mit der menschlichen auditiven Wahrnehmung vergleicht.
18:26
There's anotherein anderer simulationSimulation of the cerebellumKleinhirn --
388
1082000
3000
Hier ist eine weitere Simulation des Kleinhirns –
18:29
that's more than halfHälfte the neuronsNeuronen in the brainGehirn --
389
1085000
2000
es besteht aus der Hälfte der Nervenzellen des Gehirns –
18:31
again, worksWerke very similarlyähnlich to humanMensch skillFertigkeit formationBildung.
390
1087000
3000
und auch dort funktioniert es sehr ähnlich wie bei der Fähigkeitsentwicklung des Menschen.
18:35
This is at an earlyfrüh stageStufe, but you can showShow
391
1091000
3000
Wir sind an einem frühen Punkt, aber man kann zeigen,
18:38
with the exponentialexponentiell growthWachstum of the amountMenge of informationInformation about the brainGehirn
392
1094000
3000
dass mit dem exponentiellen Wachstum der Masse an Informationen über das Gehirn
18:41
and the exponentialexponentiell improvementVerbesserung
393
1097000
2000
und der exponentiellen Verbesserungen
18:43
in the resolutionAuflösung of brainGehirn scanningScannen,
394
1099000
2000
in der Auflösung der Hirnabtastung,
18:45
we will succeedgelingen in reverse-engineeringReverse Engineering the humanMensch brainGehirn
395
1101000
3000
wir das menschliche Gehirn bis zu den 2020ern erfolgreich
18:48
by the 2020s.
396
1104000
2000
nachgebaut haben werden.
18:50
We'veWir haben alreadybereits had very good modelsModelle and simulationSimulation of about 15 regionsRegionen
397
1106000
3000
Wir haben schon sehr gute Modelle und Simulationen von 15
18:53
out of the severalmehrere hundredhundert.
398
1109000
3000
von den mehreren hundert Regionen.
18:56
All of this is drivingFahren
399
1112000
2000
All dies treibt
18:58
exponentiallyexponentiell growingwachsend economicWirtschaftlich progressFortschritt.
400
1114000
2000
den wirtschaftlichen Fortschritt exponentiell voran.
19:00
We'veWir haben had productivityProduktivität go from 30 dollarsDollar to 150 dollarsDollar perpro hourStunde
401
1116000
3000
Unsere Produktivität stieg von 30 Dollar auf 150 Dollar pro Arbeitsstunde
19:05
of laborArbeit in the last 50 yearsJahre.
402
1121000
2000
in den letzten 50 Jahren.
19:07
E-commerceE-commerce has been growingwachsend exponentiallyexponentiell. It's now a trillionBillion dollarsDollar.
403
1123000
3000
Der elektronische Handel wächst exponentiell. Er umfasst zur Zeit eine Billion Dollar.
19:10
You mightMacht wonderWunder, well, wasn'twar nicht there a boomBoom and a bustBüste?
404
1126000
2000
Sie mögen sich wundern, aber war da nicht ein Boom und eine geplatzte Blase?
19:12
That was strictlystreng a capital-marketsKapitalmärkte phenomenaPhänomene.
405
1128000
2000
Das war ein reines Phänomen des Kapitalmarkts.
19:14
WallWand StreetStraße noticedbemerkt that this was a revolutionaryRevolutionär technologyTechnologie, whichwelche it was,
406
1130000
4000
Die Wall-Street merkte, dass es eine revolutionäre Technologie war, denn das war es,
19:18
but then sixsechs monthsMonate laterspäter, when it hadn'thatte nicht revolutionizedrevolutioniert all businessGeschäft modelsModelle,
407
1134000
3000
aber nach sechs Monaten, nachdem es nicht alle Geschäftsmodelle revolutioniert hatte,
19:21
they figuredabgebildet, well, that was wrongfalsch,
408
1137000
2000
dachten sie sich, nun, da ist etwas falsch,
19:23
and then we had this bustBüste.
409
1139000
2000
und dann hatten wir die geplatzte Blase.
19:26
All right, this is a technologyTechnologie
410
1142000
2000
Also gut, das ist eine Technologie,
19:28
that we put togetherzusammen usingmit some of the technologiesTechnologien we're involvedbeteiligt in.
411
1144000
3000
die wir aus anderen Technologien, in die wir involviert sind, zusammengesetzt haben.
19:31
This will be a routineRoutine featureFeature in a cellZelle phoneTelefon.
412
1147000
4000
Dies wird ein Standardmerkmal in einem Mobiltelefon.
19:35
It would be ablefähig to translateÜbersetzen from one languageSprache to anotherein anderer.
413
1151000
2000
Es wird in der Lage sein, von einer Sprache in eine andere zu übersetzen.
19:47
So let me just endEnde with a couplePaar of scenariosSzenarien.
414
1163000
2000
Lassen Sie mich einfach mit ein paar Szenarien enden.
19:49
By 2010 computersComputer will disappearverschwinden.
415
1165000
3000
Bis 2010 werden Computer verschwinden.
19:53
They'llSie werden be so smallklein, they'llsie werden be embeddedeingebettet in our clothingKleidung, in our environmentUmwelt.
416
1169000
3000
Sie werden so klein sein, dass sie in unsere Kleidung und unser Umfeld eingebettet sind.
19:56
ImagesBilder will be writtengeschrieben directlydirekt to our retinaRetina,
417
1172000
2000
Bilder werden direkt auf unsere Retina projiziert werden,
19:58
providingBereitstellung full-immersionvoll eintauchen virtualvirtuell realityWirklichkeit,
418
1174000
2000
was voll-immersive, virtuelle Realitäten erlaubt,
20:00
augmentederweitert realecht realityWirklichkeit. We'llWir werden be interactinginteragierend with virtualvirtuell personalitiesPersönlichkeiten.
419
1176000
3000
überlagerte, reale Realität. Wir werden mit virtuellen Personen interagieren.
20:04
But if we go to 2029, we really have the fullvoll maturityReife of these trendsTrends,
420
1180000
4000
Und im Jahr 2029 werden wir die volle Reife dieser Trends erreichen,
20:08
and you have to appreciateschätzen how manyviele turnswendet sich of the screwSchraube
421
1184000
3000
und Sie müssen würdigen, wie oft sich die Schraube in der Form
20:11
in termsBegriffe of generationsGenerationen of technologyTechnologie, whichwelche are gettingbekommen fasterschneller and fasterschneller, we'llGut have at that pointPunkt.
422
1187000
4000
von Technologie gedreht hat – schneller und schneller, wenn wir an diesen Punkt gelangen.
20:15
I mean, we will have two-to-the-Zwei-zu-dem-25th-powerTh-Macht
423
1191000
2000
Wir werden zwei hoch 25 größere
20:17
greatergrößer pricePreis performancePerformance, capacityKapazität and bandwidthBandbreite
424
1193000
3000
Preis-Performanz, Kapazität und Bandbreite
20:20
of these technologiesTechnologien, whichwelche is prettyziemlich phenomenalphänomenal.
425
1196000
2000
dieser Technologien haben. Das ist wirklich phänomenal.
20:22
It'llEs werde be millionsMillionen of timesmal more powerfulmächtig than it is todayheute.
426
1198000
2000
Sie werden Millionen Male leistungsfähiger sein als sie heute sind.
20:24
We'llWir werden have completedabgeschlossen the reverse-engineeringReverse Engineering of the humanMensch brainGehirn,
427
1200000
2000
Wir werden das menschliche Gehirn vollständig nachgebildet haben,
20:27
1,000 dollarsDollar of computingComputer will be farweit more powerfulmächtig
428
1203000
3000
1.000 Dollar an Rechenleistung werden weit leistungsfähiger sein
20:30
than the humanMensch brainGehirn in termsBegriffe of basicBasic rawroh capacityKapazität.
429
1206000
4000
als das menschliche Gehirn, was die reine Kapazität betrifft.
20:34
ComputersComputer will combinekombinieren
430
1210000
2000
Dann vereinen Computer
20:36
the subtlesubtil pan-recognitionPfannenerkennung powersKräfte
431
1212000
2000
die scharfsinnige Fähigkeit der Muster-Erkennung
20:38
of humanMensch intelligenceIntelligenz with waysWege in whichwelche machinesMaschinen are alreadybereits superiorüberlegen,
432
1214000
3000
der menschlichen Intelligenz mit den Bereichen, in denen die Maschinen uns bereits überlegen sind,
20:41
in termsBegriffe of doing analyticanalytisch thinkingDenken,
433
1217000
2000
was das analytische Denken betrifft
20:43
rememberingErinnern billionsMilliarden of factsFakten accuratelygenau.
434
1219000
2000
und die Fähigkeit sich Milliarden von Fakten akkurat zu merken.
20:45
MachinesMaschinen can shareAktie theirihr knowledgeWissen very quicklyschnell.
435
1221000
2000
Maschinen können ihr Wissen sehr schnell miteinander teilen.
20:47
But it's not just an alienAusländer invasionInvasion of intelligentintelligent machinesMaschinen.
436
1223000
5000
Aber das ist nicht einfach eine Invasion von außerirdischen, intelligenten Maschinen.
20:52
We are going to mergeverschmelzen with our technologyTechnologie.
437
1228000
2000
Wir werden mit dieser Technologie verschmelzen.
20:54
These nano-botsNano-Bots I mentionederwähnt
438
1230000
2000
Die Nano-Roboter, die ich erwähnte,
20:56
will first be used for medicalmedizinisch and healthGesundheit applicationsAnwendungen:
439
1232000
4000
werden erst für medizinische und gesundheitliche Anwendungen genutzt werden:
21:00
cleaningReinigung up the environmentUmwelt, providingBereitstellung powerfulmächtig fuelTreibstoff cellsZellen
440
1236000
3000
Säuberung der Umwelt, Bereitstellung leistungsstarker Energiezellen
21:03
and widelyweit distributedverteilt decentralizeddezentral solarSolar- panelsPlatten and so on in the environmentUmwelt.
441
1239000
5000
und weit verbreitete und dezentralisierte Solarmodule in der Umgebung.
21:08
But they'llsie werden alsoebenfalls go insideinnen our brainGehirn,
442
1244000
2000
Aber sie werden auch in unser Gehirn eindringen
21:10
interactinteragieren with our biologicalbiologisch neuronsNeuronen.
443
1246000
2000
und mit unseren biologischen Neuronen interagieren.
21:12
We'veWir haben demonstratedgezeigt the keySchlüssel principlesPrinzipien of beingSein ablefähig to do this.
444
1248000
3000
Wir haben die Kernprinzipien aufgezeigt, die dies zu ermöglichen.
21:15
So, for exampleBeispiel,
445
1251000
2000
Zum Beispiel die vollständige
21:17
full-immersionvoll eintauchen virtualvirtuell realityWirklichkeit from withininnerhalb the nervousnervös systemSystem,
446
1253000
2000
immersive, virtuelle Realität von innerhalb unseres Nervensystems,
21:19
the nano-botsNano-Bots shutgeschlossen down the signalsSignale comingKommen from your realecht sensesSinne,
447
1255000
3000
die Nano-Roboter, die die Signale Ihrer wahren Sinne blockieren,
21:22
replaceersetzen them with the signalsSignale that your brainGehirn would be receivingEmpfang
448
1258000
3000
und mit den Signalen ersetzen, die Ihr Gehirn empfangen würde,
21:25
if you were in the virtualvirtuell environmentUmwelt,
449
1261000
2000
wenn Sie in einer virtuellen Umgebung wären.
21:27
and then it'lles wird feel like you're in that virtualvirtuell environmentUmwelt.
450
1263000
2000
Und dann fühlt es sich so an, als ob Sie in der virtuellen Umgebung sind.
21:29
You can go there with other people, have any kindArt of experienceErfahrung
451
1265000
2000
Sie können da mit anderen Personen hinein gehen, jede Art von Erfahrung erleben,
21:31
with anyonejemand involvingmit all of the sensesSinne.
452
1267000
2000
mit jeder möglichen Person und allen betroffenen Sinnen.
21:34
"ExperienceErfahrung beamersBeamer," I call them, will put theirihr wholeganze flowfließen of sensorysensorisch experiencesErfahrungen
453
1270000
3000
"Erfahrungs-Strahler", so nenne ich sie, werden den gesamten Fluss von Sinnes-Erfahrungen
21:37
in the neurologicalneurologisch correlateskorreliert of theirihr emotionsEmotionen out on the InternetInternet.
454
1273000
3000
der neurologischen Abbilder von diesen Emotionen ins Internet stellen.
21:40
You can plugStecker in and experienceErfahrung what it's like to be someonejemand elsesonst.
455
1276000
3000
Sie können sich einklinken und erfahren wie es ist, jemand anderes zu sein.
21:43
But mostdie meisten importantlywichtig,
456
1279000
2000
Aber am wichtigsten
21:45
it'lles wird be a tremendousenorm expansionErweiterung
457
1281000
2000
wird die ernome Vergrößerung
21:47
of humanMensch intelligenceIntelligenz throughdurch this directdirekt mergerZusammenschluss with our technologyTechnologie,
458
1283000
4000
an menschlicher Intelligenz durch diese direkte Vereinigung mit unserer Technologie sein,
21:51
whichwelche in some senseSinn we're doing alreadybereits.
459
1287000
2000
was wir im gewissen Maße jetzt schon machen.
21:53
We routinelyroutinemäßig do intellectualgeistig featsKunststücke
460
1289000
2000
Routinemäßig erreichen wir intellektuelle Meisterleistungen,
21:55
that would be impossibleunmöglich withoutohne our technologyTechnologie.
461
1291000
2000
die ohne unsere Technologie unmöglich wären.
21:57
HumanMenschlichen life expectancyErwartung is expandingerweitert. It was 37 in 1800,
462
1293000
3000
Die menschliche Lebenserwartung verlängert sich. Sie betrug im Jahr 1800 37 Jahre,
22:00
and with this sortSortieren of biotechnologyBiotechnologie, nano-technologyNanotechnologie revolutionsRevolutionen,
463
1296000
5000
und mit dieser Art von Biotechnologie, nano-technologischen Revolutionen,
22:05
this will moveBewegung up very rapidlyschnell
464
1301000
2000
wird sie in den kommenden Jahren
22:07
in the yearsJahre aheadvoraus.
465
1303000
2000
rapide ansteigen.
22:09
My mainMain messageNachricht is that progressFortschritt in technologyTechnologie
466
1305000
4000
Meine Hauptbotschaft ist, dass der Fortschritt von Technologie
22:13
is exponentialexponentiell, not linearlinear.
467
1309000
3000
exponentiell ist, nicht linear.
22:16
ManyViele -- even scientistsWissenschaftler -- assumeannehmen a linearlinear modelModell-,
468
1312000
4000
Viele – sogar Wissenschaftler – unterstellen ein lineares Modell,
22:20
so they'llsie werden say, "Oh, it'lles wird be hundredsHunderte of yearsJahre
469
1316000
2000
und sie sagen: "Oh, das wird hunderte von Jahren dauern
22:22
before we have self-replicatingselbstreplizierend nano-technologyNanotechnologie assemblyVersammlung
470
1318000
3000
bevor wir selbst-reproduzierende, nano-technologische Bauteile
22:25
or artificialkünstlich intelligenceIntelligenz."
471
1321000
2000
oder künstliche Intelligenz haben werden."
22:27
If you really look at the powerLeistung of exponentialexponentiell growthWachstum,
472
1323000
3000
Wenn Sie wirklich die Leistungsfähigkeit von exponentiellem Wachstum betrachten,
22:30
you'lldu wirst see that these things are prettyziemlich soonbald at handHand.
473
1326000
3000
dann sehen Sie, dass diese Dinge recht bald zur Verfügung stehen werden.
22:33
And informationInformation technologyTechnologie is increasinglyzunehmend encompassingumfassend
474
1329000
3000
Und Informations-Technologie wird vermehrt unser gesamtes Leben
22:36
all of our livesLeben, from our musicMusik- to our manufacturingHerstellung
475
1332000
4000
umfassen, von unserer Musik, unseren Produktionsstätten,
22:40
to our biologyBiologie to our energyEnergie to materialsMaterialien.
476
1336000
4000
unserer Biologie und unserer Energie bis zu Materialien.
22:44
We'llWir werden be ablefähig to manufactureHerstellung almostfast anything we need in the 2020s,
477
1340000
3000
Wir werden in den 2020ern mit Hilfe der Nano-Technologie in der Lage sein, fast alles,
22:47
from informationInformation, in very inexpensivegünstig rawroh materialsMaterialien,
478
1343000
2000
was wir brauchen, aus Informationen und sehr günstigen Rohstoffen
22:49
usingmit nano-technologyNanotechnologie.
479
1345000
3000
herzustellen.
22:52
These are very powerfulmächtig technologiesTechnologien.
480
1348000
2000
Dies sind sehr mächtige Technologien.
22:54
They bothbeide empowerermächtigen our promiseversprechen and our perilTücke.
481
1350000
4000
Sie können Segen und Tücken mit sich bringen.
22:58
So we have to have the will to applysich bewerben them to the right problemsProbleme.
482
1354000
3000
Wir müssen also den Willen haben, sie auf die richtigen Probleme anzuwenden.
23:01
Thank you very much.
483
1357000
1000
Vielen Dank.
23:02
(ApplauseApplaus)
484
1358000
1000
(Applaus)
Translated by Tomas Neumann
Reviewed by Nina Meinzer

▲Back to top

ABOUT THE SPEAKER
Ray Kurzweil - Inventor, futurist
Ray Kurzweil is an engineer who has radically advanced the fields of speech, text and audio technology. He's revered for his dizzying -- yet convincing -- writing on the advance of technology, the limits of biology and the future of the human species.

Why you should listen

Inventor, entrepreneur, visionary, Ray Kurzweil's accomplishments read as a startling series of firsts -- a litany of technological breakthroughs we've come to take for granted. Kurzweil invented the first optical character recognition (OCR) software for transforming the written word into data, the first print-to-speech software for the blind, the first text-to-speech synthesizer, and the first music synthesizer capable of recreating the grand piano and other orchestral instruments, and the first commercially marketed large-vocabulary speech recognition.

Yet his impact as a futurist and philosopher is no less significant. In his best-selling books, which include How to Create a Mind, The Age of Spiritual Machines, The Singularity Is Near: When Humans Transcend Biology, Kurzweil depicts in detail a portrait of the human condition over the next few decades, as accelerating technologies forever blur the line between human and machine.

In 2009, he unveiled Singularity University, an institution that aims to "assemble, educate and inspire leaders who strive to understand and facilitate the development of exponentially advancing technologies." He is a Director of Engineering at Google, where he heads up a team developing machine intelligence and natural language comprehension.

More profile about the speaker
Ray Kurzweil | Speaker | TED.com