ABOUT THE SPEAKER
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.

Why you should listen

Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.

More profile about the speaker
Danny Hillis | Speaker | TED.com
TED1994

Danny Hillis: Back to the future (of 1994)

Ντάνι Χίλις: Πίσω στο μέλλον (του 1994)

Filmed:
686,810 views

Βαθιά μέσα από τα αρχεία του TED, ο Ντάνι Χίλις περιγράφει μία ενδιαφέρουσα θεωρία για το πώς και το γιατί η τεχνολογική αλλαγή μοιάζει να επιταχύνεται, συνδέοντάς την με την ίδια την εξέλιξη της ζωής. Οι τεχνικές της παρουσίασης που χρησιμοποιεί ίσως να μοιάζουν ξεπερασμένες αλλά οι ιδέες είναι σχετικές όσο ποτέ.
- Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio

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

00:15
Because I usuallyσυνήθως take the roleρόλος
0
0
3000
Επειδή συνήθως αναλαμβάνω το ρόλο
00:18
of tryingπροσπαθεί to explainεξηγώ to people
1
3000
2000
του να εξηγώ στον κόσμο
00:20
how wonderfulεκπληκτικός the newνέος technologiesτεχνολογίες
2
5000
3000
το πόσο υπέροχες θα είναι οι νέες τεχνολογίες
00:23
that are comingερχομός alongκατά μήκος are going to be,
3
8000
2000
που εμφανίζονται
00:25
and I thought that, sinceΑπό I was amongαναμεταξύ friendsοι φιλοι here,
4
10000
3000
και σκέφτηκα ότι αφού εδώ βρίσκομαι με φίλους,
00:28
I would tell you what I really think
5
13000
4000
θα σας πω τι πραγματικά πιστεύω
00:32
and try to look back and try to understandκαταλαβαίνουν
6
17000
2000
και θα προσπαθήσω να κοιτάξω πίσω και να καταλάβω
00:34
what is really going on here
7
19000
3000
τι πραγματικά συμβαίνει εδώ
00:37
with these amazingφοβερο jumpsάλματα in technologyτεχνολογία
8
22000
5000
με αυτά τα εκπληκτικά άλματα στην τεχνολογία
00:42
that seemφαίνομαι so fastγρήγορα that we can barelyμετά βίας keep on topμπλουζα of it.
9
27000
3000
που μοιάζουν τόσο γρήγορα που μόλις που καταφέρνουμε να τα ακολουθούμε.
00:45
So I'm going to startαρχή out
10
30000
2000
Θα ξεκινήσω, λοιπόν,
00:47
by showingεπίδειξη just one very boringβαρετό technologyτεχνολογία slideολίσθηση.
11
32000
3000
δείχνοντας μια πολύ βαρετή διαφάνεια για την τεχνολογία.
00:50
And then, so if you can just turnστροφή on the slideολίσθηση that's on.
12
35000
3000
Αν μπορείτε λοιπόν να δείξετε τη διαφάνεια.
00:56
This is just a randomτυχαίος slideολίσθηση
13
41000
2000
Αυτή είναι μια τυχαία διαφάνεια
00:58
that I pickedεκλεκτός out of my fileαρχείο.
14
43000
2000
που επέλεξα από το φάκελό μου.
01:00
What I want to showπροβολή you is not so much the detailsΛεπτομέριες of the slideολίσθηση,
15
45000
3000
Αυτό που θέλω να σας δείξω δεν είναι τόσο οι λεπτομέρειες στη διαφάνεια,
01:03
but the generalγενικός formμορφή of it.
16
48000
2000
αλλά η γενική της μορφή.
01:05
This happensσυμβαίνει to be a slideολίσθηση of some analysisανάλυση that we were doing
17
50000
3000
Τυχαίνει να είναι μια διαφάνεια μιας ανάλυσης που κάναμε
01:08
about the powerεξουσία of RISCRISC microprocessorsμικροεπεξεργαστές
18
53000
3000
για την ενέργεια των μικροεπεξεργαστών υπολογιστών περιορισμένου ρεπερτορίου εντολών
01:11
versusεναντίον the powerεξουσία of localτοπικός areaπεριοχή networksδικτύων.
19
56000
3000
έναντι της ενέργειας των τοπικών δικτύων.
01:14
And the interestingενδιαφέρων thing about it
20
59000
2000
Αυτό που παρουσιάζει ενδιαφέρον είναι ότι
01:16
is that this slideολίσθηση,
21
61000
2000
αυτή η διαφάνεια,
01:18
like so manyΠολλά technologyτεχνολογία slidesδιαφάνειες that we're used to,
22
63000
3000
όπως και πολλές διαφάνειες για την τεχνολογία που έχουμε συνηθίσει,
01:21
is a sortείδος of a straightευθεία lineγραμμή
23
66000
2000
είναι σαν μια ίσια γραμμή
01:23
on a semi-logημι-αρχείο καταγραφής curveκαμπύλη.
24
68000
2000
σε μια ημιλογαριθμική καμπύλη.
01:25
In other wordsλόγια, everyκάθε stepβήμα here
25
70000
2000
Με άλλα λόγια, το κάθε βήμα εδώ
01:27
representsαντιπροσωπεύει an orderΣειρά of magnitudeμέγεθος
26
72000
2000
συμβολίζει μια τάξη μεγέθους
01:29
in performanceεκτέλεση scaleκλίμακα.
27
74000
2000
σε μία κλίμακα.
01:31
And this is a newνέος thing
28
76000
2000
Αυτό είναι κάτι καινούργιο
01:33
that we talk about technologyτεχνολογία
29
78000
2000
το να μιλάμε για την τεχνολογία
01:35
on semi-logημι-αρχείο καταγραφής curvesκαμπύλες.
30
80000
2000
με ημιλογαριθμικές καμπύλες.
01:37
Something really weirdΠερίεργο is going on here.
31
82000
2000
Κάτι πολύ παράξενο συμβαίνει εδώ.
01:39
And that's basicallyβασικα what I'm going to be talkingομιλία about.
32
84000
3000
Αυτό στην ουσία είναι το θέμα για το οποίο θα μιλήσω.
01:42
So, if you could bringνα φερεις up the lightsφώτα.
33
87000
3000
Αν μπορούσατε να σηκώσετε τα φώτα.
01:47
If you could bringνα φερεις up the lightsφώτα higherπιο ψηλά,
34
92000
2000
Λίγο ψηλότερα,
01:49
because I'm just going to use a pieceκομμάτι of paperχαρτί here.
35
94000
3000
γιατί θα χρησιμοποιήσω ένα χαρτί εδώ.
01:52
Now why do we drawσχεδιάζω technologyτεχνολογία curvesκαμπύλες
36
97000
2000
Γιατί λοιπόν σχεδιάζουμε τεχνολογικές καμπύλες
01:54
in semi-logημι-αρχείο καταγραφής curvesκαμπύλες?
37
99000
2000
με ημιλογαριθμικές καμπύλες;
01:56
Well the answerαπάντηση is, if I drewτράβηξε it on a normalκανονικός curveκαμπύλη
38
101000
3000
Η απάντηση είναι πως αν σχεδίαζα μία κανονική καμπύλη
01:59
where, let's say, this is yearsχρόνια,
39
104000
2000
εκεί που, ας πούμε, έχουμε χρόνια,
02:01
this is time of some sortείδος,
40
106000
2000
αυτός είναι κάποιου είδους χρόνος,
02:03
and this is whateverοτιδήποτε measureμετρήσει of the technologyτεχνολογία
41
108000
3000
κι αυτό είναι οποιοδήποτε μέτρο της τεχνολογίας
02:06
that I'm tryingπροσπαθεί to graphγραφική παράσταση,
42
111000
3000
που προσπαθώ να σχεδιάσω γραφικά,
02:09
the graphsγραφικές παραστάσεις look sortείδος of sillyανόητος.
43
114000
3000
τα γραφήματα φαίνονται κάπως χαζά.
02:12
They sortείδος of go like this.
44
117000
3000
Πάνε κάπως έτσι.
02:15
And they don't tell us much.
45
120000
3000
Δεν μας λένε πολλά.
02:18
Now if I graphγραφική παράσταση, for instanceπαράδειγμα,
46
123000
3000
Αν, για παράδειγμα, σχεδιάσω γραφικά
02:21
some other technologyτεχνολογία, say transportationΜεταφορά technologyτεχνολογία,
47
126000
2000
μια κάποια άλλη τεχνολογία, ας πούμε τεχνολογία μεταφορών,
02:23
on a semi-logημι-αρχείο καταγραφής curveκαμπύλη,
48
128000
2000
σε ημιλογαριθμική καμπύλη,
02:25
it would look very stupidηλίθιος, it would look like a flatδιαμέρισμα lineγραμμή.
49
130000
3000
θα φαινόταν πολύ χαζό, θα έμοιαζε με μια ίσια γραμμή.
02:28
But when something like this happensσυμβαίνει,
50
133000
2000
Όταν, όμως, συμβαίνει κάτι τέτοιο,
02:30
things are qualitativelyποιοτικά changingαλλάζοντας.
51
135000
2000
τα πράγματα αλλάζουν ποιοτικά.
02:32
So if transportationΜεταφορά technologyτεχνολογία
52
137000
2000
Αν, λοιπόν, η τεχνολογία μεταφορών
02:34
was movingκίνηση alongκατά μήκος as fastγρήγορα as microprocessorμικροεπεξεργαστής technologyτεχνολογία,
53
139000
3000
κινούταν τόσο γρήγορα όσο και η τεχνολογία μικροεπεξεργαστών,
02:37
then the day after tomorrowαύριο,
54
142000
2000
τότε μεθαύριο,
02:39
I would be ableικανός to get in a taxiταξί cabταξί
55
144000
2000
θα μπορούσα να μπω σε ένα ταξί
02:41
and be in TokyoΤόκιο in 30 secondsδευτερολέπτων.
56
146000
2000
και να είμαι στο Τόκυο σε 30 δευτερόλεπτα.
02:43
It's not movingκίνηση like that.
57
148000
2000
Δεν κινείται έτσι.
02:45
And there's nothing precedentedκαταστρέφεται σε εκπληκτική
58
150000
2000
Δεν υπάρχει κανένα προηγούμενο,
02:47
in the historyιστορία of technologyτεχνολογία developmentανάπτυξη
59
152000
2000
στην ιστορία της ανάπτυξης της τεχνολογίας,
02:49
of this kindείδος of self-feedingαυτο-διατροφή growthανάπτυξη
60
154000
2000
τέτοιου είδους αυτοτροφοδοτούμενης ανάπτυξης
02:51
where you go by ordersπαραγγελίες of magnitudeμέγεθος everyκάθε fewλίγοι yearsχρόνια.
61
156000
3000
όπου πηγαίνεις σύμφωνα με τις τάξεις μεγέθους κάθε λίγα χρόνια.
02:54
Now the questionερώτηση that I'd like to askπαρακαλώ is,
62
159000
3000
Η ερώτηση που θα ήθελα να κάνω είναι,
02:57
if you look at these exponentialεκθετικός curvesκαμπύλες,
63
162000
3000
εάν κοιτάξετε αυτές τις εκθετικές καμπύλες,
03:00
they don't go on foreverγια πάντα.
64
165000
3000
δεν συνεχίζουν επ' αόριστον.
03:03
Things just can't possiblyπιθανώς keep changingαλλάζοντας
65
168000
3000
Απλώς τα πράγματα δεν μπορούν να συνεχίζουν να αλλάζουν
03:06
as fastγρήγορα as they are.
66
171000
2000
τόσο γρήγορα.
03:08
One of two things is going to happenσυμβεί.
67
173000
3000
Θα συμβεί ένα από τα δύο πράγματα.
03:11
EitherΕίτε it's going to turnστροφή into a sortείδος of classicalκλασική S-curveS-καμπύλη like this,
68
176000
4000
Είτε θα βγει μία κάπως κλασικά S-καμπύλη σαν κι αυτή,
03:15
untilμέχρις ότου something totallyεντελώς differentδιαφορετικός comesέρχεται alongκατά μήκος,
69
180000
4000
μέχρι να προκύψει κάτι εντελώς διαφορετικό,
03:19
or maybe it's going to do this.
70
184000
2000
είτε ίσως να κάνει αυτό.
03:21
That's about all it can do.
71
186000
2000
Μόνο αυτά μπορεί να συμβούν.
03:23
Now I'm an optimistαισιόδοξος,
72
188000
2000
Είμαι αισιόδοξος άνθρωπος,
03:25
so I sortείδος of think it's probablyπιθανώς going to do something like that.
73
190000
3000
οπότε πιστεύω ότι θα κάνει κάτι τέτοιο.
03:28
If so, that meansπου σημαίνει that what we're in the middleΜέσης of right now
74
193000
3000
Αν το κάνει, σημαίνει ότι αυτό που κάνουμε αυτή τη στιγμή
03:31
is a transitionμετάβαση.
75
196000
2000
είναι μία μετάβαση.
03:33
We're sortείδος of on this lineγραμμή
76
198000
2000
Είμαστε περίπου σε αυτήν τη γραμμή
03:35
in a transitionμετάβαση from the way the worldκόσμος used to be
77
200000
2000
σε μία μετάβαση από τον τρόπο που ήταν ο κόσμος κάποτε
03:37
to some newνέος way that the worldκόσμος is.
78
202000
3000
σε ένα νέο τρόπο που είναι τώρα.
03:40
And so what I'm tryingπροσπαθεί to askπαρακαλώ, what I've been askingζητώντας myselfεγώ ο ίδιος,
79
205000
3000
Οπότε αυτό που προσπαθώ να ρωτήσω, αυτό που ρωτάω τον εαυτό μου,
03:43
is what's this newνέος way that the worldκόσμος is?
80
208000
3000
είναι το ποιος είναι αυτός ο τρόπος που είναι ο κόσμος σήμερα;
03:46
What's that newνέος stateκατάσταση that the worldκόσμος is headingεπικεφαλίδα towardπρος?
81
211000
3000
Ποια είναι η καινούργια κατάσταση προς την οποία κατευθύνεται ο κόσμος;
03:49
Because the transitionμετάβαση seemsφαίνεται very, very confusingσύγχυση
82
214000
3000
Γιατί η μετάβαση φαίνεται πολύ, πολύ μπερδεμένη
03:52
when we're right in the middleΜέσης of it.
83
217000
2000
όταν βρισκόμαστε στο επίκεντρό της.
03:54
Now when I was a kidπαιδί growingκαλλιέργεια up,
84
219000
3000
Όταν ήμουν παιδί,
03:57
the futureμελλοντικός was kindείδος of the yearέτος 2000,
85
222000
3000
το μέλλον ήταν το έτος 2000,
04:00
and people used to talk about what would happenσυμβεί in the yearέτος 2000.
86
225000
4000
και ο κόσμος μιλούσε για το τι θα συνέβαινε το 2000.
04:04
Now here'sεδώ είναι a conferenceδιάσκεψη
87
229000
2000
Αυτή είναι μία διάσκεψη
04:06
in whichοι οποίες people talk about the futureμελλοντικός,
88
231000
2000
στην οποία ο κόσμος μιλάει για το μέλλον,
04:08
and you noticeειδοποίηση that the futureμελλοντικός is still at about the yearέτος 2000.
89
233000
3000
και παρατηρείτε ότι το μέλλον είναι ακόμα περίπου στο έτος 2000.
04:11
It's about as farμακριά as we go out.
90
236000
2000
Μέχρι εκεί φτάνουμε.
04:13
So in other wordsλόγια, the futureμελλοντικός has kindείδος of been shrinkingσυρρίκνωση
91
238000
3000
Με άλλα λόγια, το μέλλον συρρικνώνεται κατά κάποιον τρόπο
04:16
one yearέτος perανά yearέτος
92
241000
3000
χρόνο με το χρόνο
04:19
for my wholeολόκληρος lifetimeΔιάρκεια Ζωής.
93
244000
3000
σε όλη μου τη ζωή.
04:22
Now I think that the reasonλόγος
94
247000
2000
Πιστεύω ότι ο λόγος
04:24
is because we all feel
95
249000
2000
είναι ότι όλοι νιώθουμε
04:26
that something'sμερικά πράγματα happeningσυμβαίνει there.
96
251000
2000
πως κάτι συμβαίνει.
04:28
That transitionμετάβαση is happeningσυμβαίνει. We can all senseέννοια it.
97
253000
2000
Αυτή η μετάβαση συμβαίνει. Το αισθανόμαστε όλοι.
04:30
And we know that it just doesn't make too much senseέννοια
98
255000
2000
Ξέρουμε ότι δεν βγάζει και πολύ νόημα
04:32
to think out 30, 50 yearsχρόνια
99
257000
2000
το να σκεφτούμε 30, 50 χρόνια
04:34
because everything'sόλα είναι going to be so differentδιαφορετικός
100
259000
3000
γιατί όλα θα είναι τόσο διαφορετικά
04:37
that a simpleαπλός extrapolationπαρέκταση of what we're doing
101
262000
2000
που μία απλή παρεκβολή του τι κάνουμε
04:39
just doesn't make any senseέννοια at all.
102
264000
3000
απλώς δεν βγάζει κανένα νόημα.
04:42
So what I would like to talk about
103
267000
2000
Θα ήθελα να μιλήσω, λοιπόν,
04:44
is what that could be,
104
269000
2000
για το τι θα μπορούσε να είναι αυτό,
04:46
what that transitionμετάβαση could be that we're going throughδιά μέσου.
105
271000
3000
τι θα μπορούσε να είναι αυτή η μετάβαση την οποία διανύουμε.
04:49
Now in orderΣειρά to do that
106
274000
3000
Για να το κάνω αυτό
04:52
I'm going to have to talk about a bunchδέσμη of stuffυλικό
107
277000
2000
θα πρέπει να μιλήσω για ένα σωρό πράγματα
04:54
that really has nothing to do
108
279000
2000
που πραγματικά δεν έχουν καμία σχέση
04:56
with technologyτεχνολογία and computersΥπολογιστές.
109
281000
2000
με τεχνολογία και υπολογιστές.
04:58
Because I think the only way to understandκαταλαβαίνουν this
110
283000
2000
Γιατί νομίζω ότι ο μόνος τρόπος να το κατανοήσουμε αυτό
05:00
is to really stepβήμα back
111
285000
2000
είναι να κάνουμε ένα βήμα πίσω
05:02
and take a long time scaleκλίμακα look at things.
112
287000
2000
και να ρίξουμε μια ματιά με χρονική κλίμακα στα πράγματα.
05:04
So the time scaleκλίμακα that I would like to look at this on
113
289000
3000
Η χρονική κλίμακα, λοιπόν, στην οποία θα ήθελα να το κοιτάξω αυτό
05:07
is the time scaleκλίμακα of life on EarthΓη.
114
292000
3000
είναι η χρονική κλίμακα της ζωής στη Γη.
05:13
So I think this pictureεικόνα makesκάνει senseέννοια
115
298000
2000
Νομίζω πως αυτή η εικόνα βγάζει νόημα
05:15
if you look at it a fewλίγοι billionδισεκατομμύριο yearsχρόνια at a time.
116
300000
4000
αν την κοιτάξουμε κάθε λίγα δισεκατομμύρια χρόνια.
05:19
So if you go back
117
304000
2000
Αν πάμε πίσω, λοιπόν,
05:21
about two and a halfΉμισυ billionδισεκατομμύριο yearsχρόνια,
118
306000
2000
περίπου δυόμιση δισεκατομμύρια χρόνια,
05:23
the EarthΓη was this bigμεγάλο, sterileστείρος hunkμεγάλο κομμάτι of rockβράχος
119
308000
3000
η Γη ήταν ένα μεγάλο, άγονο κομμάτι βράχου
05:26
with a lot of chemicalsχημικές ουσίες floatingεπιπλέων around on it.
120
311000
3000
με πολλά χημικά να αιωρούνται τριγύρω.
05:29
And if you look at the way
121
314000
2000
Αν κοιτάξετε τον τρόπο με τον οποίο
05:31
that the chemicalsχημικές ουσίες got organizedδιοργάνωσε,
122
316000
2000
οργανώθηκαν τα χημικά,
05:33
we beginαρχίζουν to get a prettyαρκετά good ideaιδέα of how they do it.
123
318000
3000
αρχίζουμε να παίρνουμε μια ιδέα για το πώς το κάνουν.
05:36
And I think that there's theoriesθεωρίες that are beginningαρχή to understandκαταλαβαίνουν
124
321000
3000
Νομίζω πως υπάρχουν θεωρίες που αρχίζουμε να κατανοούμε
05:39
about how it startedξεκίνησε with RNARNA,
125
324000
2000
για το πώς ξεκίνησε με το ριβοζονουκλεϊνικό οξύ,
05:41
but I'm going to tell a sortείδος of simpleαπλός storyιστορία of it,
126
326000
3000
αλλά θα πω μία κάπως απλή ιστορία γι' αυτό,
05:44
whichοι οποίες is that, at that time,
127
329000
2000
η οποία είναι ότι τότε
05:46
there were little dropsσταγόνες of oilλάδι floatingεπιπλέων around
128
331000
3000
υπήρχαν μικρές σταγόνες λαδιού που αιωρούνταν τριγύρω
05:49
with all kindsείδη of differentδιαφορετικός recipesσυνταγές of chemicalsχημικές ουσίες in them.
129
334000
3000
με διάφορες συνταγές χημικών μέσα τους.
05:52
And some of those dropsσταγόνες of oilλάδι
130
337000
2000
Κάποιες από αυτές τις σταγόνες λαδιού
05:54
had a particularιδιαιτερος combinationσυνδυασμός of chemicalsχημικές ουσίες in them
131
339000
2000
είχαν ένα συγκεκριμένο συνδυασμό χημικών μέσα τους
05:56
whichοι οποίες causedπροκαλούνται them to incorporateενσωματώνουν chemicalsχημικές ουσίες from the outsideεξω απο
132
341000
3000
που τις έκανε να ενσωματώσουν χημικά από τον εξωτερικό χώρο
05:59
and growκαλλιεργώ the dropsσταγόνες of oilλάδι.
133
344000
3000
και να δημιουργήσουν τις σταγόνες λαδιού.
06:02
And those that were like that
134
347000
2000
Εκείνες που ήταν έτσι
06:04
startedξεκίνησε to splitσπλιτ and divideδιαιρέστε.
135
349000
2000
άρχισαν να χωρίζονται και να διαιρούνται.
06:06
And those were the mostπλέον primitiveπρωτόγονος formsμορφές of cellsκυττάρων in a senseέννοια,
136
351000
3000
Αυτές ήταν οι πιο πρωτόγονες μορφές κυττάρου κατά κάποιο τρόπο,
06:09
those little dropsσταγόνες of oilλάδι.
137
354000
2000
εκείνες οι μικρές σταγόνες λαδιού.
06:11
But now those dropsσταγόνες of oilλάδι weren'tδεν ήταν really aliveζωντανός, as we say it now,
138
356000
3000
Αυτές, όμως, οι σταγόνες λαδιού δεν ήταν και πολύ ζωντανές, όπως το λέμε τώρα,
06:14
because everyκάθε one of them
139
359000
2000
διότι η καθεμιά
06:16
was a little randomτυχαίος recipeσυνταγή of chemicalsχημικές ουσίες.
140
361000
2000
ήταν μία μικρή τυχαία συνταγή χημικών.
06:18
And everyκάθε time it dividedδιαιρεμένη,
141
363000
2000
Κάθε φορά που διαιρούταν,
06:20
they got sortείδος of unequalάνισος divisionδιαίρεση
142
365000
3000
γινόταν ένα είδος άνισης διαίρεσης
06:23
of the chemicalsχημικές ουσίες withinστα πλαίσια them.
143
368000
2000
των χημικών μέσα τους.
06:25
And so everyκάθε dropπτώση was a little bitκομμάτι differentδιαφορετικός.
144
370000
3000
Έτσι κάθε σταγόνα ήταν λίγο διαφορετική.
06:28
In factγεγονός, the dropsσταγόνες that were differentδιαφορετικός in a way
145
373000
2000
Για την ακρίβεια, οι σταγόνες που ήταν διαφορετικές με τρόπο
06:30
that causedπροκαλούνται them to be better
146
375000
2000
που τις έκανε να είναι καλύτερες
06:32
at incorporatingενσωματώνοντας chemicalsχημικές ουσίες around them,
147
377000
2000
στο να ενσωματώνουν χημικά από γύρω τους,
06:34
grewαυξήθηκε more and incorporatedσυσσωματωμένος more chemicalsχημικές ουσίες and dividedδιαιρεμένη more.
148
379000
3000
μεγάλωναν περισσότερο και ενσωμάτωναν περισσότερα χημικά και διαιρούνταν περισσότερο.
06:37
So those tendedέτειναν to liveζω longerμακρύτερα,
149
382000
2000
Αυτές, λοιπόν, ζούσαν περισσότερο,
06:39
get expressedεκφράζεται more.
150
384000
3000
εμφανίζονταν περισσότερο.
06:42
Now that's sortείδος of just a very simpleαπλός
151
387000
3000
Αυτή είναι μια πολύ απλή
06:45
chemicalχημική ουσία formμορφή of life,
152
390000
2000
χημική μορφή ζωής,
06:47
but when things got interestingενδιαφέρων
153
392000
3000
αλλά τα πράγματα παρουσίασαν ενδιαφέρον
06:50
was when these dropsσταγόνες
154
395000
2000
όταν αυτές οι σταγόνες
06:52
learnedέμαθα a trickτέχνασμα about abstractionαφαίρεση.
155
397000
3000
έμαθαν ένα κόλπο για την αφαίρεση.
06:55
SomehowΚατά κάποιο τρόπο by waysτρόπους that we don't quiteαρκετά understandκαταλαβαίνουν,
156
400000
3000
Με κάποιον τρόπο και με τρόπους που δεν πολυκαταλαβαίνουμε,
06:58
these little dropsσταγόνες learnedέμαθα to writeγράφω down informationπληροφορίες.
157
403000
3000
αυτές οι μικρές σταγόνες έμαθαν να γράφουν πληροφορίες.
07:01
They learnedέμαθα to recordΡεκόρ the informationπληροφορίες
158
406000
2000
Έμαθαν να καταγράφουν τις πληροφορίες
07:03
that was the recipeσυνταγή of the cellκύτταρο
159
408000
2000
που ήταν η συνταγή του κυττάρου
07:05
ontoεπάνω σε a particularιδιαιτερος kindείδος of chemicalχημική ουσία
160
410000
2000
σε ένα συγκεκριμένο είδος χημικού
07:07
calledπου ονομάζεται DNADNA.
161
412000
2000
που λέγεται DNA.
07:09
So in other wordsλόγια, they workedεργάστηκε out,
162
414000
2000
Με άλλα λόγια, βρήκαν μία μορφή,
07:11
in this mindlessανεγκέφαλη sortείδος of evolutionaryεξελικτική way,
163
416000
3000
σε αυτόν τον κάπως εξελικτικό τρόπο,
07:14
a formμορφή of writingΓραφή that let them writeγράφω down what they were,
164
419000
3000
γραφής που μπορούσαν να γράφουν αυτό που ήταν,
07:17
so that that way of writingΓραφή it down could get copiedαντιγραφεί.
165
422000
3000
έτσι ώστε αυτός ο τρόπος που το έγραφαν να μπορούσε να αντιγραφεί.
07:20
The amazingφοβερο thing is that that way of writingΓραφή
166
425000
3000
Το εκπληκτικό είναι ότι αυτός ο τρόπος γραφής
07:23
seemsφαίνεται to have stayedέμεινε steadyσταθερά
167
428000
2000
φαίνεται να έχει μείνει σταθερός
07:25
sinceΑπό it evolvedεξελίχθηκε two and a halfΉμισυ billionδισεκατομμύριο yearsχρόνια agoπριν.
168
430000
2000
από τότε που εξελίχθηκε πριν δυόμιση δισεκατομμύρια χρόνια.
07:27
In factγεγονός the recipeσυνταγή for us, our genesγονίδια,
169
432000
3000
Μάλιστα η συνταγή για εμάς, για τα γονίδιά μας,
07:30
is exactlyακριβώς that sameίδιο codeκώδικας and that sameίδιο way of writingΓραφή.
170
435000
3000
είναι ακριβώς αυτός ο ίδιος κώδικας και αυτή η ίδια γραφή.
07:33
In factγεγονός, everyκάθε livingζωή creatureπλάσμα is writtenγραπτός
171
438000
3000
Κάθε ζωντανό πλάσμα είναι γραμμένο
07:36
in exactlyακριβώς the sameίδιο setσειρά of lettersγράμματα and the sameίδιο codeκώδικας.
172
441000
2000
με τα ίδια ακριβώς γράμματα και τον ίδιο κώδικα.
07:38
In factγεγονός, one of the things that I did
173
443000
2000
Ένα από τα πράγματα που έκανα
07:40
just for amusementπάρκα ψυχαγωγίας purposesσκοποί
174
445000
2000
απλώς για ευχαρίστηση
07:42
is we can now writeγράφω things in this codeκώδικας.
175
447000
2000
είναι ότι τώρα μπορούμε να γράψουμε με αυτόν τον κώδικα.
07:44
And I've got here a little 100 microgramsΜικρογραμμάρια of whiteάσπρο powderσκόνη,
176
449000
6000
Εδώ έχω 100 μικρογραμμάρια άσπρης σκόνης,
07:50
whichοι οποίες I try not to let the securityασφάλεια people see at airportsΑεροδρόμια.
177
455000
4000
την οποία προσπαθώ να μη δουν οι άνθρωποι της ασφάλειας στα αεροδρόμια.
07:54
(LaughterΤο γέλιο)
178
459000
2000
(Γέλια)
07:56
But this has in it --
179
461000
2000
Έχει μέσα της --
07:58
what I did is I tookπήρε this codeκώδικας --
180
463000
2000
αυτό που έκανα ήταν να πάρω αυτόν τον κώδικα--
08:00
the codeκώδικας has standardπρότυπο lettersγράμματα that we use for symbolizingσυμβολίζοντας it --
181
465000
3000
ο κώδικας έχει συγκεκριμένα γράμματα που χρησιμοποιούμε για να τον συμβολίζουμε--
08:03
and I wroteέγραψε my businessεπιχείρηση cardκάρτα ontoεπάνω σε a pieceκομμάτι of DNADNA
182
468000
3000
και έγραψα την επαγγελματική μου κάρτα σε ένα κομμάτι DNA
08:06
and amplifiedενισχυθεί it 10 to the 22 timesφορές.
183
471000
3000
και το ενίσχυσα 10 μέχρι 22 φορές.
08:09
So if anyoneο καθενας would like a hundredεκατό millionεκατομμύριο copiesαντίγραφα of my businessεπιχείρηση cardκάρτα,
184
474000
3000
Αν, λοιπόν, κάποιος ήθελε εκατό εκατομμύρια αντίγραφα της κάρτας μου,
08:12
I have plentyαφθονία for everyoneΟλοι in the roomδωμάτιο,
185
477000
2000
έχω αρκετά για τον καθένα σε αυτήν την αίθουσα,
08:14
and, in factγεγονός, everyoneΟλοι in the worldκόσμος,
186
479000
2000
και μάλιστα για όλον τον κόσμο
08:16
and it's right here.
187
481000
3000
και είναι ακριβώς εδώ.
08:19
(LaughterΤο γέλιο)
188
484000
5000
(Γέλια)
08:26
If I had really been a egotistεγωιστής,
189
491000
2000
Αν ήμουν πραγματικά εγωιστής,
08:28
I would have put it into a virusιός and releasedκυκλοφόρησε it in the roomδωμάτιο.
190
493000
3000
θα το είχα βάλει σε έναν ιό και θα το είχα κυκλοφορήσει στην αίθουσα.
08:31
(LaughterΤο γέλιο)
191
496000
5000
(Γέλια)
08:39
So what was the nextεπόμενος stepβήμα?
192
504000
2000
Ποιο ήταν το επόμενο βήμα;
08:41
WritingΓραφής down the DNADNA was an interestingενδιαφέρων stepβήμα.
193
506000
2000
Η καταγραφή του DNA ήταν ένα ενδιαφέρον βήμα.
08:43
And that causedπροκαλούνται these cellsκυττάρων --
194
508000
2000
Κι αυτό προκάλεσε αυτά τα κύτταρα--
08:45
that keptδιατηρούνται them happyευτυχισμένος for anotherαλλο billionδισεκατομμύριο yearsχρόνια.
195
510000
2000
αυτό τα κράτησε χαρούμενα για ακόμα ένα δισεκατομμύριο χρόνια.
08:47
But then there was anotherαλλο really interestingενδιαφέρων stepβήμα
196
512000
2000
Μετά υπήρξε ένα ακόμη πολύ ενδιαφέρον βήμα
08:49
where things becameέγινε completelyεντελώς differentδιαφορετικός,
197
514000
3000
όπου τα πράγματα έγιναν τελείως διαφορετικά,
08:52
whichοι οποίες is these cellsκυττάρων startedξεκίνησε exchangingανταλλαγή and communicatingεπικοινωνία informationπληροφορίες,
198
517000
3000
κι αυτό είναι ότι αυτά τα κύτταρα άρχισαν να ανταλλάσουν και να δίνουν πληροφορίες,
08:55
so that they beganάρχισε to get communitiesκοινότητες of cellsκυττάρων.
199
520000
2000
κι έτσι άρχισαν να σχηματίζουν κοινότητες κυττάρων.
08:57
I don't know if you know this,
200
522000
2000
Δεν ξέρω εάν το γνωρίζετε,
08:59
but bacteriaβακτήρια can actuallyπράγματι exchangeανταλλαγή DNADNA.
201
524000
2000
όμως τα βακτήρια μπορούν να ανταλλάξουν DNA.
09:01
Now that's why, for instanceπαράδειγμα,
202
526000
2000
Γι' αυτό, για παράδειγμα,
09:03
antibioticαντιβιοτικό resistanceαντίσταση has evolvedεξελίχθηκε.
203
528000
2000
η αντιβιοτική αντίσταση έχει εξελιχθεί.
09:05
Some bacteriaβακτήρια figuredσχηματικός out how to stayδιαμονή away from penicillinπενικιλίνη,
204
530000
3000
Κάποια βακτήρια βρήκαν τρόπο να μείνουν μακριά από την πενικιλίνη,
09:08
and it wentπήγε around sortείδος of creatingδημιουργώντας its little DNADNA informationπληροφορίες
205
533000
3000
και κάπως δημιούργησε τις μικρές DNA πληροφορίες της
09:11
with other bacteriaβακτήρια,
206
536000
2000
με άλλα βακτήρια,
09:13
and now we have a lot of bacteriaβακτήρια that are resistantανθεκτικός to penicillinπενικιλίνη,
207
538000
3000
και τώρα έχουμε πολλά βακτήρια που είναι άνοσα στην πενικιλίνη,
09:16
because bacteriaβακτήρια communicateεπικοινωνώ.
208
541000
2000
επειδή τα βακτήρια επικοινωνούν.
09:18
Now what this communicationεπικοινωνία allowedεπιτρέπεται
209
543000
2000
Η επικοινωνία αυτή επέτρεπε
09:20
was communitiesκοινότητες to formμορφή
210
545000
2000
στις κοινότητες να σχηματίσουν
09:22
that, in some senseέννοια, were in the sameίδιο boatσκάφος togetherμαζί;
211
547000
2000
το ότι, με κάποιο τρόπο, ήταν στην ίδια βάρκα μαζί,
09:24
they were synergisticσυνεργιστική.
212
549000
2000
ήταν συνεργατικά.
09:26
So they survivedεπέζησε
213
551000
2000
Έτσι επιζούσαν
09:28
or they failedαπέτυχε togetherμαζί,
214
553000
2000
ή αποτυγχάναν μαζί,
09:30
whichοι οποίες meansπου σημαίνει that if a communityκοινότητα was very successfulεπιτυχής,
215
555000
2000
που σημαίνει ότι αν μια κοινότητα ήταν πολύ πετυχημένη,
09:32
all the individualsτα άτομα in that communityκοινότητα
216
557000
2000
όλα τα άτομα σε αυτήν την κοινότητα
09:34
were repeatedαλλεπάλληλος more
217
559000
2000
επαναλαμβάνονταν περισσότερο
09:36
and they were favoredευνοείται by evolutionεξέλιξη.
218
561000
3000
και ευνοούνταν από την εξέλιξη.
09:39
Now the transitionμετάβαση pointσημείο happenedσυνέβη
219
564000
2000
Το σημείο μετάβασης συνέβη
09:41
when these communitiesκοινότητες got so closeΚοντά
220
566000
2000
όταν οι κοινότητες ήρθαν τόσο κοντά
09:43
that, in factγεγονός, they got togetherμαζί
221
568000
2000
που, στην ουσία, ενώθηκαν
09:45
and decidedαποφασισμένος to writeγράφω down the wholeολόκληρος recipeσυνταγή for the communityκοινότητα
222
570000
3000
και αποφάσισαν να γράψουν ολόκληρη τη συνταγή για την κοινότητα μαζί
09:48
togetherμαζί on one stringσειρά of DNADNA.
223
573000
3000
σε μια σειρά DNA.
09:51
And so the nextεπόμενος stageστάδιο that's interestingενδιαφέρων in life
224
576000
2000
Έτσι, το επόμενο ενδιαφέρον στάδιο στη ζωή
09:53
tookπήρε about anotherαλλο billionδισεκατομμύριο yearsχρόνια.
225
578000
2000
πήρε άλλο ένα περίπου δισεκατομμύριο χρόνια.
09:55
And at that stageστάδιο,
226
580000
2000
Σε εκείνο το στάδιο,
09:57
we have multi-cellularπολυ-κυτταρικό communitiesκοινότητες,
227
582000
2000
έχουμε πολυκύτταρες κοινότητες,
09:59
communitiesκοινότητες of lots of differentδιαφορετικός typesτύπους of cellsκυττάρων,
228
584000
2000
κοινότητες πολλών διαφορετικών ειδών κυττάρων,
10:01
workingεργαζόμενος togetherμαζί as a singleμονόκλινο organismοργανισμός.
229
586000
2000
που δουλεύουν μαζί σε έναν μόνο οργανισμό.
10:03
And in factγεγονός, we're suchτέτοιος a multi-cellularπολυ-κυτταρικό communityκοινότητα.
230
588000
3000
Μάλιστα, είμαστε μια τέτοια πολυκυττάρια κοινότητα.
10:06
We have lots of cellsκυττάρων
231
591000
2000
Έχουμε πολλά κύτταρα
10:08
that are not out for themselvesτους εαυτούς τους anymoreπια.
232
593000
2000
που δεν είναι μόνα τους πλέον.
10:10
Your skinδέρμα cellκύτταρο is really uselessάχρηστος
233
595000
3000
Το κύτταρο του δέρματος είναι πραγματικά άχρηστο
10:13
withoutχωρίς a heartκαρδιά cellκύτταρο, muscleμυς cellκύτταρο,
234
598000
2000
χωρίς ένα κύτταρο καρδιάς, ένα μυικό κύτταρο,
10:15
a brainεγκέφαλος cellκύτταρο and so on.
235
600000
2000
ένα κύτταρο του εγκεφάλου κ.ο.κ.
10:17
So these communitiesκοινότητες beganάρχισε to evolveαναπτύσσω
236
602000
2000
Αυτές οι κοινότητες άρχισαν να εξελίσσονται
10:19
so that the interestingενδιαφέρων levelεπίπεδο on whichοι οποίες evolutionεξέλιξη was takingλήψη placeθέση
237
604000
3000
με τέτοιο τρόπο που το επίπεδο ενδιαφέροντος στο οποίο συνέβαινε η εξέλιξη
10:22
was no longerμακρύτερα a cellκύτταρο,
238
607000
2000
δεν ήταν πλέον ένα κύτταρο,
10:24
but a communityκοινότητα whichοι οποίες we call an organismοργανισμός.
239
609000
3000
αλλά μία κοινότητα που ονομάζουμε οργανισμό.
10:28
Now the nextεπόμενος stepβήμα that happenedσυνέβη
240
613000
2000
Το επόμενο βήμα που έγινε
10:30
is withinστα πλαίσια these communitiesκοινότητες.
241
615000
2000
ήταν μέσα σε αυτές τις κοινότητες.
10:32
These communitiesκοινότητες of cellsκυττάρων,
242
617000
2000
Αυτές οι κοινότητες κυττάρων,
10:34
again, beganάρχισε to abstractαφηρημένη informationπληροφορίες.
243
619000
2000
άρχισαν ξανά να αποσπούν πληροφορίες.
10:36
And they beganάρχισε buildingΚτίριο very specialειδικός structuresδομές
244
621000
3000
Άρχισαν να χτίζουν πολύ ειδικές δομές
10:39
that did nothing but processεπεξεργάζομαι, διαδικασία informationπληροφορίες withinστα πλαίσια the communityκοινότητα.
245
624000
3000
που δεν έκαναν τίποτα πέρα από το να επεξεργάζονται πληροφορίες μέσα στην κοινότητα.
10:42
And those are the neuralνευρικός structuresδομές.
246
627000
2000
Αυτές είναι οι νευρικές δομές.
10:44
So neuronsνευρώνες are the informationπληροφορίες processingεπεξεργασία apparatusσυσκευές
247
629000
3000
Οι νευρώνες είναι ο εξοπλισμός επεξεργασίας πληροφοριών
10:47
that those communitiesκοινότητες of cellsκυττάρων builtχτισμένο up.
248
632000
3000
που έχτισαν αυτές οι κοινότητες κυττάρων.
10:50
And in factγεγονός, they beganάρχισε to get specialistsειδικούς in the communityκοινότητα
249
635000
2000
Μάλιστα, άρχισαν να έχουν ειδικούς μέσα στην κοινότητα
10:52
and specialειδικός structuresδομές
250
637000
2000
και ειδικές δομές
10:54
that were responsibleυπεύθυνος for recordingεγγραφή,
251
639000
2000
που ήταν υπεύθυνες για την καταγραφή,
10:56
understandingκατανόηση, learningμάθηση informationπληροφορίες.
252
641000
3000
την κατανόηση και τη μάθηση πληροφοριών.
10:59
And that was the brainsμυαλά and the nervousνευρικός systemΣύστημα
253
644000
2000
Αυτό ήταν οι εγκέφαλοι και το νευρικό σύστημα
11:01
of those communitiesκοινότητες.
254
646000
2000
αυτών των κοινοτήτων.
11:03
And that gaveέδωσε them an evolutionaryεξελικτική advantageπλεονέκτημα.
255
648000
2000
Αυτό τους έδωσε ένα εξελικτικό πλεονέκτημα.
11:05
Because at that pointσημείο,
256
650000
3000
Διότι σε αυτό το σημείο,
11:08
an individualάτομο --
257
653000
3000
ένα άτομο --
11:11
learningμάθηση could happenσυμβεί
258
656000
2000
η μάθηση μπορούσε να συμβεί
11:13
withinστα πλαίσια the time spanσπιθαμή of a singleμονόκλινο organismοργανισμός,
259
658000
2000
μέσα στο ίδιο χρονικό διάστημα με έναν μόνο οργανισμό,
11:15
insteadαντι αυτου of over this evolutionaryεξελικτική time spanσπιθαμή.
260
660000
3000
αντί για αυτό το εξελικτικό χρονικό διάστημα.
11:18
So an organismοργανισμός could, for instanceπαράδειγμα,
261
663000
2000
Άρα, ένας οργανισμός μπορούσε, για παράδειγμα,
11:20
learnμαθαίνω not to eatτρώω a certainβέβαιος kindείδος of fruitκαρπός
262
665000
2000
να μάθει να μην τρώει ένα συγκεκριμένο είδος φρούτου
11:22
because it tastedγεύση badκακό and it got sickάρρωστος last time it ateέφαγε it.
263
667000
4000
γιατί δεν είχε ωραία γεύση και γιατί είχε αρρωστήσει την τελευταία φορά που το έφαγε.
11:26
That could happenσυμβεί withinστα πλαίσια the lifetimeΔιάρκεια Ζωής of a singleμονόκλινο organismοργανισμός,
264
671000
3000
Αυτό μπορεί να συμβεί στη ζωή ενός οργανισμού,
11:29
whereasενώ before they'dτο είχαν builtχτισμένο these specialειδικός informationπληροφορίες processingεπεξεργασία structuresδομές,
265
674000
4000
ενώ πριν χτιστούν οι ειδικές αυτές δομές επεξεργασίας πληροφοριών,
11:33
that would have had to be learnedέμαθα evolutionarilyεξελικτικά
266
678000
2000
αυτό θα έπρεπε να μαθευτεί με την εξέλιξη
11:35
over hundredsεκατοντάδες of thousandsχιλιάδες of yearsχρόνια
267
680000
3000
σε διάστημα εκατοντάδων χιλιάδων χρόνων
11:38
by the individualsτα άτομα dyingβαφή off that ateέφαγε that kindείδος of fruitκαρπός.
268
683000
3000
από τα άτομα που πέθαιναν έχοντας φάει αυτό το είδος φρούτου.
11:41
So that nervousνευρικός systemΣύστημα,
269
686000
2000
Αυτό το νευρικό σύστημα,
11:43
the factγεγονός that they builtχτισμένο these specialειδικός informationπληροφορίες structuresδομές,
270
688000
3000
το γεγονός ότι έχτισαν αυτές τις ειδικές δομές πληροφοριών,
11:46
tremendouslyτρομερά spedεπιτάχυνε up the wholeολόκληρος processεπεξεργάζομαι, διαδικασία of evolutionεξέλιξη.
271
691000
3000
επιτάχυνε τρομερά την όλη διαδικασία της εξέλιξης.
11:49
Because evolutionεξέλιξη could now happenσυμβεί withinστα πλαίσια an individualάτομο.
272
694000
3000
Γιατί τώρα η εξέλιξη μπορούσε να συμβεί μέσα σε ένα άτομο.
11:52
It could happenσυμβεί in learningμάθηση time scalesΖυγός.
273
697000
3000
Θα μπορούσε να συμβεί με τη μάθηση χρονικών κλιμάκων.
11:55
But then what happenedσυνέβη
274
700000
2000
Αυτό που συνέβη, όμως, μετά ήταν
11:57
was the individualsτα άτομα workedεργάστηκε out,
275
702000
2000
ότι τα άτομα βρήκαν, φυσικά, κόλπα
11:59
of courseσειρά μαθημάτων, tricksκόλπα of communicatingεπικοινωνία.
276
704000
2000
για να επικοινωνούν.
12:01
And for exampleπαράδειγμα,
277
706000
2000
Για παράδειγμα,
12:03
the mostπλέον sophisticatedεκλεπτυσμένο versionεκδοχή that we're awareενήμερος of is humanο άνθρωπος languageΓλώσσα.
278
708000
3000
η πιο εξεζητημένη εκδοχή που γνωρίζουμε είναι η ανθρώπινη γλώσσα.
12:06
It's really a prettyαρκετά amazingφοβερο inventionεφεύρεση if you think about it.
279
711000
3000
Αν το καλοσκεφτείτε είναι πραγματικά μία φανταστική ανακάλυψη.
12:09
Here I have a very complicatedπερίπλοκος, messyακατάστατος,
280
714000
2000
Έχω στο μυαλό μου μία πολύ μπερδεμένη,
12:11
confusedταραγμένος ideaιδέα in my headκεφάλι.
281
716000
3000
αλλόκοτη ιδέα.
12:14
I'm sittingσυνεδρίαση here makingκατασκευή gruntingρουθούνισμα soundsήχους basicallyβασικα,
282
719000
3000
Κάθομαι εδώ γρυλίζοντας στην ουσία,
12:17
and hopefullyελπίζω constructingκατασκευή a similarπαρόμοιος messyακατάστατος, confusedταραγμένος ideaιδέα in your headκεφάλι
283
722000
3000
και ελπίζω να δημιουργώ την ίδια μπερδεμένη, αλλόκοτη ιδέα στο μυαλό σας
12:20
that bearsφέρει some analogyαναλογία to it.
284
725000
2000
που έχει μια κάποια αναλογία.
12:22
But we're takingλήψη something very complicatedπερίπλοκος,
285
727000
2000
Παίρνουμε, όμως, κάτι πολύ περίπλοκο,
12:24
turningστροφή it into soundήχος, sequencesακολουθίες of soundsήχους,
286
729000
3000
και το μετατρέπουμε σε ήχο, σε αλληλουχία ήχων,
12:27
and producingπαραγωγή something very complicatedπερίπλοκος in your brainεγκέφαλος.
287
732000
4000
και φτιάχνουμε κάτι πολύ περίπλοκο στο μυαλό σας.
12:31
So this allowsεπιτρέπει us now
288
736000
2000
Αυτό μας επιτρέπει τώρα
12:33
to beginαρχίζουν to startαρχή functioningλειτουργία
289
738000
2000
να ξεκινήσουμε να λειτουργούμε
12:35
as a singleμονόκλινο organismοργανισμός.
290
740000
3000
σαν ένας οργανισμός.
12:38
And so, in factγεγονός, what we'veέχουμε doneΈγινε
291
743000
3000
Αυτό που έχουμε κάνει στην ουσία,
12:41
is we, humanityανθρωπότητα,
292
746000
2000
εμείς η ανθρωπότητα, είναι
12:43
have startedξεκίνησε abstractingυδροληψίες out.
293
748000
2000
να αποσπάμε πράγματα.
12:45
We're going throughδιά μέσου the sameίδιο levelsεπίπεδα
294
750000
2000
Περνούμε μέσα από τα ίδια επίπεδα
12:47
that multi-cellularπολυ-κυτταρικό organismsοργανισμούς have goneχαμένος throughδιά μέσου --
295
752000
2000
που έχουν περάσει και οι πολυκύτταροι οργανισμοί --
12:49
abstractingυδροληψίες out our methodsμεθόδων of recordingεγγραφή,
296
754000
3000
αποσπάμε τις δικές μας μεθόδους καταγραφής,
12:52
presentingπαρουσίαση, processingεπεξεργασία informationπληροφορίες.
297
757000
2000
παρουσίασης, επεξεργασίας πληροφοριών.
12:54
So for exampleπαράδειγμα, the inventionεφεύρεση of languageΓλώσσα
298
759000
2000
Για παράδειγμα, η ανακάλυψη της γλώσσας
12:56
was a tinyμικροσκοπικός stepβήμα in that directionκατεύθυνση.
299
761000
3000
ήταν ένα μικροσκοπικό βήμα προς αυτήν την κατεύθυνση.
12:59
TelephonyΤηλεφωνία, computersΥπολογιστές,
300
764000
2000
Τα τηλέφωνα, οι υπολογιστές,
13:01
videotapesβιντεοκασέτες, CD-ROMsCD-ROM and so on
301
766000
3000
οι βιντεοκασέτες, τα CD κ.ο.κ.
13:04
are all our specializedειδικευμένος mechanismsμηχανισμούς
302
769000
2000
είναι όλα εξειδικευμένοι μηχανισμοί
13:06
that we'veέχουμε now builtχτισμένο withinστα πλαίσια our societyκοινωνία
303
771000
2000
που έχουμε χτίσει τώρα μέσα στην κοινωνία μας
13:08
for handlingΧειρισμός, ή Αντιμετώπιση that informationπληροφορίες.
304
773000
2000
για να χειριζόμαστε αυτές τις πληροφορίες.
13:10
And it all connectsσυνδέει us togetherμαζί
305
775000
3000
Όλα μας ενώνουν
13:13
into something
306
778000
2000
σε κάτι
13:15
that is much biggerμεγαλύτερος
307
780000
2000
που είναι πολύ μεγαλύτερο
13:17
and much fasterγρηγορότερα
308
782000
2000
και γρηγορότερο
13:19
and ableικανός to evolveαναπτύσσω
309
784000
2000
και ικανό να εξελιχθεί
13:21
than what we were before.
310
786000
2000
από αυτό που ήμασταν πριν.
13:23
So now, evolutionεξέλιξη can take placeθέση
311
788000
2000
Τώρα, η εξέλιξη μπορεί να συμβεί
13:25
on a scaleκλίμακα of microsecondsμικροδευτερόλεπτα.
312
790000
2000
σε κλίμακα δεκάτων του δευτερολέπτου.
13:27
And you saw Ty'sTy little evolutionaryεξελικτική exampleπαράδειγμα
313
792000
2000
Είδατε το μικρό εξελικτικό παράδειγμα του Τάι,
13:29
where he sortείδος of did a little bitκομμάτι of evolutionεξέλιξη
314
794000
2000
όπου έκανε κατά κάποιο τρόπο μια μικρή εξέλιξη
13:31
on the ConvolutionΣυνέλιξη programπρόγραμμα right before your eyesμάτια.
315
796000
3000
στο πρόγραμα Συνέλιξης μπροστά στα μάτια σας.
13:34
So now we'veέχουμε speededεπιταχυνθεί up the time scalesΖυγός onceμια φορά again.
316
799000
3000
Τώρα έχουμε επιταχύνει για άλλη μια φορά τις χρονικές κλίμακες.
13:37
So the first stepsβήματα of the storyιστορία that I told you about
317
802000
2000
Τα πρώτα βήματα της ιστορίας που σας είπα
13:39
tookπήρε a billionδισεκατομμύριο yearsχρόνια a pieceκομμάτι.
318
804000
2000
πήραν ένα δισεκατομμύριο χρόνια το καθένα.
13:41
And the nextεπόμενος stepsβήματα,
319
806000
2000
Τα επόμενα βήματα,
13:43
like nervousνευρικός systemsσυστήματα and brainsμυαλά,
320
808000
2000
όπως τα νευρικά συστήματα και οι εγκεφάλοι,
13:45
tookπήρε a fewλίγοι hundredεκατό millionεκατομμύριο yearsχρόνια.
321
810000
2000
πήραν λίγες εκατοντάδες εκατομμύρια χρόνια.
13:47
Then the nextεπόμενος stepsβήματα, like languageΓλώσσα and so on,
322
812000
3000
Τα επόμενα βήματα, όπως η γλώσσα και άλλα,
13:50
tookπήρε lessπιο λιγο than a millionεκατομμύριο yearsχρόνια.
323
815000
2000
πήραν λιγότερο από ένα εκατομμύριο χρόνια.
13:52
And these nextεπόμενος stepsβήματα, like electronicsΗΛΕΚΤΡΟΝΙΚΑ ΕΙΔΗ,
324
817000
2000
Αυτά τα επόμενα βήματα, όπως η ηλεκτρονική,
13:54
seemφαίνομαι to be takingλήψη only a fewλίγοι decadesδεκαετίες.
325
819000
2000
φαίνεται να παίρνουν μόνο μερικές δεκαετίες.
13:56
The processεπεξεργάζομαι, διαδικασία is feedingσίτιση on itselfεαυτό
326
821000
2000
Η διαδικασία αυτοτροφοδοτείται
13:58
and becomingθελκτικός, I guessεικασία, autocatalyticΑυτοκαταλυτικό is the wordλέξη for it --
327
823000
3000
και γίνεται, φαντάζομαι, αυτοκαταλυτική είναι η σωστή λέξη --
14:01
when something reinforcesενισχύει its rateτιμή of changeαλλαγή.
328
826000
3000
όταν κάτι ενισχύει το ρυθμό αλλαγής του.
14:04
The more it changesαλλαγές, the fasterγρηγορότερα it changesαλλαγές.
329
829000
3000
Όσο περισσότερο αλλάζει, τόσο γρηγορότερα αλλάζει.
14:07
And I think that that's what we're seeingβλέπων here in this explosionέκρηξη of curveκαμπύλη.
330
832000
3000
Νομίζω πως αυτό βλέπουμε εδώ σε αυτήν την εκτίναξη της καμπύλης.
14:10
We're seeingβλέπων this processεπεξεργάζομαι, διαδικασία feedingσίτιση back on itselfεαυτό.
331
835000
3000
Βλέπουμε αυτή τη διαδικασία να αυτοτροφοδοτείται.
14:13
Now I designσχέδιο computersΥπολογιστές for a livingζωή,
332
838000
3000
Η δουλειά μου είναι να σχεδιάζω υπολογιστές,
14:16
and I know that the mechanismsμηχανισμούς
333
841000
2000
και γνωρίζω ότι οι μηχανισμοί
14:18
that I use to designσχέδιο computersΥπολογιστές
334
843000
3000
που χρησιμοποιώ για να σχεδιάσω υπολογιστές
14:21
would be impossibleαδύνατο
335
846000
2000
θα ήταν αδύνατοι
14:23
withoutχωρίς recentπρόσφατος advancesπροκαταβολές in computersΥπολογιστές.
336
848000
2000
χωρίς τις πρόσφατες προόδους στους υπολογιστές.
14:25
So right now, what I do
337
850000
2000
Αυτό που κάνω, λοιπόν, τώρα
14:27
is I designσχέδιο objectsαντικείμενα at suchτέτοιος complexityπερίπλοκο
338
852000
3000
είναι να σχεδιάζω αντικείμενα με τέτοια πολυπλοκότητα
14:30
that it's really impossibleαδύνατο for me to designσχέδιο them in the traditionalπαραδοσιακός senseέννοια.
339
855000
3000
που μου είναι πραγματικά αδύνατο να τα σχεδιάσω με τον παραδοσιακό τρόπο.
14:33
I don't know what everyκάθε transistorτρανζίστορ in the connectionσύνδεση machineμηχανή does.
340
858000
4000
Δεν γνωρίζω τι κάνει η κάθε κρυσταλλολυχνία μέσα στη μηχανή σύνδεσης.
14:37
There are billionsδισεκατομμύρια of them.
341
862000
2000
Υπάρχουν δισεκατομμύρια.
14:39
InsteadΑντίθετα, what I do
342
864000
2000
Αντί γι' αυτό, αυτό που κάνω
14:41
and what the designersσχεδιαστές at ThinkingΣκέψης MachinesΜηχανές do
343
866000
3000
και αυτό που κάνουν οι σχεδιαστές στην εταιρεία Thinking Machines
14:44
is we think at some levelεπίπεδο of abstractionαφαίρεση
344
869000
2000
είναι να σκεφτόμαστε, σε κάποιο βαθμό, κάτι αφηρημένο
14:46
and then we handχέρι it to the machineμηχανή
345
871000
2000
και μετά να το δίνουμε στο μηχάνημα
14:48
and the machineμηχανή takes it beyondπέρα what we could ever do,
346
873000
3000
και αυτό το πηγαίνει πέρα από οτιδήποτε θα μπορούσαμε να κάνουμε εμείς,
14:51
much fartherμακρύτερα and fasterγρηγορότερα than we could ever do.
347
876000
3000
πολύ πιο πέρα και πιο γρήγορα απ' ό,τι θα μπορούσαμε ποτέ εμείς.
14:54
And in factγεγονός, sometimesωρες ωρες it takes it by methodsμεθόδων
348
879000
2000
Μάλιστα, κάποιες φορές το κάνει αυτό με μεθόδους
14:56
that we don't quiteαρκετά even understandκαταλαβαίνουν.
349
881000
3000
που δεν πολυκαταλαβαίνουμε.
14:59
One methodμέθοδος that's particularlyιδιαίτερα interestingενδιαφέρων
350
884000
2000
Μια μέθοδος που είναι ιδιαίτερα ενδιαφέρουσα
15:01
that I've been usingχρησιμοποιώντας a lot latelyΠρόσφατα
351
886000
3000
και που χρησιμοποιώ πολύ τελευταία,
15:04
is evolutionεξέλιξη itselfεαυτό.
352
889000
2000
είναι η ίδια η εξέλιξη.
15:06
So what we do
353
891000
2000
Αυτό που κάνουμε
15:08
is we put insideμέσα the machineμηχανή
354
893000
2000
είναι να βάλουμε μέσα στο μηχάνημα
15:10
a processεπεξεργάζομαι, διαδικασία of evolutionεξέλιξη
355
895000
2000
μια διαδικασία εξέλιξης
15:12
that takes placeθέση on the microsecondμικροδευτερόλεπτο time scaleκλίμακα.
356
897000
2000
που γίνεται στη χρονική κλίμακα δεκάτων του δευτερολέπτου.
15:14
So for exampleπαράδειγμα,
357
899000
2000
Για παράδειγμα,
15:16
in the mostπλέον extremeάκρο casesπεριπτώσεις,
358
901000
2000
στις πιο ακραίες περιπτώσεις,
15:18
we can actuallyπράγματι evolveαναπτύσσω a programπρόγραμμα
359
903000
2000
μπορούμε να αναπτύσσουμε ένα πρόγραμμα
15:20
by startingεκκίνηση out with randomτυχαίος sequencesακολουθίες of instructionsοδηγίες.
360
905000
4000
ξεκινώντας με τυχαίες αλληλουχίες εντολών.
15:24
Say, "ComputerΥπολογιστή, would you please make
361
909000
2000
Ας πούμε, «Υπολογιστή, θα μπορούσες σε παρακαλώ να κάνεις
15:26
a hundredεκατό millionεκατομμύριο randomτυχαίος sequencesακολουθίες of instructionsοδηγίες.
362
911000
3000
εκατό εκατομμύρια τυχαίες αλληλουχίες εντολών.
15:29
Now would you please runτρέξιμο all of those randomτυχαίος sequencesακολουθίες of instructionsοδηγίες,
363
914000
3000
Τώρα, θα μπορούσες σε παρακαλώ να εκτελέσεις όλες αυτές τις τυχαίες αλληλουχίες εντολών,
15:32
runτρέξιμο all of those programsπρογράμματα,
364
917000
2000
να εκτελέσεις όλα αυτά τα προγράμματα,
15:34
and pickδιαλέγω out the onesαυτές that cameήρθε closestπλησιέστερα to doing what I wanted."
365
919000
3000
και να επιλέξεις αυτές που ήταν πιο κοντά σε αυτό που ήθελα να κάνω».
15:37
So in other wordsλόγια, I defineκαθορίζω what I wanted.
366
922000
2000
Με άλλα λόγια, ορίζω αυτό που ήθελα.
15:39
Let's say I want to sortείδος numbersαριθμούς,
367
924000
2000
Ας πούμε ότι θέλω να ταξινομήσω αριθμούς,
15:41
as a simpleαπλός exampleπαράδειγμα I've doneΈγινε it with.
368
926000
2000
σαν ένα απλό παράδειγμα που το έχω κάνει.
15:43
So find the programsπρογράμματα that come closestπλησιέστερα to sortingδιαλογή numbersαριθμούς.
369
928000
3000
Να βρω, λοιπόν, τα προγράμματα που είναι πιο κοντά στην ταξινόμηση αριθμών.
15:46
So of courseσειρά μαθημάτων, randomτυχαίος sequencesακολουθίες of instructionsοδηγίες
370
931000
3000
Φυσικά, οι τυχαίες αλληλουχίες εντολών
15:49
are very unlikelyαπίθανος to sortείδος numbersαριθμούς,
371
934000
2000
δεν είναι πολύ πιθανόν να ταξινομήσουν αριθμούς,
15:51
so noneκανένας of them will really do it.
372
936000
2000
οπότε καμιά δε θα το κάνει.
15:53
But one of them, by luckτυχη,
373
938000
2000
Αλλά μία από αυτές, κατά τύχη,
15:55
mayενδέχεται put two numbersαριθμούς in the right orderΣειρά.
374
940000
2000
ίσως βάλει δύο αριθμούς στη σωστή σειρά.
15:57
And I say, "ComputerΥπολογιστή,
375
942000
2000
Λέω, «Υπολογιστή,
15:59
would you please now take the 10 percentτοις εκατό
376
944000
3000
μπορείς σε παρακαλώ να πάρεις 10%
16:02
of those randomτυχαίος sequencesακολουθίες that did the bestκαλύτερος jobδουλειά.
377
947000
2000
από αυτές τις τυχαίες αλληλουχίες που έκαναν την καλύτερη δουλειά.
16:04
SaveΑποθήκευση those. KillΣκοτώνουν off the restυπόλοιπο.
378
949000
2000
Αποθήκευσε αυτές, τις υπόλοιπες πέτα τες.
16:06
And now let's reproduceαναπαράγω
379
951000
2000
Τώρα ας αναπαραγάγουμε
16:08
the onesαυτές that sortedταξινομημένο numbersαριθμούς the bestκαλύτερος.
380
953000
2000
αυτές που ταξινόμησαν καλύτερα τους αριθμούς.
16:10
And let's reproduceαναπαράγω them by a processεπεξεργάζομαι, διαδικασία of recombinationανασυνδυασμός
381
955000
3000
Και ας τις αναπαραγάγουμε με μια διαδικασία επανασύνδεσης
16:13
analogousανάλογη to sexφύλο."
382
958000
2000
ανάλογης με το σεξ».
16:15
Take two programsπρογράμματα and they produceπαράγω childrenπαιδιά
383
960000
3000
Πάρτε δύο προγράμματα και δημιουργούν παιδιά
16:18
by exchangingανταλλαγή theirδικα τους subroutinesυπορουτίνες,
384
963000
2000
ανταλλάσοντας τις υπορουτίνες τους,
16:20
and the childrenπαιδιά inheritκληρονομούν the traitsχαρακτηριστικά of the subroutinesυπορουτίνες of the two programsπρογράμματα.
385
965000
3000
και τα παιδιά κληρονομούν τα χαρακτηριστικά των υπορουτινών των δύο προγραμμάτων.
16:23
So I've got now a newνέος generationγενιά of programsπρογράμματα
386
968000
3000
Έχω τώρα μία νέα γενιά προγραμμάτων
16:26
that are producedπαράγεται by combinationsκομπινεζόν
387
971000
2000
που παράγονται με συνδυασμούς
16:28
of the programsπρογράμματα that did a little bitκομμάτι better jobδουλειά.
388
973000
2000
από τα προγράμματα που έκαναν την λίγο καλύτερη δουλειά.
16:30
Say, "Please repeatεπαναλαμβάνω that processεπεξεργάζομαι, διαδικασία."
389
975000
2000
Λέμε, «Σε παρακαλώ επανέλαβε αυτή τη διαδικασία».
16:32
ScoreΒαθμολογία them again.
390
977000
2000
Ξαναπέτυχε τα ίδια.
16:34
IntroduceΕισαγωγή some mutationsμεταλλάξεις perhapsίσως.
391
979000
2000
Εισήγαγε ίσως και κάποιες μεταλλάξεις.
16:36
And try that again and do that for anotherαλλο generationγενιά.
392
981000
3000
Και προσπάθησέ το αυτό ξανά και κάντο για μια ακόμη γενιά.
16:39
Well everyκάθε one of those generationsγενεών just takes a fewλίγοι millisecondsχιλιοστά του δευτερολέπτου.
393
984000
3000
Καθεμιά από αυτές τις γενιές παίρνει μόνο λίγα δέκατα του δευτερολέπτου.
16:42
So I can do the equivalentισοδύναμος
394
987000
2000
Μπορώ, λοιπόν, να κάνω το αντίστοιχο
16:44
of millionsεκατομμύρια of yearsχρόνια of evolutionεξέλιξη on that
395
989000
2000
εκατομμυριών ετών εξέλιξης σε αυτό
16:46
withinστα πλαίσια the computerυπολογιστή in a fewλίγοι minutesλεπτά,
396
991000
3000
μέσω υπολογιστή σε λίγα λεπτά
16:49
or in the complicatedπερίπλοκος casesπεριπτώσεις, in a fewλίγοι hoursώρες.
397
994000
2000
ή στις περίπλοκες περιπτώσεις, σε λίγες ώρες.
16:51
At the endτέλος of that, I endτέλος up with programsπρογράμματα
398
996000
3000
Στο τέλος, καταλήγω με προγράμματα
16:54
that are absolutelyαπολύτως perfectτέλειος at sortingδιαλογή numbersαριθμούς.
399
999000
2000
που είναι τέλεια στο να ταξινομούν αριθμούς.
16:56
In factγεγονός, they are programsπρογράμματα that are much more efficientαποτελεσματικός
400
1001000
3000
Είναι, μάλιστα, προγράμματα πολύ πιο αποτελεσματικά
16:59
than programsπρογράμματα I could have ever writtenγραπτός by handχέρι.
401
1004000
2000
απ' ότι προγράμματα που θα είχα ποτέ γράψει με το χέρι.
17:01
Now if I look at those programsπρογράμματα,
402
1006000
2000
Αν κοιτάξω αυτά τα προγράμματα,
17:03
I can't tell you how they work.
403
1008000
2000
δε μπορώ να σας πω πώς λειτουργούν.
17:05
I've triedδοκιμασμένος looking at them and tellingαποτελεσματικός you how they work.
404
1010000
2000
Έχω προσπαθήσει να τα κοιτάξω και να σας πω πώς λειτουργούν.
17:07
They're obscureσκοτεινές, weirdΠερίεργο programsπρογράμματα.
405
1012000
2000
Είναι ασαφή, παράξενα προγράμματα.
17:09
But they do the jobδουλειά.
406
1014000
2000
Κάνουν όμως τη δουλειά τους.
17:11
And in factγεγονός, I know, I'm very confidentβέβαιος that they do the jobδουλειά
407
1016000
3000
Μάλιστα, το ξέρω, είμαι βέβαιος ότι κάνουν τη δουλειά τους
17:14
because they come from a lineγραμμή
408
1019000
2000
διότι προέρχονται από μια σειρά
17:16
of hundredsεκατοντάδες of thousandsχιλιάδες of programsπρογράμματα that did the jobδουλειά.
409
1021000
2000
εκατοντάδων χιλιάδων προγραμμάτων που έκαναν τη δουλειά τους.
17:18
In factγεγονός, theirδικα τους life dependedεξαρτιόταν on doing the jobδουλειά.
410
1023000
3000
Η ζωή τους εξαρτόταν από το να κάνουν τη δουλειά τους.
17:21
(LaughterΤο γέλιο)
411
1026000
4000
(Γέλια)
17:26
I was ridingιππασία in a 747
412
1031000
2000
Ταξίδευα κάποτε σε ένα αεροπλάνο 747
17:28
with MarvinMarvin MinskyMinsky onceμια φορά,
413
1033000
2000
με τον Μάρβιν Μίνσκι,
17:30
and he pullsτραβάει out this cardκάρτα and saysλέει, "Oh look. Look at this.
414
1035000
3000
και βγάζει αυτήν την κάρτα και λέει, «Κοίτα. Κοίτα το αυτό.
17:33
It saysλέει, 'This«Αυτό planeεπίπεδο has hundredsεκατοντάδες of thousandsχιλιάδες of tinyμικροσκοπικός partsεξαρτήματα
415
1038000
4000
Λέει, ''Αυτό το αεροπλάνο έχει εκατοντάδες χιλιάδες μικροσκοπικά κομμάτια
17:37
workingεργαζόμενος togetherμαζί to make you a safeασφαλής flightπτήση.'
416
1042000
4000
που λειτουργούν μαζί για να σου προσφέρουν μια ασφαλή πτήση.''
17:41
Doesn't that make you feel confidentβέβαιος?"
417
1046000
2000
Δε σε κάνει αυτό να νιώθεις σιγουριά»;
17:43
(LaughterΤο γέλιο)
418
1048000
2000
(Γέλια)
17:45
In factγεγονός, we know that the engineeringμηχανική processεπεξεργάζομαι, διαδικασία doesn't work very well
419
1050000
3000
Γνωρίζουμε ότι η μηχανολογική διαδικασία δε λειτουργεί και πολύ καλά
17:48
when it getsπαίρνει complicatedπερίπλοκος.
420
1053000
2000
όταν γίνεται περίπλοκη.
17:50
So we're beginningαρχή to dependεξαρτώμαι on computersΥπολογιστές
421
1055000
2000
Γι' αυτό ξεκινάμε να βασιζόμαστε στους υπολογιστές
17:52
to do a processεπεξεργάζομαι, διαδικασία that's very differentδιαφορετικός than engineeringμηχανική.
422
1057000
4000
για να κάνουμε μια διαδικασία που είναι πολύ διαφορετική από τη μηχανολογία.
17:56
And it letsεπιτρέπει us produceπαράγω things of much more complexityπερίπλοκο
423
1061000
3000
Μας επιτρέπει να παράγουμε πράγματα με πολύ μεγαλύτερη περιπλοκή
17:59
than normalκανονικός engineeringμηχανική letsεπιτρέπει us produceπαράγω.
424
1064000
2000
απ' ό,τι μας επιτρέπει η κανονική μηχανολογία.
18:01
And yetΑκόμη, we don't quiteαρκετά understandκαταλαβαίνουν the optionsεπιλογές of it.
425
1066000
3000
Όμως, δεν καταλαβαίνουμε και πολύ τις επιλογές του.
18:04
So in a senseέννοια, it's gettingνα πάρει aheadεμπρός of us.
426
1069000
2000
Επομένως κατά κάποιο τρόπο προχωράει πιο μπροστά από εμάς.
18:06
We're now usingχρησιμοποιώντας those programsπρογράμματα
427
1071000
2000
Τώρα χρησιμοποιούμε αυτά τα προγράμματα
18:08
to make much fasterγρηγορότερα computersΥπολογιστές
428
1073000
2000
για να φτιάξουμε γρηγορότερους υπολογιστές
18:10
so that we'llΚαλά be ableικανός to runτρέξιμο this processεπεξεργάζομαι, διαδικασία much fasterγρηγορότερα.
429
1075000
3000
έτσι ώστε να μπορούμε να εκτελούμε τη διαδικασία αυτή γρηγορότερα.
18:13
So it's feedingσίτιση back on itselfεαυτό.
430
1078000
3000
Άρα αυτοτροφοδοτείται.
18:16
The thing is becomingθελκτικός fasterγρηγορότερα
431
1081000
2000
Το θέμα είναι να γίνεται κάτι πιο γρήγορα
18:18
and that's why I think it seemsφαίνεται so confusingσύγχυση.
432
1083000
2000
και γι' αυτό πιστεύω ότι φαίνεται τόσο περίπλοκο.
18:20
Because all of these technologiesτεχνολογίες are feedingσίτιση back on themselvesτους εαυτούς τους.
433
1085000
3000
Διότι όλες αυτές οι τεχνολογίες αυτοτροφοδοτούνται.
18:23
We're takingλήψη off.
434
1088000
2000
Ξεκινάμε.
18:25
And what we are is we're at a pointσημείο in time
435
1090000
3000
Βρισκόμαστε σε μια χρονική στιγμή
18:28
whichοι οποίες is analogousανάλογη to when single-celledμονοκύτταρο organismsοργανισμούς
436
1093000
2000
η οποία είναι ανάλογη με τότε που οι μονοκύτταροι οργανισμοί
18:30
were turningστροφή into multi-celledmulti-μονοκύτταροι organismsοργανισμούς.
437
1095000
3000
μετατρέπονταν σε πολυκύτταρους οργανισμούς.
18:33
So we're the amoebasαμοιβάδες
438
1098000
2000
Είμαστε οι αμοιβάδες
18:35
and we can't quiteαρκετά figureεικόνα out what the hellκόλαση this thing is we're creatingδημιουργώντας.
439
1100000
3000
και δε μπορούμε να καταλάβουμε τι στο καλό είναι αυτό που δημιουργούμε.
18:38
We're right at that pointσημείο of transitionμετάβαση.
440
1103000
2000
Είμαστε ακριβώς σε αυτό το σημείο της μετάβασης.
18:40
But I think that there really is something comingερχομός alongκατά μήκος after us.
441
1105000
3000
Νομίζω, όμως, πως πραγματικά υπάρχει κάτι που προχωράει μαζί μας.
18:43
I think it's very haughtyυπεροπτική of us
442
1108000
2000
Νομίζω πως είμαστε υπερόπτες
18:45
to think that we're the endτέλος productπροϊόν of evolutionεξέλιξη.
443
1110000
3000
αν πιστεύουμε ότι είμαστε το τελικό προϊόν της εξέλιξης.
18:48
And I think all of us here
444
1113000
2000
Νομίζω πως όλοι μας εδώ
18:50
are a partμέρος of producingπαραγωγή
445
1115000
2000
αποτελούμε μέρος της δημιουργίας
18:52
whateverοτιδήποτε that nextεπόμενος thing is.
446
1117000
2000
αυτού που έπεται στη συνέχεια.
18:54
So lunchμεσημεριανό is comingερχομός alongκατά μήκος,
447
1119000
2000
Έρχεται η ώρα του φαγητού,
18:56
and I think I will stop at that pointσημείο,
448
1121000
2000
και νομίζω θα σταματήσω σε αυτό το σημείο,
18:58
before I get selectedεπιλεγμένο out.
449
1123000
2000
πριν με βγάλουν.
19:00
(ApplauseΧειροκροτήματα)
450
1125000
3000
(Χειροκροτήματα)
Translated by Vasiliki Chatzisavvidou
Reviewed by Mary Keramida

▲Back to top

ABOUT THE SPEAKER
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.

Why you should listen

Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.

More profile about the speaker
Danny Hillis | Speaker | TED.com