TEDxUIUC
Christoph Adami: Finding life we can't imagine
Christoph Adami: Encontrando vida que no imaginamos.
Filmed:
Readability: 3.7
652,149 views
¿Cómo buscamos vida extraterrestre si no se parece a la vida que conocemos? En TEDxUIUC, Universidad de Illinois en Urbana-Champaign, Cristoph Adami muestra cómo usa su investigación sobre vida artificial (programas informáticos auto-replicantes) para encontrar un distintivo, un "biomarcador", que esté libre de nuestros prejuicios de lo que es la vida.
Christoph Adami - Artificial life researcher
Christoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions. Full bio
Christoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions. Full bio
Double-click the English transcript below to play the video.
00:15
So I have a strange career.
0
0
2000
Tengo una carrera extraña.
00:17
I know it because people come up to me, like colleagues,
1
2000
3000
Lo sé, porque se acercan mis colegas
00:20
and say, "Chris, you have a strange career."
2
5000
2000
y dicen: "Chris, tienes una carrera extraña".
00:22
(Laughter)
3
7000
2000
(Risas)
00:24
And I can see their point,
4
9000
2000
Y lo entiendo,
00:26
because I started my career
5
11000
2000
porque comencé mi carrera
00:28
as a theoretical nuclear physicist.
6
13000
2000
como físico teórico nuclear.
00:30
And I was thinking about quarks and gluons
7
15000
2000
Pensaba en quarks, en gluones,
00:32
and heavy ion collisions,
8
17000
2000
en colisiones de iones pesados,
00:34
and I was only 14 years old.
9
19000
2000
y tenía tan sólo 14 años.
00:36
No, no, I wasn't 14 years old.
10
21000
3000
No, no tenía 14.
00:40
But after that,
11
25000
2000
Pero después de ello,
00:42
I actually had my own lab
12
27000
2000
tuve mi propio laboratorio
00:44
in the computational neuroscience department,
13
29000
2000
en el departamento de neurociencia computacional,
00:46
and I wasn't doing any neuroscience.
14
31000
2000
y no estaba haciendo neurociencia.
00:48
Later, I would work on evolutionary genetics,
15
33000
3000
Después, trabajé en genética evolutiva
00:51
and I would work on systems biology.
16
36000
2000
y en biología de sistemas.
00:53
But I'm going to tell you about something else today.
17
38000
3000
Pero hoy les contaré algo más.
00:56
I'm going to tell you
18
41000
2000
Les contaré
00:58
about how I learned something about life.
19
43000
2000
cómo aprendí algo acerca de la vida.
01:00
And I was actually a rocket scientist.
20
45000
4000
En verdad era científico.
01:04
I wasn't really a rocket scientist,
21
49000
2000
No trabajaba en cohetes,
01:06
but I was working
22
51000
2000
pero sí en el Jet Propulsion
01:08
at the Jet Propulsion Laboratory
23
53000
2000
Laboratory (Laboratorio de Propulsión a Chorro)
01:10
in sunny California where it's warm;
24
55000
3000
en la soleada California donde está templado;
01:13
whereas now I'm in the mid-West,
25
58000
2000
mientras que ahora estoy en el medio-oeste,
01:15
and it's cold.
26
60000
2000
y hace frío.
01:17
But it was an exciting experience.
27
62000
3000
Pero fue una experiencia emocionante.
01:20
One day a NASA manager comes into my office,
28
65000
3000
Un día un gerente de la NASA entró a mi oficina,
01:23
sits down and says,
29
68000
3000
se sentó y me dijo:
01:26
"Can you please tell us,
30
71000
2000
"¿Podría por favor decirnos
01:28
how do we look for life outside Earth?"
31
73000
2000
cómo buscamos vida fuera de la tierra?"
01:30
And that came as a surprise to me,
32
75000
2000
Y me sorprendió,
01:32
because I was actually hired
33
77000
2000
porque me habían contratado
01:34
to work on quantum computation.
34
79000
2000
para trabajar en computación cuántica.
01:36
Yet, I had a very good answer.
35
81000
2000
Sin embargo, tenía una buena respuesta.
01:38
I said, "I have no idea."
36
83000
3000
Le dije: "No tengo idea".
01:41
And he told me, "Biosignatures,
37
86000
3000
Y él me dijo: "Biomarcadores,
01:44
we need to look for a biosignature."
38
89000
2000
necesitamos buscar un biomarcador".
01:46
And I said, "What is that?"
39
91000
2000
Le dije: "¿Qué es eso?"
01:48
And he said, "It's any measurable phenomenon
40
93000
2000
Me dijo: "Es un fenómeno medible
01:50
that allows us to indicate
41
95000
2000
que nos permite indicar
01:52
the presence of life."
42
97000
2000
la presencia de la vida".
01:54
And I said, "Really?
43
99000
2000
Dije: "¿En serio?
01:56
Because isn't that easy?
44
101000
2000
¿No es así de simple?
01:58
I mean, we have life.
45
103000
2000
Digo, hay vida.
02:00
Can't you apply a definition,
46
105000
2000
¿No se puede aplicar una definición,
02:02
like for example, a Supreme Court-like definition of life?"
47
107000
4000
digamos, una definición como de la Suprema Corte de la -Vida-?"
02:06
And then I thought about it a little bit, and I said,
48
111000
2000
Pensé un poco y dije:
02:08
"Well, is it really that easy?
49
113000
2000
"Bueno, ¿es realmente así de fácil?
02:10
Because, yes, if you see something like this,
50
115000
3000
Porque, sí, si ves algo como esto,
02:13
then all right, fine, I'm going to call it life --
51
118000
2000
entonces, bien, lo llamaré vida...
02:15
no doubt about it.
52
120000
2000
sin duda.
02:17
But here's something."
53
122000
2000
Pero aquí hay algo".
02:19
And he goes, "Right, that's life too. I know that."
54
124000
3000
Y él siguió: "Bien, eso es vida también. Lo sé".
02:22
Except, if you think life is also defined
55
127000
2000
Excepto, que si se piensa que la vida está definida
02:24
by things that die,
56
129000
2000
también por las cosas que mueren,
02:26
you're not in luck with this thing,
57
131000
2000
no tienes suerte con esto,
02:28
because that's actually a very strange organism.
58
133000
2000
porque eso es de hecho un organismo muy extraño.
02:30
It grows up into the adult stage like that
59
135000
2000
Crece hasta la etapa adulta
02:32
and then goes through a Benjamin Button phase,
60
137000
3000
y luego pasa por una etapa de Benjamin Button,
02:35
and actually goes backwards and backwards
61
140000
2000
y regresa y regresa
02:37
until it's like a little embryo again,
62
142000
2000
hasta que es como un embrión otra vez,
02:39
and then actually grows back up, and back down and back up -- sort of yo-yo --
63
144000
3000
y entonces crece otra vez, regresa y crece, como un yo-yo,
02:42
and it never dies.
64
147000
2000
y nunca muere.
02:44
So it's actually life,
65
149000
2000
Entonces es, de hecho, vida,
02:46
but it's actually not
66
151000
2000
pero no lo es
02:48
as we thought life would be.
67
153000
3000
como pensaríamos que sería la vida.
02:51
And then you see something like that.
68
156000
2000
Y entonces ves algo como esto.
02:53
And he was like, "My God, what kind of a life form is that?"
69
158000
2000
Él se quedó como: "Por Dios, ¿qué tipo de forma de vida es esa?"
02:55
Anyone know?
70
160000
2000
¿Alguien sabe?
02:57
It's actually not life, it's a crystal.
71
162000
3000
De hecho no es vida, es un cristal.
03:00
So once you start looking and looking
72
165000
2000
Así que una vez que comienzas a observar
03:02
at smaller and smaller things --
73
167000
2000
cada vez más pequeñas...
03:04
so this particular person
74
169000
2000
Esta persona en particular
03:06
wrote a whole article and said, "Hey, these are bacteria."
75
171000
3000
escribió un artículo entero y dijo: "Oye, esas son bacterias".
03:09
Except, if you look a little bit closer,
76
174000
2000
Pero, si no las ves de cerca,
03:11
you see, in fact, that this thing is way too small to be anything like that.
77
176000
3000
ves, de hecho, que es demasiado pequeña para ser algo así.
03:14
So he was convinced,
78
179000
2000
Entonces quedó convencido,
03:16
but, in fact, most people aren't.
79
181000
2000
pero, de hecho, la mayoría no lo está.
03:18
And then, of course,
80
183000
2000
Y entonces, por supuesto,
03:20
NASA also had a big announcement,
81
185000
2000
la NASA también tenía un gran anuncio.
03:22
and President Clinton gave a press conference,
82
187000
2000
El Presidente Clinton dio una conferencia de prensa,
03:24
about this amazing discovery
83
189000
2000
acerca de este descubrimiento increíble
03:26
of life in a Martian meteorite.
84
191000
3000
de vida en un meteorito de Marte.
03:29
Except that nowadays, it's heavily disputed.
85
194000
4000
Hoy en día está en duda.
03:33
If you take the lesson of all these pictures,
86
198000
3000
Si toman la lección de todas estas imágenes,
03:36
then you realize, well actually maybe it's not that easy.
87
201000
2000
entonces se darán cuenta, bueno, tal vez no sea tan fácil.
03:38
Maybe I do need
88
203000
2000
Tal vez se necesita
03:40
a definition of life
89
205000
2000
una definición de -vida-
03:42
in order to make that kind of distinction.
90
207000
2000
para poder hacer ese tipo de distinción.
03:44
So can life be defined?
91
209000
2000
Entonces, ¿se puede definir la vida?
03:46
Well how would you go about it?
92
211000
2000
Bueno ¿Cómo hacerlo?
03:48
Well of course,
93
213000
2000
Desde luego,
03:50
you'd go to Encyclopedia Britannica and open at L.
94
215000
2000
vamos a la Enciclopedia Britannica y abrimos en la V.
03:52
No, of course you don't do that; you put it somewhere in Google.
95
217000
3000
No, por supuesto que no hcemos eso; lo bucamos en Google.
03:55
And then you might get something.
96
220000
3000
Y encontramos algo.
03:58
And what you might get --
97
223000
2000
Encontraríamos...
04:00
and anything that actually refers to things that we are used to,
98
225000
2000
algo refereido a lo que estamos acostumbrados,
04:02
you throw away.
99
227000
2000
lo descartamos.
04:04
And then you might come up with something like this.
100
229000
2000
Podría aparecer algo como esto.
04:06
And it says something complicated
101
231000
2000
Dice algo complicado,
04:08
with lots and lots of concepts.
102
233000
2000
con muchos conceptos.
04:10
Who on Earth would write something
103
235000
2000
¿Quién podría escribir algo
04:12
as convoluted and complex
104
237000
2000
tan enredado, complejo
04:14
and inane?
105
239000
3000
y necio?
04:17
Oh, it's actually a really, really, important set of concepts.
106
242000
4000
Oh, de hecho es una serie de conceptos muy, muy importantes.
04:21
So I'm highlighting just a few words
107
246000
3000
Resalto sólo algunas palabras
04:24
and saying definitions like that
108
249000
2000
y digo que definiciones como esta
04:26
rely on things that are not based
109
251000
2000
no están basadas
04:28
on amino acids or leaves
110
253000
3000
en los aminoácidos o las hojas
04:31
or anything that we are used to,
111
256000
2000
ni en nada de lo que estemos acostumbrados,
04:33
but in fact on processes only.
112
258000
2000
sino solamente en procesos.
04:35
And if you take a look at that,
113
260000
2000
Y, si observan,
04:37
this was actually in a book that I wrote that deals with artificial life.
114
262000
3000
esto estaba en un libro que escribí que tiene que ver con vida artificial.
04:40
And that explains why
115
265000
2000
Y eso explica por qué
04:42
that NASA manager was actually in my office to begin with.
116
267000
3000
el gerente de la NASA estaba en mi oficina, para empezar.
04:45
Because the idea was that, with concepts like that,
117
270000
3000
Porque la idea era que, con conceptos como este,
04:48
maybe we can actually manufacture
118
273000
2000
tal vez podríamos hacer
04:50
a form of life.
119
275000
2000
una forma de vida.
04:52
And so if you go and ask yourself,
120
277000
3000
Y entonces si se preguntan:
04:55
"What on Earth is artificial life?",
121
280000
2000
"¿Qué es la vida artificial?",
04:57
let me give you a whirlwind tour
122
282000
2000
haré un resumen vertiginoso
04:59
of how all this stuff came about.
123
284000
2000
de cómo es que salió todo esto.
05:01
And it started out quite a while ago
124
286000
3000
Comienza hace algún tiempo
05:04
when someone wrote
125
289000
2000
cuando alguien escribió
05:06
one of the first successful computer viruses.
126
291000
2000
uno de los primeros virus informáticos exitosos.
05:08
And for those of you who aren't old enough,
127
293000
3000
Para quienes no son tan viejos,
05:11
you have no idea how this infection was working --
128
296000
3000
no tienen idea de cómo funcionaba la infección...
05:14
namely, through these floppy disks.
129
299000
2000
es decir, a través de disquetes.
05:16
But the interesting thing about these computer virus infections
130
301000
3000
Lo interesante de estas infecciones informáticas
05:19
was that, if you look at the rate
131
304000
2000
era que, si se observa la tasa
05:21
at which the infection worked,
132
306000
2000
a la que funcionaba la infección,
05:23
they show this spiky behavior
133
308000
2000
muestran este comportamiento con puntos
05:25
that you're used to from a flu virus.
134
310000
3000
similar al del virus de la gripe.
05:28
And it is in fact due to this arms race
135
313000
2000
Y es debido a esta carrera armamentista
05:30
between hackers and operating system designers
136
315000
3000
entre hackers y diseñadores de sistemas operativos
05:33
that things go back and forth.
137
318000
2000
que la situación sube y baja.
05:35
And the result is kind of a tree of life
138
320000
2000
El resultado es como un árbol de la vida
05:37
of these viruses,
139
322000
2000
de estos virus,
05:39
a phylogeny that looks very much
140
324000
3000
una filogenia que se ve tal como
05:42
like the type of life that we're used to, at least on the viral level.
141
327000
3000
el tipo de vida a la que estamos acostumbrados, al menos en el nivel viral.
05:45
So is that life? Not as far as I'm concerned.
142
330000
3000
¿Eso es vida? No lo creo.
05:48
Why? Because these things don't evolve by themselves.
143
333000
3000
¿Por qué? Porque estas cosas no evolucionan por sí mismas.
05:51
In fact, they have hackers writing them.
144
336000
2000
De hecho, hay hackers que las escriben.
05:53
But the idea was taken very quickly a little bit further
145
338000
4000
Pero la idea avanzó rápidamente
05:57
when a scientist working at the Scientific Institute decided,
146
342000
3000
cuando un científico del Scientific Institute se preguntó:
06:00
"Why don't we try to package these little viruses
147
345000
3000
"¿Por qué no intentamos empaquetar estos virus
06:03
in artificial worlds inside of the computer
148
348000
2000
en mundos artificiales dentro de una computadora
06:05
and let them evolve?"
149
350000
2000
y los dejamos evolucionar?"
06:07
And this was Steen Rasmussen.
150
352000
2000
Fue Steen Rasmussen,
06:09
And he designed this system, but it really didn't work,
151
354000
2000
que diseñó este sistema, pero en realidad pero no funcionó
06:11
because his viruses were constantly destroying each other.
152
356000
3000
porque sus virus se destruían unos a otros constantemente.
06:14
But there was another scientist who had been watching this, an ecologist.
153
359000
3000
Pero había otro científico observando, un ecólogo,
06:17
And he went home and says, "I know how to fix this."
154
362000
3000
que se fue a casa diciendo: "Sé cómo arreglarlo".
06:20
And he wrote the Tierra system,
155
365000
2000
Y escribió The Tierra System,
06:22
and, in my book, is in fact one of the first
156
367000
3000
y, en mi libro, es de hecho uno de los primeros
06:25
truly artificial living systems --
157
370000
2000
sistemas vivientes realmente artificiales...
06:27
except for the fact that these programs didn't really grow in complexity.
158
372000
3000
salvo por el hecho de que estos programas no aumentaban su complejidad.
06:30
So having seen this work, worked a little bit on this,
159
375000
3000
Habiendo visto su trabajo y trabajado un poco en eso,
06:33
this is where I came in.
160
378000
2000
es cuando llego yo
06:35
And I decided to create a system
161
380000
2000
y decido crear un sistema
06:37
that has all the properties that are necessary
162
382000
2000
con las propiedades necesarias
06:39
to see the evolution of complexity,
163
384000
3000
para ver la evolución de la complejidad,
06:42
more and more complex problems constantly evolving.
164
387000
3000
problemas más complejos que evolucionan constantemente.
06:45
And of course, since I really don't know how to write code, I had help in this.
165
390000
3000
Y, desde luego, como no sé escribir código, me ayudaron.
06:48
I had two undergraduate students
166
393000
2000
Tenía dos estudiantes de pregrado
06:50
at California Institute of Technology that worked with me.
167
395000
3000
en el California Institute of Technology que trabajaban conmigo.
06:53
That's Charles Offria on the left, Titus Brown on the right.
168
398000
3000
Eran Charles Offria a la izquierda, Titus Brown a la derecha.
06:56
They are now actually respectable professors
169
401000
3000
Ahora son profesores respetables
06:59
at Michigan State University,
170
404000
2000
en Michigan State University,
07:01
but I can assure you, back in the day,
171
406000
2000
pero les puedo asegurar, en aquel entonces,
07:03
we were not a respectable team.
172
408000
2000
no éramos un equipo respetable.
07:05
And I'm really happy that no photo survives
173
410000
2000
Estoy feliz de que no haya ninguna foto
07:07
of the three of us anywhere close together.
174
412000
3000
de nosotros tres juntos.
07:10
But what is this system like?
175
415000
2000
¿Cómo es este sistema?
07:12
Well I can't really go into the details,
176
417000
3000
Bueno, no puedo ahondar en los detalles,
07:15
but what you see here is some of the entrails.
177
420000
2000
pero aquí ven parte de sus entrañas.
07:17
But what I wanted to focus on
178
422000
2000
Quiero centrarme
07:19
is this type of population structure.
179
424000
2000
en este tipo de estructura poblacional.
07:21
There's about 10,000 programs sitting here.
180
426000
3000
Aquí hay unos 10.000 programas.
07:24
And all different strains are colored in different colors.
181
429000
3000
Las diferentes cepas tienen diferentes colores.
07:27
And as you see here, there are groups that are growing on top of each other,
182
432000
3000
Como pueden ver, hay grupos que crecen sobre otros,
07:30
because they are spreading.
183
435000
2000
porque se están esparciendo.
07:32
Any time there is a program
184
437000
2000
Cuando hay un programa
07:34
that's better at surviving in this world,
185
439000
2000
que es mejor para sobrevivir en este mundo,
07:36
due to whatever mutation it has acquired,
186
441000
2000
por alguna mutación adquirida,
07:38
it is going to spread over the others and drive the others to extinction.
187
443000
3000
se esparcirá sobre otros y los llevará a la extinción.
07:41
So I'm going to show you a movie where you're going to see that kind of dynamic.
188
446000
3000
Les mostraré una película donde verán ese tipo de dinámica.
07:44
And these kinds of experiments are started
189
449000
3000
Estos experimentos comienzan
07:47
with programs that we wrote ourselves.
190
452000
2000
con programas que escribimos nosotros mismos.
07:49
We write our own stuff, replicate it,
191
454000
2000
Escribimos nuestros propios programas, los replicamos,
07:51
and are very proud of ourselves.
192
456000
2000
y nos sentimos orgullosos.
07:53
And we put them in, and what you see immediately
193
458000
3000
Los ponemos dentro, y lo que ven inmediatamente
07:56
is that there are waves and waves of innovation.
194
461000
3000
es que hay olas y olas de innovación.
07:59
By the way, this is highly accelerated,
195
464000
2000
Por cierto, esto está altamente acelerado,
08:01
so it's like a thousand generations a second.
196
466000
2000
son como mil generaciones por segundo.
08:03
But immediately the system goes like,
197
468000
2000
Pero inmediatamente el sistema dice:
08:05
"What kind of dumb piece of code was this?
198
470000
2000
"¡Qué código más tonto es este!
08:07
This can be improved upon in so many ways
199
472000
2000
Se puede mejorar de muchas formas,
08:09
so quickly."
200
474000
2000
muy rápidamente".
08:11
So you see waves of new types
201
476000
2000
Así que ven olas de nuevos tipos
08:13
taking over the other types.
202
478000
2000
que ocupan el lugar de otros tipos.
08:15
And this type of activity goes on for quite awhile,
203
480000
3000
Esto continúa un rato,
08:18
until the main easy things have been acquired by these programs.
204
483000
4000
hasta que los programas adquieren las cosas principales
08:22
And then you see sort of like a stasis coming on
205
487000
4000
y entonces se llega a una estabilidad
08:26
where the system essentially waits
206
491000
2000
donde el sistema espera, en esencia,
08:28
for a new type of innovation, like this one,
207
493000
3000
un nuevo tipo de innovación, como este,
08:31
which is going to spread
208
496000
2000
que se esparcirá
08:33
over all the other innovations that were before
209
498000
2000
sobre las innovaciones anteriores
08:35
and is erasing the genes that it had before,
210
500000
3000
y borrará los genes que tenía antes,
08:38
until a new type of higher level of complexity has been achieved.
211
503000
4000
hasta adquirir un mayor tipo de complejidad.
08:42
And this process goes on and on and on.
212
507000
3000
El proceso sigue y sigue.
08:45
So what we see here
213
510000
2000
Por eso vemos
08:47
is a system that lives
214
512000
2000
que vive
08:49
in very much the way we're used to life [going.]
215
514000
2000
de la forma en que estamos acostumbrados a la vida.
08:51
But what the NASA people had asked me really
216
516000
4000
La gente de la NASA preguntó:
08:55
was, "Do these guys
217
520000
2000
"Estos tipos,
08:57
have a biosignature?
218
522000
2000
¿tienen un biomarcador?
08:59
Can we measure this type of life?
219
524000
2000
¿Podemos medir este tipo de vida?
09:01
Because if we can,
220
526000
2000
Porque si podemos,
09:03
maybe we have a chance of actually discovering life somewhere else
221
528000
3000
tal vez podamos descubrir vida en otro lugar
09:06
without being biased
222
531000
2000
sin estar sesgados
09:08
by things like amino acids."
223
533000
2000
por cosas como los aminoácidos".
09:10
So I said, "Well, perhaps we should construct
224
535000
3000
Les dije: "Bueno, tal vez podríamos construir
09:13
a biosignature
225
538000
2000
un biomarcador
09:15
based on life as a universal process.
226
540000
3000
basado en la vida como un proceso universal.
09:18
In fact, it should perhaps make use
227
543000
2000
De hecho, tal vez debería usar
09:20
of the concepts that I developed
228
545000
2000
los conceptos que desarrollé
09:22
just in order to sort of capture
229
547000
2000
para, de alguna forma, capturar
09:24
what a simple living system might be."
230
549000
2000
lo que serían sistemas vivientes simples".
09:26
And the thing I came up with --
231
551000
2000
Y propuse...
09:28
I have to first give you an introduction about the idea,
232
553000
4000
Tengo que presentar la idea primero,
09:32
and maybe that would be a meaning detector,
233
557000
3000
quizá sería un detector de significado,
09:35
rather than a life detector.
234
560000
3000
en vez de ser un detector de vida.
09:38
And the way we would do that --
235
563000
2000
Y la forma en que lo hacemos...
09:40
I would like to find out how I can distinguish
236
565000
2000
Me gustaría saber distinguir
09:42
text that was written by a million monkeys,
237
567000
2000
el texto escrito por un millón de monos,
09:44
as opposed to text that [is] in our books.
238
569000
3000
del texto que está en los libros.
09:47
And I would like to do it in such a way
239
572000
2000
Y me gustaría hacerlo de forma tal
09:49
that I don't actually have to be able to read the language,
240
574000
2000
de no tener que leer el lenguaje
09:51
because I'm sure I won't be able to.
241
576000
2000
porque sé que no podré.
09:53
As long as I know that there's some sort of alphabet.
242
578000
2000
Sólo sé que hay algún tipo de alfabeto
09:55
So here would be a frequency plot
243
580000
3000
y una gráfica de frecuencias
09:58
of how often you find
244
583000
2000
de la presencia de cada una
10:00
each of the 26 letters of the alphabet
245
585000
2000
de las 26 letras del alfabeto
10:02
in a text written by random monkeys.
246
587000
3000
en un texto escrito por monos al azar.
10:05
And obviously each of these letters
247
590000
2000
Obviamente, cada una de las letras
10:07
comes off about roughly equally frequent.
248
592000
2000
resulta casi igual de frecuente.
10:09
But if you now look at the same distribution in English texts,
249
594000
4000
Pero si vemos la misma distribución en un texto en inglés,
10:13
it looks like that.
250
598000
2000
se parece a esto.
10:15
And I'm telling you, this is very robust across English texts.
251
600000
3000
Es muy consistente en textos en inglés.
10:18
And if I look at French texts, it looks a little bit different,
252
603000
2000
Y si vemos un texto en francés, se ve un poco distinto.
10:20
or Italian or German.
253
605000
2000
o en italiano, o en alemán.
10:22
They all have their own type of frequency distribution,
254
607000
3000
Todos tienen su propia frecuencia de distribución de letras,
10:25
but it's robust.
255
610000
2000
pero es robusto.
10:27
It doesn't matter whether it writes about politics or about science.
256
612000
3000
No importa si se escribe de política o ciencia.
10:30
It doesn't matter whether it's a poem
257
615000
3000
no importa si es un poema
10:33
or whether it's a mathematical text.
258
618000
3000
o un texto matemático.
10:36
It's a robust signature,
259
621000
2000
Es una señal robusta,
10:38
and it's very stable.
260
623000
2000
y muy estable.
10:40
As long as our books are written in English --
261
625000
2000
Mientras los libros estén escritos en inglés,
10:42
because people are rewriting them and recopying them --
262
627000
3000
porque las personas los re-escriben y copian,
10:45
it's going to be there.
263
630000
2000
estará ahí.
10:47
So that inspired me to think about,
264
632000
2000
Eso me inspiró a pensar,
10:49
well, what if I try to use this idea
265
634000
3000
bueno, qué tal si usamos esta idea
10:52
in order, not to detect random texts
266
637000
2000
no para diferenciar textos al azar
10:54
from texts with meaning,
267
639000
2000
de textos con significado,
10:56
but rather detect the fact that there is meaning
268
641000
4000
sino para detectar que hay significado
11:00
in the biomolecules that make up life.
269
645000
2000
en las biomoléculas que conforman la vida.
11:02
But first I have to ask:
270
647000
2000
Primero tengo que preguntar:
11:04
what are these building blocks, like the alphabet, elements that I showed you?
271
649000
3000
¿cuáles son estos bloques de construcción, como el alfabeto?
11:07
Well it turns out, we have many different alternatives
272
652000
3000
Bueno, resulta, que tenemos diferentes alternativas
11:10
for such a set of building blocks.
273
655000
2000
para estos bloques de construcción.
11:12
We could use amino acids,
274
657000
2000
Podríamos usar aminoácidos,
11:14
we could use nucleic acids, carboxylic acids, fatty acids.
275
659000
3000
podríamos usar ácidos nucleicos, ácidos carboxílicos, ácidos grasos.
11:17
In fact, chemistry's extremely rich, and our body uses a lot of them.
276
662000
3000
La química es muy rica y nuestros cuerpos la usan mucho.
11:20
So that we actually, to test this idea,
277
665000
3000
Para probar esta idea
11:23
first took a look at amino acids and some other carboxylic acids.
278
668000
3000
primero observamos los aminoácidos y algunos ácidos carboxílicos.
11:26
And here's the result.
279
671000
2000
Y he aquí el resultado.
11:28
Here is, in fact, what you get
280
673000
3000
Esto es lo que se obtiene
11:31
if you, for example, look at the distribution of amino acids
281
676000
3000
si, por ejemplo, vemos la distribución de aminoácidos
11:34
on a comet or in interstellar space
282
679000
3000
en un cometa o en el espacio interestelar
11:37
or, in fact, in a laboratory,
283
682000
2000
o, de hecho, en un laboratorio,
11:39
where you made very sure that in your primordial soup
284
684000
2000
donde aseguramos que en la sopa primigenia
11:41
that there is not living stuff in there.
285
686000
2000
no haya nada viviente.
11:43
What you find is mostly glycine and then alanine
286
688000
3000
Principalmente encontramos glicina y alanina
11:46
and there's some trace elements of the other ones.
287
691000
3000
y algunos elementos traza de otros (aminoácidos).
11:49
That is also very robust --
288
694000
3000
Eso también es muy robusto...
11:52
what you find in systems like Earth
289
697000
3000
se encuentra en sistemas similares a la Tierra
11:55
where there are amino acids,
290
700000
2000
en los que hay aminoácidos,
11:57
but there is no life.
291
702000
2000
pero no hay vida.
11:59
But suppose you take some dirt
292
704000
2000
Pero supongamos que escarbamos
12:01
and dig through it
293
706000
2000
en la tierra
12:03
and then put it into these spectrometers,
294
708000
3000
y lo ponemos en estos espectómetros,
12:06
because there's bacteria all over the place;
295
711000
2000
porque hay bacterias por todas partes;
12:08
or you take water anywhere on Earth,
296
713000
2000
o tomamos agua en cualquier lugar de la Tierra,
12:10
because it's teaming with life,
297
715000
2000
porque está repleta de vida,
12:12
and you make the same analysis;
298
717000
2000
y hacemos el mismo análisis;
12:14
the spectrum looks completely different.
299
719000
2000
el espectro se ve completamente diferente.
12:16
Of course, there is still glycine and alanine,
300
721000
4000
Desde luego, hay glicina y alanina todavía,
12:20
but in fact, there are these heavy elements, these heavy amino acids,
301
725000
3000
pero de hecho, son elementos pesados, aminoácidos pesados,
12:23
that are being produced
302
728000
2000
que se producen
12:25
because these are valuable to the organism.
303
730000
2000
porque son valiosos para el organismo.
12:27
And some other ones
304
732000
2000
Y algunos otros
12:29
that are not used in the set of 20,
305
734000
2000
que no se usan en el grupo de 20,
12:31
they will not appear at all
306
736000
2000
no aparecerán
12:33
in any type of concentration.
307
738000
2000
en ningún tipo de concentración.
12:35
So this also turns out to be extremely robust.
308
740000
2000
Así que esto resulta ser muy robusto.
12:37
It doesn't matter what kind of sediment you're using to grind up,
309
742000
3000
No importa qué tipo de sedimento se muela,
12:40
whether it's bacteria or any other plants or animals.
310
745000
3000
ya sea bacteria o cualquier planta o animal.
12:43
Anywhere there's life,
311
748000
2000
Siempre que haya vida,
12:45
you're going to have this distribution,
312
750000
2000
existirá esta distribución,
12:47
as opposed to that distribution.
313
752000
2000
a diferencia de esta.
12:49
And it is detectable not just in amino acids.
314
754000
3000
Y es detectable no sólo en aminoácidos.
12:52
Now you could ask:
315
757000
2000
Ahora podrían preguntarse:
12:54
well, what about these Avidians?
316
759000
2000
¿Qué son los avidianos?
12:56
The Avidians being the denizens of this computer world
317
761000
4000
Los avidianos son los habitantes de este mundo computacional
13:00
where they are perfectly happy replicating and growing in complexity.
318
765000
3000
donde se replican felizmente y aumentan su complejidad.
13:03
So this is the distribution that you get
319
768000
3000
Esta es la distribución que se obtiene
13:06
if, in fact, there is no life.
320
771000
2000
si, de hecho, no hay vida".
13:08
They have about 28 of these instructions.
321
773000
3000
Hay cerca de 28 instrucciones.
13:11
And if you have a system where they're being replaced one by the other,
322
776000
3000
Y si tienen un sistema donde se reemplazan unas por otras
13:14
it's like the monkeys writing on a typewriter.
323
779000
2000
es como tener monos que escriben en un teclado.
13:16
Each of these instructions appears
324
781000
3000
Cada una de estas instrucciones aparece
13:19
with roughly the equal frequency.
325
784000
3000
con casi la misma frecuencia.
13:22
But if you now take a set of replicating guys
326
787000
4000
Pero si se toma un grupo de tipos replicantes
13:26
like in the video that you saw,
327
791000
2000
como en el video que vieron,
13:28
it looks like this.
328
793000
2000
se ve así.
13:30
So there are some instructions
329
795000
2000
Hay instrucciones muy valiosas
13:32
that are extremely valuable to these organisms,
330
797000
2000
para estos organismos,
13:34
and their frequency is going to be high.
331
799000
3000
y su frecuencia será alta.
13:37
And there's actually some instructions
332
802000
2000
Hay otras instrucciones
13:39
that you only use once, if ever.
333
804000
2000
que se usan una sola vez, si acaso.
13:41
So they are either poisonous
334
806000
2000
Así que o son venenosas
13:43
or really should be used at less of a level than random.
335
808000
4000
o deberían usarse poco menos que aleatoriamente.
13:47
In this case, the frequency is lower.
336
812000
3000
En este caso, la frecuencia es baja.
13:50
And so now we can see, is that really a robust signature?
337
815000
3000
Y ahora podemos ver, ¿es realmente una señal robusta?
13:53
I can tell you indeed it is,
338
818000
2000
Les puedo decir que sí lo es,
13:55
because this type of spectrum, just like what you've seen in books,
339
820000
3000
porque este tipo de espectro, tal como lo han visto en los libros,
13:58
and just like what you've seen in amino acids,
340
823000
2000
y justo como lo vieron en los aminoácidos,
14:00
it doesn't really matter how you change the environment, it's very robust;
341
825000
3000
no importa cómo cambie el ambiente, es muy robusto;
14:03
it's going to reflect the environment.
342
828000
2000
reflejará el ambiente.
14:05
So I'm going to show you now a little experiment that we did.
343
830000
2000
Les mostraré ahora un pequeño experimento que hicimos.
14:07
And I have to explain to you,
344
832000
2000
Tengo que explicarles,
14:09
the top of this graph
345
834000
2000
la parte superior de esta gráfica
14:11
shows you that frequency distribution that I talked about.
346
836000
3000
muestra la distribución de frecuencias de la que hablé.
14:14
Here, in fact, that's the lifeless environment
347
839000
3000
Aquí, de hecho, es el ambiente sin vida
14:17
where each instruction occurs
348
842000
2000
donde ocurre cada instrucción
14:19
at an equal frequency.
349
844000
2000
con igual frecuencia.
14:21
And below there, I show, in fact,
350
846000
3000
Y aquí abajo, les muestro
14:24
the mutation rate in the environment.
351
849000
3000
la tasa de mutación en el ambiente.
14:27
And I'm starting this at a mutation rate that is so high
352
852000
3000
Comienzo esto en una tasa de mutación que es tan alta
14:30
that, even if you would drop
353
855000
2000
que, aún si tiramos
14:32
a replicating program
354
857000
2000
un programa replicante
14:34
that would otherwise happily grow up
355
859000
2000
que crecería felizmente en otras condiciones
14:36
to fill the entire world,
356
861000
2000
hasta llenar todo el mundo,
14:38
if you drop it in, it gets mutated to death immediately.
357
863000
4000
si lo tiramos ahí, muta a muerte de inmediato.
14:42
So there is no life possible
358
867000
2000
Así que no hay posibilidad de vida
14:44
at that type of mutation rate.
359
869000
3000
en ese tipo de tasa de mutación.
14:47
But then I'm going to slowly turn down the heat, so to speak,
360
872000
4000
Pero entonces voy a bajar la temperatura, por así decirlo,
14:51
and then there's this viability threshold
361
876000
2000
y está este umbral de viabilidad
14:53
where now it would be possible
362
878000
2000
donde ahora sería posible
14:55
for a replicator to actually live.
363
880000
2000
que sobreviva un replicador.
14:57
And indeed, we're going to be dropping these guys
364
882000
3000
Y, de hecho, echaremos a estos tipos
15:00
into that soup all the time.
365
885000
2000
a esta sopa todo el tiempo.
15:02
So let's see what that looks like.
366
887000
2000
Veamos cómo se ve.
15:04
So first, nothing, nothing, nothing.
367
889000
3000
Primero, nada, nada, nada.
15:07
Too hot, too hot.
368
892000
2000
Muy caliente, muy caliente.
15:09
Now the viability threshold is reached,
369
894000
3000
Ahora alcanzan el umbral de viabilidad,
15:12
and the frequency distribution
370
897000
2000
y la distribución de frecuencias
15:14
has dramatically changed and, in fact, stabilizes.
371
899000
3000
cambia drásticamente y, de hecho, se estabiliza.
15:17
And now what I did there
372
902000
2000
Y ahora lo que hice
15:19
is, I was being nasty, I just turned up the heat again and again.
373
904000
3000
fue, estaba siendo grosero, subí la temperatura más y más.
15:22
And of course, it reaches the viability threshold.
374
907000
3000
Y por supuesto, alcanzó el umbral de viabilidad.
15:25
And I'm just showing this to you again because it's so nice.
375
910000
3000
Se los mostraré de nuevo porque se ve bien.
15:28
You hit the viability threshold.
376
913000
2000
Alcanzan el umbral de viabilidad.
15:30
The distribution changes to "alive!"
377
915000
2000
La distribución cambia a "vivientes"
15:32
And then, once you hit the threshold
378
917000
3000
y entonces, ya que alcanzan el umbral
15:35
where the mutation rate is so high
379
920000
2000
donde la tasa de mutación es tan alta
15:37
that you cannot self-reproduce,
380
922000
2000
que no pueden auto-replicarse,
15:39
you cannot copy the information
381
924000
3000
no pueden copiar la información
15:42
forward to your offspring
382
927000
2000
hacia sus descendientes
15:44
without making so many mistakes
383
929000
2000
sin cometer tantos errores
15:46
that your ability to replicate vanishes.
384
931000
3000
que la habilidad de replicarse se desvanece.
15:49
And then that signature is lost.
385
934000
3000
Y entonces se pierde el marcador.
15:52
What do we learn from that?
386
937000
2000
¿Qué aprendimos de esto?
15:54
Well, I think we learn a number of things from that.
387
939000
4000
Bueno, creo que aprendimos varias cosas.
15:58
One of them is,
388
943000
2000
Una de ellas es
16:00
if we are able to think about life
389
945000
3000
que si somos capaces de pensar en la vida
16:03
in abstract terms --
390
948000
2000
en términos abstractos...
16:05
and we're not talking about things like plants,
391
950000
2000
y no estamos hablando de cosas como las plantas;
16:07
and we're not talking about amino acids,
392
952000
2000
y no estamos hablando de aminoácidos,
16:09
and we're not talking about bacteria,
393
954000
2000
y no hablamos de bacterias,
16:11
but we think in terms of processes --
394
956000
2000
sino que pensamos en términos de procesos...
16:13
then we could start to think about life,
395
958000
3000
entonces podemos empezar a pensar en la vida,
16:16
not as something that is so special to Earth,
396
961000
2000
no como algo que es especial de la Tierra,
16:18
but that, in fact, could exist anywhere.
397
963000
3000
sino que podría existir en cualquier lugar.
16:21
Because it really only has to do
398
966000
2000
Porque sólo tiene que ver
16:23
with these concepts of information,
399
968000
2000
con este concepto de información,
16:25
of storing information
400
970000
2000
de almacenar información
16:27
within physical substrates --
401
972000
2000
en sustratos físicos...
16:29
anything: bits, nucleic acids,
402
974000
2000
cualquier cosa: bits, ácidos nucleicos,
16:31
anything that's an alphabet --
403
976000
2000
cualquier cosa que sea un alfabeto,
16:33
and make sure that there's some process
404
978000
2000
y asegurarse de que haya algún proceso
16:35
so that this information can be stored
405
980000
2000
para almacenar información
16:37
for much longer than you would expect
406
982000
2000
por más tiempo del esperado
16:39
the time scales for the deterioration of information.
407
984000
4000
por las escalas de tiempo del deterioro de la información.
16:43
And if you can do that,
408
988000
2000
Y, si pueden hacerlo,
16:45
then you have life.
409
990000
2000
entonces tienen vida.
16:47
So the first thing that we learn
410
992000
2000
Así que lo primero que aprendimos
16:49
is that it is possible to define life
411
994000
3000
es que es posible definir la vida
16:52
in terms of processes alone,
412
997000
3000
sólo en términos de procesos,
16:55
without referring at all
413
1000000
2000
sin referirnos para nada
16:57
to the type of things that we hold dear,
414
1002000
2000
al tipo de cosas que apreciamos,
16:59
as far as the type of life on Earth is.
415
1004000
3000
como tipo de vida en la Tierra.
17:02
And that in a sense removes us again,
416
1007000
3000
Y que de alguna forma nos quita del centro,
17:05
like all of our scientific discoveries, or many of them --
417
1010000
3000
como todos nuestros descubrimientos científicos, o la mayoría,
17:08
it's this continuous dethroning of man --
418
1013000
2000
-de este continuo destronamiento del hombre-
17:10
of how we think we're special because we're alive.
419
1015000
3000
de pensar que somos especiales porque estamos vivos.
17:13
Well we can make life. We can make life in the computer.
420
1018000
3000
Bueno podemos hacer vida. Podemos hacer vida en una computadora.
17:16
Granted, it's limited,
421
1021000
2000
Cierto, es limitada,
17:18
but we have learned what it takes
422
1023000
3000
pero hemos aprendido lo que hace falta
17:21
in order to actually construct it.
423
1026000
2000
para construirla realmente.
17:23
And once we have that,
424
1028000
3000
Y una vez que tenemos eso,
17:26
then it is not such a difficult task anymore
425
1031000
3000
entonces ya no es tarea difícil
17:29
to say, if we understand the fundamental processes
426
1034000
4000
decir, si entendemos los procesos fundamentales
17:33
that do not refer to any particular substrate,
427
1038000
3000
que no se refieren a ningún sustrato particular,
17:36
then we can go out
428
1041000
2000
entonces podemos salir
17:38
and try other worlds,
429
1043000
2000
e intentarlo en otros mundos;
17:40
figure out what kind of chemical alphabets might there be,
430
1045000
4000
deducir qué tipo de alfabeto químico podría haber ahí,
17:44
figure enough about the normal chemistry,
431
1049000
2000
conocer bien la química normal,
17:46
the geochemistry of the planet,
432
1051000
3000
la geoquímica del planeta,
17:49
so that we know what this distribution would look like
433
1054000
2000
para que sepamos cómo se ve esta distribución
17:51
in the absence of life,
434
1056000
2000
en ausencia de vida,
17:53
and then look for large deviations from this --
435
1058000
3000
y entonces buscar desviaciones más grandes a partir de ello;
17:56
this thing sticking out, which says,
436
1061000
3000
esto que sobresale y dice:
17:59
"This chemical really shouldn't be there."
437
1064000
2000
"Este químico no debería estar ahí".
18:01
Now we don't know that there's life then,
438
1066000
2000
Ahora no sabemos que hay vida,
18:03
but we could say,
439
1068000
2000
pero podríamos decir:
18:05
"Well at least I'm going to have to take a look very precisely at this chemical
440
1070000
3000
"Bueno, al menos veré con precisión este compuesto químico
18:08
and see where it comes from."
441
1073000
2000
y veré de dónde viene".
18:10
And that might be our chance
442
1075000
2000
Y esa sería nuestra oportunidad
18:12
of actually discovering life
443
1077000
2000
de descubrir vida en realidad
18:14
when we cannot visibly see it.
444
1079000
2000
cuando no la podemos ver.
18:16
And so that's really the only take-home message
445
1081000
3000
Y ese es el único mensaje para llevarse a casa
18:19
that I have for you.
446
1084000
2000
que tengo para Uds.
18:21
Life can be less mysterious
447
1086000
2000
La vida puede ser menos misteriosa
18:23
than we make it out to be
448
1088000
2000
de lo que imaginamos
18:25
when we try to think about how it would be on other planets.
449
1090000
4000
cuando intentamos pensar cómo sería en otros planetas.
18:29
And if we remove the mystery of life,
450
1094000
3000
Y si quitamos el misterio de la vida
18:32
then I think it is a little bit easier
451
1097000
3000
creo que es más fácil
18:35
for us to think about how we live,
452
1100000
2000
pensar cómo vivimos
18:37
and how perhaps we're not as special as we always think we are.
453
1102000
3000
y que tal vez no somos tan especiales como siempre pensamos.
18:40
And I'm going to leave you with that.
454
1105000
2000
Los dejaré con eso.
18:42
And thank you very much.
455
1107000
2000
Muchas gracias.
18:44
(Applause)
456
1109000
2000
(Aplausos)
ABOUT THE SPEAKER
Christoph Adami - Artificial life researcherChristoph Adami works on the nature of life and evolution, trying to define life in a way that is as free as possible from our preconceptions.
Why you should listen
Christoph Adami researches the nature of living systems, using 'artificial life' -- small, self-replicating computer programs. His main research focus is Darwinian evolution, which he studies at different levels of organization (from simple molecules to brains). He has pioneered theapplication of methods from information theory to the study of evolution, and designed the "Avida" system that launched the use of digital life as a tool for investigating basic questions in evolutionary biology.
He is Professor of Applied Life Sciences at the Keck Graduate Institute in Claremont, CA, and a Visiting Professor at the BEACON Center for the Study of Evolution in Action at Michigan State University. He obtained his PhD in theoretical physics from the State University of New York at Stony Brook.
Christoph Adami | Speaker | TED.com