TED2006
Saul Griffith: Everyday inventions
Saul Griffith en inventos cotidianos
Filmed:
Readability: 4.2
580,919 views
Inventor y beca Mac Arthur Saul Griffith comparte algunas ideas innovadoras de su laboratorio -- desde "cuerda inteligente" a una cometa del tamaño de una casa para mover cargas pesadas.
Saul Griffith - Inventor
Inventor Saul Griffith looks for elegant ways to make real things, from low-cost eyeglasses to a kite that tows boats. His latest projects include open-source inventions and elegant new ways to generate power. Full bio
Inventor Saul Griffith looks for elegant ways to make real things, from low-cost eyeglasses to a kite that tows boats. His latest projects include open-source inventions and elegant new ways to generate power. Full bio
Double-click the English transcript below to play the video.
00:24
So anyway, who am I?
0
0
1000
Entonces, ¿quién son yo?
00:25
I usually say to people, when they say, "What do you do?"
1
1000
3000
Generalmente contesto a la gente, cuando me preguntan, "Qué es lo que haces?
00:28
I say, "I do hardware,"
2
4000
2000
Digo, "Hago hardware,"
00:30
because it sort of conveniently encompasses everything I do.
3
6000
2000
porque digamos que convenientemente abarca todo lo que hago.
00:32
And I recently said that to a venture capitalist casually at some
4
8000
4000
Y recientemente dije eso a un inversionista de riesgo en un
00:36
Valley event, to which he replied, "How quaint."
5
12000
3000
evento en el Valle, y respondió, "Qué pintoresco."
00:39
(Laughter)
6
15000
2000
(Risas)
00:41
And I sort of really was dumbstruck.
7
17000
3000
Y realmente estaba asombrado.
00:44
And I really should have said something smart.
8
20000
2000
Y yo debí haber dicho algo inteligente.
00:46
And now I've had a little bit of time to think about it,
9
22000
5000
Y ahora que he tenido algo de tiempo para pensarlo,
00:51
I would have said, "Well, you know,
10
27000
2000
Hubiera dicho, "Bueno, sabes,
00:53
if we look at the next 100 years
11
29000
2000
si miramos los siguientes cien años
00:55
and we've seen all these problems in the last few days,
12
31000
2000
y hemos visto todos estos problemas de los últimos días,
00:57
most of the big issues -- clean water, clean energy --
13
33000
3000
la mayoría de los grandes retos -- agua limpia, energía limpia --
01:00
and they're interchangeable in some respects --
14
36000
2000
y son intercambiables en algunos aspectos --
01:02
and cleaner, more functional materials --
15
38000
2000
y materiales más limpios y funcionales --
01:04
they all look to me to be hardware problems.
16
40000
3000
todos para mi parecen ser problemas de "hardware".
01:07
This doesn't mean we should ignore software,
17
43000
2000
Esto no quiere decir que debemos ignorar al "software",
01:09
or information, or computation."
18
45000
2000
o a la información, o a la computación.
01:11
And that's in fact probably what I'm going to try and tell you about.
19
47000
3000
Y esto es, de hecho, lo que voy a tratar de contarles.
01:14
So, this talk is going to be about how do we make things
20
50000
3000
Entonces, esta plática va a ser sobre cómo hacemos las cosas
01:17
and what are the new ways that we're going to make things in the future.
21
53000
5000
y de cómo van las nuevas maneras en las que haremos las cosas en el futuro.
01:22
Now, TED sends you a lot of spam if you're a speaker
22
58000
5000
Ahora, TED te envía mucho correo basura si eres un conferencista
01:27
about "do this, do that" and you fill out all these forms,
23
63000
2000
de "haz esto, haz lo otro" y lléname todos estos formularios,
01:29
and you don't actually know how they're going to describe you,
24
65000
3000
y nunca sabes realmente cómo te van a describir,
01:32
and it flashed across my desk that they were going to introduce me as a futurist.
25
68000
3000
me llego a mi escritorio que me iban a presentar como un futurista.
01:35
And I've always been nervous about the term "futurist,"
26
71000
2000
Siempre me ha puesto nervioso el término futurista,
01:37
because you seem doomed to failure because you can't really predict it.
27
73000
3000
porque está destinado al fracaso porque realmente no puedes predecirlo.
01:40
And I was laughing about this with the very smart colleagues I have,
28
76000
3000
y me estaba riendo de esto con unos colegas muy inteligentes que tengo,
01:43
and said, "You know, well, if I have to talk about the future, what is it?"
29
79000
4000
y dije, "saben, si tuvieran que hablar sobre el futuro, ¿qué es?"
01:47
And George Homsey, a great guy, said, "Oh, the future is amazing.
30
83000
5000
y George Homsey, un gran tipo, dijo, "Ah, el futuro es increíble.
01:52
It is so much stranger than you think.
31
88000
2000
Es mucho mas extraño de lo que piensas.
01:54
We're going to reprogram the bacteria in your gut,
32
90000
2000
Vamos a reprogramas las bacterias en tu estomago,
01:56
and we're going to make your poo smell like peppermint."
33
92000
5000
y vamos a hacer que tus desechos huelan a hierba buena
02:01
(Laughter)
34
97000
2000
(Risas)
02:03
So, you may think that's sort of really crazy,
35
99000
3000
Pues, pueden pensar que esto es una locura,
02:06
but there are some pretty amazing things that are happening
36
102000
2000
pero hay algunas cosas muy asombrosas que están pasando
02:08
that make this possible.
37
104000
1000
que hacen esto posible
02:09
So, this isn't my work, but it's work of good friends of mine at MIT.
38
105000
4000
Bueno, esto no es mi trabajo, pero es el trabajo de unos buenos amigo en el MIT.
02:13
This is called the registry of standard biological parts.
39
109000
2000
Esto se llama el registro de partes biológicas estándar.
02:15
This is headed by Drew Endy and Tom Knight
40
111000
2000
Está liderado por Drew Endy y Tom Knight
02:17
and a few other very, very bright individuals.
41
113000
3000
y otras personas muy, muy listas.
02:20
Basically, what they're doing is looking at biology as a programmable system.
42
116000
3000
Básicamente, lo que están haciendo es viendo la biología como un sistema programable.
02:23
Literally, think of proteins as subroutines
43
119000
4000
Literalmente, piensen en las proteínas como subrutinas
02:27
that you can string together to execute a program.
44
123000
3000
que pueden enlazar para ejecutar un programa.
02:30
Now, this is actually becoming such an interesting idea.
45
126000
5000
Ahora, esto se está tornando en una idea interesante.
02:35
This is a state diagram. That's an extremely simple computer.
46
131000
3000
Éste es un diagrama de estados. Es una computadora extremadamente sencilla.
02:38
This one is a two-bit counter.
47
134000
2000
Éste es un contador de dos "bits"
02:40
So that's essentially the computational equivalent of two light switches.
48
136000
6000
Eso es esencialmente el computo equivalente de dos contactos de luz.
02:46
And this is being built by a group of students at Zurich
49
142000
3000
Y esto esta siendo construido por un grupo de estudiantes en Zurich
02:49
for a design competition in biology.
50
145000
2000
para un concurso de diseño en biología.
02:51
And from the results of the same competition last year,
51
147000
3000
Y de los resultados de la misma competencia el año pasado,
02:54
a University of Texas team of students programmed bacteria
52
150000
4000
un equipo de estudiantes de la Universidad de Texas programó bacterias
02:58
so that they can detect light and switch on and off.
53
154000
3000
para que pudieran detectar luz y se cambiaran encendido y apagado.
03:01
So this is interesting in the sense that you can now
54
157000
2000
Esto es interesante en el sentido que ahora se puede
03:03
do "if-then-for" statements in materials, in structure.
55
159000
5000
hacer enunciados "si por lo tanto" en materiales, en la estructura.
03:08
This is a pretty interesting trend,
56
164000
2000
Esto es una tendencia bastante interesante,
03:10
because we used to live in a world where everyone's said glibly,
57
166000
2000
Porque vivíamos en un mundo donde todos decían fácilmente,
03:12
"Form follows function," but I think I've sort of grown up in a world
58
168000
4000
forma sigue a la función, pero creo que he crecido en un mundo
03:16
-- you listened to Neil Gershenfeld yesterday;
59
172000
3000
-- escucharon a Neil Gershenfeld ayer,
03:19
I was in a lab associated with his -- where it's really a world
60
175000
4000
Yo estaba en un laboratorio asociado con el suyo -- donde es realmente un mundo
03:23
where information defines form and function.
61
179000
3000
donde la información define a la forma y la función.
03:26
I spent six years thinking about that,
62
182000
4000
He pasado seis años pensando sobre eso,
03:30
but to show you the power of art over science --
63
186000
2000
pero para demostrar el poder del arte sobre la ciencia --
03:32
this is actually one of the cartoons I write. These are called "HowToons."
64
188000
3000
éste es precisamente uno de los dibujos que escribo. Se llaman "Cómo-dibujos"
03:35
I work with a fabulous illustrator called Nick Dragotta.
65
191000
2000
Trabajo con un dibujante extraordinario llamando Nick Dragotta.
03:37
Took me six years at MIT,
66
193000
2000
Me tomó seis años en el MIT,
03:39
and about that many pages to describe what I was doing,
67
195000
4000
y como así de tantas páginas para describir qué es lo que estaba haciendo,
03:43
and it took him one page. And so this is our muse Tucker.
68
199000
5000
y a él le tomo una hoja. Y ésta es nuestra musa Tucker.
03:48
He's an interesting little kid -- and his sister, Celine --
69
204000
2000
Él es un niño muy interesante --- y su hermana, Celine--
03:50
and what he's doing here
70
206000
2000
y lo que está haciendo aquí
03:52
is observing the self-assembly of his Cheerios in his cereal bowl.
71
208000
4000
está observando los auto-ensambles de su tazón de cereal "Cheerios".
03:56
And in fact you can program the self-assembly of things,
72
212000
3000
y por cierto se pueden programar los auto-ensambles de cosas,
03:59
so he starts chocolate-dipping edges,
73
215000
2000
así que empieza con las orillas con chocolate,
04:01
changing the hydrophobicity and the hydrophylicity.
74
217000
2000
cambiando la hidrofobia y la hidrofilia.
04:03
In theory, if you program those sufficiently,
75
219000
2000
En teoría, si programas estas cosas lo suficientemente,
04:05
you should be able to do something pretty interesting
76
221000
2000
deberías poder hacer algo muy interesante
04:07
and make a very complex structure.
77
223000
2000
y hacer estructuras muy complejas
04:09
In this case, he's done self-replication of a complex 3D structure.
78
225000
5000
En este caso, ha hecho una auto-réplica de una estructura 3D compleja
04:14
And that's what I thought about for a long time,
79
230000
3000
Y esto es lo que pensé por mucho tiempo,
04:17
because this is how we currently make things.
80
233000
2000
porque así es como actualmente hacemos cosas.
04:19
This is a silicon wafer, and essentially
81
235000
2000
Esto es una tabla de silicio, y esencialmente
04:21
that's just a whole bunch of layers of two-dimensional stuff, sort of layered up.
82
237000
4000
es solo un grupo de capas de dos dimensiones, de alguna manera apiladas
04:25
The feature side is -- you know, people will say,
83
241000
2000
Lo importante es -- saben, la gente dirá,
04:27
[unclear] down around about 65 nanometers now.
84
243000
2000
[confuso] abajo y aproximadamente 65 nanómetros ahora.
04:29
On the right, that's a radiolara.
85
245000
2000
En la derecha, eso es una "radiolara".
04:31
That's a unicellular organism ubiquitous in the oceans.
86
247000
3000
Esto es un organismo unicelular ubicuo en el océano
04:34
And that has feature sizes down to about 20 nanometers,
87
250000
4000
y tiene características de aproximadamente 20 nanómetros,
04:38
and it's a complex 3D structure.
88
254000
2000
y estructura compleja en tres dimensiones
04:40
We could do a lot more with computers and things generally
89
256000
4000
Podríamos hacer mucho más con computadoras y cosas en general
04:44
if we knew how to build things this way.
90
260000
3000
si supiéramos cómo construir cosas de esta manera.
04:47
The secret to biology is, it builds computation
91
263000
3000
El secreto a la biología es, construye computación
04:50
into the way it makes things. So this little thing here, polymerase,
92
266000
3000
en la manera que hace las cosas. Entonces esta pequeña cosa, "polimerasa",
04:53
is essentially a supercomputer designed for replicating DNA.
93
269000
5000
es esencialmente una supercomputadora diseñada para replicar DNA.
04:58
And the ribosome here is another little computer
94
274000
3000
Y esta ribosoma, es otra pequeña computadora
05:01
that helps in the translation of the proteins.
95
277000
2000
que ayuda en la traducción de proteínas.
05:03
I thought about this
96
279000
1000
Pensé sobre esto
05:04
in the sense that it's great to build in biological materials,
97
280000
3000
en el sentido de que es grandioso construir sobre materiales biológicos,
05:07
but can we do similar things?
98
283000
2000
pero ¿podemos hacer cosas similares?
05:09
Can we get self-replicating-type behavior?
99
285000
2000
¿Cómo podemos obtener un comportamiento auto replicable?
05:11
Can we get complex 3D structure automatically assembling
100
287000
4000
¿Podemos obtener complejas estructuras 3D que se ensamblan automáticamente
05:15
in inorganic systems?
101
291000
2000
en sistemas inorgánicos?
05:17
Because there are some advantages to inorganic systems,
102
293000
2000
Porque hay algunas ventajas en los sistemas inorgánicos,
05:19
like higher speed semiconductors, etc.
103
295000
2000
como semiconductores de mayor velocidad, etcétera.
05:21
So, this is some of my work
104
297000
2000
Bueno, esto es algo de mi trabajo
05:23
on how do you do an autonomously self-replicating system.
105
299000
6000
de cómo haces un sistema auto replicable autónomo.
05:29
And this is sort of Babbage's revenge.
106
305000
2000
Y esto es, podríamos decir que la revancha de Babbage.
05:31
These are little mechanical computers.
107
307000
1000
Éstas son pequeñas computadoras mecánicas.
05:32
These are five-state state machines.
108
308000
3000
Éstas son máquinas de cinco estados.
05:35
So, that's about three light switches lined up.
109
311000
3000
Y, esto son tres interruptores alineados.
05:38
In a neutral state, they won't bind at all.
110
314000
2000
En un estado neutral, no se unirían.
05:40
Now, if I make a string of these, a bit string,
111
316000
4000
Ahora, si hacemos una línea de estos, una línea de bits,
05:44
they will be able to replicate.
112
320000
2000
podrán replicarse.
05:46
So we start with white, blue, blue, white.
113
322000
1000
Entonces comenzamos con blanco, azul, azul, blanco.
05:47
That encodes; that will now copy. From one comes two,
114
323000
6000
Eso codifica, eso ahora se copiará. De uno vienen dos,
05:53
and then from two comes three.
115
329000
2000
y de dos salen tres.
05:55
And so you've got this sort of replicating system.
116
331000
4000
Y pues se obtiene un tipo de sistema de replicado.
05:59
It was work actually by Lionel Penrose,
117
335000
2000
Realmente fue trabajo de Lionel Penrose,
06:01
father of Roger Penrose, the tiles guy.
118
337000
3000
padre de Roger Penrose, el chavo de los mosaicos.
06:04
He did a lot of this work in the '60s,
119
340000
2000
Realizó mucho trabajo en los años sesenta,
06:06
and so a lot of this logic theory lay fallow
120
342000
2000
y mucha de su teoría lógica quedo empolvada
06:08
as we went down the digital computer revolution, but it's now coming back.
121
344000
3000
y conforme avanzamos a la revolución digital de las computadores, está regresando.
06:11
So now I'm going to show you the hands-free, autonomous self-replication.
122
347000
4000
Ahora voy mostrar el manos libre, autónomo auto replicación.
06:15
So we've tracked in the video the input string,
123
351000
2000
ahora hemos rastreado en el vídeo la línea de entrada,
06:17
which was green, green, yellow, yellow, green.
124
353000
2000
que fue, verde, verde, amarillo, amarillo, verde.
06:19
We set them off on this air hockey table.
125
355000
4000
Los colocamos en una mesa de hockey de aire.
06:23
You know, high science uses air hockey tables --
126
359000
2000
Saben, la ciencia avanzada usa las mesas de hockey de aire --
06:25
(Laughter)
127
361000
1000
(Risas)
06:26
-- and if you watch this thing long enough you get dizzy,
128
362000
2000
-- y si observan esto por suficiente tiempo se van a marear,
06:28
but what you're actually seeing is copies of that original string
129
364000
3000
pero lo que realmente están viendo son copias de la línea original
06:31
emerging from the parts bin that you have here.
130
367000
3000
emergiendo de las partes que tenemos aquí.
06:34
So we've got autonomous replication of bit strings.
131
370000
5000
Entonces tenemos líneas de bits que se están replicando autónomamente.
06:39
So, why would you want to replicate bit strings?
132
375000
3000
Pero, ¿por qué querríamos replicar líneas de bits?
06:42
Well, it turns out biology has this other very interesting meme,
133
378000
3000
Bueno, resulta que la biología tiene un muy interesante meme,
06:45
that you can take a linear string, which is a convenient thing to copy,
134
381000
3000
puedes tomar una línea, que sea conveniente de copiar,
06:48
and you can fold that into an arbitrarily complex 3D structure.
135
384000
4000
y lo puedes desdoblar en estructuras en tres dimensiones arbitrarias.
06:52
So I was trying to, you know, take the engineer's version:
136
388000
3000
Estaba tratando, saben, de tomar la versión de ingeniero:
06:55
Can we build a mechanical system in inorganic materials
137
391000
3000
¿Podemos construir sistemas mecánicos en materiales inorgánicos
06:58
that will do the same thing?
138
394000
1000
que hagan la misma cosa?
06:59
So what I'm showing you here is that we can make a 2D shape --
139
395000
5000
Lo que voy a mostrar aquí es que podemos hacer una figura en dos dimensiones --
07:04
the B -- assemble from a string of components
140
400000
4000
la B -- ensamblada de líneas de componentes
07:08
that follow extremely simple rules.
141
404000
2000
que siguen reglas extremadamente sencillas.
07:10
And the whole point of going with the extremely simple rules here,
142
406000
3000
Y el punto de seguir reglas extremadamente sencillas ,
07:13
and the incredibly simple state machines in the previous design,
143
409000
3000
y el increíble estado simple de las máquinas en diseños previos,
07:16
was that you don't need digital logic to do computation.
144
412000
3000
fue que no necesitas lógica digital para hacer computación.
07:19
And that way you can scale things much smaller than microchips.
145
415000
4000
Y de esta manera puedes escalar cosas mucho mas pequeñas que microchips.
07:23
So you can literally use these as the tiny components in the assembly process.
146
419000
4000
Entonces puedes literalmente usar estos pequeños componentes en un proceso de ensamblado.
07:27
So, Neil Gershenfeld showed you this video on Wednesday, I believe,
147
423000
5000
Niel Gershenfeld les mostró este video el miércoles, creo,
07:32
but I'll show you again.
148
428000
2000
pero se los mostraré de nuevo.
07:34
This is literally the colored sequence of those tiles.
149
430000
3000
Esto es literalmente una secuencia ilustrada de los mosaicos.
07:37
Each different color has a different magnetic polarity,
150
433000
3000
Cada diferente color tiene su propia polaridad magnética,
07:40
and the sequence is uniquely specifying the structure that is coming out.
151
436000
5000
y la secuencia está únicamente especificando la estructura resultante.
07:45
Now, hopefully, those of you who know anything about graph theory
152
441000
3000
Ahora, espero, que los que sepan algo de teoría gráfica
07:48
can look at that, and that will satisfy you
153
444000
2000
puedan ver eso, y estarán satisfechos
07:50
that that can also do arbitrary 3D structure,
154
446000
3000
que esto también puede hacer estructuras en tres dimensiones arbitrarias,
07:53
and in fact, you know, I can now take a dog, carve it up
155
449000
5000
y de hecho, saben, pueden tomar un perro, y esculpirlo
07:58
and then reassemble it so it's a linear string
156
454000
2000
y después re-ensamblarlo para que sea una línea
08:00
that will fold from a sequence. And now
157
456000
2000
que se desdoblará de una secuencia. Y ahora
08:02
I can actually define that three-dimensional object as a sequence of bits.
158
458000
7000
puedo definir ese objeto tridimensional como una secuencia de bits.
08:09
So, you know, it's a pretty interesting world
159
465000
3000
Pues saben, es un mundo muy interesante
08:12
when you start looking at the world a little bit differently.
160
468000
2000
cuando comienzan a ver el mundo de forma diferente,
08:14
And the universe is now a compiler.
161
470000
3000
y el universo es ahora un compilador,
08:17
And so I'm thinking about, you know, what are the programs
162
473000
2000
Y estoy pensando, saben, ¿qué son los programas
08:19
for programming the physical universe?
163
475000
3000
para programar el universo físico?
08:22
And how do we think about materials and structure,
164
478000
3000
Y ¿cómo pensamos sobre materiales y estructura,
08:25
sort of as an information and computation problem?
165
481000
3000
como problemas de información y computación?
08:28
Not just where you attach a micro-controller to the end point,
166
484000
3000
No sólo dónde adjuntas un mico controlador en esa esquina,
08:31
but that the structure and the mechanisms are the logic, are the computers.
167
487000
5000
pero que la estructura y los mecanismos son la lógica, son las computadoras.
08:36
Having totally absorbed this philosophy,
168
492000
5000
Una vez que se absorbe totalmente esta filosofía ,
08:41
I started looking at a lot of problems a little differently.
169
497000
3000
Comencé a ver los problemas algo diferentes.
08:44
With the universe as a computer,
170
500000
1000
Con el universo como una computadora,
08:45
you can look at this droplet of water
171
501000
2000
puedes ver esta gota de agua
08:47
as having performed the computations.
172
503000
2000
como si hubiera realizado las computaciones.
08:49
You set a couple of boundary conditions, like gravity,
173
505000
2000
Colocas una serie de condiciones de frontera, como gravedad,
08:51
the surface tension, density, etc., and then you press "execute,"
174
507000
4000
la tensión superficial, densidad, etcétera, y presiones ejecutar,
08:55
and magically, the universe produces you a perfect ball lens.
175
511000
5000
y mágicamente, el universo produce una lente redonda perfecta.
09:00
So, this actually applied to the problem
176
516000
2000
Pues, esto se aplica al problema
09:02
of -- so there's a half a billion to a billion people in the world
177
518000
3000
-- hay medio billón a un billón de personas en el mundo
09:05
don't have access to cheap eyeglasses.
178
521000
2000
que no tiene acceso a lentes baratas.
09:07
So can you make a machine
179
523000
2000
Entonces ¿puedes hacer una máquina
09:09
that could make any prescription lens very quickly on site?
180
525000
4000
que pueda hacer lentes de prescripción rápidamente en el sitio?
09:13
This is a machine where you literally define a boundary condition.
181
529000
4000
Ésta es una maquina en la que literalmente defines condiciones de frontera.
09:17
If it's circular, you make a spherical lens.
182
533000
3000
Si es circular, haces lentes esféricas.
09:20
If it's elliptical, you can make an astigmatic lens.
183
536000
3000
Si es elíptica, haces lentes para astigmatismo.
09:23
You then put a membrane on that and you apply pressure --
184
539000
3000
Le colocas una membrana y le aplicas presión ..
09:26
so that's part of the extra program.
185
542000
2000
y esto es parte del programa extra.
09:28
And literally with only those two inputs --
186
544000
3000
Y literalmente con solamente estas dos entradas --
09:31
so, the shape of your boundary condition and the pressure --
187
547000
2000
la forma de tu condición de frontera y presión --
09:33
you can define an infinite number of lenses
188
549000
2000
se pueden definir un numero infinito de lentes
09:35
that cover the range of human refractive error,
189
551000
2000
esto cubre todo el rango de error refractivo humano,
09:37
from minus 12 to plus eight diopters, up to four diopters of cylinder.
190
553000
5000
de menos 12 a mas ocho dioptrías, hasta cuatro dioptrías cilíndricas
09:42
And then literally, you now pour on a monomer.
191
558000
3000
Y después, literalmente, viertes un monómero.
09:45
You know, I'll do a Julia Childs here.
192
561000
3000
Saben, hará un Julia Childs aquí.
09:48
This is three minutes of UV light.
193
564000
3000
Esto es tres minutos de luz ultravioleta.
09:51
And you reverse the pressure on your membrane
194
567000
3000
E invertimos la presión en la membrana
09:54
once you've cooked it. Pop it out.
195
570000
3000
una vez que lo cocinas. Lo levantas.
09:57
I've seen this video, but I still don't know if it's going to end right.
196
573000
3000
He visto este video, pero no sé si va a terminar bien.
10:00
(Laughter)
197
576000
3000
(Risas)
10:03
So you reverse this. This is a very old movie,
198
579000
2000
Entonces inviertes esto. Esta película es muy antigua,
10:05
so with the new prototypes, actually both surfaces are flexible,
199
581000
4000
y con los nuevos prototipos, las dos superficies son flexibles,
10:09
but this will show you the point.
200
585000
2000
pero esto mostrara la idea.
10:11
Now you've finished the lens, you literally pop it out.
201
587000
2000
Ahora has terminado el lente, y literalmente la liberas.
10:13
That's next year's Yves Klein, you know, eyeglasses shape.
202
589000
7000
Este es el modelo "Yves Klein", para el año pasado, saben, la forma de los lentes.
10:20
And you can see that that has a mild prescription of about minus two diopters.
203
596000
3000
Y pueden ver que esto tiene una prescripción suave de aproximadamente menos dos dioptrías.
10:23
And as I rotate it against this side shot, you'll see that that has cylinder,
204
599000
4000
Y mientras lo giro contra este lado, verán que tiene un cilindro,
10:27
and that was programmed in --
205
603000
1000
y que esto estaba programado dentro de él --
10:28
literally into the physics of the system.
206
604000
4000
literalmente dentro de la física del sistema.
10:32
So, this sort of thinking about structure as computation
207
608000
3000
Entonces, esto de pensar en la estructura como computación
10:35
and structure as information leads to other things, like this.
208
611000
5000
y la estructura como información nos lleva a otras cosas, como ésta.
10:40
This is something that my people at SQUID Labs
209
616000
3000
Esto es algo en lo que mi gente en el Laboratorio SQUID
10:43
are working on at the moment, called "electronic rope."
210
619000
2000
están trabajando, llamado cuerda electrónica.
10:45
So literally, you think about a rope. It has very complex structure in the weave.
211
621000
4000
Literalmente, piensas en una cuerda. Tiene estructuras muy complejas en el tejido.
10:49
And under no load, it's one structure.
212
625000
2000
Y bajo ninguna carga, es una estructura.
10:51
Under a different load, it's a different structure. And you can actually exploit that
213
627000
3000
Bajo una distinta carga, es una estructura diferente. Y realmente puedes explotar eso
10:54
by putting in a very small number of
214
630000
2000
poniendo un numero muy pequeño
10:56
conducting fibers to actually make it a sensor.
215
632000
2000
de fibras conductoras para realmente hacerlo un sensor.
10:58
So this is now a rope that knows the load on the rope
216
634000
3000
Ahora esto es una cuerda que sabe cuanto peso esta cargando
11:01
at any particular point in the rope.
217
637000
2000
en cualquier punto particular en la cuerda.
11:03
Just by thinking about the physics of the world,
218
639000
3000
Nada más por pensar en la física del mundo,
11:06
materials as the computer,
219
642000
2000
materiales como computadoras,
11:08
you can start to do things like this.
220
644000
3000
puedes empezar a hacer cosas como éstas.
11:11
I'm going to segue a little here.
221
647000
3000
Voy a continuar.
11:14
I guess I'm just going to casually tell you the types of things
222
650000
2000
Supongo que solo voy a algunas cosas de manera informal
11:16
that I think about with this.
223
652000
1000
que pienso sobre esto.
11:17
One thing I'm really interested about this right now is, how,
224
653000
4000
Una de las cosas que realmente estoy interesando en este momento, es cómo,
11:21
if you're really taking this view of the universe as a computer,
225
657000
4000
si realmente están pensando en el universo como una computadora,
11:25
how do we make things in a very general sense,
226
661000
2000
cómo hacemos las cosas desde un punto de vista general,
11:27
and how might we share the way we make things in a general sense
227
663000
4000
y ¿cómo podríamos compartir la manera que hacemos las cosas de un punto de vista general.
11:31
the same way you share open source hardware?
228
667000
3000
de la misma manera que se comparte hardware de código abierto?
11:34
And a lot of talks here have espoused the benefits
229
670000
3000
Y muchas conferencias aquí han expuesto los beneficios
11:37
of having lots of people look at problems,
230
673000
2000
de tener mucha gente para ver los problemas,
11:39
share the information and work on those things together.
231
675000
3000
compartir la información y trabajar en las cosas conjuntamente.
11:42
So, a convenient thing about being a human is you move in linear time,
232
678000
3000
Pues, un ventaja de ser humano es que nos movemos en tiempo linear,
11:45
and unless Lisa Randall changes that,
233
681000
2000
y a menos que Lisa Randall cambie esto,
11:47
we'll continue to move in linear time.
234
683000
3000
nos seguiremos moviendo en tiempo lineal.
11:50
So that means anything you do, or anything you make,
235
686000
2000
Esto significa que cualquier cosa que hagas, o construyas,
11:52
you produce a sequence of steps --
236
688000
2000
produces una secuencia de pasos --
11:54
and I think Lego in the '70s nailed this,
237
690000
3000
y creo que Lego en los 70s dio en el clavo,
11:57
and they did it most elegantly.
238
693000
1000
y lo hicieron de una manera elegante.
11:58
But they can show you how to build things in sequence.
239
694000
4000
Pero pueden mostrar cómo construir cosas en secuencia.
12:02
So, I'm thinking about, how can we generalize
240
698000
3000
Entonces, estoy pensando, cómo podemos generalizar
12:05
the way we make all sorts of things,
241
701000
2000
la manera que hacemos todo tipo de cosas,
12:07
so you end up with this sort of guy, right?
242
703000
2000
y acaban con un tipo así, ¿correcto?
12:09
And I think this applies across a very broad -- sort of, a lot of concepts.
243
705000
5000
Y creo que esto aplica de forma muy amplia, digamos que en muchos conceptos.
12:14
You know, Cameron Sinclair yesterday said,
244
710000
2000
Saben, Cameron Sinclair ayer dijo,
12:16
"How do I get everyone to collaborate on design
245
712000
2000
"¿Cómo puedo hacer que todos colaboren en diseñar
12:18
globally to do housing for humanity?"
246
714000
3000
globalmente para hacer residencias para la humanidad?"
12:21
And if you've seen Amy Smith,
247
717000
2000
Y si han visto a Amy Smith,
12:23
she talks about how you get students at MIT
248
719000
4000
ella habla de cómo poner estudiantes al MIT
12:27
to work with communities in Haiti.
249
723000
2000
a trabajar con comunidades en Haití.
12:29
And I think we have to sort of redefine and rethink
250
725000
2000
Y creo que debemos redefinir y repensar
12:31
how we define structure and materials and assembly things,
251
727000
4000
cómo definimos estructura y materiales y en ensamble de cosas,
12:35
so that we can really share the information
252
731000
2000
para que realmente podamos compartir información
12:37
on how you do those things in a more profound way
253
733000
2000
en cómo hacer las cosas de una manera mas profunda
12:39
and build on each other's source code for structure.
254
735000
3000
y construir basándonos en las fuentes de código para estructura de los demás.
12:42
I don't know exactly how to do this yet,
255
738000
1000
No sé cómo exactamente hacer esto todavía
12:43
but, you know, it's something being actively thought about.
256
739000
5000
pero, saben, es algo en lo que constantemente se ha pensado.
12:48
So, you know, that leads to questions
257
744000
2000
Y, saben, esto lleva a preguntas
12:50
like, is this a compiler? Is this a sub-routine?
258
746000
4000
como, ¿es esto un compilador? ¿Es una subrutina?
12:54
Interesting things like that.
259
750000
1000
Cosas interesantes como éstas.
12:55
Maybe I'm getting a little too abstract, but you know,
260
751000
3000
Tal vez me estoy poniendo algo abstracto, pero ya saben
12:58
this is the sort of -- returning to our comic characters --
261
754000
3000
esto es parecido -- volviendo a nuestros personajes de cómic --
13:01
this is sort of the universe, or a different universe view,
262
757000
2000
esto es como el universo, o una vista diferente del universo
13:03
that I think is going to be very prevalent in the future --
263
759000
2000
que creo que va a ser muy predominante en el futuro --
13:05
from biotech to materials assembly. It was great to hear Bill Joy.
264
761000
3000
desde la biotecnología al ensamble de materiales. Fue grandioso escuchar a Bill Joy.
13:08
They're starting to invest in materials science,
265
764000
3000
Están comenzando a invertir en ciencia de materiales,
13:11
but these are the new things in materials science.
266
767000
2000
pero éstas son novedades en ciencia de materiales.
13:13
How do we put real information and real structure into new ideas,
267
769000
4000
¿Como ponemos información y estructura real en nuevas ideas,
13:17
and see the world in a different way? And it's not going to be binary code
268
773000
3000
y ver el mundo de una manera distinta? Y no será código binario
13:20
that defines the computers of the universe --
269
776000
2000
que define las computadoras del universo --
13:22
it's sort of an analog computer.
270
778000
2000
es como una computadora analógica.
13:24
But it's definitely an interesting new worldview.
271
780000
5000
Pero definitivamente es una nuevo punto de vista interesante.
13:29
I've gone too far. So that sounds like it's it.
272
785000
3000
He ido muy lejos. Al menos eso parece.
13:32
I've probably got a couple of minutes of questions,
273
788000
2000
Probablemente tenga unos minutos para preguntas,
13:34
or I can show -- I think they also said that I do extreme stuff
274
790000
4000
o puedo mostrar -- creo que dijeron que hacia cosas extremas
13:38
in the introduction, so I may have to explain that.
275
794000
4000
en la introducción, por lo tanto tendré que explicarlo.
13:42
So maybe I'll do that with this short video.
276
798000
3000
Tal vez lo haré con este breve video.
13:45
So this is actually a 3,000-square-foot kite,
277
801000
6000
Esto es realmente una papalote de 3,000 pies cuadrados (279 metros cuadrados)
13:51
which also happens to be a minimal energy surface.
278
807000
2000
que es una superficie mínima de energía.
13:53
So returning to the droplet, again,
279
809000
2000
Si retornamos a la gota, de nuevo,
13:55
thinking about the universe in a new way.
280
811000
2000
pensando en el universo de una forma distinta
13:57
This is a kite designed by a guy called Dave Kulp.
281
813000
2000
El papalote está diseñado por un tipo llamado Dave Kulp.
13:59
And why do you want a 3,000-square-foot kite?
282
815000
2000
Y para qué quieres un papalote de 3,000 pies cuadrados?
14:01
So that's a kite the size of your house.
283
817000
2000
Esto es un papalote del tamaño de tu casa.
14:03
And so you want that to tow boats very fast.
284
819000
4000
Y lo quieres para remolcar barcos muy rápido.
14:07
So I've been working on this a little, also,
285
823000
3000
Pues he estado trabajando en esto por un poco,
14:10
with a couple of other guys.
286
826000
2000
con un par de otros tipos.
14:12
But, you know, this is another way to look at the --
287
828000
2000
Pero, saben, ésta es otra manera de ver ---
14:14
if you abstract again,
288
830000
2000
si nos ponemos abstractos de nuevo,
14:16
this is a structure that is defined by the physics of the universe.
289
832000
4000
esta es una estructura que esta definida por la física del universo
14:20
You could just hang it as a bed sheet,
290
836000
1000
Lo podrías colgar como una sábana,
14:21
but again, the computation of all the physics
291
837000
2000
pero de nuevo, la computación de toda la física
14:23
gives you the aerodynamic shape.
292
839000
2000
nos da la forma aerodinámica.
14:25
And so you can actually sort of almost double your boat speed
293
841000
3000
Y entones podrías casi doblar la velocidad de tu barco
14:28
with systems like that. So that's sort of another interesting aspect of the future.
294
844000
7000
con sistemas así. Y, esto es un aspecto interesante del futuro.
14:35
(Applause)
295
851000
1000
(Aplausos)
ABOUT THE SPEAKER
Saul Griffith - InventorInventor Saul Griffith looks for elegant ways to make real things, from low-cost eyeglasses to a kite that tows boats. His latest projects include open-source inventions and elegant new ways to generate power.
Why you should listen
Innovator and inventor Saul Griffith has a uniquely open approach to problem solving. Whether he's devising a way to slash the cost of prescription eyeglasses or teaching science through cartoons, Griffith makes things and then shares his ideas with the world.
A proponent of open-source information, he established Instructables , an open website showing how to make an array of incredible objects. He is the co-founder of numerous companies including Squid Labs, Low Cost Eyeglasses, Potenco and Makani Power, where he is President and Chief Scientist. His companies have invented a myriad of new devices and materials, such as a "smart" rope that senses its load, or a machine for making low-cost eyeglass lenses through a process inspired by a water droplet. He is a columnist at Make magazine and co-writes How Toons! He's fascinated with materials that assemble themselves, and with taking advantage of those properties to make things quickly and cheaply.
Saul Griffith | Speaker | TED.com