TED Talks Live
Eric Haseltine: What will be the next big scientific breakthrough?
એરિક હેસલટાઇન: આગામી વિશાળ વૈજ્ઞાનિક સફળતા શું હશે?
Filmed:
Readability: 4.3
1,571,528 views
આખા ઈતિહાસમાં, અટકળોએ સુંદર, ક્રાંતિકારી વિજ્ઞાન સર્જ્યું છે - નવી તમારી દુનિયા તરફ નજર ફલાવી. "હું એ વિજ્ઞાનની વાત નથી કરતો જે બાળકદમ આગળ વધે છે" એરિક હેસલટાઇન કહે છે. "હું એ વિજ્ઞાનની વાત કરું છું જે પ્રચંડ કૂદ લગાવે છે." આ ચર્ચામાં, હેસલટાઇન જુસ્સાથી આપણને બૌદ્ધિક રસ્તા નાં છેડે લઇ જાય છે બે વિચાર સાથે - એક જે ઈતિહાસ બની ગયો છે અને બીજો જે ઉત્તમ મહત્વાકાંક્ષા સાથે માનવજાતિનાં મોટામાં મોટા પ્રશ્નનું ઉત્ખનન કરે છે (અને એક નાસ્તિકતા ની સારો ખોરાક ઘણા માટે)
Eric Haseltine - Author, futurist, innovator
Eric Haseltine applies discoveries about the brain to innovation and forecasting game-changing advances in science and technology. Full bio
Eric Haseltine applies discoveries about the brain to innovation and forecasting game-changing advances in science and technology. Full bio
Double-click the English transcript below to play the video.
00:12
Tonight, I'm going to share with you
my passion for science.
my passion for science.
0
920
3616
આજ રાત્રે, હું તમારી સાથે મારો વિજ્ઞાન
પ્રત્યેનો ઉત્સાહ વ્યક્ત કરીશ .
પ્રત્યેનો ઉત્સાહ વ્યક્ત કરીશ .
00:16
I'm not talking about science
that takes baby steps.
that takes baby steps.
1
4560
3016
હું એ વીજ્ઞાનની વાત નથી કરતો
જે કાચબા ગતિએ ચાલે છે.
જે કાચબા ગતિએ ચાલે છે.
00:19
I'm talking about science
that takes enormous leaps.
that takes enormous leaps.
2
7600
4256
હું એ વિજ્ઞાનની વાત કરું છું
જે હરણફાળ આગળ વધી રહ્યું છે.
જે હરણફાળ આગળ વધી રહ્યું છે.
00:23
I'm talking Darwin, I'm talking Einstein,
3
11880
3376
હું ડાર્વિનની વાત કરું છું,
હું આઇનસ્તાઇનની વાત કરું છું.
હું આઇનસ્તાઇનની વાત કરું છું.
00:27
I'm talking revolutionary science
that turns the world on its head.
that turns the world on its head.
4
15280
3600
હું એ ક્રાંતિકારી વિજ્ઞાનની વાત કરું છું
જે પોતાના માથા પર દુનિયા ફેરવે છે.
જે પોતાના માથા પર દુનિયા ફેરવે છે.
00:31
In a moment, I'm going to talk
about two ideas that might do this.
about two ideas that might do this.
5
19440
3400
હવે , હું બે વિચારો વિષે વાત કરીશ
જે આ કદાચ કરી શકે છે.
જે આ કદાચ કરી શકે છે.
00:35
I say "might"
6
23800
1216
મેં કહ્યું 'કદાચ'
00:37
because, with revolutionary ideas,
most are flat wrong,
most are flat wrong,
7
25040
2776
કારણકે,ક્રાંતિકારી વિચાર સાથે,
મોટાભાગનાં તદ્દન ખોટા પડે છે
મોટાભાગનાં તદ્દન ખોટા પડે છે
00:39
and even those that are right
seldom have the impact
seldom have the impact
8
27840
2456
અને જેને ખબર પડે છે
એ ભાગ્યે જ અસર બતાવે છે.
એ ભાગ્યે જ અસર બતાવે છે.
00:42
that we want them to have.
9
30320
1696
જે અમે ઈચ્છીએ છીએ.
00:44
To explain why I picked
two ideas in particular,
two ideas in particular,
10
32040
2496
એ જાણવા માટે કે
શા માટે મેં આ બે વિચાર લીધા.
શા માટે મેં આ બે વિચાર લીધા.
00:46
I'm going to start with a mystery.
11
34560
1680
હું એક રહસ્યથી શરૂઆત કરીશ.
00:48
1847, Vienna, Austria.
12
36840
3080
૧૮૪૭, વિએના , ઔસ્ત્રીયા.
00:53
Ignaz Semmelweis was a somber,
compulsively thorough doctor
compulsively thorough doctor
13
41080
3616
ઈગ્નાઝ સમલવાઈસ એક ગંભીર વિચારક,
ડોક્ટર હોવાને લીધે હતા.
ડોક્ટર હોવાને લીધે હતા.
00:56
who ran two maternity clinics.
14
44720
1856
જે બે ઝનાના હોસ્પિટલ ચલાવતા હતા.
00:58
They were identical except for one thing.
15
46600
2440
જ્યાં એક વસ્તુ ધ્યાન લેવા જેવી હતી.
01:01
Women were dying of high fevers
soon after giving birth
soon after giving birth
16
49720
2656
સ્ત્રીઓ ઉચા તાવને લીધે મરી રહી હતી,
બાળને જન્મ આપ્યાબાદ.
બાળને જન્મ આપ્યાબાદ.
01:04
three times more often
at one of the clinics than at the other.
at one of the clinics than at the other.
17
52400
3560
બીજા દવાખાના કરતા એકમાં ત્રણ ગણું વધું.
01:08
Trying to figure out
what the difference was that caused this,
what the difference was that caused this,
18
56600
2936
એ શોધી રહ્યા હતા કે
કયો બદલાવ આ કરી રહ્યું છે,
કયો બદલાવ આ કરી રહ્યું છે,
01:11
Semmelweis looked at everything he could.
19
59560
2016
સમલવાઈસે બનતા પ્રયત્ન કરી લીધા.
01:13
Sanitation? No.
20
61600
1736
સ્વચ્છતા? નહિ.
01:15
Medical procedures? No.
21
63360
2000
મેડિકલ પદ્ધતિ? નહિ.
01:18
Air flow? No.
22
66000
1920
હવા? નહિ.
01:20
The puzzle went unsolved
until he happened to autopsy a doctor
until he happened to autopsy a doctor
23
68800
3256
કોયળો ઉકેલાયો નહિ
જ્યાં સુધી આ શબપરીક્ષક ને ન થયું.
જ્યાં સુધી આ શબપરીક્ષક ને ન થયું.
01:24
who died of an infected scalpel cut.
24
72080
2000
જે શસ્ત્રવૈધની નાની છરીનાં
ચેપથી મારી ગયા.
ચેપથી મારી ગયા.
01:26
The doctor's symptoms were identical
to those of the mothers who were dying.
to those of the mothers who were dying.
25
74760
3776
જે માતાઓ મરી રહી હતી એનાથી
ડોકટરના લક્ષણો જાણીતા લાગ્યા
ડોકટરના લક્ષણો જાણીતા લાગ્યા
01:30
How was that possible?
26
78560
1376
કઈરીતે શક્ય બને?
01:31
How could a male doctor
get the same thing as new mothers?
get the same thing as new mothers?
27
79960
2880
કઈરીતે પુરુષ ડોક્ટરને એ વસ્તુ થઇ શકે
જે નવી માતાઓ ને થતી હતી?
જે નવી માતાઓ ને થતી હતી?
01:35
Semmelweis reconstructed
everything the doctor had done
everything the doctor had done
28
83560
3256
સેમલવાઈસે એ બધું રચ્યુ જે
ડોક્ટરે કર્યું હશે,
ડોક્ટરે કર્યું હશે,
01:38
right before he got sick,
29
86840
1256
બીમાર થયાની પહેલા.
01:40
and he discovered
that he'd been autopsying a corpse.
that he'd been autopsying a corpse.
30
88120
4296
અને એને જાણ્યું કે
જે શબનું એ નિરીક્ષણ કરતા હતા.
જે શબનું એ નિરીક્ષણ કરતા હતા.
01:44
Had something gotten
in his wound that killed him?
in his wound that killed him?
31
92440
2800
એમાં કોઈ ઘાવ હતો જેને લીધે એ માર્યા હતા.
01:48
With growing excitement,
32
96760
1776
ઉત્તેજના વધી,
01:50
Semmelweis looked
for any connection he could
for any connection he could
33
98560
2816
સેમલવાઈસ કોઈ જોડાણ શોધતો હતો
01:53
between dead bodies in the morgue
and dead mothers in his delivery room,
and dead mothers in his delivery room,
34
101400
5376
શબઘરનાં મરેલા શબોમાં અને
ડીલવરી રૂમની મારેલી માઓ માં,
ડીલવરી રૂમની મારેલી માઓ માં,
01:58
and he found it.
35
106800
1600
અન એને મળ્યું.
02:01
It turned out that at the hospital
with the high death rate,
with the high death rate,
36
109320
2856
એને ખબર પડી કે એક હોસ્પિટલમાં
વધું મારી રહ્યા હતા
વધું મારી રહ્યા હતા
02:04
but not the others,
37
112200
1776
અને બીજામાં નહિ.
02:06
doctors delivered babies immediately
after autopsying corpses in the morgue.
after autopsying corpses in the morgue.
38
114000
5136
ડોક્ટર બાળકો પોહચાડી દેતા હતા,
શબઘર નાં મડદા તપસ્યા પછી.
શબઘર નાં મડદા તપસ્યા પછી.
02:11
Aha! Corpses were contaminating
the doctors' hands
the doctors' hands
39
119160
3936
આહા ! મડદા ડોકટરના હાથ દૂષિત કરતા હતા
02:15
and killing his mothers.
40
123120
1240
અને માતાઓને
મારી રહ્યા હતા.
મારી રહ્યા હતા.
02:17
So he ordered the doctors
to sterilize their hands,
to sterilize their hands,
41
125240
3055
આથી એણે ડોકટરોને
હાથ જંતુ-મુક્ત કરવાનો આદેશ કર્યો.
હાથ જંતુ-મુક્ત કરવાનો આદેશ કર્યો.
02:20
and the deaths stopped.
42
128320
2280
અને મૃત્યુ અટકી ગયા.
02:23
Dr. Ignaz Semmelweis
had discovered infectious disease.
had discovered infectious disease.
43
131400
4400
ડૉ. ઇગ્નાઝ સેમલવેઇસે ચેપીરોગની શોધ કરી.
02:28
But the doctors of the day
thought he was crazy,
thought he was crazy,
44
136400
3416
પરંતુ એ દિવસોના ડોકટરોએ
વિચાર્યું કે એ ગાંડો છે,
વિચાર્યું કે એ ગાંડો છે,
02:31
because they knew,
and had for hundreds of years,
and had for hundreds of years,
45
139840
3496
કારણ કે તેઓ જાણતા હતા અને
અને વર્ષોથી કહેવાતું હતું,
અને વર્ષોથી કહેવાતું હતું,
02:35
that odorous vapors
called miasmas caused disease,
called miasmas caused disease,
46
143360
5096
કે એક સુગંધી વરાળ જેને
'મિયાઝમાસ' કહેવાય છે એ કારણ છે,
'મિયાઝમાસ' કહેવાય છે એ કારણ છે,
02:40
not these hypothetical particles
that you couldn't see.
that you couldn't see.
47
148480
3400
નહિ કે અનુમાનિત કણ જેને તમે જોઈ નહિ શકતા.
02:44
It took 20 years
for Frenchman Louis Pasteur
for Frenchman Louis Pasteur
48
152880
4176
ફ્રેંચ માણસ લુઈ પાશ્ચરને
૨૦ વર્ષ લાગ્યા
૨૦ વર્ષ લાગ્યા
02:49
to prove that Semmelweis was right.
49
157080
1960
એ સાબિત કરવા કે સેમલવાઈસ સાચો હતો.
02:51
Pasteur was an agricultural chemist
50
159680
2696
પાશ્ચર, એક કૃષિ રસાયણશાસ્ત્રી હતા
02:54
who tried to figure out
why milk and beer spoiled so often.
why milk and beer spoiled so often.
51
162400
4176
જેણે શોધી કાઢ્યું કે દૂધ અને બીયર
વારંવાર કેમ બગડી જાય છે.
વારંવાર કેમ બગડી જાય છે.
02:58
He found that bacteria were the culprits.
52
166600
2440
તેને જાણ્યું કે બેક્ટેરિયા જ અપરાધી છે.
03:02
He also found that bacteria
could kill people in exactly the same way
could kill people in exactly the same way
53
170160
3856
તેને એ પણ શોધ્યું કે બેક્ટેરિયા
એજ રીતે લોકોને મારે છે
એજ રીતે લોકોને મારે છે
03:06
that Semmelweis's patients were dying.
54
174040
2320
જે રીતે સેમલવાઈસનાં દર્દી મારતા હતા.
03:09
We now look at what I want
to talk about tonight, in two ideas.
to talk about tonight, in two ideas.
55
177120
4400
હવે આપણે જોઈએ કે આજે રાત્રે
હું શું કેહવા જઈ રહયો છું, બે વિચારમાં.
હું શું કેહવા જઈ રહયો છું, બે વિચારમાં.
03:14
We saw it with Semmelweis,
that he was a revolutionary.
that he was a revolutionary.
56
182600
2920
આપને સેમલવાઈસમાં જોયું કે,
એ ક્રાંતિકારી હતો.
એ ક્રાંતિકારી હતો.
03:18
He did it for two reasons.
57
186560
1256
એણે બે કારણ માટે આ કર્યું હતું.
03:19
One, he opened our eyes
to a completely new world.
to a completely new world.
58
187840
3240
એક, તેણે એક નવીજ દુનિયા તરફ
આપણી આખો ખોલી દીધી.
આપણી આખો ખોલી દીધી.
03:23
We'd known since the 1680s about bacteria.
59
191720
2976
આપણે ૧૬૮૦થી બેક્ટેરિયા વિષે જાણીએ છીએ.
03:26
We just didn't know
that bacteria killed people.
that bacteria killed people.
60
194720
2456
એ જાણ્યું જ નહિ કે
બેક્ટેરિયાએ માણસોને માર્યા છે.
બેક્ટેરિયાએ માણસોને માર્યા છે.
03:29
And he also demolished fond ideas
that people kept close to their heart.
that people kept close to their heart.
61
197200
5056
અને પરંપરાગત વિચારો તોડી પડ્યા
જે તેમના હૃદયની નજીક હતા.
જે તેમના હૃદયની નજીક હતા.
03:34
Miasmas didn't kill people.
Bacteria killed people.
Bacteria killed people.
62
202280
3320
મીયાઝમાસ નત્તું મારતું.
બેક્ટેરિયા મારતા હતા.
બેક્ટેરિયા મારતા હતા.
03:38
So this brings me to the two ideas
I want to talk about tonight.
I want to talk about tonight.
63
206080
3336
આથી આ મને બે વિચારો પાસે લાવ્યું
જેના વિષે હું વાત કરવા જઈ રહ્યો છું.
જેના વિષે હું વાત કરવા જઈ રહ્યો છું.
03:41
One has opened our eyes
to a completely new universe,
to a completely new universe,
64
209440
2816
એક જેણે એકદમ નવા જ
બ્રમ્હાંડ તરફ નઝર ફેલાવી,
બ્રમ્હાંડ તરફ નઝર ફેલાવી,
03:44
and the other attacks long-held beliefs.
65
212280
3976
અને બીજો જેણે વર્ષોથી ચાલતી આવતી
માન્યતાઓ ને પડકાર આપ્યો.
માન્યતાઓ ને પડકાર આપ્યો.
03:48
Let's get started with Dr. Eric Betzig.
66
216280
1936
ચાલો, ડૉ. એરિક બેત્ઝીગથી ચાલુ કરીએ.
03:50
He's a physicist who has opened our eyes
to an entirely new world
to an entirely new world
67
218240
3896
એ એક ભૌતિકશાસ્ત્રી છે જેણે એક નવી જ દુનિયા
તરફ આપણી આંખો ફેલાવી
તરફ આપણી આંખો ફેલાવી
03:54
by violating the laws of physics.
68
222160
1880
ભૌતિક શાસ્ત્રોના નિયમ તોડીને.
03:56
Betzig is a true rebel.
69
224720
1280
બેત્ઝીગ એક સાચા બળવાખોર છે.
03:58
He quit a job at prestigious
Bell Laboratory
Bell Laboratory
70
226560
2896
એમણે અતિ પ્રતિષ્ઠિત બેલ પ્રયોશાળામાંથી
નોકરી છોડી દીધી
નોકરી છોડી દીધી
04:01
inventing new microscopes for biology
71
229480
2256
જીવ વિજ્ઞાન માટે
નવા સૂક્ષ્મદર્શક યંત્રની શોધ કરવા.
નવા સૂક્ષ્મદર્શક યંત્રની શોધ કરવા.
04:03
because he thought scientists
were taking his brilliant inventions
were taking his brilliant inventions
72
231760
4336
કારણકે તેણે વિચાર્યું કે વિજ્ઞાનીકો તેની
તેજસ્વી શોધ લઇ લેશે
તેજસ્વી શોધ લઇ લેશે
04:08
and doing lousy work with them.
73
236120
1520
અને તેની સાથે હલકું કામ કરશે.
04:10
So he became a househusband,
74
238880
3040
તેથી એ ગૃહિત બની ગયા,
04:15
but he never lost his passion
for figuring out
for figuring out
75
243360
2576
પરંતુ તેમણે પોતાનો ઉત્સુકતા ગુમાવી નહિ,
એ જાણવાની કે
એ જાણવાની કે
04:17
how to get microscopes
to see finer and finer details
to see finer and finer details
76
245960
2896
કઈરીતે એવું સૂક્ષ્મદર્શક યંત્ર બનાવવું
જે નાનામાં નાની વિગત જોઈ શકે
જે નાનામાં નાની વિગત જોઈ શકે
04:20
than had ever been seen before
or ever could be seen.
or ever could be seen.
77
248880
2477
જેને કોઈએ પણ જોયું ન હોય અથવા
ક્યારેય જોઇ શકાયુ ન હોય
ક્યારેય જોઇ શકાયુ ન હોય
04:23
This is crucial if we're ever
going to understand how cells work,
going to understand how cells work,
78
251960
4456
આ નિર્ણાયક હતું જો આપણે સમજવું હોય કે
કોષ કઈરીતે કામ કરે છે,
કોષ કઈરીતે કામ કરે છે,
04:28
and how cancer works,
79
256440
1495
અને કેન્સર કઈરીતે કામ કરે છે,
04:29
and how something
150th the size of a head of a pin
150th the size of a head of a pin
80
257959
5417
અને ખીલ્લીનાં માથાથી ૧૫૦ ગણા નાના કદ
04:35
can do all these amazing things,
81
263400
2136
કઈરીતે અદભુત કામ કરે છે.
04:37
like make proteins
82
265560
1576
જેમકે પ્રોટીન બનવું
04:39
and move charges around
83
267160
1896
અને આસપાસ બદલાવ કરવો
04:41
and all of those things.
84
269080
1280
અને આ બધી વસ્તુઓ.
04:43
There's just one problem.
85
271400
1680
અહી માત્ર એક જ સમસ્યા છે.
04:46
There's this thing
called the law of physics,
called the law of physics,
86
274040
2976
એક વસ્તુ જેને ભૌતિકશાસ્ત્રનો નીયમ કહે છે,
04:49
and part of the law of physics
is the thing called the diffraction limit.
is the thing called the diffraction limit.
87
277040
3456
અને ભૌતિકશાસ્ત્રનો નિયમ જેને
વિવર્તનની સીમા કહેવાય છે.
વિવર્તનની સીમા કહેવાય છે.
04:52
The diffraction limit is kind of like
when you go to a doctor's office,
when you go to a doctor's office,
88
280520
3376
વિવર્તનની સીમા એવી છે કે
જયારે તમે ડોક્ટર પાસે જાઓ,
જયારે તમે ડોક્ટર પાસે જાઓ,
04:55
you can only see so far down,
no matter how good glasses you have.
no matter how good glasses you have.
89
283920
3136
તમે માત્ર થોડી દૂરનું જ જોઈ શકો છો,
ભલે સારા માં સારો કાચ હોય
ભલે સારા માં સારો કાચ હોય
04:59
This was a so-called impossible problem.
90
287080
3376
આ એક કથિત અશક્ય સમસ્યા હતી.
05:02
But one of Betzig's friends
figured out how to take a tiny molecule
figured out how to take a tiny molecule
91
290480
3176
પણ એક બેત્ઝીગનો મિત્રએ શોધી કાઢ્યું કે
કઈરીતે સુક્ષ્મકણને લેવા
કઈરીતે સુક્ષ્મકણને લેવા
05:05
that was smaller than
the best microscope could see
the best microscope could see
92
293680
2416
જે શ્રેષ્ઠ સુક્ષ્મદર્શક યંત્ર જોઈ શકે
એનાથી પણ નાનું હોય
એનાથી પણ નાનું હોય
05:08
and get it to light up and fluoresce.
93
296120
2136
અને પ્રકશિત થાય શકે અને પ્રતિદિપ્ત.
05:10
"Aha!" Betzig said.
94
298280
2496
"આહા" બેત્ઝીગએ કહ્યું.
05:12
"I think maybe the laws of physics
are not so unbreakable after all."
are not so unbreakable after all."
95
300800
4696
"મને લાગ્યું કે આ નિયમ કદાચ
એટલાપણ તૂટી ન શકે એવા નથી"
એટલાપણ તૂટી ન શકે એવા નથી"
05:17
So he lashed together a microscope
in his friend's living room.
in his friend's living room.
96
305520
4856
એટલે એમણે મિત્રના મુખ્ય ખંડમાં
સૂક્ષ્મદર્શક યંત્ર સાથે મળીને ટીકા કરી
સૂક્ષ્મદર્શક યંત્ર સાથે મળીને ટીકા કરી
05:22
He had no laboratory.
97
310400
1816
એમની પાસે પ્રયોગશાળા નત્તી.
05:24
This revolutionary instrument
got different protein molecules
got different protein molecules
98
312240
3576
આ ક્રાંતિકારી સાધનમાં જુદા પ્રકારનાં
પ્રોટીન પરમાણુઓ હતા
પ્રોટીન પરમાણુઓ હતા
05:27
to light up in different colors,
99
315840
1560
જે વિવિધ રંગો પ્રકાશિત કરતા હતા,
05:30
and with a computer, he was able
to turn very, very fuzzy blurs
to turn very, very fuzzy blurs
100
318080
4696
અને કોમ્પ્યુટર સાથે, એ ખૂબજ, અતિ ઝાંખુંને
05:34
into very sharp dots and produce images
of unprecedented and startling clarity.
of unprecedented and startling clarity.
101
322800
6696
ખુબજ સ્પષ્ટ બિંદુઓમાં ફેરવી અને અભૂતપૂર્વ
અને આશ્ચર્યજનક સ્પષ્ટતા લાવી શકતા હતા.
અને આશ્ચર્યજનક સ્પષ્ટતા લાવી શકતા હતા.
05:41
For this work, last year,
102
329520
2296
આ કામ માટે, ગયા વર્ષે,
05:43
Eric Betzig won the Nobel Prize.
103
331840
2600
એરિક બેત્ઝીગને નોબલ પ્રાઈઝ પણ મળ્યું.
05:47
Why?
104
335360
1216
કેમ?
05:48
Because now we can see
with unprecedented detail
with unprecedented detail
105
336600
4096
કારણકે હવે આપણે અભૂતપૂર્વ વિગતો
પણ જોઈ શકતા હતા
પણ જોઈ શકતા હતા
05:52
things that we never had seen before,
106
340720
1816
વસ્તુઓ જે કદી જોઈ નહતી,
05:54
and now doctors can get
a better handle on things like cancer.
a better handle on things like cancer.
107
342560
3840
અને હવે ડોક્ટર કેન્સર જેવી વસ્તુઓને
સારી રીતે સંભાળી શકે છે.
સારી રીતે સંભાળી શકે છે.
05:59
But do you think
Betzig was satisfied there?
Betzig was satisfied there?
108
347080
2496
પરંતુ શું તમે વિચારો છો કે
બેત્ઝીગ ત્યાં સંતોષી ગયા?
બેત્ઝીગ ત્યાં સંતોષી ગયા?
06:01
No.
109
349600
1296
નાં.
06:02
He wanted movies.
110
350920
1856
તેમને ચલચિત્રો જોઈતા હતા.
06:04
The problem was
111
352800
1216
તકલીફ હતી કે
06:06
that even the genius microscopes
that he invented were just too slow.
that he invented were just too slow.
112
354040
3976
તે બુદ્ધિશાળી યંત્ર જે શોધવામાં આવ્યું હતુ
એ અતિ ધીમું હતું.
એ અતિ ધીમું હતું.
06:10
So what did he do?
113
358040
1256
તો એમણે શું કર્યું?
06:11
He came up with a 200-year-old idea
114
359320
3576
એ ૨૦૦ વર્ષ જૂના વિચાર સાથે આવ્યા
06:14
called moiré patterns.
115
362920
1696
જેને મોઈએ પેટર્ન કહે છે.
06:16
So the way that works is
if you take two very, very fine patterns
if you take two very, very fine patterns
116
364640
3456
તો એ રીતે કામ કરતુ હતું કે
જાણે તમે બે ખૂબજ સારખી ભાત લો
જાણે તમે બે ખૂબજ સારખી ભાત લો
06:20
and you move them across each other,
117
368120
1776
અને એક બીજાની ઉપર મૂકી દો,
06:21
you will see a gross pattern
118
369920
3016
તમે સંયુક્ત ભાત જોશો
06:24
that a microscope can see
119
372960
1480
જે યંત્ર જોઈ શકે છે
06:27
that otherwise you would not
be able to see.
be able to see.
120
375360
2096
નહીતર જોઈ શકાતું નથી.
06:29
So he applied this technique
to taking a really blurry image of a cell
to taking a really blurry image of a cell
121
377480
3296
આથી એને આ તકનીક વાપરી
જે કોષની ખુબજ ઝાંખી છબી લઇ
જે કોષની ખુબજ ઝાંખી છબી લઇ
06:32
and moving lots of structured
light patterns across it
light patterns across it
122
380800
2576
અને વિવિધ બંધારણની ઘણી પ્રકાશિત ભાત નાખી
06:35
until this cell became crystal clear.
123
383400
2440
જ્યાંસુધી કોષ સમ્પૂર્ણ શુદ્ધ ન બન્યો.
06:38
And here is the result:
124
386840
2016
અને અહિયાં આ પરિણામ છે:
06:40
a mysterious new world,
125
388880
2736
એક રહસ્યમય નવી દુનિયા,
06:43
full of strange things zipping around
126
391640
2136
અતિ વિચિત્ર વસ્તુઓ ઉભરી આવી
06:45
doing things that
we don't know what they're doing.
we don't know what they're doing.
127
393800
2400
જે અમે જાણતા નાત્તા
એવી વસ્તુઓ કરી રહી હતી.
એવી વસ્તુઓ કરી રહી હતી.
06:49
But when we figure it out,
we'll have a better handle on life itself.
we'll have a better handle on life itself.
128
397600
3976
પણ જ્યારે અમે જાણ્યું,
અમારી પાસે એના જીવનની સારી પકડ આવી ગઈ.
અમારી પાસે એના જીવનની સારી પકડ આવી ગઈ.
06:53
For example, those
green globs that you see?
green globs that you see?
129
401600
2096
જેમકે, પેલા લીલા
ગોળાઓ જે તમે જોઈ શકો છો?
ગોળાઓ જે તમે જોઈ શકો છો?
06:55
Those things are called clathrins.
130
403720
1680
તેને ક્લાથ્રેરીનસ કહે છે.
06:57
They're molecules
that protect other molecules
that protect other molecules
131
405960
2416
ત્યાં કણો છે
જે બીજાની રક્ષા કરે છે
જે બીજાની રક્ષા કરે છે
07:00
as they move through a cell.
132
408400
1376
જેરીતે તેઓ કોષમાં ફરે છે.
07:01
Unfortunately, viruses sometimes
hijack those to infect cells.
hijack those to infect cells.
133
409800
4336
કમનસીબે, વાઇરસો આ
દુષિત કરવા કોષને હરી લે છે.
દુષિત કરવા કોષને હરી લે છે.
07:06
Also, you see those little squiggly
wormlike things moving around?
wormlike things moving around?
134
414160
3096
ઉપરાંત, તમે વાંકી અળસિયા જેવી
વસ્તુ ફરતી જોઈ શકો છો?
વસ્તુ ફરતી જોઈ શકો છો?
07:09
Those are actin molecules.
135
417280
2296
એ એકટીન કણો છે.
07:11
Unfortunately, viruses
also climb down those things
also climb down those things
136
419600
2416
કમનસીબે, વાઇરસો આમનીપણ
ઉઠાંતરી કરી દે છે.
ઉઠાંતરી કરી દે છે.
07:14
to get into the cell nucleus
137
422040
1456
કોષ કેન્દ્રમાં ઘુષવા
07:15
to replicate themselves and make you sick.
138
423520
2120
તેમની જાતની નકલ કરવા અને તમને માંદા કરવા.
07:18
Now that we can look at movies
139
426240
1856
હવે આપણે આ ચલચિત્રો તરફ જોઈએ
07:20
of what's actually going on
deep inside a cell,
deep inside a cell,
140
428120
2856
કોષની અંદર ખરેખર શું થાય છે,
07:23
we have a much better chance
of curing viral diseases like AIDS.
of curing viral diseases like AIDS.
141
431000
4080
અમારી પાસે ખુબ સારો મોકો છે
એઇડ્સ જેવા વાઇરસનાં રોગનાં ઉપચાર કરવા માટે
એઇડ્સ જેવા વાઇરસનાં રોગનાં ઉપચાર કરવા માટે
07:27
So when you look at a movie like this,
142
435680
1856
એટલે જયારે તમે આ ચાચિત્ર જુઓ છો,
07:29
it's very clear that Betzig has opened
our eyes to a completely new world.
our eyes to a completely new world.
143
437560
4000
આ એકદમ સાફ છે કે બેત્ઝીગએ
નવી દુનિયા તરફ આપણી આંખો ખોલી છે.
નવી દુનિયા તરફ આપણી આંખો ખોલી છે.
07:34
But he hasn't shattered
any cherished beliefs.
any cherished beliefs.
144
442560
4120
પણ તેણે કોઈ વળગેલી માન્યતાઓને
વિખેરી નહિ.
વિખેરી નહિ.
07:39
That leads us to Dr. Aubrey de Grey
145
447200
2936
એ આપણને ડૉ ઔબ્રેય ડી ગ્રે તરફ લઇ જાય છે
07:42
at Cambridge.
146
450160
1200
કેમ્બ્રીજ માં
07:44
De Grey definitely has scientists
squirming with an interesting idea:
squirming with an interesting idea:
147
452440
4336
ખરેખર ડી ગ્રે વિજ્ઞાનિક હતા
જે રસપ્રદ વિચારોથી વિટડાયેલા હતા:
જે રસપ્રદ વિચારોથી વિટડાયેલા હતા:
07:48
we can be immortal.
148
456800
1376
આપણે મૃત્યુંજય બની શકીએ છીએ.
07:50
We can beat aging.
149
458200
1616
આપણે ઉમરને હરાવી શકીએ છીએ.
07:51
Now, most scientists
think he's a crackpot.
think he's a crackpot.
150
459840
2560
હવે, ઘણા વિજ્ઞાનીકો
વિચારે છે કે એ પાગલ છે.
વિચારે છે કે એ પાગલ છે.
07:55
Any Biology 101 student knows
151
463320
3296
કોઈપણ જીવવિજ્ઞાન નાં ૧૦૧ વિદ્યાર્થીઓ જાણે
07:58
that aging is an inevitable
consequence of living.
consequence of living.
152
466640
4016
છે કે ઉંમરને હરાવવુ જીવનએ માટેનું
અનિવાર્ય પરિણામ છે.
અનિવાર્ય પરિણામ છે.
08:02
For example, when we eat,
153
470680
2096
જેમકે, આપણે જયારે જમીએ છીએ,
08:04
we take in food and we metabolize it,
154
472800
1856
આપણે ખોરાક અંદર લઈએ છીએ અને પચાવીએ છીએ,
08:06
and that throws off
what we call free radicals.
what we call free radicals.
155
474680
2376
અને એ ફેકે છે જેને આપણે
ફ્રી રેડીકલ કહીએ છીએ.
ફ્રી રેડીકલ કહીએ છીએ.
08:09
You might have heard of those.
156
477080
1456
તમે એના વિષે સાંભળ્યું હશે.
08:10
Also known as oxygen ions,
157
478560
1936
ઓક્સીજન આયન તરીકે પણ ઓળખીએ છે.
08:12
those bind to our DNA, cause it to mutate,
158
480520
2376
એ આપણા DNA સાથે જોડાય જાય છે,
એ પરિવર્તન સર્જે છે.
એ પરિવર્તન સર્જે છે.
08:14
and cause us to get old and lose our hair.
159
482920
2056
જે આપણને વૃદ્ધ બનાવે છે
અને વાળ ગુમાવે છે.
અને વાળ ગુમાવે છે.
08:17
(Laughter)
160
485000
1576
(હાસ્ય)
08:18
It's just like, no, it's exactly like
161
486600
2736
આ એવુંજ છે, નાં, ખરેખર એવું જ
08:21
oxygen binding to iron and making it rust.
162
489360
2176
ઓક્સીજન લોખંડ સાથે જોડાઈ કાટ બનાવે છે.
08:23
So you age because you rust out.
163
491560
2456
એટલે તમે વૃદ્ધ બનો છો કેમકે તમે કટાવ છો.
08:26
(Laughter)
164
494040
2176
(હાસ્ય)
08:28
Oh, and scientists also know
there is something called immortality:
there is something called immortality:
165
496240
5096
અરે, અને વિજ્ઞાનીકો પણ જાણે છે
ત્યાં કઈક છે જેને અમૃત્ય કહે છે:
ત્યાં કઈક છે જેને અમૃત્ય કહે છે:
08:33
in cancer cells.
166
501360
1976
જે કેન્સર નાં કોષમાં છે.
08:35
So if you stop aging,
167
503360
2296
જો તમારી ઉમર અટકી જાય,
08:37
all of you are going to turn
into giant walking malignant tumors.
into giant walking malignant tumors.
168
505680
3920
તો તમેં જીવલેણ વિશાળ ફરતી
ગાંઠમાં પરાવર્તિત થઇ રહ્યા છો.
ગાંઠમાં પરાવર્તિત થઇ રહ્યા છો.
08:42
These are cherished beliefs,
but could de Grey be on to something?
but could de Grey be on to something?
169
510680
3160
ત્યાં વળગેલી માન્યતાઓ પણ છે,
પણ ડી ગ્રે કોઈ પર છે?
પણ ડી ગ્રે કોઈ પર છે?
08:47
I think he deserves a closer look.
170
515159
1657
લાગે છે એમને નજીકથી જોવું પડશે.
08:48
First of all, I have a really hard time
seeing him as a crackpot.
seeing him as a crackpot.
171
516840
3136
પહેલા, આ બહુ ખરાબ સમય છે
એમને પાગલ કહેવા માટે.
એમને પાગલ કહેવા માટે.
08:52
Yeah, he started off life
as a computer scientist,
as a computer scientist,
172
520000
2336
હા, એમને કોમ્પુટર વિજ્ઞાની
તરીકે શરૂઆત કરી,
તરીકે શરૂઆત કરી,
08:54
not a biologist,
173
522360
1496
જીવશાસ્ત્રી તરીકે નહિ,
08:55
but he earned a PhD
in biology from Cambridge,
in biology from Cambridge,
174
523880
3816
પણ એમણે PhD જીવવિજ્ઞાનમાં કેમ્બ્રિજથી કરી,
08:59
and he has published
some very significant work
some very significant work
175
527720
2376
અને એમણે અદભુત કામ પ્રકાશિત કર્યું
09:02
on mitochondrial DNA
and a bunch of other stuff.
and a bunch of other stuff.
176
530120
2456
મિટોકોન્ડ્રીયલ DNA પર અને બીજા ઘણા વિષય પર
09:04
Secondly, he started
an antiaging foundation
an antiaging foundation
177
532600
3096
ત્યારબાદ, એમણે વૃદ્ધતાવિરોધી સંસ્થા સ્થાપી
09:07
that has identified
seven different causes of aging,
seven different causes of aging,
178
535720
2576
જેને સાત વૃદ્ધતા નાં કારણો જણાવ્યા.
09:10
to me, that seem very plausible,
179
538320
2256
મારા માટે, આ ખૂબ બુદ્ધિગમ્ય હતું,
09:12
and he is hot in pursuit
of fixes for every single one of them.
of fixes for every single one of them.
180
540600
4136
અને આમાંની દરેક વસ્તુ બરાબર કરવાના
ધંધામાં આવી ગયા હતા.
ધંધામાં આવી ગયા હતા.
09:16
For example, one of the reasons we age
is that our mitochondrial DNA mutates,
is that our mitochondrial DNA mutates,
181
544760
5016
જેમકે, આપણી ઉમર વધવાનું એક કારણ
આપણા મિટોકોન્ડ્રીયલ DNAનું પરિવર્તન છે,
આપણા મિટોકોન્ડ્રીયલ DNAનું પરિવર્તન છે,
09:21
and we get kind of old
and our cells lose energy.
and our cells lose energy.
182
549800
2680
અને આપણે વૃદ્ધ થઇએ છીએ
અને આપણા કોષો શક્તિ ગુમાવે છે.
અને આપણા કોષો શક્તિ ગુમાવે છે.
09:25
He believes, and he's made
a convincing case,
a convincing case,
183
553160
2336
એ માનતા હતા, અને એમણે માની
શકાય એવો દાખલો બનાવ્યો
શકાય એવો દાખલો બનાવ્યો
09:27
that using viruses we can do gene therapy,
184
555520
2536
કે વાઇરસનો ઉપયોગ કરી
આપને જનીનનો ઉપચાર કરી શકીએ,
આપને જનીનનો ઉપચાર કરી શકીએ,
09:30
fix that DNA
185
558080
1656
DNA નાં નિદાન માટે
09:31
and rejuvenate our cells.
186
559760
1720
અને આપણા કોષને પુનર્જીવિત કરી શકાય.
09:35
One more thing.
187
563400
1336
એક બીજી વસ્તુ.
09:36
We have an existent proof
188
564760
1856
આપણી પાસે હયાત ઉદાહરણ છે
09:38
that extreme longevity is possible.
189
566640
2720
કે અતિ લાંબુ આયુષ્ય શક્ય છે.
09:42
Bristlecone pine trees live 5,000 years,
190
570520
4160
બ્રિસ્ટકોન દેવદારનાં વૃક્ષો
૫૦૦૦ વર્ષ જીવે છે,
૫૦૦૦ વર્ષ જીવે છે,
09:47
and some lobsters don't age at all.
191
575720
3800
અને થોડા લોબસ્ટરો પણ જરા પણ જીવી શકતા નથી
09:52
Now, this doesn't mean that de Grey
is going to revolutionize our lifespans.
is going to revolutionize our lifespans.
192
580640
4336
હવે, આનો મતલબ એ નથી કે
ડી ગ્રે જીવનકાળની ક્રાંતિ કરવા જઈ રહ્યા છે
ડી ગ્રે જીવનકાળની ક્રાંતિ કરવા જઈ રહ્યા છે
09:57
I mean, after all, we're not trees,
and most of us are not lobsters.
and most of us are not lobsters.
193
585000
3816
મારો મતલબ, અંતે, આપણે વૃક્ષ નથી અને
મોટા ભાગના આપણે લોબસ્ટર નથી.
મોટા ભાગના આપણે લોબસ્ટર નથી.
(હાસ્ય)
10:00
(Laughter)
194
588840
1216
મારી માનયતા પ્રમાણે ડાર્વિન
અને આઈન્સ્ટાઈન પણ છે,
અને આઈન્સ્ટાઈન પણ છે,
10:02
But I've got to believe that there are
Darwins and Einsteins out there,
Darwins and Einsteins out there,
195
590080
4800
10:07
and I'll tell you why.
196
595840
1376
અને શા માટે હું કહું છુ.
માનો કે:
10:09
Consider this:
197
597240
1200
10:11
there are seven times more people
alive today than during Darwin's time.
alive today than during Darwin's time.
198
599160
5296
ડાર્વિન નાં સમય કરતા
સાત ગણા માણસો વધું જીવતા હોય
સાત ગણા માણસો વધું જીવતા હોય
આઈન્સ્ટાઈન નાં સમય કરતા
ચાર ગણા માણસો વધું જીવતા હોય
ચાર ગણા માણસો વધું જીવતા હોય
10:16
There are four times as many people
alive today as Einstein.
alive today as Einstein.
199
604480
3456
10:19
When you consider
200
607960
1216
જયારે તમે ધારો કે
વિજ્ઞાનીકોનું પ્રમાણ વસ્તીમાં|
ખૂબજ થઇ જાય,
ખૂબજ થઇ જાય,
10:21
that the proportion of scientists
in the population has skyrocketed,
in the population has skyrocketed,
201
609200
3216
હવે ત્યાં સીતેર લાખ વિજ્ઞાનીકો છે.
10:24
there are now seven million scientists.
202
612440
2376
મને વિશ્વાસ આવે છે અને હું માનું છુ કે
એમનો એક ત્યાં છે
એમનો એક ત્યાં છે
10:26
I've got to believe, and I do believe,
that there's one of them out there
that there's one of them out there
203
614840
3440
10:31
who is working right now in obscurity
204
619720
2336
જે અજાણી રીત કામ કરી રહ્યો છે
10:34
to rock our lives,
and I don't know about you,
and I don't know about you,
205
622080
2416
તમારૂ જીવન અદભુત કરવા,
અને મને તમારી ખબર નથી,
અને મને તમારી ખબર નથી,
10:36
but I can't wait to be rocked.
206
624520
1816
પણ હું રાહ જોવા તૈયાર નથી.
આભાર.
10:38
Thank you.
207
626360
1256
(તાળીઓ)
10:39
(Applause)
208
627640
6961
ABOUT THE SPEAKER
Eric Haseltine - Author, futurist, innovatorEric Haseltine applies discoveries about the brain to innovation and forecasting game-changing advances in science and technology.
Why you should listen
Dr. Eric Haseltine is a neuroscientist and futurist who has applied a brain-centered approach to help organizations in aerospace, entertainment, healthcare, consumer products and national security transform and innovate. He is the author of Long Fuse, Big Bang: Achieving Long-Term Success Through Daily Victories. For five years, he wrote a monthly column on the brain for Discover magazine and is a frequent contributor to Psychology Today's web site, where his popular blog on the brain has garnered over 800,000 views. Haseltine received the Distinguished Psychologist in Management Award from the Society of Psychologists in Management and has published 41 patents and patent applications in optics, media and entertainment technology.
In 1992 he joined Walt Disney Imagineering to help found the Virtual Reality Studio, which he ultimately ran until his departure from Disney in 2002. When he left Disney, Haseltine was executive vice president of Imagineering and head of R&D for the entire Disney Corporation, including film, television, theme parks, Internet and consumer products.
In the aftermath of 9/11, Eric joined the National Security Agency to run its Research Directorate. Three years later, he was promoted to associate of director of National Intelligence, where he oversaw all science and technology efforts within the United States Intelligence Community as well as fostering development innovative new technologies for countering cyber threats and terrorism. For his work on counter-terrorism technologies, he received the National Intelligence Distinguished Service Medal in 2007.
Haseltine serves on numerous boards, and is an active consultant, speaker and writer. Over the past three years, he has focused heavily on developing innovation strategies and consumer applications for the Internet of Things, virtual reality and augmented reality.
Haseltine continues to do basic research in neuroscience, with his most recent publications focusing on the mind-body health connection and exploitation of big-data to uncover subtle, but important trends in mental and physical health.
Eric Haseltine | Speaker | TED.com