TED1994
Danny Hillis: Back to the future (of 1994)
דני הילס: בחזרה לעתיד (של 1994)
Filmed:
Readability: 3.8
686,810 views
מנבכי ארכיון טד, דני הילס חולק תיאוריה מסקרנת על איך ולמה שינוי טכנולוגי שמתחולל נראה מואץ, ע"י קישורו לאבולוציה של החיים עצמם. טכניקת המצגתבה הוא משתמש נראית אולי מיושנת, אבל הרעיונות שהוא מתאר רלוונטיים כתמיד.
Danny Hillis - Computer theorist
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Inventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results. Full bio
Double-click the English transcript below to play the video.
00:15
Because I usually take the role
0
0
3000
כיוון שאני בד"כ נוטל על עצמי את התפקיד
00:18
of trying to explain to people
1
3000
2000
של אחד שמנסה להסביר לאנשים
00:20
how wonderful the new technologies
2
5000
3000
כמה נפלאות הולכות להיות,
00:23
that are coming along are going to be,
3
8000
2000
הטכנולוגיות החדשות שיגיעו,
00:25
and I thought that, since I was among friends here,
4
10000
3000
וחשבתי שכיוון שאני בין חברים פה,
00:28
I would tell you what I really think
5
13000
4000
אומר לכם את מה שאני באמת חושב
00:32
and try to look back and try to understand
6
17000
2000
ואנסה להסתכל לאחור ולהבין
00:34
what is really going on here
7
19000
3000
מה באמת קורה פה
00:37
with these amazing jumps in technology
8
22000
5000
עם הקפיצות הטכנולוגיות המדהימות האלה
00:42
that seem so fast that we can barely keep on top of it.
9
27000
3000
שנראה שקורות כ"כ מהר שקשה לעקוב אחריהן.
00:45
So I'm going to start out
10
30000
2000
אז אתחיל
00:47
by showing just one very boring technology slide.
11
32000
3000
ואציג רק שקופית טכנולוגית משעממת אחת.
00:50
And then, so if you can just turn on the slide that's on.
12
35000
3000
ואז, אז אם תוכל להראות את השקופית.
00:56
This is just a random slide
13
41000
2000
זאת רק שקופית אקראית
00:58
that I picked out of my file.
14
43000
2000
שליקטתי מהתיק שלי.
01:00
What I want to show you is not so much the details of the slide,
15
45000
3000
מה שאני רוצה להראות לכם הוא לא דווקא את הפרטים שבשקופית,
01:03
but the general form of it.
16
48000
2000
אלא את הצורה הכללית שלה.
01:05
This happens to be a slide of some analysis that we were doing
17
50000
3000
במקרה זאת שקופית המתארת ניתוח שאנו עורכים
01:08
about the power of RISC microprocessors
18
53000
3000
על עוצמת מיקרו-מעבדי "ריסק"
01:11
versus the power of local area networks.
19
56000
3000
לעומת העוצמה של רשתות מקומיות.
01:14
And the interesting thing about it
20
59000
2000
והדבר המעניין בה
01:16
is that this slide,
21
61000
2000
הוא ששקופית זו,
01:18
like so many technology slides that we're used to,
22
63000
3000
כמו כ"כ הרבה שקופיות טכנולוגיה אחרות להן אנו רגילים,
01:21
is a sort of a straight line
23
66000
2000
היא סוג של קו ישר
01:23
on a semi-log curve.
24
68000
2000
על עקומת סמי-לוג
01:25
In other words, every step here
25
70000
2000
במילים אחרות, כל מדרגה כאן
01:27
represents an order of magnitude
26
72000
2000
מייצגת סדר גודל
01:29
in performance scale.
27
74000
2000
בסקאלת ביצועים
01:31
And this is a new thing
28
76000
2000
וזה דבר חדש
01:33
that we talk about technology
29
78000
2000
שאנו מדברים עליו בטכנולוגיה
01:35
on semi-log curves.
30
80000
2000
על עקומות סמי-לוג.
01:37
Something really weird is going on here.
31
82000
2000
משהו ממש מוזר קורה כאן.
01:39
And that's basically what I'm going to be talking about.
32
84000
3000
וזה מיסודו מה שאני עומד לדבר עליו.
01:42
So, if you could bring up the lights.
33
87000
3000
כך, אם תוכל להעלות את האורות.
01:47
If you could bring up the lights higher,
34
92000
2000
אם תוכל להעלות את האורות גבוה יותר,
01:49
because I'm just going to use a piece of paper here.
35
94000
3000
משום שאני עומד כאן להשתמש בפיסת נייר.
01:52
Now why do we draw technology curves
36
97000
2000
כעת, מדוע אנחנו משרטטים עקומות טכנולוגיה
01:54
in semi-log curves?
37
99000
2000
בעקומות סמי-לוג?
01:56
Well the answer is, if I drew it on a normal curve
38
101000
3000
טוב התשובה היא, אם הייתי משרטט זאת על עקומה רגילה
01:59
where, let's say, this is years,
39
104000
2000
היכן, שיש למשל, אלו הן שנים,
02:01
this is time of some sort,
40
106000
2000
זה זמן מסוג כלשהו,
02:03
and this is whatever measure of the technology
41
108000
3000
וזוהי מידה כלשהי של טכנולוגיה
02:06
that I'm trying to graph,
42
111000
3000
שאני מנסה לשרטט בגרף,
02:09
the graphs look sort of silly.
43
114000
3000
הגרף נראה מטופש כלשהו.
02:12
They sort of go like this.
44
117000
3000
הם משהו כמו זה.
02:15
And they don't tell us much.
45
120000
3000
והם לא אומרים לנו הרבה.
02:18
Now if I graph, for instance,
46
123000
3000
כעת אם אני משרטט גרף, לדוגמא
02:21
some other technology, say transportation technology,
47
126000
2000
טכנולוגיה אחרת כלשהי, נניח טכנולוגיית תחבורה,
02:23
on a semi-log curve,
48
128000
2000
על עקומת סמי-לוג,
02:25
it would look very stupid, it would look like a flat line.
49
130000
3000
זה ייראה מאד טפשי, זהייראה כמו קו שטוח.
02:28
But when something like this happens,
50
133000
2000
אבל כשקורה משהו כזה,
02:30
things are qualitatively changing.
51
135000
2000
דברים משתנים מבחינה איכותית.
02:32
So if transportation technology
52
137000
2000
כך שאם טכנולוגיית תחבורה
02:34
was moving along as fast as microprocessor technology,
53
139000
3000
היתה מתקדמת במהירות כמו טכנולוגיית מיקרו-מעבד
02:37
then the day after tomorrow,
54
142000
2000
אז מחרתיים
02:39
I would be able to get in a taxi cab
55
144000
2000
הייתי יכול להיכנס למונית
02:41
and be in Tokyo in 30 seconds.
56
146000
2000
ולהיות בטוקיו ב-30 שניות
02:43
It's not moving like that.
57
148000
2000
זה לא מתקדם כך.
02:45
And there's nothing precedented
58
150000
2000
ואין שום תקדים לכך
02:47
in the history of technology development
59
152000
2000
בהיסטוריית התפתחות הטכנולוגיה
02:49
of this kind of self-feeding growth
60
154000
2000
של סוג זה של התפתחות בהזנה עצמית
02:51
where you go by orders of magnitude every few years.
61
156000
3000
שבה מתקדמים לפי סדרי גודל כל כמה שנים.
02:54
Now the question that I'd like to ask is,
62
159000
3000
כעת השאלה שהייתי רוצה לשאול היא,
02:57
if you look at these exponential curves,
63
162000
3000
אם אתם מסתכלים במעריכי עקומות אלו
03:00
they don't go on forever.
64
165000
3000
הן לא נמשכות לנצח.
03:03
Things just can't possibly keep changing
65
168000
3000
הדברים פשוט לא יכולים להמשיך להשתנות
03:06
as fast as they are.
66
171000
2000
מהר כפי שהם.
03:08
One of two things is going to happen.
67
173000
3000
אחד משני דברים עומד לקרות.
03:11
Either it's going to turn into a sort of classical S-curve like this,
68
176000
4000
או שזה עומד להיות סוג של עקומת S קלסית כזו,
03:15
until something totally different comes along,
69
180000
4000
עד שמשהו שונה בתכלית יגיע,
03:19
or maybe it's going to do this.
70
184000
2000
או אולי זה יעשה את זה.
03:21
That's about all it can do.
71
186000
2000
זה בערך כל מה שהוא יוכל לעשות.
03:23
Now I'm an optimist,
72
188000
2000
כעת, אני אופטימיסט,
03:25
so I sort of think it's probably going to do something like that.
73
190000
3000
אז אני איכשהו חושב שזה כנראה הולך לעשות משהו כמו זה.
03:28
If so, that means that what we're in the middle of right now
74
193000
3000
אם כך, זה אומר שאנחנו באמצע ממש כעת
03:31
is a transition.
75
196000
2000
של שינוי.
03:33
We're sort of on this line
76
198000
2000
אנחנו משהו כמו על הקו הזה
03:35
in a transition from the way the world used to be
77
200000
2000
במעבר מהדרך שבה העולם נהג להיות
03:37
to some new way that the world is.
78
202000
3000
לדרך חדשה כלשהי שבה העולם נמצא.
03:40
And so what I'm trying to ask, what I've been asking myself,
79
205000
3000
וכך, מה שאני מנסה לשאול, מה ששאלתי את עצמי,
03:43
is what's this new way that the world is?
80
208000
3000
הוא מהי דרך חדשה זו שהעולם נמצא בה?
03:46
What's that new state that the world is heading toward?
81
211000
3000
מהו מצב חדש זה שהעולם הולך לקראתו?
03:49
Because the transition seems very, very confusing
82
214000
3000
משום שהמעבר נראה מאד, מאד מבלבל
03:52
when we're right in the middle of it.
83
217000
2000
כאשר אנחנו מצויים באמצעיתו.
03:54
Now when I was a kid growing up,
84
219000
3000
כעת, כשהייתי ילד שגדל,
03:57
the future was kind of the year 2000,
85
222000
3000
העתיד היה סוג של שנת 2000,
04:00
and people used to talk about what would happen in the year 2000.
86
225000
4000
ואנשים נהגו לדבר על מה יקרה בשנת 2000.
04:04
Now here's a conference
87
229000
2000
כעת מתקיים דיון
04:06
in which people talk about the future,
88
231000
2000
שבו אנשים מדברים על העתיד,
04:08
and you notice that the future is still at about the year 2000.
89
233000
3000
ואתם שמים לב לכך שהעתיד הוא עדיין על שנת 2000.
04:11
It's about as far as we go out.
90
236000
2000
זה הכי רחוק שאנחנו מגיעים.
04:13
So in other words, the future has kind of been shrinking
91
238000
3000
כך, במילים אחרות, העתיד התכווץ משהו
04:16
one year per year
92
241000
3000
בשנה אחת, כל שנה
04:19
for my whole lifetime.
93
244000
3000
לאורך כל ימי חיי.
04:22
Now I think that the reason
94
247000
2000
כעת, נראה לי שזה
04:24
is because we all feel
95
249000
2000
משום שכולנו מרגישים
04:26
that something's happening there.
96
251000
2000
שמשהו קורה שם.
04:28
That transition is happening. We can all sense it.
97
253000
2000
השינוי קורה. כולנו יכולים להרגיש בזה.
04:30
And we know that it just doesn't make too much sense
98
255000
2000
ואנחנו יודעים שזה פשוט לא כל כך הגיוני
04:32
to think out 30, 50 years
99
257000
2000
לעסוק בניתוח 30, 50 שנים קדימה
04:34
because everything's going to be so different
100
259000
3000
משום שהכל עומד להיות כה שונה
04:37
that a simple extrapolation of what we're doing
101
262000
2000
שאומדן פשוט של מה שאנו עושים
04:39
just doesn't make any sense at all.
102
264000
3000
פשוט אינו היגיוני כלל.
04:42
So what I would like to talk about
103
267000
2000
כך שמה שהייתי רוצה לדבר עליו
04:44
is what that could be,
104
269000
2000
הוא מה שזה יוכל להיות,
04:46
what that transition could be that we're going through.
105
271000
3000
מה יהיה השינוי שאנחנו עומדים לעבור.
04:49
Now in order to do that
106
274000
3000
כעת, על מנת לעשות זאת
04:52
I'm going to have to talk about a bunch of stuff
107
277000
2000
אני עומד לדבר על אוסף דברים
04:54
that really has nothing to do
108
279000
2000
שבאמת לא קשורים
04:56
with technology and computers.
109
281000
2000
לטכנולוגיה ולמחשבים.
04:58
Because I think the only way to understand this
110
283000
2000
משום שאני חושב שהדרך היחידה להבין זאת
05:00
is to really step back
111
285000
2000
היא באמת ללכת אחורה
05:02
and take a long time scale look at things.
112
287000
2000
ולהתבונן בדברים בסקאלת זמן ארוכה.
05:04
So the time scale that I would like to look at this on
113
289000
3000
כך שסקאלת הזמן שבה שהייתי רוצה להתבונן בזה
05:07
is the time scale of life on Earth.
114
292000
3000
הוא סקאלת הזמן של החיים על פני האדמה
05:13
So I think this picture makes sense
115
298000
2000
כך, אני חושב שתמונה זו מתקבלת על הדעת
05:15
if you look at it a few billion years at a time.
116
300000
4000
אם מסתכלים בה כמה מיליארד שנים בכל פעם.
05:19
So if you go back
117
304000
2000
אז אם הולכים אחורה
05:21
about two and a half billion years,
118
306000
2000
משהו כמו 2.5 מיליארד שנים,
05:23
the Earth was this big, sterile hunk of rock
119
308000
3000
הארץ היתה גוש סלע גדול וסטרילי זה
05:26
with a lot of chemicals floating around on it.
120
311000
3000
עם כימיקלים רבים שצפים סביבו.
05:29
And if you look at the way
121
314000
2000
ואם תתבוננו בדרך
05:31
that the chemicals got organized,
122
316000
2000
שכימיקלים אלה התארגנו,
05:33
we begin to get a pretty good idea of how they do it.
123
318000
3000
אנחנו מתחילים לקבל רעיון טוב מאד על הדרך שבה הם עושים זאת.
05:36
And I think that there's theories that are beginning to understand
124
321000
3000
ואני חושב שיש תאוריות שמתחילות להבין
05:39
about how it started with RNA,
125
324000
2000
כיצד זה החל עם רנ"א,
05:41
but I'm going to tell a sort of simple story of it,
126
326000
3000
אבל אני עומד לספר סיפור פשוט על זה,
05:44
which is that, at that time,
127
329000
2000
שזה, שבזמן ההוא
05:46
there were little drops of oil floating around
128
331000
3000
היו טיפות שמן קטנות שצפו סביב
05:49
with all kinds of different recipes of chemicals in them.
129
334000
3000
עם כל מיני מרשמים שונים של כימיקלים בתוכן.
05:52
And some of those drops of oil
130
337000
2000
ולחלק מטיפות שמן אלו
05:54
had a particular combination of chemicals in them
131
339000
2000
היה הרכב מיוחד של כימיקלים בתוכן
05:56
which caused them to incorporate chemicals from the outside
132
341000
3000
שגרם להן לשלב לתוכן כימיקלים מבחוץ
05:59
and grow the drops of oil.
133
344000
3000
ולהגדיל את טיפות השמן.
06:02
And those that were like that
134
347000
2000
ואלו שהיו כאלו
06:04
started to split and divide.
135
349000
2000
החלו להתפצל ולהתחלק.
06:06
And those were the most primitive forms of cells in a sense,
136
351000
3000
ואלו היו במובן מסוים הצורות הכי פרימיטיביות של תאים,
06:09
those little drops of oil.
137
354000
2000
טיפות שמן קטנות אלו.
06:11
But now those drops of oil weren't really alive, as we say it now,
138
356000
3000
אבל עתה טיפות שמן אלו לא היו באמת חיות, כפי שאנו אומרים זאת כעת,
06:14
because every one of them
139
359000
2000
משום שכל אחת מהן
06:16
was a little random recipe of chemicals.
140
361000
2000
היתה מרשם אקראי של כימיקלים.
06:18
And every time it divided,
141
363000
2000
ובכל פעם שזה התחלק,
06:20
they got sort of unequal division
142
365000
3000
הם נחלקו באופן שהוא לחלוקה לא שווה
06:23
of the chemicals within them.
143
368000
2000
של הכימיקלים שבתוכן.
06:25
And so every drop was a little bit different.
144
370000
3000
וכך, כל טיפה היתה שונה מעט
06:28
In fact, the drops that were different in a way
145
373000
2000
למעשה, הטיפות שהיו שונות כך שזה
06:30
that caused them to be better
146
375000
2000
גרם להם להיות טובות יותר
06:32
at incorporating chemicals around them,
147
377000
2000
בהכללת כימיקלים שסביבן,
06:34
grew more and incorporated more chemicals and divided more.
148
379000
3000
גדלו יותר, והכלילו יותר כימיקלים והתחלקו יותר.
06:37
So those tended to live longer,
149
382000
2000
כך שאלו שנטו לחיות יותר זמן
06:39
get expressed more.
150
384000
3000
זכו לביטוי גדול יותר.
06:42
Now that's sort of just a very simple
151
387000
3000
כעת, זה פשוט סוג של
06:45
chemical form of life,
152
390000
2000
צורה כימית פשוטה מאד של חיים,
06:47
but when things got interesting
153
392000
3000
אבל הדברים נעשו מעניינים
06:50
was when these drops
154
395000
2000
כאשר טיפות אלו
06:52
learned a trick about abstraction.
155
397000
3000
למדו תכסיס של אבסטרקציה.
06:55
Somehow by ways that we don't quite understand,
156
400000
3000
איכשהו בדרכים שאנחנו לא ממש מבינים,
06:58
these little drops learned to write down information.
157
403000
3000
טיפות קטנות למדו לכתוב מידע.
07:01
They learned to record the information
158
406000
2000
הם למדו לרשום את המידע
07:03
that was the recipe of the cell
159
408000
2000
שהיה המרשם של התא
07:05
onto a particular kind of chemical
160
410000
2000
לסוג של כימיקל מיוחד
07:07
called DNA.
161
412000
2000
שנקרא ד.נ.א.
07:09
So in other words, they worked out,
162
414000
2000
כך, במילים אחרות, הם פיתחו
07:11
in this mindless sort of evolutionary way,
163
416000
3000
בסוג זה של דרך אבולוציונית לא מודעת
07:14
a form of writing that let them write down what they were,
164
419000
3000
צורה של רישום שאיפשרה להם לרשום את מה שהם היו,
07:17
so that that way of writing it down could get copied.
165
422000
3000
כך שאופן זה של רישום יוכל להיות מועתק.
07:20
The amazing thing is that that way of writing
166
425000
3000
הדבר המופלא הוא שנראה שאופן כתיבה זה
07:23
seems to have stayed steady
167
428000
2000
נשאר יציב
07:25
since it evolved two and a half billion years ago.
168
430000
2000
מאז שהוא התפתח לפני שניים וחצי מיליארד שנה.
07:27
In fact the recipe for us, our genes,
169
432000
3000
לאמיתו של דבר, המרשם של מה שאנחנו, הגנים שלנו,
07:30
is exactly that same code and that same way of writing.
170
435000
3000
הוא בדיוק אותו קוד ואותו אופן של רישום.
07:33
In fact, every living creature is written
171
438000
3000
למעשה, כל יצור חי נרשם
07:36
in exactly the same set of letters and the same code.
172
441000
2000
בדיוק באותה מערכת של אותיות ובאותו קוד.
07:38
In fact, one of the things that I did
173
443000
2000
למעשה, אחד הדברים שעשיתי
07:40
just for amusement purposes
174
445000
2000
רק למטרות שעשוע
07:42
is we can now write things in this code.
175
447000
2000
הוא שאנו יכולים כעת לכתוב דברים באותו קוד.
07:44
And I've got here a little 100 micrograms of white powder,
176
449000
6000
ויש לי כאן מעט, 100 מיקרוגרמים של אבקה לבנה,
07:50
which I try not to let the security people see at airports.
177
455000
4000
שאני מנסה להסתיר מעיני אנשי הביטחון בנמלי התעופה.
07:54
(Laughter)
178
459000
2000
(צחוק)
07:56
But this has in it --
179
461000
2000
אבל יש בה --
07:58
what I did is I took this code --
180
463000
2000
מה שעשיתי הוא, לקחתי את הקוד --
08:00
the code has standard letters that we use for symbolizing it --
181
465000
3000
לקוד יש אותיות סטנדרתיות שאנו משתמשים בהן כדי לסמל זאת --
08:03
and I wrote my business card onto a piece of DNA
182
468000
3000
וכתבתי את כרטיס הביקור שלי על פני פיסת די.אנ.אי
08:06
and amplified it 10 to the 22 times.
183
471000
3000
והגדלתי אותו פי 10 בחזקת 22 פעמים.
08:09
So if anyone would like a hundred million copies of my business card,
184
474000
3000
כך שאם מישהו ירצה 100 מיליון העתקים של כרטיס הביקור שלי,
08:12
I have plenty for everyone in the room,
185
477000
2000
יש לי הרבה ממנו עבור כל אחד באולם זה,
08:14
and, in fact, everyone in the world,
186
479000
2000
ולמעשה לכל אחד בעולם,
08:16
and it's right here.
187
481000
3000
וזה ממש כאן.
08:19
(Laughter)
188
484000
5000
(צחוק)
08:26
If I had really been a egotist,
189
491000
2000
אילו הייתי באמת אגואיסט,
08:28
I would have put it into a virus and released it in the room.
190
493000
3000
הייתי שם זאת לתוך וירוס ומשחרר אותו באולם.
08:31
(Laughter)
191
496000
5000
(צחוק)
08:39
So what was the next step?
192
504000
2000
אם כן מה היה הצעד הבא?
08:41
Writing down the DNA was an interesting step.
193
506000
2000
לרשום את הד.נ.א. היה צעד מעניין.
08:43
And that caused these cells --
194
508000
2000
וזה גרם לתאים האלה --
08:45
that kept them happy for another billion years.
195
510000
2000
להיות מרוצים למשך עוד מיליארד שנים.
08:47
But then there was another really interesting step
196
512000
2000
אבל אז קרה צעד באמת מעניין
08:49
where things became completely different,
197
514000
3000
שהדברים הפכו להיות שונים לגמרי,
08:52
which is these cells started exchanging and communicating information,
198
517000
3000
והוא שתאים אלה התחילו התחילו לתקשר ולהחליף ביניהם אינפורמציה ,
08:55
so that they began to get communities of cells.
199
520000
2000
כך שהם הפכו להיות מושבות תאים.
08:57
I don't know if you know this,
200
522000
2000
אינני יודע אם אתם יודעים זאת
08:59
but bacteria can actually exchange DNA.
201
524000
2000
אבל בקטריה יכולה למעשה להחליף ד.נ.א.
09:01
Now that's why, for instance,
202
526000
2000
כעת, משום כך, למשל
09:03
antibiotic resistance has evolved.
203
528000
2000
התפתחה עמידות לאנטיביוטיקה .
09:05
Some bacteria figured out how to stay away from penicillin,
204
530000
3000
בקטריה מסוימת למדה כיצד להישמר מפניצילין,
09:08
and it went around sort of creating its little DNA information
205
533000
3000
ואיכשהו יצרה של מידע ד.נ.א עצמי קטן
09:11
with other bacteria,
206
536000
2000
יחד עם בקטריות אחרות,
09:13
and now we have a lot of bacteria that are resistant to penicillin,
207
538000
3000
וכעת יש לנו הרבה בקטריות עמידות לפניצילין,
09:16
because bacteria communicate.
208
541000
2000
משום שבקטריה מתקשרת
09:18
Now what this communication allowed
209
543000
2000
כעת, מה שסוג תקשורת זו מאפשרת
09:20
was communities to form
210
545000
2000
זה למושבות להיווצר
09:22
that, in some sense, were in the same boat together;
211
547000
2000
שבמובן מסוים היו יחד באותה סירה,
09:24
they were synergistic.
212
549000
2000
הן היו סינרג'יסטיות.
09:26
So they survived
213
551000
2000
כך שהן שרדו
09:28
or they failed together,
214
553000
2000
או שהן נכשלו יחד,
09:30
which means that if a community was very successful,
215
555000
2000
מה שאומר שאם מושבה היתה מאד מצליחה
09:32
all the individuals in that community
216
557000
2000
כל היחידים במושבה
09:34
were repeated more
217
559000
2000
התרבו יותר
09:36
and they were favored by evolution.
218
561000
3000
וזכו להעדפה אבולוציונית.
09:39
Now the transition point happened
219
564000
2000
כעת, נקודת המעבר קרתה
09:41
when these communities got so close
220
566000
2000
כאשר מושבות אלו התקרבו כל כך
09:43
that, in fact, they got together
221
568000
2000
שלמעשה הן התחברו יחד
09:45
and decided to write down the whole recipe for the community
222
570000
3000
והחליטו לרשום את המרשם המלא עבור המושבה
09:48
together on one string of DNA.
223
573000
3000
יחד על שרשרת די.אנ.איי.
09:51
And so the next stage that's interesting in life
224
576000
2000
וכך השלב הבא המעניין בחיים
09:53
took about another billion years.
225
578000
2000
ארך בערך עוד מיליארד שנים.
09:55
And at that stage,
226
580000
2000
ובשלב זה
09:57
we have multi-cellular communities,
227
582000
2000
יש לנו מושבות רב-תאיות,
09:59
communities of lots of different types of cells,
228
584000
2000
מושבות של הרבה סוגי תאים,
10:01
working together as a single organism.
229
586000
2000
שעובדים יחד כאורגניזם אחד.
10:03
And in fact, we're such a multi-cellular community.
230
588000
3000
והאמת, אנחנו הננו כאלו מושבות רב-תאיות.
10:06
We have lots of cells
231
591000
2000
יש לנו הרבה תאים
10:08
that are not out for themselves anymore.
232
593000
2000
שאינם קיימים יותר לעצמם.
10:10
Your skin cell is really useless
233
595000
3000
תא העור שלך באמת חסר תועלת
10:13
without a heart cell, muscle cell,
234
598000
2000
ללא תא לב, תא שריר,
10:15
a brain cell and so on.
235
600000
2000
תא מוח וכו'.
10:17
So these communities began to evolve
236
602000
2000
כך שמושבות אלו החלו להתפתח
10:19
so that the interesting level on which evolution was taking place
237
604000
3000
וכך הרמה המעניינת שבה האבולוציה התרחשה
10:22
was no longer a cell,
238
607000
2000
לא הייתה יותר התא
10:24
but a community which we call an organism.
239
609000
3000
אלא המושבה שאנו קוראים לה אורגניזם.
10:28
Now the next step that happened
240
613000
2000
כעת, הצעד הבא שקרה
10:30
is within these communities.
241
615000
2000
הוא שבתוך מושבות אלו.
10:32
These communities of cells,
242
617000
2000
מושבות תאים אלו,
10:34
again, began to abstract information.
243
619000
2000
שוב החלו לעשות אבסטרקציה של מידע
10:36
And they began building very special structures
244
621000
3000
והם החלו לבנות את המבנים המיוחדים שלהם
10:39
that did nothing but process information within the community.
245
624000
3000
וכל מה שעשו היה לעבד מידע בתוך המושבה
10:42
And those are the neural structures.
246
627000
2000
ואלה הם המבנים העצביים.
10:44
So neurons are the information processing apparatus
247
629000
3000
כך שנוירונים הם המנגנון שמעבד מידע
10:47
that those communities of cells built up.
248
632000
3000
שמושבות תאים אלו בנו.
10:50
And in fact, they began to get specialists in the community
249
635000
2000
ולמעשה, הם החלו לקבל מומחים במושבה
10:52
and special structures
250
637000
2000
ומבנים מיוחדים
10:54
that were responsible for recording,
251
639000
2000
שהיו אחראים לרישום,
10:56
understanding, learning information.
252
641000
3000
להבנה, ללמידת מידע
10:59
And that was the brains and the nervous system
253
644000
2000
ואלה היו המוחות ומערכת העצבים
11:01
of those communities.
254
646000
2000
של מושבות אלו.
11:03
And that gave them an evolutionary advantage.
255
648000
2000
וזה נתן להם יתרון אבולוציוני.
11:05
Because at that point,
256
650000
3000
משום שבנקודה זו,
11:08
an individual --
257
653000
3000
כפרט --
11:11
learning could happen
258
656000
2000
למידה יכולה להתרחש
11:13
within the time span of a single organism,
259
658000
2000
בתוך טווח זמן של אורגניזם יחיד.
11:15
instead of over this evolutionary time span.
260
660000
3000
במקום במשך זמן אבולוציוני
11:18
So an organism could, for instance,
261
663000
2000
כך שאורגניזם יוכל, לדוגמא
11:20
learn not to eat a certain kind of fruit
262
665000
2000
ללמוד לא לאכול סוג מסוים של פרי
11:22
because it tasted bad and it got sick last time it ate it.
263
667000
4000
משום שטעמו היה רע והוא נעשה חולה בפעם האחרונה שאכל אותו.
11:26
That could happen within the lifetime of a single organism,
264
671000
3000
זה יכול היה לקרות בתוך תקופת חיים של אורגניזם יחיד,
11:29
whereas before they'd built these special information processing structures,
265
674000
4000
בעוד שקודם הם בנו מבנים מיוחדים לעיבוד מידע,
11:33
that would have had to be learned evolutionarily
266
678000
2000
שהיו יכולים להילמד בדרך אבולוציונית
11:35
over hundreds of thousands of years
267
680000
3000
לאורך מאות אלפי שנים
11:38
by the individuals dying off that ate that kind of fruit.
268
683000
3000
על ידי יחידים שמתו לאחר שאכלו סוג זה של פרי.
11:41
So that nervous system,
269
686000
2000
אז מערכת העצבים הזו,
11:43
the fact that they built these special information structures,
270
688000
3000
העובדה שהם בנו מבני מידע מיוחדים אלה
11:46
tremendously sped up the whole process of evolution.
271
691000
3000
האיצה מאוד את כל תהליך האבולוציה.
11:49
Because evolution could now happen within an individual.
272
694000
3000
משום שאבולוציה יכולה כעת לקרות בתוך היחיד.
11:52
It could happen in learning time scales.
273
697000
3000
זה יכול לקרות בלימוד סולמות זמן.
11:55
But then what happened
274
700000
2000
אבל אז מה שקרה
11:57
was the individuals worked out,
275
702000
2000
היה שהיחידים פיתחו,
11:59
of course, tricks of communicating.
276
704000
2000
כמובן תכסיסי תקשורת
12:01
And for example,
277
706000
2000
ולדוגמא,
12:03
the most sophisticated version that we're aware of is human language.
278
708000
3000
הגירסה המתוחכמת ביותר שאנו מודעים לה היא השפה האנושית.
12:06
It's really a pretty amazing invention if you think about it.
279
711000
3000
זו באמת המצאה מדהימה ביותר אם תחשבו על זה.
12:09
Here I have a very complicated, messy,
280
714000
2000
כאן עולה בראשי רעיון מאוד מבולגן,
12:11
confused idea in my head.
281
716000
3000
מסובך, ומבולבל.
12:14
I'm sitting here making grunting sounds basically,
282
719000
3000
אני יושב כאן ומשמיע באופן בסיסי קולות נהימה,
12:17
and hopefully constructing a similar messy, confused idea in your head
283
722000
3000
בתקווה לבנות רעיון מבולגן ומבולבל דומה בתוך ראשי
12:20
that bears some analogy to it.
284
725000
2000
שיעלה איזושהי אנלוגיה לכך.
12:22
But we're taking something very complicated,
285
727000
2000
אבל אנחנו לוקחים משהו מאוד מסובך,
12:24
turning it into sound, sequences of sounds,
286
729000
3000
הופכים אותו לקול, לרצפים של קולות,
12:27
and producing something very complicated in your brain.
287
732000
4000
ויוצרים משהו מאד מורכב בתוך המוח שלנו.
12:31
So this allows us now
288
736000
2000
כך שזה כעת מאפשר לנו
12:33
to begin to start functioning
289
738000
2000
להתחיל להפעיל את התפקוד
12:35
as a single organism.
290
740000
3000
כאורגניזם יחיד.
12:38
And so, in fact, what we've done
291
743000
3000
וכך, למעשה, מה שעשינו
12:41
is we, humanity,
292
746000
2000
הוא שאנו, האנושות
12:43
have started abstracting out.
293
748000
2000
התחלנו לעשות אבסטרקציה
12:45
We're going through the same levels
294
750000
2000
אנו עוברים דרך אותם שלבים
12:47
that multi-cellular organisms have gone through --
295
752000
2000
שאורגניזמים מרובי-תאים עברו דרכם --
12:49
abstracting out our methods of recording,
296
754000
3000
עושים אבסטרקציה של שיטות הרישום שלנו,
12:52
presenting, processing information.
297
757000
2000
בהצגה, בעיבוד מידע.
12:54
So for example, the invention of language
298
759000
2000
כך למשל, המצאת השפה
12:56
was a tiny step in that direction.
299
761000
3000
היתה צעד קטן בכיוון זה.
12:59
Telephony, computers,
300
764000
2000
טלפוניה, מחשבים,
13:01
videotapes, CD-ROMs and so on
301
766000
3000
קלטות, תקליטורים וכדומה
13:04
are all our specialized mechanisms
302
769000
2000
הם כולם מנגנוני ההתמקצעות שלנו
13:06
that we've now built within our society
303
771000
2000
שכעת בנינו בתוך החברה שלנו
13:08
for handling that information.
304
773000
2000
כדי לטפל במידע זה.
13:10
And it all connects us together
305
775000
3000
וכל זה מקשר אותנו יחד
13:13
into something
306
778000
2000
למשהו
13:15
that is much bigger
307
780000
2000
הרבה יותר גדול
13:17
and much faster
308
782000
2000
והרבה יותר מהיר
13:19
and able to evolve
309
784000
2000
ומסוגל להתפתח
13:21
than what we were before.
310
786000
2000
מאשר מה שהיינו לפני כן.
13:23
So now, evolution can take place
311
788000
2000
אז עכשיו, האבולוציה יכולה לקרות
13:25
on a scale of microseconds.
312
790000
2000
בסולם של מיליונית-שניה.
13:27
And you saw Ty's little evolutionary example
313
792000
2000
וראיתם את הדוגמה האבולוציונית הקטנה של TY
13:29
where he sort of did a little bit of evolution
314
794000
2000
שעשה סוג של מעט אבולוציה
13:31
on the Convolution program right before your eyes.
315
796000
3000
בתוכנית הקונבולוציה מול עיניכם.
13:34
So now we've speeded up the time scales once again.
316
799000
3000
אז עכשיו אנחנו שוב האצנו מעלה את סקאלות הזמן.
13:37
So the first steps of the story that I told you about
317
802000
2000
אז השלבים הראשונים של הסיפור שסיפרתי לכם עליו
13:39
took a billion years a piece.
318
804000
2000
ארך מיליארד שנים ליחידה.
13:41
And the next steps,
319
806000
2000
והצעדים הבאים,
13:43
like nervous systems and brains,
320
808000
2000
כמו מערכות העצבים והמוחות,
13:45
took a few hundred million years.
321
810000
2000
ארכו כמה מאות מיליוני שנים.
13:47
Then the next steps, like language and so on,
322
812000
3000
ואז הצעדים הבאים, כמו השפה וכן הלאה,
13:50
took less than a million years.
323
815000
2000
ארכו פחות ממיליון שנים.
13:52
And these next steps, like electronics,
324
817000
2000
והצעדים הבאים האלה, כמו אלקטרוניקה,
13:54
seem to be taking only a few decades.
325
819000
2000
נראה שארכו רק כמה עשרות שנים.
13:56
The process is feeding on itself
326
821000
2000
והתהליך ניזון מעצמו
13:58
and becoming, I guess, autocatalytic is the word for it --
327
823000
3000
והופך, אוטוקטליטי, שאני מניח, שהיא המילה לכך-
14:01
when something reinforces its rate of change.
328
826000
3000
כאשר משהו מתגבר את קצב השינוי שלו.
14:04
The more it changes, the faster it changes.
329
829000
3000
ככל שהוא משתנה יותר, כך הוא משתנה מהר יותר.
14:07
And I think that that's what we're seeing here in this explosion of curve.
330
832000
3000
ואני חושב שזה מה שאנחנו רואים כאן בפיצוץ זה של עקומה.
14:10
We're seeing this process feeding back on itself.
331
835000
3000
אנו רואים תהליך זה שב ומזין את עצמו.
14:13
Now I design computers for a living,
332
838000
3000
עכשיו אני מעצב מחשבים כדי להתפרנס,
14:16
and I know that the mechanisms
333
841000
2000
ואני יודע כי המנגנונים
14:18
that I use to design computers
334
843000
3000
שבהם אני משתמש כדי לעצב מחשבים
14:21
would be impossible
335
846000
2000
לא היו אפשריים
14:23
without recent advances in computers.
336
848000
2000
ללא התפתחויות האחרונות במחשבים.
14:25
So right now, what I do
337
850000
2000
אז עכשיו, מה שאני עושה
14:27
is I design objects at such complexity
338
852000
3000
הוא שאני מעצב אובייקטים בכזו מורכבות
14:30
that it's really impossible for me to design them in the traditional sense.
339
855000
3000
שזה באמת בלתי אפשרי עבורי לעצב במובן המסורתי.
14:33
I don't know what every transistor in the connection machine does.
340
858000
4000
אני לא יודע מה עושה כל טרנזיסטור במכשיר חיבור.
14:37
There are billions of them.
341
862000
2000
ישנם מיליארדים כאלה.
14:39
Instead, what I do
342
864000
2000
במקום זה, מה אני עושה
14:41
and what the designers at Thinking Machines do
343
866000
3000
ומה עושים המעצבים ב"סינקינג משינז" (מכשירי חשיבה)
14:44
is we think at some level of abstraction
344
869000
2000
הוא שאחנו חושבים ברמה מסוימת של הפשטה
14:46
and then we hand it to the machine
345
871000
2000
ולאחר מכן אנו מוסרים זאת למכשיר
14:48
and the machine takes it beyond what we could ever do,
346
873000
3000
והמכשיר לוקח אותו אל מעבר למה שאי פעם נוכל,
14:51
much farther and faster than we could ever do.
347
876000
3000
הרבה יותר רחוק ומהר יותר מאשר אי פעם נוכל.
14:54
And in fact, sometimes it takes it by methods
348
879000
2000
ולמעשה, לפעמים הם עושים זאת בשיטות
14:56
that we don't quite even understand.
349
881000
3000
שאנחנו אפילו לא ממש מבינים.
14:59
One method that's particularly interesting
350
884000
2000
אחת השיטות שהיא מעניינת במיוחד
15:01
that I've been using a lot lately
351
886000
3000
שאני משתמש בה הרבה בזמן האחרון
15:04
is evolution itself.
352
889000
2000
היא האבולוציה עצמה.
15:06
So what we do
353
891000
2000
אז מה שאנחנו עושים
15:08
is we put inside the machine
354
893000
2000
הוא ששמנו בתוך המכשיר
15:10
a process of evolution
355
895000
2000
תהליך של אבולוציה
15:12
that takes place on the microsecond time scale.
356
897000
2000
שקורה על סרגל זמן של מיליונית-שנייה
15:14
So for example,
357
899000
2000
כך למשל,
15:16
in the most extreme cases,
358
901000
2000
במקרים הקיצוניים ביותר,
15:18
we can actually evolve a program
359
903000
2000
אנו יכולים למעשה לפתח תוכנית
15:20
by starting out with random sequences of instructions.
360
905000
4000
על-ידי כך שמתחילים עם רצפים אקראיים של הוראות.
15:24
Say, "Computer, would you please make
361
909000
2000
נניח, "מחשב, האם תוכל בבקשה לעשות
15:26
a hundred million random sequences of instructions.
362
911000
3000
מאה מיליון רצפים אקראיים של הוראות.
15:29
Now would you please run all of those random sequences of instructions,
363
914000
3000
עכשיו תוכל בבקשה להפעיל את כל הרצפים האקראיים של ההוראות,
15:32
run all of those programs,
364
917000
2000
להפעיל את כל התוכניות האלה
15:34
and pick out the ones that came closest to doing what I wanted."
365
919000
3000
ולבחור את אלה שהגיעו הכי קרוב כדי לעשות את מה שרציתי."
15:37
So in other words, I define what I wanted.
366
922000
2000
אז במילים אחרות, אני מגדיר את מה שרציתי.
15:39
Let's say I want to sort numbers,
367
924000
2000
נניח שאני רוצה למיין מספרים,
15:41
as a simple example I've done it with.
368
926000
2000
כדוגמה פשוטה עשיתי את זה.
15:43
So find the programs that come closest to sorting numbers.
369
928000
3000
אז מצא עבורי את התוכניות שמגיעות הכי קרוב למיון מספרים.
15:46
So of course, random sequences of instructions
370
931000
3000
אז כמובן, רצפים אקראיים של הוראות
15:49
are very unlikely to sort numbers,
371
934000
2000
אינם מאוד סבירים כדי למיין מספרים,
15:51
so none of them will really do it.
372
936000
2000
כך שאף אחד מהם לא באמת יעשה זאת.
15:53
But one of them, by luck,
373
938000
2000
אבל אחד מהם, במזל,
15:55
may put two numbers in the right order.
374
940000
2000
עשוי לשים שני מספרים בסדר הנכון.
15:57
And I say, "Computer,
375
942000
2000
ואני אומר, "מחשב,
15:59
would you please now take the 10 percent
376
944000
3000
בבקשה קח עכשיו את 10 האחוזים
16:02
of those random sequences that did the best job.
377
947000
2000
של הרצפים האקראיים שעשו את העבודה הטובה ביותר.
16:04
Save those. Kill off the rest.
378
949000
2000
שמור אותם. הרוג את השאר.
16:06
And now let's reproduce
379
951000
2000
ועכשיו בואו ונשחזר
16:08
the ones that sorted numbers the best.
380
953000
2000
את אלה שמיינו מספרים הכי טוב.
16:10
And let's reproduce them by a process of recombination
381
955000
3000
ובואו נשחזר אותם בתהליך של רקומבינציה
16:13
analogous to sex."
382
958000
2000
באופן אנלוגי לרבייה."
16:15
Take two programs and they produce children
383
960000
3000
קח שתי תוכניות, והן מייצרות ילדים
16:18
by exchanging their subroutines,
384
963000
2000
על ידי החלפת הסב-רוטינות שלהם,
16:20
and the children inherit the traits of the subroutines of the two programs.
385
965000
3000
והילדים מקבלים בירושה את תכונות הסב-רוטינות של שתי התוכניות.
16:23
So I've got now a new generation of programs
386
968000
3000
אז יש לי עכשיו דור חדש של תוכניות
16:26
that are produced by combinations
387
971000
2000
שמיוצרות על ידי שילובים
16:28
of the programs that did a little bit better job.
388
973000
2000
של התוכניות שעשו עבודה מעט טובה יותר.
16:30
Say, "Please repeat that process."
389
975000
2000
אומרים, "אנא חזור על תהליך זה."
16:32
Score them again.
390
977000
2000
דרג אותם שוב.
16:34
Introduce some mutations perhaps.
391
979000
2000
הצג כמה מוטציות אולי.
16:36
And try that again and do that for another generation.
392
981000
3000
ונסה זאת שוב בשביל דור אחר.
16:39
Well every one of those generations just takes a few milliseconds.
393
984000
3000
טוב, כל אחד מדורות אלה פשוט אורך כמה אלפיות השניה.
16:42
So I can do the equivalent
394
987000
2000
אז אני יכול לעשות את המקבילה
16:44
of millions of years of evolution on that
395
989000
2000
של מיליוני שנים של אבולוציה על כך
16:46
within the computer in a few minutes,
396
991000
3000
בתוך המחשב בדקות ספורות,
16:49
or in the complicated cases, in a few hours.
397
994000
2000
או במקרים מורכבים, תוך שעות ספורות.
16:51
At the end of that, I end up with programs
398
996000
3000
בסופו של דבר זה אני מסיים עם תוכניות
16:54
that are absolutely perfect at sorting numbers.
399
999000
2000
מושלמות לחלוטין במיון מספרים.
16:56
In fact, they are programs that are much more efficient
400
1001000
3000
למעשה,הן תוכניות הרבה יותר יעילות
16:59
than programs I could have ever written by hand.
401
1004000
2000
מתוכניות שיכולתי אי-פעם לכתוב בכתב יד.
17:01
Now if I look at those programs,
402
1006000
2000
עכשיו אם אני מסתכל על תוכניות אלה,
17:03
I can't tell you how they work.
403
1008000
2000
אני לא יכול לומר לכם איך הן עובדות.
17:05
I've tried looking at them and telling you how they work.
404
1010000
2000
ניסיתי להסתכל עליהם ולספר לכם איך הן עובדות.
17:07
They're obscure, weird programs.
405
1012000
2000
הן תוכניות מעורפלות, מוזרות.
17:09
But they do the job.
406
1014000
2000
אבל הן עושות את העבודה.
17:11
And in fact, I know, I'm very confident that they do the job
407
1016000
3000
ולמעשה, אני יודע, אני לגמרי בטוח שהן עושות את העבודה
17:14
because they come from a line
408
1019000
2000
מכיוון שהן באות מקו
17:16
of hundreds of thousands of programs that did the job.
409
1021000
2000
של מאות אלפי תוכניות שעשו את העבודה.
17:18
In fact, their life depended on doing the job.
410
1023000
3000
למעשה, החיים שלהם תלויים בכך שיעשו את העבודה.
17:21
(Laughter)
411
1026000
4000
(צחוק)
17:26
I was riding in a 747
412
1031000
2000
טסתי פעם אחת ב-747
17:28
with Marvin Minsky once,
413
1033000
2000
עם מרווין מינסקי,
17:30
and he pulls out this card and says, "Oh look. Look at this.
414
1035000
3000
והוא שולף כרטיס ואומר: "הו ראה. הסתכל על זה.
17:33
It says, 'This plane has hundreds of thousands of tiny parts
415
1038000
4000
זה אומר, ' למטוס זה יש מאות אלפי חלקים זעירים
17:37
working together to make you a safe flight.'
416
1042000
4000
שעובדים יחד כדי שתהיה לך טיסה בטוחה.'
17:41
Doesn't that make you feel confident?"
417
1046000
2000
האין זה גורם לך להרגיש בטוח? "
17:43
(Laughter)
418
1048000
2000
(צחוק)
17:45
In fact, we know that the engineering process doesn't work very well
419
1050000
3000
למעשה, אנו יודעים כי תהליך ההנדסה אינו פועל היטב
17:48
when it gets complicated.
420
1053000
2000
כאשר זה נהיה מסובך.
17:50
So we're beginning to depend on computers
421
1055000
2000
אז אנחנו מתחילים לסמוך על מחשבים
17:52
to do a process that's very different than engineering.
422
1057000
4000
כדי לעשות תהליך שונה מאוד מהנדסה.
17:56
And it lets us produce things of much more complexity
423
1061000
3000
והוא מאפשר לנו לייצר דברים עם הרבה יותר מורכבות
17:59
than normal engineering lets us produce.
424
1064000
2000
מאשר הנדסה רגילה מאפשרת לנו לייצר.
18:01
And yet, we don't quite understand the options of it.
425
1066000
3000
ובכל זאת, אנחנו לא מבינים מספיק את האפשרויות של זה.
18:04
So in a sense, it's getting ahead of us.
426
1069000
2000
אז במובן מסוים, זה מקדים אותנו.
18:06
We're now using those programs
427
1071000
2000
אנו משתמשים כעת בתוכניות אלה
18:08
to make much faster computers
428
1073000
2000
כדי לעשות מחשבים הרבה יותר מהירים
18:10
so that we'll be able to run this process much faster.
429
1075000
3000
כך שנוכל להפעיל תהליך זה הרבה יותר מהר.
18:13
So it's feeding back on itself.
430
1078000
3000
כך שהוא מזין חזרה את עצמו.
18:16
The thing is becoming faster
431
1081000
2000
הדבר הופך להיות מהיר יותר
18:18
and that's why I think it seems so confusing.
432
1083000
2000
וזו הסיבה לדעתי שזה נראה כל כך מבלבל.
18:20
Because all of these technologies are feeding back on themselves.
433
1085000
3000
כי כל הטכנולוגיות האלו שבות ומזינות את עצמן מעצמן.
18:23
We're taking off.
434
1088000
2000
אנחנו ממריאים.
18:25
And what we are is we're at a point in time
435
1090000
3000
ומה שאנחנו הוא, שאנחנו נמצאים בנקודה בזמן
18:28
which is analogous to when single-celled organisms
436
1093000
2000
שהיא אנלוגית לתהליך שבו אורגניזמים חד תאיים
18:30
were turning into multi-celled organisms.
437
1095000
3000
הפכו לאורגניזמים רב-תאיים.
18:33
So we're the amoebas
438
1098000
2000
אז אנחנו אמבות
18:35
and we can't quite figure out what the hell this thing is we're creating.
439
1100000
3000
ואיננו יכולים ממש להסביר מה לעזאזל הדבר הזה שאנחנו יוצרים.
18:38
We're right at that point of transition.
440
1103000
2000
אנחנו ממש באותה נקודת מעבר.
18:40
But I think that there really is something coming along after us.
441
1105000
3000
אבל אני חושב שבאמת יש משהו שבא אחרינו.
18:43
I think it's very haughty of us
442
1108000
2000
אני חושב שזה מאוד מתנשא מצדנו
18:45
to think that we're the end product of evolution.
443
1110000
3000
לחשוב שאנחנו המוצר הסופי של האבולוציה.
18:48
And I think all of us here
444
1113000
2000
ואני חושב שכל אחד מאיתנו כאן
18:50
are a part of producing
445
1115000
2000
הוא חלק בהפקה
18:52
whatever that next thing is.
446
1117000
2000
של מה שלא יהיה הדבר הבא.
18:54
So lunch is coming along,
447
1119000
2000
אז מגיעה ארוחת הצהריים,
18:56
and I think I will stop at that point,
448
1121000
2000
ואני חושב שאפסיק בנקודה זו,
18:58
before I get selected out.
449
1123000
2000
לפני שיראו לי את הדלת החוצה.
19:00
(Applause)
450
1125000
3000
(מחיאות כפיים)
ABOUT THE SPEAKER
Danny Hillis - Computer theoristInventor, scientist, author, engineer -- over his broad career, Danny Hillis has turned his ever-searching brain on an array of subjects, with surprising results.
Why you should listen
Danny Hillis is an inventor, scientist, author and engineer. While completing his doctorate at MIT, he pioneered the concept of parallel computers that is now the basis for graphics processors and cloud computing. He holds more than 300 US patents, covering parallel computers, disk arrays, forgery prevention methods, various electronic and mechanical devices, and the pinch-to-zoom display interface. He has recently been working on problems in medicine as well. He is also the designer of a 10,000-year mechanical clock, and he gave a TED Talk in 1994 that is practically prophetic. Throughout his career, Hillis has worked at places like Disney, and now MIT and Applied Invention, always looking for the next fascinating problem.
Danny Hillis | Speaker | TED.com