TED2006
Saul Griffith: Everyday inventions
Saul Griffith: Hétköznapi találmányok
Filmed:
Readability: 4.2
580,919 views
Saul Griffith feltaláló és MacArthur-ösztöndíjas. Elmondja laborjának néhány újítási ötletét: az okoskötéltől kezdve a nagy csónakok vontatására szolgáló házméretű sárkányig.
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
Ki vagyok?
00:25
I usually say to people, when they say, "What do you do?"
1
1000
3000
Amikor megkérdezik, mivel foglalkozom,
általában azt felelem:
általában azt felelem:
00:28
I say, "I do hardware,"
2
4000
2000
"Hardverekkel",
00:30
because it sort of conveniently encompasses everything I do.
3
6000
2000
mert az hűen tartalmazza,
amivel foglalkozom.
amivel foglalkozom.
00:32
And I recently said that to a venture capitalist casually at some
4
8000
4000
Nemrég ezt böktem oda
egy szilícium-völgyi rendezvényen
egy szilícium-völgyi rendezvényen
az egyik kockázatitőke-befektetőnek;
erre így felelt: "Milyen sajátságos!"
erre így felelt: "Milyen sajátságos!"
00:36
Valley event, to which he replied, "How quaint."
5
12000
3000
00:39
(Laughter)
6
15000
2000
(Nevetés)
00:41
And I sort of really was dumbstruck.
7
17000
3000
A lélegzetem is elállt.
00:44
And I really should have said something smart.
8
20000
2000
Valami okosat kellett volna mondanom.
00:46
And now I've had a little bit of time to think about it,
9
22000
5000
Most van egy kis időm átgondolni.
00:51
I would have said, "Well, you know,
10
27000
2000
Azt kellett volna mondanom:
Tudja, ha 100 évvel előretekintünk,
00:53
if we look at the next 100 years
11
29000
2000
és látjuk az utóbbi idők
összes problémáját,
összes problémáját,
00:55
and we've seen all these problems in the last few days,
12
31000
2000
00:57
most of the big issues -- clean water, clean energy --
13
33000
3000
a legtöbb nagy ügyet:
tiszta víz, tiszta energia, –
tiszta víz, tiszta energia, –
01:00
and they're interchangeable in some respects --
14
36000
2000
ezek tulajdonképpen összefüggnek –,
01:02
and cleaner, more functional materials --
15
38000
2000
és tiszta, funkcionálisabb anyagok,
01:04
they all look to me to be hardware problems.
16
40000
3000
valamennyi hardverügynek tűnik.
Ettől még nem kell a szoftvert,
az információt vagy a számításokat
az információt vagy a számításokat
01:07
This doesn't mean we should ignore software,
17
43000
2000
01:09
or information, or computation."
18
45000
2000
figyelmen kívül hagyni.
01:11
And that's in fact probably what I'm going to try and tell you about.
19
47000
3000
Ma ezekről fogok beszélni.
01:14
So, this talk is going to be about how do we make things
20
50000
3000
Az előadás gyártásról
01:17
and what are the new ways that we're going to make things in the future.
21
53000
5000
és jövőbeni új gyártási
módszerekről fog szólni.
módszerekről fog szólni.
01:22
Now, TED sends you a lot of spam if you're a speaker
22
58000
5000
A TED egy csomó szemetet
szokott az előadóknak küldeni,
szokott az előadóknak küldeni,
úgymint: "tedd ezt, tedd azt",
az ember kitölti az űrlapokat,
az ember kitölti az űrlapokat,
01:27
about "do this, do that" and you fill out all these forms,
23
63000
2000
01:29
and you don't actually know how they're going to describe you,
24
65000
3000
de nem tudja, minek festik le.
01:32
and it flashed across my desk that they were going to introduce me as a futurist.
25
68000
3000
Úgy tűnik, hogy jövőkutatónak mutattak be.
01:35
And I've always been nervous about the term "futurist,"
26
71000
2000
Mindig idegesít ez a szó,
01:37
because you seem doomed to failure because you can't really predict it.
27
73000
3000
mert eleve kudarcra vagyok kárhoztatva,
hisz nem jelezhetek semmit előre.
hisz nem jelezhetek semmit előre.
01:40
And I was laughing about this with the very smart colleagues I have,
28
76000
3000
Nevettünk ezen az okos kollégáimmal,
01:43
and said, "You know, well, if I have to talk about the future, what is it?"
29
79000
4000
és megjegyeztem: "Ha a jövőről
kell előadnom, milyen az?"
kell előadnom, milyen az?"
01:47
And George Homsey, a great guy, said, "Oh, the future is amazing.
30
83000
5000
A kiváló George Homsey azt mondta:
"Ó, a jövő csodálatos!
"Ó, a jövő csodálatos!
01:52
It is so much stranger than you think.
31
88000
2000
Sokkal érdekesebb, mint gondolnánk.
01:54
We're going to reprogram the bacteria in your gut,
32
90000
2000
Átprogramozhatjuk a bélbaktériumainkat,
01:56
and we're going to make your poo smell like peppermint."
33
92000
5000
és attól mentaillatú lesz a kakink."
02:01
(Laughter)
34
97000
2000
(Nevetés)
02:03
So, you may think that's sort of really crazy,
35
99000
3000
Azt hihetnék, hogy ez valami őrültség,
02:06
but there are some pretty amazing things that are happening
36
102000
2000
de van pár bámulatos dolog,
02:08
that make this possible.
37
104000
1000
amelyek ezt lehetővé teszik.
02:09
So, this isn't my work, but it's work of good friends of mine at MIT.
38
105000
4000
Ez nem az én munkám,
hanem MIT-es jó barátomé.
hanem MIT-es jó barátomé.
02:13
This is called the registry of standard biological parts.
39
109000
2000
Ezt a "sztenderd biológiai
részek regisztrációja".
részek regisztrációja".
02:15
This is headed by Drew Endy and Tom Knight
40
111000
2000
A munkát Drew Endy, Tom Knight
02:17
and a few other very, very bright individuals.
41
113000
3000
és még néhány nagyon eszes kutató vezeti.
02:20
Basically, what they're doing is looking at biology as a programmable system.
42
116000
3000
A lényeg, hogy a biológiát
programozható rendszernek tekintik.
programozható rendszernek tekintik.
02:23
Literally, think of proteins as subroutines
43
119000
4000
Gondoljunk a fehérjékre
mint szubrutinokra,
mint szubrutinokra,
02:27
that you can string together to execute a program.
44
123000
3000
amelyek összefűzve
programot hajtanak végre.
programot hajtanak végre.
02:30
Now, this is actually becoming such an interesting idea.
45
126000
5000
Érdekes elgondolás.
02:35
This is a state diagram. That's an extremely simple computer.
46
131000
3000
Ez itt egy teljesen egyszerű
számítógép állapotdiagramja.
számítógép állapotdiagramja.
02:38
This one is a two-bit counter.
47
134000
2000
Kétbites számláló.
02:40
So that's essentially the computational equivalent of two light switches.
48
136000
6000
A kettős lámpakapcsoló
numerikus megfelelője.
numerikus megfelelője.
Zürichi diákok építették
02:46
And this is being built by a group of students at Zurich
49
142000
3000
biológiai tervezőverseny keretében.
02:49
for a design competition in biology.
50
145000
2000
02:51
And from the results of the same competition last year,
51
147000
3000
A tavalyi verseny eredményeként
02:54
a University of Texas team of students programmed bacteria
52
150000
4000
texasi egyetemisták baktériumokat
olyanná programoztak,
olyanná programoztak,
02:58
so that they can detect light and switch on and off.
53
154000
3000
hogy felismerjék a fényt,
és ki-be kapcsoljanak.
és ki-be kapcsoljanak.
03:01
So this is interesting in the sense that you can now
54
157000
2000
Ez abban az értelemben érdekes,
03:03
do "if-then-for" statements in materials, in structure.
55
159000
5000
hogy most anyagokban, szerkezetekben
a "ha–akkor" utasítás már végrehajtható.
a "ha–akkor" utasítás már végrehajtható.
03:08
This is a pretty interesting trend,
56
164000
2000
Nagyon érdekes irányzat,
mivel korábban olyan világban éltünk,
amelyben mindenki csak rávágta:
amelyben mindenki csak rávágta:
03:10
because we used to live in a world where everyone's said glibly,
57
166000
2000
03:12
"Form follows function," but I think I've sort of grown up in a world
58
168000
4000
"a forma illeszkedik a funkcióhoz", –
03:16
-- you listened to Neil Gershenfeld yesterday;
59
172000
3000
hallották tegnap Neil Gershenfeldet,
közös volt a laborunk –,
közös volt a laborunk –,
03:19
I was in a lab associated with his -- where it's really a world
60
175000
4000
de én inkább olyan világban éltem,
amelyben az információ határozza meg
a formát és a funkciót.
a formát és a funkciót.
03:23
where information defines form and function.
61
179000
3000
03:26
I spent six years thinking about that,
62
182000
4000
Hat évig töprengtem ezen,
03:30
but to show you the power of art over science --
63
186000
2000
de hogy megmutassam
a művészet hatalmát a tudomány fölött,
a művészet hatalmát a tudomány fölött,
03:32
this is actually one of the cartoons I write. These are called "HowToons."
64
188000
3000
megírtam a "HowToons" c. képregényt.
03:35
I work with a fabulous illustrator called Nick Dragotta.
65
191000
2000
Nick Dragotta rajzolóval dolgozom, mesés!
03:37
Took me six years at MIT,
66
193000
2000
Nekem hat évembe telt a MIT-en
03:39
and about that many pages to describe what I was doing,
67
195000
4000
és ennyi oldalba, hogy megadjam,
mivel foglalkozom; neki egy oldalba.
mivel foglalkozom; neki egy oldalba.
03:43
and it took him one page. And so this is our muse Tucker.
68
199000
5000
Ez a múzsánk, Tucker.
Érdekes kölyök, és a nővére, Celine is.
03:48
He's an interesting little kid -- and his sister, Celine --
69
204000
2000
03:50
and what he's doing here
70
206000
2000
Azzal foglalkozik,
03:52
is observing the self-assembly of his Cheerios in his cereal bowl.
71
208000
4000
hogy figyeli a gabonapehely
müzlitálban való önszerveződését.
müzlitálban való önszerveződését.
03:56
And in fact you can program the self-assembly of things,
72
212000
3000
Tényleg programozható az önszerveződés,
03:59
so he starts chocolate-dipping edges,
73
215000
2000
és a szélét kezdi csokiba mártogatni,
közben változtatja
a hidrofóbiát és a hidrofiliát.
a hidrofóbiát és a hidrofiliát.
04:01
changing the hydrophobicity and the hydrophylicity.
74
217000
2000
04:03
In theory, if you program those sufficiently,
75
219000
2000
Elvileg, ha jól programozzuk,
04:05
you should be able to do something pretty interesting
76
221000
2000
valami igen érdekeset tehetünk vele,
04:07
and make a very complex structure.
77
223000
2000
s nagyon összetett szerkezetet
hozhatunk létre.
hozhatunk létre.
04:09
In this case, he's done self-replication of a complex 3D structure.
78
225000
5000
Tucker önmagát másoló 3D-s
összetett szerkezetet csinált.
összetett szerkezetet csinált.
04:14
And that's what I thought about for a long time,
79
230000
3000
Erről sokat gondolkodtam,
04:17
because this is how we currently make things.
80
233000
2000
mert pont így hozunk létre egyes dolgokat.
04:19
This is a silicon wafer, and essentially
81
235000
2000
Ez itt szilícium szelet,
04:21
that's just a whole bunch of layers of two-dimensional stuff, sort of layered up.
82
237000
4000
és egy csomó kétdimenziós réteg,
egymásra rakva.
egymásra rakva.
04:25
The feature side is -- you know, people will say,
83
241000
2000
Vastagsága – már tudják, beszélik –,
04:27
[unclear] down around about 65 nanometers now.
84
243000
2000
[érthetetlen]
kb. 65 nanométeresre csökkent.
kb. 65 nanométeresre csökkent.
04:29
On the right, that's a radiolara.
85
245000
2000
Jobbra sugárállatkák láthatók.
04:31
That's a unicellular organism ubiquitous in the oceans.
86
247000
3000
Ezek óceánban mindenütt
jelen levő egysejtű szervezetek.
jelen levő egysejtű szervezetek.
04:34
And that has feature sizes down to about 20 nanometers,
87
250000
4000
Vastagsága kb. 20 nanométer,
04:38
and it's a complex 3D structure.
88
254000
2000
és az állatka komplex 3D szerkezetű.
04:40
We could do a lot more with computers and things generally
89
256000
4000
Sokkal több mindent
kezdhetünk a számítógépekkel,
kezdhetünk a számítógépekkel,
04:44
if we knew how to build things this way.
90
260000
3000
ha tudnánk, hogy építhetünk így valamit.
04:47
The secret to biology is, it builds computation
91
263000
3000
A biológia titka, hogy már a létrehozás
folyamán beépíti a számításokat.
folyamán beépíti a számításokat.
04:50
into the way it makes things. So this little thing here, polymerase,
92
266000
3000
Ez a kis dolog itt, a polimeráz,
04:53
is essentially a supercomputer designed for replicating DNA.
93
269000
5000
valójában DNS-másolatok létrehozására
szolgáló szuperszámítógép.
szolgáló szuperszámítógép.
04:58
And the ribosome here is another little computer
94
274000
3000
Itt a riboszóma is kis számítógép,
05:01
that helps in the translation of the proteins.
95
277000
2000
amely elősegíti a fehérjeszintézist.
05:03
I thought about this
96
279000
1000
Azért gondoltam erre,
05:04
in the sense that it's great to build in biological materials,
97
280000
3000
mert pompás lenne biológiai
anyagokba beépíteni,
anyagokba beépíteni,
05:07
but can we do similar things?
98
283000
2000
de meg tudjuk-e csinálni?
05:09
Can we get self-replicating-type behavior?
99
285000
2000
Megoldható-e az önmagát másoló viselkedés?
05:11
Can we get complex 3D structure automatically assembling
100
287000
4000
Kaphatunk-e komplex 3D-s szerkezetet,
amely szervetlen rendszerekben
automatikusan összeszereli magát?
automatikusan összeszereli magát?
05:15
in inorganic systems?
101
291000
2000
05:17
Because there are some advantages to inorganic systems,
102
293000
2000
Mert a szervetlen rendszereknek
vannak előnyei,
vannak előnyei,
05:19
like higher speed semiconductors, etc.
103
295000
2000
mint pl. a félvezetők nagyobb sebessége.
05:21
So, this is some of my work
104
297000
2000
Részben ez a munkám:
05:23
on how do you do an autonomously self-replicating system.
105
299000
6000
hogyan lehet automatikusan
önmagát másoló rendszert készíteni.
önmagát másoló rendszert készíteni.
05:29
And this is sort of Babbage's revenge.
106
305000
2000
Ez Babbage bosszúja.
05:31
These are little mechanical computers.
107
307000
1000
Ezek kis mechanikus számológépek.
05:32
These are five-state state machines.
108
308000
3000
Ötállapotú gépek.
05:35
So, that's about three light switches lined up.
109
311000
3000
Ez három, sorba kötött villanykapcsoló.
Semleges állapotban nem kapcsolnak.
05:38
In a neutral state, they won't bind at all.
110
314000
2000
05:40
Now, if I make a string of these, a bit string,
111
316000
4000
Ha karakterláncba, bitláncba kötjük őket,
05:44
they will be able to replicate.
112
320000
2000
akkor másolni tudják magukat.
05:46
So we start with white, blue, blue, white.
113
322000
1000
Kezdjük: fehér, kék, kék, fehér.
05:47
That encodes; that will now copy. From one comes two,
114
323000
6000
Kódolja; most másolni fog.
Egyből kettő lesz, kettőből három.
05:53
and then from two comes three.
115
329000
2000
05:55
And so you've got this sort of replicating system.
116
331000
4000
Megkaptuk a másolórendszert.
05:59
It was work actually by Lionel Penrose,
117
335000
2000
Ez Lionel Penrose munkája,
06:01
father of Roger Penrose, the tiles guy.
118
337000
3000
a "csempés" Roger Penrose apja.
06:04
He did a lot of this work in the '60s,
119
340000
2000
A 60-as években sok ilyen munkát végzett,
06:06
and so a lot of this logic theory lay fallow
120
342000
2000
de sok logikai elmélet parlagon maradt
06:08
as we went down the digital computer revolution, but it's now coming back.
121
344000
3000
a digitális számítógép forradalma során,
de most ismét előkerülnek.
de most ismét előkerülnek.
06:11
So now I'm going to show you the hands-free, autonomous self-replication.
122
347000
4000
Bemutatom az automatikus önmásolót,
amelyhez hozzá sem kell nyúlni.
amelyhez hozzá sem kell nyúlni.
06:15
So we've tracked in the video the input string,
123
351000
2000
Videón végigkövettük a bemenő láncot:
06:17
which was green, green, yellow, yellow, green.
124
353000
2000
zöld, zöld, sárga, sárga, zöld.
06:19
We set them off on this air hockey table.
125
355000
4000
Szétraktuk őket a léghoki asztalon.
Tudják, a minőségi tudomány
léghoki asztalt használ...
léghoki asztalt használ...
06:23
You know, high science uses air hockey tables --
126
359000
2000
06:25
(Laughter)
127
361000
1000
(Nevetés)
06:26
-- and if you watch this thing long enough you get dizzy,
128
362000
2000
és ha elég soká nézzük, elszédülünk.
06:28
but what you're actually seeing is copies of that original string
129
364000
3000
De most csak az eredeti
karakterlánc másolatai láthatók,
karakterlánc másolatai láthatók,
06:31
emerging from the parts bin that you have here.
130
367000
3000
amelyek az itt található
alkatrésztárolóból származnak.
alkatrésztárolóból származnak.
06:34
So we've got autonomous replication of bit strings.
131
370000
5000
Így jutunk karakterláncok
automatikus önmásolóihoz.
automatikus önmásolóihoz.
06:39
So, why would you want to replicate bit strings?
132
375000
3000
Miért szeretnénk karakterláncokat másolni?
06:42
Well, it turns out biology has this other very interesting meme,
133
378000
3000
Mert a biológiában érdekes mém létezik:
06:45
that you can take a linear string, which is a convenient thing to copy,
134
381000
3000
a lineáris láncot könnyű másolni,
06:48
and you can fold that into an arbitrarily complex 3D structure.
135
384000
4000
és tetszőlegesen komplex
3D-s szerkezetbe hajlítható.
3D-s szerkezetbe hajlítható.
06:52
So I was trying to, you know, take the engineer's version:
136
388000
3000
Kipróbáltam a mérnöki változatot is:
06:55
Can we build a mechanical system in inorganic materials
137
391000
3000
létrehozhatunk-e szervetlen anyagokban
ugyanazt megvalósító
mechanikai rendszereket?
mechanikai rendszereket?
06:58
that will do the same thing?
138
394000
1000
06:59
So what I'm showing you here is that we can make a 2D shape --
139
395000
5000
Megmutatom, hogy 2D-s
alakzatot is készíthetünk,
alakzatot is készíthetünk,
07:04
the B -- assemble from a string of components
140
400000
4000
a B-t, elemeiből összeilleszkedik
07:08
that follow extremely simple rules.
141
404000
2000
igen egyszerű szabályok alapján.
07:10
And the whole point of going with the extremely simple rules here,
142
406000
3000
Az egyszerű szabályok és az utóbb látott
elképesztően egyszerű állapotautomaták
elképesztően egyszerű állapotautomaták
07:13
and the incredibly simple state machines in the previous design,
143
409000
3000
alkalmazásának értelme,
07:16
was that you don't need digital logic to do computation.
144
412000
3000
hogy a számításokhoz nem kell
digitális logika.
digitális logika.
07:19
And that way you can scale things much smaller than microchips.
145
415000
4000
Így a mikrocsipeknél sokkal kisebb
tárgyakkal is dolgozhatunk.
tárgyakkal is dolgozhatunk.
07:23
So you can literally use these as the tiny components in the assembly process.
146
419000
4000
A szerelési folyamatban ezek
az apró alkatrészek használhatók.
az apró alkatrészek használhatók.
07:27
So, Neil Gershenfeld showed you this video on Wednesday, I believe,
147
423000
5000
Úgy tudom, Neil Gershenfeld
már mutatta önöknek ezt a videót,
már mutatta önöknek ezt a videót,
07:32
but I'll show you again.
148
428000
2000
de én újra bemutatom.
07:34
This is literally the colored sequence of those tiles.
149
430000
3000
Ez csempék színes sorozata.
07:37
Each different color has a different magnetic polarity,
150
433000
3000
a különböző színű csempéknek
más-más a mágneses polaritásuk,
más-más a mágneses polaritásuk,
07:40
and the sequence is uniquely specifying the structure that is coming out.
151
436000
5000
és a sorozat egyedileg
határozza meg a végső szerkezetet.
határozza meg a végső szerkezetet.
07:45
Now, hopefully, those of you who know anything about graph theory
152
441000
3000
Akik kissé értenek a gráfelmélethez,
07:48
can look at that, and that will satisfy you
153
444000
2000
azoknak ezt látva világos,
07:50
that that can also do arbitrary 3D structure,
154
446000
3000
hogy ebből tetszőleges
térbeli szerkezet alakítható ki,
térbeli szerkezet alakítható ki,
07:53
and in fact, you know, I can now take a dog, carve it up
155
449000
5000
és földarabolhatok egy kutyát,
07:58
and then reassemble it so it's a linear string
156
454000
2000
és újra összeállíthatom lineáris láncba,
08:00
that will fold from a sequence. And now
157
456000
2000
amelyet sorozatba hajtogathatok.
08:02
I can actually define that three-dimensional object as a sequence of bits.
158
458000
7000
A 3-D-s tárgy karakterláncként
határozható meg.
határozható meg.
08:09
So, you know, it's a pretty interesting world
159
465000
3000
Eléggé érdekes világ tárul elénk,
08:12
when you start looking at the world a little bit differently.
160
468000
2000
mikor kissé más szemmel nézünk rá.
08:14
And the universe is now a compiler.
161
470000
3000
Az univerzum fordítóprogrammá válik.
08:17
And so I'm thinking about, you know, what are the programs
162
473000
2000
Azon gondolkodom,
08:19
for programming the physical universe?
163
475000
3000
milyenek a fizikai világmindenséget
programozó programok?
programozó programok?
08:22
And how do we think about materials and structure,
164
478000
3000
Mit tartsunk az anyagokról
és szerkezetekről
és szerkezetekről
08:25
sort of as an information and computation problem?
165
481000
3000
információs és számítási szempontból?
08:28
Not just where you attach a micro-controller to the end point,
166
484000
3000
Nemcsak ott, ahol a végponthoz
mikroszabályozót csatlakoztatunk,
mikroszabályozót csatlakoztatunk,
08:31
but that the structure and the mechanisms are the logic, are the computers.
167
487000
5000
hanem ott is, ahol a szerkezet
és a mechanizmusok a logika, a számítógép.
és a mechanizmusok a logika, a számítógép.
08:36
Having totally absorbed this philosophy,
168
492000
5000
Miután teljesen magamévá
tettem ezt a filozófiát,
tettem ezt a filozófiát,
08:41
I started looking at a lot of problems a little differently.
169
497000
3000
kezdtem kissé másként látni a kérdéseket.
08:44
With the universe as a computer,
170
500000
1000
Ha az univerzum számítógép,
08:45
you can look at this droplet of water
171
501000
2000
e vízcseppet úgy tekinthetjük,
08:47
as having performed the computations.
172
503000
2000
mint amely elvégezte a számításokat.
08:49
You set a couple of boundary conditions, like gravity,
173
505000
2000
Megadunk pár határfeltétel,
pl. a gravitációt,
pl. a gravitációt,
08:51
the surface tension, density, etc., and then you press "execute,"
174
507000
4000
felületi feszültséget, sűrűséget stb.,
majd megnyomjuk a "Végrehajtás" gombot.
majd megnyomjuk a "Végrehajtás" gombot.
08:55
and magically, the universe produces you a perfect ball lens.
175
511000
5000
Csodák csodája, az univerzum
megadja a tökéletes gömblencsét.
megadja a tökéletes gömblencsét.
09:00
So, this actually applied to the problem
176
516000
2000
Ez fölhasználható a megoldáshoz.
09:02
of -- so there's a half a billion to a billion people in the world
177
518000
3000
Fél-egymilliárd ember nem jut hozzá
09:05
don't have access to cheap eyeglasses.
178
521000
2000
olcsó szemüveghez.
09:07
So can you make a machine
179
523000
2000
Gyárthatunk-e gépet,
09:09
that could make any prescription lens very quickly on site?
180
525000
4000
amely bármely lencsét
el tudna a helyszínen készíteni?
el tudna a helyszínen készíteni?
09:13
This is a machine where you literally define a boundary condition.
181
529000
4000
A gépnek csak megadjuk a peremfeltételt.
09:17
If it's circular, you make a spherical lens.
182
533000
3000
Ha kör, akkor gömblencsét készít.
09:20
If it's elliptical, you can make an astigmatic lens.
183
536000
3000
Ha ellipszis, akkor asztigmatikus lencsét.
09:23
You then put a membrane on that and you apply pressure --
184
539000
3000
Aztán membránt helyezünk rá,
és nyomást alkalmazunk...
és nyomást alkalmazunk...
09:26
so that's part of the extra program.
185
542000
2000
ez már másik program része.
09:28
And literally with only those two inputs --
186
544000
3000
Csak ezzel a két bemenettel:
09:31
so, the shape of your boundary condition and the pressure --
187
547000
2000
a peremfeltétellel és a nyomással
09:33
you can define an infinite number of lenses
188
549000
2000
végtelen számú lencsét határozhatunk meg,
09:35
that cover the range of human refractive error,
189
551000
2000
amely az emberi fénytörési
hibatartományt teljesen lefedi
hibatartományt teljesen lefedi
09:37
from minus 12 to plus eight diopters, up to four diopters of cylinder.
190
553000
5000
– 12-től + 8 dioptriáig,
4 cilinder-dioptriáig.
4 cilinder-dioptriáig.
09:42
And then literally, you now pour on a monomer.
191
558000
3000
Aztán kiöntjük a monomert.
09:45
You know, I'll do a Julia Childs here.
192
561000
3000
Most úgy teszek, mint Julia Childs
a főzőiskolájában.
a főzőiskolájában.
09:48
This is three minutes of UV light.
193
564000
3000
Három perc ibolyántúli fény.
09:51
And you reverse the pressure on your membrane
194
567000
3000
Mikor kész, levesszük
a nyomást a membránról.
a nyomást a membránról.
09:54
once you've cooked it. Pop it out.
195
570000
3000
Kivehetjük.
09:57
I've seen this video, but I still don't know if it's going to end right.
196
573000
3000
Láttam ezt a videót, de még
mindig nem tudom, jól végződik-e.
mindig nem tudom, jól végződik-e.
10:00
(Laughter)
197
576000
3000
(Nevetés)
10:03
So you reverse this. This is a very old movie,
198
579000
2000
Megfordítjuk.
A videó régi, de az új változatnál
mindkét felület rugalmas,
mindkét felület rugalmas,
10:05
so with the new prototypes, actually both surfaces are flexible,
199
581000
4000
10:09
but this will show you the point.
200
585000
2000
de a lényeg így is látszik.
10:11
Now you've finished the lens, you literally pop it out.
201
587000
2000
Elkészültek a lencsék, kivesszük.
10:13
That's next year's Yves Klein, you know, eyeglasses shape.
202
589000
7000
Ez az Yves Klein jövő évi szemüvegformája.
10:20
And you can see that that has a mild prescription of about minus two diopters.
203
596000
3000
Ez elég gyenge lencse, – 2 dioptriás.
10:23
And as I rotate it against this side shot, you'll see that that has cylinder,
204
599000
4000
Forgatva látszik, hogy cilinderes,
10:27
and that was programmed in --
205
603000
1000
és ez bele van programozva
10:28
literally into the physics of the system.
206
604000
4000
a rendszer fizikájába.
10:32
So, this sort of thinking about structure as computation
207
608000
3000
Az effajta gondolkodás
a szerkezetről mint számításról
a szerkezetről mint számításról
10:35
and structure as information leads to other things, like this.
208
611000
5000
és a szerkezetről mint információról,
más dolgokhoz vezet el, pl. ehhez.
más dolgokhoz vezet el, pl. ehhez.
10:40
This is something that my people at SQUID Labs
209
616000
3000
Embereim a SQUID laborban
most ezen dolgoznak,
most ezen dolgoznak,
10:43
are working on at the moment, called "electronic rope."
210
619000
2000
az ún. elektronikus kötélen.
10:45
So literally, you think about a rope. It has very complex structure in the weave.
211
621000
4000
Gondoljunk a kötélre: nagyon
bonyolult fonási szerkezete van.
bonyolult fonási szerkezete van.
10:49
And under no load, it's one structure.
212
625000
2000
Ez a terhelés nélküli szerkezete.
10:51
Under a different load, it's a different structure. And you can actually exploit that
213
627000
3000
Más-más terhelésnél eltérő a szerkezete.
Ezt kihasználhatjuk, ha egy kevés
vezető szálat teszünk bele,
vezető szálat teszünk bele,
10:54
by putting in a very small number of
214
630000
2000
10:56
conducting fibers to actually make it a sensor.
215
632000
2000
amely érzékelőként működik.
10:58
So this is now a rope that knows the load on the rope
216
634000
3000
Ez most olyan kötél,
amely fölismeri a terhelést
a kötél bármely pontján.
a kötél bármely pontján.
11:01
at any particular point in the rope.
217
637000
2000
11:03
Just by thinking about the physics of the world,
218
639000
3000
Egyszerűen a világ fizikai
valóságára gondolva,
valóságára gondolva,
11:06
materials as the computer,
219
642000
2000
mikor az anyag maga a számítógép,
11:08
you can start to do things like this.
220
644000
3000
elkezdhetjük e dolgokat készíteni.
11:11
I'm going to segue a little here.
221
647000
3000
Most egy kis kitérőt teszek.
11:14
I guess I'm just going to casually tell you the types of things
222
650000
2000
Felsorolom pár ötletemet
11:16
that I think about with this.
223
652000
1000
ezekkel kapcsolatban.
11:17
One thing I'm really interested about this right now is, how,
224
653000
4000
Ma igazán egyetlen dolog érdekel,
11:21
if you're really taking this view of the universe as a computer,
225
657000
4000
ha a világmindenséget tényleg
számítógépnek tekintjük:
számítógépnek tekintjük:
11:25
how do we make things in a very general sense,
226
661000
2000
általánosságban hogyan gyártsunk valamit,
11:27
and how might we share the way we make things in a general sense
227
663000
4000
és hogyan tudnánk a gyártási
módszert megosztani,
módszert megosztani,
ahogyan a nyílt forráskódú
hardvereket szoktuk?
hardvereket szoktuk?
11:31
the same way you share open source hardware?
228
667000
3000
11:34
And a lot of talks here have espoused the benefits
229
670000
3000
Sok előadó tartja előnyösnek,
11:37
of having lots of people look at problems,
230
673000
2000
ha többen vizsgálnak egy-egy kérdést,
11:39
share the information and work on those things together.
231
675000
3000
közreadják ismereteiket,
és együtt dolgoznak.
és együtt dolgoznak.
11:42
So, a convenient thing about being a human is you move in linear time,
232
678000
3000
Emberi mivoltunk előnye,
hogy lineáris időben mozgunk,
hogy lineáris időben mozgunk,
11:45
and unless Lisa Randall changes that,
233
681000
2000
s hacsak Lisa Randall nem változtat rajta,
11:47
we'll continue to move in linear time.
234
683000
3000
ez a jövőben is így lesz.
11:50
So that means anything you do, or anything you make,
235
686000
2000
Ez azt jelenti, hogy bármit gyártunk,
11:52
you produce a sequence of steps --
236
688000
2000
lépésenként végezzük.
11:54
and I think Lego in the '70s nailed this,
237
690000
3000
A Lego a 70-es években erre ráérzett,
és igen elegánsan alkalmazták.
11:57
and they did it most elegantly.
238
693000
1000
11:58
But they can show you how to build things in sequence.
239
694000
4000
De megmutatják, hogyan lehet
elemenként építkezni.
elemenként építkezni.
12:02
So, I'm thinking about, how can we generalize
240
698000
3000
Azon töprengek,
hogyan általánosíthatjuk
bármiféle dolog gyártását,
bármiféle dolog gyártását,
12:05
the way we make all sorts of things,
241
701000
2000
12:07
so you end up with this sort of guy, right?
242
703000
2000
hogy ez legyen az eredmény.
12:09
And I think this applies across a very broad -- sort of, a lot of concepts.
243
705000
5000
Azt hiszem, hogy ez rengeteg
koncepcióra alkalmazható.
koncepcióra alkalmazható.
12:14
You know, Cameron Sinclair yesterday said,
244
710000
2000
Cameron Sinclair föltette a kérdést:
12:16
"How do I get everyone to collaborate on design
245
712000
2000
"Hogyan késztessünk mindenkit
tervezési és építési együttműködésre,
tervezési és építési együttműködésre,
12:18
globally to do housing for humanity?"
246
714000
3000
hogy az emberiségnek
meglegyen a lakhatása?"
meglegyen a lakhatása?"
12:21
And if you've seen Amy Smith,
247
717000
2000
Amy Smith arról beszél,
12:23
she talks about how you get students at MIT
248
719000
4000
hogyan vonhatók be az MIT hallgatói
12:27
to work with communities in Haiti.
249
723000
2000
a haiti közösségek tevékenységébe.
12:29
And I think we have to sort of redefine and rethink
250
725000
2000
Át kell gondolnunk, hogyan határozzuk meg
12:31
how we define structure and materials and assembly things,
251
727000
4000
a szerkezeteket, anyagokat és a szerelést,
hogyan terjesszük a tudást
12:35
so that we can really share the information
252
731000
2000
a minél szélesebb körű gyártásról,
12:37
on how you do those things in a more profound way
253
733000
2000
és hogy a szerkezetet illetően
támaszkodhassunk egymás forráskódjára.
támaszkodhassunk egymás forráskódjára.
12:39
and build on each other's source code for structure.
254
735000
3000
12:42
I don't know exactly how to do this yet,
255
738000
1000
Még nem tudom ennek a módját,
12:43
but, you know, it's something being actively thought about.
256
739000
5000
de sokan törik rajta a fejüket.
12:48
So, you know, that leads to questions
257
744000
2000
Adódik a kérdés: ez fordítóprogram?
12:50
like, is this a compiler? Is this a sub-routine?
258
746000
4000
Ez szubrutin?
12:54
Interesting things like that.
259
750000
1000
Érdekes kérdés.
12:55
Maybe I'm getting a little too abstract, but you know,
260
751000
3000
Talán kissé elvont vagyok,
de visszatérve a rajzfigurákhoz,
12:58
this is the sort of -- returning to our comic characters --
261
754000
3000
ez a világmindenség,
vagy a világmindenség más látványa,
vagy a világmindenség más látványa,
13:01
this is sort of the universe, or a different universe view,
262
757000
2000
13:03
that I think is going to be very prevalent in the future --
263
759000
2000
ami gyakori lesz a jövőben
az anyagoktól a biotechnológiáig.
az anyagoktól a biotechnológiáig.
13:05
from biotech to materials assembly. It was great to hear Bill Joy.
264
761000
3000
Jó volt Bill Joyt hallgatni.
13:08
They're starting to invest in materials science,
265
764000
3000
Kezdenek beruházni az anyagtudományba,
13:11
but these are the new things in materials science.
266
767000
2000
de ezek újdonságok az anyagtudományban.
13:13
How do we put real information and real structure into new ideas,
267
769000
4000
Hogy kerüljön új elvekbe igazi szerkezet
s tudás, hogy a világot másként lássuk?
s tudás, hogy a világot másként lássuk?
13:17
and see the world in a different way? And it's not going to be binary code
268
773000
3000
Nem a bináris kód határozza majd meg
13:20
that defines the computers of the universe --
269
776000
2000
a világmindenséget,
13:22
it's sort of an analog computer.
270
778000
2000
ez az analóg számítógép világa.
13:24
But it's definitely an interesting new worldview.
271
780000
5000
De ez bizonyosan új világkép.
13:29
I've gone too far. So that sounds like it's it.
272
785000
3000
Túl messzire mentem,
úgy hangzik, mintha ma lenne.
úgy hangzik, mintha ma lenne.
13:32
I've probably got a couple of minutes of questions,
273
788000
2000
Talán van pár percem kérdésekre,
vagy inkább mutatok valamit.
vagy inkább mutatok valamit.
13:34
or I can show -- I think they also said that I do extreme stuff
274
790000
4000
Bemutatásomkor elmondták,
hogy extrém dolgokkal is foglalkozom.
hogy extrém dolgokkal is foglalkozom.
13:38
in the introduction, so I may have to explain that.
275
794000
4000
Úgyhogy elmondom, miről van szó.
13:42
So maybe I'll do that with this short video.
276
798000
3000
Legjobb lesz egy rövid videó segítségével.
13:45
So this is actually a 3,000-square-foot kite,
277
801000
6000
Ez 300 m²-es sárkány,
amelynek felülete minimális
energiát igényel.
energiát igényel.
13:51
which also happens to be a minimal energy surface.
278
807000
2000
13:53
So returning to the droplet, again,
279
809000
2000
Visszatérve a cseppecskére,
13:55
thinking about the universe in a new way.
280
811000
2000
a világmindenségre újszerűen gondolunk.
13:57
This is a kite designed by a guy called Dave Kulp.
281
813000
2000
A sárkány Dave Kulp alkotása.
13:59
And why do you want a 3,000-square-foot kite?
282
815000
2000
Mire jó ekkora sárkány?
14:01
So that's a kite the size of your house.
283
817000
2000
Mert a felülete ház nagyságrendű.
14:03
And so you want that to tow boats very fast.
284
819000
4000
Igen gyorsan lehet vele csónakot vontatni.
14:07
So I've been working on this a little, also,
285
823000
3000
Ezen is dolgozom
14:10
with a couple of other guys.
286
826000
2000
pár társammal együtt.
14:12
But, you know, this is another way to look at the --
287
828000
2000
Ez másik látásmód.
14:14
if you abstract again,
288
830000
2000
Ha ismét elvonatkoztatunk,
14:16
this is a structure that is defined by the physics of the universe.
289
832000
4000
ezt a szerkezetet is a világegyetem
fizikája határozza meg.
fizikája határozza meg.
14:20
You could just hang it as a bed sheet,
290
836000
1000
Felfüggeszthetjük, mint a lepedőt,
14:21
but again, the computation of all the physics
291
837000
2000
de a fizikai számításokból megint
14:23
gives you the aerodynamic shape.
292
839000
2000
az aerodinamikai alakhoz jutunk.
14:25
And so you can actually sort of almost double your boat speed
293
841000
3000
Majdnem megkettőzhetjük csónakunk
sebességét ilyen rendszerekkel.
sebességét ilyen rendszerekkel.
14:28
with systems like that. So that's sort of another interesting aspect of the future.
294
844000
7000
Ez a jövő további érdekes területe.
(Taps)
14:35
(Applause)
295
851000
1000
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